KR20220072961A - 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 - Google Patents

머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20220072961A
KR20220072961A KR1020200160523A KR20200160523A KR20220072961A KR 20220072961 A KR20220072961 A KR 20220072961A KR 1020200160523 A KR1020200160523 A KR 1020200160523A KR 20200160523 A KR20200160523 A KR 20200160523A KR 20220072961 A KR20220072961 A KR 20220072961A
Authority
KR
South Korea
Prior art keywords
data
power generation
machine learning
solar
insolation
Prior art date
Application number
KR1020200160523A
Other languages
English (en)
Other versions
KR102488668B1 (ko
Inventor
안크자야 바타르빌렉
양지혁
이개명
Original Assignee
주식회사 나눔에너지
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 주식회사 나눔에너지 filed Critical 주식회사 나눔에너지
Priority to KR1020200160523A priority Critical patent/KR102488668B1/ko
Publication of KR20220072961A publication Critical patent/KR20220072961A/ko
Application granted granted Critical
Publication of KR102488668B1 publication Critical patent/KR102488668B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법으로, 기후 데이터와 발전량 데이터를 수집하는 서버; 태양광 모듈에 도달할 때의 어레이 경사면 일사량과, 주변 온도와 풍속을 이용하여 모듈 온도 데이터를 산출하는 일사량 및 온도 해석 모델링부; 산출된 어레이 경사면 일사량과 모듈 온도 데이터를 표준화된 데이터로 저장하는 표준화데이터베이스; 태양광 발전소의 실제 발전량 데이터를 저장하는 실제 발전량 데이터베이스; 과거 기후 데이터와 과거 발전량을 활용하여 상관관계를 찾아서 학습하고, 발전량 예측 모델을 테스트하고, 예측 모델을 실제 발전량 데이터와 예측된 데이터를 비교하며 오차를 보정하여 발전량 예측 모델을 구현하는 제1머신러닝부; 및 일사량 데이터를 통하여 구름의 특성을 분석하며, 구름 특성과 구름 정보 간의 상관관계를 찾아서 예측 모델을 생성한 후 학습, 테스트 및 검증하는 제2 머신러닝부를 포함하고, 상기 제1머신러닝부의 결과 예측된 발전량과 제2 머신러닝부에 따른 손실 발전량을 통해 최적의 발전량을 예측한다.

Description

머신러닝을 이용한 태양광 발전 예측 시스템 및 방법{System and method of predicting photovoltaic power generation using machine learning}
본 발명은 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 태양광 발전에 영향을 주는 기후 데이터, 태양 위치와 모듈의 경사각과 방위각을 활용하여 태양광 모듈에 도달할 일사량, 풍속과 주변 온도를 사용하여 모듈 온도를 각각 산출하고, 이를 입력값으로 설정한 머신러닝 기반으로 기후 데이터와 발전량의 상관관계에 대한 예측 모델에서 구름에 대한 정보 운량과 운형을 예측하고 해당 발전소에 일사량 분포를 산출하여 태양광 발전량 손실을 산출함으로써 태양광 발전소의 발전량을 예측하는 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법에 대한 것이다.
태양광 발전은 햇빛을 직류 전기로 바꾸어 전류를 생산하는 발전 방법으로서, 여러 개의 태양 전지들이 붙어있는 태양광 패널을 대규모로 펼쳐 태양광 에너지를 이용하여 전기를 생산하게 된다.
세계적으로 환경오염 및 자원고갈 문제를 해결하기 위하여 신재생 에너지 사업을 활발히 추진하고 있다.
우리나라에서도 환경오염 및 에너지 위기에 대응하려는 배경 하에 태양 에너지를 이용한 태양광 전원의 설치는 매년 증가하고 있으며, 성능향 상을 위한 상태진단 기술 및 발전량 예측기술이 요구되고 있다.
태양광발전 시스템은 일사량에 변화에 따라 발전출력의 변동 가능성이 높다. 태양광 발전시스템의 비중이 증가함에 따라 태양광 발전 시스템의 발전출력 변동이 전력계통 품질과 신뢰도에 부정적인 영향을 미치고 있다.
전력계통에 연결된 태양광 발전시스템의 규모가 빠르게 증가함에 따라 대규모 태양광 발전 시스템의 발전량을 수용하도록 전력계통 운영에 증감발률 제어, LVRT(Low-Voltage Ride Through)기능 확보 및 무효전력 제어와 같은 기술적 요구사항이 필요해진다.
기존의 발전량 예측기술로는 AMPP, FFv, Osterwald's 알고리즘 등이 있지만, 온도, 일사량, 개방전압, 단락전류, 내부 저항, 시리즈 저항 등 많은 파라미터를 고려해야 하고, 동일조건에서 모듈상태에 따라 다르게 출력되는 모듈의 발전량 차이를 고려하기 어렵다.
한편, 일사량과 일사의 시간 분포는 어떤 지역에서 태양의 고도와 기후, 구름에 따라서 변화된다.
태양광 발전 모듈이나 어레이에 도달할 빛은 태양광 모듈의 주변 건물과 나무, 지나가는 구름에 의해 부분적 또는 완전히 차단되는 경우가 생기고, 이렇게 음영된 곳에서 태양광 모듈과 어레이에 부정합손실(Mismatch Loss)이 발생한다.
일사량의 변동에 구름이 가장 큰 영향을 주고, 구름 이동에 따른 일사량의 변화와 태양광 발전 모듈의 발전량의 변화를 조사하여 실질적인 상관관계를 파악하는 것이 중요하다.
각 지역마다 구름이나 기후특성에 따라 일사량이 다르기 때문에 그 지역에 대하여 일사량과 구름 이동에 대한 분석이 매우 중요함에도 불구하고, 태양광 발전소를 신축할 때 이러한 요소를 고려하지 않고 있어서, 보다 효율적인 태양광 발전 모듈 어레이의 구성을 위하여 구름 이동에 따른 일사량 변화를 분석하여 태양광 발전량의 예측에 적용할 필요가 있다.
국내등록특허 제10-1890673호
본 발명은 전술한 바와 같은 종래의 문제점을 해결하고자 안출된 것으로서, 그의 목적은 태양광 발전에 영향을 주는 기후 데이터, 태양 위치와 모듈의 경사각과 방위각을 활용하여 태양광 모듈에 도달할 일사량, 풍속과 주변 온도를 사용하여 모듈 온도를 각각 산출하고, 일사량과 모듈 온도 데이터를 입력값으로 설정한 머신러닝 기반으로 기후 데이터와 발전량의 상관관계에 대한 예측 모델에서 구름에 대한 정보 운량과 운형을 예측하여 해당 발전소에 일사량 분포를 산출하여 구름에 따른 태양광 발전량 손실을 계산함으로써 최적의 발전량을 예측하는 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법을 제공하기 위한 것이다.
본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 시스템은, 기후 데이터와 발전량 데이터를 수집하는 서버; 태양 위치와 태양광 모듈의 경사각과 방위각을 활용하여 태양광 모듈에 도달할 때의 어레이 경사면 일사량과, 주변 온도와 풍속을 이용하여 모듈 온도 데이터를 산출하는 일사량 및 온도 해석 모델링부; 서버에서 실시간으로 수집된 기후 데이터와, 일사량 및 온도 해석 모델링부로부터 산출된 어레이 경사면 일사량과 모듈 온도 데이터를 표준화된 데이터로 저장하는 표준화데이터베이스; 태양광 발전소의 실제 발전량 데이터를 저장하는 실제 발전량 데이터베이스; 상기 표준화 데이터베이스로부터 데이터가 입력되어 과거 기후 데이터와 과거 발전량을 활용하여 상관관계를 찾아서 학습하고, 학습된 결과에 따라서 발전량 예측 모델을 실제 발전량 데이터와 비교하여 테스트하고, 예측 모델을 실제 발전량 데이터와 예측된 데이터를 비교하며 오차를 보정하여 발전량 예측 모델을 구현하는 제1머신러닝부; 및 태양광 발전소 시스템 정보, 일사량 데이터와 구름에 대한 정보를 입력값으로 설정하여 해당 발전소의 일사량 분포를 예측하고, 일사량 데이터를 통하여 구름의 특성을 분석하며, 구름 특성과 구름 정보 간의 상관관계를 찾아서 예측 모델을 생성한 후 학습, 테스트 및 검증하는 제2 머신러닝부를 포함하고, 상기 제1머신러닝부의 결과 예측된 발전량과 제2 머신러닝부에 따른 손실 발전량을 통해 최적의 발전량을 예측하는 것을 특징으로 하는 것이다.
또한, 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 시스템에 있어서, 상기 제1머신러닝부는 기후 데이터, 태양위치, 발전소의 방위각과 경사각에 따라 구현된 데이터를 일, 월, 계절 기준으로 선별하는 선별부; 과거 기후 데이터를 사용하여 관련된 요소들을 활용하여 머신러닝을 통해 기후 데이터를 예측하는 기후데이터 예측부; 과거 기후 데이터와 과거 발전량을 활용하여 머신러닝 기반으로 상관관계를 찾기 위해 학습하는 학습부; 상기 학습부에서 나온 예측 모델을 현재 기후와 발전량 데이터를 통해 테스트하는 테스트부; 예측 모델을 향상시키기 위해 실제 발전량 데이터와 예측된 데이터를 비교하여 오차율을 보정하는 오차율 보정부; 학습, 테스트 후 오차율을 보정하여 발전량 예측 모델을 생성하는 발전량 예측부를 포함하는 것을 특징으로 하는 것이다.
한편, 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 방법은, 공개된 인터페이스를 통하여 기후 데이터를 서버에서 실시간으로 수집하는 단계; 실시간 태양 위치와 경도, 위도를 활용하여 태양광 모듈에 도달할 일사량을 산출하며, 주변 온도를 사용하여 모듈의 온도를 산출하는 단계; 기후 데이터와 일사량, 모듈 온도 데이터를 머신러닝부에 입력하여 과거 데이터와 발전량의 상관관계를 학습하고, 테스트 및 검증을 통하여 발전량 예측 모델을 생성하는 단계; 머신러닝 기반으로 과거 기후 데이터로부터 구름 정보를 예측하는 단계; 예측된 구름 정보를 이용하여 운형과 운량의 상관관계에 따른 그림자 예측 모델을 생성하는 단계; 및 그림자 예측 모델을 통하여 구름의 이동에 따라 해당 발전소에 대한 일사량 분포를 산출하고 구름 음영에 따른 태양광 발전량 손실을 계산하여 최적의 발전량을 예측하는 단계를 포함한다.
본 발명에 의하면, 태양광 발전소가 위치하는 지역에 대하여 일사량과 구름 이동을 고려함으로써 보다 효율적인 태양광 발전 모듈 어레이의 구성을 할 수 있는 효과가 있다.
또한, 머신러닝 기반으로 기후 데이터와 발전량의 상관관계에 대한 예측 모델에서 구름에 대한 정보 운량과 운형을 예측하여 구름에 따른 태양광 발전량 손실을 계산함으로써 최적의 발전량을 예측할 수 있는 효과가 있다.
본 발명에 의하면, 태양광 발전소 위를 지나는 어떤 구름의 모양과 속도를 알게 되면, 구름음영에 따른 태양광 어레이나 태양광 발전소의 출력 손실을 계산하여 예측할 수 있다.
도1은 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 시스템의 전체 구성 블록도이다.
도2는 도1에 도시된 머신러닝을 이용한 태양광 발전 예측 시스템에서 일사량 및 온도 해석 모델링부의 구성 블록도이다.
도3은 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 시스템의 세부적인 구성 블록도이다.
도4는 도1에 도시된 머신러닝을 이용한 태양광 발전 예측 시스템에서 구름 손실 모델에 따른 발전량 예측 플로우이다.
도5는 도4에 도시된 구름에 따른 손실 모델에서 구름 특성 분석 과정의 흐름도이다.
도6은 도4에 도시된 구름에 따른 손실 모델에서 운형과 운량을 설명하기 위한 예시도이다.
도7은 태양광 발전소의 태양광 모듈 어레이에 대하여 구름 이동에 따른 일사량의 변화를 나타내는 도면이다.
도8은 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 방법의 흐름도이다.
이하, 첨부된 도면을 참조하면서 본 발명의 실시예에 따른 머신러닝을 이용한 태양광 발전 예측 시스템에 대해 상세히 설명하기로 한다.
도1은 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 시스템의 전체 구성 블록도이다.
도1을 참조하면, 본 발명의 실시예에 따른 머신러닝을 이용한 태양광 발전 예측 시스템은 서버(10), 제1머신러닝부(20), 일사량 및 온도 해석 모델링부(30), 제1발전량 예측부(40), 제2머신러닝부(50), 구름 손실 산출 모듈(60), 제2 발전량 예측부(70)를 포함한다.
상기 서버(10)는 과거 기후 데이터베이스(11), 과거 발전량 데이터베이스(12), 현재 기후 데이터베이스(13), 현재 발전량 데이터베이스(14)로부터 기후 데이터와 발전량 데이터를 실시간으로 수집한다.
상기 일사량 및 온도 해석 모델링부(30)는 태양 위치와 태양광 모듈의 경사각과 방위각을 활용하여 태양광 모듈에 도달할 때의 어레이 경사면 일사량(POA: Plane of Array)과, 주변 온도와 풍속을 이용하여 모듈 온도 데이터를 산출한다.
제1머신러닝부(20)는 상기 서버(10)로부터 과거 발전량 데이터, 기후 데이터, 어레이 경사면 일사량과 모듈 온도 데이터를 입력값으로 설정하여 를 이용하여 태양광 발전에 영향을 주는 기후 데이터와 발전량의 상관관계를 찾아서 예측 모델을 생성한 후 상기 예측모델을 현재 기후와 발전량 데이터를 통해 테스트 및 검증한다.
또한, 상기 제1머신러닝부(20)는 SVM(Support Vector Machine), RBFN(Radial Basic Function Network), ARIMA(Autoregressive Integrated Moving Average) 기법을 사용할 수 있으며, 과거 데이터와 발전량의 상관관계를 얻고 이를 통해 발전량 예측 모델을 구현한다.
상기 제1발전량 예측부(40)는 상기 제1머신러닝부로부터 태양광 모듈 어레이의 발전량을 예측한다.
상기 제2머신러닝부(50)는 발전소 시스템 정보, 일사량 데이터와 구름에 대한 정보를 입력값으로 설정하여 해당 발전소의 일사량 분포를 예측하고, 일사량 데이터를 통하여 구름의 특성을 분석하며, 구름 특성과 구름 정보 간의 상관관계를 찾아서 예측 모델을 생성하여 학습, 테스트 및 검증한다.
상기 제2머신러닝부(50)는 구름 정보 입력부(80)를 통해서 구름에 대한 정보를 입력 받게 되고, 일사량 데이터는 현재의 기후데이터베이스(13)를 통해서 입력되고, 발전소 위치를 포함하는 발전소 시스템 정보는 시스템 정보 입력부를 통해서 입력될 수 있다.
제2머신러닝부(50)는 SVM(Support Vector Machine), ARIMA(Autoregressive Integrated Moving Average) 기법을 사용할 수 있으며 기후 데이터를 예측하며, 구름에 대한 정보로 운량과 운형을 예측하게 된다.
구름 손실 산출 모듈(60)은 제2 머신러닝부(50)로부터 태양광 발전소에서 구름에 따른 일사량 손실을 산출한다.
제2 발전량 예측부(70)는 상기 제1발전량 예측 수행부(40)에서 나오는 예측된 발전량과 상기 구름 손실 산출 모델에 따른 손실 발전량을 통해 최적의 발전량이 결과로 도출된다.
또한, 상기 구름 손실 산출 모듈(60)은 과거 일사량 데이터를 통하여 구름의 길이, 이동 방향, 속도와 두께를 분석하여 구름 정보로서 운형과 운량의 상관관계에 따른 그림자 예측 모델(100)을 생성한다.
이를 통해 해당 위치에 태양광 발전소의 단일 지점의 일사량 변동을 찾게 되고 구름의 속도와 방향을 통하여 해당 태양광 발전소에 대한 일사량 분포의 손실 변화를 얻을 수 있다.
도2는 도1에 도시된 머신러닝을 이용한 태양광 발전 예측 시스템에서 일사량 및 온도 해석 모델링부의 구성 블록도이다.
일사량 및 온도 해석 모델링부(30)는 경도와 위도 및 날짜를 통해 PSA 알고리즘을 활용하여 태양위치(실시간 태양 방위각, 태양 고도와 태양 시각 등)를 구한다.
태양위치 정보와 태양광 모델의 경사각과 방위각을 사용하여 POA 일사량을 산출한다. 또한, 태양광 모델의 온도를 기후 데이터 주변 온도와 풍속을 통해 산출한다.
도2를 참조하면, 상기 일사량 및 온도 해석 모델링부(30)는 위치 데이터부(31), 태양 위치 산출부(32), 일사량 산출부(33), 온도 산출부(34)를 포함한다.
상기 위치 데이터부(31)는 서버(10)로부터 특정 날짜에서 예측 지점의 경도, 위도 데이터를 수집한다.
상기 태양 위치 산출부(32)는 상기 위치 데이터부(31)에서 수집된 날짜, 경도와 위도에 따라 태양위치를 산출한다.
상기 일사량 산출부(33)는 태양위치 산출부(32)에서 나오는 태양 방위각과 고도에 대하여 태양광 발전소의 위치에 대한 가능한 방위각과 경사각을 활용하여 태양광 발전 모듈에 조사되는 어레이 경사면(POA) 일사량을 산출한다.
어레이 경사면(POA) 일사량은 수평면 일사량, 법선면 직달 일사량, 법선면 산란 일사량을 종합하여 산출된다.
한편, 온도 산출부(34)는 태양광 발전 모듈의 기후 데이터, 주변 온도와 풍속을 통해 태양광 발전 모듈의 온도를 산출한다.
도3은 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 시스템의 세부적인 구성 블록도이다.
도3을 참조하면, 과거 기후 데이터를 개방된 API를 사용하여 서버(10)로부터 실시간으로 수집한다.
또한, 도2에 도시된 일사량 및 온도 해석 모델링부(30)에서 태양위치 정보와 태양광 모델의 경사각과 방위각을 사용하여 태양광 모듈에 조사된 POA 일사량을 산출하고, 태양광 모델의 온도를 기후 데이터 주변 온도와 풍속을 통해 산출한다.
실시간으로 수집된 기후 데이터와 POA 일사량, 태양광 모델의 온도를 표준화 데이터베이스로 구현하고, 머신러닝 기반으로 ARIMA 모델의 입력을 준비한다.
표준화데이터베이스(15)는 서버(10)에서 실시간으로 수집된 기후 데이터와, 일사량 및 온도 해석 모델링부(15)로부터 산출된 어레이 경사면 일사량과 모듈 온도 데이터를 표준화된 데이터로 저장한다.
또한, 제1머신러닝부(20)에서 예측 모델을 현재 기후와 발전량 데이터를 통해 테스트하고, 예측 모델을 향상시키기 위해 오차율을 보정하기 위해서, 실제 발전량 데이터와 예측된 데이터를 비교하기 위하여, 실제 발전량 데이터베이스(14)에서 태양광 발전소의 실제 발전량 데이터를 저장한다.
도3을 참조하면, 제1 머신러닝부(20)는 선별부(21), 기후데이터 예측부(22), 학습부(23), 테스트부(24), 오차율 보정부(25), 발전량 예측부(26)를 포함하여 구성될 수 있다.
선별부(21)는 기후 데이터, 태양위치, 발전소의 방위각과 경사각에 따라 구현된 데이터를 일, 월, 계절 기준으로 선별한다.
기후데이터 예측부(22)는 과거 기후 데이터를 사용하여 관련된 요소들을 활용하여 머신러닝을 통해 기후 데이터를 예측한다.
학습부(23)는 과거 기후 데이터와 과거 발전량을 활용하여 머신러닝 기반으로 상관관계를 찾기 위해 학습한다.
테스트부(24)는 학습부(24)에서 나온 예측 모델을 현재 기후와 발전량 데이터를 통해 테스트한다.
오차율 보정부(25)는 예측 모델을 향상시키기 위해 실제 발전량 데이터와 예측된 데이터를 비교하여 오차율을 보정한다.
발전량 예측부(26)는 학습, 테스트와 오차율을 보정하여 발전량 예측 모델을 구현한다.
도4는 도1에 도시된 머신러닝을 이용한 태양광 발전 예측 시스템에서 구름에 따른 손실 모델에 따른 발전량 예측 플로우이다.
S31단계는 선택한 위치에 설치될 발전소의 정보로서. 예를 들어, 설치용량, 면적, 직렬과 병렬 수량 등을 머신러닝에 입력한다.
S32 단계는 일사량 데이터를 활용하여 구름의 특성 분석을 한다.
S34단계는 제2머신러닝 기반으로 동작하며, 구름에 대한 정보를 활용하여 해당 발전소의 일사량 분포를 예측한다.
구름 정보를 통하여 발전소에 일사량 분포를 예측할 수 있는 모델을 만들기 위해 분 단위 일사량 데이터를 통하여 구름의 특성을 분석하며, 머신러닝 기반 예측 모델을 통해 구름 특성과 구름 정보 간의 상관관계를 얻고 과거 기후 데이터를 통해 모델을 테스트와 검증한다.
S35단계는 S34단계를 통해 나오는 결과를 활용하여 해당 발전소에 대한 일사량 분포를 산출한다.
S36단계는 제1머신러닝(20) 기반에 의한 제1 발전량 예측부(40)를 통해 나오는 예측된 발전량에 대하여 S34 단계에 따른 결과 구름에 따른 손실을 산출하여 반영한다.
이를 통해 S37단계에서 최적의 예측 발전량이 결과로 나온다.
도5는 도4에 도시된 구름에 따른 손실 모델에서 구름 특성 분석 과정S32 단계의 흐름도이다.
도5를 참조하면, 분 단위 일사량 데이터를 입력하면(S311), 입력된 분 단위 일사량을 활용하여 단일 지점에 대하여 구름 이동에 따른 일사량을 수학적으로 모델링한다(S312).
이때, 상기 수학적 모델링에 의하여 구름 특성 정보, 음영지수, 경사도를 얻을 수 있다(S313).
이와 같이 구름 특성 정보, 풍력 및 풍속을 통해 발전소에 대한 일사량 분포를 각 모듈별로 산출할 수 있다.
도6은 도4에 도시된 구름에 따른 손실 모델에서 운형과 운량을 설명하기 위한 예시도이다.
머신러닝 기반의 구름에 의한 그림자(cloud shading)예측 모델을 만들기 위해 과거 일사량 데이터를 통하여 구름의 특성, 구름의 길이, 이동 방향, 속도와 두께를 분석한다.
머신러닝을 활용하여 도6에 도시된 구름 정보로서 운형과 운량과 구름 특성의 상관관계를 찾고 그림자 예측 모델을 만든다.
머신러닝 기반의 구름에 의한 그림자 예측 모델은 구름 운형과 운량을 통해 구름의 길이, 방향, 속도와 두께를 예측하며, 이를 통해 해당 위치에 단일 지점의 일사량 변동을 찾는다.
이후 구름의 속도와 방향을 통하여 해당 태양광 발전소에 일사량 분포를 찾는다.
도7은 태양광 발전소의 태양광 모듈 어레이에 대하여 구름 이동에 따른 일사량의 변화를 나타내는 도면이다.
도7a는 태양광 발전소의 일사량 분포이고, 도7b는 각 지점에 해당한 일사량을 나타낸다.
도7에 의해 12×15 태양광 모듈 어레이의 구름의 따른 일사량의 변동 수준이 제시된다. 선택한 시간 단계는 모듈 어레이에 일반적인 음영이 가장자리에서 이동함에 따라 발생하는 일부 음영의 중간점이다.
구름 이동 방향은 45°로서, 인접한 태양광 모듈들의 일사량 차이는 작다. 태양광 모듈에 받은 가장 큰 일사량은 938.72 W/m2(모듈 D)이고 가장 작은 것은 411.56 W/m2(모듈 A)이다.
도7a와 같이 구름 음영이 모듈 어레이의 중간에 덮고 있을 때 태양광 모듈 D와 A 사이의 일사량 차이는 가장 크다.
이 순간에는 전체 태양광 어레이의 모듈의 일사량은 527.16 W/m2 이내가 된다.
도8은 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 방법의 흐름도이다.
도8을 참조하면, 본 발명에 따른 머신러닝을 이용한 태양광 발전 예측 과정은 다음과 같이 진행된다.
먼저, 공개된 인터페이스를 통하여 기후 데이터를 서버에서 실시간으로 수집한다(S10).
다음으로, 실시간 태양 위치와 경도, 위도를 활용하여 태양광 모듈에 도달할 일사량을 산출하며, 주변 온도를 사용하여 모듈의 온도를 산출한다(S20).
다음으로, 기후 데이터와 일사량, 모듈 온도 데이터를 머신러닝부(20)에 입력하여 과거 데이터와 발전량의 상관관계를 학습하고, 테스트 및 검증을 통하여 발전량 예측 모델을 생성하게 된다(S30).
또한, 머신러닝 기반으로 과거 기후 데이터로부터 구름 정보를 예측한다(S40).
한편, 예측된 구름 정보를 이용하여 운형과 운량의 상관관계에 따른 그림자 예측 모델을 생성하게 된다(S50).
최종적으로, 그림자 예측 모델을 통하여 구름의 이동에 따라 해당 발전소에 대한 일사량 분포를 산출하고 구름 음영에 따른 태양광 발전량 손실을 계산하여 최적의 발전량을 예측할 수 있게 된다(S60).
본 발명에 의하여 태양광 발전소 위를 지나는 어떤 구름의 모양과 속도를 알게 되면, 구름음영에 따른 태양광 어레이나 태양광 발전소의 출력 손실을 계산하여 예측할 수 있다.
이상에서 본 발명은 기재된 구체적인 실시예에 대해서만 상세히 설명되었지만 본 발명의 기술사상 범위 내에서 다양한 변형 및 수정이 가능함은 당업자에게 있어서 명백한 것이며, 이러한 변형 및 수정이 첨부된 특허청구범위에 속함은 당연한 것이다.
10 : 서버 20 : 제1머신러닝부
21 : 선별부 22 : 기후데이터 예측부
23 : 학습부 24 : 테스트부
25 : 오차율 보정부 26 : 발전량 예측부
30 : 일사량 및 온도 해석 모델링부 31 : 위치 데이터부
32 : 태양 위치 산출부 33 : 일사량산출부
34 : 온도 산출부 40 : 제1발전량예측부
50 : 제2머신러닝부 60 : 구름손실 산출모듈
70 : 제2발전량예측부 80 : 구름정보 입력부
90 : 시스템정보 입력부 100 : 그림자예측모델

Claims (3)

  1. 기후 데이터와 발전량 데이터를 수집하는 서버;
    태양 위치와 태양광 모듈의 경사각과 방위각을 활용하여 태양광 모듈에 도달할 때의 어레이 경사면 일사량과, 주변 온도와 풍속을 이용하여 모듈 온도 데이터를 산출하는 일사량 및 온도 해석 모델링부;
    서버에서 실시간으로 수집된 기후 데이터와, 일사량 및 온도 해석 모델링부로부터 산출된 어레이 경사면 일사량과 모듈 온도 데이터를 표준화된 데이터로 저장하는 표준화데이터베이스;
    태양광 발전소의 실제 발전량 데이터를 저장하는 실제 발전량 데이터베이스;
    상기 표준화 데이터베이스로부터 데이터가 입력되어 과거 기후 데이터와 과거 발전량을 활용하여 상관관계를 찾아서 학습하고, 학습된 결과에 따라서 발전량 예측 모델을 실제 발전량 데이터와 비교하여 테스트하고, 예측 모델을 실제 발전량 데이터와 예측된 데이터를 비교하며 오차를 보정하여 발전량 예측 모델을 구현하는 제1머신러닝부; 및
    태양광 발전소 시스템 정보, 일사량 데이터와 구름에 대한 정보를 입력값으로 설정하여 해당 발전소의 일사량 분포를 예측하고, 일사량 데이터를 통하여 구름의 특성을 분석하며, 구름 특성과 구름 정보 간의 상관관계를 찾아서 예측 모델을 생성한 후 학습, 테스트 및 검증하는 제2 머신러닝부를 포함하고,
    상기 제1머신러닝부의 결과 예측된 발전량과 제2 머신러닝부에 따른 손실 발전량을 통해 최적의 발전량을 예측하는 것을 특징으로 하는 머신러닝을 이용한 태양광 발전 예측 시스템.
  2. 제 1 항에 있어서,
    상기 제1머신러닝부는,
    기후 데이터, 태양위치, 발전소의 방위각과 경사각에 따라 구현된 데이터를 일, 월, 계절 기준으로 선별하는 선별부;
    과거 기후 데이터를 사용하여 관련된 요소들을 활용하여 머신러닝을 통해 기후 데이터를 예측하는 기후데이터 예측부;
    과거 기후 데이터와 과거 발전량을 활용하여 머신러닝 기반으로 상관관계를 찾기 위해 학습하는 학습부;
    상기 학습부에서 나온 예측 모델을 현재 기후와 발전량 데이터를 통해 테스트하는 테스트부;
    예측 모델을 향상시키기 위해 실제 발전량 데이터와 예측된 데이터를 비교하여 오차율을 보정하는 오차율 보정부; 및
    학습, 테스트 후 오차율을 보정하여 발전량 예측 모델을 생성하는 발전량 예측부를 포함하는 것을 특징으로 하는 머신러닝을 이용한 태양광 발전 예측 시스템.
  3. 공개된 인터페이스를 통하여 기후 데이터를 서버에서 실시간으로 수집하는 단계;
    실시간 태양 위치와 경도, 위도를 활용하여 태양광 모듈에 도달할 일사량을 산출하며, 주변 온도를 사용하여 모듈의 온도를 산출하는 단계;
    기후 데이터와 일사량, 모듈 온도 데이터를 머신러닝부에 입력하여 과거 데이터와 발전량의 상관관계를 학습하고, 테스트 및 검증을 통하여 발전량 예측 모델을 생성하는 단계;
    머신러닝 기반으로 과거 기후 데이터로부터 구름 정보를 예측하는 단계;
    예측된 구름 정보를 이용하여 운형과 운량의 상관관계에 따른 그림자 예측 모델을 생성하는 단계; 및
    그림자 예측 모델을 통하여 구름의 이동에 따라 해당 발전소에 대한 일사량 분포를 산출하고 구름 음영에 따른 태양광 발전량 손실을 계산하여 최적의 발전량을 예측하는 단계를 포함하는 머신러닝을 이용한 태양광 발전 예측 방법.
KR1020200160523A 2020-11-25 2020-11-25 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 KR102488668B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200160523A KR102488668B1 (ko) 2020-11-25 2020-11-25 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200160523A KR102488668B1 (ko) 2020-11-25 2020-11-25 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220072961A true KR20220072961A (ko) 2022-06-03
KR102488668B1 KR102488668B1 (ko) 2023-01-16

Family

ID=81983548

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160523A KR102488668B1 (ko) 2020-11-25 2020-11-25 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102488668B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102645221B1 (ko) * 2023-09-21 2024-03-08 주식회사 제이케이코어 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR20170126623A (ko) * 2016-05-10 2017-11-20 (주)유에너지 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템
KR101890673B1 (ko) 2011-09-21 2018-08-22 엘지전자 주식회사 일사량 추정을 위해 전천사진으로부터 운량을 계산하는 방법, 상기 계산한 운량을 이용한 태양광 발전량 예측 장치
KR102030925B1 (ko) * 2018-04-26 2019-10-10 경성대학교 산학협력단 태양광 발전량 모니터링 시스템
JP2020108188A (ja) * 2018-12-26 2020-07-09 一般財団法人電力中央研究所 Ｐｖ出力予測支援装置、ｐｖ出力予測装置、ｐｖ出力予測支援方法及びｐｖ出力予測支援プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101890673B1 (ko) 2011-09-21 2018-08-22 엘지전자 주식회사 일사량 추정을 위해 전천사진으로부터 운량을 계산하는 방법, 상기 계산한 운량을 이용한 태양광 발전량 예측 장치
KR20170126623A (ko) * 2016-05-10 2017-11-20 (주)유에너지 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템
KR101761686B1 (ko) * 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR102030925B1 (ko) * 2018-04-26 2019-10-10 경성대학교 산학협력단 태양광 발전량 모니터링 시스템
JP2020108188A (ja) * 2018-12-26 2020-07-09 一般財団法人電力中央研究所 Ｐｖ出力予測支援装置、ｐｖ出力予測装置、ｐｖ出力予測支援方法及びｐｖ出力予測支援プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102645221B1 (ko) * 2023-09-21 2024-03-08 주식회사 제이케이코어 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템

Also Published As

Publication number Publication date
KR102488668B1 (ko) 2023-01-16

Similar Documents

Publication Publication Date Title
KR102488667B1 (ko) 머신러닝을 이용한 태양광 발전 예측 시스템
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN109726867B (zh) 一种基于多模式集合的高分辨率电力气象预报方法
KR102283487B1 (ko) 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템
Junior et al. Forecasting regional photovoltaic power generation-a comparison of strategies to obtain one-day-ahead data
CN111695736A (zh) 一种基于多模型融合的光伏发电短期功率预测方法
Javed et al. Predicting solar irradiance using machine learning techniques
Cabezon et al. Comparison of methods for power curve modelling
Romero et al. Short-term active power forecasting of a photovoltaic power plant using an artificial neural network
KR102488668B1 (ko) 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법
KR102488669B1 (ko) 구름 음영 효과를 적용한 태양광 발전 예측 시스템
Sánchez-García et al. Short term photovoltaic power production using a hybrid of nearest neighbor and artificial neural networks
Viduruwan et al. Validation of Meteonorm 8 for energy estimation of solar power plants in Sri Lanka, using PVsyst software
Sahoo et al. Energy forecasting for grid connected MW range solar PV system
Omer et al. Adaptive boosting and bootstrapped aggregation based ensemble machine learning methods for photovoltaic systems output current prediction
TW201740296A (zh) 再生能源發電量預測方法與系統
Deng et al. A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas
Amaro e Silva et al. A regime-based approach for integrating wind information in spatio-temporal solar forecasting models
KR20180023078A (ko) 기상정보를 이용한 태양광 발전량 예측방법
Karki et al. Impact of renewable energy unit availability on power system adequacy
Pai et al. Forecasting global horizontal solar irradiance: A case study based on Indian geography
Ma et al. Ultra-short-term solar power forecasting based on a modified clear sky model
El Hendouzi et al. Contribution to the management of microgrids by the application of short term photovoltaic power forecasting
Anand et al. Analysis of the quality of long-term synthetic solar radiation data generated from stochastic models
KR102645221B1 (ko) 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant