| 1 |
1
태양광 발전량을 예측하기 위한 다중입력 모델(multi-input model)을 학습시키는 방법으로서,일시(date and time)별 기상 실측데이터(weather observation data)를 수집하는 과정;상기 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 과정;상기 기상 조정데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성하는 과정; 및상기 학습데이터를 기초로 발전량 예측모델을 학습시키는 과정;을 포함하는, 발전량 예측모델 학습방법
|
| 2 |
2
제1항에 있어서,상기 기상 실측데이터에 포함된 이상값(abnormal value)을 판단하는 과정; 및상기 이상값을 보정하는 과정을 더 포함하는, 발전량 예측모델 학습방법
|
| 3 |
3
제2항에 있어서,상기 판단하는 과정은, 기 설정된 기간(preset period) 동안의 기상 실측데이터들에 포함된 발전량 값들이 모두 0인 경우, 상기 발전량 값들을 상기 이상값이라고 판단하고,상기 보정하는 과정은, 상기 발전량 값들을 시간별 평균 발전량으로 대체하는, 발전량 예측모델 학습방법
|
| 4 |
4
제2항에 있어서,기 설정된 발전량 최대예측시간(preset power geneneration maximum prediction time) 동안의 기상 실측데이터에 포함된 발전량 값이 기 설정된 최소값 미만인 경우, 상기 판단하는 과정은, 상기 발전량을 상기 이상값이라고 판단하고,상기 보정하는 과정은, 상기 발전량 값을 시간별 평균 발전량 값으로 대체하는, 발전량 예측모델 학습방법
|
| 5 |
5
제2항에 있어서,특정한 일시의 기상 실측데이터가 수집되지 않는 경우, 상기 판단하는 과정은 상기 특정한 일시의 기상 실측데이터를 상기 이상값이라고 판단하고,상기 보정하는 과정은, 보간(interpolation)을 이용하여 상기 특정한 일시의 기상 실측데이터를 생성하는, 발전량 예측모델 학습방법
|
| 6 |
6
제1항에 있어서,상기 발전량 예측모델은, 적어도 하나의 딥러닝 모델을 조합한 앙상블 모델인 것을 특징으로 하는, 발전량 예측모델 학습방법
|
| 7 |
7
다중입력 모델(multi-input model)을 이용하여 태양광 발전량을 예측하는 방법으로서,기상 예보데이터(weather prediction data)를 수집하는 과정;상기 기상 예보데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터(input data)를 생성하는 과정; 및상기 입력데이터를 발전량 예측모델에 입력하여 예보일시에 해당하는 태양광 발전량에 대한 예측데이터를 출력하는 과정을 포함하는, 태양광 발전량 예측방법
|
| 8 |
8
태양광 발전량을 예측하기 위한 다중입력 모델(multi-input model) 학습 장치로서,일시(date and time)별 기상 실측데이터(weather observation data)를 수집하는 실측데이터 수집부(observation data collection unit);상기 기상 실측데이터의 날짜를 조정한 기상 조정데이터를 생성하는 데이터 조정부(data manipulation unit);상기 기상 조정데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 학습데이터를 생성하는 학습데이터 생성부(learning data provision unit); 및상기 학습데이터를 기초로 발전량 예측모델을 학습시키는 예측모델 학습부(prediction model learning unit)를 포함하는, 발전량 예측모델 학습장치
|
| 9 |
9
제8항에 있어서,상기 기상 실측데이터에 포함된 이상값(abnormal value)을 판단하는 이상값 판단부(abnormal value determination unit); 및상기 이상값을 보정하는 이상값 보정부(abnormal value correction unit)를 더 포함하는, 발전량 예측모델 학습장치
|
| 10 |
10
제9항에 있어서,상기 이상값 판단부는, 기 설정된 기간(preset period) 동안의 기상 실측데이터들에 포함된 발전량 값들이 모두 0인 경우, 상기 발전량 값들을 상기 이상값이라고 판단하고,상기 이상값 보정부는, 상기 발전량 값들을 시간별 평균 발전량으로 대체하는, 발전량 예측모델 학습장치
|
| 11 |
11
제9항에 있어서,기 설정된 발전량 최대예측시간(preset power generation maximum prediction period) 동안의 기상 실측데이터에 포함된 발전량 값이 0인 경우, 상기 이상값 판단부는, 상기 발전량을 상기 이상값이라고 판단하고,상기 이상값 보정부는, 상기 발전량 값들을 시간별 평균 발전량으로 대체하는, 발전량 예측모델 학습장치
|
| 12 |
12
제9항에 있어서,특정한 일시의 기상 실측데이터가 수집되지 않는 경우, 상기 이상값 판단부는, 상기 특정한 일시의 기상 실측데이터를 상기 이상값이라고 판단하고,상기 이상값 보정부는, 보간(interpolation)을 이용하여 상기 특정한 일시의 기상 실측데이터를 생성하는, 발전량 예측모델 학습장치
|
| 13 |
13
제8항에 있어서,상기 발전량 예측모델은, 적어도 하나의 딥러닝 모델을 조합한 앙상블 모델인 것을 특징으로 하는, 발전량 예측모델 학습장치
|
| 14 |
14
다중입력 모델(multi-input mode)을 이용하여 태양광 발전량을 예측하는 장치로서,기상 예보데이터(weather prediction data)를 수집하는 예보데이터 수집부(prediction data collection unit);상기 기상 예보데이터를 기초로, 적어도 하나의 입력 사이즈(input size)를 갖는 입력데이터를 생성하는 입력데이터 생성부(input data generation unit); 및상기 입력데이터를 학습된 예측모델에 입력하여 예보일시에 해당하는 태양광 발전량에 대한 예측데이터를 생성하는 예측데이터 생성부(prediction data generation unit)을 포함하는, 태양광 발전량 예측장치
|
