KR20220131707A - An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor - Google Patents

An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor Download PDF

Info

Publication number
KR20220131707A
KR20220131707A KR1020210036714A KR20210036714A KR20220131707A KR 20220131707 A KR20220131707 A KR 20220131707A KR 1020210036714 A KR1020210036714 A KR 1020210036714A KR 20210036714 A KR20210036714 A KR 20210036714A KR 20220131707 A KR20220131707 A KR 20220131707A
Authority
KR
South Korea
Prior art keywords
vector
learning
sensor
simulation
junction box
Prior art date
Application number
KR1020210036714A
Other languages
Korean (ko)
Other versions
KR102541293B1 (en
Inventor
어익수
Original Assignee
호남대학교 산학협력단
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 호남대학교 산학협력단 filed Critical 호남대학교 산학협력단
Priority to KR1020210036714A priority Critical patent/KR102541293B1/en
Publication of KR20220131707A publication Critical patent/KR20220131707A/en
Application granted granted Critical
Publication of KR102541293B1 publication Critical patent/KR102541293B1/en

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
    • 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
    • H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
    • 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
    • H02S40/34—Electrical components comprising specially adapted electrical connection means to be structurally associated with the PV module, e.g. junction boxes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Photovoltaic Devices (AREA)

Abstract

According to the present invention, a method for maintaining a state of a solar junction box using a plurality of sensors comprises the steps of: when receiving, by a data processing unit, a plurality of sensor values sensed by a plurality of sensors from a junction box, generating a sensor vector from the received plurality of sensor values; inputting, by the data processing unit, the sensor vector into a detection model learned for simulation; calculating, by the detection model, a pseudo-sensor vector by simulating the sensor vector; determining, by a detection unit, whether a simulation loss representing a difference between the sensor vector and the simulated sensor vector exceeds a threshold value calculated during learning; and when the simulation loss is greater than or equal to the threshold value, determining, by the detection unit, that there is something wrong with the junction box. According to the present invention, the device capable of maintaining a state of a solar junction box using a plurality of sensors and the method therefor can be provided.

Description

복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법{An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor}An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor

본 발명은 태양광 접속함의 상태를 유지하기 위한 기술에 관한 것으로, 보다 상세하게는, 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치 및 이를 위한 방법에 관한 것이다. The present invention relates to a technique for maintaining the state of a solar junction box, and more particularly, to an apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor.

태양광발전(Photovoltaic system, solar power system)은 햇빛을 직류 전기로 바꾸어 전력을 생산하는 발전 방법이다. 태양광 발전은 여러 개의 태양 전지들이 붙어있는 태양광 패널을 이용한다. 재생가능 에너지에 대한 수요가 증가함에 따라, 태양 전지와 태양광 어레이의 생산도 크게 늘어나고 있는 추세이다. A photovoltaic system (solar power system) is a power generation method that generates electricity by converting sunlight into direct current electricity. Solar power generation uses a solar panel to which several solar cells are attached. As the demand for renewable energy increases, the production of solar cells and solar arrays is also increasing significantly.

태양광발전은 광기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 빛을 전기 에너지로 바꾸어 주는 발전 방법을 지칭한다. 빛 에너지를 직접적으로 전기 에너지로 바꾼다는 점에서 빛의 열에너지를 이용하여 발전하는 태양열발전과는 구분된다. Photovoltaic power generation refers to a power generation method that converts light from the sun into electrical energy using the photovoltaic effect. It is distinguished from solar thermal power generation, which uses the thermal energy of light, in that it directly converts light energy into electrical energy.

광기전 효과는 광전 효과(photoelectric effect)와 거의 비슷하지만 설명하는 상황이 조금 다르다. 광전효과가 일반적으로 어떠한 물질이 빛을 받아 전자를 방출하는 효과를 일컫는다면, 광기전 효과는 광전효과의 결과로 생긴 전자와 양공(hole)이 물질 내부에서 이동하여 전위차를 만드는 것을 일컫는다. 즉 광기전 효과는 광전 효과의 하나의 결과로 생각할 수 있는 부수적인 효과라고 할 수 있다. The photovoltaic effect is almost similar to the photoelectric effect, but the circumstances are slightly different. While the photoelectric effect generally refers to the effect of a material receiving light and emitting electrons, the photovoltaic effect refers to the movement of electrons and holes generated as a result of the photoelectric effect within the material to create a potential difference. That is, the photovoltaic effect can be said to be a secondary effect that can be considered as a result of the photoelectric effect.

한국등록특허 제1628697호 2016년 06월 02일 등록 (명칭: 다중 스위칭 구조 접속함의 모니터링을 적용한 태양광 발전 시스템)Registered Korea Patent No. 1628697 on June 02, 2016 (Name: Solar power generation system with monitoring of multi-switching structure junction box)

본 발명의 목적은 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템, 이를 위한 장치 및 이를 위한 방법을 제공함에 있다. An object of the present invention is to provide a system for maintaining the state of a solar junction box using a plurality of sensors, an apparatus therefor, and a method therefor.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법은 데이터처리부가 접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하는 단계와, 데이터처리부가 모사센서벡터를 생성하도록 학습이 완료된 검출모델에 상기 센서벡터를 입력하는 단계와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계와, 검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계와, 상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함에 이상이 있는 것으로 판단하는 단계를 포함한다. The method for maintaining the state of the solar junction box using a plurality of sensors according to a preferred embodiment of the present invention for achieving the object as described above is the data processing unit the state of the junction box measured by a plurality of sensors from the junction box. When receiving a plurality of sensor values indicated, generating a sensor vector from the received plurality of sensor values, and inputting the sensor vector into a detection model that has been trained so that a data processing unit generates a simulated sensor vector; A model simulating the sensor vector to calculate a simulated sensor vector (pseudo-sensor vector), and the detection unit whether the simulation loss representing the difference between the sensor vector and the simulated sensor vector exceeds a threshold calculated during learning Determining and, if the copy loss is greater than or equal to the threshold, the detection unit comprising the step of determining that there is an abnormality in the junction box.

상기 방법은 상기 센서벡터를 생성하는 단계 전, 모델생성부가 복수의 학습용 센서벡터를 이용하여 검출모델을 학습시키는 단계를 더 포함한다. 여기서, 상기 검출모델을 학습시키는 단계는 모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계와, 상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행하는 단계를 포함한다. The method further includes, before the step of generating the sensor vector, the model generating unit learning the detection model using a plurality of sensor vectors for learning. Here, the step of learning the detection model comprises: generating a sensor vector for learning from a plurality of sensor values in which the model generating unit measures the state of the junction box when the junction box is in a normal state by a plurality of sensors; inputting the sensor vector for training into an initialized detection model; and calculating, by the model generator, a total loss including a simulation loss and a potential loss loss according to a result of calculation of the detection model with respect to the sensor vector for training; and performing, by the model generator, optimization of updating the parameters of the detection model so that the overall loss is minimized.

상기 전체 손실을 산출하는 단계는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계와, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계와, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계를 포함한다. Calculating the total loss includes: calculating, by the encoder of the detection model, a latent vector for learning through weight calculation on the sensor vector for learning; and the decoder of the detection model through weight calculation on the learning latent vector Calculating a simulation sensor vector for learning that mimics the sensor vector for learning, and the encoder of the detection model calculates a simulation potential vector for learning that simulates the latent vector for learning by performing weight calculation on the simulation sensor vector for learning by the encoder of the detection model; Calculating, by the model generation unit, a simulation potential loss representing the difference between the training potential vector and the training potential vector, and the model generator calculating a simulation loss representing the difference between the training simulation sensor vector and the training sensor vector. including the steps of

상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는 상기 모델생성부가 수학식

Figure pat00001
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다. The step of calculating the simulation loss representing the difference between the simulation sensor vector for learning and the sensor vector for learning is the model generation unit using Equation
Figure pat00001
The simulation loss is calculated according to Here, Er is the simulation loss, x is a sensor vector for learning, and y is a simulation sensor vector for learning.

상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는 상기 모델생성부가 수학식

Figure pat00002
에 따라 모사잠재손실을 산출한다. 여기서, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다. The step of calculating the simulation potential loss representing the difference between the simulation latent vector for learning and the learning latent vector is performed by the model generator by the following equation
Figure pat00002
The simulated potential loss is calculated according to Here, Et is the simulation potential loss, z is a learning latent vector, and h is a learning simulation latent vector.

상기 방법은 상기 검출모델을 학습시키는 단계 후, 상기 모델생성부가 수학식

Figure pat00003
에 따라 상기 임계치를 산출하는 단계를 더 포함한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다. In the method, after the step of learning the detection model, the model generator is
Figure pat00003
The method further includes calculating the threshold according to Here, th is the threshold, m is an average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors, and d is the plurality of training simulation sensor vectors and the plurality of training sensor vectors. is the standard deviation of the simulation loss representing the difference from the learning sensor vector, and e is a weight for the standard deviation of the simulation loss.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법은 모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계와, 상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계와, 상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 단계를 포함한다. The method for maintaining the state of the solar junction box using a plurality of sensors according to a preferred embodiment of the present invention for achieving the object as described above is connected when the model generation unit is in a normal state by a plurality of sensors. Generating a sensor vector for learning from a plurality of sensor values measuring the implied state, and inputting the sensor vector for training by the model generator into an initialized detection model, and the model generator by the detection model for the sensor vector for training calculating the total loss including the simulated loss and the simulated potential loss according to the calculation result of and learning to generate a simulated sensor vector that mimics the sensor vector.

상기 방법은 데이터처리부가 접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하는 단계와, 상기 데이터처리부가 상기 센서벡터를 상기 검출모델에 입력하는 단계와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계와, 검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계와, 상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함의 상태에 이상이 있는 것으로 판단하는 단계를 더 포함한다. The method includes the steps of: when a data processing unit receives a plurality of sensor values sensed by a plurality of sensors from an access box, generating a sensor vector from the received plurality of sensor values; inputting to the detection model, the detection model simulating the sensor vector to calculate a pseudo-sensor vector, and a detection unit representing the difference between the sensor vector and the simulated sensor vector. Determining whether the loss exceeds the threshold calculated during the learning, and if the simulation loss is greater than or equal to the threshold, further comprising the step of determining that there is an abnormality in the state of the junction box by the detection unit.

상기 전체 손실을 산출하는 단계는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계와, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계와, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계와, 상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계를 포함한다. Calculating the total loss includes: calculating, by the encoder of the detection model, a latent vector for learning through weight calculation on the sensor vector for learning; and the decoder of the detection model through weight calculation on the learning latent vector Calculating a simulation sensor vector for learning that mimics the sensor vector for learning, and the encoder of the detection model calculates a simulation potential vector for learning that simulates the latent vector for learning by performing weight calculation on the simulation sensor vector for learning by the encoder of the detection model; Calculating, by the model generation unit, a simulation potential loss representing the difference between the training potential vector and the training potential vector, and the model generator calculating a simulation loss representing the difference between the training simulation sensor vector and the training sensor vector. including the steps of

상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는 상기 모델생성부가 수학식

Figure pat00004
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다. The step of calculating the simulation loss representing the difference between the simulation sensor vector for learning and the sensor vector for learning is the model generation unit using Equation
Figure pat00004
The simulation loss is calculated according to Here, Er is the simulation loss, x is a sensor vector for learning, and y is a simulation sensor vector for learning.

상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는 상기 모델생성부가 수학식

Figure pat00005
에 따라 모사잠재손실을 산출한다. 여기서, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다. The step of calculating the simulation potential loss representing the difference between the simulation latent vector for learning and the learning latent vector is performed by the model generator by the following equation
Figure pat00005
The simulated potential loss is calculated according to Here, Et is the simulation potential loss, z is a learning latent vector, and h is a learning simulation latent vector.

상기 학습시키는 단계 후, 상기 센서벡터를 생성하는 단계 전, 상기 모델생성부가 수학식

Figure pat00006
에 따라 상기 임계치를 산출하는 단계를 더 포함한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다. After the step of learning, before the step of generating the sensor vector, the model generation unit
Figure pat00006
The method further includes calculating the threshold according to Here, th is the threshold, m is an average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors, and d is the plurality of training simulation sensor vectors and the plurality of training sensor vectors. is the standard deviation of the simulation loss representing the difference from the learning sensor vector, and e is a weight for the standard deviation of the simulation loss.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치는 접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하고, 생성된 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습된 검출모델에 입력하는 데이터처리부와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함에 이상이 있는 것으로 판단하는 검출부를 포함한다. An apparatus for maintaining the state of a solar junction box using a plurality of sensors according to a preferred embodiment of the present invention for achieving the object as described above is a plurality of junction boxes indicating the state of the junction box measured by a plurality of sensors from the junction box When receiving a sensor value, a data processing unit for generating a sensor vector from a plurality of received sensor values, and inputting the sensor vector to the learned detection model to generate a simulated sensor vector simulating the generated sensor vector, and the detection model is the sensor vector When a pseudo-sensor vector is calculated by simulating , it is determined whether the simulation loss representing the difference between the sensor vector and the simulated sensor vector exceeds the threshold calculated during learning, and the simulation loss is the threshold value If it is abnormal, it includes a detection unit that determines that there is an abnormality in the junction box.

상기 장치는 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 생성된 학습용 센서벡터를 초기화된 검출모델에 입력하고, 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고, 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써, 검출모델을 학습시키는 모델생성부를 더 포함한다. The device generates a sensor vector for learning from a plurality of sensor values that measure the state of the junction box when the junction box is in a normal state by a plurality of sensors, and inputs the generated sensor vector for learning into an initialized detection model, The detection model is learned by calculating the total loss including the simulation loss and the simulation potential loss according to the calculation result of the detection model for the sensor vector, and performing optimization to update the parameters of the detection model so that the total loss is minimized. It further includes a model generation unit to make it.

상기 모델생성부는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면, 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고, 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 한다. The model generating unit calculates a learning latent vector by the encoder of the detection model through weight calculation on the learning sensor vector, and the decoder of the detection model simulates the learning sensor vector through weight operation on the learning latent vector When the simulation sensor vector for learning is calculated, and the simulation potential vector for learning that the encoder of the detection model calculates the weight calculation for the simulation sensor vector for learning to simulate the latent vector for learning, the simulation latent vector for learning and the latent vector for learning It is characterized in that the simulation potential loss representing the difference is calculated, and the simulation loss representing the difference between the training sensor vector and the training sensor vector is calculated.

상기 모델생성부는 수학식

Figure pat00007
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다. The model generating unit is
Figure pat00007
The simulation loss is calculated according to Here, Er is the simulation loss, x is a sensor vector for learning, and y is a simulation sensor vector for learning.

상기 모델생성부는 수학식

Figure pat00008
에 따라 모사잠재손실을 산출한다. 여기서, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다. The model generating unit is
Figure pat00008
The simulated potential loss is calculated according to Here, Et is the simulation potential loss, z is a learning latent vector, and h is a learning simulation latent vector.

상기 모델생성부는 상기 검출모델을 학습시킨 후, 수학식

Figure pat00009
에 따라 상기 임계치를 산출한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다. After the model generator learns the detection model,
Figure pat00009
The threshold is calculated according to Here, th is the threshold, m is an average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors, and d is the plurality of training simulation sensor vectors and the plurality of training sensor vectors. is the standard deviation of the simulation loss representing the difference from the learning sensor vector, and e is a weight for the standard deviation of the simulation loss.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치는 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 상기 학습용 센서벡터를 초기화된 검출모델에 입력한 후, 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고, 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 모델생성부를 포함한다. The device for maintaining the state of the solar junction box using a plurality of sensors according to a preferred embodiment of the present invention for achieving the object as described above is the state of the junction box when the junction box is in a normal state by a plurality of sensors After generating a sensor vector for learning from a plurality of measured sensor values, inputting the sensor vector for learning into an initialized detection model, and including a simulation loss and a simulation potential loss according to the operation result of the detection model for the learning sensor vector and a model generator for learning the detection model to generate a simulated sensor vector simulating the sensor vector by calculating the total loss and performing optimization to update the parameters of the detection model so that the total loss is minimized.

상기 장치는 접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하고, 생성된 센서벡터를 상기 검출모델에 입력하는 데이터처리부와, 상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함의 상태에 이상이 있는 것으로 판단하는 검출부를 더 포함한다. When the device receives a plurality of sensor values sensed by the plurality of sensors from the access box, data for generating a sensor vector from the received plurality of sensor values, and inputting the generated sensor vector to the detection model When the processing unit and the detection model calculate a pseudo-sensor vector by simulating the sensor vector, whether the simulation loss representing the difference between the sensor vector and the simulated sensor vector exceeds the threshold calculated during the learning Determining whether or not, if the radiation loss is greater than or equal to the threshold, it further comprises a detection unit for determining that there is an abnormality in the state of the junction box.

상기 모델생성부는 상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면, 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고, 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 한다. The model generating unit calculates a learning latent vector by the encoder of the detection model through weight calculation on the learning sensor vector, and the decoder of the detection model simulates the learning sensor vector through weight operation on the learning latent vector When the simulation sensor vector for learning is calculated, and the simulation potential vector for learning that the encoder of the detection model calculates the weight calculation for the simulation sensor vector for learning to simulate the latent vector for learning, the simulation latent vector for learning and the latent vector for learning It is characterized in that the simulation potential loss representing the difference is calculated, and the simulation loss representing the difference between the training sensor vector and the training sensor vector is calculated.

상기 모델생성부는 수학식

Figure pat00010
에 따라 모사손실을 산출한다. 여기서, 상기 Er은 상기 모사손실이고, 상기 x는 학습용 센서벡터이고, 상기 y는 학습용 모사센서벡터인 것을 특징으로 한다. The model generating unit is
Figure pat00010
The simulation loss is calculated according to Here, Er is the simulation loss, x is a sensor vector for learning, and y is a simulation sensor vector for learning.

상기 모델생성부는 수학식

Figure pat00011
에 따라 모사잠재손실을 산출하고, 상기 Et은 상기 모사잠재손실이고, 상기 z는 학습용 잠재벡터이고, 상기 h는 학습용 모사잠재벡터인 것을 특징으로 한다. The model generating unit is
Figure pat00011
The simulation potential loss is calculated according to , wherein Et is the simulation potential loss, z is a latent vector for learning, and h is a simulation potential vector for learning.

상기 모델생성부는 상기 검출모델을 학습시킨 후, 수학식

Figure pat00012
에 따라 상기 임계치를 산출하는 것을 특징으로 한다. 여기서, 상기 th는 상기 임계치이고, 상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고, 상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고, 상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것을 특징으로 한다. After the model generator learns the detection model,
Figure pat00012
It is characterized in that the threshold value is calculated according to Here, th is the threshold, m is an average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors, and d is the plurality of training simulation sensor vectors and the plurality of training sensor vectors. is the standard deviation of the simulation loss representing the difference from the learning sensor vector, and e is a weight for the standard deviation of the simulation loss.

본 발명에 따르면, 복수의 센서를 이용한 태양광 접속함의 상태를 유지할 수 있는 장치 및 이를 위한 방법을 제공할 수 있다. According to the present invention, it is possible to provide an apparatus capable of maintaining the state of the solar junction box using a plurality of sensors and a method therefor.

도 1은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 태양광접속함의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 상태유지서버의 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시예에 따른 상태유지서버의 제어모듈의 세부적인 구성을 설명하기 위한 블록도이다.
도 5는 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)의 구성을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)을 생성하는 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법을 설명하기 위하 흐름도이다. 1 is a view for explaining the configuration of a system for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention.
2 is a view for explaining the configuration of a solar junction box according to an embodiment of the present invention.
3 is a block diagram for explaining the configuration of a state maintenance server according to an embodiment of the present invention.
4 is a block diagram illustrating a detailed configuration of a control module of a state maintenance server according to an embodiment of the present invention.
5 is a view for explaining the configuration of the detection model (DM) for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention.
6 is a flowchart for explaining a method of generating a detection model (DM) for maintaining the state of the solar junction box according to an embodiment of the present invention.
7 is a flowchart for explaining a method for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다. Prior to the detailed description of the present invention, the terms or words used in the present specification and claims described below should not be construed as being limited to their ordinary or dictionary meanings, and the inventors should develop their own inventions in the best way. It should be interpreted as meaning and concept consistent with the technical idea of the present invention based on the principle that it can be appropriately defined as a concept of a term for explanation. Accordingly, the embodiments described in this specification and the configurations shown in the drawings are only the most preferred embodiments of the present invention, and do not represent all the technical ideas of the present invention, so various equivalents that can replace them at the time of the present application It should be understood that there may be water and variations.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In this case, it should be noted that the same components in the accompanying drawings are denoted by the same reference numerals as much as possible. In addition, detailed descriptions of well-known functions and configurations that may obscure the gist of the present invention will be omitted. For the same reason, some components are exaggerated, omitted, or schematically illustrated in the accompanying drawings, and the size of each component does not fully reflect the actual size.

먼저, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템의 구성을 설명하기 위한 도면이다. First, a system for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention will be described. 1 is a view for explaining the configuration of a system for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 시스템(이하, '상태유지시스템'으로 축약함)은 상태유지서버(10), 태양광셀어레이(20, Solar Cell Array: SCA), 접속함(30, Junction Box: JB), 인버터(40, Inverter) 및 부하(50, Load)를 포함한다. 1, a system for maintaining the state of a solar junction box using a plurality of sensors according to an embodiment of the present invention (hereinafter, abbreviated as 'state maintenance system') is a state maintenance server 10, a solar cell It includes an array (20, Solar Cell Array: SCA), a junction box (30, Junction Box: JB), an inverter (40, Inverter) and a load (50, Load).

태양광셀어레이(20)는 복수의 태양광셀(SC: Solar Cell)을 포함한다. 복수의 태양광셀(SC) 각각은 광기전 효과(photovoltaic effect)를 이용하여, 태양으로부터 오는 빛을 전기 에너지를 생산한다. The solar cell array 20 includes a plurality of solar cells (SC: Solar Cell). Each of the plurality of photovoltaic cells SC uses a photovoltaic effect to generate electric energy from light coming from the sun.

접속함(30)은 복수의 태양광셀(SC)을 관리하고, 복수의 태양광셀(SC)이 생산한 전기 에너지인 직류 전류를 전달한다. The junction box 30 manages a plurality of photovoltaic cells (SC), and transmits a direct current that is electrical energy produced by the plurality of photovoltaic cells (SC).

인버터(40)는 접속함으로부터 유입되는 직류전류를 교류전류로 변환하여 예컨대, 수용가와 같은 부하(50)로 출력한다. The inverter 40 converts the direct current flowing in from the junction box into an alternating current and outputs it to the load 50 such as a consumer.

상태유지서버(10)는 접속함(30)의 복수의 센서로부터 측정되는 센서값을 수신하고, 이를 기초로 접속함(30)이 복수의 태양광셀(SC)을 관리하는 상태를 일정하게 유지할 수 있도록 하기 위한 것이다. The state maintenance server 10 receives the sensor values measured from the plurality of sensors of the junction box 30, and based on this, the junction box 30 constantly maintains the state in which the plurality of solar cells (SC) are managed. is to make it

다음으로, 본 발명의 실시예에 따른 접속함(30)의 구성에 대해서 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 태양광접속함의 구성을 설명하기 위한 도면이다. 도 2를 참조하면, 본 발명의 실시예에 따른 접속함(30)은 차단회로부(31), 보호회로부(32), 센서부(33), 통신부(34) 및 제어부(35)를 포함한다. Next, the configuration of the junction box 30 according to an embodiment of the present invention will be described in more detail. 2 is a view for explaining the configuration of a solar junction box according to an embodiment of the present invention. Referring to FIG. 2 , the junction box 30 according to an embodiment of the present invention includes a blocking circuit unit 31 , a protection circuit unit 32 , a sensor unit 33 , a communication unit 34 , and a control unit 35 .

차단회로부(31)는 태양광셀어레이(20)로부터 유입되는 전류의 상태에서 이상이 발생하는 경우, 차단하기 위한 것이다. 차단회로부(31)는 예컨대, 과전류가 발생하는 경우, 차단할 수 있다. 일 실시예에 따르면, 차단회로부(31)는 복수의 태양광셀(20) 각각으로부터 연결되는 선로를 따라 복수의 퓨즈(FS1, FS2) 및 복수의 역류방지다이오드(D1, D2)가 배치될 수 있다. 제어부(35)의 제어에 따라 복수의 퓨즈(FS1, FS2)를 통해 지락이 발생하는 경우, 이를 차단하며, 역류방지다이오드(D1, D2)를 통해 역류를 방지할 수 있다. 또한, 차단회로부(31)는 복수의 퓨즈(FS1, FS2)와 역류방지다이오드(D1, D2)를 연결하는 버스바(BUS)를 포함할 수 있다. 본 발명의 다른 실시예에 따르면, 차단회로부(31)는 복수의 태양광셀(20) 각각으로부터 개별 선로를 통해 접속함으로 입력되는 전류를 선택적으로 차단할 수 있다. 즉, 차단회로부(31)는 제어부(35)의 제어에 따라 복수의 태양광셀(20) 각각에 연결된 선로 중 지락이 감지된 선로에 대응하는 태양광셀(20)로부터 입력되는 전류를 차단할 수 있다. 차단회로부(31)는 복수의 태양광셀(20) 각각에 한 세트의 선로가 배정될 때, 각 선로 별로 센서부(33)의 전류 센서 혹은 전압 센서가 배치될 수 있다. The blocking circuit unit 31 is for blocking when an abnormality occurs in the state of the current flowing from the solar cell array 20 . The blocking circuit unit 31 may block, for example, when an overcurrent occurs. According to an embodiment, in the blocking circuit unit 31 , a plurality of fuses FS1 and FS2 and a plurality of backflow prevention diodes D1 and D2 may be disposed along a line connected from each of the plurality of photovoltaic cells 20 . . When a ground fault occurs through the plurality of fuses FS1 and FS2 under the control of the control unit 35, it is cut off and reverse flow can be prevented through the backflow prevention diodes D1 and D2. In addition, the blocking circuit unit 31 may include a bus bar BUS connecting the plurality of fuses FS1 and FS2 and the reverse flow prevention diodes D1 and D2. According to another embodiment of the present invention, the blocking circuit unit 31 may selectively block the current input from each of the plurality of photovoltaic cells 20 to the junction box through individual lines. That is, the blocking circuit unit 31 may block the current input from the solar cell 20 corresponding to the line in which the ground fault is detected among the lines connected to each of the plurality of solar cells 20 under the control of the control unit 35 . When a set of lines is allocated to each of the plurality of photovoltaic cells 20 , the blocking circuit unit 31 may include a current sensor or a voltage sensor of the sensor unit 33 for each line.

보호회로부(32)는 접속함(30) 내에 과전압이 발생하면 접속함 내부의 회로를 보호하기 위한 것이다. 보호회로부(32)는 복수의 서지보호기(S1, S2, Surge Protection Device: SPD) 및 접지에 연결되는 접지다이오드(D3)를 포함한다. 이러한 복수의 서지보호기(S1, S2) 및 접지된 다이오드를 통해 과전압(Surge), 개폐서지, 지락, 정전 등의 계통 고장 서지 등으로부터 접속함 내부의 회로를 보호할 수 있다. The protection circuit part 32 is for protecting the circuit inside the junction box when an overvoltage occurs in the junction box 30 . The protection circuit unit 32 includes a plurality of surge protectors (S1, S2, Surge Protection Device: SPD) and a ground diode (D3) connected to the ground. Through the plurality of surge protectors (S1, S2) and the grounded diode, it is possible to protect the circuit inside the junction box from system failure surges such as overvoltage (Surge), switching surge, ground fault, and power failure.

센서부(33)는 복수의 센서를 구비하며, 복수의 센서를 통해 접속함(30)의 상태를 측정하고, 접속함(30)의 상태를 나타내는 센서값을 생성한다. 여기서, 접속함(30)의 상태는 접속함(30)에 인가되는 전압, 전류의 상태를 나타내는 1차 상태를 비롯하여 접속함(30)에 인가되는 전압, 전류로 인해 발생되는 부수적인 상태 변화를 나타내는 2차 상태를 포함한다. 예컨대, 센서부(33)의 복수의 센서는 이미지 센서, 전압 센서, 전류 센서, 열감지 센서, 연기 센서 등을 포함한다. The sensor unit 33 includes a plurality of sensors, measures the state of the junction box 30 through the plurality of sensors, and generates a sensor value indicating the state of the junction box 30 . Here, the state of the junction box 30 includes a primary state indicating the state of the voltage and current applied to the junction box 30, as well as an incidental state change caused by the voltage and current applied to the junction box 30. It contains a secondary state to indicate. For example, the plurality of sensors of the sensor unit 33 include an image sensor, a voltage sensor, a current sensor, a heat sensor, a smoke sensor, and the like.

통신부(34)는 네트워크를 통해 상태유지서버(10)와 통신하기 위한 것이다. 통신부(34)는 송신되는 신호의 주파수를 상승 변환 및 증폭하는 RF 송신기와, 수신되는 신호를 저 잡음 증폭하고 주파수를 하강 변환하는 RF 수신기를 포함한다. 또한, 통신부(34)는 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신부(34)는 제어부(35)로부터 전달 받은 데이터를 네트워크를 통해 상태유지서버(10)로 전송할 수 있다. 또한, 통신부(34)는 네트워크를 통해 상태유지서버(10)로부터 수신된 데이터를 제어부(35)로 전달할 수 있다. The communication unit 34 is for communicating with the state maintenance server 10 through a network. The communication unit 34 includes an RF transmitter for up-converting and amplifying a frequency of a transmitted signal, and an RF receiver for low-noise amplifying and down-converting a received signal. In addition, the communication unit 34 may include a modem that modulates a signal to be transmitted and demodulates a received signal to transmit/receive data through a network. The communication unit 34 may transmit the data received from the control unit 35 to the state maintenance server 10 through the network. Also, the communication unit 34 may transmit data received from the state maintenance server 10 to the control unit 35 through a network.

제어부(35)는 접속함(30)의 전반적인 동작 및 접속함(30)의 내부 블록들(31, 32, 33, 34) 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 이러한 제어부(35)는 CPU(Central Processing Unit), AP(Application Processor), GPU(Graphic Processing Unit) 등이 될 수 있다. 제어부(35)는 센서부(33)의 복수의 센서에 의해 측정된 접속함(30)의 상태를 나타내는 복수의 센서값을 통신부(34)를 통해 상태유지서버(10)로 전송할 수 있다. 제어부(35)는 통신부(34)를 통해 상태유지서버(10)로부터 상태 이상을 정정하도록 정정 메시지를 수신하면, 해당 정정 메시지에 따라 차단회로부(31) 혹은 보호회로부(32)를 가동시켜 접속함(30)을 보호할 수 있다. The controller 35 may control the overall operation of the junction box 30 and the signal flow between the internal blocks 31 , 32 , 33 and 34 of the junction box 30 , and perform a data processing function of processing data. have. The controller 35 may be a central processing unit (CPU), an application processor (AP), a graphic processing unit (GPU), or the like. The control unit 35 may transmit a plurality of sensor values indicating the state of the junction box 30 measured by the plurality of sensors of the sensor unit 33 to the state maintenance server 10 through the communication unit 34 . When the control unit 35 receives a correction message to correct the state abnormality from the state maintenance server 10 through the communication unit 34, it operates the blocking circuit unit 31 or the protection circuit unit 32 according to the correction message to connect. (30) can be protected.

다음으로, 본 발명의 실시예에 따른 상태유지서버(10)에 대해 보다 상세하게 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 상태유지서버의 구성을 설명하기 위한 블록도이다. 도 4는 본 발명의 실시예에 따른 상태유지서버의 제어모듈의 세부적인 구성을 설명하기 위한 블록도이다. Next, the state maintenance server 10 according to an embodiment of the present invention will be described in more detail. 3 is a block diagram for explaining the configuration of a state maintenance server according to an embodiment of the present invention. 4 is a block diagram illustrating a detailed configuration of a control module of a state maintenance server according to an embodiment of the present invention.

먼저, 도 3을 참조하면, 본 발명의 실시예에 따른 상태유지서버(10)는 통신모듈(11), 저장모듈(12) 및 제어모듈(13)을 포함한다. First, referring to FIG. 3 , the state maintenance server 10 according to an embodiment of the present invention includes a communication module 11 , a storage module 12 , and a control module 13 .

통신모듈(11)은 네트워크를 통해 접속함(30)과 통신하기 위한 것이다. 통신모듈(11)은 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신모듈(11)은 제어모듈(13)로부터 전달 받은 데이터를 네트워크를 통해 접속함(30)으로 전송할 수 있다. 또한, 통신모듈(11)은 네트워크를 통해 접속함(30)으로부터 수신된 데이터를 제어모듈(13)로 전달할 수 있다. The communication module 11 is for communicating with the junction box 30 through a network. The communication module 11 may include a modem for modulating a signal to be transmitted and demodulating a received signal to transmit/receive data through a network. The communication module 11 may transmit data received from the control module 13 to the junction box 30 through a network. Also, the communication module 11 may transmit data received from the access box 30 to the control module 13 through a network.

저장모듈(12)은 상태유지서버(10)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 저장모듈(12)은 접속함(30)으로부터 수신되는 데이터, 예컨대, 센서값 등을 저장할 수 있다. 저장모듈(12)에 저장되는 각 종 데이터는 관리자의 조작에 따라 등록, 삭제, 변경, 추가될 수 있다. The storage module 12 serves to store programs and data necessary for the operation of the state maintenance server 10 . The storage module 12 may store data received from the access box 30 , for example, a sensor value. Various types of data stored in the storage module 12 may be registered, deleted, changed, or added according to the operation of the administrator.

제어모듈(13)은 상태유지서버(10)의 전반적인 동작 및 상태유지서버(10)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 제어모듈(13)은 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 등이 될 수 있다. 이러한 제어모듈(13)은 도 4에 도시된 바와 같이, 모델생성부(100), 데이터처리부(200) 및 검출부(300)를 포함한다. 또한, 본 발명의 실시예에 따라 모델생성부(100)가 생성한 검출모델(DM)은 제어모듈(13)에서 실행될 수 있다. 특히, 검출모델(DM)이 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 등인 제어모듈(13)에서 실행될 때, 검출모델(DM)을 실행시키는 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit) 등의 명령모듈(instruction module)은 검출모델(DM)과 동치인 하드웨어로 설명될 수 있다. The control module 13 may control the overall operation of the state maintaining server 10 and the signal flow between internal blocks of the state maintaining server 10 , and may perform a data processing function of processing data. The control module 13 may be a central processing unit (CPU), a graphic processing unit (GPU), a neural processing unit (NPU), or the like. The control module 13 includes a model generation unit 100 , a data processing unit 200 , and a detection unit 300 , as shown in FIG. 4 . In addition, the detection model DM generated by the model generator 100 according to an embodiment of the present invention may be executed in the control module 13 . In particular, when the detection model DM is executed in the control module 13 that is a CPU (Central Processing Unit), GPU (Graphic Processing Unit), NPU (Neural Processing Unit), etc., CPU (Central Processing) that executes the detection model DM Unit), a graphic processing unit (GPU), an instruction module such as a neural processing unit (NPU), etc. may be described as hardware equivalent to the detection model DM.

모델생성부(100)는 본 발명의 실시예에 따른 심층학습모델(Deep Learning Model)인 검출모델(DM: Detection Model)을 학습(deep learning)시키기 위한 것이다. 즉, 모델생성부(100)는 검출모델(DM)이 접속함의 현재 상태를 나타내는 센서벡터를 모사하여 모사센서벡터를 산출하도록 학습시킨다. 학습이 완료된 검출모델(DM)은 데이터처리부(200) 및 검출부(300)와 연동하여 실행된다. The model generator 100 is for deep learning a detection model (DM), which is a deep learning model according to an embodiment of the present invention. That is, the model generating unit 100 learns to calculate the simulated sensor vector by simulating the sensor vector indicating the current state of the detection model (DM) of the junction box. The learning detection model DM is executed in conjunction with the data processing unit 200 and the detection unit 300 .

데이터처리부(200)는 통신모듈(11)을 통해 접속함(30)로부터 센서부(33)의 복수의 센서가 측정한 복수의 센서값을 수신할 수 있다. 데이터처리부(200)는 수신된 복수의 센서값을 저장모듈(12)에 저장할 수 있다. 그리고 데이터처리부(200)는 수신된 복수의 센서값을 포함하는 센서벡터를 생성한다. 생성된 센서벡터를 검출모델에 입력한다. The data processing unit 200 may receive a plurality of sensor values measured by a plurality of sensors of the sensor unit 33 from the junction box 30 through the communication module 11 . The data processing unit 200 may store the received plurality of sensor values in the storage module 12 . And the data processing unit 200 generates a sensor vector including a plurality of received sensor values. The generated sensor vector is input to the detection model.

검출부(300)는 학습이 완료된 검출모델(DM)이 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 센서벡터와 모사센서벡터의 차이를 나타내는 모사손실이 검출모델(DM)의 학습 시 기 산출된 임계치를 초과하는지 여부를 판단한다. 모사손실이 임계치 이상이면, 접속함(30)의 상태에 이상이 있는 것으로 판단한다. 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 정정하도록 정정 메시지를 전송할 수 있다. 또한, 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 알리는 메시지를 접속함(30)을 관리하는 관리자의 장치로 전송할 수 있다. When the detection unit 300 calculates a pseudo-sensor vector by simulating the sensor vector by the detection model DM that has been trained, the simulation loss representing the difference between the sensor vector and the simulated sensor vector is detected by the detection model (DM) It is determined whether the threshold value calculated at the time of learning of is exceeded. If the copy loss is more than the threshold, it is determined that there is an abnormality in the state of the junction box (30). When it is detected that there is an abnormality in the state of the junction box 30 , the detection unit 300 may transmit a correction message to correct the abnormal state of the junction box 30 through the communication module 11 . In addition, when it is detected that there is an abnormality in the state of the junction box 30 , the detection unit 300 sends a message notifying the abnormal state of the junction box 30 through the communication module 11 to an administrator who manages the junction box 30 . can be transmitted to the device of

전술한 모델생성부(100), 데이터처리부(200), 검출부(300) 및 통지부(400)를 포함하는 제어부(13)의 동작에 대해서는 아래에서 더 상세하게 설명될 것이다. The operation of the control unit 13 including the above-described model generation unit 100 , data processing unit 200 , detection unit 300 , and notification unit 400 will be described in more detail below.

다음으로, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)의 구성에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)의 구성을 설명하기 위한 도면이다. 도 5를 참조하면, 검출모델(DM)은 인코더(encoder: EN) 및 디코더(decoder: DE)를 포함한다. Next, a configuration of the detection model DM for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention will be described. 5 is a view for explaining the configuration of the detection model (DM) for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention. Referring to FIG. 5 , the detection model DM includes an encoder (EN) and a decoder (DE).

인코더(EN)는 컨벌루션(Convolution) 연산 및 활성화함수에 의한 연산을 포함하는 복수의 컨벌루션층(Convolution Layer: CL)을 포함한다. 또한, 인코더(EN)는 복수의 컨벌루션층(CL) 각각에 연결되는 풀링층(Pooling Layer: PL)을 더 포함할 수 있다. 이러한 풀링층(PL)은 다운 샘플링(down-sampling)을 위한 것이다. The encoder EN includes a plurality of convolution layers (CL) including a convolution operation and an operation by an activation function. Also, the encoder EN may further include a pooling layer (PL) connected to each of the plurality of convolutional layers CL. This pooling layer PL is for down-sampling.

디코더(DE)는 디컨벌루션(Deconvolution) 연산 및 활성화함수에 의한 연산을 포함하는 복수의 디컨벌루션층(Deconvolution Layer: DL)을 포함한다. 또한, 디코더(DE)는 복수의 디컨벌루션층(DL) 각각에 연결되는 언풀링층(Unpooling layer: UL)을 더 포함할 수 있다. 이러한 언풀링층(UL)은 업샘플링(up-sampling)을 하기 위한 것이다. The decoder DE includes a plurality of deconvolution layers (DLs) including a deconvolution operation and an operation by an activation function. Also, the decoder DE may further include an unpooling layer (UL) connected to each of the plurality of deconvolutional layers DL. This unpooling layer UL is for up-sampling.

전술한 복수의 컨벌루션층(CL) 혹은 복수의 디컨벌루션층(DL)에서 사용되는 활성화함수는 시그모이드(Sigmoid), 하이퍼볼릭탄젠트(tanh: Hyperbolic tangent), ELU(Exponential Linear Unit), ReLU(Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax 등을 예시할 수 있다. The activation functions used in the plurality of convolutional layers (CL) or the plurality of deconvolution layers (DL) described above are Sigmoid, Hyperbolic tangent (tanh), Exponential Linear Unit (ELU), and ReLU ( Rectified Linear Unit), Leakly ReLU, Maxout, Minout, Softmax, etc. may be exemplified.

전술한 바와 같이, 검출모델(DM)은 복수의 계층을 포함하며, 복수의 계층은 복수의 연산을 포함한다. 또한, 복수의 계층 간은 가중치(w: weight)로 연결된다. 어느 하나의 계층의 연산 결과는 가중치가 적용되어 다음 계층 노드의 입력이 된다. 즉, 검출모델(DM)의 어느 한 계층은 이전 계층으로부터 가중치를 적용한 값을 입력 받고, 이에 대한 연산을 수행하고, 그 연산 결과를 다음 계층의 입력으로 전달한다. As described above, the detection model DM includes a plurality of layers, and the plurality of layers includes a plurality of operations. In addition, a plurality of layers are connected by a weight (w: weight). The calculation result of one layer is weighted and becomes the input of the node of the next layer. That is, one layer of the detection model DM receives a weighted value from the previous layer, performs an operation on it, and transfers the operation result to the input of the next layer.

인코더(EN)는 센서벡터(x)가 입력되는 경우, 입력된 센서벡터(x)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 잠재벡터(Latent Vector: z)를 산출하여 출력할 수 있다. When a sensor vector (x) is input, the encoder (EN) calculates and outputs a latent vector (z) by performing a plurality of operations in which a plurality of inter-layer weights are applied to the input sensor vector (x). can do.

또한, 본 발명의 실시예에 따르면, 학습 시, 인코더(EN)는 학습용 모사센서벡터(y)를 입력받을 수 있다. 이와 같이, 학습용 모사센서벡터(y)가 입력되는 경우, 인코더(EN)는 입력된 모사센서벡터(y)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 모사잠재벡터(h)를 산출하여 출력할 수 있다. In addition, according to an embodiment of the present invention, when learning, the encoder (EN) may receive a simulation sensor vector (y) for learning. In this way, when the simulation sensor vector (y) for learning is input, the encoder (EN) performs a plurality of calculations in which a plurality of inter-layer weights are applied to the input simulation sensor vector (y) to perform a simulation potential vector (h) for learning. ) can be calculated and printed.

디코더(DE)는 인코더(EN)로부터 출력된 잠재벡터(z)가 입력되면, 잠재벡터(z)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 센서벡터(x)를 모사하는 모사센서벡터(y)를 생성한다. When the latent vector (z) output from the encoder (EN) is input, the decoder (DE) performs a plurality of operations in which a plurality of inter-layer weights are applied to the latent vector (z) to simulate the sensor vector (x). A simulated sensor vector (y) is generated.

본 발명에 따르면, 전술한 인코더(EN) 및 디코더(DE)를 포함하는 검출모델(DM)을 이용하여 복수의 센서를 이용한 태양광 접속함의 상태가 이상한지 여부를 감지하고, 정상 상태를 유지하도록 할 수 있다. 그러면, 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법에 대해서 설명하기로 한다. 먼저, 접속함의 상태를 유지하기 위한 방법을 수행하기 위해 학습을 통해 검출모델(DM)을 생성하여야 한다. 이러한 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 태양광 접속함의 상태를 유지하기 위한 검출모델(DM)을 생성하는 방법을 설명하기 위한 흐름도이다. According to the present invention, by using the detection model (DM) including the above-described encoder (EN) and decoder (DE) to detect whether the state of the solar junction box using a plurality of sensors is abnormal, and to maintain a normal state can do. Then, a method for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention will be described. First, in order to perform a method for maintaining the state of the junction box, a detection model (DM) must be generated through learning. These methods will be described. 6 is a flowchart for explaining a method of generating a detection model (DM) for maintaining the state of the solar junction box according to an embodiment of the present invention.

도 5 및 도 6을 참조하면, 모델생성부(100)는 S110 단계에서 검출모델(DM)을 초기화한다. 이러한 초기화는 검출모델(DM)의 파라미터, 즉, 가중치(w)를 초기화하는 것을 의미한다. 초기화가 완료되면, 모델생성부(100)는 S120 단계에서 초기화된 검출모델(DM)에 학습을 위해 사용되는 학습용 센서벡터(x)를 생성한다. 학습용 센서벡터(x)는 접속함(30)의 센서부(33)의 복수의 센서에 의해 접속함(30)이 정상 상태인 때의 접속함(30)의 상태를 측정한 복수의 센서값으로부터 생성된 것이다. 이어서, 모델생성부(100)는 S130 단계에서 생성된 학습용 센서벡터(x)를 검출모델(DM)에 입력한다. 5 and 6 , the model generator 100 initializes the detection model DM in step S110. This initialization means to initialize the parameter of the detection model DM, that is, the weight w. When the initialization is completed, the model generating unit 100 generates a learning sensor vector (x) used for learning in the initialized detection model (DM) in step S120. The sensor vector for learning (x) is from a plurality of sensor values measured by the plurality of sensors of the sensor unit 33 of the junction box 30 to measure the state of the junction box 30 when the junction box 30 is in a normal state. it will be created Next, the model generation unit 100 inputs the sensor vector (x) for learning generated in step S130 to the detection model (DM).

그러면, 검출모델(DM)은 S140 단계에서 학습용 센서벡터(x)에 대해 인코더(EN), 디코더(DE) 및 인코더(EN)에 의한 연산을 수행한다. 먼저, 인코더(EN)는 학습용 센서벡터(x)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 잠재벡터(z)를 산출한다. 그러면, 디코더(DE)는 학습용 잠재벡터(z)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 모사센서벡터(y)를 산출한다. 다시, 인코더(EN)는 학습용 모사센서벡터(y)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 모사잠재벡터(h)를 산출한다. Then, the detection model DM performs an operation by the encoder (EN), the decoder (DE) and the encoder (EN) on the learning sensor vector (x) in step S140. First, the encoder EN calculates a learning latent vector z by performing a plurality of operations to which a plurality of inter-layer weights are applied on the learning sensor vector x. Then, the decoder DE calculates a simulation sensor vector y for learning by performing a plurality of operations in which a plurality of inter-layer weights are applied to the learning latent vector z. Again, the encoder (EN) calculates a simulation potential vector (h) for learning by performing a plurality of operations to which a plurality of inter-layer weights are applied to the simulation sensor vector (y) for learning.

다음으로, 모델생성부(100)는 S150 단계에서 학습용 모사잠재벡터(h)와 학습용 잠재벡터(z)와의 차이를 나타내는 모사잠재손실(Et)을 산출하고, 학습용 모사센서벡터(y)와 학습용 센서벡터(x)와의 차이를 나타내는 모사손실(Er)을 산출함으로써 전체 손실을 산출한다. Next, the model generation unit 100 calculates the simulation potential loss (Et) representing the difference between the simulation potential vector (h) for learning and the latent vector for learning (z) in step S150, and the simulation sensor vector for learning (y) and for learning The total loss is calculated by calculating the simulation loss (Er) representing the difference from the sensor vector (x).

모사잠재손실(Et)은 다음의 수학식 1과 같다. The simulated potential loss (Et) is expressed in Equation 1 below.

Figure pat00013
Figure pat00013

여기서, Et은 모사잠재손실을 나타낸다. z는 학습용 잠재벡터이고, h는 학습용 모사잠재벡터를 나타낸다. 또한, i 및 n은 데이터의 인덱스이다. Here, Et represents the simulated potential loss. z is a latent vector for learning, and h is a simulation latent vector for learning. Also, i and n are indexes of data.

또한, 모사손실(Er)은 다음의 수학식 2와 같다. In addition, the simulation loss (Er) is as shown in Equation 2 below.

Figure pat00014
Figure pat00014

수학식 2에서 Er은 상기 모사손실을 나타내며, x는 학습용 센서벡터이고, y는 학습용 모사센서벡터이다. 또한, i 및 n은 데이터의 인덱스를 나타낸다. In Equation 2, Er represents the simulation loss, x is a sensor vector for learning, and y is a simulation sensor vector for learning. Also, i and n represent indexes of data.

그런 다음, 모델생성부(100)는 S160 단계에서 모사손실(Er) 및 모사잠재손실(Et)을 포함하는 전체 손실이 최소화되도록 역전파(Backpropagation) 알고리즘을 통해 검출모델(DM)의 가중치(w)를 갱신하는 최적화를 수행한다. Then, the model generation unit 100 is the weight (w) of the detection model (DM) through a backpropagation algorithm so that the total loss including the simulation loss (Er) and the simulation potential loss (Et) in step S160 is minimized ) to update the optimization.

전술한 S120 단계 내지 S160 단계는 서로 다른 복수의 학습용 센서벡터(x)를 이용하여 산출되는 전체 손실이 기 설정된 기준치 이하가 될 때까지 반복하여 가중치(w)가 갱신되도록 반복 수행될 수 있다. 이를 위하여, 모델생성부(100)는 S170 단계에서 전체 손실이 기 설정된 기준치 이하인지 여부를 판별하여 학습 완료 여부를 판단한다. 즉, 모델생성부(100)는 전체 손실이 기 설정된 기준치 이하인 경우, 학습이 충분히 이루어진 것으로 판단하여 학습 완료를 결정한다. Steps S120 to S160 described above may be repeatedly performed so that the weight w is updated repeatedly until the total loss calculated using a plurality of different learning sensor vectors x is less than or equal to a preset reference value. To this end, the model generator 100 determines whether the learning is completed by determining whether the total loss is less than or equal to a preset reference value in step S170. That is, when the total loss is less than or equal to a preset reference value, the model generator 100 determines that learning has been completed sufficiently and determines completion of learning.

학습이 완료되면, 모델생성부(100)는 S180 단계에서 센서벡터(x)와 모사센서벡터(y)와의 차이, 즉, 모사손실의 임계치(th)를 산출한다. 이러한 임계치는 다음의 수학식 3에 따라 산출된다. When the learning is completed, the model generation unit 100 calculates a difference between the sensor vector (x) and the simulated sensor vector (y) in step S180, that is, a threshold value (th) of the simulation loss. This threshold is calculated according to Equation 3 below.

Figure pat00015
Figure pat00015

수학식 3에서, th는 임계치를 나타낸다. 또한, m은 복수의 학습용 모사센서벡터(y)와 복수의 학습용 센서벡터(x)와의 차이를 나타내는 모사손실의 평균을 나타낸다. d는 복수의 학습용 모사센서벡터(y)와 복수의 학습용 센서벡터(x)와의 차이를 나타내는 모사손실의 표준편차이다. e는 모사손실의 표준편차에 대한 가중치이며, 미리 설정되는 값이다. In Equation 3, th represents a threshold. In addition, m represents the average of the simulation loss representing the difference between the plurality of training sensor vectors (y) and the plurality of training sensor vectors (x). d is the standard deviation of the simulation loss representing the difference between the plurality of training sensor vectors (y) and the plurality of training sensor vectors (x). e is the weight for the standard deviation of the simulation loss, and is a preset value.

전술한 바와 같은 절차에 따라 검출모델(DM)에 대한 학습이 완료되면, 검출모델(DM)을 이용하여 접속함의 상태의 이상 여부를 확인할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법을 설명하기 위하 흐름도이다. When the learning of the detection model DM is completed according to the procedure as described above, it is possible to check whether the state of the junction box is abnormal using the detection model DM. These methods will be described. 7 is a flowchart for explaining a method for maintaining the state of the solar junction box using a plurality of sensors according to an embodiment of the present invention.

도 7을 참조하면, 상태유지서버(10)의 데이터처리부(200)는 S210 단계에서 통신모듈(11)을 통해 접속함(30)으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하고, S220 단계에서 수신된 복수의 센서값으로부터 센서벡터(x)를 생성한다. Referring to FIG. 7 , the data processing unit 200 of the state maintenance server 10 includes a plurality of sensors indicating the state of the junction box measured by the plurality of sensors from the junction box 30 through the communication module 11 in step S210 . A value is received, and a sensor vector (x) is generated from a plurality of sensor values received in step S220.

이어서, 데이터처리부(200)는 S230 단계에서 센서벡터(x)를 검출모델(DM)에 입력한다. 여기서, 검출모델(DM)은 전술한 도 6에서 설명된 바와 같이, 학습이 완료된 상태이다. 따라서 검출모델(DM)은 S240 단계에서 입력된 센서벡터(x)를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출한다. 즉, 검출모델(DM)의 인코더(EN)는 센서벡터(x)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 잠재벡터(z)를 산출하고, 검출모델(DM)의 디코더(DE)는 잠재벡터(z)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 모사센서벡터(y)를 산출한다. Then, the data processing unit 200 inputs the sensor vector (x) to the detection model (DM) in step S230. Here, the detection model DM is in a state in which learning is completed, as described with reference to FIG. 6 above. Therefore, the detection model DM simulates the sensor vector (x) input in step S240 to calculate a pseudo-sensor vector. That is, the encoder EN of the detection model DM calculates a latent vector z by performing a plurality of operations in which a plurality of inter-layer weights are applied to the sensor vector x, and the decoder of the detection model DM (DE) calculates a simulated sensor vector (y) by performing a plurality of operations in which a plurality of inter-layer weights are applied to the latent vector (z).

검출부(300)는 S250 단계에서 모사센서벡터(y)와 센서벡터(x)의 차이를 나타내는 모사손실(Er)이 앞서(S180) 학습 시 산출된 임계치(th)를 초과하는지 여부를 판단한다. The detection unit 300 determines whether the simulation loss (Er) representing the difference between the simulated sensor vector (y) and the sensor vector (x) in step S250 exceeds the threshold value (th) calculated during learning (S180).

S250 단계의 판단 결과, 모사손실이 임계치(th) 이상이면, 검출부(300)는 S260 단계에서 해당 접속함(30)에 이상이 발생한 것으로 판정한다. 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 정정하도록 정정 메시지를 전송할 수 있다. 또한, 검출부(300)는 접속함(30)의 상태에 이상이 있는 것으로 탐지되면, 통신모듈(11)을 통해 접속함(30)의 상태 이상을 알리는 메시지를 접속함(30)을 관리하는 관리자의 장치로 전송할 수 있다. As a result of the determination in step S250, if the copying loss is greater than or equal to the threshold value (th), the detection unit 300 determines that an abnormality has occurred in the corresponding junction box 30 in step S260. When it is detected that there is an abnormality in the state of the junction box 30 , the detection unit 300 may transmit a correction message to correct the abnormal state of the junction box 30 through the communication module 11 . In addition, when it is detected that there is an abnormality in the state of the junction box 30 , the detection unit 300 sends a message notifying the abnormal state of the junction box 30 through the communication module 11 to an administrator who manages the junction box 30 . can be transmitted to the device of

한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. Meanwhile, the above-described method according to an embodiment of the present invention may be implemented in the form of a program readable by various computer means and recorded in a computer readable recording medium. Here, the recording medium may include a program command, a data file, a data structure, etc. alone or in combination. The program instructions recorded on the recording medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. For example, the recording medium includes magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks ( magneto-optical media) and hardware devices specially configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of the program instruction may include not only machine language such as generated by a compiler, but also a high-level language that can be executed by a computer using an interpreter or the like. Such hardware devices may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다. Although the present invention has been described above using several preferred embodiments, these examples are illustrative and not restrictive. As such, those of ordinary skill in the art to which the present invention pertains will understand that various changes and modifications can be made in accordance with the doctrine of equivalents without departing from the spirit of the present invention and the scope of rights set forth in the appended claims.

10: 상태유지서버
20: 태양광셀어레이
30: 접속함
40: 인버터
50: 부하 10: state maintenance server
20: solar cell array
30: junction box
40: inverter
50: load

Claims (24)

복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법에 있어서,
데이터처리부가 접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하는 단계;
데이터처리부가 모사센서벡터를 생성하도록 학습이 완료된 검출모델에 상기 센서벡터를 입력하는 단계;
상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계;
검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계;
상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함에 이상이 있는 것으로 판단하는 단계;
를 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. In the method for maintaining the state of the solar junction box using a plurality of sensors,
generating a sensor vector from the plurality of sensor values when the data processing unit receives a plurality of sensor values indicating states of the junction box measured by the plurality of sensors from the junction box;
inputting the sensor vector into a detection model that has been trained so that a data processing unit generates a simulated sensor vector;
calculating, by the detection model, a pseudo-sensor vector by simulating the sensor vector;
determining, by a detection unit, whether a simulation loss representing a difference between the sensor vector and the simulated sensor vector exceeds a threshold calculated during learning;
determining that there is an abnormality in the junction box by the detection unit if the copy loss is greater than or equal to the threshold;
characterized in that it comprises
A method for maintaining the state of a solar junction box. 제1항에 있어서,
상기 센서벡터를 생성하는 단계 전,
모델생성부가 복수의 학습용 센서벡터를 이용하여 검출모델을 학습시키는 단계;
를 더 포함하며,
상기 검출모델을 학습시키는 단계는
모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계;
상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계;
상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계;
상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행하는 단계;
를 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. According to claim 1,
Before the step of generating the sensor vector,
learning the detection model by the model generator using a plurality of sensor vectors for learning;
further comprising,
The step of training the detection model is
generating, by the model generator, a sensor vector for learning from a plurality of sensor values obtained by measuring the state of the junction box when the junction box is in a normal state by a plurality of sensors;
inputting, by the model generator, the sensor vector for training into an initialized detection model;
calculating, by the model generator, a total loss including a simulation loss and a simulation potential loss according to an operation result of a detection model for the training sensor vector;
performing, by the model generator, an optimization of updating the parameters of the detection model so that the total loss is minimized;
characterized in that it comprises
A method for maintaining the state of a solar junction box. 제2항에 있어서,
상기 전체 손실을 산출하는 단계는
상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계;
상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계;
상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계;
상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계; 및
상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계;
를 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 3. The method of claim 2,
The step of calculating the total loss is
calculating, by the encoder of the detection model, a latent vector for learning through weight calculation on the sensor vector for learning;
calculating, by the decoder of the detection model, a simulation sensor vector for learning that simulates the sensor vector for learning through weight calculation on the latent vector for learning;
calculating, by the encoder of the detection model, a simulation latent vector for learning that simulates the learning latent vector by performing weight calculation on the simulated sensor vector for learning;
calculating, by the model generator, a simulation potential loss representing a difference between the training latent vector and the training latent vector; and
calculating, by the model generator, a simulation loss representing a difference between the training sensor vector and the training sensor vector;
characterized in that it comprises
A method for maintaining the state of a solar junction box. 제3항에 있어서,
상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는
상기 모델생성부가 수학식
Figure pat00016
에 따라 모사손실을 산출하고,
상기 Er은 상기 모사손실이고,
상기 x는 학습용 센서벡터이고,
상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 4. The method of claim 3,
The step of calculating the simulation loss representing the difference between the training sensor vector and the training sensor vector is
The model generation unit
Figure pat00016
Calculate the simulation loss according to
Wherein Er is the simulation loss,
Where x is a sensor vector for learning,
wherein y is a simulation sensor vector for learning
A method for maintaining the state of a solar junction box. 제3항에 있어서,
상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는
상기 모델생성부가 수학식
Figure pat00017
에 따라 모사잠재손실을 산출하고,
상기 Et은 상기 모사잠재손실이고,
상기 z는 학습용 잠재벡터이고,
상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 4. The method of claim 3,
The step of calculating the simulation potential loss representing the difference between the simulation latent vector for learning and the latent vector for learning is
The model generation unit
Figure pat00017
Calculate the simulated potential loss according to
The Et is the simulation potential loss,
wherein z is a latent vector for learning,
wherein h is a simulation latent vector for learning
A method for maintaining the state of a solar junction box. 제1항에 있어서,
상기 검출모델을 학습시키는 단계 후,
상기 모델생성부가
수학식
Figure pat00018
에 따라 상기 임계치를 산출하는 단계;
를 더 포함하며,
상기 th는 상기 임계치이고,
상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. According to claim 1,
After training the detection model,
the model generator
formula
Figure pat00018
calculating the threshold according to
further comprising,
wherein th is the threshold,
Wherein m is the average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Wherein d is the standard deviation of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Where e is the weight for the standard deviation of the simulation loss
characterized by
A method for maintaining the state of a solar junction box. 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 방법에 있어서,
모델생성부가 복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하는 단계;
상기 모델생성부가 상기 학습용 센서벡터를 초기화된 검출모델에 입력하는 단계;
상기 모델생성부가 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하는 단계;
상기 모델생성부가 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 단계;
를 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. In the method for maintaining the state of the solar junction box using a plurality of sensors,
generating, by the model generator, a sensor vector for learning from a plurality of sensor values that measure the state of the junction box when the junction box is in a normal state by a plurality of sensors;
inputting, by the model generator, the sensor vector for training into an initialized detection model;
calculating, by the model generator, a total loss including a simulation loss and a simulation potential loss according to an operation result of a detection model for the training sensor vector;
training the detection model to generate a simulated sensor vector simulating the sensor vector by the model generator performing optimization to update the parameters of the detection model so that the overall loss is minimized;
characterized in that it comprises
A method for maintaining the state of a solar junction box. 제7항에 있어서,
데이터처리부가 접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하는 단계;
상기 데이터처리부가 상기 센서벡터를 상기 검출모델에 입력하는 단계;
상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하는 단계;
검출부가 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하는 단계; 및
상기 모사손실이 상기 임계치 이상이면, 상기 검출부가 상기 접속함의 상태에 이상이 있는 것으로 판단하는 단계;
를 더 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 8. The method of claim 7,
when the data processing unit receives a plurality of sensor values sensed by the plurality of sensors from the access box, generating a sensor vector from the received plurality of sensor values;
inputting the sensor vector into the detection model by the data processing unit;
calculating, by the detection model, a pseudo-sensor vector by simulating the sensor vector;
determining, by a detection unit, whether a simulation loss representing a difference between the sensor vector and the simulated sensor vector exceeds a threshold calculated during the learning; and
determining that there is an abnormality in the state of the junction box by the detection unit, if the copy loss is greater than or equal to the threshold;
characterized in that it further comprises
A method for maintaining the state of a solar junction box. 제7항에 있어서,
상기 전체 손실을 산출하는 단계는
상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하는 단계;
상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하는 단계;
상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하는 단계;
상기 모델생성부가 상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계; 및
상기 모델생성부가 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계;
를 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 8. The method of claim 7,
The step of calculating the total loss is
calculating, by the encoder of the detection model, a latent vector for learning through weight calculation on the sensor vector for learning;
calculating, by the decoder of the detection model, a simulation sensor vector for learning that simulates the sensor vector for learning through weight calculation on the latent vector for learning;
calculating, by the encoder of the detection model, a simulation latent vector for learning that simulates the learning latent vector by performing weight calculation on the simulated sensor vector for learning;
calculating, by the model generator, a simulation potential loss representing a difference between the training latent vector and the training latent vector; and
calculating, by the model generator, a simulation loss representing a difference between the training sensor vector and the training sensor vector;
characterized in that it comprises
A method for maintaining the state of a solar junction box. 제9항에 있어서,
상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 단계는
상기 모델생성부가 수학식
Figure pat00019
에 따라 모사손실을 산출하고,
상기 Er은 상기 모사손실이고,
상기 x는 학습용 센서벡터이고,
상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 10. The method of claim 9,
The step of calculating the simulation loss representing the difference between the training sensor vector and the training sensor vector is
The model generation unit
Figure pat00019
Calculate the simulation loss according to
Wherein Er is the simulation loss,
Where x is a sensor vector for learning,
wherein y is a simulation sensor vector for learning
A method for maintaining the state of a solar junction box. 제9항에 있어서,
상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하는 단계는
상기 모델생성부가 수학식
Figure pat00020
에 따라 모사잠재손실을 산출하고,
상기 Et은 상기 모사잠재손실이고,
상기 z는 학습용 잠재벡터이고,
상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 10. The method of claim 9,
The step of calculating the simulation potential loss representing the difference between the simulation latent vector for learning and the latent vector for learning is
The model generation unit
Figure pat00020
Calculate the simulated potential loss according to
The Et is the simulation potential loss,
wherein z is a latent vector for learning,
wherein h is a simulation latent vector for learning
A method for maintaining the state of a solar junction box. 제8항에 있어서,
상기 학습시키는 단계 후,
상기 센서벡터를 생성하는 단계 전,
상기 모델생성부가
수학식
Figure pat00021
에 따라 상기 임계치를 산출하는 단계;
를 더 포함하며,
상기 th는 상기 임계치이고,
상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 방법. 9. The method of claim 8,
After the learning step,
Before the step of generating the sensor vector,
the model generator
formula
Figure pat00021
calculating the threshold according to
further comprising,
wherein th is the threshold,
Wherein m is the average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Wherein d is the standard deviation of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Where e is the weight for the standard deviation of the simulation loss
characterized by
A method for maintaining the state of a solar junction box. 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치에 있어서,
접속함으로부터 복수의 센서에 의해 측정된 접속함의 상태를 나타내는 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터를 생성하고, 생성된 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습된 검출모델에 입력하는 데이터처리부; 및
상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함에 이상이 있는 것으로 판단하는 검출부;
를 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. In the device for maintaining the state of the solar junction box using a plurality of sensors,
When receiving a plurality of sensor values indicating the state of the junction box measured by a plurality of sensors from the junction box, it learns to generate a sensor vector from the received plurality of sensor values, and to generate a simulated sensor vector that mimics the generated sensor vector a data processing unit for inputting the detected detection model; and
When the detection model simulates the sensor vector and calculates a pseudo-sensor vector, it is determined whether the simulation loss representing the difference between the sensor vector and the simulated sensor vector exceeds the threshold calculated during learning, and , a detection unit for determining that there is an abnormality in the junction box when the copying loss is greater than or equal to the threshold;
characterized in that it comprises
A device for maintaining the state of a solar junction box. 제13항에 있어서,
상기 장치는
복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 생성된 학습용 센서벡터를 초기화된 검출모델에 입력하고, 상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고, 상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써, 검출모델을 학습시키는 모델생성부;
를 더 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 14. The method of claim 13,
the device is
A sensor vector for learning is generated from a plurality of sensor values that measure the state of the junction box when the junction box is in a normal state by a plurality of sensors, and the generated sensor vector for learning is input to an initialized detection model, and the A model for learning a detection model is generated by calculating the total loss including the simulation loss and the simulation potential loss according to the calculation result of the detection model for wealth;
characterized in that it further comprises
A device for maintaining the state of a solar junction box. 제14항에 있어서,
상기 모델생성부는
상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고, 상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고, 상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면,
상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고, 상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 15. The method of claim 14,
The model generation unit
An encoder of the detection model calculates a latent vector for learning through weight calculation on the sensor vector for learning, and the decoder of the detection model simulates the sensor vector for learning through weight calculation on the latent vector for learning. , and when the encoder of the detection model calculates a simulation latent vector for learning that simulates the latent vector for learning, the weight calculation for the simulation sensor vector for learning is calculated,
Computing the simulation potential loss representing the difference between the simulation latent vector for learning and the learning latent vector, and calculating the simulation loss representing the difference between the simulation sensor vector for learning and the learning sensor vector
A device for maintaining the state of a solar junction box. 제15항에 있어서,
상기 모델생성부는
수학식
Figure pat00022
에 따라 모사손실을 산출하고,
상기 Er은 상기 모사손실이고,
상기 x는 학습용 센서벡터이고,
상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 16. The method of claim 15,
The model generation unit
formula
Figure pat00022
Calculate the simulation loss according to
Wherein Er is the simulation loss,
Where x is a sensor vector for learning,
wherein y is a simulation sensor vector for learning
A device for maintaining the state of a solar junction box. 제15항에 있어서,
상기 모델생성부는
수학식
Figure pat00023
에 따라 모사잠재손실을 산출하고,
상기 Et은 상기 모사잠재손실이고,
상기 z는 학습용 잠재벡터이고,
상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 16. The method of claim 15,
The model generation unit
formula
Figure pat00023
Calculate the simulated potential loss according to
The Et is the simulation potential loss,
wherein z is a latent vector for learning,
wherein h is a simulation latent vector for learning
A device for maintaining the state of a solar junction box. 제13항에 있어서,
상기 모델생성부는
상기 검출모델을 학습시킨 후,
수학식
Figure pat00024
에 따라 상기 임계치를 산출하며,
상기 th는 상기 임계치이고,
상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 14. The method of claim 13,
The model generation unit
After training the detection model,
formula
Figure pat00024
Calculate the threshold according to
wherein th is the threshold,
Wherein m is the average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Wherein d is the standard deviation of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Where e is the weight for the standard deviation of the simulation loss
characterized by
A device for maintaining the state of a solar junction box. 복수의 센서를 이용한 태양광 접속함의 상태를 유지하기 위한 장치에 있어서,
복수의 센서에 의해 접속함이 정상 상태인 때의 접속함의 상태를 측정한 복수의 센서값으로부터 학습용 센서벡터를 생성하고, 상기 학습용 센서벡터를 초기화된 검출모델에 입력한 후,
상기 학습용 센서벡터에 대한 검출모델의 연산 결과에 따라 모사손실 및 모사잠재손실을 포함하는 전체 손실을 산출하고,
상기 전체 손실이 최소가 되도록 상기 검출모델의 파라미터를 갱신하는 최적화를 수행함으로써 상기 검출모델이 상기 센서벡터를 모사하는 모사센서벡터를 생성하도록 학습시키는 모델생성부;
를 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. In the device for maintaining the state of the solar junction box using a plurality of sensors,
After generating a sensor vector for learning from a plurality of sensor values that measure the state of the junction box when the junction box is in a normal state by a plurality of sensors, and inputting the sensor vector for learning into an initialized detection model,
Calculate the total loss including the simulation loss and the simulation potential loss according to the calculation result of the detection model for the sensor vector for learning,
a model generation unit that trains the detection model to generate a simulated sensor vector simulating the sensor vector by performing optimization to update the parameters of the detection model so that the overall loss is minimized;
characterized in that it comprises
A device for maintaining the state of a solar junction box. 제19항에 있어서,
상기 장치는
접속함으로부터 복수의 센서에 의해 센싱된 복수의 센서값을 수신하면, 수신된 복수의 센서값으로부터 센서벡터(sensor vector)를 생성하고, 생성된 센서벡터를 상기 검출모델에 입력하는 데이터처리부; 및
상기 검출모델이 상기 센서벡터를 모사하여 모사센서벡터(pseudo-sensor vector)를 산출하면, 상기 센서벡터와 상기 모사센서벡터의 차이를 나타내는 모사손실이 상기 학습 시 산출된 임계치를 초과하는지 여부를 판단하고, 상기 모사손실이 상기 임계치 이상이면, 상기 접속함의 상태에 이상이 있는 것으로 판단하는 검출부;
를 더 포함하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 20. The method of claim 19,
the device is
When receiving a plurality of sensor values sensed by the plurality of sensors from the access box, a data processing unit for generating a sensor vector (sensor vector) from the received plurality of sensor values, and inputting the generated sensor vector to the detection model; and
When the detection model simulates the sensor vector and calculates a pseudo-sensor vector, it is determined whether the simulation loss representing the difference between the sensor vector and the simulated sensor vector exceeds the threshold calculated during the learning. And, if the radiation loss is greater than or equal to the threshold, a detection unit for determining that there is an abnormality in the state of the junction box;
characterized in that it further comprises
A device for maintaining the state of a solar junction box. 제19항에 있어서,
상기 모델생성부는
상기 검출모델의 인코더가 상기 학습용 센서벡터에 대한 가중치 연산을 통해 학습용 잠재벡터를 산출하고,
상기 검출모델의 디코더가 상기 학습용 잠재벡터에 대한 가중치 연산을 통해 상기 학습용 센서벡터를 모사하는 학습용 모사센서벡터를 산출하고,
상기 검출모델의 인코더가 상기 학습용 모사센서벡터에 대한 가중치 연산을 상기 학습용 잠재벡터를 모사하는 학습용 모사잠재벡터를 산출하면,
상기 학습용 모사잠재벡터와 상기 학습용 잠재벡터와의 차이를 나타내는 모사잠재손실을 산출하고,
상기 학습용 모사센서벡터와 상기 학습용 센서벡터와의 차이를 나타내는 모사손실을 산출하는 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 20. The method of claim 19,
The model generation unit
The encoder of the detection model calculates a latent vector for learning through weight calculation on the sensor vector for learning,
The decoder of the detection model calculates a simulation sensor vector for learning that simulates the sensor vector for learning through weight calculation on the latent vector for learning,
When the encoder of the detection model calculates a simulation latent vector for learning that simulates the latent vector for learning by calculating a weight for the simulation sensor vector for learning,
Calculating the simulation potential loss representing the difference between the simulation latent vector for learning and the latent vector for learning,
Characterized in calculating the simulation loss representing the difference between the training sensor vector and the training sensor vector
A device for maintaining the state of a solar junction box. 제21항에 있어서,
상기 모델생성부는
수학식
Figure pat00025
에 따라 모사손실을 산출하고,
상기 Er은 상기 모사손실이고,
상기 x는 학습용 센서벡터이고,
상기 y는 학습용 모사센서벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 22. The method of claim 21,
The model generation unit
formula
Figure pat00025
Calculate the simulation loss according to
Wherein Er is the simulation loss,
Where x is a sensor vector for learning,
wherein y is a simulation sensor vector for learning
A device for maintaining the state of a solar junction box. 제21항에 있어서,
상기 모델생성부는
수학식
Figure pat00026
에 따라 모사잠재손실을 산출하고,
상기 Et은 상기 모사잠재손실이고,
상기 z는 학습용 잠재벡터이고,
상기 h는 학습용 모사잠재벡터인 것을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 22. The method of claim 21,
The model generation unit
formula
Figure pat00026
Calculate the simulated potential loss according to
The Et is the simulation potential loss,
wherein z is a latent vector for learning,
wherein h is a simulation latent vector for learning
A device for maintaining the state of a solar junction box. 제20항에 있어서,
상기 모델생성부는
상기 검출모델을 학습시킨 후,
수학식
Figure pat00027
에 따라 상기 임계치를 산출하고,
상기 th는 상기 임계치이고,
상기 m은 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 평균이고,
상기 d는 상기 복수의 학습용 모사센서벡터와 상기 복수의 학습용 센서벡터와의 차이를 나타내는 모사손실의 표준편차이고,
상기 e는 상기 모사손실의 표준편차에 대한 가중치인 것
을 특징으로 하는
태양광 접속함의 상태를 유지하기 위한 장치. 21. The method of claim 20,
The model generation unit
After training the detection model,
formula
Figure pat00027
Calculate the threshold according to
wherein th is the threshold,
Wherein m is the average of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Wherein d is the standard deviation of the simulation loss representing the difference between the plurality of training sensor vectors and the plurality of training sensor vectors,
Where e is the weight for the standard deviation of the simulation loss
characterized by
A device for maintaining the state of a solar junction box.
KR1020210036714A 2021-03-22 2021-03-22 An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor KR102541293B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210036714A KR102541293B1 (en) 2021-03-22 2021-03-22 An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210036714A KR102541293B1 (en) 2021-03-22 2021-03-22 An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor

Publications (2)

Publication Number Publication Date
KR20220131707A true KR20220131707A (en) 2022-09-29
KR102541293B1 KR102541293B1 (en) 2023-06-07

Family

ID=83461953

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210036714A KR102541293B1 (en) 2021-03-22 2021-03-22 An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor

Country Status (1)

Country Link
KR (1) KR102541293B1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101628697B1 (en) 2016-03-15 2016-06-10 (주)대성이앤지 Combiner box having multi switchover structure and solar power system using the same
KR102014339B1 (en) * 2019-02-26 2019-08-26 포스컨트롤 주식회사 Method and apparatus for detecting solar power system abnormality using machine learning
KR102055179B1 (en) * 2017-12-14 2020-01-22 주식회사 디오시스템 The apparatus of smart energy management to energy visualize in solar power
KR102084784B1 (en) * 2019-09-23 2020-05-26 주식회사 아이팔 Method for managing the operation of Photovoltaic Power Generation based on machine learning
KR20210023077A (en) * 2019-08-22 2021-03-04 지앤비쏠라 주식회사 PV System Junction Box based on self reflection and Neural Network and Junction Box Check Method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101628697B1 (en) 2016-03-15 2016-06-10 (주)대성이앤지 Combiner box having multi switchover structure and solar power system using the same
KR102055179B1 (en) * 2017-12-14 2020-01-22 주식회사 디오시스템 The apparatus of smart energy management to energy visualize in solar power
KR102014339B1 (en) * 2019-02-26 2019-08-26 포스컨트롤 주식회사 Method and apparatus for detecting solar power system abnormality using machine learning
KR20210023077A (en) * 2019-08-22 2021-03-04 지앤비쏠라 주식회사 PV System Junction Box based on self reflection and Neural Network and Junction Box Check Method
KR102084784B1 (en) * 2019-09-23 2020-05-26 주식회사 아이팔 Method for managing the operation of Photovoltaic Power Generation based on machine learning

Also Published As

Publication number Publication date
KR102541293B1 (en) 2023-06-07

Similar Documents

Publication Publication Date Title
Kong et al. Optimal sensor placement methodology of hydraulic control system for fault diagnosis
Appiah et al. Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis
US10923913B2 (en) Method for operating an electrical energy supply network, and control device for controlling devices of an electrical distribution network
Dhimish et al. Diagnostic method for photovoltaic systems based on six layer detection algorithm
Jarventausta et al. Using fuzzy sets to model the uncertainty in the fault location process of distribution networks
AL-Masri et al. A novel implementation for generator rotor angle stability prediction using an adaptive artificial neural network application for dynamic security assessment
KR102014339B1 (en) Method and apparatus for detecting solar power system abnormality using machine learning
RU2747622C2 (en) Method to control electrical distribution micro network, information carrier, computer device and control device
Coleman et al. Intelligent fault detection and diagnostics in solar plants
Hosseini et al. Quantifying impacts of automation on resilience of distribution systems
KR102228089B1 (en) Solar power system capable of predicting and blocking fire
Kaur et al. A critical review of Microgrid adaptive protection techniques with distributed generation
CN111159922A (en) Key line identification method and device for cascading failure of power system
Yang et al. Supervisory fault tolerant control with integrated fault detection and isolation: A switched system approach
JP2008154378A (en) Method and apparatus for load flow calculation
Jadidi et al. Design of an intelligent hybrid diagnosis scheme for cyber-physical PV systems at the microgrid level
KR102541293B1 (en) An apparatus for maintaining the state of a solar junction box using a plurality of sensors and a method therefor
CN103927697B (en) Power grid regulation method and system based on power grid multilink sensitivity
CN114186849A (en) Power system cascading failure risk assessment method considering secondary system influence and system thereof
Harrou et al. Online model-based fault detection for grid connected PV systems monitoring
Kim et al. Probabilistic security analysis using SOM and Monte Carlo simulation
Xu et al. Admm-based OPF problem against cyber attacks in smart grid
KR102410052B1 (en) Apparatus and method for managing cloud-based microgrid distributed power supply
Shahriari‐kahkeshi et al. Active fault tolerant control design for uncertain strict‐feedback non‐linear systems
CN108923469A (en) A kind of New-energy power system cascading failure analysis method

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant