KR102259096B1 - 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법 - Google Patents

태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법 Download PDF

Info

Publication number
KR102259096B1
KR102259096B1 KR1020190090343A KR20190090343A KR102259096B1 KR 102259096 B1 KR102259096 B1 KR 102259096B1 KR 1020190090343 A KR1020190090343 A KR 1020190090343A KR 20190090343 A KR20190090343 A KR 20190090343A KR 102259096 B1 KR102259096 B1 KR 102259096B1
Authority
KR
South Korea
Prior art keywords
power generation
unit
storage battery
current
voltage
Prior art date
Application number
KR1020190090343A
Other languages
English (en)
Other versions
KR20210012501A (ko
KR102259096B9 (ko
Inventor
장현수
Original Assignee
주식회사 현태
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 현태 filed Critical 주식회사 현태
Priority to KR1020190090343A priority Critical patent/KR102259096B1/ko
Publication of KR20210012501A publication Critical patent/KR20210012501A/ko
Application granted granted Critical
Publication of KR102259096B1 publication Critical patent/KR102259096B1/ko
Publication of KR102259096B9 publication Critical patent/KR102259096B9/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
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
    • G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G06F15/163—Interprocessor communication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/14—Central alarm receiver or annunciator arrangements
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

태양광 발전 시스템과 제어서버를 포함하는 시스템과, 상기 제어서버를 이용하여 태양광 발전 시스템의 고장진단 및 발전량 예측을 실시하는 태양광 발전 및 제어 시스템의 운영방법을 개시한다. 본 발명의 태양광 발전 시스템은 하나 이상의 태양광 발전부와, 상기 하나 이상의 태양광 발전부와 유선 또는 무선으로 통신 가능하게 연결되는 제어서버, 그리고 상기 제어서버와 유선 또는 무선으로 통신 가능하게 연결되는 하나 이상의 관리자 단말기를 포함하는 태양광 발전 및 제어시스템과, 이를 이용하여 고장을 진단하고 태양광 발전량을 예측할 수 있는 기능을 포함하는 태양광 발전 및 제어시스템의 운용방법을 제공한다.

Description

태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법{SOLAR CELL POWER PLANT AND CONTROL SYSTEM, AND ITS METHOD OF OPERATING THEREOF}
본 발명은 태양광 발전 및 제어 시스템을 운영하는 방법에 관한 것으로, 보다 상세하게는 태양광 발전 시스템과 제어서버를 포함하는 시스템과, 상기 제어서버를 이용하여 태양광 발전 시스템의 고장진단 및 발전량 예측을 실시하는 태양광 발전 및 제어 시스템의 운영방법에 관한 것이다.
세계적으로 환경 문제가 대두되면서 대체에너지에 관한 기술개발이 활발하게 진행되고 있는데, 가장 대표적인 것이 태양광 발전이다. 태양광 발전은 기본적으로 환경 친화적이며 무공해 에너지이고 에너지를 공급 받는 데 별다른 노력을 들이지 않기 때문이다.
하지만 태양광 발전은 현재로써는 대세적인 에너지 공급원으로써 활용되기에는 어려운 실정인데, 왜냐하면 태양광 발전은 에너지원인 태양빛의 시간대별 가용성의 차이로 인한 전력 생산량의 변동과 날씨 및 계절, 풍속, 일조량 등 다양한 자연조건의 변화에 따른 전력 생산량의 불확실성을 태생적으로 가지고 있기 때문이다.
따라서 태양광 에너지의 특성을 분석하기 위해서는 기후조건, 구름 조건 등과 발전 성능과의 상관관계를 머신러닝 등의 기술을 이용해 도출하고, 모듈 상태에 대한 모듈 열화 모델을 이용해 예측한 후, 태양광 발전량 예측에 활용할 수 있는 시스템의 개발이 필요하게 되었다.
KR공개특허 10-2018-0109101호 KR등록특허 10-2002548호 KR등록특허 10-1761686호 KR공개특허 10-2015-0074462호
본 발명은 상기와 같은 종래 기술의 문제점을 해결하여, 태양광 발전에 있어서 이를 제어할 수 있는 시스템과, 상기 태양광 발전 시스템을 이용하여 태양광 발전 시스템의 고장진단기능 및 태양광 발전량 예측기능을 포함하는 태양광 발전 및 제어시스템의 운영방법을 제공하는 데 그 목적이 있다.
본 발명은 상기와 같은 본 발명의 목적을 달성하기 위하여,
하나 이상의 태양광 발전부와, 상기 하나 이상의 태양광 발전부와 유선 또는 무선으로 통신 가능하게 연결되는 제어서버, 그리고 상기 제어서버와 유선 또는 무선으로 통신 가능하게 연결되는 하나 이상의 관리자 단말기를 포함하는 태양광 발전 및 제어시스템으로서,
상기 태양광 발전부는 하나 이상의 태양전지들을 포함하는 태양전지 발전부; 광량을 측정할 수 있는 광량센서; 그리고 상기 태양전지 발전부 내 태양전지들의 발전전압 및 전류를 측정할 수 있는 태양전지 측정부를 포함하는 태양전지부; 상기 태양전지부에서 발전을 실시하여 생산한 전기에너지를 저장하기 위하여, 하나 이상의 개별 축전지들을 포함하는 축전지 저장부; 그리고 상기 축전지 저장부 내 개별 축전지들의 축전지 전압 및 축전지에 충전되는 전류량을 측정할 수 있는 축전지 측정부를 포함하는 축전지부; 그리고 상기 제어서버와 유선 또는 무선으로 통신할 수 있는 통신수단 및 프로그램을 포함하는 통신부를 포함하고,
상기 제어서버는 상기 하나 이상의 태양광 발전부를 개별적으로 제어하기 위하여, 상기 하나 이상의 태양광 발전부 각각의 고장을 개별적으로 진단하고 판단하기 위한 고장판단부; 상기 하나 이상의 태양광 발전부와 관련된 하나 이상의 데이터 및 수치에 대한 통계를 작성하는 통계작성부; 외부의 전기통신망을 참조하여 데이터를 갈무리하는 데이터수집부; 그리고 심층 신경망 방식을 이용하여 미래의 태양광 발전량을 예측할 수 있도록 하는 발전량학습부를 포함하는 제어부; 상기 하나 이상의 태양광 발전부 각각의 현황을 구분하여 갱신 저장하는 시스템 현황 DB; 상기 통계작성부가 생성하는 하나 이상의 통계 정보를 저장하는 시스템 통계 DB; 상기 데이터수집부가 외부의 전기통신망을 참조하여 갈무리한 데이터를 저장하는 외부환경 DB; 그리고 상기 발전량학습부(214)의 동작에 따라 생성되는 데이터를 저장하는 학습 DB를 포함하는 서버 DB; 그리고 상기 하나 이상의 태양광 발전부 및 상기 하나 이상의 관리자 단말기와 유선 또는 무선으로 통신 가능하게 연결되는 서버 통신부를 포함하는 태양광 발전 및 제어시스템을 제공한다.
상기에서, 태양전지 측정부는 상기 하나 이상의 태양전지들의 발전전압을 개별적으로 측정할 수 있는 태양전지 발전전압 측정부; 그리고 상기 하나 이상의 태양전지들의 전류를 개별적으로 측정할 수 있는 태양전지 전류 측정부를 포함하고, 상기 축전지 측정부는 상기 하나 이상의 개별 축전지들의 전압을 측정할 수 있는 축전지 전압 측정부; 그리고 상기 하나 이상의 개별 축전지들의 충전 전류를 측정할 수 있는 축전지 충전전류 측정부를 포함한다.
상기에서, 제어서버는 둘 이상의 컴퓨터를 포함하고, 상기 제어서버에 포함되는 둘 이상의 컴퓨터에는 분산처리 프로그램이 설치되어, 상기 제어서버가 상기 분산처리 프로그램에 의해 구현되도록 하는 것이 바람직하다.
상기에서의 분산처리 하둡 소프트웨어 프레임워크임을 사용하는 것이 바람직하다.
상기에서, 시스템 통계 DB는 발전량 DB, 이산화탄소 절감총량 DB, 발전비용 DB, 발전시간 DB, 인버터가동률 DB, 그리고 변환효율 DB를 포함하는 것이 바람직하다.
상기에서, 외부환경 DB는 일사량 DB, 강수량 DB, 기온 DB, 전운량 DB, 습도 DB, 그리고 안개 DB를 포함하는 것이 바람직하다.
상기에서, 학습 DB는 형성모델 DB, 트레이닝셋 DB, 테스트셋 DB, 그리고 블라인드셋 DB를 포함하는 것이 바람직하다.
상기의 태양광 발전 및 제어시스템의 운영 방법으로서, 상기 태양광 발전부 중 어느 하나의 태양전지 발전전압(V)을 측정하고 판단하는 발전전압 측정단계(S100); 상기 단계(S100) 이후, 상기 단계(S100)에서 측정 대상이 된 태양광 발전부의 축전지 전류량(Bat_C)을 측정하고 판단하는 축전지 전류량 측정단계(S110) 그리고 상기 단계(S100) 이후, 상기 단계(S100)에서 측정 대상이 된 태양광 발전부의 광량(R)을 측정하고 판단하는 광량측정단계(S120)를 실시하여 고장을 진단하도록 한다.
상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V) 이하로 판단되면 측정 대상 태양광 발전부가 정상 동작임을 확인하는 정상동작 확인단계(S101)를 실시하고 상기 단계(S110, S120)를 실시하지 않은 채 고장진단을 종료한다.
상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V) 초과이며, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 이하라면, 측정 대상 태양광 발전부 중 태양전지의 전류측정부가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 태양전지 전류측정부 문제확인단계(S111)를 실시하고 상기 단계(S120)를 실시하지 않은 채 고장진단을 종료한다.
상기 단계(S100)에서 상기 발전전압(V)이 0V이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이며, 상기 단계(S120)에서 상기 광량(R)이 20W/㎡ 초과이면 측정 대상 태양광 발전부 중 태양전지의 전류측정부가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 태양전지 전류측정부 문제확인단계(S121)를 실시하고 고장진단을 종료한다.
상기 단계(S100)에서 상기 발전전압(V)이 0V이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 미만이거나, 또는 상기 단계(S100)에서 상기 발전전압(V)이 0V이고 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 이하이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 초과이면 측정 대상 태양광 발전부 중 태양전지의 전압측정부 및 전류측정부가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 태양전지 전압, 전류측정부 문제확인단계(S122)를 실시하고 고장진단을 종료한다.
상기 단계(S100)에서 상기 발전전압(V)이 0V이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 이하이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 이하이거나, 또는 상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V) 미만이며 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이고, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 이상이라면, 측정 대상 태양광 발전부가 정상 동작임을 확인하는 정상동작 확인단계(S123)를 실시하고 고장진단을 종료한다.
상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V) 미만이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 미만이라면, 측정 대상 태양광 발전부의 광량센서가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 광량센서 문제확인단계(S124)를 실시하고 고장진단을 종료한다.
상기의 태양광 발전 및 제어시스템의 운영 방법으로서, 상기 데이터수집부가 외부의 전기통신망으로부터 데이터를 수집하여 상기 외부환경 DB에 갱신 저장하는 데이터 조달단계(S210); 상기 외부환경 DB에 갱신된 데이터에 대하여 데이터마이닝을 실시하여 원시모델 데이터(PD)를 생산하는 데이터마이닝 단계(S220); 상기 단계(S220)를 실시하여 생성된 상기 원시모델 데이터(PD)에 대하여 적어도 1회 이상 실시되는 모델 트레이닝 단계(S230); 그리고 상기 단계(S230)를 적어도 1회 실행한 다음, 테스팅을 실시하여 예측모델 데이터(CD)를 생성하도록 하고, 상기 데이터마이닝 단계(S220)에서는 가공된 데이터인 또한 트레이닝셋, 테스트셋, 그리고 블라인드셋을 형성하는 데이터 정제단계(S221)를 실시하여 태양광 발전량을 예측하도록 한다.
상기에서, 모델 트레이닝 단계(S230)는 인입되는 원시모델 데이터(PD)에 대하여 관리자가 수치를 선정하고 선정된 수치 및 학습 패턴쌍을 입력하는 수치선정 및 입력단계(S231), 은닉층(HL) 및 출력층(OL)의 입력 가중합 및 최종 출력을 계산하는 출력계산 단계(S232), 오차신호값을 계산하는 오차계산단계(S233), 그리고 다음 회차의 학습단계에 사용될 연결강도를 구하는 연결강도 변화량 계산단계(S234)를 포함하고, 상기 단계(S234) 실시 이후 상기 모델 트레이닝 단계(S230)의 실시 횟수가 정해진 epoch수 미만이거나, 미리 입력된 최대 에러율 이상이라면 상기 단계(S231)를 다시 실시하도록 한다.
본 발명에서의 태양광 발전 및 제어시스템은 유효하게 태양광 발전부의 기능고장을 판단하고 발전량을 예측하여 태양광 발전부의 효과적인 운용을 보장한다.
도 1은 본 발명의 태양광 발전부의 구조도.
도 2는 본 발명의 제어서버의 구조도.
도 3은 본 발명의 태양광 발전 시스템에서의 고장진단 순서를 나타낸 순서도.
도 4는 본 발명의 태양광 발전량 예측 순서를 나타낸 개략 순서도.
도 5는 본 발명의 태양광 발전량 예측을 위한 신경망 구조도.
도 6은 본 발명의 태양광 발전량 예측 순서에서의 모델 트레이닝 구조도.
이하에서는 본 발명을 첨부되는 도면을 참조하여 보다 상세히 설명한다. 하기의 설명은 본 발명의 실시와 이해를 돕기 위한 것이지 본 발명을 이에 한정하는 것은 아니다. 당업자들은 이하의 청구범위에 기재된 본 발명의 사상 내에서 다양한 변형 및 변경이 있을 수 있음을 이해할 것이다.
도 1은 본 발명의 태양광 발전 및 제어 시스템의 구조도이다. 이하에서는 도 1을 통하여 본 발명의 태양광 발전 시스템의 구성요소에 대하여 간략하게 설명한다.
도 1에 도시된 바와 같이, 본 발명의 태양광 발전 및 제어 시스템은 하나 이상의 태양광 발전부(100)와, 상기 하나 이상의 태양광 발전부(100)와 유선 또는 무선으로 통신 가능하게 연결되어 이를 제어하기 위한 제어서버(200), 그리고 상기 제어서버(200)에서 송신하는 상기 하나 이상의 태양광 발전부(100)의 제어 현황정보를 확인할 수 있도록 하기 위하여, 상기 제어서버(200)와 통신 가능하게 유선 또는 무선으로 연결되어 있는 하나 이상의 관리자의 단말기(300)를 포함한다.
상기 도 1에서, 점선으로 연결된 것은 상호간에 유선 또는 무선으로 통신 가능하게 연결되어 있는 것을 의미한다.
설명에 앞서, 본 발명에서 상기 태양광 발전부(100)는 하나 이상 포함하나, 설명의 편의를 위하여 도 1에 개시된 바와 같이 상기 태양광 발전부(100)는 하나가 상기 제어서버(200)에 통신 가능하게 연결되어 있는 것을 일예시로 하여 설명하도록 한다. 만약 상기 태양광 발전부(100)를 둘 이상 포함시키게 되더라도, 각각의 구성요소는 동일하게 하면 된다.
또한, 본 발명에서 상기 단말기(300)는 데스크탑 PC 또는 스마트폰, 태블릿 PC 등 프로그램의 설치가 가능하거나 웹 페이지에 접속할 수 있는 단말기는 모두 사용할 수 있다.
상기 태양광 발전부(100)는 도 1에서 도시된 바와 같이, 태양전지부(110), 축전지부(120), 그리고 통신부(130)를 포함한다.
상기 태양전지부(110)는 실제로 태양광으로부터 발전을 실시하여 전기에너지를 생산하는 부분으로서, 하나 이상의 태양전지들(1111, 1112)을 포함하는 태양전지 발전부(111), 태양빛의 세기, 즉 광량(光量)을 측정할 수 있는 광량센서(112), 그리고 상기 태양전지 발전부(111)에 속한 개별 태양전지들의 발전전압 및 전류를 측정할 수 있는 태양전지 측정부(113)를 포함한다.
바람직하게는, 상기 태양전지 측정부(113)는 상기 개별 태양전지들의 발전전압을 측정할 수 있는 태양전지 발전전압 측정부(1131)와, 상기 개별 태양전지들의 전류를 측정할 수 있는 태양전지 전류 측정부(1132)를 포함한다.
그리고 축전지부(120)는 상기 태양전지부(110)에서 발전을 실시하여 생산한 전기에너지를 저장하기 위한 것으로, 실제로 전기에너지의 저장을 실시하기 위하여 하나 이상의 개별 축전지들(1211, 1212)을 포함하는 축전지 저장부(121), 그리고 상기 축전지 저장부(121) 내 개별 축전지들의 축전지 전압 및 축전지에 충전되는 전류량을 측정할 수 있는 축전지 측정부(122)를 포함한다.
바람직하게는, 상기 축전지 측정부(122)는 상기 개별 축전지들의 전압을 측정할 수 있는 축전지 전압 측정부(1221)와, 상기 개별 축전지들의 충전 전류를 측정할 수 있는 축전지 충전전류 측정부(1222)를 포함한다.
그리고 통신부(130)는 상기 제어서버(200)와 유선 또는 무선으로 통신할 수 있는 통신수단 및 프로그램을 포함하며, 통신 방식은 통상의 방법을 사용하면 되므로 이에 대한 설명은 생략한다.
또한 상기 태양광 발전부(100)는 상기한 구성요소들 외에도, 인버터 및 분전반, 컨버터 등 일반적인 태양광 발전 및 ESS(Energy storage system)에서 공통적인 구성요소로서 사용하고 있는 것들을 모두 포함하며, 이러한 일반적인 구성요소들은 그 기능 및 동작 방법 등이 잘 알려져 있으므로 이에 대한 설명은 생략한다.
상기 제어서버(200)는 자신과 유선 또는 무선으로 통신 가능하게 연결되어 있는, 하나 이상의 태양광 발전부(100) 각각을 제어할 수 있는 제어부(120), 상기 하나 이상의 태양광 발전부(100) 각각의 제어 데이터가 저장되어 있는 서버 DB(220), 그리고 상기 하나 이상의 태양광 발전부(100)들과 유선 또는 무선으로 통신할 수 있는 통신수단 및 프로그램들을 포함하는 서버 통신부(230)를 포함한다.
도 2는 상기 제어서버(200)의 구체적인 구성을 표현한 구조도이다. 이하에서는 도 2를 통하여 상기 제어서버(200)의 구체적인 구성요소에 대하여 설명한다.
설명에 앞서, 상술한 바와 같이 본 발명의 태양광 발전 및 제어 시스템은 하나 이상의 태양광 발전 시스템과 관리자 단말을 포함하는데, 이하에서는 설명의 편의를 위하여, 상기 제어서버(200)에 3개의 태양광 발전 시스템(100a~100c)이 연결되어 있는 것을 일예시로 하여 설명하기로 한다.
또한 본 발명의 제어서버(200)는 이하에서 설명할 상기 제어서버(200)의 구성요소들을 실제로 구현하기 위하여, 하나 이상의 연산장치와 하나 이상의 기억장치를 포함하는 컴퓨터를 한 대 이상 포함한다. 이때의 컴퓨터는 서버용 컴퓨터를 사용하는 것이 바람직하나, 일반적인 데스크탑 PC나 태블릿 등 다른 형태의 컴퓨터 또한 사용할 수 있다.
그리고 본 발명의 제어서버(200)의 구현에 있어서, 한 대의 단일한 컴퓨터를 사용하여 상기 제어서버(200)를 구현할 수도 있지만, 보다 경제적인 구현 및 원활한 데이터 처리를 위하여 상기 컴퓨터를 둘 이상으로 여러 대 편성하여 본 발명의 제어서버(200)를 구현하는 것이 바람직하다.
상기 제어서버(200)는 본 발명에 포함되는 하나 이상의 태양광 발전부(100a~100c)을 개별적으로 제어하기 위한 제어부(210), 상기 하나 이상의 태양광 발전부(100a~100c)의 제어를 위한 각종 데이터 및 수치가 저장되어 있는 서버 DB(220), 그리고 상기 하나 이상의 태양광 발전부(100a~100c) 및 관리자의 단말기(300)와 유선 또는 또는 무선으로 통신 가능하게 연결되어 통신하기 위한 서버 통신부(230)를 포함한다.
상기의 구성요소들(210, 220, 230)는 상기한 기능들을 구현하기 위한 하나 이상의 연산장치 및 기억장치, 그리고 동작을 위한 하나 이상의 내장되어 설치되어 있거나, 또는 설치할 수 있는 프로그램들을 포함한다.
상기의 구성요소들(210, 220, 230)에 대해 더 구체적으로 설명하면, 상기 제어부(210)는 상기 하나 이상의 태양광 발전부(100a~100c) 각각의 고장을 개별적으로 진단하고 판단하기 위한 고장판단부(211), 상기 하나 이상의 태양광 발전부(100a~100c)와 관련된 각종 데이터 및 수치에 대한 통계를 작성하여 상기 서버 DB(220)에 갱신 저장하도록 하는 통계작성부(212), 상기 서버 통신부(230)로부터 유입될 수 있는, 외부의 전기통신망으로부터 전송되는 데이터 및 수치를 갈무리하여 상기 서버 DB(220)에 갱신 저장하도록 하는 데이터수집부(213), 그리고 상기 서버 DB(220)에 저장되어 있는 각종 데이터 및 수치들을 토대로 딥러닝 알고리즘 중 심층 신경망을 이용하여 미래의 태양광 발전량을 예측할 수 있도록 하는 발전량학습부(214)를 포함한다.
그리고 상기 DB(220)는 시스템 현황 DB(221)을 포함한다. 상기 시스템 현황 DB(221)는 연결된 상기 하나 이상의 태양광 발전부(100a~100c)들의 현황을 각각 구분하여 갱신 저장하기 위하여, 상기 하나 이상의 태양광 발전 시스템(100a~100c) 각각에 대응되어 구분 가능한 저장공간인 개별 DB(2211, 2212....)들을 하나 이상 포함한다.
또한 상기 DB(220)는 시스템 통계 DB(222)를 포함한다. 상기 시스템 통계 DB(222)는 상기 하나 이상의 태양광 발전 시스템(100a~100c)의 운용에 따라 상기 통계작성부(212)가 생성하는 각종 통계 정보들과 데이터를 저장하기 위한 것으로, 바람직하게는 상기 하나 이상의 태양광 발전 시스템(100a~100c)의 발전량을 각각 구분하여 저장하는 발전량 DB(2221), 이산화탄소 절감총량을 갱신하여 저장하는 이산화탄소 절감총량 DB(2222), 발전비용을 각각 구분하여 저장하는 발전비용 DB(2223), 발전시간을 각각 구분하여 저장하는 발전시간 DB(2224), 상기 하나 이상의 태양광 발전 시스템(100a~100c)에 포함되어 있는 인버터의 가동률을 갱신 저장하는 인버터가동률 DB(2225), 그리고 각각의 전력 변환효율의 평균값을 갱신 저장하도록 하는 변환효율 DB(2226)를 포함한다.
상기한 시스템 통계 DB(222)에 포함된 각각의 DB들(2221~2226)에 대하여 더 구체적으로 설명하자면, 상기 발전량 DB(2221)는 상기 하나 이상의 태양광 발전 시스템(100a~100c) 각각의 금일 발전량, 금월 발전량, 누적 발전량, 전일 발전량, 전월 발전량, 전년도 발전량을 포함하여 갱신 저장한다.
그리고 이산화탄소 절감총량 DB(2222)는 아래의 수학식 1과 같은 식에 따라 나온 수치를 갱신 저장한다.
Figure 112019076619834-pat00001
상기 수학식 1에 대해 설명하면, 이산화탄소 절감총량은 금일 발전량의 합을 시간당 전력사용량으로 환산해야 하는데, 연간 발전량 1kW는 1.314MWh이므로, 상그 금일 발전량의 합에 1.314를 곱하여 전력사용량을 구하고, 그 수치에 전력배출계수 0.424를 곱한 것이다.(전력배출계수 1kwh=0.424kgCO₂)
그리고 상기 발전비용 DB(2223)는, 금일 발전금액, 금월 발전금액, 금년 발전금액, 누적 발전금액을 포함하여 갱신 저장한다.
또한 상기 발전시간 DB(2224)는 금일 발전시간, 금월 발전시간, 금년 발전시간, 누적 발전시간을 포함하여 갱신 저장한다.
그리고 상기 인버터가동률 DB(2235)는 연결된 전체 발전시스템 중 인버터가 정상 가동된 발전부의 개수를 연결된 전체 발전부의 개수로 나눈 값에 100을 곱하여 백분률(%) 형태로 갱신 저장한다.
또한 상기 변환효율 DB(2226)는 금일 측정한, 연결된 태양광 발전시스템의 최종 전력변환효율 합을 연결된 전체 발전시스템 개수로 나눈 값을 저장한다.
그리고 상기 서버 DB(220)는 외부환경 DB(223)을 포함한다. 상기 외부환경 DB(223)은 상기 데이터수집부(213)가 외부의 전기통신망을 참조하여 갈무리한 데이터를 저장하기 위한 DB다.
바람직하게는, 상기 외부환경 DB(223)는 외부로부터 제공되는 일사량을 시간 간격별로 구분하여 저장하는 일사량 DB(2231), 강수량을 시간 간격별로 구분하여 저장하는 강수량 DB(2232), 기온을 시간 간격별로 구분하여 저장하는 기온 DB(2233), 구름의 양을 시간 간격별로 구분하여 저장하는 전운량 DB(2234), 습도를 시간 간격별로 구분하여 저장하는 습도 DB(2235), 그리고 안개 유무 및 안개의 짙은 정도를 시간 간격별로 구분하여 저장하는 안개 DB(2236)를 포함한다.
여기서, 상기 외부환경 DB(223)에 포함되는 각각의 상기 날씨정보 DB들(2231~2236)은 현재의 정보 뿐 아니라 과거의 정보 또한 설정된 시간 간격별로 구분하여 저장된다.
또한 상기 외부환경 DB(223)에 포함되는 각각의 상기 날씨정보 DB들(2231~2236) 외에도, 발전량 예측에 필요한 추가적인 DB 및 정보가 더 포함될 수도 있다. 이는 관리자가 어떤 요소를 선택하느냐에 따라 변동이 있을 수 있으며, 이하에서는 설명의 편의를 위하여 관리자가 상기 날씨정보 DB(2231~2236)에 저장되는 각각의 요소, 즉 일사량(S), 강수량(R), 기온(T), 전운량(C), 습도(Wt), 안개(F) 정보를 선정하여 사용하는 것을 일예시로 하여 설명하기로 한다.
또한 상기 서버DB(220)는 학습 DB(224)를 포함한다. 상기 학습 DB(224)는 상기 발전량학습부(214)의 동작에 따라 생성되는 데이터를 갱신 저장할 수 있는 공간으로서, 형성된 모델에 대하여 저장하는 형성모델 DB(2241) 및 상기 형성된 모델에 대하여 트레이닝 및 테스팅을 실시하는 DB(2242~2244)를 포함한다. 이러한 상기 학습 DB(224)의 구체적인 동작 및 구성에 대하여는 차후에 설명하기로 한다.
도 3은 본 발명의 태양광 발전 및 제어 시스템에서, 상기 제어서버(200)가 상기 태양광 발전부(100)의 구성요소들의 고장을 진단하는 절차를 표현한 순서도이다. 이하에서는 도 3을 통하여 상기 제어서버(200)가 상기 각각의 태양광 발전부(100)의 고장을 진단하는 방법에 대하여 설명한다.
설명에 앞서, 도 3에서 개시하고 있는 상기 태양광 발전부(100)의 고장진단 절차는 상기 고장판단부(211)가 실시하며, 관리자가 상기 단말기(300)를 통하여 고장진단 절차의 실시를 요청할 때 수행되거나, 또는 일정 시간 간격에 따라 주기적으로 실시될 수 있다.
도 3에서 도시된 바와 같이, 우선 상기 제어서버(200)는 태양전지의 발전전압(V)을 측정하고 이에 따라 판단하는 발전전압 측정단계(S100)를 실시한다.
상기 단계(S100)에서 태양전지의 발전전압(V)을 측정하고 이에 따라 판단하는데, 우선 상기 발전전압(V)이 0V인지를 판단하고, 상기 발전전압(V)이 0V가 아니라면, 상기 축전지 저장부(121) 내 개별 축전지들(1211, 1212)의 현재 축전지 전압(Bat_V)과 비교하여 상기 발전전압(V)이 축전지 전압(Bat_V)보다 큰지 판단한다.
이때 상기 축전지 전압(Bat_V)은 상기 축전지 전압 측정부(1221)에 의해 용이하게 측정될 수 있다.
상기 단계(S100)에서, 상기 발전전압(V)이 0V가 아니고, 현재 축전지 전압(Bat_V)값 이하라면, 상기 태양광 발전부(100)은 정상 동작중이므로 정상 동작임을 확인하는 정상동작 확인단계(S101)를 실시하여 고장진단을 종료한다.
이때 상기 정상동작 확인단계(S101)는, 상기 태양광 발전부(100)이 정상 동작중임을 관리자의 단말기(300)에 통보하는 단계를 더 포함할 수 있다.
그리고 상기 단계(S100)에서, 발전전압(V)이 0V이거나, 상기 발전전압(V)이 0V가 아니더라도 현재 축전지 전압(Bat_V)값을 초과한다면, 상기 축전지 저장부(121) 내 개별 축전지들(1211, 1212)에 충전되어 있는 전류량(Bat_C)을 측정하고 이에 따라 판단하는 축전지 전류량 측정단계(S110)를 실시한다.
이때 상기 축전지 전류량(Bat_C)은 상기 축전지 충전전류 측정부(1222)에 의해 용이하게 측정될 수 있다.
상기 단계(S110)에서는 상기 축전지 전류량(Bat_C)을 측정하고, 상기 축전지 전류량(Bat_C)이 0A 초과인지를 확인하여 판단한다. 이때의 판단은, 이전 단계(S100)에서의 발전전압(V)과 이 단계(S110)에서의 상기 축전지 전류량(Bat_C)을 고려하여 판단한다.
이전 단계(S100)에서의 발전전압(V)이 0V가 아니고 축전지 전압(Bat_V)보다 높은 것으로 판단된 상태에서, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)을 측정하였을 때 0A를 초과하지 않는 상태, 즉 0A 이하라면, 태양전지 측정부(113)의 전류측정부(1132)에 문제가 생긴 것으로 판단하고 이를 확인하여 관리자의 단말기(300)에 통보하는 태양전지 전류측정부 문제확인단계(S111)를 실시하여 고장을 진단한다.
그리고 이전 단계(S100)에서의 발전전압(V)이 0V가 아니고 축전지 전압(Bat_V)보다 높은 것으로 판단된 상태에서, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)을 측정하였을 때 0A를 초과한 상태이거나, 이전 단계(S100)에서의 발전전압(V)이 0V로 측정되었을 땐, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)을 측정한 다음 그 결과에 상관없이 다음 단계로 넘어간다.
그리고 상기 단계(S110) 이후, 상기 광량센서(112)를 이용하여 현재의 광량(R)을 측정하는 광량측정단계(S120)를 실시한다.
상기 단계(S120)에서는 광량(R)을 측정하고, 측정된 광량(R)값이 20W/㎡를 초과하는지를 판단한다.
상기 단계(S120) 이후에는, 측정한 광량(R), 그리고 이전 단계(S100, S110)에서 각각 판단한 발전전압(V) 및 축전지 전류량(Bat_C)값을 이용하여 고장 여부 판단 및 고장 위치를 판단한다.
만약 상기 발전전압 측정단계(S100)에 측정한 발전전압(V) 값이 0V였고, 상기 축전지 전류량 측정단계(S110)에서 측정한 축전지 전류량(Bat_C)이 0A를 초과한 상태에서, 상기 광량측정단계(S120)에서 측정한 광량(R)값이 20W/㎡를 초과하였다면, 상기 태양전지 측정부(113) 중 태양전지 전류측정부(1132)가 고장난 것으로 판단하고 이를 관리자의 단말기(300)에게 통보하는 태양전지 전류측정부 문제확인단계(S121)를 실시하여 종료한다.
그리고 상기 발전전압 측정단계(S100)에 측정한 발전전압(V) 값이 0V였고, 상기 축전지 전류량 측정단계(S110)에서 측정한 축전지 전류량(Bat_C)이 0A를 초과한 상태에서, 상기 광량측정단계(S120)에서 측정한 광량(R)값이 20W/㎡ 이하였다면, 상기 태양전지 측정부(113)의 전압측정부(1131) 및 전류측정부(1132)가 고장난 것으로 판단하고 이를 관리자의 단말기(300)에게 통보하는 태양전지 전압, 전류측정부 문제확인단계(S122)를 실시하여 종료한다.
그리고 상기 발전전압 측정단계(S100)에 측정한 발전전압(V) 값이 0V였고, 상기 축전지 전류량 측정단계(S110)에서 측정한 축전지 전류량(Bat_C)이 0A 이하인 상태에서, 상기 광량측정단계(S120)에서 측정한 광량(R)값이 20W/㎡를 초과하였다면, 상기 태양전지 전압, 전류측정부 문제확인단계(S122)를 실시하여 종료한다.
또한 상기 발전전압 측정단계(S100)에 측정한 발전전압(V) 값이 0V였고, 상기 축전지 전류량 측정단계(S110)에서 측정한 축전지 전류량(Bat_C)이 0A 이하인 상태에서, 상기 광량측정단계(S120)에서 측정한 광량(R)값이 20W/㎡를 이하였다면, 측정 대상이 되는 태양광 발전부(100)은 정상 동작 중인 것으로 판단하는 정상동작 확인단계(S123)를 실시하여 종료한다.
이때 상기 정상동작 확인단계(S123)는, 상기 태양광 발전부(100)이 정상 동작중임을 관리자의 단말기(300)에 통보하는 단계를 더 포함할 수 있다.
그리고 상기 발전전압 측정단계(S100)에 측정한 발전전압(V) 값이 0V가 아니었지만 축전지 전압(Bat_V)값을 초과하였고, 상기 축전지 전류량 측정단계(S110)에서 측정한 축전지 전류량(Bat_C)이 0A를 초과한 상태에서, 상기 광량측정단계(S120)에서 측정한 광량(R)값이 20W/㎡ 이하였다면, 상기 정상동작 확인단계(S123)를 실시하여 종료한다.
또한 상기 발전전압 측정단계(S100)에 측정한 발전전압(V) 값이 0V가 아니었지만 축전지 전압(Bat_V)값을 초과하였고, 상기 축전지 전류량 측정단계(S110)에서 측정한 축전지 전류량(Bat_C)이 0A를 초과한 상태에서, 상기 광량측정단계(S120)에서 측정한 광량(R)값이 20W/㎡ 를 초과하였다면, 상기 광량센서(112)에 문제가 있다고 판단하고 이를 관리자의 단말기(300)에 통보하는 광량센서 문제확인단계(S124)를 실시하여 종료한다.
도 4는 상기 데이터수집부(213) 및 발전량학습부(214)의 동작 순서 구조도이다. 이하에서는 도 4를 통하여 상기 발전량학습부(214)의 동작 절차에 대하여 설명한다.
상술한 바와 같이, 상기 데이터수집부(213)는 일정 시간 간격에 따르거나 또는 실시간으로 외부의 전기통신망으로부터 데이터를 수집하여 상기 외부환경 DB(223)를 갱신하는데, 상기 외부환경 DB(223)의 갱신 저장까지가 데이터 조달단계(S210)이다.
상기 단계(S210)에서의 데이터 조달 출처는 관리자가 지정하거나, 또는 웹 크로울러(Web crowler) 등의 자동화된 탐색 프로그램으로 데이터를 추출하여 갱신할 수도 있다. 하지만 바람직하게는 상기 단계(S210) 이하의 단계를 원활하게 진행하기 위하여, 대용량 데이터를 수집 및 저장하고 처리할 수 있는 아파치 하둡(Apache Hadoop, 이하 '하둡') 소프트웨어 프레임워크를 이용하는 것이 바람직하다. 상기 하둡은 대량의 자료를 처리할 수 있는 분산 응용 프로그램을 지원하는 프리웨어 자바 소프트웨어 프레임워크로서, 빅데이터 처리와 분석을 위한 플랫폼 중 사실상 표준으로 사용되고 있다.
상기와 같은 하둡 프레임워크는 기본적으로 다수의 컴퓨터를 사용하여 마치 하나인 것처럼 사용하는 분산 프로그래밍 시스템으로서, 상기 제어서버(200)를 상술한 바와 같이 둘 이상의 컴퓨터를 편성하여 구현할 때 상기 하둡 프레임워크를 사용할 수 있다.
또한 상기 하둡 프레임워크를 사용하게 되면, 상기 하둡 프레임워크의 구성요소로서 사용할 수 있는 하둡 분산형 파일시스템(HDFS; Hadoop distributed file system), MapReduce, Hive, Spark 등을 모두 사용할 수 있다. 이러한 상기 하둡 프레임워크와 하둡 프레임워크의 구성요소들에 대한 설명 등은 종래에 이미 공개되어 있는 기술내용으로 더 이상의 설명은 생략한다.
상기 단계(S210)에서의 데이터 취합 출처는 외부의 전기통신망 중 공중이 접근 가능한 어느 곳에서든 가능할 수 있는데, 예를 들어 본 발명의 시스템이 설치되는 그 지역의 연간 또는 월간 기상 데이터 등을 참조할 수도 있을 것이고, PVOutput나 NSRDB, Meso West 등 전세계적으로 취합된 데이터가 저장되어 있는 데이터베이스를 참조할 수도 있을 것이며, 타국가의 다른 태양광 발전 시스템의 데이터 등을 참조할 수도 있을 것이다.
상기 단계(S210)를 통해 취합된 데이터에 대하여, 상기 발전량학습부(240)는 데이터마이닝을 실시하는 데이터마이닝 단계(S220)를 실시한다.
상기 단계(S220)에서의 목표는 상기 외부환경 DB(223)에 저장되어 있는 원시 데이터에 대하여 다음 단계에서 사용할 수 있도록 가공하여 이를 바탕으로 발전량 예측에 대한 원시적이고 불확실한 예측모델 데이터인 원시모델 데이터(PD)를 생성하는 것이다. 상기 원시모델 데이터(PD)는 상기 형성모델 DB(2241)에 갱신되어 저장될 수 있다.
상기 단계(S220)를 달성하기 위한 데이터마이닝 기법 및 이하에서 추가적으로 설명할 모델 트레이닝(S230), 모델 테스팅(S24) 단계를 달성하기 위하여, 인공 신경망(ANN; Artificial neural network) 구조 중에서도 둘 이상의 은닉층을 가지는 심층 신경망을 사용하여 상기 발전량학습부(214)의 목적을 달성하도록 한다.
또한 상기 심층 신경망은 BP 알고리즘(Back Propagation) 알고리즘을 이용하여 동작하며, 따라서 상기 단계(S220) 이하의 각 단계들(S230, S240) 또한 상기 BP 알고리즘을 사용한 심층 신경망을 사용하여 구현하는 것이 바람직하다.
이하에서는 도 5에서 도시된 바와 같이, 본 발명의 각 단계(S220, S230, S240)를 포함하여, 상기 발전량학습부(214)의 동작은 2개의 깊이(Depth)을 가지는 상기 심층 신경망과 BP 알고리즘을 사용하는 것을 일예시로 하여 설명한다. 이하에서의 심층 신경망에 적용되는 BP 알고리즘은 가장 일반적이고 정식적인 방법을 사용하므로, 이 분야의 당업자들은 이하에서 설명할 상기 심층 신경망과 BP 알고리즘에 대한 설명에 대하여 쉽게 이해할 수 있을 것이다.
상기 단계(S220)에서는 또한 추가적인 데이터 정제(S221) 단계를 통하여 발전량 예측모델에 사용될 트레이닝셋(D1), 테스트셋(D2), 그리고 블라인드셋(D3)를 형성한다. 상기 트레이닝셋(D1), 테스트셋(D2), 그리고 블라인드셋(D3)은 각각 상기 학습 DB(224) 내의 트레이닝셋 DB(2242), 테스트셋 DB(2243), 블라인드셋 DB(2244)에 각각 개별적으로 저장되며, 상기 셋 데이터(D1~D3)에 대한 설명은 차후에 한다.
상기 단계(S220)를 통하여 형성된 상기 원시모델 데이터(PD)는 일반적인 순방향 심층 신경망의 입력층 부분에 대응될 수 있도록, 상기 외부환경 DB(223)에 저장되어 있는 일사량(S), 강수량(R), 기온(T), 전운량(C), 습도(Wt), 안개(F) 정보에 대하여 변형시킨, 0.0~1.0 사이의 값으로 정규화된 입력데이터(X1~X6)로 변환되어 상기 형성모델 DB(2241)에 갱신 저장한다.
상기 단계(S220)를 통하여 형성된 상기 원시모델 데이터(PD)에 대하여 모델 트레이닝 단계(S230)를 실시한다.
상기 단계(S230)에서는 도 5에서 도시된 바와 같이, 깊이(Depth)가 2개, 즉 은닉층(HL)과 출력층(OL)을 포함하는 구조를 만들어 예측을 진행한다. epoch(반복학습의 횟수) 및 최대 에러율, 학습률을 선정하여 상기 단계(S230)를 진행하는데, 여기서 epoch값, 최대 에러율, 학습률은 관리자가 상기 단계(230)를 수행하기 위하여 임의로 선정하는 값이다. 예를 들어 epoch 1000회, 최대 에러율 0.0001, 0.001, 0.01로 하고, 학습률 0.0001, 0.001, 0.01, 0.1로 선정하여 진행 할 수 있다.
상기와 같이 임의로 정하는 최대 에러율과 학습률로 진행된 결과로 평균 제곱근 오차(Root mean square error; RMSE)를 산출하여 가장 적은 값을 도출하여 사용할 수 있다.
상기 단계(S230)에서 학습에 사용하는 것이 상기 트레이닝셋(D1)이다. 상기 트레이닝셋(D1)은 상기 데이터 정제단계(S221)에서 형성되는데, 상기 단계(S221)에서는 정해진 기준에 따라 데이터, 즉 상기 외부환경 DB(223)에 저장되어 있는 일사량(S), 강수량(R), 기온(T), 전운량(C), 습도(Wt), 안개(F) 정보를 미리 입력된 기준에 따라 분류 및 분석, 세트화하여 형성된 데이터이다.
상기 단계(S230)를 실시하는 구체적인 순서가 도 6에 도시되어 있다. 이에 대해 설명하면, 상기 단계(S230)에서 인입되는 원시모델 데이터(PD)에 대하여 관리자가 수치를 선정하고 선정된 수치 및 학습 패턴쌍을 입력하는 수치선정 및 입력단계(S231), 은닉층(HL) 및 출력층(OL)의 입력 가중합 및 최종 출력을 계산하는 출력계산 단계(S232), 오차신호값을 계산하는 오차계산단계(S233), 그리고 다음 회차의 학습단계에 사용될 연결강도를 구하는 연결강도 변화량 계산단계(S234)를 실시한다.
상기 수치선정 및 입력단계(S231)에서는, 우선 상기 발전량학습부(214)가 신경망 중 상기 원시모델 데이터(PD)와 상기 은닉층(HL) 간의 연결강도(Vk) 와, 상기 은닉층(HL)과 출력층(OL) 간의 연결강도(Wk)를 임의의 작은 값으로 초기화하고, 상기 원시모델 데이터(PD) 내에 포함된 정규화된 입력데이터(X1~X6)를 불러오며, 목표치(d)를 선정한다.
이때 만약 상기 단계(S231)가 이전부터 학습을 실시하여, 차후에 설명될 연결강도 변화량 계산단계(S234)를 실시하여 다음 회차에서 사용할 신경망 연결강도 VK+1 와 Wk+1 값을 받은 상태로 재귀하여 상기 수치선정 및 입력단계(S231)를 다시 실시하고 있는 상태라면, 이전 회차 상기 연결강도 변화량 계산단계(S234)에서 결정된 신경망 연결강도 VK+1 와 Wk+1 값을 사용하도록 한다.
그리고 상기 단계(S231)에서는 또한, 관리자가 적절한 학습률(η)과 최대 에러율(Emax)를 결정하여 입력하고, 상기 발전량학습부(214)가 연결 강도 변경을 위해 학습 패턴쌍을 차례로 입력한다.
상기 단계(S231) 이후에는 출력계산단계(S232)를 실시한다. 상기 출력계산단계에서는 우선 아래 수학식 2를 통해 은닉층(HL)의 입력 가중합(NETz)을 구한다.
Figure 112019076619834-pat00002
상기 수학식 2에서, Xn 은 상기 원시모델 데이터(PD)에 포함되어 있는, 일사량(S), 강수량(R), 기온(T), 전운량(C), 습도(Wt), 안개(F) 정보에 대하여 변형시킨, 0.0~1.0 사이의 값으로 정규화된 실험용 데이터(X1~X6) 중 어느 하나이고, 상기 T는 전치(Transpose)된 것임을 의미한다.
상기 수학식 2를 통해 상기 은닉층(HL)의 입력 가중합(NETz)을 구한 뒤, 시그모이드(Sigmoid) 함수 형태로 표현되는 아래 수학식 3을 통해 출력 Z를 구한다.
Figure 112019076619834-pat00003
그리고 아래 수학식 4를 통해 출력층(OL)의 입력 가중합(NETy)을 구한다.
Figure 112019076619834-pat00004
그리고 아래 수학식 5를 통해 최종 출력(y)을 구한다.
Figure 112019076619834-pat00005
상기와 같이 최종 출력(y)을 구함으로서 상기 출력계산 단계(S232)를 종료한다.
상기 단계(S232)의 종료 후에는 오차계산 단계(S233)를 실시한다. 상기 오차계산 단계(S233)에서는, 우선 아래 수학식 6을 통하여 제곱오차 E를 갱신 저장한다. 최초의 제곱오차 E값은 0이 된다.
Figure 112019076619834-pat00006
그리고 상기 출력층(OL)의 오차신호(δy)를 아래의 수학식 7을 통해 구한다.
Figure 112019076619834-pat00007
또한 상기 은닉층(HL)의 오차신호(δz)를 아래의 수학식 8을 통해 구한다.
Figure 112019076619834-pat00008
상기와 같은 순서를 통하여 상기 은닉층 오차신호(δz)를 구함으로서 상기 오차계산 단계(233)를 종료한다.
상기 단계(S233)의 종료 후에는 연결강도 변화량 계산단계(S234)를 실시한다. 상기 단계(S234)에서는 상기 은닉층 및 출력층(HL, OL) 간의 연결강도 변화량(ΔW)을 구하여 다음 회차 학습의 수치선정 및 입력단계(S231)에 사용될 연결강도(Wk+1)를 아래 수학식 9를 통하여 구한다.
Figure 112019076619834-pat00009
또한 상기 단계(S234)에서는 입력층의 역할을 하는 상기 원시모델 데이터(PD)와 상기 은닉층(HL) 간의 연결강도 변화량(ΔV)을 계산하여 다음 회차 학습의 수치선정 및 입력단계(S231)에 사용될 연결강도(Vk+1)를 아래 수학식 10을 통하여 구한다.
Figure 112019076619834-pat00010
상기와 같은 순서를 통하여 상기 다음 회차 학습 연결강도(Wk+1, Vk+1)를 구함으로서 상기 연결강도 변화량 계산단계(234)를 종료한다.
상기한 단계(S231~S234)를 통해 1회차의 학습을 실시하게 되며, 이러한 상기 단계(S231~S234)의 반복적인 실시를 통한 반복 학습을 통해 최적의 값을 찾아가도록 해야 하는데, 상기 단계(S234) 종료 후 미리 입력된 epoch값을 초과하였는지 검사하여 미만이라면 상기 단계(S231)로 돌아가 다시 계산하고, 만약 미리 입력된 epoch값을 초과하였다면 이때는 미리 입력된 최대 에러율(Emax)과 비교하여 만약 미리 입력된 최대 에러율(Emax) 이상이라면 다시 상기 단계(S231)로 돌아가고, 그렇지 않다면 다음 단계로 넘어간다.
상기 학습량, 은닉층의 수, 최대 에러율은 선정하는 데 있어서 분명한 규칙을 두지 않고, 잘못된 초기값은 과대적합(Overfitting) 문제를 보이므로 관리자는 상기 학습량, 은닉층의 수, 최대 에러율의 선정에 있어서 적절한 값을 선정하여 반복적인 학습 실험을 통해 최적의 초기값을 찾을 수 있다.
상기 단계(S230)를 통과한 데이터 대하여는 모델 테스팅 단계(S240)를 실시한다.
상기 모델 테스팅 단계(S240)는 상기 데이터 정제단계(S221)에서 설정된 기준에 따라 생성된 테스트셋(D2)과 블라인드셋(D3)을 이용한다.
상기 테스트셋(D2)은 일반적인 딥러닝 테스트 단계에서 사용하는, 학습 완료 후 검증을 하기 위하여 사용되는 데이터이며 상기 블라인드셋(D3)은 추가로 구분지어져 사용되는 벨리데이션 셋으로서 학습을 하는데 필요한 학습률 및 과대적합 현상을 줄이기 위하여 사용되는 데이터이다.
상기 단계(S240)를 통과한 데이터는 높은 적중률을 보이는 예측모델 데이터(CD)가 되어, 미래의 발전량을 효과적으로 예측할 수 있게 된다.
100 : 태양광 발전부. 110 : 태양전지부.
111 : 태양전지 발전부. 112 : 광량센서.
113 : 태양전지 측정부. 1131 : 태양전지 발전전압 측정부.
1132 : 태양전지 전류 측정부. 120 : 축전지부.
121 : 축전지 저장부. 1221 : 축전지 전압 측정부.
1222 : 축전지 충전전류 측정부. 130 : 통신부.
200 : 제어서버. 210 : 제어부.
211 : 고장판단부. 212 : 통계작성부.
213 : 데이터수집부. 214 : 발전량학습부.
220 : 서버 DB. 221 : 시스템 현황 DB.
2211, 2212 : 시스템 개별 DB. 222: 시스템 현황 DB.
2221 : 발전량 DB. 2222 : 이산화탄소 절감총량 DB.
2223 : 발전비용 DB. 2224 : 발전시간 DB.
2225 : 인버터가동률 DB. 2226 : 변환효율 DB.
223 : 외부환경 DB. 2231 : 일사량 DB.
2232 : 강수량 DB. 2233 : 기온 DB.
2234 : 전운량 DB. 2235 : 습도 DB.
2236 : 안개 DB. 224 : 학습 DB.
2241 : 형성모델 DB. 2242 : 트레이닝셋 DB.
2243 : 테스트셋 DB. 2244 : 블라인드셋 DB.
230 : 서버 통신부. 300 : 단말기.

Claims (16)

  1. 하나 이상의 태양광 발전부와, 상기 하나 이상의 태양광 발전부와 유선 또는 무선으로 통신 가능하게 연결되는 제어서버, 그리고 상기 제어서버와 유선 또는 무선으로 통신 가능하게 연결되는 하나 이상의 관리자 단말기를 포함하고,
    상기 태양광 발전부는 하나 이상의 태양전지들을 포함하는 태양전지 발전부; 광량을 측정할 수 있는 광량센서; 그리고 상기 태양전지 발전부 내 태양전지들의 발전전압 및 전류를 측정할 수 있는 태양전지 측정부를 포함하는 태양전지부; 상기 태양전지부에서 발전을 실시하여 생산한 전기에너지를 저장하기 위하여, 하나 이상의 개별 축전지들을 포함하는 축전지 저장부; 그리고 상기 축전지 저장부 내 개별 축전지들의 축전지 전압 및 축전지에 충전되는 전류량을 측정할 수 있는 축전지 측정부를 포함하는 축전지부; 그리고 상기 제어서버와 유선 또는 무선으로 통신할 수 있는 통신수단 및 프로그램을 포함하는 통신부를 포함하며,
    상기 제어서버는 상기 하나 이상의 태양광 발전부를 개별적으로 제어하기 위하여, 상기 하나 이상의 태양광 발전부 각각의 고장을 개별적으로 진단하고 판단하기 위한 고장판단부; 상기 하나 이상의 태양광 발전부와 관련된 하나 이상의 데이터 및 수치에 대한 통계를 작성하는 통계작성부; 외부의 전기통신망을 참조하여 데이터를 갈무리하는 데이터수집부; 그리고 심층 신경망 방식을 이용하여 미래의 태양광 발전량을 예측할 수 있도록 하는 발전량학습부를 포함하는 제어부; 상기 하나 이상의 태양광 발전부 각각의 현황을 구분하여 갱신 저장하는 시스템 현황 DB; 상기 통계작성부가 생성하는 하나 이상의 통계 정보를 저장하는 시스템 통계 DB; 상기 데이터수집부가 외부의 전기통신망을 참조하여 갈무리한 데이터를 저장하는 외부환경 DB; 그리고 상기 발전량학습부(214)의 동작에 따라 생성되는 데이터를 저장하는 학습 DB를 포함하는 서버 DB; 그리고 상기 하나 이상의 태양광 발전부 및 상기 하나 이상의 관리자 단말기와 유선 또는 무선으로 통신 가능하게 연결되는 서버 통신부를 포함하고,
    상기 태양전지 측정부는 상기 하나 이상의 태양전지들의 발전전압을 개별적으로 측정할 수 있는 태양전지 발전전압 측정부; 그리고 상기 하나 이상의 태양전지들의 전류를 개별적으로 측정할 수 있는 태양전지 전류 측정부를 포함하며,
    상기 축전지 측정부는 상기 하나 이상의 개별 축전지들의 전압을 측정할 수 있는 축전지 전압 측정부; 그리고 상기 하나 이상의 개별 축전지들의 충전 전류를 측정할 수 있는 축전지 충전전류 측정부를 포함하고,
    상기 제어서버는 둘 이상의 컴퓨터를 포함하고, 상기 제어서버에 포함되는 둘 이상의 컴퓨터에는 분산처리 프로그램이 설치되어, 상기 제어서버가 상기 분산처리 프로그램에 의해 구현되고,
    상기 시스템 통계 DB는 발전량 DB, 이산화탄소 절감총량 DB, 발전비용 DB, 발전시간 DB, 인버터가동률 DB, 그리고 변환효율 DB를 포함하고,
    상기 외부환경 DB는 일사량 DB, 강수량 DB, 기온 DB, 전운량 DB, 습도 DB, 그리고 안개 DB를 포함하며,
    상기 학습 DB는 형성모델 DB, 트레이닝셋 DB, 테스트셋 DB, 그리고 블라인드셋 DB를 포함하는 태양광 발전 및 제어시스템의 운영 방법으로서,
    상기 태양광 발전부 중 어느 하나의 태양전지 발전전압(V)을 측정하고 판단하는 발전전압 측정단계(S100);
    상기 단계(S100) 이후, 상기 단계(S100)에서 측정 대상이 된 태양광 발전부의 축전지 전류량(Bat_C)을 측정하고 판단하는 축전지 전류량 측정단계(S110)
    그리고 상기 단계(S110) 이후, 상기 단계(S110)에서 상기 태양광 발전부 내 광량센서를 이용하여 광량(R)을 측정하고 판단하는 광량측정단계(S120)를 실시하여 고장을 진단하는 것을 특징으로 하는, 태양광 발전 및 제어시스템의 운영 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제 1항에 있어서,
    상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V) 이하로 판단되면 측정 대상 태양광 발전부가 정상 동작임을 확인하는 정상동작 확인단계(S101)를 실시하고 상기 단계(S110, S120)를 실시하지 않은 채 고장진단을 종료하는 것을 특징으로 하는, 태양광 발전 및 제어시스템의 운영 방법.
  10. 제 1항에 있어서,상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V) 초과이며, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 이하라면, 측정 대상 태양광 발전부 중 태양전지의 전류측정부가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 태양전지 전류측정부 문제확인단계(S111)를 실시하고 상기 단계(S120)를 실시하지 않은 채 고장진단을 종료하는 것을 특징으로 하는, 태양광 발전 및 제어시스템의 운영 방법.
  11. 제 1항에 있어서, 상기 단계(S100)에서 상기 발전전압(V)이 0V이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이며, 상기 단계(S120)에서 상기 광량(R)이 20W/㎡ 초과이면 측정 대상 태양광 발전부 중 태양전지의 전류측정부가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 태양전지 전류측정부 문제확인단계(S121)를 실시하고 고장진단을 종료하는 것을 특징으로 하는, 태양광 발전 및 제어시스템의 운영 방법.
  12. 제 1항에 있어서,
    상기 단계(S100)에서 상기 발전전압(V)이 0V이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 이하이거나,
    상기 단계(S100)에서 상기 발전전압(V)이 0V이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 이하이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 초과이면 측정 대상 태양광 발전부 중 태양전지의 전압측정부 및 전류측정부가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 태양전지 전압, 전류측정부 문제확인단계(S122)를 실시하고 고장진단을 종료하는 것을 특징으로 하는, 태양광 발전 및 제어시스템의 운영 방법.
  13. 제 1항에 있어서,
    상기 단계(S100)에서 상기 발전전압(V)이 0V이고, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 이하이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 이하이거나,
    상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V)을 초과하였으며, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡ 이하라면, 측정 대상 태양광 발전부가 정상 동작임을 확인하는 정상동작 확인단계(S123)를 실시하고 고장진단을 종료하는 것을 특징으로 하는, 태양광 발전 및 제어시스템의 운영 방법.
  14. 제 1항에 있어서,
    상기 단계(S100)에서 상기 발전전압(V)이 0V가 아니고 현재 축전지 전압값(Bat_V)을 초과하였으며, 상기 단계(S110)에서 상기 축전지 전류량(Bat_C)이 0A 초과이며, 상기 단계(S120)에서의 상기 광량(R)이 20W/㎡을 초과하였다면, 측정 대상 태양광 발전부의 광량센서가 고장난 것으로 판단하고 이를 관리자의 단말기에 통보하는 광량센서 문제확인단계(S124)를 실시하고 고장진단을 종료하는 것을 특징으로 하는, 태양광 발전 및 제어시스템의 운영 방법.
  15. 삭제
  16. 삭제
KR1020190090343A 2019-07-25 2019-07-25 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법 KR102259096B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190090343A KR102259096B1 (ko) 2019-07-25 2019-07-25 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190090343A KR102259096B1 (ko) 2019-07-25 2019-07-25 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법

Publications (3)

Publication Number Publication Date
KR20210012501A KR20210012501A (ko) 2021-02-03
KR102259096B1 true KR102259096B1 (ko) 2021-06-01
KR102259096B9 KR102259096B9 (ko) 2023-01-13

Family

ID=74571977

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190090343A KR102259096B1 (ko) 2019-07-25 2019-07-25 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법

Country Status (1)

Country Link
KR (1) KR102259096B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101967440B1 (ko) * 2018-07-05 2019-04-09 첨단제어시스템 주식회사 신재생에너지 통합 모니터링 시스템

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110005368A (ko) * 2009-07-10 2011-01-18 주식회사 메타비즈 태양광 발전기의 운용관리 시스템 및 방법
KR20150074462A (ko) 2013-12-24 2015-07-02 전자부품연구원 태양광 발전량 예측 방법
KR101845393B1 (ko) * 2016-01-28 2018-04-05 주식회사 아임클라우드 빅데이터 기반의 스마트 팩토리 분석시스템 및 방법
KR20180109101A (ko) 2017-03-27 2018-10-08 조두산 기계학습을 이용한 태양광 발전 용량 예측 방법
KR101761686B1 (ko) 2017-03-31 2017-07-31 (주)하모니앤유나이티드 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
KR101971875B1 (ko) * 2017-05-10 2019-04-24 주식회사 알스피릿 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법
KR102055179B1 (ko) * 2017-12-14 2020-01-22 주식회사 디오시스템 태양광발전원의 전력패턴분석·신재생에너지 시각화기능을 갖는 스마트 에너지관리장치
KR102002548B1 (ko) 2017-12-28 2019-07-22 한국남동발전 주식회사 영농형 태양광 발전 예측시스템 및 이를 이용한 발전량 및 수익 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101967440B1 (ko) * 2018-07-05 2019-04-09 첨단제어시스템 주식회사 신재생에너지 통합 모니터링 시스템

Also Published As

Publication number Publication date
KR20210012501A (ko) 2021-02-03
KR102259096B9 (ko) 2023-01-13

Similar Documents

Publication Publication Date Title
Cervone et al. Short-term photovoltaic power forecasting using Artificial Neural Networks and an Analog Ensemble
KR102237654B1 (ko) 타겟 시스템들을 제어하기 위한 예측 사용
AU2019238653A1 (en) Degradation estimation apparatus, computer program, and degradation estimation method
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
Ciabattoni et al. Solar irradiation forecasting using RBF networks for PV systems with storage
Mohammadi et al. Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages
Pranolo et al. Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series
Jiang et al. Day‐ahead renewable scenario forecasts based on generative adversarial networks
KR102292748B1 (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
CN116502771B (zh) 一种基于电力物资预测的配电方法及系统
KR102259096B1 (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
KR102498535B1 (ko) 신재생에너지 발전 관리 시스템
Arshad et al. Wind power prediction using genetic programming based ensemble of artificial neural networks (GPeANN)
Wu et al. Design of A battery energy management system for capacity charge reduction
CN113862691B (zh) 光伏制氢的控制方法、装置、存储介质及电子设备
CN114611799B (zh) 基于监督学习的时序神经网络新能源出力多步预测方法
CN116054129A (zh) 一种基于光伏制氢的多电解槽联合运行功率分配方法
Guanoluisa-Pineda et al. Short-Term forecasting of photovoltaic power in an isolated area of Ecuador using deep learning techniques
CN113283492B (zh) 基于Catboost算法的光伏出力场景生成方法及场景生成装置
CN109447843A (zh) 一种光伏出力预测方法及装置
Paulin et al. SOLAR PHOTOVOLTAIC OUTPUT POWER FORECASTING USING BACK PROPAGATION NEURAL NETWORK.
WO2021015332A1 (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
CN113537607A (zh) 停电预测方法
CN112215253A (zh) 一种基于降噪自编码的锂电池储能系统监测方法及系统

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]