영농형 태양광 발전의 진단을 위한 지능형 예측 시스템
정설령*ㆍ박경욱**ㆍ이성근*†
Intelligent Prediction System for Diagnosis of Agricultural Photovoltaic Power Generation
Seol-Ryung Jung*ㆍKyoung-Wook Park**ㆍSung-Keun Lee*†
요 약
영농형 태양광 발전은 농지 상부에 태양광 발전 설비를 설치하는 방식으로 농작물과 전기를 동시에 생산함 으로써 농가 소득을 증대시키는 새로운 모델이다. 최근 영농형 태양광 발전을 활용하는 다양한 시도들이 이루 어지고 있다. 영농형 태양광 발전은 기존의 태양광 발전과는 달리 비교적 높은 구조물 상부에 설치하게 되므 로 유지 보수가 상대적으로 어렵다는 단점이 있다. 이러한 문제를 해결하기 위해 지능적이고 효율적인 운용 및 진단 기능이 요구된다. 본 논문에서는 영농형 태양광 발전 설비의 전력 생산량을 수집, 저장하여 지능적인 예측 모델을 구현하기 위한 예측 및 진단 시스템의 설계 및 구현에 대해 논한다. 제안된 시스템은 태양광 발 전량과 환경 센서 데이터를 기반으로 발전량을 예측하여 설비의 이상 유무를 판별하며 설비의 노화 정도를 산 출하여 사용자에게 제공한다.
ABSTRACT
Agricultural Photovoltaic power generation is a new model that installs solar power generation facilities on top of farmland. Through this, it is possible to increase farm household income by producing crops and electricity at the same time. Recently, various attempts have been made to utilize agricultural solar power generation. Agricultural photovoltaic power generation has a disadvantage in that maintenance is relatively difficult because it is installed on a relatively high structure unlike conventional photovoltaic power generation. To solve these problems, intelligent and efficient operation and diagnostic functions are required. In this paper, we discuss the design and implementation of a prediction and diagnosis system to collect and store the power output of agricultural solar power generation facilities and implement an intelligent prediction model. The proposed system predicts the amount of power generation based on the amount of solar power generation and environmental sensor data, determines whether there is an abnormality in the facility, calculates the aging degree of the facility and provides it to the user.
키워드
Photovoltaic Power Generation, Power Generation Prediction, Intelligent O&M, Machine Learning Based Prediction Algorithms
영농형 태양광 발전, 발전량 예측 및 진단, 지능형 태양광 운영 및 진단, 기계학습 기반 예측 알고리즘
* 순천대학교 멀티미디어공학과([email protected])
** 전남대학교 문화컨텐츠학부([email protected])
†교신저자 : 순천대학교 멀티미디어공학과 ㆍ접 수 일 : 2021. 08. 27
ㆍ수정완료일 : 2021. 09. 21 ㆍ게재확정일 : 2021. 10. 17
ㆍReceived : Aug. 27, 2021, Revised : Sep. 21, 2021, Accepted : Oct. 17, 2021 ㆍCorresponding Author : Sung-Keun Lee
Dept. Multimedia Eng., Sunchon National University, Email : [email protected]
http://dx.doi.org/10.13067/JKIECS.2021.16.5.859
Ⅰ. 서 론
최근 기후 변화로 인한 많은 재해를 예방하기 위하 여 전통적인 화석 연료 대신 친환경적 재생 에너지로 대체하려는 전 세계적인 노력이 진행되고 있다. 따라 서 태양광, 풍력 및 지열 에너지 등 재생 에너지 자원 은 친환경 에너지 발전의 중요성을 강조하는 수많은 글로벌 협약에 의해 주목을 받고 있다[1-2]. 특히, 태 양 에너지를 활용하는 태양광 발전에 대한 관심이 크 게 증대되고 있다. 태양광 발전은 태양 전지판을 이용 해 햇빛을 전기로 변화하는 발전 방식으로 다양한 분 야에 적용되고 있다. 특히 발전소를 구축하는 데 드는 초기 설치비용 외에는 별도의 가동 비용이 크게 필요 하지 않기 때문에 태양광 발전 시스템은 매우 매력적 인 접근방법으로 여겨진다. 태양광 발전은 스마트 시 티의 에너지 인프라의 핵심적인 역할을 할 것으로 기 대되고, 스마트 시티의 다양한 산업적 응용을 위해 태 양광 발전 예측 모델이 다양하게 연구되고 있다[3-4].
