KR20200114130A - 태양광 발전 고장 진단 방법 및 시스템 - Google Patents
태양광 발전 고장 진단 방법 및 시스템 Download PDFInfo
- Publication number
- KR20200114130A KR20200114130A KR1020190035336A KR20190035336A KR20200114130A KR 20200114130 A KR20200114130 A KR 20200114130A KR 1020190035336 A KR1020190035336 A KR 1020190035336A KR 20190035336 A KR20190035336 A KR 20190035336A KR 20200114130 A KR20200114130 A KR 20200114130A
- Authority
- KR
- South Korea
- Prior art keywords
- power generation
- generation system
- failure
- solar power
- module
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010248 power generation Methods 0.000 claims description 151
- 238000010801 machine learning Methods 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 22
- 230000005855 radiation Effects 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 abstract description 9
- 238000012549 training Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 230000001419 dependent effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
본 발명은 태양광 발전 고장 진단 시스템에 의해 수행되는 태양광 발전 시스템의 고장 진단 방법에 있어서, 모니터링부가 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터를 취득하는 단계; 고장 발생 판단부가 상기 모니터링부로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 상기 태양광 발전 시스템의 고장 발생 여부를 판단하는 단계; 상기 고장 발생 판단부가 상기 태양광 발전 시스템에 고장이 발생하였다고 판단한 경우, 우선순위 설정부가 상기 고장 발생 판단부로부터 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 태양광 발전 시스템을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정하는 단계; 및 세부 고장 진단부가 상기 우선순위 설정부로부터 상기 설정된 우선순위 정보를 수신하여 상기 태양광 발전 시스템을 구성하는 모듈의 고장 여부를 상기 설정된 우선순위에 따라 진단하는 단계;를 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 방법으로서, 기계학습 모델을 이용하여 태양광 발전 시스템(200) 외부의 기상상태 데이터 및 태양광 발전 시스템(200) 내부의 전기신호 데이터만으로 태양광 발전 시스템(200)의 고장 여부를 판단하는 방법을 제공할 수 있는 효과가 있고, 기계학습 모델을 이용하여 태양광 발전 시스템(200) 외부의 기상상태 데이터 및 태양광 발전 시스템(200) 내부의 전기신호 데이터만으로 태양광 발전 시스템(200)의 개별 모듈의 고장 여부를 검사하지 않고도, 개별 모듈의 고장 여부를 진단할 수 있는 효과가 있으며, 태양광 발전 시스템(200)의 구체적인 고장 정보와 함께, 고장의 위험성 정도를 함께 알릴 수 있는 효과가 있다.
Description
본 발명은 태양광 발전 시스템의 고장을 진단하는 방법 및 시스템에 관한 것으로, 보다 구체적으로는 태양광 발전 시스템의 외부의 기상상태 데이터 및 내부의 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 태양광 발전 시스템의 고장 여부, 고장 위치를 판단하고, 고장의 위험 정도를 판단하여 알리는 태양광 발전 고장 진단 방법 및 시스템에 관한 것이다.
전 세계적으로 화석 에너지 사용에 따른 환경 오염 문제가 지속적으로 대두되고 있고, 화석 에너지의 유한성과 환경 오염 문제로 인하여, 신 재생 에너지 시스템의 보급이 증가하고 있다. 그 중에서 태양광을 이용한 에너지 발전 시스템은 다른 신 재생 에너지 시스템에 비하여 설치의 편의성이 우수하여 신 재생 에너지 시스템 중에서 가장 많은 공급율을 보이고 있다.
이러한 태양광 발전 시스템의 성능은 태양광 발전 시스템의 내부적인 전기적 조건 뿐 만 아니라 외부적인 기후 조건에도 영향을 받으며, 태양광 발전 시스템을 구성하는 복수의 모듈, 예를 들어, 인버터 모듈, 접속반 모듈, 태양광 모듈 등과 같은 다양한 모듈들의 성능 이상 현상 역시 태양광 발전 시스템의 내부적인 전기적 조건 및 외부적인 기후 조건에 의해서도 영향을 받아 발생하고 있다.
태양광 발전 시스템의 공급 증가에 따라, 유지 보수도 중요해지고 있고, 태양광 발전 시스템의 이상이 발생하였을 경우에 고장을 진단하는 것도 매우 중요한 문제가 되고 있다. 태양광 발전 시스템의 고장을 진단하는 방법에 있어서, 종래에는 태양광 발전 시스템을 구성하는 각 모듈의 고장을 개별적으로 판단하는 방법을 사용하였으나, 이러한 종래 방법을 사용하게 되면 태양광 발전 시스템의 고장 여부를 확인하기 위하여 각 모듈 별로 정상 동작 여부를 판단하는 시스템을 구현해야 하는데, 그렇게 구현하게 되면 태양광 발전 시스템의 공급비용의 증가와 같은 문제점이 있다.
그리고, 태양광 발전 시스템의 고장을 진단하기 위하여 기계학습 모델이 활용될 수 있는데, 기계학습을 이용한 종래 태양광 발전 고장 진단 시스템은 과거의 데이터로 훈련된 기계학습 모델을 이용하여 태양광 발전 시스템의 고장 여부의 기준이 되는 임계 발전량을 학습하게 한 후, 새로 입력되는 입력 변수에 따른 태양광 발전 시스템의 발전량을 예측하여 기 설정된 임계 발전량과 비교하는 방법으로 태양광 발전 시스템의 고장을 판단하는 방법이 사용되고 있는데, 이러한 종래 기술에 따르면 태양광 발전 시스템의 발전량에 의존하여 고장 여부를 판단하기 때문에, 판단의 정확성이 떨어지고, 태양광 발전 시스템을 구성하는 모듈 중에서 특정 모듈의 고장을 판단할 수 없는 문제점이 있다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다. 본 발명의 또 다른 목적은 기계학습 모델을 이용하여 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터만으로 태양광 발전 시스템의 고장 여부를 판단하는 방법을 제공함에 있다.
또, 기계학습 모델을 이용하여 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터만으로 태양광 발전 시스템의 개별 모듈의 고장 여부를 검사하지 않고도, 개별 모듈의 고장 여부를 진단하는 방법을 제공함에 있다.
그리고, 태양광 발전 시스템의 고장 여부와 함께, 고장의 위험성 정도를 함께 알릴 수 있는 방법을 제공함에 있다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 태양광 발전 고장 진단 시스템에 의해 수행되는 태양광 발전 시스템의 고장 진단 방법에 있어서, 모니터링부가 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터를 취득하는 단계; 고장 발생 판단부가 상기 모니터링부로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 상기 태양광 발전 시스템의 고장 발생 여부를 판단하는 단계; 상기 고장 발생 판단부가 상기 태양광 발전 시스템에 고장이 발생하였다고 판단한 경우, 우선순위 설정부가 상기 고장 발생 판단부로부터 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 태양광 발전 시스템을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정하는 단계; 및 세부 고장 진단부가 상기 우선순위 설정부로부터 상기 설정된 우선순위 정보를 수신하여 상기 태양광 발전 시스템을 구성하는 모듈의 고장 여부를 상기 설정된 우선순위에 따라 진단하는 단계; 를 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 방법을 제공한다.
또, 상기 전기신호 데이터는 상기 태양광 발전 시스템을 구성하는 각 모듈의 입출력 단자 전압 및 전류일 수 있다.
또, 상기 기상상태 데이터는 상기 태양광 발전 시스템 외부의 온도, 습도 및 일사량을 포함할 수 있다.
또, 상기 고장 발생 판단부는 상기 모니터링부로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템의 고장 발생 여부를 판단할 수 있다.
또, 상기 기 훈련된 기계학습 모델은 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 어느 하나의 기계학습 모델일 수 있다.
또, 상기 우선순위 설정부는 상기 고장 발생 판단부로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정할 수 있다.
또, 상기 세부 고장 진단부는 상기 태양광 발전 시스템을 구성하는 각 모듈에 대하여 상기 설정된 우선순위 정보에 따라 고장 발생 확률이 높은 모듈 순위부터 고장이 발생하였는지 여부를 진단하되, 상기 세부 고장 진단 방법은 상기 세부 고장 진단부가 상기 우선순위 설정부로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신한 후, 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하여 기 훈련된 기계학습 모델을 이용하여 각 모듈의 고장 여부를 진단하는 것일 수 있다.
또, 상기 세부 고장 진단부가 상기 태양광 발전 시스템을 구성하는 모듈의 고장을 진단한 경우, 위험 레벨 설정부가 상기 세부 고장 진단부로부터 고장 진단된 모듈 정보를 수신하고, 상기 태양광 발전 시스템의 이상 현상 센서로부터 이상 현상 정보를 수신하여, 위험 레벨을 설정하는 단계; 및 위험 경보 생성부가 상기 위험 레벨 설정부로부터 상기 설정된 위험 레벨 정보를 수신하여 위험 레벨에 따른 경보를 생성하는 단계;를 더 포함할 수 있다.
또, 상기 위험 레벨 설정부가 위험 레벨을 설정하는 단계는, 상기 위험 레벨 설정부가 상기 세부 고장 진단부로부터 고장 진단된 모듈 정보를 수신하는 단계; 상기 위험 레벨 설정부가 상기 태양광 발전 시스템의 이상 현상 센서로부터 상기 이상 현상 정보를 수신하는 단계; 및 상기 위험 레벨 설정부가 상기 고장 진단된 모듈 정보 및 상기 이상 현상 정보를 기 저장된 위험 레벨 테이블에 대비하여 상기 태양광 발전 시스템의 위험 레벨을 설정하는 단계;를 포함할 수 있다.
또한, 상기 이상 현상 센서는 온도 감지 센서, GAS 감지 센서, 연기 감지 센서 및 광도 감지 센서 중 하나 이상의 센서를 포함할 수 있다.
그리고, 본 발명의 또 다른 일 측면에 따르면, 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터를 취득하는 모니터링부; 상기 모니터링부로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 상기 태양광 발전 시스템의 고장 발생 여부를 판단하는 고장 발생 판단부; 상기 고장 발생 판단부가 상기 태양광 발전 시스템에 고장이 발생하였다고 판단한 경우, 상기 고장 발생 판단부로부터 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 태양광 발전 시스템을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정하는 우선순위 설정부; 상기 우선순위 설정부로부터 상기 설정된 우선순위 정보를 수신하여 상기 태양광 발전 시스템을 구성하는 모듈의 고장 여부를 상기 설정된 우선순위에 따라 진단하는 세부 고장 진단부; 상기 세부 고장 진단부가 상기 태양광 발전 시스템을 구성하는 모듈의 고장을 진단한 경우, 상기 세부 고장 진단부로부터 고장 진단된 모듈 정보를 수신하고, 상기 태양광 발전 시스템의 이상 현상 센서로부터 이상 현상 정보를 수신하여, 위험 레벨을 설정하는 위험 레벨 설정부; 및 상기 위험 레벨 설정부로부터 상기 설정된 위험 레벨 정보를 수신하여 위험 레벨에 따른 경보를 생성하는 위험 경보 생성부;를 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 시스템을 제공한다.
본 발명에 따른 태양광 발전 고장 진단 방법에 의하면 기계학습 모델을 이용하여 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터만으로 태양광 발전 시스템의 고장 여부를 판단하는 방법을 제공할 수 있는 효과가 있다.
또, 본 발명에 따른 태양광 발전 고장 진단 방법에 의하면 기계학습 모델을 이용하여 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터만으로 태양광 발전 시스템의 개별 모듈의 고장 여부를 검사하지 않고도, 개별 모듈의 고장 여부를 진단할 수 있는 효과가 있다.
그리고, 본 발명에 따른 태양광 발전 고장 진단 방법에 의하면 태양광 발전 시스템의 구체적인 고장 정보와 함께, 고장의 위험성 정도를 함께 알릴 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전 시스템을 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 방법을 도시한 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전 시스템을 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 방법을 도시한 순서도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 시스템(100)을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 시스템(100)은 모니터링부(110), 고장 발생 판단부(120), 우선순위 설정부(130), 세부 고장 진단부(140), 위험 레벨 설정부(150) 및 위험 경보 생성부(160)를 포함할 수 있다.
모니터링부(110)는 태양광 발전 시스템(200) 외부의 기상상태 데이터 및 태양광 발전 시스템(200) 내부의 전기신호 데이터를 취득할 수 있다. 보다 자세하게, 모니터링부(110)는 태양광 발전 시스템(200) 외부의 센서로부터 온도, 습도, 풍속, 일사량 등의 기상상태 데이터를 취득할 수 있고, 모니터링부(110)는 태양광 발전 시스템(200)을 구성하는 각 모듈들, 예를 들어, 인버터 모듈(210), 접속반 모듈(220), 태양광 모듈(230) 등과 같이 태양광 발전 시스템(200)을 구성하는 다양한 모듈들의 입력부 및 출력부의 전압, 전류, 전력 등의 전기신호 데이터를 취득할 수 있으며, 전기신호 데이터는 전압, 전류, 전력 데이터 중에서 2이상의 데이터일 수 있다. 모니터링부(110)는 태양광 발전 시스템(200)에 장착된 전기신호 센서(240)로부터 상기 전기신호 데이터를 취득할 수 있으며, 유선 또는 무선 통신을 이용하여 데이터를 송수신할 수 있다.
고장 발생 판단부(120)는 상기 모니터링부(110)로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 상기 태양광 발전 시스템(200)의 고장 발생 여부를 판단할 수 있다. 보다 자세하게, 상기 고장 발생 판단부(120)는 상기 모니터링부(110)로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템(200)의 고장 발생 여부를 판단할 수 있다. 상기 기 훈련된 기계학습 모델은 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 어느 하나의 기계학습 모델일 수 있고, 또는 상기 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 2이상의 기계학습 모델이 융합되어 동작하는 융합된 기계학습 모델일 수 있다.
상기 기계학습 모델에 관하여 간단하게 설명하면, 서포트 벡터 머신(support vector machine, SVM)은 기계 학습의 분야 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용될 수 있다. 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, 서포트 벡터 머신 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만들 수 있다. 만들어진 분류 모델은 데이터가 사상된 공간에서 경계로 표현되는데, 서포트 벡터 머신 알고리즘은 그 중 가장 큰 폭을 가진 경계를 찾는 알고리즘이다. 서포트 벡터 머신은 선형 분류와 더불어 비선형 분류에서도 사용될 수 있다. 비선형 분류를 하기 위해서 주어진 데이터를 고차원 특징 공간으로 사상하는 작업이 필요한데, 이를 효율적으로 하기 위해 커널 트릭이 사용될 수도 있다. 서포트 벡터 머신 모델은 독립변수와 종속변수 간의 기계학습을 수행하고, 추후에 새로운 독립변수가 입력됐을 경우, 해당 독립변수를 서포트 벡터 머신 공간 상에 배치시킴으로써 어떠한 종속변수를 가질지 예측할 수 있다.
k-최근접 이웃(K-Nearest Neighbors, k-NN) 알고리즘은 분류나 회귀에 사용되는 비모수 방식의 알고리즘으로서, k-최근접 이웃 알고리즘은 범주를 알지 못하는 데이터가 있을 때, 근접한 k개의 데이터를 이용해 범주를 지정해주는 기법이다. k-최근접 이웃 알고리즘에서 최근접 점의 이웃의 거리를 계산하는 다양한 방법이 있는데, 대표적으로 유클리디안(EUCLIDEAN) 거리를 사용할 수 있다. k-최근접 이웃 모델은 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, 유클리디안(EUCLIDEAN) 거리 공식을 활용하여 대응하는 종속변수가 무엇인지 예측할 수 있다.
인공신경망(artificial neural network, ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘으로서, 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반이라고 볼 수 있다. 일반적으로 인공신경망은 입력층, 은닉층, 출력층으로 구성되어 있고 각 층은 다수의 노드들로 이루어져 있으며 각 층 간의 노드들은 일정한 연결강도로 연결되어 있다. 인공신경망 모델 구성 과정은 학습 단계라 하며 최종 목적 은 주어진 입출력 자료에 가장 적합한 모델 파라미터들과 각 연결강도들을 결정하는 것이다. 인공신경망 모델은 특정 독립변수가 그에 대응하는 종속변수로 도출되기 위해서 어떤 가중치 값을 가져야 하는지를 기계학습 하도록 함으로써 도출할 수 있고, 새로운 독립변수가 입력되었을 때, 기계학습으로 도출된 가중치 값을 적용하여 종속변수를 예측할 수 있다.
고장 발생 판단부(120)는 상기의 기계학습 모델을 이용하여 과거의 축적된 데이터를 이용하여 훈련될 수 있고, 훈련 결과 특정 입력변수에 따른 훈련된 종속변수를 예측할 수 있는 훈련된 기계학습 모델을 생성할 수 있다. 따라서, 본 발명의 기 훈련된 기계학습 모델에 따르면, 고장 발생 판단부(120)는 입력변수의 값 만으로도 기 훈련된 기계학습 모델의 분류에 따라 태양광 발전 시스템(200)의 고장 여부를 판단할 수 있다.
우선순위 설정부(130)는 상기 고장 발생 판단부(120)가 상기 태양광 발전 시스템(200)에 고장이 발생하였다고 판단한 경우, 상기 고장 발생 판단부(120)로부터 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 태양광 발전 시스템(200)을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정할 수 있다. 보다 자세하게, 우선순위 설정부(130)는 상기 고장 발생 판단부(120)로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템(200)을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정할 수 있다. 상기 기 훈련된 기계학습 모델은 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 어느 하나의 기계학습 모델일 수 있고, 또는 상기 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 2이상의 기계학습 모델이 융합되어 동작하는 융합된 기계학습 모델일 수 있다.
세부 고장 진단부(140)는 상기 우선순위 설정부(130)로부터 상기 설정된 우선순위 정보를 수신하여 상기 태양광 발전 시스템(200)을 구성하는 모듈의 고장 여부를 상기 설정된 우선순위에 따라 진단할 수 있다. 보다 자세하게, 상기 세부 고장 진단부(140)는 상기 태양광 발전 시스템(200)을 구성하는 각 모듈에 대하여 상기 설정된 우선순위 정보에 따라 고장 발생 확률이 높은 모듈 순위부터 고장이 발생하였는지 여부를 차례차례 진단하되, 상기 세부 고장 진단 방법은 상기 세부 고장 진단부(140)가 상기 우선순위 설정부(130)로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신한 후, 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하여 기 훈련된 기계학습 모델을 이용하여 각 모듈의 고장 여부를 진단할 수 있다. 상기 기 훈련된 기계학습 모델은 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 어느 하나의 기계학습 모델일 수 있고, 또는 상기 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 2이상의 기계학습 모델이 융합되어 동작하는 융합된 기계학습 모델일 수 있다. 그리고, 세부 고장 진단부(140)는 각 모듈 별 고장 진단 훈련 정보를 달리 선택할 수 있다. 보다 자세하게, 세부 고장 진단부(140)는 태양광 발전 시스템(200)을 구성하는 각 모듈의 특성에 맞추어 훈련 데이터의 종류, 기간 및 훈련 방법을 설정할 수 있다. 예를 들어, 특정 모듈의 경우에는 훈련 데이터의 종류를 일사량 및 전압과 같은 한정된 입력변수만을 사용하여 훈련하도록 하거나, 훈련 데이터의 기간을 최근 1년간의 데이터로 한정하거나, 또는 훈련 방법을 서포트 벡터 머신 모델에 의한 기계학습 방법으로 한정하는 등 각 모듈에 따른 훈련 정보를 달리 선택할 수 있다.
위험 레벨 설정부(150)는 상기 세부 고장 진단부(140)가 상기 태양광 발전 시스템(200)을 구성하는 모듈의 고장을 진단한 경우, 상기 세부 고장 진단부(140)로부터 고장 진단된 모듈 정보를 수신하고, 상기 태양광 발전 시스템(200)의 이상 현상 센서로부터 이상 현상 정보를 수신하여, 위험 레벨을 설정할 수 있다. 보다 자세하게, 위험 레벨 설정부(150)는 상기 세부 고장 진단부(140)로부터 고장 진단된 모듈 정보를 수신할 수 있고, 태양광 발전 시스템(200)의 이상 현상 센서로부터 이상 현상 정보를 수신할 수 있으며, 위험 레벨 설정부(150)가 고장 진단된 모듈 정보 및 이상 현상 정보를 기 저장된 위험 레벨 테이블에 대비하여 상기 태양광 발전 시스템(200)의 위험 레벨을 설정할 수 있다. 그리고, 상기 이상 현상 센서는 태양광 발전 시스템(200) 내부의 온도를 감지할 수 있는 온도 감지 센서, 태양광 발전 시스템(200) 내부의 이상 GAS의 종류 및 농도를 감지할 수 있는 GAS 감지 센서, 태양광 발전 시스템(200) 내부의 화재 발생 여부를 감지할 수 있는 연기 감지 센서 및 태양광 발전 시스템(200) 내부의 스파크나 불꽃을 감지할 수 있는 광도 감지 센서 중 하나 이상의 센서를 포함할 수 있다. 위험 레벨 테이블은 위험 레벨 설정부(150)에 기 저장된 데이터로서, 태양광 발전 시스템(200)을 구성하는 각 모듈의 고장에 따른 전체 태양광 발전 시스템(200)의 위험성 여부를 레벨 별로 분류해둔 데이터일 수 있고, 이상 현상 센서에 의해 감지된 데이터의 이상 정도에 따라 태양광 발전 시스템(200)의 위험성 여부를 레벨 별로 분류해둔 데이터도 포함될 수 있다. 예를 들면, 각 모듈 별 고장에 따른 위험 정도와 각 이상 현상 항목 별 이상 정도에 따른 위험 정도가 레벨로 기 설정되어 있고, 각 이상 현상 항목이 중첩되는 경우 위험 정도 레벨도 합산되어 계산될 수 있다. 또는, 태양광 발전 시스템(200) 내에서 발생할 수 있는 모든 위험에 관한 조합에 대하여 위험 레벨이 기 설정되어 있을 수 있다.
위험 경보 생성부(160)는 상기 위험 레벨 설정부(150)로부터 상기 설정된 위험 레벨 정보를 수신하여 위험 레벨에 따른 경보를 생성할 수 있다. 보다 자세하게, 위험 경보 생성부(160)는 위험 레벨 정보에 따라 기 설정된 방식으로 위험을 알릴 수 있다. 위험 경보 방식은 유, 무선 통신 시스템을 통하여 기 저장된 관리자의 단말로 음성 호 또는 메시지를 보내는 방식이거나, 단순히 소리, 빛, 진동 등을 발산하는 기기를 통하여 경보를 알리는 방식일 수 있다.
도 2는 본 발명의 일 실시 예에 따른 태양광 발전 시스템(200)을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 태양광 발전 시스템(200)은 인버터 모듈(210), 접속반 모듈(220), 태양광 모듈(230) 등의 다양한 모듈들을 포함할 수 있으며, 각 모듈의 입출력 단자에서 전기신호 데이터를 감지하는 전기신호 센서(240)를 포함할 수 있다. 전기신호 센서(240)는 태양광 발전 시스템(200)을 구성하는 모든 모듈의 입출력 단자에 위치할 수 있고, 입출력 단자의 전기신호(전압, 전류, 전력 등)를 센싱할 수 있다. 그리고, 전기신호 센서(240)는 센싱된 정보를 태양광 발전 고장 진단 시스템(100)의 모니터링부(110)로 송신할 수 있다. 또한, 태양광 발전 시스템(200)은 1이상의 이상 현상 센서를 포함할 수 있다(미도시). 상기 이상 현상 센서의 종류는 태양광 발전 시스템(200) 내부의 온도를 감지할 수 있는 온도 감지 센서, 태양광 발전 시스템(200) 내부의 이상 GAS의 종류 및 농도를 감지할 수 있는 GAS 감지 센서, 태양광 발전 시스템(200) 내부의 화재 발생 여부를 감지할 수 있는 연기 감지 센서 및 태양광 발전 시스템(200) 내부의 스파크나 불꽃을 감지할 수 있는 광도 감지 센서일 수 있다. 그 이외의 태양광 발전 시스템(200)의 위험을 감지할 수 있는 다양한 감지 센서도 포함될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 방법을 도시한 순서도이다.
이하, 도 3을 참조하여 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 시스템(100)에 의한 태양광 발전 시스템(200)의 고장을 진단하는 방법을 설명한다.
모니터링부(110)는 태양광 발전 시스템(200) 외부의 기상상태 데이터 및 태양광 발전 시스템(200) 내부의 전기신호 데이터를 취득할 수 있다(S310). 상기 전기신호 데이터는 상기 태양광 발전 시스템(200)을 구성하는 각 모듈의 입출력 단자 전압 및 전류신호일 수 있고, 상기 기상상태 데이터는 상기 태양광 발전 시스템(200) 외부의 온도, 습도 및 일사량을 포함할 수 있다.
고장 발생 판단부(120)는 상기 모니터링부(110)로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 상기 태양광 발전 시스템(200)의 고장 발생 여부를 판단할 수 있다(S320). 상기 고장 발생 판단부(120)는 상기 모니터링부(110)로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템(200)의 고장 발생 여부를 판단할 수 있으며, 상기 기 훈련된 기계학습 모델은 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 어느 하나의 기계학습 모델일 수 있다.
상기 고장 발생 판단부(120)가 상기 태양광 발전 시스템(200)에 고장이 발생하였다고 판단한 경우, 우선순위 설정부(130)는 상기 고장 발생 판단부(120)로부터 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 태양광 발전 시스템(200)을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정할 수 있다(330). 상기 우선순위 설정부(130)는 상기 고장 발생 판단부(120)로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템(200)을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정할 수 있다.
세부 고장 진단부(140)는 상기 우선순위 설정부(130)로부터 상기 설정된 우선순위 정보를 수신하여 상기 태양광 발전 시스템(200)을 구성하는 모듈의 고장 여부를 상기 설정된 우선순위에 따라 진단할 수 있다(S340). 상기 세부 고장 진단부(140)는 상기 태양광 발전 시스템(200)을 구성하는 각 모듈에 대하여 상기 설정된 우선순위 정보에 따라 고장 발생 확률이 높은 모듈 순위부터 고장이 발생하였는지 여부를 진단하되, 상기 세부 고장 진단 방법은 상기 세부 고장 진단부(140)가 상기 우선순위 설정부(130)로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신한 후, 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하여 기 훈련된 기계학습 모델을 이용하여 각 모듈의 고장 여부를 진단할 수 있다.
상기 세부 고장 진단부(140)가 상기 태양광 발전 시스템(200)을 구성하는 모듈의 고장을 진단한 경우, 위험 레벨 설정부(150)는 상기 세부 고장 진단부(140)로부터 고장 진단된 모듈 정보를 수신하고, 상기 태양광 발전 시스템(200)의 이상 현상 센서로부터 이상 현상 정보를 수신하여, 위험 레벨을 설정할 수 있다(S350). 보다 자세하게, 상기 위험 레벨 설정부(150)는 상기 세부 고장 진단부(140)로부터 고장 진단된 모듈 정보를 수신할 수 있고, 그 후, 위험 레벨 설정부(150)는 상기 태양광 발전 시스템(200)의 이상 현상 센서로부터 상기 이상 현상 정보를 수신할 수 있으며, 위험 레벨 설정부(150)는 상기 고장 진단된 모듈 정보 및 상기 이상 현상 정보를 기 저장된 위험 레벨 테이블에 대비하여 상기 태양광 발전 시스템(200)의 위험 레벨을 설정할 수 있다.
위험 경보 생성부(160)는 상기 위험 레벨 설정부(150)로부터 상기 설정된 위험 레벨 정보를 수신하여 위험 레벨에 따른 경보를 생성할 수 있다(S360).
도 1에서 본 발명의 일 실시 예에 따른 태양광 발전 고장 진단 시스템(100)을 구성하는 고장 발생 판단부(120), 우선순위 설정부(130), 세부 고장 진단부(140) 및 위험 레벨 설정부(150)는 각각 독립된 기능을 수행하는 독립된 구성으로 구현될 수 있으나, 동일한 기계학습 모델을 사용하는 동일한 프로세서에 의하여 수행되는 하나의 구성으로 구현될 수도 있다.
본 발명에 따른 태양광 발전 고장 진단 방법에 의하면 기계학습 모델을 이용하여 태양광 발전 시스템(200) 외부의 기상상태 데이터 및 태양광 발전 시스템(200) 내부의 전기신호 데이터만으로 태양광 발전 시스템(200)의 고장 여부를 판단하는 방법을 제공할 수 있는 효과가 있다.
또, 본 발명에 따른 태양광 발전 고장 진단 방법에 의하면 기계학습 모델을 이용하여 태양광 발전 시스템(200) 외부의 기상상태 데이터 및 태양광 발전 시스템(200) 내부의 전기신호 데이터만으로 태양광 발전 시스템(200)의 개별 모듈의 고장 여부를 검사하지 않고도, 개별 모듈의 고장 여부를 진단할 수 있는 효과가 있다.
그리고, 본 발명에 따른 태양광 발전 고장 진단 방법에 의하면 태양광 발전 시스템(200)의 구체적인 고장 정보와 함께, 고장의 위험성 정도를 함께 알릴 수 있는 효과가 있다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 그리고, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다.
본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
100: 태양광 발전 고장 진단 시스템
110: 모니터링부
120: 고장 발생 판단부
130: 우선순위 설정부
140: 세부 고장 진단부
150: 위험 레벨 설정부
160: 위험 경보 생성부
110: 모니터링부
120: 고장 발생 판단부
130: 우선순위 설정부
140: 세부 고장 진단부
150: 위험 레벨 설정부
160: 위험 경보 생성부
Claims (11)
- 태양광 발전 고장 진단 시스템에 의해 수행되는 태양광 발전 시스템의 고장 진단 방법에 있어서,
모니터링부가 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터를 취득하는 단계;
고장 발생 판단부가 상기 모니터링부로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 상기 태양광 발전 시스템의 고장 발생 여부를 판단하는 단계;
상기 고장 발생 판단부가 상기 태양광 발전 시스템에 고장이 발생하였다고 판단한 경우, 우선순위 설정부가 상기 고장 발생 판단부로부터 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 태양광 발전 시스템을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정하는 단계; 및
세부 고장 진단부가 상기 우선순위 설정부로부터 상기 설정된 우선순위 정보를 수신하여 상기 태양광 발전 시스템을 구성하는 모듈의 고장 여부를 상기 설정된 우선순위에 따라 진단하는 단계;
를 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제1항에 있어서,
상기 전기신호 데이터는 상기 태양광 발전 시스템을 구성하는 각 모듈의 입출력 단자 전압 및 전류인 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제1항에 있어서,
상기 기상상태 데이터는 상기 태양광 발전 시스템 외부의 온도, 습도 및 일사량을 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제1항에 있어서,
상기 고장 발생 판단부는 상기 모니터링부로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템의 고장 발생 여부를 판단하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제4항에 있어서,
상기 기 훈련된 기계학습 모델은 서포트 벡터 머신(Support Vector Machine, SVM), K-최근접 이웃(K-Nearest Neighbors, KNN) 및 인공신경망(Artificial Neural Network, ANN) 중에서 어느 하나의 기계학습 모델인 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제1항에 있어서,
상기 우선순위 설정부는 상기 고장 발생 판단부로부터 수신된 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하는 기 훈련된 기계학습 모델을 이용하여 상기 태양광 발전 시스템을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제1항에 있어서,
상기 세부 고장 진단부는 상기 태양광 발전 시스템을 구성하는 각 모듈에 대하여 상기 설정된 우선순위 정보에 따라 고장 발생 확률이 높은 모듈 순위부터 고장이 발생하였는지 여부를 진단하되,
상기 세부 고장 진단 방법은 상기 세부 고장 진단부가 상기 우선순위 설정부로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신한 후, 상기 기상상태 데이터 및 상기 전기신호 데이터를 입력변수로 하여 기 훈련된 기계학습 모델을 이용하여 각 모듈의 고장 여부를 진단하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제1항에 있어서,
상기 세부 고장 진단부가 상기 태양광 발전 시스템을 구성하는 모듈의 고장을 진단한 경우, 위험 레벨 설정부가 상기 세부 고장 진단부로부터 고장 진단된 모듈 정보를 수신하고, 상기 태양광 발전 시스템의 이상 현상 센서로부터 이상 현상 정보를 수신하여, 위험 레벨을 설정하는 단계; 및
위험 경보 생성부가 상기 위험 레벨 설정부로부터 상기 설정된 위험 레벨 정보를 수신하여 위험 레벨에 따른 경보를 생성하는 단계;를 더 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제8항에 있어서,
상기 위험 레벨 설정부가 위험 레벨을 설정하는 단계는,
상기 위험 레벨 설정부가 상기 세부 고장 진단부로부터 고장 진단된 모듈 정보를 수신하는 단계;
상기 위험 레벨 설정부가 상기 태양광 발전 시스템의 이상 현상 센서로부터 상기 이상 현상 정보를 수신하는 단계; 및
상기 위험 레벨 설정부가 상기 고장 진단된 모듈 정보 및 상기 이상 현상 정보를 기 저장된 위험 레벨 테이블에 대비하여 상기 태양광 발전 시스템의 위험 레벨을 설정하는 단계;를 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 제8항에 있어서,
상기 이상 현상 센서는 온도 감지 센서, GAS 감지 센서, 연기 감지 센서 및 광도 감지 센서 중 하나 이상의 센서를 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 방법.
- 태양광 발전 시스템 외부의 기상상태 데이터 및 태양광 발전 시스템 내부의 전기신호 데이터를 취득하는 모니터링부;
상기 모니터링부로부터 상기 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 상기 태양광 발전 시스템의 고장 발생 여부를 판단하는 고장 발생 판단부;
상기 고장 발생 판단부가 상기 태양광 발전 시스템에 고장이 발생하였다고 판단한 경우, 상기 고장 발생 판단부로부터 기상상태 데이터 및 상기 전기신호 데이터를 수신하여 태양광 발전 시스템을 구성하는 각 모듈 중에서 고장이 발생하였을 확률이 높은 순위로 모듈의 고장 진단 우선순위를 설정하는 우선순위 설정부;
상기 우선순위 설정부로부터 상기 설정된 우선순위 정보를 수신하여 상기 태양광 발전 시스템을 구성하는 모듈의 고장 여부를 상기 설정된 우선순위에 따라 진단하는 세부 고장 진단부;
상기 세부 고장 진단부가 상기 태양광 발전 시스템을 구성하는 모듈의 고장을 진단한 경우, 상기 세부 고장 진단부로부터 고장 진단된 모듈 정보를 수신하고, 상기 태양광 발전 시스템의 이상 현상 센서로부터 이상 현상 정보를 수신하여, 위험 레벨을 설정하는 위험 레벨 설정부; 및
상기 위험 레벨 설정부로부터 상기 설정된 위험 레벨 정보를 수신하여 위험 레벨에 따른 경보를 생성하는 위험 경보 생성부;를 포함하는 것을 특징으로 하는 태양광 발전 고장 진단 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190035336A KR20200114130A (ko) | 2019-03-27 | 2019-03-27 | 태양광 발전 고장 진단 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190035336A KR20200114130A (ko) | 2019-03-27 | 2019-03-27 | 태양광 발전 고장 진단 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200114130A true KR20200114130A (ko) | 2020-10-07 |
Family
ID=72883189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190035336A KR20200114130A (ko) | 2019-03-27 | 2019-03-27 | 태양광 발전 고장 진단 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200114130A (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102228089B1 (ko) * | 2020-11-09 | 2021-03-15 | 레이져라이팅(주) | 화재 예측 및 차단이 가능한 태양광 발전 시스템 |
| KR102228512B1 (ko) * | 2020-11-05 | 2021-03-16 | 에이펙스인텍 주식회사 | 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치 |
| KR102229278B1 (ko) * | 2020-11-09 | 2021-03-18 | 레이져라이팅(주) | 그룹화 관리 및 차단기 이원화가 가능한 태양광 발전 시스템 |
| KR102300225B1 (ko) * | 2021-04-30 | 2021-09-09 | (주)이씨티 | 태양광 발전설비의 지능형 안전관리 시스템 및 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
| KR20220063407A (ko) * | 2020-11-10 | 2022-05-17 | 주식회사 디엠티 | 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템 |
| KR20230040006A (ko) * | 2021-09-15 | 2023-03-22 | 주식회사 커넥티드 | 태양광 발전 예측 진단 시스템 |
-
2019
- 2019-03-27 KR KR1020190035336A patent/KR20200114130A/ko not_active Application Discontinuation
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102228512B1 (ko) * | 2020-11-05 | 2021-03-16 | 에이펙스인텍 주식회사 | 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치 |
| KR102228089B1 (ko) * | 2020-11-09 | 2021-03-15 | 레이져라이팅(주) | 화재 예측 및 차단이 가능한 태양광 발전 시스템 |
| KR102229278B1 (ko) * | 2020-11-09 | 2021-03-18 | 레이져라이팅(주) | 그룹화 관리 및 차단기 이원화가 가능한 태양광 발전 시스템 |
| KR20220063407A (ko) * | 2020-11-10 | 2022-05-17 | 주식회사 디엠티 | 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템 |
| KR102300225B1 (ko) * | 2021-04-30 | 2021-09-09 | (주)이씨티 | 태양광 발전설비의 지능형 안전관리 시스템 및 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
| KR20230040006A (ko) * | 2021-09-15 | 2023-03-22 | 주식회사 커넥티드 | 태양광 발전 예측 진단 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200114130A (ko) | 태양광 발전 고장 진단 방법 및 시스템 | |
| Choi et al. | Detecting and identifying faulty IoT devices in smart home with context extraction | |
| CN106961249B (zh) | 一种光伏阵列故障诊断和预警方法 | |
| Appiah et al. | Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis | |
| CN104915747B (zh) | 一种发电机组的发电性能评估方法及设备 | |
| Shirazi et al. | Evaluation of anomaly detection techniques for scada communication resilience | |
| CN108596229A (zh) | 在线异常的监测诊断方法和系统 | |
| CN110220602B (zh) | 一种开关柜过热故障识别方法 | |
| KR102084784B1 (ko) | 머신러닝기반 태양광발전운영 관리방법 | |
| Kosek et al. | Ensemble regression model-based anomaly detection for cyber-physical intrusion detection in smart grids | |
| KR101201863B1 (ko) | 단위 모듈 감시가 가능한 태양광 진단 시스템 | |
| KR20180123951A (ko) | 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 | |
| TWI692196B (zh) | 太陽能光電故障檢測系統及方法 | |
| Lin et al. | A density peak‐based clustering approach for fault diagnosis of photovoltaic arrays | |
| DK2667023T3 (en) | Control of a wind energy system | |
| KR101631267B1 (ko) | 태양광 모듈별 이상 여부를 효율적으로 진단하는 시스템 및 방법 | |
| KR102084783B1 (ko) | 머신러닝기반 태양광발전운영 관리시스템 | |
| KR20230045379A (ko) | 환경센서를 이용한 태양광 발전설비의 이상진단 시스템 및 방법 | |
| CN109842372A (zh) | 一种光伏组件故障检测方法和系统 | |
| US11934522B2 (en) | System and method for detecting malicious activities and anomalies in building systems | |
| Liu et al. | Experiment‐based supervised learning approach toward condition monitoring of PV array mismatch | |
| KR102296568B1 (ko) | 머신러닝 기반 배전반 관제시스템 | |
| CN111769987B (zh) | 基于大数据管理模型的网络信息安全测试系统及方法 | |
| CN117520998A (zh) | 照明灯塔设备的能耗分析方法、装置、设备及存储介质 | |
| KR102266752B1 (ko) | 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |