KR102266752B1 - 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법 - Google Patents

자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법 Download PDF

Info

Publication number
KR102266752B1
KR102266752B1 KR1020190102751A KR20190102751A KR102266752B1 KR 102266752 B1 KR102266752 B1 KR 102266752B1 KR 1020190102751 A KR1020190102751 A KR 1020190102751A KR 20190102751 A KR20190102751 A KR 20190102751A KR 102266752 B1 KR102266752 B1 KR 102266752B1
Authority
KR
South Korea
Prior art keywords
panel
internal temperature
junction
junction panel
temperature
Prior art date
Application number
KR1020190102751A
Other languages
English (en)
Other versions
KR20210023077A (ko
Inventor
김홍성
성시은
김기룡
Original Assignee
지앤비쏠라 주식회사
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 지앤비쏠라 주식회사 filed Critical 지앤비쏠라 주식회사
Priority to KR1020190102751A priority Critical patent/KR102266752B1/ko
Publication of KR20210023077A publication Critical patent/KR20210023077A/ko
Application granted granted Critical
Publication of KR102266752B1 publication Critical patent/KR102266752B1/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
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02—Means for indicating or recording specially adapted for thermometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명의 일 실시예에 따른 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반은, 태양광 발전 설비를 모니터링하는 태양광 발전 시스템에서 복수의 태양광스트링으로부터 출력되는 직류전류를 수신하고, 교류전류로 변환하기 위해 인버터로 직류전류를 전송하는 태양광 발전 접속반에 있어서, 상기 태양광 발전 접속반은 접속반 전압, 전류 및 저항을 이용하여 접속반 전력 손실을 산출하고, 접속반 외기온도, 접속반 내부습도, 태양광스트링의 일사량을 포함한 센싱정보를 센싱하고, 상기 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측할 수 있는 것을 특징으로 한다.

Description

자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법{PV System Junction Box based on self reflection and Neural Network and Junction Box Check Method}
본 발명은 태양광 발전 접속반에 관한 것으로, 더욱 상세하게는 자기 반추 와 머신러닝을 이용한 태양광 발전 접속반에 관한 것이다.
태양광 발전 시스템은 태양광에너지를 흡수하여 전기에너지로 변환하는 복수의 태양광스트링, 태양광스트링에서 생산된 직류를 교류로 변환하는 인버터, 태양광스트링과 인버터 사이에서 직류 전력을 모아 인버터에 전송해주는 접속반, 태양광 발전시스템의 운전상태 감시, 데이터 관리 등을 하는 모니터링 시스템의 구성과, 복수의 태양광스트링 스트링이 병렬로 접속되는 접속점을 포함하도록 구성된다.
그런데 이러한 태양광 발전 시스템의 접속반은 고전압, 고전류 특성상 열화에 따른 안전사고 발생 확률이 증가하게 된다. 게다가 열화로 인한 사고 발생시 접속반에 연결된 태양광스트링이나 인버터쪽에 화재가 이어질 수 있어 설비 손실이 커지는 문제가 있기 때문에 정기적인 유지보수가 필수적이다.
그러나, 종래의 접속반 점검은 단순히 전압센서, 전류 센서, 화재 감지 센서(온도센서, 연기센서, 불꽃(아크) 감지 센서 등)을 구비하여 센서 감지 신호에 의존하여 이루어지고 있으며, 센서 하나 하나의 신호에 의존하기 때문에 종합적이고 체계적인 진단 및 예측을 못하는 문제가 있었다.
현재 이러한 센서를 기반으로 하는 정보화 시스템 방식들은 판단기준이 모호하여(예: 온도가 몇 도이면 정상인가?) 유지보수 기준이 유지보수 기술자의 경험적 기준에 좌우되며, 시스템 특성의 변화에 대한 정보를 제공하지 못하여, 시스템의 유지보수 시점을 결정을 어렵게 하고 경험 또는 유사시스템을 기준으로 하는 예방정비방식의 유지보수 행위를 실시할 수밖에 없는 상황을 만드는 문제도 있었다.
또한 기존에 상술한 다수의 센서를 접속반 내부에 구비하고 각 신호별로 적절한 기준 레벨을 세팅 후 센싱된 신호와의 비교를 통해 진단이 이루어지는 경우, 다수의 센서 및 센싱된 데이터에 대한 유선 또는 무선 통신을 이용한 데이터 송신장치의 비용이 추가로 발생하므로 접속반 가격 자체가 고가로 되며 센서 및 데이터 송신장치 자체가 관리 대상이 되는 문제가 발생한다.
특히, 태양광 발전 시스템이 대용량화됨에 따라 접속반의 개수가 늘어날 경우 관리 요소 갯수의 증가는 유지 보수 측면에서 추가적인 비용 추가 및 유지 보수 전담원에 대한 높은 기술적 능력의 요구 등으로 연결되어 경제적 측면에서 문제를 발생 시킬 수 있다.
그리고 유지보수 대상 발전소가 많아질수록 여러 모델의 통합화를 통한 관리해야 할 모델의 간소화 필요성은 증가하게 된다.
따라서, 전술한 문제의 관점에서 보면 경험 기반 유지보수 방식은 경험을 벗어나는 경우의 발생 시 새로운 논리적 경험이 이루어질 때까지 비용을 발생시키므로 직관적이며 합리적인 유지보수 기준 또는 체계가 요구된다. 접속반 관련 센싱정보를 모델 변수로 한 머신러닝 예측모델에 의해 예측된 접속반 내부온도 기준신호를 설정하고, 이 접속반 내부온도 기준신호를 센싱된 내부온도와 비교 및 진단하고, 온도 편차에 따른 가중치를 계산하고, 머신 러닝에 의해 반복적으로 수정 및 보완하여 예측 정확도를 향상시킬 수 있는 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 진단방식에 대한 연구가 필요하게 되었다.
대한민국 등록 특허 제10-1913546호(2018년10월24일 등록)
본 발명은 다음과 같은 문제를 해결하기 위한 태양광 발전 접속반의 외기온도, 내부습도 및 일사량 등을 모델 변수로 한 자기 반추형 머신 러닝 기반 예측모델에 의해 접속반 내부온도 기준신호를 설정하고, 이 접속반 내부온도 기준신호를 이용하여 접속반을 진단하는 방식을 제안하는 것으로서, 경험이 적은 엔지니어라도 직관적으로 이해할 수 있도록 접속반 진단 신호의 설정이 용이하게 하여 시스템 초기 튜닝 비용을 최소화하며, 대규모 태양광 발전 시스템 접속반의 통합 진단을 통하여 유지보수 대상 발전소 관리를 위한 진단 모델의 최소화 및 저가화할 수 있는 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법을 제공하는데 목적이 있다.
본 발명의 일 실시예에 따른 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반은, 태양광 발전 설비를 모니터링하는 태양광 발전 시스템에서 복수의 태양광 스트링으로부터 출력되는 직류전류를 수신하고, 교류전류로 변환하기 위해 인버터로 직류전류를 전송하는 태양광 발전 접속반에 대하여 상기 태양광 발전 접속반은 접속반 전압, 전류 및 저항을 이용하여 접속반 전력 손실을 산출하고, 접속반 외기온도, 접속반 내부습도, 일사량을 포함한 센싱정보를 센싱하고, 상기 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측할 수 있는 것을 특징으로 한다.
상기에 있어서, 접속반이 다수 개 구비되는 경우, 각 접속반마다 접속반 외기온도, 접속반 내부습도를 측정하기 위한 온습도센서를 개별적으로 기본으로 구비하고, 일사량을 측정하기 위한 태양광센서를 포함한 각종 센서를 구비하여, 각각 센싱정보를 수집할 수 있으며, 다수의 접속반 내부습도 및 다수의 접속반 내부온도를 센싱하고, ANN 알고리즘 기반의 예측 모델에 입력변수로 반영하고, 예측된 다수의 접속반 내부온도를 진단 모델을 이용하여 실제 내부온도와 비교를 통해 접속반을 진단하며, 다수의 예측된 접속반 내부온도를 실제 접속반 내부온도와 비교시 분산 또는 평균값을 계산하여 온도 편차를 판단하는 것을 특징으로 한다.
상기에 있어서, 상기 태양광 발전 접속반은 상기 접속반 내부온도, 접속반 외기온도, 접속반 내부습도를 센싱하는 센싱부; 상기 접속반 전압, 전류 및 저항을 이용하여 상기 접속반 전력 손실을 산출하고, 상기 센싱부로부터 센싱된 접속반 내부온도, 접속반 외기온도, 접속반 내부습도를 포함한 센싱정보를 제공받고, 상기 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측하도록 머신러닝부에 요청하는 제어부; 상기 제어부의 요청으로 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측모델을 생성하고, 접속반 내부온도 예측모델을 이용하여 접속반 내부온도를 예측하는 상기 머신러닝부; 상기 머신러닝부로부터 예측된 접속반 내부온도와 상기 센싱부로부터 센싱된 접속반 내부온도를 각각 비교하여 온도 편차에 따른 가중치를 부여하고, 예측된 접속반 내부온도의 예측 정확도를 가중치를 토대로 진단하여 예측 리포트를 생성하고, 생성된 예측 리포트를 머신러닝부에 전달하는 비교및진단부; 를 더 포함한다.
상기에 있어서, 상기 비교및진단부의 예측 정확도에 대한 예측 리포트를 제공받아 외부의 관리자단말로 전송하는 통신부;를 더 포함한다.
상기에 있어서, 상기 머신러닝부는 예측된 접속반 내부온도 기준신호를 설정하고, 상기 비교및진단부로부터 예측 리포트를 제공받아 예측된 접속반 내부온도의 온도 편차에 대한 머신러닝을 수행하고, 다음 접속반의 접속반 내부온도 예측 모델의 모델 변수에 온도 편차를 반영하여 접속반 내부온도 예측을 재수행하며, 온도 편차를 반영하여 접속반 내부온도 예측을 반복적으로 재수행함으로써, 접속반 내부온도 기준신호를 재설정하는 것을 특징으로 한다.
상기에 있어서, 상기 머신러닝부는 태양광 발전 초기의 센싱정보를 이용하여 접속반 내부온도 기준신호를 설정시 일정 시간 동안 센싱정보를 수집한 후 현재의 내부온도와 비교하여 온도편차가 기준편차를 초과하지 않는 안정기를 설정하고, 설정된 안정기에 도달한 후에 수집된 센싱정보를 이용하여 접속반 내부온도를 예측하고, 해당 예측값을 접속반 내부온도 기준신호로 설정하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 태양광 발전 접속반의 예측진단 방법은, 태양광 발전 설비를 모니터링하는 태양광 발전 시스템에서 복수의 태양광스트링으로부터 출력되는 직류전류를 수신하고, 교류전류로 변환하기 위해 인버터로 직류전류를 전송하는 태양광 발전 접속반의 예측진단 방법에 있어서, 태양광 발전 접속반에서 일정 주기의 기간 동안 접속반 전압, 전류 및 저항을 이용하여 접속반 전력 손실을 산출하는 단계; 일정 기간 동안 태양광 발전 접속반의 센싱부에서 접속반 외기온도, 접속반 내부습도, 태양광스트링의 일사량, 접속반 내부온도를 포함한 센싱정보를 수집하는 단계; 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측하는 단계; 예측 수행한 후 진단 모델을 이용하여 실제 내부온도와 비교를 통해 접속반을 진단하는 단계; 를 포함한다.
상기에 있어서, 상기 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측시, 비교 및 진단부에서 머신러닝부로부터 예측된 접속반 내부온도와 상기 센싱부로부터 센싱된 접속반 내부온도를 각각 비교하여 온도 편차에 따른 가중치를 부여하고, 예측된 접속반 내부온도의 예측 정확도를 가중치를 토대로 진단하여 예측 리포트를 생성하고, 생성된 예측 리포트를 상기 머신러닝부에 전달하는 것을 특징으로 한다.
상기에 있어서, 상기 생성된 예측 리포트를 상기 머신러닝부에 전달시, 예측된 접속반 내부온도 기준신호를 설정할 수 있으며, 상기 비교및진단부로부터 예측 리포트를 제공받아 예측된 접속반 내부온도의 온도 편차에 대한 머신러닝을 수행하고, 다음 접속반의 접속반 내부온도 예측 모델의 모델 변수에 온도 편차를 반영하여 접속반 내부온도 예측을 재수행하며, 온도 편차를 반영하여 접속반 내부온도 예측을 반복적으로 재수행함으로써, 접속반 내부온도 기준신호를 재설정하는 것을 특징으로 한다.
상기에 있어서, 상기 머신러닝부는 태양광 발전 초기의 센싱정보를 이용하여 접속반 내부온도 기준신호를 설정시 일정 시간 동안 센싱정보를 수집한 후 현재의 내부온도와 비교하여 온도편차가 기준편차를 초과하지 않는 안정기를 설정하고, 설정된 안정기에 도달한 후에 수집된 센싱정보를 이용하여 접속반 내부온도를 예측하고, 해당 예측값을 접속반 내부온도 기준신호로 설정하는 것을 특징으로 한다.
본 발명의 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반은 센싱정보를 최소화한 저가형 태양광 발전 시스템을 기반으로 시스템의 특성을 예측하고 이를 바탕으로 정량적 진단이 가능한 저가형 대용량 태양광 발전 시스템의 진단 방법을 제공할 수 있는 이점이 있다.
또한 접속반 외기온도, 습도, 일사량을 포함한 센싱정보를 모델 변수로 한 예측모델로 접속반 내부 온도를 예측하고, 머신러닝을 통하여 전력 손실 예측 정확도를 향상시킬 수 있는 이점이 있다.
또한 접속반 주변의 외기온도, 접속반 습도를 포함한 센싱정보를 이용하여 접속반의 내부 온도를 예측하고 진단할 수 있으므로, 종합적이고 체계적인 진단 및 예측이 가능하고, 접속반에서 발생할 수 있는 열화 등의 사고를 미연에 방지할 수 있는 이점이 있다.
도 1은 본 발명의 접속반이 포함된 태양광발전 시스템의 일부 구성을 보인 블록도이다.
도 2는 본 발명의 일 실시예에 따른 접속반의 세부 구성을 보인 블록도이다.
도 3은 도 2의 접속반의 예측 모델을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 접속반 내부온도 진단 방법의 순서도이다.
도 5는 본 발명의 접속반이 다수 개 구비되는 경우 예측 모델을 설명하기 위한 도면이다.
도 6은 본 발명의 접속반 진단 방법을 설명하기 위한 순시고장율 함수 그래프를 나타내는 도면이다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
도 1은 본 발명의 접속반이 포함된 태양광발전 시스템의 일부 구성을 보인 블록도이며, 도 2는 본 발명의 일 실시예에 따른 접속반의 세부 구성을 보인 블록도이며, 도 3은 도 2의 접속반의 예측 모델을 설명하기 위한 도면이다.
도 1 내지 도 3을 참조하여 상세하게 설명하면, 본 발명의 태양광 발전 접속반(200)은 도 1에 도시된 바와 같이, 태양광 발전 설비를 모니터링하는 태양광 발전 시스템에서 복수의 태양광스트링(100)으로부터 출력되는 직류전류를 수신하고, 교류전류로 변환하기 위하여 배전반(400) 및 부하(500)에 연결되는 인버터(300)로 직류전류를 전송하는 접속반(200)이 될 수 있다.
태양광 발전 접속반(200)은 접속반 전압, 전류 및 저항을 이용하여 접속반(200) 전력 손실 모델(연산 알고리즘)에 따라 접속반 전력 손실을 산출한다.
또한, 태양광 발전 접속반(200)은 접속반 외기온도, 접속반 내부습도, 태양광스트링 일사량을 포함한 센싱정보를 센싱하여 수집하고, 접속반(200) 전력 손실과 센싱정보를 모델 변수로 한 접속반 예측 모델을 이용하여 접속반(200)의 센싱정보들을 예측할 수 있으며, 특히 내부온도 외의 센싱정보를 입력 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측할 수 있다.
여기서 센싱정보는 접속반 외기온도, 접속반 내부습도, 태양광스트링 일사량 외에도 접속반 내부온도를 포함할 수 있다. 센싱정보는 접속반(200)의 설치 장소에 따라 접속반 주변 풍량, 풍속, 지열 등의 외부환경요인이 더 포함될 수도 있다. 각 센싱정보를 획득하기 위한 온도 센서, 습도센서 등이 접속반(200)에 설치될 수 있다.
또한, 다수의 접속반을 구성하고 접속반별로 진단을 위해 사용되는 경우, 센싱정보에 대한 변수는 온도 및 습도이며, 온도 센서 및 습도 센서는 통상 일체형으로 하고, 각 접속반별 진단용 온/습도센서의 개수 1개가 단일로 이용되므로, 저가형으로 접속반 온도를 예측할 수 있다.
태양광 발전 접속반(200)은 도 2에 도시된 바와 같이, 센싱부(210), 제어부(220), 머신러닝부(230), 비교및진단부(240) 및 통신부(250)를 더 포함한다.
센싱부(210)는 접속반(200) 외기온도, 접속반(200) 내부습도, 태양광스트링(100)의 일사량을 센싱할 수 있도록 일체형 또는 분리형의 온/습도센서 및 태양광 센서를 포함하며, 그 외 측정이 필요한 외부 환경 요인(풍량, 풍속, 지열, 복사열, 충격 등)에 대한 센서들이 포함될 수도 있다.
제어부(220)는 접속반(200) 전력 손실 모델인 하기의 수학식 1을 이용하여 접속반(200) 전력 손실을 계산할 수 있다.
Figure 112019086140362-pat00001
여기서 PLOSS는 접속반 전력손실이며, ipvj는 접속반 전류, Rj, ROP은 접속반 내부 저항, vpv는 접속반 전압을 의미한다.
또한 제어부(220)는 상기 센싱부(210)로부터 센싱된 접속반(200) 외기온도, 접속반(200) 내부습도를 포함한 센싱정보를 제공받고, 접속반(200) 내부온도 예측 모델을 이용하여 접속반(200) 센싱정보를 예측하도록 머신러닝부(230)에 요청한다.
머신러닝부(230)는 접속반(200) 전력 손실과 센싱정보를 모델 변수로 한 접속반(200) 예측모델을 생성하고, 접속반(200) 내부온도 예측모델을 이용하여 접속반(200) 내부온도를 예측한다.
이때 접속반(200) 내부온도 예측을 위해 센싱정보로 태양광스트링(100)의 일사량, 접속반 외기온도, 접속반 내부습도에 대한 센싱정보가 필요하며, 이러한 센싱정보와 제어부(220)에서 산출된 전력 손실을 모델 변수로 한 접속반 내부온도 예측모델에 의해 접속반 내부온도를 예측할 수 있다. 또한 머신러닝부(230)는 예측된 접속반 내부온도 기준신호를 설정한다.
나아가 머신러닝부(230)는 비교및진단부(240)로부터 예측 리포트를 제공받아 예측된 내부온도의 온도 편차에 대한 머신러닝을 수행하고, 다음 접속반(200)의 접속반 내부온도 예측 모델의 모델 변수에 온도 편차를 반영하여 접속반 내부온도 예측을 재수행한다.
또한 머신러닝부(230)는 온도 편차를 반영하여 접속반(200) 내부온도 예측을 반복적으로 재수행함으로써, 접속반(200) 내부온도 기준신호를 재설정하고, 머신러닝을 반복할수록 접속반(200) 내부온도 기준신호가 실제 측정된 접속반(200) 내부온도의 수치에 가까워질 수 있게 학습할 수 있다.
또한 머신러닝부(230)는 발전 초기의 센싱정보를 이용하여 접속반 내부온도 기준신호를 설정시 일정 시간 동안 센싱정보를 수집한 후 현재의 내부온도와 비교하여 온도편차가 기준편차를 초과하지 않는 안정기를 설정하고, 설정된 안정기에 도달한 후에 수집된 센싱정보를 이용하여 접속반 내부온도를 예측하고, 해당 예측값을 접속반 내부온도 기준신호로 설정할 수 있다.
비교및진단부(240)는 머신러닝부(230)로부터 예측된 접속반(200) 내부온도와 센싱부(210)로부터 센싱된 접속반(200) 내부온도를 각각 비교하여 온도편차에 따른 가중치를 부여하고, 예측된 접속반(200) 내부온도의 예측 정확도를 가중치를 토대로 진단하여 예측 리포트를 생성하고, 생성된 예측 리포트를 머신러닝부(230)에 전달한다.
비교및진단부(240)에서 생성된 예측 리포트는 머신러닝부(230)에서 예측 정확도를 높이기 위해 머신러닝할 수 있도록 제공된다.
나아가 비교및진단부(240)는 머신러닝부(230)로부터 예측된 접속반(200) 전력 손실과 실제 접속반(200) 전력 손실을 비교하고 손실 편차에 따른 가중치를 부여하고, 예측된 접속반(200) 전력 손실의 예측 정확도를 가중치를 토대로 진단하여 예측 리포트를 생성하고, 생성된 예측 리포트를 머신러닝부(230)에 전달하여 머신러닝에 이용할 수도 있다.
통신부(250)는 상기 비교및진단부(240)의 예측 정확도에 대한 예측 리포트를 제공받아 외부의 관리자단말(미도시)로 전송한다.
외부의 관리자단말은 예측 리포트를 수신하여 예측 정확도에 대한 평가를 즉시 수행할 수 있고, 예측 리포트를 통하여 외부 관리자가 접속반(200)의 점검이나 보수 여부를 결정할 수 있도록 한다.
도 4는 본 발명의 일 실시예에 따른 접속반 내부온도 예측, 비교 및 진단하는 방법의 순서도이다.
접속반 내부온도 예측, 비교 및 진단하는 방법은 다음의 단계를 포함할 수 있다.
태양광 발전 접속반에서 일정 주기의 기간 동안 접속반 전압, 전류 및 저항을 이용하여 접속반 전력 손실을 산출한다(S200).
또한 일정 주기의 기간 동안 태양광 발전 접속반의 센싱부에서 접속반 외기온도, 접속반 내부습도, 태양광스트링의 일사량, 접속반 내부온도를 포함한 센싱정보를 수집한다(S202).
접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측한다(S204). 이때, 태양광 발전용 접속반 전력 손실, 외기온도, 접속반 내부습도, 일사량을 입력변수로 하고, 접속반 내부온도를 출력(목적)변수로 하는 머신 러닝 기반의 접속반 내부온도 예측 모델을 이용할 수 있다. 또한 예측모델을 이용하여 현재의 조건(태양광 발전용 접속반의 손실, 외기온도, 내부습도 및 일사량)에서 접속반 내부온도 조건 예측을 수행한다.
예측 수행한 후 진단 모델을 이용하여 실제 내부온도와 비교를 통해 접속반을 진단한다(S206).
나아가, 상기 단계에서 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측시, 접속반에 구비된 비교및진단부에서 머신러닝부로부터 예측된 접속반 내부온도와 상기 센싱부로부터 센싱된 접속반 내부온도를 각각 비교하여 온도 편차에 따른 가중치를 부여하고, 예측된 접속반 내부온도의 예측 정확도를 가중치를 토대로 진단하여 예측 리포트를 생성하고, 생성된 예측 리포트를 머신러닝부에 전달할 수 있다.
또한, 상기 생성된 예측 리포트를 머신러닝부에 전달시, 예측된 접속반 내부온도 기준신호를 설정할 수 있으며, 상기 비교및진단부로부터 예측 리포트를 제공받아 예측된 접속반 내부온도의 온도 편차에 대한 머신러닝을 수행하고, 다음 접속반의 접속반 내부온도 예측 모델의 모델 변수에 온도 편차를 반영하여 접속반 내부온도 예측을 재수행하며, 온도 편차를 반영하여 접속반 내부온도 예측을 반복적으로 재수행함으로써, 접속반 내부온도 기준신호를 재설정할 수 있다.
도 5는 본 발명의 접속반이 다수 개 구비되는 경우 예측 모델을 설명하기 위한 도면이다.
접속반이 다수 개 구비되는 경우, 각 접속반마다 접속반 외기온도, 접속반 내부습도를 측정하기 위한 온습도센서를 개별적으로 기본으로 구비하고, 일사량을 측정하기 위한 태양광센서를 포함한 각종 센서를 구비하여, 각각 센싱정보를 수집할 수 있다.
또한, k개의 접속반 내부습도(Hin_1~Hin_k) 및 k개의 접속반 내부온도(Tin_1~Tin_k)를 센싱하고, ANN(Artificial Neural Network) 알고리즘 기반의 예측 모델에 입력변수로 반영하고, 예측된 K개의 접속반 내부온도(Tin*_1~Tin*_k)를 진단 모델을 이용하여 실제 내부온도와 비교를 통해 접속반을 진단한다.
특히, k개의 예측된 접속반 내부온도를 실제 접속반 내부온도와 비교시 분산 또는 평균값을 계산하여 온도 편차를 판단할 수 있다.
도 6은 본 발명의 접속반 진단 방법을 설명하기 위한 순시고장율 함수 그래프를 나타내는 도면이다.
통상적으로 욕조형 순시고장율 함수 그래프를 가지는 본 발명의 접속반이 포함된 태양광 발전 시스템은 도 6에서와 같이 접속반 설치 초기에는 튜닝 과정을 거치며 실패율(failure rate)이 증가하다가 감소하며 안정기에 들어간다.
욕조형 순시고장율 함수에서 실패율(failure rate)을 대변할 수 있는 접속반의 운전 변수(태양광 발전 전력량, 전력 손실 등)를 설정할 수 있으며, 초기 안정기에 들어간 직후 태양광 발전 시스템의 운전 변수를 빅데이터화하여 저장한 운전 DB(미도시)를 구축한다.
그리고 본 발명의 태양광 발전 접속반(200)과 통신하거나 내부에 구비되는 운전 DB를 이용하여 시스템 진단 대상 변수인 접속반 외기온도, 접속반 내부습도, 태양광스트링 일사량 각각에 대한 기준신호를 생성할 수 있다.
기준신호 생성 후부터는 진단 대상 변수의 현재값을 기준신호와 비교하여 시스템 실패율이 급격히 증가하는 시점을 판단할 수 있다.
이러한 결과를 이용하여 안정기 시점을 판단하고, 안정기 시점 이후에 설정된 기준신호를 이용하여 예측모델을 수행하여 예측값의 정확도를 높일 수 있다.
또한 예측결과에 대한 진단모델을 이용하여 진단하고 예측 리포트를 생성함으로써, 시스템의 잦은 사고로 보수 비용이 급증할 수 있는 시점에서 경제적인 유지보수가 이루어질 수 있음을 직관적이고 논리적으로 이해할 수 있다.
또한, 예측모델 및 진단모델의 변수에 대한 기준신호를 안정기에 진입한 직후의 데이터를 기반으로 예측 및 진단에 활용하는 것을 의미하는 본 발명의 자기 반추 방식은 매우 합리적이고 효과적인 이점이 있다.
본 발명에서는 온/습도 센서의 갯수를 최소화하고 도 6과 같은 비선형 활성화 욕조형 순시고장율 함수 그래프를 이용함으로써, 접속반 내부온도 예측 측면에서 유연한 특성을 가지는 ANN(Artificial Neural Network) 기반으로 다변수의 접속반 내부온도 예측모델을 구성할 수 있다. 또한 k개의 접속반이라는 진단 대상을 하나의 예측모델 및 진단모델 내에 통합화할 수도 있다.
100 : 태양광스트링 200 : 접속반
210 : 센싱부 220 : 제어부
230 : 머신러닝부 240 : 비교및진단부
250 : 통신부 300 : 인버터
400 : 배전반 500 : 부하

Claims (10)

  1. 태양광 발전 설비를 모니터링하는 태양광 발전 시스템에서 복수의 태양광스트링으로부터 출력되는 직류전류를 수신하고, 교류전류로 변환하기 위해 인버터로 직류전류를 전송하는 태양광 발전 접속반에 있어서,
    상기 태양광 발전 접속반은
    접속반 전압, 전류 및 저항을 이용하여 접속반 전력 손실을 산출하고,
    접속반 내부온도, 접속반 외기온도, 접속반 내부습도, 태양광스트링의 일사량을 포함한 센싱정보를 센싱하고,
    상기 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측할 수 있도록 하되,
    상기 태양광 발전 접속반은
    상기 접속반 내부온도, 접속반 외기온도, 접속반 내부습도를 센싱하는 센싱부;
    상기 접속반 전압, 전류 및 저항을 이용하여 상기 접속반 전력 손실을 산출하고, 상기 센싱부로부터 센싱된 접속반 내부온도, 접속반 외기온도, 접속반 내부습도를 포함한 센싱정보를 제공받고, 상기 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측하도록 머신러닝부에 요청하는 제어부;
    상기 제어부의 요청으로 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측모델을 생성하고, 접속반 내부온도 예측모델을 이용하여 접속반 내부온도를 예측하는 상기 머신러닝부;
    상기 머신러닝부로부터 예측된 접속반 내부온도와 상기 센싱부로부터 센싱된 접속반 내부온도를 각각 비교하여 온도 편차에 따른 가중치를 부여하고, 예측된 접속반 내부온도의 예측 정확도를 가중치를 토대로 진단하여 예측 리포트를 생성하고, 생성된 예측 리포트를 머신러닝부에 전달하는 비교및진단부; 및
    상기 비교및진단부의 예측 정확도에 대한 예측 리포트를 제공받아 외부의 관리자단말로 전송하는 통신부를 더 포함하며,
    상기 머신러닝부는
    예측된 접속반 내부온도 기준신호를 설정하고,
    상기 비교및진단부로부터 예측 리포트를 제공받아 예측된 접속반 내부온도의 온도 편차에 대한 머신러닝을 수행하고, 다음 접속반의 접속반 내부온도 예측 모델의 모델 변수에 온도 편차를 반영하여 접속반 내부온도 예측을 재수행하며, 온도 편차를 반영하여 접속반 내부온도 예측을 반복적으로 재수행함으로써, 접속반 내부온도 기준신호를 재설정하고, 접속반 내부온도 기준신호가 실제 측정된 접속반 내부온도의 수치에 가까워질 수 있게 반복 학습하는 것을 특징으로 하는 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반.
  2. 제1항에 있어서,
    접속반이 다수 개 구비되는 경우, 각 접속반마다 접속반 외기온도, 접속반 내부습도를 측정하기 위한 온습도센서를 개별적으로 기본으로 구비하고, 일사량을 측정하기 위한 태양광센서를 포함한 각종 센서를 구비하여, 각각 센싱정보를 수집할 수 있으며,
    다수의 접속반 내부습도 및 다수의 접속반 내부온도를 센싱하고, ANN 알고리즘 기반의 예측 모델에 입력변수로 반영하고, 예측된 다수의 접속반 내부온도를 진단 모델을 이용하여 실제 내부온도와 비교를 통해 접속반을 진단하며,
    다수의 예측된 접속반 내부온도를 실제 접속반 내부온도와 비교시 분산 또는 평균값을 계산하여 온도 편차를 판단하는 것을 특징으로 하는 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 머신러닝부는
    태양광 발전 초기의 센싱정보를 이용하여 접속반 내부온도 기준신호를 설정시 일정 시간 동안 센싱정보를 수집한 후 현재의 내부온도와 비교하여 온도편차가 기준편차를 초과하지 않는 안정기를 설정하고,
    설정된 안정기에 도달한 후에 수집된 센싱정보를 이용하여 접속반 내부온도를 예측하고, 해당 예측값을 접속반 내부온도 기준신호로 설정하는 것을 특징으로 하는 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반.
  7. 태양광 발전 설비를 모니터링하는 태양광 발전 시스템에서 복수의 태양광스트링으로부터 출력되는 직류전류를 수신하고, 교류전류로 변환하기 위해 인버터로 직류전류를 전송하는 태양광 발전 접속반의 예측진단 방법에 있어서,
    태양광 발전 접속반에서 일정 주기의 기간 동안 접속반 전압, 전류 및 저항을 이용하여 접속반 전력 손실을 산출하는 단계;
    일정 기간 동안 태양광 발전 접속반의 센싱부에서 접속반 외기온도, 접속반 내부습도, 태양광스트링의 일사량, 접속반 내부온도를 포함한 센싱정보를 수집하는 단계;
    접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측하는 단계; 및
    예측 수행한 후 진단 모델을 이용하여 실제 내부온도와 비교를 통해 접속반을 진단하는 단계를 포함하고,
    상기 접속반 전력 손실과 센싱정보를 모델 변수로 한 접속반 내부온도 예측 모델을 이용하여 접속반 내부온도를 예측시,
    접속반에 구비된 비교및진단부에서 머신러닝부로부터 예측된 접속반 내부온도와 상기 센싱부로부터 센싱된 접속반 내부온도를 각각 비교하여 온도 편차에 따른 가중치를 부여하고, 예측된 접속반 내부온도의 예측 정확도를 가중치를 토대로 진단하여 예측 리포트를 생성하고, 생성된 예측 리포트를 상기 머신러닝부에 전달하며,
    상기 생성된 예측 리포트를 상기 머신러닝부에 전달시, 예측된 접속반 내부온도 기준신호를 설정할 수 있으며,
    상기 비교및진단부로부터 예측 리포트를 제공받아 예측된 접속반 내부온도의 온도 편차에 대한 머신러닝을 수행하고, 다음 접속반의 접속반 내부온도 예측 모델의 모델 변수에 온도 편차를 반영하여 접속반 내부온도 예측을 재수행하며, 온도 편차를 반영하여 접속반 내부온도 예측을 반복적으로 재수행함으로써, 접속반 내부온도 기준신호를 재설정하고, 접속반 내부온도 기준신호가 실제 측정된 접속반 내부온도의 수치에 가까워질 수 있게 반복 학습하는 것을 특징으로 하는 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반의 예측진단 방법.
  8. 삭제
  9. 삭제
  10. 제7항에 있어서,
    상기 머신러닝부는
    태양광 발전 초기의 센싱정보를 이용하여 접속반 내부온도 기준신호를 설정시 일정 시간 동안 센싱정보를 수집한 후 현재의 내부온도와 비교하여 온도편차가 기준편차를 초과하지 않는 안정기를 설정하고,
    설정된 안정기에 도달한 후에 수집된 센싱정보를 이용하여 접속반 내부온도를 예측하고, 해당 예측값을 접속반 내부온도 기준신호로 설정하는 것을 특징으로 하는 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반의 예측진단 방법.
KR1020190102751A 2019-08-22 2019-08-22 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법 KR102266752B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190102751A KR102266752B1 (ko) 2019-08-22 2019-08-22 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102751A KR102266752B1 (ko) 2019-08-22 2019-08-22 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법

Publications (2)

Publication Number Publication Date
KR20210023077A KR20210023077A (ko) 2021-03-04
KR102266752B1 true KR102266752B1 (ko) 2021-06-18

Family

ID=75174408

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102751A KR102266752B1 (ko) 2019-08-22 2019-08-22 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법

Country Status (1)

Country Link
KR (1) KR102266752B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102541293B1 (ko) * 2021-03-22 2023-06-07 호남대학교 산학협력단 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법
KR102599139B1 (ko) * 2023-03-16 2023-11-07 주식회사 광명전기 인공 신경망 예측기를 이용한 전기차 충전소 수배전 시스템 이상 진단 기준신호 생성 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101151677B1 (ko) * 2010-12-30 2012-08-07 서울대학교산학협력단 수배전반 시스템의 품질지수를 예측하는 장치 및 방법
KR101212579B1 (ko) * 2012-04-30 2012-12-14 (주)에스엔 손실 측정 및 고조파 비교 수배전반
KR101697230B1 (ko) * 2016-08-12 2017-01-24 주식회사 뉴라이즈 지능형 예측 제어 접속반을 적용한 태양광 발전 시스템 및 그 제어방법
KR101889834B1 (ko) * 2018-01-05 2018-08-20 (주)서전기전 스마트 배전반 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101913546B1 (ko) 2018-07-04 2018-10-30 세종솔젠텍(주) 화재예방 및 차단기능을 활용한 지능형 태양광 발전 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101151677B1 (ko) * 2010-12-30 2012-08-07 서울대학교산학협력단 수배전반 시스템의 품질지수를 예측하는 장치 및 방법
KR101212579B1 (ko) * 2012-04-30 2012-12-14 (주)에스엔 손실 측정 및 고조파 비교 수배전반
KR101697230B1 (ko) * 2016-08-12 2017-01-24 주식회사 뉴라이즈 지능형 예측 제어 접속반을 적용한 태양광 발전 시스템 및 그 제어방법
KR101889834B1 (ko) * 2018-01-05 2018-08-20 (주)서전기전 스마트 배전반 시스템

Also Published As

Publication number Publication date
KR20210023077A (ko) 2021-03-04

Similar Documents

Publication Publication Date Title
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
KR102084784B1 (ko) 머신러닝기반 태양광발전운영 관리방법
KR102266752B1 (ko) 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법
KR102475374B1 (ko) 휴지시간대를 활용한 스트링 단위의 태양광 발전시스템 능동형 고장예지 진단장치 및 그 방법
KR102084783B1 (ko) 머신러닝기반 태양광발전운영 관리시스템
KR102230548B1 (ko) Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
US20170133844A1 (en) Fire detection, automated shutoff and alerts using distributed energy resources and monitoring system
KR102194271B1 (ko) 모델 기반의 태양광발전 통합 관리 시스템 및 방법
KR102306208B1 (ko) 안전 진단 기술이 적용된 태양광 발전 시스템 및 방법
KR20200114130A (ko) 태양광 발전 고장 진단 방법 및 시스템
CN109842372A (zh) 一种光伏组件故障检测方法和系统
KR102238764B1 (ko) 위해도 평가를 이용한 실시간 사고 예측 시스템 및 그 방법
KR102296561B1 (ko) 지그비를 이용한 인공지능 기반 복수개의 배전반 통합 관제시스템
KR20180106112A (ko) 태양광 모듈의 고장 검출 시스템
KR102228512B1 (ko) 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치
KR102337580B1 (ko) 태양광 발전 시스템
KR102338511B1 (ko) 태양광 발전 이상 감지 시스템
KR102419330B1 (ko) 태양광 발전모듈의 장애 진단 장치 및 그 방법
KR102105692B1 (ko) 태양광발전이 연계된 에너지 관리 시스템
KR102480440B1 (ko) 태양광 발전시설의 관리 시스템
KR102306776B1 (ko) 태양전지 패널 관리 시스템 및 그의 동작 방법
KR20210085034A (ko) 무선 동글을 이용한 태양광 발전 모니터링 시스템
KR102480730B1 (ko) 무선구동 방식의 태양광 발전 시스템
KR102504121B1 (ko) Qr코드를 이용한 위치기반의 태양광 발전시스템 운영유지보수 시스템 및 그 방법
KR20200066115A (ko) 태양전지의 전압측정 시스템 및 이를 이용한 태양전지의 개별 고장진단 방법

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