KR102407597B1

KR102407597B1 - 단조성을 반영한 일사량 예측 모델 생성 방법

Info

Publication number: KR102407597B1
Application number: KR1020170171949A
Authority: KR
Inventors: 김진욱; 변길성; 김경훈; 손완빈
Original assignee: 한국전기연구원
Priority date: 2017-12-14
Filing date: 2017-12-14
Publication date: 2022-06-13
Also published as: KR20190071168A

Abstract

본 발명은 일사량 예측모델의 생성 방법으로서, 일사량 예측 모델 구조를 선택하는 단계, 상기 일사량 예측 모델 구조에 일사량과 운량의 단조성(monotonicity) 조건을 반영하는 단계, 모델 학습을 위한 목적함수(objective function)를 선택하는 단계, 상기 단조성 조건 및 목적함수를 만족하도록 과거의 일사량 및 운량 데이터를 학습하고, 일사량 예측 모델을 생성하는 단계 및 상기 목적함수를 기반으로 상기 일사량 예측 모델을 검증하는 단계를 포함하는 것을 특징으로 한다.
본 발명을 통해, 운량과 일사량 간 단조성을 반영하여 데이터가 없는 구간의 데이터를 보간함으로써, 일사량 예측 정확도를 약 5% 상승시킬 수 있다.

Description

단조성을 반영한 일사량 예측 모델 생성 방법{METHOD FOR GENERATING SOLAR RADIATION PREDICTION MODEL REFLECTING MONOTONICITY}

본 발명은 단조성을 반영한 일사량 예측 모델 생성 방법에 관한 것으로, 더욱 상세하게는 과거 일사량과 과거 운량을 기반으로 일사량 예측 모델을 생성하는 방법에 관한 것이다.

최근, 재생 가능 에너지에 있어서 태양광을 이용한 발전 시스템으로의 수요는 급격히 상승하고 있다. 일사(solar radiation)는 지표에 도달한 태양의 복사 에너지를 말하는 것으로, 태양 복사 에너지는 지구대기를 움직이는 1차적 원동력이며 지구에 사는 모든 생명체를 위하여 필수적인 에너지원이라고 할 수 있다. 이러한 태양복사 에너지 및 그 변화는 대기과학뿐만 아니라 에너지, 생물, 의료 등의 연구 및 산업 활동 등에 다양하게 활용된다.

한편, 태양광 발전장치는 일사량 변동의 영향을 강하게 받고, 일사량은 시시각각 변동하기 때문에 발전량을 사전에 알 수 없는 점이 문제가 되고 있다. 전력 계통의 계획 및 운용을 효율적으로 수행하기 위해서는 다음 날의 태양광 발전량을 높은 정밀도로 예측하는 것이 요구된다.

일사량을 예측하는 방법과 관련, 종래기술들은 일사량 예측을 위해 어떠한 입력 변수를 선정할 것인가에 초점을 맞추고 있어 왔다. 예를 들면, 일사량, 운량 등 과거 및 현재의 기상 상황을 학습시스템에 반영하여 일사량 예측의 정확도를 높이려 하였다.

과거 데이터를 기반으로 학습하여 일사량 예측 모델을 생성하는 경우, 해당 데이터의 정확도, 데이터 유무가 예측 결과를 결정한다. 이때, 과거 데이터 중 예측 구간의 데이터가 없을 경우, 해당 구간의 예측 정확도가 낮아지는 문제가 있다.

본 발명의 목적은 일사량 학습시스템의 입력 변수와 출력 변수 간의 정성적 관계를 이용한 일사량 예측 모델을 통하여 일사량 예측의 정확도를 높이는데 목적이 있다.

상기 기술적 과제를 해결하기 위하여 본 발명은 일사량 예측 모델 구조를 선택하는 단계, 상기 일사량 예측 모델 구조에 일사량과 운량의 단조성(monotonicity) 조건을 반영하는 단계, 모델 학습을 위한 목적함수(objective function)를 선택하는 단계, 상기 단조성 조건 및 목적함수를 만족하도록 과거의 일사량 및 운량 데이터를 학습하고, 일사량 예측 모델을 생성하는 단계 및 상기 목적함수를 기반으로 상기 일사량 예측 모델을 검증하는 단계를 포함하는 것을 특징으로 한다.

또한 상기 일사량 예측 모델 구조는 퍼지 시스템(fuzzy system)인 것을 특징으로 한다.

또한 상기 단조성 조건은 상기 선정한 일사량 예측 모델의 1차 미분 값이 0 이하가 되도록 하는 조건인 것을 특징으로 한다.

또한 상기 검증하는 단계는, 학습에 사용되지 않은 데이터를 이용하여 검증하는 것을 특징으로 한다.

또한 상기 일사량 예측 모델을 검증하여 부적합한 모델인 것으로 판정된 경우, 상기 선택한 일사량 예측 모델 구조 또는 목적함수 중 어느 하나 이상을 변경하는 단계를 더 포함하는 것을 특징으로 한다.

본 발명의 실시 예들에 따른 단조성을 반영한 일사량 예측 모델 생성 방법에 대해 설명하면 다음과 같다.

본 발명을 통해 운량과 일사량 간 단조성을 반영하여 데이터가 없는 구간의 데이터를 보간함으로써, 일사량 예측 정확도를 약 5% 상승시킬 수 있다.

또한 본 발명에 따른 일사량 예측 모델을 통해 태양광 발전단지 또는 태양광 발전장치가 포함되어 있는 마이크로그리드 등의 운영에 도움을 줄 수 있다.

다만, 본 발명의 실시 예들에 따른 단조성을 반영한 일사량 예측 모델 생성 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명에 따른 일사랑 예측 모델을 생성하는 방법을 나타낸 순서도이다.
도 2는 본 발명에 따른 일사량 예측 시스템을 나타낸 모식도이다.
도 3은 도 2에 따른 일사량 예측 시스템에 단조성을 반영한 시스템을 나타낸 모식도이다.
도 4는 제1 비교예로, (a)는 단조성을 반영하지 않고 운량과 일사량의 학습을 수행한 결과를 나타낸 것이고, (b)는 단조성을 반영하여 학습을 수행한 결과를 나타낸 것이다.
도 5는 제2 비교예로 (a)는 단조성을 반영하지 않고 운량과 일사량의 학습을 수행한 결과를 나타낸 것이고, (b)는 단조성을 반영하여 학습을 수행한 결과를 나타낸 것이다.
도 6은 도 4의 비교예에서 실제 일사량 데이터와 예측 모델을 통해 예측한 시뮬레이션 결과를 비교한 것이다.
도 7은 도 5의 비교예에서 실제 일사량 데이터와 예측 모델을 통해 예측한 시뮬레이션 결과를 비교한 것이다.

본 명세서 및 특허청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 하나의 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다. 이하에서는, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 단조성을 반영한 일사량 예측 모델 생성 방법을 상세하게 설명하기로 한다.

도 1은 본 발명에 따른 일사랑 예측 모델을 생성하는 방법을 나타낸 순서도이다.

본 발명은 일사량 예측 모델을 생성하는 방법에 관한 발명으로, 일사량 예측 모델 구조를 선택하는 단계(S100), 상기 일사량 예측 모델 구조에 일사량과 운량의 단조성(monotonicity) 조건을 반영하는 단계(S110), 모델 학습을 위한 목적함수(objective function)를 선택하는 단계(S120), 상기 단조성 조건 및 목적함수를 만족하도록 과거의 일사량 및 운량 데이터를 학습하고, 일사량 예측 모델을 생성하는 단계(S130) 및 상기 목적함수를 기반으로 상기 일사량 예측 모델을 검증하는 단계(S140)를 포함하는 것을 특징으로 한다.

S100 단계는 일사량 학습 모델의 구조(structure)를 선택하는 단계이다. 학습을 수행하기 위해 모델을 만드는 과정은 크게 학습 모델의 구조를 선택하는 단계와 파라미터를 선택하는 단계로 볼 수 있다. 즉, 일사량 모델의 구조를 선택하고, 해당 모델을 구성하는 파라미터(변수)를 학습시키는 것이다. S100은 본 발명에 따른 일사량 학습 모델의 구조를 선택하는 단계이다.

본 발명에서는 일 실시예로서 일사량 예측 모델 구조를 퍼지 시스템(fuzzy system)으로 선택하였으나, 이에 제한되는 것은 아니며, 학습을 수행하기 위해 사용될 수 있는 모델이면 어느 모델이든 가능하다.

S110 단계는 선택된 일사량 예측 모델의 구조에 일사량과 운량의 단조성 조건을 반영하는 단계이다.

단조성(monotonicity)은 어떤 함수가 입력에 따라 출력이 지속적으로 증가 또는 감소하는 것을 의미하는 것으로, 수학적으로 지속적으로 증가하는 경우에는 어떤 함수의 1차 미분이 0보다 크거나 같으며, 지속적으로 감소하는 경우에는 1차 미분이 0보다 작거나 같은 것을 말한다.

S100 단계에서 선택된 예측 모델의 구조에 일사량과 운량의 단조성 조건을 반영한다는 것은 모델, 즉 수식에 단조성 조건을 반영한다는 것이다. 상기 모델은 단순한 다항식(polynomial)이 될 수도 있고, 퍼지 시스템과 같이 더욱 복잡한 수식이 될 수도 있다. 모델은 다양한 조건을 고려하여 정해질 수 있기 때문에, 단조성 조건을 반영한 결과는 모델마다 상이해 질 수 있다.

예를 들어, 다항식(polynomial)이 또는 퍼지시스템이 단조성을 갖기 위해서는 상기 단조성의 정의(1차 미분이 0보다 작거나 같다)를 만족해야 하고, 1차 미분의 결과(수식)는 선택된 모델에 따라 다르게 나타날 수 있다.

S120 단계는 모델 학습을 위한 목적함수(objective function)를 선택하는 단계(S120)이다.

모델의 파라미터를 학습시킬 때, 목적함수(objective function)가 선택된다. 목적함수는 모델의 목적에 맞게 선택되는 것으로 학습된 모델과 학습에 사용된 과거 데이터가 일치하는지를 평가하는 기준이다. 예를 들어, 과거 데이터와 학습된 모델의 출력의 오차가 작아야 한다면 목적함수는 '오차의 합', '오차 제곱합' 등이 될 수 있다.

S130 단계는 단조성 조건 및 목적함수를 만족하도록 과거의 일사량 및 운량 데이터를 학습하고, 일사량 예측 모델을 생성하는 단계이다.

파라미터 학습 시에는 과거의 일사량 및 운량 데이터를 이용한다. 본 발명에서는 일 실시예로서 퍼지 시스템(fuzzy system)을 구성하는 파라미터를 과거 데이터로 학습하였다.

기상은 시시각각 변화하기 때문에 과거의 일사량 및 운량 데이터는 가장 최근의 데이터를 이용하는 것이 바람직하다. 예를 들어, 오늘, 내일의 일사량을 예측하고자 하는 경우, 오늘을 기준으로 과거 한달 데이터를 활용할 수 있다.

S140 단계는 목적함수를 기반으로 상기 일사량 예측 모델을 검증하는 단계이다.

S120 단계에서 선정한 목적함수를 통해 생성된 일사량 예측 모델을 검증한다. 검증은 학습에 사용되지 않은 데이터를 이용하여 수행된다. 일사량 예측 모델을 검증하여 부적합한 모델인 것으로 판정된 경우, 선택한 일사량 예측 모델 구조 또는 목적함수 중 어느 하나 이상을 변경할 수 있다. 즉, 생성된 모델이 선택된 목적함수를 만족하지 못하게 되면 목적함수를 새로 정의하거나 예측 모델구조를 새로 선정한다.

도 2는 본 발명에 따른 일사량 예측 시스템을 나타낸 모식도이고, 도 3은 도 2에 따른 일사량 예측 시스템에 단조성을 반영한 시스템을 나타낸 모식도이다.

본 발명에 따른 일사량 예측 모델은 과거의 운량 및 일사량 데이터를 기반으로 학습을 수행한다. 도 2를 참조하면, 본 발명에 따른 일사량 예측 모델은 시각의 특성(오전/오후, 정오 등)을 반영하기 위해, 각 시각마다 예측 모듈이 구비된 형태인 것을 확인할 수 있다.

국내에서는 오전 6시 전, 오후 8시 이후에는 일반적으로 일사량이 0으로 계측되기 때문에 예측 모듈은 총 13개(오전 7시~오후 7시)를 만들었고, 이는 지역마다 추가 또는 삭제될 수 있다. 앞서 언급한 바와 같이 일사량은 계절별로도 특성을 가지고 있기 때문에 예측이 필요한 시점으로부터 과거 한 달 이내의 데이터만을 이용하는 것이 바람직하다.

과거의 운량 데이터와 과거의 일사량 데이터를 이용하여 일사량 예측 모델을 생성하고, 학습에 사용되지 않은 과거의 데이터를 이용하여 상기 생성한 일사량 예측 모델을 검증한다.

도 3에 도시된 바와 같이 학습을 수행함에 있어, 각 일사량 예측 모듈마다 단조성을 반영한다. 여기서의 단조성은 운량이 많을수록 일사량은 낮아진다는 관계를 의미한다. 학습을 수행할 때, 운량과 일사량 간 단조성을 반영하여 데이터가 없는 구간의 데이터를 보간함으로써, 일사량 예측 정확도를 약 5% 상승시킬 수 있다.

도 4는 제1 비교예로, (a)는 단조성을 반영하지 않고 운량과 일사량의 학습을 수행한 결과를 나타낸 것이고, (b)는 단조성을 반영하여 학습을 수행한 결과를 나타낸 것이고, 도 5는 제2 비교예로 (a)는 단조성을 반영하지 않고 운량과 일사량의 학습을 수행한 결과를 나타낸 것이고, (b)는 단조성을 반영하여 학습을 수행한 결과를 나타낸 것이다.

도 4 및 도 5에 도시된 그래프에 나타난 각 점들은 하나의 입력(운량)에 대해서 여러 출력(일사량)을 나타낸다.

도 4의 (a)에서 운량이 0인 지점을 보면 일사량은 0.4 ~ 0.9 사이에 7개의 출력이 나타난 것을 확인할 수 있고, 도 5의 (a)에서는 특정 운량에 대해 일사량 데이터가 없는 경우를 확인할 수 있다. 이 경우, 이 부분은 학습이 불가능하다.

그러나 단조성을 반영하게 되면 일반적으로 생각했던 운량과 일사량의 관계를 예측 모듈이 가지게 되어, 하나의 입력에 복수의 출력이 있는 경우나 데이터가 없는 지점에 대해서도 학습이 이루어져 예측 결과를 도출할 수 있다.

도 4의 (b), 도 5의 (b)를 참조하면, 단조성을 반영하였을 때, 운량과 일사량 간 단조성이 반영되어, 복수의 데이터가 있는 구간, 데이터가 없는 구간이 효과적으로 수정 또는 보간되어 있는 것을 확인할 수 있다.

도 6은 도 4의 비교예에서 실제 일사량 데이터와 예측 모델을 통해 예측한 시뮬레이션 결과를 비교한 것이고, 도 7은 도 5의 비교예에서 실제 일사량 데이터와 예측 모델을 통해 예측한 시뮬레이션 결과를 비교한 것이다.

도 6 및 도 7을 참조하면, 단조성을 반영하여 학습한 경우 일사량 예측 모델이 실제 일사량 데이터와 일치하는 것을 확인할 수 있다. 실험결과, 단조성을 반영한 경우, 그렇지 않은 경우보다 일사량 예측 정확성이 약 5%의 향상된 것을 확인하였다.

이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명된 실시예에 국한되어 정해져서는 안되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims

일사량 예측 모델 구조를 선택하는 단계;
상기 일사량 예측 모델 구조에 일사량과 운량의 단조성(monotonicity) 조건을 반영하는 단계;
모델 학습을 위한 목적함수(objective function)를 선택하는 단계;
상기 단조성 조건 및 목적함수를 만족하도록 과거의 일사량 및 운량 데이터를 학습하고, 일사량 예측 모델을 생성하는 단계; 및
상기 목적함수를 기반으로 상기 일사량 예측 모델을 검증하는 단계;를 포함하는 것으로,
상기 단조성 조건은
상기 일사량 예측 모델의 1차 미분 값이 0 이하가 되도록 하는 조건인 것을 특징으로 하는 일사량 예측모델 생성 방법.
제1항에 있어서,
상기 일사량 예측 모델 구조는 퍼지 시스템(fuzzy system)인 것을 특징으로 하는 일사량 예측 모델 생성 방법.
삭제
제1항에 있어서,
상기 검증하는 단계는,
학습에 사용되지 않은 데이터를 이용하여 검증하는 것을 특징으로 하는 일사량 예측 모델 생성 방법.
제1항에 있어서,
상기 일사량 예측 모델을 검증하여 부적합한 모델인 것으로 판정된 경우, 상기 선택한 일사량 예측 모델 구조 또는 목적함수 중 어느 하나 이상을 변경하는 단계를 더 포함하는 것을 특징으로 하는 일사량 예측 모델 생성 방법.