KR20210026665A - 서버 - Google Patents

서버 Download PDF

Info

Publication number
KR20210026665A
KR20210026665A KR1020190107746A KR20190107746A KR20210026665A KR 20210026665 A KR20210026665 A KR 20210026665A KR 1020190107746 A KR1020190107746 A KR 1020190107746A KR 20190107746 A KR20190107746 A KR 20190107746A KR 20210026665 A KR20210026665 A KR 20210026665A
Authority
KR
South Korea
Prior art keywords
power generation
amount
information
processor
server
Prior art date
Application number
KR1020190107746A
Other languages
English (en)
Inventor
송무강
조봉수
문효준
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190107746A priority Critical patent/KR20210026665A/ko
Priority to US17/003,791 priority patent/US20210067091A1/en
Publication of KR20210026665A publication Critical patent/KR20210026665A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • H02J3/383—
    • 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
    • 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
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

Abstract

본 발명은 서버에 관한 것이다. 본 발명의 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 외부 네트워크의 온라인 이슈를 탐지하고 모니터링하는 프로세서를 포함하고, 프로세서는, 복수의 서버로부터의 텍스트를 수집하고, 수집된 텍스트에 대해 학습을 수행하여, 이슈 탐지를 수행하고, 확정된 이슈에 대응하는 텍스트를 모니터링한다. 이에 의해, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.

Description

서버{Server}
본 발명은 서버에 관한 것이며, 더욱 상세하게는 태양광 모듈의 발전량 예측을 정확히 수행할 수 있는 서버에 관한 것이다.
태양광 모듈은 기상 정보 등에 따라 발전량이 달라진다.
이에 기상 정보 등에 기초하여 발전량을 예측하는 연구가 수행되고 있다.
특히, 기상 데이터들이 태양광 모듈의 발전량에 주는 영향을 수학적으로 모델링하여 미래의 기상 예보 데이터가 주어질 때, 태양광 모듈의 태양광 발전량을 예측하는 연구가 수행되고 있으나, 기상 예보 데이터의 부정확성 등에 따라, 현재 발전량 예측에 오차가 많이 발생하는 문제가 있다.
본 발명의 목적은, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있는 서버를 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 태양광 모듈의 발전 정보, 기상 정보를 수신하고, 태양광 모듈의 발전 정보, 기상 정보에 기초하여 태양광 모듈의 발전량을 예측하는 프로세서를 포함하고, 프로세서는, 예측 모델에 시간 정보를 부가하여 태양광 모듈의 발전량을 예측한다.
한편, 프로세서는, 예측 모델에 기반하여 학습을 수행하고, 학습 수행 결과, 태양광 모듈의 발전량을 예측할 수 있다.
한편, 프로세서는, 예측 모델이 업데이트되도록 제어할 수 있다.
한편, 프로세서는, 제1 기간 동안의 태양광 모듈의 발전량을 예측할 수 있다.
한편, 프로세서는, 기상 정보의 정확도가 증가할수록, 제1 기간이 증가하도록 제어할 수 있다.
한편, 예측 모델은 가우시안 프로세스를 포함할 수 있다.
한편, 프로세서는, 가우시안 프로세스에 시간 정보를 부가하여, 태양광 모듈의 발전량을 예측할 수 있다.
한편, 본 발명의 실시예에 따른 서버는, 태양광 모듈의 발전량 예측 정보를 저장하는 메모리를 더 포함할 수 있다.
한편, 프로세서는, 태양광 모듈의 발전량 예측 정보와, 실제 태양광 모듈의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈의 이상 정보를 생성하여 출력하도록 제어할 수 있다.
한편, 프로세서는, 복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈의 발전량 밸런싱이 수행되도록 제어할 수 있다.
한편, 프로세서는, 복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 복수의 태양광 모듈 중 제1 태양광 모듈의 발전량 예측 정보와, 제2 태양광 모둘의 예측 정보의 차이가, 기준치 이상인 경우, 발전량이 더 높은 것으로 예측되는 제2 태양광 모듈의 발전량을 낮추기 위한 제어 신호를 출력할 수 있다.
한편, 프로세서는, 태양광 모듈의 발전량 예측 정보를 출력하도록 제어할 수 있다.
한편, 프로세서는, 복수의 예측 모델을 통해, 복수의 태양광 모듈의 발전량 예측 정보를 생성하며, 복수의 예측 모델 중 소정 기간 동안, 실제 발전량과 가장 차이가 적은, 제1 예측 모델에 기초하여, 태양광 모듈의 발전량을 예측할 수 있다.
한편, 프로세서는, 제1 예측 모델 보다 제2 예측 모델의 발전량 예측 정보가 실제 발전량과 가장 차이가 적은 경우, 예측 모델을 제1 예측 모델에서, 제2 예측 모델로 변경하고, 제2 예측 모델에 기초하여, 태양광 모듈의 발전량을 예측할 수 있다.
한편, 프로세서는, 복수의 예측 모델이 업데이트되도록 제어할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 태양광 모듈의 발전 정보, 기상 정보를 수신하고, 태양광 모듈의 발전 정보, 기상 정보에 기초하여 태양광 모듈의 발전량을 예측하는 프로세서를 포함하고, 프로세서는, 가우시안 프로세스에 기초하여 태양광 모듈의 발전량을 예측한다.
한편, 프로세서는, 가우시안 프로세스에 기초하여, 학습을 수행하고, 학습 수행 결과, 태양광 모듈의 발전량을 예측할 수 있다.
한편, 본 발명의 다른 실시예에 따른 서버는, 태양광 모듈의 발전량 예측 정보를 저장하는 메모리를 더 포함한다.
한편, 프로세서는, 태양광 모듈의 발전량 예측 정보와, 실제 태양광 모듈의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈의 이상 정보를 생성하여 출력하도록 제어할 수 있다.
한편, 프로세서는, 복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈의 발전량 밸런싱이 수행되도록 제어할 수 있다.
본 발명의 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 태양광 모듈의 발전 정보, 기상 정보를 수신하고, 태양광 모듈의 발전 정보, 기상 정보에 기초하여 태양광 모듈의 발전량을 예측하는 프로세서를 포함하고, 프로세서는, 예측 모델에 시간 정보를 부가하여 태양광 모듈의 발전량을 예측한다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 예측 모델에 기반하여 학습을 수행하고, 학습 수행 결과, 태양광 모듈의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 제1 기간 동안의 태양광 모듈의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 기상 정보의 정확도가 증가할수록, 제1 기간이 증가하도록 제어할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측 기간이 증가될 수 있게 된다.
한편, 예측 모델은 가우시안 프로세스를 포함할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 가우시안 프로세스에 시간 정보를 부가하여, 태양광 모듈의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버는, 태양광 모듈의 발전량 예측 정보를 저장하는 메모리를 더 포함할 수 있다. 이에 따라, 실제 발전량과 비교할 수 있게 된다.
한편, 프로세서는, 태양광 모듈의 발전량 예측 정보와, 실제 태양광 모듈의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈의 이상 정보를 생성하여 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈의 이상 유무 체크를 수행할 수 있게 된다.
한편, 프로세서는, 복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈의 발전량 밸런싱이 수행되도록 제어할 수 있다. 이에 따라, 복수의 태양광 모듈에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 프로세서는, 복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 복수의 태양광 모듈 중 제1 태양광 모듈의 발전량 예측 정보와, 제2 태양광 모둘의 예측 정보의 차이가, 기준치 이상인 경우, 발전량이 더 높은 것으로 예측되는 제2 태양광 모듈의 발전량을 낮추기 위한 제어 신호를 출력할 수 있다. 이에 따라, 복수의 태양광 모듈에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 프로세서는, 태양광 모듈의 발전량 예측 정보를 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈에 접속된 로드의 로드 밸런싱이 수행될 수 있게 된다.
한편, 프로세서는, 복수의 예측 모델을 통해, 복수의 태양광 모듈의 발전량 예측 정보를 생성하며, 복수의 예측 모델 중 소정 기간 동안, 실제 발전량과 가장 차이가 적은, 제1 예측 모델에 기초하여, 태양광 모듈의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 제1 예측 모델 보다 제2 예측 모델의 발전량 예측 정보가 실제 발전량과 가장 차이가 적은 경우, 예측 모델을 제1 예측 모델에서, 제2 예측 모델로 변경하고, 제2 예측 모델에 기초하여, 태양광 모듈의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 복수의 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 태양광 모듈의 발전 정보, 기상 정보를 수신하고, 태양광 모듈의 발전 정보, 기상 정보에 기초하여 태양광 모듈의 발전량을 예측하는 프로세서를 포함하고, 프로세서는, 가우시안 프로세스에 기초하여 태양광 모듈의 발전량을 예측한다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서는, 가우시안 프로세스에 기초하여, 학습을 수행하고, 학습 수행 결과, 태양광 모듈의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 서버는, 태양광 모듈의 발전량 예측 정보를 저장하는 메모리를 더 포함한다. 이에 따라, 실제 발전량과 비교할 수 있게 된다.
한편, 프로세서는, 태양광 모듈의 발전량 예측 정보와, 실제 태양광 모듈의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈의 이상 정보를 생성하여 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈의 이상 유무 체크를 수행할 수 있게 된다.
한편, 프로세서는, 복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈의 발전량 밸런싱이 수행되도록 제어할 수 있다. 이에 따라, 복수의 태양광 모듈에서의 발전량 밸런싱이 수행될 수 있게 된다.
도 1a는 본 발명의 실시예에 따른 태양광 모듈을 포함하는 태양광 시스템의 일예를 도시한 도면이다.
도 1b는 본 발명의 실시예에 따른 태양광 모듈을 포함하는 태양광 시스템의 다른 예를 도시한 도면이다.
도 1c는 본 발명의 다른 실시예에 따른 태양광 모듈을 포함하는 태양광 시스템의 일예를 도시한 도면이다.
도 2는 도 1의 서버의 간략한 내부 블록도이다.
도 3은 도 2의 프로세서의 내부 블록도의 일예이다.
도 4 내지 도 7b는 도 3의 프로세서의 동작 설명에 참조되는 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.
도 1a는 본 발명의 실시예에 따른 태양광 모듈을 포함하는 태양광 시스템의 일예를 도시한 도면이다.
도면을 참조하면, 본 발명의 실시예에 따른 태양광 시스템(10a)은, 태양광 모듈(50), 배전 장치(300), 게이트웨이(80), AP 장치(70), 서버(100) 등을 포함할 수 있다.
태양광 모듈(50)은, 태양전지 모듈(미도시), 및 태양전지 모듈에서의 직류 전원을 전력 변환하여 출력하는 전력변환장치(미도시)를 포함하는 정션 박스(200)를 구비할 수 있다.
도면에서는, 정션 박스(200)가, 태양전지 모듈의 배면에 부착되는 것을 도시하나, 이에 한정되지는 않는다. 정션 박스(200)가, 태양전지 모듈과 이격되어 별도로 마련되는 것도 가능하다.
한편, 정션 박스(200)에서 출력되는 교류 전원은, 배전 장치(300)로 공급된다.
배전 장치(300)는, 태양광 모듈(50)로부터의 교류 전원을 입력받으며, 또한, 외부의 그리드(90)로부터의 교류 전원을 입력받을 수 있다.
그리고, 배전 장치(300)는, 태양광 모듈(50)로부터의 교류 전원, 외부의 그리드(90)로부터의 교류 전원을 이용하여, 건물 내부의 내부 전력망에, 교류 전원을 공급할 수 있다.
도면에서는, 건물 내부의 전력 망에, 교류 전원 케이블(ACC)이 배치되며, 교류 전원 케이블(ACC)에, 게이트웨이(80)가 전기적으로 연결되는 것을 예시한다.
한편, 도면에서는, 도시하지 않았지만, 건물 내부의 전력 망인, 교류 전원 케이블(ACC)에, 전기 기기(미도시) 등이 접속되며, 내부의 교류 전원을 소비할 수 있다.
AP 장치(70)는, 건물 내부의 각 종 전기 기기 등에, 유선 또는 무선 네트워크를 제공한다. 한편, AP 장치(70)는, 외부의 네트워크를 통해, 외부 서버(100)에 접속될 수 있다.
도면에서는, 노트북(60a), 이동 단말기(60b) 등의 단말기가, AP 장치(70)와 무선 접속되는 것을 예시한다.
한편, 외부의 서버(100)는, 외부의 네트워크를 통해, 게이트웨이(80) 또는 AP 장치(70)에, 원격으로 접속될 수 있다.
한편, 게이트웨이(80)와, AP 장치(70)는, 네트워크 케이블(ECC)을 통해, 전기적으로 접속될 수 있다.
한편, 배전 장치(300) 내에는, 태양광 모듈(50)로부터 입력되는 교류 전원의 전류 정보를 검출하고, 검출된 교류 전류 정보를 외부의 게이트웨이(80)로, 전력선 통신을 통해, 전송하는 모니터링 장치(320)가 배치될 수 있다.
한편, 배전 장치(300) 내에는, 태양광 모듈(50)로부터 입력되는 교류 전원의 전원 차단을 위한 차단기(310), 태양광 모듈(50)로부터 입력되는 교류 전원과 외부의 그리드(90)로부터 입력되는 교류 전원을 분배하여, 건물 내부의 내부 전력망에 공급하는 분배 장치(330)가 더 배치될 수 있다.
한편, 게이트웨이(80)는, 태양광 모듈(50)로부터의 교류 전류 검출 정보에 기초하여 태양광 모듈(50)의 발전 정보를 수신할 수 있다.
한편, 서버(100)는, 게이트웨이(80) 또는 AP 장치(70)와 유선 또는 무선으로 접속하여 데이터를 수신하거나, 데이터를 전송할 수 있다.
한편, 서버(100)는, 게이트웨이(80) 또는 AP 장치(70)로부터 태양광 모듈(50)의 발전 정보를 수신할 수 있다.
한편, 서버(100)는, 태양광 모듈(50)의 발전 정보, 기상 정보에 기초하여 태양광 모듈(50)의 발전량을 예측할 수 있다.
특히, 본 발명의 실시예에 따른 서버(100)는, 태양광 모듈(50)의 발전량 예측을 정확히 수행하기 위해, 예측 모델에 시간 정보를 부가하여 태양광 모듈(50)의 발전량을 예측한다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 예측 모델에 기반하여 학습을 수행하고, 학습 수행 결과, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 제1 기간 동안의 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 기상 정보의 정확도가 증가할수록, 제1 기간이 증가하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측 기간이 증가될 수 있게 된다.
한편, 예측 모델은 가우시안 프로세스를 포함할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 가우시안 서버(100)에 시간 정보를 부가하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 태양광 모듈(50)의 발전량 예측 정보를 저장하는 메모리(140)를 더 포함할 수 있다. 이에 따라, 실제 발전량과 비교할 수 있게 된다.
한편, 서버(100)는, 태양광 모듈(50)의 발전량 예측 정보와, 실제 태양광 모듈(50)의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈(50)의 이상 정보를 생성하여 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 이상 유무 체크를 수행할 수 있게 된다.
한편, 서버(100)는, 태양광 모듈(50)의 발전량 예측 정보를 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)에 접속된 로드의 로드 밸런싱이 수행될 수 있게 된다.
한편, 서버(100)는, 복수의 예측 모델을 통해, 태양광 모듈(50)의 발전량 예측 정보를 생성하며, 복수의 예측 모델 중 소정 기간 동안, 실제 발전량과 가장 차이가 적은, 제1 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 제1 예측 모델 보다 제2 예측 모델의 발전량 예측 정보가 실제 발전량과 가장 차이가 적은 경우, 예측 모델을 제1 예측 모델에서, 제2 예측 모델로 변경하고, 제2 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 복수의 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 서버(100)는, 태양광 모듈(50)의 발전 정보, 기상 정보에 기초하여 태양광 모듈(50)의 발전량을 예측하며, 특히, 가우시안 서버(100)에 기초하여 태양광 모듈(50)의 발전량을 예측한다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 가우시안 서버(100)에 기초하여, 학습을 수행하고, 학습 수행 결과, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 서버(100)는, 태양광 모듈(50)의 발전량 예측 정보를 저장하는 메모리(140)를 더 포함한다. 이에 따라, 실제 발전량과 비교할 수 있게 된다.
한편, 서버(100)는, 태양광 모듈(50)의 발전량 예측 정보와, 실제 태양광 모듈(50)의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈(50)의 이상 정보를 생성하여 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 이상 유무 체크를 수행할 수 있게 된다.
한편, 서버(100)는, 복수의 태양광 모듈(50a~50n) 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈(50a~50n)의 발전량 밸런싱이 수행되도록 제어할 수 있다. 이에 따라, 복수의 태양광 모듈(50a~50n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
다음, 도 1b는 본 발명의 실시예에 따른 태양광 모듈을 포함하는 태양광 시스템의 다른 예를 도시한 도면이다.
도면을 참조하면, 본 발명의 실시예에 따른 태양광 시스템(10b)은, 복수의 태양광 모듈(50a~50n), 배전 장치(300), 게이트웨이(80), AP 장치(70), 서버(100) 등을 포함할 수 있다.
도 1b의 태양광 시스템(10b)은, 도 1a의 태양광 시스템(10a)과 달리, 복수의 태양광 모듈(50a, 50b, ..., 50n)이 서로 병렬 접속되는 것에 그 차이가 있다.
복수의 태양광 모듈(50a, 50b, ..., 50n) 각각은, 각 태양전지 모듈, 및 태양전지 모듈에서의 직류 전원을 전력 변환하여 출력하는 회로소자를 포함하는 정션 박스(200a, 200b, ..., 200n)를 구비할 수 있다.
도면에서는, 각 정션 박스(200a, 200b, ..., 200n)가, 각 태양전지 모듈의 배면에 부착되는 것을 도시하나, 이에 한정되지는 않는다. 각 정션 박스(200a, 200b, ..., 200n)가, 각 태양전지 모듈과 이격되어 별도로 마련되는 것도 가능하다.
한편, 각 정션 박스(200a, 200b, ..., 200n)에서 출력되는 교류 전원을 출력하기 위한 케이블(31a, 31b, ..., 31n)이, 각 정션 박스(200a, 200b, ..., 200n)의 출력단에 전기적으로 접속될 수 있다.
한편, 각 정션 박스(200a, 200b, ..., 200n)에서 출력되는 교류 전원은, 배전 장치(300)로 공급된다.
배전 장치(300)는, 복수의 태양광 모듈(50a~50n)로부터의 교류 전원을 입력받으며, 또한, 외부의 그리드(90)로부터의 교류 전원을 입력받을 수 있다.
그리고, 배전 장치(300)는, 복수의 태양광 모듈(50a~50n)로부터의 교류 전원, 외부의 그리드(90)로부터의 교류 전원을 이용하여, 건물 내부의 내부 전력망에, 교류 전원을 공급할 수 있다.
도면에서는, 건물 내부의 전력 망에, 교류 전원 케이블(ACC)이 배치되며, 교류 전원 케이블(ACC)에, 게이트웨이(80)가 전기적으로 연결되는 것을 예시한다.
한편, 도면에서는, 도시하지 않았지만, 건물 내부의 전력 망인, 교류 전원 케이블(ACC)에, 전기 기기(미도시) 등이 접속되며, 내부의 교류 전원을 소비할 수 있다.
AP 장치(70)는, 건물 내부의 각 종 전기 기기 등에, 유선 또는 무선 네트워크를 제공한다. 한편, AP 장치(70)는, 외부의 네트워크를 통해, 외부 서버(100)에 접속될 수 있다.
도면에서는, 노트북(60a), 이동 단말기(60b) 등의 단말기가, AP 장치(70)와 무선 접속되는 것을 예시한다.
한편, 외부의 서버(100)는, 외부의 네트워크를 통해, 게이트웨이(80) 또는 AP 장치(70)에, 원격으로 접속될 수 있다.
한편, 게이트웨이(80)와, AP 장치(70)는, 네트워크 케이블(ECC)을 통해, 전기적으로 접속될 수 있다.
한편, 배전 장치(300) 내에는, 복수의 태양광 모듈(50a~50n)로부터 입력되는 교류 전원의 전류 정보를 검출하고, 검출된 교류 전류 정보를 외부의 게이트웨이(80)로, 전력선 통신을 통해, 전송하는 모니터링 장치(320)가 배치될 수 있다.
한편, 배전 장치(300) 내에는, 복수의 태양광 모듈(50a~50n)로부터 입력되는 교류 전원의 전원 차단을 위한 차단기(310), 복수의 태양광 모듈(50a~50n)로부터 입력되는 교류 전원과 외부의 그리드(90)로부터 입력되는 교류 전원을 분배하여, 건물 내부의 내부 전력망에 공급하는 분배 장치(330)가 더 배치될 수 있다.
한편, 게이트웨이(80)는, 복수의 태양광 모듈(50a~50n)로부터의 교류 전류 검출 정보에 기초하여 복수의 태양광 모듈(50a~50n)의 발전 정보를 수신할 수 있다.
한편, 서버(100)는, 게이트웨이(80) 또는 AP 장치(70)와 유선 또는 무선으로 접속하여 데이터를 수신하거나, 데이터를 전송할 수 있다.
한편, 서버(100)는, 게이트웨이(80) 또는 AP 장치(70)로부터 복수의 태양광 모듈(50a~50n)의 발전 정보를 수신할 수 있다.
한편, 서버(100)는, 복수의 태양광 모듈(50a~50n)의 발전 정보, 기상 정보에 기초하여 복수의 태양광 모듈(50a~50n) 발전량을 예측할 수 있다.
특히, 본 발명의 실시예에 따른 서버(100)는, 복수의 태양광 모듈(50a~50n)의 발전량 예측을 정확히 수행하기 위해, 예측 모델에 시간 정보를 부가하여 복수의 태양광 모듈(50a~50n)의 발전량을 예측한다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 도 1a의 설명된 동작을 그대로 수행할 수 있다.
한편, 서버(100)는, 복수의 태양광 모듈(50a~50n) 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈(50a~50n)의 발전량 밸런싱이 수행되도록 제어할 수 있다. 이에 따라, 복수의 태양광 모듈(50a~50n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 서버(100)는, 복수의 태양광 모듈(50a~50n) 각각에 대한 발전량을 예측하며, 복수의 태양광 모듈(50a~50n) 중 제1 태양광 모듈(50)의 발전량 예측 정보와, 제2 태양광 모둘의 예측 정보의 차이가, 기준치 이상인 경우, 발전량이 더 높은 것으로 예측되는 제2 태양광 모듈(50)의 발전량을 낮추기 위한 제어 신호를 출력할 수 있다. 이에 따라, 복수의 태양광 모듈(50a~50n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
다음, 도 1c는 본 발명의 다른 실시예에 따른 태양광 모듈을 포함하는 태양광 시스템의 일예를 도시한 도면이다.
도면을 참조하면, 본 발명의 실시예에 따른 태양광 시스템(10c)은, 복수의 태양광 모듈(51a~51n), 복수의 태양광 모듈(51a~51n)에 접속되는 스트링 인버터(30), 배전 장치(300), 게이트웨이(80), AP 장치(70), 서버(100) 등을 포함할 수 있다.
도 1c의 태양광 시스템(10c)은, 도 1b의 태양광 시스템(10a)과 달리, 서로 직렬 접속되는 복수의 태양광 모듈(51a, 51b, ..., 51n)이, 직류 전원을 출력하며, 복수의 태양광 모듈(51a, 51b, ..., 51n)의 출력단에 스트링 인버터(30)가 접속되는 것에 그 차이가 있다.
복수의 태양광 모듈(51a, 51b, ..., 51n) 각각은, 각 태양전지 모듈, 및 태양전지 모듈에서의 직류 전원을 전력 변환하여 출력하는 회로소자를 포함하는 정션 박스(201a, 201b, ..., 201n)를 구비할 수 있다.
도면에서는, 각 정션 박스(201a, 201b, ..., 201n)가, 각 태양전지 모듈의 배면에 부착되는 것을 도시하나, 이에 한정되지는 않는다. 각 정션 박스(201a, 201b, ..., 201n)가, 각 태양전지 모듈과 이격되어 별도로 마련되는 것도 가능하다.
한편, 각 정션 박스(201a, 201b, ..., 201n)에서 출력되는 직류 전원을 출력하기 위한 케이블(31a, 31b, ..., 31n)이, 각 정션 박스(201a, 201b, ..., 201n)의 출력단에 전기적으로 접속될 수 있다.
한편, 각 정션 박스(201a, 201b, ..., 201n)에서 출력되는 직류 전원은, 스트링 인버터(30)로 공급된다.
스트링 인버터(30)는, 복수의 태양광 모듈(51a, 51b, ..., 51n)에서 출력되는 직류 전원을 교류 전원으로 변환하고, 변환된 교류 전원을 배전 장치(300)로 공급된다.
배전 장치(300)는, 스트링 인버터(30)로부터의 교류 전원을 입력받으며, 또한, 외부의 그리드(90)로부터의 교류 전원을 입력받을 수 있다.
그리고, 배전 장치(300)는, 스트링 인버터(30)로부터의 교류 전원, 외부의 그리드(90)로부터의 교류 전원을 이용하여, 건물 내부의 내부 전력망에, 교류 전원을 공급할 수 있다.
도면에서는, 건물 내부의 전력 망에, 교류 전원 케이블(ACC)이 배치되며, 교류 전원 케이블(ACC)에, 게이트웨이(80)가 전기적으로 연결되는 것을 예시한다.
한편, 도면에서는, 도시하지 않았지만, 건물 내부의 전력 망인, 교류 전원 케이블(ACC)에, 전기 기기(미도시) 등이 접속되며, 내부의 교류 전원을 소비할 수 있다.
AP 장치(70)는, 건물 내부의 각 종 전기 기기 등에, 유선 또는 무선 네트워크를 제공한다. 한편, AP 장치(70)는, 외부의 네트워크를 통해, 외부 서버(100)에 접속될 수 있다.
도면에서는, 노트북(60a), 이동 단말기(60b) 등의 단말기가, AP 장치(70)와 무선 접속되는 것을 예시한다.
한편, 외부의 서버(100)는, 외부의 네트워크를 통해, 게이트웨이(80) 또는 AP 장치(70)에, 원격으로 접속될 수 있다.
한편, 게이트웨이(80)와, AP 장치(70)는, 네트워크 케이블(ECC)을 통해, 전기적으로 접속될 수 있다.
한편, 배전 장치(300) 내에는, 외부의 스트링 인버터(30)로부터 입력되는 교류 전원의 전류 정보를 검출하고, 검출된 교류 전류 정보를 외부의 게이트웨이(80)로, 전력선 통신을 통해, 전송하는 모니터링 장치(320)가 배치될 수 있다.
한편, 배전 장치(300) 내에는, 외부의 스트링 인버터(30)로부터 입력되는 교류 전원의 전원 차단을 위한 차단기(310), 외부의 스트링 인버터(30)로부터 입력되는 교류 전원과 외부의 그리드(90)로부터 입력되는 교류 전원을 분배하여, 건물 내부의 내부 전력망에 공급하는 분배 장치(330)가 더 배치될 수 있다.
한편, 게이트웨이(80)는, 복수의 태양광 모듈(51a~51n)로부터의 교류 전류 검출 정보에 기초하여 복수의 태양광 모듈(51a~51n)의 발전 정보를 수신할 수 있다.
한편, 서버(100)는, 게이트웨이(80) 또는 AP 장치(70)와 유선 또는 무선으로 접속하여 데이터를 수신하거나, 데이터를 전송할 수 있다.
한편, 서버(100)는, 게이트웨이(80) 또는 AP 장치(70)로부터 복수의 태양광 모듈(51a~51n)의 발전 정보를 수신할 수 있다.
한편, 서버(100)는, 복수의 태양광 모듈(51a~51n)의 발전 정보, 기상 정보에 기초하여 복수의 태양광 모듈(51a~51n) 발전량을 예측할 수 있다.
특히, 본 발명의 실시예에 따른 서버(100)는, 복수의 태양광 모듈(51a~51n)의 발전량 예측을 정확히 수행하기 위해, 예측 모델에 시간 정보를 부가하여 복수의 태양광 모듈(51a~51n)의 발전량을 예측한다. 이에 따라, 태양광 모듈(51)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 서버(100)는, 도 1a의 설명된 동작을 그대로 수행할 수 있다.
한편, 서버(100)는, 복수의 태양광 모듈(51a~51n) 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈(51a~51n)의 발전량 밸런싱이 수행되도록 제어할 수 있다. 이에 따라, 복수의 태양광 모듈(51a~51n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 서버(100)는, 복수의 태양광 모듈(51a~51n) 각각에 대한 발전량을 예측하며, 복수의 태양광 모듈(51a~51n) 중 제1 태양광 모듈(51)의 발전량 예측 정보와, 제2 태양광 모둘의 예측 정보의 차이가, 기준치 이상인 경우, 발전량이 더 높은 것으로 예측되는 제2 태양광 모듈(51)의 발전량을 낮추기 위한 제어 신호를 출력할 수 있다. 이에 따라, 복수의 태양광 모듈(51a~51n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
도 2는 도 1의 서버의 간략한 내부 블록도이다.
도면을 참조하면, 서버(100)는, 통신부(135), 프로세서(170), 메모리(140)를 구비할 수 있다.
통신부(135)는, 외부의 게이트웨이(80) 또는 AP 장치(70)로부터 데이터를 수신하거나 데이터를 전송할 수 있다.
예를 들어, 통신부(135)는, 도 1a의 태양광 모듈(50)의 발전 정보를, 통신부(135)를 통해, 수신할 수 있다.
다른 예로, 통신부(135)는, 도 1b의 복수의 태양광 모듈(50a~50n)의 발전 정보를, 통신부(135)를 통해, 수신할 수 있다.
또 다른 예로, 다른 예로, 통신부(135)는, 도 1c의 복수의 태양광 모듈(51a~51n)의 발전 정보를, 통신부(135)를 통해, 수신할 수 있다.
메모리(140)는, 서버(100) 동작에 필요한 데이터를 저장할 수 있다.
예를 들어, 메모리(140)는, 서버(100)에서 수행하기 위한 적어도 하나의 예측 모델을 저장할 수 있다. 이때의 예측 모델은, 일반 리니어 모델(General Linear Model; GLM), 심층신경망 기반의 인공 뉴럴 네트워크(Artificial Neural Network; ANN), 가우시안 프로세스(Gaussian Process; GP) 중 적어도 하나를 포함할 수 있다.
한편, 메모리(140)는, 태양광 모듈(50)의 발전량 예측 정보를 저장할 수 있다. 이에 따라, 실제 발전량과 비교할 수 있게 된다.
한편, 프로세서(170)는, 서버(100)의 전반적인 동작 제어를 수행할 수 있다.
한편, 프로세서(170)는, 태양광 모듈(50)의 발전 정보, 기상 정보, 및 시간 정보, 및 예측 모델에 기초하여 태양광 모듈(50)의 발전량을 예측할 수 있다.
이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 예측 모델에 기반하여 학습을 수행하고, 학습 수행 결과, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 제1 기간 동안의 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 기상 정보의 정확도가 증가할수록, 제1 기간이 증가하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측 기간이 증가될 수 있게 된다.
한편, 예측 모델은 가우시안 프로세스를 포함할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 가우시안 프로세스에 시간 정보를 부가하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 태양광 모듈(50)의 발전량 예측 정보와, 실제 태양광 모듈(50)의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈(50)의 이상 정보를 생성하여 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 이상 유무 체크를 수행할 수 있게 된다.
한편, 프로세서(170)는, 복수의 태양광 모듈(50a~50n) 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈(50a~50n)의 발전량 밸런싱이 수행되도록 제어할 수 있다. 이에 따라, 복수의 태양광 모듈(50a~50n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 프로세서(170)는, 복수의 태양광 모듈(50a~50n) 각각에 대한 발전량을 예측하며, 복수의 태양광 모듈(50a~50n) 중 제1 태양광 모듈(50)의 발전량 예측 정보와, 제2 태양광 모둘의 예측 정보의 차이가, 기준치 이상인 경우, 발전량이 더 높은 것으로 예측되는 제2 태양광 모듈(50)의 발전량을 낮추기 위한 제어 신호를 출력할 수 있다. 이에 따라, 복수의 태양광 모듈(50a~50n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 프로세서(170)는, 태양광 모듈(50)의 발전량 예측 정보를 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)에 접속된 로드의 로드 밸런싱이 수행될 수 있게 된다.
한편, 프로세서(170)는, 복수의 예측 모델을 통해, 태양광 모듈(50)의 발전량 예측 정보를 생성하며, 복수의 예측 모델 중 소정 기간 동안, 실제 발전량과 가장 차이가 적은, 제1 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 제1 예측 모델 보다 제2 예측 모델의 발전량 예측 정보가 실제 발전량과 가장 차이가 적은 경우, 예측 모델을 제1 예측 모델에서, 제2 예측 모델로 변경하고, 제2 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 복수의 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 가우시안 프로세스에 기초하여 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 가우시안 프로세스에 기초하여, 학습을 수행하고, 학습 수행 결과, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
도 3은 도 2의 프로세서의 내부 블록도의 일예이다.
도면을 참조하면, 프로세서(170)는, 데이터 수집부(310), 데이터 처리부(320)를 포함할 수 있다.
데이터 처리부(320)는, 학습부(322), 예측부(324)를 구비할 수 있다.
예를 들어, 데이터 수집부(310)는, 도 1a의 태양광 모듈(50)의 발전 정보를, 통신부(135)를 통해, 수집할 수 있다.
다른 예로, 데이터 수집부(310)는,도 1b의 복수의 태양광 모듈(50a~50n)의 발전 정보를, 통신부(135)를 통해, 수집할 수 있다.
또 다른 예로, 데이터 수집부(310)는, 통신부(135)는, 도 1c의 복수의 태양광 모듈(51a~51n)의 발전 정보를, 통신부(135)를 통해, 수집할 수 있다.
한편, 데이터 처리부(320)는, 태양광 모듈(50)의 발전 정보, 기상 정보, 및 시간 정보, 및 예측 모델에 기초하여 태양광 모듈(50)의 발전량을 예측할 수 있다.
이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320) 내의 학습부(322)는, 예측 모델에 기반하여 학습을 수행하고, 데이터 처리부(320) 내의 예측부(324)는, 학습 수행 결과, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 제1 기간 동안의 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 기상 정보의 정확도가 증가할수록, 제1 기간이 증가하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측 기간이 증가될 수 있게 된다.
한편, 예측 모델은 가우시안 프로세스를 포함할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 가우시안 프로세스에 시간 정보를 부가하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 태양광 모듈(50)의 발전량 예측 정보와, 실제 태양광 모듈(50)의 발전량과의 차이가 소정치 이상인 경우, 태양광 모듈(50)의 이상 정보를 생성하여 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 이상 유무 체크를 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 복수의 태양광 모듈(50a~50n) 각각에 대한 발전량을 예측하며, 복수의 발전량 예측 정보에 기초하여, 복수의 태양광 모듈(50a~50n)의 발전량 밸런싱이 수행되도록 제어할 수 있다. 이에 따라, 복수의 태양광 모듈(50a~50n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 데이터 처리부(320)는, 복수의 태양광 모듈(50a~50n) 각각에 대한 발전량을 예측하며, 복수의 태양광 모듈(50a~50n) 중 제1 태양광 모듈(50)의 발전량 예측 정보와, 제2 태양광 모둘의 예측 정보의 차이가, 기준치 이상인 경우, 발전량이 더 높은 것으로 예측되는 제2 태양광 모듈(50)의 발전량을 낮추기 위한 제어 신호를 출력할 수 있다. 이에 따라, 복수의 태양광 모듈(50a~50n)에서의 발전량 밸런싱이 수행될 수 있게 된다.
한편, 데이터 처리부(320)는, 태양광 모듈(50)의 발전량 예측 정보를 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)에 접속된 로드의 로드 밸런싱이 수행될 수 있게 된다.
한편, 데이터 처리부(320)는, 복수의 예측 모델을 통해, 태양광 모듈(50)의 발전량 예측 정보를 생성하며, 복수의 예측 모델 중 소정 기간 동안, 실제 발전량과 가장 차이가 적은, 제1 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 제1 예측 모델 보다 제2 예측 모델의 발전량 예측 정보가 실제 발전량과 가장 차이가 적은 경우, 예측 모델을 제1 예측 모델에서, 제2 예측 모델로 변경하고, 제2 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 복수의 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 가우시안 프로세스에 기초하여 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 데이터 처리부(320)는, 가우시안 프로세스에 기초하여, 학습을 수행하고, 학습 수행 결과, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
도 4 내지 도 7b는 도 3의 프로세서의 동작 설명에 참조되는 도면이다.
먼저, 도 4는 1일차 부터 9일차까지의 태양광 모듈의 발전량을 예측한 그래프를 예시한다.
태양광 모듈의 발전량 예측치와 실제 발전량의 차이인 오차 기준치(ref)를 보면, 1일차 부터 3일차까지는, 태양광 모듈의 발전량 예측치와 실제 발전량의 차이가, 오차 기준치(ref) 보다 낮으므로, 정확한 예측이 수행되는 것을 알 수 있다.
한편, 4일차부터 9일차까지는, 태양광 모듈의 발전량 예측치와 실제 발전량의 차이가, 오차 기준치(ref)를 상당히 초과하므로, 정확하지 않은 예측이 수행되는 것을 알 수 있다.
4일차부터 9일차까지의 오차가, 오차 기준치(ref)를 상당히 초과하는 이유는, 기상 정보, 특히 기상 예측 정보의 부정확성에 기인한 것이다.
이에 따라, 본 발명의 실시예에 따른 서버(100)는, 예측 모델에 시간 정보를 부가하여 태양광 모듈(50)의 발전량을 예측한다.
특히, 시간 정보는, 예측하기 위한 기간 정보를 포함하는 개념일 수 있다.
즉, 본 발명의 실시예에 따른 서버(100)는, 예측 모델을 사용하여, 제1 기간 동안의 태양광 모듈(50)의 발전량을 예측할 수 있다.
이때, 제1 기간은, 대략 3일 이하인 것이 바람직하다.
한편, 기상 예측 정보의 정확성이 향상되는 경우, 제1 기간이 증가하는 것이 바람직하다.
즉, 프로세서(170)는, 기상 정보의 정확도가 증가할수록, 제1 기간이 증가하도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측 기간이 증가될 수 있게 된다.
한편, 도 5a는 기상 정보와, 태양광 발전량과의 관계를 도시한 도면이다.
도면을 참조하면, 기상 정보는, 전체광(Global Radiance), 직사광(Direct Radiance), 온도(temperature), 습도(humidity), 풍속(Wind Speed), 이슬점(dew point), 시계(visibility), 풍향(wind direction), 압력(pressure) 등을 포함할 수 있다.
이 중 상관 계수가 높은, 전체광(Global Radiance), 직사광(Direct Radiance), 온도(temperature), 습도(humidity), 풍속(Wind Speed) 등이, 태양광 발전량에 영향을 줄 수 있다.
서버(100)는, 기상 정보 중, 전체광(Global Radiance), 직사광(Direct Radiance), 온도(temperature), 습도(humidity), 풍속(Wind Speed) 등의 정보를 주요 인자로서, 태양광 발전 예측에 사용할 수 있다.
도 5b는 복수의 예측 모델을 예시하는 도면이다.
도면을 참조하면, 복수의 예측 모델은, 각각 일반 리니어 모델(General Linear Model; GLM), 심층신경망 기반의 인공 뉴럴 네트워크(Artificial Neural Network; ANN), 가우시안 프로세스(Gaussian Process; GP)일 수 있다.
일반 리니어 모델은, 입력 파라미터로, 전체광(Global Radiance), 온도(temperature), 풍속(Wind Speed)를 사용할 수 있다.
한편, 인공 뉴럴 네트워크와, 가우시안 프로세스는, 입력 파라미터로, 전체광(Global Radiance), 온도(temperature), 풍속(Wind Speed) 외에 추가로 습도(humidity)를 더 사용할 수 있다.
3개의 예측 모델에 따른 트레이닝 및 테스트 결과, 예측 오차는, 도면과 같이, 일반 리니어 모델이, 13.3%, 인공 뉴럴 네트워크이 11.7%, 가우시안 프로세스가 9.7%로 예시된다.
이에 따라, 프로세서(170)는, 예측 모델로 가우시안 프로세스를 사용할 수 있다.
즉, 프로세서(170)는, 가우시안 프로세스(170)에 시간 정보를 부가하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 복수의 예측 모델을 통해, 태양광 모듈(50)의 발전량 예측 정보를 생성하며, 복수의 예측 모델 중 소정 기간 동안, 실제 발전량과 가장 차이가 적은, 제1 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 제1 예측 모델 보다 제2 예측 모델의 발전량 예측 정보가 실제 발전량과 가장 차이가 적은 경우, 예측 모델을 제1 예측 모델에서, 제2 예측 모델로 변경하고, 제2 예측 모델에 기초하여, 태양광 모듈(50)의 발전량을 예측할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
예를 들어, 7일 동안 제1 예측 모델인 가우시안 프로세스의 예측 오차가 낮아, 가우시안 프로세스를 1개월 동안 사용하다가, 그 이후 7일 동안 예측 오차를 측정할 수 있다.
이때, 예측 오차가, 인공 뉴럴 네트워크에서 최하로 측정되는 경우, 프로세서(170)는, 예측 모델을 제1 예측 모델인 가우시안 프로세스에서, 제2 예측 모델인 인공 뉴럴 네트워크로 변경할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 복수의 예측 모델이 업데이트되도록 제어할 수 있다. 이에 따라, 태양광 모듈(50)의 발전량 예측을 정확히 수행할 수 있게 된다.
한편, 프로세서(170)는, 태양광 모듈(50)의 발전량 예측과 실제 발전량의 비교시, 일시적인 차이 비교가 일정 기간 동안의 차이를 비교하는 것이 바람직하다.
도 6a는 7일 동안의 태양광 모듈(50)의 발전량 예측 곡선(Cva)과 실제 발전량 곡선(Cvb)을 예시하는 도면이다.
도 6c는 태양광 모듈(50)의 발전량 예측값과 실측값의 누적 오차를 일간 누적하는 것을 예시하는 도면이다.
이와 같이, 일정 기간 동안의 차이를 비교하면서, 그 차이를 누적함으로써, 프로세서(170)는, 그 누적 차이에 기초하여, 태양광 모듈(50)의 효율적인 진단을 수행할 수 있다.
예를 들어, 프로세서(170)는, 그 누적 차이가 소정치 이상인 경우, 양광 모듈(50)의 이상 정보를 생성하여 출력하도록 제어할 수 있다. 이에 따라, 태양광 모듈의 이상 유무 체크를 수행할 수 있게 된다.
특히, 태양광 모듈(50)의 일부 셀 고장인지, 일부 셀에 음영이 있는지, 일부 셀에 오염 물질이 부착된 것인지, 전력변환장치의 회로 소자가 이상인 지 여부 등을 체크할 수 있게 된다.
한편, 프로세서(170)에서 전력 예측이 정확하게 수행된 경우, 프로세서(170)는, 태양광 모듈(50)에 접속된 로드의 로드 밸런싱이 수행되도록 제어할 수 있다.
여기서, 로드는, 도 1a 내지 도 1c 등의 노트북(60a), 이동 단말기(60b) 등의 단말기일 수 있으며, TV 등의 영상표시장치, 또는 냉장고, 세탁기, 에어컨 등의 홈 어플라이언스 등일 수 있다.
도 7a는 로드 밸런싱 수행 전의 그래프를 예시하며, 도 7b는 로드 밸런싱 수행시의 그래프를 예시한다.
먼저, 도 7a의 CV1a는 태양광 모듈(50)의 발전량 예측 그래프를 예시하며, CV1b는 로드 전력량을 예시한다.
또한, 도 7a에서, CV1c는 냉장고의 소비 전력을 예시하며, CV1d는 세탁기의 소비 전력을 예시하며, CV1e는 건조기의 소비 전력을 예시한다.
로드 밸런싱이 수행되지 않아, 태양광 모듈(50)의 발전량 보다, 로드 전력량이 더 많은 구간이 발생하게 된다.
다음, 도 7b의 CV2a는 태양광 모듈(50)의 발전량 예측 그래프를 예시하며, CV2b는 로드 전력량을 예시한다.
또한, 도 7b에서, CV2c는 냉장고의 소비 전력을 예시하며, CV2d는 세탁기의 소비 전력을 예시하며, CV2e는 건조기의 소비 전력을 예시한다.
특히, 로드 밸런싱에 따라, 세탁기와, 건조기의 동작 구간을 도 7a에 비해, 앞당김으로써, 태양광 모듈(50)의 발전량을 최대한 이용할 수 있게 된다. 따라서, 에너지 소비를 효율적으로 수행할 수 있게 된다.
한편, 서버(100)는, 로드의 각 전자 기기의 소비 전력 정보를 수신할 수 있으며, 이를 합산하여, 총 소비 전력 정보를 연산할 수 있다.
그리고, 서버(100)는, 총 소비 전력 정보와, 태양광 모듈(50)의 발전량 예측 정보를 이용하여, 로드의 각 전자 기기 중 일부에 대해, 동작 시간을 변경하기 위한 제어 신호를 출력할 수 있다.
즉, 서버(100)는, 도 7b와 같이, 세탁기와, 건조기의 동작 구간을 도 7a에 비해, 앞당기기 위한, 제어 신호를, 각각 세탁기와 건조기 등에 직접 출력하거나, 게이트웨이(80)를 통해 출력하거나, 이동 단말기 등을 경유하여 출력할 수 있다. 이에 따라, 로드 밸런싱이 수행되게 된다.
본 발명의 실시예에 따른 서버는 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해어져서는 안될 것이다.

Claims (17)

  1. 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부;
    상기 통신부를 통해, 태양광 모듈의 발전 정보, 기상 정보를 수신하고, 상기 상기 태양광 모듈의 발전 정보, 상기 기상 정보에 기초하여 상기 태양광 모듈의 발전량을 예측하는 프로세서;를 포함하고,
    상기 프로세서는,
    예측 모델에 시간 정보를 부가하여 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 예측 모델에 기반하여 학습을 수행하고, 상기 학습 수행 결과, 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 예측 모델이 업데이트되도록 제어하는 것을 특징으로 하는 서버.
  4. 제1항에 있어서,
    상기 프로세서는,
    제1 기간 동안의 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  5. 제4항에 있어서,
    상기 프로세서는,
    상기 기상 정보의 정확도가 증가할수록, 상기 제1 기간이 증가하도록 제어하는 것을 특징으로 하는 서버.
  6. 제1항에 있어서,
    상기 예측 모델은 가우시안 프로세스를 포함하며,
    상기 프로세서는, 상기 가우시안 프로세스에 상기 시간 정보를 부가하여, 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  7. 제1항에 있어서,
    상기 태양광 모듈의 발전량 예측 정보를 저장하는 메모리;를 더 포함하며,
    상기 프로세서는,
    상기 태양광 모듈의 발전량 예측 정보와, 실제 태양광 모듈의 발전량과의 차이가 소정치 이상인 경우, 상기 태양광 모듈의 이상 정보를 생성하여 출력하도록 제어하는 것을 특징으로 하는 서버.
  8. 제1항에 있어서,
    상기 프로세서는,
    복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 상기 복수의 발전량 예측 정보에 기초하여, 상기 복수의 태양광 모듈의 발전량 밸런싱이 수행되도록 제어하는 것을 특징으로 하는 서버.
  9. 제8항에 있어서,
    상기 프로세서는,
    복수의 태양광 모듈 각각에 대한 발전량을 예측하며,
    상기 복수의 태양광 모듈 중 제1 태양광 모듈의 발전량 예측 정보와, 제2 태양광 모둘의 예측 정보의 차이가, 기준치 이상인 경우,
    발전량이 더 높은 것으로 예측되는 상기 제2 태양광 모듈의 발전량을 낮추기 위한 제어 신호를 출력하는 것을 특징으로 하는 서버.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 태양광 모듈의 발전량 예측 정보를 출력하도록 제어하는 것을 특징으로 하는 서버.
  11. 제1항에 있어서,
    상기 프로세서는,
    복수의 예측 모델을 통해, 복수의 태양광 모듈의 발전량 예측 정보를 생성하며,
    상기 복수의 예측 모델 중 소정 기간 동안, 실제 발전량과 가장 차이가 적은, 제1 예측 모델에 기초하여, 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 제1 예측 모델 보다 제2 예측 모델의 발전량 예측 정보가 실제 발전량과 가장 차이가 적은 경우,
    예측 모델을 상기 제1 예측 모델에서, 제2 예측 모델로 변경하고, 상기 제2 예측 모델에 기초하여, 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 복수의 예측 모델이 업데이트되도록 제어하는 것을 특징으로 하는 서버.
  14. 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부;
    상기 통신부를 통해, 태양광 모듈의 발전 정보, 기상 정보를 수신하고, 상기 상기 태양광 모듈의 발전 정보, 상기 기상 정보에 기초하여 상기 태양광 모듈의 발전량을 예측하는 프로세서;를 포함하고,
    상기 프로세서는,
    가우시안 프로세스에 기초하여 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  15. 제14항에 있어서,
    상기 프로세서는,
    상기 가우시안 프로세스에 기초하여, 학습을 수행하고, 학습 수행 결과, 상기 태양광 모듈의 발전량을 예측하는 것을 특징으로 하는 서버.
  16. 제14항에 있어서,
    상기 태양광 모듈의 발전량 예측 정보를 저장하는 메모리;를 더 포함하며,
    상기 프로세서는,
    상기 태양광 모듈의 발전량 예측 정보와, 실제 태양광 모듈의 발전량과의 차이가 소정치 이상인 경우, 상기 태양광 모듈의 이상 정보를 생성하여 출력하도록 제어하는 것을 특징으로 하는 서버.
  17. 제14항에 있어서,
    상기 프로세서는,
    복수의 태양광 모듈 각각에 대한 발전량을 예측하며, 상기 복수의 발전량 예측 정보에 기초하여, 상기 복수의 태양광 모듈의 발전량 밸런싱이 수행되도록 제어하는 것을 특징으로 하는 서버.


KR1020190107746A 2019-08-30 2019-08-30 서버 KR20210026665A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190107746A KR20210026665A (ko) 2019-08-30 2019-08-30 서버
US17/003,791 US20210067091A1 (en) 2019-08-30 2020-08-26 Server

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190107746A KR20210026665A (ko) 2019-08-30 2019-08-30 서버

Publications (1)

Publication Number Publication Date
KR20210026665A true KR20210026665A (ko) 2021-03-10

Family

ID=74680126

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190107746A KR20210026665A (ko) 2019-08-30 2019-08-30 서버

Country Status (2)

Country Link
US (1) US20210067091A1 (ko)
KR (1) KR20210026665A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102385383B1 (ko) * 2021-03-25 2022-04-15 한국수자원공사 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법
KR102444254B1 (ko) * 2021-04-05 2022-09-19 주식회사 풍성인더스 태양광 발전량 예측 시스템 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102385383B1 (ko) * 2021-03-25 2022-04-15 한국수자원공사 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법
KR102421393B1 (ko) * 2021-03-25 2022-07-18 한국수자원공사 발전량을 예측하는 인공지능 모델을 트레이닝 시키는 방법
KR102427604B1 (ko) * 2021-03-25 2022-08-02 한국수자원공사 미래 발전량을 예측하도록 훈련된 인공지능 모델을 포함하는 전자 장치의 제어 방법
KR102444254B1 (ko) * 2021-04-05 2022-09-19 주식회사 풍성인더스 태양광 발전량 예측 시스템 및 방법

Also Published As

Publication number Publication date
US20210067091A1 (en) 2021-03-04

Similar Documents

Publication Publication Date Title
US9312698B2 (en) System and method for energy distribution
US20160109916A1 (en) Method and apparatus for sustainable scale-out datacenters
KR101114240B1 (ko) 멀티 존 인버터 태양광 발전 시스템
JP5557820B2 (ja) 太陽光発電設備
KR101298500B1 (ko) 마이크로그리드 시뮬레이션 장치 및 전력 관리 시스템
KR20120138866A (ko) 태양광발전 시스템의 고장 인식 장치 및 이의 진단 방법
CN104025409A (zh) 多逆变器光伏发电系统
KR102194271B1 (ko) 모델 기반의 태양광발전 통합 관리 시스템 및 방법
CN113169709A (zh) 基于机器学习的太阳能发电控制系统及方法
KR20200119367A (ko) 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법
JP2014098601A (ja) 日射量計算方法及び供給電力決定方法
CN117318111B (zh) 一种基于天气预测的光储能源动态调节方法及系统
JP2017108560A (ja) 電力融通システムの制御装置および制御プログラム
CN104040453A (zh) 对每个单元组执行最大功率点跟踪的光伏发电系统
CA3162838A1 (en) System and method for load and source forecasting for increasing electrical grid component longevity
US20210067091A1 (en) Server
Ramu et al. An IoT‐based smart monitoring scheme for solar PV applications
US20200204110A1 (en) Device and method for simulating power consumption by power load
Arévalo et al. Smart monitoring method for photovoltaic systems and failure control based on power smoothing techniques
KR101947508B1 (ko) 태양광 발전소의 운전관리 시스템 및 그 방법
US11451053B2 (en) Method and arrangement for estimating a grid state of a power distribution grid
KR102068014B1 (ko) 이기종 채널 통신용 모니터링 시스템
Duair et al. Design and implementation of IoT-based SCADA for a multi microgrid system
CN112368652A (zh) 用于通过分散式预测优化电网的技术
KR102337580B1 (ko) 태양광 발전 시스템

Legal Events

Date Code Title Description
A201 Request for examination