KR20210079540A - Comparative Evaluation Method and System of Photovoltaic Power Prediction Model - Google Patents

Comparative Evaluation Method and System of Photovoltaic Power Prediction Model Download PDF

Info

Publication number
KR20210079540A
KR20210079540A KR1020190171434A KR20190171434A KR20210079540A KR 20210079540 A KR20210079540 A KR 20210079540A KR 1020190171434 A KR1020190171434 A KR 1020190171434A KR 20190171434 A KR20190171434 A KR 20190171434A KR 20210079540 A KR20210079540 A KR 20210079540A
Authority
KR
South Korea
Prior art keywords
power generation
prediction model
predicted
model
models
Prior art date
Application number
KR1020190171434A
Other languages
Korean (ko)
Other versions
KR102364176B1 (en
Inventor
김태형
함경선
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020190171434A priority Critical patent/KR102364176B1/en
Publication of KR20210079540A publication Critical patent/KR20210079540A/en
Application granted granted Critical
Publication of KR102364176B1 publication Critical patent/KR102364176B1/en

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

Provided are a method and a system for comparing or combining various photovoltaic power generation prediction models to select or construct an excellent predictive model, so as to operate a photovoltaic power plant. The comparative evaluation method of the power generation prediction model according to the embodiments of the present invention includes: collecting predicted power generation amounts of a plurality of power generation prediction models; obtaining an optimal power generation prediction model based on the collected predicted power generation amounts; and operating a power plant with the obtained power generation prediction model. Accordingly, the various photovoltaic power generation prediction models are compared or combined to select or construct an excellent predictive model to operate the photovoltaic power plant, thereby efficiently operating the photovoltaic power plants, and stably supplying power.

Description

태양광 발전량 예측 모델의 비교 평가 방법 및 시스템{Comparative Evaluation Method and System of Photovoltaic Power Prediction Model}Comparative Evaluation Method and System of Photovoltaic Power Prediction Model

본 발명은 태양광 발전 관련 기술에 관한 것으로, 더욱 상세하게는 태양광 발전소를 최적으로 운용하기 위해 우수한 태양광 발전량 예측 모델을 선정/구성하는 방법 및 시스템에 관한 것이다.The present invention relates to photovoltaic power generation related technology, and more particularly, to a method and system for selecting/configuring an excellent photovoltaic power generation amount prediction model to optimally operate a photovoltaic power plant.

태양광 발전소에서 발전 효율을 최대로 높이기 위해서는, 태양광 발전소를에효율적으로 운용하여야 하는데, 이를 위해 필요한 것이 태양광 발전량의 정확한 예측이다.In order to maximize the power generation efficiency of a solar power plant, it is necessary to efficiently operate a solar power plant. For this, an accurate prediction of the amount of solar power generation is required.

태양광 발전량의 예측을 위한 다양한 모델들이 제시되었으며, 이들은 나날이 진화하고 있다. 하지만, 단일 모델에 의존하는 경향이 커서, 예측이 부정확한 구간에 들어서는 경우가 많다.Various models for the prediction of solar power generation have been proposed, and these are evolving day by day. However, they tend to rely on a single model and often fall into an inaccurate prediction section.

따라서, 가능한 모든 구간이나 상황에 걸쳐 두루 적용될 수 있는 모델의 개발이 필요하다. 이에 의해서만, 효율적인 태양광 발전소 운용과 안정적인 전력 공급이 가능해지지 때문이다.Therefore, it is necessary to develop a model that can be applied throughout all possible sections or situations. This is because efficient solar power plant operation and stable power supply are possible only by this.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 다양한 태양광 발전량 예측 모델을 비교하거나 결합하여, 우수한 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용하기 위한 방법 및 시스템을 제공함에 있다.The present invention has been devised to solve the above problems, and an object of the present invention is to compare or combine various solar power generation amount prediction models, select or configure an excellent prediction model to operate a solar power plant and to provide a system.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 발전량 예측 모델의 비교 평가 방법은 다수의 발전량 예측 모델들의 예측 발전량들을 수집하는 단계; 수집된 예측 발전량들을 기초로, 최적의 발전량 예측 모델을 획득하는 단계; 획득된 발전량 예측 모델로, 발전소를 운용하는 단계;를 포함한다. According to an embodiment of the present invention for achieving the above object, a comparative evaluation method of a power generation prediction model includes: collecting predicted power generation amounts of a plurality of power generation prediction models; obtaining an optimal power generation prediction model based on the collected predicted power generation amounts; It includes; with the obtained power generation prediction model, operating a power plant.

선정 단계는, 수집된 예측 발전량들을 기초로, 발전량 예측 모델들을 평가하는 단계; 및 평가 결과를 기초로, 발전량 예측 모델들 중 하나를 선정하는 단계;를 포함할 수 있다. The selection step may include evaluating generation prediction models based on the collected predicted generation amount; and selecting one of the power generation prediction models based on the evaluation result.

평가 단계는, 전체 기간에서의 예측 발전량의 정확도, 특정 계절에서의 예측 발전량의 정확도, 최근 구간에서의 예측 발전량의 정확도, 특정 기상에서의 예측 발전량의 정확도를 기초로, 발전량 예측 모델들을 평가하는 것일 수 있다. The evaluation step is to evaluate the power generation prediction models based on the accuracy of the predicted power generation in the entire period, the accuracy of the predicted power generation in a specific season, the accuracy of the predicted power generation in the recent section, and the accuracy of the predicted power generation in a specific weather can

획득 단계는, 발전량 예측 모델들 중 적어도 하나를 결합하여, 새로운 발전량 예측 모델을 구성하는 단계;를 포함할 수 있다.The obtaining step may include combining at least one of the generation amount prediction models to construct a new generation amount prediction model.

새로운 발전량 예측 모델은, 발전량 예측 모델들 중 적어도 하나의 예측 발전량을 평균 또는 가중 평균하는 모델일 수 있다.The new generation amount prediction model may be a model that averages or weights averages the predicted generation amount of at least one of the generation amount prediction models.

획득 단계는, 수집된 예측 발전량들 및 기상 정보를 입력받아, 예측 발전량을 추정하는 발전량 예측 모델을 구성하는 단계;를 포함할 수 있다.The obtaining step may include receiving the collected predicted power generation amounts and weather information, and constructing a power generation prediction model for estimating the predicted power generation amount.

획득 단계는, 획득된 발전량 예측 모델의 예측 발전량들 중 결측된 예측 발전량들을 비선정된 발전량 예측 모델의 예측 발전량들로 채우는 단계;를 포함할 수 있다.The obtaining step may include filling missing predicted power generation amounts among the predicted power generation amounts of the obtained power generation prediction model with the predicted power generation amounts of the non-selected generation amount prediction model.

본 발명의 다른 측면에 따르면, 다수의 발전량 예측 모델들의 예측 발전량들을 수집하고, 수집된 예측 발전량들을 기초로 최적의 발전량 예측 모델을 획득하며, 획득된 발전량 예측 모델로 발전량을 예측하는 프로세서; 및 프로세서에 의해 예측된 발전량을 기초로, 발전소를 운용하는 제어부;를 포함하는 것을 특징으로 하는 발전소 제어 시스템이 제공된다.According to another aspect of the present invention, a processor for collecting the predicted generation amount of a plurality of generation amount prediction models, obtaining an optimal generation amount prediction model based on the collected predicted generation amount, and predicting the generation amount with the obtained generation amount prediction model; and a control unit for operating the power plant based on the amount of power predicted by the processor; is provided a power plant control system comprising a.

이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 다양한 태양광 발전량 예측 모델을 비교하거나 결합하여, 우수한 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용함으로써, 효율적인 태양광 발전소 운용과 안정적인 전력 공급이 가능해진다.As described above, according to embodiments of the present invention, efficient solar power plant operation and stable power supply by comparing or combining various photovoltaic power generation prediction models, selecting or configuring an excellent predictive model to operate a photovoltaic power plant this becomes possible

도 1은 본 발명의 일 실시예에 따른 태양광 발전소 운용 방법의 설명에 제공되는 흐름도,
도 2는 Phase1(Gap Filling)의 설명에 제공되는 도면,
도 3 내지 도 7은 Phase2(Comparative Selection)의 설명에 제공되는 도면,
도 8은 Phase3(Ensemble)의 설명에 제공되는 도면,
도 9는 본 발명의 다른 실시예에 따른 태양광 발전소 운용 시스템의 블럭도이다.1 is a flowchart provided for explaining a method of operating a solar power plant according to an embodiment of the present invention;
2 is a diagram provided for explanation of Phase 1 (Gap Filling);
3 to 7 are diagrams provided for explanation of Phase2 (Comparative Selection);
8 is a diagram provided for the description of Phase3 (Ensemble);
9 is a block diagram of a solar power plant operating system according to another embodiment of the present invention.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.Hereinafter, the present invention will be described in more detail with reference to the drawings.

1. 태양광 발전량 예측 모델 선정/운용1. Selection/operation of solar power generation forecasting model

도 1은 본 발명의 일 실시예에 따른 태양광 발전소 운용 방법의 설명에 제공되는 흐름도이다.1 is a flowchart provided to explain a method for operating a solar power plant according to an embodiment of the present invention.

본 발명의 실시예에 따른 태양광 발전소 운용 방법은, 다양한 태양광 발전량 예측 모델들을 비교하거나 결합하여 최적의 예측 모델을 선정하거나 구성하여 태양광 발전소를 운용한다.The method of operating a solar power plant according to an embodiment of the present invention compares or combines various solar power generation amount prediction models to select or configure an optimal prediction model to operate the solar power plant.

이를 위해, 먼저, 다양한 태양광 발전량 예측 모델들의 예측 발전량들을 수집한다(S110). 즉, 본 발명의 실시예를 위해서는, 다수의 태양광 발전량 예측 모델들을 확보하고 있어야 한다.To this end, first, the predicted power generation amounts of various solar power generation prediction models are collected (S110). That is, for the embodiment of the present invention, it is necessary to secure a number of solar power generation prediction models.

다음, S110단계에서 수집한 예측 발전량들을 기초로, 최적의 태양광 발전량 예측 모델을 선정하거나 구성한다(S120). S120단계에 대해서는, 도 2 내지 도 9를 참조하여 상세히 후술한다.Next, based on the predicted power generation amount collected in step S110, an optimal solar power generation amount prediction model is selected or configured (S120). Step S120 will be described later in detail with reference to FIGS. 2 to 9 .

최적의 태양광 발전량 예측 모델이 선정/구성되면, 선정된 태양광 발전량 예측 모델로 태양광 발전소를 제어/운용한다(S130).When the optimal solar power generation prediction model is selected/configured, the solar power plant is controlled/operated with the selected solar power generation prediction model (S130).

태양광 발전소를 제어/운용하는 중에 태양광 발전량 예측 모델의 재선정이 필요한 경우, 이를 테면, 발전량 예측의 정확도가 떨어지거나 발전 효율이 떨어지는 경우(S140-Y), S110단계부터 재수행된다.If it is necessary to reselect the photovoltaic power generation amount prediction model while controlling/operating the photovoltaic power plant, for example, when the accuracy of the power generation forecasting is low or the power generation efficiency is low (S140-Y), it is performed again from step S110.

2. 태양광 발전량 예측 모델 선정 방식2. How to select a solar power generation prediction model

(1) Phase1(Gap Filling)(1) Phase1 (Gap Filling)

첫 번째 방식은 태양광 발전량 예측 모델들 중 하나를 정해진 기준에 따라 선정하는 방식이다.The first method is a method of selecting one of the solar power generation prediction models according to a set criterion.

단, 도 2에 도시된 바와 같이, 선정된 태양광 발전량 예측 모델의 예측 발전량에 구간 결측이 발생하는 경우, 다른 태양광 발전량 예측 모델의 예측 발전량으로 결측 구간을 채운다.However, as shown in FIG. 2 , when a missing section occurs in the predicted power generation of the selected solar power generation prediction model, the missing section is filled with the predicted power generation amount of another solar power generation prediction model.

어느 하나의 태양광 발전량 예측 모델이 다른 태양광 발전량 예측 모델들에 비해 큰 우위에 있으며, 태양광 발전량 예측 모델 선정/재선정에 많은 시간을 할애할 수 없는 경우에 적합하다.One solar power generation forecasting model has a great advantage over other solar power generation forecasting models, and it is suitable when it is not possible to devote a lot of time to selecting/reselecting a solar power generation forecasting model.

태양광 발전량 예측 모델의 결측 구간을 채우는데 이용할 다른 태양광 발전량 예측 모델은, 선정되지 않은 태양광 발전량 예측 모델들 중 가장 우수한 태양광 발전량 예측 모델로 정할 수 있다. 나아가, 아래에서 두 번째 또는 세 번째 방식으로 선정/구성되는 태양광 발전량 예측 모델을 이용할 수도 있다.Another solar power generation prediction model to be used to fill in the missing section of the solar power generation prediction model may be determined as the best solar power generation prediction model among the unselected solar power generation prediction models. Furthermore, it is also possible to use the solar power generation amount prediction model selected/configured by the second or third method below.

(2) Phase2(Comparative Selection)(2) Phase2 (Comparative Selection)

두 번째 방식은, 도 3에 도시된 바와 같이, 태양광 발전량 예측 모델들의 예측 발전량들을 기초로 태양광 발전량 예측 모델들을 평가하고, 평가 결과를 기초로 최적의 태양광 발전량 예측 모델을 선정하는 방식이다.The second method, as shown in FIG. 3, evaluates the solar power generation prediction models based on the predicted power generation of the solar power generation prediction models, and selects an optimal solar power generation prediction model based on the evaluation result. .

태양광 발전량 예측 모델들에 대해, 전체 기간에서의 예측 발전량들(도 4), 특정 계절(또는 월)에서의 예측 발전량들(도 5), 최근 구간(1~7일)에서의 예측 발전량들(도 6), 특정 기상(예를 들어, 일사량)에서의 예측 발전량들(도 7)을 기초로, 태양광 발전량 예측 모델들을 평가한다.For the solar power generation prediction models, the predicted generation amount in the entire period (FIG. 4), the predicted generation amount in a specific season (or month) (FIG. 5), and the predicted generation amount in the recent section (1-7 days) (FIG. 6), based on the predicted generation amount (FIG. 7) in a specific weather (eg, solar radiation), evaluates the solar power generation prediction models.

구체적으로, 다음의 식에 따라, 태양광 발전량 예측 모델들 각각에 대해 각 기간에서의 예측 정확도 평가를 voting하여 합산함으로써 스코어를 산정하고, 산정된 스코어가 가장 높은 태양광 발전량 예측 모델을 선정한다.Specifically, according to the following equation, the score is calculated by voting and summing the prediction accuracy evaluation in each period for each of the solar power generation prediction models, and the solar power generation prediction model with the highest calculated score is selected.

Score= Sum(vote전체, vote계절, vote최근, vote일사량)Score = Sum (vote total, vote seasonal, vote Recently, vote insolation)

Phase2= Max(Scorea, Scoreb, Scorec) Phase2= Max(Score a , Score b , Score c )

① 전체 기간 : 실측된 태양광 발전량 데이터가 존재하며, 각 태양광 발전량 예측 모델의 예측 발전량이 추정된 최초 시점부터 현재까지의 기간을 대상으로 예측 정확도(오차)를 평가한다. 이를 통해, 태양광 발전량 예측 모델의 전반적인 성능 비교가 가능하다.① Total period: There is measured photovoltaic power generation data, and the prediction accuracy (error) is evaluated for the period from the initial point in time when the predicted power generation amount of each photovoltaic power generation prediction model is estimated to the present. Through this, it is possible to compare the overall performance of the solar power generation prediction model.

② 계절(월) : 태양광 발전량 예측 모델의 계절(월)별 모델의 예측 정확도를 평가한다. 각 계절(월)별 특성을 가지고 있으므로, 태양광 발전량 예측 모델 간 계절적 특성에 따른 예측 정확도의 차이를 비교할 수 있다.② Season (Month): Evaluate the prediction accuracy of the model for each season (month) of the solar power generation prediction model. Since each season (monthly) has characteristics, it is possible to compare differences in prediction accuracy according to seasonal characteristics between solar power generation prediction models.

③ 최근(1~7일) : 최근 시점의 태양광 발전량 예측 모델 별 예측 정확도를 평가한다. 각 태양광 발전량 예측 모델 별로 특정 주기마다 최적화가 이뤄질 수 있으므로, 최신 모델 성능을 반영하기 위함이다.③ Recent (1-7 days): Evaluate the prediction accuracy for each solar power generation prediction model at the latest time. This is to reflect the latest model performance since optimization can be made at specific cycles for each solar power generation prediction model.

④ 기상(일사량) : 태양광 발전량 예측 모델의 예측 발전량 성능을 비교하고자 하는 시점에서의 기상(일사량) 예측 정보를 기준으로, 과거 해당 일사량 구간에서의 모델별 예측 정확도를 평가한다. 태양광 발전량은 일사량과 상관관계가 높은 요소이므로, 해당 일사량 구간에서 높은 예측 정확도를 가진 모델이 성능이 우수할 것이라고 판단한다는 점에 근거한다.④ Weather (insolation): Based on the weather (insolation) prediction information at the point in time to compare the predicted power generation performance of the solar power generation prediction model, the prediction accuracy of each model in the corresponding solar radiation section in the past is evaluated. Since the amount of solar power generation is a factor with a high correlation with the amount of insolation, it is based on the fact that it is determined that a model with high prediction accuracy in the corresponding insolation section will perform better.

(3) Phase3(Ensemble)(3) Phase3 (Ensemble)

세 번째 방식은, 도 8에 도시된 바와 같이, 태양광 발전량 예측 모델 별 예측 발전량을 Model Averaging, Weighted Model Averaging 방법으로 통합하여 새로운 예측 발전량을 도출, 즉, 새로운 태양광 발전량 예측 모델을 구성하는 것이다.The third method, as shown in FIG. 8, is to derive a new predicted power generation amount by integrating the predicted power generation for each solar power generation prediction model with the Model Averaging and Weighted Model Averaging methods, that is, to construct a new solar power generation prediction model. .

또한, 예측 발전량과 기상 데이터를 활용하여 새로운 Ensemble 태양광 발전량 예측 모델을 도출/구성하는 것을 포함한다.In addition, it includes deriving/configuring a new Ensemble solar power generation prediction model by using the predicted generation amount and weather data.

① Simple Averaging Model① Simple Averaging Model

여러 태양광 발전량 예측 모델의 예측 발전량들을 평균하는 모델이다. 예측 발전량에 대한 편차를 줄여 overfitting을 감소시켜 안정성을 향상시킨다. 아래의 수식에 나타난 바와 같이, 태양광 발전량 예측 모델의 정확도와 무관하게 최종 예측에 각 태양광 발전량 예측 모델이 동등하게 사용된다.This is a model that averages the predicted power generation of several solar power generation prediction models. By reducing the deviation of the predicted power generation, overfitting is reduced and stability is improved. As shown in the equation below, each solar power generation prediction model is equally used for the final prediction regardless of the accuracy of the solar power generation prediction model.

Model Averaging =

Figure pat00001
Model Averaging =
Figure pat00001

② Weighted Averaging Model② Weighted Averaging Model

Simple Averaging Model과 동일하게 여러 태양광 발전량 예측 모델의 예측 발전량을 평균하여 나오는 모델지만, 아래의 수식에 나타난 바와 같이 각 태양광 발전량 예측 모델의 정확도에 따라 다른 weight를 부여하여 최종 예측 발전량을 도출한다.Same as Simple Averaging Model, it is a model that averages the predicted power generation of several solar power generation forecasting models, but as shown in the equation below, different weights are given according to the accuracy of each solar power generation prediction model to derive the final predicted power generation. .

Weighted Model Averaging =

Figure pat00002
Weighted Model Averaging =
Figure pat00002

③ Stacked Generation Model③ Stacked Generation Model

태양광 발전량 예측 모델의 각 예측 발전량들을 새로운 태양광 발전량 예측 모델의 입력 데이터로 활용하여 최종 예측 발전량을 도출하도록 하는 방식이다. 다음의 2가지 Ensemble 모델로 구분할 수 있다.It is a method to derive the final predicted power generation by using each predicted power generation amount of the solar power generation prediction model as input data of the new solar power generation prediction model. It can be divided into the following two ensemble models.

Ensemble 모델 1Ensemble Model 1

태양광 발전량 예측 모델 별 예측 발전량과 기상 정보를 입력 데이터로 하는 모델로, xgboost model을 활용한다.It is a model that uses predicted power generation and weather information for each solar power generation prediction model as input data, and the xgboost model is used.

Ensemble 모델 2Ensemble Model 2

태양광 발전량 예측 모델 별 예측 발전량과 기상정보를 입력 데이터로 하는 모델로, DecisionTree model을 활용한다.This is a model that uses the predicted generation amount and weather information for each solar power generation prediction model as input data, and the DecisionTree model is used.

한편, 세 번째 방식에서는 다수의 태양광 발전량 예측 모델들을 도출/구성한 후에, 최적의 하나를 선정하는 기법까지 포함한다. 선정 방식은 전술한 두 번째 방식은 물론, 그 밖의 다른 방식을 이용할 수 있다.On the other hand, the third method includes a technique of selecting an optimal one after deriving/configuring a number of solar power generation prediction models. The selection method may use other methods as well as the second method described above.

3. 태양광 발전량 예측 모델 선정/운용 시스템3. Solar power generation prediction model selection/operation system

도 9는 본 발명의 다른 실시예에 따른 태양광 발전소 운용 시스템의 블럭도이다.9 is a block diagram of a solar power plant operating system according to another embodiment of the present invention.

본 발명의 실시예에 따른 태양광 발전소 운용 시스템은, 도시된 바와 같이, 통신부(210). 프로세서(220). 제어부(230) 및 저장부(240)를 포함하는 컴퓨팅 시스템으로 구현가능하다.Solar power plant operating system according to an embodiment of the present invention, as shown, the communication unit 210. processor 220 . It can be implemented as a computing system including the control unit 230 and the storage unit 240 .

통신부(210)는 외부 기기 또는 외부 네트워크에 연결되어 데이터를 송수신하는 통신 수단이다.The communication unit 210 is a communication means for transmitting and receiving data by being connected to an external device or an external network.

프로세서(220)는 전술한 방법에 따라 다양한 태양광 발전량 예측 모델들을 비교하거나 결합하여 최적의 예측 모델을 선정하거나 구성하고, 태양광 발전량 예측 모델을 이용하여 태양광 발전량을 예측한다.The processor 220 selects or configures an optimal prediction model by comparing or combining various solar power generation prediction models according to the above-described method, and predicts the solar power generation amount using the solar power generation prediction model.

저장부(240)는 프로세서(220)가 동작하고 기능함에 있어 필요한 저장공간을 제공한다.The storage unit 240 provides a storage space necessary for the processor 220 to operate and function.

제어부(230)는 프로세서(220)에 의해 예측된 태양광 발전량을 기반으로, 태양광 발전소를 제어/운용한다.The controller 230 controls/operates the solar power plant based on the solar power generation amount predicted by the processor 220 .

4. 변형예4. Variations

지금까지, 태양광 발전량 예측 모델의 비교 평가 방법 및 시스템에 대해 바람직한 실시예들을 들어 상세히 설명하였다.So far, preferred embodiments have been described in detail with respect to the comparative evaluation method and system of the solar power generation amount prediction model.

본 발명의 실시예에서는, 다양한 태양광 발전량 예측 모델 간 비교 평가를 위한 방법과 해당 방법을 통해 우수한 예측 모델을 선정하거나 결합하여 최적의 모델을 구성하는 방법을 제시하였다.In an embodiment of the present invention, a method for comparative evaluation between various solar power generation prediction models and a method for selecting or combining an excellent predictive model through the method to configure an optimal model are presented.

한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.On the other hand, it goes without saying that the technical idea of the present invention can also be applied to a computer-readable recording medium containing a computer program for performing the functions of the apparatus and method according to the present embodiment. In addition, the technical ideas according to various embodiments of the present invention may be implemented in the form of computer-readable codes recorded on a computer-readable recording medium. The computer-readable recording medium may be any data storage device readable by the computer and capable of storing data. For example, the computer-readable recording medium may be a ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, hard disk drive, or the like. In addition, the computer-readable code or program stored in the computer-readable recording medium may be transmitted through a network connected between computers.

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 이해되어져서는 안될 것이다.In addition, although preferred embodiments of the present invention have been illustrated and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention as claimed in the claims Various modifications are possible by those of ordinary skill in the art, and these modifications should not be individually understood from the technical spirit or prospect of the present invention.

210 : 통신부
220 : 프로세서
230 : 제어부
240 : 저장부210: communication department
220: processor
230: control unit
240: storage

Claims (8)

다수의 발전량 예측 모델들의 예측 발전량들을 수집하는 단계;
수집된 예측 발전량들을 기초로, 최적의 발전량 예측 모델을 획득하는 단계;
획득된 발전량 예측 모델로, 발전소를 운용하는 단계;를 포함하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
collecting predicted power generation amounts of a plurality of power generation prediction models;
obtaining an optimal power generation prediction model based on the collected predicted power generation amounts;
Comparative evaluation method of the generation amount prediction model comprising; operating a power plant with the obtained generation amount prediction model.
 청구항 1에 있어서,
선정 단계는,
수집된 예측 발전량들을 기초로, 발전량 예측 모델들을 평가하는 단계; 및
평가 결과를 기초로, 발전량 예측 모델들 중 하나를 선정하는 단계;를 포함하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
The method according to claim 1,
The selection step is
evaluating generation prediction models based on the collected predicted generation amount; and
Based on the evaluation result, selecting one of the generation amount prediction models; Comparative evaluation method of the generation amount prediction model comprising a.
 청구항 2에 있어서,
평가 단계는,
전체 기간에서의 예측 발전량의 정확도, 특정 계절에서의 예측 발전량의 정확도, 최근 구간에서의 예측 발전량의 정확도, 특정 기상에서의 예측 발전량의 정확도를 기초로, 발전량 예측 모델들을 평가하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
3. The method according to claim 2,
The evaluation stage is
Power generation, characterized in that the power generation prediction models are evaluated based on the accuracy of the predicted power generation in the entire period, the accuracy of the predicted power generation in a specific season, the accuracy of the predicted power generation in the recent section, and the accuracy of the predicted power generation in a specific weather Methods of comparative evaluation of predictive models.
 청구항 1에 있어서,
획득 단계는,
발전량 예측 모델들 중 적어도 하나를 결합하여, 새로운 발전량 예측 모델을 구성하는 단계;를 포함하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
The method according to claim 1,
The acquisition phase is
Combining at least one of the generation amount prediction models to construct a new generation amount prediction model; a comparative evaluation method of the generation amount prediction model comprising: a.
 청구항 5에 있어서,
새로운 발전량 예측 모델은,
발전량 예측 모델들 중 적어도 하나의 예측 발전량을 평균 또는 가중 평균하는 모델인 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
6. The method of claim 5,
The new power generation forecasting model is,
A comparative evaluation method of a power generation prediction model, characterized in that it is a model that averages or weights average of at least one predicted power generation among power generation prediction models.
 청구항 1에 있어서,
획득 단계는,
수집된 예측 발전량들 및 기상 정보를 입력받아, 예측 발전량을 추정하는 발전량 예측 모델을 구성하는 단계;를 포함하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
The method according to claim 1,
The acquisition phase is
Comparing and evaluating a power generation prediction model, comprising: receiving the collected predicted power generation and weather information, and constructing a power generation prediction model for estimating the predicted power generation amount.
 청구항 1에 있어서,
획득 단계는,
획득된 발전량 예측 모델의 예측 발전량들 중 결측된 예측 발전량들을 비선정된 발전량 예측 모델의 예측 발전량들로 채우는 단계;를 포함하는 것을 특징으로 하는 발전량 예측 모델의 비교 평가 방법.
The method according to claim 1,
The acquisition phase is
Comparison evaluation method of a power generation prediction model, comprising: filling the predicted power generation amounts missing from among the predicted power generation amounts of the obtained power generation prediction model with the predicted power generation amounts of the non-selected generation amount prediction model.
 다수의 발전량 예측 모델들의 예측 발전량들을 수집하고, 수집된 예측 발전량들을 기초로 최적의 발전량 예측 모델을 획득하며, 획득된 발전량 예측 모델로 발전량을 예측하는 프로세서; 및
프로세서에 의해 예측된 발전량을 기초로, 발전소를 운용하는 제어부;를 포함하는 것을 특징으로 하는 발전소 제어 시스템.

a processor for collecting predicted power generation amounts of a plurality of power generation prediction models, obtaining an optimal power generation prediction model based on the collected predicted power generation amounts, and predicting power generation with the obtained power generation prediction model; and
Power plant control system comprising a; a control unit for operating the power plant based on the amount of power predicted by the processor.
KR1020190171434A 2019-12-20 2019-12-20 Comparative Evaluation Method and System of Photovoltaic Power Prediction Model KR102364176B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190171434A KR102364176B1 (en) 2019-12-20 2019-12-20 Comparative Evaluation Method and System of Photovoltaic Power Prediction Model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190171434A KR102364176B1 (en) 2019-12-20 2019-12-20 Comparative Evaluation Method and System of Photovoltaic Power Prediction Model

Publications (2)

Publication Number Publication Date
KR20210079540A true KR20210079540A (en) 2021-06-30
KR102364176B1 KR102364176B1 (en) 2022-02-18

Family

ID=76602439

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190171434A KR102364176B1 (en) 2019-12-20 2019-12-20 Comparative Evaluation Method and System of Photovoltaic Power Prediction Model

Country Status (1)

Country Link
KR (1) KR102364176B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230048725A (en) * 2021-10-05 2023-04-12 한국에너지기술연구원 Apparatus of data verification for quality evaluation of insolation and power generation data and method thereof
CN117543823A (en) * 2023-11-16 2024-02-09 创维互联（北京）新能源科技有限公司 Photovoltaic group string loss electric quantity calculation method and system based on multiple models
WO2024051524A1 (en) * 2022-09-05 2024-03-14 中国长江三峡集团有限公司 Joint prediction method and apparatus for hydraulic, wind and photovoltaic generation power

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101035398B1 (en) * 2010-11-22 2011-05-20 (주)에코브레인 Specific point weather prediction base new and renewable energy producing quantity real-time prediction method and the system
KR20140087965A (en) * 2012-12-31 2014-07-09 주식회사 포스코아이씨티 System for predicting energy producing quantity
KR20180072954A (en) * 2016-12-22 2018-07-02 전자부품연구원 Method and apparatus for predicting the generated energy of the solar cell module

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101035398B1 (en) * 2010-11-22 2011-05-20 (주)에코브레인 Specific point weather prediction base new and renewable energy producing quantity real-time prediction method and the system
KR20140087965A (en) * 2012-12-31 2014-07-09 주식회사 포스코아이씨티 System for predicting energy producing quantity
KR20180072954A (en) * 2016-12-22 2018-07-02 전자부품연구원 Method and apparatus for predicting the generated energy of the solar cell module

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230048725A (en) * 2021-10-05 2023-04-12 한국에너지기술연구원 Apparatus of data verification for quality evaluation of insolation and power generation data and method thereof
WO2024051524A1 (en) * 2022-09-05 2024-03-14 中国长江三峡集团有限公司 Joint prediction method and apparatus for hydraulic, wind and photovoltaic generation power
CN117543823A (en) * 2023-11-16 2024-02-09 创维互联（北京）新能源科技有限公司 Photovoltaic group string loss electric quantity calculation method and system based on multiple models

Also Published As

Publication number Publication date
KR102364176B1 (en) 2022-02-18

Similar Documents

Publication Publication Date Title
CN111492559B (en) System and method for optimal control of an energy storage system
KR102364176B1 (en) Comparative Evaluation Method and System of Photovoltaic Power Prediction Model
JP5537304B2 (en) Information processing apparatus and program thereof
KR101500304B1 (en) A control method of charging and discharging of energy storage and system for it
JP4245583B2 (en) Control device, control method, program, and recording medium of distributed energy system
US20120065792A1 (en) Supply-demand balance controller
KR102572795B1 (en) Apparatus for determining optimal capacity of energy storage system in stand alone micro-grid and method thereof
KR101212343B1 (en) System and method for operating microgrid
Tang et al. Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations
Cioara et al. Data center optimization methodology to maximize the usage of locally produced renewable energy
Jia et al. A retroactive approach to microgrid real-time scheduling in quest of perfect dispatch solution
CN102953936A (en) Unit commitment for wind power generation
JP2016093016A (en) Operation plan generating device, operation plan generation device and program
CN108898239A (en) A kind of site selection method for distribution transformer based on data analysis
CN114707737B (en) Method for predicting power consumption based on edge calculation, computer equipment and storage medium
CN112529257A (en) Energy storage power station joint optimization method and system considering AGC signal influence
KR101305584B1 (en) System and method for predicting energy producing quantity
Kristiansen et al. Introducing system flexibility to a multinational transmission expansion planning model
EP4102673A1 (en) Assessing carbon footprint of a hybrid power plant
KR101942331B1 (en) Energy management system and energy management method therefor
Chang et al. The use of the peak-clipping method for energy management in households with energy storage equipment
CN112200366B (en) Load prediction method and device, electronic equipment and readable storage medium
Alamri et al. Energy storage sizing and reliability assessment for power systems with variable generation
Pravilovic et al. Wind power forecasting using time series cluster analysis
Holttinen et al. Recommendations for wind integration studies

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant