KR102645221B1 - 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템 - Google Patents
기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템 Download PDFInfo
- Publication number
- KR102645221B1 KR102645221B1 KR1020230125986A KR20230125986A KR102645221B1 KR 102645221 B1 KR102645221 B1 KR 102645221B1 KR 1020230125986 A KR1020230125986 A KR 1020230125986A KR 20230125986 A KR20230125986 A KR 20230125986A KR 102645221 B1 KR102645221 B1 KR 102645221B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- power generation
- solar
- solar radiation
- received
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 76
- 230000007613 environmental effect Effects 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 230000005855 radiation Effects 0.000 claims abstract description 87
- 238000013480 data collection Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000007423 decrease Effects 0.000 claims abstract description 15
- 238000013523 data management Methods 0.000 claims abstract description 7
- 238000009434 installation Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- DELJNDWGTWHHFA-UHFFFAOYSA-N 1-azaniumylpropyl(hydroxy)phosphinate Chemical compound CCC(N)P(O)(O)=O DELJNDWGTWHHFA-UHFFFAOYSA-N 0.000 description 1
- 101710145642 Probable Xaa-Pro aminopeptidase P Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- G01W1/12—Sunshine duration recorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Ecology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 기상 데이터 및 PV 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템에 관한 것으로 더욱 상세하게는 특정 PV 시스템에서의 태양광 발전량 예측에 가장 중요한 요소인 태양광 모듈 온도 및 도달 일사량을 수집한 기상 데이터, 일사량 데이터 및 PV 시스템의 환경 데이터만으로 정확하게 산출 가능한 기상 데이터 및 PV 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템에 관한 것이다.
이를 위해 본 발명은 예측하고자 하는 PV 시스템이 설치된 위치의 기상 데이터 및 해당 PV 시스템의 환경 데이터와, 해당 PV 시스템의 수명에 따른 발전량 저하율을 수집하는 데이터 수집부; 상기 데이터 수집부로부터 수신한 기상 데이터 및 환경 데이터를 기초로 모듈 온도 및 보정 일사량을 산출하는 데이터 처리부; 상기 데이터 처리부로부터 수신한 모듈 온도 및 보정 일사량과, 상기 데이터 수집부로부터 수신한 해당 PV 시스템의 발전량 저하율을 기초로 하여 학습된 인공 지능모델을 통해 발전량 예측 데이터를 생성하는 데이터 예측부; 및 상기 데이터 예측부로부터 수신한 예측 데이터를 저장하고, 외부의 요청에 따라 요청된 예측 데이터를 전송하는 데이터 관리부;를 포함한다.
이를 위해 본 발명은 예측하고자 하는 PV 시스템이 설치된 위치의 기상 데이터 및 해당 PV 시스템의 환경 데이터와, 해당 PV 시스템의 수명에 따른 발전량 저하율을 수집하는 데이터 수집부; 상기 데이터 수집부로부터 수신한 기상 데이터 및 환경 데이터를 기초로 모듈 온도 및 보정 일사량을 산출하는 데이터 처리부; 상기 데이터 처리부로부터 수신한 모듈 온도 및 보정 일사량과, 상기 데이터 수집부로부터 수신한 해당 PV 시스템의 발전량 저하율을 기초로 하여 학습된 인공 지능모델을 통해 발전량 예측 데이터를 생성하는 데이터 예측부; 및 상기 데이터 예측부로부터 수신한 예측 데이터를 저장하고, 외부의 요청에 따라 요청된 예측 데이터를 전송하는 데이터 관리부;를 포함한다.
Description
본 발명은 기상 데이터 및 PV 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템에 관한 것으로 더욱 상세하게는 특정 PV 시스템에서의 태양광 발전량 예측에 가장 중요한 요소인 태양광 모듈 온도 및 도달 일사량을 수집한 기상 데이터, 일사량 데이터 및 PV 시스템의 환경 데이터만으로 정확하게 산출 가능한 기상 데이터 및 PV 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템에 관한 것이다.
태양광 발전은 햇빛을 직류 전기로 바꾸어 전류를 생산하는 발전 방법으로서, 여러 개의 태양 전지들이 붙어있는 태양광 패널을 대규모로 펼쳐 태양광 에너지를 이용하여 전기를 생산하게 된다.
세계적으로 환경오염 및 자원고갈 문제를 해결하기 위하여 신재생 에너지 사업을 활발히 추진하고 있다.
우리나라에서도 환경오염 및 에너지 위기에 대응하려는 배경 하에 태양 에너지를 이용한 태양광 전원의 설치는 매년 증가하고 있으며, 성능향 상을 위한 상태진단 기술 및 발전량 예측기술이 요구되고 있다.
태양광발전 시스템인 PV 시스템은 일사량에 변화에 따라 발전출력의 변동 가능성이 높다. PV 시스템의 비중이 증가함에 따라 태양광 발전 시스템의 발전출력 변동이 전력계통 품질과 신뢰도에 부정적인 영향을 미치고 있다.
전력계통에 연결된 PV 시스템의 규모가 빠르게 증가함에 따라 대규모 PV 시스템의 발전량을 수용하도록 전력계통 운영에 증감발률 제어, LVRT(Low-Voltage Ride Through)기능 확보 및 무효전력 제어와 같은 기술적 요구사항이 필요해진다.
기존의 발전량 예측기술로는 AMPP, FFv, Osterwald's 알고리즘 등이 있지만, 온도, 일사량, 개방전압, 단락전류, 내부 저항, 시리즈 저항 등 많은 파라미터를 고려해야 하고, 동일조건에서 모듈상태에 따라 다르게 출력되는 모듈의 발전량 차이를 고려하기 어렵다.
태양광 모듈의 온도는 기온, 풍속 또는 일사량 등에 의해 한편, 일사량과 일사의 시간 분포는 어떤 지역에서 태양의 고도와 기후, 구름에 따라서 변화된다.
이와 같이 태양광 발전량 예측은 물리적, 경제적 위험 요소를 예방하는데 중요한 역할을 하고 있으며, 태양광 발전량 예측의 정확도에 따라 경제적 측면에서 많은 손익이 변동되기 때문에 다양한 분야에서 발전량 예측에 관한 기술 도입을 확대하고 있다.
태양광 발전량 예측에 사용되는 변수로는 일사량, 일조시간, 온도, 강수량 등의 기상 데이터와 시간 정보를 나타내는 시간 변수 및 PV 시스템의 설치 환경 특성이나 태양광 모듈의 온도 등이 영향을 미친다.
따라서, 보다 정확한 태양광 발전량 예측을 위해 발전량에 영향을 주는 여러 인자들을 종합적으로 고려하여 태양광 발전량 예측이 이루어지는 예측 시스템의 개선이 요구된다.
본 발명은 상기의 문제점을 해결하기 위해 안출된 것으로서 PV 시스템에서의 태양광 발전량 예측에 가장 중요한 요소인 태양광 모듈 온도 및 도달 일사량을 사전에 수집한 기상 데이터, 일사량 데이터 및 PV 시스템의 환경 데이터만으로 정확하게 산출 가능한 기상 데이터 및 PV 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템을 제공함에 그 목적이 있다.
본 발명은 상기의 과제를 해결하기 위해 아래와 같은 특징을 갖는다.
본 발명은 적어도 하나의 위치에 설치된 적어도 하나의 PV 시스템(photovoltaic system)의 태양광 발전량을 예측하기 위한 태양광 발전량 예측 시스템에 있어서, 예측하고자 하는 PV 시스템이 설치된 위치의 기상 데이터 및 해당 PV 시스템의 환경 데이터와, 해당 PV 시스템의 수명에 따른 발전량 저하율을 수집하는 데이터 수집부; 상기 데이터 수집부로부터 수신한 기상 데이터 및 환경 데이터를 기초로 모듈 온도 및 보정 일사량을 산출하는 데이터 처리부; 상기 데이터 처리부로부터 수신한 모듈 온도 및 보정 일사량과, 상기 데이터 수집부로부터 수신한 해당 PV 시스템의 발전량 저하율을 기초로 하여 학습된 인공 지능모델을 통해 발전량 예측 데이터를 생성하는 데이터 예측부; 및 상기 데이터 예측부로부터 수신한 예측 데이터를 저장하고, 외부의 요청에 따라 요청된 예측 데이터를 전송하는 데이터 관리부;를 포함한다.
여기서 상기 기상 데이터는, 해당 PV 시스템이 설치된 위치의 일사량 데이터, 기온 데이터 및 풍속 데이터 중 적어도 하나를 포함하고, 상기 환경 데이터는, 해당 PV 시스템의 설치 날짜 정보 및 설치 유형 정보와, 해당 PV 시스템에 포함된 태양광 모듈의 모델 정보, 태양광 모듈의 방위각 정보와 경사각 정보 및 해당 PV 시스템의 과거 발전량 정보 중 적어도 하나를 포함한다.
또한 상기 데이터 처리부는 보정 일사량 산출 시에, 수신한 일사량 데이터와, 수신한 PV 시스템의 설치 방위각 및 경사각 정보를 기초로 하여 해당 PV 시스템에 도달하는 일사량을 산출한다.
아울러 상기 데이터 처리부는, 상기 보정 일사량 산출 시에, 하기 식(1) 내지 식(3)을 기초로 산출한다.
식(1) 
식(2) 
식(3) 
(여기서, q는 월별 방위각에 따른 상대 일사량이고, p는 월별 경사각에 따른 상대 일사량이며, a, b 및 c는 월별 방위각을 이차 다항식 함수인 상기 식(1)로 정의할 때 커브 피팅(curve_fitting)을 통해 추정된 계수이고, d, e 및 f는 월별 경사각을 이차 다항식 함수인 상기 식(2)로 정의할 때 커브 피팅(curve_fitting)을 통해 추정된 계수이며, CSR은 보정 일사량이고, RSR은 수신한 기상 데이터의 일사량이다.)
또한 상기 데이터 처리부는 모듈 온도를 산출 시에, 수신한 일사량 데이터, 기온 데이터, 풍속 데이터, 수신한 PV 시스템의 설치 유형 정보, 태양광 모듈의 방위각 정보 및 경사각 정보를 기초로 하여 태양광 모듈의 모듈 온도를 산출한다.
이때 상기 데이터 처리부는, 상기 모듈 온도를 하기 식(4)를 통해 산출한다.
식(4) 
(여기서, am 은 경사 보정 변수로 PV 시스템의 설치 유형 정보가 지상형인 경우 29.87 이고, 지붕형인 경우 36.05 이며, bm은 경사 보정 상수이고, kv는 태양광 모듈의 풍속 보정 상수이고, taver는 수신한 태양광 모듈의 설정 범위 내 주변 온도 평균값이고, wref는 기준 풍속 상수이고, waver는 수신한 태양광 모듈의 설정 범위 내 주변 풍속 평균값이며, irr은 기상 데이터의 일사량이다.)
본 발명에 따르면 PV 시스템에서의 태양광 발전량 예측에 가장 중요한 요소인 태양광 모듈 온도 및 도달 일사량을 사전에 수집한 기상 데이터, 일사량 데이터 및 PV 시스템의 환경 데이터만으로 정확하게 산출 가능하여 태양광 발전량 예측의 신뢰도를 향상시키는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 태양광 발전량 예측 시스템의 내부 구성을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따라 월별 경사각에 따른 평균 시뮬레이션 발전량의 도수 분포표를 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따라 월별 방위각에 따른 평균 시뮬레이션 발전량의 도수 분포표를 나타내는 도면이다.
도 4는 본 발명의 일실시예에 따라 월별 경사각에 따른 일사량 보정 커브 피팅 모습을 나타내는 도면이다.
도 5는 본 발명의 일실시예에 따라 월별 방위각에 따른 일사량 보정 커브 피팅 모습을 나타내는 도면이다.
도 6은 도 4를 취합한 월별 경사각에 따른 보정 일사량을 나타내는 도면이다.
도 7은 도 5를 취합한 월별 방위각에 따른 보정 일사량을 나타내는 도면이다.
도 8 및 도 9는 태양광 모듈 타입에 따라 수명 저하 효율을 나타내는 도면이다.
도 10은 본 발명의 일실시예에 따라 데이터 예측부의 데이터 전처리 모습을 나타내는 도면이다.
도 11은 본 발명의 일실시예에 따라 데이터 예측부에서 인공지능 모델을 선정하는 과정을 나타내는 도면이다.
도 12는 본 발명의 일실시예에 따라 데이터 예측부로부터 생성된 예측 데이터의 일예를 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따라 월별 경사각에 따른 평균 시뮬레이션 발전량의 도수 분포표를 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따라 월별 방위각에 따른 평균 시뮬레이션 발전량의 도수 분포표를 나타내는 도면이다.
도 4는 본 발명의 일실시예에 따라 월별 경사각에 따른 일사량 보정 커브 피팅 모습을 나타내는 도면이다.
도 5는 본 발명의 일실시예에 따라 월별 방위각에 따른 일사량 보정 커브 피팅 모습을 나타내는 도면이다.
도 6은 도 4를 취합한 월별 경사각에 따른 보정 일사량을 나타내는 도면이다.
도 7은 도 5를 취합한 월별 방위각에 따른 보정 일사량을 나타내는 도면이다.
도 8 및 도 9는 태양광 모듈 타입에 따라 수명 저하 효율을 나타내는 도면이다.
도 10은 본 발명의 일실시예에 따라 데이터 예측부의 데이터 전처리 모습을 나타내는 도면이다.
도 11은 본 발명의 일실시예에 따라 데이터 예측부에서 인공지능 모델을 선정하는 과정을 나타내는 도면이다.
도 12는 본 발명의 일실시예에 따라 데이터 예측부로부터 생성된 예측 데이터의 일예를 나타내는 도면이다.
첨부한 도면을 참고로 하여 본 발명의 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 도면부호가 사용되었다. 또한 널리 알려져 있는 공지기술의 경우 그 구체적인 설명은 생략한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 태양광 발전량 예측 시스템의 내부 구성을 개략적으로 나타내는 도면이고, 도 2는 본 발명의 일실시예에 따라 월별 경사각에 따른 평균 시뮬레이션 발전량의 도수 분포표를 나타내는 도면이며, 도 3은 본 발명의 일실시예에 따라 월별 방위각에 따른 평균 시뮬레이션 발전량의 도수 분포표를 나타내는 도면이고, 도 4는 본 발명의 일실시예에 따라 월별 경사각에 따른 일사량 보정 커브 피팅 모습을 나타내는 도면이다.
또한 도 5는 본 발명의 일실시예에 따라 월별 방위각에 따른 일사량 보정 커브 피팅 모습을 나타내는 도면이고, 도 6은 도 4를 취합한 월별 경사각에 따른 보정 일사량을 나타내는 도면이며, 도 7은 도 5를 취합한 월별 방위각에 따른 보정 일사량을 나타내는 도면이다.
아울러 도 8 및 도 9는 태양광 모듈 타입에 따라 수명 저하 효율을 나타내는 도면이고, 도 10은 본 발명의 일실시예에 따라 데이터 예측부의 데이터 전처리 모습을 나타내는 도면이며, 도 11은 본 발명의 일실시예에 따라 데이터 예측부에서 인공지능 모델을 선정하는 과정을 나타내는 도면이고, 도 12는 본 발명의 일실시예에 따라 데이터 예측부로부터 생성된 예측 데이터의 일예를 나타내는 도면이다.
도면을 참조하면, 본 발명의 일실시예에 따른 태양광 발전량 예측 시스템(1000)은 크게 예측하고자 하는 PV 시스템이 설치된 위치의 기상 데이터, 해당 PV 시스템의 환경 데이터 및 해당 PV 시스템의 수명에 따른 발전량 저하율을 수집하는 데이터 수집부(100)와, 상기 데이터 수집부로부터 수신한 기상 데이터 및 환경 데이터를 기초로 모듈 온도 및 보정 일사량을 산출하는 데이터 처리부(200)와, 상기 데이터 처리부(200)로부터 수신한 모듈 온도 및 보정 일사량과, 상기 데이터 수집부(100)로부터 수신한 해당 PV 시스템의 발전량 저하율을 기초로 하여 학습된 인공 지능모델을 통해 발전량 예측 데이터를 생성하는 데이터 예측부(300) 및 상기 데이터 예측부(300)로부터 수신한 예측 데이터를 저장하고, 외부의 요청에 따라 요청된 예측 데이터를 전송하는 데이터 관리부(400)로 구성된다.
여기서 상기 데이터 수집부(100)는 예측하고자 하는 PV 시스템이 설치된 위치의 기상 데이터, 해당 PV 시스템의 환경 데이터 및 해당 PV 시스템의 수명에 따른 발전량 저하율을 수집하도록 구비되는데, 이러한 데이터 수집부(100)는 PV 시스템이 설치된 위치의 기상 데이터를 수집하는 기상 데이터 수집부(110)와, 예측하고자 하는 PV 시스템이 설치된 위치의 환경 데이터를 수집하는 환경 데이터 수집부(120) 및 해당 PV 시스템의 수명에 따른 발전량 저하율을 수집하는 발전량 데이터 수집부(130)로 구성된다.
여기서 상기 기상 데이터라 함은 해당 PV 시스템이 설치된 위치의 다양한 기상 관련 데이터로서 본 발명의 일예에 따라 기상 데이터는 일사량 데이터, 기온 데이터 및 풍속 데이터 중 적어도 하나를 포함할 수 있다.
아울러 상기 환경 데이터라 함은 해당 PV 시스템이 설치된 다양한 설치 정보 및 운용 정보를 포함하는데, 본 발명의 일예에 따라 상기 환경 데이터는 해당 PV 시스템이 설치된 설치 날짜 정보와 설치 유형 정보, 해당 PV 시스템에 포함된 태양광 모듈의 모델 정보, 태양광 모듈의 방위각 정보와 경사각 정보 및 해당 PV 시스템의 과거 발전량 정보 중 적어도 하나를 포함할 수 있다.
여기서 상기 설치 유형 정보는 태양광 모듈이 설치되는 유형으로 지상형, 경사 지붕형, 평슬라브형, 곡면형 및 건물일체형 등 다양하며, 이러한 설치 유형에 따라 도달하는 일사량이 달라질 수 있으므로 후술할 보정 일사량 산출 시에 중요한 요소가 될 수 있다.
한편 상기 데이터 처리부(200)는 상기 데이터 수집부(100)로부터 수신한 기상 데이터 및 환경 데이터를 기초로 모듈 온도 및 보정 일사량을 산출하도록 구비되는데, 이러한 데이터 처리부(200)는 기상 데이터 및 환경 데이터를 기초로 태양광 모듈의 모듈 온도를 산출하는 모듈 온도 산출부(210) 및 수신한 기상 데이터 중 일사량 데이터와 환경 데이터를 기초로 태양광 모듈에 실제 도달하는 보정 일사량을 산출하는 일사량 산출부(220)로 구성된다.
본 발명의 일실시예에 따른 모듈 온도 산출부(210) 및 일사량 산출부(220)는 기존 태양광 발전 예측 시스템에서 수신한 기상 데이터 및 환경 데이터를 통해 단순히 모듈 온도 및 도달 일사량을 산출한 것에 반해 실제 태양광 모듈의 온도 및 도달 일사량에 영향을 미치는 다양한 인자를 산출 과정에 포함시켜 보다 정확한 모듈 온도 산출 및 일사량 산출이 이루어지도록 구성된다.
보다 구체적으로 설명하면, 일사량 산출부(220)는 실제 태양광 모듈에 도달하는 보정 일사량 산출 시에, 수신한 일사량 데이터와, 수신한 PV 시스템의 설치 방위각 및 경사각 정보를 기초로 하여 해당 PV 시스템에 도달하는 일사량을 산출한다.
이를 위해 일사량 산출부(220)는, 상기 보정 일사량 산출 시에, 하기 식(1) 내지 식(3)을 기초로 산출한다.
식(1) 
식(2) 
식(3) 
여기서, q는 월별 방위각에 따른 상대 일사량이고, p는 월별 경사각에 따른 상대 일사량이다.
또한 a, b 및 c는 월별 방위각을 이차 다항식 함수인 상기 식(1)로 정의할 때 커브 피팅(curve_fitting)을 통해 추정된 계수이고, d, e 및 f는 월별 경사각을 이차 다항식 함수인 상기 식(2)로 정의할 때 커브 피팅(curve_fitting)을 통해 추정된 계수이다.
상기 커브 피팅 과정을 설명하면, 도 2 및 도 3에서와 같이 해당 PV 시스템이 설치된 지역의 월별 경사각 및 방위각에 따른 일사량 데이터를 수집하고, 도 4 및 도 5에서와 같이 월별 경사각 및 월별 방위각에 따른 일사량 데이터와 커브 피팅을 수행한다.
여기서 상기 식(1)로 표현되는 월별 방위각을 이차 다항식 함수로 나타낼 수 있는데, 여기서의 a, b 및 c는 커브 피팅을 통해 추정할 수 있으며, 또한 식(2)로 표현되는 월별 경사각 또한 전술한 월별 방위각에서와 같이 커브 피팅을 통해 d, e 및 f를 추정할 수 있다.
이에 따라 보정 일사량인 CSR은 수신한 기상 데이터의 일사량인 RSR에 상기 q 및 p를 각각 곱하여 산출된다.
한편 상기 모듈 온도 산출부(210)는 모듈 온도를 산출 시에, 수신한 일사량 데이터, 기온 데이터, 풍속 데이터, 수신한 PV 시스템의 설치 유형 정보, 태양광 모듈의 방위각 정보 및 경사각 정보를 기초로 하여 태양광 모듈의 모듈 온도를 산출한다.
이를 위해 상기 모듈 온도 산출부(210)는 하기 식(4)를 통해 모듈 온도를 산출할 수 있다.
식(4) 
여기서, am 은 경사 보정 변수로 PV 시스템의 설치 유형 정보가 지상형인 경우 29.87 이고, 지붕형인 경우 36.05 이며, bm은 경사 보정 상수이고, kv는 태양광 모듈의 풍속 보정 상수이고, taver는 수신한 태양광 모듈의 설정 범위 내 주변 온도 평균값이고, wref는 기준 풍속 상수이고, waver는 수신한 태양광 모듈의 설정 범위 내 주변 풍속 평균값이며, irr은 기상 데이터의 일사량이다.
이와 같이 본 발명의 일실시예에 따른 모듈 온도 산출부(210) 및 일사량 산출부(220)를 통해 PV 시스템에서의 태양광 발전량 예측에 가장 중요한 요소인 태양광 모듈 온도 및 도달 일사량을 실측치에 보다 가깝게 산출함으로써 발전량 예측의 신뢰도를 보다 향상시킬 수 있게 된다.
이는 기존 발전량 예측 시스템이 기상 데이터 등의 입력 데이터를 인공지능 기반 모델에 입력하여 발전량을 예측함에 따라 실제 발전량과의 많은 오차가 발생되는 문제를 모듈 온도 산출 및 보정 일사량 산출을 위한 물리 모델식을 통해 해결할 수 있게 된다.
한편 상기 데이터 예측부(300)는 상기 데이터 처리부(200)로부터 수신한 모듈 온도 및 보정 일사량과, 상기 데이터 수집부(100)로부터 수신한 해당 PV 시스템의 발전량 저하율을 기초로 하여 학습된 인공 지능모델을 통해 발전량 예측 데이터를 생성하도록 구비되는데, 이러한 데이터 예측부(300)는 미리 학습 데이터를 통해 학습된 인공 지능모델 학습부(310)와, 인공 지능모델 학습부(310)를 통해 결과 데이터를 전달받아 해당 PV 시스템의 발전량 저하율을 기초로 하여 발전량 예측 데이터를 생성하는 예측 데이터 산출부(320)로 구성된다.
여기서 인공 지능모델 학습부(310)는 학습 시 기상 데이터 및 환경 데이터와 월별, 시간별 발전량 측정 데이터를 입력 데이터로 하여 학습시켜 인공 지능모델을 생성하는데 이때 인공 지능모델은 시간을 연속적으로 증가하는 숫자로만 인식하므로 전술한 데이터가 연속성을 가지도록 삼각함수로 이루어진 급수로 전처리를 수행한다.
아울러 인공 지능모델을 학습시에 입력 데이터의 전처리 과정에서 도 10에서와 같이 일사량과 발전량 간 선형 그래프를 생성하고 생성된 선형 그래프에서 설비 용량의 20% 선, -15% 선 그래프를 각각 생성하여 해당 구간에 제외되는 데이터는 제거하여 정상 범위 내 데이터를 입력 데이터로 하여 학습되도록 한다.
또한 수집한 학습 데이터가 설정 기준 보다 적은 경우 일사량, 출력 ±10% 랜덤 값을 제공하여 데이터 증폭을 수행한 후 학습이 이루어지도록 할 수 있다.
아울러 상기 인공 지능모델 학습부(310)는 도 11에서와 같이 인공지능 모델 선정시 데이터와 문제에 따라 성능이 좋은 인공지능 모델을 비교 선택하기 위해 Auto ML 등을 사용하여 가장 성능이 좋은 모델을 선택하도록 구성할 수 있다.
또한 상기 예측 데이터 산출부(320)는 도 8 및 도 9에서와 같이 해당 PV 시스템의 수명에 따른 발전량 저하율과, 모듈 온도 추정값에 따른 발전량 저하율을 기초로 STC 기준 모듈 효율 통합 저하율을 산출하여 상기 인공지능 모델 학습부(310)의 인공지능 모델로부터 수신한 결과 데이터를 재가공할 수 있다.
한편 상기 데이터 관리부(400)는 상기 데이터 예측부(300)로부터 수신한 예측 데이터를 저장하고, 외부의 요청에 따라 요청된 예측 데이터를 전송하도록 구비되는데, 이러한 데이터 관리부(400)는 예측 데이터를 저장하는 데이터 저장부(410) 및 외부의 요청에 따라 예측 데이터를 전송하고, 전송 기록을 저장하는 데이터 전송부(420)로 구성될 수 있다.
이상에서 본 발명의 바람직한 실시 예에 대하여 설명하였으나, 본 발명은 상술한 특정의 실시 예에 한정되지 아니한다. 즉, 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자라면 첨부된 특허청구범위의 사상 및 범주를 일탈함이 없이 본 발명에 대한 다수의 변경 및 수정이 가능하며, 그러한 모든 적절한 변경 및 수정은 균등물들로 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
100 : 데이터 수집부
110 : 기상 데이터 수집부 120 : 환경 데이터 수집부
130 : 발전량 데이터 수집부
200 : 데이터 처리부
210 : 모듈 온도 산출부 220 : 일사량 산출부
300 : 데이터 예측부
310 : 인공 지능모델 학습부 320 : 예측 데이터 산출부
400 : 데이터 관리부
410 : 데이터 저장부 420 : 데이터 전송부
1000 : 태양광 발전량 예측 시스템
110 : 기상 데이터 수집부 120 : 환경 데이터 수집부
130 : 발전량 데이터 수집부
200 : 데이터 처리부
210 : 모듈 온도 산출부 220 : 일사량 산출부
300 : 데이터 예측부
310 : 인공 지능모델 학습부 320 : 예측 데이터 산출부
400 : 데이터 관리부
410 : 데이터 저장부 420 : 데이터 전송부
1000 : 태양광 발전량 예측 시스템
Claims (6)
- 적어도 하나의 위치에 설치된 적어도 하나의 PV 시스템(photovoltaic system)의 태양광 발전량을 예측하기 위한 태양광 발전량 예측 시스템에 있어서,
예측하고자 하는 PV 시스템이 설치된 위치의 기상 데이터 및 해당 PV 시스템의 환경 데이터와, 해당 PV 시스템의 수명에 따른 발전량 저하율을 수집하는 데이터 수집부;
상기 데이터 수집부로부터 수신한 기상 데이터 및 환경 데이터를 기초로 모듈 온도 및 보정 일사량을 산출하는 데이터 처리부;
상기 데이터 처리부로부터 수신한 모듈 온도 및 보정 일사량과, 상기 데이터 수집부로부터 수신한 해당 PV 시스템의 발전량 저하율을 기초로 하여 학습된 인공 지능모델을 통해 발전량 예측 데이터를 생성하는 데이터 예측부; 및
상기 데이터 예측부로부터 수신한 예측 데이터를 저장하고, 외부의 요청에 따라 요청된 예측 데이터를 전송하는 데이터 관리부;를 포함하되,
상기 기상 데이터는,
해당 PV 시스템이 설치된 위치의 일사량 데이터, 기온 데이터 및 풍속 데이터 중 적어도 하나를 포함하고,
상기 환경 데이터는,
해당 PV 시스템의 설치 날짜 정보 및 설치 유형 정보와, 해당 PV 시스템에 포함된 태양광 모듈의 모델 정보, 태양광 모듈의 방위각 정보와 경사각 정보 및 해당 PV 시스템의 과거 발전량 정보 중 적어도 하나를 포함하고,
상기 데이터 처리부는 모듈 온도를 산출 시에,
수신한 일사량 데이터, 기온 데이터, 풍속 데이터, 수신한 PV 시스템의 설치 유형 정보, 태양광 모듈의 방위각 정보 및 경사각 정보를 기초로 하여 태양광 모듈의 모듈 온도를 산출하고,
상기 데이터 처리부는,
상기 모듈 온도를 하기 식(4)를 통해 산출하는,
인공 지능 기반의 태양광 발전량 예측 시스템.
식(4)
(여기서, am 은 경사 보정 변수로 PV 시스템의 설치 유형 정보가 지상형인 경우 29.87 이고, 지붕형인 경우 36.05 이며, bm은 경사 보정 상수이고, kv는 태양광 모듈의 풍속 보정 상수이고, taver는 수신한 태양광 모듈의 설정 범위 내 주변 온도 평균값이고, wref는 기준 풍속 상수이고, waver는 수신한 태양광 모듈의 설정 범위 내 주변 풍속 평균값이며, irr은 기상 데이터의 일사량이다.)
- 삭제
- 제1항에 있어서,
상기 데이터 처리부는 보정 일사량 산출 시에,
수신한 일사량 데이터와, 수신한 PV 시스템의 설치 방위각 및 경사각 정보를 기초로 하여 해당 PV 시스템에 도달하는 일사량을 산출하는,
인공 지능 기반의 태양광 발전량 예측 시스템.
- 제3항에 있어서,
상기 데이터 처리부는,
상기 보정 일사량 산출 시에,
하기 식(1) 내지 식(3)을 기초로 산출하는,
인공 지능 기반의 태양광 발전량 예측 시스템.
식(1)
식(2)
식(3)
(여기서, q는 월별 방위각에 따른 상대 일사량이고, p는 월별 경사각에 따른 상대 일사량이며, a, b 및 c는 월별 방위각을 이차 다항식 함수인 상기 식(1)로 정의할 때 커브 피팅(curve_fitting)을 통해 추정된 계수이고, d, e 및 f는 월별 경사각을 이차 다항식 함수인 상기 식(2)로 정의할 때 커브 피팅(curve_fitting)을 통해 추정된 계수이며, CSR은 보정 일사량이고, RSR은 수신한 기상 데이터의 일사량이다.)
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230125986A KR102645221B1 (ko) | 2023-09-21 | 2023-09-21 | 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230125986A KR102645221B1 (ko) | 2023-09-21 | 2023-09-21 | 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102645221B1 true KR102645221B1 (ko) | 2024-03-08 |
Family
ID=90235788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230125986A KR102645221B1 (ko) | 2023-09-21 | 2023-09-21 | 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102645221B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057821A (ko) * | 2018-11-13 | 2020-05-27 | 주식회사 에코시안 | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 |
| KR20220072961A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 |
| KR20230076695A (ko) | 2021-11-24 | 2023-05-31 | 고려대학교 산학협력단 | 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 |
-
2023
- 2023-09-21 KR KR1020230125986A patent/KR102645221B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057821A (ko) * | 2018-11-13 | 2020-05-27 | 주식회사 에코시안 | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 |
| KR20220072961A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 |
| KR20230076695A (ko) | 2021-11-24 | 2023-05-31 | 고려대학교 산학협력단 | 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sundaram et al. | Performance evaluation and validation of 5 MWp grid connected solar photovoltaic plant in South India | |
| Yang et al. | Optimal sizing method for stand-alone hybrid solar–wind system with LPSP technology by using genetic algorithm | |
| Yang et al. | A novel optimization sizing model for hybrid solar-wind power generation system | |
| KR102338515B1 (ko) | 인공지능 기반 태양광 발전량 예측 시스템 | |
| Verma et al. | Data analysis to generate models based on neural network and regression for solar power generation forecasting | |
| Yang et al. | A novel ARX-based multi-scale spatio-temporal solar power forecast model | |
| CN105335560A (zh) | 光伏发电功率波动性及其自动发电控制备用需求计算方法 | |
| KR102488667B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 | |
| KR102488669B1 (ko) | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 | |
| Kam et al. | Comparative Weibull distribution methods for reliable global solar irradiance assessment in France areas | |
| Lurwan et al. | Predicting power output of photovoltaic systems with solar radiation model | |
| Fentis et al. | Short-term pv power forecasting using support vector regression and local monitoring data | |
| Acuzar et al. | Effects of weather and climate on renewable energy resources in a distributed generation system simulated in Visayas, Philippines | |
| Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
| Kanchana et al. | PV Power Forecasting with Holt-Winters Method | |
| KR102488668B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 | |
| US20220352714A1 (en) | System for estimating renewable energy generation quantity in real-time | |
| KR102645221B1 (ko) | 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템 | |
| Bálint et al. | Model-based power generation estimation of solar panels using weather forecast for microgrid application | |
| Agarwal et al. | PV Output forecasting based on weather classification, SVM and ANN | |
| Oliveira et al. | A comparison of photovoltaic models for estimating power generation: a case study of Brazilian data | |
| Solanki et al. | Solar Energy Prediction using Meteorological Variables | |
| KR20180023078A (ko) | 기상정보를 이용한 태양광 발전량 예측방법 | |
| Sanewal et al. | Solar Power Prediction in North India Using Different Regression Models | |
| Sanna et al. | Energy performance of concentrator and flat plate photovoltaics in the mediterranean area |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |