KR20220061659A - Parallel processing system and method for estimating generated photovoltaic power based on artificial intelligence - Google Patents
Parallel processing system and method for estimating generated photovoltaic power based on artificial intelligence Download PDFInfo
- Publication number
- KR20220061659A KR20220061659A KR1020200147888A KR20200147888A KR20220061659A KR 20220061659 A KR20220061659 A KR 20220061659A KR 1020200147888 A KR1020200147888 A KR 1020200147888A KR 20200147888 A KR20200147888 A KR 20200147888A KR 20220061659 A KR20220061659 A KR 20220061659A
- Authority
- KR
- South Korea
- Prior art keywords
- prediction
- model
- power generation
- prediction model
- generator
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010248 power generation Methods 0.000 claims abstract description 68
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
-
- 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
Abstract
Description
본 발명은 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법에 관한 것으로써, 더욱 상세하게는 인공지능 학습을 통한 태양광 발전량 예측모델을 운영환경에 배포한 후, 다량의 예측모델 기반으로 실시간 데이터 예측수행 시, 해당 프로세스를 병렬방식으로 처리하여 순차방식으로 작동시 발생 가능한 병목현상과 임계시간 초과를 방지하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for parallel processing of multiple models for predicting solar power generation based on artificial intelligence, and more particularly, after distributing a solar power generation prediction model through artificial intelligence learning to an operating environment, a large amount of prediction model-based It relates to a parallel processing system and method of multiple models for prediction of artificial intelligence-based solar power generation that prevent bottlenecks and threshold time exceeding that may occur during sequential operation by processing the process in parallel when performing real-time data prediction.
종래 다양한 태양광 발전량 예측모델이 있었지만, 해당 태양광 발전량 예측모델 기반의 병렬처리 예측수행 시스템은 없었다.Although there have been various solar power generation prediction models in the past, there is no parallel processing prediction execution system based on the corresponding solar power generation prediction model.
순차적 또는 직렬적 처리방식으로 다량의 예측모델을 활용한 데이터 예측수행 시, 예측 프로세서는 제한된 임계시간을 초과하는 위험이 발생하게 된다는 문제점이 있다.When performing data prediction using a large amount of prediction models in a sequential or serial processing method, there is a problem in that the prediction processor has a risk of exceeding a limited threshold time.
상기 태양광 발전량 예측모델 1개는 1시간 이후의 발전량을 예측해야 하는데, 예를 들어, 현재시간이 14시일 경우 15시 발전량 예측 값이 15시 전까지 제출되어야 한다.One of the solar power generation prediction models should predict the amount of power generated after 1 hour. For example, if the current time is 14:00, the predicted value of the power generation amount at 15:00 should be submitted before 15:00.
1개의 태양광 발전량 예측모델의 예측수행시간이 10분일 경우, 종래 순차적 또는 직렬적 처리방식을 가진 6개 모델이 순차적으로 태양광 발전량 예측을 수행하면 60분(1시간)이 걸린다.If the prediction execution time of one solar power generation prediction model is 10 minutes, it takes 60 minutes (1 hour) when six models with a conventional sequential or serial processing method sequentially perform the solar power generation amount prediction.
따라서, 7번째 태양광 발전량 예측모델은 임계시간 1시간 내 예측 수행이 불가능하다는 문제점이 있다.Therefore, the 7th solar power generation prediction model has a problem in that it is impossible to predict within 1 hour of the critical time.
본 발명은 상술한 문제점을 해결하기 위해, 인공지능 학습을 통한 태양광 발전량 예측모델을 운영환경에 배포한 후, 다량의 예측모델 기반으로 실시간 데이터 예측수행 시, 해당 프로세스를 병렬방식으로 처리하여 순차방식으로 작동시 발생 가능한 병목현상과 임계시간 초과를 방지하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법을 제공하는데 목적이 있다.In order to solve the above problems, the present invention distributes the solar power generation amount prediction model through artificial intelligence learning to the operating environment, and then performs the real-time data prediction based on a large amount of prediction model, by processing the process in parallel and sequentially An object of the present invention is to provide a parallel processing system and method for multi-model prediction of solar power generation amount based on artificial intelligence that prevents possible bottlenecks and threshold time exceeding when operating in this way.
상술한 목적을 달성하기 위해 본 발명은 기상데이터와 태양광 발전량 데이터를 수신하고, 인공지능 알고리즘으로 학습하여 태양광 발전기에 대한 발전량 예측모델을 생성하는 태양광 발전량 예측모델 생성부; 상기 태양광 발전량 예측모델 생성부에 의해 생성된 발전량 예측모델 전체를 저장하는 전체모델 수신큐; 상기 전체모델 수신큐에 저장된 예측모델을 지역단위로 분할하는 전체-지역 분할모듈; 상기 전체-지역 분할모듈이 분할하여 전달하는 예측모델을 지역단위로 저장하는 병렬식의 지역단위 수신큐; 상기 지역단위 수신큐에 저장된 예측모델을 해당 지역에 있는 발전기별로 분할하는 지역-개별 분할모듈; 상기 지역-개별 분할모듈이 분할하여 전달하는 발전기별 예측모델을 병렬식으로 저장하는 예측수행 큐; 및 상기 예측수행 큐 각각의 예측모델에 대하여 인공지능 연산을 수행하여 발전기별 발전량을 예측하는 예측수행 모듈;을 포함하는 것을 특징으로 한다.In order to achieve the above object, the present invention includes: a solar power generation prediction model generator for receiving weather data and solar power generation data, and learning with an artificial intelligence algorithm to generate a power generation prediction model for the solar power generator; a full model reception queue for storing the entire power generation prediction model generated by the solar power generation prediction model generation unit; an all-region partitioning module for dividing the prediction model stored in the full model reception queue into regional units; a parallel-type regional unit reception queue for storing the prediction model divided and transmitted by the all-region division module in units of regions; a region-individual division module that divides the prediction model stored in the regional reception queue for each generator in the region; a prediction execution queue for storing in parallel a prediction model for each generator divided and transmitted by the region-individual division module; and a prediction execution module for predicting the amount of power generation for each generator by performing an artificial intelligence operation on each prediction model of the prediction execution queue.
본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법은 태양광 발전량 예측 수행 시 순차방식에 따른 프로세스 병목현상을 방지할 수 있는 효과가 있다.The artificial intelligence-based solar power generation amount prediction multi-model parallel processing system and method according to the present invention has the effect of preventing the process bottleneck according to the sequential method when performing the solar power generation amount prediction.
또한, 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법은 태양광 발전기가 증가함에 따라 추가되는 발전량 예측모델의 증가를 수용할 수 있고, 전국적으로 확산되는 개별 태양광 발전기별 안정적인 발전량예측이 가능한 효과가 있다.In addition, the parallel processing system and method of multiple models for prediction of artificial intelligence-based solar power generation according to the present invention can accommodate the increase of the power generation prediction model added as the number of solar power generators increases, and individual solar power generators spread nationwide It has the effect of being able to predict stable power generation by star.
마지막으로, 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법은 예측시간의 지연 없이 신뢰할 수 있는 태양광 발전량 예측을 수행할 수 있는 효과가 있다.Finally, the artificial intelligence-based parallel processing system and method of multiple models for predicting solar power generation according to the present invention has the effect of reliably predicting solar power generation without delay in the prediction time.
도 1은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 블록도 이다.
도 2는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 과정을 도시한 도면이다.
도 3은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템에 의해 생성인자로 예측모델을 생성하는 과정을 도시한 도면이다.
도 4는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템에 의해 생성된 예측모델이 파일형태로 저장되는 것을 도시한 도면이다.
도 5는 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템의 큐(Queue)의 데이터 세트 구조를 도시한 도면이다.
도 6은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템이 지역단위로 분할하여 지역단위 수신큐로 전달하는 과정을 도시한 도면이다.
도 7은 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템이 지역의 발전기를 분할하여 예측 수행큐로 전달하는 과정을 도시한 도면이다.1 is a block diagram of a parallel processing system of artificial intelligence-based solar power generation prediction multi-model according to the present invention.
2 is a diagram illustrating a parallel processing process of an artificial intelligence-based solar power generation amount prediction multi-model according to the present invention.
3 is a diagram illustrating a process of generating a prediction model as a generating factor by the parallel processing system of the artificial intelligence-based solar power generation amount prediction multi-model according to the present invention.
4 is a diagram showing that the prediction model generated by the parallel processing system of the artificial intelligence-based solar power generation amount prediction multi-model according to the present invention is stored in the form of a file.
5 is a diagram illustrating a data set structure of a queue of a parallel processing system of an artificial intelligence-based solar power generation amount prediction multi-model according to the present invention.
FIG. 6 is a diagram illustrating a process in which the parallel processing system of the artificial intelligence-based solar power generation amount prediction multi-model according to the present invention divides into regional units and transmits them to a regional reception queue.
7 is a diagram illustrating a process in which a parallel processing system of an artificial intelligence-based solar power generation amount prediction multi-model according to the present invention divides regional generators and transfers them to a prediction performance queue.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. The terms or words used in the present specification and claims should not be construed as being limited to ordinary or dictionary meanings, and the inventor may properly define the concept of the term in order to best describe his invention. Based on the principle that there is, it should be interpreted as meaning and concept consistent with the technical idea of the present invention.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가 장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Accordingly, the embodiments described in the present specification and the configurations shown in the drawings are only the most preferred embodiment of the present invention and do not represent all the technical spirit of the present invention, so they can be substituted at the time of the present application It should be understood that various equivalents and modifications may exist.
이하, 첨부된 도면을 참조하여 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템 및 방법에 대해 구체적으로 설명한다.Hereinafter, a parallel processing system and method of an artificial intelligence-based solar power generation amount prediction multi-model according to the present invention will be described in detail with reference to the accompanying drawings.
도 1 및 도 2에 에 도시된 바와 같이 본 발명에 따른 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템은 태양광 발전량 예측모델 생성부(110), 주제어부(120), 전체모델 수신큐(Queue:130), 전체-지역 분할모듈(140), 지역단위 수신큐(150), 지역-개별 분할모듈(160), 예측수행 큐(170), 예측수행 모듈(180), 연계 인터페이스부(190), 데이터 베이스부(200)를 포함한다.As shown in FIGS. 1 and 2 , the artificial intelligence-based solar power generation amount prediction multi-model parallel processing system according to the present invention includes a solar power generation prediction model generation unit 110 , a
상기 태양광 발전량 예측모델 생성부(110)는 도 3에 도시된 바와 같이 상기 데이터 베이스부(200)의 날씨정보 DB(210)와 태양광 발전량DB(220)로부터 각각 기상데이터와 태양광 발전량 데이터를 학습인자로 수신하고, 인공지능 알고리즘으로 학습하여 태양광 발전기에 대한 발전량 예측모델을 생성한다.As shown in FIG. 3 , the solar power generation prediction model generation unit 110 receives weather data and solar power generation data from the weather information DB 210 and the solar power generation DB 220 of the database unit 200, respectively. is received as a learning factor, and it is learned with an artificial intelligence algorithm to generate a power generation prediction model for the solar power generator.
상기 예측모델은 인공지능 담당자의 입력제어에 따라 상기 태양광 발전량 예측모델 생성부(110)가 발전기 개수만큼 인공지능 모델학습을 통하여 생성된다.The predictive model is generated through artificial intelligence model learning as many as the number of generators by the solar power generation prediction model generation unit 110 according to the input control of the artificial intelligence person in charge.
상기 태양광 발전기는 태양광 모듈 제작사, 모듈설치 각도, 태양광 셀의 열화정도, 설치장소(위도), 발전용량에 따라 개별 발전기들의 발전량이 상이하다.The amount of power generated by the individual generators is different depending on the photovoltaic module manufacturer, the module installation angle, the degree of deterioration of the photovoltaic cell, the installation location (latitude), and the power generation capacity.
따라서, 개별 발전기들의 예측모듈은 기 보편적인 1개의 예측모델 생성이 불가능하여 모든 개별 발전기에 대한 예측모델이 필요하다.Therefore, the prediction module of individual generators cannot generate one conventional prediction model, so prediction models for all individual generators are required.
참고로, 개별 발전기별 데이터는 발전기 코드정보(ex>9541), 발전기명(ex>태안태양광발전기), 발전소명(ex>태안), 주소(ex>충남 태안군), 위치정보(ex>경도126.2 & 위도36.7), 시간(ex>13시), 및 발전량(ex>70.49kW)로 구성된다.For reference, the data for each generator is generator code information (ex> 9541), generator name (ex> Taean solar power generator), power plant name (ex> Taean), address (ex> Taean-gun, Chungnam), location information (ex> longitude) 126.2 & latitude 36.7), time (ex>13:00), and power generation (ex>70.49kW).
1개의 발전기 예측모델은 1개 발전기 특성, 즉 태양광 모듈 제작사, 모듈설치 각도, 태양광 셀의 열화정도, 설치장소(위도&경도), 발전용량이 포함 된다. One generator prediction model includes the characteristics of one generator, namely, solar module manufacturer, module installation angle, deterioration degree of solar cell, installation location (latitude & longitude), and power generation capacity.
상기 주제어부(120)는 상기 날씨정보 DB(210) 및 태양광 발전량DB(220)에 저장된 기상데이터와 태양광 발전량 데이터를 상기 태양광 발전량 예측모델 생성부(110)로 전송한다.The
또한, 상기 주제어부(120)는 상기 태양광 발전량 예측모델 생성부(110)에 의해 생성된 예측모델을 상기 데이터 베이스부(200)의 모델정보 DB(230)에 저장한다.In addition, the
보다 구체적으로, 상기 예측모델이 생성되면 해당 예측모델은 도 4에 도시된 바와 같이 파일형태로 파일시스템 즉, 상기 모델정보DB(230)에 중복되지 않은 이름으로 저장된다.More specifically, when the predictive model is generated, the predictive model is stored in a file system in the form of a file as shown in FIG.
파일저장시 예측모델명, 발전기정보, 위치정보, 저장경로, 물리적 파일명이 관리 DB에 기록된다.When saving a file, the prediction model name, generator information, location information, storage path, and physical file name are recorded in the management DB.
상기 주제어부(120)가 예측모델 파일을 로드(LOAD)하여 사용할 때, 상기 관리 DB에서 매칭된 정보를 읽어와 파일에 접근한다. When the
상기 전체모델 수신큐(Queue:130)는 상기 모델정보 DB(230)에 저장된 전국단위의 예측모델을 순차적으로 큐(Queue)에 입력하고 선입선출 방식으로 다음 단계로 전달한다.The whole model reception queue (Queue: 130) sequentially inputs the nationwide prediction model stored in the model information DB 230 to the queue and delivers it to the next step in a first-in-first-out manner.
한편, 상기 큐(Queue)는 예측모델과 기상데이터를 순차적으로 입력하여 프로세스의 병목해결과 누락방지를 지원하는 구성으로, 도 5에 도시된 바와 같이 큐(Queue)A, 큐B, 큐C, 및 큐D 항목으로 구성되며, 각 항목에 발전기 위치정보에 해당하는 기상정보, 발전기 대상 예측모델 정보, 예측대상 발전기 코드 정보, 및 예측대상 발전기의 위치정보를 포함한다.On the other hand, the queue is configured to support the bottleneck resolution and omission prevention of the process by sequentially inputting the prediction model and the weather data, and as shown in FIG. and Q D items, and each item includes weather information corresponding to the generator location information, the generator target prediction model information, the prediction target generator code information, and the location information of the prediction target generator.
도 5에서 큐의 A, B, C, 및 D는 발전량 예측을 위한 하나의 데이터 세트로, 해당 하나의 데이터 세트는 하나의 발전기 발전량 예측을 수행한다.5, A, B, C, and D of the queue are one data set for predicting power generation, and the corresponding one data set performs one generator generation amount prediction.
상기 주제어부(120)는 특정 발전기의 예측모델을 상기 모델정보DB(230)에서 로드(LOAD)하여 동일 장소의 기상데이터를 입력하여 최종적으로 발전량을 예측한다.The
도 5에서 입력되는 데이터 세트는 발전기 개수만큼 증가하는데, 예를 들어 발전기 개수가 100이면 100개의 데이터세트가 필요하고, 1000개이면 1000개의 데이터 세트가 필요하다.The data set input in FIG. 5 increases by the number of generators. For example, if the number of generators is 100, 100 data sets are required, and if there are 1000 data sets, 1000 data sets are required.
상기 큐를 사용하지 않을 경우 데이터 세트 처리가 불완전하고, 프로세스 처리 병목에 따른 데이터 세트 누락이 발생한다.If the queue is not used, data set processing is incomplete, and data set omission occurs due to process processing bottlenecks.
도 5에 도시된 바와 같이 단일 큐(Queue)를 사용시, 데이터 세트를 누락하지 않고 처리 가능하고, 프로세서는 데이터를 처리한 후 큐(Queue)에서 새로운 데이터 세트를 가져와 처리한다.As shown in FIG. 5 , when a single queue is used, it is possible to process a data set without missing a data set, and the processor takes a new data set from the queue and processes it after processing the data.
하지만, 상기 단일 큐(Queue)는 대량의 데이터 세트가 선입선출로 처리될 때 문제가 발생한다.However, the single queue causes a problem when a large data set is processed in a first-in-first-out manner.
1개의 예측모델이 예측에 수행되는 시간이 1분일 경우, 100개의 예측모델이 순차적으로 발전량 예측을 수행한다면 100분이 소요된다.If the time taken for one prediction model to predict is 1 minute, if 100 prediction models sequentially predict the amount of power generation, it takes 100 minutes.
현재 시간으로부터 1기간 이후의 발전량을 예측하기 위해서는 60분 내에 모든 발전기의 예측량을 추정해야 하기 때문에 단일 큐(Queue)를 병렬처리 가능하게 해야 한다.In order to predict the amount of power generation after one period from the current time, since it is necessary to estimate the predicted amount of all generators within 60 minutes, it is necessary to enable parallel processing of a single queue.
상기 전체-지역 분할모듈(140)은 상기 전체모델 수신큐(130)에서 입력되는 전국단위의 예측모델을 큐(Queue)의 데이터 세트 즉, 큐A_발전기 위치정보, 큐B_예측대상 발전기의 코드 정보, 큐C_발전기의 예측모델 정보, 및 큐D_발전기 위치정보에 해당하는 기상정보 중, 큐A의 발전기 위치정보에 따라 전체 예측모델을 도 6에 도시된 바와 같이 지역단위(서울특별시, 부산광역시, ........세종특별자치시)로 분할하여 지역단위 수신큐(150)로 전달한다.The whole-region division module 140 converts the nationwide prediction model input from the overall model reception queue 130 to a data set of a queue, that is, queue A_generator location information, and queue B_prediction target generator. Of the code information, the prediction model information of the QC_generator, and the weather information corresponding to the location information of the QD_generator, the entire prediction model according to the generator location information of QA is converted to a regional unit (Seoul Metropolitan City) as shown in FIG. , Busan Metropolitan City, ........Sejong Special Self-Governing City) and delivered to the local reception queue (150).
즉, 상기 전체-지역 분할모듈(140)은 전체 예측모델에 대한 데이터 세트에서 큐A 항목에 해당하는 지역코드에 따라 도 6에 도시된 바와 같이 17개 시도로 분할 후 상기 지역단위 수신큐(150)로 전달한다.That is, the all-region segmentation module 140 divides the data into 17 trials as shown in FIG. 6 according to the area code corresponding to the queue A item in the data set for the entire prediction model, and then divides the area unit reception queue 150 into 17 trials. ) to pass
이때, 상기 전체-지역 분할모듈(140)은 지역분리 프로세스에 의해 지역코드 매핑DB에 저장된 지역코드를 반영하여 분할할 수도 있다.In this case, the all-region division module 140 may divide by reflecting the area code stored in the area code mapping DB by the area separation process.
또한, 이때 상기 전체-지역 분할모듈(140)은 주기적으로 전국단위의 전체 예측모델에 대한 데이터 세트를 수신하고, 해당 데이터 세트를 이용하여 상기 지역단위 수신큐(150)에 입력하여 저장한다.Also, at this time, the whole-region division module 140 periodically receives a data set for the entire prediction model on a nationwide basis, and uses the data set to input and store the data set in the regional unit reception queue 150 .
상기 지역단위 수신큐(150)는 상기 전체-지역 분할모듈(140)에서 분할되어 전달되는 지역단위 예측모델을 저장하면서 다음 지역단위 예측모델이 입력되면 선입선출 방식으로 다음 구성인 지역-개별 분할모듈(160)로 전달한다.The regional unit reception queue 150 stores the regional unit prediction model divided and transmitted by the whole-region division module 140. When the next regional unit prediction model is input, the next regional-individual division module is configured in a first-in, first-out manner. forward to (160).
상기 지역-개별 분할모듈(160)은 지역단위 예측모델 수신하여, 해당 지역의 발전기별 예측모델로 분할하여 다음 구성인 상기 예측수행 큐(170)로 전달한다.The region-individual division module 160 receives the regional unit prediction model, divides it into a prediction model for each generator in the region, and transmits it to the prediction execution queue 170 , which is the next configuration.
즉, 상기 지역-개별 분할모듈(160)은 도 7에 도시된 바와 같이 경기도 지역의 안산연성, 안상공단, 안산와동, 안산목내, 안산성곡, 및 안산초지의 발전기 예측모델을 분할하여 상기 예측수행 큐(170)로 전달한다.That is, the region-individual division module 160 divides the generator prediction model of Ansanyeonyeon, Ansang Industrial Complex, Ansanwa-dong, Ansanmoknae, Ansanseonggok, and Ansan grassland in Gyeonggi-do as shown in FIG. 7 to perform the prediction It is transferred to the queue 170 .
상기 예측수행 큐(170)는 발전기별 예측모델이 순차적으로 발전기별 다중 큐(Queue)에 입력되고 선입선출 방식으로 다음 구성으로 예측모델을 전달한다.In the prediction execution queue 170, a prediction model for each generator is sequentially input to a multi-queue for each generator, and the prediction model is delivered to the next configuration in a first-in, first-out manner.
상기 예측수행 모듈(180)은 상기 예측수행 큐(170)에서 입력되는 발전기별 예측모델에 대해 데이터 세트를 입력받아 인공지능 연산을 수행하여 각 발전기의 발전량 예측을 수행한다.The prediction performance module 180 receives a data set for the prediction model for each generator input from the prediction execution queue 170 and performs artificial intelligence calculation to predict the amount of power generation of each generator.
상기 예측수행 모듈(180)은 복수의 발전기별 각각에 대응되게 병렬적으로 구비되어 발전기의 발전량 예측모델의 연산을 수행함으로써 전국단위 태양광 발전기의 발전량 예측수행을 동시에 수행한다. The prediction performing module 180 is provided in parallel to correspond to each of a plurality of generators, and performs the calculation of the generation amount prediction model of the generator to simultaneously perform the generation amount prediction of the solar power generators nationwide.
상술한 바와 같이 상기 예측수행 모듈(180)은 복수개가 병렬로 구비되어 복수의 발전기의 발전량 예측모델에 대해 인공지능 연산을 동시다발적으로 수행함으로써 제한된 시간 내에 발전기의 발전량을 예측할 수 있는 효과가 있다.As described above, a plurality of the prediction performing module 180 is provided in parallel to simultaneously perform artificial intelligence calculations on the generation amount prediction model of a plurality of generators, thereby predicting the generation amount of the generator within a limited time. .
상기 연계 인터페이스부(190)는 상기 예측수행 모듈(180)에서 예측한 발전기의 발전량을 외부의 전력을 중개하는 전력중개사업자 단말기에 제공한다.The linkage interface unit 190 provides the power generation amount of the generator predicted by the prediction execution module 180 to the power brokerage terminal that intermediaries external power.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.In the above, the technical idea of the present invention has been described along with the accompanying drawings, but the preferred embodiment of the present invention is exemplarily described and does not limit the present invention. In addition, it is clear that various modifications and imitations are possible without departing from the scope of the technical spirit of the present invention by anyone having ordinary knowledge in the technical field to which the present invention pertains.
110 : 태양광 발전량 예측모델 생성부
120 : 주제어부
130 : 전체모델 수신큐(Queue)
140 : 전체-지역 분할모듈
150 : 지역단위 수신큐
160 : 지역-개별 분할모듈
170 : 예측수행 큐
180 : 예측수행 모듈
190 : 연계 인터페이스부
200 : 데이터 베이스부
210 : 날씨정보DB
220 : 태양광 발전량DB
230 : 모델정보DB110: solar power generation prediction model generation unit
120: main fisherman
130: All model receive queue (Queue)
140: all-region division module
150: receive queue by region
160: region-individual division module
170: prediction performance queue
180: prediction performance module
190: link interface unit
200: database unit
210: Weather information DB
220: Solar power generation DB
230: model information DB
Claims (5)
상기 태양광 발전량 예측모델 생성부에 의해 생성된 발전량 예측모델 전체를 저장하는 전체모델 수신큐;
상기 전체모델 수신큐에 저장된 예측모델을 지역단위로 분할하는 전체-지역 분할모듈;
상기 전체-지역 분할모듈이 분할하여 전달하는 예측모델을 지역단위로 저장하는 병렬식의 지역단위 수신큐;
상기 지역단위 수신큐에 저장된 예측모델을 해당 지역에 있는 발전기별로 분할하는 지역-개별 분할모듈;
상기 지역-개별 분할모듈이 분할하여 전달하는 발전기별 예측모델을 병렬식으로 저장하는 예측수행 큐; 및
상기 예측수행 큐 각각의 예측모델에 대하여 인공지능 연산을 수행하여 발전기별 발전량을 예측하는 예측수행 모듈;을 포함하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
a solar power generation prediction model generation unit that receives weather data and solar power generation data, and generates a power generation prediction model for the solar power generator by learning with an artificial intelligence algorithm;
a full model reception queue for storing the entire power generation prediction model generated by the solar power generation prediction model generator;
an all-region partitioning module that divides the prediction model stored in the full model reception queue into regional units;
a parallel-type regional unit reception queue for storing the prediction model divided and transmitted by the all-region division module in units of regions;
a region-individual division module for dividing the prediction model stored in the regional reception queue for each generator in the region;
a prediction execution queue for storing in parallel a prediction model for each generator divided and transmitted by the region-individual division module; and
The artificial intelligence-based solar power generation amount prediction multi-model parallel processing system, characterized in that it comprises;
상기 예측수행 모듈에서 예측한 발전기의 발전량을 외부로 전달하기 위한 연계 인터페이스부;를 더 포함하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
The method of claim 1,
Artificial intelligence-based solar power generation prediction multi-model parallel processing system, characterized in that it further comprises;
상기 전체모델 수신큐는
발전기 위치정보에 해당하는 기상정보, 발전기 대상 예측모델 정보, 예측대상 발전기 코드 정보, 및 예측대상 발전기의 위치정보로 구성된 데이터 세트를 포함하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
3. The method of claim 2,
The entire model receive queue is
Parallel of artificial intelligence-based solar power generation prediction multi-model, characterized in that it includes a data set consisting of weather information corresponding to the generator location information, the generator target prediction model information, the prediction target generator code information, and the location information of the prediction target generator processing system.
상기 전체-지역 분할모듈은
상기 데이터 세트의 예상대상 발전기의 위치정보에 기반하여 예측모델을 지역단위로 분할하여 지역단위 수신큐로 전달하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.
4. The method of claim 3,
The whole-region division module is
A parallel processing system of multiple models for predicting solar power generation based on artificial intelligence, characterized in that the prediction model is divided into regional units based on the location information of the generator to be predicted in the data set and delivered to the regional reception queue.
상기 지역-개별 분할모듈은
상기 데이터 세트의 상기 예측대상 발전기 코드 정보에 기반하여 발전기별 예측모델을 분할하여 예측수행 큐에 전달하는 것을 특징으로 하는 인공지능기반 태양광 발전량 예측 다중모델의 병렬처리 시스템.5. The method of claim 4,
The region-individual division module is
A parallel processing system for multi-model prediction of solar power generation based on artificial intelligence, characterized in that the prediction model for each generator is divided based on the prediction target generator code information of the data set and transmitted to the prediction execution queue.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200147888A KR102439272B1 (en) | 2020-11-06 | 2020-11-06 | Parallel processing system and method for estimating generated photovoltaic power based on artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200147888A KR102439272B1 (en) | 2020-11-06 | 2020-11-06 | Parallel processing system and method for estimating generated photovoltaic power based on artificial intelligence |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220061659A true KR20220061659A (en) | 2022-05-13 |
| KR102439272B1 KR102439272B1 (en) | 2022-08-31 |
Family
ID=81583618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200147888A KR102439272B1 (en) | 2020-11-06 | 2020-11-06 | Parallel processing system and method for estimating generated photovoltaic power based on artificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102439272B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101269587B1 (en) * | 2012-12-27 | 2013-06-05 | 권오현 | Economic analysis and intermediation system for pv-system based on geographic information system |
| KR101775065B1 (en) * | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | Method, server and system for detecting abnormality of a power plant using solar energy |
| KR101808047B1 (en) * | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | Method and server for forecasting generation of a power plant using solar energy |
| KR101856320B1 (en) | 2016-05-02 | 2018-05-09 | 한국과학기술원 | Forecasting apparatus and method of sunlight generation |
| KR20200029647A (en) * | 2018-09-04 | 2020-03-19 | 박동화 | Generalization method for curated e-Commerce system by user personalization |
-
2020
- 2020-11-06 KR KR1020200147888A patent/KR102439272B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101269587B1 (en) * | 2012-12-27 | 2013-06-05 | 권오현 | Economic analysis and intermediation system for pv-system based on geographic information system |
| KR101856320B1 (en) | 2016-05-02 | 2018-05-09 | 한국과학기술원 | Forecasting apparatus and method of sunlight generation |
| KR101775065B1 (en) * | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | Method, server and system for detecting abnormality of a power plant using solar energy |
| KR101808047B1 (en) * | 2016-08-05 | 2017-12-14 | 주식회사 해줌 | Method and server for forecasting generation of a power plant using solar energy |
| KR20200029647A (en) * | 2018-09-04 | 2020-03-19 | 박동화 | Generalization method for curated e-Commerce system by user personalization |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102439272B1 (en) | 2022-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nouiri et al. | Two stage particle swarm optimization to solve the flexible job shop predictive scheduling problem considering possible machine breakdowns | |
| Alresheedi et al. | Improved multiobjective salp swarm optimization for virtual machine placement in cloud computing | |
| Lin et al. | Scheduling scientific workflows elastically for cloud computing | |
| Bychkov et al. | An intelligent management system for the development of a regional transport logistics infrastructure | |
| WO2011114752A1 (en) | Device for prediction of electricity generation amount, method for same, and program for same | |
| US9632790B2 (en) | Select logic for the instruction scheduler of a multi strand out-of-order processor based on delayed reconstructed program order | |
| US20180268605A1 (en) | System and method for space situational awareness demonstration | |
| CN110383245B (en) | Secure intelligent networking architecture with dynamic feedback | |
| Liu et al. | Traffic flow combination forecasting method based on improved LSTM and ARIMA | |
| GB2618733A (en) | System and method for message broker migration in an application environment migration | |
| Zhang et al. | Coded computation over heterogeneous workers with random task arrivals | |
| Liu et al. | Prophet: Realizing a predictable real-time perception pipeline for autonomous vehicles | |
| KR102439272B1 (en) | Parallel processing system and method for estimating generated photovoltaic power based on artificial intelligence | |
| Dan et al. | An on-board task scheduling method based on evolutionary optimization algorithm | |
| Pradhan et al. | A comparative study on dynamic scheduling of real-time tasks in multiprocessor system using genetic algorithms | |
| Kononov et al. | Control of a Complex of Works in Multiprocessor Real-time ACS | |
| CN104933110A (en) | MapReduce-based data pre-fetching method | |
| US20230035620A1 (en) | Neural network processor and method of neural network processing | |
| Karthik et al. | A new heuristic algorithm for economic load dispatch incorporating wind power | |
| Westerlund et al. | A generalized scalable software architecture for analyzing temporally structured big data in the cloud | |
| KR20210132503A (en) | National power demand forecasting using cyclic neural network model | |
| GB2622346A (en) | System and method for batch and scheduler migration in an application environment migration | |
| Koc et al. | The estimation of the energy demand in Turkey using grey wolf optimizer algorithm | |
| AU2020102381A4 (en) | Efficient resource utilization and less complex technique for mapping machine learning algorithms in to embedded systems | |
| Li et al. | Method for electromagnetic detection satellites scheduling based on genetic algorithm with alterable penalty coefficient |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |