WO2024151122A1 - 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법 - Google Patents

다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법 Download PDF

Info

Publication number
WO2024151122A1
WO2024151122A1 PCT/KR2024/000593 KR2024000593W WO2024151122A1 WO 2024151122 A1 WO2024151122 A1 WO 2024151122A1 KR 2024000593 W KR2024000593 W KR 2024000593W WO 2024151122 A1 WO2024151122 A1 WO 2024151122A1
Authority
WO
WIPO (PCT)
Prior art keywords
solar power
artificial intelligence
power generation
deep learning
intelligence model
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2024/000593
Other languages
English (en)
French (fr)
Inventor
서동준
김보우
황준화
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of KNU
Original Assignee
Industry Academic Cooperation Foundation of KNU
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 Industry Academic Cooperation Foundation of KNU filed Critical Industry Academic Cooperation Foundation of KNU
Publication of WO2024151122A1 publication Critical patent/WO2024151122A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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

Definitions

  • the present invention relates to an artificial intelligence model system for predicting solar power generation based on multiple data and a control method thereof.
  • renewable energy generation including solar power and wind power, is expected to increase to up to 85% of the global electricity mix by 2050.
  • solar power generation can better preserve the surrounding environment, and its installation and operating costs are low.
  • direct current electricity is produced through the photoelectric effect that occurs when sunlight is absorbed by solar panels, so it has the advantage of being an infinite resource.
  • the technical problem to be solved by the present invention is to provide a precise and lightweight solar power generation prediction model that can be used to manage the power grid system stably and efficiently and establish a power supply and demand plan, as well as reflecting spatiotemporal information.
  • An artificial intelligence model system for predicting solar power generation based on multiple data includes at least one satellite image of the area where the solar power plant is installed, power generation information of the solar power plant, and weather information for the area.
  • An input module that receives numerical data including, a controller that sets a target area including a solar power plant and a surrounding area surrounding the target area in the cloud satellite image and dust satellite image included in at least one satellite image, clouds and
  • An image processing module that learns spatial information by compositing the target area and surrounding area for each dust satellite image and deep learning the image, and learns spatiotemporal information by deep learning each cloud and dust satellite image using a CNN-LSTM combination neural network.
  • deep learning is performed on the result data of the deep learning performed in the digital weather prediction module and image processing module, which learns time information by deep learning the numerical data using an LSTM neural network, and the power generation amount of the solar power plant is calculated.
  • an artificial intelligence module that creates an artificial intelligence model for prediction.
  • the input module receives continuous frames of satellite images captured over a predetermined time and a series of numerical data measured at predetermined time intervals for a predetermined time, and weather information includes temperature, Includes data on humidity and air pollutants.
  • the controller sets the target area in the form of a square that has a predetermined size and includes the solar power plant with the solar power plant at the center, and the surrounding area is set to the target area with the target area as the center. It is set in the form of a plurality of squares with a predetermined size and radially surrounding.
  • the image processing module includes an autoencoder-based encoder and a decoder, and the encoder measures the target area and surroundings for each of the cloud satellite image and the dust satellite image.
  • the data for the region is synthesized by performing a dot product operation and passing it through a convolution layer and a concatenate layer, and the decoder performs image deep learning by decoding the output value from the encoder.
  • the image processing module provides continuous frames for cloud satellite images to the CNN neural network among the CNN-LSTM combined neural networks to deep learn spatial information and provides continuous frames to the LSTM neural network.
  • Deep learn temporal information deep learn spatial information by providing continuous frames of dust satellite images to the CNN neural network
  • deep learn temporal information by providing continuous frames to the LSTM neural network.
  • the numerical weather prediction module provides deep learning of temporal information by providing a series of numerical data to an LSTM neural network.
  • the artificial intelligence module includes result data for cloud satellite images performed in the image processing module, result data for dust satellite images, and results for numerical data performed in the numerical weather prediction module.
  • result data for cloud satellite images performed in the image processing module
  • result data for dust satellite images results for numerical data performed in the numerical weather prediction module.
  • control method of the artificial intelligence model system for predicting solar power generation based on multiple data includes at least one satellite image of the area where the solar power plant is installed and the solar power plant by an input module.
  • the image processing module synthesizes the target area and the surrounding area for each cloud and dust satellite image to learn spatial information through image deep learning, and uses a CNN-LSTM combination neural network to learn the spatial information
  • it includes a computer-readable recording medium on which a program for executing a control method of an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention is recorded.
  • the artificial intelligence model system and its control method for predicting solar power generation based on multiple data according to the present invention can not only be used for stable and efficient management of the power grid system and establishment of power supply and demand plans, but can also be used to establish precise power supply and demand plans by reflecting spatiotemporal information. and provide a lightweight solar power generation prediction model.
  • Figure 1 is a diagram showing the components of an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • Figure 2 is a diagram illustrating a control method of an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • Figure 3 is a diagram of a satellite image and map of an area where a solar power plant is installed according to an embodiment of the present invention.
  • Figure 4 is a diagram showing the image deep learning process of synthesizing a target area and a surrounding area according to an embodiment of the present invention.
  • Figure 5 is a diagram illustrating the learning process of image deep learning, CNN-LSTM combination neural network and LSTM neural network, and artificial intelligence model that synthesizes target area and surrounding area according to an embodiment of the present invention.
  • Figure 6 is a chart for comparing the performance of an artificial intelligence model using an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • Figure 7 is a graph for comparing the performance of an artificial intelligence model using an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • the expression “same” in the description may mean “substantially the same.” In other words, it may be identical to the extent that a person with ordinary knowledge can understand that it is the same. Other expressions may also be expressions where “substantially” is omitted.
  • ' ⁇ unit' refers to a unit that processes at least one function or operation, and may mean, for example, software, FPGA, or hardware components.
  • the functions provided in ' ⁇ part' may be performed separately by multiple components, or may be integrated with other additional components.
  • the ' ⁇ part' in this specification is not necessarily limited to software or hardware, and may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors.
  • Figure 1 is a diagram showing the components of an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • Figure 2 is a diagram illustrating a control method of an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • the artificial intelligence model system (1) for predicting solar power generation based on multiple data includes an input module (10), a controller (11), an image processing module (12), and a numerical weather prediction module ( 13), and may include an artificial intelligence module (14).
  • the artificial intelligence model system 1 for predicting solar power generation based on the multi-data, it may include fewer or more components than the components shown in FIG. 1.
  • the input module 10 can receive at least one satellite image (Satellite Image Date, see FIGS. 2 and 3) of the area where the solar power plant is installed.
  • satellite Image Date see FIGS. 2 and 3
  • the satellite image (Satellite Image Date) is a cloud satellite image (see Figures 2 and 3) and a dust satellite image (PM Image, Figures 2 and 3) taken using a satellite above the area where the solar power plant is installed. (see Figure 3) may include.
  • a satellite image may be provided from the National Meteorological Satellite Center and may be a continuous frame of infrared images captured over a predetermined period of time by an artificial satellite.
  • the input module 10 inputs numerical data (Numerical Date, see FIG. 2) including power generation information of the solar power plant and weather information for the area where the solar power plant is installed at predetermined time intervals (for example, , can be entered in 1-hour increments.
  • numerical data may be provided from the Meteorological Data Open Portal, Air Korea, and public data portals, and may include data on temperature, humidity, air pollutants, and solar power plant power generation. there is.
  • the controller 11 selects a target area (ROI, see FIG. 2) and a target area (ROI) including a solar power plant in a cloud satellite image (Cloud Image) and a dust satellite image (PM Image) included in at least one satellite image. You can set the surrounding area (ROIsurr) surrounding the .
  • ROI target area
  • cloud Image cloud satellite image
  • PM Image dust satellite image
  • the controller 11 may set a square shape centered on a solar power plant and having sides of a predetermined length as the target area (ROI, red square in FIG. 2).
  • the controller 11 radially surrounds the target area (ROI) with the target area (ROI) as the center and can set a plurality of square shapes with sides of a predetermined length as the surrounding area (ROIsurr, mint-colored square in FIG. 2). .
  • the sizes of the target area (ROI) and surrounding area (ROIsurr) can be set in various ways.
  • the target area (ROI) can be set to one of the following sizes: 10*10 pixels, 20*20 pixels, 30*30 pixels, 40*40 pixels, and 50*50 pixels.
  • the surrounding area (ROIsurr) can be set to one of the sizes of 30*30 pixels, 60*60 pixels, 120*120 pixels, and 150*150 pixels.
  • the image processing module (12, Image Process Module, see Figure 2) can perform image deep learning and learn spatial information by combining the target area (ROI) and surrounding area (ROIsurr) for each cloud and dust satellite image. .
  • the image processing module 12 can perform deep learning on the spatiotemporal information of each cloud and dust satellite image and learn the spatiotemporal information using a CNN-LSTM combination neural network.
  • the numerical weather prediction module (13, NWP Process Module) can perform deep learning on the temporal information of numerical data and learn temporal information using an LSTM neural network. The specific process of learning the above-described time information in the numerical weather prediction module 13 will be described in detail in FIG. 5B below.
  • the artificial intelligence module 14 performs deep learning on the result data of deep learning performed in the image processing module 12 and the numerical weather prediction module 13 using an LSTM neural network and calculates the power generation amount (PV) of the solar power plant ( Figure 2). reference) can be predicted.
  • PV power generation amount
  • the artificial intelligence module 14 of the artificial intelligence model system 1 for predicting solar power generation based on multiple data of the present invention is the result of deep learning performed in the image processing module 12 and the numerical weather prediction module 13. Deep learning is performed using data, and spatial and temporal information of clouds, dust, temperature, humidity, and air pollutants that can affect solar power generation can be reflected, so precise and lightweight solar power generation prediction is possible. It could be a model.
  • Figure 3 is a diagram of a satellite image and map of an area where a solar power plant is installed according to an embodiment of the present invention.
  • Figure 3a is a cloud satellite image (Cloud Image) taken from a satellite located above the area where solar power plants are installed
  • Figure 3b is a dust satellite image (PM Image) taken from a satellite located above the area where solar power plants are installed.
  • the satellite image may be provided by the National Meteorological Satellite Center and may be a continuous frame of infrared images captured over a predetermined period of time by an artificial satellite.
  • the cloud satellite image may be a near-infrared (1.38um) cirrus cloud image provided in a size of 900*900 pixels.
  • Dust satellite images are images of fine dust floating in the atmosphere and may be infrared (12.3um) satellite images.
  • the input module 10 can receive the cloud satellite image (Cloud Image) and the dust satellite image (PM Image) captured over a predetermined period of time.
  • Cloud Image cloud satellite image
  • PM Image dust satellite image
  • Figure 3c shows Incheon Metropolitan City where a solar power plant is installed according to an example of the present invention.
  • the solar power plant is a red point
  • the weather station is a blue point
  • the air pollutant observatory is a green point.
  • the input module 10 can receive data on temperature, humidity, and air pollutants in the Incheon area where solar power plants are installed from the Meteorological Data Open Portal and Air Korea.
  • the input module 10 can receive power generation data of the solar power plant from a public data portal.
  • Figure 4 is a diagram showing the process of image deep learning by combining a target area and a surrounding area according to an embodiment of the present invention.
  • Figure 4a shows the result of the controller 11 setting the target area and surrounding area in the satellite image.
  • the controller 11 may set a square shape with a predetermined size, centering on a solar power plant, and including a solar power plant in at least one cloud satellite image as the target area (ROI, red area).
  • ROI target area
  • the controller 11 sets the surrounding area (ROIsurr, mint-colored part) in the form of a plurality of squares with a predetermined size radially surrounding the target area (ROI) in at least one cloud satellite image. You can.
  • the controller 11 may set a square shape with a predetermined size, including the solar power plant as the center, as the target area (ROI) in at least one dust satellite image.
  • the controller 11 may set the surrounding area (ROIsurr) in the form of a plurality of squares with a predetermined size and radially surrounding the target area (ROI) in at least one dust satellite image.
  • Figure 4b is a diagram illustrating the process by which the image processing module 12 performs image deep learning by combining the target area and surrounding area for each cloud and dust satellite image.
  • the image processing module 12 performs an inner product operation (Dot) on data f1 for the target area (ROI) of at least one cloud satellite image set by the controller 11 and data f2 for the surrounding area (ROIsurr). proudct) and passing it through a convolution layer (conv2D 3*3) and a concatenate layer to synthesize it, deep learning can be performed.
  • Dot an inner product operation
  • ROI target area
  • ROIsurr data f2 for the surrounding area
  • proudct and passing it through a convolution layer (conv2D 3*3) and a concatenate layer to synthesize it, deep learning can be performed.
  • the image processing module 12 can learn spatial information of cloud satellite images of continuous frames over the area where the solar power plant is installed for a predetermined period of time.
  • the image processing module 12 performs deep learning by synthesizing data (f1) for the target area (ROI) and data (f2) for the surrounding area (ROIsurr) of at least one dust satellite image in the same manner as described above. can do.
  • Figure 5 is a diagram illustrating the learning process of image deep learning, CNN-LSTM combination neural network and LSTM neural network, and artificial intelligence model that synthesizes target area and surrounding area according to an embodiment of the present invention.
  • the image processing module 12 may include an autoencoder-based encoder and decoder.
  • the encoder may have four convolutional layers and a max pooling layer applied, and the decoder may have four convolutional layers and three upsampling layers applied.
  • ReLU can be used as the activation function for all convolutional layers.
  • max pooling is performed in the max pooling layer, and max pooling indices, which represent location information, can be stored.
  • the upsampling layer can perform decoding by receiving the max pooling indices stored in the encoder.
  • the target area (ROI) and surrounding area (ROIsurr) of each cloud and dust satellite image provided to the image processing module 12 are synthesized in the encoder (specifically, synthesized in the ISL (Image Synthesis Layer)), then passed through the decoder and the weights are adjusted. can be calculated.
  • the target area (ROI) and surrounding area (ROIsurr) of each satellite image of clouds and fine dust can learn and reflect spatial information through weights output through the image processing module 12.
  • this can improve boundary delineation and reduce the number of algorithm parameters by enabling end-to-end.
  • the numerical weather prediction module 13 can perform deep learning on temporal information of numerical data and learn temporal information using an LSTM neural network.
  • LSTM neural network is a type of RNN neural network and is an algorithm proposed to solve the long-term dependency problem of RNN neural network.
  • the single hidden layer of RNN consists of a cell state that stores and transmits key input information and three gates that can add and remove various information from the data, so that only important information is transmitted and learned to prevent long-term information present in the data. You can identify relationships (i.e., time information) across .
  • the artificial intelligence module 14 can perform deep learning learning using the result data of deep learning performed in the image processing module 12 and the numerical weather prediction module 13 and predict the power generation amount of the solar power plant.
  • the artificial intelligence module (14) combines the result data of deep learning performed in the image processing module (12) and the numerical weather prediction module (13) through an element-wise multiplication layer, then performs deep learning and calculates the power generation amount of the solar power plant ( PV) can be predicted.
  • Y'tPV is the predicted power generation amount of the solar power plant after 1 hour
  • class are a CNN-LSTM neural network for learning satellite images and an LSTM neural network for learning numerical data, respectively.
  • Figure 6 is a chart for comparing the performance of an artificial intelligence model using an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • Original image refers to a case where the original satellite image is directly learned
  • ROI image refers to a case where the target area (ROI) and surrounding area (ROIsurr) according to the present invention are used together.
  • mean absolute error (MAE)
  • root mean square error (RMSE)
  • SMAPE can be used to compare performance, which can be expressed as [Equation 2] to [Equation 4] below.
  • mean bias error MBE
  • coefficient of variation of the root mean square error CV(RMSE)
  • FLOPs floating point operations
  • the artificial intelligence model (Proposed) using the artificial intelligence model system for predicting solar power generation based on multiple data of the present invention has both increased prediction performance compared to other models based on MAE and RMSE. You can.
  • the prediction performance deteriorates because unnecessary spatial characteristics of the area where the solar power plant is located are excessively reflected.
  • the present inventor's artificial intelligence model (Proposed) using an artificial intelligence model system for predicting solar power generation based on multiple data shows an unrivaled performance of 0.027% in the case of MBE.
  • the artificial intelligence model (Proposed) using the artificial intelligence model system for predicting solar power generation based on multiple data of the present invention achieves weight reduction of 98.407% and 98.485% in parameters and FLOPs, respectively.
  • Figure 7 is a graph for comparing the performance of an artificial intelligence model using an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention.
  • Figure 7a shows a partial prediction of solar power generation from September 25 to 30 using an artificial intelligence model using an artificial intelligence model system for predicting solar power generation based on multiple data according to an embodiment of the present invention. It's a graph.
  • the graph of the power generation amount of the solar power plant predicted by the artificial intelligence model (Proposed) using the present inventor's artificial intelligence model system for predicting solar power generation based on multiple data is indicated by a red solid line
  • the graph of the power generation amount of the solar power plant predicted by the present invention is indicated by a black solid line. It can be confirmed that it is most similar to the actual observed solar power generation data displayed.
  • Figures 7b and 7c are tables comparing the performance of the target area (ROI) and surrounding area (ROIsurr) set to various sizes.
  • the controller 11 can set a local area centered on the area where the solar power plant is located in the satellite image in order to predict the amount of solar power generation precisely and accurately.
  • the embodiments described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components.
  • the devices, methods, and components described in the embodiments may include, for example, a processor, a controller, an Arithmetic Logic Unit (ALU), a Digital Signal Processor, a microcomputer, and a Field Programmable Gate (FPGA). It may be implemented using one or more general-purpose computers or special-purpose computers, such as an array, PLU (Programmable Logic Unit), microprocessor, or any other device that can execute and respond to instructions.
  • ALU Arithmetic Logic Unit
  • FPGA Field Programmable Gate
  • the processing device may execute an operating system and one or more software applications that run on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software. For ease of understanding, a single processing device may be described as being used; however, those skilled in the art will understand that a processing device may include multiple processing elements and/or multiple types of processing elements. You will understand that it can be included.
  • a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are also possible.
  • Software may include a computer program, code, instructions, or a combination of one or more of these, and may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device.
  • Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. It can be embodied in . Software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • Computer-readable media may include program instructions, data files, data structures, etc., singly or in combination.
  • Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CDROMs and DVDs, and ROM, RAM, and flash memory.
  • the hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템은, 태양광 발전소가 설치된 지역의 위성이미지 및 발전량 정보와 기상정보를 포함하는 수치데이터를 입력받는 입력모듈, 위성이미지에 포함된 구름 위성이미지와 먼지 위성이미지에서 타겟영역과 주변영역을 설정하는 컨트롤러, 타겟영역과 주변영역을 합성하여 이미지 딥러닝하여 공간정보를 학습하고, CNN-LSTM 조합 신경망을 이용하여 딥러닝하여 시공간정보를 학습하는 이미지 처리모듈, LSTM 신경망을 이용하여 수치데이터를 딥러닝하여 시간정보를 학습하는 수치기상 예측모듈, 딥러닝의 결과데이터를 이용하여 딥러닝을 수행하고 태양광 발전소의 발전량을 예측하기 위한 인공지능모델을 포함한다.

Description

다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법
본 발명은 다중 데이터에 기반한 태양광 발전 예측을 위한 인공지능모델 시스템과 그 제어방법에 관한 것이다.
본 발명은 산업통상자원부의 에너지인력양성사업(에특)(과제고유번호: 1415186395, 과제번호: 20224000000150, 연구과제명: 에너지산업 순환경제 전환기술 융합대학원, 과제관리기관: 한국에너지기술평가원, 과제수행기관: 경북대학교 산학협력단, 연구기간: 2023.01.01 ~ 2023.12.31, 기여율: 1/2)과 과학기술정보통신부의 집단연구지원(과제고유번호: 1711168282, 과제번호: 2021R1A5A8033165, 연구과제명: 탄소중립 지능형 에너지시스템 지역혁신선도 연구센터, 과제관리기관: 한국연구재단, 과제수행기관: 경북대학교, 연구기간: 2022.03.01 ~ 2023.02.28, 기여율: 1/2)의 일환으로 수행한 연구로부터 도출된 것이다. 한편, 본 발명의 모든 측면에서 한국 정부의 재산 이익은 없다.
최근 전세계적으로 발생하는 이상기온과 기후변화 문제에 대해 각 나라들은 새로운 정책 수립과 공동 대응하고 있다. 특히, 이상기온에 가장 큰 원인으로 주목받는 탄소 배출 문제를 해결하기 위해서 남용되는 화석연료의 사용량을 줄이기 위한 방법뿐만 아니라 천연자원의 고갈 문제를 함께 고려하고 있다.
최근에는, 신재생에너지의 비중이 점차 증가하고 있으며 2030년까지 더 빠르게 증가할 것으로 예상된다. 또한, 2050년까지 전세계 전력 구성에서 태양광 발전과 풍력 발전을 포함한 재생 에너지 발전이 전체 비중의 최대 85%까지 증가할 것으로 예상된다.
태양광 발전은 타 발전 설비 대비 주변 환경을 잘 보존할 수 있고, 설치 단가 및 운용 비용이 저렴하다. 또한, 태양광이 태양광 패널에 흡수될 때 발생하는 광전효과를 통해 직류 전기를 생산하므로 그 자원이 무한하다는 장점을 가진다.
하지만, 태양광 발전에 가장 큰 영향을 미치는 일사량은 제어할 수 없는 외부 기상요인(예를 들어, 미세먼지와 공기오염)에 의해 민감하게 반응하므로 안정적인 전력 공급 운영에 상당한 문제를 발생시킨다.
이에, 태양광 발전의 경제적 효과를 극대화시킴과 동시에, 효율적이고 안정적인 전력 수급 계획 수립을 위하여 정밀하고 정확한 태양광 발전량 예측 모델 개발이 필요한 실정이다.
본 발명이 해결하고자 하는 기술적 과제는, 전력망 시스템의 안정적이고 효율적인 관리 및 전력 수급 계획 수립하는데 이용될 수 있을 뿐만 아니라 시공간정보가 반영되어 정밀하고 경량화된 태양광 발전량 예측 모델을 제공하기 위함이다.
본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템은, 태양광 발전소가 설치된 지역의 적어도 하나의 위성이미지 및 태양광 발전소의 발전량 정보와 지역에 대한 기상정보를 포함하는 수치데이터를 입력받는 입력모듈, 적어도 하나의 위성이미지에 포함된 구름 위성이미지와 먼지 위성이미지에서 태양광 발전소를 포함하는 타겟영역과 타겟영역을 둘러싸는 주변영역을 설정하는 컨트롤러, 구름 및 먼지 위성이미지 각각에 대해 타겟영역과 주변영역을 합성하여 이미지 딥러닝하여 공간정보를 학습하고, CNN-LSTM 조합 신경망을 이용하여 구름 및 먼지 위성이미지 각각을 딥러닝하여 시공간정보를 학습하는 이미지 처리모듈, LSTM 신경망을 이용하여 수치데이터를 딥러닝하여 시간정보를 학습하는 수치기상 예측모듈 및 이미지 처리모듈 및 수치기상 예측모듈에서 수행된 딥러닝의 결과데이터를 딥러닝을 수행하고 태양광 발전소의 발전량을 예측하기 위한 인공지능모델을 생성하는 인공지능모듈을 포함한다.
또한, 본 발명의 한 실시예에 따른 입력모듈은 소정의 시간동안 촬영된 위성이미지의 연속된 프레임과 소정의 시간동안 소정의 시간 간격으로 측정된 일련의 수치데이터를 입력받고, 기상정보는 기온, 습도 및 대기오염물질에 관한 데이터를 포함한다.
또한, 본 발명의 한 실시예에 따른 컨트롤러는, 타겟영역을 태양광 발전소를 중심으로 소정의 크기를 가지며 태양광 발전소를 포함하는 정사각형의 형태로 설정하고, 주변영역을 타겟영역을 중심으로 타겟영역을 방사형으로 둘러싸며 소정의 크기를 가지는 복수 개의 정사각형 형태로 설정한다.
또한, 본 발명의 한 실시예에 따른 이미지 처리모듈은 오토인코더(autoencoder) 기반의 인코더(encoder)와 디코더(decoder)를 포함하고, 인코더는 구름 위성이미지와 먼지 위성이미지 각각에 대하여 타겟영역 및 주변영역에 대한 데이터를 내적연산(dot product)하여 콘볼루션층(convolution layer)과 결합층(concatenate layer)을 통과시켜 합성하고, 디코더는 인코더에서 출력된 출력값을 복호화하여 이미지 딥러닝을 수행한다.
또한, 본 발명의 한 실시예에 따른 이미지 처리모듈은, CNN-LSTM 조합 신경망 중 CNN 신경망에 구름 위성이미지에 대한 연속된 프레임을 제공하여 공간정보를 딥러닝하고 LSTM 신경망에 연속된 프레임을 제공하여 시간정보를 딥러닝하고, CNN 신경망에 먼지 위성이미지에 대한 연속된 프레임을 제공하여 공간정보를 딥러닝하고, LSTM 신경망에 연속된 프레임을 제공하여 시간정보를 딥러닝한다.
또한, 본 발명의 한 실시예에 따른 수치기상 예측모듈은, LSTM 신경망에 일련의 수치데이터를 제공하여 시간정보를 딥러닝한다.
또한, 본 발명의 한 실시예에 따른 인공지능 모듈은, 이미지 처리모듈에서 수행된 구름 위성이미지에 대한 결과데이터와 먼지 위성이미지에 대한 결과데이터, 및 수치기상 예측모듈에서 수행된 수치데이터에 대한 결과데이터를 제공하여 시공간정보가 반영된 발전량을 예측하기 위한 인공지능모델을 생성한다.
또한, 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 제어방법은, 입력모듈에 의해 태양광 발전소가 설치된 지역의 적어도 하나의 위성이미지 및 태양광 발전소의 발전량 정보와 지역에 대한 기상정보를 포함하는 수치데이터를 입력받는 단계, 컨트롤러에 의해 적어도 하나의 위성이미지에 포함된 구름 위성이미지와 먼지 위성이미지에서 태양광 발전소를 포함하는 타겟영역과 타겟영역을 둘러싸는 주변영역을 설정하는 단계, 이미지 처리모듈에 의해 구름 및 먼지 위성이미지 각각에 대해 타겟영역과 주변영역을 합성하여 이미지 딥러닝하여 공간정보를 학습하고, CNN-LSTM 조합 신경망을 이용하여 구름 및 먼지 위성이미지 각각을 딥러닝하여 시공간정보를 학습하는 단계, 수치기상 예측모듈에 의해 LSTM 신경망을 이용하여 수치데이터를 딥러닝하여 시간정보를 학습하는 단계 및 인공지능모듈에 의해 이미지 처리모듈 및 수치기상 예측모듈에서 수행된 딥러닝의 결과데이터를 딥러닝을 수행하여 태양광 발전소의 발전량을 예측하기 위한 인공지능모델을 생성하는 단계를 포함한다.
또한, 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 제어방법을 실행시키기 위한 프로그램이 기록된 컴퓨터로 판독가능한 기록매체를 포함한다.
본 발명에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법은, 전력망 시스템의 안정적이고 효율적인 관리 및 전력 수급 계획 수립하는데 이용될 수 있을 뿐만 아니라 시공간정보가 반영되어 정밀하고 경량화된 태양광 발전량 예측 모델을 제공할 수 있다.
도 1은 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 구성요소를 도시한 도면이다.
도 2는 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 제어방법을 도식화한 도면이다.
도 3은 본 발명의 한 실시예에 따른 태양광 발전소가 설치된 지역의 위성이미지와 지도에 관한 도면이다.
도 4는 본 발명의 한 실시예에 따른 타겟영역과 주변영역을 합성하는 이미지 딥러닝의 과정에 관한 도면이다.
도 5은 본 발명의 한 실시예에 따른 타겟영역과 주변영역을 합성하는 이미지 딥러닝, CNN-LSTM 조합 신경망 및 LSTM 신경망을 이용한 딥러닝, 및 인공지능 모델의 학습 과정을 도식화한 도면이다.
도 6은 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델의 성능을 비교하기 위한 도표이다.
도 7은 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델의 성능을 비교하기 위한 그래프이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 여러 실시 예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예들에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 따라서 앞서 설명한 참조 부호는 다른 도면에서도 사용할 수 있다.
또한, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다. 도면에서 여러 층 및 영역을 명확하게 표현하기 위하여 두께를 과장되게 나타낼 수 있다.
또한, 설명에서 "동일하다"라고 표현한 것은, "실질적으로 동일하다"는 의미일 수 있다. 즉, 통상의 지식을 가진 자가 동일하다고 납득할 수 있을 정도의 동일함일 수 있다. 그 외의 표현들도 "실질적으로"가 생략된 표현들일 수 있다.
또한, 설명에서 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. 본 명세서에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 하드웨어 구성요소를 의미할 수 있다. '~부'에서 제공하는 기능은 복수의 구성요소에 의해 분리되어 수행되거나, 다른 추가적인 구성요소와 통합될 수도 있다. 본 명세서의 '~부'는 반드시 소프트웨어 또는 하드웨어에 한정되지 않으며, 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 이하에서는 도면을 참조하여 본 발명의 실시예에 대해서 구체적으로 설명하기로 한다.
도 1은 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 구성요소를 도시한 도면이다. 도 2는 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 제어방법을 도식화한 도면이다.
이하, 도 1 및 도 2를 함께 참고하여 서술하기로 한다.
본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템(1)은 입력모듈(10), 컨트롤러(11), 이미지 처리모듈(12), 수치기상 예측모듈(13), 및 인공지능모듈(14)을 포함할 수 있다.
단, 상기 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템(1)을 구동하기 위해서 도 1에 도시된 구성요소보다 더 적은 구성요소 또는 더 많은 구성요소를 포함할 수 있다.
입력모듈(10)은 태양광 발전소가 설치된 지역의 적어도 하나의 위성이미지(Satellite Image Date, 도 2 및 도 3 참고)를 입력 받을 수 있다.
이때, 위성이미지(Satellite Image Date)는 태양광 발전소가 설치된 지역의 상공에서 위성을 이용하여 촬영된 구름 위성이미지(Cloud Image, 도 2 및 도 3 참고)와 먼지 위성이미지(PM Image, 도 2 및 도 3 참고)를 포함할 수 있다.
구체적으로, 위성이미지(Satellite Image Date)는 국가기상위성센터로부터 제공될 수 있으며 인공위성에 의해 소정의 시간동안 촬영된 적외선 이미지의 연속된 프레임일 수 있다.
입력모듈(10)은 상기 태양광 발전소의 발전량 정보 및 태양광 발전소가 설치된 지역에 대한 기상정보를 포함하는 수치데이터(Numerical Date, 도 2 참고)를 소정의 시간동안 소정의 시간간격(예를 들어, 1시간 단위로)으로 입력받을 수 있다. 구체적으로, 수치데이터(Numerical Date)는 기상 자료개방포털, Air Korea, 및 공공 데이터포털 등으로부터 제공될 수 있으며, 기온, 습도, 대기오염물질, 및 태양광 발전소의 발전량에 관한 데이터를 포함할 수 있다.
컨트롤러(11)는 적어도 하나의 위성이미지에 포함된 구름 위성이미지(Cloud Image)와 먼지 위성이미지(PM Image)에서 태양광 발전소를 포함하는 타겟영역(ROI, 도 2 참고)과 타겟영역(ROI)을 둘러싸는 주변영역(ROIsurr)을 설정할 수 있다.
구체적으로, 컨트롤러(11)는 태양광 발전소를 중심으로 태양광 발전소를 포함하며 소정의 길이의 변을 가지는 정사각형 형태를 타겟영역(ROI, 도 2의 빨간색 정사각형)으로 설정할 수 있다.
컨트롤러(11)는 타겟영역(ROI)을 중심으로 타겟영역(ROI)을 방사형으로 둘러싸며 소정의 길이의 변을 가지는 복수 개의 정사각형 형태를 주변영역(ROIsurr, 도 2의 민트색 정사각형)으로 설정할 수 있다.
이때, 타겟영역(ROI)과 주변영역(ROIsurr)의 크기는 다양하게 설정될 수 있다. 예를 들어, 타겟영역(ROI)은 10*10픽셀의 크기, 20*20픽셀의 크기, 30*30픽셀의 크기, 40*40픽셀의 크기, 50*50픽셀의 크기 중 어느 하나로 설정될 수 있다. 주변영역(ROIsurr)은 30*30픽셀의 크기, 60*60픽셀의 크기, 120*120픽셀의 크기, 150*150 픽셀의 크기 중 어느 하나로 설정될 수 있다.
이미지 처리모듈(12, Image Process Module, 도 2 참고)은 구름 및 먼지 위성이미지 각각에 대해 타겟영역(ROI)과 주변영역(ROIsurr)을 합성하여 이미지 딥러닝을 수행하고 공간정보를 학습할 수 있다.
이미지 처리모듈(12)은 CNN-LSTM 조합 신경망을 이용하여 구름 및 먼지 위성이미지 각각의 시공간정보에 대한 딥러닝을 수행하고 시공간정보를 학습할 수 있다.
이미지 처리모듈(12)에서 상술한 공간정보와 시공간정보를 학습하는 구체적인 과정은 이하 도 5a에서 구체적으로 서술하기로 한다.
수치기상 예측모듈(13, NWP Process Module)은 LSTM 신경망을 이용하여 수치데이터의 시간정보에 대한 딥러닝을 수행하고 시간정보를 학습할 수 있다. 수치기상 예측모듈(13)에서 상술한 시간정보를 학습하는 구체적인 과정은 이하 도 5b에서 구체적으로 서술하기로 한다.
인공지능 모듈(14)은 이미지 처리모듈(12) 및 수치기상 예측모듈(13)에서 수행된 딥러닝의 결과데이터를 LSTM 신경망을 이용하여 딥러닝을 수행하고 태양광 발전소의 발전량(PV, 도 2 참고)을 예측할 수 있다.
이때, 본 발명인 다중 데이터에 기반한 태양광 발전 예측을 위한 인공지능 모델 시스템(1)의 인공지능 모듈(14) 은 이미지 처리모듈(12) 및 수치기상 예측모듈(13)에서 수행된 딥러닝의 결과데이터를 이용하여 딥러닝을 수행하고, 태양광 발전량에 영향을 줄 수 있는 구름, 먼지, 기온, 습도, 및 대기오염물질의 공간정보와 시간정보가 반영될 수 있으므로 정밀하고 경량화된 태양광 발전량 예측 모델일 수 있다.
도 3은 본 발명의 한 실시예에 따른 태양광 발전소가 설치된 지역의 위성이미지와 지도에 관한 도면이다.
도 3a는 태양광 발전소가 설치된 지역의 상공에 위치한 위성에서 촬영한 구름 위성이미지(Cloud Image)이고, 도 3b는 태양광 발전소가 설치된 지역의 상공에 위치한 위성에서 촬영한 먼지 위성이미지(PM Image)이다.
구체적으로, 위성이미지는 국가기상위성센터로부터 제공될 수 있으며 인공위성에 의해 소정의 시간동안 촬영된 적외선 이미지의 연속된 프레임일 수 있다.
이때, 구름 위성이미지는 900*900 픽셀의 크기로 제공되는 근적외(1.38um) 권운 이미지일 수 있다. 먼지 위성이미지는 대기 중에 부유중인 미세먼지 등을 촬영한 것으로서 적외선(12.3um) 위성이미지일 수 있다.
입력모듈(10)은 소정의 시간동안 촬영된 상기 구름 위성이미지(Cloud Image)와 먼지 위성이미지(PM Image)를 입력받을 수 있다.
도 3c는 본 발명의 일 예에 따라 태양광 발전소가 설치된 인천광역시가 도시된다.
도 3c를 참고하면 태양광 발전소는 빨간색 지점이고, 기상 관측소는 파란색 지점이고, 대기오염물질 관측소는 녹색 지점이다.
입력모듈(10)은 태양광 발전소가 설치된 인천 지역의 기온, 습도 및 대기오염물질에 관한 데이터를 기상자료개방포털과 Air Korea로부터 입력받을 수 있다. 입력모듈(10)은 상기 태양광 발전소의 발전량 데이터를 공공데이터포털로부터 입력받을 수 있다.
도 4는 본 발명의 한 실시예에 따른 타겟영역과 주변영역을 합성한 이미지 딥러닝의 과정에 관한 도면이다.
도 4a는 컨트롤러(11)가 위성이미지에 타겟영역과 주변영역을 설정한 결과이다.
컨트롤러(11)는 적어도 하나의 구름 위성이미지에서 태양광 발전소를 중심으로 태양광 발전소를 포함하며 소정의 크기를 가지는 정사각형 형태를 타겟영역(ROI, 빨간색 부분)으로 설정할 수 있다.
컨트롤러(11)는 적어도 하나의 구름 위성이미지에서 타겟영역(ROI)을 중심으로 타겟영역(ROI)을 방사형으로 둘러싸며 소정의 크기를 가지는 복수 개의 정사각형 형태를 주변영역(ROIsurr, 민트색 부분)을 설정할 수 있다.
컨트롤러(11)는 적어도 하나의 먼지 위성이미지에서 태양광 발전소를 중심으로 태양광 발전소를 포함하며 소정의 크기를 가지는 정사각형 형태를 타겟영역(ROI)으로 설정할 수 있다.
컨트롤러(11)는 적어도 하나의 먼지 위성이미지에서 타겟영역(ROI)을 중심으로 타겟영역(ROI)을 방사형으로 둘러싸며 소정의 크기를 가지는 복수 개의 정사각형 형태를 주변영역(ROIsurr)을 설정할 수 있다.
도 4b는 이미지 처리모듈(12)이 구름 및 먼지 위성이미지 각각에 대해 타겟영역과 주변영역을 합성하여 이미지 딥러닝을 수행하는 과정을 도식화한 도면이다.
이미지 처리모듈(12)은 컨트롤러(11)에 의해 설정된 적어도 하나의 구름 위성이미지의 타겟영역(ROI)에 대한 데이터(f1)와 주변영역(ROIsurr)에 대한 데이터(f2)를 서로 내적 연산(Dot proudct)하고 콘볼루션층(convolution layer, conv2D 3*3)과 결합층(concatenate layer)을 통과시켜 합성하여 딥러닝을 수행할 수 있다.
상술한 과정을 통해 이미지 처리모듈(12)은 소정의 시간 동안 태양광 발전소가 설치된 지역의 상공에 대한 연속된 프레임의 구름 위성이미지의 공간정보를 학습할 수 있다.
이미지 처리모듈(12)은 상술한 방법과 동일하게 적어도 하나의 먼지 위성이미지의 타겟영역(ROI)에 대한 데이터(f1)와 주변영역(ROIsurr)에 대한 데이터(f2)를 합성하여 딥러닝을 수행할 수 있다.
도 5은 본 발명의 한 실시예에 따른 타겟영역과 주변영역을 합성하는 이미지 딥러닝, CNN-LSTM 조합 신경망 및 LSTM 신경망을 이용한 딥러닝, 및 인공지능 모델의 학습 과정을 도식화한 도면이다.
도 2 및 5를 함께 참고하면, 이미지 처리모듈(12)은 오토인코더(autoencoder) 기반의 인코더(encoder)와 디코더(decoder)를 포함할 수 있다.
인코더(encoder)는 4개의 컨볼루션층(convolutional layer)와 max pooling layer가 적용될 수 있으며, 디코더(decoder)는 4개의 컨볼루션층(convolutional layer)와 3개의 upsampling layer가 적용될 수 있다. 이때, 모든 컨볼루션층(convolutional layer)은 활성함수로 ReLU가 사용될 수 있다.
인코더에서 발생되는 인코딩(encoding) 과정 중 max pooling layer에서 max pooling을 수행하며 위치 정보를 의미하는 max pooling indices를 저장할 수 있다. 디코더에서 발생되는 디코딩 과정 중 upsampling layer는 encoder에서 저장한 max pooling indices를 수신 받아 디코딩을 수행할 수 있다.
이미지 처리모듈(12)로 제공된 구름 및 먼지 위성이미지 각각의 타겟영역(ROI)과 주변영역(ROIsurr)은 인코더에서 합성(구체적으로 ISL(Image Synthesis Layer)에서 합성)된 이후 디코더를 통과하며 가중치가 산출될 수 있다.
상술한 과정을 통해 구름과 미세먼지의 각 위성 이미지의 타겟영역(ROI)과 주변영역(ROIsurr)이 상기 이미지 처리모듈(12)을 통해 출력되는 가중치를 통해 공간정보를 학습하고 반영할 수 있다.
또한, 이는 boundary delineation을 향상시킬 수 있으며, end-to-end를 가능하게 하여 알고리즘의 파라미터 개수를 줄일 수 있다.
수치기상 예측모듈(13)은 LSTM 신경망을 이용하여 수치데이터의 시간정보에 대한 딥러닝을 수행하고 시간정보를 학습할 수 있다.
LSTM 신경망은 RNN 신경망의 한 종류로써, RNN 신경망이 가지는 장기의존성 문제를 해결하고자 제안된 알고리즘이다.
구체적으로 RNN의 단일 히든 레이어와 달리 핵심 입력 정보를 저장하여 전달하는 cell state와 데이터의 다양한 정보를 추가 및 제거할 수 있는 3개의 게이트로 구성되어, 중요한 정보만 전달 및 학습하여 데이터에 존재하는 장기간에 걸친 연관 관계(즉, 시간정보)를 파악할 수 있다.
인공지능모듈(14)은 이미지 처리모듈(12) 및 수치기상 예측모듈(13)에서 수행된 딥러닝의 결과데이터를 이용하여 딥러닝 학습을 수행하고 태양광 발전소의 발전량을 예측할 수 있다.
인공지능모듈(14)은 element-wise multiplication 레이어를 통해 이미지 처리모듈(12) 및 수치기상 예측모듈(13)에서 수행된 딥러닝의 결과데이터를 결합한 이후 딥러닝을 수행하고 태양광 발전소의 발전량(PV)을 예측할 수 있다.
이때, 예측된 태양광 발전소의 발전량은 하기 [수학식 1]과 같다.
[수학식 1]
Figure PCTKR2024000593-appb-img-000001
단, Y'tPV는 1시간 이후의 예측된 태양광 발전소의 발전량,
Figure PCTKR2024000593-appb-img-000002
과
Figure PCTKR2024000593-appb-img-000003
은 각각 위성 이미지를 학습하기 위한 CNN-LSTM 신경망과 수치데이터를 학습하기 위한 LSTM 신경망,
Figure PCTKR2024000593-appb-img-000004
는 element-wise multiplication 연산을 의미하고
Figure PCTKR2024000593-appb-img-000005
는 LSTM과 drop out을 포함한 비선형 함수를 의미한다.
도 6은 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델의 성능을 비교하기 위한 도표이다.
Original image는 원본 위성 이미지를 바로 학습한 경우를 의미하고, ROI image는 본 발명에 따른 타겟영역(ROI)과 주변영역(ROIsurr)을 함께 사용한 경우를 의미한다.
이하, CNN-LSTM 신경망 모델, SegNet 신경망 모델, U-Net 신경망 모델, GM module을 적용한 신경망 모델, 및 본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델의 성능을 비교한다.
이때, 성능비교를 위해 mean absolute error (MAE), root mean square error (RMSE), SMAPE를 사용할 수 있으며, 이는 아래 [수학식 2] 내지 [수학식 4]과 같이 표현될 수 있다.
[수학식 2]
Figure PCTKR2024000593-appb-img-000006
[수학식 3]
Figure PCTKR2024000593-appb-img-000007
[수학식 4]
Figure PCTKR2024000593-appb-img-000008
또한, 추가적으로 성능비교를 위해 Mean bias error (MBE)와 coefficient of variation of the root mean square error (CV(RMSE))을 사용할 수 있으며, 이는 아래 [수학식 5] 내지 [수학식 6]과 같이 표현될 수 있다.
[수학식 5]
Figure PCTKR2024000593-appb-img-000009
[수학식 6]
Figure PCTKR2024000593-appb-img-000010
또한, 본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델의 경량화를 판단하기 위해 parameter의 수와 floating point operations (FLOPs)가 사용될 수 있다.
도표를 참고하면, 본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델(Proposed)은 MAE와 RMSE의 기준으로는 다른 모델에 비해 예측 성능이 모두 증가함을 확인할 수 있다.
이를 통해, 위성 이미지를 사용할 경우(Proposed) 원본 이미지를 그대로 사용하는 것 보다 태양광 발전소를 중심으로 관심 영역을 적용하여, 해당 부분(타겟영역)을 집중적으로 학습시키는 것이 더욱 효과적임을 알 수 있다.
즉, 원본 이미지를 그대로 학습으로 사용할 경우 태양광 발전소가 위치한 지역의 불필요한 공간적 특성이 과다하게 반영되어 예측 성능이 저하된 것을 알 수 있다.
SMAPE를 제외한 모든 지표에서 본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델(Proposed)의 성능이 가장 우수함을 알 수 있다. SMAPE의 경우 GM module model이 가장 우수하였으나, 그 차이는 0.06%에 불과하다.
CV(RMSE)의 경우, ROI이미지를 활용한 GM module을 적용한 신경망과 본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델(Proposed)만이 ASHRAE Guideline 14에서 제시한 시간 단위 예측 조건인, MBE: ±10%, CV (RMSE): 30% 이내를 충족시킴을 알 수 있다.
본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델(Proposed)은 MBE의 경우 0.027%라는 독보적인 성능이 나타남을 확인할 수 있다.
또한, 본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델(Proposed)은 parameters와 FLOPs 각각 98.407%, 98.485%의 경량화가 이루어짐을 알 수 있다.
이를 통해 위성 이미지의 원본 이미지를 그대로 사용하는 경우에 비해 타겟영역(ROI)과 주변영역(ROIsurr)을 함께 사용한 경우 최소 90% 이상의 경량화가 이루어짐을 알 수 있다.
도 7은 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델의 성능을 비교하기 위한 그래프이다
도 7a는 본 발명의 한 실시예에 따른 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델을 이용하여 일부분에서 9월 25일부터 30일까지 태양광 발전량을 예측한 그래프이다.
도 7a를 참고하면, 붉은 실선으로 표시한 본 발명인 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템을 이용한 인공지능모델(Proposed)이 예측한 태양광 발전소의 발전량의 그래프가 검은 실선으로 표시된 관측된 실제 태양광 발전량 데이터와 가장 유사함을 확인할 수 있다.
도 7b 및 도 7c는 다양한 크기로 설정된 타겟영역(ROI)과 주변영역(ROIsurr)의 성능을 비교한 표이다.
도 7b 및 도 7c를 참고하면 타겟영역(ROI)의 크기가 작아질수록 예측 정확도가 증가함을 알 수 있다.
즉, 컨트롤러(11)는 정밀하고 정확한 태양광 발전량 예측하기 위해 위성 이미지에서 태양광 발전소가 위치한 지역을 중심으로 국소 지역을 설정할 수 있다.
지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.
처리 장치는 운영 체제 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 이해할 것이다.
예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor) 와 같은, 다른 처리 구성(Processing configuration)도 가능하다. 소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.
소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody) 될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (9)

  1. 태양광 발전소가 설치된 지역의 적어도 하나의 위성이미지 및 상기 태양광 발전소의 발전량 정보와 상기 지역에 대한 기상정보를 포함하는 수치데이터를 입력받는 입력모듈;
    상기 적어도 하나의 위성이미지에 포함된 구름 위성이미지와 먼지 위성이미지에서 상기 태양광 발전소를 포함하는 타겟영역과 상기 타겟영역을 둘러싸는 주변영역을 설정하는 컨트롤러;
    상기 구름 및 먼지 위성이미지 각각에 대해 상기 타겟영역과 상기 주변영역을 합성하여 이미지 딥러닝하여 공간정보를 학습하고, CNN-LSTM 조합 신경망을 이용하여 상기 구름 및 먼지 위성이미지 각각을 딥러닝하여 시공간정보를 학습하는 이미지 처리모듈;
    LSTM 신경망을 이용하여 상기 수치데이터를 딥러닝하여 시간정보를 학습하는 수치기상 예측모듈; 및
    상기 이미지 처리모듈 및 상기 수치기상 예측모듈에서 수행된 상기 딥러닝의 결과데이터를 이용하여 딥러닝을 수행하고 상기 태양광 발전소의 발전량을 예측하기 위한 인공지능모델을 생성하는 인공지능 모듈을 포함하는,
    다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템.
  2. 제1 항에 있어서,
    상기 입력모듈은 소정의 시간동안 촬영된 상기 위성이미지의 연속된 프레임과 상기 소정의 시간동안 소정의 시간 간격으로 측정된 일련의 상기 수치데이터를 입력받고,
    상기 기상정보는 기온, 습도 및 대기오염물질에 관한 데이터를 포함하는,
    다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템.
  3. 제1 항에 있어서,
    상기 컨트롤러는,
    상기 타겟영역을 상기 태양광 발전소를 중심으로 소정의 크기를 가지며 상기 태양광 발전소를 포함하는 정사각형의 형태로 설정하고, 상기 주변영역을 상기 타겟영역을 중심으로 상기 타겟영역을 방사형으로 둘러싸며 소정의 크기를 가지는 복수 개의 정사각형 형태로 설정하는,
    다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템.
  4. 제3 항에 있어서,
    상기 이미지 처리모듈은 오토인코더(autoencoder) 기반의 인코더(encoder)와 디코더(decoder)를 포함하고,
    상기 인코더는 상기 구름 위성이미지와 상기 먼지 위성이미지 각각에 대하여 상기 타겟영역 및 상기 주변영역에 대한 데이터를 내적연산(dot product)하여 콘볼루션층(convolution layer)과 결합층(concatenate layer)을 통과시켜 합성하고,
    상기 디코더는 상기 인코더에서 출력된 출력값을 복호화하여 상기 이미지 딥러닝을 수행하는,
    다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템.
  5. 제4 항에 있어서,
    상기 이미지 처리모듈은,
    상기 CNN-LSTM 조합 신경망 중 CNN 신경망에 상기 구름 위성이미지에 대한 연속된 프레임을 제공하여 상기 공간정보를 딥러닝하고 LSTM 신경망에 상기 연속된 프레임을 제공하여 상기 시간정보를 딥러닝하고, 상기 CNN 신경망에 상기 먼지 위성이미지에 대한 연속된 프레임을 제공하여 상기 공간정보를 딥러닝하고, 상기 LSTM 신경망에 상기 연속된 프레임을 제공하여 상기 시간정보를 딥러닝하는,
    다중 데이터에 기반한 태양광 발전량 예측을 위한 인공지능 모델 시스템.
  6. 제5 항에 있어서,
    상기 수치기상 예측모듈은,
    상기 LSTM 신경망에 상기 일련의 수치데이터를 제공하여 상기 시간정보를 딥러닝하는,
    다중 데이터에 기반한 태양광 발전량 예측을 위한 인공지능 모델 시스템.
  7. 제6 항에 있어서,
    상기 인공지능 모듈은,
    상기 이미지 처리모듈에서 수행된 상기 구름 위성이미지에 대한 상기 결과데이터와 상기 먼지 위성이미지에 대한 상기 결과데이터, 및 상기 수치기상 예측모듈에서 수행된 상기 수치데이터에 대한 결과데이터를 제공하여 상기 시공간정보가 반영된 상기 발전량을 예측하기 위한 인공지능모델을 생성하는,
    다중 데이터에 기반한 태양광 발전량 예측을 위한 인공지능 모델 시스템.
  8. 입력모듈에 의해 태양광 발전소가 설치된 지역의 적어도 하나의 위성이미지 및 상기 태양광 발전소의 발전량 정보와 상기 지역에 대한 기상정보를 포함하는 수치데이터를 입력받는 단계;
    컨트롤러에 의해 상기 적어도 하나의 위성이미지에 포함된 구름 위성이미지와 먼지 위성이미지에서 상기 태양광 발전소를 포함하는 타겟영역과 상기 타겟영역을 둘러싸는 주변영역을 설정하는 단계;
    이미지 처리모듈에 의해 상기 구름 및 먼지 위성이미지 각각에 대해 상기 타겟영역과 상기 주변영역을 합성하여 이미지 딥러닝하여 공간정보를 학습하고, CNN-LSTM 조합 신경망을 이용하여 상기 구름 및 먼지 위성이미지 각각을 딥러닝하여 시공간정보를 학습하는 단계;
    수치기상 예측모듈에 의해 LSTM 신경망을 이용하여 상기 수치데이터를 딥러닝하여 시간정보를 학습하는 단계; 및
    인공지능모듈에 의해 상기 이미지 처리모듈 및 상기 수치기상 예측모듈에서 수행된 상기 딥러닝의 결과데이터를 이용하여 딥러닝을 수행하고 상기 태양광 발전소의 발전량을 예측하기 위한 인공지능모델을 생성하는 단계를 포함하는,
    다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 제어방법.
  9. 제8 항의 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템의 제어방법을 실행시키기 위한 프로그램이 기록된 컴퓨터로 판독가능한 비일시적 기록매체.
PCT/KR2024/000593 2023-01-12 2024-01-12 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법 Ceased WO2024151122A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2023-0004530 2023-01-12
KR1020230004530A KR102954774B1 (ko) 2023-01-12 2023-01-12 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법

Publications (1)

Publication Number Publication Date
WO2024151122A1 true WO2024151122A1 (ko) 2024-07-18

Family

ID=91897238

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/000593 Ceased WO2024151122A1 (ko) 2023-01-12 2024-01-12 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법

Country Status (2)

Country Link
KR (1) KR102954774B1 (ko)
WO (1) WO2024151122A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013099143A (ja) * 2011-11-01 2013-05-20 Nippon Telegr & Teleph Corp <Ntt> 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法
KR102054163B1 (ko) * 2019-04-24 2020-01-22 이에스솔라 주식회사 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치
US20200026982A1 (en) * 2018-07-19 2020-01-23 Sacramento Municipal Utility District Techniques For Estimating And Forecasting Solar Power Generation
KR20220078963A (ko) * 2020-12-04 2022-06-13 주식회사 효성 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치
KR20220094523A (ko) * 2020-12-29 2022-07-06 한국전력정보(주) 태양광 발전량 중개시장 참여를 위한 태양광 발전량 예측 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013099143A (ja) * 2011-11-01 2013-05-20 Nippon Telegr & Teleph Corp <Ntt> 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法
US20200026982A1 (en) * 2018-07-19 2020-01-23 Sacramento Municipal Utility District Techniques For Estimating And Forecasting Solar Power Generation
KR102054163B1 (ko) * 2019-04-24 2020-01-22 이에스솔라 주식회사 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치
KR20220078963A (ko) * 2020-12-04 2022-06-13 주식회사 효성 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치
KR20220094523A (ko) * 2020-12-29 2022-07-06 한국전력정보(주) 태양광 발전량 중개시장 참여를 위한 태양광 발전량 예측 시스템

Also Published As

Publication number Publication date
KR102954774B1 (ko) 2026-04-17
KR20240112483A (ko) 2024-07-19

Similar Documents

Publication Publication Date Title
WO2021066259A1 (ko) 태양광 발전소의 데이터 분석 방법 및 시스템
WO2020022624A1 (ko) 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
CN116128170B (zh) 一种光伏电站功率超短期预测方法、装置及相关设备
US10823881B2 (en) Cloud forecast using sequential images
KR102525249B1 (ko) 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템
Chaudhary et al. Thermal image analysis and segmentation to study temperature effects of cement and bird deposition on surface of solar panels
WO2020027538A1 (ko) 발전 시스템의 이상 유무 판단 장치 및 방법
CN115661932A (zh) 一种垂钓行为检测方法
CN120313615A (zh) 一种月球极区太阳同步a*路径规划方法和系统、电子设备以及存储介质
Setiawan et al. Exploring insights on deep learning-based photovoltaic fault detection for monofacial and bifacial modules using thermography
Liu et al. Advancements in weather forecasting: a review of satellite imagery and AI integration
CN117496426A (zh) 基于互学习的预制梁工序识别方法及装置
CN120856223A (zh) 一种光通信网络运维故障智能定位追踪方法及系统
KR102954774B1 (ko) 다중 데이터에 기반한 태양광 발전의 예측을 위한 인공지능 모델 시스템 및 그 제어방법
US20250062721A1 (en) System and method for determination of degradation loss on solar panels of photovoltaic (pv) power plant
Shi et al. A Lightweight Insulator Defect Detection Method Based on an Improved YOLOv7-tiny Approach
Khang et al. Automatic monitoring and detection of hot spot on photovoltaic panel based on YOLOv5
Zambenedetti et al. Communication solution for implementing smart grid environment in the distribution network
Yu et al. A Novel Short-term Irradiance Forecasting Method based on Transformer Networks
Corrales et al. Detection of suboptimal conditions in photovoltaic installations for household-prosumers
Yin et al. Third International Conference on Electronics Technology and Artificial Intelligence (ETAI 2024)
Li et al. Design of porcelain insulator defect recognition system based on uav line inspection image
Xu et al. Research on fault diagnosis of ship photovoltaic power generation system
Yazdani et al. Innovative high-speed method for detecting hotspots in high-density solar panels by machine vision
Yong et al. Research on the application of computer deep learning technology in fault diagnosis model of smart photovoltaic power station

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24741743

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 24741743

Country of ref document: EP

Kind code of ref document: A1