KR102516010B1 - 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법 - Google Patents

서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법 Download PDF

Info

Publication number
KR102516010B1
KR102516010B1 KR1020220134144A KR20220134144A KR102516010B1 KR 102516010 B1 KR102516010 B1 KR 102516010B1 KR 1020220134144 A KR1020220134144 A KR 1020220134144A KR 20220134144 A KR20220134144 A KR 20220134144A KR 102516010 B1 KR102516010 B1 KR 102516010B1
Authority
KR
South Korea
Prior art keywords
arc
current
data
support vector
vector machine
Prior art date
Application number
KR1020220134144A
Other languages
English (en)
Inventor
이상규
김용주
이기덕
이진
이진한
류홍제
안재범
조현빈
이주영
최민규
Original Assignee
(주)오앤엠 코리아
중앙대학교 산학협력단
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 (주)오앤엠 코리아, 중앙대학교 산학협력단 filed Critical (주)오앤엠 코리아
Priority to KR1020220134144A priority Critical patent/KR102516010B1/ko
Application granted granted Critical
Publication of KR102516010B1 publication Critical patent/KR102516010B1/ko

Links

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
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 머신러닝을 통해 정상 전류와 아크 전류를 구분하는 분류 모델을 생성하고, 생성된 분류 모델을 통해 취득되는 스트링 전류의 아크 발생여부를 판단하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법에 관한 것이다.
상기의 과제를 해결하기 위한 본 발명에 따른 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법은, 서포트 벡터 머신(SVM) 알고리즘을 통해 학습 데이터로부터 정상 전류와 아크 전류를 구분하는 초평면이 모델링되어 분류 모델을 생성하는 데이터 학습 단계; 전류센서를 통해 실시간으로 취득되는 데이터에 신호 분석 기법을 적용하여 SVM 입력 파라미터 값을 산출하는 데이터 취득 단계; 및 산출된 입력 파라미터 값을 분류 모델에 입력하여 정상 전류와 아크 전류를 판별하는 데이터 평가 단계를 포함하는 것을 특징으로 한다.

Description

서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법{Arc Detection Method of Solar Power Generation System using Support Vector Machine Learning Algorithm}
본 발명은 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법에 관한 것으로, 더욱 상세하게는 태양광 발전시스템(PV system)의 스트링 전류를 취득하여 아크 전류의 유무를 판단하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법에 관한 것이다.
일반적으로 태양광 발전시스템에는 아크 발생으로 인한 화재 등을 미연에 방지하기 위해 다양한 방식의 아크검출 방법 및 장치가 설치되고 있는데, 이러한 아크검출 방법 및 장치가 적용된 태양광 발전시스템의 종래 기술로는 등록특허공보 제2166323호의 태양광발전시스템의 웨이블릿 변환에 의한 아크 검출 장치 및 방법(이하 '특허문헌'이라 한다)이 개시되어 있다.
상기 특허문헌은 태양광발전시스템 내 아크 검출 장치에 있어서, 태양광발전시스템 내 PV 모듈들과 접속반 사이에 배치된 전류센서를 통해 측정된 전기신호를 획득하는 획득부; 및 상기 획득된 전기신호를 웨이블릿 변환하여 분석함으로써 상기 태양광발전시스템 내 아크의 발생 여부를 검출하고, 아크가 발생한 것으로 검출되면 상기 PV 모듈들에서 상기 접속반으로의 전기신호의 공급을 차단하는 제어를 수행하는 검출제어부를 포함하고, 상기 검출제어부는, 상기 획득된 전기신호의 구간 중 기설정된 조건을 충족하는 아크 의심 구간을 식별하고, 식별된 상기 아크 의심구간에 대하여 상기 웨이블릿 변환으로서 이산 웨이블릿 변환을 적용하여 상기 아크의 발생 여부를 검출하고, 상기 아크 의심 구간은, 상기 획득된 전기신호의 구간 중 미리 설정된 시간 구간에서의 기울기가 제1 임계 기울기 이상으로 나타나는 시점부터 미리 설정된 시간 구간에서의 기울기가 제2 임계 기울기 이상으로 나타나는 시점까지 속한 구간이고, 상기 제1 임계 기울기 및 상기 제2 임계 기울기는 절대값 크기가 같되, 부호가 반대이며, 상기 검출제어부는, 상기 아크 의심 구간을 복수의 타이머 구간으로 분할하고, 상기 이산 웨이블릿 변환의 적용을 기반으로, 상기 복수의 타이머 구간의 인덱스를 1씩 증가시키며 카운트하여 상기 복수의 타이머 구간 중 두번째 타이머 구간마다 1차 레벨 DWT 계수를 계산하고 상기 복수의 타이머 구간 중 네번째 타이머 구간마다 2차 레벨 DWT 계수를 계산하며, 상기 복수의 타이머 구간 중 마지막번째 타이머 구간에 대한 카운팅이 이루어지면, 상기 1차 레벨 DWT 계수와 상기 2차 레벨 DWT 계수를 이용하여 RMSnorm 값을 산출하고, 상기 산출된 RMSnorm 값이 미리 설정된 RMS 임계값을 초과하면 상기 아크 의심 구간을 아크 발생 후보 구간으로 식별하는 것으로 이루어진다.
상기와 같은 종래의 태양광 아크검출 기술들은 아크를 신속하게 검출할 수 있으면서도 아크 검출의 정확성을 높이기 위해 고속 푸리에 변환(Fast Fourier Transform, FFT) 또는 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 분석기반으로 구성되는데, 이중 고속 푸리에 변환 기반의 아크 검출방법은 시간 영역에서 취득된 스트링(String) 전류 데이터를 주파수 영역의 데이터로 변환하여 아크 노이즈의 주파수 스펙트럼을 분석하는 기법으로, 시스템 노이즈와 아크 노이즈와의 스펙트럼 구분이 비교적 쉬운 장점이 있는 반면, 주파수 영역으로 변환하는데 긴 연산시간이 요구되는 단점이 있고, 또한 아크검출 속도가 느린 기술적 한계가 있다.
또한, 이산 웨이블릿 변환 기반의 아크 검출방법은 시간 영역에서 취득된 스트링 전류 데이터를 웨이블릿을 이용하여 주파수 대역에 따라 신호를 분리하고, 전체 신호가 아닌 원하는 특정 주파수 대역의 신호만 추출하여 분석하는 기법으로, 연산이 모든 시간 영역에서 이루어져 연산 시간이 FFT에 비해 상대적으로 빠른 장점이 있는 반면, 아크 노이즈의 특성을 나타내는 고도의 파라미터 추출이 요구되는 단점이 있다.
그리고 종래의 아크검출 기법들은 전류 신호의 분석을 통해 특정 파라미터를 추출하고, 기준값과 비교하여 직렬 아크를 검출하는 것으로, 아크 검출을 위한 적정의 기준값을 사용자가 수동으로 설정하도록 알고리즘이 구성되는데, 태양광 발전시스템마다 아크 검출을 위한 적정 기준이 다르고, 전류 스트링에 사용되는 센서, 적용 필터 및 일사량 등에 의해서도 적정 기준이 달라지기 때문에 사용자가 수동으로 검출 기준(기준값)을 설정하는 데에는 어려움이 있고, 더욱이 시스템 환경에 따라 요구되는 검출 기준이 비선형적인 경우에는 사용자가 수동으로 검출 기준을 선정하는 데에는 기술적으로 한계가 있다.
따라서 신속 정확하게 아크를 검출할 수 있으면서도 사용자가 수동으로 아크 검출 기준값을 설정하는 대신, 머신러닝을 통해 정상 전류와 아크 전류를 구분하는 분류 모델을 생성하고, 생성된 분류 모델에 기초하여 취득되는 스트링 전류의 아크 발생 여부를 판단하는 아크 검출 방법의 개발이 요구된다.
KR 10-2166323 B1 (2020. 10. 08.) KR 10-2022-0063407 A (2022. 05. 17.) KR 10-2370220 B1 (2022. 02. 28.) KR 10-2046975 B1 (2019. 11. 14.)
본 발명은 상기와 같은 종래의 태양광 발전시스템의 아크검출 방법이 가지는 문제점을 해결하기 위해 안출된 것으로, 본 발명이 해결하고자 하는 과제는 머신러닝을 통해 정상 전류와 아크 전류를 구분하는 분류 모델을 생성하고, 생성된 분류 모델을 통해 취득되는 스트링 전류의 아크 발생여부를 판단하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법을 제공하는 것이다.
상기의 과제를 해결하기 위한 본 발명에 따른 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법은, 서포트 벡터 머신(SVM) 알고리즘을 통해 학습 데이터로부터 정상 전류와 아크 전류를 구분하는 초평면이 모델링되어 분류 모델을 생성하는 데이터 학습 단계; 전류센서를 통해 실시간으로 취득되는 데이터에 신호 분석 기법을 적용하여 SVM 입력 파라미터 값을 산출하는 데이터 취득 단계; 및 산출된 입력 파라미터 값을 분류 모델에 입력하여 정상 전류와 아크 전류를 판별하는 데이터 평가 단계를 포함하는 것을 특징으로 한다.
그리고 본 발명은 상기 데이터 취득 단계에서 실시간으로 취득되는 데이터를 신호 분석 기법을 통해 특성 파라미터가 추출되고, 추출된 특성 파라미터는 메모리에 누적되어 저장되며, 설정 주기마다 저장된 파라미터 값의 평균값이 산출되고, 상기 설정 주기마다 가장 최근의 파라미터 값이 판별 대상 파라미터 값으로 선정되어 판별 대상 파라미터 값 대비 평균값의 비율을 통해 변화율 값이 산출되는 것을 또 다른 특징으로 한다.
또한, 본 발명은 상기 파라미터 값의 평균값 산출시 상기 판별 대상 파라미터 값은 제외되는 것을 또 다른 특징으로 한다.
이에 더해 본 발명은 상기 변화율 값이 상기 데이터 평가 단계에서 분류 모델에 입력되어 정상 전류와 아크 전류를 판별하는 데에 이용되는 것을 또 다른 특징으로 한다.
그리고 본 발명은 상기 설정 주기가 5~30회의 파라미터 값으로 이루어지는 것을 또 다른 특징으로 한다.
또한, 본 발명은 상기 데이터 취득 단계의 신호 분석 기법이 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 분석 기법인 것을 또 다른 특징으로 한다.
이에 더해 본 발명은 상기 데이터 취득 단계에서 웨이블릿 필터를 통해 실시간으로 취득되는 데이터의 저주파 대역 신호와 고주파 대역 신호로 분해하고, 다시 저주파 대역 신호는 저주파 대역 신호와 고주파 대역 신호로 분해하여 특성 파라미터를 추출하는 것을 또 다른 특징으로 한다.
본 발명에 따르면, SVM 머신러닝을 통해 아크검출 기준(분류 모델)이 자동으로 생성되고, 생성된 분류 모델과 파라미터의 변화율 값의 대비를 통해 아크 전류를 정확하면서도 빠르게 검출할 수 있는 장점이 있다.
또한, SVM 머신러닝을 통해 분류 모델이 생성되고 나면, 학습되지 않은 새로운 시스템에도 추가 설정 없이 적용할 수 있는 장점이 있다.
도 1은 본 발명에 따른 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법의 예를 보인 순서도.
도 2는 본 발명에 따른 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법의 예를 보인 구성도.
도 3은 본 발명에 따른 서포트 벡터 머신러닝 알고리즘을 통해 분류 모델을 생성하는 예를 보인 도면.
도 4는 본 발명에 따른 웨이블릿 필터를 통해 취득된 신호가 분해되는 예를 보인 도면.
도 5는 본 발명에 따른 파라미터 변화율 값이 추출되는 예를 보인 도면.
이하에서는 본 발명의 바람직한 실시예를 도시한 첨부도면에 따라 상세하게 설명한다.
본 발명은 머신러닝을 통해 정상 전류와 아크 전류를 구분하는 분류 모델을 생성하고, 생성된 분류 모델을 통해 취득되는 스트링 전류의 아크 발생여부를 판단하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법을 제공하고자 하는 것으로, 이를 위한 본 발명은 도 1에 도시된 바와 같이 데이터 학습 단계(S10), 데이터 취득 단계(S20) 및 데이터 평가 단계(S30)로 이루어진다.
그리고 본 발명은 도 2에 도시된 바와 같이 태양광 모듈(10), 인버터(20), 전류센서(30), 모니터링 시스템(40) 및 차단스위치(50)를 포함하여 구성되는 태양광 발전시스템 중, 모니터링 시스템(40)의 아크 검출부(41)로 적용될 수 있다.
(1) 데이터 학습 단계(S10)
이 단계는 정상 전류와 아크 전류를 분류하기 위한 분류 기준 즉, 분류 모델을 생성하는 것으로, 이를 위해 본 발명은 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘을 이용하여 사전 취득된 학습 데이터를 학습하고, 이를 통해 정상 전류와 아크 전류를 분류하는 기준(분류 모델)을 생성하게 된다.
이때 서포트 벡터 머신(SVM)은 학습 데이터로 주어진 데이터를 구분하는 최적의 분할선(초평면)을 생성하는 기계학습 알고리즘 중 하나로, 이러한 서포트 벡터 머신(SVM) 알고리즘은 다양한 분야에서 주어진 데이터를 분류하기 위한 목적으로 주로 사용되고 있다.
본 발명에서는 서포트 벡터 머신(SVM) 알고리즘을 이용하여 도 3에 도시된 바와 같이 주어진 학습 데이터로부터 정상 전류와 아크 전류를 구분하는 초평면(분류기)이 모델링되게 된다.
이때 정상 전류와 아크 전류를 나타내는 데이터 중에서 가장 큰 데이터 값을 기준으로 초평면과 평행한 한 쌍의 마진(Margin)이 생성되게 된다.
상기와 같이 주어진 데이터를 분류하기 위한 한 쌍의 마진을 갖는 초평면을 모델링하는 방법은 공지된 것이므로 이에 대한 상세한 설명은 생략한다.
(2) 데이터 취득 단계(S20)
이 단계는 위 데이터 학습 단계(S10)를 통해 분류 모델이 생성되고 나면, 태양광 모듈(10)과 인버터(20)를 연결하는 전선에 설치되는 전류센서(30)를 통해 실시간으로 스트링 전류 데이터를 취득하고, 이렇게 실시간으로 취득되는 데이터로부터 특성 파라미터를 추출하여 필요 데이터를 취득하는 것이다.
이러한 데이터 취득 단계(S20)는 도 1에 도시된 바와 같이 스트링 전류 취득 단계(S21), 신호 필터링 및 증폭 단계(S22), A/D변환 단계(S23), DWT분석 단계(S24), 기능매개변수 추출 단계(S25) 및 차동 비율 계산 단계(S25)의 순으로 진행된다.
여기서 스트링 전류 취득 단계(S21)는 전류센서(30)를 통해 실시간으로 전류 신호를 취득하는 단계이고, 아날로그 필터링 및 증폭 단계(S22)는 스트링 전류 취득 단계(S21)를 통해 취득된 전류 신호를 필터링 및 증폭하는 단계이며, A/D 변환 단계(S23)는 신호 필터링 및 증폭 단계(S22)를 통해 필터링 및 증폭된 아날로그 신호를 디지털 신호로 변환하는 단계이고, DWT분석 단계(S24)는 디지털 신호로 변환된 데이터를 웨이블릿 필터를 통해 분해하는 단계이며, 기능매개변수 추출 단계(S25)는 설정 주기(Cycle)의 특성 파라미터의 평균값(PA)을 산출하는 단계이고, 차동 비율 계산 단계(S25)는 설정 주기(Cycle)마다 가장 최근의 파라미터 값(PO)이 판별 대상 파라미터 값(PD)으로 선정되어 판별 대상 파라미터 값(PD) 대비 평균값(PA)의 비율을 통해 변화율 값(R)을 산출하는 단계이다.
이를 더욱 상세하게 설명하면, 전류센서(30)를 통해 실시간으로 스트링 전류 데이터가 취득되면, 취득된 데이터에 신호 분석 기법을 적용하여 특성 파라미터 값을 추출하고, 이렇게 추출된 특성 파라미터 값은 메모리에 누적되어 저장되게 된다.
이때 신호 분석 기법은 공지된 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 분석 기법이 이용될 수 있고, 이를 통해 도 4에 도시된 바와 같이 실시간으로 취득되는 데이터의 저주파 대역 신호와 고주파 대역 신호로 분해하고, 다시 저주파 대역 신호는 저주파 대역 신호와 고주파 대역 신호로 반복 분해하여 특성 파라미터 값이 추출될 수 있다.
위와 같이 특성 파라미터 값이 누적되어 저장된 데이터는 설정 주기(Cycle)마다 저장된 파라미터 값의 평균값(PA)을 산출하게 되고, 이와 동시에 설정 주기(Cycle)마다 가장 과거의 파라미터 값(PO)을 판별 대상 파라미터 값(PD)으로 선정하게 된다.
이때 파라미터 값의 평균값(PA) 산출시 판별 대상 파라미터 값(PD)은 제외되고, 이를 통해 파라미터 값의 평균값(PA)에 판별 대상의 파라미터 값(PD)이 영향을 주지 않도록 한다.
한편, 설정 주기(Cycle)는 그 값이 작을수록 파라미터 값의 저장을 위한 메모리 용량이 적게 요구되는 장점이 있는 반면, 파라미터 값의 평균값(PA)의 변동으로 인해 상대적으로 아크 전류 판별의 정확성이 떨어지는 문제가 있다.
이와 반대로 설정 주기 값이 클수록 아크 전류 판별의 정확성이 상승되는 장점이 있는 반면, 상대적으로 파라미터 값의 저장을 위한 메모리 용량이 증가되는 단점이 있다.
따라서 본 발명은 5~30회의 파라미터 값으로 설정 주기가 설정되게 되는데, 더욱 바람직하게는 도 5에 도시된 바와 같이 10회의 파라미터 값이 설정 주기로 설정될 수 있는데, 이는 파라미터 값의 증가로 인한 아크 전류 판별의 정확성을 담보할 수 있으면서도 파라미터 값을 저장하는 메모리의 허용 용량을 충족하기 위함이다.
한편, 판별 대상 파라미터 값(PD)이 선정되고 나면, 판별 대상 파라미터 값(PD) 대비 평균값(PA)의 비율을 통해 변화율 값(R)이 산출되게 되고, 이렇게 산출된 변화율 값(R)은 후술되는 데이터 평가 단계(S30)분류 모델에 입력되어 정상 전류와 아크 전류가 판별되게 된다.
(3) 데이터 평가 단계(S30)
이 단계는 위 데이터 학습 단계(S10)에서 생성된 분류 모델에 기초하여 데이터 취득 단계(S20)에서 취득되는 데이터를 비교하여 정상 전류와 아크 전류를 판단하는 것이다.
이때 해당 주기의 변화율 값(R)이 분류 모델의 초평면(분류 기준선)을 기준으로 아크 전류 위치에 있으면 아크 전류로 판정되고, 정상 전류 위치에 있으면 정상 전류로 판정되게 된다.
여기서 아크 전류로 판정되면, 모니터링 장치(40)를 통해 아크 발생 신호를 송출하여 차단스위치(50)에 차단 신호를 전달하게 되고, 정상 전류 위치에 있으면 데이터 취득 단계(S20)를 통해 다음 주기의 데이터 변화율 값(R)을 산출한 다음, 위 과정을 반복하게 된다.
이상 설명한 바와 같이 본 발명은 SVM 머신러닝을 통해 아크검출 기준(분류 모델)이 자동으로 생성되고, 생성된 분류 모델과 파라미터의 변화율 값의 대비를 통해 정확하면서도 빠르게 아크 전류를 검출할 수 있게 된다.
위에서는 설명의 편의를 위해 바람직한 실시예를 도시한 도면과 도면에 나타난 구성에 도면부호와 명칭을 부여하여 설명하였으나, 이는 본 발명에 따른 하나의 실시예로서 도면상에 나타난 형상과 부여된 명칭에 국한되어 그 권리범위가 해석되어서는 안 될 것이며, 발명의 설명으로부터 예측 가능한 다양한 형상으로의 변경과 동일한 작용을 하는 구성으로의 단순 치환은 통상의 기술자가 용이하게 실시하기 위해 변경 가능한 범위 내에 있음은 지극히 자명하다고 볼 것이다.
10: 태양광 모듈 20: 인버터
30: 전류센서 40: 모니터링 시스템
41: 아크 검출기 50: 차단스위치

Claims (7)

  1. 서포트 벡터 머신(SVM) 알고리즘을 통해 학습 데이터로부터 정상 전류와 아크 전류를 구분하는 초평면이 모델링되어 분류 모델을 생성하는 데이터 학습 단계(S10);
    전류센서(30)를 통해 실시간으로 취득되는 데이터에 신호 분석 기법을 적용하여 SVM 입력 파라미터 값을 산출하는 데이터 취득 단계(S20); 및
    산출된 입력 파라미터 값을 분류 모델에 입력하여 정상 전류와 아크 전류를 판별하는 데이터 평가 단계(S30);
    를 포함하고,
    상기 데이터 취득 단계(S20)에서는,
    실시간으로 취득되는 데이터를 신호 분석 기법을 통해 특성 파라미터가 추출되고, 추출된 특성 파라미터는 메모리에 누적되어 저장되며, 설정 주기(Cycle)마다 저장된 파라미터 값의 평균값(PA)이 산출되고, 상기 설정 주기(Cycle)마다 가장 최근의 파라미터 값(PO)이 판별 대상 파라미터 값(PD)으로 선정되어 판별 대상 파라미터 값(PD) 대비 평균값(PA)의 비율을 통해 변화율 값(R)이 산출되는 것을 특징으로 하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 파라미터 값의 평균값(PA) 산출시 상기 판별 대상 파라미터 값(PD)은 제외되는 것을 특징으로 하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법.
  4. 청구항 1에 있어서,
    상기 변화율 값(R)은,
    상기 데이터 평가 단계(S30)를 통해 분류 모델에 입력되어 정상 전류와 아크 전류를 판별하는 데에 이용되는 것을 특징으로 하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법.
  5. 청구항 1, 청구항 3 및 청구항 4 중 선택된 어느 한 항에 있어서,
    상기 설정 주기(Cycle)는,
    5~30회의 파라미터 값으로 이루어지는 것을 특징으로 하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법.
  6. 청구항 1에 있어서,
    상기 데이터 취득 단계(S20)의 신호 분석 기법은,
    이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 분석 기법인 것을 특징으로 하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법.
  7. 청구항 6에 있어서,
    상기 데이터 취득 단계(S20)에서는,
    웨이블릿 필터를 통해 실시간으로 취득되는 데이터의 저주파 대역 신호와 고주파 대역 신호로 분해하고, 다시 저주파 대역 신호는 저주파 대역 신호와 고주파 대역 신호로 분해하여 특성 파라미터를 추출하는 것을 특징으로 하는 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법.
KR1020220134144A 2022-10-18 2022-10-18 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법 KR102516010B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220134144A KR102516010B1 (ko) 2022-10-18 2022-10-18 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220134144A KR102516010B1 (ko) 2022-10-18 2022-10-18 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법

Publications (1)

Publication Number Publication Date
KR102516010B1 true KR102516010B1 (ko) 2023-03-30

Family

ID=85985862

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220134144A KR102516010B1 (ko) 2022-10-18 2022-10-18 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법

Country Status (1)

Country Link
KR (1) KR102516010B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102588582B1 (ko) * 2023-06-14 2023-10-12 주식회사 솔라리치 Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037422A (zh) * 2017-12-07 2018-05-15 国网冀北电力有限公司秦皇岛供电公司 一种光伏系统直流电弧故障特征提取和识别方法及装置
KR102046975B1 (ko) 2019-05-31 2019-11-20 이에스솔라 주식회사 아크 검출이 가능한 태양광 접속반
CN211556860U (zh) * 2020-02-17 2020-09-22 山西潞安环保能源开发股份有限公司 一种光伏系统直流侧电弧故障检测系统
KR102166323B1 (ko) 2020-02-12 2020-10-15 지투파워 (주) 태양광발전시스템의 웨이블릿 변환에 의한 아크 검출 장치 및 방법
KR102370220B1 (ko) 2021-11-25 2022-03-11 (주) 에이엠씨 태양광발전 접속반에서 직렬 아크를 검출하는 아크검출장치
KR20220058821A (ko) * 2020-10-30 2022-05-10 주식회사 대경산전 스마트 아크 차단기
KR20220063407A (ko) 2020-11-10 2022-05-17 주식회사 디엠티 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037422A (zh) * 2017-12-07 2018-05-15 国网冀北电力有限公司秦皇岛供电公司 一种光伏系统直流电弧故障特征提取和识别方法及装置
KR102046975B1 (ko) 2019-05-31 2019-11-20 이에스솔라 주식회사 아크 검출이 가능한 태양광 접속반
KR102166323B1 (ko) 2020-02-12 2020-10-15 지투파워 (주) 태양광발전시스템의 웨이블릿 변환에 의한 아크 검출 장치 및 방법
CN211556860U (zh) * 2020-02-17 2020-09-22 山西潞安环保能源开发股份有限公司 一种光伏系统直流侧电弧故障检测系统
KR20220058821A (ko) * 2020-10-30 2022-05-10 주식회사 대경산전 스마트 아크 차단기
KR20220063407A (ko) 2020-11-10 2022-05-17 주식회사 디엠티 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템
KR102370220B1 (ko) 2021-11-25 2022-03-11 (주) 에이엠씨 태양광발전 접속반에서 직렬 아크를 검출하는 아크검출장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102588582B1 (ko) * 2023-06-14 2023-10-12 주식회사 솔라리치 Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템

Similar Documents

Publication Publication Date Title
JP6116495B2 (ja) 直流アーク検出装置及び方法
CN109633368B (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
KR102516010B1 (ko) 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법
KR910009802B1 (ko) 화재감지기 통계학적 식별기
Yılmaz et al. A real-time UWT-based intelligent fault detection method for PV-based microgrids
CN103592587A (zh) 基于数据挖掘的局部放电诊断方法
KR102166323B1 (ko) 태양광발전시스템의 웨이블릿 변환에 의한 아크 검출 장치 및 방법
US7343267B1 (en) Methods and systems for statistical based monitoring and power management
CN109374997B (zh) 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法
CN108508297B (zh) 一种基于突变系数和svm的故障电弧检测方法
CN111986436B (zh) 一种基于紫外、深度神经网络的综合火焰检测方法
CN114048051A (zh) 检测方法、设备及计算机可读存储介质
Chen et al. A new transient feature extraction method of power signatures for Nonintrusive Load Monitoring Systems
CN114584069B (zh) 一种光伏直流电弧检测方法及系统
Sekar Power quality disturbance detection using machine learning algorithm
CN111398750A (zh) 电弧识别方法和用于电弧识别的系统
US20180358797A1 (en) Method and device for detecting an electric arc in a photovoltaic installation
CN107576380A (zh) 一种面向φ‑otdr技术的三维振动信号分类方法
Matz et al. Automated power quality monitoring system for on-line detection and classification of disturbances
CN115808600B (zh) 基于数学形态学和模式识别的直流电弧检测方法
CN117330906A (zh) 设备电弧故障检测方法、装置、设备及存储介质
KR101883276B1 (ko) 전압신호를 이용한 가전기기 식별 시스템 및 그 제어방법
CN109581169B (zh) 一种变压器的绝缘缺陷检测方法及装置
CN203616430U (zh) 具备自适应抗干扰功能的低成本局部放电在线监测装置
Pöttker et al. Non-intrusive load monitoring: A multi-agent architecture and results

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