KR102623087B1 - 이종의 센서를 이용한 태양광 발전량 예측 방법 및 시스템 - Google Patents

Abstract

본 개시는 이종의 센서를 이용한 태양광 발전량 예측 방법 및 시스템을 제공한다. 이종의 센서를 이용한 태양광 발전량 예측 방법은 태양광 발전소와 연관된 마이크로웨이브 링크(microwave link) 데이터를 수신하는 단계, 마이크로웨이브 링크 데이터에 기초하여, 태양광 발전소가 위치한 지역의 현재 강우량을 예측하는 단계, 지상 관측 데이터를 수신하는 단계, 예측된 현재 강우량 및 지상 관측 데이터에 기초하여, 특정 미래 시점의 강우량을 예측하는 단계 및 예측된 특정 미래 시점의 강우량에 기초하여 특정 미래 시점의 태양광 발전소 발전량을 예측하는 단계를 포함할 수 있다.

Description

이종의 센서를 이용한 태양광 발전량 예측 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING AMOUNT OF SOLAR POWER USING HETEROGENEOUS SENSORS}

본 개시는 태양광 발전량 예측 방법 및 시스템에 관한 것으로, 구체적으로 이종의 센서의 데이터에 기초하여 태양광 발전량을 예측하는 방법 및 시스템에 관한 것이다.

지구 온난화가 심각해짐에 따라 친환경 에너지의 중요성이 높아지고 있다. 그 중에서도 태양으로부터 무한한 에너지를 얻을 수 있는 태양광 에너지가 각광받고 있다. 국내에서도 전력 발전 내 태양광 발전 비중이 점차 높아지고 있는 실정이다. 태양광 발전이 주목받음에 따라 태양광 발전소의 발전량 예측도 점차 중요해지고 있다. 특히, 태양광 발전량의 간헐성 및 불확실성으로 인해 태양광 발전량 예측은 필수적이다. 이에 따라, 신재생 에너지 시장에서 전력 대응을 위해 Intra-day 예측에 대한 수요가 늘어나고 있는 실정이다.

태양광 발전소는 주로 전국에 교외 지역 위주로 분포되어 있다. 하지만, 태양광 발전량 예측에 중요한 데이터인 강우량 정보를 제공하는 지상 기상 관측소는 전국에 600여개에 불과하며 전국 주요 지역 중심으로 위치하고 있다. 지상 기상 관측소만을 이용하여 태양광 발전량의 간헐성 및 불확실성에 대응하기 어렵다.

본 개시는 상기와 같은 문제점을 해결하기 위해 이종의 센서인 마이크로웨이브 링크 데이터를 기초로 태양광 발전량을 예측하는 방법 및 시스템을 제공한다.

본 개시는 방법, 장치(시스템) 및/또는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램, 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능 저장 매체를 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 이종의 센서를 이용한 태양광 발전량 예측 방법은 태양광 발전소와 연관된 마이크로웨이브 링크(microwave link) 데이터를 수신하는 단계, 마이크로웨이브 링크 데이터에 기초하여, 태양광 발전소가 위치한 지역의 현재 강우량을 예측하는 단계, 지상 관측 데이터를 수신하는 단계, 예측된 현재 강우량 및 지상 관측 데이터에 기초하여, 특정 미래 시점의 강우량을 예측하는 단계 및 예측된 특정 미래 시점의 강우량에 기초하여 특정 미래 시점의 태양광 발전소 발전량을 예측하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 마이크로웨이브 링크 데이터는 복수의 마이크로웨이브 링크 각각의 송신한 신호 세기 및 수신한 신호 세기, 복수의 마이크로웨이브 링크에 대한 위치 정보, 그리고 복수의 마이크로웨이브 링크에 대한 안테나 정보를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 복수의 마이크로웨이브 링크는 태양광 발전소와 미리 결정 거리 이내에 위치하고, 복수의 마이크로웨이브 링크는 각 마이크로웨이브 링크와 태양광 발전소 사이의 거리의 합계가 최소가 되도록 선정될 수 있다.

본 개시의 일 실시예에 따르면, 복수의 마이크로웨이브 링크는 각 마이크로웨이브 링크의 길이의 합계가 최소가 되도록 더 선정될 수 있다.

본 개시의 일 실시예에 따르면, 현재 강우량을 예측하는 단계는, 마이크로웨이브 링크 데이터에 기초하여 각 마이크로웨이브 링크에 대한 거리에 따른 감쇠율을 산출하는 단계 및 복수의 마이크로웨이브 링크에 대한 거리에 따른 감쇠율에 기초하여 현재 강우량을 예측하는 단계를 포함할 수 있다,

본 개시의 일 실시예에 따르면, 거리에 따른 감쇠율을 산출하는 단계는, 복수의 마이크로웨이브 링크에 대한 안테나 정보에 기초하여 각 마이크로웨이브 링크에 대한 거리에 따른 감쇠율을 보정하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 지상 관측 데이터는 기압계 데이터를 포함하고, 특정 미래 시점의 강우량을 예측하는 단계는, 기압계 데이터에 기초하여 현재 기압 컨투어 이미지를 생성하는 단계 및 제1 세트의 과거 기압 컨투어 이미지 중 현재 기압 컨투어 이미지와 미리 결정된 임계값 이상의 유사도를 가지는 제2 세트의 과거 기압 컨투어 이미지를 획득하는 단계, 제2 세트의 과거 기압 컨투어 이미지 중 예측된 현재 강우량과 가장 유사한 과거 실제 강우량을 가지는 특정 과거 기압 컨투어 이미지를 선택하는 단계 및 특정 과거 기압 컨투어 이미지와 연관된 과거 실제 강우량에 기초하여 상기 특정 미래 시점의 강우량을 예측하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 태양광 발전소 발전량을 예측하는 단계는, 특정 미래 시점의 태양광 발전소가 위치한 지역의 청천 일사량 및 예측된 특정 미래 시점의 강우량을 기초로 특정 미래 시점의 일사량을 예측하는 단계, 예측된 특정 미래 시점의 일사량에 기초하여 특정 미래 시점의 태양광 발전소의 발전량을 예측하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공될 수 있다.

본 개시의 일 실시예에 따르면, 정보 처리 시스템으로서, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은 태양광 발전소와 연관된 마이크로웨이브 링크 데이터를 수신하고, 마이크로웨이브 링크 데이터에 기초하여, 태양광 발전소가 위치한 지역의 현재 강우량을 예측하고, 지상 관측 데이터를 수신하고, 예측된 현재 강우량 및 지상 관측 데이터에 기초하여, 특정 미래 시점의 강우량을 예측하고, 예측된 특정 미래 시점의 강우량에 기초하여 특정 미래 시점의 태양광 발전소 발전량을 예측하기 위한 명령어들을 포함할 수 있다.

본 개시의 일부 실시예에 따르면, 특정 미래 시점의 강우량을 높은 정확도로 예측할 수 있다. 이에 더해, 예측된 특정 미래 시점의 강우량에 기초하여 단기 미래 시점에 대한 태양광 발전량을 높은 정확도로 예측할 수 있다.

본 개시의 일부 실시예에 따르면, 전력 시장에서의 전력 변동성에 빠르게 대응할 수 있다. 이와 관련하여, 태양광 발전량 예측에 중요한 데이터인 강우량 정보를 제공하는 지상 기상 관측소가 전국에 600여개에 불과한 반면, 마이크로웨이브 링크는 전국에 5,000여개가 설치되어 있어, 강우량 정보를 기상 관측소를 통하지 않고 더 많은 지역에 대해 얻을 수 있다. 이러한 정보를 이용해 태양광 발전량 예측에 사용함으로써, 더 많은 지역에 대해 보다 높은 정확도로 실시간 태양광 발전량 예측 서비스를 제공할 수 있다.

본 개시의 일부 실시예에 따르면, 저렴한 비용과 적은 시간으로 강우량에 대한 정확한 예측이 제공될 수 있다. 그 후, 본 개시에 따른 발명은 예측된 강우량을 기초로 태양광 발전소의 발전량에 대한 고품질의 예측 결과를 제공할 수 있다.

본 개시의 일부 실시예에 따르면, 안테나의 기구적 특성을 구분하여 강우 강도에 따른 감쇠율을 정확도 높게 산출할 수 있다. 그 후, 산출된 감쇠율에 기초하여 강우량이 높은 정확도로 예측될 수 있다.

본 개시의 일부 실시예에 따르면, 단기 강우량 예측(예를 들어, 4시간 이내의 강우량 예측)을 통해 정확한 실시간 강우량 예측이 제공될 수 있다.

본 개시의 일부 실시예에 따르면, 마이크로웨이브 링크 데이터 및 지상 관측 데이터를 기초로 특정 미래 시점의 강우량을 예측하고, 예측된 특정 미래 시점의 강우량에 기초하여 특정 미래 시점의 태양광 발전소 발전량을 예측할 수 있다.

본 개시의 일부 실시예에 따르면, 태양광 발전소와 연관성이 높은 마이크로웨이브 링크 데이터에 기초하여 태양광 발전소 발전량이 정확도 높게 예측될 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자('통상의 기술자'라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 이종 센서를 이용한 태양광 발전량 예측 시스템의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 태양광 발전량을 예측하기 위해, 정보 처리 시스템 및 복수의 사용자 단말 사이의 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 현재 강우량을 예측하는 방법의 예시를 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 안테나 감쇠 보정 모델을 생성하는 방법의 예시를 나타내는 블록도이다.
도 6은 본 개시의 일 실시예에 따른 특정 미래 시점의 강우량을 예측하는 방법의 예시를 나타내는 블록도이다.
도 7은 본 개시의 일 실시예에 따른 특정 미래 시점의 강우량을 예측하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 태양광 발전량을 예측하는 방법의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 인공신경말 모델을 나타내는 예시도이다.
도 10은 본 개시의 일 실시예에 따른 마이크로웨이브 링크의 선정 방법의 예시를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따른 태양광 발전소 발전량 예측 방법을 설명하기 위한 흐름도이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

또한, 이하의 실시예들에서 사용되는 제1, 제2, A, B, (a), (b) 등의 용어는 어떤 구성요소를 다른 구성요소와 구별하기 위해 사용되는 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지는 않는다.

또한, 이하의 실시예들에서, 어떤 구성요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 또 다른 구성요소가 '연결', '결합' 또는 '접속'될 수도 있다고 이해되어야 한다.

본 개시에서, '복수의 A 각각' 은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.

또한, 이하의 실시예들에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

본 개시에서, '마이크로웨이브 링크'는 마이크로웨이브를 이용하여 서로 통신할 수 있는 한 쌍의 마이크로웨이브 송수신기를 지칭할 수 있다. 여기서, 마이크로웨이브 송수신기는 마이크로웨이브 송신기 및/또는 수신기일 수 있다.

본 개시에서, '마이크로웨이브 링크 데이터'는 마이크로웨이브 링크로부터 수집된 데이터, 계산된 데이터 및/또는 마이크로웨이브 링크와 연관된 데이터를 지칭할 수 있다. 구체적으로, 마이크로웨이브 링크 데이터는 마이크로웨이브 링크에서 송신한 신호 세기, 수신한 신호 세기, 마이크로웨이브 링크에 대한 위치 정보(예를 들어, 위도, 경도, 고도 등), 마이크로웨이브 링크에 대한 안테나 정보, 송신한(또는 수신한) 신호를 수신한(또는 송신한) 송수신기에 대한 정보 등을 포함할 수 있다. 또한, 마이크로웨이브 링크 데이터는 마이크로웨이브 링크로부터 수집된 데이터를 기초로 계산된 데이터를 포함할 수 있다. 예를 들어, 마이크로웨이브 링크 데이터는 송신한 신호 세기 및 수신한 신호 세기에 기초하여 산출된 감쇠율 데이터를 포함할 수 있다. 또한, 마이크로웨이브 링크 데이터는 송신한 신호 세기, 수신한 신호 세기 및 링크 거리에 기초하여 산출된 거리에 따른 감쇠율 데이터를 포함할 수 있다.

본 개시에서, '마이크로웨이브 링크에 대한 안테나 정보'는 마이크로웨이브 링크 데이터에 영향을 줄 수 있는 마이크로웨이브 송수신기의 안테나에 관한 정보를 지칭할 수 있다. 구체적으로, 마이크로웨이브 링크에 대한 안테나 정보는 마이크로웨이브 링크간 송수신 신호의 세기에 영향을 미칠 수 있는 마이크로웨이브 송수신기의 물리적 특성 및 환경적 특성을 포함할 수 있다. 예를 들어, 마이크로웨이브 링크에 대한 안테나 정보는 안테나 모델에 관한 정보(예를 들어, 모델명, 모델의 구성 물질, 모델의 모양 및 형상 등), 안테나의 유지보수 및 손상에 관한 정보, 안테나 성능에 영향을 줄 수 있는 기상적인 요소(예를 들어, 미세먼지, 안테나에 맺힌 물방울 등) 등을 포함할 수 있다.

이하, 본 개시의 다양한 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 개시의 일 실시예에 따른 이종 센서를 이용한 태양광 발전량 예측 시스템의 예시를 나타내는 도면이다. 일 실시예에서, 태양광 발전량 예측 시스템(130)은 복수의 마이크로웨이브 링크 데이터(110_1 내지 110_n) 및 지상 관측 데이터(120)에 기초하여 특정 미래 시점의 태양광 발전량을 예측할수 있다. 이 경우, 태양광 발전량 예측 시스템(130)은 예측된 특정 미래 시점의 태양광 발전량을 사용자 단말(140)로 전송할 수 있다. 구체적으로, 특정 미래 시점의 태양광 발전량은 복수의 마이크로웨이브 링크 데이터(110_1 내지 110_n) 및 지상 관측 데이터(120)에 기초하여 생성된 기압 컨투어 이미지를 통해 예측될 수 있으며, 이는 도 4 내지 도 9를 참조하여 상세히 후술된다.

일 실시예에서, 복수의 마이크로웨이브 링크 데이터(110_1 내지 110_n)는 태양광 발전소가 위치한 지역 근방의 복수의 마이크로웨이브 링크로부터 수집되는 데이터일 수 있다. 여기서, 복수의 마이크로웨이브 링크는 태양광 발전소가 위치한 지역과 연관되어 선정될 수 있다. 마이크로웨이브 링크의 선정 방법은 도 10을 참조하여 상세히 후술된다.

일 실시예에서, 지상 관측 데이터(120)는 특정 미래 시점의 태양광 발전량을 예측하기 위해 태양광 발전소가 위치한 지역에서 관측한 데이터로서, 태양광 발전소와 연관된 데이터 및 관측계와 연관된 데이터를 포함할 수 있다. 구체적으로, 지상 관측 데이터(120)는 태양광 발전소와 연관된 강우량계 데이터, 기압계 데이터, 일사랑계 데이터, 태양광 발전소 메타데이터 등을 포함할 수 있다. 여기서, 강우량계 데이터는 강우량 시계열 데이터 및 강우량계 메타데이터(예를 들어, 강우량계 위치 정보 등)를 포함할 수 있다. 또한, 기압계 데이터는 기압 시계열 데이터 및 기압계 메타데이터(예를 들어, 기압계의 위치 정보 등)를 포함할 수 있다. 또한, 일사량계 데이터는 일사량 시계열 데이터 및 일사랑계 메타데이터(예를 들어, 일사랑계의 위치 정보 등)를 포함할 수 있다. 또한, 태양광 발전소 메타데이터는 태양광 발전소의 위치 정보(예를 들어, 위도, 경도, 고도 등), 위치 정보를 기초로 계산된 데이터(예를 들어, 태양광 발전소가 위치한 지역의 방위각, 태양천정각 등), 태양광 발전소의 발전 용량, 태양광 패널의 수직 기울기, 태양광 패널의 방위각 등을 포함할 수 있다.

일 실시예에서, 태양광 발전량 예측 시스템(130)은 특정 태양광 발전소의 특정 미래 시점의 태양광 발전량을 예측할 수 있다. 이를 위해, 태양광 발전량 예측 시스템(130)은 복수의 마이크로웨이브 링크 데이터(110_1 내지 110_n)를 수신할 수 있다. 태양광 발전량 예측 시스템(130)은 수신한 복수의 마이크로웨이브 링크 데이터(110_1 내지 110_n)에 기초하여, 태양광 발전소가 위치한 지역의 현재 강우량을 예측할 수 있다. 이 때, 예측된 현재 강우량은 강우 유무 및 강우 강도에 관한 정보를 포함할 수 있다. 또한, 태양광 발전량 예측 시스템(130)은 예측된 현재 강우량 및 지상 관측 데이터에 기초하여 특정 미래 시점의 강우량을 예측할 수 있다. 그 후, 태양광 발전량 예측 시스템(130)은 예측된 특정 미래 시점의 강우량에 기초하여 특정 미래 시점의 태양광 발전소 발전량을 예측할 수 있다. 그 후, 태양광 발전량 예측 시스템(130)은 예측 결과를 태양광 발전소와 연관된 사용자 단말(140)(예를 들어, 태양광 발전소의 관리자가 사용하는 사용자 단말)로 보낼 수 있다.

본 개시에 따른 발명은 복수의 마이크로웨이브 링크 데이터(110_1 내지 110_n) 및 지상 관측 데이터(120)에 기초하여, 특정 미래 시점의 강우량을 높은 정확도로 예측할 수 있다. 이에 더해, 예측된 특정 미래 시점의 강우량에 기초하여 단기 미래 시점에 대한 태양광 발전량을 높은 정확도로 예측할 수 있다. 따라서, 본 개시에 따른 발명을 이용하여 전력 시장에서의 전력 변동성에 빠르게 대응할 수 있다. 이와 관련하여, 태양광 발전량 예측에 중요한 데이터인 강우량 정보를 제공하는 지상 기상 관측소가 전국에 600여개에 불과한 반면, 마이크로웨이브 링크는 전국에 5,000여개가 설치되어 있어, 강우량 정보를 기상 관측소를 통하지 않고 더 많은 지역에 대해 얻을 수 있다. 이러한 정보를 이용해 태양광 발전량 예측에 사용함으로써, 더 많은 지역에 대해 보다 높은 정확도로 실시간 태양광 발전량 예측 서비스를 제공할 수 있다.

도 1에서는 복수의 마이크로웨이브 링크 데이터(110_1 내지 110_n)를 기초로 특정 미래 시점의 태양광 발전량이 예측될 수 있는 것으로 도시되어 있으나, 이에 한정되지 않는다. 대안적으로, 단일의 마이크로웨이브 링크 데이터를 기초로 특정 미래 시점의 태양광 발전량이 예측될 수 있다. 또한, 도 1에서는 태양광 발전량 예측 시스템(130)이 하나의 태양광 발전소에 관한 미래 시점의 태양광 발전량을 예측하고, 이를 사용자 단말(140)에 제공하는 것으로 도시되었으나, 이에 한정되지 않는다. 예를 들어, 태양광 발전량 예측 시스템(130)은 복수의 태양광 발전소의 미래 시점의 태양광 발전량을 예측하고, 복수의 사용자 단말에 예측된 태양광 발전량을 제공할 수 있다.

도 2는 본 개시의 일 실시예에 따른 태양광 발전량을 예측하기 위해, 정보 처리 시스템(230) 및 복수의 사용자 단말(210_1, 210_2, 210_3) 사이의 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 태양광 발전량 예측 서비스를 제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 태양광 발전량 예측 서비스를 제공받는 사용자의 단말을 포함할 수 있다.

일 실시예에 따르면, 정보 처리 시스템(230)은 태양광 발전량 예측 서비스 제공 등과 연관된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.

정보 처리 시스템(230)에 의해 제공되는 태양광 발전량 예측 서비스는 복수의 사용자 단말(210_1, 210_2, 210_3) 각각에 설치된 태양광 발전량 예측 서비스 애플리케이션, 웹 브라우저, 웹 브라우저 확장 프로그램 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 태양광 발전량 예측 서비스 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 태양광 발전량 예측 요청에 대응하는 정보를 제공하거나 대응하는 처리를 수행할 수 있다.

복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3), 정보 처리 시스템(230)사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.

도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 인스턴트 메시징 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.

도 2에서는 사용자의 요청이 사용자 단말(210_1, 210_2, 210_3)을 통해 정보 처리 시스템(230)에 전달되는 구성이 예시적으로 도시되어 있으나, 이에 한정되지 않으며, 사용자의 요청이 사용자 단말(210_1, 210_2, 210_3)을 거치지 않고 정보 처리 시스템(230)과 연관된 입력 장치를 통해 정보 처리 시스템(230)에 제공될 수 있으며, 사용자의 요청을 처리한 결과가 정보 처리 시스템(230)과 연관된 출력 장치(예를 들어, 디스플레이 등)를 통해 사용자에게 제공될 수도 있다.

도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 애플리케이션, 웹 브라우저 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.

메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210)에 설치되어 구동되는 태양광 발전량 예측 서비스 애플리케이션 등을 위한 코드)가 저장될 수 있다.

이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.

프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 태양광 발전량 예측 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.

입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.

사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 이미지 센서, 근접 센서, 터치 센서, 조도 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.

태양광 발전량 예측 서비스 등을 위한 프로그램 또는 애플리케이션이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.

사용자 단말(210)의 프로세서(314)는 입출력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여, 출력할 수 있다. 예를 들어, 프로세서(314)는 수신한 정보 및/또는 데이터를 사용자 단말(210)의 화면에 디스플레이할 수 있다.

정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다.

도 4는 본 개시의 일 실시예에 따른 현재 강우량을 예측하는 방법의 예시를 나타내는 블록도이다. 앞서 설명한 것과 같이, 특정 미래 시점의 태양광 발전량은 예측된 현재 강우량(450)에 기초하여 예측될 수 있다. 여기서, 예측된 현재 강우량(450)은 현재 마이크로웨이브 링크 데이터(410)에 기초하여 생성/예측될 수 있다. 현재 강우량을 예측하기 위한 과정은 아래의 설명을 통해 자세하게 이해될 수 있다.

일 실시예에서, 전처리된 현재 마이크로웨이브 링크 데이터(420)는 태양광 발전량을 예측하고자 하는 태양광 발전소와 연관된 복수의 현재 마이크로웨이브 링크 데이터(410)에 대한 전처리 과정이 수행됨으로써 획득될 수 있다. 구체적으로, 프로세서(예를 들어, 태양광 발전량 예측 시스템의 적어도 하나의 프로세서)는 마이크로웨이브 송수신기의 송신 신호 세기, 마이크로웨이브 송수신기의 수신 신호 세기, 그리고 마이크로웨이브 링크의 거리에 기초하여 마이크로웨이브 링크의 거리에 따른 감쇠율(dB/Km)을 산출할 수 있다. 그 후, 프로세서는 거리에 따른 감쇠율의 변동이 단기간에 급격하게 변화한 시간대의 데이터를 잡음으로 간주하여 제거할 수 있다. 예를 들어, 프로세서는 거리에 따른 감쇠율의 표준편차가 큰 시간대의 데이터를 잡음으로 간주하여 제거할 수 있다. 즉, 프로세서는 현재 마이크로웨이브 링크 데이터(410)에 기초하여 복수의 마이크로웨이브 링크의 거리에 따른 감쇠율을 산출하고, 잡음으로 간주된 데이터를 제거함으로써 현재 거리에 따른 감쇠율을 생성할 수 있다. 이 때, 전처리된 현재 마이크로웨이브 링크 데이터(420)는 현재 거리에 따른 감쇠율 데이터를 포함할 수 있다.

일 실시예에서, 전처리된 현재 마이크로웨이브 링크 데이터(420)는 현재 강우 유무 데이터를 포함할 수 있다. 구체적으로, 강우 유무는 현재 거리에 따른 감쇠율 데이터를 기초로 강우 판별 기준(422)을 이용하여 판정될 수 있다. 예를 들어, 현재 거리에 따른 감쇠율이 미리 정해진 임계치보다 큰 경우, 현재 태양광 발전소가 위치한 지역에 비가 오는 것으로 판정될 수 있다.

일 실시예에서, 강우 판별 기준(422)은 지상 관측 데이터(미도시)에 포함된 강우량계 데이터에 기초하여 사전에 생성된 값일 수 있다. 구체적으로, 강우량계 데이터에 기초하여 마이크로웨이브 링크가 존재하는 지역의 연(年) 단위 최대 강우 일수 비율(Q%)이 산출될 수 있다. 그 후, 해당 연도의 전처리된 과거 마이크로웨이브 링크 데이터에 포함된 거리에 따른 감쇠율이 상위 Q%에 해당하는 값이 강우 판별 기준(422)으로 사용될 수 있다. 예를 들어, 마이크로웨이브 링크가 존재하는 지역에서 1년간 비가 가장 자주 내린 연도 중 비가 내린 날이 73일이라고 한다면, 연 단위 최대 강우 일수 비율은 약 20%(73일/365일)일 수 있다. 이 경우, 해당 연도의 전처리된 과거 마이크로웨이브 링크 데이터에 포함된 거리에 따른 감쇠율 중 상위 20%에 해당하는 값이 강우 판별 기준(422)로 결정될 수 있다.

일 실시예에서, 현재 비가 오는 것으로 판정된 경우, 전처리된 현재 마이크로웨이브 링크 데이터(420)에 포함된 현재 거리에 따른 감쇠율은 마이크로웨이브 링크 안테나 정보(432)를 기초로 안테나 감쇠 보정 모델(430)을 이용하여 보정될 수 있다. 여기서, 안테나 감쇠 보정 모델(430)은 마이크로웨이브 링크 안테나 정보(432)를 분류하여 실제 현재 강우량과 예측된 현재 강우량의 차이를 보정해주는 모델일 수 있다. 안테나 감쇠 보정 모델(430)의 생성 방법에 관해서는 도 5에서 상세히 설명하도록 한다. 안테나 감쇠 보정 모델(430)은 현재 거리에 따른 감쇠율과 마이크로웨이브 링크 안테나 정보를 수신하여, 보정된 현재 거리에 따른 감쇠율을 생성할 수 있다.

일 실시예에서, 프로세서는 보정된 현재 거리에 따른 감쇠율(440)에 기초하여 예측된 현재 강우량(450)을 산출할 수 있다. 여기서, 프로세서는 마이크로웨이브 전파에 따른 감쇠 공식인

을 이용하여 보정된 현재 거리에 따른 감쇠율(440)로부터 현재 강우 강도를 산출/예측할 수 있다. 여기서, A는 보정된 현재 거리에 따른 감쇠율(dB/km), k, b는 주파수와 편파 특성에 따른 상수, r은 강우 강도(mm/hr, mm/min)을 나타낼 수 있다. 이 때, k 및 b는 마이크로웨이브 전파 특성을 통해 알 수 있는 상수일 수 있다.

일 실시예에서, 전처리된 현재 마이크로웨이브 링크 데이터(420)는 복수의 현재 마이크로웨이브 링크 데이터(410)를 기초로 산출된 복수의 현재 거리에 따른 감쇠율을 포함할 수 있다. 일 예시에서, 복수의 현재 거리에 따른 감쇠율을 평균함으로써 하나의 현재 거리에 따른 감쇠율이 산출될 수 있다. 그 후, 상술한 방법을 이용하여 하나의 현재 거리에 따른 감쇠율을 기초로 현재 강우량(450)이 예측될 수 있다. 이후 과정에서, 특정 태양광 발전소와 연관된 예측된 강우량으로서 하나의 예측된 현재 강우량(450)이 이용될 수 있다.

다른 예시에서, 상술한 방법을 이용하여 복수의 현재 거리에 따른 감쇠율을 기초로 복수의 현재 강우량(450)이 예측될 수 있다. 그 후, 복수의 예측된 현재 강우량(450)을 평균함으로써 하나의 예측된 현재 강우량이 산출될 수 있다. 이후 과정에서, 특정 태양광 발전소와 연관된 예측된 강우량으로서 하나의 예측된 현재 강우량(450)이 이용될 수 있으나 이에 한정되지 않는다. 즉, 이후 과정에서 복수의 예측된 현재 강우량(450)이 이용될 수 있다.

이러한 구성에 의해, 현재 마이크로웨이브 링크 데이터로부터 현재 강우량(450)을 정확히 예측할 수 있다. 즉, 본 개시에 따른 발명은 저렴한 비용과 적은 시간으로 강우량에 대한 정확한 예측을 제공할 수 있다. 그 후, 본 개시에 따른 발명은 예측된 강우량을 기초로 태양광 발전소의 발전량에 대한 고품질의 예측 결과를 제공할 수 있다.

도 5는 본 개시의 일 실시예에 따른 안테나 감쇠 보정 모델(560)을 생성하는 방법의 예시를 나타내는 블록도이다. 도 4에서 상술한 것과 같이, 안테나 감쇠 보정 모델(560)은 마이크로웨이브 링크 안테나 정보에 기초하여 마이크로웨이브 링크의 거리에 따른 감쇠율을 보정하는데 이용될 수 있다. 안테나 감쇠 보정 모델(560)을 생성하는 구체적인 방법은 아래와 같이 이해될 수 있다.

일 실시예에서, 안테나 감쇠 보정 모델(560)은 실제 과거 강우량(550), 마이크로웨이브 링크에 대한 안테나 정보(540) 및 예측된 과거 강우량(530)을 기초로 생성될 수 있다. 일 예시에서, 안테나 감쇠 보정 모델(560)은 다항 회귀(polynomial regression)를 통해 산출된 보정식을 이용할 수 있다. 구체적으로, 안테나 감쇠 보정 모델(560)은 마이크로웨이브 링크에 대한 안테나 정보(540)를 분류하고, 분류된 정보를 기초로 실제 과거 강우량(550)과 예측된 과거 강우량(530)의 차이를 이용하여 산출된 보정식을 포함할 수 있다.

일 실시예에서, 예측된 과거 강우량(530)은 도 4에서 상술한 방법과 유사하게 생성될 수 있다. 구체적으로, 전처리된 과거 마이크로웨이브 링크 데이터(520)는 과거 마이크로웨이브 링크 데이터(510)에 대한 전처리 과정이 수행됨으로써 획득될 수 있다. 이 때, 전처리된 과거 마이크로웨이브 링크 데이터(520)는 과거 거리에 따른 감쇠율을 포함할 수 있다. 또한, 전처리된 과거 마이크로웨이브 링크 데이터(520)는 과거 강우 유무 데이터를 포함할 수 있다. 그 후, 전처리된 과거 마이크로웨이브 링크 데이터(520)에 포함된 과거 거리에 따른 감쇠율을 기초로 강우 시 마이크로웨이브 전파에 따른 감쇠 공식을 이용하여 과거 강우량(530)이 예측될 수 있다.

일 실시예에서, 실제 과거 강우량(550)은 지상 관측 데이터 중 강우량계 데이터로부터 획득될 수 있다. 또한, 마이크로웨이브 링크에 대한 안테나 정보(540)는 마이크로웨이브 링크 데이터로부터 획득될 수 있다.

이러한 구성에 의해, 안테나 감쇠 보정 모델(560)을 이용하여 강우량이 보다 정확하게 예측될 수 있다. 구체적으로, 강우 시 안테나의 기구적 특성에 따라 안테나의 감쇠 정도가 상이할 수 있다. 이 때, 안테나의 기구적 특성을 구분하여 강우 강도에 따른 감쇠율을 정확도 높게 산출할 수 있다. 그 후, 산출된 감쇠율에 기초하여 강우량이 높은 정확도로 예측될 수 있다.

도 6은 본 개시의 일 실시예에 따른 특정 미래 시점의 강우량을 예측하는 방법의 예시를 나타내는 블록도이다. 도시된 바와 같이, 이미지 유사도 알고리즘(630)을 이용하여 제1 세트의 과거 기압 컨투어 이미지(610) 및 현재 기압 컨투어 이미지(620)를 기초로 제2 세트의 과거 기압 컨투어 이미지(632)가 선택될 수 있다. 그 후, 예측된 현재 강우량(640)을 이용하여 제2 세트의 과거 기압 컨투어 이미지(632) 중 특정 과거 기압 컨투어 이미지(650)가 선택될 수 있다. 이 때, 예측된 현재 강우량(640)은 도 4에서 상술한 방법을 이용하여 산출될 수 있다. 그 후, 특정 과거 기압 컨투어 이미지(650)에 기초하여 특정 미래 시점의 강우량(660)이 예측될 수 있다.

일 실시예에서, 기압계 데이터는 기압 데이터 및 기압계 메타데이터를 포함할 수 있다. 여기서, 기압 데이터는 과거 기압 데이터 및 현재 기압 데이터를 포함할 수 있다. 과거 기압 데이터는 과거 강우가 발생했던 시간 영역(예를 들어, 1일 반경)의 기압 데이터인 과거 강우 기압 데이터를 포함할 수 있다. 과거 강우 기압 데이터는 특정 과거 시점의 복수의 기압계에 대한 복수의 기압 값을 포함할 수 있다. 복수의 기압 변동값은 복수의 기압 값 각각에 대해 복수의 기압 값의 평균을 차감하여 산출될 수 있다. 그 후, 복수의 기압 변동값은 최소 기압값 및/또는 최대 기압값을 기준으로 표준화 과정이 수행될 수 있다. 예를 들어, 표준화된 기압 변동값은 복수의 기압 변동값을 최소 기압값으로 나눔으로써 산출될 수 있다. 그 후, 특정 과거 시점의 복수의 표준화된 기압 변동값을 이미지로 변환함으로써 특정 과거 시점의 과거 기압 컨투어 이미지가 생성될 수 있다.

유사하게, 상술한 방법을 이용하여 프로세서는 미리 정해진 시간 간격마다의 과거 기압 컨투어 이미지를 생성할 수 있다. 예를 들어, 시간의 간격은 1시간일 수 있다. 여기서, 제1 세트의 과거 기압 컨투어 이미지(610)는 복수의 시간에 대응하는 과거 기압 컨투어 이미지를 포함할 수 있다.

유사하게, 현재 기압 컨투어 이미지는 현재 기압 데이터를 기초로 상술한 방법을 이용하여 생성될 수 있다. 구체적으로, 현재 기압 데이터는 복수의 기압계에 대한 복수의 현재 기압값을 포함할 수 있다. 복수의 현재 기압값을 기초로 복수의 표준화된 현재 기압 변동값이 산출될 수 있다. 그 후, 복수의 표준화된 기압 변동값을 이미지로 변환함으로써 현재 기압 컨투어 이미지가 생성될 수 있다.

일 실시예에서, 제2 세트의 과거 기압 컨투어 이미지(632)는 현재 기압 컨투어 이미지(620)를 기초로 제1 세트의 과거 기압 컨투어 이미지(610) 중에서 선택된 이미지일 수 있다. 구체적으로, 제2 세트의 과거 기압 컨투어 이미지(632)는 이미지 유사도 알고리즘(630)을 이용하여 제1 세트의 과거 기압 컨투어 이미지(610) 중에서 현재 기압 컨투어 이미지(620)와 미리 결정된 임계값 이상의 유사도를 가지는 단일의 또는 복수의 컨투어 이미지일 수 있다. 도 6에 도시된 제2 세트의 과거 기압 컨투어 이미지(632)는 3개의 이미지를 포함하는 것으로 도시되어 있으나, 이에 한정되지 않는다. 즉, 제2 세트의 과거 기압 컨투어 이미지(632)는 3개보다 많거나 적은 수의 이미지를 포함할 수 있다.

일 실시예에서, 특정 과거 기압 컨투어 이미지(650)는 제2 세트의 과거 기압 컨투어 이미지 중 예측된 현재 강우량(640)과 가장 유사한 과거 실제 강우량을 가지는 이미지로 선택될 수 있다. 이 때, 예측된 현재 강우량(640)과 특정 과거 기압 컨투어 이미지(650)를 비교하기 위해서 지상 관측 데이터에 포함된 과거 실제 강우량이 이용될 수 있다. 즉, 제2 세트의 과거 기압 컨투어 이미지(632)에 포함된 복수의(또는 단일의) 이미지 각각에 대응되는 시점의 과거 실제 강우량이 이용될 수 있다.

일 실시예에서, 특정 미래 시점의 강우량(660)은 특정 과거 기압 컨투어 이미지(650)와 연관된 과거 실제 강우량에 기초하여 예측될 수 있다. 구체적으로, 특정 과거 기압 컨투어 이미지(650)에 대응되는 특정 과거 시점으로부터 일정 시간 이내의 강우량은 특정 미래 시점의 강우량(660)의 예측에 이용될 수 있다. 예를 들어, 특정 과거 기압 컨투어 이미지(650)와 연관된 특정 과거 시점으로부터 4시간 이내의 강우량은 현재부터 4시간 이내 시점의 강우량으로 간주될 수 있다.

마이크로파를 송수신하는 마이크로웨이브 링크는 교외 지역을 포함한 전국에 골고루 분포하고 있을 수 있다. 강우 발생시 마이크로웨이브가 감쇠하는 특성을 이용하여 현재 강우량(640)을 예측하고, 예측된 현재 강우량(640)과 기압 데이터를 기초로 특정 미래 시점의 강우량(660)을 예측할 수 있다. 즉, 상대적으로 부족한 지상 기상 관측소가 아닌 마이크로웨이브 링크를 이용하여 전국의 강우량을 높은 정확도로 예측할 수 있다. 또한, 본 개시에 따른 발명은 단기 강우량 예측(예를 들어, 4시간 이내의 강우량 예측)을 통해 정확한 실시간 강우량 예측을 제공할 수 있다.

도 7은 본 개시의 일 실시예에 따른 특정 미래 시점의 강우량을 예측하는 방법의 예시를 나타내는 도면이다. 도시된 바와 같이, 이미지 유사도 알고리즘(730)을 이용하여 제1 세트의 과거 기압 컨투어 이미지(710) 및 현재 기압 컨투어 이미지(720)를 기초로 제2 세트의 과거 기압 컨투어 이미지(740)가 선택될 수 있다. 여기서, 제1 세트의 과거 기압 컨투어 이미지(710)는 복수의 특정 과거 시점에 대응하는 과거 컨투어 이미지를 포함할 수 있다. 또한, 현재 및 과거 기압 컨투어 이미지(710, 720, 740)는 발전량을 예측하고자 하는 태양광 발전소가 위치한 지역에 관한 기압 컨투어 이미지일 수 있다. 기압 컨투어 이미지 생성 방법은 도 6에서 상술한 내용을 통해 이해될 수 있다.

일 실시예에서, 제2 세트의 과거 기압 컨투어 이미지(740)는 현재 기압 컨투어 이미지(720)를 기초로 제1 세트의 과거 기압 컨투어 이미지(710) 중에서 선택된 이미지일 수 있다. 구체적으로, 제1 세트의 과거 기압 컨투어 이미지(710) 중에서 현재 기압 컨투어 이미지(720)와 미리 결정된 임계값 이상의 유사도를 가지는 과거 기압 컨투어 이미지(712)는 제2 세트의 과거 기압 컨투어 이미지(740)로 선택될 수 있다. 도 7에 도시된 제2 세트의 과거 기압 컨투어 이미지(740)는 복수의 이미지를 포함하는 것으로 도시되어 있으나, 이에 한정되지 않고 하나의 이미지만 포함할 수 있다. 그 후, 도 6에서 상술한 것과 같이, 프로세서는 제2 세트의 과거 기압 컨투어 이미지(740)에 기초하여 특정 미래 시점의 강우량을 예측할 수 있다.

도 8은 본 개시의 일 실시예에 따른 태양광 발전량을 예측하는 방법의 예시를 나타내는 도면이다. 태양광 발전소의 발전량은 태양광 발전소가 위치한 지역의 강우량에 지배적인 영향을 받을 수 있다. 이 때문에, 태양광 발전량 예측 시, 태양광 발전소가 위치한 지역의 강우량을 고려해야 정확한 태양광 발전량 예측이 가능할 수 있다. 이에 따라, 프로세서는 예측된 특정 미래 시점의 강우량(810) 및 특정 미래 시점의 청천 일사량(820)에 기초하여 특정 미래 시점의 일사량(832)을 예측할 수 있다. 그 후, 프로세서는 특정 미래 시점의 일사량(832) 및 태양광 발전소 메타데이터(840)에 기초하여 태양광 발전량(850)을 예측할 수 있다.

일 실시예에서, 일사량 예측 모델(830)은 예측된 특정 미래 시점의 강우량(810) 및 특정 미래 시점의 청천 일사량(820)을 기초로 특정 미래 시점의 일사량(832)을 예측할 수 있다. 이 때, 예측된 특정 미래 시점의 강우량(810)은 도 6에서 상술한 방법을 이용하여 산출될 수 있다. 또한, 특정 미래 시점의 청천 일사량(820)은 발전량을 예측하고자 하는 태양광 발전소의 위치 정보에 기초하여 Inchein-Perez 모델을 이용하여 산출될 수 있다.

일 실시예에서, 일사량 예측 모델(830)은 예측된 과거 강우량, 과거 청천 일사량 및 실제 과거 일사량을 기초로 학습된 모델일 수 있다. 이 때, 예측된 과거 강우량은 도 5에서 상술한 방법을 이용하여 산출될 수 있다. 또한, 과거 청천 일사량은 태양광 발전소의 위치 정보에 기초하여 Inchen-Perez 모델을 이용하여 산출될 수 있다. 실제 과거 일사량은 지상 관측 데이터 중 일사량계 데이터로부터 획득될 수 있다.

일 실시예에서, 일사량 예측 모델(830)은 머신러닝 기법을 통해, 예측된 과거 일사량과 실제 과거 일사량의 사이의 오차가 감소되도록 학습될 수 있다. 이 때, 예측된 과거 일사량은 예측된 과거 강우량 및 과거 청천 일사량을 기초로 산출될 수 있다. 추가적으로, 일사량 예측 모델(830)은 강우량계 메타데이터(예를 들어, 강우량계 위치 정보) 및/또는 일사량계 메타데이터(예를 들어, 일사량계 위치 정보)를 특징 정보로 활용하여 학습될 수 있다.

일 실시예에서, 프로세서는 특정 미래 시점의 일사량(832) 및 태양광 발전소 메타데이터(840)를 기초로 태양광 발전량(850)을 예측할 수 있다. 여기서, 태양광 발전소 메타데이터는 태양광 발전소의 위치 정보(예를 들어, 위도, 경도, 고도 등), 위치 정보를 기초로 계산된 데이터(예를 들어, 태양광 발전소가 위치한 지역의 방위각, 태양천정각 등), 태양광 발전소의 발전 용량, 태양광 패널의 수직 기울기, 태양광 패널의 방위각 등을 포함할 수 있다. 이러한 구성에 의해, 마이크로웨이브 링크 데이터 및 지상 관측 데이터를 기초로 특정 미래 시점의 강우량을 예측하고, 예측된 특정 미래 시점의 강우량에 기초하여 특정 미래 시점의 태양광 발전소 발전량을 예측할 수 있다.

도 9는 본 개시의 일 실시예에 따른 인공신경말 모델(900)을 나타내는 예시도이다. 인공신경망 모델(900)은, 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.

일 실시예에 따르면, 인공신경망 모델(900)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(900)은 기계학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.

일 실시예에 따르면, 상술된 특정 미래 시점의 태양광 발전소가 위치한 지역의 일사량을 예측하는 모델은 인공신경망 모델(900)의 형태로 생성될 수 있다. 예를 들어, 특정 미래 시점의 청천 일사량 및 마이크로웨이브 링크 데이터를 기초로 예측된 특정 미래 시점의 강우량을 수신하고, 특정 미래 시점의 일사량을 산출할 수 있다.

인공신경망 모델(900)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(900)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 9에 도시된 바와 같이, 인공신경망 모델(900)은, 외부로부터 입력 신호 또는 데이터(910)를 수신하는 입력층(920), 입력 데이터에 대응한 출력 신호 또는 데이터(950)를 출력하는 출력층(940), 입력층(920)과 출력층(940) 사이에 위치하며 입력층(920)으로부터 신호를 받아 특성을 추출하여 출력층(940)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(930_1 내지 930_n)으로 구성된다. 여기서, 출력층(940)은 은닉층(930_1 내지 930_n)으로부터 신호를 받아 외부로 출력한다.

인공신경망 모델(900)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 일 실시예에 따르면, 정보 처리 시스템은 과거 지상 관측 데이터, 과거 마이크로웨이브 링크 데이터 및 과거 청천 일사량 데이터를 이용하여 인공신경망 모델(900)을 학습시킬 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 인공신경망 모델(900)을 학습시키기 위한 학습 데이터를 직접 생성할 수 있다.

일 실시예에 따르면, 인공신경망 모델(900)의 입력변수는 예측된 특정 미래 시점의 강우량 및 특정 미래 시점의 청천 일사량을 포함할 수 있다. 여기서, 특정 미래 시점의 강우량은 마이크로웨이브 링크 데이터 및 지상 관측 데이터로부터 산출될 수 있다.

이와 같이 상술된 입력변수가 입력층(920)을 통해 입력되는 경우, 인공신경망 모델(900)의 출력층(940)에서 출력되는 출력변수는 특정 미래 시점의 태양광 발전소가 위치한 지역의 일사량을 포함할 수 있다.

이와 같이, 인공신경망 모델(900)의 입력층(920)과 출력층(940)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(920), 은닉층(930_1 내지 930_n) 및 출력층(940)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(900)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(900)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 또한, 정보 처리 시스템은 특정 미래 시점의 강우량 및 특정 미래 시점의 청천 일사량을 입력으로 받는 알고리즘을 학습하여, 특정 미래 시점의 태양광 발전소가 위치한 지역의, 예측된 일사량과 실제 일사량 사이의 오차를 최소화하는 방식으로 학습할 수 있다.

이렇게 학습된 인공신경망 모델(900)을 이용하여, 특정 미래 시점의 태양광 발전소가 위치한 지역의 일사량을 보다 높은 정확도로 추정할 수 있다.

도 10은 본 개시의 일 실시예에 따른 마이크로웨이브 링크의 선정 방법의 예시를 나타내는 도면이다. 발전량을 예측하고자 하는 태양광 발전소(1010)가 위치하는 지역에 마이크로웨이브 송수신기(1020_1, 1020_2, 1030_1, 1030_2)가 복수 개가 위치할 수 있다. 복수의 마이크로웨이브 송수신기(1020_1, 1020_2, 1030_1, 1030_2) 중 2개의 쌍이 하나의 마이크로웨이브 링크로 선정될 수 있다. 이 때, 특정 마이크로웨이브 송수신기는 서로 다른 복수의 마이크로웨이브 링크에 포함되지 않을 수 있다.

일 실시예에서, 발전량을 예측하고자 하는 태양광 발전소(1010)와 연관된 마이크로웨이브 송수신기(1020_1, 1020_2, 1030_1, 1030_2)는 태양광 발전소(1010)와 미리 결정 거리 이내에 위치할 수 있다. 예를 들어, 마이크로웨이브 송수신기(1020_1, 1020_2, 1030_1, 1030_2)는 태양광 발전소(1010)를 중심으로 위도 및 경도가 각각 0.5도 거리 이내에 위치할 수 있다. 이 때, 태양광 발전소(1010)로부터 미리 결정 거리 이내의 지역은 같은 기후 특성을 나타내는 것으로 간주될 수 있다.

일 실시예에서, 복수의 마이크로웨이브 링크(1020, 1030)는 각 마이크로웨이브 링크와 태양광 발전소 사이의 거리(h_1, h₂)의 합계가 최소가 되도록 선정될 수 있다. 예를 들어, 제1 복수의 마이크로웨이브 링크(1020, 1030)는 제1 마이크로웨이브 링크(1020) 및 제2 마이크로웨이브 링크(1030)일 수 있다. 제2 복수의 마이크로웨이브 링크는 제3 마이크로웨이브 링크(예를 들어, 제1 마이크로웨이브 송수신기(1020_1) 및 제3 마이크로웨이브 송수신기(1030_1)를 포함) 및 제4 마이크로웨이브 링크(예를 들어, 제1 마이크로웨이브 송수신기(1020_1) 및 제3 마이크로웨이브 송수신기(1030_1)를 포함)일 수 있다. 이 경우, 제1 마이크로웨이브 링크와 태양광 발전소 사이의 거리(h₁) 및 제2 마이크로웨이브 링크와 태양광 발전소 사이의 거리(h2)의 합은 제3 마이크로웨이브 링크와 태양광 발전소(1010) 사이의 거리 및 제4 마이크로웨이브 링크와 태양광 발전소(1010) 사이의 거리의 합보다 작을 수 있다. 이 때, 제1 복수의 마이크로웨이브 링크(1020, 1030)가 선정될 수 있다. 추가적으로, 각 마이크로웨이브 링크의 길이의 합계가 최소가 되도록 선정될 수 있다. 대안적으로, 각 마이크로웨이브 링크와 태양광 발전소 사이의 거리가 동일한 옵션들이 있는 경우, 그 중 각 마이크로웨이브 링크의 길이의 합계가 최소인 옵션이 선정될 수 있다.

일 실시예에서, 복수의 마이크로웨이브 링크(1020, 1030)는 각 마이크로웨이브 링크의 길이(l_1, l₂)의 합계가 최소가 되도록 선정될 수 있다. 예를 들어, 제1 마이크로웨이브 링크의 길이(l₁) 및 제2 마이크로웨이브 링크의 길이(l₂)의 합은 제3 마이크로웨이브 링크의 길이 및 제4 마이크로웨이브 링크의 길이의 합보다 작을 수 있다. 이 때, 제1 복수의 마이크로웨이브 링크(1020, 1030)가 선정될 수 있다.

본 개시에 따른 발명은 태양광 발전소와 연관된 마이크로웨이브 링크 데이터에 기초하여 태양광 발전소 발전량을 예측할 수 있다. 이 때, 상술한 마이크로웨이브 링크 선정 방법을 이용하여 마이크로웨이브 링크는 태양광 발전소와 연관성이 높게 선정될 수 있다. 그 후, 태양광 발전소와 연관성이 높은 마이크로웨이브 링크 데이터에 기초하여 태양광 발전소 발전량이 정확도 높게 예측될 수 있다.

도 10에서는 4개의 마이크로웨이브 송수신기가 존재하는 예시를 도시하고 있으나, 이에 한정되지 않으며, 태양광 발전소(1010)가 위치하는 지역에 임의의 개수의 마이크로웨이브 송수신기가 존재할 수 있다. 이 경우, 앞서 설명한 것과 같이, 각 마이크로웨이브 링크와 태양광 발전소 사이의 거리의 합계가 최소가 되고/되거나 각 마이크로웨이브 링크의 길이의 합계가 최소가 되도록 복수의 마이크로웨이브 링크가 선정될 수 있다.

도 11은 본 개시의 일 실시예에 따른 태양광 발전소 발전량 예측 방법(1100)을 설명하기 위한 흐름도이다. 방법(1100)은 사용자 단말 및/또는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 방법(1100)은 프로세서가 태양광 발전소와 연관된 마이크로웨이브 링크 데이터를 수신하는 것으로 개시될 수 있다(S1110). 여기서, 마이크로웨이브 링크 데이터는 복수의 마이크로웨이브 링크 각각의 송신한 신호 세기 및 수신한 신호 세기, 복수의 마이크로웨이브 링크에 대한 위치 정보, 그리고 복수의 마이크로웨이브 링크에 대한 안테나 정보를 포함할 수 있다.

일 실시예에서, 복수의 마이크로웨이브 링크는 태양광 발전소와 미리 결정 거리 이내에 위치하고, 복수의 마이크로웨이브 링크는 각 마이크로웨이브 링크와 태양광 발전소 사이의 거리의 합계가 최소가 되도록 선정될 수 있다. 추가적으로, 복수의 마이크로웨이브 링크는 각 마이크로웨이브 링크의 길이의 합계가 최소가 되도록 더 선정될 수 있다.

일 실시예에서, 프로세서는 마이크로웨이브 링크 데이터에 기초하여, 태양광 발전소가 위치한 지역의 현재 강우량을 예측할 수 있다(S1120). 구체적으로, 프로세서는 마이크로웨이브 링크 데이터에 기초하여 각 마이크로웨이브 링크에 대한 거리에 따른 감쇠율을 산출할 수 있다. 그 후, 프로세서는 복수의 마이크로웨이브 링크에 대한 거리에 따른 감쇠율에 기초하여 현재 강우량을 예측할 수 있다. 추가적으로, 프로세서는 복수의 마이크로웨이브 링크에 대한 안테나 정보에 기초하여 각 마이크로웨이브 링크에 대한 거리에 따른 감쇠율을 보정할 수 있다.

일 실시예에서, 프로세서는 지상 관측 데이터를 수신할 수 있다(S1130). 여기서, 지상 관측 데이터는 기압계 데이터를 포함할 수 있다.

일 실시예에서, 프로세서는 예측된 현재 강우량 및 지상 관측 데이터에 기초하여, 특정 미래 시점의 강우량을 예측할 수 있다(S1140). 구체적으로, 프로세서는 기압계 데이터에 기초하여 현재 기압 컨투어 이미지를 생성할 수 있다. 또한, 프로세서는 제1 세트의 과거 기압 컨투어 이미지 중 현재 기압 컨투어 이미지와 미리 결정된 임계값 이상의 유사도를 가지는 제2 세트의 과거 기압 컨투어 이미지를 획득할 수 있다. 또한, 프로세서는 제2 세트의 과거 기압 컨투어 이미지 중 예측된 현재 강우량과 가장 유사한 과거 실제 강우량을 가지는 특정 과거 기압 컨투어 이미지를 선택할 수 있다. 그 후, 프로세서는 특정 과거 기압 컨투어 이미지와 연관된 과거 실제 강우량에 기초하여 상기 특정 미래 시점의 강우량을 예측할 수 있다.

일 실시예에서, 프로세서는 예측된 특정 미래 시점의 강우량에 기초하여 특정 미래 시점의 태양광 발전소 발전량을 예측할 수 있다(S1150). 구체적으로, 프로세서는 특정 미래 시점의 태양광 발전소가 위치한 지역의 청천 일사량 및 예측된 특정 미래 시점의 강우량을 기초로 특정 미래 시점의 일사량을 예측할 수 있다. 또한, 프로세서는 예측된 특정 미래 시점의 일사량에 기초하여 상기 특정 미래 시점의 상기 태양광 발전소의 발전량을 예측할 수 있다.

상술한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안 된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

소프트웨어로 구현되는 경우, 상술된 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.

소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

110_1 : 제1 마이크로웨이브 링크 데이터
110_n : 제n 마이크로웨이브 링크 데이터
120 : 지상 관측 데이터
130 : 태양광 발전량 예측 시스템
140 : 사용자 단말

Claims (10)

1. 적어도 하나의 프로세서에 의해 수행되는, 이종의 센서를 이용한 태양광 발전량 예측 방법에 있어서,
   태양광 발전소와 연관된 마이크로웨이브 링크(microwave link) 데이터를 수신하는 단계;
   상기 마이크로웨이브 링크 데이터에 기초하여, 상기 태양광 발전소가 위치한 지역의 현재 강우량을 예측하는 단계;
   지상 관측 데이터를 수신하는 단계;
   상기 예측된 현재 강우량 및 상기 지상 관측 데이터에 기초하여, 특정 미래 시점의 강우량을 예측하는 단계; 및
   상기 예측된 특정 미래 시점의 강우량에 기초하여 상기 특정 미래 시점의 태양광 발전소 발전량을 예측하는 단계
   를 포함하고,
   상기 마이크로웨이브 링크 데이터는 복수의 마이크로웨이브 링크 각각의 송신한 신호 세기 및 수신한 신호 세기, 상기 복수의 마이크로웨이브 링크에 대한 위치 정보, 그리고 상기 복수의 마이크로웨이브 링크에 대한 안테나 정보를 포함하는, 태양광 발전량 예측 방법.
   
2. 삭제
3. 제1항에 있어서,
   상기 복수의 마이크로웨이브 링크는 상기 태양광 발전소와 미리 결정 거리 이내에 위치하고,
   상기 복수의 마이크로웨이브 링크는 각 마이크로웨이브 링크와 상기 태양광 발전소 사이의 거리의 합계가 최소가 되도록 선정된, 태양광 발전량 예측 방법.
   
4. 제3항에 있어서,
   상기 복수의 마이크로웨이브 링크는 각 마이크로웨이브 링크의 길이의 합계가 최소가 되도록 더 선정된, 태양광 발전량 예측 방법.
   
5. 제1항에 있어서,
   상기 현재 강우량을 예측하는 단계는,
   상기 마이크로웨이브 링크 데이터에 기초하여 각 마이크로웨이브 링크에 대한 거리에 따른 감쇠율을 산출하는 단계; 및
   상기 복수의 마이크로웨이브 링크에 대한 거리에 따른 감쇠율에 기초하여 현재 강우량을 예측하는 단계
   를 포함하는, 태양광 발전량 예측 방법.
   
6. 제5항에 있어서,
   상기 거리에 따른 감쇠율을 산출하는 단계는,
   상기 복수의 마이크로웨이브 링크에 대한 안테나 정보에 기초하여 각 마이크로웨이브 링크에 대한 거리에 따른 감쇠율을 보정하는 단계를 포함하는, 태양광 발전량 예측 방법.
   
7. 적어도 하나의 프로세서에 의해 수행되는, 이종의 센서를 이용한 태양광 발전량 예측 방법에 있어서,
   태양광 발전소와 연관된 마이크로웨이브 링크(microwave link) 데이터를 수신하는 단계;
   상기 마이크로웨이브 링크 데이터에 기초하여, 상기 태양광 발전소가 위치한 지역의 현재 강우량을 예측하는 단계;
   지상 관측 데이터를 수신하는 단계;
   상기 예측된 현재 강우량 및 상기 지상 관측 데이터에 기초하여, 특정 미래 시점의 강우량을 예측하는 단계; 및
   상기 예측된 특정 미래 시점의 강우량에 기초하여 상기 특정 미래 시점의 태양광 발전소 발전량을 예측하는 단계
   를 포함하고,
   상기 지상 관측 데이터는 기압계 데이터를 포함하고,
   상기 특정 미래 시점의 강우량을 예측하는 단계는,
   상기 기압계 데이터에 기초하여 현재 기압 컨투어 이미지를 생성하는 단계;
   제1 세트의 과거 기압 컨투어 이미지 중 상기 현재 기압 컨투어 이미지와 미리 결정된 임계값 이상의 유사도를 가지는 제2 세트의 과거 기압 컨투어 이미지를 획득하는 단계;
   상기 제2 세트의 과거 기압 컨투어 이미지 중 상기 예측된 현재 강우량과 가장 유사한 과거 실제 강우량을 가지는 특정 과거 기압 컨투어 이미지를 선택하는 단계; 및
   상기 특정 과거 기압 컨투어 이미지와 연관된 과거 실제 강우량에 기초하여 상기 특정 미래 시점의 강우량을 예측하는 단계
   를 포함하는, 태양광 발전량 예측 방법.
   
8. 제1항에 있어서,
   상기 태양광 발전소 발전량을 예측하는 단계는,
   상기 특정 미래 시점의 상기 태양광 발전소가 위치한 지역의 청천 일사량 및 상기 예측된 특정 미래 시점의 강우량을 기초로 상기 특정 미래 시점의 일사량을 예측하는 단계; 및
   상기 예측된 특정 미래 시점의 일사량에 기초하여 상기 특정 미래 시점의 상기 태양광 발전소의 발전량을 예측하는 단계
   를 포함하는, 태양광 발전량 예측 방법.
   
9. 제1항 및 제3항 내지 제8항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
   
10. 정보 처리 시스템으로서,
    통신 모듈;
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    태양광 발전소와 연관된 마이크로웨이브 링크 데이터를 수신하고,
    상기 마이크로웨이브 링크 데이터에 기초하여, 상기 태양광 발전소가 위치한 지역의 현재 강우량을 예측하고,
    지상 관측 데이터를 수신하고,
    상기 예측된 현재 강우량 및 상기 지상 관측 데이터에 기초하여, 특정 미래 시점의 강우량을 예측하고,
    상기 예측된 특정 미래 시점의 강우량에 기초하여 상기 특정 미래 시점의 태양광 발전소 발전량을 예측하기 위한 명령어들을 포함하고,
    상기 마이크로웨이브 링크 데이터는 복수의 마이크로웨이브 링크 각각의 송신한 신호 세기 및 수신한 신호 세기, 상기 복수의 마이크로웨이브 링크에 대한 위치 정보, 그리고 상기 복수의 마이크로웨이브 링크에 대한 안테나 정보를 포함하는, 정보 처리 시스템.
    
    

Images