KR20200052432A - 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법 - Google Patents

기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법 Download PDF

Info

Publication number
KR20200052432A
KR20200052432A KR1020180129722A KR20180129722A KR20200052432A KR 20200052432 A KR20200052432 A KR 20200052432A KR 1020180129722 A KR1020180129722 A KR 1020180129722A KR 20180129722 A KR20180129722 A KR 20180129722A KR 20200052432 A KR20200052432 A KR 20200052432A
Authority
KR
South Korea
Prior art keywords
information
model
power generation
weather
seasonal
Prior art date
Application number
KR1020180129722A
Other languages
English (en)
Inventor
김관호
이동훈
Original Assignee
인천대학교 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 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020180129722A priority Critical patent/KR20200052432A/ko
Publication of KR20200052432A publication Critical patent/KR20200052432A/ko

Links

Images

Classifications

    • 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

본 발명은 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법에 관한 것이다. 본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치는, 외부로부터 수신된 기상 정보 및 계절 정보를 저장하는 저장부, 상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정하는 모델 관리부, 상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행하는 모델 학습부 및 상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산하는 발전량 계산부를 포함할 수 있다.

Description

기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법{ELECTRONIC DEVICE FOR PREDICTING LONG-TERM PHOTOVOLTAIC POWER GENERATION USING METEOROLOGICAL AND SEASONAL INFORMATION BASED ON DEEP LEARNING AND OPERATING METHOD THEREOF}
본 발명은 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법에 관한 것이다.
최근 온실가스의 증가로 인한 기후 변화 대응의 필요성과 전력수요의 증가로 인해 태양광 발전량(PV) 예측의 중요성은 급격히 증가하고 있다. 특히, 장시간 태양광 발전량을 예측하는 것은 전력의 정확한 가격 결정, 시스템 안정성 및 전력 생산 균형 등 다양한 문제들을 효과적으로 해결하고 전력 생산 계획을 합리적으로 계획하는데 도움이 될 수 있다.
한편, 일사량, 운량(雲量), 온도 등과 같은 기상의 변화 및 계절의 변화로 인해 태양광 발전량이 무작위적으로 변화하기 때문에 장시간 동안 태양광 발전량을 예측하는 것은 쉽지 않다. 예를 들어, 여름과 겨울에는 장마와 눈이 자주 내리는 등 기상의 변화가 매우 심하기 때문에 기상의 변화를 고려하지 않고서 태양광 발전량을 예측하는 것은 쉽지 않다. 또한, 봄과 여름에는 일사량이 비교적 높고 태양이 늦게 지기 때문에 태양광 발전을 통해 전력을 얻을 수 있는 시간이 늘어나는 반면, 가을과 겨울에는 일사량이 비교적 낮고 태양이 빨리 지기 때문에 태양광 발전을 통해 전력을 얻을 수 있는 시간이 줄어들기 때문에 계절의 변화를 고려하지 않고서 태양광 발전량을 예측하는 것을 쉽지 않다.
일반적으로 태양광 발전량을 예측하는 시스템은 일사량만을 고려하도록 설계되는데, 일사량은 기상의 변화 또는 계절의 변화로 인한 영향을 크게 받는바, 실제 설치된 태양광 발전소의 발전량을 측정해보면 같은 지역 및 같은 시간이라 할지라도 그 양에 차이가 있다. 따라서, 장시간 동안의 태양광 발전량을 예측하기 위해서는 일사량뿐만 아니라 다양한 기상 및 계절 정보를 고려해야 하는 어려움이 존재한다.
본 문서에 개시된 다양한 실시 예들은 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법을 제안한다. 태양광 발전량을 예측하는 데는 시계열 분석 기법과 인공지능 기반의 기법이 이용될 수 있다.
일 실시 예에 따른 전자 장치는 시계열 분석 기법에 따라 데이터를 분석하는 ARIMA (autoregressive integrated moving average) 모델, 하나의 숨겨진 레이어를 이용하여 데이터를 분석하는 인공지능 기반의 ANN (artificial neural networks) 모델, 또는 복수의 레이어들을 이용하여 데이터를 분석하는 인공지능 기반의 DNN (deep neural network) 모델을 통해 장시간 태양광 발전량을 예측할 수 있다. 나아가, 일 실시 예에 따른 전자 장치는 장시간 태양광 발전량에 대한 예측의 정확도를 향상시키기 위해 일사량뿐만 아니라 온도, 습도, 일사량 등의 기상 정보 및 계절 정보 등을 이용하며, 이와 함께 딥러닝 모델을 이용하여 장시간 태양광 발전량을 예측할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치는, 외부로부터 수신된 기상 정보 및 계절 정보를 저장하는 저장부, 상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정하는 모델 관리부, 상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행하는 모델 학습부 및 상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산하는 발전량 계산부를 포함할 수 있다.
또한, 본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법은, 외부로부터 수신된 기상 정보 및 계절 정보를 저장하는 단계, 상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정하는 단계, 상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행하는 단계 및 상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따르면, 전자 장치는 기상 및 계절 정보를 이용하여 장시간 태양광 발전량을 정확하게 예측할 수 있다. 이처럼, 태양광 발전시스템을 통해 생산된 전력의 양을 예측하는 것은 전력 공급자와 전력 운영자에게 여러모로 도움이 될 수 있다. 예를 들어, 전력 공급과 수요 계획을 담당하고 있는 전력 공급자는, 태양광 발전량 예측을 통해 시스템 안정성 및 전력 생산 균형과 같은 문제를 효과적으로 해결하고 전력 생산을 합리적으로 계획할 수 있다. 또한, 전력 가격을 결정하고 시민에게 전력을 공급하는 역할을 담당하고 있는 전력 운영자는, 태양광 발전량 예측을 통해 공급 전 전력 가격을 결정할 수 있고 이를 통해 합리적인 가격으로 시민에게 전력을 제공할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전자 장치의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따라 기상 및 계절 정보를 이용하여, 딥러닝 기반의 적어도 하나의 모델에 기초한 장시간 태양광 발전량을 예측하기 위해 제안된 프레임워크를 도시한다.
도 3은 본 발명의 일 실시 예에 따른 전자 장치의 ANN 모델 및 DNN 모델에 대한 학습 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따라, 계절에 상관 없이 적어도 하나의 모델에 따라 예측된 태양광 발전량과 실제 태양광 발전량 간의 오차를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따라, 태양광 발전량 변화에 대해 단기적인 관점에서 ANN 모델, S-ARIMA 모델 및 DNN 모델 간의 성능을 비교하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따라, 연속 2일 동안의 태양광 발전량 변화에 따라 세 가지 관점에서 태양광 발전량의 예측치 및 실측치를 비교 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 방법을 설명하기 위한 순서도이다.
본 문서에 개시된 다양한 실시 예들은 본 발명을 특정한 실시 형태로 한정하기 위해 제시된 것이 아니며, 다양한 실시 예들을 통해 소개된 구성요소들은 본 발명의 사상 및 기술 범위에 포함되는 모든 변경 가능한 균등물 내지 대체물을 포함하는 의미로서 제시된 것임을 당업자는 용이하게 이해할 것이다. 또한, 각 도면을 설명함에 있어, 다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있는 것으로 해석될 수 있다. 또한, 본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 통해 명확해질 것이다. 본 발명을 설명함에 있어 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그와 관련된 상세한 설명은 생략될 수 있으며, 뒤에 설명되는 용어들은 본 발명에서의 구조, 역할 및 기능 등을 고려하여 정의된 용어들로서 이는 사용자 및 운용자의 의도 또는 관례 등에 따라 기존에 사용되던 의미와 달리 해석될 수 있다.
본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있음을 밝혀둔다. 본 문서에 개시된 다양한 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 오로지 특허청구범위에 기재된 청구항의 범주에 의하여 정의될 뿐이다.
본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시 예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(application specific integrated circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 인스트럭션들을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 인스트럭션들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 인스트럭션 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.
도 1은 본 발명의 일 실시 예에 따른 전자 장치의 구성을 도시한 도면이다. 다양한 실시 예들에 따르면, 전자 장치(100)는 저장부(110), 모델 관리부(120), 모델 학습부(130) 및 발전량 계산부(140) 중 적어도 하나를 포함할 수 있다. 여기서, 모델 관리부(120), 모델 학습부(130) 및 발전량 계산부(140)는 특정 인스트럭션을 수행하는 모듈을 의미하기 위해 사용되었으며, 상기 모듈들을 통해 수행되는 인스트럭션들은 전자 장치의 프로세서(미도시)에 의해 수행되는 것으로 이해될 수 있음을 밝혀둔다.
전자 장치(100)의 프로세서는, 예를 들면, 소프트웨어를 구동하여 프로세서에 연결된 저장부(110) 또는 통신 인터페이스(미도시)를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 프로세서는 통신 인터페이스로부터 수신된 제어 명령 또는 데이터를 로드하여 처리한 후, 결과 데이터를 저장부(110)에 저장할 수 있다. 한편, 프로세서는 모델 관리부(120), 모델 학습부(130) 및 발전량 계산부(140)를 포함할 수 있다.
전자 장치(100)의 저장부(110)는 전자 장치(100)의 적어도 하나의 구성 요소에 의해 사용되는 다양한 데이터를 저장할 수 있다. 여기서, 데이터는 소프트웨어 및 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 또한, 저장부(110)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 일 실시 예에 따르면, 저장부(110)는 외부로부터 수신된 기상 정보 및 계절 정보를 저장할 수 있다. 예컨대, 기상 정보는 지정된 연도의 임의의 날짜와 대응되는 온도 정보, 습도 정보, 운량 정보 및 일사량 정보 중 적어도 하나의 정보를 포함할 수 있다. 기상 정보는 기상청 등을 통해 획득된 정보뿐만 아니라, 하나 이상의 센서들 또는 기상 장비를 통해 획득된 정보들을 의미할 수 있다. 또한, 계절 정보는 임의의 날짜에 대한 월 정보 및 일 정보를 의미할 수 있다. 예컨대, 계절 정보 내 월 정보가 '8'이고, 일 정보가 '15'라면, 계절 정보는 여름을 의미하거나 여름과 관련된 기상 및 기후 데이터 등을 의미할 수 있다.
다양한 실시 예들에 따르면, 저장부(110)는 전자 장치(100) 내 다양한 연산들에 이용되는 적어도 하나의 모델의 입력 값 및 출력 값과 대응되는 데이터를 하기 표 1과 같이 저장할 수 있다.
Figure pat00001
표 1을 참고하면, 적어도 하나의 모델에 대한 입력 값인 기상 정보는 온도, 습도, 운량 및 일사량을 포함할 수 있고, 계절 정보는 월 정보 및 일 정보를 포함할 수 있다. 적어도 하나의 모델의 출력 값은 태양광 발전량의 예측치와 태양광 발전량의 실측치를 포함할 수 있다. 이 때,
Figure pat00002
는 시간 정보를 의미할 수 있다. 또한,
Figure pat00003
는 i 번째 시간에서의 기상 정보로 이루어진
Figure pat00004
벡터를 의미할 수 있다. 또한,
Figure pat00005
는 i 번째 시간에서의 계절정보로 이루어진
Figure pat00006
벡터를 의미할 수 있다. 또한,
Figure pat00007
는 적어도 하나의 학습된 모델에서 i 번째 시간에서의 태양광 발전량의 예측치를 의미하고,
Figure pat00008
는 i 번째 시간에서의 태양광 발전량의 실측치를 의미할 수 있다. 한편, 상기 표 1에 기재된 데이터는 본 문서에 개시된 다양한 딥러닝 모델을 학습하는데 사용되는 입력값 및 출력값을 의미할 수 있다.전자 장치(100)의 모델 관리부(120)는 기상 정보 및 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 기상 정보 및 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정할 수 있다. 예컨대, 모델 관리부(120)는 적어도 하나의 모델을 학습하는데 필요한 기상 정보 및 계절 정보의 개수가 120개 이상인지 여부를 확인할 수 있다. 즉, 모델 관리부(120)는 앞서 살펴본 표 1에서 i 의 값이 120보다 큰 지 여부를 확인할 수 있다. 확인 결과, i 의 값이 120보다 큰 것으로 판단되는 경우, 모델 관리부(120)는 적어도 하나의 모델에 의한 통계적 분석 또는 딥러닝 학습을 수행할 준비가 완료된 것으로 판단할 수 있다.
일 실시 예에 따르면, 모델 관리부(120)는 전자 장치(100)의 사용자로부터 태양광 발전량의 계산에 이용되는 적어도 하나의 모델에 대한 선택 명령을 수신할 수 있다. 예컨대, 모델 관리부(120)는 제 1 선택 명령이 수신되는 경우 태양광 발전량의 계산에 이용되는 적어도 하나의 모델로서 ARIMA 모델을 선택할 수 있고, 제 2 선택 명령이 수신되는 경우 태양광 발전량의 계산에 이용되는 적어도 하나의 모델로서 ANN 모델을 선택할 수 있으며, 제 3 선택 명령이 수신되는 경우 태양광 발전량의 계산에 이용되는 적어도 하나의 모델로서 DNN 모델을 선택할 수 있다. 또한, 모델 관리부(120)는 적어도 하나의 모델에 대한 선택이 완료되는 경우, 저장부(110)에 저장된 기상 정보 및 계절 정보에 기초하여 적어도 하나의 모델에 설정할 하나 이상의 변수 값들을 결정할 수 있다.
예컨대, 모델 관리부(120)는 선택된 ARIMA 모델 내 예측 방정식에 나타나는 차분된 계열의 시차와 대응되는 AR 모델 및 예측 오차의 시차와 대응되는 MA 모델을 합친 후 잔차를 제거하여 지연 차수를 결정할 수 있다. 또한, 모델 관리부(120)는 외부로부터 수신된 입력에 기초하여 주기를 결정할 수 있다. 또한, 모델 관리부(120)는 계절 정보를 이용하여 계절에 따른 지연 계수를 결정할 수 있다. 마지막으로, 모델 관리부(120)는 상기 결정된 지연 차수, 주기 및 지연 계수를 이용하여 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정할 수 있다.
전자 장치(100)의 모델 학습부(130)는 결정된 하나 이상의 변수들을 사용자로부터의 입력에 의해 선택된 적어도 하나의 모델에 설정한 후, 기상 정보 및 계절 정보를 이용하여 상기 선택된 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행할 수 있다. 예컨대, 모델 학습부(130)는 선택된 적어도 하나의 모델에 대하여 미리 설정된 횟수인 250회만큼의 학습을 진행할 수 있다.
전자 장치(100)의 발전량 계산부(140)는 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 태양광 발전량의 예측치를 계산할 수 있다. 일 실시 예에 따르면, 발전량 계산부(140)는 ANN 모델의 인풋 레이어를 통해 기상 정보와 대응되는 제 1 벡터 및 계절 정보와 대응되는 제 2 벡터를 획득하고, ANN 모델의 단일 히든 레이어 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 상기 획득된 제 1 벡터 및 제 2 벡터를 벡터 곱셈 연산하고, 상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 아웃풋 레이어를 통해 출력함으로써, 태양광 발전량의 예측치를 구할 수 있다. 한편, 발전량 계산부(140)는 ANN 모델의 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하고, 상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정할 수 있다. 다양한 실시 예들에 따르면, 발전량 계산부(140)는 단일 히든 레이어를 포함하는 ANN 모델뿐만 아니라, 복수의 히든 레이어들을 포함하는 DNN 모델을 이용하여 태양광 발전량의 예측치를 구할 수도 있다. 이에 대한 보다 자세한 설명은 후술하도록 한다.
도 2는 본 발명의 일 실시 예에 따라 기상 및 계절 정보를 이용하여, 딥러닝 기반의 적어도 하나의 모델에 기초한 장시간 태양광 발전량을 예측하기 위해 제안된 프레임워크를 도시한다.
도 2를 참고하면, 프레임워크(200)는 학습 과정 및 테스트 과정으로 구성될 수 있다. 일 실시 예에 따르면, 프레임워크(200) 내 학습 과정은 입력 값, 활성화 함수, 손실 함수 및 최적화 기법을 기반으로 신경망 모델을 통해 이루어질 수 있다. 여기서, 신경망 모델은 인풋 레이어(input layer), 히든 레이어(hidden layer) 및 아웃풋레이어(output layer)로 구성될 수 있다. 학습 과정에서 사용되는 입력 값
Figure pat00009
는 각각의 레이어에 할당된 연결 가중치 및 활성화 함수와의 연산을 통해 비선형 값으로 변환될 수 있다. 다양한 실시 예들에 따르면, 학습 과정의 수행에는 오차역전파법(backpropagation)이 적용될 수 있으며, 학습 과정은 태양광 발전량의 예측치 및 실측치 간의 오차를 최소화하기 위한 연결 가중치를 찾기 위해 반복적으로 수행될 수 있다.
테스트 과정은 학습 과정을 통해 학습된 연결 가중치를 사용하여 수행될 수 있다. 일 실시 예에 따르면, 테스트 과정에는 입력 값
Figure pat00010
중 학습 과정에서 사용되지 않은 값들이 이용될 수 있다. 한편, 테스트 과정에서 연결 가중치는, 적어도 하나의 모델을 기반으로 태양광 발전량의 예측치 및 실측치 간의 차이를 계산하고, 이를 통해 태양광 발전량에 대한 예측의 정확도를 평가하는데 이용될 수 있다.
다양한 실시 예들에 따르면, 전자 장치(100)는 프레임워크(200)를 통해 정의된 바에 따라, 적어도 하나의 모델을 이용하여 태양광 발전량의 예측치를 계산할 수 있다. 예컨대, 적어도 하나의 모델은 시계열 분석 기법에 따라 데이터를 분석하는 ARIMA (autoregressive integrated moving average) 모델, 하나의 숨겨진 레이어를 이용하여 데이터를 분석하는 인공지능 기반의 ANN (artificial neural networks) 모델, 및 복수의 레이어들을 이용하여 데이터를 분석하는 인공지능 기반의 DNN (deep neural network) 모델을 포함할 수 있다.
일 실시 예에 따르면, ARIMA 모델은 AR(auto-regressive) 모델 및 MA(moving average) 모델을 결합한 시계열 분석 기법을 의미할 수 있다. 시계열 분석 기법은 시간에 따라 변하는 확률 구조, 특히 평균 및 공분산의 형태가 시간에 따라 달라지는 특징을 이용하는 기법을 의미할 수 있다. 한편, 본 발명의 일 실시 예에 따른 계절형(seasonal) ARIMA 모델은 ARIMA 모델과 주기의 자료들 간의 관계를 동시에 반영한 모형으로 계절성을 보이는 시계열 분석 기법에 사용될 수 있다.
ARIMA 모델에서 예측 방정식에 나타나는 차분된 계열의 시차를 'AR항'으로 명명할 수 있고, 예측 오차의 시차를 'MA항'으로 명명할 수 있다. 또한, ARIMA(p, d, q) 모델은 AR(p) 모델 및 MA(q) 모델을 합친 ARMA(p, q) 모델에서 잔차를 제거한 후, 하기 수학식 1과 같이 나타낼 수 있다. 이 때, 잔차는
Figure pat00011
로 정의한다.
Figure pat00012
상기 수학식 1에 따르면, 정수형 인덱스 t를 가진 어떤 시계열,
Figure pat00013
를 유한한 개수의 자신의 과거의 값들에 상수를 곱한 것과 정규분포를 따르는 백색소음(white noise),
Figure pat00014
의 합으로 나타낼 수 있다. 또한, B는 지연 연산자(lag operator)이고, p와 q는 유한한 지연차수를 의미할 수 있다. 한편, 계절형 ARIMA(p, d, q)(P, D, Q)z는 하기 수학식 2와 같이 나타낼 수 있다.
Figure pat00015
상기 수학식 2에 따르면, z는 주기의 인덱스로서, 12개월을 주기로 이용할 경우 z=12가 된다. ARIMA 모델을 통해 결정된 p, d, q와 계절에 따른 지연계수 P, D, Q를 결정하면 각 계수
Figure pat00016
들에 대해 근본적인 영향을 미치는 요소를 실용적인 접근법을 이용하여 결정할 수 있다.
일 실시 예에 따르면, ANN 모델은 인풋 레이어, 하나의 히든 레이어 및 아웃풋 레이어로 이루어져 있는 인공신경망 모델을 의미할 수 있다. 이 모델은 입력 값
Figure pat00017
를 이용하여 연결 가중치, 활성화 함수, 손실함수 및 최적화 기법을 통해 태양광 발전량의 예측치 및 실측치 간의 차이를 최소화하기 위해 반복적으로 학습될 수 있다.
먼저 입력 값
Figure pat00018
는 히든 레이어의 노드에 있는 각각의 연결 가중치
Figure pat00019
와 하기 수학식 3과 같이 계산을 통해 출력 값
Figure pat00020
을 출력할 수 있다.
Figure pat00021
상기 수학식 3에서, m은 히든 레이어 내 노드의 개수를 나타내고,
Figure pat00022
는 히든 레이어에 있는 연결 가중치 및 입력 값 간의 벡터 곱셈 계산 후 모두 합친 값을 나타낼 수 있다.
한편,
Figure pat00023
는 활성화 함수를 이용하여 하기 수학식 4와 같은 계산을 통해, 태양광 발전량의 예측치인
Figure pat00024
로 변환될 수 있다. 이 때, 활성화 함수에는 ReLU(rectified linear unit)가 적용될 수 있다.
Figure pat00025
상기 수학식 4에서,
Figure pat00026
는 입력 값을 나타낼 수 있다. 예컨대,
Figure pat00027
가 0보다 크면 출력 값은 변하지 않고, 그렇지 않을 경우 출력 값은 0이 될 수 있다.
한편, 일 실시 예에 따르면, 학습 파라미터의 최적화를 위해 최적화 기법 중 하나인 Adam 기법과 역전파(backpropagation) 기법이 사용될 수 있다. 또한, 학습 과정에서 태양광 발전량의 예측치 및 실측치 간의 차이를 계산하기 위해 이용되는 손실 함수로서 하기 수학식 7와 같이 정의되는 MSE(mean square error) 함수가 사용될 수 있다.
Figure pat00028
다양한 실시 예들에 따르면, 태양광 발전량의 실측치와 상기 수학식 5를 통해 계산된 태양광 발전량의 예측치 간의 오차를 최소화하기 위해 오차역전파법(backpropagation)을 기반으로, 아웃풋 레이어에서 인풋 레이어의 직선 방향으로 각 연결 가중치를 변경함으로써 반복 학습이 수행될 수 있다.
또 다른 실시 예에 따르면, ANN 모델은 상기 수학식 3 및 수학식 4가 아닌 하기의 수학식 6 및 수학식 7에 기초하여 학습될 수 있다. 일반적으로 ANN 모델은 태양광 발전량의 예측뿐만 아니라 많은 예측 문제에 관련하여 적용될 수 있는 단순한 모델로 잘 알려져 있으며 인상적인 성능을 보여준다는데 특징이 있다. 앞서 언급한 바와 같이, ANN 모델은 인풋 레이어, 하나의 히든 레이어 및 아웃풋 레이어로 이루어져 있는데, 보다 구체적으로 살펴보면, 입력 노드와 출력 노드에 각각 선형적으로 연결된 노드가 있는 하나의 히든 레이어로 구성될 수 있다. 여기서, 각 계층에 있는 노드들은 노드와 관련된 연결 가중치 및 활성화 함수를 이용하여 하나 이상의 입력 값들에 대한 출력 값을 생성할 수 있다. 또한, 생성된 출력 값은 다음 계층의 노드에 대한 입력 값으로 활용될 수 있다. 다양한 실시 예들에 따르면, 입력 레이어에 있는 노드에 대한 입력 값으로 상기 표 1에 정의된 기상 정보 및 계절 정보가 이용될 수 있다. 한편, 출력 레이어에 있는 노드의 각 입력 값은 히든 레이어의 출력값으로 이용되며 최종 태양광 발전량 예측 값으로 사용될 수 있다.
노드에 입력 값이 수신되면 노드의 값(net value)이라고 하는 입력의 가중치 합계가 계산될 수 있다. 이 때, 노드 i에 대한 노드의 값(net value)은
Figure pat00029
로 명명될 수 있으며, 하기 수학식 6에 따라 정의될 수 있다.
Figure pat00030
여기에서
Figure pat00031
는 노드 j에서 노드 i로의 연결에 해당하는 연결 가중치이고, N은 노드 i에 연결된 노드의 수를 의미할 수 있다. 또한,
Figure pat00032
는 노드 i의 출력, 즉, 출력 레이어에서 출력되는 태양광 발전량을 의미할 수 있다. 노드의 값(net value)은 ANN 모델이 정확한 비선형 값을 출력하는데 도움이 되는 활성화 함수를 사용하여, 선형 값을 비선형 값으로 변형하는데 이용될 수 있다. 이 때, 활성화 함수에는 ReLU(rectified linear unit)가 적용될 수 있다.
Figure pat00033
수학식 7을 참고하면, 입력 값이 양수일 때 출력 값은 변하지 않을 수 있다. 반면에 입력 값이 음수일　때는 출력 값이 단순히 0으로 정의됨으로써 입력 값은 비선형 값으로 변환될 수 있다. 앞서 살펴본 바와 같이, 수학식 7을 통해 계산된
Figure pat00034
는 태양광 발전량의 예측치를 의미할 수 있다.
한편, 일 실시 예에 따르면, 최적화된 연결 가중치를 찾기 위해 최적화 기법 중 하나인 Adam 기법과 역전파(backpropagation) 기법이 사용될 수 있다. 이 때, 태양광 발전량의 예측치인
Figure pat00035
와 태양광 발전량의 실측치인
Figure pat00036
사이의 차이를 최소화 하기 위해서 MSE(mean square error) 함수가 이용될 수 있다. 이 때, ANN 모델의 학습에 이용되는 옵티마이저(optimizer)는 각 훈련 과정에서 MSE 함수의 값을 최소화 하기 위하여 연결 가중치를 조절할 수 있다. 학습 과정에서 사용되는 데이터에 대해 MSE 함수의 값은 하기 수학식 8를 통해 계산될 수 있다.
Figure pat00037
다양한 실시 예들에 따르면, 상기 수학식 5 또는 수학식 8을 통해 계산된 태양광 발전량의 실측치와 태양광 발전량의 예측치 간의 오차를 최소화하기 위해 오차역전파법(backpropagation)을 기반으로, 아웃풋 레이어에서 인풋 레이어의 직선 방향으로 각 연결 가중치를 변경함으로써 반복 학습이 수행될 수 있다.
일 실시 예에 따르면, DNN 모델은 인풋 레이어, 둘 이상의 히든 레이어들 및 아웃풋 레이어로 이루어져 있는 인공신경망 모델을 의미할 수 있다. 즉, DNN 모델은 두 개 또는 두 개 이상의 히든 레이어들을 통해 과거의 기상 정보 및 계절 정보를 학습하여 태양광 발전량을 예측하는 인공신경망 모델을 의미할 수 있다. 본 발명에 따르면, 히든 레이어의 수가 증가함에 따라 그 수가 증가하는 매개 변수로 인한 학습의 어려움은 오차역전파법(backpropagation)에 기초한 알고리즘으로 해결될 수 있으며, 이를 통해, DNN 모델은 ANN 모델보다 더 높은 성능을 보일 수 있다.
바람직한 실시 예에서, DNN 모델에서 히든 레이어의 개수는 7개로 설정될 수 있다. 또한, 위와 같이 7개의 히든 레이어들로 구성된 DNN 모델은 앞서 살펴본 ANN 모델과 동일한 활성화 함수, 손실함수 및 최적화 기법을 사용하여 태양광 발전량의 예측치 및 실측치 간의 오차를 최소화하기 위해 반복적으로 학습될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 전자 장치의 ANN 모델 및 DNN 모델에 대한 학습 과정을 설명하기 위한 도면이다.
일 실시 예에 따르면, ANN 모델 및 DNN 모델을 학습함에 있어, 배치 크기는 128로 설정될 수 있다. 손실 함수는 배치 크기에 대해 손실 값을 계산할 수 있으므로, 배치 크기가 크게 설정될수록 더 많은 태양광 발전량의 예측치 및 실측치 간의 손실 값이 동시에 고려될 수 있고 학습 속도도 빨라질 수 있다. 이 때, 성능은 전체 태양광 발전량 오차를 손실 함수를 통해 계산하는 것과 유사할 수 있다.
바람직한 실시 예에 따르면, ANN 모델 및 DNN 모델의 학습 반복 횟수는 250으로 설정될 수 있다. 학습 반복 횟수가 많으면 과적합(Overfitting)으로 인해 모델의 성능이 저하될 수 있고, 학습 반복 횟수가 적으면 소적합(Underfitting)으로 인해 모델의 성능이 저하가 발생하여 성능이 저하될 수 있다. 따라서, 최적의 반복 학습 횟수는 반복적인 실험을 통해 설정될 수 있다.
도 3을 참고하면, 학습 반복 과정에 따라 ANN 모델 및 DNN 모델들이 학습하면서, 학습 및 검증 손실 값을 줄여나가는 것이 확인되면 학습의 양호함을 확인할 수 있다. 보다 구체적으로, 제 1 그래프(300)를 참고하면, ANN 모델의 학습 및 유효성 손실 값은 반복 횟수가 20% 정도(약 50회) 될 때까지 감소하지 않고 일정한 값을 유지하다가, 반복 횟수가 20% 를 넘어서면서 급격히 낮아진 후 안정화 됨을 확인할 수 있다. 또한, 제 2 그래프(310)를 참고하면, DNN 모델의 학습 및 유효성 손실 값은 학습 횟수가 60% 정도(약 150회) 될 때까지 계단식으로 점차 낮아지다가, 반복 횟수가 60% 를 넘어서면서 조금씩 변화되다 안정화 됨을 확인할 수 있다.
다양한 실시 예들에 따르면, 적어도 하나의 모델을 학습하기 위해서 사용되는 기상 정보는 기상청에서 제공하는 데이터가 이용될 수 있다. 한편, 계절 정보에서 월 정보는 해당 데이터가 속한 월의 값을 의미할 수 있다. 또한, 계절 정보에서 일 정보는 해당 데이터가 속한 일의 값을 의미할 수 있다. 예컨대, 8월 1일인 경우, 월의 값은 8이고 일의 값은 1일이 될 수 있다. 일 실시 예에 따르면, 기상 정보 중 습도의 범위는 0내지 100으로 설정될 수 있고, 수치가 높을수록 습도가 높다는 것을 의미할 수 있다. 또한, 기상 정보 중 운량의 범위는 0 내지 10으로 설정될 수 있고, 수치가 높을수록 운량이 많아 날씨가 흐리다는 것을 의미할 수 있다. 입력 값과 출력 값에 적용된 n은 하루 중 태양광 발전량이 측정되는 시간을 나타내는 수치로서, 예컨대 태양광 발전량이 06:00에서 19:00까지 측정되는 것으로 설정되면 n은 14로 설정될 수 있다.
다양한 실시 예들에 따르면, 적어도 하나의 모델을 학습하기 위해서 사용되는 데이터는 2013년 1월부터 2015년 2월까지의 데이터일 수 있으며, 학습 시 유효성을 검증하기 위한 데이터는 2015년 3월부터 2015년 8월까지의 데이터일 수 있다. 또한, 모델의 성능을 검증하기 위한 테스트 데이터는 2016년 3월, 4월, 8월, 10월의 데이터가 사용될 수 있으며, 이에 따라, 계절형 ARIMA 모델의 실용적인 접근법에 따라 4월(2, 0, 13)(1, 0, 2)4, 8월(2, 0, 13)(1, 0, 2)4, 10월(2, 0, 2)(1, 0, 2)4, 3월(2, 0, 13)(1, 0, 2)4과 같이 정의된 데이터가 이용될 수 있다.
다양한 실시 예들에 따르면, 적어도 하나의 모델에 대한 성능을 평가하기 위해 하기 수학식 9가 이용될 수 있다.
Figure pat00038
상기 수학식 9에서,
Figure pat00039
는 i부터 u까지 태양광 발전량의 예측치 및 실측치 간의 차이에 대한 절대값의 전체 합을 나타내고,
Figure pat00040
는 i부터 u까지 태양광 발전량의 실측치의 합을 나타낼 수 있다. 일 실시 예에 따르면, 사계절 내 각 4주 동안 태양광 발전량 오차를 계산하기 위해 u는 392로 설정될 수 있다.
도 4는 본 발명의 일 실시 예에 따라, 계절에 상관 없이 적어도 하나의 모델에 따라 예측된 태양광 발전량과 실제 태양광 발전량 간의 오차를 설명하기 위한 도면이다. 예컨대, 도 4는 전체 테스트 데이터 세트에 대해 적어도 하나의 모델에서의 평균 상대 오류(average relative errors)인 E를 나타낸 것일 수 있다.
도 4를 참고하면, 계절에 관계 없이 ARIMA 모델, ANN 모델 및 DNN 모델에 따른 태양광 발전량의 예측치 및 실측치 간의 오차를 확인할 수 있다. 일 실시 예에 따르면, 시계열 패턴을 고려하지 않고 현재 상태에만 초점을 맞춰 학습된 ANN 모델의 데이터(410)는 기존 시계열 예측 방법인 S-ARIMA 모델의 데이터(420)에 비해 평균 상대 오차가 높은 것으로 나타났으며, 이에 따라 ANN 모델이 S-ARIMA 모델에 비해 효과가 낮은 것으로 볼 수 있다. 반면에 ANN 모델에서 개선된 DNN 모델은 ANN 모델 및 S-ARIMA 모델 각각에 대해 71.2% 및 26.4%의 평균 상대 오차를 감소율을 보여, 가장 효과가 높은 것으로 나타났다.
도 5는 본 발명의 일 실시 예에 따라, 태양광 발전량 변화에 대해 단기적인 관점에서 ANN 모델, S-ARIMA 모델 및 DNN 모델 간의 성능을 비교하기 위한 도면이다.
도 5를 참고하면, 태양광 발전량의 변화에 대해 단기적인 관점에서 모델들 간의 성능을 평가한 그래프를 확인할 수 있다. 일 실시 예에 따르면, 태양광 예측 난이도에 따라 성능을 비교하기 위해 매일의 태양광 발전량 출력 변화의 수가 이용될 수 있다. ANN 모델(510)은 태양광 발전량 출력 변화의 수와 관계없이 가장 좋지 않은 성능을 보였다. 반면에, DNN 모델(530)은 모든 경우에 대해 기존 모델에 비해 상당히 낮은 오류를 보였으며, 특히 난이도가 높을수록, 즉, 태양광 발전량 출력 변화의 수가 많을수록 예측 모델의 오류가 커지는 경향을 보였다. S-ARIMA 모델(520)과 ANN 모델(510)은 태양광 발전량 출력 변화의 수가 많은 날에는 3% 이상의 오류를 보였으나, DNN 모델(530)은 3% 미만으로 오류가 낮았다.
이에 따라, 하루에 단기간의 시간별 패턴을 포착하여 개선된 학습과정을 통해 학습한 DNN 모델(530)은 태양광 발전량 출력 변화가 거의 없을 때뿐만 아니라 태양광 발전량 출력 변화가 많을 경우에도 높은 예측을 성능을 보인다는 것이 확인되었다. 반면에, 태양광 발전량 출력 변화에 연속적인 관측을 통해 통계적으로 접근한 S-ARIMA 모델(520)은 태양광 발전량 출력 변화가 많은 경우 태양광 발전량을 정확히 예측하지 못한다는 것이 확인되었다.
도 6은 본 발명의 일 실시 예에 따라, 연속 2일 동안의 태양광 발전량 변화에 따라 세 가지 관점에서 태양광 발전량의 예측치 및 실측치를 비교 설명하기 위한 도면이다.
도 6의 제 1 그래프(601)에서, 태양광 발전량이 일정할 때 피크 시간대의 높은 태양광 발전량은 날씨가 맑고 일사량이 높음을 의미할 수 있다. 기상 정보 및 계절 정보가 2일 동안 유사하기 때문에 태양광 발전량은 장기적으로 변화가 거의 없으며, 이에 따라 ANN 모델(620), S-ARIMA 모델(630) 및 DNN 모델은 서로 비슷한 성능을 갖는 것으로 보인다. 하지만, 다양한 실시 예들에 따르면, 피크 시간대(예: 12:00 내지 14:00)의 S-ARIMA 모델(630)은 오류가 많이 발생할 수 있으며, S-ARIMA 모델(630)을 통한 예측치는 태양광 발전량의 실측치(610)보다 낮을 수 있다.
도 6의 제 2 그래프(602) 및 제 3 그래프(603)를 참고하면, ANN 모델(620), S-ARIMA 모델(630) 및 DNN 모델(640) 간의 성능 차이는 태양광 발전량이 장기적으로 급격히 변할 때 나타난다. 특히, 피크 시간대에 태양광 발전량의 변화가 많이 발생할 수 있는데, 태양광 발전량이 급격히 떨어지는 경우(즉, 제 3 그래프), DNN 모델(640)은 피크 시간대에 가장 낮은 성능을 보였고 S-ARIMA 모델(630)은 태양광 발전량의 실측치(610)와 가장 유사한 경향을 보였다. 한편, 태양광 발전량이 급격히 상승하는 경우(즉, 제 2 그래프), ANN 모델(620)은 가장 낮은 성능을 보였다. 또한, 태양광 발전량이 급격히 상승하는 경우(즉, 제 2 그래프), DNN 모델(640)은 태양광 발전량이 급격히 떨어지는 경우(즉, 제 3 그래프)보다 나은 성능을 보이며 가장 우수한 성능을 보인다.
본 발명의 일 실시 예에 따르면, 태양광 발전량에 따라 ANN 모델(620), S-ARIMA 모델(630) 및 DNN 모델(640) 간의 성능에 차이가 있음을 확인할 수 있다. 실제로 기상 변화는 예상하기 힘들게 급격히 변화하기 때문에 태양광 발전량의 변화가 클 수 있다. 또한 태양광 발전량은 전기의 수요와 가격의 측면에서 낮았을 때보다 높았을 때 태양광 발전량을 정확히 예측하는 것이 중요할 수 있다. 한편, 태양광 발전량을 잘 예측하기 위해서는 태양광 발전과 기상 변화의 관계를 분석할 필요가 있는데, S-ARIMA 모델(630)과 같이 기상 변화와 태양광 발전량의 변화를 통계적으로 분석한 결과에 따를 경우 태양광 발전량이 급격히 높아졌을 때 태양광 발전량에 대한 예측 성능이 좋지 않을 수 있는 반면, 학습 과정을 거치는 DNN 모델(640)을 이용할 경우 태양광 발전량이 급격히 높아지더라도 태양광 발전량에 대한 예측 성능이 좋을 수 있다. 이를 통해, 태양광 발전량과 기상 변화 간의 관계를 학습하는 것이 필수적이라는 것을 확인할 수 있다.
도 7은 본 발명의 일 실시 예에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 방법을 설명하기 위한 순서도이다.
단계(700)에서는, 외부로부터 수신된 기상 정보 및 계절 정보를 저장할 수 있다.
단계(710)에서는, 상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정할 수 있다.
단계(720)에서는, 상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행할 수 있다.
단계(730)에서는, 상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산할 수 있다.
다양한 실시 예들에 따르면, 도 7에 개시된 동작들 중 일부는 생략되거나 복수 회 반복될 수 있다. 또한, 도 7에 개시된 동작들 각각은 일 실시 예로 보는 것이 타당하며, 어느 하나의 동작이 다른 하나의 동작에 종속되는 것으로 제한 해석될 수 없다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치는, 외부로부터 수신된 기상 정보 및 계절 정보를 저장하는 저장부, 상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정하는 모델 관리부, 상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행하는 모델 학습부 및 상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산하는 발전량 계산부를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 모델 관리부는, 외부로부터 제 1 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 ARIMA 모델을 선택하고, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 모델 관리부는, 상기 선택된 ARIMA 모델 내 예측 방정식에 나타나는 차분된 계열의 시차와 대응되는 AR 모델 및 예측 오차의 시차와 대응되는 MA 모델을 합친 후 잔차를 제거하여 지연 차수를 결정하고, 외부로부터 수신된 입력에 기초하여 주기를 결정하고, 상기 계절 정보를 이용하여 계절에 따른 지연 계수를 결정하고, 상기 결정된 지연 차수, 주기 및 지연 계수를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 모델 관리부는, 외부로부터 제 2 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 단일 히든 레이어 및 아웃풋 레이어로 구성된 ANN 모델을 선택하고, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ANN 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 발전량 계산부는, 상기 선택된 ANN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하고, 상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 단일 히든 레이어 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하고, 상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 발전량 계산부는, 상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하고, 상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 모델 관리부는, 외부로부터 제 3 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 복수의 히든 레이어들 및 아웃풋 레이어로 구성된 DNN 모델을 선택하고, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 DNN 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 발전량 계산부는, 상기 선택된 DNN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하고, 상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 복수의 히든 레이어들 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하고, 상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 발전량 계산부는, 상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하고, 상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 것을 특징으로 할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치에 있어서, 상기 기상 정보는, 지정된 연도의 임의의 날짜와 대응되는 온도 정보, 습도 정보, 운량 정보 및 일사량 정보 중 적어도 하나의 정보를 포함하고, 및 상기 계절 정보는, 상기 임의의 날짜에 대한 월 정보 및 일 정보를 포함하는 것을 특징으로 할 수 있다.
또한, 본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법은, 외부로부터 수신된 기상 정보 및 계절 정보를 저장하는 단계, 상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정하는 단계, 상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행하는 단계 및 상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 하나 이상의 변수들의 값들을 결정하는 단계는, 외부로부터 제 1 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 ARIMA 모델을 선택하는 단계 및 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 하나 이상의 변수들의 값들을 결정하는 단계는, 상기 선택된 ARIMA 모델 내 예측 방정식에 나타나는 차분된 계열의 시차와 대응되는 AR 모델 및 예측 오차의 시차와 대응되는 MA 모델을 합친 후 잔차를 제거하여 지연 차수를 결정하는 단계, 외부로부터 수신된 입력에 기초하여 주기를 결정하는 단계, 상기 계절 정보를 이용하여 계절에 따른 지연 계수를 결정하는 단계 및 상기 결정된 지연 차수, 주기 및 지연 계수를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 하나 이상의 변수들의 값들을 결정하는 단계는, 외부로부터 제 2 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 단일 히든 레이어 및 아웃풋 레이어로 구성된 ANN 모델을 선택하는 단계 및 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ANN 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 태양광의 예상 발전량을 계산하는 단계는, 상기 선택된 ANN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하는 단계, 상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 단일 히든 레이어 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하는 단계 및 상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 태양광의 예상 발전량을 계산하는 단계는, 상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하는 단계 및 상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 하나 이상의 변수들의 값들을 결정하는 단계는, 외부로부터 제 3 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 복수의 히든 레이어들 및 아웃풋 레이어로 구성된 DNN 모델을 선택하는 단계 및 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 DNN 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 태양광의 예상 발전량을 계산하는 단계는, 상기 선택된 DNN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하는 단계, 상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 복수의 히든 레이어들 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하는 단계 및 상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 태양광의 예상 발전량을 계산하는 단계는, 상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하는 단계 및 상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 단계를 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법에 있어서, 상기 기상 정보는, 지정된 연도의 임의의 날짜와 대응되는 온도 정보, 습도 정보, 운량 정보 및 일사량 정보 중 적어도 하나의 정보를 포함하고, 및 상기 계절 정보는, 상기 임의의 날짜에 대한 월 정보 및 일 정보를 포함할 수 있다.
본 발명의 일 실시 예에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일 실시 예에 따라 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 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 본 발명을 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.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시 예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (22)

  1. 외부로부터 수신된 기상 정보 및 계절 정보를 저장하는 저장부;
    상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정하는 모델 관리부;
    상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행하는 모델 학습부; 및
    상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산하는 발전량 계산부를 포함하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  2. 제 1 항에 있어서,
    상기 모델 관리부는,
    외부로부터 제 1 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 ARIMA 모델을 선택하고, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  3. 제 2 항에 있어서,
    상기 모델 관리부는,
    상기 선택된 ARIMA 모델 내 예측 방정식에 나타나는 차분된 계열의 시차와 대응되는 AR 모델 및 예측 오차의 시차와 대응되는 MA 모델을 합친 후 잔차를 제거하여 지연 차수를 결정하고, 외부로부터 수신된 입력에 기초하여 주기를 결정하고, 상기 계절 정보를 이용하여 계절에 따른 지연 계수를 결정하고, 상기 결정된 지연 차수, 주기 및 지연 계수를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  4. 제 1 항에 있어서,
    상기 모델 관리부는,
    외부로부터 제 2 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 단일 히든 레이어 및 아웃풋 레이어로 구성된 ANN 모델을 선택하고, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ANN 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  5. 제 4 항에 있어서,
    상기 발전량 계산부는,
    상기 선택된 ANN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하고, 상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 단일 히든 레이어 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하고, 상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  6. 제 5 항에 있어서,
    상기 발전량 계산부는,
    상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하고, 상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  7. 제 1 항에 있어서,
    상기 모델 관리부는,
    외부로부터 제 3 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 복수의 히든 레이어들 및 아웃풋 레이어로 구성된 DNN 모델을 선택하고, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 DNN 모델 내 하나 이상의 변수들의 값들을 결정하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  8. 제 7 항에 있어서,
    상기 발전량 계산부는,
    상기 선택된 DNN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하고, 상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 복수의 히든 레이어들 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하고, 상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  9. 제 8 항에 있어서,
    상기 발전량 계산부는,
    상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하고, 상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  10. 제 1 항에 있어서,
    상기 기상 정보는, 지정된 연도의 임의의 날짜와 대응되는 온도 정보, 습도 정보, 운량 정보 및 일사량 정보 중 적어도 하나의 정보를 포함하고, 및
    상기 계절 정보는, 상기 임의의 날짜에 대한 월 정보 및 일 정보를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치.
  11. 외부로부터 수신된 기상 정보 및 계절 정보를 저장하는 단계;
    상기 기상 정보 및 상기 계절 정보 각각의 개수가 미리 설정된 임계치 이상인 것에 응답하여, 상기 기상 정보 및 상기 계절 정보를 이용하여 태양광의 예상 발전량을 계산하는데 이용되는 적어도 하나의 모델에 설정할 하나 이상의 변수들의 값들을 결정하는 단계;
    상기 결정된 하나 이상의 변수들을 상기 적어도 하나의 모델에 설정한 후, 상기 기상 정보 및 상기 계절 정보를 이용하여 상기 적어도 하나의 모델에 대한 학습을 미리 설정된 횟수만큼 진행하는 단계; 및
    상기 미리 설정된 횟수만큼 학습이 진행된 적어도 하나의 모델을 이용하여 상기 태양광의 예상 발전량을 계산하는 단계를 포함하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  12. 제 11 항에 있어서,
    상기 하나 이상의 변수들의 값들을 결정하는 단계는,
    외부로부터 제 1 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 ARIMA 모델을 선택하는 단계; 및
    상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  13. 제 12 항에 있어서,
    상기 하나 이상의 변수들의 값들을 결정하는 단계는,
    상기 선택된 ARIMA 모델 내 예측 방정식에 나타나는 차분된 계열의 시차와 대응되는 AR 모델 및 예측 오차의 시차와 대응되는 MA 모델을 합친 후 잔차를 제거하여 지연 차수를 결정하는 단계;
    외부로부터 수신된 입력에 기초하여 주기를 결정하는 단계;
    상기 계절 정보를 이용하여 계절에 따른 지연 계수를 결정하는 단계; 및
    상기 결정된 지연 차수, 주기 및 지연 계수를 이용하여 상기 선택된 ARIMA 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  14. 제 11 항에 있어서,
    상기 하나 이상의 변수들의 값들을 결정하는 단계는,
    외부로부터 제 2 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 단일 히든 레이어 및 아웃풋 레이어로 구성된 ANN 모델을 선택하는 단계; 및
    상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 ANN 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  15. 제 14 항에 있어서,
    상기 태양광의 예상 발전량을 계산하는 단계는,
    상기 선택된 ANN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하는 단계;
    상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 단일 히든 레이어 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하는 단계; 및
    상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  16. 제 15 항에 있어서,
    상기 태양광의 예상 발전량을 계산하는 단계는,
    상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하는 단계; 및
    상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  17. 제 11 항에 있어서,
    상기 하나 이상의 변수들의 값들을 결정하는 단계는,
    외부로부터 제 3 입력이 수신되는 것에 응답하여, 상기 적어도 하나의 모델 중 인풋 레이어, 복수의 히든 레이어들 및 아웃풋 레이어로 구성된 DNN 모델을 선택하는 단계; 및
    상기 기상 정보 및 상기 계절 정보를 이용하여 상기 선택된 DNN 모델 내 하나 이상의 변수들의 값들을 결정하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  18. 제 17 항에 있어서,
    상기 태양광의 예상 발전량을 계산하는 단계는,
    상기 선택된 DNN 모델의 상기 인풋 레이어를 통해 상기 기상 정보와 대응되는 제 1 벡터 및 상기 계절 정보와 대응되는 제 2 벡터를 획득하는 단계;
    상기 획득된 제 1 벡터 및 상기 획득된 제 2 벡터를 상기 복수의 히든 레이어들 내 하나 이상의 노드들 각각에 대한 연결 가중치들과 벡터 곱셈 연산하는 단계; 및
    상기 벡터 곱셈 연산에 대한 결과들을 모두 더한 값을 상기 아웃풋 레이어를 통해 출력하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  19. 제 18 항에 있어서,
    상기 태양광의 예상 발전량을 계산하는 단계는,
    상기 아웃풋 레이어를 통해 출력되는 값을 미리 지정된 활성화 함수인 ReLU(rectified linear unit) 함수에 삽입하는 단계; 및
    상기 ReLU 함수의 출력값을 상기 태양광의 예상 발전량으로 결정하는 단계를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  20. 제 11 항에 있어서,
    상기 기상 정보는, 지정된 연도의 임의의 날짜와 대응되는 온도 정보, 습도 정보, 운량 정보 및 일사량 정보 중 적어도 하나의 정보를 포함하고, 및
    상기 계절 정보는, 상기 임의의 날짜에 대한 월 정보 및 일 정보를 포함하는 것을 특징으로 하는, 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치의 동작 방법.
  21. 제 11 항 내지 제 20 항 중 어느 한 항의 방법을 컴퓨터로 하여금 수행하도록 하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
  22. 제 11 항 내지 제 20 항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램.
KR1020180129722A 2018-10-29 2018-10-29 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법 KR20200052432A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180129722A KR20200052432A (ko) 2018-10-29 2018-10-29 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180129722A KR20200052432A (ko) 2018-10-29 2018-10-29 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
KR20200052432A true KR20200052432A (ko) 2020-05-15

Family

ID=70679137

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180129722A KR20200052432A (ko) 2018-10-29 2018-10-29 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법

Country Status (1)

Country Link
KR (1) KR20200052432A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220077473A (ko) * 2020-12-02 2022-06-09 주식회사 케이티 발전량 예측 방법, 서버 및 컴퓨터 프로그램
KR20220109935A (ko) * 2021-01-29 2022-08-05 주식회사 크로커스 전력 예측을 위한 앙상블 장치
KR102460279B1 (ko) 2021-11-23 2022-10-28 써니사이드(주) 태양광 분산 에너지 자원의 정보 제공 시스템
KR20230033923A (ko) 2021-09-02 2023-03-09 한국전력공사 기상 정보 예측 신뢰도 기반 선별 방식에 따른 발전량 예측 시스템 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220077473A (ko) * 2020-12-02 2022-06-09 주식회사 케이티 발전량 예측 방법, 서버 및 컴퓨터 프로그램
KR20220109935A (ko) * 2021-01-29 2022-08-05 주식회사 크로커스 전력 예측을 위한 앙상블 장치
KR20230033923A (ko) 2021-09-02 2023-03-09 한국전력공사 기상 정보 예측 신뢰도 기반 선별 방식에 따른 발전량 예측 시스템 및 방법
KR102460279B1 (ko) 2021-11-23 2022-10-28 써니사이드(주) 태양광 분산 에너지 자원의 정보 제공 시스템

Similar Documents

Publication Publication Date Title
KR20200052432A (ko) 기상 및 계절 정보를 이용한 딥러닝 기반의 장시간 태양광 발전량을 예측하는 전자 장치 및 그의 동작 방법
Tabone et al. Modeling variability and uncertainty of photovoltaic generation: A hidden state spatial statistical approach
Dorini et al. Chance-constrained optimization of demand response to price signals
US10956993B2 (en) Method and device for determining energy system operating scenario
CN110991713A (zh) 基于多图卷积和gru的不规则区域流量预测方法
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
KR102296309B1 (ko) 태양광 발전량 예측 장치 및 그 방법
Liao et al. Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique
KR20190123040A (ko) 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법
CN114511132A (zh) 一种光伏出力短期预测方法及预测系统
CN116596044A (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN116894504A (zh) 一种风电集群功率超短期预测模型建立方法
Zhang et al. Forecasting of electricity prices using deep learning networks
CN116402203A (zh) 计及天气情况的短时光伏发电量预测方法、系统及介质
CN115564193A (zh) 智能配电网多维度综合效益评估方法及系统、存储介质
CN105096170A (zh) 基于bbd或/和rf模型获取潜客级别的方法和系统
CN107358059A (zh) 短期光伏能量预测方法和装置
CN117293809A (zh) 一种基于大模型的多时空尺度新能源发电功率预测方法
KR20160127896A (ko) 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법
CN111967652A (zh) 一种双层协同实时校正光伏预测方法
CN117056478A (zh) 一种电力客服系统控制方法及装置
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
KR20230066927A (ko) 발전량 예측 방법 및 장치
CN114298133A (zh) 短期风速混合预测方法及装置
CN114372615A (zh) 一种考虑空间相关性的短期光伏功率预测方法及系统

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2020101002026; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20200813

Effective date: 20210422