KR20220146158A - 일사량 예측 장치 및 그 방법 - Google Patents

일사량 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR20220146158A
KR20220146158A KR1020210053077A KR20210053077A KR20220146158A KR 20220146158 A KR20220146158 A KR 20220146158A KR 1020210053077 A KR1020210053077 A KR 1020210053077A KR 20210053077 A KR20210053077 A KR 20210053077A KR 20220146158 A KR20220146158 A KR 20220146158A
Authority
KR
South Korea
Prior art keywords
hourly
insolation
prediction
data
day
Prior art date
Application number
KR1020210053077A
Other languages
English (en)
Inventor
전병기
김의종
Original Assignee
인하대학교 산학협력단
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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020210053077A priority Critical patent/KR20220146158A/ko
Publication of KR20220146158A publication Critical patent/KR20220146158A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Theoretical Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Physics & Mathematics (AREA)
  • Atmospheric Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 일사량 예측 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 임의 지역에서 M일에 관측된 시간별 일사량 데이터, 시간별 날씨 정보 및 상기 M일에 예보된 M+1일의 시간별 날씨 예보 정보를 각각 입력 데이터로 하고, M+1일에 실제 관측된 시간별 일사량 관측치를 출력 데이터로 하여, 예측 모델을 학습시키는 모델 학습부와, 예측 대상 지역에서 측정된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보 및 내일 시간별 날씨 예보 정보를 각각 획득하는 데이터 획득부, 및 예측 대상 지역에 대응하여 획득된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보, 그리고 내일 시간별 날씨 예보 정보를 상기 예측 모델에 적용하여, 상기 예측 대상 지역에 대한 내일의 시간별 일사량 예측치를 도출하는 제어부를 포함하는 일사량 예측 장치를 제공한다.
이러한 본 발명에 의하면, 예측 대상 지역의 장기간 누적 데이터 없이도 주변 지역의 최근 일사 특성을 반영하는 학습 모델을 사용하여 예측 대상 지역의 일사량을 정확도 있게 예측할 수 있다.

Description

일사량 예측 장치 및 그 방법{Apparatus for predicting solar radiation and method thereof}
본 발명은 일사량 예측 장치 및 그 방법에 관한 것으로, 보다 상세하게는 주변 지역의 최근 일사 특성을 반영하는 학습 모델을 이용하여 예측 대상 지역의 일사량을 정확하게 예측할 수 있는 일사량 예측 장치 및 그 방법을 제공하는데 목적이 있다.
일반적으로 건물의 예측제어 시 건물 부하와 신재생 생산량에 영향을 주는 일사 예측은 에너지 절감 효과를 극대화하기 위해 중요하다.
건물 에너지의 약 60%는 HVAC 운전에 사용되며, 건물의 열원 및 공조 시스템을 최적으로 제어하면 에너지를 절약할 수 있다. 특히, 공조기의 효율적인 제어를 위해 최적 제어 전략을 수립하고 계획된 전략에 따라 미리 시스템을 운전하는 모델 예측 제어(Model Predictive Control, MPC)와 관련한 연구는 지속적으로 증가하고 있다.
다양한 연구에서 MPC를 통한 건물 에너지 소비 저감 효과를 확인하였다. MPC 제어의 성능은 건물 시간별 부하 예측 정확도에 영향을 받는데, 부하는 다음 날의 기상 정보에 영향을 받으므로 대부분의 모델은 기상 예보 정보를 필요로 한다. 부하에 영향을 주는 대표적인 인자는 외기 온도와 일사량이다.
여기서, 시간별 변동이 적은 외기온도의 경우 예측이 비교적 용이하나, 일사량의 경우, 실제 값을 시간 별로 예보해주는 시스템은 특히 매우 드물다.
또한 그 동안 다수의 일사 예측 모델이 개발되어져 왔으나, 예측 대상 지역에서 오랜 기간 수집한 기상 데이터를 필요로 하거나 다양한 기상 데이터를 실시간 측정하여야 하며, 누적된 로컬 데이터가 없는 지역에서는 적용이 어려운 단점이 있었다.
따라서, 예측 대상 지역에 대한 장기간 누적된 데이터 없이도 정확한 일사 예측이 가능한 새로운 학습 모델의 개발이 요구되는 실정이다.
본 발명의 배경이 되는 기술은 한국등록특허 제10-1515003호(2015.04.24 공고)에 개시되어 있다.
본 발명은, 주변 지역의 최근 일사 특성을 반영하는 학습 모델을 이용하여 예측 대상 지역의 일사량을 정확하게 예측할 수 있는 일사량 예측 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 임의 지역에서 M일에 관측된 시간별 일사량 데이터, 시간별 날씨 정보 및 상기 M일에 예보된 M+1일의 시간별 날씨 예보 정보를 각각 입력 데이터로 하고, M+1일에 실제 관측된 시간별 일사량 관측치를 출력 데이터로 하여, 예측 모델을 학습시키는 모델 학습부와, 예측 대상 지역에서 측정된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보 및 내일 시간별 날씨 예보 정보를 각각 획득하는 데이터 획득부, 및 예측 대상 지역에 대응하여 획득된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보, 그리고 내일 시간별 날씨 예보 정보를 상기 예측 모델에 적용하여, 상기 예측 대상 지역에 대한 내일의 시간별 일사량 예측치를 도출하는 제어부를 포함하는 일사량 예측 장치를 제공한다.
또한, 상기 예측 모델에 입력되는 상기 시간별 날씨 정보와 상기 시간별 날씨 예보 정보는, 온도, 습도, 운량, 풍속, 강수량 중에서 선택된 적어도 하나의 인자를 각각 포함할 수 있다.
또한, 상기 시간별 날씨 정보와 상기 시간별 날씨 예보 정보는, 미세먼지, 초미세먼지, 황사 중에서 선택된 적어도 하나의 인자를 더 포함할 수 있다.
또한,상기 예측 모델의 입력 데이터로 사용된 시간별 일사량 데이터는, 해당 일자에 관측된 시간별 일사량 관측치를 해당 일자의 하루 중 관측된 최대 일사량으로 나누어 0과 1 사이의 값으로 정규화한 값일 수 있다.
또한, 상기 일사량 예측 장치는, 상기 예측 대상 지역에서 관측된 금일 시간별 일사량 측정치를 금일 중 관측된 최대 일사량으로 나누어 각각 정규화하고, 정규화된 시간별 일사량 측정치를 상기 금일 시간별 일사량 데이터로 제공하는 정규화부를 더 포함할 수 있다.
또한, 상기 예측 모델은, LSTM(Long Short-Term Memory) 딥러닝 알고리즘을 통하여 학습될 수 있다.
또한, 상기 예측 대상 지역은, 상기 임의 지역과 위도 및 경도 중 적어도 하나가 상이한 지역일 수 있다.
그리고, 본 발명은, 일사량 예측 장치를 이용한 일사량 예측 방법에 있어서, 임의 지역에서 M일에 관측된 시간별 일사량 데이터, 시간별 날씨 정보 및 상기 M일에 예보된 M+1일의 시간별 날씨 예보 정보를 각각 입력 데이터로 하고, M+1일에 실제 관측된 시간별 일사량 관측치를 출력 데이터로 하여, 예측 모델을 학습시키는 단계와, 예측 대상 지역에서 측정된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보 및 내일 시간별 날씨 예보 정보를 각각 획득하는 단계, 및 예측 대상 지역에 대응하여 획득된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보, 그리고 내일 시간별 날씨 예보 정보를 상기 예측 모델에 적용하여, 상기 예측 대상 지역에 대한 내일의 시간별 일사량 예측치를 도출하는 단계를 포함하는 일사량 예측 방법을 제공한다.
또한, 상기 일사량 예측 방법은, 상기 예측 대상 지역에서 관측된 금일 시간별 일사량 측정치를 금일 중 관측된 최대 일사량으로 나누어 각각 정규화하고, 정규화된 시간별 일사량 측정치를 상기 금일 시간별 일사량 데이터로 제공하는 단계를 더 포함할 수 있다.
본 발명에 따르면, 예측 대상 지역의 장기간 누적 데이터 없이도 주변 지역의 최근 일사 특성을 반영하는 학습 모델을 사용하여 예측 대상 지역의 일사량을 정확도 있게 예측할 수 있다.
이러한 본 발명에 따르면 오늘의 일사량을 포함한 기상 정보와 내일의 기상 예보를 학습 모델에 입력하는 것만으로 내일의 일사량을 빠르게 도출하여 제공할 수 있다. 아울러, 국내나 국외 데이터를 이용하여 한 번의 학습 만으로 모델 구축이 가능하므로 추가적인 업데이트를 요구하지 않는 장점을 갖는다.
도 1은 본 발명의 실시예에 따른 일사량 예측 장치의 구성을 나타낸 도면이다.
도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 3은 본 발명의 실시예에서 시간별 일사량 관측치를 정규화한 모습을 예시한 도면이다.
도 4는 도 1의 장치를 이용한 일사량 예측 방법을 설명하는 도면이다.
도 5는 본 발명의 실시예에 사용된 예측 모델의 LSTM 입출력 구조를 간략히 도시한 도면이다.
도 6 및 도 7은 본 발명의 실시예에 따른 예측 모델의 성능에 대한 시뮬레이션 결과를 나타낸 도면이다.
그러면 첨부한 도면을 참고로 하여 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.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 실시예에 따른 일사량 예측 장치의 구성을 나타낸 도면이고, 도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 일사량 예측 장치(100)는 데이터 수집부(110), 모델 학습부(120), 데이터 획득부(130), 정규화부(140), 제어부(150) 및 출력부(160)를 포함한다.
여기서 각 부(110~140,160)의 동작 및 각 부 간의 데이터 흐름은 제어부(150)에 의해 제어될 수 있다.
데이터 수집부(110)는 모델 학습에 필요한 데이터를 수집한다. 구체적으로 데이터 수집부(110)는 임의 지역에 대한 M일에 관측된 시간별 일사량 관측치, 시간별 날씨 정보, M일에 사전 예보된 M+1일의 시간별 날씨 예보 정보, 그리고 M+1일에 실제 관측된 시간별 일사량 관측치를 학습 데이터로 수집한다.
데이터 수집부(110)는 기상청, 기상 예보 시스템, 날씨 서버 등과 유무선 네트워크 연결되어 해당 지역과 관련된 날씨 관련 데이터를 수집할 수 있다. 여기서, 해당 지역에서의 일사량 관측치의 경우 해당 지역에 설치된 일사 센서 또는 일사 값을 제공하는 날씨 서버 등으로부터 획득될 수 있다.
수집 데이터 중에서 시간별 날씨 정보와 시간별 날씨 예보의 경우, 온도, 습도, 운량, 풍속, 강수량 중 선택된 적어도 하나의 인자(예: 온도, 습도, 운량)를 각각 포함하여 구성될 수 있다. 여기서 물론, 시간별 날씨 정보와 시간별 날씨 예보는 미세먼지, 초미세먼지, 황사 중 적어도 하나의 인자를 더 포함하여 구성될 수도 있다.
또한, 수집 데이터 중 M일에 관측된 시간별 일사량 관측치의 경우, 모델 학습 전에 정규화 과정을 거칠 수 있다. 이를 위해 정규화부(140)는 M일에 관측된 시간별 일사량 관측치를 해당 일자의 하루 중 관측된 최대 일사량 값으로 나누어 0과 1 사이의 값으로 정규화할 수 있다.
이와 같이, 정규화부(140)는 시간별 일사량 관측치를 수신하고 이를 0과 1 사이 범위로 정규화하여 가공하고, 가공된 시간별 일사량 데이터를 데이터 수집부(110)로 제공할 수 있다. 따라서 이하의 본 발명에서 시간별 일사량 데이터는 시간별 일사량 관측치를 정규화한 데이터를 의미할 수 있다.
데이터 수집부(110)에서 수집한 임의 지역에 대한 학습 데이터는 그와 동일 지역 또는 다른 지역에서의 내일의 일사 예측을 위한 모델 구축에 사용된다.
수집된 데이터 중에서, M일에 관측된 시간별 일사량 데이터, 시간별 날씨 정보, M일에 사전 예보된 M+1일의 시간별 날씨 예보 정보는 예측 모델의 학습 시에 입력 데이터로 활용되고, M+1일에 실제로 관측된 시간별 일사량 관측치는 출력 데이터로 활용된다. 예측 모델은 이들 입력 데이터와 출력 데이터 간의 관계를 딥러닝을 기반으로 학습하게 된다.
구체적으로, 모델 학습부(120)는 임의 지역에서 M일에 관측된 시간별 일사량 데이터와 시간별 날씨 정보, M일에 예보된 M+1일의 시간별 날씨 예보 정보를 각각 입력 데이터로 하고, M+1일에 실제 관측된 시간별 일사량 관측치를 출력 데이터로 하여, 예측 모델을 학습시킨다.
이러한 모델 학습부(120)는 인공지능 기반의 딥러닝 분석을 통하여 일사량 예측 모델을 생성할 수 있다. 예측 모델 생성에는 다양한 기법이 사용될 수 있는데, 본 발명의 실시예의 경우 LSTM(Long Short-Term Memory) 딥러닝 알고리즘을 사용한 것을 대표 예시로 한다.
예측 모델의 입력 데이터는 임의 지역에서 M일에 관측된 시간별 일사량 데이터, 시간별 날씨 정보(온도, 습도, 운량), M일에 미리 예보된 M+1일의 시간별 날씨 예보 정보(온도, 습도, 운량)를 포함한다. 출력 데이터는 임의 지역에서 M+1일에 실제 관측된 시간별 일사량 관측치를 포함한다.
예측 모델은 이러한 입력 데이터와 출력 데이터 간의 관계를 LSTM 딥러닝 알고리즘을 통하여 학습할 수 있다. 즉, 예측 모델은 M일의 시간별 일사량 데이터, M일의 시간별 날씨 정보, M+1일의 시간별 날씨 예보 정보의 입력에 대응하여, 그로부터 예상되는 M+1일의 시간별 일사량을 도출하도록 학습된다.
모델 학습부(120)는 입력 데이터와 출력 데이터 간의 관계를 지도 학습을 기반으로 지속적으로 머신 러닝 분석하여 신경망 내 가중치를 수정 및 최적화할 수 있다. 물론 그 과정에서 측정 값과 예측 값 간에 오차(RMSE)가 임계치 이하에 들어올 때까지 학습을 수행할 수 있다.
학습을 통하여 예측 모델이 완성되면, 예측 대상 지역에 대한 오늘(금일)의 기상 정보, 하루 뒤인 내일의 기상 예보 및 오늘의 일사량 관측치를 해당 모델에 적용하는 것만으로도 해당 지역에 대한 내일의 일사량을 예상할 수 있다.
이를 위해, 데이터 획득부(130)는 예측 대상 지역에서 측정된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보, 내일 시간별 날씨 예보 정보를 각각 획득한다.
데이터 획득부(130)는 기상청, 기상 예보 시스템, 날씨 서버, 예측 대상 지역에 설치된 일사 센서 등과 연동하여 예측 대상 지역의 금일 측정된 시간별 일사량 측정치, 시간별 날씨 정보(온도, 습도, 운량 등), 내일 시간별 날씨 예보 정보(온도, 습도, 운량 등)를 각각 획득할 수 있고, 이외에도 관리자 등으로부터 관련 데이터를 입력 인터페이스, 유무선 인터페이스 등을 통하여 입력받을 수 있다.
여기서, 예측 대상 지역이란, 학습에 사용된 임의 지역과는 상이할 수 있다. 예를 들면, 예측 대상 지역은 임의 지역과는 위도, 경도 중 적어도 하나가 상이한 지역, 국가 등에 해당할 수 있다.
본 발명의 경우 일사 강도가 다르게 나타나는 지역의 하루 중 일사 패턴을 학습에 활용한다. 이를 위하여 시간별 일사량 측정치를 정규화하도록 한다.
이를 위해, 정규화부(140)는 예측 대상 지역에서 관측된 금일 시간별 일사량 측정치를 금일 중 관측된 최대 일사량으로 나누어 0과 1 사이의 값으로 정규화한다. 즉, 정규화부(140)는 정규화 과정을 통하여 금일 시간별 일사량 측정치를 금일 시간별 일사량 데이터로 변환하여 제공한다.
도 3은 본 발명의 실시예에서 시간별 일사량 관측치를 정규화한 모습을 예시한 도면이다. 이러한 도 3은 1월 1일부터 9일까지 테스트 목적으로 사용한 인천 지역의 일사 발생 패턴을 나타낸 것이다. 이때, 각 그래프에서는 해당 일자(DAY)와 다음날(DAY+1)의 일사 패턴을 함께 도시하였다.
상단 그래프의 경우 정규화 전의 원시 데이터로서, 전날과 다음날 일사량 관측치의 편차가 큰 것을 알 수 있다. 그러나, 하단 그래프 처럼 하루 중 일사량이 최대로 발생하는 시점을 1로 가정하여 정규화하면 그래프의 폭과 높이가 동일한 채 일사 패턴만 남게 된다.
이와 같이, 본 발명의 실시예는 전날의 정규화된 일사량 데이터를 학습에 활용한다. 여기서 물론 이러한 특성은 일사 강도가 다르게 나타나는 지역의 시간별 일사패턴을 학습에 이용할 수 있음을 의미하므로 학습에서 정규화는 매우 중요한 과정이다.
제어부(150)는 예측 대상 지역에 대응하여 획득된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보, 그리고 내일 시간별 날씨 예보 정보를 예측 모델에 적용하여, 예측 대상 지역에 대한 내일의 시간별 일사량 예측치를 도출하여 제공한다.
예를 들어, 제어부(150)는 오늘 하루(24시간) 중에 예측 대상 지역에 대응하여 수집된 각 인자들(예: 오늘의 시간별 날씨 값, 시간별 일사량 데이터, 내일의 시간별 날씨 예보 값)을 예측 모델에 입력 파라미터로 적용하여 내일 하루(24시간) 중 예상되는 시간별 일사량을 도출하여 제공할 수 있다.
따라서, 본 발명의 실시예에 따른 예측 모델에 의하면, 예측 대상 지역의 오늘 수집된 데이터(시간별 기상 정보, 내일의 기상 예보, 오늘의 시간별 일사량 데이터)에 대응하여 내일의 시간별 일사량을 예측하여 제공할 수 있다.
이와 같이, 본 발명의 경우, 주변 지역의 최근 일사 특성을 반영하는 학습 모델을 사용하여 예측 대상 지역의 일사량을 예측할 수 있다.
여기서, 모델 학습부(120)와 제어부(150)는 도 2와 같이 프로세서(Processor)에 포함 또는 내장될 수 있다. 이러한 프로세서는 인공지능을 이용한 예측 모델을 탑재하고 일사량 예측 결과를 제공할 수 있으며, 외부 플랫폼 및 날씨 서버 등에 연결되어 인공지능 학습 데이터 및 예측 모델을 수정할 수도 있다.
그리고, 프로세서는 인공지능 알고리즘을 내장하고 머신러닝에 기반한 연산을 수행할 수 있다. 예를 들어 프로세서는 알고리즘의 사전 학습에 있어 고도로 다층화된 인공 신경망에 근거한 딥러닝 알고리즘을 사용할 수 있다. 프로세서는 인공지능 알고리즘을 통해 사전 학습된 가중치를 기반으로 현재 예측 대상 지역에 대한 오늘 확보된 입력 데이터에 대응하여 내일 예상되는 일사량을 예측해 낼 수 있다.
출력부(160)는 예측된 내일의 시간별 일사량 데이터 결과를 디스플레이 또는 네트워크 연결된 사용자 단말기 등을 통하여 제공할 수 잇다. 여기서 사용자 단말기는 데스크탑, 태블릿 PC, 스마트폰, 스마트 패드, 노트북 등을 포함할 수 있다.
일사량 예측 장치(100)는 설정 지역에 대한 일사량 예측을 수행하는 웹 서버 또는 앱 서버 등의 온오프라인 플랫폼으로 구현되거나 사용자 단말 상에 어플리케이션(Application) 형태로 구현될 수도 있다.
도 4는 도 1의 장치를 이용한 일사량 예측 방법을 설명하는 도면이다.
먼저, 데이터 수집부(110)는 임의 지역(지역 A)에 대한 M일에 관측된 시간별 일사량과 시간별 날씨 정보, M+1일의 시간별 날씨 예보와 M+1일의 실제 일사량 관측치를 학습 데이터로 수집한다(S410).
다음, 모델 학습부(120)는 수집된 학습 데이터를 이용하여 예측 모델을 학습한다(S420). 여기서, 모델 학습부(120)는 인공지능 알고리즘에 기반한 프로세서를 이용하여, 의 지역(지역 A)에 대한 M일에 관측된 시간별 일사량, 시간별 날씨 정보, M+1일의 시간별 날씨 예보를 입력 데이터로 하고, M+1일의 실제 일사량 관측치를 출력 데이터로 하는 학습 데이터 세트를 기반으로 예측 모델을 학습시킨다.
이때, 모델 학습부(120)는 LSTM 딥러닝 알고리즘을 이용하여 모델을 학습시킬 수 있다. 학습이 완료된 이후부터는, 예측 대상 지역(지역 B)에 대한 오늘 수집된 인자들에 대응하여 내일의 일사량을 예측한 값을 제공할 수 있다.
구체적으로, 데이터 획득부(130)는 예측 대상 지역에 대한 금일 시간별 일사량 데이터, 시간별 날씨, 내일 시간별 날씨 예보를 획득하고(S430), 이를 제어부(150)로 전달한다.
제어부(150)는 예측 대상 지역에 대응하여 획득한 데이터를 예측 모델에 적용하여, 예측 대상 지역에 대한 내일의 시간별 일사량 예측치를 도출한다(S440).
이후, 출력부(160)는 예측된 내일의 시간별 일사량 예측 결과를 텍스트, 테이블, 그래프 등의 형태로 디스플레이 등을 통하여 출력한다(S450).
도 5는 본 발명의 실시예에 사용된 예측 모델의 LSTM 입출력 구조를 간략히 도시한 도면이다.
도 5와 같이, 본 발명의 실시예에 따른 예측 모델은 예측 대상 지역에 대한 오늘(DAY)의 시간별 날씨 값(온도, 풍속, 운량, 강수량, 습도)와 시간별 일사량, 내일(DAY+1)의 시간별 날씨 예보 값(온도, 풍속, 운량, 강수량, 습도)을 각각 입력으로 하여, 내일(DAY+1)의 시간별 일사량을 출력으로 도출할 수 있다.
여기서, 일사량의 경우 예측 대상지의 당일 현장 측정값이 입력 벡터로 연결되면 예측 모델에서는 내일의 일사량값을 도출하는 최적의 가중치와 Bias를 학습하게 된다. 여기서 모든 입력값이 시간에 따라 보간 및 정규화되어 입력될 수 있다.
또한, 특히 내일의 일사량 최대값이나 일조 시간에 직접적인 영향을 미치는 오늘 일사량은 측정되어 정규화를 거쳐 직접 입력될 수 있다. 이에 따라, 본 발명의 경우 기후가 다른 지역에서 학습된 모델이라 할지라도, 예측 시 현장 값을 정규화하여 사용하기 때문에 학습 환경과 다른 지역의 예측에서도 보정 효과가 작용하는 장점을 갖는다.
이하에서는 본 발명의 실시예에 따른 예측 모델에 대한 성능 시험 결과를 설명한다.
여기서, 일사량 예측 모델의 학습에 사용된 학습 데이터로는 아프리카(케이프타운), 오세아니아(캔버라), 중앙아메리카(콜로라도), 북아메리카(벤쿠버), 유럽(파리)에서 수집한 기상 및 일사량 데이터를 사용하였다. 그리고 이들과 전혀 다른 지역인 아시아(서울)에서 획득된 당일의 데이터를 학습이 완료된 예측 모델에 입력하는 것을 통하여 아시아(서울)의 내일 일사량을 예측하였다.
도 6 및 도 7은 본 발명의 실시예에 따른 예측 모델의 성능에 대한 시뮬레이션 결과를 나타낸 도면이다.
도 6의 좌측 그림은 예측 모델을 이용하여 전날(Day)에 예측한 예측치(Estimated)와 다음날(Day+1) 실제 관측된 측정치(Measured) 간 관계를 나타내고, 우측 그림은 시간에 따른 일사량 예측치와 관측치, 운량 변화를 보여주는 것으로 성능 확인을 위해 여러 날에 걸친 결과를 도시하였다. 도 6으로부터 본 발명을 이용한 예측치는 실제 측정치와 거의 유사한 값과 패턴을 가지는 것을 확인할 수 있다.
도 7은 도 6과 다른 시간대에 대해 이루어진 일사량 예측치와 관측치를 비교한 결과이다. 마찬가지로 도 7의 결과로부터 본 발명의 예측 모델을 통하여 도출된 시간별 일사량 예측치는 실제 관측된 값(정답)과 거의 일치하는 것을 확인할 수 있다.
이와 같은 본 발명의 예측 모델에 따르면 전날의 기상 조건을 포함하면서 더욱 다양한 시계열적 데이터 패턴을 학습하므로, 모든 구간에서 실제와 유사한 일사 발생 패턴을 묘사할 수 있었고 하루 중 일사량의 발생 변동이 급격한 상태일때도 우수한 예측 성능을 나타낼 수 있었다.
또한, 제안된 학습 모델은 전혀 다른 지역의 일사 데이터를 학습 했음에도 불구하고 대부분의 시간 구간에서 일사 발생 패턴을 비슷하게 묘사할 수 있었다. 따라서, 예측 지역과 멀리 떨어져 있는 대륙 간 기상 데이터를 사용해도 낮은 오차의 우수한 예측 성능을 얻을 수 있는 장점을 갖는다.
이상과 같은 본 발명에 따르면, 예측 대상 지역의 장기간 누적 데이터 없이도 주변 지역의 최근 일사 특성을 반영하는 학습 모델을 사용하여 예측 대상 지역의 일사량을 정확하게 예측할 수 있다.
특히, 본 발명에 따르면 오늘의 일사량을 포함한 기상 정보와 내일의 기상 예보를 학습 모델에 입력하는 것만으로 내일의 일사량을 빠르게 도출하여 제공할 수 있다. 아울러, 국내나 국외 데이터를 이용하여 한 번의 학습 만으로 모델 구축이 가능하므로 추가적인 업데이트를 요구하지 않는 장점을 갖는다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 일사량 예측 장치 110: 데이터 수집부
120: 모델 학습부 130: 데이터 획득부
140: 정규화부 150: 제어부
160: 출력부

Claims (14)

  1. 임의 지역에서 M일에 관측된 시간별 일사량 데이터, 시간별 날씨 정보 및 상기 M일에 예보된 M+1일의 시간별 날씨 예보 정보를 각각 입력 데이터로 하고, M+1일에 실제 관측된 시간별 일사량 관측치를 출력 데이터로 하여, 예측 모델을 학습시키는 모델 학습부;
    예측 대상 지역에서 측정된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보 및 내일 시간별 날씨 예보 정보를 각각 획득하는 데이터 획득부; 및
    예측 대상 지역에 대응하여 획득된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보, 그리고 내일 시간별 날씨 예보 정보를 상기 예측 모델에 적용하여, 상기 예측 대상 지역에 대한 내일의 시간별 일사량 예측치를 도출하는 제어부를 포함하는 일사량 예측 장치.
  2. 청구항 1에 있어서,
    상기 예측 모델에 입력되는 상기 시간별 날씨 정보와 상기 시간별 날씨 예보 정보는,
    온도, 습도, 운량, 풍속, 강수량 중에서 선택된 적어도 하나의 인자를 각각 포함하는 일사량 예측 장치.
  3. 청구항 2에 있어서,
    상기 시간별 날씨 정보와 상기 시간별 날씨 예보 정보는,
    미세먼지, 초미세먼지, 황사 중에서 선택된 적어도 하나의 인자를 더 포함하는 일사량 예측 장치.
  4. 청구항 1에 있어서,
    상기 예측 모델의 입력 데이터로 사용된 시간별 일사량 데이터는,
    해당 일자에 관측된 시간별 일사량 관측치를 해당 일자의 하루 중 관측된 최대 일사량으로 나누어 0과 1 사이의 값으로 정규화한 값인 일사량 예측 장치.
  5. 청구항 1에 있어서,
    상기 예측 대상 지역에서 관측된 금일 시간별 일사량 측정치를 금일 중 관측된 최대 일사량으로 나누어 각각 정규화하고, 정규화된 시간별 일사량 측정치를 상기 금일 시간별 일사량 데이터로 제공하는 정규화부를 더 포함하는 일사량 예측 장치.
  6. 청구항 1에 있어서,
    상기 예측 모델은,
    LSTM(Long Short-Term Memory) 딥러닝 알고리즘을 통하여 학습된 일사량 예측 장치.
  7. 청구항 1에 있어서,
    상기 예측 대상 지역은,
    상기 임의 지역과 위도 및 경도 중 적어도 하나가 상이한 지역인 일사량 예측 장치.
  8. 일사량 예측 장치를 이용한 일사량 예측 방법에 있어서,
    임의 지역에서 M일에 관측된 시간별 일사량 데이터, 시간별 날씨 정보 및 상기 M일에 예보된 M+1일의 시간별 날씨 예보 정보를 각각 입력 데이터로 하고, M+1일에 실제 관측된 시간별 일사량 관측치를 출력 데이터로 하여, 예측 모델을 학습시키는 단계;
    예측 대상 지역에서 측정된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보 및 내일 시간별 날씨 예보 정보를 각각 획득하는 단계; 및
    예측 대상 지역에 대응하여 획득된 금일 시간별 일사량 데이터, 금일 시간별 날씨 정보, 그리고 내일 시간별 날씨 예보 정보를 상기 예측 모델에 적용하여, 상기 예측 대상 지역에 대한 내일의 시간별 일사량 예측치를 도출하는 단계를 포함하는 일사량 예측 방법.
  9. 청구항 8에 있어서,
    상기 예측 모델에 입력되는 상기 시간별 날씨 정보와 상기 시간별 날씨 예보 정보는,
    온도, 습도, 운량, 풍속, 강수량 중에서 선택된 적어도 하나의 인자를 각각 포함하는 일사량 예측 방법.
  10. 청구항 9에 있어서,
    상기 시간별 날씨 정보와 상기 시간별 날씨 예보 정보는,
    미세먼지, 초미세먼지, 황사 중에서 선택된 적어도 하나의 인자를 더 포함하는 일사량 예측 방법.
  11. 청구항 8에 있어서,
    상기 예측 모델의 입력 데이터로 사용된 시간별 일사량 데이터는,
    해당 일자에 관측된 시간별 일사량 관측치를 해당 일자의 하루 중 관측된 최대 일사량으로 나누어 0과 1 사이의 값으로 정규화한 값인 일사량 예측 방법.
  12. 청구항 8에 있어서,
    상기 예측 대상 지역에서 관측된 금일 시간별 일사량 측정치를 금일 중 관측된 최대 일사량으로 나누어 각각 정규화하고, 정규화된 시간별 일사량 측정치를 상기 금일 시간별 일사량 데이터로 제공하는 단계를 더 포함하는 일사량 예측 방법.
  13. 청구항 8에 있어서,
    상기 예측 모델은,
    LSTM(Long Short-Term Memory) 딥러닝 알고리즘을 통하여 학습된 일사량 예측 방법.
  14. 청구항 8에 있어서,
    상기 예측 대상 지역은,
    상기 임의 지역과 위도 및 경도 중 적어도 하나가 상이한 지역인 일사량 예측 방법.
KR1020210053077A 2021-04-23 2021-04-23 일사량 예측 장치 및 그 방법 KR20220146158A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210053077A KR20220146158A (ko) 2021-04-23 2021-04-23 일사량 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210053077A KR20220146158A (ko) 2021-04-23 2021-04-23 일사량 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20220146158A true KR20220146158A (ko) 2022-11-01

Family

ID=84042221

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210053077A KR20220146158A (ko) 2021-04-23 2021-04-23 일사량 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20220146158A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662766A (zh) * 2023-08-01 2023-08-29 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116933665A (zh) * 2023-09-18 2023-10-24 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种基于深度学习的超级计算机预报模型的应用方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662766A (zh) * 2023-08-01 2023-08-29 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116662766B (zh) * 2023-08-01 2023-10-03 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116933665A (zh) * 2023-09-18 2023-10-24 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种基于深度学习的超级计算机预报模型的应用方法

Similar Documents

Publication Publication Date Title
Wang et al. Adaptive learning based data-driven models for predicting hourly building energy use
US20200063710A1 (en) System and methods for hyper short-term wind power prediction using real-time wind parameter measurements
TWI642019B (zh) 發電系統效能估測方法
KR20220146158A (ko) 일사량 예측 장치 및 그 방법
CN109116444B (zh) 基于PCA-kNN的空气质量模式PM2.5预报方法
KR102098356B1 (ko) 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템
KR102067110B1 (ko) 높은 정확도를 가지는 기축 건물의 에너지 데이터 처리장치 및 방법
CN105760970A (zh) 空气质量指数的预测方法
Kishorebabu et al. Real time monitoring of environmental parameters using IOT
Leva et al. PV plant power nowcasting: A real case comparative study with an open access dataset
Pauzi et al. Development of iot based weather reporting system
CN116776745B (zh) 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统
Ni et al. Improving energy efficiency while preserving historic buildings with digital twins and artificial intelligence
Li et al. Multivariable time series prediction for the icing process on overhead power transmission line
JP2015148934A (ja) 発電量予測装置および発電量予測方法
CN116822115A (zh) 一种基于数字孪生技术的智慧园区的环境管理方法及系统
Yan et al. Forecasting building energy demand under uncertainty using gaussian process regression: Feature selection, baseline prediction, parametric analysis and a web-based tool
Kedia Localised weather monitoring system
CN108446783A (zh) 一种新风机运行功率的预测及监控方法
Pai et al. Long range forecast on south west monsoon rainfall using artificial neural networks based on clustering approach
Murugan et al. AI based Weather Monitoring System
CN116776263A (zh) 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统
Küçükdermenci Design of A Cost-Effective Weather Station with Rain Forecast
TW201727590A (zh) 動態洪氾預測與警示系統
US20210372647A1 (en) Method and system for automatic detection of malfunctions/inefficient household electronic heating device

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application