KR20220078963A - 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치 - Google Patents

딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치 Download PDF

Info

Publication number
KR20220078963A
KR20220078963A KR1020200168271A KR20200168271A KR20220078963A KR 20220078963 A KR20220078963 A KR 20220078963A KR 1020200168271 A KR1020200168271 A KR 1020200168271A KR 20200168271 A KR20200168271 A KR 20200168271A KR 20220078963 A KR20220078963 A KR 20220078963A
Authority
KR
South Korea
Prior art keywords
power generation
solar power
satellite
time
future
Prior art date
Application number
KR1020200168271A
Other languages
English (en)
Inventor
이서우
최원익
유덕환
Original Assignee
주식회사 효성
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 효성 filed Critical 주식회사 효성
Priority to KR1020200168271A priority Critical patent/KR20220078963A/ko
Publication of KR20220078963A publication Critical patent/KR20220078963A/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
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 과거의 위성사진을 이용해 미래의 구름 관련 정보를 예측하고, 예측된 구름 정보와 과거 태양광 발전량, 기상예보, 태양 고도를 활용하여 태양광 발전량을 예측하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치에 관한 것이다.
본 발명의 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법은 과거 위성 사진을 토대로 미래 위성 사진을 예측하는 위성 사진 예측 단계, 미래 위성 사진을 토대로 미래 구름 정보를 예측하는 구름 정보 예측 단계, 및 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 태양광 발전량 예측 단계로 이루어진다.

Description

딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치{Deep learning based photovoltaic power generation forecasting method using satellite images and apparatus using the same}
본 발명은 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치에 관한 것으로, 상세하게는, 딥러닝 기반으로 위성 사진을 이용하여 미래의 태양광 발전량을 예측하는 것이다. 즉, 본 발명은 위성 사진으로부터 구름 정보를 추출하여 태양광 발전량을 예측할 수 있는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치에 관한 것이다.
최근, 태양광 에너지의 비중이 커지면서 태양광 에너지원의 시간대별 가용성의 차이로 인한 기존 전력망에서의 전력품질의 저하 및 전력망에 지대한 악영향을 미치게 되었다. 태양광 에너지는 전력 생산량의 변동과 날씨·계절·풍속·일조량 등 자연조건의 변화에 따른 전력 생산량의 불확실성에 노출되어 있다.
따라서 태양광 에너지의 특성을 분석하기 위해 기후조건, 구름 조건 등과 발전 성능과의 상관관계를 머신러닝 등의 기술을 이용해 도출하고, 모듈 상태에 대한 모듈 열화 모델을 이용해 예측한 후, 태양광 발전량 예측에 활용할 수 있는 시스템의 개발이 연구되어 왔다.
그 일례로, 대한민국 특허공개공보 제10-2011-0090888호에서는 전천사진의 왜곡 이미지로부터 운량 측정에 오차가 발생을 보정하고, 촬영된 전천사진에서 왜곡되는 정도에 따라 영역들을 구분하고 각 영역에 렌즈의 왜곡을 보정할 수 있는 서로 다른 가중치를 설정하여 각 영역별로 운량을 계산하여 태양광 발전량을 예측하는 방법에 대해 개시하고 있다.
그러나, 이 경우 현재의 운량을 토대로 현재의 태양광 발전량을 예측할 뿐 미래의 태양광 발전량을 예측하지 못하는 단점이 있다.
대한민국 특허공개공보 제10-2011-0090888호 (2011.09.07)
본 발명의 목적은, 과거의 위성사진을 이용해 미래의 구름 관련 정보를 예측하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치를 제공하는 것이다.
또한, 본 발명은 예측된 구름 정보와 과거 태양광 발전량, 기상예보, 태양 고도를 활용하여 태양광 발전량을 예측하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치를 제공하는데 또 다른 목적이 있다.
본 발명에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법은 과거 위성 사진을 토대로 미래 위성 사진을 예측하는 위성 사진 예측 단계, 미래 위성 사진을 토대로 미래 구름 정보를 예측하는 구름 정보 예측 단계, 및 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 태양광 발전량 예측 단계를 포함할 수 있다.
여기서, 위성 사진 예측 단계는 과거의 연속적인 위성 사진을 입력데이터로 사용하여, 입력데이터에 존재하는 시간에 따라 변화하는 특성인 시변 특성 및 지역 특성을 추출하는 시변 및 지역 특성 추출 단계, 시변 특성 및 지역 특성을 정규화 하는 정규화 단계, 정규화된 시변 특성 및 지역 특성의 3차원 특징을 강조하는 3차원 특징 강조 단계, 강조된 3차원 특징을 학습하고 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하여 미래 위성 사진을 예측하는 학습 및 연속적 시변 특성 정보 추출 단계, 미래 위성 사진의 특징을 강조하는 특징 강조 단계, 강조된 미래 위성 사진을 토대로 지역 특성을 추출하는 지역 특성 추출 단계, 지역 특성을 정규화 하는 정규화 단계, 및 정규화된 미래 위성 사진의 2차원 특징을 강조하는 2차원 특징 강조 단계를 포함할 수 있다.
또한, 시변 및 지역 특성 추출 단계는 3차원 컨볼루션(convolution)을 토대로 시간에 따라 변화하는 특성과 과거 연속적인 프레임들의 지역적인 특성을 추출할 수 있다.
여기서, 3차원 특징 강조 단계는 3차원 자체 감쇄(Self-Attention)를 토대로 입력에 속해 있는 값들 간의 유사도를 계산해 의미를 부여하여 입력과 출력 사이의 관계를 표현할 수 있다.
또한, 학습 및 연속적 시변 특성 정보 추출 단계는 LSTM(Long Shot Term Memory) 알고리즘을 토대로 시계열 데이터의 연속적인 시변 특성 정보를 추출할 수 있다.
여기서, 지역 특성 추출 단계는 2차원 컨볼루션(convolution)을 토대로 2차원 이미지의 지역적인 특성을 추출할 수 있다.
또한, 정규화는 출력으로 나온 가중치들의 평균이 0, 분산이 1이 되도록 신호처리를 수행하는 것일 수 있다.
여기서, 구름 정보 예측 단계는 미래 위성 사진을 토대로 지역 특성을 추출하는 제 1 지역 특성 추출 단계, 지역 특성을 정규화 하는 정규화 단계, 정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하는 제 2 지역 특성 추출 단계, 재추출된 지역 특성을 재정규화 하는 정규화 단계, 재정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하는 제 3 지역 특성 추출 단계, 및 재추출된 지역 특성을 재정규화 하여 구름 정보를 추출하는 정규화 단계를 포함할 수 있다.
또한, 태양광 발전량 예측 단계는 기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 구름 정보를 토대로 학습 및 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하는 제 1 학습 및 연속적 시변 특성 정보 추출 단계, 연속적 시변 특성 정보를 정규화 하는 정규화 단계, 정규화한 연속적 시변 특성 정보를 토대로 각 특징 간의 유사도를 계산해 특징 정보를 강조하는 특징 강조 단계, 및 특징 정보가 강조된 연속적 시변 특성 정보를 토대로 학습 및 재차 연속적 시변 특성 정보를 추출하여 태양광 발전량을 예측하는 제 2 학습 및 연속적 시변 특성 정보 추출 단계를 포함할 수 있다.
본 발명의 다른 실시예에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치는 과거 위성 사진을 토대로 미래 위성 사진을 예측하는 위성 사진 예측 모듈, 미래 위성 사진을 토대로 미래 구름 정보를 예측하는 구름 정보 예측 모듈, 및 기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 태양광 발전량 예측 모듈을 포함할 수 있다.
여기서, 위성 사진 예측 모듈은 과거의 연속적인 위성 사진을 입력데이터로 사용하여, 입력데이터에 존재하는 시간에 따라 변화하는 특성인 시변 특성 및 지역 특성을 추출하고, 시변 특성 및 지역 특성을 정규화 하고, 정규화된 시변 특성 및 지역 특성의 3차원 특징을 강조하고, 강조된 3차원 특징을 학습하고 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하여 미래 위성 사진을 예측하고, 미래 위성 사진의 특징을 강조하고, 강조된 미래 위성 사진을 토대로 지역 특성을 추출하고, 지역 특성을 정규화 하고, 정규화된 미래 위성 사진의 2차원 특징을 강조하는 동작을 수행할 수 있다.
또한, 구름 정보 예측 모듈은 미래 위성 사진을 토대로 지역 특성을 추출하고, 지역 특성을 정규화하고, 정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하고, 재추출된 지역 특성을 재정규화하고, 재정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하고, 재추출된 지역 특성을 재정규화 하여 구름 정보를 추출하는 동작을 수행할 수 있다.
여기서, 태양광 발전량 예측 모듈은 기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 구름 정보를 토대로 학습 및 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하고, 연속적 시변 특성 정보를 정규화 하고, 정규화한 연속적 시변 특성 정보를 토대로 각 특징 간의 유사도를 계산해 특징 정보를 강조하고, 특징 정보가 강조된 연속적 시변 특성 정보를 토대로 학습 및 재차 연속적 시변 특성 정보를 추출하여 태양광 발전량을 예측하는 동작을 수행할 수 있다.
여기서, 상기 시변 및 지역 특성의 추출은, 3차원 컨볼루션(convolution)을 토대로 시간에 따라 변화하는 특성과 과거 연속적인 프레임들의 지역적인 특성을 추출하는 것이고, 상기 3차원 특징의 강조는, 3차원 자체 감쇄(Self-Attention)를 토대로 입력에 속해 있는 값들 간의 유사도를 계산해 의미를 부여하여 입력과 출력 사이의 관계를 표현하는 것이며, 상기 학습 및 연속적 시변 특성 정보의 추출은, LSTM(Long Shot Term Memory) 알고리즘을 토대로 시계열 데이터의 연속적인 시변 특성 정보를 추출하는 것이고, 상기 지역 특성의 추출은, 2차원 컨볼루션(convolution)을 토대로 2차원 이미지의 지역적인 특성을 추출하는 것일 수 있다.
또한, 상기 정규화는 출력으로 나온 가중치들의 평균이 0, 분산이 1이 되도록 신호처리를 수행하는 것일 수 있다.
본 발명에 의한 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치는 과거의 위성사진을 이용해 미래의 구름 관련 정보를 예측하는 장점이 있다.
또한, 본 발명에 의한 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치는 예측된 구름 정보와 과거 태양광 발전량, 기상예보, 태양 고도를 활용하여 태양광 발전량을 예측할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법을 나타낸 순서도이다.
도 2는 도 1의 위성 사진 예측 단계를 상세히 나타낸 순서도이다.
도 3은 도 1의 구름 정보 예측 단계를 상세히 나타낸 순서도이다.
도 4는 도 1의 태양광 발전량 예측 단계를 상세히 나타낸 순서도이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치를 나타낸 구성도이다.
본 발명의 실시를 위한 구체적인 실시예를 첨부된 도면들을 참조하여 설명한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 의도는 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치에 대해 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법을 나타낸 순서도이며, 도 2 내지 도 4는 도 1을 상세히 설명하기 위한 세부 순서도이다.
이하, 도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법을 설명한다.
먼저, 도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법은 태양광 발전량 예측 서버에서 수집된 과거 위성 사진을 토대로 미래 위성 사진을 예측하는 단계(S100), 미래 위성 사진을 토대로 미래 구름 정보를 예측하는 단계(S200), 및 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 단계(S300)로 이루어진다.
좀더 구체적으로는, 본 발명의 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법은 1시간 간격의 24시간에 대한 연속적인 과거 위성 사진을 입력 받아 미래 24시간에 대한 미래 위성 사진을 예측하고, 미래 위성 사진으로부터 미래 구름 정보를 예측한 후, 과거의 태양광 발전량, 기상 예보 데이터, 태양 고도, 및 구름 정보 예측 단계(S200)에서 예측한 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 것이다.
여기서, 위성 사진은 국가기상 위성센터의 천리안 2A호가 제공하는 데이터를 사용할 수 있고, 예측 모델로서는 연속적인 프레임을 통한 미래의 프레임을 예측하는 공지의 모델을 사용할 수 있다.
또한, 구름 관련 관측데이터로 기상자료개방포털의 종단기상관측에서 제공하는 전운량과 중하층 운량을 사용할 수 있다. 이때, 구름 이미지의 분류 모델로서 VGG, ResNet 등 공지의 CNN(Convolution Neural Network) 기반 이미지 분류 모델을 이용할 수 있다.
이와 같은 본 발명에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법은 과거의 연속적인 위성 사진으로부터 '변화하는', '연속적인' 특징을 추출하여 흐름을 파악해 미래 위성 사진에 대한 예측을 수행하고, 이러한 미래 위성 사진 예측을 통해 미래의 구름 정보에 대해 알 수 있으며, 또한 미래의 구름 정보를 추가적으로 사용함으로써 미래의 태양광 발전량에 대한 예측 정확도를 개선할 수 있는 장점이 있다.
도 2는 도 1의 위성 사진 예측 단계(S100)를 상세히 나타낸 순서도이다.
도 2에서 볼 수 있는 바와 같이, 본 발명에서의 위성 사진 예측 단계(S100)는 과거의 연속적인 위성 사진을 입력데이터로 사용하여, 입력데이터에 존재하는 시간에 따라 변화하는 특성인 시변 특성 및 지역 특성을 추출하는 단계(S110), 시변 특성 및 지역 특성을 정규화 하는 단계(S120), 정규화된 시변 특성 및 지역 특성의 3차원 특징을 강조하는 단계(S130), 강조된 3차원 특징을 학습하고 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하여 미래 위성 사진을 예측하는 단계(S140), 미래 위성 사진의 특징을 강조하는 단계(S150), 강조된 미래 위성 사진을 토대로 지역 특성을 추출하는 단계(S160), 지역 특성을 정규화하는 단계(S170), 및 정규화된 미래 위성 사진의 2차원 특징을 강조하는 단계(S180)로 이루어진다.
여기서, 시변 및 지역 특성 추출 단계(S110)에서는 3차원 컨볼루션(convolution)을 토대로 시간에 따라 변화하는 특성과 과거 연속적인 프레임들의 지역적인 특성을 추출하게 된다.
3차원 특징 강조 단계(S130)에서는 3차원 자체 감쇄(Self-Attention)를 이용해 입력에 속해 있는 값들 간의 유사도를 계산해 의미를 부여하여 입력과 출력 사이의 관계를 효율적으로 표현한다.
학습 및 연속적 시변 특성 정보 추출 단계(S140)에서는 LSTM(Long Shot Term Memory) 알고리즘을 사용해 시계열 데이터의 연속적인 시변 특성 정보를 추출하게 된다.
지역 특성 추출 단계(S160)는 2차원 컨볼루션(convolution)을 토대로 2차원 이미지의 지역적인 특성을 추출한다.
이후, 지역 특성을 정규화하는 단계(S170) 및 정규화된 미래 위성 사진의 2차원 특징을 강조하는 단계(S180)에서는, 정규화로서 출력으로 나온 가중치들의 평균이 0, 분산이 1이 되도록 신호처리를 수행한 후, 정규화된 미래 위성 사진의 2차원 특징을 강조하는 작업을 수행한다.
즉, 본 발명의 위성 사진 예측 단계(S100)는 1시간 간격의 24시간에 대한 과거 위성 사진으로부터 '변화하는', '연속적인' 특징을 추출하여 흐름을 파악해 미래 24시간의 위성 사진에 대한 예측을 수행하는 것으로서, 2차원 및 3차원 컨볼루션(Convolution)과 자체 감쇄(Self-Attention), LSTM 의 방법을 사용하여 수행된다.
이때, 본 발명에서는 과거의 24시간에 대한 2차원 이미지들로부터 변화하거나 연속적인 특징을 추출하여 미래의 24시간에 대한 2차원 이미지들을 추출한다.
본 발명에서 사용하는 2차원 컨볼루션(Convolution)은 하나의 이미지의 지역적인 특징을 추출할 수 있으며, 3차원 컨볼루션(Convolution)은 시간에 따라 변화하는 특징과 프레임들의 지역적인 특징을 모두 추출할 수 있는 특성이 있다.
또한, 본 발명에서 사용하는 자체 감쇄(Self-Attention)은 입력과 출력 사이의 관계를 표현하는 데 중요한 부분을 강조할 수 있으며, 입력에 속해 있는 값들 간의 의미를 부여할 수 있다.
또한, 본 발명에서 사용하는 LSTM(Long Shot Term Memory) 알고리즘은 시계열 데이터의 '연속적인' 특징을 추출하는 기능을 하며, 순환 신경망(RNN; Recurrent neural network)의 장기 의존성 문제를 해결해 효과적인 학습을 가능하도록 한다.
한편, 본 발명에서 입력층에 대해 평균과 분산을 0, 1 로 만든 것을 모델의 각 층의 출력에서는 유지하지 못할 수 있는데, 이 경우 파라미터가 잘못된 방향으로 업데이트가 될 우려가 있고 학습 속도가 저하될 가능성이 있으므로, 본 발명에서는 층 정규화(Layer Normalization)를 통해 각 층의 뉴런마다 계산하여 평균과 분산을 맞추어 주는 작업을 수행한다.
이상과 같이 본 발명에서의 위성 사진 예측 단계는 과거의 연속적인 위성 사진으로부터 '변화하는', '연속적인' 특징을 추출하여 흐름을 파악해 미래 위성 사진에 대한 예측을 수행하게 된다.
도 3은 도 1의 구름 정보 예측 단계(S200)를 상세히 나타낸 순서도이다.
도 3에서 알 수 있는 바와 같이, 구름 정보 예측 단계(S200)는 미래 위성 사진을 토대로 지역 특성을 추출하는 단계(S210), 지역 특성을 정규화하는 단계(S220), 정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하는 단계(S230), 재추출된 지역 특성을 재정규화 하는 단계(S240), 재정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하는 단계(S250), 및 재추출된 지역 특성을 재정규화 하여 구름 정보를 추출하는 단계(S260)로 이루어진다.
여기서, 정규화 및 재정규화는 상술한 바와 같이 입력층의 평균 및 분산과 마찬가지로 출력으로 나온 가중치들에 대해 평균과 분산을 0, 1 로 만드는 것을 의미한다.
본 발명에서의 구름 정보 예측 단계(S200)는 미래 위성 사진에 존재하는 구름 정보를 추출해내는 작업으로서, 위성 사진의 이미지로부터 지역적인 추출을 반복적으로 수행하여 비선형적인 특징도 추출할 수 있다.
도 4는 도 1의 태양광 발전량 예측 단계(S300)를 상세히 나타낸 순서도이다.
도 4에서 볼 수 있는 바와 같이, 태양광 발전량 예측 단계(S300)는 기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 구름 정보를 토대로 학습 및 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하는 단계(S310), 연속적 시변 특성 정보를 정규화 하는 단계(S320), 정규화한 연속적 시변 특성 정보를 토대로 각 특징 간의 유사도를 계산해 특징 정보를 강조하는 단계(S330), 및 특징 정보가 강조된 연속적 시변 특성 정보를 토대로 학습 및 재차 연속적 시변 특성 정보를 추출하여 태양광 발전량을 예측하는 단계(S340)로 이루어진다.
즉, 본 발명에서의 태양광 발전량 예측 단계(S300)는, 구름 정보 예측 단계(S200)에서 추출된 미래의 구름 관련 데이터를 포함하여 태양광 발전량, 기상 예보 데이터, 및 태양 고도를 토대로 미래의 태양광 발전량을 예측하는 것으로서, LSTM(Long Shot Term Memory), 자체 감쇄(Self-Attention)을 포함한 단계로 구성된다.
여기서, LSTM(Long Shot Term Memory)은 태양광 발전량을 포함해 기상 요소, 태양 고도 및 구름 정보가 1시간마다 존재하는 연속적인 시계열 데이터이며, '연속적인' 시변 특성을 추출하고 흐름을 파악해 보다 정확한 미래의 태양광 발전량 예측을 수행하기 위해 사용된다.
또한, 상술한 바와 같이 자체 감쇄(Self-Attention)은 입력과 출력 사이의 관계를 표현하는 데 중요한 부분을 강조할 수 있으며, 입력에 속해 있는 값들 간의 의미를 부여할 수 있는 특징이 있다.
이와 같이, 본 발명의 태양광 발전량 예측 단계(S300)에서는 태양광 발전량, 기상 예보 데이터, 및 태양 고도와 함께, 미래의 구름 관련 데이터를 반영해 미래의 태양광 발전량을 예측하며, 따라서 미래의 태양광 발전량에 대한 예측 정확도를 개선할 수 있다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치를 나타낸 구성도이다.
도 5에서 알 수 있는 바와 같이, 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치는 태양광 발전량 예측 서버에서 수집된 과거 위성 사진을 토대로 미래 위성 사진을 예측하는 위성 사진 예측 모듈(100), 미래 위성 사진을 토대로 미래 구름 정보를 예측하는 구름 정보 예측 모듈(200), 및 과거의 태양광 발전량, 기상 예보 데이터, 태양 고도, 및 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 태양광 발전량 예측 모듈(300)로 이루어진다.
구체적으로는, 본 발명의 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치는 1시간 간격의 24시간에 대한 과거 위성 사진을 입력받아 미래 24시간에 대한 미래 위성 사진을 예측하고, 미래 위성 사진으로부터 미래 구름 정보를 예측한 후, 과거의 태양광 발전량, 기상 예보 데이터, 태양 고도, 및 예측한 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 것이다.
여기서, 위성 사진 예측 모듈(100)은 과거의 연속적인 위성 사진을 입력데이터로 사용하여, 입력데이터에 존재하는 시간에 따라 변화하는 특성인 시변 특성 및 지역 특성을 추출하고, 시변 특성 및 지역 특성을 정규화하고, 정규화된 시변 특성 및 지역 특성의 3차원 특징을 강조하고, 강조된 3차원 특징을 학습하고 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하여 미래 위성 사진을 예측하고, 미래 위성 사진의 특징을 강조하고, 강조된 미래 위성 사진을 토대로 지역 특성을 추출하고, 지역 특성을 정규화하고, 정규화된 미래 위성 사진의 2차원 특징을 강조하는 동작을 수행한다.
여기서, 시변 및 지역 특성의 추출은 3차원 컨볼루션(convolution)을 토대로 시간에 따라 변화하는 특성과 과거 연속적인 프레임들의 지역적인 특성을 추출하게 되고, 3차원 특징의 강조는 3차원 자체 감쇄(Self-Attention)를 이용해 입력에 속해 있는 값들 간의 유사도를 계산해 의미를 부여하여 입력과 출력 사이의 관계를 효율적으로 표현한다.
또한, 학습 및 연속적으로 시간에 따라 변화하는 시변 특성 정보의 추출은 LSTM(Long Shot Term Memory) 알고리즘을 사용해 시계열 데이터의 연속적인 시변 특성 정보를 추출하게 되며, 지역 특성의 추출은 2차원 컨볼루션(convolution)을 토대로 2차원 이미지의 지역적인 특성을 추출한다.
한편, 지역 특성을 정규화하는 것과 정규화된 미래 위성 사진의 2차원 특징을 강조하는 것은, 정규화로서 출력으로 나온 가중치들의 평균이 0, 분산이 1이 되도록 신호처리를 수행한 후, 정규화된 미래 위성 사진의 2차원 특징을 강조하는 작업을 수행한다.
또한, 구름 정보 예측 모듈(200)은 미래 위성 사진을 토대로 지역 특성을 추출하고, 지역 특성을 정규화하고, 정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하고, 재추출된 지역 특성을 재정규화하고, 재정규화된 지역 특성을 포함한 위성 사진을 토대로 지역 특성을 재추출하고, 재추출된 지역 특성을 재정규화 하여 구름 정보를 추출하는 동작을 수행한다.
여기서, 정규화 및 재정규화는 상술한 바와 같이 입력층의 평균 및 분산과 마찬가지로 출력으로 나온 가중치들에 대해 평균과 분산을 0, 1 로 만드는 것을 의미한다.
구현예로서, 본 발명에서의 구름 정보 예측 모듈(200)은 미래 위성 사진에 존재하는 구름 정보를 추출해내는 작업으로서, 위성 사진의 이미지로부터 지역적인 추출을 반복적으로 수행하여 비선형적인 특징도 추출할 수도 있다.
한편, 태양광 발전량 예측 모듈(300)은 기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 구름 정보를 토대로 학습 및 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하고, 연속적 시변 특성 정보를 정규화 하고, 정규화한 연속적 시변 특성 정보를 토대로 각 특징 간의 유사도를 계산해 특징 정보를 강조하고, 특징 정보가 강조된 연속적 시변 특성 정보를 토대로 학습 및 재차 연속적 시변 특성 정보를 추출하여 태양광 발전량을 예측하는 동작을 수행한다.
즉, 본 발명의 태양광 발전량 예측 모듈(300)은 구름 정보 예측 모듈(200)에서 추출된 미래의 구름 관련 데이터를 포함하여 태양광 발전량, 기상 예보 데이터, 및 태양 고도를 토대로 미래의 태양광 발전량을 예측하는 것으로서, LSTM(Long Shot Term Memory), 자체 감쇄(Self-Attention)을 포함한 동작을 수행한다.
여기서, LSTM(Long Shot Term Memory)은 태양광 발전량을 포함해 기상 요소, 태양 고도 및 구름 정보가 1시간마다 존재하는 연속적인 시계열 데이터이며, '연속적인' 시변 특성을 추출하고 흐름을 파악해 보다 정확한 미래의 태양광 발전량 예측을 수행하기 위해 사용된다.
또한, 상술한 바와 같이 자체 감쇄(Self-Attention)은 입력과 출력 사이의 관계를 표현하는 데 중요한 부분을 강조할 수 있으며, 입력에 속해 있는 값들 간의 의미를 부여할 수 있는 특징이 있다.
이와 같이, 본 발명의 태양광 발전량 예측 모듈(300)은 태양광 발전량, 기상 예보 데이터, 및 태양 고도와 함께, 미래의 구름 관련 데이터를 반영해 미래의 태양광 발전량을 예측하기 때문에 미래의 태양광 발전량에 대한 예측 정확도를 개선할 수 있다.
이상과 같이 본 발명에 따른 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치는 과거의 위성사진을 이용해 미래의 구름 관련 정보를 예측하는 장점이 있으며, 예측된 미래의 구름 정보를 통해 미래의 태양광 발전량에 대한 예측 정확도를 개선할 수 있는 장점이 있다.
상술한 것은 하나 이상의 실시예의 실례를 포함한다. 물론, 상술한 실시예들을 설명할 목적으로 컴포넌트들 또는 방법들의 가능한 모든 조합을 기술할 수 있는 것이 아니라, 당업자들은 다양한 실시예의 많은 추가 조합 및 치환할 수 있음을 인식할 수 있다. 따라서 설명한 실시예들은 첨부된 청구범위의 진의 및 범위 내에 있는 모든 대안, 변형 및 개조를 포함하는 것이다.

Claims (15)

  1. 과거 위성 사진을 토대로 미래 위성 사진을 예측하는 위성 사진 예측 단계;
    상기 미래 위성 사진을 토대로 미래 구름 정보를 예측하는 구름 정보 예측 단계; 및
    상기 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 태양광 발전량 예측 단계;를 포함하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  2. 제 1항에 있어서,
    상기 위성 사진 예측 단계는,
    과거의 연속적인 위성 사진을 입력데이터로 사용하여, 입력데이터에 존재하는 시간에 따라 변화하는 특성인 시변 특성 및 지역 특성을 추출하는 시변 및 지역 특성 추출 단계;
    상기 시변 특성 및 지역 특성을 정규화 하는 정규화 단계;
    정규화된 상기 시변 특성 및 지역 특성의 3차원 특징을 강조하는 3차원 특징 강조 단계;
    강조된 상기 3차원 특징을 학습하고 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하여 미래 위성 사진을 예측하는 학습 및 연속적 시변 특성 정보 추출 단계;
    상기 미래 위성 사진의 특징을 강조하는 특징 강조 단계;
    강조된 상기 미래 위성 사진을 토대로 지역 특성을 추출하는 지역 특성 추출 단계;
    상기 지역 특성을 정규화하는 정규화 단계; 및
    정규화된 상기 미래 위성 사진의 2차원 특징을 강조하는 2차원 특징 강조 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  3. 제 2항에 있어서,
    상기 시변 및 지역 특성 추출 단계는, 3차원 컨볼루션(convolution)을 토대로 시간에 따라 변화하는 특성과 과거 연속적인 프레임들의 지역적인 특성을 추출하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  4. 제 2항에 있어서,
    상기 3차원 특징 강조 단계는, 3차원 자체 감쇄(Self-Attention)를 토대로 입력에 속해 있는 값들 간의 유사도를 계산해 의미를 부여하여 입력과 출력 사이의 관계를 표현하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  5. 제 2항에 있어서,
    상기 학습 및 연속적 시변 특성 정보 추출 단계는, LSTM(Long Shot Term Memory) 알고리즘을 토대로 시계열 데이터의 연속적인 시변 특성 정보를 추출하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  6. 제 2항에 있어서,
    상기 지역 특성 추출 단계는, 2차원 컨볼루션(convolution)을 토대로 2차원 이미지의 지역적인 특성을 추출하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  7. 제 2항에 있어서,
    상기 정규화는, 출력으로 나온 가중치들의 평균이 0, 분산이 1이 되도록 신호처리를 수행하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  8. 제 1항에 있어서,
    상기 구름 정보 예측 단계는,
    상기 미래 위성 사진을 토대로 지역 특성을 추출하는 제 1 지역 특성 추출 단계;
    상기 지역 특성을 정규화하는 정규화 단계;
    정규화된 지역 특성을 포함한 상기 위성 사진을 토대로 지역 특성을 재추출하는 제 2 지역 특성 추출 단계;
    재추출된 상기 지역 특성을 재정규화 하는 정규화 단계;
    재정규화된 상기 지역 특성을 포함한 상기 위성 사진을 토대로 지역 특성을 재추출하는 제 3 지역 특성 추출 단계; 및
    재추출된 상기 지역 특성을 재정규화 하여 구름 정보를 추출하는 정규화 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  9. 제 1항에 있어서,
    상기 태양광 발전량 예측 단계는,
    기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 상기 미래 구름 정보를 토대로 학습 및 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하는 제 1 학습 및 연속적 시변 특성 정보 추출 단계;
    연속적 시변 특성 정보를 정규화하는 정규화 단계;
    정규화한 상기 연속적 시변 특성 정보를 토대로 각 특징 간의 유사도를 계산해 상기 특징 정보를 강조하는 특징 강조 단계; 및
    상기 특징 정보가 강조된 상기 연속적 시변 특성 정보를 토대로 학습 및 재차 연속적 시변 특성 정보를 추출하여 태양광 발전량을 예측하는 제 2 학습 및 연속적 시변 특성 정보 추출단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법.
  10. 과거 위성 사진을 토대로 미래 위성 사진을 예측하는 위성 사진 예측 모듈;
    상기 미래 위성 사진을 토대로 미래 구름 정보를 예측하는 구름 정보 예측 모듈; 및
    기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 상기 미래 구름 정보를 토대로 미래 태양광 발전량을 예측하는 태양광 발전량 예측 모듈;을 포함하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치.
  11. 제 10항에 있어서,
    상기 위성 사진 예측 모듈은, 과거의 연속적인 위성 사진을 입력데이터로 사용하여, 입력데이터에 존재하는 시간에 따라 변화하는 특성인 시변 특성 및 지역 특성을 추출하고, 상기 시변 특성 및 지역 특성을 정규화 하고, 정규화된 시변 특성 및 지역 특성의 3차원 특징을 강조하고, 강조된 3차원 특징을 학습하고 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하여 미래 위성 사진을 예측하고, 상기 미래 위성 사진의 특징을 강조하고, 강조된 미래 위성 사진을 토대로 지역 특성을 추출하고, 상기 지역 특성을 정규화 하고, 정규화된 미래 위성 사진의 2차원 특징을 강조하는 동작을 수행하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치.
  12. 제 10항에 있어서,
    상기 구름 정보 예측 모듈은, 상기 미래 위성 사진을 토대로 지역 특성을 추출하고, 상기 지역 특성을 정규화하고, 정규화된 지역 특성을 포함한 상기 위성 사진을 토대로 지역 특성을 재추출하고, 재추출된 상기 지역 특성을 재정규화하고, 재정규화된 상기 지역 특성을 포함한 상기 위성 사진을 토대로 지역 특성을 재추출하고, 재추출된 상기 지역 특성을 재정규화하여 구름 정보를 추출하는 동작을 수행하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치.
  13. 제 10항에 있어서,
    상기 태양광 발전량 예측 모듈은, 기상 예보, 태양광 발전량 이력 정보, 태양 고도 정보, 및 구름 정보를 토대로 학습 및 연속적으로 시간에 따라 변화하는 시변 특성 정보를 추출하고, 연속적 시변 특성 정보를 정규화 하고, 정규화한 연속적 시변 특성 정보를 토대로 각 특징 간의 유사도를 계산해 특징 정보를 강조하고, 상기 특징 정보가 강조된 연속적 시변 특성 정보를 토대로 학습 및 재차 연속적 시변 특성 정보를 추출하여 태양광 발전량을 예측하는 동작을 수행하는 것을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치.
  14. 제 11항에 있어서,
    상기 시변 및 지역 특성의 추출은, 3차원 컨볼루션(convolution)을 토대로 시간에 따라 변화하는 특성과 과거 연속적인 프레임들의 지역적인 특성을 추출하는 것이고,
    상기 3차원 특징의 강조는, 3차원 자체 감쇄(Self-Attention)를 토대로 입력에 속해 있는 값들 간의 유사도를 계산해 의미를 부여하여 입력과 출력 사이의 관계를 표현하는 것이며,
    상기 학습 및 연속적 시변 특성 정보의 추출은, LSTM(Long Shot Term Memory) 알고리즘을 토대로 시계열 데이터의 연속적인 시변 특성 정보를 추출하는 것이고,
    상기 지역 특성의 추출은, 2차원 컨볼루션(convolution)을 토대로 2차원 이미지의 지역적인 특성을 추출하는 것임을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치.
  15. 제 11항에 있어서,
    상기 정규화는, 출력으로 나온 가중치들의 평균이 0, 분산이 1이 되도록 신호처리를 수행하는 것임을 특징으로 하는 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 장치.
KR1020200168271A 2020-12-04 2020-12-04 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치 KR20220078963A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200168271A KR20220078963A (ko) 2020-12-04 2020-12-04 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200168271A KR20220078963A (ko) 2020-12-04 2020-12-04 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20220078963A true KR20220078963A (ko) 2022-06-13

Family

ID=81983912

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200168271A KR20220078963A (ko) 2020-12-04 2020-12-04 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20220078963A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230034559A (ko) * 2021-09-03 2023-03-10 경북대학교 산학협력단 태양광 발전 예측 시스템
CN116780533A (zh) * 2023-08-16 2023-09-19 北京东润环能科技股份有限公司 一种光伏超短期预报方法、装置、电子设备和存储介质
KR102633874B1 (ko) * 2023-07-17 2024-02-06 식스티헤르츠 주식회사 기상 위성을 이용한 태양광 발전량 예측 방법 및 시스템
KR20240053203A (ko) 2022-10-17 2024-04-24 충북대학교 산학협력단 태양광 패널의 발전량 예측 방법 및 이를 기록한 기록 매체
WO2024151122A1 (ko) * 2023-01-12 2024-07-18 경북대학교 산학협력단 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110090888A (ko) 2008-08-22 2011-08-10 콸콤 인코포레이티드 펨토 셀 배치 정보 프로비저닝

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110090888A (ko) 2008-08-22 2011-08-10 콸콤 인코포레이티드 펨토 셀 배치 정보 프로비저닝

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230034559A (ko) * 2021-09-03 2023-03-10 경북대학교 산학협력단 태양광 발전 예측 시스템
US12095417B2 (en) 2021-09-03 2024-09-17 Kyungpook National University Industry-Academic Cooperation Foundation Prediction system for solar photovoltaic generation
KR20240053203A (ko) 2022-10-17 2024-04-24 충북대학교 산학협력단 태양광 패널의 발전량 예측 방법 및 이를 기록한 기록 매체
WO2024151122A1 (ko) * 2023-01-12 2024-07-18 경북대학교 산학협력단 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법
KR102633874B1 (ko) * 2023-07-17 2024-02-06 식스티헤르츠 주식회사 기상 위성을 이용한 태양광 발전량 예측 방법 및 시스템
CN116780533A (zh) * 2023-08-16 2023-09-19 北京东润环能科技股份有限公司 一种光伏超短期预报方法、装置、电子设备和存储介质
CN116780533B (zh) * 2023-08-16 2023-11-03 北京东润环能科技股份有限公司 一种光伏超短期预报方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
KR20220078963A (ko) 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치
CN113538391B (zh) 一种基于Yolov4和热红外图像的光伏缺陷检测方法
CN110335270B (zh) 基于层级区域特征融合学习的输电线路缺陷检测方法
Huang et al. Cloud motion estimation for short term solar irradiation prediction
CN110598600A (zh) 一种基于unet神经网络的遥感图像云检测方法
CN113591617B (zh) 基于深度学习的水面小目标检测与分类方法
CN116310850B (zh) 基于改进型RetinaNet的遥感图像目标检测方法
CN114782298A (zh) 一种具有区域注意力的红外与可见光图像融合方法
US12001938B2 (en) Convolutional neural network for estimating a solar energy production indicator
CN118172832A (zh) 动作识别方法和动作识别模型的训练方法、装置、设备及介质
CN118097268A (zh) 一种基于监控场景的长尾目标检测方法
CN117764317B (zh) 一种考虑环境灾害的水电站安全运行预测方法及系统
Wang et al. Combined ultra-short-term prediction method of PV power considering ground-based cloud images and chaotic characteristics
CN117911252A (zh) 基于深度学习去除图像中光照的方法及系统
CN113393385A (zh) 基于多尺度融合的无监督去雨方法、系统、装置及介质
CN117830668A (zh) 混合监督的双目立体匹配训练方法、装置、设备和介质
Wang et al. Hacloudnet: A ground-based cloud image classification network guided by height-driven attention
Dissawa et al. On-Site Solar Power Forecasting Using Sky-Images
Cañadillas et al. A low-cost two-camera sky-imager ground-based intra-hour solar forecasting system with cloud base height estimation capabilities working in a smart grid
Šinko et al. Cloud-type Classification of Ground-Based Images using Deep Learning
CN116520459B (zh) 一种天气预测方法
CN117809169B (zh) 一种小样本水下声呐图像分类方法及其模型搭建方法
CN118690669B (en) Offshore wind field inversion method based on improved CNN-LSTM network
CN112598722B (zh) 一种基于可变形卷积网络的图像立体匹配方法以及系统
Osorio de la Rosa et al. An empiric-stochastic approach, based on normalization parameters, to simulate solar irradiance

Legal Events

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