KR102661899B1 - Apparatus and method for predicting generation amount of renewable energy - Google Patents
Apparatus and method for predicting generation amount of renewable energy Download PDFInfo
- Publication number
- KR102661899B1 KR102661899B1 KR1020220179530A KR20220179530A KR102661899B1 KR 102661899 B1 KR102661899 B1 KR 102661899B1 KR 1020220179530 A KR1020220179530 A KR 1020220179530A KR 20220179530 A KR20220179530 A KR 20220179530A KR 102661899 B1 KR102661899 B1 KR 102661899B1
- Authority
- KR
- South Korea
- Prior art keywords
- power generation
- data
- renewable energy
- energy power
- equation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 49
- 238000010248 power generation Methods 0.000 claims abstract description 198
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000013480 data collection Methods 0.000 claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 23
- 238000000547 structure data Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000005562 fading Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 6
- 230000006866 deterioration Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
-
- 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
- Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
- Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명에 따른 신재생에너지 발전량 예측 장치는, 복수 개의 예측 대상 신재생에너지 발전 플랜트의 발전량 예측을 위한 센서 데이터 수집을 위해 기계 학습된 링크 스케줄링 알고리즘을 이용하여 센서 노드의 링크 스케줄링 데이터를 생성하는 링크 스케줄링부; 상기 링크 스케줄링부에서 출력된 링크 스케줄링 데이터를 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 센서 데이터를 수집하는 데이터 수집부; 및 상기 데이터 수집부에서 수집한 센서 데이터를 수신하고, 기계 학습된 발전량 예측 알고리즘을 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 발전량을 예측하는 발전량 예측부;를 포함한다.The renewable energy power generation prediction device according to the present invention is a link that generates link scheduling data of sensor nodes using a machine-learned link scheduling algorithm to collect sensor data for predicting power generation of a plurality of prediction target renewable energy power generation plants. Scheduling Department; a data collection unit that collects sensor data from sensor nodes of the prediction target renewable energy power generation plant using link scheduling data output from the link scheduling unit; and a power generation prediction unit that receives the sensor data collected by the data collection unit and predicts the power generation of the prediction target renewable energy power generation plant using a machine-learned power generation prediction algorithm.
Description
본 발명은 신재생에너지 발전량 예측 장치 및 방법에 관한 것으로, 무선 센서 네트워크의 링크 충돌을 최소화하고, 네트워크 자원의 효율성 향상 시킬 수 있어 발전량 예측 정확도가 높고 신뢰성이 우수한 신재생에너지 발전량 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting new and renewable energy power generation, and is capable of minimizing link collisions in wireless sensor networks and improving the efficiency of network resources, thereby providing a new and renewable energy power generation prediction device and method with high power generation prediction accuracy and excellent reliability. It's about.
일반적으로 태양광 발전 및 풍력 발전은 어느 곳에나 존재하는 무공해, 무한정의 바람과 태양광을 이용하기 때문에 환경에 미치는 악영향이 거의 없고 국토의 효율적인 이용이 가능한 신재생에너지 발전기술로서, 온실가스에 대한 전세계적인 배출규제가 구체화되면서 선진국을 중심으로 이미 많은 국가에서 경쟁적으로 이산화탄소 배출량 저감을 위한 노력의 일환으로 경쟁적으로 신재생에너지 발전설비를 보급하고 있다.In general, solar power generation and wind power generation are new and renewable energy generation technologies that have little negative impact on the environment and enable efficient use of the land because they use pollution-free, infinite wind and solar power that exists everywhere. As global emissions regulations take shape, many countries, especially developed countries, are already competitively distributing new and renewable energy power generation facilities as part of their efforts to reduce carbon dioxide emissions.
상기와 같은 태양광 및 풍력 발전은 기상 의존도가 높아 발전 계획이 어렵고 자체적인 출력량 조정에 한계가 있어 안정적인 전력 수급에 어려움이 있기 때문에 안정적인 계통 운영을 위해 재생에너지 발전량 예측에 대한 중요성이 더욱 증가하고 있으며, 태양광과 풍력 발전량의 예측 정확도를 향상시킬 수 있는 다양한 방법이 연구 개발되고 있다.As solar and wind power generation as described above is highly dependent on weather, it is difficult to plan power generation and has limitations in adjusting its own output amount, making stable power supply and demand difficult. Therefore, the importance of predicting renewable energy power generation for stable system operation is increasing. , Various methods that can improve the prediction accuracy of solar and wind power generation are being researched and developed.
일반적으로 신재생에너지의 발전량은 시계열 데이터를 이용해 예측하며, 복수 개의 플랜트에 설치되는 센서가 형성하는 무선 센서 네트워크로부터 센서 데이터를 수집 받아 발전량을 예측하도록 하고 있다.In general, the amount of power generation from renewable energy is predicted using time series data, and sensor data is collected from a wireless sensor network formed by sensors installed in multiple plants to predict the amount of power generation.
시계열 데이터를 활용한 기존의 예측 방법에서는 통계적 접근과 인공지능 기반 방법 등이 존재하나 발전량 예측 데이터를 기반으로 전력 시스템의 운용 효율성을 보다 높이기 위해서는 데이터 예측 정확도가 높아야 한다.In existing prediction methods using time series data, there are statistical approaches and artificial intelligence-based methods, but in order to further increase the operation efficiency of the power system based on power generation prediction data, data prediction accuracy must be high.
상기와 같은 기존의 예측 방법에서는 무선 센서 네트워크의 결함 및 채널의 빠른 페이딩 등이 발생되면, 네트워크의 신뢰성과 안정성이 저하될 수 있으며, 이외에도 데이터 전송 지연, 패킷 손실 등으로 인해 시스템 불안정이 발생될 우려가 있어 무선 센서 네트워크의 링크 충돌을 최소화하고, 네트워크 자원의 효율성 향상시킬 필요성이 있다. In the existing prediction method described above, if defects in the wireless sensor network or rapid fading of the channel occur, the reliability and stability of the network may deteriorate, and there is also concern that system instability may occur due to data transmission delay, packet loss, etc. There is a need to minimize link collisions in wireless sensor networks and improve the efficiency of network resources.
하지만, 기존에는 무선 센서 네트워크에서의 데이터 통신 알고리즘과 신재생 에너지 발전량 예측에 대한 내용을 통합적으로 다루는 연구는 미흡하여 이를 보완하여 발전량 데이터의 예측 정확도를 보다 향상시킬 수 있도록 하는 방법 및 장치에 대한 연구가 필요하다.However, existing research that comprehensively deals with data communication algorithms in wireless sensor networks and renewable energy power generation prediction is insufficient, so research on methods and devices to supplement this and improve the prediction accuracy of power generation data is conducted. is needed.
일 실시예에 따르면, 무선 센서 네트워크의 링크 충돌을 최소화하고, 네트워크 자원의 효율성 향상시킬 수 있는 링크 스케줄링 알고리즘(link scheduling algorithm)과 발전량 예측을 위해 커널 재귀 최소 제곱 알고리즘(kernel recursive least-squares algorithm, KRLS algorithm)을 적용하여 발전량 예측 정확도와 신뢰성을 향상시킬 수 있는 신재생에너지 발전량 예측 장치 및 방법에 관한 기술 내용을 제공하고자 하는 것이다. According to one embodiment, a link scheduling algorithm that can minimize link collisions in a wireless sensor network and improve the efficiency of network resources and a kernel recursive least-squares algorithm for predicting power generation are used. The purpose is to provide technical details on a new and renewable energy power generation prediction device and method that can improve power generation prediction accuracy and reliability by applying the KRLS algorithm.
실시예에 따른 신재생에너지 발전량 예측 장치는 복수 개의 예측 대상 신재생에너지 발전 플랜트의 발전량 예측을 위한 센서 데이터 수집을 위해 기계 학습된 링크 스케줄링 알고리즘을 이용하여 센서 노드의 링크 스케줄링 데이터를 생성하는 링크 스케줄링부; 상기 링크 스케줄링부에서 출력된 링크 스케줄링 데이터를 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 센서 데이터를 수집하는 데이터 수집부; 및 상기 데이터 수집부에서 수집한 센서 데이터를 수신하고, 기계 학습된 발전량 예측 알고리즘을 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 발전량을 예측하는 발전량 예측부;를 포함한다.The renewable energy power generation prediction device according to the embodiment is a link scheduling system that generates link scheduling data of sensor nodes using a machine-learned link scheduling algorithm to collect sensor data for predicting the power generation of a plurality of prediction target renewable energy power generation plants. wealth; a data collection unit that collects sensor data from sensor nodes of the prediction target renewable energy power generation plant using link scheduling data output from the link scheduling unit; and a power generation prediction unit that receives the sensor data collected by the data collection unit and predicts the power generation of the prediction target renewable energy power generation plant using a machine-learned power generation prediction algorithm.
실시예에 따른 신재생에너지 발전량 예측 방법은, 신재생에너지 발전 플랜트의 발전량 예측을 위한 센서 데이터 수집을 위해 기계 학습된 링크 스케줄링 알고리즘을 이용하여 센서 노드의 링크 스케줄링 데이터를 생성하는 링크 스케줄링 단계; 링크 스케줄링부에서 출력된 링크 스케줄링 데이터를 이용하여 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 센서 데이터를 수집하는 데이터 수집 단계; 및 데이터 수집부에서 수집한 센서 데이터를 수신하고, 기계 학습된 신재생에너지 발전량 예측 알고리즘을 이용하여 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 신재생에너지 발전량을 예측하는 발전량 예측 단계;를 포함할 수 있다. A method for predicting the amount of power generation from renewable energy according to an embodiment includes a link scheduling step of generating link scheduling data of a sensor node using a machine-learned link scheduling algorithm to collect sensor data for predicting the amount of power generation of a renewable energy power plant; A data collection step of collecting sensor data from a sensor node of a renewable energy power generation plant subject to power generation prediction using link scheduling data output from the link scheduling unit; And a power generation prediction step of receiving the sensor data collected by the data collection unit and predicting the renewable energy power generation amount of the renewable energy power generation plant subject to the power generation prediction using a machine-learned renewable energy power generation prediction algorithm. there is.
실시예에 따른 신재생에너지 발전량 예측 장치 및 방법은, 센서 노드의 속성에 기반한 링크 스케줄링 알고리즘(link scheduling algorithm)을 적용하여 복수 개의 플랜트에서 생성된 센서 데이터를 효율적으로 전송하도록 하고, 커널 재귀 최소제곱 알고리즘(kernel recursive least-squares algorithm, KRLS algorithm)을 적용하여 신재생에너지의 정확한 발전량 예측이 가능하다.An apparatus and method for predicting renewable energy power generation according to an embodiment efficiently transmits sensor data generated from a plurality of plants by applying a link scheduling algorithm based on the properties of sensor nodes, and kernel recursive least squares By applying the algorithm (kernel recursive least-squares algorithm, KRLS algorithm), it is possible to accurately predict the power generation of new and renewable energy.
특히, 실시예에 따른 신재생에너지 발전량 예측 장치 및 방법은, 링크 스케줄링 알고리즘을 적용하여 데이터 전송 지연 및 패킷 손실 문제 등으로 인한 시스템 불안정성과 예측 결과의 신뢰성과 저하를 방지할 수 있다. In particular, the apparatus and method for predicting renewable energy power generation according to the embodiment can prevent system instability and reliability and deterioration of prediction results due to data transmission delay and packet loss problems by applying a link scheduling algorithm.
또한, 실시예에 따른 신재생에너지 발전량 예측 장치 및 방법은, 링크 품질이 낮거나 배터리가 소모되어 무선 센서 네트워크(WSN)의 센서 노드에 장애가 발생하는 경우에도 채택된 링크 스케줄링이 6TiSCH 무선 네트워크를 재구성하고 대체 노드로 네트워크를 유지할 수 있어 데이터 전송 지연 및 패킷 손실 문제를 방지할 수 있으며, 이에 따라 시스템 불안정성과 예측 결과의 신뢰성과 저하를 방지할 수 있다. In addition, the apparatus and method for predicting renewable energy power generation according to the embodiment allows the adopted link scheduling to reconfigure the 6TiSCH wireless network even when a sensor node of a wireless sensor network (WSN) fails due to low link quality or battery exhaustion. By maintaining the network with alternative nodes, data transmission delays and packet loss problems can be prevented, thereby preventing system instability and deterioration of the reliability of prediction results.
도 1은 실시예에 따른 신재생에너지 발전량 예측 장치를 나타낸 구성도이다.
도 2는 실시예에 따른 신재생에너지 발전량 예측 장치에서 링크 스케줄링 모듈을 나타낸 구성도이다.
도 3은 실시예에 따른 신재생에너지 발전량 예측 방법을 나타낸 공정도이다.
도 4는 실시예에 따른 신재생에너지 발전량 예측 방법에서 링크 스케줄링 단계를 나타낸 공정도이다.
도 5는 실시예에 따른 신재생에너지 발전량 예측 방법에서 발전량 예측 단계를 나타낸 공정도이다.
도 6은 신재생에너지 발전량 예측 방법에서 활용하는 신재생에너지 발전량 예측 모델인 KRLS 알고리즘을 나타낸 개념도이다.
도 7은 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 40개의 센서 노드로 구성된 트리 구조의 6TiSCH 네트워크를 나타낸 개념도이다.
도 8은 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 6TiSCH 네트워크의 트리 토폴로지 구조를 나타난 예시도이다.
도 9는 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 6TiSCH 네트워크에서 링크 스케줄링을 위한 채널 오프셋을 나타난 예시도이다.
도 10은 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 6TiSCH 네트워크를 구성하는 타임 슬롯을 나타낸 예시도이다.
도 11은 실시예의 알고리즘(proposed), 우선순위가 있는 DeAMON 알고리즘 및 DeAMON 알고리즘의 (a) 필요 타임슬롯을 평가하기 위한 셀 사용량 평가 결과, (b) 패킷 운반률(Packet Delivery Ratio, PDR)별 링크 성공 확률(link success probability, LSP)과 (c) 가우시안 프로세스 회귀(GPR), 선형 회귀 모델(LRM), 서포트 벡터 머신(SVM), 트리 회귀(TR), 신경망(NN)과 장단기 네트워크(LSTM) 및 실시예(proposed)를 활용한 경우 링크 성공 확률(link success probability, LSP)에 따른 패킷 전달 비율(Packet Delivery Ratio, PDR)과 데이터 예측 정확도 성능(RMSE)를 평가한 결과이다. Figure 1 is a configuration diagram showing a device for predicting new and renewable energy power generation according to an embodiment.
Figure 2 is a configuration diagram showing a link scheduling module in a renewable energy power generation prediction device according to an embodiment.
Figure 3 is a process diagram showing a method for predicting new and renewable energy power generation according to an embodiment.
Figure 4 is a process diagram showing the link scheduling step in the method for predicting renewable energy generation amount according to an embodiment.
Figure 5 is a process diagram showing the power generation prediction steps in the renewable energy power generation prediction method according to an embodiment.
Figure 6 is a conceptual diagram showing the KRLS algorithm, a new and renewable energy power generation prediction model used in the renewable energy power generation prediction method.
Figure 7 is a conceptual diagram showing a tree-structured 6TiSCH network composed of 40 sensor nodes to explain a renewable energy power generation prediction device according to an embodiment.
Figure 8 is an example diagram showing the tree topology structure of a 6TiSCH network to explain a renewable energy power generation prediction device according to an embodiment.
Figure 9 is an example diagram showing channel offset for link scheduling in a 6TiSCH network to explain a renewable energy power generation prediction device according to an embodiment.
Figure 10 is an example diagram showing time slots constituting a 6TiSCH network to explain a renewable energy power generation prediction device according to an embodiment.
Figure 11 shows the algorithm (proposed) of the embodiment, the DeAMON algorithm with priority, and (a) the cell usage evaluation result for evaluating the required timeslot of the DeAMON algorithm, (b) the link by packet delivery ratio (PDR) Link success probability (LSP) and (c) Gaussian process regression (GPR), linear regression model (LRM), support vector machine (SVM), tree regression (TR), neural network (NN), and long short term network (LSTM). This is the result of evaluating the Packet Delivery Ratio (PDR) and data prediction accuracy performance (RMSE) according to the link success probability (LSP) when using the proposed embodiment.
도 1은 실시예에 따른 신재생에너지 발전량 예측 장치를 나타낸 구성도이다.Figure 1 is a configuration diagram showing a device for predicting new and renewable energy power generation according to an embodiment.
도 1을 참조하면, 실시예에 따른 신재생에너지 발전량 예측 장치는, 링크 스케줄링부(100), 데이터 수집부(200) 및 발전량 예측부(300)를 포함하는 구조를 갖는다.Referring to FIG. 1, a renewable energy power generation prediction device according to an embodiment has a structure including a link scheduling unit 100, a data collection unit 200, and a power generation prediction unit 300.
상기 신재생에너지 발전 플랜트(10)는 태양광 발전 플랜트, 태양열 발전 플랜트, 풍력 발전 플랜트, 조력 발전 플랜트, 파력 발전 플랜트, 조류 발전 플랜트 등과 같이 신재생에너지를 생산하기 위해 사용되는 통상적인 다양한 구조의 발전 플랜트를 의미하는 것이다. The renewable energy power generation plant 10 is a typical structure used to produce new renewable energy, such as a solar power plant, a solar power plant, a wind power plant, a tidal power plant, a wave power plant, and a tidal power plant. This means a power plant.
상기 링크 스케줄링부(100)는 복수 개의 예측 대상 신재생에너지 발전 플랜트(10)의 발전량 예측을 위한 센서 데이터 수집을 위해 기계 학습된 링크 스케줄링 알고리즘을 이용하여 센서 노드의 링크 스케줄링 데이터를 생성하는 역할을 한다. 상기 링크 스케줄링부(100)는, 복수 개의 예측 대상 신재생에너지 발전 플랜트(10)에 설치되며 무선 센서 네트워크를 형성하는 복수 개의 센서 노드의 속성을 고려하여 복수 개의 센서 노드 중 어느 센서 노드에 대한 우선순위를 결정하고, 센서 노드의 우선 순위를 기반으로 센서 데이터를 전송 및 수신받도록 하여 무선 센서 네트워크의 결함과 채널의 빠른 페이딩으로 인해 네트워크의 신뢰성과 안정성 저하를 방지하고, 데이터 전송 지연, 패킷 손실 등을 방지할 수 있도록 한다.The link scheduling unit 100 serves to generate link scheduling data of sensor nodes using a machine-learned link scheduling algorithm to collect sensor data for predicting the power generation of a plurality of prediction target renewable energy power generation plants 10. do. The link scheduling unit 100 is installed in a plurality of prediction target renewable energy power generation plants 10 and determines priority for any sensor node among the plurality of sensor nodes in consideration of the properties of the plurality of sensor nodes forming the wireless sensor network. By determining the ranking and allowing sensor data to be transmitted and received based on the priority of the sensor node, it prevents the reliability and stability of the network from deteriorating due to defects in the wireless sensor network and fast fading of the channel, data transmission delay, packet loss, etc. to prevent it.
이를 위해, 상기 링크 스케줄링부(100)는, 제1 저장 모듈(110) 및 링크 스케줄링 모듈(130)을 포함하는 구조를 가질 수 있다.To this end, the link scheduling unit 100 may have a structure including a first storage module 110 and a link scheduling module 130.
상기 제1 저장 모듈(110)은 상기 복수 개의 예측 대상 신재생에너지 발전 플랜트의 플랜트 구조 데이터를 저장하는 역할을 한다. The first storage module 110 serves to store plant structure data of the plurality of prediction target renewable energy power generation plants.
상기 플랜트 구조 데이터는, 상기 센서 노드의 배치 정보, 전송 전력, 파장, 6TiSCH 네트워크의 주파수 대역 및 레일리 페이딩(Rayleigh fading)의 스케일 매개 변수 중 적어도 어느 하나 이상을 포함할 수 있다. The plant structure data may include at least one of the sensor node placement information, transmission power, wavelength, frequency band of the 6TiSCH network, and scale parameters of Rayleigh fading.
상기 링크 스케줄링 모듈(130)은 제1 저장 모듈(110)에 저장된 상기 플랜트 구조 데이터를 이용하여 링크 스케줄링을 수행하는 역할을 한다. The link scheduling module 130 serves to perform link scheduling using the plant structure data stored in the first storage module 110.
도 2는 실시예에 따른 신재생에너지 발전량 예측 장치에서, 링크 스케줄링 모듈을 나타낸 구성도이다.Figure 2 is a configuration diagram showing a link scheduling module in a renewable energy power generation prediction device according to an embodiment.
도 2를 참조하면, 상기 링크 스케줄링 모듈(130)은 데이터 수집 유닛(131), 타임 슬롯 프레임 생성 유닛(133) 및 링크 스케줄링 최적화 유닛(135)을 포함하는 구조를 가질 수 있다. Referring to FIG. 2, the link scheduling module 130 may have a structure including a data collection unit 131, a time slot frame generation unit 133, and a link scheduling optimization unit 135.
상기 데이터 수집 유닛(131)은 상기 플랜트 구조 데이터를 수집하는 역할을 한다.The data collection unit 131 serves to collect the plant structure data.
상기 타임 슬롯 프레임 생성 유닛(133)은 모든 연결 전송에 대한 슬롯 프레임 내부 시간이 설정된 타임 슬롯 프레임을 생성하는 역할을 한다.The time slot frame generation unit 133 serves to generate a time slot frame in which the internal time of the slot frame for all connection transmissions is set.
상기 링크 스케줄링 최적화 유닛(135)은, 랭크(rank), 노이즈 포함 간섭(Interference-Plus-Noise, IPN), 전송 패킷 수 중 적어도 어느 하나를 포함하는 노드의 속성을 고려하여 전체 센서 노드의 랭크를 기반으로 우선순위를 결정하는 역할을 한다.The link scheduling optimization unit 135 determines the rank of all sensor nodes in consideration of node properties including at least one of rank, interference-plus-noise (IPN), and number of transmission packets. It plays a role in determining priorities based on
상기 링크 스케줄링 모듈(130)은 신재생에너지 발전 플랜트 구조 데이터를 수집하고, 전체 링크에 대한 타임 슬롯 프레임을 생성하며, 랭크(rank), IPN, 전송 패킷 수 중 적어도 어느 하나를 포함하는 센서 노드의 속성을 고려하여 전체 센서 노드의 랭크를 기반으로 우선순위를 결정하는 링크 스케줄링 최적화를 통해 상기 센서 노드의 링크 스케줄링 데이터를 생성할 수 있다. 상기 링크 스케줄링 모듈(130)은 무선 센서 네트워크를 형성하는 복수 개의 센서 노드의 속성을 고려하여 복수 개의 센서 노드 중 어느 센서 노드에 대한 우선순위를 결정하고, 센서 노드의 우선 순위를 기반으로 센서 데이터를 전송 및 수신받을 수 있도록 하는 링크 스케줄링 데이터를 데이터 수집부(200)로 전송하며, 데이터 수집부(200)는 링크 스케줄링 데이터를 수신받은 다음 이에 따라 센서 데이터를 수집하도록 하여 무선 센서 네트워크의 결함과 채널의 빠른 페이딩으로 인해 네트워크의 신뢰성과 안정성 저하를 방지하고, 데이터 전송 지연, 패킷 손실 등을 방지할 수 있도록 한다.The link scheduling module 130 collects renewable energy power generation plant structure data, generates a time slot frame for the entire link, and monitors the sensor node including at least one of rank, IPN, and number of transmission packets. Link scheduling data for the sensor nodes can be generated through link scheduling optimization that determines priorities based on the ranks of all sensor nodes in consideration of their attributes. The link scheduling module 130 determines the priority for a sensor node among the plurality of sensor nodes by considering the properties of a plurality of sensor nodes forming a wireless sensor network, and sends sensor data based on the priority of the sensor node. Link scheduling data that can be transmitted and received is transmitted to the data collection unit 200, and the data collection unit 200 receives the link scheduling data and then collects sensor data accordingly to detect defects and channels in the wireless sensor network. It prevents the reliability and stability of the network from deteriorating due to rapid fading, and prevents data transmission delays and packet losses.
즉, 상기 데이터 수집부(200)는, 상기 링크 스케줄링부(100)에서 출력된 링크 스케줄링 데이터를 이용하여 복수 개의 예측 대상 신재생에너지 발전 플랜트(10)의 센서 노드로부터 센서 데이터를 수집하는 역할을 한다. 상기 센서 데이터는 복수 개의 신재생에너지 발전 플랜트, 복수 개의 마이크로그리드 등으로부터 수집한 센서 데이터이며, 상기 센서 데이터는 발전량 및 기상 정보 중 적어도 어느 하나에 대한 정보를 포함할 수 있다. 상기 센서 데이터에서 발전량은 전압, 전류, 피크 정보 등으로 표시될 수 있다. That is, the data collection unit 200 serves to collect sensor data from sensor nodes of a plurality of prediction target renewable energy power generation plants 10 using the link scheduling data output from the link scheduling unit 100. do. The sensor data is sensor data collected from a plurality of renewable energy power generation plants, a plurality of microgrids, etc., and the sensor data may include information on at least one of power generation amount and weather information. In the sensor data, the amount of power generation may be displayed as voltage, current, peak information, etc.
이를 위해, 상기 데이터 수집부(200)는, 데이터 수집 모듈(210), 제2 저장 모듈(230) 및 통신 모듈(250)을 포함하는 구조를 가질 수 있다. To this end, the data collection unit 200 may have a structure including a data collection module 210, a second storage module 230, and a communication module 250.
상기 데이터 수집 모듈(210)은 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드들로부터 센서 데이터를 수집하는 역할을 한다. 또한, 기상청 등으로부터 기상 데이터를 수집할 수 있다. 상기 기상 데이터는 예측 대상 신재생에너지 발전 플랜트가 설치된 과거의 기상 데이터, 예측 시점의 기상 데이터, 과거의 기상 데이터가 포함하고 있는 시점에서 상기 예측 대상 신재생에너지 발전 플랜트의 과거의 발전량 등의 정보를 포함할 수 있다. The data collection module 210 serves to collect sensor data from sensor nodes of the renewable energy power plant that is the target of the power generation prediction. Additionally, meteorological data can be collected from the Korea Meteorological Administration, etc. The weather data includes information such as past weather data where the new renewable energy power plant to be predicted is installed, weather data at the time of prediction, and past power generation amount of the new and renewable energy power plant to be predicted at the time the past weather data is included. It can be included.
상기 제2 저장 모듈(230)은 상기 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 수집한 센서 데이터 및 상기 예측 대상 신재생에너지 발전 플랜트(10)가 설치된 지역의 기상 데이터, 발전량 등을 저장하는 역할을 한다. The second storage module 230 serves to store sensor data collected from the sensor node of the prediction target new and renewable energy power generation plant, weather data, power generation, etc. in the area where the predicted new and renewable energy power plant 10 is installed. Do it.
상기 통신 모듈(250)은 상기 예측 대상 신재생에너지 발전 플랜트, 링크 스케줄링부(100) 및 발전량 예측부(300)와 무선 또는 유선 통신망을 통해 연결되어 정보를 송수신하기 위한 구조를 형성할 수 있다.The communication module 250 may be connected to the prediction target renewable energy power generation plant, the link scheduling unit 100, and the power generation prediction unit 300 through a wireless or wired communication network to form a structure for transmitting and receiving information.
이에 따라, 상기 데이터 수집부(200)는 상기 링크 스케줄링부(100)에서 생성한 링크 스케줄링 데이터 대로 예측 대상 신재생에너지 발전 플랜트에 설치된 복수 개의 센서 노드 중 우선 순위가 있는 센서 노드들로부터 순차적으로 센서 데이터를 수집하고 저장할 수 있다. 또한, 기상청과 연결되어 기상 데이터를 수집하여 저장할 수 있다.Accordingly, the data collection unit 200 sequentially detects sensors from priority sensor nodes among a plurality of sensor nodes installed in the prediction target renewable energy power generation plant according to the link scheduling data generated by the link scheduling unit 100. Data can be collected and stored. Additionally, it can be connected to the Korea Meteorological Administration to collect and store weather data.
상기 발전량 예측부(300)는, 상기 데이터 수집부(200)에서 수집한 센서 데이터를 수신하고, 기계 학습된 발전량 예측 알고리즘을 이용하여 상기 예측 대상 신재생에너지 발전 플랜트(10)의 발전량을 예측하는 역할을 한다. The power generation prediction unit 300 receives sensor data collected by the data collection unit 200 and predicts the power generation of the prediction target renewable energy power plant 10 using a machine-learned power generation prediction algorithm. It plays a role.
이를 위해, 발전량 예측부(300)는, 매핑모듈(310), 변환모듈(330) 및 예측모듈(350)을 포함하는 구조를 가질 수 있다. To this end, the power generation prediction unit 300 may have a structure that includes a mapping module 310, a conversion module 330, and a prediction module 350.
상기 매핑모듈(310)은 고차원 공간 매핑 커널 함수를 이용하여 입력 데이터를 고차원 특징 공간 데이터로 매핑하여 선형 내적 공간 데이터를 생성한다. 이때, 상기 입력 데이터는 기상 데이터, 센서 데이터 및 발전량 등과 같이 상기 제2 저장 모듈에 저장된 데이터를 의미하는 것일 수 있다. The mapping module 310 generates linear dot product space data by mapping input data to high-dimensional feature space data using a high-dimensional space mapping kernel function. At this time, the input data may mean data stored in the second storage module, such as weather data, sensor data, and power generation amount.
상기 고차원 공간 매핑 커널 함수는 하기 수학식 1 내지 수학식 4로 표현될 수 있으며, 이를 이용해 입력 데이터를 매핑하여 선형 내적 공간 데이터를 생성할 수 있다. The high-dimensional spatial mapping kernel function can be expressed as Equation 1 to Equation 4 below, and using this, input data can be mapped to generate linear dot product space data.
[수학식 1][Equation 1]
[수학식 2][Equation 2]
[수학식 3][Equation 3]
[수학식 4][Equation 4]
상기 수학식 1 내지 4에서, y k 는 측정되는 신호, u는 원하는 응답신호, δ x , , 는 각각 재귀적으로 추정해야 하는 미지 계수, x 0 및 z o 는 각각 시스템의 입력과 출력 차수, α는 수집된 센서 데이터, β는 모델 파라미터값, γ k 는 특정 공간에서의 노이즈 값을 각각 의미하는 것이다. In Equations 1 to 4, y k is the signal to be measured, u is the desired response signal, δ x , , are the unknown coefficients that must be estimated recursively, x 0 and z o are the input and output orders of the system, respectively, α is the collected sensor data, β is the model parameter value, and γ k is the noise value in a specific space. It is done.
상기 변환모듈(330)은 상기 매핑모듈(310)에서 생성된 선형 내적 공간 데이터를 고차원 특징 공간 변환 커널 함수를 이용하여 고차원 특징 공간 데이터로 변환한다.The conversion module 330 converts the linear inner product space data generated in the mapping module 310 into high-dimensional feature space data using a high-dimensional feature space transformation kernel function.
상기 고차원 공간 변환 커널 함수는 하기 수학식 5로 표현될 수 있다.The high-dimensional space transformation kernel function can be expressed as Equation 5 below.
[수학식 5][Equation 5]
상기 수학식 5에서 Κ는 Mercer 커널, χ는 입력된 모든 k개 샘플의 행렬, R은 정규화 매개변수, H는 Mercer 커널과 연관된 재생 커널 힐버트 공간(reproducing kernel Hilbert space, RKHS), Ψ는 모델의 망각 요인을 의미하는 것이다.In Equation 5, Κ is the Mercer kernel, χ is the matrix of all k input samples, R is the normalization parameter, H is the reproducing kernel Hilbert space (RKHS) associated with the Mercer kernel, and Ψ is the model's It refers to the forgetting factor.
상기 예측모듈(350)은 상기 변환모듈(330)에서 변환한 고차원 특징 공간 데이터를 발전량 예측 커널 함수에 적용하여 신재생에너지 발전량을 예측한다.The prediction module 350 predicts the amount of new and renewable energy power generation by applying the high-dimensional feature space data converted by the conversion module 330 to the power generation prediction kernel function.
상기 발전량 예측 커널 함수는, 가우시안 커널(Gaussian Kernel) 함수, 다항 커널(Polynomial Kernel) 함수, 시그모이드 커널(Sigmoid Kernel) 함수 중 적어도 어느 하나를 사용하여 시계열 예측 정확도를 향상시키도록 한다.The power generation prediction kernel function uses at least one of a Gaussian kernel function, a polynomial kernel function, and a sigmoid kernel function to improve time series prediction accuracy.
특히, 상기 발전량 예측 커널 함수는, 하기 수학식 7로 표현되는 가우시안 커널(Gaussian Kernel) 함수일 수 있다.In particular, the power generation prediction kernel function may be a Gaussian kernel function expressed in Equation 7 below.
[수학식 7][Equation 7]
상기 수학식 7에서, ρ는 스케일링 계수, α′는 새로운 정보 데이터를 의미하는 것이다. In Equation 7 above, ρ means a scaling coefficient and α′ means new information data.
상기와 같은 발전량 예측부(300)는, 커널 재귀 최소제곱 알고리즘(kernel recursive least-squares algorithm, KRLS algorithm)으로 구현할 수 있으며, KRLS 알고리즘은 커널 함수를 사용하여 실제 공간에서 고차원 공간으로의 샘플을 묘사함으로써 비선형 문제를 비선형 온라인 예측 모델로 해결할 수 있도록 하며, 시계열 데이터에 따라 모델을 적응시키고 동적으로 업데이트하여 모델의 복잡성과 계산 시간을 낮출 수 있도록 한다.The power generation prediction unit 300 as described above can be implemented with a kernel recursive least-squares algorithm (KRLS algorithm), and the KRLS algorithm uses a kernel function to describe samples from real space to high-dimensional space. By doing so, nonlinear problems can be solved with a nonlinear online prediction model, and the model can be adapted and dynamically updated according to time series data to reduce model complexity and calculation time.
구체적으로, KRLS 알고리즘은 고차원 공간에서 선형 모델과 상관관계가 있을 가능성이 높아지고, 선형 알고리즘을 이용하여 해결할 수 있다는 장점이 있으며, 상기 KRLS 알고리즘을 활용하여 예측 데이터의 평균 제곱근 오차(root mean square error, RMSE)와 평균 절대 오차(mean absolute error, MAE)를 감소시키고 예측 정확도를 높일 수 있다.Specifically, the KRLS algorithm has the advantage that it increases the likelihood of correlation with a linear model in a high-dimensional space and can be solved using a linear algorithm, and by utilizing the KRLS algorithm, the root mean square error (root mean square error) of the prediction data is calculated. RMSE) and mean absolute error (MAE) can be reduced and prediction accuracy can be increased.
상기 KRLS 알고리즘은 커널 함수를 사용하여 실제 공간에서 고차원 공간으로의 샘플을 묘사함으로써 비선형 문제를 비선형 온라인 예측 모델로 해결할 수 있으며, 시계열 데이터에 따라 모델을 적응시키고 동적으로 업데이트하여 모델 복잡성과 계산 시간을 낮출 수 있다. The above KRLS algorithm can solve non-linear problems with a non-linear online prediction model by using kernel functions to describe samples from real space to high-dimensional space, and adapt and dynamically update the model according to time series data to reduce model complexity and computation time. It can be lowered.
이에 따라, 상기 발전량 예측부(300)는, 센서 데이터, 기상 데이터 및 기계 학습된 신재생에너지 발전량 예측 알고리즘을 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 신재생에너지 발전량을 예측할 수 있다.Accordingly, the power generation prediction unit 300 can predict the renewable energy power generation amount of the prediction target new and renewable energy power generation plant using sensor data, weather data, and a machine-learned renewable energy power generation prediction algorithm.
상기한 바와 같은 실시예에 따른 신재생에너지 발전량 예측 장치는 고차원 공간에서 선형모델과 상관 관계가 있을 가능성이 높아지고 선형 알고리즘을 이용하여 해결할 수 있다는 장점이 있어 해당 알고리즘을 활용하여 예측 데이터의 RSME 및 MAE 값을 감소시키고 예측 정확도를 높이도록 하였다.The renewable energy power generation forecasting device according to the above-described embodiment has the advantage of increasing the possibility of correlation with a linear model in a high-dimensional space and solving it using a linear algorithm, so that the RSME and MAE of the predicted data can be solved by using the algorithm. The value was reduced and the prediction accuracy was increased.
또한, 링크 충돌을 최소화하고 네트워크 자원을 효율적으로 사용할 수 있도록 네트워크를 구성하는 노드들의 속성을 고려하는 링크 스케줄링 알고리즘을 적용하여 무선 센서 네트워크의 링크 충돌 최소화 및 네트워크 자원 효율성 향상시키도록 하였다. In addition, a link scheduling algorithm that considers the properties of the nodes constituting the network was applied to minimize link collisions and use network resources efficiently, thereby minimizing link collisions and improving network resource efficiency in wireless sensor networks.
한편, 도 3은 실시예에 따른 신재생에너지 발전량 예측 방법을 나타낸 공정도이다.Meanwhile, Figure 3 is a process diagram showing a method for predicting new and renewable energy power generation according to an embodiment.
도 3을 참조하면, 실시예에 따른 신재생에너지 발전량 예측 방법은, 링크 스케줄링 단계(S100); 데이터 수집 단계(S200); 및 발전량 예측 단계(S300);를 포함할 수 있다. Referring to FIG. 3, a method for predicting renewable energy generation amount according to an embodiment includes a link scheduling step (S100); Data collection step (S200); and a power generation prediction step (S300).
먼저, 링크 스케줄링 단계(S100)에서는, 신재생에너지 발전 플랜트의 발전량 예측을 위한 센서 데이터 수집을 위해 기계 학습된 링크 스케줄링 알고리즘을 이용하여 센서 노드의 링크 스케줄링 데이터를 생성하도록 한다.First, in the link scheduling step (S100), link scheduling data of the sensor node is generated using a machine-learned link scheduling algorithm to collect sensor data for predicting the power generation of a renewable energy power plant.
도 4는 실시예에 따른 신재생에너지 발전량 예측 방법에서 링크 스케줄링 단계(S100)를 나타낸 공정도이다.Figure 4 is a process diagram showing the link scheduling step (S100) in the method for predicting new and renewable energy generation amount according to an embodiment.
