KR102642404B1 - 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템 - Google Patents
메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템 Download PDFInfo
- Publication number
- KR102642404B1 KR102642404B1 KR1020230135140A KR20230135140A KR102642404B1 KR 102642404 B1 KR102642404 B1 KR 102642404B1 KR 1020230135140 A KR1020230135140 A KR 1020230135140A KR 20230135140 A KR20230135140 A KR 20230135140A KR 102642404 B1 KR102642404 B1 KR 102642404B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- weather
- power generation
- period
- scaling
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004891 communication Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W2001/006—Main server receiving weather information from several sub-stations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/40—Display of information, e.g. of data or controls
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 방법은 (a) 메인 서버가 하나 이상의 발전소의 발전량 데이터 및 날씨 데이터를 수신하는 단계, (b) 메인 서버가 하나 이상의 발전소 각각의 용량을 이용하여 발전량 데이터를 스케일링하는 단계, (c) 메인 서버가 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 날씨 데이터를 스케일링하는 단계, (d) 메인 서버가 예측 기간 및 제1 과거 기간에 대응되는 날씨 스케일링 데이터, 및 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스(sequence)를 생성하는 단계, 및 (e) 메인 서버가 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하는 단계를 포함할 수 있다. 이에, 하나의 발전량 예측 모델 만으로도 다른 지역에 분포한 복수의 발전소의 발전량을 효과적으로 예측할 수 있고, 최소 발전량 데이터만으로도 신규 발전소의 발전량 예측이 수행될 수 있으며, 하나의 발전량 예측 모델만을 이용하여 시스템의 관리에 사용되는 시간 및 비용이 최소화될 수 있다.
Description
본 발명은 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템에 관한 것으로서, 메타 학습 스타일에서 복수의 발전소의 발전량을 하나의 예측 모델만으로 훈련하여 다양한 장소의 발전소들의 발전 전력량을 하나의 모델만으로 예측할 수 있고, 다양한 발전량 데이터 및 날씨 데이터를 이용하여 학습을 수행함으로써 오버피팅(overfitting)이 최소화되고 일반화(generalization) 성능이 향상될 수 있으며, 정보가 부족한 발전소에 대하여서 최소의 데이터만으로 발전량 예측이 가능한 발전량 예측 방법, 이를 이용하는 장치 및 시스템에 관한 것이다.
최근 기후 변화가 심화되고 화석 연료가 부족해지며 태양광, 풍력 등의 에너지 지원에 대한 니즈가 증가되고 있다. 이러한 태양광, 풍력 등의 경우, 시간과 발전량을 통제하기 어렵기에 발전 전력량의 예측은 전력망 계획에 중요한 역할을 차지하고 있다. 일반적으로, 발전량 에측은 각각의 발전소에 대한 개별 모델의 훈련이 필요하며 날씨 예보를 기반으로 미래의 발전량 예측을 수행하는 방식으로 이루어져왔다. 그러나, 이러한 각 발전소별 개별 모델의 훈련 방식은 다른 지역에 설치된 발전소의 과거 이력을 이용할 수 없는 문제, 새로 설치된 발전소는 충분한 데이터가 축적되기 전까지 발전량 예측 모델이 배포될 수 없다는 문제, 및 각각의 발전소별 발전량 예측 모델을 관리하기 어렵다는 문제 등에 직면해 있는 실정이다.
이에, 서로 다른 지역에 설치된 발전소의 발전량 예측을 하나의 예측 모델로 수행할 수 있으며, 데이터가 축적되지 않은 새로운 발전소라도 최소 데이터만으로 발전량 예측을 수행할 수 있고, 관리가 용이한 새로운 메타 학습 방식의 발전량 예측 방법에 대한 필요성이 대두되고 있다.
본 발명이 해결하고자 하는 과제는, 다양한 지역에 설치된 복수의 발전소의 발전량 데이터 및 날씨 데이터를 이용하여 최소 데이터양만으로 각각의 발전소의 발전량을 예측하고, 보다 용이하게 발전량 예측 시스템을 관리할 수 있는 메타 학습을 이용한 발전량 예측 방법, 장치 및 시스템을 제공하는 것에 목적이 있다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시 예에 따른 메타 학습을 이용한 발전량 예측 방법은 (a) 메인 서버가 하나 이상의 발전소의 발전량 데이터 및 날씨 데이터를 수신하는 단계, (b) 메인 서버가 하나 이상의 발전소 각각의 용량을 이용하여 발전량 데이터를 스케일링하는 단계, (c) 메인 서버가 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 날씨 데이터를 스케일링하는 단계, (d) 메인 서버가 예측 기간 및 제1 과거 기간에 대응되는 날씨 스케일링 데이터, 및 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스(sequence)를 생성하는 단계, 및 (e) 메인 서버가 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하는 단계를 포함할 수 있다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
상기와 같은 본 발명에 따르면, 아래와 같은 다양한 효과들을 가진다.
본 발명은 하나의 발전량 예측 모델 만으로도 다른 지역에 분포한 복수의 발전소의 발전량을 효과적으로 예측할 수 있다.
본 발명은 최소 발전량 데이터만으로도 신규 발전소의 발전량 예측이 수행될 수 있다.
본 발명은 하나의 발전량 예측 모델만을 이용하여 시스템의 관리에 사용되는 시간 및 비용이 최소화될 수 있다.
상하수도용 감시제어기가 포함하는 복수의 계측기 각각의 실시간 온도 및 상태를 확인함으로써 효과적인 감시제어기의 화재 감지 및 누수 감지가 관제 서버에서 통합적으로 관리될 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 시스템에 대한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 시스템의 메인 서버에 대한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 시스템의 메인 서버에 대한 개략도이다.
이하 본 발명의 다양한 실시 예를 첨부된 도면을 참조하여 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우 '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
구성 요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.
위치 관계에 대한 설명일 경우, 예를 들어, '~상에', '~상부에', '~하부에', '~옆에' 등으로 두 부분의 위치 관계가 설명되는 경우, '바로' 또는 '직접'이 사용되지 않는 이상 두 부분 사이에 하나 이상의 다른 부분이 위치할 수도 있다.
소자 또는 층이 다른 소자 또는 층 "위 (on)"로 지칭되는 것은 다른 소자 바로 위에 또는 중간에 다른 층 또는 다른 소자를 개재한 경우를 모두 포함한다.
비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않는다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 도시된 것이며, 본 발명이 도시된 구성의 크기 및 두께에 반드시 한정되는 것은 아니다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
도 1은 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 시스템에 대한 개략도이다. 도 2는 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 방법을 설명하기 위한 흐름도이다. 도 3은 본 발명의 일 실시예에 따른 메타 학습을 이용한 발전량 예측 시스템의 메인 서버에 대한 개략도이다.
