초록 ▼

본 발명의 일 실시예에 따른 태양광 발전량 예측 시스템은, 외기온도 및 태양광 모듈 어레이의 셀온도를 포함하는 기후요소데이터 및 상기 태양광 모듈 어레이가 설치된 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부; 상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부; 상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부; 상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습

본 발명의 일 실시예에 따른 태양광 발전량 예측 시스템은, 외기온도 및 태양광 모듈 어레이의 셀온도를 포함하는 기후요소데이터 및 상기 태양광 모듈 어레이가 설치된 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부; 상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부; 상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부; 상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부; 및 상기 사이트들 각각에 대하여 복수의 기계학습 모델 중 어느 하나를 선택하고, 상기 기계학습에 대한 설정값들을 설정하는 제어부를 포함할 수 있다.

대표청구항 ▼

외기온도 및 태양광 모듈 어레이의 셀온도를 포함하는 기후요소데이터 및 상기 태양광 모듈 어레이가 설치된 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부;상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부;상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부; 상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부; 및 상기 기계학습에 대한 설정값들을 설정하는 제어부를

외기온도 및 태양광 모듈 어레이의 셀온도를 포함하는 기후요소데이터 및 상기 태양광 모듈 어레이가 설치된 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부;상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부;상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부; 상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부; 및 상기 기계학습에 대한 설정값들을 설정하는 제어부를 포함하고,상기 물리 모델값들은 경사면 일사량(PoA, Plane of Array) 및 유효일사량(Effective Irradiance)을 포함하며,상기 경사면 일사량은, 상기 사이트들의 위치정보 및 시간정보에 기반하여 천문 요소값을 계산하고, 상기 천문 요소값에 기초하여 전천일사 추정치를 연산한 후, 상기 전천일사 추정치에 기초하여 직달일사 및 수평면확산일사 추정치를 계산하고, 상기 직달일사 및 수평면확산일사 추정치에 기초하여 연산되고,상기 경사면 일사량은 경사면 일사량 빔(PoA Beam) 요소, 경사면 일사량 지상 반사(PoA ground reflected) 요소, 경사면 일사량 공중 확산(PoA Sky-diffuse) 요소를 포함하고, 상기 유효일사량은 하기 수학식 13에 따라 결정되며,(수학식 13)Ee= Eb * aoi_modifier +Eg + Ed(여기서, Ee= 는 유효일사량, Eb 는 경사면 일사량 빔 요소, Eg는 경사면 일사량 지상 반사 요소, 또한, Ed는 경사면 일사량 공중 확산 요소이고, aoi_modifier는 상기 태양광 모듈 어레이를 실험하여 구한 상수)상기 발전량 추정치는, 하기 수학식 14에 따라 결정되고,(수학식 14)(여기서, Ee는 유효일사량, E0 은 1000W/m2, Pmp는 DC 전력 추정치, Pmp0는 DC 정격 출력 전압에서의 기준 전력, γ는 태양광 모듈 어레이에서 실험으로 결정되는 상수, Tc는 표면온도, T0는 기준온도 (섭씨 25도))상기 제어부는 상기 사이트들 각각에 대하여 복수의 기계학습 모델 중 어느 하나를 선택하고, 상기 복수의 기계학습 모델은 랜덤 포레스트(Random Forest) 및 LSTM(Long Short Term Memory)을 포함하며,상기 기계학습모델의 입력데이터는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 시간 정보 및 발전량추정치가 되는,태양광 발전량 예측 시스템.