도 4를 참조하면, 본 단계에서는, 복수 개의 예측 대상 신재생에너지 발전 플랜트의 플랜트 구조 데이터를 수집하고, 수집한 상기 플랜트 구조 데이터를 상기 기계 학습된 링크 스케줄링 알고리즘으로 링크 스케줄링하여 상기 센서 노드의 링크 스케줄링 데이터를 생성할 수 있다.Referring to FIG. 4, in this step, plant structure data of a plurality of prediction target renewable energy power generation plants is collected, and the collected plant structure data is link scheduled using the machine learned link scheduling algorithm to establish the link of the sensor node. Scheduling data can be created.
구체적으로, 상기 링크 스케줄링 단계는, 상기 센서 노드의 배치 정보, 전송 전력, 파장, 6TiSCH 네트워크의 주파수 대역 및 레일리 페이딩(Rayleigh fading)의 스케일 매개 변수 중 적어도 어느 하나 이상을 포함하는 상기 플랜트 구조 데이터를 수집하고, 모든 연결 전송에 대한 슬롯 프레임 내부 시간이 설정된 타임 슬롯 프레임을 생성하며, 랭크(rank), IPN, 전송 패킷 수 중 적어도 어느 하나를 포함하는 노드의 속성을 고려하여 전체 센서 노드의 랭크를 기반으로 우선순위를 결정하는 링크 스케줄링 최적화를 통해 상기 센서 노드의 링크 스케줄링 데이터를 생성할 수 있다. Specifically, the link scheduling step includes the plant structure data including at least one of the sensor node's placement information, transmission power, wavelength, frequency band of the 6TiSCH network, and scale parameter of Rayleigh fading. Collects and generates a time slot frame with the slot frame internal time set for all connection transmissions, and determines the rank of the entire sensor node by considering node properties including at least one of rank, IPN, and number of transmitted packets. Link scheduling data of the sensor node can be generated through link scheduling optimization that determines priority based on link scheduling.
다음, 데이터 수집 단계(S200)에서는, 링크 스케줄링부에서 출력된 링크 스케줄링 데이터를 이용하여 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 센서 데이터를 수집한다.Next, in the data collection step (S200), sensor data is collected from the sensor node of the renewable energy power generation plant subject to power generation prediction using the link scheduling data output from the link scheduling unit.
본 단계에서는, 상기 데이터 수집부에서 상기 센서 노드의 링크 스케줄링 데이터를 이용해 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드들로부터 센서 데이터를 수집하는 단계; 및 상기 데이터 수집부에서 상기 예측 대상 신재생에너지 발전 플랜트가 설치된 지역의 기상 데이터를 수집하는 단계를 포함할 수 있다. In this step, the data collection unit collects sensor data from sensor nodes of the renewable energy power generation plant subject to power generation prediction using link scheduling data of the sensor node; And it may include the step of collecting weather data of the area where the prediction target renewable energy power generation plant is installed by the data collection unit.
다음, 발전량 예측 단계(S300)에서는 데이터 수집부에서 수집한 센서 데이터 및 기상 데이터를 입력 데이터로 수신하고, 기계 학습된 신재생에너지 발전량 예측 알고리즘을 이용하여 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 신재생에너지 발전량을 예측하도록 한다.Next, in the power generation prediction step (S300), sensor data and weather data collected by the data collection unit are received as input data, and a machine-learned renewable energy power generation prediction algorithm is used to predict the power generation amount of the renewable energy power generation plant. Predict the amount of renewable energy generation.
도 5는 실시예에 따른 신재생에너지 발전량 예측 방법에서 발전량 예측 단계(S300)를 나타낸 공정도이다.Figure 5 is a process diagram showing the power generation prediction step (S300) in the method for predicting new and renewable energy power generation according to an embodiment.
도 5를 참조하면, 본 단계에서는, 고차원 특징 공간 매핑단계(S310), 고차원 특징 공간 변환단계(S330) 및 신재생에너지 발전량 예측단계(S350)를 포함하는 방법을 통해 신재생에너지의 발전량을 예측할 수 있다.Referring to Figure 5, in this step, the power generation of new and renewable energy is predicted through a method including a high-dimensional feature space mapping step (S310), a high-dimensional feature space conversion step (S330), and a renewable energy power generation prediction step (S350). You can.
구체적으로, 상기 고차원 특징 공간 매핑단계(S310)는 고차원 공간 매핑 커널 함수를 이용하여 입력 데이터를 고차원 특징 공간 데이터로 매핑하여 선형 내적 공간 데이터를 생성할 수 있다. Specifically, the high-dimensional feature space mapping step (S310) may generate linear dot product space data by mapping input data to high-dimensional feature space data using a high-dimensional space mapping kernel function.
본 단계에서는, 하기 수학식 1 내지 수학식 4로 표현되는 고차원 공간 매핑 커널 함수를 이용해 선형 내적 공간 데이터를 생성할 수 있다. In this step, linear dot product space data can be generated using a high-dimensional space mapping kernel function expressed as Equation 1 to Equation 4 below.
[수학식 1][Equation 1]
[수학식 2][Equation 2]
[수학식 3][Equation 3]
[수학식 4][Equation 4]
상기 수학식 1 내지 4에서, y k 는 측정되는 신호, u는 원하는 응답신호, δ x , , 는 각각 재귀적으로 추정해야 하는 미지 계수, x 0 및 z o 는 각각 시스템의 입력과 출력 차수, α는 수집된 센서 데이터, β는 모델 파라미터값, γ k 는 특정 공간에서의 노이즈 값을 각각 의미하는 것이다. In Equations 1 to 4, y k is the signal to be measured, u is the desired response signal, δ x , , are the unknown coefficients that must be estimated recursively, x 0 and z o are the input and output orders of the system, respectively, α is the collected sensor data, β is the model parameter value, and γ k is the noise value in a specific space. It is done.
상기 고차원 특징 공간 변환단계(S330)에서는 상기 고차원 특징 공간 매핑단계(S310)에서 생성된 선형 내적 공간 데이터를 고차원 특징 공간 변환 커널 함수를 이용하여 고차원 특징 공간 데이터로 변환할 수 있다.In the high-dimensional feature space conversion step (S330), the linear inner product space data generated in the high-dimensional feature space mapping step (S310) can be converted into high-dimensional feature space data using a high-dimensional feature space transformation kernel function.
본 단계에서는, 하기 수학식 5로 표현되는 고차원 공간 변환 커널 함수를 이용해 상기 고차원 특징 공간 데이터를 생성할 수 있다. In this step, the high-dimensional feature space data can be generated using a high-dimensional space transformation kernel function expressed in Equation 5 below.
[수학식 5][Equation 5]
상기 수학식 5에서, Κ는 Mercer 커널, χ는 입력된 모든 k개 샘플의 행렬, R은 정규화 매개변수, H는 Mercer 커널과 연관된 재생 커널 힐버트 공간(reproducing kernel Hilbert space, RKHS), Ψ는 모델의 망각 요인을 의미하는 것이다. In Equation 5, Κ is the Mercer kernel, χ is the matrix of all k input samples, R is the normalization parameter, H is the reproducing kernel Hilbert space (RKHS) associated with the Mercer kernel, and Ψ is the model. This means the forgetting factor of .
다음, 상기 신재생에너지 발전량 예측단계(S350)에서는, 상기 고차원 특징 공간 변환단계(S330)에서 변환한 고차원 특징 공간 데이터를 발전량 예측 커널 함수에 적용하여 신재생에너지의 발전량을 예측할 수 있다. Next, in the renewable energy power generation prediction step (S350), the high-dimensional feature space data converted in the high-dimensional feature space conversion step (S330) can be applied to the power generation prediction kernel function to predict the new and renewable energy power generation.
본 단계에서는, 가우시안 커널(Gaussian Kernel) 함수, 다항 커널(Polynomial Kernel) 함수, 시그모이드 커널(Sigmoid Kernel) 함수 중 적어도 어느 하나를 포함하는 발전량 예측 커널 함수를 이용해 신재생에너지의 발전량을 예측할 수 있다.At this stage, the power generation of new and renewable energy can be predicted using a power generation prediction kernel function including at least one of the Gaussian Kernel function, Polynomial Kernel function, and Sigmoid Kernel function. there is.
특히, 본 단계에서는, 하기 수학식 7로 표현되는 가우시안 커널(Gaussian Kernel) 함수를 발전량 예측 커널 함수로 이용해 신재생에너지의 발전량을 예측할 수 있다. In particular, at this stage, the power generation amount of new and renewable energy can be predicted using the Gaussian kernel function expressed in Equation 7 below as the power generation prediction kernel function.
[수학식 7][Equation 7]
상기 수학식 7에서, ρ는 스케일링 계수, α′는 새로운 정보 데이터를 의미하는 것이다.In Equation 7 above, ρ means a scaling coefficient and α′ means new information data.
한편, 실시예에 따른 신재생에너지 발전량 예측 장치 및 방법에서는, 무선 센서 네트워크는 태양광, 풍력 플랜트에서 모니터링 센서로 중요한 정보를 전달하는데 사용되며, 주요 정보는 클라우드 데이터 센터에 저장할 수 있다. 각각의 플랜트에서 무선 통신 네트워크는 센서 데이터를 수집하기 위해 사용되며, 센서 노드는 정보를 수집하고, 선택적으로 센서 데이터를 전처리할 수 있다. 이때, 데이터 수집부는 싱크 노드가 센서 노드에서 수집되는 데이터를 통합하고, 인터넷 네트워크를 통해 전력 모니터링 센서로 전달하며, 모니터링 센터는 플랜트의 싱크 노드에서 결합된 정보를 수용하고, 이를 사설 클라우드의 별도 데이터 단위에 저장할 수 있다. 클라우드 데이터 센터는 검증 및 정보 암호화에 대한 책임이 있으며, 시스템 관리자는 플랜트를 감시하고 모든 통계 데이터와 다양한 위치의 예측 전력 데이터에 접근할 수 있도록 최고 수준의 권한을 가질 수 있다. Meanwhile, in the apparatus and method for predicting renewable energy power generation according to the embodiment, a wireless sensor network is used to transmit important information from solar and wind power plants to monitoring sensors, and the important information can be stored in a cloud data center. In each plant, a wireless communication network is used to collect sensor data, and sensor nodes can collect information and optionally preprocess sensor data. At this time, the data collection unit integrates the data collected by the sink node from the sensor node and transmits it to the power monitoring sensor through the Internet network, and the monitoring center accepts the combined information from the plant's sink node and stores it as separate data in the private cloud. It can be stored in units. The cloud data center is responsible for verification and encryption of information, and system administrators can have the highest level of authority to monitor the plant and access all statistical data and predicted power data from various locations.
상기 싱크 노드는 각각 허브와 같은 정보 집합을 얻고, 서로 다른 데이터의 정보를 병합할 수 있으며, 전력 모니터링 센터에는 클라우드에 저장된 정보를 처리할 뿐만 아니라 데이터를 수신하고 평가하기 위한 액세스 인터페이스가 구축되어 있으며, 데이터를 받은 클라우드 데이터 센터는 플랜트의 발전량 예측을 위한 KRLS 예측 모델을 실행할 수 있다. The sink node can each obtain a hub-like set of information and merge information from different data, and the power monitoring center is equipped with an access interface for receiving and evaluating data as well as processing information stored in the cloud. , the cloud data center that receives the data can run the KRLS prediction model to predict the plant’s power generation.
이를 위해, 상기와 같은 실시예에 따른 신재생에너지 발전량 예측 장치 및 방법의 각 구성은 하드웨어적인 구성일 수 있으나, 이에 제한받지 않으며, 컴퓨터로 실현 가능한 프로그램 및 기록 매체 등의 소프트웨어로 구현될 수 있다.To this end, each configuration of the renewable energy power generation prediction device and method according to the above embodiments may be a hardware configuration, but is not limited thereto, and may be implemented with software such as a program that can be realized by a computer and a recording medium. .
상기한 바와 같은 실시예에 따른 신재생에너지 발전량 예측 장치 및 방법은, 센서 노드의 속성에 기반한 링크 스케줄링 알고리즘(link scheduling algorithm)을 적용하여 복수 개의 플랜트에서 생성된 센서 데이터를 효율적으로 전송하도록 하고, KRLS 알고리즘을 적용하여 신재생에너지의 정확한 발전량 예측이 가능하다The apparatus and method for predicting renewable energy power generation according to the above-described embodiment efficiently transmits sensor data generated from a plurality of plants by applying a link scheduling algorithm based on the properties of sensor nodes, By applying the KRLS algorithm, it is possible to accurately predict the power generation of new and renewable energy.
특히, 실시예에 따른 신재생에너지 발전량 예측 장치 및 방법은, 링크 스케줄링 알고리즘을 적용하여 데이터 전송 지연 및 패킷 손실 문제 등으로 인한 시스템 불안정성과 예측 결과의 신뢰성과 저하를 방지할 수 있다. In particular, the apparatus and method for predicting renewable energy power generation according to the embodiment can prevent system instability and reliability and deterioration of prediction results due to data transmission delay and packet loss problems by applying a link scheduling algorithm.
또한, 실시예에 따른 신재생에너지 발전량 예측 장치 및 방법은, 링크 품질이 낮거나 배터리가 소모되어 무선 센서 네트워크(WSN)의 센서 노드에 장애가 발생하는 경우에도 채택된 링크 스케줄링이 6TiSCH 무선 네트워크를 재구성하고 대체 노드로 네트워크를 유지할 수 있어 데이터 전송 지연 및 패킷 손실 문제를 방지할 수 있으며, 이에 따라 시스템 불안정성과 예측 결과의 신뢰성과 저하를 방지할 수 있다. In addition, the apparatus and method for predicting renewable energy power generation according to the embodiment allows the adopted link scheduling to reconfigure the 6TiSCH wireless network even when a sensor node of a wireless sensor network (WSN) fails due to low link quality or battery exhaustion. By maintaining the network with alternative nodes, data transmission delays and packet loss problems can be prevented, thereby preventing system instability and deterioration of the reliability of prediction results.
이하, 실시예를 들어 본 발명을 더욱 상세히 설명하도록 한다.Hereinafter, the present invention will be described in more detail through examples.
제시된 실시예는 본 발명의 구체적인 예시일 뿐이며, 본 발명의 기술적 범위를 제한하기 위한 용도인 것은 아니다.The presented examples are only specific examples of the present invention and are not intended to limit the technical scope of the present invention.
<실시예><Example>
(1) 커널 재귀 최소제곱 알고리즘(KRLS algorithm) 모델 설계 (1) Kernel recursive least squares algorithm (KRLS algorithm) model design
KRLS(Kernel Recursive Least Square)는 커널 함수를 사용하여 실제 공간에서 고차원 공간으로의 샘플을 묘사함으로써 비선형 문제를 비선형 온라인 예측 모델로 해결할 수 있으며, 시계열 데이터에 따라 모델을 적응시키고 동적으로 업데이트하여 모델 복잡성과 계산 시간을 낮출 수 있다.Kernel Recursive Least Square (KRLS) can solve non-linear problems as a non-linear online prediction model by using kernel functions to describe samples from real space to high-dimensional space, adapting and dynamically updating the model according to time series data to reduce model complexity. and calculation time can be reduced.
도 6은 신재생에너지 발전량 예측 방법에서 활용하는 신재생에너지 발전량 예측 모델인 KRLS 알고리즘을 나타낸 개념도이다.Figure 6 is a conceptual diagram showing the KRLS algorithm, a new and renewable energy power generation prediction model used in the renewable energy power generation prediction method.
도 6에서, y k 는 측정되는 신호, u는 원하는 응답신호, δ x , , 는 각각 재귀적으로 추정해야 하는 미지 계수, x 0 및 z o 는 각각 시스템의 입력과 출력 차수를 의미하는 것이다.In Figure 6, y k is the signal to be measured, u is the desired response signal, δ x , , are the unknown coefficients that must be estimated recursively, and x 0 and z o are the input and output orders of the system, respectively.
상기 측정되는 신호(y k )는 하기 수학식 1을 이용해 산출할 수 있으며, 하기 수학식 2와 같이 간단한 방식으로 나타낼 수도 있다.The measured signal ( y k ) can be calculated using Equation 1 below, and can also be expressed in a simple manner as shown in Equation 2 below.
[수학식 1][Equation 1]
[수학식 2][Equation 2]
[수학식 3][Equation 3]
[수학식 4][Equation 4]
상기 수학식 1 내지 4에서, y k 는 측정되는 신호, u는 원하는 응답신호, δ x , , 는 각각 재귀적으로 추정해야 하는 미지 계수, x 0 및 z o 는 각각 시스템의 입력과 출력 차수, α는 수집된 센서 데이터, β는 모델 파라미터값, γ k 는 특정 공간에서의 노이즈 값을 각각 의미하는 것이다. In Equations 1 to 4, y k is the signal to be measured, u is the desired response signal, δ x , , are the unknown coefficients that must be estimated recursively, x 0 and z o are the input and output orders of the system, respectively, α is the collected sensor data, β is the model parameter value, and γ k is the noise value in a specific space. It is done.
상기 KRLS 알고리즘은 하기 수학식 5에 나타낸 바와 같이, 정의된 목적 함수를 기반으로 상기 수학식 2의 미지 계수를 평가하고 업데이트하는데 사용된다.The KRLS algorithm is used to evaluate and update the unknown coefficients of Equation 2 based on the defined objective function, as shown in Equation 5 below.
[수학식 5][Equation 5]
상기 수학식 5에서, Κ는 Mercer 커널, χ는 입력된 모든 k개 샘플의 행렬, R은 정규화 매개변수, H는 Mercer 커널과 연관된 재생 커널 힐버트 공간(reproducing kernel Hilbert space, RKHS), Ψ는 모델의 망각 요인을 의미하는 것이다. In Equation 5, Κ is the Mercer kernel, χ is the matrix of all k input samples, R is the normalization parameter, H is the reproducing kernel Hilbert space (RKHS) associated with the Mercer kernel, and Ψ is the model. This refers to the forgetting factor of .
상기 수학식 5에서 입력된 모든 k개 샘플의 행렬은 하기 수학식 6과 같이 표시될 수 있다.The matrix of all k samples input in Equation 5 above can be expressed as Equation 6 below.
[식 6][Equation 6]
발전량 예측 커널 함수로 사용되는 가우시안 커널(Gaussian Kernel), 다항 커널 (Polynomial Kernel), 시그모이드 커널(Sigmoid Kernel)은 각각 시계열 예측 정확도를 향상시키는 커널로 평가된다.The Gaussian Kernel, Polynomial Kernel, and Sigmoid Kernel, which are used as power generation prediction kernel functions, are each evaluated as kernels that improve time series prediction accuracy.
상기 가우시안 커널은 하기 수학식 7과 같이 표시될 수 있다.The Gaussian kernel can be expressed as Equation 7 below.
[수학식 7][Equation 7]
상기 수학식 7에서, ρ는 스케일링 계수, α′는 새로운 정보 데이터를 의미하는 것이다.In Equation 7 above, ρ means a scaling coefficient and α′ means new information data.
상기 다항 커널(Polynomial kernel)은 하기 수학식 8과 같이 표시될 수 있다.The polynomial kernel can be expressed as Equation 8 below.
[수학식 8][Equation 8]
상기 수학식 8에서, c는 0보다 큰 값, p는 Polynomial 커널의 차수를 의미하는 것이다. In Equation 8 above, c means a value greater than 0, and p means the degree of the polynomial kernel.
상기 시그모이드 커널(Sigmoid kernel)은 하기 수학식 9와 같이 표시될 수 있다.The sigmoid kernel can be expressed as Equation 9 below.
[수학식 9][Equation 9]
상기 수학식 9에서, s와 t는 각각 0보다 큰 상수 값을 의미하는 것이다. In Equation 9 above, s and t each mean a constant value greater than 0.
실시예에 따른 신재생에너지 발전량 예측방법에서는 가우시안 커널을 사용하여 신재생 에너지의 발전량 예측을 수행하였다. 제안된 기본 개념은 입력 데이터가 고차원 특징 공간(RKHS)로 맵핑되고, 선형 내적 공간을 커널을 통해 RKHS으로 변환할 수 있게 하며, 선형 접근법을 사용하여 변환된 특징 공간을 해결하도록 한다. 설계한 커널 기반 알고리즘을 통해 볼록(convex) 최적화 문제를 해결하고, 최적 해를 찾을 수 있으며, 데이터간 선형 관계가 없는 경우 커널 기술을 통해 데이터 모델링이 가능하다.In the method for predicting the power generation amount of new and renewable energy according to the embodiment, the power generation amount of new and renewable energy was predicted using a Gaussian kernel. The basic concept proposed is that the input data is mapped into a high-dimensional feature space (RKHS), the linear dot product space can be transformed into RKHS through a kernel, and the transformed feature space is solved using a linear approach. The designed kernel-based algorithm can solve convex optimization problems and find optimal solutions, and when there is no linear relationship between data, data modeling is possible through kernel technology.
또한, 커널 행렬의 차원이 관측치 수에 따라 선형으로 확장됨에 따라 KRLS의 계산 복잡성이 크게 증가할 수 있어 이를 줄이기 위해서 근사 선형 종속성 기준(Approximate Linear Dependency Criterion)을 사용하였다.In addition, as the dimension of the kernel matrix expands linearly according to the number of observations, the computational complexity of KRLS can increase significantly. To reduce this, the approximate linear dependency criterion was used.
상기 수학식 2에 기반한 데이터 예측 모델은 하기 수학식 10과 같이 표시될 수 있으며, q-측면 전도 예측(q-side ahead prediction) 모델은 하기 수학식 11과 같이 표시될 수 있다.The data prediction model based on Equation 2 can be expressed as Equation 10 below, and the q-side ahead prediction model can be expressed as Equation 11 below.
[수학식 10][Equation 10]
[수학식 11][Equation 11]
하기 수학식 12의 %적합 기준(%FIT Criteria)은 제안된 알고리즘의 성능을 측정하기 위해 사용하였고, q-측면 예측(q-side forecasting)이 얼마나 정확한지 계산하였다.The %FIT Criteria in Equation 12 below was used to measure the performance of the proposed algorithm, and how accurate the q-side forecasting was was calculated.
[수학식 12][Equation 12]
(2) 링크 스케줄링 알고리즘(2) Link scheduling algorithm
2-1) 시뮬레이션 환경2-1) Simulation environment
시뮬레이션 환경에서 상위 노드는 일반적으로 하나 이상의 하위 노드를 가지고 있으며 상위 노드의 순위는 하위 노드보다 높으며, 상위 노드는 하위 노드에 대한 허브 노드일 수 있다. In a simulation environment, a parent node generally has one or more child nodes, the rank of the parent node is higher than that of the child nodes, and the parent node may be a hub node for the child nodes.
도 7은 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 40개의 센서 노드로 구성된 트리 구조의 6TiSCH 네트워크를 나타낸 개념도이며, 도 8은 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 6TiSCH 네트워크의 트리 토폴로지 구조를 나타난 예시도이고, 도 9는 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 6TiSCH 네트워크에서 링크 스케줄링을 위한 채널 오프셋을 나타난 예시도이며, 도 10은 실시예에 따른 신재생에너지 발전량 예측 장치를 설명하기 위해 6TiSCH 네트워크를 구성하는 타임 슬롯을 나타낸 예시도이다.Figure 7 is a conceptual diagram showing a 6TiSCH network with a tree structure consisting of 40 sensor nodes to explain a device for predicting new and renewable energy generation amount according to an embodiment, and Figure 8 is a conceptual diagram showing a device for predicting new and renewable energy generation amount according to an embodiment. It is an example diagram showing the tree topology structure of the 6TiSCH network, Figure 9 is an example diagram showing the channel offset for link scheduling in the 6TiSCH network to explain the renewable energy power generation prediction device according to the embodiment, and Figure 10 is the embodiment. This is an example diagram showing the time slots that make up the 6TiSCH network to explain the new renewable energy power generation prediction device.
도 7에 도시된 바와 같이 40개인 6TiSCH 네트워크로서, 상위 노드와 하위 노드의 간격은 최대 20m이고 노드가 배치되어 있는 구조의 면적은 60m × 60m이다. 그리고, 시뮬레이션 환경에서 전송 전력, 파장, 일반적인 6TiSCH 네트워크의 주파수 대역 및 Rayleigh 페이딩의 스케일 매개 변수는 0.002 Watt(3dBm), 0.125 m, 2.4 GHz, 1로 설정하였으며, 슬롯 프레임의 각 노드는 1~3 범위의 패킷 수를 전송할 수 있도록 하였다.As shown in Figure 7, it is a 40-person 6TiSCH network, the distance between upper and lower nodes is a maximum of 20m, and the area of the structure where the nodes are arranged is 60m × 60m. And, in the simulation environment, the transmission power, wavelength, frequency band of a typical 6TiSCH network, and scale parameters of Rayleigh fading were set to 0.002 Watt (3dBm), 0.125 m, 2.4 GHz, 1, and each node in the slot frame was 1 to 3. A range of packets can be transmitted.
또한, 도 8 및 도 9에 도시된 바와 같이 6TiSCH 네트워크는 트리 토폴로지에서 조밀한 노드가 있는 구조를 가지며, 6TiSCH 네트워크에서 링크 전송 스케줄링을 위해 채널 오프셋 및 타임슬롯 오프셋을 고려한 슬롯 프레임 구성을 제시하였다.In addition, as shown in Figures 8 and 9, the 6TiSCH network has a structure with dense nodes in a tree topology, and a slot frame configuration considering channel offset and timeslot offset was proposed for link transmission scheduling in the 6TiSCH network.
도 10에 도시된 바와 같이, 6TiSCH 네트워크 표준을 준수하는 시간 슬롯으로서, 상위 시간 슬롯은 T x (송신기용)이고 하위 시간 슬롯은 R x (수신기용)이며, TsTxOffset의 시간 간격 후, 데이터 패킷은 전송 센서 노드에 의해 전송되도록 하였다. 수신 센서 노드는 TsTxOffset의 시간 주기 전에 수신 데이터 패킷을 수신한다. 데이터 패킷이 올바르게 수신되면, Rx는 지연 시간 간격 후에 Tx로 ACK(확인 응답) 신호를 전송한다. 결과적으로, 단일 타임 슬롯은 자식 노드와 부모 노드 사이의 데이터 패킷 전송을 수행하기 위해 사용될 수 있다.As shown in Figure 10, as a time slot complying with the 6TiSCH network standard, the upper time slot is T x (for the transmitter) and the lower time slot is R x (for the receiver), and after a time interval of TsTxOffset, the data packet is It was transmitted by a transmitting sensor node. The receiving sensor node receives the received data packet before the time period of TsTxOffset. If the data packet is received correctly, Rx sends an ACK (acknowledgment) signal to Tx after a delay time interval. As a result, a single time slot can be used to perform data packet transmission between the child node and the parent node.
실시예에 따른 신재생 에너지 발전량 예측 방법에서 링크 스케줄링 방법에 의한 모든 연결 전송에 대한 슬롯 프레임 내부 시간은 하기 수학식 13과 같이 표시될 수 있다.In the method for predicting renewable energy generation amount according to the embodiment, the slot frame internal time for all connection transmissions by the link scheduling method can be expressed as Equation 13 below.
[수학식 13][Equation 13]
상기 수학식 13에서 T t 는 모든 링크 통신에 소요된 시간, T IPN /M 는 노이즈 포함 간섭(Interference-Plus-Noise, IPN)을 측정하고 측정된 데이터를 싱크 노드에 전달하는데 소요된 시간, T O/S 는 노드에 우선순위를 할당하기 위해 최적화 기법을 수행하는데 소요된 시간, T B 는 모든 링크 브로드캐스트가 싱크 노드에 도달하는데 필요한 시간을 의미한다. 상기 T IPN /M 는 IPN을 측정하는 시간(T IPN )과 멤버 노드 속성을 전송하는데 필요한 시간(T M )으로 나뉘고, 상기 T O/S 는 최적화를 수행하는 시간(T O )과 멤버 노드들의 우선순위를 보내는 시간(T S )으로 나뉠 수 있다.In Equation 13 above, T t is the time required for all link communications, T IPN /M is the time required to measure Interference-Plus-Noise (IPN) and deliver the measured data to the sink node, T O/S refers to the time spent performing optimization techniques to assign priorities to nodes, and T B refers to the time required for all link broadcasts to reach the sink node. The T IPN /M is divided into the time to measure the IPN ( T IPN ) and the time required to transmit member node properties ( T M ), and the T O/S is the time to perform optimization ( T O ) and the time required to transmit member node properties (T M). Priority can be divided into sending time ( T S ).
2-2) 링크 스케줄링 최적화2-2) Link scheduling optimization
실시예에 따른 신재생 에너지 발전량 예측 방법에서는, 링크 스케줄링 최적화를 위해 랭크(rank), IPN, 전송 패킷 수와 같은 노드의 속성을 고려하였다. 하기 수학식 14는 전체 노드의 rank를 기반으로 우선순위를 결정하는 목적함수로, rank가 높은 노드가 우선적으로 스케줄링되는 것을 의미한다. In the method for predicting renewable energy power generation according to the embodiment, node properties such as rank, IPN, and number of transmission packets were considered to optimize link scheduling. Equation 14 below is an objective function that determines priority based on the rank of all nodes, meaning that nodes with a higher rank are scheduled preferentially.
[수학식 14][Equation 14]
상기 수학식 14에서 pn i 는 노드 i의 우선순위, RN i 는 노드 i의 랭크를 의미하며, N개의 멤버 노드의 우선순위를 결정하기 위해 노드의 rank가 사용되었고, 가장 높은 rank를 가지고, rank1에 할당되는 싱크 노드 또한 고려하였다.In Equation 14, pn i means the priority of node i, RN i means the rank of node i, the rank of the node was used to determine the priority of the N member nodes, and with the highest rank, rank1 The sink node assigned to was also considered.
또한, 하기 수학식 15는 데이터 전송의 실패(failure)가 많이 발생할 확률인 IPN 기준으로 우선순위를 결정하는 목적함수이고, IPN i 은 노드 i에서 측정된 IPN 값을 의미하며, 하기 참고 자료에 기재된 자유공간 방정식을 활용하여 노드 j에서 노드 i까지의 간섭을 계산할 수 있다. (참고자료 : He, S.; Chen, J.; Jiang, F.; Yau, D.K.; Xing, G.; Sun, Y. Energy provisioning in wireless rechargeable sensor networks. IEEE transactions on mobile computing 2012, 12, 1931-1942)In addition, Equation 15 below is an objective function that determines priority based on IPN, which is the probability that a data transmission failure will occur frequently, and IPN i refers to the IPN value measured at node i, which is described in the reference materials below. Interference from node j to node i can be calculated using the free space equation. (References: He, S.; Chen, J.; Jiang, F.; Yau, DK; Xing, G.; Sun, Y. Energy provisioning in wireless rechargeable sensor networks. IEEE transactions on mobile computing 2012, 12, 1931 -1942)
[수학식 15][Equation 15]
하기 수학식 16은 특정 슬롯 프레임 내에서 전송할 패킷의 양을 기반으로 우선순위를 결정하는 목적함수를 표시하는 것이다. 하기 수학식 16에서 우선순위를 결정하는 목적함수는 패킷의 양이 많은 노드가 우선적으로 스케줄링 될 수 있음을 의미하는 것이다.Equation 16 below represents an objective function that determines priority based on the amount of packets to be transmitted within a specific slot frame. The objective function that determines priority in Equation 16 below means that nodes with a large amount of packets can be scheduled preferentially.
[수학식 16][Equation 16]
상기 수학식 16에서 PT i 는 노드 i에서 전송해야 하는 패킷의 수를 의미하는 것이다.In Equation 16 above, PT i means the number of packets that must be transmitted from node i.
하기 수학식 17은 목적함수를 동시에 고려하는 다목적 최적화를 수행하고자 하였고, 각 항들의 상대적인 크기를 고려하여 각 목적함수를 정규화하여 다목적함수를 정의하였다.Equation 17 below was intended to perform multi-objective optimization that simultaneously considers the objective functions, and the multi-objective function was defined by normalizing each objective function considering the relative size of each term.
[수학식 17][Equation 17]
상기 수학식 17에서 RN ni , IPN ni , PT ni 는 각각 하기 식 17-1, 17-2 및 17-3으로 정규화되고, 각 목적함수의 가중치의 W 1 , W 2 및 W 3 의 합은 1로 나타난다.In Equation 17, RN ni , IPN ni , and PT ni are normalized by the following equations 17-1, 17-2, and 17-3, respectively, and the sum of W 1 , W 2 , and W 3 of the weights of each objective function is 1 It appears as
[수학식 17-1][Equation 17-1]
[수학식 17-2][Equation 17-2]
[수학식 17-3][Equation 17-3]
이에 따라, 실시예에 따른 신재생 에너지 발전량 예측 방법은, 센서 네트워크에서 브로드캐스트가 완료된 후 싱크 노드에 의해 설정된 노드의 우선순위에 따라 링크 스케줄링이 시작되고 하위 노드의 우선 순위에 따라 상위, 하위 노드 간 링크가 결정되며, 노드 우선 순위를 기반으로 구현하였다.Accordingly, in the method for predicting renewable energy power generation according to an embodiment, after broadcasting is completed in a sensor network, link scheduling begins according to the priority of the node set by the sink node, and the upper and lower nodes according to the priority of the lower node Interlinks are determined and implemented based on node priority.
(3) 신재생 에너지 발전량 예측(3) Forecast of new and renewable energy power generation
설계한 신재생 에너지 발전량 예측 알고리즘과 무선 센서 네트워크에서 링크 스케줄링 알고리즘에 대한 성능을 평가하였다. The performance of the designed renewable energy generation prediction algorithm and link scheduling algorithm in a wireless sensor network was evaluated.
성능 평가를 위한 신재생 에너지 발전량 예측 모델을 구현하기 위해 태양광 발전 및 풍력 발전 데이터(단위 : 30분)는 대한민국 기상청의 기상 정보(2019년 1월 1일 ~ 2019년 12월 31일)로 부터 취득하였으며, 해당 데이터는 가우시안 프로세스 회귀(Gaussian Process Regression, GPR), 선형 회귀 모델(Linear Regression Model, LRM), 서포트 벡터 머신(Support Vector Machine, SVM), 트리 회귀(Tree Regression, TR), 신경망(Neural Network, NN)과 장단기 네트워크(Long-Short Term Network, LSTM)와 같은 회귀 기술에 사용되었다.In order to implement a new and renewable energy power generation prediction model for performance evaluation, solar power generation and wind power generation data (unit: 30 minutes) were obtained from the weather information of the Korea Meteorological Administration (January 1, 2019 to December 31, 2019). The data was acquired using Gaussian Process Regression (GPR), Linear Regression Model (LRM), Support Vector Machine (SVM), Tree Regression (TR), and neural network ( It has been used in regression techniques such as Neural Network (NN) and Long-Short Term Network (LSTM).
취득한 데이터의 70%는 제안된 모델의 훈련 단계에서 훈련 및 검증 데이터로 활용되었고 나머지 30%는 예측 성능 평가에 사용되었으며, KRLS 커널 기반 예측 알고리즘을 기술된 알고리즘과 비교하여 태양광 발전에 대한 데이터 예측 정확도와 풍력 발전에 대한 데이터 예측 정확도를 각각 평가하였으며, 그 결과를 하기 표 1 및 표 2에 각각 나타내었다.70% of the acquired data was used as training and validation data in the training phase of the proposed model, and the remaining 30% was used to evaluate prediction performance, and data prediction for solar power generation was performed by comparing the KRLS kernel-based prediction algorithm with the described algorithm. Accuracy and data prediction accuracy for wind power generation were evaluated, and the results are shown in Tables 1 and 2 below.
(4) 링크 스케줄링 알고리즘(4) Link scheduling algorithm
실시예의 링크 스케줄링 알고리즘을 패킷 전송률 및 네트워크 자원 사용 효율성의 성능 측면에서 타 알고리즘과 비교하였다. 이때, 타 알고리즘은 DeAMON 알고리즘(Decentralized Adaptive Multi-hop scheduling protocol for 6TiSCH wireless Networks), 우선순위가 있는 DeAMON 알고리즘(DeAMON with priority) 알고리즘을 사용하였다. 상기 DeAMON 알고리즘은 인접노드 간의 신호 오버헤드가 최소화된 분산 스케줄링을 보장하고, 순차적 스케줄링, 병렬 전송, 라우팅 지원 스케줄링 재구성, 강건한 오버프로 비저닝 및 즉각적인 업데이트 메커니즘을 보장하여 백업 슬롯에 대한 동적 업데이트가 가능하다. 상기 DeAMON with priority 알고리즘은 노드의 속성 중 우선순위를 고려한 DeAMON 알고리즘을 의미하는 것이다.The link scheduling algorithm of the embodiment was compared with other algorithms in terms of performance in packet transmission rate and network resource use efficiency. At this time, the other algorithms used were the DeAMON algorithm (Decentralized Adaptive Multi-hop scheduling protocol for 6TiSCH wireless Networks) and the DeAMON algorithm with priority (DeAMON with priority). The DeAMON algorithm guarantees distributed scheduling with minimal signaling overhead between adjacent nodes, sequential scheduling, parallel transmission, routing support scheduling reconfiguration, robust overprovisioning, and an immediate update mechanism, enabling dynamic updates to backup slots. do. The DeAMON with priority algorithm refers to the DeAMON algorithm that considers priority among node properties.
도 11은 실시예의 알고리즘(proposed), 우선순위가 있는 DeAMON 알고리즘 및 DeAMON 알고리즘의 (a) 필요 타임슬롯을 평가하기 위한 셀 사용량 평가 결과, (b) 패킷 운반률(Packet Delivery Ratio, PDR)별 링크 성공 확률(link success probability, LSP)과 (c) 가우시안 프로세스 회귀(GPR), 선형 회귀 모델(LRM), 서포트 벡터 머신(SVM), 트리 회귀(TR), 신경망(NN)과 장단기 네트워크(LSTM) 및 실시예(proposed)를 활용한 경우 링크 성공 확률(link success probability, LSP)에 따른 패킷 전달 비율(Packet Delivery Ratio, PDR)과 데이터 예측 정확도 성능(RMSE)를 평가한 결과이다. Figure 11 shows the algorithm (proposed) of the embodiment, the DeAMON algorithm with priority, and (a) the cell usage evaluation result for evaluating the required timeslot of the DeAMON algorithm, (b) the link by packet delivery ratio (PDR) link success probability (LSP) and (c) Gaussian process regression (GPR), linear regression model (LRM), support vector machine (SVM), tree regression (TR), neural network (NN), and long short term network (LSTM). This is the result of evaluating the Packet Delivery Ratio (PDR) and data prediction accuracy performance (RMSE) according to the link success probability (LSP) when using the proposed embodiment.
도 11(a)를 참조하면, 실시예의 알고리즘(proposed)은 슬롯 프레임의 처음 초기 11개의 타임 슬롯을 포함하여 총 67개의 타임슬롯만을 필요로 하는 반면에, 우선순위가 있는 DeAMON 알고리즘 및 DeAMON 알고리즘의 경우에는 총 86개의 타임슬롯이 필요한 것으로 확인되었다. 상기와 같은 결과는 링크 스케줄링 알고리즘에 의해 각 시간대별 셀 활용도가 우선순위가 있는 DeAMON 알고리즘 및 DeAMON 알고리즘에 비해 높다는 것을 의미하며, 이는 네트워크를 이루는 센서 노드에 대해 우선순위를 적절히 할당함으로써 비충돌 병렬 전송을 수행함에 따라 저지연 통신이 가능하다는 사실을 시사하였다.Referring to Figure 11(a), the algorithm of the embodiment (proposed) requires only a total of 67 timeslots, including the first 11 timeslots of the slot frame, while the prioritized DeAMON algorithm and the DeAMON algorithm's In this case, it was confirmed that a total of 86 timeslots were needed. The above results mean that the cell utilization for each time slot is higher than that of the DeAMON algorithm and the DeAMON algorithm, which has priority due to the link scheduling algorithm. This is achieved by appropriately assigning priorities to the sensor nodes that make up the network, thereby ensuring non-collision parallel transmission. It was implied that low-latency communication was possible by performing .
또한, 도 11(b) 및 도 11(c)을 참조하면, 실시예에 따른 링크 스케줄링 알고리즘은 상위 노드에서 에러가 발생할 경우 대체 가능한 상위 노드를 탐색함으로써 재구성이 가능하여 다른 알고리즘에 비해 보다 나은 성능을 발휘하는 것으로 판단되었다.In addition, referring to FIGS. 11(b) and 11(c), the link scheduling algorithm according to the embodiment can be reconfigured by searching for a replacement upper node when an error occurs in the upper node, resulting in better performance than other algorithms. It was judged to be effective.
100 : 링크 스케줄링부
110 : 제1 저장 모듈
130 : 링크 스케줄링 모듈
131 : 데이터 수집 유닛
133 : 타임 슬롯 프레임 생성 유닛
135 : 링크 스케줄링 최적화 유닛
200 : 데이터 수집부
210 : 센서 데이터 수집 모듈
230 : 제2 저장 모듈
250 : 통신 모듈
300 : 발전량 예측부
310 : 매핑모듈
330 : 변환모듈
350 : 예측모듈100: Link scheduling unit
110: first storage module
130: Link scheduling module
131: data collection unit
133: Time slot frame generation unit
135: Link scheduling optimization unit
200: data collection unit
210: sensor data collection module
230: second storage module
250: Communication module
300: Power generation prediction unit
310: Mapping module
330: Conversion module
350: Prediction module
Claims (19)
상기 링크 스케줄링부에서 출력된 링크 스케줄링 데이터를 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 센서 데이터를 수집하는 데이터 수집부; 및
상기 데이터 수집부에서 수집한 센서 데이터를 수신하고, 커널 함수를 적용하여 수신된 상기 수집한 센서 데이터를 고차원 특징 공간 데이터로 매핑하여 선형 내적 공간 데이터를 생성하고, 상기 선형 내적 공간 데이터를 고차원 특징 공간 데이터로 변환한 후 발전량 예측 커널 함수에 적용하여 신재생 에너지 발전량을 예측하는 기계 학습된 발전량 예측 알고리즘을 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 발전량을 예측하는 발전량 예측부;를 포함하는 신재생에너지 발전량 예측 장치.A link scheduling unit that generates link scheduling data of sensor nodes using a machine-learned link scheduling algorithm to collect sensor data for predicting the power generation of a plurality of target renewable energy power generation plants;
a data collection unit that collects sensor data from sensor nodes of the prediction target renewable energy power generation plant using link scheduling data output from the link scheduling unit; and
Receive sensor data collected by the data collection unit, apply a kernel function to map the received sensor data to high-dimensional feature space data to generate linear inner product space data, and convert the linear inner product space data into a high-dimensional feature space. A power generation prediction unit that predicts the power generation of the predicted new and renewable energy power generation plant using a machine-learned power generation prediction algorithm that converts the data into data and applies it to the power generation prediction kernel function to predict the new renewable energy power generation. Energy generation prediction device.
상기 링크 스케줄링부는,
상기 복수 개의 예측 대상 신재생에너지 발전 플랜트의 플랜트 구조 데이터를 저장하는 제1 저장 모듈; 및
상기 제1 저장 모듈에 저장된 상기 플랜트 구조 데이터를 이용하여 링크 스케줄링을 수행하는 링크 스케줄링 모듈을 포함하는 신재생에너지 발전량 예측 장치.According to paragraph 1,
The link scheduling unit,
a first storage module that stores plant structure data of the plurality of prediction target renewable energy power generation plants; and
A renewable energy power generation prediction device comprising a link scheduling module that performs link scheduling using the plant structure data stored in the first storage module.
상기 플랜트 구조 데이터는,
상기 센서 노드의 배치 정보, 전송 전력, 파장, 6TiSCH 네트워크의 주파수 대역 및 레일리 페이딩(Rayleigh fading)의 스케일 매개 변수 중 적어도 어느 하나 이상을 포함하는 신재생에너지 발전량 예측 장치.According to paragraph 2,
The plant structure data is,
A renewable energy power generation prediction device including at least one of the sensor node placement information, transmission power, wavelength, frequency band of the 6TiSCH network, and scale parameters of Rayleigh fading.
상기 링크 스케줄링 모듈은,
상기 플랜트 구조 데이터를 수집하는 데이터 수집 유닛;
모든 연결 전송에 대한 슬롯 프레임 내부 시간이 설정된 타임 슬롯 프레임을 생성하는 타임 슬롯 프레임 생성 유닛; 및
랭크(rank), IPN, 전송 패킷 수 중 적어도 어느 하나를 포함하는 노드의 속성을 고려하여 전체 센서 노드의 랭크를 기반으로 우선순위를 결정하는 링크 스케줄링 최적화 유닛;을 포함하는 신재생에너지 발전량 예측 장치.According to paragraph 2,
The link scheduling module,
a data collection unit that collects the plant structure data;
a time slot frame generation unit that generates a time slot frame with a slot frame internal time set for all connection transmissions; and
A link scheduling optimization unit that determines priority based on the rank of all sensor nodes in consideration of node properties including at least one of rank, IPN, and number of transmission packets; A renewable energy power generation prediction device comprising a. .
상기 데이터 수집부는,
상기 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드들로부터 센서 데이터를 수집하는 데이터 수집 모듈; 및
상기 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 수집한 센서 데이터 및 상기 예측 대상 신재생에너지 발전 플랜트가 설치된 지역의 기상 데이터를 저장하는 제2 저장 모듈;을 포함하는 신재생에너지 발전량 예측 장치.According to paragraph 1,
The data collection unit,
A data collection module that collects sensor data from sensor nodes of the renewable energy power generation plant subject to the power generation prediction target; and
A second storage module that stores sensor data collected from a sensor node of the prediction target renewable energy power generation plant and weather data of an area where the prediction target new renewable energy power generation plant is installed. A renewable energy power generation prediction device comprising a.
상기 발전량 예측부는,
고차원 공간 매핑 커널 함수를 이용하여 입력 데이터를 고차원 특징 공간 데이터로 매핑하여 상기 선형 내적 공간 데이터를 생성하는 매핑모듈;
상기 선형 내적 공간 데이터를 고차원 특징 공간 변환 커널 함수를 이용하여 상기 고차원 특징 공간 데이터로 변환하는 변환모듈; 및
상기 고차원 특징 공간 데이터를 상기 발전량 예측 커널 함수에 적용하여 신재생에너지 발전량을 예측하는 예측모듈;을 포함하여 기계 학습된 신재생에너지 발전량 예측 알고리즘을 이용하여 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 신재생에너지 발전량을 예측하는 신재생에너지 발전량 예측 장치.According to paragraph 1,
The power generation prediction unit,
a mapping module that generates the linear dot product space data by mapping input data to high-dimensional feature space data using a high-dimensional space mapping kernel function;
a conversion module that converts the linear inner product space data into the high-dimensional feature space data using a high-dimensional feature space transformation kernel function; and
A prediction module that predicts the renewable energy generation amount by applying the high-dimensional feature space data to the power generation prediction kernel function; A renewable energy power generation prediction device that predicts renewable energy power generation.
상기 고차원 공간 매핑 커널 함수는 하기 수학식 1 내지 수학식 4로 표현되는 신재생에너지 발전량 예측 장치(단, 하기 수학식 1 내지 4에서, y k 는 측정되는 신호, u는 원하는 응답신호, δ x , , 는 각각 재귀적으로 추정해야 하는 미지 계수, x 0 및 z o 는 각각 시스템의 입력과 출력 차수, α는 수집된 센서 데이터, β는 모델 파라미터값, γ k 는 특정 공간에서의 노이즈 값을 각각 의미하는 것임).
[수학식 1]
[수학식 2]
[수학식 3]
[수학식 4]
According to clause 6,
The high-dimensional spatial mapping kernel function is a renewable energy power generation prediction device expressed by Equations 1 to 4 below (however, in Equations 1 to 4 below, y k is the measured signal, u is the desired response signal, and δ x , , are the unknown coefficients that must be estimated recursively, x 0 and z o are the input and output orders of the system, respectively, α is the collected sensor data, β is the model parameter value, and γ k is the noise value in a specific space. (doing so).
[Equation 1]
[Equation 2]
[Equation 3]
[Equation 4]
상기 고차원 공간 변환 커널 함수는 하기 수학식 5로 표현되는 신재생에너지 발전량 예측 장치(단, 하기 수학식 5에서, Κ는 Mercer 커널, χ는 입력된 모든 k개 샘플의 행렬, R은 정규화 매개변수, H는 Mercer 커널과 연관된 재생 커널 힐버트 공간(reproducing kernel Hilbert space, RKHS), Ψ는 모델의 망각 요인을 의미하는 것임).
[수학식 5]
According to clause 6,
The high-dimensional spatial transformation kernel function is a renewable energy power generation prediction device expressed in Equation 5 below (where, in Equation 5 below, Κ is the Mercer kernel, χ is the matrix of all k input samples, and R is the normalization parameter , H is the reproducing kernel Hilbert space (RKHS) associated with the Mercer kernel, and Ψ refers to the forgetting factor of the model.
[Equation 5]
상기 발전량 예측 커널 함수는,
가우시안 커널(Gaussian Kernel) 함수, 다항 커널(Polynomial Kernel) 함수, 시그모이드 커널(Sigmoid Kernel) 함수 중 적어도 어느 하나를 사용하여 시계열 예측 정확도를 향상시키는 신재생에너지 발전량 예측 장치.According to clause 6,
The power generation prediction kernel function is,
A renewable energy power generation prediction device that improves time series prediction accuracy using at least one of the Gaussian Kernel function, Polynomial Kernel function, and Sigmoid Kernel function.
상기 발전량 예측 커널 함수는,
하기 수학식 7로 표현되는 상기 가우시안 커널(Gaussian Kernel) 함수인 것을 특징으로 하는 신재생에너지 발전량 예측 장치(단, 하기 수학식 7에서, ρ는 스케일링 계수, α′는 새로운 정보 데이터를 의미하는 것임).
[수학식 7]
According to clause 9,
The power generation prediction kernel function is,
A renewable energy power generation prediction device characterized by the Gaussian Kernel function expressed in Equation 7 below (however, in Equation 7 below, ρ is a scaling coefficient and α′ refers to new information data) ).
[Equation 7]
링크 스케줄링부에서 출력된 상기 링크 스케줄링 데이터를 이용하여 발전량 예측 대상 신재생에너지 발전 플랜트의 상기 센서 노드로부터 센서 데이터를 수집하는 데이터 수집 단계; 및
데이터 수집부에서 수집한 상기 센서 데이터를 수신하고, 기계 학습된 신재생에너지 발전량 예측 알고리즘을 이용하여 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 신재생에너지 발전량을 예측하는 발전량 예측 단계;를 포함하고,
상기 기계 학습된 신재생에너지 발전량 예측 알고리즘은,
커널 함수를 적용하여 수신된 상기 수집한 센서 데이터를 고차원 특징 공간 데이터로 매핑하여 선형 내적 공간 데이터를 생성하고, 상기 선형 내적 공간 데이터를 상기 고차원 특징 공간 데이터로 변환한 후 발전량 예측 커널 함수에 적용하여 신재생 에너지 발전량을 예측하는 신재생에너지 발전량 예측 방법.A link scheduling step of generating link scheduling data of sensor nodes using a machine-learned link scheduling algorithm to collect sensor data for predicting power generation of a renewable energy power plant;
A data collection step of collecting sensor data from the sensor node of a renewable energy power generation plant subject to power generation prediction using the link scheduling data output from the link scheduling unit; and
A power generation prediction step of receiving the sensor data collected by a data collection unit and predicting the renewable energy power generation amount of the renewable energy power generation plant subject to power generation prediction using a machine-learned renewable energy power generation prediction algorithm,
The machine learned renewable energy power generation prediction algorithm is,
By applying a kernel function, the collected sensor data is mapped to high-dimensional feature space data to generate linear inner product space data, and the linear inner product space data is converted into the high-dimensional feature space data and then applied to the power generation prediction kernel function. A method for predicting new and renewable energy power generation.
상기 링크 스케줄링 단계는,
복수 개의 예측 대상 신재생에너지 발전 플랜트의 플랜트 구조 데이터를 수집하는 단계;
전체 링크에 대한 타임 슬롯 프레임을 생성하는 단계; 및
수집한 상기 플랜트 구조 데이터를 상기 기계 학습된 링크 스케줄링 알고리즘으로 링크 스케줄링하여 상기 센서 노드의 링크 스케줄링 데이터를 생성하는 링크 스케줄링 데이터 최적화 단계;를 포함하는 신재생에너지 발전량 예측 방법.According to clause 11,
The link scheduling step is,
Collecting plant structure data of a plurality of prediction target renewable energy power generation plants;
generating a time slot frame for the entire link; and
A link scheduling data optimization step of link scheduling the collected plant structure data using the machine learned link scheduling algorithm to generate link scheduling data of the sensor node.
상기 링크 스케줄링 단계는,
상기 센서 노드의 배치 정보, 전송 전력, 파장, 6TiSCH 네트워크의 주파수 대역 및 레일리 페이딩(Rayleigh fading)의 스케일 매개 변수 중 적어도 어느 하나 이상을 포함하는 상기 플랜트 구조 데이터를 수집하고, 모든 연결 전송에 대한 슬롯 프레임 내부 시간이 설정된 타임 슬롯 프레임을 생성하며, 랭크(rank), 노이즈 포함 간섭(Interference-Plus-Noise, IPN), 전송 패킷 수 중 적어도 어느 하나를 포함하는 노드의 속성을 고려하여 전체 센서 노드의 랭크를 기반으로 우선순위를 결정하는 링크 스케줄링 최적화를 통해 상기 센서 노드의 링크 스케줄링 데이터를 생성하는 신재생에너지 발전량 예측 방법.According to clause 12,
The link scheduling step is,
Collect the plant structure data including at least one of the sensor node placement information, transmission power, wavelength, frequency band of the 6TiSCH network, and scale parameters of Rayleigh fading, and slots for all connected transmissions. It generates a time slot frame with the internal time of the frame set, and considers the properties of the node including at least one of rank, interference-plus-noise (IPN), and number of transmission packets to determine the total number of sensor nodes. A method for predicting renewable energy power generation that generates link scheduling data of the sensor node through link scheduling optimization that determines priority based on rank.
상기 데이터 수집 단계는,
상기 데이터 수집부에서 상기 센서 노드의 링크 스케줄링 데이터를 이용해 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드들로부터 센서 데이터를 수집하는 단계; 및 상기 데이터 수집부에서 상기 예측 대상 신재생에너지 발전 플랜트가 설치된 지역의 기상 데이터를 수집하는 단계를 포함하는 신재생에너지 발전량 예측 방법.According to clause 11,
The data collection step is,
Collecting sensor data from sensor nodes of the renewable energy power generation plant subject to power generation prediction using link scheduling data of the sensor node in the data collection unit; And a method for predicting new and renewable energy power generation, including the step of collecting weather data of the area where the predicted new and renewable energy power generation plant is installed by the data collection unit.
상기 발전량 예측 단계는,
고차원 공간 매핑 커널 함수를 이용하여 입력 데이터를 상기 고차원 특징 공간 데이터로 매핑하여 상기 선형 내적 공간 데이터를 생성하는 고차원 특징 공간 매핑단계;
상기 고차원 특징 공간 매핑단계에서 생성된 상기 선형 내적 공간 데이터를 고차원 특징 공간 변환 커널 함수를 이용하여 상기 고차원 특징 공간 데이터로 변환하는 고차원 특징 공간 변환단계; 및
상기 고차원 특징 공간 변환단계에서 변환한 상기 고차원 특징 공간 데이터를 상기 발전량 예측 커널 함수에 적용하여 상기 신재생에너지 발전량을 예측하는 단계;를 포함하는 신재생에너지 발전량 예측 방법.According to clause 11,
The power generation prediction step is,
A high-dimensional feature space mapping step of mapping input data to the high-dimensional feature space data using a high-dimensional space mapping kernel function to generate the linear dot product space data;
A high-dimensional feature space transformation step of converting the linear inner product space data generated in the high-dimensional feature space mapping step into the high-dimensional feature space data using a high-dimensional feature space transformation kernel function; and
Predicting the renewable energy generation amount by applying the high-dimensional feature space data converted in the high-dimensional feature space conversion step to the power generation prediction kernel function to predict the renewable energy generation amount.
상기 고차원 특징 공간 매핑단계는,
하기 수학식 1 내지 수학식 4로 표현되는 상기 고차원 공간 매핑 커널 함수를 이용해 상기 선형 내적 공간 데이터를 생성하는 신재생에너지 발전량 예측 방법(단, 하기 수학식 1 내지 4에서, yk 는 측정되는 신호, u는 원하는 응답신호, δx, , 는 각각 재귀적으로 추정해야 하는 미지 계수, x0 및 zo 는 각각 시스템의 입력과 출력 차수, α는 수집된 센서 데이터, β는 모델 파라미터값, γk 는 특정 공간에서의 노이즈 값을 각각 의미하는 것임).
[수학식 1]
[수학식 2]
[수학식 3]
[수학식 4]
According to clause 15,
The high-dimensional feature space mapping step is,
A method for predicting renewable energy power generation that generates the linear inner product spatial data using the high-dimensional spatial mapping kernel function expressed in Equations 1 to 4 below (however, in Equations 1 to 4 below, y k is the signal to be measured , u is the desired response signal, δ x , , are the unknown coefficients that must be estimated recursively, x 0 and z o are the input and output orders of the system, respectively, α is the collected sensor data, β is the model parameter value, and γ k is the noise value in a specific space. (doing so).
[Equation 1]
[Equation 2]
[Equation 3]
[Equation 4]
상기 고차원 특징 공간 변환단계는,
하기 수학식 5로 표현되는 상기 고차원 공간 변환 커널 함수를 이용해 상기 고차원 특징 공간 데이터를 생성하는 신재생에너지 발전량 예측 방법(단, 하기 수학식 5에서, Κ는 Mercer 커널, χ는 입력된 모든 k개 샘플의 행렬, R은 정규화 매개변수, H는 Mercer 커널과 연관된 재생 커널 힐버트 공간(reproducing kernel Hilbert space, RKHS), Ψ는 모델의 망각 요인을 의미하는 것임).
[수학식 5]
According to clause 15,
The high-dimensional feature space transformation step is,
A method for predicting renewable energy power generation that generates the high-dimensional feature space data using the high-dimensional spatial transformation kernel function expressed in Equation 5 below (however, in Equation 5 below, Κ is the Mercer kernel and χ is all k input The matrix of samples, R is the regularization parameter, H is the reproducing kernel Hilbert space (RKHS) associated with the Mercer kernel, and Ψ is the forgetting factor of the model.
[Equation 5]
상기 발전량 예측 단계는,
가우시안 커널(Gaussian Kernel) 함수, 다항 커널(Polynomial Kernel) 함수, 시그모이드 커널(Sigmoid Kernel) 함수 중 적어도 어느 하나를 포함하는 상기 발전량 예측 커널 함수를 이용해 신재생에너지의 발전량을 예측하는 신재생에너지 발전량 예측 방법.According to clause 15,
The power generation prediction step is,
Renewable energy predicting the power generation of new and renewable energy using the power generation prediction kernel function including at least one of a Gaussian Kernel function, a Polynomial Kernel function, and a Sigmoid Kernel function. How to predict power generation.
상기 발전량 예측 단계는,
하기 수학식 7로 표현되는 상기 가우시안 커널(Gaussian Kernel) 함수를 상기 발전량 예측 커널 함수로 이용해 신재생에너지의 발전량을 예측하는 신재생에너지 발전량 예측 방법(단, 하기 수학식 7에서, ρ는 스케일링 계수, α′는 새로운 정보 데이터를 의미하는 것임).
[수학식 7]
According to clause 18,
The power generation prediction step is,
A new and renewable energy power generation prediction method that predicts the power generation of new and renewable energy using the Gaussian Kernel function expressed in Equation 7 below as the power generation prediction kernel function (however, in Equation 7 below, ρ is a scaling coefficient , α′ means new information data).
[Equation 7]
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220179530A KR102661899B1 (en) | 2022-12-20 | 2022-12-20 | Apparatus and method for predicting generation amount of renewable energy |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220179530A KR102661899B1 (en) | 2022-12-20 | 2022-12-20 | Apparatus and method for predicting generation amount of renewable energy |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102661899B1 true KR102661899B1 (en) | 2024-04-29 |
Family
ID=90883492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220179530A KR102661899B1 (en) | 2022-12-20 | 2022-12-20 | Apparatus and method for predicting generation amount of renewable energy |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102661899B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140043184A (en) * | 2012-09-28 | 2014-04-08 | 한국전자통신연구원 | Apparatus and method for forecasting an energy comsumption |
| US20180203160A1 (en) * | 2017-01-18 | 2018-07-19 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
| KR20210146094A (en) * | 2020-05-26 | 2021-12-03 | 울산대학교 산학협력단 | Link scheduling method based on the estimation of the amount of packet of nodes on industrial wireless sensor network and recording media recorded program realizing the same |
| KR102444254B1 (en) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | Solar power generation prediction system and method |
-
2022
- 2022-12-20 KR KR1020220179530A patent/KR102661899B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140043184A (en) * | 2012-09-28 | 2014-04-08 | 한국전자통신연구원 | Apparatus and method for forecasting an energy comsumption |
| US20180203160A1 (en) * | 2017-01-18 | 2018-07-19 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
| KR20210146094A (en) * | 2020-05-26 | 2021-12-03 | 울산대학교 산학협력단 | Link scheduling method based on the estimation of the amount of packet of nodes on industrial wireless sensor network and recording media recorded program realizing the same |
| KR102444254B1 (en) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | Solar power generation prediction system and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Distributionally robust planning for data delivery in distributed satellite cluster network | |
| Oyman et al. | Multiple sink network design problem in large scale wireless sensor networks | |
| Sengupta et al. | Multi-objective node deployment in WSNs: In search of an optimal trade-off among coverage, lifetime, energy consumption, and connectivity | |
| CN105531963A (en) | System and methods for multi-objective cell switch-off in wireless networks | |
| CN109831808B (en) | Resource allocation method of hybrid power supply C-RAN based on machine learning | |
| Wei et al. | Wireless sensor network data collection by connected cooperative UAVs | |
| CN115276756B (en) | Low orbit satellite constellation optimization design method for guaranteeing service quality | |
| Hu et al. | An intelligent UAV deployment scheme for load balance in small cell networks using machine learning | |
| Hua et al. | GAN-based deep distributional reinforcement learning for resource management in network slicing | |
| CN117241295B (en) | Wireless communication network performance optimization method, device and storage medium | |
| Ceran et al. | Optimal energy allocation policies for a high altitude flying wireless access point | |
| Li et al. | Throughput maximization by deep reinforcement learning with energy cooperation for renewable ultradense IoT networks | |
| CN111083724B (en) | OCWG-TOPSIS-based user association method in fog computing network | |
| Kone et al. | Adaptive management of energy consumption, reliability and delay of wireless sensor node: Application to IEEE 802.15. 4 wireless sensor node | |
| Dhillon et al. | Fundamentals of base station availability in cellular networks with energy harvesting | |
| Diamanti et al. | Resource orchestration in uav-assisted noma wireless networks: A labor economics perspective | |
| Mekala et al. | Computational intelligent sensor-rank consolidation approach for industrial internet of things (iiot) | |
| Liu et al. | Joint laser charging and DBS placement for drone-assisted edge computing | |
| CN113159539B (en) | Method for combining green energy scheduling and dynamic task allocation in multi-layer edge computing system | |
| KR102661899B1 (en) | Apparatus and method for predicting generation amount of renewable energy | |
| Kim et al. | Energy adaptive MAC for wireless sensor networks with RF energy transfer: Algorithm, analysis, and implementation | |
| Nguyen et al. | Utility optimization for blockchain empowered edge computing with deep reinforcement learning | |
| CN107835043B (en) | Method for rapidly evaluating information transmission interruption probability in wireless power supply communication | |
| CN116170881A (en) | Cross-domain resource allocation and unloading method and system based on edge calculation | |
| Gupta et al. | Energy resource allocation for green FiWi network using ensemble learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |