KR102050204B1 - 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템 - Google Patents

태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템 Download PDF

Info

Publication number
KR102050204B1
KR102050204B1 KR1020190084803A KR20190084803A KR102050204B1 KR 102050204 B1 KR102050204 B1 KR 102050204B1 KR 1020190084803 A KR1020190084803 A KR 1020190084803A KR 20190084803 A KR20190084803 A KR 20190084803A KR 102050204 B1 KR102050204 B1 KR 102050204B1
Authority
KR
South Korea
Prior art keywords
drones
data
frequency
drone
solar
Prior art date
Application number
KR1020190084803A
Other languages
English (en)
Inventor
고대곤
Original Assignee
고대곤
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 고대곤 filed Critical 고대곤
Priority to KR1020190084803A priority Critical patent/KR102050204B1/ko
Application granted granted Critical
Publication of KR102050204B1 publication Critical patent/KR102050204B1/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D47/00—Equipment not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J1/00—Photometry, e.g. photographic exposure meter
    • G01J1/02—Details
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
    • H02H1/0015—Using arc detectors
    • 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
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
    • B64C2201/127—
    • B64C2201/146—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls
    • B64U2201/20—Remote controls
    • 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
    • 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
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

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

Abstract

태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템이 개시된다. 태양광 설비 시스템은 태양광을 직류 전류로 변환하는 태양광 모듈들; 직류 전류를 교류 전력으로 변환하는 인버터; 직류 전류를 인버터로 제공하는 태양광 모듈 접속함; 태양광 모듈들(120) 주변의 환경 데이터를 수집하는 드론들; 및 드론들을 제어하는 GCS(Ground Control Station)를 포함하는 태양광 설비 시스템에 있어서, GCS는 드론들이 각각 촬영한 제 1 이미지들을 획득하고, 제 1 이미지들에 기초하여, 제 1 인공 신경망의 인풋 레이어(input layer)에 대응하는 입력을 생성하고, 입력을 제 1 인공 신경망에 적용하여 출력을 획득하고, 출력에 기초하여, 드론들에게 상수들에 기초한 대형(formation)으로 비행 위치를 정렬하도록 하는 위치 조정 데이터를 전송하고, 대형으로 비행 위치를 정렬한 드론들이 촬영한 제 2 이미지들을 획득하고, 제 2 이미지들을 기초로 드론들이 목표 위치로 정렬했는지 판별하는 제 1 프로세서를 포함하고, 드론들은 위치 조정 데이터에 기초하여, 대형으로 비행 위치를 정렬하도록 제어하는 제 2 프로세서; 및 태양광 모듈들이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 1 센서를 포함하고, 태양광 모듈들은 자신들이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 2 센서를 포함하고, 태양광 모듈 접속함은 직류 전류에 포함된 고주파 아크 성분을 측정할 수 있는 전류 측정부; 인버터로 제공되는 직류 전류를 차단할 수 있는 전류 차단부; 및 드론들이 제 1 센서를 통해 측정한 제 1 환경 데이터를 획득하고, 태양광 모듈들이 제 2 센서를 통해 측정한 제 2 환경 데이터를 획득하고, 제 1 환경 데이터 및 제 2 환경 데이터를 기초로, 단전(斷電) 주파수를 설정하고, 전류 측정부가 측정한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득하고, 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터로 제공되는 직류 전류를 차단하는 명령을 전류 차단부로 전송하는 임베디드 컴퓨터를 포함한다.

Description

태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템{SOLAR MODULE JUNCTION BOX AND SOLAR INSTALLATION SYSTEM COMPRISING SAME}
아래 실시예들은 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템 기술에 관한 것이다.
일반적으로 태양광 설비 시스템은 태양광 모듈과 인버터를 포함한다. 태양광 모듈은 태양광을 직류 전류로 변환할 수 있다. 태양광 모듈의 패널은 복수의 셀로 이루어지며, 셀에 태양광이 닿으면 광전 효과에 의해 물리적 반응이 일어나며, 이로 인해 태양광 모듈은 직류 전류를 발생시킬 수 있다. 인버터는 태양광 모듈에서 생산된 직류 전류를 교류 전력으로 변환하는 역할을 수행한다. 태양광 모듈에서 생산된 직류 전류가 인버터를 거쳐 교류 전력으로 변환됨으로써, 비로소 가정, 회사 등에서 이용할 수 있는 교류 전기의 형태를 갖추게 된다.
한편, 태양광 모듈의 패널이 태양으로부터 광에너지를 제공 받아 직류 전류를 생산하는 과정에서, 고주파 아크(high-frequency arc) 성분이 직류 전류에 포함될 수 있다. 즉, 태양광 모듈에 입사하는 광에너지가 순간적으로 변하는 경우, 태양광 모듈이 생산하는 전류는 순간적으로 요동을 치게 되며, 이 과정에서 직류 전류에 고주파 아크 성분이 포함되게 된다.
상대적으로 높은 에너지(주파수)를 가진 고주파 아크는 인버터의 오작동 및 고장 원인이다. 인버터가 오작동할 경우, 가정 및 회사 등에 전기가 원활하게 공급되지 못하는 문제가 발생할 수 있다. 나아가, 인버터의 고장이 심한 경우, 고가의 장비인 인버터를 새로 교체해야 하고, 이 과정에서 심각한 비용 손실을 초래할 수 있다.
그러나 고주파 아크 성분이 인버터에 오작동이나 고장을 일으킨다고 해서, 태양광 모듈이 생산한 직류 전류에 상대적으로 낮은 에너지(주파수)를 가진 고주파 아크 성분만 포함된 때에도 인버터로 공급되는 전류를 차단하게 된다면, 태양광 설비 시스템이 불필요하게 자주 차단되어 전기 생산이 비효율적으로 이루어지게 된다.
따라서, 태양광 모듈이 생산한 직류 전류에 고주파 아크 성분이 포함된 경우, 인버터의 고장 방지 및 태양광 설비 시스템의 효율적 운영이라는 양자택일의 기로에서, 인버터로 공급되는 전류를 차단할지 말지를 적절하게 제어할 수 있는 태양광 설비 시스템이 요청되고 있다.
국제공개공보 WO 2015/056935 A1
실시예들은 태양광 설비 시스템의 인버터가 고주파 아크에 견딜 수 있는 최대 허용 주파수 이하의 단전 주파수를 유효 적절하게 설정하여, 태양광 모듈이 생산한 직류 전류에 단전 주파수 이상의 고주파 아크 성분이 포함되어 있을 경우, 직류 전류를 인버터로 제공하지 않고 차단하는 과정을 제공하고자 한다.
실시예들은 일사량이 적을수록 단전 주파수와 최대 허용 주파수의 차가 작도록 단전 주파수를 설정하여 태양광 설비 시스템이 불필요하게 차단되는 비효율을 최소화할 수 있는 방안을 제공하고자 한다.
실시예들은 일사량이 많을수록 단전 주파수와 최대 허용 주파수의 차가 크도록 단전 주파수를 설정하여 인버터가 고장 날 위험성을 최소화할 수 있는 방안을 제공하고자 한다.
실시예들은 상기의 방안들을 실현시키기 위한 복수의 인공 신경망을 학습 및 활용하는 과정을 제공하고자 한다.
나아가, 실시예들은 상기 배경 기술에서 언급한 과제들 및 본 명세서에서 드러나는 해당 기술 분야의 과제들을 해결하기 위한 네트워크 평판 증명을 합의 알고리즘으로 사용하는 블록체인 스마트 계약 방법 및 장치를 제공하고자 한다.
일실시예에 따른 태양광 설비 시스템은 태양광을 직류 전류로 변환하는 태양광 모듈들; 상기 직류 전류를 교류 전력으로 변환하는 인버터; 상기 직류 전류를 상기 인버터로 제공하는 태양광 모듈 접속함; 서로 다른 상수(constant)들에 각각 대응하는 드론들; 및 상기 드론들을 제어하는 GCS(Ground Control Station)를 포함할 수 있다.
일실시예에 따르면, 상기 GCS는 상기 드론들이 각각 촬영한 제 1 이미지들을 획득하고, 상기 제 1 이미지들에 기초하여, 제 1 인공 신경망의 인풋 레이어(input layer)에 대응하는 입력을 생성하고, 상기 입력을 상기 제 1 인공 신경망에 적용하여 출력을 획득하고, 상기 출력에 기초하여, 상기 드론들에게 상기 상수들에 기초한 대형(formation)으로 비행 위치를 정렬하도록 하는 위치 조정 데이터를 전송하고, 상기 대형으로 비행 위치를 정렬한 상기 드론들이 촬영한 제 2 이미지들을 획득하고, 상기 제 2 이미지들을 기초로 상기 드론들이 목표 위치로 정렬했는지 판별하는 제 1 프로세서를 포함할 수 있다.
일실시예에 따르면, 상기 드론들은 상기 위치 조정 데이터에 기초하여, 상기 대형으로 비행 위치를 정렬하도록 제어하는 제 2 프로세서; 및 상기 태양광 모듈들이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 1 센서를 포함할 수 있다.
일실시예에 따르면, 상기 태양광 모듈들은 자신들이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 2 센서를 포함할 수 있다.
일실시예에 따르면, 상기 태양광 모듈 접속함은 상기 직류 전류에 포함된 고주파 아크 성분을 측정할 수 있는 전류 측정부; 상기 인버터로 제공되는 상기 직류 전류를 차단할 수 있는 전류 차단부; 및 상기 드론들이 상기 제 1 센서를 통해 측정한 제 1 환경 데이터를 획득하고, 상기 태양광 모듈들이 상기 제 2 센서를 통해 측정한 제 2 환경 데이터를 획득하고, 상기 제 1 환경 데이터 및 상기 제 2 환경 데이터를 기초로, 단전(斷電) 주파수를 설정하고, 상기 전류 측정부가 측정한 상기 직류 전류에 포함된 고주파 아크 성분 데이터를 획득하고, 상기 고주파 아크 성분의 주파수가 상기 단전 주파수를 초과하는 경우, 상기 인버터로 제공되는 상기 직류 전류를 차단하는 명령을 상기 전류 차단부로 전송하는 임베디드 컴퓨터를 포함할 수 있다.
일실시예에 따르면, 상기 제 1 센서는 일사량 센서이고, 상기 제 1 환경 데이터는 일사량 데이터이고, 상기 제 2 센서는 자동차 소음 측정 센서이고, 상기 제 2 환경 데이터는 자동차 소음 데이터일 수 있다.
일실시예에 따르면, 상기 임베디드 컴퓨터가 상기 단전 주파수를 설정하는 프로세스는, 상기 제 1 환경 데이터 및 상기 제 2 환경 데이터를 기초로 입력을 생성하고, 생성된 입력을 제 2 인공 신경망에 적용하고, 상기 인공 신경망의 출력을 획득하고, 상기 출력을 기초로 상기 단전 주파수를 설정하는 프로세스를 포함하며, 상기 단전 주파수는 상기 인버터가 고주파 아크에 견딜 수 있는 최대 허용 주파수보다 작으며, 상기 제 1 환경 데이터가 큰 값을 가질수록, 상기 단전 주파수와 상기 최대 허용 주파수의 차는 커지도록 상기 단전 주파수가 설정되며, 제 1 환경 데이터가 동일한 값을 가지는 경우라도, 상기 제 2 환경 데이터가 큰 값을 가질수록, 상기 단전 주파수와 상기 최대 허용 주파수의 차는 커지도록 상기 단전 주파수가 설정될 수 있다.
실시예들은 태양광 설비 시스템의 인버터가 고주파 아크에 견딜 수 있는 최대 허용 주파수 이하의 단전 주파수를 유효 적절하게 설정하여, 태양광 모듈이 생산한 직류 전류에 단전 주파수 이상의 고주파 아크 성분이 포함되어 있을 경우, 직류 전류를 인버터로 제공하지 않고 차단하는 과정을 제공할 수 있다.
실시예들은 일사량이 적을수록 단전 주파수와 최대 허용 주파수의 차가 작도록 단전 주파수를 설정하여 태양광 설비 시스템이 불필요하게 차단되는 비효율을 최소화할 수 있는 방안을 제공할 수 있다.
실시예들은 일사량이 많을수록 단전 주파수와 최대 허용 주파수의 차가 크도록 단전 주파수를 설정하여 인버터가 고장 날 위험성을 최소화할 수 있는 방안을 제공할 수 있다.
실시예들은 상기의 방안들을 실현시키기 위한 복수의 인공 신경망을 학습 및 활용하는 과정을 제공할 수 있다.
한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 태양광 설비 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 태양광 설비 시스템의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 GCS의 동작을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 컨볼루션 신경망의 동작을 설명하기 위한 도면이다.
도 5 내지 8은 일실시예에 따른 드론들의 비행 위치를 정렬하는 과정을 설명하기 위한 도면들이다.
도 9는 일실시예에 따른 인공 신경망들의 학습 과정을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 장치들의 구성의 예시도이다.
도 11은 일실시예에 따른 고주파 아크의 주파수와 주파수에 따른 고주파 아크의 발생빈도의 관계를 설명한 그래프이다.
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.
도 1은 일실시예에 따른 태양광 설비 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 태양광 설비 시스템(1)은 태양광을 제공 받아 직류 전류를 생산하는 태양광 모듈들(120); 태양광 모듈들(120)이 생산한 직류 전류를 교류 전력으로 변환하는 인버터(140); 태양광 모듈들(120)과 인버터(140) 사이에 배치되어 태양광 모듈들(120)이 생산한 직류 전류를 제공 받아 인버터(140)에 제공하는 태양광 모듈 접속함(130); 태양광 모듈들(120) 주변의 환경 데이터를 수집하는 드론들(100); 및 드론들(100)을 제어하는 GCS(Ground Control Station, 110)을 포함할 수 있다.
드론들(100); GCS(110); 및 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)는 도 10의 제 1 장치(1010)에 해당한다. 제 1 장치(1010)들은 적어도 프로세서(1011) 및 메모리(1012)를 포함할 수 있다. 프로세서(1011)는 도 1 내지 9를 통하여 후술할 적어도 하나의 방법을 수행할 수 있다. 메모리(1012)는 후술할 방법과 관련된 정보를 저장하거나 후술할 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1012)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(1011)는 프로그램을 실행하고, 제 1 장치(1010)를 제어할 수 있다. 프로세서(1011)에 의하여 실행되는 프로그램의 코드는 메모리(1012)에 저장될 수 있다. 제 1 장치(1010)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
다음으로, 태양광 설비 시스템(1)의 각 구성을 살펴보면, 우선, 드론들(100)은 서로 다른 상수(constant)를 통해 표현할 수 있으며, 가령, 상수 1, 2, 및 3을 통해 드론 1(101), 드론 2(102), 드론 3(103)과 같은 식으로 드론들(100)을 표현할 수 있다. 상수들은 반드시 숫자일 필요는 없으며, 각각의 드론(101, 102, 103)을 구별해 줄 수만 있으면, 문자, 특수문자, 숫자, 또는 이들의 조합으로 이루어져 있을 수도 있다. 도 1 등에서는 3개의 드론(101, 102, 103)을 도시하고 있으나, 드론들(100)의 수는 반드시 3개로 제한되지 않으며, 상황과 목적에 따라 드론들(100)의 수는 더 많아지거나 더 적어질 수 있다.
드론들(100)은 도 10의 장치 2(1020)와 같이 적어도 카메라(1021) 및 공중 센서(1022)를 포함할 수 있다. 드론들(100)은 카메라(1021)를 통해 태양광 모듈들(120)을 포함하는 관심 영역을 촬영 및 관리하는 역할을 수행할 수 있다.
각각의 드론(101, 102, 103)의 위치는 원통형 좌표계(cylindrical coordinate, O)를 통해 표현될 수 있다. 원통형 좌표계(O)의 원점은 GCS(110)가 물리적으로 위치하는 지점일 수도 있고, 드론들(100)의 이륙 지점인 드론 포트(drone port, 미도시)일 수도 있다.
원통형 좌표계(O)를 중심으로, 드론 1(101)은 방위각(φ)의 값이 가장 큰 관심 영역의 세부 영역을 촬영하고(107), 드론 2(102)는 방위각(φ)의 값이 그 다음으로 큰 관심 영역의 세부 영역을 촬영하고(108), 드론 3(103)은 방위각(φ)의 값이 가장 작은 관심 영역의 세부 영역을 촬영할 수 있다(109). 이를 통해, 드론 1(101)은 태양광 모듈 1(121) 및 태양광 모듈 2(122)를 촬영 및 관리할 수 있고; 드론 2(102)는 태양광 모듈 3(123) 및 태양광 모듈 4(124)를 촬영 및 관리할 수 있고; 드론 3(103)은 태양광 모듈 5(125) 및 태양광 모듈 6(126)을 촬영 및 관리할 수 있다. 한편, 각각의 세부 영역에 포함되는 태양광 모듈들(100)의 숫자 및 배치 방식은 태양광 설비 시스템(1)을 운용하는 의도에 따라 다양한 실시예들이 있을 수 있다.
드론들(100)은 도 10의 제 2 장치(1020)와 같이 공중 센서(1022)를 포함할 수 있다. 드론들(100)은 공중 센서(1022)를 통해 각각에게 할당된 세부 영역에 관한 환경 데이터를 측정할 수 있다. 구체적으로, 드론 1(101)은 태양광 모듈 1(121) 및 태양광 모듈 2(122)가 포함된 세부 영역의 환경 데이터를 측정할 수 있고; 드론 2(102)은 태양광 모듈 3(123) 및 태양광 모듈 4(124)가 포함된 세부 영역의 환경 데이터를 측정할 수 있고; 드론 3(103)은 태양광 모듈 5(125) 및 태양광 모듈 6(126)이 포함된 세부 영역의 환경 데이터를 측정할 수 있다. 이처럼 드론들(100)은 공중 센서(1022)를 통해 각각의 태양광 모듈(121, 122, 123, 124, 125, 126)이 설치되는 실외의 거시적 범위의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있다.
공중 센서(1022)는 한 종류의 센서일 수도 있고, 여러 종류의 센서들의 집합일 수도 있다. 가령, 공중 센서(1022)는 제 1 센서를 포함할 수 있다. 제 1 센서는 일사량 센서일 수 있다. 대표적으로, 일사량 센서로는 PAR(Photosynthetically Active Radiation) 센서가 사용될 수 있다. PAR 센서는 광합성 유효광량을 공기 또는 물에서 측정할 수 있도록 구성된 센서이다. PAR 센서는 태양광 에너지가 밀집된 스펙트럼 범위(400-700nm)내의 가시광선에 반응하는 센서이다. PAR 센서는 PPFD(Photosynthetic Photon Flux Density)를 측정하며, 측정단위는 μmol/(m2·s)이다. 한편, 일사량 센서는 PAR 센서로 국한되지 않는다. 가령, 단위 시간 및 단위 면적당 내리쬐는 태양광 에너지를 W/m2 단위로 측정하는 일사량 센서도 차용될 수 있으며, 드론들(100)에 부착 또는 결합하여 사용하기 적합한 일사량 센서라면 어떠한 일사량 센서이든 사용될 수 있다.
드론들(100)의 공중 센서(1022)를 통해 측정한 환경 데이터 및 후술의 태양광 모듈들(120)의 지상 센서(1032)를 통해 측정한 환경 데이터를 기초로, 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)는 태양광 모듈 접속함(130)을 제어하여 태양광 모듈들(120)이 생산한 직류 전류가 인버터(140)에 공급되지 못하도록 차단할 수 있으며, 이와 관련한 구체적인 동작은 도 2를 참조하여 후술된다.
GCS(110)는 디스플레이들을 포함할 수 있으며, 드론들(100)의 비행을 관리하는 한편, 드론들(100)이 전송한 관심 영역에 관한 정보를 수집하여 디스플레이들에 표시할 수 있다. 구체적으로, 드론 1(101)에 의해 촬영된 이미지(107)를 수집하여 디스플레이 1(117)에 표시할 수 있고; 드론 2(102)에 의해 촬영된 이미지(108)를 수집하여 디스플레이 2(118)에 표시할 수 있고; 드론 3(103)에 의해 촬영된 이미지(109)를 수집하여 디스플레이 3(119)에 표시할 수 있다.
GCS(110)는 수집된 정보에 기초하여 드론들(100)의 운용 계획을 변경할 수 있다. 예를 들어, GCS(110)는 드론들(100) 모두에게 비행 방향을 변경하라는 일괄적인 운용 계획을 전송할 수 있다. 또는, GCS(101)는 각각의 드론(101, 102, 103)에게 각각의 방향으로 비행하라는 차별적인 운용 계획을 전송할 수 있다. 이때, 각각의 드론(101, 102, 103)은 각자 자신의 드론 운용 계획을 식별하여 수신할 수 있다. 드론 운용 계획의 일괄적 전송 및 차별적 전송에 관해서는 설계 의도 또는 시스템 효율에 따라 다양한 실시예가 채용될 수 있다.
드론들(100) 및 GCS(110) 간의 데이터 전달은 무선 네트워크를 통해 이루어질 수 있다. 각각의 드론(101, 102, 103) 및 GCS(110)는 무선 네트워크를 위한 통신 안테나, 하드웨어, 소프트웨어 및 이들의 조합을 포함할 수 있으며, 무선 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다.
태양광 모듈들(120)은 태양광을 직류 전류로 변환할 수 있다. 태양광 모듈들(120)은 도 10의 제 3 장치(1030)와 같이 적어도 패널(1031) 및 지상 센서(1032)를 포함할 수 있다.
태양광 모듈들(120)의 패널(1031)에 태양광이 닿으면 광전 효과에 의해 물리적 반응이 일어나며, 이로 인해 패널(1031)의 셀들은 직류 전류를 발생시킬 수 있다. 패널(1031)은 약 60개 이상의 셀로 이루어질 수 있으며, 셀들을 전기적으로 연결하여 내구성이 강한 유리 프레임으로 안전하게 결합할 수 있다. 태양광 모듈(100)에서 생성된 직류 전류는 인버터(140)로 전송될 수 있으며, 이 과정에서 직류 전류는 태양광 모듈 접속함(130)을 거쳐 인버터(140)로 전송될 수 있다.
태양광 모듈들(120)은 태양광 발전을 위해 일정한 지역에 복수 개가 설치될 수 있다. 예를 들어, 도 1에 도시된 것과 같이, 일정한 지역에 태양광 모듈 1(121); 태양광 모듈 2(122); 태양광 모듈 3(123); 태양광 모듈 4(124); 태양광 모듈 5(125); 및 태양광 모듈 6(126)이 설치될 수 있다. 도 1 등에서는 6개의 태양광 모듈(121, 122, 123, 124, 125, 126)을 도시하고 있으나, 태양광 모듈들(120)의 수는 반드시 6개로 제한되지 않으며, 상황과 목적에 따라 태양광 모듈들(120)의 수는 더 많아지거나 더 적어질 수 있다.
태양광 모듈들(120)은 도 10의 제 3 장치(1030)와 같이 지상 센서(1032)를 포함할 수 있다. 태양광 모듈들(120)은 지상 센서(1032)를 통해 각각의 태양광 모듈(121, 122, 123, 124, 125, 126)이 설치되는 실외의 근거리 범위의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있다.
지상 센서(1032)는 한 종류의 센서일 수도 있고, 여러 종류의 세서들의 집합일 수도 있다. 가령, 지상 센서(1032)는 제 2 센서 및 제 3 센서를 포함할 수 있다.
제 2 센서는 자동차 소음을 측정하는 자동차 소음 측정 센서일 수 있다. 자동차 소음 측정 센서는 일반 소음 센서를 차용하고, 이때 소음 센서의 입력부가 태양광 모듈들(120) 주변에 위치한 도로 쪽을 향하도록 정렬함으로써, 소음 센서가 자동차 소음을 측정하는 센서로서 기능하도록 할 수 있다. 또는, 자동차 소음 측정 센서는 일반 소음 센서를 통해 수집된 소리 파형들에서, 자동차 소리와 유사한 패턴의 파형을 제외한 파형들을 노이즈로 취급하여 제거하는 기 알려진 노이즈 캔슬링(noise canceling) 알고리즘을 적용한 후, 자동차 소리에 해당하는 파형으로부터 자동차 소음의 크기를 분석하는 센서일 수 있다. 그 외, 자동차 소음을 측정할 수 있는 센서라면 어떤 것이든 차용될 수 있다. 태양광 모듈들(120) 주변의 자동차 소음이 크게 측정될 경우, 태양광 모듈들(120) 주변은 자동차들에 의한 매연이 많은 상황으로 해석될 수 있다.
제 3 센서는 은행 나무의 은행 열매의 화학 성분에 타겟팅된 전자코(electronic nose)일 수 있다. 전자코(electronic nose)란, 사람의 코 기능과 구조를 기초로 하여 설계된 타겟팅 성분을 감지할 수 있는 가스 센서로, 1982년 영국의 Persaud와 Dodd에 의해 단일 종의 가스인식시스템이 소개된 것을 시발점으로, 점차 상용화가 이루어지고 있는 기술이다. 전자코는 인간 코의 기능을 디지털화 한 것이라 볼 수 있으며, 화학 성분의 냄새를 통해 화학 성분의 정성적, 정량적 분석을 빠르게 수행할 수 있는 사람의 후각 인지 시스템을 모방하여 대기 중의 화학 성분을 감별하는 센서이다. 전자코의 입력부는 각종 화학 성분과 접촉할 때마다 전압이 변화하는 등의 감지 신호를 생성할 수 있다. 전자코는 입력부를 통해 대기 중에 분산된 화학 성분을 입력 받아 감지 신호를 생성하고, 인공 신경망을 통해 감지 신호로부터 화학 성분을 분석하여, 해당 화학 성분이 대기 중에 분포해 있는지 여부 및 분포해 있다면 그 농도가 어떻게 되는지 여부 등을 출력한다.
전자코의 분석은 신속하고 편리한 비파괴적 분석 방법으로, 측정하고자 하는 화학 성분을 일일이 분리하여 분석하는 것이 아니라, 인간이 코를 이용해 화학 성분을 감지하는 것처럼, 대기 중에 배합된 화학 성분을 대기와 함께 전체적으로 감지하는 특성을 가지고 있다. 전자코에 포함된 인공 신경망을 어떻게 학습시켜 주는지에 따라 전자코는 사람의 코가 감지할 수 없는 화학 성분까지도 측정할 수 있다.
전자코의 인공 신경망은 입력부를 통해 입력된 각 화학 성분에 대하여 서로 다른 인식 패턴을 보이며, 타겟 화학 성분이 갖고 있는 향기 패턴을 인공 신경망을 이용하여 반복적으로 학습시킴으로써, 전자코가 타겟 화학 성분을 감별해내는 오차를 최소화할 수 있다. 이를 통해, 대기 중 타겟 화학 성분에 대한 객관적인 자료화가 가능하고, 일정 기간이 지난 후에도 전자코의 미리 학습된 인공 신경망을 이용하여 대기 중 타겟 화학 성분을 분석할 수 있다는 장점이 있다.
제 3 센서는 이와 같은 전자코에 있어서, 타겟 화학 성분을 은행 열매의 화학 성분으로 삼고 전자코의 인공 신경망을 학습시킨 전자코일 수 있다. 이를 통해, 제 3 센서는 태양광 모듈들(120) 주변에 은행 나무들이 많이 분포하고 있는지 여부를 판별할 수 있다. 은행 나무는 매연, 분진, 이산화질소, 아황산가스 등을 흡수하고 신선한 산소를 배출할 수 있는 능력이 일반 나무보다 5, 6배 많은 것으로 알려져 있다. 따라서 제 2 센서를 통해 태양광 모듈들(120) 주변의 자동차 소음이 크게 측정된 경우라도, 제 3 센서를 통해 태양광 모듈들(120) 주변에 은행 열매의 화학 성분이 많이 검출된다면, 태양광 모듈들(120) 주변은 자동차들이 많지만, 자동차들에 의한 매연은 많지 않은 상황으로 해석될 수 있다.
전자코에 포함되는 인공 신경망의 구체적인 학습 과정은 도 9를 참조하여 후술된다.
태양광 모듈들(120)의 지상 센서(1032)를 통해 측정한 환경 데이터 및 전술한 드론들(100)의 공중 센서(1022)를 통해 측정한 환경 데이터를 기초로, 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)가 태양광 모듈 접속함(130)을 제어하여 태양광 모듈들(120)이 생산한 직류 전류가 인버터(140)에 공급되지 못하도록 차단할 수 있으며, 이와 관련한 구체적인 과정은 도 2를 참조하여 후술된다.
인버터(140)는 태양광 모듈들(120)에서 생산된 직류 전류를 교류 전력으로 변환하는 역할을 수행한다. 태양광 모듈들(120)에서 생산된 직류 전류가 인버터(140)를 거쳐 교류 전력으로 변환됨으로써, 비로소 가정, 회사 등에서 이용할 수 있는 교류 전기의 형태를 갖추게 된다. 인버터(140)는 필요와 목적에 따라 전압 변환 후 주파수 변환 방식; 전압, 주파수 동시변환 방식; DC-DC-AC 변환 방식; DC-AC 변환 방식 등이 차용될 수 있다.
한편, 태양광 모듈들(120)이 태양으로부터 광에너지를 제공 받아 직류 전류를 생산하는 과정에서, 고주파 아크(high-frequency arc) 성분이 직류 전류에 포함될 수 있다. 즉, 태양이 구름 등에 가려져 있다가 노출되는 경우처럼, 태양광 모듈들(120)에 입사하는 광에너지가 순간적으로 변하는 경우, 태양광 모듈들(120)이 생산하는 전류는 순간적으로 요동을 치게 되며, 이 과정에서 직류 전류에 고주파 아크 성분이 포함되게 된다.
이와 관련하여, 일반적으로 인버터(140)는 고가의 예민한 장비이므로, 인버터(140)가 고주파 아크 등 인버터(140)의 고장의 원인이 되는 현상에 노출되지 않도록 신경을 쓸 필요가 있다. 즉, 인버터(140)가 고주파 아크에 견딜 수 있는 최대 허용 주파수 이상의 주파수를 가진 고주파 아크가 입력되면, 인버터(140)는 높은 확률로 오작동 및 고장이 일어나, 가정 및 회사 등에 태양광으로 생산한 전기가 공급되지 못하는 문제가 발생할 수 있다. 나아가, 인버터(140)의 고장이 심한 경우, 고가의 장비인 인버터(140)를 새로 교체해야 하고, 이 과정에서 심각한 비용 손실을 초래할 수 있다.
이러한 문제들이 발생하지 않도록, 태양광 모듈 접속함(130)은 태양광 모듈들(120)과 인버터(140) 사이에 배치되어 태양광 모듈들(120)이 생산한 직류 전류를 인버터(140)로 선택적으로 제공할 수 있다. 이 과정에서, 태양광 모듈 접속함(130)은 태양광 모듈들(120)이 생산한 직류 전류에 일정 주파수 이상의 고주파 아크 성분이 포함된 경우, 인버터(140)로 흘러 들어가는 전류를 차단할 수 있다. 이를 수행하기 위해, 태양광 모듈 접속함(130)은 전류 측정부(131); 전류 차단부(132); 및 임베디드 컴퓨터(133)를 포함할 수 있다.
전류 측정부(131)는 태양광 모듈들(120)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정할 수 있다. 이를 위해, 전류 측정부(131)는 RC 하이 패스 필터(high pass filter)를 포함할 수 있다. RC 하이 패스 필터는 차단 주파수(cutoff frequency)가 0.5~1kHz 사이 정도가 되도록 설계될 수 있다. 보통 고주파 아크는 1kHz 이상의 주파수를 가지며, 수십kHz 이상의 주파수를 가지는 고주파 아크도 존재한다. 그러나 구체적인 숫자들은 예시일 뿐이며, RC 하이 패스 필터는 실제 태양광 설비 시스템(1)이 설치되는 지역 및 환경에 따라 발생하는 고주파 아크에 유효하게 대응할 수 있는 적절한 차단 주파수를 가지도록 설계될 수 있다.
RC 하이 패스 필터의 입력측은 태양광 모듈들(120)과 연결되고, 출력측은 임베디드 컴퓨터(133)와 연결될 수 있다. 태양광 모듈들(120)에 입력되는 태양광이 일정한 경우, 태양광 모듈들(120)에 의해 생산된 전류는 고주파 아크 성분이 없거나 아주 적게 포함되어 있을 것이다. 이 경우, 태양광 모듈들(120)이 생산한 전류는 지배적으로 RC 하이 패스 필터의 차단 주파수 이하의 주파수를 가지므로, 임베디드 컴퓨터(133)와 연결된 출력측에 임계치 이상의 신호가 전달되지 않는다. 한편, 미세먼지, 매연, 구름 등에 의해 태양광 모듈들(120)에 입력되는 태양광이 순간적으로 변하는 경우, 태양광 모듈들(120)에 의해 생산된 전류는 고주파 아크 성분을 포함할 것이다. 이 경우, 태양광 모듈들(120)이 생산한 전류는 RC 하이 패스 필터의 차단 주파수 이상의 주파수를 가지는 고주파 아크 성분이 포함될 수 있으므로, 임베디드 컴퓨터(133)와 연결된 출력측에 임계치 이상의 신호가 전달될 수 있다.
전류 측정부(131)로부터 임계치 이상의 신호를 전달 받은 임베디드 컴퓨터(133)는 고주파 아크 성분 데이터를 획득한 셈이 된다. 임베디드 컴퓨터(133)는 고주파 아크 성분의 주파수를 분석하는 기 알려진 알고리즘들을 수행할 수 있고, 고주파 아크 성분의 주파수가 후술의 단전(斷電) 주파수를 초과하는 것으로 판별된 경우, 태양광 모듈들(120)이 생산한 직류 전류를 인버터(140)로 제공하지 않고 차단하라는 명령을 전류 차단부(132)로 전송할 수 있다.
한편, 위에서 설명한 회로 구성 및 전류 측정 방식은 하나의 실시예일 뿐이며, 태양광 모듈들(120)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정할 수만 있다면, 어떠한 회로 구성 및 전류 측정 방식이라도 전류 측정부(131)에 차용될 수 있다.
전류 차단부(132)는 인버터(140)로 제공되는 직류 전류를 차단할 수 있다. 구체적으로, 임베디드 컴퓨터(133)는 차단 명령을 전송할 수 있다. 가령, 전류 차단부(132)에 NPN 트랜지스터가 포함될 수 있고, NPN 트랜지스터의 컬렉터(C)가 태양광 모듈들(120)측과 연결되고; 이미터(E)가 인버터(140)측에 연결되고; 베이스(B)가 태양광 모듈 접속함(130)측에 연결될 수 있다.
평소에는, 베이스(B)에 일정한 전류가 흐름으로써, 태양광 모듈들(120)이 생산한 직류 전류가 인버터(140)로 제공되는 상황일 수 있다. 이때, 차단 명령은 태양광 모듈 접속함(130)가 베이스(B)에 입력되는 전류를 중단시키는 것일 수 있다. 이를 통해, 전류 차단부(132)에 포함되는 NPN 트랜지스터의 컬렉터(C)와 이미터(E) 사이에는 더 이상 전류가 흐를 수 없게 된다. 이를 통해, 태양광 모듈들(120)이 생산한 직류 전류는 인버터(140)로 제공되지 않고 차단될 수 있다.
한편, 위에서 설명한 회로 구성 및 회로 구성에 따른 차단 명령은 예시일 뿐이며, 태양광 모듈 접속함(130)에서 전송하는 차단 명령을 통해 태양광 모듈들(120)이 생산한 직류 전류가 인버터(140)로 제공되지 않을 수만 있다면, 어떠한 회로 구성이라도 전류 차단부(132)에 차용될 수 있으며, 어떠한 차단 명령 방식이라도 임베디드 컴퓨터(133)에 차용될 수 있다.
임베디드 컴퓨터(133)는 전류 측정부(131) 및 전류 차단부(132)를 제어하여, 태양광 모듈들(120)이 생산한 직류 전류를 인버터(140)로 제공하거나 제공하지 않도록 태양광 모듈 접속함(130)을 제어할 수 있다.
이를 위해, 임베디드 컴퓨터(133)는 드론들(100)과 무선 네트워크를 통해 데이터를 전달 받을 수 있으며, 태양광 모듈들(120)과 유선 또는 무선 네트워크를 통해 데이터를 전달 받을 수 있다. 드론들(100); 태양광 모듈들(120); 및 임베디드 컴퓨터(133)는 유무선 네트워크를 위한 통신선, 통신 안테나, 하드웨어, 소프트웨어 및 이들의 조합을 포함할 수 있으며, 유무선 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다.
임베디드 컴퓨터(133)는 드론들(100)이 공중 센서(1022)를 통해 측정한 환경 데이터 및 태양광 모듈들(120)이 지상 센서(1032)를 통해 측정한 환경 데이터를 획득하고; 복수의 환경 데이터를 기초로 단전(斷電) 주파수를 설정하고; 전류 측정부(131)가 측정한 태양광 모듈들(120)이 생산한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득하고; 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터(140)로 제공되는 직류 전류를 차단하는 명령을 전류 차단부(132)로 전송할 수 있다. 임베디드 컴퓨터(133)의 구체적인 동작은 도 2를 참조하여 후술된다.
이하에서, 태양광 설비 시스템(1)을 구성하는 드론들(100); GCS(110); 태양광 모듈들(120); 태양광 모듈 접속함(130); 및 인버터(140)의 개별 동작 및 상호 동작을 중심으로 실시예가 기술되며, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용례가 채용될 수 있다. 이하, 도 2를 참조하여, 태양광 설비 시스템(1)의 동작과 관련된 실시예가 설명된다. 도 3을 참조하여, GCS(110)가 드론들(100)로부터 획득한 이미지를 기초로 드론들(100)의 위치 조정 데이터를 생성하는 동작과 관련된 실시예가 설명된다. 도 4를 참조하여, GCS(100)가 포함하고 있는 컨볼루션 신경망(convolutional neural network)의 동작과 관련된 실시예가 설명된다. 도 5 내지 8을 참조하여, 드론들(100)이 위치 조정 데이터를 기초로 비행 위치를 정렬하는 동작과 관련된 실시예가 설명된다. 도 9를 참조하여, 태양광 설비 시스템(1)에 포함되는 인공 신경망들의 학습과 관련된 실시예가 설명된다.
도 2는 일실시예에 따른 태양광 설비 시스템의 동작을 설명하기 위한 도면이다.
우선, 태양광 모듈들(120)은 직류 전류를 생성할 수 있다(221). 각각의 태양광 모듈(121, 122, 123, 124, 125, 126)의 패널(1031)에 태양광이 닿으면 광전 효과에 의해 물리적 반응이 일어나며, 이로 인해 패널(1031)의 셀들은 직류 전류를 발생시킬 수 있다.
다음으로, 태양광 모듈들(120)은 태양광 모듈 접속함(130)으로 직류 전류를 전송할 수 있다(222). 전류의 전송은 태양광 모듈들(120) 및 태양광 모듈 접속함(130)을 연결하는 통상의 전선을 통해 이루어질 수 있다.
이어서, 태양광 모듈 접속함(130)은 인버터(140)로 직류 전류를 전송할 수 있다(231). 인버터(140)는 태양광 모듈 접속함(130)으로부터 전송 받은 직류 전류를 교류로 변환할 수 있다(241). 태양광 모듈들(120)에서 생산된 직류 전류가 인버터(140)를 거쳐 교류 전력으로 변환됨으로써, 비로소 가정, 회사 등에서 이용할 수 있는 교류 전기의 형태를 갖추게 된다.
한편, 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)는 복수의 환경 데이터를 기초로 단전(斷電) 주파수를 설정하고; 전류 측정부(131)가 측정한 태양광 모듈들(120)이 생산한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득하고; 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터(140)로 제공되는 직류 전류를 차단하는 명령을 전류 차단부(132)로 전송할 수 있으며, 전류 차단부(132)는 태양광 모듈들(120)이 생산한 직류 전류가 인버터(140)에 공급되지 못하도록 차단할 수 있다.
이를 위해, 우선, 드론들(100)은 제 1 이미지를 촬영할 수 있다(201). 서로 다른 상수로 표현되는 각각의 드론(101, 102, 103)은 관심 영역의 세부 영역의 제 1이미지를 각각 촬영할 수 있다. 구체적으로, 도 1의 원통형 좌표계(O)를 중심으로, 상수 1에 대응하는 드론 1(101)은 방위각(φ)의 값이 가장 큰 관심 영역의 세부 영역을 제 1이미지로서 촬영하고(107), 상수 2에 대응하는 드론 2(101)는 방위각(φ)의 값이 그 다음으로 큰 관심 영역의 세부 영역을 제 1이미지로서 촬영하고(108), 상수 3에 대응하는 드론 3(103)은 방위각(φ)의 값이 가장 작은 관심 영역의 세부 영역을 제 1이미지로서 촬영할 수 있다(109).
다음으로, 드론들(100)은 제 1 이미지들(107, 108, 109)을 GCS(110)로 전송할 수 있다(202). 이를 통해, GCS(110)는 제1 이미지들(107, 108, 109)을 획득할 수 있다. GCS(110)는 획득한 제1 이미지들(107, 108, 109)을 디스플레이들에 표시할 수 있다. 예를 들어, 드론 1(101)에 의해 촬영된 제 1 이미지(107)는 디스플레이 1(117)에 표시될 수 있고; 드론 2(102)에 의해 촬영된 제 1 이미지(108)는 디스플레이 2(118)에 표시될 수 있고; 드론 3(103)에 의해 촬영된 제 1 이미지(109)는 디스플레이 3(119)에 표시될 수 있다.
이어서, 도 2와 더불어 도 3 및 4를 참고하면, GCS(110)는 제 1 이미지들(107, 108, 109)에 기초하여, GCS(110)에 포함된 컨볼루션 신경망(400)의 인풋 레이어(input layer)에 대응하는 입력(300)을 생성할 수 있다(211). GCS(110)는 컨볼루션 신경망(400)에 입력(300)을 적용하여 출력을 획득할 수 있다(212).
다음으로, GCS(110)는 획득한 출력에 기초하여, 서로 다른 상수에 각각 대응하는 드론들(100)에게 상수들에 기초한 대형(formation)으로 비행 위치를 정렬하도록 하는 위치 조정 데이터(320)를 생성할 수 있다(213). GCS(110)가 드론들(100)로부터 획득한 제 1 이미지들(107, 108, 109)에 기초하여 위치 조정 데이터(320)를 생성하는 구체적인 과정은 도 3 및 4를 참조하여 후술된다.
위치 조정 데이터(320)의 생성이 완료되면, GCS(110)는 드론들(100)에게 위치 조정 데이터(320)를 전송할 수 있다(214). 이를 통해, 각각의 드론(101, 102, 103)은 위치 조정 데이터(320)를 획득할 수 있다.
이어서, 도 2와 더불어 도 5 내지 8을 참고하면, 각각의 드론(101, 102, 103)은 위치 조정 데이터(320)에서 각자 자신에게 할당된 데이터를 식별하여, 각자 자신에게 할당된 이동 명령을 수행함으로써, 각각의 드론(101, 102, 103)과 일대일 대응관계로 대응하는 상수들에 기초한 대형(formation)으로 비행 위치를 정렬할 수 있다(203).
정렬이 이루어진 상태에서, 드론들(100)은 제 2 이미지를 촬영할 수 있다(204). 촬영을 마친 드론들(100)은 GCS(110)에게 제 2 이미지들을 전송할 수 있다(205). 이를 통해, GCS(110)는 제 2 이미지들을 획득할 수 있다. 드론들(100)들이 위치 조정 데이터(320)에 기초하여 비행 위치를 정렬하고, 정렬된 상태에서 제 2 이미지를 촬영하여 GCS(110)로 전송하는 구체적인 과정은 도 5 내지 8을 참조하여 후술된다.
이어지는 순서로, GCS(110)는 드론들(100)이 목표 위치로 정렬했는지 판별할 수 있다(215). 여기서 목표 위치는, 태양광 모듈들(120)이 포함된 관심 영역을 균등하게 분할한 각각의 세부 영역을 각각의 드론(101, 102, 103)이 관리할 수 있도록 각각의 드론(101, 102, 103)이 자리하는 위치일 수 있다.
GCS(110)는 디스플레이들(117, 118, 119)에 표시된 제 2 이미지들을 종합하여 드론들(100)이 목표 위치로 정렬했는지 판별할 수 있다. 구체적으로, GCS(110)는 도 8과 같이, 제 2 이미지들 서로 간에 중복되는 부분이 각각의 제 2 이미지의 경계부에만 존재하여, 제 2 이미지들이 자연스럽게 이어지는 파노라마(panorama) 이미지를 구성하는 경우, 드론들(100)이 목표 위치로 정렬했다고 판별할 수 있다. GCS(110)가 드론들(100)이 목표 위치로 정렬했는지 여부를 판별하는 보다 구체적인 과정은 도 5 내지 8을 참조하여 후술된다.
GCS(110)의 판별 결과, 드론들(100)이 목표 위치로 정렬하지 않았다면, GCS(110)는 제 2 이미지들을 기초로 제 2 입력을 생성하고; 제 2 입력을 컨볼루션 신경망(400)에 적용하여 제 2 출력을 획득하고; 제 2 출력을 기초로 제 2 위치 조정 데이터를 생성하고; 드론들(100)에게 제 2 위치 조정 데이터를 전송하고; 제 2 위치 조정 데이터를 기초로 비행 위치를 정렬한 드론들(100)이 촬영한 제 3 이미지들을 획득하고; 제 3 이미지들을 기초로 드론들(100)이 목표 위치로 정렬했는지 다시 판별할 수 있다. 이처럼 GCS(110)는 드론들(100)이 목표 위치로 정렬할 때까지 드론들(100)에게 제 n 위치 조정 데이터를 전송하는 과정을 반복함으로써, 드론들(100)이 목표 위치로 정확하게 자리할 수 있도록 제어할 수 있다.
한편, GCS(110)의 판별 결과, 드론들(100)의 목표 위치로 정렬했다면, 각각의 드론(101, 102, 103)은 공중 센서(1022)에 포함되는 제 1 센서를 통해 제 1 환경 데이터를 측정할 수 있다(206). 제 1 센서는 일사량 센서일 수 있다. 드론들(100)은 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)로 제 1 센서를 통해 측정한 제 1 환경 데이터를 전송할 수 있다(207).
이때, GCS(110)가 드론들(100)이 목표 위치로 정렬했는지를 판별한 후 드론들(100)에 의한 제 1 환경 데이터 측정이 이루어지게 되므로, 각각의 드론(101, 102, 103)은 태양광 모듈들(120)이 포함된 관심 영역을 균등하게 분할한 각각의 세부 영역을 관리할 수 있도록 자리한 상태에서 제 1 환경 데이터를 측정하므로, 제 1 환경 데이터 측정은 드론들(120)간에 중복으로 측정하는 영역이 최소화되면서도, 모든 태양광 모듈들(120)에 대해 고르게 이루어질 수 있다. 따라서 측정하고자 하는 제 1 환경 데이터를 보다 정확하고 효율적으로 획득할 수 있다.
또한, 태양광 모듈들(120)은 지상 센서(1032)에 포함되는 제 2 센서를 통해 제 2 환경 데이터를 측정할 수 있고(223), 마찬가지로 지상 센서(1032)에 포함되는 제 3 센서를 통해 제 3 환경 데이터를 측정할 수 있다. 제 2 센서는 자동차 소음 측정 센서; 제 3 센서는 은행 나무의 은행 열매의 화학 성분에 타겟팅된 전자코일 수 있다. 태양광 모듈들(120)은 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)로 제 2 센서를 통해 측정한 제 2 환경 데이터 및 제 3 센서를 통해 측정한 제 3 환경 데이터를 전송할 수 있다(224).
위 과정을 통해, 임베디드 컴퓨터(133)는 복수 종류의 센서로부터 복수의 환경 데이터를 획득할 수 있다. 구체적으로, 임베디드 컴퓨터(133)는 공중 센서(1022)에 포함되는 제 1 센서로부터 제 1 환경 데이터를; 지상 센서(1032)에 포함되는 제 2 센서로부터 제 2 환경 데이터를; 지상 센서(1032)에 포함되는 제 3 센서로부터 제 3 환경 데이터를 획득할 수 있다. 이때, 제 1 환경 데이터는 태양광 모듈들(120)이 포함된 관심 영역의 일사량 데이터이고; 제 2 환경 데이터는 태양광 모듈들(120) 근방의 자동차 소음 데이터이고; 제 3 환경 데이터는 태양광 모듈들(120) 근방의 대기 중 은행 열매의 화학 성분을 수치화한 데이터일 수 있다.
이어서, 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)는 복수의 환경 데이터를 기초로, 단전(斷電) 주파수를 설정할 수 있다(232). 여기서 단전(斷電) 주파수란, 태양광 모듈들(120)이 생산한 직류 전류에서 고주파 아크 성분이 검출되었고, 나아가 고주파 아크 성분의 주파수가 단전 주파수를 초과한 것으로 판별된 경우, 태양광 모듈들(120)이 생산한 직류 전류를 인버터(140)으로 제공하지 않고 차단하기로 결정하는 주파수일 수 있다.
단전 주파수를 어떻게 설정해야 적합한지는 도 11을 참고하여 설명될 수 있다. 도 11을 참고하면, 일사량이 적은 경우(1110)와 일사량이 많은 경우(1120), 고주파 아크의 주파수와 주파수에 따른 고주파 아크의 발생빈도의 관계를 표현한 그래프들을 확인할 수 있다. 일사량이 적은 경우(1110)에나 일사량이 많은 경우(1120)에나, 고주파 아크의 주파수에 따른 발생빈도는 정규분포에 가까운 형태를 띤다. 한편, 일사량이 많은 경우(1120), 정규분포의 중심 위치를 결정하는 평균 값이 더 크므로, 주파수가 높은 고주파 아크들이 보다 높은 확률로 발생한다는 것을 확인할 수 있다. 이는 태양광 모듈들(120)의 일부 또는 전부가 태양광으로부터 가려져 있다가 태양광에 다시 노출되는 경우(또는 그 반대의 경우), 일사량이 많을수록 순간적인 광에너지의 변화가 크기 때문에, 전류의 요동도 심해지고, 이에 따라 고주파 아크들의 주파수도 통계적으로 상승하게 되는 것에서 원인을 찾을 수 있다.
한편, 인버터(140)가 고주파 아크에 견딜 수 있는 최대 허용 주파수(1101) 이상의 주파수를 가진 고주파 아크에 노출되면 오작동 및 고장이 일어날 수 있다. 따라서, 단전 주파수는 일사량이 적은 경우(1110)에나 일사량이 많은 경우(1120)에나 최대 허용 주파수(1101)보다 작아야 인버터(140)를 보호한다는 목적을 달성할 수 있다.
여기서, 일사량이 적은 경우(1110), 정규분포의 중심 위치를 결정하는 평균 값이 작으므로, 태양광 모듈들(120)이 생산한 직류 전류에서 고주파 아크 성분이 검출되더라도, 검출된 고주파 아크의 주파수가 최대 허용 주파수(1101)보다 크거나 같을 확률은 낮다. 따라서 일사량이 적은 경우의 단전 주파수(1111)는 최대 허용 주파수(1101)와의 차가 작도록 설정되어야 태양광 설비 시스템(1)이 불필요하게 차단되는 비효율을 최소화할 수 있다.
반대로, 일사량이 많은 경우(1120), 정규분포의 중심 위치를 결정하는 평균 값이 크므로, 태양광 모듈들(120)이 생산한 직류 전류에서 고주파 아크 성분이 검출되었다면, 검출된 고주파 아크의 주파수가 최대 허용 주파수(1101)보다 크거나 같을 확률이 높다. 따라서 일사량이 많은 경우의 단전 주파수(1121)는 최대 허용 주파수(1101)와의 차가 크도록 설정되어야 인버터(140)가 고장 날 위험성을 최소화할 수 있다.
따라서 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)는 복수의 센서(140)를 통해 태양광 모듈들(120) 주변의 일사량이 많은지 적은지를 측정하고, 이를 기초로 단전 주파수를 정해야 태양광 설비 시스템(1)이 불필요하게 차단되는 비효율을 최소화하면서 동시에 인버터(140)가 고장 날 위험성도 최소화할 수 있다.
이를 위해, 우선, 제 1 센서로부터 획득한 제 1 환경 데이터, 즉 일사량 센서로부터 획득한 태양광 모듈들(120) 주변의 일사량 데이터를 통해 단전 주파수가 설정될 수 있다. 일사량이 높다고 측정될수록 최대 허용 주파수(1101)를 초과하는 고주파 아크가 발생할 확률이 크므로, 단전 주파수와 최대 허용 주파수(1101)의 차가 커지도록 단전 주파수가 설정되어야 한다.
다음으로, 제 2 센서로부터 획득한 제 2 환경 데이터, 즉 자동차 소음 측정 센서로부터 획득한 태양광 모듈들(120) 주변의 자동차 소음 데이터를 통해, 제 1 환경 데이터를 통해 설정된 단전 주파수를 세부적으로 조정될 수 있다.
태양광 모듈들(120) 주변의 자동차 소음이 크게 측정될 경우, 태양광 모듈들(120) 주변은 자동차들에 의한 매연이 많은 상황으로 해석될 수 있다. 이때, 제 1 센서에 의해 일사량이 적다고 측정된 경우라도, 제 2 센서에 의해 자동차 소음이 심하다고 측정된 경우, 실제로는 일사량이 많은 날씨이지만, 자동차들의 매연 때문에 태양광 모듈들(120) 주변의 일사량이 일시적으로 및 국지적으로 줄어든 상황일 수 있다. 즉, 제 1 센서에 의한 측정 결과와는 달리, 실제로는 일사량이 많은 상황일 수도 있다. 이러한 상황에서, 자동차 매연이 빠르게 걷힐 경우, 태양광 모듈들(120)은 순간적으로 강한 일사량의 태양광에 노출될 수 있으며, 이에 따라 최대 허용 주파수(1101)를 초과하는 고주파 아크가 발생할 위험이 있다. 이러한 고주파 아크를 방지하기 위해서는, 제 1 환경 데이터, 즉 일사량 데이터가 동일한 값을 가지는 경우라도, 제 2 환경 데이터, 즉 자동차 소음 데이터가 큰 값을 가질수록, 단전 주파수와 최대 허용 주파수(1101)의 차가 커지도록 단전 주파수가 설정되어야 한다. 즉, 제 1 환경 데이터인 일사량 데이터가 동일한 값을 가지는 경우에 대해, 제 2 환경 데이터인 자동차 소음 데이터가 큰 값을 가지는 경우, 단전 주파수와 최대 허용 주파수(1101)의 차는 제 2 환경 데이터가 작은 값을 가지는 경우보다 커야 한다.
이어서, 제 3 센서로부터 획득한 제 3 환경 데이터, 즉 은행 나무의 은행 열매의 화학 성분에 타겟팅된 전자코의 인공 신경망으로부터 획득한 태양광 모듈들(120) 주변의 대기 중 은행 열매의 화학 성분을 수치화한 데이터를 통해, 제 1 환경 데이터 및 제 2 환경 데이터를 기초로 세부적으로 설정된 단전 주파수가 세부적으로 조정될 수 있다.
제 2 센서를 통해 태양광 모듈들(120) 주변의 자동차 소음이 크게 측정된 경우라도, 제 3 센서를 통해 태양광 모듈들(120) 주변에 은행 열매의 화학 성분이 많이 검출된다면, 매연, 분진, 이산화질소, 아황산가스 등을 흡수하고 신선한 산소를 배출할 수 있는 능력이 일반 나무보다 5, 6배 많은 은행 나무들이 태양광 모듈들(120) 주변에 많이 분포한 상황이므로, 자동차들이 많더라도 자동차들에 의한 매연은 은행 나무들에 의해 흡수되어 많지 않은 상황으로 해석될 수 있다. 이때, 제 1 센서에 의해 일사량이 적다고 측정되고, 제 2 센서에 의해 자동차 소음이 심하다고 측정된 경우라면, 실제로는 일사량이 많은 날씨라 하더라도, 자동차들의 매연 때문에 태양광 모듈들(120) 주변의 일사량이 일시적으로 및 국지적으로 줄어든 상황으로 해석될 수도 있을 것이나, 여기에 더해 제 3 센서에 의해 대기 중 은행 열매의 화학 성분이 많다고 측정된 경우라면, 은행 나무들이 자동차들의 매연을 많이 흡수했을 것이므로, 실제로도 일사량이 적은 날일 것이다. 즉, 제 3 환경 데이터는 제 2 환경 데이터가 단전 주파수를 조정하는 효과를 상쇄시킨다. 따라서 제 1 환경 데이터, 즉 일사량 데이터가 동일한 값을 가지고, 제 2 환경 데이터, 즉 자동차 소음 데이터 역시 동일한 값을 가지는 경우, 제 3 환경 데이터, 즉 태양광 모듈들(120) 주변의 대기 중 은행 열매의 화학 성분을 수치화한 데이터가 클수록 단전 주파수와 최대 허용 주파수(1101)의 차는 작아지도록 단전 주파수가 설정되어야 한다. 즉, 제 1 환경 데이터인 일사량 데이터가 동일한 값을 가지고, 제 2 환경 데이터인 자동차 소음 데이터 역시 동일한 값을 가지는 경우에 대해, 제 3 환경 데이터인 태양광 모듈들(120) 주변의 대기 중 은행 열매의 화학 성분을 수치화한 데이터가 큰 값을 가지는 경우, 단전 주파수와 최대 허용 주파수(1101)의 차는 제 3 환경 데이터가 작은 값을 가지는 경우보다 작아야 한다.
이처럼 제 1 환경 데이터; 제 2 환경 데이터; 및 제 3 환경 데이터를 기초로 임베디드 컴퓨터(133)가 단전 주파수를 설정하는 프로세스는, 제 1 환경 데이터; 제 2 환경 데이터; 및 제 3 환경 데이터를 기초로 입력을 생성하고, 생성된 입력을 미리 학습된 인공 신경망에 적용하고, 인공 신경망의 출력을 획득하고, 출력을 기초로 단전 주파수를 설정하는 프로세스를 통해 이루어질 수 있다.
특히, 인공 신경망이 추론하여 출력한 주파수를 단전(斷電) 주파수로 설정할 수 있다. 이때, 단전 주파수(511, 521)는 인버터가 고주파 아크에 견딜 수 있는 최대 허용 주파수(1101)보다 작으며; 제 1 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(1101)와의 차가 커지도록 설정되며; 제 1 환경 데이터가 동일한 값을 가지는 경우라도, 제 2 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(1101)와의 차가 커지도록 설정되며; 제 1 환경 데이터가 동일한 값을 가지고, 제 2 환경 데이터도 동일한 값을 가지는 경우에 대하여, 제 3 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(1101)와의 차가 작아지도록 설정될 수 있다. 한편, 임베디드 컴퓨터(133)에 포함되는 인공 신경망이 학습되는 과정은 도 9를 참조하여 후술된다.
이어지는 순서로, 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)는 전류 측정부(131)가 측정한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득할 수 있다(233). 전류 측정부(131)가 태양광 모듈들(120)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정하고, 측정 결과를 임베디드 컴퓨터(133)로 전송하는 과정은 도 1을 참조하여 설명된 전류 측정부(131)에 포함되는 RC 하이 패스 필터를 중심으로 이루어질 수 있다. 그러나, 이에 제한되는 것은 아니며, 태양광 모듈들(120)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정하고, 측정 결과를 임베디드 컴퓨터(133)으로 전송할 수만 있다면, 어떠한 구성 및 방식이라도 차용될 수 있다.
다음으로, 임베디드 컴퓨터(133)는 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터(140)로 제공되는 직류 전류를 차단하는 명령을 생성할 수 있다(234). 임베디드 컴퓨터(133)가 전류 측정부(131)로부터 획득한 고주파 아크 성분의 주파수를 측정하고, 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 것으로 판별한 경우, 태양광 모듈들(120)이 생산한 직류 전류를 인버터(140)로 제공하지 않고 차단하라는 명령을 전류 차단부(132)로 전송하는 과정은 도 1을 참조하여 설명된, 전류 측정부(131)로부터 고주파 아크 성분의 주파수가 임계치 이상이라는 신호를 전달 받은 임베디드 컴퓨터(133)의 동작과 동일할 수 있다. 그러나, 이에 제한되는 것은 아니며, 고주파 아크의 주파수가 단전 주파수를 초과할 경우, 전류 차단부(132)로 차단 명령을 전송할 수만 있다면, 어떠한 구성 및 방식이라도 차용될 수 있다.
이후, 차단 명령을 전송 받은 태양광 모듈 접속함(130)의 전류 차단부(132)는 인버터(140)로 제공되는 직류 전류를 차단할 수 있다(235). 전류 차단부(132)가 인버터(140)로 제공되는 직류 전류를 차단하는 과정은 도 1을 참조하여 설명된 전류 차단부(132)에 포함되는 NPN 트랜지스터를 중심으로 이루어질 수 있다. 그러나, 이에 제한되는 것은 아니며, 태양광 모듈 접속함(130)에서 전송하는 차단 명령을 통해 태양광 모듈들(120)이 생산한 직류 전류가 인버터(140)로 제공되지 않도록 할 수만 있다면, 어떠한 구성 및 방식이라도 차용될 수 있다.
도 3은 일실시예에 따른 GCS의 동작을 설명하기 위한 도면이다.
도 3을 참조하면, GCS(110)는 획득한 제 1 이미지들(107, 108, 109)에 기초하여 GCS(110)에 포함된 미리 학습된 컨볼루션 신경망(convolutional neural network, 400)의 인풋 레이어(input layer)에 대응하는 입력(300)을 생성할 수 있다.
제 1이미지들(107, 108, 109)로부터 입력(300)을 생성함에 있어, 각각의 제 1 이미지의 가로 길이와 세로 길이가 서로 동일하도록 처리하는 과정이 있을 수 있다. 길이 단위는 cm, mm, inch 등 물리적인 길이 단위일 수 있으며, dpi, ppi 등의 화상 단위일 수도 있다. 각각의 제 1 이미지(107, 108, 109)의 사이즈를 통일하는 것을 통해 컨볼루션 신경망(400)이 각각의 이미지를 용이하게 비교할 수 있는 입력을 생성할 수 있다.
또한, 제 1이미지들(107, 108, 109)로부터 입력(300)을 생성함에 있어, 제 1 이미지들(107, 108, 109)을 흑백 이미지로 처리하거나, RGB 색상 중에서 특정 색상으로 처리하는 과정이 있을 수 있다. 이를 통해 입력(300)은 색상 정보가 통일된 단일 채널(channel)의 이미지 파일이 될 수 있다. 단일 채널의 이미지 파일이 컨볼루션 신경망(400)으로 입력될 경우, 컨볼루션 신경망은 높이(height)와 너비(width)만 가지며 깊이(depth)는 가지지 않는 특징맵(feature map)을 연산하면 되므로, 보다 적은 컴퓨팅 파워를 가지고도 보다 빠른 속도로 목표하는 출력을 얻을 수 있다. 이를 통해, GCS(110)가 전용서버나 슈퍼컴퓨터 등이 아닌 경우라도 컨볼루션 신경망(400)의 연산이 용이하게 수행되도록 할 수 있다.
이어서, 생성한 입력(300)을 컨볼루션 신경망(400)에 적용하여 출력을 획득할 수 있다. 컨볼루션 신경망(400)의 출력은 각각의 드론이 촬영한 제 1 이미지에서 나머지 드론들이 촬영한 제 1 이미지들과 중복되는 부분들의 위치 및 크기 데이터를 각각의 드론(101, 102, 103)별로 그룹화한 제 1 중복 부분 데이터(311)일 수 있다.
컨볼루션 신경망(400)의 출력인 제 1 중복 부분 데이터(311)를 살펴보면, 미리 설정된 픽셀 단위별 데이터(data per pixel unit)가 원으로 도시되며, 도 5의 위치 관계를 가지는 드론 1(101); 드론 2(102); 및 드론 3(103)에서, 드론 1에 의해 촬영된 이미지(507)의 픽셀 단위별 데이터들은 좌측 직사각형에; 드론 2에 의해 촬영된 이미지(508)의 픽셀 단위별 데이터들은 가운데 직사각형에; 드론 3에 의해 촬영된 이미지(509)의 픽셀 단위별 데이터들은 우측 직사각형에 도시되어 있다.
한편, 각 픽셀 단위별 데이터는 0 또는 1의 값을 가질 수 있다. 도 3의 경우, 픽셀 단위별 데이터가 0의 값을 가지면 색칠되지 않은 원으로, 픽셀 단위별 데이터가 1의 값을 가지면 색칠된 원으로 도시되어 있다. 한 개의 드론이 촬영한 제 1 이미지에서 미리 설정된 픽셀 단위 하나에 해당하는 부분 이미지에 대하여, 컨볼루션 신경망(400)이 나머지 드론들이 촬영한 제 1 이미지들에 해당 픽셀 단위의 부분 이미지와 중복되는 부분 이미지를 가지는 픽셀 단위가 존재한다고 추론할 경우, 해당 픽셀 단위의 픽셀 단위별 데이터는 1의 값을 가지며, 도 3에서 색칠된 원으로 도시된다. 한편, 한 개의 드론이 촬영한 제 1 이미지에서 미리 설정된 픽셀 단위 하나에 해당하는 부분 이미지에 대하여, 컨볼루션 신경망(400)이 나머지 드론들이 촬영한 제 1 이미지들에 해당 픽셀 단위의 부분 이미지와 중복되는 부분 이미지를 가지는 픽셀 단위가 존재하지 않는다고 추론할 경우, 해당 픽셀의 픽셀 단위별 데이터는 0의 값을 가지며, 도 3에서 색칠되지 않은 원으로 도시된다.
구체적으로, 제 1 중복 부분 데이터(311)의 경우, 드론 1에 의해 촬영된 이미지(507)에 대응하는 좌측 직사각형의 픽셀 단위별 데이터들 중에서, 미리 설정된 픽셀 단위를 기준으로 우측의 다섯 열(column)의 모든 행(row)의 픽셀 단위별 데이터가 1에 해당한다. 이는 드론 1에 의해 촬영된 이미지(507)에서 미리 설정된 픽셀 단위를 기준으로 우측의 다섯 열(column)의 모든 행(row)에 해당하는 픽셀들로 이루어진 부분 이미지가 드론 2에 의해 촬영된 이미지(508)의 일부와 중복된다는 것을 의미한다.
또한, 드론 2에 의해 촬영된 이미지(508)에 대응하는 가운데 직사각형의 픽셀 단위별 데이터들 중에서, 미리 설정된 픽셀 단위를 기준으로 우측 및 좌측의 세 열(column)의 가운데 부분의 다섯 행(row)의 픽셀 단위별 데이터가 1에 해당한다. 이는 드론 2에 의해 촬영된 이미지(508)에서 미리 설정된 픽셀 단위를 기준으로 우측 및 좌측의 세 열(column)의 가운데 부분의 다섯 행(row)에 해당하는 픽셀들로 이루어진 부분 이미지들이 드론 1 및 드론 3에 의해 촬영된 이미지들(507, 509)의 일부와 중복된다는 것을 의미한다.
또한, 드론 3에 의해 촬영된 이미지(509)에 대응하는 우측 직사각형의 픽셀 단위별 데이터들 중에서, 미리 설정된 픽셀 단위를 기준으로 좌측의 다섯 열(column)의 모든 행(row)의 픽셀 단위별 데이터가 1에 해당한다. 이는 드론 3에 의해 촬영된 이미지(509)에서, 미리 설정된 픽셀 단위를 기준으로 좌측의 다섯 열(column)의 모든 행(row)에 해당하는 픽셀들로 이루어진 부분 이미지가 드론 2에 의해 촬영된 이미지(508)의 일부와 중복된다는 것을 의미한다.
이처럼 GCS(110)는 각각의 드론(101, 102, 103)에 의해 촬영된 제 1 이미지들(507, 508, 509)을 기초로 입력(300)을 생성한 후, 입력(300)을 컨볼루션 신경망(400)에 적용하여 출력인 제 1 중복 부분 데이터(311)를 획득할 수 있으며, 제 1 중복 부분 데이터(311)는 각각의 드론이 촬영한 제 1 이미지에서 나머지 드론들이 촬영한 제 1 이미지들과 중복되는 부분들의 위치 및 크기 데이터를 각각의 드론(101, 102, 103)별로 그룹화한 데이터일 수 있다. 이때, 제 1 중복 부분 데이터(311)는 한 가지 값으로 고정되지 않으며, 각각의 드론(101, 102, 103)의 상대적 위치에 따라 다르게 촬영되는 제 1 이미지들이 서로 어떻게 중복 되느냐에 따라 다른 값을 가질 수 있다(312, 313).
한편, 입력(300)을 획득하여 출력을 생성하는 컨볼루션 신경망(400)의 구체적인 구성 및 동작은 도 4를 참조하여 후술된다.
이후, GCS(110)는 획득한 출력에 기초하여, 서로 다른 상수와 일대일 대응관계를 가지는 드론들(100)에게 상수들에 기초한 대형(formation)으로 비행 위치를 정렬하도록 하는 위치 조정 데이터(320)를 생성할 수 있다.
여기서 상수들에 기초한 대형은, 도 8에 도시된 것처럼, 상수들에 각각 대응하는 드론들(100)이 상수들에 기초하여 정의된 순서에 따라 원통형 좌표계(O)의 방위각(azimuthal) 방향으로 순차로 배치되는 대형일 수 있다. 즉, 원통형 좌표계(O)를 기준으로, 드론들(100)이 동일한 거리(r)와 높이(z) 값을 가지면서, 상수 1에 대응하는 드론 1(101)은 가장 큰 방위각(φ) 값을 가지고, 상수 2에 대응하는 드론 2(101)는 그 다음으로 큰 방위각(φ) 값을 가지고, 상수 3에 대응하는 드론 3(103)은 가장 작은 방위각(φ) 값을 가지는 대형일 수 있다. 이 때, 원통형 좌표계(O)의 원점은 GCS(110)가 물리적으로 위치하는 지점일 수도 있고, 드론들(100)의 이륙 지점인 드론 포트(drone port, 미도시)일 수도 있다.
한편, 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 이동하도록 제어하는 위치 조정 데이터(320)는 다음과 같은 과정을 통해 생성할 수 있다. 우선, GCS(110)는 제 1 중복 부분 데이터(311)에 기초하여, 드론들(100)의 제 1 상대적 위치들을 계산할 수 있다. 즉, GCS(110)는 컨볼루션 신경망(400)의 출력이 제 1 중복 부분 데이터(311)와 같을 경우, 각각의 드론(101, 102, 103)이 촬영한 이미지들의 중복 관계로부터 각각의 드론(101, 102, 103)이 서로에 대해 어떤 위치 관계를 가지는지 계산할 수 있으며, 이를 바탕으로 각각의 드론(101, 102, 103)의 상대적인 위치들을 계산할 수 있다.
예를 들어, 컨볼루션 신경망(400)의 출력이 제 1 중복 부분 데이터(311)와 같을 경우, GCS(110)는 각각의 드론(101, 102, 103)의 상대적인 위치가 도 5와 같이, 원통형 좌표계(O)를 기준으로, 드론 1(101), 드론 2(102), 및 드론 3(103)의 높이(z)가 동일하다고 계산할 수 있다. 또한, 드론 1(101)은 가장 큰 방위각(φ) 값을 가지고, 드론 2(101)는 그 다음으로 큰 방위각(φ) 값을 가지고, 드론 3(103)은 가장 작은 방위각(φ) 값을 가지는 것을 계산할 수 있다. 또한, 드론 1(101) 및 드론 3(103)은 원통형 좌표계(O)의 원점으로부터 동일한 거리(r)만큼 떨어져 있고, 드론 2(102)는 이들보다 원점에 가까운 거리(r)에 위치한다는 것을 계산할 수 있다. GCS(110)는 이러한 계산 결과들을 바탕으로 드론들(100)의 제 1 상대적 위치들을 계산할 수 있다
다음으로, 가령 도 8과 같이, GCS(110)는 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 비행 위치를 정렬했을 경우, 인접하게 되는 드론들에 의해 촬영되는 제 2 이미지들에서 서로 중복되는 부분들이 인접하게 되는 드론들에 의해 촬영되는 제 2 이미지들에서 차지하는 위치 및 크기가 미리 정의된 제 2 중복 부분 데이터(319)와 일치하도록 만드는 드론들(100)의 제 2 상대적 위치들을 계산할 수 있다.
제 2 중복 부분 데이터(319)는, 가령 도 8과 같이, 미리 설정된 픽셀 단위별 데이터(data per pixel unit)가 원으로 도시될 수 있으며, 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 비행 위치를 정렬한다고 했을 때, 드론 1에 의해 촬영될 이미지(807)의 픽셀 단위별 데이터들은 좌측 직사각형에, 드론 2에 의해 촬영될 이미지(508)의 픽셀 단위별 데이터들은 가운데 직사각형에, 드론 3에 의해 촬영될 이미지(509)의 픽셀 단위별 데이터들은 우측 직사각형에 도시될 수 있다.
각 픽셀 단위별 데이터는 0 또는 1의 값을 가질 수 있다. 도 8의 경우, 픽셀 단위별 데이터가 0의 값을 가지면 색칠되지 않은 원으로, 픽셀 단위별 데이터가 1의 값을 가지면 색칠된 원으로 도시되어 있다.
한편, 각각의 드론(101, 102, 103)이 도 8과 같은 상수들에 기초한 대형으로 비행 위치를 정렬한다고 했을 때, 제 2 중복 부분 데이터(319)는 도 8에 도시된 것과 같을 수 있다. 즉, 제 2 중복 부분 데이터(319)는 드론 1에 의해 촬영될 이미지(807)에 대응하는 픽셀 단위별 데이터들 중에서, 미리 설정된 픽셀 단위를 기준으로 우측의 한 열(column)의 모든 행(row)의 픽셀 단위별 데이터들이 1의 값을 가지고; 드론 2에 의해 촬영될 이미지(808)에 대응하는 픽셀 단위별 데이터들에서, 미리 설정된 픽셀 단위를 기준으로 좌측 및 우측의 한 열(column)의 모든 행(row)의 픽셀 단위별 데이터들이 1의 값을 가지고; 드론 3에 의해 촬영될 이미지(809)에 대응하는 픽셀 단위별 데이터들에서, 미리 설정된 픽셀 단위를 기준으로 좌측의 한 열(column)의 모든 행(row)의 픽셀 단위별 데이터들이 1의 값을 가지는 데이터일 수 있다.
이어서, GCS(110)는 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 비행 위치를 정렬했을 경우, 정렬된 상태의 각각의 드론(101, 102, 103)이 촬영할 제 2 이미지들 간에 서로 중복되는 부분이 미리 정의된 제 2 중복 부분 데이터와 일치하도록 만드는 제 2 상대적 위치들을 계산할 수 있다. 예를 들어, 가령 도 8과 같이, GCS(110)는 제 2 중복 부분 데이터(319)를 미리 저장해두고, 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 비행 위치를 정렬한 후 촬영하게 되는 제 2 이미지들(807, 808, 809) 간에 서로 중복되는 부분이 제 2 중복 부분 데이터(319)와 대응하도록 만드는 각각의 드론(101, 102, 103)의 제 2 상대적 위치들을 구할 수 있다.
보다 구체적으로, GCS(110)는 원통형 좌표계(O)를 기준으로 각각의 드론(101, 102, 103)이 동일한 거리(r)와 높이(z) 값을 가지면서; 드론 1(101)은 가장 큰 방위각(φ) 값을 가지고, 드론 2(101)는 그 다음으로 큰 방위각(φ) 값을 가지고, 드론 3(103)은 가장 작은 방위각(φ) 값을 가지며; 드론 1(101)과 드론 2(102) 사이의 방위각의 차이값과 드론 2(102)와 드론 3(103) 사이의 방위각의 차이값이 동일하고; 드론 1(101)과 드론 2(102) 사이의 방위각의 차이값은 드론 1(101)과 드론 2(102)에 의해 촬영될 이미지들(807, 808)의 중복되는 부분이 제 2 중복 부분 데이터(319)처럼 미리 설정된 픽셀 단위를 기준으로 각각의 이미지의 서로 인접하는 우측 또는 좌측의 한 열(column)의 모든 행(row)에 해당하는 픽셀들로 이루어진 부분이 되도록 만드는 값인; 각각의 드론(101, 102, 103)의 제 2 상대적 위치들을 계산하여 구할 수 있다.
그 후, GCS(110)는 제 1 상대적 위치들 및 제 2 상대적 위치들을 바탕으로, 각각의 드론(107, 108, 108)이 제 1 상대적 위치들로부터 제 2 상대적 위치들로 각각 이동하도록 제어하는 위치 조정 데이터(320)를 생성할 수 있다.
위치 조정 데이터(320)의 생성이 완료되면, GCS(110)는 드론들(100)에게 위치 조정 데이터(320)를 전송할 수 있으며, 각각의 드론(101, 102, 103)은 위치 조정 데이터(320)에서 각자 자신에게 할당된 데이터를 식별하여, 각자 자신에게 할당된 이동 명령을 수행함으로써, 각각의 드론(101, 102, 103)과 일대일 대응관계로 대응하는 상수들에 기초한 정확한 대형으로 비행 위치를 정렬할 수 있다. 드론들(100)은 정렬이 이루어진 상태에서 제 2 이미지들을 촬영할 수 있다. 촬영된 각각의 제 2 이미지에서 나머지 제 2 이미지들과 중복되는 부분들은 제 2 중복 부분 데이터(319)에서 픽셀 단위별 데이터가 1의 값을 가지는 부분들에 해당할 것이다. 촬영을 마친 드론들(100)은 제 2 이미지들을 GCS(110)에게 전송할 수 있다. 제 2 이미지를 획득한 GCS(110)는 제 2 이미지에 기초하여 드론들(100)이 목표 위치로 정렬했는지 판별할 수 있다.
드론들(100)이 GCS(110)로부터 획득한 위치 조정 데이터(320)에 기초하여 비행 위치를 정렬하고, 정렬된 상태에서 제 2 이미지를 촬영하는 구체적인 과정 및 GCS(110)가 제 2 이미지에 기초하여 드론들(100)이 목표 위치로 정렬했는지 판별하는 구체적인 과정은 도 5 내지 8을 참조하여 후술된다.
도 4는 일실시예에 따른 컨볼루션 신경망을 설명하기 위한 도면이다.
도 4를 참조하면, GCS(110)에 포함되는 컨볼루션 신경망(400)은 각각의 드론(101, 102, 103)이 촬영한 이미지들을 통해 생성된 입력(300)에 기초하여, 각각의 이미지에서 나머지 이미지들과 중복되는 부분들의 위치 및 크기의 데이터인 제 1 중복 데이터(311)를 출력으로 생성할 수 있다.
컨볼루션 신경망(400)은 미리 구축된 데이터베이스로부터 커널(kernel) 또는 입력(300)을 로딩할 수 있고, 데이터베이스는 GCS(110)에 포함된 메모리로 구현되거나 GCS(110)와 유선, 무선, 또는 네트워크 등으로 연결 가능한 서버 등의 외부 장치로 구현될 수 있다.
기계 학습(machine learning)에 있어서, 신경망(neural network)의 일종인 컨볼루션 신경망(400)은 컨볼루션 연산을 수행하도록 설계된 컨볼루션 레이어(convolution layer, 410, 420)들을 포함한다. 컨볼루션 신경망(400)을 구성하는 컨볼루션 레이어(410, 420)는 적어도 하나의 커널을 이용하여 입력과 연관된 컨볼루션 연산을 수행할 수 있다. 도 4와 같이, 컨볼루션 신경망(400)이 복수의 컨볼루션 레이어(410, 420)들을 포함하면, GCS(110)는 각 컨볼루션 레이어(410, 420)에 대응하는 각 컨볼루션 연산을 수행함으로써 복수의 컨볼루션 연산들이 수행되도록 할 수 있다. 각 컨볼루션 레이어(410, 420)의 입력, 커널 및 출력의 크기는 해당 컨볼루션 레이어가 설계된 양상에 따라 정의될 수 있다.
구체적으로, 제 1 컨볼루션 레이어(410)는 입력(300)을 받아들이는 인풋 레이어(input layer)로서의 역할을 수행하며, 입력(300)은 커널과 컨볼루션 되어 제 1 특징맵(feature map, 412)을 생성할 수 있다. 커널은 입력(300)의 명도 특징을 감지하거나 에지 특징을 감지하는 커널 등으로 구성될 수 있으며, 기 알려진 AlexNet 모델, ConvNet 모델, LeNet-5모델, GoogLeNet 모델 등에서의 커널들이 이용될 수 있다. 그러나 이에 제한되는 것은 아니며, 다양한 컨볼루션 신경망 모델들에서 이용되는 커널들이 이용될 수 있다.
이 과정에서, 제 1 특징맵(412)에 활성화함수(activation function, 411)를 적용할 수 있다. 이를 통해, 기계학습이 비선형적인 딥 러닝으로 이루어지도록 할 수 있다. 활성화함수는 기 알려진 시그모이드 함수(sigmoid function), 하이퍼볼릭 탄젠트 함수(hyperbolic tangent function), ReLU(rectified linear unit) 등이 이용될 수 있다. 그러나 이에 제한되는 것은 아니며, 다양한 컨볼루션 신경망 모델들에서 이용되는 활성화함수들이 이용될 수 있다.
다음으로, 제 1 특징맵들(412)을 풀링(pooling, 413)하여, 제 1 풀링된 특징맵(pooled feature map, 414)을 생성할 수 있다. 풀링은 기 알려진 최대값 풀링(max pooling), 평균값 풀링(mean pooling) 등이 이용될 수 있다. 그러나 이에 제한되는 것은 아니며, 다양한 컨볼루션 신경망 모델들에서 이용되는 풀링들이 이용될 수 있다.
풀링(413)을 통해 유의미한 정보는 남겨둔 채 컨볼루션 신경망(400)의 전체 노드(node)의 개수 및 전체 연산량을 줄일 수 있으므로, 보다 적은 컴퓨팅 파워를 가지고도 보다 빠른 속도로 목표하는 출력을 얻을 수 있다. 이를 통해, GCS(110)가 전용서버나 슈퍼컴퓨터 등이 아닌 경우라도 컨볼루션 신경망(400)의 연산이 용이하게 수행되도록 할 수 있다.
한편, 컨볼루션 레이어를 통해 특징맵을 생성하고, 특징맵에 활성화함수를 적용한 후 풀링하는 과정은 복수 회 이루어질 수 있다. 구체적으로, 컨볼루션 신경망(400)의 제 2 컨볼루션 레이어(420)는 제 1 풀링된 특징맵(414)을 입력으로서 획득하여, 컨볼루션 연산을 통해 제 2 특징맵(422)을 생성할 수 있다. 이어서, 제 2 특징맵(422)에 활성화함수(421)가 적용될 수 있으며, 활성화함수가 적용된 제 2 특징맵(422)을 풀링(423)하여 제 2 풀링된 특징맵(424)을 생성할 수 있다.
또한, 도시되지 않았지만, 제 n 컨볼루션 레이어가 있을 수 있다. 제 n 컨볼루션 레이어는 제 n-1 풀링된 특징맵을 입력으로서 획득하여, 컨볼루션 연산을 통해 제 n 특징맵을 생성할 수 있다. 이어서, 제 n 특징맵에 활성화함수가 적용될 수 있으며, 활성화함수가 적용된 제 n 특징맵을 풀링하여 제 n 풀링된 특징맵을 생성할 수 있다. 이처럼 풀링된 특징맵을 복수 회 생성하는 과정을 통해, 유의미한 정보는 남겨둔 채 컨볼루션 신경망의 전체 노드의 개수 및 전체 연산량을 줄일 수 있으므로, 보다 적은 컴퓨팅 파워를 가지고도 보다 빠른 속도로 목표하는 출력을 얻을 수 있다.
이어서, 마지막으로 풀링된 특징맵(424)을 모두 풀리 커넥티드 레이어(fully connected layer, 490)에 연결하고, 풀리 커넥티드 레이어(490)로부터 출력인 제 1 중복 부분 데이터(311)를 생성할 수 있다.
도 5 내지 8은 일실시예에 따른 드론들의 비행 위치를 정렬하는 과정을 설명하기 위한 도면들이다.
GCS(110)는 컨볼루션 신경망(400)의 출력인 제 1 중복 부분 데이터 및 미리 저장된 제 2 중복 부분 데이터에 기초하여 위치 조정 데이터(320)를 생성할 수 있다. 드론들(100)은 GCS(110)로부터 획득한 위치 조정 데이터(320)에 기초하여, 제 1 상대적 위치들로부터 제 2 상대적 위치들로 비행 위치를 정렬할 수 있으며, 정렬한 상태에서 제 2 이미지들을 촬영하여 GCS(110)에게 전송할 수 있다. GCS(110)는 제 2 이미지들에 기초하여 드론들(100)이 목표 위치로 정렬했는지 판별할 수 있다.
도 5 및 8을 중심으로 설명하면, 우선, 서로 다른 상수로 표현되는 드론 1(101), 드론 2(102), 및 드론 3(103)의 제 1 상대적 위치들은 도 5와 같을 수 있다.
도 5를 참조하면, 원통형 좌표계(O)를 기준으로, 드론 1(101), 드론 2(102), 및 드론 3(103)의 높이(z)는 동일할 수 있다. 또한, 드론 1(101)은 가장 큰 방위각(φ) 값을 가지고, 드론 2(101)는 그 다음으로 큰 방위각(φ) 값을 가지고, 드론 3(103)은 가장 작은 방위각(φ) 값을 가지며; 드론 1(101)과 드론 2(102) 사이의 방위각의 차이값과 드론 2(102)와 드론 3(103) 사이의 방위각의 차이값이 동일할 수 있다. 또한, 드론 1(101) 및 드론 3(103)은 원통형 좌표계(O)의 원점으로부터 동일한 거리(r)만큼 떨어져 있고, 드론 2(102)는 이들보다 원점에 가까운 거리(r)에 위치할 수 있다.
각각의 드론(101, 102, 103)이 촬영한 제 1 이미지들(507, 508, 509)은 GCS(110)의 디스플레이들(117, 118, 119)에 각각 표시될 수 있다. 구체적으로, GCS(110)는 드론 1(101)에 의해 촬영된 제 1이미지(507)를 수집하여 디스플레이 1(117)에 표시할 수 있고, 드론 2(102)에 의해 촬영된 제 1 이미지(508)를 수집하여 디스플레이 2(118)에 표시할 수 있고, 드론 3(103) 에 의해 촬영된 제 1 이미지(509)를 수집하여 디스플레이 3(119)에 표시할 수 있다. 드론 2(102)의 거리(r) 값이 드론 1(101) 및 드론 3(103)의 거리(r) 값과 다르기 때문에, 태양광 모듈들(120)이 포함된 관심 영역을 균등하게 분할한 각각의 세부 영역을 각각의 드론(101, 102, 103)이 관리하도록 목표할 경우, 현재로서는 드론들(100)이 목표 위치에 정렬했다고 볼 수 없다.
한편, GCS(110)는 컨볼루션 신경망(400)이 생성한 제 1 중복 부분 데이터(311)를 통해 각각의 드론(101, 102, 103)이 촬영한 제 1 이미지들(507, 508, 509)에서 서로 중복되는 부분들을 추론한 후 이를 기초로 드론들(100)의 제 1 상대적 위치들을 계산할 수 있다.
이어서, 도 8을 참조하면, GCS(110)는 제 2 중복 부분 데이터(319)를 미리 저장해두고, 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 비행 위치를 정렬한 후 촬영하게 되는 제 2 이미지들(807, 808, 809) 간에 서로 중복되는 부분들이 제 2 중복 부분 데이터(319)와 대응하도록 만드는 드론들(100)의 제 2 상대적 위치들을 계산할 수 있다.
그 후, 도 5와 같이, GCS(110)는 각각의 드론(101, 102, 103)이 제 1 상대적 위치들로부터 제 2 상대적 위치들로 이동하도록 제어하는 위치 조정 데이터(320)를 생성하여 드론들(100)에게 전송할 수 있다. 위치 조정 데이터(320)에는 드론들(100)의 위치 관계가 도 5의 위치 관계로부터 도 8의 위치 관계로 변하도록, 드론 2(102)가 원통형 좌표계(O)의 거리(r)축의 (+) 방향으로 이동하도록 제어하는 명령(510)이 포함될 수 있다.
이어서, 드론들(100)에게 위치 조정 데이터(320)가 전송되면, 각각의 드론(101, 102, 103)은 각자의 모터, 엔진, 날개 등의 비행 수단을 제어하여 도 8과 같은 비행 대형으로 위치를 정렬할 수 있다. 보다 구체적으로, 드론 2(102)가 원통형 좌표계(O)의 거리(r)축의 (+)방향으로 이동하도록 제어하는 명령(510)이 포함된 위치 조정 데이터(320)가 드론들(100)에게 전송되면, 드론 2(102)는 위치 조정 데이터(320)를 기초로 자신의 비행 수단을 제어하여, 드론들(100)이 도 8과 같은 비행 대형으로 정렬하도록 위치를 이동할 수 있다.
다음으로, 각각의 드론(101, 102, 103)은 도 8과 같은 비행 위치로 정렬한 후, 제 2 이미지들(807, 808, 809)을 촬영하여 GCS(110)에게 전송할 수 있다. 각각의 드론(101, 102, 103)이 촬영한 제 2 이미지들(807, 808, 809)은 GCS(110)의 디스플레이들(117, 118, 119)에 각각 표시될 수 있다. 구체적으로, GCS(110)는 드론 1(101)에 의해 촬영된 제 2이미지(807)를 수집하여 디스플레이 1(117)에 표시할 수 있고, 드론 2(102)에 의해 촬영된 제 2 이미지(808)를 수집하여 디스플레이 2(118)에 표시할 수 있고, 드론 3(103) 에 의해 촬영된 제 2 이미지(809)를 수집하여 디스플레이 3(119)에 표시할 수 있다.
나아가, GCS(110)는 디스플레이들(117, 118, 119)에 표시된 제 2 이미지들을 종합하여 드론들(100)이 목표 위치로 정렬했는지 판별할 수 있다. 구체적으로, GCS(110)는 도 8과 같이, 제 2 이미지들 서로 간에 중복되는 부분이 각각의 제 2 이미지의 경계부에만 존재하여, 제 2 이미지들이 자연스럽게 이어지는 파노라마(panorama) 이미지를 구성하는 경우, 드론들(100)이 목표 위치로 정렬했다고 판별할 수 있다. 즉, GCS(110)는 도 8의 중복 부분 데이터(319)와 같이, 각각의 제 2 이미지가 미리 설정된 픽셀 단위를 기준으로 경계부에 위치한 행들 또는 경계부에 위치한 열들 중 적어도 하나의 행 또는 열의 픽셀 단위별 데이터만 1이고 나머지 픽셀 단위별 데이터는 0인 경우, 드론들(100)이 목표 위치로 정렬했다고 판별할 수 있다.
도 6 및 8을 중심으로 설명하면, 우선, 서로 다른 상수로 표현되는 드론 1(101), 드론 2(102), 및 드론 3(103)의 제 1 상대적 위치들은 도 6과 같을 수 있다.
도 6을 참조하면, 원통형 좌표계(O)를 기준으로, 드론 1(101), 드론 2(102), 및 드론 3(103)의 높이(z)는 동일할 수 있다. 또한, 드론 1(101)은 가장 큰 방위각(φ) 값을 가지고, 드론 2(101)는 그 다음으로 큰 방위각(φ) 값을 가지고, 드론 3(103)은 가장 작은 방위각(φ) 값을 가지며; 드론 1(101)과 드론 2(102) 사이의 방위각의 차이값은 드론 2(102)와 드론 3(103) 사이의 방위각의 차이값보다 클 수 있다. 또한, 드론 1(101), 드론 2(102), 및 드론 3(103)은 원통형 좌표계(O)의 원점으로부터 동일한 거리(r)만큼 떨어져 있을 수 있다.
각각의 드론(101, 102, 103)이 촬영한 제 1 이미지들(607, 608, 609)은 GCS(110)의 디스플레이들(117, 118, 119)에 각각 표시될 수 있다. 구체적으로, GCS(110)는 드론 1(101)에 의해 촬영된 제 1이미지(607)를 수집하여 디스플레이 1(117)에 표시할 수 있고, 드론 2(102)에 의해 촬영된 제 1 이미지(608)를 수집하여 디스플레이 2(118)에 표시할 수 있고, 드론 3(103) 에 의해 촬영된 제 1 이미지(609)를 수집하여 디스플레이 3(119)에 표시할 수 있다. 드론 1(101)과 드론 2(102) 사이의 방위각의 차이값이 드론 2(102)와 드론 3(103) 사이의 방위각의 차이값과 다르기 때문에, 태양광 모듈들(120)이 포함된 관심 영역을 균등하게 분할한 각각의 세부 영역을 각각의 드론(101, 102, 103)이 관리하도록 목표할 경우, 현재로서는 드론들(100)이 목표 위치에 정렬했다고 볼 수 없다.
한편, GCS(110)는 컨볼루션 신경망(400)이 생성한 제 1 중복 부분 데이터(312)를 통해 각각의 드론(101, 102, 103)이 촬영한 제 1 이미지들(607, 608, 609)에서 서로 중복되는 부분들을 추론한 후 이를 기초로 드론들(100)의 제 1 상대적 위치들을 계산할 수 있다.
이어서, 도 8을 참조하면, GCS(110)는 제 2 중복 부분 데이터(319)를 미리 저장해두고, 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 비행 위치를 정렬한 후 촬영하게 되는 제 2 이미지들(807, 808, 809) 간에 서로 중복되는 부분들이 제 2 중복 부분 데이터(319)와 대응하도록 만드는 드론들(100)의 제 2 상대적 위치들을 계산할 수 있다.
그 후, 도 6과 같이, GCS(110)는 각각의 드론(101, 102, 103)이 제 1 상대적 위치들로부터 제 2 상대적 위치들로 이동하도록 제어하는 위치 조정 데이터(320)를 생성하여 드론들(100)에게 전송할 수 있다. 위치 조정 데이터(320)에는 드론들(100)의 위치 관계가 도 6의 위치 관계로부터 도 8의 위치 관계로 변하도록, 드론 2(102)가 원통형 좌표계(O)의 방위각(φ)축의 (+) 방향으로 이동하도록 제어하는 명령(610)이 포함될 수 있다.
이어서, 드론들(100)에게 위치 조정 데이터(320)가 전송되면, 각각의 드론(101, 102, 103)은 각자의 모터, 엔진, 날개 등의 비행 수단을 제어하여 도 8과 같은 비행 대형으로 위치를 정렬할 수 있다. 보다 구체적으로, 드론 2(102)가 원통형 좌표계(O)의 방위각(φ)축의 (+)방향으로 이동하도록 제어하는 명령(610)이 포함된 위치 조정 데이터(320)가 드론들(100)에게 전송되면, 드론 2(102)는 위치 조정 데이터(320)를 기초로 자신의 비행 수단을 제어하여, 드론들(100)이 도 8과 같은 비행 대형으로 정렬하도록 위치를 이동할 수 있다.
다음으로, 각각의 드론(101, 102, 103)은 도 8과 같은 비행 위치로 정렬한 후, 제 2 이미지들(807, 808, 809)을 촬영하여 GCS(110)에게 전송할 수 있다. 각각의 드론(101, 102, 103)이 촬영한 제 2 이미지들(807, 808, 809)은 GCS(110)의 디스플레이들(117, 118, 119)에 각각 표시될 수 있다. 구체적으로, GCS(110)는 드론 1(101)에 의해 촬영된 제 2이미지(807)를 수집하여 디스플레이 1(117)에 표시할 수 있고, 드론 2(102)에 의해 촬영된 제 2 이미지(808)를 수집하여 디스플레이 2(118)에 표시할 수 있고, 드론 3(103) 에 의해 촬영된 제 2 이미지(809)를 수집하여 디스플레이 3(119)에 표시할 수 있다.
나아가, GCS(110)는 디스플레이들(117, 118, 119)에 표시된 제 2 이미지들을 종합하여 드론들(100)이 목표 위치로 정렬했는지 판별할 수 있다. 구체적으로, GCS(110)는 도 8과 같이, 제 2 이미지들 서로 간에 중복되는 부분이 각각의 제 2 이미지의 경계부에만 존재하여, 제 2 이미지들이 자연스럽게 이어지는 파노라마(panorama) 이미지를 구성하는 경우, 드론들(100)이 목표 위치로 정렬했다고 판별할 수 있다. 즉, GCS(110)는 도 8의 중복 부분 데이터(319)와 같이, 각각의 제 2 이미지가 미리 설정된 픽셀 단위를 기준으로 경계부에 위치한 행들 또는 경계부에 위치한 열들 중 적어도 하나의 행 또는 열의 픽셀 단위별 데이터만 1이고 나머지 픽셀 단위별 데이터는 0인 경우, 드론들(100)이 목표 위치로 정렬했다고 판별할 수 있다.
도 7 및 8을 중심으로 설명하면, 우선, 서로 다른 상수로 표현되는 드론 1(101), 드론 2(102), 및 드론 3(103)의 제 1 상대적 위치들은 도 7과 같을 수 있다.
도 7을 참조하면, 원통형 좌표계(O)를 기준으로, 드론 1(101), 드론 2(102)의 높이(z)보다 드론 3(103)의 높이가 낮을 수 있다. 또한, 드론 1(101)은 가장 큰 방위각(φ) 값을 가지고, 드론 2(101)는 그 다음으로 큰 방위각(φ) 값을 가지고, 드론 3(103)은 가장 작은 방위각(φ) 값을 가지며; 드론 1(101)과 드론 2(102) 사이의 방위각의 차이값과 드론 2(102)와 드론 3(103) 사이의 방위각의 차이값이 동일할 수 있다. 또한, 드론 1(101), 드론 2(102), 및 드론 3(103)은 원통형 좌표계(O)의 원점으로부터 동일한 거리(r)만큼 떨어져 있을 수 있다.
각각의 드론(101, 102, 103)이 촬영한 제 1 이미지들(707, 708, 709)은 GCS(110)의 디스플레이들(117, 118, 119)에 각각 표시될 수 있다. 구체적으로, GCS(110)는 드론 1(101)에 의해 촬영된 제 1이미지(707)를 수집하여 디스플레이 1(117)에 표시할 수 있고, 드론 2(102)에 의해 촬영된 제 1 이미지(708)를 수집하여 디스플레이 2(118)에 표시할 수 있고, 드론 3(103) 에 의해 촬영된 제 1 이미지(709)를 수집하여 디스플레이 3(119)에 표시할 수 있다. 드론 2(102)의 높이(z) 값이 드론 1(101) 및 드론 3(103)의 높이(z) 값과 다르기 때문에, 태양광 모듈들(120)이 포함된 관심 영역을 균등하게 분할한 각각의 세부 영역을 각각의 드론(101, 102, 103)이 관리하도록 목표할 경우, 현재로서는 드론들(100)이 목표 위치에 정렬했다고 볼 수 없다.
한편, GCS(110)는 컨볼루션 신경망(400)이 생성한 제 1 중복 부분 데이터(312)를 통해 각각의 드론(101, 102, 103)이 촬영한 제 1 이미지들(707, 708, 709)에서 서로 중복되는 부분들을 추론한 후 이를 기초로 드론들(100)의 제 1 상대적 위치들을 계산할 수 있다.
이어서, 도 8을 참조하면, GCS(110)는 제 2 중복 부분 데이터(319)를 미리 저장해두고, 각각의 드론(101, 102, 103)이 상수들에 기초한 대형으로 비행 위치를 정렬한 후 촬영하게 되는 제 2 이미지들(807, 808, 809) 간에 서로 중복되는 부분들이 제 2 중복 부분 데이터(319)와 대응하도록 만드는 드론들(100)의 제 2 상대적 위치들을 계산할 수 있다.
그 후, 도 7과 같이, GCS(110)는 각각의 드론(101, 102, 103)이 제 1 상대적 위치들로부터 제 2 상대적 위치들로 이동하도록 제어하는 위치 조정 데이터(320)를 생성하여 드론들(100)에게 전송할 수 있다. 위치 조정 데이터(320)에는 드론들(100)의 위치 관계가 도 7의 위치 관계로부터 도 8의 위치 관계로 변하도록, 드론 2(102)가 원통형 좌표계(O)의 높이(z)축의 (+) 방향으로 이동하도록 제어하는 명령(710)이 포함될 수 있다.
이어서, 드론들(100)에게 위치 조정 데이터(320)가 전송되면, 각각의 드론(101, 102, 103)은 각자의 모터, 엔진, 날개 등의 비행 수단을 제어하여 도 8과 같은 비행 대형으로 위치를 정렬할 수 있다. 보다 구체적으로, 드론 2(102)가 원통형 좌표계(O)의 높이(z)축의 (+)방향으로 이동하도록 제어하는 명령(710)이 포함된 위치 조정 데이터(320)가 드론들(100)에게 전송되면, 드론 2(102)는 위치 조정 데이터(320)를 기초로 자신의 비행 수단을 제어하여, 드론들(100)이 도 8과 같은 비행 대형으로 정렬하도록 위치를 이동할 수 있다.
다음으로, 각각의 드론(101, 102, 103)은 도 8과 같은 비행 위치로 정렬한 후, 제 2 이미지들(807, 808, 809)을 촬영하여 GCS(110)에게 전송할 수 있다. 각각의 드론(101, 102, 103)이 촬영한 제 2 이미지들(807, 808, 809)은 GCS(110)의 디스플레이들(117, 118, 119)에 각각 표시될 수 있다. 구체적으로, GCS(110)는 드론 1(101)에 의해 촬영된 제 2이미지(807)를 수집하여 디스플레이 1(117)에 표시할 수 있고, 드론 2(102)에 의해 촬영된 제 2 이미지(808)를 수집하여 디스플레이 2(118)에 표시할 수 있고, 드론 3(103) 에 의해 촬영된 제 2 이미지(809)를 수집하여 디스플레이 3(119)에 표시할 수 있다.
나아가, GCS(110)는 디스플레이들(117, 118, 119)에 표시된 제 2 이미지들을 종합하여 드론들(100)이 목표 위치로 정렬했는지 판별할 수 있다. 구체적으로, GCS(110)는 도 8과 같이, 제 2 이미지들 서로 간에 중복되는 부분이 각각의 제 2 이미지의 경계부에만 존재하여, 제 2 이미지들이 자연스럽게 이어지는 파노라마(panorama) 이미지를 구성하는 경우, 드론들(100)이 목표 위치로 정렬했다고 판별할 수 있다. 즉, GCS(110)는 도 8의 중복 부분 데이터(319)와 같이, 각각의 제 2 이미지가 미리 설정된 픽셀 단위를 기준으로 경계부에 위치한 행들 또는 경계부에 위치한 열들 중 적어도 하나의 행 또는 열의 픽셀 단위별 데이터만 1이고 나머지 픽셀 단위별 데이터는 0인 경우, 드론들(100)이 목표 위치로 정렬했다고 판별할 수 있다.
도 9는 일실시예에 따른 인공 신경망들의 학습 과정을 설명하기 위한 도면이다.
제 1 인공 신경망은 GCS(110)에 포함되는 컨볼루션 신경망(400)일 수 있다. 제 1 인공 신경망은 서로 중복되는 부분들을 포함할 수 있는 복수의 이미지들에서 서로 중복되는 부분들의 위치 및 크기를 추론하여 출력하는 알고리즘일 수 있다.
제 2 인공 신경망은 태양광 모듈 접속함(130)의 임베디드 컴퓨터(133)에 포함되는 인공 신경망일 수 있다. 제 2 인공 신경망은 복수의 센서(140)가 측정한 복수의 환경 데이터를 입력 삼아 단전(斷電) 주파수를 출력하는 알고리즘일 수 있다.
제 3 인공 신경망은 태양광 모듈들(120)의 지상 센서(1032)에 포함되는 제 3 센서인 전자코의 인공 신경망일 수 있다. 제 3 인공 신경망은 타겟 화학 성분인 은행 열매의 화학 성분이 대기 중에 얼마만큼 포함되어 있는지를 수치로 출력하는 알고리즘일 수 있다.
제 1 인공 신경망; 제 2 인공 신경망; 및 제 3 인공 신경망은 별도의 학습 장치를 통해 학습된 후, GCS(110); 제 3 센서; 또는 임베디드 컴퓨터(133)에 설치될 수 있다. 이하에서는, 제 1 인공 신경망; 제 2 인공 신경망; 및 제 3 인공 신경망이 학습되는 과정을 설명한다.
우선, 학습 장치는 트레이닝 데이터와 레이블을 마련할 수 있다(900).
제 1 인공 신경망의 경우, 학습 장치는 서로 중복되는 부분들을 포함할 수 있는 이미지들을 트레이닝 데이터로 삼을 수 있다. 레이블은 트레이닝 데이터의 각각의 이미지에서 나머지 이미지들과 중복되는 부분들의 위치 및 크기를 미리 기록한 데이터일 수 있다. 구체적으로, 레이블은 트레이닝 데이터의 각각의 이미지별로, 미리 설정된 픽셀 단위(pixel unit)마다 0 또는 1로 이루어진 픽셀 단위별 데이터(data per pixel unit)가 미리 부여된 데이터일 수 있다. 보다 구체적으로, 레이블은 트레이닝 데이터의 각각의 이미지별로, 미리 설정된 픽셀 단위에 대하여, 해당 이미지에서 나머지 이미지들과 중복되는 픽셀 단위들에 대해서는 픽셀 단위별 데이터로 1의 값이 부여되고, 해당 이미지에서 나머지 이미지들과 중복되지 않는 픽셀 단위들에 대해서는 픽셀 단위별 데이터로 0의 값이 미리 부여된 데이터일 수 있다.
제 2 인공 신경망의 경우, 우선, 태양광 설비 시스템(1)의 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 복수의 센서(140)가 측정한 복수의 환경 데이터를 수집할 수 있다. 가령, 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역 동안 복수의 센서(140)가 측정한 복수의 환경 데이터를 수집할 수 있다. 보다 구체적으로, 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 1 센서가 측정한 일사량 데이터를 수집할 수 있다. 또, 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 2 센서가 측정한 자동차 소음 데이터를 수집할 수 있다. 또, 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 3 센서가 측정한 대기 중 은행 열매의 화학 성분을 수치화한 데이터를 수집할 수 있다. 이때, 학습이 완료된 제 3 인공 신경망은 제 3 센서인 전자코에 포함되며, 제 2 인공 신경망의 트레이닝 데이터 및 레이블을 생성하는 데이터를 마련하는데 활용될 수 있다.
다음으로, 제 1 센서가 미리 정해진 시간 구역 동안, 가령, 태양광 설비 시스템(1)의 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역 동안 측정한 일사량 데이터의 평균값을 구할 수 있다. 평균값이 높을수록 도 5의 일사량이 많은 경우(1120)에 가깝고, 평균값이 낮을수록 일사량이 적은 경우(1110)에 가깝다. 평균값이 높을수록, 즉 일사량이 많은 경우(1120)일수록, 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지 복수의 센서(140)가 측정한 복수의 환경 데이터에서 5초 이전의 시점에 가까운 시각에 측정된 복수의 환경 데이터를 트레이닝 데이터로 삼을 수 있다. 한편, 평균값이 낮을수록, 즉 일사량이 적은 경우(1110)일수록, 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지 복수의 센서(140)가 측정한 복수의 환경 데이터에서 1 초 이전의 시점에 가까운 시각에 측정된 복수의 환경 데이터를 트레이닝 데이터로 삼을 수 있다.
이때, 레이블은 트레이닝 데이터로 삼은 복수의 환경 데이터가 측정된 시각에 발생한 고주파 아크의 주파수로 설정될 수 있다. 이를 통해, 레이블은 인버터(140)가 고장이 나기 전에 측정된 고주파 아크의 주파수로 설정되므로, 인버터(140)가 고주파 아크에 견딜 수 있는 최대 허용 주파수(1101)보다 작은 값을 가지게 된다. 또한, 평균값이 높을수록, 즉 일사량이 많은 경우(1120)일수록, 레이블과 최대 허용 주파수(1101)의 차는 커지며, 평균값이 낮을수록, 즉 일사량이 적은 경우(1110)일수록, 레이블과 최대 허용 주파수(1101)의 차는 작아지게 된다.
제 3 인공 신경망의 경우, 트레이닝 데이터는 대기 환경이 통제되는 챔버 내부에 은행 열매들을 놔두고 실험을 반복했을 때, 각각의 실험에서 대기 중 은행 열매의 화학 성분을 입력 받은 전자코의 입력부가 생성한 감지 신호일 수 있다. 이때, 레이블은 챔버의 부피 당 각각의 실험에 사용된 은행 열매의 수일 수 있다.
다음으로, 학습 장치는 트레이닝 데이터로부터 입력을 생성할 수 있다(910).
제 1 인공 신경망의 경우, 트레이닝 데이터로부터 입력을 생성함에 있어, 트레이닝 데이터의 각각의 이미지의 가로 길이와 세로 길이가 서로 동일하도록 처리하는 과정이 있을 수 있다. 길이 단위는 cm, mm, inch 등 물리적인 길이 단위일 수 있으며, dpi, ppi 등의 화상 단위일 수도 있다. 트레이닝 데이터의 각각의 이미지의 사이즈를 통일하는 것을 통해 제 1 인공 신경망이 각각의 이미지를 용이하게 비교할 수 있는 입력을 생성할 수 있다.
또한, 트레이닝 데이터를 흑백 이미지로 처리하거나, RGB 색상 중에서 특정 색상으로 처리하는 과정이 있을 수 있다. 이를 통해 입력은 색상 정보가 통일된 단일 채널(channel)의 이미지 파일이 될 수 있다. 단일 채널의 이미지 파일이 제 1 인공 신경망으로 입력될 경우, 제 1 인공 신경망은 높이(height)와 너비(width)만 가지며 깊이(depth)는 가지지 않는 특징맵(feature map)을 연산하면 되므로, 보다 적은 컴퓨팅 파워를 가지고도 보다 빠른 속도로 목표하는 출력을 얻을 수 있다.
제 2 인공 신경망의 경우, 태양광 설비 시스템(1)의 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역 중에서 특정한 시각에 복수의 센서(140)가 측정한 복수의 환경 데이터 각각에 가중치를 곱한 값을 배열의 형태로 입력으로 사용하거나, 각각에 가중치를 곱한 값을 합산한 값을 입력으로 사용할 수 있다. 이때, 제 1 센서가 측정한 제 1 환경 데이터에 가장 높은 가중치를; 제 2 센서가 측정한 제 2 환경 데이터에 다음으로 높은 가중치를; 제 3 센서 (143)가 측정한 제 3 환경 데이터가 가장 낮은 가중치를 가질 수 있다.
제 3 인공 신경망의 경우, 전자코의 입력부가 생성한 감지 신호를 입력으로 그대로 사용하거나, 노이즈 등의 불필요한 정보를 제거하는 통상의 처리를 거쳐 인공 신경망의 입력을 생성할 수 있다.
이어서, 학습 장치는 입력을 인공 신경망에 적용할 수 있다(920).
제 1 인공 신경망은 이미지 처리에 유리한 컨볼루션 신경망(convolutional neural network, CNN)이 적합하다.
제 2 인공 신경망 및 제 3 인공 신경망은 지도 학습(supervised learning)에 따라 학습시키기에 적합한 컨볼루션 신경망 또는 리커런트 신경망(recurrent neural network, RNN)일 수 있다.
이를 통해, 제 2 인공 신경망은, 일사량이 많은 경우(1120), 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수가 어떻게 되는지에 따라 복수의 센서(140)가 측정한 복수의 환경 데이터가 어떤 경향성을 가지는지를 용이하게 학습할 수 있다. 또, 제 2 인공 신경망은 일사량이 적은 경우(1110), 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 1초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수가 어떻게 되는지에 따라 복수의 센서(140)가 측정한 복수의 환경 데이터가 어떤 경향성을 가지는지를 용이하게 학습할 수 있다.
또한, 제 3 인공 신경망은 챔버 내 은행 열매의 수가 어떻게 되는지에 따라 전자코의 입력부의 감지 신호가 어떤 경향성을 가지는지를 용이하게 학습할 수 있다.
이어지는 순서로, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다(930).
제 1 인공 신경망의 출력은, 트레이닝 데이터의 각각의 이미지에서 나머지 이미지들과 중복되는 부분들의 위치 및 크기를 제 1 인공 신경망이 추론한 데이터일 수 있다. 구체적으로, 제 1 인공 신경망의 출력은 트레이닝 데이터의 각각의 이미지에 대하여, 미리 설정된 픽셀 단위마다 0 또는 1의 픽셀 단위별 데이터를 할당한 값들의 집합일 수 있다. 보다 구체적으로, 제 1 인공 신경망은 트레이닝 데이터의 각각의 이미지에 대하여, 미리 설정된 픽셀 단위를 기준으로, 특정 이미지에서 나머지 이미지들과 중복된다고 추론한 픽셀 단위는 픽셀 단위별 데이터로 1의 값을 기록하고, 해당 이미지에서 나머지 이미지들과 중복되지 않는다고 추론한 픽셀 단위들은 픽셀 단위별 데이터로 0의 값을 기록하는 과정을 거칠 수 있다. 이를 통해, 제 1 인공 신경망은 출력을 생성할 수 있다.
제 2 인공 신경망의 출력은, 일사량이 많은 경우(1120), 태양광 설비 시스템(1)의 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수에 대한 인공 신경망의 추론 값일 수 있다. 또, 일사량이 적은 경우(1110), 태양광 설비 시스템(1)의 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 1초 이전의 시점에 가까운 특정한 시각에 발생한 고주파 아크의 주파수에 대한 인공 신경망의 추론 값일 수 있다. 요컨대, 제 2 인공 신경망은 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역에서 일사량의 많고 적음에 입각하여 결정된 특정한 시각에 측정된 일사량 데이터; 자동차 소음 데이터; 및 대기 중 은행 열매의 화학 성분을 수치화한 데이터의 패턴을 발견하여, 해당 패턴들을 기초로 추론한 주파 아크의 주파수를 출력할 수 있다.
제 3 인공 신경망의 출력은, 대기 중 은행 열매의 화학 성분을 수치화한 데이터일 수 있다. 가령, 특정 부피 내(챔버 내) 은행 열매의 수에 대한 인공 신경망의 추론 값일 수 있다. 구체적으로, 제 3 인공 신경망은 전자코의 입력부가 입력 받은 감지 신호에서 챔버 내 은행 열매가 없는 경우 활성화되지 않는 영역; 챔버 내 은행 열매가 있는 경우 비로소 활성화되는 영역; 및 챔버 내 은행 열매가 증가할수록 변화를 보이는 영역의 패턴을 발견하여, 해당 패턴들을 기초로 추론한 챔버 내 은행 열매의 수를 출력할 수 있다.
다음으로, 학습 장치는 출력과 레이블을 비교할 수 있다(940).
추론 값에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 비교하는 과정은 출력과 레이블의 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
이어서, 학습 장치는 비교 값을 기초로 인공 신경망을 갱신할 수 있다(950).
인공 신경망의 출력과 레이블 간의 비교 값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론 값에 해당하는 인공 신경망이 출력과 정답에 해당하는 레이블이 점점 일치하게 되며, 이를 통해 인공 신경망은 정답에 가까운 추론 값을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교 값에 해당하는 손실함수의 값이 점점 손실함수의 최소값에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
특히, 제 2 인공 신경망의 출력이 레이블과 점점 일치하게 된다면, 일사량이 많을수록, 출력과 최대 허용 주파수(1101)의 차는 커지며, 일사량이 적을수록, 출력과 최대 허용 주파수(1101)의 차는 작아지게 된다. 따라서 학습이 완료된 제 2 인공 신경망이 출력한 주파수를 단전(斷電) 주파수로 설정할 수 있다.
학습 장치는 상기와 같은 과정을 반복함으로써 인공 신경망을 학습시킬 수 있다.
이를 통해, 제 1 인공 신경망의 경우, 서로 중복되는 부분들을` 포함할 수 있는 복수의 이미지들에서 서로 중복되는 부분들의 위치 및 크기를 추론하여 출력할 수 있다. 따라서 학습된 제 1 인공 신경망을 구비한 GCS(110)는 각각의 드론(101, 102, 103)에 의해 촬영된 제 1 이미지들(507, 508, 509)을 기초로 입력(300)을 생성한 후, 입력(300)을 미리 학습된 제 1 인공 신경망에 적용하여 제 1 중복 부분 데이터(311)를 출력으로 획득할 수 있다. 나아가, GCS(110)는 미리 학습된 제 1 인공 신경망의 출력을 기초로 서로 다른 상수와 일대일 대응관계를 가지는 드론들(100)에게 상수들에 기초한 대형(formation)으로 비행 위치를 정렬하도록 하는 위치 조정 데이터(320)를 생성할 수 있다. 위치 조정 데이터(320)에 입각해 드론들(100)이 비행 위치를 정렬함으로써, 태양광 모듈들(120)이 포함된 관심 영역을 균등하게 분할한 각각의 세부 영역을 각각의 드론(101, 102, 103)이 관리하도록 드론들(100)이 목표 위치에 정렬될 수 있다.
제 2 인공 신경망은 일사량이 많은 경우(1120), 태양광 설비 시스템(1)의 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지의 시간 구역에서 5초 이전의 시점에 가까운 특정한 시각에 측정된 복수의 환경 데이터를 기초로, 해당 시각의 고주파 아크의 주파수를 추론하여 출력할 수 있다. 학습이 완료된 제 2 인공 신경망이 출력한 주파수를 단전(斷電) 주파수로 설정할 경우, 단전 주파수는 최대 허용 주파수(1101)와의 차가 상대적으로 크도록 설정되며, 이를 통해 인버터(140)가 고장 날 위험성을 최소화할 수 있다.
또, 제 2 인공 신경망은 일사량이 적은 경우(1110), 태양광 설비 시스템(1)의 인버터(140)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지의 시간 구역에서 1초 이전의 시점에 가까운 특정한 시각에 측정된 복수의 환경 데이터를 기초로, 해당 시각의 고주파 아크의 주파수를 추론하여 출력하는 인공 신경망을 구비할 수 있다. 학습이 완료된 제 2 인공 신경망이 출력한 주파수를 단전(斷電) 주파수로 설정할 경우, 단전 주파수는 최대 허용 주파수(1101)와의 차가 상대적으로 작도록 설정되며, 이를 통해 태양광 설비 시스템(1)이 불필요하게 차단되는 비효율을 최소화할 수 있다.
제 3 인공 신경망의 경우, 챔버 내 포함되는 은행 열매의 수에 따른 전자코의 입력부의 감지 신호를 기초로, 대기 중 은행 열매의 화학 성분을 수치화한 데이터를 추론하여 출력할 수 있다. 제 3 인공 신경망을 구비한 전자코는 은행 열매의 화학 성분의 대기 중 존재 여부 및 농도를 측정할 수 있으므로, 가령 태양광 모듈들(120)의 주변에 대기 중 은행 열매의 화학 성분이 얼마만큼 포함되어 있는지를 측정할 수 있고, 이를 기초로 태양광 모듈들(120) 주변에 은행 나무가 얼마만큼 많이 자리하고 있는지를 유의미하게 추측할 수 있다. 또한, 학습이 완료된 제 3 인공 신경망은 학습이 완료된 제 2 인공 신경망의 입력을 생성하는데 활용될 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 (2)

  1. 태양광을 직류 전류로 변환하는 태양광 모듈들;
    상기 직류 전류를 교류 전력으로 변환하는 인버터;
    상기 직류 전류를 상기 인버터로 제공하는 태양광 모듈 접속함;
    서로 다른 상수(constant)들에 각각 대응하는 드론들; 및
    상기 드론들을 제어하는 GCS(Ground Control Station)
    를 포함하는 태양광 설비 시스템에 있어서,
    상기 GCS는
    상기 드론들이 각각 촬영한 제 1 이미지들을 획득하고,
    상기 제 1 이미지들에 기초하여, 제 1 인공 신경망의 인풋 레이어(input layer)에 대응하는 입력을 생성하고,
    상기 입력을 상기 제 1 인공 신경망에 적용하여 출력을 획득하고,
    상기 출력에 기초하여, 상기 드론들에게 상기 상수들에 기초한 대형(formation)으로 비행 위치를 정렬하도록 하는 위치 조정 데이터를 전송하고,
    상기 대형으로 비행 위치를 정렬한 상기 드론들이 촬영한 제 2 이미지들을 획득하고,
    상기 제 2 이미지들을 기초로 상기 드론들이 목표 위치로 정렬했는지 판별하는
    제 1 프로세서를 포함하고,
    상기 드론들은
    상기 위치 조정 데이터에 기초하여, 상기 대형으로 비행 위치를 정렬하도록 제어하는 제 2 프로세서; 및
    상기 태양광 모듈들이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 1 센서를 포함하고,
    상기 태양광 모듈들은 자신들이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 2 센서를 포함하고,
    상기 태양광 모듈 접속함은
    상기 직류 전류에 포함된 고주파 아크 성분을 측정할 수 있는 전류 측정부;
    상기 인버터로 제공되는 상기 직류 전류를 차단할 수 있는 전류 차단부; 및
    상기 드론들이 상기 제 1 센서를 통해 측정한 제 1 환경 데이터를 획득하고,
    상기 태양광 모듈들이 상기 제 2 센서를 통해 측정한 제 2 환경 데이터를 획득하고,
    상기 제 1 환경 데이터 및 상기 제 2 환경 데이터를 기초로, 단전(斷電) 주파수를 설정하고,
    상기 전류 측정부가 측정한 상기 직류 전류에 포함된 고주파 아크 성분 데이터를 획득하고,
    상기 고주파 아크 성분의 주파수가 상기 단전 주파수를 초과하는 경우, 상기 인버터로 제공되는 상기 직류 전류를 차단하는 명령을 상기 전류 차단부로 전송하는
    임베디드 컴퓨터를 포함하며,
    상기 제 1 센서는 일사량 센서이고,
    상기 제 1 환경 데이터는 일사량 데이터이고,
    상기 제 2 센서는 자동차 소음 측정 센서이고,
    상기 제 2 환경 데이터는 자동차 소음 데이터이고,
    상기 임베디드 컴퓨터가 상기 단전 주파수를 설정하는 프로세스는,
    상기 제 1 환경 데이터 및 상기 제 2 환경 데이터를 기초로 입력을 생성하고,
    생성된 입력을 제 2 인공 신경망에 적용하고,
    상기 인공 신경망의 출력을 획득하고,
    상기 출력을 기초로 상기 단전 주파수를 설정하는 프로세스
    를 포함하며,
    상기 단전 주파수는 상기 인버터가 고주파 아크에 견딜 수 있는 최대 허용 주파수보다 작으며,
    상기 제 1 환경 데이터가 큰 값을 가질수록, 상기 단전 주파수와 상기 최대 허용 주파수의 차는 커지도록 상기 단전 주파수가 설정되며,
    제 1 환경 데이터가 동일한 값을 가지는 경우라도, 상기 제 2 환경 데이터가 큰 값을 가질수록, 상기 단전 주파수와 상기 최대 허용 주파수의 차는 커지도록 상기 단전 주파수가 설정되는,
    태양광 설비 시스템.


  2. 삭제
KR1020190084803A 2019-07-12 2019-07-12 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템 KR102050204B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190084803A KR102050204B1 (ko) 2019-07-12 2019-07-12 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190084803A KR102050204B1 (ko) 2019-07-12 2019-07-12 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템

Publications (1)

Publication Number Publication Date
KR102050204B1 true KR102050204B1 (ko) 2019-11-29

Family

ID=68728754

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190084803A KR102050204B1 (ko) 2019-07-12 2019-07-12 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템

Country Status (1)

Country Link
KR (1) KR102050204B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577595A (zh) * 2020-09-18 2021-03-30 临沂大学 立体光强传感系统、立体传感方法及无人机光强传感器
KR20220063407A (ko) * 2020-11-10 2022-05-17 주식회사 디엠티 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템
CN116048184A (zh) * 2023-02-23 2023-05-02 山东浪潮科学研究院有限公司 一种光伏发电系统及其控制方法、装置、介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015056935A1 (ko) 2013-10-14 2015-04-23 주식회사 넥스트스퀘어 태양광 모듈 접속반
KR101548272B1 (ko) * 2015-02-13 2015-08-28 (주)하이레벤 태양광발전설비의 모듈에 관한 영상 데이터를 수집하기 위한 시스템
KR101938382B1 (ko) * 2018-11-07 2019-01-14 (주)세명이앤씨 지능형 안전 사고 예방 태양광 발전 시스템
KR20190038091A (ko) * 2017-09-29 2019-04-08 한국전기연구원 태양광 발전 시스템의 고장 진단 방법 및 그 장치
KR20190057844A (ko) * 2017-11-21 2019-05-29 강문식 드론 영상을 이용한 태양광 발전 장치의 시뮬레이션 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015056935A1 (ko) 2013-10-14 2015-04-23 주식회사 넥스트스퀘어 태양광 모듈 접속반
KR101548272B1 (ko) * 2015-02-13 2015-08-28 (주)하이레벤 태양광발전설비의 모듈에 관한 영상 데이터를 수집하기 위한 시스템
KR20190038091A (ko) * 2017-09-29 2019-04-08 한국전기연구원 태양광 발전 시스템의 고장 진단 방법 및 그 장치
KR20190057844A (ko) * 2017-11-21 2019-05-29 강문식 드론 영상을 이용한 태양광 발전 장치의 시뮬레이션 시스템 및 방법
KR101938382B1 (ko) * 2018-11-07 2019-01-14 (주)세명이앤씨 지능형 안전 사고 예방 태양광 발전 시스템

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577595A (zh) * 2020-09-18 2021-03-30 临沂大学 立体光强传感系统、立体传感方法及无人机光强传感器
CN112577595B (zh) * 2020-09-18 2023-01-20 临沂大学 立体光强传感系统、立体传感方法及无人机光强传感器
KR20220063407A (ko) * 2020-11-10 2022-05-17 주식회사 디엠티 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템
KR102443585B1 (ko) * 2020-11-10 2022-09-15 주식회사 디엠티 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템
CN116048184A (zh) * 2023-02-23 2023-05-02 山东浪潮科学研究院有限公司 一种光伏发电系统及其控制方法、装置、介质
CN116048184B (zh) * 2023-02-23 2024-05-17 山东浪潮科学研究院有限公司 一种光伏发电系统及其控制方法、装置、介质

Similar Documents

Publication Publication Date Title
KR102050204B1 (ko) 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템
Kyrkou et al. Deep-Learning-Based Aerial Image Classification for Emergency Response Applications Using Unmanned Aerial Vehicles.
Tian et al. Deeptest: Automated testing of deep-neural-network-driven autonomous cars
Chu et al. Real-time forecasting of solar irradiance ramps with smart image processing
CN109255286B (zh) 基于深度学习网络框架的无人机光学快速检测识别方法
Hu et al. A new ultra-short-term photovoltaic power prediction model based on ground-based cloud images
Su et al. RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms
CA2994508A1 (en) Vegetation management for power line corridor monitoring using computer vision
Ahmed et al. Inspection and identification of transmission line insulator breakdown based on deep learning using aerial images
CN112801158A (zh) 基于级联融合和注意力机制的深度学习小目标检测方法及装置
JP2020123336A (ja) 多数の車両によるセンサーフュージョン、ｖ２ｘ通信可能なアプリケーションを利用した協業走行のために周囲に位置するカメラそれぞれに対応するそれぞれの物体検出器によって検出される物体検出情報を統合する方法及び装置
Kasyap et al. Early detection of forest fire using mixed learning techniques and UAV
CN114245912A (zh) 通过在基于概率信号时间逻辑的约束下求解优化问题来进行感知误差评估和校正的系统和方法
Martins et al. A computer vision based algorithm for obstacle avoidance
CN113393459A (zh) 基于实例分割的红外图像光伏组件视觉识别方法
Surya Prasad et al. Condition monitoring of 11 kV overhead power distribution line insulators using combined wavelet and LBP‐HF features
US20210166065A1 (en) Method and machine readable storage medium of classifying a near sun sky image
CN116245871A (zh) 基于改进yolox算法的输电线路异常目标检测方法
Bemposta Rosende et al. Remote management architecture of UAV fleets for maintenance, surveillance, and security tasks in solar power plants
KR102089719B1 (ko) 기계 설비 공사 공정을 위한 제어 방법 및 장치
Tiwari et al. Time-series prediction and forecasting of ambient noise levels using deep learning and machine learning techniques
Devi et al. Behaviour Cloning for Autonomous Driving.
Ma et al. Enabling cognitive pyroelectric infrared sensing: From reconfigurable signal conditioning to sensor mask design
Wang et al. VISIT: Placement of unmanned aerial vehicles for anisotropic monitoring tasks
Ji et al. STAE‐YOLO: Intelligent detection algorithm for risk management of construction machinery intrusion on transmission lines based on visual perception

Legal Events

Date Code Title Description
GRNT Written decision to grant