KR20170061377A - 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치 - Google Patents

다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치 Download PDF

Info

Publication number
KR20170061377A
KR20170061377A KR1020150166316A KR20150166316A KR20170061377A KR 20170061377 A KR20170061377 A KR 20170061377A KR 1020150166316 A KR1020150166316 A KR 1020150166316A KR 20150166316 A KR20150166316 A KR 20150166316A KR 20170061377 A KR20170061377 A KR 20170061377A
Authority
KR
South Korea
Prior art keywords
data
wind speed
initial
prediction
learning
Prior art date
Application number
KR1020150166316A
Other languages
English (en)
Other versions
KR101749427B1 (ko
Inventor
이정훈
박경린
현예빈
이윤지
윤영미
Original Assignee
제주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 제주대학교 산학협력단 filed Critical 제주대학교 산학협력단
Priority to KR1020150166316A priority Critical patent/KR101749427B1/ko
Publication of KR20170061377A publication Critical patent/KR20170061377A/ko
Application granted granted Critical
Publication of KR101749427B1 publication Critical patent/KR101749427B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치가 개시된다. 일 측에 따른 방법은, 풍속을 예측하기 위한 대상 시점 및 상기 대상 시점 이전의 일정한 시간 구간에 대한 풍속 데이터를 수신하는 단계와, 서로 다른 특성을 갖는 복수의 ANN(Artificial Neural Network)을 이용하여 상기 대상 시점의 풍속에 관한 초기 예측 데이터를 생성하는 단계와, 상기 초기 예측 데이터 중 적어도 일부를 이용하여 최종 예측 데이터를 생성하는 단계를 포함한다.

Description

다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치{METHOD FOR FORECASTING WIND SPEED BASED ON ARTIFICIAL NEURAL NETWORKS HAVING DIFFERENT FEATURES}
아래 실시예들은 풍속 예측 기법에 관한 것으로, 보다 상세하게는 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 기법에 관한 것이다.
에너지 효율과 친 환경을 추구하는 최근의 전력 시스템에 있어서 재생 에너지가 주목 받고 있다. 재생 에너지는 화석 연료나 핵 연료로 가동되는 발전소에 대한 의존도를 낮출 수 있다. 많은 지역 또는 국가들은 그들의 바람, 태양광, 파도와 같은 재생 에너지의 소스에 의한 잠재력을 가질 수 있다.
그러나, 이러한 에너지는 그들의 간헐적인(intermittent) 특성으로 인해 메인 그리드로 통합되기 어려운 면이 있다. 예컨대, 바람이 많이 불 경우 재생 에너지에 의한 전력은 수요를 넘어 과 생산되어 낭비될 될 수 있다. 또한, 전력 수요가 높은 상황에서 재생 에너지의 생산이 불가능할 수 있다. 이러한 문제는 전력이 이후의 사용을 위해 경제적으로 저장될 수 없다는 것에 기인한다. 효율적인 작동을 위해, 메인 그리드는 재생 에너지로부터 얻을 수 있는 전력을 고려하여 발전소에서 얼마나 많은 에너지를 생산할 것인가를 결정해야 한다.
이를 위해, 재생 에너지의 이용 가능성을 정확하게 예측하는 것이 요구된다. 예컨대, 풍력 에너지의 경우, 풍속을 예측하는 것이 요구된다. 풍속의 예측은 다양한 국가의 수 많은 연구원들 및 공학자들에게 오래된 과제이다. 그러나, 풍속을 예측하는 보편적인 방법은 존재하지 않으며, 각각의 지역들은 그들의 모델에 따라 풍속을 예측하고 있다.
나아가, 이러한 풍속의 예측에는 ANNs(Artificial Neural Networks), 퍼지 이론(fuzzy logic), ARIMA(Auto Regressive Integrative Moving Averate)와 같은 기술들이 접목될 수 있다. ANNs는 대상 객체의 비선형 움직임을 예측하기 위해 이용될 수 있다. 따라서, ANNs를 통해 학습 단계에서 입력 변수와 출력 변수의 의존 관계를 찾을 수 있고, 학습을 위한 학습 데이터는 관측 및 측정의 과정을 통해 획득될 수 있다.
아래 실시예들은 다양한 기준의 인공 신경망에 기초하여 풍속을 정확하게 예측할 수 있는 기법을 제공하는데 그 목적이 있다.
일 측에 따른 풍속 예측 방법은, 풍속을 예측하기 위한 대상 시점 및 상기 대상 시점 이전의 일정한 시간 구간에 대한 풍속 데이터를 수신하는 단계; 서로 다른 특성을 갖는 복수의 ANN(Artificial Neural Network)을 이용하여 상기 대상 시점의 풍속에 관한 초기 예측 데이터를 생성하는 단계; 및 상기 초기 예측 데이터 중 적어도 일부를 이용하여 최종 예측 데이터를 생성하는 단계를 포함한다.
상기 복수의 ANN은, 서로 다른 기준으로 분류된 기간의 학습 데이터로 미리 학습되고, 상기 서로 다른 기준은 계절 및 월(month)을 포함할 수 있다.
상기 복수의 ANN은, 상기 풍속 데이터에 대응하는 복수의 입력 노드 및 초기 예측 데이터를 출력하기 위한 출력 노드를 포함할 수 있다.
상기 초기 예측 데이터는, 풍속의 계절별 변화 특성에 관한 초기 예측 데이터 및 풍속의 월별(monthly) 변화 특성에 관한 초기 예측 데이터를 포함할 수 있다.상기 복수의 ANN은, 전체 기간의 특성에 기초하여 제1 초기 예측 데이터를 생성하는 ANN1, 상기 전체 기간의 계절별 특성에 기초하여 제2 초기 예측 데이터를 생성하는 ANN2 및 상기 전체 기간의 월별(monthly) 특성에 기초하여 제3 초기 예측 데이터를 생성하는 ANN3을 포함할 수 있다.
상기 초기 예측 데이터를 생성하는 단계는, 상기 ANN2 및 상기 ANN3에서 상기 대상 시점에 대응하는 서브 네트워크들을 선택하는 단계; 및 상기 서브 네트워크들을 이용하여 상기 초기 예측 데이터를 생성하는 단계를 포함할 수 있다.
상기 ANN2는 봄, 여름, 가을 및 겨울에 대응하는 4개의 서브 네트워크들을 포함할 수 있고, 상기 ANN3은 1월 내지 12월에 대응하는 12개의 서브 네트워크들을 포함할 수 있다.
상기 최종 예측 데이터를 생성하는 단계는, 상기 초기 예측 데이터 중에 나머지 데이터와 가장 차이가 큰 데이터를 제외한, 나머지 데이터의 평균에 기초하여 최종 예측 데이터를 생성하는 단계를 포함할 수 있다.
상기 복수의 ANN은, 전체 기간의 학습 데이터로 학습된 ANN1, 상기 전체 기간을 계절별로 분류한 학습 데이터로 학습된 ANN2 및 상기 전체 기간을 월별(monthly)로 분류한 학습 데이터로 학습된 ANN3를 포함할 수 있다.
일 측에 따른 풍속 예측 장치는, 풍속을 예측하기 위한 대상 시점 및 상기 대상 시점 이전의 일정한 시간 구간에 대한 풍속 데이터를 수신하고, 상기 대상 시점의 풍속에 관한 초기 예측 데이터를 생성하는, 복수의 ANN(Artificial Neural Network); 및 상기 초기 예측 데이터 중 적어도 일부를 이용하여 최종 예측 데이터를 생성하는 선택 처리부를 포함하고, 상기 복수의 ANN 각각은 서로 다른 특성을 갖는다.
상기 복수의 ANN은, 서로 다른 기준으로 분류된 기간의 학습 데이터로 미리 학습될 수 있고, 상기 서로 다른 기준은 계절 및 월(month)을 포함할 수 있다.
상기 복수의 ANN은, 상기 풍속 데이터에 대응하는 복수의 입력 노드 및 초기 예측 데이터를 출력하기 위한 출력 노드를 포함할 수 있다.
상기 초기 예측 데이터는, 풍속의 계절별 변화 특성에 관한 초기 예측 데이터 및 풍속의 월별(monthly) 변화 특성에 관한 초기 예측 데이터를 포함할 수 있다.
상기 복수의 ANN은, 전체 기간의 특성에 기초하여 제1 초기 예측 데이터를 생성하는 ANN1, 상기 전체 기간의 계절별 특성에 기초하여 제2 초기 예측 데이터를 생성하는 ANN2 및 상기 전체 기간의 월별(monthly) 특성에 기초하여 제3 초기 예측 데이터를 생성하는 ANN3을 포함할 수 있다.
상기 ANN2 및 상기 ANN3에서 상기 대상 시점에 대응하는 서브 네트워크들을 선택하고, 상기 서브 네트워크들에 상기 풍속 데이터를 전송하는 스위치를 더 포함할 수 있고, 상기 서브 네트워크들은 상기 풍속 데이터에 기초하여 상기 초기 예측 데이터를 생성할 수 있다.
상기 ANN2는 봄, 여름, 가을 및 겨울에 대응하는 4개의 서브 네트워크들을 포함할 수 있고, 상기 ANN3은 1월 내지 12월에 대응하는 12개의 서브 네트워크들을 포함할 수 있다.
상기 선택 처리부는, 상기 초기 예측 데이터 중에 나머지 데이터와 가장 차이가 큰 데이터를 제외한, 나머지 데이터의 평균에 기초하여 최종 예측 데이터를 생성할 수 있다.
상기 복수의 ANN은, 전체 기간의 학습 데이터로 학습된 ANN1, 상기 전체 기간을 계절별로 분류한 학습 데이터로 학습된 ANN2 및 상기 전체 기간을 월별(monthly)로 분류한 학습 데이터로 학습된 ANN3를 포함할 수 있다.
아래 실시예들에 따르면 다양한 기준의 인공 신경망을 이용하여 풍속을 정확하게 예측할 수 있다.
또한, 아래 실시예들에 따르면 정확하게 예측된 풍속을 이용하여 재생 에너지의 활용도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 풍속 예측 장치를 나타낸 블록도.
도 2는 일 실시예에 따른 ANN의 상세 구조를 나타낸 블록도.
도 3은 일 실시예에 따른 ANN의 데이터 처리 과정을 설명하기 위한 블록도.
도 4는 일 실시예에 따른 ANN의 학습 과정을 설명하기 위한 블록도.
도 5는 일 실시예에 따른 학습 데이터의 생성 과정을 나타낸 블록도.
도 6은 일 실시예에 따른 풍속 예측 방법을 나타낸 동작 흐름도.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 풍속 예측 장치를 나타낸 블록도이다. 도 1을 참조하면, 일 실시예에 따른 풍속 예측 장치는 ANN(Artificial Neural Network)(100) 및 선택 처리부(200)를 포함할 수 있다. 풍속 예측 장치는 풍속 데이터 및 대상 시점에 기초하여 예측 데이터를 생성할 수 있다. 풍속 예측 장치는 이전 일정한 기간 동안의 풍속의 변화에 기초하여 특정 시점의 풍속을 예측할 수 있다. 풍속 예측 장치는 이전 시점의 풍속에 기초하여 다음 시점의 풍속을 예측하도록 ANN(100)을 학습시킬 수 있다. 풍속 예측 장치는 우선 초기 예측 데이터를 생성한 이후에 초기 예측 데이터에 대한 연산에 기초하여 최종 예측 데이터를 생성할 수 있다. 초기 예측 데이터는 풍속의 계절별 변화 특성에 관한 초기 예측 데이터 및 풍속의 월별(monthly) 변화 특성에 관한 초기 예측 데이터를 포함할 수 있다.
풍속 예측 장치는 기상 데이터 서버로부터 풍속 데이터를 수신할 수 있다. 기상 데이터 서버는 시간 별 태양광, 강수량과 같은 기상 데이터와 함께 풍속 기록을 제공할 수 있다. 풍속 예측 장치는, 우선 기상 데이터 서버로부터 수신한 데이터에서 필요한 자료를 추출할 수 있다. 그 이후에, 추출된 데이터는 데이터베이스 테이블에 삽입되기 위한 일련의 SQL(Structured Query Language)로 변환될 수 있다. 테이블은 리눅스 머신에서 실행되는 MySQL 데이터베이스로 정의될 수 있다. 데이터 분석 모듈은 그 것의 플랫폼의 MySQL 통신부를 통해 필요한 정보를 찾아낼 수 있다. 나아가, ODBC(Open DataBase Connectivity)는 일반 어플리케이션이 특정 데이터베이스 필드를 찾고, 그 것의 워크스페이스의 분석 전략에 따라 처리하도록 할 수 있다. 실시예들은 C 언어 어플리케이션에게 충분한 ANN API들을 제공하는 FANN(Fast ANN) 라이브러리를 포함할 수 있다.
ANN(100)은 대상 시점 및 풍속 데이터를 수신한다. 대상 시점은 풍속의 예측 대상이 되는 특정한 시점을 의미한다. 예컨대, 내일의 풍속을 알고자 하는 경우, 대상 시점은 내일이 될 수 있다. 추후 상세히 설명 되겠으나, ANN(100)은 다양한 기준으로 생성된, 서로 다른 특성을 갖는 서브 네트워크들을 포함할 수 있고, 대상 시점은 서브 네트워크들 중에 특정 네트워크를 선택하기 위해 이용될 수 있다. 선택된 특정 네트워크는 풍속 데이터에 기초하여 초기 예측 데이터를 생성할 수 있다.
풍속 데이터는 대상 시점 이전의 일정한 시간 구간에 대한 풍속 데이터를 포함할 수 있다. 예컨대, 풍속 데이터는 대상 시점 이전 5일 동안의 풍속 데이터를 포함할 수 있다. 풍속 데이터가 포함하는 풍속 데이터의 시간 구간은 ANN(100)의 입력 노드에 대응할 수 있다. 예컨대, ANN(100)이 5 개의 입력 노드를 갖는 경우, 풍속 데이터는 5개의 입력 노드에 맞는 시간 구간 동안의 풍속 데이터를 포함할 수 있다. 일례로, ANN(100)이 5개의 입력 노드를 갖는 경우, 풍속 데이터는 대상 시점 이전의 5일 동안 각각의 날짜의 하루 동안 평균 풍속을 포함할 수 있다. ANN(100)은 이전 5일 동안의 풍속 데이터에 기초하여 대상 시점의 풍속 데이터를 예측할 수 있다. 이하, 풍속 예측 과정을 하루를 단위로 설명하겠으나, 아래에서 설명될 실시예들은 시간 별 및 그보다 작은 단위에도 적용될 수 있다.
ANN(100)은 풍속 데이터에 기초하여 대상 시점에 대한 초기 예측 데이터를 생성할 수 있다. ANN(100)은 복수의 입력 노드 및 하나의 출력 노드를 포함할 수 있다. 풍속 데이터는 ANN(100)의 입력 노드에 입력될 수 있고, 초기 예측 데이터는 ANN(100)의 출력 노드에서 출력될 수 있다. 추후 상세히 설명 되겠으나, ANN(100)은 다양한 기준에 따라 학습된 서로 다른 특성을 갖는 복수의 서브 네트워크들을 포함할 수 있다. 따라서, 초기 예측 데이터는 복수의 서브 네트워크들에 의한 복수의 서브 데이터를 포함할 수 있다.
선택 처리부(200)는 초기 예측 데이터에 기초하여 최종 예측 데이터를 생성한다. 선택 처리부(200)는 초기 예측 데이터에 포함된 복수의 서브 데이터 중에 일부의 데이터를 선택할 수 있다. 선택 처리부(200)는 선택된 데이터를 이용하여 최종 예측 데이터를 생성할 수 있다. 예컨대, 선택 처리부(200)는 초기 예측 데이터에 포함된 복수의 서브 데이터 중에 가장 차이가 큰 데이터를 제거한 뒤, 나머지 데이터의 평균에 기초하여 최종 예측 데이터를 생성할 수 있다. 구체적으로, 초기 예측 데이터는 제1 데이터, 제2 데이터 및 제3 데이터를 포함할 수 있다. 선택 처리부(200)는 제1 데이터, 제2 데이터 및 제3 데이터 중에 나머지 둘과 가장 차이가 큰 하나의 데이터를 제거할 수 있다. 선택 처리부(200)는 나머지 둘의 데이터의 평균을 최종 예측 데이터로 결정할 수 있다. 다시 말해, 선택 처리부(200)는 초기 예측 데이터 중에 나머지 데이터와 가장 차이가 큰 데이터를 제외한, 나머지 데이터의 평균에 기초하여 최종 예측 데이터를 생성할 수 있다.
도 2는 일 실시예에 따른 ANN의 상세 구조를 나타낸 블록도이다. 도 2를 참조하면, 일 실시예에 따른 ANN(100)은 ANN1(110), ANN2(120) 및 ANN3(130)을 포함한다. ANN1(110), ANN2(120) 및 ANN3(130)은 서로 독립적이다. 또한, ANN1(110), ANN2(120) 및 ANN3(130)에 의해 출력되는 제1 데이터, 제2 데이터 및 제3 데이터도 서로 독립적이다. ANN1(110), ANN2(120) 및 ANN3(130)는 각각 풍속 데이터에 기초하여 초기 예측 데이터를 생성한다. ANN1(110)은 풍속 데이터에 기초하여 제1 데이터를 생성한다. ANN2(120)는 풍속 데이터에 기초하여 제2 데이터를 생성한다. ANN3(130)은 풍속 데이터에 기초하여 제3 데이터를 생성한다.
ANN1(110), ANN2(120) 및 ANN3(130)는 각각 서로 다른 학습 데이터를 학습한 네트워크일 수 있다. 예컨대, ANN1(110)은 학습 데이터를 전반적으로 학습할 수 있고, ANN2(120)는 학습 데이터를 제1 기준에 따라 분류한 데이터를 학습할 수 있고, ANN3(130)은 학습 데이터를 제2 기준에 따라 분류한 데이터를 학습할 수 있다. 일례로, ANN1(110)은 지난 1년 동안의 전체 풍속 데이터를 학습할 수 있고, ANN2(120)는 지난 1년 동안의 풍속 데이터를 계절 별로 학습할 수 있고, ANN3(130)은 지난 1년 동안의 풍속 데이터를 월별(monthly)로 학습할 수 있다. 따라서, ANN1(110), ANN2(120) 및 ANN3(130)는 각각 서로 다른 기준에 따라 대상 시점의 풍속을 예측할 수 있다. ANN1은 전체 기간의 특성에 기초하여 제1 초기 예측 데이터를 생성하고, ANN2는 전체 기간의 계절별 특성에 기초하여 제2 초기 예측 데이터를 생성하고, ANN3은 전체 기간의 월별(monthly) 특성에 기초하여 제3 초기 예측 데이터를 생성할 수 있다. 즉, 서로 다른 기준으로 학습되어 서로 다른 특성을 갖는 복수의 서브 네트워크를 통해 풍속 예측에 관한 다양성이 확보될 수 있다.
ANN2(120)는 복수의 계절에 대응하는 서브 네트워크들을 포함할 수 있다. 예컨대, ANN2(120)는 봄, 여름, 가을 및 겨울에 대응하는 4개의 서브 네트워크들을 포함할 수 있다. 서브 네트워크들은 각각 봄, 여름, 가을 및 겨울에 대응하는 풍속 데이터를 미리 학습할 수 있다. ANN3(130)는 복수의 월(month)에 대응하는 서브 네트워크들을 포함할 수 있다. 예컨대, ANN2(120)는 1월 내지 12월에 대응하는 12개의 서브 네트워크들을 포함할 수 있다. 서브 네트워크들은 각각 1월 내지 12월에 대응하는 풍속 데이터를 미리 학습할 수 있다. 이하 계절 및 월(month)을 기준으로 학습된 네트워크들을 예로 설명하지만, 네트워크들은 풍속의 특성을 구분할 수 있는 다양한 추가적 기준에 따라 학습될 수 있다. ANN3(130) 및 ANN3(130)의 서브 네트워크들은 서로 독립적이다.
도 3은 일 실시예에 따른 ANN의 데이터 처리 과정을 설명하기 위한 블록도이다. 도 3을 참조하면, 제1 스위치(310)는 대상 시점 및 풍속 데이터를 수신한다. 제1 스위치(310)는 ANN2(120) 중에 대상 시점에 대응하는 서브 네트워크로 풍속 데이터를 전송한다. 제1 스위치(310)는 대상 시점에 기초하여 대상 시점에 대응하는 서브 네트워크를 선택할 수 있다. 유사하게, 제2 스위치(320)는 대상 시점 및 풍속 데이터를 수신하고, ANN3(130) 중에 대상 시점에 대응하는 서브 네트워크로 풍속 데이터를 전송한다.
ANN2(120)의 서브 네트워크들(ANN21 내지 ANN24)은 각각 계절에 대응할 수 있다. 예컨대, 서브 네트워크(ANN21)는 봄에 대응하고, 서브 네트워크(ANN22)는 여름에 대응하고, 서브 네트워크(ANN23)는 가을에 대응하고, 서브 네트워크(ANN24)는 겨울에 대응할 수 있다. 각각의 계절은 일정한 기준으로 정의될 수 있다. 예컨대, 한국을 기준으로, 3월에서 5월은 봄으로, 6월에서 8월은 여름으로, 9월에서 11월은 가을로, 12월에서 2월은 겨울로 정의될 수 있다. 추후 상세히 설명 되겠으나, ANN2(120)의 서브 네트워크들(ANN21 내지 ANN24)은 각각 계절에 대응하는 학습 데이터를 미리 학습할 수 있다.
ANN3(130)의 서브 네트워크들(ANN31 내지 ANN312)은 각각 월(month)에 대응할 수 있다. 예컨대, 서브 네트워크(ANN31)는 1월에 대응하고, 서브 네트워크(ANN32)는 2월에 대응하고, 서브 네트워크(ANN33)는 3월에 대응하고, 서브 네트워크(ANN312)는 12월에 대응할 수 있다. 추후 상세히 설명 되겠으나, ANN3(130)의 서브 네트워크들(ANN31 내지 ANN312)은 각각 월(month)에 대응하는 학습 데이터를 미리 학습할 수 있다.
앞서 언급된 것처럼, 제1 스위치(310)는 ANN2(120) 중에 대상 시점에 대응하는 서브 네트워크로 풍속 데이터를 전송한다. 제1 스위치(310)로부터 풍속 데이터를 수신한 서브 네트워크는 제2 데이터를 생성한다. 예컨대, 대상 시점이 5월 5일인 경우, 제1 스위치(310)는 풍속 데이터를 봄에 대응하는 서브 네트워크(ANN21)에 전달할 수 있다. 서브 네트워크(ANN21)는 풍속 데이터에 기초하여 제2 데이터를 생성할 수 있다.
또한, 제2 스위치(320)는 ANN3(130) 중에 대상 시점에 대응하는 서브 네트워크로 풍속 데이터를 전송한다. 제2 스위치(320)로부터 풍속 데이터를 수신한 서브 네트워크는 제3 데이터를 생성한다. 예컨대, 대상 시점이 5월 5일인 경우, 제2 스위치(320)는 풍속 데이터를 5월에 대응하는 서브 네트워크(ANN35)에 전달할 수 있다. 서브 네트워크(ANN35)는 풍속 데이터에 기초하여 제3 데이터를 생성할 수 있다.
도 4는 일 실시예에 따른 ANN의 학습 과정을 설명하기 위한 블록도이다. 일 실시예에 따른 학습기(400)는 학습 데이터에 기초하여 ANN(100)을 학습시킬 수 있다. 일측에 따르면, 학습 데이터는 이전 년도의 풍속 데이터일 수 있다. 학습 데이터는 적어도 1년 동안의 풍속 데이터를 포함할 수 있다. 예컨대, 2015년의 풍속을 예측하고자 하는 경우 학습 데이터는 2014년의 풍속에 관한 데이터이거나, 2013년 1월 1일 내지 2014년 12월 31까지의 풍속에 관한 데이터일 수 있다. 또는, 풍속 데이터는 이전 15년간의 데이터를 포함할 수 있다.
앞서 설명된 것처럼, ANN(100)은 서로 독립적인 복수의 서브 네트워크를 포함할 수 있다. 학습기(400)는 다양한 기준에 따라 서브 네트워크들을 학습시킬 수 있다. 따라서, 서브 네트워크들은 서로 다른 특성을 갖게 된다. 예컨대, 학습기(400)는 특정 서브 네트워크를 계절에 따라 학습시킬 수 있고, 다른 서브 네트워크를 월(month)에 따라 학습시킬 수 있다. 학습기(400)는 다양한 기계 학습 기법에 따라 ANN(100)을 학습시킬 수 있다. ANN(100)을 학습시킨다는 것은 ANN(100)의 파라미터를 학습시킨다는 것으로 이해될 수 있다.
ANN(100)은 복수의 입력 노드들과 하나의 출력 노드를 포함할 수 있다. 또한, ANN(100)은 입력 노드들과 출력 노드 사이에 복수의 레이어를 포함할 수 있다. 복수의 레이어들에서 히든 노드들의 수는 시도 및 에러에 의해 선택될 수 있다. 학습기(400)는 ANN(100)을 학습시키기 위해, 학습 데이터에 기초하여 입력 노드들, 복수의 레이어 및 출력 노드 간의 파라미터를 조절할 수 있다. 복수의 입력 노드들은 대상 시점 이전의 시점들에 대응될 수 있다. 예컨대, 입력 노드는 5개일 수 있고, 각각의 입력 노드들은 대상 시점 이전 5일 동안의 기간에 대응될 수 있다. 즉, ANN(100)은 대상 시점 이전 5일 동안의 풍속 데이터에 기초하여 대상 시점의 풍속을 학습할 수 있다. 보다 상세하게, ANN(100)은 5월 5일의 풍속을 학습하기 위해 4월 30일 내지 5월 4일까지 5개의 풍속 데이터를 입력 노드를 통해 수신할 수 있다. 이 때, 출력 노드를 통해 출력되는 예측 데이터와 5월 5일의 풍속을 비교하여 ANN(100)의 파라미터를 조절할 수 있다.
학습기(400)는 이와 같은 과정을 1월 1일부터 12월 31일까지 반복적으로 수행함으로써 앞서 언급된 ANN1을 학습시킬 수 있다. 또한, 학습기(400)는 이와 같은 과정을 1월 1일부터 2월 28일까지 반복적으로 수행함으로써 앞서 언급된 ANN21을 학습시킬 수 있다. 또한, 학습기(400)는 이와 같은 과정을 1월 1일부터 1월 31일까지 반복적으로 수행함으로써 앞서 언급된 ANN31을 학습시킬 수 있다. 나머지 서브 네트워크들도 유사한 방법으로 학습될 수 있다. 풍속의 변화는 계절별 및 월별로 특수성을 갖게 되므로 다양한 기준에 따른 서브 네트워크들은 풍속 예측의 정확성을 향상시킬 수 있다.
도 5는 일 실시예에 따른 학습 데이터의 생성 과정을 나타낸 블록도이다. 도 5를 참조하면, 학습 데이터는 제1 학습 데이터(510), 제2 학습 데이터(520) 및 제3 학습 데이터(530)를 포함한다. 제2 학습 데이터(520) 및 제3 학습 데이터(530)는 제1 학습 데이터(510)에 기초하여 생성될 수 있다. 제1 학습 데이터(510)는 앞서 설명된 AAN1을 학습 시키기 위한 학습 데이터를 포함하고, 제2 학습 데이터(520)는 앞서 설명된 AAN2를 학습 시키기 위한 학습 데이터를 포함하고, 제3 학습 데이터(530)는 앞서 설명된 AAN3을 학습 시키기 위한 학습 데이터를 포함한다.
제1 학습 데이터(DB1)는 풍속을 예측하고자 하는 대상 시점 이전 적어도 1년 동안의 전체 풍속 데이터를 포함할 수 있다. 예컨대, 대상 시점이 2015년인 경우, 제1 학습 데이터(DB1)는 2014년 전체의 풍속에 관한 데이터이거나, 2013년 1월 1일 내지 2014년 12월 31까지 2년 전체의 풍속에 관한 데이터일 수 있다.
제2 학습 데이터(DB2) 및 제3 학습 데이터(DB3)는 제1 학습 데이터(DB1)를 일정한 기준으로 분류함으로써 생성될 수 있다. 제2 학습 데이터(DB2)는 서브 학습 데이터(DB21 내지 DB24)를 포함한다. 제2 학습 데이터(DB2)는 제1 학습 데이터(DB1)를 계절 별로 분류함으로써 생성될 수 있다. 예컨대, 제1 학습 데이터(DB1)에서 봄에 해당하는 1월1일부터 2월28일까지의 풍속 데이터는 서브 학습 데이터(DB21)로 분류될 수 있다. 제3 학습 데이터(DB3)는 서브 학습 데이터(DB31 내지 DB312)를 포함한다. 제3 학습 데이터(DB3)는 제1 학습 데이터(DB1)를 월별(monthly)로 분류함으로써 생성될 수 있다. 예컨대, 제1 학습 데이터(DB1)에서 1월에 해당하는 1월1일부터 1월31일까지의 풍속 데이터는 서브 학습 데이터(DB31)로 분류될 수 있다.
앞서 언급된 학습기(400)는 제1 학습 데이터(DB1), 제2 학습 데이터(DB2) 및 제3 학습 데이터(DB3)를 이용하여 앞서 언급된 ANN1(110), ANN2(120) 및 ANN3(130)을 각각 학습시킬 수 있다. 또한, 학습기(400)는 서브 학습 데이터(DB21 내지 DB24)를 이용하여 앞서 언급된 서브 네트워크(ANN21 내지 ANN24)를 각각 학습시킬 수 있고, 서브 학습 데이터(DB31 내지 DB312)를 이용하여 앞서 언급된 서브 네트워크(ANN31 내지 ANN312)를 각각 학습시킬 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (19)

  1. 풍속을 예측하기 위한 대상 시점 및 상기 대상 시점 이전의 일정한 시간 구간에 대한 풍속 데이터를 수신하는 단계;
    서로 다른 특성을 갖는 복수의 ANN(Artificial Neural Network)을 이용하여 상기 대상 시점의 풍속에 관한 초기 예측 데이터를 생성하는 단계; 및
    상기 초기 예측 데이터 중 적어도 일부를 이용하여 최종 예측 데이터를 생성하는 단계
    를 포함하는, 풍속 예측 방법.
  2. 제1항에 있어서,
    상기 복수의 ANN은,
    서로 다른 기준으로 분류된 기간의 학습 데이터로 미리 학습되고,
    상기 서로 다른 기준은 계절 및 월(month)을 포함하는,
    풍속 예측 방법.
  3. 제1항에 있어서,
    상기 복수의 ANN은,
    상기 풍속 데이터에 대응하는 복수의 입력 노드 및 초기 예측 데이터를 출력하기 위한 출력 노드를 포함하는,
    풍속 예측 방법.
  4. 제1항에 있어서,
    상기 초기 예측 데이터는,
    풍속의 계절별 변화 특성에 관한 초기 예측 데이터 및 풍속의 월별(monthly) 변화 특성에 관한 초기 예측 데이터를 포함하는,
    풍속 예측 방법.
  5. 제1항에 있어서,
    상기 복수의 ANN은,
    전체 기간의 특성에 기초하여 제1 초기 예측 데이터를 생성하는 ANN1, 상기 전체 기간의 계절별 특성에 기초하여 제2 초기 예측 데이터를 생성하는 ANN2 및 상기 전체 기간의 월별(monthly) 특성에 기초하여 제3 초기 예측 데이터를 생성하는 ANN3을 포함하는,
    풍속 예측 방법.
  6. 제5항에 있어서,
    상기 초기 예측 데이터를 생성하는 단계는,
    상기 ANN2 및 상기 ANN3에서 상기 대상 시점에 대응하는 서브 네트워크들을 선택하는 단계; 및
    상기 서브 네트워크들을 이용하여 상기 초기 예측 데이터를 생성하는 단계
    를 포함하는 풍속 예측 방법.
  7. 제5항에 있어서,
    상기 ANN2는 봄, 여름, 가을 및 겨울에 대응하는 4개의 서브 네트워크들을 포함하고, 상기 ANN3은 1월 내지 12월에 대응하는 12개의 서브 네트워크들을 포함하는,
    풍속 예측 방법.
  8. 제1항에 있어서,
    상기 최종 예측 데이터를 생성하는 단계는,
    상기 초기 예측 데이터 중에 나머지 데이터와 가장 차이가 큰 데이터를 제외한, 나머지 데이터의 평균에 기초하여 최종 예측 데이터를 생성하는 단계를 포함하는,
    풍속 예측 방법.
  9. 제1항에 있어서,
    상기 복수의 ANN은,
    전체 기간의 학습 데이터로 학습된 ANN1, 상기 전체 기간을 계절별로 분류한 학습 데이터로 학습된 ANN2 및 상기 전체 기간을 월별(monthly)로 분류한 학습 데이터로 학습된 ANN3를 포함하는,
    풍속 예측 방법.
  10. 하드웨어와 결합되어 제1항 내지 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  11. 풍속을 예측하기 위한 대상 시점 및 상기 대상 시점 이전의 일정한 시간 구간에 대한 풍속 데이터를 수신하고, 상기 대상 시점의 풍속에 관한 초기 예측 데이터를 생성하는, 복수의 ANN(Artificial Neural Network); 및
    상기 초기 예측 데이터 중 적어도 일부를 이용하여 최종 예측 데이터를 생성하는 선택 처리부
    를 포함하고,
    상기 복수의 ANN 각각은 서로 다른 특성을 갖는,
    풍속 예측 장치.
  12. 제11항에 있어서,
    상기 복수의 ANN은,
    서로 다른 기준으로 분류된 기간의 학습 데이터로 미리 학습되고,
    상기 서로 다른 기준은 계절 및 월(month)을 포함하는,
    풍속 예측 장치.
  13. 제11항에 있어서,
    상기 복수의 ANN은,
    상기 풍속 데이터에 대응하는 복수의 입력 노드 및 초기 예측 데이터를 출력하기 위한 출력 노드를 포함하는,
    풍속 예측 장치.
  14. 제11항에 있어서,
    상기 초기 예측 데이터는,
    풍속의 계절별 변화 특성에 관한 초기 예측 데이터 및 풍속의 월별(monthly) 변화 특성에 관한 초기 예측 데이터를 포함하는,
    풍속 예측 장치.
  15. 제11항에 있어서,
    상기 복수의 ANN은,
    전체 기간의 특성에 기초하여 제1 초기 예측 데이터를 생성하는 ANN1, 상기 전체 기간의 계절별 특성에 기초하여 제2 초기 예측 데이터를 생성하는 ANN2 및 상기 전체 기간의 월별(monthly) 특성에 기초하여 제3 초기 예측 데이터를 생성하는 ANN3을 포함하는,
    풍속 예측 장치.
  16. 제15항에 있어서,
    상기 ANN2 및 상기 ANN3에서 상기 대상 시점에 대응하는 서브 네트워크들을 선택하고, 상기 서브 네트워크들에 상기 풍속 데이터를 전송하는 스위치를 더 포함하고,
    상기 서브 네트워크들은 상기 풍속 데이터에 기초하여 상기 초기 예측 데이터를 생성하는,
    풍속 예측 장치.
  17. 제15항에 있어서,
    상기 ANN2는 봄, 여름, 가을 및 겨울에 대응하는 4개의 서브 네트워크들을 포함하고, 상기 ANN3은 1월 내지 12월에 대응하는 12개의 서브 네트워크들을 포함하는,
    풍속 예측 장치.
  18. 제11항에 있어서,
    상기 선택 처리부는,
    상기 초기 예측 데이터 중에 나머지 데이터와 가장 차이가 큰 데이터를 제외한, 나머지 데이터의 평균에 기초하여 최종 예측 데이터를 생성하는,
    풍속 예측 장치.
  19. 제11항에 있어서,
    상기 복수의 ANN은,
    전체 기간의 학습 데이터로 학습된 ANN1, 상기 전체 기간을 계절별로 분류한 학습 데이터로 학습된 ANN2 및 상기 전체 기간을 월별(monthly)로 분류한 학습 데이터로 학습된 ANN3를 포함하는,
    풍속 예측 장치.
KR1020150166316A 2015-11-26 2015-11-26 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치 KR101749427B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150166316A KR101749427B1 (ko) 2015-11-26 2015-11-26 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150166316A KR101749427B1 (ko) 2015-11-26 2015-11-26 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치

Publications (2)

Publication Number Publication Date
KR20170061377A true KR20170061377A (ko) 2017-06-05
KR101749427B1 KR101749427B1 (ko) 2017-07-03

Family

ID=59222935

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150166316A KR101749427B1 (ko) 2015-11-26 2015-11-26 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치

Country Status (1)

Country Link
KR (1) KR101749427B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022025A (zh) * 2017-12-28 2018-05-11 华中科技大学 一种基于人工神经网络的风速区间预测方法与系统
KR20190028235A (ko) * 2017-09-08 2019-03-18 삼성전자주식회사 클래스 인식을 위한 뉴럴 네트워크 학습 방법 및 디바이스
CN111427101A (zh) * 2020-04-07 2020-07-17 江苏省气象科学研究所 雷雨大风分级预警方法、系统、存储介质、计算机程序
CN112990354A (zh) * 2021-04-15 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置
KR20210081492A (ko) * 2019-12-23 2021-07-02 주식회사 포디솔루션 초 저고도 바람 예측 정보 제공 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101956715B1 (ko) * 2017-09-01 2019-03-11 군산대학교산학협력단 풍력 터빈의 요 제어를 위한 풍향 예측 방법 및 장치
KR101956717B1 (ko) * 2017-09-01 2019-03-11 군산대학교산학협력단 풍향 예측 방법 및 장치, 및 이를 이용하는 풍력 터빈의 요 제어 방법
KR102427304B1 (ko) 2020-06-12 2022-07-28 부산대학교 산학협력단 머신러닝을 이용한 구조용 에폭시 접착제의 포뮬레이션 예측 방법
KR102577711B1 (ko) 2021-12-03 2023-09-11 전기은 인공지능을 통한 기후 예측에 기반한 발전기 제어시스템 및 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190028235A (ko) * 2017-09-08 2019-03-18 삼성전자주식회사 클래스 인식을 위한 뉴럴 네트워크 학습 방법 및 디바이스
CN108022025A (zh) * 2017-12-28 2018-05-11 华中科技大学 一种基于人工神经网络的风速区间预测方法与系统
CN108022025B (zh) * 2017-12-28 2020-08-18 华中科技大学 一种基于人工神经网络的风速区间预测方法与系统
KR20210081492A (ko) * 2019-12-23 2021-07-02 주식회사 포디솔루션 초 저고도 바람 예측 정보 제공 방법
CN111427101A (zh) * 2020-04-07 2020-07-17 江苏省气象科学研究所 雷雨大风分级预警方法、系统、存储介质、计算机程序
CN112990354A (zh) * 2021-04-15 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN112990354B (zh) * 2021-04-15 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置

Also Published As

Publication number Publication date
KR101749427B1 (ko) 2017-07-03

Similar Documents

Publication Publication Date Title
KR101749427B1 (ko) 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치
Capizzi et al. Advanced and adaptive dispatch for smart grids by means of predictive models
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
CN105117593A (zh) 基于小波变换和粒子群改进灰色模型的短期风速预测方法
JP6980521B2 (ja) 継続的学習のためのデータメタスケーリング装置及び方法
Seyr et al. Value of information of repair times for offshore wind farm maintenance planning
KR20220040968A (ko) 템퍼럴 컨볼루션 신경망을 활용한 단기 전력 수요 예측 시스템 및 방법
CN109412161A (zh) 一种电力系统概率潮流计算方法及系统
CN103425867A (zh) 一种短期风电功率组合预测方法
CN112925824A (zh) 针对极端天气类型的光伏功率预测方法及系统
CN115310536A (zh) 基于神经网络和gcn深度学习模型的水库水位预测预警方法
CN116843083A (zh) 基于混合神经网络模型的碳排放预测系统及方法
Qadrdan et al. Probabilistic wind power forecasting using a single forecast
Bandong et al. Performance ratio estimation and prediction of solar power plants using machine learning to improve energy reliability
Shabani et al. Predicting building energy consumption using engineering and data driven approaches: A review
El Shahat et al. An artificial neural network model for wind energy estimation
CN113240219A (zh) 一种土地利用模拟及预测方法
CN112668650A (zh) 工业数据模型的生成方法、系统、设备和介质
Prema et al. LSTM based Deep Learning model for accurate wind speed prediction
Kassim et al. Harmony search-based optimization of artificial neural network for predicting AC power from a photovoltaic system
Yuan et al. Short-term wind speed forecasting using STLSSVM hybrid model
Dokuz et al. Year-ahead wind speed forecasting using a clustering-statistical hybrid method
CN113962357A (zh) 基于gwo-wnn的分布式光伏功率数据虚拟采集方法
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network
Safavieh et al. A new integrated approach for very short-term wind speed prediction using wavelet networks and PSO

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right