KR20200057822A - 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법 - Google Patents

Abstract

본 발명은 태양광 발전에 관련된 다양한 데이터를 수집하여 여러 종류의 신경망 예측 알고리즘을 통해 필요한 예측 정보를 산출하여 순현재가치를 생성하고 이를 보상 정보로 하여 우수를 활용한 패널 냉각 제어를 수행하도록 하는 강화학습 방식을 통해 실제 발전소 운영 비용과 발전 수익 및 냉각 효과를 고려하여 최적화된 냉각 제어가 가능하도록 한 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법에 관한 것으로, 태양광 발전 환경으로부터 얻어진 실측 데이터를 상태 정보(state)로 하고, 태양광 발전 효율 개선을 위한 살수 제어를 실행(action)으로 하며, 태양광 발전 효율 개선에 따라 증가된 발전 수익과 살수 제어를 위한 비용을 고려하여 산출된 순현재가치를 보상(reward)으로 하는 A3C(Asynchronous Advantage Actor-Critic) 기반 심층 강화 학습 방식을 태양광 발전 모듈 최적 냉각에 적용함으로써 학습의 누적에 따라 발전량과 발전 수익, 살수에 소요되는 비용 등을 종합적으로 고려한 최적의 살수 제어를 통해 발전소 운영에 대한 경제성을 크게 높일 수 있는 효과가 있다.

Description

우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법{optimaized water cooling apparatus and method for solar photovoltatic power generation module using rain water}

본 발명은 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법에 관한 것으로, 특히 태양광 발전에 관련된 다양한 데이터를 수집하여 여러 종류의 신경망 예측 알고리즘을 통해 필요한 예측 정보를 산출하여 순현재가치를 생성하고 이를 보상 정보로 하여 우수를 활용한 패널 냉각 제어를 수행하도록 하는 강화학습 방식을 통해 실제 발전소 운영 비용과 발전 수익 및 냉각 효과를 고려하여 최적화된 냉각 제어가 가능한 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법에 관한 것이다.

신재생에너지인 태양광 발전은 4차산업혁명에서 기후변화와 더불어 온실가스 감축 목표 달성에 매우 중요한 역할을 하게 될 것으로 기대되고 있다. 따라서 태양광발전 사업에 대한 꾸준한 지원 정책과 기술의 발전에 따라 태양광 패널의 수명 및 효율이 개선되었고, 태양광 발전 관련 설비들도 고도화되고 있으며 대형 태양광 발전소는 물론이고 소규모 태양광 발전 역시 활성화되고 있다.

하지만, 이러한 태양광 발전을 더욱 활성화하기 위해서는 태양광 발전을 통해 태양광 발전 사업자가 충분한 수익을 얻을 수 있어야 한다. 태양광 발전의 수익률은 단순히 태양광 발전량 패널의 발전 용량이나 기상 환경에 좌우되는 것이 아니라 실질적으로 생산한 태양광 전력을 효과적으로 판매하고 발전소 운영에 소요되는 비용을 줄이며 현재 구축된 태양광 발전 패널의 효율을 극대화하는 여러 요소들이 통합적으로 고려되어야 한다.

이러한 태양광 발전의 경우 외부 영향에 의존적이기 때문에 다양한 환경적 요인을 고려한 발전량 예측이나 발전 효율을 높이기 위한 패널 온도 관리나 패널 오염 관리가 필수적이며, 경제성을 얻기 위하여 발전 전력의 계통 판매 가격(System Marginal Price: SMP), 신재생에너지 발전 의무 할당량, 신재생에너지 공급 인증서(Renewable Energy Certificate: REC) 가격 등과 같은 다양한 유동적 조건들을 고려해야 한다.

특히 태양광 발전 모듈의 패널은 기준 온도인 25℃로부터 1℃ 상승할 경우 효율이 약 0.5% 정도 감소하게 된다. 따라서 여름철의 경우 지역에 따라 태양광 발전 모듈의 패널 온도가 70℃ 이상까지 상승하는 경우도 있으므로 패널 온도 상승으로 인한 발전량 저하가 상당하기 때문에 패널의 온도를 낮추기 위한 다양한 연구도 진행되고 있다.

이러한 태양광 발전 모듈의 패널 온도를 낮추기 위한 가장 일반적인 방법은 냉각수를 이용한 수냉식 냉각 방식으로 상수(수돗물)나 지하수를 패널에 살포하여 온도를 낮추며 나아가 먼지나 오염을 제거하여 효율을 높일 수 있도록 하는 것이다. 하지만, 통상적인 수냉식 패널 냉각 방식의 경우 온도나 스케줄에 따라 상수나 지하수를 단순 살포하는 것이기 때문에 일부 발전 효율을 높일 수 있지만 이러한 수냉식 냉각에 필요한 각종 비용이나 이를 통해 얻은 발전 효율이 과연 수익으로 이어지는 것인지에 대한 분석은 전혀 고려되고 있지 않다.

따라서, 기술적으로 패널의 온도를 낮추는 기술만 존재하고 있을 뿐 이를 태양광 발전소 운영을 위해 최적으로 수행하지는 못하고 있는 실정이다.

한국 등록특허 제10-1892050호, [수냉식 태양광 발전장치] 한국 등록특허 제10-1811426호, [태양광 발전을 이용한 통합형 전력관리 시스템]

본 발명 실시예들의 목적은 태양광 발전 모듈의 패널을 경제성과 효율을 고려하여 최적으로 제어하기 위하여 태양광 발전에 대한 각종 데이터와 냉각에 필요한 각종 비용 데이터를 활용하여 패널 냉각 여부에 따른 각종 예측 정보를 토대로 순현재가치를 산출한 후 이를 보상 정보로 이용하고, 태양광 발전에 관련된 현재 데이터를 상태 정보로 이용한 A3C(Asynchronous Advantage Actor-Critic) 기반 심층 강화 학습을 통해서 효율 개선을 위한 우수 포함 살수 제어 정보를 산출할 수 있도록 한 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법을 제공하는 것이다.

또한, 본 발명 실시예들의 다른 목적은 태양광 발전에 관련된 다양한 발전 데이터와 발전소 운영 데이터 및 외부 데이터를 수집하여 신경망을 통해서 발전량 예측, 모듈 온도 예측 및 전력의 발전 수익을 예측하도록 하여 복수의 정교화된 예측 정보를 통해 발전수익 현재 가치를 산출한 후 우수 제어 운영 비용을 고려한 순현재가치를 생성하고, 이러한 순현재가치를 높이는 방향으로 최적 제어가 가능하도록 하는 강화학습을 적용함으로써 태양광 발전소의 수익률을 극대화할 수 있도록 한 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법을 제공하는 것이다.

본 발명 실시예들의 또 다른 목적은 디지털 게임 수행을 위한 학습 방식으로 알려져 있는 A3C 심층 강화학습 방식을 실제 환경인 태양광 냉각을 위해 적용하되 그 학습이 편향되지 않도록 개별적으로 A3C 심층 강화학습 방식을 적용한 태양광 발전소의 강화학습 수행부를 하위 에이전트로 하여 환경이 다른 개별 태양광 발전소별 학습 정보를 전역 신경망에 반영함으로써 학습 성능을 높일 수 있도록 한 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법을 제공하는 것이다.

상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 우수를 이용한 태양광 발전 모듈 최적 냉각 장치는, 기상과 전력 가격 및 발전 비용에 대한 외부 데이터, 태양광 발전에 관련된 복수의 발전 데이터와 패널 냉각에 관련된 내부 계측 데이터 및 패널 냉각 제어를 위한 발전소 운영 데이터를 수집하는 데이터 수집부와, 데이터 수집부에서 수집된 정보를 분산 데이터 베이스나 관계형 데이터 베이스로 저장하는 데이터 저장부와, 데이터 저장부에 저장되는 수집 데이터를 이용하여 발전수익 현재가치를 산출하고, 냉각을 위한 살수 제공에 필요한 운영 비용을 산출하여 이들로부터 순현재가치를 계산하는 분석부와, 태양광 발전 패널 살수를 위한 제어 신호를 제공하는 제어부와, 분석부의 분석에 따른 순현재가치를 보상 정보로 하고 이러한 보상을 높이는 방향으로 제어부를 제어하도록 데이터 수집부에 수집되는 태양광 발전 관련 상태 정보를 이용하여 A3C 기반 심층 강화학습을 수행하는 강화학습 수행부를 한다.

일례로서, 분석부는 냉각에 따른 태양광 발전 모듈의 패널 온도를 예측하기 위하여 적어도 데이터 저장부를 통해 내부 계측 데이터로 수집되는 실제 패널 온도, 일사각, 외기 온도 및 일사량 데이터를 학습 데이터로 하여 다음 패널 온도를 결과로 제공하는 신경망 모델이 적용된 패널온도 예측부를 포함할 수 있다.

나아가, 분석부는 냉각 및 냉각 중지 상태의 태양광 발전 모듈의 패널 온도 변화 동향을 예측하기 위하여 적어도 상기 패널 온도 예측부를 통해 예측한 다음 패널 온도와 일사각, 외기 온도 및 일사량 데이터를 학습 데이터로 하여 그 다음 패널 온도를 결과로 제공하는 신경망 모델이 적용된 장기 패널온도 예측부를 포함할 수 있다.

일례로서, 데이터 수집부는 전력 가격에 대한 외부 데이터로서 수집되는 신재생에너지 공급 인증서(Renewable Energy Certificate: REC) 가격 관련 정보인 REC 총거래량, REC 평균 가격, REC 시작가, REC 종가, REC 기준가, REC 최고가, REC 최저가 데이터 중 적어도 복수의 데이터를 수집하고, 분석부는 현재 시점의 REC 총거래량, REC 평균 가격, REC 시작가, REC 종가, REC 기준가, REC 최고가, REC 최저가 데이터 중 적어도 복수의 데이터를 학습 데이터로 하여 다음 REC 가격을 예측하는 신경망 모델이 적용된 REC 가격 예측부를 포함할 수 있다.

일례로서, 분석부는 데이터 수집부에서 내부 계측 데이터로 수집되는 사용 유량과 사용 전력을 수도 요금과 전기 요금을 기반으로 확인하여 냉각을 위한 살수 제공에 필요한 운영 비용을 산출하는 살수 제어 운영비 산출부를 포함할 수 있다.

일례로서, 분석부는 데이터 수집부에서 전력 가격에 대한 외부 데이터로서 수집하는 신재생에너지 공급 인증서(REC) 가격 관련 정보를 통해 예측한 REC 예상 가격과, 시간대별 발전 전력의 계통 판매 가격(System Marginal Price: SMP)과, 데이터 수집부에서 내부 계측 데이터로 수집되는 순시전력에 따른 실제 발전량과, 외기온도, 태양광 발전 패널의 모듈 온도, 일사량, 습도 중 적어도 일부를 이용하여 예측한 예상 발전량을 이용하여 발전 수익을 산출하는 발전수익 현재가치 산출부를 포함할 수 있다.

일례로서, 강화학습 수행부는 데이터 수집부가 수집한 데이터 중에서 계절과 시간 의존성을 반영하는 영향인자, 발전 수익에 대한 영향인자, 효율 저하의 영향인자, 모듈 냉각효과에 대한 영향인자로 설정된 데이터들을 상태 정보로서 수집하고, 상태 정보를 학습하여 제어부에서 패널 살수를 위해 제어 신호를 제공하기 위한 각 제어 방식별 적합도를 확률값으로 출력하는 최적제어 정책신경망 모델이 적용된 실행부(actor)와, 실행부와 동일한 상태 정보를 입력으로 하여 상기 상태 정보에 따른 환경에서 기 설정된 제어 방식으로 제어부가 제어할 경우 예상되는 보상값을 발전 수익과 운영비용에 따라 계산된 순현재가치를 기준으로 하는 실제값으로 출력하도록 하는 가치 산정 신경망 모델이 적용된 비평부(critic)를 포함할 수 있다.

일례로서, 강화학습 수행부가 학습한 학습 결과를 수집 및 반영함과 동시에 자신의 신경망으로 상기 강화학습 수행부의 신경망을 동기화하는 글로벌 강화학습 수행부를 더 포함하며, 글로벌 강화학습 수행부는 서로 다른 복수의 강화학습 수행부들과 네트워크를 구성하여 복수의 강화학습 수행부들 각각으로부터 학습 결과를 비동기적으로 수집하고 해당 학습 결과를 제공한 강화학습 수행부와 동기화를 수행할 수 있다.

본 발명의 다른 실시예에 따른 우수를 이용한 태양광 발전 모듈 최적 냉각 방법은, 데이터 수집부가 기상과 전력 가격 및 발전 비용에 대한 외부 데이터, 태양광 발전에 관련된 복수의 발전 데이터와 패널 냉각에 관련된 내부 계측 데이터 및 패널 냉각 제어를 위한 발전소 운영 데이터를 수집하고, 데이터 저장부가 수집된 데이터를 저장하는 데이터 수집 및 저장단계와, 분석부가 데이터 저장부에 저장되는 수집 데이터를 이용하여 발전수익 현재가치를 산출하고, 냉각을 위한 살수 제공에 필요한 운영 비용을 산출하여 이들로부터 순현재가치를 계산하는 분석 단계와, 강화학습 수행부가 분석 단계에서 얻어진 순현재가치를 보상 정보로 하고 이러한 보상을 높이는 방향으로 태양광 발전 패널 살수를 위한 제어 신호를 생성하도록 데이터 수집부에 수집되는 태양광 발전 관련 상태 정보를 이용하여 A3C 기반 심층 강화학습을 수행하는 강화학습 수행 단계를 포함한다.

일례로서, 강화학습 수행 단계는 최적제어 정책신경망 모델이 적용된 실행부(actor)가 데이터 수집부가 수집한 데이터 중에서 계절과 시간 의존성을 반영하는 영향인자, 발전 수익에 대한 영향인자, 효율 저하의 영향인자, 모듈 냉각효과에 대한 영향인자로 설정된 데이터들을 상태 정보로서 수집하고, 상태 정보를 학습하여 상기 제어부에서 패널 살수를 위해 제어 신호를 제공하기 위한 각 제어 방식별 적합도를 확률값으로 출력하는 단계와, 가치 산정 신경망 모델이 적용된 비평부(critic)가 상기 실행부와 동일한 상태 정보를 입력으로 하여 상기 상태 정보에 따른 환경에서 기 설정된 제어 방식으로 제어부가 제어할 경우 예상되는 보상값을 발전 수익과 운영비용에 따라 계산된 순현재가치를 기준으로 하는 실제값으로 출력하는 단계를 포함할 수 있다.

본 발명의 실시예들에 따른 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법은 태양광 발전 환경으로부터 얻어진 실측 데이터를 상태 정보(state)로 하고, 태양광 발전 효율 개선을 위한 살수 제어를 실행(action)으로 하며, 태양광 발전 효율 개선에 따라 증가된 발전 수익과 살수 제어를 위한 비용을 고려하여 산출된 순현재가치를 보상(reward)으로 하는 A3C(Asynchronous Advantage Actor-Critic) 기반 심층 강화학습 방식을 태양광 발전 모듈 최적 냉각에 적용함으로써 학습의 누적에 따라 발전량과 발전 수익, 살수에 소요되는 비용 등을 종합적으로 고려한 최적의 살수 제어를 통해 발전소 운영에 대한 경제성을 크게 높일 수 있는 효과가 있다.

본 발명의 실시예들에 따른 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법은 심층 강화학습 방식의 학습 기준이 되는 보상을 정확하게 산출하기 위하여 태양광 발전 효율의 중요한 영향인자인 모듈 온도를 단기 모듈 온도 예측 신경망을 통해 예측하고, 이러한 단기 예측 모듈 온도를 입력 중 하나로 하는 장기 모듈 온도 예측 신경망을 적용하여 모듈 온도의 변화를 정확히 예측하며, 발전 수익에 대한 중요 영향인자인 REC 가격을 여러 가격 산정 정보를 입력으로 하는 신경망을 통해 정확히 예측하도록 한 후 이러한 정교화된 여러 예측 정보를 반영하여 발전수익을 정확하게 예측함으로써 심층 강화 학습의 성능을 높여 실질적으로 발전소 운영에 대한 경제성을 높일 수 있는 효과가 있다.

나아가 본 발명의 실시예들에 따른 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법은 주로 디지털 게임에 적용되어 임의적으로 학습 환경들을 다양화할 수 있는 A3C 심층 강화학습 방식을 학습 환경을 다양화할 수 없는 실제의 태양광 발전소에 적용함에 따라 지역적 특성이 있는 한정된 학습 정보에 의해 학습 결과가 편향되어 성능이 저하될 수 있다는 문제를 해결하기 위해 개별 태양광 발전소별 강화학습 수행부를 에이전트로 하는 네트워크를 구성하고 별도의 메인 강화학습 수행부를 구성하여 메인 강화학습 수행부가 여러 태양광 발전소의 강화학습 수행부들의 학습 정보를 비동기 방식으로 수집하여 동기화함으로써 학습이 편향되는 것을 방지하여 심층 강화학습 방식의 학습 성능을 높일 수 있도록 하는 효과가 있다.

도 1은 본 발명의 실시예에 따른 우수를 이용한 태양광 발전 모듈 최적 냉각 장치의 개념적 구성도를 보인 것이다.
도 2는 본 발명의 실시예에 따른 분석부의 동작 방식을 설명하기 위한 태양광 발전 모듈 최적 냉각 장치의 개념적 구성도를 보인 것이다.
도 3은 본 발명의 실시예에 따른 분석부에 적용되는 패널온도 예측부의 신경망 모델을 보인 개념도이다.
도 4는 본 발명의 실시예에 따른 분석부에 적용되는 장기 패널온도 예측부의 신경망 모델을 보인 개념도이다.
도 5는 본 발명의 실시예에 따른 분석부에 적용되는 REC 가격 예측부의 신경망 모델을 보인 개념도이다.
도 6은 본 발명의 실시예에 따른 분석부의 구체적인 동작 방식을 설명하기 위한 개념도이다.
도 7은 본 발명의 실시예에 따른 태양광 발전 모듈의 냉각으로 인한 발전수익 연산 방식을 설명하기 위한 개념도이다.
도 8은 본 발명의 실시예에 따른 태양광 발전 모듈 최적 냉각 장치의 확장 구성을 보인 개념도이다.
도 9는 본 발명의 실시예에 따른 분석부의 강화학습 수행부에 구성된 실행부(actor)의 신경망 모델을 보인 개념도이다.
도 10은 본 발명의 실시예에 따른 분석부의 강화학습 수행부에 구성된 비평부(critic)의 신경망 모델을 보인 개념도이다.
도 11은 본 발명의 실시예에 따른 태양광 발전 모듈 최적 냉각 장치의 동작 방식을 설명하기 위한 순서도이다.

상기한 바와 같은 본 발명을 첨부된 도면들과 실시예들을 통해 상세히 설명하도록 한다.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.

한편, 본 발명에서 언급되는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 실시예들에서 설명되는 시스템, 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 또한, 이러한 서버나 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 서버나 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 서버나 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다. 더불어, 상기 장치는 인터페이스를 통해서 다양한 센서들을 직접 혹은 별도의 드라이버나 센서 제어를 위해 별도로 마련된 하드웨어/소프트웨어 보드나 모듈을 통해서 제어할 수 있으며, 이를 위한 다양한 논리적, 전기적, 광학적 변형들을 모두 포괄할 수 있다.

나아가, 본 발명의 실시예들에서 데이터를 수집하기 위한 장치들 및 그 구성요소들은 물리적이고 전기적인 센서들의 정보를 수집하기 위한 하드웨어나 소프트웨어를 포함하는 장치일 수 있으며, 전기적 신호를 수신 및 처리하기 위한 인터페이스, 구동 드라이버, 통신장치, 전원, 제어를 위한 마이크로 콘트롤러, 저장부, 운영체제나 펌웨어를 포함할 수 있고, 필요에 따라 센서들도 포함할 수 있다.

한편, 태양광 발전소는 태양광 발전 모듈을 이용하여 발전한 전력을 판매하는 모든 종류의 태양광 발전 사업자의 발전 장치들을 포함하며, 태양광 발전 모듈은 태양광 발전 패널을 포함하여 태양광 발전 패널과 직접 연결된 전기적 장치들이나 설치 프레임 등을 포함하는 발전 모듈을 의미한다.

이하, 본 발명의 실시예들을 도 1 내지 도 11을 참조하여 설명한다.

도 1은 본 발명의 실시예에 따른 우수를 이용한 태양광 발전 모듈 최적 냉각 장치의 개념적 구성도를 보인 것이다. 이러한 태양광 발전 모듈 최적 냉각 장치는 특정한 태양광 발전소를 위해 구성될 수 있으며, 기본적으로 우수(빗물)를 수집한 후 이를 정류하거나 재처리하여 저장 탱크에 저장하고 이를 태양광 발전 모듈에 살수함으로써 모듈의 패널 온도를 낮추면서 오염을 제거하여 태양광 발전 효율을 개선하되, 태양광 발전소의 경제성을 높이도록 최적화된 살수 제어를 수행하기 위한 것이다.

기본적으로 수집된 우수를 패널 냉각을 위한 살수 용도로 재활용하는 것이지만 우수가 부족한 경우 상수나 지하수 등의 다른 수자원을 이용할 수 있으며, 이를 살수하기 위하여 전력이 소비되고 경우에 따라서는 수도 사용 비용이 발생할 수도 있다.

따라서, 본 발명의 실시예에 따른 태양광 발전 모듈 최적 냉각 장치는 최적의 발전효과(경제성 극대화)를 지속하기 위하여 냉각으로 태양광 발전 효율을 높이고, 그로 인하여 기대되는 발전 수익을 고려하며, 이러한 효율 향상을 위해 태양광 발전 모듈을 냉각하기 위한 비용을 고려하여 가장 경제성이 높아지는 냉각 시점, 분사량, 분사압력, 적용 패널, 사용 노즐 등과 같은 살수 제어에 대한 제어 정보를 생성하도록 하는 것이다.

이를 위한 본 발명의 실시예에 따른 태양광 발전 모듈 최적 냉각 장치는 도시된 바와 같이 기상과 전력 가격 및 발전 비용에 대한 외부 데이터, 태양광 발전에 관련된 복수의 발전 데이터와 패널 냉각에 관련된 내부 계측 데이터 및 패널 냉각 제어를 위한 발전소 운영 데이터를 수집하는 데이터 수집부(100)와, 데이터 수집부(100)에서 수집된 정보를 분산 데이터 베이스나 관계형 데이터 베이스로 저장하는 데이터 저장부(200)와, 데이터 저장부(200)에 저장되는 수집 데이터를 이용하여 최적 살수제어 정보를 생성하는 최적화부(300) 및 최적화 수행과정의 각종 도출 정보나 최적 살수 제어 정보 등을 수집하여 관리자에게 제공하는 정보 제공부(400)를 포함할 수 있다.

여기서, 최적화부(300)는 발전수익 현재가치를 산출하고, 냉각을 위한 살수 제공에 필요한 운영 비용을 산출하여 이들로부터 순현재가치를 계산하는 분석부(310)와, 태양광 발전 패널 살수를 위한 제어 신호를 제공하는 제어부(330)와, 분석부(310)의 분석에 따른 순현재가치를 보상 정보로 하고 이러한 보상을 높이는 방향으로 상기 제어부를 제어하도록 상기 데이터 수집부에 수집되는 태양광 발전 관련 상태 정보를 이용하여 A3C(Asynchronous Advantage Actor-Critic) 기반 심층 강화학습을 수행하는 강화학습 수행부(320)를 포함한다.

실질적으로 본 발명의 실시예는 태양광 발전 모듈을 냉각하는 가장 최적의 살수 제어 정보를 생성하기 위한 학습 방식으로 A3C 기반 심층 강화학습 방식을 활용하되, 현실적인 태양광 발전 환경과 수익 구조를 반영하여 최적 설계한 것이다. 통상 디지털 게임의 플레이를 인공지능으로 수행하기 위하여 사용되는 A3C 기반 심층 강화학습 방식은 그 학습 환경을 간단한 복사와 설정을 통해 다양하게 구성할 수 있고 비교적 정확한 다음 상태 예측이 가능한 디지털 게임에 대한 것이지만, 본 발명의 실시예는 정규화되지 않는 다양한 데이터와 예보 정보, 변덕스러운 기상과 같은 불명확한 데이터를 이용하며 지역적/계절적 특징이 뚜렸한 실제 태양광 발전 환경에 이러한 심층 강화학습 방식을 적용하였다는 점에 그 특징이 있다.

실질적으로 그 적용대상이 복잡한 현실세계의 태양광 발전소라는 점에서 해당 학습 방식을 적용하기 어려웠으나, 이러한 비정규적이며 불규칙한 여러 환경 데이터들 중 태양광 발전 모듈을 냉각의 최적화에 영향을 주는 영향인자들을 구분하고 이들에 대한 예측 정확도를 높이기 위한 과정을 수행하여 실질적인 강화학습 수행부(320) 입력 데이터를 정교함과 아울러 A3C 기반 심층 강화학습의 핵심 구성인 Actor-Critic 구조를 실제 태양광 발전 수익 개선에 최적화되도록 설계함으로써 A3C 기반 심층 강화학습 방식을 태양광 발전 모듈 냉각 최적화에 적합하도록 하였다.

나아가, 다양한 학습 환경들을 임의로 만들 수 있는 디지털 게임과 달리 실제 환경을 학습 대상으로 한다는 점에서 학습 데이터가 편향되어 학습 결과의 신뢰성이 낮아질 수 있다는 문제를 해소하기 위하여 복수의 태양광 발전소에 구성되는 태양광 발전 모듈 최적 냉각 장치들을 광역 네트워크로 구성하여 그 학습내용을 비동기 방식으로 동기화함으로써 학습 편향에 대한 문제도 해소할 수 있도록 하였다. 이는 도 8을 참조하여 이후 좀 더 상세히 설명하도록 한다.

이러한 본 발명의 기술적 특징을 제공할 수 있는 본 발명의 실시예에 따른 도 1의 구성을 좀 더 살펴본다.

먼저, 데이터 수집부(100)는 크게 외부 데이터 수집부(110)와 내부 계측 데이터로서 태양광 발전 환경과 설비의 계측 정보를 수집하는 내부 계측 데이터 수집부(120)와, 패널 냉각을 위한 제어 관련 정보인 내부 운영 데이터를 수집하는 내부 운영 데이터 수집부(130)를 포함한다.

외부 데이터 수집부(110)는 태양광 발전량 예측 등을 위해 지역적 특성을 반영하기 위해 활용하는 기상 데이터(기상청 등의 외부 기상 정보 제공 및 예보 기관에서 제공하는 오픈 API 를 통해서 수집)를 수집하고, 발전 수익을 예측하거나 분석하기 위하여 외부 기관(예컨대 전력거래소(SMP)나 신재생 원스톱 사업정보 통합 포탈(REC))으로부터 발전 전력의 계통 판매 가격(System Marginal Price: SMP), 신재생에너지 공급 인증서(Renewable Energy Certificate: REC) 가격에 관한 각종 정보(REC 총거래량, REC 평균 가격, REC 시작가, REC 종가, REC 기준가, REC 최고가, REC 최저가 데이터 등), 그 외 외부 기관(예컨대 한국전력, 한국석유공사)으로부터 전력 예비율 데이터와 유가정보 데이터 등을 수집한다. 그 외에 수도요금 기준 정보나 전기요금 기준 정보 등을 외부 기관으로부터 수집할 수 있다. 즉, 외부 데이터 수집부(110)는기상과 전력 가격 및 발전 비용에 대한 외부 데이터를 수집한다.

내부 계측 데이터 수집부(120)는 태양광 발전에 필요한 다양한 발전 데이터를 수집하는데, 환경 센싱 정보로서 온습도, 일사량, 패널 온도를 포함하는 다양한 실측 센서 데이터를 수집하고, 태양광 발전 효율을 높이기 위한 장치들에 대한 정보로서 살수에 사용되는 유량과 상수 사용량에 대한 유량, 살수 분사에 대한 수압, 살수에 사용되는 전력량, 우수처리 시설과 저장용 물탱크의 수위에 대한 수위, 살수를 위한 펌프의 구동 상태와 압력에 대한 펌프 정보, 저장용 물탱크의 수온, 냉각 시스템 제어 신호와 데이터 송수신에 대한 정보 등을 수집한다. 나아가 태양광 발전량에 대한 정보로서 인버터를 통한 전체 발전량 및 발전 전압과 전류값, 개별 태양광 발전 모듈 패널 전력 센서를 통한 패널별 전압과 전력값, 패널의 오염도 측정을 위한 태양광 발전 모듈 영상 정보 등을 포함할 수 있다.

내부 운영 데이터 수집부(130)는 태양광 발전 모듈 최적화 냉각 장치를 통해 제공되는 냉각 제어 신호로 실제 살수 제어를 수행하는데 관련된 정보로서 이후 심층 강화학습의 기초 자료로 사용될 수 있는 펌프 운영에 대한 정보(펌프 가동, 미가동, 제어 압력 정보), 살수에 사용되는 밸브의 개폐 정보, 살수를 위한 분사 시간과 분사 압력 및 사용되는 노즐(최적 위치의 노즐을 선택하기 위한 정보)에 대한 정보 등을 포함할 수 있다.

이러한 데이터 수집부(100)의 수집 데이터는 최적화부(300)의 분석에 사용되는 영향인자들로 활용되므로 그 저장과 활용을 위하여 분산데이터베이스(예컨대 하둡(Hadoop)) 서버(210)와 관계형 데이터베이스(RDBMS) 서버(220)에 나누어 저장 및 관리된다.

정보 제공부(400)는 최적화부(300)의 분석부(310), 강화학습 수행부(320) 및 제어부(330)의 분석 결과와 학습 결과 및 제어 결과, 이러한 각 과정에 대한 정보를 제공하는 최적화 정보 제공부(410)와, 이러한 최적화 정보 제공부(410)가 제공하는 각종 정보를 관리자가 원하는 시각적, 청각적 정보로서 제공하는 사용자 UX 부(420)를 포함할 수 있다.

본 발명의 실시예에 따른 최적화부(300)는 분석부(310)와 강화학습 수행부(320) 및 제어부(330)로 구분될 수 있는데, 실질적으로 강화학습 수행부(320)는 A3C 심층 강화학습 방식을 기반으로 구성되므로 실행-비판(Actor-Critic) 기능을 위하여 데이터 저장부(200)로부터 상태 정보(state)를 수집하고, 분석부(310)를 통해서 제공되는 보상(reward)을 수집하여 이를 극대화하는 방향으로 행위(action)의 결과인 제어부(330)를 위한 최적 제어 정보를 생성한다. 제어부(330)는 앞서 살펴본 바와 같이 다양한 살수 관련 제어(펌프 운영, 밸브의 개폐, 분사 시간, 분사 압력, 노즐 선택 등)를 수행하는데, 강화학습 수행부(320)는 분석부(310)에서 제공하는 보상이 최대가 되는 방향으로 최적 제어 정보를 생성하여 제어부(330)에 제공하고 데이터 저장부(200)를 통한 데이터 수집부(100)의 수집 정보들을 상태 정보로서 확인한다.

이를 위해서 강화학습 수행부(320)의 학습 목표가 되는 보상 정보를 정확하게 제시해야 한다.

본 발명의 실시예에서는 강화학습 수행부(320)의 보상 정보로서 발전수익의 현재가치와 우수제어 운영비를 모두 고려하여 얻은 순현재가치를 이용하도록 설계한다.

도 2는 본 발명의 실시예에 따른 분석부(310)의 동작 방식을 설명하기 위한 태양광 발전 모듈 최적 냉각 장치의 개념적 구성도를 보인 것이다.

도시된 바와 같이 태양광 발전 모듈의 냉각을 최적화하기 위해서는 데이터 수집부(100)에서 수집된 다양한 정보들 중에서 계절과 시간 의존성을 반영하는 영향인자, 발전 수익에 대한 영향인자, 효율 저하의 영향인자, 모듈 냉각효과에 대한 영향인자를 모두 고려해야 한다.

이 중에서, 우수제어 운영비는 정확한 실측 계측값과 정해진 비용 정보를 통해서 비교적 정확하게 산출될 수 있으나, 발전수익의 현재 가치의 경우 현재의 상태를 기반으로 어느 정도 발전량을 얻을 것인지 예측해야 하는 예측 정보를 필요로 한다. 즉, 살수를 통해서 태양광 발전 모듈이 냉각되는 정도를 예측해야 하고, 이를 통해서 발전량을 예측해야 하므로 비교적 부정확한 정보를 기반으로 한다. 나아가 이러한 발전 예측을 통해 얻어지는 예상 발전량이 실질적으로 어느 정도의 경제적 가치를 가지는지 역시 예측(비교적 정확한 SMP 가격과, 유동적인 REC 가격 예측의 고려)을 통해서 산출해야 하므로 분석부의 분석 결과가 중요하다.

따라서, 도시된 분석부(310)의 구성과 같이 적어도 REC 가격을 예측하는 REC 가격 예측부와 모듈 온도를 단기(바로 다음 모듈 온도의 예측) 및 장기(그 다음 모듈 온도의 예측으로 모듈 온도 변화 동향을 파악)로 예측하는 모듈 온도 예측부, 발전량을 예측(모듈 온도와 모듈의 현재 발전 상태(영상 분석을 통한 오염도와 일사량, 태양 고도 등)를 고려한 예측)하는 발전량 예측부를 포함한 다양한 예측부가 구성되며, 이러한 예측부의 예측 결과를 고려하여 발전수익의 현재가치를 산출하는 발전수익 현재가치 산출부, 계측 정보와 비용 정보에 이용하는 우수제어 운영비 산출부, 발전수익 현재가치 산출부와 우수제어 운영비 산출부의 결과를 이용하여 실질적으로 수익으로 간주할 수 있는 순현재가치를 생성하는 순현재가치 생성부를 포함한다.

순현재가치 생성부가 생성하는 순현재가치는 강화학습 수행부(320)에 보상 정보로서 제공될 수 있으며, 강화학습 수행부(320)는 이러한 분석부(310)의 정교화된 보상정보를 기반으로 제어부(320)를 위한 최적 제어 정보를 생성한다.

도 3 내지 도 5는 분석부(310)에 구성된 각 예측부들에 적용되는 신경망 모델의 개념을 보인 것이다.

먼저, 본 발명의 실시예에서 중요한 영향인자 중 하나는 살수에 따라 냉각되는 패널의 온도이며, 살수에 따른 냉각 정보, 살수가 종료된 후 냉각 효과가 유지되는 상태 등을 정확하게 예측할 수록 이를 기반으로 하는 발전수익이 정확해진다.

따라서, 도 3 및 도 4와 같이 태양광 발전 모듈의 패널 온도 예측은 현재 발전 상황에 따른 정보를 기반으로 다음(t) 패널 온도를 예측하는 도 3에 도시된 신경망 모델과 도 3에 도시된 신경망 모델의 출력을 입력 중 하나로 이용하여 그 다음(t+1) 패널 온도를 예측하는 도 4에 도시된 신경망 모델을 이용한다.

도 3에 도시된 바와 같이 단기 패널 온도 예측부(311)는 실측된 이전 패널 온도(현재 실측된 최종 온도)(RMT_{t - 1})와 일사각(SAA), 외기 온도(AT) 및 일사량(RR)을 포함하는 영향인자를 입력(X, 학습 데이터)으로 하여 완전접속(fully connected) 네트워크로 구성되는 은닉층(hidden layer)으로 모델링된 패널 온도 예측 모델 신경망을 통해서 다음 패널 온도(RMT_t)를 출력(Y)으로 제공한다. 이러한 은닉층의 뉴런 수량을 통해서 학습률 및 배치사이즈, 학습횟수 등을 정의할 수 있다.

여기서 일사각(SAA)은 패널의 위치와 날짜 및 시간에 따라 얻어지는 태양고도이며, 외기 온도(AT) 및 일사량(RR)은 실제 센서로부터 측정한 실측 데이터를 이용한다.

도 4에 도시된 바와 같은 장기 패널 온도 예측부(312)는 앞서 도 3의 단기 패널 온도 예측부(311)를 통해 예측된 다음 패널 온도(RMT_t)와 일사각(SAA), 외기 온도(AT) 및 일사량(RR)을 포함하는 영향인자를 입력(X, 학습 데이터)으로 하여 완전접속(fully connected) 네트워크로 구성되는 은닉층(hidden layer)으로 모델링된 패널 온도 예측 모델 신경망을 통해서 다음 패널 온도(RMT_{t + 1})를 출력(Y)으로 제공한다. 이러한 은닉층의 뉴런 수량을 통해서 학습률 및 배치사이즈, 학습횟수 등을 정의할 수 있다.

이러한 1차 및 2차에 걸친 다중 패널 온도 분석을 통해서 패널의 온도 변화 정도에 대한 정보까지도 활용하여 더 정밀한 예상 발전량 도출이나 실제 발전량에 미치는 영향을 확인할 수 있고, 실제 패널 온도와의 비교를 통해서 살수 효과의 종료 여부를 확인할 수 있다.

도 5는 본 발명의 실시예에 따른 분석부에 적용되는 REC 가격 예측부(313)의 신경망 모델을 보인 개념도로서, 도시된 바와 같이 데이터 수집부에서 전력 가격에 대한 외부 데이터로서 수집되는 신재생에너지 공급 인증서(REC) 가격 관련 정보인 현재 시점의 REC 총거래량(TQ_t), REC 평균 가격(ARP_t), REC 시작가(SRP_t), REC 종가(EP_t), REC 기준가(STDP_t), REC 최고가(MXRP_t), REC 최저가(MNRP_t) 데이터를 입력(X, 학습 데이터)으로 하여 완전접속(fully connected) 네트워크로 구성되는 은닉층(hidden layer)으로 모델링된 REC 가격 예측 모델 신경망을 통해서 다음 REC 가격(ARP_t+1)를 출력(Y)으로 제공한다. 이러한 은닉층의 뉴런 수량을 통해서 학습률 및 배치사이즈, 학습횟수 등을 정의할 수 있다.

한편, 구체적으로 도시하지는 않지만 발전량 예측부는 데이터 수집부(100)로부터 수집되어 데이터 저장부(200)에 저장되는 태양광 발전 모듈의 패널 영상(내부 계측 데이터 중 하나)을 CNN(Convolutional neural network) 기반 신경망을 통해 학습시켜 입력 패널 영상으로부터 오염도를 산출하고 이러한 오염도와 데이터 수집부(100)나 데이터 저장부(200)를 통해 얻어진 일사량(RR), 모듈의 온도(RMT), 태양 고도(SAA)를 입력(X, 학습 데이터)으로 하여 완전접속(fully connected) 네트워크로 구성되는 은닉층(hidden layer)으로 모델링된 순간 전력 예측 모델 신경망을 통해서 예상 태양광 발전량을 출력으로 얻는 다중 복합 신경망 모델로 구성될 수 있다.

이와 같이 분석부(310)의 예측부는 복수의 예측 수단을 이용하여 발전 수익 현재가치를 산출하게 되는데, 실질적으로는 더 많은 정보들을 함께 고려하게 된다. 이러한 분석부(310)의 좀 더 구체적인 순현재가치 생성 과정을 도 6을 참고하여 설명하도록 한다.

도 6은 본 발명의 실시예에 따른 분석부의 구체적인 동작 방식을 설명하기 위한 개념도이다. 도시된 분석부(310)의 동작 방식과 사용된 영향인자(수집 정보 등)들은 실제 구성이나 설계 조건에 따라 일부 변경될 수 있으므로 도시된 구성이 비록 바람직한 방식 중 하나에 관한 것이지만 이러한 구체적인 구성으로 한정되지는 않는다.

도시된 구성을 보면, 우선 분석부(310)의 우수제어 운영비 산출부는 데이터 수집부에서 내부 계측 데이터로 수집되는 사용 유량과 사용 전력을 수도 요금과 전기 요금을 기반으로 확인하여 냉각을 위한 살수 제공에 필요한 운영 비용을 산출한다.

발전수익 현재가치 산출부는 데이터 수집부에서 내부 계측 데이터로 수집되는 순시 전력 정보로부터 실제 발전량을 확인하고, 데이터 수집부에서 내부 계측 데이터로 수집되는 외기 온도 정보, 모듈 온도 정보, 일사량 정보, 태양 고도 정보를 이용하여 모듈 온도 예측부(311, 312)를 통해서 다음 모듈 예측 온도와 그 다음 모듈 예측 온도를 산출한다. 여기서, 살수 효과 종료 시점은 실제 모듈 온도가 모듈 예측 온도에 도달하는 시점이 되며, 실측되는 모듈 온도 정보와 모듈 예측 온도를 비교하여 확인할 수 있다. 만일 살수에 의해 냉각되는 모듈과 냉각되지 않는 기준 모듈이 존재하는 경우 이들 간의 온도 차이를 통해서도 추가로 살수효과의 유지 여부를 더 확인할 수 있다.

또한, 패널의 오염도와 모듈의 온도, 일사량, 태양고도 정보 등을 이용하는 발전량 예측부를 통해서 예상 발전량을 얻을 수 있으며, 여기에 적용되는 모듈의 온도로서 상기 모듈 온도 예측부(311, 312)의 모듈 예측 온도를 이용할 수 있다.

한편, 발전수익 현재가치 산출부는 데이터 수집부에서 외부 데이터로 수집되는 REC 가격 관련 정보를 REC 가격 예측부(313)를 통해서 예측하여 신재생에너지 공급 인증서(REC) 예상 가격을 산출하고, 데이터 수집부에서 외부 데이터로 수집되는 시간대별 발전 전력의 계통 판매 가격(SMP) 정보로부터 SMP 가격을 확인하여 앞서 예측한 예상 발전량과 실제 발전량을 토대로 살수에 따른 냉각으로 예상되는 추가 발전량과 그에 따른 경제적 가치를 산출한다.

순현재가치 생성부는 냉각에 의해 추가로 얻을 수 있는 경제적 가치가 포함된 발전수익 현재가치와 이러한 냉각을 위해 소요되는 우수제어 운영 비용을 고려하여 추가 이득에서 소요 비용을 뺀 순현재가치를 생성한다.

이러한 순현재가치는 보상 정보로서 강화학습 수행부(320)에 제공되며, 강화학습 수행부(320)는 상태 정보로서 모듈 온도 정보나 일사량 정보, 습도 정보 등의 실측값을 확인하여 이러한 보상 정보가 최대가 되도록 살수 관련 제어(펌프 운영, 밸브의 개폐, 분사 시간, 분사 압력, 노즐 선택 등) 방식을 결정하여 최적 제어 정보로서 제어부(330)에 제공한다. 한편 강화학습 수행부(320)는 과거에 수행했던 제어부(330)의 제어에 대한 정보(데이터 수집부에서 발전소 운영 데이터로 수집한 정보)를 과거 우수제어 데이터로서 참조한다.

도 7은 본 발명의 실시예에 따른 태양광 발전 모듈의 냉각으로 인한 발전수익 연산 방식을 설명하기 위한 개념도로서, 태양광 발전 모듈의 패널을 냉각함으로써 얻게 되는 수익은 냉각으로 인한 태양광 발전량의 상승분을 REC 가격과 SMP 가격으로 계산하고, 물사용량과 전력 사용량을 비용으로 계산하면 그 차이가 발전량 수익이 되는 것이다. 도시된 그래프에서 빗금으로 표시된 부분이 살수에 따른 패널 냉각으로 증가된 총 발전량으로서, 이러한 증가된 총 발전량(PGI:Power Generation Increase)에 REC 가격이나 SMP 가격을 곱하면(PGI*REC&SMP=Profit) 이익을 얻을 수 있다.

만일 사용 유량 중에서 상수도 사용 유량이 있는 경우 수도요금 기준정보와 곱하여 수도세(WT)를 산출하고 펌프를 통해 살수하는데 필요한 전력 사용량을 전기요금 기준 정보와 곱하여 전기세(ET)를 얻을 수 있으며 이들을 더하면 우수제어 운영 비용(WT+ET=Expense)이 된다.

이러한 우수제어 운영 비용은 도시된 그래프에서 살수를 시작하는 시점(CST)에서 살수를 종료하는 시점(CET)까지 발생되는 비용을 의미하며 증가된 총 발전량(PGI)은 살수가 시작되는 시점(CST)에서 살수 효과가 종료되는 시점(CEET)까지 발생된다. 살수 효과가 종료되는 시점(CEET)은 모듈 예측 온도(MTPM(t)가 실제 모듈 온도(RMT(t))와 같거나 낮아지는 시점으로 정의할 수 있다.

이는 도 7b를 통해서 알 수 있는 바와 같이 살수효과가 발생하면 실제 모듈 온도는 모듈 예측 온도보다 낮아지는 것을 알 수 있는데, 이러한 실제 모듈 온도가 모듈 예측 온도와 같거나 높으면 살수효과가 종료된 것으로 볼 수 있다.

이상에서 설명한 바와 같이 최적화부(300)의 분석부(310)가 정확한 보상 정보를 예측하여 강화학습 수행부(320)에 제공하고 실제 태양광 발전 상태 정보를 확인하면서 제어부(330)를 통해 살수 제어를 수행하는 과정을 반복함에 따라 A3C 심층 강화학습에 의해 보상에 해당하는 순이익이 점점 더 커지도록 제어부(330)에 제공하는 제어 정보의 최적화가 이루어지게 된다.

하지만, 본 발명의 실시예에 따른 태양광 발전 모듈 최적 냉각 장치에 적용된 강화학습 수행부(320)는 가상의 환경이 아닌 실제환경에서 학습을 수행하며 태양광 발전의 특성 상 계절이 변화하는데 많은 시간이 걸리며 지역적 특성이 강하게 반영되므로 일정 기간 학습되는 내용들은 대부분 유사한 환경이어서 학습 데이터가 제한되거나 편향되는 문제가 발생한다.

본 발명에 적용된 A3C 심층 강화학습의 경우 원래 디지털 게임을 위해 개발된 것으로 필요에 따라 가상의 하위 에이전트를 원하는 대로 복제하여 각 에이전트들이 각각 독립적으로 게임을 수행하면서 서로 다른 경험을 하도록 할 수 있으며, 이러한 다양한 경험에 따른 학습 데이터를 활용하여 학습 데이터가 편향되는 것을 방지할 수 있으나, 본 발명과 같이 실제 제한된 환경에 적용할 경우 성능을 높이는데 한계가 있다.

따라서, 본 발명은 이러한 강화학습 수행부를 확장한다. 즉, 별도의 글로벌 강화학습 수행부를 구성하고, 실제 태양광 발전소에 구성되는 강화학습 수행부들을 하위 에이전트로 하여 각각 상이한 경험을 하는 개별 태양광 발전소의 강화학습 수행부들의 학습정보를 글로벌 강화학습 수행부가 반영할 수 있도록 한다.

도 8은 본 발명의 실시예에 따른 태양광 발전 모듈 최적 냉각 장치의 확장 구성을 보인 개념도이다.

도시된 바와 같이 메인 시스템(320_0)은 글로벌 강화학습 수행부에 해당하며 서브 시스템(320_1 내지 302_n)은 각 태양광 발전소의 강화학습 수행부들에 해당한다. 이러한 메인 시스템이나 서브 시스템을 구성하는 강화학습 수행부들의 내부 구성(실행부와 비평부)은 동일한 신경망 모델에 해당한다.

여기서, 서브 시스템과 메인 시스템의 동기화와 전역망 갱신의 비동기화가 이루어진다. 예를 들어, 서브 시스템1(320_1)에 해당하는 개별 태양광 발전소의 강화학습 수행부는 자신의 경험을 학습하여 학습 정보를 메인 시스템(320_0)에 해당하는 글로벌 강화학습 수행부에 제공하며, 메인 시스템(320_0)은 제공받은 학습 정보를 신경망에 반영함과 동시에 자신의 신경망과 해당 서브 시스템1(320_1)의 신경망을 동기화하여 서브 시스템1(320_1)의 신경망을 최신화한다. 하지만 다른 서브 시스템들과는 동기화를 진행하지 않는다.

만일 모든 서브 시스템들이 동시에 이러한 동기화 과정을 수행하게 되면 단순히 강화학습 수행부의 크기만 키운 것에 불과하게 될 뿐 여러 경험들을 신경망에 학습시킨다는 목적을 달성하기 어렵다. 따라서, 각 서브 시스템들 간 메인 시스템과 동기화하는 과정은 비동기적으로 진행되도록 한다. 예를 들어, 앞서 서브 시스템1(320_1)의 신경망과 메인 시스템(320_0)의 신경망이 동기화할 때 다른 서브 시스템들(320_2~320_n)은 동기화하지 않는다. 이후 서브 시스템n(320_n)이 메인 시스템(320_0)과 동기화하면 메인 시스템(320_0)은 모든 학습 정보들이 반영된 최신 신경망을 유지하지만 서브 시스템1(320_1)은 여전히 이전 버전의 신경망으로 학습을 수행하게 된다. 이와 같이 각 서브 시스템들 간 사용하는 신경망의 버전이 상이하게 되므로 각각 다른 신경망을 통해서 각자 상이한 경험들을 하면서 학습 정보를 생성하게 되며, 메인 시스템(320_0)은 이러한 다양한 경험들이 모인 학습 정보를 반영하며 각 서브 시스템들을 비동기적으로 최신화하므로 모든 시스템들이 목표를 달성하는 방향으로 다양한 경험의 학습을 반영하게 되어 비교적 짧은 시간 내에 높은 성능을 제공할 수 있게 된다.

이러한 최적 제어 정책을 학습하는 강화학습 수행부의 실행부(actor)는 도 9에 도시된 바와 같은 신경망 모델로 설계될 수 있다.

도시된 바와 같이 실행부(321)는 데이터 수집부가 수집한 데이터 중에서 살수 제어 시작 시점을 기준으로 계절과 시간 의존성을 반영하는 영향인자인 태양고도(SAA_CST), 발전 수익에 대한 영향인자인 일사량(RR_CST), 효율 저하의 영향인자인 모듈 온도 계측값(RMT_CST) 및 습도 계측값(H_CST), 모듈 냉각효과에 대한 영향인자인 저장탱크의 수온 계측값(SWT_CST)을 상태 정보로서 수집하여 이들을 입력(X, 학습 데이터)으로 하여 완전접속(fully connected) 네트워크로 구성되는 은닉층(hidden layer)으로 모델링된 최적제어 정책신경망 모델을 통해 패널 살수를 위해 제어 신호를 제공하기 위한 각 제어 방식별 적합도를 확률값으로 출력한다. 신경망의 활성화 함수로는 마지막 은닉층은 확률값 도출을 위해 Softmax 함수를 사용하였으며, 그 외는 ReLU를 사용하여 설계되었다. 마지막 은닉층을 제외한 경우, 발전소의 지역성과 데이터 특징에 따라 활성화 함수는 변경 가능하다.

도 10은 본 발명의 실시예에 따른 분석부의 강화학습 수행부에 구성된 비평부(critic)의 신경망 모델(322)을 보인 개념도이다.

도시된 바와 같이 실행부(321)와 동일한 상태 정보인 태양고도(SAA_CST), 일사량(RR_CST), 모듈 온도 계측값(RMT_CST), 습도 계측값(H_CST), 저장탱크의 수온 계측값(SWT_CST)을 입력(X, 학습 데이터)으로 하여 이러한 상태 정보에 따른 환경에서 기 설정된 제어 방식으로 제어부가 제어할 경우 예상되는 보상값을 완전접속(fully connected) 네트워크로 구성되는 은닉층(hidden layer)으로 모델링된 가치 산정 신경망 모델을 통해 출력한다. 이때, 보상값은 발전수익(발전량 기준 REC 및 SMP수익)과 운영비용(수도세+전기세)을 기준으로 계산된 순현재가치를 기준으로 책정되어 학습에 활용될 수 있도록 하며, 신경망의 활성화 함수로는 실행부(321) 신경망과 다르게 출력값이 확률값이 아닌 실제값이기 때문에 별도의 Softmax 함수를 활용하지 않고, 전 은닉층에 ReLU 함수를 활용하여 설계되었다.

도 11은 본 발명의 실시예에 따른 태양광 발전 모듈 최적 냉각 장치의 동작 방식을 설명하기 위한 순서도이다.

먼저, 데이터 수집부가 기상과 전력 가격 및 발전 비용에 대한 외부 데이터, 태양광 발전에 관련된 복수의 발전 데이터와 패널 냉각에 관련된 내부 계측 데이터 및 패널 냉각 제어를 위한 발전소 운영 데이터를 수집하고, 데이터 저장부가 상기 수집된 데이터를 저장한다.

최적화부의 분석부가 태양광 발전 모듈의 패널 온도를 단기 및 장기 예측하고, 예측 패널 온도를 반영하여 발전량을 예측하며, REC 가격을 예측한다. 이러한 예측 과정은 모두 신경망을 통한 학습 모델을 통해 이루어지며, 이러한 예측 모델은 더 추가되거나 일부 생략될 수 있으며, 학습이 이루어짐에 따라 더 정확한 예측이 가능하게 된다.

이후, 최적화부의 분석부가 데이터 저장부에 저장되는 수집 데이터와 예측 과정을 통해 얻어진 예측 정보들을 이용하여 발전수익 현재가치를 산출하고, 우수제어에 필요한 유량과 전력 사용에 따른 운영 비용을 산출한다.

그 다음, 최적화부의 분석부가 발전수익 현재가치와 우수제어 운영 비용을 고려하여 순현재가치를 산출하고 이를 보상 정보로 생성하여 강화학습 수행부에 제공한다.

강화학습 수행부는 순현재가치를 보상 정보로 하고 이러한 보상을 높이는 방향으로 태양광 발전 패널 살수를 위한 제어 신호를 생성하도록 데이터 수집부에 수집되는 태양광 발전 관련 상태 정보를 이용하여 A3C 기반 심층 강화학습을 수행한다.

이러한 강화학습에 따른 최적 제어 정보를 생성하여 제어부에 제공함으로써 제어부가 우수제어를 통해 태양광 발전 모듈을 냉각하는데, 이러한 제어 정보는 누적 학습되어 점차 높은 수익을 낼 수 있는 방식으로 살수를 위한 탱크를 제어하고, 유량을 제어하며, 어떠한 패널에 어떠한 노즐을 이용하여 살수할 것인지, 그 압력을 얼마로 할 것인지 등을 제어하게 된다.

도시되지는 않았지만 이러한 강화학습 수행부는 글로벌 강화학습 수행부와 연동함으로써 다양한 경험으로 학습된 강화학습 신경망으로 최신화될 수 있어 그 신뢰성을 크게 높일 수 있다.

이상에서는 본 발명에 따른 바람직한 실시예들에 대하여 도시하고 또한 설명하였다. 그러나 본 발명은 상술한 실시예에 한정되지 아니하며, 특허 청구의 범위에서 첨부하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능할 것이다.

100: 데이터 수집부 110: 외부 데이터 수집부
120: 내부 계측 데이터 수집부 130: 내부 운영 데이터 수집부
200: 데이터 저장부 210: 분산 데이터베이스 서버
220: 관계형 데이터베이스 서버 300: 최적화부
310: 분석부 320: 강화학습 수행부
330: 제어부 400: 정보 제공부
410: 최적화 정보 제공부 420: 사용자 UX부

Claims (10)

1. 기상과 전력 가격 및 발전 비용에 대한 외부 데이터, 태양광 발전에 관련된 복수의 발전 데이터와 패널 냉각에 관련된 내부 계측 데이터 및 패널 냉각 제어를 위한 발전소 운영 데이터를 수집하는 데이터 수집부와;
   상기 데이터 수집부에서 수집된 정보를 분산 데이터 베이스나 관계형 데이터 베이스로 저장하는 데이터 저장부와;
   상기 데이터 저장부에 저장되는 수집 데이터를 이용하여 발전수익 현재가치를 산출하고, 냉각을 위한 살수 제공에 필요한 운영 비용을 산출하여 이들로부터 순현재가치를 계산하는 분석부와;
   태양광 발전 패널 살수를 위한 제어 신호를 제공하는 제어부와;
   상기 분석부의 분석에 따른 순현재가치를 보상 정보로 하고 이러한 보상을 높이는 방향으로 상기 제어부를 제어하도록 상기 데이터 수집부에 수집되는 태양광 발전 관련 상태 정보를 이용하여 A3C 기반 심층 강화학습을 수행하는 강화학습 수행부를 포함하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
2. 청구항 1에 있어서, 상기 분석부는 냉각에 따른 태양광 발전 모듈의 패널 온도를 예측하기 위하여 적어도 데이터 저장부를 통해 내부 계측 데이터로 수집되는 실제 패널 온도, 일사각, 외기 온도 및 일사량 데이터를 학습 데이터로 하여 다음 패널 온도를 결과로 제공하는 신경망 모델이 적용된 패널온도 예측부를 포함하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
3. 청구항 2에 있어서, 상기 분석부는 냉각 및 냉각 중지 상태의 태양광 발전 모듈의 패널 온도 변화 동향을 예측하기 위하여 적어도 상기 패널 온도 예측부를 통해 예측한 다음 패널 온도와 일사각, 외기 온도 및 일사량 데이터를 학습 데이터로 하여 그 다음 패널 온도를 결과로 제공하는 신경망 모델이 적용된 장기 패널온도 예측부를 포함하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
4. 청구항 1에 있어서, 상기 데이터 수집부는 전력 가격에 대한 외부 데이터로서 수집되는 신재생에너지 공급 인증서(Renewable Energy Certificate: REC) 가격 관련 정보인 REC 총거래량, REC 평균 가격, REC 시작가, REC 종가, REC 기준가, REC 최고가, REC 최저가 데이터 중 적어도 복수의 데이터를 수집하고, 상기 분석부는 현재 시점의 REC 총거래량, REC 평균 가격, REC 시작가, REC 종가, REC 기준가, REC 최고가, REC 최저가 데이터 중 적어도 복수의 데이터를 학습 데이터로 하여 다음 REC 가격을 예측하는 신경망 모델이 적용된 REC 가격 예측부를 포함하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
5. 청구항 1에 있어서, 상기 분석부는 상기 데이터 수집부에서 내부 계측 데이터로 수집되는 사용 유량과 사용 전력을 수도 요금과 전기 요금을 기반으로 확인하여 냉각을 위한 살수 제공에 필요한 운영 비용을 산출하는 살수 제어 운영비 산출부를 포함하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
6. 청구항 1에 있어서, 상기 분석부는 상기 데이터 수집부에서 전력 가격에 대한 외부 데이터로서 수집하는 신재생에너지 공급 인증서(REC) 가격 관련 정보를 통해 예측한 REC 예상 가격과, 시간대별 발전 전력의 계통 판매 가격(System Marginal Price: SMP)과, 상기 데이터 수집부에서 내부 계측 데이터로 수집되는 순시전력에 따른 실제 발전량과, 외기온도, 태양광 발전 패널의 모듈 온도, 일사량, 습도 중 적어도 일부를 이용하여 예측한 예상 발전량을 이용하여 발전 수익을 산출하는 발전수익 현재가치 산출부를 포함하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
7. 청구항 1에 있어서, 상기 강화학습 수행부는
   상기 데이터 수집부가 수집한 데이터 중에서 계절과 시간 의존성을 반영하는 영향인자, 발전 수익에 대한 영향인자, 효율 저하의 영향인자, 모듈 냉각효과에 대한 영향인자로 설정된 데이터들을 상태 정보로서 수집하고, 상기 상태 정보를 학습하여 상기 제어부에서 패널 살수를 위해 제어 신호를 제공하기 위한 각 제어 방식별 적합도를 확률값으로 출력하는 최적제어 정책신경망 모델이 적용된 실행부(actor)와;
   상기 실행부와 동일한 상태 정보를 입력으로 하여 상기 상태 정보에 따른 환경에서 기 설정된 제어 방식으로 상기 제어부가 제어할 경우 예상되는 보상값을 발전 수익과 운영비용에 따라 계산된 순현재가치를 기준으로 하는 실제값으로 출력하도록 하는 가치 산정 신경망 모델이 적용된 비평부(critic)를 포함하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
8. 청구항 1에 있어서, 상기 강화학습 수행부가 학습한 학습 결과를 수집 및 반영함과 동시에 자신의 신경망으로 상기 강화학습 수행부의 신경망을 동기화하는 글로벌 강화학습 수행부를 더 포함하며, 상기 글로벌 강화학습 수행부는 서로 다른 복수의 강화학습 수행부들과 네트워크를 구성하여 복수의 강화학습 수행부들 각각으로부터 학습 결과를 비동기적으로 수집하고 해당 학습 결과를 제공한 강화학습 수행부와 동기화를 수행하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 장치.
   
9. 데이터 수집부가 기상과 전력 가격 및 발전 비용에 대한 외부 데이터, 태양광 발전에 관련된 복수의 발전 데이터와 패널 냉각에 관련된 내부 계측 데이터 및 패널 냉각 제어를 위한 발전소 운영 데이터를 수집하고, 데이터 저장부가 상기 수집된 데이터를 저장하는 데이터 수집 및 저장단계와;
   분석부가 상기 데이터 저장부에 저장되는 수집 데이터를 이용하여 발전수익 현재가치를 산출하고, 냉각을 위한 살수 제공에 필요한 운영 비용을 산출하여 이들로부터 순현재가치를 계산하는 분석 단계와;
   강화학습 수행부가 상기 분석 단계에서 얻어진 순현재가치를 보상 정보로 하고 이러한 보상을 높이는 방향으로 태양광 발전 패널 살수를 위한 제어 신호를 생성하도록 상기 데이터 수집부에 수집되는 태양광 발전 관련 상태 정보를 이용하여 A3C 기반 심층 강화학습을 수행하는 강화학습 수행 단계를 포함하는 우수를 이용한 태양광 발전 모듈 최적 냉각 방법.
   
10. 청구항 9에 있어서, 상기 강화학습 수행 단계는
    최적제어 정책신경망 모델이 적용된 실행부(actor)가 상기 데이터 수집부가 수집한 데이터 중에서 계절과 시간 의존성을 반영하는 영향인자, 발전 수익에 대한 영향인자, 효율 저하의 영향인자, 모듈 냉각효과에 대한 영향인자로 설정된 데이터들을 상태 정보로서 수집하고, 상기 상태 정보를 학습하여 상기 제어부에서 패널 살수를 위해 제어 신호를 제공하기 위한 각 제어 방식별 적합도를 확률값으로 출력하는 단계와;
    가치 산정 신경망 모델이 적용된 비평부(critic)가 상기 실행부와 동일한 상태 정보를 입력으로 하여 상기 상태 정보에 따른 환경에서 기 설정된 제어 방식으로 상기 제어부가 제어할 경우 예상되는 보상값을 발전 수익과 운영비용에 따라 계산된 순현재가치를 기준으로 하는 실제값으로 출력하는 단계를 포함하는 것을 특징으로 하는 우수를 이용한 태양광 발전 모듈 최적 냉각 방법.

Images