KR102473018B1 - 태양광 발전 시스템 이상 감지 장치 및 방법 - Google Patents
태양광 발전 시스템 이상 감지 장치 및 방법 Download PDFInfo
- Publication number
- KR102473018B1 KR102473018B1 KR1020200174526A KR20200174526A KR102473018B1 KR 102473018 B1 KR102473018 B1 KR 102473018B1 KR 1020200174526 A KR1020200174526 A KR 1020200174526A KR 20200174526 A KR20200174526 A KR 20200174526A KR 102473018 B1 KR102473018 B1 KR 102473018B1
- Authority
- KR
- South Korea
- Prior art keywords
- photovoltaic
- power generation
- data set
- data sets
- sensing data
- Prior art date
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010248 power generation Methods 0.000 claims abstract description 127
- 238000001514 detection method Methods 0.000 claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000002372 labelling Methods 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- 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)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
태양광 발전 시스템 이상 감지 장치 및 방법이 개시된다. 일 실시예에 따른 태양광 발전 시스템 이상 감지 장치는, 태양광 발전 시스템을 구성하는 복수의 센서로부터, 상기 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득하는 데이터 획득부; 상기 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 상기 태양광 발전 시스템의 예상 발전량을 추정하는 발전량 추정부; 상기 태양광 발전 시스템의 실제 발전량과 상기 예상 발전량 사이의 잔차(Residual)에 기초하여, 상기 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류하는 라벨링부; 및 상기 정상 데이터 셋과 상기 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 상기 태양광 발전 시스템의 이상을 감지하는 이상 감지부를 포함한다.
Description
개시되는 실시예들은 태양광 발전 시스템의 이상을 감지하는 기술에 관한 것이다.
태양광 발전은 광전효과를 기반으로 태양광을 전기에너지로 변환하는 발전 기술로서, 에너지원으로 자연광원인 태양을 이용하기 때문에 주변 환경에 의해 발전량이 간헐적으로 변화할 수 있으며, 이에 따라 발전 시스템의 생산성을 유지하여 신뢰성을 확보하는 것이 시급한 과제로 꼽힌다.
태양광 발전 시스템의 생산성을 유지하고 신뢰성을 제고하기 위해서는 다양한 방안이 고려될 수 있겠으나, 기본적으로는 태양광 발전 시스템의 이상을 감지하여 정상적인 작동 상태를 유지하고, 적시에 유지 보수를 수행할 수 있도록 하는 것이 중요하다.
그러나 종래의 태양광 발전 시스템 이상 감지 기술에 따르면, 태양광 발전 시스템의 이상 여부를 판별하기 위해서는 추가적인 센서를 설치하여 태양광 모듈의 특성을 파악해야 하며, 이상 진단을 위한 데이터를 획득하기 위해 시스템 운영자가 직접 이상에 대한 정보를 기록하고 관리해야 한다.
이러한 추가적인 센서 설치와 직접적인 정보 기록 및 관리에는 과다한 비용이 소요되므로, 소규모 태양광 발전 시스템에는 적용이 어려울 뿐만 아니라 새로운 센서를 설치하지 않고 기존의 태양광 발전 시스템에 즉각적으로 적용할 수도 없는 문제가 있다.
개시되는 실시예들은 전력변환장치 기반의 데이터를 활용하여 태양광 발전 시스템의 이상을 감지하기 위한 것이다.
개시되는 일 실시예에 따른 태양광 발전 시스템 이상 감지 장치는 태양광 발전 시스템을 구성하는 복수의 센서로부터, 상기 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득하는 데이터 획득부; 상기 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 상기 태양광 발전 시스템의 예상 발전량을 추정하는 발전량 추정부; 상기 태양광 발전 시스템의 실제 발전량과 상기 예상 발전량 사이의 잔차(Residual)에 기초하여, 상기 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류하는 라벨링부; 및 상기 정상 데이터 셋과 상기 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 상기 태양광 발전 시스템의 이상을 감지하는 이상 감지부를 포함한다.
상기 태양광 발전 시스템은, 복수의 태양광 패널로 구성된 태양광 모듈; 및 상기 태양광 모듈과 연결되어 상기 태양광 발전 시스템에서 발생하는 전류 및 전압을 측정 및 제어하는 전력 변환 장치를 포함할 수 있다.
상기 복수의 센싱 데이터 셋은, 상기 태양광 발전 시스템 내 태양광 모듈의 발생 전력, 상기 태양광 모듈의 직류 전압 값, 상기 태양광 모듈의 직류 전류 값, 상기 태양광 모듈이 받는 일사량, 상기 태양광 모듈의 온도 및 상기 태양광 모듈로부터 기 설정된 거리만큼 이격된 지점에서 측정된 주변부 온도 중 적어도 하나를 포함할 수 있다.
상기 회귀 모델은, 릿지 회귀(Ridge Regression) 메커니즘에 기초하여 학습될 수 있다.
상기 회귀 모델은, 상기 실제 발전량과 상기 예상 발전량 사이의 잔차에 기초하여 정의된 손실 함수의 값이 최소가 되도록 하는 최적 벡터를 구하고, 상기 릿지 회귀에 사용되는 회귀 계수 벡터를 상기 최적 벡터로 갱신할 수 있다.
상기 라벨링부는, 상기 태양광 발전 시스템의 특정 시점의 실제 발전량과 상기 특정 시점의 예상 발전량 사이의 잔차가 기 설정된 임계치 이상인 경우, 상기 특정 시점의 센싱 데이터 셋을 이상 데이터 셋으로 분류할 수 있다.
상기 분류 모델은, 상기 정상 데이터 셋과 상기 이상 데이터 셋을 이진 분류하는 초평면(Hyperplane)을 구축하는 서포트 벡터 머신(SVM; Support Vector Machine)일 수 있다.
상기 태양광 발전 시스템 이상 감지 장치는, 현재 장소에서의 위도(Latitude), 경도(Longitude) 및 태양의 적위(Declination)에 기초하여 현재 장소에서의 일광시간대를 추정하고, 상기 데이터 획득부, 상기 발전량 추정부, 상기 라벨링부 및 상기 이상 감지부가 상기 일광시간대 내에서만 구동하도록 제어하는 제어부를 더 포함할 수 있다.
상기 태양광 발전 시스템 이상 감지 장치는, 상기 복수의 센싱 데이터 셋을 구성하는 데이터의 종류에 각각 대응되는 복수의 데이터 변수에 대해, 상기 복수의 데이터 변수 각각의 단위 변화량에 따른 상기 이상 감지부의 감지 오차율 증감폭에 기초하여 변수 중요도를 각각 부여하고, 상기 복수의 센싱 데이터 셋을 구성하는 데이터 중 기 설정된 임계치 이상의 변수 중요도를 갖는 데이터 변수에 대응되는 데이터만으로 구성된 복수의 중요 데이터 셋을 추출하는 데이터 추출부를 더 포함할 수 있고, 상기 발전량 추정부, 상기 라벨링부 및 상기 이상 감지부는 상기 복수의 센싱 데이터 셋 대신 상기 복수의 중요 데이터 셋에 기초하여 구동할 수 있다.
개시되는 일 실시예에 따른 태양광 발전 시스템 이상 감지 방법은, 태양광 발전 시스템을 구성하는 복수의 센서로부터, 상기 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득하는 단계; 상기 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 상기 태양광 발전 시스템의 예상 발전량을 추정하는 단계; 상기 태양광 발전 시스템의 실제 발전량과 상기 예상 발전량 사이의 잔차(Residual)에 기초하여, 상기 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류하는 단계; 및 상기 정상 데이터 셋과 상기 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 상기 태양광 발전 시스템의 이상을 감지하는 단계를 포함한다.
상기 태양광 발전 시스템은, 복수의 태양광 패널로 구성된 태양광 모듈; 및 상기 태양광 모듈과 연결되어 상기 태양광 발전 시스템에서 발생하는 전류 및 전압을 측정 및 제어하는 전력 변환 장치를 포함할 수 있다.
상기 복수의 센싱 데이터 셋은, 상기 태양광 발전 시스템 내 태양광 모듈의 발생 전력, 상기 태양광 모듈의 직류 전압 값, 상기 태양광 모듈의 직류 전류 값, 상기 태양광 모듈이 받는 일사량, 상기 태양광 모듈의 온도 및 상기 태양광 모듈로부터 기 설정된 거리만큼 이격된 지점에서 측정된 주변부 온도 중 적어도 하나를 포함할 수 있다.
상기 회귀 모델은, 릿지 회귀(Ridge Regression) 메커니즘에 기초하여 학습될 수 있다.
상기 회귀 모델은, 상기 실제 발전량과 상기 예상 발전량 사이의 잔차에 기초하여 정의된 손실 함수의 값이 최소가 되도록 하는 최적 벡터를 구하고, 상기 릿지 회귀에 사용되는 회귀 계수 벡터를 상기 최적 벡터로 갱신할 수 있다.
상기 분류하는 단계는, 상기 태양광 발전 시스템의 특정 시점의 실제 발전량과 상기 특정 시점의 예상 발전량 사이의 잔차가 기 설정된 임계치 이상인 경우, 상기 특정 시점의 센싱 데이터 셋을 이상 데이터 셋으로 분류할 수 있다.
상기 분류 모델은, 상기 정상 데이터 셋과 상기 이상 데이터 셋을 이진 분류하는 초평면(Hyperplane)을 구축하는 서포트 벡터 머신(SVM; Support Vector Machine)일 수 있다.
상기 태양광 발전 시스템 이상 감지 방법은, 현재 장소에서의 위도(Latitude), 경도(Longitude) 및 태양의 적위(Declination)에 기초하여 현재 장소에서의 일광시간대를 추정하고, 상기 데이터 획득부, 상기 발전량 추정부, 상기 라벨링부 및 상기 이상 감지부가 상기 일광시간대 내에서만 구동하도록 제어하는 단계를 더 포함할 수 있다.
상기 태양광 발전 시스템 이상 감지 방법은, 상기 복수의 센싱 데이터 셋을 구성하는 데이터의 종류에 각각 대응되는 복수의 데이터 변수에 대해, 상기 복수의 데이터 변수 각각의 단위 변화량에 따른 상기 이상 감지부의 감지 오차율 증감폭에 기초하여 변수 중요도를 각각 부여하는 단계; 및 상기 복수의 센싱 데이터 셋을 구성하는 데이터 중 기 설정된 임계치 이상의 변수 중요도를 갖는 데이터 변수에 대응되는 데이터만으로 구성된 복수의 중요 데이터 셋을 추출하는 단계를 더 포함할 수 있고, 상기 추정하는 단계, 상기 분류하는 단계 및 상기 감지하는 단계는 상기 복수의 센싱 데이터 셋 대신 상기 복수의 중요 데이터 셋에 기초하여 수행될 수 있다.
개시되는 실시예들에 따르면, 기존의 태양광 발전 시스템의 구성 이외의 추가적인 센서나 부품 없이 회귀 모델 및 분류 모델을 학습하여 이상 감지를 수행함으로써, 불필요한 비용을 절감하여 소규모 태양광 발전 시스템에도 용이하게 적용될 수 있다.
또한 개시되는 실시예들에 따르면, 태양광 발전 시스템 운영자의 개입이 없이 지속적으로 이상 데이터 셋을 분류하고 확보함으로써, 이상 감지 정확도를 점진적으로 향상시킬 수 있다.
도 1은 일 실시예에 따른 태양광 발전 시스템 이상 감지 시스템을 개괄적으로 나타내는 블록도
도 2는 일 실시예에 따른 태양광 발전 시스템 이상 감지 장치를 설명하기 위한 블록도
도 3은 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치를 설명하기 위한 블록도
도 4는 또 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치를 설명하기 위한 블록도
도 5는 일 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도
도 6은 다른 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도
도 7은 또 다른 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도
도 8은 일 실시예에 따른 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 2는 일 실시예에 따른 태양광 발전 시스템 이상 감지 장치를 설명하기 위한 블록도
도 3은 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치를 설명하기 위한 블록도
도 4는 또 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치를 설명하기 위한 블록도
도 5는 일 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도
도 6은 다른 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도
도 7은 또 다른 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도
도 8은 일 실시예에 따른 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 개시되는 실시예들은 이에 제한되지 않는다.
실시예들을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 개시되는 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 개시되는 실시예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1은 일 실시예에 따른 태양광 발전 시스템 이상 감지 시스템(100)을 개괄적으로 나타내는 블록도이다.
도시된 바와 같이, 일 실시예에 따른 태양광 발전 시스템 이상 감지 시스템(100)은 태양광 모듈(110), 전력변환장치(120) 및 태양광 발전 시스템 이상 감지 장치(150)를 포함하며, 실시예에 따라서는 일사계(130) 또는 온도계(140)를 더 포함할 수도 있다.
태양광 모듈(110)은 복수의 태양광 셀이 직렬 또는 병렬로 연결된 장치이다.
구체적으로, 태양광 셀은 광전효과(Photoelectric effect)에 기반하여 태양광을 전기에너지로 변환하는 기본 소자를 의미한다. 실시예에 따라서, 태양광 셀은 실리콘을 재료로 구성될 수 있으며, 단결정질 셀(Mono-crystalline cell) 또는 다결정질 셀(Multi-crystalline cell)로 구분될 수 있다.
일 실시예에 따르면, 태양광 모듈(110)은 태양광 셀의 취약한 내구성을 보완하기 위하여 표면유리, 충진재, 태양광 셀, 후면시트 등이 결합된 프레임에 케이블과 배전반이 결합된 형태일 수 있다.
전력변환장치(120)는 태양광 모듈(110)과 연결되어 태양광 발전 시스템에서 발생하는 전류 및 전압을 측정 및 제어한다.
또한, 전력변환장치(120)는 태양광 모듈(110)에서 생성된 전기에너지를 배터리(미도시)에 저장하거나, 계통으로 방출하기 위해 생성된 전기의 전압, 직교류 여부 등을 변환한다.
태양광 발전 시스템 이상 감지 장치(150)는 태양광 모듈(110)과 연결된 전력변환장치(120)로부터 기 설정된 단위 시간마다 측정되는 전력, 직류 전압, 직류 전류 등의 데이터를 수신하고, 실시예에 따라서는 일사계(130)로부터 태양광 모듈(110)이 받는 일사량의 데이터를 수신하거나, 온도계(140)로부터 온도 데이터를 수신할 수 있다.
이때, 온도 데이터는 온도계(140)가 태양광 모듈(110)에 연결된 경우, 태양광 모듈(110)의 온도에 대한 데이터일 수 있으며, 온도계(140)가 태양광 모듈(110)로부터 기 설정된 거리만큼 이격되어 있는 경우, 해당 이격된 지점에서 측정된 온도에 대한 데이터일 수 있다.
이후, 태양광 발전 시스템 이상 감지 장치(150)는 수신한 데이터를 바탕으로 태양광 모듈(110)과 전력변환장치(120)를 포함한 태양광 발전 시스템 전반에 현재 이상이 존재하는지 여부를 감지한다. 이와 관련하여, 이하의 도 2 내지 도 4를 참조하여 상세히 후술하기로 한다.
상술한 실시예들에서, 전력변환장치(120), 일사계(130) 또는 온도계(140)와 태양광 발전 시스템 이상 감지 장치(150)는 통신 네트워크를 통해 데이터를 주고받을 수 있다. 이때, 통신 네트워크는 인터넷, 하나 이상의 로컬 영역 네트워크(local area networks), 광역 네트워크(wire area networks), 셀룰러 네트워크, 모바일 네트워크, 그 밖에 다른 종류의 네트워크들, 또는 이러한 네트워크들의 조합을 포함할 수 있다.
도 2는 일 실시예에 따른 태양광 발전 시스템 이상 감지 장치(150)를 설명하기 위한 블록도이다.
도시된 바와 같이, 일 실시예에 따른 태양광 발전 시스템 이상 감지 장치(150)는 데이터 획득부(151), 발전량 추정부(152), 라벨링부(153) 및 이상 감지부(154)를 포함한다.
데이터 획득부(151)는 태양광 발전 시스템을 구성하는 복수의 센서로부터, 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득한다.
일 실시예에 따르면, 태양광 발전 시스템은 복수의 태양광 패널로 구성된 태양광 모듈 및 태양광 모듈과 연결되어 태양광 발전 시스템에서 발생하는 전류 및 전압을 측정 및 제어하는 전력 변환 장치를 포함할 수 있다.
일 실시예에 따르면, 데이터 획득부(151)는 태양광 발전 시스템을 구성하는 복수의 센서와 연결된 데이터 로거(Data logger)와 통신하여, 데이터 로거에 의해 수집된 복수의 센싱 데이터 셋을 획득할 수 있다.
일 실시예에 따르면, 복수의 센싱 데이터 셋은 태양광 발전 시스템 내 태양광 모듈의 발생 전력, 태양광 모듈의 직류 전압 값, 태양광 모듈의 직류 전류 값, 태양광 모듈이 받는 일사량, 태양광 모듈의 온도 및 태양광 모듈로부터 기 설정된 거리만큼 이격된 지점에서 측정된 주변부 온도 중 적어도 하나를 포함할 수 있다.
발전량 추정부(152)는 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 태양광 발전 시스템의 예상 발전량을 추정한다.
일 실시예에 따르면, 회귀 모델은 복수의 센싱 데이터 셋에 기초하여 학습되는 머신 러닝(Machine learning) 기반의 모델일 수 있다.
구체적으로, 회귀 모델은 현재 시점을 기준으로 복수의 이전 시점에 획득된 센싱 데이터 셋과, 각 센싱 데이터 셋에 대응되는 이전 시점의 실제 발전량을 학습 데이터로 하여 학습될 수 있다.
일 실시예에 따르면, 회귀 모델은 릿지 회귀(Ridge Regression) 메커니즘에 기초하여 학습될 수 있다.
구체적으로, 회귀 모델은 태양광 발전 시스템의 실제 발전량과 예상 발전량 사이의 잔차(Residual)에 기초하여 정의된 손실 함수의 값이 최소가 되도록 하는 최적 벡터를 구하고, 릿지 회귀에 사용되는 회귀 계수 벡터를 최적 벡터로 갱신함으로써 학습될 수 있다.
보다 상세하게, 회귀 모델은 릿지 회귀식 상의 회귀 계수 벡터를 경사 하강법(Gradient descent)을 사용하여 추정함으로써 최적 벡터를 구할 수 있다.
일 실시예에 따르면, 회귀 모델은 아래의 수학식 1에 기반하여 태양광 발전 시스템의 예상 발전량을 추정할 수 있다.
[수학식 1]
이때, 
는 태양광 발전 시스템의 예상 발전량, 
는 회귀 계수 벡터, 
는 센싱 데이터 셋, 
는 종속 변수와 독립 변수 사이의 오차를 반영하는 오차항을 나타낸다.
한편, 태양광 발전 시스템의 실제 발전량과 예상 발전량 사이의 잔차(Residual)에 기초하여 정의된 손실 함수는 아래의 수학식 2로 정의될 수 있다.
[수학식 2]
이때, 
는 태양광 발전 시스템의 i번째 실제 발전량, 
는 태양광 발전 시스템의 i번째 예상 발전량, 
는 릿지 규제, N은 현재 시점을 기준으로 직전 시점까지의 발전량 예상 횟수를 나타낸다.
라벨링부(153)는 태양광 발전 시스템의 실제 발전량과 예상 발전량 사이의 잔차에 기초하여, 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류한다.
일 실시예에 따르면, 라벨링부(153)는 태양광 발전 시스템의 특정 시점의 실제 발전량과 해당 특정 시점의 예상 발전량 사이의 잔차가 기 설정된 임계치 이상인 경우, 해당 특정 시점의 센싱 데이터 셋을 이상 데이터 셋으로 분류할 수 있다.
예를 들어, 라벨링부(153)는 특정 시점을 기준으로 직전 시점까지 산출된 잔차를 기반으로 잔차 분포를 생성하고, 해당 잔차 분포 상의 잔차들 중 최대값을 갖는 잔차를 임계치로 설정할 수 있다. 그러나 적절한 임계치를 설정하는 방법은 이에 한정되는 것은 아니다.
이상 감지부(154)는 정상 데이터 셋과 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 태양광 발전 시스템의 이상을 감지한다.
일 실시예에 따르면, 분류 모델은 정상 데이터 셋과 이상 데이터 셋을 이진 분류하는 초평면(Hyperplane)을 구축하는 서포트 벡터 머신(SVM; Support Vector Machine)일 수 있다.
도 3은 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치(150)를 설명하기 위한 블록도이다.
도시된 바와 같이, 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치(150)는 데이터 획득부(151), 발전량 추정부(152), 라벨링부(153) 및 이상 감지부(154) 외에도 제어부(155)를 더 포함한다.
이 중 데이터 획득부(151), 발전량 추정부(152), 라벨링부(153) 및 이상 감지부(154)는, 도 2를 참조하여 설명한 바와 동일 또는 유사한 기능을 수행하므로, 이에 대한 보다 구체적인 설명은 생략하도록 한다.
제어부(155)는 현재 장소에서의 위도(Latitude), 경도(Longitude) 및 태양의 적위(Declination)에 기초하여 현재 장소에서의 일광시간대를 추정한다.
이후, 제어부(155)는 데이터 획득부(151), 발전량 추정부(152), 라벨링부(153) 및 이상 감지부(154)가 추정된 일광시간대 내에서만 구동하도록 제어한다.
구체적으로, '현재 장소'라 함은 태양광 발전 시스템이 위치한 현재의 장소를 의미한다.
일 실시예에 따르면, 제어부(155)는 아래의 수학식 3 내지 7에 기반하여 현재 장소에서의 일출시간 및 일몰시간을 산출함으로써 하루 중의 일광시간대를 추정할 수 있다.
[수학식 3]
[수학식 4]
[수학식 5]
[수학식 6]
[수학식 7]
이때, 
은 일출시간 또는 일몰시간, 
은 일출시간의 각도 또는 일몰시간의 각도, LTM은 자오선의 각도, LG는 경도, E는 시간 방정식(EoT), LT는 위도, 
는 태양의 적위, n은 1년의 일수를 나타낸다.
도 4는 또 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치(150)를 설명하기 위한 블록도이다.
도시된 바와 같이, 또 다른 실시예에 따른 태양광 발전 시스템 이상 감지 장치(150)는 데이터 획득부(151), 발전량 추정부(152), 라벨링부(153) 및 이상 감지부(154) 외에도 데이터 추출부(156)를 더 포함한다.
이 중 데이터 획득부(151), 발전량 추정부(152), 라벨링부(153) 및 이상 감지부(154)는, 도 2를 참조하여 설명한 바와 동일 또는 유사한 기능을 수행하므로, 이에 대한 보다 구체적인 설명은 생략하도록 한다.
데이터 추출부(156)는 복수의 센싱 데이터 셋을 구성하는 데이터의 종류에 각각 대응되는 복수의 데이터 변수에 대해, 복수의 데이터 변수 각각의 단위 변화량에 따른 이상 감지부(154)의 감지 오차율 증감폭에 기초하여 변수 중요도를 각각 부여한다.
구체적인 예시로서, 어떠한 데이터 변수를 단위 변화량만큼 변화시켰을 때 분류 모델의 이상 감지에 대한 오차율이 크게 증가한다면, 해당 데이터 변수의 변수 중요도는 상대적으로 높게 평가될 수 있다.
이후, 데이터 추출부(156)는 복수의 센싱 데이터 셋을 구성하는 데이터 중 기 설정된 임계치 이상의 변수 중요도를 갖는 데이터 변수에 대응되는 데이터만으로 구성된 복수의 중요 데이터 셋을 추출한다.
이 경우, 발전량 추정부(152), 라벨링부(153) 및 이상 감지부(154)는 데이터 획득부(151)에 의해 획득된 복수의 센싱 데이터 셋 대신, 데이터 추출부(156)가 추출한 복수의 중요 데이터 셋에 기초하여 구동한다.
일 실시예에 따르면, 데이터 추출부(156)는 트리(Tree) 기반 모델을 이용하여 복수의 데이터 변수 각각의 변수 중요도를 산출할 수 있다.
일 실시예에 따르면, 변수 중요도는 0 이상 1 사이의 실수 값일 수 있다.
상기 도 2 내지 도 4에 도시된 실시예에서, 각 구성들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 구성을 포함할 수 있다.
또한, 상기 도 2 내지 도 4에 도시된 실시예에서, 데이터 획득부(151), 발전량 추정부(152), 라벨링부(153), 이상 감지부(154), 제어부(155) 및 데이터 추출부(156)는 물리적으로 구분된 하나 이상의 장치를 이용하여 구현되거나, 하나 이상의 프로세서 또는 하나 이상의 프로세서 및 소프트웨어의 결합에 의해 구현될 수 있으며, 도시된 예와 달리 구체적 동작에 있어 명확히 구분되지 않을 수 있다.
도 5는 일 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도이다.
도 5에 도시된 방법은 예를 들어, 상기 도 2를 참조하여 상술한 태양광 발전 시스템 이상 감지 장치(150)에 의해 수행될 수 있다.
우선, 태양광 발전 시스템 이상 감지 장치(150)는 태양광 발전 시스템을 구성하는 복수의 센서로부터, 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득한다(510).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 태양광 발전 시스템의 예상 발전량을 추정한다(520).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 태양광 발전 시스템의 실제 발전량과 예상 발전량 사이의 잔차에 기초하여, 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류한다(530).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 정상 데이터 셋과 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 태양광 발전 시스템의 이상을 감지한다(540).
도 6은 다른 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도이다.
도 6에 도시된 방법은 예를 들어, 상기 도 3을 참조하여 상술한 태양광 발전 시스템 이상 감지 장치(150)에 의해 수행될 수 있다.
우선, 태양광 발전 시스템 이상 감지 장치(150)는 현재 장소에서의 위도, 경도 및 태양의 적위에 기초하여 현재 장소에서의 일광시간대를 추정한다(610).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 현재 시점이 추정된 일광시간대에 속하는 시점인지 판단한다(620).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 현재 시점이 추정된 일광시간대에 속한다고 판단된 경우, 태양광 발전 시스템을 구성하는 복수의 센서로부터, 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득한다(630).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 태양광 발전 시스템의 예상 발전량을 추정한다(640).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 태양광 발전 시스템의 실제 발전량과 예상 발전량 사이의 잔차에 기초하여, 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류한다(650).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 정상 데이터 셋과 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 태양광 발전 시스템의 이상을 감지한다(660).
한편, 태양광 발전 시스템 이상 감지 장치(150)는 현재 시점이 추정된 일광시간대에 속하지 않는다고 판단된 경우, 태양광 발전 시스템의 이상을 감지하기 위한 일련의 구동을 중지할 수 있다.
도 7은 또 다른 실시예에 따른 태양광 발전 시스템 이상 감지 방법을 설명하기 위한 흐름도이다.
도 7에 도시된 방법은 예를 들어, 상기 도 4를 참조하여 상술한 태양광 발전 시스템 이상 감지 장치(150)에 의해 수행될 수 있다.
우선, 태양광 발전 시스템 이상 감지 장치(150)는 태양광 발전 시스템을 구성하는 복수의 센서로부터, 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득한다(710).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 복수의 센싱 데이터 셋을 구성하는 데이터의 종류에 각각 대응되는 복수의 데이터 변수에 대해, 복수의 데이터 변수 각각의 단위 변화량에 따른 감지 오차율 증감폭에 기초하여 변수 중요도를 각각 부여한다(720).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 복수의 센싱 데이터 셋을 구성하는 데이터 중 기 설정된 임계치 이상의 변수 중요도를 갖는 데이터 변수에 대응되는 데이터만으로 구성된 복수의 중요 데이터 셋을 추출한다(730).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 복수의 중요 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 태양광 발전 시스템의 예상 발전량을 추정한다(740).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 태양광 발전 시스템의 실제 발전량과 예상 발전량 사이의 잔차(Residual)에 기초하여, 복수의 중요 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류한다(750).
이후, 태양광 발전 시스템 이상 감지 장치(150)는 정상 데이터 셋과 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 태양광 발전 시스템의 이상을 감지한다(760).
상기 도 5 내지 도 7에 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 8은 일 실시예에 따른 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 상기 도 2 내지 도 4 중 어느 하나에 도시된 태양광 발전 시스템 이상 감지 장치(150)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100: 태양광 발전 시스템 이상 감지 시스템
110: 태양광 모듈
120: 전력변환장치
130: 일사계
140: 온도계
150: 태양광 발전 시스템 이상 감지 장치
151: 데이터 획득부
152: 발전량 추정부
153: 라벨링부
154: 이상 감지부
155: 제어부
156: 데이터 추출부
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100: 태양광 발전 시스템 이상 감지 시스템
110: 태양광 모듈
120: 전력변환장치
130: 일사계
140: 온도계
150: 태양광 발전 시스템 이상 감지 장치
151: 데이터 획득부
152: 발전량 추정부
153: 라벨링부
154: 이상 감지부
155: 제어부
156: 데이터 추출부
Claims (18)
- 태양광 발전 시스템을 구성하는 복수의 센서로부터, 상기 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득하는 데이터 획득부;
상기 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 상기 태양광 발전 시스템의 예상 발전량을 추정하는 발전량 추정부;
상기 태양광 발전 시스템의 실제 발전량과 상기 예상 발전량 사이의 잔차(Residual)에 기초하여, 상기 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류하는 라벨링부; 및
상기 정상 데이터 셋과 상기 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 상기 태양광 발전 시스템의 이상을 감지하는 이상 감지부를 포함하며,
상기 회귀 모델은, 릿지 회귀(Ridge Regression) 메커니즘에 기초하여 학습되고,
상기 회귀 모델은, 상기 실제 발전량과 상기 예상 발전량 사이의 잔차에 기초하여 정의된 손실 함수의 값이 최소가 되도록 하는 최적 벡터를 구하고, 상기 릿지 회귀에 사용되는 회귀 계수 벡터를 상기 최적 벡터로 갱신하는, 태양광 발전 시스템 이상 감지 장치. - 청구항 1항에 있어서,
상기 태양광 발전 시스템은,
복수의 태양광 패널로 구성된 태양광 모듈; 및
상기 태양광 모듈과 연결되어 상기 태양광 발전 시스템에서 발생하는 전류 및 전압을 측정 및 제어하는 전력 변환 장치를 포함하는, 태양광 발전 시스템 이상 감지 장치. - 청구항 1항에 있어서,
상기 복수의 센싱 데이터 셋은,
상기 태양광 발전 시스템 내 태양광 모듈의 발생 전력, 상기 태양광 모듈의 직류 전압 값, 상기 태양광 모듈의 직류 전류 값, 상기 태양광 모듈이 받는 일사량, 상기 태양광 모듈의 온도 및 상기 태양광 모듈로부터 기 설정된 거리만큼 이격된 지점에서 측정된 주변부 온도 중 적어도 하나를 포함하는, 태양광 발전 시스템 이상 감지 장치. - 삭제
- 삭제
- 청구항 1항에 있어서,
상기 라벨링부는,
상기 태양광 발전 시스템의 특정 시점의 실제 발전량과 상기 특정 시점의 예상 발전량 사이의 잔차가 기 설정된 임계치 이상인 경우, 상기 특정 시점의 센싱 데이터 셋을 이상 데이터 셋으로 분류하는, 태양광 발전 시스템 이상 감지 장치. - 청구항 1항에 있어서,
상기 분류 모델은,
상기 정상 데이터 셋과 상기 이상 데이터 셋을 이진 분류하는 초평면(Hyperplane)을 구축하는 서포트 벡터 머신(SVM; Support Vector Machine)인, 태양광 발전 시스템 이상 감지 장치. - 청구항 1항에 있어서,
현재 장소에서의 위도(Latitude), 경도(Longitude) 및 태양의 적위(Declination)에 기초하여 현재 장소에서의 일광시간대를 추정하고, 상기 데이터 획득부, 상기 발전량 추정부, 상기 라벨링부 및 상기 이상 감지부가 상기 일광시간대 내에서만 구동하도록 제어하는 제어부를 더 포함하는, 태양광 발전 시스템 이상 감지 장치. - 태양광 발전 시스템을 구성하는 복수의 센서로부터, 상기 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득하는 데이터 획득부;
상기 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 상기 태양광 발전 시스템의 예상 발전량을 추정하는 발전량 추정부;
상기 태양광 발전 시스템의 실제 발전량과 상기 예상 발전량 사이의 잔차(Residual)에 기초하여, 상기 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류하는 라벨링부;
상기 정상 데이터 셋과 상기 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 상기 태양광 발전 시스템의 이상을 감지하는 이상 감지부; 및
상기 복수의 센싱 데이터 셋을 구성하는 데이터의 종류에 각각 대응되는 복수의 데이터 변수에 대해, 상기 복수의 데이터 변수 각각의 단위 변화량에 따른 상기 이상 감지부의 감지 오차율 증감폭에 기초하여 변수 중요도를 각각 부여하고, 상기 복수의 센싱 데이터 셋을 구성하는 데이터 중 기 설정된 임계치 이상의 변수 중요도를 갖는 데이터 변수에 대응되는 데이터만으로 구성된 복수의 중요 데이터 셋을 추출하는 데이터 추출부를 포함하고,
상기 발전량 추정부, 상기 라벨링부 및 상기 이상 감지부는 상기 복수의 센싱 데이터 셋 대신 상기 복수의 중요 데이터 셋에 기초하여 구동하는, 태양광 발전 시스템 이상 감지 장치. - 태양광 발전 시스템을 구성하는 복수의 센서로부터, 상기 태양광 발전 시스템 내외부의 복수의 센싱 데이터 셋을 획득하는 단계;
상기 복수의 센싱 데이터 셋에 기초하여 학습되는 회귀 모델을 이용하여 상기 태양광 발전 시스템의 예상 발전량을 추정하는 단계;
상기 태양광 발전 시스템의 실제 발전량과 상기 예상 발전량 사이의 잔차(Residual)에 기초하여, 상기 복수의 센싱 데이터 셋을 정상 데이터 셋과 이상 데이터 셋으로 분류하는 단계; 및
상기 정상 데이터 셋과 상기 이상 데이터 셋에 기초하여 학습되는 분류 모델에 현재 시점의 센싱 데이터 셋을 입력하여, 현재 시점의 상기 태양광 발전 시스템의 이상을 감지하는 단계를 포함하며,
상기 회귀 모델은, 릿지 회귀(Ridge Regression) 메커니즘에 기초하여 학습되고,
상기 회귀 모델은, 상기 실제 발전량과 상기 예상 발전량 사이의 잔차에 기초하여 정의된 손실 함수의 값이 최소가 되도록 하는 최적 벡터를 구하고, 상기 릿지 회귀에 사용되는 회귀 계수 벡터를 상기 최적 벡터로 갱신하는, 태양광 발전 시스템 이상 감지 방법. - 청구항 10항에 있어서,
상기 태양광 발전 시스템은,
복수의 태양광 패널로 구성된 태양광 모듈; 및
상기 태양광 모듈과 연결되어 상기 태양광 발전 시스템에서 발생하는 전류 및 전압을 측정 및 제어하는 전력 변환 장치를 포함하는, 태양광 발전 시스템 이상 감지 방법. - 청구항 10항에 있어서,
상기 복수의 센싱 데이터 셋은,
상기 태양광 발전 시스템 내 태양광 모듈의 발생 전력, 상기 태양광 모듈의 직류 전압 값, 상기 태양광 모듈의 직류 전류 값, 상기 태양광 모듈이 받는 일사량, 상기 태양광 모듈의 온도 및 상기 태양광 모듈로부터 기 설정된 거리만큼 이격된 지점에서 측정된 주변부 온도 중 적어도 하나를 포함하는, 태양광 발전 시스템 이상 감지 방법. - 삭제
- 삭제
- 청구항 10항에 있어서,
상기 분류하는 단계는,
상기 태양광 발전 시스템의 특정 시점의 실제 발전량과 상기 특정 시점의 예상 발전량 사이의 잔차가 기 설정된 임계치 이상인 경우, 상기 특정 시점의 센싱 데이터 셋을 이상 데이터 셋으로 분류하는, 태양광 발전 시스템 이상 감지 방법. - 청구항 10항에 있어서,
상기 분류 모델은,
상기 정상 데이터 셋과 상기 이상 데이터 셋을 이진 분류하는 초평면(Hyperplane)을 구축하는 서포트 벡터 머신(SVM; Support Vector Machine)인, 태양광 발전 시스템 이상 감지 방법. - 청구항 10항에 있어서,
현재 장소에서의 위도(Latitude), 경도(Longitude) 및 태양의 적위(Declination)에 기초하여 현재 장소에서의 일광시간대를 추정하고, 상기 복수의 센싱 데이터 셋을 획득하는 단계, 상기 예상 발전량을 추정하는 단계, 상기 분류하는 단계, 및 상기 이상을 감지하는 단계가 상기 일광시간대 내에서만 구동하도록 제어하는 단계를 더 포함하는, 태양광 발전 시스템 이상 감지 방법. - 청구항 10항에 있어서,
상기 복수의 센싱 데이터 셋을 구성하는 데이터의 종류에 각각 대응되는 복수의 데이터 변수에 대해, 상기 복수의 데이터 변수 각각의 단위 변화량에 따른 감지 오차율 증감폭에 기초하여 변수 중요도를 각각 부여하는 단계; 및
상기 복수의 센싱 데이터 셋을 구성하는 데이터 중 기 설정된 임계치 이상의 변수 중요도를 갖는 데이터 변수에 대응되는 데이터만으로 구성된 복수의 중요 데이터 셋을 추출하는 단계를 더 포함하고,
상기 추정하는 단계, 상기 분류하는 단계 및 상기 감지하는 단계는 상기 복수의 센싱 데이터 셋 대신 상기 복수의 중요 데이터 셋에 기초하여 수행되는, 태양광 발전 시스템 이상 감지 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200174526A KR102473018B1 (ko) | 2020-12-14 | 2020-12-14 | 태양광 발전 시스템 이상 감지 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200174526A KR102473018B1 (ko) | 2020-12-14 | 2020-12-14 | 태양광 발전 시스템 이상 감지 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220084746A KR20220084746A (ko) | 2022-06-21 |
| KR102473018B1 true KR102473018B1 (ko) | 2022-12-01 |
Family
ID=82221053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200174526A KR102473018B1 (ko) | 2020-12-14 | 2020-12-14 | 태양광 발전 시스템 이상 감지 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102473018B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102524158B1 (ko) * | 2022-09-28 | 2023-04-24 | 주식회사 커널로그 | 디지털 트윈 기반 태양광 발전소 관리 솔루션 제공 방법 및 장치 |
| CN117708689B (zh) * | 2024-02-05 | 2024-04-30 | 锦浪科技股份有限公司 | 一种基于距离特征法的光伏组件故障检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014179464A (ja) | 2013-03-14 | 2014-09-25 | Omron Corp | 太陽光発電システム、異常判断処理装置、異常判断処理方法、およびプログラム |
| JP2020188549A (ja) | 2019-05-10 | 2020-11-19 | 東北電力株式会社 | 太陽光発電出力予測装置、太陽光発電出力予測方法、及びプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5242235A (en) | 1975-10-01 | 1977-04-01 | Mitsubishi Electric Corp | Conducting device |
| KR20170126623A (ko) * | 2016-05-10 | 2017-11-20 | (주)유에너지 | 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템 |
-
2020
- 2020-12-14 KR KR1020200174526A patent/KR102473018B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014179464A (ja) | 2013-03-14 | 2014-09-25 | Omron Corp | 太陽光発電システム、異常判断処理装置、異常判断処理方法、およびプログラム |
| JP2020188549A (ja) | 2019-05-10 | 2020-11-19 | 東北電力株式会社 | 太陽光発電出力予測装置、太陽光発電出力予測方法、及びプログラム |
Non-Patent Citations (1)
| Title |
|---|
| Fauzan Hanif Jufri. et al. Development of Photovoltaic abnormal condition detection system using combined regression and Support Vector Machine. Energy 176(2019), 4 Apr 2019, pp.457-467.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220084746A (ko) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ogliari et al. | Physical and hybrid methods comparison for the day ahead PV output power forecast | |
| KR102014339B1 (ko) | 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치 | |
| KR102473018B1 (ko) | 태양광 발전 시스템 이상 감지 장치 및 방법 | |
| US11108575B2 (en) | Training models for IOT devices | |
| US20170286838A1 (en) | Predicting solar power generation using semi-supervised learning | |
| US10732319B2 (en) | Forecasting solar power output | |
| US11340564B2 (en) | Method and control device for controlling a technical system | |
| JP5746098B2 (ja) | 自然エネルギーを利用した発電システムの劣化診断装置 | |
| CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
| US20150142347A1 (en) | Solar Energy Disaggregation Techniques for Whole-House Energy Consumption Data | |
| EP3709232B1 (en) | Estimating performance of photovoltaic systems | |
| Wang et al. | A real-time electrical load forecasting and unsupervised anomaly detection framework | |
| TW202010243A (zh) | 太陽能光電故障檢測系統及方法 | |
| KR102296309B1 (ko) | 태양광 발전량 예측 장치 및 그 방법 | |
| US20190037638A1 (en) | Split predictions for iot devices | |
| CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
| Sairam et al. | Edge-based Explainable Fault Detection Systems for photovoltaic panels on edge nodes | |
| WO2021163287A1 (en) | Predictive modeling for tintable windows | |
| Bognár et al. | An unsupervised method for identifying local PV shading based on AC power and regional irradiance data | |
| KR102139329B1 (ko) | 태양광 발전소를 모니터링하는 방법 및 장치 | |
| CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
| TWI684927B (zh) | 太陽光電發電預測系統及方法 | |
| KR102028601B1 (ko) | 시설물의 에너지 사용량 예측 방법 및 장치 | |
| KR102462909B1 (ko) | 태양광패널의 음영감지방법 및 시스템 | |
| CN114442704B (zh) | 一种基于大数据的智能电力生产监控方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |