KR102513943B1 - Street lamp mounting type photovoltaic generation forecasting system and its service method - Google Patents

Street lamp mounting type photovoltaic generation forecasting system and its service method Download PDF

Info

Publication number
KR102513943B1
KR102513943B1 KR1020220079112A KR20220079112A KR102513943B1 KR 102513943 B1 KR102513943 B1 KR 102513943B1 KR 1020220079112 A KR1020220079112 A KR 1020220079112A KR 20220079112 A KR20220079112 A KR 20220079112A KR 102513943 B1 KR102513943 B1 KR 102513943B1
Authority
KR
South Korea
Prior art keywords
power generation
information
prediction
weather information
weather
Prior art date
Application number
KR1020220079112A
Other languages
Korean (ko)
Inventor
이재명
김성권
Original Assignee
주식회사 성심소프트
에스피브이(주)
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 주식회사 성심소프트, 에스피브이(주) filed Critical 주식회사 성심소프트
Priority to KR1020220079112A priority Critical patent/KR102513943B1/en
Application granted granted Critical
Publication of KR102513943B1 publication Critical patent/KR102513943B1/en

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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21S—NON-PORTABLE LIGHTING DEVICES; SYSTEMS THEREOF; VEHICLE LIGHTING DEVICES SPECIALLY ADAPTED FOR VEHICLE EXTERIORS
    • F21S8/00—Lighting devices intended for fixed installation
    • F21S8/08—Lighting devices intended for fixed installation with a standard
    • F21S8/085—Lighting devices intended for fixed installation with a standard of high-built type, e.g. street light
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21S—NON-PORTABLE LIGHTING DEVICES; SYSTEMS THEREOF; VEHICLE LIGHTING DEVICES SPECIALLY ADAPTED FOR VEHICLE EXTERIORS
    • F21S9/00—Lighting devices with a built-in power supply; Systems employing lighting devices with a built-in power supply
    • F21S9/02—Lighting devices with a built-in power supply; Systems employing lighting devices with a built-in power supply the power supply being a battery or accumulator
    • F21S9/03—Lighting devices with a built-in power supply; Systems employing lighting devices with a built-in power supply the power supply being a battery or accumulator rechargeable by exposure to light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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
    • G06N3/08—Learning methods
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21W—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES F21K, F21L, F21S and F21V, RELATING TO USES OR APPLICATIONS OF LIGHTING DEVICES OR SYSTEMS
    • F21W2131/00—Use or application of lighting devices or systems not provided for in codes F21W2102/00-F21W2121/00
    • F21W2131/10—Outdoor lighting
    • F21W2131/103—Outdoor lighting of streets or roads
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to a street lamp mounting type solar power generation forecasting system and a service method thereof. The system comprises: a plurality of smart street lamp devices which perform street lamp blink using power generated through solar power generation, provide information on the amount of power generated through the solar power generation, and measure and provide current weather information at an installation location; a weather information provision server which provides weather information corresponding to each region; and a power generation prediction service server which learns with a deep learning algorithm using the power generation information and the current weather information provided by the plurality of smart street lamp devices, and past weather information and weather forecast information provided from the weather information provision server, and provides the power generation prediction service when power generation prediction for the smart street lamp device is requested. The accuracy of the power generation prediction can be improved, and physical and economic risk factors can be prevented through the power generation prediction.

Description

가로등 장착형 태양광 발전 예측 시스템 및 그 서비스 방법{STREET LAMP MOUNTING TYPE PHOTOVOLTAIC GENERATION FORECASTING SYSTEM AND ITS SERVICE METHOD}Street light-mounted photovoltaic generation prediction system and its service method

본 발명은 스마트가로등장치로부터 제공되는 실시간 일사량 및 발전량과, 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보를 이용하여 딥러닝알고리즘으로 학습하고, 발전량 예측에 필요한 대상에게 정확성 높은 발전 예측 서비스를 제공함으로써, 상업적, 공공적 서비스를 제공할 수 있는 가로등 장착형 태양광 발전 예측 시스템 및 그 서비스 방법에 관한 것이다.The present invention learns with a deep learning algorithm using real-time insolation and power generation provided from a smart streetlight device and past weather information and weather forecast provided from a weather information providing server, and provides a high-accuracy power generation prediction service to the target required for power generation prediction. By providing, it relates to a street light-mounted photovoltaic generation prediction system and a service method capable of providing commercial and public services.

잘 알려진 바와 같이, 신재생에너지인 태양광발전은 4차산업혁명에서 기후변화와 더불어 온실가스 감축 목표 달성에 매우 중요한 역할을 하게 될 것으로 기대되고 있다.As is well known, photovoltaic power generation, a renewable energy, is expected to play a very important role in achieving greenhouse gas reduction targets along with climate change in the 4th industrial revolution.

이에 따라, 태양광발전사업에 대한 꾸준한 지원 정책과 기술의 발전으로 인해 태양광패널의 수명 및 효율이 개선되었고, 태양광발전 관련 설비들도 고도화되고 있으며, 대형 태양광발전소는 물론이고 소규모 태양광발전 역시 활성화되고 있다.Accordingly, the lifespan and efficiency of solar panels have been improved due to steady support policies and technological development for the solar power generation business, and solar power generation-related facilities are being upgraded, as well as large-scale solar power plants as well as small-scale solar power generation. Development is also active.

한편, 전력수요의 변동성 증가로 인한 정확한 발전 예측의 중요도가 증가하고 있는데, 최근 재생에너지 보급이 급속도로 증가하는 상태에서 화력발전 용량의 점진적 퇴출 추이가 가속화됨에 따라 발전량예측에 어려움이 발생하고 있다.On the other hand, the importance of accurately predicting power generation due to the increase in variability in power demand is increasing. Recently, as the trend of gradually withdrawing thermal power generation capacity is accelerating in a state where the supply of renewable energy is rapidly increasing, difficulties are occurring in predicting the amount of power generation.

즉, 전력수요가 환경의 변화로 인해 기존에 예측되던 전력수요 패턴이 과거와는 달라졌고, 한전 PPA(power purchase agreement), 자가용 태양광 등 서비용량 파악이 불가능한 태양광발전이 증가하고 있을 뿐만 아니라 계절 및 기상변화에 따라 전력수요 변동성이 증가하고 있다.In other words, the predicted power demand pattern has changed from the past due to changes in the electricity demand environment, and solar power generation, such as KEPCO's PPA (power purchase agreement) and solar power for private use, which cannot be identified, is increasing. Electricity demand volatility is increasing according to seasonal and weather changes.

이에 전력거래소의 전력수요예측이 2020년 2월에 최대 350MW 차이를 나타낸 것으로 알려져 있는데, 비계량 재생에너지로 인한 전력수요 변동성이 증가하고 있고, 재생에너지 발전설비 규모가 지속적으로 확대됨에 따라, 전력수요에측과 계통운영이 갈수록 어려워지고 있으며, 전력계통을 안정적이고 원활하게 운영하기 위해서는 발전량예측의 정확도가 점차 중요해지고 있다.Accordingly, it is known that the electricity demand forecast of the Korea Power Exchange showed a difference of up to 350MW in February 2020. As side and system operation becomes more and more difficult, the accuracy of power generation forecasting is becoming increasingly important in order to operate the power system stably and smoothly.

특히, 태양광발전의 경우 외부 영향에 의존적이기 때문에 발전량예측이 매우 중요한데, 과다한 발전은 설계용량을 초과하는 발전에 의한 물리적, 전기적 위험이 있고, 연계되는 계통에 다수의 태양광발전 설비들이 존재하는 경우 역조류 발생 등의 문제가 발생할 수 있으며, 저조한 발전은 수익 하락의 문제가 발생할 수 있다.In particular, in the case of photovoltaic power generation, it is very important to predict the amount of power generation because it is dependent on external influences. Excessive power generation has physical and electrical risks due to power generation exceeding the design capacity, and many photovoltaic power generation facilities exist in the connected system. In this case, problems such as occurrence of reverse tide may occur, and poor power generation may cause a problem of decline in profits.

즉, 재생에너지에 의한 변동성이 전력계통 운영의 불확실성에 더욱 큰 영향을 줄 수 있는데, 재생에너지 발전량예측의 정확성은 개별 사업자의 수익성뿐만 아니라, 국가 차원의 전력계통 안정성과도 직결된 문제로 여겨지고 있으며, 이는 예측정확성이 확보될수록 미리 대응할 수 있을 뿐만 아니라 장기적인 유연성 자원도 최적으로 확보할 수 있기 때문이다.In other words, the volatility caused by renewable energy can have a greater impact on the uncertainty of power system operation, and the accuracy of renewable energy generation forecasting is considered to be a problem directly related to not only the profitability of individual operators, but also the stability of the power system at the national level. , This is because the more predictive accuracy is secured, the more it is possible to respond in advance and optimally secure long-term flexible resources.

한편, 재생에너지를 이용한 발전(예를 들면, 태양광발전 등)의 경우 지형적 특성에 따른 지역 내 발전량예측의 오차율이 증가할 수 있는데, 현재 국내 기상관측소는 지역의 일부구역에 위치하여 해당구역의 기상환경이 전지역의 대표 기상정보로 제공되고 있기 때문에, 구, 읍, 면, 동 등 지역의 다른구역에 대한 기상예측 정확도가 떨어지는 문제점이 있다. 특히 도서, 산간지역과 같이 고도, 풍량, 해안 등 지형특성이 두드러지게 나타나는 지역에서는 세부 구역별로 기후(기상) 차이가 크기 나타날 수 있으며, 이러한 현상은 수-수십km 떨어진 두 개의 태양광발전 설비에서 발전량의 차이로 나타날 수 있다.On the other hand, in the case of power generation using renewable energy (for example, photovoltaic power generation, etc.), the error rate of forecasting the amount of power generation within a region may increase according to topographical characteristics. Currently, domestic weather stations are located in some regions of the region, Since the meteorological environment is provided as representative meteorological information for the entire region, there is a problem in that the accuracy of weather forecasting for other districts such as gu, eup, myeon, and dong is poor. In particular, in areas where topographical characteristics such as altitude, wind volume, and coast are prominent, such as islands and mountainous areas, climate (weather) differences may appear large for each subdivision. It can appear as a difference in the amount of power generation.

여기에서, 기상 예보를 통한 일사량 예측은 실제 발전량과 대비하여 차이가 발생하게 되는데, 차이 발생 요인으로는 관측 지점 대비 지리적, 기상학적 차이, 예측 정확도, 예보 정확도 등의 차이와 계절적 특성에 따른 변동의 크기와 형태의 변화로 발생할 수 있고, 발전 예측 대비하여 실제 발전량의 오차 추이 및 양상을 분석해 보정하는 것이 목적이며, 예를 들어 장마철, 늦여름의 태풍 등은 계절적 패턴에 큰 변동성을 더하여 나타내고, 일사량과 발전량의 발전지점의 특성과의 관계를 선형회귀(linear regression)기법으로 파악할 수 있다.Here, insolation prediction through weather forecasting causes a difference compared to the actual amount of power generation. Factors causing the difference include geographical and meteorological differences, forecast accuracy, forecast accuracy, etc. It can occur due to changes in size and shape, and the purpose is to analyze and correct the error trend and aspect of actual power generation in preparation for power generation prediction. For example, the rainy season, typhoons in late summer, etc. The relationship between the amount of power generation and the characteristics of the power generation point can be grasped by a linear regression technique.

또한, 발전량의 차이는 발전량예측의 오차율이 증가하는 것을 의미하고, 전력계통 운영의 불확실성이 증가하는 것을 의미하는데, 도 1 및 도 2에 도시한 바와 같이 전라남도 해남에서는 해안 지역과 4km 떨어진 지역의 기상정보는 같지만, 태양광발전량의 차이가 나타나는 것을 확인할 수 있다. 즉, A site와 B site의 발전양상이 다름을 확인할 수 있다.In addition, the difference in power generation means that the error rate of power generation prediction increases, and the uncertainty of power system operation increases. As shown in FIGS. Although the information is the same, it can be seen that there is a difference in the solar power generation amount. That is, it can be confirmed that the development patterns of the A site and the B site are different.

상술한 바와 같이 도, 시 기상상황이 전 세부지역의 기상(기후)을 대표하는 상황에서 정확한 태양광 발전량예측을 위해 조밀한 지역의 전력데이터를 수집함으로써, 발전량예측 정확도를 향상시킬 수 있을 뿐만 아니라 발전량예측을 통해 물리적, 경제적 위험 요소를 예방할 수 있는 기술개발이 절실하게 요구되고 있다.As described above, it is possible to improve the accuracy of forecasting the amount of power generation by collecting power data in a dense area to accurately predict the amount of photovoltaic power generation in a situation where the weather conditions of provinces and cities represent the weather (climate) of all detailed regions. There is an urgent need for technology development that can prevent physical and economic risk factors through power generation prediction.

1. 한국공개특허 제10-2019-0065107호(2019.06.11.공개)1. Korean Patent Publication No. 10-2019-0065107 (published on June 11, 2019)

본 발명은 스마트가로등장치로부터 제공되는 실시간 일사량 및 발전량과, 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보를 이용하여 딥러닝알고리즘으로 학습하고, 발전량 예측에 필요한 대상에게 정확성 높은 발전 예측 서비스를 제공함으로써, 상업적, 공공적 서비스를 제공할 수 있는 가로등 장착형 태양광 발전 예측 시스템 및 그 서비스 방법을 제공하고자 한다.The present invention learns with a deep learning algorithm using real-time insolation and power generation provided from a smart streetlight device and past weather information and weather forecast provided from a weather information providing server, and provides a high-accuracy power generation prediction service to the target required for power generation prediction. By providing, it is intended to provide a street light-mounted photovoltaic generation prediction system and its service method that can provide commercial and public services.

또한, 본 발명은 발전량 예측을 기상예보 및 일사량 예측이 갖는 지역적 오차를 과거 발전량 데이터를 이용하여 분석한 예측오차패턴을 대입하여 비교 및 보상함으로써, 발전량예측 정확도를 더욱 더 향상시킬 수 있는 태양광 발전량예측 시스템 및 그 방법을 제공하고자 한다.In addition, the present invention compares and compensates for regional errors in weather forecasting and solar radiation prediction by substituting prediction error patterns analyzed using past power generation data, thereby further improving the accuracy of power generation prediction. It is intended to provide a prediction system and its method.

본 발명의 실시예들의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.Objects of the embodiments of the present invention are not limited to the above-mentioned purposes, and other objects not mentioned above will be clearly understood by those skilled in the art from the description below. .

본 발명의 일 측면에 따르면, 태양광발전을 통해 발전된 전력을 이용하여 가로등 점멸을 수행하며, 상기 태양광발전을 통해 발전된 발전량정보를 제공하고, 설치장소의 현재기상정보를 측정 및 제공하는 복수의 스마트가로등장치; 각 지역에 대응하는 기상정보를 제공하는 기상정보제공서버; 및 상기 복수의 스마트가로등장치로부터 제공되는 발전량정보 및 현재기상정보와, 상기 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보정보를 이용하여 딥러닝알고리즘으로 학습하고, 상기 스마트가로등장치에 대한 발전량예측이 요청될 경우 발전량 예측 서비스를 제공하는 발전량예측서비스서버;를 포함하는 태양광 발전량예측 시스템이 제공될 수 있다.According to one aspect of the present invention, a plurality of lights for flashing streetlights using power generated through photovoltaic power generation, providing information on the amount of power generated through the photovoltaic power generation, and measuring and providing current weather information at an installation location. smart street light device; A weather information providing server providing weather information corresponding to each region; and the generation amount information and current weather information provided from the plurality of smart street light devices, and past weather information and weather forecast information provided from the weather information providing server, and learning by a deep learning algorithm, and the amount of power generation for the smart street light device A solar power generation prediction system including a; power generation prediction service server that provides a power generation prediction service when a prediction is requested may be provided.

또한, 본 발명의 일 측면에 따르면, 상기 발전량예측서비스서버는, 상기 기상정보제공서버로부터 제공되는 기상예보정보에 따라 상기 딥러닝알고리즘을 통해 상기 현재발전량을 비교 및 보상하는 태양광 발전량예측 시스템이 제공될 수 있다.In addition, according to one aspect of the present invention, the power generation prediction service server is a photovoltaic power generation prediction system for comparing and compensating for the current power generation through the deep learning algorithm according to the weather forecast information provided from the weather information providing server. can be provided.

또한, 본 발명의 일 측면에 따르면, 상기 복수의 스마트가로등장치는, 각각 태양광을 이용하여 상기 태양광발전을 수행하는 태양광모듈; 상기 태양광발전을 통해 발전된 전력을 이용하여 발광되는 가로등; 상기 현재기상정보를 수집하여 제공하는 복수의 센서; 및 상기 태양광모듈, 배터리, 전력변환기 및 가로등을 각각 제어하되, 상기 발전량정보 및 현재기상정보를 각각 상기 발전량예측서비스서버로 전송하는 발전점멸제어기;를 포함하는 태양광 발전량예측 시스템이 제공될 수 있다.Further, according to an aspect of the present invention, the plurality of smart street light devices may include a photovoltaic module that performs the photovoltaic power generation using sunlight, respectively; a street light that emits light using the power generated through the photovoltaic power generation; A plurality of sensors for collecting and providing the current weather information; And a power generation blinking controller that controls the solar modules, batteries, power converters, and street lights, respectively, and transmits the power generation amount information and current weather information to the power generation prediction service server, respectively; a solar power generation prediction system comprising a can be provided there is.

또한, 본 발명의 일 측면에 따르면, 상기 발전량예측서비스서버는, 상기 발전량정보, 기상정보 및 예측발전량을 저장 관리하되, 상기 과거발전량정보 및 과거기상정보를 이용하여 학습된 상기 딥러닝알고리즘과, 상기 복수의 스마트가로등장치에 각각 대응하는 상기 현재기상정보, 기상예보정보 및 현재발전량을 데이터베이스화하여 관리하는 예측정보데이터베이스를 구비하는 태양광 발전량예측 시스템이 제공될 수 있다.In addition, according to one aspect of the present invention, the power generation prediction service server stores and manages the power generation information, weather information, and predicted power generation, and the deep learning algorithm learned using the past power generation information and past weather information, A solar power generation prediction system having a prediction information database for managing and managing the current weather information, weather forecast information, and current power generation amount corresponding to each of the plurality of smart street light devices may be provided.

또한, 본 발명의 일 측면에 따르면, 상기 태양광 발전량예측 시스템은, 상기 발전량예측서비스서버로부터 학습된 발전보정 및 예측모델을 갱신받아 향상된 발전량예측데이터를 제공하는 서비스이용기기;를 더 포함하는 태양광 발전량예측 시스템이 제공될 수 있다.In addition, according to one aspect of the present invention, the photovoltaic power generation prediction system further includes a service using device that receives an updated power generation correction and prediction model learned from the power generation prediction service server and provides improved power generation prediction data. A system for predicting the amount of photovoltaic power generation may be provided.

본 발명의 다른 측면에 따르면, 태양광발전을 통해 발전된 전력을 이용하여 가로등 점멸을 수행하는 복수의 스마트가로등장치로부터 각각 전송되는 발전량정보 및 현재기상정보를 발전량예측서비스서버에서 수신하여 저장하는 단계; 기상정보제공서버로부터 제공되는 기상정보를 상기 발전량예측서비스서버에서 수신하여 저장하는 단계; 상기 스마트가로등장치로부터 제공되는 상기 발전량정보 및 현재기상정보와, 상기 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보정보를 이용하여 딥러닝알고리즘으로 학습하는 단계; 및 상기 스마트가로등장치에 대한 발전량예측이 요청될 경우 상기 발전량예측서비스서버에서 발전량 예측 서비스를 제공하는 단계;를 포함하는 가로등 장착형 태양광 발전 예측 시스템의 서비스 방법이 제공될 수 있다.According to another aspect of the present invention, the power generation amount information and current weather information transmitted from a plurality of smart streetlight devices that blink streetlights using power generated through photovoltaic power generation, respectively, are received and stored by the power generation prediction service server; receiving and storing weather information provided from a weather information providing server in the power generation prediction service server; learning with a deep learning algorithm using the generation amount information and current weather information provided from the smart street light device, and past weather information and weather forecast information provided from the weather information providing server; and providing a power generation prediction service from the power generation prediction service server when the power generation prediction service for the smart street light device is requested.

상기 발전량 예측 서비스를 제공하는 단계는, 상기 발전량예측서비스서버를 통해 학습된 발전보정 및 예측모델을 갱신하여 향상된 발전량예측데이터를 서비스이용기기에서 수신하여 제공하는 를 더 포함하는 가로등 장착형 태양광 발전 예측 시스템의 서비스 방법이 제공될 수 있다.The providing of the power generation prediction service may further include receiving and providing improved power generation prediction data from a service using device by updating the power generation correction and prediction model learned through the power generation prediction service server. A service method of the system may be provided.

또한, 본 발명의 다른 측면에 따르면, 상기 태양광 발전량예측 방법은, 상기 발전량예측서비스서버에서 예측정보데이터베이스를 통해 상기 발전량정보, 기상정보 및 예측발전량을 저장 관리하되, 상기 과거발전량정보 및 과거기상정보를 이용하여 학습된 상기 딥러닝알고리즘과, 상기 복수의 스마트가로등장치에 각각 대응하는 상기 현재기상정보, 기상예보정보 및 현재발전량을 데이터베이스화하여 관리하는 태양광 발전량예측 방법이 제공될 수 있다.In addition, according to another aspect of the present invention, the solar power generation prediction method stores and manages the power generation information, weather information, and predicted power generation through a prediction information database in the power generation prediction service server, but the past power generation information and past weather The deep learning algorithm learned using the information, the current weather information, the weather forecast information, and the current generation amount respectively corresponding to the plurality of smart street light devices are stored in a database and managed. A method for predicting solar power generation amount can be provided.

본 발명은 스마트가로등장치로부터 제공되는 실시간 일사량 및 발전량과, 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보를 이용하여 딥러닝알고리즘으로 학습하고, 발전량 예측에 필요한 대상에게 정확성 높은 발전 예측 서비스를 제공함으로써, 상업적, 공공적 서비스를 제공할 수 있다.The present invention learns with a deep learning algorithm using real-time insolation and power generation provided from a smart streetlight device and past weather information and weather forecast provided from a weather information providing server, and provides a high-accuracy power generation prediction service to the target required for power generation prediction. By providing, commercial and public services can be provided.

또한, 본 발명은 발전량 예측을 기상예보 및 일사량 예측이 갖는 지역적 오차를 과거 발전량 데이터를 이용하여 분석한 예측오차패턴을 대입하여 비교 및 보상함으로써, 발전량예측 오차율을 시간별 발전량의 월평균오차 6-8%에서 2-4% 수준으로 낮출 수 있다.In addition, the present invention compares and compensates the regional error of the forecast of the amount of power generation by substituting the prediction error pattern analyzed using the past power generation data for the regional error of the forecast of the weather forecast and the amount of solar radiation, thereby reducing the error rate of the amount of power generation to an average monthly error of 6-8% of the hourly amount of power generation can be reduced to 2-4%.

한편, 발전예측과 보상은 과거의 발전데이터를 필요로 하는데, 본 발명은 수십-수백미터 간격으로 도심 및 격오지에 광범위하게 설치된 가로등, 보안등에 일사량계와 소형 태양광패널을 설치함으로써, 전국의 조밀한 해상도의 발전량데이터를 사전에 파악할 수 있으며, 이를 통해 신규로 설치되는 태양광발전시설의 발전예측과 보상이 향상된 정확도로 즉시 가능할 수 있으며, 설치 면과 주변의 물리적 환경에 따른 영향은 지소적인 훈련(training)에 의해 보정될 수 있다.On the other hand, power generation prediction and compensation require past power generation data. The present invention installs a solar meter and a small solar panel in street lights and security lights widely installed in downtown and remote areas at intervals of tens to hundreds of meters, It is possible to identify generation data with high resolution in advance, and through this, generation prediction and compensation of newly installed photovoltaic power generation facilities can be immediately performed with improved accuracy, and the influence of the installation surface and the surrounding physical environment is minimal. It can be corrected by training.

도 1 및 도 2는 종래의 지역별 발전량예측의 오차율을 설명하기 위한 도면이고,
도 3은 본 발명의 일 실시예에 따른 가로등 장착형 태양광 발전 예측 시스템의 블록구성도이며,
도 4 내지 도 8은 본 발명의 일 실시예에 따른 가로등 장착형 태양광 발전 예측 시스템을 설명하기 위한 도면이고,
도 9는 본 발명의 다른 실시예에 따라 가로등 장착형 태양광 발전 예측 시스템의 서비스 과정을 나타낸 플로우차트이다.1 and 2 are diagrams for explaining the error rate of conventional regional power generation prediction,
3 is a block diagram of a street light-mounted photovoltaic generation prediction system according to an embodiment of the present invention;
4 to 8 are views for explaining a street light-mounted photovoltaic generation prediction system according to an embodiment of the present invention,
9 is a flowchart illustrating a service process of a street light-mounted photovoltaic generation prediction system according to another embodiment of the present invention.

본 발명의 실시예들에 대한 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Advantages and characteristics of the embodiments of the present invention, and methods for achieving them will become clear with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention belongs. It is provided to completely inform the person who has the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numbers designate like elements throughout the specification.

본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. In describing the embodiments of the present invention, if it is determined that a detailed description of a known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, terms to be described later are terms defined in consideration of functions in the embodiment of the present invention, which may vary according to the intention or custom of a user or operator. Therefore, the definition should be made based on the contents throughout this specification.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 3은 본 발명의 일 실시예에 따른 태양광 발전량예측 시스템의 블록구성도이며, 도 4 내지 도 8은 본 발명의 일 실시예에 따른 태양광 발전량예측 시스템을 설명하기 위한 도면이다.3 is a block diagram of a solar power generation prediction system according to an embodiment of the present invention, and FIGS. 4 to 8 are diagrams for explaining the solar power generation prediction system according to an embodiment of the present invention.

도 3 내지 도 8을 참조하면, 본 발명의 일 실시예에 따른 가로등 장착형 태양광 발전 예측 시스템은 복수의 스마트가로등장치(100), 기상정보제공서버(200), 발전량예측서비스서버(300), 서비스이용기기(400), 유무선통신망(500) 등을 포함할 수 있다.3 to 8, the street light-mounted photovoltaic generation prediction system according to an embodiment of the present invention includes a plurality of smart street light devices 100, a weather information providing server 200, a power generation prediction service server 300, It may include a service using device 400, a wired/wireless communication network 500, and the like.

복수의 스마트가로등장치(100)는 태양광발전을 통해 발전된 전력을 이용하여 가로등 점멸을 수행하며, 상기 태양광발전을 통해 발전된 발전량정보를 제공하고, 설치장소의 현재기상정보를 측정 및 제공하는 장치로서, 태양광모듈(110), 전력변환기(120), 배터리(130), 가로등(140), 복수의 센서(150), 발전점멸제어기(160) 등을 포함할 수 있다.A plurality of smart streetlight devices 100 are devices that blink streetlights using power generated through solar power generation, provide information on the amount of power generated through the solar power generation, and measure and provide current weather information at the installation location. As, it may include a photovoltaic module 110, a power converter 120, a battery 130, a street light 140, a plurality of sensors 150, a power generation flashing controller 160, and the like.

여기에서, 태양광모듈(110)은 태양광을 이용하여 태양광 발전을 수행하는 것으로, 태양광을 집광하여 전기에너지를 발생시키는 복수의 소형태양광패널을 포함할 수 있다.Here, the photovoltaic module 110 is to perform photovoltaic power generation using sunlight, and may include a plurality of small-sized photovoltaic panels that generate electric energy by condensing sunlight.

그리고, 전력변환기(120)는 태양광모듈(110)을 통해 발전된 전력을 변환하여 배터리(130)에 충전하고, 배터리(130)에 충전된 전력을 방전시켜 변환하는 것으로, 컨버터, 인버터 등을 포함하는 PCS(power conditioning system)를 포함하여 태양광모듈(110)을 통해 출력되는 교류 전력을 직류로 변환시켜 배터리(130)에 저장(충전)하고, 배터리(130)에 저장된 직류 전력을 방전시켜 직류 또는 교류로 변환하여 조명장치(140)에 공급할 수 있다.In addition, the power converter 120 converts the power generated through the solar module 110, charges the battery 130, and discharges and converts the power charged in the battery 130, including a converter, an inverter, and the like. PCS (power conditioning system) converts the AC power output through the solar module 110 into DC, stores (charges) it in the battery 130, and discharges the DC power stored in the battery 130 to produce DC Alternatively, it may be converted into alternating current and supplied to the lighting device 140 .

예를 들면, DC-DC 컨버터는 전력의 전압레벨을 조절하여 출력할 수 있고, DC-AC 인버터는 전력을 교류전력으로 변환하여 출력할 수 있다.For example, the DC-DC converter can adjust the voltage level of power and output it, and the DC-AC inverter can convert the power into AC power and output it.

또한, 배터리(130)는 태양광모듈(110)을 통해 발전된 전력을 저장하는 것으로, 예를 들면, 연료전지 등을 포함하여 직류 전류에너지를 화학에너지 형태로 저장할 수 있으며, 발전점멸제어기(160)의 제어에 따라 저장(충전)된 전력을 가로등(140)으로 출력하기 위해 방전시킬 수 있다.In addition, the battery 130 stores power generated through the photovoltaic module 110, for example, including a fuel cell, etc., and can store DC current energy in the form of chemical energy, and the power generation flashing controller 160 According to the control of the stored (charged) power can be discharged to output to the street light (140).

그리고, 가로등(140)은 전력변환기(120)를 통해 변환된 전력을 이용하여 발광되는 것으로, 예를 들면, LED 등을 포함할 수 있으며, 발전점멸제어기(160)의 제어에 따라 전력변환기(120)를 통해 변환된 전력을 공급받아 발광됨으로써, 가로등(140)이 설치된 위치 및 방향으로 조명광을 조사할 수 있다.And, the street light 140 emits light using the power converted through the power converter 120, for example, may include an LED, etc., and the power converter 120 under the control of the power generation flashing controller 160 ) By receiving the converted power and emitting light, it is possible to irradiate illumination light to the location and direction where the street light 140 is installed.

또한, 복수의 센서(150)는 발전점멸제어기(160)의 제어에 따라 현재기상정보를 수집하여 충방전제어기(160)로 제공하는 것으로, 예를 들면, 전압센서, 전류센서, 일사량센서, 온도센서, 습도센서, 대기센서(즉, 산소, 이산화탄소 등을 측정하는 센서를 포함함), 경사센서, 풍속계, 풍향계, 조도센서, 기상관측센서(weather station) 등을 포함할 수 있으며, 이들을 통해 측정된 현재기상정보(예를 들면, 설치장소, 일사량, 온도, 습도, 대기정보, 풍속정보, 풍향정보, 달빛, 운량 등)는 발전점멸제어기(160)로 제공될 수 있다.In addition, the plurality of sensors 150 collects current weather information under the control of the power generation flashing controller 160 and provides it to the charge/discharge controller 160, for example, a voltage sensor, a current sensor, a solar radiation sensor, and a temperature sensor. It may include a sensor, humidity sensor, atmospheric sensor (ie, including a sensor that measures oxygen, carbon dioxide, etc.), inclination sensor, anemometer, wind vane, illuminance sensor, weather station, etc., and measurement through these Current weather information (for example, installation location, solar radiation, temperature, humidity, atmospheric information, wind speed information, wind direction information, moonlight, cloudiness, etc.) may be provided to the power generation/off controller 160.

여기에서, 운량의 경우 날씨와 유사하게 예를 들면, 맑음, 구름조금, 구름많음, 흐림 등으로 구분하여 제공될 수 있으며, 달빛의 경우 조도값으로 하여 제공될 수 있다.Here, in the case of cloudiness, similar to weather, for example, it may be divided into clear, little cloudiness, heavy cloudiness, cloudy, etc. and provided, and in the case of moonlight, it may be provided as an illuminance value.

또한, 일사량센서는 해당 지점의 예측일사량과 실제일사량의 차이를 분석할 수 있고, 기상관측센서는 일사량을 제외한 기상예보를 통해 발전예측하는 경우 기상관측정보를 제공하여 오차를 감소시킬 수 있다.In addition, the solar radiation sensor can analyze the difference between the predicted solar radiation and the actual solar radiation of the corresponding point, and the weather observation sensor can reduce errors by providing weather observation information when power generation is predicted through weather forecast excluding solar radiation.

발전점멸제어기(160)는 태양광모듈(110), 전력변환기(120), 배터리(130), 가로등(140) 및 복수의 센서(150)를 각각 제어하되, 발전량정보 및 현재기상정보를 각각 발전량예측서비스서버(300)로 전송할 수 있다.The power generation blinking controller 160 controls the solar module 110, the power converter 120, the battery 130, the street lamp 140, and a plurality of sensors 150, respectively, and generates power generation information and current weather information, respectively. It can be transmitted to the prediction service server 300.

이러한 발전점멸제어기(160)는 태양광모듈(110)을 통해 발전된 전력과 관련한 각종 발전량정보(예를 들면, 설치장소, 배터리용량, 충전상태(SOC), 실시간발전량 등)를 수집하여 발전량예측서비스서버(300)로 유무선통신망(500)을 통해 전송할 수 있고, 발전량예측서비스서버(300)로부터의 요청에 따라 현재발전량정보와 함께, 복수의 센서(150)를 통해 측정된 각종 현재기상정보(예를 들면, 설치장소, 일사량, 온도, 습도, 대기정보, 풍속정보, 풍향정보, 달빛, 운량 등)를 발전량예측서비스서버(300)로 전송할 수 있다.The power generation blinking controller 160 collects various power generation amount information (eg, installation location, battery capacity, state of charge (SOC), real-time power generation amount, etc.) related to the power generated through the solar module 110 to provide power generation prediction service. It can be transmitted to the server 300 through the wired/wireless communication network 500, and various current weather information measured through a plurality of sensors 150 together with the current generation amount information according to a request from the generation amount prediction service server 300 (eg For example, installation location, solar radiation, temperature, humidity, atmospheric information, wind speed information, wind direction information, moonlight, cloudiness, etc.) may be transmitted to the power generation prediction service server 300 .

아울러, 발전점멸제어기(160)는 발전량예측서비스서버(300)로부터 예측발전량에 대한 각종 데이터를 수신하여 예측발전량(예를 들면, 현재발전량, 이후발전량 등)을 참조로 하여 가로등(140)의 점멸을 제어할 수 있다.In addition, the power generation blinking controller 160 receives various data on the predicted power generation amount from the power generation prediction service server 300, and blinks the street light 140 with reference to the predicted power generation amount (eg, current power generation amount, future power generation amount, etc.) can control.

기상정보제공서버(200)는 각 지역에 대응하는 기상정보를 제공하는 서버로, 예를 들면, 기상청, 민간기상정보제공기업 등에서 운영하는 서버 및 데이터베이스를 포함할 수 있으며, 이들을 통해 측정, 수집 및 관리되는 기상정보(예를 들면, 지역, 측정위치, 날씨, 온도, 습도, 강수량, 운량 등)를 발전량예측서비스서버(300)에 제공할 수 있다. 이러한 기상정보는 과거기상정보, 현재기상정보 및 기상예보정보를 포함할 수 있다.The weather information providing server 200 is a server that provides weather information corresponding to each region, and may include, for example, servers and databases operated by the Korea Meteorological Administration, private weather information providing companies, etc., through which measurement, collection and Managed weather information (eg, region, measurement location, weather, temperature, humidity, precipitation, cloudiness, etc.) may be provided to the generation amount prediction service server 300 . Such weather information may include past weather information, current weather information, and weather forecast information.

발전량예측서비스서버(300)는 복수의 스마트가로등장치(100)로부터 제공되는 실시간 일사량을 포함하는 현재기상정보 및 발전량정보와, 기상정보제공서버(200)로부터 제공되는 과거기상정보 및 기상예보정보를 이용하여 딥러닝알고리즘으로 학습하고, 스마트가로등장치(100)에 대한 발전량예측이 요청될 경우 발전량 예측 서비스를 제공할 수 있다.The power generation prediction service server 300 provides current weather information and power generation information including real-time solar radiation provided from a plurality of smart street light devices 100, past weather information and weather forecast information provided from the weather information providing server 200. It is learned by using a deep learning algorithm, and when the prediction of the amount of power generation for the smart street light device 100 is requested, the power generation amount prediction service can be provided.

상술한 바와 같은 발전량예측서비스서버(300)에서 딥러닝알고리즘을 이용하여 발전량예측을 수행하는 것을 설명하면, 발전량예측에서는 기상학적 변동에 따른 관계의 변화가 발생하게 되므로 년, 월, 일, 시 등과 같은 시간정보를 특징값으로 추가하는 것으로는 오차를 줄이는 데 한계가 있을 뿐만 아니라 데이터가 충분하지 않을 경우에는 오히려 오차를 증가시키는 일이 발생하게 되는 문제가 있다.When explaining that the power generation prediction service server 300 as described above performs power generation prediction using a deep learning algorithm, in the power generation prediction, a change in relationship occurs due to meteorological fluctuations, so year, month, day, hour, etc. Adding the same time information as a feature value not only has limitations in reducing the error, but also increases the error if the data is not sufficient.

그리고, 기상학적, 지리적 위치에 따른 태풍, 한파 등 기상 이벤트의 영향 크기가 다르기 때문에, 과거데이터를 기상패턴특징들을 기준으로 분류(classification)하고, 이렇게 비슷한 기상-발전 관계의 패턴그룹에 따라 도 6에 도시한 바와 같이 딥러닝알고리즘의 트레이닝(training) 입력으로 사용함으로써, 발전오차를 줄이는 결과를 얻을 수 있다.In addition, since the influence of meteorological events such as typhoons and cold waves differs according to meteorological and geographical locations, the past data is classified based on the weather pattern characteristics, and according to the pattern group of the similar weather-development relationship, FIG. 6 As shown in , by using it as a training input of the deep learning algorithm, it is possible to obtain a result of reducing the power generation error.

종래의 보편적인 발전량 예측 시스템은 수년의 데이터를 확보한 후, 이를 머신러닝모델에 학습하여 결과를 도출할 수 있지만, 일반적인 머신러닝모델은 단일 모델로서 7월과 8월의 장마철이나, 눈이 오는 겨울의 오차와 같이 특정 기간에 발생하는 오차를 쉽게 학습하지 못하는 문제점이 있다.Conventional universal power generation prediction systems can obtain results by acquiring several years of data and then learning them into a machine learning model to derive results. There is a problem in that it is not easy to learn an error that occurs in a specific period, such as an error in winter.

따라서, 단일의 인공지능모델을 구성하는 것 보다 기상의 유형에 따라 다수의 인공지능모델을 활용하여 그 문제를 해결할 수 있는데, 4계절뿐만 아니라 장마철, 폭설 기후 등과 같이 기상의 유형에 따라 다수의 모델을 구현 및 학습을 진행할 수 있고, 이후 추론하고자 하는 데이터가 입력될 경우 시계열 데이터를 학습할 수 있는 LSTM(Long Sort Term Memory)을 활용하여 입력된 데이터가 어떤 인공지능 모델을 활용하여 발전량을 추론할지 판단할 수 있도록 우선 분류(Classification)하고, 분류 결과에 따라 그에 해당하는 인공지능 모델을 통해 발전량을 예측할 수 있다.Therefore, rather than constructing a single artificial intelligence model, the problem can be solved by using multiple artificial intelligence models according to the type of weather. can implement and learn, and when the data to be inferred is input, LSTM (Long Sort Term Memory) that can learn time series data is used to determine which artificial intelligence model the input data will be used to infer the amount of power generation. First of all, it is classified so that it can be judged, and according to the classification result, the amount of power generation can be predicted through the corresponding artificial intelligence model.

한편, 태양광발전기를 신규로 설치하는 지역에 스마트가로등이 설치가 되어있지 않은 경우, 기상 데이터 부재로 인해 발전량예측을 즉각적으로 서비스하기에 쉽지 않은 상황이 발생할 수 있는데, 본 발명에서는 이를 해결하기 위하여 CNN(Convolutional Neural Network)과 코사인유사도(Cosine Similarity)를 포함한 KNN(K-Nearest Neighbor) 알고리즘 비지도 클러스터(Cluster)를 활용할 수 있다.On the other hand, when a smart street light is not installed in an area where a solar power generator is newly installed, a situation may occur in which it is not easy to immediately service the generation amount prediction due to the absence of meteorological data. In the present invention, to solve this problem, Unsupervised clusters of KNN (K-Nearest Neighbor) algorithms including CNN (Convolutional Neural Network) and Cosine Similarity can be utilized.

예를 들면, 도 7에 도시한 바와 같이 기존에 스마트가로등이 설치된 지역의 위도 및 경도에 따라 지도어플리케이션(MAP API)을 통해 해당 위치를 기준으로 기 설정된 거리(예를 들면, 주변 10Km 등)의 지도 이미지 데이터를 파싱할 수 있고, CNN을 앞단에 둔 KNN 모델을 통해 이미지의 특징을 기반으로 수개의 클래스로 군집화할 수 있으며, 산악의 지형, 형세, 주변 산림 분포, 인공물의 위치, 해안가 등 인력으로 일일이 특징을 입력하는 태깅(Tagging)작업을 하지 않아도 이미지의 특징을 추출하는 CNN 모델을 통해 자동으로 비슷한 지형으로 묶어 특징을 분류할 수 있다.For example, as shown in FIG. 7, based on the latitude and longitude of the area where the smart street light is installed, a predetermined distance (eg, 10Km around) is calculated based on the location through a map application (MAP API). Map image data can be parsed, and through a KNN model with CNN at the front, it can be clustered into several classes based on the characteristics of the image, topography of mountains, shape, distribution of surrounding forests, location of artifacts, beaches, etc. It is possible to automatically classify features by grouping them into similar terrains through a CNN model that extracts features of images without having to do tagging work to input features one by one.

다음에, 도 8에 도시한 바와 같이 신규설치지역의 지도 이미지를 획득하고, 그 특징을 추출하여 이를 기반으로 사전에 분류된 군집 내에서 가장 비슷한 클래스를 선정한 후에, 클래스 내에서도 가장 비슷한 지형물을 찾기 위하여 코사인유사도(Cosine Similarity) 측정 알고리즘을 통해 정밀하게 보정할 수 있다.Next, as shown in FIG. 8, a map image of the new installation area is acquired, the characteristics are extracted, and based on this, the most similar class is selected within a pre-classified cluster, and then the most similar feature is found within the class. For this, it can be precisely corrected through a cosine similarity measurement algorithm.

상술한 바와 같은 과정을 통해 가장 비슷한 지형에서 서비스되고 있는 기존 발전량예측모델을 기반으로 데이터가 없는 신규지역에서도 즉시 발전량 예측 서비스를 제공할 수 있다.Through the process as described above, it is possible to immediately provide a power generation prediction service even in a new area without data based on an existing power generation prediction model that is being serviced in the most similar terrain.

그리고, 발전량예측서비스서버(300)는 상술한 바와 같이 학습된 발전보정 및 예측모델을 갱신하여 향상된 발전량예측데이터를 서비스이용기기(400)로 전송할 수 있다.In addition, the power generation prediction service server 300 may transmit improved power generation prediction data to the service using device 400 by updating the learned power generation correction and prediction model as described above.

상술한 바와 같은 발전량예측서비스서버(300)는 발전량정보, 기상정보 및 예측발전량을 저장 관리하되, 과거발전량정보 및 과거기상정보를 이용하여 학습된 딥러닝알고리즘과, 복수의 스마트가로등장치(100)에 각각 대응하는 현재기상정보, 기상예보정보 및 현재발전량을 데이터베이스화하여 관리하는 예측정보데이터베이스(310)를 구비할 수 있다.As described above, the power generation prediction service server 300 stores and manages power generation information, weather information, and predicted power generation, but uses a deep learning algorithm learned using past power generation information and past weather information, and a plurality of smart street light devices 100 It may be provided with a prediction information database 310 that manages the current weather information, weather forecast information, and current power generation corresponding to each database.

이러한 예측정보데이터베이스(310)는 예를 들면, 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리등), 자기 메모리, 자기 디스크, 광디스크, 램(Random AccESS(12) Memory: RAM), SRAM(Static Random AccESS(12) Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있으며, 인터넷(internet) 상에서 데이터베이스의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 웹 스토리지와 관련되어 동작할 수도 있다.This prediction information database 310 is, for example, a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg, SD or XD memory, etc.), magnetic memory, magnetic disk, optical disk, RAM (Random Access (12) Memory: RAM), SRAM (Static Random Access (12) Memory), ROM (Read-Only Memory: ROM), EEPROM ( It may include at least one storage medium of Electrically Erasable Programmable Read-Only Memory (PROM) and Programmable Read-Only Memory (PROM). , or may operate in relation to web storage.

서비스이용기기(400)는 발전량예측서비스서버(300)로부터 학습된 발전보정 및 예측모델을 갱신받아 향상된 발전량예측데이터를 제공하는 것으로, API(Application Programming Interface) 또는 APP(Application)을 이용하여 발전량 예측 서비스를 요청하거나, 혹은 발전량 예측 서비스를 제공받을 수 있는데, 발전량 예측 서비스를 제공받는 복수의 스마트가로등장치(100), 발전량 예측 서비스를 요청하거나 혹은 제공받는 이용자가 사용하는 스마트폰 등을 포함하는 스마트기기, 발전량 예측 서비스를 제공받는 IoT 디바이스 중 어느 하나일 수 있다. The service using device 400 provides improved power generation prediction data by updating the power generation correction and prediction model learned from the power generation prediction service server 300, and predicts power generation using API (Application Programming Interface) or APP (Application). It is possible to request a service or to receive a power generation prediction service, including a plurality of smart street light devices 100 receiving the power generation prediction service, and a smart phone used by a user who requests or receives the power generation prediction service. It may be any one of a device and an IoT device receiving power generation prediction service.

이러한 서비스이용기기(400)는 발전량예측서비스서버(300)에서 운영하는 웹사이트에 접속하여 발전량예측에 관련된 각종 서비스를 제공받거나, 혹은 발전량예측서비스서버(300)에서 제공되는 발전량예측에 관련된 어플리케이션을 다운로드받아 설치한 후에, 해당 어플리케이션을 통해 발전량예측에 관련된 각종 서비스를 제공받을 수 있다.The service using device 400 accesses the website operated by the power generation prediction service server 300 to receive various services related to power generation prediction, or uses applications related to power generation prediction provided by the power generation prediction service server 300. After downloading and installing, various services related to power generation prediction can be provided through the corresponding application.

유무선통신망(500)은 복수의 스마트가로등장치(100), 기상정보제공서버(200), 발전량예측서비스서버(300) 및 서비스이용기기(400) 상호 간의 유선통신환경 및 무선통신환경을 제공하는 것으로, 유선통신의 경우 USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등의 근거리 유선통신기술을 사용하여 데이터통신을 수행할 수 있다.The wired and wireless communication network 500 provides a wired communication environment and a wireless communication environment between a plurality of smart street light devices 100, a weather information providing server 200, power generation prediction service server 300, and service using devices 400. , In the case of wired communication, data communication can be performed using short-distance wired communication technologies such as USB communication, Ethernet, serial communication, and optical/coaxial cables.

또한, 무선통신의 경우 무선랜(Wireless LAN : WLAN), 와이파이(Wi-Fi), 와이브로(Wireless Broadband : Wibro), 와이맥스(World Interoperability for Microwave Access : Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱텀에볼루션(Long Term Evolution : LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service : WMBS) 등의 원거리 무선통신기술을 사용하여 데이터통신을 수행할 수 있으며, RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association : IrDA), UWB(Ultra Wideband), 지그비, 인접 자장 통신(NFC) 등이 포함될 수 있다.In addition, in the case of wireless communication, wireless LAN (WLAN), Wi-Fi, Wireless Broadband (Wibro), WiMAX (World Interoperability for Microwave Access: Wimax), HSDPA (High Speed Downlink Packet Access), Data communication can be performed using long-distance wireless communication technologies such as IEEE 802.16, Long Term Evolution (LTE), and Wireless Mobile Broadband Service (WMBS), and RFID (Radio Frequency Identification), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, Near Field Communication (NFC), and the like may be included.

따라서, 본 발명의 일 실시예에서는 스마트가로등장치로부터 제공되는 실시간 일사량 및 발전량과, 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보를 이용하여 딥러닝알고리즘으로 학습하고, 발전량 예측에 필요한 대상에게 정확성 높은 발전 예측 서비스를 제공함으로써, 상업적, 공공적 서비스를 제공할 수 있다.Therefore, in one embodiment of the present invention, by using the real-time insolation and power generation provided by the smart street light device and the past weather information and weather forecast provided from the weather information providing server, learning is performed by a deep learning algorithm, and the target required for power generation prediction is provided. By providing highly accurate development forecasting services, commercial and public services can be provided.

또한, 본 발명의 일 실시예에서는 발전량 예측을 기상예보 및 일사량 예측이 갖는 지역적 오차를 과거 발전량 데이터를 이용하여 분석한 예측오차패턴을 대입하여 비교 및 보상함으로써, 발전량예측 정확도를 더욱 더 향상시킬 수 있다.In addition, in an embodiment of the present invention, the prediction error of the weather forecast and solar radiation prediction is compared and compensated by substituting the prediction error pattern analyzed using the past power generation data, so that the accuracy of the prediction of the amount of power generation can be further improved. there is.

도 9는 본 발명의 다른 실시예에 따라 태양광 발전량예측 과정을 나타낸 플로우차트이다.9 is a flowchart illustrating a process of predicting the amount of solar power generation according to another embodiment of the present invention.

도 9를 참조하면, 태양광발전을 통해 발전된 전력을 이용하여 가로등 점멸을 수행하는 복수의 스마트가로등장치(100)로부터 각각 전송되는 발전량정보와 현재기상정보를 발전량예측서비스서버(300)에서 수신하여 저장할 수 있다(단계910).Referring to FIG. 9, the power generation amount prediction service server 300 receives power generation amount information and current weather information transmitted from a plurality of smart street light devices 100 that blink street lights using power generated through photovoltaic power generation. It can be saved (step 910).

여기에서, 복수의 스마트가로등장치(100)에 구비되는 발전점멸제어기(160)에서는 태양광모듈(110)을 통해 발전된 전력과 관련한 각종 발전량정보(예를 들면, 설치장소, 배터리용량, 충전상태(SOC), 실시간발전량 등)를 수집하여 발전량예측서비스서버(300)로 유무선통신망(500)을 통해 전송할 수 있다.Here, in the power generation blink controller 160 provided in the plurality of smart street light devices 100, various power generation amount information related to the power generated through the solar module 110 (eg, installation location, battery capacity, state of charge ( SOC), real-time power generation, etc.) may be collected and transmitted to the power generation prediction service server 300 through the wired/wireless communication network 500.

또한, 복수의 스마트가로등장치(100)에 구비되는 발전점멸제어기(160)에서는 복수의 센서(150)를 통해 현재기상정보(예를 들면, 설치장소, 일사량, 온도, 습도, 대기정보, 풍속정보, 풍향정보, 달빛, 운량 등)를 수집하여 발전량예측서비스서버(300)로 유무선통신망(500)을 통해 전송할 수 있다.In addition, in the power generation blink controller 160 provided in the plurality of smart street light devices 100, current weather information (eg, installation location, solar radiation, temperature, humidity, atmospheric information, wind speed information) is provided through a plurality of sensors 150 , wind direction information, moonlight, cloudiness, etc.) may be collected and transmitted to the power generation prediction service server 300 through the wired/wireless communication network 500.

그리고, 기상정보제공서버(200)로부터 제공되는 기상정보를 발전량예측서비스서버(300)에서 수신하여 저장할 수 있다(단계920).In addition, the weather information provided from the weather information providing server 200 may be received and stored by the power generation prediction service server 300 (step 920).

여기에서, 기상정보제공서버(200)에서는 지역기상측정소를 통해 측정 및 수집되는 기상정보(예를 들면, 지역, 측정위치, 날씨, 온도, 습도, 강수량, 운량 등)를 발전량예측서비스서버(300)에 유무선통신망(500)을 통해 제공할 수 있다. 이러한 기상정보는 과거기상정보, 현재기상정보 및 기상예보정보를 포함할 수 있다.Here, in the weather information providing server 200, the weather information (eg, region, measurement location, weather, temperature, humidity, precipitation, cloudiness, etc.) ) can be provided through the wired/wireless communication network 500. Such weather information may include past weather information, current weather information, and weather forecast information.

다음에, 발전량예측서비스서버(300)에서 스마트가로등장치(100)로부터 제공되는 발전량정보 및 현재기상정보와, 기상정보제공서버(200)로부터 제공되는 과거기상정보 및 기상예보정보를 이용하여 딥러닝알고리즘으로 학습할 수 있다(단계930).Next, in the power generation prediction service server 300, deep learning is performed using power generation information and current weather information provided from the smart street light device 100, and past weather information and weather forecast information provided from the weather information providing server 200. It can be learned as an algorithm (step 930).

여기에서, 발전량예측서비스서버(300)에서는 스마트가로등장치(100)의 발전량예측을 위해 단일의 인공지능모델을 구성하는 것 보다 기상의 유형에 따라 다수의 인공지능모델을 활용하여 그 문제를 해결할 수 있는데, 4계절뿐만 아니라 장마철, 폭설 기후 등과 같이 기상의 유형에 따라 다수의 모델을 구현 및 학습을 진행할 수 있고, 이후 추론하고자 하는 데이터가 입력될 경우 시계열 데이터를 학습할 수 있는 LSTM을 활용하여 입력된 데이터가 어떤 인공지능 모델을 활용하여 발전량을 추론할지 판단할 수 있도록 우선 분류하고, 분류 결과에 따라 그에 해당하는 인공지능 모델을 통해 발전량을 예측할 수 있다.Here, the power generation prediction service server 300 can solve the problem by utilizing a plurality of artificial intelligence models according to the type of weather rather than configuring a single artificial intelligence model to predict the power generation of the smart street light device 100. In addition to the four seasons, multiple models can be implemented and learned according to the type of weather, such as the rainy season and heavy snowy climate. The generated data is first classified so that it can be determined which artificial intelligence model to infer the amount of power generation, and according to the classification result, the amount of power generation can be predicted through the corresponding artificial intelligence model.

한편, 태양광발전기를 신규로 설치하는 지역에 스마트가로등이 설치가 되어있지 않은 경우, 기상 데이터 부재로 인해 발전량예측을 즉각적으로 서비스하기에 쉽지 않은 상황이 발생할 수 있는데, 본 발명에서는 이를 해결하기 위하여 CNN과 코사인유사도를 포함한 KNN 알고리즘 비지도 클러스터를 활용할 수 있다.On the other hand, when a smart street light is not installed in an area where a solar power generator is newly installed, a situation may occur in which it is not easy to immediately service the generation amount prediction due to the absence of meteorological data. In the present invention, to solve this problem, KNN algorithms including CNN and cosine similarity can utilize unsupervised clusters.

예를 들면, 도 7에 도시한 바와 같이 기존에 스마트가로등이 설치된 지역의 위도 및 경도에 따라 지도어플리케이션(MAP API)을 통해 해당 위치를 기준으로 기 설정된 거리(예를 들면, 주변 10Km 등)의 지도 이미지 데이터를 파싱할 수 있고, CNN을 앞단에 둔 KNN 모델을 통해 이미지의 특징을 기반으로 수개의 클래스로 군집화할 수 있으며, 산악의 지형, 형세, 주변 산림 분포, 인공물의 위치, 해안가 등 인력으로 일일이 특징을 입력하는 태깅작업을 하지 않아도 이미지의 특징을 추출하는 CNN 모델을 통해 자동으로 비슷한 지형으로 묶어 특징을 분류할 수 있다.For example, as shown in FIG. 7, based on the latitude and longitude of the area where the smart streetlight is installed, a preset distance (eg, 10Km around) is calculated based on the location through a map application (MAP API). Map image data can be parsed, and through a KNN model with CNN at the front, it can be clustered into several classes based on the characteristics of the image, topography of mountains, topography, distribution of surrounding forests, location of artifacts, coastal areas, etc. It is possible to automatically classify features by grouping them into similar terrains through a CNN model that extracts features of images without having to do the tagging work of inputting features one by one.

다음에, 도 8에 도시한 바와 같이 신규설치지역의 지도 이미지를 획득하고, 그 특징을 추출하여 이를 기반으로 사전에 분류된 군집 내에서 가장 비슷한 클래스를 선정한 후에, 클래스 내에서도 가장 비슷한 지형물을 찾기 위하여 코사인유사도 측정 알고리즘을 통해 정밀하게 보정할 수 있다.Next, as shown in FIG. 8, a map image of the new installation area is acquired, the characteristics are extracted, and based on this, the most similar class is selected within a pre-classified cluster, and then the most similar feature is found within the class. For this, it can be precisely corrected through a cosine similarity measurement algorithm.

상술한 바와 같은 과정을 통해 가장 비슷한 지형에서 서비스되고 있는 기존 발전량예측모델을 기반으로 데이터가 없는 신규지역에서도 즉시 발전량 예측 서비스를 제공할 수 있다.Through the process as described above, it is possible to immediately provide a power generation prediction service even in a new area without data based on an existing power generation prediction model that is being serviced in the most similar terrain.

또한, 발전량예측서비스서버(300)에서는 스마트가로등장치(100)에 대한 발전량예측이 요청될 경우 발전량 예측 서비스를 제공할 수 있다(단계940).In addition, the generation amount prediction service server 300 may provide the generation amount prediction service when the generation amount prediction for the smart street light device 100 is requested (step 940).

이러한 발전량 예측 서비스를 제공하는 단계(940)에서는 서비스이용기기(400)에서 발전량예측서비스서버(300)로 스마트가로등장치(100)에 대한 발전량예측을 요청하거나, 기 설정된 시간주기(예를 들면, 1일, 5일, 10일 등)에 따라 발전량예측이 요청될 경우 발전량예측서비스서버(300)에서는 상기 단계(930)에서 학습된 발전보정 및 예측모델을 갱신하여 향상된 발전량예측데이터를 서비스이용기기(400)로 전송할 수 있고, 서비스이용기기(400)에서는 발전량예측서비스서버(300)로부터 학습된 발전보정 및 예측모델을 갱신받아 향상된 발전량예측데이터를 제공할 수 있다.In the step 940 of providing such a power generation prediction service, the service using device 400 requests the power generation prediction service server 300 to predict the power generation amount of the smart street light device 100, or a predetermined time period (for example, 1 day, 5 days, 10 days, etc.), the power generation prediction service server 300 updates the power generation correction and prediction model learned in step 930 to provide improved power generation prediction data to the service using device 400, and the service using device 400 receives the updated power generation correction and prediction model learned from the power generation prediction service server 300 to provide improved power generation prediction data.

예를 들면, 서비스이용기기(400)에서는 API 또는 APP을 이용하여 발전량 예측 서비스를 요청하거나, 혹은 발전량 예측 서비스를 제공받을 수 있는데, 발전량 예측 서비스를 제공받는 복수의 스마트가로등장치(100), 발전량 예측 서비스를 요청하거나 혹은 제공받는 이용자가 사용하는 스마트폰 등을 포함하는 스마트기기, 발전량 예측 서비스를 제공받는 IoT 디바이스 중 어느 하나일 수 있다. For example, the service using device 400 may request a power generation prediction service or receive a power generation prediction service using an API or APP. It may be any one of a smart device including a smart phone used by a user requesting or receiving the prediction service, and an IoT device receiving the power generation prediction service.

이러한 서비스이용기기(400)에서는 발전량예측서비스서버(300)에서 운영하는 웹사이트에 접속하여 발전량예측에 관련된 각종 서비스를 제공받거나, 혹은 발전량예측서비스서버(300)에서 제공되는 발전량예측에 관련된 어플리케이션을 다운로드받아 설치한 후에, 해당 어플리케이션을 통해 발전량예측에 관련된 각종 서비스를 제공받을 수 있다.In this service using device 400, access to the website operated by the generation prediction service server 300 to receive various services related to generation prediction, or use applications related to generation prediction provided by the generation prediction service server 300. After downloading and installing, various services related to power generation prediction can be provided through the corresponding application.

상술한 바와 같은 발전량예측서비스서버(300)에서는 예측정보데이터베이스(310)를 통해 발전량정보, 기상정보 및 예측발전량을 저장 관리하되, 과거발전량정보 및 과거기상정보를 이용하여 학습된 딥러닝알고리즘과, 복수의 스마트가로등장치에 각각 대응하는 현재기상정보, 기상예보정보 및 현재발전량을 데이터베이스화하여 관리할 수 있다.As described above, the power generation prediction service server 300 stores and manages power generation information, weather information, and predicted power generation through the prediction information database 310, but uses a deep learning algorithm learned using past power generation information and past weather information, Current weather information, weather forecast information, and current power generation corresponding to each of a plurality of smart street light devices can be managed by making a database.

따라서, 본 발명의 다른 실시예에서는 스마트가로등장치로부터 제공되는 실시간 일사량 및 발전량과, 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보를 이용하여 딥러닝알고리즘으로 학습하고, 발전량 예측에 필요한 대상에게 정확성 높은 발전 예측 서비스를 제공함으로써, 상업적, 공공적 서비스를 제공할 수 있다.Therefore, in another embodiment of the present invention, by using the real-time insolation and power generation provided by the smart street light device and the past weather information and weather forecast provided by the weather information providing server, learning is performed by a deep learning algorithm, and the target required for power generation prediction is provided. By providing highly accurate development forecasting services, commercial and public services can be provided.

또한, 본 발명의 다른 실시예에서는 발전량 예측을 기상예보 및 일사량 예측이 갖는 지역적 오차를 과거 발전량 데이터를 이용하여 분석한 예측오차패턴을 대입하여 비교 및 보상함으로써, 발전량예측 정확도를 더욱 더 향상시킬 수 있다.In addition, in another embodiment of the present invention, the forecasting accuracy of generating generation can be further improved by comparing and compensating for regional errors in weather forecasting and insolation forecasting by substituting prediction error patterns analyzed using past generation data. there is.

이상의 설명에서는 본 발명의 다양한 실시예들을 제시하여 설명하였으나 본 발명이 반드시 이에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능함을 쉽게 알 수 있을 것이다.In the above description, various embodiments of the present invention have been presented and described, but the present invention is not necessarily limited thereto. It will be readily apparent that branch substitutions, modifications and alterations are possible.

100 : 복수의 스마트가로등장치
110 : 태양광모듈
120 : 전력변환기
130 : 배터리
140 : 가로등
150 : 복수의 센서
160 : 발전점멸제어기
200 : 기상정보제공서버
300 : 발전량예측서비스서버
310 : 예측정보데이터베이스
400 : 서비스이용기기
500 : 유무선통신망100: multiple smart street light devices
110: solar module
120: power converter
130: battery
140: street light
150: multiple sensors
160: power generation flashing controller
200: Weather information providing server
300: power generation prediction service server
310: prediction information database
400: service use device
500: wired/wireless communication network

Claims (7)

태양광발전을 통해 발전된 전력을 이용하여 가로등 점멸을 수행하며, 상기 태양광발전을 통해 발전된 발전량정보를 제공하고, 설치장소의 현재기상정보를 측정 및 제공하는 복수의 스마트가로등장치;
각 지역에 대응하는 기상정보를 제공하는 기상정보제공서버; 및
상기 복수의 스마트가로등장치로부터 제공되는 발전량정보 및 현재기상정보와, 상기 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보정보를 이용하여 딥러닝알고리즘으로 학습하고, 상기 스마트가로등장치에 대한 발전량예측이 요청될 경우 발전량 예측 서비스를 제공하는 발전량예측서비스서버;를 포함하며,
상기 딥러닝알고리즘은,
과거데이터를 기상패턴특징들을 기준으로 분류(classification)하고, 기상-발전 관계의 패턴그룹에 따라 상기 딥러닝알고리즘의 트레이닝(training) 입력으로 사용하여 발전오차를 감소시키며, 인공지능모델을 복수개 활용하여 4계절뿐만 아니라 기상의 유형에 따라 학습을 진행한 후, 추론하고자 하는 데이터가 입력될 경우 시계열 데이터를 학습할 수 있는 LSTM(Long Sort Term Memory)을 활용하여 입력된 데이터가 어떤 인공지능모델을 활용하여 발전량을 추론할지 판단할 수 있도록 우선 분류(Classification)하고, 분류 결과에 따라 발전량을 예측하고,
상기 발전량예측서비스서버는,
신규설치지역의 경우, CNN(Convolutional Neural Network)과 코사인유사도(Cosine Similarity)를 포함한 KNN(K-Nearest Neighbor) 알고리즘 비지도 클러스터(Cluster)를 활용하되, 상기 스마트가로등장치가 설치된 지역의 위도 및 경도에 따라 지도어플리케이션(MAP API)을 통해 해당 위치를 기준으로 기 설정된 거리의 지도 이미지 데이터를 파싱하고, 상기 CNN을 앞단에 둔 KNN 모델을 통해 이미지의 특징을 기반으로 수개의 클래스로 군집화하며, 상기 CNN을 통해 비슷한 지형으로 묶어 특징을 분류한 후에, 상기 신규설치지역의 지도 이미지를 획득하고, 상기 획득된 지도 이미지의 특징을 추출하여 사전에 분류된 군집 내에서 상기 코사인유사도를 통해 가장 비슷한 지형을 선정하며, 선정된 지형에서 서비스되는 발전량예측모델을 기반으로 상기 발전량 예측 서비스를 제공하는
가로등 장착형 태양광 발전 예측 시스템.
A plurality of smart street light devices that blink streetlights using power generated through photovoltaic power generation, provide information on the amount of power generated through the photovoltaic power generation, and measure and provide current weather information at the installation location;
A weather information providing server providing weather information corresponding to each region; and
Using the power generation information and current weather information provided from the plurality of smart street light devices, and past weather information and weather forecast information provided from the weather information providing server, learning is performed by a deep learning algorithm, and power generation prediction for the smart street light device is used. A power generation prediction service server that provides power generation prediction service when requested,
The deep learning algorithm,
Classify past data based on weather pattern features, use it as a training input for the deep learning algorithm according to weather-generation relationship pattern groups to reduce power generation errors, and use a plurality of artificial intelligence models to After learning according to the type of weather as well as the 4 seasons, if the data to be inferred is input, LSTM (Long Sort Term Memory) that can learn time series data is used to utilize which artificial intelligence model the input data is. to determine whether to deduce the amount of power generation by first classifying it, predicting the amount of power generation according to the classification result,
The power generation prediction service server,
In the case of new installation areas, KNN (K-Nearest Neighbor) algorithms including CNN (Convolutional Neural Network) and Cosine Similarity (Cosine Similarity) are utilized, but the latitude and longitude of the area where the smart street light device is installed is utilized. According to the map application (MAP API), the map image data of the preset distance is parsed based on the location, and the CNN is clustered into several classes based on the characteristics of the image through the KNN model in the front stage. After classifying features by grouping them into similar terrains through CNN, obtaining map images of the new installation area, extracting features from the obtained map images, and determining the most similar terrains through the cosine similarity within the pre-classified clusters. Select and provide the power generation prediction service based on the power generation prediction model serviced in the selected terrain
Streetlight-mounted solar power prediction system.
 청구항 1에 있어서,
상기 복수의 스마트가로등장치는, 각각
태양광을 이용하여 상기 태양광발전을 수행하는 태양광모듈;
상기 태양광발전을 통해 발전된 전력을 이용하여 발광되는 가로등;
상기 현재기상정보를 수집하여 제공하는 복수의 센서; 및
상기 태양광모듈, 배터리, 전력변환기 및 가로등을 각각 제어하되, 상기 발전량정보 및 현재기상정보를 각각 상기 발전량예측서비스서버로 전송하는 발전점멸제어기;
를 포함하는 가로등 장착형 태양광 발전 예측 시스템.
The method of claim 1,
The plurality of smart street light devices are each
A photovoltaic module that performs the photovoltaic power generation using sunlight;
a street light that emits light using the power generated through the photovoltaic power generation;
A plurality of sensors for collecting and providing the current weather information; and
A power generation blinking controller that controls the solar module, battery, power converter, and street light, respectively, and transmits the power generation amount information and current weather information to the power generation prediction service server;
A street light-mounted solar power prediction system that includes a.
 청구항 2에 있어서,
상기 발전량예측서비스서버는,
상기 발전량정보, 기상정보 및 예측발전량을 저장 관리하되, 과거발전량정보 및 상기 과거기상정보를 이용하여 학습된 상기 딥러닝알고리즘과, 상기 복수의 스마트가로등장치에 각각 대응하는 상기 현재기상정보, 기상예보정보 및 현재발전량을 데이터베이스화하여 관리하는 예측정보데이터베이스를 구비하는
가로등 장착형 태양광 발전 예측 시스템.
The method of claim 2,
The power generation prediction service server,
The power generation information, weather information, and predicted power generation are stored and managed, but the deep learning algorithm learned using the past power generation information and the past weather information, and the current weather information and weather forecast corresponding to the plurality of smart street light devices, respectively Equipped with a prediction information database that manages information and current power generation into a database
Streetlight-mounted solar power prediction system.
 청구항 3에 있어서,
상기 가로등 장착형 태양광 발전량예측 시스템은,
상기 발전량예측서비스서버로부터 상기 딥러닝알고리즘을 통해 학습된 발전보정 및 예측모델을 갱신받아 향상된 발전량예측데이터를 제공하는 서비스이용기기;
를 더 포함하는 가로등 장착형 태양광 발전 예측 시스템.
The method of claim 3,
The street light-mounted solar power generation prediction system,
a service using device receiving updated power generation correction and prediction models learned through the deep learning algorithm from the power generation prediction service server and providing improved power generation prediction data;
A street light-mounted photovoltaic power generation prediction system further comprising a.
 태양광발전을 통해 발전된 전력을 이용하여 가로등 점멸을 수행하는 복수의 스마트가로등장치로부터 각각 전송되는 발전량정보 및 현재기상정보를 발전량예측서비스서버에서 수신하여 저장하는 단계;
기상정보제공서버로부터 제공되는 기상정보를 상기 발전량예측서비스서버에서 수신하여 저장하는 단계;
상기 스마트가로등장치로부터 제공되는 상기 발전량정보 및 현재기상정보와, 상기 기상정보제공서버로부터 제공되는 과거기상정보 및 기상예보정보를 이용하여 딥러닝알고리즘으로 학습하는 단계; 및
상기 스마트가로등장치에 대한 발전량예측이 요청될 경우 상기 발전량예측서비스서버에서 발전량 예측 서비스를 제공하는 단계;를 포함하며,
상기 딥러닝알고리즘으로 학습하는 단계는,
과거데이터를 기상패턴특징들을 기준으로 분류(classification)하고, 기상-발전 관계의 패턴그룹에 따라 상기 딥러닝알고리즘의 트레이닝(training) 입력으로 사용하여 발전오차를 감소시키며, 인공지능모델을 복수개 활용하여 4계절뿐만 아니라 기상의 유형에 따라 학습을 진행한 후, 추론하고자 하는 데이터가 입력될 경우 시계열 데이터를 학습할 수 있는 LSTM(Long Sort Term Memory)을 활용하여 입력된 데이터가 어떤 인공지능모델을 활용하여 발전량을 추론할지 판단할 수 있도록 우선 분류(Classification)하고, 분류 결과에 따라 발전량을 예측하고,
상기 발전량 예측 서비스를 제공하는 단계는,
신규설치지역의 경우, CNN(Convolutional Neural Network)과 코사인유사도(Cosine Similarity)를 포함한 KNN(K-Nearest Neighbor) 알고리즘 비지도 클러스터(Cluster)를 활용하되, 상기 스마트가로등장치가 설치된 지역의 위도 및 경도에 따라 지도어플리케이션(MAP API)을 통해 해당 위치를 기준으로 기 설정된 거리의 지도 이미지 데이터를 파싱하고, 상기 CNN을 앞단에 둔 KNN 모델을 통해 이미지의 특징을 기반으로 수개의 클래스로 군집화하며, 상기 CNN을 통해 비슷한 지형으로 묶어 특징을 분류한 후에, 상기 신규설치지역의 지도 이미지를 획득하고, 상기 획득된 지도 이미지의 특징을 추출하여 사전에 분류된 군집 내에서 상기 코사인유사도를 통해 가장 비슷한 지형을 선정하며, 선정된 지형에서 서비스되는 발전량예측모델을 기반으로 상기 발전량 예측 서비스를 제공하는
가로등 장착형 태양광 발전 예측 시스템의 서비스 방법.
Receiving and storing power generation amount information and current weather information transmitted from a plurality of smart streetlight devices that blink streetlights using power generated through solar power generation by a power generation prediction service server;
receiving and storing weather information provided from a weather information providing server in the power generation prediction service server;
learning with a deep learning algorithm using the generation amount information and current weather information provided from the smart street light device, and past weather information and weather forecast information provided from the weather information providing server; and
Providing a power generation prediction service from the power generation prediction service server when the power generation prediction for the smart street light device is requested;
The step of learning with the deep learning algorithm,
Classify past data based on weather pattern features, use it as a training input for the deep learning algorithm according to weather-generation relationship pattern groups to reduce power generation errors, and use a plurality of artificial intelligence models to After learning according to the type of weather as well as the 4 seasons, if the data to be inferred is input, LSTM (Long Sort Term Memory) that can learn time series data is used to utilize which artificial intelligence model the input data is. to determine whether to deduce the amount of power generation by first classifying it, predicting the amount of power generation according to the classification result,
The step of providing the power generation prediction service,
In the case of new installation areas, KNN (K-Nearest Neighbor) algorithms including CNN (Convolutional Neural Network) and Cosine Similarity (Cosine Similarity) are utilized, but the latitude and longitude of the area where the smart street light device is installed is utilized. According to the map application (MAP API), the map image data of the predetermined distance is parsed based on the location, and the CNN is clustered into several classes based on the characteristics of the image through the KNN model in the front stage. After classifying features by grouping them into similar terrains through CNN, acquiring map images of the new installation area, extracting features from the obtained map images, and determining the most similar terrains through the cosine similarity within the pre-classified clusters. Select and provide the power generation prediction service based on the power generation prediction model serviced in the selected terrain
Service method of streetlight-mounted photovoltaic generation forecasting system.
 청구항 5에 있어서,
상기 발전량 예측 서비스를 제공하는 단계는,
상기 발전량예측서비스서버에서 상기 딥러닝알고리즘을 통해 학습된 발전보정 및 예측모델을 갱신하여 향상된 발전량예측데이터를 서비스이용기기에서 수신하여 제공하는
를 더 포함하는 가로등 장착형 태양광 발전 예측 시스템의 서비스 방법.
The method of claim 5,
The step of providing the power generation prediction service,
Renewing the power generation correction and prediction model learned through the deep learning algorithm in the power generation prediction service server to receive and provide improved power generation prediction data from the service using device
Service method of the street light-mounted photovoltaic power generation prediction system further comprising a.
 청구항 6에 있어서,
상기 가로등 장착형 태양광 발전 예측 시스템의 서비스 방법은,
상기 발전량예측서비스서버에서 예측정보데이터베이스를 통해 상기 발전량정보, 기상정보 및 예측발전량을 저장 관리하되, 과거발전량정보 및 상기 과거기상정보를 이용하여 학습된 상기 딥러닝알고리즘과, 상기 복수의 스마트가로등장치에 각각 대응하는 상기 현재기상정보, 기상예보정보 및 현재발전량을 데이터베이스화하여 관리하는
가로등 장착형 태양광 발전 예측 시스템의 서비스 방법.The method of claim 6,
The service method of the street light-mounted photovoltaic power generation prediction system,
The power generation prediction service server stores and manages the power generation information, weather information, and predicted power generation through a prediction information database, and the deep learning algorithm learned using the past power generation information and the past weather information, and the plurality of smart street light devices To database and manage the current weather information, weather forecast information, and current power generation corresponding to each
Service method of streetlight-mounted photovoltaic generation forecasting system.
KR1020220079112A 2022-06-28 2022-06-28 Street lamp mounting type photovoltaic generation forecasting system and its service method KR102513943B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220079112A KR102513943B1 (en) 2022-06-28 2022-06-28 Street lamp mounting type photovoltaic generation forecasting system and its service method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220079112A KR102513943B1 (en) 2022-06-28 2022-06-28 Street lamp mounting type photovoltaic generation forecasting system and its service method

Publications (1)

Publication Number Publication Date
KR102513943B1 true KR102513943B1 (en) 2023-03-27

Family

ID=85799791

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220079112A KR102513943B1 (en) 2022-06-28 2022-06-28 Street lamp mounting type photovoltaic generation forecasting system and its service method

Country Status (1)

Country Link
KR (1) KR102513943B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101849323B1 (en) * 2017-04-12 2018-05-31 주식회사 로드솔라 Convenience system for public services which is installed on street light pole
KR20190032038A (en) * 2017-09-19 2019-03-27 (주)코러싱 Solar lighting system with integrated control board and monitoring system using it
KR20190065107A (en) 2017-12-01 2019-06-11 한국전자통신연구원 Apparatus and method for estimating solar power
KR20200057821A (en) * 2018-11-13 2020-05-27 주식회사 에코시안 solar photovoltatic power generation forecasting apparatus and method based on big data analysis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101849323B1 (en) * 2017-04-12 2018-05-31 주식회사 로드솔라 Convenience system for public services which is installed on street light pole
KR20190032038A (en) * 2017-09-19 2019-03-27 (주)코러싱 Solar lighting system with integrated control board and monitoring system using it
KR20190065107A (en) 2017-12-01 2019-06-11 한국전자통신연구원 Apparatus and method for estimating solar power
KR20200057821A (en) * 2018-11-13 2020-05-27 주식회사 에코시안 solar photovoltatic power generation forecasting apparatus and method based on big data analysis

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
천기영. 일기예보 정보를 활용한 독립형 태양광 가로등의 에너지 관리 시스템. 학위논문(석사), 숭실대학교 일반대학원, 전기공학과, 2015.2.* *

Similar Documents

Publication Publication Date Title
Han et al. A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm
Maatallah et al. Assessment viability for hybrid energy system (PV/wind/diesel) with storage in the northernmost city in Africa, Bizerte, Tunisia
CN103609201B (en) Adaptive controlled outdoor lighting system and method of operation thereof
Nandi et al. Prospect of wind–PV-battery hybrid power system as an alternative to grid extension in Bangladesh
CN107912067B (en) Solar power generation amount prediction device and solar power generation amount prediction method
Zargar et al. Development of a Markov-chain-based solar generation model for smart microgrid energy management system
KR101797915B1 (en) System of monitoring solar generation based on real-time solar power generation efficiency
CN109494723A (en) A kind of micro-grid system and its control and generated energy prediction technique
CN103390199A (en) Photovoltaic power generation capacity/power prediction device
CN115796393B (en) Energy management optimization method, system and storage medium based on multi-energy interaction
CN115065104B (en) Micro-grid multi-energy integrated dispatching system
CN105515042A (en) Photovoltaic access capacity optimization algorithm of wind-photovoltaic combination farm project
JP6153651B2 (en) Management server, local weather information generation system, and local weather information generation method
CN103916071B (en) A kind of uniform output intelligent control system of wind light mutual complementing power generation and method
CN114332597A (en) Space-time prediction method for roof photovoltaic
Loukakis et al. Feasibility study of microgrid village with renewable energy sources
Zamanidou et al. Day‐ahead scheduling of a hybrid renewable energy system based on generation forecasting using a deep‐learning approach
CN116706905B (en) Multi-energy prediction and scheduling method, equipment and storage medium based on power system
KR102513943B1 (en) Street lamp mounting type photovoltaic generation forecasting system and its service method
CN115693909A (en) Renewable energy source fusion type intelligent farm comprehensive management system
CN113178896A (en) Fixed-output light storage combined power station installed capacity configuration method and system
Vijay et al. Solar Irradiance Forecasting Using Bayesian Optimization Based Machine Learning Algorithm to Determine the Optimal Size of a Residential PV System
López-González Community-scale rural energy systems: General planning algorithms and methods for developing countries
CN116742624B (en) Photovoltaic power generation amount prediction method and system
CN116070782B (en) Big data-based energy reserve management method and system

Legal Events

Date Code Title Description
GRNT Written decision to grant