도 1 내지 도 3을 참조하면, 메타 학습을 이용한 발전량 예측 시스템(1000)은 메타 학습 스타일에서 복수의 발전소의 발전량을 하나의 예측 모델만으로 훈련하여 다양한 장소의 발전소들의 발전 전력량(예를 들면, 태양광 발전 또는 풍력 발전 등)을 예측할 수 있는 시스템이다. 본 발명의 메타 학습을 이용한 발전량 예측 시스템(1000)은 다양한 장소의 발전소에서 데이터를 획득하여 데이터 획득이 용이하고, 다양한 데이터를 이용하여 발전량 예측을 학습함으로써 모델 학습시의 특정한 문제에만 특화되어 학습될 수 있는 오버피팅(overfitting) 문제가 최소화될 수 있어 일반화(generalization) 성능이 향상될 수 있고, 발전량에 대한 정보가 부족한 발전소에 대하여도 해당 예측 모델을 적용하여 발전량을 예측할 수 있는 이점이 존재한다. 구체적으로, 메타 학습을 이용한 발전량 예측 시스템(1000)은 복수의 발전소 서버(200) 및 메인 서버(100)를 구성요소로 포함할 수 있다.
메타 학습을 이용한 발전량 예측 시스템(1000)의 메인 서버(100)는 본 발명의 메타 학습을 이용한 발전량 예측 방법을 구현하는 구성으로서, 메타 학습을 이용한 발전량 예측 장치를 의미할 수 있다. 이러한 메인 서버(100)는 복수의 발전소의 발전량 데이터 및 날씨 데이터를 수신하고, 발전소 각각의 용량을 이용하여 발전량 데이터를 스케일링하고, 최대 날씨값과 최소 날씨값을 이용하여 날씨 데이터를 스케일링할 수 있다. 또한, 메인 서버(100)는 날씨 스케일링 데이터 및 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스(sequence)를 생성하고, 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 발전량의 예측을 원하는 기간에 대응되는 발전량 출력 시퀀스를 생성할 수 있다. 그리고, 발전량 출력 시퀀스를 해당 발전소의 용량을 이용하여 스케일링 함으로써 결과적으로 해당 발전소의 발전량을 생성할 수 있다. 이러한 메인 서버(100)는 구성요소로서 통신부(110), 프로세서(120) 및 저장부(130)를 포함할 수 있다.
메인 서버(100)의 통신부(110)는 복수의 발전소 서버(200)와 실시간으로 통신하며 신호 및 데이터를 송수신하는 구성요소이다. 통신부(110)는 복수의 발전소 서버(200)로부터 발전량 데이터를 수신할 수 있고, 발전소에 설치된 센서 또는 발전소와 가장 인접한 기상관측소 등으로부터 해당 발전소의 날씨 데이터를 수신할 수 있다.
메인 서버(100)의 프로세서(120)는 다양한 신호 및 데이터를 처리할 수 있는 구성요소로서, 발전소의 발전량을 예측할 수 있는 발전량 예측 모델을 학습시키고 학습된 발전량 예측 모델을 이용하여 특정 발전소의 발전량을 미리 예측할 수 있다. 구체적으로, 프로세서(120)는 발전량 데이터 및 날씨 데이터를 데이터 스케일링하고, 스케일링된 데이터인 발전량 스케일링 데이터 및 날씨 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스를 생성할 수 있다. 또한, 프로세서(120)는 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 발전량 출력 시퀀스를 생성함으로써, 발전량 예측 모델을 학습시키고 발전량 예측 모델을 통하여 원하는 발전소의 예측된 발전량 데이터를 산출할 수 있다. 프로세서(120)가 수행하는 발전량 예측 모델의 학습 및 결과 산출에 대해서는 도 2를 통하여 상세히 후술한다.
메인 서버(100)의 저장부(130)는 메타 학습을 이용한 발전량 예측 시스템(1000)의 다른 구성요소로부터 수신한 다양한 데이터, 프로세서(120)에 의하여 생성된 데이터 등의 정보, 예를 들면, 발전량 데이터 및 날씨 데이터를 저장하도록 구성될 수 있다. 다양한 실시예에서 저장부(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card mRTro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(StatRT Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(ElectrRTally Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 본 실시예에서는 메인 서버(100)가 저장부(130)를 포함하는 것으로 설명되었으나 이에 제한되지 않으며, 메인 서버(100)는 저장부(130) 전체 또는 저장부(130)의 일부를 포함하지 않을 수 있으며, 이러한 경우 메타 학습을 이용한 발전량 예측 시스템(1000)은 메인 서버(100)와 이격된 외부 데이터 베이스를 포함할 수 있다. 외부 데이터 베이스는 본 실시예에서의 저장부(130)의 기능을 수행할 수 있고, 메인 서버(100)와 신호 및 데이터를 송수신할 수 있다.
메타 학습을 이용한 발전량 예측 시스템(1000)의 발전소 서버(200)는 태양열, 풍력 등 다양한 방법에 의하여 전력을 생산하는 발전소에 설치된 서버를 의미할 수 있다. 발전소 서버(200)는 발전소에서 생산하는 전력량(즉, 발전량) 데이터를 실시간으로 생성하고, 메인 서버(100)에 전달할 수 있다. 또한, 발전소에 날씨 데이터를 생성할 수 있는 센서가 설치된 경우, 발전소 서버(200)는 센서에 의하여 생성된 해당 발전소의 날씨 데이터를 메인 서버(100)에 전달할 수 있다.
이어서, 메인 서버(100)가 수행하는 메타 학습을 이용한 메타 학습을 이용한 발전량 예측 방법에 대하여 상세히 설명한다.
먼저, 메인 서버(100)가 하나 이상의 발전소의 발전량 데이터 및 날씨 데이터를 수신할 수 있다(S110). 구체적으로 메인 서버(100)의 통신부(110)는 복수의 발전소 서버(200) 각각으로부터 복수의 발전소 각각에서 생산되는 발전량(전력량)을 실시간으로 또는 일정한 주기에 따라 수신할 수 있다. 예를 들면, 통신부(110)는 복수의 발전소 서버(200) 각각으로부터 1시간 또는 15분의 일정한 주기에 따라 발전량 데이터를 수신할 수 있다.
그리고, 통신부(110)는 복수의 발전소 서버(200), 복수의 발전소에 설치된 센서 또는 복수의 발전소와 가장 인접한 기상관측소 중 적어도 하나로부터 복수의 발전소 각각의 날씨와 관련된 데이터인 날씨 데이터를 수신할 수 있다. 날씨 데이터는 복수의 날씨 데이터일 수도 있으며, 이러한 경우, 복수의 날씨 데이터는 기온 데이터, 습도 데이터, 운량 데이터, 풍속 데이터, 풍향 데이터, 강수량 데이터, 설량 데이터 중 적어도 하나를 포함할 수 있다.
통신부(110)가 수신한 발전량 데이터 및 날씨 데이터는 데이터가 생성된 시점(t)을 기준으로 하나의 데이터 세트로 관리될 수 있다. 예를 들면, 발전소 k의 시점 t에서의 발전량 데이터가 이고 날씨 데이터가 인 경우, 본 발명의 발전량 예측 모델에 이용하기 위하여 프로세서(120)는 형태의 데이터 세트를 생성하여 이를 이용할 수 있다. 이때, 는 발전량 데이터 및 날씨 데이터를 획득한 시점이 1에서 까지라는 의미일 수 있다. 이때, t는 발전량 데이터 및 날씨 데이터를 수신하는 주기에 따라 점차적으로 증가할 수 있다. 예를 들어, 발전량 데이터 및 날씨 데이터가 수신된 주기가 1시간인 경우, t는 1에서 까지 1씩 증가할 수 있다. 한편, 본 명세서 내에서의 시점이란 기간의 시작점을 의미할 수 있다.
이어서, 메인 서버(100)가 하나 이상의 발전소 각각의 용량을 이용하여 발전량 데이터를 스케일링할 수 있다(S120). 메인 서버(100)의 프로세서(120)는 복수의 발전소 서버(200)에서 수신한 발전량 데이터를 복수의 발전소 각각의 용량을 이용하여 스케일링할 수 있다. 복수의 발전소 각각은 용량이 서로 상이할 수 있고, 발전소의 발전량은 용량에 비례할 수 있다. 따라서, 프로세서(120)는 발전량을 해당 발전소의 용량으로 나누어 발전량 데이터를 정규화하며 스케일링 할 수 있다. 즉, 프로세서(120)는 서로 다른 장소에 분포하는 각각의 발전소가 보유한 발전기 자체의 특성을 고려하여 각각의 발전소를 정규화하여 일반적인 발전소의 발전량 예측을 수행해야할 수 있고, 이를 위하여 각 발전소의 용량을 이용하여 발전량 데이터를 정규화할 수 있는 것이다. 프로세서(120)가 발전량 스케일링 데이터는 생성하는 것은 아래의 '수식 1'에 의하여 수행될 수 있다. 수식 1에서 는 발전소 k의 시점 t에서의 발전량 스케일링 데이터이고, 는 발전소 k의 용량을 의미할 수 있다.
<수식 1>
이어서, 메인 서버(100)가 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 날씨 데이터를 스케일링할 수 있다(S130). 메인 서버(100)의 프로세서(120)는 미리 지정된 기간, 예를 들면, 해당 발전소의 날씨 데이터를 수신한 모든 기간에 대하여 날씨 데이터의 최대값 및 최소값인 최대 날씨값 및 최소 날씨값을 이용하여 날씨 데이터를 스케일링 할 수 있다. 앞서 설명했던 복수의 날씨 데이터 각각에 대하여 이러한 데이터 스케일링이 수행될 수 있다. 날씨 데이터는 데이터의 종류, 즉, 기온 데이터, 습도 데이터, 운량 데이터, 풍속 데이터 등의 차이에 따라 데이터의 값과 변화폭이 상이할 수 있다. 이러한 날씨 데이터의 종류에 따른 차이가 발전량 예측 모델의 학습에 영향을 줄 수 있는 바, 이를 고려하여 프로세서(120)는 날씨 데이터를 데이터 스케일링할 수 있다.
구체적으로, 프로세서(120)는 아래의 '수식 2'에 따라 날씨 데이터를 미리 지정된 기간동안의 최대 날씨값 및 최소 날씨값을 이용하여 최소최대스케일링(Min Max Scaling)할 수 있다. '수식 2'의 는 발전소 k의 시점 t에서의 스케일링된 날씨 데이터(즉, 날씨 스케일링 데이터)를 의미할 수 있고, M은 미리 지정된 기간 동안의 날씨 데이터 중 최대값을 의미하고, m은 미리 지정된 기간 동안의 날씨 데이터 중 최소값을 의미할 수 있다.
<수식 2>
이어서, 메인 서버(100)가 예측 기간 및 제1 과거 기간에 대응되는 날씨 스케일링 데이터, 및 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스(sequence)를 생성할 수 있다(S140).
구체적으로, 예측 기간이란 발전량 예측 모델이 발전량을 예측하고자 하는 기간, 즉, 타겟(target) 기간을 의미할 수 있다. 프로세서(120)는 발전량 예측 모델을 이용하여 예측 기간 동안의 발전량을 예측할 수 있다. 제1 과거 기간은 예측 기간보다 과거의 기간으로서, 제1 과거 기간과 예측 기간은 연속될 수 있다. 제2 과거 기간은 예측 기간보다 과거의 기간으로서 예측 기간 및 제1 과거 기간의 총 기간은 제2 과거 기간의 총 기간과 동일할 수 있다. 또한, 제2 과거 기간의 종점은 제1 과거 기간의 종점과 동일하고, 제2 과거 기간의 종점은 예측 기간의 시점과 동일할 수 있다.
예를 들어, 예측 기간의 시점이 시점 t이고 예측 기간의 길이가 1일이라고 가정하며, 제1 과거 기간의 길이가 6일이라고 가정할 수 있다. 이러한 경우, 제1 과거 기간은 시점 t보다 6일 이전의 시점부터 시점 t까지의 기간일 수 있고, 예측 기간은 시점 t부터 시점 t보다 1일 이후의 시점까지의 기간일 수 있다. 그리고 이러한 경우, 제2 과거 기간의 길이는 예측 기간의 길이(1일)와 제1 과거 기간의 길이(6일)를 합한 7일일 수 있고, 제2 과거 기간은 시점 t보다 7일 앞선 시점부터 시점 t까지의 기간일 수 있다. 이와 같은 가정하에, 메인 서버(100)의 프로세서(120)는 아래와 같은 '수식 3'에 의하여 날씨-발전량 입력 시퀀스를 생성할 수 있다.
<수식 3>
날씨-발전량 입력 시퀀스 =
구체적으로, 날씨-발전량 입력 시퀀스는 복수의 요소 데이터(수식 3에서 괄호로 묶인 부분들)를 포함할 수 있으며, 각각의 요소 데이터는 날씨 스케일링 데이터와 발전량 스케일링 데이터가 결합되어 형성될 수 있다. 날씨-발전량 입력 시퀀스를 구성하는 복수의 요소 데이터는 인접한 요소 데이터 사이의 시간 간격이 수식 3과 같이 1시간으로 설정될 수 있다. 즉, t+1은 시점 t(예측 기간의 시점)에서 1시간 이후의 시점을 의미할 수 있다. 그러나, 이에 제한되지는 않으며 인접한 요소 데이터 사이의 시간 간격은 필요에 따라 변경될 수 있고, 예를 들면 15분으로 설정될 수도 있다.
즉, 날씨-발전량 입력 시퀀스의 는 날씨-발전량 입력 시퀀스를 구성하는 하나의 요소 데이터이며, 발전소 k의 시점 t의 날씨 스케일링 데이터 및 발전소 k의 시점 t-24(즉, 시점 t에서 24시간 이전의 시점)의 발전량 스케일링 데이터가 하나의 요소 데이터로 결합될 수 있다.
날씨-발전량 입력 시퀀스를 참조하면, 날씨 스케일링 데이터는 시점 t부터 시점 t보다 24시간(1일) 이후의 시점까지의 데이터( 내지 ), 및 시점 t보다 144시간(6일) 이전의 시점부터 시점 t까지의 데이터( 내지 )가 이용되었으며, 이는 각각 예측 기간의 데이터 및 제1 과거 기간의 데이터를 의미할 수 있다.
그리고, 날씨-발전량 입력 시퀀스를 참조하면, 발전량 스케일링 데이터는 시점 t보다 168시간(7일) 이전의 시점부터 시점 t까지의 데이터( 내지 )가 이용되었으며, 이는 제2 과거 기간의 데이터를 의미할 수 있다.
이때, 날씨-발전량 입력 시퀀스를 구성하는 요소 데이터 각각은 날씨 스케일링 데이터의 시점보다 과거로 이동된(shifted) 발전량 스케일링 데이터의 결합에 의하여 생성될 수 있다. 수식 3의 날씨-발전량 입력 시퀀스를 살펴보면, 각각의 요소 데이터에서 발전량 스케일링 데이터의 시점은 날씨 스케일링 데이터의 시점과 비교하여 예측 기간의 길이(제2 과거 기간과 제1 과거 기간의 차이)인 24시간(1일)만큼 과거로 이동된 것을 확인할 수 있다. 이는 발전량 스케일링 데이터의 전체 시간구간(제2 과건 기간)이 날씨 스케일링 데이터의 전체 시간구간(제1 과거 기간 및 예측 기간)보다 과거로 이동되었기 때문이다.
메인 서버(100)의 프로세서(120)는 이처럼 과거의 날씨특성(날씨 스케일링 모델)과 발전량특성(발전량 스케일링 모델)을 이용함에 있어 자기회귀모형에 따라 과거로 이동된(shifted) 발전량 스케일링 모델을 각각의 요소 데이터에 입력하여 날씨-발전량 입력 시퀀스를 생성할 수 있다. 이에, 날씨-발전량 입력 시퀀스의 인과관계(즉, 과거의 날씨특성과 발전량 사이의 인과관계)가 발전량 예측 모델에 의하여 효과적으로 학습될 수 있으며, 학습된 발전량 예측 모델에 의한 발전량 예측 정확도가 향상될 수 있다.
보다 구체적으로, 메인 서버(100)의 프로세서(120)는 발전량 예측 모델을 학습하는 경우, 날씨-발전량 입력 시퀀스의 예측 기간에 대응되는 날씨 스케일링 데이터로서 실제 과거 날씨 데이터에 의한 날씨 스케일링 데이터를 이용할 수 있다. 즉, 발전량 예측 모델의 학습과정에서 사용되는 날씨 스케일링 데이터는 모두 실제 관측된 데이터일 수 있다. 또한, 발전량 예측 모델을 학습하는 경우, 프로세서(120)는 발전량 예측 모델의 출력으로서 예측 기간에 대응되는 실제 해당 발전소의 발전량을 이용할 수 있다.
이와 달리, 메인 서버(100)는, 발전량 예측 모델로 발전량을 예측하는 경우, 날씨-발전량 입력 시퀀스의 예측 기간에 대응되는 날씨 스케일링 데이터로서 날씨 예보에 의한 날씨 스케일링 데이터를 이용할 수 있다. 즉, 발전량 예측 모델을 이용하여 프로세서(120)가 예측 기간의 발전량을 예측하는 경우, 예측 기간은 미래의 시간 구간일 수 있고 날씨 예보 데이터에 의한 날씨 스케일링 데이터가 이용될 수 있다. 이러한 경우, 프로세서(120)는 발전량 예측 모델의 출력으로서 미래의 시간 구간인 예측 기간 동안의 발전량 발전량 출력 시퀀스를 획득할 수 있다.
이어서, 메인 서버(100)가 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 예측 기간에 대응되는 발전량 발전량 출력 시퀀스를 획득할 수 있다(S150). 메인 서버(100)의 프로세서(120)는 발전량 예측 모델에 날씨-발전량 입력 시퀀스를 입력할 수 있고, 이에 대응하여 예측 기간에 대응되는 발전량 발전량 출력 시퀀스 를 획득할 수 있다. 발전량 발전량 출력 시퀀스의 각각의 요소들은 발전량 스케일링 데이터의 형태일 수 있다.
이어서, 메인 서버(100)가 발전량 발전량 출력 시퀀스의 각 데이터에 하나 이상의 발전소 각각의 용량을 곱하여 하나 이상의 발전소 각각의 발전량을 획득할 수 있다. 발전량 발전량 출력 시퀀스의 각각의 요소들은 발전량을 예측한 해당 발전소의 용량이 고려되지 않은 정규화된 데이터, 즉, 발전량 스케일링 데이터일 수 있다. 따라서, 메인 서버(100)의 프로세서(120)는 발전량 발전량 출력 시퀀스의 각각의 요소 데이터들에 해당 발전소의 용량 를 곱하여 예측 기간(시점 t에서 시점 t+23까지의 기간) 동안의 해당 발전소의 예측 발전량을 획득할 수 있다.
일 실시예에 따르면, 단계(S120)에서, 메인 서버(100)의 프로세서(120)는 복수의 날씨 데이터 각각의 예측 기간의 시점에서의 날씨 데이터인 복수의 기준 데이터를 추출하고, 복수의 기준 데이터 각각을 이용하여 복수의 날씨 데이터 각각에 대한 복수의 기준 범위를 생성하며, 복수의 날씨 데이터 각각에 대하여 생성된 복수의 기준 범위를 대응되는 과거 기간 중 최대 과거 시점을 추출하고, 복수의 날씨 데이터 각각의 최대 과거 시점의 평균 시점을 산출하고, 산출된 평균 시점을 단계(S120)의 미리 지정된 기간의 시점으로 이용할 수 있다.
구체적으로, 프로세서(120)는 단계(S120)의 미리 지정된 기간의 시점을 결정하기 위하여, 우선, 복수의 날씨 데이터 각각의 예측 기간의 시점에서의 값을 복수의 기준 데이터로 설정할 수 있다. 복수의 날씨 데이터는 앞서 설명한 것과 같이 기온 데이터, 습도 데이터, 운량 데이터, 풍속 데이터, 풍향 데이터, 강수량 데이터, 설량 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 이러한 복수의 날씨 데이터 각각에 대하여 예측 기간의 시점에서의 날씨값을 복수의 날씨 데이터 각각의 기준 데이터로 설정할 수 있다.
이어서, 프로세서(120)는 복수의 날씨 데이터 각각의 기준 데이터를 이용하여 복수의 날씨 데이터 각각의 기준 범위를 생성할 수 있다. 예를 들면, 복수의 날씨 데이터 중 기온 데이터의 경우, 예측 기간의 시점에서 20도의 값을 나타낼 수 있고, 프로세서(120)는 20도보다 5도 작은 15도 내지 5도 큰 25도의 범위를 기온 데이터의 기준 범위로 설정할 수 있다. 이처럼, 프로세서(120)는 복수의 날씨 데이터 각각에 대하여 기준 데이터를 기준으로 특정한 날씨값을 더하여 기준 범위의 최대값을 결정하고 특정한 날씨값을 감하여 기준 범위의 최소값을 결정할 수 있다. 이때, 기준 범위의 최대값 및 최소값을 결정하는데 사용되는 더하고 감하는 날씨값은 복수의 날씨 데이터 각각에 대하여 서로 상이할 수 있으며, 관리자에 의하여 미리 설정/변경될 수 있다.
이어서, 프로세서(120)는 복수의 날씨 데이터 각각에 대하여 생성된 복수의 기준 범위에 대응하는 과거 기간을 생성할 수 있다. 메인 서버(100)의 저장부(130)에는 복수의 날씨 데이터 각각에 대한 과거 데이터가 저장되어 있을 수 있고, 프로세서(120)는 복수의 날씨 데이터 각각의 과거 데이터에 대하여 기준 범위에 대응되는 과거 데이터만을 추출할 수 있다. 복수의 날씨 데이터 각각에 대하여 추출된 과거 데이터는 대응되는 과거 기간이 존재할 수 있다. 예를 들면, 복수의 날씨 데이터 중 기온 데이터의 경우, 앞서 설명한 예시와 같이 기준 범위가 15도 내지 25도일 수 있다. 프로세서(120)는 날씨 데이터의 과거 데이터를 이용하여 기준 범위(15도 내지 25도)에 해당되었던 모든 과거 기간을 추출할 수 있다. 이러한 방식으로 프로세서(120)는 모든 복수의 날씨 데이터에 대하여 기준 범위에 대응되는 과거 기간을 추출할 수 있다.
이어서, 프로세서(120)는 복수의 날씨 데이터 각각의 과거 기간 중 최대 과거 시점을 추출하고, 복수의 날씨 데이터 각각의 추출된 최대 과거 시점의 평균 시점을 추출할 수 있다. 예를 들면, 프로세서(120)는 날씨 데이터의 기준 범위에 해당되었던 모든 과거 기간 중 가장 과거 시점인 최대 과거 시점을 추출할 수 있다. 이러한 방식으로 프로세서(120)는 모든 복수의 날씨 데이터 각각에 대하여 최대 과거 시점을 추출할 수 있다. 그리고, 프로세서(120)는 복수의 날씨 데이터 각각의 최대 과거 시점의 평균값을 산출하여 평균 시점을 추출할 수 있다.
이어서, 프로세서(120)는 추출된 평균 시점을 단계(S130)에서의 미리 지정된 기간의 시점으로 설정할 수 있다. 이처럼, 프로세서(120)는 복수의 날씨 데이터의 예측 기간의 시점에서의 날씨값을 이용하여 기준 범위를 결정하고, 복수의 날씨 데이터 각각의 결정된 기준 범위를 이용하여 최대 과거 시점을 설정하고, 최대 과거 시점들의 평균값을 평균 시점으로 설정할 수 있다. 이에, 본 발명의 메타 학습을 이용한 발전량 예측 시스템(1000)은 모든 날씨 데이터가 아닌 예측 기간의 시점에서의 날씨 데이터의 값과 유사한 범위 내의 날씨 데이터만을 이용하여 최대 날씨값 및 최소 날씨값을 생성할 수 있고, 이에 따라, 날씨 데이터의 스케일링 과정에 있어 예측 기간에서의 날씨 데이터와 유사도가 높은 데이터를 이용할 수 있어, 발전량 예측의 정확도를 보다 향상시킬 수 있다.
일 실시예에 따르면, 메인 서버(100)는 날씨-발전량 입력 시퀀스를 구성하는 복수의 요소 데이터 각각에 대하여 예측 기간의 시점에서의 날씨 스케일링 데이터를 포함하는 제1 요소 데이터와 인접할수록 더 큰 가중치를 부여할 수 있다.
구체적으로, 날씨-발전량 입력 시퀀스는 복수의 요소 데이터를 포함할 수 있고, 복수의 요소 데이터 중 예측 기간의 시점에서의 날씨 스케일링 데이터 를 포함하는 제1 요소 데이터 와 인접한 다른 요소 데이터에 대하여, 프로세서(120)는 제1 요소 데이터와 인접할수록 더 큰 가중치를 부여하여 발전량 예측을 수행할 수 있다. 즉, 복수의 요소 데이터 각각은 적어도 일부가 서로 다른 가중치를 가지며 발전량 예측 모델에 활용될 수 있다. 이때, 날씨-발전량 입력 시퀀스의 순서에 있어 제1 요소 데이터와 인접한 정도가 증가할수록 요소 데이터의 발전량 예측 모델에 활용되는 가중치가 증가할 수 있다. 이에, 본 발명의 메타 학습을 이용한 발전량 예측 시스템(1000)은 예측 기간의 시점과 인접한 시점의 요소 데이터에 가중치를 두어 발전량 예측을 수행함으로써 발전량 예측의 정확도를 보다 향상시킬 수 있다.
일 실시예에 따르면, 메인 서버(100)는 복수의 요소 데이터의 가중치는 제1 요소 데이터와 인접할수록 비례적으로 증가할 수 있다. 앞서 설명한 것과 같이 제1 요소 데이터와 인접한 데이터일수록 더 큰 가중치가 부여될 수 있는데, 이때, 프로세서(120)는 제1 요소 데이터와의 인접도가 증가할수록 그에 비례하여 요소 데이터의 가중치를 향상시킬 수 있다.
이와 달리, 일 실시예에 따르면, 메인 서버(100)는 복수의 요소 데이터의 가중치는 제1 요소 데이터와 인접할수록 지수함수에 대응하여 증가할 수도 있다.
이와 달리, 일 실시예에 따르면, 메인 서버(100)는 복수의 요소 데이터의 가중치는 제1 요소 데이터와 인접할수록 로그함수에 대응하여 증가할 수도 있다.
일 실시예에 따르면, 메인 서버(100)는 제1 요소 데이터보다 미래의 요소 데이터보다 과거의 요소 데이터에 더 큰 가중치를 부여할 수 있다. 메인 서버(100)의 프로세서(120)는 제1 요소 데이터 보다 미래의 요소 데이터 [ 내지 ]의 가중치보다 과거의 요소 데이터 [ 내지 ]의 가중치를 더 크게 설정하여 발전량 예측 모델에 활용할 수 있다. 이때, 미래의 요소 데이터의 날씨 스케일링 데이터는 날씨 예보에 의한 날씨 스케일링 데이터일 수도 있다. 본 발명의 메타 학습을 이용한 발전량 예측 시스템(1000)은 날씨 예보에 대응되는 미래의 요소 데이터의 가중치를 실제 날씨값에 대응되는 과거의 요소 데이터의 가중치보다 적게 설정함으로써, 데이터의 정확도에 대응되는 가중치를 적용할 수 있고, 이에, 발전량 예측의 정확도가 보다 향상될 수 있다.
본 발명의 다양한 실시예는 하나 이상이 서로 결합되어 새로운 실시예를 구성할 수 있음은 물론이다.
본 발명의 다양한 실시예에 따른 메타 학습을 이용한 발전량 예측 방법은 (a) 메인 서버가 하나 이상의 발전소의 발전량 데이터 및 날씨 데이터를 수신하는 단계, (b) 메인 서버가 하나 이상의 발전소 각각의 용량을 이용하여 발전량 데이터를 스케일링하는 단계, (c) 메인 서버가 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 날씨 데이터를 스케일링하는 단계, (d) 메인 서버가 예측 기간 및 제1 과거 기간에 대응되는 날씨 스케일링 데이터, 및 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스(sequence)를 생성하는 단계, 및 (e) 메인 서버가 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하는 단계를 포함할 수 있다.
본 발명의 다른 특징에 따르면, (b) 단계는, 메인 서버가 발전량 데이터를 복수의 발전소 각각의 용량으로 나누어 발전량 데이터를 정규화하며 스케일링하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, (c) 단계는, 메인 서버가 날씨 데이터를 미리 지정된 기간동안의 최대 날씨값 및 최소 날씨값을 이용하여 최소최대스케일링(Min Max Scaling)하여 날씨 데이터를 스케일링하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 예측 기간 및 제1 과거 기간의 총 기간은 제2 과거 기간의 총 기간과 동일할 수 있다.
본 발명의 또 다른 특징에 따르면, 제1 과거 기간과 예측 기간은 연속되고, 제1 과거 기간의 종점과 제2 과거 기간의 종점은 동일할 수 있다.
본 발명의 또 다른 특징에 따르면, 날씨-발전량 입력 시퀀스를 구성하는 각각의 요소 데이터는, 특정 시점의 날씨 스케일링 데이터 및 특정 시점에서 제2 과거 기간과 제1 과거 기간의 차이만큼 과거로 이동된(shifted) 발전량 스케일링 데이터의 결합에 의하여 생성될 수 있다.
본 발명의 또 다른 특징에 따르면, (e) 단계 후에, 메인 서버가 발전량 출력 시퀀스의 각 데이터에 하나 이상의 발전소 각각의 용량을 곱하여 하나 이상의 발전소 각각의 발전량을 획득하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 메인 서버는, 발전량 예측 모델을 학습하는 경우, 예측 기간에 대응되는 날씨 스케일링 데이터로서 과거 날씨 데이터에 의한 날씨 스케일링 데이터를 이용하고, 메인 서버는, 발전량 예측 모델로 발전량을 예측하는 경우, 예측 기간에 대응되는 날씨 스케일링 데이터로서 날씨 예보에 의한 날씨 스케일링 데이터를 이용할 수 있다.
본 발명의 또 다른 특징에 따르면, 날씨 데이터는 기온 데이터, 습도 데이터, 운량 데이터, 풍속 데이터, 풍향 데이터, 강수량 데이터, 설량 데이터 중 적어도 하나를 포함하는 복수의 날씨 데이터이고, (c) 단계에서, 메인 서버는, 복수의 날씨 데이터 각각의 예측 기간의 시점에서의 날씨 데이터인 복수의 기준 데이터를 추출하고, 복수의 기준 데이터 각각을 이용하여 복수의 날씨 데이터 각각에 대한 복수의 기준 범위를 생성하며, 복수의 날씨 데이터 각각에 대하여 생성된 복수의 기준 범위를 대응되는 과거 기간 중 최대 과거 시점을 추출하고, 복수의 날씨 데이터 각각의 최대 과거 시점의 평균 시점을 산출하고, 산출된 평균 시점을 미리 지정된 기간의 시점으로 설정할 수 있다.
본 발명의 또 다른 특징에 따르면, (e) 단계에서, 메인 서버는 날씨-발전량 입력 시퀀스를 구성하는 복수의 요소 데이터 각각에 대하여 예측 기간의 시점에서의 날씨 스케일링 데이터를 포함하는 제1 요소 데이터와 인접할수록 더 큰 가중치를 부여할 수 있다.
본 발명의 또 다른 특징에 따르면, 메인 서버는 제1 요소 데이터보다 미래의 요소 데이터보다 과거의 요소 데이터에 더 큰 가중치를 부여할 수 있다.
본 발명의 또 다른 특징에 따르면, (e) 단계에서, 메인 서버는 복수의 요소 데이터의 가중치는 제1 요소 데이터와 인접할수록 비례적으로 증가할 수 있다.
본 발명의 또 다른 특징에 따르면, (e) 단계에서, 메인 서버는 복수의 요소 데이터의 가중치는 제1 요소 데이터와 인접할수록 지수함수에 대응하여 증가할 수 있다.
본 발명의 또 다른 특징에 따르면, (e) 단계에서, 메인 서버는 복수의 요소 데이터의 가중치는 제1 요소 데이터와 인접할수록 로그함수에 대응하여 증가할 수 있다.
본 발명의 다양한 실시예에 따른 메타 학습을 이용한 발전량 예측 장치는 하나 이상의 발전소 서버, 기상청 및 날씨 센서 중 적어도 하나로부터 하나 이상의 발전소의 발전량 데이터 및 날씨 데이터를 수신하도록 구성된 통신부, 발전량 데이터 및 날씨 데이터를 저장하도록 구성된 저장부, 및 하나 이상의 발전소 각각의 용량을 이용하여 발전량 데이터를 스케일링하고, 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 날씨 데이터를 스케일링하고, 예측 기간 및 제1 과거 기간에 대응되는 날씨 스케일링 데이터, 및 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스를 생성하며, 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하도록 구성된 프로세서를 포함할 수 있다.
본 발명의 다양한 실시예에 따른 메타 학습을 이용한 발전량 예측 시스템은 발전량 데이터 및 날씨 데이터 중 적어도 하나를 생성하는 하나 이상 발전소 서버, 및 메타 학습을 이용한 발전량 예측 장치를 포함하고, 발전량 예측 장치는, 하나 이상의 발전소 서버, 기상청 및 날씨 센서 중 적어도 하나로부터 발전량 데이터 및 날씨 데이터를 수신하도록 구성된 통신부, 발전량 데이터 및 날씨 데이터를 저장하도록 구성된 저장부, 및 하나 이상의 발전소 각각의 용량을 이용하여 발전량 데이터를 스케일링하고, 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 날씨 데이터를 스케일링하고, 예측 기간 및 제1 과거 기간에 대응되는 날씨 스케일링 데이터, 및 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스를 생성하며, 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하도록 구성된 프로세서를 포함할 수 있다.
이상에서, 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
1000: 메타 학습을 이용한 발전량 예측 시스템
100: 메인 서버
110: 통신부
120: 프로세서
130: 저장부
200: 발전소 서버
100: 메인 서버
110: 통신부
120: 프로세서
130: 저장부
200: 발전소 서버
Claims (16)
- (a) 메인 서버가 하나 이상의 발전소의 발전량 데이터 및 날씨 데이터를 수신하는 단계;
(b) 상기 메인 서버가 상기 하나 이상의 발전소 각각의 용량을 이용하여 상기 발전량 데이터를 스케일링하는 단계;
(c) 상기 메인 서버가 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 상기 날씨 데이터를 스케일링하는 단계;
(d) 상기 메인 서버가 연속되는 제1 과거 기간과 예측 기간에 대응되는 날씨 스케일링 데이터, 및 상기 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스(sequence)를 생성하는 단계; 및
(e) 상기 메인 서버가 상기 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 상기 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하는 단계를 포함하며,
상기 날씨-발전량 입력 시퀀스를 구성하는 각각의 요소 데이터는, 특정 시점의 상기 날씨 스케일링 데이터와 상기 특정 시점보다 과거 시점의 상기 발전량 스케일링 데이터의 결합에 의하여 생성되고,
상기 제2 과거 기간의 길이는 상기 제1 과거 기간과 상기 예측 기간의 합과 동일하고, 상기 제2 과거 기간의 종점은 상기 예측 기간의 시점과 동일하고,
상기 (e) 단계에서, 상기 메인 서버는 상기 날씨-발전량 입력 시퀀스에 대하여 상기 예측 기간의 시점의 날씨 스케일링 데이터를 포함하는 제1 요소 데이터와 인접한 요소 데이터일수록 더 큰 가중치를 부여하여 상기 발전량 출력 시퀀스를 획득하며,
상기 날씨 데이터는 종류가 서로 다른 복수의 날씨 데이터이고,
상기 (c) 단계 전에, 상기 메인 서버는 상기 예측 기간의 시점에서의 상기 복수의 날씨 데이터 각각을 복수의 기준 데이터로 생성하고, 상기 복수의 기준 데이터를 중심으로 상기 복수의 날씨 데이터 각각에 대한 복수의 기준 범위를 생성하고, 상기 복수의 날씨 데이터에 대하여 상기 복수의 기준 범위에 해당되는 모든 과거 기간을 추출하고, 상기 복수의 날씨 데이터 각각에 대한 상기 모든 과거 기간에 대하여 복수의 최대 과거 시점을 생성하고, 상기 복수의 최대 과거 시점의 평균값을 산출하고, 산출된 상기 평균값을 상기 (c) 단계에서의 상기 미리 지정된 기간의 시점으로 설정하는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 (b) 단계는,
상기 메인 서버가 상기 발전량 데이터를 상기 하나 이상의 발전소 각각의 용량으로 나누어 상기 발전량 데이터를 정규화하며 스케일링하는 단계를 더 포함하는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 (c) 단계는,
상기 메인 서버가 상기 날씨 데이터를 미리 지정된 기간동안의 최대 날씨값 및 최소 날씨값을 이용하여 최소최대스케일링(Min Max Scaling)하여 상기 날씨 데이터를 스케일링하는 단계를 더 포함하는, 메타 학습을 이용한 발전량 예측 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 날씨-발전량 입력 시퀀스를 구성하는 각각의 요소 데이터는, 특정 시점의 상기 날씨 스케일링 데이터 및 상기 특정 시점에서 상기 제2 과거 기간과 상기 제1 과거 기간의 차이만큼 과거로 이동된(shifted) 상기 발전량 스케일링 데이터의 결합에 의하여 생성되는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 (e) 단계 후에, 상기 메인 서버가 상기 발전량 출력 시퀀스의 각 데이터에 상기 하나 이상의 발전소 각각의 용량을 곱하여 상기 하나 이상의 발전소 각각의 발전량을 획득하는 단계를 더 포함하는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 메인 서버는, 상기 발전량 예측 모델을 학습하는 경우, 상기 예측 기간에 대응되는 날씨 스케일링 데이터로서 과거 날씨 데이터에 의한 날씨 스케일링 데이터를 이용하고,
상기 메인 서버는, 상기 발전량 예측 모델로 발전량을 예측하는 경우, 상기 예측 기간에 대응되는 날씨 스케일링 데이터로서 날씨 예보에 의한 상기 날씨 스케일링 데이터를 이용하는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 복수의 날씨 데이터는 기온 데이터, 습도 데이터, 운량 데이터, 풍속 데이터, 풍향 데이터, 강수량 데이터, 설량 데이터 중 적어도 하나를 포함하는, 메타 학습을 이용한 발전량 예측 방법. - 삭제
- 제1항에 있어서,
상기 (e) 단계에서,
상기 메인 서버는 상기 제1 요소 데이터보다 미래의 요소 데이터보다 과거의 요소 데이터에 더 큰 가중치를 부여하는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 (e) 단계에서,
상기 메인 서버는 상기 복수의 요소 데이터의 가중치는 상기 제1 요소 데이터와 인접할수록 비례적으로 증가하는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 (e) 단계에서,
상기 메인 서버는 상기 복수의 요소 데이터의 가중치는 상기 제1 요소 데이터와 인접할수록 지수함수에 대응하여 증가하는, 메타 학습을 이용한 발전량 예측 방법. - 제1항에 있어서,
상기 (e) 단계에서,
상기 메인 서버는 상기 복수의 요소 데이터의 가중치는 상기 제1 요소 데이터와 인접할수록 로그함수에 대응하여 증가하는, 메타 학습을 이용한 발전량 예측 방법. - 하나 이상의 발전소 서버, 기상청 및 날씨 센서 중 적어도 하나로부터 상기 하나 이상의 발전소의 발전량 데이터 및 날씨 데이터를 수신하도록 구성된 통신부;
상기 발전량 데이터 및 상기 날씨 데이터를 저장하도록 구성된 저장부; 및
상기 하나 이상의 발전소 각각의 용량을 이용하여 상기 발전량 데이터를 스케일링하고, 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 상기 날씨 데이터를 스케일링하고, 연속되는 제1 과거 기간과 예측 기간에 대응되는 날씨 스케일링 데이터, 및 상기 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스를 생성하며, 상기 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 상기 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하도록 구성된 프로세서를 포함하며,
상기 날씨-발전량 입력 시퀀스를 구성하는 각각의 요소 데이터는, 특정 시점의 상기 날씨 스케일링 데이터와 상기 특정 시점보다 과거 시점의 상기 발전량 스케일링 데이터의 결합에 의하여 생성되고,
상기 제2 과거 기간의 길이는 상기 제1 과거 기간과 상기 예측 기간의 합과 동일하고, 상기 제2 과거 기간의 종점은 상기 예측 기간의 시점과 동일하고,
상기 날씨 데이터는 종류가 서로 다른 복수의 날씨 데이터이고,
상기 프로세서는,
상기 발전량 출력 시퀀스를 획득함에 있어, 상기 날씨-발전량 입력 시퀀스에 대하여 상기 예측 기간의 시점의 날씨 스케일링 데이터를 포함하는 제1 요소 데이터와 인접한 요소 데이터일수록 더 큰 가중치를 부여하여 상기 발전량 출력 시퀀스를 획득하며,
상기 예측 기간의 시점에서의 상기 복수의 날씨 데이터 각각을 복수의 기준 데이터로 생성하고, 상기 복수의 기준 데이터를 중심으로 상기 복수의 날씨 데이터 각각에 대한 복수의 기준 범위를 생성하고, 상기 복수의 날씨 데이터에 대하여 상기 복수의 기준 범위에 해당되는 모든 과거 기간을 추출하고, 상기 복수의 날씨 데이터 각각에 대한 상기 모든 과거 기간에 대하여 복수의 최대 과거 시점을 생성하고, 상기 복수의 최대 과거 시점의 평균값을 산출하고, 산출된 상기 평균값을 상기 미리 지정된 기간의 시점으로 설정하는, 메타 학습을 이용한 발전량 예측 장치. - 발전량 데이터 및 날씨 데이터 중 적어도 하나를 생성하는 하나 이상 발전소 서버; 및
메타 학습을 이용한 발전량 예측 장치를 포함하고,
상기 발전량 예측 장치는,
상기 하나 이상의 발전소 서버, 기상청 및 날씨 센서 중 적어도 하나로부터 상기 발전량 데이터 및 상기 날씨 데이터를 수신하도록 구성된 통신부;
상기 발전량 데이터 및 상기 날씨 데이터를 저장하도록 구성된 저장부; 및
상기 하나 이상의 발전소 각각의 용량을 이용하여 상기 발전량 데이터를 스케일링하고, 미리 지정된 기간 동안의 최대 날씨값 및 최소 날씨값을 이용하여 상기 날씨 데이터를 스케일링하고, 연속되는 제1 과거 기간과 예측 기간에 대응되는 날씨 스케일링 데이터, 및 상기 제1 과거 기간보다 긴 제2 과거 기간에 대응되는 발전량 스케일링 데이터를 이용하여 날씨-발전량 입력 시퀀스를 생성하며, 상기 날씨-발전량 입력 시퀀스를 발전량 예측 모델에 입력하여 상기 예측 기간에 대응되는 발전량 출력 시퀀스를 획득하도록 구성된 프로세서를 포함하며,
상기 날씨-발전량 입력 시퀀스를 구성하는 각각의 요소 데이터는, 특정 시점의 상기 날씨 스케일링 데이터와 상기 특정 시점보다 과거 시점의 상기 발전량 스케일링 데이터의 결합에 의하여 생성되고,
상기 제2 과거 기간의 길이는 상기 제1 과거 기간과 상기 예측 기간의 합과 동일하고, 상기 제2 과거 기간의 종점은 상기 예측 기간의 시점과 동일하고,
상기 날씨 데이터는 종류가 서로 다른 복수의 날씨 데이터이고,
상기 프로세서는,
상기 발전량 출력 시퀀스를 획득함에 있어, 상기 날씨-발전량 입력 시퀀스에 대하여 상기 예측 기간의 시점의 날씨 스케일링 데이터를 포함하는 제1 요소 데이터와 인접한 요소 데이터일수록 더 큰 가중치를 부여하여 상기 발전량 출력 시퀀스를 획득하며,
상기 예측 기간의 시점에서의 상기 복수의 날씨 데이터 각각을 복수의 기준 데이터로 생성하고, 상기 복수의 기준 데이터를 중심으로 상기 복수의 날씨 데이터 각각에 대한 복수의 기준 범위를 생성하고, 상기 복수의 날씨 데이터에 대하여 상기 복수의 기준 범위에 해당되는 모든 과거 기간을 추출하고, 상기 복수의 날씨 데이터 각각에 대한 상기 모든 과거 기간에 대하여 복수의 최대 과거 시점을 생성하고, 상기 복수의 최대 과거 시점의 평균값을 산출하고, 산출된 상기 평균값을 상기 미리 지정된 기간의 시점으로 설정하는, 메타 학습을 이용한 발전량 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230135140A KR102642404B1 (ko) | 2023-10-11 | 2023-10-11 | 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230135140A KR102642404B1 (ko) | 2023-10-11 | 2023-10-11 | 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102642404B1 true KR102642404B1 (ko) | 2024-02-29 |
| KR102642404B9 KR102642404B9 (ko) | 2024-09-19 |
Family
ID=90041274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230135140A KR102642404B1 (ko) | 2023-10-11 | 2023-10-11 | 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102642404B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016194478A (ja) * | 2015-04-01 | 2016-11-17 | 株式会社Ｎｔｔファシリティーズ | 気象データ推定方法および発電量推定方法 |
| KR20200003490A (ko) * | 2018-07-02 | 2020-01-10 | 주식회사 어니언소프트웨어 | 신재생 발전설비 모니터링 시스템 |
| KR20210045698A (ko) * | 2019-10-17 | 2021-04-27 | 유병천 | 기상정보를 이용한 태양광발전소의 발전량 예측시스템 및 이를 이용한 발전량 예측방법 |
| KR20230066927A (ko) * | 2021-11-08 | 2023-05-16 | 세종대학교산학협력단 | 발전량 예측 방법 및 장치 |
| KR20230072219A (ko) * | 2021-11-17 | 2023-05-24 | 주식회사 에이치에너지 | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 |
-
2023
- 2023-10-11 KR KR1020230135140A patent/KR102642404B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016194478A (ja) * | 2015-04-01 | 2016-11-17 | 株式会社Ｎｔｔファシリティーズ | 気象データ推定方法および発電量推定方法 |
| KR20200003490A (ko) * | 2018-07-02 | 2020-01-10 | 주식회사 어니언소프트웨어 | 신재생 발전설비 모니터링 시스템 |
| KR20210045698A (ko) * | 2019-10-17 | 2021-04-27 | 유병천 | 기상정보를 이용한 태양광발전소의 발전량 예측시스템 및 이를 이용한 발전량 예측방법 |
| KR20230066927A (ko) * | 2021-11-08 | 2023-05-16 | 세종대학교산학협력단 | 발전량 예측 방법 및 장치 |
| KR20230072219A (ko) * | 2021-11-17 | 2023-05-24 | 주식회사 에이치에너지 | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102642404B9 (ko) | 2024-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11501194B2 (en) | Managing computational workloads of computing apparatuses powered by renewable resources | |
| Saloux et al. | Forecasting district heating demand using machine learning algorithms | |
| Carpinone et al. | Markov chain modeling for very-short-term wind power forecasting | |
| JP5940922B2 (ja) | 自然エネルギー量予測装置 | |
| Nazaré et al. | Wind power forecast using neural networks: Tuning with optimization techniques and error analysis | |
| KR102296309B1 (ko) | 태양광 발전량 예측 장치 및 그 방법 | |
| Guegan et al. | Developing a module for estimating climate warming effects on hydropower pricing in California | |
| US20180248370A1 (en) | Methods and systems for energy use normalization and forecasting | |
| US9536021B1 (en) | System and method for providing a renewable energy network optimization tool | |
| CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
| Moreno et al. | A day-ahead irradiance forecasting strategy for the integration of photovoltaic systems in virtual power plants | |
| JP2019096164A (ja) | 電力市場価格予測装置、電力市場価格予測方法、および電力市場価格予測プログラム | |
| CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
| Scheufele et al. | Combining probabilistic precipitation forecasts from a nowcasting technique with a time‐lagged ensemble | |
| Haguma et al. | Long-term planning of water systems in the context of climate non-stationarity with deterministic and stochastic optimization | |
| CN115358060A (zh) | 一种支持新能源发电功率高精度预测的高效算法框架 | |
| Salfate et al. | Improving wind speed forecasts from the Weather Research and Forecasting model at a wind farm in the semiarid Coquimbo region in central Chile | |
| Vogt et al. | Synthetic Photovoltaic and Wind Power Forecasting Data | |
| KR102642404B1 (ko) | 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템 | |
| CN108876041B (zh) | 基于因果影响网络算法的极地海冰面积预测方法及装置 | |
| WO2023167725A1 (en) | Neural network for model-blended time series forecast | |
| TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
| Hasche et al. | Effects of improved wind forecasts on operational costs in the German electricity system | |
| Sahani et al. | Precise single step and multistep short-term photovoltaic parameters forecasting based on reduced deep convolutional stack autoencoder and minimum variance multikernel random vector functional network | |
| KR20210015168A (ko) | 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |