KR20180123951A - 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 - Google Patents

기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 Download PDF

Info

Publication number
KR20180123951A
KR20180123951A KR1020170093452A KR20170093452A KR20180123951A KR 20180123951 A KR20180123951 A KR 20180123951A KR 1020170093452 A KR1020170093452 A KR 1020170093452A KR 20170093452 A KR20170093452 A KR 20170093452A KR 20180123951 A KR20180123951 A KR 20180123951A
Authority
KR
South Korea
Prior art keywords
solar
machine learning
performance data
array
data
Prior art date
Application number
KR1020170093452A
Other languages
English (en)
Other versions
KR101971875B1 (ko
Inventor
이혜영
Original Assignee
주식회사 알스피릿
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 알스피릿 filed Critical 주식회사 알스피릿
Publication of KR20180123951A publication Critical patent/KR20180123951A/ko
Application granted granted Critical
Publication of KR101971875B1 publication Critical patent/KR101971875B1/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
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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

본 발명의 일 실시예에 따르는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법은, (a) 각각이 복수의 태양광 셀로 구성된 복수의 태양광 어레이에 대한 내부인자, 외부인자 및 성능데이터를 수집하는 단계; (b) 상기 내부인자 및 외부인자를 독립변수로 설정하고 상기 성능데이터를 종속변수로 설정하여, 상기 독립변수와 상기 종속변수와의 관계를 정의하기 위해 기 설정된 기계학습모델을 통해 기계학습을 수행하는 단계; (c) 실시간으로 수집된 외부인자 및 내부인자가 있는 경우, 상기 기계학습에 기반하여 상기 태양광 어레이에 대한 예측 성능데이터를 산출하는 단계; 및 (d) 상기 산출된 예측 성능데이터를 관리자 단말의 사용자 인터페이스를 통해 제공하는 단계;를 포함하며, 상기 내부인자는 상기 태양광 어레이의 내부온도, 전류, 전압 및 전력량 중 적어도 하나에 대한 값을 포함하며, 상기 외부인자는 상기 태양광 어레이의 주변온도, 일사량, 풍속, 강우량, 습도 및 미세먼지농도 중 적어도 하나에 대한 값을 포함하고, 상기 성능데이터는 상기 태양광 셀 또는 태양광 어레이의 정상동작 유무를 나타내는 데이터로서 관측된 데이터이다.

Description

기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법{DEVICE AND METHOD FOR DIAGNOSING/PREDICTING STATUS OF SOLAR CELL OR SOLAR CELL ARRAY ON REAL TIME BASED ON MACHINE LEARING}
본 발명은 기계학습 기반 실시간 태양광 어레이 상태 진단/예측 장치 및 방법에 관한 기술이다.
최근 화석에너지 사용으로 인한 기후변화, 환경오염 등의 환경문제와 더불어 에너지 고갈 및 에너지 수급 불균형과 같은 에너지 문제가 심각해짐에 따라 신재생 에너지 시스템의 보급이 증가하고 있다. 그 중 태양광발전시스템은 설치의 편의 성과 타 시스템에 비한 비교적 자유로운 설치 환경 조건으로 인해 다양한 신재생 에너지 시스템 중 가장 많은 공급 비중을 차지하고 있다.
태양의 빛 에너지를 전기에너지로 변환하여 공급하는 태양광 발전시스템의 성능은 일사량, 외기온도, 모듈온도, 풍속 등과 같은 기상 및 환경 조건의 변화에 영향을 받는 것으로 보고되고 있다. 그러나 성능에 영향을 미치는 개별요소(즉, 태양광 모듈의 온도)에 대한 예측모델에 관하여, 많은 연구 논문들이 발표되고 있기는 하나, 태양광 셀/어레이에 대한 모듈 온도와 기상 및 환경 조건의 변화를 포함한 복합적인 영향요소에 기반한 예측모델은 개발이 미진한 상황이다.
이로 인해, 매번 태양광 셀 상태를 확인할 수 있는 방법이 없어 태양광 어레이 on/off 신호에만 의존하여 셀 상태를 확인하고 있기 대문에, 상당한 기간이 지난 후에야 대응하게 되는 불편한 점들이 제기되고 있으나 상응하는 솔루션은 없는 상황이다.
어레이에 있는 1개 셀만 불량이 되는 경우 종렬로 전체 셀이 불량 또는 악성 상태가 되기 때문에 교체시기가 지연될수록 repair cost(교체 비용) 및 maintenance cost(운영 비용)이 15-20%까지 누적 증가될 수 있다. 이러한 셀 불량은 사전 이상 감지가 매우 어렵고 이를 실시간으로 측정할 수 있는 시스템 역시 부재한 상태이다.
셀마다 이상감지 센서를 부착하거나 인버터에서 신호 상태를 모니터링 하도록 하는 것으로 대안을 찾을 수는 있으나, 다수의 어레이마다 이러한 센서나 모니터링 부품을 설치해야하므로 비용부담이 많으며, 그 센서나 모니터링 부품에 이상이 생기면 결국 그에 대한 재유지관리가 필요하므로, 근본적인 해결방안이라 할 수 없다.
또한, 기존의 태양광 발전소 모니터링 시스템은 발전소 생산량 예측을 어긋나게 하는 경우가 잦으며, 설비 원인분석/예측을 조기에 진행할 수 없기 때문에 문제 발생에 미리 대처할 수 없는 애로사항이 많다. 또한, 기존 시스템의 사용자 인터페이스는 관리자가 한눈에 시스템 현황을 파악하기에 쉬운 형태로 제공되어 있지 않아 많은 불편을 제공하고 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 기계학습에 기반하여 태양광 셀/어레이에 대한 요소와 기상 및 환경 요소들을 모두 반영한 실시간 태양광 어레이 상태 진단/예측 장치 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따르는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법은, (a) 각각이 복수의 태양광 셀로 구성된 복수의 태양광 어레이에 대한 내부인자, 외부인자 및 성능데이터를 수집하는 단계; (b) 상기 내부인자 및 외부인자를 독립변수로 설정하고 상기 성능데이터를 종속변수로 설정하여, 상기 독립변수와 상기 종속변수와의 관계를 정의하기 위해 기 설정된 기계학습모델을 통해 기계학습을 수행하는 단계; (c) 실시간으로 수집된 외부인자 및 내부인자가 있는 경우, 상기 기계학습에 기반하여 상기 태양광 어레이에 대한 예측 성능데이터를 산출하는 단계; 및 (d) 상기 산출된 예측 성능데이터를 관리자 단말의 사용자 인터페이스를 통해 제공하는 단계;를 포함하며, 상기 내부인자는 상기 태양광 어레이의 내부온도, 전류, 전압 및 전력량 중 적어도 하나에 대한 값을 포함하며, 상기 외부인자는 상기 태양광 어레이의 주변온도, 일사량, 풍속, 강우량, 습도 및 미세먼지농도 중 적어도 하나에 대한 값을 포함하고, 상기 성능데이터는 상기 태양광 셀 또는 태양광 어레이의 정상동작 유무를 나타내는 데이터로서 관측된 데이터이다.
본 발명의 다른 실시예에 따르는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 서버는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측을 수행하기 위한 프로그램이 저장된 메모리; 및 상기 프로그램을 수행하기 위한 프로세서; 를 포함하고, 상기 프로세서는, 상기 프로그램의 실행에 따라, 각각이 복수의 태양광 셀로 구성된 복수의 태양광 어레이에 대한 내부인자, 외부인자 및 성능데이터를 수집하고, 상기 내부인자 및 외부인자를 독립변수로 설정하고 상기 성능데이터를 종속변수로 설정하여, 상기 독립변수와 상기 종속변수와의 관계를 정의하기 위해 기 설정된 기계학습모델을 통해 기계학습을 수행하며, 실시간으로 수집된 외부인자 및 내부인자가 있는 경우, 상기 기계학습에 기반하여 상기 태양광 어레이에 대한 예측 성능데이터를 산출하고, 상기 산출된 예측 성능데이터를 관리자 단말의 사용자 인터페이스를 통해 제공하되, 상기 내부인자는 상기 태양광 어레이의 내부온도, 전류, 전압 및 전력량 중 적어도 하나에 대한 값을 포함하며, 상기 외부인자는 상기 태양광 어레이의 주변온도, 일사량, 풍속, 강우량, 습도 및 미세먼지농도 중 적어도 하나에 대한 값을 포함하고, 상기 성능데이터는 상기 태양광 셀 또는 태양광 어레이의 정상동작 유무를 나타내는 데이터로서 관측된 데이터이다.
본 발명은 기계학습을 기반으로 하여, 태양광 셀/어레이의 상태에 대한 정확하고 신속한 진단결과를 제공하고, 이를 기반으로 오류 등에 대한 오작동 정보를 미리 예측하는 시스템을 제공함으로써, 태양광 시스템 운영의 효율성을 향상 시킬 수 있다.
태양광 발전 시스템의 시장이 커지는 만큼 태양광 발전 효율을 높이고 이에 대한 유지보수를 위한 모니터링 시스템에 대한 수요도 높아지고 있는데, 본 발명이 이러한 대안이 될 수 있다.
RPS(신재생에너지 의무할당제) 제도가 본격 도입되어, 도입 초기인 현시점을 지나 일정기간 후 건전한 업력과 전문성 있는 기업 위조로 시장정비가 될 것이 예측되는 점을 감안할 때, 본 발명은 각 기업들에게 시장 경쟁력을 가져다 줄 수 있다.
도 1은 본 발명의 일 실시예에 따르는 태양광 발전소 관리 시스템에 대한 구조도이다.
도 2는 본 발명의 일 실시예에 따르는 태양광 어레이 모니터링 시스템에 관한 블록도이다.
도 3은 SVM 기계학습 모델을 설명하기 위한 참고 도면이다.
도4는 본 발명의 일 실시예에 따르는 태양광 어레이 모니터링 시스템의 관리자 측 사용자 인터페이스에 관한 일 예이다.
도 5는 본 발명의 일 실시예에 따르는 태양광 어레이 모니터링 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 "관리자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
도 1을 참조하면, 본 발명의 일 실시예에 따르는 태양광 발전소 관리 시스템(1)은 복수의 태양광 어레이(100), 태양광 어레이(100) 모니터링 시스템(200)(이하, '모니터링 시스템(200)'으로 지칭함) 및 관리자 단말(300)을 포함한다.
본 발명의 일 실시예에 따르는 태양광 발전소 관리 시스템(1)은 모니터링 시스템(200)을 기반으로 하여 태양광 셀 또는 태양광 어레이(100)의 이상 발생을 예측하고 미리 감지할 수 있다.
일반적으로, 하나의 태양광 어레이(100)는 복수의 태양광 셀로 구성되는데, 태양광 셀 단위에서 이상이 발생될 경우, 그 셀과 동일한 열(row) 혹은 행(column)에 위치한 다른 태양광 셀들까지 이상이 발생될 수 있다. 이는 태양광 어레이(100) 전체의 이상 발생으로 확산될 수 있다. 모니터링 시스템(200)은 이러한 경우를 방지하기 위하여 셀 단위의 이상 발생 혹은 어레이 단위의 이상 발생을 미리 예측한다.
모니터링 시스템(200)은 태양광 셀 또는 태양광 어레이(100)에 대한 내부인자 및 외부인자들을 수집하고, 이에 대한 기계학습을 수행함으로써, 내부인자 및 외부인자들이 태양광 셀이나 어레이에 미치는 영향을 미리 학습하고, 이러한 학습결과를 바탕으로 실시간으로 수집된 내부인자와 외부인자를 기반으로 태양광 셀 또는 어레이에 대한 성능 예측 결과를 관리자 단말(300)로 제공할 수 있다.
관리자 단말(300)은 관제소에 배치된 데스크탑으로 구성될 수 있으나, 반드시 이에 한하는 것은 아니며, 관리자가 소지한 휴대 단말로 구성될 수도 있다.
이하에서는, 도 2를 참조하여, 모니터링 시스템(200)이 기계학습 기반으로 태양광 셀 또는 어레이에 대한 성능 예측 결과를 도출해내기 위한 과정에 대하여 상세히 설명하도록 한다.
모니터링 시스템(200)은 내부인자 측정센서(210), 외부인자 측정센서(220), 서버(240), 관리자 단말(300)을 포함하여 구성될 수 있다.
내부인자 측정센서(210)는 태양광 셀이나 어레이의 내부온도, 전류, 전압 및 전력량 중 적어도 하나에 대한 태양광 어레이(100)의 내부적인 인자를 측정하기 위한 센서이다. 상기 내부인자에 대한 값들은 각각의 센서를 통하여 측정될 수도 있으나, 태양광 어레이(100) 모니터링 시스템(200) 자체적으로 수집될 수 있는 정보일 수 있다. 즉, 각 태양광 어레이(100)마다 전력을 수집하기 위하여 전기적인 부품들이 연결되어 있으며, 이러한 전기적인 데이터는 모니터링 시스템(200)의 관리자 단말(300)에서 사용자 인터페이스 상에 제공될 수 있는 항목이므로, 별도의 센서 배치없이 자체적으로 수집될 수도 있다.
외부인자 측정센서(220)는 태양광 어레이(100)의 주변온도, 풍속, 일사량, 미세먼지 농도, 습도, 강우량 중 적어도 하나를 측정하기 위한 센서이다. 위의 주변온도는 태양광 어레이(100)의 주변 공간에 관한 온도로서 어레이의 외기 온도라 할 수 있다. 한편, 외부인자 측정센서(220)는 별도의 센서 형태로 구비되어 각 태양광 어레이(100)에 배치되거나, 태양광 어레이(100)가 배치된 공간에서의 일 영역에 배치될 수도 있다.
서버(240)는 이러한 내부인자와 외부인자를 상술한 측정센서들로부터 수집할 수 있다.
한편, 서버(240)는 공공기관 서버(240)로부터 공공데이터(230)를 추가적으로 수집하여 외부인자에 대한 값을 보정할 수도 있다. 공공데이터(230)는 공공기관 서버(240)(예를 들어, 기상청이나 지자체의 서버(240))에 저장된 데이터로서, 태양광 발전소가 배치된 지역의 온도, 일사량, 풍속, 미세먼지 농도 등 거시적인 값들에 관한 데이터이다.
외부인자 측정센서(220)에 의해 수집된 정보는 태양광 어레이(100)가 배치된 지역을 기준으로 수집된 미시적인 정보이며, 거시적인 공공데이터(230)를 적용함으로써, 좀 더 정확하게 외부인자를 보완할 수 있다. 외부인자 측정센서(220)는 과열 등의 영향으로 인해 오류가 발생될 가능성이 존재하나, 태양광 어레이(100)의 성질을 매우 직접적으로 나타낼 수 있다. 반면, 공공데이터(230)는 태양광 어레이(100)의 성질을 직접적으로 나타내지는 못하나 해당 지역의 여러 곳에 배치된 관측소를 통하여 측정된 값들이므로 매우 균질한 성격을 지닌다. 따라서, 공공데이터(230)와 외부인자 측정센서(220)에 의해 수집된 값들을 결합할 경우, 어느 하나만을 기준으로 외부인자를 확정한 것에 비교하여 매우 정확하고 보완된 값을 얻을 수 있다.
서버(240)는 공공데이터(230)와 외부인자 측정센서(220)에 의해 수집된 값들에 대한 평균값으로 보정을 수행할 수 있으나, 이는 일 예일 뿐이며 다양한 방식으로 보정을 수행할 수 있다.
또 한 편, 추가 실시예로서, 서버(240)는 공공데이터(230)만으로 외부인자를 확정할 수도 있다.
서버(240)의 데이터 압축부는 내부인자, 외부인자 및 성능데이터를 구성하는 값들의 차원(dimension)을 축소할 수 있다. 이는 빅데이터 처리 연산속도를 높이기 위해 수행되는 과정이다.
여기서 성능데이터란 태양광 셀 또는 태양광 어레이(100)의 정상동작 유무를 나타내는 데이터로서 모니터링 시스템(200)에 의해 관측된 데이터를 의미한다. 예를 들어, 성능데이터는 0, 1, 0.5의 값 중 어느 하나의 값으로 정의될 수 있으며, 0은 비정상 상태, 1은 정상 상태, 0.5는 상태진단확인이 필요한 상태를 의미할 수 있다.
데이터 압축부는 내부인자, 외부인자 및 성능데이터로 구성된 트레이닝 데이터(training data)를 규정한다. 예를 들어, 각각의 트레이닝 데이터는, 내부온도, 일사량, 전압, 전류, 미세먼지 농도, 성능데이터 등의 값들로 구성될 수 있다. 이 경우, 각각의 값들이 하나의 차원(dimension)을 정의하게 되며, 트레이닝 데이터는 n 차원의 값들로 구성된다고 정의할 수 있다. 데이터 압축부는 데이터 압축기법을 이용하여 n 차원의 트레이닝 데이터를 m (n 보다 작음) 차원으로 축소시킬 수 있다. 이때, 데이터 압축기법으로는 PCA (Principal Component Analysis)가 활용될 수 있다. PCA란 주성분 분석 기법이라고도 호칭되는 기법으로 데이터의 특징을 잘 나타내는 고유벡터들과 고유값들을 추출하고, 고유벡터들 중 특징 성분이 높은 값들만을 추출함으로써 차원(dimension)을 줄이되 원본과의 차이를 최소화하는 기법이다. 구체적으로 데이터를 잘 표현할 수 있는 주성분 축을 고유벡터와 고유값을 기반으로 구하고, 주성분 축에 데이터를 프로젝션(projection)하여 차원을 축소한다.
이어서, 서버(240)는 외부인자와 내부인자를 독립변수로 설정하고, 성능데이터를 종속변수로 설정하며, 독립변수를 구성하는 값들 간의 영향도를 분석할 수 있다. 예를 들어, '일사량이 전압값에 미치는 영향은 60%이다'와 같은 영향도를 분석할 수 있다. 이에 따라, 독립변수 내의 어느 하나의 값이 나머지 다른 값들 중 저어도 하나의 값에게 미치는 영향에 대한 비율을 분석할 수 있다. 영향도 분석 결과는 추후의 기계학습모델의 기계학습을 통한 종속변수 값의 예측시 활용됨으로써 더욱 정확한 예측결과를 도모할 수 있다.
서버(240)의 기계학습 모델 생성부는 독립변수와 종속변수와의 관계를 정의하기 위해 기 설정된 기계학습모델을 통해 기계학습을 수행한다.
기 설정된 기계학습모델은 SVM(Support Vector Machine), KNN(K-Nearest Neighbors), ANN(Artificial Neural Network) 및 상기 SVM 내지 ANN을 조합한 앙상블 모델 중 적어도 하나일 수 있다.
바람직하게는, 기계학습 모델 생성부는 위 기계학습모델에 대한 순서를 미리 지정하고, 기존의 기계학습모델에 의해 도출한 예측 성능데이터와 실제 관측된 성능데이터 간의 오차값이 임계치를 넘는 경우 그 순서에 따라 그 다음의 기계학습모델로 변경할 수 있다. 바람직하게, 최초에 사용될 기계학습 모델은 SVM일 수 있다.
기계학습 모델 생성부는 상술한 바대로, 내부인자와 외부인자를 독립변수로 설정하고 성능데이터(즉, 태양광 셀 또는 어레이의 정상 이상 유무)를 종속변수로 설정하여 아래의 각 기계학습모델에 대응하는 연산과정을 수행한다.
1) SVM (Support Vector Machine)
패턴인식, 자료분석을 위한 지도학습 모델로 2개의 범주를 분류하는 이진 분류기이다. 주어진 데이터 집합을 기반하여 새로운 데이터가 어느 카테고리에 속할지 비확률적 이진 선형 분류 모델을 만들게 된다.
SVM은 바이너리 분류 알고리즘(binary classification algorithm)로써 N차원 장소에서 2가지 유형의 점 집합이 주어지면 SVM은 (N-1) 차원의 초평면(hyperplane)을 생성하여, 이 점들을 두 그룹으로 분리한다. 종이에 선형적으로 분리 가능한 2가지 유형의 포인트가 있다고 가정하면 SVM은 이 점들을 2가지 유형으로 분리하고 모든 점들로부터 가능한 멀리 위치하는 직선을 발견한다.
그리고, SVM 회귀모형은 x ∈ R에서 추출된 입력항 {x1, x2,...,xl }과 L차원 의 y∈인 {y1, y2,...,yl }출력항의 함수적인 의존 관계 f(x)를 추정할 수 있다. 여기서 함수 f(x)의 추정은 다음 위험도 함수를 최소화 하는 문제로 귀결될 수 있다. 즉, f(x)는 기하학적으로 다수 의 입력벡터와 출력항 중에서 이들 관계를 규정 할 수 있는 최적의 회귀함수를 의미한다. 본 연 구에서 적용된 SVM 모형에서 각각의 변수들인 x, y, f(x)는 각각 독립변수로 구성된 상수수요 량과 종속변수, f(x)는 SVM을 통하여 생성된 예측된 상수수요량을 나타낸다.
SVM을 본 발명에 적용할 경우, 도 3과 같이 독립변수들을 이진 분류기로 분류할 수 있다. 예를 들어, 가운데 굵은 점선 영역은 성능데이터가 0.5인 경우를 지칭하고 , 상기 가운데 굵은 점선 영역의 우측을 성능데이터가 0인 경우를, 좌측을 성능데이터가 1인 경우를 정의한다고 가정한 후, 독립변수들로 구성된 트레이닝 데이터들을 종속변수의 값(즉, 0, 0.5, 1 중 어느 하나)에 맞추어 배치한다. 이러한 과정을 통하여 독립변수와 종속변수 간의 기계학습을 수행하고, 추후에 새로운 독립변수가 입력됐을 경우, 해당 독립변수를 SVM 공간 상에 배치시킴으로써 어떠한 종속변수가 예측될지 파악할 수 있다(즉, 성능데이터를 예측할 수 있다).
2) ANN(Artificial Neural Network)
자연신경망이 감각기관으로부터 받은 입력에 반응해서 근육을 움직이는 출력값을 출력하듯, 인공신경망 또한 주어진 입력값에 반응해서 출력값을 산출하는 기법이다. 공을 받는 행위가 훈련을 통해 숙련되듯, 인공신경망도 학습을 통해 기능을 갖춘다. 일반적으로 ANN은 입력층, 은닉층, 출력층으로 구성되어 있고 각 층은 다수의 노드들로 이루어져 있으며 각 층간의 노드들은 일정한 연결강도로 연결되어 있다. ANN 모델 구성 과정은 학습 단계라 하며 최종 목적 은 주어진 입출력 자료에 가장 적합한 모델 파라미터들과 각 연결강도들을 결정하는 것이다.
ANN을 본 발명에 적용할 경우, 특정 독립변수가 그에 대응하는 종속변수로 도출되기 위해서 어떤 가중치 값을 가져야하는지를 복수의 트레이닝 데이터들에 대해 기계학습함으로써 도출할 수 있다. 그리고, 새로운 독립변수가 입력되었을 때, 기계학습으로 도출된 가중치 값을 적용하여 종속변수를 예측할 수 있다.
3) KNN (K-Nearest Neighbors)
KNN알고리즘은 범주를 알지 못하는 데이터가 있을 때, 근접한 k개의 데이터를 이용해 범주를 지정해주는 기법이다.
kNN알고리즘에서 최근점 이웃의 거리를 계산하는 다양한 방법이 있는데, 대표적으로 유클리디언 거리를 사용한다.
[수학식 1]
Figure pat00001
이때, 몇 개의 근접이웃 k를 결정하는 문제도 중요하다. 보통 k의 선택은 학습해야 할 개념의 난이도와 훈련 데이터의 개수에 달려있으며, 일반적으로 훈련 데이터의 개수에 제곱근으로 설정한다. 또한, 훈련 데이터의 개수에 제곱근으로 설정하기도 한다.
만약 k를 너무 크게 설정하면 주변에 있는 데이터와 근접성이 떨어지게 되어 클러스터링이 잘 되지 않고, 너무 작게하면 노이지 데이터나 이상치와 이웃이 될 가능성이 있으므로 이러한 문제들을 피할 수 있도록 적절한 k의 선택이 필요하다.
KNN을 본 발명에 적용할 경우, 독립변수 및 종속변수를 포함하는 트레이닝 데이터를 임의의 평면 상에 하나의 점으로 정의하고, 다른 나머지 트레이닝 데이터들을 상기 평면 상에 하나의 점으로 정의한다. 종속변수가 1서로 동일한 트레이닝 데이터들은 서로 근처에 배치되게 되는데, 이러한 관계를 이용하여, 새로운 독립변수가 입력되었을 때, 유클리디언 거리 공식을 활용하여 대응하는 종속변수가 무엇인지 예측할 수 있다.
4) 앙상블 모델
SVM, ANN, KNN중 적어도 하나를 묶어 앙상블 모델을 나타낼 수 있다. 앙상블 모델을 규정하는 방법은 여러 가지가 있을 수 있다.
앙상블 개념의 가장 큰 특징은 예측의 일반화 능력(generalization ability)이라 할 수 있다. 앙상블 모형을 통한 일반적 예측 오차는 단일 모형을 통한 일반적 예측 오차보다 작으며(Krogh and Vedelsby, 1995) 여러 연구를 통해서 입증 된바 있다(Krogh and Sollich, 1997; Naftaly et al., 1997).
앙상블 방법은 일련의 분류 기준을 구성한 알고리즘을 학습 한 후 예측에 대한 가중 투표(weighted vote)를 통해 새로운 데이터 포인트를 분류하는 기법이다. 원래의 앙상블 방법은 베이지안 평균 (Bayesian averaging)이지만 최근의 알고리즘에는 오류 수정 출력 코딩(error-correcting output coding), 배깅(bagging) 및 부스팅(boosting)이 포함된다.
서버(240)의 데이터 동태적 분석부는 실시간으로 관측된 성능데이터들의 시간에 따른 패턴을 분석하여, 상기 기계학습모델에 의해 도출된 예측 성능데이터와 상기 패턴에 기반한 예측 성능데이터를 비교하여 최종 예측 성능데이터를 보완할 수 있다.
구체적으로, 데이터 동태적 분석부는 태양광 셀 또는 어레이 성능데이터들을 시계열적으로 분석하기 위하여, 시간 순서에 따르는 성능데이터들의 패턴을 파악할 수 있다. 이때, 단일변량시계열의 분석에 사용되는 박스-젠 킨스(Box-Jenkins)의 ARIMA 분석방법론을 사용할 수 있다. ARIMA 분석방법론은 시계열의 변동형태를 파악하고 이를 통해 예측이 가능하다는 장점으로 증 권시장 등 경제분야와 수산자원 관리에서 많이 응용되고 있다. 일반적으로 시계열 자료는 추세(trend), 순환(cycle), 계절변동(seasonal variation), 불규칙변동(irregular fluctuation) 등으로 구성되어 있다. ARIMA 분석은 기계학습 모델의 보정 예측모델로써 작용한다.
예를 들어, 데이터 동태적 분석부는 기계학습에 기반한 예측 성능데이터가 0으로 도출되었으나, 시계열적 패턴에 기인할 때 0.5가 도출될 경우, 이들을 조합하여 새로운 성능데이터를 예측할 수 있다.
그리고 서버(240)의 상태 진단/예측부는 실시간으로 수집된 외부인자 및 내부인자가 있는 경우, 상술한 SVM, ANN, KNN, 앙상블 모델 중 적어도 하나의 기계학습 모델에 기반하여 태양광 어레이(100)에 대한 예측 성능데이터를 산출한다. 그리고, 상태 진단/예측부는 예측 성능데이터와 실제 관측된 성능데이터를 비교하여 예측 성능데이터의 오차값이 미리 설정된 임계치 이내인지 판단할 수 있다. 미리 설정된 임계치 이내인 경우, 기존의 기계학습모델을 유지하도록 하나, 임계치를 벗어나는 경우 상술한 바와 같이 다른 기계학습모델로 변경하도록 제어할 수 있다.
서버(240)의 상태 진단/예측부는 사용자 인터페이스를 통하여 관리자 단말(300)로 예측정보를 전송할 수 있다.
사용자 인터페이스는 관리자 단말(300)에서 관리자가 눈으로 쉽게 확인할 수 있는 사용자 인터페이스일 수 있다. 사용자 인터페이스는 상기 각각의 태양광 셀 또는 각각의 태양광 어레이(100)에 대한 상태를 색상을 기준으로 나타낸 상태 지도를 포함할 수 있다. 상태지도는 예를 들어, 도 4와 같이 표현될 수 있다. 즉, 상태 지도의 한 축(예를 들어, X축)을 내부인자의 값으로 설정하고, 상기 한 축과 수직하는 다른 축(예를 들어, Y축)을 외부인자의 값으로 설정하여, 내부인자 및 외부인자의 상태에 따라 상기 각각의 태양광 셀 또는 각각의 태양광 어레이(100)를 상기 상태 지도 상에 배치하고, 각 셀의 상태는 색상을 기준으로 표현할 수 있다. 즉, 태양광 셀의 내부온도와 일사량이 높은 셀들은 그래프 상의 좌측 상단에 표시하고, 내부온도와 일사량이 낮은 셀들은 그래프 상의 우측 하단에 표시할 수 있다. 이 경우, 인자들의 특성이 유사한 것끼리 배치되게 되며, 근처에 배치된 셀들끼리 성능데이터에 대한 색상이 유사할 경우, 내부인자 또는 외부인자가 성능데이터에 미치는 영향을 한눈에 파악할 수 있게 된다. 도 4에서는 서로 다른 색상들을 서로 다른 해칭의 형태로 표현한 것이며, 도 4는 일 예일 뿐이며 사용자 인터페이스는 다양한 형태로 구현될 수 있다.
또는, 다른 실시예로서, 하나의 어레이 내의 셀들을 화면 상에 표시하고, 각 셀들의 상태를 색상 별로 표시함으로써, 히트맵 형태로 셀의 이상유무 혹은 정상유무를 쉽게 확인할 수 있도록 제공해줄 수도 있다. 또는, 특정 셀의 전압/전류/전력량이 다른 셀과 크게 다르거나 평소의 값과 크게 다른 경우 해당 특정 셀에 대한 정보(위치정보)만을 알려줌으로써 관리자가 쉽게 어느 셀에서 이상상태가 발생했는지 여부를 확인할 수 있도록 할 수 있다. 그리고, 그 밖의 다양한 방법으로 관리자가 쉽고 빠르게 이해할 수 있는 UI로 태양광 셀/어레이의 진단/예측 정보가 제공될 수 있다.
이하, 도 5를 참조하여, 본 발명의 일 실시예에 따르는, 태양광 어레이(100) 모니터링 방법을 구체적으로 설명한다.
먼저, 서버(240)는 복수의 태양광 어레이(100)에 대한 외부인자와 내부인자를 실시간으로 수집한다(S110). 외부인자와 내부인자는 각각의 센서를 통하여 수집되거나, 태양광 어레이(100) 모니터링 시스템(200) 자체에 의해 수집되거나 공공기관 서버(240)의 공공데이터(230)를 기반으로 수집될 수도 있다.
서버(240)는 수집한 데이터를 축소한다(S120). 구체적으로, 서버(240)는 내부인자, 외부인자 및 성능데이터로 구성되는 트레이닝 데이터를 구성하고, 지금까지 수집된 모든 트레이닝 데이터의 차원(dimension)을 축소함으로써 빅데이터 처리시 신속성을 부가할 수 있다.
서버(240)는 외부인자와 내부인자 간의 영향도를 분석할 수 있다(S130). 구체적으로, 서버(240)는 외부인자와 내부인자를 독립변수로 설정하고, 성능데이터를 종속변수로 설정하는데, 독립변수를 구성하는 여러가지 값들 중 어느 하나의 값이 다른 값들에게 미치는 영향을 분석할 수 있다.
서버(240)는 기계학습 모델을 선정하고, 기계학습을 수행한다(S140). 구체적으로, 서버(240)는 여러 가지 기계학습 모델 중 어느 하나의 기계학습 모델을 선정하고, 그것에 기반하여 독립변수로부터 종속변수가 도출될 수 있는 알고리즘을 도출할 수 있다. 알고리즘은 기계학습모델에 따라 다른 형태로 규정될 수 있다.
서버(240)는 데이터의 동태적 분석을 수행하여, 시계열적인 흐름에 의할 때 성능데이터가 보이는 패턴을 추론하고, 해당 패턴에 기반하여 기계학습 모델에 의해 도출된 예측 성능데이터를 보완할 수 있다(S150).
서버(240)는 현재 관측값(즉, 실제 관측된 성능데이터)를 기반으로 기계학습 모델에 의해 도출된 성능데이터를 검증한 후, 검증 결과에 따라 기계학습 모델을 다른 모델로 변경할 수도있다(S160).
그리고, 서버(240)는 미리 설정된 사용자 인터페이스를 기반으로 전체 태양광 어레이(100) 혹은 태양광 셀의 상태에 대한 예측정보를 관리자 단말(300)로 제공해줄 수 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (14)

  1. 서버에 의해 수행되는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법에 있어서,
    (a) 각각이 복수의 태양광 셀로 구성된 복수의 태양광 어레이에 대한 내부인자, 외부인자 및 성능데이터를 수집하는 단계;
    (b) 상기 내부인자 및 외부인자를 독립변수로 설정하고 상기 성능데이터를 종속변수로 설정하여, 상기 독립변수와 상기 종속변수와의 관계를 정의하기 위해 기 설정된 기계학습모델을 통해 기계학습을 수행하는 단계;
    (c) 실시간으로 수집된 외부인자 및 내부인자가 있는 경우, 상기 기계학습에 기반하여 상기 태양광 어레이에 대한 예측 성능데이터를 산출하는 단계; 및
    (d) 상기 산출된 예측 성능데이터를 관리자 단말의 사용자 인터페이스를 통해 제공하는 단계;를 포함하며,
    상기 내부인자는 상기 태양광 어레이의 내부온도, 전류, 전압 및 전력량 중 적어도 하나에 대한 값을 포함하며, 상기 외부인자는 상기 태양광 어레이의 주변온도, 일사량, 풍속, 강우량, 습도 및 미세먼지농도 중 적어도 하나에 대한 값을 포함하고, 상기 성능데이터는 태양광 셀 또는 태양광 어레이의 현재 시점에서의 정상동작 유무를 나타내는 데이터로서 관측된 데이터인 것인, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  2. 제 1 항에 있어서,
    상기 (a) 단계는,
    상기 복수의 태양광 어레이를 관리하는 태양광 어레이 모니터링 시스템을 통하여 상기 내부인자를 수집하고,
    상기 복수의 태양광 어레이의 주변에 배치되는 외부인자 측정센서를 통하여 상기 외부인자를 수집하는 단계를 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  3. 제 2 항에 있어서,
    상기 (a) 단계는,
    공공기관 서버로부터 상기 공공기관 서버에 저장된 외부인자에 대한 공공데이터를 수신하는 단계를 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  4. 제 3 항에 있어서,
    상기 (a) 단계는,
    상기 공공데이터와 상기 외부인자 측정센서를 통하여 수집된 외부인자를 결합함으로써, 외부인자에 대한 데이터를 보정하는 단계를 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  5. 제 1 항에 있어서,
    (a-1) 상기 (a) 단계 후, 상기 내부인자, 외부인자 및 성능데이터를 구성하는 값들의 차원(dimension)을 축소하는 단계를 더 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  6. 제 1 항에 있어서,
    (a-2) 상기 (a) 단계 후, 상기 독립변수를 구성하는 값들 간의 영향도를 분석하여, 상기 독립변수 내의 어느 하나의 값이 나머지 다른 값들 중 적어도 하나의 값에게 미치는 영향에 대한 비율을 분석하는 단계를 더 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  7. 제 1 항에 있어서,
    상기 (b) 단계는,
    SVM(Support Vector Machine), KNN(K-Nearest Neighbors), ANN(Artificial Neural Network) 및 상기 SVM 내지 ANN을 조합한 앙상블 모델 중 적어도 하나의 기계학습모델에 기반하여 기계학습을 수행하는 것인, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  8. 제 1 항에 있어서,
    상기 (c) 단계는,
    실시간으로 관측된 성능데이터를 수집하고, 상기 예측 성능데이터와 상기 관측된 성능데이터를 비교하여 상기 예측 성능데이터의 오차값이 미리 설정된 임계치를 넘는 경우 상기 (b) 단계에서 수행될 기계학습모델을 변경하는 단계를 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  9. 제 8 항에 있어서,
    상기 (c) 단계는,
    복수의 기계학습모델에 대한 순서를 미리 지정하고, 상기 기존의 기계학습모델에 대한 오차값이 상기 임계치를 넘는 경우, 상기 순서에 따라 그 다음의 기계학습모델로 변경하는 것인, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  10. 제 1 항에 있어서,
    (b-1) 상기 (b) 단계 후, 실시간으로 관측된 성능데이터들의 시간에 따른 패턴을 분석하여, 상기 기계학습모델에 의해 도출된 예측 성능데이터와 상기 패턴에 기반한 예측 성능데이터를 비교하여 최종 예측 성능데이터를 보완하는 단계를 더 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  11. 제 1 항에 있어서,
    상기 사용자 인터페이스는,
    상기 각각의 태양광 셀 또는 각각의 태양광 어레이에 대한 상태를 색상을 기준으로 나타낸 상태 지도를 포함하는, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  12. 제 11 항에 있어서,
    상기 사용자 인터페이스는,
    상기 상태 지도의 한 축을 내부인자로 설정하고, 상기 한 축과 수직하는 다른 축을 외부인자로 설정하여, 상기 내부인자 및 외부인자의 상태에 따라 상기 각각의 태양광 셀 또는 각각의 태양광 어레이를 상기 상태 지도 상에 배치하는 것인, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법.
  13. 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 서버에 있어서,
    기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측을 수행하기 위한 프로그램이 저장된 메모리; 및
    상기 프로그램을 수행하기 위한 프로세서; 를 포함하고,
    상기 프로세서는, 상기 프로그램의 실행에 따라,
    각각이 복수의 태양광 셀로 구성된 복수의 태양광 어레이에 대한 내부인자, 외부인자 및 성능데이터를 수집하고,
    상기 내부인자 및 외부인자를 독립변수로 설정하고 상기 성능데이터를 종속변수로 설정하여, 상기 독립변수와 상기 종속변수와의 관계를 정의하기 위해 기 설정된 기계학습모델을 통해 기계학습을 수행하며,
    실시간으로 수집된 외부인자 및 내부인자가 있는 경우, 상기 기계학습에 기반하여 상기 태양광 어레이에 대한 예측 성능데이터를 산출하고,
    상기 산출된 예측 성능데이터를 관리자 단말의 사용자 인터페이스를 통해 제공하되,
    상기 내부인자는 상기 태양광 어레이의 내부온도, 전류, 전압 및 전력량 중 적어도 하나에 대한 값을 포함하며, 상기 외부인자는 상기 태양광 어레이의 주변온도, 일사량, 풍속, 강우량, 습도 및 미세먼지농도 중 적어도 하나에 대한 값을 포함하고, 상기 성능데이터는 상기 태양광 셀 또는 태양광 어레이의 정상동작 유무를 나타내는 데이터로서 관측된 데이터인 것인, 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 서버.
  14. 제 1 항 내지 제 12 항 중 어느 한 항에 따르는 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 예측 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능 기록매체.


KR1020170093452A 2017-05-10 2017-07-24 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 KR101971875B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170057878 2017-05-10
KR20170057878 2017-05-10

Publications (2)

Publication Number Publication Date
KR20180123951A true KR20180123951A (ko) 2018-11-20
KR101971875B1 KR101971875B1 (ko) 2019-04-24

Family

ID=64568602

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170093452A KR101971875B1 (ko) 2017-05-10 2017-07-24 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101971875B1 (ko)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101958941B1 (ko) * 2018-11-27 2019-03-18 주식회사 나눔에너지 머신러닝 기반 태양광 발전 제어 시스템 및 방법
KR102054163B1 (ko) * 2019-04-24 2020-01-22 이에스솔라 주식회사 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치
CN111027830A (zh) * 2019-11-27 2020-04-17 赵永生 一种基于机器学习的供电可靠性指标分级预测方法
CN112129341A (zh) * 2020-09-03 2020-12-25 重庆工商大学 一种智能超市用具有监控功能便于维护的安检装置
WO2021015332A1 (ko) * 2019-07-23 2021-01-28 주식회사 현태 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
KR20210012501A (ko) * 2019-07-25 2021-02-03 주식회사 현태 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
KR20210015168A (ko) * 2019-08-01 2021-02-10 주식회사 현태 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
KR102218734B1 (ko) * 2020-05-20 2021-02-24 켐아이넷(주) 인공지능 기반 환경유해인자 고해상도 데이터 보간방법
CN112422083A (zh) * 2020-11-27 2021-02-26 江苏新源太阳能科技有限公司 一种带nfc功能的光伏组件的检测系统及方法
KR102228512B1 (ko) * 2020-11-05 2021-03-16 에이펙스인텍 주식회사 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치
KR20210077474A (ko) * 2019-12-17 2021-06-25 세종대학교산학협력단 태양광 발전량 예측 장치 및 그 방법
KR20210082674A (ko) * 2019-12-26 2021-07-06 아이엠소프트(주) 빅 데이터 기반 컴프레서 고장 예측 시스템 및 방법
KR102306208B1 (ko) * 2021-06-03 2021-09-29 박길호 안전 진단 기술이 적용된 태양광 발전 시스템 및 방법
KR102309077B1 (ko) * 2021-05-27 2021-10-06 주식회사 부력에너지 센서 기반 안전 진단 기술을 적용한 태양광 발전 시스템 및 방법
KR20210120609A (ko) * 2020-03-27 2021-10-07 김재일 빅데이터 기반의 태양광 모듈 모니터링 시스템 및 방법
KR102355884B1 (ko) * 2021-01-26 2022-02-08 (주) 플레이오니 인공지능을 이용한 화재 판정 방법, 장치 및 프로그램
KR20230007842A (ko) * 2021-07-06 2023-01-13 (주)솔라앤시스 태양광 패널의 정상 작동 여부 확인 장치 및 방법
KR102523701B1 (ko) * 2023-01-19 2023-04-21 (주)임픽스 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법
CN117194962A (zh) * 2023-09-13 2023-12-08 安徽国麒科技有限公司 一种基于DeepIM深度学习算法的光伏发电量预测方法
KR102618658B1 (ko) * 2023-07-20 2023-12-28 주식회사 비츠로이엠 에너지 하베스팅을 이용한 수배전반 시스템 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102258669B1 (ko) * 2019-06-10 2021-06-01 (주)에이피이씨 친환경 폐 태양광 모듈 재활용시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140112146A (ko) * 2013-03-12 2014-09-23 주식회사 케이디파워 태양광 발전 시스템의 발전진단 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140112146A (ko) * 2013-03-12 2014-09-23 주식회사 케이디파워 태양광 발전 시스템의 발전진단 장치

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2019388525B2 (en) * 2018-11-27 2022-09-01 Nanoomenergy Co., Ltd. System and method for controlling solar photovoltaic power generation on basis of machine learning
KR101958941B1 (ko) * 2018-11-27 2019-03-18 주식회사 나눔에너지 머신러닝 기반 태양광 발전 제어 시스템 및 방법
WO2020111561A1 (ko) * 2018-11-27 2020-06-04 주식회사 나눔에너지 머신러닝 기반 태양광 발전 제어 시스템 및 방법
US11953870B2 (en) 2018-11-27 2024-04-09 Nanoomenergy Co., Ltd. System and method for controlling solar photovoltaic power generation on basis of machine learning
KR102054163B1 (ko) * 2019-04-24 2020-01-22 이에스솔라 주식회사 태양광 발전량 예측 시스템 및 이를 포함하는 태양광 발전 장치
WO2021015332A1 (ko) * 2019-07-23 2021-01-28 주식회사 현태 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
KR20210012501A (ko) * 2019-07-25 2021-02-03 주식회사 현태 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
KR20210015168A (ko) * 2019-08-01 2021-02-10 주식회사 현태 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
CN111027830B (zh) * 2019-11-27 2023-04-18 赵永生 一种基于机器学习的供电可靠性指标分级预测方法
CN111027830A (zh) * 2019-11-27 2020-04-17 赵永生 一种基于机器学习的供电可靠性指标分级预测方法
KR20210077474A (ko) * 2019-12-17 2021-06-25 세종대학교산학협력단 태양광 발전량 예측 장치 및 그 방법
KR20210082674A (ko) * 2019-12-26 2021-07-06 아이엠소프트(주) 빅 데이터 기반 컴프레서 고장 예측 시스템 및 방법
KR20210120609A (ko) * 2020-03-27 2021-10-07 김재일 빅데이터 기반의 태양광 모듈 모니터링 시스템 및 방법
KR102218734B1 (ko) * 2020-05-20 2021-02-24 켐아이넷(주) 인공지능 기반 환경유해인자 고해상도 데이터 보간방법
CN112129341B (zh) * 2020-09-03 2022-04-12 重庆工商大学 一种智能超市用具有监控功能便于维护的安检装置
CN112129341A (zh) * 2020-09-03 2020-12-25 重庆工商大学 一种智能超市用具有监控功能便于维护的安检装置
KR102228512B1 (ko) * 2020-11-05 2021-03-16 에이펙스인텍 주식회사 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치
CN112422083B (zh) * 2020-11-27 2021-06-25 江苏新源太阳能科技有限公司 一种带nfc功能的光伏组件的检测系统及方法
CN112422083A (zh) * 2020-11-27 2021-02-26 江苏新源太阳能科技有限公司 一种带nfc功能的光伏组件的检测系统及方法
KR102355884B1 (ko) * 2021-01-26 2022-02-08 (주) 플레이오니 인공지능을 이용한 화재 판정 방법, 장치 및 프로그램
KR102309077B1 (ko) * 2021-05-27 2021-10-06 주식회사 부력에너지 센서 기반 안전 진단 기술을 적용한 태양광 발전 시스템 및 방법
KR102306208B1 (ko) * 2021-06-03 2021-09-29 박길호 안전 진단 기술이 적용된 태양광 발전 시스템 및 방법
KR20230007842A (ko) * 2021-07-06 2023-01-13 (주)솔라앤시스 태양광 패널의 정상 작동 여부 확인 장치 및 방법
KR102523701B1 (ko) * 2023-01-19 2023-04-21 (주)임픽스 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법
KR102618658B1 (ko) * 2023-07-20 2023-12-28 주식회사 비츠로이엠 에너지 하베스팅을 이용한 수배전반 시스템 및 방법
CN117194962A (zh) * 2023-09-13 2023-12-08 安徽国麒科技有限公司 一种基于DeepIM深度学习算法的光伏发电量预测方法

Also Published As

Publication number Publication date
KR101971875B1 (ko) 2019-04-24

Similar Documents

Publication Publication Date Title
KR101971875B1 (ko) 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법
Himeur et al. Next-generation energy systems for sustainable smart cities: Roles of transfer learning
Himeur et al. Smart power consumption abnormality detection in buildings using micromoments and improved K‐nearest neighbors
US11621668B2 (en) Solar array fault detection, classification, and localization using deep neural nets
CN108647716B (zh) 一种基于复合信息的光伏阵列故障诊断方法
Copiaco et al. An innovative deep anomaly detection of building energy consumption using energy time-series images
Shi et al. Power system event identification based on deep neural network with information loading
JP7353238B2 (ja) 高次元センサデータにおける異常事象の自動化された根本原因分析を実行する方法及びシステム
WO2020137838A1 (ja) データ処理装置、データ処理方法、及びコンピュータプログラム
CN109035067A (zh) 基于rf和arma算法的建筑能耗处理方法及装置
KR20170078256A (ko) 시계열의 데이터를 예측 하는 방법 및 그 장치
Sun et al. Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system
KR20170078252A (ko) 시계열의 데이터를 모니터링 하는 방법 및 그 장치
US20160034813A1 (en) Method for counting number of people based on appliance usages and monitoring system using the same
Zhao et al. Collaborative fault detection for large-scale photovoltaic systems
Hasan et al. Trending machine learning models in cyber‐physical building environment: A survey
CN116467648A (zh) 一种基于物联表的非线性台区电力故障的早期监测方法
Alsalemi et al. Boosting domestic energy efficiency through accurate consumption data collection
Himeur et al. A two-stage energy anomaly detection for edge-based building internet of things (biot) applications
Lin An advanced smart home energy management system considering identification of ADLs based on non-intrusive load monitoring
Tong et al. A novel ellipsoidal semisupervised extreme learning machine algorithm and its application in wind turbine blade icing fault detection
Joshi et al. High accuracy sensor fault detection for energy management applications
KR102622634B1 (ko) 전자기기의 비침식 부하 모니터링 시스템 및 그 방법
US20210372647A1 (en) Method and system for automatic detection of malfunctions/inefficient household electronic heating device
WO2022158037A1 (ja) 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム

Legal Events

Date Code Title Description
A201 Request for examination
N231 Notification of change of applicant
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant