KR20220088946A - 방사 예측 처리 방법, 스택 일반화 모델 훈련 방법 및 장치 - Google Patents

Abstract

방사 예측 처리 방법이 개시된다. 방법은 타겟 시간 주기에 대응하는 방사 예측 데이터를 획득하는 단계; 제1 레이어 일반화기(generalizer) 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델(stacked generalization model)을 호출하는 단계; 상기 제1 레이어 일반화기를 이용하여, 상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터에 기초하여 중간(intermediate) 예측 데이터를 결정하는 단계; 및 상기 제2 레이어 일반화기를 이용하여, 상기 중간 예측 데이터에 기초하여 상기 타겟 시간 주기에 대응하는 출력 예측 값을 결정하는 단계를 포함한다. 본 개시의 일 실시 예에 따른, 기술적 솔루션에서, 방사 예측 처리 방법이 달성된다. 또한. 본 개시의 일 실시 예에 따른 기술적 솔루션에서, 제1 레벨 일반화기에 의해 출력된 중간 예측 데이터는 제2 레벨 일반화기의 입력으로 작용하여, 제1 레이어 일반화기의 출력 결과의 편차가 제2 레이어 일반화기에 의해 감소되면서, 서버의 처리 오버헤드를 줄이면서 어레이 면 방사의 정확도를 더 향상시킨다.

Description

방사 예측 처리 방법, 스택 일반화 모델 훈련 방법 및 장치

본 개시는 태양광 발전 분야에 관한 것이고, 보다 상세하게는 방사 예측(irradiation forecast) 처리 방법, 스택 일반화 모델(stacked generalization model) 훈련 방법 및 그 장치들에 관한 것이다.

태양 에너지가 점점 더 탐구 및 연구되면서, 태양광 발전 기술이 성숙해지고 있다.

현재, 기상 관측소는 태양광 어레이 면(POA: plane of array) 방사를 예측할 수 있고, 태양광 발전 기업들은 기상 관측소로부터의 POA 방사 예측 데이터를 기초로 태양 에너지 전력에 대한 예측 계산을 수행하여 예측 전력을 얻는다.

그러나, 기상 관측소에 의한 태양광 POA 방사 예측의 오차로 인해 태양광 발전 기업들에 의해 계산된 예측 전력은 오차를 가진다.

본 개시의 실시 예들은 방사 예측 처리 방법, 스택 일반화 모델 훈련 방법, 및 그 장치들을 제공하고, 이는 태양광 어레이 면(POA) 방사의 예측에 큰 오차가 있을 수 있는 관련 기술의 기술적 문제를 해결할 수 있다. 기술적 해결책들은 아래 설명되어 있다.

일 측면에서, 본 개시의 실시 예들은 방사 예측 처리 방법을 제공한다.

타겟 시간 주기에 대응하는 방사 예측 데이터를 획득하는 단계 - 상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 타겟 시간 주기 내의 POA 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공됨 -;

제1 레이어 일반화기(generalizer) 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델(stacked generalization model)을 호출하는 단계;

상기 제1 레이어 일반화기를 이용하여, 상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터에 기초하여 중간(intermediate) 예측 데이터를 결정하는 단계; 및

상기 제2 레이어 일반화기를 이용하여, 상기 중간 예측 데이터에 기초하여 상기 타겟 시간 주기에 대응하는 출력 예측 값을 결정하는 단계

다른 측면에서, 본 개시의 실시 예들은 본 발명에 따른 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델 훈련 방법을 제공한다. 방법은 다음을 포함한다:

n개의 훈련 샘플들을 구성하는 단계 - 상기 n개의 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 상기 이력 시간 주기 내의 POA 방사의 측정 값을 포함하고, 상기 이력 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 이력 시간 주기 내의 상기 POA 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공되고, n은 1보다 큰 정수임 -; 및

훈련된 스택 일반화 모델을 얻기 위해 상기 n개의 훈련 샘플들을 이용하여 상기 스택 일반화 모델을 훈련하는 단계.

다른 측면에서, 본 개시의 실시 예들은 방사 예측 처리 장치를 제공한다. 상기 장치는 다음을 포함한다:

타겟 시간 주기에 대응하는 방사 예측 데이터를 획득하도록 구성되는 데이터 획득 모듈 - 상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 타겟 시간 주기 내의 POA 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공됨 -;

제1 레이어 일반화기 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델을 호출하도록 구성되는, 모델 호출 모듈;

상기 제1 레이어 일반화기를 이용하여, 상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터에 기초하여 중간 예측 데이터를 결정하도록 구성되는, 데이터 결정 모듈; 및

상기 제2 레이어 일반화기를 이용하여, 상기 중간 예측 데이터에 기초하여 상기 타겟 시간 주기에 대응하는 출력 예측 값을 결정하도록 구성되는, 예측 값 결정 모듈.

다른 측면에서, 본 개시의 실시 예들은 본 개시에 따른 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델 훈련 장치를 제공한다. 상기 장치는 다음을 포함한다:

n개의 훈련 샘플들을 구성하도록 구성되는 샘플 구성 모듈 - 상기 n개의 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 상기 이력 시간 주기 내의 POA 방사의 측정 값을 포함하고, 상기 이력 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 이력 시간 주기 내의 상기 POA 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공되고, n은 1보다 큰 정수임 -; 및

훈련된 스택 일반화 모델을 얻기 위해 상기 n개의 훈련 샘플들을 이용하여 상기 스택 일반화 모델을 훈련하도록 구성되는, 모델 훈련 모듈.

다른 측면에서, 본 개시의 실시 예들은 컴퓨터 디바이스를 제공한다. 상기 컴퓨터 디바이스는 프로세서 및 메모리를 포함한다. 상기 메모리는 컴퓨터 프로그램을 저장한다. 상기 컴퓨터 프로그램은, 상기 프로세서에 의해 로드 및 실행될 때, 상기 프로세서가 앞서 설명된 바와 같이 방사 예측 처리 방법 및 스택 일반화 모델 훈련 방법을 수행할 수 있게 한다.

다른 측면에서, 본 개시의 실시 예들은 컴퓨터 프로그램을 저장하는 비-일시적 컴퓨터 판독 가능 기억 매체를 제공한다. 상기 컴퓨터 프로그램은, 프로세서에 의해 실행될 때, 상기 프로세서가 앞서 설명된 바와 같이 상기 방사 예측 처리 방법 및 상기 스택 일반화 모델 훈련 방법을 수행할 수 있게 한다.

다른 측면에서, 본 개시의 실시 예들은 컴퓨터 프로그램 제품을 제공한다. 상기 컴퓨터 프로그램 제품은, 프로세서에 의해 실행될 때, 프로세서가 앞서 설명된 바와 같이 방사 예측 처리 방법 및 스택 일반화 모델 훈련 방법을 수행할 수 있게 한다.

본 개시의 실시 예들에 따른 기술적 솔루션들에서, 방사 예측 처리 방법은 스택 일반화 모델을 호출하고 POA 방사의 예측 값들에 기초하여 출력 예측 값을 결정함으로써 달성되고, 예측 값들은 복수의 정보 소스들에 의해 제공된다. 또한, 처리 후에 정확한 POA 방사 예측 값들이 얻어짐으로써 POA 방사 예측 값들을 기초로 결정된 태양 복사(solar radiation) 예측 전력의 정확도를 향상시킨다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기로 각각 불리는 2개의 일반화기의 레이어들을 포함한다. 제1 레이어 일반화기로 인해 출력된 중간(intermediate) 예측 데이터는 제2 레이어 일반화기의 입력으로 작동한다. 이 경우, 제1 레이어 일반화기의 출력 결과의 편차는 제2 레이어 일반화기에 의해 감소된다. 따라서, 서버의 처리 오버헤드가 감소하면서 POA 방사의 예측 값의 정확도가 더 향상된다.

이하, 본 개시의 실시 예들에 따른 기술적 솔루션들을 더 명확하게 하기 위하여 실시 예들을 설명하는데 이용되는 도면들이 간략히 설명될 것이다. 다음 설명의 도면들은 본 개시의 일부 실시 예들 만을 설명한다는 것이 명백하다. 본 기술 분야에서 통상의 지식을 가진 자라면, 이러한 도면들에 따라 어떠한 창작 없이 다른 도면들을 얻을 수 있다.
도 1은 본 개시의 일 실시 예에 따른 구현 환경의 개략도이다;
도 2는 본 개시의 일 실시 예에 따른 방사 예측 처리 방법의 흐름도이다;
도 3은 본 개시의 일 실시 예에 따른 스택 일반화 모델 훈련 방법의 흐름도이다;
도 4는 본 개시의 다른 실시 예에 따른 방사 예측 처리 방법의 흐름도이다;
도 5는 본 개시의 일 실시 예에 따른 방사 예측 처리 장치의 블록도이다;
도 6은 본 개시의 다른 실시 예에 따른 방사 예측 처리 장치의 블록도이다;
도 7은 본 개시의 일 실시 예에 따른 스택 일반화 모델 훈련 장치의 블록도이다; 및
도 8은 본 개시의 일 실시 예에 따른 컴퓨터 디바이스의 구조적 블록도이다.

본 개시의 목적, 기술적 솔루션 및 이점을 더 명확하게 제시하기 위해, 본 개시를 도면을 참조하여 더 상세하게 설명한다.

도 1은 도 1은 본 개시의 일 실시 예에 따른 구현 환경의 개략도를 예시한다. 구현 환경은 적어도 하나의 기상 관측소(10), 컴퓨터 디바이스(20) 및 적어도 하나의 태양광 발전 기업(30)을 포함할 수 있다.

적어도 하나의 기상 관측소(10)는 기상 현상을 관찰하고 기상 예측을 발표(release)하도록 구성되고, 예를 들어, 태양광 어레이 면(POA) 방사 예측을 발표하도록 구성된다. 적어도 하나의 기상 관측소(10)는 하나 이상의 기상 관측소(10)를 포함할 수 있다. 대안적으로, 정확한 예측 값을 출력하기 위해, 복수의 기상 관측소(10)가 채용되어 복수의 POA 방사 예측들과 같은 복수의 예측들을 얻을 수 있다. 대안적으로, 적어도 하나의 기상 관측소(10)는 유럽중기예보센터(ECMWF), IBM사의 더 웨더 컴퍼니 (the Weather Company), 국립환경예측센터(NCEP) 등을 포함할 수 있다.

컴퓨터 디바이스(20)는 계산 및 저장 기능을 가지는 서버, 휴대폰을 포함하는 단말, 태블릿 컴퓨터, 멀티미디어 플레이어, 웨어러블 장치 등과 및 다른 컴퓨터 디바이스들과 같이 데이터를 전송 및 처리할 수 있는 장치이다. 대안적으로, 컴퓨터 디바이스가 서버인 경우, 컴퓨터 디바이스는 서버, 복수의 서버들로 구성된 서버 클러스터 또는 클라우드 컴퓨팅 서비스 센터일 수 있다. 본 개시에 따른 실시 예에서, 컴퓨터 디바이스(20)는 기상 관측소(10)의 이력(historical) 기상 예측들 및 이력 기상 측정 값들을 획득하고, 이러한 이력 기상 예측들 및 이력 기상 측정 값들로 딥 러닝 모델을 훈련하도록(train) 구성된다. 딥 러닝 모델은 신경 망 모델, 스택 일반화 모델, 선형 회귀 모델 등을 포함한다. 컴퓨터 디바이스(20)는 획득된 기상 측정을 딥 러닝 모델에 입력하여 출력 예측 값을 얻고, 출력 예측 값을 적어도 하나의 태양광 발전 기업(30)에 전송하도록 더 구성된다.

적어도 하나의 태양광 발전 기업(30)은 전력을 예측하고 예측 전력, 예를 들어 태양광 방사의 예측 전력을 발표하도록 구성된다. 적어도 하나의 태양광 발전 기업(30)은 하나 이상의 태양광 발전 기업들(30)을 포함할 수 있고, 이는 본 개시의 실시 예에서 제한되지 않는다. 대안적으로, 컴퓨터 디바이스(20)는 태양광 발전 기업(30)에 배치되거나 태양광 발전 기업(30)과 독립적일 수 있고, 이는 본 개시의 실시 예에서 제한되지 않는다.

일부 실시 예들에서, 태양 복사의 더 정확한 예측 전력을 얻기 위해, 복수의 기상 관측소들(10)은 각각 그들의 타겟 시간 주기 내의 POA 방사의 예측 값들을 컴퓨터 디바이스(20)에 전송한다. 그러면, 컴퓨터 디바이스(20)는 훈련된 스택 일반화 모델에 복수의 예측 값들을 입력하고, 계산에 의해 타겟 시간 주기에 대응하는 출력 예측 값을 얻고, 출력 예측 값을 태양광 발전 기업(30)으로 전송한다. 마지막으로, 태양광 발전 기업(30)은 출력 예측 값을 기초로 태양 복사 예측 전력을 계산한다.

설명의 편의를 위해, 이하의 방법들의 실시 예들은 서버에 의해 단계들이 수행되고 딥 러닝 모델이 스택 일반화 모델인 경우를 가정하여 설명되고, 이에 한정되지 않는다.

도 2는 방법의 일 실시 예에 따른 방사 예측 처리 방법의 흐름도를 예시한다. 방법은 단계 201 내지 단계 204를 포함할 수 있다.

단계 201에서, 타겟 시간 주기에 대응하는 방사 예측 데이터가 획득된다.

타겟 시간 주기는 현재 시점 이후의 미래 시간 주기이다. 본 개시에 따른 실시 예에서 타겟 시간 주기의 지속 기간은 제한되지 않는다. 대안적으로, 타겟 시간 주기는 1일, 반나절 및 정오 시간 주기, 예를 들어 오전 11시로부터 오후 13시까지의 시간 주기일 수 있다.

대안적으로, 타겟 시간 주기에 대응하는 방사 예측 데이터는: 타겟 시간 주기 내의 어레이 면(POA) 방사의 적어도 하나의 예측 값을 포함하고, 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공된다. POA 방사는 태양 방사(solar irradiation), 일사량(solar irradiance), 태양 방사량(solar irradiation amount) 등이라고도 불리는 태양 복사(solar radiation)를 설명하고 연구하기 위한 중요한 파라미터이다. POA 방사는 태양 복사가 대기에 의해 흡수, 산란 및 방출된 후 일정 시간 주기 동안 지구 표면의 단위 면적이 받은 태양 복사의 복사 에너지를 나타낸다. POA 방사의 단위는 와트/제곱미터(W/m²)이다. 따라서, 타겟 시간 주기에 대응하는 POA 방사의 예측 값은 대기에 의해 태양 복사가 영향을 받은 후, 타겟 시간 주기 내에 지구 표면의 단위 면적이 받은 태양 복사의 방사 에너지를 나타낸다. 타겟 시간 주기에 대응하는 POA 방사의 예측 값의 단위 또한 와트/제곱미터이다. 정보 소스는 상기 기상 관측소일 수 있고, 이와 관련된 설명을 위해, 구현 환경의 실시 예를 참조할 수 있으며, 이에 대한 반복된 설명은 생략한다.

단계 202에서, 스택 일반화 모델이 호출된다. 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함한다.

스택 일반화 모델은 딥 러닝 모델이고, 스택 모델(stacked model)로 약칭될 수 있다. 스태킹(stacking) 일반화 모델은 적어도 두 학습자들(learners)의 레이어들을 포함한다. 학습자들의 레이어들이 많을수록, 스택 일반화 모델의 학습 깊이가 깊어지고, 스택 일반화 모델에 의해 얻어지는 결과가 더 정확하고, 서버의 처리 오버헤드 또한 증가한다. 따라서, 실제 응용들에서, 스택 일반화 모델의 레이어들의 수는 결과의 정확도 및 서버의 처리 오버헤드라는 두 가지 요소들에 의해 결정된다. 대안적으로, 스택 일반화 모델에 포함된 학습자는 일반화기가 될 수 있다. 본 개시에 따른 실시 예에서, 결과의 정확도 및 서버의 처리 오버헤드를 고려하여, 스택 일반화 모델이 각각 제1 레이어 일반화기 및 제2 레이어 일반화기로 불리는 두 개의 일반화기들의 레이어들을 포함하는 것으로 결정된다. 특히, 제1 레이어 일반화기의 출력은 제2 레이어 일반화기의 입력으로 작동한다.

본 개시의 실시 예들에 따른 기술적 솔루션들을 이해한 후, 당업자는 본 개시의 실시 예에서 설명된 기능들의 전부 또는 일부를 완성하기 위한 다음의 솔루션들을 용이하게 이해할 수 있음에 유의해야 한다. 솔루션들은 다음을 포함한다: 스택 일반화 모델은 일반화 모델(하나의 일반화기들의 레이어만 포함하는 학습 모델)과 같은 다른 딥 러닝 모델로 대체될 수 있고, 스택 일반화 모델에 포함된 학습자들의 레이어들의 수를 증가시킬 수 있고, 예를 들어, 세 개의 학습자들의 레이어들이 배열된다. 모든 솔루션들은 본 개시의 보호 범위 내에 속해야 한다.

단계 203에서, 타겟 시간 주기에 대응하는 방사 예측 데이터에 기초하여 제1 레이어 일반화기를 사용하여 중간 예측 데이터가 결정된다. 중간 예측 데이터는 타겟 시간 주기 내 POA 방사의 적어도 하나의 예측 값을 나타내고, 이는 타겟 시간 주기에 대응하는 방사 예측 데이터에 기초하여 추가적인 예측(prediction)에 의해 서버에 의해 제1 레이어 일반화기를 이용하여 얻어진다. 특히, 추가적인 예측을 통해 얻어진 타겟 시간 주기 내의 POA 방사의 예측 값들은 중간 예측 값들이라고 불린다.

중간 예측 데이터는 타겟 시간 주기 내 POA 방사의 적어도 하나의 예측 값을 나타내고, 이는 타겟 시간 주기에 대응하는 방사 예측 데이터에 기초한 추가적인 예측에 의해 서버에 의해 제1 레이어 일반화기를 이용하여 얻어진다. 특히, 추가적인 예측을 통해 얻어진 타겟 시간 주기 내 POA 방사의 예측 값들을 중간 예측 값들이라고 한다.

대안적으로, 제1 레이어 일반화기는 복수의 일반화기들을 포함할 수 있다. 복수의 일반화기들은 모두 동일하거나, 서로 상이하거나, 부분적으로 동일하고 부분적으로 상이할 수 있고, 이는 본 개시의 실시 예에서 제한되지 않는다. 특히, 복수의 일반화기들 각각은 학습 모델에 대응한다. 학습 모델은, 예를 들어, 랜덤 포레스트(RF) 모델, 릿지(Ridge) 모델, XGB(extreme gradient boost) 모델, 최소 절대 수축 및 선택 연산자(Lasso: least absolute shrinkage and selection operator) 회귀 모델, SVM(support vector machine) 모델, Adaboost(adaptive boosting) 모델, 국부적으로 가중된 선형 회귀(LWLR) 모델, 심층 신경망(DNN) 모델일 수 있다. 대안적으로, 제1 레이어 일반화기가 복수의 일반화기들을 포함하고, 복수의 일반화기들이 부분적으로 동일하고 부분적으로 상이하거나 또는 모두 동일한 경우, 동일한 일반화기들에 대한 파라미터들은 동일하거나 상이할 수 있고, 이는 본 개시의 실시 예에 한정되지 않는다.

일부 실시 예들에서, 상기 제1 레이어 일반화기는 k개의 일반화기들을 포함하고, k는 1보다 큰 정수이므로, 제1 레이어 일반화기를 이용하여 계산된 중간 예측 데이터는 더 정확하다. 이 경우, 제1 레이어 일반화기를 이용하여 타겟 시간 주기에 대응하는 중간 예측 데이터에 기초하여 중간 예측 데이터가 결정된 단계는, k개의 일반화기들에 의해 각각, 타겟 시간 주기에 대응하는 방사 예측 데이터에 기초하여 k개의 중간 예측 값들을 얻는 단계를 포함한다. 중간 예측 데이터는 k개의 중간 예측 값들을 포함한다. k개의 일반화기들 각각은 복수의 타겟 시간 주기들에 대응하는 방사 예측 데이터가 입력되더라도 하나의 중간 예측 값만 출력하고, 예측 값은 복수의 정보 소스들에 의해 제공된다. 따라서, k개의 일반화기들에 의해 오직 k개의 중간 예측 값들만 출력된다.

단계 204에서, 중간 예측 데이터에 기초하여 제2 레이어 일반화기를 이용하여 타겟 시간 주기에 대응하는 출력 예측 값이 결정된다.

제2 레이어 일반화기가 하나의 일반화기를 포함하는 경우, 제2 레이어 일반화기를 이용하여 결정된 타겟 시간 주기에 대응하는 출력 예측 값은 스택 일반화 모델에 의해 출력되는 태양 방사의 예측된 값이다. 본 개시의 실시 예에서, 정보 소스에 의해 제공되는 타겟 시간 주기에 대응하는 방사 예측 데이터는 두 개의 일반화기들의 레이어들을 포함하는 스택 일반화 모델을 이용하여 더 처리된다. 따라서, 타겟 시간 주기에 대응하는 출력 예측 값은 정보 소스에 의해 제공되는 방사 예측 데이터보다 더 정확하다.

본 개시의 실시 예는 제2 레이어 일반화기가 하나의 일반화기를 포함하는 예시를 들어 설명될 뿐이라는 점에 유의해야 한다. 본 개시의 기술적 솔루션들을 이해한 후, 당업자는 제2 일반화기가 복수의 일반화기들을 포함하는 기술적 솔루션을 용이하게 인식할 것이고, 이들 모두는 본 개시의 보호 범위 내에 있어야 한다. 예를 들어, 제2 레이어 일반화기가 복수의 일반화기들을 포함하는 경우, 스택 일반화 모델에 하나의 일반화기를 포함하는 제3 레이어 일반화기가 추가되어야 함은 당업자에게 용이하게 이해될 것이다. 대안적으로, 제(t-1) 레이어 일반화기가 복수의 일반화기를 포함하는 경우, 스택 일반화 모델의 최종 출력 예측 값이 결정된 값이도록 하기 위해, 하나의 일반화기를 포함하는 제t 레이어 일반화기가 스택 일반화 모델에 추가될 필요가 있고, t는 3보다 큰 양의 정수이다.

일부 실시 예들에서, 단계 204 후에, 방법은 전력 커브 모델을 호출하고 출력 예측 값에 기초하여 타겟 시간 주기 내의 태양 복사의 예측 전력을 계산하는 단계를 더 포함한다.

예측 전력(forecast power)은 태양 복사를 설명하기 위한 중요한 파라미터이고, 태양 복사가 대기에 의해 영향을 받은 후 일정시간 주기 내에 지구 표면에 받는 태양 복사의 복사 에너지를 나타내고, 단위는 와트(W)이다. 이 경우 타겟 시간 주기 내 태양 복사의 예측 전력은 태양 복사가 대기에 의해 영향을 받은 후 타겟 시간 주기 내에 지구 표면에 받는 태양 복사의 복사 에너지이고, 단위는 또한 와트(W)이다. 전력 커브 모델은 POA 방사의 예측 값에 기초하여 태양 복사의 예측 전력을 계산하기 위한 모델을 나타낸다. 대안적으로, 전력 커브 모델은 비선형 모델이다.

요약하면, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 출력 예측 값은 스택 일반화 모델을 호출함으로써 복수의 정보 소스들에 의해 제공되는 POA 방사의 예측 값들에 기초하여 결정된다. 이와 같이, POA 방사의 정확한 예측 값이 얻어지는 방사 예측 처리 방법이 실현됨으로써, POA 방사의 예측 값에 기초하여 결정된 태양 복사의 예측 전력의 정확도를 향상시킨다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기로 각각 불리는 2개의 일반화기들의 레이어들을 포함한다. 제1 레이어 일반화기에 의해 출력된 중간 예측 데이터는 제2 레이어 일반화기의 입력으로 작동하고, 제1 레이어 일반화기의 출력 결과의 편차는 제2 레이어 일반화기에 의해 감소된다. 따라서, 서버의 처리 오버헤드가 감소하면서 POA 방사의 예측 값의 정확도가 더 향상된다.

또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 제1 레이어 일반화기는 복수의 일반화기들을 포함한다. 따라서, 정보 소스에 의해 제공되는 POA 방사의 예측 값은 복수의 일반화기를 이용하여 처리되어, 제1 레이어 일반화기의 출력 결과의 편차를 더 감소시키고 스택 일반화 모델에 의한 처리가 완료된 후 얻어진 출력 예측 값의 정확도를 더 개선한다.

또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델에 의한 처리가 완료된 후 출력 예측 값이 얻어진 후, 전력 커브 모델은 출력 예측 값에 기초하여 예측 전력을 결정하기 위해 서버에 의해 추가적으로 호출될 수 있다. 따라서, POA 방사의 출력 예측 값은 많은 시나리오들에 적용되고, 태양광 발전 기업들은 태양 복사의 정확한 예측 전력을 얻을 수 있다.

일부 실시 예들에서, 스택 일반화 모델은 n개의 훈련 샘플들을 구성하는 단계(constructing); 및 훈련된 스택 일반화 모델을 얻기 위해 n개의 훈련 샘플들을 이용하여 스택 일반화 모델을 훈련하는 단계(training)에 의해 훈련되고, n은 1보다 큰 정수이다.

훈련 샘플들은 스택 일반화 모델을 훈련하기 위한 것이다. 하나의 이력 시간 주기 내의 방사 예측 데이터는 복수의 정보 소스들에 의해 동시에 제공될 수 있으므로, 하나의 이력 시간 주기는 하나의 훈련 샘플 또는 복수의 훈련 샘플들에 대응할 수 있다. 특히, 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 이력 시간 주기 내 POA 방사의 측정 값을 포함한다. 이력 시간 주기에 대응하는 방사 예측 데이터는 이력 시간 주기 내의 POA 방사의 적어도 하나의 예측 값을 포함하고, 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공된다. 이력 시간 주기 내 POA 방사의 측정 값은 측정 및 계산에 의해 얻어진 이력 시간 주기 내 POA 방사의 결정된 값을 나타낸다. 하나의 이력 시간 주기 내 방사 예측 데이터는 복수의 정보 소스들에 의해 동시에 제공될 수 있기 때문에, 이력 시간 주기 각각은 POA 방사의 하나의 측정 값 및 POA 방사의 적어도 하나의 예측 값에 대응한다. 즉, POA 방사의 하나의 측정 값은 특정 이력 시간 주기 내의 POA 방사의 적어도 하나의 예측 값에 대응할 수 있다.

대안적으로, 훈련된 스택 일반화 모델을 얻기 위해 n개의 훈련 샘플들을 이용하여 스택 일반화 모델을 훈련하는 것은 단계 I 내지 단계 IV를 포함한다.

단계 I에서, m개의 훈련 샘플들은 n개의 훈련 샘플들로부터 선택된다.

m개의 훈련 샘플들은 n개의 훈련 샘플들로부터 무작위로 선택될 수 있거나, 또는 본 개시의 실시 예에서 제한되지 않는, 미리 설정된 선택 규칙에 따라 n개의 훈련 샘플들로부터 선택될 수 있다. 특히, m은 1보다 크고 n보다 작은 양의 정수이다. 대안적으로, 서버에 의한 m개의 훈련 샘플들의 선택을 촉진 및 가속화하기 위해, n개의 훈련 샘플들을 s개 부분들의 훈련 샘플들로 나누고, s개 부분들의 훈련 샘플들로부터 t개 부분들의 훈련 샘플들을 선택하고 t개 부분들의 훈련 샘플들을 m개의 훈련 샘플들로 취함으로써 n개의 훈련 샘플들에서 m개의 훈련 샘플들이 선택되고, s는 1보다 큰 양의 정수이고, t는 s보다 작은 양의 정수이다. n개의 훈련 샘플들은 서버에 의해 랜덤하게 또는 미리 설정된 분류 규칙에 따라 s개의 훈련 샘플들로 나뉠 수 있다. 예를 들어, n개의 훈련 샘플들은 n개의 훈련 샘플들에 대응하는 이력 시간 주기들에 기초하여 s개 부분들의 훈련 샘플들로 나뉜다. 다른 예로, n개의 훈련 샘플들은 정보 소스들의 소스들을 기초로 s개 부분들의 훈련 샘플들로 나뉘고, 이는 본 개시의 실시 예에서 제한되지 않는다. 또한, s개 부분들의 훈련 샘플들의 훈련 샘플들의 각 부분에 포함된 훈련 샘플들의 수는 s개 부분들의 훈련 샘플들의 훈련 샘플들의 다른 부분에 포함된 훈련 샘플들의 수와 같거나 상이할 수 있고, 즉, n개의 훈련 샘플들은 서버에 의해 s개의 부분들로 동등하게 나뉠 수 있다.

단계 II에서, 훈련된 제1 레이어 일반화기를 얻기 위해, m개의 훈련 샘플들의 방사 예측 데이터 및 m개의 훈련 샘플들의 측정 값들을 이용하여 제1 레이어 일반화기가 훈련된다.

단계 III에서, n-m개의 훈련 샘플들의 방사 예측 데이터에 기초하여 제1 레이어 일반화기를 이용하여 n-m개의 훈련 샘플들의 중간 예측 데이터가 결정된다. N-m개의 훈련 샘플들은 n개의 훈련 샘플들에서 m개의 훈련 샘플들이 아닌 훈련 샘플들이다.

제1 레이어 일반화기의 훈련이 완료되면, 서버는 n-m개의 훈련 샘플들의 방사 예측 데이터를 훈련된 제1 레이어 일반화기에 입력하여 n-m개의 훈련 샘플들의 중간 예측 데이터를 얻는다. N-m개의 훈련 샘플들은 n개의 훈련 샘플들에서 제1 레이어 일반화기를 훈련하기 위한 m개의 훈련 샘플들이 아닌 훈련 샘플들이다.

대안적으로, 제1 레이어 일반화기는 복수의 일반화기들을 포함할 수 있다. 서버는 제1 레이어 일반화기의 일반화기들 각각을 이용하여, n-m개의 훈련 샘플들의 방사 예측 데이터에 기초하여 n-m개의 훈련 샘플들의 중간 예측 값들을 결정할 수 있다. N-m개의 훈련 샘플들은 n개의 훈련 샘플들에서 m개의 훈련 샘플들이 아닌 훈련 샘플들이다. 중간 예측 데이터는 복수의 중간 예측 값들을 포함한다.

대안적으로, 서버가 n개의 훈련 샘플들을 s개 부분들의 훈련 샘플들로 나누고, s개 부분들의 훈련 샘플들로부터 t개 부분들의 훈련 샘플들을 m개의 훈련 샘플들로 선택하는 경우, 서버는 제1 레이어 일반화기 훈련을 완료한 후, s-t개 부분들의 훈련 샘플들의 방사 예측 데이터를 제1 레이어 일반화기에 입력하여 s-t개 부분들의 훈련 샘플들의 중간 예측 데이터를 얻는다. S-t개 부분들의 훈련 샘플들은 s개 부분들의 훈련 샘플들에서 t개 부분들의 훈련 샘플들이 아닌 훈련 샘플들이다.

단계 IV에서, 훈련된 제2 레이어 일반화기를 얻기 위해, 제2 레이어 일반화기는n-m개의 훈련 샘플들의 측정 값들 및 중간 예측 데이터를 이용하여 훈련된다.

n-m개의 훈련 샘플들의 중간 예측 데이터를 얻은 후, 서버는 n-m개의 훈련 샘플들의 태양 복사의 측정 값들과 함께 제2 레이어 일반화기를 훈련할 수 있다. 대안적으로, n-m개의 훈련 샘플들을 얻은 후, 서버는 정확한 훈련된 제2 레이어 일반화기를 얻기 위해 루프-단계(loop-step)를 여러 번 수행할 수 있다. 루프-단계는 위의 단계 I 로부터 단계 IV까지의 루프를 나타낸다. 루프 단계가 서버에 의해 수행될 때마다, n개의 훈련 샘플들로부터 선택된 복수의 훈련 샘플들의 적어도 일부는 상이하다. 서버에 의해 수행된 루프-스텝의 총 횟수가 x인 경우, 루프-스텝이 x번 수행된 후, q개의 훈련 샘플들의 중간 예측 데이터는 서버에 의해 얻어질 수 있고, q는 양의 정수이다. 그런 다음, q개의 훈련 샘플들의 중간 예측 데이터 및 q개의 훈련 샘플들의 태양 방사의 측정 값들을 채택함으로써 제2 레이어 일반화기가 훈련될 수 있다.

예를 들어, n개의 훈련 샘플들을 획득한 후, 서버는 n개의 훈련 샘플들을 5개 부분들의 훈련 샘플들로 나누고, 5개 부분들의 훈련 샘플들로부터 훈련 샘플들의 제1 부분 내지 훈련 샘플들의 제4 부분까지와 같은 4개 부분의 훈련 샘플들을 선택한다. 서버는 4개 부분들의 훈련 샘플들의 방사 예측 데이터 및 4개 부분들의 훈련 샘플들의 태양 방사의 측정 값들을 채택함으로써 제1 레이어 일반화기를 훈련한다. 그런 다음, 서버는 훈련 샘플들의 제5 부분의 방사 예측 데이터를 훈련된 제1 레이어 일반화기에 입력하여 훈련 샘플들의 제5 부분의 중간 예측 데이터를 얻는다. 그 후, 서버는 훈련 샘플들의 제5 부분의 중간 예측 데이터 및 훈련 샘플들의 제5 부분의 태양 복사의 측정 값에 기초하여 제2 레이어 일반화기를 직접 훈련시켜 훈련된 제2 레이어 일반화기를 얻을 수 있다. 또한, 서버는 훈련 샘플의 제5 부분의 중간 예측 데이터를 얻기 위한 단계들과 동일한 단계들을 통해 선택된 4개 부분들의 훈련 샘플들의 중간 예측 데이터를 얻을 수 있다. 그런 다음, 서버는 5개 부분들의 훈련 샘플들의 중간 예측 데이터 및 5개 부분들의 훈련 샘플들의 태양 방사의 측정 값들을 이용하여 제2 레이어 일반화기를 훈련시켜 훈련된 제2 일반화기를 얻는다.

요약하면, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델 훈련 방법은 복수의 훈련 샘플들을 구성하고 훈련 샘플들을 이용하여 스택 일반화 모델을 훈련함으로써 달성된다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기로 각각 불리는 2개의 일반화기들의 레이어들을 포함하고, 제1 레이어 일반화기의 출력 결과는 제2 레이어 일반화기를 이용하여 최적화되어, 스택 일반화 모델의 편차를 줄이고 스택 일반화 모델의 정확도를 향상시킨다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 제1 레이어 일반화기는 복수의 일반화기들을 포함하고, 이에 의해 제1 레이어 일반화기의 출력 결과의 편차가 감소되어 스택 일반화 모델의 정확도가 더 향상된다.

도 3은 본 개시의 일 실시 예에 따른 스택 일반화 모델 훈련 방법의 흐름도를 예시한다. 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함한다. 방법은 단계 301 내지 단계 302를 포함한다.

단계 301에서, n개의 훈련 샘플들이 구성되고, n개의 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 이력 시간 주기 내 어레이 면(POA) 방사의 측정 값을 포함한다. 이력 시간 주기에 대응하는 방사 예측 데이터는: 이력 시간 주기 내의 POA 방사의 적어도 하나의 예측 값을 포함하고, 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공되고, n은 1보다 큰 정수이다.

단계 302에서, 훈련된 스택 일반화 모델을 얻기 위해 n개의 훈련 샘플들을 이용하여 스택 일반화 모델이 훈련된다.

일부 실시 예들에서, 위의 단계 302는: n개의 훈련 샘플들로부터 m개의 훈련 샘플들을 선택하는 단계 - m은 1보다 크고 n보다 작은 양의 정수임-; 훈련된 제1 레이어 일반화기를 얻기 위해 m개의 훈련 샘플들의 방사 예측 데이터 및 m개의 훈련 샘플들의 측정 값들을 이용하여 제1 레이어 일반화기를 훈련하는 단계; 제1 레이어 일반화기를 이용하여, n-m개의 훈련 샘플들의 방사 예측 데이터에 기초하여 n-m개의 훈련 샘플들의 중간 예측 데이터를 결정하는 단계- n-m개의 훈련 샘플들은 n개의 훈련 샘플들 중에서 m개의 훈련 샘플들이 아닌 훈련 샘플들임 -; 및 훈련된 제2 레이어 일반화기를 얻기 위해, n-m개의 훈련 샘플들의 중간 예측 데이터 및 n-m개의 훈련 샘플들의 측정 값들을 이용하여 제2 레이어 일반화기를 훈련하는 단계를 포함한다.

도 3에 도시된 실시 예에 따른 스택 일반화 모델의 훈련 방법은 도 2에 도시된 실시 예에서 스택 일반화 모델의 훈련 프로세스의 설명을 기초로 설명된다. 따라서, 스택 일반화 모델과 연관된 훈련 프로세스는 위의 도 2에 도시된 실시 예의 설명을 참조하고, 이하 반복되지 않을 것이다.

요약하면, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델 훈련 방법은 복수의 훈련 샘플들을 구성하고 훈련 샘플들을 이용하여 스택 일반화 모델을 훈련함으로써 달성된다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기로 각각 불리는 2개의 일반화기들의 레이어들을 포함하고, 제1 레이어 일반화기의 출력 결과는 제2 레이어 일반화기에 의해 최적화되어, 스택 일반화 모델의 편차를 감소시키고 스택 일반화 모델의 정확도를 향상시킨다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 제1 레이어 일반화기는 복수의 일반화기들을 포함하고, 이에 의해 제1 레이어 일반화기의 출력 결과의 편차가 감소되고, 따라서 스택 일반화 모델의 정확도를 향상시킨다.

도 4는 본 개시의 일 실시 예에 따른 방사 예측 처리 방법의 흐름도를 예시한다. 방법은 단계 401 내지 단계 404를 포함한다.

단계 401에서, 복수의 훈련 샘플들이 획득된다. 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 이력 시간 주기 내 어레이 면(POA) 방사의 측정 값을 포함한다. 이력 시간 주기에 대응하는 방사 예측 데이터는 이력 시간 주기 내의 POA 방사의 적어도 하나의 측정 값을 포함하고, 적어도 하나의 측정 값은 적어도 하나의 정보 소스에 의해 제공된다.

단계 402에서, 훈련된 제1 레이어 일반화기를 얻기 위해, 제1 레이어 일반화기가 복수의 훈련 샘플들을 이용하여 훈련된다. 제1 레이어 일반화기는 복수의 일반화기들을 포함할 수 있다.

단계 403에서, 훈련된 제2 레이어 일반화기를 얻기 위해, 제2 레이어 일반화기가 제1 레이어 일반화기의 출력 데이터 및 복수의 훈련 샘플들을 이용하여 훈련된다.

단계 404에서, 타겟 시간 주기에 대응하는 방사 예측 데이터가 획득되고, 이는 타겟 시간 주기 내의 POA 방사의 적어도 하나의 예측 값을 포함하고, 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공된다.

단계 405에서, 타겟 시간 주기에 대응하는 출력 예측 값을 결정하기 위해 스택 일반화 모델이 호출된다. 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함한다.

단계 406에서, 타겟 시간 주기에 대응하는 출력 예측 값에 기초하여 타겟 시간 주기 내의 태양 방사의 예측 전력을 결정하기 위해 전력 커브 모델이 호출된다.

이하, 본 개시에 따른 방법들의 실시 예들을 수행하기 위해 사용될 수 있는, 본 개시에 따른 장치들의 실시 예들이 설명된다. 본 개시에 따른 장치들의 실시 예들에서 개시되지 않은 세부사항들은 본 개시에 따른 방법들의 실시 예들을 참조하기 바란다.

도 5는 본 개시의 일 실시 예에 따른 방사 예측 처리 장치의 블록도를 예시한다. 디바이스(500)는 상기 방법들의 실시 예들을 실현하는 기능을 가진다. 기능은 하드웨어에 의해 실현될 수 있고, 또는 하드웨어에 의해 실행되는 소프트웨어에 의해 실현될 수 있다. 디바이스(500)는 서버와 같은 전술한 컴퓨터 디바이스일 수 있다. 디바이스(500)는 데이터 획득 모듈(510), 모델 호출 모듈(520), 데이터 결정 모듈(530), 및 예측 값 결정 모듈(540)을 포함할 수 있다.

데이터 획득 모듈(510)은 타겟 시간 주기에 대응하는 방사 예측 데이터를 획득하도록 구성된다. 방사 예측 데이터는 타겟 시간 내의 어레이 면(POA) 방사의 적어도 하나의 예측 값을 포함하고, 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공된다.

모델 호출 모듈(520)은 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델을 호출하도록 구성된다.

데이터 결정 모듈(530)은 타겟 시간 주기에 대응하는 방사 예측 데이터에 기초하여 제1 레이어 일반화기를 이용하여 중간 예측 데이터를 결정하도록 구성된다.

예측 값 결정 모듈(540)은 중간 예측 데이터에 기초하여 타겟 시간 주기에 대응하는 출력 예측 값을 제2 레이어 일반화기를 이용하여 결정하도록 구성된다.

대안적으로, 제1 레이어 일반화기는 k개의 일반화기들을 포함하고, k는 1보다 큰 정수이다. 이 경우, 데이터 결정 모듈(530)은 타겟 시간 주기에 대응하는 방사 예측 데이터에 기초하여 k개의 일반화기를 각각 이용하여, k개의 중간 예측 값들을 얻도록 구성된다. 중간 예측 데이터는 k개의 중간 예측 값들을 포함한다.

대안적으로, 스택 일반화 모델은 n개의 훈련 샘플들 각각이 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 이력 시간 주기 내의 POA 방사의 측정 값을 포함하는 n개의 훈련 샘플들을 구성하고 - n은 1보다 큰 정수임-; 및 훈련된 스택 일반화 모델을 얻기 위해 n개의 훈련 샘플들을 이용하여 스택 일반화 모델을 훈련하는 방식으로 훈련된다.

대안적으로, 훈련된 스택 일반화 모델을 얻기 위해 n개의 훈련 샘플들을 이용하여 스택 일반화 모델을 훈련하는 단계는: n개의 훈련 샘플들로부터 m개의 훈련 샘플들을 선택하는 단계- m은 1보다 크고 n보다 작은 양의 정수임 -; 훈련된 제1 레이어 일반화기를 얻기 위해, m개의 훈련 샘플들의 방사 예측 데이터 및 m개의 훈련 샘플들의 측정 값들을 이용하여 제1 레이어 일반화기를 훈련하는 단계; 제1 레이어 일반화기를 이용하여, n-m개의 훈련 샘플들의 방사 예측 데이터에 기초하여 n-m개의 훈련 샘플들의 중간 예측 데이터를 결정하는 단계- n-m개의 훈련 샘플들은 n개의 훈련 샘플들 중에서 m개의 훈련 샘플들이 아닌 훈련 샘플들임 -; 및 훈련된 제2 레이어 일반화기를 얻기 위해, n-m개의 훈련 샘플들의 중간 예측 데이터 및 n-m개의 훈련 샘플들의 측정 값들을 이용하여 제2 레이어 일반화기를 훈련하는 단계를 포함한다.

대안적으로, 도 6에 도시된 바와 같이, 장치(500)는 전력 커브 모델을 호출하고 출력 예측 값에 기초하여 타겟 시간 주기 내의 태양 복사의 예측 전력을 계산하도록 구성된 전력 계산 모듈(550)을 더 포함한다.

요약하면, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 방사 예측 처리 방법은 스택 일반화 모델을 호출하고 복수의 정보 소스들에 의해 제공된 POA 방사의 예측 값들에 기초하여 출력 예측을 결정함으로써 달성된다. 또한, 처리 후에 POA 방사의 정확한 예측 값들이 얻어짐으로써 POA 방사의 예측 값들에 기초하여 결정된 태양 복사의 예측 전력의 정확도를 향상시킨다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기로 각각 불리는 두 개의 일반화기들의 레이어들을 포함한다. 제1 레이어 일반화기에 의해 출력된 중간 예측 데이터는 제2 레이어 일반화기의 입력으로 작동한다. 이 경우, 제1 레이어 일반화기의 출력 결과의 편차는 제2 레이어 일반화기에 의해 감소된다. 따라서, 서버의 처리 오버헤드가 감소되면서 POA 방사의 예측 값의 정확도가 더 향상된다.

또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 제1 레이어 일반화기는 복수의 일반화기들을 포함한다. 따라서, 정보 소스에 의해 제공되는 POA 방사의 예측 값은 복수의 일반화기들을 이용하여 처리되어, 제1 레이어 일반화기의 출력 결과의 편차를 더 줄이고 스택 일반화 모델에 의한 처리가 완료된 후 얻어진 출력 예측 값의 정확도를 더 개선한다.

게다가, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델에 의한 처리가 완료된 후 출력 예측 값이 얻어지면, 전력 커브 모델은 출력 예측 값에 기초하여 예측 전력을 결정하기 위해 서버에 의해 추가적으로 호출될 수 있다. 따라서, POA 방사의 출력 예측 값은 많은 시나리오들에 적용되고, 태양광 발전 기업들은 태양 복사의 정확한 예측 전력을 얻을 수 있다.

도 7은 본 개시의 일 실시 예에 따른 스택 일반화 모델 훈련 장치(70)의 블록도를 예시한다. 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함한다. 장치(700)는 방법들의 상기 실시 예들을 실현하는 기능을 가진다. 기능은 하드웨어 또는 하드웨어에 의해 실행되는 소프트웨어에 의해 구현될 수 있다. 장치(700)는 서버와 같은 전술한 컴퓨터 디바이스일 수 있다. 장치(700)는 샘플 구성 모델(710) 및 모델 훈련 모듈(720)을 포함할 수 있다.

샘플 구성 모듈(710)은 n개의 훈련 샘플들을 구성하도록 구성된다. n개의 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 이력 시간 주기 내의 어레이 면(POA) 방사의 측정 값을 포함한다. 이력 시간 주기에 대응하는 방사 예측 데이터는 이력 시간 주기 내의 POA 방사의 적어도 하나의 예측 값을 포함하고, 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공된다. 특히, n은 1보다 큰 정수이다.

모델 훈련 모듈(720)은 훈련된 스택 일반화 모델을 얻기 위해 n개의 훈련 샘플들을 이용하여 스택 일반화 모듈을 훈련하도록 구성된다.

대안적으로, 모델 훈련 모듈(720)은 n개의 훈련 샘플들로부터 m개의 훈련 샘플들을 선택하고 - m은 1보다 크고 n보다 작은 양의 정수임-; 훈련된 제1 레이어 일반화기를 얻기 위해, 방사 예측 데이터 및 m개의 훈련 샘플들의 측정 값들을 이용하여 제1 레이어 일반화기를 훈련하고; 제1 레이어 일반화기를 이용하여, n-m개의 훈련 샘플들의 방사 예측 데이터에 기초하여 n-m개의 훈련 샘플들의 중간 예측 데이터를 결정하고 - n-m개의 훈련 샘플들은 n개의 트레이닝 샘플들에서 m개의 트레이닝 샘플들이 아닌 훈련 샘플들임-; 및 훈련된 제2 레이어 일반화기를 얻기 위해, n-m개의 훈련 샘플들의 중간 예측 데이터 및 n-m 훈련 샘플들의 측정 값을 이용하여 제2 레이어 일반화기를 훈련하도록 구성된다.

요약하면, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델 훈련 방법은 복수의 훈련 샘플들을 구성하고 훈련 샘플들을 이용하여 스택 일반화 모델을 훈련함으로써 달성된다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 스택 일반화 모델은 제1 레이어 일반화기 및 제2 레이어 일반화기로 각각 불리는 두 개의 일반화기들의 레이어들을 포함하고, 제1 레이어 일반화기의 출력 결과는 제2 레이어 일반화기에 의해 최적화되어, 스택 일반화 모델의 편차를 줄이고 스택 일반화 모델의 정확도를 향상시킨다. 또한, 본 개시의 실시 예들에 따른 기술적 솔루션들에서, 제1 레이어 일반화기를 복수의 일반화기들을 포함하고, 이에 의해 제1 레이어 일반화기의 출력 결과의 편차가 감소됨으로써 스택 일반화 모델의 정확도가 더 향상된다.

상기 기능적 모듈들의 분할(division)은 단지 본 개시의 실시 예들에 따른 디바이스들의 기능들을 구현하는 예로서 취해짐에 유의해야 한다. 실제 응용들에서, 위의 기능들은 필요에 따라 다른 기능적 모듈들로 구현될 수 있다. 즉, 디바이스들의 내부 구조들이 상기와 다른 기능적 모듈들로 나뉘어 상기 기능들의 전부 또는 일부를 완성할 수 있다. 또한, 상기 실시 예들에 따른 디바이스들의 실시 예들은 상기 실시 예들에 따른 방법들의 실시 예들과 동일한 개념을 가지고, 그 구현 프로세스들은 상기 방법들의 실시 예들의 상세한 구현 프로세스들을 참조하고, 이에 대하여 이하에서 중복 설명되지 않는다.

본 개시의 일 실시 예에 따른 컴퓨터 디바이스(800)의 구조적 블록도를 예시하는 도 8이 참조된다. 컴퓨터 디바이스는 상기 실시 예들에 따른 방사 예측 처리 방법 및 스택 일반화 모델 훈련 방법 중 적어도 하나를 구현하도록 구성될 수 있다. 예를 들어, 컴퓨터 디바이스(800)는 도 1에 도시된 구현 환경에서 서버일 수 있다.

컴퓨터 디바이스(800)는 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 및 필드 프로그램 가능 게이트 어레이(FPGA)와 같은 처리 장치(801), 랜덤-액세스 메모리(RAM)(802)를 포함하는 시스템 메모리(804) 및 읽기 전용 메모리(ROM)(803), 및 시스템 메모리(804)와 중앙 처리 장치(801)를 연결하는 시스템 버스(805)를 포함한다. 컴퓨터 디바이스(800)는 서버의 컴포넌트들 사이의 정보 전송을 돕는 입력/출력 시스템(I/O 시스템)(806), 및 운영 체제(813), 응용 프로그램들(814) 및 다른 프로그램 모듈들(815)을 저장하는 대용량 저장 장치(807)를 더 포함한다.

I/O 시스템(806)은 정보를 디스플레이 하기 위한 디스플레이(808) 및 사용자들이 정보를 입력하기 위한 마우스 및 키보드와 같은 입력 디바이스(809)를 포함한다. 디스플레이(808) 및 입력 디바이스(809)는 모두 시스템 버스(805)에 연결된 입력/출력 컨트롤러(810)를 통해 중앙 처리 장치(801)에 연결된다. I/O 시스템(806)은 키보드, 마우스 또는 전자 스타일러스(stylus)와 같은 복수의 다른 디바이스들로부터 입력을 수신 및 처리하기 위한 입력/출력 컨트롤러(810)를 더 포함할 수 있다. 유사하게, 입력/출력 컨트롤러(810)는 디스플레이 스크린, 프린터, 또는 다른 유형의 출력 디바이스들에 출력을 더 제공한다.

대용량 저장 장치(807)는 시스템 버스(805)에 연결된 대용량 저장 컨트롤러(미도시)를 통해 중앙 처리 장치(801)에 연결된다. 대용량 저장 장치(807) 및 이와 연관된 컴퓨터 판독 가능 매체는 컴퓨터 디바이스(800)를 위한 비-휘발성 저장장치를 제공한다. 즉, 대용량 저장 장치(807)는 하드 디스크 또는 CD-ROM 드라이브와 같은 컴퓨터 판독 가능 매체(미도시)를 포함할 수 있다.

일반성의 손실 없이, 컴퓨터 판독 가능 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하기 위한 임의의 방법 또는 기술에서 사용되는 휘발성 매체, 비휘발성 매체, 제거 가능한 매체, 및 제거 불가능한 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EPROM, EEPROM, 플래시 메모리 또는 기타 솔리드-스테이트 저장 기술을 포함하고, CD-ROM, DVD 또는 다른 광학 메모리를 포함하고, 카세트, 자기 테이프, 디스크 저장장치 또는 다른 자기 저장 장치들을 포함한다. 컴퓨터 저장 매체가 위에서 설명된 것들로 제한되지 않는다는 것은 당업자에 의해 인식될 것이다. 전술한 시스템 메모리(804) 및 대용량 저장 장치(807)는 전체로서 메모리로 참조될 수 있다.

본 개시의 일 실시 예에 따르면, 컴퓨터 디바이스(800)는 인터넷과 같은 네트워크를 통해, 네트워크 상의 원격 컴퓨터에 더 연결되어 동작할 수 있다. 즉, 컴퓨터 디바이스(800)는 시스템 버스(805)에 연결된 네트워크 인터페이스 유닛(811)을 통해 네트워크(812)에 연결될 수 있다. 대안적으로, 컴퓨터 디바이스(800)는 네트워크 인터페이스 유닛(811)을 통해 다른 유형의 네트워크 또는 원격 컴퓨터 시스템(미도시)에 연결될 수 있다.

메모리는 컴퓨터 프로그램을 더 저장한다. 컴퓨터 프로그램은, 하나 이상의 프로세서들에 의해 실행될 때, 하나 이상의 프로세서들이 위에서 설명된 바와 같이 방사 예측 처리 방법 및 스택 일반화 모델 훈련 방법 중 적어도 하나를 수행할 수 있도록 한다.

본 개시의 실시 예는 컴퓨터 프로그램을 그 안에 저장하는 비-일시적 컴퓨터-판독 가능 저장 매체를 더 제공한다. 컴퓨터 프로그램은 프로세서에 의해 실행될 때, 프로세서가 위에서 설명된 바와 같이 방사 예측 처리 방법 및 스택 일반화 모델 훈련 방법 중 적어도 하나를 수행할 수 있도록 한다.

본 개시의 실시 예는 컴퓨터 프로그램 제품을 제공한다. 컴퓨터 프로그램 제품은 프로세서에 의해 실행될 때, 프로세서가 위에서 설명된 바와 같이 방사 예측 처리 방법 및 스택 일반화 모델 훈련 방법 중 적어도 하나를 수행할 수 있도록 한다.

본 명세서에 언급된 "복수"는 둘 이상을 나타내는 것으로 이해되어야 한다. "및/또는"은 연관된 객체들 사이의 연관 관계를 설명하는 데 이용되고 세 가지 관계가 존재할 수 있음을 나타낸다. 예를 들어, A 및/또는 B는 A가 독립적으로 존재하고, A 및 B 모두 존재하고, B가 독립적으로 존재하는 세 가지 관계를 나타낼 수 있다. 문자 "/"는 일반적으로 "/" 전후의 연관된 객체가 "또는" 관계에 있음을 나타낸다.

위에서 설명된 것은 단지 본 개시의 예시적인 실시 예들이고, 본 개시를 제한하도록 의도되지 않는다. 본 개시의 정신 및 원리 내에서, 임의의 수정, 동등한 대체, 개선 등은 본 개시의 보호 범위 내에 있어야 한다.

10: 기상관측소
20: 컴퓨터 디바이스
30: 태양광 발전 기업
510: 데이터 획득 모듈
520: 모델 호출 모듈
530: 데이터 결정 모듈
540: 예측 값 결정 모듈
550: 전력 계산 모듈

Claims (10)

1. 방사 예측(irradiation forecast) 처리 방법에 있어서,
   타겟 시간 주기에 대응하는 방사 예측 데이터를 획득하는 단계;
   제1 레이어 일반화기(generalizer) 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델(stacked generalization model)을 호출하는 단계;
   상기 제1 레이어 일반화기를 이용하여, 상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터에 기초하여 중간(intermediate) 예측 데이터를 결정하는 단계; 및
   상기 제2 레이어 일반화기를 이용하여, 상기 중간 예측 데이터에 기초하여 상기 타겟 시간 주기에 대응하는 출력 예측 값을 결정하는 단계
   를 포함하고,
   상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 타겟 시간 주기 내의 어레이 면(plane of array) 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공되는,
   방법.
   
2. 제1항에 있어서,
   상기 제1 레이어 일반화기는 k개의 일반화기들을 포함하고 - k는 1보다 큰 정수임 -; 및
   상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터에 기초하여 중간 예측 데이터를 결정하는 단계는:
   상기 k개의 일반화기들을 각각 이용하여, 상기 타겟 시간 주기에 대응하는 상기 방사 예측 값에 기초하여 k개의 중간 예측 값들을 얻는 단계
   를 포함하고,
   상기 중간 예측 데이터는 상기 k개의 중간 예측 값들을 포함하는,
   방법.
   
3. 제1항에 있어서,
   샹기 스택 일반화 모델은:
   n개의 훈련 샘플들을 구성하고(constructing);
   훈련된 스택 일반화 모델을 얻기 위해 상기 n개의 훈련 샘플들을 이용하여 상기 스택 일반화 모델을 훈련
   함으로써 훈련되고,
   상기 n개의 훈련 샘플들 각각은 하나의 이력(historical) 시간 주기에 대응하는 방사 예측 데이터 및 상기 이력 시간 주기 내의 어레이 면 방사의 측정 값을 포함하는 - n은 1보다 큰 정수임 -,
   방법.
   
4. 제3항에 있어서,
   상기 훈련된 스택 일반화 모델을 얻기 위해 상기 n개의 훈련 샘플들을 이용하여 상기 스택 일반화 모델을 훈련하는 단계는:
   상기 n개의 훈련 샘플들로부터 m개의 훈련 샘플들을 선택하는 단계- m은 1보다 크고 n보다 작은 양의 정수임 -;
   훈련된 제1 레이어 일반화기를 얻기 위해, 상기 m개의 훈련 샘플들의 방사 예측 데이터 및 상기 m개의 훈련 샘플들의 측정 값들을 이용하여 상기 제1 레이어 일반화기를 훈련하는 단계;
   상기 제1 레이어 일반화기를 이용하여, n-m개의 훈련 샘플들의 방사 예측 데이터에 기초하여 상기 n-m개의 훈련 샘플들의 중간 예측 데이터를 결정하는 단계- 상기 n-m개의 훈련 샘플들은 상기 n개의 훈련 샘플들 중에서 상기 m개의 훈련 샘플들이 아닌 훈련 샘플들임 -; 및
   훈련된 제2 레이어 일반화기를 얻기 위해, 상기 n-m개의 훈련 샘플들의 상기 중간 예측 데이터 및 상기 n-m개의 훈련 샘플들의 측정 값들을 이용하여 상기 제2 레이어 일반화기를 훈련하는 단계
   를 포함하는,
   방법.
   
5. 제1항 내지 제4항 중 어느 한 항에 있어서,
   상기 중간 예측 데이터에 기초하여 상기 타겟 시간 주기에 대응하는 상기 출력 예측 값을 결정한 후,
   상기 방법은:
   전력 커브 모델을 호출하는 단계 및
   상기 출력 예측 값에 기초하여 상기 타겟 시간 주기 내 태양 복사(solar radiation)의 예측 전력을 계산하는 단계
   를 더 포함하는,
   방법.
   
6. 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델 훈련 방법에 있어서,
   상기 방법은:
   n개의 훈련 샘플들을 구성하는 단계; 및
   훈련된 스택 일반화 모델을 얻기 위해 상기 n개의 훈련 샘플들을 이용하여 상기 스택 일반화 모델을 훈련하는 단계
   를 포함하고,
   상기 n개의 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 상기 이력 시간 주기 내의 어레이 면 방사의 측정 값을 포함하고, 상기 이력 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 이력 시간 주기 내의 상기 어레이 면 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공되고, n은 1보다 큰 정수인,
   방법.
   
7. 방사 예측 처리 장치에 있어서,
   타겟 시간 주기에 대응하는 방사 예측 데이터를 획득하도록 구성되는 데이터 획득 모듈;
   제1 레이어 일반화기 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델을 호출하도록 구성되는, 모델 호출 모듈;
   상기 제1 레이어 일반화기를 이용하여, 상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터에 기초하여 중간 예측 데이터를 결정하도록 구성되는, 데이터 결정 모듈; 및
   상기 제2 레이어 일반화기를 이용하여, 상기 중간 예측 데이터에 기초하여 상기 타겟 시간 주기에 대응하는 출력 예측 값을 결정하도록 구성되는, 예측 값 결정 모듈
   을 포함하고,
   상기 타겟 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 타겟 시간 주기 내의 어레이 면 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공되는,
   장치.
   
8. 제1 레이어 일반화기 및 제2 레이어 일반화기를 포함하는 스택 일반화 모델 훈련 장치에 있어서,
   상기 장치는:
   n개의 훈련 샘플들을 구성하도록 구성되는 샘플 구성 모듈; 및
   훈련된 스택 일반화 모델을 얻기 위해 상기 n개의 훈련 샘플들을 이용하여 상기 스택 일반화 모델을 훈련하도록 구성되는, 모델 훈련 모듈
   을 포함하고,
   상기 n개의 훈련 샘플들 각각은 하나의 이력 시간 주기에 대응하는 방사 예측 데이터 및 상기 이력 시간 주기 내의 어레이 면 방사의 측정 값을 포함하고, 상기 이력 시간 주기에 대응하는 상기 방사 예측 데이터는 상기 이력 시간 주기 내의 상기 어레이 면 방사의 적어도 하나의 예측 값을 포함하고, 상기 적어도 하나의 예측 값은 적어도 하나의 정보 소스에 의해 제공되고, n은 1보다 큰 정수인,
   장치.
   
9. 컴퓨터 디바이스에 있어서,
   프로세서 및
   컴퓨터 프로그램을 저장하는 메모리
   를 포함하고,
   상기 컴퓨터 프로그램은,
   상기 프로세서에 의해 로드 및 실행될 때, 상기 프로세서가 제1항 내지 제5항 중 어느 한 항에 정의된 상기 방사 예측 처리 방법 및 제6항에 정의된 상기 스택 일반화 모델 훈련 방법 중 적어도 하나의 방법을 수행할 수 있게 하는,
   컴퓨터 디바이스.
   
10. 컴퓨터 프로그램을 저장하는 비-일시적 컴퓨터 판독 가능 기억 매체에 있어서,
    상기 컴퓨터 프로그램은,
    프로세서에 의해 실행될 때, 상기 프로세서가 제1항 내지 제5항 중 어느 한 항에 정의된 상기 방사 예측 처리 방법 및 제6항에 정의된 상기 스택 일반화 모델 훈련 방법 중 적어도 하나의 방법을 수행할 수 있게 하는,
    컴퓨터 프로그램을 저장하는 비-일시적 컴퓨터 판독 가능 저장 매체.
    

Images