KR102588582B1 - Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템 - Google Patents

Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템 Download PDF

Info

Publication number
KR102588582B1
KR102588582B1 KR1020230076372A KR20230076372A KR102588582B1 KR 102588582 B1 KR102588582 B1 KR 102588582B1 KR 1020230076372 A KR1020230076372 A KR 1020230076372A KR 20230076372 A KR20230076372 A KR 20230076372A KR 102588582 B1 KR102588582 B1 KR 102588582B1
Authority
KR
South Korea
Prior art keywords
arc
solar power
samples
module
level
Prior art date
Application number
KR1020230076372A
Other languages
English (en)
Inventor
박준용
김지은
Original Assignee
주식회사 솔라리치
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 주식회사 솔라리치 filed Critical 주식회사 솔라리치
Priority to KR1020230076372A priority Critical patent/KR102588582B1/ko
Application granted granted Critical
Publication of KR102588582B1 publication Critical patent/KR102588582B1/ko

Links

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
    • 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
    • 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)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 관한 것으로서, 더욱 상세하게는 태양광 모듈의 스트링(선로)이나 어레이에서 발생하는 직류 아크신호를 센싱하고, 센싱된 아크신호를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 및 CM-RBFNN(C-Means Radial Based Function Neural Network)을 이용하여 검출하되, 상기 이산 웨이블릿 변환의 검출속도를 향상시켜 태양광 선로의 직류 아크 사고 안전규격에 대한 요구 조건을 충족할 수 있는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 관한 것이다.
상기의 과제를 해결하기 위한 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템은 태양광 선로에 흐르는 직류 전류의 고주파를 검출하는 아크검출부; 상기 아크검출부에서 검출된 고주파에 기초하여 직류아크를 판단하는 아크판단부를 포함하고, 상기 아크판단부는 상기 아크검출부에서 검출된 신호를 디지털신호로 변환하여 N개의 샘플수를 생성하고, 생성된 N개의 상기 샘플수에 대해 선택된 n1개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제1 상세계수(detail coefficient)를 취득하는 레벨 1을 수행하고, 생성된 N개의 상기 샘플수에 대해 n2개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제2 상세계수(detail coefficient)를 취득하는 레벨 2를 수행하여 1개의 히스토리(history)를 생성하며, 상기 레벨 1과 레벨 2를 설정된 반복횟수로 반복 수행하여 상기 반복횟수에 해당하는 복수 개의 히스토리를 생성하고, PCA(Principal Component Analysis) 알고리즘을 이용하여 복수 개의 상기 히스토리에서 특징을 추출하고, 추출된 상기 특징을 미리 학습된 AI알고리즘 이용하여 직류아크를 판단하는 것을 특징으로 한다.

Description

AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템{PHOTOVOLTAIC POWER GENERATION SYSTEM EQUIPPED WITH AN ARC DECTION DEVICE OF A PHOTOVOLTAIC LINE BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 관한 것으로서, 더욱 상세하게는 태양광 모듈의 스트링(선로)이나 어레이에서 발생하는 직류 아크신호를 센싱하고, 센싱된 아크신호를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 및 CM-RBFNN(C-Means Radial Based Function Neural Network)을 이용하여 검출하되, 상기 이산 웨이블릿 변환의 검출속도를 향상시켜 태양광 선로의 직류 아크 사고 안전규격에 대한 요구 조건을 충족할 수 있는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 관한 것이다.
태양광 선로의 화재사고는 신재생 에너지의 보급이 급격하게 증가하고 동시에 사용연수 10년 이상의 태양광 모듈의 노후가 증가됨에 따라, 태양광 모듈의 스트링과 어레이 구성요소들 간의 전기적인 접속에 문제가 발생하고, 이로 인해 유발된 직류 아크가 화재의 한 원인으로 지적된다.
도 1은 태양광 선로에서 발생되는 직류아크(a)와 병렬아크(b)의 발생 위치를 나타낸 도면이다.
직렬 아크는 전류가 정상적으로 흘러야 할 전로(선로) 또는 접점에 접속이 약해지면서 발생하는 아크사고이고, 병렬 아크는 전기적인 접속이 의도되지 않은 두 전로 또는 접점 사이에 절연이 약해져 아크 전류가 흐르게 되면서 일어나는 사고이다.
병렬 아크는 전위가 서로 다른 도선 간에 발생하기 때문에 단락전류에 근접하는 큰 전류를 순간적으로 발생시키며, 따라서 과전류 차단기에 의해 검출되어 보호될 확률이 비교적 높다.
이에 반해, 직렬 아크는 임피던스가 아주 낮게 유지되어 배선 손실이 최소화되어야 할 전로에 전기적인 접속이 약해지면서 전력전달 경로에 부하와 직렬로 임의의 임피던스가 삽입되는 형태로 발생한다. 따라서 직렬 아크사고가 발생하면 저항성 부하의 경우 단락사고나 지락사고처럼 정상부하보다 사고전류가 크게 증가하지 않고 오히려 감소하며, 다른 형태의 부하의 경우에도 사고와 부하가 직렬이기 때문에 사고전류가 제한되어서 정상전류와 큰 차이를 발생시키지 않는다.
직렬 아크사고에서는 사고가 발생했음에도 불구하고 전류의 크기가 정상동작 범위 내에 있으므로 일반 과전류 차단기로는 검출이 어렵다. 따라서 태양광 선로에서 직렬 아크사고에 대한 보호를 위해서는 계통 내에 별도의 아크사고 검출기가 필요하며, NEC는 현재 80V 이상의 태양광 선로에 직류 아크사고 검출이 가능한 아크사고 검출기(AFD, Arc Fault Detector)를 설치하도록 규정하고 있다.
아크사고 검출 방법은 크게 시간 영역의 데이터 해석을 통한 검출법과 주파수 영역에서의 스펙트럼(Spectrum) 분석을 통한 방법으로 나눌 수있다.
시간 영역에서의 데이터를 통해 아크사고를 검출하는 대표적인 방법으로 교류 전류의 영점 영역이 길어져서 Shoulder가 생기는 것을 감지하는 방법, 고조파의 변화를 감지하는 방법, 역률(Power factor)의 변화를 감지하는 방법 등이 있다. 이러한 방법들은 교류 시스템에서 존재하는 파라미터(Parameter)를 감지하는 방법으로 직류 시스템에 적용하기에는 한계가 있다.
직류에서 사용 가능한 시간 영역 데이터의 특성변화를 이용한 방법으로 전류의 직류성분을 제외한 교류성분의 실효값(RMS, Root Mean Square) 변화를 감지하여 아크사고를 검출하는 방법이 있다
전류에 나타나는 RMS 변화를 감시하여 아크사고를 검출하는 방법은 시스템의 구성이 단순하고 사용되는 장비들의 특성이 파악되는 조건에서 효과적이다. 하지만 알려지지 않은 부하가 연결될 수 있는 마이크로그리드 환경에 적용하기에는 한계가 있다. 이러한 방법은 다양한 구성요소가 전력변환기를 통해 직류배선에 연결되어 운영되는 직류 마이크로 그리드 환경에서 노이즈(Noise)에 취약하므로 오작동 확률이 매우 높다.
아크사고에서 나타나는 신호의 주파수 영역 특성 변화를 이용한 사고 검출 방법으로 고속 푸리에 변환(FFT, Fast Fourier Transform)을 이용한 방식이 대표적이다.
상기 고속 푸리에 변환(FFT)는 시간 도메인의 DC 직렬 아크사고 전류를 주파수 도메인으로 변환하고, 샘플수를 분석하여 검출하게 되는데, FFT 분석 결과 0 ~ 20kHz의 주파수 성분의 크기는 0에 가깝고, 30 ~ 100 kHz의 주파수 성분의 크기는 1 ~ 3 사이의 값을 갖는다. 따라서, FFT 수행의 경우 30kHz 이상의 주파수 성분이 존재한다면 DC 직렬 아크 사고 발생이라 판단할 수 있지만, 아크 사고 발생 유무의 판단 기준 값을 어떻게 설정하느냐에 따라 아크 사고 검출기의 성능이 크게 좌우된다.
실제 태양광 발전시스템은 MPPT 알고리즘에 따른 부스트 컨버터의 스위칭 노이즈와 계통 연계를 위한 인버터의 스위칭 노이즈가 존재하고, 태양광 발전 시스템의 발전 용량 및 컨버터들의 소자 특성에 따라 일반적으로 50kHz 미만의 스위칭 주파수가 사용되고 있다. 그 결과 DC 직렬 아크 사고의 주파수 범위와 태양광 발전 시스템의 인버터 동작 스위칭 노이즈 범위가 포함되기 때문에 직류아크의 주파수와 스위칭 주파수를 구분하기가 난해한 문제점이 있어 태양광 선로의 아크사고를 검출하기가 매우 어려운 실정이다.
한편, 태양광 발전 시스템에서 직렬 아크를 검출하는 장치로서, 등록특허 제10-2370220호에 태양광발전 접속반에서 직렬 아크를 검출하는 아크검출장치가 개시되었다.
상기 기술은 태양광발전 접속반에서, 입력단자, 퓨즈, 다이오드 및 출력단자가 이루는 선로 중 어느 한 부분에 연결되어 상기 선로에 흐르는 전류를 검출하는 전류센서, PV 스트링과 연결되는 상기 입력단자의 접속점, 상기 퓨즈와 연결되는 상기 입력단자의 접속점 및 상기 퓨즈와 상기 다이오드가 연결되는 접속점 중 최소한 어느 한 부분에 연결되어 해당 부분의 온도를 검출하는 온도센서, 그리고 상기 전류센서 및 상기 온도센서에 의하여 검출된 값들에 기초하여 상기 선로 상의 상기 접속점에서 직렬 아크가 발생하였는지 여부를 판단하는 판단부를 포함한다.
상기 기술은 직렬 아크를 검출하기 위해 전류 및 온도를 검출해야 하고, 전류 감소의 절대값과 온도의 상승여부에 따라 직렬 아크를 판단하기 때문에 직렬 아크를 검출하는 시간이 길어지는 단점이 있을 뿐만 아니라 인버터의 스위칭 노이즈에 의해서 검출이 안되는 현상이 발생한다.
또한, 등록특허공보 제10-2436316호에 태양광발전설비의 아크검출 방법 및 시스템에 개시되었다.
상기 기술은 시계열신호로부터 직접적으로 혹은 간접적으로 시작시점이 상이한 각각의 슬라이딩윈도우 구간에서의 정보 엔트로피값를 산출함으로써, 각각의 시작시점에 대한 정보 엔트로피값를 포함하는 시계열정보엔트로피를 도출하고, 시간의 지남에 따른 정보 엔트로피값의 변화가 기설정된 1 이상의 기준에 부합하는지 여부에 기초하여 해당 태양광발전설비에 아크발생 정보를 도출하도록 구성된다.
그러나 상기 기술은 감시 계열신호에 기초하여, 직접적 혹은 간접적으로 각각의 시작시점에 대한 정보 엔트로피값을 포함하는 시계열 정보엔트로피를 도출하여 아크 발생을 검출하기 때문에 아크 검출을 도출하는데 많이 시간이 소요될 수 있는 단점이 있다.
등록특허공보 제10-2370220호(2022. 02. 28.) 등록특허공보 제10-2436316호(2022. 08. 22.)
본 발명은 상기의 문제점을 해결하고자 안출된 것으로서, 본 발명에서 해결하고자 하는 과제는 태양광 발전 선로에서 직류 아크신호를 센싱하고, 센싱된 아크신호를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)과 AI(Artificial Intelligence)알고리즘을 이용하여 검출하되, 태양광 직류 아크 사고 안전규격에 대한 요구 조건을 충족할 수 있는 태양광 발전장치의 스트링과 어레이 선로에서 직류 아크 검출 장치를 제공하는데 있다.
상기의 과제를 해결하기 위한 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템은 태양광 선로에 흐르는 직류 전류의 고주파를 검출하는 아크검출부; 상기 아크검출부에서 검출된 고주파에 기초하여 직류아크를 판단하는 아크판단부를 포함하고, 상기 아크판단부는 상기 아크검출부에서 검출된 신호를 디지털신호로 변환하여 N개의 샘플수를 생성하고, 생성된 N개의 상기 샘플수에 대해 선택된 n1개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제1 상세계수(detail coefficient)를 취득하는 레벨 1을 수행하고, 생성된 N개의 상기 샘플수에 대해 n2개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제2 상세계수(detail coefficient)를 취득하는 레벨 2를 수행하여 1개의 히스토리(history)를 생성하며, 상기 레벨 1과 레벨 2를 설정된 반복횟수로 반복 수행하여 상기 반복횟수에 해당하는 복수 개의 히스토리를 생성하고, PCA(Principal Component Analysis) 알고리즘을 이용하여 복수 개의 상기 히스토리에서 특징을 추출하고, 추출된 상기 특징을 미리 학습된 AI알고리즘 이용하여 직류아크를 판단하는 것을 특징으로 한다.
여기서, 상기 태양광 발전 시스템은 복수 개의 태양광 패널(PV panel)이 직렬 및 병렬로 배치되는 태양광 어레이; 상기 태양광 패널을 연결하는 선로; 상기 선로으로부터 출력되는 직류전원을 조합하여 직류전원을 출력하는 접속반; 및 상기 접속반에서 출력되는 직류전원을 교류전원으로 변환하여 출력하는 인버터;를 포함한다.
또한, 상기 아크검출부는 시간에 대하여 상기 선로에 흐르는 전류의 고주파 신호를 검출하는 전류센서모듈; 및 상기 전류센서모듈에서 검출된 고주파 신호를 증폭하는 증폭모듈;을 포함한다.
또한, 상기 전류센서모듈은 30khz ~ 200khz 사이의 주파수를 검출하는 로고스키코일(Rogowski coil) 센서로 이루어질 수 있다.
또한, 상기 증폭모듈은 검출된 주파수를 적분기를 통하여 누적하고 증폭하여 출력하도록 구성될 수 있다.
또한, 상기 아크판단부는 상기 아크검출부에서 출력되는 고주파의 아날로그 신호를 디지털 신호로 변환하는 AD컨버터; 상기 히스토리를 생성하는 반복횟수와 직류아크를 판단하는 임계값을 입력하는 입력모듈; 상기 AD컨버터에서 출력되는 디지털 신호와 상기 입력모듈로 입력된 입력값에 기초하여 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘과 PCA(Principal Component Analysis) 알고리즘을 통해 데이터를 웨이블릿 변환 및 전처리하는 WT 및 전처리모듈; 상기 WT 및 전처리모듈에서 웨이블릿 변환 및 전처리된 데이터를 CM-RBFNN(C-Means Radial Based Function Neural Network)으로 학습된 AI알고리즘으로 직류아크를 판단하는 AI판단모듈; 상기 AI판단모듈에서 판단된 결과에 따라 차단기를 트립시키는 트립신호를 출력하는 트립신호출력모듈; 및 상기 AI판단모듈에서 판단된 결과를 HMI(human-machine interface)로 송신하는 통신모듈;을 포함한다.
또한, 상기 아크판단부는 상기 AI판단모듈에서 판단된 결과와 결과의 누적 카운트가 표시되는 세그먼트구동모듈; 상기 AI판단모듈에서 트립신호가 출력되는 경우, 알람신호를 출력하는 알람모듈; 및 상기 AI판단모듈에서 판단된 결과와 설정된 검출시간 범위 내에서 발생되는 알람신호의 개수를 표시하는 LCD표시모듈;을 더 포함하여 구성될 수 있다.
또한, 상기 AI판단모듈에서 직류아크를 판단하는 과정은 상기 AD컨버터에서 변환된 디지털 신호의 개수를 산출하여 샘플수(N)를 선정하는 샘플링단계; 상기 샘플링단계에서 선정된 샘플수(N)에 대해 n1개의 샘플수를 선정하고, 선정된 n1개의 샘플수를 이산 웨이블릿 변환(DWT) 알고리즘을 이용하여 제1 상세계수(detail coefficient)를 취득하는 레벨 1 수행단계; 상기 샘플링단계에서 선정된 샘플수(N)에 대해 n2개의 샘플수를 선정하고, 선정된 n2개의 샘플수를 이산 웨이블릿 변환(DWT) 알고리즘을 이용하여 제2 상세계수(detail coefficient)를 취득하는 레벨 2 수행단계; 상기 레벨 1 수행단계와 레벨 2 수행단계를 통해 취득된 각각의 제1 상세계수와 제2 상세계수를 이용하여 히스토리를 생성하는 히스토리 생성단계; 상기 레벨 1 수행단계(S2)와 레벨 2 수행단계(S3)를 입력 설정된 반복횟수로 반복 수행하여 상기 반복횟수에 해당하는 합산된 히스토리값을 산출하는 히스토리값 산출단계; 상기 히스토리값 산출단계에서 산출된 히스토리값을 PCA(Principal Component Analysis) 알고리즘을 이용하여 특징점을 추출하고 입력 차원을 축소시키는 데이터 전처리단계; 상기 데이터 전처리단계를 통해 전처리된 상기 히스토리값을 미리 학습된 CM-RBFNN(Radial Based Function Neural Network)이 포함된 AI알고리즘을 이용하여 직류아크를 판단하는 판단단계;를 포함하여 이루어진다.
또한, 상기 레벨 1 수행단계는 60 ~ 120KHz의 주파수 범위의 샘플을 이용하고, 상기 레벨 2 수행단계는 30 ~ 60KHz의 주파수 범위위 샘플을 이용하도록 구성될 수 있다.
또한, 상기 레벨 1 수행단계에서 선정된 n1개의 샘플수는 상기 샘플링단계에서 선정된 샘플수(N)의 N/2이고, 상기 레벨 2 수행단계에서 선정된 n2개의 샘플수는 상기 샘플링단계에서 선정된 샘플수(N)의 N/4인 것을 특징으로 한다.
이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)을 적용 함으로서 기존 FFT(Fast Fourier Transform)을 통해 확인 할 수 없었던 시간영역에서의 분석이 가능해지며 AI알고리즘을 통해 인버터 노이즈, 환경 노이즈, 실제 아크파형 등을 학습함으로써 임계값으로 아크를 판단하는 기존 방식에서 발생하는 노이즈 오동작 문제를 해결할 수 있다.
또한, 태양광 인버터가 정상 운전 상태에서 센싱된 태양광 선로의 직류아크신호를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)과 AI알고리즘 기술을 이용하여 검출함으로써, 태양광 발전 중에 인버터 스위칭 노이즈에 의한 태양광 선로의 직류아크를 신속하고 정확하게 검출할 수 있는 장점이 있다.
또한, 검출속도를 향상시킬 수 있으므로, 태양광 직류 아크 사고 안전규격에 대한 요구 조건을 충족할 수 있는 장점이 있다.
도 1은 태양광 발전 시스템에서 발생되는 직류아크(a)와 병렬아크(b)의 발생 위치를 나타낸 도면,
도 2는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템의 구성을 개략적으로 나타낸 구성도,
도 3은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 아크검출부의 구성도,
도 4는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 로고스키 코일 센서를 시험한 응답 파라미터와 그래프,
도 5는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 증폭모듈의 회로도,
도 6은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 아크판단부의 구성도,
도 7은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 AI 알고리즘의 구조도,
도 8은 이산 웨이블릿 변환의 다중 해상도 신호 분해 과정의 결과를 나타낸 도면,
도 9는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 AI판단모듈에서 직류아크를 판단하는 과정의 흐름도,
도 10은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 트립신호출력모듈의 회로도,
도 11은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 통신모듈의 회로도,
도 12은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템의 시험 결과를 나타낸 그래프이다.
다음으로 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템의 바람직한 실시 예를 도면을 참조하여 상세히 설명한다.
이하에서 동일한 기능을 하는 기술요소에 대해서는 동일한 참조 부호를 사용하고, 중복 설명을 피하기 위하여 반복되는 상세한 설명은 생략한다.
또한, 이하에 설명하는 실시 예는 본 발명의 바람직한 실시 예를 효과적으로 보여주기 위하여 예시적으로 나타내는 것으로, 본 발명의 권리범위를 제한하기 위하여 해석되어서는 안 된다.
본 발명은 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 관한 것으로서, 더욱 상세하게는 더욱 상세하게는 태양광 선로에서 직류 아크신호를 센싱하고, 센싱된 아크신호를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)과 CM-RBFNN(C-Means Radial Based Function Neural Network)을 이용하여 검출하되, 상기 이산 웨이블릿 변환의 검출속도를 향상시켜 태양광 직류 아크 사고 안전규격에 대한 요구 조건을 충족할 수 있는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 관한 것이다.
도 2는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템의 개략적인 구성을 나타낸 도면이다.
첨부된 도 2를 참조하면, 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에서 아크 검출 장치는 크게 아크검출부(100)와 아크판단부(200)를 포함한다.
이때, 상기 태양광 발전 시스템은 복수 개의 태양광 패널(PV panel)이 직렬 및 병렬로 배치되는 태양광 스트링과 어레이(10)와 상기 태양광 패널을 연결하는 선로(20)와 상기 선로(20)으로부터 출력되는 직류전원을 조합하여 직류전원을 출력하는 접속반(30) 및 상기 접속반(30)에서 출력되는 직류전원을 교류전원으로 변환하여 출력하는 인버터(40)를 포함하여 구성된다.
여기서, 상기 태양광 패널은 셀이 복수 대 결합된 판(Panel) 형태이고, 태양광 모듈은 태양광 패널의 단위이며, 스트링은 태양광 모듈을 직렬로 연결한 것이고, 태양광 어레이는 스트링을 직렬 또는 병렬로 조합한 것으로 정의한다.
또한, 상기 선로(20)는 태양광 패널을 연결하는 접속선과 접속반 내부의 전선 및 접속반을 통해 출력되는 출력선 등, 태양광 발전 시스템에서 직류 전원이 인가되는 모든 선로를 의미한다.
이와 같은 태양광 발전 시스템에서, 아크검출부(100)는 태양광 발전 시스템의 선로에 흐르는 전류의 고주파를 검출한다.
일반적으로 직류 시스템에서 발생하는 직류 아크는 전 전류의 변화를 야기하지 않고 고주파 핑크 노이즈를 발생시킨다. 상기 핑크 노이즈의 주파수 대역은 30 ~ 250kHz 범위에 존재하고, 주파수 증폭 적분크기가 30dB를 기준으로 선로의 직류아크의 발생을 판별하게 된다.
즉, 상기 아크검출부(100)는 전류가 정상적으로 흘러야 할 선로(전로) 또는 접점(정션박스)에 접속이 약해지면서 태양광 선로에서 발생하는 아크 사고인 직류아크에 의해 발생되는 전류의 고주파를 검출한다.
도 3은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 아크검출부를 나타낸 도면이다.
첨부된 도 3을 참조하면, 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 아크검출부(100)는 시간에 대하여 상기 선로에 흐르는 전류의 고주파 신호를 검출하는 전류센서모듈(110) 및 상기 전류센서모듈(110)에서 검출된 고주파 신호를 증폭하는 증폭모듈(120)을 포함하여 구성된다.
상기 전류센서모듈(110)은 전류에 포함된 고주파를 검출하기 위해서는 일반 전류센서가 아닌 고전류 검출 상황에서 30 ~ 250kHz의 주파수를 검출할 수 있는 고주파 센서가 요구된다.
이에, 상기 전류센서모듈(110)은 30kHz ~ 200kHz 사이의 주파수를 검출하는 로고스키 코일(Rogowski coil) 센서로 구성될 수 있다.
상기에서 로고스키 코일은 공심 코일로 과전류에 의한 포화특성이 없으므로 큰전류를 측정할 수 있고, 코일의 주파수 응답속도가 수MHz로 높은 주파수 검출 특성을 가지고 있으므로, 직류아크를 검출하는 데 적합하다.
상기 로고스키 코일은 도체에 복수의 코일이 감겨진 공심형 토로이드 형태이고, 유한 길이 공간을 가지며, 도체 주위에 자기장이 생성된다.
도 4는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 로고스키 코일 센서를 시험한 응답 파라미터와 그래프를 나타낸 것이다.
첨부된 도 4의 (a)는 신호분석기를 사용한 로고스키 코일 센서의 주파수 응답 파라미터이고, (b)는 로고스키 코일 센서의 스텝 응답 그패프로서, 상기 로고스키 코일 센서는 20MHz의 응답속도로 동작되어, 직류아크를 검출하는데 적합함을 알 수 있다.
도 5는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 증폭모듈의 회로도를 나타낸 것이다.
첨부된 도 5를 참조하면, 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 증폭모듈(120)은 검출된 주파수를 적분기를 통하여 누적하고 100배 증폭하여 출력하도록 구성된다.
상세하게, 상기 증폭모듈(120)은 직렬로 연결된 3개의 증폭기(U23, U25, U24)를 통해 증폭되면서, 증폭기의 입력단과 출력단을 연결하는 각각의 저항(R142, R144, R133)에 의해 적분에 비례하여 출력을 발생하게 된다.
즉, 상기 증폭모듈(120)은 입력주파수가 차단주파수보다 크도록 구성되어 적분기로 동작되게 된다.
다음으로, 아크판단부(200)에 대해서 설명한다.
아크판단부(200)는 상기 아크검출부(100)에서 검출된 고주파 신호에 기초하여 직류아크를 판단하는 기능을 수행한다.
구체적으로, 상기 아크판단부(200)는 상기 아크검출부(100)에서 검출된 신호를 디지털신호로 변환하여 N개의 샘플수를 생성하고, 생성된 N개의 상기 샘플수에 대해 선택된 n1개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제1 상세계수(detail coefficient)를 취득하는 레벨 1을 수행하며, 생성된 N개의 상기 샘플수에 대해 n2개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제2 상세계수(detail coefficient)를 취득하는 레벨 2를 수행하여 1개의 히스토리(history)를 생성하고, 상기 레벨 1과 레벨 2를 설정된 반복횟수로 반복 수행하여 상기 반복횟수에 해당하는 복수 개의 히스토리를 생성하며, PCA(Principal Component Analysis) 알고리즘을 이용하여 복수 개의 상기 히스토리에서 특징을 추출하고, 추출된 상기 히스토리의 특징을 미리 학습된 AI알고리즘 이용하여 직류아크를 판단하는 기능을 수행한다.
도 6은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 아크판단부의 구성을 나타낸 도면이다.
첨부된 도 6을 참조하면, 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 아크판단부(200)는 AD컨버터(210), 입력모듈(220), WT 및 전처리모듈(230), AI판단모듈(240), 트립신호출력모듈(250), 통신모듈(260), 세그먼트구동모듈(270), 알람모듈(280), LCD표시모듈(290) 및 RTC(300)를 포함하여 구성된다.
AD컨버터(210)는 아크검출부(100)에서 출력되는 고주파의 아날로그 신호를 디지털 신호로 변환하여 출력한다.
상기 아크검출부(100)에서 검출되는 고주파 신호는 연속성을 갖는 아날로그 신호로서, 이를 시간 단위의 샘플링을 위해서는 디지털 신호로 변환시켜야 한다.
입력모듈(220)은 히스토리를 생성하는 반복횟수와 직류아크를 판단하는 임계값을 입력받는 것으로서, 해당되는 숫자를 입력하기 위한 복수 개의 버튼으로 구성될 수 있다.
WT 및 전처리모듈(230)은 상기 AD컨버터(210)에서 출력되는 디지털 신호와 상기 입력모듈(220)로 입력된 입력값에 기초하여 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘과 PCA(Principal Component Analysis) 알고리즘을 통해 데이터를 웨이블릿 변환 및 전처리를 수행한다.
웨이블릿 변환은 기저함수에 대해 수축(Contraction)과 팽창(Expansion) 및 변형(Translation)하여 입력 신호(데이터)를 분석한다.
이때, 상기 AD컨버터(210)에서 변환된 디지털 신호는 연속 신호가 아닌 특정한 시간에 해당되는 이산신호로서, 이산신호를 이산 웨이블릿 변환(Discrete wavelet transform) 알고리즘을 통해 변환되게 된다.
상기 이산 웨이블릿 변환과 기저함수는 다음의 수식 1로 표현된다.
수식 1)
Figure 112023065523639-pat00001
Figure 112023065523639-pat00002
여기서, f(t)는 입력 신호, Ψ(t)는 기저 함수 또는 웨이블릿 함수, *는 기저 함수의 켤레 복소수, s는 scale, τ는 translation이다.
상기의 수식 1에서 일반적으로 a=2, b=1로 수행되어, s는 기저 함수를 수축 및 팽창시키고 τ는 기저 함수를 이동시킨다.
상기 이산 웨이블릿 변환에 사용되는 대표적인 기저 함수들은 Haar, Daubechies 등이 있으며, 본 발명에서는 Daubechies 4를 기저 함수로 적용될 수 있다.
상기 이산 웨이블릿 변환을 통해 도출된 히스토리값은 수백 ~ 수천개의 변수들로 이루어진 고차원의 데이터가 생성되고, 고차원의 데이터 중에서 가장 유의미한 특징을 추출하기 위해서 PCA(Principal Component Analysis) 알고리즘이 이용된다.
상기 PCA 알고리즘은 데이터 전처리를 통해 특징점을 갖는 큰 변수들을 추출하여 데이터에 대한 차원을 축소시킨다. 즉, 상기 PCA 알고리즘은 데이터의 고유값 분해를 통해 유의미한 특징을 추출하고 분산이 큰 방향으로 차원을 축소시키는 기능을 하며 다음의 수식 2로 표현된다.
수식 2)
Figure 112023065523639-pat00003
여기서, x는 입력데이터, V100은 학습이 완료된 고유벡터이다.
상기의 V100의 값은 외부 PC에서 다음의 수식 3을 통해 학습된다.
수식 3)
cov(X) = E(X-mx)
cov(X)V = λV
여기서 X는 학습용데이터, mx은 X의 평균값, cov(X)은 X의 공분산행렬, V는 고유백터, λ은 고유 벡터이다.
수식 3을 통해 학습용 데이터의 고유백터를 구한 뒤 분산이 큰 순서대로 1위부터 100위 까지의 벡터만을 사용한다.
AI판단모듈(240)은 상기 WT 및 전처리모듈(230)에서 웨이블릿 변환 및 전처리된 데이터를 미리 학습된 AI알고리즘 이용하여 직류아크를 판단한다.
이때, 학습은 CM-RBFNN(C-Means Radial Based Function Neural Network)이 이용된다.
CM-RBFNN은 비선형 문제해결하기 위해 클러스터링기법과 인공신경망 구조를 결합한 인공지능 모델이다. 먼저, CM(C-means)은 주어진 데이터 분포에서 중심점을 찾는 클러스터링 기법중 하나로 다른 기법들과는 다르게 각 중심점에 소속된 정도를 산출한다. 다음의 수식 4는 CM의 목적함수를 나타내고 수식 5는 소속행렬 ｕ와 중심점 ｖ의 도출 식을 보여준다.
수식 4)
Figure 112023065523639-pat00004
수식 5)
Figure 112023065523639-pat00005
Figure 112023065523639-pat00006
여기서 c는 중심점의 수, N은 전체 샘플의 수, u는 중심점에 따른 소속행렬, m은 소속계수, xj는 j번째 입력, vi는 i번째의 중심점이다.
상기 수식 4에서 일반적으로 m=2로 수행되고, Q1를 최소로 하는 것을 목표로 학습 데이터를 통해 학습을 진행 한 뒤 중심점 변수 v를 산출하여 적용한다.
수식 5를 통해 미리 학습된 중심점 v와 상기 WT 및 전처리모듈(230)를 통해 처리된 입력데이터를 통해 얻은 소속행렬 u는 다음 수식 6의 입력된다.
수식 6)
Figure 112023065523639-pat00007
여기서,
Figure 112023065523639-pat00008
는 AI모델이 추측한 샘플이 q번째 클래스일 확률, Wq는 q번째 연결가중치이다.
상기 수식 6의 Wq는 다음의 수식 7을 최소화 하는 방향으로 학습되며, 학습 방법은 수식 8의 경사하강법이 사용된다.
수식 7)
Figure 112023065523639-pat00009
여기서 k는 전체 클래스 수를 나타낸 것으로서, 아크인 경우와 아크가 아닌경우 k=2이고, tq는 실제 값으로 그 값이 1이거나 0을 가진다.
수식 8)
Figure 112023065523639-pat00010
Figure 112023065523639-pat00011
여기서 W'는 수식 7을 W로 편미분한 값, Wnew는 업데이트 된 연결가중치,Wold는 이전의 연결가중치, α는 학습율로 일반적으로 0.001의 값으로 사용한다.
상기의 학습과정을 거친 연결가중치(W)와 중심점(v)는 AI판단모듈(240)에 저장되고, AI판단모듈(240)은 미리 학습되어 저장된 CM-RBFNN을 이용하여 새로 입력된 데이터의 직류아크 유무를 판단하게 된다.
도 7은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 AI알고리즘의 구조도이다.
상기 AI알고리즘은 CM(C-means) 기반의 RBFNN(Radial Based Function Neural Network)으로서, 본 발명에서는 100개의 입력을 받아 CM을 통해 변환된 입력값과 미리 학습한 연결가중치 W의 연산을 통해 아크인 경우(
Figure 112023065523639-pat00012
)와 아크가 아닌 경우(
Figure 112023065523639-pat00013
)에 대한 확률 결과를 출력한다.
도 7에서 x는 상기 WT 및 전처리모듈(230)에서 PCA(Principal Component Analysis) 알고리즘으로 전처리된 데이터이다.
그 다음 단은 CM(C-Means)연산이 적용되는 층으로 입력변수 x는 설정된 중심점의 개수(c)의 값에 따른 소속값 행렬로 도출된다. 이때 소속값 연산을 위한 중심점(v)은 미리 학습된 값이다.
도 7의 W는 연결 가중치로서 CM(C-Means)의 중심점(v)과 같이 미리 학습된 값으로 CM(C-Means)층에서 도출된 소속행렬과 벡터 연산을 진행한다. 이때, 상기의 소속행렬과 벡터 연산은 다음의 수식 9로 표현된다.
수식 9)
Figure 112023065523639-pat00014
여기서 u는 소속행렬, s는 입력변수로서 입력개수(n)과 중심점의 수(c)의 곱으로 표현된다.
수식 9를 통해 AI알고리즘은 [1 x 2]의 행렬을 도출하게 되고, 아크인 경우(
Figure 112023065523639-pat00015
)와 아크가 아닌 경우(
Figure 112023065523639-pat00016
)에 대한 확률을 나타낸다. 즉, 입력신호가
Figure 112023065523639-pat00017
에 근접 확률이 크면 직류아크로 판단하고, 입력신호가
Figure 112023065523639-pat00018
에 근접 확률이 크면 직류아크가 아닌 것으로 판단하여, 직류아크의 발생여부를 판단하게 된다.
도 8은 이산 웨이블릿 변환의 다중 해상도 신호 분해 과정의 결과를 나타낸 도면이다.
다중 해상도 신호 분해(multi-resolution signal decomposition(MSD) 방식의 결과 레벨별로 근사계수(A, approximation coefficient)와 세부계수(D, detail coefficient)가 도출되는데, 근사계수는 원신호의 LPF(low-pass filter)를 통과한 결과이고, 세부계수는 원신호의 HPF(high-pass filter)를 통과한 결과이다.
한편, 아크검출부(100)에서 검출되고 아크판단부(200)의 AD컨버터(210)에서 디지털 신호로 변환된 샘플수는 수백 ~ 수천개의 독립된 정보를 갖는다.
즉, AD컨버터(210)의 디지털 변환결과 N개의 입력 신호 샘플수를 획득할 수 있다. 그러나 획득된 N개에 대한 이산 웨이블릿 변환(DWT)을 수행하게 되면, 레벨 1에서는 4N번의 곱셈과 N번의 덧셈 연산이 요구된다. 또한, 레벨 2까지 이산 웨이블릭 변환을 수행하면 대략 8N번의 곱셈연산이 소요되어 태양광 발전 시스템에서 직류아크를 검출하여 차단하는 안전규격에 대한 요구 조건을 충족하기 어려운 상황으로 유도될 수 있다.
그러나 이산 웨이블릿 변환의 결과는 주파수 정보뿐만 아니라 시간축 성분을 포함하고 있기 때문에 레벨 1과 레벨 2의 모든 샘플수에 대하여 이산 웨이블릿 변환을 수행하지 않아도 직렬 아크 사고 검출이 가능하다.
예를 들어, 레벨 2의 30kHz ∼ 60KHz에 해당되는 세부계수 주파수 특성을 직렬 아크사고 발생 유무 판단에 활용한다면, 이산 웨이블릭 변환 결과에는 시간축 정보가 같이 표현되어 있기 때문에 발생한 직류아크를 판단할 수 있게 된다.
부연하면, 이산 웨이블릿 변환의 주파수 특성은 레벨 2 세부계수 전범위에 걸쳐 측정되므로 그 중 일부인 n개의 샘플 수만으로도 아크사고 발생 유무를 판단할 수 있다.
도 9는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 AI판단모듈에서 직류아크를 판단하는 과정의 흐름도이다.
첨부된 도 9를 참조하면, WT 및 전처리모듈(230)과 AI판단모듈(240)에서 직류아크를 판단하는 과정은 샘플링단계(S1), 레벨 1 수행단계(S2), 레벨 2 수행단계(S3), 히스토리 생성단계(S4), 히스토리값 산출단계(S5), 데이터 전처리단계(S6) 및 직류아크 판단단계(S7)를 포함한다.
1. 샘플링단계(S1)
샘플링단계(S1)는 AD컨버터(210)에서 변환된 디지털 신호의 개수를 산출하여 샘플수(N)를 선정하는 단계이다.
예를 들어, 아크검출부(100)를 통해 전류 정보의 주파수를 238kSPS의 속도로 디지털 변환하면 대략 1,024개의 샘플수를 획득할 수 있다.
2. 레벨 1 수행단계(S2)
레벨 1 수행단계(S2)는 상기 샘플링단계(S1)에서 선정된 샘플수(N)에 대해 n1개의 샘플수를 선정하고, 선정된 n1개의 샘플수를 이산 웨이블릿 변환(DWT) 알고리즘을 이용하여 제1 상세계수(detail coefficient)를 취득하는 단계이다.
이때, 상기 레벨 1 수행단계(S2)에서는 60 ~ 120KHz의 주파수 범위의 샘플을 이용하여 제1 상세계수를 취득하게 된다.
또한, 상기 레벨 1 수행단계(S2)에서 선정된 n1개의 샘플수는 상기 샘플링단계(S1)에서 선정된 샘플수(N)의 N/2로 한정되어 샘플수를 감소시키도록 구성된다.
3. 레벨 2 수행단계(S3)
레벨 2 수행단계(S3)는 상기 샘플링단계(S1)에서 선정된 샘플수(N)에 대해 n2개의 샘플수를 선정하고, 선정된 n2개의 샘플수를 이산 웨이블릿 변환(DWT) 알고리즘을 이용하여 제2 상세계수(detail coefficient)를 취득하는 단계이다.
이때, 상기 레벨 2 수행단계(S3)에서는 30 ~ 60KHz의 주파수 범위의 샘플을 이용하여 제2 상세계수를 취득하게 된다.
또한, 상기 레벨 2 수행단계(S3)에서 선정된 n2개의 샘플수는 상기 샘플링단계(S1)에서 선정된 샘플수(N)의 N/4로 한정되어 샘플수를 감소시키도록 구성된다.
4. 히스토리 생성단계(S4)
히스토리 생성단계(S4)는 상기 레벨 1 수행단계(S2)와 레벨 2 수행단계(S3)를 통해 취득된 각각의 제1 상세계수와 제2 상세계수를 이용하여 히스토리를 생성하는 단계이다.
5. 히스토리값 산출단계(S5)
히스토리값 산출단계(S5)는 상기 레벨 1 수행단계(S2)와 레벨 2 수행단계(S3)를 입력 설정된 반복횟수로 반복 수행하여 상기 반복횟수에 해당하는 합산된 히스토리값을 산출하는 단계이다.
직류아크를 검출하기 위한 레벨 2의 샘플수가 적을수록 이산 웨이블릿 변환에 소요되는 시간은 획일적으로 감소된다. 그러나 이산 웨이블릿 변환에 이용되는 샘플수가 적을수록 직류아크의 판단에 대한 정확도는 감소될 수 있다.
이에, 본 발명에서는 레벨 1 및 레벨 2를 설정된 횟수로 반복 수행하여 직류아크의 판단에 따른 정확도를 향상시키도록 구성된다.
예를 들어, 상기에서 레벨 1 수행단계(S2)와 레벨 2 수행단계(S3)의 반복횟수는 5 ~ 20횟수로 설정될 수 있다.
이때, 반복횟수가 적을수록 이산 웨이블릿 변환에 소요되는 시간은 감소되고, 반복횟수가 많을수록 이산 웨이블릿 변환으로 직류아크의 판단에 대한 정확도를 증가되게 되므로, 적절한 반복횟수가 선정됨이 바람직하다.
6. 데이터 전처리단계(S6)
데이터 전처리단계(S6)는 상기 히스토리값 산출단계(S5)에서 산출된 히스토리값을 PCA(Principal Component Analysis) 알고리즘을 이용하여 특징점을 추출하고 입력 차원을 축소시키는 단계이다.
즉, 상기 데이터 전처리단계(S6)는 상기 히스토리값 산출단계(S5)에서 산출된 데이터를 유의미한 특징점들을 추출함과 동시에 고차원의 데이터를 저차원의 데이터로 변환시키는 단계로서, 이를 통해 입력변수의 수를 특징점이 큰 순서대로 축소시킨다.
7. 직류아크 판단단계(S7)
직류아크 판단단계(S6)는 상기 데이터 전처리단계(S6)에서 전처리된 상기 히스토리값을 미리 학습된 CM-RBFNN(Radial Based Function Neural Network)이 포함된 AI알고리즘을 이용하여 직류아크를 판단하는 단계이다.
즉, 상기 직류아크 판단단계(S7)은 AI알고리즘을 이용하여 미리 학습된 중심점(v)및 연결가중치(W)를 통해 직류아크 유무를 판단하는 단계이다.
이에, 상기에서 도출된 입력값의 결과가 직류아크로 판단한 경우 아크로 판단하고 후속조치가 수행되고, 그렇지 않은 경우 단순 노이즈로 판단하고 초기화가 수행된다.
트립신호출력모듈(250)은 상기 AI판단모듈(240)에서 판단된 결과에 따라 트립신호를 출력한다.
AI판단모듈(240)의 판단결과 직류아크인 것으로 판단되면, 고속으로 상위의 차단기를 차단해야 한다. 이때, 트립신호의 출력을 릴레이로 구성하는 경우 트립신호의 출력에 많은 시간이 소요되므로, 반도체인 IGBT(HGTG5N120BND)가 적용된 디지털 릴레이를 구성하여 차단기의 구동시키도록 구성될 수 있다.
도 10은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 트립신호출력모듈의 회로도를 나타낸 것이다.
첨부된 도 10을 참조하면, 24 ~ 300VAC전원으로 코일을 구동할 수 있는 트립코일 출력을 수행할 수 있고, 전원의 방향에 상관없이 IGBT에 +전원과 -전원을 인가하기 위해 GBUBM 1000V8A 브릿지 다이오드 거쳐서 외부전원이 인가되도록 구성된다.
트립코일의 발생은 펄스 형태로 출력되되, 상기 AI판단모듈(240)에서 직류아크로 판단되면, 0.5ms이내에 IGBT를 구동하여, 트립신호가 출력된다.
MCU 트립코일을 구동하는 신호는 트립출력(TripEnable)PB13 신호로 MCU에서 직류아크 판단을 확인(0.5ms ~ 2.5ms)한 시간이 지난 후 트립신호를 출력한한다.
상기 트립신호출력모듈(250)에서 출력된 트립신호에 의해 태양광 스트링과 접속반 사이의 차단기(50, 도 1 참조)가 동작되어 해당 태양광 발전 시스템이 계통에서 분리되게 된다.
통신모듈(260)은 상기 AI판단모듈(240)에서 판단된 결과를 HMI(human-machine interface)로 송신한다.
도 11은 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에 적용된 통신모듈의 회로도이다.
첨부된 도 11을 참조하면, 상기 통신모듈(260)은 상위 HMI과 RS-485모드버스 통신을 통하여, 현재 상태정보와 알람 정보 등을 송수신한다.
상기 HMI에서 직류아크 감시진단에 대한 이벤트를 모드버스 프로토콜을 사용하여 모니터링 할 수 있도록 구성될 수 있다.
세그먼트구동모듈(270)은 상기 AI판단모듈(240)에서 판단된 결과와 결과를 누적한 카운트가 표시된다.
알람모듈(280)은 상기 AI판단모듈(240)에서 트립신호가 출력되는 경우, 알람신호를 출력한다.
LCD표시모듈(290)은 상기 AI판단모듈(240)에서 판단된 결과와 설정된 검출시간 범위 내에서 발생되는 알람신호의 개수를 표시한다.
또한, 상기 LCD표시모듈(290)은 상기 입력모듈(220)을 통해 입력되는 반복횟수와 직류아크를 판단하는 임계점인 임계값이 이벤트 신호에 의해 표시된다.
RTC(Real Time Clock)(300)는 현재 시간을 상기 AI판단모듈(240)에 제공하고, 상기 AI판단모듈(240)은 상기 RTC로부터 제공된 시간과 발생된 이벤트를 저장 관리하며, 시간으로 포함한 이벤트를 외부로 전송되도록 한다.
도 12는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템의 시험 결과를 나타낸 그래프이다.
시험은 300V 3A의 직류아크 발생 조건에서 수행되었고, 도 12는 측정된 전압과 전류 데이터로 계산된 직류아크의 순시 전력과 에너지 그래프이다.
첨부된 도 12를 참조하면, 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템를 통해 직류아크를 검출하는 시간은 대략 54ms로 도출되었다.
직류아크를 검출하는 데 소요되는 시간이 대략 54ms이고, 트립신호의 출력으로 차단기의 트립동작까지 소요되는 시간이 대략 100ms라 한다면, 직류아크의 검출부터 차단기 트립동작까지의 총 소요시간은 대략 150ms이내에서 모든 동작이 완료할 수 있음을 확인하였다.
즉, 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템에서 사용된 이산 웨이블릿 변환을 이용하는 경우, UL1699B에서 요구하는 2.5초와 750J 이내에 태양광 시스템의 직류아크 검출 및 소호 조건을 만족하기에 충분한 것임을 확인할 수 있다.
본 발명에 의하면, 센싱된 아크신호를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)을 이용하여 검출함으로써, 태양광 발전 시스템의 직류아크를 신속하고 정확하게 검출할 수 있는 장점이 있다.
또한, 검출속도를 향상시킬 수 있으므로, 태양광 직렬(DC) 아크 사고 안전규격에 대한 요구 조건을 충족할 수 있는 장점이 있다.
상기에서는 본 발명에 따른 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템의 바람직한 실시 예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고, 청구범위 및 발명의 설명, 첨부한 도면의 범위내에서 여러 가지로 변형하여 실시하는 것이 가능하고, 이 또한 본 발명의 범위 내에 속한다.
10: 태양광 어레이 20: 선로
30: 접속반 40: 인버터
50: 차단기 100: 아크검출부
110: 전류센서모듈 120: 증폭모듈
200: 아크판단부 210: AD컨버터
220: 입력모듈 230: WT 및 전처리모듈
240: AI판단모듈 250: 트립신호출력모듈
260: 통신모듈 270: 세그먼트구동모듈
280: 알람모듈 290: LCD표시모듈
300: RTC

Claims (10)

  1. 태양광 선로에 흐르는 직류 전류의 고주파를 검출하는 아크검출부(100);
    상기 아크검출부(100)에서 검출된 고주파에 기초하여 직류아크를 판단하는 아크판단부(200);
    를 포함하고,
    상기 아크판단부(200)는,
    상기 아크검출부(100)에서 검출된 신호를 디지털신호로 변환하여 N개의 샘플수를 생성하고, 생성된 N개의 상기 샘플수에 대해 선택된 n1개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제1 상세계수(detail coefficient)를 취득하는 레벨 1을 수행하며, 생성된 N개의 상기 샘플수에 대해 n2개의 샘플수를 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘을 이용하여 제2 상세계수(detail coefficient)를 취득하는 레벨 2를 수행하여 1개의 히스토리(history)를 생성하고, 상기 레벨 1과 레벨 2를 설정된 반복횟수로 반복 수행하여 상기 반복횟수에 해당하는 복수 개의 히스토리를 생성하며, PCA(Principal Component Analysis) 알고리즘을 이용하여 복수 개의 상기 히스토리에서 특징을 추출하고, 추출된 상기 히스토리의 특징을 미리 학습된 AI알고리즘 이용하여 직류아크를 판단하되,
    상기 아크판단부(200)는,
    상기 아크검출부(100)에서 출력되는 고주파의 아날로그 신호를 디지털 신호로 변환하는 AD컨버터(210);
    상기 히스토리를 생성하는 반복횟수와 직류아크를 판단하는 임계값을 입력하는 입력모듈(220);
    상기 AD컨버터(210)에서 출력되는 디지털 신호와 상기 입력모듈(220)로 입력된 입력값에 기초하여 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT) 알고리즘과 PCA(Principal Component Analysis) 알고리즘을 통해 데이터를 웨이블릿 변환 및 전처리하는 WT 및 전처리모듈(230);
    상기 WT 및 전처리모듈(230)에서 웨이블릿 변환 및 전처리된 데이터를 CM-RBFNN(C-Means Radial Based Function Neural Network)으로 학습된 AI알고리즘으로 직류아크를 판단하는 AI판단모듈(240);
    상기 AI판단모듈(240)에서 판단된 결과에 따라 차단기를 트립시키는 트립신호를 출력하는 트립신호출력모듈(250); 및
    상기 AI판단모듈(240)에서 판단된 결과를 HMI(human-machine interface)로 송신하는 통신모듈(260);
    을 포함하며,
    상기 WT 및 전처리모듈(230)의 PCA(Principal Component Analysis) 알고리즘은 데이터의 고유값 분해를 통해 유의미한 특징을 추출하고 분산이 큰 방향으로 차원을 축소시키고,
    상기 AI판단모듈(240)의 CM-RBFNN(C-Means Radial Based Function Neural Network)으로 학습된 AI알고리즘은 데이터 분포에서 각 중심점에 소속된 정도를 산출하며, 경사하강법을 사용하여 연결가중치를 최소화하도록 학습하는 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  2. 청구항 1에 있어서,
    상기 태양광 발전 시스템은,
    복수 개의 태양광 패널(PV panel)이 직렬 및 병렬로 배치되는 태양광 어레이(10);
    상기 태양광 패널을 연결하는 선로(20);
    상기 선로(20)로부터 출력되는 직류전원을 조합하여 직류전원을 출력하는 접속반(30); 및
    상기 접속반(30)에서 출력되는 직류전원을 교류전원으로 변환하여 출력하는 인버터(40);
    를 포함하는 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  3. 청구항 1에 있어서,
    상기 아크검출부(100)는,
    시간에 대하여 상기 선로에 흐르는 전류의 고주파 신호를 검출하는 전류센서모듈(110); 및
    상기 전류센서모듈(110)에서 검출된 고주파 신호를 증폭하는 증폭모듈(120);
    을 포함하는 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  4. 청구항 3에 있어서,
    상기 전류센서모듈(110)은,
    30kHz ~ 200kHz 사이의 주파수를 검출하는 로고스키코일(Rogowski coil) 센서로 이루어진 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  5. 청구항 3에 있어서,
    상기 증폭모듈(120)은,
    검출된 주파수를 적분기를 통하여 누적하고 증폭하여 출력하도록 구성되는 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  6. 삭제
  7. 청구항 1에 있어서,
    상기 아크판단부(200)는,
    상기 입력모듈(220)에서 입력된 반복횟수와 임계값이 표시되는 세그먼트구동모듈(270);
    상기 AI판단모듈(240)에서 트립신호가 출력되는 경우, 알람신호를 출력하는 알람모듈(280); 및
    상기 AI판단모듈(240)에서 처리된 이벤트를 LCD 디스플레이에 표시하는 LCD표시모듈(290);
    을 더 포함하는 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  8. 청구항 1에 있어서,
    상기 AI판단모듈(240)에서 직류아크를 판단하는 과정은,
    상기 AD컨버터(210)에서 변환된 디지털 신호의 개수를 산출하여 샘플수(N)를 선정하는 샘플링단계;
    상기 샘플링단계에서 선정된 샘플수(N)에 대해 n1개의 샘플수를 선정하고, 선정된 n1개의 샘플수를 이산 웨이블릿 변환(DWT) 알고리즘을 이용하여 제1 상세계수(detail coefficient)를 취득하는 레벨 1 수행단계;
    상기 샘플링단계에서 선정된 샘플수(N)에 대해 n2개의 샘플수를 선정하고, 선정된 n2개의 샘플수를 이산 웨이블릿 변환(DWT) 알고리즘을 이용하여 제2 상세계수(detail coefficient)를 취득하는 레벨 2 수행단계;
    상기 레벨 1 수행단계와 레벨 2 수행단계를 통해 취득된 각각의 제1 상세계수와 제2 상세계수를 이용하여 히스토리를 생성하는 히스토리 생성단계;
    상기 레벨 1 수행단계(S2)와 레벨 2 수행단계(S3)를 입력 설정된 반복횟수로 반복 수행하여 상기 반복횟수에 해당하는 합산된 히스토리값을 산출하는 히스토리값 산출단계;
    상기 히스토리값 산출단계에서 산출된 히스토리값을 PCA(Principal Component Analysis) 알고리즘을 이용하여 특징점을 추출하고 입력 차원을 축소시키는 데이터 전처리단계;
    상기 데이터 전처리단계를 통해 전처리된 상기 히스토리값을 미리 학습된 CM-RBFNN(Radial Based Function Neural Network)이 포함된 AI알고리즘을 이용하여 직류아크를 판단하는 판단단계;
    를 포함하는 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  9. 청구항 8에 있어서,
    상기 레벨 1 수행단계는 60 ~ 120KHz의 주파수 범위의 샘플을 이용하고, 상기 레벨 2 수행단계는 30 ~ 60KHz의 주파수 범위위 샘플을 이용하는 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
  10. 청구항 8에 있어서,
    상기 레벨 1 수행단계에서 선정된 n1개의 샘플수는 상기 샘플링단계에서 선정된 샘플수(N)의 N/2이고,
    상기 레벨 2 수행단계에서 선정된 n2개의 샘플수는 상기 샘플링단계에서 선정된 샘플수(N)의 N/4인 것을 특징으로 하는 AI 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템.
KR1020230076372A 2023-06-14 2023-06-14 Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템 KR102588582B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230076372A KR102588582B1 (ko) 2023-06-14 2023-06-14 Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230076372A KR102588582B1 (ko) 2023-06-14 2023-06-14 Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템

Publications (1)

Publication Number Publication Date
KR102588582B1 true KR102588582B1 (ko) 2023-10-12

Family

ID=88291505

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230076372A KR102588582B1 (ko) 2023-06-14 2023-06-14 Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템

Country Status (1)

Country Link
KR (1) KR102588582B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148049A (zh) * 2023-10-31 2023-12-01 锦浪科技股份有限公司 一种直流拉弧故障检测系统、方法及光伏并网系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010161919A (ja) * 2008-12-29 2010-07-22 General Electric Co <Ge> 離散ウェーブレット変換を用いた並列アーク検出
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
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
KR102436316B1 (ko) 2022-05-09 2022-08-25 비케이엠 주식회사 태양광발전설비의 아크검출 방법 및 시스템
KR102516010B1 (ko) * 2022-10-18 2023-03-30 (주)오앤엠 코리아 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010161919A (ja) * 2008-12-29 2010-07-22 General Electric Co <Ge> 離散ウェーブレット変換を用いた並列アーク検出
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
KR20220058821A (ko) * 2020-10-30 2022-05-10 주식회사 대경산전 스마트 아크 차단기
KR102370220B1 (ko) 2021-11-25 2022-03-11 (주) 에이엠씨 태양광발전 접속반에서 직렬 아크를 검출하는 아크검출장치
KR102436316B1 (ko) 2022-05-09 2022-08-25 비케이엠 주식회사 태양광발전설비의 아크검출 방법 및 시스템
KR102516010B1 (ko) * 2022-10-18 2023-03-30 (주)오앤엠 코리아 서포트 벡터 머신러닝 알고리즘을 이용한 태양광 발전시스템의 직류아크 검출방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148049A (zh) * 2023-10-31 2023-12-01 锦浪科技股份有限公司 一种直流拉弧故障检测系统、方法及光伏并网系统
CN117148049B (zh) * 2023-10-31 2024-01-26 锦浪科技股份有限公司 一种直流拉弧故障检测系统、方法及光伏并网系统

Similar Documents

Publication Publication Date Title
Yi et al. Line-to-line fault detection for photovoltaic arrays based on multiresolution signal decomposition and two-stage support vector machine
Yang et al. New ANN method for multi-terminal HVDC protection relaying
US5537327A (en) Method and apparatus for detecting high-impedance faults in electrical power systems
Sharma et al. VMD-enabled current-based fast fault detection scheme for DC microgrid
EP2426802B1 (en) Apparatus and method for quickly determining fault in electric power system
KR102588582B1 (ko) Ai 기반 태양광 선로의 아크 검출 장치를 탑재한 태양광 발전 시스템
Abdollahi et al. Comparison of fourier & wavelet transform methods for transmission line fault classification
Barbosa et al. New approach for power transformer protection based on intelligent hybrid systems
JPS6394172A (ja) 短絡の高速認識装置
Khoshnami et al. Sample entropy‐based fault detection for photovoltaic arrays
Kapoor Six phase transmission line boundary protection using wavelet transform
Xie et al. Transformer monitoring and protection in dynamic power systems–a review
Fatama et al. A multi feature based islanding classification technique for distributed generation systems
US11757282B2 (en) Method and device for controlling at least one circuit breaker of a power system
Patil et al. Real time protection technique for DC microgrid using local measurements
Yılmaz et al. A new signal processing-based islanding detection method using pyramidal algorithm with undecimated wavelet transform for distributed generators of hydrogen energy
Yang et al. Multi-Frequency bands based Pole-to-Ground fault detection method for MMC-Based radial DC distribution systems
Pourmirasghariyan et al. A power routing-based fault detection strategy for multi-terminal VSC-HVDC grids
Gupta et al. A multivariable transmission line protection scheme using signal processing techniques
Menezes et al. Islanding detection based on artificial neural network and S-transform for distributed generators
CN117154649A (zh) 一种供电线路控制方法和系统
Xiong et al. Arc fault detection and localization in photovoltaic systems using parallel capacitors
Ferdowsi et al. High impedance fault detection utilizing real-time complexity measurement
Ahn et al. PCA-Based Arc Detection Algorithm for DC Series Arc Detection in PV System
Mourad An enhanced distance protection algorithm based on characteristics-travelling waves measured from the current for HVDC Lines

Legal Events

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