KR102014339B1 - 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치 - Google Patents

머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치 Download PDF

Info

Publication number
KR102014339B1
KR102014339B1 KR1020190022473A KR20190022473A KR102014339B1 KR 102014339 B1 KR102014339 B1 KR 102014339B1 KR 1020190022473 A KR1020190022473 A KR 1020190022473A KR 20190022473 A KR20190022473 A KR 20190022473A KR 102014339 B1 KR102014339 B1 KR 102014339B1
Authority
KR
South Korea
Prior art keywords
input
generating
output
solar radiation
vector
Prior art date
Application number
KR1020190022473A
Other languages
English (en)
Inventor
남기선
Original Assignee
포스컨트롤 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 포스컨트롤 주식회사 filed Critical 포스컨트롤 주식회사
Priority to KR1020190022473A priority Critical patent/KR102014339B1/ko
Application granted granted Critical
Publication of KR102014339B1 publication Critical patent/KR102014339B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치가 개시된다. 일실시예에 따른 태양광 발전 시스템의 이상 감지 장치는 태양광 발전 장치가 설치되는 타겟 지역의 기상 정보를 획득하고, 기상 정보에 기초하여, 일사량이 존재하는 시간대의 데이터를 추출하고, 추출된 데이터로부터 제1 입력 벡터를 생성하고, 트레이닝 기상 정보로부터 일사량을 예측하도록 기 학습된 제1 뉴럴 네트워크로 제1 입력 벡터를 적용하여, 제1 출력 벡터를 생성하고 제1 출력 벡터에 기초하여 예측 일사량을 생성하고, 타겟 지역의 감지 모듈로부터 획득한 측정 일사량에 기초하여, 예측 일사량을 보정하고, 보정된 예측 일사량 및 태양광 발전 장치의 사양 정보에 기초하여 태양광 발전 장치의 상태를 모니터링할 수 있다.

Description

머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치{METHOD AND APPARATUS FOR DETECTING SOLAR POWER SYSTEM ABNORMALITY USING MACHINE LEARNING}
아래 실시예들은 머신러닝을 이용하여 태양광 발전 시스템의 이상을 감지하는 기술에 관한 것이다.
탄소를 배출하는 전통적인 에너지원에서 친환경적이고 재생 가능한 에너지원의 필요가 커지고 있다. 태양광 발전 기술도 점차 고도화되고 있다. 에너지 효율 및 폐기물 처리 문제는 재료 및 소재 기술로 점차 개선되고 있고, 태양광 발전의 수익성도 커지고 있다.
태양광 발전소의 관리 시스템의 개발도 활발하다. 머신러닝을 이용하여 태양광 발전소의 상태 및 발전량을 안정적으로 점검 및 관리하고, 에너지 효율과 수익성을 높이기 위한 기술이 요구된다.
대한민국 등록특허공보 10-1635450 대한민국 등록특허공보 10-1856320 대한민국 등록특허공보 10-1499761
실시예들은 태양광 발전 시스템의 발전량을 머신러닝 기술로 정확하게 예측하고자 한다.
실시예들은 태양광 발전 시스템을 구성하는 장치의 사양에 따라 차별적으로 상태 정보를 모니터링하여, 효율적인 관리를 도모하고자 한다.
실시예들은 태양광 발전 시스템의 이상 감지에 적합한 뉴럴 네트워크를 설계하고자 한다.
일실시예에 따른 머신러닝 기반 태양광 발전 시스템의 이상 감지 방법은 태양광 발전 장치가 설치되는 타겟 지역의 기상 정보를 획득하는 단계; 상기 기상 정보에 기초하여, 일사량이 존재하는 시간대의 데이터를 추출하는 단계; 상기 추출된 데이터로부터 제1 입력 벡터를 생성하는 단계; 트레이닝 기상 정보로부터 일사량을 예측하도록 기 학습된 제1 뉴럴 네트워크로 상기 제1 입력 벡터를 적용하여, 제1 출력 벡터를 생성하는 단계; 상기 제1 출력 벡터에 기초하여 예측 일사량을 생성하는 단계; 상기 타겟 지역의 감지 모듈로부터 획득한 측정 일사량에 기초하여, 상기 예측 일사량을 보정하는 단계; 및 상기 보정된 예측 일사량 및 상기 태양광 발전 장치의 사양 정보에 기초하여 상기 태양광 발전 장치의 상태를 모니터링하는 단계를 포함한다.
일실시예에 따르면, 상기 모니터링하는 단계는 상기 보정된 예측 일사량 및 상기 태양광 발전 장치의 상기 사양 정보에 기초하여 제2 입력 벡터를 생성하는 단계; 트레이닝 일사량과 트레이닝 사양 정보로부터 발전량을 예측하도록 기 학습된 제2 뉴럴 네트워크로 상기 제2 입력 벡터를 적용하여, 제2 출력 벡터를 생성하는 단계; 상기 제2 출력 벡터에 기초하여 상기 태양광 발전 장치의 예측 발전량을 생성하는 단계; 및 상기 예측 발전량에 기초하여 상기 태양광 발전 장치의 상태를 모니터링하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 기상 정보는 기압, 기온, 풍향, 풍속, 상대습도, 강수량, 강수유무, 일조시간, 지면온도, 초상온도 및 지중온도 중 적어도 하나를 포함하고, 상기 제1 뉴럴 네트워크의 제1 입력 레이어는 상기 기상 정보에 대응하고, 상기 제1 뉴럴 네트워크의 제1 출력 레이어의 노드들은 시간대 별 일사량들에 각각 대응하고, 상기 예측 일사량을 보정하는 단계는 상기 감지 모듈 내 일사량을 측정하는 모듈의 사양에 기초하여, 상기 측정 일사량의 가중치를 조정하고, 상기 조정된 가중치에 따라 상기 예측 일사량을 보정하는 단계를 포함하고, 상기 사양 정보는 상기 태양광 발전 장치의 전기적 특성, 온도 계수, 제품 크기, 보증 성능 및 인증 사항 중 적어도 하나를 포함하고, 상기 전기적 특성은 최대 출력, 최대 출력 동작 전류, 단락 전류, 최대 시스템 전압, 최대출력 동작 전압, 개방 전압, 모듈 효율 및 작동 온도 범위 중 적어도 하나를 포함하고, 상기 온도 계수는 최대출력 온도계수, 단락전류 온도계수 및 개방전압 온도계수 중 적어도 하나를 포함하고, 상기 제품 크기는 너비, 높이, 깊이, 셀 개수, 셀 타입, 모듈 치수, 후면 하중, 전면 하중 및 모듈 무게 중 적어도 하나를 포함하고, 상기 보증 성능은 모듈의 보증 수명 및 보증 출력 중 적어도 하나를 포함하고, 상기 인증 사항은 국내 또는 국제 인증 기관의 인증 결과를 포함하고, 상기 태양광 발전 장치의 상기 상태를 모니터링하는 단계는 상기 감지 모듈로부터, 상기 태양광 발전 장치의 실제 발전량을 획득하는 단계; 상기 실제 발전량, 상기 예측 발전량 및 상기 사양 정보에 기초하여, 제3 입력 벡터를 생성하는 단계; 트레이닝 실제 발전량, 트레이닝 예측 발전량 및 트레이닝 사양 정보로부터 태양광 발전 장치 상태를 예측하도록 기 학습된 제3 뉴럴 네트워크로 상기 제3 입력 벡터를 적용하여, 제3 출력 벡터를 생성하는 단계; 상기 제3 출력 벡터에 기초하여 상기 태양광 발전 장치의 상기 상태를 생성하는 단계; 및 상기 상태에 기초하여, 상기 사양 정보에 대응하는 제어 정보를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 제2 입력 벡터를 생성하는 단계는 상기 보정된 예측 일사량에 기초하여, 상기 제2 뉴럴 네트워크의 제2 입력 레이어 내 제1 그룹에 포함된 제1 입력 노드들-상기 제1 입력 노드들은 시간대 별 일사량들에 각각 대응함-에 대응하는 제1 입력 노드 값들을 생성하는 단계; 상기 태양광 발전 장치의 상기 사양 정보에 기초하여, 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어 내 제2 그룹에 포함된 적어도 하나의 제2 입력 노드-상기 제2 입력 노드는 상기 사양 정보의 상기 전기적 특성, 상기 온도 계수, 상기 제품 크기, 상기 보증 성능 및 상기 인증 사항 중 적어도 하나에 대응함-에 대응하는 제2 입력 노드 값들을 생성하는 단계; 및 상기 제1 입력 노드 값들 및 상기 제2 입력 노드 값들에 기초하여, 상기 제2 입력 벡터를 생성하는 단계를 포함하고, 상기 제2 출력 벡터를 생성하는 단계는 상기 제1 입력 노드 값들을 상기 제1 입력 노드들로 적용하는 단계; 상기 제2 입력 노드 값들을 상기 제2 입력 노드들로 적용하는 단계; 상기 제2 뉴럴 네트워크의 제2 출력 레이어 내 포함된 제2 출력 노드들-상기 제2 출력 노드들은 시간대 별 예측 발전량들에 각각 대응함-로부터 제2 출력 노드 값들을 생성하는 단계; 및 상기 제2 출력 노드 값들에 기초하여, 상기 제2 출력 벡터를 생성하는 단계를 포함하고, 상기 제3 입력 벡터를 생성하는 단계는 상기 실제 발전량에 기초하여, 상기 제3 뉴럴 네트워크의 제3 입력 레이어 내 제3 그룹에 포함된 제3 입력 노드들-상기 제3 입력 노드들은 시간대 별 실제 발전량들에 각각 대응함-에 대응하는 제3 입력 노드 값들을 생성하는 단계; 상기 예측 발전량에 기초하여, 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어 내 제4 그룹에 포함된 제4 입력 노드들-상기 제4 입력 노드들은 시간대 별 예측 발전량들에 각각 대응함-에 대응하는 제4 입력 노드 값들을 생성하는 단계; 상기 사양 정보에 기초하여, 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어 내 제5 그룹에 포함된 적어도 하나의 제5 입력 노드-상기 제5 입력 노드는 상기 사양 정보의 상기 전기적 특성, 상기 온도 계수, 상기 제품 크기, 상기 보증 성능 및 상기 인증 사항 중 적어도 하나에 대응함-에 대응하는 제5 입력 노드 값들을 생성하는 단계; 및 상기 제3 입력 노드 값들, 상기 제4 입력 노드 값들 및 상기 제5 입력 노드 값들에 기초하여, 상기 제3 입력 벡터를 생성하는 단계를 포함하고, 상기 제3 출력 벡터를 생성하는 단계는 상기 제3 입력 노드 값들을 상기 제3 입력 노드들로 적용하는 단계; 상기 제4 입력 노드 값들을 상기 제4 입력 노드들로 적용하는 단계; 상기 제5 입력 노드 값들을 상기 제5 입력 노드들로 적용하는 단계; 상기 제3 뉴럴 네트워크의 제3 출력 레이어 내 포함된 제3 출력 노드들-상기 제3 출력 노드들은 상기 태양광 발전 장치의 적어도 하나의 상태 및 상기 사양 정보에 대응하는 상태에 대응함-로부터 제3 출력 노드 값들을 생성하는 단계; 및 상기 제3 출력 노드 값들에 기초하여, 상기 제3 출력 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 태양광 발전 시스템의 발전량을 머신러닝 기술로 정확하게 예측할 수 있다.
실시예들은 태양광 발전 시스템을 구성하는 장치의 사양에 따라 차별적으로 상태 정보를 모니터링하여, 효율적인 관리를 도모할 수 있다.
실시예들은 태양광 발전 시스템의 이상 감지에 적합한 뉴럴 네트워크를 제공할 수 있다.
도 1은 일실시예에 따른 머신러닝 기반 태양광 발전 시스템의 이상 감지 방법 설명하기 위한 도면이다.
도 2는 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 머신러닝 기반 태양광 발전 시스템의 이상 감지 방법 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 머신러닝 기반 태양광 발전 시스템의 이상 감지 장치(이하, 이상 감지 장치라 함)는 태양광 발전 장치가 설치되는 타겟 지역의 기상 정보를 획득할 수 있다(101). 이상 감지 장치는 태양광 발전 시스템의 이상을 머신러닝 기법을 통해 감지하는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다.
일실시예에 따르면, 이상 감지 장치는 기상 정보를 태양광 발전 장치가 설치되는 타겟 지역의 센서 모듈로부터 획득하거나 외부 서버로부터 획득할 수 있다. 예를 들어, 이상 감지 장치는 기상청 서버로부터 기상 정보를 획득할 수 있다.
일실시예에 따르면, 타겟 지역은 태양광 발전 장치가 설치될 예정이거나 설치된 지역일 수 있다. 이상 감지 장치는 태양광 발전 장치의 수익성과 설치의 타당성을 검토하기 위해, 타겟 지역의 기상 정보를 획득할 수 있다.
일실시예에 따르면, 이상 감지 장치는 태양광 발전소를 설치할 지역의 기상 정보를 머신 러닝 기술로 분석하고, 예상 발전량을 계산할 수 있다. 이상 감지 장치는 무선 IoT(Internet Of Thing) 전력량 감지 모듈에서 측정한 실제 발전량과 예측 발전량을 비교할 수 있다. 이상 감지 장치는 비교 결과에 기초하여, 태양광 발전 시스템의 이상 유무를 판정하고, 사용자 또는 서비스 엔지니어에게 제어 정보를 제공하여 모니터링 결과에 대한 대응을 유도할 수 있다.
일실시예에 따르면, 이상 감지 장치는 기상청에서 제공하는 기상 정보 API(Application Programming Interface) 데이터를 이용할 수 있다. 이상 감지 장치는 기상 정보 API를 이용하여, 타겟 지역의 기압, 기온, 풍향, 풍속, 상대습도, 강수량, 강수유무, 일조시간, 지면온도, 초상온도 및 지중온도를 획득하고, 데이터베이스에 저장할 수 있다.
일실시예에 따르면, 이상 감지 장치는 기상 정보에 기초하여 일사량이 존재하는 시간대의 데이터를 추출할 수 있다(102). 기상 정보는 결측치 및 이상치 등이 존재하므로, 기계 학습 알고리즘의 입력으로 사용하기엔 불완전할 수 있다. 이상 감지 장치는 기상 정보에서 일사량이 0에 가까운 밤시간 데이터는 제거하고, 예를 들어 9시부터 17시까지의 데이터를 추출할 수 있다. 일실시예에 따르면, 이상 감지 장치는 기상 정보에서 통신 오류 또는 센서 오류로 인한 오류 값을 제거할 수 있다.
일실시예에 따르면, 이상 감지 장치는 추출된 데이터로부터 제1 입력 벡터를 생성할 수 있다(103). 이상 감지 장치는 트레이닝 기상 정보로부터 일사량을 예측하도록 기 학습된 제1 뉴럴 네트워크로 제1 입력 벡터를 적용하여, 제1 출력 벡터를 생성할 수 있다(104). 뉴럴 네트워크와 관련된 입출력 벡터와 관련된 설명은 후술하겠다.
일실시예에 따르면, 이상 감지 장치는 제1 출력 벡터에 기초하여 예측 일사량을 생성할 수 있다(105). 이상 감지 장치는 일사량 예측을 위해 기 학습된 뉴럴 네트워크를 활용할 수 있다. 뉴럴 네트워크는 일사량에 영향을 미치는 다양한 변수들로부터 일사량을 예측하도록 미리 학습되어 모델링될 수 있다.
일실시예에 따르면, 이상 감지 장치는 타겟 지역의 감지 모듈로부터 획득한 측정 일사량에 기초하여 예측 일사량을 보정할 수 있다(106). 이상 감지 장치는 태양광 발정 장치의 상태를 모니터링하기 위해 필요한 정보를 생성하는 서버로 구현될 수 있는데, 여기서 타겟 지역의 감지 모듈로부터 측정 일사량을 수신할 수 있다. 이상 감지 장치는 감지 모듈의 사양 또는 예측 일사량의 변동성에 기초하여 가중치를 조절하고, 조절된 가중치에 따라 예측 일사량을 보정할 수 있다.
일실시예에 따르면, 이상 감지 장치는 보정된 예측 일사량 및 태양광 발전 장치의 사양 정보에 기초하여 태양광 발전 장치의 상태를 모니터링할 수 있다(107). 이상 감지 장치는 태양광 발전 시스템에서 생산된 전력량은 몰룬, 기상 데이터를 수집하여 현재 태양광 발전 장치의 상태와 관련된 정보를 생성하고, 생성된 정보에 따라 태양광 발전 장치의 제어 정보를 생성할 수 있다.
도 2는 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
도 2를 참조하면, 이상 감지 장치(201)은 태양광 발전 장치(202)의 감지 모듈(204)로부터 측정 일사량을 획득할 수 있다. 이상 감지 장치(201)은 태양광 발전 장치의 감지 모듈(205)로부터 실제 발전량을 획득할 수 있다. 이상 감지 장치(201)은 기상 정보(203)를 획득할 수 있다.
일실시예에 따르면, 이상 감지 장치(201)는 기 학습된 뉴럴 네트워크(206)를 이용하여, 측정 일사량, 실제 발전량 및 기상 정보(203)로부터 예측 발전량, 태양광 발전 장치의 상태 및 제어 정보 등을 생성할 수 있다. 이하, 이상 감지 장치(201)가 채용하는 딥 러닝 기법과 관련된 내용을 후술한다.
도 3은 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 이상 감지 장치는 딥러닝 기법을 기반으로, 기상 정보(301)에 기초하여 생성된 제1 입력 벡터(302)를 제1 뉴럴 네트워크(303)로 적용하여 제1 출력 벡터(306)를 생성할 수 있다. 여기서, 벡터는 one-hot 벡터, 실수 벡터 등 설계 의도에 따라 다양한 형태로 정의될 수 있다. 기상 정보(301)는 기압, 기온, 풍향, 풍속, 상대습도, 강수량, 강수유무, 일조시간, 지면온도, 초상온도 및 지중온도 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 제1 입력 벡터 생성(302) 시 다양한 변수들에 각각 가중치들이 적용될 수 있다. 여기서, 가중치들은 뉴럴 네트워크의 학습 시 최적화될 수 있다.
일실시예에 따르면, 제1 입력 벡터(302)는 제1 뉴럴 네트워크(303)의 입력 레이어(304)에 대응할 수 있다. 제1 출력 벡터(306)는 제1 뉴럴 네트워크(303)의 출력 레이어(305)에 대응할 수 있다. 제1 입력 벡터(302)는 기상 정보(301)에 대응하고, 제1 출력 레이어(305)의 노드들은 시간대 별 일사량들에 각각 대응할 수 있다.
일시시예에 따르면, 이상 감지 장치는 제1 출력 벡터(306)에 기초하여 예측 일사량(307)을 생성할 수 있다. 생성된 결과 값은 이산화되어 표현되거나 연속된 값으로 표현될 수 있다. 상술한 바와 같이, 이상 감지 장치는 측정 일사량을 이용하여 예측 일사량(307)을 보정하고, 보정된 예측 일사량을 생성할 수 있다. 이상 감지 장치는 감지 모듈 내 일사량을 측정하는 모듈의 사양에 기초하여, 측정 일사량의 가중치를 조정하고, 조정된 가중치에 예측 일사량(307)을 보정할 수 있다.
도 4는 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 이상 감지 장치는 보정된 예측 일사량(401) 및 태양광 발전 장치의 사양 정보(406)에 기초하여 제2 입력 벡터(409)를 생성할 수 있다. 이상 감지 장치는 트레이닝 일사량과 트레이닝 사양 정보로부터 발전량을 예측하도록 기 학습된 제2 뉴럴 네트워크(402)로 제2 입력 벡터(409)를 적용하여, 제2 출력 벡터(411)를 생성할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제2 출력 벡터(411)에 기초하여 태양광 발전 장치의 예측 발전량(412)을 생성할 수 있다. 이상 감지 장치는 예측 발전량(412)에 기초하여 태양광 발전 장치의 상태를 모니터링할 수 있다.
일실시예에 따르면, 사양 정보(406)는 태양광 발전 장치의 전기적 특성, 온도 계수, 제품 크기, 보증 성능 및 인증 사항 중 적어도 하나를 포함한다. 전기적 특성은 최대 출력, 최대 출력 동작 전류, 단락 전류, 최대 시스템 전압, 최대출력 동작 전압, 개방 전압, 모듈 효율 및 작동 온도 범위 중 적어도 하나를 포함한다. 온도 계수는 최대출력 온도계수, 단락전류 온도계수 및 개방전압 온도계수 중 적어도 하나를 포함한다. 제품 크기는 너비, 높이, 깊이, 셀 개수, 셀 타입, 모듈 치수, 후면 하중, 전면 하중 및 모듈 무게 중 적어도 하나를 포함한다. 보증 성능은 모듈의 보증 수명 및 보증 출력 중 적어도 하나를 포함한다. 인증 사항은 국내 또는 국제 인증 기관의 인증 결과를 포함한다.
일실시예에 따르면, 이상 감지 장치는 보정된 예측 일사량(401)에 기초하여, 제2 뉴럴 네트워크(402)의 제2 입력 레이어(403) 내 제1 그룹(404)에 포함된 제1 입력 노드들에 대응하는 제1 입력 노드 값들(405)을 생성할 수 있다. 제1 그룹(404)에 포함된 제1 입력 노드들은 시간대 별 일사량들에 각각 대응할 수 있다.
일실시예에 따르면, 이상 감지 장치는 태양광 발전 장치의 사양 정보(406)에 기초하여, 제2 뉴럴 네트워크(402)의 제2 입력 레이어(403) 내 제2 그룹(407)에 포함된 적어도 하나의 제2 입력 노드에 대응하는 제2 입력 노드 값들(408)을 생성할 수 있다. 제2 그룹(407)에 포함된 적어도 하나의 제2 입력 노드는 사양 정보(406)의 전기적 특성, 온도 계수, 제품 크기, 보증 성능 및 인증 사항 중 적어도 하나에 대응할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제1 입력 노드 값들(405) 및 제2 입력 노드 값들(408)에 기초하여, 제2 입력 벡터(409)를 생성할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제1 입력 노드 값들(405)을 제1 그룹(404)에 제1 입력 노드들로 적용할 수 있다. 이상 감지 장치는 제2 입력 노드 값들(408)을 제2 그룹(407)에 포함된 제2 입력 노드들로 적용할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제2 뉴럴 네트워크(402)의 제2 출력 레이어(410) 내 포함된 제2 출력 노드들로부터 제2 출력 노드 값들을 생성할 수 있다. 제2 출력 레이어(410) 내 포함된 제2 출력 노드들은 시간대 별 예측 발전량들에 각각 대응할 수 있다. 이상 감지 장치는 제2 출력 노드 값들에 기초하여, 제2 출력 벡터(411)를 생성할 수 있다.
도 5는 일실시예에 따른 태양광 발전 시스템의 이상 감지 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 이상 감지 장치는 감지 모듈로부터, 태양광 발전 장치의 실제 발전량(501)을 획득할 수 있다. 이상 감지 장치는 실제 발전량(501), 예측 발전량(506) 및 사양 정보(509)에 기초하여, 제3 입력 벡터(512)를 생성할 수 있다.
일실시예에 따르면, 이상 감지 장치는 트레이닝 실제 발전량, 트레이닝 예측 발전량 및 트레이닝 사양 정보로부터 태양광 발전 장치 상태를 예측하도록 기 학습된 제3 뉴럴 네트워크(302)로 제3 입력 벡터(512)를 적용하여, 제3 출력 벡터(516)를 생성할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제3 출력 벡터(516)에 기초하여 태양광 발전 장치의 상태(517)를 생성할 수 있다. 이상 감지 장치는 생성된 상태에 기초하여, 태양광 발전 장치의 사양 정보에 대응하는 제어 정보를 생성할 수 있다. 이상 감지 장치는 일사량을 예측할 뿐만 아니라 태양광 발전 장치의 상태 및 사양에 따라 적절한 제어 정보를 생성하여, 태양광 발전 장치에 필요한 유지 보수를 제공하고, 태양광 발전 장치의 성능을 높이며 수명을 늘릴 수 있다.
일실시예에 따르면, 이상 감지 장치는 실제 발전량(501)에 기초하여, 제3 뉴럴 네트워크(502)의 제3 입력 레이어(503) 내 제3 그룹(504)에 포함된 제3 입력 노드들에 대응하는 제3 입력 노드 값들(505)을 생성할 수 있다. 제3 그룹(504)에 포함된 제3 입력 노드들은 시간대 별 실제 발전량들에 각각 대응할 수 있다.
일실시예에 따르면, 이상 감지 장치는 예측 발전량(506)에 기초하여, 제3 뉴럴 네트워크(502)의 제3 입력 레이어(503) 내 제4 그룹(507)에 포함된 제4 입력 노드들에 대응하는 제4 입력 노드 값들(508)을 생성할 수 있다. 제4 그룹(507)에 포함된 제4 입력 노드들은 시간대 별 예측 발전량들에 각각 대응할 수 있다.
일실시예에 따르면, 이상 감지 장치는 사양 정보(509)에 기초하여, 제3 뉴럴 네트워크(502)의 제3 입력 레이어(503) 내 제5 그룹(510)에 포함된 적어도 하나의 제5 입력 노드에 대응하는 제5 입력 노드 값들(511)을 생성할 수 있다. 제5 입력 노드는 사양 정보의 전기적 특성, 온도 계수, 제품 크기, 보증 성능 및 인증 사항 중 적어도 하나에 대응할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제3 입력 노드 값들(505), 제4 입력 노드 값들(508) 및 제5 입력 노드 값들(511)에 기초하여, 제3 입력 벡터(512)를 생성할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제3 입력 노드 값들(505)을 제3 그룹(504)에 포함된 제3 입력 노드들로 적용할 수 있다. 이상 감지 장치는 제4 입력 노드 값들(508)을 제4 그룹(507)에 포함된 제4 입력 노드들로 적용할 수 있다. 이상 감지 장치는 제5 입력 노드 값들(511)을 제5 그룹(510)에 포함된 제5 입력 노드들로 적용할 수 있다.
일실시예에 따르면, 이상 감지 장치는 제3 뉴럴 네트워크(502)의 제3 출력 레이어(513) 내 포함된 제3 출력 노드들로부터 제3 출력 노드 값들을 생성할 수 있다. 제3 출력 레이어(513) 내 포함된 제3 출력 노드들은 태양광 발전 장치의 적어도 하나의 상태에 대응하는 그룹(514)과 태양광 발전 장치의 사양 정보에 대응하는 상태에 대응하는 그룹(515)을 포함한다.
일실시예에 따르면, 이상 감지 장치는 제3 출력 노드 값들에 기초하여, 제3 출력 벡터(516)를 생성할 수 있다. 이상 감지 장치는 태양광 발전 장치의 상태와 사양 정보에 따른 상태를 제3 출력 벡터(516)로부터 추정할 수 있다.
상술한 뉴럴 네트워크들은 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 트레이닝 기상 정보들에 대응하는 레이블드 일사량들, 트레이닝 일사량들과 트레이닝 사양정보들에 대응하는 레이블드 발전량들, 트레이닝 실제 발전량들, 트레이닝 예측 발전량들 및 트레이닝 사양 정보들에 대응하는 레이블드 태양광 발전 장치 상태들을 포함할 수 있다. 뉴럴 네트워크는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수(loss function)을 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(601)는 프로세서(602) 및 메모리(603)를 포함한다. 일실시예에 따른 장치(601)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 5를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(603)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(603)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(602)는 프로그램을 실행하고, 장치(601)를 제어할 수 있다. 프로세서(602)에 의하여 실행되는 프로그램의 코드는 메모리(603)에 저장될 수 있다. 장치(601)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 태양광 발전 장치가 설치되는 타겟 지역의 기상 정보를 획득하는 단계;
    상기 기상 정보에 기초하여, 일사량이 존재하는 시간대의 데이터를 추출하는 단계;
    상기 추출된 데이터로부터 제1 입력 벡터를 생성하는 단계;
    트레이닝 기상 정보로부터 일사량을 예측하도록 기 학습된 제1 뉴럴 네트워크로 상기 제1 입력 벡터를 적용하여, 제1 출력 벡터를 생성하는 단계;
    상기 제1 출력 벡터에 기초하여 예측 일사량을 생성하는 단계;
    상기 타겟 지역의 감지 모듈로부터 획득한 측정 일사량에 기초하여, 상기 예측 일사량을 보정하는 단계; 및
    상기 보정된 예측 일사량 및 상기 태양광 발전 장치의 사양 정보에 기초하여 상기 태양광 발전 장치의 상태를 모니터링하는 단계
    를 포함하고,
    상기 모니터링하는 단계는
    상기 보정된 예측 일사량 및 상기 태양광 발전 장치의 상기 사양 정보에 기초하여 제2 입력 벡터를 생성하는 단계;
    트레이닝 일사량과 트레이닝 사양 정보로부터 발전량을 예측하도록 기 학습된 제2 뉴럴 네트워크로 상기 제2 입력 벡터를 적용하여, 제2 출력 벡터를 생성하는 단계;
    상기 제2 출력 벡터에 기초하여 상기 태양광 발전 장치의 예측 발전량을 생성하는 단계; 및
    상기 예측 발전량에 기초하여 상기 태양광 발전 장치의 상태를 모니터링하는 단계
    를 포함하고,
    상기 제2 입력 벡터를 생성하는 단계는
    상기 보정된 예측 일사량에 기초하여, 상기 제2 뉴럴 네트워크의 제2 입력 레이어 내 제1 그룹에 포함된 제1 입력 노드들-상기 제1 입력 노드들은 시간대 별 일사량들에 각각 대응함-에 대응하는 제1 입력 노드 값들을 생성하는 단계;
    상기 태양광 발전 장치의 상기 사양 정보에 기초하여, 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어 내 제2 그룹에 포함된 적어도 하나의 제2 입력 노드-상기 제2 입력 노드는 상기 사양 정보의 상기 태양광 발전 장치의 전기적 특성, 온도 계수, 제품 크기, 보증 성능 및 인증 사항 중 적어도 하나에 대응함-에 대응하는 제2 입력 노드 값들을 생성하는 단계; 및
    상기 제1 입력 노드 값들 및 상기 제2 입력 노드 값들에 기초하여, 상기 제2 입력 벡터를 생성하는 단계를 포함하고,
    상기 제2 출력 벡터를 생성하는 단계는
    상기 제1 입력 노드 값들을 상기 제1 입력 노드들로 적용하는 단계;
    상기 제2 입력 노드 값들을 상기 제2 입력 노드들로 적용하는 단계;
    상기 제2 뉴럴 네트워크의 제2 출력 레이어 내 포함된 제2 출력 노드들-상기 제2 출력 노드들은 시간대 별 예측 발전량들에 각각 대응함-로부터 제2 출력 노드 값들을 생성하는 단계; 및
    상기 제2 출력 노드 값들에 기초하여, 상기 제2 출력 벡터를 생성하는 단계를 포함하고,
    상기 태양광 발전 장치의 상기 상태를 모니터링하는 단계는
    상기 감지 모듈로부터, 상기 태양광 발전 장치의 실제 발전량을 획득하는 단계;
    상기 실제 발전량, 상기 예측 발전량 및 상기 사양 정보에 기초하여, 제3 입력 벡터를 생성하는 단계;
    트레이닝 실제 발전량, 트레이닝 예측 발전량 및 트레이닝 사양 정보로부터 태양광 발전 장치 상태를 예측하도록 기 학습된 제3 뉴럴 네트워크로 상기 제3 입력 벡터를 적용하여, 제3 출력 벡터를 생성하는 단계;
    상기 제3 출력 벡터에 기초하여 상기 태양광 발전 장치의 상기 상태를 생성하는 단계; 및
    상기 상태에 기초하여, 상기 사양 정보에 대응하는 제어 정보를 생성하는 단계
    를 포함하고,
    상기 제3 입력 벡터를 생성하는 단계는
    상기 실제 발전량에 기초하여, 상기 제3 뉴럴 네트워크의 제3 입력 레이어 내 제3 그룹에 포함된 제3 입력 노드들-상기 제3 입력 노드들은 시간대 별 실제 발전량들에 각각 대응함-에 대응하는 제3 입력 노드 값들을 생성하는 단계;
    상기 예측 발전량에 기초하여, 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어 내 제4 그룹에 포함된 제4 입력 노드들-상기 제4 입력 노드들은 시간대 별 예측 발전량들에 각각 대응함-에 대응하는 제4 입력 노드 값들을 생성하는 단계;
    상기 사양 정보에 기초하여, 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어 내 제5 그룹에 포함된 적어도 하나의 제5 입력 노드-상기 제5 입력 노드는 상기 사양 정보의 상기 전기적 특성, 상기 온도 계수, 상기 제품 크기, 상기 보증 성능 및 상기 인증 사항 중 적어도 하나에 대응함-에 대응하는 제5 입력 노드 값들을 생성하는 단계; 및
    상기 제3 입력 노드 값들, 상기 제4 입력 노드 값들 및 상기 제5 입력 노드 값들에 기초하여, 상기 제3 입력 벡터를 생성하는 단계를 포함하고,
    상기 제3 출력 벡터를 생성하는 단계는
    상기 제3 입력 노드 값들을 상기 제3 입력 노드들로 적용하는 단계;
    상기 제4 입력 노드 값들을 상기 제4 입력 노드들로 적용하는 단계;
    상기 제5 입력 노드 값들을 상기 제5 입력 노드들로 적용하는 단계;
    상기 제3 뉴럴 네트워크의 제3 출력 레이어 내 포함된 제3 출력 노드들-상기 제3 출력 노드들은 상기 태양광 발전 장치의 적어도 하나의 상태 및 상기 사양 정보에 대응하는 상태에 대응함-로부터 제3 출력 노드 값들을 생성하는 단계; 및
    상기 제3 출력 노드 값들에 기초하여, 상기 제3 출력 벡터를 생성하는 단계를 포함하는,
    머신러닝 기반 태양광 발전 시스템의 이상 감지 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 기상 정보는 기압, 기온, 풍향, 풍속, 상대습도, 강수량, 강수유무, 일조시간, 지면온도, 초상온도 및 지중온도 중 적어도 하나를 포함하고,
    상기 제1 뉴럴 네트워크의 제1 입력 레이어는 상기 기상 정보에 대응하고,
    상기 제1 뉴럴 네트워크의 제1 출력 레이어의 노드들은 시간대 별 일사량들에 각각 대응하고,
    상기 예측 일사량을 보정하는 단계는
    상기 감지 모듈 내 일사량을 측정하는 모듈의 사양에 기초하여, 상기 측정 일사량의 가중치를 조정하고, 상기 조정된 가중치에 따라 상기 예측 일사량을 보정하는 단계
    를 포함하고,
    상기 전기적 특성은 최대 출력, 최대 출력 동작 전류, 단락 전류, 최대 시스템 전압, 최대출력 동작 전압, 개방 전압, 모듈 효율 및 작동 온도 범위 중 적어도 하나를 포함하고,
    상기 온도 계수는 최대출력 온도계수, 단락전류 온도계수 및 개방전압 온도계수 중 적어도 하나를 포함하고,
    상기 제품 크기는 너비, 높이, 깊이, 셀 개수, 셀 타입, 모듈 치수, 후면 하중, 전면 하중 및 모듈 무게 중 적어도 하나를 포함하고,
    상기 보증 성능은 모듈의 보증 수명 및 보증 출력 중 적어도 하나를 포함하고,
    상기 인증 사항은 국내 또는 국제 인증 기관의 인증 결과를 포함하는,
    머신러닝 기반 태양광 발전 시스템의 이상 감지 방법.

KR1020190022473A 2019-02-26 2019-02-26 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치 KR102014339B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190022473A KR102014339B1 (ko) 2019-02-26 2019-02-26 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190022473A KR102014339B1 (ko) 2019-02-26 2019-02-26 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102014339B1 true KR102014339B1 (ko) 2019-08-26

Family

ID=67806449

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190022473A KR102014339B1 (ko) 2019-02-26 2019-02-26 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102014339B1 (ko)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102228512B1 (ko) 2020-11-05 2021-03-16 에이펙스인텍 주식회사 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치
KR102243763B1 (ko) * 2020-06-08 2021-04-27 이지스로직 주식회사 딥러닝 기반 효율적 에너지 사용과 피코캐스트를 활용한 조명 반사 가변형 태양광 가로등 무선제어 시스템
KR102253867B1 (ko) * 2020-06-08 2021-05-24 이지스로직 주식회사 딥러닝 기반 효율적 에너지 사용과 피코캐스트를 활용한 조명 영역 가변형 태양광 가로등 무선제어 시스템
KR20210077474A (ko) * 2019-12-17 2021-06-25 세종대학교산학협력단 태양광 발전량 예측 장치 및 그 방법
KR20210079441A (ko) 2019-12-19 2021-06-30 (주)아이엠 영농형 태양광 발전장치
KR102271922B1 (ko) * 2020-06-08 2021-07-05 이지스로직 주식회사 딥러닝 기반 효율적 에너지 사용과 피코캐스트를 활용한 태양광 가로등 무선제어 시스템
KR20220037156A (ko) * 2020-09-17 2022-03-24 (주)탑인프라 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
KR20220086739A (ko) * 2020-12-16 2022-06-24 주식회사 이지스로직 재난방송 기능을 가지는 조명영역 방사상 가변식 태양광 가로등의 무선 원격 제어 관리 시스템
KR102413415B1 (ko) * 2021-11-29 2022-06-27 홍석훈 태양광 발전량 데이터에 대한 시계열 모델의 결측치 보간 방법
KR20220131707A (ko) * 2021-03-22 2022-09-29 호남대학교 산학협력단 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법
KR20220132844A (ko) * 2021-03-24 2022-10-04 한국에너지기술연구원 머신 러닝 모델을 이용하여 일사 손실률을 예측하기 위한 장치 및 그 방법
KR102574189B1 (ko) * 2023-05-08 2023-09-04 주식회사 에코스 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101499761B1 (ko) 2013-12-24 2015-03-09 전자부품연구원 태양광 모듈 실시간 발전량 예측 방법
KR101635450B1 (ko) 2015-01-02 2016-07-01 상명대학교서울산학협력단 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템
KR101775065B1 (ko) * 2016-08-05 2017-09-06 주식회사 해줌 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템
KR101856320B1 (ko) 2016-05-02 2018-05-09 한국과학기술원 태양광 발전량 예측 장치 및 방법
US20180275314A1 (en) * 2015-08-31 2018-09-27 Green Power Labs Inc. Method and system for solar power forecasting

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101499761B1 (ko) 2013-12-24 2015-03-09 전자부품연구원 태양광 모듈 실시간 발전량 예측 방법
KR101635450B1 (ko) 2015-01-02 2016-07-01 상명대학교서울산학협력단 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템
US20180275314A1 (en) * 2015-08-31 2018-09-27 Green Power Labs Inc. Method and system for solar power forecasting
KR101856320B1 (ko) 2016-05-02 2018-05-09 한국과학기술원 태양광 발전량 예측 장치 및 방법
KR101775065B1 (ko) * 2016-08-05 2017-09-06 주식회사 해줌 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102296309B1 (ko) * 2019-12-17 2021-08-31 세종대학교산학협력단 태양광 발전량 예측 장치 및 그 방법
KR20210077474A (ko) * 2019-12-17 2021-06-25 세종대학교산학협력단 태양광 발전량 예측 장치 및 그 방법
KR20210079441A (ko) 2019-12-19 2021-06-30 (주)아이엠 영농형 태양광 발전장치
KR102243763B1 (ko) * 2020-06-08 2021-04-27 이지스로직 주식회사 딥러닝 기반 효율적 에너지 사용과 피코캐스트를 활용한 조명 반사 가변형 태양광 가로등 무선제어 시스템
KR102253867B1 (ko) * 2020-06-08 2021-05-24 이지스로직 주식회사 딥러닝 기반 효율적 에너지 사용과 피코캐스트를 활용한 조명 영역 가변형 태양광 가로등 무선제어 시스템
KR102271922B1 (ko) * 2020-06-08 2021-07-05 이지스로직 주식회사 딥러닝 기반 효율적 에너지 사용과 피코캐스트를 활용한 태양광 가로등 무선제어 시스템
KR102459015B1 (ko) * 2020-09-17 2022-10-26 (주)탑인프라 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
KR20220037156A (ko) * 2020-09-17 2022-03-24 (주)탑인프라 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
KR102228512B1 (ko) 2020-11-05 2021-03-16 에이펙스인텍 주식회사 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치
KR20220086739A (ko) * 2020-12-16 2022-06-24 주식회사 이지스로직 재난방송 기능을 가지는 조명영역 방사상 가변식 태양광 가로등의 무선 원격 제어 관리 시스템
KR102480662B1 (ko) * 2020-12-16 2022-12-26 주식회사 이지스로직 재난방송 기능을 가지는 조명영역 방사상 가변식 태양광 가로등의 무선 원격 제어 관리 시스템
KR20220131707A (ko) * 2021-03-22 2022-09-29 호남대학교 산학협력단 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법
KR102541293B1 (ko) 2021-03-22 2023-06-07 호남대학교 산학협력단 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법
KR20220132844A (ko) * 2021-03-24 2022-10-04 한국에너지기술연구원 머신 러닝 모델을 이용하여 일사 손실률을 예측하기 위한 장치 및 그 방법
KR102491297B1 (ko) 2021-03-24 2023-01-26 한국에너지기술연구원 머신 러닝 모델을 이용하여 일사 손실률을 예측하기 위한 장치 및 그 방법
KR102413415B1 (ko) * 2021-11-29 2022-06-27 홍석훈 태양광 발전량 데이터에 대한 시계열 모델의 결측치 보간 방법
KR102574189B1 (ko) * 2023-05-08 2023-09-04 주식회사 에코스 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치

Similar Documents

Publication Publication Date Title
KR102014339B1 (ko) 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치
Shakya A self monitoring and analyzing system for solar power station using IoT and data mining algorithms
Garoudja et al. An enhanced machine learning based approach for failures detection and diagnosis of PV systems
Dhimish et al. Simultaneous fault detection algorithm for grid‐connected photovoltaic plants
US10962576B2 (en) Estimation of shading losses for photovoltaic systems from measured and modeled inputs
Kazem et al. Experimental and deep learning artificial neural network approach for evaluating grid‐connected photovoltaic systems
Sabzehgar et al. Solar power forecast for a residential smart microgrid based on numerical weather predictions using artificial intelligence methods
Mellit et al. Performance prediction of 20 kWp grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network
Fara et al. Forecasting of energy production for photovoltaic systems based on ARIMA and ANN advanced models
Pan et al. Anomaly detection for satellite power subsystem with associated rules based on kernel principal component analysis
Michael et al. Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network
Zhao et al. Evaluation of nodal reliability risk in a deregulated power system with photovoltaic power penetration
US20190370914A1 (en) Method and Device for Determining Energy System Operating Scenario
Delussu et al. Experiments and comparison of digital twinning of photovoltaic panels by machine learning models and a cyber-physical model in modelica
US20210310461A1 (en) Distributed reinforcement learning and consensus control of energy systems
Tabar et al. Increasing resiliency against information vulnerability of renewable resources in the operation of smart multi-area microgrid
Ranganayaki et al. An intelligent ensemble neural network model for wind speed prediction in renewable energy systems
Benhmed et al. PV power prediction in Qatar based on machine learning approach
KR20210077474A (ko) 태양광 발전량 예측 장치 및 그 방법
Moshksar et al. Real‐time estimation of solar irradiance and module temperature from maximum power point condition
Ribeiro et al. A statistical methodology to estimate soiling losses on photovoltaic solar plants
Liu et al. Experiment‐based supervised learning approach toward condition monitoring of PV array mismatch
Moshksar et al. Constrained optimisation approach for parameter estimation of PV modules with single‐diode equivalent model
TW201740296A (zh) 再生能源發電量預測方法與系統
Collins et al. A reliability and availability sensitivity study of a large photovoltaic system

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant