KR20210138958A

KR20210138958A - 일사량 예측 장치 및 방법

Info

Publication number: KR20210138958A
Application number: KR1020200057089A
Authority: KR
Inventors: 황인준; 정승민; 문지훈; 박성우
Original assignee: 고려대학교 산학협력단
Priority date: 2020-05-13
Filing date: 2020-05-13
Publication date: 2021-11-22
Also published as: KR102347164B1

Abstract

본 발명은 인공지능 기법인 딥러닝을 이용한 일사량 예측 장치 및 방법에 관한 것이다.
본 발명의 일실시예에 의한 일사량 예측 장치는 T시점에서 상기 T시점보다 미래 시점인 t₁ 내지 t_n 시점의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t_1-a 내지 t_n-a시점의 실제 일사량 측정 데이터를 수집하여 입력 데이터를 구성하는 데이터 구성부; 및 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 딥러닝 알고리즘의 입력으로 이용하여 상기 t₁ 내지 t_n 각각에 대한 일사량 예측값을 출력하는 예측정보 출력부;를 포함할 수 있다.

Description

일사량 예측 장치 및 방법{METHOD FOR PREDICTING SOLAR RADIATION}

본 발명은 일사량 예측 장치 및 방법에 관한 것으로, 보다 상세하게는 인공지능 기법인 딥러닝을 이용한 일사량 예측 장치 및 방법에 관한 것이다.

최근 우리나라를 비롯해 전 세계적으로 효율적인 에너지 관리를 위한 스마트 시티가 많은 관심을 받고 있다. 하지만 제주도와 같이, 섬이라는 지역적 특징이 있는 장소의 경우에는 에너지 자원이 한정적일 수 있으므로, 신재생에너지 발전은 한정적인 에너지 자원 문제를 해결할 수 있어 많은 주목을 받고 있다. 신재생에너지에는 다양한 종류가 있으며, 그 중에서 태양광 발전은 제주도에서 많이 사용되고 있다.

태양광 발전시스템에서 생산된 전력을 효율적으로 사용하기 위해서는 미래의 높은 신뢰성을 갖는 일사량 예측값이 필수적으로 고려되어야 한다. 하지만 일사량은 기상청에서 일기예보를 통해 예측값을 제공하지 않는 기상요소이다. 그리하여 섬에서 더욱 효율적인 태양광 발전시스템의 운영을 위해서는 신뢰할 수 있는 정확도 높은 예측 모델이 필요하다. 관련 선행문헌으로 대한민국 등록특허 10-1515003호가 있다.

태양광 발전 시스템에 의한 전력 생산량의 효율적인 조율을 위해 일사량 예측에 관한 연구는 필수적이다. 하지만, 태양광 발전 시스템에 큰 영향을 끼치는 요소 중 하나인 일사량에 대한 정보는 기상청의 일기예보에서 제공하지 않는다. 또한, 최근 비선형적인 외부 요인을 효과적으로 학습하여 시계열 예측 정확성 향상으로 주목받고 있는 인공지능 기법인 딥러닝을 이용한 일사량 예측 연구는 활발하지 않다.

따라서 인공지능 기법인 딥러닝을 이용한 일사량 예측하는 기술에 대한 연구가 필요한 실정이다.

본 발명의 목적은 인공지능 기법인 딥러닝을 이용하여 보다 예측 정확도가 높은 일사량 예측 장치 및 방법을 제공하는데 있다.

상기 목적을 달성하기 위해 본 발명의 일실시예에 의하면, T시점에서 상기 T시점보다 미래 시점인 t₁ 내지 t_n 시점의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t_1-a 내지 t_n-a시점의 실제 일사량 측정 데이터를 수집하는 데이터 수집부; 및 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 딥러닝 알고리즘의 입력으로 이용하여 상기 t₁ 내지 t_n 각각에 대한 일사량 예측값을 출력하는 예측정보 출력부;를 포함하는 일사량 예측 장치가 개시된다.

상기 목적을 달성하기 위해 본 발명의 일실시예에 의하면, T시점에서 상기 T시점보다 미래 시점인 t₁ 내지 t_n 시점의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t_1-a 내지 t_n-a시점의 실제 일사량 측정 데이터를 수집하는 단계; 및 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 딥러닝 알고리즘의 입력으로 이용하여 상기 t₁ 내지 t_n 각각에 대한 일사량 예측값을 출력하는 단계를 포함하는 일사량 예측 방법이 개시된다.

본 발명의 일실시예에 의한 일사량 예측 장치 및 방법은 인공지능 기법인 딥러닝을 이용하여 예측 정확도가 높다.

본 발명의 일실시예에 의하면, LSTM 모델에 어텐션 메커니즘을 적용함으로써 보다 정확한 예측이 가능하다.

본 발명의 일실시예와 관련된 일사량 예측 기술을 적용하면, 제주도뿐만 아니라 도서 지역의 태양광 발전량을 전날 예측하여 전력수요를 예측해서 내륙에서 송전할 전력의 양을 정하는 등 전력계통 운영 스케줄링에 도움을 줄 수 있다.

도 1은 본 발명의 일실시예와 관련된 일사량 예측 장치의 블록도이다.
도 2는 본 발명의 일실시예와 관련된 일사량 예측 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일실시예와 관련된 일사량 예측 장치에서 데이터 구성부와 예측 모델부 설명을 위한 도면이다.
도 4는 본 발명의 일실시예와 관련된 날짜 데이터의 전처리 예시를 나타낸다.
도 5는 본 발명의 일실시예와 관련된 일사량 예측 방법과 다른 알고리즘을 이용한 일사량 예측 방법을 비교한 표이다.

이하, 본 발명의 일실시예와 관련된 일사량 예측 장치 및 방법에 대해 도면을 참조하여 설명하도록 하겠다.

본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

도 1은 본 발명의 일실시예와 관련된 일사량 예측 장치의 블록도이다.

도시된 바와 같이, 일사량 예측 장치(100)는 데이터 구성부(100) 및 예측정보 출력부(120)을 포함할 수 있다.

상기 데이터 구성부(110)는 소정 기간의 기상 정보 및 과거 일사량 데이터를 수집할 수 있다. 상기 기상 정보는 기상청의 일기예보에서 제공하는 일기예보 데이터 및 실측치 데이터를 포함할 수 있다.

예를 들어, 상기 데이터 구성부(110)는 실측치 데이터 중 오전 8시부터 오후 6시까지의 날씨, 습도, 풍속, 기온과 시간 정보를 수집할 수 있다. 또한, 상기 데이터 구성부(110)는 최근 일사량의 추세를 반영하기 위해 예측 시점의 하루 전의 날씨, 습도, 풍속, 기온, 일사량 정보를 추가로 수집할 수 있다. 상기 데이터 구성부(110)는 상기 수집된 데이터에 근거하여 복수 개의 입력 변수를 구성할 수 있다.

상기 예측정보 출력부(120)는 전처리부(121) 및 와 예측 모델부(122)를 포함할 수 있다. 전처리부(121)는 수집된 데이터를 보다 학습에 효과적으로 반영하기 위하여 값을 변경할 수 있다. 예를 들어, 시간 정보는 1차원 데이터를 사용하기보다는 2차원 데이터와 같이 사용하는 것이 더욱 예측 성능을 높일 수 있기 때문에 전처리부(121)는 주기함수를 통해 2차원 데이터를 계산한 후 추가할 수 있다. 추가로 학습 속도와 정확도를 위해 상기 전처리부(121)는 변수들을 최대-최소 정규화(Min-Max normalization)를 통해 0-1 사이의 값들로 변경할 수 있다.

상기 예측 모델부(122)는 두 단계로 일사량 예측값을 출력할 수 있다. 상기 예측 모델부(122)는 1단계에서는 LSTM을 사용할 수 있다. LSTM의 은닉층의 수는 2개로 산정되고, 활성화 함수로 SELU가 사용될 수 있다. 상기 예측 모델부(122)는 2단계에서는 Attention Mechanism을 이용하여 정확도를 높일 수 있다.

도 2는 본 발명의 일실시예와 관련된 일사량 예측 방법을 나타내는 흐름도이다.

상기 데이터 구성부(110)는 하나의 시점이 아닌 다중 시점에 대한 일기예보 데이터 및 일사량 측정 데이터를 수집하여 입력 데이터(또는 변수)를 구성할 수 있다(S210). 상기 입력 데이터는 상기 예측 모델부(122)에서 입력으로 직접 사용되거나 가공하여 사용되는 변수를 의미할 수 있다.

도 3은 본 발명의 일실시예와 관련된 일사량 예측 장치에서 데이터 구성부와 예측 모델부 설명을 위한 도면이다.

도시된 바와 같이, 데이터 구성부(100)는 과거 일사량 정보(111), 기상 정보(112), 날짜/시간 정보(113)를 입력 변수로 고려할 수 있다.

예를 들어, 데이터 구성부(110)는 다중 시점에 대해 실제 날씨, 기온, 습도, 풍속, 일사량 정보 등을 수집할 수 있다. 예를 들어, 데이터 구성부(110)는 T시점(현재 시점)에서 상기 T시점보다 미래 시점인 t₁ 내지 t_n 시점(예: 현재 시점 다음 날 오전 8시부터 오후 6시까지 1시간 간격으로 이루어진 총 11시점)의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t_1-a 내지 t_n-a시점(예: 예측 시점 전날 오전 8시부터 오후 6시까지 1시간 간격으로 이루어진 총 11시점)의 실제 일사량 측정 데이터를 수집하여 입력 데이터를 구성할 수 있다. 상기 T시점은 현재 시점으로 t₁ 내지 t_n 시점보다 이전 시점이고, n은 2 이상의 자연수를 나타내고, t₁ 내지 t_n 시점의 개수와 t_1-a 내지 t_n-a시점의 개수는 동일하다. 즉, 데이터 구성부(110)는 다중 시점(예: 오전 8시부터 오후 6시까지 1시간 간격으로 이루어진 총 11시점)에 대해 실제 날씨, 기온, 습도, 풍속, 일사량 정보 등을 수집할 수 있다. 입력 변수는 날짜, 시간, 습도, 풍향, 날씨, 풍속, 기온, 일사량의 과거 측정치 데이터를 포함할 수 있다. 날씨 정보는 맑음, 구름 조금, 구름 많음, 흐림으로 총 4가지로 구성될 수 있다.

상기 전처리부(121)는 예측 모델부(122)에서 사용되는 예측 모델의 효과적인 학습을 위해, 수집한 입력 변수들에 전처리를 수행할 수 있다(S220). 예를 들어, 상기 전처리부(121)는 입력 변수들에 대해 정규화를 수행할 수 있다. 이 경우, 전처리부(121)는 데이터의 특성을 고려하여 변수마다 다른 정규화 방법을 선택하여 수행할 수 있다. 즉, 제1입력 변수에 대해서는 제1방식으로 정규화를 수행하고, 제2입력 변수에 대해서는 제2방식으로 정규화를 수행할 수 있다. 정규화 방법에는 Radian Scaling, One-Hot Encoder, Min-max Scaling 기법 등이 있다. 하기 표 1은 데이터 특성을 고려한 정규화 수행의 일례를 나타낸다.

입력 변수	정규화 방법
날짜	Radian Scaling
풍향	Radian Scaling
날씨	One-Hot Encoder
시간	One-Hot Encoder
습도	Min-max Scaling
풍속	Min-max Scaling
기온	Min-max Scaling
일사	Min-max Scaling

한편, 전처리부(121)는 주기성을 지닌 날짜와 풍향의 경우 sin과 cos 함수를 사용하여 1차원 데이터를 2차원 공간의 연속적인 데이터로 변환하여 주기성을 반영할 수 있다.

시간 정보 데이터의 경우 날짜의 주기성을 반영하기 위해, 하기 수학식 1 및 수학식 2를 이용하여 1차원 데이터를 2차원 공간의 연속적인 데이터로 변환할 수 있다.

여기서, Date _x , Date _y 는 사용한 입력 변수이며, EOM은 End of Month의 약어로, 속한 달의 마지막 일을 의미한다. 입력 변수는 1월 1일을 1일로 하고 12월 31일을 365일로 하는 Julian Date이다. 다만, 2012년과 2016년 같이 윤년에 해당하는 해는 1년이 366일이므로, 수학식 1 및 수학식 2에서 나누는 상수를 365가 아닌 366으로 바꾸어 적용할 수 있다.

도 4는 본 발명의 일실시예와 관련된 날짜 데이터의 전처리 예시를 나타낸다.

도시된 바와 같이, 주기성을 갖는 날짜 데이터는 2차원 공간의 연속적인 데이터로 변환되었다.

한편, 본 발명의 일실시예에 의하면, 연속형 데이터인 습도, 풍속, 기온, 일사량의 경우 Min-Max Scaling을 사용할 수 있으며, 범주형 데이터인 시간과 날씨의 경우엔 One-Hot Encoding을 사용할 수 있다.

날씨 데이터는 1부터 4까지 등간척도로 맑음, 구름 조금, 구름 많음, 흐림으로 총 4가지로 구성될 수 있다. 또한, 시간 정보도 날씨 정보와 마찬가지로 등간척도로 구성될 수 있다. 일사량의 경우는 낮 시간대인 12시부터 2시까지 가장 많은 양을 보이므로, 이러한 변수들을 더욱 효과적으로 학습하기 위해 해당 데이터가 속한 경우에는 1, 그렇지 않은 경우에는 0의 값을 부여하는 One-Hot Encoding이 적용될 수 있다.

또한, 최근 일사량의 트렌드를 반영하기 위해, 예측 시점의 하루 전 습도, 날씨, 풍속, 기온 그리고 일사량 정보가 입력 변수로 함께 사용될 수 있다.

한편, 도 3을 참조하면, 예측정보 모델부(122)는 두 단계의 예측 모델을 통해 일사량 예측값을 출력할 수 있다.

먼저, 예측정보 모델부(122)는 상기 전처리부(121)를 통해 정규화된 입력 데이터를 LSTM(Long Short-Term Memory)의 입력 변수로 사용하여 제1일사량 예측값을 출력할 수 있다(S230). LSTM은 두 개의 은닉층을 포함할 수 있다.

LSTM은 기존 RNN의 장기 의존성 문제를 해결하기 위해 제안된 모델로 시계열 데이터 학습에 효과적이다. 본 모델의 목적은 실시간 스마트 아일랜드 운영 스케줄링을 위한 일사량 예측이므로 예측 시점의 다음 시점부터 하루 전(Day-Ahead) 시점까지의 일사량 예측을 목표로 한다. 그리하여, 도 3에 도시된 예측 모델부와 같이 Many-To-Many(다중 시점 대 다중 시점) 방식으로 하루 전 예측이 가능하도록 11개의 Sequence 길이로 구성할 수 있다. 또한, 은닉층의 수는 2개로 설정할 수 있다. 활성화 함수로 하기 수학식 3과 같이 SELU(Scaled Exponential Linear Units)을 사용하여 기울기 소실(Vanishing Gradient)과 폭주(Exploding) 문제를 해결할 수 있다.

λ와α는 고정된 상수이고, x는 입력값이다.

손실 함수로는 이상치에 덜 민감한 Huber Loss를 적용하였고, δ=1로 설정할 수 있다. δ는 고정된 상수이다. Huber Loss의 식은 하기 수학식 4와 같다.

학습 시 최신 기울기를 더욱 효과적으로 반영하기 위해 최적화 알고리즘으로 RMSProp를 사용할 수 있다. 또한, 학습의 과적합(Overfitting)을 막기 위해 드롭아웃(Dropout) 방식을 이용하여 은닉층의 가중치를 조절할 수 있다. LSTM 모델을 구성한 뒤에, 모델 학습에 고려해야 하는 초매개변수로 Learning Rate와 Epoch 등이 있다. Learning Rate가 큰 경우에는 Training Epoch을 작게 설정하기 때문에 학습 시간은 짧지만, 최적의 결과가 나오지 않을 가능성이 있다. 또한, Learning Rate가 작은 경우에는 최적의 해를 찾을 수 있다는 장점이 있지만, Training Epoch 당 Weight의 변화량이 적으므로 학습에 오랜 시간이 소요된다.

또한, 예측 모델부(122)는 상기 출력된 제1일사량 예측값을 Attention mechanism(주의 집중 메카니즘)의 입력으로 사용하여 제2일사량 예측값을 출력할 수 있다(S240).

시계열 예측 방식에서 Sequence-To-Sequence 모델은 입력의 길이가 길어짐에도 불구하고 모든 입력 변수에 집중하여 학습하므로, 예측 정확도가 떨어지는 문제가 발생한다. 이러한 문제를 해결하기 위해, 기계번역 분야에서 주의 집중 메커니즘(Attention Mechanism)이 제안되었다. 주의 집중 메커니즘은 입력으로부터 벡터를 만드는 부분인 인코더와 인코더가 출력한 벡터를 입력으로 하여 종속 변수를 출력하는 부분인 디코더로 구성되어 있다. 디코더 부분에서 인코더와의 유사도를 값으로 나타내어 높은 유사도를 나타내는 부분에 모델 학습을 집중하므로 정확한 예측 성능을 기대할 수 있다. 본 발명의 일실시예는 이전에 제안한 LSTM 기반의 일사량 예측 모델보다 향상된 단기 일사량 예측을 위해, 앞서 기술한 주의 집중 메커니즘을 적용한다. 이를 통해 LSTM 모델이 특정 벡터에 주목하게 만들어 더욱 정확한 확률론적 단기 일사량 예측을 기대할 수 있다. 도 3에 도시된 예측 모델부(122)는 주의 집중 메커니즘 기반의 LSTM 모델(ATT-LSTM)을 나타낸 것이다.

도 5는 본 발명의 일실시예와 관련된 일사량 예측 방법과 다른 알고리즘을 이용한 일사량 예측 방법을 비교한 표이다.

도시된 표를 통해 본 발명의 일실시예에 의한 일사량 예측 기법(LSTM)이 다른 모델을 활용한 기법보다 성능이 우수함을 확인할 수 있다.

전술한 바와 같이, 본 발명의 일실시예에 의한 일사량 예측 장치 및 방법은 인공지능 기법인 딥러닝을 이용하여 예측 정확도가 높다.

상술한 일사량 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다. 이때, 컴퓨터로 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 한편, 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지된 것일 수도 있다.

컴퓨터로 판독 가능한 기록매체에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM, DVD와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리, SSD (Solid State Drive)와 같은 메모리 저장장치 등 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

한편, 이러한 기록매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다.

또한, 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

상기와 같이 설명된 일사량 예측 장치 및 방법은 상기 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.

100: 일사량 예측 장치
110: 데이터 구성부
120: 예측정보 출력부
121: 전처리부
122: 예측 모델부

Claims

T시점에서 상기 T시점보다 미래 시점인 t₁ 내지 t_n 시점의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t_1-a 내지 t_n-a시점의 실제 일사량 측정 데이터를 수집하여 입력 데이터를 구성하는 데이터 구성부; 및
상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 딥러닝 알고리즘의 입력으로 이용하여 상기 t₁ 내지 t_n 각각에 대한 일사량 예측값을 출력하는 예측정보 출력부;를 포함하는 것을 특징으로 하는 일사량 예측 장치.
(T시점은 t₁ 내지 t_n 시점보다 이전 시점이고, n은 2 이상의 자연수를 나타내고, t₁ 내지 t_n 시점의 개수와 t_1-a 내지 t_n-a시점의 개수는 동일하다.)
제1항에 있어서, 상기 예측정보 출력부는
상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 LSTM(Long Short-Term Memory)의 입력으로 사용하여 제1일사량 예측값을 출력하고,
상기 출력된 제1일사량 예측값을 Attention mechanism의 입력으로 사용하여 제2일사량 예측값을 출력하는 예측 모델부를 포함하는 것을 특징으로 하는 일사량 예측 장치.
제2항에 있어서,
상기 데이터 구성부는 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터에 근거하여 상기 LSTM(Long Short-Term Memory)의 입력으로 사용될 복수 개의 입력 변수를 구성하고,
상기 예측정보 출력부는 상기 복수 개의 입력 변수 중 제1입력 변수는 제1방식으로 정규화를 수행하고, 제2입력 변수는 제2방식으로 정규화를 수행하는 전처리부를 더 포함하는 것을 특징으로 하는 일사량 예측 장치.
제3항에 있어서, 상기 전처리부는
입력 변수 중 주기성을 갖는 시간 변수를 주기함수를 사용하여 1차원 데이터에서 2차원 데이터로 변환하는 것을 특징으로 하는 일사량 예측 장치.
제3항에 있어서, 상기 전처리부는
하기 수학식 1 및 수학식 2를 이용하여 입력 변수 중 주기성을 갖는 시간 변수를 1차원 데이터에서 2차원 데이터로 변환하는 것을 특징으로 하는 일사량 예측 장치.
[수학식 1]

[수학식 2]

(Date _x , Date _y 는 사용한 입력 변수이며, EOM은 End of Month의 약어로, 속한 달의 마지막 일을 의미한다. 입력 변수는 1월 1일을 1일로 하고 12월 31일을 365일로 하는 Julian Date이다.)
T시점에서 상기 T시점보다 미래 시점인 t₁ 내지 t_n 시점의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t_1-a 내지 t_n-a시점의 실제 일사량 측정 데이터를 수집하여 입력 데이터를 구성하는 단계; 및
상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 딥러닝 알고리즘의 입력으로 이용하여 상기 t₁ 내지 t_n 각각에 대한 일사량 예측값을 출력하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법.
(T시점은 t₁ 내지 t_n 시점보다 이전 시점이고, n은 2 이상의 자연수를 나타내고, t₁ 내지 t_n 시점의 개수와 t_1-a 내지 t_n-a시점의 개수는 동일하다.)
제6항에 있어서, 상기 예측정보 출력 단계는
상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 LSTM(Long Short-Term Memory)의 입력으로 사용하여 제1일사량 예측값을 출력하는 단계; 및
상기 출력된 제1일사량 예측값을 Attention mechanism의 입력으로 사용하여 제2일사량 예측값을 출력하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법.
제7항에 있어서,
상기 입력 데이터 구성 단계는 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터에 근거하여 상기 LSTM(Long Short-Term Memory)의 입력으로 사용될 복수 개의 입력 변수를 구성하는 단계를 포함하고,
상기 예측정보 출력 단계는 상기 복수 개의 입력 변수 중 제1입력 변수는 제1방식으로 정규화를 수행하고, 제2입력 변수는 제2방식으로 정규화를 수행하는 전처리 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법.
제8항에 있어서, 상기 전처리 단계는
입력 변수 중 주기성을 갖는 시간 변수를 주기함수를 사용하여 1차원 데이터에서 2차원 데이터로 변환하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법.
제8항에 있어서, 상기 전처리 단계는
하기 수학식 1 및 수학식 2를 이용하여 입력 변수 중 주기성을 갖는 시간 변수를 1차원 데이터에서 2차원 데이터로 변환하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법.
[수학식 1]

[수학식 2]

(Date _x , Date _y 는 사용한 입력 변수이며, EOM은 End of Month의 약어로, 속한 달의 마지막 일을 의미한다. 입력 변수는 1월 1일을 1일로 하고 12월 31일을 365일로 하는 Julian Date이다.)