KR20190123040A - 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 - Google Patents

딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 Download PDF

Info

Publication number
KR20190123040A
KR20190123040A KR1020180046709A KR20180046709A KR20190123040A KR 20190123040 A KR20190123040 A KR 20190123040A KR 1020180046709 A KR1020180046709 A KR 1020180046709A KR 20180046709 A KR20180046709 A KR 20180046709A KR 20190123040 A KR20190123040 A KR 20190123040A
Authority
KR
South Korea
Prior art keywords
prediction model
prediction
power generation
model
solar power
Prior art date
Application number
KR1020180046709A
Other languages
English (en)
Inventor
이정인
이일우
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020180046709A priority Critical patent/KR20190123040A/ko
Publication of KR20190123040A publication Critical patent/KR20190123040A/ko

Links

Images

Classifications

    • G06F17/5009—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • 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
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법이 개시된다. 태양광 발전량 예측 모델 관리 방법은 예측 모델의 갱신 주기가 경과한 경우, 상기 예측 모델의 정보를 최신 정보로 변경하여 재학습하는 단계; 상기 예측 모델의 갱신 주기가 경과지 않은 경우, 실측값과 상기 예측 모델에 따른 예측 값을 비교하여 예측 모델의 변경 여부를 결정하는 단계; 및 상기 예측 모델, 재학습된 예측 모델, 및 변경된 예측 모델 중 하나를 이용하여 태양광 발전량을 예측하는 단계를 포함할 수 있다.

Description

딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법{Solar power generation prediction model management APPARATUS AND METHOD for setting the renewal cycle of the deep run-based solar power generation prediction model}
본 발명은 딥러닝 기반의 태양광 발전량 예측 모델의 갱신주기 설정 기능에 관한 것으로, 초기 학습된 예측 모델의 재학습 및 예측 모델의 보완을 위하여 예측 오차 범위에 따른 예측 모델 갱신주기 설정 방법 및 장치에 관한 것이다.
태양광 발전 장치가 증가함에 따라 발전 장치를 설치하기 전에 해당 장소의 태양광 발전량을 예측할 필요성도 증가하고 있다. 그러나, 종래의 태양광 발전량 예측 장치는 초기 학습된 예측 모델을 지속적으로 사용하고 있으므로 예측 결과를 도출할 경우에는 예측 정확도가 떨어질 수 있다.
그리고, 이상 기온에 따른 계절과 시간의 변화가 빈번함에 따라 기존의 학습된 모델에 대하여, 학습데이터에 주어진 클래스 레이블과 예측한 클래스 레이블의 값의 불일치 확률(에러)이 높아질 수 있고, 불일치 확률이 높아짐에 따라 예측 모델의 예측 정확도가 낮아질 수 있는 문제점이 있다.
따라서, 환경의 변화에도 예측 모델의 정확도를 유지할 수 있는 방법이 요청되고 있다.
본 발명은 태양광 발전량 예측 모델의 갱신주기 설정을 위한 예측오차 허용범위(민감도) 기반의 갱신주기 설정방법을 제안함으로써, 예측정확도를 높일 수 있는 장치 및 방법을 제공할 수 있다.
본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법은 예측 모델의 갱신 주기가 경과한 경우, 상기 예측 모델의 정보를 최신 정보로 변경하여 재학습하는 단계; 상기 예측 모델의 갱신 주기가 경과지 않은 경우, 실측값과 상기 예측 모델에 따른 예측 값을 비교하여 예측 모델의 변경 여부를 결정하는 단계; 및 상기 예측 모델, 재학습된 예측 모델, 및 변경된 예측 모델 중 하나를 이용하여 태양광 발전량을 예측하는 단계를 포함할 수 있다.
본 발명의 일실시예에 의하면, 학습을 통해 생성된 태양광 발전량 예측 모델의 갱신주기를 설정하여, 갱신주기 내의 예측오차 허용범위를 모니터링하여 예측정확도를 향상시키고, 갱신주기 경과에 신규 데이터를 예측 모델에 적용하여 재학습할 수 있다.
도 1은 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 장치를 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법을 도시한 플로우차트이다.
도 3은 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법의 예측 모델 결정 과정을 도시한 플로우차트이다.
도 4는 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법의 예측 모델 관리 과정을 도시한 플로우차트이다.
도 5는 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법의 예측 모델 수행 과정을 도시한 플로우차트이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법은 태양광 발전량 예측 모델 관리 장치에 의해 수행될 수 있다.
도 1은 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 장치를 나타내는 도면이다.
태양광 발전량 예측 모델 관리 장치(100)는 도 1에 도시된 바와 같이 예측 모델 학습부(110), 예측 모델 관리부(120), 및 예측 모델 수행부(130)를 포함할 수 있다. 이때, 예측 모델 학습부(110), 예측 모델 관리부(120), 및 예측 모델 수행부(130)는 서로 다른 프로세스, 또는 하나의 프로세스에서 수행되는 프로그램에 포함된 각각의 모듈일 수 있다.
예측 모델 학습부(110)는 특성 정보를 이용하여 예측 모델을 학습하고, 학습 결과에 따라 예측 모델 수행부(130)에서 사용할 예측 모델을 최종적으로 결정할 수 있다.
이때, 예측 모델 학습부(110)는 딥러닝 기반의 태양광 발전량 예측 모델을 구성하기 위해서, 태양광 발전량 예측과 관련된 특성 정보(feature)의 값을 저장하고 관리하는 데이터베이스(DB)를 포함할 수 있다. 이때, 태양광 발전량 예측과 관련된 특성 정보는 과거의 기상정보, 발전량 정보, 일사량 정보, 환경센서 정보 등 중 적어도 하나를 포함할 수 있다.
예측 모델 관리부(120)는 예측 모델 학습부(110)가 학습하는 예측 모델, 또는 예측 모델 수행부(130)가 사용할 예측 모델을 관리할 수 있다. 이때, 예측 모델 관리부(120)는 갱신 주기에 따라 예측 모델의 정보를 최신 정보로 변경하여 예측 모델 학습부(110)에서 재학습 하도록 할 수 있다. 또한, 예측 모델 관리부(120)는 예측 모델의 변경 여부를 결정할 수 있다. 예측 모델이 변경된 경우, 예측 모델 관리부(120)는 변경된 예측 모델을 예측 모델 학습부(110)에서 학습시키고, 학습 결과에 따라 예측 모델 수행부(130)에서 사용할 예측 모델을 최종적으로 결정하도록 할 수 있다.
예측 모델 수행부(130)는 예측 모델 학습부(110)에서 결정한 예측 모델, 예측 모델 학습부(110)에서 결정한 예측 모델의 정보를 최신 정보로 변경하여 재학습된 예측 모델, 및 예측 관리 부(120)에서 변경된 예측 모델 중 하나를 이용하여 태양광 발전량을 예측할 수 있다.
본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 장치는 학습을 통해 생성된 태양광 발전량 예측 모델의 갱신주기를 설정하여, 갱신주기 내의 예측오차 허용범위를 모니터링하여 예측정확도를 향상시키고, 갱신주기 경과에 신규 데이터를 예측 모델에 적용하여 재학습할 수 있다.
도 2는 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법을 도시한 플로우차트이다.
단계(210)에서 예측 모델 학습부(110)는 특성 정보를 이용하여 예측 모델을 학습하고, 학습 결과에 따라 예측 모델 수행부(130)에서 사용할 예측 모델을 최종적으로 결정할 수 있다.
단계(220)에서 예측 모델 관리부(120)는 단계(210)에서 예측 모델 학습부(110)가 결정한 예측 모델을 관리할 수 있다. 이때, 예측 모델 관리부(120)는 갱신 주기, 및 실측값과 예측 모델에 따른 예측 값을 비교하여 예측 모델의 변경 여부 및 재학습 여부를 결정할 수 있다.
단계(230)에서 예측 모델 관리부(120)는 예측 모델을 변경할 것인지 여부를 확인할 수 있다. 이때, 예측 모델 관리부(120)는 단계(220)에서 예측 모델을 재학습 하기로 결정하거나, 예측 모델 변경하였는지 여부를 확인할 수 있다. 그리고, 단계(220)에서 예측 모델을 재학습 하기로 결정하거나, 예측 모델 변경한 경우, 예측 모델 관리부(120)는 단계(210)를 수행하여 예측 모델을 재학습 하거나, 변경된 예측 모델을 이용하여 예측 모델을 다시 결정할 수 있다.
단계(240)에서 예측 모델 수행부(130)는 예측 모델 학습부(110)에서 결정한 예측 모델, 예측 모델 학습부(110)에서 결정한 예측 모델의 정보를 최신 정보로 변경하여 재학습된 예측 모델, 및 예측 관리 부(120)에서 변경된 예측 모델 중 하나를 이용하여 태양광 발전량을 예측할 수 있다.
도 3은 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법의 예측 모델 결정 과정을 도시한 플로우차트이다. 도 3의 단계(310)내지 단계(350)은 도 2의 단계(210)에 포함될 수 있다.
단계(310)에서 예측 모델 학습부(110)는 태양광 발전량 예측과 관련된 특성 정보들의 값과 태양광 발전량과의 상관관계를 분석할 수 있다. 그리고, 예측 모델 학습부(110)는 분석 결과에 따라 태양광 발전량 예측과 관련된 특성 정보들 중에서 딥러닝 예측 모델의 입력값으로 사용할 수 있는 특성 정보를 추출할 수 있다.
단계(320)에서 예측 모델 학습부(110)는 단계(310)에서 추출한 특성 정보를 정제하고 가공하는 전처리(preprecessing)과정을 수행할 수 있다.
단계(330)에서 예측 모델 학습부(110)는 단계(320)에서 전처리한 특성 정보를 딥러닝 예측 모델의 입력 정보로 사용하여 딥러닝 예측 모델을 학습할 수 있다.
단계(340)에서 예측 모델 학습부(110)는 단계(320)에서 전처리된 특성정보 중 일부를 사용하여 딥러닝 예측 모델을 평가할 수 있다.
단계(350)에서 예측 모델 학습부(110)는 단계(330)에서 학습한 딥러닝 예측 모델 중 하나를 단계(340)의 평가 결과에 따라 선택하여 태양광 발전량 예측 모델로 최종 결정할 수 있다.
도 4는 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법의 예측 모델 관리 과정을 도시한 플로우차트이다. 도 4의 단계(410)내지 단계(480)은 도 2의 단계(220)에 포함될 수 있다.
단계(410)에서 예측 모델 관리부(120)는 태양광 발전량 예측 모델의 이력을 관리할 수 있다. 또한, 예측 모델 관리부(120)는 태양광 발전량 예측 모델 관리 장치(100)의 사용자가 설정한 예측 모델의 갱신주기, 예측오차 허용범위 등을 관리할 수 있다. 이때, 예측 모델의 갱신주기 초기값은 사용자가 임의로 연간/월간/일간/시간 단위로 설정할 수 있고, 변경이 가능하다. 또한, 예측오차 허용범위 초기값도 사용자가 임의로 설정할 수 있고, 변경이 가능하다.
단계(420)에서 예측 모델 관리부(120)는 예측 모델 학습부(110), 또는 예측 모델 수행부(130)에서 사용하는 예측 모델의 동작이 갱신주기를 경과하였는지 여부를 확인할 수 있다. 그리고, 예측 모델의 동작이 갱신주기를 경과한 경우, 예측 모델 관리부(120)는 단계(430)를 수행할 수 있다. 또한, 예측 모델의 동작이 갱신주기를 경과하지 않은 경우, 예측 모델 관리부(120)는 단계(450)를 수행할 수 있다.
단계(430)에서 예측 모델 관리부(120)는 발전량 예측 모델의 학습 및 시험 정보를 최근까지의 갱신 주기를 포함하는 최신 정보로 변경할 수 있다.
단계(440)에서 예측 모델 관리부(120)는 단계(430)에서 변경한 최신 정보에 따라 예측 모델 학습부(110), 또는 예측 모델 수행부(130)에서 사용하던 기존의 예측 모델을 재학습 하도록 결정할 수 있다.
단계(450)에서 예측 모델 관리부(120)는 예측 모델의 예측부에 저장된 예측값과 태양광 발전량 실측값을 비교 분석할 수 있다. 이때, 예측값과 실측값의 차이를 예측 오차(error)로 정의할 수 있다. 그리고, 예측오차는 예측오차평균(MAE, Mean Absolute Error), 평균 절대 퍼센트 오차(MAPE, Mean Absolute Percentage Error), 평균제곱근오차(RMSE, Root Mean Square) 등으로 다양하게 표현될 수 있다.
단계(460)에서 예측 모델 관리부(120)는 예측 오차가 임계값을 초과하는지 여부를 확인할 수 있다. 예측 오차가 임계값을 초과하는 경우, 예측 모델 관리부(120)는 단계(470)를 수행할 수 있다. 또한, 예측 오차가 임계값 이하인 경우, 예측 모델 관리부(120)는 단계(480)를 수행할 수 있다.
이때, 임계값은 허용 가능한 예측 오차의 범위이며, 예측오차의 민감도로 표현될 수도 있다. 예를 들어, 예측 모델 관리부(120)는 단순 이동 평균(SMA, Simple Moving Average), 선형 가중 이동 평균 (LWMA, Linearly Weighted Moving Average), 지수 이동 평균(EMA, Exponential Moving Average) 등 중 하나를 이용하여 임계값을 계산할 수 있다.
이때, 예측 모델 관리부(120)는 예측 오차 xi 의 합을 예측 기간 n 으로 나누어서 단순 이동 평균을 계산할 수 있다. 예를 들어, 예측 모델 관리부(120)는 표1에 도시된 예측 오차 xi들을 수학식 1에 적용하여 계산한 단순 이동 평균(SMA)을 임계값으로 결정할 수 있다. 이때, 단순 이동 평균 값은 예측 오차들(1, 2, 2, 3, 2, 1, 1)의 합을 예측 기간 7로 나눈 값인 1.86일 수 있다.
Figure pat00001
Figure pat00002
또한, 예측 모델 관리부(120)는 예측 오차 xi 에 가중치 Wj 를 부여한 값의 합을 가중치 Wj 의 합으로 나누어서 선형 가중 이동 평균을 계산할 수도 있다.
예를 들어, 예측 모델 관리부(120)는 표2에 도시된 예측 오차 xi 들을 수학식 2에 적용하여 계산한 선형 가중 이동 평균(LWMA)을 예측 오차로 결정할 수 있다. 이때, 선형 가중 이동 평균(LWMA)은 예측 오차 xi 에 가중치 Wj 를 부여한 값의 합인 1x1+2x2+2x3+3x5+1x5의 값을 예측기간 동안의 가중치의 합인 1+2+3+4+5의 값으로 나눈 값인 1.86일 수 있다.
Figure pat00003
Figure pat00004
앞서 설명한 일례와 같이 예측 모델 갱신 주기가 짧으면 예측 민감도가 커질 수 있기 때문에, 최적화된 갱신 주기 설정을 위한 예측오차 허용범위 계산이 필요하다.
따라서, 예측 모델 관리부(120)는 일간 예측오차 민감도를 계산하여, 예측 모델 갱신주기를 설정할 수 있다. 또한, 예측 모델 관리부(120)는 연간/월간/일간/시간 별 예측오차 민감도를 계산하고, 시간별 민감도 차이에 따라 예측 모델 갱신주기를 설정할 수 있다. 예측 모델 관리부(120)는 예측 오차 민감도에 따라 예측 모델 갱신 주기를 설정함으로써, 예측 정확도를 높일 수 있다.
단계(470)에서 예측 모델 관리부(120)는 기존의 예측 모델에서 사용 중이던 예측 알고리즘을 신규 예측 알고리즘으로 변경하거나, 기존의 예측 모델을 기준 예측 모델과 서로 다른 예측 알고리즘을 사용하는 신규 예측 모델로 변경하도록 결정할 수 있다.
단계(480)에서 예측 모델 관리부(120)는 예측 모델 학습부(110) 및 예측 모델 수행부(130)가 기존의 예측 모델을 계속 사용하도록 결정할 수 있다.
도 5는 본 발명의 일실시예에 따른 태양광 발전량 예측 모델 관리 방법의 예측 모델 수행 과정을 도시한 플로우차트이다. 도 5의 단계(510)내지 단계(530)은 도 2의 단계(240)에 포함될 수 있다.
단계(510)에서 예측 모델 수행부(130)는 익일 기상 정보를 입력받을 수 있다. 이때, 예측 모델 수행부(130)는 익일 시간별 기상 정보와 같이 예측 전일 혹은 예측 한 시간 전의 태양광 발전량 예측을 위한 정보를 입력받을 수 있다.
단계(520)에서 예측 모델 수행부(130)는 예측 모델 학습부(110)에서 결정된 태양광 발전량 예측 모델을 수행하고, 단계(510)에서 입력받은 정보를 태양광 발전량 예측 모델에 입력하여 태양광 발전량을 예측할 수 있다. 이때, 예측 모델 수행부(130)는 일단위 혹은 시간 단위로 태양광 발전량을 예측할 수 있다.
단계(530)에서 예측 모델 수행부(130)는 단계(520)에서 예측한 태양광 발전량을 저장할 수 있다. 이때, 저장한 태양광 발전량의 예측 결과는 단계(450)에서 사용될 수 있다.
본 발명은 학습을 통해 생성된 태양광 발전량 예측 모델의 갱신주기를 설정하여, 갱신주기 내의 예측오차 허용범위를 모니터링하여 예측정확도를 향상시키고, 갱신주기 경과에 신규 데이터를 예측 모델에 적용하여 재학습할 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.
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.
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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
110: 예측 모델 학습부
120: 예측 모델 관리부
130: 예측 모델 수행부

Claims (1)

  1. 예측 모델의 갱신 주기가 경과한 경우, 상기 예측 모델의 정보를 최신 정보로 변경하여 재학습하는 단계;
    상기 예측 모델의 갱신 주기가 경과지 않은 경우, 실측값과 상기 예측 모델에 따른 예측 값을 비교하여 예측 모델의 변경 여부를 결정하는 단계;
    상기 예측 모델, 재학습된 예측 모델, 및 변경된 예측 모델 중 하나를 이용하여 태양광 발전량을 예측하는 단계
    를 포함하는 태양광 발전량 예측 모델 관리 방법.
KR1020180046709A 2018-04-23 2018-04-23 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 KR20190123040A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180046709A KR20190123040A (ko) 2018-04-23 2018-04-23 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180046709A KR20190123040A (ko) 2018-04-23 2018-04-23 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190123040A true KR20190123040A (ko) 2019-10-31

Family

ID=68421060

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180046709A KR20190123040A (ko) 2018-04-23 2018-04-23 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20190123040A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507613A (zh) * 2020-12-01 2021-03-16 湖南工程学院 一种秒级超短期光伏功率预测方法
KR102292106B1 (ko) * 2020-09-29 2021-08-23 (주)대은 태양광발전과 연계된 ess 충방전 조절시스템
KR20220037156A (ko) * 2020-09-17 2022-03-24 (주)탑인프라 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
KR20220089508A (ko) * 2020-12-21 2022-06-28 한전케이디엔주식회사 태양광 발전소의 기상정보 추정 장치 및 그 방법
KR20220095313A (ko) * 2020-12-29 2022-07-07 주식회사 그리드위즈 디지털 트윈 기반의 분산 자원 및 전력 계통 운영 계획 시스템 및 운영 계획 방법
KR20230099132A (ko) 2021-12-27 2023-07-04 광운대학교 산학협력단 컨셉 드리프트 검출 장치와 이를 적용한 적응적 예측 시스템 및 그 방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220037156A (ko) * 2020-09-17 2022-03-24 (주)탑인프라 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
KR102292106B1 (ko) * 2020-09-29 2021-08-23 (주)대은 태양광발전과 연계된 ess 충방전 조절시스템
WO2022071625A1 (ko) * 2020-09-29 2022-04-07 (주)대은 태양광발전과 연계된 ess 충방전 조절시스템
CN112507613A (zh) * 2020-12-01 2021-03-16 湖南工程学院 一种秒级超短期光伏功率预测方法
CN112507613B (zh) * 2020-12-01 2022-05-10 湖南工程学院 一种秒级超短期光伏功率预测方法
KR20220089508A (ko) * 2020-12-21 2022-06-28 한전케이디엔주식회사 태양광 발전소의 기상정보 추정 장치 및 그 방법
KR20220095313A (ko) * 2020-12-29 2022-07-07 주식회사 그리드위즈 디지털 트윈 기반의 분산 자원 및 전력 계통 운영 계획 시스템 및 운영 계획 방법
KR20230099132A (ko) 2021-12-27 2023-07-04 광운대학교 산학협력단 컨셉 드리프트 검출 장치와 이를 적용한 적응적 예측 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
KR20190123040A (ko) 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법
Rahman et al. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks
Wang et al. Adaptive learning based data-driven models for predicting hourly building energy use
Carpinone et al. Markov chain modeling for very-short-term wind power forecasting
KR102042165B1 (ko) 미세먼지의 농도 예측 방법 및 장치
US20170091615A1 (en) System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
US10379146B2 (en) Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data
KR20200034023A (ko) 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
KR102239464B1 (ko) 심층 구조를 이용한 전력 수요 예측 방법 및 장치
KR102296309B1 (ko) 태양광 발전량 예측 장치 및 그 방법
CN109598052B (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
Massaoudi et al. Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting
US20240012407A1 (en) Condition-Based Method for Malfunction Prediction
JP6086875B2 (ja) 発電量予測装置および発電量予測方法
Ahmad et al. Global solar radiation prediction using artificial neural network models for New Zealand
CN107704426A (zh) 基于扩展小波神经网络模型的水位预测方法
Dengen Comparison of SARIMA, NARX and BPNN models in forecasting time series data of network traffic
CN114004397A (zh) 一种计及多因素影响的地区能源消费态势预测方法及装置
Nawar et al. Transfer learning in deep learning models for building load forecasting: Case of limited data
Mohammed et al. Predicting performance measurement of residential buildings using an artificial neural network
Lalis et al. Dynamic forecasting of electric load consumption using adaptive multilayer perceptron (AMLP)
Zainun et al. Forecasting low-cost housing demand in Pahang, Malaysia using Artificial Neural Networks
CN107124003B (zh) 风力发电场风能预测方法和设备