KR20210032748A - 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템 - Google Patents

솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템 Download PDF

Info

Publication number
KR20210032748A
KR20210032748A KR1020190114155A KR20190114155A KR20210032748A KR 20210032748 A KR20210032748 A KR 20210032748A KR 1020190114155 A KR1020190114155 A KR 1020190114155A KR 20190114155 A KR20190114155 A KR 20190114155A KR 20210032748 A KR20210032748 A KR 20210032748A
Authority
KR
South Korea
Prior art keywords
cell
solar cell
solar
output
information
Prior art date
Application number
KR1020190114155A
Other languages
English (en)
Inventor
이재훈
태경필
정보현
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190114155A priority Critical patent/KR20210032748A/ko
Priority to US17/024,432 priority patent/US11588440B2/en
Publication of KR20210032748A publication Critical patent/KR20210032748A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/36—Electrical components characterised by special electrical interconnection means between two or more PV modules, e.g. electrical module-to-module connection
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Photovoltaic Devices (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

본 발명은 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템에 관한 것이다. 본 발명의 실시예에 따른 솔라셀 테스트 장치는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력하는 프로세서를 포함한다. 이에 의해, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.

Description

솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템{Test apparatus of solar cell, and photovoltaic system including the same}
본 발명은 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템에 관한 것이며, 더욱 상세하게는 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있는 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템에 관한 것이다.
솔라셀은 셀 제조 단계에서 셀 효율 등급이 부여된다. 특히, 솔라셀의 출력, 빛 등에 의해, 셀 효율 등급이 부여된다.
이러한 셀 효율 등급 정보를 이용하여, 솔라셀 60개 또는 72 개 등의 조합으로, 목표 출력이 대략 350, 355, 또는 360 Watt인 솔라 모듈이 생산된다.
그러나, 셀 효율 기반으로 셀 등급을 분류하여 솔라셀 모듈을 제작하게되면, 솔라셀 모듈의 출력 산포가 커서, 목표 출력인 대략 350, 355, 또는 360 Watt의, 최소 출력 요구사항을 만족하지 못하는 경우가 발생하게 된다. 그리고 또한 생산 효율이 저하되는 문제가 있다.
본 발명의 목적은, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있는 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템을 제공함에 있다.
본 발명의 다른 목적은, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있는 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 실시예에 따른 솔라셀 테스트 장치는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력하는 프로세서를 포함한다.
한편, 프로세서는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력할 수 있다.
상기 목적을 달성하기 위한 본 발명의 실시예에 따른 솔라셀 테스트 장치는, 서버로부터 학습 모델을 수신하는 통신부를 더 포함하고, 프로세서는, 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측할 수 있다.
상기 목적을 달성하기 위한 본 발명의 실시예에 따른 솔라셀 테스트 장치는, 솔라셀 분류 장치로 솔라셀 모듈의 출력 예측값을 전송하는 제2 인터페이스를 더 포함할 수 있다.
한편, 셀 정보는, 솔라셀의 저항 정보, 온도 정보를 더 포함할 수 있다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 실시예에 따른 태양광 시스템은, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하고, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력하는 솔라셀 테스트 장치와, 솔라셀 테스트 장치로부터의 솔라셀 모듈의 출력 예측값에 기초하여, 솔라셀의 등급을 분류하는 솔라셀 분류 장치를 포함한다.
한편, 솔라셀 분류 장치는, 솔라셀 모듈의 출력 전력 별로, 솔라셀의 등급을 분류할 수 있다.
한편, 솔라셀 테스트 장치는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력할 수 있다.
상기 목적을 달성하기 위한 본 발명의 실시예에 따른 태양광 시스템은, 솔라셀의 셀 정보와, 복수의 학습 모델을 이용하여, 학습을 수행하고, 복수의 학습 모델 중 어느 하나의 학습 모델을 선택하여, 선택된 학습 모델을 솔라셀 테스트 장치로 전송하는 서버를 더 포함할 수 있다.
한편, 솔라셀 테스트 장치는, 서버로부터 수신되는 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측할 수 있다.
한편, 복수의 학습 모델은, 복수의 머신 러닝 학습 모델, 복수의 회귀 분석 학습 모델을 포함할 수 있다.
한편, 셀 정보는, 상기 솔라셀의 저항 정보, 온도 정보를 더 포함할 수 있다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 솔라셀 테스트 장치는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력하며, 솔라셀 모듈의 출력 예측값에 기초하여, 솔라셀의 등급을 분류하는 프로세서를 포함한다.
한편, 프로세서는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 솔라셀 테스트 장치는, 서버로부터 학습 모델을 수신하는 통신부를 더 포함하고, 프로세서는, 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측할 수 있다.
한편, 셀 정보는, 상기 솔라셀의 저항 정보, 온도 정보를 더 포함할 수 있다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다.
본 발명의 실시예에 따른 솔라셀 테스트 장치는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력하는 프로세서를 포함한다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
한편, 프로세서는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
본 발명의 실시예에 따른 솔라셀 테스트 장치는, 서버로부터 학습 모델을 수신하는 통신부를 더 포함하고, 프로세서는, 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
본 발명의 실시예에 따른 솔라셀 테스트 장치는, 솔라셀 분류 장치로 솔라셀 모듈의 출력 예측값을 전송하는 제2 인터페이스를 더 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 셀 정보는, 솔라셀의 저항 정보, 온도 정보를 더 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
본 발명의 실시예에 따른 태양광 시스템은, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하고, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력하는 솔라셀 테스트 장치와, 솔라셀 테스트 장치로부터의 솔라셀 모듈의 출력 예측값에 기초하여, 솔라셀의 등급을 분류하는 솔라셀 분류 장치를 포함한다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
한편, 솔라셀 분류 장치는, 솔라셀 모듈의 출력 전력 별로, 솔라셀의 등급을 분류할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 솔라셀 테스트 장치는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
본 발명의 실시예에 따른 태양광 시스템은, 솔라셀의 셀 정보와, 복수의 학습 모델을 이용하여, 학습을 수행하고, 복수의 학습 모델 중 어느 하나의 학습 모델을 선택하여, 선택된 학습 모델을 솔라셀 테스트 장치로 전송하는 서버를 더 포함할 수 있다. 이에 따라, 최적의 학습 모델 기반하에, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 솔라셀 테스트 장치는, 서버로부터 수신되는 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 복수의 학습 모델은, 복수의 머신 러닝 학습 모델, 복수의 회귀 분석 학습 모델을 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 셀 정보는, 솔라셀의 저항 정보, 온도 정보를 더 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
본 발명의 다른 실시예에 따른 솔라셀 테스트 장치는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력하며, 솔라셀 모듈의 출력 예측값에 기초하여, 솔라셀의 등급을 분류하는 프로세서를 포함한다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
한편, 프로세서는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 출력할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
본 발명의 다른 실시예에 따른 솔라셀 테스트 장치는, 서버로부터 학습 모델을 수신하는 통신부를 더 포함하고, 프로세서는, 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈의 출력을 예측할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 셀 정보는, 솔라셀의 저항 정보, 온도 정보를 더 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 출력 편차를 저감할 수 있게 된다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
도 1은 본 발명의 실시예에 따른 솔라셀 테스트 장치를 구비하는 태양광 시스템의 일예를 도시한 도면이다.
도 2는 본 발명의 실시예에 따른 솔라셀 모듈의 정면도이다.
도 3은 도 2의 솔라셀 모듈의 전압 대비 전류 곡선을 예시한다.
도 4는 도 2의 솔라셀 모듈의 전압 대비 전력 곡선을 예시한다.
도 5는 도 1의 태양광 시스템의 간략한 내부 블록도이다.
도 6a는 도 5의 서버의 프로세서의 내부 블록도의 일예이다.
도 6b는 도 5의 솔라셀 테스트 장치의 내부 블록도의 일예이다.
도 7 내지 도 11d는 도 5의 태양광 시스템의 동작 설명에 참조되는 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.
도 1은 본 발명의 실시예에 따른 솔라셀 테스트 장치를 구비하는 태양광 시스템의 일예를 도시한 도면이다.
도면을 참조하면, 본 발명의 실시예에 따른 태양광 시스템(10)은, 복수의 솔라셀(CE1~CE10)을 포함하는 솔라셀 모듈(SLM), 솔라셀 모듈(SLM)의 출력 예측값을 출력하는 솔라셀 테스트 장치(200), 솔라셀(CE1~CE10)의 등급을 분류하는 솔라셀 분류 장치(400), 솔라셀(CE1~CE10)을 제조하는 솔라셀 모듈 제조장치(500), 서버(100)를 포함할 수 있다.
솔라셀 모듈 제조장치(500)는, 다양한 공정 등에 의해, 복수의 솔라셀(CE1~CE10)을 제조할 수 있다.
도면에서는 솔라셀(CE1~CE10)의 개수로 10개를 예시하나, 이에 한정되지 않으며, 복수의 솔라셀을 제조할 수 있다.
한편, 복수의 솔라셀(CE1~CE10)을 기반으로, 솔라셀 모듈(SLM)의 제작시, 셀 효율 기반(예를 들어, 광전 변환 효율 기반)으로 셀 등급을 분류하여 솔라셀 모듈을 제작하게 되면, 솔라셀 모듈(SLM)의 출력 산포가 커지는 단점이 발생한다.
특히, 복수의 솔라셀(CE1~CE10)의 셀 효율 외에, 전류 특성(Isc), 전압 특성(Voc) 등에 의헤, 솔라셀 모듈(SLM)의 실제 출력과 목표 출력의 차이가 커지게 된다.
이에 본 발명에서는, 솔라셀 모듈(SLM)의 출력 산포가 커지는 단점을 해결하기 위해, 솔라셀 모듈(SLM)의 제작시, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 솔라셀 모듈의 출력 예측값을 이용하여, 솔라셀 모듈(SLM)을 제작하는 방안을 제시한다.
이를 위해, 본 발명의 실시예에 따른 솔라셀 테스트 장치(200)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스(도 5의 210a)와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력하는 프로세서(도 5의 270)를 포함한다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
한편, 프로세서(도 5의 270)는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈(SLM)의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
한편, 본 발명의 실시예에 따른 솔라셀 분류 장치(400)는, 솔라셀 테스트 장치(200)로부터의 솔라셀 모듈(SLM)의 출력 예측값에 기초하여, 솔라셀의 등급을 분류할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
한편, 솔라셀 모듈 제조장치(500)는, 솔라셀 분류 장치(400)에서 분류된 솔라셀 모듈(SLM)의 출력 예측값 기반의 솔라셀의 등급에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)을 제조한다. 따라서, 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
한편, 서버(100)는, 솔라셀의 셀 정보와, 복수의 학습 모델을 이용하여, 학습을 수행하고, 복수의 학습 모델 중 어느 하나의 학습 모델을 선택하여, 선택된 학습 모델을 솔라셀 테스트 장치(200)로 전송할 수 있다. 이에 따라, 최적의 학습 모델 기반하에, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
도 2는 본 발명의 실시예에 따른 솔라셀 모듈의 정면도이다.
도면을 참조하면, 솔라셀 모듈(SLM)은, 복수의 솔라셀을 포함할 수 있다.
한편, 솔라셀 모듈(SLM)은, 복수의 솔라셀의 하면과 상면에 위치하는 제1 밀봉재(미도시)와 제2 밀봉재(미도시), 제1 밀봉재(미도시)의 하면에 위치하는 후면 기판(미도시) 및 제2 밀봉재(미도시)의 상면에 위치하는 전면 기판(미도시)을 더 포함할 수 있다.
솔라셀은, 태양 에너지를 전기 에너지로 변화하는 반도체 소자로써, 실리콘 솔라셀(silicon solar cell), 화합물 반도체 솔라셀(compound semiconductor solar cell) 및 적층형 솔라셀(tandem solar cell) 등일 수 있다.
솔라셀은 태양광이 입사하는 수광면과 수광면의 반대측인 이면으로 형성된다. 예를 들어, 솔라셀은, 제1 도전형의 실리콘 기판과, 실리콘 기판상에 형성되며 제1 도전형과 반대 도전형을 가지는 제2 도전형 반도체층과, 제2 도전형 반도체층의 일부면을 노출시키는 적어도 하나 이상의 개구부를 포함하며 제2 도전형 반도체층 상에 형성되는 반사방지막과, 적어도 하나 이상의 개구부를 통해 노출된 제 2 도전형 반도체층의 일부면에 접촉하는 전면전극과, 상기 실리콘 기판의 후면에 형성된 후면전극을 포함할 수 있다.
각 솔라셀은, 전기적으로 직렬 또는 병렬 또는 직병렬로 연결될 수 있다. 구체적으로, 복수의 솔라셀은, 리본(미도시)에 의해 전기적으로 접속될 수 있다. 리본(미도시)은, 솔라셀의 수광면 상에 형성된 전면 전극과, 인접한 다른 솔라셀의 이면 상에 형성된 후면 전극집전 전극에 접합될 수 있다.
도면에서는, 리본(미도시)이 2줄로 형성되고, 이 리본(미도시)에 의해, 솔라셀가 일렬로 연결되어, 솔라셀 스트링 라인(140)이 형성되는 것을 예시한다.
이에 의해, 도면과 같이, 6개의 솔라셀 스트링 라인(140a,140b,140c,140d,140e,140f)이 형성되고, 각 스트링 라인은 10개의 솔라셀을 구비할 수 있다. 하나의 스트링 라인 당 솔라셀의 개수는 도면과 달리, 다양한 변형이 가능하다.
한편, 각 솔라셀 스트링 라인은, 버스 리본에 의해 전기적으로 접속될 수 있다.
도 2는, 솔라셀 모듈(SLM)의 하부에 배치되는 버스 리본(145a,145c,145e)에 의해, 각각 제1 솔라셀 스트링 라인(140a)과 제2 솔라셀 스트링 라인(140b)이, 제3 솔라셀 스트링 라인(140c)과 제4 솔라셀 스트링 라인(140d)이, 제5 솔라셀 스트링 라인(140e)과 제6 솔라셀 스트링 라인(140f)이 전기적으로 접속되는 것을 예시한다.
또한, 도 2는, 솔라셀 모듈(SLM)의 상부에 배치되는 버스 리본(145b,145d)에 의해, 각각 제2 솔라셀 스트링 라인(140b)과 제3 솔라셀 스트링 라인(140c)이, 제4 솔라셀 스트링 라인(140d)과 제5 솔라셀 스트링 라인(140e)이 전기적으로 접속되는 것을 예시한다.
한편, 제1 스트링 라인에 접속된 리본, 버스 리본(145b,145d), 및 제4 스트링 라인에 접속된 리본은, 각각 제1 내지 제4 도전성 라인(135a,135b,135c,135d)에 전기적으로 접속되며, 제1 내지 제4 도전성 라인(135a,135b,135c,135d)은, 솔라셀 모듈(SLM)의 배면에 배치되는 정션 박스(미도시) 내의 바이패스 다이오드(미도시)와의 접속된다.
예를 들어, 제1 내지 제4 도전성 라인(135a,135b,135c,135d)이, 솔라셀 모듈(SLM) 상에 형성된 개구부를 통해, 솔라셀 모듈(SLM)의 배면으로 연장될 수 있다.
도 3은 도 2의 솔라셀 모듈의 전압 대비 전류 곡선을 예시하며, 도 4는 도 2의 솔라셀 모듈의 전압 대비 전력 곡선을 예시한다.
먼저, 도 3을 참조하면, 솔라셀 모듈(SLM)에서 공급되는 개방 전압(Voc)이 커질수록, 솔라셀 모듈(SLM)에서 공급되는 단락(short) 전류는 작아지게 된다. 이러한 전압 전류 곡선(L)에 따라, 정션 박스(미도시) 내에 구비되는 커패시터부(미도시)에, 해당 전압(Voc)이 저장되게 된다.
한편, 도 4를 참조하면, 솔라셀 모듈(SLM)에서 공급되는 최대 전력(Pmpp)은, 최대 전력 검출 알고리즘(Maximum Power Point Tracking; MPPT)에 의해 산출될 수 있다.
예를 들어, 개방 전압(Voc)을 최대전압(V1)에서부터 감소시키면서, 각 전압 별, 전력을 연산하고, 연산된 전력이 최대 전력인지 여부를 판단한다. V1 전압에서, Vmpp 전압까지는 전력이 증가하므로, 연산된 전력을 갱신하여 저장한다. 그리고, Vmpp 전압에서, V2 전압까지는 전력이 감소하므로, 결국, Vmpp 전압에 해당하는 Pmpp를 최대 전력으로 결정하게 된다.
이와 같이, 핫 스팟이 발생하지 않는 경우, 전압 전력 곡선(L)에서 변곡점은 1개만이 발생하게 되므로, V1 구간에서 V2 구간의 탐색(exploring)만으로 간단하게 최대 전력을 산출할 수 있게 된다.
도 5는 도 1의 태양광 시스템의 간략한 내부 블록도이다.
도면을 참조하면, 본 발명의 실시예에 따른 태양광 시스템(10)은, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM), 솔라셀 모듈(SLM)의 출력 예측값을 출력하는 솔라셀 테스트 장치(200), 솔라셀의 등급을 분류하는 솔라셀 분류 장치(400), 솔라셀을 제조하는 솔라셀 모듈 제조장치(500), 서버(100), 솔라셀에 대한 데이터를 저장하는 데이터 베이스(300)를 포함할 수 있다.
데이터 베이스(300)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 저장할 수 있다.
또한, 데이터 베이스(300)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류, 솔라셀의 저항 정보, 온도 정보를 포함하는 셀 정보를 저장할 수 있다.
본 발명의 실시예에 따른 솔라셀 테스트 장치(200)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력한다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
본 발명의 실시예에 따른 솔라셀 테스트 장치(200)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스(210a)와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력하는 프로세서(270)를 포함한다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
이때, 인터페이스(210a)는, 데이터 베이스(300)로부터, 솔라셀의 셀 효율, 셀 전압(Voc), 셀 전류(Isc)를 포함하는 셀 정보를 수신할 수 있다.
또는, 인터페이스(210a)는, 데이터 베이스(300)로부터, 솔라셀의 셀 효율, 셀 전압(Voc), 셀 전류(Isc), 솔라셀의 저항 정보, 온도 정보를 포함하는 셀 정보를 수신할 수 있다.
한편, 셀 정보는, 솔라셀의 셀 효율, 셀 전압(Voc), 셀 전류(Isc), 솔라셀의 저항 정보, 온도 정보, 최대 전력 지점 전류 정보(Imp), 최대 전력 지점 전압 정보(Vmp)를 포함할 수 있다.
한편, 라인 정보는, 스트링 라인의, 효율 정보, 전압 정보(Voc), 전류 정보(Isc), 최대 전력 지점 전류 정보(Imp), 최대 전력 지점 전압 정보(Vmp), 공정 라인 정보 등을 포함할 수 있다.
한편, 프로세서(270)는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈(SLM)의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
여기서, 모듈 정보는, 솔라셀 모듈(SLM)의, 효율 정보, 전압 정보(Voc), 전류 정보(Isc), 최대 전력 지점 전류 정보(Imp), 최대 전력 지점 전압 정보(Vmp), 공정 모듈 정보 등을 포함할 수 있다.
본 발명의 실시예에 따른 솔라셀 테스트 장치(200)는, 서버(100)로부터 학습 모델을 수신하는 통신부(235)를 더 포함하고, 프로세서(270)는, 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
본 발명의 실시예에 따른 솔라셀 테스트 장치(200)는, 솔라셀 분류 장치(400)로 솔라셀 모듈(SLM)의 출력 예측값을 전송하는 제2 인터페이스(210b)를 더 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
한편, 셀 정보는, 솔라셀의 저항 정보, 온도 정보를 더 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈(SLM)은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈(SLM)은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
한편, 본 발명의 실시예에 따른 솔라셀 분류 장치(400)는, 솔라셀 테스트 장치(200)로부터의 솔라셀 모듈(SLM)의 출력 예측값에 기초하여, 솔라셀의 등급을 분류할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
예를 들어, 솔라셀 분류 장치(400)는, 솔라셀 모듈(SLM)의 출력 예측값에 기초하여, 도 1의 복수의 솔라셀(CE1~CE10) 등을, 330W 모듈 제작을 위한 제1 등급, 335W 모듈 제작을 위한 제2 등급, 340W 모듈 제작을 위한 제3 등급 등으로 분류할 수 있다.
종래의 셀 효율에 기초하여 셀 등급을 부여 하는 경우 보다, 본 발명의 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈(SLM)의 실제 출력과 목표 출력의 차이가 작아지게 된다. 즉, 솔라셀 모듈(SLM)의 출력 산포가 저감되게 된다.
한편, 솔라셀 모듈 제조장치(500)는, 솔라셀 분류 장치(400)에서 분류된 솔라셀 모듈(SLM)의 출력 예측값 기반의 솔라셀의 등급에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)을 제조한다. 따라서, 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
한편, 서버(100)는, 솔라셀의 셀 정보와, 복수의 학습 모델을 이용하여, 학습을 수행하고, 복수의 학습 모델 중 어느 하나의 학습 모델을 선택하여, 선택된 학습 모델을 솔라셀 테스트 장치(200)로 전송할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
도면을 참조하면, 서버(100)는, 통신부(135), 프로세서(170), 메모리(140), 화면 제공부(165)를 구비할 수 있다.
통신부(135)는, 외부의 데이터 베이스(300) 또는 솔라셀 테스트 장치(200)와 데이터를 교환할 수 있다.
예를 들어, 통신부(135)는, 데이터 베이스(300)로부터, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신할 수 있다.
또는, 통신부(135)는, 데이터 베이스(300)로부터, 솔라셀의 셀 효율, 셀 전압, 셀 전류, 솔라셀의 저항 정보, 온도 정보를 포함하는 셀 정보를 수신할 수 있다.
다른 예로, 통신부(135)는, 선택된 학습 모델을 솔라셀 테스트 장치(200)로 전송할 수 있다.
메모리(140)는, 서버(100) 동작에 필요한 데이터를 저장할 수 있다.
예를 들어, 메모리(140)는, 서버(100)에서 수행하기 위한 복수의 학습 모델을 저장할 수 있다.
이때의 학습 모델은, 복수의 머신 러닝 학습 모델, 복수의 회귀 분석 학습 모델을 포함할 수 있다.
한편, 프로세서(170)는, 서버(100)의 전반적인 동작 제어를 수행할 수 있다.
한편, 프로세서(170)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여, 복수의 학습 모델 별로, 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측할 수 있다.
그리고, 프로세서(170)는, 솔라셀 모듈(SLM)의 출력 예측과, 실제 출력을 비교하여, 예측 오차가 가장 작은 학습 모델을 선택할 수 있다.
그리고, 프로세서(170)는, 선택된 학습 모델에 대한 정보를, 통신부(135)를 통해, 솔라셀 테스트 장치(200)로 전송되도록 제어할 수 있다.
한편, 화면 제공부(165)는, 유저를 위해, 프로세서(170)에서 수행된 각 종 학습 결과 등을 그래픽화된 하면을 제공할 수 있다.
한편, 도 5에서는, 솔라셀 테스트 장치(200)와 솔라셀 분류 장치(400)가 별도의 장치인 것으로 예시하나, 이와 달리, 솔라셀 테스트 장치(200)와 솔라셀 분류 장치(400)가 하나의 장치로 구현되는 것도 가능하다.
예를 들어, 솔라셀 테스트 장치(200)로 통합되어 구현되는 경우, 본 발명의 다른 실시예에 따른 솔라셀 테스트 장치(200)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스(210a)와, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력하며, 솔라셀 모듈(SLM)의 출력 예측값에 기초하여, 솔라셀의 등급을 분류하는 프로세서(270)를 포함한다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다. 또한, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
한편, 프로세서(270)는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈(SLM)의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 솔라셀 테스트 장치(200)는, 서버(100)로부터 학습 모델을 수신하는 통신부(235)를 더 포함하고, 프로세서(270)는, 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
한편, 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈(SLM)은 제1 기준치 이상의 솔라셀을 포함하고, 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈(SLM)은 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 생산 효율을 향상시킬 수 있게 된다.
도 6a는 도 5의 서버의 프로세서의 내부 블록도의 일예이다.
도면을 참조하면, 서버(100)의 프로세서(170)는, 데이터 수집부(310)와, 데이터 처리부(320)를 구비할 수 있다.
데이터 수집부(310)는, 데이터 베이스(300)로부터, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수집할 수 있다.
또는, 데이터 수집부(310)는, 데이터 베이스(300)로부터, 솔라셀의 셀 효율, 셀 전압, 셀 전류, 솔라셀의 저항 정보, 온도 정보를 포함하는 셀 정보를 수집할 수 있다.
데이터 처리부(320)는, 학습 모델에 따라 학습을 수행하는 학습부(322)와, 학습 모델에 따라 예측을 수행하는 예측부(324)를 구비한다.
데이터 처리부(320)는, 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여, 복수의 학습 모델 별로, 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측할 수 있다.
그리고, 데이터 처리부(320)는, 솔라셀 모듈(SLM)의 출력 예측과, 실제 출력을 비교하여, 예측 오차가 가장 작은 학습 모델을 선택할 수 있다.
그리고, 데이터 처리부(320)는, 선택된 학습 모델에 대한 정보를, 통신부(135)를 통해, 솔라셀 테스트 장치(200)로 전송되도록 제어할 수 있다.
도 6b는 도 5의 솔라셀 테스트 장치의 내부 블록도의 일예이다.
도면을 참조하면, 솔라셀 테스트 장치(200)의 프로세서(170)는, 데이터 처리부(220)를 구비할 수 있다.
데이터 처리부(220)는, 학습 모델에 따라 학습을 수행하는 학습부(222)와, 학습 모델에 따라 예측을 수행하는 예측부(224)를 구비한다.
데이터 처리부(220)는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀이 포함되는 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력할 수 있다.
한편, 데이터 처리부(220)는, 솔라셀의 셀 정보와, 솔라셀이 포함되는 스트링 라인의 라인 정보와, 스트링 라인이 포함되는 솔라셀 모듈(SLM)의 모듈 정보에 기초하여 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측하고, 솔라셀 모듈(SLM)의 출력 예측값을 출력할 수 있다.
한편, 데이터 처리부(220)는, 서버(100)에서 수신된 학습 모델에 기초하여, 학습을 수행하고, 학습에 따라, 솔라셀 모듈(SLM)의 출력을 예측할 수 있다. 이에 따라, 복수의 솔라셀을 포함하는 솔라셀 모듈(SLM)의 출력 편차를 저감할 수 있게 된다.
도 7 내지 도 11d는 도 5의 태양광 시스템의 동작 설명에 참조되는 도면이다.
먼저, 도 7은 본 발명의 실시예에 따른 솔라셀 테스트 장치(200)의 동작 방법을 도시한 도면이다.
도면을 참조하면, 본 발명의 실시예에 따른 솔라셀 테스트 장치(200)는, 먼저, 셀 정보, 라인 정보, 모듈 정보를 데이터 베이스(300) 등으로부터 수신한다(S710).
그리고, 솔라셀 테스트 장치(200) 내의 프로세서(270)는, 셀 정보, 라인 정보, 모듈 정보에 기초하여, 학습을 수행한다(S720).
그리고, 솔라셀 테스트 장치(200) 내의 프로세서(270)는, 학습 수행 결과, 솔라셀 모듈(SLM)의 모듈 출력을 예측한다(S730).
그리고, 솔라셀 테스트 장치(200) 내의 프로세서(270)는, 솔라셀 모듈(SLM)의 모듈 출력값을 출력하도록 제어한다(S740).
이에 따라, 제2 인터페이스(210b)를 통해, 솔라셀 분류 장치(400)로 솔라셀 모듈(SLM)의 모듈 출력값이 전달되게 된다.
결국, 솔라셀 분류 장치(400)는, 수신되는 솔라셀 모듈(SLM)의 모듈 출력값에 기초하여, 복수의 솔라셀을 등급 별로 분류할 수 있게 된다.
이에 따라, 종래의 셀 효율에 기초하여 셀 등급을 부여 하는 경우 보다, 본 발명의 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈(SLM)의 실제 출력과 목표 출력의 차이가 작아지게 된다. 즉, 솔라셀 모듈(SLM)의 출력 산포가 저감되게 된다.
도 8은 본 발명의 실시예에 따른 서버(100)의 동작 방법을 도시한 도면이다.
도면을 참조하면, 본 발명의 실시예에 따른 서버(100)는, 먼저, 셀 정보, 라인 정보, 모듈 정보를 데이터 베이스(300) 등으로부터 수신하고, 이에 기초하여, 복수의 학습 모델을 이용하여, 학습을 수행한다.
특히, 서버(100)의 프로세서(170)는, 복수의 학습 모델 중 복수의 머신 러닝 학습 모델에 기초한 학습을 수행하며(S810), 복수의 회귀 분석 학습 모델에 기초한 학습을 수행할 수 있다(S815).
한편, 서버(100)의 프로세서(170)는, 공정, 웨이퍼, 셀 효율 등에 기초하여, 복수의 학습 모델 중 어느 하나를 선택할 수 있다(S820).
그리고, 서버(100)의 프로세서(170)는, 선택된 학습 모델을 솔라셀 테스트 장치(200)로 전송하도록 제어할 수 있다(S830).
이에 따라, 통신부(135)를 통해, 솔라셀 테스트 장치(200)로 선택된 학습 모델 정보가 전달되게 된다.
결국, 솔라셀 테스트 장치(200)는, 최적의 학습 모델에 따라, 학습을 수행하고, 이에 기초하여, 솔라셀 모듈(SLM)의 모듈 출력값을 연산할 수 있게 된다.
도 9는 셀 효율 대비 모듈 출력 데이터를 도시한 도면이다.
도면을 참조하면, 가로축은 솔라셀의 셀 효율을 나타내며, 세로축은 모듈 출력 데이터를 예시한다.
종래의 셀 효율 기반의 솔라셀 모듈 제작시에는, 모듈의 출력 산포로 인하여, 셀 효율이 제1 기준치(ref) 이상의 솔라셀만을 이용하여, 제작하여야 했다. 따라서, 솔라셀 모듈의 생산 효율이 낮았다.
그러나, 본 발명의 실시예에 따라, 솔라셀 모듈을 제작하는 경우에는, 셀 효율 외에, 셀 전류, 셀 전압, 라인 정보 등을 더 고려하므로, 셀 효율이 제1 기준치(ref) 미만의 솔라셀도 활용 가능하게 된다. 따라서, 복수의 솔라셀을 포함하는 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
도 10a는 예측 A와, 예측 B에 따른 셀 효율과, 실제 셀 효율의 차이를 도시한 도면이다.
도면을 참조하면, 예측 A는, 종래의 셀 효율 기반의 셀 등급 예측에 대응하며, 예측 B는, 본 발명의 실시예에 따라, 셀 효율, 셀 전류, 셀 전압, 라인 정보 등 기반의 셀 등급 예측에 대응한다.
예를 들어, 솔라셀 모듈의 출력이 335W인 경우, 예측 A의 셀 효율은 23.0%로 예측되며, 예측 B의 셀 효율은 22.95%로 예측되며, 실제 셀 효율은 22.96으로 측정된다. 따라서, 예측 A 보다 예측 B가 더 정확한 것을 알 수 있다.
다른 예로, 솔라셀 모듈의 출력이 340W인 경우, 예측 A의 셀 효율은 23.4%로 예측되며, 예측 B의 셀 효율은 23.24%로 예측되며, 실제 셀 효율은 23.25로 측정된다. 따라서, 예측 A 보다 예측 B가 더 정확한 것을 알 수 있다.
도 10b는 종래의 셀 효율 기반의 모듈 제작시의 기준치와, 본 발명에 따른 모듈 제작시의 기준치를 도시하는 도면이다.
340W의 솔라셀 모듈 제작시, 종래의 셀 효율 기반으로 제작하는 경우, 제1 기준치 이상의 셀 효율을 가지는 솔라셀만을 이용하여, 솔라셀 모듈을 제작하여야 한다. 이때의 제1 기준치는 대략 23.4%일 수 있다
그러나, 본 발명의 실시예에 따르면, 340W의 솔라셀 모듈 제작시, 제1 기준치 보다 낮은 제2 기준치 이상의 셀 효율을 가지는 솔라셀을 이용하여, 솔라셀 모듈을 제작할 수 있다. 이때의 제2 기준치는 대략 23.24%일 수 있다.
따라서, 종래의 25%의 솔라셀을 이용하는 것 보다, 본 발명에서는 35%의 솔라셀을 이용할 수 있으므로, 솔라셀 모듈 제작시, 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
한편, 335W의 솔라셀 모듈 제작시, 종래의 셀 효율 기반으로 제작하는 경우, 제1 기준치 이상의 셀 효율을 가지는 솔라셀만을 이용하여, 솔라셀 모듈을 제작하여야 한다. 이때의 제1 기준치는 대략 23.0%일 수 있다
그러나, 본 발명의 실시예에 따르면, 335W의 솔라셀 모듈 제작시, 제1 기준치 보다 낮은 제2 기준치 이상의 셀 효율을 가지는 솔라셀을 이용하여, 솔라셀 모듈을 제작할 수 있다. 이때의 제2 기준치는 대략 22.95%일 수 있다.
따라서, 종래 보다, 본 발명에서는 더 많은 수의 솔라셀을 이용할 수 있으므로, 솔라셀 모듈 제작시, 솔라셀 모듈의 생산 효율을 향상시킬 수 있게 된다.
도 11a는 기존 방식의 솔라셀 모듈의 효율 대비 최대 출력 그래프와, 본 발명의 솔라셀 모듈의 효율 대비 최대 출력 그래프를 예시한다.
도면을 참조하면, 하측 그래프는 종래의 솔라셀 모듈의 효율 대비 최대 출력 그래프를 예시하며, 상측 그래프는 본 발명의 솔라셀 모듈의 효율 대비 최대 출력 그래프를 예시한다.
graa는, 335W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 효율 대비 최대 출력 그래프 보다, 본 발명의 솔라셀 모듈의 효율 대비 최대 출력 그래프의 레벨이 대략 3W 이상 큰 것을 예시한다.
grab는 340W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 효율 대비 최대 출력 그래프 보다, 본 발명의 솔라셀 모듈의 효율 대비 최대 출력 그래프의 레벨이 대략 3W 이상 큰 것을 예시한다.
결국, 종래 보다 본 발명에 따라 솔라셀 모듈을 제작하게 되면, 솔라셀 모듈의 최대 출력 파워가 더 증가하게 된다.
도 11b는 기존 방식의 솔라셀 모듈의 전압 대비 최대 출력 그래프와, 본 발명의 솔라셀 모듈의 전압 대비 최대 출력 그래프를 예시한다.
도면을 참조하면, grba는, 335W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 전압 대비 최대 출력 그래프 보다, 본 발명의 솔라셀 모듈의 전압 대비 최대 출력 그래프의 레벨이 대략 1W 이상 큰 것을 예시한다.
grbb는 340W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 전압 대비 최대 출력 그래프 보다, 본 발명의 솔라셀 모듈의 전압 대비 최대 출력 그래프의 레벨이 대략 1.5W 이상 큰 것을 예시한다.
결국, 종래 보다 본 발명에 따라 솔라셀 모듈을 제작하게 되면, 솔라셀 모듈의 최대 출력 파워가 더 증가하게 된다.
도 11c는 기존 방식의 솔라셀 모듈의 전력 대비 최대 출력 그래프와, 본 발명의 솔라셀 모듈의 전력 대비 최대 출력 그래프를 예시한다.
도면을 참조하면, Araa는, 335W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 전력 대비 최대 출력 보다, 본 발명의 솔라셀 모듈의 전력 대비 최대 출력의 레벨이 대략 0.5W 이상 큰 것을 예시한다.
Arab는 340W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 출력 대비 최대 출력 보다, 본 발명의 솔라셀 모듈의 효율 대비 최대 출력 레벨이 대략 0.5W 이상 큰 것을 예시한다.
결국, 종래 보다 본 발명에 따라 솔라셀 모듈을 제작하게 되면, 솔라셀 모듈의 최대 출력 파워가 더 증가하게 된다.
도 11d는 기존 방식의 솔라셀 모듈의 전력 대비 전력 손실 그래프와, 본 발명의 솔라셀 모듈의 전력 대비 전력 손실 그래프를 예시한다.
도면을 참조하면, Arba는, 335W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 전력 대비 전력 손실 보다, 본 발명의 솔라셀 모듈의 전력 대비 전력 손실의 레벨이 대략 0.1 이상 감소하는 것을 예시한다.
Arbb는 340W의 솔라셀 모듈 제작시, 종래의 솔라셀 모듈의 출력 대비 전력 손실 보다, 본 발명의 솔라셀 모듈의 효율 대비 전력 손실 레벨이 대략 0.1 이상 감소하는 것을 예시한다.
결국, 종래 보다 본 발명에 따라 솔라셀 모듈을 제작하게 되면, 솔라셀 모듈의 전력 손실이 더 감소하게 된다.
본 발명의 실시예에 따른 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해어져서는 안될 것이다.

Claims (19)

  1. 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스;
    상기 솔라셀의 셀 정보와, 상기 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 상기 솔라셀 모듈의 출력 예측값을 출력하는 프로세서;를 포함하는 것을 특징으로 하는 솔라셀 테스트 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 솔라셀의 셀 정보와, 상기 솔라셀이 포함되는 스트링 라인의 라인 정보와, 상기 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀 모듈의 출력을 예측하고, 상기 솔라셀 모듈의 출력 예측값을 출력하는 것을 특징으로 하는 솔라셀 테스트 장치.
  3. 제1항에 있어서,
    서버로부터 학습 모델을 수신하는 통신부;를 더 포함하고,
    상기 프로세서는,
    상기 학습 모델에 기초하여, 상기 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀 모듈의 출력을 예측하는 것을 특징으로 하는 솔라셀 테스트 장치.
  4. 제1항에 있어서,
    솔라셀 분류 장치로 상기 솔라셀 모듈의 출력 예측값을 전송하는 제2 인터페이스;를 더 포함하는 것을 특징으로 하는 솔라셀 테스트 장치.
  5. 제1항에 있어서,
    상기 셀 정보는,
    상기 솔라셀의 저항 정보, 온도 정보를 더 포함하는 것을 특징으로 하는 솔라셀 테스트 장치.
  6. 제1항에 있어서,
    상기 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고,
    상기 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 상기 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함하는 것을 특징으로 하는 솔라셀 테스트 장치.
  7. 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하고, 상기 솔라셀의 셀 정보와, 상기 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 상기 솔라셀 모듈의 출력 예측값을 출력하는 솔라셀 테스트 장치;
    상기 솔라셀 테스트 장치로부터의 상기 솔라셀 모듈의 출력 예측값에 기초하여, 상기 솔라셀의 등급을 분류하는 솔라셀 분류 장치;를 포함하는 것을 특징으로 하는 태양광 시스템.
  8. 제7항에 있어서,
    상기 솔라셀 분류 장치는,
    상기 솔라셀 모듈의 출력 전력 별로, 상기 솔라셀의 등급을 분류하는 것을 특징으로 하는 태양광 시스템.
  9. 제7항에 있어서,
    상기 솔라셀 테스트 장치는,
    상기 솔라셀의 셀 정보와, 상기 솔라셀이 포함되는 스트링 라인의 라인 정보와, 상기 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀 모듈의 출력을 예측하고, 상기 솔라셀 모듈의 출력 예측값을 출력하는 것을 특징으로 하는 태양광 시스템.
  10. 제7항에 있어서,
    상기 솔라셀의 셀 정보와, 복수의 학습 모델을 이용하여, 학습을 수행하고, 상기 복수의 학습 모델 중 어느 하나의 학습 모델을 선택하여, 선택된 학습 모델을 솔라셀 테스트 장치로 전송하는 서버;를 더 포함하는 것을 특징으로 하는 태양광 시스템.
  11. 제10항에 있어서,
    상기 솔라셀 테스트 장치는,
    상기 서버로부터 수신되는 학습 모델에 기초하여, 상기 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀 모듈의 출력을 예측하는 것을 특징으로 하는 태양광 시스템.
  12. 제10항에 있어서,
    상기 복수의 학습 모델은,
    복수의 머신 러닝 학습 모델, 복수의 회귀 분석 학습 모델을 포함하는 것을 특징으로 하는 태양광 시스템.
  13. 제7항에 있어서,
    상기 셀 정보는,
    상기 솔라셀의 저항 정보, 온도 정보를 더 포함하는 것을 특징으로 하는 태양광 시스템.
  14. 제7항에 있어서,
    상기 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고,
    상기 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 상기 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함하는 것을 특징으로 하는 태양광 시스템.
  15. 솔라셀의 셀 효율, 셀 전압, 셀 전류를 포함하는 셀 정보를 수신하는 인터페이스;
    상기 솔라셀의 셀 정보와, 상기 솔라셀이 포함되는 스트링 라인의 라인 정보에 기초하여 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀이 포함되는 솔라셀 모듈의 출력을 예측하고, 상기 솔라셀 모듈의 출력 예측값을 출력하며, 상기 솔라셀 모듈의 출력 예측값에 기초하여, 상기 솔라셀의 등급을 분류하는 프로세서;를 포함하는 것을 특징으로 하는 솔라셀 테스트 장치.
  16. 제15항에 있어서,
    상기 프로세서는,
    상기 솔라셀의 셀 정보와, 상기 솔라셀이 포함되는 스트링 라인의 라인 정보와, 상기 스트링 라인이 포함되는 솔라셀 모듈의 모듈 정보에 기초하여 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀 모듈의 출력을 예측하고, 상기 솔라셀 모듈의 출력 예측값을 출력하는 것을 특징으로 하는 솔라셀 테스트 장치.
  17. 제15항에 있어서,
    서버로부터 학습 모델을 수신하는 통신부;를 더 포함하고,
    상기 프로세서는,
    상기 학습 모델에 기초하여, 상기 학습을 수행하고, 상기 학습에 따라, 상기 솔라셀 모듈의 출력을 예측하는 것을 특징으로 하는 솔라셀 테스트 장치.
  18. 제15항에 있어서,
    상기 셀 정보는,
    상기 솔라셀의 저항 정보, 온도 정보를 더 포함하는 것을 특징으로 하는 솔라셀 테스트 장치.
  19. 제15항에 있어서,
    상기 셀 효율에 기초하여 셀 등급을 부여 하는 경우, 솔라셀 모듈은 제1 기준치 이상의 솔라셀을 포함하고,
    상기 출력 예측값에 기초하여 셀 등급을 부여하는 경우, 솔라셀 모듈은 상기 제1 기준치 보다 낮은 제2 기준치 이상의 솔라셀을 포함하는 것을 특징으로 하는 솔라셀 테스트 장치.
KR1020190114155A 2019-09-17 2019-09-17 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템 KR20210032748A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190114155A KR20210032748A (ko) 2019-09-17 2019-09-17 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템
US17/024,432 US11588440B2 (en) 2019-09-17 2020-09-17 Test apparatus of solar cell, and photovoltaic system including the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190114155A KR20210032748A (ko) 2019-09-17 2019-09-17 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템

Publications (1)

Publication Number Publication Date
KR20210032748A true KR20210032748A (ko) 2021-03-25

Family

ID=74869859

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190114155A KR20210032748A (ko) 2019-09-17 2019-09-17 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템

Country Status (2)

Country Link
US (1) US11588440B2 (ko)
KR (1) KR20210032748A (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3984117B2 (ja) * 2002-07-15 2007-10-03 シャープ株式会社 太陽光発電装置設計方法および太陽光発電装置設計支援装置
JP5450285B2 (ja) * 2010-06-29 2014-03-26 Ｊｘ日鉱日石エネルギー株式会社 予測発電量算出装置及び予測発電量算出方法
WO2017221463A1 (ja) * 2016-06-21 2017-12-28 パナソニックＩｐマネジメント株式会社 太陽電池の発電量予測装置、発電量予測方法、及び発電量予測プログラム
CN108614612B (zh) * 2018-04-24 2021-02-19 青岛高校信息产业股份有限公司 太阳能光伏电池最大功率追踪方法和系统

Also Published As

Publication number Publication date
US20210083622A1 (en) 2021-03-18
US11588440B2 (en) 2023-02-21

Similar Documents

Publication Publication Date Title
Li et al. Parameter estimation of photovoltaic models with memetic adaptive differential evolution
Yu et al. Selecting tandem partners for silicon solar cells
Braun et al. Signal processing for solar array monitoring, fault detection, and optimization
EP3675353B1 (en) Method for photovoltaic module fault diagnosis, edge calculation processing device, and inverter
Khan et al. Review and qualitative analysis of submodule-level distributed power electronic solutions in PV power systems
Sohani et al. Using machine learning in photovoltaics to create smarter and cleaner energy generation systems: A comprehensive review
Pearsall Introduction to photovoltaic system performance
Senthilkumar et al. Analysis of Single‐Diode PV Model and Optimized MPPT Model for Different Environmental Conditions
KR102412303B1 (ko) 전류값을 이용하여 스트링 단위로 균등 전압을 추종하는 스트링 옵티마, 및 이를 적용한 태양광 발전 시스템
Ziar et al. Photovoltatronics: intelligent PV-based devices for energy and information applications
Zhang et al. Modeling and prediction of PV module performance under different operating conditions based on power-law I–V model
CN108614612B (zh) 太阳能光伏电池最大功率追踪方法和系统
Ul-Haq et al. Modeling and fault categorization in thin-film and crystalline PV arrays through multilayer neural network algorithm
Roche et al. Analysis and control of mismatch power loss in photovoltaic arrays
Kangas et al. Digitalisation in wind and solar power technologies
CN111181196A (zh) 光伏电站配置方法及装置
CN113452033B (zh) 分区自治的含高比例光伏配电网电压控制方法及存储介质
Ramu et al. An IoT‐based smart monitoring scheme for solar PV applications
CN111027723A (zh) 一种光伏与建筑一体化系统及方法
Ghoneim et al. Performance analysis of high-concentrated multi-junction solar cells in hot climate
Wu et al. Research on parameter extraction method of photovoltaic module based on improved hybrid algorithm
Chin et al. An accurate two diode model computation for CIS thin film PV module using the hybrid approach
Raeisi et al. A novel experimental and approach of diagnosis, partial shading, and fault detection for domestic purposes photovoltaic system using data exchange of adjacent panels
KR20210032748A (ko) 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템
US9812867B2 (en) Capacitor enhanced multi-element photovoltaic cell

Legal Events

Date Code Title Description
A201 Request for examination