복수 개의 예측 대상 신재생에너지 발전 플랜트의 발전량 예측을 위한 센서 데이터 수집을 위해 기계 학습된 링크 스케줄링 알고리즘을 이용하여 센서 노드의 링크 스케줄링 데이터를 생성하는 링크 스케줄링부;상기 링크 스케줄링부에서 출력된 링크 스케줄링 데이터를 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 센서 데이터를 수집하는 데이터 수집부; 및상기 데이터 수집부에서 수집한 센서 데이터를 수신하고, 커널 함수를 적용하여 수신된 상기 수집한 센서 데이터를 고차원 특징 공간 데이터로 매핑하여 선형 내적 공간 데이터를 생성하고, 상기 선형 내적 공간 데이터를 고차원 특징 공간 데이터로 변환한 후 발전량 예측 커널 함수에 적용하여 신재생 에너지 발전량을 예측하는 기계 학습된 발전량 예측 알고리즘을 이용하여 상기 예측 대상 신재생에너지 발전 플랜트의 발전량을 예측하는 발전량 예측부;를 포함하는 신재생에너지 발전량 예측 장치.

제1항에 있어서, 상기 링크 스케줄링부는,상기 복수 개의 예측 대상 신재생에너지 발전 플랜트의 플랜트 구조 데이터를 저장하는 제1 저장 모듈; 및상기 제1 저장 모듈에 저장된 상기 플랜트 구조 데이터를 이용하여 링크 스케줄링을 수행하는 링크 스케줄링 모듈을 포함하는 신재생에너지 발전량 예측 장치.

제2항에 있어서, 상기 플랜트 구조 데이터는,상기 센서 노드의 배치 정보, 전송 전력, 파장, 6TiSCH 네트워크의 주파수 대역 및 레일리 페이딩(Rayleigh fading)의 스케일 매개 변수 중 적어도 어느 하나 이상을 포함하는 신재생에너지 발전량 예측 장치.

제2항에 있어서, 상기 링크 스케줄링 모듈은,상기 플랜트 구조 데이터를 수집하는 데이터 수집 유닛;모든 연결 전송에 대한 슬롯 프레임 내부 시간이 설정된 타임 슬롯 프레임을 생성하는 타임 슬롯 프레임 생성 유닛; 및랭크(rank), IPN, 전송 패킷 수 중 적어도 어느 하나를 포함하는 노드의 속성을 고려하여 전체 센서 노드의 랭크를 기반으로 우선순위를 결정하는 링크 스케줄링 최적화 유닛;을 포함하는 신재생에너지 발전량 예측 장치.

제1항에 있어서, 상기 데이터 수집부는,상기 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드들로부터 센서 데이터를 수집하는 데이터 수집 모듈; 및상기 예측 대상 신재생에너지 발전 플랜트의 센서 노드로부터 수집한 센서 데이터 및 상기 예측 대상 신재생에너지 발전 플랜트가 설치된 지역의 기상 데이터를 저장하는 제2 저장 모듈;을 포함하는 신재생에너지 발전량 예측 장치.

제1항에 있어서, 상기 발전량 예측부는,고차원 공간 매핑 커널 함수를 이용하여 입력 데이터를 고차원 특징 공간 데이터로 매핑하여 상기 선형 내적 공간 데이터를 생성하는 매핑모듈;상기 선형 내적 공간 데이터를 고차원 특징 공간 변환 커널 함수를 이용하여 상기 고차원 특징 공간 데이터로 변환하는 변환모듈; 및상기 고차원 특징 공간 데이터를 상기 발전량 예측 커널 함수에 적용하여 신재생에너지 발전량을 예측하는 예측모듈;을 포함하여 기계 학습된 신재생에너지 발전량 예측 알고리즘을 이용하여 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 신재생에너지 발전량을 예측하는 신재생에너지 발전량 예측 장치.

제6항에 있어서,상기 고차원 공간 매핑 커널 함수는 하기 수학식 1 내지 수학식 4로 표현되는 신재생에너지 발전량 예측 장치(단, 하기 수학식 1 내지 4에서, yk는 측정되는 신호, u는 원하는 응답신호, δx, , 는 각각 재귀적으로 추정해야 하는 미지 계수, x0 및 zo는 각각 시스템의 입력과 출력 차수, α는 수집된 센서 데이터, β는 모델 파라미터값, γk는 특정 공간에서의 노이즈 값을 각각 의미하는 것임).[수학식 1][수학식 2][수학식 3][수학식 4]

제6항에 있어서,상기 고차원 공간 변환 커널 함수는 하기 수학식 5로 표현되는 신재생에너지 발전량 예측 장치(단, 하기 수학식 5에서, Κ는 Mercer 커널, χ는 입력된 모든 k개 샘플의 행렬, R은 정규화 매개변수, H는 Mercer 커널과 연관된 재생 커널 힐버트 공간(reproducing kernel Hilbert space, RKHS), Ψ는 모델의 망각 요인을 의미하는 것임).[수학식 5]

제6항에 있어서,상기 발전량 예측 커널 함수는,가우시안 커널(Gaussian Kernel) 함수, 다항 커널(Polynomial Kernel) 함수, 시그모이드 커널(Sigmoid Kernel) 함수 중 적어도 어느 하나를 사용하여 시계열 예측 정확도를 향상시키는 신재생에너지 발전량 예측 장치.

제9항에 있어서,상기 발전량 예측 커널 함수는,하기 수학식 7로 표현되는 상기 가우시안 커널(Gaussian Kernel) 함수인 것을 특징으로 하는 신재생에너지 발전량 예측 장치(단, 하기 수학식 7에서, ρ는 스케일링 계수, α′는 새로운 정보 데이터를 의미하는 것임).[수학식 7]

신재생에너지 발전 플랜트의 발전량 예측을 위한 센서 데이터 수집을 위해 기계 학습된 링크 스케줄링 알고리즘을 이용하여 센서 노드의 링크 스케줄링 데이터를 생성하는 링크 스케줄링 단계;링크 스케줄링부에서 출력된 상기 링크 스케줄링 데이터를 이용하여 발전량 예측 대상 신재생에너지 발전 플랜트의 상기 센서 노드로부터 센서 데이터를 수집하는 데이터 수집 단계; 및데이터 수집부에서 수집한 상기 센서 데이터를 수신하고, 기계 학습된 신재생에너지 발전량 예측 알고리즘을 이용하여 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 신재생에너지 발전량을 예측하는 발전량 예측 단계;를 포함하고,상기 기계 학습된 신재생에너지 발전량 예측 알고리즘은,커널 함수를 적용하여 수신된 상기 수집한 센서 데이터를 고차원 특징 공간 데이터로 매핑하여 선형 내적 공간 데이터를 생성하고, 상기 선형 내적 공간 데이터를 상기 고차원 특징 공간 데이터로 변환한 후 발전량 예측 커널 함수에 적용하여 신재생 에너지 발전량을 예측하는 신재생에너지 발전량 예측 방법.

제11항에 있어서,상기 링크 스케줄링 단계는,복수 개의 예측 대상 신재생에너지 발전 플랜트의 플랜트 구조 데이터를 수집하는 단계;전체 링크에 대한 타임 슬롯 프레임을 생성하는 단계; 및수집한 상기 플랜트 구조 데이터를 상기 기계 학습된 링크 스케줄링 알고리즘으로 링크 스케줄링하여 상기 센서 노드의 링크 스케줄링 데이터를 생성하는 링크 스케줄링 데이터 최적화 단계;를 포함하는 신재생에너지 발전량 예측 방법.

제12항에 있어서,상기 링크 스케줄링 단계는,상기 센서 노드의 배치 정보, 전송 전력, 파장, 6TiSCH 네트워크의 주파수 대역 및 레일리 페이딩(Rayleigh fading)의 스케일 매개 변수 중 적어도 어느 하나 이상을 포함하는 상기 플랜트 구조 데이터를 수집하고, 모든 연결 전송에 대한 슬롯 프레임 내부 시간이 설정된 타임 슬롯 프레임을 생성하며, 랭크(rank), 노이즈 포함 간섭(Interference-Plus-Noise, IPN), 전송 패킷 수 중 적어도 어느 하나를 포함하는 노드의 속성을 고려하여 전체 센서 노드의 랭크를 기반으로 우선순위를 결정하는 링크 스케줄링 최적화를 통해 상기 센서 노드의 링크 스케줄링 데이터를 생성하는 신재생에너지 발전량 예측 방법.

제11항에 있어서,상기 데이터 수집 단계는,상기 데이터 수집부에서 상기 센서 노드의 링크 스케줄링 데이터를 이용해 상기 발전량 예측 대상 신재생에너지 발전 플랜트의 센서 노드들로부터 센서 데이터를 수집하는 단계; 및 상기 데이터 수집부에서 상기 예측 대상 신재생에너지 발전 플랜트가 설치된 지역의 기상 데이터를 수집하는 단계를 포함하는 신재생에너지 발전량 예측 방법.

제11항에 있어서,상기 발전량 예측 단계는,고차원 공간 매핑 커널 함수를 이용하여 입력 데이터를 상기 고차원 특징 공간 데이터로 매핑하여 상기 선형 내적 공간 데이터를 생성하는 고차원 특징 공간 매핑단계;상기 고차원 특징 공간 매핑단계에서 생성된 상기 선형 내적 공간 데이터를 고차원 특징 공간 변환 커널 함수를 이용하여 상기 고차원 특징 공간 데이터로 변환하는 고차원 특징 공간 변환단계; 및상기 고차원 특징 공간 변환단계에서 변환한 상기 고차원 특징 공간 데이터를 상기 발전량 예측 커널 함수에 적용하여 상기 신재생에너지 발전량을 예측하는 단계;를 포함하는 신재생에너지 발전량 예측 방법.

제15항에 있어서,상기 고차원 특징 공간 매핑단계는,하기 수학식 1 내지 수학식 4로 표현되는 상기 고차원 공간 매핑 커널 함수를 이용해 상기 선형 내적 공간 데이터를 생성하는 신재생에너지 발전량 예측 방법(단, 하기 수학식 1 내지 4에서, yk는 측정되는 신호, u는 원하는 응답신호, δx, , 는 각각 재귀적으로 추정해야 하는 미지 계수, x0 및 zo는 각각 시스템의 입력과 출력 차수, α는 수집된 센서 데이터, β는 모델 파라미터값, γk는 특정 공간에서의 노이즈 값을 각각 의미하는 것임).[수학식 1][수학식 2][수학식 3][수학식 4]

제15항에 있어서,상기 고차원 특징 공간 변환단계는,하기 수학식 5로 표현되는 상기 고차원 공간 변환 커널 함수를 이용해 상기 고차원 특징 공간 데이터를 생성하는 신재생에너지 발전량 예측 방법(단, 하기 수학식 5에서, Κ는 Mercer 커널, χ는 입력된 모든 k개 샘플의 행렬, R은 정규화 매개변수, H는 Mercer 커널과 연관된 재생 커널 힐버트 공간(reproducing kernel Hilbert space, RKHS), Ψ는 모델의 망각 요인을 의미하는 것임).[수학식 5]

제15항에 있어서,상기 발전량 예측 단계는,가우시안 커널(Gaussian Kernel) 함수, 다항 커널(Polynomial Kernel) 함수, 시그모이드 커널(Sigmoid Kernel) 함수 중 적어도 어느 하나를 포함하는 상기 발전량 예측 커널 함수를 이용해 신재생에너지의 발전량을 예측하는 신재생에너지 발전량 예측 방법.

제18항에 있어서,상기 발전량 예측 단계는,하기 수학식 7로 표현되는 상기 가우시안 커널(Gaussian Kernel) 함수를 상기 발전량 예측 커널 함수로 이용해 신재생에너지의 발전량을 예측하는 신재생에너지 발전량 예측 방법(단, 하기 수학식 7에서, ρ는 스케일링 계수, α′는 새로운 정보 데이터를 의미하는 것임).[수학식 7]