KR102379984B1 - 신재생에너지 발전 관리 시스템 - Google Patents

신재생에너지 발전 관리 시스템 Download PDF

Info

Publication number
KR102379984B1
KR102379984B1 KR1020210172603A KR20210172603A KR102379984B1 KR 102379984 B1 KR102379984 B1 KR 102379984B1 KR 1020210172603 A KR1020210172603 A KR 1020210172603A KR 20210172603 A KR20210172603 A KR 20210172603A KR 102379984 B1 KR102379984 B1 KR 102379984B1
Authority
KR
South Korea
Prior art keywords
value
module
unit
distribution
power generation
Prior art date
Application number
KR1020210172603A
Other languages
English (en)
Inventor
이효섭
임재륜
최상훈
이선정
김래균
박경남
Original Assignee
주식회사 인코어드 테크놀로지스
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 인코어드 테크놀로지스 filed Critical 주식회사 인코어드 테크놀로지스
Priority to KR1020210172603A priority Critical patent/KR102379984B1/ko
Priority to KR1020220036528A priority patent/KR20230085051A/ko
Application granted granted Critical
Publication of KR102379984B1 publication Critical patent/KR102379984B1/ko

Links

Images

Classifications

    • 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
    • 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
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources
    • 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/10—Energy trading, including energy flowing from end-user application to grid

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Water Supply & Treatment (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 신재생에너지 발전 관리 시스템에 관한 것으로, 신재생에너지의 발전 실측치를 수집하는 복수 개의 RTU 및 상기 발전 실측치를 모니터링하여 발전 설비를 제어하는 분석서버를 포함하고, RTU는, 발전 실측치를 수집하여, 개별 인버터의 이상 여부를 판단하고, 이상 판단시 상기 분석서버로 알림을 전송하는 제1제어부 및 알림에 대한 상기 분석서버의 서버제어명령에 따라 발전 설비를 제어하되, 분석서버로부터 제어오류를 수신시 외부 통제센터로 전송하여 제어오류에 대응하여 기설정된 제어명령을 수신하여 제어대상을 제어하는 제2제어부를 포함하며, 분석서버는, 수신된 알림에 대한 조치율을 기반으로 상기 인버터의 이상 여부를 판단하는 기준값을 조정하는 조정값을 산출하여 해당 RTU로 전송할 수 있다.

Description

신재생에너지 발전 관리 시스템{SYSTEM FOR MANAGING RENEWABLE ENERGY GENERATOR}
본 발명은 신재생에너지 발전 관리시스템에 관한 것으로, 안정적이고 신뢰성있는 발전량 데이터를 수집하고, 수집된 발전량 데이터를 기반으로 발전량을 예측하여 최적 입찰값을 결정할 수 있는 신재생에너지 발전 관리시스템에 관한 것이다.
전 세계적으로 전기에너지 소비량은 지속적으로 증가하고 있다. 그러나, 화석연료를 기반으로 한 에너지자원의 양은 한정되어 있어, 태양광발전, 풍력발전과 같은 신재생에너지 발전원의 전력생산 비중을 증가시키려는 추세를 보이고 있다.
이러한 신재생에너지 발전을 활용하여 전기에너지를 생산할 경우 온실가스와 미세먼지 등의 환경오염 물질을 감소시킬 수 있을 뿐만 아니라 지속가능한 미래에너지의 관점에서 에너지 공급 안정성을 증대 시킬 수 있어 그 중요성이 날로 커지고 있다.
하지만, 발전시스템의 출력전력은 먼지, 구름, 눈과 같은 외부적 요인의 영향으로 하루 종일 변화하고, 계절적 요인에 의해 서도 많은 영향을 받는다. 이러한 발전 시스템은 출력전력 불확실성을 개선하고, 전력계통의 신뢰성을 향상시키며, 전력품질을 향상하기 위해서 발전 출력전력을 모니터링하여 출력전력을 예측하고 이상 발생을 탐지할 필요가 있다.
이러한 발전 시스템은 안정적으로 전기를 생산하여야 하기 때문에 고장이 발생하는 경우 신속한 알림 및 조치가 이루어져야 한다.
일 예로, 태양광 발전시설은 통상 규모가 크고 태양을 많이 받을 수 있는 지역에 설치되기 때문에, 고장 발생시 즉각적인 진단이 어렵고 이를 복구하는데 많은 인력과 시간 및 비용이 소요되는 문제점이 있었다.
특히, 발전시설에서 생산되는 발전 정보를 수집하여 전송하는 RTU가 고장나는 경우, 원격 분석서버에서 발전 상태를 확인할 수 없기 때문에 RTU가 복구될 때까지 발전시설의 발전 상황을 파악할 수 없어 발전시설의 운영에 큰 차질이 발생하는 문제점이 있었다.
또한, 일반적으로 원격 분석서버에서 발전 이상감지시 RTU를 통해 발전 설비를 제어하나, 번개 등의 특정 이벤트로 인한 설비의 고장 및 오류가 발생시 원격분석서버가 탐지할 수 없는 상황이 발생될 수도 있다. 이러한 분석서버의 오류발생시 시스템을 정상화시켜 안정적이고 신뢰할 수 있는 발전량 데이터를 확보할 필요가 있다.
: 한국등록특허 제10-1492528호(2015.02.12.공고)
본 발명은 상술한 기술적 문제에 대응하기 위하여 안출된 것으로, 본 발명의 목적은 안정적이고 신뢰성있는 발전량 데이터를 수집할 수 있는 신재생에너지 발전 관리시스템을 제공하는 것이다.
특히, 본 발명의 목적은, 신재생에너지 발전 이상을 탐지하는 분석서버의 서버제어명령에 따라 발전 설비를 제어하되, 발전 설비 및 RTU의 하드웨어 또는 소프트웨어 등의 오류로 인해 분석서버의 제어에도 불구하고 오류가 발생될 시, 오류원인에 따라 기설정된 레벨의 QoS가 제공되도록 링토폴로지를 기반으로 오류대상을 제어할 수 있는 신재생에너지 발전 관리시스템을 제공하는 것이다.
또한, 신재생에너지 발전 이상을 탐지시, 인버터의 이상 판단 기준을 RTU별로 적응적으로 조정함으로써 알림이 과도 또는 과소하게 발생되는 것을 방지하여 알림발생이 필요한 상황에만 알림을 발생시키는 신재생에너지 발전 관리 시스템을 제공하는 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 신재생에너지 발전 관리 발전 시스템은, 신재생에너지 발전 실측치를 수집하는 복수 개의 RTU 및 상기 신재생에너지 발전 실측치를 모니터링하여 신재생에너지 발전 설비를 제어하는 분석서버를 포함하고,
상기 RTU는, 상기 신재생에너지 발전 실측치를 수집하여, 개별 인버터의 이상 여부를 판단하고, 이상 판단시 상기 분석서버로 알림을 전송하는 제1제어부 및 상기 알림에 대한 상기 분석서버의 서버제어명령에 따라 신재생에너지 발전 설비를 제어하되, 상기 분석서버로부터 제어오류를 수신시 외부 통제센터로 전송하여 상기 제어오류에 대응하여 기설정된 제어명령을 수신하여 제어대상을 제어하는 제2제어부를 포함할 수 있다.
이때, 상기 분석서버는, 상기 수신된 알림에 대한 조치율을 기반으로 상기 인버터의 이상 여부를 판단하는 기준값을 조정하는 조정값을 산출하여 해당 RTU로 전송할 수 있다.
또한, 상기 RTU는, 상기 제1제어부 및 제2제어부를 포함하고, 상기 분석서버로부터 제어오류를 수신시 기설정된 링토폴로지를 기반으로 상기 제어오류를 송신하는 수집모듈, 상기 링토폴로지를 기반으로 수집모듈로부터 제어오류를 수신시 외부 통제센터로 송신하고, 상기 제어오류에 대응하여 기설정된 제어명령을 수신하는 통신모듈 및 상기 링토폴로지를 기반으로 상기 제어명령에 대한 무결성을 검증하는 보안모듈을 포함할 수 있다.
이때, 상기 수집모듈, 통신모듈 및 보안모듈은, 상기 제어오류에 따라 기설정된 레벨별 QoS를 기반으로 제어명령을 수행할 수 있다.
또한, 상기 수집모듈, 통신모듈 및 보안모듈은, 상기 링토폴로지를 기반으로 기설정주기로 순환하는 토큰을 수신시, 상기 토큰에 송신하고자 하는 정보 데이터를 실어 목적지 모듈로 전송하고, 상기 정보 데이터는 상기 제어오류, 기설정된 레벨의 QoS에 따른 제어명령, 상기 제어명령을 수행한 결과 중 하나가 될 수 있다.
또한, 상기 제어명령은, 신재생에너지 발전 설비에 대한 제어, RTU 링토폴로지 이상에 대한 제어, 수집모듈의 소프트웨어 업데이트 제어 및 수집모듈의 특정기능오류에 대한 제어 중 하나가 될 수 있다.
또한, 상기 수집모듈, 통신모듈 및 보안모듈 중에서 이상이 발생된 이상발생모듈로 리셋신호를 출력하는 리셋모듈을 포함하고, 상기 수집모듈, 통신모듈 및 보안모듈 중 어느 하나의 모듈은, 상기 링토폴로지를 기반으로 기설정주기내에 이전 모듈로부터 토큰이 수신되지 않으면 상기 이전 모듈에 이상이 발생한 것으로 판단할 수 있다.
또한, 상기 리셋모듈은, 상기 수집모듈, 통신모듈 및 보안모듈에 각각 연결되되, 연결된 모듈로부터 제어신호를 수신시 반전시켜 리셋신호를 출력하고, 리셋신호를 수신시 연결된 모듈로 리셋신호를 출력하는 결합기 및 상기 링토폴로지를 기반으로 이웃하는 결합기들 사이의 경로를 연결 또는 절체시키는 복수 개의 스위치를 포함하고, 상기 이전 모듈의 이상 발생을 감지한 모듈의 제어신호에 의해 상기 이전 모듈의 이상 발생을 감지한 모듈 및 상기 이상발생모듈에 연결된 결합기들 간의 경로가 연결될 수 있다.
또한, 상기 분석서버는, 적어도 하나의 RTU로부터 알림을 수신하며, 해당 RTU로 업데이트될 조정값(Vn)을 전송하는 통신부, RTU별로 구분하여, 기설정 주기동안 수신된 알림 개수 대비 관리자에 의해 조치된 알림 개수인 조치율(T)을 산출하는 조치율 산출부 및 상기 산출된 조치율(T)과 기설정된 기준 조치율(Td)을 비교하여 조정값(Vn)을 산출하는 조정값 산출부를 포함할 수 있다.
또한, 상기 조정값 산출부는, 하기의 수학식을 이용하여 업데이트될 조정값(Vn)을 산출할 수 있다.
조정값(Vn) = 이전 주기동안의 조정값(Vn-1) × (조치율(T)/기준조치율(Td))
또한, 상기 분석서버는, 기후요소데이터 및 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부, 상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부, 상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부, 상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부 및 상기 기계학습에 대한 설정값들을 설정하는 제어부를 더 포함할 수 있다.
이때, 상기 발전 설비가 태양광 발전 설비이면, 상기 물리 모델값들은 경사면 일사량(PoA, Plane of Array) 및 유효일사량(Effective Irradiance)을 포함할 수 있다.
또한, 상기 물리 모델 연산부는, 하기 수학식에 따라 상기 유효일사량을 결정하며, 상기 경사면 일사량은 경사면 일사량 빔(PoA Beam) 요소, 경사면 일사량 지상 반사(PoA ground reflected) 요소, 경사면 일사량 공중 확산(PoA Sky-diffuse) 요소를 포함할 수 있다.
Ee= Eb * aoi_modifier +Eg + Ed
(여기서, Ee= 는 유효일사량, Eb 는 경사면 일사량 빔 요소, Eg는 경사면 일사량 지상 반사 요소, 또한, Ed는 경사면 일사량 공중 확산 요소이고, aoi_modifier는 상기 태양광 모듈 어레이를 실험하여 구한 상수)
또한, 상기 발전량 추정 연산부는, 하기 수학식에 따라 상기 발전량 추정치를 결정할 수 있다.
Figure 112021140881256-pat00001
(여기서, Ee는 유효일사량, E0 은 1000W/m2, Pmp는 DC 전력 추정치, Pmp0는 DC 정격 출력 전압에서의 기준 전력,
Figure 112021140881256-pat00002
는 태양광 모듈 어레이에서 실험으로 결정되는 상수, Tc는 표면온도, T0는 기준온도 (섭씨 25도))
또한, 상기 최종 발전량 예측치를 수신하면, 기수집된 신재생 발전에 대한 예측치 및 실측치를 포함하는 과거 발전량 데이터로부터, 상기 수신한 예측치에 대한 실측치 확률분포를 추정하는 조건부 분포 추정부 및 전력거래소의 전력시장운영규칙에 기반하여 기설정된 수익정산기준과 상기 추정된 실측치 확률분포를 이용하여 기대수익을 최대화시키는 입찰값을 산출하고, 산출된 입찰값을 최종 입찰값으로 결정하는 입찰값 결정부를 더 포함할 수 있다.
또한, 상기 조건부 분포 추정부는, 특정기간의 과거 발전량 데이터에 대해, 예측치를 이산화하여 동일값을 가지는 이산화된 예측치를 그룹으로 설정하는 예측값 이산화부, 기설정된 분포의 종류 및 최대우도추정법을 기반으로 각 그룹에 대한 실측치들의 최적 분포 파라미터를 산출하는 분포 파라미터 추정부 및 상기 산출된 최적 분포 파라미터를 이용하여 상기 기설정된 분포에 따른 각 그룹별 실측치 분포를 추정하는 실제값 분포 추정부를 포함할 수 있다.
또한, 상기 조건부 분포 추정부는, 상기 수신한 예측치가 포함되는 해당 그룹의 실측치 확률분포를 상기 수신한 예측치에 대한 실측치 확률분포로 추정할 수 있다.
또한, 상기 RTU에서 수집된 신재생에너지 발전 실측치 및 상기 기계학습 연산부에서 산출된 예측치 중에서, 검증기간 및 비교기간의 실측치 및 예측치를 기설정 시간단위로 추출하는 샘플추출부 및 추출된 검증기간의 실측치와 예측치에 대한 잔차분포 및 비교기간의 실측치와 예측치에 대한 잔차분포의 통계량 검증을 수행하여, 비교기간의 잔차분포와 검증기간의 잔차분포가 동일하지 않으면 상기 검증기간에 신재생에너지 발전 이상이 발생한 것으로 판단하는 이상 감지부를 더 포함할 수 있다.
또한 상기 이상 감지부는, 상기 잔차분포들에 대한 각각의 누적분포함수를 산출하고, 산출된 누적분포함수들 사이의 상한노름을 나타내는 통계량을 산출하는 산출부 및 상기 산출된 통계량에 기반하여 상기 비교기간의 잔차분포와 검증기간의 잔차분포가 동일 분포라는 귀무가설에 대한 검증을 수행하는 판단부를 포함할 수 있다.
또한, 상기 판단부는, 상기 산출된 통계량이 기설정 수준(α)에 대해 다음의 기각조건을 성립하면, 상기 비교기간의 잔차분포와 검증기간의 잔차분포가 동일 분포가 아닌 것으로 판단할 수 있다.
Figure 112021140881256-pat00003
여기서, Dn,m은 통계량, n은 상기 비교기간의 잔차분포에 포함된 단위시간별 잔차값들의 개수, m은 상기 검증기간의 잔차분포에 포함된 단위시간별 잔차값들의 개수임.
또한, 상기 이상 감지부는, 검증기간의 잔차분포 및 비교기간의 잔차분포를 무작위 순열하여 기설정 개수의 잔차값을 포함하는 두개의 잔차분포를 생성하는 순열부를 더 포함하고, 상기 산출부는, 상기 순열부에서 생성된 두개의 잔차분포에 대한 각각의 누적분포함수를 산출하고, 산출된 누적분포함수들 사이의 상한노름을 나타내는 통계량을 산출할 수 있다.
또한, 복수 개의 발전 사이트의 지리적 위치를 기반으로 벤치마킹그룹을 설정하고, 벤치마킹그룹별 벤치마킹 사이트를 설정하는 사이트 설정부, 상기 벤치마킹 사이트에 대해 RTU에서 수집된 실시간 발전량 실측치를 기반으로 기설정된 예측모델을 이용하여 해당 벤치마킹그룹에 포함된 사이트 중 상기 벤치마킹 사이트를 제외한 사이트 각각에 대한 실시간 발전량 예측치를 산출하는 사이트 발전량 산출부 및 상기 산출된 사이트 각각에 대한 실시간 발전량 예측치 및 상기 벤치마킹 사이트에 대한 실시간 발전량 실측치를 합산하여 전체 사이트에 대한 실시간 전체 발전량을 추정하는 전체 발전량 추정부를 더 포함할 수 있다.
또한, 상기 예측모델의 입력데이터는, 현재 시점에 대한 벤치마킹 사이트의 정규화된 발전량, 기상요소, 일사량 추정치, 기준 DC/AC 전력, DC/AC 전력 추정치 및 시간정보가 될 수 있다.
또한, 상기 사이트 발전량 산출부는, 상기 실시간 발전량 예측치 산출 대상인 특정 사이트에서 가장 인접한 벤치마킹 사이트를 선택하여 해당 용량을 획득하고, 상기 선택된 벤치마킹 사이트의 현재시점의 발전량 실측치를 상기 해당 용량으로 나누어 상기 벤치마킹 사이트의 정규화된 발전량을 산출할 수 있다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 일 실시 예에 따른 신재생에너지 발전 관리 시스템은, 발전 설비 및 RTU의 고장/오류 등으로 인한 분석서버의 제어오류 발생시 기설정된 레벨의 QoS에 따른 제어명령을 링토폴로지를 기반으로 전송하여 오류대상(제어대상)을 제어할 수 있다.
또한, 알림 조치율을 기반으로 인버터(13a 내지 13n)의 이상 판단 기준을 RTU별로 적응적으로 조정함으로써 알림이 과도 또는 과소하게 발생되는 것을 방지하여 알림발생이 필요한 상황에만 알림이 발생될 수 있게 할 수 있다.
또한, 안정적이고 신뢰성있는 발전량 데이터(실측치) 수집을 기반으로, 사이트별 발전량을 정확하게 예측할 수 있다.
또한, 수집된 과거 발전량 기록으로부터 예측치와 실측치 관계를 파악하여, 주어진 예측치에 대한 실측치의 확률분포를 산출하고, 산출된 실측치의 확률분포와 수익정산기준을 이용하여 최적 입찰값을 결정함으로써 최대 수익을 기대할 수 있다.
또한, 수집된 실측치 및 예측치를 활용하여 발전 이상여부를 판단하고, 전체 사이트에 대한 실시간 발전량을 예측하는데 활용할 수도 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 실 시예에 따른 신재생에너지 발전 관리시스템의 개략적인 구성을 설명하기 위한 도면이다.
도 2는 도 1의 RTU의 개략적인 구성을 나타내는 구성 블록도이다.
도 3은 도 2의 수집부의 구성을 나타내는 구성 블록도이다.
도 4는 도 3의 수집부의 프로세서 구성을 나타내는 구성 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 링토폴로지를 이용한 RTU의 동작을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 QoS에 따른 제어명령의 레벨을 나타내는 도면이다.
도 7은 도 5의 링토폴로지 기반의 RTU 합의 동작을 설명하기 위한 도면이다.
도 8은 도 2의 리셋모듈의 일 실시 예에 따른 구성을 나타내는 도면이다.
도 9는 도 8의 결합부의 리셋 회로도이다.
도 10은 도 1의 분석서버의 구성을 나타내는 구성 블록도이다.
도 11은 도 1의 예측서버의 구성을 나타내는 구성 블록도이다.
도 12는 도 1의 입찰값 결정 서버의 구성을 나타내는 구성 블록도이다.
도 13은 도 12의 입찰값 결정 서버의 단가함수를 설명하기 위한 그래프이다.
도 14는 도 1의 이상감지서버의 구성을 나타내는 구성 블록도이다.
도 15는 도 14의 이상감지서버의 일 실시 예에 따른 이상감지 판단을 설명하기 위한 도면이다.
도 16은 도 14의 이상감지서버의 다른 실시 예에 따른 순열을 설명하기 위한 도면이다.
도 17은 도 1의 실시간 발전량 추정서버의 구성을 나타내는 구성 블록도이다.
도 18은 도 17의 실시간 발전량 추정서버의 지리적 위치기반 벤치마킹그룹 설정을 설명하기 위한 도면이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 이하의 설명에서 제1, 제2 등과 같은 서수식 표현은 서로 동등하고 독립된 객체를 설명하기 위한 것이며, 그 순서에 주(main)/부(sub) 또는 주(master)/종(slave)의 의미는 없는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세히 설명한다.
도 1은 본 발명의 실 시예에 따른 신재생에너지 발전 관리시스템의 개략적인 구성을 설명하기 위한 도면이다. 본 발명의 신재생에너지 발전 관리시스템은 신재생에너지 발전을 효과적으로 관리하기 위한 시스템으로, 설명의 이해를 위해 일 예로, 태양광 발전에 대하여 설명할 수 있다. 하지만, 태양광 발전으로 한정되는 것은 아니며, 이외에 바이오, 풍력, 수력, 연료 등의 신재생에너지 발전 관리 및 응용에도 이용될 수 있다.
도 1에 따르면, 본 발명의 일 실시예에 따른 신재생에너지 발전 관리시스템은, 태양광 발전에 적용되는 경우, 태양광 발전 설비(10), 태양광 발전 설비(10)로부터 수집되는 실제 태양광 발전 데이터를 수신할 수 있는 RTU(100-1 내지 100n), 분석서버(200), 데이터베이스(300) 및 태양광 모듈 어레이(11) 근방에 설치된 각종 센서류(350)를 포함할 수 있다.
또한, 분석서버(200)는 제어서버(210), 예측서버(220), 입찰값 결정 서버(230), 이상감지서버(240) 및 실시간 발전량 추정서버(250)를 포함할 수 있다.
여기서, 태양광 발전 데이터는, 태양광 발전 설비(10)의 태양광 모듈 어레이(11), 접속반(12) 및 인버터(13) 각각으로부터 수집되는 정보로, 발전량(실제값), 선간전압(line voltage)과 선전류(line current), 위상, 누적발전량, 가동/비가동 상태 등의 다양한 정보들이 될 수 있다. 또한, 센서(350)로부터 수집되는 정보들도 포함할 수 있다.
태양광 발전 설비(10)는 태양광 모듈 어레이(11), 접속반(12) 및 인버터(13)를 포함할 수 있으며, 본 발명의 일 실시 예에서는 도 1과 같이 도시하였으나 각 구성의 결합방식은 설계자에 의해 용이하게 변경될 수 있다.
태양광 모듈 어레이(11)는 표면으로 입사되는 태양광을 전기에너지로 변환하는 복수 개의 태양전지 모듈이 직렬 또는 병렬로 연결되어 있다. 태양광 모듈 어레이(11)는 직류전류를 출력하여 접속반(12)에 제공할 수 있으며, 하나의 접속반(12)에 복수 개의 태양광 모듈 어레이(11)가 연결될 수 있다.
접속반(12)은 태양광 모듈별, 시간대별 전압 정보 및 전류 정보를 측정할 수 있다. 접속반(12)에는 복수 개의 태양광 모듈 어레이(11)가 병렬로 연결될 수 있다. 접속반(12)은 태양광 모듈 어레이(11)와 인버터(13-1)를 연결하여 태양광 모듈 어레이(11)에서 발생되는 직류 전력을 직/병렬로 연결하여 수집할 수 있다. 하나의 인버터(13-1)에는 적어도 하나 이상의 접속반(12)이 연결될 수 있다.
인버터(13)는 복수 개의 접속반(12)과 케이블 등으로 연결되어 직류 전력을 공급받을 수 있다. 또한, 인버터(13-1)는 접속반(12)에서 직류 형태로 제공되는 발전 전력을 교류로 변환시켜 계통전원을 통하여 송전할 수 있도록 한다. 이때 인버터에서 생성한 교류 전력에 관한 정보는 사이트별로 RTU(Remote Terminal Unit, 100-1 내지 100-n)를 통하여 분석서버(200)에서 실시간 분석될 수 있다.
이때, 분석서버(200)는 각 RTU로부터 수신되는 태양광 발전 데이터를 기반으로, 제어서버(210)를 통해 이상판단 기준을 조정하며, 태양광 발전 데이터의 실측치를 기반으로 이상탐지(제1이상감지)시 제어명령을 통해 태양광 발전 설비(10)를 제어할 수 있게 하고, 예측 서버(220)를 통해 발전량 데이터의 실측치인 실제값기반의 예측치를 예측하며, 입찰값 결정 서버(230)를 통해 예측값에 기반한 최적 입찰값을 결정하고, 이상감지서버(240)를 통해 태양광 발전 설비에 대해 실측치와 예측치에 기반하여 이상여부를 감지를 하며(제2이상감지), 실시간 발전량 추정서버(250)를 통해 전체 발전 사이트에 대한 실시간 발전량을 추정하는 등의 다양한 분석을 통해 전반적인 태양광 발전을 모니터링할 수 있는 AI기반 분석시스템이 될 수 있다.
서버들(210 내지 250)은 각각의 시스템으로 구성될 수도 있다. 각 서버의 동작은 각 실시 예에 따른 도면과 함께 설명하도록 한다.
도 1을 참고하면, RTU(100-1)는 분석서버(200)에서 분석시 필요한 태양광 발전 데이터를 DB(300)에 저장할 수 있고, RTU(100-1)와 인버터(13-1)는 RS-485 통신 등이 가능한 케이블로 연결될 수 있다. 이때, RTU는 RS-485 통신 등을 통해 태양광 발전 데이터를 수집하고, 제어서버(210)의 실제값 기반의 이상감지에 따른 제어명령(관리자 조치에 따른 설비 제어명령 등)을 제어서버(210)로부터 수신하여 태양광 발전 설비를 제어할 수 있다.
태양광 발전에 대한 전반적인 제어 및 관리는 분석서버(200)를 통해 통제될 수 있으며, RTU(100-1)의 하드웨어적 또는 소프웨어적 오류 발생이나 태양광 발전 설비(10)의 하드웨어 오류 등으로 인해 분석서버(200)의 제어오류(분석서버(200) 제어명령에 따른 조치에도 발전 이상이 감지되는 경우)가 발생될 경우, 본 발명의 일 실시 예에 따른 태양광 발전을 위한 RTU(100)는 제어오류에 대한 레벨별 QoS를 제공하여 제어오류의 원인인 제어대상을 제어함으로써 태양광 발전 시스템을 정상화시킬 수 있다.
여기서, 제어오류는 제어서버(210)에서 이상탐지로 인해 태양광 발전 설비(10)를 제어시 정상복구되지 않고 이상발생으로 확인될 시 또는 필요(일예로, RTU의 소프트웨어 업데이트로 인한 제어오류 발생시)에 따라 분석서버(200)가 해당 제어오류에 대한 알림을 RTU(100-1)로 제공할 수 있고, 본 발명의 일 실시 예에 따른 RTU(100-1)는 링토폴로지를 기반으로 해당 제어오류에 대한 통제를 수행할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 RTU의 개략적인 구성을 나타내는 구성 블록도이다. 도 3은 도 2의 수집부의 구성을 나타내는 구성 블록도이다.
도 2를 참고하면, 본 발명의 일 실시 예에 따른 RTU(100)는 수집모듈(110), 통신모듈(120), 보안모듈(130)을 포함할 수 있고, 리셋모듈(140)을 더 포함할 수 있다. 또한, 도 3을 참고하면, 수집부(110)는 제1통신부(111), 제2통신부(112), 메모리부(113) 및 프로세서(114)를 포함할 수 있고, 프로세서(114)는 도 4와 같이 제1제어부(114-1) 및 제2제어부(114-2)를 포함할 수 있다,
또한, 도 1의 복수의 RTU(100-1 내지 100-n)은 도 2의 RTU(100)의 구성을 포함할 수 있고, 동일한 기능을 구현할 수 있다.
또한, 도 5를 참고하면, 수집모듈(110), 통신모듈(120), 보안모듈(130)은 기설정된 링토폴로지를 기반으로 토큰(T)을 순환하는 링토폴로지를 형성할 수 있다.
여기서, 수집모듈(110)는 제1제어부(114-1)를 통해 링통신을 수행하고, 수집모듈(110) 내의 각 구성들로부터 발생되는 데이터들을 링토폴로지를 기반으로 목적지(분석서버(200), 태양광설비(10), 외부 통제센터(400) 중 어느 하나)로 전송할 수 있다.
각 모듈(110 내지 130)은 하나의 물리적 송수신 포트를 구비할 수 있으나, 논리적으로는 제1방향의 링토폴로지(a) 및 제1방향의 역방향인 제2방향의 링토폴로지(b)를 구비하여 양방향 링토폴로지를 형성할 수 있다.
각 모듈(110 내지 130)은 기설정된 링토폴로지를 기반으로 순환되는 토큰을 수신하며, 자신의 차례에 토큰에 정보데이터, 목적지모듈, 우선권 정보 등을 포함시켜 전송할 수 있다. 이때, 특정모듈 즉, 모듈(110 내지 130) 중 하나의 모듈에서 정보데이터가 포함된 토큰을 수신시, 목적지 모듈이 자신이면 정보데이터를 수신하고, 목적지 모듈이 자신이 아니면 기설정된 링토폴로지를 기반으로 다음 모듈로 수신된 토큰을 전송할 수 있다. 또한, 목적지 모듈에서 정보데이터를 포함한 토큰의 수신이 확인되면 해당 토큰에서 정보가 삭제되고 프리토큰이 링토폴로지를 기반으로 다시 순환될 수 있다.
수집모듈(110)은 태양광 발전 설비(10)로부터 기설정주기로 태양광 발전 데이터를 수집하여 태양광 발전 이상 발생을 감지하는 분석서버(200)로 전송하고, 분석서버(200)로부터 수신되는 서버제어명령에 따라 태양광 발전 설비를 제어할 수 있다. 이때, 서버제어명령은 관리자의 조치에 따른 제어값 또는 직접 조치를 위한 알림 등이 될 수 있다.
또한, 본 발명의 일 실시 예에 따른 수집모듈(110)은 분석서버(200)로부터 제어오류를 수신시 기설정된 링토폴로지를 기반으로 제어오류를 외부의 통제센터(400)로 송신할 수 있다.
이를 위해, 수집모듈(110)은 데이터의 수집, 저장, 전송, 처리 등을 수행할 수 있는 복수 개의 소프트웨어가 설치되어 프로세서(114)의 제1제어부(111-1)에 의해 제어될 수 있으며, 각 구성이 모듈로 포함될 수도 있다.
통신모듈(120)은 링토폴로지를 기반으로 수집모듈(110)로부터 제어오류를 수신시 외부 통제센터(400)로 송신하고, 제어오류에 대응하여 기설정된 제어명령을 수신할 수 있다.
보안모듈(130)은 링토폴로지를 기반으로 제어명령에 대한 무결성을 실시간 클럭(RTC)을 기반으로 검증할 수 있다.
이때, 각 모듈(110 내지 130) 중 적어도 하나는, 링토폴로지를 기반으로 제어명령을 수신시 제어명령에 따라 제어대상 즉, 오류 대상을 제어할 수 있다.
본 발명의 일 실시 예에 따른 RTU(100)는 제어오류에 따라 기설정된 레벨별 QoS를 기반으로 제어명령을 수행할 수 있다. 일 예로, 하기와 같이 정의될 수 있으며, 이에 한정되지 않으며 설계자에 의해 보다 세부 구분되거나 추가될 수도 있다.
Figure 112021140881256-pat00004
이때, 각 제어레벨(Level1 내지 Level4)은 수집모듈(110)에 의한 안정성, 보안모듈(120)에 의한 보안성 및 통신모듈(130)에 의한 원격제어를 기반으로 제어오류에 대한 통제를 구분할 수 있으며, 우선시되는 요소(안정성, 보안성 및 원격제어)에 따라 레벨이 구분될 수 있다.
여기서, 안정성은 태양광 발전 시스템의 안정화를 위해 수집모듈(110)의 정상동작 유지가 될 수 있다.
보안성은 참여자들의 무결성 및 인증을 통한 보안유지가 될 수 있다.
원격제어는 제어수행에 참여하는 참여자(Owner : 통제센터(400), 서비스 관리 단말(500) 및 사용자 단말(600))들의 합의에 따른 제어대상의 제어가 될 수 있다.
각 레벨에서 우선시되는 요소(안정성, 보안성 및 원격제어)는 도 6을 통해 확인할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 QoS에 따른 제어명령의 레벨을 나타내는 도면이다. 도 6을 참고하면, 각 레벨별 QoS에 따른 제어명령의 우선시되는 요소를 확인할 수 있다. 이때, 각 레벨은 모든 요소를 기반으로 하나, 특히 우선시 되는 요소를 구분한 것이다.
가장 높은 레벨인 레벨4는 모든 요소에 대한 최대 확보를 기반으로 하며, 특히 원격제어에 중점을 둘 수 있다. 또한, 레벨3은 안정성에 중점을 두고, 레벨2는 보안성, 레벨1은 각 요소의 최소지원이 될 수 있다.
한편, 각 레벨에 따른 제어명령은 도 5와 같은 링토폴로지를 기반으로 목적지모듈로 전송되어 제어대상을 제어할 수 있으며, 이때 제어명령은 도 7과 같은 합의 및 무결성 검증이 완료된 후 링토폴로지를 통해 전송될 수 있다.
도 5 내지 도 7을 통해, 본 발명의 일 실시 예에 따른 각 레벨별 QoS를 기반으로 제어명령을 수행하는 과정을 설명할 수 있다.
본 발명의 일 실시 예에 따른 RTU(100)의 보안모듈(130)은 실시간 클럭(RTC)을 기반으로 기설정주기로 링토폴로지를 순환하는 최초 토큰을 생성하여 다음모듈로 전송할 수 있다. 이때 토큰은 프리토큰이 될 수 있으며, 각 모듈(110 내지 130)은 링토폴로지를 기반으로 기설정주기로 순환하는 토큰을 자신의 차례에 수신하면, 토큰에 송신하고자 하는 정보 데이터를 실어 목적지 모듈로 전송할 수 있다.
여기서, 정보 데이터는 제어오류, 기설정된 레벨의 QoS에 따른 제어명령, 제어명령을 수행한 결과 중 하나가 될 수 있다. 즉, 각 레벨에 따른 QoS제공을 위해 해당 모듈(110 내지 130)에서 기능수행에 따른 정보데이터를 실을 수 있다.
또한, 제어오류는 태양광 발전 설비(사이트)의 이상, RTU 링토폴로지 이상, 수집모듈(110)의 소프트웨어 업데이트에 따른 제어오류 및 수집모듈(110)의 특정기능 이상에 따른 오류 등이 될 수 있다. 제어오류는 분석서버(200)의 태양광 발전 이상여부, 태양광 발전 데이터(발전량 실측치 등) 등의 분석에 따라 태양광 발전의 이상인지, RTU의 이상인지 등이 결정 또는 예측되어 분석서버(200)로부터 수신될 수 있다.
또한, 제어명령은 태양광 발전 설비에 대한 제어, RTU 링토폴로지 이상에 대한 제어, 수집모듈의 소프트웨어 업데이트 제어 및 수집모듈의 특정기능오류에 대한 제어 등이 될 수 있다.
가장 높은 레벨인 레벨4는 모든 요소에 대한 최대 확보를 기반으로 하며, 특히 원격제어에 중점을 둘 수 있다. 일 예로, 제1방향의 토폴로지(a)를 기반으로 링토폴로지가 수행되는 경우, 수집모듈(110)은 분석서버(200)로부터 제어오류를 수신시, 자신의 차례에 수신되는 토큰에 제어오류를 실어 송신할 수 있다. 이때, 토큰에는 목적지 모듈이 통신모듈(120)로 지정되고 제어오류가 태양광 발전 이상인 경우 레벨4가 우선권 정보로 포함될 수 있다.
제1방향의 토폴로지(a)를 기반으로 수집모듈(110)은 정보데이터를 포함하는 토큰을 보안모듈(130)로 전송하며, 보안모듈(130)은 목적지모듈을 확인하여 자신이 아니므로 다음모듈인 통신모듈(120)로 수신된 정보데이터가 포함된 토큰을 전송할 수 있다.
통신모듈(120)은 목적지모듈이 자신이므로 정보데이터의 제어오류를 통제센터(400)로 전송하고 제어오류에 대응되는 제어명령을 수신하여 제어명령에 대응하는 QoS를 제공할 수 있다. 즉, 도 7과 같이 참여자들(서비스 관리 단말(500) 및 사용자 단말(600))의 제어명령 수행에 대한 합의를 요청하고, 모든 참여자 단말이 합의한 경우 보안모듈(120)로 무결성 검증을 요청하는 정보데이터를 토큰에 실어 전송할 수 있다.
보안모듈(120)이 링토폴로지(a)를 기반으로 토큰을 수신시 참여자 단말들에 대한 인증을 수행하여 무결성을 검증하고, 검증이 완료되면 통신모듈(110)은 수집모듈(120)로 제어명령 즉, 레벨4에 따른 태양광 발전 설비 제어(일 예로, 설비의 일부 또는 전체의 전원을 리셋)하는 명령을 전송할 수 있다.
수집모듈(120)은 제어명령을 수신시 제어대상인 태양광 발전 설비로 제어명령을 전송하여 제어할 수 있으며, 제어명령 결과를 확인하여 태양광 발전 설비의 정상동작을 토큰에 실어 통제센터(400)로 알림할 수 있다.
여기서 정상동작 확인은 제어명령 이후 태양광 발전 설비로부터 수신되는 태양광 발전 데이터에 이상이 없음을 확인하는 동작 등을 통해 확인 할 수 있으며, 기설정된 시간내에 통제센터(400)로 알림되어야 한다. 이에 따라, 레벨4에 따른 QoS는 제어명령의 무결성과 제어명령 수행결과에 대한 응답확인을 통한 신뢰성을 확보할 수 있다.
이때, 레벨4에 따른 제어오류 전송부터 제어명령 수행결과에 대한 응답확인까지의 과정동안 링토폴로지는 레벨4에 따른 QoS가 제공되도록 보장될 수 있다.
또한, 레벨3은 모든 요소(원격제어, 보안 및 안정성)를 기반으로 하되, 특히 안정성에 중점을 두며 즉각적인 처리를 위해 시간요소를 우선으로 할 수 있다. 일 예로, 도 5를 참고하면, 수집모듈(110), 보안모듈(120) 및 통신모듈(130)은 기설정된 링토폴로지(a)를 기반으로 기설정주기로 순환되는 토큰의 전송을 이용하여 이전 모듈의 통신상태를 감지할 수 있다.
구체적으로, 각 모듈(110 내지 130)은 보안모듈(120)의 실시간 클럭에 동기화하여 타이머를 구동하여 실시간으로 기설정주기를 체크할 수 있다. 이때, 각 모듈(110 내지 130)은 기설정 주기내에 이전 모듈로부터 순환 중인 토큰이 수신되지 않으면 이전 모듈에 이상이 발생한 것으로 판단할 수 있다.
이때, 이전 모듈의 이상을 판단한 특정모듈(110 내지 130 중 하나의 모듈)은 해당 모듈의 이상을 통제센터(400)로 알림하고, 통제센터(400)로부터 제어명령 즉, 이상발생 모듈의 전원 스위치를 리셋시키는 제어명령을 수신시 리셋모듈(140)로 전송하여 이상발생 모듈의 스위치를 리셋시킬 수 있다.
한편, 즉각적인 처리를 위해 통제센터(400)로 제어오류(이상발생모듈)의 감지를 알림하는 대신 이상발생모듈을 판단한 특정모듈에서 제어명령(이상발생모듈의 전원 스위치 리셋명령)을 직접적으로 리셋모듈(140)로 전송할 수도 있다. 즉, 이 경우 제어명령에 대한 합의과정을 생략할 수 있다.
또는 리셋모듈(140)은 일 예로, 도 8 및 도 9와 같이 구성될 수도 있다. 도 8은 도 2의 리셋모듈의 일 실시 예에 따른 구성을 나타내는 도면이다. 도 9는 도 8의 결합부의 리셋 회로도이다.
복수 개의 모듈(110 내지 130) 중 특정 모듈에서 이전 모듈의 이상 발생을 감지하면, 이상발생모듈을 리셋시키기 위한 제어신호를 리셋모듈(140)로 출력할 수있다. 이때, 복수 개의 모듈(110 내지 130)은 리셋모듈(140)로 제어신호를 출력하기 위한 2개의 출력단을 구비할 수 있으며, 이전 모듈의 이상 발생을 감지한 특정모듈은 링토폴로지를 기반으로 즉, 제1방향 링토폴로지(a)인지 제2방향 링토폴로지(b)인지에 따라 특정 제1출력단(P1) 또는 제2출력단(P1)로 제어신호를 출력할 수 있다. 이때, 제어신호는 기설정 전압의 펄스신호가 될 수 있다.
또한, 복수 개의 모듈(110 내지 130)은 링토폴로지를 기반으로 이상 발생시, 이웃하는 모듈로부터 리셋신호를 수신하기 위한 리셋입력단이 구비될 수 있다.
리셋모듈(140)은 이전 모듈의 이상 발생을 감지한 특정모듈로부터 이상발생모듈을 리셋시키기 위한 제어신호를 수신시 이상발생모듈로 리셋신호를 출력할 수 있다.
도 8을 참고하면, 리셋모듈(140)은 결합기(151 내지 153), 스위치(161 내지 163) 및 XOR게이트(171 내지 173)를 포함할 수 있다.
이때, 결합기(151 내지 153)는 복수 개의 모듈(110 내지 130)에 일대일로 연결되며, 연결된 해당 모듈로부터 제어신호를 수신시 반전시켜 리셋신호를 출력할 수 있다. 또한, 결합기(151 내지 153)는 다른 모듈의 결합기로부터 출력된 리셋신호를 수신시 연결된 해당모듈로 리셋신호를 출력할 수 있다.
즉, 각 결합기(151 내지 153)는 각 모듈(110 내지 130)에 구비된 제1출력단(P1) 및 제2출력단(P2)과 연결되어 하나의 출력단으로부터 제어신호를 수신하고, 다른 모듈의 결합기로부터 출력된 리셋신호를 수신시 연결된 해당모듈의 리셋입력단으로 리셋신호를 출력할 수 있다.
스위치(171 내지 173)는 결합기들(151 내지 153) 사이의 경로를 연결 또는 절체시켜 링토폴로지를 기반으로 특정 결합기에서 발생된 리셋신호를 이상발생모듈의 결합기를 통해 출력될 수 있도록, 경로를 형성할 수 있다.
이때, 결합기(152)는 제1신호변환부(181), 제2신호변환부(182), 신호전송부(183) 및 리셋방지부(184)를 포함할 수 있으며, 도 9와 같은 회로로 설계될 수 있다. 이때, 도 9의 회로는 하나의 일 실시 예이며, 각 구성의 기능을 구현하는 다양한 소자들로 대체하여 구현될 수도 있다.
제1신호변환부(181)는 연결된 모듈의 제1출력단(P1)으로부터 출력되는 제어신호를 반전시켜 이웃하는 결합기 사이에 연결된 스위치로 출력할 수 있다. 또한, 제2신호변환부(182)는 연결된 모듈의 제2출력단(P2)으로부터 출력되는 제어신호를 반전시켜 이웃하는 결합기 사이에 연결된 스위치로 출력할 수 있다.
이때, 제어신호는 제1출력단(P1) 또는 제2출력단(P2) 중 하나의 출력단을 통해 결합기에 수신되며, 제어신호를 출력할 출력단은 링토폴로지를 기반으로 설계자에 의해 결정될 수 있다.
도 9를 살펴보면, 제1신호변환부(181) 및 제2신호변환부(182)는 트랜지스터(TR)로 구현될 수 있으며, 바이어스 저항이 베이스(2,5)에 연결되고, 전원(VCC)과 콜렉트(3,6) 사이에 풀업저항이 연결될 수 있다.
제1신호변환부(181)는 연결된 모듈의 제1출력단(P1)과 베이스(2)가 직렬연결되고, 콜렉트(3)가 이웃하는 제1결합기(일 예로, 자신을 기준으로 링토폴로지의 제1방향(도 3에서 a)으로 이웃하는 결합기) 사이의 경로를 연결 또는 절체시키는 제1스위치에 직렬연결된 제1TR이 될 수 있다.
또한, 제2신호변환부(181)는 연결된 모듈의 제2출력단(P2)과 베이스(5)가 직렬연결되고 콜렉트(6)가 이웃하는 제2결합기(일 예로, 자신을 기준으로 링토폴로지의 제2방향(도 3에서 b)으로 이웃하는 결합기) 사이의 경로를 연결 또는 절체시키는 제2스위치에 직렬연결된 제2TR이 될 수 있다.
이때, 제1신호변환부(181) 및 제2신호변환부(182)의 콜렉트(6)는 연결된 모듈의 리셋 입력단에 연결되어, 리셋입력단에 전원(Vcc)을 공급할 수 있다.
제1신호변환부(181)의 동작을 살펴보면, 제어신호 즉, 하이신호가 베이스(2)로 입력되면 제1TR이 온됨으로써 전원(Vcc)으로부터 공급되는 전압이 풀업저항을 통해 접지되어 제1TR의 콜렉트(3)로 반전된 로우신호 즉, 리셋신호가 출력될 수 있다. 제2신호변환부(182)도 동일하게 동작될 수 있다.
또한, 제어신호 입력에 의해 제1신호변환부(181) 및 제2신호변환부(182)의 TR이 온되는 경우에도 리셋입력단의 하이신호를 유지시키기 위해, 본 발명의 일 실시 예에서는 제1출력단(P1) 또는 제2출력단(P2)으로부터 입력되는 제어신호(하이신호)가 리셋입력단으로 출력될 수 있도록 제1출력단(P1)과 리셋입력단 사이에 제1순방향 다이오드(185)를 병렬연결하고, 제2출력단(P2)과 리셋입력단 사이에 제2순방향 다이오드(186)를 병렬연결할 수 있다.
이때, 제1순방향 다이오드(185)의 캐소드(-)에 제2순방향 다이오드(186)의 애노드(+)가 직렬연결될 수 있다.
신호전송부(183)는 이웃하는 제1결합기 및 제2결합기 사이에 구비된 스위치즉, 제1스위치 또는 제2스위치로부터 수신되는 리셋신호를 연결된 모듈의 리셋 입력단으로 출력할 수 있다. 이에, 신호전송부(183)는 리셋 입력단과 스위치 연결단 사이에 구비될 수 있고, 제1신호변환부(181) 및 제2신호변환부(182)의 콜렉트와 연결될 수 있다.
여기서, 신호전송부(183)는 쇼트키 다이오드가 될 수 있다. 쇼트키 다이오드는 매우 좁은 쇼트키 장벽 내에서 전류제어작용이 행하여지기 때문에 고속 스위칭 전환에 적합하고, 순방향 및 역방향 전압특성이 낮은 특성이 있다. 이에, 리셋신호 수신시 연결된 모듈을 고속으로 리셋시킬 수 있다.
이에, 신호전송부(183)는, 제1TR의 콜렉트, 제2TR의 콜렉트 및 이웃하는 결합기 사이에 구비된 스위치 중 하나로부터 리셋신호를 수신하게 되므로, 제1TR의 콜렉트, 제2TR의 콜렉트 즉, 제1신호변환부(181) 및 제2신호변환부(182)의 출력에 의해 연결된 모듈이 리셋되는 것을 방지할 필요가 있다.
이를 위해, 본 발명의 일 실시 예에 따른 결합기(151 내지 153)는 제1순방향 다이오드(185) 및 제2순방향 다이오드(186)를 리셋방지부(184)로 이용할 수 있다. 제1출력단(P1)과 리셋입력단 사이에 병렬연결되는 제1순방향 다이오드(185)와, 제2출력단(P2)과 리셋입력단 사이에 병렬연결되는 제2순방향 다이오드(186)를 신호전송부(183)와 연결할 수 있다.
따라서, 제1신호변환부(181) 또는 제2신호변환부(182)에서 출력되는 리셋신호에 의해 쇼트키 다이오드(183)에 인가되는 전압과 제어신호에 의해 제1순방향 다이오드(185) 또는 제2순방향 다이오드(186)에 인가되는 전압이 서로 상쇄됨으로써 해당 모듈에서 출력한 제어신호에 의해 해당 모듈이 리셋되는 것을 방지할 수 있다.
결합기(151 내지 153)에서 출력되는 리셋신호는 스위치(161 내지 163)를 통해 이상이 발생한 이전모듈의 리셋입력단으로 출력될 수 있다.
일 예로, 도 8에서 이전 모듈의 이상발생을 감지한 특정모듈이 통신모듈(120)이고, 링토폴로지의 방향에 따라 이전 모듈이 수집모듈(110)인 경우, 통신모듈(120)은 연결된 결합기2(151)로 제어신호를 출력하되 링토폴로지 방향에 따라 해당 출력단으로 출력할 수 있다. 또한, 결합기2를 통해 출력된 리셋신호는 이웃하는 결합기(152)와의 경로를 연결해주는 스위치1(161)을 통해 수집모듈(110)의 리셋입력단으로 입력될 수 있다.
도 9에서, 링토폴로지의 방향에 따라 이전 모듈인 수집모듈(110)로 리셋신호를 출력하기 위해서는 결합기2(152)가 결합기1(151)와 연결되어야 하며, 결합기2(152)와 결합기3(153) 사이의 경로는 폐쇄되어야 한다. 이때, 스위치 제어를 통해 결합기들간의 경로를 연결 또는 절체할 수 있다.
본 발명의 일 실시 예에서는 XOR게이트(171 내지 173)를 이용하여 리셋모듈(140) 내에서의 링토폴로지를 구성할 수 있다. 이때, 리셋모듈(140)의 링토폴로지는 도 3의 모듈간의 링토폴로지와는 별개로 구성되며, 스위치(161 내지 163)의 온오프를 통해 리셋신호의 경로를 설정하기 위함이다. 다만, 리셋모듈(140)의 링토폴로지 방향(도 5의 제1방향제어, 제2방향제어)은 모듈간의 링토폴로지 방향 및 모듈(110 내지 130)의 출력단(P1,P2) 설정에 따라 결정될 수 있다.
XOR 게이트(171 내지 173)는 링토폴로지를 기반으로 이웃하는 모듈들의 출력단으로부터 출력되는 제어신호를 입력으로 수신하여 스위치(161 내지 163)의 온오프를 제어할 수 있다. 즉, XOR 게이트(171 내지 173)의 출력에 따라 이웃하는 모듈에 연결된 결합기들 사이의 경로를 스위칭하는 스위치가 온 또는 오프될 수 있다.
또한, 특정모듈은 이전 모듈의 이상 발생을 감지시 현재 토큰 전송방향의 역방향인 링토폴로지(b)를 기반으로 토큰을 전송하여 지속적으로 QoS를 제공할 수 있다.
한편, 수집모듈(110), 통신모듈(120) 및 보안모듈(130) 중 하나의 모듈은, 스위치 리셋 후에도 이전모듈(이상발생모듈)의 이상발생이 감지되면 통제센터(400)로 알림하여 점검을 요청할 수 있다. 이때, 이상발생이 감지된 이전모듈이 통신모듈(120)이면, 수집모듈(110)은 내부무선통신(인터넷 등)을 이용하여 통제센터(400)로 통신모듈(120)의 이상을 알림할 수 있다.
수집모듈(110), 통신모듈(120) 및 보안모듈(130)의 주기적 상태확인을 통해 이상발생에 따른 제어오류를 즉각적으로 처리하여 레벨3의 제어에 따른 안정성을 제공할 수 있다. 또한, 양방량 토폴로지를 이용함으로써 특정모듈의 이상발생시에도 지속적으로 QoS를 제공할 수 있다.
또한, 레벨2는 보안성을 중점으로 하며, 수집모듈(110)의 기능(수집, 저장, 전송, 처리 등)을 구현하는 소프트웨어 등의 변경 등으로 인해 제어오류가 발생되는 경우로 이때의 제어오류는 분석서버로부터 소프트웨어 업데이트 등의 알림이 수신되는 경우가 될 수 있다.
이때, 수집모듈(110)은 제어오류를 링토폴로지기반으로 통제센터(400)로 전송하고, 통제센터(400)는 제어명령 즉, 해당 소프트웨어 업데이트에 대한 제어명령을 통신모듈(120)로 전송하고, 제어명령에 따라 통신모듈(120)은 링토폴로지를 기반으로 보안모듈(130)로 소프트웨어에 대한 무결성 검증을 요청하고 보안모듈(130)의 무결성 검증시 통신모듈(120)은 소프트웨어 제어명령을 수집모듈(110)로 전송하여 해당 소프트웨어의 업데이트가 수행될 수 있게 한다.
또한, 레벨1은 각 요소의 최소지원을 통해 QoS를 제공할 수 있다. 구체적으로, 수집모듈(110)은 특정 기능에 의한 오류 발생시 제어오류를 토큰에 실어 전송할 수 있으며, 통제센터(400)로부터 링토폴로지를 기반으로 제어명령 즉, 특정 기능을 구현하는 소프트웨어를 재 기동시키는 제어명령을 수신하여 해당 소프트웨어를 재기동 시킬 수 있다.
이때, 각 모듈(110 내지 130)은 기설정된 레벨을 우선권 정보로 수신된 토큰에 포함시키고, 수신된 토큰에 우선권 정보가 있으면 자신의 우선권 정보와 비교하여 수신된 토큰에 포함된 우선권 정보가 더 낮은 레벨이면, 수신된 토큰에 기저장된 정보 데이터를 삭제하고 자신의 특정 이벤트에 대한 정보 데이터를 실어 전송함으로써 레벨이 높은 제어명령을 우선적으로 처리할 수 있다.
이와 같이, 본 발명의 일 실시 예에 따른 RTU(100)는 링토폴로지를 통해 제어오류에 따라 기설정된 레벨별 QoS를 기반으로 제어명령을 수행함으로써 분석서버(200)의 시스템 안정화를 도모할 수 있으며 합의 및 무결성 검증 등을 통해 신뢰할 수 있는 QoS를 제공할 수 있다.
또한, 본 발명의 일 실시 예에 따른 제어서버(210)는 RTU(100-1 내지 100-n)를 통해 수집되는 태양광 발전량 데이터 즉, 실제값을 기반으로 태양광 설비의 이상을 탐지할 수 있다. 일 예로, 제어서버(210)는 기설정된 이상판단기준으로 기반으로 이상 탐지된 해당 인버터에 대한 알림을 발생시켜, 이상 알림이 발생된 해당 인버터 라인을 확인하여 이상발생부분에 대처할 수 있게 한다. 이때, 제어서버(210)는 RTU(100)를 통해 서버제어명령(제어서버에서 RTU를 통해 태양광 발전 설비를 제어시키는 명령)을 제공하여 인버터를 제어하는 직접 조치 및 관리자가 조치를 취하도록 알림메시지를 제공하는 간접 조치를 제공할 수 있다.
특히, 본 발명의 일 실시 예에 따른 제어서버(210)는 알림 조치율을 기반으로 인버터의 이상 판단 기준을 조정함으로써 알림이 과도 또는 과소하게 발생되는 것을 방지하여 알림발생이 필요한 상황에만 알림이 발생될 수 있게 한다.
이를 위해, RTU(100)는 복수 개의 인버터(13a 내지 13n)를 포함하는 기설정된 인버터 그룹(13)으로부터 발전량을 수집할 수 있다. 이때, RTU(100)는 연결된 해당 인버터 그룹(13)의 개별 인버터들(13a 내지 13n)로부터 기설정주기로 발전량을 각각 수집하며, 수집된 개별 인버터(13a 내지 13n)의 발전량을 기반으로 개별 인버터의 이상 여부를 판단하여 이상 판단시 서버(200)로 알림을 발생할 수 있다.
이때, 인버터의 이상여부를 판단하는 이상판단규칙 및 이상여부판단규칙의 적절성에 따라 적용되는 조정값은 제어서버(210)로부터 수신받아 설정될 수 있다. 이에 대한 설명은 도 2 내지 4를 통해 설명할 수 있다.
도 2는 도 1의 RTU의 개략적인 구성을 나타내는 구성 블록도이다. 도 2를 참고하면, 본 발명의 일 실시 예에 따른 RTU의 수집부(110)는 제1통신부(111), 제2통신부(112), 메모리부(113) 및 프로세서(114)를 포함할 수 있다. 도 1의 RTU(100a 내지 100n)는 도 2의 RTU(100)와 동일한 구성을 포함하며 동일한 기능을 수행할 수 있다. 또한, 프로세서(114)는 상기에서 설명한 링토폴로지기반 제어를 위한 제1제어부(114-1)와 이상알림제어를 위한 제2제어부(114-2)를 포함할 수 있다.
제1통신부(111)는 각 인버터(13a 내지 13n)와 RS-485 통신을 수행하는 RS-485 통신모듈 등이 될 수 있다. 이에, 제1통신부(110)는 각 인버터(13a 내지 13n)의 발전 출력으로부터 인버터 데이터를 수집할 수 있다.
제1통신부(111)는 해당 인버터 그룹(13)에 포함된 각 인버터(13a 내지 13n)로부터 동시점 일예로, 동시간대의 발전량을 포함하는 인버터 데이터를 수집할 수 있다. 이때, 수집되는 인버터 데이터는 인버터ID, 측정시간, 발전량 등이 포함될 수 있다.
제2통신부(112)는 서버(200)와의 통신을 수행하는 wifi, LTE 등의 통신모듈이 될 수 있고, 제어서버(210)로 각 인버터별 발전량 및 알림을 전송하고, 서버(210)로부터 이상판단규칙 및 조정값을 수신할 수 있다.
메모리부(113)는 각 인버터(13a 내지 13n)별로 수집된 동시점의 발전량 및 서버(210)로부터 수신된 이상판단규칙 및 조정값을 저장할 수 있다.
여기서, 이상판단규칙은 인버터별 이상 판단을 위한 알고리즘으로 서버(210)로부터 수신하여 설정될 수 있으며, 조정값은 이상판단규칙에 의한 알림의 과도한 발생 또는 과소한 발생을 방지하기 위해 이상 판단의 기준이 되는 기준값을 조정하는 값으로, 알림 조치율을 기반으로 설정될 수 있다.
이때, 조정값은 서버(210)에서 산출되며 제2통신부(112)를 통해 수신되면 메모리부(113)에 기저장된 조정값은 새로 수신된 조정값으로 업데이트되고, 이후 RTU(100)는 이상판단시 업데이트된 조정값을 적용할 수 있다.
프로세서(114)의 제2제어부(114-2)는 서버(210)에 의해 설정된 이상판단규칙 즉, 이상 판단을 위한 알고리즘에 따라 각 인버터의 이상여부를 판단할 수 있다. 구체적으로, 제2제어부(114-2)는 동시점에 수집된 각 인버터별 발전량을 정규화하여 중앙값을 산출하고, 산출된 중앙값에 메모리부(113)에 저장된 조정값을 곱한 기준값을 산출하여 각 인버터별 정규화된 발전량과 비교함으로써 이상여부를 판단할 수 있다.
도 4는 도 2의 프로세서의 개략적인 구성을 나타내는 구성 블록도이다. 본 발명의 일 실시 예에 따른 프로세서(114)는 링토폴로지기반 제어를 위한 제1제어부(114-1)와, 정규화부(141), 중앙값 산출부(142), 이상여부 판단부(143) 및 알림부(144)를 포함하는 제2제어부(114-2)를 포함할 수 있다. 이하, 제2제어부(114-2)에 대하여 구체적으로 설명하도록 한다.
정규화부(141)는 수집된 각 인버터별 발전량을 해당 인버터 용량으로 나눈 정규화된 발전량을 산출할 수 있다. 즉, 제1인버터(13a)로부터 수집된 발전량을 제1인버터(13a)의 용량으로 나눠 정규화된 발전량을 산출할 수 있으며, 이외의 인버터(13b 내지 13n)도 동일한 방법으로 정규화된 발전량을 산출할 수 있다.
중앙값 산출부(142)는 정규화부(141)에서 산출된 각 인버터별 정규화된 발전량들의 중앙값을 산출할 수 있다. 중앙값 산출부(142)는 인버터(13a 내지 13n)들의 정규화된 발전량을 크기순으로 나열한 후 가장 중앙에 위치하는 발전량을 중앙값으로 산출할 수 있다.
이때, 인버터(13a 내지 13n)의 개수(n)가 홀수이면 (n+1)/2번째 정규화된 발전량이 중앙값이 되고, 인버터(13a 내지 13n)의 개수(n)가 짝수이면 (n/2)번째 정규화된 발전량과 (n/2)+1번째 정규화된 발전량의 평균값이 중앙값이 될 수 있다.
이상여부 판단부(143)는 중앙값 산출부(142)에서 산출된 중앙값에 메모리부(130)에 저장된 조정값을 곱하여 이상여부 판단을 위한 기준값을 산출할 수 있다.
여기서, 기준값은 기설정주기로 수집되는 인버터의 발전량에 따라 적응적으로 산출될 수 있으며, 이에 더하여 조치율을 기반한 조정값을 적용함으로써 조치율에 따라 적응적으로 기준값을 산출할 수 있다. 이에, RTU(200)는 신뢰할 수 있는 이상 여부 판단에 따른 알림을 발생시킬 수 있다.
이상여부 판단부(143)는 산출된 기준값과 정규화부(141)에서 산출한 인버터별 정규화된 발전량을 비교하여, 각 인버터(13a 내지 13n)에 대한 이상여부를 판단할 수 있다. 이상여부 판단부(143)는 인버터의 정규화된 발전량이 기준값보다 작으면 해당 인버터의 이상 발생으로 판단할 수 있다.
알림부(144)는 이상여부 판단부(143)에서 이상 판단된 인버터 정보를 포함하는 목록을 제2통신부(120)를 통해 서버(200)로 알림할 수 있다. 이때, 인버터 정보는 인버터ID, 발전량 등을 포함할 수 있다.
서버(210)는 RTU(100a 내지 100n)로부터 알림을 수신하고, RTU별로 수신된 알림에 대한 조치율을 기반으로 해당 RTU(100a 내지 100n)의 이상판단규칙의 적절성을 판단할 수 있으며 규칙의 엄격판단시 기준값을 낮추도록 조정값을 산출하고, 규칙의 비엄격판단시 기준값을 높이도록 조정값을 산출할 수 있다.
즉, 서버(210)는 조치율을 기반으로, RTU별 인버터에 대한 이상 여부를 판단하는 기준값을 조정하는 조정값을 산출할 수 있다. 서버(210)는 기설정주기로 조정값을 산출하여 조정값에 변동이 있는 경우 해당 RTU(100a 내지 100n)로 전송하여 조정값을 업데이트 시킬 수 있다.
도 10은 도 1의 제어서버의 개략적인 구성을 나타내는 구성 블록도이다. 도 10을 참고하면, 본 발명의 일 실시 예에 따른 제어서버(210)는 통신부(211), 조치율 산출부(212) 및 조정값 산출부(213)를 포함할 수 있다. 이때, 조치율 산출부(212) 및 조정값 산출부(213)는 하나의 프로세서로 구현될 수 있다.
통신부(211)는 RTU(100)의 제2통신부(112)와 데이터를 송수신할 수 있는 wifi, LTE 등의 통신모듈이 될 수 있고, RTU(100a 내지 100n)로부터 알림을 수신하며, 조정값의 업데이트가 필요한 해당 RTU로 업데이트될 조정값을 전송할 수 있다.
조치율 산출부(212)는 RTU별로 수신된 알림을 구분하여 RTU별로 기설정 주기동안 수신된 알림 개수 대비 관리자에 의해 조치된 알림 개수인 조치율(T)을 산출할 수 있다.
조정값 산출부(213)는 조치율 산출부(212)에서 산출된 조치율(T)과 기설정된 기준 조치율(Td)을 비교하여 업데이트될 조정값(Vn)을 산출할 수 있다. 여기서, 기설정된 기준 조치율(Td)은 이상판단규칙의 엄격 또는 비엄격(느슨)을 판단하기 위한 기준으로 특정비율 또는 비율범위로 설정될 수 있다. 일 예로, 80% 또는 75% 내지 85%로 설정될 수 있다. 또한, 기준 조치율은 태양광 발전 설비(10)의 발전량 등에 따라 관리자에 의해 일정범위 내에서 변경될 수도 있다.
여기서, 이상판단규칙이 엄격함은 알림이 과도하게 발생되어 불필요한 알림이 발생하는 경우이며, 이상판단규칙이 비엄격(느슨)함은 알림이 과소하게 발생되어 필요한 알림이 발생되지 않는 경우가 될 수 있다.
서버(210)는 조치율(T)이 기준조치율(Td) 대비 낮으면 이상판단규칙이 엄격한 것으로 판단하여 이전의 조정값(Vn-1)이 높으므로 조정값을 낮추는 조정을 할 수 있다.
또한, 서버(210)는 조치율(T)이 기준조치율(Td) 대비 높으면 이상판단규칙이 느슨한 것으로 판단하여 이전의 조정값(Vn-1)이 낮으므로 조정값을 높이는 조정을 할 수 있다. 이때, 조정값(Vn)의 조정은 수학식1을 이용하여 조정값 산출부(213)에 의해 산출될 수 있다.
조정값 산출부(213)는 조치율 산출부(212)에서 산출된 조치율(T)이 기설정된 기준 조치율(Td)과 다르면 즉, 산출된 조치율(T)이 기설정된 기준 조치율(Td)보다 크거나 작으면, 불필요한 알림이 과도 또는 과소하게 발생(즉, 이상판단규칙이 엄격 또는 느슨)한 것으로 판단하여 하기의 수학식1을 이용하여 업데이트될 조정값(Vn)을 산출할 수 있다.
Figure 112021140881256-pat00005
상기 수학식1에 의해, 이전 주기동안의 조정값(Vn-1)이 조정될 수 있다. 이에 따라, 수학식1에 의해 산출된 조정값(Vn)을 이용하여 이상판단규칙에 따른 기준값을 적응적으로 조정함으로써 과대 또는 과소한 알림을 방지하고 필요한 알림을 발생시킬 수 있다.
한편, 일시적인 이벤트 발생 등에 의해 알림이 과대 또는 과소하게 발생되는 경우, 이전 주기동안의 조정값(Vn-1)과 수학식1에 의해 산출된 조정값(Vn)의 변동폭이 커져 조정값이 급변동될 수 있다.
이러한, 조정값(Vn)의 급변동을 방지하기 위해, 조정값 산출부(213)는 수학식1을 통해 산출된 조정값(Vn)을 이전 주기동안의 조정값(Vn-1)의 기설정 비율범위 내의 값(이하, 기설정범위라 함)으로 조정하여 최종 조정값을 결정할 수 있다.
일 예로, 기설정 비율범위가 10%이면 상기 기설정범위는 (Vn-1)-(0.1*(Vn-1)) 내지 (Vn-1)+(0.1*(Vn-1))가 될 수 있다. 이때, 기설정 비율범위는 관리자에 의해 변경될 수 있다.
조정값 산출부(213)는 수학식1을 통해 산출된 조정값(Vn)이 기설정범위에 포함되지 않으면, 산출된 조정값(Vn)에 가장 인접한 기설정범위의 값으로 최종 조정값을 결정할 수 있다.
구체적으로, 조정값 산출부(213)는 수학식1을 통해 산출된 조정값(Vn)이 기설정범위의 최소값보다 작으면 기설정범위의 최소값((Vn-1)-(0.1*(Vn-1)))을 최종 조정값으로 결정할 수 있다.
조정값 산출부(213)는 수학식1을 통해 산출된 조정값(Vn)이 기설정범위의 최대값보다 크면 기설정범위의 최대값((Vn-1)+(0.1*(Vn-1)))을 최종 조정값으로 결정할 수 있다. 최종 조정값의 결정은 최소값 또는 최대값이 아닌 기설정범위내에 포함되는 특정값으로 변경할 수도 있다.
또한, 조정값 산출부(213)는 수학식1을 통해 산출된 조정값(Vn)이 기설정범위에 포함되면 산출된 조정값(Vn)을 최종 조정값으로 결정할 수 있다.
한편, 조정값 산출부(213)는 조치율 산출부(212)에서 산출된 조치율(T)이 기설정된 기준 조치율(Td)과 같으면, 이전 조정값(Vn-1)을 조정값(Vn)으로 유지할 수 있다.
조정값 산출부(213)는 기설정주기 동안의 조정값(Vn)이 이전 주기동안의 조정값(Vn-1)과 다르면, 통신부(211)를 통해 조정된 조정값(Vn)을 해당 RTU(100)로 전송하여 업데이트시킬 수 있다. 이에, RTU(100a 내지 100n)에 저장되는 조정값(Vn)은 동일하거나 다르게 적용될 수 있다.
이때, 새로운 조정값(Vn)을 수신한 RTU(100)는 메모리부(113)에 기저장된 조정값(Vn-1)을 새로운 조정값(Vn)으로 업데이트할 수 있으며, 조정값(Vn)의 업데이트시 업데이트된 조정값(Vn)을 적용하여 이상판단을 수행할 수 있다.
이에 따라, 알림 조치율을 기반으로 인버터(13a 내지 13n)의 이상 판단 기준을 적응적으로 조정함으로써 알림이 과도 또는 과소하게 발생되는 것을 방지하여 알림발생이 필요한 상황에만 알림이 발생될 수 있게 할 수 있다.
한편, 이상판단규칙에 따른 알림발생을 주요하게 설명하였으나, RTU(100)는 각 인버터(13a 내지 13n)의 전력으로부터 수집되는 발전량, 선간전압(line voltage)과 선전류(line current), 위상, 누적발전량, 가동/비가동 상태 등의 다양한 정보를 포함하는 인버터 데이터를 분석서버(200)로 전송할 수 있고, 서버(200)에서는 다양한 정보들을 모니터링하여 활용할 수 있다.
본 발명의 일 실시 예에 따른 분석서버(200)는 예측서버(220)를 통해 RTU(100)에서 수집되는 실측치를 이용하여, 태양광 발전 설비(10) 즉, 사이트에 대한 예측치를 예측할 수 있다.
도 11은 본 발명의 일 실시 예에 따른 예측서버의 구성을 나타내는 구성 블록도이다. 본 발명의 일 실시 예에 따른 예측서버(220)는, 데이터베이스(300)로부터 기온, 일사량 등의 태양광 발전량 예측에 필요한 데이터를 입력받아. 특정 시간/지역의 태양광 발전량을 예측하고, 가상 발전소(VPP)에 태양광 발전량 예측치를 제공하는 기능을 수행할 수 있다.
여기서, VPP는 예컨대, 가정용 태양광과 같이 분산되어 있는 소규모 에너지 발전, 축전지, 연료전지 등 발전 설비와 전력 수요를 클라우드 기반으로 소프트웨어적으로 통합 관리하는 가상의 발전소를 의미한다. VPP는 관련한 발전 설비에서의 발전량을 예측하여 전력 수요를 만족시키는 전력량을 공급해야 하기 때문에 정확한 발전량을 예측하는 것이 필수적이다.
본 발명의 예측서버(220)는 물리적/수학적 모델링을 통해 처리된 데이터를 기계 학습의 입력으로 활용하여 가상발전소(VPP) 또는 분산형전원/분산자원(DERMS) 등에 상업적으로 활용가능한 정확한 발전량 예측을 제공하는 것을 목적으로 한다.
도 11에 따르면, 본 발명의 일 실시예에 따른 예측 서버(220)는 예측부(1210), 프로세서(1220), 통신부(1230)을 포함하고, 예측부(1210)는 데이터 수집부(1211), 데이터 전처리부(1212), 물리 모델 연산부(1213), 발전량 추정 연산부(1214), 기계학습연산부(1215) 및 제어부(1216)를 포함할 수 있다.
예측부(1210)는 예측시 필요한 데이터들을 수집하고, 각종 물리 모델 및 발전량 추정치를 연산하고 기계 학습을 통하여 최종적인 사이트별 발전량 예측을 수행한다.
보다 구체적으로, 예측부(1210)의 데이터 수집부(1211)는 발전량 예측시 필요한 데이터를 데이터베이스(300) 또는 기상청 등의 외부 서버로부터 수집한다. 이 경우, 예측시 필요한 데이터들은 외기온도, 일사량, 습도 등과 관련된 다양한 기후요소와 모듈과 관련된 각종 상수 및 태양광 모듈의 셀온도 등과 같은 태양광 모듈 어레이(11)의 물리적 특성 및 RTU(100-1)로부터 실제 연결된 태양광 모듈 어레이(11)에서 생성된 발전량을 포함한다. 여기서 태양광 모듈의 셀온도는 센서를 통하여 측정한 데이터 뿐만 아니라, 물리 모델을 통하여 연산된 셀온도 추정값을 활용할 수 있다.
한편, 데이터 전처리부(1212)는 예측에 사용할 특성을 선택하고, 수집된 데이터 중 이상값을 제거하거나, 또는 누락값을 채울 수 있다. 또는, 데이터 전처리부(212)는 각 특성에 맞는 스케일링 예컨대, 발전량을 용량으로 나누어 용량당 발전량을 구하거나, 0과 1 사이의 구간으로 선형변환, 평균과 분산으로 정규화 등의 다양한 데이터 전처리 작업을 수행할 수 있다.
물리 모델 연산부(1213)는 태양광 모듈 어레이(11)의 패널에 직접적으로 인가되는 경사면 일사량 추정치(PoA, Plane of Array) 및 유효일사량(Effective Irradiance) 등의 물리 모델값들을 산출하는 모듈이다.
발전량 추정 연산부(1214)는 태양광 모듈 셀 온도 및 유효일사량에 기초하여 및 DC 또는 AC 전력의 추정치(발전량 추정치)를 연산한다.
기계학습연산부(1215)는 랜덤 포레스트(Random Forest, 1215-1) 또는 LSTM 모델(1215-2) 등의 기계 학습 모델을 사용하여 사이트별 예측 모델을 생성하고, 예측 모델을 통하여 기계 학습 예측치를 생성할 수 있다. 예를 들어, 기계학습연산부(215)는 기계 학습부에서 학습된 데이터, 예컨데, 뉴럴 네트워크를 통하여 학습된 신경망을 통하여 입력 데이터를 입력하여 예측값을 연산할 수 있다. 또는 기존 데이터들을 이용하여 복수 개의 트리 모형을 생성하고, 여러 개의 트리 모형에서 생성한 예측값을 평균하여 최종적인 예측치를 생성할 수 있다.
제어부(1216)는 예측 모델의 기계 학습과 추론에 사용할 설정값들을 별도로 설정할 수 있다. 또한, 학습과 추론에 사용할 설정값들은 학습에 사용할 기간, 사용할 예측 모델 및 예측에 사용할 기간을 포함한다. 사이트별 사용할 예측 모델은 예컨대, 사용할 예측 모델의 경우에는 해당 사용할 기간의 해당 사이트에서의 예측치와 실제 생산 전력의 차이에 기초하여 결정될 수 있다.
이 경우, 데이터 수집부(1211), 데이터 전처리부(1212), 물리 모델 연산부(1213), 발전량 추정 연산부(1214), 기계학습연산부(1215) 및 제어부(1216)는 소프트웨어 모듈, 하드웨어 모듈 또는 소프트웨어 모듈 및 하드웨어 모듈의 결합으로 구현될 수 있다. 프로세서(1220)는 데이터 수집부(1211), 데이터 전처리부(1212), 물리 모델 연산부(1213), 발전량 추정 연산부(1214) 또는 기계학습연산부(1215)가 소프트웨어 모듈 또는 소프트웨어 모듈 및 하드웨어 모듈의 결합인 경우에 적어도 일부의 소프트웨어를 실행할 수 있다.
통신부(1230)는 외부 서버 또는 데이터 베이스(300)로부터의 데이터를 수집하고, 입찰값 결정 서버(230)에 예측치를 전송할 수 있다.
이하에서는 도 11을 참조하여, 본 발명의 일 실시예에 따른 예측서버(220)의 태양광 발전량 예측 동작에 대하여 상세하게 설명한다.
도 3을 참조하면, 먼저 데이터 수집부(1211)는 발전량 데이터 및 주요 기상 데이터를 수집한다. 보다 상세하게, 예측 서버(220)의 데이터 수집부(1211)는 정해진 시간 간격의 발전량 데이터, 예컨대, 15분 또는 1시간 간격의 발전량 데이터를 RTU(100)를 통하여 획득할 수 있다.
또한, 데이터 수집부(1211)는 주요 기상 요소 값을 획득할 수 있다. 이 때, 데이터 수집부(1211)는 기상청 서버로부터 또는 각종 센서류(350)로부터 주요 기상 요소 값을 획득할 수 있다. 예컨대, 기상요소값은 기온, 습도, 운량, 풍속, 풍향 등의 요소를 포함하며, 기상청 서버의 경우에는 관측 뿐 아니라 예보 데이터도 제공하므로 추론 과정에는 예보값을 사용할 수도 있다.
그 후, 물리 모델 연산부(1213)는 관측 지점(즉, 태양광 모듈 어레이 설치 지점)에 대한 물리 모델을 연산한다. 보다 상세하게, 물리 모델 연산부(213)는 기상요소 값과 관측지점에 대한 지리적 정보, 대상 시점에 대한 정보로부터 해당 태양광 모듈 어레이(11)에 직접적으로 인가될 일사량 추정치를 연산한다.
다음으로, 물리 모델 연산부(1213)는 지리적 위치정보와 시간정보에 기반하여 태양의 위치와 관련된 천문 요소값을 계산한다. 이 때 사용되는 천문 요소 값들은 태양시(local solar time), 균시차(equation of time), 방위각(azimuth angle), 천정각(zenith angle), 고도각(elevation angle), AOI (Angle of Incidence), 에어매스(air mass) 등이다.
한편, 물리 모델 연산부(1213)는 천문 요소값들이 연산되면, 기상 요소값과 이론적 천문 요소 값으로부터 전천일사(GHI, Global Horizontal Irradiance) 추정치를 계산한다. 구체적으로는 추정치 연산은 기온, 습도, 풍속, 운량 등의 기상요소 값에 계수를 곱하여 합산한 선형결합으로 계산한다. 사용되는 계수는 해당 태양광 모듈 어레이(11)의 설치 지역에서 실험적으로 얻어낸 값을 사용한다.
Figure 112021140881256-pat00006
(이 때, C0 내지 C5 및 D는 연산하고자 하는 태양광 모듈 어레이(11)의 위치에 따라 미리 결정된 지역에서 실험적으로 얻어낸 계수)
그리고, 물리 모델 연산부(1213)는 이론적 천문 요소값과 전천일사 추정치로부터 직달일사(DNI, Direct Normal Irradiance) 추정치 및 수평면확산일사(DHI, Diffuse Horizontal Irradiance) 추정치를 계산한다. 구체적으로는 물리 모델 연산부(213)는 청명계수와 청명기준계수를 구하고, 이 두 값의 관계에 따라 날씨가 맑은지(청천공) 아니면 흐린지(담천공) 인지를 판단하고, 이에 따라 산란일사율을 계산한다. 또한, 물리 모델 연산부(213)는 청명계수와 청명기준계수를 이용하여 산란일사율을 구하고, 산란일사율에 기초하여 직달일사 및 수평면확산일사의 추정치를 계산한다.
Figure 112021140881256-pat00007
여기서, 산란일사율은 하기 (수학식 4) 또는 (수학식 5)와 같이 구한다.
Figure 112021140881256-pat00008
Figure 112021140881256-pat00009
직달일사 및 수평면확산일사의 추정치는 하기 수학식 6 및 수학식 7과 같이 구한다.
Figure 112021140881256-pat00010
Figure 112021140881256-pat00011
그리고, 물리 모델 연산부(213)는 전천일사, 직달일사 및 수평면확산일사의 추정치와 이론적 천문요소값, 태양광 패널의 설치 방향과 각도 정보 등을 이용하여 경사면 일사량 (PoA, Plane of Array) 요소들(PoA beam, PoA sky diffuse, PoA ground reflected 등)의 추정치를 계산한다.
경사면 일사량(EPoA)는 하기 수학식과 같이 구할 수 있다.
Figure 112021140881256-pat00012
여기서, Eb는 경사면 일사량 빔(PoA Beam) 요소, Eg는 경사면 일사량 지상 반사(PoA ground reflected) 요소, Ed는 경사면 일사량 공중 확산(PoA Sky-diffuse) 요소이다.
Eb는 예컨대, 하기와 같이 직달일사 및 입사각(AOI)에 기초하여 산출할 수 있다.
Figure 112021140881256-pat00013
이 때,
Figure 112021140881256-pat00014
A 및
Figure 112021140881256-pat00015
z는 각각 태양의 방위각 및 천정각이고,
Figure 112021140881256-pat00016
T 및
Figure 112021140881256-pat00017
A,array는 태양광 모듈 어레이(11)의 경사 및 방위각이다.
한편, 경사면 일사량 지상 반사 요소는 하기 수학식 10과 같이 구할 수 있다.
Figure 112021140881256-pat00018
여기서,
Figure 112021140881256-pat00019
T.surf는 지표면과 태양광 모듈 어레이(11)가 이루는 각이다.
한편. Ed는 하기 수학식 11과 같이 연산될 수 있다.
Figure 112021140881256-pat00020
Figure 112021140881256-pat00021
Figure 112021140881256-pat00022
Figure 112021140881256-pat00023
Figure 112021140881256-pat00024
이 경우,
Figure 112021140881256-pat00025
값은 라디언 단위로는 1.041, 도(degree) 단위로는 5.535*10-6인 상수이다.
한편,
Figure 112021140881256-pat00026
값은 아래 수학식 13과 같이 정의된다.
Figure 112021140881256-pat00027
이 경우, AMa는 에어매스값을 의미하고, Ea는 외계 방사선을 의미한다.
또한, f11 내지 f23의 계수는 청명 정도(bins of clearness(ε))에 따라 아래와 같이 정해진다. 청명 정도는 ε값에 따라 아래와 같이 구간이 정해진다.
Figure 112021140881256-pat00028
구간		 최소값 최대값
1 흐림 1 1.065
2 1.065 1.230
3 1.230 1.500
4 1.500 1.950
5 1.950 2.800
6 2.800 4.500
7 4.500 6.200
8 맑음 6.200 ―
또한, 구간 별로 f11 내지 f23의 계수는 아래와 같이 정해진다.
Figure 112021140881256-pat00029
구간		 f11 f12 f13 f21 f22 f23
1 -0.008 0.588 -0.062 -0.06 0.072 -0.022
2 0.13 0.683 -0.151 -0.019 0.066 -0.029
3 0.33 0.487 -0.221 0.055 -0.064 -0.026
4 0.568 0.187 -0.295 0.109 -0.152 -0.014
5 0.873 -0.392 -0.362 0.226 -0.462 0.001
6 1.132 -1.237 -0.412 0.288 -0.823 0.056
7 1.06 -1.6 -0.359 0.264 -1.127 0.131
8 0.678 -0.327 -0.25 0.156 -1.377 0.251
그리고, PoA 추정치(EPOA)에 기초하여 하기 수학식과 같이 유효일사량(Effective Irradiance, Ee)을 연산한다.
Figure 112021140881256-pat00030
여기서, aoi_modifier는 태양광 모듈 어레이(11)를 직접적으로 실험하여 구하는 값으로 경험칙상의 상수이다.
또한, 유효일사량 및 태양광 모듈 어레이(11)의 셀 온도 추정치에 기초하여 DC 전력 추정치가 연산된다.
Figure 112021140881256-pat00031
이 때, E0 은 1000W/m2, Pmp는 DC 전력 추정치, Pmp0는 DC 정격 출력 전압에서의 기준 전력, γ는 태양광 모듈 어레이(11)에서 실험으로 결정되는 상수, Tc는 표면온도, T0는 기준온도 (섭씨 25도)를 의미한다. 그리고, DC파워 추정치와 인버터 정보 (효율, 손실율 등) 로부터 AC 전력 추정치를 연산한다.
또한, 연산된 각종 물리 모델 및 발전량 예측 모델에 시간 정보를 추가한다. 이 경우, 시간 정보는 DoY(Day of Year) 및 ToD(Time of Day)를 포함할 수 있다.
연산된 각종 물리 모델에 기초한 발전량 예측치들은 기계 학습을 위하여 데이터 전처리 과정이 진행된다.
예컨대, 데이터 전처리 과정에서는 예측에 사용할 특성을 선택하거나, 이상값을 제거하거나, 누락값을 채우거나 또는 각 기계 학습의 입력데이터의 특성에 맞는 스케일링을 진행할 수 있다. 상술한 스케일링은 예컨대 발전량을 용량으로 나누어 스케일링 하거나 또는 0-1 구간으로 선형변환 하거나 또는 평균과 분산으로 정규화는 과정을 거칠 수 있다. 또는 상술한 데이터 전처리 과정에서는 원 핫 인코딩 등의 필요에 따른 변환이 이루어질 수 있다.
한편, 데이터의 전처리가 이루어진 후에는, 연산된 데이터들을 입력으로 사용하여 예측 모델을 기계 학습한 후 발전량을 예측한다. 이 때, 예측 모델은 사이트 별로 생성할 수 있으며, 이 때, 제어부(1216)는 사이트별 예측 모델의 학습과 추론에 사용할 설정 값들을 별도로 설정할 수 있다. 또한, 학습과 추론에 사용할 설정값들은 학습에 사용할 기간, 사용할 예측 모델 및 추론에 사용할 기간을 포함한다. 또한, 제어부(1216)는 사이트별로 사용할 예측 모델을 선택할 수 있다. 이 경우, 선택은 실제 태양광 모듈 어레이(11)의 발전량과 예측치의 차이에 기초하여 결정할 수 있다.
이 경우, 사용할 모델의 경우에는 예컨대, 랜덤 포레스트(Random Forest) 및 LSTM 모델을 포함할 수 있다. 예측 대상 시점의 여러 입력 요소의 값으로 부터 동일한 시점의 발전량 예측값을 추론한다. 인접한 시점 간의 관계는 고려하지 않고, 특정 시점의 입력 데이터와 출력 데이터의 관계만을 고려한다. 과거 데이터로부터 이러한 관계를 설명하는 나무 형태의 반복적인 판단 기준(트리 모델)을 학습한다. 새로운 입력 데이터에 대해서 학습된 나무 형태의 반복적인 판단 기준에 따라 여러 노드 중 하나로 분류하고, 분류된 노드의 대표값으로 예측값을 추론한다. 여러 개의 나무 형태의 판단 기준을 사용하여 예측 값을 여러번 생성한 후 이들의 평균값을 사용하여 과적합을 막는다. 즉, 상기 입력 데이터와 상기 출력 데이터의 관계로부터 복수의 트리 모델을 생성하고, 복수의 트리 모델에 따라 예측된 발전량 예측값에 기초하여 최종 발전량 예측값을 예측한다. 이 경우, 입력 데이터는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 시간 정보 및 발전량추정치 등일 수 있으며, 출력 데이터는 물리 모델에 기초한 발전량예측치이다.
LSTM은 예측 대상 시점을 포함한 직전 k 스텝(단, k는 자연수)의 입력 요소의 값을 시간적인 연결관계(시계열적인)가 있는 인공신경망 구조를 이용하여 기계학습에 근거한 예측값을 연산한다. 입력 요소는 과거 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 물리 모델에 기초한 발전량 추정치, 시간 정보 등에 대한 k 스텝 시계열 값이다. 출력 요소는 단일한 시점 또는 연속한 t 스텝(단, t는 자연수)에 대한 발전량 예측값이다.
예측값이 생성되면, 사용자별, 사이트별 필요에 따라 예컨대, 스케일링 되돌리기 등의 후처리 과정을 거쳐서 예측된 발전량값을 적절한 형식과 절차로 전송할 수 있다. 따라서, 본 발명에 따르면, 태양광 모듈 어레이의 사이트별 발전량을 정확하게 예측할 수 있다.
또한, 본 발명의 실시예들에 따르면, 물리 모델을 입력으로 활용하여 기존 인공지능 기반 기계 학습을 통한 예측의 정확도를 현저하게 향상시킬 수 있다.
특히, 종래 기술에 따르면, 입력데이터에 대한 노이즈 제거, 데이터 정규화, 포맷의 변경 등의 간략한 데이터 전처리를 통하여 입력하고 예측 알고리즘에 대해서는 별도의 고민 없이 뉴럴 네트워크 등의 기계 학습의 최적화에 의존하여 예측을 실행하였다. 이러한 경우에 기계 학습에 의한 예측의 성능이 매우 떨어지기 때문에 상업적으로 활용하기가 매우 어려웠다. 특히, 정밀한 예측값을 기반으로 동작해야 하는 가상발전소(VPP) 또는 분산형전원/분산자원(DERMS) 등에서 기계 학습에 의한 예측을 상업적으로 활용하기에는 예측의 정확도가 크게 떨어졌다.
그러나, 본 발명에 따르면, 물리적/수학적 모델링을 통해 처리된 데이터를 기계 학습의 입력으로 활용하여 가상발전소(VPP) 또는 분산형전원/ 분산자원(DERMS) 등에 상업적으로 활용가능한 정확한 발전량 예측이 제공될 수 있다.
또한, 본 발명의 분석서버(200)는 예측 서버(220)에서 예측된 예측치를 이용하여 입찰값 결정 서버(230)를 통해 최적 입찰값을 결정할 수 있다.
또한, 본 발명에서는 도 11의 예측서버(220) 등과 같은 예측 알고리즘을 이용하여 예측된 발전량 이하, 예측값(예측치)이라하고, 실제 측정된 발전량은 실제값(실측치)이라하며, 입찰 참여를 위한 예측값(예측치)을 입찰값으로 정의할 수 있다.
본 발명의 일 실시 예에 따른 입찰값 결정서버(230)는 예측값을 기반으로 최대 수익을 도출할 수 있는 입찰값을 결정할 수 있다. 도 12는 도 1의 입찰값 결정서버의 구성을 설명하기 위한 블록도이다. 도 12를 참고하면, 입찰값 결정서버(230)는 설정부(251), 조건부 분포 추정부(252), 입찰값 결정부(253)를 포함할 수 있으며, 조건부 분포 추정부(252)는 예측값 이산화부(2521), 분포 파라미터 추정부(2522) 및 실제값 분포 추정부(2523)를 포함할 수 있다.
설정부(251)는 최적 입찰값 산출을 위해 DB(300)로부터 예측서버(220)에서 생성한 예측값과 실제값에 대한 과거 발전량 데이터를 수집할 수 있으며, 이때 수집을 위한 특정기간은 사용자(관리자 등)로부터 설정받을 수 있다.
또한, 설정부(251)는 사용자로부터 분포 추정을 위한 분포의 종류, 예측값 이산화를 위한 구간설정, 그룹 개수 등을 입력받을 수 있다. 이때, 분포의 종류는 정규분포, 감마분포, 베이불분포 등이 될 수 있다.
조건부 분포 추정부(252)는 예측시스템(200)으로부터 신재생 발전에 대한 예측값이 수신되면 기수집된 신재생 발전에 대한 예측값 및 실제값을 포함하는 과거 발전량 데이터로부터, 입찰을 위해 수신된 예측값에 대한 실제값 확률분포를 추정할 수 있다. 이때, 실제값 확률분포는 예측값이 조건으로 주어졌을 때, 실제값이 따르는 조건부 확률분포가 될 수 있다.
본 발명의 실시 예에서는, 예측알고리즘이 과소 예측하는 경향이 있는지 예측 경향성을 파악하기 위해, 조건부 확률분포 추정을 수행할 수 있다. 즉, 예측알고리즘에 의해 예측된 예측값(수신된 예측값)과 실제값간의 관계로부터 예측알고리즘의 경향성을 판단하여, 알고리즘이 과소 예측하는 경우, 수신된 예측값보다 더 큰 수익을 얻을 수 있는 최적 입찰을 위한 예측값을 입찰값으로 찾을 수 있다.
이를 위해, 조건부 분포 추정부(252)는 예측값 이산화 및 이산화된 예측값 그룹별 실제값 확률분포를 추정할 수 있다.
구체적으로, 예측값 이산화부(2521)는 특정기간의 과거 발전량 데이터에 대해, 예측값을 이산화하여 동일값을 가지는 이산화된 예측값을 그룹으로 설정할 수 있다. 이때, 설정부(251)에서 입력받은 예측값 이산화를 위한 구간설정, 그룹 개수 등에 따라 그룹이 결정될 수 있다.
일 예로, 0~설비용량 범위를 10등분하는 구간으로 설정한 경우, 각 예측값에 대해 10분위 구간 중 해당 예측값들이 포함되는 구간으로 변환하여 이산화시킬 수 있다. 이에, 동일한 구간에 포함되는 이산화된 예측값들은 하나의 그룹으로 구성되어, n개의 그룹으로 예측값들이 이산화될 수 있다.
분포 파라미터 추정부(2522)는 설정부(2521)에서 선택받은 분포 종류 및 최대우도추정법을 기반으로 각 그룹에 대한 실제값들의 최적 분포 파라미터를 산출할 수 있다. 이때, 최적 분포 파라미터는 실제값 데이터들을 가장 잘 설명하는 분포 파라미터로 확률분포의 모양을 결정하는 중요한 값이 될 수 있다.
최대우도추정법은 모수적인 데이터 밀도 추정방법으로, 파라미터로 구성되어 있는 어떤 확률 밀도 함수에서 관측된 표본 데이터 집합이 있을 때, 이 표본들이 가장 등장할 확률이 높은 파라미터를 추정하는 방법이다.
구체적으로, 어떤 모수(
Figure 112021140881256-pat00032
)로 표현되는 확률변수 X의 확률밀도함수가
Figure 112021140881256-pat00033
이고, 이 확률변수로부터 독립시행을 반복하여 값
Figure 112021140881256-pat00034
을 얻었다고 하면, 이때의 우도(likelihood: 어떤 모수가 주어졌을때 해당 관측값들이 나올 가능성)는
Figure 112021140881256-pat00035
로 정의된다. 여기서 우도를 최대로 만드는
Figure 112021140881256-pat00036
를 찾을 수 있다면, 이 값이 바로 최대우도추정법을 통해 추정된 분포 파라미터가 된다.
이때, 분포 종류에 따라 해당 분포 파라미터가 결정되며, 태양광 및 풍력 발전 등의 경우, 하한(0) 및 상한(설비용량)이 있어 감마분포나 베이불 분포 등이 적합할 수 있다. 또한, 사용자의 설정에 따라 정규분포가 설정될 수도 있다.
실제값 분포 추정부(2523)는 산출된 최적 분포 파라미터를 이용하여 기설정된 분포 종류에 따른 각 그룹별 실제값 분포를 추정하여, 이산화된 예측값에 대한 n개 그룹 및 n개의 실제값 확률분포를 설정해 놓을 수 있다. 이때, 각 그룹별로 분포 종류가 다르게 설정될 수도 있다.
또한, 실제값 분포 추정부(2523)는 예측시스템(200)으로부터 입찰을 위한 예측값을 수신시, 수신된 예측값이 포함되는 해당 그룹의 실제값 확률분포를 추출하여 수신된 예측값에 대한 실제값 확률분포로 추정할 수 있다.
입찰값 결정부(253)는 실제값 분포 추정부(2523)에서 추정된 주어진 예측값을 따르는 실제값 확률분포와 수익정산기준이 되는 수익함수를 이용하여 기대수익을 최대화시키는 입찰값을 산출하고, 산출된 입찰값을 최종 입찰값으로 결정할 수 있다.
이때, 수익정산기준은 전력거래소의 전력시장운영규칙에 기반한 수익함수로 생성될 수 있으며, 본 발명에서는 수익계산적용여부, 실제 발전량인 실제값 및 적용단가의 곱이 될 수 있다.
여기서, 수익계산적용여부는 신재생 발전 용량 대비 실제값이 최저이용률을 넘는 경우 조건이 성립되며, 조건성립시 1을 조건미성립시 0을 적용할 수 있다. 또한, 적용단가는 전력거래소의 전력시장운영규칙에 기반한 실제값과 입찰값의 오차율에 따라 결정될 수 있다.
한국전력거래소의 전력시장운영규칙을 따르는 수익함수의 일 예로, 하기 수학식1과 같은 수익함수를 수익정산기준으로 이용할 수 있다.
Figure 112021140881256-pat00037
여기서, C는 설비용량(고정값), 1은 indicator function(조건을 만족하면 1, 아니면 0), g는 오차율에 따른 적용단가함수. g(x) := 4원/kWh if 0<= x <= 0.06, 3원/kWh if 0.06 < x <= 0.08, 0원/kWh 나머지 경우가 될 수 있다. 또한,
Figure 112021140881256-pat00038
는 실제값,
Figure 112021140881256-pat00039
는 입찰값이 된다.
또는, 하기의 수학식17과 같은 수익함수를 적용할 수도 있다.
Figure 112021140881256-pat00040
여기서, h(x; x_0, C)는 적용단가함수로 g(|x - x_0| / C)와 동일하며, 4원/kWh if x_0 - 0.06 * C <= x <= x_0 + 0.06 *C, 3원/kWh if x_0 - 0.08 * C <= x < x_0 - 0.06 * C or x_0 + 0.06 * C < x <= x_0 + 0.08 * C, 이외에는 0이 될 수 있다.
이때, 수학식17에 따른 단가함수는 도 13과 같이 그래프로 표현될 수 있다. 이와 같이 실제값과 입찰시 제시된 입찰값과의 오차가 적을수록 수익(P)이 커지는 경향이 있다.
한편, 수학식16 및 수학식17의 일 실시 예에서는 적용단가 함수가 1차함수인 경우를 예시하였으나, 전력거래소의 전력시장운영규칙(발전량 예측제도)에 기반한 다양한 함수로 변경될 수도 있다.
입찰값 결정부(253)는 수익정산기준과 수신된 예측값이 주어질때 추정된 실제값 확률분포의 곱을 적분하여 산출될 수 있다. 본 발명의 일 실시 예에 따른 기대수익은 하기의 수학식18과 같이 정의할 수 있다.
Figure 112021140881256-pat00041
여기서,
Figure 112021140881256-pat00042
는 상기 수학식2의 수익정산기준인 수익함수,
Figure 112021140881256-pat00043
는 조건부 실제값 추정부(252)에서 예측값이 주어졌을때 추정된 실제값 확률분포함수가 될 수 있다.
일 예로, 예측값(예측시스템(200)에서 수신된 예측값)이 주어졌을때 추정된 실제값 확률분포함수가 정규분포를 따른다고 가정하면, 추정된 실제값 확률분포함수는 하기의 수학식19가 될 수 있다.
Figure 112021140881256-pat00044
여기서,
Figure 112021140881256-pat00045
는 평균,
Figure 112021140881256-pat00046
는 표준편차가 된다.
상기 수학식19의 기대수익에, 수학식17의 수익함수와 수학식19의 확률분포함수를 적용하면 기대수익은 하기의 수학식 20와 같이 산출될 수 있다.
Figure 112021140881256-pat00047
이와 같이, 본 발명의 일 실시 예에 따른 기대수익은 적분계산을 이산화하여 합으로 근사시킬 수 있다. 이때, 기대수익은 입찰값에 대한 계단함수(step function)가 될 수 있다.
입찰값 결정부(253)는 기대수익을 입찰값(
Figure 112021140881256-pat00048
)에 대한 함수로 바라보고, 기대수익을 최대화시키는 입찰값을 최종 입찰을 위한 최적 입찰값으로 결정할 수 있다.
본 발명의 최적 발전 입찰값 결정방법은 도 12 및 도 13의 최적 발전 입찰값 결정시스템에 의해 수행될 수 있으며, 구체적인 동작 및 수학식들은 시스템 설명에서 설명하였으므로, 이하에서는 간략히 설명하며 방법중심으로 설명하도록 한다.
도 11에 따르면, 예측서버(220)으로부터 입찰을 위한 태양광 발전에 대한 예측값을 수신하면, 기수집된 태양광 발전에 대한 예측값 및 실제값을 포함하는 과거 발전량 데이터로부터, 수신한 예측값에 대한 실제값 확률분포를 추정할 수 있다.
이를 위해, 예측값이 수신되기 이전 단계에서, 과거기록의 예측값들을 구간으로 구분하여 이산화하고, 이산화된 예측값들의 그룹화를 통해 각 그룹별 실제값 분포를 추정하여 마련해둘 수 있다.
구체적으로, 최적 입찰값 산출을 위해 DB(300)로부터 예측서버(220)에서 생성한 예측값과 실제값에 대한 과거 발전량 데이터를 수집할 수 있으며, 이때 수집을 위한 특정기간을 사용자(관리자 등)로부터 설정받을 수 있다. 또한, 사용자로부터 분포 추정을 위한 분포의 종류, 예측값 이산화를 위한 구간설정, 그룹 개수 등을 입력받을 수 있다.
다음으로, 예측값 이산화 및 그룹화를 수행할 수 있다. 구체적으로, 사용자에 의해 설정된 특정기간의 과거 발전량 데이터에 대해, 예측값을 이산화하여 동일값(동일 구간)을 가지는 이산화된 예측값을 그룹으로 설정할 수 있다.
이에, 동일한 구간에 포함되는 이산화된 예측값들은 하나의 그룹으로 구성되어, n개의 그룹으로 예측값들이 이산화될 수 있다.
다음으로, 각 그룹에 대한 실제값들의 최적 분포 파라미터를 산출할 수 있다. 구체적으로, 사용자로부터 선택받은 분포 종류 및 최대우도추정법을 기반으로 각 그룹에 대한 실제값들의 최적 분포 파라미터를 산출할 수 있다.
다음으로, 산출된 해당 그룹의 최적 분포 파라미터를 이용하여 기설정된 분포 종류에 따른 각 그룹별 실제값 분포를 추정할 수 있다. 이에, 이산화된 예측값에 대한 n개 그룹 및 n개의 실제값 확률분포를 설정해 놓을 수 있다. 이때, 각 그룹별로 분포 종류가 다르게 설정될 수도 있다.
이를 기반으로, 예측서버(220)로부터 입찰을 위한 예측값이 수신되면, 수신된 예측값이 포함되는 해당 그룹의 실제값 확률분포를 추출하여 수신된 예측값에 대한 실제값 확률분포로 추정할 수 있다.
다음으로, 추정된 주어진 예측값을 따르는 실제값 확률분포와 수익정산기준이 되는 수익함수를 이용하여 기대수익을 최대화시키는 입찰값을 산출하고, 산출된 입찰값을 최종 입찰값으로 결정할 수 있다.
이때, 기대수익은 수익정산기준과 수신된 예측값이 주어질때 추정된 실제값 확률분포의 곱을 적분하여 산출될 수 있으며, 입찰값에 대한 계단함수가 될 수 있다. 이에, 기대수익을 입찰값에 대한 함수로 바라보고, 기대수익을 최대화시키는 입찰값을 최종 입찰을 위한 최적 입찰값으로 결정할 수 있다.
또한, 본 발명의 일 실시 예에 따른 분석서버(200)는 이상감지서버(240)를 통해, RTU(100)에서 수집한 실측치(실제값)과 예측서버(220)에서 예측한 예측치(예측값)을 이용한 태양광 발전 설비(사이트)에 대한 제2이상감지를 할 수 있다.
즉, 제1이상감지는 발전량 실측치를 이용한 RTU에서의 태양광 발전 설비의 이상감지이며, 제2이상감지는 발전량 실측치 및 발전량 예측치를 이용한 서버(200)에서의 태양광 발전 설비의 이상감지가 될 수 있다. 이때, 이상 감지에 따른 이상감지서버(240)의 태양광 발전 설비에 대한 서버제어명령은, 상기 도 2에서 설명하고 있는 본 발명의 분석서버(200)의 서버제어명령이 될 수 있으며, 경고알림 형태로 제공될 수도 있다.
도 14는 본 발명의 일 실시 예에 따른 도 1의 이상감지서버(240)의 구성을 나타내는 구성 블록도이다. 도 15는 도 14의 이상감지서버의 이상감지 판단을 설명하기 위한 도면이다.
도 14에 따르면, 본 발명의 일 실시예에 따른 이상감지서버(200)는 설정부(4210), 샘플추출부(4220), 이상감지부(4230)를 포함하고, 이상감지부(4230)는 산출부(4240) 및 판단부(4250)를 포함할 수 있다. 또한, 산출부(4240)는 잔차분포 산출부(4241), 누적분포함수 산출부(4242) 및 통계량 산출부(4243)를 포함하는 제1실시예로 구성될 수 있다. 또한, 제1실시예의 구성에 순열부(2460)을 더 포함하는 제2실시예로 구성될 수도 있다.
제1실시예에 따른 이상감지서버(420)
설정부(4210)는 이상감지 판단 대상이 되는 기설정기간의 검증기간, 이상감지 판단을 위한 기준으로 이용되는 기설정기간의 비교기간, 검증기간 및 비교기간의 샘플추출을 위한 시간단위, 이상감지 판단에 이용되는 각종 설정(유의수준, 순열수행시 순열횟수, 기각 조건 등) 등을 관리자로부터 입력받아 설정할 수 있다.
샘플추출부(4220)는 DB(300)에 기저장된 태양광 발전량의 실측치 및 예측치 중에서, 검증기간 및 비교기간의 실측치 및 예측치를 기설정된 시간단위로 추출할 수 있다.
샘플 추출부(4220)에서 추출된 검증기간의 실측치 및 예측치는 현재 시점을 포함하는 기설정 기간의 시계열 데이터가 되고, 상기 비교기간의 실측치 및 예측치는 상기 검증기간 대비 과거 시점을 포함하는 기설정 기간의 시계열 데이터가 될 수 있다.
일예로, 대상기간은 현재시점을 포함하는 일주일 기간으로 설정할 수 있고 비교기간은 대상기간 보다 과거 시점을 포함하는 한달 기간으로 설정하여 샘플을 설정할 수 있다. 이때, 샘플추출부(4220)는 도 15과 같이 검증기간 및 비교기간의 실측치와 예측치의 시계열 데이터 중 기설정 시간단위(일예로, 15분 또는 1시간 간격)로 각 기간별(a:비교기간, c:검증기간) 실측치와 예측치를 추출할 수 있다.
이상감지부(4230)는 추출된 검증기간의 실측치와 예측치에 대한 잔차분포 및 비교기간의 실측치와 예측치에 대한 잔차분포의 통계량 검증을 수행하여 두 잔차분포들이 서로 동일하지 않으면 검증기간에 태양광 발전 이상이 발생한 것으로 판단하여 경고 알림을 발생시킬 수 있다.
이상감지부(4230)는 잔차분포 산출부(4241), 누적분포함수 산출부(4242) 및 통계량 산출부(4243)를 포함하는 산출부(4240) 및 판단부(4250)를 포함할 수 있다.
또한, 잔차분포 산출부(4241)는 샘플추출부(4220)에서 추출된 각 시간 포인트에서 비교기간의 실측치 및 예측치의 차이값인 잔차를 산출하여 도 15와 같이 비교기간의 잔차분포인 제1잔차분포와 검증기간의 잔차분포인 제2잔차분포를 구할 수 있다. 도 15에서 잔차분포는 x축을 기설정된 시간단위 간격으로 하는 시간축으로 하고, y축을 해당 시점의 잔차로 하여 시각화할 수 있다.
누적분포함수 산출부(4242)는 잔차분포 산출부(4241)에서 산출된 검증기간 및 비교기간의 잔차분포 각각에 대한 누적분포함수를 산출할 수 있다. 이때, 누적분포함수는 하기의 수식을 이용하여 비교기간에 대한 누적분포함수(Fn(x)) 및 검증기간에 대한 누적분포함수(Fnm(x))를 산출할 수 있다.
Figure 112021140881256-pat00049
(여기서,
Figure 112021140881256-pat00050
는 지시 함수이고,
Figure 112021140881256-pat00051
이면 1, 그렇지 않으면 0)
또한, Xn은 비교기간의 잔차값들의 목록, n은 Xn에 들어있는 값들의 개수, Xm은 검증기간의 잔차값들의 목록, m은 Xm에 들어있는 값들의 개수가 될 수 있다.
통계량 산출부(4243)는 하기의 수학식2를 이용하여 비교기간의 누적분포함수(Fn(x)) 및 검증기간에 대한 누적분포함수(Fnm(x))들 사이의 거리 집합 상한(상한노름) 즉, 통계량(
Figure 112021140881256-pat00052
)을 산출할 수 있다.
Figure 112021140881256-pat00053
일 예로, 도 15를 참고하면, 통계량 산출부(243)에서 산출되는 통계량은 비교기간의 누적분포함수(Fn(x) : 파란선) 및 검증기간에 대한 누적분포함수(Fnm(x) : 빨간선) 사이의 거리 집합의 상한(상한노름 : 두 누적분포함수 사이의 화살표)이 될 수 있다. 이때, 통계그래프의 x축은 잔차가 되고, y축은 누적확률(cumulative probability)이 될 수 있다.
판단부(4250)는 통계량 산출부(243)에서 산출된 통계량에 기반하여 비교기간 및 검증기간의 잔차분포들이 동일 분포라는 귀무가설에 대한 검증을 수행할 수 있다. 이때, 판단부(4250)는 산출된 통계량이 기설정 수준(α)에 대해 다음의 수학식3과 같은 기각조건을 성립하면, 비교기간의 잔차분포와 검증기간의 잔차분포가 동일 분포가 아닌 것으로 판단할 수 있다.
Figure 112021140881256-pat00054
여기서, Dn,m은 통계량, n은 비교기간의 잔차분포에 포함된 단위시간별 잔차값들의 개수, m은 검증기간의 잔차분포에 포함된 단위시간별 잔차값들의 개수가 될 수 있다. 일 예로, 수준(α)은 0.05로 설정할 수 있고, 이는 관리자에 의해 변경될 수 있다.
판단부(4250)는 비교기간의 잔차분포와 검증기간의 잔차분포가 동일하지 않은 것으로 판단되면, 태양광 발전 설비(10)에 이상이 발생한 것으로 판단하여 경고알림을 발생시켜 관리자가 확인할 수 있게 한다.
제2실시예에 따른 이상감지서버(240)
도 16은 도 14의 이상감지서버의 순열부(4260)의 순열을 설명하기 위한 도면이다. 도 16를 참고하면, 제2실시예에 따른 이상감지서버(240)는 제1실시예의 이상감지서버의 구성에 순열부(4260)를 더 포함할 수 있다. 제1실시예 및 제2실시예의 설정부(4210), 샘플추출부(4220)는 구성 및 기능이 동일하게 동작될 수 있고, 제2실시예의 이상감지부(4230)는 제1실시예의 이상감지부(230)의 구성 및 기능을 기반으로 하나, 순열부(4260)의 동작에 따라 산출부(4240) 및 판단부(4250)의 동작이 추가 및 일부 변형될 수 있다. 하기에서는 이를 중심으로 설명하도록 한다.
순열부(4260)는 검증기간의 잔차분포 및 비교기간의 잔차분포를 무작위 순열하여 기설정 개수의 잔차값을 포함하는 두개의 잔차분포를 생성할 수 있다.
이때, 산출부(4240)는, 순열부(4260)에서 생성된 두개의 잔차분포에 대한 각각의 누적분포함수를 산출하고, 산출된 누적분포함수들 사이의 상한노름을 나타내는 통계량을 산출할 수 있다.
도 16을 참고하면, 본 발명의 제2실시예에 따른 순열부(4260)의 순열과정은 도 3과 같이 산출된 비교기간의 잔차분포(도 5에서 Xn 잔차분포) 및 검증기간의 잔차분포(도 5에서 Xm 잔차분포)를 무작위 순열하여 다음 잔차분포(제XXn잔차분포 및 제XXm잔차분포)를 생성할 수 있으며, 기설정된 횟수만큼 반복 생성할 수 있다. 즉, 무작위 순열은 도 16의 실시 예와 같이, 최초 잔차분포를 이용하여 수행될 수 있다.
이때, 두 분포에 포함된 잔차값들 중에서 순서를 무작위로 추출하여, 비교기간의 잔차분포로 m개의 잔차값을 추출하고, 검증기간의 잔차분포로 n개의 잔차값을 추출할 수 있다.
순열부(4260)는 기설정 횟수만큼 무작위 순열을 수행하고, 산출부(4240)는 무작위 순열시마다 통계량을 산출하여 순열 통계량(2)들의 분포를 산출할 수 있다.
판단부(4250)는 기설정 횟수만큼 무작위 순열 후 산출된 통계량들(도16에서 2a)의 분포에서, 무작위 순열 전의 초기 통계량(도 16에서 1a)이 위치하는 비율(%)이 기설정된 기각역보다 작으면, 검증기간에 태양광 발전 이상이 발생한 것으로 판단할 수 있다.
여기서, 기각역은 0.05로 설정될 수 있으며 변경 설정될 수도 있다. 또한, 상기 비율(%)은 초기 통계량(1a)이 순열 통계량의 분포(2a)에서 상위 몇 %에 해당되는지를 나타낼 수 있다.
이때, 비교기간의 최초 잔차분포(도 16에서 Xn 잔차분포) 및 검증기간의 최초 잔차분포(도 16에서 Xm 잔차분포)가 동일한 분포라면, 순열의 반복을 통한 통계량검정시에도 두 분포가 동일분포로 판단될 수 있다.
반면, 비교기간의 최초 잔차분포(도 5에서 Xn 잔차분포) 및 검증기간의 최초 잔차분포(도 16에서 Xm 잔차분포)가 동일하지 않은 분포라면, 순열의 반복을 통한 통계량검증시에도 두 분포가 동일하지 않은 분포로 판단될 수 있다. 이에, 순열의 반복을 통해 판단부(4250)의 이상여부 판단에 대한 신뢰성을 높일 수 있다.
또한, 본 발명의 일 실시 예에 따른 분석서버(200)는 실시간 발전량 추정서버(250)를 통해, RTU(100)로부터 실시간 수집되는 실시간 발전량 실측치 및 예측서버(200)의 예측알고리즘을 이용하여 실시간 예측되는 실시간 발전량 예측치를 활용하여, 전체 발전 사이트에 대한 실시간 발전량을 추정할 수 있다.
도 17을 참고하면, 본 발명의 일 실시 예에 따른 실시간 발전량 추정서버(250)는 사이트 설정부(5210), 사이트 발전량 산출부(5220), 전체 발전량 추정부(5230), 프로세서(5240) 및 통신부(5250)을 포함할 수 있다.
사이트 설정부(5210)는 복수 개의 발전 사이트의 지리적 위치를 기반으로 벤치마킹그룹을 설정하고, 벤치마킹그룹별 벤치마킹 사이트를 설정할 수 있다. 이때, 사이트 설정부(5210)는 전체 사이트에 대하여 기설정된 군집 알고리즘을 적용하여 각 벤치마킹그룹의 중심위치를 설정하고, 각 벤치마킹그룹에 포함된 발전 사이트 중 해당 벤치마킹그룹의 중심위치로부터 최단거리 이격된 사이트를 해당 벤치마킹그룹의 벤치마킹 사이트로 설정할 수 있다.
구체적으로, 임의의 k 개 중심위치를 랜덤하게 선택하고, k개의 벤치마킹 그룹을 생성할 수 있다. 이때, 각 사이트에 대하여 랜덤 선택된 중심위치와의 직선 거리를 산출하고, 가장 가까운 거리의 중심위치가 포함되는 벤치마킹 그룹에 포함시키고, 각 벤치마킹 그룹 내 사이트들과의 거리의 합이 최소가 되는 위치를 새로운 중심위치로 설정하는 과정을 중심위치 및 벤치마킹그룹의 경계(도 18의 실선)가 바뀌지 않을 때까지 반복 수행할 수 있다. 이를 통해, 최종적으로 벤치마킹 그룹 및 각 벤치마킹 그룹의 중심위치를 설정할 수 있고, 각 벤치마킹 그룹에 대하여 중심위치에서 최단거리에 위치하는 사이트를 벤치마킹 사이트로 선정할 수 있다.
도 18을 참고하면, 전체 사이트들의 지리적 위치를 기반으로 기설정된 개수의 벤치마킹그룹(a 내지 i)으로 구분되고, 각 벤치마킹그룹(a 내지 i)의 중심위치(1)가 설정될 수 있다.
이때, 각 벤치마킹그룹(a 내지 i)에 포함된 복수 개의 발전 사이트들 중, 중심위치(1)에 가장 가까운 사이트가 벤치마킹 사이트(3)로 설정될 수 있다. 즉, 각 벤치마킹그룹(a 내지 i)은 중심위치(1)가 설정되고, 하나의 벤치마킹 사이트(3)와 적어도 하나의 특정 사이트(2)를 포함하는 군집이 될 수 있다.
실시간 발전량 추정서버(250)는 벤치마킹그룹 각각에 대하여, 벤치마킹 사이트(1)의 실시간 발전량 실측치를 획득하고, 획득한 벤치마킹 사이트(1)의 실시간 발전량 실측치를 기반으로 적어도 하나의 특정 사이트(2: 벤치마킹 사이트를 제외한 해당 벤치마킹그룹 내의 다른 사이트들)에 대한 실시간 발전량 예측치를 예측하여, 전체 사이트에 대한 실시간 전체 발전량을 추정할 수 있다.
이때, 각 벤치마킹그룹에 포함된 벤치마킹 사이트(1)를 제외한 특정 사이트들(2)에 대한 실시간 발전량 예측치는 사이트 발전량 산출부(5220)를 통해 산출될 수 있고, 사이트 발전량 산출부(5220)는 예측 서버(220)를 통해 실시간 발전량 예측치를 얻거나, 예측 서버(220)와 동일한 예측알고리즘을 이용하여 실시간 발전량 예측치를 얻을 수도 있다.
예측 서버(220)를 통해 실시간 발전량 예측치를 얻는 경우, 사이트 발전량 산출부(1220)를 통해, 예측시 필요한 데이터들을 수집하고, 각종 물리 모델 및 발전량 추정치를 연산하고 기계 학습을 통하여 최종적인 사이트별 실시간 발전량 예측치를 산출할 수 있다. 이때, 수집되는 데이터들은 실시간 발전량 예측을 위한 현재시점의 데이터들을 포함할 수 있다.
또한, 데이터 전처리부(1222)를 통해, 예측에 사용할 특성을 선택하고, 수집된 데이터 중 이상값을 제거하거나, 또는 누락값을 채울 수 있다. 또한, 데이터 전처리부(1222)는 각 벤치마킹그룹의 벤치마킹 사이트에 대해 수집된 실시간 발전량 실측치를 해당 벤치마킹 사이트의 용량으로 나누어 용량당 발전량 즉, 정규화된 실시간 발전량으로 변환할 수 있다.
또한, 데이터 전처리부(1222)는 각 특성에 맞는 스케일링 예컨대, 0과 1 사이의 구간으로 선형변환, 평균과 분산으로 정규화 등의 다양한 데이터 전처리 작업을 수행할 수도 있다.
물리 모델 연산부(1223)를 통해 태양광 모듈 어레이(11)의 패널에 직접적으로 인가되는 경사면 일사량 추정치(PoA, Plane of Array) 및 유효일사량(Effective Irradiance) 등의 물리 모델값들을 산출하고, 발전량 추정 연산부(1224)를 통해 태양광 모듈 셀 온도 및 유효일사량에 기초하여 및 DC 또는 AC 전력의 추정치를 연산할 수 있다.
또한, 기계학습연산부(1225)를 통해 랜덤 포레스트(Random Forest, 1225-1) 또는 LSTM 모델(1225-2) 등의 기계 학습 모델을 사용하여 사이트별 예측 모델을 생성하고, 예측 모델을 통하여 기계 학습 예측치를 생성할 수 있다.
이때, 기계학습연산부(1225)에서 생성되는 최종적인 예측치는 현재시점의 벤치마킹 사이트의 정규화된 발전량을 기반으로 예측된, 현재 시점의 특정사이트의 정규화된 발전량 예측치가 될 수 있다.
이에, 사이트 발전량 산출부(5220)는 기계학습연산부(1225)을 통해 산출된 현재 시점의 특정사이트의 정규화된 발전량 예측치에 해당 특정사이트의 용량을 곱하여 최종 실시간 발전량 예측치를 산출할 수 있다.
전체 발전량 추정부(5230)는 산출된 사이트 각각에 대한 실시간 발전량 예측치 및 벤치마킹 사이트에 대한 실시간 발전량 실측치를 합산하여 전체 사이트에 대한 실시간 전체 발전량을 추정할 수 있다.
이 경우, 사이트 설정부(5210), 사이트 발전량 산출부(5220) 및 전체 발전량 추정부(5230)는 소프트웨어 모듈, 하드웨어 모듈 또는 소프트웨어 모듈 및 하드웨어 모듈의 결합으로 구현될 수 있다.
통신부(5250)는 외부 서버 또는 데이터 베이스(300)로부터의 데이터를 수집하거나, 사이트 발전량 산출부(5220)에서 사이트별 실시간 발전량 예측치 및 전체 발전량 추정부(5230)에서 추정된 전체 사이트에 대한 실시간 전체 발전량 추정치를 전력 판매 및 구매 시스템(미도시)에 전송할 수 있다.
이하에서는 도 17 및 도 18을 참고하여, 본 발명의 일 실시예에 따른 실시간 전체 발전량 추정 동작에 대하여 상세하게 설명할 수 있다. 구체적으로, 서버(250)의 사이트 설정부(5210)는 벤치마킹그룹 개수를 설정하고, 기설정된 군집 알고리즘을 적용하여 각 벤치마킹그룹의 중심위치를 설정하여 벤치마킹그룹을 설정할 수 있다. 구체적으로, 도 18을 참고하면 임의의 k 개 중심위치를 랜덤하게 선택하고, k개의 벤치마킹 그룹을 생성할 수 있다.
다음으로, 각 사이트에 대하여 랜덤 선택된 중심위치와의 직선 거리를 산출하고, 가장 가까운 거리의 중심위치가 포함되는 벤치마킹 그룹에 포함시킬 수 있고, 각 벤치마킹 그룹 내 사이트들과의 거리의 합이 최소가 되는 위치를 새로운 중심위치로 설정할 수 있다. 이때, 중심위치가 바뀌지 않을 때까지 이를 반복 수행할 수 있다. 최종적으로 벤치마킹 그룹 및 각 벤치마킹 그룹의 중심위치를 설정할 수 있다.
다음으로, 사이트 설정부(5210)는 각 벤치마킹그룹의 중심위치로부터 최단거리 이격된 사이트를 해당 벤치마킹그룹의 벤치마킹 사이트로 설정할 수 있다. 다음으로 각 벤치마킹 사이트에 대해, 실시간 발전량 실측치를 획득하고, 벤치마킹 사이트가 아닌 벤치마킹그룹내 다른 특정사이트들에 대해서는 실시간 발전량 예측치를 산출할 수 있다.
구체적으로, 추정서버(520)는 발전량 데이터 및 주요 기상 데이터를 수집할 수 있다. 보다 상세하게, 추정서버(520)는 정해진 시간 간격의 발전량 데이터를 실시간 발전량 데이터로 RTU(100)를 통하여 획득할 수 있다. 또한, RTU(100)로부터 각 사이트들에 대한 용량 정보도 수집할 수 있다.
특히, 각 벤치마킹그룹내의 벤치마킹 사이트가 아닌 특정 사이트들에 대한 실시간 개별 발전량 예측을 위해, 예측 대상인 특정 사이트에 대하여 가장 가까운 거리에 있는 벤치마킹 사이트를 선택하고, 데이터 수집부(1221)에서 수집된 상기 선택된 벤치마킹 사이트의 현재시점 또는 현재시점을 포함한 최근 k시점의 발전량 시계열 데이터를 선택된 벤치마킹 사이트의 용량 정보로 나누어 정규화된 발전량으로 변환할 수 있다.
한편, 데이터의 전처리가 이루어진 후에는, 연산된 데이터들을 입력으로 사용하여 예측 모델을 기계 학습한 후 사이트별 기계 학습 모델을 선택하여 각 벤치마킹그룹내의 특정사이트들에 대한 실시간 정규화된 발전량 예측치를 예측할 수 있다.
이때, 예측 모델은 사이트 별로 생성할 수 있으며, 사이트별 예측 모델의 학습과 추론에 사용할 설정 값들을 별도로 설정할 수 있다. 또한, 학습과 추론에 사용할 설정값들은 학습에 사용할 기간, 사용할 예측 모델 및 추론에 사용할 기간을 포함한다. 또한, 사이트별로 사용할 예측 모델을 선택할 수 있다. 이 경우, 선택은 실제 태양광 모듈 어레이(11)의 발전량과 예측치의 차이에 기초하여 결정할 수 있다.
이 경우, 사용할 모델의 경우에는 예컨대, 랜덤 포레스트(Random Forest) 및 LSTM 모델을 포함할 수 있다. 예측 대상 시점의 여러 입력 요소의 값으로 부터 동일한 시점의 발전량 예측치를 추론한다. 인접한 시점 간의 관계는 고려하지 않고, 특정 시점의 입력 데이터와 출력 데이터의 관계만을 고려한다.
과거 데이터로부터 이러한 관계를 설명하는 나무 형태의 반복적인 판단 기준(트리 모델)을 학습한다. 새로운 입력 데이터에 대해서 학습된 나무 형태의 반복적인 판단 기준에 따라 여러 노드 중 하나로 분류하고, 분류된 노드의 대표값으로 예측치를 추론한다.
여러 개의 나무 형태의 판단 기준을 사용하여 예측 값을 여러 번 생성한 후 이들의 평균값을 사용하여 과적합을 막는다. 즉, 랜덤 포레스트 모델은 입력 데이터와 출력 데이터의 관계로부터 복수의 트리 모델을 생성하고, 각각 트리 모델에 따라 예측된 발전량 예측치에 기초하여 현재 시점의 해당 특정사이트의 정규화된 발전량 예측치를 예측할 수 있다.
이 경우, 입력 데이터는 현재 시점에 대한 벤치마킹 사이트의 정규화된 발전량, 주요 기상요소, 일사량 추정치, 기준적인 DC/AC 전력, 시간 정보 및 발전량추정치(DC/AC 전력 추정치) 등일 수 있으며, 출력 데이터는 현재 시점의 해당 특정사이트의 정규화된 발전량 예측치이다.
또한, LSTM은 예측 대상 시점 즉, 현재시점 또는 현재시점을 포함한 k 스텝(단, k는 자연수)의 입력 요소의 값을 시간적인 연결관계(시계열적인)가 있는 인공신경망 구조를 이용하여 기계학습에 근거한 예측치를 연산한다.
이 경우, 벤치마킹 사이트의 정규화된 발전량, 기상요소, 일사량 추정치, 기준 DC/AC 전력, 물리 모델에 기초한 DC/AC 전력 추정치 및 시간 정보에 대한 k 스텝 시계열 값이고, 출력 요소는 현재 시점의 해당 특정사이트의 정규화된 발전량 예측치이다.
또한, 필요에 따라 하이퍼파라미터 최적화(HPO)를 통해 사용하는 예측모델에 대한 최적의 하이퍼파라미터를 설정하여 적용할 수 있다. 이때, 하이퍼파라미터는, 학습률(learning rate), 반복횟수(iterations), LSTM의 히든 노드 개수, LSTM 셀에서의 시퀀스 길이(Sequence length), 활성화 함수(activation function) 종류, 모델의 깊이정도(depth), 모델 입력 종류 등이 될 수 있다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징을 포함할 수 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요할 수 있다.
하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정할 수 있다. 이를 통해 예측이 더욱 정교해질 수 있다.
또한, 현재 시점의 해당 특정사이트의 정규화된 발전량 예측치가 생성되면, 사용자별, 사이트별 필요에 따라 예컨대, 스케일링 되돌리기 등의 후처리 과정을 거쳐서 예측된 발전량 값을 적절한 형식과 절차로 전송할 수 있다.
다음으로, 예측모델을 통해 산출된 현재 시점의 특정사이트의 정규화된 발전량 예측치에 해당 특정사이트의 용량을 곱하여 최종 실시간 발전량 예측치를 산출할 수 있다.
각 벤치마킹그룹에 포함된 모든 특정사이트(2)들에 대한 실시간 발전량 예측치가 산출되면, 각 벤치마킹 사이트의 실시간 발전량 실측치와 합산하여 전체 사이트에 대한 실시간 전체 발전량을 추정할 수 있다.
따라서, 본 발명에 따르면, 태양광 모듈 어레이의 사이트별 발전량 및 전체 사이트의 실시간 발전량을 정확하게 추정할 수 있는 추정시스템이 제공된다.
또한, 본 발명의 실시예들에 따르면, 벤치마킹그룹별 벤치마킹 사이트의 정규화된 실시간 발전량 실측치 및 물리 모델을 입력으로 활용하여 기존 인공지능 기반 기계 학습을 통한 예측의 정확도를 현저하게 향상시킬 수 있다.
특히, 종래 기술에 따르면, 입력데이터에 대한 노이즈 제거, 데이터 정규화, 포맷의 변경 등의 간략한 데이터 전처리를 통하여 입력하고 예측 알고리즘에 대해서는 별도의 고민 없이 뉴럴 네트워크 등의 기계 학습의 최적화에 의존하여 예측을 실행하였다. 이러한 경우에 기계 학습에 의한 예측의 성능이 매우 떨어지기 때문에 상업적으로 활용하기가 매우 어려웠다. 특히, 정밀한 추정치를 기반으로 동작해야 하는 가상발전소(VPP), 분산형전원/분산자원(DERMS), 전력거래소 등에서 기계 학습에 의한 예측을 상업적으로 활용하기에는 예측의 정확도가 크게 떨어졌으며 실시간 전체 사이트 발전량에 대한 예측이 어려웠다.
그러나, 본 발명에 따르면, 벤치마킹그룹을 기반으로 벤치마킹 사이트들의 정규화된 실시간 발전량 및 물리적/수학적 모델링을 통해 처리된 데이터를 기계 학습의 입력으로 활용하여 가상발전소(VPP) 또는 분산형전원/ 분산자원(DERMS), 전력거래소 등에 상업적으로 활용가능한 정확한 발전량 예측이 제공될 수 있다.
결과적으로, 본 발명의 일 실시 예에 따른 태양광 발전 시스템은 제어서버(210)를 통해 안정적이고 신뢰성있는 발전량 데이터를 수집하고, 수집된 발전량 데이터를 기반으로 발전량을 예측하여 최적 입찰값을 결정할 수 있으며, 예측치와 실측치를 이용하여 태양광발전 설비의 이상을 감지하고,
이상 첨부된 도면을 참고하여 본 발명의 실시예들을 설명하였으나, 본 발명은 상기 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 제조될 수 있으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100, 100-1 내지 100-n : RTU, 200 : 분석서버
210 : 제어서버 220 : 예측서버
230 : 입찰값 결정 서버 240 : 이상감지서버
250 : 실시간 발전량 추정서버 10 : 태양광 발전 설비
300 : DB 350 : 센서
400 : 통제센터 500 : 서비스 관리 단말
600 : 사용자 단말

Claims (20)

  1. 신재생에너지의 발전 실측치를 수집하는 복수 개의 RTU 및 상기 발전 실측치를 모니터링하여 발전 설비를 제어하는 분석서버를 포함하고,
    상기 RTU는,
    상기 발전 실측치를 수집하여, 개별 인버터의 이상 여부를 판단하고, 이상 판단시 상기 분석서버로 알림을 전송하는 제1제어부; 및
    상기 알림에 대한 상기 분석서버의 서버제어명령에 따라 발전 설비를 제어하되, 상기 분석서버로부터 제어오류를 수신시 외부 통제센터로 전송하여 상기 제어오류에 대응하여 기설정된 제어명령을 수신하여 제어대상을 제어하는 제2제어부를 포함하며,
    상기 분석서버는,
    상기 수신된 알림에 대한 조치율을 기반으로 상기 인버터의 이상 여부를 판단하는 기준값을 조정하는 조정값을 산출하여 해당 RTU로 전송하고,
    상기 분석서버는,
    적어도 하나의 RTU로부터 알림을 수신하며, 해당 RTU로 업데이트될 조정값(Vn)을 전송하는 통신부;
    RTU별로 구분하여, 기설정 주기동안 수신된 알림 개수 대비 관리자에 의해 조치된 알림 개수인 조치율(T)을 산출하는 조치율 산출부; 및
    상기 산출된 조치율(T)과 기설정된 기준 조치율(Td)을 비교하여 조정값(Vn)을 산출하는 조정값 산출부;를 포함하는, 신재생에너지 발전 관리 시스템.
  2. 제1항에 있어서,
    상기 RTU는,
    상기 제1제어부 및 제2제어부를 포함하고, 상기 분석서버로부터 제어오류를 수신시 기설정된 링토폴로지를 기반으로 상기 제어오류를 송신하는 수집모듈;
    상기 링토폴로지를 기반으로 수집모듈로부터 제어오류를 수신시 외부 통제센터로 송신하고, 상기 제어오류에 대응하여 기설정된 제어명령을 수신하는 통신모듈; 및
    상기 링토폴로지를 기반으로 상기 제어명령에 대한 무결성을 검증하는 보안모듈을 포함하며,
    상기 수집모듈, 통신모듈 및 보안모듈은,
    상기 제어오류에 따라 기설정된 레벨별 QoS를 기반으로 제어명령을 수행하는, 신재생에너지 발전 관리 시스템.
  3. 제2항에 있어서,
    상기 수집모듈, 통신모듈 및 보안모듈은,
    상기 링토폴로지를 기반으로 기설정주기로 순환하는 토큰을 수신시, 상기 토큰에 송신하고자 하는 정보 데이터를 실어 목적지 모듈로 전송하고,
    상기 정보 데이터는 상기 제어오류, 기설정된 레벨의 QoS에 따른 제어명령, 상기 제어명령을 수행한 결과 중 하나가 되는, 신재생에너지 발전 관리 시스템.
  4. 제2항에 있어서,
    상기 제어명령은, 상기 발전 설비에 대한 제어, RTU 링토폴로지 이상에 대한 제어, 수집모듈의 소프트웨어 업데이트 제어 및 수집모듈의 특정기능오류에 대한 제어 중 하나가 되는, 신재생에너지 발전 관리시스템.
  5. 제4항에 있어서,
    상기 수집모듈, 통신모듈 및 보안모듈 중에서 이상이 발생된 이상발생모듈로 리셋신호를 출력하는 리셋모듈을 포함하고,
    상기 수집모듈, 통신모듈 및 보안모듈 중 어느 하나의 모듈은,
    상기 링토폴로지를 기반으로 기설정주기내에 이전 모듈로부터 토큰이 수신되지 않으면 상기 이전 모듈에 이상이 발생한 것으로 판단하는, 신재생에너지 발전 관리 시스템.
  6. 제5항에 있어서,
    상기 리셋모듈은,
    상기 수집모듈, 통신모듈 및 보안모듈에 각각 연결되되, 연결된 모듈로부터 제어신호를 수신시 반전시켜 리셋신호를 출력하고, 리셋신호를 수신시 연결된 모듈로 리셋신호를 출력하는 결합기; 및
    상기 링토폴로지를 기반으로 이웃하는 결합기들 사이의 경로를 연결 또는 절체시키는 복수 개의 스위치를 포함하고,
    상기 이전 모듈의 이상 발생을 감지한 모듈의 제어신호에 의해 상기 이전 모듈의 이상 발생을 감지한 모듈 및 상기 이상발생모듈에 연결된 결합기들 간의 경로가 연결되는, 신재생에너지 발전 관리 시스템.
  7. 삭제
  8. 제1항에 있어서,
    상기 조정값 산출부는,
    하기의 수학식을 이용하여 업데이트될 조정값(Vn)을 산출하는, 신재생에너지 발전 관리 시스템.
    조정값(Vn) = 이전 주기동안의 조정값(Vn-1) × (조치율(T)/기준조치율(Td))
  9. 제1항에 있어서,
    상기 분석서버는,
    기후요소데이터 및 사이트들의 위치 데이터를 포함하는 필요 데이터를 수집하는 데이터 수집부;
    상기 위치 데이터에 기초하여 연산된 천문 요소값에 기초하여 물리 모델값들을 산출하는 물리 모델 연산부;
    상기 물리 모델값들에 기초하여 발전량 추정치를 연산하는 발전량 추정 연산부;
    상기 발전량 추정치를 입력으로 하는 기계학습을 수행하고 기계학습의 결과에 기초하여 최종 발전량 예측치를 산출하는 기계학습 연산부; 및
    상기 기계학습에 대한 설정값들을 설정하는 제어부를 더 포함하는, 신재생에너지 발전 관리 시스템.
  10. 제9항에 있어서,
    상기 발전 설비가 태양광 발전이면, 상기 물리 모델값들은 경사면 일사량(PoA, Plane of Array) 및 유효일사량(Effective Irradiance)을 포함하고,
    상기 물리 모델 연산부는, 하기 수학식에 따라 상기 유효일사량을 결정하며,
    상기 경사면 일사량은 경사면 일사량 빔(PoA Beam) 요소, 경사면 일사량 지상 반사(PoA ground reflected) 요소, 경사면 일사량 공중 확산(PoA Sky-diffuse) 요소를 포함하는, 신재생에너지 발전 관리 시스템.
    Ee= Eb * aoi_modifier +Eg + Ed
    (여기서, Ee= 는 유효일사량, Eb 는 경사면 일사량 빔 요소, Eg는 경사면 일사량 지상 반사 요소, 또한, Ed는 경사면 일사량 공중 확산 요소이고, aoi_modifier는 태양광 모듈 어레이를 실험하여 구한 상수)
  11. 제10항에 있어서,
    상기 발전량 추정 연산부는,
    하기 수학식에 따라 상기 발전량 추정치를 결정하는, 신재생에너지 발전 관리 시스템.
    Figure 112022005877117-pat00055

    (여기서, Ee는 유효일사량, E0 은 1000W/m2, Pmp는 DC 전력 추정치, Pmp0는 DC 정격 출력 전압에서의 기준 전력, γ는 태양광 모듈 어레이에서 실험으로 결정되는 상수, Tc는 표면온도, T0는 기준온도 (섭씨 25도))
  12. 제9항에 있어서,
    상기 최종 발전량 예측치를 수신하면, 기수집된 신재생 발전에 대한 예측치 및 실측치를 포함하는 과거 발전량 데이터로부터, 상기 수신한 예측치에 대한 실측치 확률분포를 추정하는 조건부 분포 추정부; 및
    전력거래소의 전력시장운영규칙에 기반하여 기설정된 수익정산기준과 상기 추정된 실측치 확률분포를 이용하여 기대수익을 최대화시키는 입찰값을 산출하고, 산출된 입찰값을 최종 입찰값으로 결정하는 입찰값 결정부를 더 포함하는, 신재생에너지 발전 관리 시스템.
  13. 제12항에 있어서,
    상기 조건부 분포 추정부는,
    특정기간의 과거 발전량 데이터에 대해, 예측치를 이산화하여 동일값을 가지는 이산화된 예측치를 그룹으로 설정하는 예측값 이산화부;
    기설정된 분포의 종류 및 최대우도추정법을 기반으로 각 그룹에 대한 실측치들의 최적 분포 파라미터를 산출하는 분포 파라미터 추정부; 및
    상기 산출된 최적 분포 파라미터를 이용하여 상기 기설정된 분포에 따른 각 그룹별 실측치 분포를 추정하는 실제값 분포 추정부를 포함하는, 신재생에너지 발전 관리 시스템.
  14. 제13항에 있어서,
    상기 조건부 분포 추정부는,
    상기 수신한 예측치가 포함되는 해당 그룹의 실측치 확률분포를 상기 수신한 예측치에 대한 실측치 확률분포로 추정하는, 신재생에너지 발전 관리 시스템.
  15. 제9항에 있어서,
    상기 RTU에서 수집된 실측치 및 상기 기계학습 연산부에서 산출된 예측치 중에서, 검증기간 및 비교기간의 실측치 및 예측치를 기설정 시간단위로 추출하는 샘플추출부; 및
    추출된 검증기간의 실측치와 예측치에 대한 잔차분포 및 비교기간의 실측치와 예측치에 대한 잔차분포의 통계량 검증을 수행하여, 비교기간의 잔차분포와 검증기간의 잔차분포가 동일하지 않으면 상기 검증기간에 발전 이상이 발생한 것으로 판단하는 이상 감지부를 더 포함하는, 신재생에너지 발전 관리 시스템.
  16. 제15항에 있어서,
    상기 이상 감지부는,
    상기 잔차분포들에 대한 각각의 누적분포함수를 산출하고, 산출된 누적분포함수들 사이의 상한노름을 나타내는 통계량을 산출하는 산출부; 및
    상기 산출된 통계량에 기반하여 상기 비교기간의 잔차분포와 검증기간의 잔차분포가 동일 분포라는 귀무가설에 대한 검증을 수행하는 판단부를 포함하는, 신재생에너지 발전 관리 시스템.
  17. 제16항에 있어서,
    상기 판단부는,
    상기 산출된 통계량이 기설정 수준(α)에 대해 다음의 기각조건을 성립하면, 상기 비교기간의 잔차분포와 검증기간의 잔차분포가 동일 분포가 아닌 것으로 판단하는, 신재생에너지 발전 관리 시스템.
    Figure 112022005877117-pat00057

    여기서, Dn,m은 통계량, n은 상기 비교기간의 잔차분포에 포함된 단위시간별 잔차값들의 개수, m은 상기 검증기간의 잔차분포에 포함된 단위시간별 잔차값들의 개수임.
  18. 제16항에 있어서,
    상기 이상 감지부는,
    검증기간의 잔차분포 및 비교기간의 잔차분포를 무작위 순열하여 기설정 개수의 잔차값을 포함하는 두개의 잔차분포를 생성하는 순열부를 더 포함하고,
    상기 산출부는,
    상기 순열부에서 생성된 두개의 잔차분포에 대한 각각의 누적분포함수를 산출하고, 산출된 누적분포함수들 사이의 상한노름을 나타내는 통계량을 산출하는, 신재생에너지 발전 관리 시스템.
  19. 제9항에 있어서,
    복수 개의 발전 사이트의 지리적 위치를 기반으로 벤치마킹그룹을 설정하고, 벤치마킹그룹별 벤치마킹 사이트를 설정하는 사이트 설정부;
    상기 벤치마킹 사이트에 대해 RTU에서 수집된 실시간 발전량 실측치를 기반으로 기설정된 예측모델을 이용하여 해당 벤치마킹그룹에 포함된 사이트 중 상기 벤치마킹 사이트를 제외한 사이트 각각에 대한 실시간 발전량 예측치를 산출하는 사이트 발전량 산출부; 및
    상기 산출된 사이트 각각에 대한 실시간 발전량 예측치 및 상기 벤치마킹 사이트에 대한 실시간 발전량 실측치를 합산하여 전체 사이트에 대한 실시간 전체 발전량을 추정하는 전체 발전량 추정부를 더 포함하는, 신재생에너지 발전 관리 시스템.
  20. 제19항에 있어서,
    상기 사이트 발전량 산출부는,
    상기 실시간 발전량 예측치 산출 대상인 특정 사이트에서 가장 인접한 벤치마킹 사이트를 선택하여 해당 용량을 획득하고, 상기 선택된 벤치마킹 사이트의 현재시점의 발전량 실측치를 상기 해당 용량으로 나누어 상기 벤치마킹 사이트의 정규화된 발전량을 산출하는, 신재생에너지 발전 관리 시스템.
KR1020210172603A 2021-12-06 2021-12-06 신재생에너지 발전 관리 시스템 KR102379984B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210172603A KR102379984B1 (ko) 2021-12-06 2021-12-06 신재생에너지 발전 관리 시스템
KR1020220036528A KR20230085051A (ko) 2021-12-06 2022-03-24 신재생에너지 발전 관리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210172603A KR102379984B1 (ko) 2021-12-06 2021-12-06 신재생에너지 발전 관리 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220036528A Division KR20230085051A (ko) 2021-12-06 2022-03-24 신재생에너지 발전 관리 시스템

Publications (1)

Publication Number Publication Date
KR102379984B1 true KR102379984B1 (ko) 2022-03-29

Family

ID=80997422

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210172603A KR102379984B1 (ko) 2021-12-06 2021-12-06 신재생에너지 발전 관리 시스템

Country Status (1)

Country Link
KR (1) KR102379984B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240078479A (ko) 2022-11-24 2024-06-04 (주)설텍 마이크로그리드의 전력안정화 시스템 및 상기 시스템에 의한 마이크로그리드의 전력안정화 방법

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000101618A (ja) * 1998-09-22 2000-04-07 Yazaki Corp リング式ネットワークにおける通信方法及び通信システム
JP2004214027A (ja) * 2002-12-27 2004-07-29 Sanyo Electric Co Ltd 保守システム
KR20070119285A (ko) * 2006-06-15 2007-12-20 한국에너지기술연구원 풍속패턴 분류를 통한 풍력발전 예보방법
KR101492528B1 (ko) 2013-06-10 2015-02-12 주식회사 하이메틱스 Ｒｔｕ를 이용한 태양광발전모니터링 방법 및 무선 ｒｔｕ장치
JP2016062191A (ja) * 2014-09-16 2016-04-25 株式会社東芝 電力取引支援装置、電力取引支援システム、制御方法及びプログラム
KR101674019B1 (ko) * 2016-04-20 2016-11-08 주식회사 미래이앤아이 태양광발전 장비 감시 디바이스 서버
KR20170009585A (ko) * 2015-07-17 2017-01-25 엘에스산전 주식회사 태양광 인버터의 제어방법
KR101929528B1 (ko) * 2017-11-15 2018-12-17 주식회사 이글루시큐리티 위험지수 자동 보정 장치 및 방법
JP6498322B2 (ja) * 2016-02-04 2019-04-10 三菱電機株式会社 空調制御評価装置、空調システム、空調制御評価方法及びプログラム
KR20190065107A (ko) * 2017-12-01 2019-06-11 한국전자통신연구원 태양광 발전량 예측 장치 및 그 방법
KR102064083B1 (ko) * 2018-08-01 2020-01-09 김동선 발전 시스템의 이상 유무 판단 장치 및 방법

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000101618A (ja) * 1998-09-22 2000-04-07 Yazaki Corp リング式ネットワークにおける通信方法及び通信システム
JP2004214027A (ja) * 2002-12-27 2004-07-29 Sanyo Electric Co Ltd 保守システム
KR20070119285A (ko) * 2006-06-15 2007-12-20 한국에너지기술연구원 풍속패턴 분류를 통한 풍력발전 예보방법
KR101492528B1 (ko) 2013-06-10 2015-02-12 주식회사 하이메틱스 Ｒｔｕ를 이용한 태양광발전모니터링 방법 및 무선 ｒｔｕ장치
JP2016062191A (ja) * 2014-09-16 2016-04-25 株式会社東芝 電力取引支援装置、電力取引支援システム、制御方法及びプログラム
KR20170009585A (ko) * 2015-07-17 2017-01-25 엘에스산전 주식회사 태양광 인버터의 제어방법
JP6498322B2 (ja) * 2016-02-04 2019-04-10 三菱電機株式会社 空調制御評価装置、空調システム、空調制御評価方法及びプログラム
KR101674019B1 (ko) * 2016-04-20 2016-11-08 주식회사 미래이앤아이 태양광발전 장비 감시 디바이스 서버
KR101929528B1 (ko) * 2017-11-15 2018-12-17 주식회사 이글루시큐리티 위험지수 자동 보정 장치 및 방법
KR20190065107A (ko) * 2017-12-01 2019-06-11 한국전자통신연구원 태양광 발전량 예측 장치 및 그 방법
KR102064083B1 (ko) * 2018-08-01 2020-01-09 김동선 발전 시스템의 이상 유무 판단 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240078479A (ko) 2022-11-24 2024-06-04 (주)설텍 마이크로그리드의 전력안정화 시스템 및 상기 시스템에 의한 마이크로그리드의 전력안정화 방법

Similar Documents

Publication Publication Date Title
Mahmud et al. Machine learning based PV power generation forecasting in alice springs
El-Baz et al. Day-ahead probabilistic PV generation forecast for buildings energy management systems
KR101761686B1 (ko) 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템
US10962576B2 (en) Estimation of shading losses for photovoltaic systems from measured and modeled inputs
US10958211B1 (en) Systems and methods for power management
US8606416B2 (en) Energy generating system and control thereof
Kanase-Patil et al. A review of artificial intelligence-based optimization techniques for the sizing of integrated renewable energy systems in smart cities
KR102338515B1 (ko) 인공지능 기반 태양광 발전량 예측 시스템
Guo et al. An ensemble solar power output forecasting model through statistical learning of historical weather dataset
KR102230548B1 (ko) Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
Ghaedi et al. Incorporating Large Photovoltaic Farms in Power‎ Generation System Adequacy Assessment
Chung Estimating solar insolation and power generation of photovoltaic systems using previous day weather data
KR102498535B1 (ko) 신재생에너지 발전 관리 시스템
KR102379984B1 (ko) 신재생에너지 발전 관리 시스템
Charki et al. Availability estimation of a photovoltaic system
KR102338519B1 (ko) 실시간 신재생에너지 발전량 추정 시스템
US11158007B2 (en) Dynamic energy consumption and harvesting with feedback
Deng et al. A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas
KR20230085051A (ko) 신재생에너지 발전 관리 시스템
KR102338511B1 (ko) 태양광 발전 이상 감지 시스템
TW201727559A (zh) 再生能源電廠的管理方法與系統
Jogunuri et al. Artificial intelligence methods for solar forecasting for optimum sizing of PV systems: A review
Veysi Raygani Robust unit commitment with characterised solar PV systems
Bâra et al. Embedding the weather prediction errors (WPE) into the photovoltaic (PV) forecasting method using deep learning
KR102292748B1 (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant