KR102573144B1

KR102573144B1 - 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법 및 시스템

Info

Publication number: KR102573144B1
Application number: KR1020210033229A
Authority: KR
Inventors: 방준호; 천현준
Original assignee: 전북대학교산학협력단
Priority date: 2021-03-15
Filing date: 2021-03-15
Publication date: 2023-09-01
Also published as: KR20220128737A

Abstract

본 발명에 따른 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 시스템은, 태양 에너지를 전기 에너지로 변환하여 전력을 출력하는 태양광 패널; 각각 인버터 모듈을 포함하며, 상기 태양광 패널에서 출력되는 전력을 교류로 변환하여 전력 계통으로 송전하는 마스터 모듈 및 슬레이브 모듈; 및 상기 마스터 모듈 및 슬레이브 모듈에 대한 모니터링 데이터를 수집하여, 기정의된 다층 신경망 고장 진단 모델을 이용해 상기 마스터 모듈 및 슬레이브 모듈에 대한 고장 상태를 결정하는 모니터링 시스템;을 포함한다. 여기에서, 상기 태양광 인버터 구동 시스템은, 상기 마스터 모듈이 우선적으로 상기 전력을 전력 계통으로 송전하도록 구성되되, 상기 모니터링 시스템에 의해 상기 마스터 모듈이 고장 상태로 결정되는 경우, 상기 마스터 모듈이 차단되고 상기 슬레이브 모듈이 동작하도록 구성된다.

Description

다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법 및 시스템{METHOD AND SYSTEM FOR OPERATING PHOTOVOLTAIC INVERTER USING MULTI-LAYER NEURAL NETWORK FAULT DIAGNOSIS MODEL}

본 발명은 태양광 발전 시스템에 적용될 수 있는 태양광 인버터의 고장 진단 기술 및 이를 이용한 인버터 구동 기술에 관한 것이다.

태양광 발전시스템에 있어서 인버터는 태양전지 모듈에서 발생되는 직류를 교류로 변환하여 전력 계통에 연계하는 핵심 부품으로, 구성이 매우 복잡하며, 태양전지 모듈, 접속함, 모니터링 시스템 등 보다 고장이 많이 발생하는 장치이다. 태양광 인버터의 수명은 대략 10년 정도이며, 고장 시에는 태양광발전 전체에 영향을 직접 미치게 되어 큰 경제적 손실이 발생될 뿐만 아니라, 화재 사고, 단락 사고 등으로 이어져 관리자들의 안전에도 큰 문제를 일으키게 될 수 있어, 평소 지속적인 동작 이상 및 고장 여부에 대한 관리가 필수적이다.

최근 태양광 발전 단지는 수백 개에서 수천 개의 인버터를 적용하는 추세로, 이러한 대용량 태양광 발전 단지에서 인버터의 고장이 발생하는 경우, 태양광 모듈, 접속함, 계량기, 각종 차단기 및 전기 부품들이 복잡하게 연결되어 있기 때문에 인버터의 고장 여부를 직접적으로 파악하기는 매우 어려운 실정이다.

이와 관련하여, 다수의 인버터를 모니터링하여 고장을 진단하기 위하여, 제조사에서 공급하는 모니터링 시스템을 통해 관리자가 이상 여부를 확인하는 방식이 일반적으로 이용되고 있다. 여기에서, 이러한 모니터링 시스템은 태양광 발전소의 발전량 및 효율 등을 모니터링하며, 고장에 관한 상세 정보는 제공하지 못하기 때문에, 작업자가 직접 현장을 방문하여 인버터의 고장 여부, 고장 위치, 원인 등을 직접 파악해야 한다. 이와 같은 작업자 중심의 현장 점검 방식은 인버터의 진단 및 관리 측면에서 한계가 있다.

현재, 태양광 시스템의 고장 진단에 관한 연구는 대부분 태양광 어레이 모듈의 이상 여부, 접속 선의 단락이나 개방 등에 대한 진단에 집중하고 있으며, 인버터의 고장 여부 및 진단에 관한 연구는 매우 부족한 실정이다. 이는 태양광 전지의 모듈과 각종 전기 부품들이 복잡하게 연결되어 있어서 인버터 고장 여부를 정확하게 진단하는데 한계가 있기 때문이다.

현재 이러한 종래 기술의 한계 및 문제점을 해결하기 위한 기술의 개발이 필요한 실정이다.

한국공개특허 10-2017-0120954호

본 발명은 상술된 문제점을 해결하기 위해 도출된 것으로, 태양광 인버터 모듈의 고장 여부를 보다 정확하고 신속하게 진단하고, 태양광 인버터 모듈에 고장이 발생된 경우에도 태양광 발전 시스템이 안정적으로 구동될 수 있도록 지원하는 태양광 인버터 구동 방법 및 시스템을 제공하고자 한다.

본 발명에 일 측면에 따른 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 시스템은, 태양 에너지를 전기 에너지로 변환하여 전력을 출력하는 태양광 패널; 각각 인버터 모듈을 포함하며, 상기 태양광 패널에서 출력되는 전력을 교류로 변환하여 전력 계통으로 송전하는 마스터 모듈 및 슬레이브 모듈; 및 상기 마스터 모듈 및 슬레이브 모듈에 대한 모니터링 데이터를 수집하여, 기정의된 다층 신경망 고장 진단 모델을 이용해 상기 마스터 모듈 및 슬레이브 모듈에 대한 고장 상태를 결정하는 모니터링 시스템;을 포함한다. 여기에서, 상기 태양광 인버터 구동 시스템은, 상기 마스터 모듈이 우선적으로 상기 전력을 전력 계통으로 송전하도록 구성되되, 상기 모니터링 시스템에 의해 상기 마스터 모듈이 고장 상태로 결정되는 경우, 상기 마스터 모듈이 차단되고 상기 슬레이브 모듈이 동작하도록 구성된다.

일 실시예에서, 상기 태양광 인버터 구동 시스템은, 상기 모니터링 시스템에 의해 상기 마스터 모듈이 고장 상태로 결정되는 경우, 상기 마스터 모듈을 상기 태양광 패널로부터 차단시키고, 상기 슬레이브 모듈이 상기 태양광 패널과 연결되어 동작하도록 전환하는, 전력 전환 스위칭 장치를 더 포함할 수 있다.

일 실시예에서, 상기 모니터링 시스템은, 인버터 발전량 및 전력량계 발전량을 포함하는 모니터링 데이터를 수집하여 저장하는 저장 장치와, 상기 다층 신경망 고장 진단 모델을 이용해 상기 마스터 모듈 및 슬레이브 모듈에 대한 고장 상태를 결정하는 고장 진단 서버를 포함할 수 있다.

일 실시예에서, 상기 다층 신경망 고장 진단 모델은, 기정의된 값의 환산 발전량, 전력량계 점검 발전량, 인버터 점검 발전량 및 오차(전력량계 점검발전량 - 인버터 점검발전량)이 입력으로 정의되고, 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태가 출력으로 정의되며, 사전 수집된 기초 데이터를 이용해 학습이 완료된 다층 퍼셉트론 신경망 모델에 해당할 수 있다.

본 발명의 다른 일 측면에 따른 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법은 태양광 인버터 구동 시스템에서 수행된다. 여기에서, 상기 태양광 인버터 구동 시스템은, 태양 에너지를 전기 에너지로 변환하여 전력을 출력하는 태양광 패널; 각각 인버터 모듈을 포함하며, 상기 태양광 패널에서 출력되는 전력을 교류로 변환하여 전력 계통으로 송전하는 마스터 모듈 및 슬레이브 모듈; 및 상기 마스터 모듈 및 슬레이브 모듈에 대한 모니터링 데이터를 수집하여, 기정의된 다층 신경망 고장 진단 모델을 이용해 상기 마스터 모듈 및 슬레이브 모듈에 대한 고장 상태를 결정하는 모니터링 시스템;을 포함하여 구성된다.

여기에서, 태양광 인버터 구동 방법은, 상기 모니터링 시스템이, 상기 마스터 모듈과 연관되는 데이터로서, 인버터 발전량 및 전력량계 발전량을 포함하는 모니터링 데이터를 수집하는 단계; 상기 모니터링 시스템이, 상기 다층 신경망 고장 진단 모델을 이용해 상기 마스터 모듈에 대한 고장 상태를 결정하는 단계; 및 상기 마스터 모듈이 고장 상태로 결정되는 경우, 전력 전환 스위칭 장치를 통해 상기 마스터 모듈이 상기 태양광 패널과 차단되고 상기 슬레이브 모듈이 상기 태양광 패널과 연결되어 동작하는 단계;를 포함한다.

본 발명에 따르면, 다층 신경망 고장 진단 모델을 이용해 태양광 인버터 모듈의 고장 여부를 보다 정확하고 신속하게 진단할 수 있으며, 마스터-슬레이브 구동 방식의 인버터 모듈을 적용하여 어느 하나의 인버터 모듈에 고장이 발생되더라도 안정적으로 구동될 수 있는 이점이 있다.

도 1 내지 14는 본 발명에 따른 태양광 인버터 구동 시스템의 구성 및 동작을 설명하기 위한 참조도이다.
도 2는 본 발명에 따른 태양광 인버터 구동 시스템의 구성을 설명하기 위한 블록도이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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.

1. 서론

본 발명은 상술한 종래 기술의 한계 및 문제점을 해결하고자 안출된 것으로, 인공지능 알고리즘을 이용하여 인버터 고장 여부를 보다 정확하고 신속하게 진단할 수 있는 인버터 고장 진단 기술을 제안하며, 또한, 이러한 진단 기술을 이용하여 안정적으로 인버터를 구동할 수 있는 인버터 구동 시스템을 제안한다.

보다 구체적으로, 본 발명은 태양광 발전소의 인버터 고장 데이터를 활용하여 고장을 진단할 수 있는 다층 신경망 고장진단 모델을 제안한다. 인버터의 고장진단을 위한 다층 신경망 모델의 설계에 있어 가장 중요한 요소는 학습 데이터이다. 여기에서, 본 발명은 현재 가동 중에 있는 125개소의 태양광 발전소에서 취득한 1년간(2018년 4월 ~ 2019년 3월) 데이터를 학습 데이터로 활용하였으며, 취득된 데이터는 발전소 용량, 전월 발전량, 전월 검침 양, 전전월 검침 양, 계기 배수량, 당월 인버터 검침 양, 전월 인버터 검침 양, 인버터 고장 시의 데이터, 전력량계 지시 값 등 1600개 이상을 포함하고 있다.

또한, 본 발명은 인버터 시스템의 안정적인 동작 구현을 위한 마스터-슬레이브(Master-Slave) 구동 방식의 인버터 구동 시스템을 제안한다. 본 발명에 따른 인버터 구동 시스템은 상술한 다층 신경망 고장진단 모델이 적용될 수 있다.

이하에서는, 본 발명에 따른 인버터 고장 진단 기술 및 인버터 구동 시스템에 관하여 도면들을 참조하여 보다 상세하게 설명한다.

2. 인버터 고장 유형 및 기존의 진단 방법

도 1을 참조하면, 태양광 발전시스템은 전기를 생산하는 태양전지 모듈, 각종 모듈들을 직병렬로 연결하는 접속함, 태양전지에서 만들어진 직류 전원을 교류 전원으로 변환시켜주는 인버터 및 전력량을 측정 관리하는 전력량계를 포함하여 구성된다. 또한, 태양광 발전시스템은 상용 전력과 연계 운전을 하기 위한 연계 설비, 태양광발전 설비를 낙뢰와 외부 이상 전압으로부터 보호하기 위한 피뢰 및 접지 설비, 필요에 따라서 설치할 수 있는 축전지 설비 등을 더 포함하여 구성될 수 있다.

태양광 발전 시스템에 구성되는 인버터는 전력을 변환하는 장치로, 구성이 매우 복잡하고 고장이 자주 발생된다. 여기에서, 태양광 발전 시스템의 인버터와 관련된 고장 유형은 다음과 같다.

가. 과전압, 과전류

인버터의 초기 기동이나 MPPT의 급변으로 인해 제어 등 특성에 따라 과전압, 과전류가 발생한다. 인버터에 과전압 또는 과전류 경고가 많이 뜨게 되면 인버터에 상당한 무리를 주는 것이므로 수명이 급격히 줄어들고 손상을 주어 동작을 멈추게 된다.

나. 과열

인버터는 반도체 소자의 수~수십[KHz]의 반복적인 On/Off 동작으로 전력을 전달한다. 여기에서, 반도체 소자에서 매우 높은 열이 발생되며 이러한 열을 잘 배출시켜줘야 한다. 이 때, 통풍구에 먼지가 쌓이거나 방열판에 이물질이 쌓여서 자연 대류가 잘 안 되는 경우 발열로 인한 고장이 발생될 수 있다.

다. 과부하

인버터 부하가 정격보다 클 때, 인버터의 출력이 단락되거나 전원 용량보다 큰 부하가 접속할 경우 과부하가 발생한다.

라. 기타 인버터 내부 고장

인버터의 내부 부품으로서 고장이 발생될 수 있는 부품은 냉각팬, 콘덴서, 스위칭 소자, 필터 등이 있다.

현재, 상기와 같은 인버터 고장을 진단하기 위한 다양한 기술들이 활용되고 있다. 태양전지 I-V 특성 곡선을 이용한 최대 전력점 추적 방법(MPPT), TDR(Time Domain Reflectometory) 계측 방법, SSTDR (Spread Spectrum Time Domain Reflectometry) 계측 방법, 적외선 열화상 촬영 방법, CCTV 및 모니터링을 통한 감시 및 진단 방법 등을 예로 들 수 있다. 그러나, 이러한 기존의 진단 방법들은 측정 장비를 이용해 현장에서 직접 고장 여부를 진단하는 방식으로, 원거리에서 고장 탐지 성능이 낮거나 불가능하며, 고장점 측정을 위해 전선을 개방할 필요가 있는 등, 진단 정확도와 속도 측면에서 한계가 있다.

본 발명은 이러한 종래 진단 기술의 한계를 극복하기 위한 기술적 수단으로서, 이하에서 설명하는 인버터 고장 진단 기술 및 인버터 구동 시스템을 제안한다.

3. 다층신경망 인버터 고장진단 모델

본 발명에 따른 다층신경망 인버터 고장진단 모델(이하, 다층 신경망 모델)은 다층 퍼셉트론(Multi-Layer Perceptron) 신경망으로 구현될 수 있다. 본 발명에 따른 다층 신경망 모델은 도 2에 도시된 바와 같이, 입력 x가 4개(x1 ~x4), 은닉층이 3층, 출력 y는 3개(y1 ~ y3)로 정의될 수 있다. 여기에서, 아래 표1과 같이, 입력 변수 x에서 x1은 99[kW] 환산 발전량, x2는 인버터 점검발전량, x3는 전력량계 점검발전량, x4는 오차로 정의될 수 있고, 은닉층의 뉴런은 총 22개의 3층으로 구성될 수 있으며, 출력 y에서 y1은 정상상태, y2는 인버터 고장상태, y3는 전력량계 고장상태로 정의될 수 있다. 또한, 본 발명에 따른 다층 신경망 모델은 아래 표 2와 같이 구현될 수 있다.

[표 1]

[표 2]

한편, 상술한 다층신경망 인버터 고장진단 모델에 관한 상세 내용은 본 발명에 따른 기술적 사상을 보다 명확하게 설명하기 위한 것으로, 본 발명의 권리범위를 한정하고자 하는 것은 아니며, 필요에 따라 이와 다르게 정의될 수 있음은 물론이다.

이하에서는, 본 발명에 따른 다층신경망 모델을 이용한 인버터 고장 진단 방법에 대하여 설명한다.

4. 다층신경망 모델을 이용한 인버터 고장 진단 방법

본 발명에 따른 인버터 고장 진단 방법은, 도 3에 도시된 바와 같이, 태양광 인버터와 연관된 데이터를 수집하는 데이터 수집 단계, 수집된 데이터에서 고장진단에 필요한 항목들을 정리를 하는 데이터 마이닝 단계, 정리된 데이터들을 이용해 기정의된 딥러닝 모델인 다층신경망 인버터 고장진단 모델을 학습시키는 학습 단계, 학습 완료된 다층신경망 인버터 고장진단 모델을 이용하여 인버터의 고장을 진단하는 진단 및 예측 단계로 진행될 수 있다.

본 발명에 따른 다층신경망 모델을 위한 기초 데이터로서 현재 가동 중에 있는 125곳의 태양광 발전소의 실제 데이터를 수집하여 활용하였다. 한편, 태양광 발전소의 발전용량이 30kW ~ 500kW로 다양하여 발전용량을 99kW로 환산한 데이터를 고장진단 예측 시뮬레이션에 이용하였다. 고장진단 예측에 이용한 데이터는 총 1600개로, 2018년 4월 ~ 2019년 3월까지이며 1년간의 현장 취득 데이터이다. 여기에서, 본 발명에 따른 다층 신경망 모델에 적용될 수 있는 기초 데이터(현장 취득 원본 데이터)는, 당월 검침량, 전월 검침량, 인버터 검침량, 전월 발전량 {(전월검침 - 당월발전량)*계기배수}, 전력량계 점점 발전량 {(당월검침 * 계기배수}-(전월검침 * 계기배수)}, 인버터 점검발전량 (인버터 검침량 - 전전월 인버터 검침량), 오차량 (전력량계 점검 발전량 - 인버터 점검 발전량), 월 99[kW] 변환발전량 {(99 * 전월발전량)/ 용량}, 용량, 계기배수, 계량기 고장유무 (안전관리자 확인), 인버터 고장유무 (안전관리자 확인), 발전소명을 포함할 수 있다.

데이터 수집 이후, 인버터 고장검출에 적용하기 위한 데이터 마이닝을 수행하여 인버터 고장진단에 필요한 데이터를 도출한다. 여기에서, 데이터 마이닝에 필요한 항목은 용량 (발전소 용량), 전월 발전량 {(전월검침량 - 전전월검침량) * 계기배수}, 전월검침량, 전전월 검침량, 계기배수, 당월 인버터검침량, 전월 인버터검침량, 인버터 검침량, 전월 인버터검침량, 고장 유무 (인버터, 전력량계)를 포함할 수 있다.

데이터 마이닝을 통해 도출되는 인버터 고장진단에 필요한 데이터로서, 데이터 학습과 예측에 필요한 항목은 99[kW] 환산 발전량, 인버터 점검발전량, 전력량계 점검발전량, 오차, 고장상태 유무(정상, 인버터 고장, 전력량계 고장)를 포함할 수 있다.

x1 : 99[kW] 환산 발전량 = (99 * 전원발전량)/용량

x2 : 전력량계 월 발전량 = (당월 인버터 검침 * 계기 배수) - (전월 인버터 검침 * 계기 배수)

x3 : 인버터 월 발전량 (당월 인버터 검침 - 전월 인버터 검침)

x4 : 오차(x2-x3) (전력량계 점검발전량 - 인버터 점검발전량)

y1 : 정상 상태(normal)

y2 : 인버터 고장 상태(INV fault)

y3 : 전력량계 고장 상태(MET fault)

한편, 상술한 다층신경망 인버터 고장진단 모델의 학습 및 진단을 위한 데이터 항목들은 본 발명에 따른 기술적 사상을 보다 명확하게 설명하기 위한 것으로, 본 발명의 권리범위를 한정하고자 하는 것은 아니며, 필요에 따라 이와 다르게 정의될 수 있음은 물론이다.

다층신경망 진단을 위한 활성화 함수를 선정하기 위하여, 현재 가장 많이 활용되고 있는 3가지 종류의 활성화 함수 중 Sigmoid-Softmax, TanH-Softmax, ReLU-Softmax에 대하여 정확도 예측을 위한 시뮬레이션을 수행하였다. 도 4에서, (A)는 Sigmoid-Softmax, (B)는 TanH-Softmax, (C)는 ReLU-Softmax의 시뮬레이션 결과를 나타내며, 아래 표 3은 각 함수별 정확도 및 손실에 대한 결과를 나타낸다.

[표 3]

도 4 및 표 3을 참조하면, 입력으로 ReLU, 출력으로 Softmax을 적용하는 경우 97%의 정확도와 0.17%의 손실을 보여, 가장 적합한 것으로 나타났다.

다음으로, 다층신경망 진단을 위한 최적화 함수를 선정하기 위하여, 현재 가장 많이 활용되고 있는 3가지 종류의 최적화 함수 중 SGD, Adagrad, Adam에 대하여 정확도 예측을 위한 시뮬레이션을 수행하였다. 도 5에서, (A)는 SGD, (B)는 Adagrad, (C)는 Adam의 시뮬레이션 결과를 나타내며, 아래 표 4는 각 함수별 정확도 및 손실에 대한 결과를 나타낸다.

[표 4]

도 5 및 표 4를 참조하면, 입력 및 출력에 ReLU, Softmax를 적용하고 최적화 함수에 Adam를 적용하는 경우, 97%의 정확도와 0.11%의 손실을 보여, 가장 적합한 것으로 나타났다.

다음으로, 다층신경망 진단을 위한 Batch size를 선정하기 위하여, Batch size의 크기를 4가지로 나누고, Batch size 크기와 훈련에 소요되는 시간에 따른 정확도 예측을 위한 시뮬레이션을 수행하였다. 도 6에서, (A)는 Batch size 5, (B)는 Batch size 30, (C)는 Batch size 100, (D)는 Batch size 500의 시뮬레이션 결과를 나타내며, 아래 표 5는 Batch size 크기와 시간별 정확도 분석 결과를 나타낸다.

[표 5]

도 6 및 표 5를 참조하면, 훈련 정확도는 batch size가 30일 때 96.7%로 가장 높았고, 훈련 속도는 batch size가 500일 때 가장 빠른 것으로 나타났다. 즉, Batch size가 커질수록 훈련 속도가 빠른 반면 정확도는 감소하는 것으로 나타났다.

다음으로, 다층신경망 진단을 위한 학습 횟수(Epoch)를 선정하기 위하여, 다양한 Epoch를 적용한 시뮬레이션을 진행하여 정확도와 시간 분석을 시행하였다. 도 7에서, (A)는 Epoch 1000, (B)는 Epoch 2000, (C)는 Epoch 3000의 시뮬레이션 결과를 나타내며, 아래 표 6은 Epoch 횟수별 정확도와 시간 분석 결과를 나타낸다.

[표 6]

도 7 및 표 6을 참조하면, 1000회 훈련되었을 때 가장 높은 정확도 96.7%를 나타냈다. 2000회, 3000회 훈련시 비슷한 정확도를 나타냈으나, 1000회 이상 훈련되었을 때 과적합(Over fitting)이 발생하는 것을 확인할 수 있다.

본 발명에 따른 다층신경망 모델을 학습시킨 후, 태양광 인버터 및 전력량계에 대한 고장 여부를 진단하는 예측 실험을 진행하였다. 진단 예측을 시뮬레이션을 위해 Anaconda에서 제공하는 Tensor flow 기반의 Python을 사용하였다. 본 발명에 따른 다층신경망 모델을 이용하여 1600개의 데이터 셋을 학습시켰다. 학습 데이터의 구성(표 7), 다층 신경망 모델의 매개변수 파라미터(표 8)는 다층신경망 모델의 요약(표 9)은 아래와 같다.

[표 7]

[표 8]

[표 9]

이하에서는, 본 발명에 따른 다층신경망 모델의 시뮬레이션 결과에 대해 설명한다.

도 8 및 9는 인버터의 고장예측율의 정확도와 손실율을 나타내며, 도 10 및 도 11은 각각 정상 상태와 인버터 고장 상태에 대한 고장 예측 결과를 나타낸다.

본 발명에 따른 다층신경망 모델의 가장 중요한 지표인 손실률과 정확도는 각각 정확도 97%와 손실률 0.11%를 나타났다.

[표 10]

[표 11]

아래 표 10(현장 데이터를 다층신경망 모델이 정상상태라고 판정한 결과) 및 표 11(현장 데이터를 다층신경망 모델이 인버터 고장상태라고 판정한 결과)을 참조하면, 인버터가 고장상태일 때 다층신경망 모델에서 97%의 정확도로 예측할 수 있다고 볼 수 있다. 한편, 고장상태라 함은 인버터가 완전히 동작을 멈추었을 때뿐만 아니라 불완전 동작이나 효율이 급격하게 감소하거나 인버터 내부 및 외부 부품 등의 오동작으로 인하여 정상적인 동작이 이루어지지 않고 있음을 의미한다. 본 발명에 따른 다층신경망 모델이 인버터의 동작을 비정상으로 판정하는 경우는 99[kW] 발전소가 발전하는 양과 인버터에 표시된 지시 값과 전력량계의 지시 값 그리고 그 오차 값들이 이상 변화를 일으키는 경우로, 이는 정상 동작 시보다 그 변화량이 큰 경우임을 확인할 수 있다.

5. 마스터-슬레이브(Master-Slave) 구동 방식의 인버터 구동 시스템

이하에서는, 본 발명에 따른 인버터 구동 시스템으로서, 상술한 다층신경망 모델이 적용된 마스터-슬레이브(Master-Slave) 구동 방식의 인버터 구동 시스템에 대하여 설명한다. 본 발명에 따른 인버터 구동 시스템은 현장에서 활용되고 있는 인버터 모듈을 안정적으로 동작하도록 할 수 있다.

도 12를 참조하면, 본 발명에 따른 인버터 구동 시스템은, 태양광 패널과, 이와 연결된 마스터 모듈 및 슬레이브 모듈과, 모니터링 시스템과, 전력 전환 스위칭 장치를 포함하여 구성될 수 있다. 여기에서, 마스터 모듈은 태양광 패널과 연결되어 우선적으로 동작하며, 슬레이브 모듈은 마스터 모듈이 고장 상태로 판별되는 경우 보조적으로 동작하도록 구성된다. 여기에서, 마스터 모듈 및 슬레이브 모듈은 접속함 모듈 및 인버터 모듈을 포함하여 구성될 수 있으며, 도 12에 도시되지 않은 다른 구성(전력량계 등)이 더 포함되어 구성될 수 있음은 물론이다.

본 발명에 따른 인버터 구동 시스템에서 모니터링 시스템은 마스터 모듈의 인버터에서 생산하는 전력량과 주변 계량기 및 접속함에 발생하는 데이터 등을 지속적으로 모니터링하며, 다층신경망 모델을 이용해 마스터 모듈의 인버터, 전력량계 등 구성요소에 대한 정상상태(또는 고장 발생 확률)를 예측한다. 여기에서, 다층 신경망 모델을 통해 고장 상태로 판정(또는 예측)되는 경우 전력변환 스위치 장치가 동작하여 슬레이브 모듈이 구동되도록 한다. 이때, 관리자는 슬레이브 모듈이 동작하는 동안 마스터 모듈의 고장 부품을 점검함으로써 고장요인을 제거할 수 있다.

이후, 모니터링 시스템은 같은 방법으로 다층신경망 모델을 이용해 슬레이브 모듈의 인버터에서 생산하는 전력량과 주변 계량기 및 접속함에 발생하는 데이터 등을 지속적으로 모니터링하며, 다층신경망 모델을 이용해 슬레이브 모듈의 인버터, 전력량계 등 구성요소에 대한 정상상태(또는 고장 발생 확률)를 예측한다. 여기에서, 다층 신경망 모델을 통해 고장 상태로 판정(또는 예측)되는 경우 전력변환 스위치 장치가 동작하여 마스터 모듈이 구동되도록 한다.

본 발명에 따른 인버터 구동 시스템에 포함된 모니터링 시스템은 모니터링 데이터(인버터에서 생산하는 전력량과 주변 계량기 및 접속함에 발생하는 데이터 등 고장 진단을 위한 기초 데이터)를 저장하는 저장 장치와, 다층 신경망 모델을 이용하여 고장 여부를 진단하는 고장 진단 서버를 포함하여 구성될 수 있다. 여기에서, 저장 장치는 클라우드 환경에서 구현될 수 있다.

고장 진단 서버는 진단 결과를 관리자 디바이스로 전송하여 기정의된 GUI를 통하여 진단 결과를 출력하도록 함으로써, 관리자가 인버터 모듈의 상태를 확인하도록 할 수 있다.

본 발명에 따른 인버터 구동 시스템은 기존 인버터 운영 시스템에 적용될 수 있다. 태양광 인버터를 크게 나누면 스트링방식과 센트럴 방식으로 나눌 수 있는데 스트링방식은 모듈의 직렬군당 인버터를 사용하는 방식으로, 스트링별 MPPT 제어가 가능하며, 부분적인 그늘에 대해 효과적으로 에너지 수확은 좋은 편이다. 다만, 대용량 발전소에 적용할 때는 인버터의 개수가 너무 많아 유지보수 비용이 증가하며, 인버터의 중앙 제어가 되지 않아 단독운전 방지와 같은 계통 보호 측면에서는 다소 부적합하다. 센트럴 방식은 모든 모듈의 직·병렬 조합으로 에너지 수확이 다소 낮다는 단점이 있으나, 변환기의 효율이 우수하고, 출력 용량대비 단가가 저렴하다는 장점이 있어 대용량 산업용 인버터 방식으로 주로 사용되고 있다. 이와 같은 센트럴 방식은 단일 인버터 사용으로 계통 보호가 유리하며, 유지보수 비용이 적다는 장점은 있으나 단일 인버터를 사용하므로 인버터 고장 시 전체 시스템이 작동하지 못하는 단점을 가지고 있다.

최근 이와 같은 단점을 보완하기 위한 방안으로, 대용량 센트럴 인버터를 병렬 연결해 하나의 대용량 인버터 시스템을 구현하는 멀티-센트럴 방식이 제안된 바 있다. 멀티 센트럴 방식 인버터는 센트럴 방식의 인버터를 병렬 연결한 구조로, 발전시스템 구성 시 한 개의 인버터가 아닌 여러 대의 인버터로 구성되어 있어 일출, 일몰 및 에너지가 낮은 조건에서 최소의 인버터 구동으로 시스템 전체적으로 최대의 효율성을 확보함으로써 태양광발전 설비에 대한 효율성을 향상시킬 수 있다. 다만, 이와 같이 멀티 센트럴 방식의 장점을 최대화하고 안정적인 인버터 모듈의 동작을 위해서 시스템 중 하나의 인버터에서 문제가 발생하는 경우에 고장예측을 수행하는 것이 매우 중요한 기술적 과제이다. 본 발명에 따른 인버터 구동 시스템은 도 13에 도시된 바와 같이, 멀티 센트럴 인버터 시스템에 적용될 수 있으며, 이를 통해 상술한 기술적 과제를 해결할 수 있다.

또한, 최근 태양 전지 모듈 1개에 매우 작은 용량의 인버터 1개를 연결하여 안정성을 향상시킨 태양광 마이크로 인버터가 제안된 바 있다. 이러한 태양광 마이크로 인버터는 인버터에 이상 발생시 연결된 모듈 전체에서 발생하는 전력량이 계통과 분리가 되는 단점이 있다. 본 발명에 따른 인버터 구동 시스템은 도 14에 도시된 바와 같이, 태양광 마이크로 인버터 시스템에 적용될 수 있으며, 이를 통해 상술한 문제를 해결할 수 있다.

6. 본 발명의 구성

이하에서는, 본 발명에 따른 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 시스템(이하, 태양광 인버터 구동 시스템)과, 태양광 인버터 구동 시스템에서 수행되는 구동 방법에 대하여 설명하며, 다층 신경망 진단 모델에 대한 정의, 학습 과정 등 앞서 설명한 상세 내용은 생략한다.

도 5를 참조하면, 태양광 인버터 구동 시스템(100)은 태양광 패널(110)과, 마스터 모듈(121) 및 슬레이브 모듈(122)과, 모니터링 시스템(130)과, 전력 전환 스위칭 장치(140)를 포함하여 구성될 수 있다.

태양광 패널(110)은 태양 에너지를 전기 에너지로 변환하여 전력을 출력하는 장치이다. 여기에서, 태양광 패널(110)은 종류, 형태, 출력량 등에 한정되지 않으며, 태양 에너지를 통해 전력을 생산하는 장치라면 본 발명에 따른 태양광 패널(110)에 해당하는 것으로 해석되어야 한다.

마스터 모듈(121) 및 슬레이브 모듈(122)은 각각 인버터 모듈을 포함하며, 태양광 패널(110)에서 출력되는 전력을 교류로 변환하여 전력 계통으로 송전한다. 여기에서, 마스터 모듈(121) 및 슬레이브 모듈(122)은 도 12에 도시된 바와 같이, 인버터 모듈 이외, 접속함, 전력량계 등 의도하는 기능을 수행하기 위한 추가적인 부품을 더 포함하여 구성될 수 있다.

모니터링 시스템(130)은 마스터 모듈(121) 및 슬레이브 모듈(122)에 대한 모니터링 데이터를 수집하고, 기정의된 다층 신경망 고장 진단 모델을 이용해 마스터 모듈(121) 및 슬레이브 모듈(122)에 대한 고장 상태를 결정한다.

일 실시예에서, 모니터링 시스템(130)은 인버터 발전량 및 전력량계 발전량을 포함하는 모니터링 데이터를 수집하여 저장하는 저장 장치와, 기정의된 다층 신경망 고장 진단 모델을 이용해 마스터 모듈(121) 및 슬레이브 모듈(122)에 대한 고장 상태를 결정하는 고장 진단 서버를 포함하여 구성될 수 있다.

본 발명에 따른 태양광 인버터 구동 시스템(100)은 마스터 모듈(121)이 우선적으로 전력을 전력 계통으로 송전하도록 구성된다. 즉, 슬레이브 모듈(122)은 태양광 패널(110)과 전기적으로 차단되고, 마스터 모듈(121)이 태양광 패널(110)과 전기적으로 연결되어, 마스터 모듈(121)이 우선적으로 태양광 패널(110)에서 생산되는 전력을 전력 계통으로 송전하도록 구성된다.

모니터링 시스템(130)은 마스터 모듈(121)과 연관되는 데이터로서, 인버터 발전량 및 전력량계 발전량을 포함하는 모니터링 데이터를 수집할 수 있다. 이후, 모니터링 시스템(130)은 기정의된 다층 신경망 고장 진단 모델을 이용해 마스터 모듈(121)에 대한 고장 상태(정상 상태, 인버터 고장, 전력량계 고장 등)를 결정한다.

한편, 다층 신경망 고장 진단 모델은, 상술한 바와 같이, 기정의된 값(예 : 99kW)의 환산 발전량, 전력량계 점검 발전량, 인버터 점검 발전량 및 오차(전력량계 점검발전량 - 인버터 점검발전량)가 입력으로 정의되고, 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태가 출력으로 정의되며, 사전 수집된 기초 데이터를 이용해 학습이 완료된 다층 퍼셉트론 신경망 모델에 해당할 수 있다.

모니터링 시스템(130)에 의해 마스터 모듈(140)이 고장 상태로 결정되는 경우, 모니터링 시스템(130)은 전력 전환 스위칭 장치(140)에 전력 스위칭 제어 신호를 전송하여, 전력 전환 스위칭 장치(140)가 마스터 모듈(121)를 태양광 패널(110)과 차단시키고, 슬레이브 모듈(122)를 태양광 패널(110)과 연결되도록 스위칭하여 슬레이브 모듈(122)이 동작하도록 할 수 있다.

본 발명에 따르면, 다층 신경망 고장 진단 모델을 이용해 태양광 인버터 모듈의 고장 여부를 보다 정확하고 신속하게 진단할 수 있으며, 마스터-슬레이브 구동 방식의 인버터 모듈을 적용하여 안정적인 동작이 가능하다.

상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

100 : 태양광 인버터 구동 시스템
110 : 태양광 패널
121 : 마스터 모듈
122 : 슬레이브 모듈
130 : 모니터링 장치
140 : 전력 전환 스위칭 장치

Claims

다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 시스템에 있어서,
태양 에너지를 전기 에너지로 변환하여 전력을 출력하는 태양광 패널;
각각 인버터 모듈을 포함하며, 상기 태양광 패널에서 출력되는 전력을 교류로 변환하여 전력 계통으로 송전하는 마스터 모듈 및 슬레이브 모듈; 및
상기 마스터 모듈 및 슬레이브 모듈에 대한 99[kW] 환산 발전량, 전력량계 점검 발전량, 인버터 점검 발전량 및 오차를 모니터링 데이터로 수집하고, 기정의된 다층 신경망 고장 진단 모델을 이용해 상기 모니터링 데이터에 상응하는 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태를 결정 및 통보하는 모니터링 시스템;
을 포함하며,
상기 마스터 모듈이 우선적으로 상기 전력을 전력 계통으로 송전하도록 구성되되, 상기 모니터링 시스템에 의해 상기 마스터 모듈이 고장 상태로 결정되는 경우, 상기 마스터 모듈이 차단되고 상기 슬레이브 모듈이 동작하도록 구성되며
상기 다층 신경망 고장 진단 모델은, 4개의 입력층과 3개의 은닉층, 3개의 출력층을 구비하며, 입력층과 은닉층의 활성화 함수는 ReLU(Rectified Linear Unit)이고, 출력층의 활성화 함수는 소프트맥스(Softmax)이고, 손실함수는 카테고리컬 크로스 엔트로피(Categorical Cross Entropy)이고, 최적화함수는 아담(Adam)인 다층 퍼셉트론 신경망 모델으로 구현되며, 99[kW] 환산 발전량, 전력량계 점검 발전량, 인버터 점검 발전량 및 오차가 입력으로 정의되고, 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태가 출력으로 정의된 기초 데이터들을 이용해 학습되며, 학습 완료시에는 상기 모니터링 데이터에 상응하는 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태를 예측하는 것을 특징으로 하는,
다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 시스템.
제1항에 있어서, 상기 태양광 인버터 구동 시스템은,
상기 모니터링 시스템에 의해 상기 마스터 모듈이 고장 상태로 결정되는 경우, 상기 마스터 모듈을 상기 태양광 패널로부터 차단시키고, 상기 슬레이브 모듈이 상기 태양광 패널과 연결되어 동작하도록 전환하는, 전력 전환 스위칭 장치를 더 포함하는 것을 특징으로 하는,
다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 시스템.
제1항에 있어서, 상기 모니터링 시스템은,
인버터 발전량 및 전력량계 발전량을 포함하는 모니터링 데이터를 수집하여 저장하는 저장 장치와,
상기 다층 신경망 고장 진단 모델을 이용해 상기 마스터 모듈 및 슬레이브 모듈에 대한 고장 상태를 결정하는 고장 진단 서버를 포함하는 것을 특징으로 하는,
다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 시스템.
삭제
태양광 인버터 구동 시스템에서 수행되는 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법에 있어서,
상기 태양광 인버터 구동 시스템은,
태양 에너지를 전기 에너지로 변환하여 전력을 출력하는 태양광 패널;
각각 인버터 모듈을 포함하며, 상기 태양광 패널에서 출력되는 전력을 교류로 변환하여 전력 계통으로 송전하는 마스터 모듈 및 슬레이브 모듈; 및
상기 마스터 모듈 및 슬레이브 모듈에 대한 99[kW] 환산 발전량, 전력량계 점검 발전량, 인버터 점검 발전량 및 오차를 모니터링 데이터로 수집하여, 기정의된 다층 신경망 고장 진단 모델을 이용해 상기 모니터링 데이터에 상응하는 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태를 결정 및 통보하는 모니터링 시스템;
을 포함하여 구성되며,
상기 모니터링 시스템이, 상기 마스터 모듈과 연관되는 데이터로서, 인버터 발전량 및 전력량계 발전량을 포함하는 모니터링 데이터를 수집하는 단계;
상기 모니터링 시스템이, 상기 다층 신경망 고장 진단 모델을 이용해 상기 마스터 모듈에 대한 고장 상태를 결정하는 단계; 및
상기 마스터 모듈이 고장 상태로 결정되는 경우, 전력 전환 스위칭 장치를 통해 상기 마스터 모듈이 상기 태양광 패널과 차단되고 상기 슬레이브 모듈이 상기 태양광 패널과 연결되어 동작하는 단계;를 포함하며,
상기 다층 신경망 고장 진단 모델은, 4개의 입력층과 3개의 은닉층, 3개의 출력층을 구비하며, 입력층과 은닉층의 활성화 함수는 ReLU(Rectified Linear Unit)이고, 출력층의 활성화 함수는 소프트맥스(Softmax)이고, 손실함수는 카테고리컬 크로스 엔트로피(Categorical Cross Entropy)이고, 최적화함수는 아담(Adam)인 다층 퍼셉트론 신경망 모델으로 구현되며, 99[kW] 환산 발전량, 전력량계 점검 발전량, 인버터 점검 발전량 및 오차가 입력으로 정의되고, 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태가 출력으로 정의된 기초 데이터들을 이용해 학습되며, 학습 완료시에는 상기 모니터링 데이터에 상응하는 정상 상태, 인버터 고장 상태 및 전력량계 고장 상태를 예측하는 것을 특징으로 하는,
다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법.
삭제