KR102228089B1 - 화재 예측 및 차단이 가능한 태양광 발전 시스템 - Google Patents
화재 예측 및 차단이 가능한 태양광 발전 시스템 Download PDFInfo
- Publication number
- KR102228089B1 KR102228089B1 KR1020200148932A KR20200148932A KR102228089B1 KR 102228089 B1 KR102228089 B1 KR 102228089B1 KR 1020200148932 A KR1020200148932 A KR 1020200148932A KR 20200148932 A KR20200148932 A KR 20200148932A KR 102228089 B1 KR102228089 B1 KR 102228089B1
- Authority
- KR
- South Korea
- Prior art keywords
- current
- fire
- data
- value
- inverter
- Prior art date
Links
- 230000000903 blocking effect Effects 0.000 title abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 51
- 239000000779 smoke Substances 0.000 claims abstract description 33
- 230000005494 condensation Effects 0.000 claims abstract description 30
- 238000009833 condensation Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 16
- 238000004146 energy storage Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010977 unit operation Methods 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/24—Circuit arrangements for boards or switchyards
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
- H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
- H02S40/34—Electrical components comprising specially adapted electrical connection means to be structurally associated with the PV module, e.g. junction boxes
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
본 발명의 실시 예는 태양광 발전 시스템에 관한 것으로, 해결하고자 하는 기술적 과제는 전압, 전류, 온도, 결로, 누전, 지진, 연기 및 아크 등의 데이터를 입력 데이터로 하여 인공 지능 시스템으로 처리하여 화재를 예측하여 선로를 차단하고, 이미 화재가 발생된 것으로 판단되면 소화부를 동작시켜 화재를 진압할 수 있는 화재 예측 및 차단이 가능한 태양광 발전 시스템을 제공하는데 있다. 이를 위해, 본 발명의 실시 예는 태양광 발전 모듈에 전기적으로 연결된 접속반; 접속반에 전기적으로 연결된 인버터; 인버터와 그리드 사이에 전기적으로 연결된 수배전반; 태양광 발전 모듈과 접속반 사이에 전기적으로 연결된 제1스위치; 수배전반과 그리드 사이에 전기적으로 연결된 제2스위치; 및 태양광 발전 모듈, 접속반, 인버터 및 수배전반의 전압, 전류, 온도, 결로, 누전, 지진, 연기 및 아크를 센싱하고, 센싱된 데이터를 입력 데이터로 하여 학습이 완료된 인공 지능 시스템에 입력하며, 인공 지능 시스템이 출력 데이터로서 화재 예측 데이터를 출력하면, 제1스위치 및 제2스위치를 턴오프하는 태양광 모니터링부를 포함하는, 태양광 발전 시스템을 제공한다.
Description
본 발명은 화재 예측 및 차단이 가능한 태양광 발전 시스템에 관한 것이다.
일반적으로 태양광 발전 시스템은 태양광 모듈, 접속반 및 인버터로 구성되며 인버터는 접속반을 통한 직류 전원을 교류 전원으로 변경하여 계통 선로 또는 수용가에 전력을 공급한다. 태양광 모듈에서 접속반 및 인버터의 직류 선로에 차단기, 퓨즈 등을 설치하지만, 현실적으로 과전류나 고장 전류에 대하여 자동으로 회로를 차단하지 못하고 있다. 그 이유는 태양광 모듈에서 출력되는 전류와 태양광 모듈의 단락 전류 사이에 차이가 크지 않기 때문이다. 통상적으로 태양광 모듈의 단락 전류는 정격 전류의 대략 1.1배 이하이며, 차단기 및 퓨즈의 선정 기준은 대략 1.2배 내지 대략 2.5배로 단락 전류보다 커서 차단기의 트립이나 퓨즈가 용단 되지 않는다.
이러한 문제는 접속반이나 인버터의 고장으로 화재가 발생하더라도 회로가 자동으로 차단되지 않아 화재가 확산되도록 한다. 특히, 접속반이나 인버터의 화재 발생은 발전 시스템이 정지하였음에도 반도체 소자의 고장에 의한 지속적인 전력인가로 화재가 확산되고 있다. 이러한 화재는 관리자가 직접 직류 선로를 차단 후 소화기 등으로 화재를 진압해야 하며, 화재 발생 후 화재 인지 및 초기 대응까지 많은 시간이 소요된다. 특히 접속반이나 인버터가 건물 내부에 설치되는 경우 화재로 인한 유독 가스 발생 및 대형 화재로 확산될 우려가 있으며, 인명 피해와 건물 화재 감지 시스템의 동작으로 인하여 상주 인원의 긴급 대피 및 자동으로 소방서 및 경찰서등으로 자동 출동하는 시스템이 구축되어 있어 많은 경제적 손실이 발생한다.
화재 진압을 위해 접속반이나 인버터에 자동 소화 장치를 설치하는 경우도 있지만, 직류/교류 선로를 차단하지 않는 경우 고장 전류가 계속해서 유입되기 때문에 자동으로 화재가 진압되지 않은 경우가 많으며, 화재 자동 소화 장치가 동작하면 인버터는 수리 후 재사용이 불가능하여 추가적인 재산 피해가 발생한다.
본 발명의 실시 예에 따른 해결하고자 하는 과제는 전압, 전류, 온도, 결로, 누전, 지진, 연기 및 아크 등의 데이터를 입력 데이터로 하여 인공 지능 시스템이 처리하여 화재를 예측하고 선로를 차단하며, 이미 화재가 발생된 것으로 판단되면 소화부를 동작시켜 화재를 진압할 수 있는 화재 예측 및 차단이 가능한 태양광 발전 시스템을 제공하는데 있다.
본 발명의 실시 예에 따른 화재 예측 및 차단이 가능한 태양광 발전 시스템은 태양광 발전 모듈; 태양광 발전 모듈에 전기적으로 연결된 접속반; 접속반에 전기적으로 연결된 인버터; 인버터와 그리드 사이에 전기적으로 연결된 수배전반; 태양광 발전 모듈과 접속반 사이에 전기적으로 연결된 제1스위치; 수배전반과 그리드 사이에 전기적으로 연결된 제2스위치; 및 태양광 발전 모듈, 접속반, 인버터 및 수배전반의 전압, 전류, 온도, 결로, 누전, 지진, 연기 및 아크를 센싱하고, 센싱된 데이터를 입력 데이터로 하여 학습이 완료된 인공 지능 시스템에 입력하며, 인공 지능 시스템이 출력 데이터로서 화재 예측 데이터를 출력하면, 제1스위치 및 제2스위치를 턴오프하는 태양광 모니터링부를 포함할 수 있다.
태양광 발전 모듈, 접속반, 인버터 및 수배전반은 각각 전압 센서, 전류 센서, 온도 센서, 결로 센서, 누전 센서, 지진 센서, 연기 센서 및 아크 센서를 더 포함할 수 있다.
태양광 발전 모듈, 접속반, 인버터 및 수배전반은 각각 소화부를 더 포함할 수 있다.
태양광 모니터링부는 인공 지능 시스템이 출력 데이터로서 화재 발생 데이터를 출력하면, 제1스위치 및 제2스위치를 턴오프하는 동시에 소화부를 동작시킬 수 있다.
누전 센서는 태양광 발전 모듈과 접속반을 연결하는 직류 선로, 접속반과 인버터를 연결하는 직류 선로, 인버터와 수배전반을 연결하는 교류 선로, 그리고 수배전반과 그리드를 연결하는 교류 선로에 각각 설치될 수 있다.
인터넷망, 서버 및 모바일 단말기를 더 포함하고, 태양광 모니터링부는 전압, 전류,온도, 결로, 누전, 지진, 연기 및 아크에 대한 데이터, 제1,2스위치의 턴오프 정보 및 소화부의 동작 정보를 인터넷망을 통하여 서버 및 모바일 단말기에 전송할 수 있다.
태양광 모니터링부는 전압 센서, 전류 센서, 온도 센서, 결로 센서, 누전 센서, 지진 센서, 연기 센서 및 아크 센서로부터 센싱된 데이터를 수신하고, 센싱된 데이터를 입력 데이터로 하여 학습이 완료된 인공 지능 시스템을 동작시키며; 인공 지능 시스템에 의해 출력 데이터가 화재 예측 데이터인지 판단하고; 출력 데이터가 화재 예측 데이터일 경우 제1,2스위치를 턴오프할 수 있다.
태양광 모니터링부는 인공 지능 시스템에 의해 출력 데이터가 화재 발생 데이터인지 판단하고; 출력 데이터가 화재 발생 데이터일 경우 제1,2스위치를 턴오프하고, 소화부를 동작시킬 수 있다.
태양광 모니터링부는 태양광 발전 모듈과 접속반을 연결하는 직류 선로 및 접속반과 인버터를 연결하는 직류 선로에 각각 설치된 누전 센서로부터 전류값을 입력받되, 현재 전류값에서 직전 전류값을 뺀 차감값이 미리 설정된 트립값보다 큰지 판단하고, 차감값이 미리 설정된 트립값보다 큰 경우, 차감값의 크기를 전류값이 증가하는 데에 걸린 시간으로 나눈 전류 기울기가 미리 설정된 트립 기울기보다 큰지 판단하여, 전류 기울기가 미리 설정된 트립 기울기보다 큰 경우 제1스위치를 턴오프할 수 있고, 태양광 모니터링부는 인버터와 수배전반을 연결하는 교류 선로 및 수배전반과 그리드를 연결하는 교류 선로에 각각 설치된 누전 센서로부터 전류값 및 전압값을 입력받되, 현재 전류값에서 직전 전류값을 뺀 차감값이 미리 설정된 트립값보다 큰지 판단하고, 차감값이 미리 설정된 트립값보다 큰 경우, 차감값의 크기를 전류값이 증가하는 데에 걸린 시간으로 나눈 전류 기울기가 미리 설정된 트립 기울기보다 큰지 판단하고, 전류 기울기가 미리 설정된 트립 기울기보다 큰 경우, 현재 전압값과 현재 전류값의 위상차가 직전 전압값과 직전 전류값의 위상차와 다른 경우 제2스위치를 턴오프할 수 있다.
본 발명의 실시 예는 전압, 전류, 온도, 결로, 누전, 지진, 연기 및 아크 등의 데이터를 입력 데이터로 하여 인공 지능 시스템이 처리하여 화재를 예측하여 선로를 차단하며, 이미 화재가 발생된 것으로 판단되면 소화부를 동작시켜 화재를 진압할 수 있는 화재 예측 및 차단이 가능한 태양광 발전 시스템을 제공한다.
또한, 본 발명의 실시 예는 인공 지능 시스템에 의해 화재가 예측될 경우, 접속반의 직류 선로에 연결된 제1스위치를 턴오프할 뿐만 아니라 수배전반의 교류 선로에 연결된 제2스위치도 턴오프함으로써, 태양광 발전 모듈과 그리드 사이의 각종 전장품을 완전히 전기적으로 분리하여 화재를 확실하게 예방하고 차단할 수 있는 태양광 발전 시스템을 제공한다.
또한, 본 발명의 실시 예는 기존에 수집된 전압, 전류, 온도, 결로, 누전, 지진, 연기 및 아크 등의 방대한 입력 데이터를 이용하여 인공 지능 시스템을 학습시킴으로써, 화재 전조 현상에 근거하여 화재를 미리 예측하고 제1,2스위치를 턴오프함으로써, 더욱 빠른 시간 내에 태양광 발전 시스템의 화재를 예방하고 차단할 수 있는 태양광 발전 시스템을 제공한다.
도 1은 본 발명의 실시 예에 따른 신경망 모델 및 각 노드의 동작을 나타낸다.
도 2는 본 발명의 실시 예에 따른 인공 지능 시스템/신경망을 나타낸다
도 3은 본 발명의 실시 예에 따른 인공 지능 시스템의 학습 방법을 나타낸다.
도 4는 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템의 전체 구성을 도시한 블럭도이다.
도 5는 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템중 일부 구성을 도시한 블럭도이다.
도 6은 본 발명의 실시 예에 따른 태양광 발전 시스템의 동작을 도시한 순서도이다.
도 7은 본 발명의 실시 예에 따른 태양광 발전 시스템의 동작을 도시한 그래프이다.
도 2는 본 발명의 실시 예에 따른 인공 지능 시스템/신경망을 나타낸다
도 3은 본 발명의 실시 예에 따른 인공 지능 시스템의 학습 방법을 나타낸다.
도 4는 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템의 전체 구성을 도시한 블럭도이다.
도 5는 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템중 일부 구성을 도시한 블럭도이다.
도 6은 본 발명의 실시 예에 따른 태양광 발전 시스템의 동작을 도시한 순서도이다.
도 7은 본 발명의 실시 예에 따른 태양광 발전 시스템의 동작을 도시한 그래프이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명하기로 한다.
본 발명의 실시 예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.
또한, 이하의 도면에서 각 층의 두께나 크기는 설명의 편의 및 명확성을 위하여 과장된 것이며, 도면상에서 동일 부호는 동일한 요소를 지칭한다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다. 또한, 본 명세서에서 "연결된다"라는 의미는 A 부재와 B 부재가 직접 연결되는 경우뿐만 아니라, A 부재와 B 부재의 사이에 C 부재가 개재되어 A 부재와 B 부재가 간접 연결되는 경우도 의미한다.
본 명세서에서 사용된 용어는 특정 실시 예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise, include)" 및/또는 "포함하는(comprising, including)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및 /또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다.
본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 부품, 영역, 층들 및/또는 부분들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들 및/또는 부분들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 하나의 부재, 부품, 영역, 층 또는 부분을 다른 영역, 층 또는 부분과 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1부재, 부품, 영역, 층 또는 부분은 본 발명의 가르침으로부터 벗어나지 않고서도 제2부재, 부품, 영역, 층 또는 부분을 지칭할 수 있다.
또한, 본 발명에 따른 인공 지능 시스템, 태양광 모니터링부 및/또는 다른 관련 기기 또는 부품은 임의의 적절한 하드웨어, 펌웨어(예를 들어, 주문형 반도체), 소프트웨어, 또는 소프트웨어, 펌웨어 및 하드웨어의 적절한 조합을 이용하여 구현될 수 있다. 예를 들어, 본 발명에 따른 인공 지능 시스템, 태양광 모니터링부 및/또는 다른 관련 기기 또는 부품의 다양한 구성 요소들은 하나의 집적회로 칩 상에, 또는 별개의 집적회로 칩 상에 형성될 수 있다. 또한, 인공 지능 시스템, 태양광 모니터링부의 다양한 구성 요소는 가요성 인쇄 회로 필름 상에 구현될 수 있고, 테이프 캐리어 패키지, 인쇄 회로 기판, 또는 인공 지능 시스템와 동일한 서브스트레이트 상에 형성될 수 있다. 또한, 인공 지능 시스템, 태양광 모니터링부의 다양한 구성 요소는, 하나 이상의 컴퓨팅 장치에서, 하나 이상의 프로세서에서 실행되는 프로세스 또는 쓰레드(thread)일 수 있고, 이는 이하에서 언급되는 다양한 기능들을 수행하기 위해 컴퓨터 프로그램 명령들을 실행하고 다른 구성 요소들과 상호 작용할 수 있다. 컴퓨터 프로그램 명령은, 예를 들어, 랜덤 액세스 메모리와 같은 표준 메모리 디바이스를 이용한 컴퓨팅 장치에서 실행될 수 있는 메모리에 저장된다. 컴퓨터 프로그램 명령은 또한 예를 들어, CD-ROM, 플래시 드라이브 등과 같은 다른 비-일시적 컴퓨터 판독 가능 매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 본 발명에 관련된 당업자는 다양한 컴퓨팅 장치의 기능이 상호간 결합되거나, 하나의 컴퓨팅 장치로 통합되거나, 또는 특정 컴퓨팅 장치의 기능이, 본 발명의 예시적인 실시 예를 벗어나지 않고, 하나 이상의 다른 컴퓨팅 장치들에 분산될 수 될 수 있다는 것을 인식해야 한다.
일례로, 본 발명에 따른 인공 지능 시스템, 태양광 모니터링부는 중앙처리장치, 하드디스크 또는 고체상태디스크와 같은 대용량 저장 장치, 휘발성 메모리 장치, 키보드 또는 마우스와 같은 입력 장치, 모니터 또는 프린터와 같은 출력 장치로 이루어진 통상의 상용 컴퓨터에서 운영될 수 있다.
도 1은 본 발명의 실시 예에 따른 신경망 모델 및 각 노드의 동작을 나타낸다.
도 1(a)는 본 발명의 실시 예에 따른 신경망을 나타낸다. 신경망은 뉴런들을 포함하며, 도 1(a)에서 각각의 원들이 뉴런들을 나타낸다. 그리고 복수의 뉴런들의 집합을 레이어라고 한다. 뉴런들은 이하에서 노드라고 지칭할 수 있다. 입력 데이터를 받는 레이어를 입력 레이어, 신경망의 연산 결과가 출력되는 레이어를 출력 레이어라고 지칭한다.
도 1(b)는 신경망에서 뉴런의 동작을 나타낸다. 뉴런은 입력(i_0, i_1)에 가중치(w_0, w_1)를 적용하고, 활성함수(f(x)) 연산을 수행하여 출력을 제공한다. 활성 함수는 실제 신경 세포처럼 일정 수준 이상의 자극이 주어졌을 때 값이 급격히 커지는 함수가 사용될 수 있다. 선형 함수를 사용하면 분석 능력이 감소할 수 있어, 비선형 함수가 사용될 수 있다. 실시 예로서, 활성 함수는 시그모이드(sigmoid), tenh, 렐루(relu) 등의 함수가 사용될 수 있다. 활성 함수는 입력 신호의 총합을 그대로 사용하지 않고, 출력 신호로 변환한다. 즉 활성 함수는 가중치가 적용된 입력들에 대해 활성화 여부를 결정한다.
신경망은 특정 태스크의 수행을 위해 학습한다. 즉 시스템이 특정 태스크의 수행을 위해 신경망을 구성하고, 신경망을 트레이닝할 수 있다. 예를 들면, 사진을 보고 개인지 고양이인지를 알아내는 태스크가 수행될 수 있다. 시스템은 복수의 사진들과 복수의 사진에 대한 정답 데이터(개 또는 고양이)를 사용함으로써 입력 데이터 연산(프로세싱), 출력 데이터와 정답 데이터의 비교 및 가중치의 조정 동작을 반복하여 수행한다. 이렇게 트레이닝된 신경망은 태스크를 수행할 준비가 된다. 본 명세서에서, 신경망의 학습/트레이닝을 위한 입력 및 정답을 포함하는 데이터를 데이터 세트 또는 트레이닝 데이터라고 지칭할 수 있다.
도 2는 본 발명의 실시 예에 따른 인공 지능 시스템 또는 신경망을 나타낸다.
도 1에서, 신경망은 입력 레이어(input), 출력 레이어(output) 및 히든 레이어들(layer1~layer3)을 포함한다. 입력 레이어(input)는 들어온 신호/데이터를 다음 레이어로 전달할 수 있다. 출력 레이어의 노드들의 출력이 신경망의 최종 결과값에 해당할 수 있다. 입력 레이어와 출력 레이어 사이의 적어도 하나의 레이어를 히든 레이어라고 지칭한다. 특히 히든 레이어가 복수인 신경망을 심층 신경망이라고 부를 수도 있으며, 본 발명에서는 심층 신경망을 실시 예로 설명한다.
신경망은 학습 또는 트레이닝에 의해 모델링될 수 있다. 신경망이 모델링되면, 그 신경망은 시스템이 원하는 태스크를 수행할 준비가 된 것으로 볼 수 있다. 즉, 모델링된 신경망은 입력에 대해 추론된 출력을 제공할 수 있다.
신경망은 목표 태스크를 수행하기 위해 모델링될 수 있다. 목표 태스크를 달성하도록 신경망을 트레이닝하기 위해 데이터 세트가 준비될 수 있으며, 이러한 데이터 세트를 트레이닝 데이터라고 지칭할 수 있다. 데이터 세트는 복수의 데이터 쌍(Data Pair 1, Data Pair 2, Data Pair3, ...)을 포함하며, 데이터 쌍은 입력 데이터와 라벨 데이터를 포함한다. 라벨 데이터는 원 핫 인코딩된(one hot encoded) 데이터로서 하나의 정답을 나타낼 수 있다. 실시 예로서, 라벨 데이터는 원 핫 인코딩된 데이터로서, 복수의 바이너리 값들을 포함할 수 있다. 라벨 데이터는 정답 데이터라고 지칭할 수도 있다.
트레이닝 데이터는 복수의 데이터 쌍을 포함할 수 있다. 다만, 데이터의 분류에 따라서 트레이닝 데이터는 입력 데이터와 라벨 데이터를 포함할 수도 있다. 입력 데이터와 라벨 데이터는 서로 매칭될 수 있다. 즉 n번째 입력 데이터에 대한 정답이 n번째 라벨 데이터에 해당할 수 있다.
신경망의 히든 레이어는 노드들을 포함하며, 노드들은 가중치(weight)를 갖는다. 노드들의 가중치는 트레이닝 단계에서 학습을 통해 결정/조정될 수 있다. 신경망은 라벨 데이터와 출력 데이터의 차이가 적어지도록 각 노드들의 가중치들을 조정할 수 있다. 노드들에 대한 적어도 하나의 가중치를 신경망의 파라미터로 지칭할 수도 있다. 즉, 시스템/신경망은 각각의 입력 데이터, 출력 데이터 및 라벨 데이터에 대해 신경망의 파라미터 조정을 수행할 수 있으며, 이러한 파라미터 조정은 트레이닝 데이터에 포함된 입력 데이터, 출력 데이터 및 라벨 데이터의 수만큼 반복 수행될 수 있다.
도 2의 실시 예에서, 신경망은 (1,3,0,6,5,4,7,2)를 입력 데이터로, (0,0,1,0)을 정답 데이터로 사용하여 학습된다. 입력 데이터에 대해 (0.1,0.2,0.6,0.1)이 출력되고, 신경망은 정답 데이터를 참고하여 신경망의 파라미터를 조정할 수 있다.
본 발명의 실시 예에서, 입력 데이터는 태양광 발전 모듈, 접속반, 인버터 및/또는 수배전반의 전압, 전류, 온도, 결로(수분), 누전, 지진(진동), 연기 및/또는 아크 데이터가 사용되고, 정답 데이터로는 "화재 예측" 또는 "화재 발생"이 사용될 수 있다.
도 3은 본 발명의 실시 예에 따른 인공 지능 시스템의 학습 방법을 나타낸다.
본 발명의 실시 예에 따른 인공 지능 시스템은 신경망을 포함하며, 입력 데이터 및 정답 데이터에 의해 학습될 수 있다. 입력 데이터로서는 기존에 화재가 발생되었던 데이터가 사용될 수 있다. 그리고 정답 데이터로서는 기존에 발생된 화재 데이터가 사용될 수 있다. 일례로, 전압, 전류, 온도, 결로(수분), 누전(누설) 등의 데이터가 입력 데이터로 사용될 수 있다. 추가적으로, 지진, 연기, 아크 등의 데이터도 입력 데이터로 사용될 수 있다.
일부 예들에서, 특정 전압, 전류 및/또는 누전 상태에서 "화재"로 판정을 받을 경우, 그에 해당하는 전압, 전류 및/또는 누전 데이터가 입력 데이터로 사용되고, "화재"가 정답 데이터로 사용될 수 있다. 또한, 추가적으로 특정 온도, 결로, 연기, 아크 상태에서 "화재"로 판정을 받을 경우, 그에 해당하는 온도, 결로, 연기, 아크가 입력 데이터로 사용되고, "화재"가 정답 데이터로 사용될 수 있다.
인공 지능 시스템이 충분히 학습된 후, 새로운 센싱 데이터를 입력하면, 해당 센싱 데이터에 대한 "화재 예측" 또는 "화재 발생"이 출력될 수 있다. 일부 예들에서, 전압 및/또는 전류의 입력 데이터만으로 "화재 예측" 또는 "화재 발생"의 정답 데이터를 학습하는 것이 가장 저렴하게 시스템을 구축하는 방법일 수 있다. 즉, 전압 및/또는 전류의 데이터는 기존 태양광 발전 장치에서도 센싱되고 있던 데이터이나, 온도, 결로, 누전, 지진, 연기, 아크 등의 데이터는 이에 대응하는 센서를 추가해야 얻을 수 있기 때문에 장치가 복잡해질 수 있다. 또한, 이에 대한 딥러닝을 위해 많은 데이터 및 신경망이 요구되기 때문이다. 일부 예들에서, 전압 및/또는 전류의 입력 데이터를 이용하여 화재 예측 또는 화재 발생의 정답 데이터를 학습하고, 추가 분석이 필요한 경우 온도, 결로, 누전, 지진, 연기 및/또는 아크의 데이터를 추가적으로 입력함으로써, 화재 발생 여부의 정확성 및 효율성을 향상시킬 수 있다.
도 4는 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템(100)의 전체 구성을 도시한 블럭도이다.
도 4에 도시된 바와 같이, 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템(100)은 태양광 발전 모듈(110), 제1스위치(120), 접속반(130), 인버터(140), 수배전반(150), 제2스위치(160), 그리드(170) 및 인공 지능 시스템을 갖는 태양광 모니터링부(190)를 포함할 수 있다.
일부 예들에서, 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템(100)은 인터넷망(201), 서버(202) 및 모바일 단말기(203)를 더 포함할 수 있다.
일부 예들에서, 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템(100)은 태양광 발전 모듈(110)과 제1스위치(120)의 사이에 연결된 에너지 저장 시스템(예를 들면, 컨버터와 배터리를 포함함)을 더 포함할 수 있다.
태양광 발전 모듈(110)은 발전 전력을 그리드(170)에 공급할 수 있다. 일부 예들에서, 태양광 발전 모듈(110)은 발전 전력을 상술한 에너지 저장 시스템이나 전기/전자 제품에 공급할 수도 있다.
그리드(170)는 발전소, 변전소, 송전선 등을 구비할 수 있다. 그리드(170)는 정상 상태인 경우, 에너지 저장 시스템이나 전기/전자 제품에 전력을 공급할 수 있다. 또한 그리드(170)는 태양광 발전 모듈(110)이나 에너지 저장 시스템으로부터 전력을 공급받을 수 있다. 그리드(170)가 비정상 상태인 경우(예를 들면, 지락 고장 또는 정전 발생 시), 그리드(170)로부터 에너지 저장 시스템/전기/전자 제품으로의 전력 공급은 중단될 수 있고, 에너지 저장 시스템으로부터 그리드(170)로의 전력 공급 또한 중단될 수 있다. 전기/전자 제품은 태양광 발전 모듈(110)에서 생산된 전력, 에너지 저장 시스템에 저장된 전력, 및/또는 그리드(170)로부터 공급된 전력을 소비할 수 있다.
제1스위치(120)는 태양광 발전 모듈(120)과 접속반(130) 사이의 직류 선로에 연결될 수 있다. 제1스위치(120)는 고전류를 단속할 수 있는 릴레이를 포함할 수 있다. 제1스위치(120)는 태양광 모니터링부(190)의 제어 신호에 의해 턴온/턴오프될 수 있다. 일부 예들에서, 태양광 모니터링부(190)는 센싱된 전압, 전류, 온도, 결로, 누전, 지진, 연기 및/또는 아크 데이터에 대하여 내장된 인공 지능 시스템이 화재가 예측되는 것으로 판단하면, 제1스위치(120)에 트립 신호를 전송하여 턴오프할 수 있다.
접속반(130)은 제1스위치(120)에 직류 선로를 통하여 연결될 수 있다. 일반적으로 직류 링크 전압은 태양광 발전 모듈(110) 또는 그리드(170)에서의 순시 전압 강하, 전기/전자 제품의 급격한 부하 변화나 높은 부하량 요구 등으로 인하여 불안정해지는 경우가 있는데, 직류 링크 전압은 인버터(140)의 정상 동작을 위하여 안정화되어야 한다. 접속반(130)은 제1스위치(120)와 인버터(140) 사이에 연결되어 직류 링크 전압을 일정하게 유지시킨다. 접속반(130)은, 예를 들어, 2개 이상의 대용량 커패시터 등을 더 포함할 수 있다.
인버터(140)는 직류 선로를 통하여 접속반(130)에 연결될 수 있다. 인버터(140)는 접속반(130)과 수배전반(150) 사이에 연결되는 전력 변환 장치이다. 인버터(140)는 접속반(130)으로부터의 직류 출력 전압을 그리드(170)의 교류 전압으로 변환하는 인버터 유닛을 포함할 수 있다. 태양광 발전 장치가 에너지 저장 시스템을 포함할 경우, 인버터(140)는 그리드(170)의 전력을 에너지 저장 시스템에 저장하기 위하여, 그리드(170)의 교류 전압을 정류하고 직류 링크 전압으로 변환하여 출력하는 정류 회로를 포함할 수 있다. 즉, 인버터(140)는 입력과 출력의 방향이 변할 수 있는 양방향 인버터 유닛일 수 있다.
인버터(140)는 그리드(170)로 출력되는 교류 전압에서 고조파를 제거하기 위한 필터를 포함할 수 있다. 또한 인버터(140)는 무효 전력 손실을 억제하기 위하여 인버터(140)로부터 출력되는 교류 전압의 위상과 그리드(170)의 교류 전압의 위상을 동기화시키기 위한 위상 동기 루프(PLL) 회로를 포함할 수 있다. 그 밖에, 인버터(140)는 전압 변동 범위 제한, 역률 개선, 직류 성분 제거, 과도현상(transient phenomena)에 대한 보호 등과 같은 기능을 수행할 수 있다. 인버터(140)는 사용되지 않을 때, 전력 소비를 최소화하기 위하여 동작을 중지시킬 수도 있다.
일부 예들에서, 제1스위치(120)는 접속반(130) 및/또는 인버터(140)에 내장될 수 있다. 또한, 일부 예들에서, 접속반(130)은 인버터(140)에 내장될 수도 있다.
일부 예들에서, 인버터(140)는 전력 변환부를 더 포함할 수 있다. 전력 변환부는 제1스위치(120) 및/또는 접속반(130)을 통하여 태양광 발전 모듈(110)에 전기적으로 연결될 수 있다. 전력 변환부는 태양광 발전 모듈(110)에서 발전한 전력을 인버터(140)로 전달할 수 있다. 전력 변환부는 태양광 발전 모듈(110)의 직류 전력의 전압 레벨을 접속반(130)이나 인버터(140)의 직류 전력의 전압 레벨로 변환하기 위한 컨버터를 포함할 수 있다. 특히, 전력 변환부는 일사량, 온도 등의 상태 변화에 따라서 태양광 발전 모듈(110)에서 생산하는 전력을 최대로 얻을 수 있도록 최대 전력 포인트 추적(Maximum Power Point Tracking) 제어를 수행하는 MPPT 컨버터를 포함할 수 있다. 전력 변환부는 태양광 발전 모듈(110)에서 발전되는 전력이 없을 때에는 소비 전력을 최소화시키기 위하여 동작을 중지할 수도 있다.
수배전반(150)은 교류 선로를 통하여 인버터(140)에 연결될 수 있다. 여기서, 태양광 발전 모듈(110) 및/또는 그리드(170)(예를 들면, 발전소)에서 생산된 전력을 받는 것을 "수전"이라고 하고, 각각의 수용가에서 필요로 하는 만큼의 전력량으로 분배해주는 것을 "배전"이라고 한다. 따라서, 수배전반(150)은 태양광 발전 모듈(110) 및/또는 그리드(170)로 생산된 전력을 수용가까지 보내주는 전기 설비와 관련된 기자재(전력기기)를 포함하는 전기용 판넬을 포함할 수 있다. 일부 예들에서, 수배전반(150)은 자체적으로 전력기기의 운전, 정지, 개폐 상태를 표시하고, 이상 발생 시 경보를 울려주는 감시기능전력기기의 운전을 수동, 자동 변환시키면서 운전시킬 수 있으며 이상 발생 시 제어 기능을 가질 수 있다. 또한, 수배전반(150)은 부하 또는 기기의 계기 상태를 파악하고 측정하는 계측 기능도 가질 수 있다. 더불어, 수배전반(150)은 측정값을 자동 기록하고, 데이터를 집계하여 사용량을 기록하는 기능도 가질 수 있다.
제2스위치(160)는 수배전반(150)과 그리드(170) 사이에 교류 선로에 연결될 수 있다. 제2스위치(160)는 고전류를 단속할 수 있는 릴레이를 포함할 수 있다. 제2스위치(160)는 태양광 모니터링부(190)의 제어 신호에 의해 턴온/턴오프될 수 있다. 일부 예들에서, 태양광 모니터링부(190)는 센싱된 전압, 전류, 온도, 결로, 누전, 지진, 연기 및/또는 아크 데이터에 대하여 내장된 인공 지능 시스템에서 화재를 예측하면, 제2스위치(160)를 트립 신호로 턴오프할 수 있다.
인공 지능 시스템을 내장한 태양광 모니터링부(190)는 태양광 발전 모듈(110), 접속반(130), 인버터(140), 수배전반(150) 및 그리드(170)를 모니터링할 뿐만 아니라, 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)의 전압, 전류, 온도, 결로, 누전, 지진, 연기 및/또는 아크를 센싱하여 입력 데이터로 받아들이고, 내장된 인공 지능 시스템이 모델링된 결과에 따라 이를 처리하여 화재 가능성을 예측(화재 예측 또는 화재 발생)한다. 인공 지능 시스템이 화재가 발생할 것으로 예측하면, 태양광 모니터링부(190)가 제1스위치(120) 및 제2스위치(160)를 동시에 또는 순차적으로 턴오프하고, 인공 지능 시스템이 화재가 발생한 것으로 예측하면, 태양광 모니터링부(190)가 제1,2스위치(120,160)을 턴오프할 뿐만 아니라 소화부를 동작시킬 수 있다.
이와 같이, 태양광 모니터링부(190)는 인공 지능 시스템이 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)에서 화재가 발생할 것으로 예측하면, 제1스위치(120) 및/또는 제2스위치(160)를 턴오프할 수 있다. 이에 따라, 본 발명의 실시 예는 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)의 화재 발생을 미연에 방지하거나 화재가 확장되는 현상을 방지할 수 있다. 더욱이, 태양광 모니터링부(190)는 인공 지능 시스템이 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)에서 화재가 발생한 것으로 예측하면, 제1스위치(120) 및/또는 제2스위치(160)를 턴오프할 뿐만 아니라 소화부(도 5 참조)를 동작시켜 화재를 진압할 수 있다. 이에 따라, 본 발명의 실시 예는 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)의 화재를 신속히 진압할 수 있다.
일부 예들에서, 태양광 모니터링부(190)는 예측 결과 및/또는 센싱 결과에 따라 태양광 발전 모듈(110), 접속반(130), 인버터(140), 수배전반(150), 제1스위치(120) 및/또는 제2스위치(160)의 동작을 직접 제어할 수도 있다. 더불어, 태양광 모니터링부(190)는 그리드(170)에 정전이 발생하였는지 여부 또는 지락 고장이 발생하였는지 여부, 태양광 발전 모듈(110)에서 전력이 발전되는지 여부, 태양광 발전 모듈(110)에서 전력을 발전하는 경우 그 발전량, 에너지 저장 시스템의 충전 상태, 전기/전자 제품의 소비 전력량, 타임 등을 모니터링 할 수 있다. 또한 태양광 모니터링부(190)는, 예를 들어 그리드(170)에 정전이 발생하는 등, 전기/전자 제품으로 공급할 전력이 충분하지 않은 경우에는 전기/전자 제품에 대하여 우선 순위를 정하고, 우선 순위가 높은 전력 사용 기기로 전력을 공급하도록 전기/전자 제품을 제어할 수도 있다.
일부 예들에서, 태양광 모니티링부(190)는 그리드(170)에서 지락 또는 정전이 발생한 경우, 제2스위치(160)를 턴오프 상태로 하고 제1스위치(120)를 턴온 상태로 한다. 즉, 태양광 발전 모듈(110) 및/또는 에너지 저장 시스템으로부터의 전력을 전기/전자 제품에 공급하는 동시에, 전기/전자 제품으로 공급되는 전력이 그리드(170)로 흐르는 것을 방지한다. 태양광 발전 모듈(110) 등이 지락 고장 또는 정전이 발생한 그리드(170)와 단절되어 그리드(170)로 전력을 공급하는 것을 방지한다. 이로 인하여 그리드(170)의 전력선 등에서 작업하는, 예를 들어 그리드(170)의 정전을 수리하는 인부가 태양광 발전 모듈(110)로부터의 전력에 의하여 감전되는 등의 사고를 방지할 수 있게 한다.
또한, 본 발명의 실시 예는 태양광 모니터링부(190)가 인터넷망(201)을 통하여 중앙 관리 서버(202) 및 모바일 단말기(203)에 연결된 구성을 포함할 수 있다. 일부 예들에서, 태양광 모니터링부(190)은 전압, 전류, 온도, 결로, 누전, 지진, 연기, 아크, 제1,2스위치(120,160)의 턴오프 여부 및 소화부의 동작 여부에 대한 정보를 인터넷망(201)을 통하여 서버(202) 및 모바일 단말기(203)에 전송할 수 있다.
도 5는 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템(100)중 일부 구성을 도시한 블럭도이다.
도 5에 도시된 바와 같이, 본 발명의 실시 예에 따른 화재 예측과 차단이 가능한 태양광 발전 시스템(100)은 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)에 각각 설치된 전압 센서(191), 전류 센서(192), 온도 센서(193), 결로 센서(194), 누전 센서(195), 지진 센서(196), 연기 센서(197) 및/또는 아크 센서(198)를 더 포함할 수 있다.
일부 예들에서, 전압 센서(191), 전류 센서(192), 온도 센서(193), 결로 센서(194), 누전 센서(195), 지진 센서(196), 연기 센서(197) 및/또는 아크 센서(198)는 센싱 정보를 태양광 모니터링부(190)의 인공 지능 시스템에 입력 데이터로서 전송하고, 이에 따라 인공 지능 시스템은 모델링 또는 학습 결과에 기반하여 화재를 예측하고, 화재 예측 결과에 따라 제1스위치(120) 및/또는 제2스위치(160)의 턴온/턴오프 상태를 제어한다.
또한, 본 발명의 실시 예에 따른 태양광 발전 시스템의 화재 예측과 차단 장치(100)는 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)에 각각 설치된 소화부(199)를 더 포함하고, 이미 화재가 발생된 것으로 판단될 경우, 소화부(199)를 동작시켜 화재가 진압되도록 한다.
또한, 태양광 모니터링부(190)의 인공 지능 시스템은 전압, 전류, 온도, 결로, 누전, 지진, 연기, 아크, 제1,2스위치(120,160)의 턴오프 여부 및/또는 소화부(199)의 동작 여부를 인터넷망(201)을 통해 서버(202) 및/또는 모바일 단말기(203)에 전송할 수 있다.
일부 예들에서, 태양광 모니터링부(190)는 인공 지능 시스템의 출력 데이터에 부가적으로, 전압 센서(191)에 의한 전압이 제1설정값(예를 들면, 0V 또는 0V에 근접한 전압이거나, 또는 MPPT 점이 아닌 비정상적인 전압값, 또는 급격한 전압 변화량(기울기)이 제1설정값으로 미리 설정될 수 있음)으로 센싱되고(예를 들면, 전력 반도체의 파손 시 순간적으로 전압이 변화하며, 이를 센싱할 수 있음), 전류 센서(192)에 의한 전류가 제2설정값(예를 들면, 최대 전류값 또는 최대 전류값에 근접한 전류)으로 센싱될 때 고장 전류가 발생된 것으로 판단하여, 제1스위치(120) 및/또는 제2스위치(160)를 제어 신호로 턴오프할 수 있다.
일부 예들에서, 누전 센서(195)는 태양광 발전 모듈(110)과 제1스위치(120)를 연결하는 직류 선로, 제1스위치(120)와 접속반(13)을 연결하는 직류 선로, 접속반(130)과 인버터(140)를 연결하는 직류 선로, 인버터(140)와 수배전반(150)을 연결하는 교류 선로, 수배전반(150)과 제2스위치(160)를 연결하는 교류 선로, 수배전반(150)과 그리드(170)를 연결하는 교류 선로에 각각 설치될 수 있다. 일부 예들에서, 태양광 모니티렁부(190)는 인공 지능 시스템의 출력 데이터에 부가적으로, 누전 센서(195)에 의한 누설 전류가 제3설정값으로 센싱될 경우, 고장 전류가 발생된 것으로 판단하여, 제1스위치(120) 및/또는 제2스위치(160)를 제어 신호로 턴오프할 수 있다.
온도 센서(193), 결로 센서(194) 및 지진 센서(196)는 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)의 온도, 습도(수분), 진동을 센싱하여 태양광 모니터링부(190)의 인공 지능 시스템에 입력한다. 또한, 연기 센서(197) 및 아크 센서(198)는 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)의 연기 및 불꽃을 센싱하여 태양광 모니터링부(190)의 인공 지능 시스템에 입력한다.
도 6은 본 발명의 실시 예에 따른 태양광 발전 시스템의 화재 예측과 차단 방법을 도시한 순서도이다.
도 6에 도시된 바와 같이, 본 발명의 실시 예에 따른 태양광 발전 시스템의 화재 예측과 차단 방법은 센싱 데이터 입력 단계(S61), 인공 지능 시스템 동작 단계(S62), "화재가 예측됨"의 출력 데이터 판단 단계(S63), 제1,2스위치 턴오프 단계(S64), "화재가 발생됨"의 출력 데이터 판단 단계(S65) 및 제1,2스위치 턴오프와 소화부 동작 단계(S66)를 포함할 수 있다. 일부 예들에서, 본 발명의 실시 예는 정보 전송 단계를 더 포함할 수 있다. 여기서, 제어의 주체는 인공 지능 시스템을 갖는 태양광 모니터링부(190)이다.
센싱 데이터 입력 단계(S61)에서, 태양광 모니터링부(190)는 태양광 발전 모듈(110), 접속반(130), 인버터(140) 및/또는 수배전반(150)에 각각 설치된 전압 센서(191), 전류 센서(192), 온도 센서(193), 결로 센서(194), 누전 센서(195), 지진 센서(196), 연기 센서(197) 및/또는 아크 센서(198)로부터 센싱된 전압, 전류, 온도, 결로, 누전, 지진, 연기 및/또는 아크에 관련된 데이터를 입력 데이터로서 입력받는다.
인공 지능 시스템 동작 단계(S62)에서, 태양광 모니터링부(190)에 포함된 인공 지능 시스템은 전압, 전류, 온도, 결로, 누전, 지진, 연기 및/또는 아크에 관련된 데이터를 모델링 또는 학습된 알고리즘대로 처리하여 출력 데이터를 결정한다.
"화재가 예측됨"의 출력 데이터 판단 단계(S63)에서, 태양광 모니터링부(190)는 인공 지능 시스템에 의한 출력 데이터가 "화재가 예측됨"인지 아닌지 판단한다.
일부 예들에서, "화재가 예측됨"은 화재가 발생될 가능성이 높은 것을 의미하고, "화재가 발생됨"은 화재가 시작된 것을 의미할 수 있다. 일례로, 입력 데이터에 연기 및/또는 아크에 관련된 데이터가 없다면, "화재가 예측됨"으로 출력될 수 있고, 입력 데이터에 연기 및/또는 아크에 관련된 데이터가 있다면, "화재가 발생됨"으로 출력될 수 있다.
"화재가 예측됨"의 출력 데이터 판단 단계(S63)에서, 태양광 모니터링부(190)는 인공 지능 시스템이 "화재가 예측됨"으로 출력할 경우 단계(S64)를 수행하고, 아닐 경우 단계(S65)를 수행한다.
제1,2스위치 턴오프 단계(S64)에서, 태양광 모니터링부(190)는 제1,2스위치(120,160)에 트립 신호를 인가하여 턴오프되도록 한다. 이에 따라서, 접속반(130), 인버터(140) 및 수배전반(150)은 직류 선로 및 교류 선로부터 전기적으로 완전히 분리된 상태가 된다. 따라서, 접속반(130), 인버터(140) 및/또는 수배전반(150)에 전원 공급이 완전히 차단됨으로써, 화재 발생이 미연에 방지될 수 있다.
"화재가 발생됨"의 출력 데이터 판단 단계(S65)에서, 태양광 모니터링부(190)는 인공 지능 시스템에 의한 출력 데이터가 "화재가 발생됨"인지 아닌지 판단한다.
"화재가 발생됨"의 출력 데이터 판단 단계(S65)에서, 태양광 모니터링부(190)는 인공 지능 시스템이 "화재가 발생됨"으로 출력할 경우 단계(S66)를 수행하고, 아닐 경우 단계(S61)를 수행한다.
제1,2스위치 턴오프 및 소화부 동작 단계(S65)에서, 태양광 모니터링부(190)는 제1,2스위치(120,160)에 트립 신호를 인가하여 턴오프되도록 하는 동시에, 소화부(199)에 동작 신호를 인가하여 동작되도록 한다. 이에 따라서, 접속반(130), 인버터(140) 및 수배전반(150)은 직류 선로 및 교류 선로로부터 전기적으로 완전히 분리된 상태가 될 뿐만 아니라, 소화부(199)로부터 소화재가 분사되어 화재가 진압될 수 있다.
한편, 전송 단계에서, 태양광 모니터링부(190)는 상술한 모든 상황을 인터넷망(201)을 통해 서버(202) 및 모바일 단말기(203)에 전송할 수 있다.
이와 같이 하여, 본 발명의 실시 예는 전기적 이상 발생 시 즉, 화재 전조 현상 발생 시 실제로 화재로 이어지기 전에 제1,2스위치(120,160)를 먼저 차단함으로써, 실제 화재로 이어지지 않도록 하거나, 또는 실제 화재 발생 시 소화부(199)까지 동작시킴으로써, 화재를 신속히 진압할 수 있다.
도 7은 본 발명의 실시 예에 따른 태양광 발전 시스템(100)의 동작을 도시한 그래프이다. 여기서, 도 7에 도시된 동작은 인공 지능 시스템의 동작에 추가적으로 태양광 모니터링부(190)가 누전 센서(195)로부터 전류값 및 전압값을 입력받아 수행될 수 있다. 일부 예들에서, 누전 센서(195) 대신 전압 센서(191) 및 전류 센서(192)로부터 획득한 전압값 및 전류값이 이용될 수 있다.
태양광 모니터링부(190)는 태양광 발전 모듈(110)과 접속반(130)을 연결하는 직류 선로 및 접속반(130)과 인버터(140)를 연결하는 직류 선로에 각각 설치된 누전 센서(195)로부터 전류값을 입력받되, 현재 전류값에서 직전 전류값을 뺀 차감값이 미리 설정된 트립값보다 큰지 판단하고, 차감값이 미리 설정된 트립값보다 큰 경우, 차감값의 크기를 전류값이 증가하는 데에 걸린 시간으로 나눈 전류 기울기가 미리 설정된 트립 기울기보다 큰지 판단하여, 전류 기울기가 미리 설정된 트립 기울기보다 큰 경우 제1스위치(120)를 턴오프함으로써, 직류 선로에 고장 전류가 흐르지 않도록 한다. 이와 같이 하여, 본 발명에서 제1스위치(120)를 턴오프시키는 트립 전류(예를 들면, 5A)를 기존 트립 전류(예를 들면, 10A)에 비해 민감하면서도 신속하게 동작하도록 하여, 직류 선로에 연결된 각종 전장품(예를 들면, 접속반이나 인버터)의 화재를 신속히 방지 및 차단할 수 있다.
또한, 태양광 모니터링부(190)는 인버터(140)와 수배전반(150)을 연결하는 교류 선로 및 수배전반(150)과 그리드(170)를 연결하는 교류 선로에 각각 설치된 누전 센서(195)로부터 전류값 및 전압값을 입력받되, 현재 전류값에서 직전 전류값을 뺀 차감값이 미리 설정된 트립값보다 큰지 판단하고, 차감값이 미리 설정된 트립값보다 큰 경우, 차감값의 크기를 전류값이 증가하는 데에 걸린 시간으로 나눈 전류 기울기가 미리 설정된 트립 기울기보다 큰지 판단하고, 전류 기울기가 미리 설정된 트립 기울기보다 큰 경우, 직전 전압값과 직전 전류값의 위상차가 직전 전압값과 직전 전류값의 위상차와 다른 경우 제2스위치(160)를 턴오프함으로써, 교류 선로에 고장 전류가 흐르지 않도록 한다. 이와 같이 하여, 본 발명에서 제2스위치(160)를 턴오프시키는 전류를 기존 트립 전류에 비해 민감하면서도 신속하게 동작하도록 한다. 더욱이, 트립값 및 트립 기울기 외에 추가적으로 전압과 전류 사이의 위상차까지 비교해봄으로써, 저항 성분 외에 코일 성분이나 캐패시터 성분에 의한 고장 전류의 유무를 판단하여, 교류 선로에 연결된 각종 전장품(예를 들면, 인버터 및 수배전반)의 화재를 신속히 방지 및 차단할 수 있다.
이와 같이 하여, 본 발명의 실시예에서는 불평형 전류를 배제하고 순수한 고장 전류만을 추출하여 제1,2스위치(120,160)의 턴오프 작동값을 예민하게 조정할 수 있고, 특히, 고저항 누전이나 고저항 지락 시에도 민감하게 고장을 검출하여 제1,2스위치(120,160)를 턴오프시켜 시스템을 안전하게 보할 수 있도록 한다.
이상에서 설명한 것은 본 발명에 따른 화재 예측 및 차단이 가능한 태양광 발전 시스템을 실시하기 위한 하나의 실시 예에 불과한 것으로서, 본 발명은 상기한 실시 예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 바와 같이 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능한 범위까지 본 발명의 기술적 정신이 있다고 할 것이다.
100; 태양광 발전 시스템
110; 태양광 발전 모듈 120; 전력 변환부
120; 제1스위치 130; 접속반
140; 인버터 150; 수배전반
160; 제2스위치 170; 그리드
190; 태양광 모니터링부 191; 전압 센서
192; 전류 센서 193; 온도 센서
194; 결로 센서 195; 누전 센서
196; 지진 센서 197; 연기 센서
198; 아크 센서 199; 소화부
201; 인터넷망 202; 서버
203; 모바일 단말기
110; 태양광 발전 모듈 120; 전력 변환부
120; 제1스위치 130; 접속반
140; 인버터 150; 수배전반
160; 제2스위치 170; 그리드
190; 태양광 모니터링부 191; 전압 센서
192; 전류 센서 193; 온도 센서
194; 결로 센서 195; 누전 센서
196; 지진 센서 197; 연기 센서
198; 아크 센서 199; 소화부
201; 인터넷망 202; 서버
203; 모바일 단말기
Claims (8)
- 태양광 발전 모듈;
태양광 발전 모듈에 전기적으로 연결된 접속반;
접속반에 전기적으로 연결된 인버터;
인버터와 그리드 사이에 전기적으로 연결된 수배전반;
태양광 발전 모듈과 접속반 사이에 전기적으로 연결된 제1스위치;
수배전반과 그리드 사이에 전기적으로 연결된 제2스위치; 및
태양광 발전 모듈, 접속반, 인버터 및 수배전반의 전압, 전류, 온도, 결로, 누전, 지진, 연기 및 아크를 센싱하고, 센싱된 데이터를 입력 데이터로 하여 학습이 완료된 인공 지능 시스템에 입력하는 태양광 모니터링부를 포함하고,
태양광 발전 모듈, 접속반, 인버터 및 수배전반은 각각 전압 센서, 전류 센서, 온도 센서, 결로 센서, 누전 센서, 지진 센서, 연기 센서, 아크 센서 및 소화부를 더 포함하며,
인공 지능 시스템은 화재 예측 데이터와 화재 발생 데이터 중 적어도 하나만을 출력하고,
태양광 모니터링부는, 인공 지능 시스템이 출력 데이터로서 화재 예측 데이터를 출력하면 제1스위치 및 제2스위치를 모두 턴오프하고, 인공 지능 시스템이 출력 데이터로서 화재 발생 데이터를 출력하면, 제1스위치 및 제2스위치를 모두 턴오프하는 동시에 소화부도 동작시키며,
누전 센서는 태양광 발전 모듈과 접속반을 연결하는 직류 선로, 접속반과 인버터를 연결하는 직류 선로, 인버터와 수배전반을 연결하는 교류 선로, 그리고 수배전반과 그리드를 연결하는 교류 선로에 각각 설치되고,
태양광 모니터링부는 태양광 발전 모듈과 접속반을 연결하는 직류 선로 및 접속반과 인버터를 연결하는 직류 선로에 각각 설치된 누전 센서로부터 전류값을 입력받되, 현재 전류값에서 직전 전류값을 뺀 차감값이 미리 설정된 트립값보다 큰지 판단하고, 차감값이 미리 설정된 트립값보다 큰 경우, 차감값의 크기를 전류값이 증가하는 데에 걸린 시간으로 나눈 전류 기울기가 미리 설정된 트립 기울기보다 큰지 판단하여, 전류 기울기가 미리 설정된 트립 기울기보다 큰 경우 제1스위치를 턴오프하고,
태양광 모니터링부는 인버터와 수배전반을 연결하는 교류 선로 및 수배전반과 그리드를 연결하는 교류 선로에 각각 설치된 누전 센서로부터 전류값 및 전압값을 입력받되, 현재 전류값에서 직전 전류값을 뺀 차감값이 미리 설정된 트립값보다 큰지 판단하고, 차감값이 미리 설정된 트립값보다 큰 경우, 차감값의 크기를 전류값이 증가하는 데에 걸린 시간으로 나눈 전류 기울기가 미리 설정된 트립 기울기보다 큰지 판단하고, 전류 기울기가 미리 설정된 트립 기울기보다 큰 경우, 현재 전압값과 현재 전류값의 위상차가 직전 전압값과 직전 전류값의 위상차와 다른 경우 제2스위치를 턴오프하는, 태양광 발전 시스템. - 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
인터넷망, 서버 및 모바일 단말기를 더 포함하고,
태양광 모니터링부는 전압, 전류,온도, 결로, 누전, 지진, 연기 및 아크에 대한 데이터, 제1,2스위치의 턴오프 정보 및 소화부의 동작 정보를 인터넷망을 통하여 서버 및 모바일 단말기에 전송하는, 태양광 발전 시스템. - 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200148932A KR102228089B1 (ko) | 2020-11-09 | 2020-11-09 | 화재 예측 및 차단이 가능한 태양광 발전 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200148932A KR102228089B1 (ko) | 2020-11-09 | 2020-11-09 | 화재 예측 및 차단이 가능한 태양광 발전 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102228089B1 true KR102228089B1 (ko) | 2021-03-15 |
Family
ID=75134407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200148932A KR102228089B1 (ko) | 2020-11-09 | 2020-11-09 | 화재 예측 및 차단이 가능한 태양광 발전 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102228089B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102300225B1 (ko) * | 2021-04-30 | 2021-09-09 | (주)이씨티 | 태양광 발전설비의 지능형 안전관리 시스템 및 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
| KR20220128737A (ko) * | 2021-03-15 | 2022-09-22 | 전북대학교산학협력단 | 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법 및 시스템 |
| KR102484559B1 (ko) * | 2021-11-24 | 2023-01-04 | 박영민 | 자가 진단 기능을 가지는 배전반 시스템 |
| KR102507187B1 (ko) * | 2022-06-28 | 2023-03-09 | 탑인더스트리(주) | 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101560345B1 (ko) * | 2015-06-12 | 2015-10-20 | (주)세진엔지니어링 | 태양광 발전시스템 |
| KR101645656B1 (ko) * | 2016-04-15 | 2016-08-05 | 곽철원 | 방재 기능을 구비한 태양광 발전 시스템 |
| KR101920065B1 (ko) * | 2018-03-20 | 2018-11-20 | 주식회사 케이엠테크 | 전기화재 감지기능을 구비한 태양광 접속반 |
| KR102084784B1 (ko) * | 2019-09-23 | 2020-05-26 | 주식회사 아이팔 | 머신러닝기반 태양광발전운영 관리방법 |
| KR20200114130A (ko) * | 2019-03-27 | 2020-10-07 | 한국전기연구원 | 태양광 발전 고장 진단 방법 및 시스템 |
-
2020
- 2020-11-09 KR KR1020200148932A patent/KR102228089B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101560345B1 (ko) * | 2015-06-12 | 2015-10-20 | (주)세진엔지니어링 | 태양광 발전시스템 |
| KR101645656B1 (ko) * | 2016-04-15 | 2016-08-05 | 곽철원 | 방재 기능을 구비한 태양광 발전 시스템 |
| KR101920065B1 (ko) * | 2018-03-20 | 2018-11-20 | 주식회사 케이엠테크 | 전기화재 감지기능을 구비한 태양광 접속반 |
| KR20200114130A (ko) * | 2019-03-27 | 2020-10-07 | 한국전기연구원 | 태양광 발전 고장 진단 방법 및 시스템 |
| KR102084784B1 (ko) * | 2019-09-23 | 2020-05-26 | 주식회사 아이팔 | 머신러닝기반 태양광발전운영 관리방법 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220128737A (ko) * | 2021-03-15 | 2022-09-22 | 전북대학교산학협력단 | 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법 및 시스템 |
| KR102573144B1 (ko) * | 2021-03-15 | 2023-09-01 | 전북대학교산학협력단 | 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법 및 시스템 |
| KR102300225B1 (ko) * | 2021-04-30 | 2021-09-09 | (주)이씨티 | 태양광 발전설비의 지능형 안전관리 시스템 및 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
| KR102484559B1 (ko) * | 2021-11-24 | 2023-01-04 | 박영민 | 자가 진단 기능을 가지는 배전반 시스템 |
| WO2023095949A1 (ko) * | 2021-11-24 | 2023-06-01 | 박영민 | 자가 진단 기능을 가지는 배전반 및 배전반 시스템 |
| KR102507187B1 (ko) * | 2022-06-28 | 2023-03-09 | 탑인더스트리(주) | 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102228089B1 (ko) | 화재 예측 및 차단이 가능한 태양광 발전 시스템 | |
| CN108333491B (zh) | 发电系统中的电弧检测及预防 | |
| US8200372B2 (en) | Methods and processes for managing distributed resources in electricity power generation and distribution networks | |
| KR102229278B1 (ko) | 그룹화 관리 및 차단기 이원화가 가능한 태양광 발전 시스템 | |
| Zio et al. | Vulnerability of smart grids with variable generation and consumption: A system of systems perspective | |
| KR102228090B1 (ko) | 이상 상태의 신속한 차단이 가능한 태양광 발전 시스템 | |
| Singh et al. | Decision tree based anomaly detection for remedial action scheme in smart grid using PMU data | |
| US20150092311A1 (en) | Methods, systems, and computer readable media for protection of direct current building electrical systems | |
| KR102257375B1 (ko) | 지능형 안전관리가 가능한 태양광 접속반 | |
| CN106655158A (zh) | 一种基于智能电网的配电网自愈控制系统和方法 | |
| Negnevitsky et al. | Development of an intelligent system for preventing large-scale emergencies in power systems | |
| CN101986358A (zh) | 一种融合神经网络和模糊控制的电气火灾智能报警方法 | |
| KR102054613B1 (ko) | 태양광 접속반의 화재 모니터링 시스템 및 방법 | |
| CN111967738B (zh) | 一种电网信息能量融合系统的风险预警方法、系统和介质 | |
| Hosseini et al. | Quantifying impacts of automation on resilience of distribution systems | |
| RU2747622C2 (ru) | Способ управления распределительной электрической микросетью, носитель информации, компьютерное устройство и устройство управления | |
| Das et al. | Prediction and control of transient stability using system integrity protection schemes | |
| Zhao | Fault detection, classification and protection in solar photovoltaic arrays | |
| Uzair et al. | A protection scheme for AC microgrids based on multi-agent system combined with machine learning | |
| JP2006304403A (ja) | 配電系統監視制御装置と方法、プログラム | |
| Naderi et al. | Experimental validation of a remedial action via Hardware-in-the-Loop System against cyberattacks targeting a lab-scale PV/Wind Microgrid | |
| KR20220064575A (ko) | Ess 화재 예방 시스템 및 그 방법 | |
| Cannas et al. | Neural networks for power system condition monitoring and protection | |
| Jian et al. | Optimal dispatch strategy analysis of fire extinguishing equipment for electric grid wildfire based on dynamic game | |
| Meraj et al. | Studying the impacts of cyber-attack on smart grid |
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 |