KR102633874B1 - 기상 위성을 이용한 태양광 발전량 예측 방법 및 시스템 - Google Patents
기상 위성을 이용한 태양광 발전량 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR102633874B1 KR102633874B1 KR1020230105486A KR20230105486A KR102633874B1 KR 102633874 B1 KR102633874 B1 KR 102633874B1 KR 1020230105486 A KR1020230105486 A KR 1020230105486A KR 20230105486 A KR20230105486 A KR 20230105486A KR 102633874 B1 KR102633874 B1 KR 102633874B1
- Authority
- KR
- South Korea
- Prior art keywords
- time
- power generation
- solar
- solar power
- specific future
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000005855 radiation Effects 0.000 claims abstract description 39
- 238000007405 data analysis Methods 0.000 claims abstract description 3
- 230000015654 memory Effects 0.000 claims description 43
- 230000010365 information processing Effects 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008034 disappearance Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 기상 위성 데이터 분석 기반 태양광 발전량 예측 방법을 제공한다. 이 방법은, 제1 기상 위성에 의해 획득된 제1 데이터를 수신하는 단계, 제1 데이터에 기초하여, 특정 미래 시점의 제1 구름 데이터를 예측하는 단계, 특정 미래 시점의 제1 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하는 단계 및 제1 지면 태양 복사 에너지에 기초하여, 태양광 발전소의 특정 미래 시점에서의 제1 발전량을 예측하는 단계를 포함한다.
Description
본 개시는 태양광 발전량 예측 방법 및 시스템에 관한 것으로, 구체적으로 기상 위성에 의해 획득된 데이터에 기초하여 태양광 발전량을 예측하는 방법 및 시스템에 관한 것이다.
최근 기후 변화 및 자원 고갈 문제에 대처하기 위해 친환경 재생 에너지 사업에 대한 연구와 개발이 활발히 이루어지고 있다. 특히, 재생 에너지 사업 중 태양광으로부터 전력을 생산하는 방식은, 유지비가 저렴하고 발전 과정에서 오염 물질이 발생하지 않아 미래 대체 에너지로서 큰 각광을 받고 있다.
한편, 태양광 발전량은 날씨 및 계절에 지배적인 영향을 받기 때문에, 발전량이 일정하게 유지되지 않아 불확실성이 크다는 문제가 있다. 이에 따라, 태양광 발전소의 미래 발전량을 정확하게 예측하지 못하면, 전력 시장에서의 전력 변동성에 빠르게 대응하기 어렵다는 문제가 있다. 또한, 이 경우 전력 수급에 대한 체계적인 계획을 수립하기 어렵다는 문제가 있다. 추가적으로, 수 시간내 단기간 발전량 예측 서비스가 제공되지 않는 문제가 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 태양광 발전량 예측 방법 및 시스템(장치)을 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 기상 위성 데이터 분석 기반 태양광 발전량 예측 방법은, 제1 기상 위성에 의해 획득된 제1 데이터를 수신하는 단계, 제1 데이터에 기초하여, 특정 미래 시점의 제1 구름 데이터를 예측하는 단계, 특정 미래 시점의 제1 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하는 단계 및 제1 지면 태양 복사 에너지에 기초하여, 태양광 발전소의 특정 미래 시점에서의 제1 발전량을 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 제1 데이터는 현재 시점의 구름 데이터, 제1 과거 시점의 구름 데이터, 그리고 제2 과거 시점의 구름 데이터를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 특정 미래 시점의 제1 구름 데이터를 예측하는 단계는, 제1 데이터에 기초하여, 현재 시점과 특정 미래 시점 사이의 제1 구름 속도 벡터장을 산출하는 단계 및 현재 시점과 특정 미래 시점 사이의 시간 간격 및 제1 구름 속도 벡터장에 기초하여, 특정 미래 시점의 제1 구름 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 제1 구름 속도 벡터장을 산출하는 단계는, 제1 과거 시점의 구름 데이터 및 현재 시점의 구름 데이터 사이의 제2 구름 속도 벡터장을 산출하는 단계, 제1 과거 시점의 구름 데이터 및 제2 과거 시점의 구름 데이터 사이의 제3 구름 속도 벡터장을 산출하는 단계, 제2 구름 속도 벡터장 및 제3 구름 속도 벡터장에 기초하여, 가속도 벡터장을 산출하는 단계 및 가속도 벡터장과 현재 시점과 특정 미래 시점 사이의 시간 간격에 기초하여 제1 구름 속도 벡터장을 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 구름 속도 벡터장은 옵티컬 플로우(optical flow) 알고리즘을 이용하여 산출되는, 태양광 발전량 예측 방법일 수 있다.
본 개시의 일 실시예에 따르면, 태양광 발전소가 위치한 지역의 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하는 단계는, 특정 미래 시점의 제1 구름 데이터에 기초하여, 특정 미래 시점의 태양광 발전소가 위치한 지역의 태양광 소산율을 결정하는 단계, 특정 미래 시점의 태양광 발전소가 위치한 지역의 청천 일사량 및 태양광 소산율에 기초하여, 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 태양광 소산율을 결정하는 단계는, 특정 미래 시점의 제1 구름 데이터 및 태양광 발전소의 위치 정보에 기초하여, 제1 태양광 소산율을 산출하는 단계, 제1 태양광 소산율을 태양광 소산율 보정 모델에 의해 보정하여 제2 태양광 소산율을 산출하는 단계 및 제2 태양광 소산율을 특정 미래 시점의 태양광 발전소가 위치한 지역의 태양광 소산율로 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 태양광 소산율 보정 모델은 운량 기반의 과거 이론적 소산율 및 과거 실제 소산율에 기초하여 생성된 것일 수 있다.
본 개시의 일 실시예에 따르면, 운량 기반의 과거 이론적 소산율은 태양광 발전소에서 수집한 과거 지상 관측 기상 데이터 또는 과거 구름 데이터에 기초하여 산출되고, 과거 실제 소산율은 태양광 발전소와 연관된 과거 청천 일사량 및 과거 실제 지면 태양 복사 에너지에 기초하여 산출될 수 있다.
본 개시의 일 실시예에 따르면, 제2 기상 위성에 의해 획득된 제2 데이터를 수신하는 단계, 제2 데이터에 기초하여, 특정 미래 시점의 제2 구름 데이터를 예측하는 단계, 특정 미래 시점의 제2 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 특정 미래 시점의 제2 지면 태양 복사 에너지를 예측하는 단계, 제2 지면 태양 복사 에너지에 기초하여, 태양광 발전소의 특정 미래 시점에서의 제2 발전량을 예측하는 단계 및 제1 발전량 및 제2 발전량에 기초하여, 태양광 발전소의 특정 미래 시점에서의 최종 발전량을 산출하는 단계를 더 포함할 수 있다.
본 개시의 일 실시예에 따르면, 최종 발전량은 태양광 발전소의 과거 실제 발전량과 태양광 발전소의 과거 예측 발전량에 기초하여 결정된 제1 가중치 및 제2 가중치를 제1 발전량과 제2 발전량에 각각 적용하여 산출될 수 있다.
본 개시의 일 실시예에 따르면, 제1 구름 데이터는 특정 미래 시점의 구름 위치 및 운량 정보를 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, 제1 기상 위성에 의해 획득된 제1 데이터를 수신하고, 제1 데이터에 기초하여, 특정 미래 시점의 제1 구름 데이터를 예측하고, 특정 미래 시점의 제1 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하고, 제1 지면 태양 복사 에너지에 기초하여, 태양광 발전소의 특정 미래 시점에서의 제1 발전량을 예측하기 위한 명령어들을 포함할 수 있다.
본 개시의 일부 실시예에 따르면, 단기 미래 시점에 대한 태양광 발전량의 예측이 가능하여 전력 시장에서의 전력 변동성에 빠르게 대응할 수 있다.
본 개시의 일부 실시예에 따르면, 전력 변동성 대응을 위한 최대 12시간 내의 Intra-day 태양광 발전량 예측 기법을 제공할 수 있다.
본 개시의 일부 실시예에 따르면, 4시간 이내의 단기 예측에서는 구름의 생성 및 소멸에 관한 절차를 배제함으로써, 구름 데이터 산출 과정을 단축시키면서도 고품질 예측 결과를 제공할 수 있다.
본 개시의 일부 실시예에 따르면, 복수 개의 기상 위성으로부터 획득한 데이터를 이용함으로써, 특정 미래 시점에서의 태양광 발전량을 보다 정확하게 예측할 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 태양광 발전량 예측 방법의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 태양광 발전량을 예측하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 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 특정 미래 시점의 구름 데이터 생성 방법의 예시를 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따라 특정 미래 시점의 구름 데이터 생성 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 태양광 소산율에 기초하여 태양광 발전량을 예측하는 방법의 예시를 나타내는 블록도이다.
도 7은 본 개시의 일 실시예에 따라 태양광 소산율 보정 모델을 생성하는 방법의 예시를 나타내는 블록도이다.
도 8은 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
도 9는 본 개시의 일 실시예에 따라 복수 기상 위성이 획득한 데이터에 기초하여 태양광 발전량을 예측하는 방법의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 태양광 발전량 예측 방법의 예시를 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 태양광 발전량 예측 방법의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 태양광 발전량을 예측하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 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 특정 미래 시점의 구름 데이터 생성 방법의 예시를 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따라 특정 미래 시점의 구름 데이터 생성 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 태양광 소산율에 기초하여 태양광 발전량을 예측하는 방법의 예시를 나타내는 블록도이다.
도 7은 본 개시의 일 실시예에 따라 태양광 소산율 보정 모델을 생성하는 방법의 예시를 나타내는 블록도이다.
도 8은 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
도 9는 본 개시의 일 실시예에 따라 복수 기상 위성이 획득한 데이터에 기초하여 태양광 발전량을 예측하는 방법의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 태양광 발전량 예측 방법의 예시를 나타내는 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.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '디스플레이'는 컴퓨팅 장치와 연관된 임의의 디스플레이 장치를 지칭할 수 있는데, 예를 들어, 컴퓨팅 장치에 의해 제어되거나 컴퓨팅 장치로부터 제공된 임의의 정보/데이터를 표시할 수 있는 임의의 디스플레이 장치를 지칭할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 태양광 발전량 예측 방법의 예시를 나타내는 도면이다. 일 실시예에서, 미래 태양광 발전량은 복수의 위성 데이터(110_1 내지 110_n) 및 지상 관측 데이터(120)에 기초하여 예측될 수 있다. 여기서, 미래 태양광 발전량은 복수의 위성 데이터(110_1 내지 110_n)로부터 생성된 미래 구름 데이터를 기반으로 예측될 수 있으며, 이는 도 4 내지 도 9를 참조하여 상세히 후술된다.
일 실시예에서, 복수의 위성 데이터(110_1 내지 110_n)는 기상 관측 역할을 하는 기상 위성(예를 들어, 천리안 위성 2A호/2B호, 히마와리8호 등)으로부터 수집되는 데이터일 수 있다. 또한, 복수의 위성 데이터(110_1 내지 110_n)는 원시 데이터(또는, 레벨 1 데이터) 및 가공된 데이터(또는, 레벨 2 데이터)를 포함할 수 있다.
일 실시예에서, 지상 관측 데이터(120)는 미래 시점의 태양광 발전량을 예측하고자 하는 태양광 발전소에서 관측한 데이터 및 계산된 데이터를 포함할 수 있다. 여기서, 태양광 발전소에서 관측한 데이터는 일사량, 풍속, 풍향, 기온, 운량 등과 연관된 데이터를 포함할 수 있다. 또한, 태양광 발전소와 연관하여 계산된 데이터는 태양광 발전소의 위치 정보(예를 들어, 위도, 경도, 고도 등)에 기초하여 계산될 수 있다. 예를 들어, 태양광 발전소와 연관하여 계산된 데이터는 태양광 발전소가 위치한 지역의 방위각, 태양천정각 등을 포함할 수 있다.
일 실시예에서, 태양광 발전량 예측 시스템(130)은 태양광 발전소의 미래 특정 시점의 태양광 발전량을 예측할 수 있다. 태양광 발전량 예측 시스템(130)은 미래 특정 시점의 태양광 발전량을 예측하기 위하여, 복수 개의 기상 위성으로부터 각각의 위성 데이터(110_1 내지 110_n)를 수신할 수 있다. 태양광 발전량 예측 시스템(130)은 수신한 복수의 위성 데이터(110_1 내지 110_n) 및 지상 관측 데이터(120)에 기초하여, 발전량을 예측하고자 하는 태양광 발전소가 위치한 지역과 연관된 구름 데이터를 추출할 수 있다. 예를 들어, 구름 데이터는 해당 지역의 구름 위치, 운량 정보, 구름 출입 정보 등을 포함할 수 있다. 또한, 구름 데이터는 현재 시점 구름 데이터와 최소 둘 이상의 과거 시점 구름 데이터를 포함할 수 있다. 추가적으로, 태양광 발전량 예측 시스템(130)은 추출한 구름 데이터에 기초하여, 태양광 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.
이러한 구성에 의해, 복수의 위성 데이터(110_1 내지 110_n) 및 지상 관측 데이터(120)에 기초하여, 태양광 발전량을 정확하게 예측할 수 있다. 또한, 단기 미래 시점에 대한 태양광 발전량의 예측이 가능하여 전력 시장에서의 전력 변동성에 빠르게 대응할 수 있다.
도 1에서는 태양광 발전량 예측 시스템(130)이 하나의 태양광 발전소의 미래 시점 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 시점 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)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 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 실시예에서, 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)의 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)과 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 태양광 발전량 예측 서비스 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 코드가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 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 모듈(316, 336)을 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 실시예에서, 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, 마이크 모듈, 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 들면, 프로세서(314)는 수신한 정보 및/또는 데이터를 사용자 단말(210)과 연관된 화면에 출력 또는 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 특정 미래 시점의 구름 데이터 생성 방법의 예시를 나타내는 블록도이다. 도 1을 참조하여 상술된 바와 같이, 미래 태양광 발전량은 복수의 위성 데이터로부터 생성된 미래 구름 데이터를 기반으로 예측될 수 있다. 여기서 미래 구름 데이터는, 발전량을 예측하고자 하는 태양광 발전소가 위치한 지역과 연관된 현재 및 과거 구름 데이터에 기초하여 생성될 수 있다. 구체적으로, 태양광 발전량 예측 시스템은 위성 데이터로부터 각각 추출한 현재 시점 구름 데이터와 최소 둘 이상의 과거 시점 구름 데이터에 기초하여, 미래 구름 데이터를 예측할 수 있다. 미래 구름 데이터를 예측하기 위한 자세한 방법은 아래와 같을 수 있다.
일 실시예에서, 프로세서는 위성 데이터로부터 현재 시점 구름 데이터(410), 제1 과거 시점 구름 데이터(420) 및 제2 과거 시점 구름 데이터(430)를 추출할 수 있다. 프로세서는 사용자 단말 및/또는 정보 처리 시스템의 적어도 하나의 프로세서일 수 있다. 여기서, 위성 데이터는 기상 위성으로부터 연속적으로 촬영된 현재 및 과거 구름 이미지를 포함할 수 있다. 현재 시점과 제1 과거 시점 사이의 시간 간격 및 제1 과거 시점과 제2 과거 시점 사이의 시간 간격은 각각 임의로 설정될 수 있다. 예를 들어, 프로세서는 임의의 제1 과거 시점에 촬영된 구름 이미지를 포함하는 제1 과거 시점 구름 데이터(420) 및 임의의 제2 과거 시점에 촬영된 구름 이미지를 포함하는 제2 과거 시점 구름 데이터(430)를 각각 추출할 수 있다. 여기서, 제2 과거 시점은 제1 과거 시점보다 과거의 시점일 수 있다.
일 실시예에서, 프로세서는 현재 시점 구름 데이터(410), 제1 과거 시점 구름 데이터(420) 및 현재 시점과 제1 과거 시점 사이의 시간 간격에 기초하여, 제2 구름 속도 벡터장(450)을 산출할 수 있다. 마찬가지로, 프로세서는 제1 과거 시점 구름 데이터(420), 제2 과거 시점 구름 데이터(430) 및 제1 과거 시점과 제2 과거 시점 사이의 시간 간격에 기초하여, 제3 구름 속도 벡터장(460)을 산출할 수 있다.
일 실시예에서, 프로세서는 제2 구름 속도 벡터장(450) 및 제3 구름 속도 벡터장(460)을 산출할 때 옵티컬 플로우(optical flow) 알고리즘(440)을 이용할 수 있다. 예를 들어, 프로세서는 TV-L1 옵티컬 플로우 알고리즘을 사용할 수 있으나 이에 한정되지 않는다. 구체적으로, 프로세서는 옵티컬 플로우 알고리즘(440)을 이용하여 현재 및 과거 구름 데이터(410, 420, 430)에 포함된 구름 이미지의 모든 픽셀에 대해, 픽셀 단위의 속도 벡터를 계산할 수 있다. 추가적으로, 프로세서는 각각의 속도 벡터에 대해 TV(Total Variation) 정규화 과정을 수행할 수 있다. 이에 따라, 구름의 움직임 경계에서의 속도 벡터가 더욱 정확하게 추정되어, 최적화된 제2 및 제3 구름 속도 벡터장(450, 460)이 산출될 수 있다.
일 실시예에서, 프로세서는 제2 구름 속도 벡터장(450) 및 제3 구름 속도 벡터장(460)에 기초하여 가속도 벡터장(470)을 산출할 수 있다. 예를 들어, 가속도 벡터장(470)은 제2 구름 속도 벡터장(450) 및 제3 구름 속도 벡터장(460)의 시간에 따른 변화율로 산출될 수 있다. 그 후, 프로세서는 산출된 가속도 벡터장(470)에 기초하여 제1 구름 속도 벡터장(480)을 산출할 수 있다. 이때, 프로세서는 가속도 벡터장(470)을 시간에 대해 적분하여 제1 구름 속도 벡터장(480)을 산출할 수 있다.
일 실시예에서, 프로세서는 제1 구름 속도 벡터장(480) 및 현재 시점과 특정 미래 시점 사이의 시간 간격에 기초하여 특정 미래 시점의 제1 구름 데이터(490)를 생성할 수 있다. 제1 구름 데이터(490)에 포함된 특정 미래 시점의 구름 위치 및 운량 정보는 제1 구름 속도 벡터장(480)을 시간에 대해 적분하여 결정될 수 있다. 그 후, 특정 미래 시점의 구름 위치 및 운량 정보를 기초로 특정 미래 시점의 제1 구름 데이터(490)가 생성될 수 있다.
일 실시예에서, 특정 미래 시점은 임의로 설정될 수 있다. 여기서, 현재 시점과 발전량을 예측하고자 하는 특정 미래 시점 사이의 시간 간격이 4시간 이내로 설정된 경우, 미래 구름 데이터 생성 과정에서 구름의 생성 및 소멸에 의한 영향을 배제할 수 있다. 이에 따라, 프로세서는 구름의 생성 및 소멸에 의한 영향을 계산하는 절차를 생략하여, 구름 데이터 산출 과정을 단축시킬 수 있다.
도 4에서는 현재 시점 구름 데이터(410) 1개와 과거 시점 구름 데이터(420, 430) 2개에 기초하여 특정 미래 시점의 제1 구름 데이터(490)를 생성하는 것으로 도시되었으나, 구름 데이터의 개수는 이에 한정되지 않는다. 예를 들어, 프로세서는 현재 시점 구름 데이터(410) 1개와 3개 이상의 과거 시점 구름 데이터에 기초하여 특정 미래 시점의 제1 구름 데이터를 생성할 수 있다. 이 경우, 추출한 과거 시점 구름 데이터의 개수가 많을수록 구름의 속도 변화를 더 부드럽게 나타낼 수 있다.
이러한 구성에 의해, 전력 변동성 대응을 위한 최대 12시간 내의 Intra-day 태양광 발전량 예측 기법을 제공할 수 있다. 또한, 4시간 이내의 단기 예측에서는 구름의 생성 및 소멸에 관한 절차를 배제함으로써, 구름 데이터 산출 과정을 단축시키면서도 고품질 예측 결과를 제공할 수 있다.
도 5는 본 개시의 일 실시예에 따라 특정 미래 시점의 구름 데이터 생성 방법의 예시를 나타내는 도면이다. 도 4를 이용하여 설명된 특정 미래 시점의 구름 데이터 생성 방법의 예시에 대하여, 도 5에서는 구체적인 이미지를 사용하여 설명한다. 일 실시예에서, 프로세서는 위성 데이터로부터 현재 시점 구름 데이터(510), 제1 과거 시점 구름 데이터(520) 및 제2 과거 시점 구름 데이터(530)를 추출할 수 있다. 여기서, 현재 및 과거 구름 데이터(510, 520, 530)는 발전량을 예측하고자 하는 태양광 발전소가 위치한 지역의 구름 데이터와 해당 지역에 대한 구름 출입 정보를 가진 주변부 지역의 구름 데이터를 포함할 수 있다.
일 실시예에서, 제2 구름 속도 벡터장(550)은 현재 시점 구름 데이터(510), 제1 과거 시점 구름 데이터(520) 및 현재 시점과 제1 과거 시점 사이의 시간 간격에 기초하여 산출될 수 있다. 또한, 제3 구름 속도 벡터장(560)은 제1 과거 시점 구름 데이터(520), 제2 과거 시점 구름 데이터(530) 및 제1 과거 시점과 제2 과거 시점 사이의 시간 간격에 기초하여 산출될 수 있다. 추가적으로, 가속도 벡터장(570)은 제2 구름 속도 벡터장(550) 및 제3 구름 속도 벡터장(560)에 기초하여 산출될 수 있다. 그 후, 특정 미래 시점의 제1 구름 데이터(580)는 가속도 벡터장(570) 및 현재 시점과 특정 미래 시점 사이의 시간 간격에 기초하여 산출될 수 있다.
도 6은 본 개시의 일 실시예에 따른 태양광 소산율에 기초하여 태양광 발전량을 예측하는 방법의 예시를 나타내는 블록도이다. 태양광 발전소의 발전량은 태양광 발전소가 위치한 지역의 운량에 지배적인 영향을 받을 수 있다. 이 때문에, 태양광 발전량 예측 시, 태양광 발전소가 위치한 지역의 운량으로부터 결정된 태양광 소산율을 고려해야 정확한 태양광 발전량 예측이 가능할 수 있다. 이에 따라, 프로세서는 특정 미래 시점의 제1 구름 데이터(610)에 기초하여, 태양광 발전소가 위치한 지역의 특정 미래 시점 태양광 소산율을 결정할 수 있다. 그 후, 프로세서는 결정한 태양광 소산율에 기초하여 태양광 발전량을 예측할 수 있다.
구체적으로, 프로세서는 특정 미래 시점의 제1 구름 데이터(610) 및 태양광 발전소의 위치 정보(620)(예를 들어, 위도 경도, 고도 등)에 기초하여 발전소 지역 운량을 결정(630)할 수 있다. 그 후, 프로세서는 발전소가 위치한 지역의 운량을 기초로 제1 태양광 소산율을 산출(640)할 수 있다. 추가적으로, 프로세서는 제1 태양광 소산율을 태양광 소산율 보정 모델(650)을 이용하여 보정함으로써 제2 태양광 소산율(660)을 산출할 수 있다.
그 후, 프로세서는 특정 미래 시점의 태양광 발전소가 위치한 지역의 청천 일사량 및 제2 태양광 소산율(660)에 기초하여 미래 지면 태양 복사 에너지를 예측(670)할 수 있다. 여기서, 특정 미래 시점의 발전소가 위치한 지역의 청천 일사량은, 발전소 위치 정보(620)에 기초하여 예측될 수 있다. 예를 들어, 미래 지면 태양 복사 에너지는 특정 미래 시점의 태양광 발전소가 위치한 지역 청천 일사량과 제2 태양광 소산율(660)의 곱으로 결정될 수 있다.
일 실시예에서, 프로세서는 지면 태양 복사 에너지에 기초하여 태양광 발전량을 예측(680)할 수 있다. 태양광 발전량은 발전량을 예측하고자 하는 태양광 발전소의 메타데이터와 지면 태양 복사 에너지에 기초하여 예측될 수 있다. 이 때, 태양광 발전소의 메타데이터는 발전소의 발전용량, 태양광 패널의 수직 기울기 등을 포함할 수 있다.
도 7은 본 개시의 일 실시예에 따라 태양광 소산율 보정 모델(770)을 생성하는 방법의 예시를 나타내는 블록도이다. 태양광 소산율 보정 모델(770)은 도 6에서 상술한 것과 같이, 제1 태양광 소산율을 제2 태양광 소산율로 변환/보정하는데 사용될 수 있다. 태양광 소산율 보정 모델(770)을 생성하는 구체적인 방법은 아래와 같다.
일 실시예에서, 태양광 소산율 보정 모델(770)은 운량 기반의 과거 이론적 소산율(730) 및 과거 실제 소산율(760)을 기초로 학습될 수 있다. 태양광 소산율 보정 모델(770)은 Light GBR(Light Gradient Boosting Regressor) 머신 러닝 기법을 통해, 과거 이론적 소산율(730)과 과거 실제 소산율(760) 사이의 오차가 감소되도록 학습될 수 있다. 이 때, 태양광 소산율 보정 모델(770)은 지상 관측 기상 데이터 및 태양광 발전소의 메타데이터를 과거 이론적 소산율(730) 및 과거 실제 소산율(760)과 함께 특징 정보로 활용하여 학습될 수 있다.
일 실시예에서, 과거 이론적 소산율(730)은 발전량을 예측하고자 하는 태양광 발전소에서 수집한 과거 지상 관측 기상 데이터(710) 및/또는 과거 구름 데이터(720)에 기초하여 산출될 수 있다. 일 실시예에서, 과거 실제 소산율(760)은 발전량을 예측하고자 하는 태양광 발전소와 연관된 과거 청천 일사량(740) 및 과거 실제 지면 복사 에너지(750)에 기초하여 산출될 수 있다. 여기서, 과거 청천 일사량(740)은 발전량을 예측하고자 하는 태양광 발전소의 위치 정보에 기초하여 산출되며, Inchein-Perez 모델에 의하여 산출될 수 있다.
도 8은 본 개시의 일 실시예에 따른 인공신경망 모델(800)을 나타내는 예시도이다. 인공신경망 모델(800)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(800)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(800)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 태양광 소산율을 결정하는 모델은 인공신경망 모델(800)의 형태로 생성될 수 있다. 예를 들어, 인공신경망 모델(800)은 특정 미래 시점의 제1 구름 데이터 및 발전소 위치 정보를 기초로 산출된 제1 태양광 소산율을 수신하고, 보정된 제2 태양광 소산율을 산출할 수 있다.
인공신경망 모델(800)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(800)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 8에 도시된 바와 같이, 인공신경망 모델(800)은, 외부로부터 입력 신호 또는 데이터(810)를 수신하는 입력층(820), 입력 데이터에 대응한 출력 신호 또는 데이터(850)를 출력하는 출력층(840), 입력층(820)과 출력층(840) 사이에 위치하며 입력층(820)으로부터 신호를 받아 특성을 추출하여 출력층(840)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(830_1 내지 830_n)으로 구성된다. 여기서, 출력층(840)은 은닉층(830_1 내지 830_n)으로부터 신호를 받아 외부로 출력한다.
인공신경망 모델(800)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 기상 데이터, 과거 구름 데이터, 과거 청천 일사량 데이터 및 과거 지면 복사 에너지 데이터를 이용하여 인공신경망 모델(800)을 학습시킬 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 인공신경망 모델(800)을 학습시키기 위한 학습 데이터를 직접 생성할 수 있다.
일 실시예에 따르면, 인공신경망 모델(800)의 입력변수는, 제1 태양광 소산율을 포함할 수 있다. 여기서, 제1 태양광 소산율은 특정 미래 시점의 제1 구름 데이터 및 발전소 위치 정보, 또는 특정 미래 시점의 제1 구름 데이터 및 발전소 위치 정보로부터 산출될 수 있다. 이와 같이 상술된 입력변수가 입력층(820)을 통해 입력되는 경우, 인공신경망 모델(800)의 출력층(840)에서 출력되는 출력변수는 특정 미래 시점의 태양광 발전소가 위치한 지역의 제2 태양광 소산율일 수 있다.
이와 같이, 인공신경망 모델(800)의 입력층(820)과 출력층(840)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(820), 은닉층(830_1 내지 830_n) 및 출력층(840)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(800)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(800)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 또한, 정보 처리 시스템은 특정 미래 시점의 제1 구름 데이터 및 발전소 위치 정보를 입력으로 받는 알고리즘을 학습하여, 특정 미래 시점의 태양광 발전소가 위치한 지역의, 이론적 태양광 소산율과 실제 태양광 소산율 사이의 오차를 최소화하는 방식으로 학습할 수 있다.
이렇게 학습된 인공신경망 모델(800)을 이용하여, 특정 미래 시점의 태양광 발전소가 위치한 지역의 태양광 소산율을 보다 높은 정확도로 추정할 수 있다.
도 9는 본 개시의 일 실시예에 따라 복수 기상 위성(910, 930)이 획득한 데이터에 기초하여 태양광 발전량을 예측하는 방법의 예시를 나타내는 도면이다. 일 실시예에서, 프로세서는 제1 기상 위성(910)에 의해 획득된 제1 위성 데이터를 수신할 수 있다. 그 후, 프로세서는 제1 위성 데이터에 기초하여, 특정 미래 시점에서의 제1 발전량(920)을 예측할 수 있다. 유사하게, 프로세서는 제2 기상 위성(930)에 의해 획득된 제2 위성 데이터를 수신하고, 제2 위성 데이터에 기초하여, 특정 미래 시점에서의 제2 발전량(940)을 예측할 수 있다.
일 실시예에서, 프로세서는 제1 발전량(920)과 제2 발전량(940)에 기초하여, 태양광 발전소의 특정 미래 시점에서의 최종 발전량(950)을 산출/예측할 수 있다. 예를 들어, 프로세서는 제1 발전량(920) 및 제2 발전량(940)을 각각 산출한 뒤, 앙상블 기법에 의하여 최종 발전량(950)을 산출할 수 있다. 이 때, 프로세서는 제1 및 제2 발전량(920, 940) 각각에 대하여 미리 결정된 가중치를 적용하여 최종 발전량(950)을 산출할 수 있다.
구체적으로, 프로세서는 발전량을 예측하고자 하는 태양광 발전소에서의 과거 실제 발전량을 제1 기상 위성(910)에 의해 획득된 제1 위성 데이터에 기초하여 예측되었던 제1 예측 발전량과 비교하여, 과거 제1 예측 발전량의 오차를 계산할 수 있다. 유사하게, 프로세서는 발전량을 예측하고자 하는 태양광 발전소에서의 과거 실제 발전량을 제2 기상 위성(930)에 의해 획득된 제2 위성 데이터에 기초하여 예측되었던 제2 예측 발전량과 비교하여, 과거 제2 예측 발전량의 오차를 계산할 수 있다. 그 후, 프로세서는 과거 제1 예측 발전량들의 오차와 과거 제2 예측 발전량들의 오차에 기초하여 제1 및 제2 발전량(920, 940) 각각의 가중치를 산정할 수 있다.
도 9에서는, 기상 위성(910, 930)이 2개로 도시되었으나, 기상 위성(910, 930)의 개수는 이에 한정되지 않는다. 즉, 프로세서는 n개(여기서, n은 2 이상의 양의 정수)의 기상 위성에서 획득된 각각의 위성 데이터에 기초하여 n개의 발전량을 산출하고, n개의 발전량으로부터 하나의 최종 발전량을 산출할 수 있다. 이와 같은 구성에 따라, 복수 개의 기상 위성으로부터 획득한 데이터를 이용함으로써, 특정 미래 시점에서의 태양광 발전량을 보다 정확하게 예측할 수 있다.
도 10은 본 개시의 일 실시예에 따른 태양광 발전량 예측 방법(1000)의 예시를 나타내는 흐름도이다. 일 실시예에서, 방법(1000)은 사용자 단말 및/또는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 방법(1000)은 프로세서가 제1 기상 위성에 의해 획득된 제1 데이터를 수신하는 것으로 개시될 수 있다(S1010). 예를 들어, 제1 기상 위성에 의해 획득된 제1 위성 데이터에서 태양광 발전소가 위치한 지역 정보에 기초하여 제1 데이터를 추출할 수 있다. 여기서, 제1 데이터는 현재 시점의 구름 데이터, 제1 과거 시점의 구름 데이터, 그리고 제2 과거 시점의 구름 데이터를 포함할 수 있다.
그 후, 프로세서는 제1 데이터에 기초하여, 특정 미래 시점의 제1 구름 데이터를 예측할 수 있다(S1020). 이 경우, 특정 미래 시점의 제1 구름 데이터는 특정 미래 시점의 구름 위치 및 운량 정보를 포함할 수 있다. 구체적으로, 프로세서는 제1 데이터에 기초하여, 현재 시점과 특정 미래 시점 사이의 제1 구름 속도 벡터장을 산출할 수 있다. 여기서, 구름 속도 벡터장은 옵티컬 플로우(optical flow) 알고리즘을 이용하여 산출될 수 있다. 그후, 프로세서는 현재 시점과 특정 미래 시점 사이의 시간 간격 및 제1 구름 속도 벡터장에 기초하여, 특정 미래 시점의 제1 구름 데이터를 생성할 수 있다.
그 후, 프로세서는 특정 미래 시점의 제1 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측할 수 있다(S1030). 구체적으로, 특정 미래 시점의 제1 구름 데이터에 기초하여, 프로세서는 특정 미래 시점의 태양광 발전소가 위치한 지역의 태양광 소산율을 결정할 수 있다. 또한, 프로세서는 특정 미래 시점의 태양광 발전소가 위치한 지역의 청천 일사량 및 태양광 소산율에 기초하여, 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측할 수 있다. 그 후, 프로세서는 제1 지면 태양 복사 에너지에 기초하여, 태양광 발전소의 특정 미래 시점에서의 제1 발전량을 예측할 수 있다(S1040).
일 실시예에서, 프로세서는 아래의 단계를 수행함으로써 제1 구름 속도 벡터장을 산출할 수 있다. 우선, 프로세서는 제1 과거 시점의 구름 데이터 및 현재 시점의 구름 데이터 사이의 제2 구름 속도 벡터장을 산출할 수 있다. 또한, 프로세서는 제1 과거 시점의 구름 데이터 및 제2 과거 시점의 구름 데이터 사이의 제3 구름 속도 벡터장을 산출할 수 있다. 프로세서는 제2 구름 속도 벡터장 및 제3 구름 속도 벡터장에 기초하여, 가속도 벡터장을 산출할 수 있다. 추가적으로, 프로세서는 가속도 벡터장과 현재 시점과 특정 미래 시점 사이의 시간 간격에 기초하여 제1 구름 속도 벡터장을 산출할 수 있다.
일 실시예에서, 프로세서는 아래의 단계를 수행함으로써 특정 미래 시점의 태양광 발전소가 위치한 지역의 태양광 소산율을 결정할 수 있다. 우선, 프로세서는 특정 미래 시점의 제1 구름 데이터 및 태양광 발전소의 위치 정보에 기초하여, 제1 태양광 소산율을 산출할 수 있다. 또한, 프로세서는 제1 태양광 소산율을 태양광 소산율 보정 모델에 의해 보정하여 제2 태양광 소산율을 산출할 수 있다. 추가적으로, 프로세서는 제2 태양광 소산율을 특정 미래 시점의 태양광 발전소가 위치한 지역의 태양광 소산율로 결정할 수 있다. 여기서, 태양광 소산율 보정 모델은 운량 기반의 과거 이론적 소산율 및 과거 실제 소산율에 기초하여 생성될 수 있다. 예를 들어, 태양광 소산율 보정 모델은 운량 기반의 과거 이론적 소산율 및 과거 실제 소산율에 기초하여 학습된 인공 신경망 모델일 수 있다.
일 실시예에서, 운량 기반의 과거 이론적 소산율은 태양광 발전소에서 수집한 과거 지상 관측 기상 데이터 또는 과거 구름 데이터에 기초하여 산출될 수 있다. 또한, 과거 실제 소산율은 태양광 발전소와 연관된 과거 청천 일사량 및 과거 실제 지면 태양 복사 에너지에 기초하여 산출될 수 있다.
일 실시예에서, 프로세서는 제2 기상 위성에 의해 획득된 제2 데이터를 수신할 수 있다. 또한, 프로세서는 제2 데이터에 기초하여, 특정 미래 시점의 제2 구름 데이터를 예측할 수 있다. 특정 미래 시점의 제2 구름 데이터에 기초하여, 프로세서는 태양광 발전소가 위치한 지역의 특정 미래 시점의 제2 지면 태양 복사 에너지를 예측할 수 있다. 추가적으로, 프로세서는 제2 지면 태양 복사 에너지에 기초하여, 태양광 발전소의 특정 미래 시점에서의 제2 발전량을 예측할 수 있다. 제1 발전량 및 제2 발전량에 기초하여, 프로세서는 태양광 발전소의 특정 미래 시점에서의 최종 발전량을 산출할 수 있다. 여기서, 최종 발전량은 태양광 발전소의 과거 실제 발전량과 태양광 발전소의 과거 예측 발전량에 기초하여 결정된 제1 가중치 및 제2 가중치를 제1 발전량과 제2 발전량에 각각 적용하여 산출될 수 있다.
도 10의 흐름도 및 상술한 설명은 일 예시일 뿐이며, 본 개시의 범위가 이에 한정되는 것은 아니다. 예를 들어, 적어도 하나의 단계가 추가/변경/삭제되거나, 각 단계의 순서가 변경될 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, GPU들, 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, 상기 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 행해진다.
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, 프로세서가 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 위성 데이터
110_n: 제n 위성 데이터
120: 지상 관측 데이터
130: 태양광 발전량 예측 시스템
140: 사용자 단말
110_n: 제n 위성 데이터
120: 지상 관측 데이터
130: 태양광 발전량 예측 시스템
140: 사용자 단말
Claims (14)
- 적어도 하나의 프로세서에 의해 수행되는, 기상 위성 데이터 분석 기반 태양광 발전량 예측 방법에 있어서,
제1 기상 위성에 의해 획득된 제1 데이터를 수신하는 단계;
상기 제1 데이터에 기초하여, 특정 미래 시점의 제1 구름 데이터를 예측하는 단계;
상기 특정 미래 시점의 제1 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 상기 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하는 단계;
상기 제1 지면 태양 복사 에너지에 기초하여, 상기 태양광 발전소의 상기 특정 미래 시점에서의 제1 발전량을 예측하는 단계;
제2 기상 위성에 의해 획득된 제2 데이터를 수신하는 단계;
상기 제2 데이터에 기초하여, 특정 미래 시점의 제2 구름 데이터를 예측하는 단계;
상기 특정 미래 시점의 제2 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 상기 특정 미래 시점의 제2 지면 태양 복사 에너지를 예측하는 단계;
상기 제2 지면 태양 복사 에너지에 기초하여, 상기 태양광 발전소의 상기 특정 미래 시점에서의 제2 발전량을 예측하는 단계; 및
상기 제1 발전량 및 상기 제2 발전량에 기초하여, 상기 태양광 발전소의 상기 특정 미래 시점에서의 최종 발전량을 산출하는 단계
를 포함하고,
상기 제1 기상 위성 및 상기 제2 기상 위성은 서로 상이한 기상 위성인, 태양광 발전량 예측 방법.
- 제1항에 있어서,
상기 제1 데이터는 현재 시점의 구름 데이터, 제1 과거 시점의 구름 데이터, 그리고 제2 과거 시점의 구름 데이터를 포함하는, 태양광 발전량 예측 방법.
- 제2항에 있어서,
상기 특정 미래 시점의 제1 구름 데이터를 예측하는 단계는,
상기 제1 데이터에 기초하여, 현재 시점과 특정 미래 시점 사이의 제1 구름 속도 벡터장을 산출하는 단계; 및
상기 현재 시점과 상기 특정 미래 시점 사이의 시간 간격 및 상기 제1 구름 속도 벡터장에 기초하여, 상기 특정 미래 시점의 제1 구름 데이터를 생성하는 단계
를 포함하는, 태양광 발전량 예측 방법.
- 제3항에 있어서,
상기 제1 구름 속도 벡터장을 산출하는 단계는,
상기 제1 과거 시점의 구름 데이터 및 상기 현재 시점의 구름 데이터 사이의 제2 구름 속도 벡터장을 산출하는 단계;
상기 제1 과거 시점의 구름 데이터 및 상기 제2 과거 시점의 구름 데이터 사이의 제3 구름 속도 벡터장을 산출하는 단계;
상기 제2 구름 속도 벡터장 및 제3 구름 속도 벡터장에 기초하여, 가속도 벡터장을 산출하는 단계; 및
상기 가속도 벡터장과 상기 현재 시점과 상기 특정 미래 시점 사이의 시간 간격에 기초하여 상기 제1 구름 속도 벡터장을 산출하는 단계
를 포함하는, 태양광 발전량 예측 방법.
- 제4항에 있어서,
구름 속도 벡터장은 옵티컬 플로우(optical flow) 알고리즘을 이용하여 산출되는, 태양광 발전량 예측 방법.
- 제1항에 있어서,
상기 태양광 발전소가 위치한 지역의 상기 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하는 단계는,
상기 특정 미래 시점의 제1 구름 데이터에 기초하여, 상기 특정 미래 시점의 상기 태양광 발전소가 위치한 지역의 태양광 소산율을 결정하는 단계; 및
상기 특정 미래 시점의 상기 태양광 발전소가 위치한 지역의 청천 일사량 및 상기 태양광 소산율에 기초하여, 상기 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하는 단계
를 포함하는, 태양광 발전량 예측 방법.
- 제6항에 있어서,
상기 태양광 소산율을 결정하는 단계는,
상기 특정 미래 시점의 제1 구름 데이터 및 상기 태양광 발전소의 위치 정보에 기초하여, 제1 태양광 소산율을 산출하는 단계;
상기 제1 태양광 소산율을 태양광 소산율 보정 모델에 의해 보정하여 제2 태양광 소산율을 산출하는 단계; 및
상기 제2 태양광 소산율을 상기 특정 미래 시점의 상기 태양광 발전소가 위치한 지역의 태양광 소산율로 결정하는 단계
를 포함하는, 태양광 발전량 예측 방법.
- 제7항에 있어서,
상기 태양광 소산율 보정 모델은 운량 기반의 과거 이론적 소산율 및 과거 실제 소산율에 기초하여 생성된, 태양광 발전량 예측 방법.
- 제8항에 있어서,
상기 운량 기반의 과거 이론적 소산율은 상기 태양광 발전소에서 수집한 과거 지상 관측 기상 데이터 또는 과거 구름 데이터에 기초하여 산출되고,
상기 과거 실제 소산율은 상기 태양광 발전소와 연관된 과거 청천 일사량 및 과거 실제 지면 태양 복사 에너지에 기초하여 산출되는, 태양광 발전량 예측 방법.
- 삭제
- 제1항에 있어서,
상기 최종 발전량은 상기 태양광 발전소의 과거 실제 발전량과 상기 태양광 발전소의 과거 예측 발전량에 기초하여 결정된 제1 가중치 및 제2 가중치를 상기 제1 발전량과 상기 제2 발전량에 각각 적용하여 산출되는, 태양광 발전량 예측 방법.
- 제1항에 있어서,
상기 제1 구름 데이터는 상기 특정 미래 시점의 구름 위치 및 운량 정보를 포함하는, 태양광 발전량 예측 방법.
- 제1항 내지 제9항, 제11항 및 제12항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 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,
제1 기상 위성에 의해 획득된 제1 데이터를 수신하고,
상기 제1 데이터에 기초하여, 특정 미래 시점의 제1 구름 데이터를 예측하고,
상기 특정 미래 시점의 제1 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 상기 특정 미래 시점의 제1 지면 태양 복사 에너지를 예측하고,
상기 제1 지면 태양 복사 에너지에 기초하여, 상기 태양광 발전소의 상기 특정 미래 시점에서의 제1 발전량을 예측하고,
제2 기상 위성에 의해 획득된 제2 데이터를 수신하고,
상기 제2 데이터에 기초하여, 특정 미래 시점의 제2 구름 데이터를 예측하고,
상기 특정 미래 시점의 제2 구름 데이터에 기초하여, 태양광 발전소가 위치한 지역의 상기 특정 미래 시점의 제2 지면 태양 복사 에너지를 예측하고,
상기 제2 지면 태양 복사 에너지에 기초하여, 상기 태양광 발전소의 상기 특정 미래 시점에서의 제2 발전량을 예측하고,
상기 제1 발전량 및 상기 제2 발전량에 기초하여, 상기 태양광 발전소의 상기 특정 미래 시점에서의 최종 발전량을 산출하기 위한 명령어들을 포함하고,
상기 제1 기상 위성 및 상기 제2 기상 위성은 서로 상이한 기상 위성인, 태양광 발전량 예측 시스템.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230092366 | 2023-07-17 | ||
| KR20230092366 | 2023-07-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102633874B1 true KR102633874B1 (ko) | 2024-02-06 |
Family
ID=89858162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230105486A KR102633874B1 (ko) | 2023-07-17 | 2023-08-11 | 기상 위성을 이용한 태양광 발전량 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102633874B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210032788A (ko) * | 2019-09-17 | 2021-03-25 | 한국에너지기술연구원 | 위성영상 기반의 태양광 발전량 예측 장치 및 그 방법 |
| KR20210088070A (ko) * | 2020-01-06 | 2021-07-14 | 고려대학교 산학협력단 | 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법 |
| KR20220078963A (ko) * | 2020-12-04 | 2022-06-13 | 주식회사 효성 | 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치 |
| KR20230101680A (ko) * | 2021-12-28 | 2023-07-06 | 충북대학교 산학협력단 | 태양광 발전량 예측 방법 및 장치 |
| KR20230103984A (ko) * | 2021-12-31 | 2023-07-07 | 주식회사 나눔에너지 | 구름 기상 데이터 기반의 알고리즘이 적용된 태양광 발전 예측 장치 및 그 방법 |
-
2023
- 2023-08-11 KR KR1020230105486A patent/KR102633874B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210032788A (ko) * | 2019-09-17 | 2021-03-25 | 한국에너지기술연구원 | 위성영상 기반의 태양광 발전량 예측 장치 및 그 방법 |
| KR20210088070A (ko) * | 2020-01-06 | 2021-07-14 | 고려대학교 산학협력단 | 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법 |
| KR20220078963A (ko) * | 2020-12-04 | 2022-06-13 | 주식회사 효성 | 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치 |
| KR20230101680A (ko) * | 2021-12-28 | 2023-07-06 | 충북대학교 산학협력단 | 태양광 발전량 예측 방법 및 장치 |
| KR20230103984A (ko) * | 2021-12-31 | 2023-07-07 | 주식회사 나눔에너지 | 구름 기상 데이터 기반의 알고리즘이 적용된 태양광 발전 예측 장치 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110651280B (zh) | 投影神经网络 | |
| US11087201B2 (en) | Neural architecture search using a performance prediction neural network | |
| CN109214436A (zh) | 一种针对目标场景的预测模型训练方法及装置 | |
| JP2020517004A (ja) | パイプ漏れを予測する新規な自律的人工知能システム | |
| US11562245B2 (en) | Neural network model generation and distribution with client feedback | |
| WO2018153807A1 (en) | Action selection for reinforcement learning using neural networks | |
| Malleswaran et al. | A novel approach to the integration of GPS and INS using recurrent neural networks with evolutionary optimization techniques | |
| WO2020247721A1 (en) | Systems and methods to improve geo-referencing using a combination of magnetic field models and in situ measurements | |
| EP4097643A1 (en) | Planning for agent control using learned hidden states | |
| US20210056459A1 (en) | Virtual intelligence and optimization through multi-source, real-time, and context-aware real-world data | |
| KR20210009925A (ko) | 태양광 발전의 경제성 평가 방법 | |
| US20240203132A1 (en) | Group of neural networks ensuring integrity | |
| US11455696B2 (en) | Multi-layer hybrid model power generation prediction method and computing system | |
| KR102633874B1 (ko) | 기상 위성을 이용한 태양광 발전량 예측 방법 및 시스템 | |
| CN116088537B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
| CN116957678A (zh) | 一种数据处理方法和相关装置 | |
| CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
| CN115907041A (zh) | 一种模型训练方法及装置 | |
| Zhou et al. | Parameter Optimization on FNN/PID Compound Controller for a Three‐Axis Inertially Stabilized Platform for Aerial Remote Sensing Applications | |
| CN115527163A (zh) | 目标检测模型优化方法、装置、电子设备及可读存储介质 | |
| US20220207357A1 (en) | Method of short-term load forecasting via active deep multi-task learning, and an apparatus for the same | |
| KR102623087B1 (ko) | 이종의 센서를 이용한 태양광 발전량 예측 방법 및 시스템 | |
| KR20230048724A (ko) | 인공 신경망을 이용한 일사량 및 발전량 예보 장치 및 그 방법 | |
| CN113920397A (zh) | 用于训练图像分类模型和用于图像分类的方法、装置 | |
| KR20220109826A (ko) | 인공지능 추론모델을 경량화하는 방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |