KR102497676B1 - 인공지능 기반의 태양광 모니터링 시스템 - Google Patents
인공지능 기반의 태양광 모니터링 시스템 Download PDFInfo
- Publication number
- KR102497676B1 KR102497676B1 KR1020220088898A KR20220088898A KR102497676B1 KR 102497676 B1 KR102497676 B1 KR 102497676B1 KR 1020220088898 A KR1020220088898 A KR 1020220088898A KR 20220088898 A KR20220088898 A KR 20220088898A KR 102497676 B1 KR102497676 B1 KR 102497676B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- photovoltaic module
- power generation
- solar
- module
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000010248 power generation Methods 0.000 claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 230000005856 abnormality Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000011109 contamination Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000428 dust Substances 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
인공지능을 기반으로 태양광 모듈의 실시간 발전량과, 예상 발전량을 산출하고, 이의 비교를 통해 태양광 모듈의 이상 진단을 수행할 수 있는 인공지능 기반의 태양광 모니터링 시스템을 개시한다.
인공지능 기반의 태양광 모니터링 시스템은 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 현재 주변 환경 정보를 수집 및 저장하는 제1 정보 수집부, 태양광 모듈의 과거 발전량 정보 및 태양광 모듈의 현재 발전량 정보를 수집 및 저장하는 제2 정보 수집부, 과거 기상정보 및 기상예보정보를 수집 및 저장하는 제3 정보 수집부, 과거 기상정보에 매칭되는 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 과거 발전량 정보를 분석하여, 기상예보정보에 매칭되는 태양광 모듈의 예상 발전량 정보를 산출 및 저장하는 연산부 및 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보를 비교하여 태양광 모듈의 이상여부를 판단하는 진단부를 포함한다.
인공지능 기반의 태양광 모니터링 시스템은 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 현재 주변 환경 정보를 수집 및 저장하는 제1 정보 수집부, 태양광 모듈의 과거 발전량 정보 및 태양광 모듈의 현재 발전량 정보를 수집 및 저장하는 제2 정보 수집부, 과거 기상정보 및 기상예보정보를 수집 및 저장하는 제3 정보 수집부, 과거 기상정보에 매칭되는 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 과거 발전량 정보를 분석하여, 기상예보정보에 매칭되는 태양광 모듈의 예상 발전량 정보를 산출 및 저장하는 연산부 및 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보를 비교하여 태양광 모듈의 이상여부를 판단하는 진단부를 포함한다.
Description
본 발명은 인공지능 기반의 태양광 모니터링 시스템에 관한 것이다.
전 세계적으로 전기에너지 소비량이 지속적으로 증가함에 따라, 태양광을 이용한 전력생산 비중이 증가하고 있다.
태양광을 이용하여 전기에너지를 생산하는 태양광 발전 시스템은 화석연료를 이용하여 전기에너지를 생산하는 것에 비하여, 온실가스와 미세먼지 등의 환경오염 물질의 발생을 최소화할 뿐만 아니라 에너지 공급 안정성을 증대시킬 수 있어 그 중요성이 날로 커지고 있다.
한편, 상기와 같은 태양광 발전 시스템은 특정 장소, 시간에 따른 일사량, 기온 및 대기 중의 습도, 먼지, 구름, 눈과 같은 외부적 요인에 의존하기 때문에, 외부적 요인에 따라 발전량의 편차가 크고, 이에 발전량을 정확히 예측할 수 없는 문제점이 있었다.
또한, 종래에는 단순히 태양광 모듈의 발전량만을 모니터링 함에 따라, 태양광 모듈의 이상으로 인한 발전량의 저하를 선별해 내기 어렵고, 이에 태양광 발전 시스템의 유지 관리가 용이하지 못함은 물론, 발전효율이 저하되는 문제점이 있었다.
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 본 발명의 목적은 인공지능을 기반으로 태양광 모듈의 실시간 발전량과, 예상 발전량을 산출하고, 이의 비교를 통해 태양광 모듈의 이상 진단을 수행할 수 있는 인공지능 기반의 태양광 모니터링 시스템을 제공하는 것이다.
본 발명의 다른 목적은 발전량의 예측을 통해 태양광 발전 시스템의 불확실성을 개선하고, 신뢰성을 확보할 수 있는 인공지능 기반의 태양광 모니터링 시스템을 제공하는 것이다.
본 발명의 또 다른 목적은 이상이 있는 태양광 모듈을 정확히 선별해 내어 유지 및 관리가 용이할 수 있는 인공지능 기반의 태양광 모니터링 시스템을 제공하는 것이다.
본 발명의 과제는 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 실시예에 따른 인공지능 기반의 태양광 모니터링 시스템은 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 현재 주변 환경 정보를 수집 및 저장하는 제1 정보 수집부; 태양광 모듈의 과거 발전량 정보 및 태양광 모듈의 현재 발전량 정보를 수집 및 저장하는 제2 정보 수집부; 과거 기상정보 및 기상예보정보를 수집 및 저장하는 제3 정보 수집부; 상기 과거 기상정보에 매칭되는 상기 태양광 모듈의 과거 주변 환경 정보 및 상기 태양광 모듈의 과거 발전량 정보를 분석하여, 상기 기상예보정보에 매칭되는 태양광 모듈의 예상 발전량 정보를 산출 및 저장하는 연산부; 및 상기 태양광 모듈의 예상 발전량 정보와, 상기 태양광 모듈의 현재 발전량 정보를 비교하여 태양광 모듈의 이상여부를 판단하는 진단부;를 포함한다.
상기 연산부는, 설정된 날짜 및 시간에 대한 태양광 모듈의 일사량 정보와, 태양광 모듈의 온도 정보를 산출하는 제1 산출부; 및 상기 태양광 모듈의 과거 주변 환경 정보, 상기 태양광 모듈의 과거 발전량 정보, 상기 과거 기상정보, 상기 태양광 모듈의 일사량 정보 및 상기 태양광 모듈의 온도 정보의 상관관계를 찾아서 제1 예측모델을 생성하고, 상기 제1 예측모델에 상기 태양광 모듈의 현재 주변 환경 정보, 상기 태양광 모듈의 현재 발전량 정보 및 상기 기상예보정보를 적용하여 상기 태양광 모듈의 예상 발전량 정보를 산출하는 제1 기계 학습부;를 포함할 수 있다.
상기 연산부는, 태양광 모듈의 위치정보, 상기 태양광 모듈의 일사량 정보 및 구름분포 정보의 상관관계를 찾아서 태양광 모듈의 일사량 분포 및 구름의 특성을 분석하고, 상기 구름의 특성과 상기 구름분포 정보의 상관관계를 찾아서 제2 예측모델을 생성하며, 상기 제2 예측모델에 상기 태양광 모듈의 위치정보, 상기 태양광 모듈의 일사량 정보 및 상기 구름분포 정보를 적용하여 구름분포에 따른 일사량 손실 정보를 산출하는 제2 기계 학습부; 및 상기 태양광 모듈의 예상 발전량 정보에, 상기 일사량 손실 정보를 적용하여 실 예상 발전량 정보를 산출하는 제2 산출부;를 더 포함할 수 있다.
상기 제1 산출부는, 상기 설정된 날짜 및 시간에 대한 태양광 모듈의 경도 정보 및 위도 정보를 수집하는 위치 정보 수집부; 상기 태양광 모듈의 경도 정보 및 위도 정보를 이용하여 태양의 위치 정보를 산출하는 태양 위치 추정부; 상기 태양광 모듈의 과거 발전량 정보 및 상기 태양의 위치 정보를 활용하여 상기 태양광 모듈의 일사량 정보를 산출하는 일사량 추정부; 및 상기 태양광 모듈의 과거 주변 환경 정보 및 상기 과거 기상정보를 활용하여 상기 태양광 모듈의 온도 정보를 산출하는 온도 추정부;를 포함할 수 있다.
상기 진단부는, 상기 태양광 모듈의 예상 발전량 정보와, 상기 태양광 모듈의 현재 발전량 정보의 오차율에 따라 상기 태양광 모듈을 네 가지 상태로 판단할 수 있다.
상기 진단부는, 상기 태양광 모듈의 예상 발전량 정보와, 상기 태양광 모듈의 현재 발전량 정보의 오차율이 10% 미만이면 정상 상태로 판단하고, 상기 태양광 모듈의 예상 발전량 정보와, 상기 태양광 모듈의 현재 발전량 정보의 오차율이 10% 이상 19% 이하이면 그늘 상태로 판단하며, 상기 태양광 모듈의 예상 발전량 정보와, 상기 태양광 모듈의 현재 발전량 정보의 오차율이 20% 이상 29% 이하이면 청소 상태로 판단하고, 상기 태양광 모듈의 예상 발전량 정보와, 상기 태양광 모듈의 현재 발전량 정보의 오차율이 30% 이상이면 이상 상태로 판단할 수 있다.
상기 진단부는, 상기 태양광 모듈의 온도 정보를 임계온도정보와 비교하여 상기 태양광 모듈의 온도 정보가 상기 임계온도정보 이상이면 상기 태양광 모듈을 상기 이상 상태로 판단할 수 있다.
상기 태양광 모듈의 표면 오염도를 측정하는 오염도 측정부;를 더 포함하고, 상기 오염도 측정부는, 상기 태양광 모듈의 표면에 레이저광을 조사하는 광원부; 상기 광원부와 동일한 수평거리에 배치되고, 상기 태양광 모듈의 표면에 반사된 빛에너지를 영상정보로 저장한 후, 영상처리를 통해 전기신호로 변환하는 영상처리부; 및 상기 영상처리부에서 변환된 전기신호를 분석하여 먼지 지수 점수를 산출하고, 상기 먼지 지수 점수를 오염정도를 나타내는 기저장된 참조 지수 점수와 비교하여 상기 태양광 모듈의 표면 오염도를 판단하는 오염도 판단부;를 포함할 수 있다.
상기 태양광 모듈, 상기 태양광 모듈의 상태 및 상기 태양광 모듈의 표면 오염도가 표시되는 모니터링부;를 더 포함하고, 상기 태양광 모듈은 이미지형태로 표시되고, 상기 태양광 모듈의 상태는 색상으로 표시되며, 상기 태양광 모듈의 표면 오염도는 숫자 또는 문자로 표시될 수 있다.
상기 태양광 모듈은, 상기 정상 상태이면 녹색, 상기 그늘 상태이면 노란색, 상기 청소 상태이면 주황색 및 상기 이상 상태이면 빨강색으로 표시될 수 있다.
본 발명의 실시예에 따르면, 인공지능을 통해 태양광 모듈의 예상 발전량을 산출할 수 있고, 나아가 태양광 모듈의 실시간 발전량과, 예상 발전량을 비교하여 태양광 모듈의 이상 진단을 정확히 수행할 수 있다.
또한, 발전량의 예측이 가능하므로, 태양광 발전 시스템의 불확실성을 개선하고, 신뢰성을 확보할 수 있다.
또한, 태양광 모듈의 이상 진단을 통해 이상이 있는 태양광 모듈을 정확히 선별 가능하므로, 유지 및 관리가 용이할 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.
도 1은 본 발명의 실시예에 따른 태양광 모니터링 시스템을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 연산부를 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 제1 산출부를 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 진단부가 태양광 모듈의 상태를 판단하는 과정을 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 연산부를 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 제1 산출부를 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 진단부가 태양광 모듈의 상태를 판단하는 과정을 나타낸 순서도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우 '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
구성 요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.
위치 관계에 대한 설명일 경우, 예를 들어, '~상에', '~상부에', '~하부에', '~옆에' 등으로 두 부분의 위치 관계가 설명되는 경우, '바로' 또는 '직접'이 사용되지 않는 이상 두 부분 사이에 하나 이상의 다른 부분이 위치할 수도 있다.
소자(elements) 또는 층이 다른 소자 또는 층"위(on)"로 지칭되는 것은 다른 소자 바로 위에 또는 중간에 다른 층 또는 다른 소자를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 도시된 것이며, 본 발명이 도시된 구성의 크기 및 두께에 반드시 한정되는 것은 아니다.
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.
본 발명의 실시예에 따른 인공지능 기반의 태양광 모니터링 시스템(1000)(이하 '태양광 모니터링 시스템(1000)'이라 함)은 인공지능을 기반으로 태양광 모듈(미도시)의 현재 발전량과, 예상 발전량을 산출하고, 이의 비교를 통해 태양광 모듈의 이상 진단을 수행하도록 구성된다.
도 1은 본 발명의 실시예에 따른 태양광 모니터링 시스템을 나타낸 개념도이다.
도 1을 참조하면, 본 태양광 모니터링 시스템(1000)은 제1 정보 수집부(1), 제2 정보 수집부(2), 제3 정보 수집부(3), 연산부(4) 및 진단부(5)를 포함한다.
제1 정보 수집부(1)는 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 현재 주변 환경 정보를 수집 및 저장한다.
구체적으로, 제1 정보 수집부(1)는 태양광 모듈에 설치된 다수의 센서들(미도시)과 네트워크를 통해 연결되고, 다수의 센서들로부터 태양광 모듈의 주변 환경 정보를 전송받아 수집 및 저장한다. 이때, 태양광 모듈의 과거 주변 환경 정보는 현 시점 이전의 태양광 모듈의 주변 환경 정보이고, 태양광 모듈의 현재 주변 환경 정보는 현 시점에서의 태양광 모듈의 주변 환경 정보이다.
예를 들어, 다수의 센서들은 지진을 감지하는 지진 감지 센서, 태양광 모듈의 내부 누설 전류, 온도 등을 감지하는 열화 감지 센서, 태양광 모듈의 입/출력과 관련된 전류/전압 정보를 감지하는 전류/전압 감지 센서, 태양광 모듈의 일사량 정보를 감지하는 일사량 감지 센서, 태양광 모듈의 주변의 습도를 감지하는 습도 센서 등을 포함할 수 있다.
참고로, 본 실시예에서 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함할 수 있다. 여기서, 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
제2 정보 수집부(2)는 태양광 모듈의 과거 발전량 정보 및 태양광 모듈의 현재 발전량 정보를 수집 및 저장한다.
구체적으로, 제2 정보 수집부(2)는 태양광 모듈과 네트워크를 통해 연결되고, 태양광 모듈로부터 발전량 정보를 전송받아 수집 및 저장한다. 이때, 태양광 모듈의 과거 발전량 정보는 현 시점 이전의 태양광 모듈의 발전량 정보이고, 태양광 모듈의 현재 발전량 정보는 현 시점에서의 태양광 모듈의 발전량 정보이다.
제3 정보 수집부(3)는 과거 기상정보 및 기상예보정보를 수집 및 저장한다.
구체적으로, 제3 정보 수집부(3)는 기상청(미도시)과 네트워크를 통해 연결되고, 기상청에서 제공하는 과거 기상정보 및 기상예보정보를 전송받아 수집 및 저장한다. 이때, 과거 기상정보는 현 시점 이전의 기상정보이고, 기상예보정보는 현 시점 이후의 예측된 기상정보이다.
예를 들어, 기상청에서 제공하는 과거 기상정보 및 기상예보정보에는 날짜, 기온, 습도, 풍량, 일조시간, 전운량, 일사량, 강수량 등의 정보가 포함될 수 있다.
연산부(4)는 제1 정보 수집부(1), 제2 정보 수집부(2) 및 제3 정보 수집부(3)와 네트워크를 통해 연결되고, 과거 기상정보에 매칭되는 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 과거 발전량 정보를 분석하여, 기상예보정보에 매칭되는 태양광 모듈의 예상 발전량 정보를 산출 및 저장한다.
즉, 연산부(4)는 인공지능을 활용하여 과거 기상정보, 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 과거 발전량 정보를 분석하여 다양한 예측모델을 생성하고, 이를 통해 미리 기상예보정보에 매칭되는 태양광 모듈의 예상 발전량을 산출한다.
예를 들어, 연산부(4)는 머신러닝 기법, 딥러닝 기법, 반복학습 기법, 통계 기법 등을 이용해 예측모델을 생성할 수 있다.
도 2는 본 발명의 실시예에 따른 연산부를 나타낸 개념도이다.
도 1 및 도 2를 참조하면, 연산부(4)는 제1 산출부(41) 및 제1 기계 학습부(42)를 포함할 수 있다.
제1 산출부(41)는 설정된 날짜 및 시간에 대한 태양광 모듈의 일사량 정보와, 태양광 모듈의 온도 정보를 산출할 수 있다.
예를 들어, 제1 산출부(41)는 태양의 위치, 태양광 모듈의 경사각과 방위각을 활용하여 태양광 모듈의 일사량 정보를 산출하고, 태양광 모듈의 주변 온도와 풍속을 이용하여 태양광 모듈의 온도 정보를 산출할 수 있다.
도 3은 본 발명의 실시예에 따른 제1 산출부를 나타낸 개념도이다.
도 3을 참조하면, 제1 산출부(41)는 위치 정보 수집부(411), 태양 위치 추정부(412), 일사량 추정부(413) 및 온도 추정부(414)를 포함할 수 있다.
위치 정보 수집부(411)는 설정된 날짜 및 시간에 대한 태양광 모듈의 경도 정보 및 위도 정보를 수집할 수 있다.
태양 위치 추정부(412)는 위치 정보 수집부(411)에 의해 수집된 태양광 모듈의 경도 정보 및 위도 정보를 이용하여 태양의 위치 정보를 산출할 수 있다.
예를 들어, 태양의 위치 정보는 실시간 태양의 방위각 정보, 태양의 고도 정보 및 태양의 시각 정보 등을 포함할 수 있다.
일사량 추정부(413)는 태양광 모듈의 과거 발전량 정보 및 태양의 위치 정보를 활용하여 태양광 모듈의 일사량 정보를 산출할 수 있다.
예를 들어, 태양광 모듈의 일사량 정보는 수평면 일사량, 법선면 직달 일사량 및 법선면 산란 일사량을 종합하여 산출될 수 있다.
온도 추정부(414)는 태양광 모듈의 과거 주변 환경 정보 및 과거 기상정보를 활용하여 태양광 모듈의 온도 정보를 산출할 수 있다.
도 2를 참조하면, 제1 기계 학습부(42)는 태양광 모듈의 과거 주변 환경 정보, 태양광 모듈의 과거 발전량 정보, 과거 기상정보, 태양광 모듈의 일사량 정보 및 태양광 모듈의 온도 정보의 상관관계를 찾아서 제1 예측모델을 생성할 수 있다. 그리고, 제1 기계 학습부(42)는 제1 예측모델에 태양광 모듈의 현재 주변 환경 정보, 태양광 모듈의 현재 발전량 정보 및 기상예보정보를 적용하여 태양광 모듈의 예상 발전량 정보를 산출할 수 있다.
예를 들어, 제1 기계 학습부(42)는 SVM(Support Vector Machine), RBFN(Radial Basic Function Network) 및 ARIMA(Autoregressive Integrated Moving Average) 기법을 통해 제1 예측모델을 구현할 수 있다.
연산부(4)는 제2 기계 학습부(43) 및 제2 산출부(44)를 더 포함할 수 있다.
제2 기계 학습부(43)는 태양광 모듈의 위치정보, 태양광 모듈의 일사량 정보 및 구름분포 정보의 상관관계를 찾아서 태양광 모듈의 일사량 분포 및 구름의 특성을 분석할 수 있다. 그리고, 제2 기계 학습부(43)는 구름의 특성과 구름분포 정보의 상관관계를 찾아서 제2 예측모델을 생성할 수 있다. 또한, 제2 기계 학습부(43)는 제2 예측모델에 태양광 모듈의 위치정보, 태양광 모듈의 일사량 정보 및 구름분포 정보를 적용하여 구름분포에 따른 일사량 손실 정보를 산출할 수 있다.
즉, 제2 기계 학습부(43)는 과거의 태양광 모듈의 일사량 정보를 통하여 구름의 길이, 이동 방향, 속도와 두께를 분석하고, 구름의 모양과 구름의 양의 상관관계를 찾아서 제2 예측모델을 구현할 수 있다. 이를 통해, 태양광 모듈의 일사량 손실 변화 정보를 획득할 수 있다.
예를 들어, 제2 기계 학습부(43)는 SVM(Support Vector Machine) 및 ARIMA(Autoregressive Integrated Moving Average) 기법을 통해 제2 예측모델을 구현할 수 있다.
제2 산출부(44)는 태양광 모듈의 예상 발전량 정보에, 일사량 손실 정보를 적용하여 실 예상 발전량 정보를 산출할 수 있다.
또한, 도면에는 도시되지 않았으나, 연산부(4)는 일사량 예측부(미도시)를 더 포함할 수 있다.
일사량 예측부는 위도 및 경도 기준의 격자에 기초한 기상 정보를 포함하는 기상 모델을 생성하고, 기상 정보에 대한 상관도 분석을 통해 일사량과 연관성이 높은 변수를 추출 및 활용하여 일사량을 예측할 수 있다.
예를 들어, 일사량 예측부는 태양광 모듈의 위도 및 경도 기준의 격자에 기초한 기상 정보를 포함하는 기상 모델을 생성하고, 기상 정보에 대한 상관도 분석을 통해 일사량과 연관성이 높은 적어도 하나 이상의 변수를 추출할 수 있다. 그리고, 일사량 예측부는 추출된 적어도 하나 이상의 변수에 기초하여 선형 회귀 모델을 생성하고, 선형 회귀 모델에 기초하여 일사량을 예측할 수 있다.
도 1을 참조하면, 진단부(5)는 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보를 비교하여 태양광 모듈의 이상여부를 판단한다.
예를 들어, 진단부(5)는 퍼지추론 알고리즘을 활용하여 태양광 모듈의 이상여부를 판단할 수 있다.
도 4는 본 발명의 실시예에 따른 진단부가 태양광 모듈의 상태를 판단하는 과정을 나타낸 순서도이다.
도 4를 참조하면, 진단부(5)는 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보의 오차율을 산출하고, 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보의 오차율에 따라 태양광 모듈을 네 가지 상태로 판단할 수 있다.
구체적으로, 진단부(5)는 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보의 오차율이 10% 미만이면 정상 상태로 판단하고, 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보의 오차율이 10% 이상 19% 이하이면 그늘 상태로 판단할 수 있다. 또한, 진단부(5)는 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보의 오차율이 20% 이상 29% 이하이면 청소 상태로 판단하고, 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보의 오차율이 30% 이상이면 이상 상태로 판단할 수 있다.
여기서, 그늘 상태는 태양광 모듈의 패널부에 음영이 발생된 상태이고, 청소 상태는 태양광 모듈의 패널부가 먼지 등에 의해 오염된 상태일 수 있다.
또한, 진단부(5)는 태양광 모듈의 온도 정보를 임계온도정보와 비교하여 태양광 모듈의 온도 정보가 임계온도정보 이상이면 태양광 모듈을 이상 상태로 판단할 수 있다.
즉, 진단부(5)는 태양광 모듈의 온도 정보를 확인하여 태양광 모듈의 이상판단을 1차적으로 수행한 후, 태양광 모듈의 예상 발전량 정보와, 태양광 모듈의 현재 발전량 정보의 오차율에 따른 태양광 모듈의 이상판단을 2차적으로 수행할 수 있다.
이처럼 본 발명의 실시예에 따르면, 인공지능을 통해 태양광 모듈의 예상 발전량을 산출할 수 있고, 나아가 태양광 모듈의 실시간 발전량과, 예상 발전량을 비교하여 태양광 모듈의 이상 진단을 정확히 수행할 수 있다.
또한, 발전량의 예측이 가능하므로, 태양광 발전 시스템의 불확실성을 개선하고, 신뢰성을 확보할 수 있다.
또한, 태양광 모듈의 이상 진단을 통해 이상이 있는 태양광 모듈을 정확히 선별 가능하므로, 유지 및 관리가 용이할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
1000. 태양광 모니터링 시스템 1. 제1 정보 수집부
2. 제2 정보 수집부 3. 제3 정보 수집부
4. 연산부 41. 제1 산출부
411. 위치 정보 수집부 412. 태양 위치 추정부
413. 일사량 추정부 414. 온도 추정부
42. 제1 기계 학습부 43. 제2 기계 학습부
44. 제2 산출부 5. 진단부
2. 제2 정보 수집부 3. 제3 정보 수집부
4. 연산부 41. 제1 산출부
411. 위치 정보 수집부 412. 태양 위치 추정부
413. 일사량 추정부 414. 온도 추정부
42. 제1 기계 학습부 43. 제2 기계 학습부
44. 제2 산출부 5. 진단부
Claims (7)
- 태양광 모듈의 과거 주변 환경 정보 및 태양광 모듈의 현재 주변 환경 정보를 수집 및 저장하는 제1 정보 수집부(1);
태양광 모듈의 과거 발전량 정보 및 태양광 모듈의 현재 발전량 정보를 수집 및 저장하는 제2 정보 수집부(2);
과거 기상정보 및 기상예보정보를 수집 및 저장하는 제3 정보 수집부(3);
상기 과거 기상정보에 매칭되는 상기 태양광 모듈의 과거 주변 환경 정보 및 상기 태양광 모듈의 과거 발전량 정보를 분석하여, 상기 기상예보정보에 매칭되는 태양광 모듈의 예상 발전량 정보를 산출 및 저장하는 연산부(4); 및
상기 태양광 모듈의 예상 발전량 정보와, 상기 태양광 모듈의 현재 발전량 정보를 비교하여 태양광 모듈의 이상여부를 판단하는 진단부(5);를 포함하고,
상기 연산부(4)는,
설정된 날짜 및 시간에 대한 태양광 모듈의 일사량 정보와 태양광 모듈의 온도 정보를 산출하는 제1 산출부(41), 및
상기 태양광 모듈의 과거 주변 환경 정보 상기 태양광 모듈의 과거 발전량 정보 상기 과거 기상정보 상기 태양광 모듈의 일사량 정보 및 상기 태양광 모듈의 온도 정보의 상관관계를 찾아서 제1 예측모델을 생성하고 상기 제1 예측모델에 상기 태양광 모듈의 현재 주변 환경 정보 상기 태양광 모듈의 현재 발전량 정보 및 상기 기상예보정보를 적용하여 상기 태양광 모듈의 예상 발전량 정보를 산출하는 제1 기계 학습부(42)를 포함하며,
상기 제1 산출부(41)는,
상기 설정된 날짜 및 시간에 대한 태양광 모듈의 경도 정보 및 위도 정보를 수집하는 위치 정보 수집부(411),
상기 태양광 모듈의 경도 정보 및 위도 정보를 이용하여 태양의 위치 정보를 산출하는 태양 위치 추정부(412),
상기 태양광 모듈의 과거 발전량 정보 및 상기 태양의 위치 정보를 활용하여 상기 태양광 모듈의 일사량 정보를 산출하는 일사량 추정부(413), 및
상기 태양광 모듈의 과거 주변 환경 정보 및 상기 과거 기상정보를 활용하여 상기 태양광 모듈의 온도 정보를 산출하는 온도 추정부(414)를 포함하고,
상기 진단부(5)는,
상기 태양광 모듈의 예상 발전량 정보와 상기 태양광 모듈의 현재 발전량 정보의 오차율에 따라 상기 태양광 모듈을 네 가지 상태로 판단하며,
상기 진단부(5)는,
상기 태양광 모듈의 예상 발전량 정보와 상기 태양광 모듈의 현재 발전량 정보의 오차율이 10% 미만이면 정상 상태로 판단하고,
상기 태양광 모듈의 예상 발전량 정보와 상기 태양광 모듈의 현재 발전량 정보의 오차율이 10% 이상 19% 이하이면 그늘 상태로 판단하며,
상기 태양광 모듈의 예상 발전량 정보와 상기 태양광 모듈의 현재 발전량 정보의 오차율이 20% 이상 29% 이하이면 청소 상태로 판단하고,
상기 태양광 모듈의 예상 발전량 정보와 상기 태양광 모듈의 현재 발전량 정보의 오차율이 30% 이상이면 이상 상태로 판단하며,
상기 제1 정보 수집부(1)는 태양광 모듈에 설치된 센서들과 네트워크를 통해 연결되고 상기 센서들로부터 태양광 모듈의 주변 환경 정보를 전송받아 수집 및 저장하며,
상기 센서들은 지진을 감지하는 지진 감지 센서, 태양광 모듈의 내부 누설 전류와 온도를 감지하는 열화 감지 센서, 태양광 모듈의 입/출력과 관련된 전류/전압 정보를 감지하는 전류/전압 감지 센서, 태양광 모듈의 주변 습도를 감지하는 습도 센서를 포함하고,
상기 제1 기계 학습부(42)는 SVM, RBFN 및 ARIMA 기법을 통해 제1 예측모델을 구현하며,
상기 연산부(4)는 일사량 예측부를 더 포함하고,
상기 일사량 예측부는 태양광 모듈의 위도 및 경도 기준의 격자에 기초한 기상 정보를 포함하는 기상 모델을 생성하고 기상 정보에 대한 상관도 분석을 통해 일사량과 연관성이 높은 적어도 하나 이상의 변수를 추출하며 추출된 적어도 하나 이상의 변수에 기초하여 선형 회귀 모델을 생성하고 선형 회귀 모델에 기초하여 일사량을 예측하는 것을 특징으로 하는 인공지능 기반의 태양광 모니터링 시스템(1000).
- 삭제
- 제1항에 있어서,
상기 연산부(4)는,
태양광 모듈의 위치정보, 상기 태양광 모듈의 일사량 정보 및 구름분포 정보의 상관관계를 찾아서 태양광 모듈의 일사량 분포 및 구름의 특성을 분석하고, 상기 구름의 특성과 상기 구름분포 정보의 상관관계를 찾아서 제2 예측모델을 생성하며, 상기 제2 예측모델에 상기 태양광 모듈의 위치정보, 상기 태양광 모듈의 일사량 정보 및 상기 구름분포 정보를 적용하여 구름분포에 따른 일사량 손실 정보를 산출하는 제2 기계 학습부(43); 및
상기 태양광 모듈의 예상 발전량 정보에, 상기 일사량 손실 정보를 적용하여 실 예상 발전량 정보를 산출하는 제2 산출부(44);를 더 포함하는, 인공지능 기반의 태양광 모니터링 시스템(1000).
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 진단부(5)는,
상기 태양광 모듈의 온도 정보를 임계온도정보와 비교하여 상기 태양광 모듈의 온도 정보가 상기 임계온도정보 이상이면 상기 태양광 모듈을 이상 상태로 판단하는, 인공지능 기반의 태양광 모니터링 시스템(1000).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220088898A KR102497676B1 (ko) | 2022-07-19 | 2022-07-19 | 인공지능 기반의 태양광 모니터링 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220088898A KR102497676B1 (ko) | 2022-07-19 | 2022-07-19 | 인공지능 기반의 태양광 모니터링 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102497676B1 true KR102497676B1 (ko) | 2023-02-08 |
Family
ID=85225826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220088898A KR102497676B1 (ko) | 2022-07-19 | 2022-07-19 | 인공지능 기반의 태양광 모니터링 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102497676B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102650627B1 (ko) * | 2023-08-16 | 2024-03-25 | 렉스이노베이션 주식회사 | 강화 학습을 이용한 분산 발전소의 발전량 예측 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100930132B1 (ko) | 2009-03-10 | 2009-12-08 | ㈜코리아에너텍 | 모니터링 기능이 구비된 태양광 접속반 |
| KR20140127930A (ko) * | 2013-03-28 | 2014-11-05 | (주) 디지털파워 | 외부 환경 인자를 고려한 태양광 모듈 감시 기능을 가지는 태양광 발전 시스템 |
| KR102265862B1 (ko) * | 2021-03-25 | 2021-06-16 | (주)제이루트 | 기상정보와 환경정보를 분석하여 발전량을 예측하는 태양광발전 모니터링 시스템 |
| KR20220032349A (ko) * | 2020-09-07 | 2022-03-15 | (주)파인디어칩 | 태양광 발전모듈의 장애 진단 장치 및 그 방법 |
| KR20220072960A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 |
-
2022
- 2022-07-19 KR KR1020220088898A patent/KR102497676B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100930132B1 (ko) | 2009-03-10 | 2009-12-08 | ㈜코리아에너텍 | 모니터링 기능이 구비된 태양광 접속반 |
| KR20140127930A (ko) * | 2013-03-28 | 2014-11-05 | (주) 디지털파워 | 외부 환경 인자를 고려한 태양광 모듈 감시 기능을 가지는 태양광 발전 시스템 |
| KR20220032349A (ko) * | 2020-09-07 | 2022-03-15 | (주)파인디어칩 | 태양광 발전모듈의 장애 진단 장치 및 그 방법 |
| KR20220072960A (ko) * | 2020-11-25 | 2022-06-03 | 주식회사 나눔에너지 | 머신러닝을 이용한 태양광 발전 예측 시스템 |
| KR102265862B1 (ko) * | 2021-03-25 | 2021-06-16 | (주)제이루트 | 기상정보와 환경정보를 분석하여 발전량을 예측하는 태양광발전 모니터링 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102650627B1 (ko) * | 2023-08-16 | 2024-03-25 | 렉스이노베이션 주식회사 | 강화 학습을 이용한 분산 발전소의 발전량 예측 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Daliento et al. | Monitoring, diagnosis, and power forecasting for photovoltaic fields: A review | |
| KR102065443B1 (ko) | 태양광 발전소의 데이터 분석 방법 및 시스템 | |
| CN107451600B (zh) | 一种基于隔离机制的在线光伏热斑故障检测方法 | |
| Chen et al. | Sensor network based PV power nowcasting with spatio-temporal preselection for grid-friendly control | |
| KR102283487B1 (ko) | 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템 | |
| KR102054163B1 (ko) | 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치 | |
| US20170140077A1 (en) | Method for assessing efficiency of power generation systems | |
| CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
| Wang et al. | Performance assessment of photovoltaic modules based on daily energy generation estimation | |
| KR102497676B1 (ko) | 인공지능 기반의 태양광 모니터링 시스템 | |
| Leva et al. | PV plant power nowcasting: A real case comparative study with an open access dataset | |
| Cheng | Hybrid solar irradiance now-casting by fusing Kalman filter and regressor | |
| JP2012138448A (ja) | 太陽光発電の出力低下検出装置及び検出方法 | |
| Voicu et al. | Data Acquisition system for Solar panels | |
| Schuss et al. | Moving photovoltaic installations: Impacts of the sampling rate on maximum power point tracking algorithms | |
| CN103712685A (zh) | 光伏阵列辐照度测量辨识方法 | |
| CN108008633A (zh) | 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法 | |
| KR20170025709A (ko) | 황사와 연무 통합 예측 및 검증 방법 및 시스템 | |
| CN116800172B (zh) | 一种光电转换方法及储能系统 | |
| EP3465908B1 (en) | System and method for automated performance assessment of perovskite optoelectronic devices | |
| KR20210115911A (ko) | 태양광 출력 예측 장치 및 그 방법 | |
| Sivagami et al. | Review on IoT based remote monitoring for solar photovoltaic system | |
| Almonacid-Olleros et al. | Opera. dl: deep learning modelling for photovoltaic system monitoring | |
| KR102363732B1 (ko) | 태양광 발전량 예측 시스템 | |
| Kaitouni et al. | Implementing a Digital Twin-based fault detection and diagnosis approach for optimal operation and maintenance of urban distributed solar photovoltaics |
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 |