1 |
1
T시점에서 상기 T시점보다 미래 시점인 t1 내지 tn 시점의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t1-a 내지 tn-a 시점의 실제 일사량 측정 데이터를 수집하여 입력 데이터를 구성하는 데이터 구성부; 및 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 딥러닝 알고리즘의 입력으로 이용하여 상기 t1 내지 tn 각각에 대한 일사량 예측값을 출력하는 예측정보 출력부;를 포함하는 것을 특징으로 하는 일사량 예측 장치
|
2 |
2
제1항에 있어서, 상기 예측정보 출력부는상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 LSTM(Long Short-Term Memory)의 입력으로 사용하여 제1일사량 예측값을 출력하고, 상기 출력된 제1일사량 예측값을 Attention mechanism의 입력으로 사용하여 제2일사량 예측값을 출력하는 예측 모델부를 포함하는 것을 특징으로 하는 일사량 예측 장치
|
3 |
3
제2항에 있어서, 상기 데이터 구성부는 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터에 근거하여 상기 LSTM(Long Short-Term Memory)의 입력으로 사용될 복수 개의 입력 변수를 구성하고, 상기 예측정보 출력부는 상기 복수 개의 입력 변수 중 제1입력 변수는 제1방식으로 정규화를 수행하고, 제2입력 변수는 제2방식으로 정규화를 수행하는 전처리부를 더 포함하는 것을 특징으로 하는 일사량 예측 장치
|
4 |
4
제3항에 있어서, 상기 전처리부는 입력 변수 중 주기성을 갖는 시간 변수를 주기함수를 사용하여 1차원 데이터에서 2차원 데이터로 변환하는 것을 특징으로 하는 일사량 예측 장치
|
5 |
5
제3항에 있어서, 상기 전처리부는 하기 수학식 1 및 수학식 2를 이용하여 입력 변수 중 주기성을 갖는 시간 변수를 1차원 데이터에서 2차원 데이터로 변환하는 것을 특징으로 하는 일사량 예측 장치
|
6 |
6
T시점에서 상기 T시점보다 미래 시점인 t1 내지 tn 시점의 일기예보 데이터를 수집하고, 상기 T시점에서 상기 T시점보다 과거 시점인 t1-a 내지 tn-a 시점의 실제 일사량 측정 데이터를 수집하여 입력 데이터를 구성하는 단계; 및 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 딥러닝 알고리즘의 입력으로 이용하여 상기 t1 내지 tn 각각에 대한 일사량 예측값을 출력하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법
|
7 |
7
제6항에 있어서, 상기 예측정보 출력 단계는상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터를 LSTM(Long Short-Term Memory)의 입력으로 사용하여 제1일사량 예측값을 출력하는 단계; 및상기 출력된 제1일사량 예측값을 Attention mechanism의 입력으로 사용하여 제2일사량 예측값을 출력하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법
|
8 |
8
제7항에 있어서, 상기 입력 데이터 구성 단계는 상기 수집된 일기예보 데이터 및 상기 실제 일사량 측정 데이터에 근거하여 상기 LSTM(Long Short-Term Memory)의 입력으로 사용될 복수 개의 입력 변수를 구성하는 단계를 포함하고, 상기 예측정보 출력 단계는 상기 복수 개의 입력 변수 중 제1입력 변수는 제1방식으로 정규화를 수행하고, 제2입력 변수는 제2방식으로 정규화를 수행하는 전처리 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법
|
9 |
9
제8항에 있어서, 상기 전처리 단계는 입력 변수 중 주기성을 갖는 시간 변수를 주기함수를 사용하여 1차원 데이터에서 2차원 데이터로 변환하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법
|
10 |
10
제8항에 있어서, 상기 전처리 단계는 하기 수학식 1 및 수학식 2를 이용하여 입력 변수 중 주기성을 갖는 시간 변수를 1차원 데이터에서 2차원 데이터로 변환하는 단계를 포함하는 것을 특징으로 하는 일사량 예측 방법
|