영농형 태양광 발전은 농지 상부에 태양광 발전 설비 를 설치하는 방식으로 농작물과 전기를 동시에 생산 함으로써 농가 소득을 증대시키는 새로운 모델이다.
최근 영농형 태양광 발전을 활용하는 다양한 시도들 이 이루어지고 있다. 시설 원예 분야에서도 스마트 팜 과 연계한 신재생에너지로 태양광을 활용하는 시스템 이 개발되고 있다. 해외 농업 선진국에서 태양광 발전 과 시설 원예를 결합한 다양한 형태의 실험들이 진행 되고 있다[5]. 온실의 천창을 태양광 패널로 대체하여 전기를 생산하여 온실 운영 전력으로 활용하는 방안 이 일반적이다. 이 경우는 관람용 온실이나 충분한 빛 의 양을 필요로 하지 않는 음지식물, 엽채류의 생산 온실에 주로 활용된다. 호광성 식물인 토마토, 파프리 카, 장미 등의 작물에는 천창을 이용한 태양광 패널의 설치는 작물 생장에 나쁜 영향을 미칠 수 있으므로 시설 하우스의 배후지에 태양광 발전용 부지가 별도 로 마련되거나 서비스 동의 지붕에 설치하여 운영하 는 방안이 제시되었다. 안정적인 전력 공급이 요구되 는 상황에서는 계통 연계형 태양광 발전 시스템을 적 용한다. 이러한 계통 연계형 태양광 발전시스템은 기 후 조건에 따라 발전량을 예측하는 것이 중요하며, 태 양광 발전 시스템의 정상 동작 여부를 판단하는 진단 시스템이 매우 중요하다. 태양광 발전 시설은 장기간
운용이 보장되어야 하며, 이 과정에서 발전 효율 저하 를 막고, 고장 진단 및 부품 교체 등의 사안에 대해 빠른 대응이 필요하다. 특히, 태양광 시장에서 모듈 가격이 하락하고 있는 상황에서 시스템을 유지보수하 기 위한 비용이 상대적으로 증가하는 추세이므로, 지 능적이고 효율적인 운용 및 진단(O&M : Operation
& Maintenance) 기능의 중요성이 크게 부가되고 있 다. 영농형 태양광 발전은 기존의 태양광 발전과는 달 리 비교적 높은 구조물 상부에 설치하게 되므로 유지 보수가 상대적으로 어렵다는 단점이 있다. 이러한 문 제를 해결하기 위해 지능적이고 효율적인 운용 및 진 단 기능이 요구된다. 본 논문에서는 영농형 태양광 발 전 설비의 전력 생산량을 수집, 저장하여 지능적인 예 측 모델을 구현하기 위한 예측 및 진단 시스템의 설 계 및 구현에 대해 논한다. 제안된 시스템은 태양광 발전량과 환경 센서 데이터를 기반으로 발전량을 예 측하여 설비의 이상 유무를 판별하며 설비의 노화 정 도를 산출하여 사용자에게 제공한다. 영농형 태양광 발전 모듈들의 발전량 데이터와 환경 정보를 지속적 으로 수집, 저장하여 기계학습 기반의 예측 모델을 구 현하기 위한 예측 및 진단 시스템 설계에 대해 연구 한다. 발전량 예측을 위하여 수집된 PV 모듈 발전량 및 환경 센서 데이터와의 연관 관계를 추종하는 알고 리즘을 설계하였다. 환경 데이터는 일사량, 모듈 온도, 패널 오염도를 고려하였다. 본 논문의 구성은 다음과 같다. 2장에서는 관련 연구에 대해 분석하고, 3장에서 는 태양광 발전 예측 시스템 구성 및 설계에 다루고, 4장에서는 본 예측 알고리즘 및 결과 분석에 대해 나 타내고, 5장에서 결론을 맺는다.
Ⅱ. 관련 연구
태양광 발전은 태양광 패널을 이용하여 햇빛을 전 기로 변환하는 발전 방식으로서 금속이 빛을 받으면 전자의 이동을 발생시키는 광전효과를 이용하여 전기 를 생성한다. 솔라 패널은 반도체로 구성되어 빛을 받 으면 태양광 에너지를 흡수함으로써 전자의 에너지 상태가 변하게 되어, 자유 전자가 되어 이동하게 되 고, 전류가 흐르게 된다. 태양광 발전은 일조량이 클 수록 전기 생산량이 증가하기 때문에 사막이나 일조
시간이 긴 적도 지역이 적합하다. 태양광 발전은 온도 가 섭씨 25 도 이상이면 발전 효율이 낮아진다. 따라 서 여름은 낮이 길어 일조량이 봄보다 많지만, 온도가 높기 때문에 효율은 봄보다 낮아진다. 우리나라의 경 우는 최적의 상태는 아니지만 상당한 발전 효율을 나 타낼 수 있는 기후 조건을 갖추고 있다.
태양광 발전은 20년 이상의 장기적 사업으로 운용 상의 문제 발생 이전에 사전 예방관리를 통해 안정적 이고 효율적인 운용을 도모할 수 있도록 O&M 기능 이 매우 중요하다. 태양광 발전 시스템의 고장률을 분 석한 보고서에 따르면, 과거에는 인버터 시스템의 고 장이 빈번하였으나, 최근에는 DC 계통의 연결 커넥 터, 모듈의 정션 박스 연결부위 등에 대한 고장, 모듈 의 바이패스 다이오드 고장 등의 빈도가 증가하는 것 으로 분석된다. 일반적으로 태양광 모듈에 입사하는 일사량과 발전 시스템으로부터 생산되는 에너지의 양 을 실시간으로 측정하고 비교함으로써 태양광 발전시 스템의 동작 상태를 점검하는 것이 가능하다. 상당수 의 가정용・상업용 태양광 발전시스템은 고가의 일사 량 측정 장비를 적용하지 않고, 발전량만 측정하기에 시스템의 진단이 불가능하므로 태양광 발전시스템의 고장 확률이 높아져 O&M 비용 증가를 초래하게 된 다. 국내 태양광 O&M 시스템은 대부분 인버터의 입 출력 전압, 변환효율 체크, 어레이/스트링별 접속반 저항 확인, 배전반 내 트랜스 과열 점검, 이상 모듈 검출, 부품 교체, 모듈에 쌓인 먼지 제거, 하부 제초작 업 등의 태양광 발전소 관리에 주력하고 있다. 또한 모니터링, 모듈 전지 자동 세척, 드론과 IR 카메라를 활용한 이상 모듈 검출, 기상정보, 실시간 발전량 등 데이터를 바탕으로 빅 데이터와 인공지능 기술 중심 으로 효율적인 O&M 알고리즘에 대한 연구가 진행 중에 있다. 태양광 발전 모니터링 시스템은 과거에는 단순 계측을 통한 확인이 주요 목적이었으나, 최근에 는 예측된 발전량과 실측된 발전량의 차이를 분석하 여 시스템의 손실분석, 진단 등의 기능을 부여한 인공 지능을 활용한 지능적 시스템으로 진화되고 있다[6].
태양광 발전 예측은 태양 램핑과 같은 불규칙한 기 상 요인에 의해 영향을 받는다[7]. 이러한 기상 인자 는 이전의 확률론적 접근방식으로 모델링하기 어려우 며, 따라서 발전량의 변동을 유발하여 예측 모델을 더 욱 어렵게 만든다. 태양광 발전 예측 모델에 관한 연
구 방향은 직접 및 간접 접근법을 포함한다. 직접적인 접근방식은 발전된 전력의 이력을 활용하여 발전량을 추정하는 방법이다. 간접 접근법은 태양광 발전에 관 련된 기상 데이터를 추정한 다음 이를 통해 발전량을 근사 예측한다[8]. 직접 접근법은 순차적 공간/시간 정보를 위한 발전 데이터 또는 발전 데이터 이력을 포함한 입력 데이터를 분석하여 태양광 출력을 예측 한다[9][10]. 이와 반대로 간접 접근법은 일사량을 예 측한 후 예측된 일사량으로 예상 태양광 발전량을 예 측하여 PV 발전에 가장 큰 영향을 미친다. 또한, 시 간별, 일별, 월별 태양광 조사도 예측 모델이 제안되 며, 선형 최소 제곱법, 고전적 역전파 ANN 및 LSTM을 포함한 다양한 예측 모델을 적용하는 연구 가 수행된다[11].
Ⅲ. 태양광 발전 예측 시스템 설계
3.1 시스템 구성
본 논문에서 설계한 태양광 발전 예측 시스템의 전 체 구성도는 그림1에 나타내었다. 전체 시스템은 발전 소 정보 수집 시스템과 발전소 운영 및 관리 서버로 구성되며, 이들 간의 정보 전송을 인터넷을 통해 정보 전송이 이루어진다[12].
그림 1. 태양광 발전 예측 시스템 구성도 Fig. 1 Solar power generation prediction system 발전량 정보 수집모듈은 태양광 패널에서 생산된 전기가 인버터로 들어올 때 각 스트링별 전압, 전류값
을 센싱하여 저장하여, 네트워크 접속 모듈을 통해 관 리 서버로 전송한다. 환경 정보 수집 모듈은 일사량, 모듈 온도, 먼지 오염도 등의 데이터를 수집하여 관리 서버로 전달한다. 관리 서버는 스트링 데이터 수집 모 듈, 환경 센서 데이터 수집 모듈, 운영 및 관리 모듈 로 구성된다. 스트링과 환경 센서 수집 모듈로부터 수 집된 데이터를 주기적으로 저장하여 이들 데이터 간 의 시계열 정보를 분석하여 발전량 예측 및 운용 진 단에 활용한다. 스트링 데이터 스키마는 PV 패널 모 듈들에서 인버터로 들어오는 각 스트링별 전압, 전류 값을 저장하고, 환경 센터 데이터 스키마는 과거와 현 재의 PV 패널 출력 전력을 비교할 때 동일한 환경의 값을 비교, 분석할 수 있도록 일사량, 온도 및 풍속 정보 등을 저장, 관리한다. 먼지 센서 데이터 스키마 는 PV 패널에 쌓인 먼지로 인한 일사량 값을 보정하 기 위한 먼지 오염도 값을 저장하도록 구성된다.
3.2 발전량 예측 시스템의 하드웨어 모듈 설계 본 논문에서 제안한 태양광 발전 예측 시스템의 하 드웨어 모듈의 구성도는 그림2에 나타내었다. 센서 데 이터 수집 모듈은 발전량 예측 알고리즘의 파라미터 값을 도출하기 위한 샘플 데이터를 수집하여 데이터 로거로 전송한다. 데이터 로거 시스템은 발전량 예측 알고리즘의 파라미터를 도출하기 위해 이상적인 태양 광 패널의 출력 전력 값과 이때의 환경 데이터를 저 장하고 관리하는 역할을 수행한다. 아날로그 신호로 들어오는 전압과 전류 센서 값은 16bit 분해능을 가지 는 ADC(: Analog to Digital Converter)로 변환하여 값을 처리하여 매우 높은 정밀도로 저장한다.
그림 2. 데이터 수집 하드웨어 구성도 Fig. 2 Hardware diagram for data collection
3.3. 발전량 예측 및 진단 소프트웨어 모듈 설계 그림 3에 나타낸 바와 같이 발전량 예측 및 진단을 위한 소프트웨어 모듈은 네 개의 레이어로 구성된다.
센서 데이터 수집 레이어는 300W 태양광 패널 발 전 데이터(전압, 전류, 전력), 환경 센서(수평/경사 일 사량, 모듈/외기 온도), 먼지 센서(패널 오염도) 데이 터를 수집하여 RS485 통신으로 데이터 로거에 전달 한다. 데이터 관리 레이어는 발전량 예측 알고리즘에 사용될 태양광 패널 발전 데이터, 환경 센서 데이터, 먼지 오염도 데이터를 데이터베이스에 저장하는 역할 을 수행한다. 발전량 예측 레이어의 역할은 데이터 로 거에 저장된 데이터들을 분석하여 예측 발전량 알고 리즘 파라미터를 도출한다. 발전량 예측 모니터링 레 이어는 태양광 발전소의 설비 용량 및 환경 센서 데 이터를 기반으로 예측 발전량을 산출하여, 실제 발전 량과 비교하여 발전 효율을 사용자에게 제공한다.
그림 3. 예측 및 진단 소프트웨어 모듈 Fig. 3 Software diagram for prediction and diagnostic
Ⅳ. 발전량 예측 알고리즘 및 예측 결과
발전량 예측을 위하여 수집된 PV 모듈 발전량 및 환경 센서 데이터와의 연관 관계를 추종하는 알고리 즘을 설계하였다. 환경 데이터는 일사량, 모듈 온도, 패널 오염도를 고려하였다. 예측 발전량 산출은 최근 1년간 수집한 PV 패널의 발전량과 환경 센서 데이터 를 기반으로 회귀분석 방법을 통해 관계식을 추출하
였다. 태양광 발전량의 효율은 일사량과 온도에 따라 달라지므로 이를 고려한 예측 발전량을 구하는 알고 리즘을 그림 4에 나타내었다.
Power generation prediction algorithm 1: Dataset extraction for 300kw PV wattage(P) as a
function of temperature for the same insolation(I).
2: Data extraction by dividing into 4 groups by season by reflecting seasonal factors
3: Calibration of 300kw PV power in consideration of dust pollution
correctedPower = samplePower / dustRate 4: Analyze the value of predicted power generation
according to temperature and solar radiation through regression analysis between temperature and correctedPower dataset
×
×
: predicted power generation : current insolation
: collected insolation : collected power generatio
5: Calculation of predicted power generation reflecting dust pollution
= correctedPower ×
6: Normalized to PV of 1KW = / 300
7: Calculation of power generation efficiency using information collected from solar inverters. Efficiency calculation by reflecting different output values for each season.
= / × 100
그림 4. 환경 데이터에 따른 발전량 예측 알고리즘 Fig. 4 Power generation prediction algorithm according
to environmental data
그림 4의 제안한 알고리즘에 따라 계절별 일사량, 모듈 온도, 오염도를 고려한 환경 정보와 실제 측정된 발전량의 데이터 관계를 그림 5에 나타내었다. X축은 일사량, Y축은 단위 평방 미터당 전력량을 의미하며
사계절 모두 비슷한 추이를 나타낸 것으로 분석된다.
태양광발전 패널의 효율성과 인버터 고장 예측을 위 해서 PV 입력전력과 인버터 출력 전력을 비교하여 인버터의 전력 변환효율을 산출하고 장시간 추이를 분석하였다. PV 입력전력에 따라 인버터의 전력 변환 효율이 달라지므로 1년간 누적된 인버터 데이터를 토 대로 예측 전력 변환 효율을 계산함으로써 인버터의 고장을 예측할 수 있다.
(a) Spring (b) Summer
(c) Fall (d) Winter 그림 5. 정규화된 PV 모듈 출력 패턴 Fig. 5 Normalized PV module output pattern
Ⅳ. 결 론
태양광 발전 시설은 장기간 운용이 보장되어야 하 며, 이 과정에서 발전 효율 저하를 막고, 고장 진단 및 부품 교체 등의 사안에 대해 빠른 대응이 필요하 다. 본 논문은 시설하우스에 설치된 태양광 발전 모듈 들의 발전량 데이터를 지속적으로 수집, 저장하여 지 능적인 예측 모델을 구현하기 위한 예측 및 진단 시 스템을 설계하였다. 전체 시스템은 발전소 정보 수집 시스템과 발전소 운영 및 관리 서버로 구성된다. 발전 량 예측을 위하여 수집된 PV 모듈 발전량 및 환경 센서 데이터와의 연관 관계를 추정하는 알고리즘을 설계하였다. 환경 데이터는 일사량, 모듈 온도, 패널 오염도를 고려하였으며, 예측 발전량 산출은 최근 1년 간 수집한 PV 패널의 발전량과 환경 센서 데이터를 기반으로 일차적으로 회귀분석 방법을 통해 관계식을 추출하였다. 현재, 수집된 정보를 바탕으로 발전량 예 측을 위한 추가적인 기계 학습 알고리즘을 개발 중에
있으며, 이를 통해 태양광 발전 예측뿐만 아니라 고장 진단에도 활용될 수 있다.
감사의 글
“본 연구는 과학기술정보통신부 및 정보통신 기획평가원의 지역지능화혁신인재양성(Grand ICT연구센터) 사업의 연구결과로 수행되었음”
(IITP-2021-2020-0-01489)
References
[1] S. Bracco, M. Brignone, F. Delfino, and R.
Procopio, “An energy man-agement system for the savona campus smart polygeneration microgrid,” IEEE Syst. J., vol. 11, no. 3, 2017, pp. 1799-1809.
[2] L. Oneto, F. Laureri, M. Robba, F. Delfino, and D. Anguita, “Data-driven photovoltaic power production nowcasting and forecasting for polygener- ation microgrids,” IEEE Syst. J., vol. 12, no. 3, Sept. 2018, pp. 2842-2853.
[3] M. Ceci, R. Corizzo, F. Fumarola, D. Malerba, and A. Rashkovska, “Predictive modeling of PV energy production: How to set up the learning task for a better prediction?” IEEE Trans. Ind. Informat., vol. 13, no. 3, 2016, pp.
956-966.
[4] D. Van Der Meer, G. R. C. Mouli, G. M. E.
Mouli, L. R. Elizondo, and P. Bauer, “Energy management system with PV power forecast to optimally charge EVs at the workplace,”
IEEE Trans. Ind. Infomat., vol. 14, no. 1, 2016, pp. 311-320.
[5] S. Yun, Y. Kim, and S. Lee, “A Case Study on the Introduction of Solar Sharing in Major Countries,” in Proc. Korean society for new and renewable energy Conf., Apr. 2018, pp. 157-157.
[6] U. K. Das, “Forecasting of photovoltaic power generation and model optimization: A review, Renewable Sustain,“ Energy Rev., vol.
81, no. 1, 2018, pp. 912-928.
[7] A. Florita, B. M. Hodge, and K. Orwig,
“Identifying wind and solar ramping events,”
in Proc. IEEE Green Technol. Conf., Apr. 2013,
pp. 147-152.
[8] J. Joo, J. Oh, K. Park, and Y. Lee, “Development of a System-Independent Mobile Smart Shelter using Solar Energy,” J. of the Korea Institute of Electronic Communication Sciences, vol. 15, no. 6, 2020, pp. 1061-1068.
[9] F. Golestaneh, P. Pinson, and H. B. Gooi,
“Very short-term nonpara metric probabilistic forecasting of renewable energy generation—
With application to solar energy,” IEEE Trans.
Power Syst., vol. 31, no. 5, 2016, pp.
3850-3863.
[10] K. Park, K. Ban, S. Song, and E. Kim,
“Cloud-based Intelligent Management System for Photovoltaic Power Plants,“ J. of the Korea Institute of Electronic Communication Sciences, vol. 7, no. 3, 2012, pp. 591-596.
[11] D. Kim, D. Kwon, L. Park, J. Kim, and S.
Cho, "Multiscale LSTM-Based Deep Learning for Very short Term Photovoltaic Power Generation Forecasting in Smart City Energy Management," in IEEE Systems Journal, vol.
15, no. 1, 2021, pp. 346-354.
[12] S. Lee, “Design and Application of LoRa-based Network Protocol in IoT Networks,” J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 6, 2019, pp. 1089-1096.
저자 소개
정설령(Seol-Ryung Jung) 2020년 : 순천대학교 컴퓨터공학과 (공학사)
2020년 3월 ~ 현재 : 순천대학교 대학원 멀티미디어공학과 (석사과정)
※ 관심분야 : AI 응용, 심층강화학습, 스마트 농업
박경욱(Kyoung-Wook Park)
1999년 8월 : 전남대학교 전산통 계학과 (이학석사)
2004년 8월 : 전남대학교 전산학 과 (이학박사)
1997년 ~ 현재 전남대학교 문화컨텐츠학부
※ 관심분야 : IoT 기반 제어 시스템, 병렬 및 분산 처리, 알고리즘, 태양광 O&M
이성근(Sung-Keun Lee)
1985년 고려대학교 전자공학과 졸 업(공학사)
1987년 고려대학교 대학원 전자공 학과 졸업(공학석사)
1995년 고려대학교 대학원 전자공학과 졸업(공학 박사)
1987년 ~ 1992년 : 삼성전자 정보통신연구소 1996년 ~ 1997년 : 삼성전자 네트워크 연구팀
2017년 ~ 2018년 : Georgia Institute of Technology ECE 방문교수
1997년 ~ 현재 순천대학교 멀티미디어공학과 교수
※ 관심분야 : 심층강화학습 기반 QoS 보장 기술, AI 기반 태양광 예측 시스템, 스마트 농업, 멀티미디어 통신
