KR20230082343A - 태양광 발전 입지 자동 선정 시스템 및 그 방법 - Google Patents
태양광 발전 입지 자동 선정 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20230082343A KR20230082343A KR1020210170168A KR20210170168A KR20230082343A KR 20230082343 A KR20230082343 A KR 20230082343A KR 1020210170168 A KR1020210170168 A KR 1020210170168A KR 20210170168 A KR20210170168 A KR 20210170168A KR 20230082343 A KR20230082343 A KR 20230082343A
- Authority
- KR
- South Korea
- Prior art keywords
- location
- information
- power generation
- paragraph
- artificial intelligence
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 88
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims description 44
- 238000012423 maintenance Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
인공지능모델을 이용한 태양광 발전 입지 자동 선정 방법 및 시스템을 제공한다. 태양광 발전 입지 자동 선정 방법은 i) 태양광 발전 입지의 위치 정보를 제공하는 단계, ii) 위치 정보를 중심으로 한 주변 영역을 설정하는 단계, iii) 주변 영역의 영상 정보를 제공하는 단계, iv) 영상 정보를 분석하여 주변 영역의 토지 피복 정보를 분류하는 단계, v) 토지 피복 정보를 학습하도록 적용된 인공지능 입지모델을 생성하는 단계, 및 vi) 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 입지 적합도 결과를 출력하는 단계를 포함한다.
Description
본 발명은 태양광 발전 입지 자동 선정 시스템 및 그 방법에 관한 것이다. 더욱 상세하게는, 본 발명은 인공지능모델을 이용한 태양광 발전 입지 자동 선정 시스템 및 그 방법에 관한 것이다.
태양광 발전은 신재생 에너지 중에서 가장 높은 비중을 가진다. 태양광 발전은 광을 전기로 변환하므로 태양광 수용이 가능한 입지라면 대규모 발전 외에 소규모 설비 구축도 가능하다. 따라서 태양광 발전은 높은 확장성을 가지므로, 신재생 에너지의 주요 전력원으로서의 비중이 급속히 커지고 있다.
태양광 발전량은 일사량에 따라 크게 좌우된다. 일사량은 기후, 날씨, 지형 조건에 따라 크게 달라진다. 따라서 태양광 발전 설비에 대한 입지 고려 시 최대 발전량 확보가 가능한 환경적 입지 분석이 중요하며 또한 실제 설비 구축에 필요한 토지 비용, 설비시스템 비용 등의 경제적 요소와 설비 허가 여부와 관련된 환경 파괴 및 주거 영향 등과 같은 민원을 초래할 수 있는 사회적 요소도 고려되어야 한다.
한국공개특허 제2014-0029882호
인공지능을 이용한 태양광 발전 입지 자동 선정 방법을 제공하고자 한다. 또한, 인공지능을 이용한 태양광 발전 입지 자동 선정 시스템을 제공하고자 한다.
본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 방법은, i) 태양광 발전 입지의 위치 정보를 제공하는 단계, ii) 위치 정보를 중심으로 한 주변 영역을 설정하는 단계, iii) 주변 영역의 영상 정보를 제공하는 단계, iv) 영상 정보를 분석하여 주변 영역의 토지 피복 정보를 분류하는 단계, v) 토지 피복 정보를 학습하도록 적용된 인공지능 입지모델을 생성하는 단계, 및 vi) 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 입지 적합도 결과를 출력하는 단계를 포함한다.
본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 방법은 주변 영역의 환경 정보를 제공하는 단계를 더 포함할 수 있다. 인공지능 입지모델을 생성하는 단계에서, 인공지능 입지모델이 영상 정보와 함께 환경 정보를 학습하도록 적용될 수 있다.
환경 정보는 날씨 정보이고, 날씨 정보는 일사량, 온도, 습도, 강수, 전운량, 강수량, 평균기온 및 대기 불투명도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함할 수 있다. 환경 정보는 지형 정보이고, 지형 정보는 고도, 경사향 및 경사도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함할 수 있다. 환경 정보는 염분을 포함할 수 있다. 환경 정보는 실제값으로 학습하도록 적용될 수 있다.
인공지능 입지모델을 생성하는 단계에서, 토지 피복 정보에서 분류된 농지, 나지, 산지, 초지, 시가화, 수역 및 습지가 각각 인덱스 1 내지 인덱스 7로 레이블링되어 학습하도록 적용될 수 있다. 주변 영역을 설정하는 단계에서, 주변 영역은 중심으로부터 10km 이하의 거리로 설정할 수 있다.
입지 적합도 결과를 출력하는 단계에서, 입지 적합도 결과는 태양광 발전 입지의 유지보수 비용에 비례하여 출력될 수 있다. 입지 적합도 결과는 태양광 발전 입지의 운영 경과년에 따라 유지관리 기간으로 출력될 수 있다.
본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 시스템은, i) 태양광 발전 입지의 위치 정보를 제공받고, 위치 정보를 중심으로 한 주변 영역을 설정하는 제어부, ii) 주변 영역의 영상 정보를 제공받는 영상 정보 애플리케이션 프로그래밍 인터페이스부, iii) 애플리케이션 프로그래밍 인터페이스부와 연결되고, 영상 정보를 분석해 주변 영역의 토지 피복 정보로 분류하는 토지 피복 분류 데이터베이스부, iv) 토지 피복 분류 데이터베이스부 및 제어부와 연결되어 분류된 토지 피복 정보를 입력받아 학습되는 인공지능 입지모델부, v) 제어부와 연결되고, 태양광 발전 입지 후보지가 입력되는 입력부, 및 vi) 제어부와 연결되어 인공지능 입지모델부를 통해 태양광 발전 입지의 적합도 결과를 출력하는 출력부를 포함한다.
본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 시스템은 주변 영역의 환경 정보를 저장하는 환경 정보 데이터베이스부를 더 포함할 수 있다. 인공지능 입지모델부는 분류된 토지 피복 정보와 함께 환경 정보를 입력받아 학습될 수 있다. 환경 정보는 날씨 정보이고, 날씨 정보는 일사량, 온도, 습도, 강수, 전운량, 강수량, 평균기온 및 대기 불투명도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함할 수 있다. 환경 정보는 지형 정보이고, 지형 정보는 고도, 경사향 및 경사도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함할 수 있다. 환경 정보는 염분을 포함할 수 있다. 인공지능 입지모델부는 환경 정보를 실제값으로 학습하도록 적용될 수 있다.
인공지능 입지모델부는 토지 피복 정보에서 분류된 농지, 나지, 산지, 초지, 시가화, 수역 및 습지가 각각 인덱스 1 내지 인덱스 7로 레이블링되어 학습하도록 적용될 수 있다. 제어부는 주변 영역을 중심으로부터 10km 이하의 거리로 설정할 수 있다.
출력부는 태양광 발전 입지의 유지보수 비용에 비례하여 입지 적합도를 출력할 수 있다. 출력부는 입지 적합도 결과를 태양광 발전 입지의 운영 경과년에 따라 유지관리 기간으로 출력할 수 있다.
실제 설비 운영시 유지관리 비용까지 고려하여 전체 발전 수익성 관점에서의 설비 입지 조건을 분석할 수 있다. 즉, 초기 태양광 발전 설비 구축의 주요 기준인 재생 발전량 외에 향후 장기간 운영되는 설비의 유지보수로 투입되는 부가 비용에 대한 예측 및 검토가 중요하게 인식된다. 따라서 설비 유지보수 비용상승의 큰 요인인 설비 부식, 부품 노화 및 변형에 따른 설비 고장 요인과 주변 생태환경에 의한 부가적인 관리 비용 등에 영향을 줄 수 있는 환경 요인에 대한 상관 관계 분석을 실시할 수 있다. 그리고 영상 API를 연계하여 분석 요소를 자동으로 수집할 수 있다. 영상 인식을 통해 추출된 특징에 머신 러닝 및 딥 러닝 기반의 인공지능 학습방식을 적용해 입지 선정 적합도를 효율적으로 판단할 수 있다.
도 1은 본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 방법의 개략적인 순서도이다.
도 2는 도 1의 인공지능 입지모델을 생성하는 단계에서 사용되는 인공 신경망의 개략적인 도면이다.
도 3은 발전 입지에 대한 주변 영역의 토지 피복 정보를 추출해 인공지능 입지모델을 생성하는 과정을 나타내는 개략적인 도면이다.
도 4는 도 3의 인공지능 입지모델의 생성 과정의 변형예를 나타내는 개략적인 도면이다.
도 5는 도 1의 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 적합도 결과의 출력 과정을 나타내는 개략적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 시스템의 개략적인 블록도이다.
도 2는 도 1의 인공지능 입지모델을 생성하는 단계에서 사용되는 인공 신경망의 개략적인 도면이다.
도 3은 발전 입지에 대한 주변 영역의 토지 피복 정보를 추출해 인공지능 입지모델을 생성하는 과정을 나타내는 개략적인 도면이다.
도 4는 도 3의 인공지능 입지모델의 생성 과정의 변형예를 나타내는 개략적인 도면이다.
도 5는 도 1의 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 적합도 결과의 출력 과정을 나타내는 개략적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 시스템의 개략적인 블록도이다.
여기서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 방법의 순서도를 개략적으로 나타낸다. 도 1의 태양광 발전 입지 자동 선정 방법은 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 이를 다르게 변형할 수 있다.
본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 방법에서는 발전 설비의 유지 관리에 영향을 주는 태양광 발전 입지와 입지 장소 주변에 대한 광역 수준의 환경 요소를 분석한다. 그리고 설비 운영시 발생될 수 있는 유지보수비용에 따라 입지 적합도를 판단한다. 구체적으로, 설비 입지에 대한 환경과 생태 영향을 반영하기 위해 태양광 발전 입지 주변의 토지 피복 정보를 분석하고, 지표 현황을 환경 분석 요소로 구성한다. 이들은 입지 적합도를 판단하기 위한 학습 인자로서 인공지능 입지모델을 기계 학습시킨다.
도 1의 태양광 발전 입지 자동 선정 방법은, 태양광 발전 입지의 위치 정보를 제공하는 단계(S10), 위치 정보를 중심으로 한 주변 영역을 설정하는 단계(S20), 주변 영역의 영상 정보를 제공하는 단계(S30), 주변 영역의 환경 정보를 제공하는 단계(S40), 영상 정보를 분석하여 주변 영역의 토지 피복 정보를 분류하는 단계(S50), 토지 피복 정보와 환경 정보를 학습하도록 적용된 인공지능 입지모델을 생성하는 단계(S60), 그리고 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 입지 적합도 결과를 출력하는 단계(S70)를 포함한다. 이외에, 태양광 발전 입지 자동 선정 방법은 다른 단계들을 더 포함할 수 있다.
단계(S10)에서는 태양광 발전 입지의 위치 정보를 제공한다. 즉, 어느 곳이 태양광 발전 부지로 사용하고자 하는 곳인지에 대한 정보를 제공한다. 위치 정보는 경도와 위도 등의 수치로 제공될 수 있다.
단계(S20)에서는 위치 정보를 중심으로 한 주변 영역을 설정한다. 즉, 태양광 발전 입지 후보지를 중심으로 원을 그려 해당 원안의 공간을 주변 영역으로 설정한다. 예를 들면, 주변 영역은 중심으로부터 10km 이하의 거리로 설정될 수 있다. 주변 영역의 거리가 너무 작으면, 주변 영역을 벗어난 부분이 많아져 정확한 입지 적합도를 도출하기 어려울 수 있다. 또한, 주변 영역의 거리가 너무 길면, 주변 영역이 너무 넓어져서 꼭 필요한 정보를 얻기 어려울 수 있다. 따라서 주변 영역의 범위를 전술한 바와 같이 적절하게 설정한다.
단계(S30)에서는 주변 영역의 영상 정보를 제공한다. 영상 정보는 위성 또는 항공기 등이 촬영한 영상으로 제공된다. 좀더 나은 정보 획득을 위해 영상의 화질을 강화시키는 강조 처리 과정이 수행될 수 있다. 즉, 영상의 판독성을 높이기 위해 영상이 가진 특징을 강조한다. 그 결과, 영상의 시각 판독성이 높아지고, 그 이후의 분석 및 분류 작업을 원활하게 수행할 수 있다. 예를 들면, 대조(contrast) 확장, 휘도 증폭(contrast stretching), 픽셀간 여과 (filtering), 또는 영상간 연산 처리 등의 강조 처리 과정을 수행할 수 있다.
다음으로, 단계(S40)에서는 주변 영역의 환경 정보를 제공한다. 도 1에서는 환경 정보를 제공하는 단계(S40)가 포함되었지만, 경우에 따라 단계(S40)를 생략할 수도 있다. 환경 정보는 날씨 정보, 지형 정보, 염분 등으로서, 그 값 자체가 신뢰성이 있으므로 전처리 없이 실제값을 그대로 이용한다.
단계(S50)에서는 영상 정보를 분석해 주변 영역의 토지 피복 정보를 분류한다. 영상 정보를 분석하는 경우, 강조 처리된 영상 데이터를 주제별로 분석한다. 예를 들면, 경관 영상은 여러 유형의 식생과 토지 용도를 포함하는 등 다양한 토지 피복 유형을 가진다. 주제별 분석에서는 다양한 토지 피복 유형을 각각의 주제도로 나눈 후에 이들을 그룹화시켜 통계 분석을 통해 래스터 셀로부터 공통 주제들을 찾아낸다. 한편, 토지 피복 정보를 추출하기 위한 후처리 과정, 즉, 뚜렷한 범주로 주제를 분류하는 과정을 거친다. 예를 들면, 식생 주제도는 삼림, 농경지, 불모지 등의 전체 토지 피복 정보뿐만 아니라 활엽수립 또는 침엽수립의 군락, 그리고 개별 종(species)의 면적으로도 분류할 수 있다.
한편, 항공 영상으로부터 얻어진 다양한 대상물들의 특성을 분석하여 대상물의 형상, 지질, 식생, 토양 등에 대한 정보를 얻을 수 있다. 이를 위해 항공 영상을 판독시 정량분석과 정성분석을 함께 수행한다. 즉, 위치, 크기, 형상 들을 결정하는 정량적인 판독과 자원 및 환경 등의 정보 조사에 이용되는 정성적인 판독을 함께 수행한다. 토지 피복 정보는 태양광 발전 입지를 중심으로 설정되는 주변 거리 및 영역별로 제공된다. 토지 피복 정보는 농지, 나지, 산지, 초지, 시가화, 수역 또는 습지로 분류될 수 있다.
토지 피복 분류 기준에서, 농지는 논, 밭, 과수원, 시설 재배지 또는 기타 재배지 등을 그 예로 들 수 있다. 농지는 영상에서 직사각형으로 구획된 구역이 나타내는 특징을 가진다. 나지는 자연 나지 또는 인공 나지를 포함한다. 다른 토지 피복 정보들은 식생으로 인해 주로 녹색으로 나타나는 반면에, 나지는 황색으로 나타나므로 구분이 가능하다. 수역은 내륙수 또는 해양수를 포함하며, 청색으로 나타나므로 구분이 가능하다. 습지는 내륙 습지와 연안 습지를 포함한다. 습지는 물 위에 식생 지역이 존재하므로, 청색과 녹색이 혼합되어 나타난다. 산지는 활엽수림, 침엽수림 또는 혼효림을 포함하고, 식생이 가장 풍부한 지역이므로, 영상에서 점유되는 녹색 영역의 면적이 매우 넓다. 초지는 자연 초지와 인공 초지를 포함하며, 그 영역이 넓지 않기 때문에 보통 경계에 의해 구분되어 나타난다. 시가화는 주거 지역, 공업 지역, 상업 지역, 문화/체육/휴양 지역, 교통 지역 또는 공공시설 지역으로 나타난다. 따라서 시가화 영상은 회색 또는 흑색을 나타내거나 시가지의 특성상 작은 경계로 세분화된 영역이 나타난다. 이와 같이, 7가지의 토지 피복 정보를 영상을 분석해 분류할 수 있다. 이러한 분석 및 분류 과정은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 이해할 수 있으므로, 그 상세한 설명을 생략한다.
단계(S60)에서는 토지 피복 정보와 환경 정보를 학습하도록 적용된 인공지능 입지모델을 생성한다. 단계(S60)에서는 환경 정보를 학습하는 것으로 하였지만, 이와는 달리 환경 정보 없이 분류된 토지 피복 정보만을 이용해 인공지능 입지모델을 생성할 수도 있다. 이하에서는 도 2 내지 도 4를 참조하여 단계(S50)의 인공지능 입지모델 생성 과정을 좀더 상세하게 설명한다.
도 2는 도 1의 인공지능 입지모델을 생성하는 단계에서 사용되는 인공 신경망을 개략적으로 나타낸다. 도 2의 인공 신경망의 구조는 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 이를 다르게 변형할 수 있다.
도 2에 도시한 바와 같이, 인공 신경망으로서 합성곱 신경망(CNN, Convolutional neural network)을 학습 모델로 사용할 수 있다. 합성곱 신경망은 항공 영상 기반의 토지를 인식할 수 있도록 합성곱(convolution) 레이어와 풀링(pooling) 레이어를 반복 배치해 딥(deep) 네트워크를 만든다. 은닉층에서 삭제된 노드는 드롭아웃(dropout)을 의미한다. 그리고 맨 마지막에는 완전 연결층(fully connected layer)을 배치하여 입력된 항공 영상의 분류 작업을 실시한다. 즉, 층을 VGG16, 제1 완전 연결층, 제2 완전 연결층, 드롭아웃, 제3 완전 연결층, 드롭아웃, 및 소프트맥스(softmax)로 구성한다. 여기서, VGG16은 대표적인 합성곱 신경망 모델 중의 하나로서, 합성곱 작업에 3×3 픽셀 크기의 매우 작은 필터를 사용한다. 네트워크가 깊어질수록 레이어에 필터 개수가 증가한다. 완전 연결층은 풀링 레이어를 통하여 산출된 행렬들을 하나의 벡터로 변환하여 만든다. 이 중에서 제1 완전 연결층은 총 2,048개의 노드로 구성한다. 완전 연결층은 토지피복 분류에 따라 적응적으로 구성할 수 있다. 최종적으로 2개의 은닉층(hidden layer)을 추가하였으며 은닉층에서의 노드의 수는 2개의 레이어들 모두 256개로 설정한다. 그 결과, 도 2에 도시한 바와 같이, 최종적으로 토지를 농지, 나지, 산지, 초지, 시가화, 수역, 습지로 분류한 결과값을 출력할 수 있다.
도 3은 발전 입지에 대한 주변 영역의 분류된 토지 피복 정보를 적용해 인공지능 입지모델을 생성하는 과정을 개략적으로 나타낸다. 도 3의 인공지능 입지모델의 생성 과정은 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 도 3의 인공지능 입지모델의 생성 과정을 다르게 변형할 수 있다.
도 3에 도시한 바와 같이, 발전 입지 장소의 주변 지역을 주변 거리 또는 범위에 따라 다양한 설정 기준으로 분류한다. 여기서, 주변 거리는 발전 입지의 반경으로서 10km 이하일 수 있다. 주변 지역의 반경을 이와 같이 설정하며, 특정 지역에 대한 지점은 km 단위로 여러 지역에 적용할 수 있다.
입지 주변 거리에 따라 주변 영역을 설정한 후 항공 또는 위성 영상을 적용하여 토지 피복 정보를 추출한다. 이를 위해 특정 단위로 지점을 설정하고 이에 해당되는 영상을 수집한다. 수집된 영상은 토지 피복 분류 데이터베이스부에서 토지 피복 정보로 분류된다. 그리고 토지 피복 정보를 학습 인자로 적용한다. 그리고 유지보수 측면에서 입지 적합도를 분류하도록 인공지능 입지모델을 설계한다. 토지 피복 정보는 크게 주변 반경(km)에 따라 제1 영역 및 제2 영역으로 분류된다. 그리고 각 반경에서의 특정 지점을 분류하여 그 결과를 분류 결과 1 내지 분류 결과 4로 나눈다. 그리고 기계 학습되는 인공지능 입지모델에 의해 토지 피복을 농지, 나지, 산지, 초지, 시가화, 수역, 및 습지의 7가지로 분류하는 기준을 적용한다. 그 결과, 반경에 대한 구분을 설정에 따라 제1 영역 내지 제N 영역으로 하고, 각 반경에 따른 토지 피복 결과를 7가지로 분류해 레이블링할 수 있다. 이러한 분류 결과에 따라 입지 적합도가 도출되도록 신경망 기반의 학습 구조를 가진 인공지능 입지모델을 생성한다.
도 4는 도 3의 인공지능 입지모델의 생성 과정의 변형예를 개략적으로 나타낸다. 도 4의 인공지능 입지모델의 생성 과정은 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 도 4의 인공지능 입지모델의 생성 과정을 다르게 변형할 수 있다. 또한, 도 4의 인공지능 입지모델의 생성 과정은 환경 정보의 제공을 제외하고는 도 3의 인공지능 입지모델의 생성 과정과 동일하므로, 동일한 부분에 대해서는 그 설명을 생략한다.
도 4에 도시한 바와 같이, 인덱스 1 내지 인덱스 7로 분류된 토지 피복 정보와 함께 실제값인 환경 정보를 기계 학습시켜 인공지능 입지모델을 생성할 수 있다. 이러한 변수를 이용한 인공지능 입지모델의 학습 과정은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 이해할 수 있으므로, 그 상세한 설명을 생략한다.
도 4에 도시한 바와 같이, 환경 정보의 일례로서 날씨 정보를 이용한다. 날씨 정보는 일사량, 온도, 습도, 강수 등의 파라미터를 포함한다. 이외에, 날씨 정보는 전운량, 강수량, 평균기온, 대기 불투명도 등의 파라미터를 더 포함할 수 있다. 이외에, 지형을 환경 정보로 사용할 수 있다. 지형 정보는 고도, 경사향 또는 경사도 등의 파라미터를 포함한다. 한편, 환경 정보는 실제값으로 입력된다. 이러한 환경 정보는 우수한 신뢰성을 가지는 기상 정보 제공 서비스, GIS(Geographic Information System) 데이터, GSIS(Geo-Spatial Information System) 데이터 등을 활용할 수 있다. 그리고 분석 데이터 신뢰도 및 수집량에 따라 기상 데이터 또는 지형 데이터를 단독으로 사용하거나 복합적으로 반영할 수 있다.
환경 정보에서 얻어진 환경 요소인 파라미터와의 상관 관계를 고려하여 토지 피복과 관련된 지표 현황 정보를 입지에 대한 환경 기반 분석 요소로서 활용할 수 있다. 특히, 입지 장소 이외의 광범위한 주변 지역의 환경 영향을 반영할 수 있다. 따라서 태양광 발전 입지의 선정시 환경 영향에 대해 좀더 포괄적인 접근이 가능하다. 또한, 유지보수 관점의 적합도 판단을 위해 설비 부식 및 태양광 패널 오염 등과 높은 상관도를 가진 환경 인자와 관련된 지표 특성을 분석 요소로서 활용할 수 있다. 예를 들면, 태양광 발전 입지 주변에 습지 및 강 등의 환경 특성이 존재시 상대적으로 태양광 발전 입지에 대해 설비 부식과 높은 상관성을 가지는 습도를 환경 인자로 사용할 수 있으며, 해양의 경우 화학적 부식을 일으킬 수 있는 염분을 환경 인자로 사용해 태양광 발전 입지 선정에 반영할 수 있다. 또한, 초지, 습지, 해양은 생태 환경을 고려하여 동식물에 의한 오염, 예를 들면 조류 배설물 등도 토지 피복 정보를 기반으로 추론 가능하다.
한편, 토지 피복 정보는 농지, 나지, 산지, 초지, 시가화, 수역 및 습지를 각각 인덱스 1 내지 인덱스 7로 레이블링되어 입력된다. 즉, 주변 영역의 환경 정보와 분류된 토지 피복 정보를 함께 제공한다.
다시 도 1로 되돌아가면, 다음의 단계(S70)에서는 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 적합도 결과를 출력한다. 즉, 기계 학습이 완료된 인공지능 입지모델에 신규 입지 후보와 관련된 정보를 입력하여 입지 적합도 결과를 얻을 수 있다. 이를 도 5를 참조하여 좀더 상세하게 설명한다.
도 5는 도 1의 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 적합도 결과의 출력 과정을 개략적으로 나타낸다. 도 5의 적합도 결과의 출력 과정은 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 도 5의 적합도 결과의 출력 과정을 다르게 변형할 수 있다.
도 5에 도시한 바와 같이, GPS 등으로 측정된 입지 후보지 데이터를 영상 데이터 API를 통해 인공지능 입지모델에 입력한다. 그리고 입지 적합도 결과가 출력된다. 예를 들면, 입지 적합도는 유지보수 비용에 비례하여 단계별로 분류될 수 있다. 즉 분류 기준에 따라 입지 적합도는 1단계 내지 N단계로 나누어지고, 각 단계마다 적합도가 설정된다. 예를 들면, 적합도 결과가 1 단계로 나온 경우, 유지보수 비용은 최소로서 적합도가 우수인 결과를 얻는다. 그리고 적합도 결과가 2 단계로 나온 경우, 유지보수 비용은 보통으로서 적합도가 보통인 결과를 얻는다. 또한, 적합도 결과가 3 단계로 나온 경우, 유지보수 비용은 최대로서 적합도가 불량인 결과를 얻는다. 이와 같이, 인공지능 입지모델을 이용하여 신뢰성을 가진 입지 적합도 결과를 얻을 수 있다.
또한, 도 5에 도시한 바와 같이, 태양광 발전 입지의 운영 경과년에 따라 유지관리 기간으로 그 적합도 결과를 출력할 수 있다. 따라서 경과년에 따라 태양광 발전 입지의 적합도 결과가 출력되어 태양광 발전 입지 선정에 참고할 수 있다.
입지 적합도를 분류 형식에 기반한 결과로서 단계 및 등급으로 제공하는 경우, 투입된 전체 유지보수 비용 대비 설비규모, 기간에 대한 단위 유지보수 비용의 환산값을 기준으로 순위 및 범위에 따라 설비별로 입지 적합도를 분류할 수 있다. 또한, 입지 적합도의 판단 결과는 입지 선정 시스템의 결과 모니터링 방식에 따라 다양하게 제시할 수 있다. 즉, 도 5에 예시로 나타낸 바와 같이, 입지 적합도 결과를 학습 기간 정보를 반영해 설비 운영 기간에 따른 적합도 판단 및 변화 추이 등을 확인할 수 있는 형태로 제시할 수 있다.
종래의 태양광 발전 설비 입지 선정을 위한 주요 분석 요소로서 발전량 및 발전효율이 초기 발전 설비 구축에 대한 기준이었다. 이를 기초로 다양한 기상정보, 지형정보 및 투자비용 등이 주요 인자였다. 그러나 설비 구축 후에 지속적으로 운영되는 태양광 설비의 이상 및 고장에 따른 유지보수 비용이 발전 거래를 통한 수익성 악화에 많은 영향을 주는 요인으로 파악되었다. 또한, 수십년 단위의 장기 유지 관리를 고려하는 발전 설비에서는 향후 설비 운영시 투입되는 유지보수 비용을 입지 선정시 적합도 판단을 위한 기준으로 고려할 필요가 있었다. 그러나 종래의 계층 분석법 등은 비교 대상이 되는 분석 요소들의 수가 제한적이었고, 분석 일관성의 확보도 어려웠고, 실제 운영되는 실증 설비에 반영되지 않아 전술한 분석 니즈를 커버하기 어려웠다. 이와는 달리, 인공지능 입지모델에서는 이러한 분석 니즈에 맞는 해결책의 제시가 가능하다.
도 6은 본 발명의 일 실시예에 따른 태양광 발전 입지 자동 선정 시스템(100)을 개략적으로 나타낸다. 도 6의 태양광 발전 입지 자동 선정 시스템(100)의 구조는 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서 이를 다른 형태로도 변형할 수 있다.
도 6에 도시한 바와 같이, 태양광 발전 입지 자동 선정 시스템(100)은 제어부(10), 연산부(20), 입력부(30) 및 출력부(40)를 포함한다. 이외에, 태양광 발전 입지 자동 선정 시스템(100)은 필요에 따라 다른 구성요소들을 더 포함할 수 있다.
제어부(10)는 태양광 발전 입지의 위치 정보를 제공받는다. 그리고 위치 정보를 중심으로 한 주변 영역을 설정한다.
연산부(20)는 영상 정보 애플리케이션 프로그래밍 인터페이스부(201), 토지 피복 분류 데이터베이스부(203), 환경 정보 데이터베이스부(205) 및 인공지능 입지모델부(207)를 포함한다. 연산부(20)는 이외에 필요에 따라 다른 구성요소들을 더 포함할 수 있다.
영상 정보 애플리케이션 프로그래밍 인터페이스부(201)는 주변 영역의 영상 정보를 제공받는다. 즉, 태양광 발전 입지 자동 선정을 위한 데이터 학습을 위해 주변 영역의 영상 정보를 제공받는다. 영상 정보 애플리케이션 프로그래밍 인터페이스부(201)를 통하여 태양광 발전 입지의 위치 정보 기준으로 입지 및 주변 장소에 대한 토지 피복 정보를 자동으로 추출할 수 있다.
토지 피복 분류 데이터베이스부(203)는 애플리케이션 프로그래밍 인터페이스부(201)와 연결된다. 토지 피복 분류 데이터베이스부(203)는 자체 내장된 토지 피복 분류 시스템을 통하여 영상 정보를 분석한다. 그리고 주변 영역의 토지 피복 정보로 분류한다.
환경 정보 데이터베이스부(205)는 주변 영역의 환경 정보를 제공받는다. 환경 정보 데이터베이스부(205)는 주변 영역의 환경 정보를 제공받아 이를 저장한다.
인공지능 입지모델부(207)는 토지 피복 분류 데이터베이스부(203), 환경 정보 데이터베이스부(205) 및 제어부(10)와 연결된다. 인공지능 입지모델부(207)는 제어부(10)의 제어 신호에 따라 토지 피복 분류 데이터베이스부(203)로부터 분류된 토지 피복 정보를 입력받고 환경 정보 데이터베이스부(205)로부터 환경 정보를 입력받아 기계 학습(machine learning)한다. 이는 딥 러닝으로 진행될 수도 있다. 인공지능 입지모델부(207)는 이러한 기계 학습을 통해 태양광 발전 입지 후보지의 적합도를 출력할 수 있도록 준비된다.
입력부(30)는 제어부(10)와 연결된다. 전술한 바와 같이 인공지능 입지모델부(207)의 기계 학습이 완료되어 인공지능 입지모델부(207)가 필요한 정보를 구비하게 되면, 입력부(30)를 통해 태양광 발전 입지 후보지가 입력된다. 이 경우, 제어부(10)는 입력 데이터를 인공지능 입지모델부(207)로 전송하여 태양광 발전 입지 후보지의 적합도 결과를 수신한다.
출력부(40)는 제어부(10)와 연결된다. 출력부(40)는 인공지능 입지모델부(207)를 통해 태양광 발전 입지 후보지의 적합도 결과를 출력한다.
본 발명을 앞서 기재한 바에 따라 설명하였지만, 다음에 기재하는 특허청구범위의 개념과 범위를 벗어나지 않는 한, 다양한 수정 및 변형이 가능하다는 것을 본 발명이 속하는 기술 분야에서 종사하는 자들은 쉽게 이해할 것이다.
10. 제어부
20. 연산부
30. 입력부
40. 출력부
100. 태양광 발전 입지 자동 선정 시스템
201. 영상 정보 애플리케이션 프로그래밍 인터페이스부
203. 토지 피복 분류 데이터베이스부
205. 환경 정보 데이터베이스부
207. 인공지능 입지모델부
20. 연산부
30. 입력부
40. 출력부
100. 태양광 발전 입지 자동 선정 시스템
201. 영상 정보 애플리케이션 프로그래밍 인터페이스부
203. 토지 피복 분류 데이터베이스부
205. 환경 정보 데이터베이스부
207. 인공지능 입지모델부
Claims (20)
- 태양광 발전 입지의 위치 정보를 제공하는 단계,
상기 위치 정보를 중심으로 한 주변 영역을 설정하는 단계,
상기 주변 영역의 영상 정보를 제공하는 단계,
상기 영상 정보를 분석하여 상기 주변 영역의 토지 피복 정보를 분류하는 단계,
상기 토지 피복 정보를 학습하도록 적용된 인공지능 입지모델을 생성하는 단계, 및
상기 인공지능 입지모델에 태양광 발전 입지 후보지 데이터를 입력해 입지 적합도 결과를 출력하는 단계
를 포함하는 태양광 발전 입지 자동 선정 방법. - 제1항에서,
상기 주변 영역의 환경 정보를 제공하는 단계를 더 포함하고,
상기 인공지능 입지모델을 생성하는 단계에서, 상기 인공지능 입지모델이 상기 영상 정보와 함께 상기 환경 정보를 학습하도록 적용되는 태양광 발전 입지 자동 선정 방법. - 제2항에서,
상기 환경 정보는 날씨 정보이고, 상기 날씨 정보는 일사량, 온도, 습도, 강수, 전운량, 강수량, 평균기온 및 대기 불투명도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함하는 태양광 발전 입지 자동 선정 방법. - 제2항에서,
상기 환경 정보는 지형 정보이고, 상기 지형 정보는 고도, 경사향 및 경사도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함하는 태양광 발전 입지 자동 선정 방법. - 제2항에서,
상기 환경 정보는 염분을 포함하는 태양광 발전 입지 자동 선정 방법. - 제2항에서,
상기 환경 정보는 실제값으로 학습하도록 적용된 태양광 발전 입지 자동 선정 방법. - 제1항에서,
상기 인공지능 입지모델을 생성하는 단계에서, 상기 토지 피복 정보에서 분류된 농지, 나지, 산지, 초지, 시가화, 수역 및 습지가 각각 인덱스 1 내지 인덱스 7로 레이블링되어 학습하도록 적용된 태양광 발전 입지 자동 선정 방법. - 제1항에서,
상기 주변 영역을 설정하는 단계에서, 상기 주변 영역은 상기 중심으로부터 10km 이하의 거리로 설정하는 태양광 발전 입지 자동 선정 방법. - 제1항에서,
상기 입지 적합도 결과를 출력하는 단계에서, 상기 입지 적합도 결과는 상기 태양광 발전 입지의 유지보수 비용에 비례하여 출력되는 태양광 발전 입지 자동 선정 방법. - 제9항에서,
상기 입지 적합도 결과는 상기 태양광 발전 입지의 운영 경과년에 따라 유지관리 기간으로 출력되는 태양광 발전 입지 자동 선정 방법. - 태양광 발전 입지의 위치 정보를 제공받고, 상기 위치 정보를 중심으로 한 주변 영역을 설정하는 제어부,
상기 주변 영역의 영상 정보를 제공받는 영상 정보 애플리케이션 프로그래밍 인터페이스부,
상기 애플리케이션 프로그래밍 인터페이스부와 연결되고, 상기 영상 정보를 분석해 상기 주변 영역의 토지 피복 정보로 분류하는 토지 피복 분류 데이터베이스부,
상기 토지 피복 분류 데이터베이스부 및 상기 제어부와 연결되어 상기 분류된 토지 피복 정보를 입력받아 학습되는 인공지능 입지모델부,
상기 제어부와 연결되고, 태양광 발전 입지 후보지가 입력되는 입력부, 및
상기 제어부와 연결되어 상기 인공지능 입지모델부를 통해 상기 태양광 발전 입지의 적합도 결과를 출력하는 출력부
를 포함하는 태양광 발전 입지 자동 선정 시스템. - 제11항에서,
상기 주변 영역의 환경 정보를 저장하는 환경 정보 데이터베이스부를 더 포함하고,
상기 인공지능 입지모델부는 상기 분류된 토지 피복 정보와 함께 상기 환경 정보를 입력받아 학습되는 태양광 발전 입지 자동 선정 시스템. - 제12항에서,
상기 환경 정보는 날씨 정보이고, 상기 날씨 정보는 일사량, 온도, 습도, 강수, 전운량, 강수량, 평균기온 및 대기 불투명도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함하는 태양광 발전 입지 자동 선정 시스템. - 제12항에서,
상기 환경 정보는 지형 정보이고, 상기 지형 정보는 고도, 경사향 및 경사도로 이루어진 군에서 선택된 하나 이상의 파라미터를 포함하는 태양광 발전 입지 자동 선정 시스템. - 제12항에서,
상기 환경 정보는 염분을 포함하는 태양광 발전 입지 자동 선정 시스템. - 제12항에서,
상기 인공지능 입지모델부는 상기 환경 정보를 실제값으로 학습하도록 적용된 태양광 발전 입지 자동 선정 시스템. - 제11항에서,
상기 인공지능 입지모델부는 상기 토지 피복 정보에서 분류된 농지, 나지, 산지, 초지, 시가화, 수역 및 습지가 각각 인덱스 1 내지 인덱스 7로 레이블링되어 학습하도록 적용된 태양광 발전 입지 자동 선정 시스템. - 제11항에서,
상기 제어부는 상기 주변 영역을 상기 중심으로부터 10km 이하의 거리로 설정하는 태양광 발전 입지 자동 선정 시스템. - 제11항에서,
상기 출력부는 상기 태양광 발전 입지의 유지보수 비용에 비례하여 상기 입지 적합도를 출력하는 태양광 발전 입지 자동 선정 시스템. - 제11항에서,
상기 출력부는 상기 입지 적합도 결과를 상기 태양광 발전 입지의 운영 경과년에 따라 유지관리 기간으로 출력하는 태양광 발전 입지 자동 선정 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170168A KR20230082343A (ko) | 2021-12-01 | 2021-12-01 | 태양광 발전 입지 자동 선정 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170168A KR20230082343A (ko) | 2021-12-01 | 2021-12-01 | 태양광 발전 입지 자동 선정 시스템 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230082343A true KR20230082343A (ko) | 2023-06-08 |
Family
ID=86765819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210170168A KR20230082343A (ko) | 2021-12-01 | 2021-12-01 | 태양광 발전 입지 자동 선정 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230082343A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634808A (zh) * | 2023-11-30 | 2024-03-01 | 浙江省海洋科学院 | 一种通用型涉海项目立体分层选址方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140029882A (ko) | 2012-08-31 | 2014-03-11 | 한국에너지기술연구원 | 3차원 영상기반 신재생에너지 현장 평가 방법 및 평가 시스템 |
-
2021
- 2021-12-01 KR KR1020210170168A patent/KR20230082343A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140029882A (ko) | 2012-08-31 | 2014-03-11 | 한국에너지기술연구원 | 3차원 영상기반 신재생에너지 현장 평가 방법 및 평가 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634808A (zh) * | 2023-11-30 | 2024-03-01 | 浙江省海洋科学院 | 一种通用型涉海项目立体分层选址方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
| Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
| Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
| CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
| Wang et al. | Urban structure and its implication of heat stress by using remote sensing and simulation tool | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
| CN112241833A (zh) | 一种光伏发电站前期精细化选址方法 | |
| dos Santos et al. | Automated planning of rooftop PV systems with aerial image processing | |
| KR20230082343A (ko) | 태양광 발전 입지 자동 선정 시스템 및 그 방법 | |
| CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
| CN116151487B (zh) | 预测海面溢油轨迹的物理知识与数据混合驱动的预测算法 | |
| Chen et al. | Multiscale mapping of local climate zones in Tokyo using airborne LiDAR data, GIS vectors, and Sentinel-2 imagery | |
| Chen et al. | Remote sensing of diverse urban environments: From the single city to multiple cities | |
| Chao | Machine learning-based intelligent weather modification forecast in smart city potential area | |
| CN114494850A (zh) | 一种村庄无人居住院落智能识别方法及系统 | |
| Wang et al. | LLNet: Lightweight network with a channel and spatial attention mechanism for local climate zone classification from Sentinel-2 image | |
| CN113919533A (zh) | 一种基于人工智能的空气质量溯源预报方法 | |
| CN117910708B (zh) | 一种城市大气温室气体监测点位选址方法及系统 | |
| Streets et al. | Remote sensing of global change: growth in China's Jiangsu Province | |
| Kekula et al. | AN EMPIRICAL STUDY OF RELATIONSHIPS BETWEEN URBAN LIGHTING INDICATORS AND NIGHT-TIME LIGHT RADIANCE. | |
| CN117849907B (zh) | 基于多源数据的气象灾害靶向预警方法及系统 | |
| Bhandari | Urban change monitoring using GIS and remote sensing tools in Kathmandu valley (Nepal) | |
| Hattab et al. | Land Suitability Mapping for Solar Power Plant Using Remote Sensing, GIS-AHP and Multi-Criteria Decision Approach: A Case of Karbala, Iraq | |
| OG et al. | Land use land cover change monitoring and prediction in Makurdi local government area, Nigeria, using remote sensing and GIS techniques |