| 1 |
1
학습 데이터, 검증 데이터 및 출력 데이터를 수신하는 단계; 및상기 학습 데이터, 검증 데이터 및 출력 데이터를 기초로 학습된 딥러닝을 이용하여 태양광 발전량을 예측하는 단계를 포함하고,상기 학습 데이터는 일시, 기온, 강수량, 풍속, 습도, 이슬점온도, 전운량 및 발전량 중 적어도 어느 하나를 포함하며, 상기 검증 데이터는 온도, 강수량, 풍속, 습도, 이슬점, 구름 커버, 발전량 및 시간 중 적어도 어느 하나를 포함하고, 상기 출력 데이터는 '예측 발전량 = 학습에 의한 발전량 예측 전력 - 시간대별 날씨에 의한 계산된 보정 전력'으로 산출하는 것을 포함하며, 상기 딥러닝 모델은 LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit) 및 밀집 계층(Dense layer)으로 이루어진 군에서 선택된 하나를 포함하는 태양광 발전량 예측 방법
|
| 2 |
2
제1항에 있어서, 상기 LSTM은 LSTM 층 4개 및 학습된 예측 발전량 1개를 사용하고, 활성함수로는 leakyReLU, 알파값은 0
|
| 3 |
3
제1항에 있어서, 상기 GRU는 GRU층 1개, 밀집 계층 3개 및 학습된 예측 발전량 1개를 사용하고, 활성함수로는 leakyReLU, 알파값은 0
|
| 4 |
4
제3항에 있어서, 상기 밀집 계층(Dense layer)은 밀집 계층 4개 및 학습된 예측 발전량 1개를 사용하고, 활성함수로는 leakyReLU, 알파값은 0
|
| 5 |
5
제1항에 있어서, 실증제도 적용 오차율(Error rate when applying the demonstration system)을 구하는 단계를 추가로 포함하는 것을 특징으로 하는 태양광 발전량 예측 방법
|
| 6 |
6
제5항에 있어서, 상기 실증제도 적용 오차율을 구하는 식은 '(예측발전량-실제발전량)/설비용량'인 것을 특징으로 하는 태양광 발전량 예측 방법
|
| 7 |
7
제5항에 있어서, 상기 실증제도 적용 오차율은 타임스탬프(timestamp) 및 에포크(epoch) 정보를 포함하는 것을 특징으로 하는 태양광 발전량 예측 방법
|
