KR102310306B1 - 발전소 군집화 및 군집 기반 이상진단 방법 - Google Patents
발전소 군집화 및 군집 기반 이상진단 방법 Download PDFInfo
- Publication number
- KR102310306B1 KR102310306B1 KR1020210047019A KR20210047019A KR102310306B1 KR 102310306 B1 KR102310306 B1 KR 102310306B1 KR 1020210047019 A KR1020210047019 A KR 1020210047019A KR 20210047019 A KR20210047019 A KR 20210047019A KR 102310306 B1 KR102310306 B1 KR 102310306B1
- Authority
- KR
- South Korea
- Prior art keywords
- power plant
- power plants
- similarity
- solar power
- time series
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000005856 abnormality Effects 0.000 title claims description 43
- 238000003745 diagnosis Methods 0.000 title claims description 31
- 238000010248 power generation Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 description 38
- 230000015654 memory Effects 0.000 description 35
- 238000004891 communication Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000007417 hierarchical cluster analysis Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
발전소 군집화 방법에 있어서, 복수의 태양광 발전소 각각이 위치한 지역의 기상 시계열 데이터를 수신하는 단계, 상기 복수의 태양광 발전소 각각의 발전량 시계열 데이터를 수신하는 단계, 상기 복수의 태양광 발전소 각각의 지리적 특성 데이터를 수신하는 단계, 상기 기상 시계열 데이터 및 상기 발전량 시계열 데이터에 기초하여 각 태양광 발전소 사이의 제1 유사도를 산출하는 단계, 상기 지리적 특성 데이터에 기초하여 각 태양광 발전소 사이의 제2 유사도를 산출하는 단계 및 상기 각 태양광 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 상기 복수의 태양광 발전소를 복수의 클러스터로 클러스터링 하는 단계를 포함한다.
Description
본 개시는 발전소 군집화와 군집 기반의 발전소 이상진단 방법에 관한 것으로, 보다 상세하게는, 클러스터 단위의 이상진단을 수행하기 위하여 발전소들의 기상 데이터, 발전량 데이터 및 발전소 특성 데이터를 이용하여 유사한 특성을 가지는 발전소들을 클러스터링 하고, 각 클러스터 단위로 데이터를 활용하여 이상 진단을 실시하는 방법에 관한 것이다.
최근 환경 보호를 위한 환경 규제의 필요성과 기존 화력 또는 원자력 발전소와 같은 기존 에너지 발전 시설의 위험성 및 각종 오염원 배출로 인해 지구 환경 문제에 관심이 증가하고 있다. 특히, 최근에는 기존 에너지원의 대체재로서 신재생 에너지가 각광받고 있다. 신재생 에너지는 태양광, 조력, 풍력 발전 등이 있으며, 그 중, 태양광 발전은 신재생 에너지 보급 정책 및 태양 전지 모듈의 가격 하락 등의 영향으로 최근 경쟁력을 확보하여 보다 높은 관심을 받고 있다.
이러한 흐름에서 국내 및 해외에서 태양광 발전소의 설치가 활발히 이루어지고 있다. 하지만 태양광 발전은 주로 야외에 설치되므로, 태양광 발전이 설치된 지역의 기상 특성 및 발전소 환경적 요소에 대한 영향이 크다. 예를 들어, 각종 악천후로 인해 운용 과정에서 태양광 패널의 손상 등이 발생할 수 있다. 이로 인해, 발전의 효율이 손상된 패널에 의해 크게 떨어지므로, 태양광 패널의 이상 상태를 신속하게 확인 및 수리할 필요가 있다.
종래의 태양광 발전소의 이상 상태 진단 시스템은 발전소 시스템에서 발생하는 전력 신호를 분석해 장애 여부를 판별하기 때문에, 기상 상태 등의 외부 요소로 인해 순간적인 발전량 저하에 대한 원인은 파악할 수 없다. 또한, 태양광 발전소는 개별 발전소 규모로 이루어지기 때문에 신규 발전소 등과 같이 데이터 적재 기간이 짧은 발전소에서의 이상 상태 진단은 신뢰도 확보가 불가능하다는 문제가 있다.
본 명세서에서 개시되는 실시예들은 각 발전소의 기상 데이터, 발전량 데이터 및 지리적 특성 데이터를 유사도에 따라 클러스터링 하고, 각 발전소의 클러스터 단위의 데이터를 활용하여 이상 진단을 실시하는 방법 및 시스템을 제공한다.
본 개시의 일 실시예에 따르면, 발전소 군집화 방법에 있어서, 복수의 태양광 발전소 각각이 위치한 지역의 기상 시계열 데이터를 수신하는 단계, 복수의 태양광 발전소 각각의 발전량 시계열 데이터를 수신하는 단계, 복수의 태양광 발전소 각각의 지리적 특성 데이터를 수신하는 단계, 기상 시계열 데이터 및 발전량 시계열 데이터에 기초하여 각 태양광 발전소 사이의 제1 유사도를 산출하는 단계, 지리적 특성 데이터에 기초하여 각 태양광 발전소 사이의 제2 유사도를 산출하는 단계 및 각 태양광 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 복수의 태양광 발전소를 복수의 클러스터로 클러스터링 하는 단계를 포함한다.
일 실시예에 따르면, 지리적 특성 데이터는, 각 태양광 발전소의 상세 위치(위, 경도 및 고도), 태양광 패널이 바라보고 있는 방향, 태양광 패널과 수평면 사이의 각도 또는 지형 데이터 중 적어도 하나를 포함한다.
일 실시예에 따르면, 발전소 군집화 방법은, 제1 유사도는 동적 시간 워핑(Dynamic Time Warping; DTW) 기법을 이용하여 측정되는 DTW 유사도이다.
일 실시예에 따르면, 발전소 군집화 방법은, 제2 유사도는 유클리드(Euclidean) 기법을 이용하여 측정되는 유클리드 유사도이다.
일 실시예에 따르면, 발전소 군집화 방법은, 복수의 클러스터는 비지도 기계학습(Unsupervised Machine Learning)인 계층적 군집 분석 등과 같은 군집화 알고리즘을 이용하여 클러스터링 된다.
일 실시예에 따르면, 발전소 군집화 이후 복수의 클러스터 별로 이상 진단을 수행한다.
일 실시예에 따르면, 복수의 클러스터 별로 이상 진단을 수행하는 단계는, 동일 클러스터에 속하는 태양광 발전소들 각각의 발전량 예측 데이터와 실시간 발전량, 그리고 동일 클러스터에 속하는 태양광 발전소들의 발전량 예측 데이터 통계치와 실시간 발전량 통계치에 기초하여 동일 클러스터에 속하는 태양광 발전소들 중 이상이 있는 태양광 발전소를 식별하는 단계를 포함한다.
일 실시예에 따르면, 발전소 군집화 방법은, 동일 클러스터에 속하는 태양광 발전소들 각각의 발전량 예측 데이터는 기상 시계열 데이터 및 지리적 특성 데이터에 기초하여 산출된다.
일 실시예에 따르면, 발전소 군집화 방법은, 이상이 있는 태양광 발전소가 식별되는 경우, 이상이 있는 태양광 발전소의 모니터링 장애 여부를 점검하는 단계, 이상이 있는 태양광 발전소의 인버터 장애 여부를 점검하는 단계 및 이상이 있는 태양광 발전소의 주변 환경 이상 여부를 점검하는 단계를 더 포함한다.
본 개시의 다른 일 실시예에 따르면, 발전소 군집화 방법에 따른 발전소 군집화 방법을 사용자 단말기에서 실행시키기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예들에 따르면, 각 발전소의 발전량과 기상 패턴 및 발전소 특성의 유사도에 따라 여러 발전소를 클러스터링 하고, 클러스터 단위로 데이터를 활용하여 기상 등의 외부 요소로 인한 발전량 저하의 원인을 파악할 수 있다.
본 개시의 일 실시예들에 따르면, 각 발전소의 클러스터 단위 데이터를 활용하여 신규 발전소도 기상, 발전소 특성이 유사한 클러스터에 속한 발전소 데이터를 활용하여 이상 상태 진단의 신뢰도의 확보가 가능하다.
본 개시의 일 실시예들에 따르면, 분산된 각각의 발전소를 하나의 가상발전소에 연결하여 분산 에너지 데이터를 수집 및 분석하고, 전력 수급 및 공급의 변수를 사전 예측함으로써 효율적으로 에너지를 공급한다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지 않는다.
도 1은 본 개시의 일 실시예에 따른 발전소별 유사도에 따라 발전소를 클러스터링하여 집합자원을 구성하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 발전소 군집화 방법 및 이상진단을 수행하는 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도다.
도 4는 본 개시의 일 실시예에 따른 태양광 발전소의 집합자원 구성 방법의 예시를 나타내는 흐름도이다.
도 5는 본 개시의 일 실시예에 따라 3개의 태양광 발전소를 2개의 클러스터로 분류하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 각 태양광 발전소의 집합자원 구성 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 클러스터 단위의 이상 진단 방법의 예시를 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 이상이 있는 것으로 판정된 태양광 발전소의 이상 원인 파악 방법을 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 발전소별 유사도에 따라 발전소를 클러스터링하여 집합자원을 구성하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 발전소 군집화 방법 및 이상진단을 수행하는 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도다.
도 4는 본 개시의 일 실시예에 따른 태양광 발전소의 집합자원 구성 방법의 예시를 나타내는 흐름도이다.
도 5는 본 개시의 일 실시예에 따라 3개의 태양광 발전소를 2개의 클러스터로 분류하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 각 태양광 발전소의 집합자원 구성 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 클러스터 단위의 이상 진단 방법의 예시를 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 이상이 있는 것으로 판정된 태양광 발전소의 이상 원인 파악 방법을 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것 일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 명세서에서 "A 및/또는 B"의 기재는 A, 또는 B, 또는 A 및 B를 의미한다
본 개시에서, ‘기상 시계열 데이터’는 발전소가 위치하는 지역의 과거의 기상 정보 및/또는 실시간 기상 정보를 포함하는 데이터를 지칭할 수 있다.
본 개시에서, ‘발전량 시계열 데이터’는 발전소의 과거의 발전량 정보 및/또는 실시간 발전량 정보를 포함하는 데이터를 지칭할 수 있다.
본 개시에서, ‘지형 데이터’는 발전소의 고도 정보, 발전소가 위치한 지형 정보(예를, 산악/평지/수상 등) 등과같이 지리적 또는 환경적 특성에 대한 정보를 나타내는 데이터를 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 발전소별 유사도에 따라 발전소를 클러스터링하여 집합자원을 구성하는 예시를 나타내는 도면이다. 일 실시예에서, 정보 처리 시스템(예를 들어, 중앙 서버 등)은 복수의 태양광 발전소를 상호간 유사도에 기초하여 복수의 클러스터로 분류하여 집합자원을 구성할 수 있다. 예를 들어, 각 태양광 발전소 사이의 동적 시간 워핑(Dynamic Time Warping; DTW) 유사도를 기상 시계열 데이터 및 발전량 시계열 데이터에 기초하여 산출하고, 각 태양광 발전소 사이의 유클리드 유사도를 지리적 특성 데이터에 기초하여 산출하고, 산출된 각 태양광 발전소 사이의 DTW 유사도와 유클리드 유사도를 이용하여 유사한 특성을 가지는 발전소들을 같은 클러스터로 분류할 수 있다.
도시된 바와 같이, 9개의 태양광 발전소(112, 114, 116, 122, 124, 126, 128, 132, 134)를 유사도에 따라 제1 클러스터(110), 제2 클러스터(120), 제3 클러스터(130)로 분류할 수 있다. 일 실시예에서, 정보 처리 시스템은 각 태양광 발전소 사이의 DTW 유사도와 유클리드 유사도에 기초하여, 제1 내지 제3 태양광 발전소(112, 114, 116)가 유사한 특성을 가지는 것으로 판정하고, 이들을 제1 클러스터(110)로 분류할 수 있다. 예를 들어, 제1 클러스터(110)의 제1 발전소(112), 제2 발전소(114), 제3 발전소(116)는 기상 환경(강수량, 운량 등), 시기/계절별 발전량, 지형 등이 유사하여 동일한 클러스터로 분류될 수 있다.
유사하게, 정보 처리 시스템은 각 태양광 발전소 사이의 DTW 유사도와 유클리드 유사도에 기초하여, 제4 내지 제7 태양광 발전소(122, 124, 126, 128)를 제2 클러스터(120)로 분류하고, 제8 및 제9 태양광 발전소(132, 134)를 제3 클러스터(130)로 분류할 수 있다. 도 1에서는 9개의 태양광 발전소(112, 114, 116, 122, 124, 126, 128, 132, 134)가 3개의 클러스터(110, 120, 130)로 클러스터링 되어, 집합자원을 구성하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 임의의 개수의 태양광 발전소가 임의의 수의 클러스터로 분류될 수도 있다. 또한, 복수의 태양광 발전소를 특성에 따라 집합자원으로 구성하는 것으로 설명되었으나, 이에 한정되지 않으며, 임의의 방식의 발전소를 특성에 따라 집합자원으로 구성하는 것도 가능하다.
도 2는 본 개시의 일 실시예에 따른 발전소 군집화 방법 및 이상 진단을 수행하는 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도다. 정보 처리 시스템(230)은 발전소 군집화 방법 및 이상 진단을 수행할 수 있는 시스템(들), 이러한 서비스를 제공하기 위한 인공 신경망 모델을 학습할 수 있는 시스템(들)을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 발전소 군집화 방법 및 이상 진단 등의 서비스, 인공 신경망 모델 학습과 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 어플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.
정보 처리 시스템(230)에 의해 제공되는 발전소 군집화 방법 및 이상 진단 등의 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)을 통해 각 발전소의 관리자/사용자에게 제공될 수 있다. 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말(210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 발전소 군집화 방법 및 이상진단 서비스 어플리케이션, 웹 브라우저 어플리케이션 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
앞에서는 정보 처리 시스템(230)이 발전소 군집화 방법 및 이상 진단을 수행하는 것으로 설명되었으나, 이에 한정되지 않으며, 필요에 따라서는 사용자 단말(210_1, 210_2, 210_3)의 일부 또는 전부가 발전소 군집화 방법 및 이상 진단을 수행할 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도다. 사용자 단말(210)은 발전소 군집화 방법 및 이상진단 어플리케이션 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210) 및/또는 정보 처리 시스템(230)에 설치되어 구동되는 태양광 발전소 기상 데이터, 태양광 발전소 발전량 데이터, 태양광 발전소 지리적 특성 데이터 및/또는 이를 기반하는 발전소 군집화 서비스 어플리케이션 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결 가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 통신 모듈(316)을 통해 이상 진단 관련 데이터 및/또는 정보 등을 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 발전소 군집화 방법 및/또는 이상 진단을 수행하는 어플리케이션 등이 동작하도록 구성될 수 있다. 이 때, 해당 어플리케이션 및/또는 프로그램과 연관된 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다. 어플리케이션 및/또는 프로그램이 동작되는 동안에, 사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 정보 처리 시스템(230)으로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다.
발전소 군집화 방법 및/또는 이상진단 서비스 어플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상 및/또는 음성 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다.
도 4는 본 개시의 일 실시예에 따른 태양광 발전소의 집합자원 구성 방법의 예시를 나타내는 흐름도이다. 태양광 발전소의 집합자원 구성 방법은 사용자 단말 또는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 프로세서는 복수의 태양광 발전소 각각에 대한 기상 시계열 데이터(410), 발전량 시계열 데이터(420) 및 지리적 특성 데이터(430)를 수신할 수 있다.
기상 시계열 데이터(410)는 각 태양광 발전소가 위치한 지역의 시간/일자 별 온도, 강수량, 풍량, 운량 등의 기상(氣象) 상태를 수치화한 데이터 및/또는 시계열 도표로 표현한 데이터일 수 있으며, 축적된 과거의 기상 데이터 및/또는 실시간 기상 데이터를 포함할 수 있다. 여기서, 운량은 기상 사진 등으로 확인할 수 있다. 발전량 시계열 데이터(420)는 각 태양광 발전소에서 발전(發電)되는 발전량을 측정한 데이터이며, 축적된 과거의 발전량 데이터 및/또는 실시간으로 발전되는 발전량 데이터를 포함할 수 있다. 이 때, 지정된 시간 동안의 발전량을 포함할 수도 있다. 지리적 특성 데이터(430)는 각 태양광 발전소의 상세 위치(위도, 경도 및 고도 등), 태양광 패널이 바라보고 있는 방향(예, 남향, 동향 등), 태양광 패널과 수평면 사이의 각도, 지형 데이터(산악, 평지, 수상 등과 같은 발전소 인근 지형, 고도 등)을 포함할 수 있다. 추가적으로, 프로세서는 복수의 태양광 발전소 각각에 대한 발전소 특성 변수 목록을 수신할 수 있으며, 이를 발전소 클러스터링 및/또는 이상 진단 시 사용할 수 있다. 예를 들어, 발전소 특성 변수 목록은 발전소의 위치(위, 경도 등), 설비용량, ESS 용량, 패널 종류(단면, 양면) 등을 포함할 수 있다.
일 실시예에서, 프로세서는 발전소들의 기상 시계열 데이터와 발전 시계열 데이터에 기초하여 각 발전소 사이의 제1 유사도를 산출할 수 있다(440). 예를 들어, 프로세서는 동적 시간 워핑(Dynamic Time Warping; DTW) 기법을 이용하여 각 발전소 사이의 제1 유사도(DTW 유사도)를 산출할 수 있다. DTW 기법은 복수 개의 시퀀스(sequence) 사이의 최적의 매칭을 계산하는 방법으로, 서로 상이한 신호의 시간 축에 대한 파장의 유사성을 산출할 수 있다. 여기서, 제1 유사도는 2개의 발전소 사이의 기상 및 발전 특성의 유사성을 나타낼 수 있다.
또한, 프로세서는 발전소들의 지리적 특성 데이터에 기초하여 각 발전소 사이의 제2 유사도를 산출할 수 있다(450). 예를 들어, 프로세서는 유클리드(Euclidean) 기법을 이용하여 각 발전소 사이의 제2 유사도(유클리드 유사도)를 산출할 수 있다. 여기서, 제2 유사도는 2개의 발전소 사이의 지리적 특성의 유사성을 나타낼 수 있다.
그 후, 프로세서는 산출된 각 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 발전소 클러스터링을 수행할 수 있다(460). 일 실시예에서, 프로세서는 K-means 클러스터링, Hierarchical 클러스터링, Heterogeneity test 등과 같은 비지도 기계 학습(Unsupervised Machine Learning) 방법을 이용하여 클러스터링을 수행할 수 있다. 예를 들어, 복수의 클러스터는 비지도 기계학습인 계층적 군집 분석 등과 같은 군집화 알고리즘을 이용하여 클러스터링 될 수 있다.
도 5는 본 개시의 일 실시예에 따라 3개의 태양광 발전소를 2개의 클러스터로 분류하는 예시를 나타내는 도면이다. 앞서 설명한 것과 같이, 프로세서는 각 발전소의 기상 시계열 데이터, 발전량 시계열 데이터 및 지리적 특성 데이터를 이용하여 발전소들 사이의 제1 유사도와 제2 유사도를 산출할 수 있다. 예를 들어, 프로세서는 제1 발전소(510)의 기상 시계열 데이터 및 발전량 시계열 데이터, 그리고 제2 발전소(520)의 기상 시계열 데이터 및 발전량 시계열 데이터에 기초하여 제1 발전소(510)와 제2 발전소(520) 사이의 기상 및 발전 특성의 유사성을 나타내는 제1 유사도(512)를 산출할 수 있다. 또한, 프로세서는 제1 발전소(510)의 지리적 특성 데이터 및 제2 발전소(520)의 지리적 특성 데이터에 기초하여 제1 발전소(510)와 제2 발전소(520) 사이의 지리적 특성의 유사성을 나타내는 제2 유사도(514)를 산출할 수 있다. 유사한 방식으로, 프로세서는 제2 발전소(520)와 제3 발전소(530) 사이의 제1 유사도(522)와 제2 유사도(524), 그리고 제3 발전소(530)와 제1 발전소(510) 사이의 제1 유사도(532)와 제2 유사도(534)를 산출할 수 있다.
그 후, 프로세서는 산출된 유사도 값들(512, 514, 522, 524, 532, 534)에 기초하여 제1 발전소(510), 제2 발전소(520) 및 제3 발전소(530)를 복수의 클러스터로 클러스터링할 수 있다. 도시된 것과 같이, 제1 발전소(510)와 제2 발전소(520)가 유사한 특징을 가지는 것으로 판단되어 제1 클러스터(500)로 클러스터링되고, 제3 발전소(530)가 나머지 발전소들과 유사하지 않은 특징을 가지는 것으로 판정되어, 제2 클러스터(미도시)로 분류될 수 있다. 이 경우, 프로세서는 후술하는 것과 같이, 각 클러스터 별로 이상 진단을 수행할 수 있다.
한편, 도 5에는 3개의 태양광 발전소(510, 520, 530) 2개의 클러스터로 클러스터링 되는 것으로 도시되어 있으나, 이에 한정되지 않으며, 임의의 수의 태양광 발전소는 각각의 유사도에 따라 임의의 수의 클러스터로 클러스터링될 수 있다.
도 6은 본 개시의 일 실시예에 따른 각 태양광 발전소의 집합자원 구성 방법(600)을 나타내는 흐름도이다. 일 실시예에서, 집합자원 구성 방법(600)은 프로세서(예를 들어, 정보 처리 시스템 또는 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 도시된 바와 같이, 집합자원 구성 방법(600)은 복수의 태양광 발전소 각각이 위치한 지역의 기상 시계열 데이터를 수신(S610)하는 것으로 개시될 수 있다. 그 후, 프로세서는 복수의 태양광 발전소 각각의 발전량 시계열 데이터를 수신하고(S620), 복수의 태양광 발전소 각각의 지리적 특성 데이터를 수신할 수 있다(S630). 여기서, 지리적 특성 데이터는 각 태양광 발전소의 태양광 패널이 바라보고 있는 방향, 태양광 패널과 수평면 사이의 각도 또는 지형 데이터 중 적어도 하나를 포함할 수 있다.
그 후, 프로세서는 기상 시계열 데이터 및 발전량 시계열 데이터에 기초하여 각 태양광 발전소 사이의 제1 유사도를 산출할 수 있다(S640). 예를 들어, 제1 유사도는 동적 시간 워핑(Dynamic Time Warping; DTW) 기법을 이용하여 측정되는 DTW 유사도일 수 있다. 또한, 프로세서는 지리적 특성 데이터에 기초하여 각 태양광 발전소 사이의 제2 유사도를 산출할 수 있다(S650). 예를 들어, 제2 유사도는 유클리드(Euclidean) 기법을 이용하여 측정되는 유클리드 유사도일 수 있다. 그 후, 프로세서는 각 태양광 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 복수의 태양광 발전소를 복수의 클러스터로 클러스터링할 수 있다(S660). 예를 들어, 복수의 클러스터는 비지도 기계학습(Unsupervised Machine Learning)을 이용하여 클러스터링될 수 있다. 이 때, 비지도 기계학습은, 계층적 군집 분석 등과 같은 군집화 알고리즘을 포함할 수 있다.
도 7은 본 개시의 일 실시예에 따른 클러스터 단위의 이상 진단 방법의 예시를 나타내는 흐름도이다. 클러스터 단위의 이상 진단 방법은 사용자 단말 또는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 프로세서는 동일한 클러스터에 속하는 복수의 태양광 발전소 각각에 대한 실시간 발전량 데이터(710)를 수신할 수 있다. 또한, 프로세서는 동일한 클러스터에 속하는 복수의 태양광 발전소 각각에 대한 실시간 기상 데이터(720)를 수신하고, 각 태양광 발전소에 대한 발전량 예측 데이터(730)를 생성할 수 있다.
그 후, 프로세서는 기술 통계량 계산, 통계적 방법 등으로 해당 클러스터에 속한 발전소 중 이상이 있는 발전소를 식별하는 이상 진단을 수행할 수 있다. 일 실시예에서, 프로세서는 동일 클러스터에 속하는 태양광 발전소들 각각의 발전량 예측 데이터와 실시간 발전량, 그리고 동일 클러스터에 속하는 태양광 발전소들의 발전량 예측 데이터 통계치(예를 들어, 평균값 등)과 실시간 발전량 통계치(예를 들어, 평균값 등)에 기초하여 동일 클러스터에 속하는 태양광 발전소들 중 이상이 있는 태양광 발전소를 식별할 수 있다. 예를 들어, 특정 발전소의 발전 예측 데이터와 실시간 발전량의 차이, 동일 클러스터에 속하는 태양광 발전소들의 발전량 예측 데이터 평균값과 특정 발전소의 실시간 발전량의 차이, 동일 클러스터에 속하는 태양광 발전소들의 실시간 발전량 평균값과 특정 발전소의 실시간 발전량의 차이 등에 기초하여 이상이 있는 태양광 발전소를 식별할 수 있다.
이상 진단 결과, 이상이 없는 발전소로 판정되는 경우, 프로세서는 해당 발전소가 정상 운영 중인 것으로 판정할 수 있다(750). 반면, 이상 진단 결과, 이상이 있는 발전소로 판정되는 경우, 프로세서는 해당 발전소의 이상 원인을 파악할 수 있다(760). 점검을 통해 이상 원인이 파악된 경우, 프로세서는 파악된 이상 원인을 사용자 단말 등으로 출력할 수 있다(770).
도 8은 본 개시의 일 실시예에 따른 이상이 있는 것으로 판정된 태양광 발전소의 이상 원인 파악 방법(800)을 나타내는 흐름도이다. 일 실시예에서, 이상 원인 파악 방법(800)은 프로세서(예를 들어, 정보 처리 시스템 또는 사용자 단말의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 도시된 바와 같이, 이상 원인 파악 방법(800)은 이상이 있는 태양광 발전소의 모니터링 장애 여부를 점검(S810)하는 것으로 개시될 수 있다. 예를 들어, 프로세서는 이상이 있는 태양광 발전소의 로그인 장애, 모니터링 사이트 장애, 통신장애 여부 등을 점검할 수 있다.
다음으로, 프로세서는 이상이 있는 태양광 발전소의 인버터 장애 여부를 점검하라 수 있다(S820). 예를 들어, 프로세서는 이상이 있는 태양광 발전소의 인버터 전원, 과부하 여부 등을 점검할 수 있다. 그 후, 프로세서는 이상이 있는 태양광 발전소의 주변 환경 이상 여부를 점검할 수 있다(S830). 예를 들어, 프로세서는 이상이 있는 태양광 발전소의 위성 사진 등을 통한 기상(운량 등) 상황 등을 점검할 수 있다.
추가적으로, 프로세서는 이외에 활용 가능한 발전소 전력 데이터 분석하여 발전 이상의 원인을 파악할 수 있다(S840). 예를 들어, 프로세서는 태양광 발전 설비와 RTU(Remote Terminal Unit) 등 모니터링 장비로부터 수집 가능한 데이터를 분석하여 설비의 결함 및 원인을 파악할 수 있다. 일 실시예로, 접속반의 온도가 높아지는데 냉각 팬이 정상적으로 작동되지 않을 경우, 냉각 팬 오작동으로 인한 과부하가 발생한 것으로 판정할 수 있다. 또한, 인버터의 입력 전류는 정상이지만, 인버터 출력 전류가 ‘0’인 경우, 인버터에서 직류-교류 변환 문제가 발생한 것으로 판정할 수 있다. 이처럼, 활용할 수 있는 데이터는 전압, 전류, 접속반 온도, 냉각 팬의 RPM, 센서 등을 통해 수집된 일사량 데이터 및 인버터의 입력 및/또는 출력 전류 등이 있지만, 이에 한정하지 않는다.
상술한 발전소 군집화 방법 및 이상진단은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
110: 제1 클러스터 120: 제2 클러스터
130: 제3 클러스터 112, 510: 제1 태양광 발전소
114, 520: 제2 태양광 발전소 116, 530: 제3 태양광 발전소
122: 제4 태양광 발전소 124: 제5 태양광 발전소
126: 제6 태양광 발전소 128: 제7 태양광 발전소
132: 제8 태양광 발전소 134: 제9 태양광 발전소
210_1, 210_2, 210_3: 사용자 단말 220: 네트워크
230: 정보 처리 시스템 312, 332: 메모리
314, 334: 프로세서 316, 336: 통신 모듈
318, 338: 입출력 인터페이스 410: 기상 시계열 데이터
420: 발전량 시계열 데이터 430: 지리적 특성 데이터
440: 제1 유사도 산출 450: 제2 유사도 산출
460: 발전소 클러스터링 500: 제1 클러스터
512, 522, 532: 제1 유사도 514, 524, 534: 제2 유사도
710: 실시간 발전량 데이터 720: 실시간 기상 데이터
730: 발전량 예측 데이터 740: 이상 진단
750: 정상 운영 중 760: 이상 원인 파악
770: 이상 원인 출력 S810: 모니터링 장애 여부 점검
S820: 인버터 장애 여부 점검 S830: 주변 환경 이상 여부를 점검
S840: 기타 이상 여부를 점검
130: 제3 클러스터 112, 510: 제1 태양광 발전소
114, 520: 제2 태양광 발전소 116, 530: 제3 태양광 발전소
122: 제4 태양광 발전소 124: 제5 태양광 발전소
126: 제6 태양광 발전소 128: 제7 태양광 발전소
132: 제8 태양광 발전소 134: 제9 태양광 발전소
210_1, 210_2, 210_3: 사용자 단말 220: 네트워크
230: 정보 처리 시스템 312, 332: 메모리
314, 334: 프로세서 316, 336: 통신 모듈
318, 338: 입출력 인터페이스 410: 기상 시계열 데이터
420: 발전량 시계열 데이터 430: 지리적 특성 데이터
440: 제1 유사도 산출 450: 제2 유사도 산출
460: 발전소 클러스터링 500: 제1 클러스터
512, 522, 532: 제1 유사도 514, 524, 534: 제2 유사도
710: 실시간 발전량 데이터 720: 실시간 기상 데이터
730: 발전량 예측 데이터 740: 이상 진단
750: 정상 운영 중 760: 이상 원인 파악
770: 이상 원인 출력 S810: 모니터링 장애 여부 점검
S820: 인버터 장애 여부 점검 S830: 주변 환경 이상 여부를 점검
S840: 기타 이상 여부를 점검
Claims (10)
- 삭제
- 삭제
- 발전소 군집화 방법에 있어서,
복수의 태양광 발전소 각각이 위치한 지역의 기상 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 발전량 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 지리적 특성 데이터를 수신하는 단계;
상기 기상 시계열 데이터 및 상기 발전량 시계열 데이터에 기초하여 각 태양광 발전소 사이의 제1 유사도를 산출하는 단계;
상기 지리적 특성 데이터에 기초하여 각 태양광 발전소 사이의 제2 유사도를 산출하는 단계; 및
상기 각 태양광 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 상기 복수의 태양광 발전소를 복수의 클러스터로 클러스터링 하는 단계
를 포함하고,
상기 제1 유사도는 동적 시간 워핑(Dynamic Time Warping; DTW) 기법을 이용하여 측정되는 DTW 유사도인, 발전소 군집화 방법.
- 발전소 군집화 방법에 있어서,
복수의 태양광 발전소 각각이 위치한 지역의 기상 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 발전량 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 지리적 특성 데이터를 수신하는 단계;
상기 기상 시계열 데이터 및 상기 발전량 시계열 데이터에 기초하여 각 태양광 발전소 사이의 제1 유사도를 산출하는 단계;
상기 지리적 특성 데이터에 기초하여 각 태양광 발전소 사이의 제2 유사도를 산출하는 단계; 및
상기 각 태양광 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 상기 복수의 태양광 발전소를 복수의 클러스터로 클러스터링 하는 단계
를 포함하고,
상기 제2 유사도는 유클리드(Euclidean) 기법을 이용하여 측정되는 유클리드 유사도인, 발전소 군집화 방법.
- 발전소 군집화 방법에 있어서,
복수의 태양광 발전소 각각이 위치한 지역의 기상 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 발전량 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 지리적 특성 데이터를 수신하는 단계;
상기 기상 시계열 데이터 및 상기 발전량 시계열 데이터에 기초하여 각 태양광 발전소 사이의 제1 유사도를 산출하는 단계;
상기 지리적 특성 데이터에 기초하여 각 태양광 발전소 사이의 제2 유사도를 산출하는 단계; 및
상기 각 태양광 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 상기 복수의 태양광 발전소를 복수의 클러스터로 클러스터링 하는 단계
를 포함하고,
상기 복수의 클러스터는 비지도 기계학습(Unsupervised Machine Learning)을 이용하여 클러스터링 되는, 발전소 군집화 방법.
- 발전소 군집화 방법에 있어서,
복수의 태양광 발전소 각각이 위치한 지역의 기상 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 발전량 시계열 데이터를 수신하는 단계;
상기 복수의 태양광 발전소 각각의 지리적 특성 데이터를 수신하는 단계;
상기 기상 시계열 데이터 및 상기 발전량 시계열 데이터에 기초하여 각 태양광 발전소 사이의 제1 유사도를 산출하는 단계;
상기 지리적 특성 데이터에 기초하여 각 태양광 발전소 사이의 제2 유사도를 산출하는 단계; 및
상기 각 태양광 발전소 사이의 제1 유사도 및 제2 유사도에 기초하여 상기 복수의 태양광 발전소를 복수의 클러스터로 클러스터링 하는 단계; 및
상기 복수의 클러스터 별로 이상 진단을 수행하는 단계
를 포함하는, 발전소 군집화 방법.
- 제6항에 있어서,
상기 복수의 클러스터 별로 이상 진단을 수행하는 단계는,
동일 클러스터에 속하는 태양광 발전소들 각각의 발전량 예측 데이터와 실시간 발전량, 그리고 상기 동일 클러스터에 속하는 태양광 발전소들의 발전량 예측 데이터 통계치와 실시간 발전량 통계치에 기초하여 상기 동일 클러스터에 속하는 태양광 발전소들 중 이상이 있는 태양광 발전소를 식별하는 단계
를 포함하는, 발전소 군집화 방법.
- 제7항에 있어서,
상기 동일 클러스터에 속하는 태양광 발전소들 각각의 발전량 예측 데이터는 상기 기상 시계열 데이터 및 상기 지리적 특성 데이터에 기초하여 산출되는, 발전소 군집화 방법.
- 제7항에 있어서,
이상이 있는 태양광 발전소가 식별되는 경우,
상기 이상이 있는 태양광 발전소의 모니터링 장애 여부를 점검하는 단계;
상기 이상이 있는 태양광 발전소의 인버터 장애 여부를 점검하는 단계; 및
상기 이상이 있는 태양광 발전소의 주변 환경 이상 여부를 점검하는 단계
를 더 포함하는, 발전소 군집화 방법.
- 제3항 내지 제9항 중 어느 한 항에 따른 발전소 군집화 방법을 사용자 단말기에서 실행시키기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210047019A KR102310306B1 (ko) | 2021-04-12 | 2021-04-12 | 발전소 군집화 및 군집 기반 이상진단 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210047019A KR102310306B1 (ko) | 2021-04-12 | 2021-04-12 | 발전소 군집화 및 군집 기반 이상진단 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102310306B1 true KR102310306B1 (ko) | 2021-10-07 |
Family
ID=78609697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210047019A KR102310306B1 (ko) | 2021-04-12 | 2021-04-12 | 발전소 군집화 및 군집 기반 이상진단 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102310306B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280352A (zh) * | 2021-12-27 | 2022-04-05 | 杭州电子科技大学 | 一种基于电流的大仪工时计算方法 |
| KR20230048724A (ko) * | 2021-10-05 | 2023-04-12 | 한국에너지기술연구원 | 인공 신경망을 이용한 일사량 및 발전량 예보 장치 및 그 방법 |
| KR20230079819A (ko) * | 2021-11-29 | 2023-06-07 | 한국광기술원 | 태양광 패널 스트링의 발전 상태 모니터링 장치 및 방법 |
| KR20230082795A (ko) * | 2021-12-02 | 2023-06-09 | 고려대학교 산학협력단 | 군집화 기반의 오버샘플링 기법을 활용한 태양광 발전량 예측 장치 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102162596B1 (ko) * | 2019-05-29 | 2020-10-07 | 가천대학교 산학협력단 | 가상발전소 운영을 위한 계층적 분산전원의 효율적 운영 장치 및 방법 |
-
2021
- 2021-04-12 KR KR1020210047019A patent/KR102310306B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102162596B1 (ko) * | 2019-05-29 | 2020-10-07 | 가천대학교 산학협력단 | 가상발전소 운영을 위한 계층적 분산전원의 효율적 운영 장치 및 방법 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230048724A (ko) * | 2021-10-05 | 2023-04-12 | 한국에너지기술연구원 | 인공 신경망을 이용한 일사량 및 발전량 예보 장치 및 그 방법 |
| KR102643387B1 (ko) * | 2021-10-05 | 2024-03-07 | 한국에너지기술연구원 | 인공 신경망을 이용한 일사량 및 발전량 예보 장치 및 그 방법 |
| KR20230079819A (ko) * | 2021-11-29 | 2023-06-07 | 한국광기술원 | 태양광 패널 스트링의 발전 상태 모니터링 장치 및 방법 |
| KR102645683B1 (ko) * | 2021-11-29 | 2024-03-11 | 한국광기술원 | 태양광 패널 스트링의 발전 상태 모니터링 장치 및 방법 |
| KR20230082795A (ko) * | 2021-12-02 | 2023-06-09 | 고려대학교 산학협력단 | 군집화 기반의 오버샘플링 기법을 활용한 태양광 발전량 예측 장치 및 방법 |
| KR102664016B1 (ko) | 2021-12-02 | 2024-05-08 | 고려대학교 산학협력단 | 군집화 기반의 오버샘플링 기법을 활용한 태양광 발전량 예측 장치 및 방법 |
| CN114280352A (zh) * | 2021-12-27 | 2022-04-05 | 杭州电子科技大学 | 一种基于电流的大仪工时计算方法 |
| CN114280352B (zh) * | 2021-12-27 | 2024-02-13 | 杭州电子科技大学 | 一种基于电流的大仪工时计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102310306B1 (ko) | 발전소 군집화 및 군집 기반 이상진단 방법 | |
| US11501194B2 (en) | Managing computational workloads of computing apparatuses powered by renewable resources | |
| AU2019413432B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
| US10110976B2 (en) | Systems and methods for system measurements integrity determination | |
| US10552761B2 (en) | Non-intrusive fine-grained power monitoring of datacenters | |
| US20180320658A1 (en) | Computer System & Method for Predicting an Abnormal Event at a Wind Turbine in a Cluster | |
| US10387728B2 (en) | Mapping wind turbines and predicting wake effects using satellite imagery data | |
| CN111062525B (zh) | 扩容小区的基站选址方法、装置、设备及存储介质 | |
| CN116701559A (zh) | 设备监控方法、装置及服务器 | |
| US20210305937A1 (en) | Device and method for determining whether power generation system is abnormal | |
| US10815966B1 (en) | Computer system and method for determining an orientation of a wind turbine nacelle | |
| CN105992213A (zh) | 智能路由器、云端服务器及智能路由器启停系统 | |
| CN115544197A (zh) | 一种细粒度地址匹配方法及系统 | |
| CN114430824B (zh) | 用于完整性监测的突变事件检测 | |
| CN104883273A (zh) | 虚拟化服务管理平台中业务影响模型的处理方法和系统 | |
| KR102590028B1 (ko) | 태양광 발전원의 출력을 감시하는 방법 및 장치 | |
| JP7389526B1 (ja) | 水位計の配置の最適化方法、マンホールの水位の予測方法およびマンホールの水位の予測システム | |
| CN115983663B (zh) | 基于新能源的发电分析方法及相关设备 | |
| CN117495216B (zh) | 电力碳排放因子的核算方法、装置、电子设备和存储介质 | |
| JP5752031B2 (ja) | プログラム、情報処理装置、情報処理方法及び情報処理システム | |
| KR20240076603A (ko) | 머신러닝 기반의 예측 모델을 사용하여 구조물에 설치되는 풍력 발전 장치의 발전량을 예측하는 방법 및 시스템 | |
| KR20240030494A (ko) | 건축물 냉난방 에너지 성능 평가를 위한 gis 건물 폴리곤 정보 기반 건물 외피 도달 일사량 계산 시스템 및 방법 | |
| CN114881326A (zh) | 一种线路故障预警方法、装置、电子设备和存储介质 | |
| KR20130060403A (ko) | 앱기반 풍력발전기 체크시스템 | |
| CN117992751A (zh) | 分布式新能源的发电数据预测方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |