| 1 |
1
인공위성, 기상레이더, 기상청 및 기상 관측소 적어도 하나를 통해 시공간별 기상 데이터를 획득하는 시공간별 기상 데이터 획득부;태양광 발전소의 현재 상태를 계측한 계측 데이터를 획득하는 계측 데이터 획득부;기 학습된 제0 신경망 모델을 통해 상기 시공간별 기상 데이터와 상기 계측 데이터에 대응되는 태양광 발전설비의 운용 상태를 분류한 후, 분류 결과에 따라 상기 시공간별 기상 데이터와 상기 계측 데이터를 라벨링하는 데이터 라벨링부;기 학습된 제1 신경망 모델을 통해 라벨링된 상기 시공간별 기상 데이터와 상기 계측 데이터에 대응되는 태양광 발전량 예측치와 지배 인자 예측치를 획득하는 태양광 발전 상태 예측부;상기 계측 데이터에 대한 민감도 분석을 통해 지배 인자 산출치를 획득한 후, 기 학습된 제2 신경망 모델을 통해 상기 지배 인자 예측치와 상기 지배 인자 산출치의 차이 값에 대응되는 태양광 발전량 오차치를 산출하는 태양광 발전량 오차 산출부;상기 태양광 발전량 오차치를 통해 상기 태양광 발전량 예측치를 보정하여 태양광 발전량 최종 예견치를 획득 및 안내하는 태양광 발전량 예견부; 및 상기 태양광 발전량 최종 예견치와 상기 태양광 발전량 측정치를 비교하여 태양광 발전소의 이상 유무를 판단 및 안내하는 이상 진단부를 포함하는 태양광 발전 상태 통합 모니터링 시스템
|
| 2 |
2
제1항에 있어서, 상기 제0 신경망 모델은 1D 컨볼루션, 맥스풀링, 1x1 컨볼루션, 2개의 장단기 기억 신경망 (LSTM) 및 소프트맥스 계층으로 구성되는 CNN-BiLSTM 혼합 분류 모델로 구현되는 것을 특징으로 하는 태양광 발전 상태 통합 모니터링 시스템
|
| 3 |
3
제1항에 있어서, 상기 제1 신경망 모델은 입력 데이터에 대한 공간상의 기상 정보 연결도를 정의하는 그래프 합성곱 모델(GC)과, 공간상의 데이터 연결도에 기반하여 시간에 따라 변화하는 지배 인자 예측치 과 태양광 발전량 예측치 을 획득 및 출력하는 2개의 LSTM 계층 모델(LSTM)로 구성되는 GC-LSTM 모델로 구현되는 것을 특징으로 하는 태양광 발전 상태 통합 모니터링 시스템
|
| 4 |
4
제1항에 있어서, 상기 제2 신경망 모델은 다층 퍼셉트론 모델(MLP)로 구현되는 것을 특징으로 하는 태양광 발전 상태 통합 모니터링 시스템
|
| 5 |
5
인공위성, 기상레이더, 기상청 및 기상 관측소 적어도 하나를 통해 시공간별 기상 데이터를 획득하는 단계;태양광 발전소의 현재 상태를 계측한 계측 데이터를 획득하는 단계;기 학습된 제0 신경망 모델을 통해 상기 시공간별 기상 데이터와 상기 계측 데이터에 대응되는 태양광 발전설비의 운용 상태를 분류한 후, 분류 결과에 따라 상기 시공간별 기상 데이터와 상기 계측 데이터를 라벨링하는 단계;기 학습된 제1 신경망 모델을 통해 라벨링된 상기 시공간별 기상 데이터와 상기 계측 데이터에 대응되는 태양광 발전량 예측치와 지배 인자 예측치를 획득하는 단계;상기 계측 데이터에 대한 민감도 분석을 통해 지배 인자 산출치를 획득한 후, 기 학습된 제2 신경망 모델을 통해 상기 지배 인자 예측치와 상기 지배 인자 산출치의 차이 값에 대응되는 태양광 발전량 오차치를 산출하는 단계; 및 상기 태양광 발전량 오차치를 통해 상기 태양광 발전량 예측치를 보정하여 태양광 발전량 최종 예견치를 획득 및 안내하고, 이와 동시에 상기 태양광 발전량 최종 예견치와 상기 태양광 발전량 측정치를 비교하여 태양광 발전소의 이상 유무를 판단 및 안내하는 단계를 포함하는 태양광 발전량 예견 방법
|
