KR102074707B1 - 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 - Google Patents
태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 Download PDFInfo
- Publication number
- KR102074707B1 KR102074707B1 KR1020180125592A KR20180125592A KR102074707B1 KR 102074707 B1 KR102074707 B1 KR 102074707B1 KR 1020180125592 A KR1020180125592 A KR 1020180125592A KR 20180125592 A KR20180125592 A KR 20180125592A KR 102074707 B1 KR102074707 B1 KR 102074707B1
- Authority
- KR
- South Korea
- Prior art keywords
- solar
- measured
- solar panel
- value
- neural network
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000009434 installation Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 230000005855 radiation Effects 0.000 abstract description 51
- 238000000034 method Methods 0.000 abstract description 13
- 210000004027 cell Anatomy 0.000 description 47
- 238000005259 measurement Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 239000003574 free electron Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- 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
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J2001/4266—Photometry, e.g. photographic exposure meter using electric radiation detectors for measuring solar light
- G01J2001/4285—Pyranometer, i.e. integrating over space
-
- 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
Abstract
농업 생산성 향상을 위해 작물의 생육환경 모니터링이 중요하지만 대부분의 농민들은 고가의 모니터링 장비를 구입하기 어렵다. 특히 본 발명의 목표인 일사량계의 경우 저가의 모델이 3-40만원에 달해 농민들이 부담이 작지 않다. 반면 상대적으로 저렴한 태양 전지판은 포토다이오드와 동일한 원리로 동작하여 그 출력을 이용하면 대략적인 일사량의 측정이 가능하다. 실제 농가에서 필요한 일사량 측정 장치는 고가의 정밀한 일사량 측정 장치가 아니기 때문에 태양 전지판을 이용하여 일사량 측정 장치를 만들 경우 상대적으로 저렴한 가격에 보급이 가능하다. 그러나 저렴한 만큼 기존의 태양 전지판을 이용한 일사량 측정 장치 등은 많은 오차가 있었다.
본 발명에서는 태양 전지판을 이용한 측정 데이터와 일사량측정센서의 측정값을 1년 이상의 빅데이터를 이용하여 뉴럴네트워크 기반의 인공 지능을 이용하여 태양 전지판을 이용한 일사량 센서를 개발하고자 한다. 개발된 본 발명은 태양전지판; 및 상기 태양전지판을 구성하는 개개의 태양전지셀과 연결되는 MUX; 및 상기 MUX를 통과한 신호로부터 전류를 측정하는 전류계; 및 상기 전류계에서 측정된 각각의 태양전지셀에서 측정된 정류 값들과 비교하여 이를 저장하고, 후단에 구비되는 인공신경망제어기에 전달하는 비교기를 구비한 데이터로거; 및 상기 비교기를 구비한 데이터로거로부터 전류 값을 입력받아 이를 일사량 값으로 변환하여 출력하는 상기 인공신경망제어기를 구비한 것을 특징으로 하는 태양전지판를 이용한 일사량 측정 장치로, 기존의 태양 전지를 이용한 일사량 센서가 가지는 문제점과 노이즈에 의한 일사량 측정값의 부정확한 출력을 뉴럴네트워크 기반의 인공지능을 이용하여 1년 이상의 센서 측정값으로 학습함으로써 기존의 일사량 센서에 손색없는 저가의 태양 전지판 방식의 일사량측정 센서를 제공한다.
본 발명에서는 태양 전지판을 이용한 측정 데이터와 일사량측정센서의 측정값을 1년 이상의 빅데이터를 이용하여 뉴럴네트워크 기반의 인공 지능을 이용하여 태양 전지판을 이용한 일사량 센서를 개발하고자 한다. 개발된 본 발명은 태양전지판; 및 상기 태양전지판을 구성하는 개개의 태양전지셀과 연결되는 MUX; 및 상기 MUX를 통과한 신호로부터 전류를 측정하는 전류계; 및 상기 전류계에서 측정된 각각의 태양전지셀에서 측정된 정류 값들과 비교하여 이를 저장하고, 후단에 구비되는 인공신경망제어기에 전달하는 비교기를 구비한 데이터로거; 및 상기 비교기를 구비한 데이터로거로부터 전류 값을 입력받아 이를 일사량 값으로 변환하여 출력하는 상기 인공신경망제어기를 구비한 것을 특징으로 하는 태양전지판를 이용한 일사량 측정 장치로, 기존의 태양 전지를 이용한 일사량 센서가 가지는 문제점과 노이즈에 의한 일사량 측정값의 부정확한 출력을 뉴럴네트워크 기반의 인공지능을 이용하여 1년 이상의 센서 측정값으로 학습함으로써 기존의 일사량 센서에 손색없는 저가의 태양 전지판 방식의 일사량측정 센서를 제공한다.
Description
농업 생산성 향상을 위한 작물의 생육환경 모니터링 센서 개발에 관한 것이다. 더 정확하게는 노지 작물의 생육환경 모니터링을 위한 일사량측정 센서 기술에 관한 것이다.
삭제
본 출원 이전의 선행기술로는 일사량 획득을 위해 태양전지 셀을 사용하여 발전량으로부터 태양광 일사량을 계측하기 위하여, 태양전지 모듈면의 온도 및 외기 온도에 대한 데이터를 이용하는 일사량과 온도를 함께 측정하는 복합센서에 관한 기술이 제시되어 있다.
또 다른 선행기술로는 일사량 센서를 이용한 태양광 입사각 검출장치가 개시되어 있다. 이 기술은 태양광 방위각을 측정하여 태양 전지판 구동모터로 제어신호를 출력하여 태양광 전지판을 회전하는 기술을 포함하고 있다.
또 다른 선행기술로는 일사량 센서를 이용한 태양광 입사각 검출장치가 개시되어 있다. 이 기술은 태양광 방위각을 측정하여 태양 전지판 구동모터로 제어신호를 출력하여 태양광 전지판을 회전하는 기술을 포함하고 있다.
농업 생산성 향상을 위해 작물의 생육환경 모니터링이 중요하지만 대부분의 농민들은 고가의 모니터링 장비를 구입하기 어렵다. 특히 본 발명의 목표인 일사량계의 경우 저가의 모델이 3-40만원에 달해 농민들이 부담이 작지 않다. 반면 상대적으로 저렴한 태양 전지판은 포토다이오드와 동일한 원리로 동작하여 그 출력을 이용하면 대략적인 일사량의 측정이 가능하다. 실제 농가에서 필요한 일사량 측정 장치는 고가의 정밀한 일사량 측정 장치가 아니기 때문에 태양 전지판을 이용하여 일사량 측정 장치를 만들 경우 상대적으로 저렴한 가격에 보급이 가능하다. 그러나 저렴한 만큼 기존의 태양 전지판을 이용한 일사량 측정 장치 등은 많은 오차가 있었다.
본 발명에서는 태양 전지판을 이용한 측정 데이터와 일사량측정센서의 측정값을 1년 이상의 빅데이터를 이용하여 뉴럴네트워크 기반의 인공 지능을 이용하여 태양 전지판을 이용한 일사량 센서를 개발하고자 한다.
본 발명은 상기와 같은 문제를 해결하기 위하여
태양전지판; 및
상기 태양전지판을 구성하는 개개의 태양전지셀과 연결되는 MUX; 및
상기 MUX를 통과한 신호로부터 전류를 측정하는 전류계; 및
상기 전류계에서 측정된 각각의 태양전지셀에서 측정된 정류 값들과 비교하여 이를 저장하고, 후단에 구비되는 인공신경망제어기에 전달하는 비교기를 구비한 데이터로거; 및
상기 비교기를 구비한 데이터로거로부터 전류 값을 입력받아 이를 일사량 값으로 변환하여 출력하는 상기 인공신경망제어기를 구비한 것을 특징으로 하는 태양전지판을 이용한 일사량 측정 장치를 제공한다.
또한, 상기 인공신경망제어기는 4개의 입력인자를 구비하고, 첫 번째 히든 레이어는 9개의 노드, 2번째 히든 레이어는 5개의 노드를 구비하고, 상기 입력인자는 단락전류, 대기온도, 태양광 입사각, 운량 값 인 것을 특징으로 하는 태양전지판를 이용한 일사량 측정 장치를 제공한다.
본 발명은 기존의 태양 전지를 이용한 일사량 센서가 가지는 문제점과 노이즈에 의한 일사량 측정값의 부정확한 출력을 뉴럴네트워크 기반의 인공지능을 이용하여 1년 이상의 센서 측정값으로 학습함으로써 기존의 일사량 센서에 손색없는 저가의 태양 전지판 방식의 일사량측정 센서를 개발하였다.
도 1은 본 발명의 태양전지판의 단락전류 비교실험
도 2는 본 발명의 실험장치
((a) 태양전지모듈(TSM-10M), (b) 일사량계(SYE-420M2007PM4))
도 3은 본 발명의 데이터수집 프로그램
도 4는 본 발명의 일사량과 단락전류의 비교
도 5는 MSR과 ESR의 비교
((a) 2011년 4월 17일, (b) 7월 21일, (c) 10월 1일, (d) 2012년 1월 6일)
도 6은 월별 RMSE 분포
도 7은 본 발명의 일사량 센서의 측정값
도 2는 본 발명의 실험장치
((a) 태양전지모듈(TSM-10M), (b) 일사량계(SYE-420M2007PM4))
도 3은 본 발명의 데이터수집 프로그램
도 4는 본 발명의 일사량과 단락전류의 비교
도 5는 MSR과 ESR의 비교
((a) 2011년 4월 17일, (b) 7월 21일, (c) 10월 1일, (d) 2012년 1월 6일)
도 6은 월별 RMSE 분포
도 7은 본 발명의 일사량 센서의 측정값
광을 태양전지에 조사하면 광이 가지고 있던 에너지가 전자에 전달되어 전자는 보다 높은 에너지 상태로 이동하여 자유전자가 된다. 이때 전자가 있던 자리에 빈공간이 생기는데 이를 정공이라고 한다. 즉 빛 흡수에 의해 전자와 정공이 생성되게 된다. 하지만 이때 생기는 전자와 정공은 오랜 시간 지속되지는 않기 때문에 광기전력효과라 알려진 과정에 의해 생성된 전자와 정공을 접합 양단으로 이동시키게 된다. 이때 양단은 반대 극성으로 대전되어 전압을 형성하게 되는데 이때의 전압을 개방전압(VOC)라 한다. 전압이 형성된 양단을 외부회로에 연결하여 단락시키면 입사광에 비례한 광전류가 외부회로에 흐르게 되는데, 이 전류를 단락전류(ISC)라 한다. 도 1은 태양전지의 일반적인 전류-전압특성곡선이다.
태양전지의 출력은 일사량과 비례하지만 태양 전지판의 온도특성, 태양 전지판의 태양광의 스펙트럼에 따른 출력특성, 태양 전지판을 이루는 각각의 태양 전지 모듈의 특성 등에 의해서 차이가 발생하여, 이러한 차이에 의한 출력 특성은 도1에 보는 것과 같이 비선형적이고 어느 경계점을 중식으로 특성이 현저하게 변화되는 임계적 특성을 가진다. 도1의 특성도 일반적인 특성을 표시하고 있을 뿐 개개의 태양전지판 마다 다른 특성을 가지는 것은 자명하다. 특히 태양전지판은 반도체 공정으로 만들어지는 것이어서, 온도에 민감한 출력특성을 보여주고 있다. 따라서, 태양전지판을 이용한 일사량 센서를 이용하기 위해서는 태양전지판의 온도에 따른 출력특성을 알아야하는 것도 자명하다.
일반적으로 태양전지의 출력에 영향을 줄 수 있는 요소는 태양광의 일사량, 대기온도, 태양광의 입사각, 태양전지모듈의 설치 각도, 장비의 기계적 혹은 광학적인 비대칭, 직선일사와 산란일사의 비, 태양광의 경로, 일사에 대한 출력의 선형성 등이다. (King and Myers, 1997) 이 외에도 Parretta et al. (1998)는 태양전지 모듈의 덮개의 흡수나 반사, 태양광의 불균일성(편광), 낮은 일사량 등이 태양전지의 출력의 감소를 가져올 수 있다고 하였다. 또한, El-Shobokshy et al. (1993)은 태양전지의 출력에 먼지가 주는 영향을 연구하였다. 이런 다양한 요소 중 일사량을 제외하고 가장 큰 영향을 주는 요인으로 알려진 것이 온도, 스펙트럼의 변화, 태양광 입사각의 변화이다.
<실시 예 1>
본 발명에서는 일사량과 태양전지판의 데이터를 측정하여 상기와 같은 영향을 측정하고자 하였다.
이를 위하여 도2와 같은 태양전지와 일사량측정장치를 사용하였다. 실험 장치는 경기도 농업기술원에 설치하였으며, 사용된 태양전지판(모듈)(TSM-10M, SHANGHAI TOPSOLAR GREEN ENERGY CO., LTD., CHINA)은 직렬 연결된 단결정 실리콘 태양전지 36개로 구성되어 10W의 출력을 내는 제품이고, 상기 태양전지판의 단락전류온도계수(
)는 0.05%/℃이며, 표준 시험조건에서의 단락전류(ISC)는 0.67A이다. 최대 발전 전력은 10W로 크기 때문에 시멘트저항을 사용하여 높은 전력에도 견딜 수 있도록 실험 장치를 구성하였다.
상기 태양전지판의 전류를 측정하기 위해 전류센서(WCS1702, Winson)를 사용하였고, 기준 출력은 입력전압의 절반으로 
2A를 측정할 수 있었다. 상기 전류 센서의 내부저항은 0.24Ω이다. 또한, 기준이 되는 일사량 측정을 위해서 포토다이오드(Photodiode) 타입의 일사량계(SYE-420M2007PM4, 신영전자)가 사용되었다.(도 2)
상기의 실험 장치에서 데이터는 도 3과 같이 내셔널인스트루먼트사의 Labview 8.5(National Instrument)를 이용하여 측정 프로그램을 개발하여 사용하였다. 상기 측정 프로그램에서 측정된 태양전지의 단락전류 데이터는 Mysql (Oracle) 데이터베이스에 자동으로 저장하도록 설계되었다. 데이터의 수집 주기는 파라메타 값으로 변경할 수 있고, 본 발명에서는 매 1초 간격으로 데이터를 측정 수집하였다.
태양전지의 단락전류를 제외한 일사량 및 대기온도 데이터는 매 1분 단위로 측정되어 저장되었으며, 태양전지판의 단락전류도 1분간의 측정 데이터 평균을 이용하여 노이즈를 제거하여 사용하였다.
상기 설치장소에 설치된 실험 장치는 태양의 입사각 및 AM은 이론적으로 계산하여 설치하였으며, 운량정보는 기상청 웹사이트로부터 자동으로 수집하여 사용하였다.
본 발명의 핵심부분은 태양전지판에서 측정한 단락전류와 환경정보를 이용하여 일사량을 정확히 계산 또는 예측해내는 것이다.
이를 위하여 다중회귀분석 등의 통계적인 방법을 사용할 수 있으나, 1분(측정간격) * 60분*24(시간)*365(일)*변수개수=525,600*변수개수 의 데이터로부터 상기 변수간의 상관관계를 구하는 것으로 그 과정이 매우 노동집약적이며, 상기 데이터에 포함된 노이즈데이터에 의한 정확성의 한계가 나타난다.
따라서, 본 발명에서는 많은 데이터가 있는 경우, 비선형 현상을 설명하기에 적합한 뉴럴네트워크를 이용한 인공지능 학습방법을 사용하였다.
본 발명의 뉴럴네트워크 인공지능을 구현하기 위해서 Fast Artificial Neural Network Library 2.1.0 beta (http://leenissen.dk/fann/wp/)을 사용하였다. FANN은 C를 이용하여 다층 인공신경망을 구현한 오픈소스 인공신경망 라이브러리로 현재 2.1.0 beta가 출시되었다. 15개 언어에서 사용할 수 있도록 바인딩이 되어있으며, 본 연구에서는 Python 2.7.1 (Python Software Foundation)을 사용하여 구현하였다. 또한, 인공신경망은 입력값, 출력값 이외에도 학습률(Learning Rate), 활성함수(Activation Function), 은닉층의 개수, 은닉 뉴런의 개수 등의 뉴럴네트워크 학습을 위한 설정 값이 필요하다. 각각의 실험을 위한 조합은 표 1의 내용과 같이 360가지(
) 로 나누어 5번씩 수행되었으며, 데이터는 매번 무작위로 적용하였다.
| Variables | Value | ETC. |
| Input variable combination (5) |
Short current, Temperature | |
| Short current, Temperature, AOI | ||
| Short current, Temperature, AOI, AM | ||
| Short current, Temperature, AOI, AM, Cloud | ||
| Short current, AOI, AM, Cloud | ||
| Learning rate (3) |
0.5 | |
| 0.7 | ||
| 0.9 | ||
| Activation function (2) | SIGMOID | |
| LINEAR | ||
| Number of first hidden layers (3) | 5 | |
| 7 | ||
| 9 | ||
| Number of second hidden neurons (4) | 0 | |
| 5 | ||
| 7 | ||
| 9 |
Short current(단락전류), Temperature(대기 온도), AOI(태양광 입사각, Angle of Incidence), AM(태양광이 해수면에 직각으로 도달했을 때의 경로를 1로 한 상대적인 길이, 계산은 태양광 입사각의 코사인 값의 역수), Cloud(운량 값)
AM 값은 일반적으로 식(1)과 같이 구한다.
where, AM = Air Mass
MSR : 도 2에 제시된 일사량 센서를 이용한 일사량 측정값
ESR : 본 발명의 태양전지판을 이용한 일사량 측정값
축적된 데이터는 훈련용, 테스트용, 검증용의 세 그룹으로 나누어 적용하였는데, 각각을 무작위로 선택하여 사용하였다. 우선 검증을 위하여 전체 데이터 중 30%에 대한 데이터를 임의로 선택하고, 나머지 데이터를 100%로 보았을 때 이들 데이터 중 무작위로 선택한 70%를 학습에 사용하고, 나머지 30%를 테스트용으로 활용하였다.
상기 표1의 뉴럴네트워크를 1년간의 5개의 입력변수의 측정값을 사용하여 학습시킨 결과는 표2와 같다.
표 2는 학습의 결과중 상위 10개를 리스트 한 것으로, 가장 좋은 RMSE(평균 제곱근 오차, Root Mean Square Error)값은 53.20123 
으로 기존의 통계적인 방법을 통한 66.671 
보다 더 좋은 값을 보였다. 이는 최대 일사량을 약 1,000 
수준으로 보았을 때 오차가 약 5.3% 수준으로 충분히 노지 포장의 일사량 값으로 사용가능하다.
| 평균인수 | RMSE | 인수해석 | |||
| 입력 인자 | 러닝 레이트 | 첫 번째 히든 | 두 번째 히든 | ||
| l128 | 53.20123 | 4 | 0.7 | 9 | 0 |
| l137 | 53.33653 | 4 | 0.9 | 7 | 5 |
| l140 | 53.41355 | 4 | 0.9 | 9 | 0 |
| l116 | 53.51643 | 4 | 0.5 | 9 | 0 |
| l112 | 53.64465 | 4 | 0.5 | 7 | 0 |
| l136 | 53.67302 | 4 | 0.9 | 7 | 0 |
| l124 | 54.00811 | 4 | 0.7 | 7 | 0 |
| l108 | 55.13652 | 4 | 0.5 | 5 | 0 |
| l120 | 55.30506 | 4 | 0.7 | 5 | 0 |
| l132 | 55.62324 | 4 | 0.9 | 5 | 0 |
전체적으로 데이터가 일정하게 변화되는 날에는 상기 뉴럴네트워크 모델이 좋은 결과를 나타났다.
도 4는 본 발명의 일사량 측정 뉴럴네트워크를 적용하기 이전의 측정된 데이터 이다.
대기온도 및 일사량에 따라 태양전지판의 데이터가 붉은 색으로 표시되는 일사량계의 데이터와 상당부분 차이가 있는 것을 볼 수 있다.
그러나, 본 발명의 일사량 측정 뉴럴네트워크 측정기를 사용하여 태양전지판 데이터를 보정하면 도 5와 같이 일사량 데이터와 일치하는 것을 볼 수 있다. 그러나 붉은 색의 일사량 측정 장치로 측정된 일사량과 비교하여 태양전지판의 측정데이터를 일사량 측정 뉴럴네트워크 측정기로 보정한 경우는 순간적인 변동이 적은 것을 알 수 있다. 이는 태양전지판과 일사량센서가 동일한 포토다이오드 방식을 사용한다고 하지만, 빛에 대한 응답 속도가 태양전지판이 느리기 때문인 것으로 판단된다.
또한, 본 발명에 사용된 태양전지판은 여러 개의 작은 태양전지셀을 직렬로 연결하여 구성된 태양전지판을 사용하는 것으로 상기 여러 개의 작은 태양전지판 각각의 개별적인 특성의 차이가 오차로 이어지는 것임을 알 수 있었다.
이러한 문제를 해결하기 위하여 발명을 개선하여 하기와 같은 장치를 구성하였다.
<실시 예 2>
상기와 같은 문제를 해결하기 위하여 도 6과 같은 태양전지판을 이용한 일사량 센서를 구성하였다.
개개의 태양전지셀과 연결되는 MUX(멀티플렉서, MULTIPLEXER, 여러 개의 입력을 하나의 입력라인에 선택하여 연결할 수 있도록 구성된 장치)를 통하여 전류계에 연결하고, 측정된 전류를 비교기를 가진 데이터로거에 전달된다.
비교기를 구비한 데이터로거는 거의 실시간으로 측정된 태양전지판의 태양전지셀의 전류를 모두 비교하여 특별히 차이가 있는 태양전지셀의 측정값을 제외하고 나머지 태양전지셀의 측정값을 평균하여 저장하고 이를 다음단계에 전달한다.
이러한 구성은 태양전지판을 구성하는 태양전지셀 중 일부가 정확한 동작을 하지 않거나, 구름에 가려지거나, 한 여름에 설치 위치에 따라 대기온도가 높아져 발전기능이 저하되어 비정상적인 값을 출력하는 경우 이를 노이즈로 판단하고 제거하여 나머지 태양전지셀로 정확한 측정을 하고자 하는 것이다.
이때, 각각의 태양전지셀에서 측정된 측정값의 최대치와 최소치를 제외하고, 나머지 태양전지셀의 측정값을 평균한 평균값과, 상기 평균값과 상기 각각의 태양전지셀의 측정값을 비교하여 측정값의 차이가 10% 이상인 경우 이를 노이즈로 판단하여 제거하는 방법을 사용할 수 있다.
또 다른 방법으로는, 측정된 태양전지셀의 측정값을 크기순으로 소팅하고, 각각의 인접한 측정값의 차이가 설정에 따라 1% ~ 5% 범위에서 그 설정 값 이상으로 차이가 있는 경우 그 경계를 기준으로 더 많은 태양전지셀의 측정값이 모여 있는 그룹을 정상측정 그룹으로 작은 수의 그룹을 노이즈 그룹으로 판단하여 측정값을 측정하는 방법을 사용할 수 있다.
이러한 방법에 의하여 본 발명에서는 도 7에서와 같이 실제 일사량센서와 1%이내의 측정 오차를 가지는 측정 장치를 발명하였다.
<실시 예 3>
상기에 기재한 바와 같이 태양전지판은 여러 개의 태양전지셀을 직렬로 연결한 것으로 직렬연결의 특성상 제일 낮은 성능을 보이는 태양전지셀에 의하여 전체 태양전지판의 성능이 결정되는 경향이 있다.
본 발명에서는 태양전지판의 성능을 결정짓는 태양전지셀의 최소성능을 측정하기 위한 방법 또한 제공한다.
상기의 개개의 태양전지셀과 연결되는 MUX(멀티플렉서, MULTIPLEXER, 여러 개의 입력을 하나의 입력라인에 선택하여 연결할 수 있도록 구성된 장치)를 통하여 전류계에 연결하고, 측정된 전류를 비교기를 가진 데이터로거에 전달된다.
비교기를 구비한 데이터로거는 거의 실시간으로 측정된 태양전지판의 태양전지셀의 전류를 모두 비교하여 특별히 차이가 있는 태양전지셀의 측정값을 제외하고 나머지 태양전지셀의 측정값을 평균하여 저장하고 이를 다음단계에 전달하는 태양전지판을 이용한 일사량측정장치를 이용한 셀 성능 측정방법에 있어서,
태양광전지판과 일정거리 이격되어 설치된 광원, 상기 광원은 가능한 태양전지판의 태양전지셀과 90도의 각도가 유지되도록 설치되며,
상기 MUX와 비교기를 가진 데이터로거와 통신 가능한 제어기에서 상기 MUX의 연결을 상기 태양전지셀을 하나씩 차례로 전류계에 연결하여 상기 비교기를 가진 데이터로거에서 전류를 차례로 측정하는 전류측정단계(S1); 및
상기 전류측정단계에서 측정된 전류를 각 태양전지셀 별로 상기 제어기에 저장하고, 최저 성능의 태양전지셀의 측정값으로부터 상기 태양전지판의 성능계수를 상기 제어기에 저장하는 측정값저장단계(S2);를 포함하는 것을 특징으로 하는 태양전지판을 이용한 일사량측정장치를 이용한 셀 성능 측정방법을 제공한다.
또한, 상기 저장된 태양전지판의 성능계수를 바탕으로 여러 개의 태양전지판을 연결하여 발전하는 태양광 발전시스템의 설치 그룹을 결정하는 태양전지판 그룹핑단계(S3);를 포함하는 것을 특징으로 하는 태양전지판을 이용한 일사량측정 장치를 이용한 셀 성능 측정방법을 제공한다.
100 : 태양전지판
110 : 태양전지셀
120 : 태양전기를 저장하고 변환하고 사용할 수 있도록 제어하는 태양전지 파워스테이션
210 : MUX(MULTIPLEXER의 준말) 여러 개의 입력 중 하나를 선택하여 하나의 입력 라인에 전달하는 장치
220 : 전류계
230 : 비교기를 가진 데이터 로거
110 : 태양전지셀
120 : 태양전기를 저장하고 변환하고 사용할 수 있도록 제어하는 태양전지 파워스테이션
210 : MUX(MULTIPLEXER의 준말) 여러 개의 입력 중 하나를 선택하여 하나의 입력 라인에 전달하는 장치
220 : 전류계
230 : 비교기를 가진 데이터 로거
Claims (2)
- 태양전지판; 및
상기 태양전지판을 구성하는 개개의 태양 전지셀과 연결되는 MUX; 및
상기 MUX를 통과한 신호로부터 전류를 측정하는 전류계; 및
상기 전류계에서 측정된 각각의 태양 전지셀에서 측정된 정류 값들과 비교하여 이를 저장하고, 인공신경망제어기에 전달하는 비교기를 구비한 데이터로거; 및
상기 비교기를 구비한 데이터로거로부터 전류 값을 입력받아 이를 일사량 값으로 변환하여 출력하는 상기 인공신경망제어기; 및
상기 인공신경망제어기는 4개의 입력인자를 구비하고,
첫 번째 히든 레이어는 9개의 노드, 2번째 히든 레이어는 5개의 노드를 구비하고, 상기 4개의 입력인자는 단락전류, 대기온도, 태양광 입사각, 운량 값을 사용하며,
상기 태양전지판을 구성하는 태양전지셀 중 일부가 정확한 동작을 하지 않거나, 구름에 가려지거나, 한 여름에 설치 위치에 따라 대기온도가 높아져 발전기능이 저하되어 비정상적인 값을 출력하는 경우 이를 노이즈로 판단하고 제거하고자,
상기 비교기를 구비한 데이터로거는 측정된 태양전지판의 태양전지셀의 전류를 모두 비교하여 측정된 측정값의 최대치와 최소치를 제외하고, 나머지 태양전지셀의 측정값을 평균한 평균값과, 상기 평균값과 상기 각각의 태양전지셀의 측정값을 비교하여 측정값의 차이가 10% 이상인 경우 이를 노이즈로 판단하여 제거하고, 나머지 태양전지셀의 측정값을 평균하여 저장하는 것을 특징으로 하는 태양 전지판를 이용한 일사량 측정 장치.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180125592A KR102074707B1 (ko) | 2018-10-20 | 2018-10-20 | 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180125592A KR102074707B1 (ko) | 2018-10-20 | 2018-10-20 | 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102074707B1 true KR102074707B1 (ko) | 2020-02-14 |
Family
ID=69514082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180125592A KR102074707B1 (ko) | 2018-10-20 | 2018-10-20 | 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102074707B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111565024A (zh) * | 2020-06-03 | 2020-08-21 | 华北电力大学 | 一种太阳能电池板故障检测与运行效率预测装置和方法 |
| WO2023248390A1 (ja) * | 2022-06-22 | 2023-12-28 | 日本電信電話株式会社 | 全天日射量推定装置、全天日射量学習装置、全天日射量推定方法、及び全天日射量推定プログラム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050094532A (ko) | 2004-03-23 | 2005-09-28 | 박진규 | 일사량과 온도를 함께 측정할 수 있는 복합센서 |
| KR101091936B1 (ko) | 2009-08-31 | 2011-12-08 | 에스디엔 주식회사 | 일사량 센서를 이용한 태양광 입사각 검출장치 |
| KR20140068633A (ko) * | 2012-11-28 | 2014-06-09 | 아시아나아이디티 주식회사 | 알에프아이디를 이용한 태양전지 모듈 특성 감시 장치 |
| JP2017051057A (ja) * | 2015-09-04 | 2017-03-09 | 株式会社エヌ・ピー・シー | 太陽電池式センサーユニット |
| KR101775065B1 (ko) * | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템 |
-
2018
- 2018-10-20 KR KR1020180125592A patent/KR102074707B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050094532A (ko) | 2004-03-23 | 2005-09-28 | 박진규 | 일사량과 온도를 함께 측정할 수 있는 복합센서 |
| KR101091936B1 (ko) | 2009-08-31 | 2011-12-08 | 에스디엔 주식회사 | 일사량 센서를 이용한 태양광 입사각 검출장치 |
| KR20140068633A (ko) * | 2012-11-28 | 2014-06-09 | 아시아나아이디티 주식회사 | 알에프아이디를 이용한 태양전지 모듈 특성 감시 장치 |
| JP2017051057A (ja) * | 2015-09-04 | 2017-03-09 | 株式会社エヌ・ピー・シー | 太陽電池式センサーユニット |
| KR101775065B1 (ko) * | 2016-08-05 | 2017-09-06 | 주식회사 해줌 | 태양 에너지를 이용하는 발전소의 이상을 감지하는 방법, 서버 및 시스템 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111565024A (zh) * | 2020-06-03 | 2020-08-21 | 华北电力大学 | 一种太阳能电池板故障检测与运行效率预测装置和方法 |
| WO2023248390A1 (ja) * | 2022-06-22 | 2023-12-28 | 日本電信電話株式会社 | 全天日射量推定装置、全天日射量学習装置、全天日射量推定方法、及び全天日射量推定プログラム |
| WO2023248484A1 (ja) * | 2022-06-22 | 2023-12-28 | 日本電信電話株式会社 | 全天日射量推定装置、全天日射量学習装置、全天日射量推定方法、及び全天日射量推定プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11190131B2 (en) | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters | |
| Dittrich | Materials concepts for solar cells | |
| Reese et al. | Consensus stability testing protocols for organic photovoltaic materials and devices | |
| Siddiqui et al. | Deviation in the performance of solar module under climatic parameter as ambient temperature and wind velocity in composite climate | |
| KR102074707B1 (ko) | 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 | |
| Buday | Measuring irradiance, temperature, and angle incidence effects on photovoltaic modules in Auburn Hills, Michigan | |
| JP2019080463A (ja) | 太陽電池診断装置および太陽電池診断方法 | |
| CN108063597A (zh) | 光伏组件户外测试系统及其测试方法 | |
| KR20200031420A (ko) | 태양광 발전량 예측 장치 | |
| CN204788900U (zh) | 太阳模拟器辐照度、辐照均匀性和稳定性检测装置 | |
| Raisal et al. | The moon phases influence on the beginning of astronomical dawn determination in Yogyakarta | |
| Bliss et al. | Indoor measurement of photovoltaic device characteristics at varying irradiance, temperature and spectrum for energy rating | |
| Spagnuolo et al. | Identification and diagnosis of a photovoltaic module based on outdoor measurements | |
| TamizhMani et al. | Simultaneous non-contact IV (NCIV) measurements of photovoltaic substrings and modules in a string | |
| Velkovski et al. | Application of Incremental Conductance MPPT method for a photovoltaic generator in LabView | |
| Ramaprabha et al. | Development of an improved model of SPV cell for partially shaded solar photovoltaic arrays | |
| Nasikkar et al. | Internet of Things (IoT) based outdoor performance characterisation of solar photovoltaic module | |
| WO2021188051A1 (en) | Energy yield estimation measurement methodology for solar cells and modules | |
| Nikoletatos et al. | Standards, Calibration, and Testing of PV Modules and Solar Cells | |
| WanQuan et al. | Analysis of electrical characteristics and performance of poly-crystalline solar PV module by IV tester under temperature and solar irradiance variation in spring season | |
| Geisz et al. | Energy yield determination of concentrator solar cells using laboratory measurements | |
| Song et al. | Accurate efficiency measurements for emerging PV: a comparison of NREL's steady-state performance calibration protocol between conventional and emerging PV technologies | |
| Alarcón-Maza et al. | Design and experimental validation of an IoT data-logger device for indirect measurement of solar irradiance based on a correlation model | |
| Ransome et al. | Accurate module performance characterisation using novel outdoor matrix methods | |
| JP3154734B2 (ja) | 太陽電池特性測定装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |