KR20220045793A

KR20220045793A - Apparatus and method for predicting solar power output

Info

Publication number: KR20220045793A
Application number: KR1020200128850A
Authority: KR
Inventors: 정재성; 공준혁
Original assignee: 아주대학교산학협력단
Priority date: 2020-10-06
Filing date: 2020-10-06
Publication date: 2022-04-13
Also published as: KR102421632B9; KR102421632B1

Abstract

Disclosed are an apparatus and method for predicting solar power output, which can predict the amount of solar power generation more accurately by considering the influence of fine dust as well as existing meteorological information. The apparatus for predicting solar power output according to one embodiment includes: a data classifying unit that receives an input data set and classifies the input data set into sub-datasets according to a specific classification criterion; a feature scaling unit that generates proper features by performing preprocessing according to the data distribution of the sub-datasets; a solar radiation predicting unit for predicting the amount of solar radiation based on sub proper features necessary for solar radiation amount prediction among the proper features; and a power generation predicting unit generating a power generation prediction model based on learning data including the proper features, the amount of solar radiation, and the total amount of cloud corresponding to a specific classification criterion, and predicting the amount of power generation based on the power generation prediction model.

Description

태양광 발전 출력 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING SOLAR POWER OUTPUT}Apparatus and method for predicting solar power output

개시되는 실시예들은 기상정보, 전운량 및 미세먼지를 기초로 태양광의 발전 출력을 예측하는 태양광 발전 출력 예측 장치 및 방법에 관한 것이다.The disclosed embodiments relate to an apparatus and method for predicting solar power generation output for predicting solar power generation output based on weather information, total cloudiness, and fine dust.

태양광발전(Photovoltaic Generation, PV)은 광전효과(Photoelectric Effect)를 기반으로 태양빛을 전기에너지로 변환시키는 발전기술이다. 따라서, 주변 환경에 의해 발전량이 간헐적으로 변화할 수 있으며 발전량의 불확실성에 의해 전력계통에서 수요에 대한 공급을 능동적으로 조절하는 데 어려움이 야기될 수 있다.Photovoltaic Generation (PV) is a power generation technology that converts sunlight into electrical energy based on the Photoelectric Effect. Therefore, the amount of power generation may be intermittently changed depending on the surrounding environment, and it may be difficult to actively control supply to demand in the power system due to uncertainty in the amount of power generation.

현재 한국의 경우 태양광발전의 비중이 점차 높아지고 있는 바, 높은 정확도를 지닌 태양광 발전예측기술의 확보는 신뢰성 있는 발전계획 수립을 위하여 필수적이다.Currently, in Korea, the proportion of photovoltaic power generation is gradually increasing, so securing high-accuracy photovoltaic power generation forecasting technology is essential for establishing a reliable power generation plan.

그런데, 태양광 발전량은 주변 환경에 영향을 많이 받는다는 특징을 지닌다. 특히 지리적 위치와 설치 각도에 의해서 태양광 발전 출력이 변동되고, 그 중에서도 국내에서 이슈가 되고 있는 미세먼지 또한 태양광 발전 출력에 영향을 미칠 가능성이 높다. 예를 들어, 미세먼지가 많은 날에는 빛의 산란 효과가 높아져 태양광의 기존 경로에 직접적으로 영향을 미치는 결과, 지면에 도달하는 햇빛의 양이 감소하게 된다. However, the amount of solar power generation has a characteristic that it is greatly influenced by the surrounding environment. In particular, the solar power generation output fluctuates depending on the geographical location and installation angle, and among them, fine dust, which is an issue in Korea, is highly likely to affect the solar power generation output. For example, on days with a lot of fine dust, the scattering effect of light increases, directly affecting the existing path of sunlight, and as a result, the amount of sunlight reaching the ground decreases.

한국공개특허 제10-2015-0074462(2015.07.02)호는 태양광 발전소 부지 선정을 위한 태양광 발전량 예측 방법에 관한 것으로, 일사량과 태양광 모듈의 외기 온도를 획득하여 환경에 따른 태양광 발전량을 계산하는 단계와 태양광 발전소의 부지 면적에 설치 가능한 태양광 모듈의 발전 효율을 계산하는 단계와 상기 계산된 태양광 발전량과 발전 효율을 승산하여 상기 태양광 발전소의 최대 발전량을 계산 출력하는 단계를 포함함을 특징으로 한다.Korean Patent Application Laid-Open No. 10-2015-0074462 (2015.07.02) relates to a method of predicting the amount of solar power generation for site selection of a solar power plant. Calculating and calculating the power generation efficiency of a photovoltaic module that can be installed in the site area of the photovoltaic power plant, and multiplying the calculated photovoltaic power generation amount by the power generation efficiency to calculate and output the maximum power generation amount of the photovoltaic power plant It is characterized by

한국등록특허 제10-1890673(2018.08.22)호는 일사량 추정을 위해 전천 사진으로부터 운량을 계산하는 방법 및 상기 계산한 운량을 이용한 태양광 발전량 예측 장치에 관한 것으로, 좀 더 상세하게는 운량으로부터 일사량을 계산 시, 지역적 특성뿐만 아니라, 계절적 특성, 패널 오염 및 설치 환경에 따른 에너지 손실 등의 변화를 실시간으로 적용하여 정확도를 향상시키기 위한 것으로서; 시간에 따라 측정한 운량과 그 운량을 측정한 각 시간에 실측한 일사량(GHI)의 데이터 히스토리를 기준으로 오차(즉, 일사량 추정값과 실측 일사량 간의 오차)를 최소화할 수 있는 다이나믹 계수 'A' 및 'B'를 궤환 루프(loop)를 통해 획득하고; 일사량 추정을 위해 운량 계산 시, 태양 주변의 운량에 가중치를 결정하여 전천 사진의 운량을 계산하는 방법 및 장치를 제공하는 것이다.Korea Patent Registration No. 10-1890673 (2018.08.22) relates to a method of calculating the amount of clouds from an all-sky photograph for estimating insolation and a solar power generation amount prediction device using the calculated amount of clouds, and in more detail, the amount of insolation from the amount of clouds. When calculating , not only regional characteristics, but also seasonal characteristics, panel pollution, and changes in energy loss according to the installation environment are applied in real time to improve accuracy; Dynamic coefficient 'A' that can minimize the error (that is, the error between the estimated insolation value and the measured insolation) based on the data history of the cloud amount measured over time and the solar insolation (GHI) measured at each time the cloud amount was measured; and 'B' is obtained through a feedback loop; It is to provide a method and apparatus for calculating the amount of cloud cover in an all-sky photo by determining a weight for the amount of cloud cover around the sun when calculating the amount of clouds for estimating insolation.

한국공개특허 제10-2015-0074462호(2015.07.02. 공개)Korean Patent Publication No. 10-2015-0074462 (published on July 2, 2015) 한국등록특허 제10-1890673호(2018.08.16. 등록)Korean Patent No. 10-1890673 (registered on August 16, 2018)

개시되는 실시예들은 좀 더 정확하게 태양광 발전량을 예측하기 위한 것이다.The disclosed embodiments are for more accurately predicting the amount of solar power generation.

또한, 개시되는 실시예들은 기존의 기상정보 뿐만 아니라 태양광 발전량에 대한 미세먼지의 영향을 고려하여 좀 더 정확한 태양광 발전량을 예측하기 위한 태양광 발전 출력 예측 장치 및 방법을 제공하기 위한 것이다.In addition, the disclosed embodiments are intended to provide a solar power generation output prediction apparatus and method for more accurately predicting the solar power generation amount in consideration of the influence of fine dust on the solar power generation amount as well as the existing weather information.

또한, 개시되는 실시예들은 전운량에 따라 다른 발전량 예측 모델을 생성하여 좀 더 정확한 태양광 발전량을 예측하기 위한 태양광 발전 출력 예측 장치 및 방법을 제공하기 위한 것이다.In addition, the disclosed embodiments are intended to provide a solar power generation output prediction apparatus and method for more accurately predicting the solar power generation amount by generating a different power generation amount prediction model according to the total amount of clouds.

개시되는 일 실시예에 따른 태양광 발전 출력 예측 장치는, 입력 데이터 셋을 수신하고 상기 입력 데이터 셋을 특정 분류기준에 따라 서브 데이터 셋으로 분류하는 데이터 분류부; 상기 서브 데이터 셋에 대한 데이터 분포에 따라 전처리를 수행하여 프로퍼 피쳐를 생성하는 피쳐 스케일링 수행부; 상기 프로퍼 피쳐 중 일사량 예측에 필요한 서브 프로퍼 피쳐를 기초로 일사량을 예측하는 일사량 예측부; 및 상기 프로퍼 피쳐, 상기 일사량 및 상기 특정 분류기준에 해당하는 전운량을 포함하는 학습 데이터를 통해 발전량 예측 모델을 생성하고 상기 발전량 예측 모델을 기초로 발전량을 예측하는 발전량 예측부를 포함한다.A photovoltaic power generation output prediction apparatus according to an embodiment of the present disclosure includes: a data classifier for receiving an input data set and classifying the input data set into sub data sets according to a specific classification criterion; a feature scaling performing unit that performs pre-processing according to data distribution for the sub-data set to generate a propper feature; an insolation predictor for predicting insolation based on a sub-proper feature required for insolation prediction among the proper features; and a power generation prediction unit for generating a power generation prediction model through learning data including the propper feature, the insolation amount, and the total amount of cloud corresponding to the specific classification criterion, and predicting the power generation amount based on the power generation prediction model.

상기 데이터 분류부는, 상기 전운량의 값을 기초로 상기 서브 데이터 셋을 분류할 수 있다.The data classifier may classify the sub-data set based on the value of the total amount of cloud cover.

상기 입력 데이터 셋은, 대기질 정보를 포함할 수 있다.The input data set may include air quality information.

상기 피쳐 스케일링 수행부는, 상기 서브 데이터 셋의 데이터 분포를 검출하는 제1 단계, 상기 데이터 분포가 중간 값으로부터 특정 범위 내인지 판단하는 제2 단계, 상기 제2 단계의 판단에 따라 상기 전처리의 순서를 결정하여 전처리 오더를 생성하는 제3 단계 및 상기 서브 데이터 셋에 대해 상기 전처리 오더에 따른 전처리를 수행하여 프로퍼 피쳐를 생성하는 제4 단계를 통해 상기 전처리를 수행할 수 있다.The feature scaling performing unit determines the order of the preprocessing according to the determination of the first step of detecting the data distribution of the sub data set, the second step of determining whether the data distribution is within a specific range from an intermediate value, and the second step The pre-processing may be performed through a third step of generating a pre-processing order by determining and a fourth step of generating a proper feature by performing pre-processing according to the pre-processing order on the sub data set.

상기 일사량 예측부는, 태양광 수신 위치를 기초로 직달 일사와 산란 일사로 나누어서 상기 일사량을 예측할 수 있다.The insolation prediction unit may predict the insolation amount by dividing the direct solar radiation and scattered solar radiation based on the solar light reception position.

상기 발전량 예측부는, 상기 특정 분류기준 각각에 대해 상기 발전량 예측 모델을 생성할 수 있다.The generation amount prediction unit may generate the generation amount prediction model for each of the specific classification criteria.

상기 발전량 예측부는, 상기 전운량에 따라서 각각 상기 발전량 예측 모델을 생성할 수 있다.The generation amount prediction unit may generate the generation amount prediction model according to the total amount of cloud cover.

상기 발전량 예측 모델은, 상기 학습 데이터를 네트워크 함수에 입력시키고, 상기 네트워크 함수의 출력 데이터와 상기 학습 데이터에 대응하는 라벨을 비교하여 오차를 도출하고, 상기 오차에 기초하여 상기 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정할 수 있다.The power generation prediction model inputs the training data to a network function, compares the output data of the network function with a label corresponding to the training data to derive an error, and inverses the weight of the network function based on the error It can be adjusted by way of backpropagation.

상기 발전량 예측 모델은, 특정 기준의 에폭 이상 수행된 경우 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다.The power generation prediction model may determine whether to stop learning by using verification data when more than a specific reference epoch is performed.

상기 발전량 예측부는, 상기 발전량 예측 모델을 생성하는 과정에서, 상기 학습 데이터 각각과 네트워크 함수에 상기 학습 데이터를 입력하여 도출된 출력 데이터 간의 상관도를 결정하고 상기 상관도에 따라 상기 발전량 예측 모델의 변수 수정 여부를 결정할 수 있다.The power generation prediction unit, in the process of generating the power generation prediction model, determines a degree of correlation between each of the training data and the output data derived by inputting the training data to a network function, and according to the correlation, a variable of the power generation prediction model You can decide whether to modify it or not.

개시되는 일 실시예에 따른 태양광 발전 출력 예측 방법은, 입력 데이터 셋을 수신하고 상기 입력 데이터 셋을 특정 분류기준에 따라 서브 데이터 셋으로 분류하는 데이터 분류 단계; 상기 서브 데이터 셋에 대한 데이터 분포에 따라 전처리를 수행하여 프로퍼 피쳐를 생성하는 피쳐 스케일링 수행 단계; 상기 프로퍼 피쳐에 대한 일사량 예측 모델을 생성하여 일사량을 예측하는 일사량 예측 단계; 및 상기 프로퍼 피쳐, 상기 일사량 및 상기 특정 분류기준에 해당하는 전운량을 포함하는 학습 데이터를 통해 발전량 예측 모델을 생성하고 상기 발전량 예측 모델을 기초로 발전량을 예측하는 발전량 예측 단계를 포함한다.A photovoltaic power generation output prediction method according to an embodiment of the present disclosure includes: a data classification step of receiving an input data set and classifying the input data set into sub data sets according to a specific classification criterion; performing pre-processing according to the data distribution of the sub-data set to generate a propper feature; an insolation prediction step of predicting insolation by generating a solar radiation prediction model for the propper feature; and generating a power generation prediction model based on the learning data including the prop feature, the insolation amount, and the total amount of cloud corresponding to the specific classification criterion, and predicting the power generation amount based on the power generation prediction model.

상기 데이터 분류 단계는, 상기 전운량의 값을 기초로 상기 서브 데이터 셋을 분류할 수 있다.In the data classification step, the sub-data set may be classified based on the value of the total cloud amount.

상기 피쳐 스케일링 수행 단계는, 상기 서브 데이터 셋의 데이터 분포를 검출하는 제1 단계; 상기 데이터 분포가 중간 값으로부터 특정 범위 내인지 판단하는 제2 단계; 상기 제2 단계의 판단에 따라 상기 전처리의 순서를 결정하여 전처리 오더를 생성하는 제3 단계; 및 상기 서브 데이터 셋에 대해 상기 전처리 오더에 따른 전처리를 수행하여 프로퍼 피쳐를 생성하는 제4 단계를 포함할 수 있다.The performing of the feature scaling may include: a first step of detecting a data distribution of the sub data set; a second step of determining whether the data distribution is within a specific range from an intermediate value; a third step of generating a pre-processing order by determining the order of the pre-processing according to the determination of the second step; and performing pre-processing according to the pre-processing order on the sub-data set to generate a propper feature.

상기 일사량 예측 단계는, 태양광 수신 위치를 기초로 직달 일사와 산란 일사로 나누어서 상기 일사량을 예측할 수 있다.In the insolation prediction step, the solar radiation amount may be predicted by dividing the direct solar radiation and scattered solar radiation based on the sunlight reception position.

상기 발전량 예측 단계는, 상기 특정 분류기준 각각에 대해 상기 발전량 예측 모델을 생성할 수 있다.The generation amount prediction step may generate the generation amount prediction model for each of the specific classification criteria.

상기 발전량 예측 단계는, 상기 전운량에 따라서 각각 상기 발전량 예측 모델을 생성할 수 있다.The power generation amount prediction step may generate the power generation amount prediction model according to the total amount of cloud cover.

상기 발전량 예측 단계는, 상기 학습 데이터를 네트워크 함수에 입력시키는 단계; 상기 네트워크 함수의 출력 데이터와 상기 학습 데이터에 대응하는 라벨을 비교하여 오차를 도출하는 단계; 및 상기 오차에 기초하여 상기 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정하는 단계를 포함할 수 있다.The step of predicting the amount of power generation may include: inputting the learning data into a network function; deriving an error by comparing the output data of the network function with a label corresponding to the training data; and adjusting the weight of the network function in a backpropagation method based on the error.

상기 발전량 예측 단계는, 상기 발전량 예측 모델을 생성하는 과정에서, 상기 학습 데이터 각각과 네트워크 함수에 상기 학습 데이터를 입력하여 도출된 출력 데이터 간의 상관도를 결정하고, 상기 상관도에 따라 상기 발전량 예측 모델의 변수 수정 여부를 결정할 수 있다.In the generation prediction step, in the process of generating the generation prediction model, each of the training data and the training data are input to a network function to determine a correlation between the derived output data, and according to the correlation, the generation prediction model You can decide whether to modify the variables of

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.The disclosed technology may have the following effects. However, this does not mean that a specific embodiment should include all of the following effects or only the following effects, so the scope of the disclosed technology should not be understood as being limited thereby.

개시되는 실시예들에 따르면, 좀 더 정확하게 태양광 발전량을 예측할 수 있다.According to the disclosed embodiments, it is possible to more accurately predict the amount of solar power generation.

또한 개시되는 실시예들에 따르면, 기존의 기상정보 뿐만 아니라 태양광 발전량에 대한 미세먼지의 영향을 고려하여 좀 더 정확한 태양광 발전량을 예측할 수 있다.Also, according to the disclosed embodiments, it is possible to more accurately predict the amount of solar power generation in consideration of the influence of fine dust on the amount of solar power as well as the existing weather information.

또한 개시되는 실시예들에 따르면, 전운량에 따라 다른 발전량 예측 모델을 생성하여 좀 더 정확한 태양광 발전량을 예측할 수 있다.Also, according to the disclosed embodiments, it is possible to more accurately predict the amount of solar power generation by generating a different power generation amount prediction model according to the total amount of clouds.

도 1은 일 실시예에 따른 태양광 발전 출력 예측 시스템을 설명하기 위한 블록도
도 2는 일 실시예에 따른 태양광 발전 출력 예측 장치를 설명하기 위한 블록도
도 3은 일 실시예에 따른 태양광 발전 출력 예측 방법을 설명하기 위한 흐름도
도 4는 일 실시예에 따른 태양광 발전 출력 예측 모델의 생성 및 학습 과정을 설명하기 위한 흐름도
도 5는 일 실시예에 따른 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도1 is a block diagram illustrating a solar power generation output prediction system according to an embodiment;
2 is a block diagram illustrating an apparatus for predicting solar power generation output according to an embodiment;
3 is a flowchart illustrating a method for predicting solar power generation output according to an embodiment;
4 is a flowchart for explaining a process of generating and learning a solar power generation output prediction model according to an embodiment;
5 is a block diagram illustrating and explaining a computing environment including a computing device according to an embodiment;

이하, 도면을 참조하여 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 개시되는 실시예들은 이에 제한되지 않는다.Hereinafter, specific embodiments will be described with reference to the drawings. The following detailed description is provided to provide a comprehensive understanding of the methods, devices, and/or systems described herein. However, this is merely an example and the disclosed embodiments are not limited thereto.

실시예들을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 개시되는 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 개시되는 실시예들에서의 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. 상세한 설명에서 사용되는 용어는 단지 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안된다.In describing the embodiments, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the disclosed embodiments, the detailed description thereof will be omitted. And, the terms to be described later are terms defined in consideration of functions in the disclosed embodiments, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification. The terminology used in the detailed description is for the purpose of describing the embodiments only, and should in no way be limiting. Unless explicitly used otherwise, expressions in the singular include the meaning of the plural. In this description, expressions such as “comprising” or “comprising” are intended to indicate certain features, numbers, steps, acts, elements, some or a combination thereof, one or more other than those described. It should not be construed to exclude the presence or possibility of other features, numbers, steps, acts, elements, or any part or combination thereof.

도시된 실시예에서, 각 구성들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 구성을 포함할 수 있다.In the illustrated embodiment, each component may have different functions and capabilities other than those described below, and may include additional components other than those described below.

도 1은 일 실시예에 따른 태양광 발전 출력 예측 시스템(100)을 설명하기 위한 블록도이다.1 is a block diagram illustrating a solar power generation output prediction system 100 according to an embodiment.

도 1을 참조하면, 태양광 발전 출력 예측 시스템(100)은 사용자 단말(110), 네트워크(120), 태양광 발전 출력 예측 장치(130) 및 데이터베이스(150)를 포함할 수 있다.Referring to FIG. 1 , the solar power generation output prediction system 100 may include a user terminal 110 , a network 120 , a solar power generation output prediction device 130 , and a database 150 .

사용자 단말(110)은 태양광 발전량을 예측한 데이터를 확인 및 관리하는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 태양광 발전 출력 예측 장치(130)와 네트워크(120)를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 태양광 발전 출력 예측 장치(130)와 동시에 연결될 수 있다.The user terminal 110 may correspond to a computing device that checks and manages data predicted to generate solar power, and may be implemented as a smart phone, a notebook computer, or a computer, but is not necessarily limited thereto, and may be used in various devices such as a tablet PC. can also be implemented. The user terminal 110 may be connected to the solar power generation output prediction apparatus 130 through the network 120 , and a plurality of user terminals 110 may be simultaneously connected to the solar power generation output prediction apparatus 130 .

태양광 발전 출력 예측 장치(130)는 입력 데이터 셋에 대한 전처리를 수행하고 전처리가 완료된 프로퍼 피쳐를 기초로 발전량 예측 모델을 생성하고 해당 발전량 예측 모델을 기초로 발전량에 대한 예측을 수행하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 태양광 발전 출력 예측 장치(130)는 사용자 단말(110)과 블루투스, WiFi, 통신망 등을 통해 무선으로 연결될 수 있고, 네트워크(120)를 통해 사용자 단말(110)과 데이터를 주고받을 수 있다.The photovoltaic power generation output prediction device 130 performs pre-processing on the input data set and generates a power generation prediction model based on the pre-processed propper feature, and a computer or It can be implemented as a server corresponding to the program. The solar power generation output prediction device 130 may be wirelessly connected to the user terminal 110 through Bluetooth, WiFi, a communication network, etc., and may exchange data with the user terminal 110 through the network 120 .

몇몇 실시예들에서, 통신 네트워크는 인터넷, 하나 이상의 로컬 영역 네트워크(local area networks), 광역 네트워크(wire area networks), 셀룰러 네트워크, 모바일 네트워크, 그 밖에 다른 종류의 네트워크들, 또는 이러한 네트워크들의 조합을 포함할 수 있다.In some embodiments, the communication network comprises the Internet, one or more local area networks, wire area networks, cellular networks, mobile networks, other types of networks, or a combination of these networks. may include

데이터베이스(150)는 입력 데이터 셋에 대한 전처리를 수행하고 전처리가 완료된 프로퍼 피쳐를 기초로 발전량 예측 모델을 생성하고 해당 발전량 예측 모델을 기초로 발전량에 대한 예측을 수행하는 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 뿐만 아니라, 데이터베이스(150)는 태양광 발전 출력 예측 장치(130)가 입력 데이터 셋에 대한 전처리를 수행하고 전처리가 완료된 프로퍼 피쳐를 기초로 발전량 예측 모델을 생성하고 해당 발전량 예측 모델을 기초로 발전량에 대한 예측을 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.The database 150 performs pre-processing on the input data set, generates a power generation prediction model based on the propper feature on which the pre-processing is completed, and stores various information necessary in the process of predicting the power generation amount based on the corresponding power generation prediction model. It may correspond to a storage device that In addition, in the database 150, the solar power generation output prediction device 130 performs pre-processing on the input data set, generates a power generation prediction model based on the propper feature on which the pre-processing is completed, and generates a power generation amount based on the corresponding power generation prediction model It is possible to store information collected or processed in various forms in the process of making predictions.

도 2는 일 실시예에 따른 태양광 발전 출력 예측 장치(130)를 설명하기 위한 블록도이다.2 is a block diagram illustrating an apparatus 130 for predicting solar power generation output according to an embodiment.

도 2을 참조하면, 태양광 발전 출력 예측 장치(130)는 데이터 분류부(131), 피쳐 스케일링 수행부(133), 일사량 예측부(135), 발전량 예측부(137) 및 제어부(139)를 포함할 수 있다.Referring to FIG. 2 , the photovoltaic power generation output prediction apparatus 130 includes a data classification unit 131 , a feature scaling performing unit 133 , an insolation prediction unit 135 , a power generation prediction unit 137 , and a control unit 139 . may include

데이터 분류부(131)는 입력 데이터 셋을 수신하고 입력 데이터 셋을 특정 분류기준에 따라 서브 데이터 셋으로 분류한다.The data classification unit 131 receives the input data set and classifies the input data set into sub data sets according to a specific classification criterion.

이하의 실시예들에서, '입력 데이터 셋'은 태양광 발전을 예측하는데 필요한 데이터가 될 수 있다.In the following embodiments, the 'input data set' may be data required to predict solar power generation.

예를 들어, 입력 데이터 셋은 기상 데이터, 미세먼지, 발전소의 위치 및 태양광 패널의 각도 등을 포함하는 데이터가 될 수 있으나, 반드시 이에 한정되는 것은 아니며, 대기질 정보를 나타내는 데이터라면 입력 데이터 셋에 포함될 수 있다.For example, the input data set may be data including weather data, fine dust, a location of a power plant, an angle of a solar panel, etc., but is not necessarily limited thereto, and if data representing air quality information is an input data set can be included in

일 실시예에 따르면, 서브 데이터 셋은 입력 데이터 셋을 특정 분류기준에 따라 나누어서 정렬한 데이터로 심층 신경망 모델링을 수행하는 기준이 될 수 있다. 예를 들어, 발전량 예측부(137)는 각각의 서브 데이터 별로 제1 발전량 예측 모델, 제2 발전량 예측 모델, ..., 제n 발전량 예측 모델을 생성할 수 있다.According to an embodiment, the sub data set is data obtained by dividing the input data set according to a specific classification criterion and may be a criterion for performing deep neural network modeling. For example, the generation amount prediction unit 137 may generate a first generation amount prediction model, a second generation amount prediction model, ..., an nth generation amount prediction model for each sub data.

일 실시예에 따르면, 데이터 분류부(131)는 전운량의 값을 기초로 서브 데이터 셋을 분류할 수 있다.According to an embodiment, the data classification unit 131 may classify the sub-data set based on the value of the total amount of clouds.

이하의 실시예들에서, '전운량'은 기상 정보 중 구름의 양을 표시하는 정보이다. 예를 들어, 전운량은 0 내지 10의 값을 가질 수 있고, 하늘 상태는 전운량이 0이상 2이하인 경우 맑음, 3이상 5이하인 경우 구름 조금, 6이상 8이하인 경우 구름 많음 그리고 9이상 10이하인 경우 흐림으로 분류될 수 있다.In the following embodiments, the 'total amount of clouds' is information indicating the amount of clouds among weather information. For example, the total amount of clouds may have a value of 0 to 10, and the sky state is clear when the total amount of clouds is 0 or more and 2 or less, a little cloud when 3 or more and 5 or less, a lot of clouds when 6 or more and 8 or less, and 9 or more and 10 or less. It can be classified as cloudy.

구체적으로, 데이터 분류부(131)는 전운량에 따라서 서브 데이터 셋을 분류할 수 있는데, 예를 들어, 전운량이 0이상 2이하인 경우의 해당 날짜, 온도, 습도 등 입력 데이터 셋을 해당 전운량의 조건에 맞는 데이터로 정렬할 수 있다.Specifically, the data classification unit 131 may classify the sub-data set according to the total amount of cloudiness. For example, when the total amount of cloudiness is 0 or more and 2 or less, the input data set such as the date, temperature, and humidity is used as the total amount of cloudiness. You can sort by data that meets the criteria.

피쳐 스케일링 수행부(133)는 서브 데이터 셋에 대한 데이터 분포에 따라 전처리를 수행하여 프로퍼 피쳐를 생성한다.The feature scaling performing unit 133 performs pre-processing according to the data distribution of the sub data set to generate the propper feature.

이하의 실시예들에서, 데이터 분포는 데이터의 최소값과 최대값 차이의 크기, 데이터의 편향성 및 데이터의 밀집도 등 데이터의 경향을 나타내는 정보가 될 수 있다.In the following embodiments, the data distribution may be information indicating the trend of data, such as the difference between the minimum and maximum values of the data, the bias of the data, and the density of the data.

예를 들어, 피쳐 스케일링 수행부(133)는 데이터 분포에 따라 분산이 큰 서브 데이터에 대해서는 로그화를 먼저 수행한 후에 정규화를 수행할 수 있다. For example, the feature scaling performing unit 133 may perform logarithmic first and then normalize sub data having a large variance according to data distribution.

한편 다른 예로써, 피쳐 스케일링 수행부(133)는 단일의 전처리를 수행할 수도 있다. 전처리는 표준화(Standardization), 정규화(Normalization), 스케일링(Scaling), 바이닝(Binning), 트랜스폼(Transform), 더미화(Dummy), MaxAbsScaler 및 RobustScaler 등을 포함하는 개념으로, 모델링을 수행하기 위해 데이터를 가공하는 행위를 의미할 수 있다.Meanwhile, as another example, the feature scaling performing unit 133 may perform a single preprocessing. Preprocessing is a concept that includes Standardization, Normalization, Scaling, Binning, Transform, Dummy, MaxAbsScaler, and RobustScaler. It can mean the act of processing data.

일 실시예에 따르면, 피쳐 스케일링 수행부(133)는 서브 데이터 셋의 데이터 분포를 검출하는 제1 단계, 데이터 분포가 중간 값으로부터 특정 범위 내인지 판단하는 제2 단계, 제2 단계의 판단에 따라 전처리의 순서를 결정하여 전처리 오더를 생성하는 제3 단계 및 서브 데이터 셋에 대해 전처리 오더에 따른 전처리를 수행하여 프로퍼 피쳐를 생성하는 제4 단계를 통해 전처리를 수행할 수 있다.According to an embodiment, the feature scaling performing unit 133 according to the determination of the first step of detecting the data distribution of the sub data set, the second step of determining whether the data distribution is within a specific range from the intermediate value, and the second step Pre-processing may be performed through a third step of generating a pre-processing order by determining the order of pre-processing and a fourth step of generating a propper feature by performing pre-processing according to the pre-processing order on the sub data set.

이때, 중간 값으로부터 특정 범위는 사용자에 의해 결정될 수 있는데, 이는 단순히 Min-Max의 범위를 나타내는 개념이 아닌 데이터의 밀집도를 포함하는 개념이 될 수 있다.In this case, the specific range from the intermediate value may be determined by the user, which may be a concept including the density of data rather than a concept representing the range of Min-Max.

예를 들어, 피쳐 스케일링 수행부(133)는 해당 서브 데이터 셋의 데이터 분포에 따라 정규화(Normalization) 만을 수행할 수도 있고, 해당 단일의 정규화 과정을 해당 서브 데이터 셋에 대한 전처리 오더로 결정할 수 있다.For example, the feature scaling performing unit 133 may perform only normalization according to the data distribution of the corresponding sub-data set, and may determine the single normalization process as a pre-processing order for the corresponding sub-data set.

한편, 프로퍼 피쳐는 발전량 예측 모델을 생성하기에 적절하게 가공된 데이터 형태로 구성될 수 있다.On the other hand, the propper feature may be configured in the form of appropriately processed data to generate a power generation prediction model.

일사량 예측부(135)는 프로퍼 피쳐 중 일사량 예측에 필요한 서브 프로퍼 피쳐를 기초로 일사량을 예측한다. The solar radiation prediction unit 135 predicts the solar radiation amount based on the sub-proper feature required for insolation prediction among the propper features.

이하의 실시예들에서, 서브 프로퍼 피쳐는 프로퍼 피쳐 중에서 일사량 예측에 필요한 데이터, 즉, 태양광 발전소의 위치 정보(위도, 경도, 지방시), 태양 위치(일주운동, 연주 운동) 및 태양광 패널의 각도 등을 포함하는 데이터가 될 수 있다.In the following embodiments, the sub-proper feature is data required for insolation prediction among the proper features, that is, location information (latitude, longitude, Givenchy) of the solar power plant, sun location (diurnal motion, percussion motion), and the sun It may be data including the angle of the light panel and the like.

일 실시예에 따르면, 일사량 예측부(135)는 태양광 수신 위치를 기초로 일사량을 예측할 수 있다. 다른 실시예에서, 일사량 예측부(135)는 직달 일사(direct normal radiation)와 산란 일사를 나누어서 일사량을 예측할 수 있다.According to an embodiment, the insolation prediction unit 135 may predict the insolation amount based on the solar light receiving position. In another embodiment, the insolation prediction unit 135 may predict the insolation amount by dividing the direct normal radiation and the scattered solar radiation.

이하의 실시예들에서, '직달 일사'는 태양광이 대기 중 구름 등의 영향을 받지 않고 지표면에 도달하는 일사량을 의미할 수 있으며, '산란 일사'는 태양광이 대기 중에서 구름과 에어로솔 및 기체 성분들에 의해 흡수 산란되어 지표면에 도달하는 일사량을 의미할 수 있다.In the following embodiments, 'direct solar insolation' may mean the amount of solar radiation reaching the earth's surface without being affected by clouds in the atmosphere, and 'scattering solar radiation' is the amount of solar radiation from clouds, aerosols and gases in the atmosphere. It may mean the amount of insolation that is absorbed and scattered by the components and reaches the earth's surface.

일 실시예에 따르면, 직달 일사와 산란 일사는 다음의 [수학식 1]에 따라 정의될 수 있다.According to an embodiment, direct solar radiation and scattered solar radiation may be defined according to the following [Equation 1].

[수학식 1][Equation 1]

이때, I는 총 일사량,

는 집광기에 도달하는 직달 일사량 그리고

는 산란 일사량을 나타낸다.In this case, I is the total insolation,

is the direct solar insolation reaching the condenser and

represents the scattering insolation.

[수학식 1]을 참조하면 총 일사량은 직달 일사와 산란 일사를 더한 합이 될 수 있다. 구체적으로, 직달 일사량은 다음의 [수학식 2]에 의해 정의될 수 있다.Referring to [Equation 1], the total amount of solar radiation may be the sum of direct solar radiation and scattered solar radiation. Specifically, the amount of direct solar insolation may be defined by the following [Equation 2].

[수학식 2][Equation 2]

이때,

는 직달 일사량, A는 태양복사상수, k는 대기소멸계수, m 은 대기질량지수,

는 집광기에 도달하는 직달 일사량,

는 집광기에 태양광선이 들어오는 입사각을 나타낸다.At this time,

is the direct lunar insolation, A is the solar radiation constant, k is the atmospheric extinction coefficient, m is the air mass index,

is the direct solar insolation reaching the condenser,

denotes the angle of incidence at which sunlight enters the condenser.

산란 일사량은 다음의 [수학식 3]과 같이 정의될 수 있다.The amount of scattering insolation may be defined as the following [Equation 3].

[수학식 3][Equation 3]

이때,

는 산란 일사량, C는 확산요인계수(Diffuse-sky factor),

는 태양광 패널과 지표면 사이의 각도를 나타낸다.At this time,

is the scattering insolation, C is the diffusion-sky factor,

represents the angle between the solar panel and the ground surface.

발전량 예측부(137)는 프로퍼 피쳐, 일사량 및 상기 특정 분류기준에 해당하는 전운량을 포함하는 학습 데이터를 통해 발전량 예측 모델을 생성하고 발전량 예측 모델을 기초로 발전량을 예측한다.The generation amount prediction unit 137 generates a generation amount prediction model through learning data including a proper feature, an insolation amount, and a total amount of cloud corresponding to the specific classification criterion, and predicts the generation amount based on the generation amount prediction model.

일 실시예에 따르면, 발전량 예측부(137)는 발전량 예측 모델을 생성하는 과정에서, 학습 데이터 각각과 네트워크 함수에 학습 데이터를 입력하여 도출된 출력 데이터 간의 상관도를 결정하고, 해당 상관도에 따라 발전량 예측 모델의 변수 수정 여부를 결정할 수 있다.According to an embodiment, the power generation prediction unit 137 determines a correlation between each of the training data and the output data derived by inputting the training data to the network function in the process of generating the power generation prediction model, and according to the correlation It is possible to determine whether to modify the variables of the power generation forecasting model.

즉 다시 말하면, 발전량 예측부(137)는 발전량 예측 모델의 효율적인 학습 및 예측이 이루어질 수 있도록 입력 변수의 수를 최적화하기 위해, 입력 변수 중 예측될 발전량과 일정 이상의 관계가 있는 변수만이 발전량 예측 모델에 입력되도록 수정할 수 있다.In other words, in order to optimize the number of input variables so that efficient learning and prediction of the power generation prediction model can be made, the power generation predicting unit 137 only includes variables having a relationship with the predicted power generation amount or more among the input variables. It can be modified to be entered in .

구체적으로, 발전량 예측부(137)는 피어슨 상관계수(PCC; Pearson Correlation Coefficient)에 기초하여 상관도를 결정할 수 있다.Specifically, the power generation predictor 137 may determine the degree of correlation based on a Pearson Correlation Coefficient (PCC).

일 실시예에 따르면, 발전량 예측부(137)는 발전량 예측 모델을 복수개의 레이어 간의 활성화 함수로 연결되는 구성으로 이루어질 수 있다.According to an embodiment, the generation amount prediction unit 137 may have a configuration in which the generation amount prediction model is connected by an activation function between a plurality of layers.

이때, 활성화 함수란 노드와 노드 사이에 위치하고 다음 노드로 출력할 지 결정할 수 있는 함수로서, 일반적으로 비선형함수로 구성된다. 예를 들어, 활성화 함수는 시그모이드 함수(Sigmoid Function), Tanh 함수, ReLU 및 Leaky ReLU함수가 될 수 있다.In this case, the activation function is a function located between a node and a function that can determine whether to output to the next node, and is generally composed of a non-linear function. For example, the activation function may be a sigmoid function, a Tanh function, a ReLU and a Leaky ReLU function.

일 실시예에 따르면, 발전량 예측부(137)는 softplus 함수를 이용해서 발전량 예측 모델을 생성할 수 있다. softplus함수는 다음의 [수학식 4]로 나타낼 수 있다.According to an embodiment, the generation amount prediction unit 137 may generate a generation amount prediction model using a softplus function. The softplus function can be expressed by the following [Equation 4].

[수학식 4][Equation 4]

일 실시예에 따르면, 발전량 예측부(137)는 특정 분류기준 각각에 대해 발전량 예측 모델을 생성할 수 있다. 일 실시예에 따르면, 발전량 예측부(137)는 전운량에 따라서 각각 발전량 예측 모델을 생성할 수 있다.According to an embodiment, the generation amount prediction unit 137 may generate a generation amount prediction model for each specific classification criterion. According to an embodiment, the generation amount prediction unit 137 may generate a generation amount prediction model according to the total amount of cloud cover.

예를 들어, 발전량 예측부(137)는 전운량에 대한 범주형 데이터를 기초로 발전량 예측 모델을 생성할 수 있다. 구체적으로, 전운량이 0이상 2이하인 경우, 3이상 5이하인 경우, 6이상 8이하인 경우 및 9이상 10이하인 경우에 대해서 발전량 예측 모델을 생성할 수 있다.For example, the generation amount prediction unit 137 may generate a generation amount prediction model based on categorical data on the total amount of clouds. Specifically, when the total cloud amount is 0 or more and 2 or less, 3 or more and 5 or less, 6 or more and 8 or less, and 9 or more and 10 or less, the generation amount prediction model may be generated.

다른 예를 들어, 발전량 예측부(137)는 전운량 각각에 대해서 예측 모델을 생성할 수 있고, 아래에서 설명할 비용 함수에 따라서 예측 성능이 뛰어난 방법에 따라서 예측 모델을 생성할 수 있다.As another example, the generation amount prediction unit 137 may generate a prediction model for each total amount of cloud cover, and may generate a prediction model according to a method having excellent prediction performance according to a cost function to be described below.

일 실시예에 따르면, 발전량 예측부(137)의 발전량 예측 모델은 상기 학습 데이터를 네트워크 함수에 입력시키고, 상기 네트워크 함수의 출력 데이터와 상기 학습 데이터에 대응하는 라벨를 비교하여 오차를 도출하고 상기 오차에 기초하여 상기 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정할 수 있다.According to an embodiment, the generation amount prediction model of the generation amount prediction unit 137 inputs the training data to a network function, compares the output data of the network function with a label corresponding to the training data, to derive an error, and to the error Based on the weight, the weight of the network function may be adjusted in a backpropagation method.

이때, 네트워크 함수는 완성되지 않은 발전량 예측 모델에 해당할 수 있다. 좀 더 구체적으로, 네트워크 함수는 일정 에폭(epoch) 이하의 수행을 거친 발전량 예측 모델에 해당할 수 있다.In this case, the network function may correspond to an incomplete generation amount prediction model. More specifically, the network function may correspond to a power generation prediction model that has been performed for a predetermined epoch or less.

일 실시예에 따르면, 발전량 예측부(137)는 입력된 데이터의 라벨, 즉 서브 데이터 셋에 대한 라벨과 출력 데이터의 결과를 비교하여 오차를 도출하고 이에 기초하여 함수의 가중치를 조정할 수 있다.According to an embodiment, the generation amount predicting unit 137 may derive an error by comparing the label of the input data, that is, the label of the sub data set and the result of the output data, and adjust the weight of the function based on this.

일 실시예에 따르면, 발전량 예측부(137)는 경사 하강법(Gradient Descent)을 이용하여 비용 함수 최소화를 수행할 수 있다. 경사 하강법은 경사 반대방향으로 정의한 스텝 사이즈를 가지고 최적의 파라미터를 찾는 방법을 의미한다.According to an embodiment, the generation amount predicting unit 137 may perform cost function minimization by using a gradient descent method. The gradient descent method refers to a method of finding an optimal parameter with a step size defined in the opposite direction of the gradient.

일 실시예에 따르면, 발전량 예측부(137)의 발전량 예측 모델은 특정 기준의 에폭 이상 수행된 경우 검증 데이터를 이용하여 학습의 중단여부를 결정할 수 있다. 에폭이란 반복 횟수를 의미할 수 있다. 예를 들어, 발전량 예측부(137)는 사용자가 지정한 에폭 횟수 이상 넘어가는 경우 모델의 성능에 관계없이 학습을 중단시킬 수 있다.According to an embodiment, the generation amount prediction model of the generation amount prediction unit 137 may determine whether to stop learning by using verification data when more than an epoch of a specific criterion is performed. The epoch may mean the number of repetitions. For example, when the number of epochs specified by the user exceeds the number of epochs or more, the power generation prediction unit 137 may stop learning regardless of the performance of the model.

다른 일 실시예에 따르면, 발전량 예측부(137)는 사용자가 지정한 제1의 에폭 학습을 수행한 경우, 검증 데이터에 대한 성능이 일정기준 이상인 경우에 학습을 중단할 수 있다. 구체적으로, 발전량 예측부(137)는 발전량 예측 모델이 일정기준 이상의 성능을 가지지 못하는 경우에 사용자가 지정한 제2의 에폭 학습을 수행하여 다시 해당 검증 데이터를 기초로 발전량 예측 모델의 성능을 테스트할 수 있다.According to another exemplary embodiment, when the first epoch learning specified by the user is performed, the power generation prediction unit 137 may stop learning when the performance of the verification data is equal to or greater than a predetermined standard. Specifically, the generation amount prediction unit 137 performs the second epoch learning specified by the user when the generation amount prediction model does not have performance above a certain standard, and again based on the verification data, the performance of the generation prediction model can be tested. there is.

제어부(139)는 태양광 발전 출력 예측 장치(130)의 전체적인 동작을 제어하고, 데이터 분류부(131), 피쳐 스케일링 수행부(133), 일사량 예측부(135) 및 발전량 예측부(137) 간의 제어 흐름 또는 데이터 흐름을 관리한다.The control unit 139 controls the overall operation of the photovoltaic power generation output prediction device 130 , and between the data classification unit 131 , the feature scaling performing unit 133 , the solar radiation prediction unit 135 and the generation amount prediction unit 137 . Manages the control flow or data flow.

도 3은 일 실시예에 따른 태양광 발전 출력 예측 방법을 설명하기 위한 흐름도이다. 도 3에 도시된 방법은 예를 들어, 상술한 태양광 발전 출력 예측 장치(130)에 의해 수행될 수 있다.3 is a flowchart illustrating a method of predicting solar power generation output according to an embodiment. The method shown in FIG. 3 may be performed, for example, by the above-described solar power generation output prediction apparatus 130 .

우선, 태양광 발전 출력 예측 장치(130)는 입력 데이터 셋을 수신하고 상기 입력 데이터 셋을 특정 분류기준에 따라 서브 데이터 셋으로 분류할 수 있다(310).First, the photovoltaic power generation output prediction apparatus 130 may receive an input data set and classify the input data set into sub-data sets according to a specific classification criterion ( 310 ).

이후, 태양광 발전 출력 예측 장치(130)는, 서브 데이터 셋에 대한 데이터 분포에 따라 전처리를 수행하여 프로퍼 피쳐를 생성할 수 있다(320).Thereafter, the photovoltaic power generation output prediction apparatus 130 may perform pre-processing according to the data distribution of the sub-data set to generate a propper feature ( 320 ).

이후, 태양광 발전 출력 예측 장치(130)는, 프로퍼 피쳐 중 일사량 예측에 필요한 서브 프로퍼 피쳐를 기초로 일사량을 예측할 수 있다(330).Thereafter, the photovoltaic power generation output prediction apparatus 130 may predict the insolation amount based on the sub-proper feature required for insolation prediction among the propper features ( 330 ).

이후, 태양광 발전 출력 예측 장치(130)는, 상기 일사량 및 상기 특정 분류기준에 해당하는 전운량을 포함하는 학습 데이터를 통해 발전량 예측 모델을 생성하고 상기 발전량 예측 모델을 기초로 발전량을 예측할 수 있다(340, 350).Thereafter, the solar power generation output prediction device 130 may generate a power generation prediction model through the learning data including the amount of insolation and the total amount of cloud corresponding to the specific classification criterion, and predict the generation amount based on the power generation prediction model. (340, 350).

도 4는 일 실시예에 따른 발전량 예측 모델의 생성 및 학습 과정을 설명하기 위한 흐름도이다. 도 4에 도시된 방법은 예를 들어, 상술한 태양광 발전 출력 예측 장치(130)에 의해 수행될 수 있다.4 is a flowchart illustrating a process of generating and learning a power generation prediction model according to an embodiment. The method illustrated in FIG. 4 may be performed, for example, by the above-described solar power generation output prediction apparatus 130 .

우선, 태양광 발전 출력 예측 장치(130)는, 입력 데이터 셋을 수신하고 상기 입력 데이터 셋에 대한 변수 선택 단계를 수행할 수 있다(410).First, the solar power generation output prediction apparatus 130 may receive an input data set and perform a variable selection step on the input data set ( 410 ).

예를 들어, 태양광 발전 출력 예측 장치(130)는 입력 데이터 셋에 발전량 예측에 필요하지 않은 데이터가 있는 경우에, 입력 변수 선택 과정을 통해서 필요한 데이터에 대해서만 서브 데이터 셋으로 분류할 수 있다.For example, when there is data not required for the generation amount prediction in the input data set, the photovoltaic power generation output prediction apparatus 130 may classify only necessary data into the sub data set through the input variable selection process.

이후, 태양광 발전 출력 예측 장치(130)는 발전량 예측 모델을 생성하는 과정에 있어서, 모델의 변수를 설정하는 과정을 수행할 수 있다(420).Thereafter, the photovoltaic power generation output prediction apparatus 130 may perform a process of setting a variable of the model in the process of generating the power generation amount prediction model ( 420 ).

예를 들어, 태양광 발전 출력 예측 장치(130)는 사용자의 세팅 값에 따라서 히든 노드의 개수 및 블록의 개수 등 모델링 생성에 필요한 변수를 설정할 수 있다.For example, the photovoltaic power generation output prediction apparatus 130 may set variables necessary for modeling generation, such as the number of hidden nodes and the number of blocks, according to a user's setting value.

이후, 태양광 발전 출력 예측 장치(130)는 발전량 예측 모델을 트레이닝 할 수 있다(430).Thereafter, the solar power generation output prediction apparatus 130 may train the generation amount prediction model ( 430 ).

이후, 태양광 발전 출력 예측 장치(130)는 CV dataset를 통해 해당 발전량 예측 모델에 대한 테스트를 수행할 수 있다(440).Thereafter, the solar power generation output prediction apparatus 130 may perform a test on the corresponding generation amount prediction model through the CV dataset ( 440 ).

예를 들어, 태양광 발전 출력 예측 장치(130)는 test data를 통해 생성된 제1 발전량 예측 모델에 대해서 test dataset 내에서 일정량만큼 할당된 CV dataset을 통해 검증을 수행할 수 있다.For example, the solar power generation output prediction apparatus 130 may verify the first generation amount prediction model generated through the test data through the CV dataset allocated by a predetermined amount in the test dataset.

보다 구체적으로, 태양광 발전 출력 예측 장치(130)는 k-fold cross validation을 수행할 수 있다. 예컨대, 태양광 발전 출력 예측 장치(130)는 test dataset 중에서 20%만큼을 CV dataset으로 설정하고, 5번의 cross validation을 수행할 수 있다. 5번의 cross validation을 수행하는 경우 5-fold validation이라 할 수 있고, k값은 사용자의 설정에 따라 결정될 수 있다.More specifically, the solar power generation output prediction apparatus 130 may perform k-fold cross validation. For example, the solar power generation output prediction apparatus 130 may set as much as 20% of the test dataset as the CV dataset and perform cross validation 5 times. When performing cross validation 5 times, it can be called 5-fold validation, and the k value can be determined according to the user's setting.

이후, 태양광 발전 출력 예측 장치(130)는 상기 제1 발전량 예측 모델에 대한 검증 결과에 따라 특정 기준을 만족하지 못하는 경우 변수를 업데이트 할 수 있고, 특정 기준을 만족하는 경우 에러가 적은 모델을 결정할 수 있다(450, 460, 470).Thereafter, the photovoltaic power generation output prediction device 130 may update a variable when a specific criterion is not satisfied according to the verification result for the first generation amount prediction model, and when the specific criterion is satisfied, determine a model with little error It can be (450, 460, 470).

상기 도시된 도 3 및 도 4에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.3 and 4, the method has been described by dividing the method into a plurality of steps, but at least some of the steps are performed in a different order, are performed in combination with other steps, are performed together, are omitted, or are performed in detailed steps. , or one or more steps not shown may be added and performed.

도 5는 일 실시예에 따른 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.5 is a block diagram illustrating and explaining a computing environment including a computing device according to an embodiment.

도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되는 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.In the illustrated embodiment, each component may have different functions and capabilities other than those described below, and may include additional components in addition to those described below.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에 따르면, 컴퓨팅 장치(12)는 태양광의 발전 출력을 예측하는 장치(예를 들어, 태양광 발전 출력 예측 장치(130))일 수 있다.The illustrated computing environment 10 includes a computing device 12 . According to an embodiment, the computing device 12 may be a device for predicting a solar power generation output (eg, the solar power generation output prediction device 130 ).

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.Computing device 12 includes at least one processor 14 , computer readable storage medium 16 , and communication bus 18 . The processor 14 may cause the computing device 12 to operate in accordance with example embodiments. For example, the processor 14 may execute one or more programs stored in the computer-readable storage medium 16 . The one or more programs may include one or more computer-executable instructions that, when executed by the processor 14, configure the computing device 12 to perform operations in accordance with the exemplary embodiment. can be

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에 따르면, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. The program 20 stored in the computer readable storage medium 16 includes a set of instructions executable by the processor 14 . According to one embodiment, computer-readable storage medium 16 includes memory (volatile memory, such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices; It may be flash memory devices, other forms of storage medium accessed by computing device 12 and capable of storing desired information, or a suitable combination thereof.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.Communication bus 18 interconnects various other components of computing device 12 , including processor 14 and computer readable storage medium 16 .

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24 . The input/output interface 22 and the network communication interface 26 are coupled to the communication bus 18 . Input/output device 24 may be coupled to other components of computing device 12 via input/output interface 22 . Exemplary input/output device 24 may include a pointing device (such as a mouse or trackpad), a keyboard, a touch input device (such as a touchpad or touchscreen), a voice or sound input device, various types of sensor devices, and/or imaging devices. input devices and/or output devices such as display devices, printers, speakers and/or network cards. The exemplary input/output device 24 may be included in the computing device 12 as a component constituting the computing device 12 , and may be connected to the computing device 12 as a separate device distinct from the computing device 12 . may be

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 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 청구범위 뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.Although representative embodiments of the present invention have been described in detail above, those of ordinary skill in the art to which the present invention pertains will understand that various modifications are possible within the limits without departing from the scope of the present invention with respect to the above-described embodiments. . Therefore, the scope of the present invention should not be limited to the described embodiments, and should be defined by the claims and equivalents as well as the claims to be described later.

10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100: 태양광 발전 출력 예측 시스템
110: 사용자 단말
120: 네트워크
130: 태양광 발전 출력 예측 장치
131: 데이터 분류부
133: 피쳐 스케일링 수행부
135: 일사량 예측부
137: 발전량 예측부
139: 제어부
140: 데이터베이스10: Computing Environment
12: computing device
14: Processor
16: computer readable storage medium
18: communication bus
20: Program
22: input/output interface
24: input/output device
26: network communication interface
100: solar power output prediction system
110: user terminal
120: network
130: solar power output prediction device
131: data classification unit
133: Feature scaling performing unit
135: insolation prediction unit
137: power generation forecasting unit
139: control unit
140: database

Claims

입력 데이터 셋을 수신하고 상기 입력 데이터 셋을 특정 분류기준에 따라 서브 데이터 셋으로 분류하는 데이터 분류부;
상기 서브 데이터 셋에 대한 데이터 분포에 따라 전처리를 수행하여 프로퍼 피쳐를 생성하는 피쳐 스케일링 수행부;
상기 프로퍼 피쳐 중 일사량 예측에 필요한 서브 프로퍼 피쳐를 기초로 일사량을 예측하는 일사량 예측부; 및
상기 프로퍼 피쳐, 상기 일사량 및 상기 특정 분류기준에 해당하는 전운량을 포함하는 학습 데이터를 통해 발전량 예측 모델을 생성하고 상기 발전량 예측 모델을 기초로 발전량을 예측하는 발전량 예측부를 포함하는 태양광 발전 출력 예측 장치.
a data classification unit for receiving an input data set and classifying the input data set into sub data sets according to a specific classification criterion;
a feature scaling performing unit that performs pre-processing according to data distribution for the sub-data set to generate a propper feature;
an insolation predictor for predicting insolation based on a sub-proper feature required for insolation prediction among the proper features; and
Photovoltaic power generation output comprising a power generation prediction unit that generates a power generation prediction model through learning data including the propper feature, the insolation amount, and total amount of cloud corresponding to the specific classification criterion, and predicts the generation amount based on the power generation prediction model prediction device.

청구항 1에 있어서,
상기 데이터 분류부는,
상기 전운량의 값을 기초로 상기 서브 데이터 셋을 분류하는, 태양광 발전 출력 예측 장치.
The method according to claim 1,
The data classification unit,
A solar power generation output prediction apparatus for classifying the sub-data set based on the value of the total amount of clouds.

청구항 1에 있어서,
상기 입력 데이터 셋은,
대기질 정보를 포함하는, 태양광 발전 출력 예측 장치.
The method according to claim 1,
The input data set is
Including air quality information, solar power output prediction device.

청구항 1에 있어서,
상기 피쳐 스케일링 수행부는,
상기 서브 데이터 셋의 데이터 분포를 검출하는 제1 단계, 상기 데이터 분포가 중간 값으로부터 특정 범위 내인지 판단하는 제2 단계, 상기 제2 단계의 판단에 따라 상기 전처리의 순서를 결정하여 전처리 오더를 생성하는 제3 단계 및 상기 서브 데이터 셋에 대해 상기 전처리 오더에 따른 전처리를 수행하여 프로퍼 피쳐를 생성하는 제4 단계를 통해 상기 전처리를 수행하는, 태양광 발전 출력 예측 장치.
The method according to claim 1,
The feature scaling performing unit,
A first step of detecting the data distribution of the sub-data set, a second step of determining whether the data distribution is within a specific range from an intermediate value, and determining the order of the pre-processing according to the determination of the second step to generate a pre-processing order A third step of performing the pre-processing through the fourth step of generating a propper feature by performing pre-processing according to the pre-processing order on the sub-data set, the photovoltaic power generation output prediction apparatus.

청구항 1에 있어서,
상기 일사량 예측부는,
태양광 수신 위치를 기초로 직달 일사와 산란 일사로 나누어서 상기 일사량을 예측하는, 태양광 발전 출력 예측 장치.
The method according to claim 1,
The insolation prediction unit,
A solar power generation output prediction device for predicting the amount of insolation by dividing the direct solar radiation and scattered solar radiation based on the sunlight reception position.

청구항 1에 있어서,
상기 발전량 예측부는,
상기 특정 분류기준 각각에 대해 상기 발전량 예측 모델을 생성하는, 태양광 발전 출력 예측 장치.
The method according to claim 1,
The generation amount prediction unit,
A solar power generation output prediction device for generating the power generation amount prediction model for each of the specific classification criteria.

청구항 6에 있어서,
상기 발전량 예측부는,
상기 전운량에 따라서 각각 상기 발전량 예측 모델을 생성하는, 태양광 발전 출력 예측 장치.
7. The method of claim 6,
The generation amount prediction unit,
A solar power generation output prediction device for generating the power generation amount prediction model, respectively, according to the total amount of cloud cover.

청구항 1에 있어서,
상기 발전량 예측 모델은,
상기 학습 데이터를 네트워크 함수에 입력시키고, 상기 네트워크 함수의 출력 데이터와 상기 학습 데이터에 대응하는 라벨을 비교하여 오차를 도출하고, 상기 오차에 기초하여 상기 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정하는, 태양광 발전 출력 예측 장치.
The method according to claim 1,
The power generation prediction model is,
The training data is input to a network function, an error is derived by comparing the output data of the network function with a label corresponding to the training data, and the weight of the network function is backpropagated based on the error. Adjusted, solar power output forecasting device.

청구항 8에 있어서,
상기 발전량 예측 모델은,
특정 기준의 에폭 이상 수행된 경우 검증 데이터를 이용하여 학습의 중단 여부를 결정하는, 태양광 발전 출력 예측 장치.
9. The method of claim 8,
The power generation prediction model is,
A solar power generation output prediction device that determines whether or not to stop learning using verification data when more than a specific reference epoch is performed.

청구항 1에 있어서,
상기 발전량 예측부는,
상기 발전량 예측 모델을 생성하는 과정에서, 상기 학습 데이터 각각과 네트워크 함수에 상기 학습 데이터를 입력하여 도출된 출력 데이터 간의 상관도를 결정하고 상기 상관도에 따라 상기 발전량 예측 모델의 변수 수정 여부를 결정하는, 태양광 발전 출력 예측 장치.
The method according to claim 1,
The generation amount prediction unit,
In the process of generating the power generation prediction model, determining a correlation between each of the training data and the output data derived by inputting the training data to a network function, and determining whether to modify the variables of the power generation prediction model according to the correlation , a solar power output prediction device.

입력 데이터 셋을 수신하고 상기 입력 데이터 셋을 특정 분류기준에 따라 서브 데이터 셋으로 분류하는 데이터 분류 단계;
상기 서브 데이터 셋에 대한 데이터 분포에 따라 전처리를 수행하여 프로퍼 피쳐를 생성하는 피쳐 스케일링 수행 단계;
상기 프로퍼 피쳐에 대한 일사량 예측 모델을 생성하여 일사량을 예측하는 일사량 예측 단계; 및
상기 프로퍼 피쳐, 상기 일사량 및 상기 특정 분류기준에 해당하는 전운량을 포함하는 학습 데이터를 통해 발전량 예측 모델을 생성하고 상기 발전량 예측 모델을 기초로 발전량을 예측하는 발전량 예측 단계를 포함하는, 태양광 발전 출력 예측 방법.
a data classification step of receiving an input data set and classifying the input data set into sub data sets according to a specific classification criterion;
performing pre-processing according to the data distribution of the sub-data set to generate a propper feature;
an insolation prediction step of predicting insolation by generating a solar radiation prediction model for the propper feature; and
A power generation prediction step of generating a power generation prediction model through learning data including the propper feature, the insolation amount and total amount of cloud corresponding to the specific classification criterion, and predicting the generation amount based on the power generation prediction model, solar power How to predict power generation output.

청구항 11에 있어서,
상기 데이터 분류 단계는,
상기 전운량의 값을 기초로 상기 서브 데이터 셋을 분류하는, 태양광 발전 출력 예측 방법.
12. The method of claim 11,
The data classification step is
A method of predicting solar power generation output for classifying the sub-data set based on the value of the total amount of cloud cover.

청구항 11에 있어서,
상기 입력 데이터 셋은,
대기질 정보를 포함하는, 태양광 발전 출력 예측 방법.
12. The method of claim 11,
The input data set is
A method of predicting solar power output, including air quality information.

청구항 11에 있어서,
상기 피쳐 스케일링 수행 단계는,
상기 서브 데이터 셋의 데이터 분포를 검출하는 제1 단계;
상기 데이터 분포가 중간 값으로부터 특정 범위 내인지 판단하는 제2 단계;
상기 제2 단계의 판단에 따라 상기 전처리의 순서를 결정하여 전처리 오더를 생성하는 제3 단계; 및
상기 서브 데이터 셋에 대해 상기 전처리 오더에 따른 전처리를 수행하여 프로퍼 피쳐를 생성하는 제4 단계를 포함하는, 태양광 발전 출력 예측 방법.
12. The method of claim 11,
The step of performing the feature scaling is
a first step of detecting a data distribution of the sub data set;
a second step of determining whether the data distribution is within a specific range from an intermediate value;
a third step of generating a pre-processing order by determining the order of the pre-processing according to the determination of the second step; and
and a fourth step of generating a propper feature by performing preprocessing according to the preprocessing order on the sub data set.

청구항 11에 있어서,
상기 일사량 예측 단계는,
태양광 수신 위치를 기초로 직달 일사와 산란 일사로 나누어서 상기 일사량을 예측하는, 태양광 발전 출력 예측 방법.
12. The method of claim 11,
The insolation prediction step is,
A method of predicting solar power output by dividing the direct solar radiation and scattered solar radiation based on the sunlight reception location to predict the amount of insolation.

청구항 11에 있어서,
상기 발전량 예측 단계는,
상기 특정 분류기준 각각에 대해 상기 발전량 예측 모델을 생성하는, 태양광 발전 출력 예측 방법.
12. The method of claim 11,
The generation amount prediction step is,
A solar power generation output prediction method for generating the generation amount prediction model for each of the specific classification criteria.

청구항 16에 있어서,
상기 발전량 예측 단계는,
상기 전운량에 따라서 각각 상기 발전량 예측 모델을 생성하는, 태양광 발전 출력 예측 방법.
17. The method of claim 16,
The generation amount prediction step is,
A solar power generation output prediction method for generating the power generation amount prediction model, respectively, according to the total amount of cloud cover.

청구항 11에 있어서,
상기 발전량 예측 단계는,
상기 학습 데이터를 네트워크 함수에 입력시키는 단계;
상기 네트워크 함수의 출력 데이터와 상기 학습 데이터에 대응하는 라벨을 비교하여 오차를 도출하는 단계; 및
상기 오차에 기초하여 상기 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정하는 단계를 포함하는, 태양광 발전 출력 예측 방법.
12. The method of claim 11,
The generation amount prediction step is,
inputting the training data into a network function;
deriving an error by comparing the output data of the network function with a label corresponding to the training data; and
Based on the error, comprising the step of adjusting the weight of the network function in a backpropagation method, solar power generation output prediction method.

청구항 18에 있어서,
상기 발전량 예측 모델은,
특정 기준의 에폭 이상 수행된 경우 검증 데이터를 이용하여 학습의 중단 여부를 결정하는, 태양광 발전 출력 예측 방법.
19. The method of claim 18,
The power generation prediction model is,
A method of predicting solar power output that determines whether or not to stop learning using verification data when more than a specific standard of epoch is performed.

청구항 11에 있어서,
상기 발전량 예측 단계는,
상기 발전량 예측 모델을 생성하는 과정에서, 상기 학습 데이터 각각과 네트워크 함수에 상기 학습 데이터를 입력하여 도출된 출력 데이터 간의 상관도를 결정하고, 상기 상관도에 따라 상기 발전량 예측 모델의 변수 수정 여부를 결정하는, 태양광 발전 출력 예측 방법.
12. The method of claim 11,
The generation amount prediction step is,
In the process of generating the power generation prediction model, a degree of correlation between each of the training data and output data derived by inputting the training data to a network function is determined, and whether to modify a variable of the power generation prediction model is determined according to the degree of correlation A method of predicting solar power output.