| 1 |
1
태양전지모듈로부터 측정된 일사량(A), 모듈온도(B) 및 발전량(C)를 포함하는 측정데이터를 얻는 제1단계;상기 측정데이터 중 제1구간에서 얻은 측정데이터로부터 일사량(A1) 및 모듈온도(B1)와 발전량(C1)의 상관관계를 복수개 획득하는 제2단계;상기 제1구간에서 획득한 상관관계에 따라 제2구간에서 측정된 일사량(A2) 및 모듈온도(B2)를 이용하여 예측된 예측발전량(Cp)을 획득하는 제3단계; 상기 제2구간에서 측정된 측정발전량(Cm2)과 상기 예측발전량(Cp)을 비교하여 상기 상관관계 중 가장 정확한 최적상관관계를 획득하는 제4단계; 및 상기 예측발전량(Cp) 중 최적상관관계에 따라 예측된 예측발전량(Cp)을 선택하는 제5단계;를 포함하고, 상기 제4단계는, 상기 측정발전량(Cm2) 및 예측발전량(Cp)의 제곱근오차평균(average of root mean squared error) 값이 가장 작은 상관관계 값을 획득한 상관관계를 최적상관관계로 선택하는 것이고,상기 측정발전량(Cm2) 및 상기 최적상관관계에 따라 예측된 예측발전량(Cp)의 평균경향오류(mean bias error, MBE)값을 상기 태양전지모듈의 열화값으로 선택하는 단계;를 더 포함하는 것을 특징으로 하는 태양전지모듈 발전량 예측방법
|
| 2 |
2
청구항 1에 있어서, 상기 제1단계에서, 측정데이터에 전처리를 수행하는 전처리 단계;를 더 포함하는 것을 특징으로 하는 태양전지모듈 발전량 예측방법
|
| 3 |
3
청구항 2에 있어서, 상기 전처리는 측정데이터에 일사량(A) 제한, 발전성능계수(Performance Ratio, PR)값 제한 및 평균값 산출 중 적어도 어느 하나의 처리를 수행하는 것을 특징으로 하는 태양전지모듈 발전량 예측방법
|
| 4 |
4
청구항 3에 있어서, 상기 일사량(A)은 200W 이상인 측정데이터만을 사용하는 것을 특징으로 하는 태양전지모듈 발전량 예측방법
|
| 5 |
5
청구항 3에 있어서, 상기 PR값은 0
|
| 6 |
6
청구항 3에 있어서, 상기 평균값 산출은 측정데이터를 1분단위로 측정한 경우,상기 측정데이터의 1시간 평균값을 사용하는 것을 특징으로 하는 태양전지모듈 발전량 예측방법
|
| 7 |
7
청구항 1에 있어서, 상기 제2단계는,선형회귀분석(Linear regression model)방식, 랜덤 포레스트(Random forest) 분석방식, 서포트 벡터 회귀(Support vector regression) 분석방식, k 근접 이웃(K nearest neighbors, kNN) 분석방식, 그라디언트 부스팅 머신(Gradient boosting machine) 분석방식, 및 신경망(Neural network) 분석방식 중 적어도 어느 하나의 방식에 따라 수행되는 것을 특징으로 하는 태양전지모듈 발전량 예측방법
|
| 8 |
8
삭제
|
| 9 |
9
삭제
|
| 10 |
10
태양전지모듈로부터 측정된 일사량(A), 모듈온도(B) 및 발전량(C)를 포함하는 측정데이터를 얻는 제1단계;상기 측정데이터 중 제1구간에서 얻은 측정데이터로부터 일사량(A1) 및 모듈온도(B1)와 발전량(C1)의 상관관계를 복수개 획득하는 제2단계;상기 제1구간에서 획득한 상관관계에 따라 제2구간에서 측정된 일사량(A2) 및 모듈온도(B2)를 이용하여 예측된 예측발전량(Cp)을 획득하는 제3단계; 상기 제2구간에서 측정된 측정발전량(Cm2)과 상기 예측발전량(Cp)을 비교하여 상기 상관관계 중 가장 정확한 최적상관관계를 획득하는 제4단계; 및 상기 예측발전량(Cp) 중 최적상관관계에 따라 예측된 예측발전량(Cp)을 선택하는 제5단계;를 포함하고, 상기 제4단계는, 상기 측정발전량(Cm2) 및 예측발전량(Cp)의 제곱근오차평균(average of root mean squared error) 값이 가장 작은 상관관계 값을 획득한 상관관계를 최적상관관계로 선택하는 것이고,상기 측정발전량(Cm2) 및 상기 최적상관관계에 따라 예측된 예측발전량(Cp)의 평균경향오류(mean bias error, MBE)값을 상기 태양전지모듈의 열화값으로 선택하는 단계;를 더 포함하는 것을 특징으로 하는 태양전지모듈 발전량 예측방법을 수행할 수 있는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
|
| 11 |
11
태양전지모듈로부터 측정된 일사량(A), 모듈온도(B) 및 발전량(C)를 포함하는 측정데이터가 저장되는 저장부;상기 측정데이터 중 제1구간에서 얻은 측정데이터로부터 일사량(A1) 및 모듈온도(B1)와 발전량(C1)의 상관관계를 복수개 획득하는 상관관계 획득부;상기 상관관계 획득부에서 획득한 상관관계에 따라 제2구간에서 측정된 일사량(A2) 및 모듈온도(B2)를 이용하여 예측발전량(Cp)을 획득하는 예측발전량 획득부; 상기 제2구간에서 측정된 측정발전량(Cm2)과 상기 예측발전량 획득부에서 획득한 예측발전량(Cp)을 비교하여 상기 상관관계 중 가장 정확한 최적상관관계를 획득하는 최적상관관계 획득부; 및 상기 예측발전량 획득부에서 획득한 예측발전량(Cp) 중 최적상관관계에 따라 예측된 예측발전량(Cp)을 선택하는 발전량 예측부;를 포함하고, 상기 최적상관관계 획득부는, 상기 측정발전량(Cm2) 및 예측발전량(Cp)의 제곱근오차평균(average of root mean squared error) 값이 가장 작은 상관관계 값을 획득한 상관관계를 최적상관관계로 선택하고,상기 발전량 예측부는, 상기 측정발전량(Cm2) 및 상기 최적상관관계에 따라 예측된 예측발전량(Cp)의 평균경향오류(mean bias error, MBE)값을 상기 태양전지모듈의 열화값으로 선택하는 것을 특징으로 하는 태양전지모듈 발전량 예측장치
|
| 12 |
12
태양전지로부터 일사량(A), 모듈온도(B) 및 발전량(C)을 포함하는 측정데이터를 수집하는 수집부;상기 수집부로부터 측정데이터가 저장되는 저장부;상기 저장부로부터의 측정데이터를 이용하여 태양전지모듈의 발전량을 예측하는 발전량 예측부; 및 상기 측정된 발전량 및 상기 발전량 예측부로부터 예측된 발전량을 송신하는 송신부;를 포함하는 태양전지모듈 발전량 모니터링 장치로서, 상기 발전량 예측부는 상기 측정데이터 중 제1구간에서 얻은 측정데이터로부터 일사량(A1) 및 모듈온도(B1)와 발전량(C1)의 상관관계를 복수개 획득하여 제2구간에서 측정된 일사량(A2) 및 모듈온도(B2)를 이용하여 예측된 예측발전량(Cp)을 획득하고, 상기 제2구간에서 측정된 측정발전량(Cm2)과 상기 예측발전량(Cp)을 비교하여 상기 상관관계 중 가장 정확한 최적상관관계를 획득하여 상기 예측발전량(Cp) 중 최적상관관계에 따라 예측된 예측발전량(Cp)을 선택하되, 상기 측정발전량(Cm2) 및 예측발전량(Cp)의 제곱근오차평균(average of root mean squared error) 값이 가장 작은 상관관계 값을 획득한 상관관계를 최적상관관계로 선택하고, 상기 측정발전량(Cm2) 및 상기 최적상관관계에 따라 예측된 예측발전량(Cp)의 평균경향오류(mean bias error, MBE)값을 상기 태양전지모듈의 열화값으로 선택하는 것인 태양전지모듈 발전량 모니터링 장치
|
