KR102053134B1 - 임베디드 컴퓨터를 포함하는 태양광 모듈 접속함 및 이를 구비한 태양광 설비 - Google Patents
임베디드 컴퓨터를 포함하는 태양광 모듈 접속함 및 이를 구비한 태양광 설비 Download PDFInfo
- Publication number
- KR102053134B1 KR102053134B1 KR1020190064890A KR20190064890A KR102053134B1 KR 102053134 B1 KR102053134 B1 KR 102053134B1 KR 1020190064890 A KR1020190064890 A KR 1020190064890A KR 20190064890 A KR20190064890 A KR 20190064890A KR 102053134 B1 KR102053134 B1 KR 102053134B1
- Authority
- KR
- South Korea
- Prior art keywords
- frequency
- sensor
- environmental data
- inverter
- current
- Prior art date
Links
- 238000009434 installation Methods 0.000 title claims description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 50
- 239000000428 dust Substances 0.000 claims abstract description 43
- 239000000126 substance Substances 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims description 80
- 230000000903 blocking effect Effects 0.000 abstract description 18
- 238000005259 measurement Methods 0.000 abstract description 6
- 239000002361 compost Substances 0.000 description 28
- 239000010871 livestock manure Substances 0.000 description 28
- 230000007257 malfunction Effects 0.000 description 22
- 230000005855 radiation Effects 0.000 description 21
- 239000000203 mixture Substances 0.000 description 16
- 238000012545 processing Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 210000003608 fece Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004071 soot Substances 0.000 description 4
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical compound OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005250 beta ray Effects 0.000 description 1
- 239000008264 cloud Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
- H02S40/34—Electrical components comprising specially adapted electrical connection means to be structurally associated with the PV module, e.g. junction boxes
-
- 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
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
임베디드 컴퓨터를 포함하는 태양광 모듈 접속함 및 이를 구비한 태양광 설비가 개시된다. 일실시예에 따른 태양광 설비는 태양광을 직류 전류로 변환하는 태양광 모듈; 직류 전류를 교류 전력으로 변환하는 인버터; 및 직류 전류를 인버터로 제공하는 태양광 모듈 접속함을 포함할 수 있으며, 태양광 모듈 접속함은 직류 전류에 포함된 고주파 아크 성분을 측정할 수 있는 전류 측정부; 인버터로 제공되는 직류 전류를 차단할 수 있는 전류 차단부; 및 태양광 모듈이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 1 센서 및 제 2 센서와 연결되고, 제 1 센서로부터 제 1 환경 데이터를 획득하고, 제 2 센서로부터 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 포함하며, 제 1 센서는 온도 센서이고, 제 1 환경 데이터는 온도 데이터이고, 제 2 센서는 미세먼지 센서이고, 제 2 환경 데이터는 미세먼지 농도 데이터일 수 있다.
Description
아래 실시예들은 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 기술에 관한 것이다.
일반적으로 태양광 설비는 태양광 모듈과 인버터를 포함한다. 태양광 모듈은 태양광을 직류 전류로 변환할 수 있다. 태양광 모듈은 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 모듈이 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 설비가 불필요하게 자주 차단되어 전기 생산이 비효율적으로 이루어지게 된다.
따라서, 태양광 모듈이 생산한 직류 전류에 고주파 아크 성분이 포함된 경우, 인버터의 고장 방지 및 태양광 설비의 효율적 운영이라는 양자택일의 기로에서, 인버터로 공급되는 전류를 차단할지 말지를 적절하게 제어할 수 있는 태양광 설비가 요청되고 있다.
실시예들은 태양광 설비의 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 설비가 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 설비는 태양광을 직류 전류로 변환하는 태양광 모듈;
상기 직류 전류를 교류 전력으로 변환하는 인버터; 및 상기 직류 전류를 상기 인버터로 제공하는 태양광 모듈 접속함을 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 태양광 모듈이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 1 센서 및 제 2 센서와 연결되고, 상기 제 1 센서로부터 제 1 환경 데이터를 획득하고, 상기 제 2 센서로부터 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 온도 센서이고, 상기 제 1 환경 데이터는 온도 데이터이고, 상기 제 2 센서는 미세먼지 센서이고, 상기 제 2 환경 데이터는 미세먼지 농도 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 미리 학습된 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 커지며, 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 작아지도록 상기 단전 주파수가 설정될 수 있다.
실시예들은 태양광 설비의 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 설비가 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 설비를 설명하기 위한 도면이다.
도 2는 일실시예에 따른 임베디드 컴퓨터의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 인공 신경망의 학습 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 장치의 구성의 예시도이다.
도 5는 일실시예에 따른 고주파 아크의 주파수와 주파수에 따른 고주파 아크의 발생빈도의 관계를 표현한 그래프이다.
도 2는 일실시예에 따른 임베디드 컴퓨터의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 인공 신경망의 학습 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 장치의 구성의 예시도이다.
도 5는 일실시예에 따른 고주파 아크의 주파수와 주파수에 따른 고주파 아크의 발생빈도의 관계를 표현한 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 설비를 설명하기 위한 도면이다.
도 1을 참조하면, 태양광 설비(100)는 태양광을 제공 받아 직류 전류를 생산하는 태양광 모듈(110); 태양광 모듈(110)이 생산한 직류 전류를 교류 전력으로 변환하는 인버터(130); 태양광 모듈(110)과 인버터(130) 사이에 배치되어 태양광 모듈(110)이 생산한 직류 전류를 제공 받아 인버터(130)에 제공하는 태양광 모듈 접속함(120)을 포함할 수 있다.
태양광 모듈(110)은 태양광을 직류 전류로 변환할 수 있다. 태양광 모듈(110)의 셀에 태양광이 닿으면 광전 효과에 의해 물리적 반응이 일어나며, 이로 인해 셀은 직류 전류를 발생시킬 수 있다. 태양광 모듈(110)은 약 60개 이상의 셀로 이루어질 수 있으며, 셀들을 전기적으로 연결하여 내구성이 강한 유리 패널과 프레임으로 안전하게 결합할 수 있다. 태양광 모듈(100)에서 생성된 직류 전류는 인버터(130)로 전송될 수 있으며, 이 과정에서 직류 전류는 태양광 모듈 접속함(120)을 거쳐 인버터(130)로 전송될 수 있다.
인버터(130)는 태양광 모듈(110)에서 생산된 직류 전류를 교류 전력으로 변환하는 역할을 수행한다. 태양광 모듈(110)에서 생산된 직류 전류가 인버터(130)를 거쳐 교류 전력으로 변환됨으로써, 비로소 가정, 회사 등에서 이용할 수 있는 교류 전기의 형태를 갖추게 된다. 인버터(130)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 모듈(110)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 모듈(110)에 입사하는 광에너지가 순간적으로 변하는 경우, 태양광 모듈(110)이 생산하는 전류는 순간적으로 요동을 치게 되며, 이 과정에서 직류 전류에 고주파 아크 성분이 포함되게 된다.
한편, 일반적으로 인버터(130)는 고가의 예민한 장비이므로, 인버터(130)가 고주파 아크 등 인버터(130)의 고장의 원인이 되는 현상에 노출되지 않도록 신경을 쓸 필요가 있다. 즉, 인버터(130)가 고주파 아크에 견딜 수 있는 최대 허용 주파수 이상의 주파수를 가진 고주파 아크가 입력되면, 인버터(130)는 높은 확률로 오작동 및 고장이 일어나, 가정 및 회사 등에 태양광으로 생산한 전기가 공급되지 못하는 문제가 발생할 수 있다. 나아가, 인버터(130)의 고장이 심한 경우, 고가의 장비인 인버터(130)를 새로 교체해야 하고, 이 과정에서 심각한 비용 손실을 초래할 수 있다.
이러한 문제들이 발생하지 않도록, 태양광 모듈 접속함(120)은 태양광 모듈(110)과 인버터(130) 사이에 배치되어 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 선택적으로 제공할 수 있다. 이 과정에서, 태양광 모듈 접속함(120)는 태양광 모듈(110)이 생산한 직류 전류에 고주파 아크 성분이 많이 포함된 경우, 인버터(130)로 흘러 들어가는 전류를 차단할 수 있다. 이를 위해, 태양광 모듈 접속함(120)은 전류 측정부(121); 전류 차단부(122); 및 임베디드 컴퓨터(123)를 포함할 수 있으며, 임베디드 컴퓨터(123)은 유효한 기능 수행을 위해 복수의 센서(140)와 연결될 수 있다.
전류 측정부(121)는 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정할 수 있다. 이를 위해, 전류 측정부(121)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(100)가 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 모듈(110)과 연결되고, 출력측은 임베디드 컴퓨터(123)와 연결될 수 있다. 태양광 모듈(110)에 입력되는 태양광이 일정한 경우, 태양광 모듈(110)에 의해 생산된 전류는 고주파 아크 성분이 없거나 아주 적게 포함되어 있을 것이다. 이 경우, 태양광 모듈(110)이 생산한 전류는 지배적으로 RC 하이 패스 필터의 차단 주파수 이하의 주파수를 가지므로, 임베디드 컴퓨터(123)와 연결된 출력측에 임계치 이상의 신호가 전달되지 않는다. 한편, 미세먼지, 매연, 구름 등에 의해 태양광 모듈(110)에 입력되는 태양광이 순간적으로 변하는 경우, 태양광 모듈(110)에 의해 생산된 전류는 고주파 아크 성분을 포함할 것이다. 이 경우, 태양광 모듈(110)이 생산한 전류는 RC 하이 패스 필터의 차단 주파수 이상의 주파수를 가지는 고주파 아크 성분이 포함될 수 있으므로, 임베디드 컴퓨터(123)와 연결된 출력측에 임계치 이상의 신호가 전달될 수 있다.
전류 측정부(121)로부터 임계치 이상의 신호를 전달 받은 임베디드 컴퓨터(123)는 고주파 아크 성분 데이터를 획득한 셈이 된다. 임베디드 컴퓨터(123)는 고주파 아크 성분의 주파수를 분석하는 종래의 알고리즘들을 수행할 수 있고, 고주파 아크 성분의 주파수가 후술의 단전(斷電) 주파수를 초과하는 것으로 판별된 경우, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 제공하지 않고 차단하라는 명령을 전류 차단부(122)로 전송할 수 있다.
한편, 위에서 설명한 회로 구성 및 전류 측정 방식은 예시일 뿐이며, 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정할 수만 있다면, 어떠한 회로 구성 및 측정 방식이라도 전류 측정부(121)에 차용될 수 있다.
전류 차단부(122)는 인버터(130)로 제공되는 직류 전류를 차단할 수 있다. 구체적으로, 임베디드 컴퓨터(123)는 차단 명령을 전송할 수 있다. 가령, 전류 차단부(122)에 NPN 트랜지스터가 포함될 수 있고, NPN 트랜지스터의 컬렉터(C)가 태양광 모듈(110)측과 연결되고; 이미터(E)가 인버터(130)측에 연결되고; 베이스(B)가 태양광 모듈 접속함(120)측에 연결될 수 있다.
평소에는, 베이스(B)에 일정한 전류가 흐름으로써, 태양광 모듈(110)이 생산한 직류 전류가 인버터(130)로 제공되는 상황일 수 있다. 이때, 차단 명령은 태양광 모듈 접속함(120)가 베이스(B)에 입력되는 전류를 중단시키는 것일 수 있다. 이를 통해, 전류 차단부(122)에 포함되는 NPN 트랜지스터의 컬렉터(C)와 이미터(E) 사이에는 더 이상 전류가 흐를 수 없게 된다. 이를 통해, 태양광 모듈(110)이 생산한 직류 전류는 인버터(130)로 제공되지 않고 차단될 수 있다.
한편, 위에서 설명한 회로 구성 및 회로 구성에 따른 차단 명령은 예시일 뿐이며, 태양광 모듈 접속함(120)에서 전송하는 차단 명령을 통해 태양광 모듈(110)이 생산한 직류 전류가 인버터(130)로 제공되지 않을 수만 있다면, 어떠한 회로 구성이라도 전류 차단부(122)에 차용될 수 있으며, 어떠한 회로 구성에 따른 차단 명령이라도 임베디드 컴퓨터(123)에 차용될 수 있다.
임베디드 컴퓨터(123)는 전류 측정부(121) 및 전류 차단부(122)를 제어하여, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 제공하거나 제공하지 않을 수 있다. 이를 위해, 임베디드 컴퓨터(123)는 태양광 모듈(110)이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 복수의 센서(140)와 연결되고; 각각의 센서(141, 142, 143)로부터 특정한 환경 데이터를 획득하고; 복수의 환경 데이터를 기초로, 단전(斷電) 주파수를 설정하고; 전류 측정부(121)가 측정한 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득하고; 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터(130)로 제공되는 직류 전류를 차단하는 명령을 전류 차단부(122)로 전송할 수 있다. 임베디드 컴퓨터(123)의 구체적인 동작은 도 2를 참조하여 후술된다.
복수의 센서(140)는 각각 태양광 모듈(110)이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있다. 복수의 센서(140)는 제 1 센서(141); 제 2 센서(142); 및 제 3 센서(143)가 있을 수 있다.
제 1 센서(141)는 온도 센서일 수 있다. 온도 센서는 시장에 출시되어 있는 통상의 온도 센서를 이용할 수도 있고, 온도에 따라 저항 값이 변하는 서미스터(thermistor)를 포함하는 회로를 구성해 자체 제작할 수 있다. 태양광 모듈(110) 주변의 온도가 높다고 측정될 경우, 태양광 모듈(110) 주변은 일사량이 많은 상황으로 해석될 수 있다.
한편, 일반적으로 일사량을 직접 측정하는 센서들은 고가의 가격대를 형성하므로, 일사량을 직접적으로 측정하는 센서보다 온도 센서를 이용할 경우, 최소 10배 이상 가격 경쟁력을 가질 수 있고, 이를 통해 경제적으로 보급형 태양광 설비(100)를 제작할 수 있게 되는 장점이 있다.
제 2 센서(142)는 미세먼지를 측정하는 미세먼지 센서일 수 있다. 미세먼지 센서는 미세먼지에 의한 레이저의 산란을 측정하는 광산란 미세먼지 센서; 미세먼지에 의해 필터가 오염된 정도를 측정하는 흡착식 미세먼지 센서, 먼지를 흡수하여 테이프와 같은 필터에 계속 쌓아 놨다가, 베타(β)선을 쬐서 먼지 농도를 유추하는 베타선 미세먼지 센서 등 미세먼지 농도를 측정할 수 있는 센서라면 어떤 것이든 차용될 수 있다. 태양광 모듈(110) 주변의 미세먼지가 많다고 측정될 경우, 태양광 모듈(110) 주변은 미세먼지에 의해 태양광 모듈(110)에 입사하는 태양광이 방해 받는 상황으로 해석될 수 있다.
제 3 센서(143)는 가축분뇨 퇴비의 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 수행 할 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 최소화 할 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 센서(143)는 이와 같은 전자코에 있어서, 타겟 화학 성분을 가축분뇨 퇴비의 화학 성분으로 삼고 전자코의 인공 신경망을 학습시킨 전자코일 수 있다. 이를 통해, 제 3 센서(143)는 태양광 모듈(110) 주변에 가축분뇨 퇴비가 많이 분포하고 있는지 여부를 판별할 수 있다. 가축분뇨 퇴비는 매연, 분진, 이산화질소, 아황산가스 등이 많은 도심 지역보다는 공기가 맑은 시골 지역에 많이 분포한다. 따라서 제 3 센서(143)를 통해 태양광 모듈(110) 주변에 가축분뇨 퇴비가 많이 검출된다면, 태양광 모듈(110) 주변은 태양광 모듈(110)로 입사하는 태양광을 방해할 매연 등이 많지 않은 상황으로 해석될 수 있다.
전자코(143)의 인공 신경망의 구체적인 학습 과정은 도 3을 참조하여 후술된다. 또한, 센서들(141, 142, 143)이 측정한 환경 데이터를 기초로 태양광 모듈 접속함(120)의 임베디드 컴퓨터(123)가 태양광 설비(100)를 제어하는 과정은 도 2를 참조하여 후술된다.
도 2는 일실시예에 따른 임베디드 컴퓨터의 동작을 설명하기 위한 도면이다.
우선, 임베디드 컴퓨터(123)는 태양광 모듈이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 복수의 센서(140)와 연결될 수 있다(210). 임베디드 컴퓨터(123)과 복수의 센서(140)는 유선 또는 무선 인터넷 환경, LTE, 5G, WiFi, 블루투스, UART, SPI, I2C, USB 통신, LAN 등을 비롯한 다양한 네트워크로 연결될 수 있다. 이를 위해, 임베디드 컴퓨터(123) 및 복수의 센서(140)는 유무선 네트워크를 위한 통신 안테나, 통신 단자, 하드웨어, 소프트웨어 및 이들의 조합을 포함할 수 있으며, 유무선 네트워크를 위한 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다.
구체적으로, 임베디드 컴퓨터(123)는 제 1 센서(141); 제 2 센서(142); 및 제 3 센서(143)와 연결될 수 있다. 이때, 제 1 센서(141)는 온도 센서; 제 2 센서(142)는 미세먼지 센서; 제 3 센서(143)는 가축분뇨 퇴비의 화학 성분에 타겟팅된 전자코일 수 있다.
다음으로, 임베디드 컴퓨터(123)는 복수의 센서로부터 복수의 환경 데이터를 획득할 수 있다(220). 구체적으로, 임베디드 컴퓨터(123)는 제 1 센서(141)로부터 제 1 환경 데이터를; 제 2 센서(142)로부터 제 2 환경 데이터를; 제 3 센서(143)로부터 제 3 환경 데이터를 획득할 수 있다. 이때, 제 1 환경 데이터는 태양광 모듈(110) 주변의 온도 데이터이고; 제 2 환경 데이터는 태양광 모듈(110) 주변의 미세먼지 농도 데이터이고; 제 3 환경 데이터는 태양광 모듈(110) 주변의 대기 중 가축분뇨 퇴비의 화학 성분을 수치화한 데이터일 수 있다. 특히, 온도가 높을수록 일반적으로 일사량이 많은 상황으로 해석될 수 있다.
이어서, 복수의 환경 데이터를 기초로, 단전(斷電) 주파수를 설정할 수 있다(230). 여기서 단전(斷電) 주파수란, 태양광 모듈(110)이 생산한 직류 전류에서 고주파 아크 성분이 검출되었고, 나아가 고주파 아크 성분의 주파수가 단전 주파수를 초과한 것으로 판별된 경우, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)으로 제공하지 않고 차단하기로 결정하는 주파수일 수 있다.
단전 주파수를 어떻게 설정해야 적합한지는 도 5를 참고하여 설명될 수 있다. 도 5를 참고하면, 일사량이 적은 경우(510)와 일사량이 많은 경우(520), 고주파 아크의 주파수와 주파수에 따른 고주파 아크의 발생빈도의 관계를 표현한 그래프들을 확인할 수 있다. 일사량이 적은 경우(510)에나 일사량이 많은 경우(520)에나, 고주파 아크의 주파수에 따른 발생빈도는 정규분포에 가까운 형태를 띠는 것을 확인할 수 있다. 한편, 일사량이 많은 경우(520), 정규분포의 중심 위치를 결정하는 평균 값이 더 크므로, 주파수가 높은 고주파 아크들이 보다 높은 확률로 발생한다는 것을 확인할 수 있다. 이는 태양광 모듈(110)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(130)가 고주파 아크에 견딜 수 있는 최대 허용 주파수(501) 이상의 주파수를 가진 고주파 아크에 노출되면 오작동 및 고장이 일어날 수 있다. 따라서, 단전 주파수는 일사량이 적은 경우(510)에나 일사량이 많은 경우(520)에나 최대 허용 주파수(501)보다 작아야 인버터(130)를 보호한다는 목적을 달성할 수 있다.
여기서, 일사량이 적은 경우(510), 정규분포의 중심 위치를 결정하는 평균 값이 작으므로, 태양광 모듈(110)이 생산한 직류 전류에서 고주파 아크 성분이 검출되더라도, 검출된 고주파 아크의 주파수가 최대 허용 주파수(501)보다 크거나 같을 확률은 낮다. 따라서 일사량이 적은 경우의 단전 주파수(511)는 최대 허용 주파수(501)와의 차가 작도록 설정되어야 태양광 설비(100)가 불필요하게 차단되는 비효율을 최소화할 수 있다.
반대로, 일사량이 많은 경우(520), 정규분포의 중심 위치를 결정하는 평균 값이 크므로, 태양광 모듈(110)이 생산한 직류 전류에서 고주파 아크 성분이 검출되었다면, 검출된 고주파 아크의 주파수가 최대 허용 주파수(501)보다 크거나 같을 확률이 높다. 따라서 일사량이 많은 경우의 단전 주파수(521)는 최대 허용 주파수(501)와의 차가 크도록 설정되어야 인버터(130)가 고장 날 위험성을 최소화할 수 있다.
따라서 태양광 모듈 접속함(120)의 임베디드 컴퓨터(123)는 복수의 센서(140)를 통해 태양광 모듈(110) 주변의 일사량이 많은지 적은지를 측정하고, 이를 기초로 단전 주파수를 정해야 태양광 설비(100)가 불필요하게 차단되는 비효율을 최소화하면서 동시에 인버터(130)가 고장 날 위험성도 최소화할 수 있다.
이를 위해, 우선, 제 1 센서(141)로부터 획득한 제 1 환경 데이터, 즉 온도 센서로부터 획득한 태양광 모듈(110) 주변의 온도 데이터를 통해 단전 주파수가 설정될 수 있다. 온도가 높다고 측정될수록 일반적으로 태양광 모듈(110) 주변의 일사량이 많고, 태양광 모듈(110) 주변의 일사량이 많으면 최대 허용 주파수(501)를 초과하는 고주파 아크가 발생할 확률이 크므로, 인버터(130)가 고장날 위험성을 최소화하기 위해서는 단전 주파수와 최대 허용 주파수(501)의 차가 커지도록 단전 주파수가 설정되어야 한다.
다음으로, 제 2 센서(142)로부터 획득한 제 2 환경 데이터, 즉 미세먼지 센서로부터 획득한 태양광 모듈(110) 주변의 미세먼지 농도 데이터를 통해, 제 1 환경 데이터를 통해 설정된 단전 주파수를 세부적으로 조정될 수 있다.
태양광 모듈(110) 주변의 미세먼지 농도가 높다고 측정될 경우, 태양광 모듈(110) 주변의 미세먼지가 많다고 측정될 경우, 태양광 모듈(110) 주변은 미세먼지에 의해 태양광 모듈(110)에 입사하는 태양광이 방해 받는 상황으로 해석될 수 있다. 이때, 제 1 센서(141)에 의해 온도가 높다고 측정된 경우라도, 제 2 센서(142)에 의해 미세먼지가 심하다고 측정된 경우, 미세먼지가 없었더라면 일사량이 많은 날씨이지만, 미세먼지 때문에 태양광 모듈(110)에 입사하는 태양광이 방해 받는 상황일 수 있다. 즉, 제 1 센서(141)에 의한 측정 결과와는 달리, 실제로 태양광 모듈(110)에 입사하는 태양광이 많지 않은 상황일 수도 있다. 이처럼 미세먼지의 방해에 의해 태양광 모듈(110) 주변에 일사량이 많지 않은 상황이라면, 태양광 모듈(110)이 생산한 직류 전류에서 고주파 아크 성분이 검출되더라도, 검출된 고주파 아크의 주파수가 최대 허용 주파수(501)보다 크거나 같을 확률은 낮다. 따라서 미세먼지 농도가 높다고 측정될수록 단전 주파수는 최대 허용 주파수(501)와의 차가 작아지도록 설정되어야 태양광 설비(100)가 불필요하게 차단되는 비효율을 최소화할 수 있다.
이어서, 제 3 센서(143)로부터 획득한 제 3 환경 데이터, 즉 가축분뇨 퇴비의 화학 성분에 타겟팅된 전자코의 인공 신경망으로부터 획득한 태양광 모듈(110) 주변의 대기 중 가축분뇨 퇴비의 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 센서(142)를 통해 태양광 모듈(110) 주변의 미세먼지 농도가 높다고 측정된 경우라도, 제 3 센서(143)를 통해 태양광 모듈(110) 주변에 가축분뇨 퇴비의 화학 성분이 많이 검출된다면, 미세먼지 외에 태양광 모듈(110)에 입사하는 태양광을 방해할 매연, 분진, 이산화질소, 아황산가스 등이 적은 시골 지역이라는 뜻이므로, 미세먼지가 농도가 높다 하더라도 도심 지역과 비교하여 태양광 모듈(110) 주변의 일사량이 많은 상황으로 해석될 수 있다. 이때, 제 1 센서(141)에 의해 온도가 높다고 측정되고, 제 2 센서(142)에 의해 미세먼지 농도가 높다고 측정된 경우라면, 실제로는 일사량이 많은 날씨라 하더라도 미세먼지 때문에 태양광 모듈(110) 주변의 일사량이 줄어든 상황으로 해석될 수도 있을 것이나, 여기에 더해 제 3 센서(143)에 의해 대기 중 가축분뇨 퇴비의 화학 성분이 많다고 측정된 경우라면, 미세먼지 외에 태양광 모듈(110)에 입사하는 태양광을 방해할 매연, 분진, 이산화질소, 아황산가스 등이 적은 시골 지역이라는 뜻이므로, 태양광 모듈(110)에 입사하는 일사량은 미세먼지에 의해서만 방해되는 상황일 것이다. 즉, 제 3 환경 데이터는 제 2 환경 데이터가 단전 주파수를 조정하는 효과를 어느정도 완화시킨다. 따라서 제 1 환경 데이터, 즉 온도 데이터가 동일한 값을 가지고, 제 2 환경 데이터, 즉 미세먼지 농도 데이터 역시 동일한 값을 가지는 경우, 제 3 환경 데이터, 즉 태양광 모듈(110) 주변의 대기 중 가축분뇨 퇴비의 화학 성분을 수치화한 데이터가 클수록 단전 주파수와 최대 허용 주파수(501)의 차는 커지도록 단전 주파수가 설정되어야 한다. 즉, 제 1 환경 데이터인 온도 데이터가 동일한 값을 가지고, 제 2 환경 데이터인 미세먼지 농도 데이터 역시 동일한 값을 가지는 경우에 대해, 제 3 환경 데이터인 태양광 모듈(110) 주변의 대기 중 가축분뇨 퇴비의 화학 성분을 수치화한 데이터가 큰 값을 가지는 경우, 단전 주파수와 최대 허용 주파수(501)의 차는 제 3 환경 데이터가 작은 값을 가지는 경우보다 커야 한다.
이처럼 제 1 환경 데이터; 제 2 환경 데이터; 및 제 3 환경 데이터를 기초로 임베디드 컴퓨터(123)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(501)보다 작으며; 제 1 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(501)와의 차가 커지도록 설정되며; 제 1 환경 데이터가 동일한 값을 가지는 경우라도, 제 2 환경 데이터가 큰 값을 가질수록, 단전 주파수는 최대 허용 주파수(501)와의 차가 작아지도록 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(501)와의 차가 커지도록 설정될 수 있다. 한편, 임베디드 컴퓨터(123)에 포함되는 인공 신경망이 학습되는 과정은 도 3을 참조하여 후술된다.
이어지는 순서로, 전류 측정부(121)가 측정한 직류 전류에 포함된 고주파 아크 성분 데이터를 획득할 수 있다(240). 전류 측정부(121)가 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정하고, 측정 결과를 임베디드 컴퓨터(123)로 전송하는 과정은 도 1을 참조하여 설명된 전류 측정부(121)에 포함되는 RC 하이 패스 필터를 중심으로 이루어질 수 있다. 그러나, 이에 제한되는 것은 아니며, 태양광 모듈(110)이 생산한 직류 전류에 포함된 고주파 아크 성분을 측정하고, 측정 결과를 임베디드 컴퓨터(123)으로 전송할 수만 있다면, 어떠한 구성 및 방식이라도 차용될 수 있다.
다음으로, 임베디드 컴퓨터(123)는 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 경우, 인버터(130)로 제공되는 직류 전류를 차단하는 명령을 전류 차단부(122)로 전송할 수 있다(250). 임베디드 컴퓨터(123)가 전류 측정부(121)로부터 획득한 고주파 아크 성분의 주파수를 측정하고, 고주파 아크 성분의 주파수가 단전 주파수를 초과하는 것으로 판별한 경우, 태양광 모듈(110)이 생산한 직류 전류를 인버터(130)로 제공하지 않고 차단하라는 명령을 전류 차단부(122)로 전송하는 과정은 도 1을 참조하여 설명된 전류 측정부(121)로부터 임계치 이상의 신호를 전달 받은 임베디드 컴퓨터(123)의 동작과 동일할 수 있다. 그러나, 이에 제한되는 것은 아니며, 고주파 아크의 주파수가 단전 주파수를 초과할 경우, 전류 차단부(122)로 차단 명령을 전송할 수만 있다면, 어떠한 구성 및 방식이라도 차용될 수 있다.
이후, 차단 명령을 전송 받은 전류 차단부(122)는 (130)로 제공되는 직류 전류를 차단할 수 있으며, 그 과정은 도 1을 참조하여 설명된 전류 차단부(122)에 포함되는 NPN 트랜지스터를 중심으로 이루어질 수 있다. 그러나, 이에 제한되는 것은 아니며, 태양광 모듈 접속함(120)에서 전송하는 차단 명령을 통해 태양광 모듈(110)이 생산한 직류 전류가 인버터(130)로 제공되지 않도록 할 수만 있다면, 어떠한 구성 및 방식이라도 전류 차단부(122)에 차용될 수 있다.
도 3은 일실시예에 따른 인공 신경망의 학습 과정을 설명하기 위한 도면이다.
제 1 인공 신경망은 제 3 센서(143)인 전자코의 인공 신경망일 수 있다. 제 1 인공 신경망은 타겟 화학 성분인 가축분뇨 퇴비의 화학 성분이 대기 중에 얼마만큼 포함되어 있는지를 수치로 출력하는 알고리즘일 수 있다.
제 2 인공 신경망은 임베디드 컴퓨터(123)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 1 인공 신경망 및 제 2 인공 신경망은 별도의 학습 장치를 통해 학습된 후, 제 3 센서(143) 또는 임베디드 컴퓨터(123)에 설치될 수 있다. 이하에서는, 제 1 인공 신경망 및 제 2 인공 신경망이 학습되는 과정을 설명한다.
우선, 학습 장치는 트레이닝 데이터와 레이블을 마련할 수 있다(300).
제 1 인공 신경망의 경우, 트레이닝 데이터는 대기 환경이 통제되는 챔버 내부에 가축분뇨 퇴비를 놔두고 실험을 반복했을 때, 각각의 실험에서 대기 중 가축분뇨 퇴비의 화학 성분을 입력 받은 전자코의 입력부가 생성한 감지 신호일 수 있다. 이때, 레이블은 챔버의 부피 당 각각의 실험에 사용된 가축분뇨 퇴비의 양일 수 있다.
제 2 인공 신경망의 경우, 우선, 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 복수의 센서(140)가 측정한 복수의 환경 데이터를 수집할 수 있다. 가령, 인버터(130)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(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 1 센서(141)가 측정한 온도 데이터를 수집할 수 있다. 또, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 2 센서(142)가 측정한 미세먼지 농도 데이터를 수집할 수 있다. 또, 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 미리 정해진 시간 구역 동안 제 3 센서(143)가 측정한 대기 중 가축분뇨 퇴비의 화학 성분을 수치화한 데이터를 수집할 수 있다. 이때, 학습이 완료된 제 1 인공 신경망은 전자코에 해당하는 제 3 센서(143)에 포함되며, 제 2 인공 신경망의 트레이닝 데이터 및 레이블을 생성하는 데이터를 마련하는데 활용될 수 있다.
다음으로, 제 1 센서(141)가 미리 정해진 시간 구역 동안, 가령, 태양광 설비(100)의 인버터(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초 이전의 시점부터 1초 이전의 시점까지 측정한 온도 데이터의 평균값을 구할 수 있다. 평균값이 높을수록 도 5의 일사량이 많은 경우(520)에 가깝고, 평균값이 낮을수록 일사량이 적은 경우(510)에 가깝다. 평균값이 높을수록, 즉 일사량이 많은 경우(520)일수록, 인버터(130)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(510)일수록, 인버터(130)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(130)가 고장이 나기 전에 측정된 고주파 아크의 주파수로 설정되므로, 인버터(130)가 고주파 아크에 견딜 수 있는 최대 허용 주파수(501)보다 작은 값을 가지게 된다. 또한, 평균값이 높을수록, 즉 일사량이 많은 경우(520)일수록, 레이블과 최대 허용 주파수(501)의 차는 커지며, 평균값이 낮을수록, 즉 일사량이 적은 경우(510)일수록, 레이블과 최대 허용 주파수(501)의 차는 작아지게 된다.
다음으로, 학습 장치는 트레이닝 데이터로부터 입력을 생성할 수 있다(310).
제 1 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.
제 2 인공 신경망의 경우, 태양광 설비(100)의 인버터(130)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 센서(141)가 측정한 제 1 환경 데이터에 가장 높은 가중치를; 제 2 센서(142)가 측정한 제 2 환경 데이터에 다음으로 높은 가중치를; 제 3 센서 (143)가 측정한 제 3 환경 데이터가 가장 낮은 가중치를 가질 수 있다.
이어서, 학습 장치는 입력을 인공 신경망에 적용할 수 있다(320). 학습 장치에 포함된 인공 신경망은 지도 학습(supervised learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 지도 학습을 통해 학습시키기에 적합한 컨볼루션 신경망(convolutional neural network, CNN) 또는 리커런트 신경망(recurrent neural network, RNN) 구조일 수 있다.
이를 통해, 제 1 인공 신경망은 챔버 내 가축분뇨 퇴비의 양이 얼마만큼 되는지에 따라 전자코의 입력부의 감지 신호가 어떤 경향성을 가지는지를 용이하게 학습할 수 있다.
또한, 제 2 인공 신경망은, 일사량이 많은 경우(520), 인버터(130)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(510), 인버터(130)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.
이어지는 순서로, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다(330).
제 1 인공 신경망의 출력은, 대기 중 가축분뇨 퇴비의 화학 성분을 수치화한 데이터일 수 있다. 가령, 특정 부피 내(챔버 내) 가축분뇨 퇴비의 양에 대한 인공 신경망의 추론 값일 수 있다. 구체적으로, 제 1 인공 신경망은 전자코의 입력부가 입력 받은 감지 신호에서 챔버 내 가축분뇨 퇴비가 없는 경우 활성화되지 않는 영역; 챔버 내 가축분뇨 퇴비가 있는 경우 비로소 활성화되는 영역; 및 챔버 내 가축분뇨 퇴비가 증가할수록 변화를 보이는 영역의 패턴을 발견하여, 해당 패턴들을 기초로 추론한 챔버 내 가축분뇨 퇴비의 양을 출력할 수 있다.
제 2 인공 신경망의 출력은, 일사량이 많은 경우(520), 태양광 설비(100)의 인버터(130)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(510), 태양광 설비(100)의 인버터(130)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(130)가 고장이 나거나 오작동을 일으킨 시점으로부터 5초에서 1초 이전의 시간 구역에서 일사량의 많고 적음에 입각하여 결정된 특정한 시각에 측정된 온도 데이터; 미세먼지 농도 데이터; 및 대기 중 가축분뇨 퇴비의 화학 성분을 수치화한 데이터의 패턴을 발견하여, 해당 패턴들을 기초로 추론한 고주파 아크의 주파수를 출력할 수 있다.
다음으로, 학습 장치는 출력과 레이블을 비교할 수 있다(340). 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(350). 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 많은 경우(520)일수록, 제 2 인공 신경망의 출력과 최대 허용 주파수(501)의 차는 커지며, 일사량이 적은 경우(510)일수록, 제 2 인공 신경망의 출력과 최대 허용 주파수(501)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, 챔버 내 포함되는 가축분뇨 퇴비의 양에 따른 전자코의 입력부의 감지 신호를 기초로, 대기 중 가축분뇨 퇴비의 화학 성분을 수치화한 데이터를 추론하여 출력하는 인공 신경망을 구비할 수 있다. 제 1 인공 신경망을 구비한 전자코는 가축분뇨 퇴비의 화학 성분의 대기 중 존재 여부 및 농도를 측정할 수 있으므로, 가령 태양광 모듈(110)의 주변에 대기 중 가축분뇨 퇴비의 화학 성분이 얼마만큼 포함되어 있는지를 측정할 수 있고, 이를 기초로 태양광 모듈(110) 주변이 시골 지역인지 여부를 유의미하게 추측할 수 있다. 또한, 학습이 완료된 제 1 인공 신경망은 학습이 완료된 제 2 인공 신경망의 입력을 생성하는데 활용될 수 있다.
제 2 인공 신경망은 일사량이 많은 경우(520), 태양광 설비(100)의 인버터(130)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 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(501)와의 차가 상대적으로 크도록 설정되며, 이를 통해 인버터(130)가 고장 날 위험성을 최소화할 수 있다.
또, 제 2 인공 신경망은 일사량이 적은 경우(510), 태양광 설비(100)의 인버터(130)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(501)와의 차가 상대적으로 작도록 설정되며, 이를 통해 태양광 설비(100)가 불필요하게 차단되는 비효율을 최소화할 수 있다.
도 4는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(401)는 프로세서(402) 및 메모리(403)를 포함한다. 일실시예에 따른 장치(401)는 상술한 임베디드 컴퓨터(123) 또는 학습 장치일 수 있다. 프로세서는 도 1 내지 도 3을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 3을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(403)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(403)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(402)는 프로그램을 실행하고, 장치(401)를 제어할 수 있다. 프로세서(402)에 의하여 실행되는 프로그램의 코드는 메모리(403)에 저장될 수 있다. 장치(401)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 (2)
- 태양광을 직류 전류로 변환하는 태양광 모듈;
상기 직류 전류를 교류 전력으로 변환하는 인버터; 및
상기 직류 전류를 상기 인버터로 제공하는 태양광 모듈 접속함;
을 포함하는 태양광 설비에 있어서,
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 태양광 모듈이 설치되는 실외의 물리적 환경, 화학적 환경, 또는 생물학적 환경의 적어도 일부의 특징을 측정할 수 있는 제 1 센서 및 제 2 센서와 연결되고,
상기 제 1 센서로부터 제 1 환경 데이터를 획득하고,
상기 제 2 센서로부터 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 컴퓨터;
를 포함하며,
상기 제 1 센서는 온도 센서이고,
상기 제 1 환경 데이터는 온도 데이터이고,
상기 제 2 센서는 미세먼지 센서이고,
상기 제 2 환경 데이터는 미세먼지 농도 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 미리 학습된 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 작아지도록 상기 단전 주파수가 설정되는,
태양광 설비.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190064890A KR102053134B1 (ko) | 2019-05-31 | 2019-05-31 | 임베디드 컴퓨터를 포함하는 태양광 모듈 접속함 및 이를 구비한 태양광 설비 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190064890A KR102053134B1 (ko) | 2019-05-31 | 2019-05-31 | 임베디드 컴퓨터를 포함하는 태양광 모듈 접속함 및 이를 구비한 태양광 설비 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102053134B1 true KR102053134B1 (ko) | 2019-12-06 |
Family
ID=68837209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190064890A KR102053134B1 (ko) | 2019-05-31 | 2019-05-31 | 임베디드 컴퓨터를 포함하는 태양광 모듈 접속함 및 이를 구비한 태양광 설비 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102053134B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117294252A (zh) * | 2023-09-19 | 2023-12-26 | 安徽华晟新能源科技有限公司 | 光伏焊带检测方法和光伏焊带检测系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015056935A1 (ko) | 2013-10-14 | 2015-04-23 | 주식회사 넥스트스퀘어 | 태양광 모듈 접속반 |
| KR101879743B1 (ko) * | 2018-02-12 | 2018-07-18 | 주식회사 한국이알이시 | 온도 및 결로 검출기능을 구비한 태양광 접속반 |
| KR101938382B1 (ko) * | 2018-11-07 | 2019-01-14 | (주)세명이앤씨 | 지능형 안전 사고 예방 태양광 발전 시스템 |
-
2019
- 2019-05-31 KR KR1020190064890A patent/KR102053134B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015056935A1 (ko) | 2013-10-14 | 2015-04-23 | 주식회사 넥스트스퀘어 | 태양광 모듈 접속반 |
| KR101879743B1 (ko) * | 2018-02-12 | 2018-07-18 | 주식회사 한국이알이시 | 온도 및 결로 검출기능을 구비한 태양광 접속반 |
| KR101938382B1 (ko) * | 2018-11-07 | 2019-01-14 | (주)세명이앤씨 | 지능형 안전 사고 예방 태양광 발전 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117294252A (zh) * | 2023-09-19 | 2023-12-26 | 安徽华晟新能源科技有限公司 | 光伏焊带检测方法和光伏焊带检测系统 |
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 | |
| US10345486B2 (en) | Apparatus and method for solar energy micro-forecasts for solar generation sources and utilities | |
| Dhimish et al. | Simultaneous fault detection algorithm for grid‐connected photovoltaic plants | |
| Janarthanan et al. | Intelligent detection of the PV faults based on artificial neural network and type 2 fuzzy systems | |
| Kuruvila et al. | Hardware-assisted detection of firmware attacks in inverter-based cyberphysical microgrids | |
| US10337498B2 (en) | Method and device for detecting equivalent load of wind turbine | |
| Frizzo Stefenon et al. | Analysis of training techniques of ANN for classification of insulators in electrical power systems | |
| Abubakar et al. | Review of artificial intelligence-based failure detection and diagnosis methods for solar photovoltaic systems | |
| Jiang et al. | Bayesian filtering for building occupancy estimation from carbon dioxide concentration | |
| EP2946219B2 (en) | Method, apparatus and computer-program product for determining faults in a lighting system | |
| KR102053134B1 (ko) | 임베디드 컴퓨터를 포함하는 태양광 모듈 접속함 및 이를 구비한 태양광 설비 | |
| KR102050204B1 (ko) | 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 시스템 | |
| US9939485B1 (en) | Prognostics and health management of photovoltaic systems | |
| KR20200114130A (ko) | 태양광 발전 고장 진단 방법 및 시스템 | |
| Javed et al. | Experimental testing of a random neural network smart controller using a single zone test chamber | |
| Chen et al. | Ensemble learning methods for power system cyber-attack detection | |
| Manohar et al. | Microgrid protection against high impedance faults with robustness to harmonic intrusion and weather intermittency | |
| Mohamed et al. | Data mining-based cyber-physical attack detection tool for attack-resilient adaptive protective relays | |
| KR102064083B1 (ko) | 발전 시스템의 이상 유무 판단 장치 및 방법 | |
| US11283401B2 (en) | System and method for determining a state of a photovoltaic panel | |
| CN117767250B (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
| KR102089719B1 (ko) | 기계 설비 공사 공정을 위한 제어 방법 및 장치 | |
| Cao et al. | Physics-informed graphical learning and Bayesian averaging for robust distribution state estimation | |
| KR102053116B1 (ko) | 태양광 모듈 접속함 및 이를 포함하는 태양광 설비 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |