KR102227877B1 - 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템 - Google Patents

멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템 Download PDF

Info

Publication number
KR102227877B1
KR102227877B1 KR1020200119789A KR20200119789A KR102227877B1 KR 102227877 B1 KR102227877 B1 KR 102227877B1 KR 1020200119789 A KR1020200119789 A KR 1020200119789A KR 20200119789 A KR20200119789 A KR 20200119789A KR 102227877 B1 KR102227877 B1 KR 102227877B1
Authority
KR
South Korea
Prior art keywords
input
node
sound
connection panel
corrected
Prior art date
Application number
KR1020200119789A
Other languages
English (en)
Inventor
김재일
최신형
Original Assignee
주식회사 정우엔지니어링
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 정우엔지니어링 filed Critical 주식회사 정우엔지니어링
Priority to KR1020200119789A priority Critical patent/KR102227877B1/ko
Application granted granted Critical
Publication of KR102227877B1 publication Critical patent/KR102227877B1/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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/14—Supports; Fastening devices; Arrangements for mounting thermometers in particular locations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/18—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using conversion of DC into AC, e.g. with choppers
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Fire Alarms (AREA)

Abstract

본 발명은 태양광 발전의 화재예방 시스템에 관한 것으로, 본 발명의 일 실시예에 따른 태양광 발전의 화재예방 시스템은, 태양광 모듈에서 생산된 직류 전류를 취합하여 인버터 측으로 출력하는 접속반을 포함하고, 상기 접속반은, 상기 접속반 내부 온도를 감지하여 전기적인 신호를 출력하는 온도센서; 상기 태양광 모듈로부터 공급되는 직류 전류를 감지하여 전기적인 신호를 출력하는 전류센서; 상기 접속반 내부에서 발생하는 음향을 감지하여 전기적인 신호를 출력하는 음향센서 모듈; 및 상기 온도센서, 전류센서 및 음향센서 모듈에서 출력된 전기적인 신호를 수신하여 상기 접속반으로 취합되는 상기 직류 전류 중 적어도 일부가 차단되도록 제어하는 제어부를 포함할 수 있다.

Description

멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템{FIRE PREVENTING SYSTEM OF PHOTOVOLTAIC POWER GENERATION USING MULTITASKING SENSING}
본 발명은 태양광 발전의 화재예방 시스템에 관한 것으로, 더욱 상세하게는 태양광 발전 시스템에서 접속반 내에 다양한 원인으로 화재가 발생하는 것을 예방하기 위한 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 관한 것이다.
태양광 발전 산업은 친환경적인 발전이며, 전 세계적으로 꾸준하게 발전하고 있다. 또한, 기존의 발전소와는 다른 발전 방식으로 인해 관리나 안전에 대한 지식이 미비한 경우, 화재 등을 사전에 방지하는 것이 쉽지 않다.
종래에는, 접속반에 화재가 발생하는 것을 방지하기 위해, 전류 전압 센서, 적외선 센서, 연기센서 및 온도센서 등을 설치하여 화재를 감시하였는데, 이러한 센서들을 이용하더라도 사전에 화재가 발생하는 것을 방지하는 것이 쉽지 않은 문제가 있다.
접속반에서 화재가 발생하는 원인은 크게 아크 발생, 전선열화, 퓨즈단선 및 역전류 다이오드에 의해 인쇄회로기판의 열화 등으로 나뉠 수 있다. 이러한 화재 원인에 대응하기 위해 상기 설명한 각종 센서들을 설치하여 감시하지만, 그럼에도 불구하고 화재 예방이 쉽지 않은 문제가 있다.
대한민국 등록특허 제10-2099688호 (2020.04.06.) 대한민국 등록특허 제10-1700084호 (2017.01.20.) 대한민국 등록특허 제10-1715079호 (2017.03.03.)
본 발명이 해결하고자 하는 과제는, 태양광 발전의 접속반에서 발생할 수 있는 화재를 사전에 예방할 수 있는 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템을 제공하는 것이다.
본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템은, 태양광 모듈에서 생산된 직류 전류를 취합하여 인버터 측으로 출력하는 접속반을 포함하고, 상기 접속반은, 상기 접속반 내부 온도를 감지하여 전기적인 신호를 출력하는 온도센서; 상기 태양광 모듈로부터 공급되는 직류 전류를 감지하여 전기적인 신호를 출력하는 전류센서; 상기 접속반 내부에서 발생하는 음향을 감지하여 전기적인 신호를 출력하는 음향센서 모듈; 및 상기 온도센서, 전류센서 및 음향센서 모듈에서 출력된 전기적인 신호를 수신하여 상기 접속반으로 취합되는 상기 직류 전류 중 적어도 일부가 차단되도록 제어하는 제어부를 포함할 수 있다.
상기 접속반은, 상기 음향센서 모듈과 전기적으로 연결되고, 상기 접속반 내에 이상이 발생하는 경우, 상기 음향센서 모듈로부터 출력된 전기적인 신호가 수신되어 상기 접속반 내에 이상이 발생된 것을 표시하는 디스플레이기를 더 포함할 수 있다.
상기 제어부는, 상기 태양광 모듈로부터 상기 접속반으로 전송되는 상기 진류 전류 중 적어도 일부가 차단되도록 상기 태양광 모듈과 상기 접속반 사이에 전기적으로 연결된 하나 이상의 스위치를 제어할 수 있다.
상기 음향센서 모듈은, 상기 접속반 내에 배치되고, 상기 접속반에서 발생되는 음향을 감지하여 감지된 음향을 전기적인 신호로 출력하는 하나 이상의 음향 감지부; 상기 하나 이상의 음향 감지부와 전기적으로 연결되고, 상기 하나 이상의 음향 감지부에서 출력되는 전기적인 신호를 증폭하는 하나 이상이 증폭부; 및 상기 하나 이상의 증폭부에서 출력되는 전기적인 신호를 통해 상기 하나 이상의 음향 감지부에서 감지된 음향을 통해 상기 접속반 내의 이상 여부를 판단하는 음향 처리부를 포함할 수 있다.
상기 하나 이상의 음향 감지부는 복수 개이고, 상기 하나 이상의 증폭부는 복수 개이며, 상기 복수 개의 음향 감지부 및 상기 복수 개의 증폭부는 각각 전기적으로 연결되고, 상기 복수 개의 음향 감지부는 상기 접속반 내에 서로 다른 위치에 배치될 수 있다.
상기 음향 처리부는, 상기 접속반 내의 이상 여부를 판단하기 위해 인공신경망(Artificial Neural Network, ANN) 모델을 이용할 수 있다.
본 발명에 의하면, 접속반에서 발생하는 화재가 일어나기 전에 발생하는 음향을 사전에 감지하여 접속반의 해당 채널이나 접속반 전체에 공급되는 전원을 차단함으로써, 접속반에서 화재가 발생하는 것을 사전에 예방할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 이용되는 음향센서 모듈의 일례를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 이용되는 제한된 볼츠만 머신 모델의 개념을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 이용되는 제한된 볼츠만 머신 모델에서 가중치를 조절하는 일례를 설명하기 위한 도면이다.
이하에서는 본 발명을 구현하기 위한 구체적인 실시예에 대하여 도면을 참조하여 상세히 설명하도록 한다.
아울러 본 발명을 설명함에 있어서 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 어떤 구성요소가 다른 구성요소에 '연결', '지지', '접속', '공급', '전달', '접촉'된다고 언급된 때에는 그 다른 구성요소에 직접적으로 연결, 지지, 접속, 공급, 전달, 접촉될 수도 있지만 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
본 명세서에서 사용된 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로 본 발명을 한정하려는 의도로 사용된 것은 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.
또한, 본 명세서에서 상측, 하측, 측면 등의 표현은 도면에 도시를 기준으로 설명한 것이며 해당 대상의 방향이 변경되면 다르게 표현될 수 있음을 미리 밝혀둔다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 이와 같은 용어들에 의해 한정되지는 않는다. 이 용어들은 하나의 구성요소들을 다른 구성요소로부터 구별하는 목적으로만 사용된다.
명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.
도 1은 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템을 도시한 도면이고, 도 2는 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 이용되는 음향센서 모듈(135)의 일례를 도시한 도면이다. 도 3은 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 이용되는 제한된 볼츠만 머신 모델의 개념을 설명하기 위한 도면이며, 도 4는 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 이용되는 제한된 볼츠만 머신 모델에서 가중치를 조절하는 일례를 설명하기 위한 도면이다.
도 1 및 도 2를 참조하여, 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템(100)에 대해 설명한다. 본 발명의 일 실시예에 따른 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템(100)은, 태양광 발전을 통해 전기에너지를 생산한다. 이때, 태양광 발전을 통해 생산된 전기에너지는, 접속반(130)을 통해 전달될 수 있다.
이러한 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템(100)은, 태양광 모듈(110), 제1 스위치(122), 제2 스위치(124), 접속반(130) 및 인버터를 포함한다.
태양광 모듈(110)은, 제1 태양광 패널(112) 및 제2 태양광 패널(114)을 포함한다. 제1 태양광 패널(112) 및 제2 태양광 패널(114)은 각각, 외부로부터 입사되는 태양광을 집광하여 전기를 발생시키기 위해 구비되며, 실리콘 및 복합재료가 이용된다. 구체적으로, 제1 태양광 패널(112) 및 제2 태양광 패널(114)은 각각 P형 반도체와 N형 반도체를 접합시켜 사용되며, 태양광을 받아 전기를 생산하는 광전효과가 이용된다.
이러한 제1 태양광 패널(112) 및 제2 태양광 패널(114)은, 대면적의 P-N 접합 다이오드로 이루어져 있으며, P-N 접합 다이오드의 양극단에 발생된 기전력을 외부 회로로 전달한다.
제1 태양광 패널(112) 및 제2 태양광 패널(114)은 최소 단위의 셀이 복수 개가 연결되어 구성된다. 제1 태양광 패널(112) 및 제2 태양광 패널(114)에서 생산되는 전력은 수 V에서 수십 또는 수백 V 이상이며, 그에 따라 복수 개의 셀이 직렬 또는 병렬로 연결된다.
제1 스위치(122) 및 제2 스위치(124)는 각각 제1 태양광 패널(112) 및 제2 태양광 패널(114)과 전기적으로 연결된다. 제1 태양광 패널(112) 및 제2 태양광 패널(114)은 접속반(130)과 전기적으로 연결되며, 제1 스위치(122)는 제1 태양광 패널(112)과 접속반(130) 사이에 배치되고, 제2 스위치(124)는 제2 태양광 패널(114)과 접속반(130) 사이에 배치된다.
접속반(130)은, 태양광 모듈(110)에서 생산된 직류 전류가 입력되고, 입력된 직류 전류를 인버터 측으로 출력한다. 이러한 접속반(130)은, 내부에 각종 전자부품이 포함되며, 본 실시예에서, 온도센서(131), 전류센서(133), 음향센서 모듈(135), 디스플레이기(137) 및 제어부(139)를 포함한다.
온도센서(131), 전류센서(133) 및 음향센서 모듈(135)은 접속반(130)에서 화재가 발생되는 것을 감지하기 위해 구비되고, 감지된 정보에 대한 신호를 제어부(139)로 전송한다.
온도센서(131)는 접속반(130)의 온도를 감지한다. 이러한 온도센서(131)는 접속반(130) 내부의 온도를 감지하여 소정의 온도 이상으로 접속반(130)의 온도가 상승하면, 감지된 온도에 대한 신호를 제어부(139)로 전송한다.
전류센서(133)는 접속반(130)으로 입력되는 전류량을 측정한다. 전류센서(133)에서 측정되는 전류량이 소정의 전류량 이상으로 상승하는 경우, 측정된 전류량에 대한 정보를 제어부(139)로 전송한다.
음향센서 모듈(135)은, 접속반(130)에서 발생되는 음향을 감지한다. 그리고 감지된 음향에 대한 신호를 제어부(139)로 전송한다. 이때, 음향센서 모듈(135)은, 음향신호에 대한 처리를 통해 화재가 발생하기 전에 발생하는 음향신호를 검출하여 검출된 신호를 제어부(139)로 전송한다.
본 실시예에서, 음향센서 모듈(135)은, 제1 음향 감지부(SS1), 제2 음향 감지부(SS2), 제1 증폭부(SA1), 제2 증폭부(SA2), 제1 필터링부(SF1), 제2 필터링부(SF2) 및 음향 처리부(SP)를 포함한다.
제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)는 접속반(130) 내에서 발생된 음향을 감지하여, 감지된 음향을 전기적인 신호로 변환하여 출력한다.
제1 증폭부(SA1) 및 제2 증폭부(SA2)는 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)와 각각 전기적으로 연결되고, 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)에서 출력되는 전기적인 신호를 각각 증폭한다.
제1 필터링부(SF1) 및 제2 필터링부(SF2)는 각각 제1 증폭부(SA1) 및 제2 증폭부(SA2)와 전기적으로 연결되고, 제1 증폭부(SA1) 및 제2 증폭부(SA2)에서 증폭된 신호에서 잡음을 각각 제거한다.
이때, 제1 필터링부(SF1) 및 제2 필터링부(SF2)는, 예컨대, 특정 주파수 범위 이상의 신호만이 통과되도록 하여 잡음을 제거할 수 있다.
본 실시예에서, 음향센서 모듈(135)에 제1 음향 감지부(SS1), 제2 음향 감지부(SS2), 제1 증폭부(SA1), 제2 증폭부(SA2), 제1 필터링부(SF1) 및 제2 필터링부(SF2)가 포함된 것으로 설명하지만, 필요에 따라 제3 음향 감지부, 제3 증폭부 및 제3 필터링부를 더 포함할 수 있다. 또한, 음향센서 모듈(135)은 더 많은 음향 감지부, 증폭부 및 필터링부를 더 포함할 수도 있다. 그리고 음향센서 모듈(135)은 필요에 따라 음향 감지부, 증폭부 및 필터링부는 하나씩만 포함될 수도 있다.
제1 필터링부(SF1) 및 제2 필터링부(SF2)를 거친 신호는 음향 처리부(SP)로 전송된다. 음향 처리부(SP)는 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)에서 감지된 음향에 대한 처리를 수행한다. 즉, 음향 처리부(SP)는, 접속반(130) 내에서 소정의 음향이 발생한 것을 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)에서 감지하면, 감지된 음향이 화재 사고로 이어질 수 있는 음향인지 여부를 판단한다.
예컨대, 접속반(130) 내에 화재가 발생하는 요인은, 크게 아크, 전선열화, 퓨즈 단선 및 인쇄회로기판 열화 등일 수 있다. 음향 처리부(SP)는 이상 소음이 발생하는 경우, 해당 신호를 제어부(139) 및 디스플레이기(137)로 전송한다.
그에 따라 제어부(139)는 접촉 불량, 전선화재, 퓨즈단락 또는 인쇄회로기판 불량에 의해 이상 소음이 발생하는 경우, 필요에 따라 전체 전원 또는 일부 구간에 공급되는 전원을 차단할 수 있다.
또한, 음향 처리부(SP)로부터 디스플레이기(137)로 전송된 신호에 따라 디스플레이기(137)는, 이상 소음에 대한 정보를 표시한다. 그에 따라 관리자가 디스플레이기(137)를 통해 이상을 확인하여 필요한 조치를 취할 수 있다.
또한, 음향 처리부(SP)는, 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)에서 각각 감지된 음향의 크기(진폭) 등을 이용하여 음향이 발생한 위치가 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2) 중 어디에 가까운 위치에서 음향이 발생한 것인지를 판단할 수 있다. 이때, 음향센서 모듈(135)에 음향 감지부의 개수가 많이 포함될수록 음향 처리부(SP)는 음향이 발생된 위치를 복수 개의 음향 감지부를 통해 보다 정확하게 판단할 수 있다.
이때, 복수 개의 음향 감지부는 접속반(130)의 다양한 위치에 분포되어 배치될 수 있고, 필요에 따라 균일하게 퍼져 배치될 수 있다.
디스플레이기(137)는, 앞서 설명한 바와 같이, 음향센서 모듈(135)과 전기적으로 연결되고, 음향센서 모듈(135)에서 전송되는 신호를 표시한다. 즉, 디스플레이기(137)는, 음향센서 모듈(135)이 접속반(130)에서 이상 소음을 감지하면, 감지된 신호를 음향센서 모듈(135)로부터 수신하여, 해당 신호를 사용자가 확인할 수 있도록 표시한다.
제어부(139)는, 제1 스위치(122) 및 제2 스위치(124)를 제어할 수 있다. 즉, 제어부(139)는 제1 스위치(122) 및 제2 스위치(124)를 제어하여 접속반(130)에 이상이 발생하는 경우, 제1 태양광 패널(112) 및 제2 태양광 패널(114)로부터 전원이 접속반(130)으로 입력되는 것을 차단할 수 있다.
그에 따라 접속반(130)에서 이상이 발생하는 경우에 화재로 이어지는 것을 방지할 수 있고, 접속반(130)에 화재가 발생하더라도 태양광 패널 측에 피해가 번지는 것을 최소화할 수 있다.
제어부(139)는, 온도센서(131), 전류센서(133) 및 음향센서 모듈(135)로부터 신호를 수신하고, 수신된 신호에 따라 제1 스위치(122) 및 제2 스위치(124)를 제어한다.
다음으로, 도 3 및 도 4를 참조하여, 음향 처리부(SP)가 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)에서 감지된 음향 신호가 화재와 관련된 신호인지 판단처리를 수행하는 것을 설명한다.
예컨대, 음향 처리부(SP)는, 인공신경망(Artificial Neural Network, ANN)을 이용하여 제1 음향 감지부(SS1) 및 제2 음향 감지부(SS2)에서 감지된 음향이 화재와 관련된 음향인지 판단하며, 지속적으로 학습하여 감지된 음향와 화재와의 관련성에 대해 학습한다.
음향 처리부(SP)에서 이용하는 인공신경망은, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다.
이러한 인공신경망 모델 중 RBM(제한된 볼츠만 머신, Restricted Boltzmann machine)은 차원 감소, 분류, 선형 회귀 분석, 협업 필터링(collaborative filtering), 특징값 학습(feature learning) 및 주제 모델링(topic modelling)에 사용할 수 있는 알고리즘으로 Geoff Hinton이 제안한 모델이다.
RBM 모델에서 모든 은닉층(hidden layer)의 은닉 노드(hidden node)는 입력층(visible layer)의 입력 노드(input layer)와 연결되어 있고, 모든 입력층의 입력 노드도 은닉층의 은닉 노드와 연결되어 있다. 그러나 같은 층(layer)에 있는 노드끼리는 전혀 연결되어있지 않다.
다시 말해, RBM 모델에서는 같은 층 내부의 연결이 전혀 없으며, 이러한 구조때문에'제한된'볼츠만 머신이라는 이름을 붙인 것이다. 입력층의 입력 노드는 데이터를 입력받으며 입력받은 데이터를 은닉층에 얼마나 전달할 것인지를 확률에 따라 결정(stochastic decision)한다. 즉, 확률에 따라 입력을 전달할지(1로 표현) 혹은 전달하지 않을지(0으로 표현)를 결정한다.
도 3에 도시되어 있는 바와 같이, 입력층의 입력 노드(i)로 입력 데이터(v)가 입력되는 경우, 입력 노드의 입력 데이터와 가중치(wij)의 곱셈값은 서로 합해진 후 활성 함수, 예를 들어 시그모이드(Sigmoid) 함수를 거쳐 0 또는 1의 값으로 샘플링되어 은닉 노드(j)에서 출력값(h)으로 출력된다.
제한된 볼츠만 머신 모델은 비지도학습(unsupervised learning)으로 가중치를 조절하여 입력 데이터의 중요한 특징들을 학습하게 되는데, 여기서 가중치는 입력 데이터(v), 은닉 노드의 출력값(h), 재구성(reconstruction) 과정을 통해 계산되는 보정된 입력 데이터(v') 그리고 재생산(Regeneration) 과정을 통해 계산되는 보정된 출력값(h')으로부터 오차값(v'h'-vh)을 계산하여 조절된다.
도 4를 참고로 살펴보면, 도 4의 (a)에 도시되어 있는 바와 같이 재구성 과정에서 은닉층의 각 은닉 노드(j)의 출력값(h)과 가중치(wji)의 곱셈값은 모두 합산된 후, 활성 함수를 거쳐 0 또는 1의 값으로 샘플링되어 입력 노드(i)에서 보정된 입력 데이터(v')으로 출력된다.
도 4의 (b)에 도시되어 있는 바와 같이, 재생산 과정에서 입력 노드(i)의 보정된 입력 데이터(v')와 가중치(wij)의 곱셈값은 서로 합해진 후 활성 함수를 거쳐 0 또는 1의 값으로 샘플링되어 은닉 노드(j)에서 다시 보정된 출력값(h')으로 출력된다.
위에서 설명한 출력값(h), 보정된 입력 데이터(v'), 보정된 출력값(h')의 계산은 각각 아래와 같이 수학식(1), 수학식(2) 및 수학식(3)과 같이 표현된다.
[수학식1]
Figure 112021019703816-pat00013

(P = 샘플링 함수
Figure 112021019703816-pat00014
= 입력 케이스(
Figure 112021019703816-pat00015
)에 대한 은닉노드(
Figure 112021019703816-pat00016
)의 출력값
Figure 112021019703816-pat00017
= 입력노드의 수
Figure 112021019703816-pat00018
= 입력노드(
Figure 112021019703816-pat00019
)로 입력되는 입력케이스(
Figure 112021019703816-pat00020
)의 입력데이터
Figure 112021019703816-pat00021
= 입력노드(
Figure 112021019703816-pat00022
)와 은닉노드(
Figure 112021019703816-pat00023
)사이의 가중치
Figure 112021019703816-pat00024
= 은닉 노드(
Figure 112021019703816-pat00025
)의 입력 바이어스값)
[수학식2]
Figure 112021019703816-pat00026

(
Figure 112021019703816-pat00027
= 입력노드(
Figure 112021019703816-pat00028
)로 입력되는 입력케이스(
Figure 112021019703816-pat00029
)의 보정된 입력데이터
Figure 112021019703816-pat00030
= 은닉노드의 수
Figure 112021019703816-pat00031
= 입력 케이스(
Figure 112021019703816-pat00032
)에 대한 은닉(
Figure 112021019703816-pat00033
)의 출력값
Figure 112021019703816-pat00034
= 은닉노드(
Figure 112021019703816-pat00035
)와 입력노드(
Figure 112021019703816-pat00036
)사이의 가중치
Figure 112021019703816-pat00037
=입력 노드(
Figure 112021019703816-pat00038
)의 출력 바이어스값)
[수학식3]
Figure 112021019703816-pat00039

(
Figure 112021019703816-pat00040
= 입력케이스(
Figure 112021019703816-pat00041
)에 대한 은닉노드(
Figure 112021019703816-pat00042
)의 보정된 출력값
Figure 112021019703816-pat00043
= 입력노드의 수
Figure 112021019703816-pat00044
= 은닉노드(
Figure 112021019703816-pat00045
)로 입력되는 입력케이스(
Figure 112021019703816-pat00046
)의 보정된 입력데이터
Figure 112021019703816-pat00047
= 입력노드(
Figure 112021019703816-pat00048
)와 은닉노드(
Figure 112021019703816-pat00049
)사이의 가중치
Figure 112021019703816-pat00050
= 은닉 노드(
Figure 112021019703816-pat00051
)의 입력 바이어스값)
여기서 P는 샘플링 함수,
Figure 112021019703816-pat00052
는 입력케이스(
Figure 112021019703816-pat00053
)에 대한 은닉노드(
Figure 112021019703816-pat00054
)의 출력값,
Figure 112021019703816-pat00055
는 입력노드의 수,
Figure 112021019703816-pat00056
는 입력노드(
Figure 112021019703816-pat00057
)로 입력되는 입력케이스(
Figure 112021019703816-pat00058
)의 입력데이터,
Figure 112021019703816-pat00059
는 입력노드(
Figure 112021019703816-pat00060
)와 은닉노드(
Figure 112021019703816-pat00061
) 사이의 가중치,
Figure 112021019703816-pat00062
는 은닉노드(
Figure 112021019703816-pat00063
)의 입력 바이어스값, σ는 활성함수로 예를 들어 로지스틱 함수(logistic function)인 것을 특징으로 한다.
한편,
Figure 112021019703816-pat00064
는 은닉노드의 수,
Figure 112021019703816-pat00065
는 은닉노드(
Figure 112021019703816-pat00066
)에서 출력되는 입력케이스(
Figure 112021019703816-pat00067
)의 출력값,
Figure 112021019703816-pat00068
는 은닉노드(
Figure 112021019703816-pat00069
)와 입력노드(
Figure 112021019703816-pat00070
) 사이의 가중치,
Figure 112021019703816-pat00071
는 입력노드(
Figure 112021019703816-pat00072
)의 출력 바이어스값,
Figure 112021019703816-pat00073
는 입력케이스(
Figure 112021019703816-pat00074
)에 대한 은닉노드(
Figure 112021019703816-pat00075
)의 보정된 출력값인 것을 특징으로 한다.
이와 같이 계산된 출력값, 보정된 입력 데이터(
Figure 112021019703816-pat00076
) 및 보정된 출력값 (
Figure 112021019703816-pat00077
)를 이용하여 가중치(
Figure 112021019703816-pat00078
), 출력 바이어스 및 입력 바이어스는 입력 데이터의 특징을 학습하기 위해 보정되는데, 가중치, 출력 바이어스 및 입력 바이어스의 보정은 아래의 수학식(4), 수학식(5) 및 수학식(6)에 따라 보정된다.
[수학식 4]
Figure 112021019703816-pat00079

(
Figure 112021019703816-pat00080
= 입력노드(
Figure 112021019703816-pat00081
)와 은닉노드(
Figure 112021019703816-pat00082
)사이의 가중치 범위
Figure 112021019703816-pat00083
= 가중치 학습율
Figure 112021019703816-pat00084
= 입력배치를 구성하는 입력케이스의 수
Figure 112021019703816-pat00085
= 입력노드(
Figure 112021019703816-pat00086
)로 입력되는 입력케이스(
Figure 112021019703816-pat00087
)의 입력데이터
Figure 112021019703816-pat00088
= 입력케이스(
Figure 112021019703816-pat00089
)에 대한 입력노드(
Figure 112021019703816-pat00090
)의 출력값
Figure 112021019703816-pat00091
= 입력노드(
Figure 112021019703816-pat00092
)로 입력되는 입력케이스(
Figure 112021019703816-pat00093
)의 보정된 입력데이터
Figure 112021019703816-pat00094
= 입력케이스(
Figure 112021019703816-pat00095
)에 대한 은닉노드(
Figure 112021019703816-pat00096
)의 보정된 출력값)
[수학식 5]
Figure 112021019703816-pat00097

(
Figure 112021019703816-pat00098
=입력노드(
Figure 112021019703816-pat00099
)의 출력 바이어스값 범위
Figure 112021019703816-pat00100
= 입력 바이어스 학습율
Figure 112021019703816-pat00101
= 입력배치를 구성하는 입력케이스의 수
Figure 112021019703816-pat00102
= 입력노드(
Figure 112021019703816-pat00103
)로 입력되는 입력케이스(
Figure 112021019703816-pat00104
)의 입력데이터
Figure 112021019703816-pat00105
= 입력노드(
Figure 112021019703816-pat00106
)로 입력되는 입력케이스(
Figure 112021019703816-pat00107
)의 보정된 입력데이터)
[수학식 6]
Figure 112021019703816-pat00108

(
Figure 112021019703816-pat00109
= 은닉 노드(
Figure 112021019703816-pat00110
)의 입력 바이어스값 범위
Figure 112021019703816-pat00111
= 출력 바이어스 학습율
Figure 112021019703816-pat00112
= 입력배치를 구성하는 입력케이스의 수
Figure 112021019703816-pat00113
= 입력케이스(
Figure 112021019703816-pat00114
)에 대한 입력노드(
Figure 112021019703816-pat00115
)의 출력값
Figure 112021019703816-pat00116
= 입력케이스(
Figure 112021019703816-pat00117
)에 대한 은닉노드(
Figure 112021019703816-pat00118
)의 보정된 출력값)
여기서 Nc는 입력 배치를 구성하 는 입력케이스의 수, ε학습율(learning rate)을 의미한다.
인공 신경망에서 연산 시간과 학습 효율을 높이기 위하여 다수의 입력 데이터 로 이루어진 입력 케이스(c)의 집합인 입력 배치(batch)를 기준으로 가중치 보정이 이루어진다.
인공신경망을 구현하는 인공신경망 장치는 크게 두 가지로 나눌 수 있다. 첫 번째는 CPU(Central Processing Unit)와 GPU (Graphic Processing Unit) 과 같 은 범용 프로세서 기반의 인공신경망 장치이며, 두 번째는 FPGA(field programmable gate array) 또는 ASIC(application specific integrated circuit) 형태로 시냅스, 뉴런 등의 회로를 구성하여 인공신경망 장치를 구현하는 방법이다. 범용 프로세서 기반의 인공신경망 장치는 구현되는 시냅스의 개수에 비해 면적이 적고, 기존의 프로세서를 그대로 사용하기 때문에 설계가 용이하며, 프로그램의 변 경만으로 다양한 형태의 인공신경망 장치를 구현할 수 있다는 장점이 있다. 하지 만, FPGA 또는 ASIC으로 구현되는 인공신경망 장치에 비해서 인공신경망의 특징인 병렬처리, 분산처리의 효율이 떨어져 연산 속도가 느리고, 단일 칩으로 구성하기 어렵고 소비 전력이 많다는 단점을 가진다.
FPGA 또는 ASIC 기술을 이용하여 인공 신경망을 구현하는 경 우 사용하고자 하는 목적에 따라서 다양한 형태의 인공신경망 장치를 설계하는 것이 가능하며 이론적 모델에 가까운 형태로 신경망을 구현 할 수 있다는 장점이 있다.
위에서 설명한 바와 같이 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시예에 의해서 이루어졌지만, 상술한 실시예는 본 발명의 바람직한 예를 들어 설명하였을 뿐이므로, 본 발명이 상기 실시예에만 국한되는 것으로 이해돼서는 안 되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 등가개념으로 이해되어야 할 것이다.
100: 화재예방 시스템
110: 태양광 모듈
112: 제1 태양광 패널
114: 제2 태양광 패널
122: 제1 스위치
124: 제2 스위치
130: 접속반
131: 온도센서
133: 전류센서
135: 음향센서 모듈
137: 디스플레이기
139: 제어부
SS1: 제1 음향 감지부
SS2: 제2 음향 감지부
SA1: 제1 증폭부
SA2: 제2 증폭부
SF1: 제1 필터링부
SF2: 제2 필터링부
SP: 음향 처리부

Claims (5)

  1. 태양광 모듈(110)에서 생산된 직류 전류를 취합하여 인버터 측으로 출력하는 접속반(130)을 포함하고,
    상기 접속반(130)은,
    상기 접속반(130) 내부 온도를 감지하여 소정 온도 이상 상승하면 감지된 온도에 대한 정보를 제어부(139)로 전송하는 온도센서(131);
    상기 태양광 모듈(110)로부터 공급되는 직류 전류를 감지하여 소정의 전류량 이상으로 상승하면 측정된 전류량 정보를 제어부(139)로 전송하는 전류센서(133);
    상기 접속반(130) 내부에서 발생하는 음향을 감지하여 전기적인 신호를 출력하는 음향센서 모듈(135); 및
    상기 온도센서(131), 전류센서(133) 및 음향센서 모듈(135)에서 출력된 전기적인 신호를 수신하여 상기 접속반(130)으로 취합되는 상기 직류 전류 중 적어도 일부가 차단되도록 제어하는 제어부(139)를 포함하여 이루어진 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템에 있어서,
    상기 음향센서 모듈(135)은,
    상기 접속반(130) 내에서 서로 다른 위치에 배치되어 상기 접속반(130) 내에서 발생되는 음향을 감지하여 감지된 음향을 전기적인 신호로 출력하는 복수개의 음향 감지부(SS1, SS2, ...);
    상기 음향 감지부(SS1, SS2, ...)와 각각 연결되고, 상기 음향 감지부(SS1, SS2, ...)에서 출력되는 신호를 증폭하는 증폭부(SA1, SA2, ...);
    상기 증폭부(SA1, SA2, ...)와 각각 연결되고, 증폭된 신호에서 잡음을 제거하는 필터링부(SF1, SF2, ...)를 포함하고,
    상기 필터링부(SF1, SF2, ...)에서 출력되는 신호를 통해 상기 접속반(135) 내의 이상 여부를 판단하는 음향 처리부(SP)를 포함하며,
    상기 음향 처리부(SP)는 각각의 음향 감지부(SS1, SS2, ...)에서 감지된 음향을 증폭 및 필터링하여 제공된 신호를 인공신경망(Artificial Neural Network, ANN) 모델 중 제한된 볼츠만 머신(Restricted Boltzmann machine) 모델을 이용하여 이상 음향이 발생한 위치를 판단하고, 감지된 이상 음향이 화재와 관련된 음향인지를 판단하여 제어부(139)에 전송하고, 동시에 상기 음향센서 모듈(135)로부터 상기 접속반(130) 내에 이상 음향이 발생한 신호를 수신하여 상기 접속반(130) 내에 이상 음향이 발생된 것을 표시하는 디스플레이기(137)를 포함하고,
    제한된 볼츠만 머신(Restricted Boltzmann machine) 모델에서 가중치를 조절하기 위해서는 입력노드(
    Figure 112021500697958-pat00119
    )의 보정된 데이터(
    Figure 112021500697958-pat00120
    )와 가중치(
    Figure 112021500697958-pat00121
    )의 곱셈값은 서로 합해진 후 활성함수(σ)를 거쳐 0 또는 1의 값으로 샘플링되어 은닉노드(
    Figure 112021500697958-pat00122
    )에서 다시 보정된 출력값(
    Figure 112021500697958-pat00123
    )으로 아래 수학식(1), 수학식(2) 및 수학식(3)

    수학식(1)
    Figure 112021500697958-pat00124

    (P = 샘플링 함수
    Figure 112021500697958-pat00125
    = 입력케이스(
    Figure 112021500697958-pat00126
    )에 대한 은닉노드(
    Figure 112021500697958-pat00127
    )의 출력값
    Figure 112021500697958-pat00128
    = 입력노드의 수
    Figure 112021500697958-pat00129
    = 입력노드(
    Figure 112021500697958-pat00130
    )로 입력되는 입력케이스(
    Figure 112021500697958-pat00131
    )의 입력데이터
    Figure 112021500697958-pat00132
    = 입력노드(
    Figure 112021500697958-pat00133
    )와 은닉노드(
    Figure 112021500697958-pat00134
    )사이의 가중치
    Figure 112021500697958-pat00135
    = 은닉 노드(
    Figure 112021500697958-pat00136
    )의 입력 바이어스값)

    수학식(2)
    Figure 112021500697958-pat00137

    (
    Figure 112021500697958-pat00138
    = 입력노드(
    Figure 112021500697958-pat00139
    )로 입력되는 입력케이스(
    Figure 112021500697958-pat00140
    )의 보정된 입력데이터
    Figure 112021500697958-pat00141
    = 은닉노드의 수
    Figure 112021500697958-pat00142
    = 입력 케이스(
    Figure 112021500697958-pat00143
    )에 대한 은닉(
    Figure 112021500697958-pat00144
    )의 출력값
    Figure 112021500697958-pat00145
    = 은닉노드(
    Figure 112021500697958-pat00146
    )와 입력노드(
    Figure 112021500697958-pat00147
    )사이의 가중치
    Figure 112021500697958-pat00148
    =입력 노드(
    Figure 112021500697958-pat00149
    )의 출력 바이어스값)

    수학식(3)
    Figure 112021500697958-pat00150

    (
    Figure 112021500697958-pat00151
    = 입력케이스(
    Figure 112021500697958-pat00152
    )에 대한 은닉노드(
    Figure 112021500697958-pat00153
    )의 보정된 출력값
    Figure 112021500697958-pat00154
    = 입력노드의 수
    Figure 112021500697958-pat00155
    = 은닉노드(
    Figure 112021500697958-pat00156
    )로 입력되는 입력케이스(
    Figure 112021500697958-pat00157
    )의 보정된 입력데이터
    Figure 112021500697958-pat00158
    = 입력노드(
    Figure 112021500697958-pat00159
    )와 은닉노드(
    Figure 112021500697958-pat00160
    )사이의 가중치
    Figure 112021500697958-pat00161
    = 은닉 노드(
    Figure 112021500697958-pat00162
    )의 입력 바이어스값)
    에 의해 출력되고,
    인공 신경망에서 연산 시간과 학습 효율을 높이기 위하여 다수의 입력 데이터로 이루어진 입력케이스(
    Figure 112021500697958-pat00163
    )의 집합인 입력 배치(batch)를 기준으로 보정된 입력데이터(
    Figure 112021500697958-pat00164
    ) 및 보정된 출력값(
    Figure 112021500697958-pat00165
    )를 이용하여 가중치(
    Figure 112021500697958-pat00166
    ), 출력 바이어스 및 입력 바이어스는 입력데이터의 특징을 학습하기 위해 보정되는데, 가중치, 출력 바이어스 및 입력 바이어스의 보정은 아래의 수학식(4), 수학식(5) 및 수학식(6)

    수학식(4)
    Figure 112021500697958-pat00167

    (
    Figure 112021500697958-pat00168
    = 입력노드(
    Figure 112021500697958-pat00169
    )와 은닉노드(
    Figure 112021500697958-pat00170
    )사이의 가중치 범위
    Figure 112021500697958-pat00171
    = 가중치 학습율
    Figure 112021500697958-pat00172
    = 입력배치를 구성하는 입력케이스의 수
    Figure 112021500697958-pat00173
    = 입력노드(
    Figure 112021500697958-pat00174
    )로 입력되는 입력케이스(
    Figure 112021500697958-pat00175
    )의 입력데이터
    Figure 112021500697958-pat00176
    = 입력 케이스(
    Figure 112021500697958-pat00177
    )에 대한 입력노드(
    Figure 112021500697958-pat00178
    )의 출력값
    Figure 112021500697958-pat00179
    = 입력노드(
    Figure 112021500697958-pat00180
    )로 입력되는 입력케이스(
    Figure 112021500697958-pat00181
    )의 보정된 입력데이터
    Figure 112021500697958-pat00182
    = 입력케이스(
    Figure 112021500697958-pat00183
    )에 대한 은닉노드(
    Figure 112021500697958-pat00184
    )의 보정된 출력값)

    수학식(5)
    Figure 112021500697958-pat00185

    (
    Figure 112021500697958-pat00186
    =입력노드(
    Figure 112021500697958-pat00187
    )의 출력 바이어스값 범위
    Figure 112021500697958-pat00188
    = 입력 바이어스 학습율
    Figure 112021500697958-pat00189
    = 입력배치를 구성하는 입력케이스의 수
    Figure 112021500697958-pat00190
    = 입력노드(
    Figure 112021500697958-pat00191
    )로 입력되는 입력케이스(
    Figure 112021500697958-pat00192
    )의 입력데이터
    Figure 112021500697958-pat00193
    = 입력노드(
    Figure 112021500697958-pat00194
    )로 입력되는 입력케이스(
    Figure 112021500697958-pat00195
    )의 보정된 입력데이터)

    수학식(6)
    Figure 112021500697958-pat00196

    (
    Figure 112021500697958-pat00197
    = 은닉노드(
    Figure 112021500697958-pat00198
    )의 입력 바이어스값 범위
    Figure 112021500697958-pat00199
    = 출력 바이어스 학습율
    Figure 112021500697958-pat00200
    = 입력배치를 구성하는 입력케이스의 수
    Figure 112021500697958-pat00201
    = 입력케이스(
    Figure 112021500697958-pat00202
    )에 대한 입력노드(
    Figure 112021500697958-pat00203
    )의 출력값
    Figure 112021500697958-pat00204
    = 입력케이스(
    Figure 112021500697958-pat00205
    )에 대한 은닉노드(
    Figure 112021500697958-pat00206
    )의 보정된 출력값)
    에 따라 보정되는 것을 특징으로 하는 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템.


  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
KR1020200119789A 2020-09-17 2020-09-17 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템 KR102227877B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200119789A KR102227877B1 (ko) 2020-09-17 2020-09-17 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200119789A KR102227877B1 (ko) 2020-09-17 2020-09-17 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템

Publications (1)

Publication Number Publication Date
KR102227877B1 true KR102227877B1 (ko) 2021-03-16

Family

ID=75223797

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200119789A KR102227877B1 (ko) 2020-09-17 2020-09-17 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템

Country Status (1)

Country Link
KR (1) KR102227877B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033096A (zh) * 2021-03-24 2021-06-25 应急管理部四川消防研究所 基于深度学习的建筑风险预警的分析方法
KR20230051450A (ko) * 2021-04-29 2023-04-18 주식회사 비앤엠 누전감지로 자동전원차단기능을 갖는 태양광발전시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101700084B1 (ko) 2016-03-22 2017-01-26 주식회사 광명전기 태양광 접속반용 전기화재 감시 시스템
KR101715079B1 (ko) 2016-11-11 2017-03-09 주식회사 현대콘트롤전기 수배전반의 음향방출 신호검출에 의한 부분방전 열화감시 진단장치
KR102099688B1 (ko) 2019-12-06 2020-04-10 제이케이엔지니어링(주) 화재예방과 구조물 안전예방기능을 구비한 태양광 접속반
KR102093313B1 (ko) * 2019-06-20 2020-05-15 (주)더블유쏠라 태양광 발전시스템
KR102080811B1 (ko) * 2019-10-31 2020-05-26 주식회사 한국이알이시 화재 복합 감지 기능을 구비한 태양광 접속반 및 이의 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101700084B1 (ko) 2016-03-22 2017-01-26 주식회사 광명전기 태양광 접속반용 전기화재 감시 시스템
KR101715079B1 (ko) 2016-11-11 2017-03-09 주식회사 현대콘트롤전기 수배전반의 음향방출 신호검출에 의한 부분방전 열화감시 진단장치
KR102093313B1 (ko) * 2019-06-20 2020-05-15 (주)더블유쏠라 태양광 발전시스템
KR102080811B1 (ko) * 2019-10-31 2020-05-26 주식회사 한국이알이시 화재 복합 감지 기능을 구비한 태양광 접속반 및 이의 제어 방법
KR102099688B1 (ko) 2019-12-06 2020-04-10 제이케이엔지니어링(주) 화재예방과 구조물 안전예방기능을 구비한 태양광 접속반

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033096A (zh) * 2021-03-24 2021-06-25 应急管理部四川消防研究所 基于深度学习的建筑风险预警的分析方法
KR20230051450A (ko) * 2021-04-29 2023-04-18 주식회사 비앤엠 누전감지로 자동전원차단기능을 갖는 태양광발전시스템
KR102672276B1 (ko) * 2021-04-29 2024-06-04 (주)비앤엠 누전감지로 자동전원차단기능을 갖는 태양광발전시스템

Similar Documents

Publication Publication Date Title
Hussain et al. Artificial neural network based photovoltaic fault detection algorithm integrating two bi-directional input parameters
Chen et al. Deep residual network based fault detection and diagnosis of photovoltaic arrays using current-voltage curves and ambient conditions
KR102227877B1 (ko) 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템
Fazai et al. Machine learning-based statistical testing hypothesis for fault detection in photovoltaic systems
Garoudja et al. An enhanced machine learning based approach for failures detection and diagnosis of PV systems
Garoudja et al. Statistical fault detection in photovoltaic systems
Salem et al. Detection and assessment of partial shading in photovoltaic arrays
CN109670553B (zh) 基于自适应神经模糊推理系统的光伏阵列故障诊断方法
US10444038B2 (en) Detecting personnel, their activity, falls, location, and walking characteristics
Zaki et al. Fault detection and diagnosis of photovoltaic system using fuzzy logic control
CN103325204B (zh) 一种环境参量感知的火灾判定方法
KR20200114130A (ko) 태양광 발전 고장 진단 방법 및 시스템
US9158302B2 (en) System and method for detecting electric power plant equipment overheating with real-time plural parallel detection and analysis parameters
Eskandari et al. A weighted ensemble learning-based autonomous fault diagnosis method for photovoltaic systems using genetic algorithm
CN116995280B (zh) 一种氢燃料电池运行状态的智能监测方法
CN111131237A (zh) 基于bp神经网络的微网攻击识别方法及并网接口装置
CN109784478A (zh) 一种基于bp神经网络的配电系统传感器故障诊断方法
Bacha et al. Diagnosis algorithm and detection faults based on fuzzy logic for PV panel
CN106845562A (zh) 光伏组件的故障监测系统及数据处理方法
KR20180024673A (ko) 태양광발전 채널별 감시장치
Bharath et al. Condition monitoring of photovoltaic systems using machine leaming techniques
CN115774951A (zh) 一种光伏电站阵列的故障快速甄别方法
Hong et al. Diagnosis of PV faults using digital twin and convolutional mixer with LoRa notification system
JP2020025452A (ja) 太陽電池の検査装置、検査システム、検査方法及びプログラム
Afrasiabi et al. Machine Learning-Based Condition Monitoring of Solar Photovoltaic Systems: A Review

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant