KR20220036115A - 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템 - Google Patents

드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템 Download PDF

Info

Publication number
KR20220036115A
KR20220036115A KR1020200118314A KR20200118314A KR20220036115A KR 20220036115 A KR20220036115 A KR 20220036115A KR 1020200118314 A KR1020200118314 A KR 1020200118314A KR 20200118314 A KR20200118314 A KR 20200118314A KR 20220036115 A KR20220036115 A KR 20220036115A
Authority
KR
South Korea
Prior art keywords
failure
deterioration
artificial intelligence
analysis
solar
Prior art date
Application number
KR1020200118314A
Other languages
English (en)
Other versions
KR102431935B1 (ko
Inventor
오원욱
최훈주
서근원
Original Assignee
주식회사 에스테코
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에스테코 filed Critical 주식회사 에스테코
Priority to KR1020200118314A priority Critical patent/KR102431935B1/ko
Priority to PCT/KR2020/012504 priority patent/WO2022059815A1/ko
Publication of KR20220036115A publication Critical patent/KR20220036115A/ko
Application granted granted Critical
Publication of KR102431935B1 publication Critical patent/KR102431935B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/60—Radiation pyrometry, e.g. infrared or optical thermometry using determination of colour temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 태양광 모듈 진단 방법은, 태양광 모듈들의 열화상을 획득하고, 획득된 열화상을 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는데, 인공지능 모델은 열화상을 입력으로 하고 태양광 모듈들의 고장과 열화 영역 및 모드를 출력으로 하여 학습된 인공지능 모델이다. 이에 의해, 드론으로 촬영한 태양광 모듈들의 열화상을 이용하여 인공지능 기반으로 고장/열화를 분석하고, 출력을 예측하며 등급을 판정함으로써, 전문가 없이 객관적이면서도 빠르고 간편하게 태양광 모듈을 진단할 수 있게 된다.

Description

드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템{Artificial Intelligence based Solar Module Diagnosis Method and System using Thermal Images Taken by Drone}
본 발명은 태양광 모듈 관리 기술에 관한 것으로, 더욱 상세하게는 태양광 발전소에서 드론으로 촬영한 태양광 모듈의 열화상으로 고장/열화를 분석하고, 출력을 예측하여 등급을 판정하기 위한 태양광 모듈 진단 방법 및 시스템에 관한 것이다.
태양광 발전소의 태양광 모듈은 25년 이상 운영되는 안정적인 제품이다. 그러나, 작업자의 잘못된 설치, 초기 불량, 자연재해, 소홀한 관리 등에 의해 태양광 모듈의 고장/열화가 발생할 수 있다. 태양광 모듈의 고장/열화는 도 1에 나타난 바와 같이 아주 다양한 양상으로 나타난다.
태양광 모듈의 상태 파악을 위해서 열화상 카메라로 태양광 모듈을 촬영하여, 고장/열화 진단이 가능하다. 하지만, 전문가에 의해 수작업으로 진단을 해야 한다는 점, 그렇게 한다 하더라도 많은 시간과 노력이 소요된다는 점 등의 문제가 있다.
또한, 전문가에 의한다 하더라도, 주관적인 진단으로부터 완전히 자유로울 수 없다. 즉, 전문가가 누구인지에 따라 진단 결과가 각기 달라, 객관성을 담보할 수 없다는 문제도 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 드론으로 촬영한 태양광 모듈들의 열화상을 이용하여 인공지능 기반으로 고장/열화를 분석하고, 출력을 예측하며 등급을 판정하는 태양광 모듈 진단 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 태양광 모듈 진단 방법은, 태양광 모듈들의 열화상을 획득하는 단계; 획득 단계에서 획득된 열화상을 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 분석단계;를 포함하고, 인공지능 모델은, 열화상을 입력으로 하고, 태양광 모듈들의 고장과 열화 영역 및 모드를 출력으로 하여 학습된 인공지능 모델이다.
본 발명의 일 실시예에 따른 태양광 모듈 진단 방법은, 획득 단계에서 획득된 열화상과 분석단계에서의 분석 결과를 이용하여, 태양광 모듈들의 출력을 예측하는 단계; 예측 단계에서 예측된 출력을 기초로, 태양광 모듈들 각각에 대한 등급을 판정하는 단계; 및 분석단계에서의 분석 결과, 예측 단계에서의 예측 결과 및 판정 단계에서의 판정 결과를 시각화 하여 출력하는 단계;를 더 포함할 수 있다.
인공지능 모델은, GAN(Generative Adversarial Network)이고, GAN-AD(GANs for Anomaly Detection)이 적용될 수 있다.
분석 단계는, 획득 단계에서 획득된 열화상을 제1 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 제1 분석단계; 제1 분석단계에서의 분석 결과를 기초로, 획득 단계에서 획득된 열화상을 화상 처리하여 변환하는 단계; 변환 단계에서 변환된 열화상을 제2 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 제2 분석단계;를 포함할 수 있다.
변환 단계는, 고장과 열화 영역을 강조하기 위한 화상 처리를 수행할 수 있다.
고장과 열화 모드는, 핫스팟, BDF(Bypass Diode Failure), 음영, 오염, PID(Potential Induced Degradation), 단락 및 단선 중 적어도 하나를 포함할 수 있다.
변환 단계는, 제1 분석단계에서 고장과 열화 모드가 핫스팟, PID 또는 단락으로 분석된 고장과 열화 영역에 대해서는 점 형상을 검출하여 강조하기 위한 화상 처리를 수행하고, 제1 분석단계에서 고장과 열화 모드가 BDF로 분석된 고장과 열화 영역에 대해서는 막대 형상을 검출하여 강조하기 위한 화상 처리를 수행하며, 제1 분석단계에서 고장과 열화 모드가 단선으로 분석된 고장과 열화 영역에 대해서는 면 형상을 검출하여 강조하기 위한 화상 처리를 수행하고, 제1 분석단계에서 고장과 열화 모드가 음영 또는 오염으로 분석된 고장과 열화 영역에 대해서는 불규칙적인 형상을 검출하여 강조하기 위한 화상 처리를 수행할 수 있다.
변환 단계는, 고장과 열화가 나타난 영역을 스무딩하기 위한 화상 처리를 더 수행할 수 있다.
분석 단계는, 제1 분석단계에서의 분석 결과와 제2 분석단계에서의 분석 결과를 취합하여, 태양광 모듈들의 고장과 열화를 분석하는 제3 분석단계;를 더 포함할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 태양광 모듈 진단 시스템은, 태양광 모듈들의 열화상을 획득하는 획득부; 획득부에서 획득된 열화상을 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 분석부;를 포함하고, 인공지능 모델은, 열화상을 입력으로 하고, 태양광 모듈들의 고장과 열화 영역 및 모드를 출력으로 하여 학습된 인공지능 모델이다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 드론으로 촬영한 태양광 모듈들의 열화상을 이용하여 인공지능 기반으로 고장/열화를 분석하고, 출력을 예측하며 등급을 판정함으로써, 전문가 없이 객관적이면서도 빠르고 간편하게 태양광 모듈을 진단할 수 있게 된다.
도 1은 고장/열화된 태양광 모듈들을 예시한 도면,
도 2는 본 발명의 일 실시예에 따른 태양광 모듈 진단 시스템의 개념 설명에 제공되는 도면,
도 3은, 도 2에 도시된 태양광 모듈 진단 시스템의 블럭도,
도 4는, 도 3에 도시된 태양광 모듈 진단 플랫폼(200)의 상세 블럭도,
도 5는 고장/열화 모드의 설명에 제공되는 도면,
도 6은 진단 결과로 출력되는 시각 정보들을 예시한 도면,
도 7은 본 발명의 다른 실시예에 따른 태양광 모듈 진단 플랫폼의 블럭도, 그리고,
도 8은 본 발명의 또 다른 실시예에 따른 태양광 모듈 진단 플랫폼의 블럭도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 2는 본 발명의 일 실시예에 따른 태양광 모듈 진단 시스템의 개념 설명에 제공되는 도면이다.
본 발명의 실시예에 따른 태양광 모듈 진단 시스템은, 도시된 바와 같이, 드론(100)으로 태양광 모듈들의 열화상을 촬영하면, 태양광 모듈 진단 플랫폼(200)이 촬영된 열화상을 분석하여 태양광 모듈을 진단하고, 태양광 발전소 관리자 단말(300)을 통해 진단 결과가 제공되도록 구축된 시스템이다.
도 3은, 도 2에 도시된 태양광 모듈 진단 시스템의 블럭도이다. 본 발명의 실시예에 따른 태양광 모듈 진단 시스템은, 도시된 바와 같이, 드론(100), 태양광 모듈 진단 플랫폼(200) 및 태양광 발전소 관리자 단말(300)을 포함하여 구성된다.
드론(100)은 태양광 발전소 상공을 스캔하듯 촬영하여, 태양광 모듈들의 열화상을 생성한다. 드론(100)에 의해 촬영된 열화상은 태양광 모듈 진단 플랫폼(200)으로 전송된다.
태양광 모듈 진단 플랫폼(200)은 드론(100)으로부터 수신한 열화상을 이용하여 인공지능 기반으로 태양광 모듈들의 고장/열화를 분석하고, 이를 기초로 출력을 예측하여 등급을 판정한다.
태양광 발전소 관리자 단말(300)는 태양광 발전소 관리자가 보유/휴대하고 있는 단말로, 태양광 모듈 진단 플랫폼(200)에서의 진단 결과를 수신하여 표시한다. 이를 통해, 태양광 발전소 관리자는 태양광 모듈들의 상태를 파악하고, A/S와 예방 정비 계획을 수립할 수 있게 된다.
이하에서는, 태양광 모듈 진단 플랫폼(200)의 상세 구조 및 동작에 대해 도 4를 참조하여 상세히 설명한다. 도 4는, 도 3에 도시된 태양광 모듈 진단 플랫폼(200)의 상세 블럭도이다.
태양광 모듈 진단 플랫폼(200)는, 도시된 바와 같이, 열화상 획득부(210), 고장/열화 분석부(220), 모듈 출력 예측부(230) 및 모듈 등급 판정부(240) 및 진단 결과 출력부(250), 진단 결과 저장부(260) 및 진단 결과 분석부(270)를 포함하여 구성된다.
열화상 획득부(210)는 드론(100)에 의해 촬영된 태양광 모듈들의 열화상을 수신하여 획득하고, 획득한 열화상을 고장/열화 분석부(220)와 모듈 출력 예측부(230)로 입력한다.
고장/열화 분석부(220)는 열화상 획득부(210)에 의해 입력되는 열화상을 고장/열화 분석을 위한 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 파악한다.
고장/열화 분석부(220)에 구비된 인공지능 모델은 태양광 모듈들의 열화상을 입력으로 하고, 태양광 모듈들의 고장/열화 영역과 모드를 출력으로 하여 학습된 인공지능 모델이다.
고장/열화 모드는 도 5에 도시된 바와 같이 7가지로 분류할 수 있다.
1) 핫스팟(Hot-spot)
셀 크랙, Snail trail, 모듈에서 셀의 점 또는 다수의 점들로 나타남
2) BDF(Bypass Diode Failure : 바이패스다이오드 고장)
바이패스 다이오드 고장에 의한 모듈 서브스트링으로 나타나며, 균일한 고온, 막대(직사각형) 모양의 모듈의 1/3, 2/3 균일한 밝기
3) 음영(Shading)
전신주, 잡초, 낙엽, 눈 등에 의한 음영 모양으로 불규칙한 모양으로 나타남
4) 오염 (Contamination)
먼지흡착, water scale, 새 배설물, 곤충사체 등에 의한 표면 오염으로 불규칙한 모양으로 나타남
5) PID(Potential Induced Degradation)
스트링 (-) 지역의 hot-spot 모듈 수의 점진적인 증가, 다수의 연결된 모듈의 다수의 점들로 나타남
6) 단락 (Short circuit)
스트링의 불균일한 고온, 다수의 연결된 모듈의 다수의 점들로 나타남
7) 단선 (Disconnection)
스트링의 균일한 고온, 다수의 연결된 모듈의 균일한 밝기로 나타남
인공지능 모델은 고장/열화 영역을 탐지하는데 가장 적합한 모델인 GAN(Generative Adversarial Network)로 구현하고, GAN-AD(GANs for Anomaly Detection)를 적용할 수 있다. 하지만, 이는 예시적인 것으로, 다른 방식으로 구현하는 것을 배제하지 않는다.
이에 따라, 고장/열화 분석부(220)는 열화상이 입력되면, 태양광 모듈들의 고장/열화 영역과 모드를 출력하므로, 태양광 모듈 별로 고장/열화 여부 및 모드를 분석할 수 있게 된다.
모듈 출력 예측부(230)는 다음의 데이터를 이용하여 태양광 모듈들의 출력을 예측한다.
1) 열화상 획득부(210)로부터 입력되는 태양광 모듈들의 열화상
2) 고장/열화 분석부(220)에 의한 분석 결과
3) 드론(100)에 의한 열화상 촬영 당시의 기상/환경 데이터
4) 태양광 모듈의 규격/사양 데이터
모듈 출력 예측부(230)는 위 데이터를 입력으로 하고 태양광 모듈들의 예상 출력을 출력으로 하여 학습된 인공지능 모델로 구현할 수 있고, Decision Engine을 이용한 알고리즘으로 구현할 수도 있다.
모듈 등급 판정부(240)는 모듈 출력 예측부(230)에 의해 예측된 출력을 기초로, 태양광 모듈들 각각에 대한 등급을 판정한다.
모듈 등급 판정부(240)는 모듈 출력 예측부(230)의 예측 결과를 입력으로 하고 태양광 모듈들의 등급을 출력으로 하여 학습된 인공지능 모델로 구현할 수 있고, Decision Engine을 이용한 알고리즘으로 구현할 수도 있다.
진단 결과 출력부(250)는 고장/열화 분석부(220)의 분석 결과, 모듈 출력 예측부(230)의 예측 결과 및 모듈 등급 판정부(240)의 판정 결과를 시각화 하여 출력한다.
구체적으로, 진단 결과 출력부(250)는 태양광 모듈들의 배치 상태가 나타난 태양광 발전소 맵에 해당 정보들을 표시한다. 도 6에는 진단 결과 출력부(250)에 의해 출력되는 정보를 예시하였다.
구체적으로, 도 6의 상부에는 태양광 모듈의 고장/열화 여부 및 모드에 대한 정보가 모듈 단위로 표시된 정보, 도 6의 중앙에는 태양광 모듈들 각각에 대해 예상되는 출력에 대한 정보, 도 6의 하부에는 태양광 모듈들 각각에 대해 판정된 등급에 대한 정보가 시각화된 결과를 나타내었다.
진단 결과 출력부(250)는 도 6에 도시된 시각화된 정보를 태양광 발전소 관리자 단말(300)로 전송한다.
진단 결과 저장부(260)는 고장/열화 분석부(220)의 분석 결과, 모듈 출력 예측부(230)의 예측 결과 및 모듈 등급 판정부(240)의 판정 결과를 열화상 획득부(210)로부터 입력되는 열화상과 함께 저장한다.
진단 결과 분석부(270)는 진단 결과 저장부(260)에 저장된 데이터를 분석하여, 태양광 모듈들의 예방정비와 A/S를 관리한다.
도 7은 본 발명의 다른 실시예에 따른 태양광 모듈 진단 플랫폼의 블럭도이다. 본 발명의 실시예에 따른 태양광 모듈 진단 플랫폼(200)는, 도시된 바와 같이, 열화상 획득부(210), 고장/열화 분석부-1(221), 화상 처리부(222), 고장/열화 분석부-2(223), 모듈 출력 예측부(230) 및 모듈 등급 판정부(240) 및 진단 결과 출력부(250), 진단 결과 저장부(260) 및 진단 결과 분석부(270)를 포함하여 구성된다.
도 7에 도시된 태양광 모듈 진단 플랫폼은, 도 4에 도시된 태양광 모듈 진단 플랫폼의 '고장/열화 분석부(220)'를 '고장/열화 분석부-1(221), 화상 처리부(222) 및 고장/열화 분석부-2(223)'로 대체한 것이다.
따라서, 도 7에서 '고장/열화 분석부-1(221), 화상 처리부(222) 및 고장/열화 분석부-2(223)'를 제외한 나머지 구성은 도 4에 대한 설명으로부터 유추가능한 바, 이하에서는 '고장/열화 분석부-1(221), 화상 처리부(222) 및 고장/열화 분석부-2(223)'에 대해서만 설명하고 나머지 구성에 대한 상세한 설명은 생략한다.
고장/열화 분석부-1(221)는 열화상 획득부(210)에 의해 입력되는 열화상을 고장/열화 분석을 위한 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 파악한다.
고장/열화 분석부-1(221)에 구비된 인공지능 모델은 태양광 모듈들의 열화상을 입력으로 하고, 태양광 모듈들의 고장/열화 영역과 모드를 출력으로 하여 학습된 인공지능 모델이다. 고장/열화 모드는 7가지로 분류됨은 전술한 바와 같다.
화상 처리부(222)는 열화상 획득부(210)에 의해 입력되는 열화상을 화상 처리하여 변환하고, 변환된 열화상을 고장/열화 분석부-2(223)로 전달한다. 수행되는 화상 처리는 고장/열화 분석부-1(221)에 의한 분석결과에 따라 상이하다. 구체적으로,
1) 고장/열화 분석부-1(221)에 의해 고장 모드가 핫스팟, PID, 단락으로 분석된 태양광 모듈에 대해서는 점 형상을 검출하여 강조(강화)하기 위한 화상 처리가 수행되고,
2) 고장/열화 분석부-1(221)에 의해 고장 모드가 BDF로 분석된 태양광 모듈에 대해서는 막대 형상을 검출하여 강조하기 위한 화상 처리가 수행되며,
3) 고장/열화 분석부-1(221)에 의해 고장 모드가 단선으로 분석된 태양광 모듈에 대해서는 면 형상을 검출하여 강조하기 위한 화상 처리가 수행되고,
4) 고장/열화 분석부-1(221)에 의해 고장 모드가 음영, 오염으로 분석된 태양광 모듈에 대해서는 불규칙적인 형상을 검출하여 강조하기 위한 화상 처리가 수행된다.
고장/열화 분석부-2(223)는 화상 처리부(222)에 의해 변환된 열화상을 고장/열화 분석을 위한 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 파악한다.
고장/열화 분석부-2(222)에 구비된 인공지능 모델은 열화상 처리로 변환된 열화상을 입력으로 하고, 태양광 모듈들의 고장/열화 영역과 모드를 출력으로 하여 학습된 인공지능 모델이다. 고장/열화 모드는 7가지로 분류된다.
고장/열화 분석부-2(223)는 고장/열화 분석부-1(221)과 동일한 구조의 인공지능 모델을 활용할 수 있지만, 학습시 입력되는 영상이 다르다(원본 열화상 vs 화상 처리로 변환된 열화상)는 점에서, 인공지능 모델의 파라미터는 다르게 세팅된다.
고장/열화 분석부-2(223)에서 출력되는 태양광 모듈들의 고장/열화 영역과 모드가 태양광 모듈들의 고장과 열화에 대한 최종 분석 결과로써, 모듈 출력 예측부(230)로 출력된다.
위 실시예에서, 화상 처리부(222)는 점 형상, 막대 형상, 면 형상 및 불규칙적인 형상을 검출하여 강조하는 화상 처리를 수행하는 것을 상정하였는데, 변형이 가능하다. 이를 테면,
1) 고장/열화 분석부-1(221)에 의해 고장 모드가 핫스팟, PID, 단락으로 분석된 태양광 모듈에 대해서는 점 형상을 검출하여, 강조(강화)하는 화상 처리 외에 스무딩(약화)시키기 위한 화상 처리가 더 수행되고,
2) 고장/열화 분석부-1(221)에 의해 고장 모드가 BDF로 분석된 태양광 모듈에 대해서는 막대 형상을 검출하여, 강조하는 화상 처리 외에 스무딩시키기 위한 화상 처리가 더 수행되며,
3) 고장/열화 분석부-1(221)에 의해 고장 모드가 단선으로 분석된 태양광 모듈에 대해서는 면 형상을 검출하여, 강조하는 화상 처리 외에 스무딩시키기 위한 화상 처리가 더 수행되고,
4) 고장/열화 분석부-1(221)에 의해 고장 모드가 음영, 오염으로 분석된 태양광 모듈에 대해서는 불규칙적인 형상을 검출하여, 강조하는 화상 처리 외에 스무딩시키기 위한 화상 처리가 더 수행되는 것이다.
이 경우, 화상 처리부(222)에서는 해당 형상이 강조된 열화상 외에 해당 형상이 스무딩된 열화상이 더 생성되며, 고장/열화 분석부-2(222)는 2가지 열화상 모두를 이용하여 태양광 모듈들의 고장/열화 영역과 모드를 분석한다.
도 8은 본 발명의 또 다른 실시예에 따른 태양광 모듈 진단 플랫폼의 블럭도이다. 본 발명의 실시예에 따른 태양광 모듈 진단 플랫폼(200)는, 도시된 바와 같이, 열화상 획득부(210), 고장/열화 분석부-1(221), 화상 처리부(222), 고장/열화 분석부-2(223), 고장/열화 분석부-3(224), 모듈 출력 예측부(230) 및 모듈 등급 판정부(240) 및 진단 결과 출력부(250), 진단 결과 저장부(260) 및 진단 결과 분석부(270)를 포함하여 구성된다.
도 8에 도시된 태양광 모듈 진단 플랫폼은, 도 7에 도시된 태양광 모듈 진단 플랫폼에서 고장/열화 분석부-3(224)가 추가된 것이다.
고장/열화 분석부-3(224)는 고장/열화 분석부-1(221)에서의 고장/열화 분석 결과와 고장/열화 분석부-2(223)에서의 고장/열화 분석 결과를 취합하여, 태양광 모듈들의 고장/열화 영역과 모드를 최종적으로 분석하고, 그 결과를 모듈 출력 예측부(230)로 출력한다.
이전 실시예에서는, 고장/열화 분석부-2(223)에서의 고장/열화 분석 결과를 최종 결과로 모듈 출력 예측부(230)로 출력하였다는 점에서 차이가 있다.
고장/열화 분석부-3(224)는 앞선 고장/열화 분석부들(221,223)의 고장/열화 분석 결과들을 입력으로 하고, 태양광 모듈들의 고장/열화 영역과 모드를 출력으로 하여 학습된 인공지능 모델로 구현할 수 있고, Decision Engine을 이용한 알고리즘으로 구현할 수도 있다.
지금까지, 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템에 대해 바람직한 실시예를 들어 상세히 설명하였다.
위 실시예에서, 고장/열화 분석부들(220,221,223)은 태영광 모듈들의 열화상을 입력으로 하여, 태양광 모듈들의 고장/열화 영역과 모드를 분석하였는데, 입력 데이터를 추가할 수 있다. 이를 테면, 드론(100)에 의한 열화상 촬영 당시의 기상/환경 데이터 및/또는 태양광 모듈의 규격/사양 데이터를 입력에 추가할 수도 있다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 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 이해되어져서는 안될 것이다.
100 : 드론
200 : 태양광 모듈 진단 플랫폼
210 : 열화상 획득부
220 : 고장/열화 분석부
230 : 모듈 출력 예측부
240 : 모듈 등급 판정부
250 : 진단 결과 출력부
260 : 진단 결과 저장부
270 : 진단 결과 분석부
300 : 태양광 발전소 관리자 단말

Claims (10)

  1. 태양광 모듈들의 열화상을 획득하는 단계;
    획득 단계에서 획득된 열화상을 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 분석단계;를 포함하고,
    인공지능 모델은,
    열화상을 입력으로 하고, 태양광 모듈들의 고장과 열화 영역 및 모드를 출력으로 하여 학습된 인공지능 모델인 것을 특징으로 하는 태양광 모듈 진단 방법.
  2. 청구항 1에 있어서,
    획득 단계에서 획득된 열화상과 분석단계에서의 분석 결과를 이용하여, 태양광 모듈들의 출력을 예측하는 단계;
    예측 단계에서 예측된 출력을 기초로, 태양광 모듈들 각각에 대한 등급을 판정하는 단계; 및
    분석단계에서의 분석 결과, 예측 단계에서의 예측 결과 및 판정 단계에서의 판정 결과를 시각화 하여 출력하는 단계;를 더 포함하는 것을 특징으로 하는 태양광 모듈 진단 방법.
  3. 청구항 1에 있어서,
    인공지능 모델은,
    GAN(Generative Adversarial Network)이고, GAN-AD(GANs for Anomaly Detection)이 적용된 것을 특징으로 하는 태양광 모듈 진단 방법.
  4. 청구항 1에 있어서,
    분석 단계는,
    획득 단계에서 획득된 열화상을 제1 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 제1 분석단계; 및
    제1 분석단계에서의 분석 결과를 기초로, 획득 단계에서 획득된 열화상을 화상 처리하여 변환하는 단계;
    변환 단계에서 변환된 열화상을 제2 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 제2 분석단계;를 포함하는 것을 특징으로 하는 태양광 모듈 진단 방법.
  5. 청구항 4에 있어서,
    변환 단계는,
    고장과 열화 영역을 강조하기 위한 화상 처리를 수행하는 것을 특징으로 하는 태양광 모듈 진단 방법.
  6. 청구항 5에 있어서,
    고장과 열화 모드는,
    핫스팟, BDF(Bypass Diode Failure), 음영, 오염, PID(Potential Induced Degradation), 단락 및 단선 중 적어도 하나를 포함하는 것을 특징으로 하는 태양광 모듈 진단 방법.
  7. 청구항 6에 있어서,
    변환 단계는,
    제1 분석단계에서 고장과 열화 모드가 핫스팟, PID 또는 단락으로 분석된 고장과 열화 영역에 대해서는 점 형상을 검출하여 강조하기 위한 화상 처리를 수행하고,
    제1 분석단계에서 고장과 열화 모드가 BDF로 분석된 고장과 열화 영역에 대해서는 막대 형상을 검출하여 강조하기 위한 화상 처리를 수행하며,
    제1 분석단계에서 고장과 열화 모드가 단선으로 분석된 고장과 열화 영역에 대해서는 면 형상을 검출하여 강조하기 위한 화상 처리를 수행하고,
    제1 분석단계에서 고장과 열화 모드가 음영 또는 오염으로 분석된 고장과 열화 영역에 대해서는 불규칙적인 형상을 검출하여 강조하기 위한 화상 처리를 수행하는 것을 특징으로 하는 태양광 모듈 진단 방법.
  8. 청구항 5에 있어서,
    변환 단계는,
    고장과 열화가 나타난 영역을 스무딩하기 위한 화상 처리를 더 수행하는 것을 특징으로 하는 태양광 모듈 진단 방법.
  9. 청구항 4에 있어서,
    분석 단계는,
    제1 분석단계에서의 분석 결과와 제2 분석단계에서의 분석 결과를 취합하여, 태양광 모듈들의 고장과 열화를 분석하는 제3 분석단계;를 더 포함하는 것을 특징으로 하는 태양광 모듈 진단 방법.
  10. 태양광 모듈들의 열화상을 획득하는 획득부;
    획득부에서 획득된 열화상을 인공지능 모델에 입력하여, 태양광 모듈들의 고장과 열화를 분석하는 분석부;를 포함하고,
    인공지능 모델은,
    열화상을 입력으로 하고, 태양광 모듈들의 고장과 열화 영역 및 모드를 출력으로 하여 학습된 인공지능 모델인 것을 특징으로 하는 태양광 모듈 진단 시스템.
KR1020200118314A 2020-09-15 2020-09-15 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템 KR102431935B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200118314A KR102431935B1 (ko) 2020-09-15 2020-09-15 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템
PCT/KR2020/012504 WO2022059815A1 (ko) 2020-09-15 2020-09-16 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200118314A KR102431935B1 (ko) 2020-09-15 2020-09-15 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220036115A true KR20220036115A (ko) 2022-03-22
KR102431935B1 KR102431935B1 (ko) 2022-08-12

Family

ID=80776792

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200118314A KR102431935B1 (ko) 2020-09-15 2020-09-15 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR102431935B1 (ko)
WO (1) WO2022059815A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101541032B1 (ko) * 2015-02-13 2015-08-03 (주)하이레벤 무인항공기를 이용한 태양광발전설비의 모듈 표면 온도에 관한 데이터 수집 및 분석 시스템
KR102084783B1 (ko) * 2019-09-23 2020-03-04 주식회사 아이팔 머신러닝기반 태양광발전운영 관리시스템
KR102133224B1 (ko) * 2020-03-26 2020-07-13 주식회사 스카이텍 태양광 어레이 설치용 cad 설계도면을 활용한 태양광 어레이 자동 진단 시스템
KR20200099267A (ko) * 2019-02-14 2020-08-24 한국에너지전환사업단(유) 고장자가감지 신호송출 스마트 태양광발전 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11156573B2 (en) * 2016-06-30 2021-10-26 Skydio, Inc. Solar panel inspection using unmanned aerial vehicles
KR101832454B1 (ko) * 2017-01-24 2018-04-13 전주비전대학교산학협력단 드론 기반 열적외선 센서를 이용한 태양광 셀 발열 위치 분석 방법
KR101967638B1 (ko) * 2017-11-30 2019-04-10 (주) 포에버정보 드론을 이용한 태양광 발전 모듈 관리 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101541032B1 (ko) * 2015-02-13 2015-08-03 (주)하이레벤 무인항공기를 이용한 태양광발전설비의 모듈 표면 온도에 관한 데이터 수집 및 분석 시스템
KR20200099267A (ko) * 2019-02-14 2020-08-24 한국에너지전환사업단(유) 고장자가감지 신호송출 스마트 태양광발전 시스템
KR102084783B1 (ko) * 2019-09-23 2020-03-04 주식회사 아이팔 머신러닝기반 태양광발전운영 관리시스템
KR102133224B1 (ko) * 2020-03-26 2020-07-13 주식회사 스카이텍 태양광 어레이 설치용 cad 설계도면을 활용한 태양광 어레이 자동 진단 시스템

Also Published As

Publication number Publication date
WO2022059815A1 (ko) 2022-03-24
KR102431935B1 (ko) 2022-08-12

Similar Documents

Publication Publication Date Title
Aghaei et al. Innovative automated control system for PV fields inspection and remote control
CN108416294B (zh) 一种基于深度学习的风机叶片故障智能识别方法
US20200394784A1 (en) Artificial intelligence-based process and system for visual inspection of infrastructure
CN110567964B (zh) 一种检测变电设备缺陷的方法、装置及存储介质
KR101806217B1 (ko) 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치
CN109738041B (zh) 一种城市地下综合管廊智能液位监测方法及系统
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
CN112580600A (zh) 粉尘浓度检测方法、装置、计算机设备和存储介质
US20230042106A1 (en) System and method for the statistical analysis of images of photovoltaic panels
CN112697798A (zh) 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置
CN114399484A (zh) 一种光伏组件缺陷检测方法、装置、设备及介质
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN116660317B (zh) 光伏阵列的热斑检测方法、系统、处理器及存储介质
KR20220036115A (ko) 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템
CN116168019B (zh) 基于机器视觉技术的电网故障检测方法及系统
CN115912183B (zh) 高压输电线路生态措施巡视方法、系统及可读存储介质
CN112683916A (zh) 集电线路杆塔小金具缺失或安装错误的识别方法及装置
CN117374789A (zh) 一种应用于变电站的智能巡视方法及系统
CN116015192A (zh) 一种光伏清洗机器人的控制方法及光伏清洗机器人
CN115546191A (zh) 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备
KR102568060B1 (ko) 3차원 모델을 통한 인공지능 기반 안전진단 장치 및 그 방법
CN113992151A (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
Hwang et al. Soiling detection for photovoltaic modules based on an intelligent method with image processing
CN111651648A (zh) 杆塔关键部件巡检计划的智能化生成方法和装置
CN110688919A (zh) 一种智能巡线故障识别方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant