KR102093313B1 - 태양광 발전시스템 - Google Patents
태양광 발전시스템 Download PDFInfo
- Publication number
- KR102093313B1 KR102093313B1 KR1020190073233A KR20190073233A KR102093313B1 KR 102093313 B1 KR102093313 B1 KR 102093313B1 KR 1020190073233 A KR1020190073233 A KR 1020190073233A KR 20190073233 A KR20190073233 A KR 20190073233A KR 102093313 B1 KR102093313 B1 KR 102093313B1
- Authority
- KR
- South Korea
- Prior art keywords
- arc
- sound wave
- unit
- generated
- signal
- Prior art date
Links
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000010248 power generation Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004146 energy storage Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000012805 post-processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 4
- 239000011358 absorbing material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000001629 suppression 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
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
-
- 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
-
- Y02E10/566—
Abstract
본 발명은 아크검출장치, 태양광 어레이, 접속반 및 인버터 등으로 이루어지는 태양광 발전시스템에 관한 것으로써, 보다 상세하게는 태양광 어레이, 접속반, 및 인버터 중 어느 하나에서 발생되는 음파를 분석하여 아크 발생여부를 판단, 화재 예방 또는 조기경보가 가능한 태양광 발전 시스템에 관한 것이다. 본 발명은 음파신호로부터 추출된 아크의 견본을 랜덤 선택하고, 단일의 신호를 생성하여 립러닝 학습에 사용되는 아크 음파를 생성함으로서, 비용소모와 학습데이터의 생성시간을 단축할 수 있는 효과가 있다. 또한, 본 발명은 프레임이 묶여진 덩어리(Chunk)단위로 아크의 발생 여부를 판단함으로써, 아크 검출의 오류를 감소시킬 수 있는 효과가 있다.
Description
본 발명은 아크검출장치, 태양광 어레이, 접속반 및 인버터 등으로 이루어지는 태양광 발전시스템에 관한 것으로써, 보다 상세하게는 태양광 어레이, 접속반, 및 인버터 중 어느 하나에서 발생되는 음파를 분석하여 아크 발생여부를 판단, 화재 예방 또는 조기경보가 가능한 태양광 발전 시스템에 관한 것이다.
태양광 발전 시스템 및 DC 전력 설비 시스템은 PCB판에 습기가 침투되거나, 다이오드의 접촉 불량, 퓨즈 접촉 불량 등 다양한 원인에 의해 화재가 발생될 수 있다. 특히, 태양광 발전 시스템의 접속반 또는 에너지저장장치(ESS)에서는 전기회로, PCB 내 DC의 극성 근접 또는 알 수 없는 기타 원인 등에 의하여 화재가 발생되는 사례가 빈번히 발생된다. 직렬로 연결된 태양광 모듈의 양극과 음극이 근접되면, 작은 크기의 빛(아크)이 발생될 수 있다. 아크 발생과 함께 특유의 소리가 발생된다. 아크로 인해 화재로 이어질 수 있다. 따라서 태양광 발전 시스템 내에서의 아크 발생을 조기에 검출한다면, 큰 화재로 번지는 것을 미연에 방지할 수 있으며, 화재가 발생되더라도 조기 진압을 통해 피해를 최소화 할 수 있다,
한국 등록특허 제10-1695976호(이하 '선행문헌'이라 칭함)는 태양광 접속반에서 발생된 아크뿐만 아니라 태양전지 어레이 및 전력선에서 발생하는 아크를 검출하여 경보를 표시할 수 있는 아크 검출 기능이 구비된 태양광 접속반에 관한 것이다. 선행문헌은 태양광 접속반 내부뿐만 아니라 태양전지 어레이 및 전력선에서 발생된 아크를 검출하고, 표시부에 표시되는 정보에 의해서 사용자의 안전을 확보할 수 있으며, 사용자의 접근을 검출하여 인명사고를 방지할 수 있는 장점이 있다.
선행문헌은 광센서를 통해 아크를 검출하는 기술이나, 광센서의 설치 위치에 따라 센서가 아크의 검출 성능이 떨어지거나, 아크광이 광학부를 통해 광섬유, 수광센서로 전달되는 광량이 감소됨에 따라 아크 점지 능력이 저하되는 단점이 있다. 또한, 광센서 부착 위치 측면에서도, 아크를 검출 할 수 없는 사각영역이 존재하게 되는 문제점이 있다. 이러한 문제점을 해결하기 위해서는 다수개의 광센서가 설치되어야 됨에 따라 비용이 증가되는 단점이 있다.
본 발명은 위와 같은 문제점을 해결하기 위해 태양광 어레이, 접속반, 인버터, 에너지 저장장치 중 어느 하나에서 감지된 음파를 분석하여 아크의 발생 여부를 판단하는데 그 목적이 있다.
또한, 본 발명은 음파신호로부터 추출된 아크의 견본을 랜덤 선택하고, 단일의 신호를 생성하여 립러닝 학습에 사용되는 아크 음파를 생성하는데 그 목적이 있다.
또한, 본 발명은 프레임이 묶여진 덩어리(Chunk)단위로 아크의 발생 여부를 판단하는데 그 목적이 있다.
본 발명에 따른 태양광 발전시스템은 태양광을 전기에너지로 변환하는 태양광 모듈이 어레이로 구성되는 태양광 어레이, 상기 태양광 모듈에서 생성된 전기에너지를 단일의 전력으로 집합시키기 위한 접속반, 상기 접속반에서 생성된 단일의 전력을 상용되는 교류전기로 변환하는 인버터, 및 상기 태양광 어레이, 상기 접속반 및 상기 인버터 중 적어도 어느 하나에서 발생되는 음파를 분석하여 아크 여부를 판단하는 아크검출장치를 포함한다.
본 발명에 따른 상기 아크검출장치는 음파신호를 감지하기 위한 적어도 하나의 음파감지부, 상기 음파신호를 프레임 단위로 분할하여, 각 프레임별로 스펙트로그램을 생성하는 전처리부와 딥러닝 학습을 통해 상기 스펙트로그램으로부터 아크의 발생 여부에 대한 출력값을 추출하는 딥러닝 네트워크를 포함하는 음파분석부, 상기 음파분석부에서 추출된 상기 출력값에 따른 아크의 발생 여부를 판단하는 아크판단부를 포함한다.
본 발명에 따른 상기 전처리부는 상기 음파신호를 상기 프레임 단위로 분할하는 신호분할부, 상기 분할된 음파신호를 퓨리에 변환하여 상기 음파신호의 각 주파수에 대한 스펙트로그램을 생성하고, 주파수 영역별 값의 분포가 고른 신호를 얻기 위해 로그함수를 적용하여 로그파워 스펙트럼을 생성하는 스펙트럼생성부, 및 상기 분할된 음파신호의 각 주파수가 동일한 파워를 가지도록 상기 로그파워 스펙트럼에 상기 로그파워 스펙트럼이 모두 합산된 정규화 계수를 적용시켜 정규화된 스펙트로그램을 생성하는 정규화부를 포함한다.
본 발명에 따른 상기 딥러닝 네트워크는 상기 전처리부에서 생성된 정규화된 특정의 스펙트로그램과 기 설정된 시간단위 내 전단과 후단에 위치하는 스펙트로그램들을 입력하고, 딥러닝을 통해 상기 특정의 스펙트로그램에 대한 아크 여부를 출력한다.
본 발명에 따른 상기 음파분석부는 상기 특정의 스펙트로그램과 인접하는 또 다른 스펙트로그램들의 아크 여부 출력에 대한 평균값을 추출하는 후처리부를 더 포함하되, 상기 아크판단부는 상기 후처리부에서 추출된 상기 평균값에 따른 아크의 발생 여부를 판단한다.
본 발명에 따른 상기 음파분석부는 상기 음파감지부에 감지된 적어도 하나의 음파신호가 저장된 데이터베이스로부터 아크 견본을 랜덤하게 추출하는 아크견본추출부, 상기 아크 견본과 무음을 균등하게 배치하여 기 설정된 시간을 만족하는 단일의 신호를 생성하는 신호생성부, 및 상기 단일의 신호에 노이즈 신호를 추가하여 학습데이터를 생성하는 노이즈추가부가 포함된 딥러닝 학습부를 더 포함한다.
본 발명에 따른 태양광 발전시스템은 상기 접속함의 내부 또는 외부에 음파 반사를 저감시키기 위한 흡음 재료나 돌기 모양의 형상을 갖는 흡음판이 구비된다.
본 발명에 따른 태양광 발전시스템은 기 설정된 스케쥴 또는 기상정보, 전력 소비패턴을 통해 상기 태양광 어레이에 의해 생산된 전력을 배터리에 충전하거나 상기 인버터를 제어하여 상기 배터리에 저장된 직류전류를 교류전류로 변환하는 에너지 저장장치를 더 포함하되, 상기 아크검출장치는 태양광 어레이, 접속반, 인버터, 및 에너지 저장장치 중 적어도 어느 하나에서 발생되는 음파를 분석하여 아크 여부를 판단한다.
본 발명은 소수의 마이크를 통해 태양광 어레이, 접속반, 인버터, 에너지 저장장치 중 어느 하나에서 감지된 음파를 분석하여 아크의 발생 여부를 판단함으로서, 비용 감소 및 아크를 정확하게 감지할 수 있는 효과가 있다.
또한, 본 발명은 음파신호로부터 추출된 아크의 견본을 랜덤 선택하고, 단일의 신호를 생성하여 립러닝 학습에 사용되는 아크 음파을 생성함으로서, 비용소모와 학습데이터의 생성시간을 단축할 수 있는 효과가 있다.
또한, 본 발명은 프레임이 묶여진 덩어리(Chunk)단위로 아크의 발생 여부를 판단함으로써, 아크 검출의 오류를 감소시킬 수 있는 효과가 있다.
도 1은 본 발명에 따른 음파인식을 통해 아크의 발생을 검출하는 태양광 발전시스템의 구성도이다.
도 2는 본 발명에 따른 음파인식을 통해 아크의 발생을 검출하는 태양광 발전시스템의 또 다른 구성도이다.
도 3은 본 발명에 따른 아크 검출장치의 구성도이다.
도 4는 본 발명에 따른 딥러닝 학습을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 음파분석부의 구성도이다.
도 6은 본 발명에 따른 아크 신호의 스펙트로그램을 나타내는 도면이다.
도 2는 본 발명에 따른 음파인식을 통해 아크의 발생을 검출하는 태양광 발전시스템의 또 다른 구성도이다.
도 3은 본 발명에 따른 아크 검출장치의 구성도이다.
도 4는 본 발명에 따른 딥러닝 학습을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 음파분석부의 구성도이다.
도 6은 본 발명에 따른 아크 신호의 스펙트로그램을 나타내는 도면이다.
이하, 본 발명의 바람직한 실시 예에 대하여 첨부된 도면을 참조하여 상세히 설명하기로 한다. 본 발명의 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.
도 1은 본 발명에 따른 음파인식을 통해 아크의 발생을 검출하는 태양광 발전시스템의 구성도이다. 도 1을 참조하면, 태양광 발전시스템은 태양광 어레이(1000), 접속반(2000), 인버터(3000), 축전지(4000), 아크검출장치(3000), 인버터(4000), 및 전기공급부(5000)를 포함할 수 있다.
태양광 어레이(1000)는 태양광을 수신하여 전기에너지를 생성하는 태양광 모듈이 어레이로 구성되는 장치이다.
접속반(2000)은 태양광 모듈(1000)에서 발생되는 전기에너지를 직/병렬 연결하여 시스템에서 필요로 하는 전력으로 집합시키는 장치로, 태양광 모듈(1000)에서 생성된 전기에너지를 모두 연결하여 단일의 전력으로 집합한다. 일예로, 태양광 모듈(1000)로부터 16 채널의 전기에너지가 수신된다면, 접속반(2000)은 16채널의 직류전기를 하나의 전력으로 모아주는 역할을 하게 된다. 한편, 접속판 내부 및/또는 외부에는 음파가 반사되지 않도록 흡음 소재나 돌기 모양의 형상을 갖는 흡음판이 구비될 수 있다.
아크검출장치(3000)는 태양광 발전시스템에 발생되는 다양한 음파를 분석하여 아크 여부를 판단하는 장치이다. 아크검출장치의 자세한 구조는 도 3을 통해 후술한다.
태양광 어레이(1000)에서 생성된 전기에너지는 직류전류(DC)는 인버터(4000)를 통해 상용되는 교류전류(AC)로 변환된다. 전기공급부(5000)는 인버터(4000)에서 변환된 교류전류를 가정용이나 산업용 등의 전기제품에 공급하는 장치이다.
도 2는 본 발명에 따른 음파인식을 통해 아크의 발생을 검출하는 태양광 발전시스템의 또 다른 구성도로 에너지 저장장치가 포함된 구조이다. 도 2를 참조하면, 태양광 발전시스템은 태양광 어레이(1000), 접속반(2000), 아크검출장치(3000), 에너지 저장장치(6000), 및 전기공급부(5000)를 포함할 수 있다. 태양광 어레이(1000), 접속반(2000), 아크검출장치(3000) 및 전기공급부(5000)는 도 1과 동일한 구성으로 자세한 설명은 생략한다.
에너지 저장장치(ESS; 6000)는 태양광 어레이(1000)에 의해 생산된 전력을 배터리(6300)에 충전하였다가, 필요에 의해 공급(방전)하는 장치이다. 에너지 저장장치(6000)는 충방전 제어부(6100), 양방향 인버터(6200), 배터리(6300)를 포함할 수 있다.
충방전 제어부(6100)는 에너지 저장장치(6000)를 효율적으로 관리하기 위한 장치로서, 배터리(6300)의 충전 및 방전을 제어한다. 충방전 제어부(6100)는 설정된 스케쥴에 의해 자동으로 배터리(6300)에 전력을 충방전하거나 기상정보, 전력 소비패턴 등을 통해 배터리(6300)에 전력을 충방전한다.
양방향 인버터(6200)는 접속반(2000)에서 집합된 전력을 배터리(6300)에 공급하며, 배터리(6300)에 충전된 직류전류를 교류전류로 변환한다. 변환된 교류전류는 전기공급부(5000)에 제공(방전)된다. 도 2의 양방향 인버터(6200)는 도 1의 인버터(4000)와 동일한 기능을 수행하는 구성일 수 있으나, 도 1의 인버터(4000)는 태양광 어레이(1000)에서 생산된 직류전류를 교류전류로 변환하나, 도 2의 양방향 인버터(6200)는 배터리(6300)에 저장된 직류전류를 교류전류로 변환한다는 점에서 일부 차이가 있다.
배터리(6300)는 직류전류가 저장되는 장치로서, 다수의 배터리 팩으로 구성될 수 있다. 한편, 배터리(6300)에는 배터리의 효율을 극대화하고, 수명저하를 방지하기 위해 충전 및 방전 용량 등을 제어하는 배터리관리시스템이 포함될 수 있다.
도 3은 본 발명에 따른 아크검출장치의 구성도이다. 도 3을 참조하면, 아크 검출장치(3000)는 음파감지부(3100), 데이터베이스(3200), 딥러닝학습부(3300), 음파분석부(3400), 아크판단부(3500)를 포함할 수 있다.
음파감지부(3100)는 태양광 발전시스템예를 들면, 태양광 어레이, 접속반, 인버터, 및 에너지 저장장치 중 적어도 어느 하나에서 발생될 수 있는 화재의 전조 증상이라 할 수 있는 아크와 함께 발생되는 특유의 음파를 감지하기 위한 장치이다. 음파감지부(3100)는 음파를 감지하기 위해 마이크로폰(Microphone)으로 구성될 수 있으며, 아크 발생 위치를 정확히 감지하기 위해 접속판의 내부 또는 외부에 2개 이상 배치될 수 있다.
음파감지부(3100)를 통해 입력되는 음파신호는 데이터베이스(3200)에 지속적으로 저장되며, 데이터베이스(3200)에 저장된 데이터는 음파분석부(3400)의 입력신호로 사용될 수 있다.
딥러닝학습부(3300)는 데이터베이스(3200)에 저장된 음파신호를 통해 딥러닝을 학습시키기 위한 학습데이터를 구축하는 장치이다. 도 4를 통해 본 발명에 따른 딥러닝 학습을 설명한다. 도 4를 참조하면 아크견본추출부(3310)는 적어도 하나의 음파신호가 저장된 데이터베이스(3200)로부터 아크 견본을 랜덤하게 추출한다.
아크 신호는 일반적으로 수 초 내로 이루어지나, 딥러닝을 위해서는 대용량의 아크 음파신호가 필요하다. 대용량의 아크 음파신호를 얻기 위해서는 높은 비용이 요구되며, 많은 시간이 소요된다. 이러한 문제점을 해결하기 위해 신호생성부(3320)는 추출된 아크 견본(class 1)과 무음(class 0)을 균등하게 배치하여 기 설정된 시간을 만족하는 단일의 신호를 생성한다.
신호생성부(3320)에 의해 생성된 단일의 신호는 아크 음파신호와 무음으로만 구성됨에 따라 이상적인 신호로 볼 수 있으나, 실제 환경과 유사한 신호를 생성할 필요가 있다. 따라서 노이즈추가부(3330)는 단일의 신호에 노이즈 신호를 추가하여 실제 환경과 유사한 음파정보가 포함된 학습데이터를 생성한다.
도 5를 살펴보면, 음파분석부(3400)는 딥러닝학습을 통해 음파감지부(3100)에 감지된 음파를 분석하여 아크의 발생 여부를 판단한다. 도 5는 본 발명에 따른 음파분석부의 구성도이다. 음파분석부(3400)는 전처리부(3410), 딥러닝 네트워크(3420), 후처리부(3430)를 포함할 수 있다,
전처리부(3410)는 음파신호를 프레임 단위로 분할하여, 각 프레임별로 스펙트로그램을 생성하는 장치로서, 신호분할부(3411), 스펙트럼생성부(3412), 정규화부(3413)를 포함할 수 있다.
신호분할부(3411)는 음파감지부(3100)에 감지된 음파신호를 프레임 단위로 분할하는 장치이다.
스펙트럼생성부(3412)는 분할된 음파신호를 푸리에 변환(Fourier transform)하여 음파신호의 각 주파수에 대한 스펙트로그램(Spectrogram)을 생성하고, 매끄러운 주파수 신호를 얻기 위해 로그함수를 적용하여 로그파워 스펙트럼을 생성하는 장치이다.
아래의 수학식 1을 통하여 스펙트럼생성부에 의해 생성된 로그파워 스펙트럼을 나타낸다.
수학식 1을 살펴보면, 스펙트럼생성부(3412)는 음파신호(x(n))에 푸리에 변환(STFT)를 적용시켜 스펙트로그램(Xt(k))을 생성한다. 딥러닝의 경우, 특정의 주파수가 크게 튀는 것보다 주파수 영역별 값이 분포가 고른 신호가 좀 더 학습하기 좋은 특성을 갖기 때문에 스펙트로그램(Xt(k))에 로그함수(log)를 적용시켜 로그파워 스펙트럼(St(k))을 생성한다.
정규화부(3413)는 분할된 음파신호의 각 주파수가 동일한 파워를 가지도록 로그파워 스펙트럼에 로그파워 스펙트럼이 모두 합산된 정규화 계수를 적용시켜 정규화된 스펙트로그램을 생성한다.
아래 수학식 2는 정규화부에 의해 생성된 정규화된 스펙트로그램을 나타낸다.
기존의 정규화 방식(Genetal normalization tech.)은 각 주파수별로 중요도를 동일하게 하기 위해 평균을 '0'으로 맞추는 과정을 갖는다. 하지만 도 6을 살펴보면, 아크 음파신호는 주파수별로 패턴이 유사함에 따라 평탄(flat)한 파워 스펙트럼을 가지게 된다. 따라서 기존의 정규화 방식을 적용하게 된다면, 아크 음파신호의 평탄(flat)한 특성이 사라지게 된다. 이에 정규화부(3413)는 로그파워 스펙트럼이 일정한 파워를 가지도록 각 주파수 별로 동일한 정규화 계수(normalization factor)를 적용한다.
수학식 2를 참조하면, 정규화부(3413)는 로그파워 스펙트럼의 파워성분을 일정하게 유지하여 근/원거리 환경에서 에너지 변화에 관계없이 아크 음파신호를 안정적으로 검출한다. 즉, 제안한 정규화 방식 (Proposed norm. tech. for ASD)는 입력 신호의 에너지 크기에 상관없이 아크 음파신호의 고유한 특징인 주파수별 평탄성 (spectral flatness)에 의거하여 심층 신경망이 아크 신호를 검출하도록 한다.
도 5를 참조하면, 딥러닝 네트워크(3420)는 입력 레이어(Input layer), 2개의 히든 레이어(Hidden layer), 출력 레이어(Output layer)로 구성된다. 입력신호가 컨텍스트 방식으로 입력됨에 따라 전처리부(3410)에서 생성된 정규화된 특정의 스펙트로그램과 기 설정된 시간단위 내 전단과 후단에 위치하는 또 다른 스펙트로그램들이 입력된다. 일예로, 입력신호로 입력되는 전단과 후단의 길이가 5프레임 이라면, 과거의 5프레임, 현재의 1프레임, 미래의 5프레임으로 총 11 프레임이 입력된다. 따라서 총 11개의 프레임의 LPS(11x257=2827)가 입력 유닛으로 입력되며, 각각의 히든 레이어에 대한 512 개의 히든 유닛으로 이루어진다. 출력레이어에서는 현재 프레임에 대한 아크 여부를 판별하며, 1의 값을 아크(arc), 0의 값을 노아크(no arc)로 판단한다.
후처리부(3430)는 프레임이 묶여진 덩어리(Chunk)단위로 아크의 발생 여부를 판단하여 소정의 시간내에 아크가 발생되었는지 여부를 확인하는 장치이다.
아래의 수학식 3은 덩어리(Chunk)단위의 아크발생 여부 판단에 관한 식이다.
수학식 3을 참조하면, 후처리부(3430)는 특정의 스펙트로그램과 인접하는 또 다른 스펙트로그램들의 아크 여부 출력에 대한 평균값을 통해 특정의 스펙트로그램에서 아크가 발생되었는지 여부를 판단한다. 일반적으로 아크 음파신호의 최소 길이는 200ms 정도이다. 따라서 프레임 단위로 아크를 판단하는 것보다 프레임이 묶여진 덩어리(Chunk) 단위로 아크를 판단하게 된다면 정확도를 증가시킬 수 있다.
아크판단부(3500)는 음파분석부에서 추출된 아크의 발생여부에 대한 출력값을 통해 아크의 발생 여부를 판단한다. 아크의 판단여부는 출력값이 기 설정된 수치값을 초과하는지 여부에 따라 결정될 수 있다. 수치값은 태양광 발전 시스템에 설치된 외부 환경 등에 의해 변경될 수 있으며, 일예로 소음이 심한 환경에서는 높은 수치값으로 지정될 수 있다.
1000 : 태양광 모듈 2000 : 접속반
3000 : 아크검출장치 3100 : 음파감지부
3200 : 데이터베이스 3300 : 딥러닝학습부
3400 : 음파분석부 3410 : 전처리부
3411 : 신호분할부 3412 : 스펙트라생성부
3413 : 정규화부 3420 : 딥러닝 네트워크
3430 : 후처리부 3500 : 아크판단부
4000 : 인버터 5000 : 전기공급부
6000 : 에너지저장장치 6100 : 충방전 제어부
6200 : 양방향 인버터 6300 : 배터리
3000 : 아크검출장치 3100 : 음파감지부
3200 : 데이터베이스 3300 : 딥러닝학습부
3400 : 음파분석부 3410 : 전처리부
3411 : 신호분할부 3412 : 스펙트라생성부
3413 : 정규화부 3420 : 딥러닝 네트워크
3430 : 후처리부 3500 : 아크판단부
4000 : 인버터 5000 : 전기공급부
6000 : 에너지저장장치 6100 : 충방전 제어부
6200 : 양방향 인버터 6300 : 배터리
Claims (8)
- 태양광을 전기에너지로 변환하는 태양광 모듈이 어레이로 구성되는 태양광어레이;
상기 태양광 모듈에서 생성된 전기에너지를 단일의 전력으로 집합시키기 위한 접속반;
상기 접속반에서 생성된 단일의 전력을 상용되는 교류전기로 변환하는 인버터; 및
상기 태양광 어레이, 상기 접속반 및 상기 인버터 중 적어도 어느 하나에서 발생되는 음파를 분석하여 아크 여부를 판단하기 위해 음파신호를 감지하기 위한 적어도 하나의 음파감지부, 상기 음파신호를 프레임 단위로 분할하여, 각 프레임별로 스펙트로그램을 생성하는 전처리부와 딥러닝 학습을 통해 상기 스펙트로그램으로부터 주파수별 평탄성(spectral flatness)을 식별하여 아크의 발생 여부에 대한 출력값을 추출하는 딥러닝 네트워크를 포함하는 음파분석부, 및 상기 음파분석부에서 추출된 상기 출력값에 따른 아크의 발생 여부를 판단하는 아크판단부가 포함된 아크검출장치;를 포함하는 것을 특징으로 하는 태양광 발전시스템
- 삭제
- 제1항에 있어서, 상기 전처리부는
상기 음파신호를 상기 프레임 단위로 분할하는 신호분할부;
상기 분할된 음파신호를 퓨리에 변환하여 상기 음파신호의 각 주파수에 대한 스펙트로그램을 생성하고, 주파수 영역별 값의 분포가 고른 신호를 얻기 위해 로그함수를 적용하여 로그파워 스펙트럼을 생성하는 스펙트럼생성부; 및
상기 분할된 음파신호의 각 주파수가 동일한 파워를 가지도록 상기 로그파워 스펙트럼에 기 설정된 정규화 계수를 적용시켜 정규화된 스펙트로그램을 생성하는 정규화부를 포함하는 것을 특징으로 하는 태양광 발전시스템
- 제3항에 있어서, 상기 딥러닝 네트워크는
상기 전처리부에서 생성된 정규화된 특정의 스펙트로그램과 기 설정된 시간단위 내 전단과 후단에 위치하는 스펙트로그램들을 입력하고, 딥러닝을 통해 상기 특정의 스펙트로그램에 대한 아크 여부를 출력하는 것을 특징으로 하는 태양광 발전시스템
- 제4항에 있어서, 상기 음파분석부는
상기 특정의 스펙트로그램과 인접하는 또 다른 스펙트로그램들의 아크 여부 출력에 대한 평균값을 추출하는 후처리부;를 더 포함하되,
상기 아크판단부는 상기 후처리부에서 추출된 상기 평균값에 따른 아크의 발생 여부를 판단하는 것을 특징으로 하는 태양광 발전시스템
- 제1항에 있어서, 상기 음파분석부는
상기 음파감지부에 감지된 적어도 하나의 음파신호가 저장된 데이터베이스로부터 아크 견본을 랜덤하게 추출하는 아크견본추출부;
상기 아크 견본과 무음을 균등하게 배치하여 기 설정된 시간을 만족하는 단일의 신호를 생성하는 신호생성부; 및
상기 단일의 신호에 노이즈 신호를 추가하여 학습데이터를 생성하는 노이즈추가부;가 포함된 딥러닝 학습부를 더 포함하는 것을 특징으로 하는 태양광 발전시스템
- 제1항에 있어서,
상기 접속반의 내부 또는 외부에 음파 반사를 저감시키기 위한 흡음 재료나 돌기 모양의 형상을 갖는 흡음판이 구비되는 것을 특징으로 하는 태양광 발전 시스템.
- 제1항에 있어서,
기 설정된 스케쥴 또는 기상정보, 전력 소비패턴을 통해 상기 태양광 어레이에 의해 생산된 전력을 배터리에 충전하거나 상기 인버터를 제어하여 상기 배터리에 저장된 직류전류를 교류전류로 변환하는 에너지 저장장치를 더 포함하되,
상기 아크검출장치는 태양광 어레이, 접속반, 인버터, 및 에너지 저장장치 중 적어도 어느 하나에서 발생되는 음파를 분석하여 아크 여부를 판단하는 것을 특징으로 하는 태양광 발전 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190073233A KR102093313B1 (ko) | 2019-06-20 | 2019-06-20 | 태양광 발전시스템 |
| PCT/KR2020/005250 WO2020256269A1 (ko) | 2019-06-20 | 2020-04-21 | 태양광 발전시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190073233A KR102093313B1 (ko) | 2019-06-20 | 2019-06-20 | 태양광 발전시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102093313B1 true KR102093313B1 (ko) | 2020-05-15 |
Family
ID=70678758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190073233A KR102093313B1 (ko) | 2019-06-20 | 2019-06-20 | 태양광 발전시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102093313B1 (ko) |
| WO (1) | WO2020256269A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102227877B1 (ko) * | 2020-09-17 | 2021-03-16 | 주식회사 정우엔지니어링 | 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템 |
| KR102546553B1 (ko) * | 2022-06-30 | 2023-06-23 | 주식회사 이온 | 냉동·냉장 차량용 에너지저장장치의 진동 대책 배터리 고장 검출 장치 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110097882A (ko) * | 2008-12-22 | 2011-08-31 | 꼼미사리아 아 레네르지 아토미끄 에뜨 옥스 에너지스 앨터네이티브즈 | 광기전 설비에서 전기 아크를 검출하기 위한 방법 |
| KR101362794B1 (ko) * | 2012-05-22 | 2014-02-24 | 박기주 | 계통 연계형 배전반용 접속함 |
| KR101550588B1 (ko) * | 2015-01-29 | 2015-09-09 | 주식회사 대경산전 | 적외선과 초음파 검출에 의한 열화 감시 진단 기능을 갖는 태양 발전 시스템용 접속함 |
| KR101695976B1 (ko) | 2016-06-10 | 2017-01-12 | (주)한국스카다 | 아크 검출 기능이 구비된 태양광 접속반 |
| KR101723831B1 (ko) * | 2016-07-22 | 2017-04-06 | 지투파워 (주) | Pv 모듈의 아크 검출 기능을 갖는 디지털 아크 감지기를 구비한 태양광 발전 시스템 |
| KR101941184B1 (ko) * | 2018-05-03 | 2019-01-22 | 주식회사 에너솔라 | 아크 검출 장치 및 이를 구비한 태양광 발전 시스템과 에너지 저장 시스템 |
-
2019
- 2019-06-20 KR KR1020190073233A patent/KR102093313B1/ko active IP Right Grant
-
2020
- 2020-04-21 WO PCT/KR2020/005250 patent/WO2020256269A1/ko active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110097882A (ko) * | 2008-12-22 | 2011-08-31 | 꼼미사리아 아 레네르지 아토미끄 에뜨 옥스 에너지스 앨터네이티브즈 | 광기전 설비에서 전기 아크를 검출하기 위한 방법 |
| KR101362794B1 (ko) * | 2012-05-22 | 2014-02-24 | 박기주 | 계통 연계형 배전반용 접속함 |
| KR101550588B1 (ko) * | 2015-01-29 | 2015-09-09 | 주식회사 대경산전 | 적외선과 초음파 검출에 의한 열화 감시 진단 기능을 갖는 태양 발전 시스템용 접속함 |
| KR101695976B1 (ko) | 2016-06-10 | 2017-01-12 | (주)한국스카다 | 아크 검출 기능이 구비된 태양광 접속반 |
| KR101723831B1 (ko) * | 2016-07-22 | 2017-04-06 | 지투파워 (주) | Pv 모듈의 아크 검출 기능을 갖는 디지털 아크 감지기를 구비한 태양광 발전 시스템 |
| KR101941184B1 (ko) * | 2018-05-03 | 2019-01-22 | 주식회사 에너솔라 | 아크 검출 장치 및 이를 구비한 태양광 발전 시스템과 에너지 저장 시스템 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102227877B1 (ko) * | 2020-09-17 | 2021-03-16 | 주식회사 정우엔지니어링 | 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템 |
| KR102546553B1 (ko) * | 2022-06-30 | 2023-06-23 | 주식회사 이온 | 냉동·냉장 차량용 에너지저장장치의 진동 대책 배터리 고장 검출 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020256269A1 (ko) | 2020-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11867729B2 (en) | Theft detection and prevention in a power generation system | |
| KR102093313B1 (ko) | 태양광 발전시스템 | |
| EP3567562B1 (en) | Theft detection and prevention in a power generation system | |
| US9746528B2 (en) | Detection of electrical arcs in photovoltaic equipment | |
| KR102056428B1 (ko) | 노이즈에 대한 강건성을 갖는 용량형 센서 시스템을 위한 신호 처리 | |
| US8929038B2 (en) | Method and device for safely switching a photovoltaic system after differentiating the arc type | |
| JP2014134445A (ja) | アーク検出装置 | |
| US9541598B2 (en) | Smart junction box for photovoltaic systems | |
| CA2746866A1 (fr) | Procede de detection d'arc electrique dans une installation photovoltaique | |
| RU2001105990A (ru) | Способ регулирования громкости звуковоспроизведения и устройства для его реализации | |
| KR102166323B1 (ko) | 태양광발전시스템의 웨이블릿 변환에 의한 아크 검출 장치 및 방법 | |
| US20160276977A1 (en) | Electric arc detection in photovoltaic installations | |
| CN102568145A (zh) | 具有在低电池电压时抑制声告警的装置的散光火灾报警器 | |
| CN109073704A (zh) | 用于局部放电的趋势函数 | |
| KR101734342B1 (ko) | 패널에서 아크를 검출하는 장치 및 방법, 그리고 그 패널 | |
| KR102105275B1 (ko) | 태양광발전의 인버터 보호모니터링 시스템 | |
| KR20220165906A (ko) | 수배전반 원격감시 및 고장예보 관리 시스템 | |
| Fatama et al. | A multi feature based islanding classification technique for distributed generation systems | |
| KR101723831B1 (ko) | Pv 모듈의 아크 검출 기능을 갖는 디지털 아크 감지기를 구비한 태양광 발전 시스템 | |
| EP3039438B1 (fr) | Détection d'un arc électrique en parallèle sur les bornes principales d'une installation photovoltaïque | |
| US10958060B2 (en) | Method and device for detecting an electric arc in a photovoltaic installation | |
| US20210281061A1 (en) | Energy storage system having arc monitoring function | |
| GB2507582A (en) | Self-calibrating audible alarm trigger | |
| CN107765574B (zh) | 一种声控安全保护开关系统 | |
| KR20190109704A (ko) | 부분 방전 검출 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |