1. 솔루션 소개

REPLUS PV-EMS는 태양광 발전소의 인버터 데이터와 기상 데이터를 실시간으로 수집·분석하여 다음날 발전량을 예측하는 AI 기반 태양광 발전량 예측 솔루션입니다.

발전 현장의 인버터 운전 데이터, 기상청 단기예보 데이터, 과거 발전 실적 데이터를 통합하여 LightGBM 기반 예측 모델로 익일 발전량을 산출하고, 이를 SMP 거래 및 한전 전력 판매 의사결정에 활용할 수 있도록 지원합니다.

PV-EMS는 데이터 수집, 전처리, AI 학습, 예측, 거래 의사결정까지의 전 과정을 자동화된 데이터 파이프라인으로 연결하여 태양광 발전 사업자의 운영 효율성과 수익성을 높이는 것을 목표로 합니다.

2. 도입 배경

태양광 발전은 일사량, 기온, 습도, 풍속 등 기상 조건에 따라 발전량이 크게 변동됩니다. 이러한 변동성은 발전 사업자의 전력 판매 계획, SMP 거래 대응, 한전 전력 판매 의사결정에 직접적인 영향을 줍니다.

기존의 경험 기반 또는 수기 예측 방식은 정확도와 재현성 확보가 어렵고, 발전량 오차로 인한 거래 리스크와 기회비용이 발생할 수 있습니다. 따라서 데이터 기반의 정밀한 익일 발전량 예측 시스템이 필요합니다.

REPLUS PV-EMS는 실시간 발전 데이터와 기상 예보 데이터를 AI 모델에 반영하여 발전량 예측 정확도를 높이고, 안정적인 전력 판매 전략 수립을 지원합니다.

3. 주요 기능

3.1 실시간 인버터 데이터 수집

PV-EMS는 태양광 발전 현장의 인버터 데이터를 RTU를 통해 1분 단위로 수집합니다.

수집된 데이터는 TLS 암호화 통신을 통해 안전하게 전송되며, Kafka를 통해 최초 수신된 후 NiFi를 통해 MongoDB에 적재됩니다.

주요 수집 흐름은 다음과 같습니다.

인버터 → RTU → TLS 암호화 전송 → Kafka 수신 → NiFi 처리 → MongoDB 저장

이를 통해 발전 현장의 원천 데이터를 안정적으로 확보하고, 예측 모델 학습 및 운영에 활용할 수 있습니다.

3.2 기상청 단기예보 데이터 수집

PV-EMS는 기상청 단기예보 데이터를 하루 1회 자동으로 호출하여 수집합니다.

수집 대상 기상 변수는 일사량, 기온, 습도, 풍속 등이며, 태양광 발전량 예측에 중요한 입력 변수로 활용됩니다.

기상 데이터는 NiFi를 통해 1시간 단위로 정리된 후 MongoDB에 적재되며, 인버터 발전 데이터와 결합되어 AI 예측 모델의 입력 데이터로 사용됩니다.

3.3 데이터 전처리

인버터 데이터는 1분 단위, 기상 데이터는 1시간 단위로 수집되므로 서로 다른 데이터 주기를 하나의 학습 포맷으로 정합하는 과정이 필요합니다.

PV-EMS는 전처리 엔진을 통해 다음 작업을 수행합니다.

1. 1분 단위 인버터 데이터를 1시간 단위로 변환
2. 기상 예보 데이터와 발전 데이터를 시간축 기준으로 정합
3. 결측 데이터 및 이상치 처리
4. 발전량, 일사량, 기온, 습도, 풍속 등 예측 피처 구성
5. LightGBM 모델 학습용 데이터셋 생성

이를 통해 AI 모델이 안정적으로 학습하고 예측할 수 있는 고품질 데이터를 확보합니다.

3.4 LightGBM 기반 발전량 예측

PV-EMS는 LightGBM 기반의 AI 예측 모델을 사용하여 익일 발전량을 예측합니다.

LightGBM은 표 형태의 데이터와 시계열 기반 피처를 활용한 회귀 예측에 적합하며, 빠른 학습 속도와 높은 예측 성능을 제공합니다.

관리자는 웹 콘솔에서 학습 데이터 범위, Train/Validation/Test 분할, 하이퍼파라미터 등을 설정할 수 있으며, 학습 결과를 비교하여 운영에 사용할 최적 모델을 선정할 수 있습니다.

예측 모델은 매일 오전 8시에 실행되어 다음날 시간대별 발전량을 산출합니다.

3.5 예측 운영 자동화

PV-EMS는 Apache NiFi 기반의 오케스트레이션을 통해 데이터 수집, 전처리, 예측 실행 과정을 자동화합니다.

운영 흐름은 다음과 같습니다.

1. 인버터 데이터 상시 수집
2. 기상청 단기예보 데이터 하루 1회 수집
3. 1시간 단위 데이터 전처리
4. 매일 오전 8시 AI 모델 Load
5. 익일 발전량 예측 실행
6. 예측 결과를 SMP 거래 및 한전 전력 판매 의사결정에 활용

예측 모델은 하루 1회 실행 방식으로 운영되며, RAM에 상시 상주하지 않고 예측 실행 시점에 모델을 Load하여 효율적으로 운영됩니다.활용 분야/활용 방식/기능 등 AI 솔루션 세부 내용 작성

아래는 첨부한 REPLUS PV-EMS AI 솔루션 내용을 기준으로 정리한 사용 프레임워크입니다.

REPLUS PV-EMS AI 솔루션 사용 프레임워크

1. 전체 프레임워크 개요

REPLUS PV-EMS는 태양광 발전소의 인버터 데이터와 기상 데이터를 수집하여 AI 기반으로 익일 발전량을 예측하고, SMP 거래 및 한전 전력 판매 의사결정을 지원하는 솔루션이다.

전체 사용 프레임워크는 다음 6단계로 구성된다.

데이터 수집 → 데이터 저장 → 데이터 전처리 → AI 학습 → 발전량 예측 → 거래 의사결정 활용

2. 사용 프레임워크 구성

구분주요 내용사용 기술

1. 데이터 수집

인버터 데이터와 기상청 단기예보 데이터 수집

RTU, 기상청 API

2. 보안 전송

발전 현장 데이터를 암호화하여 전송

TLS

3. 데이터 수신

실시간 발전 데이터를 최초 수신

Kafka

4. 자동화 처리

수집, 전처리, 적재, 예측 실행 자동화

Apache NiFi

5. 데이터 저장

인버터 및 기상 원천 데이터 저장

MongoDB

6. 데이터 전처리

1분·1시간 단위 데이터를 학습 포맷으로 정합

전처리 엔진

7. AI 예측

익일 발전량 예측 모델 학습 및 실행

LightGBM

8. 운영 관리

학습 조건 설정, 모델 비교, 운영 모델 선정

Web Console

9. 결과 활용

예측 발전량 기반 거래 의사결정

SMP, 한전 전력 판매

3. 단계별 사용 프레임워크

STEP 1. 발전 현장 데이터 수집

태양광 발전소의 인버터 데이터를 RTU를 통해 1분 단위로 수집한다.

인버터 데이터는 발전량 예측의 핵심 원천 데이터로 사용되며, 발전소의 실시간 운영 상태를 파악하는 데 활용된다.

수집 데이터 예시는 다음과 같다.

1. 발전량
2. 인버터 상태 정보
3. 운전 데이터
4. 발전소별 실시간 측정값

STEP 2. 기상 데이터 수집

기상청 단기예보 데이터를 하루 1회 자동 호출하여 수집한다.

기상 데이터는 태양광 발전량에 직접적인 영향을 주는 주요 예측 변수로 사용된다.

주요 기상 변수는 다음과 같다.

1. 일사량
2. 기온
3. 습도
4. 풍속

기상 데이터는 1시간 단위로 정리되어 AI 예측 모델의 입력 데이터로 활용된다.

STEP 3. 보안 전송 및 데이터 수신

발전 현장에서 수집된 인버터 데이터는 TLS 암호화 통신을 통해 안전하게 전송된다.

전송된 데이터는 Kafka에서 최초 수신하고, 이후 NiFi를 통해 데이터 흐름이 자동 처리된다.

데이터 흐름은 다음과 같다.

인버터 → RTU → TLS 전송 → Kafka 수신 → NiFi 처리

STEP 4. 데이터 저장

Kafka를 통해 수신된 데이터와 기상청 단기예보 데이터는 NiFi를 통해 MongoDB에 적재된다.

MongoDB는 인버터 데이터와 기상 데이터를 저장하는 원천 데이터 저장소 역할을 수행한다.

저장 대상 데이터는 다음과 같다.

1. 인버터 1분 단위 데이터
2. 기상청 1시간 단위 예보 데이터
3. 전처리 데이터
4. AI 학습 데이터
5. 예측 결과 데이터

STEP 5. 데이터 전처리

인버터 데이터는 1분 단위, 기상 데이터는 1시간 단위로 수집되기 때문에 AI 학습을 위해 동일한 시간 기준으로 정합해야 한다.

전처리 단계에서는 다음 작업을 수행한다.

1. 1분 단위 인버터 데이터를 1시간 단위로 집계
2. 기상 데이터와 발전 데이터를 시간축 기준으로 매칭
3. 결측 데이터 처리
4. 이상치 제거
5. 발전량·기상 변수 기반 피처 구성
6. LightGBM 학습용 데이터셋 생성

전처리 결과는 AI 모델이 바로 학습할 수 있는 표준 학습 데이터셋으로 구성된다.

STEP 6. AI 모델 학습

전처리된 데이터를 기반으로 LightGBM 모델을 학습한다.

LightGBM은 발전량, 일사량, 기온, 습도, 풍속 등 표 형태의 데이터를 활용한 회귀 예측에 적합하다.

학습 관리자는 Web Console에서 다음 항목을 설정할 수 있다.

1. 학습 대상 발전소
2. 학습 데이터 기간
3. Train / Validation / Test 데이터 분할
4. 하이퍼파라미터
5. 학습 실행 조건
6. 모델 성능 비교 기준

학습 결과를 비교한 후 관리자가 운영에 사용할 최적 모델을 선정한다.

STEP 7. 익일 발전량 예측

선정된 LightGBM 모델은 매일 오전 8시에 실행되어 다음날 발전량을 예측한다.

예측은 1일 1회 실행 방식으로 운영되며, 모델은 실행 시점에 Load하여 사용한다.

예측 결과는 다음 형태로 제공할 수 있다.

1. 익일 총 발전량 예측
2. 시간대별 발전량 예측
3. 발전소별 발전량 예측
4. 예측 오차 분석
5. 예측 신뢰도 정보

STEP 8. 거래 의사결정 활용

예측된 발전량은 SMP 거래와 한전 전력 판매 의사결정에 활용된다.

발전 사업자는 다음날 예상 발전량을 기준으로 전력 판매 계획을 수립하고, 거래 리스크를 줄일 수 있다.

활용 영역은 다음과 같다.

1. SMP 거래량 산정
2. 한전 전력 판매 계획 수립
3. 발전량 예측 오차 관리
4. 정산 리스크 감소
5. 발전소 운영 수익성 개선

4. 시스템 사용 흐름

사용자는 PV-EMS를 통해 다음 순서로 시스템을 운영한다.

1. 발전소 인버터 데이터를 자동 수집한다.
2. 기상청 단기예보 데이터를 자동 수집한다.
3. 수집 데이터는 MongoDB에 저장된다.
4. NiFi가 데이터를 1시간 단위로 전처리한다.
5. 관리자는 Web Console에서 학습 조건을 설정한다.
6. LightGBM 모델을 학습하고 성능을 비교한다.
7. 최적 모델을 운영 모델로 선정한다.
8. 매일 오전 8시 익일 발전량을 예측한다.
9. 예측 결과를 SMP 및 한전 전력 판매 의사결정에 활용한다.
10. 예측 결과와 실제 발전량을 비교하여 모델을 지속 개선한다.

5. 운영 프레임워크

운영 구분실행 주기주요 내용

인버터 데이터 수집

1분 단위

발전 현장 실시간 데이터 수집

기상 데이터 수집

1일 1회

기상청 단기예보 데이터 수집

데이터 전처리

1시간 단위

발전·기상 데이터 시간축 정합

AI 예측 실행

매일 08:00

익일 발전량 예측

거래 활용

예측 후

SMP 및 한전 판매 의사결정

모델 개선

필요 시 / 주기적

예측 오차 분석 후 재학습

6. 기술 프레임워크

기술 요소역할

RTU

태양광 발전 현장의 인버터 데이터 수집

TLS

발전 데이터 전송 구간 암호화

Kafka

실시간 데이터 최초 수신

Apache NiFi

데이터 수집, 전처리, 적재, 예측 실행 자동화

MongoDB

인버터·기상·학습·예측 데이터 저장

LightGBM

익일 발전량 예측 AI 모델

Web Console

학습 조건 설정, 모델 관리, 운영 모델 선정

SMP / 한전 판매

예측 결과 기반 전력 거래 의사결정

7. 데이터 프레임워크

데이터 구분수집 주기주요 항목활용 목적

인버터 데이터

1분

발전량, 운전 상태, 발전소 데이터

발전 실적 분석 및 모델 학습

기상 데이터

1시간

일사량, 기온, 습도, 풍속

발전량 예측 입력 변수

전처리 데이터

1시간

시간 정합 데이터, 결측 처리 데이터

AI 학습 데이터 구성

학습 데이터

필요 시

발전량 + 기상 피처

LightGBM 모델 학습

예측 데이터

매일 1회

익일 시간대별 발전량

SMP 및 한전 판매 의사결정

실적 비교 데이터

예측 후

예측 발전량, 실제 발전량, 오차율

모델 성능 개선

8. AI 모델 프레임워크

PV-EMS의 AI 모델은 발전 이력 데이터와 기상 예보 데이터를 기반으로 익일 발전량을 예측하는 회귀 모델 구조로 운영된다.

입력 데이터

1. 과거 발전량
2. 일사량
3. 기온
4. 습도
5. 풍속
6. 시간대 정보
7. 발전소 정보

처리 방식

1. 데이터 정합
2. 결측·이상치 처리
3. 피처 생성
4. LightGBM 모델 학습
5. 모델 성능 평가
6. 운영 모델 선정

출력 데이터

1. 익일 발전량 예측값
2. 시간대별 발전량 예측값
3. 발전소별 예측 결과
4. 예측 오차 분석 결과

9. 관리자 사용 프레임워크

관리자는 Web Console을 통해 AI 모델 학습과 운영 모델 관리를 수행한다.

주요 기능은 다음과 같다.

1. 발전소별 데이터 조회
2. 학습 기간 설정
3. 학습 데이터 범위 설정
4. Train / Validation / Test 분할
5. 하이퍼파라미터 설정
6. 모델 학습 실행
7. 모델 성능 비교
8. 운영 모델 선정
9. 예측 결과 조회
10. 예측 오차 모니터링

10. 최종 활용 프레임워크

REPLUS PV-EMS의 최종 활용 목적은 태양광 발전 사업자의 발전량 예측 정확도를 높이고, 전력 판매 의사결정의 신뢰성을 확보하는 것이다.

최종 활용 구조는 다음과 같다.

발전소 데이터 수집

→ AI 기반 익일 발전량 예측

→ SMP 거래량 산정

→ 한전 전력 판매 계획 수립

→ 예측 오차 관리

→ 발전 사업 수익성 개선

PV-EMS는 태양광 발전 운영 데이터를 기반으로 예측 중심의 발전소 운영 체계를 구현하며, 재생에너지 발전 사업의 수익성과 안정성을 높이는 AI 기반 에너지관리 솔루션이다.

5. 시스템 아키텍처

PV-EMS는 데이터 수집부터 예측 활용까지 End-to-End 데이터 파이프라인 구조로 구성됩니다.

5.1 수집 영역

1. 인버터 데이터: RTU를 통해 1분 단위 수집
2. 기상 데이터: 기상청 단기예보 데이터를 하루 1회 수집
3. 주요 기상 변수: 일사량, 기온, 습도, 풍속

5.2 전송 및 오케스트레이션 영역

1. TLS 기반 암호화 통신
2. Kafka를 통한 발전 현장 데이터 최초 수신
3. Apache NiFi를 통한 데이터 수집, 라우팅, 전처리, 예측 실행 자동화

5.3 저장 및 처리 영역

1. MongoDB에 인버터 및 기상 원천 데이터 저장
2. 1시간 단위 학습 포맷으로 데이터 정리
3. 결측·이상치 처리 및 피처 구성

5.4 AI 예측 및 활용 영역

1. LightGBM 기반 발전량 예측 모델
2. 웹 콘솔을 통한 학습 및 모델 관리
3. 매일 오전 8시 익일 발전량 예측
4. SMP 거래 및 한전 전력 판매 의사결정 지원

1. 일별 실제 발전량 vs 예측 발전량 차트

일별 실제 발전량 vs 예측 발전량

10일간 실제 발전량과 AI 예측 발전량의 비교 결과입니다.

2. 일별 예측 오차율 차트

일별 발전량 예측 오차율

실제 발전량 대비 예측 발전량의 오차율을 일자별로 비교한 결과입니다.

3. 익일 시간대별 발전량 예측 차트

익일 시간대별 발전량 예측

AI 모델이 예측한 다음날 시간대별 태양광 발전량입니다.