KR102245804B1 - 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치 - Google Patents

인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치 Download PDF

Info

Publication number
KR102245804B1
KR102245804B1 KR1020200107203A KR20200107203A KR102245804B1 KR 102245804 B1 KR102245804 B1 KR 102245804B1 KR 1020200107203 A KR1020200107203 A KR 1020200107203A KR 20200107203 A KR20200107203 A KR 20200107203A KR 102245804 B1 KR102245804 B1 KR 102245804B1
Authority
KR
South Korea
Prior art keywords
neural network
sunlight
amount
network model
generation amount
Prior art date
Application number
KR1020200107203A
Other languages
English (en)
Inventor
이경율
Original Assignee
주식회사 넥스트에이아이
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 넥스트에이아이 filed Critical 주식회사 넥스트에이아이
Priority to KR1020200107203A priority Critical patent/KR102245804B1/ko
Application granted granted Critical
Publication of KR102245804B1 publication Critical patent/KR102245804B1/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
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/76—Architectures of general purpose stored program computers
    • G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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
    • 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
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Inverter Devices (AREA)

Abstract

인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치가 개시된다. 일 실시예에 따른 태양광 접속반의 고장 진단 방법은 인버터의 실제 발전량을 획득하는 단계와, 일조량, 일조 시간, 강우량, 온도, 습도 및 태양의 고도를 학습된 예측 신경망 모델에 입력함으로써 상기 인버터의 예측 발전량을 예측하는 단계와, 상기 실제 발전량과 상기 예측 발전량을 비교하여 상기 인버터에 연결된 접속반의 고장 여부를 진단하는 단계와, 고장 진단 결과에 응답하여 상기 접속반에 대한 고장 경보를 전송하는 단계를 포함한다.

Description

인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치{A METHOD FOR DIAGNOSING A FAILURE OF A PHOTOVOLTAIC SOLAR CONNECTION BOARD USING AN ARTIFICIAL INTELLIGENCE, AND AN APPARATUSE PERFORMING THE SAME}
아래 실시예들은 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치에 관한 것이다.
접속반의 채널별로 고장을 진단하는 장치는 단가가 비싸고 소비전략이 많이 든다. 또한, 접속반의 전류와 전압을 측정하는 방식은 접속반에 별도의 장비를 설치하여야 하며, 접속반의 단가가 올라갈 수 밖에 없다.
관련 선행기술로, 한국 등록특허공보 제10-2004413호(발명의 명칭: 채널 감시형 접속반을 구비하는 태양광 발전 모니터링 시스템)가 있다.
실시예들은 인버터의 실제 발전량을 모니터링하고, 인공지능 기반으로 인버터의 예측 발전량을 예측함으로써, 인버터에 접속하는 태양광 접속반의 고장을 진단하는 기술을 제공할 수 있다.
실시예들은 단가가 저렴하며 기존 태양광 설비에도 적용할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 태양광 접속반의 고장 진단 방법은 인버터의 실제 발전량을 획득하는 단계와, 일조량, 일조 시간, 강우량, 온도, 습도 및 태양의 고도를 학습된 예측 신경망 모델에 입력함으로써 상기 인버터의 예측 발전량을 예측하는 단계와, 상기 실제 발전량과 상기 예측 발전량을 비교하여 상기 인버터에 연결된 접속반의 고장 여부를 진단하는 단계와, 고장 진단 결과에 응답하여 상기 접속반에 대한 고장 경보를 전송하는 단계를 포함한다.
상기 예측하는 단계는, 상기 실제 발전량의 획득에 응답하여 상기 인버터의 예측 발전량을 계산하는 단계를 포함할 수 있다.
상기 예측하는 단계는, 상기 일조량, 상기 일조 시간, 상기 강우량, 상기 온도, 및 상기 습도를 상기 학습된 예측 신경망 모델의 제1 예측 신경망 모델에 입력하는 단계와, 상기 제1 예측 신경망 모델의 출력 값과 상기 태양의 고도를 상기 학습된 예측 신경망 모델의 제2 예측 신경망 모델에 입력하는 단계와, 상기 제2 예측 신경망 모델의 출력 값을 상기 예측 발전량으로 출력하는 단계를 포함할 수 있다.
상기 진단하는 단계는, 상기 예측 발전량과 상기 실제 발전량 간의 차이를 지정된 오차와 비교하여 상기 고장 여부를 판단하는 단계를 포함할 수 있다.
상기 학습된 예측 신경망 모델은 기준 일조량을 기준으로 구분되는 학습 데이터에 기초하여 학습된 것이다.
상기 학습된 예측 신경망 모델은 상기 기준 일조량을 기준으로 구분되는 학습 데이터에 따라 가중치가 달리 학습된 것이다.
상기 기준 일조량은 맑은 날과 흐린 날의 기준이 되는 일조량인 것이다.
일 실시예에 따른 고장 진단 장치는 하나 이상의 인스트럭션을 저장하는 메모리와, 상기 인스트럭션을 실행시키기 위한 컨트롤러를 포함하고, 상기 인스트럭션이 실행될 때, 상기 컨트롤러는 인버터의 실제 발전량을 획득하고, 일조량, 일조 시간, 강우량, 온도, 습도 및 태양의 고도를 학습된 예측 신경망 모델에 입력함으로써 상기 인버터의 예측 발전량을 예측하고, 상기 실제 발전량과 상기 예측 발전량을 비교하여 상기 인버터에 연결된 접속반의 고장 여부를 진단하고, 고장 진단 결과에 응답하여 상기 접속반에 대한 고장 경보를 전송한다.
상기 컨트롤러는 상기 실제 발전량의 획득에 응답하여 상기 인버터의 예측 발전량을 계산할 수 있다.
상기 컨트롤러는 상기 일조량, 상기 일조 시간, 상기 강우량, 상기 온도, 및 상기 습도를 상기 학습된 예측 신경망 모델의 제1 예측 신경망 모델에 입력하고, 상기 제1 예측 신경망 모델의 출력 값과 상기 태양의 고도를 상기 학습된 예측 신경망 모델의 제2 예측 신경망 모델에 입력함으로써, 상기 제2 예측 신경망 모델의 출력 값을 상기 예측 발전량으로 출력할 수 있다.
상기 컨트롤러는 상기 예측 발전량과 상기 실제 발전량 간의 차이를 지정된 오차와 비교하여 상기 고장 여부를 판단할 수 있다.
상기 학습된 예측 신경망 모델은 기준 일조량을 기준으로 구분되는 학습 데이터에 기초하여 학습된 것이다.
상기 학습된 예측 신경망 모델은 상기 기준 일조량을 기준으로 구분되는 학습 데이터에 따라 가중치가 달리 학습된 것이다.
상기 기준 일조량은 맑은 날과 흐린 날의 기준이 되는 일조량인 것이다.
상기 학습된 예측 신경망 모델은 상기 메모리에 저장되거나, 상기 메모리와는 다른 메모리에 저장되거나, 상기 컨트롤러에 임베디드될 수 있다.
도 1은 일 실시예에 따른 태양광 시스템의 개략적인 블록도를 나타낸다.
도 2는 도 1에 도시된 고장 진단 장치의 개략적인 블록도이다.
도 3은 도1에 도시된 고장 진단 장치의 고장 경보 전송 동작을 설명하기 위한 순서도이다.
도 4는 일 실시예에 따른 신경망 예측 모델을 위한 신경망 구조의 일 예를 나타낸다.
도 5는 도 4에 도시된 신경망 구조로부터 신경망 예측 모델을 생성하기 위한 순서도를 나타낸다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
어느 하나의 실시 예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시 예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시 예에 기재한 설명은 다른 실시 예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.
본 명세서에서의 “기(~or)”는 본 명세서에서 설명되는 각 명칭에 따른 기능과 동작을 수행할 수 있는 하드웨어를 의미할 수도 있고, 특정 기능과 동작을 수행할 수 있는 컴퓨터 프로그램 코드를 의미할 수도 있고, 또는 특정 기능과 동작을 수행시킬 수 있는 컴퓨터 프로그램 코드가 탑재된 전자적 기록 매체, 예를 들어 프로세서 또는 마이크로 프로세서를 의미할 수 있다.
다시 말해, “기(~or)”란 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및/또는 하드웨어를 구동하기 위한 소프트웨어의 기능적 및/또는 구조적 결합을 의미할 수 있다.
도 1은 일 실시예에 따른 태양광 시스템의 개략적인 블록도를 나타낸다.
태양광 시스템(10)은 태양광발전 장치(PV), 하나 이상의 인버터(100-1~100-N, N은 1 이상의 자연수), 하나 이상의 접속반(200-1~200-N, N은 1 이상의 자연수), 고장 진단 장치(300), 및 관제 서버(400)를 포함한다.
태양광발전 장치(PV)는 빛 에너지를 전기 에너지로 변환하는 장치로서, 복수 개의 태양광발전 모듈(PV 모듈)로 구성될 수 있다. 예를 들어, PV 모듈은 직렬 및 병렬로 전선(Wire)과 커넥터(connector)에 의해 연결되어 있다. PV 모듈은 PV 패널 또는 태양광 전지일 수 있다.
각각 병렬로 연결된 PV모듈은 접속반(200-1~200-N)에 공통으로 연결되어 인버터(100-1~100-N)에 전력을 공급할 수 있다. 즉, PV 모듈을 통하여 발전된 직류 전력은 접속반(200-1~200-N)을 거쳐 인버터(100-1~100-N)로 전달됨에 따라, 인버터(100-1~100-N)에서 직류를 교류로 변환되어 사용될 수 있다.
접속반(200-1~200-N)은 태양광발전 장치(PV)과 인버터(100-1~100-N) 사이에 있는 장치로서, 태양광발전 장치(PV)로부터 생성된 직류 전압을 병합한 후 인버터(100-1~100-N)로 공급할 수 있다. 각 접속반(200-~200-N)은 각 인버터(100-1~100-N)에 연결될 수 있다.
또한, 접속반(200-1~200-N)은 전류가 역으로 흐르는 것을 막고 안정적인 전류를 공급하여 인버터(100-1~100-N)와 태양광 발전(PV)을 보호하는 역할을 수행할 수 있다.
고장 진단 장치(300)는 인버터(100-1~100-N)의 실제 발전량과 예측 발전량에 기초하여 접속반(200-1~200-N)의 고장 여부를 진단할 수 있다. 예를 들어, 고장 진단 장치(300)는 하나 이상의 센서로부터 획득한 정보에 기초하여 인버터(100-1~100-N)의 예측 발전량을 예측하고, 인버터(100-1~100-N)로부터 실제 발전량을 수신한 후, 예측 발전량과 실제 발전량을 비교하여 접속반(200-1~200-N)의 고장 여부를 진단할 수 있다.고장 진단 장치(300)는 접속반(200-1~200-N)의 고장 진단 결과에 응답하여 접속반(200-1~200-N)에 대한 고장 경보를 관제 서버(400) 및/또는 태양광발전 장치(PV)의 소유자 및/또는 관리자에게 실시간으로 전송할 수 있다. 고장 경보는 접속반(200-1~200-N)의 점검을 요구하는 경보일 수 있다.
관제 서버(400)는 태양광발전 시스템(10)을 관리하는 서버로서, 태양광발전 시스템(10)을 관리하기 위한 동작을 모두 수행할 수 있다. 관제 서버(400)는 접속반(200-1~200-N)에 대한 고장 경보의 전송에 응답하여 태양광발전 장치(PV)의 소유자 및/또는 관리자에게 접속반(200-1~200-N)에 대한 고장 경보를 포워딩할 수 있다. 또한, 관제 서버(400)는 태양광발전 시스템(10) 이외의 태양광발전 시스템을 관리할 수 있다.
도 2는 도 1에 도시된 고장 진단 장치의 개략적인 블록도이다.
고장 진단 장치(300)는 메모리(310) 및 컨트롤러(330)를 포함할 수 있다.
메모리(310)는 컨트롤러(330)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 컨트롤러(330)의 동작 및/또는 컨트롤러(330)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
컨트롤러(330)는 메모리(310)에 저장된 데이터를 처리할 수 있다. 컨트롤러(330)는 메모리(310)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 컨트롤러(330)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
컨트롤러(330)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
컨트롤러(330)는 인버터(100-1~100-N)의 고장 여부를 진단하기 위해 실시간으로 복수의 센서들(410~440)로부터 정보를 수신할 수 있다. 예를 들어, 컨트롤러(330)는 일조 센서(410)로부터 일조량을 수신하고, 강우량 센서(420)로부터 강우량을 수신하고, 온도 센서(430)로부터 온도를 수신하고, 습도 센서(440)로부터 습도를 수신할 수 있다. 복수의 센서들(410~440)은 고장 진단 장치(300)의 내부에 구현될 수 있지만, 이에 반드시 한정되는 것은 아니며 고장 진단 장치(300)의 외부, 예를 들어 태양광발전 장치(PV), 인버터(100-1~100-N), 접속반(200-1~200-N), 또는 이외의 장소에 설치될 수 있다.
컨트롤러(330)는 일조 시간을 획득할 수 있다. 이때, 일조 시간은 고장 진단 장치(300)에 구현된 타이머(미도시) 또는 일조 센서(410)의 일조량 정보에 포함된 타임스탬프로부터 획득될 수 있다.
또한, 컨트롤러(330)는 태양의 고도를 수신할 수 있다. 태양의 고도는 별도의 태양 고도 측정 센서 및/또는 기상 DB(예를 들어, 기상청)로부터 획득될 수 있다.
컨트롤러(330)는 학습된 예측 신경망 모델을 이용하여 인버터(100-1~100-N)의 예측 발전량을 예측할 수 있다. 학습된 예측 신경망 모델은 메모리(310)에 저장되거나, 또는 별도의 메모리(미도시)에 저장되거나, 또는 컨트롤러(330)에 임베디드될 수 있다.
컨트롤러(330)는 일조량, 강우량, 온도, 습도, 일조 시간 및 태양의 고도를 학습된 예측 신경망 모델에 입력함으로써 인버터(100-1~100-N)의 예측 발전량을 예측할 수 있다. 학습된 예측 신경망 모델은 제1 예측 신경망 모델 및 제2 예측 신경망 모델을 포함할 수 있다. 컨트롤러(330)는 일조량, 강우량, 온도, 습도, 및 일조 시간을 제1 예측 신경망 모델에 입력한 후, 태양의 고도 및 제1 예측 신경망 모델의 출력 값을 제2 예측 신경망 모델에 입력함으로써 인버터(100-1~100-N)의 예측 발전량을 예측할 수 있다. 제2 예측 신경망 모델의 출력 값이 인버터(100-1~100-N)의 예측 발전량일 수 있다.
컨트롤러(330)는 인버터(100-1~100-N)로부터 인버터(100-1~100-N)의 실제 발전량을 획득할 수 있다. 컨트롤러(330)는 예측 발전량과 실제 발전량을 비교하여 접속반(200-1~200-N)의 고장 여부를 진단(또는 판단)할 수 있다.
컨트롤러(330)는 접속반(200-1~200-N)의 고장 진단 결과에 응답하여 접속반(200-1~200-N)에 대한 고장 경보를 관제 서버(400) 및/또는 태양광발전 장치(PV)의 소유자 및/또는 관리자에게 실시간으로 전송할 수 있다.
도 3은 도 1에 도시된 고장 진단 장치의 고장 경보 전송 동작을 설명하기 위한 순서도이다.
단계 610에서, 컨트롤러(330)는 인버터(100-1~100-N)로부터 인버터(100-1~100-N)의 실제 발전량을 획득할 수 있다.
단계 620에서, 컨트롤러(330)는 인버터(100-1~100-N)의 실제 발전량을 획득에 응답하여 인버터(100-1~100-N)의 예측 발전량을 계산할 수 있다. 즉, 컨트롤러(330)는 인버터(100-1~100-N)의 실제 발전량을 획득 시에만 인버터(100-1~100-N)의 예측 발전량을 계산할 수 있는 것이다. 컨트롤러(330)는 인버터(100-1~100-N)의 실제 발전량을 획득에 응답하여 복수의 센서들(410~440)로부터 일조량, 강우량, 온도, 및 습도를 획득하고, 일조량, 강우량, 온도, 습도, 일조 시간 및 태양의 고도를 학습된 예측 신경망 모델에 입력함으로써 인버터(100-1~100-N)의 예측 발전량을 계산할 수 있다. 이때, 태양의 고도도 인버터(100-1~100-N)의 실제 발전량을 획득에 응답하여 획득되는 것일 수 있다.
단계 630에서, 컨트롤러(330)는 예측 발전량과 실제 발전량 간의 차이가 지정된 오차(또는 오차율)보다 큰지 비교할 수 있다.
단계 640에서, 예측 발전량과 실제 발전량 간의 차이가 지정된 오차(또는 오차율)보다 같거나 큰 경우, 컨트롤러(330)는 해당 인버터(100-1~100-N)에 연결된 접속반(200-1~200-N)이 고장임을 판단하고 접속반(200-1~200-N)에 대한 고장 경보를 생성하여 관제 서버(400) 및/또는 태양광발전 장치(PV)의 소유자 및/또는 관리자에게 실시간으로 전송할 수 있다.
예측 발전량과 실제 발전량 간의 차이가 지정된 오차(또는 오차율)보다 작은 경우, 컨트롤러(330)는 단계 610이후 부터 다시 수행할 수 있다.
도 4는 일 실시예에 따른 신경망 예측 모델을 위한 신경망 구조의 일 예를 나타내고, 도 5는 도 4에 도시된 신경망 구조로부터 신경망 예측 모델을 생성하기 위한 순서도를 나타낸다.
신경망 예측 모델은 도 4의 심층 신경망 구조에 의해서 학습되어 생성될 수 있다. 심층 신경망(Deep Neural Network)은 제1 심층 신경망 및 제2 심층 신경망을 포함할 수 있다. 각 심층 신경망은 입력 레이어, 히든 레이어, 및 출력 레이어로 구성될 수 있다.
학습기는 심층 신경망을 학습시킬 수 있다. 학습기는 심층 신경망을 학습시키기 위해 고장 진단 장치(300)와는 별도로 구현될 수 있으며, 고장 진단 장치(300)의 컨트롤러(330)에 구현될 수도 있다. 신경망 예측 모델이 학습기에 의해 학습되어 생성된 후 메모리(310)에 저장되거나, 별도의 메모리에 저장되거나, 컨트롤러(330)에 임베디드되는 것이다.
단계 710에서, 특정일 및 특정 시간과, 특정일 및 특정 시간의 일조량, 온도, 습도, 강우량 및 태양의 고도가 입력될 수 있다.
단계 720에서, 심층 신경망을 학습시키기 위한 학습 데이터는 특정일 및 특정 시간의 일조량, 온도, 습도, 강우량, 일조 시간 및 태양의 고도에 기초하여 구성된다. 예를 들어, 학습 데이터는 특정일을 기준으로 5일 이전부터 5일 이후까지, 특정 시간을 기준으로 1시간 이전부터 1시간 이후까지의 데이터들이 추출되고, 추출된 데이터에 기초하여 구성되는데, 일 예로 추출된 데이터의 평균 값으로 구성된다.
단계 730~750에서, 학습 데이터는 기준 일조량을 기준으로 구분되어 학습에 이용될 수 있다. 기준 일조량은 맑은 날과 흐린 날의 기준이 되는 일조량을 의미한다. 학습기는 학습 데이터를 구성하는 일조량을 기준 일조량과 비교하여 제1 학습 데이터와 제2 학습 데이터로 구분할 수 있다. 제1 학습 데이터는 학습 데이터로부터 학습 데이터의 일조량이 기준 일조량보다 큰 데이터만 추출하여 구성된 것이고, 제2 학습 데이터는 학습 데이터로부터 학습 데이터의 일조량이 기준 일조량보다 작거나 같은 데이터만 추출하여 구성된 것이다.
단계 760~770에서, 학습기는 제1 학습 데이터와 제2 학습 데이터에 따라 심층 신경망의 가중치를 달리하여 심층 신경망을 학습시킬 수 있다. 학습 데이터에 따라 심층 신경망의 가중치만 상이하며, 학습기가 심층 신경망을 학습시키는 방법을 실질적으로 동일할 수 있다.
우선 단계 760에서, 학습기는 학습 데이터를 구성하는 일조량, 온도, 습도, 강우량, 및 일조 시간을 제1 심층 신경망에 입력하여 제1 심층 신경망을 학습시킬 수 있다. 다음으로 단계 770에서, 학습기는 학습 데이터를 구성하는 태양의 고도 및 제1 심층 신경망의 출력 값을 제2 심층 신경망에 입력하여 제2 심층 신경망을 학습시킬 수 있다. 제2 심층 신경망의 출력 값은 인버터(100-1~100-N)의 예측 발전량일 수 있다. 학습기는 인버터(100-1~100-N)의 실제 발전량과 예측 발전량 간의 오차가 최소화되도록 제1 심층 신경망과 제2 심층 신경망을 학습시킬 수 있다.
단계 780에서, 학습기는 제1 심층 신경망과 제2 심층 신경망을 학습시켜서 예측 신경망 모델을 생성할 수 있다.
컨트롤러(330)은 일조량, 온도, 습도, 강우량, 일조 시간 및 태양의 고도를 이용하여 학습된 예측 신경망 모델을 통해 도 4 및 도 5를 참조하여 설명한 방법과 실질적으로 동일하게 인버터(100-1~100-N)의 예측 발전량을 계산할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (16)

  1. 인버터의 실제 발전량을 획득하는 단계;
    상기 실제 발전량의 획득에 응답하여 일조량, 일조 시간, 강우량, 온도, 습도 및 태양의 고도를 학습된 예측 신경망 모델에 입력함으로써 상기 인버터의 예측 발전량을 예측하는 단계;
    상기 실제 발전량과 상기 예측 발전량을 비교하여 상기 인버터에 연결된 접속반의 고장 여부를 진단하는 단계; 및
    고장 진단 결과에 응답하여 상기 접속반에 대한 고장 경보를 전송하는 단계
    를 포함하고,
    상기 예측하는 단계는,
    상기 일조량, 상기 일조 시간, 상기 강우량, 상기 온도, 및 상기 습도를 상기 학습된 예측 신경망 모델의 제1 예측 신경망 모델에 입력하는 단계;
    상기 제1 예측 신경망 모델의 출력 값과 상기 태양의 고도를 상기 학습된 예측 신경망 모델의 제2 예측 신경망 모델에 입력하는 단계;
    상기 제2 예측 신경망 모델의 출력 값을 상기 예측 발전량으로 출력하는 단계
    를 포함하고,
    상기 진단하는 단계는,
    상기 예측 발전량과 상기 실제 발전량 간의 차이를 지정된 오차와 비교하여 상기 고장 여부를 판단하는 단계
    를 포함하고,
    상기 학습된 예측 신경망 모델은,
    기준 일조량을 기준으로 구분되는 학습 데이터에 기초하여 학습된 것이고, 상기 기준 일조량을 기준으로 구분되는 학습 데이터에 따라 가중치가 달리 학습된 것이고,
    상기 기준 일조량은 맑은 날과 흐린 날의 기준이 되는 일조량인 것인, 태양광 접속반의 고장 진단 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 인스트럭션을 실행시키기 위한 컨트롤러
    를 포함하고,
    상기 인스트럭션이 실행될 때, 상기 컨트롤러는,
    인버터의 실제 발전량을 획득하고, 상기 실제 발전량의 획득에 응답하여 일조량, 일조 시간, 강우량, 온도, 습도 및 태양의 고도를 학습된 예측 신경망 모델에 입력함으로써 상기 인버터의 예측 발전량을 예측하고, 상기 실제 발전량과 상기 예측 발전량을 비교하여 상기 인버터에 연결된 접속반의 고장 여부를 진단하고, 고장 진단 결과에 응답하여 상기 접속반에 대한 고장 경보를 전송하고,
    상기 컨트롤러는,
    상기 일조량, 상기 일조 시간, 상기 강우량, 상기 온도, 및 상기 습도를 상기 학습된 예측 신경망 모델의 제1 예측 신경망 모델에 입력하고, 상기 제1 예측 신경망 모델의 출력 값과 상기 태양의 고도를 상기 학습된 예측 신경망 모델의 제2 예측 신경망 모델에 입력함으로써, 상기 제2 예측 신경망 모델의 출력 값을 상기 예측 발전량으로 출력하고,
    상기 컨트롤러는,
    상기 예측 발전량과 상기 실제 발전량 간의 차이를 지정된 오차와 비교하여 상기 고장 여부를 판단하고,
    상기 학습된 예측 신경망 모델은,
    기준 일조량을 기준으로 구분되는 학습 데이터에 기초하여 학습된 것이고, 상기 기준 일조량을 기준으로 구분되는 학습 데이터에 따라 가중치가 달리 학습된 것이고,
    상기 기준 일조량은 맑은 날과 흐린 날의 기준이 되는 일조량인 것인, 고장 진단 장치.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 제8항에 있어서,
    상기 학습된 예측 신경망 모델은 상기 메모리에 저장되거나, 상기 메모리와는 다른 메모리에 저장되거나, 상기 컨트롤러에 임베디드되는, 고장 진단 장치.
  16. 하드웨어와 결합되어 제1항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
KR1020200107203A 2020-08-25 2020-08-25 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치 KR102245804B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200107203A KR102245804B1 (ko) 2020-08-25 2020-08-25 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200107203A KR102245804B1 (ko) 2020-08-25 2020-08-25 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치

Publications (1)

Publication Number Publication Date
KR102245804B1 true KR102245804B1 (ko) 2021-04-28

Family

ID=75721136

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200107203A KR102245804B1 (ko) 2020-08-25 2020-08-25 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치

Country Status (1)

Country Link
KR (1) KR102245804B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102454300B1 (ko) * 2021-10-14 2022-10-14 박기주 디지털 트윈을 기반으로 한 태양광 발전 시스템의 운영 유지 보수 관리 플랫폼 서비스 제공 장치 및 이를 이용한 태양광 발전 시스템의 운영유지보수 방법
KR102581048B1 (ko) * 2022-10-26 2023-09-21 (주) 티이에프 태양광 발전량 예측 시스템
WO2024014617A1 (ko) * 2022-07-11 2024-01-18 박기주 스트링 모듈 단위의 발전량을 미세 조정하는 스트링 옵티마, 및 태양광 발전시스템과 그 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180275314A1 (en) * 2015-08-31 2018-09-27 Green Power Labs Inc. Method and system for solar power forecasting
KR20200057821A (ko) * 2018-11-13 2020-05-27 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20200059704A (ko) * 2018-11-21 2020-05-29 안현철 고장 예측 알고리즘을 이용한 태양광 발전 관리 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180275314A1 (en) * 2015-08-31 2018-09-27 Green Power Labs Inc. Method and system for solar power forecasting
KR20200057821A (ko) * 2018-11-13 2020-05-27 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20200059704A (ko) * 2018-11-21 2020-05-29 안현철 고장 예측 알고리즘을 이용한 태양광 발전 관리 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102454300B1 (ko) * 2021-10-14 2022-10-14 박기주 디지털 트윈을 기반으로 한 태양광 발전 시스템의 운영 유지 보수 관리 플랫폼 서비스 제공 장치 및 이를 이용한 태양광 발전 시스템의 운영유지보수 방법
WO2023063622A1 (ko) * 2021-10-14 2023-04-20 박기주 디지털 트윈을 기반으로 한 태양광 발전 시스템의 운영 유지 보수 관리 플랫폼 서비스 제공 장치 및 이를 이용한 태양광 발전 시스템의 운영유지보수 방법
WO2024014617A1 (ko) * 2022-07-11 2024-01-18 박기주 스트링 모듈 단위의 발전량을 미세 조정하는 스트링 옵티마, 및 태양광 발전시스템과 그 방법
KR102581048B1 (ko) * 2022-10-26 2023-09-21 (주) 티이에프 태양광 발전량 예측 시스템

Similar Documents

Publication Publication Date Title
KR102245804B1 (ko) 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치
Samara et al. Intelligent real-time photovoltaic panel monitoring system using artificial neural networks
Dhimish et al. Simultaneous fault detection algorithm for grid‐connected photovoltaic plants
Blesa et al. An interval NLPV parity equations approach for fault detection and isolation of a wind farm
Karatepe et al. Controlling of artificial neural network for fault diagnosis of photovoltaic array
TWI692196B (zh) 太陽能光電故障檢測系統及方法
Li et al. An intelligent method for fault diagnosis in photovoltaic array
EP3671374A1 (en) Method and system for determining system settings for an industrial system
JP6093465B1 (ja) 太陽光発電システムの発電診断方法、及び発電診断装置
CN105974232B (zh) 一种适用于高压输电网的电网故障诊断方法
CN110556820A (zh) 用于确定能量系统操作场景的方法和设备
ES2963926T3 (es) Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred
CN109150100A (zh) 光伏电站的故障检测方法、装置、设备及存储介质
KR20220037156A (ko) 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
US12034741B2 (en) System and method for cyberattack detection in a wind turbine control system
KR20190123040A (ko) 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법
Li et al. Fault diagnostic method for PV array based on improved wavelet neural network algorithm
KR102389439B1 (ko) 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법
US20230281472A1 (en) Generating training data sets for power output prediction
US11283401B2 (en) System and method for determining a state of a photovoltaic panel
Liu et al. Experiment‐based supervised learning approach toward condition monitoring of PV array mismatch
CN114895380A (zh) 一种太阳辐射预测方法、装置、设备和介质
WO2021015332A1 (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
CN115713159A (zh) 一种基于ai的风电功率的预测方法及预测系统
TW201740296A (zh) 再生能源發電量預測方法與系統

Legal Events

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