KR102304888B1

KR102304888B1 - 태양전지패널 고장진단 시스템 및 방법

Info

Publication number: KR102304888B1
Application number: KR1020190018623A
Authority: KR
Inventors: 이인수; 조태현; 황혜린; 김범수
Original assignee: 경북대학교 산학협력단
Priority date: 2019-02-18
Filing date: 2019-02-18
Publication date: 2021-09-27
Also published as: KR20200100898A

Abstract

본 발명에 따르는 태양전지패널 고장진단 시스템은, 상기 태양전지패널에 대해 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치만큼 점차 증가하면서 상기 태양전지패널의 개방회로전압을 측정하여 출력하는 개방회로전압 검출부; 및, 상기 개방회로전압 검출부가 출력하는 개방회로전압들을 입력받아, 정상상태의 개방회로전압들과 고장상태의 개방회로전압들을 토대로 수행된 학습에 따라, 상기 개방회로전압 검출부로부터의 개방회로전압들에 따라 태양전지패널을 정상상태 또는 고장상태로 분류하여 출력하는 태양전지패널 모니터링부;를 포함하는 것을 특징으로 한다.

Description

태양전지패널 고장진단 시스템 및 방법{Fault Diagnosis Method and system for Solar Panel}

본 발명은 태양전지패널의 고장 진단 기술에 관한 것으로, 더욱 상세하게는 태양전지패널의 고장을 진단하기 위해 별도의 장치가 요구되지 않음은 물론이며 독립형 태양광 가로등 시스템 전체가 셧다운되거나 육안으로 확인되지 않는 경우에도 태양전지패널의 고장을 진단할 수 있어, 독립형 태양광 가로등 시스템의 안정성을 높일 수 있는 태양전지패널 고장진단 시스템 및 방법에 관한 것이다.

최근 환경 문제, 화석 연료의 고갈 및 원자력 발전의 위험성 때문에 신재생 에너지 원이 주목받고 있다. 특히 태양 광 발전 기술은 반도체 소자를 이용한 태양 광 패널을 통해 태양 광을 전기로 변환하는 것으로 국내외에서 활발히 연구되고 있다.

상기 태양 광 발전 시스템은 발전 시스템에 연결되어 있는지 여부에 따라 계통 연계형과 독립형으로 구분한다. 상기 독립형의 태양 광 발전 시스템은 오프 그리드 지역에서의 가로등 서비스를 제공하기 위해 그 요구가 급격하게 증가하고 있다.

도 1은 독립형의 태양광 발전 기능이 구비된 태양광 가로등 시스템의 구성을 예시한 것이다.

도 1을 참조하면, 태양광 가로등 시스템은 태양전지패널(100)과 충전 제어 장치(102)와 LED 램프(104)와 배터리(106)로 구성된다. 상기 충전 제어 장치(102)는 낮에는 상기 태양전지패널(100)이 생성한 전력을 이용하여 배터리(106)를 충전하고, 밤에는 상기 배터리(106)에 저장된 전력을 이용하여 상기 LED 램프(104)를 구동하여 가로등 서비스가 제공되게 한다. 또한 상기 충전 제어 장치(102)는 상기 배터리(106)를 효율적으로 충전하고 일출과 일몰을 감지하여 상기 LED 램프(104)를 켜고 끄는 역할을 수행한다. 또한 상기 충전 제어 장치(102)는 과충전 및 과방전으로부터 태양 광 가로등 시스템을 보호하여 상기 배터리(106) 및 태양 광 가로등 시스템의 수명을 연장한다. 또한 상기 충전 제어 장치(102)는 펄스 폭 변조(pulse width modulation, PWM) 기술을 사용하여 상기 배터리(106)의 충전 효율을 높이고 LED 램프(104)의 밝기를 제어하여 전력 소비를 절감하며, 작동 안정성을 제공하기 위해 사용된다.

그리고, 상기 태양전지패널(100)은 광전 효과를 사용하여 표면에 입사하는 태양 광선의 빛 에너지를 전기 에너지로 변환하는 장치로서, 기계적으로 움직이는 부품이 없기 때문에 내구성이 좋고 수명이 길다. 그러나 응축에 의해 높은 열이 발생하여 발전 효율이 저하될 수 있으며 태양 전지 부품에 균열과 손상을 줄 수 있었다. 이에따라 종래의 태양 광 가로등 시스템은 설치후 태양 광 모듈을 지속적으로 감시하여야 했다.

이와 같이 태양 광 가로등 시스템은 태양전지패널이 고장을 일으키는지 지속적으로 감시하여야 하나 불행하게도 태양 전지판의 사고 발생 수준 및 온도와 같은 기후 조건에 따라 발전 상태가 실시간으로 변하기 때문에 현장에서 태양전지패널의 결함 여부를 판별하는 것은 용이하지 않았다.

특히, 소형 태양 광 발전소와 1~2 개의 다른 어레이로 구성된 독립형 태양 광 가로등의 경우는 수백대의 발전기 어레이를 통해 연결된 것보다 진단하기가 어려웠다. 이는 전기 용량을 통한 결함 여부를 분석해내기가 어렵기 때문이다.

또한 발전량을 계산하기 위해서는 전압 및 전류를 모두 검출해야 하므로 설비 비용이 증가되는 문제가 있었다.

종래의 광전지(PV) 시스템의 고장 진단을 위한 몇 가지 방법을 설명한다.

먼저 Yihua et al.[_{Y. Hu, B. Gao, X. Song, G. Y. Tian, K. Li and X. He, "Photovoltaic fault diagnosis method using a parameter based model," Solar Energy, vol. 96, pp. 96-102,} ₂₀₁₃]는 파라미터 기반 모델을 이용한 PV 고장 진단 방법을 제안하였다. 이 방법에서 결함 진단의 성능은 정확도에 달려 있으나 실제로는 시스템의 비선형성 때문에 관계식에 대한 수학적 설명이 어려운 문제가 있었다.

그리고, Tsanakas et al. [J. A. Tsanakas, G. Chrysostomou, P. N. Botsaris and A. Gasteratos, "Fault diagnosis of photovoltaic modules through image processing and Canny edge detection on field thermographic measurements," International Journal of Sustainable Energy, vol. 34, no. 6, pp. 351-372, 2015.]는 이미지 처리와 Canny edge detection을 사용하는 또 다른 접근법을 제안하였으나, 이는 열 카메라를 요구하는 문제가 있었다.

그리고, Yuna et al.[_Y _{. N. Park, G. H.} _Kang _{, Y. C.} _Ju _{, S. H. Kim, S.} _{H. Ko} _{and G. S.} _Jang _{, "The monitoring system of} _photovoltaic _{module using fault diagnosis sensor," Journal of the Korean Solar Energy Society, vol. 36, no. 5, pp. 91-100, 2016.}]은 고장 진단 센서를 이용한 고장 진단 알고리즘을 제안하였으나, 이는 고장 진단 센서가 시스템을 모니터링하는 데 요구되었다.

상기한 바와 같이 종래에는 태양전지패널의 결함을 검사하기 위한 다양한 기술이 제안되었으나, 태양전지패널의 결함을 검사하기 위해 별도의 장치가 더 구비되는 등의 문제가 내재되어 있었다. 더욱이 태양전지패널의 결함에 의해 시스템에 문제가 야기된 후에야 검지가 가능하므로 조치를 취할 수 있어 시스템을 안정적으로 유지할 수 없게 하는 원인이 되었다.

대한민국 특허등록 제1014561220000호 대한민국 특허등록 제1014292030000호 대한민국 특허등록 제1012684930000호 대한민국 특허공개 제1020110062936호

본 발명은 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치단위로 점차 증가하면서 독립형 태양 광 가로등 시스템에 구비된 태양전지패널의 개방회로전압을 측정하고, 그 측정된 개방회로전압들을 미리 학습된 정상상태와 고장상태의 개방회로전압들을 토대로 상기 태양전지패널을 정상상태와 고장상태로 분류하여 출력하는 독립형 태양 광 가로등 시스템을 위한 태양전지패널 고장진단 시스템 및 방법을 제공하는 것을 그 목적으로 한다.

상기한 목적을 달성하기 위한 본 발명에 따르는 태양전지패널 고장진단 시스템은, 독립형 태양광 가로등 시스템의 태양전지패널에 대해 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치만큼 점차 증가하면서 상기 태양전지패널의 개방회로전압을 측정하여 출력하는 개방회로전압 검출부; 및, 상기 개방회로전압 검출부가 출력하는 개방회로전압들을 입력받아, 정상상태의 개방회로전압들과 고장상태의 개방회로전압들을 토대로 수행된 학습에 따라, 상기 개방회로전압 검출부로부터의 개방회로전압들에 따라 태양전지패널을 정상상태 또는 고장상태로 분류하여 출력하는 태양전지패널 모니터링부;를 구비함을 특징으로 한다.

상기한 본 발명은 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치단위로 점차 증가하면서 독립형 태양 광 가로등 시스템에 구비된 태양전지패널의 개방회로전압을 측정하고, 그 측정된 개방회로전압들을 미리 학습된 정상상태와 고장상태의 개방회로전압들을 토대로 상기 태양전지패널을 정상상태와 고장상태로 분류하여 출력한다.
특히, 태양전지패널의 결함진단 실험과정에서 ART2 신경회로망(Adative resonance theory 2)과 다층신경망(Multilayer neural network)사용하여 태양전지 널에 대한 고장 진단을 이중으로 확인하므로써 고장진단의 정확도를 높일 수 있다는 장점이 있다.

이를 통해, 태양전지패널의 고장을 진단하기 위해 별도의 장치가 요구되지 않음은 물론이며 독립형 태양 광 가로등 시스템 전체가 셧다운되거나 육안으로 확인되지 않는 경우에도 태양전지패널의 고장을 진단할 수 있어, 독립형 태양 광 가로등 시스템의 안정성을 높일 수 있는 효과가 있다.

도 1은 종래의 태양 광 가로등 시스템의 구성도.
도 2 내지 도 5는 태양전지패널의 특성을 도시한 도면.
도 6은 본 발명의 바람직한 실시예에 따르는 독립형 태양 광 가로등 시스템을 위한 태양전지패널 고장진단 시스템의 구성도.
도 7은 도 6의 ART2 NN의 개략도.
도 8은 도 6의 MNN의 개략도.
도 9는 태양 광 시뮬레이션의 개략도.
도 10은 태양 광 시뮬레이터의 구성도.
도 11 및 도 18은 본 발명의 바람직한 실시예에 따르는 독립형 태양 광 가로등 시스템을 위한 태양전지패널 고장진단 시스템의 GUI를 예시한 도면.
도 12는 태양전지패널을 예시한 도면.
도 13 및 도 14는 태양전지패널의 개방회로전압을 예시한 도면.
도 15 및 도 17는 태양전지패널의 정상 및 고장상태 분류를 예시한 도면.
도 16은 MNN 학습과정을 예시한 도면.

본 발명은 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치단위로 점차 증가하면서 독립형 태양 광 가로등 시스템에 구비된 태양전지패널의 개방회로전압을 측정하고, 그 측정된 개방회로전압들을 미리 학습된 정상상태와 고장상태의 개방회로전압들을 토대로 상기 태양전지패널을 정상상태와 고장상태로 분류하여 출력하여, 태양전지패널의 고장을 진단하기 위해 별도의 장치가 요구되지 않음은 물론이며 독립형 태양 광 가로등 시스템 전체가 셧다운되거나 육안으로 확인되지 않는 경우에도 태양전지패널의 고장을 진단할 수 있어, 독립형 태양 광 가로등 시스템의 안정성을 높일 수 있다.

이러한 본 발명의 상세한 설명에 앞서 태양전지패널의 특성을 설명한다.

도 2는 태양전지패널의 V-I 특성 곡선을 도시한 것으로, 상기 태양전지패널은 비선형 V-I 특성 곡선을 가진다. 여기서, 개방회로의 전압을 개방회로전압 Voc라 하고, 단락 회로의 전류를 단락 전류 Isc라 한다. 또한 최대 전력 Pm에 의해 생성된 전압 및 전류는 각각 최대 전압 Vm 및 최대 전류 Im로 표시한다. 상기한 개방회로전압 Voc, 단락 전류 Isc, 최대전력 Pm, 최대전압 Vm, 최대 전류 Im은 온도와 햇빛의 양과 관련하여 시간이 지남에 따라 변화한다. 그리고 부하가 연결될 때의 전압과 전류는 각각 부하 전압 VL과 부하 전류 IL이라 한다.

상기한 태양전지패널의 전압이나 전류의 변화를 통해 태양전지패널의 결함을 검출할 수 있다.

도 3은 동일한 위치에서 동일한 사양의 두개의 태양전지패널 M1, M2에 대해 24 시간 동안의 전압과 전류를 도시한 것이다. 상기 태양전지패널 M1은 개방 상태에서 개방회로전압 Voc를 측정하기 위해 구성한 것이고, 태양전지패널 M2는 독립형 태양광 가로등 시스템을 구성한 것이다. 도 3의 그래프는 상기한 태양전지패널 M1,M2에 대해 부하 전압 VL 및 부하 전류 IL을 측정한 것을 도시한 것이다.

상기 도 3에서 영역 A는 태양전지패널 M1, M2이 전기를 생성하기 시작하는 지점이며, 이 부분을 확대하여 도시한 것이 도 4이다.

도 4를 참조하면, 전기를 생성하기 시작하는 지점에서의 전압이 증가하는 형상은 차이가 있다. 여기서, 상기 전기를 생성하기 시작하는 지점에서의 전압을 시작 전압 또는 V 컷 인이라 한다. 또한 태양전지패널이 전기를 생성할 때 부하에 전류가 흐른다. 이에따라 태양전지패널의 발전이 시작되면 PWM을 사용하여 부하 전류를 제어할 수 있게 된다.

상기 부하 전류를 제어하는 동안, PWM의 듀티 사이클은 사전 설정된 시간 간격에서 0%에서 100%까지 점차 증가하며, 이는 부하가 0%에서 100%까지 연결됨을 의미한다. 상기 듀티 사이클에 따르는 Voc의 값은 메모리 유닛에 저장된다.

도 5는 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 점차 증가하면서, 정상상태의 태양전지패널에서 측정한 개방회로전압과 비정상상태의 태양전지패널에서 측정한 개방회로전압을 도시한 것이다.

도 5를 참조하면, 비정상상태의 개방회로전압을 나타내는 라인 B는 정상상태의 개방회로전압을 나타내는 라인 C에 비해 급격하게 낮다. 이와 같이 태양전지패널의 균열이나 전극연결불량으로 인한 결함은 육안으로는 진단할 수 없으나 도 5에 도시한 바와 같이 Voc를 변화시킨다. 이에따라 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 점차 증가하면서 태양전지패널의 개방회로전압을 측정하고, 그 개방회로전압이 미리 정해둔 정상상태에 비해 미리 정해둔 에러율보다 낮으면 고장으로 판단한다.

이제 본 발명의 바람직한 실시예에 따르는 독립형 태양 광 가로등 시스템을 위한 태양전지패널 고장진단 시스템의 구성 및 동작을 도면을 참조하여 상세히 설명한다.

<독립형 태양 광 가로등 시스템을 위한 태양전지패널 고장진단 시스템의 구성>

도 6은 본 발명의 바람직한 실시예에 따르는 NN 기반의 독립형 태양 광 가로등 시스템을 위한 태양전지패널 고장진단 시스템의 구성을 도시한 것이다.

상기 태양전지패널 고장진단 시스템은 개방회로전압 검출부(202)와 태양전지패널 모니터링부(204)로 구성된다.

상기 개방회로전압 검출부(202)는 독립형 태양 광 가로등 시스템의 태양전지패널(100)에 대해 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치만큼 점차 증가하면서 태양전지패널(200)의 개방회로전압을 측정하여 출력하는 태양전지패널 모니터링부(204)에 제공한다.

상기 태양전지패널 모니터링부(204)는 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치만큼 점차 증가하면서 측정한 태양전지패널(200)의 개방회로전압들을 입력받아, 정상상태의 개방회로전압들과 고장상태의 개방회로전압들을 토대로 수행된 학습에 따라, 상기 개방회로전압 검출부로부터의 개방회로전압들에 따라 상기 태양전지패널(200)을 정상상태 또는 고장상태로 분류하여 출력하여 안내한다.

상기 태양전지패널 모니터링부(204)는 적응 공진 이론2 NN(ART2 NN) 모듈(206)과 다중 층 NN(MNN) 모듈(208)을 포함한다. 상기 ART2 NN 모듈(206)과 MNN 모듈(208) 각각은 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치만큼 점차 증가하면서 측정한 태양전지패널(200)의 개방회로전압들을 입력받아, 정상상태의 개방회로전압들과 고장상태의 개방회로전압들을 토대로 수행된 학습에 따라, 상기 개방회로전압 검출부(202)로부터의 개방회로전압들에 따라 상기 태양전지패널(200)을 정상상태 또는 고장상태로 분류하여 출력한다.
따라서, 태양전지패널의 결함진단 실험과정에서 ART2 신경회로망(Adative resonance theory 2)과 다층신경망(Multilayer neural network)사용하여 태양전지 널에 대한 고장 진단을 이중으로 확인하므로써 고장진단의 정확도를 높일 수 있다는 장점이 있다.
또한, 이중 고장 진단이 총 4개의 경우의 수에서, ART2 NN 모듈(206)에서 정상상태로 판단하고, MNN 모듈(208)에서 정상상태로 판단하면 정상상태이고, ART2 NN 모듈(206)에서 고장상태로 판단하고, MNN 모듈(208)에서 고장상태로 판단하면 고장상태로 판단함에는 특별한 어려움이 없다.
다른 ART2 NN 모듈(206)에서 정상상태로 판단하고 MNN 모듈(208)에서 고장상태로 판단하거나, ART2 NN 모듈(206)에서 고장상태로 판단하고 MNN 모듈(208)에서 정상상태로 판단하면, 고장 진단의 과정에서 정확성을 고려하여 고장상태로 판단함은 공지된 기술이다.

본 발명에 따르는 ART2 NN은 일반적인 ART2 NN의 단점을 보완하기 위해 다른 크기들의 경계 파라미터들을 사용하며, 이는 도 7에 도시한 바와 같다.

도 7을 참조하면, 상기 ART2 NN은 두개의 레이어로 구성된다. 첫 입력 패턴이 ART2 NN으로 전달되면, 상기 입력 패턴은 첫번째 클래스로 분류되고, 첫번째 출력 노드와 입력 노드 사이의 가중치로서 저장된다.

그리고, 새로운 입력 패턴이 ART2 NN으로 입력되면, 입력 패턴과 각 출력 노드 사이의 거리는 수학식 1에 따라 산출된다.

상기 수학식 1에서 Wj는 j번째 출력 노드의 가중치 벡터이고, Wij는 i번째 입력노드와 j번째 출력노드 사이의 가중치이다. 또한 X는 N-차원의 입력 벡터이고, xi는 i번째 입력이다. 그리고

는 가중 무한 표준이고,

는 i번째 입력 노드의 입력 패턴의 바운더리 파라미터이다.

상기 ART2 NN의 분류 정확도를 향상시키기 위해, 본 발명은 큰 범위를 가지는 파라미터에 대한 경계 파라미터를 큰 값으로 설정하고, 작은 범위를 가지는 파라미터에 대한 경계 파라미터를 작은 값으로 설정한다.

그리고, 입력 패턴과 출력 노드 사이의 유사도는 바운더리 파라미터 조건 테스트에 따르는 수학식 2에 따라 산출되는 최소 거리를 사용하여 결정된다.

만일 입력 패턴이 바운더리 파라미터 조건을 충족하면, ART2 NN은 같은 클래스의 멤버로서 그것을 학습하며, 이는 수학식 3과 같다.

상기 수학식 3에서

는 활성화된 J번째 출력노드를 위한 템플릿 패턴이고,

와

는 각 J번째 출력 노드에서 조정전후의 가중치들이다. 그리고 [

]는

에 따르는 패턴들의 수이다. 반대로 입력 패턴이 바운더리 파라미터 조건을 만나지 못하면, 이는 새로운 클래스로 저장된다.

<MNN>

도 8은 MNN의 구조를 도시한 것이다. 도 8을 참조하면, 상기 MNN은 입력 레이어와 히든 레이어와 출력 레이어로 구성된다. 각 레이어는 다수의 뉴런(노드)과 각 뉴런을 연결하는 가중치로 구성된다.

상기 MNN의 학습은 원하는 입출력 특성을 얻기 위해 수행되며, 상기 MNN의 학습은 가파른 강하 방법의 일종인 역 전파 알고리즘을 사용하여 가중치를 변경함으로써 수행된다. 상기 MNN 학습에 사용되는 성능함수는 수학식 4와 같다.

상기 수학식 4에서 N은 출력 노드들의 수이고,

는 k번째 출력 노드의 타겟 값이고,

는 실제 MNN의 k번째 출력노드에서의 출력 값이다. 그리고 MNN의 출력 노드로부터의 반대방향에서 전달된 에러 신호는 수학식 5와 같다.

상기 수학식 5에서

는 시그 모이드 함수의 파생물이다. 그리고 히든 레이어와 출력 레이어 사이의 가중치

에 대한 오차 함수의 기울기와 가중치는 수학식 6에 따라 보정된다.

상기 수학식 6에서

는 j번째 히든 노드와 k번째 출력 노드 사이의 가중치의 변화량이고,

는 학습 레이트이고,

는 학습 레이트의 향상을 위한 가속도 기간이고, 입력 레이어와 히든 레이어 사이의 가중치

는 수학식 7에 따른다.

상기 수학식 7에서

는 j번째 히든 노드와 i번째 입력 노드 사이의 가중치의 변화량이고,

는 히든 레이어에서 입력 레이어로의 역방향으로 전파되는 오류이다.

<태양 광 시뮬레이터>

본 발명에 따르는 태양전지패널 고장진단을 위해 실제로 유효한 검사 데이터를 수집하기 위해, 상대적으로 정상인 태양전지패널과 결함이 있는 태양전지패널의 부하 특성을 비교할 수 있는 태양 광 시뮬레이터가 요구된다.

실생활에서 상업적으로 사용되는 태양전지패널의 신뢰성을 평가하기 위해 기술이 제안되었으나, 실제로 일출이나 일몰과 같은 환경 변화 때문에 부하 특성 데이터를 수집하는 것은 쉽지 않다. 더욱이 본 발명에 따르는 태양전지패널 고장진단은 부하의 접촉 시점에서 분석해야 하므로 태양전지패널의 성능 평가에 사용되는 시뮬레이터에는 적합하지 않다. 이에따라 본 발명은 실제 환경에서의 태양 광을 모사하는 태양 광 시뮬레이터를 제공한다.

도 9는 태양 광 시뮬레이터의 환경을 예시한 것으로, 태양 광 시뮬레이션 환경을 실제 환경과 유사하게 만들기 위해 광원을 동서로 이동하면서 태양전지패널에 의해 생성되는 전력량을 변경한다.

도 10의 (a) 및 (b)는 본 발명의 바람직한 실시예에 따르는 태양 광 시뮬레이터의 구성을 도시한 것으로, 상기 태양 광 시뮬레이터는 제논 램프(300)와 램프 각도 가변부(302)와 패널 높이 가변부(304)와 파워 서플라이 및 제어부(306)와 팬(308)을 구비한다.

상기 제논 램프(300)는 태양 광의 스펙트럼을 보장하기 위해 광원으로 채용되며, 팬(308)은 상기 제논 램프(300)가 태양 광 발전을 저해하는 열 발생을 제한하기 위해 상기 제논 램프(300)를 냉각한다.

상기 램프 각도 가변부(302)와 패널 높이 가변부(304)는 상기 태양전지패널(200)로 조사되는 광이 태양을 모사하도록 상기 제논 램프(300)의 각도를 변경하고 태양전지패널(200)의 높이를 가변한다.

상기 파워 서플라이 및 제어부(306)는 사용자 인터페이스를 통한 사용자의 요청에 따라 상기 제논 램프(300)와 램프 각도 가변부(302)와 패널 높이 가변부(304)를 제어하여 상기 태양전지패널(200)로 조사되는 광이 태양을 모사하도록 상기 제논 램프(300)의 각도를 변경하고 태양전지패널(200)의 높이를 가변한다. 또한 상기 파워 서플라이 및 제어부(306)는 사용자 인터페이스를 통한 사용자의 요청에 따라 상기 태양 광 시뮬레이터의 각부에 전원을 공급한다.

상기 사용자 인터페이스는 다수의 스위치와 표시부로 구성되며, 상기 표시부에는 시각 표시부(310)와 출력 전원 표시부(316)를 포함되며, 상기 다수의 스위치는 온/오프 스위치(312,318)와 메인 스위치(320)를 포함한다.

<독립형 태양 광 가로등 시스템을 위한 태양전지패널에 대한 고장 진단 방법 및 시스템의 GUI>

도 11은 본 발명에 따르는 독립형 태양 광 가로등 시스템을 위한 태양전지패널에 대한 고장 진단 시스템의 PC GUI를 예시한 것으로, 이는 LabVIEW 2015와 MATLAB 2014a를 사용하여 구현된다.

상기 PC GUI의 전원 공급 장치 섹션은 프로그램의 시작 및 중지 버튼으로 구성된다.

그리고 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 점차 증가하면서 측정한 태양전지패널(200)의 개방회로전압들은 데이터 입력 섹션에서 데이터 파일의 경로를 지정하여 입력하며, 이 입력 데이터는 그래프 출력 섹션에 그래프로 표시된다.

이러한 상태에서 MNN 트레이닝 버튼이 눌려지면, MNN은 입력 데이터에 대해 트레이닝되고, ART2 NN 버튼이 눌려지면 ART2 NN은 상기 입력 데이터에 대해 트레이닝된다.

그리고 상태 표시 섹션에서 해당 태양전지패널의 상태가 표시되며, 이 영역에 녹색 LED (왼쪽 원)가 표시되면 태양 광 패널이 정상이고, 이 섹션에 빨간색 LED (오른쪽 원)가 표시되면 태양전지패널에 결함이 있음을 나타낸다.

이와 같이 본 발명에 따르는 GUI는 사용자가 직관적으로 태양전지패널의 동작 상태를 확인할 수 있게 한다.

<실험 결과>

도 12는 태양 광 시뮬레이터를 이용하여 결함이 있는 태양전지패널에 대한 데이터를 수집하는 경우에 태양전지패널이 부분적으로 손상되는 경우를 예시한 것이다. 그리고 제논 램프의 출력은 200W에서 1000W까지 다양하다.

또한, 실험을 위해 정상 및 결함이 있는 태양전지패널에 대한 데이터를 수집한다.

본 발명에 따르는 태양전지패널에 대한 고장 진단 시스템의 성능을 평가하기 위해 수집된 실제 데이터를 이용하여 컴퓨터 시뮬레이션을 수행한다.

이를 위해, 다양한 충전 전력에 대한 듀티 사이클에 따라 Voc를 얻고, 이를 ART2 NN의 입력으로 사용한다.

실제로 각 충전 레벨에 대해 100가지 데이터 측정치를 수집했지만, 표 1에 표시된 11가지 측정치를 ART2 NN의 입력으로 사용한다.

도 14는 결함이 있는 태양전지패널과 정상의 태양전지패널의 듀티 사이클에 따른 Voc의 실제 값을 도시한 것이다. 상기 ART2 NN의 경계 매개 변수는 ε = [3.3 2.7 2.7 2.7 2.5 2.3 2.3 2.0 2.0 2.0 2.0]이다.

도 15는 상기의 ART2 NN의 시뮬레이션 결과는 150번의 측정 후에 순간적 결함이 있는 태양전지패널에 대해 도시한 것이다. 도 15의 (a)는 ART2 NN이 충전 레벨이 800W이고 태양전지모듈이 150번째 측정에서 정상 상태에 있을 때 태양전지모듈을 클래스 1 정상 상태로 분류한 것을 나타낸다.

또한 충전 레벨이 1,000W이고 150번째 측정에서 장애가 발생하면 ART2 NN은 도 15의 (b)와 같이 태양전지패널의 결함 상태로 분류한 것을 나타낸다.

그리고, MNN을 사용하여 태양전지모듈의 결함진단 실험과정을 및 결과를 설명한다. 상기 MNN의 입력 노드 수는 100개, 숨겨진 계층 노드 수는 10개, 출력 노드 수는 2개이다. 또한 학습 속도와 성능이 모두 0.01 ㅧ10^-7일 때 시뮬레이션을 중단하였다.

상기 MNN의 입력데이터 역시 표 1의 데이터를 사용하며, 그에 따른 학습결과는 도 16에 도시한 바와 같다. 그리고 MNN을 이용한 시뮬레이션 결과는 도 17에 도시한 바와 같다. 즉, 정상 상태의 시뮬레이션 결과는 도 17의 (a)에 도시한 바와 같이 클래스 1(결함 없음)로 분류되고, 결함상태의 경우의 시뮬레이션 결과는 17의 (B)에 도시한 바와 같이 클래스 2(결함)로 분류된다. 그 결과는 인식률이 100%임을 나타낸다.
따라서, 태양전지패널의 결함진단 실험과정에서 ART2 신경회로망(Adative resonance theory 2)과 다층신경망(Multilayer neural network)사용하여 태양전지 널에 대한 고장 진단을 이중으로 확인하므로써 고장진단의 정확도를 높일 수 있다는 장점이 있다.

또한, 태양전지패널이 GUI를 사용하여 정상 또는 결함으로 판단될 수 있음을 보여 주며, 도 18의 (a) 및 도 18의 (b)에 각각 도시하였다.
먼저, 도 18 (a)에서는 상태 표시 섹션에서 ART2 고장진단결과는 녹색 LED(왼쪽 원)가 표시되어 태양 광 패널이 정상상태로 판단되고, MMN 고장진단결과도 녹색 LED(왼쪽 원)가 표시되어 태양 광 패널이 정상상태로 판단될 때, 정상 상태(Normal state)를 표시하고 있다.
또한, 도 18(b)에서는 상태 표시 섹션에서 ART2 고장진단결과는 빨간색 LED(오른쪽 원)가 표시되어 태양 광 패널이 고장상태로 판단되고, MMN 고장진단결과도 빨간색 LED(오른쪽 원)가 표시되어 태양 광 패널이 고장상태로 판단될 때, 정상 상태(Normal state)를 표시하고 있다.

상기한 바와 같이 본 발명에 따르는 태양전지패널 고장진단 방법은 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 점차 증가하면서 태양전지패널의 개방회로전압을 측정하고, 그 측정된 개방회로전압들을 미리 정해진 정상상태의 개방회로전압들과 비교하여 태양전지패널의 정상여부를 판별하여 정상 또는 결함을 출력하여 안내한다.

이러한 본 발명은 태양전지패널의 고장을 진단하기 위해 별도의 장치가 요구되지 않음은 물론이며 독립형 태양 광 가로등 시스템 전체가 셧다운되거나 육안으로 확인되지 않는 경우에도 태양전지패널의 고장을 진단할 수 있어, 독립형 태양 광 가로등 시스템의 안정성을 높일 수 있다.

상기한 바와 같은, 본 발명의 실시예들에서 설명한 기술적 사상들은 각각 독립적으로 실시될 수 있으며, 서로 조합되어 실시될 수 있다. 또한, 본 발명은 도면 및 발명의 상세한 설명에 기재된 실시예를 통하여 설명되었으나 이는 예시적인 것에 불과하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다. 따라서, 본 발명의 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

200 : 태양전지패널
202 : 개방회로전압 검출부
204 : 태양전지패널 모니터링부

Claims

태양전지패널 고장진단 시스템에 있어서,
상기 태양전지패널에 대해 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치만큼 점차 증가하면서 상기 태양전지패널의 개방회로전압을 측정하여 출력하는 개방회로전압 검출부; 및
상기 개방회로전압 검출부가 출력하는 개방회로전압들을 입력받아, 정상상태의 개방회로전압들과 고장상태의 개방회로전압들을 토대로 수행된 학습에 따라, 상기 개방회로전압 검출부로부터의 개방회로전압들에 따라 태양전지패널을 정상상태 또는 고장상태로 분류하여 출력하는 태양전지패널 모니터링부;를 포함하고,
상기 태양전지패널 모니터링부는,
ART2 NN 모듈을 통해 상기 태양전지패널을 제1 정상상태 또는 제1 고장상태로 분류하여 출력하고,
MNN 모듈을 통해 상기 태양전지패널을 제2 정상상태 또는 제2 고장상태로 분류하여 출력하는 이중 고장 진단을 수행하고,
상기 ART2 NN 모듈에서 출력값이 제1 정상상태이고 상기 MNN 모듈에서 출력값도 제2 정상상태일때만 상기 태양전지패널이 정상상태로 판단하고, 나머지의 경우에는 모두 고장상태로 판단하는 것을 특징으로 하는 태양전지패널 고장진단 시스템.
제1항에 있어서,
상기 ART2 NN 모듈은,
첫 입력 패널이 입력되면 첫 번째 클래스로 분류되고
첫 번째 출력노드와 입력노드 사이의 가중치로 저장되며,
새로운 입력 패턴이 입력되면 입력 패턴과 각 출력노드 사이의 거리를 수학식 8에 따라 산출하고,
입력 패턴과 출력 노드 사이의 유사도는 수학식 9에 따라 산출되고,
상기 입력 패턴이 바운더리 파라미터 조건을 충족하면 같은 클라스의 멤버로서 상기 입력 패턴을 학습하며 이는 수학식 10과 같음을 특징으로 하는 태양전지패널 고장진단 시스템.
<수학식 8>

상기 수학식 8에서 Wj는 j번째 출력 노드의 가중치 벡터이고, Wij는 i번째 입력노드와 j번째 출력노드 사이의 가중치이고, X는 N-차원의 입력 벡터이고, xi는 i번째 입력이고,
는 가중 무한 표준이고,
는 i번째 입력 노드의 입력 패턴의 바운더리 파라미터임.
<수학식 9>

<수학식 10>

상기 수학식 10에서
는 활성화된 J번째 출력노드를 위한 템플릿 패턴이고,
와
는 각 J번째 출력 노드에서 조정전후의 가중치들이고, [
]는
에 따르는 패턴들의 수임.
제1항에 있어서,
상기 MNN 모듈은,
입력 레이어와 히든 레이어와 출력 레이어로 구성되며, 각 레이어는 다수의 뉴런과 각 뉴런을 연결하는 가중치로 구성되며,
상기 MNN 학습에 사용되는 성능함수는 수학식 11에 따르며, MNN의 출력노드로부터 반대방향에 전달된 에러 신호는 수학식 12에 따르며, 히든 레이어와 출력 레이어 사이의 가중치
에 대한 오차 함수의 기울기와 가중치는 수학식 13에 따라 보정되며, 입력 레이어와 히든 레이어 사이의 가중치
는 수학식 14에 따름을 특징으로 하는 태양전지패널 고장진단 시스템.
<수학식 11>

상기 수학식 11에서 N은 출력 노드들의 수이고,
는 k번째 출력 노드의 타겟 값이고,
는 실제 MNN의 k번째 출력 노드에서의 출력 값임
<수학식 12>

상기 수학식 12에서
는 시그 모이 드 함수의 파생물임.
<수학식 13>

상기 수학식 13에서
는 j번째 히든 노드와 k번째 출력 노드 사이의 가중치의 변화량이고,
는 학습 레이트이고,
는 학습 레이트의 향상을 위한 가속도 기간임.
<수학식 14>

상기 수학식 14에서
는 j번째 히든 노드와 i번째 입력 노드 사이의 가중치의 변화량이고,
는 히든 레이어에서 입력 레이어로의 역방향으로 전파되는 오류임.
태양전지패널 고장진단 방법에 있어서,
상기 태양전지패널에 대해 PWM의 듀티 사이클을 사전 설정된 시간 간격으로 0%에서 100%까지 미리 정해둔 수치만큼 점차 증가하면서 상기 태양전지패널의 개방회로전압을 측정하여 출력하는 제1단계; 및,
상기 제1단계에서 출력하는 개방회로전압들을 입력받아, 정상상태의 개방회로전압들과 고장상태의 개방회로전압들을 토대로 수행된 학습에 따라, 상기 개방회로전압들에 따라 태양전지패널을 정상상태 또는 고장상태로 분류하여 출력하는 제2단계;를 포함하고,
상기 제2 단계는,
ART2 NN 모듈을 통해 상기 태양전지패널을 제1 정상상태 또는 제1 고장상태로 분류하여 출력하고,
MNN 모듈을 통해 상기 태양전지패널을 제2 정상상태 또는 제2 고장상태로 분류하여 출력하는 이중 고장 진단을 수행하고,
상기 ART2 NN 모듈에서 출력값이 제1 정상상태이고 상기 MNN 모듈에서 출력값도 제2 정상상태일때만 상기 태양전지패널이 정상상태로 판단하고 나머지의 경우에는 모두 고장상태로 판단하는 것을 특징으로 하는 태양전지패널 고장진단 방법.
제4항에 있어서,
상기 ART2 NN은,
첫 입력 패널이 입력되면 첫 번째 클래스로 분류되고
첫 번째 출력노드와 입력노드 사이의 가중치로 저장되며,
새로운 입력 패턴이 입력되면 입력 패턴과 각 출력노드 사이의 거리를 수학식 15에 따라 산출하고,
입력 패턴과 출력 노드 사이의 유사도는 수학식 16에 따라 산출되고,
상기 입력 패턴이 바운더리 파라미터 조건을 충족하면 같은 클라스의 멤버로서 상기 입력 패턴을 학습하며 이는 수학식 17과 같음을 특징으로 하는 태양전지패널 고장진단 방법.
<수학식 15>

상기 수학식 15에서 Wj는 j번째 출력 노드의 가중치 벡터이고, Wij는 i번째 입력노드와 j번째 출력노드 사이의 가중치이고, X는 N-차원의 입력 벡터이고, xi는 i번째 입력이고,
는 가중 무한 표준이고,
는 i번째 입력 노드의 입력 패턴의 바운더리 파라미터임.
<수학식 16>

<수학식 17>

상기 수학식 17에서
는 활성화된 J번째 출력노드를 위한 템플릿 패턴이고,
와
는 각 J번째 출력 노드에서 조정전후의 가중치들이고, [
]는
에 따르는 패턴들의 수임.
제4항에 있어서,
상기 MNN은,
입력 레이어와 히든 레이어와 출력 레이어로 구성되며, 각 레이어는 다수의 뉴런과 각 뉴런을 연결하는 가중치로 구성되며,
상기 MNN 학습에 사용되는 성능함수는 수학식 18에 따르며, MNN의 출력노드로부터 반대방향에 전달된 에러 신호는 수학식 19에 따르며, 히든 레이어와 출력 레이어 사이의 가중치
에 대한 오차 함수의 기울기와 가중치는 수학식 20에 따라 보정되며, 입력 레이어와 히든 레이어 사이의 가중치
는 수학식 21에 따름을 특징으로 하는 태양전지패널 고장진단 방법.
<수학식 18>

상기 수학식 18에서 N은 출력 노드들의 수이고,
는 k번째 출력 노드의 타겟 값이고,
는 실제 MNN의 k번째 출력 노드에서의 출력 값임
<수학식 19>

상기 수학식 19에서
는 시그 모이 드 함수의 파생물임.
<수학식 20>

상기 수학식 20에서
는 j번째 히든 노드와 k번째 출력 노드 사이의 가중치의 변화량이고,
는 학습 레이트이고,
는 학습 레이트의 향상을 위한 가속도 기간임.
<수학식 21>

상기 수학식 21에서
는 j번째 히든 노드와 i번째 입력 노드 사이의 가중치의 변화량이고,
는 히든 레이어에서 입력 레이어로의 역방향으로 전파되는 오류임.
삭제
삭제
삭제
삭제