KR20210115911A - 태양광 출력 예측 장치 및 그 방법 - Google Patents

태양광 출력 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR20210115911A
KR20210115911A KR1020200032334A KR20200032334A KR20210115911A KR 20210115911 A KR20210115911 A KR 20210115911A KR 1020200032334 A KR1020200032334 A KR 1020200032334A KR 20200032334 A KR20200032334 A KR 20200032334A KR 20210115911 A KR20210115911 A KR 20210115911A
Authority
KR
South Korea
Prior art keywords
data
output
weather
output prediction
prediction model
Prior art date
Application number
KR1020200032334A
Other languages
English (en)
Inventor
손완빈
박향아
이예림
Original Assignee
한국전기연구원
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 한국전기연구원 filed Critical 한국전기연구원
Priority to KR1020200032334A priority Critical patent/KR20210115911A/ko
Publication of KR20210115911A publication Critical patent/KR20210115911A/ko

Links

Images

Classifications

    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 강수확률 데이터를 고려한 PV 출력 예측 방법에 관한 것으로, 태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득하는 단계; 상기 획득된 기상예보 데이터 중에서 강수확률 데이터를 검출하는 단계; 상기 검출된 강수확률 데이터를 중하운량 데이터로 변환하는 단계; 및 상기 변환된 중하운량 데이터를 포함하는 기상예측 데이터와 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측하는 단계를 포함한다.

Description

태양광 출력 예측 장치 및 그 방법{APPARATUS FOR PREDICTING PHOTOVOLTAIC OUPUT AND METHOD THEREOF}
본 발명은 태양광 발전의 출력량을 예측하는 장치 및 그 방법에 관한 것으로, 더욱 상세하게는 강수확률 데이터를 고려하여 태양광 발전의 출력량을 예측하는 장치 및 그 방법에 관한 것이다.
일반적으로 태양광 발전은 무공해, 무한정의 태양광을 이용하고, 환경에 미치는 악영향이 거의 없기 때문에 신재생에너지 발전 기술로 각광받고 있으며, 온실가스에 대한 배출규제가 구체화되면서 선진국을 중심으로 태양광을 비롯한 신재생에너지 발전설비의 보급이 늘어나고 있다.
그런데, 기존의 태양광 발전은 기상 예측을 기초로 발전량을 예측하게 되는데, 태양광 발전단지의 정확한 기상 상태를 예측하기 어려우며, 태양광 발전량은 기상 상태뿐만 아니라 모듈의 특성 등 다양한 변수에 따라 변하므로, 그 예측의 정확성이 매우 떨어진다. 또한, 태양광 발전량은 시간적, 공간적 변수로 인해 불확실성이 크며, 위/경도 등 지역 특성, 시간에 따른 태양 고도와 대기 상태 등에 따라 변하기 때문에 그 예측이 매우 어렵다.
이와 같이 태양광 발전량을 정확하게 예측하지 못하면 발전설비를 효율적으로 운영할 수 없고, 생산된 전력의 분담 등에 대한 계획을 제대로 수립할 수 없어 전력 수급의 불균형을 초래하게 된다. 따라서, 태양광 발전설비의 발전량을 정확하게 예측하기 위한 기술 개발의 필요성이 점점 증가하고 있는 실정이다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다. 또 다른 목적은 강수확률 데이터와 높은 상관 관계를 갖는 중하운량 데이터를 기반으로 기계 학습을 수행하여 PV 출력 예측 모델을 생성하고, 상기 PV 출력 예측 모델과 기상예보 데이터를 이용하여 태양광 발전의 출력량을 예측하는 장치 및 그 방법을 제공함에 있다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득하는 단계; 상기 획득된 기상예보 데이터 중에서 강수확률 데이터를 검출하는 단계; 상기 검출된 강수확률 데이터를 중하운량 데이터로 변환하는 단계; 및 상기 변환된 중하운량 데이터를 포함하는 기상예측 데이터와 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측하는 단계를 포함하는 PV 출력 예측 방법을 제공한다.
좀 더 바람직하게는, 상기 데이터 변환 단계는, 미리 정의된 관계식을 이용하여 강수확률 데이터를 중하운량 데이터로 변환할 수 있다. 또한, 상기 미리 정의된 관계식은 강수확률과 중하운량 간의 상관 관계를 수학적으로 모델링한 수식으로서, 수학식
Figure pat00001
로 정의될 수 있다.
좀 더 바람직하게는, 상기 PV 출력 예측 모델을 생성하는 단계는, 적어도 하나의 기후 요소와 관련된 복수의 기상 데이터와 태양광 발전 설비의 PV 출력 데이터를 일정 기간 동안 수집하는 단계와, 상기 수집된 데이터 중에서 학습 데이터를 선정하는 단계와, 상기 선정된 학습 데이터에 대해 기계 학습(machine learning)을 수행하여 PV 출력 예측 모델을 생성하는 단계를 포함할 수 있다. 여기서, 상기 학습 데이터는 입력 데이터와 출력 데이터로 구분될 수 있으며, 상기 입력 데이터는 기상 데이터일 수 있고, 상기 출력 데이터는 PV 출력 데이터일 수 있다.
좀 더 바람직하게는, 상기 학습 데이터 선정 단계는, 복수의 기상 데이터 중에서 강수확률 데이터를 PV 출력 예측 모델에 반영하기 위해, 상기 강수확률 데이터와 높은 상관 관계가 있는 중하운량 데이터를 학습 데이터로 선정할 수 있다.
본 발명의 다른 측면에 따르면, 과거의 기상 데이터 및 PV 출력 데이터에 대해 기계 학습을 수행하여 PV 출력 예측 모델을 생성하는 PV 출력 예측 모델부; 태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득하는 기상예보 데이터 획득부; 상기 기상예보 데이터 중에서 강수확률 데이터를 검출하고, 상기 검출된 강수확률 데이터를 중하운량 데이터로 변환하는 기상예보 데이터 변환부; 및 상기 변환된 중하운량 데이터를 포함하는 기상예측 데이터와 상기 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측하는 PV 출력 예측부를 포함하는 PV 출력 예측 장치를 제공한다.
본 발명의 또 다른 측면에 따르면, 태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득하는 과정; 상기 획득된 기상예보 데이터 중에서 강수확률 데이터를 검출하는 과정; 상기 검출된 강수확률 데이터를 중하운량 데이터로 변환하는 과정; 및 상기 변환된 중하운량 데이터를 포함하는 기상예측 데이터와 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측하는 과정이 컴퓨터 상에서 수행되도록 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램을 제공한다.
본 발명의 실시 예들에 따른 태양광 출력 예측 장치 및 그 방법의 효과에 대해 설명하면 다음과 같다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 기상예보 데이터 중 강수확률 데이터를 중하운량 데이터로 변환하고, 상기 변환된 중하운량 데이터를 포함하는 기상예보 데이터 및 PV 예측 모델을 이용하여 태양광 발전의 출력량을 예측함으로써, 상기 태양광 발전의 출력량 예측 정확도를 효과적으로 향상시킬 수 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 기계 학습 시, 강수확률 데이터와 높은 상관 관계가 있는 실측 가능한 중하운량 데이터를 해당 학습에 사용하고, PV 출력 예측 시, 기상예보에서 제공하는 강수확률 데이터를 중하운량 데이터로 변환하여 해당 출력 예측에 사용함으로써, 태양광 발전의 출력량 예측 정확도를 효과적으로 향상시킬 수 있다.
다만, 본 발명의 실시 예들에 따른 태양광 출력 예측 장치 및 그 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 PV 출력 예측 모델 생성 방법을 설명하는 순서도;
도 2는 본 발명의 일 실시 예에 따른 PV 출력 예측 방법을 설명하는 순서도;
도 3은 도 2에 도시된 PV 출력 예측 방법을 설명하기 위해 참조되는 도면;
도 4는 강수확률과 중하운량 간의 상관 관계를 나타내는 그래프를 예시하는 도면;
도 5는 본 발명의 일 실시 예에 따른 PV 출력 예측 장치의 구성을 나타내는 도면.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 즉, 본 발명에서 사용되는 '부'라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.
또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명은 중하운량 데이터를 포함하는 기상 데이터를 기반으로 기계 학습을 수행하여 PV 출력 예측 모델을 생성하고, 상기 생성된 PV 출력 예측 모델에 기상예보 데이터를 입력하여 태양광 발전의 출력량을 예측하는 장치 및 그 방법을 제안한다. 여기서, 상기 PV 출력 예측 방법은 크게 PV 출력 예측 모델을 생성하는 방법과 상기 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측하는 방법으로 구성된다.
이하에서는, 본 발명의 다양한 실시 예들에 대하여, 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 일 실시 예에 따른 PV 출력 예측 모델을 생성하는 방법을 설명하는 순서도이다.
도 1을 참조하면, 본 발명에 따른 PV 출력 예측 장치는 기상청 또는 외부 기상 서버 등으로부터 적어도 하나의 기후 요소와 관련된 기상 데이터를 수집할 수 있다(S110). 이때, 상기 PV 출력 예측 장치는 기상 데이터를 일정 기간 동안 주기적으로 수집할 수 있다. 한편, 다른 실시 예로, PV 출력 예측 장치는 별도의 기상 측정 장치를 통해 적어도 하나의 기후 요소와 관련된 기상 데이터를 직접 측정하여 수집할 수도 있다.
적어도 하나의 기후 요소와 관련된 기상 데이터로는, 태양과 같은 복사원으로부터 소정 거리만큼 떨어져 있는 면 위의 한 점에서 복사의 강도를 나타내는 일사량(irradiance, W/m2) 데이터, 일조 시간(sunshine duration) 데이터, 운량 데이터, 중하운량 데이터, 습도(humidity, %) 데이터, 풍속(wind speed, m/s) 데이터, 기온(temperature, ℃) 데이터, 강수 확률(rainfall　probability, %) 데이터 등이 있으며 반드시 이에 제한되지는 않는다. 또한, PV 출력 예측 장치에서 수집하는 기상 데이터는 태양광 발전의 출력량을 예측하고자 하는 태양광 발전 설비가 설치된 지역의 기상 데이터를 의미한다.
PV 출력 예측 장치는 일정 기간 동안 수집된 기상 데이터들을 기후 요소 별로 분류할 수 있다. 또한, PV 출력 예측 장치는 일정 기간 동안 수집된 기상 데이터들을 시간/일/월/년 단위로 분류할 수 있다.
PV 출력 예측 장치는 태양광 발전 설비 또는 관리 서버로부터 해당 발전 설비의 PV 출력 데이터를 수집할 수 있다(S120). 마찬가지로, 상기 PV 출력 예측 장치는 과거의 PV 출력 데이터를 일정 기간 동안 주기적으로 수집할 수 있다.
PV 출력 예측 장치는 일정 기간 동안 수집된 PV 출력 데이터를 발전 설비 별로 분류할 수 있다. 또한, 상기 PV 출력 예측 장치는 일정 기간 동안 수집된 PV 출력 데이터를 시간/일/월/년 단위로 분류할 수 있다.
PV 출력 예측 장치는 수집된 데이터 중에서 기계 학습(machine learning)을 위한 학습 데이터를 선정할 수 있다(S130). 이때, 상기 학습 데이터는 입력 데이터와 출력 데이터로 구분될 수 있으며, 상기 입력 데이터는 과거의 기상 데이터일 수 있고, 상기 출력 데이터는 과거의 PV 출력 데이터일 수 있다.
PV 출력 예측 장치는 일정 기간 동안 수집된 복수의 기상 데이터들 중에서 태양광 발전의 출력량과 높은 상관도를 갖는 기상 데이터를 검출하고, 상기 검출된 기상 데이터를 기계 학습을 위한 입력 데이터로 선정할 수 있다.
일 예로, PV 출력 예측 장치는 태양광 발전의 출력량과 높은 상관도를 갖는 일사량 데이터, 운량 데이터, 강수확률 데이터 및 기타 기상 데이터 등을 입력 데이터로 선정할 수 있다. 다만, 상기 강수확률 데이터는 기계학습을 이용한 예측 방법에서 직접적으로 사용하기 어려운 학습 지표인데, 이는 기계 학습을 위한 실측 값에는 강수의 유무가 있을 뿐 확률이 없기 때문이다. 따라서, 본 발명에 따른 PV 출력 예측 장치에서는 강수확률 데이터 대신 해당 데이터와 높은 상관 관계가 있는 중하운량 데이터를 입력 데이터로 사용할 수 있다.
중하운량은 중층부 및 하층부에 머무르는 구름의 양을 의미한다. 통상, 중층부와 하층부의 구름은 대체로 두텁고 물방울 형태로 형성되기 때문에 태양빛을 잘 반사하는 특성을 갖는 반면, 상층부의 구름은 상대적으로 얇은 특성을 갖는다. 강우(비)는 하층부의 구름과 중층부의 구름에서 발생하기 때문에, 강수확률과 중하운량 간에는 높은 상관 관계가 있다.
PV 출력 예측 장치는 이와 같이 선정된 학습 데이터에 대해 기계 학습을 수행하여 PV 출력 예측 모델을 생성할 수 있다(S140). 본 명세서 상에서 기술하는 기계 학습은 데이터의 생성 양, 주기, 형식 등이 다양한 빅데이터를 이용하여 미래를 예측하는 기술을 나타낸다.
이러한 기계 학습에 사용되는 알고리즘은 목표변수(target variable)의 유무에 따라 지도 학습 알고리즘(Supervised Learning Algorism)과 비지도 학습 알고리즘(Unsupervised Learning Algorism)으로 분류될 수 있다. 상기 지도 학습 알고리즘으로는 신경망(Neural Network) 알고리즘, 딥 러닝(deep learning) 알고리즘, SVR(support vector regression) 알고리즘, 랜덤 포레스트(random forest) 알고리즘 및 의사결정트리(decision tree) 알고리즘 등과 같은 다양한 형태의 알고리즘이 사용될 수 있다. 또한, 상기 비지도 학습 알고리즘으로는 k-평균(k-means) 알고리즘, 자기조직화지도(SOM: Self Organizing Map) 알고리즘 및 SVM(Support Vector Machine) 알고리즘 등과 같은 다양한 형태의 알고리즘이 사용될 수 있다.
이후, PV 출력 예측 장치는 생성된 PV 출력 예측 모델을 시험하여 해당 예측 모델의 성능을 검증할 수 있다(S150). 기계 학습을 통한 PV 출력 예측 모델을 시험하기 위해 과거의 기상 데이터를 입력 데이터로 하고, 과거의 PV 출력 데이터를 출력 데이터로 하는 시험 데이터 집합이 이용될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 PV 출력 예측 방법을 설명하는 순서도이고, 도 3은 도 2의 PV 출력 예측 방법을 설명하기 위해 참조되는 도면이다.
도 2 및 도 3을 참조하면, 본 발명에 따른 PV 출력 예측 장치는 기상청 또는 외부 기상 서버로부터 태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득할 수 있다(S210). 이때, 상기 기상예보 데이터는 일사량 데이터, 일조 시간 데이터, 운량 데이터, 중하운량 데이터, 습도 데이터, 풍속 데이터, 기온 데이터, 강수 확률 데이터 등을 포함할 수 있으며 반드시 이에 제한되지는 않는다. 한편, 다른 실시 예로, 상기 PV 출력 예측 장치는 별도의 기상 예측 장치를 통해 태양광 발전 설비가 설치된 지역의 기상 데이터를 예측하여 획득할 수도 있다.
PV 출력 예측 장치는 기상청 또는 외부 기상 서버로부터 획득한 기상예보 데이터 중에서 강수확률 데이터를 검출할 수 있다(S220).
PV 출력 예측 장치는 미리 정의된 관계식을 이용하여 강수확률 데이터를 중하운량 데이터로 변환할 수 있다(S230). 일 예로, 상기 미리 정의된 관계식은 강수확률과 중하운량 간의 상관 관계를 수학적으로 모델링한 수식으로서, 아래 수학식 1과 같이 정의될 수 있다.
Figure pat00002
여기서, Y는 중하운량(%)이고, x는 강수확률(%)임. 그리고, a, b, c는 기상예보의 강수확률 특성에 따라 조절되는 변수이자, 강수확률이 0% 내지 100% 사이의 값이 나오도록 조절되는 변수임.
가령, 위 수학식 1에서, a 값이 0.1로 설정되고, b 값이 1로 설정되며, c 값이 0으로 설정된 경우, 상기 관계식은 아래 수학식 2와 같이 표현될 수 있다.
Figure pat00003
위 수학식 2를 그래프로 나타내면 도 4와 같이 표현될 수 있다. 해당 그래프에 도시된 바와 같이, x축의 강수확률이 증가함에 따라 y축의 중하운량이 100에 빠르게 도달하는 것을 확인할 수 있다.
PV 출력 예측 장치는 PV 출력 예측 모델을 호출하고, 상기 호출된 PV 출력 예측 모델에 상기 변환된 중하운량 데이터를 포함하는 기상 데이터를 입력할 수 있다(S240).
PV 출력 예측 장치는 중하운량 데이터가 포함된 기상 데이터 및 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측할 수 있다(S250). 이처럼, 강수확률 데이터는 PV 출력 예측에 직접적으로 활용되기 어려운 기후 요소였으나 이를 중하운량 데이터로 변환하여 활용함으로써, PV 출력 예측의 정확도를 향상시킬 수 있다.
이상, 상술한 바와 같이, 본 발명에 따른 PV 출력 예측 방법은 기계 학습 시, 강수확률 데이터와 높은 상관 관계가 있는 실측 가능한 중하운량 데이터를 해당 학습에 사용하고, PV 출력 예측 시, 기상예보에서 제공하는 강수확률 데이터를 중하운량 데이터로 변환하여 해당 출력 예측에 사용함으로써, 태양광 발전의 출력량 예측의 정확도를 향상시킬 수 있다.
도 5는 본 발명의 일 실시 예에 따른 PV 출력 예측 장치의 구성을 나타내는 도면이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 PV 출력 예측 장치(100)는 PV 출력 예측 모델부(110), 기상예보 데이터 획득부(120), 기상예보 데이터 변환부(130), PV 출력 예측부(140) 및 데이터베이스(150)를 포함한다. 도 5에 도시된 구성요소들은 PV 출력 예측 장치를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 이동 단말기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
PV 출력 예측 모델부(110)는 기상청 또는 외부 기상 서버로부터 적어도 하나의 기후 요소와 관련된 기상 데이터를 일정 기간 동안 주기적으로 수집하여 데이터베이스(150)에 저장할 수 있다. 또한, PV 출력 예측 모델부(110)는 태양광 발전 설비 또는 관리 서버로부터 해당 발전 설비의 PV 출력 데이터를 일정 기간 동안 주기적으로 수집하여 데이터베이스(150)에 저장할 수 있다.
PV 출력 예측 모델부(110)는 데이터베이스(150)에 저장된 데이터 중에서 기계 학습을 위한 학습 데이터를 선정할 수 있다. 이때, 상기 학습 데이터는 입력 데이터와 출력 데이터로 구분될 수 있으며, 상기 입력 데이터는 과거의 기상 데이터일 수 있고, 상기 출력 데이터는 과거의 PV 출력 데이터일 수 있다.
PV 출력 예측 모델부(110)는 일정 기간 동안 수집된 복수의 기상 데이터들 중에서 태양광 발전의 출력량과 높은 상관도를 갖는 기상 데이터를 검출하고, 상기 검출된 기상 데이터를 기계 학습을 위한 입력 데이터로 선정할 수 있다. 특히, 상기 PV 출력 예측 모델부(110)는 강수확률 데이터를 예측 모델에 반영하기 위해 상기 강수확률 데이터와 높은 상관 관계를 갖는 중하운량 데이터를 입력 데이터로 사용할 수 있다.
PV 출력 예측 모델부(110)는 이와 같이 선정된 학습 데이터에 대해 기계 학습을 수행하여 PV 출력 예측 모델을 생성할 수 있다. 이때, 상기 PV 출력 예측 모델부(110)는 지도 학습 알고리즘 또는 비지도 학습 알고리즘을 이용하여 PV 출력 예측 모델을 생성할 수 있다.
기상예보 데이터 획득부(120)는 기상청 또는 외부 기상 서버로부터 태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득할 수 있다. 이때, 상기 기상예보 데이터는 일사량 데이터, 일조 시간 데이터, 운량 데이터, 중하운량 데이터, 습도 데이터, 풍속 데이터, 기온 데이터, 강수 확률 데이터 등을 포함할 수 있으며 반드시 이에 제한되지는 않는다.
기상예보 데이터 변환부(130)는 기상예보 데이터 획득부(120)를 통해 획득된 기상예보 데이터 중에서 강수확률 데이터를 검출할 수 있다. 기상예보 데이터 변환부(130)는 미리 정의된 관계식(즉, 수학식 1)을 이용하여 강수확률 데이터를 중하운량 데이터로 변환할 수 있다.
PV 출력 예측부(140)는 PV 출력 예측 모델부(110)에 의해 생성된 PV 출력 예측 모델을 호출하고, 상기 호출된 PV 출력 예측 모델에 상기 변환된 중하운량 데이터를 포함하는 기상 데이터를 입력하여 태양광 발전의 출력량을 예측할 수 있다.
데이터베이스(150)는 기상청 또는 외부 기상 서버로부터 수집된 기상 데이터와 태양광 발전 설비 또는 관리 서버로부터 수집된 PV 출력 데이터를 저장할 수 있다. 또한, 데이터베이스(150)는 기상청 또는 외부 기상 서버로부터 수신된 기상예보 데이터와 PV 출력 예측부(140)로부터 수신된 PV 출력 예측 데이터를 저장할 수 있다. 이외에도, 데이터베이스(150)는 PV 출력 예측 방법과 관련된 다양한 데이터를 저장할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
100: PV 출력 예측 장치 110: PV 출력 예측 모델부
120: 기상예보 데이터 획득부 130: 기상예보 데이터 변환부
140: PV 출력 예측부 150: 데이터베이스

Claims (8)

  1. 태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득하는 단계;
    상기 획득된 기상예보 데이터 중에서 강수확률 데이터를 검출하는 단계;
    상기 검출된 강수확률 데이터를 중하운량 데이터로 변환하는 단계; 및
    상기 변환된 중하운량 데이터를 포함하는 기상예측 데이터와 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측하는 단계를 포함하는 PV 출력 예측 방법.
  2. 제1항에 있어서, 상기 데이터 변환 단계는,
    미리 정의된 관계식을 이용하여 상기 강수확률 데이터를 상기 중하운량 데이터로 변환하는 것을 특징으로 하는 PV 출력 예측 방법.
  3. 제2항에 있어서,
    상기 미리 정의된 관계식은 강수확률과 중하운량 간의 상관 관계를 수학적으로 모델링한 수식으로서, 아래 수학식과 같이 정의되는 것을 특징으로 하는 PV 출력 예측 방법.
    [수학식]
    Figure pat00004

    여기서, Y는 중하운량(%)이고, x는 강수확률(%)이고, a, b, c는 기상예보의 강수확률 특성에 따라 조절되는 변수이자, 강수확률이 0% 내지 100% 사이의 값이 나오도록 조절되는 변수임.
  4. 제1항에 있어서, 상기 PV 출력 예측 모델을 생성하는 단계는,
    적어도 하나의 기후 요소와 관련된 복수의 기상 데이터와 태양광 발전 설비의 PV 출력 데이터를 일정 기간 동안 수집하는 단계;
    상기 수집된 데이터 중에서 학습 데이터를 선정하는 단계; 및
    상기 선정된 학습 데이터에 대해 기계 학습(machine learning)을 수행하여 PV 출력 예측 모델을 생성하는 단계를 포함하는 것을 특징으로 하는 PV 출력 예측 방법.
  5. 제4항에 있어서,
    상기 학습 데이터는 입력 데이터와 출력 데이터로 구분되며, 상기 입력 데이터는 기상 데이터이고, 상기 출력 데이터는 PV 출력 데이터임을 특징으로 하는 PV 출력 예측 방법.
  6. 제4항에 있어서, 상기 학습 데이터 선정 단계는,
    상기 복수의 기상 데이터 중 강수확률 데이터를 상기 PV 출력 예측 모델에 반영하기 위해, 상기 강수확률 데이터와 높은 상관 관계가 있는 중하운량 데이터를 학습 데이터로 선정하는 것을 특징으로 하는 PV 출력 예측 방법.
  7. 청구항 제1항 내지 제6항 중 어느 하나의 항에 따른 방법이 컴퓨터 상에서 수행되도록 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  8. 과거의 기상 데이터 및 PV 출력 데이터에 대해 기계 학습을 수행하여 PV 출력 예측 모델을 생성하는 PV 출력 예측 모델부;
    태양광 발전 설비가 설치된 지역의 기상예보 데이터를 획득하는 기상예보 데이터 획득부;
    상기 기상예보 데이터 중에서 강수확률 데이터를 검출하고, 상기 검출된 강수확률 데이터를 중하운량 데이터로 변환하는 기상예보 데이터 변환부; 및
    상기 변환된 중하운량 데이터를 포함하는 기상예측 데이터와 상기 PV 출력 예측 모델을 이용하여 태양광 발전의 출력량을 예측하는 PV 출력 예측부를 포함하는 PV 출력 예측 장치.
KR1020200032334A 2020-03-17 2020-03-17 태양광 출력 예측 장치 및 그 방법 KR20210115911A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200032334A KR20210115911A (ko) 2020-03-17 2020-03-17 태양광 출력 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200032334A KR20210115911A (ko) 2020-03-17 2020-03-17 태양광 출력 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20210115911A true KR20210115911A (ko) 2021-09-27

Family

ID=77925730

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200032334A KR20210115911A (ko) 2020-03-17 2020-03-17 태양광 출력 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20210115911A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462722A (zh) * 2022-04-12 2022-05-10 南方电网数字电网研究院有限公司 新能源发电功率轻量化高精度云预测系统、方法和装置
KR102623087B1 (ko) * 2023-08-17 2024-01-10 식스티헤르츠 주식회사 이종의 센서를 이용한 태양광 발전량 예측 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462722A (zh) * 2022-04-12 2022-05-10 南方电网数字电网研究院有限公司 新能源发电功率轻量化高精度云预测系统、方法和装置
CN114462722B (zh) * 2022-04-12 2022-07-29 南方电网数字电网研究院有限公司 新能源发电功率轻量化高精度云预测系统、方法和装置
KR102623087B1 (ko) * 2023-08-17 2024-01-10 식스티헤르츠 주식회사 이종의 센서를 이용한 태양광 발전량 예측 방법 및 시스템

Similar Documents

Publication Publication Date Title
JP6759966B2 (ja) 太陽光発電システムの作動方法
Liu et al. An improved photovoltaic power forecasting model with the assistance of aerosol index data
Saeed et al. An optimal approach of wind power assessment using Chebyshev metric for determining the Weibull distribution parameters
Yang et al. Classification and summarization of solar irradiance and power forecasting methods: A thorough review
US10509868B2 (en) Operating a solar power generating system
CN110929963A (zh) 风速预测方法、装置以及存储介质
CN110929953A (zh) 基于聚类分析的光伏电站超短期出力预测方法
Sanfilippo et al. An adaptive multi-modeling approach to solar nowcasting
KR102054163B1 (ko) 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치
KR20210115911A (ko) 태양광 출력 예측 장치 및 그 방법
Haba Monitoring solar panels using machine learning techniques
Khalyasmaa et al. Prediction of solar power generation based on random forest regressor model
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN116800172B (zh) 一种光电转换方法及储能系统
Li et al. Separate wind power and ramp predictions based on meteorological variables and clustering method
JP2019091335A (ja) 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム
TW201740296A (zh) 再生能源發電量預測方法與系統
Zhu et al. [Retracted] Photovoltaic Generation Prediction of CCIPCA Combined with LSTM
CN111488553B (zh) 一种太阳辐照度计算方法及装置
CN107506949B (zh) 光伏数据聚类方法、光伏功率预测方法、存储介质和设备
Chen et al. Short-term wind power forecasting based on spatial correlation and artificial neural network
Patel et al. Solar irradiation forecasting-comparative analysis of various methods
Varughese et al. Prediction Of Solar Power Generation Based On Machine Learning Algorithm
Singhal et al. Solar-Cast: Solar Power Generation Prediction from Weather Forecasts using Machine Learning
Okada et al. Development of a wind power ramp forecast system by astatistical and meteorological approach