본 발명은 신재생에너지 발전원이 존재하는 전력계통을 안정화하는 방법에 있어서, 신재생에너지 발전 출력량을 예측하는 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for predicting the output of renewable energy generation in a method for stabilizing a power system in which a renewable energy generation source exists.
재생에너지는 일사량, 풍속 등 기상의 변화에 따라 크게 변화한다. 그래서 기상인자와 발전출력 간의 관계로 재생에너지 발전출력의 변화를 예측하는 방법이 재생에너지 발전출력 예측방법이다. 재생에너지 발전출력 예측을 위해서는 기본적으로 과거 기상관측 데이터와 과거 발전출력 데이터, 앞으로의 기상변화 데이터가 필요하다.Renewable energy varies greatly depending on weather changes such as solar radiation and wind speed. Therefore, the method of predicting the change in renewable energy power output based on the relationship between meteorological factors and power output is the renewable energy power output prediction method. In order to predict renewable energy power output, past weather observation data, past power output data, and future weather change data are basically required.
재생에너지의 발전출력 예측은 기상청에서 제공하는 기상관측 및 예보데이터를 활용한다. 발전단지에서는 기상관측장비가 없으므로 기상관측데이터가 없어서 기상청 데이터를 보정하여 발전량을 예측한다. 하지만 기상청 데이터와 보정 데이터에서 오차가 발생한다. 그래서 재생에너지 발전량 출력예측의 정확도가 저하될 수 있다.The prediction of renewable energy power generation output utilizes meteorological observation and forecast data provided by the Korea Meteorological Administration. Since there is no meteorological observation equipment at the power plant, there is no meteorological observation data, so the power generation is predicted by correcting the Korea Meteorological Administration data. However, errors occur between the Korea Meteorological Administration data and the correction data. Therefore, the accuracy of the prediction of renewable energy power generation output may be reduced.
본 발명의 일 실시예는, 기상예측 및 원격감시제어시스템 데이터로 실시간 재생에너지 출력량을 예측하는 방법을 제공하기 위한 것이다.One embodiment of the present invention provides a method for predicting real-time renewable energy output using weather prediction and remote monitoring control system data.
본 발명의 일 실시예는, 기상예측 및 원격감시제어시스템 데이터로 실시간 재생에너지 출력량을 예측하는 시스템을 제공하기 위한 것이다.One embodiment of the present invention provides a system for predicting real-time renewable energy output using weather prediction and remote monitoring control system data.
상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 본 발명에 따른 실시예가 사용될 수 있다.In addition to the above tasks, embodiments according to the present invention can be used to achieve other tasks not specifically mentioned.
본 발명의 실시예에 따르면, 기상예보데이터 및 기상관측 데이터를 수신하는 단계, 기상예보데이터 및 기상관측 데이터를 보간 및 보정하는 단계, 보간 및 보정된 기상예보데이터 및 원격감지 제어시스템(SCADA)데이터를 복수의 알고리즘에 입력하여 제1 발전출력을 예측하는 단계, 그리고 복수의 제1 발전출력 예측 데이터를 앙상블(Ensemble)하여 제2 발전출력을 예측하는 단계를 포함할 수 있다.According to an embodiment of the present invention, the method may include a step of receiving weather forecast data and weather observation data, a step of interpolating and correcting the weather forecast data and weather observation data, a step of inputting the interpolated and corrected weather forecast data and SCADA (Supervisory Control and Data Acquisition) data into a plurality of algorithms to predict a first power generation output, and a step of predicting a second power generation output by ensembling a plurality of first power generation output prediction data.
기상예보데이터를 보간 및 보정하는 단계는, 기상예보데이터의 시간 해상도를 높이는 예보 시간해상도 보간 단계, 기상예보데이터로 특정 공간의 정보를 출력하는 예보 공간보간 단계, 그리고 특정 발전단지의 기상예측결과를 출력하는 기상예측 단계를 포함할 수 있다.The step of interpolating and correcting weather forecast data may include a forecast time resolution interpolation step for increasing the time resolution of weather forecast data, a forecast spatial interpolation step for outputting information on a specific space using weather forecast data, and a weather prediction step for outputting weather forecast results for a specific power plant.
기상예보데이터는 기상청 국지예보모델(UM-LDAPS) 데이터의 일부이고, 기상청 국지예보모델(UM-LDAPS) 데이터에서, 일사량(Total Downward Sfc. SW Flux), 제1 풍속(U-Component of wind), 제2 풍속(V-Component of wind), 기온(Temperature), 습도(Relative Humidity), 해면기압(Pressure Reduced to MSL), 그리고 현지기압(Surface Pressure)을 포함하는 데이터를 추출하고, 데이터를 추출한 때부터 36시간 기상 예측을 수행하며, 36시간 기상예측은 예보 시간해상도가 1시간일 수 있다.The weather forecast data is a part of the Korea Meteorological Administration's local weather forecast model (UM-LDAPS) data, and from the Korea Meteorological Administration's local weather forecast model (UM-LDAPS) data, data including solar irradiance (Total Downward Sfc. SW Flux), the first wind speed (U-Component of wind), the second wind speed (V-Component of wind), temperature (Temperature), humidity (Relative Humidity), sea level pressure (Pressure Reduced to MSL), and local pressure (Surface Pressure) are extracted, and 36-hour weather forecasting is performed from the time the data is extracted, and the 36-hour weather forecasting can have a forecast time resolution of 1 hour.
예보 시간해상도 보간 단계에서, 기상예측을 실행하려고 하는 시간해상도가 1시간 미만인 경우, 데이터를 내삽(Interpolation)하여 시간 해상도를 높일 수 있다.In the forecast time resolution interpolation step, if the time resolution for which weather forecasting is to be performed is less than 1 hour, the data can be interpolated to increase the time resolution.
예보 공간보간 단계는, 기상예보데이터는 격자 형태로 공간을 구분하여 기상을 예보하며, 격자 형태로 공간을 구분하여 기상을 예보한 데이터에 최근린법(KNN, K Nearest Neighbor) 및 크리깅(Kriging) 기법으로 특정한 신재생에너지 발전단지 위치의 기상을 예보할 수 있다.In the forecast spatial interpolation step, weather forecast data is divided into spaces in a grid shape to forecast the weather, and the weather at a specific renewable energy power plant location can be forecasted using the K Nearest Neighbor (KNN) and Kriging techniques on the weather forecast data divided into spaces in a grid shape.
특정 발전단지의 기상예측결과를 출력하는 기상예측 단계는, 예보 시간해상도 보간 단계의 출력 데이터와 예보 공간보간 단계의 출력데이터를 합성하여 시간과 공간이 특정된 기상예측 결과 데이터를 생성하여 출력할 수 있다.The weather forecasting step, which outputs weather forecast results for a specific power plant, can generate and output weather forecasting result data with specific time and space by synthesizing the output data of the forecast time resolution interpolation step and the output data of the forecast spatial interpolation step.
기상관측 데이터를 보간 및 보정하는 단계는, 기상관측 데이터로 특정 공간의 정보를 출력하는 관측 공간보간 단계, 그리고 특정 발전단지의 기상관측결과를 출력하는 기상관측 단계를 포함할 수 있다.The step of interpolating and correcting meteorological observation data may include an observation space interpolation step of outputting information of a specific space using meteorological observation data, and a meteorological observation step of outputting meteorological observation results of a specific power plant.
기상관측 데이터는, 실시간으로 특정 공간의 기상을 관측하며, 기온, 강수, 바람, 기압, 습도, 그리고 일사 데이터를 추출할 수 있다.Meteorological observation data observes the weather of a specific space in real time and can extract temperature, precipitation, wind, pressure, humidity, and solar radiation data.
관측 공간보간 단계는, 기상관측 데이터는 실시간으로 기상을 관측하며, 기상관측 데이터는 격자 형태로 공간을 구분하여 기상을 관측하고, 격자 형태로 공간을 구분하여 기상을 관측한 데이터에 최근린법(KNN, K Nearest Neighbor) 및 크리깅(Kriging) 기법으로 특정한 신재생에너지 발전단지 위치의 기상을 예보할 수 있다.The observation space interpolation step observes the weather in real time using meteorological observation data, observes the weather by dividing the space in a grid shape, and forecasts the weather at a specific location of a renewable energy power plant using the K Nearest Neighbor (KNN) and Kriging techniques on the weather observation data divided in a grid shape.
특정 발전단지의 기상관측결과를 출력하는 기상관측 단계는, 관측 공간보간 단계의 출력데이터로 공간이 특정된 기상관측 결과 데이터를 생성하여 출력할 수 있다.The meteorological observation step, which outputs the meteorological observation results of a specific power plant, can generate and output spatially specific meteorological observation result data using the output data of the observation spatial interpolation step.
기상예보데이터 및 기상관측 데이터를 보간 및 보정하는 단계는 기상예보데이터와 기상관측 데이터를 출력하고, 출력 데이터를 하기의 수학식 1로 평가할 수 있다.The step of interpolating and correcting weather forecast data and weather observation data can output weather forecast data and weather observation data, and evaluate the output data using the following mathematical expression 1.
[수학식 1][Mathematical formula 1]
ㅣD예보 - D관측ㅣ < 0.1ㅣDForecast - DObservation ㅣ < 0.1
D예보는 예보데이터, D관측은 관측 데이터일 수 있고, 출력 데이터가 수학식 1을 만족하면 기상예보데이터를 출력하는 출력단계, 그리고 출력 데이터가 수학식 1을 만족하지 않으면 기상예보데이터의 스케일 조정 계수를 기상예측단계로 전송할 수 있다. 그리고 스케일 조정 계수는 하기의 수학식 2을 만족할 수 있다.Dforecast can be forecast data, Dobservation can be observation data, and if the output data satisfies mathematical expression 1, an output step for outputting weather forecast data can be performed, and if the output data does not satisfy mathematical expression 1, a scale adjustment factor of the weather forecast data can be transmitted to the weather prediction step. And the scale adjustment factor can satisfy the following mathematical expression 2.
[수학식 2][Mathematical formula 2]
α는 스케일 조정 계수, Ot-i는 현재시점(t)으로부터 i 시간 전 관측값, Pt-i는 현재시점(t)으로부터 i 시간 전 예측값일 수 있다.α is a scaling factor, Oti can be an observation value i hours ago from the current time point (t), and Pti can be a prediction value i hours ago from the current time point (t).
출력단계에서 출력된 기상예보데이터는 제1 발전출력 예측모델에 입력되고, 제1 발전출력 예측 모델이 예측하는 신재생에너지 발전단지의 생산전력을 실시간으로 감시하는 원격감지 제어시스템(SCADA)의 데이터도 발전출력 예측모델에 입력되며, 기상예보데이터와 원격감지 제어시스템 데이터를 제1 발전출력 예측모델의 입력으로 하여 제1 발전출력을 출력할 수 있다.The weather forecast data output at the output stage is input into the first power generation output prediction model, and data from a remote sensing control and data acquisition system (SCADA) that monitors the power generation of a renewable energy power plant in real time predicted by the first power generation output prediction model is also input into the power generation output prediction model, and the weather forecast data and the remote sensing control system data can be used as inputs to the first power generation output prediction model to output the first power generation output.
제1 발전출력 예측모델은, ARIMAX 모델과 NBC(Naive Bayes Classifier) 모델을 포함하고, 기상예보데이터, 원격감지 제어시스템 데이터, 과거 기설정된 기간의 기상관측 데이터, 그리고 과거 기설정된 기간의 신재생에너지 발전단지 발전량을 ARIMAX 모델과 NBC 모델에 각각 입력하며, ARIMAX 모델과 NBC 모델은 신재생에너지 발전단지의 생산전력 예측값인 제1 발전출력을 각각 출력하고, 각각의 ARIMAX 모델과 NBC 모델은 과거 기설정된 기간의 기상관측 데이터 및 과거 기설정된 기간의 신재생에너지 발전단지 발전량에서 과거 기설정된 기간이 상이할 수 있다.The first power generation output prediction model includes an ARIMAX model and an NBC (Naive Bayes Classifier) model, and inputs weather forecast data, remote sensing control system data, weather observation data for a preset period in the past, and power generation of a renewable energy power plant for a preset period in the past into the ARIMAX model and the NBC model, respectively. The ARIMAX model and the NBC model output the first power generation output, which is a predicted value of the power generation of the renewable energy power plant, respectively. The weather observation data for a preset period in the past and the power generation of the renewable energy power plant for a preset period in the past may differ from each other in the preset period in the past.
복수의 제1 발전출력 예측 데이터를 앙상블하여 제2 발전출력을 예측하는 단계는, 복수의 제1 발전출력 예측 데이터를 입력으로 하고, 복수의 제1 발전출력 예측 데이터는 제1 발전출력 예측모델에서 ARIMAX 모델과 NBC 모델이 각각 출력한 제1 발전출력 예측 데이터이며, 각각 출력한 제1 발전출력 예측 데이터이는 하기의 수학식 3을 목적함수로 하는 유전자 알고리즘일 수 있다.The step of predicting the second power generation output by ensembling a plurality of first power generation output prediction data takes a plurality of first power generation output prediction data as input, and the plurality of first power generation output prediction data are first power generation output prediction data output by the ARIMAX model and the NBC model in the first power generation output prediction model, respectively, and each output first power generation output prediction data may be a genetic algorithm having the following mathematical expression 3 as an objective function.
[수학식 3][Mathematical Formula 3]
f(x)는 발전 출력 예측결과와 실제 발전 출력 결과간 편차를 나타내는 함수, Pgen,i는 i 시점의 실제 출력값, ω1은 ARIMAX 모델 가중치, ω2는 NBC 모델의 가중치, PARIMAX,i는 i 시점의 ARIMAX 모델 예측값, PNBC,i는 i 시점의 NBC 모델 예측값일 수 있다.f(x) is a function representing the deviation between the predicted power generation output and the actual power generation output, Pgen,i is the actual output value at time i, ω1 is the weight of the ARIMAX model, ω2 is the weight of the NBC model, PARIMAX,i can be the predicted value of the ARIMAX model at time i, and PNBC,i can be the predicted value of the NBC model at time i.
유전자 알고리즘은 원격감지 제어시스템 데이터와 보정된 기상예보데이터의 편차가 최소가 되는 가중치를 출력하고, 가중치는 하기의 수학식 4를 만족할 수 있다.The genetic algorithm outputs weights that minimize the deviation between the remote sensing control system data and the corrected weather forecast data, and the weights can satisfy the following mathematical expression 4.
[수학식 4][Mathematical formula 4]
ω1 + ω2= 1ω1 + ω2 = 1
ω1은 ARIMAX 모델 가중치, ω2는 NBC 모델의 가중치이며, 유전자 알고리즘에 의해 출력된 가중치를 원격감지 제어시스템 데이터와 보정된 기상예보데이터에 적용하여 제2 발전출력을 예측을 출력할 수 있다.ω1 is the ARIMAX model weight, ω2 is the NBC model weight, and the weights output by the genetic algorithm can be applied to the remote sensing control system data and the corrected weather forecast data to predict the second power generation output.
본 발명의 실시예에 따르면, 기상예보데이터 및 기상관측 데이터를 수신하는 기상예보 유닛, 기상예보데이터를 보간 및 보정하는 기상예보 보간 유닛, 기상관측 데이터를 보간 및 보정하는 기상관측 보간 유닛, 보간 및 보정된 기상예보데이터 및 원격감지 제어시스템(SCADA)데이터를 복수의 알고리즘에 입력하여 제1 발전출력을 예측하는 평가 유닛, 그리고 복수의 제1 발전출력 예측 데이터를 앙상블(Ensemble)하여 제2 발전출력을 예측하는 앙상블 유닛을 포함할 수 있다.According to an embodiment of the present invention, the system may include a weather forecast unit that receives weather forecast data and weather observation data, a weather forecast interpolation unit that interpolates and corrects the weather forecast data, a weather observation interpolation unit that interpolates and corrects the weather observation data, an evaluation unit that inputs interpolated and corrected weather forecast data and SCADA (Supervisory Control and Data Acquisition) data into a plurality of algorithms to predict a first power generation output, and an ensemble unit that predicts a second power generation output by ensembling a plurality of first power generation output prediction data.
기상예보 보간 유닛은, 기상예보데이터의 시간 해상도를 높이는 예보 시간해상도부, 기상예보데이터로 특정 공간의 정보를 출력하는 예보 공간부, 그리고 특정 발전단지의 기상예측결과를 출력하는 예측부를 포함할 수 있다.A weather forecast interpolation unit may include a forecast time resolution unit that increases the time resolution of weather forecast data, a forecast space unit that outputs information on a specific space using weather forecast data, and a prediction unit that outputs weather forecast results for a specific power plant.
기상관측 데이터를 보간 유닛은, 기상관측 데이터로 특정 공간의 정보를 출력하는 관측 공간부, 그리고 특정 발전단지의 기상관측결과를 출력하는 관측부를 포함할 수 있다.The meteorological observation data interpolation unit may include an observation space section that outputs information on a specific space using meteorological observation data, and an observation section that outputs meteorological observation results for a specific power plant.
기상예보데이터와 기상관측 데이터를 출력하고 출력 데이터를 하기의 수학식으로 평가하는 평가 유닛은, 기상예보 보간 유닛 출력 데이터 및 기상관측 보간 유닛 출력 데이터 가 하기의 수학식 5를 만족하면 기상예보데이터를 출력하는 예측부를 포함한다.An evaluation unit that outputs weather forecast data and weather observation data and evaluates the output data using the following mathematical expression includes a prediction unit that outputs weather forecast data if the weather forecast interpolation unit output data and the weather observation interpolation unit output data satisfy the following mathematical expression 5.
[수학식 5][Mathematical Formula 5]
ㅣD예보 - D관측ㅣ < 0.1ㅣDForecast - DObservation ㅣ < 0.1
D예보는 예보데이터, D관측은 관측 데이터이며, 기상예보 보간 유닛 출력 데이터 및 기상관측 보간 유닛 출력 데이터 가 수학식 5를 만족하지 않으면 기상예보데이터의 스케일 조정 계수를 예측부로 전송하는 조정 유닛을 더 포함할 수 있다.Dforecast is forecast data, Dobservation is observation data, and if the weather forecast interpolation unit output data and the weather observation interpolation unit output data do not satisfy mathematical expression 5, an adjustment unit that transmits a scale adjustment factor of the weather forecast data to the prediction unit may be further included.
전력 계통에 신재생에너지 발전단지 또는 발전장치를 포함하는 전력계통에서 신재생에너지 발전 출력량은 시간대별로 상이하다. 그리고 신재생에너지 발전 출력량은 기상의 영향을 크게 받는다. 하지만 본 발명의 일 실시예에서는 기상청의 기상 데이터를 전처리한 후 계통의 원격감지 제어 시스템의 전력감시 데이터를 인공신경망의 입력으로 한다. 그래서 출력으로 신재생에너지 발전 출력량을 예측하고 이를 보정하여 최종적인 총 발전량을 예측한다.In a power system that includes a renewable energy power plant or power generation device in the power system, the renewable energy generation output varies by time zone. And the renewable energy generation output is greatly affected by the weather. However, in one embodiment of the present invention, after preprocessing the weather data of the Korea Meteorological Administration, the power monitoring data of the remote sensing control system of the system is used as the input of the artificial neural network. Therefore, the renewable energy generation output is predicted as the output and corrected to predict the final total power generation.
본 발명의 상세한 설명에서 사용되는 도면을 보다 충분히 이해하기 위하여, 각 도면의 간단한 설명이 제공된다.
도 1은 신재생에너지 발전출력 예측 방법의 구조도이다.
도 2는 도1 방법에서 기상자료 보간 및 보정모듈의 개략도이다.
도 3은 도1 방법에서 2차 예측방법의 개략도이다.
도 4는 실시간 재생에너지 출력예측 시스템의 개략도이다.
도 5은 도 4 하드웨어의 개략도이다.
도 6은 변전소에 접속된 신재생에너지 발전출력 예측 시스템의 개략도이다.
도 7은 주변압기에 접속된 신재생에너지 발전출력 예측 시스템의 개략도이다.
도 8는 도3의 모델 중 ARIMAX 모델의 개략도이다.
도 9은 도 3의 모델 중 NBC 모델의 개략도이다.
도 10은 기상예측결과 보정(조정유닛(160), 평가유닛(170))의 예시이다.In order to more fully understand the drawings used in the detailed description of the present invention, a brief description of each drawing is provided.
Figure 1 is a structural diagram of a method for predicting renewable energy power generation output.
Figure 2 is a schematic diagram of the meteorological data interpolation and correction module in the Figure 1 method.
Figure 3 is a schematic diagram of the second prediction method in Figure 1.
Figure 4 is a schematic diagram of a real-time renewable energy output prediction system.
Figure 5 is a schematic diagram of the hardware of Figure 4.
Figure 6 is a schematic diagram of a renewable energy power generation output prediction system connected to a substation.
Figure 7 is a schematic diagram of a renewable energy power generation output prediction system connected to a main transformer.
Figure 8 is a schematic diagram of the ARIMAX model among the models of Figure 3.
Figure 9 is a schematic diagram of the NBC model among the models of Figure 3.
Figure 10 is an example of weather forecast result correction (adjustment unit (160), evaluation unit (170)).
아래에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the attached drawings, embodiments of the present disclosure will be described in detail so that those skilled in the art can easily practice the present disclosure. However, the present disclosure may be implemented in various different forms and is not limited to the embodiments described herein. In addition, in order to clearly describe the present disclosure in the drawings, parts that are not related to the description are omitted, and similar parts are assigned similar drawing reference numerals throughout the specification.
명세서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 네트워크를 구성하는 장치들은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In the specification, when a part is said to "include" a component, this does not mean that it excludes other components, but rather that it may include other components, unless otherwise specifically stated. The devices that make up a network may be implemented as hardware, software, or a combination of hardware and software.
또한, 명세서에 기재된 "……부", "……기", "……모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, terms such as “……part,” “……unit,” and “……module” described in the specification mean a unit that processes at least one function or operation, which can be implemented by hardware, software, or a combination of hardware and software.
본 발명의 일 실시예에서 설명하는 장치들은 적어도 하나의 프로세서, 메모리 장치, 통신 장치 등을 포함하는 하드웨어로 구성되고, 지정된 장소에 하드웨어와 결합되어 실행되는 프로그램이 저장된다. 하드웨어는 본 발명의 일 실시예에 따른 방법을 실행할 수 있는 구성과 성능을 가진다. 프로그램은 도면들을 참고로 설명한 본 발명의 일 실시예에 따른 동작 방법을 구현한 명령어(instructions)를 포함하고, 프로세서와 메모리 장치 등의 하드웨어와 결합하여 본 발명의 일 실시예를 실행한다.The devices described in one embodiment of the present invention are configured as hardware including at least one processor, a memory device, a communication device, etc., and a program that is executed by being combined with the hardware in a designated location is stored. The hardware has a configuration and performance capable of executing a method according to one embodiment of the present invention. The program includes instructions that implement an operating method according to one embodiment of the present invention described with reference to the drawings, and executes one embodiment of the present invention by being combined with hardware such as a processor and a memory device.
본 명세서에서 "전송 또는 제공"은 직접적인 전송 또는 제공하는 것뿐만 아니라 다른 장치를 통해 또는 우회 경로를 이용하여 간접적으로 전송 또는 제공도 포함할 수 있다.As used herein, “transmitting or providing” may include not only direct transmission or providing, but also indirect transmission or providing via another device or by using a bypass route.
본 명세서에서 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다.In this specification, expressions described in the singular may be interpreted as singular or plural, unless explicit expressions such as “one” or “singular” are used.
본 명세서에서, 제1, 제2 등과 같이 서수를 포함하는 용어들은 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.In this specification, terms including ordinal numbers such as first, second, etc. may be used to describe various components, but the components are not limited by the terms. The terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present disclosure, the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
본 명세서에서 도면을 참고하여 설명한 흐름도에서, 동작 순서는 변경될 수 있고, 여러 동작들이 병합되거나, 어느 동작이 분할될 수 있고, 특정 동작은 수행되지 않을 수 있다.In the flowcharts described with reference to the drawings in this specification, the order of operations may be changed, several operations may be merged, some operations may be split, and certain operations may not be performed.
도 1은 신재생에너지 발전출력 예측 방법의 구조도이다. 도 1은 본 발명의 일 실시예에 따른 기상예측 및 원격감시제어시스템 기반 실시간 재생에너지 출력예측 방법으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 1의 방법을 다르게 변형할 수 있다.Figure 1 is a structural diagram of a method for predicting renewable energy power generation output. Figure 1 is a real-time renewable energy output prediction method based on a weather prediction and remote monitoring control system according to one embodiment of the present invention. It is only for illustrating the present invention, and the present invention is not limited thereto. Accordingly, the method of Figure 1 can be modified differently.
도 1을 참조하면, 기상청의 데이터베이스에서 기상예보 데이터 및 기상관측 데이터를 수신한다. 기상관측 데이터는 대기 중의 기온, 기압 등의 기상요소를 측정하고 강수, 구름 등의 기상현상을 관측하는 것을 의미한다. 그리고 기상예보는 기상관측에 기초하여 특정 지역의 현재 기상현상을 출력하는 것이다.Referring to Figure 1, weather forecast data and weather observation data are received from the database of the Korea Meteorological Administration. Weather observation data refers to measuring weather elements such as temperature and pressure in the atmosphere and observing weather phenomena such as precipitation and clouds. And weather forecast is to output the current weather phenomena of a specific area based on weather observation.
본 발명의 일 실시예에서 기상예보 데이터는 국지예보모델인(UM-LDAPS)를 사용한다. 그리고 기상관측 데이터는 종관기상관측(ASOS)과 천리안 A호의 하향단파복사 데이터를 사용한다. 그리고 기상예보 데이터와 기상관측 데이터에 최근린법과 크리깅(Kriging) 기법을 적용하여 발전단지 위치의 기상 데이터를 수집한다.In one embodiment of the present invention, the weather forecast data uses a local forecast model (UM-LDAPS). And the weather observation data uses the synoptic weather observation (ASOS) and the downward shortwave radiation data of Cheonryang A. And the nearest neighbor method and the Kriging technique are applied to the weather forecast data and the weather observation data to collect the weather data of the power plant location.
좀 더 상세하게는, 기상 예보데이터는 UM-LDAPS를 사용한다. UM-LDAPS는 대기의 상태와 움직임을 슈퍼 컴퓨터로 계산하여 기상을 예보하는 수치예보모델이다. UM-LDPAS는 00, 06, 12, 18 협정 세계시(UTC, Universal Time Coordinated)부터 36시간 예측을 수행한다. 그리고 본 발명의 일실시예에 따라 36시간 예측결과를 사용한다.More specifically, the weather forecast data uses UM-LDAPS. UM-LDAPS is a numerical weather forecast model that forecasts the weather by calculating the state and movement of the atmosphere with a supercomputer. UM-LDPAS performs 36-hour forecasts from 00, 06, 12, and 18 UTC (Universal Time Coordinated). And according to one embodiment of the present invention, the 36-hour forecast results are used.
UM-LDPAS에는 7가지의 등압면 예보변수가 존재한다. 그리고 136가지의 단일면/토양면 예보변수가 존재한다. 본 발명의 일 실시예에서는 이 변수들 중 일사량(Total Downward Sfc. SW Flux), 제1 풍속(U-Component of wind), 제2 풍속(V-Component of wind), 기온(Temperature), 습도(Relative Humidity), 해면기압(Pressure Reduced to MSL), 그리고 현지기압(Surface Pressure)을 사용한다.There are seven isobaric surface forecast variables in UM-LDPAS. And there are 136 single surface/soil surface forecast variables. In one embodiment of the present invention, among these variables, total downward Sfc. SW Flux, U-Component of wind, V-Component of wind, temperature, relative humidity, pressure reduced to MSL, and surface pressure are used.
기상관측 데이터는 천리안 위성 2A호와 종관기상관측(AOS)로 획득한다. 천리안 위선 2A호는 52가지의 기상관측 데이터를 수집한다. 이 중 일사량을 의미하는 하향 단파 복사(표면 도달 일사량) 데이터를 사용한다. 그리고 종관기상관측(AOS)는 특정 지역 내에 관측소를 설치하여 관측한 기상 데이터이다. 따라서 특정 지역의 기온, 강수, 바람, 그리고 기압 등의 기상 데이터를 수집한다. 그리고 종관기상관측(AOS)은 본 발명의 일 실시예에 따르면 기온, 바람, 기압, 습도, 그리고 일사 데이터를 실시간으로 수집한다.Meteorological observation data is obtained by the Cheonsae Satellite 2A and the synoptic meteorological observation (AOS). The Cheonsae Satellite 2A collects 52 types of meteorological observation data. Among these, downward shortwave radiation (surface-reaching irradiance) data indicating solar radiation is used. In addition, the synoptic meteorological observation (AOS) is meteorological data observed by installing an observatory in a specific region. Therefore, it collects meteorological data such as temperature, precipitation, wind, and air pressure of a specific region. In addition, the synoptic meteorological observation (AOS) collects temperature, wind, air pressure, humidity, and solar radiation data in real time according to one embodiment of the present invention.
기상청의 기상예보 데이터와 기상관측 자료를 입력으로 하여 기상자료를 보간하고 보정하는 단계를 실행한다. 시/공간 해상도 보정 알고리즘은 기상예보 데이터와 기상관측 데이터로 발전단지 위치의 기상예측 결과를 출력한다. 기상예측 결과는 발전 출력 예측 모델 단계에 입력된다.The step of interpolating and correcting the weather data is executed by inputting the weather forecast data and weather observation data from the Korea Meteorological Administration. The time/space resolution correction algorithm outputs the weather forecast results for the power plant location using the weather forecast data and weather observation data. The weather forecast results are input to the power generation output prediction model step.
그리고 발전 출력 예측 모델 단계에는 원격감지 제어시스템(SCADA, Supervisory Control And Data Acquisition)데이터도 입력된다. 원격감지 제어시스템은 실시간으로 전력 데이터를 수신한다. 그리고 수신한 전력 데이터를 발전 출력 예측 모델 단계의 입력으로 사용한다.And in the power generation output prediction model stage, remote sensing control system (SCADA, Supervisory Control And Data Acquisition) data is also input. The remote sensing control system receives power data in real time. And the received power data is used as input in the power generation output prediction model stage.
다시 말하면, 보간을 거친 기상 예보 데이터는 실제 기상정보인 기상관측 데이터로 보정되어 특정한 위치의 기상을 예측한다. 그리고 원격감지 제어시스템(SCADA)은 실시간으로 전력 데이터를 수신한다. 특정 위치의 기상 예측 데이터와 실시간 전력 데이터를 발전 출력 예측 모델 단계의 입력으로 한다.In other words, the interpolated weather forecast data is corrected with actual weather information, weather observation data, to predict the weather at a specific location. And the remote sensing control system (SCADA) receives power data in real time. The weather forecast data and real-time power data at a specific location are input to the power generation output prediction model stage.
그러면 발전 출력 예측 모델 단계에서는 두 종류의 예측 모델로 예측 결과를 출력한다. 예측 모델은 시계열 모델인 ARIMAX((Auto-regressive Integrated Moving Average with Exogenous variables)와 NBC(Naive Bayes Classifier)이다. 두 모델은 실시간으로 업데이트 되는 데이터들로 예측 모델을 생성한다. 예측 모델은 단지, 중기 그리고 장기 예측 모델을 포함하며 단기는 6시간, 중기는 48시간, 장기는 일주일이다.Then, in the power generation output prediction model stage, the prediction results are output by two types of prediction models. The prediction models are ARIMAX ((Auto-regressive Integrated Moving Average with Exogenous variables) and NBC (Naive Bayes Classifier), which are time series models. The two models create prediction models with data that is updated in real time. The prediction models include only, medium-term and long-term prediction models, and the short term is 6 hours, the medium term is 48 hours, and the long term is one week.
발전 출력 예측 모델 단계에서 2 종류의 예측결과가 출력된다. 그러면 이를 제1 예측으로 하여 발전출력 예측결과 앙상블 단계에 입력된다. 발전출력 예측결과 앙상블 단계에서는 2 종류의 예측 결과에 대해 유전자 알고리즘으로 두 예측결과와 실제 날씨간의 편차평균을 최소로 하는 최적의 가중치를 학습한다. 그러면 학습된 가중치로 최종 예측 결과인 제2 예측을 출력한다.In the power generation output prediction model stage, two types of prediction results are output. Then, this is input into the power generation output prediction result ensemble stage as the first prediction. In the power generation output prediction result ensemble stage, the optimal weights that minimize the average deviation between the two prediction results and the actual weather are learned using a genetic algorithm for the two types of prediction results. Then, the second prediction, which is the final prediction result, is output using the learned weights.
도 2는 도1 방법에서 기상자료 보간 및 보정모듈의 개략도이다. 도 2는 본 발명의 일 실시예에 따른 기상예측 및 원격감시제어시스템 기반 실시간 재생에너지 출력예측 방법으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 2의 방법을 다르게 변형할 수 있다.Fig. 2 is a schematic diagram of a meteorological data interpolation and correction module in the Fig. 1 method. Fig. 2 is a real-time renewable energy output prediction method based on a weather prediction and remote monitoring control system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 2 may be modified differently.
도 2를 참조하면, 기상자료 보간 및 보정 알고리즘은 기상예보/관측 자료를 재생에너지 발전단지 위치의 자료로 보간한다. 그리고 관측값과 예측값의 편차를 출력한다. 출력된 편차로 기상예보를 보정하여 예측값과 실측값의 차이를 줄인다. 여기서 예측값은 기상예보데이터를 이용하고 실측값은 기상관측 데이터를 이용한다.Referring to Figure 2, the weather data interpolation and correction algorithm interpolates weather forecast/observation data to data of the location of the renewable energy power plant. Then, it outputs the deviation between the observed value and the predicted value. The weather forecast is corrected with the output deviation to reduce the difference between the predicted value and the actual value. Here, the predicted value uses weather forecast data, and the actual value uses weather observation data.
알고리즘은 기상예보데이터와 기상관측 데이터를 입력으로 하여 발전단지의 기상예측결과를 도출한다. 기상예보데이터는 기상청 국지예보모델(UM-LDAPS) 데이터이고 기상관측 데이터는 천리안 위성 2A호와 지상종관관측(ASOS)데이터이다. 각각의 데이터가 알고리즘에 입력된다. 기상예보데이터는 UM-LDAPS가 00, 06, 12, 18 협정 세계시(UTC, Universal Time Coordinated)부터 36시간 예측을 수행하므로 시간해상도 보간단계를 실행한다.The algorithm uses weather forecast data and weather observation data as inputs to derive weather forecast results for the power plant. Weather forecast data is from the Korea Meteorological Administration's local forecast model (UM-LDAPS) data, and weather observation data is from Cheonsae Satellite 2A and ground-based synoptic observation (ASOS) data. Each data is input into the algorithm. Weather forecast data performs a time resolution interpolation step because UM-LDAPS performs 36-hour forecasts from 00, 06, 12, and 18 UTC (Universal Time Coordinated).
시간 해상도 보간(s10)은 1시간 단위로 생성된 UM-LDAPS의 예측 결과에서 1시간 이하의 시간 해상도가 필요한 경우 보간한다. 해상도를 높이는 경우 1시간 단위의 데이터 사이에 시간에 따른 예보데이터를 내삽(Interpolation)하여 해당 시간의 데이터를 추출한다. 그러면 시간 해상도가 높아진다.Temporal resolution interpolation (s10) interpolates when a temporal resolution of 1 hour or less is required from the prediction results of UM-LDAPS generated in 1-hour units. When increasing the resolution, the forecast data according to time is interpolated between 1-hour data to extract the data for that time. This increases the temporal resolution.
그리고 시간 해상도(s10) 보간 단계 후에 공간 보간 단계(s20)를 실행한다. 기상청 국지 예보 모델(UM-LDAPS)은 격자 형태로 공간을 구분하여 예보를 한다. 공간 보간 단계(s20)에서 일사량 예측은 측정된 격자의 인근 격자 데이터로 최근린법(KNN, K Nearest Neighbor)을 실행하여 특정지역의 일사량을 예보한다. 그리고 일사량 이외의 기상관측 데이터는 이웃한 격자간 상관관계(Co-relation)를 분석하는 크리깅(Kriging) 기법으로 예측한다. 공간 보간 단계(s20) 후에는 발전단지 기상예측결과를 생성하는 단계(s30)를 실행한다. 시간 해상도 보간 단계(s10)와 공간 보간 단계(s20)의 출력 데이터로 특정지역의 기상 예측 데이터를 출력한다.And after the time resolution (s10) interpolation step, the spatial interpolation step (s20) is executed. The Korea Meteorological Administration's local forecast model (UM-LDAPS) divides space into a grid shape and makes forecasts. In the spatial interpolation step (s20), the irradiance prediction executes the KNN (K Nearest Neighbor) method with the neighboring grid data of the measured grid to forecast the irradiance of a specific region. And meteorological observation data other than irradiance is predicted using the Kriging technique that analyzes the correlation between neighboring grids. After the spatial interpolation step (s20), the step (s30) for generating the power plant weather forecast results is executed. The weather forecast data of a specific region is output as the output data of the time resolution interpolation step (s10) and the spatial interpolation step (s20).
기상관측 데이터인 천리안 위성 2A호와 지상종관관측(ASOS)데이터는 시간의 해상도에 제한받지 않는다. 그러므로 알고리즘에서 기상관측 데이터는 바로 공간 보간 단계(s20)에 입력된다. 그리고 공간 보간 단계를 실행한다. 천리안 위성 2A호는 격자 형태로 공간을 구분하여 예보를 한다. 공간보간 단계에서 일사량 예측은 측정된 격자의 인근 격자 데이터로 최근린법을 실행하여 특정지역의 일사량을 예보한다. 그리고 일사량 이외의 기상관측 데이터는 이웃한 격자간 상관관계(Co-relation)를 분석하는 크리깅 기법으로 예측한다. 공간 보간 단계 후에는 발전단지 기상예측결과를 생성하는 단계(s40)를 실행한다. 그러면 공간 보간 단계의 출력 데이터로 특정지역의 기상을 예측 데이터를 출력한다.The meteorological observation data, Cheonsae-2A and ASOS data, are not limited by time resolution. Therefore, in the algorithm, the meteorological observation data is directly input to the spatial interpolation step (s20). Then, the spatial interpolation step is executed. Cheonsae-2A divides space into grid shapes and makes forecasts. In the spatial interpolation step, the irradiance prediction is performed by executing the nearest neighbor method with the neighboring grid data of the measured grid to forecast the irradiance of a specific region. And the meteorological observation data other than the irradiance is predicted using the kriging technique that analyzes the correlation between neighboring grids. After the spatial interpolation step, the step (s40) for generating the power plant weather prediction results is executed. Then, the weather prediction data of a specific region is output as the output data of the spatial interpolation step.
기상예보데이터와 기상관측 데이터로부터 예측된 발전단지 기상관측결과는 예측값 평가 단계(s50)에 입력된다. 그러면 예측값과 실측값을 비교한다. 예측값과 실측값 차의 절대값이 0.1을 넘지 않는 경우 입력과 동일한 발전단기 기상예측결과를 출력한다. 그리고 예측값과 실측값 차의 절대값이 0.1을 넘는 경우 스케일 조정단계(s70)가 실행된다. 상세한 스케일 조정 방법은 후술할 도 10에서 상세히 설명한다.The predicted power plant weather observation results from weather forecast data and weather observation data are input into the predicted value evaluation step (s50). Then, the predicted value and the actual value are compared. If the absolute value of the difference between the predicted value and the actual value does not exceed 0.1, the short-term weather forecast result identical to the input is output. Then, if the absolute value of the difference between the predicted value and the actual value exceeds 0.1, the scale adjustment step (s70) is executed. The detailed scale adjustment method is described in detail in Fig. 10 below.
스케일 조정단계(s70)는 예측결과의 스케일이 조정되어 출력한다. 그러면 스케일이 조정된 예측결과는 발전 단지 기상예측 결과 생성단계(s30)에 입력된다. 그러면 발전단지 기상 예측결과 생성 단계에서는 조정 스케일을 적용하여 다시 발전단기 기상예측결과를 출력하여 예측값 평가 단계(s50)에 입력한다. 전술한 단계를 반복하여 실제 기상 상태와 유사한 발전단지 기상 예측 결과를 출력(s60)한다.The scale adjustment step (s70) adjusts the scale of the prediction result and outputs it. Then, the scale-adjusted prediction result is input to the power plant weather forecast result generation step (s30). Then, in the power plant weather forecast result generation step, the adjustment scale is applied and the short-term weather forecast result of the power plant is output again and input to the prediction value evaluation step (s50). The above steps are repeated to output the power plant weather forecast result similar to the actual weather condition (s60).
도 3은 도1 방법에서 2차 예측방법의 개략도이다. 도 3은 본 발명의 일 실시예에 따른 기상예측 및 원격감시제어시스템 기반 실시간 재생에너지 출력예측 방법으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 3의 방법을 다르게 변형할 수 있다.Fig. 3 is a schematic diagram of the second prediction method in the Fig. 1 method. Fig. 3 is a real-time renewable energy output prediction method based on a weather prediction and remote monitoring control system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 3 may be modified differently.
도 3을 참조하면, 신재생에너지 발전출력 예측모델은 과거의 기상관측 데이터와 과거의 신재생에너지 발전단지 발전량을 그 입력으로 한다. 발전출력 예측모델은 ARIMAX 모델과 NBC(Naive Bayes Classifier) 모델을 포함한다. ARIMAX 모델은 측정 시점보다 4주전부터 측정시점까지의 기상관측 데이터, 측정 시점보다 4주전부터 측정시점까지의 기상예보데이터, 측정 시점보다 4주전부터 측정시점까지의 발전출력 데이터, 그리고 기상예측 결과를 입력으로 한다.Referring to Figure 3, the renewable energy power generation output prediction model uses past weather observation data and past renewable energy power generation volume as inputs. The power generation output prediction model includes an ARIMAX model and an NBC (Naive Bayes Classifier) model. The ARIMAX model uses weather observation data from 4 weeks before the measurement time to the measurement time, weather forecast data from 4 weeks before the measurement time to the measurement time, power generation output data from 4 weeks before the measurement time to the measurement time, and weather forecast results as inputs.
그리고 ARIMAX 모델의 출력은 발전출력 예측결과(P,유효전력)이다. 이 출력은 풍력발전 및 태양광발전에서 신재생에너지 발전 출력 데이터 예측에 사용된다. 그리고 본 발명의 일 실시예에 따른 ARIMAX 모델은 자기 회귀적인 특성을 가지며 기상 예측 결과를 외부변수로 추가하여 24시간 이후까지의 예측이 가능하다.And the output of the ARIMAX model is the power generation output prediction result (P, active power). This output is used to predict the output data of new and renewable energy generation in wind power generation and solar power generation. And the ARIMAX model according to one embodiment of the present invention has an autoregressive characteristic and can make predictions up to 24 hours later by adding the weather prediction result as an external variable.
NBC 모델은 과거 데이터를 기반으로 분류 규칙을 출력한다. 그리고 새로운 데이터를 입력하면 정의된 분류 규칙으로 클래스에 할당한다. 본 발명의 일 실시예에 따른 NBC 모델은 주 분류변수로 과거 재생에너지 발전출력을 사용하고 보조변수로 일사량, 습도, 온도, 그리고 풍속 등을 이용하여 확률을 출력한다. 이 때 조건부 확률, 사전 확률, 그리고 사후 확률을 출력한다. 그리고 측정 시점보다 1년전부터 측정시점까지의 기상관측 데이터, 측정 시점보다 1년전부터 측정시점까지의 발전출력 데이터, 그리고 기상예측결과를 NBC 모델의 입력으로 한다.The NBC model outputs classification rules based on past data. When new data is input, it assigns it to a class using the defined classification rules. The NBC model according to one embodiment of the present invention uses past renewable energy power generation output as a main classification variable and solar irradiance, humidity, temperature, and wind speed as auxiliary variables to output probability. At this time, conditional probability, prior probability, and posterior probability are output. In addition, weather observation data from one year prior to the measurement time to the measurement time, power generation output data from one year prior to the measurement time to the measurement time, and weather forecast results are input to the NBC model.
다시 말하면, ARIMAX 모델과 NBC 모델은 과거 기상데이터로 학습된다. 그리고 기상 예측 결과의 보정값과 신재생에너지 발전기의 발전 출력 데이터를 그 입력으로 하여 각각의 모델이 신재생에너지 발전기의 발전 출력 데이터를 출력한다. 각각의 발전 출력 데이터는 유전자 알고리즘에 입력된다.In other words, the ARIMAX model and NBC model are trained with past weather data. Then, the correction value of the weather forecast result and the power output data of the renewable energy generator are input, and each model outputs the power output data of the renewable energy generator. Each power output data is input to the genetic algorithm.
유전자 알고리즘에서 두 개의 발전출력 예측 결과로 하나의 예측결과를 출력한다. 유전자 알고리즘은 하기의 수학식 1을 목적함수로 하여 수학식 1을 만족하는 최적의 가중치를 출력한다. 실제 발전출력 Pgen과 각 예측결과에 가중치를 주어 출력한 결과 사이의 편차가 최소가 되는 가중치 ω1과 ω2를 설정하는 것을 목적으로 한다. 그리고 가중치인 ω1과 ω2는 하기의 수학식 2를 만족한다.In the genetic algorithm, one prediction result is output from two power generation output prediction results. The genetic algorithm uses the following mathematical expression 1 as an objective function and outputs the optimal weight satisfying the mathematical expression 1. The purpose is to set the weights ω1 and ω2 that minimize the deviation between the actual power generation output Pgen and the results output by assigning weights to each prediction result. In addition, the weights ω1 and ω2 satisfy the following mathematical expression 2.
[수학식 1][Mathematical formula 1]
f(x)는 발전 출력 예측결과와 실제 발전 출력 결과간 편차를 나타내는 함수, Pgen,i는 i 시점의 실제 출력값, ω1은 ARIMAX 모델 가중치, ω2는 NBC 모델의 가중치, PARIMAX,i는 i 시점의 ARIMAX 모델 예측값, PNBC,i는 i 시점의 NBC 모델 예측값이다.f(x) is a function representing the deviation between the predicted power generation output and the actual power generation output, Pgen,i is the actual output value at time i, ω1 is the weight of the ARIMAX model, ω2 is the weight of the NBC model, PARIMAX,i is the predicted value of the ARIMAX model at time i, and PNBC,i is the predicted value of the NBC model at time i.
[수학식 2][Mathematical formula 2]
ω1 + ω2= 1ω1 + ω2 = 1
ω1은 ARIMAX 모델 가중치, ω2는 NBC 모델의 가중치이다.ω1 is the ARIMAX model weight, and ω2 is the NBC model weight.
도 4는 실시간 재생에너지 출력예측 시스템의 개략도(100)이다. 도 4는 본 발명의 일 실시예에 따른 실시간 재생에너지 출력예측 시스템으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 4의 방법을 다르게 변형할 수 있다.Fig. 4 is a schematic diagram (100) of a real-time renewable energy output prediction system. Fig. 4 is a real-time renewable energy output prediction system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 4 may be modified differently.
도 4를 참조하면, 기상예보 유닛(110)에서 기상청 국지예보모델(UM-LDAPS) 데이터를 수신한다. 기상청 국지예보모델 데이터는 수신시간부터 36시간후까지의 예보 데이터이다. 그리고 7종류의 등압면 예보변수와 136종류의 단일면/토양면 예보변수 중에 일사량, 제1 풍속, 제2 풍속, 기온, 습도, 해면기압, 그리고 현지기압을 사용한다.Referring to Fig. 4, the weather forecast unit (110) receives the Korea Meteorological Administration local forecast model (UM-LDAPS) data. The Korea Meteorological Administration local forecast model data is forecast data for 36 hours from the time of reception. And among 7 types of isobaric surface forecast variables and 136 types of single surface/soil surface forecast variables, solar radiation, first wind speed, second wind speed, temperature, humidity, sea level pressure, and local pressure are used.
기상예보 유닛(110)이 기상청 국지예보모델 데이터를 수신하면, 데이터를 기상예보 보간 유닛(140)에 전송한다. 기상예보 보간 유닛(140)은 시간 해상도부(141), 공간부(142), 그리고 예측부(143)를 포함한다. 그런데 기상청 국지예보모델의 데이터는 00, 06, 12, 18 협정 세계시(UTC, Universal Time Coordinated)부터 1시간 단위로 36시간 예측을 수행한다. 그러므로 시간의 해상도가 협정 세계시의 기준이다. 그래서 기상청 국지예보모델의 데이터는 실시간 예측에 비하여 시간의 해상도가 낮다.When the weather forecast unit (110) receives the Korea Meteorological Administration local forecast model data, it transmits the data to the weather forecast interpolation unit (140). The weather forecast interpolation unit (140) includes a time resolution unit (141), a space unit (142), and a prediction unit (143). However, the data of the Korea Meteorological Administration local forecast model performs 36-hour predictions in 1-hour units from 00, 06, 12, and 18 UTC (Universal Time Coordinated). Therefore, the time resolution is based on the UTC. Therefore, the data of the Korea Meteorological Administration local forecast model has a lower time resolution than real-time prediction.
기상예보 보간 유닛(140)은 낮은 시간 해상도를 가진 기상청 국지예보모델 데이터를 시간 해상도부에 입력한다. 그러면 특정한 지역의 기상을 예보하기 위해 1시간이하의 시간 해상도가 필요한 경우에 내삽(Interpolation)하여 중간 시간의 예보데이터를 추출하는 방법으로 시간 해상도를 높인다. 그러면 예보 시간 해상도부(141)는 특정지역의 기상예보에 적합한 시간 해상도를 만족하는 데이터를 출력한다.The weather forecast interpolation unit (140) inputs the weather forecast model data of the Korea Meteorological Administration with low time resolution into the time resolution unit. Then, when a time resolution of less than 1 hour is required to forecast the weather of a specific region, the time resolution is increased by interpolation to extract forecast data of intermediate time. Then, the forecast time resolution unit (141) outputs data that satisfies the time resolution suitable for weather forecast of a specific region.
보간단계를 거친 시간 해상도 데이터는 예보 공간부(142)에 전송된다. 기상청 국지예보모델은 격자 단위로 공간을 구분하여 예보를 한다. 그러므로 특정 지역의 기상을 예측하기 위해 인근 격자 데이터로 최근린법(KNN, K Nearest Neighbor)을 사용한다. 그리고 상관관계를 분석하는 크리깅(Kriging) 기법을 통해 특정 지역의 기상을 예측한다.The time resolution data that has gone through the interpolation step is transmitted to the forecast space (142). The Korea Meteorological Administration's local forecast model divides space into grid units and makes forecasts. Therefore, in order to predict the weather of a specific region, the KNN (K Nearest Neighbor) method is used with nearby grid data. In addition, the Kriging technique, which analyzes correlations, is used to predict the weather of a specific region.
그러면 예보 시간 해상도부(141)의 시간 해상도 보간 데이터와 예보 공간부(142)의 공간 보간 데이터가 예측부(143)에 전송된다. 예측부(143)는 시간 해상도 보간 데이터와 공간 보간 데이터로 특정 시간대에 특정 지역의 기상 예측 데이터를 출력한다. 그리고 기상 예측 데이터를 평가 유닛(170)에 전송한다.Then, the time resolution interpolation data of the forecast time resolution unit (141) and the spatial interpolation data of the forecast space unit (142) are transmitted to the prediction unit (143). The prediction unit (143) outputs weather forecast data for a specific area at a specific time zone using the time resolution interpolation data and the spatial interpolation data. Then, the weather forecast data is transmitted to the evaluation unit (170).
기상관측 유닛에(120)서는 천리안 위성 2A호와 지상종관관측(ASOS)데이터를 수신한다. 그리고 천리안 위성 2A호와 지상종관관측(ASOS)데이터를 기상관측 보간 유닛에 전송한다. 기상관측 보간 유닛(150)은 관측 공간부(151)와 관측부(152)를 포함한다. 전송된 데이터는 실시간 관측 데이터이므로 시간 해상도의 영향을 받지 않는다.The meteorological observation unit (120) receives data from the Cheonsae Satellite 2A and ground synoptic observation (ASOS). Then, the Cheonsae Satellite 2A and ground synoptic observation (ASOS) data are transmitted to the meteorological observation interpolation unit. The meteorological observation interpolation unit (150) includes an observation space section (151) and an observation section (152). The transmitted data is real-time observation data, so it is not affected by time resolution.
전송된 데이터는 관측 공간부(151)에 전송된다. 천리안 위성 2A호와 지상종관관측(ASOS)데이터는 격자 단위로 공간을 구분하여 기상을 관측한다. 그러므로 특정 지역의 기상 데이터를 출력하기 위해 격자 사이에 최근린법을 사용한다. 그리고 격자 사이에서 크리깅 기법도 사용하여 기상관측 데이터를 관측부에 전송한다. 그러면 관측부(152)에서 해당하는 특정 지역의 기상관측 데이터를 출력하고, 관측 데이터를 평가 유닛(170)에 전송한다.The transmitted data is transmitted to the observation space unit (151). The Cheonsae-2A satellite and the ground synoptic observation (ASOS) data observe the weather by dividing the space into grid units. Therefore, the nearest neighbor method is used between the grids to output the weather data of a specific region. And the kriging technique is also used between the grids to transmit the weather observation data to the observation unit. Then, the observation unit (152) outputs the weather observation data of the corresponding specific region and transmits the observation data to the evaluation unit (170).
다시 말하면, 평가 유닛(170)에 전송되는 기상예보 보간 유닛(140)의 출력은 기상의 예측값이다. 그리고 평가 유닛에 전송되는 기상관측 보간 유닛(150)의 출력은 기상의 실제 관측값이다. 실제값과 예측값을 평가 유닛의 입력으로 하는 것이다.In other words, the output of the weather forecast interpolation unit (140) transmitted to the evaluation unit (170) is a predicted value of the weather. And the output of the weather observation interpolation unit (150) transmitted to the evaluation unit is an actual observed value of the weather. The actual value and the predicted value are input to the evaluation unit.
평가 유닛(170)에서는 신재생에너지 발전 단지가 존재하는 특정 위치에서 특정한 시간의 기상예측 결과를 예측값으로 한다. 그리고 신재생에너지 발전 단지가 존재하는 특정 위치에서 기상 관측값을 관측값으로 한다. 그리고 예측값과 관측값이 하기의 수학식 3을 만족하는 경우 발전단지 기상예측 결과를 예측값으로 하여 출력하고 수학식 3을 만족하지 않는 경우 예측 데이터와 관측 데이터의 편차를 조정 유닛(160)에 전송한다.In the evaluation unit (170), the weather forecast result at a specific time at a specific location where a renewable energy power plant exists is used as a predicted value. In addition, the weather observation value at a specific location where a renewable energy power plant exists is used as an observed value. In addition, if the predicted value and the observed value satisfy the following mathematical expression 3, the weather forecast result of the power plant is output as a predicted value, and if the mathematical expression 3 is not satisfied, the deviation of the predicted data and the observed data is transmitted to the adjustment unit (160).
[수학식 3][Mathematical Formula 3]
ㅣD예보 - D관측ㅣ < 0.1ㅣDForecast - DObservation ㅣ < 0.1
D예보는 예보데이터, D관측은 관측 데이터이다.DForecast is forecast data, DObservation is observation data.
평가 유닛(170)에서 수학식 3을 만족하지 못한 경우, 예측 데이터와 관측 데이터의 편차를 조정 유닛(160)이 수신한다. 그러면 편차에 따라 특정 시간과 특정 위치의 기상예보 보정값을 출력하고, 기상예보 보간 유닛(140)에 데이터를 전송한다. 기상예보 보간 유닛(140)은 수신한 데이터를 예측부에 전송하여 기상예보데이터를 다시 예측한다. 그리고 출력된 기상예보데이터를 평가 유닛(170)에 전송한다.If the mathematical expression 3 is not satisfied in the evaluation unit (170), the adjustment unit (160) receives the deviation between the predicted data and the observed data. Then, according to the deviation, a weather forecast correction value for a specific time and a specific location is output, and the data is transmitted to the weather forecast interpolation unit (140). The weather forecast interpolation unit (140) transmits the received data to the prediction unit to re-predict the weather forecast data. Then, the output weather forecast data is transmitted to the evaluation unit (170).
평가 유닛(170)에서 수학식 3을 만족한 경우, 기상 예측 데이터, 관측 데이터 그리고 SCADA의 신재생에너지 발전량으로 제1 예측 출력량을 출력한다. 좀 더 상세하게, 평가 유닛은 ARIMAX 알고리즘을 통한 신재생에너지 발전량 예측과 NBC 모델을 통한 신재생에너지 발전량 예측을 출력하여 앙상블 유닛(180)에 입력한다. 앙상블 유닛(180)에서는 예측 모델에서 출력하는 2개의 출력값을 입력으로 하여 수학식 1 및 수학식 2를 만족하는 유전자 알고리즘을 실행한다. 그래서 최적의 가중치를 산출한다.In the case where the mathematical expression 3 is satisfied in the evaluation unit (170), the first predicted output is output as weather prediction data, observation data, and renewable energy generation amount of SCADA. More specifically, the evaluation unit outputs the renewable energy generation amount prediction through the ARIMAX algorithm and the renewable energy generation amount prediction through the NBC model and inputs them to the ensemble unit (180). The ensemble unit (180) executes a genetic algorithm that satisfies mathematical expressions 1 and 2 by using two output values output from the prediction model as inputs. Thus, the optimal weight is calculated.
앙상블 유닛에서 최적의 가중치를 출력하면 가중치를 출력 유닛(190)에 전송한다. 그러면 출력 유닛은 수신한 가중치를 이용하여 보다 정확한 기상 예측 결과를 출력한다.When the ensemble unit outputs the optimal weight, the weight is transmitted to the output unit (190). Then, the output unit uses the received weight to output a more accurate weather prediction result.
도 5은 도 4 하드웨어의 개략도이다. 도 5는 본 발명의 일 실시예에 따른 실시간 재생에너지 출력예측 시스템으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 5의 방법을 다르게 변형할 수 있다.Fig. 5 is a schematic diagram of the hardware of Fig. 4. Fig. 5 is a real-time renewable energy output prediction system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 5 may be modified differently.
도 5를 참조하면, 실시간 재생에너지 출력예측 시스템(100)은 적어도 하나의 컴퓨팅 장치로 구현될 수 있고, 일 실시예에 따른 동작을 실행하도록 기술된 명령들(instructions)이 포함된 컴퓨터 프로그램을 실행할 수 있다. 실시간 재생에너지 출력예측 시스템 (100)의 하드웨어는 하나 이상의 프로세서(processor)(210), 하나 이상의 메모리(memory)(230), 하나 이상의 스토리지(storage)(220), 그리고 하나 이상의 통신 인터페이스(communication interface)(240)를 포함할 수 있고, 이들은 버스(bus)를 통해 서로 연결될 수 있다. 이외에도, 실시간 재생에너지 출력예측 시스템(100)의 하드웨어는 입력 장치, 출력 장치 등의 하드웨어를 포함할 수 있다. 또한, 실시간 재생에너지 출력예측 시스템(100)에는 프로그램을 구동할 수 있는 운영 체제를 비롯한 각종 소프트웨어가 탑재될 수 있다.Referring to FIG. 5, the real-time renewable energy output prediction system (100) can be implemented with at least one computing device and can execute a computer program including instructions described to execute operations according to one embodiment. The hardware of the real-time renewable energy output prediction system (100) can include one or more processors (210), one or more memories (230), one or more storages (220), and one or more communication interfaces (240), which can be connected to each other via a bus. In addition, the hardware of the real-time renewable energy output prediction system (100) can include hardware such as an input device and an output device. In addition, the real-time renewable energy output prediction system (100) can be equipped with various software including an operating system capable of executing a program.
프로세서(210)는 실시간 재생에너지 출력예측 시스템(100)의 동작을 제어하는 장치로서, 프로그램에 포함된 명령들을 처리하는 다양한 형태의 프로세서일 수 있다. 예를 들어, 프로세서(210)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 등일 수 있다. 메모리(230)는 일 실시예에 따른 동작을 실행하도록 기술된 명령들이 프로세서(210)에 의해 처리되도록 해당 프로그램을 로드한다. 예를 들어, 메모리(230)는 ROM(read only memory), RAM(random access memory) 등일 수 있다. 스토리지(220)는 일 실시예에 따른 동작을 실행하는데 요구되는 각종 데이터, 프로그램 등을 저장한다. 통신 인터페이스(240)는 유/무선 통신 모듈로서, 유무선 네트워크를 통해 외부 데이터베이스와 연동할 수 있다.The processor (210) is a device that controls the operation of the real-time renewable energy output prediction system (100), and may be various types of processors that process commands included in the program. For example, the processor (210) may be a CPU (Central Processing Unit), an MPU (Micro Processor Unit), an MCU (Micro Controller Unit), a GPU (Graphics Processing Unit), etc. The memory (230) loads the corresponding program so that commands described to execute an operation according to one embodiment are processed by the processor (210). For example, the memory (230) may be a ROM (read only memory), a RAM (random access memory), etc. The storage (220) stores various data, programs, etc. required to execute an operation according to one embodiment. The communication interface (240) is a wired/wireless communication module, and may be linked with an external database through a wired/wireless network.
도 6은 변전소에 접속된 신재생에너지 발전출력 예측 시스템의 개략도이다. 도 6는 본 발명의 일 실시예에 따른 실시간 재생에너지 출력예측 시스템으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 6의 방법을 다르게 변형할 수 있다.Fig. 6 is a schematic diagram of a renewable energy power generation output prediction system connected to a substation. Fig. 6 is a real-time renewable energy output prediction system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 6 may be modified differently.
도 6을 참조하면, 송전탑에서 154kV모선으로 송전이 이루어지고 그 154kV 모선에는 풍력단지 및 태양광 단지가 접속되어 있다. 접속되어 있는 신재생에너지 발전단지는 발전단이다. 그래서 154kV모선에 전력을 공급하여 접속되어 있는 주변압기에 전력으로 입력된다.Referring to Figure 6, power is transmitted from a transmission tower to a 154kV bus line, and wind farms and solar farms are connected to the 154kV bus line. The connected renewable energy power generation complex is a power generation unit. Therefore, power is supplied to the 154kV bus line and input as power to the connected main transformer.
본 발명의 일 실시예에 따르면 제1 전압모선에 전력을 공급하는 복수의 주 변압기와 신재생에너지 단지가 출력하는 전력량의 합이 연결된 계통의 필요 전력량이다. 그리고 본 발명의 일 실시예에서는 송전선로의 제1 전압모선 계통에서 신재생에너지 발전단지의 발전량을 예측한다. 그리고 제1 전압은 154kV일 수 있다.According to one embodiment of the present invention, the sum of the power output from a plurality of main transformers supplying power to the first voltage bus and the renewable energy complex is the required power amount of the connected system. In addition, in one embodiment of the present invention, the power generation amount of the renewable energy power complex is predicted in the first voltage bus system of the transmission line. In addition, the first voltage can be 154 kV.
도 7은 주변압기에 접속된 신재생에너지 발전출력 예측 시스템의 개략도이다. 도 7은 본 발명의 일 실시예에 따른 실시간 재생에너지 출력예측 시스템으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 7의 방법을 다르게 변형할 수 있다.Fig. 7 is a schematic diagram of a renewable energy power generation output prediction system connected to a main voltage regulator. Fig. 7 is a real-time renewable energy output prediction system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 7 may be modified differently.
도 7을 참조하면, 주변압기에서 22.9kV모선으로 송전이 된다. 그리고 22.9kV 모선에 풍력단지 및 태양광 단지가 접속되어 있다. 접속되어 있는 신재생에너지 발전단지는 발전단이다. 그래서 22.9kV모선에 전력을 공급하여 접속되어 있는 설비 등의 부하전력으로 입력된다.Referring to Figure 7, power is transmitted from the main transformer to the 22.9kV bus. And wind farms and solar farms are connected to the 22.9kV bus. The connected renewable energy power generation complex is a power generation unit. Therefore, power is supplied to the 22.9kV bus and input as load power to the connected equipment.
본 발명의 일 실시예에 따르면, 제2 전압모선에 전력을 공급하는 복수의 주 변압기와 신재생에너지 단지가 출력하는 전력량의 합이 연결된 계통의 필요 전력량이다. 그리고 본 발명의 일 실시예에서는 송전선로의 제2 전압모선 계통에서 신재생에너지 발전단지의 발전량을 예측한다. 그리고 제2 전압은 22.9kV일 수 있다.According to one embodiment of the present invention, the sum of the power output from the plurality of main transformers supplying power to the second voltage bus and the renewable energy complex is the required power amount of the connected system. And in one embodiment of the present invention, the power generation amount of the renewable energy power complex is predicted in the second voltage bus system of the transmission line. And the second voltage can be 22.9 kV.
도 8는 도3의 모델 중 ARIMAX 모델의 개략도이다. 도 8은 본 발명의 일 실시예에 따른 실시간 재생에너지 출력예측 시스템으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 8의 방법을 다르게 변형할 수 있다.Fig. 8 is a schematic diagram of the ARIMAX model among the models of Fig. 3. Fig. 8 is a real-time renewable energy output prediction system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 8 may be modified differently.
도 8을 참조하면, ARIMAX 모델(340)은 독립변수들의 영향을 동시에 고려한 시계열 모델이다. 본 발명의 일 실시예에서 ARIMAX 모델(340)은 측정 시점보다 4주전부터 측정시점까지의 기상관측 데이터(330), 측정 시점보다 4주전부터 측정시점까지의 기상예보데이터(330), 측정 시점보다 4주전부터 측정시점까지의 발전출력 데이터(330), 그리고 기상예측 결과(310)를 독립변수로 한다.Referring to Fig. 8, the ARIMAX model (340) is a time series model that simultaneously considers the influence of independent variables. In one embodiment of the present invention, the ARIMAX model (340) uses weather observation data (330) from 4 weeks before the measurement time to the measurement time, weather forecast data (330) from 4 weeks before the measurement time to the measurement time, power generation output data (330) from 4 weeks before the measurement time to the measurement time, and weather forecast results (310) as independent variables.
ARIMAX 모형(340)은 ARIMA 모형에 독립변수까지 고려하는 외생변수를 포함한 자기회귀이동평균(autoregressive moving average model with exogenous inputs model, ARIMAX(p,d,q,r)) 모형을 말한다. 이 때, p, d와 q는 각각 ARIMA 모형의 차수, r은 독립변수의 지체 차수(lagged order)를 각각 의미한다. 본 발명의 일 실시예에서는 보정을 거친 기상예측 결과(310)와 신재생에너지 발전량(320)을 독립변수로 한다. 그리고 과거 4주간의 일사량(330), 기온(330), 풍속(330), 그리고 신재생에너지 발전량(330)을 종속변수로 하여 기상예측 결과에 따른 예상 발전량(350)을 출력한다.The ARIMAX model (340) refers to an autoregressive moving average model with exogenous inputs model (ARIMAX(p,d,q,r)) that includes exogenous variables that consider independent variables in the ARIMA model. Here, p, d, and q each represent the order of the ARIMA model, and r represents the lagged order of the independent variable. In one embodiment of the present invention, the corrected weather forecast result (310) and the amount of renewable energy generation (320) are used as independent variables. In addition, the amount of solar radiation (330), temperature (330), wind speed (330), and the amount of renewable energy generation (330) for the past four weeks are used as dependent variables, and the expected amount of power generation (350) according to the weather forecast result is output.
그래서 도 8과 같이 기상예측 결과(310)와 SCADA 발전데이터(320)를 입력한다. 그리고 과거 데이터(330)를 독립 변수로 하여 각 데이터와 독립변수들의 상관성 및 잔차를 산출한다. 그래서 기상예측 결과에 따른 ARIMAX 모델(340)의 신재생 에너지 예측 발전 데이터를 출력(350)한다.Therefore, as shown in Fig. 8, the weather forecast result (310) and SCADA power generation data (320) are input. Then, the correlation and residual of each data and independent variables are calculated using the past data (330) as an independent variable. Therefore, the renewable energy prediction power generation data of the ARIMAX model (340) according to the weather forecast result is output (350).
도 9은 도 3의 모델 중 NBC 모델의 개략도이다. 도 9는 본 발명의 일 실시예에 따른 실시간 재생에너지 출력예측 시스템으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 9의 방법을 다르게 변형할 수 있다.Fig. 9 is a schematic diagram of the NBC model among the models of Fig. 3. Fig. 9 is a real-time renewable energy output prediction system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 9 may be modified differently.
NBC 모델(420,430)은 규칙을 설정한 후, 설정된 규칙에 따라 입력 데이터를 분류하는 분류기이다. 본 발명의 일 실시예에서는 NBC 모델(420,430)은 주 분류변수로 과거 재생에너지 발전출력(330)을 사용하고 보조변수로 일사량, 습도, 온도, 그리고 풍속 등을 이용하여 확률을 출력한다. 그리고 그 입력은 측정 시점보다 1년전부터 측정시점까지의 기상관측 데이터, 측정 시점보다 1년전부터 측정시점까지의 발전출력 데이터, 그리고 기상예측결과이다.The NBC model (420, 430) is a classifier that sets rules and then classifies input data according to the set rules. In one embodiment of the present invention, the NBC model (420, 430) uses past renewable energy power generation output (330) as a main classification variable and uses solar irradiance, humidity, temperature, and wind speed as auxiliary variables to output probability. And its inputs are weather observation data from one year before the measurement time to the measurement time, power generation output data from one year before the measurement time to the measurement time, and weather forecast results.
도 9를 참조하면, 과거 데이터(330)를 분류규칙 생성단계(410)에 입력한다. 그러면 분류규칙 생성단계는 NBC 모델의 분류규칙을 설정한다. 설정된 분류규칙을 NBC 모델에 전송하면 NBC 모델은 규칙을 설정(420)한다. 그러면 NBC 모델의 규칙이 설정된 상태(430)가 된다.Referring to Fig. 9, past data (330) is input into the classification rule generation step (410). Then, the classification rule generation step sets the classification rule of the NBC model. When the set classification rule is transmitted to the NBC model, the NBC model sets the rule (420). Then, the rule of the NBC model is set (430).
그리고 규칙이 설정된 NBC 모델(430)에 기상예측 결과(310)와 SCADA 발전 데이터(320)를 입력한다. 그러면 규칙이 설정된 NBC 모델(430)은 설정된 규칙에 따라 나누어진 복수개의 클래스(440) 중 하나를 출력한다.Then, the weather forecast result (310) and SCADA generation data (320) are input into the NBC model (430) with the set rule. Then, the NBC model (430) with the set rule outputs one of the multiple classes (440) divided according to the set rule.
도 10은 도 10은 기상예측결과 보정(조정유닛(160), 평가유닛(170))의 예시이다. 도 10은 본 발명의 일 실시예에 따른 실시간 재생에너지 출력예측 시스템으로 단지 본 발명을 예시하기 위한 것이며, 본 발명이 여기에 한정되는 것은 아니다. 따라서, 도 10의 방법을 다르게 변형할 수 있다.Fig. 10 is an example of weather forecast result correction (adjustment unit (160), evaluation unit (170)). Fig. 10 is a real-time renewable energy output prediction system according to one embodiment of the present invention, and is only intended to illustrate the present invention, and the present invention is not limited thereto. Accordingly, the method of Fig. 10 may be modified differently.
36시간 예측에 대한 예보는 6시간마다 생성된다. 그러므로 다음 예보가 생성되기 전까지 기상예보의 정확도를 높이기 위해 기상관측자료를 사용한다. 그리고 기상관측자료를 활용하여 기상예보를 보정하는 작업을 수행한다.Forecasts for 36 hours are generated every 6 hours. Therefore, weather observation data is used to improve the accuracy of weather forecasts until the next forecast is generated. And the work of correcting weather forecasts is performed using weather observation data.
도 10을 참조하면 09시 예보가 생성된 이후에 15시의 예보가 생성된다. 그러므로 관측값과 예보값을 통해 일사량 곡선의 분류를 정하여 보정한다. 이는 도 4의 시스템에서 조정 유닛이나, 도 2의 방법에서 스케일 조정시 사용하는 방법이다. 스케일 조정값은 하기의 수학식 4를 만족한다.Referring to Fig. 10, the 15:00 forecast is generated after the 09:00 forecast is generated. Therefore, the classification of the irradiance curve is determined and corrected through the observed value and the forecast value. This is a method used in the adjustment unit of the system of Fig. 4 or in the scale adjustment in the method of Fig. 2. The scale adjustment value satisfies the following mathematical expression 4.
[수학식 4][Mathematical formula 4]
α는 스케일 조정 계수, Ot-i는 현재시점(t)으로부터 i 시간 전 관측값, Pt-i는 현재시점(t)으로부터 i 시간 전 예측값이다.α is a scaling factor, Oti is the observed value i hours ago from the current time point (t), and Pti is the predicted value i hours ago from the current time point (t).
100 : 실시간 재생에너지 출력예측 시스템
110 : 기상예보 유닛
120 : 기상관측 유닛
130 : SCADA 정보
140 : 기상예보 보간 유닛
141 : 예보 시간 해상도부
142 : 예보 공간부
143 : 예측부
150 : 기상관측 보간 유닛
151 : 관측 공간부
152 : 관측부
160 : 조정 유닛
170 : 평가 유닛
180 : 앙상블 유닛
190 : 출력 유닛
210 : 프로세서
220 : 스토리지
230 : 메모리
240 : 통신 인터페이스
310 : 기상예측 결과
320 : SCADA 발전 데이터
330 : 과거 데이터
340 : ARIMAX 모델
350 : 예상 발전 데이터
410 : 분류 규칙 생성
420 : NBC 분류 규칙 설정
430 : 규칙이 설정된 NBC
440 : 복수의 클래스100: Real-time renewable energy output prediction system
110: Weather Forecast Unit
120: Meteorological Observation Unit
130 : SCADA Information
140: Weather Forecast Interpolation Unit
141: Forecast time resolution
142 : Forecast space department
143 : Prediction Department
150: Meteorological Observation Interpolation Unit
151 : Observation space section
152 : Observation Department
160 : Adjustment Unit
170 : Evaluation Unit
180 : Ensemble Unit
190 : Output unit
210 : Processor
220 : Storage
230 : Memory
240 : Communication Interface
310: Weather forecast results
320 : SCADA Development Data
330 : Past data
340 : ARIMAX Model
350: Expected development data
410: Create classification rules
420: NBC Classification Rules Set
430: NBC sets the rules
440: Multiple Classes
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020240134245AKR102804715B1 (en) | 2022-03-07 | 2024-10-02 | Method for predicting real-time renewable energy output with high accuracy |
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220028985AKR102718906B1 (en) | 2022-03-07 | 2022-03-07 | Renewable energy forecasting method and system based on weather prediction result and scada monitoring data |
| KR1020240134245AKR102804715B1 (en) | 2022-03-07 | 2024-10-02 | Method for predicting real-time renewable energy output with high accuracy |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220028985ADivisionKR102718906B1 (en) | 2022-03-07 | 2022-03-07 | Renewable energy forecasting method and system based on weather prediction result and scada monitoring data |
| Publication Number | Publication Date |
|---|---|
| KR20240151683A KR20240151683A (en) | 2024-10-18 |
| KR102804715B1true KR102804715B1 (en) | 2025-05-09 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220028985AActiveKR102718906B1 (en) | 2022-03-07 | 2022-03-07 | Renewable energy forecasting method and system based on weather prediction result and scada monitoring data |
| KR1020240134245AActiveKR102804715B1 (en) | 2022-03-07 | 2024-10-02 | Method for predicting real-time renewable energy output with high accuracy |
| KR1020240135134AActiveKR102794452B1 (en) | 2022-03-07 | 2024-10-04 | Method for predicting real-time renewable energy output for stabilizing power system |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220028985AActiveKR102718906B1 (en) | 2022-03-07 | 2022-03-07 | Renewable energy forecasting method and system based on weather prediction result and scada monitoring data |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240135134AActiveKR102794452B1 (en) | 2022-03-07 | 2024-10-04 | Method for predicting real-time renewable energy output for stabilizing power system |
| Country | Link |
|---|---|
| KR (3) | KR102718906B1 (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332896A (en)* | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | New energy small time scale power prediction method and system for multilayer integrated learning |
| CN120200248B (en)* | 2025-05-26 | 2025-08-19 | 国网信息通信产业集团有限公司 | Photovoltaic power generation power prediction method and related equipment |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140067270A1 (en) | 2012-09-06 | 2014-03-06 | Global Weather Corporation | Weather information system |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102076426B1 (en)* | 2017-11-17 | 2020-02-12 | 한국외국어대학교 연구산학협력단 | System for managing detailed weather prediction information in real time and method to use for impact forecasting of heat-wave and tropical night using the system |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140067270A1 (en) | 2012-09-06 | 2014-03-06 | Global Weather Corporation | Weather information system |
| Title |
|---|
| Shahrouz Alimohammadi 외 1명. Multi-stage algorithm for uncertainty analysis of solar power forecasting. 2016 IEEE Power and Energy Society General Meeting (PESGM). 2016. 12. 14. 1부. |
| Yeojin Kim 외 1명. An Ensemble Forecasting Model of Wind Power Outputs Based on Improved Statistical Approaches. Energies. 2020. 03. 01., Vol. 13, Issue. 5. 1부. |
| 박준형 외 7명. 격자 수문기상정보 산출을 위한 Off-line JULES 모델 구축. 국립기상과학원 응용기상연구과. 2016. 1부. |
| Publication number | Publication date |
|---|---|
| KR102718906B1 (en) | 2024-10-17 |
| KR20240151683A (en) | 2024-10-18 |
| KR20230131725A (en) | 2023-09-14 |
| KR20240150747A (en) | 2024-10-16 |
| KR102794452B1 (en) | 2025-04-15 |
| Publication | Publication Date | Title |
|---|---|---|
| KR102804715B1 (en) | Method for predicting real-time renewable energy output with high accuracy | |
| Kim et al. | Short-term probabilistic forecasting of wind energy resources using the enhanced ensemble method | |
| Severiano et al. | Very short-term solar forecasting using fuzzy time series | |
| EP3741991B1 (en) | Method for dynamic real-time optimization of the performance of a wind park and wind park | |
| Aler et al. | A study of machine learning techniques for daily solar energy forecasting using numerical weather models | |
| JP7346356B2 (en) | Prediction device and prediction method | |
| CN112862274A (en) | WRF-LES and Deepar combined wind power prediction method | |
| CN105046358A (en) | Storm scale ensemble forecast perturbation method | |
| JP2022122373A (en) | Photovoltaic power generation output prediction device, power system control system, supply and demand control system, solar radiation intensity prediction device, learning device, photovoltaic power generation output prediction method, and photovoltaic power generation output prediction program | |
| CN113098022A (en) | Wind power plant grid-connected point reactive power regulation method, device, equipment and storage medium | |
| CN113984198A (en) | Short wave radiation prediction method and system based on convolutional neural network | |
| JP6623514B2 (en) | Supply and demand control device, supply and demand control method, and power supply system | |
| Augustyn et al. | A review of methods applied for wind power generation forecasting | |
| Taşcıkaraoğlu | Impacts of accurate renewable power forecasting on optimum operation of power system | |
| Xu et al. | Sensor network based solar forecasting using a local vector autoregressive ridge framework | |
| CN120693766A (en) | Method and processing system for processing data related to an electrical network, and system comprising an electrical network | |
| Răzuşi et al. | Prediction of wind power by artificial intelligence techniques | |
| Narynbaev et al. | Day-ahead solar irradiance forecasting model | |
| Bugaieva et al. | Prediction of electricity generation by wind farms based on intelligent methods: state of the art and examples | |
| Dobschinski et al. | Estimation of wind power prediction intervals using stochastic methods and artificial intelligence model ensembles | |
| Agabus et al. | ESTIMATION OF WIND POWER PRODUCTION THROUGH SHORT-TERM FORECAST. | |
| CN120373805B (en) | Power distribution network multi-scale optimal scheduling method and system based on deep reinforcement learning | |
| Linh et al. | A Tool for Monitoring and Forecasting Rooftop Photovoltaic Generation in Vietnamese Power System Utilizing Satellite Imagery Data | |
| Alipourtarzanagh et al. | Dynamic Modeling of Wind Speed and Temperature Using Nonlinear Auto Regressive with eXogenous (NARX) | |
| JP2025067604A (en) | Power system section creating device, power system section creating method, and power system section creating system |
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| PA0107 | Divisional application | Comment text:Divisional Application of Patent Patent event date:20241002 Patent event code:PA01071R01D Filing date:20220307 Application number text:1020220028985 | |
| PA0201 | Request for examination | Patent event code:PA02011R04I Patent event date:20241002 Comment text:Divisional Application of Patent | |
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection | Comment text:Notification of reason for refusal Patent event date:20241023 Patent event code:PE09021S01D | |
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration | Patent event code:PE07011S01D Comment text:Decision to Grant Registration Patent event date:20250219 | |
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment | Comment text:Registration of Establishment Patent event date:20250430 Patent event code:PR07011E01D | |
| PR1002 | Payment of registration fee | Payment date:20250430 End annual number:3 Start annual number:1 | |
| PG1601 | Publication of registration |