KR20220071740A - Photovoltaic forecasting method and system - Google Patents

Photovoltaic forecasting method and system Download PDF

Info

Publication number
KR20220071740A
KR20220071740A KR1020200159204A KR20200159204A KR20220071740A KR 20220071740 A KR20220071740 A KR 20220071740A KR 1020200159204 A KR1020200159204 A KR 1020200159204A KR 20200159204 A KR20200159204 A KR 20200159204A KR 20220071740 A KR20220071740 A KR 20220071740A
Authority
KR
South Korea
Prior art keywords
power generation
matrix
solar power
sites
photovoltaic
Prior art date
Application number
KR1020200159204A
Other languages
Korean (ko)
Other versions
KR102515608B1 (en
Inventor
김홍석
정재익
Original Assignee
서강대학교산학협력단
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 서강대학교산학협력단 filed Critical 서강대학교산학협력단
Priority to KR1020200159204A priority Critical patent/KR102515608B1/en
Publication of KR20220071740A publication Critical patent/KR20220071740A/en
Application granted granted Critical
Publication of KR102515608B1 publication Critical patent/KR102515608B1/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
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

A solar power generation prediction method and a system thereof are provided. The solar power generation prediction method comprises the following steps of: expressing space information of a plurality of solar sites by a one-dimensional vector; generating an input space-time matrix and a target space-time matrix by using the space information and time information expressed by the one-dimensional vector; performing neural network learning by using the input space-time matrix and the target space-time matrix; and determining a parameter of a solar power generation prediction model through the learning.

Description

태양광 발전량 예측 방법 및 시스템{PHOTOVOLTAIC FORECASTING METHOD AND SYSTEM}Method and system for predicting solar power generation {PHOTOVOLTAIC FORECASTING METHOD AND SYSTEM}

본 발명은 태양광 발전량 예측 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for predicting solar power generation.

태양광 발전량에 큰 영향을 미치는 날씨 요인으로서 구름의 양과 움직임을 들 수 있다. 구름의 양과 움직임을 추적하여 태양광 발전량 예측 정확도를 향상시키기 위해 다중 사이트(Multi-Site)의 시공간 정보가 활용될 수 있다. 이를 위해 시공간 정보를 표현하는 방법들에 대한 연구가 진행되고 있다.As a weather factor that greatly affects the amount of solar power generation, the amount and movement of clouds are mentioned. Multi-site spatiotemporal information can be utilized to improve the accuracy of prediction of solar power generation by tracking the amount and movement of clouds. For this purpose, research on methods for expressing spatiotemporal information is being conducted.

예를 들어, 다중 사이트 태양광 발전량을 과거 시간대별로 하나의 벡터로 표현하여 활용하는 방법이 사용될 수 있다. 이러한 방법은 각 시간대별로 만들어진 벡터를 그대로 입력으로 활용할 수 있어 구현 복잡도가 높지 않으나, 이들 벡터에는 각 사이트들의 공간 정보가 전혀 표현되지 않기 때문에, 구름의 양과 움직임을 제대로 추적할 수 없어서 예측 정확도가 높지 않다.For example, a method of expressing and utilizing the multi-site solar power generation amount as one vector for each past time period may be used. This method does not have high implementation complexity because the vectors created for each time period can be used as it is, but since spatial information of each site is not expressed in these vectors at all, the amount and movement of clouds cannot be properly tracked, so the prediction accuracy is high. not.

다른 예를 들어, 공간 정보를 2차원 또는 그래프로 과거 시간대별로 하나씩 나타내어 표현하는 방법이 사용될 수 있다. 이러한 방법은 공간 정보를 학습함으로써 구름의 양과 움직임을 비교적 양호하게 추적할 수 있으나, 각 시간대별로 하나씩 표현되는 2차원 또는 그래프를 학습하기 위한 구현이 복잡도가 매우 높다. 또한, 모델 자체의 복잡도가 높기 때문에, 적은 양의 데이터로 학습했을 때 과적합(Overfitting)의 위험도가 매우 높다. 이로 인해, 이러한 방법은 학습에 상당히 긴 시간 동안 축적된 과거 데이터, 예를 들어 5년 이상의 과거 데이터를 사용해야 한다. 그런데, 태양광 사이트는 신 재생에너지의 중요성이 부각됨에 따라 최근에야 들어서 늘어나고 있는 추세이기 때문에, 대부분의 태양광 사이트들은, 예를 들어 5년 이상의 데이터를 보유하고 있지 못하다. 또한, 새로이 설치되는 태양광 사이트들은 그 자체만의 위치 정보를 갖고 있기 때문에 전이 학습(Transfer Learning)을 활용하는 것도 불가능하다.As another example, a method of representing and expressing spatial information in two dimensions or a graph for each past time period may be used. Although this method can track the amount and movement of clouds relatively well by learning spatial information, the implementation for learning two-dimensional or graphs expressed one by one for each time period is very complicated. In addition, since the complexity of the model itself is high, the risk of overfitting is very high when trained with a small amount of data. Because of this, these methods have to use historical data accumulated over a fairly long time for learning, for example, 5 years or more of historical data. However, as the importance of new and renewable energy is emphasized, solar sites are increasing only recently, so most photovoltaic sites do not have data for more than 5 years, for example. In addition, it is impossible to utilize transfer learning because newly installed solar sites have their own location information.

따라서, 새로운 태양광 사이트에도 적용이 가능하며 공간 정보를 활용할 수 있는 다중 사이트 태양광 예측 알고리즘에 대한 요구가 높아지고 있다.Therefore, the demand for a multi-site solar prediction algorithm that can be applied to new solar sites and can utilize spatial information is increasing.

본 발명이 해결하고자 하는 과제는, 다중 사이트의 태양광 발전량의 시공간 정보를 단순하면서도 효율적인 방식으로 표현함으로써, 구현 복잡도가 낮으면서도 태양광 발전량 예측 정확도를 향상시킬 수 있는 태양광 발전량 예측 방법 및 시스템을 제공하기 위한 것이다.The problem to be solved by the present invention is to provide a method and system for predicting solar power generation that can improve the accuracy of prediction of solar power generation with low implementation complexity by expressing spatiotemporal information of the solar power generation amount of multiple sites in a simple and efficient way is to provide

본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법은, 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 단계; 상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 단계; 상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하는 단계; 및 상기 학습을 통해 태양광 발전량 예측 모델의 파라미터를 결정하는 단계를 포함할 수 있다.A method for predicting solar power generation according to an embodiment of the present invention includes: expressing spatial information of a plurality of photovoltaic sites as a one-dimensional vector; generating an input space-time matrix and a target space-time matrix by using the spatial information and temporal information expressed in the one-dimensional vector; performing neural network learning using the input spatiotemporal matrix and the target spatiotemporal matrix; and determining the parameters of the solar power generation amount prediction model through the learning.

상기 공간 정보를 1차원 벡터로 표현하는 단계는, 하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택하는 단계를 포함할 수 있다.The step of expressing the spatial information as a one-dimensional vector may include selecting the first solar site s(1) using Equation 1 below.

[수학식 1][Equation 1]

Figure pat00001
Figure pat00001

(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)(Here, P 1 is a set including all the photovoltaic sites, p and q are any two photovoltaic sites among the photovoltaic sites belonging to P 1 , and D(p, q) is the distance between p and q lim)

상기 공간 정보를 1차원 벡터로 표현하는 단계는, 상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현하는 단계를 포함할 수 있다.In the step of expressing the spatial information as a one-dimensional vector, by repeating the process of selecting a solar site closest to s(1) starting from s(1), all solar sites belonging to P 1 are It may include expressing the spatial information on the one-dimensional vector.

상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은, 하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함할 수 있다.Repeating the process of selecting the solar site closest to s(1) may include selecting s(n) using Equation 2 below.

[수학식 2][Equation 2]

Figure pat00002
Figure pat00002

(여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)(Here, s(n) is the nth selected solar site, s(n-1) is the n-1st selected solar site, and P n is the sun not yet selected in the nth selection process. It is a set including optical sites, and N is an absolute value with respect to P 1 )

상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.The input spatiotemporal matrix may include a matrix in which the past solar power generation amount of the plurality of photovoltaic sites is expressed in two dimensions by using the past time information of M pieces (where M is a natural number).

상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.The target space-time matrix may include a matrix expressing the target solar power generation amount of the plurality of photovoltaic sites predicted until after H future time periods (where H is a natural number) in two dimensions.

상기 학습을 수행하는 단계는, 상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산하는 단계를 포함할 수 있다.The performing of the learning may include calculating a value of the parameter to minimize an error between an output space-time matrix passed through the neural network with respect to the input space-time matrix and the target space-time matrix.

상기 태양광 발전량 예측 방법은, 상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 단계를 더 포함할 수 있다.The method of predicting the amount of photovoltaic power generation may further include predicting the amount of photovoltaic power generation for a plurality of new photovoltaic sites by using the photovoltaic power generation prediction model.

본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템은, 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 공간 정보 생성 모듈; 상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 시공간 행렬 생성 모듈; 및 상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하고, 태양광 발전량 예측 모델의 파라미터를 결정하는 학습 모듈을 포함할 수 있다.A solar power generation amount prediction system according to an embodiment of the present invention includes: a spatial information generating module for expressing spatial information of a plurality of solar sites as a one-dimensional vector; a space-time matrix generating module for generating an input space-time matrix and a target space-time matrix by using the space information and time information expressed by the one-dimensional vector; and a learning module configured to perform neural network learning using the input spatiotemporal matrix and the target spatiotemporal matrix, and to determine a parameter of a solar power generation amount prediction model.

상기 공간 정보 생성 모듈은, 하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택할 수 있다.The spatial information generating module may select the first solar site s(1) using Equation 1 below.

[수학식 1][Equation 1]

Figure pat00003
Figure pat00003

(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)(Here, P 1 is a set including all the photovoltaic sites, p and q are any two photovoltaic sites among the photovoltaic sites belonging to P 1 , and D(p, q) is the distance between p and q lim)

상기 공간 정보 생성 모듈은, 상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현할 수 있다.The spatial information generating module repeats the process of selecting a solar site closest to s(1) starting from s(1), thereby generating the spatial information for all solar sites belonging to P 1 . It can be expressed as the one-dimensional vector.

상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은,Repeating the process of selecting the solar site closest to s(1) above is,

하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함할 수 있다.It may include selecting s(n) using Equation 2 below.

[수학식 2][Equation 2]

Figure pat00004
Figure pat00004

(여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)(Here, s(n) is the nth selected solar site, s(n-1) is the n-1st selected solar site, and P n is the sun not yet selected in the nth selection process. It is a set including optical sites, and N is an absolute value with respect to P 1 )

상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.The input spatiotemporal matrix may include a matrix in which the past solar power generation amount of the plurality of photovoltaic sites is expressed in two dimensions by using the past time information of M pieces (where M is a natural number).

상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다.The target space-time matrix may include a matrix expressing the target solar power generation amount of the plurality of photovoltaic sites predicted until after H future time periods (where H is a natural number) in two dimensions.

상기 학습 모듈은, 상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산할 수 있다.The learning module may calculate a value of the parameter to minimize an error between an output space-time matrix passed through the neural network with respect to the input space-time matrix and the target space-time matrix.

상기 태양광 발전량 예측 시스템은, 상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 더 포함할 수 있다.The solar power generation amount prediction system may further include a solar power generation amount prediction module for predicting the solar power generation amount for a plurality of new photovoltaic sites by using the solar power generation amount prediction model.

본 발명의 실시 예들에 따르면, 다중 사이트 태양광 발전량 예측에 있어서, 복수의 태양광 사이트의 공간 정보를 1차원으로 표현한 후, 이를 시간 정보와 결합하여 시공간 정보를 하나의 2차원 행렬로 표현함으로써, 뉴럴 네트워크 학습을 통해 구성하는 태양광 발전량 예측 모델의 복잡도를 낮출 수 있다.According to embodiments of the present invention, in multi-site solar power generation prediction, spatial information of a plurality of photovoltaic sites is expressed in one dimension and then combined with time information to express spatiotemporal information as a single two-dimensional matrix, It is possible to reduce the complexity of the solar power generation prediction model constructed through neural network learning.

또한, 복잡도가 낮은 태양광 발전량 예측 모델로 학습 가능하도록 다중 사이트의 태양광 발전량의 시공간 정보를 단순하면서도 효율적인 방식으로 표현함으로써, 태양광 발전량 예측 시스템의 전체적인 구현 복잡도를 낮출 수 있으면서도 태양광 발전량 예측 정확도를 향상시킬 수 있다.In addition, it is possible to reduce the overall implementation complexity of the solar power generation prediction system by expressing the temporal and spatial information of the solar power generation amount of multiple sites in a simple and efficient way so that it can be learned with a low-complexity solar power generation prediction model, and the solar power generation prediction accuracy can improve

도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 및 시공간 행렬을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 입력 시공간 행렬, 목표 시공간 행렬 및 출력 시공간 행렬을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 적용 전후의 시공간 행렬의 예시를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 구조의 예시를 나타낸 도면이다.
도 8은 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.
도 9 및 도 10은 공간 정보를 활용하여 구름의 움직임을 기반으로 태양광 발전량을 예측했을 때 통합 운영 시 나타나는 효과를 설명하기 위한 도면들이다.
도 11은 통합 운영 시 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.
도 12는 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템을 구현하기 위한 컴퓨팅 장치를 설명하기 위한 블록도이다.1 is a block diagram illustrating a solar power generation amount prediction system according to an embodiment of the present invention.
2 is a flowchart illustrating a method for predicting solar power generation according to an embodiment of the present invention.
3 is a diagram for explaining a greedy adjacency algorithm (GAA) and a space-time matrix according to an embodiment of the present invention.
4 is a diagram for explaining an input space-time matrix, a target space-time matrix, and an output space-time matrix according to an embodiment of the present invention.
5 is a diagram for explaining a neural network according to an embodiment of the present invention.
6 is a diagram illustrating an example of a spatiotemporal matrix before and after application of the greedy adjacency algorithm (GAA) according to an embodiment of the present invention.
7 is a diagram illustrating an example of a neural network structure according to an embodiment of the present invention.
8 is a diagram illustrating an example of mean absolute percentage error (MAPE) and adjusted mean absolute error (MASE) versus a forecast period.
9 and 10 are diagrams for explaining the effect that appears during integrated operation when the amount of solar power generation is predicted based on the movement of clouds using spatial information.
11 is a diagram illustrating an example of mean absolute percentage error (MAPE) and adjusted mean absolute error (MASE) versus a forecast period in an integrated operation.
12 is a block diagram illustrating a computing device for implementing a method and system for predicting a solar power generation amount according to embodiments of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described in detail so that those of ordinary skill in the art can easily implement them with reference to the accompanying drawings. However, the present invention may be implemented in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 아래에서 설명되는 실시 예들에 따른 정밀측위 정보 제공 방법 및 정밀측위 정보 제공 장치 중 적어도 일부는 프로그램 또는 소프트웨어로 구현될 수 있고, 프로그램 또는 소프트웨어는 컴퓨터로 판독 가능한 매체에 저장될 수 있다.Throughout the specification and claims, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless specifically stated to the contrary. In addition, terms such as "...unit", "...group", and "module" described in the specification mean a unit that processes at least one function or operation, which is hardware or software or a combination of hardware and software. can be implemented as In addition, at least some of the method for providing precise positioning information and the apparatus for providing precise positioning information according to the embodiments described below may be implemented as a program or software, and the program or software may be stored in a computer-readable medium.

도 1은 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템을 설명하기 위한 블록도이다.1 is a block diagram illustrating a solar power generation amount prediction system according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 시스템(1)은 다중 사이트 태양광 발전량의 시공간 정보를 단순하면서도 효율적으로 활용될 수 있도록 2차원 행렬로 표현하여 낮은 복잡도를 갖는 모델로 태양광 발전량 예측을 수행할 수 있다. 이를 위해, 태양광 발전량 예측 시스템(1)은 공간 정보 생성 모듈(110), 시공간 행렬 생성 모듈(120), 학습 모듈(130), 태양광 발전량 예측 모델(140) 및 태양광 발전량 예측 모듈(150)을 포함할 수 있다.Referring to FIG. 1 , the solar power generation amount prediction system 1 according to an embodiment of the present invention has low complexity by expressing spatiotemporal information of the multi-site solar power generation amount in a two-dimensional matrix so that it can be used simply and efficiently. The model can predict the amount of solar power generation. To this end, the solar power generation prediction system 1 includes a spatial information generation module 110 , a spatiotemporal matrix generation module 120 , a learning module 130 , a solar power generation prediction model 140 , and a solar power generation prediction module 150 . ) may be included.

공간 정보 생성 모듈(110)은 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현할 수 있다. 태양광 발전량 예측은, 서로 인접한 사이트들이 구름의 움직임에 영향을 받을 가능성이 높다는 점을 고려하면, 서로 인접한 사이트들끼리 소정의 공간적 관계(spatial relationship)를 갖도록 일렬로 나열(serialize)되도록 수행될 필요가 있다. 이를 위해, 공간 정보 생성 모듈(110)은 탐욕적 인접 알고리즘(Greedy Adjoining Algorithm, GAA)을 사용하여 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현할 수 있다.The spatial information generating module 110 may express spatial information of a plurality of photovoltaic sites as a one-dimensional vector. Prediction of solar power generation, considering that sites adjacent to each other are highly likely to be affected by cloud movement, it is necessary to serialize adjacent sites to have a predetermined spatial relationship between them. there is To this end, the spatial information generating module 110 may express spatial information of a plurality of photovoltaic sites as a one-dimensional vector using a Greedy Adjoining Algorithm (GAA).

모든 태양광 사이트들을 포함하는 집합 P1에 대해, P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트 p, q가 존재할 수 있다. 태양광 사이트 p의 위도 및 경도를 px, py라 하고, 태양광 사이트 q의 위도 및 경도를 qx, qy라 하면, 두 태양광 사이트 p, q 사이의 거리 D(p, q)는 다음 수학식 1에 의해 연산될 수 있다.For a set P 1 including all photovoltaic sites, any two photovoltaic sites p, q among photovoltaic sites belonging to P 1 may exist. Let the latitude and longitude of the solar site p be p x , p y , and the latitude and longitude of the solar site q be q x , q y , then the distance D(p, q) between the two photovoltaic sites p, q can be calculated by Equation 1 below.

[수학식 1][Equation 1]

Figure pat00005
Figure pat00005

공간 정보 생성 모듈(110)은 D(p, q)에 기초하여 탐욕적 인접 알고리즘(GAA)를 수행할 수 있다. 구체적으로, 공간 정보 생성 모듈(110)은, 하기 수학식 2를 이용하여 제1 태양광 사이트 s(1)을 선택할 수 있다.The spatial information generating module 110 may perform a greedy adjacency algorithm (GAA) based on D(p, q). Specifically, the spatial information generating module 110 may select the first solar site s(1) using Equation 2 below.

[수학식 2][Equation 2]

Figure pat00006
Figure pat00006

(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리)(Here, P 1 is a set including all the photovoltaic sites, p and q are any two photovoltaic sites among the photovoltaic sites belonging to P 1 , and D(p, q) is the distance between p and q )

수학식 2에서 "argmax"는 "arguments of max", 즉, 어떤 함수 값을 최대로 만드는 정의역의 원소를 출력할 수 있다. 이를 고려하면, 탐욕적 인접 알고리즘(GAA)에서 첫 번째로 선택되는 태양광 사이트 s(1)은, 소위 가장 외진 곳에 위치하는 태양광 사이트를 의미할 수 있다.In Equation 2, "argmax" may output "arguments of max", that is, an element of a domain that maximizes a certain function value. In consideration of this, the first solar site s(1) selected in the greedy neighbor algorithm (GAA) may mean a solar site located in the most remote place.

공간 정보 생성 모듈(110)은, s(1)부터 시작하여, s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, P1에 속하는 모든 태양광 사이트들에 대한 공간 정보를 1차원 벡터로 표현할 수 있다. 구체적으로, 공간 정보 생성 모듈(110)은, 하기의 수학식 3을 이용하여 s(n)을 선택할 수 있다.The spatial information generating module 110, starting from s(1), repeats the process of selecting a solar site closest to s(1), thereby generating spatial information on all solar sites belonging to P 1 to 1 It can be expressed as a dimensional vector. Specifically, the spatial information generating module 110 may select s(n) using Equation 3 below.

[수학식 3][Equation 3]

Figure pat00007
Figure pat00007

(여기서, s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 P1에 대한 절대값임)(here, s(n) is the n-th selected solar site, s(n-1) is the n-1 selected solar site, and P n is the sunlight not yet selected in the n-th selection process. It is a set including sites, and N is an absolute value for P 1 )

수학식 3에서 "argmin"은 "arguments of min", 즉, 어떤 함수 값을 최소로 만드는 정의역의 원소를 출력할 수 있다.In Equation 3, "argmin" may output "arguments of min", that is, an element of a domain that minimizes a certain function value.

여기서 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합 Pn은 기존에 선택한 태양광 사이트들이 중복해서 선택되지 않도록 하기 위해 하기 수학식 4로 정의될 수 있다.Here, the set P n including photovoltaic sites that have not yet been selected in the nth selection process may be defined by Equation 4 below in order to prevent previously selected photovoltaic sites from being repeatedly selected.

[수학식 4][Equation 4]

Figure pat00008
Figure pat00008

공간 정보 생성 모듈(110)은, 이와 같은 과정을 통해 모든 태양광 사이트들이 서로 인접한 태양광 사이트들끼리 공간적 관계를 갖도록 일렬로 나열되도록 하여, 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현할 수 있다.The spatial information generating module 110 expresses spatial information of a plurality of photovoltaic sites as a one-dimensional vector by arranging all photovoltaic sites in a line to have a spatial relationship between adjacent photovoltaic sites through this process. can

시공간 행렬 생성 모듈(120)은, 1차원 벡터로 표현된 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성할 수 있다. 구체적으로, 탐욕적 인접 알고리즘(GAA)을 통해 복수의 태양광 사이트의 공간 정보가 1차원 정보로 표현되었으므로, 시공간 행렬 생성 모듈(120)은, 이를 1차원의 시간 정보와 합쳐서 2차원의 시공간 행렬을 생성할 수 있다. 여기서 2차원의 시공간 행렬은 입력 시공간 행렬 및 목표 시공간 행렬을 포함할 수 있다.The space-time matrix generation module 120 may generate an input space-time matrix and a target space-time matrix by using space information and time information expressed as a one-dimensional vector. Specifically, since the spatial information of a plurality of photovoltaic sites is expressed as one-dimensional information through the greedy adjacency algorithm (GAA), the space-time matrix generation module 120 combines this with the one-dimensional temporal information to generate a two-dimensional space-time matrix. can create Here, the two-dimensional space-time matrix may include an input space-time matrix and a target space-time matrix.

입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 시간 정보를 이용하여, 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다. 구체적으로, 태양광 사이트 s(n)에서 시간대 t에서의 태양광 발전량을 xs(n), t라고 정의하면, 과거 M개의 시간 정보를 이용한 입력 시공간 행렬은 다음과 같이 표현될 수 있다.The input spatiotemporal matrix may include a matrix in which past solar power generation amounts of a plurality of photovoltaic sites are expressed in two dimensions using time information of the past M pieces (where M is a natural number). Specifically, if the amount of solar power generation at time t in the photovoltaic site s(n) is defined as x s(n), t , the input spatiotemporal matrix using the past M pieces of time information can be expressed as follows.

Figure pat00009
Figure pat00009

한편, 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함할 수 있다. 구체적으로, 미래 H개의 시간대 후까지 태양광 발전량을 예측하는 경우 목표 시공간 행렬은 다음과 같이 표현될 수 있다.On the other hand, the target space-time matrix may include a matrix expressing the target solar power generation amount of the plurality of solar sites predicted until after the future H (here, H is a natural number) in two dimensions. Specifically, in the case of predicting the amount of solar power generation until after H time zones in the future, the target space-time matrix may be expressed as follows.

Figure pat00010
Figure pat00010

이와 같이, 시공간 행렬 생성 모듈(120)은 시간대 t별로 하나의 입력 시공간 행렬 및 하나의 목표 시공간 행렬을 생성할 수 있다.In this way, the space-time matrix generation module 120 may generate one input space-time matrix and one target space-time matrix for each time period t.

여기서, H 및 M의 값은 예측 목적에 따라 정해질 수 있다. 예를 들어, 데이터의 단위가 1시간이고, 1시간 후의 값만 예측하려는 경우, H = 1로 설정되고 짧은 시간 동안의 구름의 움직임만 파악하면 되므로 M = 3정도로 정해질 수 있다. 이와 다르게, 6시간 후까지 예측하려는 경우에는, H = 6으로 설정되고 상대적으로 긴 시간 동안의 구름의 움직임을 파악해야 하므로 M = 18정도로 정해질 수 있다.Here, the values of H and M may be determined according to the prediction purpose. For example, if the unit of data is 1 hour and only the value after 1 hour is to be predicted, H = 1 is set and only the movement of clouds for a short time needs to be grasped, so M = 3 or so. On the other hand, in case of predicting up to 6 hours later, H = 6 is set and the movement of clouds for a relatively long time must be grasped, so M = 18 may be set.

학습 모듈(130)은 입력 시공간 행렬 및 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행할 수 있다. 또한, 학습 모듈(130)은, 학습을 통해 태양광 발전량 예측 모델(140)의 파라미터(θ)를 결정할 수 있다. 여기서 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN)를 의미할 수 있으나, 본 발명의 범위가 이에 제한되는 것은 아니다.The learning module 130 may perform neural network learning using the input spatiotemporal matrix and the target spatiotemporal matrix. Also, the learning module 130 may determine the parameter θ of the solar power generation amount prediction model 140 through learning. Here, the neural network may mean a convolutional neural network (CNN), but the scope of the present invention is not limited thereto.

뉴럴 네트워크는 기본적으로 입력 계층, 출력 계층, 및 완전 연결된 은닉 계층들을 포함할 수 있다. 특히, CNN은 합성곱(convolution) 계층 및 풀링(pooling) 계층을 더 포함할 수 있다.A neural network may basically include an input layer, an output layer, and fully connected hidden layers. In particular, the CNN may further include a convolution layer and a pooling layer.

합성곱 계층은 입력 행렬에서 인접한 성분들끼리 연결함으로써 중요한 특징을 추출하게 하며, 이는 행렬의 인접 성분들이 서로 높은 관련성을 가진 경우에 특히 유용할 수 있다. 전술한 태양광 사이트의 시공간 행렬의 경우, 공간에 대해서는 가까운 사이트들끼리 인접하도록 하고 시간에 대해서는 순서대로 나열함에 따라, 인접 성분들끼리 서로 높은 관련성을 가졌다고 볼 수 있으므로, 시공간 정보 추출을 위해 합성곱 계층이 유용하게 사용될 수 있다. 풀링 계층은 인접 성분들의 가장 중요한 특징 하나를 추출하는 역할을 할 수다. 이는 중요한 특징을 추출하는 것뿐만 아니라 여러 성분의 개수를 하나로 줄여 모델 파라미터 개수도 줄이는 역할도 할 수 있다.Convolutional layers allow extracting important features by connecting adjacent elements in an input matrix, which can be particularly useful when adjacent elements of a matrix are highly related to each other. In the case of the above-described spatiotemporal matrix of photovoltaic sites, it can be seen that adjacent components are highly related to each other by making adjacent sites adjacent to each other in space and arranging them in order with respect to time, so they are synthesized for spatiotemporal information extraction A product layer can be useful. The pooling layer can serve to extract one of the most important features of adjacent components. This can not only extract important features, but also reduce the number of model parameters by reducing the number of multiple components to one.

합성곱 계층은 합성곱 연산을 수행하여, 이전 계층에서의 인접 성분들끼리의 상관관계에 대한 특징을 추출할 수 있다. 합성곱 연산에서, 각 행렬의 인접한 성분들은 CNN의 뉴런이 되고, 공유된 가중치를 통해 다음 계층의 뉴런과 연결될 수 있다. 이때 커널은 인접한 성분들끼리만 묶어서 합성곱 연산이 되도록 할 수 있다. 여러 개의 커널이 출력 행렬을 하나씩 만들어내며, 이 출력 행렬은 다음 계층의 채널이 될 수 있다. 각 커널은 이전 계층에서 특징을 하나씩 추출할 수 있고, 커널 수(다음 계층의 채널 수)는 추출된 특징의 수를 의미할 수 있다. 비선형 속성을 캡처하기 위해 합성곱 연산 후에 비선형 활성화 함수가 적용될 수 있다. 예를 들어, ReLU(Rectified Linear Unit) 함수는 사라지는 기울기 문제를 해결하기 위해 사용될 수 있다. 복수의 합성곱 계층 및 풀링 계층을 지나면 최종적으로 출력 시공간 행렬과 완전 연결 계층으로 연결된다. 과거 데이터들을 활용하여 입력 시공간 행렬과 목표 시공간 행렬을 만들면, CNN은 각 입력 시공간 행렬별로 목표 출력 시공간 행렬과 가장 유사한 값이 나오도록 모델 파라미터를 설정하게 된다.The convolution layer may perform a convolution operation to extract features of correlation between adjacent components in the previous layer. In convolution operation, adjacent components of each matrix become neurons of CNN, and can be connected to neurons of the next layer through shared weights. At this time, the kernel can make convolution operation by tying only adjacent components together. Several kernels produce an output matrix one by one, and this output matrix can be a channel of the next layer. Each kernel may extract a feature from a previous layer one by one, and the number of kernels (the number of channels in the next layer) may mean the number of extracted features. A non-linear activation function may be applied after the convolution operation to capture the non-linear properties. For example, the Rectified Linear Unit (ReLU) function can be used to solve the disappearing gradient problem. After passing through a plurality of convolutional layers and pooling layers, it is finally connected to an output space-time matrix and a fully connected layer. When the input spatiotemporal matrix and the target spatiotemporal matrix are created using past data, the CNN sets the model parameters so that the most similar value to the target output spatiotemporal matrix is obtained for each input spatiotemporal matrix.

합성곱 연산 이후, 풀링 계층이 적용될 수 있다. 입력된 행렬을 성분들끼리 서로 오버랩되지 않도록 하위 영역 집합으로 분할하고, 각 하위 영역 별로 가장 중요한 특징을 출력할 수 있다. 일반적으로 각 하위 영역 별로 최대값을 가장 중요한 특징으로 추출하는 맥스 풀링이 적용될 수 있다. 풀링 계층은 특징을 추출하는 역할 뿐만 아니라 행렬의 크기를 줄여 모델 파라미터 수를 줄이는 역할도 하여 매개변수의 수와 연산량을 감소시킬 수 있다. 풀링 계층은 동일한 하위 영역 크기를 가진 모든 채널에서 독립적으로 작동할 수 있다. 하나의 합성곱 계층과 하나의 풀링 계층이 하나의 커다란 계층을 연결한다고 가정한다. 이러한 경우, l번째 계층에서 k번째 채널의 가중치를

Figure pat00011
, 편향치를
Figure pat00012
라 할 때 출력 값
Figure pat00013
은 하기 수학식 5와 같이 정의될 수 있다.After the convolution operation, a pooling layer may be applied. It is possible to divide the input matrix into a set of subregions so that the components do not overlap each other, and output the most important features for each subregion. In general, max pooling that extracts the maximum value as the most important feature for each subregion can be applied. The pooling layer not only serves to extract features, but also reduces the number of model parameters by reducing the size of the matrix, thereby reducing the number of parameters and the amount of computation. The pooling layer can operate independently on all channels with the same subregion size. It is assumed that one convolutional layer and one pooling layer connect one large layer. In this case, the weight of the k-th channel in the l-th layer
Figure pat00011
, the bias
Figure pat00012
output value when
Figure pat00013
may be defined as in Equation 5 below.

[수학식 5][Equation 5]

Figure pat00014
Figure pat00014

여기서,

Figure pat00015
는 합성곱 연산이고, pool()은 맥스 풀링 연산이다.here,
Figure pat00015
is a convolution operation, and pool() is a max pooling operation.

여러 개의 합성곱 계층과 풀링 계층을 통과한 후 최종적으로 형성되는 여러 개의 행렬(채널)들은 모든 값이 일렬로 연결되어 하나의 벡터를 형성할 수 있다. 이 벡터를

Figure pat00016
이라 하면,
Figure pat00017
은 기존 인공신경망과 마찬가지로 출력 계층과 완전히 연결되어 있다. 이때 출력 계층은 출력 시공간 행렬을 의미한다. 출력 시공간 행렬의 n행 h열의 값을
Figure pat00018
라 하고 이를 출력하는 가중치를
Figure pat00019
, 편향치를
Figure pat00020
라 할 때 이들은 하기 수학식 6의 관계를 가진다.Several matrices (channels) that are finally formed after passing through several convolutional layers and pooling layers can form a single vector by connecting all values in a line. this vector
Figure pat00016
If so,
Figure pat00017
is fully connected to the output layer, just like the existing artificial neural network. In this case, the output layer means an output space-time matrix. The value of the n-row array of the output space-time matrix
Figure pat00018
and the weight that outputs it
Figure pat00019
, the bias
Figure pat00020
When , they have the relationship of Equation 6 below.

[수학식 6][Equation 6]

Figure pat00021
Figure pat00021

Figure pat00022
이
Figure pat00023
와 사이의 오차를 최대한 줄이는 것이 목표이며, 모든 가중치와 편향치는 태양광 발전량 예측 모델의 파라미터(θ)가 될 수 있다. 트레이닝 셋(training set)으로 주어진 시간대들의 집합을 Ω라 하면 트레이닝 셋 안의 데이터들을 이용해 일반적인 회귀 기법에서 많이 사용되는 평균 제곱 오차를 구성하고 이를 최소화하도록 하는 θ를 구하는 식은 하기 수학식 7로 정의된다.
Figure pat00022
this
Figure pat00023
The goal is to reduce the error between and as much as possible, and all weights and biases can become parameters ( θ ) of the solar power generation prediction model. If the set of time periods given as a training set is Ω , the expression for calculating the mean square error that is often used in general regression techniques using the data in the training set and minimizing it is defined by Equation 7 below.

[수학식 7][Equation 7]

Figure pat00024
Figure pat00024

θ를 구하기 위해, 경사하강법 기반의 오차 역전파 방법을 통해 여러 개의 가중치와 편향치의 값을 수렴할 때까지 조절해 나갈 수 있으며, 학습이 끝나면 최종적인 θ를 구할 수 있고, 입력 시공간 행렬만 결정되면 시공간 행렬을 출력하여 태양광 발전량을 예측할 수 있다.To obtain θ , the gradient descent-based error backpropagation method can be adjusted until the values of multiple weights and biases converge. After learning, the final θ can be obtained, and only the input spatiotemporal matrix is determined. Then, the amount of solar power generation can be predicted by outputting the space-time matrix.

태양광 발전량 예측 모듈(150)은 태양광 발전량 예측 모델(140)을 이용하여 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측할 수 있다. 즉, 앞서 설명한 복수의 태양광 사이트에 대한 입력 시공간 행렬 및 목표 시공간 행렬에 기반한 학습을 통해 최종적으로 결정된 파라미터(θ)를 이용하여, 새로운 복수의 태양광 사이트에 대한 시공간 정보를 입력에 대한 태양광 발전량 예측 결과를 출력할 수 있다.The photovoltaic power generation amount prediction module 150 may predict the photovoltaic power generation amount for a plurality of new photovoltaic sites by using the photovoltaic power generation amount prediction model 140 . That is, by using the parameter ( θ ) finally determined through learning based on the input spatiotemporal matrix and the target spatiotemporal matrix for the plurality of photovoltaic sites described above, the spatiotemporal information for the new plurality of photovoltaic sites is inputted from sunlight It is possible to output the power generation forecast result.

한편, 태양광 발전량 예측의 성능 평가를 위해, 평균 절대 백분율 오차(Mean Absolute Percentage Error; MAPE) 및 조정된 평균 절대 오차(Mean Absolute Scaled Error; MASE)를 사용할 수 있으며, 이들은 각각 하기 수학식 8 및 9와 같이 정의된다.On the other hand, for the performance evaluation of the solar power generation amount prediction, the mean absolute percentage error (MAPE) and the adjusted mean absolute error (MASE) can be used, and these are respectively Equation 8 and 9 is defined as

[수학식 8][Equation 8]

Figure pat00025
Figure pat00025

[수학식 9][Equation 9]

Figure pat00026
Figure pat00026

여기서, P0는 최대 태양광 발전량, D는 데이터 셋을 의미할 수 있다. 성능 평가는 검증 셋(validation set) 및 테스트 셋(test set)에 이용될 수 있다. 검증 셋은 가장 좋은 성능을 내는 모델을 찾기 위해 사용될 수 있으며, 모델의 커널 크기, 풀링 크기, 레이어 수를 결정할 수 있다. 테스트 셋은 실제 환경에서도 좋은 성능을 내는지 확인하기 위해 사용될 수 있다.Here, P 0 may indicate the maximum amount of solar power generation, and D may indicate a data set. The performance evaluation may be used for a validation set and a test set. The validation set can be used to find the model with the best performance, and can determine the model's kernel size, pooling size, and number of layers. The test set can be used to verify that it performs well in a real environment.

도 2는 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법을 설명하기 위한 흐름도이다.2 is a flowchart illustrating a method for predicting solar power generation according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법은, 복수의 태양광 사이트의 공간 정보를 1차원 공간 정보, 즉 1차원 벡터로 표현하는 단계(S210), 1차원 벡터로 표현된 공간 정보와 시간 정보를 이용하여 2차원 시공간 행렬, 즉 2차원 입력 시공간 행렬 및 2차원 목표 시공간 행렬을 생성하는 단계(S220), 2차원 시공간 행렬을 이용하여 CNN 학습을 수행하는 단계(S230); 및 학습을 통해 태양광 발전량 예측 모델의 파라미터를 결정하는 단계(S240)를 포함할 수 있다.Referring to FIG. 2 , in the method for predicting solar power generation according to an embodiment of the present invention, the step of expressing spatial information of a plurality of solar sites as one-dimensional spatial information, that is, a one-dimensional vector (S210), a one-dimensional vector Generating a two-dimensional space-time matrix, that is, a two-dimensional input space-time matrix and a two-dimensional target space-time matrix using the spatial information and temporal information expressed as (S220), performing CNN learning using the two-dimensional space-time matrix ( S230); and determining the parameters of the solar power generation amount prediction model through learning ( S240 ).

또한, 본 발명의 일 실시 예에 따른 태양광 발전량 예측 방법은, 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 단계(S250)를 더 포함할 수 있다.In addition, the method for predicting the amount of solar power generation according to an embodiment of the present invention may further include the step of predicting the amount of solar power for a plurality of new photovoltaic sites ( S250 ) using the solar power generation prediction model. .

이들 단계들에 대한 더욱 상세한 내용에 대해서는 도 1과 관련하여 전술한 내용을 참조할 수 있으며, 중복되는 설명은 생략하도록 한다.For more detailed information on these steps, reference may be made to the foregoing in relation to FIG. 1 , and overlapping descriptions will be omitted.

도 3은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 및 시공간 행렬을 설명하기 위한 도면이다.3 is a diagram for explaining a greedy adjacency algorithm (GAA) and a space-time matrix according to an embodiment of the present invention.

도 3을 참조하면, 도시된 것은 가장 멀리 떨어져있는 사이트 a가 s(1)로 설정되었고, 마지막으로 설정된 사이트와 가장 가까운 사이트들을 하나씩 나열하는 과정이다. 공간 정보가 1차원으로 표현되면, 1차원의 시간 정보와 함께 2차원 시공간 행렬이 표현될 수 있다.Referring to FIG. 3 , illustrated is a process in which the farthest site a is set as s(1), and the sites closest to the last set site are listed one by one. When spatial information is expressed in one dimension, a two-dimensional space-time matrix may be expressed together with one-dimensional temporal information.

도 4는 본 발명의 일 실시 예에 따른 입력 시공간 행렬, 목표 시공간 행렬 및 출력 시공간 행렬을 설명하기 위한 도면이다.4 is a diagram for explaining an input space-time matrix, a target space-time matrix, and an output space-time matrix according to an embodiment of the present invention.

도 4를 참조하면, 입력 시공간 행렬(

Figure pat00027
), 목표 시공간 행렬(
Figure pat00028
)은 과거 데이터들을 이용하여 생성되며, 파라미터(θ)로 구성되는 태양광 발전량 예측 모델은 출력 시공간 행렬(
Figure pat00029
)을 출력하며, 학습은 목표 시공간 행렬(
Figure pat00030
)과 출력 시공간 행렬(
Figure pat00031
) 사이의 거리를 줄이도록 진행될 수 있으며, 목표 시공간 행렬(
Figure pat00032
)과 출력 시공간 행렬(
Figure pat00033
) 사이의 거리는 하기 수학식 10과 같이 표현될 수 있다.4, the input space-time matrix (
Figure pat00027
), the target space-time matrix (
Figure pat00028
) is generated using past data, and the solar power generation prediction model composed of the parameter ( θ ) is an output spatiotemporal matrix (
Figure pat00029
), and training is the target space-time matrix (
Figure pat00030
) and the output spatiotemporal matrix (
Figure pat00031
) can proceed to reduce the distance between the
Figure pat00032
) and the output spatiotemporal matrix (
Figure pat00033
) may be expressed as in Equation 10 below.

[수학식 10][Equation 10]

Figure pat00034
Figure pat00034

여기서,

Figure pat00035
는 프로베니우스 노름(Frobenius norm)이다.here,
Figure pat00035
is the Frobenius norm.

도 5는 본 발명의 일 실시 예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.5 is a diagram for explaining a neural network according to an embodiment of the present invention.

도 5를 참조하면, 입력 시공간 행렬은 여러 개의 합성곱 계층과 풀링 계층을 통과하고, 최종 결과는 출력 시공간 행렬과 완전 연결됨을 알 수 있다.Referring to FIG. 5 , it can be seen that the input spatiotemporal matrix passes through several convolutional layers and pooling layers, and the final result is fully connected to the output spatiotemporal matrix.

도 6은 본 발명의 일 실시 예에 따른 탐욕적 인접 알고리즘(GAA) 적용 전후의 시공간 행렬의 예시를 나타낸 도면이다.6 is a diagram illustrating an example of a spatiotemporal matrix before and after application of the greedy adjacency algorithm (GAA) according to an embodiment of the present invention.

도 6을 참조하면, (a) GAA 적용 전보다 (b) GAA 적용 후 공간적 상관관계가 더 잘 나타났음을 알 수 있으며, GAA 및 시공간 행렬만으로 공간 정보를 충분히 잘 표현할 수 있음을 알 수 있다.Referring to FIG. 6 , it can be seen that the spatial correlation is better after (b) GAA application than before (a) GAA application, and it can be seen that spatial information can be sufficiently well expressed only with GAA and the spatiotemporal matrix.

도 7은 본 발명의 일 실시 예에 따른 뉴럴 네트워크 구조의 예시를 나타낸 도면이다.7 is a diagram illustrating an example of a neural network structure according to an embodiment of the present invention.

도 7을 참조하면, 일반적으로 최적의 결과를 추출하는 CNN의 구조를 일 예이다. 검증 셋을 통해서 여러 가지 모델을 성능 평가해 본 결과, 충분히 많은(예를 들어, 50개 이상) 태양광 사이트가 충분히 넓은 공간에 잘 퍼져있을 경우 (3,3)의 커널 크기, (2,2)의 풀링 크기, 3개의 합성곱 계층과 풀링 계층으로 구성하는 것이 좋은 결과를 가져올 수 있었다. 여기서 N은 태양광 사이트들의 개수, H는 최대 예측 기간을 나타내며, M은 H에 따라 적절한 값으로 조정할 수 있다.Referring to FIG. 7 , the structure of a CNN that generally extracts an optimal result is an example. As a result of evaluating the performance of various models through the validation set, the kernel size of (3,3), (2,2) when there are sufficiently many (eg, 50 or more) photovoltaic sites spread well over a large enough space ) with a pooling size of 3 convolutional layers and a pooling layer could bring good results. Here, N is the number of photovoltaic sites, H is the maximum prediction period, and M can be adjusted to an appropriate value according to H.

도 8은 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.8 is a diagram illustrating an example of mean absolute percentage error (MAPE) and adjusted mean absolute error (MASE) versus a forecast period.

도 8을 참조하면, 비교군으로 사용한 Autoregressive(AR), Feedforward Neural Network(FNN), Long Short-Term Memory(LSTM)은 다중 사이트 태양광 발전량이 과거 시간대별로 하나의 벡터로만 표현되어 공간 정보를 활용하지 않은 모델이다. 본 발명의 시공간 행렬 기반 CNN 모델을 STCNN이라 명명하였다. 전반적으로 본 발명의 STCNN 모델이 압도적인 정확도를 보여줌을 알 수 있다.Referring to FIG. 8 , Autoregressive (AR), Feedforward Neural Network (FNN), and Long Short-Term Memory (LSTM) used as a comparison group utilize spatial information because the amount of multi-site solar power generation is expressed only as one vector for each past time period. It is a model that does not The space-time matrix-based CNN model of the present invention was named STCNN. Overall, it can be seen that the STCNN model of the present invention shows overwhelming accuracy.

도 9 및 도 10은 공간 정보를 활용하여 구름의 움직임을 기반으로 태양광 발전량을 예측했을 때 통합 운영 시 나타나는 효과를 설명하기 위한 도면들이다.9 and 10 are diagrams for explaining the effect that appears during integrated operation when the amount of solar power generation is predicted based on the movement of clouds using spatial information.

도 9를 참조하면, 과소 예측을 한 사이트와 과대 예측을 한 사이트를 각각 운영하면 각각의 예측 오차의 합이 전체 예측 오차가 된다. 그러나 통합 운영을 하게 되면 과소 예측을 한 사이트가 과대 예측을 한 사이트의 오차를 보완할 수 있게 되어 예측 오차를 크게 줄일 수 있게 된다. 즉, 통합 운영 시에는 과소 예측과 과대 예측의 균형을 맞추는 것이 큰 도움이 될 수 있다.Referring to FIG. 9 , when an under-prediction site and an over-prediction site are operated, the sum of the respective prediction errors becomes the overall prediction error. However, if the integrated operation is carried out, the underestimation site can compensate for the error of the overestimated site, thereby greatly reducing the prediction error. In other words, balancing under-prediction and over-prediction can be very helpful in integrated operations.

이어서 도 10을 참조하면, 구름 움직임의 예측이 어느 정도 빗나간 경우, 태양광 사이트들이 공간적으로 충분히 잘 퍼져있다면 구름의 움직임 예측이 빗나가더라도 과소 예측을 한 사이트와 과대 예측을 한 사이트가 생기게 된다. 즉, 과소 예측과 과대 예측의 균형을 맞출 수 있게 되고 통합 운영 시 오차 보정 효과를 크게 볼 수 있게 된다.Next, referring to FIG. 10 , when the prediction of cloud motion is deviated to some extent, if the solar sites are spatially sufficiently well distributed, an under-predicted site and an over-predicted site are generated even if the cloud motion prediction is deviated. In other words, it is possible to balance under-prediction and over-prediction, and the error correction effect can be greatly seen during integrated operation.

도 11은 통합 운영 시 예측 기간 대에 따른 평균 절대 백분율 오차(MAPE) 및 조정된 평균 절대 오차(MASE)의 예시를 나타낸 도면이다.11 is a diagram illustrating an example of mean absolute percentage error (MAPE) and adjusted mean absolute error (MASE) versus a forecast period in an integrated operation.

도 11을 참조하면, 통합 운영 전에는 비교군 LSTM과 제안한 모델의 성능이 비슷했던 기간대가 있었으나 통합 운영 후에는 모든 시간대에서 제안한 모델이 더욱 압도적인 정확도를 보여준다. 오히려 비교군 LSTM은 통합 운영 시 다른 비교군보다도 좋지 않은 결과를 보여주었다. 이는 공간 정보를 제대로 활용하지 않은 비교군들이 과대 예측과 과소 예측 균형화를 잘 이루지 못했음을 보여준다.Referring to FIG. 11 , there was a period in which the performance of the control group LSTM and the proposed model were similar before the integrated operation, but after the integrated operation, the proposed model shows more overwhelming accuracy in all time periods. On the contrary, the LSTM of the comparison group showed worse results than the other comparison groups during the integrated operation. This shows that the comparison groups that did not use spatial information properly did not achieve a good balance between over-prediction and under-prediction.

도 12는 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템을 구현하기 위한 컴퓨팅 장치를 설명하기 위한 블록도이다.12 is a block diagram illustrating a computing device for implementing a method and system for predicting a solar power generation amount according to embodiments of the present invention.

도 12를 참조하면, 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템은 컴퓨팅 장치(500)를 이용하여 구현될 수 있다.Referring to FIG. 12 , a method and system for predicting solar power generation according to embodiments of the present invention may be implemented using a computing device 500 .

컴퓨팅 장치(500)는 버스(520)를 통해 통신하는 프로세서(510), 메모리(530), 사용자 인터페이스 입력 장치(540), 사용자 인터페이스 출력 장치(550) 및 저장 장치(560) 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(500)는 또한 네트워크(40), 예컨대 무선 네트워크에 전기적으로 접속되는 네트워크 인터페이스(570)를 포함할 수 있다. 네트워크 인터페이스(570)는 네트워크(40)를 통해 다른 개체와 신호를 송신 또는 수신할 수 있다.The computing device 500 includes at least one of a processor 510 , a memory 530 , a user interface input device 540 , a user interface output device 550 , and a storage device 560 in communication via a bus 520 . can do. Computing device 500 may also include network interface 570 electrically connected to network 40 , such as a wireless network. The network interface 570 may transmit or receive signals with other entities through the network 40 .

프로세서(510)는 AP(Application Processor), CPU(Central Processing Unit), GPU(Graphic　Processing　Unit) 등과 같은 다양한 종류들로 구현될 수 있으며, 메모리(530) 또는 저장 장치(560)에 저장된 명령을 실행하는 임의의 반도체 장치일 수 있다. 프로세서(510)는 도 1 내지 도 11에서 설명한 기능 및 방법들을 구현하도록 구성될 수 있다. The processor 510 may be implemented in various types such as an application processor (AP), a central processing unit (CPU), a graphic processing unit (GPU), and the like, and executes a command stored in the memory 530 or the storage device 560 . It may be any semiconductor device that does The processor 510 may be configured to implement the functions and methods described with reference to FIGS. 1 to 11 .

메모리(530) 및 저장 장치(560)는 다양한 형태의 휘발성 또는 비 휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(read-only memory)(531) 및 RAM(random access memory)(532)를 포함할 수 있다. 본 발명의 실시 예에서 메모리(530)는 프로세서(510)의 내부 또는 외부에 위치할 수 있고, 메모리(530)는 이미 알려진 다양한 수단을 통해 프로세서(510)와 연결될 수 있다.The memory 530 and the storage device 560 may include various types of volatile or non-volatile storage media. For example, the memory may include a read-only memory (ROM) 531 and a random access memory (RAM) 532 . In an embodiment of the present invention, the memory 530 may be located inside or outside the processor 510 , and the memory 530 may be connected to the processor 510 through various known means.

또한, 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템 중 적어도 일부는 컴퓨팅 장치(500)에서 실행되는 프로그램 또는 소프트웨어로 구현될 수 있고, 프로그램 또는 소프트웨어는 컴퓨터로 판독 가능한 매체에 저장될 수 있다.In addition, at least some of the method and system for predicting solar power generation according to embodiments of the present invention may be implemented as a program or software executed in the computing device 500, and the program or software may be stored in a computer-readable medium. have.

또한, 본 발명의 실시 예들에 따른 태양광 발전량 예측 방법 및 시스템 중 적어도 일부는 컴퓨팅 장치(500)와 전기적으로 접속될 수 있는 하드웨어로 구현될 수도 있다.In addition, at least some of the method and system for predicting solar power generation according to embodiments of the present invention may be implemented as hardware capable of being electrically connected to the computing device 500 .

이제까지 설명한 본 발명의 실시 예들에 따르면, 다중 사이트 태양광 발전량 예측에 있어서, 복수의 태양광 사이트의 공간 정보를 1차원으로 표현한 후, 이를 시간 정보와 결합하여 시공간 정보를 하나의 2차원 행렬로 표현함으로써, 뉴럴 네트워크 학습을 통해 구성하는 태양광 발전량 예측 모델의 복잡도를 낮출 수 있다.According to the embodiments of the present invention described so far, in predicting the amount of solar power generation at multiple sites, spatial information of a plurality of photovoltaic sites is expressed in one dimension, and then the spatial information is combined with time information to express the spatiotemporal information as a single two-dimensional matrix. By doing so, the complexity of the solar power generation prediction model constructed through neural network learning can be reduced.

또한, 복잡도가 낮은 태양광 발전량 예측 모델로 학습 가능하도록 다중 사이트의 태양광 발전량의 시공간 정보를 단순하면서도 효율적인 방식으로 표현함으로써, 태양광 발전량 예측 시스템의 전체적인 구현 복잡도를 낮출 수 있으면서도 태양광 발전량 예측 정확도를 향상시킬 수 있다.In addition, it is possible to reduce the overall implementation complexity of the solar power generation prediction system by expressing the temporal and spatial information of the solar power generation amount of multiple sites in a simple and efficient way so that it can be learned with a low-complexity solar power generation prediction model, and the solar power generation prediction accuracy can improve

이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되는 것은 아니고, 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 여러 변형 및 개량 형태 또한 본 발명의 권리 범위에 속한다. Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto. Various modifications and improvements by those with knowledge also fall within the scope of the present invention.

Claims (16)

복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 단계;
상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 단계;
상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하는 단계; 및
상기 학습을 통해 태양광 발전량 예측 모델의 파라미터를 결정하는 단계를 포함하는
태양광 발전량 예측 방법.expressing spatial information of a plurality of photovoltaic sites as a one-dimensional vector;
generating an input space-time matrix and a target space-time matrix by using the spatial information and temporal information expressed in the one-dimensional vector;
performing neural network learning using the input spatiotemporal matrix and the target spatiotemporal matrix; and
Comprising the step of determining the parameters of the solar power generation prediction model through the learning
How to predict solar power generation. 제1항에 있어서,
상기 공간 정보를 1차원 벡터로 표현하는 단계는,
하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택하는 단계를 포함하는, 태양광 발전량 예측 방법.
[수학식 1]
Figure pat00036

(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)According to claim 1,
The step of expressing the spatial information as a one-dimensional vector comprises:
A method of predicting solar power generation, comprising the step of selecting a first solar site s(1) by using Equation 1 below.
[Equation 1]
Figure pat00036

(Here, P 1 is a set including all the photovoltaic sites, p and q are any two photovoltaic sites among the photovoltaic sites belonging to P 1 , and D(p, q) is the distance between p and q lim) 제2항에 있어서,
상기 공간 정보를 1차원 벡터로 표현하는 단계는,
상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현하는 단계를 포함하는, 태양광 발전량 예측 방법.3. The method of claim 2,
The step of expressing the spatial information as a one-dimensional vector comprises:
By repeating the process of selecting a solar site closest to s(1) starting from s(1), the spatial information for all solar sites belonging to P 1 is expressed as the one-dimensional vector A method for predicting solar power generation, comprising the steps. 제3항에 있어서,
상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은,
하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함하는, 태양광 발전량 예측 방법.
[수학식 2]
Figure pat00037

(여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)4. The method of claim 3,
Repeating the process of selecting the solar site closest to s(1) above is,
A method of predicting solar power generation, comprising selecting s(n) using Equation 2 below.
[Equation 2]
Figure pat00037

(Here, s(n) is the nth selected solar site, s(n-1) is the n-1st selected solar site, and P n is the sun not yet selected in the nth selection process. It is a set including optical sites, and N is an absolute value with respect to P 1 ) 제1항에 있어서,
상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 방법.According to claim 1,
The input spatiotemporal matrix includes a matrix expressing the past solar power generation amount of the plurality of photovoltaic sites in two dimensions using the time information of the past M pieces (where M is a natural number). 제5항에 있어서,
상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 방법.6. The method of claim 5,
The target space-time matrix includes a matrix expressing the target photovoltaic power generation amount of the plurality of photovoltaic sites predicted until after H future time periods (where H is a natural number) in two dimensions. 제1항에 있어서,
상기 학습을 수행하는 단계는,
상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산하는 단계를 포함하는, 태양광 발전량 예측 방법.According to claim 1,
The step of performing the learning is,
and calculating a value of the parameter to minimize an error between an output space-time matrix passed through the neural network with respect to the input space-time matrix and the target space-time matrix. 제1항에 있어서,
상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 단계를 더 포함하는, 태양광 발전량 예측 방법.According to claim 1,
Using the solar power generation prediction model, the method further comprising the step of predicting the amount of solar power generation for a new plurality of photovoltaic sites, the solar power generation amount prediction method. 복수의 태양광 사이트의 공간 정보를 1차원 벡터로 표현하는 공간 정보 생성 모듈;
상기 1차원 벡터로 표현된 상기 공간 정보와 시간 정보를 이용하여 입력 시공간 행렬 및 목표 시공간 행렬을 생성하는 시공간 행렬 생성 모듈; 및
상기 입력 시공간 행렬 및 상기 목표 시공간 행렬을 이용하여 뉴럴 네트워크 학습을 수행하고, 태양광 발전량 예측 모델의 파라미터를 결정하는 학습 모듈을 포함하는
태양광 발전량 예측 시스템.a spatial information generating module that expresses spatial information of a plurality of photovoltaic sites as a one-dimensional vector;
a space-time matrix generating module for generating an input space-time matrix and a target space-time matrix by using the space information and time information expressed by the one-dimensional vector; and
A learning module that performs neural network learning using the input spatiotemporal matrix and the target spatiotemporal matrix, and determines a parameter of a solar power generation amount prediction model
Solar power generation forecasting system. 제9항에 있어서,
상기 공간 정보 생성 모듈은,
하기의 수학식 1을 이용하여 제1 태양광 사이트 s(1)을 선택하는, 태양광 발전량 예측 시스템.
[수학식 1]
Figure pat00038

(여기서, P1은 모든 태양광 사이트들을 포함하는 집합이고, p, q는 상기 P1에 속하는 태양광 사이트 중 임의의 두 태양광 사이트이고, D(p, q)는 p와 q 사이의 거리임)10. The method of claim 9,
The spatial information generating module comprises:
A solar power generation amount prediction system for selecting the first solar site s(1) by using Equation 1 below.
[Equation 1]
Figure pat00038

(Here, P 1 is a set including all photovoltaic sites, p and q are any two photovoltaic sites among photovoltaic sites belonging to P 1 , and D(p, q) is the distance between p and q lim) 제10항에 있어서,
상기 공간 정보 생성 모듈은,
상기 s(1)부터 시작하여 상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복함으로써, 상기 P1에 속하는 모든 태양광 사이트들에 대한 상기 공간 정보를 상기 1차원 벡터로 표현하는, 태양광 발전량 예측 시스템.11. The method of claim 10,
The spatial information generating module comprises:
By repeating the process of selecting a solar site closest to s(1) starting from s(1), the spatial information for all solar sites belonging to P 1 is expressed as the one-dimensional vector , solar power generation forecasting system. 제11항에 있어서,
상기 s(1)과 가장 가까운 태양광 사이트를 선택해 나가는 과정을 반복하는 것은,
하기의 수학식 2를 이용하여 s(n)을 선택하는 것을 포함하는, 태양광 발전량 예측 시스템.
[수학식 2]
Figure pat00039

(여기서, 상기 s(n)은 n번째로 선택되는 태양광 사이트이고, s(n-1)은 n-1번째로 선택된 태양광 사이트이고, Pn은 n번째 선택 과정에서 아직 선택되지 않은 태양광 사이트들을 포함하는 집합이고, N은 상기 P1에 대한 절대값임)12. The method of claim 11,
Repeating the process of selecting the solar site closest to s(1) above is,
Including selecting s(n) using Equation 2 below, a solar power generation amount prediction system.
[Equation 2]
Figure pat00039

(Here, s(n) is the nth selected solar site, s(n-1) is the n-1st selected solar site, and P n is the sun not yet selected in the nth selection process. It is a set including optical sites, and N is an absolute value with respect to P 1 ) 제9항에 있어서,
상기 입력 시공간 행렬은, 과거 M개(여기서 M은 자연수)의 상기 시간 정보를 이용하여, 상기 복수의 태양광 사이트의 과거 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 시스템.10. The method of claim 9,
The input spatiotemporal matrix includes a matrix expressing the past solar power generation amount of the plurality of photovoltaic sites in two dimensions using the time information of the past M pieces (where M is a natural number). 제13항에 있어서,
상기 목표 시공간 행렬은, 미래 H개(여기서 H는 자연수)의 시간대 후까지 예측되는 상기 복수의 태양광 사이트의 목표 태양광 발전량을 2차원으로 표현한 행렬을 포함하는, 태양광 발전량 예측 시스템.14. The method of claim 13,
The target space-time matrix includes a matrix expressing the target solar power generation amount of the plurality of photovoltaic sites predicted up to after H future time periods (where H is a natural number) in two dimensions. 제9항에 있어서,
상기 학습 모듈은,
상기 입력 시공간 행렬에 대해 상기 뉴럴 네트워크를 통과한 출력 시공간 행렬과 상기 목표 시공간 행렬 사이의 오차를 최소화하도록 상기 파라미터의 값을 연산하는, 태양광 발전량 예측 시스템.10. The method of claim 9,
The learning module is
and calculating the value of the parameter to minimize an error between an output spatiotemporal matrix passed through the neural network with respect to the input spatiotemporal matrix and the target spatiotemporal matrix. 제9항에 있어서,
상기 태양광 발전량 예측 모델을 이용하여, 새로운 복수의 태양광 사이트에 대해 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 더 포함하는, 태양광 발전량 예측 시스템.10. The method of claim 9,
Using the solar power generation prediction model, the solar power generation amount prediction system further comprising a solar power generation amount prediction module for predicting the solar power generation amount for a plurality of new photovoltaic sites.
KR1020200159204A 2020-11-24 2020-11-24 Photovoltaic forecasting method and system KR102515608B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200159204A KR102515608B1 (en) 2020-11-24 2020-11-24 Photovoltaic forecasting method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200159204A KR102515608B1 (en) 2020-11-24 2020-11-24 Photovoltaic forecasting method and system

Publications (2)

Publication Number Publication Date
KR20220071740A true KR20220071740A (en) 2022-05-31
KR102515608B1 KR102515608B1 (en) 2023-03-29

Family

ID=81780226

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200159204A KR102515608B1 (en) 2020-11-24 2020-11-24 Photovoltaic forecasting method and system

Country Status (1)

Country Link
KR (1) KR102515608B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102542059B1 (en) * 2022-10-31 2023-06-20 식스티헤르츠 주식회사 Method, apparatus and system of managing model for predition of power generation of renewable energy
KR20240119682A (en) 2023-01-30 2024-08-06 호남대학교 산학협력단 Method to predict solar power generation

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109842373A (en) * 2019-04-15 2019-06-04 国网河南省电力公司电力科学研究院 Diagnosing failure of photovoltaic array method and device based on spatial and temporal distributions characteristic
CN110009385A (en) * 2019-01-11 2019-07-12 国网浙江杭州市临安区供电有限公司 A kind of photovoltaic power generation user group division methods based on multifactor mapping

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009385A (en) * 2019-01-11 2019-07-12 国网浙江杭州市临安区供电有限公司 A kind of photovoltaic power generation user group division methods based on multifactor mapping
CN109842373A (en) * 2019-04-15 2019-06-04 国网河南省电力公司电力科学研究院 Diagnosing failure of photovoltaic array method and device based on spatial and temporal distributions characteristic

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Agoua, Xwégnon Ghislain, Robin Girard, and George Kariniotakis. "Short-term spatio-temporal forecasting of photovoltaic power production." IEEE Transactions on Sustainable Energy 9.2 (2017): 538-546. 1부.* *
Chai, Songjian, et al. "A robust spatiotemporal forecasting framework for photovoltaic generation." IEEE Transactions on Smart Grid 11.6 (2020.6.30.): 5370-5382. 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102542059B1 (en) * 2022-10-31 2023-06-20 식스티헤르츠 주식회사 Method, apparatus and system of managing model for predition of power generation of renewable energy
KR20240119682A (en) 2023-01-30 2024-08-06 호남대학교 산학협력단 Method to predict solar power generation

Also Published As

Publication number Publication date
KR102515608B1 (en) 2023-03-29

Similar Documents

Publication Publication Date Title
CN109902885B (en) Typhoon prediction method based on deep learning mixed CNN-LSTM model
CN112653142B (en) Wind power prediction method and system for optimizing depth transform network
Cannizzaro et al. Solar radiation forecasting based on convolutional neural network and ensemble learning
Díaz–Vico et al. Deep neural networks for wind and solar energy prediction
Liu et al. Short-term predictions of multiple wind turbine power outputs based on deep neural networks with transfer learning
Ren et al. Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting
Li et al. Decomposition integration and error correction method for photovoltaic power forecasting
CN115347571B (en) Photovoltaic power generation short-term prediction method and device based on transfer learning
CN103489038A (en) Photovoltaic ultra-short-term power prediction method based on LM-BP neural network
CN110648017A (en) Short-term impact load prediction method based on two-layer decomposition technology
KR20220071740A (en) Photovoltaic forecasting method and system
CN116894384B (en) Multi-fan wind speed space-time prediction method and system
Vaisakh et al. Analysis on intelligent machine learning enabled with meta-heuristic algorithms for solar irradiance prediction
Haque et al. A comparative analysis of deep neural networks for hourly temperature forecasting
CN114006411B (en) Wind power prediction method and system based on LSTM-CNN joint model
Garip et al. Day-ahead solar photovoltaic energy forecasting based on weather data using LSTM networks: a comparative study for photovoltaic (PV) panels in Turkey
Alharbi et al. Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning
Zhong et al. Hybrid Network Model Based on Data Enhancement for Short-Term Power Prediction of New PV Plants
Hou et al. A hybrid machine learning forecasting model for photovoltaic power
Mantzari et al. Solar radiation: Cloudiness forecasting using a soft computing approach.
Ferreira et al. Investigating the use of reservoir computing for forecasting the hourly wind speed in short-term
CN116681154A (en) Photovoltaic power calculation method based on EMD-AO-DELM
Le Cadre et al. Solar PV power forecasting using extreme learning machine and information fusion
Cao et al. Spatial-temporal wind field prediction by Artificial Neural Networks
CN115345207A (en) Self-adaptive multi-meteorological-element prediction method

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant