KR102574189B1 - 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치 - Google Patents
인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치 Download PDFInfo
- Publication number
- KR102574189B1 KR102574189B1 KR1020230059042A KR20230059042A KR102574189B1 KR 102574189 B1 KR102574189 B1 KR 102574189B1 KR 1020230059042 A KR1020230059042 A KR 1020230059042A KR 20230059042 A KR20230059042 A KR 20230059042A KR 102574189 B1 KR102574189 B1 KR 102574189B1
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- photovoltaic
- facility
- inverter
- power generation
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 159
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 124
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000007547 defect Effects 0.000 claims abstract description 273
- 238000003745 diagnosis Methods 0.000 claims description 23
- 230000032683 aging Effects 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 230000006866 deterioration Effects 0.000 claims description 13
- 239000004065 semiconductor Substances 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 5
- 230000006378 damage Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 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
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치에 관한 것으로, 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망에 입력함으로써 태양광발전설비의 결함 발생 여부를 결정하고, 태양광발전설비의 결함 발생 여부에 따라 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부 및 태양광발전설비의 추가 정보를 제 2 인공신경망에 입력함으로써 태양광발전설비의 결함 위치를 결정함에 따라 태양광발전설비의 결함 발생 여부에 대한 실시간 감시가 가능할 뿐만 아니라, 사용자로 하여금 태양광발전설비의 결함 위치를 쉽게 찾을 수 있도록 할 수 있다.
Description
인공신경망을 이용하여 태양광발전설비의 결함을 감시하고 진단하기 위한 방법 및 장치에 관한 것이다.
태양광발전설비에 인공지능 기술을 접목하려는 시도가 나날이 늘어나고 있다. 최근, 인공신경망을 이용하여 태양광발전설비의 발전량을 예측하는 기술, 인공신경망을 이용하여 태양 위치를 예측하고, 이와 같이 예측된 태양 위치를 기반으로 태양광발전설비의 발전 효율을 높이는 기술 등이 등장하고 있다. 태양광발전설비는 그 주요설비가 외부 환경에 노출되어 있음에 따라 다른 종류의 발전설비에 비해 고장이 자주 발생된다. 이에 따라, 인공신경망을 이용하여 태양광발전설비의 고장 여부를 진단하기 위한 기술 분야에서의 연구 개발이 활발하게 이루어지고 있다.
인공신경망은 예측 데이터를 생성하는 과정에서 데이터 처리량이 매우 많음에 따라 태양광발전설비에 대한 실시간 고장 감시가 가능하도록 하기 위한 솔루션이 우선되어야 한다. 대한민국등록특허 제10-2459015호 "인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치"는 제 1 인공신경망을 이용하여 발전량 관련 예측 정보를 생성하고, 이것을 제 2 인공신경망에 입력하여 태양광발전시스템의 상태 정보를 출력하고 태양광발전시스템의 고장 여부를 진단하는 기술을 제시하고 있다. 그러나, 이 종래기술은 태양광발전시스템의 고장 진단을 위한 데이터 처리량이 많아 태양광발전설비 모니터링을 위해 설치되는 일반적인 컴퓨터 시스템으로는 태양광발전설비에 대한 실시간 고장 진단이 거의 불가능하고, 태양광발전시스템의 어느 부위에서 고장이 발생하였는가를 알기가 어렵다는 문제가 있다.
태양광발전설비의 결함 발생 여부에 대한 실시간 감시가 가능할 뿐만 아니라, 사용자로 하여금 태양광발전설비의 결함 위치를 쉽게 찾을 수 있도록 할 수 있는 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치를 제공하는 데에 있다. 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 설명으로부터 또 다른 기술적 과제가 도출될 수도 있다.
본 발명의 일 측면에 따른 태양광발전설비의 결함 감시진단 방법은 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 획득하는 단계; 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 발생 여부를 결정하는 단계; 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보 외에 상기 태양광발전설비의 추가 정보를 획득하는 단계; 및 상기 태양광발전설비의 결함 발생 여부에 따라 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부 및 상기 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 위치를 결정하는 단계를 포함한다.
상기 태양광발전설비의 외부 환경 정보는 상기 태양광발전설비의 태양광패널의 일사량, 상기 태양광패널의 외기 온도, 상기 태양광패널의 외기 습도 중 적어도 하나를 포함하고, 상기 태양광발전설비의 결함 발생 여부를 결정하는 단계는 상기 태양광발전설비의 외부 환경 정보로서 획득된 상기 태양광패널의 일사량, 상기 태양광패널의 외기 온도, 상기 태양광패널의 외기 습도 중 적어도 하나와 상기 획득된 태양광발전설비의 내부 동작 정보를 상기 제 1 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 발생 여부를 결정할 수 있다.
상기 태양광발전설비의 내부 동작 정보는 상기 태양광발전설비의 인버터의 출력값을 포함하고, 상기 태양광발전설비의 결함 발생 여부를 결정하는 단계는 상기 획득된 태양광발전설비의 외부 환경 정보와 상기 태양광발전설비의 내부 동작 정보로서 획득된 인버터의 출력값을 상기 제 1 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 발생 여부를 결정할 수 있다.
상기 태양광발전설비의 추가 정보는 태양광패널의 출력 변화 정보와 인버터의 출력 변화 정보를 포함하고, 상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 획득된 외부 환경 정보와 내부 동작 정보의 전체 또는 일부와 상기 태양광발전설비의 추가 정보로서 획득된 상기 태양광패널의 출력 변화 정보와 상기 인버터의 출력 변화 정보를 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광패널의 결함 확률과 상기 인버터의 결함 확률을 획득하는 방식으로 상기 태양광발전설비의 결함 위치를 결정할 수 있다.
상기 태양광발전설비의 추가 정보는 상기 태양광발전설비의 누적가동시간을 더 포함하고, 상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 획득된 외부 환경 정보와 내부 동작 정보의 전체 또는 일부와 상기 태양광발전설비의 추가 정보로서 획득된 상기 태양광패널의 출력 변화 정보, 상기 인버터의 출력 변화 정보, 및 상기 태양광발전설비의 누적가동시간을 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광패널의 결함 확률과 상기 인버터의 결함 확률을 획득하는 방식으로 상기 태양광발전설비의 결함 위치를 결정할 수 있다.
상기 태양광발전설비의 결함 감시진단 방법은 복수의 시점에서 측정된 태양광패널의 출력값의 변화 추이를 나타내는 태양광패널의 출력 변화 패턴을 생성하는 단계를 더 포함하고, 상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 태양광패널의 출력 변화 정보로서 획득된 상기 태양광패널의 출력 변화 패턴을 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광패널의 유형적 결함 발생 확률과 상기 태양광패널의 무형적 결함 발생 확률을 획득하고, 상기 획득된 태양광패널의 유형적 결함 발생 확률과 상기 획득된 태양광패널의 무형적 결함 발생 확률에 기초하여 상기 태양광발전설비의 결함 위치를 결정할 수 있다.
상기 태양광발전설비의 결함 감시진단 방법은 상기 태양광발전설비의 결함 위치에 대한 결정 결과에 따라 상기 태양광패널의 지지구조체의 파손, 상기 태양광패널의 복수 개의 태양전지의 표면의 오염 중 적어도 하나의 발생 확률을 상기 획득된 태양광패널의 유형적 결함의 발생 확률로 표시하거나, 상기 복수 개의 태양전지의 경년변화에 따른 열화, 상기 복수 개의 태양전지간의 연결 부품의 경년변화에 따른 열화 중 적어도 하나의 발생 확률을 상기 획득된 태양광패널의 무형적 결함의 발생 확률로 표시하는 단계를 더 포함하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법.
상기 태양광발전설비의 결함 감시진단 방법은 복수의 시점에서 측정된 인버터의 출력값의 변화 추이를 나타내는 인버터의 출력 변화 패턴을 생성하는 단계를 더 포함하고, 상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 인버터의 출력 변화 정보로서 획득된 상기 인버터의 출력 변화 패턴을 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 인버터의 유형적 결함 발생 확률과 상기 인버터의 무형적 결함 발생 확률을 획득하고, 상기 획득된 인버터의 유형적 결함 발생 확률과 상기 획득된 인버터의 무형적 결함 발생 확률에 기초하여 상기 태양광발전설비의 결함 위치를 결정할 수 있다.
상기 태양광발전설비의 결함 감시진단 방법은 상기 태양광발전설비의 결함 위치에 대한 결정 결과에 따라 상기 인버터의 인덕터 코일의 단선, 상기 인버터의 퓨즈 파손 중 적어도 하나의 발생 확률을 상기 획득된 인버터의 유형적 결함의 발생 확률로 표시하거나, 상기 인버터의 인덕터의 경년변화에 따른 열화, 상기 인버터의 전력반도체의 경년변화에 따른 열화 중 적어도 하나의 발생 확률을 상기 획득된 인버터의 무형적 결함의 발생 확률로 표시하는 단계를 더 포함할 수 있다.
본 발명의 다른 측면에 따른 태양광발전설비의 결함 감시진단 장치는 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 획득하는 제 1 정보획득부; 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망에 입력함으로써 상기 제 1 인공신경망의 출력으로부터 상기 태양광발전설비의 결함 발생 여부를 결정하는 제 1 결함결정부; 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보 외에 상기 태양광발전설비의 추가 정보를 획득하는 제 2 정보획득부; 및 상기 태양광발전설비의 결함 발생 여부에 따라 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부 및 상기 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광발전설비의 결함 위치를 결정하는 제 2 결함결정부를 포함한다.
태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망에 입력함으로써 태양광발전설비의 결함 발생 여부를 결정하고, 태양광발전설비의 결함 발생 여부에 따라 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부 및 태양광발전설비의 추가 정보를 제 2 인공신경망에 입력함으로써 태양광발전설비의 결함 위치를 결정함에 따라 태양광발전설비의 결함 발생 여부에 대한 실시간 감시가 가능할 뿐만 아니라, 사용자로 하여금 태양광발전설비의 결함 위치를 쉽게 찾을 수 있도록 할 수 있다.
이와 같이, 태양광발전설비의 발전량에 영향을 미칠 수 있는 최소한의 정보만으로 태양광발전설비의 결함 발생 여부를 결정한 후에 태양광발전설비에 결함이 있는 경우에만 태양광발전설비의 결함 위치를 결정함으로써 사용자는 태양광발전설비의 외부 환경 변화 및 내부 동작 변화에 대해 실시간으로 태양광발전설비의 이상 여부 확인이 가능하게 되고, 태양광발전설비의 결함 발생 시에는 태양광발전설비의 결함 위치를 쉽게 찾을 수 있어 신속한 고장 수리가 가능하게 된다. 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 설명으로부터 또 다른 기술적 과제가 도출될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 태양광발전감시진단장치(5)의 설치 환경 예시도이다.
도 2는 도 1에 도시된 태양광발전감시진단장치(5)의 구성도이다.
도 3은 본 발명의 다른 실시예에 따른 태양광발전감시진단방법의 흐름도이다.
도 4는 도 2에 도시된 제 1 인공신경망(32)의 예시도이다.
도 5는 도 1에 도시된 제 1 출력패턴생성부(21)에 의해 생성된 출력 변화 패턴의 예시도이다.
도 6은 도 1에 도시된 제 2 출력패턴생성부(22)에 의해 생성된 출력 변화 패턴의 예시도이다.
도 7은 도 2에 도시된 제 2 인공신경망(42)의 예시도이다.
도 2는 도 1에 도시된 태양광발전감시진단장치(5)의 구성도이다.
도 3은 본 발명의 다른 실시예에 따른 태양광발전감시진단방법의 흐름도이다.
도 4는 도 2에 도시된 제 1 인공신경망(32)의 예시도이다.
도 5는 도 1에 도시된 제 1 출력패턴생성부(21)에 의해 생성된 출력 변화 패턴의 예시도이다.
도 6은 도 1에 도시된 제 2 출력패턴생성부(22)에 의해 생성된 출력 변화 패턴의 예시도이다.
도 7은 도 2에 도시된 제 2 인공신경망(42)의 예시도이다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 본 발명의 실시예는 태양광발전설비의 결함 발생 여부에 대한 실시간 감시가 가능할 뿐만 아니라, 사용자로 하여금 태양광발전설비의 결함 위치를 쉽게 찾을 수 있도록 할 수 있는 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치에 관한 것이다. 이하에서는 이러한 태양광발전설비의 결함 감시진단 방법 및 장치를 간략하게 "태양광발전감시진단방법", "태양광발전감시진단장치"로 호칭할 수도 있다.
도 1은 본 발명의 일 실시예에 따른 태양광발전감시진단장치(5)의 설치 환경 예시도이다. 도 1에는 본 실시예에 따른 태양광발전감시진단장치(5)의 감시진단 대상에 해당하는 태양광발전설비의 일례가 도시되어 있다. 도 1을 참조하면, 태양광발전설비는 복수 개의 태양광패널(1), 복수 개의 지지구조체(2), 복수 개의 인버터(3), 및 계통연계장치(4)로 구성된다. 태양광발전설비는 복수 개의 태양광패널(1)으로부터 출력된 직류 전력을 효율적으로 모아서 복수 개의 인버터(3)에 전달하기 위한 복수 개의 접속반, 복수 개의 태양광패널(1)으로부터 출력된 직류 전력 중 일부를 비상용으로 저장하기 위한 축전지 등을 더 포함할 수 있다.
각 태양광패널(1)은 평판 형태의 패널, 패널에 부착되는 복수 개의 태양전지, 및 복수 개의 태양전지를 전기적으로 연결하기 위한 부품들로 이루어지며, 복수 개의 태양전지에서 생성된 직류 전력을 출력한다. 복수 개의 태양전지는 일정 개수 단위로 병결 연결된 후에 직렬 연결되거나 일정 개수 단위로 직렬 연결된 후에 병렬 연결된다. 각 지지구조체(2)는 각 태양광패널(1)이 태양광 에너지를 가장 많이 흡수할 수 있는 각도로 경사지도록 각 태양광패널(1)을 지지하는 역할을 한다.
각 인버터(3)는 각 태양광패널(1)로부터 출력된 직류 전력을 교류 전력으로 변환한다. 계통연계장치(4)는 각 인버터(3)로부터 출력된 교류 전력이 부하의 소비 전력보다 크면 잉여 전력을 전력계통에 공급하고, 각 인버터(3)로부터 출력된 교류 전력이 부하의 소비 전력보다 작으면 부족 전력을 전력계통으로부터 받아 부하에 공급한다. 부하의 예로는 주택의 전력기기, 공장의 전력기기 등을 들 수 있다.
도 2는 도 1에 도시된 태양광발전감시진단장치(5)의 구성도이다. 도 2를 참조하면, 일사계(11), 온도계(12), 습도계(13), 제 1 출력측정기(14), 제 2 출력측정기(15), 제 1 출력패턴생성부(21), 제 2 출력패턴생성부(22), 카운터(23), 제 1 정보획득부(31), 제 1 인공신경망(32), 제 1 결함결정부(33), 제 2 정보획득부(41), 제 2 인공신경망(42), 제 2 결함결정부(43), 사용자인터페이스(50), 스토리지(60), 제어부(70)로 구성된다. 태양광발전감시진단장치(5)의 구성을 간략화하기 위해, 도 2에는 하나의 태양광패널(1)과 하나의 인버터(3)에 대한 결함 감시진단을 위한 구성만이 도시되어 있다. 따라서, 이하에서 설명되는 태양광패널(1)과 인버터(3) 각각의 개수는 복수일 수 있고, 제 1 출력측정기(14), 제 2 출력측정기(15), 제 1 출력패턴생성부(21), 제 2 출력패턴생성부(22) 각각의 개수도 복수일 수 있다.
사용자인터페이스(50)는 사용자로부터 정보나 명령을 입력받고, 사용자에게 태양광발전설비의 결함 감시진단 결과, 예를 들어 태양광발전설비의 결함 발생 여부 및 결함 위치를 표시한다. 사용자인터페이스(50)는 디스플레이패널, 터치스크린 등으로 구현될 수 있다. 스토리지(60)에는 제 1 정보획득부(31)와 제 2 정보획득부에 의해 회득된 정보가 저장된다. 제어부(70)는 제 1 결함결정부(33)의 결정 결과에 따라 제 1 출력패턴생성부(21)와 제 2 출력패턴생성부(22)의 동작을 제어하고, 제 2 결함결정부(43)의 결정 결과에 따라 사용자인터페이스(50)의 동작을 제어한다.
도 2에서 일사계(11)는 "Pyranometer"를 나타내는 "P"로 표현되어 있고, 온도계(12)는 "Thermometer"를 나타내는 "T"로 표현되어 있고, 습도계(13)는 "Hygrometer"를 나타내는 "H"로 표현되어 있다. 제 1 출력측정기(14)는 "Voltmeter"를 나타내는 "V"로 표현되어 있다. 제 1 출력측정기(14)는 전압계 외에 전류계나 전력계가 될 수도 있다. 제 2 출력측정기(15)는 "Wattmeter"를 나타내는 "W"로 표현되어 있다. 제 2 출력측정기(15)는 전력계 외에 전압계나 전류계가 될 수도 있다. 일사계(11), 온도계(12), 습도계(13)는 태양광패널(1) 주변에 설치된다. 제 1 출력측정기(14)는 태양광패널(1)의 출력라인에 설치되고, 제 2 출력측정기(15)는 인버터(3)의 출력라인에 설치된다.
도 3은 본 발명의 다른 실시예에 따른 태양광발전감시진단방법의 흐름도이다. 도 3을 참조하면, 본 실시예에 따른 태양광발전감시진단방법은 도 1에 도시된 태양광발전감시진단장치(5)에 의해 수행되는 다음과 같은 단계들로 구성된다. 이하에서는 도 3을 참조하면서 도 1에 도시된 태양광발전감시진단장치(5)의 구성을 상세하게 설명하기로 한다.
51 단계에서 일사계(11)는 태양으로부터 태양광패널(1)에 전달된 일사량을 일정 주기로 측정하고, 온도계(12)는 태양광패널(1)의 외기 온도를 일정 주기로 측정한다. 습도계(13)는 태양광패널(1)의 외기 습도를 일정 주기로 측정한다. 본 실시예에서, 태양광발전설비의 외부 환경 정보는 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도로 이루어진다. 태양광패널(1)의 발전량에 영향을 주는 대표적인 태양광발전설비의 외부 환경 요인들로는 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도를 들 수 있다.
52 단계에서 제 1 출력측정기(14)는 태양광패널(1)의 출력값을 일정 주기로 측정하고, 제 2 출력측정기(15)는 인버터(3)의 출력값을 일정 주기로 측정한다. 본 실시예에서 태양광발전설비의 내부 동작 정보는 태양광패널(1)의 출력값과 인버터(3)의 출력값으로 이루어진다. 태양광발전설비가 정상적으로 동작하고 있는가를 나타내는 대표적인 지표들로는 태양광패널(1)의 출력값과 인버터(3)의 출력값을 들 수 있다. 51 단계와 52 단계는 동시에 동일 주기로 수행된다. 예를 들어, 일사계(11), 온도계(12), 습도계(13), 제 1 출력측정기(14), 제 2 출력측정기(15)는 1분 주기로 측정할 수 있다.
본 실시예에 따른 태양광발전감시진단의 정확성을 높이기 위해, 태양광발전설비의 외부 환경 정보는 상기된 태양광발전설비의 외부 환경 요인들 외에 다른 외부 환경 요인을 더 포함할 수 있고, 태양광발전설비의 내부 동작 정보는 상기된 태양광발전설비의 내부 동작 지표들 외에 다른 내부 동작 지표를 더 포함할 수 있다. 본 실시예에 따른 태양광발전감시진단이 저성능의 스마트폰 등에서 수행될 수 있도록, 상기된 태양광발전설비의 외부 환경 정보 중 일부가 제외될 수 있고, 태양광발전설비의 내부 동작 정보 중 일부가 제외될 수 있다.
53 단계에서 카운터(23)는 태양광발전설비의 가동시간을 카운팅함으로써 태양광발전설비의 누적가동시간을 측정한다. 예를 들어, 태양광발전설비가 매일 중단 없이 연속해서 가동되는 경우라면, 카운터(23)는 인버터(3)의 최초 파워온 시점부터 태양광발전설비의 가동시간을 카운팅함으로써 태양광발전설비의 누적가동시간을 측정할 수 있다. 아니면, 카운터(23)는 인버터(3)가 파워온될 때마다 인버터(3)의 파워온 시점부터 파워오프 시점까지 태양광발전설비의 가동시간을 누적하여 카운팅함으로써 태양광발전설비의 누적가동시간을 측정할 수 있다. 태양광발전설비는 누적가동시간이 증가할 수 있도록 경년 열화되기 때문에 태양광발전설비의 발전량은 점차적으로 줄어들게 된다.
54 단계에서 제 1 정보획득부(31)는 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 획득한다. 제 1 정보획득부(31)는 51 단계에서 일사계(11)에 의해 측정된 태양광패널(1)의 일사량, 온도계(12)에 의해 측정된 태양광패널(1)의 외기 온도, 습도계(13)에 의해 측정된 태양광패널(1)의 외기 습도, 52 단계에서 제 2 출력측정기(15)에 의해 측정된 인버터(3)의 출력값을 일정 주기로 모니터링함으로써 태양광발전설비의 외부 환경 정보와 내부 동작 정보을 일정 주기로 획득한다.
예를 들어, 제 1 정보획득부(31)는 일사계(11), 온도계(12), 습도계(13), 제 2 출력측정기(15)의 측정 주기에 동기화되어 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 인버터(3)의 출력값을 1분 주기로 모니터링함으로써 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 인버터(3)의 출력값을 1분 주기로 획득할 수 있다. 제 1 정보획득부(31)에 의해 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 인버터(3)의 출력값이 획득될 때마다 이 값들은 스토리지(60)에 저장된다.
55 단계에서 제 1 결함결정부(33)는 54 단계에서 제 1 정보획득부(31)에 의해 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망(32)에 입력한다. 제 1 결함결정부(33)는 제 1 정보획득부(31)에 의해 태양광발전설비의 외부 환경 정보로서 획득된 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 제 1 정보획득부(31)에 의해 태양광발전설비의 내부 동작 정보로서 획득된 인버터(3)의 출력값을 제 1 인공신경망(32)에 입력한다.
56 단계에서 제 1 결함결정부(33)는 55 단계에서의 데이터 입력에 대한 응답으로서 제 1 인공신경망(32)으로부터 출력된 데이터가 나타내는 태양광발전설비의 결함 발생 확률에 기초하여 태양광발전설비의 결함 발생 여부를 결정한다. 예를 들어, 제 1 결함결정부(33)는 제 1 인공신경망(32)의 출력층으로부터 출력된 데이터가 나타내는 태양광발전설비의 결함 발생 확률이 미리 설정된 기준 확률 이상이면 태양광발전설비에 결함이 발생한 것으로 결정하고, 태양광발전설비의 결함 발생 확률이 기준 확률 미만이면 태양광발전설비가 정상적으로 동작 중인 것으로 결정한다.
이와 같이, 55, 56 단계에서 제 1 결함결정부(33)는 54 단계에서 제 1 정보획득부(31)에 의해 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망(32)에 입력함으로써 제 1 인공신경망(32)의 출력 데이터에 기초하여 태양광발전설비의 결함 발생 여부를 결정한다. 즉, 제 1 결함결정부(33)는 제 1 정보획득부(31)에 의해 태양광발전설비의 외부 환경 정보로서 획득된 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 제 1 정보획득부(31)에 의해 태양광발전설비의 내부 동작 정보로서 획득된 인버터(3)의 출력값을 제 1 인공신경망(32)에 입력함으로써 제 1 인공신경망(32)의 출력 데이터에 기초하여 태양광발전설비의 결함 발생 여부를 결정한다.
제 1 인공신경망(32)에 입력되는 데이터의 양이 증가할수록 제 1 인공신경망(32)의 예측 정확도가 상승되나, 제 1 인공신경망(32)의 응답 시간이 길어지게 된다. 반면, 제 1 인공신경망(32)에 입력되는 데이터의 양이 감소할수록 제 1 인공신경망(32)의 예측 정확도가 낮아지나, 제 1 인공신경망(32)의 응답 시간이 짧아지게 된다. 본 실시예에서는 태양광발전설비의 결함 발생 여부 결정이 주기적으로 빈번하게 이루어지기 때문에, 예를 들어 1분 주기로 이루어지기 때문에 태양광발전설비의 외부 환경 정보와 인버터(3)의 출력값만으로 태양광발전설비의 결함 발생 여부를 결정한다.
태양광발전감시진단장치(5)의 하드웨어 성능에 따라 제 1 인공신경망(32)에 입력되는 데이터의 양을 결정함이 바람직하다. 태양광발전감시진단장치(5)의 하드웨어 성능이 높다면, 제 1 인공신경망(32)의 예측 정확도를 높이기 위해 상기된 입력 데이터 외에 태양광발전설비의 누적가동시간 등이 추가적으로 입력 데이터로 사용될 수 있다. 태양광발전감시진단장치(5)의 하드웨어 성능이 낮다면, 제 1 인공신경망(32)의 연산 부하를 줄이기 위해 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도 중 제 1 인공신경망(32)의 예측 정확도에 상대적으로 영향을 덜 미치는 외기 습도가 제외될 수 있다.
도 4는 도 2에 도시된 제 1 인공신경망(32)의 예시도이다. 도 4를 참조하면, 제 1 인공신경망(32)의 입력층에 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 인버터(3)의 출력값을 나타내는 데이터가 입력되면, 제 1 인공신경망(32)의 출력층으로부터 태양광발전설비의 결함 발생 확률을 나타내는 데이터가 출력된다. 제 1 인공신경망(32)은 53 단계에서의 태양광발전설비의 외부 환경 정보와 내부 동작 정보 획득 이전에 수집된 대량의 외부 환경 정보와 내부 동작 정보, 및 태양광발전설비의 결함 발생 확률를 이용하여 학습된 인공신경망이다.
제 1 인공신경망(32)의 예측 정확도 향상을 위해서는 대량의 학습 데이터가 요구된다. 제 1 인공신경망(32)의 학습은 대량의 학습 데이터에 대해 제 1 인공신경망(32)의 입력층에 태양광패널(1)의 일사량, 외기 온도, 외기 습도와 인버터(3)의 출력값을 나타내는 데이터 입력을 반복하면서, 데이터 입력시마다 제 1 인공신경망(32)의 출력층으로부터 출력된 결함 발생 확률과 그 입력 데이터 조건의 실제 태양광발전설비의 결함 발생 확률간의 오차가 감소하도록 제 1 인공신경망(32)의 은닉층의 가중치들을 반복하여 조정하는 방식으로 이루어진다.
태양광발전설비의 결함 발생 확률은 제 1 인공신경망(32)의 설계자에 의해 미리 설정된다. 예를 들어, 제 1 인공신경망(32)의 설계자는 태양광발전설비의 실제 결함 사고와 관련된 빅데이터를 참조하여 태양광패널(1)의 일사량, 외기 온도, 외기 습도와 인버터(3)의 출력값의 여러 조건에서 태양광발전설비의 결함 발생 확률을 설정하는 작업을 반복함으로써 제 1 인공신경망(32)에 대한 대량의 학습 데이터를 생성할 수 있다.
57 단계에서 제어부(70)는 56 단계에서 제 1 결함결정부(33)에 의해 결정된 태양광발전설비의 결함 발생 여부를 확인하고, 그 확인 결과에 따라 제 1 출력패턴생성부(21)와 제 2 출력패턴생성부(22)의 동작을 제어한다. 제 1 결함결정부(33)에 의해 태양광발전설비에 결함이 발생한 것으로 결정된 경우라면, 제어부(70)에 의해 제 1 출력패턴생성부(21)와 제 2 출력패턴생성부(22)의 동작이 시작되면서 58 단계로 진행된다. 제 1 결함결정부(33)에 의해 태양광발전설비가 정상적으로 동작 중인 것으로 결정된 경우라면 51 단계로 돌아가게 되며 51~57 단계가 반복된다.
58 단계에서 제 1 출력패턴생성부(21)는 복수의 시점에서 연속해서 측정된 태양광패널(1)의 출력값의 변화 추이를 나타내는 태양광패널(1)의 출력 변화 패턴을 생성하고, 제 2 출력패턴생성부(22)는 복수의 시점에서 연속해서 측정된 인버터(3)의 출력값의 변화 추이를 나타내는 인버터(3)의 출력 변화 패턴을 생성한다. 상술한 바와 같이, 주기적으로 측정된 태양광패널(1)의 출력값과 인버터(3)의 출력값은 스토리지(60)에 저장된다. 제 1 출력패턴생성부(21)는 스토리지(60)에 연속해서 저장된 복수의 태양광패널(1)의 출력값을 차례로 축적함으로써 태양광패널(1)의 출력 변화 패턴을 생성할 수 있고, 제 2 출력패턴생성부(22)는 스토리지(60)에 연속해서 저장된 복수의 인버터(3)의 출력값을 차례로 축적함으로써 인버터(3)의 출력 변화 패턴을 생성할 수 있다.
도 5는 도 1에 도시된 제 1 출력패턴생성부(21)에 의해 생성된 출력 변화 패턴의 예시도이다. 상술한 바와 같이, 제 1 출력측정기(14)가 전압계일 경우, 스토리지(60)에는 최초 측정 시점부터 지금까지의 태양광패널(1)의 전압값이 저장되어 있게 된다. 제 1 출력패턴생성부(21)는 스토리지(60)로부터 태양광패널(1)의 전압값을 가장 최근에 저장된 값부터 시작하여 미리 설정된 일정 개수만큼 독출하고, 이와 같이 독출된 복수의 태양광패널(1)의 전압값을 차례로 축적함으로써 태양광패널(1)의 출력 변화 패턴을 생성할 수 있다. 도 5에 도시된 바와 같이, 이와 같이 생성된 태양광패널(1)의 출력 변화 패턴은 일정 기간 동안의 인버터(3)의 전압값의 변화 추이를 나타낸다.
도 6은 도 1에 도시된 제 2 출력패턴생성부(22)에 의해 생성된 출력 변화 패턴의 예시도이다. 상술한 바와 같이, 제 2 출력측정기(15)가 전력계일 경우, 스토리지(60)에는 최초 측정 시점부터 지금까지의 인버터(3)의 전력값이 저장되어 있게 된다. 제 2 출력패턴생성부(22)는 스토리지(60)로부터 인버터(3)의 전력값을 가장 최근에 저장된 값부터 시작하여 미리 설정된 일정 개수만큼 독출하고, 이와 같이 독출된 복수의 인버터(3)의 전력값을 차례로 축적함으로써 인버터(3)의 출력 변화 패턴을 생성할 수 있다. 도 5에 도시된 바와 같이, 이와 같이 생성된 인버터(3)의 출력 변화 패턴은 일정 기간 동안의 인버터(3)의 전력값의 변화 추이를 나타낸다.
도 6은 도 1에 도시된 제 2 출력패턴생성부(22)에 의해 생성된 출력 변화 패턴의 예시도이다. 상술한 바와 같이, 제 2 출력측정기(15)가 전력계일 경우, 스토리지(60)에는 최초 측정 시점부터 지금까지의 인버터(3)의 전력값이 저장되어 있게 된다. 제 2 출력패턴생성부(22)는 스토리지(60)로부터 인버터(3)의 전력값을 가장 최근에 저장된 값부터 시작하여 미리 설정된 일정 개수만큼 독출하고, 이와 같이 독출된 복수의 인버터(3)의 전력값을 차례로 축적함으로써 인버터(3)의 출력 변화 패턴을 생성할 수 있다. 도 5에 도시된 바와 같이, 이와 같이 생성된 인버터(3)의 출력 변화 패턴은 일정 기간 동안의 인버터(3)의 전력값의 변화 추이를 나타낸다.
59 단계에서 제 2 정보획득부(41)는 제 1 정보획득부(31)에 의해 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보 외에 태양광발전설비의 추가 정보를 획득한다. 태양광발전설비의 추가 정보는 태양광패널(1)의 출력 변화 정보, 인버터(3)의 출력 변화 정보, 태양광발전설비의 누적가동시간으로 이루어진다. 제 2 정보획득부(41)는 태양광패널(1)의 출력 변화 정보로서 58 단계에서 제 1 출력패턴생성부(21)에 의해 생성된 태양광패널(1)의 출력 변화 패턴을 획득하고, 인버터(3)의 출력 변화 정보로서 58 단계에서 제 2 출력패턴생성부(22)에 의해 생성된 인버터(3)의 출력 변화 패턴을 획득하고, 53 단계에서 카운터(23)에 의해 측정된 태양광발전설비의 누적가동시간을 획득한다.
510 단계에서 제 2 결함결정부(43)는 54 단계에서 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부, 및 59 단계에서 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망(42)에 입력한다. 제 2 결함결정부(43)는 제 1 정보획득부(31)에 의해 태양광발전설비의 외부 환경 정보로서 획득된 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 제 2 정보획득부(41)에 의해 태양광발전설비의 추가 정보로서 획득된 태양광패널(1)의 출력 변화 정보, 인버터(3)의 출력 변화 정보, 태양광발전설비의 누적가동시간을 제 2 인공신경망(42)에 입력한다.
태양광발전감시진단장치(5)의 하드웨어 성능에 따라 제 2 인공신경망(42)의 입력 데이터 중에서 54 단계에서 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보 중 일부, 예를 들어 인버터(3)의 출력값이 제외될 수 있다. 태양광발전설비의 추가 정보로서 제 2 인공신경망(42)에 인버터(3)의 출력 변화 정보가 입력되기 때문에 인버터(3)의 출력값이 제외되더라도 제 2 인공신경망(42)의 예측 정확도에 거의 영향을 미치지 않는다. 태양광패널(1)과 인버터(3) 각각의 출력은 태양광발전설비의 누적가동시간이 증가할수록 태양전지 등 중요 부품의 경년 열화로 인해 점차적으로 감소하는 경향이 있다. 이에 따라, 제 2 인공신경망(42)의 예측 정확도를 높이기 위해 태양광발전설비의 누적가동시간이 제 2 인공신경망(42)에 추가적으로 입력된다.
511 단계에서 제 2 결함결정부(43)는 510 단계에서의 데이터 입력에 대한 응답으로서 제 1 인공신경망(32)으로부터 출력된 데이터에 기초하여 태양광발전설비의 결함 위치를 결정한다. 510, 511 단계는 상술한 바와 같이 태양광발전설비에 결함이 발생된 경우에만 수행된다. 이와 같이, 510, 511 단계에서 제 2 결함결정부(43)는 태양광발전설비의 결함 발생 여부에 따라 54 단계에서 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부, 및 59 단계에서 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망(42)에 입력함으로써 제 2 인공신경망(42)의 출력 데이터에 기초하여 태양광발전설비의 결함 위치를 결정한다.
본 실시예에 따르면, 태양광발전설비의 발전량에 영향을 미칠 수 있는 최소한의 정보만으로 태양광발전설비의 결함 발생 여부를 결정한 후에 태양광발전설비에 결함이 있는 경우에만 태양광발전설비의 결함 위치를 결정함으로써 태양광발전설비의 결함 발생 여부에 대한 실시간 감시가 가능할 뿐만 아니라, 사용자로 하여금 태양광발전설비의 결함 위치를 쉽게 찾을 수 있도록 할 수 있다. 그 결과, 사용자는 태양광발전설비의 외부 환경 변화 및 내부 동작 변화에 대해 실시간으로 태양광발전설비의 이상 여부 확인이 가능하게 되고, 태양광발전설비의 결함 발생 시에는 태양광발전설비의 결함 위치를 쉽게 찾을 수 있어 신속한 고장 수리가 가능하게 된다.
510 단계에서 제 2 결함결정부(43)는 태양광발전설비의 결함 발생 여부에 따라 54 단계에서 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보, 59 단계에서 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망(42)에 입력한다. 제 2 결함결정부(43)는 태양광발전설비의 결함 발생 여부에 따라 제 1 정보획득부(31)에 의해 획득된 외부 환경 정보와 내부 동작 정보의 전체 또는 일부와 제 2 정보획득부(41)에 의해 태양광발전설비의 추가 정보로서 획득된 태양광패널(1)의 출력 변화 정보, 인버터(3)의 출력 변화 정보, 태양광발전설비의 누적가동시간을 제 2 인공신경망(42)에 입력한다.
511 단계에서 제 2 결함결정부(43)는 510 단계에서의 데이터 입력에 대한 응답으로서 제 1 인공신경망(32)으로부터 출력된 데이터에 기초하여 태양광발전설비의 결함 위치를 결정한다. 510, 511 단계는 상술한 바와 같이 태양광발전설비에 결함이 발생된 경우에만 수행된다. 이와 같이, 510, 511 단계에서 제 2 결함결정부(43)는 태양광발전설비의 결함 발생 여부에 따라 54 단계에서 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보, 59 단계에서 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망(42)에 입력함으로써 제 2 인공신경망(42)의 출력 데이터에 기초하여 태양광발전설비의 결함 위치를 결정한다.
본 실시예에 따르면, 510, 511 단계에서 제 2 결함결정부(43)는 제 1 정보획득부(31)에 의해 획득된 외부 환경 정보와 내부 동작 정보의 전체 또는 일부와 제 2 정보획득부(41)에 의해 태양광발전설비의 추가 정보로서 획득된 태양광패널(1)의 출력 변화 정보, 인버터(3)의 출력 변화 정보, 태양광발전설비의 누적가동시간을 제 2 인공신경망(42)에 입력함으로써 제 2 인공신경망(42)의 출력으로부터 태양광패널(1)의 결함 확률과 인버터(3)의 결함 확률을 획득하는 방식으로 태양광발전설비의 결함 위치를 결정한다.
보다 상세하게 설명하면, 제 2 결함결정부(43)는 태양광패널(1)의 출력 변화 정보로서 획득된 태양광패널(1)의 출력 변화 패턴, 인버터(3)의 출력 변화 정보로서 획득된 인버터(3)의 출력 변화 패턴, 태양광발전설비의 누적가동시간을 제 2 인공신경망(42)에 입력함으로써 제 2 인공신경망(42)의 출력으로부터 태양광패널(1)의 유형적 결함 발생 확률, 태양광패널(1)의 무형적 결함 발생 확률, 인버터(3)의 유형적 결함 발생 확률, 인버터(3)의 무형적 결함 발생 확률을 획득하고, 태양광패널(1)의 유형적 결함 발생 확률, 태양광패널(1)의 무형적 결함 발생 확률, 인버터(3)의 유형적 결함 발생 확률, 인버터(3)의 무형적 결함 발생 확률에 기초하여 태양광발전설비의 결함 위치를 결정한다.
태양광패널(1)와 인버터(3) 각각의 유형적 결함이란 사용자의 육안으로 쉽게 관찰이 가능한 결함으로서 주로 태양광패널(1)와 인버터(3) 각각의 구조적 또는 형태적 결함이 해당된다. 태양광패널(1)와 인버터(3) 각각의 무형적 결함이란 사용자의 육안으로 관찰이 불가능하고 특정 계측기를 사용하여 판별 가능한 결함으로서 주로 태양광패널(1)와 인버터(3) 각각의 전기적 결함이 해당된다.
511 단계에서 제 2 결함결정부(43)는 제 2 인공신경망(42)의 출력으로부터 획득된 태양광패널(1)의 유형적 결함 발생 확률, 태양광패널(1)의 무형적 결함 발생 확률, 인버터(3)의 유형적 결함 발생 확률, 및 인버터(3)의 무형적 결함 발생 확률 중에서 가장 높은 결함 발생 확률이 나타내는 태양광발전설비의 결함 타입을 태양광발전설비의 결함 위치로 결정한다.
본 실시예에서 태양광발전설비의 결함 위치에 대응되는 태양광발전설비의 결함 타입은 태양광패널(1)의 유형적 결함, 태양광패널(1)의 무형적 결함, 인버터(3)의 유형적 결함, 및 인버터(3)의 무형적 결함으로 분류된다. 사용자는 이러한 태양광발전설비의 결함 타입으로부터 태양광발전시스템의 어느 부분에서 어떤 특성의 결함이 발생하였는가를 인지할 수 있고, 태양광발전설비에 대한 신속한 가능하게 된다.
예를 들어, 태양광패널(1)의 지지구조체(2)가 파손되어 태양광패널(1)이 원래의 설치 방향과는 반대로 경사지게 된 경우라면 태양광패널(1)에 입사되는 태양광의 양이 대폭 줄어들게 된다. 도 5의 "F1" 표시 부분과 같이, 태양광패널(1)의 출력 전압이 갑자기 급격하게 감소하는 경우라면 제 2 결함결정부(43)는 태양광패널(1)의 유형적 결함을 태양광발전설비의 결함 위치로 결정할 수 있다. 사용자는 태양광패널(1)의 지지구조체의 파손 여부, 태양광패널(1)의 복수의 태양전지의 표면의 오염 여부 등 태양광패널(1)의 유형적 결함 관련 부분을 먼저 살펴봄으로써 태양광발전설비의 결함 부분을 신속하게 찾아서 수리할 수 있다.
태양광패널(1)의 출력 전압이 점차적으로 조금씩 감소하는 경우라면 제 2 결함결정부(43)는 태양광패널(1)의 무형적 결함을 태양광발전설비의 결함 위치로 결정할 수 있다. 사용자는 각 태양광패널(1)의 복수의 태양전지의 각각의 입출력 전압 확인, 복수의 태양전지간의 연결 라인의 전압 확인 등 태양광패널(1)의 무형적 결함 관련 부분을 먼저 살펴봄으로써 태양광발전설비의 결함 부분을 신속하게 찾아서 수리할 수 있다.
도 6의 "F2" 표시 부분과 같이, 인버터(3)의 출력 전력이 점차적으로 조금씩 감소하는 경우라면 제 2 결함결정부(43)는 인버터(3)의 무형적 결함을 태양광발전설비의 결함 위치로 결정할 수 있다. 사용자는 인버터(3)의 인덕터의 입출력 전압 확인, 전력반도체의 입출력 전압 확인 등 인버터(3)의 무형적 결함 관련 부분을 먼저 살펴봄으로써 태양광발전설비의 결함 부분을 신속하게 찾아서 수리할 수 있다. 인버터(3)의 출력 전력이 갑자기 급격하게 감소하는 경우라면 제 2 결함결정부(43)는 인버터(3)의 무형적 결함을 태양광발전설비의 결함 위치로 결정할 수 있다.
인버터(3)의 출력 전력이 갑자기 급격하게 감소하는 경우라면 제 2 결함결정부(43)는 인버터(3)의 유형적 결함을 태양광발전설비의 결함 위치로 결정할 수 있다. 사용자는 인버터(3)의 인덕터 코일의 단선, 인버터(3)의 퓨즈 파손 등 인버터(3)의 유형적 결함 관련 부분을 먼저 살펴봄으로써 태양광발전설비의 결함 부분을 신속하게 찾아서 수리할 수 있다. 인버터(3)의 출력 전력이 갑자기 급격하게 감소하는 경우라면 제 2 결함결정부(43)는 인버터(3)의 무형적 결함을 태양광발전설비의 결함 위치로 결정할 수 있다.
도 7은 도 2에 도시된 제 2 인공신경망(42)의 예시도이다. 도 7을 참조하면, 제 2 인공신경망(42)의 입력층에 태양광패널(1)의 일사량, 태양광패널(1)의 외기 온도, 태양광패널(1)의 외기 습도, 태양광패널(1)의 출력 변화 패턴, 인버터(3)의 출력 변화 패턴을 나타내는 데이터가 입력되면, 제 2 인공신경망(42)의 출력층으로부터 태양광패널(1)의 유형적 결함 발생 확률, 태양광패널(1)의 무형적 결함 발생 확률, 인버터(3)의 유형적 결함 발생 확률, 및 인버터(3)의 무형적 결함 발생 확률을 나타내는 데이터가 출력된다.
제 2 인공신경망(42)은 53 단계에서의 태양광발전설비의 외부 환경 정보와 추가 정보 획득 이전에 수집된 대량의 외부 환경 정보와 추가 정보, 태양광패널(1)의 유형적 결함 발생 확률, 태양광패널(1)의 무형적 결함 발생 확률, 인버터(3)의 유형적 결함 발생 확률, 및 인버터(3)의 무형적 결함 발생 확률을 이용하여 학습된 인공신경망이다.
제 2 인공신경망(42)의 학습은 대량의 학습 데이터에 대해 제 2 인공신경망(42)의 입력층에 태양광패널(1)의 일사량, 외기 온도, 외기 습도와 태양광패널(1)의 출력 변화 패턴, 인버터(3)의 출력 변화 패턴을 나타내는 데이터 입력을 반복하면서, 데이터 입력시마다 제 2 인공신경망(42)의 출력층으로부터 출력된 4 개의 결함 발생 확률과 그 입력 데이터의 조건일 때의 실제 결함 발생 확률간의 오차가 감소하도록 제 2 인공신경망(42)의 은닉층의 가중치들을 반복하여 조정하는 방식으로 이루어진다.
태양광패널(1)의 유형적 결함 발생 확률, 태양광패널(1)의 무형적 결함 발생 확률, 인버터(3)의 유형적 결함 발생 확률, 및 인버터(3)의 무형적 결함 발생 확률은 제 2 인공신경망(42)의 설계자에 의해 미리 설정된다. 예를 들어, 제 2 인공신경망(42)의 설계자는 태양광발전설비의 실제 결함 사고와 관련된 빅데이터를 참조하여 태양광패널(1)의 일사량, 외기 온도, 외기 습도와 태양광패널(1)의 출력 변화 패턴, 인버터(3)의 출력 변화 패턴의 여러 조건에서 태양광패널(1)의 유형적 결함 발생 확률, 태양광패널(1)의 무형적 결함 발생 확률, 인버터(3)의 유형적 결함 발생 확률, 및 인버터(3)의 무형적 결함 발생 확률을 설정하는 작업을 반복함으로써 제 2 인공신경망(42)에 대한 대량의 학습 데이터를 생성할 수 있다.
512 단계에서 사용자인터페이스(50)는 511 단계에서의 제 2 결함결정부(43)의 태양광발전설비의 결함 위치에 대한 결정 결과에 따라 태양광패널(1)의 지지구조체의 파손, 태양광패널(1)의 복수의 태양전지의 표면의 오염 중 적어도 하나의 발생 확률을 태양광패널(1)의 유형적 결함의 발생 확률로 표시하거나 각 태양광패널(1)의 복수의 태양전지의 경년변화에 따른 열화, 각 태양광패널(1)의 복수의 태양전지간의 연결 부품의 경년변화에 따른 열화 중 적어도 하나의 발생 확률을 태양광패널(1)의 무형적 결함의 발생 확률로 표시한다.
또한, 사용자인터페이스(50)는 511 단계에서의 제 2 결함결정부(43)의 태양광발전설비의 결함 위치에 대한 결정 결과에 따라 인버터(3)의 인덕터 코일의 단선, 인버터(3)의 퓨즈 파손 중 적어도 하나의 발생 확률을 인버터(3)의 유형적 결함의 발생 확률로 표시하거나 인버터(3)의 인덕터의 경년변화에 따른 열화, 인버터(3)의 전력반도체의 경년변화에 따른 열화 중 적어도 하나의 발생 확률을 태양광패널(1)의 무형적 결함의 발생 확률로 표시한다.
예를 들어, 제 2 인공신경망(42)의 출력 데이터가 태양광패널(1)의 유형적 결함 발생 확률 89%, 태양광패널(1)의 무형적 결함 발생 확률 43%, 인버터(3)의 유형적 결함 발생 확률 14%, 및 인버터(3)의 무형적 결함 발생 확률 7%를 나타내면, 사용자인터페이스(50)는 태양광패널(1)의 지지구조체의 파손, 태양광패널(1)의 복수의 태양전지의 표면의 오염 중 적어도 하나의 발생 확률이 89%임을 표시하게 된다. 태양광패널(1)의 지지구조체의 파손, 태양광패널(1)의 복수의 태양전지의 표면의 오염은 태양광패널(1)의 무형적 결함의 대표적 예시로 또 다른 결함이 포함될 수 있다.
제 2 인공신경망(42)의 출력 데이터가 태양광패널(1)의 유형적 결함 발생 확률 59%, 태양광패널(1)의 무형적 결함 발생 확률 93%, 인버터(3)의 유형적 결함 발생 확률 4%, 및 인버터(3)의 무형적 결함 발생 확률 18%를 나타내면, 사용자인터페이스(50)는 각 태양광패널(1)의 복수의 태양전지의 경년변화에 따른 열화, 각 태양광패널(1)의 복수의 태양전지간의 연결 부품의 경년변화에 따른 열화 중 적어도 하나의 발생 확률이 93%임을 표시하게 된다. 각 태양광패널(1)의 복수의 태양전지의 경년변화에 따른 열화, 각 태양광패널(1)의 복수의 태양전지간의 연결 부품의 경년변화는 태양광패널(1)의 유형적 결함의 결함의 대표적 예시로 또 다른 결함이 포함될 수 있다.
제 2 인공신경망(42)의 출력 데이터가 태양광패널(1)의 유형적 결함 발생 확률 34%, 태양광패널(1)의 무형적 결함 발생 확률 26%, 인버터(3)의 유형적 결함 발생 확률 96%, 및 인버터(3)의 무형적 결함 발생 확률 18%를 나타내면, 사용자인터페이스(50)는 인버터(3)의 인덕터 코일의 단선, 인버터(3)의 퓨즈 파손 중 적어도 하나의 발생 확률이 93%임을 표시하게 된다. 인버터(3)의 인덕터 코일의 단선, 인버터(3)의 퓨즈 파손 중 적어도 하나의 발생 확률은 인버터(3)의 유형적 결함의 대표적 예시로 또 다른 결함이 포함될 수 있다.
제 2 인공신경망(42)의 출력 데이터가 태양광패널(1)의 유형적 결함 발생 확률 3%, 태양광패널(1)의 무형적 결함 발생 확률 9%, 인버터(3)의 유형적 결함 발생 확률 16%, 및 인버터(3)의 무형적 결함 발생 확률 98%를 나타내면, 사용자인터페이스(50)는 인버터(3)의 인덕터의 경년변화에 따른 열화, 인버터(3)의 전력반도체의 경년변화에 따른 열화 중 적어도 하나의 발생 확률이 93%임을 표시하게 된다. 인버터(3)의 인덕터의 경년변화에 따른 열화, 인버터(3)의 전력반도체의 경년변화에 따른 열화는 인버터(3)의 무형적 결함의 대표적 예시로 또 다른 결함이 포함될 수 있다.
이제까지 본 발명에 대하여 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
1 ... 태양광패널
2 ... 지지구조체
3 ... 인버터
4 ... 계통연계장치
5 ... 태양광발전감시진단장치
11 ... 일사계
12 ... 온도계
13 ... 습도계
14 ... 제 1 출력측정기
15 ... 제 2 출력측정기
21 ... 제 1 출력패턴생성부
22 ... 제 2 출력패턴생성부
23 ... 카운터
31 ... 제 1 정보획득부
32 ... 제 1 인공신경망
33 ... 제 1 결함결정부
41 ... 제 2 정보획득부
42 ... 제 2 인공신경망
43 ... 제 2 결함결정부
50 ... 사용자인터페이스
60 ... 스토리지
70 ... 제어부
2 ... 지지구조체
3 ... 인버터
4 ... 계통연계장치
5 ... 태양광발전감시진단장치
11 ... 일사계
12 ... 온도계
13 ... 습도계
14 ... 제 1 출력측정기
15 ... 제 2 출력측정기
21 ... 제 1 출력패턴생성부
22 ... 제 2 출력패턴생성부
23 ... 카운터
31 ... 제 1 정보획득부
32 ... 제 1 인공신경망
33 ... 제 1 결함결정부
41 ... 제 2 정보획득부
42 ... 제 2 인공신경망
43 ... 제 2 결함결정부
50 ... 사용자인터페이스
60 ... 스토리지
70 ... 제어부
Claims (10)
- 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 획득하는 단계;
상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 발생 여부를 결정하는 단계;
상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보 외에 상기 태양광발전설비의 추가 정보를 획득하는 단계; 및
상기 태양광발전설비의 결함이 발생한 것으로 결정된 경우에 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부 및 상기 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 위치를 결정하는 단계를 포함하고,
상기 태양광발전설비의 내부 동작 정보는 상기 태양광발전설비의 인버터의 출력값을 포함하고, 상기 태양광발전설비의 추가 정보는 태양광패널의 출력 변화 정보와 인버터의 출력 변화 정보를 포함하고,
상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 획득된 외부 환경 정보와 내부 동작 정보의 전체 또는 일부와 상기 태양광발전설비의 추가 정보로서 획득된 상기 태양광패널의 출력 변화 정보와 상기 인버터의 출력 변화 정보를 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광패널의 결함 확률과 상기 인버터의 결함 확률을 획득하는 방식으로 상기 태양광발전설비의 결함 위치를 결정하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 제 1 항에 있어서,
상기 태양광발전설비의 외부 환경 정보는 상기 태양광발전설비의 태양광패널의 일사량, 상기 태양광패널의 외기 온도, 상기 태양광패널의 외기 습도 중 적어도 하나를 포함하고,
상기 태양광발전설비의 결함 발생 여부를 결정하는 단계는 상기 태양광발전설비의 외부 환경 정보로서 획득된 상기 태양광패널의 일사량, 상기 태양광패널의 외기 온도, 상기 태양광패널의 외기 습도 중 적어도 하나와 상기 획득된 태양광발전설비의 내부 동작 정보를 상기 제 1 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 발생 여부를 결정하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 제 1 항에 있어서,
상기 태양광발전설비의 결함 발생 여부를 결정하는 단계는 상기 획득된 태양광발전설비의 외부 환경 정보와 상기 태양광발전설비의 내부 동작 정보로서 획득된 인버터의 출력값을 상기 제 1 인공신경망에 입력함으로써 상기 태양광발전설비의 결함 발생 여부를 결정하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 삭제
- 제 1 항에 있어서,
상기 태양광발전설비의 추가 정보는 상기 태양광발전설비의 누적가동시간을 더 포함하고,
상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 획득된 외부 환경 정보와 내부 동작 정보의 전체 또는 일부와 상기 태양광발전설비의 추가 정보로서 획득된 상기 태양광패널의 출력 변화 정보, 상기 인버터의 출력 변화 정보, 및 상기 태양광발전설비의 누적가동시간을 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광패널의 결함 확률과 상기 인버터의 결함 확률을 획득하는 방식으로 상기 태양광발전설비의 결함 위치를 결정하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 제 1 항에 있어서,
복수의 시점에서 측정된 태양광패널의 출력값의 변화 추이를 나타내는 태양광패널의 출력 변화 패턴을 생성하는 단계를 더 포함하고,
상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 태양광패널의 출력 변화 정보로서 획득된 상기 태양광패널의 출력 변화 패턴을 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광패널의 유형적 결함 발생 확률과 상기 태양광패널의 무형적 결함 발생 확률을 획득하고, 상기 획득된 태양광패널의 유형적 결함 발생 확률과 상기 획득된 태양광패널의 무형적 결함 발생 확률에 기초하여 상기 태양광발전설비의 결함 위치를 결정하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 제 6 항에 있어서,
상기 태양광발전설비의 결함 위치에 대한 결정 결과에 따라 상기 태양광패널의 지지구조체의 파손, 상기 태양광패널의 복수 개의 태양전지의 표면의 오염 중 적어도 하나의 발생 확률을 상기 획득된 태양광패널의 유형적 결함의 발생 확률로 표시하거나, 상기 복수 개의 태양전지의 경년변화에 따른 열화, 상기 복수 개의 태양전지간의 연결 부품의 경년변화에 따른 열화 중 적어도 하나의 발생 확률을 상기 획득된 태양광패널의 무형적 결함의 발생 확률로 표시하는 단계를 더 포함하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 제 1 항에 있어서,
복수의 시점에서 측정된 인버터의 출력값의 변화 추이를 나타내는 인버터의 출력 변화 패턴을 생성하는 단계를 더 포함하고,
상기 태양광발전설비의 결함 위치를 결정하는 단계는 상기 인버터의 출력 변화 정보로서 획득된 상기 인버터의 출력 변화 패턴을 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 인버터의 유형적 결함 발생 확률과 상기 인버터의 무형적 결함 발생 확률을 획득하고, 상기 획득된 인버터의 유형적 결함 발생 확률과 상기 획득된 인버터의 무형적 결함 발생 확률에 기초하여 상기 태양광발전설비의 결함 위치를 결정하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 제 8 항에 있어서,
상기 태양광발전설비의 결함 위치에 대한 결정 결과에 따라 상기 인버터의 인덕터 코일의 단선, 상기 인버터의 퓨즈 파손 중 적어도 하나의 발생 확률을 상기 획득된 인버터의 유형적 결함의 발생 확률로 표시하거나, 상기 인버터의 인덕터의 경년변화에 따른 열화, 상기 인버터의 전력반도체의 경년변화에 따른 열화 중 적어도 하나의 발생 확률을 상기 획득된 인버터의 무형적 결함의 발생 확률로 표시하는 단계를 더 포함하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 방법. - 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 획득하는 제 1 정보획득부;
상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보를 제 1 인공신경망에 입력함으로써 상기 제 1 인공신경망의 출력으로부터 상기 태양광발전설비의 결함 발생 여부를 결정하는 제 1 결함결정부;
상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보 외에 상기 태양광발전설비의 추가 정보를 획득하는 제 2 정보획득부; 및
상기 태양광발전설비의 결함이 발생한 것으로 결정된 경우에 상기 획득된 태양광발전설비의 외부 환경 정보와 내부 동작 정보의 전체 또는 일부 및 상기 획득된 태양광발전설비의 추가 정보를 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광발전설비의 결함 위치를 결정하는 제 2 결함결정부를 포함하고,
상기 태양광발전설비의 내부 동작 정보는 상기 태양광발전설비의 인버터의 출력값을 포함하고, 상기 태양광발전설비의 추가 정보는 상기 태양광발전설비의 태양광패널의 출력 변화 정보와 상기 인버터의 출력 변화 정보를 포함하고,
상기 제 2 결함결정부는 상기 획득된 외부 환경 정보와 내부 동작 정보의 전체 또는 일부와 상기 태양광발전설비의 추가 정보로서 획득된 상기 태양광패널의 출력 변화 정보와 상기 인버터의 출력 변화 정보를 상기 제 2 인공신경망에 입력함으로써 상기 제 2 인공신경망의 출력으로부터 상기 태양광패널의 결함 확률과 상기 인버터의 결함 확률을 획득하는 방식으로 상기 태양광발전설비의 결함 위치를 결정하는 것을 특징으로 하는 태양광발전설비의 결함 감시진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230059042A KR102574189B1 (ko) | 2023-05-08 | 2023-05-08 | 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230059042A KR102574189B1 (ko) | 2023-05-08 | 2023-05-08 | 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102574189B1 true KR102574189B1 (ko) | 2023-09-04 |
Family
ID=88018463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230059042A KR102574189B1 (ko) | 2023-05-08 | 2023-05-08 | 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102574189B1 (ko) |
Citations (3)
| 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 |
| KR20200059704A (ko) * | 2018-11-21 | 2020-05-29 | 안현철 | 고장 예측 알고리즘을 이용한 태양광 발전 관리 시스템 |
| KR102459015B1 (ko) * | 2020-09-17 | 2022-10-26 | (주)탑인프라 | 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치 |
-
2023
- 2023-05-08 KR KR1020230059042A patent/KR102574189B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200059704A (ko) * | 2018-11-21 | 2020-05-29 | 안현철 | 고장 예측 알고리즘을 이용한 태양광 발전 관리 시스템 |
| KR102014339B1 (ko) * | 2019-02-26 | 2019-08-26 | 포스컨트롤 주식회사 | 머신러닝을 이용한 태양광 발전 시스템의 이상 감지 방법 및 장치 |
| KR102459015B1 (ko) * | 2020-09-17 | 2022-10-26 | (주)탑인프라 | 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Catelani et al. | Electrical performances optimization of Photovoltaic Modules with FMECA approach | |
| WO2018028005A1 (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
| CN107346899B (zh) | 一种光伏电站系统稳定性评估方法及系统 | |
| KR101942806B1 (ko) | 현장 고장 진단이 가능한 이동형 태양광 발전설비 고장 진단시스템 | |
| KR101238620B1 (ko) | 태양광발전 시스템의 고장 인식 장치 및 이의 진단 방법 | |
| KR102182820B1 (ko) | 태양광 모듈의 고장 및 열화 상태 진단 기능을 갖는 태양광 발전장치 및 그 발전 관리방법 | |
| KR20190057974A (ko) | 태양광 발전 관리 시스템 | |
| KR101327225B1 (ko) | 등가 가동시간 개념을 이용한 계통연계형 태양광발전 시스템의 고장 진단 방법 및 장치 | |
| JP7289995B2 (ja) | 太陽光発電ストリングの動作状態を認識する方法および装置ならびに記憶媒体 | |
| KR101535056B1 (ko) | 계통연계형 태양광발전 시스템의 고장 검출 진단 장치 및 그 방법 | |
| KR20190038091A (ko) | 태양광 발전 시스템의 고장 진단 방법 및 그 장치 | |
| US10691085B2 (en) | Defect detection in power distribution system | |
| KR101532163B1 (ko) | 태양광발전 상태진단 평가시스템 | |
| KR102194271B1 (ko) | 모델 기반의 태양광발전 통합 관리 시스템 및 방법 | |
| KR102475374B1 (ko) | 휴지시간대를 활용한 스트링 단위의 태양광 발전시스템 능동형 고장예지 진단장치 및 그 방법 | |
| KR20190066135A (ko) | 태양광 발전시스템의 고장 진단 시스템 | |
| KR20190069213A (ko) | 원격 모니터링 기반 태양광 발전소 운영 관리 방법 및 장치 | |
| KR20170126623A (ko) | 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템 | |
| KR102574189B1 (ko) | 인공신경망을 이용한 태양광발전설비의 결함 감시진단 방법 및 장치 | |
| KR101656697B1 (ko) | 휴대용 태양광모듈 노화 계측장치 및 그 계측방법 | |
| KR20120094334A (ko) | 계통연계형 태양광발전 시스템의 발전성능 추정 방법 및 그 장치 | |
| KR20160078532A (ko) | 태양광 모듈별 이상 진단 시스템 및 방법 | |
| JP2008171860A (ja) | 中古太陽電池モジュールを用いた太陽光発電システムの施工方法 | |
| Benninger et al. | Anomaly detection by comparing photovoltaic systems with machine learning methods | |
| Chang et al. | PV O&M Optimization by AI practice |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |