KR20230101680A - 태양광 발전량 예측 방법 및 장치 - Google Patents

Abstract

태양광 발전량 예측 방법 및 장치를 개시한다.
태양광 발전량을 예측하기 위한 다중입력 모델(multi-input model)을 학습시키는 방법으로서, 일시(date and time)별 기상 실측데이터(weather observation data)를 수집하는 과정; 상기 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 과정; 상기 기상 조정데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성하는 과정; 및 상기 학습데이터를 기초로 발전량 예측모델을 학습시키는 과정을 포함하는, 발전량 예측모델 학습방법을 개시한다.

Description

태양광 발전량 예측 방법 및 장치 {Method And Apparatus for Prediction Solar Power Generation}

본 개시는 태양광 발전량 예측 방법 및 장치에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 개시에 대한 배경정보를 제공할 뿐 종래기술을 구성하는 것이 아니다.

재생에너지(renewable energy)의 일부로서, 태양광 발전(solar photovoltaic power generation)이 있다. 태양광 발전은, 광 기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 광을 전기 에너지로 변환한다. 태양광 발전은, 날씨 및 기후 등 환경적 요인에 영향을 많이 받는다. 태양광 발전소 하나를 설치하는 데 막대한 자본이 투입되므로, 지역별 날씨 및 기후에 따라 태양광 발전량을 예측하여, 태양광 발전소를 설치할 최적의 지역을 선정하여야 할 필요성이 있다.

종래기술은, 딥러닝(deep learning)을 기반으로 한 단일입력 모델을 단일의 입력 사이즈(input size)를 기초로 학습시키기 때문에, 짧은 길이의 입력 사이즈에서 발견되는 시계열 특성과 긴 길이의 입력 사이즈에서 발견되는 시계열 특성이 모두 반영되지 못하는 문제점이 있다.

본 개시의 일 실시예에 따른 태양광 발전량 예측방법은, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터를 발전량 예측모델에 입력하여 예측시점의 태양광 발전량 예측데이터를 생성할 수 있다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 실시예에 따르면, 태양광 발전량을 예측하기 위한 다중입력 모델(multi-input model)을 학습시키는 방법으로서, 일시(date and time)별 기상 실측데이터(weather observation data)를 수집하는 과정; 상기 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 과정; 상기 기상 조정데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성하는 과정; 및 상기 학습데이터를 기초로 발전량 예측모델을 학습시키는 과정을 포함하는, 발전량 예측모델 학습방법을 제공한다.

본 개시의 일 실시예에 따르면, 다중입력 모델(multi-input model)을 이용하여 태양광 발전량을 예측하는 방법으로서, 기상 예보데이터(weather prediction data)를 수집하는 과정; 상기 기상 예보데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터(input data)를 생성하는 과정; 및 상기 입력데이터를 발전량 예측모델에 입력하여 예보일시에 해당하는 태양광 발전량에 대한 예측데이터를 출력하는 과정을 포함하는, 태양광 발전량 예측방법을 제공한다.

본 개시의 일 실시예에 따르면, 태양광 발전량을 예측하기 위한 다중입력 모델(multi-input model) 학습 장치로서, 일시(date and time)별 기상 실측데이터(weather observation data)를 수집하는 실측데이터 수집부(observation data collection unit); 상기 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 데이터 조정부(data manipulation unit); 상기 기상 조정데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성하는 학습데이터 생성부(learning data provision unit); 및 상기 학습데이터를 기초로 발전량 예측모델을 학습시키는 예측모델 학습부(prediction model learning unit)를 포함하는, 발전량 예측모델 학습장치를 제공한다.

본 개시의 일 실시예에 따르면, 다중입력 모델(multi-input mode)을 이용하여 태양광 발전량을 예측하는 장치로서, 기상 예보데이터(weather prediction data)를 수집하는 예보데이터 수집부(prediction data collection unit); 상기 기상 예보데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터를 생성하는 입력데이터 생성부(input data generation unit); 및 상기 입력데이터를 학습된 예측모델에 입력하여 예보일시에 해당하는 태양광 발전량에 대한 예측데이터를 생성하는 예측데이터 생성부(prediction data generation unit)을 포함하는, 태양광 발전량 예측장치를 제공한다.

일 실시예에 의하면, 태양광 발전량 예측방법은, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터를 생성함으로써, 입력 사이즈에 따른 시계열 특성을 모두 반영할 수 있으므로, 기상 예측데이터를 기초로 종래보다 더 정확한 태양광 발전량 예측데이터를 생성할 수 있다.

본 개시의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 상기의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시예에 따른 태양광 발전량 예측시스템의 구성블록도이다.
도 2는 본 개시의 일 실시예에 따른 태양광 발전량 예측방법의 순서도이다.
도 3은 본 개시의 일 실시예에 따른 기상 실측데이터에 포함되는 변수를 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따른 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 방법을 도시한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 세 개의 입력 사이즈를 갖는 입력 데이터들을 기초로 발전예측 모델을 학습시키는 과정을 도시한 예시도이다.
도 6은 본 개시의 일 실시예에 따른 다중입력 모델을 기반으로 한 태양광 발전량 예측방법의 예측 정확도와 종래의 단일입력 모델을 기반으로 한 태양광 발전량 예측방법의 예측 정확도를 비교한 도면이다.

이하, 본 개시의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

본 개시에 따른 실시예의 구성요소를 설명하는 데 있어서, 제1, 제2, i), ii), a), b) 등의 부호를 사용할 수 있다. 이러한 부호는 그 구성요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 부호에 의해 해당 구성요소의 본질 또는 차례나 순서 등이 한정되지 않는다. 명세서에서 어떤 부분이 어떤 구성요소를 '포함' 또는 '구비'한다고 할 때, 이는 명시적으로 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본 개시의 일 실시예에 따른 태양광 발전량 예측시스템의 구성블록도이다.

도 1을 참조하면, 태양광 발전량 예측시스템(solar power generation prediction system)은 발전량 예측모델 학습장치(power generation prediction model learning device, 10) 및 태양광 발전량 예측장치(solar power generation prediction device, 15)를 전부 또는 일부 포함한다.

발전량 예측모델 학습장치(10)는, 실측데이터 수집부(100), 데이터 조정부(102), 학습데이터 생성부(104), 예측모델 학습부(106), 이상값 판단부(108) 및 이상값 보정부(110)를 전부 또는 일부 포함한다.

실측데이터 수집부(100)는, 일시(date and time)별 기상 실측데이터(weather observation data)를 수집한다. 일시별 기상 실측데이터는, 과거의 날짜 및 시간에 따른 기온(temperature), 태양광 발전량(solar power generation quantity), 이슬점 온도(dew point) 및 전운량(amount of cloud) 등을 포함한다.

데이터 조정부(102)는, 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성한다. 예컨대, 2022년 7월 1일에 관측된 기상 실측데이터를 2022년 7월 1일의 기상을 예측하는 2022년 6월 23일의 예보데이터라고 조정한다. 기상 조정데이터를 생성하는 이유는, 과거의 기상 실측데이터를 수집하기 용이한 반면에, 과거의 기상 예보데이터는 수집하기 어렵기 때문이다. 이로 인해, 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성함으로써, 예보 정확도가 (100 *

) % (여기서

는 예측 정확보정치로서 0 이상 1 이하의 값을 가지며, 본 명세서에서

는 1이라고 가정함)라고 가정하여 발전량 예측모델을 학습시킬 수 있다.

학습데이터 생성부(104)는, 기상 조정데이터를 기초로 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성한다. 종래의 단일입력 모델의 경우, 단일한 입력 사이즈만을 사용할 수 있는 반면에, 본 발명의 일 실시예인 발전량 예측모델의 경우 다중입력 모델이므로, 복수의 입력 사이즈를 갖는 입력데이터를 생성할 수 있다. 예컨대, 종래기술은, 예측하고자 하는 일시의 24시간, 72시간 및 144시간 전 기상 예보데이터 중 하나만을 이용하여 단일입력 모델을 학습시킬 수 있는 반면에, 본 발명은 예측하고자 하는 일시로부터 24시간, 72시간 및 144시간 전에 해당하는 기상 조정데이터 모두를 이용하여 3개의 입력 사이즈를 갖는 학습데이터를 생성하여, 다양한 입력 사이즈를 갖는 학습데이터를 기초로 발전량 예측모델을 학습시킬 수 있다.

예측모델 학습부(106)는, 학습데이터를 기초로 발전량 예측모델을 학습시킨다.

발전량 예측모델은, 딥러닝 모델의 일종이며, CNN(Convolution Neural Network), RNN(Recurrent Neural Network) 및 LSTM(Long Short-Term Memory) 등 단일입력 모델일 수 있다. 단일입력 모델은, 하나의 입력 사이즈에 해당하는 학습데이터만을 이용하여 학습될 수 있다.

한편, 발전량 예측모델은 앙상블 모델일 수 있다. 여기서 앙상블 모델은, 다중입력 모델로서, 복수의 입력 사이즈에 해당하는 복수의 학습데이터를 이용하여 학습될 수 있다. 또한, 앙상블 모델은, 복수의 딥러닝 모델들의 결과데이터를 종합하여 최종 결과데이터를 출력하는 딥러닝 모델이다. 앙상블 모델을 이용하는 경우가 단일 딥러닝 모델을 이용하는 경우보다 정확도가 높아진다는 장점이 있다.

이상값 판단부(108)는, 기상 실측데이터에 포함된 기온(temperature), 태양광 발전량(solar power generation quantity), 이슬점 온도(dew point) 및 전운량(amount of cloud) 등의 값이 이상값인지 여부를 판단한다. 여기서 이상값이란, 결측값(missing value) 또는 통상적인 정상범위를 벗어난 값 등을 의미한다. 예컨대, 이상값 판단부(108), 0시부터 24시까지의 시간별 IQR(Inter-Quartile Range, 사분범위)을 계산하여, 시간별 IQR의 2배를 넘어가는 값은 이상값이라고 판단할 수 있다.

이상값 보정부(110)는, 이상값이라고 판단된 값들을 정상값으로 보정한다. 이상값 보정부(110)가 보정하는 방식으로는, 이상값을 시간별 평균값으로 대체하거나, 보간법(interpolation)을 기초로 이상값을 추정값으로 대체하는 방식 등이 있다.

기 설정된 기간(preset period) 동안의 기상 실측데이터에 포함된 발전량 값들이 모두 0인 경우, 이상값 판단부(108)는 이 발전량 값들을 이상값으로 판단한다. 여기서 기 설정된 기간은 설정자가 임의로 설정할 수 있으며, 17시간 이상일 수 있다. 예컨대, 2022년 7월 1일 00시부터 10시까지의 발전량 값들이 모두 0인 경우, 이상값 판단부(108)는 이 발전량 값들을 이상값이라고 판단하고, 이상값 보정부(110)는 이 값들을 제거하고 이 값들을 시간별 평균 발전량으로 대체할 수 있다.

기 설정된 발전량 최대예측시간 동안의 기상 실측데이터에 포함된 발전량 값이 기 설정된 최소값 미만인 경우, 이상값 판단부(108)는 이 발전량 값을 이상값이라고 판단한다. 여기서 발전량 최대예측시간은, 오전 10시부터 오후 2시까지일 수 있으며, 태양광의 세기가 가장 강한 시간대를 의미한다. 예컨대, 2022년 7월 1일 오전 10시에 측정된 발전량 값이 0인 경우, 이상값 판단부(108)는 2022년 7월 1일 오전 10시의 기상 실측데이터에 포함된 발전량 값이 이상값이라고 판단한다. 이 경우, 이상값 보정부(110)는, 이상값이라고 판단된 발전량 값을 시간별 평균 발전량으로 대체할 수 있다.

특정한 일시의 기상 실측데이터가 수집되지 않는 경우, 이상값 판단부(108)는, 이 기상 실측데이터에 포함된 발전량 및 기온 등을 결측값이라고 판단한다. 이 경우, 이상값 보정부(110)는 결측된 시간대 전후의 정상값들을 기초로 보간법을 이용하여 측정값을 계산하고, 이 결측값을 계산된 측정값으로 대체할 수 있다.

태양광 발전량 예측장치(15)는, 예보데이터 수집부(150), 입력데이터 생성부(152) 및 예측데이터 생성부(154)를 전부 또는 일부 포함한다.

예보데이터 수집부(150)는 기상 예보데이터를 수집한다. 여기서 기상 예보데이터는 미래의 특정일자에 해당하는 기상을 예측하는 데이터이다.

입력데이터 생성부(152)는, 기상 예보데이터를 기초로 적어도 하나의 입력 사이즈를 갖는 입력데이터를 생성한다. 예컨대, 예보일시를 기준으로, 24시간 전, 48시간 전, 72시간 전의 기상 예보데이터를 기초로 3개의 입력 사이즈를 갖는 입력데이터들을 생성할 수 있다.

예측데이터 생성부(154)는, 입력데이터를 학습된 발전량 예측모델에 입력하여 예보일시에 해당하는 예측데이터를 생성한다. 여기서, 입력데이터는 복수의 입력 사이즈일 수 있으나, 예측데이터는 하나의 입력 사이즈이다.

도 2는 본 개시의 일 실시예에 따른 태양광 발전량 예측방법의 순서도이다.

실측데이터 수집부(100)는 기상 실측데이터를 수집한다. 데이터 조정부(102)는 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성한다(S200).

학습데이터 생성부(104)는 기상 조정데이터를 기초로 적어도 하나의 입력 사이즈를 갖는 학습데이터를 생성한다(S202).

예측모델 학습부(106)는 학습데이터를 기초로 발전량 예측모델을 학습시킨다(S204).

예보데이터 수집부(150)는 기상 예보데이터를 수집한다(S206).

입력데이터 생성부(152)는 기상 예보데이터를 기초로 적어도 하나의 입력 사이즈를 갖는 입력데이터를 생성한다(S208).

예측데이터 생성부(154)는 입력데이터를 학습된 예측모델에 입력하고, 학습된 예측모델로부터 예보일시의 태양광 발전량을 예측하는 예측데이터를 생성한다(S210).

도 3은 본 개시의 일 실시예에 따른 기상 실측데이터에 포함되는 변수를 도시한 도면이다.

도 3을 참조하면, 기상 실측데이터는 일시별 발전량, 기온, 습도, 이슬점 온도, 일사량 및 전운량 등 날씨에 영향을 미치는 변수들을 포함한다. 기상 실측데이터는, 도 3에 도시된 변수들 이외에도 날씨에 영향을 미치는 변수들을 더 포함할 수 있다.

도 4는 본 개시의 일 실시예에 따른 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 방법을 도시한 예시도이다.

도 4를 참조하면, 데이터 조정부(102)는, 2016년 12월 14일 14시의 기상 실측데이터(400)의 날짜를 2016년 12월 13일 14시의 기상 예보데이터(402)로 조정한다. 즉, 데이터 조정부(102)는, 2016년 12월 14일 14시에 관측된 기상 실측데이터(400)를 2016년 12월 13일 14시를 기점으로 24시간 이후의 날씨를 예측하는 기상 예보데이터(402)로 조정한다. 이 경우, 조정된 기상 예보데이터(402)의 발전량은 140.631로서, 2016년 12월 13일 14시의 기상 실측데이터의 발전량과 동일하게 조정하여, 발전량 예측 확률이 100 % 가 되도록 한다.

도 5는 본 개시의 일 실시예에 따라 세 개의 입력 사이즈를 갖는 입력 데이터들을 기초로 발전예측 모델을 학습시키는 과정을 도시한 예시도이다.

도 5를 참조하면, 발전량 예측모델은, 세 개의 LSTM 모델을 기초로 설계되었으나, LSTM 뿐만 아니라 CNN, RNN 및 GRU 등을 조합한 앙상블 모델일 수 있다. 학습데이터는 세 개의 입력 사이즈를 가지며, 각 입력 사이즈를 기초로 24인 학습데이터(500), 72인 학습데이터(502) 및 168인 학습데이터(504)를 이용하여 발전량 예측모델을 학습시킨다. 즉, 복수의 입력 사이즈에 해당하는 학습데이터를 기초로 발전량 예측모델을 학습시킴으로써, 긴 입력 사이즈의 시계열 특성 및 짧은 입력 사이즈의 시계열 특성이 모두 반영될 수 있다.

도 6은 본 개시의 일 실시예에 따른 다중입력 모델을 기반으로 한 태양광 발전량 예측방법의 예측 정확도와 종래의 단일입력 모델을 기반으로 한 태양광 발전량 예측방법의 예측 정확도를 비교한 도면이다.

도 6을 참조하면, 단일입력 모델인 CNN, RNN 및 LSTM 모델 각각을 이용하여 태양광 발전량을 예측한 그래프, 다중입력 모델인 LSTM 모델 세 개를 앙상블한 모델을 이용하여 태양광 발전량을 예측한 그래프 및 실제 발전량 그래프가 도시되어 있다. 단일입력 모델을 이용하여 태양광 발전량을 예측한 값보다 다중입력 모델을 이용하여 태양광 발전량을 예측한 값이 실제 발전량 값과 더 근사한 값에 해당하는 것을 알 수 있다. 즉, 다중입력 모델을 이용함으로써, 입력 사이즈에 따른 시계열 특성이 모두 반영되므로, 단일입력 모델을 이용한 경우보다 태양광 발전량 값을 더 정확하게 예측할 수 있다.

본 발명에 따른 장치 또는 방법의 각 구성요소는 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 각 구성요소의 기능이 소프트웨어로 구현되고 마이크로프로세서가 각 구성요소에 대응하는 소프트웨어의 기능을 실행하도록 구현될 수도 있다.

본 명세서에 설명되는 시스템들 및 기법들의 다양한 구현예들은, 디지털 전자 회로, 집적회로, FPGA(field programmable gate array), ASIC(application specific integrated circuit), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합으로 실현될 수 있다. 이러한 다양한 구현예들은 프로그래밍가능 시스템 상에서 실행 가능한 하나 이상의 컴퓨터 프로그램들로 구현되는 것을 포함할 수 있다. 프로그래밍가능 시스템은, 저장 시스템, 적어도 하나의 입력 디바이스, 그리고 적어도 하나의 출력 디바이스로부터 데이터 및 명령들을 수신하고 이들에게 데이터 및 명령들을 전송하도록 결합되는 적어도 하나의 프로그래밍가능 프로세서(이것은 특수 목적 프로세서일 수 있거나 혹은 범용 프로세서일 수 있음)를 포함한다. 컴퓨터 프로그램들(이것은 또한 프로그램들, 소프트웨어, 소프트웨어 애플리케이션들 혹은 코드로서 알려져 있음)은 프로그래밍가능 프로세서에 대한 명령어들을 포함하며 "컴퓨터가 읽을 수 있는 기록매체"에 저장된다.

컴퓨터가 읽을 수 있는 기록매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는 기록매체는 ROM, CD-ROM, 자기 테이프, 플로피디스크, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등의 비휘발성(non-volatile) 또는 비일시적인(non-transitory) 매체일 수 있으며, 또한 데이터 전송 매체(data transmission medium)와 같은 일시적인(transitory) 매체를 더 포함할 수도 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.

본 명세서의 흐름도/타이밍도에서는 각 과정들을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 개시의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 개시의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 흐름도/타이밍도에 기재된 순서를 변경하여 실행하거나 각 과정들 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 흐름도/타이밍도는 시계열적인 순서로 한정되는 것은 아니다.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

10: 발전량 예측모델 학습장치
15: 태양광 발전량 예측장치

Claims (14)

1. 태양광 발전량을 예측하기 위한 다중입력 모델(multi-input model)을 학습시키는 방법으로서,
   일시(date and time)별 기상 실측데이터(weather observation data)를 수집하는 과정;
   상기 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 과정;
   상기 기상 조정데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성하는 과정; 및
   상기 학습데이터를 기초로 발전량 예측모델을 학습시키는 과정;
   을 포함하는, 발전량 예측모델 학습방법.
2. 제1항에 있어서,
   상기 기상 실측데이터에 포함된 이상값(abnormal value)을 판단하는 과정; 및
   상기 이상값을 보정하는 과정을 더 포함하는, 발전량 예측모델 학습방법.
3. 제2항에 있어서,
   상기 판단하는 과정은, 기 설정된 기간(preset period) 동안의 기상 실측데이터들에 포함된 발전량 값들이 모두 0인 경우, 상기 발전량 값들을 상기 이상값이라고 판단하고,
   상기 보정하는 과정은, 상기 발전량 값들을 시간별 평균 발전량으로 대체하는, 발전량 예측모델 학습방법.
4. 제2항에 있어서,
   기 설정된 발전량 최대예측시간(preset power geneneration maximum prediction time) 동안의 기상 실측데이터에 포함된 발전량 값이 기 설정된 최소값 미만인 경우, 상기 판단하는 과정은, 상기 발전량을 상기 이상값이라고 판단하고,
   상기 보정하는 과정은, 상기 발전량 값을 시간별 평균 발전량 값으로 대체하는, 발전량 예측모델 학습방법.
5. 제2항에 있어서,
   특정한 일시의 기상 실측데이터가 수집되지 않는 경우, 상기 판단하는 과정은 상기 특정한 일시의 기상 실측데이터를 상기 이상값이라고 판단하고,
   상기 보정하는 과정은, 보간(interpolation)을 이용하여 상기 특정한 일시의 기상 실측데이터를 생성하는, 발전량 예측모델 학습방법.
6. 제1항에 있어서,
   상기 발전량 예측모델은, 적어도 하나의 딥러닝 모델을 조합한 앙상블 모델인 것을 특징으로 하는, 발전량 예측모델 학습방법.
7. 다중입력 모델(multi-input model)을 이용하여 태양광 발전량을 예측하는 방법으로서,
   기상 예보데이터(weather prediction data)를 수집하는 과정;
   상기 기상 예보데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터(input data)를 생성하는 과정; 및
   상기 입력데이터를 발전량 예측모델에 입력하여 예보일시에 해당하는 태양광 발전량에 대한 예측데이터를 출력하는 과정
   을 포함하는, 태양광 발전량 예측방법.
8. 태양광 발전량을 예측하기 위한 다중입력 모델(multi-input model) 학습 장치로서,
   일시(date and time)별 기상 실측데이터(weather observation data)를 수집하는 실측데이터 수집부(observation data collection unit);
   상기 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 데이터 조정부(data manipulation unit);
   상기 기상 조정데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성하는 학습데이터 생성부(learning data provision unit); 및
   상기 학습데이터를 기초로 발전량 예측모델을 학습시키는 예측모델 학습부(prediction model learning unit)
   를 포함하는, 발전량 예측모델 학습장치.
9. 제8항에 있어서,
   상기 기상 실측데이터에 포함된 이상값(abnormal value)을 판단하는 이상값 판단부(abnormal value determination unit); 및
   상기 이상값을 보정하는 이상값 보정부(abnormal value correction unit)를 더 포함하는, 발전량 예측모델 학습장치.
10. 제9항에 있어서,
    상기 이상값 판단부는, 기 설정된 기간(preset period) 동안의 기상 실측데이터들에 포함된 발전량 값들이 모두 0인 경우, 상기 발전량 값들을 상기 이상값이라고 판단하고,
    상기 이상값 보정부는, 상기 발전량 값들을 시간별 평균 발전량으로 대체하는, 발전량 예측모델 학습장치.
11. 제9항에 있어서,
    기 설정된 발전량 최대예측시간(preset power generation maximum prediction period) 동안의 기상 실측데이터에 포함된 발전량 값이 0인 경우, 상기 이상값 판단부는, 상기 발전량을 상기 이상값이라고 판단하고,
    상기 이상값 보정부는, 상기 발전량 값들을 시간별 평균 발전량으로 대체하는, 발전량 예측모델 학습장치.
12. 제9항에 있어서,
    특정한 일시의 기상 실측데이터가 수집되지 않는 경우, 상기 이상값 판단부는, 상기 특정한 일시의 기상 실측데이터를 상기 이상값이라고 판단하고,
    상기 이상값 보정부는, 보간(interpolation)을 이용하여 상기 특정한 일시의 기상 실측데이터를 생성하는, 발전량 예측모델 학습장치.
13. 제8항에 있어서,
    상기 발전량 예측모델은, 적어도 하나의 딥러닝 모델을 조합한 앙상블 모델인 것을 특징으로 하는, 발전량 예측모델 학습장치.
14. 다중입력 모델(multi-input mode)을 이용하여 태양광 발전량을 예측하는 장치로서,
    기상 예보데이터(weather prediction data)를 수집하는 예보데이터 수집부(prediction data collection unit);
    상기 기상 예보데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터를 생성하는 입력데이터 생성부(input data generation unit); 및
    상기 입력데이터를 학습된 예측모델에 입력하여 예보일시에 해당하는 태양광 발전량에 대한 예측데이터를 생성하는 예측데이터 생성부(prediction data generation unit)
    을 포함하는, 태양광 발전량 예측장치.
    

Images