KR20230076695A - 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 - Google Patents

태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 Download PDF

Info

Publication number
KR20230076695A
KR20230076695A KR1020210181746A KR20210181746A KR20230076695A KR 20230076695 A KR20230076695 A KR 20230076695A KR 1020210181746 A KR1020210181746 A KR 1020210181746A KR 20210181746 A KR20210181746 A KR 20210181746A KR 20230076695 A KR20230076695 A KR 20230076695A
Authority
KR
South Korea
Prior art keywords
time
power generation
data
solar power
variables
Prior art date
Application number
KR1020210181746A
Other languages
English (en)
Inventor
황인준
정원용
박성우
문재욱
Original Assignee
고려대학교 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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Publication of KR20230076695A publication Critical patent/KR20230076695A/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • 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
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 태양광 발전량 예측 장치 및 방법에 관한 것으로, 특히 태양광 발전에 관련된 다양한 데이터를 수집하고, 수집된 데이터를 기반으로 태양광 발전량을 예측하는 장치 및 방법에 관한 것이다. 본 출원의 실시 예에 따른 태양광 발전량 예측 장치는, 기상 데이터 및 시간 데이터를 수집하는 데이터 수집부; 상기 기상 데이터 및 상기 시간 데이터에 대한 전처리 동작을 수행하는 데이터 전처리부; 및 상기 데이터 전처리부에서 전처리된 기상 데이터 및 시간 데이터를 이용하여 태양광 발전량 예측 모델을 학습시키는 발전량 예측부를 포함하며, 상기 데이터 전처리부는 상기 시간 데이터를 복수의 시간 변수로 변환하고, 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계에 기초하여 상기 복수의 시간 변수 중 적어도 하나를 선택한다. 본 출원의 실시 예에 따른 태양광 발전량 예측 장치는 시간 데이터를 복수의 시간 변수로 변환하고, 복수의 시간 변수 중 일부만을 태양과 발전량 예측을 위한 학습 모델의 변수로 사용함으로써, 태양광 발전량을 정확하고 효율적으로 예측할 수 있다.

Description

태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법{SOLAR POWER GENERATION FORCASTING DEVICE AND METHOD REFLECTING SOLAR PERIODIC TIME VARIABLE}
본 발명은 태양광 발전량 예측 장치 및 방법에 관한 것으로, 특히 태양광 발전에 관련된 다양한 데이터를 수집하고, 수집된 데이터를 기반으로 태양광 발전량을 예측하는 장치 및 방법에 관한 것이다.
신재생 에너지인 태양광 발전은 4차산업 혁명에서 기후변화와 더불어 온실가스 감축 목표 달성에 매우 중요한 역할을 하게 될 것으로 기대되고 있다. 따라서 태양광발전 사업에 대한 꾸준한 지원 정책과 기술의 발전에 따라 태양광 패널의 수명 및 효율이 개선되었고, 태양광 발전 관련 설비들도 고도화되고 있으며 대형 태양광 발전소는 물론이고 소규모 태양광 발전 역시 활성화되고 있다.
이러한 태양광 발전의 경우 외부 영향에 의존적이기 때문에 발전량 예측이 매우 중요한데, 과다한 발전은 설계 용량을 초과하는 발전에 의한 물리적, 전기적 위험이 있고, 연계되는 계통에 다수의 태양광 발전 설비들이 존재하는 경우 역조류 발생 등의 문제가 발생할 수 있으며 저조한 발전은 수익 하락의 문제가 발생할 수 있다.
이와 같이 태양광 발전량 예측은 물리적, 경제적 위험 요소를 예방하는데 중요한 역할을 하고 있으며, 태양광 발전량 예측의 정확도에 따라 경제적 측면에서 많은 손익이 변동되기 때문에 다양한 분야에서 발전량 예측에 관한 기술 도입을 확대하고 있다.
태양광 발전량 예측에 사용되는 변수로는 일사량, 일조시간, 온도, 강수량 등의 기상 데이터와 시간 정보를 나타내는 시간 변수가 있다. 태양광 발전량은 계절의 변화, 하루 중의 시간 변화의 영향을 많이 받기 때문에 시간 정보를 변수에 포함시키는 것이 중요하다. 그러나, 시간 변수의 경우, 월말인 31일과 월초인 1일과 같이 시간적으로는 서로 연결되어 있지만 값으로는 서로 멀리 떨어져 있는 등, 변수로서 사용하기에 쉽지 않은 문제가 있다.
본 발명의 목적은 태양광 발전량을 정확하고 효율적으로 예측할 수 있는 태양광 발전량 예측 장치 및 방법을 제공하는데 있다.
본 출원의 실시 예에 따른 태양광 발전량 예측 장치는, 기상 데이터 및 시간 데이터를 수집하는 데이터 수집부; 상기 기상 데이터 및 상기 시간 데이터에 대한 전처리 동작을 수행하는 데이터 전처리부; 및 상기 데이터 전처리부에서 전처리된 기상 데이터 및 시간 데이터를 이용하여 태양광 발전량 예측 모델을 학습시키는 발전량 예측부를 포함하며, 상기 데이터 전처리부는 상기 시간 데이터를 복수의 시간 변수로 변환하고, 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계에 기초하여 상기 복수의 시간 변수 중 적어도 하나를 선택한다.
실시 예에 있어서, 상기 데이터 전처리부는 상기 기상 데이터를 정규화하여 전처리하는 가상 데이터 전처리부를 포함한다.
실시 예에 있어서, 상기 데이터 전처리부는 상기 시간 데이터에 대한 전처리 동작을 수행하는 시간 데이터 전처리부를 더 포함하며, 상기 시간 데이터 전처리부는 상기 시간 데이터를 주기 함수를 이용하여 상기 복수의 시간 변수로 변환하는 시간 변수 변환부를 포함한다.
실시 예에 있어서, 상기 시간 데이터 전처리부는 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계를 분석하는 시간 변수 선택부를 더 포함한다.
실시 예에 있어서, 상기 시간 변수 선택부는 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계 값을 각각 연산하고, 상기 복수의 시간 변수에 대응하는 상관관계 값이 기준 값보다 큰 시간 변수만을 상기 발전량 예측부의 입력 변수로 선택한다.
실시 예에 있어서, 상기 복수의 시간 변수에 대응하는 상관관계 값이 상기 기준 값보다 작은 경우, 상기 시간 변수 선택부는 상기 기준 값보다 작은 상관관계 값에 대응하는 시간 변수를 상기 발전량 예측부의 입력 변수에서 제외한다.
실시 예에 있어서, 상기 시간 변수 선택부는 상기 복수의 시간 변수와 태양광 발전량 사이의 피어슨 상관관계 값을 각각 연산한다.
실시 예에 있어서, 상기 시간 데이터 전처리부는 상기 입력 변수로 선택된 시간 변수의 주기를 조정하면서 상관관계를 연산하는 시간 변수 보정부를 더 포함한다.
실시 예에 있어서, 상기 시간 변수 보정부는 상기 입력 변수로 선택된 시간 변수의 함수 식을 X 축으로 이동시키면서 상관관계를 연산한다.
실시 예에 있어서, 상기 발전량 예측부는 LightGBM을 학습 모델로 사용한다.
본 출원의 실시 예에 따른 태양광 발전량 예측 방법은 데이터 수집부에서 기상 데이터 및 시간 데이터를 수신하는 단계; 데이터 전처리부에서 상기 시간 데이터를 복수의 시간 변수로 변환하는 단계; 상기 데이터 전처리부에서 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계를 분석하는 단계; 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계 값이 기준 값보다 큰 시간 변수만을 발전량 예측부의 입력 변수로 선택하는 단계; 및 상기 발전량 예측부에서 태양광 발전량 예측 동작을 수행하는 단계를 포함한다.
실시 예에 있어서, 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계 값이 기준 값보다 작은 경우, 상기 기준 값보다 작은 상관관계에 대응하는 시간 변수를 상기 발전량 예측부의 입력 변수에서 제외하는 단계를 더 포함한다.
실시 예에 있어서, 상기 발전량 예측부의 입력 변수로 선택된 시간 변수에 대하여, 함수 식의 주기를 조정하는 단계를 더 포함한다.
실시 예에 있어서, 상기 발전량 예측부의 입력 변수로 선택된 시간 변수에 대하여, 함수 식의 X축을 이동시키는 단계를 더 포함한다.
실시 예에 있어서, 상기 데이터 전처리부에서 상기 기상 데이터를 정규화하는 단계를 더 포함한다.
본 출원의 실시 예에 따른 태양광 발전량 예측 장치는 시간 데이터를 복수의 시간 변수로 변환하고, 복수의 시간 변수 중 일부만을 태양과 발전량 예측을 위한 학습 모델의 변수로 사용한다. 따라서, 본 출원에 따른 태양광 발전량 예측 장치는 태양광 발전량을 정확하고 효율적으로 예측할 수 있다.
도 1은 본 출원의 실시 예에 따른 태양광 발전량 예측 장치(10)를 보여주는 블록도이다.
도 2는 도 1의 시간 데이터 전처리부(220)를 좀 더 자세히 보여주는 블록도이다.
도 3은 도 2의 시간 변수 변환부(221) 동작의 일 예를 보여주는 도면이다.
도 4는 도 2의 시간 변수 선택부(222)를 좀 더 자세히 보여주는 블록도이다.
도 5는 시간 변수 선택부(222)에 의하여 추출된 시간 변수를 좀 더 자세히 보여주는 도면이다.
도 6은 도 2의 시간 변수 보정부(223)의 동작을 좀 더 자세히 보여주기 위한 도면이다.
도 7은 도 2의 발전량 예측부(300)에 적용되는 학습 모델의 예시들 및 그 학습 결과를 예시적으로 보여주는 도면이다.
도 8은 도 1의 태양광 발전량 예측 장치(10)의 동작을 보여주는 순서도이다.
이하에서는, 본 발명의 기술적 사상을 본 출원의 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 첨부된 도면을 참조하여 본 출원의 실시 예들이 자세히 설명될 것이다.
도 1은 본 출원의 실시 예에 따른 태양광 발전량 예측 장치(10)를 보여주는 블록도이다.
도 1을 참조하면, 태양광 발전량 예측 장치(10)는 데이터 수집부(100), 데이터 전처리부(200) 및 발전량 예측부(300)를 포함한다.
데이터 수집부(100)는 태양광 발전량 예측에 필요한 각종 데이터를 수집한다. 예를 들어, 데이터 수집부(100)는 온도, 습도, 일사량 등의 기상 데이터와 월(month), 일(day), 시(hour) 등의 시간 데이터를 수집할 수 있다. 이를 위하여, 데이터 수집부(100)는 기상 데이터 수집부(110) 및 시간 데이터 수집부(120)를 포함할 수 있다.
기상 데이터 수집부(110)는 외부로부터 각종 기상에 대한 데이터를 수집할 수 있다. 예를 들어, 기상 데이터 수집부(110)는 태양광 발전기가 설치되었거나 설치 예정인 지역의 과거, 현재 및 미래와 관련된 각종 기상 데이터를 수집할 수 있다. 기상 데이터 수집부(110)는, 예를 들어, 기상 데이터 수집부(110)는 외부로부터 과거, 현재, 미래에 대한 온도, 강수량, 습도, 풍속, 강설량, 일조시간, 일사량, 전운량, 습도, 이슬점, 풍향 등의 기상 데이터를 수집할 수 있다.
시간 데이터 수집부(120)는 외부로부터 시간에 대한 데이터를 수집할 수 있다. 태양광 발전량은 계절의 변화, 하루 중의 시간 변화의 영향을 많이 받는다. 따라서, 시간 데이터 수집부(120)는 외부로부터 기상에 대한 데이터를 수집할 때에 월(month), 일(day), 시(hour) 및 이에 대한 시간 데이터를 함께 수신할 수 있다.
데이터 전처리부(200)는 데이터 수집부(100)로부터 기상 및 시간에 대한 데이터를 수신한다. 데이터 전처리부(200)는 발전량 예측부(300)의 학습 모델에서 사용될 수 있도록, 수신한 기상 및 시간 데이터에 대한 전처리 동작을 수행한다. 이를 위해, 데이터 전처리부(200)는 기상 데이터 전처리부(210)는 시간 데이터 전처리부(220)를 포함할 수 있다.
기상 데이터 전처리부(210)는 기상 데이터 수집부(110)로부터 기상 데이터를 수신한다. 기상 데이터 전처리부(210)는 수신된 기상 데이터에 대한 전처리 동작을 수행한다. 예를 들어, 기상 데이터 중 풍향 등의 데이터는 태양광 발전량과 관련성이 매우 낮은 데이터이다. 따라서, 기상 데이터 전처리부(210)는 발전량 예측부(300)에 입력 변수로 제공될 기상 데이터 중 풍향 데이터를 제외할 수 있다. 다른 예로, 기상 데이터 중 습도와 이슬점의 데이터는 상관관계를 분석하면 서로 간에 매우 유사한 데이터임을 알 수 있다. 따라서, 기상 데이터 전처리부(210)는 이슬점 및 습도의 기상 데이터 중 어느 하나만을 발전량 예측부(300)에 입력 변수로 제공할 수 있다.
또한, 기상 데이터 전처리부(210)는 기상 데이터 수집부(110)로부터 수신된 기상 데이터에 대한 정규화 동작을 수행하고, 정규화된 기상 데이터를 발전량 예측부(300)에 제공할 수 있다.
시간 데이터 전처리부(220)는 시간 데이터 수집부(120)로부터 시간 데이터를 수신한다. 시간 데이터 전처리부(220)는 수신된 1차원의 시간 데이터를 주기성 정보를 반영할 수 있는 1차원의 복수의 시간 변수로 변환할 수 있다. 또한, 시간 데이터 전처리부(220)는 태양광 발전량과의 상관관계에 기초하여, 복수의 시간 변수 중 일부 시간 변수만을 발전량 예측부(300)에 입력 변수로 제공할 수 있다. 본 출원의 실시 예에 따른 시간 데이터 전처리부(220)는, 이하의 도 2 내지 도 6에서 좀 더 자세히 설명될 것이다.
발전량 예측부(300)는 데이터 전처리부(200)로부터 전처리된 데이터를 수신한다. 발전량 예측부(300)는 수신된 데이터를 이용하여 태양광 발전량을 예측하는 동작을 수행한다.
예를 들어, 발전량 예측부(300)는 기계학습 모델을 통하여 구현되며, 수신된 데이터를 입력 변수로 하여 태양광 발전량을 예측할 수 있다. 예를 들어, 발전량 예측부(300)는 ANN(Artificial Neural Network), SVM(Support Vector Machine), RF(Random Forest) 등과 같은 기계학습 모델을 통하여 구현될 수 있으며, 데이터 전처리부(200)로부터 수신된 데이터를 입력 변수로 사용하여 태양광 발전량을 예측할 수 있다.
상술한 바와 같이, 본 출원의 실시 예에 따른 태양광 발전량 예측 장치(10)는 1차원의 시간 데이터를 2차원의 복수의 시간 변수로 변환한다. 태양광 발전량 예측 장치(10)는 복수의 시간 변수와 태양광 발전량 사이의 상관관계에 기초하여, 복수의 시간 변수 중 일부만을 태양광 발전량 예측을 위한 학습 모델에 입력 변수로 제공한다. 따라서, 본 출원에 따른 태양광 발전량 예측 장치(10)는 태양광 발전량을 정확하고 효율적으로 예측할 수 있다.
도 2는 도 1의 시간 데이터 전처리부(220)를 좀 더 자세히 보여주는 블록도이다.
도 2를 참조하면, 시간 데이터 전처리부(220)는 시간 변수 변환부(221), 시간 변수 선택부(222) 및 시간 변수 보정부(223)를 포함한다.
시간 변수 변환부(221)는 1차원의 시간 데이터를 주기성 정보를 반영하는 2차원의 시간 데이터로 변환한다. 2차원 시간 데이터는 발전량 예측부(300)에 적용되는 기계학습 모델의 입력 변수로 사용되며, 따라서 시간 변수라고 칭해질 수 있다.
좀 더 자세히 설명하면, 태양광 발전량은 계절의 변화, 하루 중의 시간 변화의 영향을 많이 받는다. 따라서, 기계학습 모델에 적용되기 위해서는 시간 변화의 연속성 또는 주기성이 반영되어야 하는데, 월(month), 일(day), 시(hour)의 시간 데이터를 원래의 1차원 데이터의 형태로 사용할 경우, 시간 데이터의 주기성이 반영되지 않는다는 문제가 있다. 예를 들어, 23시와 0시는 연속적인 시간임에도 불구하고, 1차원 데이터 상으로는 23의 차이가 발생하게 된다.
따라서, 본 출원의 실시 예에 따른 시간 변수 변환부(221)는 주기 함수를 통하여 1차원의 시간 데이터를 2차원의 시간 데이터로 변환하는 동작을 수행한다. 예를 들어, 시간 변수 변환부(221)는 월(month), 일(day), 시(hour)의 1차원 시간 데이터를 사인(sin)과 코사인(cos)의 2차원 시간 데이터로 변환할 수 있다. 이 경우, 변환된 2차원 시간 데이터는 월(month)-사인(sin), 월(month)-코사인(cos), 일(day)-사인, 일(day)-코사인(cos), 시(hour)-사인(sin), 시(hour)-코사인(cos)으로, 총 6개의 주기 함수 형태의 시간 변수일 수 있다.
시간 변수 선택부(222)는 시간 변수 변환부(221)로부터 2차원의 복수의 시간 변수를 수신한다. 시간 변수 선택부(222)는 복수의 시간 변수 중 일부 시간 변수만을 선택적으로 추출할 수 있다.
예를 들어, 시간 변수 선택부(222)는 복수의 시간 변수들과 태양광 발전량 각각의 상관관계에 기초하여, 상관관계가 높은 시간 변수만을 선택할 수 있다. 예를 들어, 시간 변수 선택부(222)는 태양광 발전량과 상관관계가 높은 월-코사인, 시-코사인 시간 변수를 추출할 수 있다. 이와 같은 선택적 추출 동작을 통하여, 태양광 발전량 예측의 정확도가 향상됨은 물론, 발전량 예측부(300)에서 수행될 연산량이 감소될 수 있다.
시간 변수 보정부(223)는 시간 변수 선택부(222)로부터 선택된 시간 변수를 수신한다. 시간 변수 보정부(223)는 태양광 발전량과 더 높은 상관관계를 갖도록 선택된 시간 변수에 대한 보정을 동작을 수행할 수 있다.
예를 들어, 시간 변수 선택부(222)로부터 수신된 주기 함수 형태로 표현된 월-코사인 시간 변수 및 시-코사인 시간 변수에 대하여, 시간 변수 보정부(223)는 주기를 변화시키거나 X 축으로 이동시키는 동작을 통하여 최적의 더 높은 상관관계를 갖도록 보정할 수 있다. 이후, 시간 변수 선택부(222)는 보정된 월-코사인, 시-코사인 시간 변수를 입력 변수로 하여 발전량 예측부(300)에 제공할 수 있다. 이와 같은 보정 동작을 통하여, 태양광 발전량 예측의 정확도가 더욱 향상될 수 있다.
상술한 바와 같이, 본 출원의 실시 예에 따른 시간 데이터 전처리부(220)는 1차원의 시간 데이터를 주기성 정보를 반영하는 2차원의 시간 변수로 변환하고, 복수의 2차원 시간 변수들 중 태양광 발전량과 상관관계가 높은 일부 시간 변수를 추출하며, 추출된 시간 변수의 주기 등에 대한 보정 동작을 수행한다. 이에 따라, 태양광 발전량과 상관관계가 높은 최적의 시간 데이터가 입력 변수로 학습 모델에 제공될 수 있다. 따라서, 태양광 발전량 예측의 정확도가 향상됨은 물론, 연산량 감소로 인하여 학습 모델의 연산 속도가 개선될 수 있다.
도 3은 도 2의 시간 변수 변환부(221) 동작의 일 예를 보여주는 도면이다.
도 3을 참조하면, 시간 변수 변환부(221)는 주기성을 반영하도록 1차원의 시간 데이터를 2차원 시간 변수로 변환한다. 예를 들어, 변환된 2차원 시간 변수는 다음과 같이 6개의 주기 함수 형태로 표현될 수 있다.
Figure pat00001
여기서, DoM은 해당 월의 일 수(Day of the Monty)를 의미할 수 있다.
월(Month)를 예로 들어 좀 더 자세히 설명하면, 월(Month)의 길이인 12의 주기를 갖는 사인과 코사인함수가 각각 생성된다. 이 때 두 개의 삼각함수 값을 통해 월(Month) 값을 2차원으로 표현하는 이유는, 주기가 12인 하나의 삼각함수 값을 통해 표현할 경우에는 두 개의 x값에 대해서 같은 y값이 결정되며, 이 경우에 y값만으로 시기를 특정하기 어렵다는 문제가 생기기 때문이다. 따라서, 동일한 x값이라도 서로 다른 y값을 갖는 두 개의 삼각함수를 사용함으로써, 이러한 문제가 해결될 수 있다. 위에서, 월(Month)는 주기가 12인 함수, 일(Day)는 '달 월의 일수를 주기로 갖는 함수, 시(Hour)는 주기가 24인 함수로 표현된다. 다만, 이는 예시적인 것이며, 본 출원의 기술적 사상은 이에 한정되지 않음이 이해될 것이다.
도 4는 도 2의 시간 변수 선택부(222)를 좀 더 자세히 보여주는 블록도이고, 도 5는 시간 변수 선택부(222)에 의하여 추출된 시간 변수를 좀 더 자세히 보여주는 도면이다.
도 4를 참조하면, 시간 변수 선택부(222)는 상관관계 분석부(222_1) 및 시간 변수 추출부(222_2)를 포함한다.
상관관계 분석부(222_1)는 복수의 2차원 시간 변수와 태양광 발전량 사이의 상관관계를 분석한다. 예를 들어, 2차원 시간 변수가 월(month)-사인(sin), 월(month)-코사인(cos), 일(day)-사인, 일(day)-코사인(cos), 시(hour)-사인(sin), 시(hour)-코사인(cos)으로 총 6개인 경우, 상관관계 분석부(222_1)는 6개의 시간 변수와 태양광 발전량 사이의 상관관계를 분석할 수 있다.
예를 들어, 도 5를 참조하면, 피어슨 상관관계를 이용하여 6개의 시간 변수와 태양광 발전량 사이의 상관관계가 분석될 수 있다. 다만, 이는 예시적인 것이며, 피어슨 상관관계 이외의 연산을 통하여, 6개의 시간 변수와 태양광 발전량 사이의 상관관계가 분석될 수도 있다.
시간 변수 추출부(222_2)는 분석된 상관관계에 기초하여, 복수의 2차원 시간 변수 중에서 높은 상관관계를 갖는 시간 변수만을 추출할 수 있다. 예를 들어, 시간 변수 추출부(222_2)는 복수의 2차원 시간 변수 중 상관관계가 높은 상위 N(여기서, N은 자연수)개의 시간 변수를 추출할 수 있다. 다른 예로, 시간 변수 추출부(222_2)는 복수의 2차원 시간 변수 중 상관관계의 값이 미리 정해진 기준 값보다 높은 시간 변수를 추출할 수도 있다.
예를 들어, 도 5를 참조하면, 피어슨 상관관계의 절대값의 크기가 미리 정해진 기준 값인 '0.1'보다 큰 월-코사인 시간 변수 및 시-코사인 시간 변수가 추출될 수 있다. 다만, 이는 예시적인 것이며, 기준 값은 학습 모델의 설계자에 따라 다양하게 설정될 수 있다.
도 6은 도 2의 시간 변수 보정부(223)의 동작을 좀 더 자세히 보여주기 위한 도면이다.
시간 변수 보정부(223)는 시간 변수 선택부(222)에서 선택된 시간 변수와 태양광 발전량 사이의 상관관계 값이 좀 더 높은 상관관계 값을 갖도록, 선택된 시간 변수에 대한 함수의 식을 변형할 수 있다.
예를 들어, 시간 변수 보정부(223)는 주기를 12시간부터 2시간 간격으로 24시간까지 조정하면서 상관관계 값을 연산할 수 있다. 다른 예로, 시간 변수 조정부(223)는 각 주기에 대한 함수를 시간 축으로 0시부터 1시간 간격으로 12시까지 이동시키면서 상관관계 값을 연산할 수 있다.
이러한 과정을 통하여, 시간 변수 보정부(223)는 가장 높은 피어슨 상관관계 값을 갖도록, 월-코사인 시간 변수와 시-코사인 시간 변수를 변형할 수 있다. 예를 들어, 시간 변수 보정부(223)는 이하와 같이 월-코사인 시간 변수와 시-코사인 시간 변수를 조정할 수 있다.
Figure pat00002
위와 같이 조정하였을 경우에, 피어슨 상관관계 값은 월-코사인 시간 변수의 경우에는 '0.14'이고, 시-코사인 신간 변수의 경우에는 '0.74'가 된다.
도 7은 도 2의 발전량 예측부(300)에 적용되는 학습 모델의 예시들 및 그 학습 결과를 예시적으로 보여주는 도면이다.
예시적으로, 도 7에서는 신안군 태양광 발전소를 대상으로 실험한 예측 성능이 도시되어 있다.
발전량 예측부(300)의 학습 모델로는 RF, AdaBoost, GBM, SVM, XGBoost, DB, LightGBM이 사용될 수 있다. 예측 정확도 평가를 위해, RMSE(Root Mean Square Error)와 MAE(Mean Absolute Error)가 사용될 수 있다.
실험 결과, LightGBM이 학습 모델로 가장 우수한 성질을 갖는 것으로 조사되었으며, 따라서 발전량 예측부(300)로는 LightGBM이 사용될 수 있다. 다만, 이는 예시적인 것이며, 태양광 발전량 예측 모델로는 다양한 학습모델들이 적용될 수 있음이 이해될 것이다.
도 8은 도 1의 태양광 발전량 예측 장치(10)의 동작을 보여주는 순서도이다.
S110 단계에서, 데이터 수집부(100)는 기상 데이터 및 시간 데이터를 수집할 수 있다. 예를 들어, 기상 데이터 수집부(110)는 외부로부터 과거, 현재, 미래에 관련된 기상 데이터를 수집하고, 시간 데이터 수집부(120)는 기상 데이터와 연관된 시간 데이터를 수집할 수 있다.
S120 단계에서, 데이터 전처리부(200)는 기상 데이터에 대한 전처리 동작을 수행할 수 있다. 예를 들어, 기상 데이터 전처리부(210)는 외부로부터 수신된 기상 데이터 중 태양광 발전량과 관계가 낮은 데이터를 제외하고, 남은 기상 데이터에 대한 정규화 동작을 수행할 수 있다.
S130 내지 S170 단계에서, 데이터 전처리부(200)는 시간 데이터에 대한 전처리 동작을 수행할 수 있다.
구체적으로, S130 단계에서, 시간 데이터 전처리부(220)의 시간 변수 변환부(221)는 1차원의 시간 데이터를 주기성을 갖는 복수의 2차원 시간 변수로 변환할 수 있다. 예를 들어, 월(month)-사인(sin), 월(month)-코사인(cos), 일(day)-사인, 일(day)-코사인(cos), 시(hour)-사인(sin), 시(hour)-코사인(cos)의 6개의 시간 변수가 생성될 수 있다.
S140 단계에서, 시간 데이터 전처리부(220)의 시간 변수 선택부(222)는 복수의 2차원 시간 변수와 태양광 발전량 사이의 상관관계를 분석할 수 있다. 예를 들어, 6개의 월(month)-사인(sin), 월(month)-코사인(cos), 일(day)-사인, 일(day)-코사인(cos), 시(hour)-사인(sin), 시(hour)-코사인(cos)의 시간변수와 태양광 발전량 사이의 상관관계가 분석될 수 있다.
S150 단계에서, 시간 변수 선택부(222)는 상관관계의 값이 미리 정해진 기준 값보다 큰 지의 여부를 판단할 수 있다.
만약 상관관계의 값이 기준 값보다 크다면, 해당 시간 변수는 발전량 예측부(300)에 제공될 입력 변수로 선택되며, 선택된 시간 변수가 최적의 상관관계 값을 갖도록 함수 식에 대한 보정 동작이 수행될 수 있다(S160 단계).
예를 들어, 시간 변수 선택부(222)는 피어슨 상관관계 값이 가장 높은 월-코사인 시간 변수와 시-코사인 시간 변수를 선택할 수 있다. 이후, 시간 변수 선택부(222)는 선택된 시간 변수의 주기를 변경하고 X축으로 이동시키는 방법을 통하여 가장 높은 상관관계 값을 갖도록 함수 식을 조정할 수 있다.
만약 상관관계의 값이 기준 값보다 작다면, 해당 시간 변수는 발전량 예측부(300)에 제공될 입력 변수에서 제외될 수 있다(S170 단계).
S180 단계에서, 발전량 예측부(300)는 제공된 시간 변수를 이용하여 기계학습 기반의 태양광 발전량 예측 동작을 수행할 수 있다. 예를 들어, 발전량 예측부(300)는 LightGBM을 통하여 태양광 발전량 예측 동작을 수행할 수 있다.
이상에서는 본 발명에 따른 바람직한 실시 예들에 대하여 도시하고 또한 설명하였다. 그러나 본 발명은 상술한 실시 예에 한정되지 아니하며, 특허 청구의 범위에서 첨부하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능할 것이다.
100: 데이터 수집부
110: 기상 데이터 수집부
120: 시간 데이터 수집부
200: 데이터 전처리부
210: 기상 데이터 전처리부
220: 시간 데이터 전처리부
300: 발전량 예측부

Claims (15)

  1. 기상 데이터 및 시간 데이터를 수집하는 데이터 수집부;
    상기 기상 데이터 및 상기 시간 데이터에 대한 전처리 동작을 수행하는 데이터 전처리부; 및
    상기 데이터 전처리부에서 전처리된 기상 데이터 및 시간 데이터를 이용하여 태양광 발전량 예측 모델을 학습시키는 발전량 예측부를 포함하며,
    상기 데이터 전처리부는 상기 시간 데이터를 복수의 시간 변수로 변환하고, 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계에 기초하여 상기 복수의 시간 변수 중 적어도 하나를 선택하는, 태양광 발전량 예측 장치.
  2. 제1 항에 있어서,
    상기 데이터 전처리부는 상기 기상 데이터를 정규화하여 전처리하는 가상 데이터 전처리부를 포함하는, 태양광 발전량 예측 장치.
  3. 제2 항에 있어서,
    상기 데이터 전처리부는 상기 시간 데이터에 대한 전처리 동작을 수행하는 시간 데이터 전처리부를 더 포함하며,
    상기 시간 데이터 전처리부는 상기 시간 데이터를 주기 함수를 이용하여 상기 복수의 시간 변수로 변환하는 시간 변수 변환부를 포함하는, 태양광 발전량 예측 장치.
  4. 제3 항에 있어서,
    상기 시간 데이터 전처리부는 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계를 분석하는 시간 변수 선택부를 더 포함하는, 태양광 발전량 예측 장치.
  5. 제4 항에 있어서,
    상기 시간 변수 선택부는 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계 값을 각각 연산하고, 상기 복수의 시간 변수에 대응하는 상관관계 값이 기준 값보다 큰 시간 변수만을 상기 발전량 예측부의 입력 변수로 선택하는, 태양광 발전량 예측 장치.
  6. 제5 항에 있어서,
    상기 복수의 시간 변수에 대응하는 상관관계 값이 상기 기준 값보다 작은 경우, 상기 시간 변수 선택부는 상기 기준 값보다 작은 상관관계 값에 대응하는 시간 변수를 상기 발전량 예측부의 입력 변수에서 제외하는, 태양광 발전량 예측 장치.
  7. 제6 항에 있어서,
    상기 시간 변수 선택부는 상기 복수의 시간 변수와 태양광 발전량 사이의 피어슨 상관관계 값을 각각 연산하는, 태양광 발전량 예측 장치.
  8. 제5 항에 있어서,
    상기 시간 데이터 전처리부는 상기 입력 변수로 선택된 시간 변수의 주기를 조정하면서 상관관계를 연산하는 시간 변수 보정부를 더 포함하는, 태양광 발전량 예측 장치.
  9. 제8 항에 있어서,
    상기 시간 변수 보정부는 상기 입력 변수로 선택된 시간 변수의 함수 식을 X 축으로 이동시키면서 상관관계를 연산하는, 태양광 발전량 예측 장치.
  10. 제1 항에 있어서,
    상기 발전량 예측부는 LightGBM을 학습 모델로 사용하는, 태양광 발전량 예측 장치.
  11. 태양광 발전량 예측 방법에 있어서,
    데이터 수집부에서 기상 데이터 및 시간 데이터를 수신하는 단계;
    데이터 전처리부에서 상기 시간 데이터를 복수의 시간 변수로 변환하는 단계;
    상기 데이터 전처리부에서 상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계를 분석하는 단계;
    상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계 값이 기준 값보다 큰 시간 변수만을 발전량 예측부의 입력 변수로 선택하는 단계; 및
    상기 발전량 예측부에서 태양광 발전량 예측 동작을 수행하는 단계를 포함하는, 태양광 발전량 예측 방법.
  12. 제11 항에 있어서,
    상기 복수의 시간 변수와 태양광 발전량 사이의 상관관계 값이 기준 값보다 작은 경우, 상기 기준 값보다 작은 상관관계에 대응하는 시간 변수를 상기 발전량 예측부의 입력 변수에서 제외하는 단계를 더 포함하는, 태양광 발전량 예측 방법.
  13. 제11 항에 있어서,
    상기 발전량 예측부의 입력 변수로 선택된 시간 변수에 대하여, 함수 식의 주기를 조정하는 단계를 더 포함하는, 태양광 발전량 예측 방법.
  14. 제12 항에 있어서,
    상기 발전량 예측부의 입력 변수로 선택된 시간 변수에 대하여, 함수 식의 X축을 이동시키는 단계를 더 포함하는, 태양광 발전량 예측 방법.
  15. 제11 항에 있어서,
    상기 데이터 전처리부에서 상기 기상 데이터를 정규화하는 단계를 더 포함하는, 태양광 발전량 예측 방법.
KR1020210181746A 2021-11-24 2021-12-17 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 KR20230076695A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210162852 2021-11-24
KR1020210162852 2021-11-24

Publications (1)

Publication Number Publication Date
KR20230076695A true KR20230076695A (ko) 2023-05-31

Family

ID=86543145

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210181746A KR20230076695A (ko) 2021-11-24 2021-12-17 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20230076695A (ko)

Cited By (3)

* 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
KR102645222B1 (ko) 2023-09-21 2024-03-08 주식회사 제이케이코어 태양광 모듈의 전압 및 전류 추정을 통한 pv 시스템의 진단 장치
KR102709053B1 (ko) * 2023-12-18 2024-09-24 주식회사 해줌 4차원 파워커브 모델을 이용한 풍력 발전량 예측 시스템

Cited By (3)

* 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
KR102645222B1 (ko) 2023-09-21 2024-03-08 주식회사 제이케이코어 태양광 모듈의 전압 및 전류 추정을 통한 pv 시스템의 진단 장치
KR102709053B1 (ko) * 2023-12-18 2024-09-24 주식회사 해줌 4차원 파워커브 모델을 이용한 풍력 발전량 예측 시스템

Similar Documents

Publication Publication Date Title
KR20230076695A (ko) 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법
Wang et al. Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification
Foley et al. Current methods and advances in forecasting of wind power generation
Monteiro et al. Wind power forecasting: state-of-the-art 2009.
Rodríguez et al. Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks
JP6693330B2 (ja) 太陽光発電システムの動作
CN111832812A (zh) 一种基于深度学习的风电功率短期预测方法
KR102405282B1 (ko) 예측 모델을 이용한 태양광 발전량 예측 방법
CN116402203A (zh) 计及天气情况的短时光伏发电量预测方法、系统及介质
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
KR102488667B1 (ko) 머신러닝을 이용한 태양광 발전 예측 시스템
Yu et al. Prediction of solar irradiance one hour ahead based on quantum long short-term memory network
Yang et al. Sub-minute probabilistic solar forecasting for real-time stochastic simulations
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN110852492A (zh) 一种基于马氏距离找相似的光伏功率超短期预测方法
CN115759435A (zh) 一种基于改进cnn-lstm的光伏发电功率预测方法
CN118153766A (zh) 一种极端天气场景下的风电出力预测方法、设备及介质
Tasnim et al. Wind energy deployment in Bangladesh: Investigating feasible locations and their characteristics
Amaro e Silva et al. A regime-based approach for integrating wind information in spatio-temporal solar forecasting models
Sæther Wind power prediction with machine learning methods in complex terrain areas
Mollick et al. Wind speed prediction for site selection and reliable operation of wind power plants in coastal regions using machine learning algorithm variants
Sahani et al. Precise single step and multistep short-term photovoltaic parameters forecasting based on reduced deep convolutional stack autoencoder and minimum variance multikernel random vector functional network
Abdel-Aty et al. Boosting wind turbine performance with advanced smart power prediction: Employing a hybrid ARMA-LSTM technique
Karunanithi et al. Forecasting Solar Irradiance Using Machine Learning Methods
Singh et al. Power forecasting in photovoltaic system using hybrid ANN and wavelet transform based method

Legal Events

Date Code Title Description
E902 Notification of reason for refusal