| 1 |
1
(a) 특정 지역에 대한 예보 데이터 및 일사량 데이터를 수집하는 단계;(b) 상기 수집된 예보 데이터, 일사량 데이터 및 시간 정보를 기반으로 명목형, 순서형 및 연속형 데이터 형태를 가지는 복수의 입력 변수를 구성하는 단계; 및(c) 상기 복수의 입력 변수를 학습된 단기 일사량 예측 모델에 적용하여 일사량 예측값과 입력 변수 중요도를 각각 도출하는 단계를 포함하되,상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되되, 예측 시점을 기준으로 이전 n(자연수) 시점까지의 다중 시점에 대한 예측값을 생성하여 검증함으로써 상기 복수의 입력 변수의 가중치 조절에 이용되는 것을 특징으로 하는 해석 가능한 단기 일사량 예측 방법
|
| 2 |
2
제1 항에 있어서, 상기 입력 변수는 시간 정보, 과거 일정 시점의 일사량과 습도, 강수량, 하늘 상태, 기온, 풍속 및 풍향을 이용하여 구성되는 것을 특징으로 하는 해석 가능한 단기 일사량 예측 방법
|
| 3 |
3
제1 항에 있어서, 상기 입력 변수 중요도를 고려하여 복수의 입력 변수 중 적어도 일부를 기반으로 상기 도출된 일사량 예측값에 대한 예측 원인 근거 설명문을 생성하는 단계를 더 포함하는 해석 가능한 단기 일사량 예측 방법
|
| 4 |
4
제1 항에 있어서, 상기 단기 일사량 예측 모델은 상기 조건부 랜덤 포레스트를 이용하여 상기 복수의 입력 변수를 이용하여 예측 시점에 대해 1단계 학습을 수행한 후 상기 예측 시점을 기준으로 이전 n 시점에 대한 다중 시점 예측값을 생성하여 검증하는 2단계 학습을 수행하는 것을 특징으로 하는 해석 가능한 단기 일사량 예측 방법
|
| 5 |
5
해석 가능한 단기 일사량 예측을 위한 장치에 있어서, 적어도 하나의 명령어를 저장하는 메모리; 및상기 메모리와 연동되며, 상기 메모리에 저장된 명령어를 실행하는 프로세서를 포함하되,상기 명령어는, (b) 상기 수집된 예보 데이터, 일사량 데이터 및 시간 정보를 기반으로 명목형, 순서형 및 연속형 데이터 형태를 가지는 복수의 입력 변수를 구성하는 단계; 및(c) 상기 복수의 입력 변수를 학습된 단기 일사량 예측 모델에 적용하여 일사량 예측값과 입력 변수 중요도를 각각 도출하는 단계를 포함하되,상기 단기 일사량 예측 모델은 조건부 랜덤 포레스트(conditional random forest)를 기반으로 구성되되, 예측 시점을 기준으로 이전 n(자연수) 시점까지의 다중 시점에 대한 예측값을 생성하여 검증함으로써 상기 복수의 입력 변수의 가중치 조절에 이용되는 것을 특징으로 하는 장치
|
