KR102148761B1 - 태양광 발전 시스템의 고장 진단 장치 - Google Patents

태양광 발전 시스템의 고장 진단 장치 Download PDF

Info

Publication number
KR102148761B1
KR102148761B1 KR1020190149243A KR20190149243A KR102148761B1 KR 102148761 B1 KR102148761 B1 KR 102148761B1 KR 1020190149243 A KR1020190149243 A KR 1020190149243A KR 20190149243 A KR20190149243 A KR 20190149243A KR 102148761 B1 KR102148761 B1 KR 102148761B1
Authority
KR
South Korea
Prior art keywords
data
power
failure
conversion efficiency
unit
Prior art date
Application number
KR1020190149243A
Other languages
English (en)
Inventor
최정내
Original Assignee
주식회사 케이디티
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 주식회사 케이디티 filed Critical 주식회사 케이디티
Priority to KR1020190149243A priority Critical patent/KR102148761B1/ko
Application granted granted Critical
Publication of KR102148761B1 publication Critical patent/KR102148761B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 일사량과 모듈온도, DC 전력, MPPT 전압, 인버터 변환 효율 등의 데이터를 수집하고 이를 이용하여 어레이 출력 기능, MPPT 기능, 변환기능의 이상 여부를 판단할 수 있는 선형모델기반의 분류기를 생성하고 이들 분류기를 이용하여 고장의 종류를 판단할 수 있도록 한 태양광 발전 시스템의 고장 진단 장치에 관한 것으로서, 태양광 발전소의 설비들로부터 일사량, 모듈 온도, DC 전력, MPPT 전압 및 변환 효율의 데이터를 수집하여 저장하는 데이터 수집 및 저장부와, 상기 데이터 수집 및 저장부에 저장된 서로 다른 차원을 갖는 데이터를 전달받아 0 ~ 1 사이의 값으로 변환하는 데이터 정규화부와, 상기 데이터 정규화부에서 정규화된 데이터를 전달받아 추정 모델을 생성하는 추정 모델 생성부와, 상기 추정 모델 생성부의 추정 모델을 근거로 상기 데이터 수집 및 저장부에서 입력되는 데이터를 통해 고장 패턴을 분류하는 고장 패턴 분류부와, 상기 고장 패턴 분류부에서 분류된 고장 패턴을 근거로 현재 수집된 데이터의 고장 종류를 판단하는 고장 판단부를 포함하여 이루어진 것을 특징으로 한다.

Description

태양광 발전 시스템의 고장 진단 장치{APPARATUS DIAGNOSING FAULT OF PHOTOVOLTAIC SYSTEM}
본 발명은 태양광 발전 시스템의 고장 진단 장치에 관한 것으로, 특히 발전효율에 이상이 있을 경우 구체적인 고장의 종류를 판단할 수 있도록 한 태양광 발전 시스템의 고장 진단 장치에 관한 것이다.
일반적으로 태양광 발전 시스템은 태양광을 입사받아 DC 전력을 생산하는 PV 모듈과 DC 전력을 AC 전력으로 변환해주는 인버터로 구성된다. 설치를 위해 부가적으로 구조물과 접속반 등이 추가적으로 구성되며, 효율적인 운영을 위해 기상센서와 모니터링 시스템도 포함될 수 있다.
이러한 태양광 발전 시스템은 소용량의 PV 모듈 다수를 직렬과 병렬로 연결하여 대용량 발전 시스템을 구성하며, 일부 PV 모듈에서 이상이 발생하더라도 전체 시스템은 발전량이 줄어든 상태로 동작한다. 접속반은 PV 모듈을 직렬로 연결한 스트링을 병렬로 연결하는 장치로써 스트링마다 역전류를 방지하기 위한 블록킹 다이오드와 과전류 방지를 위한 퓨즈를 기본적으로 장착한다.
다수의 스트링으로 구성된 태양광 발전 시스템에서 접속반의 특정 스트링의 퓨즈가 단락되거나, 스위치가 차단되더라도 해당 태양광 발전 시스템은 정상적으로 동작한다.
이에 따라 태양광 발전 시스템의 발전효율을 높이기 위해서는 설비의 정상동작 여부를 최대한 빠르게 파악해야 한다.
예를 들어 모듈온도 25℃이고 일사량이 500W/m2 인 경우 발전전력은 설비용량의 50%만큼 발전하게 되는데, 이는 PV모듈의 가장 이상적인 최대 출력이다. 태양광 발전 시스템을 구성하는데 있어서 선로손실, 인버터에서의 변환효율, 인버터 MPPT 성능, 그리고 PV모듈이 설치된 방위각, 경사각 등의 요인으로 태양광 발전 시스템의 성능이 결정된다.
또한, 태양광 발전소마다 인버터의 종류, 케이블의 종류 및 전송선로길이, PV모듈 종류, 모듈설치 경사 및 방위각에 따라 성능계수가 다르게 되며 설계상으로 구하더라도 실제와 맞지 않는 경우가 대부분이기 때문에 기존의 방식으로는 태양광 발전 시스템의 발전을 예측하는 것이 어렵다.
즉, 태양광 발전 시스템에서 발전 효율이 저하되면, 이 PV모듈은 특정 일사량 및 온도 조건하에서 실제로 발전해야 할 전력보다 낮게 발전하게 된다. 이러한 발전효율의 저하를 방지하려면 태양광 발전 시스템의 유지보수가 수행되어야 하며, 이를 위해서는 먼저 이 태양광 발전 시스템의 발전효율을 정확하게 진단할 필요가 있다.
이러한 태양광 발전 시스템은 인버터의 고장으로 시스템이 완전히 정지되는 경우도 있지만 모듈의 오염, 음영, 설비의 노후화 등으로 효율이 많이 저하된 상태로 동작하는 경우가 많이 있다. 시스템이 완전히 정지된 경우에는 정지상태를 확인하고 고장을 빨리 해결할 수 있지만 효율이 저하되어 동작되는 경우는 효율저하나 장비의 이상을 파악하기가 매우 어려우며 이를 검출할 수 있는 다양한 방법들이 개발되고 있다.
한편, 종래에는 발전설비의 효율을 진단하는 방법은 일사량과 모듈온도 변화에 따른 발전 예측 모델을 만들고 예측 모델의 추정 출력값과 계측된 실제 출력값을 비교하여 효율저하 정도를 진단하는 방법이 많이 사용된다.
이때 태양광 발전 시스템은 일사량과 모듈온도를 입력으로 하여 발전전력을 출력으로 하는 블랙박스모델로 정의하고 수학적 모델, 회귀 모델, 지능형 등 다양한 모델을 고려하며 머신러닝이나 인공지능 알고리즘을 이용하여 발전량 추정 모델을 학습하여 생성하는 방식을 사용한다.
본 발명은 상기와 같은 문제를 해결하기 위해 안출된 것으로 일사량과 모듈온도, DC 전력, MPPT 전압, 인버터 변환 효율 등의 데이터를 수집하고 이를 이용하여 어레이 출력 기능, MPPT 기능, 변환기능의 이상 여부를 판단할 수 있는 선형모델기반의 분류기를 생성하고 이들 분류기를 이용하여 고장의 종류를 판단할 수 있도록 한 태양광 발전 시스템의 고장 진단 장치를 제공하는데 그 목적이 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 의한 태양광 발전 시스템의 고장 진단 장치는 태양광 발전소의 설비들로부터 일사량, 모듈 온도, DC 전력, MPPT 전압 및 변환 효율의 데이터를 수집하여 저장하는 데이터 수집 및 저장부와, 상기 데이터 수집 및 저장부에 저장된 서로 다른 차원을 갖는 데이터를 전달받아 0 ~ 1 사이의 값으로 변환하는 데이터 정규화부와, 상기 데이터 정규화부에서 정규화된 데이터를 전달받아 추정 모델을 생성하는 추정 모델 생성부와, 상기 추정 모델 생성부의 추정 모델을 근거로 상기 데이터 수집 및 저장부에서 입력되는 데이터를 통해 고장 패턴을 분류하는 고장 패턴 분류부와, 상기 고장 패턴 분류부에서 분류된 고장 패턴을 근거로 현재 수집된 데이터의 고장 종류를 판단하는 고장 판단부를 포함하여 이루어진 것을 특징으로 한다.
본 발명의 실시예에 의한 태양광 발전 시스템의 고장 진단 장치는 다음과 같은 효과가 있다.
즉, 일사량과 모듈온도, DC 전력, MPP 전압, 인버터 변환 효율 등의 데이터를 수집하고 이를 이용하여 어레이 출력 기능, MPPT 기능, 변환기능의 이상 여부를 판단할 수 있는 선형 모델 기반의 분류기를 생성하고 이들 분류기를 이용하여 고장의 종류를 판단할 수 있다.
도 1은 본 발명에 의한 태양광 발전 시스템의 고장 진단 장치를 개략적으로 나타낸 구성도
도 2는 10분 간격으로 저장된 일사량, 온도 그리고 DC 전력(어레이 출력), MPPT 전압(인버터 출력), 변환효율에 대한 각각의 데이터를 나타낸 그래프
도 3은 도 1의 데이터 정규화부를 통해 정규화된 데이터를 나타낸 그래프
도 4는 일사량과 모듈 온도를 입력으로 하여 발전전력을 예측하는 모델을 나타낸 그래프
도 5는 입출력 데이터 셋에 대하여 구해진 상한과 하한 경계모델을 나타낸 그래프
도 6은 일사량 및 온도입력에 대한 MPP전압 데이터 분포화 상한/하한 경계모델을 나타낸 그래프
도 7은 일사량 및 온도입력에 대한 변환효율 데이터 분포화 상한/하한 경계모델을 나타낸 그래프
도 8은 도 1의 고장 판단부에 대한 고장 판단 규칙 테이블
이하 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 상세히 설명한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명에 의한 태양광 발전 시스템의 고장 진단 장치를 개략적으로 나타낸 구성도이다.
본 발명에 의한 태양광 발전 시스템의 고장 진단 장치는 도 1에 도시된 바와 같이, 데이터 수집 및 저장부(110), 데이터 정규화부(120), 추정 모델 생성부(130), 고장 패턴 분류부(140) 및 고장 판단부(150)를 포함하여 구성된다.
여기서, 상기 데이터 수집 및 저장부(110)는 태양광 발전소의 설비들로부터 일사량(X1), 모듈 온도(X2), DC 전력(Y1), MPPT 전압(Y2) 및 변환 효율(Y3)의 데이터를 수집하여 저장하는 부분이다.
여기서, 상기 일사량은 PV 모듈의 설치된 경사면의 일사량을 나타내고, 상기 모듈 온도는 PV 모듈의 온도 값을 나타내며, 상기 DC 전력은 PV 모듈로부터 생산된 DC 전력을 나타내고, 상기 MPPT 전압은 인버터로부터 변환되어 출력되는 AC 전력을 나타낸다.
일반적으로 기상센서와 인버터와 통신을 통해서 데이터를 수집하게 되는데 기상센서는 경사면 일사량과 모듈 온도 값 그리고 인버터에서는 DC 전력, MPPT 전압, 인버터의 변환 효율을 수집한 데이터를 저장한다. 한편, 인버터에서는 AC 전압 DC/AC전류, 주파수, 역률 등 다양한 정보를 제공하며 이들 데이터도 수집할 수 있다.
이때 상기 기상센서 및 인버터로부터 수집된 데이터는 일반적으로 RS485, TCP/IP 방식을 사용하여 수초간격으로 통신을 실시하고, 데이터를 수초간격으로 통신하여 수집된 샘플링 데이터들은 10분 단위로 칼만필터 알고리즘을 이용하여 평균 값을 구한 후 데이터 베이스(DB)에 저장하며 10분 주기로 저장한다.
한편, 상기 데이터 베이스(DB)에 저장된 데이터의 항목은 다음과 같다. 여기서 변환효율은 인버터의 DC전력을 AC전력으로 변환하는 효율로써 AC전력/DC전력 * 100으로 계산된 값이다.
본 발명의 실시예에서는 10분 주기로 데이터를 저장하는 것을 설명하고 있지만, 상기 데이터 베이스(DB)에 데이터의 저장주기는 반드시 10분 주기로 할 필요는 없으며 15분 또는 1시간 주기로 데이터를 수집하여 저장할 수 있다.
이때 상기 수집된 데이터를 통신으로 수집하기 때문에 데이터 베이스에 주기적으로 저장할 때 순시 값을 사용할 경우 통신 지연이나 계측 시점의 차이로 인하여 데이터들의 상관관계가 맞지 않는 경우가 매우 빈번하게 발생하며 이들 데이터를 이용하여 진단을 할 경우 잘못된 결과를 도출할 수 있으며, 이를 방지하지 위해 데이터 전처리나 필터링 등을 적용하기도 하지만 이 또한 매우 어렵다.
한편, 본 발명에서는 이를 방지하기 위해서 저장 시점의 순시 값이 아니라 저장 주기 동안 수집된 샘플 데이터의 평균 값을 사용함으로써 수집 시간 오차에 대한 진단 오류를 최소화한다.
예를 들어 2초 간격으로 통신하여 샘플 데이터가 수집된다면 10분 즉 600초 동안에는 300개의 샘플 데이터가 구해진다. 300개 데이터의 평균을 구할 때 300개를 모두 메모리에 저장한 후 평균을 구하는 방식이 아니라 샘플 데이터가 수집될 때마다 이전 평균 값이 새로운 값을 적용함으로써 평균값을 구함으로써 메모리를 매우 적게 사용하고 빠르게 계산을 할 수 있다.
이때 상기 칼만필터 알고리즘은 다음과 같다 이때 n은 샘플 데이터의 수이며, 반복할 때마다 1씩 증가한다.
현재 평균값 = 이전 평균값 * (n-1)/n) + (1/n) * 현재 계측 값
도 2는 10분 간격으로 저장된 일사량, 온도 그리고 DC 전력(어레이 출력), MPPT 전압(인버터 출력), 변환효율에 대한 각각의 데이터를 도시한 예이다.
상기 데이터 정규화부(120)는 서로 다른 차원[단위]을 갖는 입출력 데이터들을 0 ~ 1 사이의 값으로 변환하는 과정이다. 태양광 발전 시스템의 발전전력이나 MPPT 전압의 범위는 설비의 용량이나 사용되는 인버터의 사양에 따라 다르기 때문에 수집 및 저장된 데이터를 정규화하고 정규화된 데이터를 사용함으로써 고장진단 알고리즘 및 파라메터를 모든 발전소에 동일하게 적용할 수 있다.
이때 상기 일사량은 0 ~1000W/m2, 모듈 온도는 -20 ~ 80℃, DC 전력은 0 ~ 인버터용량 kW, MPPT 전압은 0 ~ 인버터 최대입력전압 V, 변환효율은 0~ 100% 사이의 범위이다. 이때 각 범위에서 앞 부분은 하한 값이며, 뒤 부분은 상한 값을 각각 의미한다.
각 입출력 데이터에 대한 정규화는 각 데이터를 각 데이터의 상한 값 - 하한 값으로 나눔으로써 구할 수 있으며 다음처럼 구할 수 있다. 여기에서 X1은 정규화된 일사량, X2는 정규화된 모듈온도, Y1은 정규화된 DC 전력, Y2는 정규화된 MPPT 전압 그리고 Y3는 정규화된 인버터 변환효율을 의미한다.
X1 = 일사량 / (1000 - 0)
X2 = 모듈 온도 / (80 +20)
Y1 = DC전력 / (인버터용량 - 0)
Y2 = MPPT 전압 / (인버터 최대입력전압 - 0)
Y3 = 인버터 변환효율 /(100 - 0)
도 3은 정규화된 데이터를 도시한다. 이는 도 2와 동일한 패턴이지만 x, y, z축의 범위가 0 ~ 1 사이로 변환되었다.
상기 추정 모델 생성부(130)는 상기 데이터 정규화부(120)에서 정규화된 데이터를 이용하여 추정 모델을 생성하는 부분이다. 추정 모델을 이용한 고장진단 방법은 입출력 데이터 집합을 이용하여 모델을 생성한 후, 입력 값에 대한 모델의 출력과 실제 출력의 차이를 이용하여 진단하는 방식을 많이 사용한다.
상기 추정 모델 생성부(130)는 어레이 전력 추정 모델 생성부(131), MPPT 추정 모델 생성부(132) 및 변환효율 추정 모델 생성부(133)로 구분된다.
일반적으로 사용하는 발전 예측모델의 예를 들어보면 일사량과 모듈 온도를 입력으로 하여 발전전력을 예측하는 모델로 도 4의 왼쪽처럼 입출력 특성을 갖는데, 데이터가 3차원 공간에 대하여 분포하는 특성을 갖게 되어 특정 모델로 표현을 할 경우 일반적으로 중간 값의 출력을 갖도록 모델이 만들어진다.
도 4의 중앙에서와 같이, 모듈온도와 일사량 변화에 따라 DC전압은 실질적으로 450 ~ 650V 범위의 출력을 내며 일사량이 약 500W/m2, 모듈 온도가 30℃ 정도이면 400 ~ 570V 사이의 출력이 나올 수 있다.
그러나 도 4처럼 선형모델을 만들 경우 일사량이 500W/m2, 모듈온도가 30℃ 인 경우에는 항상 520 정도의 값으로 추정이 되며 실제 계측값이 560정도이며 모델출력과 실측값의 차이가 40V정도 나는데 이 정도에 따라 이상 유무를 판단해야 하는데 이상 유무를 판단하는 기준을 만들 것이 더욱 큰 문제점으로 야기하게 된다.
본 발명에서는 입출력 데이터 집합으로부터 출력을 추정하는 모델이 아니라 데이터의 분포에 따라 고장 유무를 분류하기 위한 경계영역을 표현하는 선형모델을 생성한다. 경계모델은 선형 1차식으로 정의하며 상한과 하한에 대하여 각각 모델을 생성한다.
어레이 출력 상한경계 모델은 다음의 수학식 1처럼 선형 1차식으로 표현된다. 여기서 X1, X2는 각각 정규화된 일사량과 정규화된 모델 온도이며 au0, au1, au2는 구해야 하는 파라메터이다.
Figure 112019119108431-pat00001
수학식 1은 면적 그래프식이며 면적위의 세 개의 점을 알고 있으면 파라메터를 구할 수 있다. 파라메터를 구하기 위해서 도 5 왼쪽의 분포도에서 상한 경계영역의 점 세 점을 찾는다. 이는 전체영역을 격자영역으로 나눈 후에 각 영역에서의 최대값을 구한 뒤, 각 격자 영역의 최대값 중에 임의로 3개를 선택할 수도 있다.
이때 상기 선택한 세 개의 점을 각각 (x11, x21, y1) (x12, x22, y2) (x13, x23, y3)라 하면 이점을 수학식 1에 대입하면 아래의 세 개의 식이 나오게된다.
au0 + au1*x11 + au2*x21 = y1
au0 + au1*x12 + au2*x22 = y2
au0 + au1*x13 + au2*x23 = y3
상기 세 개의 식은 아래의 수학식 2처럼 행렬식으로 표현되며
Figure 112019119108431-pat00002
여기서, 상기 파라메터 au0, au1, au2 는 아래의 수학식 3처럼 역행렬과 행렬의 곱으로 간단하게 계산할 수 있다.
Figure 112019119108431-pat00003
하한경계 모델 fd(X1, X2)는 아래의 수학식 4와 같으며 위와 동일하게 하한 경계영역의 점 세 개를 선택한 후 파라미터 ad0, ad1, ad2 를 구한다.
Figure 112019119108431-pat00004
도 5의 오른쪽은 입출력 데이터 셋에 대하여 구해진 상한과 하한 경계모델을 도시한 것이다.
즉, 도 5는 DC전력(어레이 출력전력) 경계판단을 위한 선형모델로서, 일사량 및 모듈온도 입력에 따른 MPPT전압과 변환효율 분포데이터는 각각 도 6, 7의 왼쪽에 있으며 어레이 출력에 대한 상한/하한 경계모델을 동일한 방법으로 구한다.
MPPT전압에 대한 상한과 하한 경계모델은 각각 gu(X1, X2), gd(X1, X2)라 표현하고 구해진 모델 예를 도 6의 오른쪽에 나타낸다. 변환효율에 대한 상한과 하한 경계모델은 각각 hu(X1, X2), hd(X1, X2)라 표현하고 구해진 모델 예를 도 7의 오른쪽에 나타낸다.
도 6은 일사량 및 온도입력에 대한 MPP전압 데이터 분포화 상한/하한 경계모델이고, 도 7은 일사량 및 온도입력에 대한 변환효율 데이터 분포화 상한/하한 경계모델이다.
상기 고장 패턴 분류부(140)는 상기 추정 모델 생성부(130)에서 생성된 추정 모델들을 이용해서 어레이 출력전력, MPP전압, 변환효율이 이상이 있는지를 판단한다.
상기 고장 패턴 분류부(140)는 어레이 전력 고장 분류부(141), MPPT 고장 분류부(142) 및 변환효율 고장 분류부(143)로 분류된다.
상기 고장 패턴 분류부(140)에 입력되는 데이터 베이스에 10분 단위로 저장되는 데이터가 정규화된 후 입력되는 값으로써 각각 일사량, 모듈온도, DC 전력, MPPT 전압, 변환효율 값이며 각각 x1, x2, y1, y2, y3로 표현할 수 있다.
상기 고장 패턴 분류부(140)는 아래처럼 5개의 규칙으로 구성된다. 각각에 대하여 일사량과 모듈온도에 대한 실측값이 상한과 하한 경계범위 밖에 있는 경우 출력을 0, 경계안에 있을 경우 1로 출력한다. 이는 실측값이 경계범위 안에 있으면 정상이고 경계범위 밖에 값이면 이상으로 판단함을 의미한다.
R1 : If fu(x1, x2) < y1 then z1 = 1 else z1 = 0
R2 : If fd(x1, x2) > y1 then z2 = 1 else z2 = 0
R3 : If gu(x1, x2) < y2 and gd(x1, x2) > y2 then z3 = 1 else z3 = 0
R4 : If hu(x1, x2) < y3 then z4 = 1 else z4 = 0
R5 : If hd(x1, x2) > y3 then z5 = 1 else z5 = 0
상기 고장 판단부(150)는 상기 고장 패턴 분류부(140)의 결과로부터 어떤 종류의 고장인지를 판단한다. 상기 고장 패턴 분류부(140)에서 R개의 규칙에 대한 출력값 z1 ~ z5가 계산되는데 이 값들은 0 또는 1 값만을 갖는 이진 데이터이며 경우의 수는 25 =32 가지의 경우의 수가 발생하며 각 경우에 대하여 어떤 종류의 고장인지를 판단한다.
예를 들어 1번에 모든 값이 0인 경우는 태양광이 정상적으로 발전했다는 의미이고 2번의 z5가 1이다는 것은 변환효율이 하한경계보다 적은 경우이며 이면 변환효율이 낮아졌다는 의미이다.
그리고 3번의 z4만 1인 경우 변환 효율 값이 상한 경계 이상인 경우인데 이는 변환효율이 더 좋아질 수는 없으며 인버터의 센서 이상을 계측이 잘못되어서 발생하는 경우이다. 4번은 인버터 변환효율이 상한값보다 크고, 하한값보다 적다는 의미이며 실질적으로 이런 경우는 발생할 수 없으며 진단 시스템의 오류로 판단해야 한다.
결론적으로 32 종류에 대하여 0은 정상, 1은 어레이 출력이상으로 음영, 모듈오염, 스트링 퓨즈 고장 등의 다양한 원인으로 이상이 발생할 수 있다. 2는 인버터의 MPPT 기능이 정상적이지 않은 경우이며, 3은 변환효율이 이상한 경우, 4는 인버터의 내부센서이상, 5는 일사량 센서 이상, 9는 데이터 오류 등의 6가지로 고장 종류를 판단할 수 있다.
즉, 도 8은 도 1의 고장 판단부에 대한 고장 판단 규칙 테이블이다.
한편, 이상에서 본 발명의 기술적 사상을 예시하기 위해 구체적인 실시 예로 도시하고 설명하였으나, 본 발명은 상기와 같이 구체적인 실시 예와 동일한 구성 및 작용에만 국한되지 않고, 여러가지 변형이 본 발명의 범위를 벗어나지 않는 한도 내에서 실시될 수 있다. 따라서, 그와 같은 변형도 본 발명의 범위에 속하는 것으로 간주해야 하며, 본 발명의 범위는 후술하는 특허청구범위에 의해 결정되어야 한다.
110 : 데이터 수집 및 저장부 120 : 데이터 정규화부
130 : 추정 모델 생성부 140 : 고장 패턴 분류부
150 : 고장 판단부

Claims (10)

  1. 태양광 발전소의 설비들로부터 일사량, 모듈 온도, DC 전력, MPPT 전압 및 변환 효율의 데이터를 수집하여 저장하는 데이터 수집 및 저장부와,
    상기 데이터 수집 및 저장부에 저장된 서로 다른 차원을 갖는 데이터를 전달받아 0 ~ 1 사이의 값으로 변환하는 데이터 정규화부와,
    상기 데이터 정규화부에서 정규화된 데이터를 전달받아 추정 모델을 생성하는 추정 모델 생성부와,
    상기 추정 모델 생성부의 추정 모델을 근거로 상기 데이터 수집 및 저장부에서 입력되는 데이터를 통해 고장 패턴을 분류하는 고장 패턴 분류부와,
    상기 고장 패턴 분류부에서 분류된 고장 패턴을 근거로 현재 수집된 데이터의 고장 종류를 판단하는 고장 판단부를 포함하여 이루어지고,
    상기 데이터 수집 및 저장부는 상기 각 데이터를 수초간격으로 통신하여 수집된 샘플링 데이터들은 일정 시간 단위로 칼만필터 알고리즘을 이용하여 현재 평균 값을 구한 후 데이터 베이스에 저장하고,
    상기 데이터 정규화는 상기 일사량, 모듈 온도, DC 전력, MPPT 전압, 변환 효율의 수집된 데이터를 각각 일정 범위내로 한정하여 하한 값과 상한 값으로 구획하고 상기 각 데이터를 각 데이터의 상한 값 - 하한 값으로 나누어 각 입출력 데이터에 대한 정규화를 실시하며,
    상기 추정 모델 생성부는 입출력 데이터 집합을 이용하여 추정 모델을 생성하고, 입력 값에 대한 추정 모델의 출력과 실제 출력의 차이를 이용하여 진단하는 것을 특징으로 하는 태양광 발전 시스템의 고장 진단 장치.
  2. 삭제
  3. 제 1 항에 있어서, 상기 칼만필터 알고리즘에 대한 현재 평균 값은 이전 평균 값 * (n-1)/n + (1/n) * 현재 계측 값으로 구하는 것을 특징으로 하는 태양광 발전 시스템의 고장 진단 장치.
  4. 삭제
  5. 삭제
  6. 제 1 항에 있어서, 상기 데이터 베이스에 저장된 데이터 중 변환효율은 인버터의 DC전력을 AC전력으로 변환하는 효율로 AC전력/DC전력 * 100으로 계산된 값인 것을 특징으로 하는 태양광 발전 시스템의 고장 진단 장치.
  7. 제 1 항에 있어서, 상기 추정 모델 생성부는 상기 각 데이터의 분포에 따라 고장 유무를 분류하기 위한 경계영역을 표현하는 선형 모델을 생성하고, 상기 선형 모델은 선형 1차식으로 정의하며 상한과 하한에 대한 각각 추정 모델을 생성하는 것을 특징으로 하는 태양광 발전 시스템의 고장 진단 장치.
  8. 제 1 항에 있어서, 상기 고장 패턴 분류부는 상기 추정 모델 생성부의 추정 모델을 근거로 상기 데이터 수집 및 저장부로부터 전달받은 실시간의 측정 데이터와 비교하여 어레이 출력전력, MPPT 전압, 변환 효율에 이상이 있는지를 판단하는 것을 특징으로 하는 태양광 발전 시스템의 고장 진단 장치.
  9. 제 1 항에 있어서, 상기 고장 패턴 분류부는 상기 일사량, 온도, DC 전력, MPPT 전압, 변환 효율에 대해서 일사량과 모듈 온도에 대한 실측 값이 상한과 하한 경계 범위 밖에 있는 경우 출력을 0, 경계안에 있을 경우 1로 출력하는 것을 특징으로 하는 태양광 발전 시스템의 고장 진단 장치.
  10. 제 1 항에 있어서, 상기 고장 판단부는 어레이 출력 이상, 인버터의 MPPT 기능 이상, 변환 효율의 이상, 인버터의 내부 센서 이상, 일사량 센서의 이상, 데이터 오류에 대한 고장의 종류를 판단하는 것을 특징으로 하는 태양광 발전 시스템의 고장 진단 장치.
KR1020190149243A 2019-11-20 2019-11-20 태양광 발전 시스템의 고장 진단 장치 KR102148761B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190149243A KR102148761B1 (ko) 2019-11-20 2019-11-20 태양광 발전 시스템의 고장 진단 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190149243A KR102148761B1 (ko) 2019-11-20 2019-11-20 태양광 발전 시스템의 고장 진단 장치

Publications (1)

Publication Number Publication Date
KR102148761B1 true KR102148761B1 (ko) 2020-08-27

Family

ID=72237313

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190149243A KR102148761B1 (ko) 2019-11-20 2019-11-20 태양광 발전 시스템의 고장 진단 장치

Country Status (1)

Country Link
KR (1) KR102148761B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085108A (zh) * 2020-09-11 2020-12-15 杭州华电下沙热电有限公司 基于自动编码器及k均值聚类的光伏电站故障诊断算法
KR102230548B1 (ko) * 2020-09-02 2021-03-22 주식회사 케이디티 Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
CN113746132A (zh) * 2021-08-11 2021-12-03 国网江苏省电力有限公司 一种基于云边协同的光伏电站及其控制方法
KR102338505B1 (ko) * 2021-04-08 2021-12-13 주식회사 인코어드 테크놀로지스 태양광 발전 이상 탐지 시스템 및 방법
KR20220037156A (ko) 2020-09-17 2022-03-24 (주)탑인프라 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
KR20220066707A (ko) * 2020-11-16 2022-05-24 옴니시스템 주식회사 심층 학습 모델을 기반으로 태양광 발전량을 계측하기 위한 장치 및 이를 위한 방법
CN116191570A (zh) * 2023-04-13 2023-05-30 广州锐兴科技有限公司 基于多类型负载的配电网风光储充多源网络协同规划及控制系统、方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101223898B1 (ko) * 2012-04-09 2013-01-21 삼성물산 주식회사 태양광 발전모듈의 고장 진단 및 예지 방법
KR101729217B1 (ko) * 2016-07-28 2017-05-02 주식회사 케이디티 태양광 발전 시스템의 인버터 mppt 성능 진단 장치 및 방법
KR20190038091A (ko) * 2017-09-29 2019-04-08 한국전기연구원 태양광 발전 시스템의 고장 진단 방법 및 그 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101223898B1 (ko) * 2012-04-09 2013-01-21 삼성물산 주식회사 태양광 발전모듈의 고장 진단 및 예지 방법
KR101729217B1 (ko) * 2016-07-28 2017-05-02 주식회사 케이디티 태양광 발전 시스템의 인버터 mppt 성능 진단 장치 및 방법
KR20190038091A (ko) * 2017-09-29 2019-04-08 한국전기연구원 태양광 발전 시스템의 고장 진단 방법 및 그 장치

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102230548B1 (ko) * 2020-09-02 2021-03-22 주식회사 케이디티 Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
JP2022042469A (ja) * 2020-09-02 2022-03-14 ケーディーティー カンパニー リミテッド Ｆｒｂｆｎｎモデルを用いた太陽光発電設備の発電予測及び効率診断システム
CN112085108A (zh) * 2020-09-11 2020-12-15 杭州华电下沙热电有限公司 基于自动编码器及k均值聚类的光伏电站故障诊断算法
CN112085108B (zh) * 2020-09-11 2023-08-18 杭州华电下沙热电有限公司 基于自动编码器及k均值聚类的光伏电站故障诊断算法
KR20220037156A (ko) 2020-09-17 2022-03-24 (주)탑인프라 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
KR20220066707A (ko) * 2020-11-16 2022-05-24 옴니시스템 주식회사 심층 학습 모델을 기반으로 태양광 발전량을 계측하기 위한 장치 및 이를 위한 방법
KR102533023B1 (ko) * 2020-11-16 2023-05-18 옴니시스템 주식회사 심층 학습 모델을 기반으로 태양광 발전량을 계측하기 위한 장치 및 이를 위한 방법
KR102338505B1 (ko) * 2021-04-08 2021-12-13 주식회사 인코어드 테크놀로지스 태양광 발전 이상 탐지 시스템 및 방법
CN113746132A (zh) * 2021-08-11 2021-12-03 国网江苏省电力有限公司 一种基于云边协同的光伏电站及其控制方法
CN113746132B (zh) * 2021-08-11 2024-01-30 国网江苏省电力有限公司 一种基于云边协同的光伏电站及其控制方法
CN116191570A (zh) * 2023-04-13 2023-05-30 广州锐兴科技有限公司 基于多类型负载的配电网风光储充多源网络协同规划及控制系统、方法
CN116191570B (zh) * 2023-04-13 2024-03-15 广州锐兴科技有限公司 基于多类型负载的配电网风光储充多源网络协同规划及控制系统、方法

Similar Documents

Publication Publication Date Title
KR102148761B1 (ko) 태양광 발전 시스템의 고장 진단 장치
Chen et al. Random forest based intelligent fault diagnosis for PV arrays using array voltage and string currents
CN107346899B (zh) 一种光伏电站系统稳定性评估方法及系统
KR102230548B1 (ko) Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
Dhimish et al. Photovoltaic hot-spots fault detection algorithm using fuzzy systems
Zaki et al. Fault detection and diagnosis of photovoltaic system using fuzzy logic control
Ventura et al. Development of models for on-line diagnostic and energy assessment analysis of PV power plants: The study case of 1 MW Sicilian PV plant
CN112883634B (zh) 基于多维度分析的直流测量系统状态预测方法及系统
Davarifar et al. Partial shading fault diagnosis in PV system with discrete wavelet transform (DWT)
Jadidi et al. Fault diagnosis in microgrids with integration of solar photovoltaic systems: A review
Fatama et al. A multi feature based islanding classification technique for distributed generation systems
Djalab et al. Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks
EP3506448A1 (en) Method and system for monitoring a photovoltaic plant to determine a fault condition
CN115208310A (zh) 一种光伏发电系统的监控方法
Livera et al. Performance analysis of mechanistic and machine learning models for photovoltaic energy yield prediction
Zhu et al. Photovoltaic failure diagnosis using sequential probabilistic neural network model
Zaki et al. Detection and localization the open and short circuit faults in PV system: A MILP approach
Zhao et al. A photovoltaic array fault diagnosis method considering the photovoltaic output deviation characteristics
Davarifar et al. Real-time diagnosis of PV system by using the sequential probability ratio test (SPRT)
Sarquis Filho et al. Analysis of automatic fault detection methods for commercially operated pv power plants
CN109507468B (zh) 一种基于关联特征的汇流箱支路电流检测方法及系统
Zare et al. Fault Diagnosis in Photovoltaic Modules using a Straightforward Voltage-Current Characteristics Evaluation
Shaheen et al. Fault Detection of Partial Shading Faults in Solar Photovoltaic Energy Systems
Ghareeb et al. A new method for extracting IV characteristic curve for photovoltaic modules using artificial neural networks
Gersnoviez et al. Neuro-fuzzy systems for daily solar irradiance classification and PV efficiency forecasting

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant