KR102541293B1 - 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법 - Google Patents

복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR102541293B1
KR102541293B1 KR1020210036714A KR20210036714A KR102541293B1 KR 102541293 B1 KR102541293 B1 KR 102541293B1 KR 1020210036714 A KR1020210036714 A KR 1020210036714A KR 20210036714 A KR20210036714 A KR 20210036714A KR 102541293 B1 KR102541293 B1 KR 102541293B1
Authority
KR
South Korea
Prior art keywords
learning
vector
sensor
simulated
loss
Prior art date
Application number
KR1020210036714A
Other languages
English (en)
Other versions
KR20220131707A (ko
Inventor
어익수
Original Assignee
호남대학교 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 호남대학교 산학협력단 filed Critical 호남대학교 산학협력단
Priority to KR1020210036714A priority Critical patent/KR102541293B1/ko
Publication of KR20220131707A publication Critical patent/KR20220131707A/ko
Application granted granted Critical
Publication of KR102541293B1 publication Critical patent/KR102541293B1/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
    • 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
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
    • 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
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/34—Electrical components comprising specially adapted electrical connection means to be structurally associated with the PV module, e.g. junction boxes
    • 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

  • Photovoltaic Devices (AREA)

Abstract

복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법은 데이터처리부가 접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하는 단계와, 데이터처리부가 상기 센서벡터를 모사하도록 학습된 검출모델에 입력하는 단계와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계와, 검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계와, 상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함에 이상이 있는 것으로 판단하는 단계를 포함한다.

Description

복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법{An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor}
본 발명은 태양광 접속함의 상태를 유지하기 위한 기술에 관한 것으로, 보다 상세하게는, 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법에 관한 것이다.
태양광발전(Photovoltaic system, solar power system)은 햇빛을 직류 전기로 바꾸어 전력을 생산하는 발전 방법이다. 태양광 발전은 여러 개의 태양 전지들이 붙어있는 태양광 패널을 이용한다. 재생가능 에너지에 대한 수요가 증가함에 따라, 태양 전지와 태양광 어레이의 생산도 크게 늘어나고 있는 추세이다.
태양광발전은 광기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 빛을 전기 에너지로 바꾸어 주는 발전 방법을 지칭한다. 빛 에너지를 직접적으로 전기 에너지로 바꾼다는 점에서 빛의 열에너지를 이용하여 발전하는 태양열발전과는 구분된다.
광기전 효과는 광전 효과(photoelectric effect)와 거의 비슷하지만 설명하는 상황이 조금 다르다. 광전효과가 일반적으로 어떠한 물질이 빛을 받아 전자를 방출하는 효과를 일컫는다면, 광기전 효과는 광전효과의 결과로 생긴 전자와 양공(hole)이 물질 내부에서 이동하여 전위차를 만드는 것을 일컫는다. 즉 광기전 효과는 광전 효과의 하나의 결과로 생각할 수 있는 부수적인 효과라고 할 수 있다.
한국등록특허 제1628697호 2016년 06월 02일 등록 (명칭: 다중 스위칭 구조 접속함의 모니터링을 적용한 태양광 발전 시스템)
본 발명의 목적은 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템, 이를 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법은 데이터처리부가 접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하는 단계와, 데이터처리부가 모사센서벡터를 생성하도록 학습이 완료된 검출모델에 상기 센서벡터를 입력하는 단계와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계와, 검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계와, 상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함에 이상이 있는 것으로 판단하는 단계를 포함한다.
상기 방법은 상기 센서벡터를 생성하는 단계 전, 모델생성부가 복수의 학습용 센서벡터를 이용하여 검출모델을 학습시키는 단계를 더 포함한다. 여기서, 상기 검출모델을 학습시키는 단계는 모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계와, 상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행하는 단계를 포함한다.
상기 전체 손실을 산출하는 단계는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계와, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계와, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계를 포함한다.
상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는 상기 모델생성부가 수학식
Figure 112021033410503-pat00001
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다.
상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는 상기 모델생성부가 수학식
Figure 112021033410503-pat00002
에 따라 모사잠재손실을 산출한다. 여기서, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다.
상기 방법은 상기 검출모델을 학습시키는 단계 후, 상기 모델생성부가 수학식
Figure 112021033410503-pat00003
에 따라 상기 임계치를 산출하는 단계를 더 포함한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법은 모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계와, 상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 단계를 포함한다.
상기 방법은 데이터처리부가 접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하는 단계와, 상기 데이터처리부가 상기 센서벡터를 상기 검출모델에 입력하는 단계와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계와, 검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계와, 상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함의 상태에 이상이 있는 것으로 판단하는 단계를 더 포함한다.
상기 전체 손실을 산출하는 단계는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계와, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계와, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계를 포함한다.
상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는 상기 모델생성부가 수학식
Figure 112021033410503-pat00004
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다.
상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는 상기 모델생성부가 수학식
Figure 112021033410503-pat00005
에 따라 모사잠재손실을 산출한다. 여기서, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다.
상기 학습시키는 단계 후, 상기 센서벡터를 생성하는 단계 전, 상기 모델생성부가 수학식
Figure 112021033410503-pat00006
에 따라 상기 임계치를 산출하는 단계를 더 포함한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치는 접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하고, 생성된 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습된 검출모델에 입력하는 데이터처리부와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함에 이상이 있는 것으로 판단하는 검출부를 포함한다.
상기 장치는 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 생성된 학습용 센서벡터를 초기화된 검출모델에 입력하고, 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고, 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써, 검출모델을 학습시키는 모델생성부를 더 포함한다.
상기 모델생성부는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면, 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고, 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 한다.
상기 모델생성부는 수학식
Figure 112021033410503-pat00007
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다.
상기 모델생성부는 수학식
Figure 112021033410503-pat00008
에 따라 모사잠재손실을 산출한다. 여기서, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다.
상기 모델생성부는 상기 검출모델을 학습시킨 후, 수학식
Figure 112021033410503-pat00009
에 따라 상기 임계치를 산출한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치는 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 상기 학습용 센서벡터를 초기화된 검출모델에 입력한 후, 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고, 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 모델생성부를 포함한다.
상기 장치는 접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하고, 생성된 센서벡터를 상기 검출모델에 입력하는 데이터처리부와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함의 상태에 이상이 있는 것으로 판단하는 검출부를 더 포함한다.
상기 모델생성부는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면, 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고, 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 한다.
상기 모델생성부는 수학식
Figure 112021033410503-pat00010
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다.
상기 모델생성부는 수학식
Figure 112021033410503-pat00011
에 따라 모사잠재손실을 산출하고, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다.
상기 모델생성부는 상기 검출모델을 학습시킨 후, 수학식
Figure 112021033410503-pat00012
에 따라 상기 임계치를 산출하는 것을 특징으로 한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다.
본 발명에 따르면, 복수의 센서를 이용한 태양광 접속함의 상태를 유지할 수 있는 장치 및 이를 위한 방법을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 태양광접속함의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 상태유지서버의 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시예에 따른 상태유지서버의 제어모듈의 세부적인 구성을 설명하기 위한 블록도이다.
도 5는 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)의 구성을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)을 생성하는 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법을 설명하기 위하 흐름도이다.
본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
먼저, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템(이하, '상태유지시스템'으로 축약함)은 상태유지서버(10), 태양광셀어레이(20, Solar Cell Array: SCA), 접속함(30, Junction Box: JB), 인버터(40, Inverter) 및 부하(50, Load)를 포함한다.
태양광셀어레이(20)는 복수의 태양광셀(SC: Solar Cell)을 포함한다. 복수의 태양광셀(SC) 각각은 광기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 빛을 전기 에너지를 생산한다.
접속함(30)은 복수의 태양광셀(SC)을 관리하고, 복수의 태양광셀(SC)이 생산한 전기 에너지인 직류 전류를 전달한다.
인버터(40)는 접속함으로부터 유입되는 직류전류를 교류전류로 변환하여 예컨대, 수용가와 같은 부하(50)로 출력한다.
상태유지서버(10)는 접속함(30)의 복수의 센서로부터 측정되는 센서값을 수신하고, 이를 기초로 접속함(30)이 복수의 태양광셀(SC)을 관리하는 상태를 일정하게 유지할 수 있도록 하기 위한 것이다.
다음으로, 본 발명의 실시예에 따른 접속함(30)의 구성에 대해서 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 태양광접속함의 구성을 설명하기 위한 도면이다. 도 2를 참조하면, 본 발명의 실시예에 따른 접속함(30)은 차단회로부(31), 보호회로부(32), 센서부(33), 통신부(34) 및 제어부(35)를 포함한다.
차단회로부(31)는 태양광셀어레이(20)로부터 유입되는 전류의 상태에서 이상이 발생하는 경우, 차단하기 위한 것이다. 차단회로부(31)는 예컨대, 과전류가 발생하는 경우, 차단할 수 있다. 일 실시예에 따르면, 차단회로부(31)는 복수의 태양광셀(20) 각각으로부터 연결되는 선로를 따라 복수의 퓨즈(FS1, FS2) 및 복수의 역류방지다이오드(D1, D2)가 배치될 수 있다. 제어부(35)의 제어에 따라 복수의 퓨즈(FS1, FS2)를 통해 지락이 발생하는 경우, 이를 차단하며, 역류방지다이오드(D1, D2)를 통해 역류를 방지할 수 있다. 또한, 차단회로부(31)는 복수의 퓨즈(FS1, FS2)와 역류방지다이오드(D1, D2)를 연결하는 버스바(BUS)를 포함할 수 있다. 본 발명의 다른 실시예에 따르면, 차단회로부(31)는 복수의 태양광셀(20) 각각으로부터 개별 선로를 통해 접속함으로 입력되는 전류를 선택적으로 차단할 수 있다. 즉, 차단회로부(31)는 제어부(35)의 제어에 따라 복수의 태양광셀(20) 각각에 연결된 선로 중 지락이 감지된 선로에 대응하는 태양광셀(20)로부터 입력되는 전류를 차단할 수 있다. 차단회로부(31)는 복수의 태양광셀(20) 각각에 한 세트의 선로가 배정될 때, 각 선로 별로 센서부(33)의 전류 센서 혹은 전압 센서가 배치될 수 있다.
보호회로부(32)는 접속함(30) 내에 과전압이 발생하면 접속함 내부의 회로를 보호하기 위한 것이다. 보호회로부(32)는 복수의 서지보호기(S1, S2, Surge Protection Device: SPD) 및 접지에 연결되는 접지다이오드(D3)를 포함한다. 이러한 복수의 서지보호기(S1, S2) 및 접지된 다이오드를 통해 과전압(Surge), 개폐서지, 지락, 정전 등의 계통 고장 서지 등으로부터 접속함 내부의 회로를 보호할 수 있다.
센서부(33)는 복수의 센서를 구비하며, 복수의 센서를 통해 접속함(30)의 상태를 측정하고, 접속함(30)의 상태를 나타내는 센서값을 생성한다. 여기서, 접속함(30)의 상태는 접속함(30)에 인가되는 전압, 전류의 상태를 나타내는 1차 상태를 비롯하여 접속함(30)에 인가되는 전압, 전류로 인해 발생되는 부수적인 상태 변화를 나타내는 2차 상태를 포함한다. 예컨대, 센서부(33)의 복수의 센서는 이미지 센서, 전압 센서, 전류 센서, 열감지 센서, 연기 센서 등을 포함한다.
통신부(34)는 네트워크를 통해 상태유지서버(10)와 통신하기 위한 것이다. 통신부(34)는 송신되는 신호의 주파수를 상승 변환 및 증폭하는 RF 송신기와, 수신되는 신호를 저 잡음 증폭하고 주파수를 하강 변환하는 RF 수신기를 포함한다. 또한, 통신부(34)는 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신부(34)는 제어부(35)로부터 전달 받은 데이터를 네트워크를 통해 상태유지서버(10)로 전송할 수 있다. 또한, 통신부(34)는 네트워크를 통해 상태유지서버(10)로부터 수신된 데이터를 제어부(35)로 전달할 수 있다.
제어부(35)는 접속함(30)의 전반적인 동작 및 접속함(30)의 내부 블록들(31, 32, 33, 34) 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 이러한 제어부(35)는 CPU(Central Processing Unit), AP(Application Processor), GPU(Graphic Processing Unit) 등이 될 수 있다. 제어부(35)는 센서부(33)의 복수의 센서에 의해 측정된 접속함(30)의 상태를 나타내는 복수의 센서값을 통신부(34)를 통해 상태유지서버(10)로 전송할 수 있다. 제어부(35)는 통신부(34)를 통해 상태유지서버(10)로부터 상태 이상을 정정하도록 정정 메시지를 수신하면, 해당 정정 메시지에 따라 차단회로부(31) 혹은 보호회로부(32)를 가동시켜 접속함(30)을 보호할 수 있다.
다음으로, 본 발명의 실시예에 따른 상태유지서버(10)에 대해 보다 상세하게 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 상태유지서버의 구성을 설명하기 위한 블록도이다. 도 4는 본 발명의 실시예에 따른 상태유지서버의 제어모듈의 세부적인 구성을 설명하기 위한 블록도이다.
먼저, 도 3을 참조하면, 본 발명의 실시예에 따른 상태유지서버(10)는 통신모듈(11), 저장모듈(12) 및 제어모듈(13)을 포함한다.
통신모듈(11)은 네트워크를 통해 접속함(30)과 통신하기 위한 것이다. 통신모듈(11)은 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신모듈(11)은 제어모듈(13)로부터 전달 받은 데이터를 네트워크를 통해 접속함(30)으로 전송할 수 있다. 또한, 통신모듈(11)은 네트워크를 통해 접속함(30)으로부터 수신된 데이터를 제어모듈(13)로 전달할 수 있다.
저장모듈(12)은 상태유지서버(10)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 저장모듈(12)은 접속함(30)으로부터 수신되는 데이터, 예컨대, 센서값 등을 저장할 수 있다. 저장모듈(12)에 저장되는 각 종 데이터는 관리자의 조작에 따라 등록, 삭제, 변경, 추가될 수 있다.
제어모듈(13)은 상태유지서버(10)의 전반적인 동작 및 상태유지서버(10)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 제어모듈(13)은 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 등이 될 수 있다. 이러한 제어모듈(13)은 도 4에 도시된 바와 같이, 모델생성부(100), 데이터처리부(200) 및 검출부(300)를 포함한다. 또한, 본 발명의 실시예에 따라 모델생성부(100)가 생성한 검출모델(DM)은 제어모듈(13)에서 실행될 수 있다. 특히, 검출모델(DM)이 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 등인 제어모듈(13)에서 실행될 때, 검출모델(DM)을 실행시키는 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 등의 명령모듈(instruction module)은 검출모델(DM)과 동치인 하드웨어로 설명될 수 있다.
모델생성부(100)는 본 발명의 실시예에 따른 심층학습모델(Deep Learning Model)인 검출모델(DM: Detection Model)을 학습(deep learning)시키기 위한 것이다. 즉, 모델생성부(100)는 검출모델(DM)이 접속함의 현재 상태를 나타내는 센서벡터를 모사하여 모사센서벡터를 산출하도록 학습시킨다. 학습이 완료된 검출모델(DM)은 데이터처리부(200) 및 검출부(300)와 연동하여 실행된다.
데이터처리부(200)는 통신모듈(11)을 통해 접속함(30)로부터 센서부(33)의 복수의 센서가 측정한 복수의 센서값을 수신할 수 있다. 데이터처리부(200)는 수신된 복수의 센서값을 저장모듈(12)에 저장할 수 있다. 그리고 데이터처리부(200)는 수신된 복수의 센서값을 포함하는 센서벡터를 생성한다. 생성된 센서벡터를 검출모델에 입력한다.
검출부(300)는 학습이 완료된 검출모델(DM)이 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 센서벡터와 모사센서벡터의 차이를 나타내는 모사손실이 검출모델(DM)의 학습 시 기 산출된 임계치를 초과하는지 여부를 판단한다. 모사손실이 임계치 이상이면, 접속함(30)의 상태에 이상이 있는 것으로 판단한다. 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 정정하도록 정정 메시지를 전송할 수 있다. 또한, 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 알리는 메시지를 접속함(30)을 관리하는 관리자의 장치로 전송할 수 있다.
전술한 모델생성부(100), 데이터처리부(200), 검출부(300) 및 통지부(400)를 포함하는 제어부(13)의 동작에 대해서는 아래에서 더 상세하게 설명될 것이다.
다음으로, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)의 구성에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)의 구성을 설명하기 위한 도면이다. 도 5를 참조하면, 검출모델(DM)은 인코더(encoder: EN) 및 디코더(decoder: DE)를 포함한다.
인코더(EN)는 컨벌루션(Convolution) 연산 및 활성화함수에 의한 연산을 포함하는 복수의 컨벌루션층(Convolution Layer: CL)을 포함한다. 또한, 인코더(EN)는 복수의 컨벌루션층(CL) 각각에 연결되는 풀링층(Pooling Layer: PL)을 더 포함할 수 있다. 이러한 풀링층(PL)은 다운 샘플링(down-sampling)을 위한 것이다.
디코더(DE)는 디컨벌루션(Deconvolution) 연산 및 활성화함수에 의한 연산을 포함하는 복수의 디컨벌루션층(Deconvolution Layer: DL)을 포함한다. 또한, 디코더(DE)는 복수의 디컨벌루션층(DL) 각각에 연결되는 언풀링층(Unpooling layer: UL)을 더 포함할 수 있다. 이러한 언풀링층(UL)은 업샘플링(up-sampling)을 하기 위한 것이다.
전술한 복수의 컨벌루션층(CL) 혹은 복수의 디컨벌루션층(DL)에서 사용되는 활성화함수는 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다.
전술한 바와 같이, 검출모델(DM)은 복수의 계층을 포함하며, 복수의 계층은 복수의 연산을 포함한다. 또한, 복수의 계층 간은 가중치(w: weight)로 연결된다. 어느 하나의 계층의 연산 결과는 가중치가 적용되어 다음 계층 노드의 입력이 된다. 즉, 검출모델(DM)의 어느 한 계층은 이전 계층으로부터 가중치를 적용한 값을 입력 받고, 이에 대한 연산을 수행하고, 그 연산 결과를 다음 계층의 입력으로 전달한다.
인코더(EN)는 센서벡터(x)가 입력되는 경우, 입력된 센서벡터(x)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 잠재벡터(Latent Vector: z)를 산출하여 출력할 수 있다.
또한, 본 발명의 실시예에 따르면, 학습 시, 인코더(EN)는 학습용 모사센서벡터(y)를 입력받을 수 있다. 이와 같이, 학습용 모사센서벡터(y)가 입력되는 경우, 인코더(EN)는 입력된 모사센서벡터(y)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 모사잠재벡터(h)를 산출하여 출력할 수 있다.
디코더(DE)는 인코더(EN)로부터 출력된 잠재벡터(z)가 입력되면, 잠재벡터(z)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 센서벡터(x)를 모사하는 모사센서벡터(y)를 생성한다.
본 발명에 따르면, 전술한 인코더(EN) 및 디코더(DE)를 포함하는 검출모델(DM)을 이용하여 복수의 센서를 이용한 태양광 접속함의 상태가 이상한지 여부를 감지하고, 정상 상태를 유지하도록 할 수 있다. 그러면, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법에 대해서 설명하기로 한다. 먼저, 접속함의 상태를 유지하기 위한 방법을 수행하기 위해 학습을 통해 검출모델(DM)을 생성하여야 한다. 이러한 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)을 생성하는 방법을 설명하기 위한 흐름도이다.
도 5 및 도 6을 참조하면, 모델생성부(100)는 S110 단계에서 검출모델(DM)을 초기화한다. 이러한 초기화는 검출모델(DM)의 파라미터, 즉, 가중치(w)를 초기화하는 것을 의미한다. 초기화가 완료되면, 모델생성부(100)는 S120 단계에서 초기화된 검출모델(DM)에 학습을 위해 사용되는 학습용 센서벡터(x)를 생성한다. 학습용 센서벡터(x)는 접속함(30)의 센서부(33)의 복수의 센서에 의해 접속함(30)이 정상 상태인 때의 접속함(30)의 상태를 측정한 복수의 센서값으로부터 생성된 것이다. 이어서, 모델생성부(100)는 S130 단계에서 생성된 학습용 센서벡터(x)를 검출모델(DM)에 입력한다.
그러면, 검출모델(DM)은 S140 단계에서 학습용 센서벡터(x)에 대해 인코더(EN), 디코더(DE) 및 인코더(EN)에 의한 연산을 수행한다. 먼저, 인코더(EN)는 학습용 센서벡터(x)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 잠재벡터(z)를 산출한다. 그러면, 디코더(DE)는 학습용 잠재벡터(z)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 모사센서벡터(y)를 산출한다. 다시, 인코더(EN)는 학습용 모사센서벡터(y)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 모사잠재벡터(h)를 산출한다.
다음으로, 모델생성부(100)는 S150 단계에서 학습용 모사잠재벡터(h)와 학습용 잠재벡터(z)와의 차이를 나타내는 모사잠재손실(Et)을 산출하고, 학습용 모사센서벡터(y)와 학습용 센서벡터(x)와의 차이를 나타내는 모사손실(Er)을 산출함으로써 전체 손실을 산출한다.
모사잠재손실(Et)은 다음의 수학식 1과 같다.
Figure 112021033410503-pat00013
여기서, Et은 모사잠재손실을 나타낸다. z는 학습용 잠재벡터이고, h는 학습용 모사잠재벡터를 나타낸다. 또한, i 및 n은 데이터의 인덱스이다.
또한, 모사손실(Er)은 다음의 수학식 2와 같다.
Figure 112021033410503-pat00014
수학식 2에서 Er은 상기 모사손실을 나타내며, x는 학습용 센서벡터이고, y는 학습용 모사센서벡터이다. 또한, i 및 n은 데이터의 인덱스를 나타낸다.
그런 다음, 모델생성부(100)는 S160 단계에서 모사손실(Er) 및 모사잠재손실(Et)을 포함하는 전체 손실이 최소화되도록 역전파(Backpropagation) 알고리즘을 통해 검출모델(DM)의 가중치(w)를 갱신하는 최적화를 수행한다.
전술한 S120 단계 내지 S160 단계는 서로 다른 복수의 학습용 센서벡터(x)를 이용하여 산출되는 전체 손실이 기 설정된 기준치 이하가 될 때까지 반복하여 가중치(w)가 갱신되도록 반복 수행될 수 있다. 이를 위하여, 모델생성부(100)는 S170 단계에서 전체 손실이 기 설정된 기준치 이하인지 여부를 판별하여 학습 완료 여부를 판단한다. 즉, 모델생성부(100)는 전체 손실이 기 설정된 기준치 이하인 경우, 학습이 충분히 이루어진 것으로 판단하여 학습 완료를 결정한다.
학습이 완료되면, 모델생성부(100)는 S180 단계에서 센서벡터(x)와 모사센서벡터(y)와의 차이, 즉, 모사손실의 임계치(th)를 산출한다. 이러한 임계치는 다음의 수학식 3에 따라 산출된다.
Figure 112021033410503-pat00015
수학식 3에서, th는 임계치를 나타낸다. 또한, m은 복수의 학습용 모사센서벡터(y)와 복수의 학습용 센서벡터(x)와의 차이를 나타내는 모사손실의 평균을 나타낸다. d는 복수의 학습용 모사센서벡터(y)와 복수의 학습용 센서벡터(x)와의 차이를 나타내는 모사손실의 표준편차이다. e는 모사손실의 표준편차에 대한 가중치이며, 미리 설정되는 값이다.
전술한 바와 같은 절차에 따라 검출모델(DM)에 대한 학습이 완료되면, 검출모델(DM)을 이용하여 접속함의 상태의 이상 여부를 확인할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법을 설명하기 위하 흐름도이다.
도 7을 참조하면, 상태유지서버(10)의 데이터처리부(200)는 S210 단계에서 통신모듈(11)을 통해 접속함(30)으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하고, S220 단계에서 수신된 복수의 센서값으로부터 센서벡터(x)를 생성한다.
이어서, 데이터처리부(200)는 S230 단계에서 센서벡터(x)를 검출모델(DM)에 입력한다. 여기서, 검출모델(DM)은 전술한 도 6에서 설명된 바와 같이, 학습이 완료된 상태이다. 따라서 검출모델(DM)은 S240 단계에서 입력된 센서벡터(x)를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출한다. 즉, 검출모델(DM)의 인코더(EN)는 센서벡터(x)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 잠재벡터(z)를 산출하고, 검출모델(DM)의 디코더(DE)는 잠재벡터(z)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 모사센서벡터(y)를 산출한다.
검출부(300)는 S250 단계에서 모사센서벡터(y)와 센서벡터(x)의 차이를 나타내는 모사손실(Er)이 앞서(S180) 학습 시 산출된 임계치(th)를 초과하는지 여부를 판단한다.
S250 단계의 판단 결과, 모사손실이 임계치(th) 이상이면, 검출부(300)는 S260 단계에서 해당 접속함(30)에 이상이 발생한 것으로 판정한다. 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 정정하도록 정정 메시지를 전송할 수 있다. 또한, 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 알리는 메시지를 접속함(30)을 관리하는 관리자의 장치로 전송할 수 있다.
한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
10: 상태유지서버
20: 태양광셀어레이
30: 접속함
40: 인버터
50: 부하

Claims (24)

  1. 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법에 있어서,
    데이터처리부가 접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하는 단계;
    데이터처리부가 모사센서벡터를 생성하도록 학습이 완료된 검출모델에 상기 센서벡터를 입력하는 단계;
    상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계;
    검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계;
    상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함에 이상이 있는 것으로 판단하는 단계;
    를 포함하며,
    상기 센서벡터를 생성하는 단계 전,
    모델생성부가 복수의 학습용 센서벡터를 이용하여 검출모델을 학습시키는 단계;
    를 더 포함하며,
    상기 검출모델을 학습시키는 단계는
    상기 모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계;
    상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계;
    상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계;
    상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행하는 단계;
    를 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 전체 손실을 산출하는 단계는
    상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계;
    상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계;
    상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계;
    상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계; 및
    상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계;
    를 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  4. 제3항에 있어서,
    상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는
    상기 모델생성부가 수학식
    Figure 112021033410503-pat00016
    에 따라 모사손실을 산출하고,
    상기 Er은 상기 모사손실이고,
    상기 x는 학습용 센서벡터이고,
    상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  5. 제3항에 있어서,
    상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는
    상기 모델생성부가 수학식
    Figure 112021033410503-pat00017
    에 따라 모사잠재손실을 산출하고,
    상기 Et은 상기 모사잠재손실이고,
    상기 z는 학습용 잠재벡터이고,
    상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  6. 제1항에 있어서,
    상기 검출모델을 학습시키는 단계 후,
    상기 모델생성부가
    수학식
    Figure 112021033410503-pat00018
    에 따라 상기 임계치를 산출하는 단계;
    를 더 포함하며,
    상기 th는 상기 임계치이고,
    상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
    상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
    상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
    을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  7. 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법에 있어서,
    모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계;
    상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계;
    상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계;
    상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 단계;
    를 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  8. 제7항에 있어서,
    데이터처리부가 접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하는 단계;
    상기 데이터처리부가 상기 센서벡터를 상기 검출모델에 입력하는 단계;
    상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계;
    검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계; 및
    상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함의 상태에 이상이 있는 것으로 판단하는 단계;
    를 더 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  9. 제7항에 있어서,
    상기 전체 손실을 산출하는 단계는
    상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계;
    상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계;
    상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계;
    상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계; 및
    상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계;
    를 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  10. 제9항에 있어서,
    상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는
    상기 모델생성부가 수학식
    Figure 112021033410503-pat00019
    에 따라 모사손실을 산출하고,
    상기 Er은 상기 모사손실이고,
    상기 x는 학습용 센서벡터이고,
    상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  11. 제9항에 있어서,
    상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는
    상기 모델생성부가 수학식
    Figure 112021033410503-pat00020
    에 따라 모사잠재손실을 산출하고,
    상기 Et은 상기 모사잠재손실이고,
    상기 z는 학습용 잠재벡터이고,
    상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  12. 제8항에 있어서,
    상기 학습시키는 단계 후,
    상기 센서벡터를 생성하는 단계 전,
    상기 모델생성부가
    수학식
    Figure 112021033410503-pat00021
    에 따라 상기 임계치를 산출하는 단계;
    를 더 포함하며,
    상기 th는 상기 임계치이고,
    상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
    상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
    상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
    을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 방법.
  13. 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치에 있어서,
    접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하고, 생성된 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습된 검출모델에 입력하는 데이터처리부; 및
    상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함에 이상이 있는 것으로 판단하는 검출부;
    를 포함하며,
    복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 생성된 학습용 센서벡터를 초기화된 검출모델에 입력하고, 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고, 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써, 검출모델을 학습시키는 모델생성부;
    를 더 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  14. 삭제
  15. 제13항에 있어서,
    상기 모델생성부는
    상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면,
    상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고, 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  16. 제15항에 있어서,
    상기 모델생성부는
    수학식
    Figure 112021033410503-pat00022
    에 따라 모사손실을 산출하고,
    상기 Er은 상기 모사손실이고,
    상기 x는 학습용 센서벡터이고,
    상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  17. 제15항에 있어서,
    상기 모델생성부는
    수학식
    Figure 112021033410503-pat00023
    에 따라 모사잠재손실을 산출하고,
    상기 Et은 상기 모사잠재손실이고,
    상기 z는 학습용 잠재벡터이고,
    상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  18. 제13항에 있어서,
    상기 모델생성부는
    상기 검출모델을 학습시킨 후,
    수학식
    Figure 112021033410503-pat00024
    에 따라 상기 임계치를 산출하며,
    상기 th는 상기 임계치이고,
    상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
    상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
    상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
    을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  19. 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치에 있어서,
    복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 상기 학습용 센서벡터를 초기화된 검출모델에 입력한 후,
    상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고,
    상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 모델생성부;
    를 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  20. 제19항에 있어서,
    상기 장치는
    접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하고, 생성된 센서벡터를 상기 검출모델에 입력하는 데이터처리부; 및
    상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함의 상태에 이상이 있는 것으로 판단하는 검출부;
    를 더 포함하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  21. 제19항에 있어서,
    상기 모델생성부는
    상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고,
    상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고,
    상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면,
    상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고,
    상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  22. 제21항에 있어서,
    상기 모델생성부는
    수학식
    Figure 112021033410503-pat00025
    에 따라 모사손실을 산출하고,
    상기 Er은 상기 모사손실이고,
    상기 x는 학습용 센서벡터이고,
    상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  23. 제21항에 있어서,
    상기 모델생성부는
    수학식
    Figure 112021033410503-pat00026
    에 따라 모사잠재손실을 산출하고,
    상기 Et은 상기 모사잠재손실이고,
    상기 z는 학습용 잠재벡터이고,
    상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
  24. 제20항에 있어서,
    상기 모델생성부는
    상기 검출모델을 학습시킨 후,
    수학식
    Figure 112021033410503-pat00027
    에 따라 상기 임계치를 산출하고,
    상기 th는 상기 임계치이고,
    상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
    상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
    상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
    을 특징으로 하는
    태양광 접속함의 상태를 유지하기 위한 장치.
KR1020210036714A 2021-03-22 2021-03-22 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법 KR102541293B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210036714A KR102541293B1 (ko) 2021-03-22 2021-03-22 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210036714A KR102541293B1 (ko) 2021-03-22 2021-03-22 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법

Publications (2)

Publication Number Publication Date
KR20220131707A KR20220131707A (ko) 2022-09-29
KR102541293B1 true KR102541293B1 (ko) 2023-06-07

Family

ID=83461953

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210036714A KR102541293B1 (ko) 2021-03-22 2021-03-22 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법

Country Status (1)

Country Link
KR (1) KR102541293B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102014339B1 (ko) 2019-02-26 2019-08-26 포스컨트롤 주식회사 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치
KR102055179B1 (ko) * 2017-12-14 2020-01-22 주식회사 디오시스템 태양광발전원의 전력패턴분석·신재생에너지 시각화기능을 갖는 스마트 에너지관리장치
KR102084784B1 (ko) * 2019-09-23 2020-05-26 주식회사 아이팔 머신러닝기반 태양광발전운영 관리방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101628697B1 (ko) 2016-03-15 2016-06-10 (주)대성이앤지 다중 스위칭 구조 접속함의 모니터링을 적용한 태양광 발전 시스템
KR102266752B1 (ko) * 2019-08-22 2021-06-18 지앤비쏠라 주식회사 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102055179B1 (ko) * 2017-12-14 2020-01-22 주식회사 디오시스템 태양광발전원의 전력패턴분석·신재생에너지 시각화기능을 갖는 스마트 에너지관리장치
KR102014339B1 (ko) 2019-02-26 2019-08-26 포스컨트롤 주식회사 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치
KR102084784B1 (ko) * 2019-09-23 2020-05-26 주식회사 아이팔 머신러닝기반 태양광발전운영 관리방법

Also Published As

Publication number Publication date
KR20220131707A (ko) 2022-09-29

Similar Documents

Publication Publication Date Title
Kong et al. Optimal sensor placement methodology of hydraulic control system for fault diagnosis
Jarventausta et al. Using fuzzy sets to model the uncertainty in the fault location process of distribution networks
Sobajic et al. An artificial intelligence system for power system contingency screening
US10923913B2 (en) Method for operating an electrical energy supply network, and control device for controlling devices of an electrical distribution network
RU2747622C2 (ru) Способ управления распределительной электрической микросетью, носитель информации, компьютерное устройство и устройство управления
CN111159922B (zh) 一种电力系统连锁故障的关键线路辨识方法和装置
Wu et al. Nested reinforcement learning based control for protective relays in power distribution systems
Lin et al. Adaptive multiple fault detection and alarm processing for loop system with probabilistic network
KR102245804B1 (ko) 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치
JP4556946B2 (ja) 潮流計算方法及びその装置
Yang et al. Supervisory fault tolerant control with integrated fault detection and isolation: A switched system approach
Al-Masri et al. Development of adaptive artificial neural network security assessment schema for malaysian power grids
KR102541293B1 (ko) 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법
CN114186849A (zh) 一种计及二次系统影响的电力系统连锁故障风险评估方法及其系统
Kim et al. Probabilistic security analysis using SOM and Monte Carlo simulation
Shahriari‐kahkeshi et al. Active fault tolerant control design for uncertain strict‐feedback non‐linear systems
CN116436157A (zh) 一种极端降水下的电网设备状态检测系统及方法
CN108923469A (zh) 一种新能源电力系统级联故障分析方法
Sales‐Setién et al. Markovian jump system approach for the estimation and adaptive diagnosis of decreased power generation in wind farms
Lin et al. Enhancing the operational resilience of advanced reactors with digital twins by recurrent neural networks
Kulkarni et al. Fault detection in hydraulic system using fuzzy logic
CN112036740A (zh) 基于节点停电风险不变的节点备用容量快速评估方法
US11309702B2 (en) Systems and methods for islanding protection
Ren et al. Automatic recognition algorithm of information architecture reliability based on energy internet network topology
Nie et al. Measuring and Enabling Transmission Systems Resiliency with Renewable Wind Energy Systems

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant