| 1 |
1
태양광 발전의 출력 예측 불확실성 및 간헐성 보상 장치가 수행하는 방법으로서,종속변수로서 태양광 발전설비의 과거 발전량 데이터와 초기 독립변수로서 방재기상관측 자료에 기초하여, 태양광 발전량의 시간 단위 지연값 및 시계열 데이터의 특성을 반영하기 위한 독립변수를 추가 생성하는 단계와,상기 종속변수, 상기 초기 독립변수 및 상기 추가 생성된 독립변수 간의 상관 관계에 기초하여, 입력으로 사용할 변수들을 선정하는 단계와,상기 선정된 변수들을 기학습된 딥러닝 인공신경망에 입력하여, 상기 딥러닝 인공신경망의 출력으로서 상기 태양광 발전설비의 태양광 발전량을 예측하는 단계와,상기 태양광 발전설비의 실제 태양광 발전량 데이터 값에 가우시안 분포를 따르는 랜덤 값을 곱하여 간헐성을 적용하는 단계와,상기 예측된 태양광 발전량과 상기 간헐성을 적용한 태양광 발전량을 비교하는 단계와,상기 비교의 결과에 따라, BESS(battery energy storage system)의 동작 모드를 정지와 충전 동작 및 방전 동작 중 어느 하나로 결정하는 단계를 포함하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법
|
| 2 |
2
제 1 항에 있어서,상기 독립변수를 추가 생성하는 단계는,상기 종속변수와 상기 초기 독립변수를 하나의 데이터세트로 통합하고, 상기 방재기상관측 자료 중 결측값을 다른 방재기상관측 자료를 이용해 대체하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법
|
| 3 |
3
제 2 항에 있어서,상기 독립변수를 추가 생성하는 단계는,상기 종속변수와 상기 초기 독립변수를 다시 구분한 뒤, 상기 태양광 발전량의 경향(trend), 계절성(seasonality), 시(hour), 일(day), 주(week), 월(month), 연도(year) 중 상기 초기 독립변수 외에 적어도 하나의 독립변수를 추가 생성하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법
|
| 4 |
4
제 1 항에 있어서,상기 입력으로 사용할 변수들을 선정하는 단계는,상기 상관 관계의 높낮이에 따라 상기 초기 독립변수 및 상기 추가 생성된 독립변수를 정렬한 뒤, 정렬된 독립변수를 순차적으로 증가시키며 변수 증가에 따른 최소 자승법 성능을 측정하고, 상기 최소 자승법 성능을 측정한 결과에 기초하여, 상기 정렬된 독립변수 중 적어도 하나를 상기 입력으로 사용할 변수로서 선정하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법
|
| 5 |
5
제 1 항에 있어서,상기 기학습된 딥러닝 인공신경망은 하이퍼파라미터(hyperparameter) 중 시퀀스 사이즈(sequence size), 배치사이즈(batchsize), 드롭아웃(dropout) 및 에포크(epoch) 중 적어도 하나의 항목에 대해 최적화된 것인태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법
|
| 6 |
6
제 1 항에 있어서,상기 결정하는 단계 이후, 기설정된 시간에 도달하기 전까지 상기 예측하는 단계부터 이후 단계들을 반복 수행하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법
|
| 7 |
7
태양광 발전설비의 발전량 데이터와 방재기상관측 자료를 획득하는 데이터 획득부와,소정의 입력에 대응한 출력으로서 상기 태양광 발전설비의 태양광 발전량을 예측하도록 기학습된 딥러닝 인공신경망과,프로세서부를 포함하고,상기 프로세서부는,상기 데이터 획득부에 의해 획득된 상기 태양광 발전설비의 과거 발전량 데이터를 종속변수로서 삼고, 상기 방재기상관측 자료를 초기 독립변수로서 삼으며, 태양광 발전량의 시간 단위 지연값 및 시계열 데이터의 특성을 반영하기 위한 독립변수를 추가 생성하고,상기 종속변수, 상기 초기 독립변수 및 상기 추가 생성된 독립변수 간의 상관 관계에 기초하여, 입력으로 사용할 변수들을 선정하며,상기 선정된 변수들을 상기 기학습된 딥러닝 인공신경망에 입력하여, 상기 딥러닝 인공신경망의 출력으로서 상기 태양광 발전설비의 태양광 발전량 예측 값을 획득하고,상기 태양광 발전설비의 실제 태양광 발전량 데이터 값에 가우시안 분포를 따르는 랜덤 값을 곱하여 간헐성을 적용하며,상기 태양광 발전량 예측 값과 상기 간헐성을 적용한 태양광 발전량의 비교하고,상기 비교의 결과에 따라, BESS의 동작 모드를 정지와 충전 동작 및 방전 동작 중 어느 하나로 결정하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 장치
|
| 8 |
8
제 7 항에 있어서,상기 프로세서부는,상기 종속변수와 상기 초기 독립변수를 하나의 데이터세트로 통합하고, 상기 방재기상관측 자료 중 결측값을 다른 방재기상관측 자료를 이용해 대체한 후 상기 독립변수를 추가 생성하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 장치
|
| 9 |
9
제 8 항에 있어서,상기 프로세서부는,상기 종속변수와 상기 초기 독립변수를 다시 구분한 뒤, 상기 태양광 발전량의 경향, 계절성, 시, 일, 주, 월, 연도 중 상기 초기 독립변수 외에 적어도 하나의 독립변수를 추가 생성하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 장치
|
| 10 |
10
제 7 항에 있어서,상기 프로세서부는,상기 상관 관계의 높낮이에 따라 상기 초기 독립변수 및 상기 추가 생성된 독립변수를 정렬한 뒤, 정렬된 독립변수를 순차적으로 증가시키며 변수 증가에 따른 최소 자승법 성능을 측정하고,상기 최소 자승법 성능을 측정한 결과에 기초하여, 상기 정렬된 독립변수 중 적어도 하나를 상기 입력으로 사용할 변수로서 선정하는태양광 발전의 출력 예측 불확실성 및 간헐성 보상 장치
|
| 11 |
11
제 7 항에 있어서,상기 기학습된 딥러닝 인공신경망은 하이퍼파라미터 중 시퀀스 사이즈, 배치사이즈, 드롭아웃 및 에포크 중 적어도 하나의 항목에 대해 최적화된 것인태양광 발전의 출력 예측 불확실성 및 간헐성 보상 장치
|
| 12 |
12
컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,종속변수로서 태양광 발전설비의 과거 발전량 데이터와 초기 독립변수로서 방재기상관측 자료에 기초하여, 태양광 발전량의 시간 단위 지연값 및 시계열 데이터의 특성을 반영하기 위한 독립변수를 추가 생성하는 단계와, 상기 종속변수, 상기 초기 독립변수 및 상기 추가 생성된 독립변수 간의 상관 관계에 기초하여, 입력으로 사용할 변수들을 선정하는 단계와, 상기 선정된 변수들을 기학습된 딥러닝 인공신경망에 입력하여, 상기 딥러닝 인공신경망의 출력으로서 상기 태양광 발전설비의 태양광 발전량을 예측하는 단계와, 상기 태양광 발전설비의 실제 태양광 발전량 데이터 값에 가우시안 분포를 따르는 랜덤 값을 곱하여 간헐성을 적용하는 단계와, 상기 예측된 태양광 발전량과 상기 간헐성을 적용한 태양광 발전량을 비교하는 단계와, 상기 비교의 결과에 따라, BESS(battery energy storage system)의 동작 모드를 정지와 충전 동작 및 방전 동작 중 어느 하나로 결정하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체
|
| 13 |
13
컴퓨터 판독 가능 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,종속변수로서 태양광 발전설비의 과거 발전량 데이터와 초기 독립변수로서 방재기상관측 자료에 기초하여, 태양광 발전량의 시간 단위 지연값 및 시계열 데이터의 특성을 반영하기 위한 독립변수를 추가 생성하는 단계와, 상기 종속변수, 상기 초기 독립변수 및 상기 추가 생성된 독립변수 간의 상관 관계에 기초하여, 입력으로 사용할 변수들을 선정하는 단계와, 상기 선정된 변수들을 기학습된 딥러닝 인공신경망에 입력하여, 상기 딥러닝 인공신경망의 출력으로서 상기 태양광 발전설비의 태양광 발전량을 예측하는 단계와, 상기 태양광 발전설비의 실제 태양광 발전량 데이터 값에 가우시안 분포를 따르는 랜덤 값을 곱하여 간헐성을 적용하는 단계와, 상기 예측된 태양광 발전량과 상기 간헐성을 적용한 태양광 발전량을 비교하는 단계와, 상기 비교의 결과에 따라, BESS(battery energy storage system)의 동작 모드를 정지와 충전 동작 및 방전 동작 중 어느 하나로 결정하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램
|
