KR20220150979A - 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체 - Google Patents

태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체 Download PDF

Info

Publication number
KR20220150979A
KR20220150979A KR1020227035600A KR20227035600A KR20220150979A KR 20220150979 A KR20220150979 A KR 20220150979A KR 1020227035600 A KR1020227035600 A KR 1020227035600A KR 20227035600 A KR20227035600 A KR 20227035600A KR 20220150979 A KR20220150979 A KR 20220150979A
Authority
KR
South Korea
Prior art keywords
current value
current
output current
past
abnormality score
Prior art date
Application number
KR1020227035600A
Other languages
English (en)
Other versions
KR102516553B1 (ko
Inventor
진린 양
징 창
지에 선
캉 지안
주생 리
후이롱 지앙
Original Assignee
엔비전 디지털 인터내셔널 피티이 리미티드
상하이 엔비전 디지털 컴퍼니 리미티드
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 엔비전 디지털 인터내셔널 피티이 리미티드, 상하이 엔비전 디지털 컴퍼니 리미티드 filed Critical 엔비전 디지털 인터내셔널 피티이 리미티드
Publication of KR20220150979A publication Critical patent/KR20220150979A/ko
Application granted granted Critical
Publication of KR102516553B1 publication Critical patent/KR102516553B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06K9/6256—
    • G06K9/6282—
    • G06K9/6292—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Photovoltaic Devices (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명의 실시예는 태양광 기술 분야에 속하는 태양광 어레이, 장치 및 저장 매체의 작동 상태를 결정하기 위한 방법 및 장치를 개시한다. 상기 방법은 태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하는 단계로서, 상기 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함하는 단계; 상기 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하는 단계; 상기 현재 출력 전류 값을 상기 목표 비정상 점수 예측 모델에 입력하여 상기 태양광 어레이에 대응하는 현재 비정상 점수를 결정하는 단계; 및 상기 현재 비정상 점수를 목표 비정상 점수와 비교하여 상기 태양광 어레이의 작동 상태를 결정하는 단계를 포함한다. 상기 현재 비정상 점수는 실시간으로 획득한 상기 현재 출력 전류 값을 상기 비정상 점수 예측 모델에 입력하여 출력되어, 상기 태양광 어레이의 작동 상태를 결정한다. 종래의 적외선 이미지를 통해 작동 상태를 결정하는 방법에 비해, 적외선 이미지에 대한 주변 온도의 간섭을 피할 수 있어, 태양광 어레이의 작동 상태 판단 정확도를 향상시킬 수 있다.

Description

태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체
본 발명의 실시예들은 태양광 기술 분야에 관한 것으로, 특히 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체에 관한 것이다.
태양광 모듈의 출력 전류는 부분 차광, 일부 지역의 심각한 먼지 축적 또는 일부 태양광 어셈블리의 고장과 같은 문제로 인해 태양광 발전소의 실제 작동 중에 감소될 수 있으며, 이로 인해 태양광 스트링의 출력 전류의 상당한 불일치가 발생할 수 있고, 결국 태양광 발전소에 전력 손실이 발생한다.
종래 기술에서는, 태양광 모듈의 고장으로 인해 태양광 모듈의 온도가 너무 높거나 너무 낮아 적외선 이미지에서 고장난 태양광 모듈의 색상이 다른 정상 태양광 어셈블리의 색상과 다르게 나타날 수 있다. 따라서, 드론에 장착된 적외선 이미지 획득 장치를 이용하여 태양광 어셈블리의 이미지를 획득하고, 획득한 적외선 이미지를 기반으로 태양광 어레이 내의 태양광 모듈의 작동 상태를 판단할 수 있다.
그러나, 획득된 적외선 이미지는 발전소의 주변 온도와 같은 발전소의 환경적 요인에 의해 쉽게 영향을 받을 수 있으므로, 적외선 이미지에서 고장난 태양광 모듈과 정상 태양광 모듈 간의 구별이 낮고, 따라서 태양광 어레이의 작동 상태를 결정하는 정확도가 낮다.
본 발명의 실시예는 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체를 제공한다.
제1 양태에서, 태양광 어레이의 작동 상태를 결정하기 위한 방법이 본 발명의 실시예에 의해 제공된다. 상기 방법은:
태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하는 단계로서, 상기 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함하는 단계;
상기 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하는 단계로서, 상이한 비정상 점수 예측 모델은 상이한 특성 전류 값 범위에 대응하고, 상기 비정상 점수 예측 모델은 상기 태양광 어레이의 과거 출력 전류 값에 기초한 트레이닝에 의해 획득되는 단계;
상기 현재 출력 전류 값을 상기 목표 비정상 점수 예측 모델에 입력하여 상기 태양광 어레이에 대응하는 현재 비정상 점수를 결정하는 단계; 및
상기 현재 비정상 점수를 목표 비정상 점수와 비교하여 상기 태양광 어레이의 작동 상태를 결정하는 단계로서, 상이한 비정상 점수 예측 모델은 상이한 비정상 점수에 대응하고, 상기 비정상 점수는 상기 과거 출력 전류 값을 상기 비정상 점수 예측 모델에 입력한 후 획득되는 단계를 포함한다.
제2 양태에서, 태양광 어레이의 작동 상태를 결정하기 위한 장치가 본 발명의 실시예에 의해 제공된다. 상기 장치는:
태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하도록 구성되는 제1 획득 모듈로서, 상기 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함하는 모듈;
상기 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하도록 구성되는 제1 결정 모듈로서, 상이한 비정상 점수 예측 모델은 상이한 특성 전류 값 범위에 대응하고, 상기 비정상 점수 예측 모델은 상기 태양광 어레이의 과거 출력 전류 값에 기초한 트레이닝에 의해 획득되는 모듈;
상기 현재 출력 전류 값을 상기 목표 비정상 점수 예측 모델에 입력하여 상기 태양광 어레이에 대응하는 현재 비정상 점수를 결정하도록 구성되는 제2 결정 모듈; 및
상기 현재 비정상 점수를 목표 비정상 점수와 비교하여 상기 태양광 어레이의 상기 작동 상태를 결정하도록 구성되는 제3 결정 모듈로서, 상이한 비정상 점수 예측 모델은 상이한 비정상 점수에 대응하고, 상기 비정상 점수는 상기 과거 출력 전류 값을 상기 비정상 점수 예측 모델에 입력함으로써 획득되는 모듈을 포함한다.
제3 양태에서, 프로세서 및 메모리를 포함하는 컴퓨터 디바이스가 본 발명의 실시예에 의해 제공된다.
상기 메모리는 적어도 하나의 명령어, 적어도 하나의 프로그램, 코드 세트 또는 명령어 세트를 내부에 저장한다. 상기 적어도 하나의 명령어, 상기 적어도 하나의 프로그램, 상기 코드 세트 또는 상기 명령어 세트는, 상기 프로세서에 의해 로드되고 실행될 때, 상기 프로세서로 하여금 상기 양태들에 따른 태양광 어레이의 작동 상태를 결정하기 위한 방법을 수행하게 한다.
제4 양태에서, 컴퓨터 판독가능 저장 매체가 본 발명의 실시예에 의해 제공된다. 컴퓨터 판독가능 저장 매체는 적어도 하나의 명령어, 적어도 하나의 프로그램, 코드 세트 또는 명령어 세트를 내부에 저장한다. 상기 적어도 하나의 명령어, 상기 적어도 하나의 프로그램, 상기 코드 세트 또는 상기 명령어 세트는, 프로세서에 의해 로드되고 실행될 때, 상기 프로세서로 하여금 상기 양태들에 따른 태양광 어레이의 작동 상태를 결정하기 위한 방법을 수행하게 한다.
본 발명의 실시예에 따른 기술적 솔루션은 적어도 다음과 같은 유익한 효과를 달성할 수 있다.
태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하고, 현재 출력 전류값을 기초로 하여 목표 비정상 점수 예측 모델을 결정하고, 현재 출력 전류 값을 목표 비정상 점수 예측 모델에 입력하여 태양광 어레이에 대응하는 현재 비정상 점수를 출력하여, 현재 비정상 점수를 목표 비정상 점수 예측 모델에 대응하는 목표 비정상 점수와 비교하고, 비교 결과에 따라 태양광 어레이의 작동 상태를 결정한다. 현재 비정상 점수는 실시간으로 획득한 현재 출력 전류 값을 비정상 점수 예측모델에 입력하여 출력되고, 태양광 어레이의 현재 작동 상태를 결정한다. 현재 출력 전류 값은 태양광 어레이의 작동 상태를 실시간으로 반영할 수 있으므로, 종래의 적외선 이미지를 통해 작동 상태를 판단하는 방법에 비해, 적외선 이미지에 대한 주변 온도의 간섭을 최소화할 수 있고, 그렇게 함으로써 태양광 어레이의 작동 상태를 결정하는 정확도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 구현 환경의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 태양광 어레이의 작동 상태 판단 방법의 순서도이다.
도 3은 본 발명의 일 실시예에 따른 전류 임계 값을 결정하기 위한 방법의 순서도이다.
도 4는 본 발명의 일 실시예에 따른 비정상 점수 예측 모델을 결정하는 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 비정상 점수 예측 모델을 구성하는 과정의 개략도이다.
도 6은 본 발명의 일 실시예에 따른 비정상 점수를 결정하기 위한 방법의 순서도이다.
도 7은 본 발명의 일 실시예에 따른 태양광 어레이의 작동 상태를 결정하는 방법에 대한 순서도이다.
도 8은 본 발명의 일 실시예에 따른 태양광 어레이의 작동 상태를 결정하는 방법에 대한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 태양광 어레이의 작동 상태를 결정하는 방법에 대한 순서도이다.
도 10은 본 발명의 일 실시예에 따른 태양광 어레이의 작동 상태를 결정하는 장치에 대한 구조 블록도이다.
도 11은 본 발명의 일 실시예에 따른 컴퓨터 디바이스의 개략적인 구조도이다.
본 발명의 목적, 기술적 해결방안 및 이점을 보다 명확하게 하기 위하여, 첨부된 도면과 함께 본 발명의 실시 예를 상세히 설명하면 다음과 같다.
본 명세서에서 언급되는 "복수"라는 용어는 둘 이상을 의미하고, "및/또는"이라는 용어는 연관된 객체의 연관 관계를 설명하여 세 가지 유형의 관계가 있을 수 있음을 나타낸다. 예를 들어, A 및/또는 B는 A가 단독으로 존재하고, A와 B가 동시에 존재하고, B가 단독으로 존재하는 세 가지 상황을 나타낼 수 있다. "/" 문자는 일반적으로 구성의 관련 개체가 "또는" 관계에 있음을 나타낸다.
태양광 모듈이 고장 나는 경우 두 가지 상황이 있을 수 있다. 한 가지 상황은 태양광 모듈이 손상되거나 태양광 모듈이 차폐되어 태양광 모듈 온도가 상승하는 것이다. 또 다른 상황은 태양광 모듈이 바이패스 다이오드로 인해 단락되어 태양광 모듈이 작동하지 않아 태양광 모듈 온도가 낮아지는 것이다. 정상 태양광 모듈과 고장난 태양광 모듈의 온도 차이로 인해 관련 기술은 태양광 모듈의 작동 상태를 결정하는 방법을 제공하고 있다. 적외선 이미지 획득 장치가 장착된 드론으로 태양광 발전소의 태양광 어셈블리를 검사한다. 이 방법에서, 태양광 모듈의 작동 상태는 획득된 적외선 이미지를 기반으로 결정된다.
종래 기술의 방법은 적외선 이미지가 온도의 영향을 크게 받기 때문에 태양광 발전소의 주변 온도가 높거나 낮을 때 정상 태양광 모듈과 고장난 태양광 모듈을 구별하지 못할 수 있고, 누락되거나 잘못된 경보가 발생하여, 모듈의 작동 상태를 결정하는 정확도가 상대적으로 낮아지게 만든다.
상기와 같은 문제점을 해결하기 위해, 본 발명의 일 실시예는 태양광 어레이의 작동 상태를 결정하는 방법을 제공한다. 도 1를 참조하면, 본 발명의 일 실시예에 따른 구현 환경의 개략도를 도시한다. 구현 환경은 태양광 어레이(101) 및 모니터링 플랫폼(102)을 포함한다.
태양광 어레이(101)는 복수의 태양광 스트링이 병렬로 형성되는 태양광 발전 시스템으로서, 하나의 컴바이너에 연결된 모든 태양광 스트링의 집합을 의미한다. 실제 태양광 발전소는 복수의 태양광 어레이(101)를 포함한다. 태양광 어레이(101)의 각 태양광 스트링에서 출력되는 전류는 컴바이너에 의해 결합되어 인버터로 전송된다. 일반적으로, 태양광 어레이에는 8-16개의 태양광 스트링이 병렬로 있고, 각 태양광 스트링에는 24개의 태양광 어셈블리가 직렬로 연결되어 있다. 본 발명의 실시예에서, 태양광 어레이(101)는 태양광 스트링의 출력 전류를 획득하는 전류 센서 및 변류기와 같은 태양광 어레이의 작동 상태 데이터를 획득하고, 이를 전송할 수 있는 센서를 구비할 수 있고, 획득한 출력 전류 값을 모니터링 플랫폼(102)으로 전송할 수 있다.
태양광 어레이(101)와 모니터링 플랫폼(102)은 유선 또는 무선 네트워크를 통해 연결된다.
모니터링 플랫폼(102)은 태양광 어레이(101)에 의해 전송된 현재 출력 전류 값을 저장하고, 데이터를 처리하고, 경보 기록을 생성하는 것과 같은 기능을 갖는 컴퓨터 디바이스다. 컴퓨터 디바이스는 서버, 여러 대의 서버로 구성된 서버 클러스터 또는 클라우드 서버일 수 있다. 본 발명의 실시예에서, 모니터링 플랫폼(102)은 태양광 어레이(101)에 의해 전송된 현재 출력 전류 값을 획득하고, 현재 출력 전류 값을 사전 트레이닝된 비정상 점수 예측 모델에 입력하고, 이에 대응하는 현재 비정상 점수를 출력할 수 있다. 현재 출력 전류 값을 표시하고 현재 비정상 점수를 미리 결정된 목표 비정상 점수와 비교하여 태양광 어레이의 작동 상태를 결정한다. 선택적으로, 모니터링 플랫폼(102)은 또한 획득된 출력 전류 값을 데이터베이스에 저장하여, 출력 전류 값에 기초한 비정상 점수 예측 모델을 연속적으로 계속 트레이닝할 수 있다. 가능한 구현에서, 비정상 태양광 스트링이 태양광 어레이에 존재한다고 결정하면, 모니터링 플랫폼(102)은 경보 기록을 생성할 수 있고, 따라서 운영 및 유지보수 직원은 제 시간에 태양광 어레이의 작동 상태를 학습하고, 고장이 있을 때 태양광 스트링의 비정상 작동 상태 문제를 제시간에 해결할 수 있다.
설명의 편의를 위해, 다음의 방법의 실시예에서, 컴퓨터 디바이스인 모니터링 플랫폼(102)은 단지 도입 및 예시를 위한 예로서 취해진다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 태양광 어레이의 작동 상태를 판단하는 방법의 순서도를 도시한다. 컴퓨터 디바이스에 적용 가능한 방법은 본 실시예에서 예시를 위한 예로서 취해지며, 다음 단계를 포함할 수 있다.
단계 201에서, 태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값이 획득되며, 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함한다.
태양광 어레이는 복수의 태양광 스트링이 병렬로 형성되는 태양광 발전 시스템이므로, 태양광 어레이의 작동 상태를 판단하는 것은 각 태양광 스트링의 작동 상태를 판단하는 것이다. 따라서, 가능한 구현에서, 획득된 현재 출력 전류 값은 각 태양광 스트링에 대응하는 현재 출력 전류 값을 포함한다.
태양광 스트링의 현재 출력 전류 값과 관련하여, 유도 코일은 태양광 스트링의 현재 출력 전류를 검출하기 위해 채택될 수 있고 획득된 현재 출력 전류 값을 컴퓨터 디바이스에 보낼 수 있다. 각 태양광 스트링은 현재 출력 전류 값에 해당한다. 동일한 샘플링 모멘트에 현재 출력 전류 값의 수는 태양광 어레이에 포함된 태양광 스트링의 수에 따라 다르다. 예를 들어, 태양광 어레이가 8개의 태양광 스트링을 포함하는 경우 동일한 샘플링 모멘트에 해당하는 현재 출력 전류 값은 I1, I2, I3, I4, I5, I6, I7, 및 I8을 포함할 수 있다.
단계 202에서, 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하고, 상이한 비정상 점수 예측 모델은 상이한 특성 전류 값 범위에 대응하고, 비정상 점수 예측 모델은 태양광 어레이의 과거 출력 전류 값에 기초한 트레이닝에 의해 획득된다.
컴퓨터 디바이스에는 복수의 비정상 점수 예측 모델이 미리 저장되어 있다. 비정상 점수 예측 모델은 태양광 어레이의 과거 출력 전류 값을 기반으로 트레이닝하여 얻는다. 상이한 비정상 점수 예측 모델은 다른 특성 전류 값 범위에 해당한다. 예를 들어, 비정상 점수 예측 모델 A에 대응하는 특성 전류 값 범위는 0~2A, 비정상 점수 예측 모델 B에 대응하는 특성 전류 값 범위는 2~4A, 비정상 점수 예측 모델 C에 대응하는 특성 전류 값 범위는 4-6A, 등이다.
선택적으로, 6개월 이내에 태양광 어레이에 대응하는 과거 출력 전류 값을 획득하여 트레이닝에 의해 복수의 비정상 점수 예측 모델을 획득하기 위해 복수의 트레이닝 샘플을 구성할 수 있다.
가능한 구현에서, 컴퓨터 디바이스는 현재 출력 전류 값을 처리하여 해당 현재 특성 전류 값을 결정하고, 현재 특성 전류 값과 각 비정상 점수 예측 모델에 대응하는 특성 전류 값 사이의 관계에 따라 해당 목표 비정상 점수 예측 모델을 결정한다. 예를 들어, 현재 특성 전류 값이 5A인 경우, 비정상 점수 예측 모델 C를 목표 비정상 점수 예측 모델로 결정한다.
단계 203에서, 현재 출력 전류 값을 목표 비정상 점수 예측 모델에 입력하여 태양광 어레이에 대응하는 현재 비정상 점수를 결정한다.
가능한 구현에서, 목표 비정상 점수 예측 모델이 결정된 후, 현재 출력 전류 값 각각을 목표 비정상 점수 예측 모델에 입력함으로써 현재 비정상 점수가 출력된다.
선택적으로, 현재 출력 전류 값은 매트릭스 형태로 목표 비정상 점수 예측 모델에 입력될 수 있다.
단계 204에서, 현재 비정상 점수를 목표 비정상 점수와 비교함으로써 태양광 어레이의 작동 상태가 결정되며, 여기서 상이한 비정상 점수 예측 모델은 상이한 비정상 점수에 대응한다.
상기 목표 비정상 점수에 대해서는, 해당 비정상 점수 예측 모델에 과거 출력 전류 값이 미리 입력되어 있을 수 있고, 출력 비정상 점수는 비정상 점수 예측 모델(즉, 비정상 점수 예측 모델)에 대응하는 표준 비정상 점수로 결정될 수 있고, 표준 비정상 점수는 해당 비정상 점수 예측 모델과 연관하여 저장된다.
가능한 구현에서, 현재 비정상 점수가 획득된 후, 목표 비정상 점수 예측 모델과 연관되어 저장된 목표 비정상 점수와 비교될 수 있다. 미리 설정된 논리 관계가 만족되면 태양광 어레이의 작동 상태가 정상임을 출력한다. 미리 설정된 논리적 관계가 만족되지 않으면 태양광 어레이의 작동 상태가 비정상이라고 출력한다.
미리 설정된 논리적 관계는 현재 비정상 점수가 목표 비정상 점수 이하인 것일 수 있다.
요약하면, 본 발명의 실시예에서는 태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하고, 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하고, 이에 대응하는 현재 비정상 점수 현재 출력 전류 값을 목표 비정상 점수 예측 모델에 입력하여 태양광 어레이에 출력하여 현재 비정상 점수를 목표 비정상 점수 예측 모델에 대응하는 목표 비정상 점수와 비교하여 태양광 어레이의 작동 상태 비교 결과에 따라 태양광 어레이가 결정된다. 현재 비정상 점수는 실시간으로 획득한 현재 출력 전류 값을 비정상 모델에 입력하여 출력하여 태양광 어레이의 현재 작동 상태를 판단한다. 현재 출력 전류 값은 태양광 어레이의 작동 상태를 실시간으로 반영할 수 있으므로, 종래의 적외선 이미지를 통해 작동 상태를 판단하는 방식에 비해 적외선 이미지에 대한 주변 온도의 간섭을 최소화할 수 있고, 광전지 어레이의 작동 상태를 결정하는 정확도를 향상시킨다.
가능한 응용 시나리오에서, 미리 설정된 타임스탬프에 대응하는 현재 출력 전류 값은 미리 설정된 타임스탬프 전류 행렬을 구성하기 위해 동시에 획득될 수 있다. 기 설정된 타임스탬프에 해당하는 비정상 점수(기 설정된 타임스탬프에 포함된 각 샘플링 모멘트에 해당하는 현재 비정상 점수를 누적하여 획득)와 비정상 점수 임계 값 간의 관계를 판단하여 태양광 어레이의 작동 상태를 판단한다.
미리 설정된 타임스탬프는 M개의 샘플링 모멘트를 포함할 수 있으며, 여기서 M은 1이상의 정수이다.
개략적으로, 미리 설정된 타임스탬프에 해당하는 전류 행렬은 다음과 같을 수 있다:
Figure pct00001
여기서,
Figure pct00002
는 M번째 샘플링 모멘트에서 N번째 태양광 스트링에 대응하는 현재 출력 전류 값을 나타낸다.
기 설정된 타임스탬프에 대응하는 비정상 점수를 획득하는 방법에 관하여, 먼저, 상이한 샘플링 모멘트에 기초하여 상이한 전류 부분행렬(
Figure pct00003
로 표시됨)을 분할할 수 있다. 그 다음, 각각의 전류 부분행렬에 대응하는 현재 특성 전류 값을 결정하여, 결정된 현재 특성 전류 값 및 각 비정상 점수 예측 모델에 대응하는 특성 전류 값 범위에 기초하여 각 전류 부분행렬에 대응하는 목표 비정상 점수 예측 모델을 결정할 수 있다. 마지막으로, 각 전류 부분행렬(즉, 각 샘플링 모멘트)에 해당하는 현재 비정상 점수
Figure pct00004
는 각 전류 부분행렬을 해당 목표 비정상 점수 예측 모델에 입력하여 얻어지며, 여기서
Figure pct00005
는 M번째 샘플링 모멘트에 해당하는 현재 비정상 점수를 나타낸다. 누적 후, 기 설정된 타임스탬프에 대응하는 비정상 점수 ST 를 획득할 수 있다.
개략적으로, M이 3이고 N이 8이면, 미리 설정된 타임스탬프는 3개의 샘플링 모멘트에 해당하는 현재 출력 전류 값을 포함하고, 각 획득 모멘트는 8개의 전류 값에 해당한다. 샘플링 모멘트 1을 예로 들면, 샘플링 모멘트 1에 해당하는 현재 출력 전류 값은 전류 부분행렬
Figure pct00006
로 결정되며, 여기서
Figure pct00007
는 제1 샘플링 모멘트에 N번째 태양광 스트링에 해당하는 현재 출력 전류 값을 나타낸다. 전류 부분행렬에 대응하는 현재 특성 전류 값이 결정되어 대응하는 목표 비정상 점수 예측 모델을 결정한다. 전류 부분행렬에 대응하는 현재 비정상 점수(S1로 표시)는 전류 부분행렬을 해당 목표 비정상 점수 예측 모델에 입력한 후 획득된다. 동일한 방식으로, 다른 두 샘플링 모멘트에 대응하는 전류 부분행렬과 대응하는 현재 비정상 점수 S2 및 S3이 획득될 수 있다. 기 설정된 타임스탬프에 해당하는 비정상 점수 ST= S1+S2+S3 은 각각의 현재 비정상 점수를 누적하여 구한다.
비정상 점수 역치를 결정하는 방법은, 각 샘플링 시점에 대응하는 목표 비정상 점수 예측 모델이 상이할 수 있고, 상이한 비정상 점수 예측 모델이 상이한 목표 비정상 점수에 대응하기 때문에, 예측 목표 비정상 점수를 결정한 후 각 샘플링 모멘트에 대응하는 모델에서, 미리 설정된 타임스탬프 내의 대응하는 비정상 점수 임계 값은 각각의 목표 비정상 점수 예측 모델에 대응하는 목표 비정상 점수를 누적함으로써 획득된다. 예를 들어, 목표 비정상 점수는 10-20이고, 목표 비정상 점수 임계 값은 미리 설정된 타임스탬프에 포함된 샘플링 모멘트의 수와 관련된다.
도식적으로, M이 3인 경우, 미리 설정된 타임스탬프 전류 행렬은 전류 부분행렬
Figure pct00008
,
Figure pct00009
및
Figure pct00010
로 분할될 수 있다. 전류 부분행렬
Figure pct00011
이 비정상 점수 예측 모델 A에 해당하고, 전류 부분행렬
Figure pct00012
이 비정상 점수 예측 모델 B에 해당하고, 전류 부분행렬
Figure pct00013
이 비정상 점수 예측 모델 C에 해당하고, 비정상 점수 예측 모델 A에 해당하는 비정상 점수가 SA이고, 비정상 점수 예측 모델 B에 해당하는 비정상 점수가 SB 이고, 비정상 점수 예측 모델 C에 해당하는 비정상 점수가 SC 인 경우 미리 설정된 타임스탬프 전류 행렬에 해당하는 비정상 점수 임계 값은
Figure pct00014
이다.
미리 설정된 논리적 관계는,
Figure pct00015
일 수 있다. 미리 설정된 타임스탬프에 해당하는 현재 비정상 점수가 비정상 점수 임계 값 이하인 경우, 태양광 어레이의 작동 상태가 정상임을 출력한다. 기 설정된 타임스탬프에 대응하는 현재 비정상 점수가 목표 비정상 점수 임계 값보다 크면 태양광 어레이의 현재 작동 상태가 비정상임을 출력한다.
선택적으로, 특정 전류 부분행렬에 대응하는 현재 비정상 점수가 획득된 후, 대응하는 목표 비정상 점수와 직접 비교될 수 있다. 현재 비정상 점수가 목표 비정상 점수 이하인 경우, 태양광 어레이의 작동 상태가 정상임을 출력한다. 현재 비정상 점수가 목표 비정상 점수보다 크면, 다음 샘플링 모멘트에 해당하는 현재 비정상 점수와 목표 비정상 점수 사이의 관계를 미리 설정된 타임스탬프 내 해당 샘플링 모멘트에 대한 순환 판단이 모두 완료될 때까지 계속 판단된다. 기 설정된 타임스탬프에 포함된 각 샘플링 모멘트에 해당하는 현재 비정상 점수가 모두 목표 비정상 점수보다 크면 태양광 어레이의 작동 상태가 비정상인 것으로 출력된다.
본 실시예에서, 미리 설정된 타임스탬프 내의 대응하는 현재 출력 전류 값을 획득하여 미리 설정된 타임스탬프 전류 행렬을 구성하고, 각 샘플링 모멘트에 대응하는 목표 비정상 점수 예측 모델은 각각에 대응하는 현재 출력 전류 값을 분석함으로써 결정된다. 기 설정된 타임스탬프에 포함된 샘플링 모멘트를 목표 비정상 점수 예측 모델에 입력하여 각 샘플링 모멘트에 대응하는 현재 비정상 점수를 구하고, 기 설정된 타임스탬프에 대응하는 비정상 점수는 각각의 현재 비정상 점수를 누적하여 얻은 비정상 점수 임계 값과 비교된다. 기 설정된 논리 관계가 만족되면 현재 태양광 어레이의 작동 상태가 정상임을 출력한다. 그렇지 않으면 태양광 어레이의 작동 상태가 비정상이라고 출력한다. 태양광 어레이의 작동 상태는 미리 설정된 타임스탬프 내에서 현재 출력 전류 값을 획득하여 결정되며, 이는 태양광 어레이의 작동 상태를 결정하는 효율성을 향상시킬 수 있다.
가능한 구현에서, 비정상 점수 예측 모델은 태양광 어레이에 대응하는 획득된 과거 출력 전류 값에 기초하여 트레이닝함으로써 획득된다. 예를 들어 야간의 전류 데이터(유효하지 않은 데이터) 또는 컴바이너 고장(또는 출력 전류 값을 획득하는 장비 고장) 시 획득한 전류 데이터와 같이 과거 출력 전류 값에 비정상적이거나 유효하지 않은 데이터가 있을 수 있으므로(비정상 데이터), 이는 모두 트레이닝으로 얻은 비정상 점수 예측 모델의 정확도에 영향을 미친다. 따라서 결정된 비정상 점수 예측 모델의 정확도를 향상시키기 위해 획득한 과거 출력 전류 값을 특정 데이터 품질 규칙에 따라 필터링 및 처리해야 한다. 본 실시예는 과거 출력 전류 값에서 사실상 높은 전류 값을 필터링하도록 의도된 전류 임계 값을 결정하는 방법의 프로세스를 설명하는 데 중점을 둔다.
도식적으로, 도 3은 본 발명의 일 실시예에 따른 전류 임계 값을 결정하는 방법의 순서도를 도시한다. 이 방법에는 다음 단계가 포함된다.
단계 301에서, 미리 설정된 기간 내의 태양광 어레이의 과거 작동 상태 데이터가 획득된다.
과거 작동 상태 데이터는 태양광 스트링의 과거 출력 전류 값, 태양광 스트링에 대응하는 과거 복사조도, 태양광 스트링이 위치한 환경의 과거 주변 온도 및 과거 풍속 등을 포함한다.
기 설정된 기간은 최근 6개월 또는 최근 1년일 수 있다.
가능한 구현에서, 최근 6개월 이내의 태양광 어레이의 과거 출력 전류 값, 과거 복사조도, 과거 주변 온도, 과거 풍속 등이 획득될 수 있다. 과거 출력 전류 값을 획득하기 위한 방법에 관해서는, 본 실시예에서 반복되지 않는 상기 실시예를 참조할 수 있다. 과거 주변 온도와 과거 풍속은 각각 태양광 발전소에 설치된 온도 센서와 풍속계에 의해 획득될 수 있다.
태양광 스트링에 대응하는 과거 복사조도는 태양광 발전소에 장착된 조사기에 의해 획득될 수 있다. 조사기의 설치 방식은 수평 설치(즉, 수평 조사기)일 수 있다. 수평 조사기에 의해 획득된 복사조도 데이터는 태양광 어레이의 기울기에 대응하는 복사조도 데이터로 변환되어야 한다. 태양광 어레이(경사 조사기)와 동일한 경사 및 동일한 방향의 설치 방식을 채택할 수도 있다. 이 설치 방식으로 얻은 복사조도는 태양광 스트링에 해당하는 복사조도이다. 가능한 구현에서, 컴퓨터 디바이스는 6개월 이내에 조사기에 의해 획득된 복사조도 데이터를 수집하고 전류 임계 값의 후속 결정을 위해 해당 데이터베이스에 이를 저장한다.
선택적으로, 과거 작동 상태 데이터는 미리 설정된 샘플링 주파수에 기초하여 획득될 수 있다. 예를 들어 사전 설정된 샘플링 주파수는 5분이다. 샘플링 주파수는 현재 출력 전류 값을 획득하기 위한 샘플링 주파수와 동일할 수 있다.
단계 302에서, 태양광 어레이에 대응하는 태양광 모듈 온도는 최대 복사조도, 최대 풍속 및 최대 주변 온도에 기초하여 계산된다.
최대 복사조도는 과거 복사조도에 의해 결정된다. 즉, 샘플링 기간 내의 모든 과거 복사조도의 최대값을 최대 복사조도로 간주한다. 최대 주변 온도는 과거 주변 온도에 의해 결정된다. 즉, 샘플링 기간 내의 모든 과거 주변 온도의 최대값을 최대 주변 온도로 간주한다. 최대 풍속은 과거 풍속으로 결정된다. 즉, 샘플링 기간 내의 모든 과거 풍속의 최대값을 최대 풍속으로 간주한다.
개략적으로, 복사조도, 풍속, 주변 온도 및 태양광 모듈 온도 사이의 관계는 다음과 같이 표현될 수 있다:
Figure pct00016
여기서,
Figure pct00017
는 태양광 모듈 온도(태양광 모듈의 후면 패널의 온도),
Figure pct00018
는 복사조도(태양광 어레이의 기울기에 해당),
Figure pct00019
는 태양광 모듈이 위치한 환경의 풍속,
Figure pct00020
는 태양광 모듈이 위치한 환경의 주변 온도를 나타내며, a와 b는 상수이다. a와 b의 값은 태양광 모듈의 종류와 설치 방식에 따라 다르다. 구체적인 값에 대한 표 I을 참조하면:
어셈블리 타입 설치 방식 a b
듀얼 글래스 어셈블리 고정 기울기 -3.47 -0.0594
듀얼 글래스 어셈블리 고정 기울기 -2.98 -0.0471
컨벤셔널 어셈블리 고정 기울기 -3.56 -0.075
컨벤셔널 어셈블리 컬러 스틸 타일 -2.81 -0.0455
얇은 막 어셈블리 고정 기울기 -3.58 -0.113
가능한 구현에서, 태양광 모듈 온도
Figure pct00021
는 획득된 최대 풍속, 최대 주변 온도 및 최대 복사조도를 수식 1에 대입함으로써 획득된다.
단계 303에서, 태양광 모듈 온도 및 최대 복사조도에 기초하여 태양광 어레이에 대응하는 제1 최대 출력 전류 값이 계산되고, 여기서 제1 최대 출력 전류 값은 최대 복사조도 하의 태양광 스트링의 출력 전류 값이다.
도식적으로, 출력 전류, 태양광 모듈 온도, 및 복사조도 사이의 관계는 다음과 같이 표현될 수 있다:
Figure pct00022
여기서,
Figure pct00023
는 출력 전류,
Figure pct00024
는 표준 테스트 조건 하에서의 출력 전류;
Figure pct00025
는 경사 조사,
Figure pct00026
는 태양광 모듈의 현재 온도 상승 계수,
Figure pct00027
는 태양광 모듈 온도(태양광 모듈 후면 패널의 온도); 그리고
Figure pct00028
는 표준 시험 조건에서의 온도, 즉 25°C이다.
표준 시험 조건(Standard test condition, STC)은 태양광 분야에서 태양광 어셈블리에 대한 공인된 시험 표준, 즉 1.5; 1000W/m2; 25°C를 의미한다. 1.5는 기단(AM)이 1.5라는 뜻이다. 즉, 빛이 대기를 통과하는 실제 거리는 대기의 수직 두께의 1.5배이다. 1000W/m2는 표준 테스트에서 태양의 복사조도이다. 25℃는 태양광 모듈이 25℃에서 작동하는 것을 의미한다.
가능한 구현에서
Figure pct00029
,
Figure pct00030
,
Figure pct00031
등은 디폴트 값이므로, 태양광 어레이에 대응하는 제1 최대 출력 전류 값은 단계 302에서 획득된 태양광 모듈 온도 및 최대 복사조도를 수식 2에 대입함으로써 획득될 수 있다.
단계 304에서, 태양광 어레이에 대응하는 제2 최대 출력 전류 값은 정격 설치 용량 및 최대 시스템 전압에 기초하여 계산되며, 여기서 제2 최대 출력 전류 값은 컴바이너가 태양광 스트링이 입력하게 허용하는 최대 전류 값이다.
정격 설치 용량은 태양광 어레이에 연결된 컴바이너의 정격 전력이다. 최대 시스템 전압은 컴바이너에 연결된 인버터의 시스템 전압이다.
개략적으로, 정격 설치 용량, 최대 시스템 전압 및 제2 최대 출력 전류 사이의 관계는 다음과 같이 표현될 수 있다:
Figure pct00032
여기서,
Figure pct00033
는 컴바이너의 정격 설치 용량,
Figure pct00034
는 인버터의 최대 시스템 전압,
Figure pct00035
는 제2 최대 출력 전류이다. 수식 3에서 제2 최대 출력 전류는 태양광 어레이의 과거 작동 데이터와 관련이 없음을 알 수 있다. 즉, 동일한 컴바이너에 대해 제2 최대 출력 전류는 고정된다.
가능한 구현에서, 제2 최대 출력 전류 값, 즉,
Figure pct00036
는 컴바이너의 정격 설치 용량과 인버터의 최대 시스템 전압에 기초하여 계산함으로써 얻어질 수 있다.
단계 305에서, 제1 최대 출력 전류 값과 제2 최대 출력 전류 값 중 최소값을 전류 임계 값으로 결정한다.
가능한 구현에서, 제1 최대 출력 전류 및 제2 최대 출력 전류 값의 최소값은 전류 임계 값으로서 결정된다. 예를 들어, 전류 임계 값은 10A일 수 있다. 획득한 태양광 스트링의 출력 전류 값이 전류 임계 값보다 높다면, 이는 태양광 스트링에 해당하는 출력 전류 값이 사실상 높다는 것을 의미한다. 전류 값이 사실상 높은 이유는 컴바이너의 문제이거나 태양광 스트링의 고장 범위에 속하지 않는 태양광 스트링의 전류를 감지하는 유도 코일의 고장 때문일 수 있다. 따라서 사실상 높은 전류 값을 제거하기 위해 결정된 전류 임계 값을 기반으로 과거 작동 상태 데이터를 필터링할 필요가 있다.
개략적으로, 전류 임계 값은
Figure pct00037
로 표시될 수 있다. 전류 임계 값, 제1 최대 출력 전류 값
Figure pct00038
및 제2 최대 출력 전류 값
Figure pct00039
사이의 관계는 다음과 같이 표현될 수 있다(
Figure pct00040
및
Figure pct00041
의 최소 값을 얻는다):
Figure pct00042
개략적으로, I1=10A 이고 I2=10.5A 이면 전류 임계 값
Figure pct00043
=10A이다.
본 실시예에서, 분석에 의해 태양광 어레이에 대응하는 전류 임계 값을 획득하기 위해 미리 설정된 시간 기간 내의 태양광 어레이에 대응하는 과거 작동 상태 데이터가 획득되고, 이에 따라 과거 작동 상태 데이터를 필터링 및 처리한다. 데이터 품질 규칙을 미리 설정하여 트레이닝을 통해 얻은 비정상 점수 예측 모델의 정확도를 향상시킨다.
가능한 구현에서, 미리 설정된 시간 기간 내의 획득된 과거 출력 전류 값이 상기 실시예에서 획득된 전류 임계 값에 기초하여 전 처리된 후, 비정상 점수 예측 모델은 필터링된 과거 출력 전류 값에 기초하여 트레이닝될 수 있다. 본 실시예는 필터링된 과거 출력 전류 값을 기반으로 트레이닝하여 비정상 점수 예측 모델을 얻는 방법을 설명하는데 중점을 둔다.
도식적으로, 도 4는 본 발명의 일 실시예에 따른 비정상 점수 예측 모델을 결정하는 방법의 순서도를 도시한다. 이 방법에는 다음 단계가 포함된다.
단계 401에서, 필터링된 과거 출력 전류 값은 전류 임계 값에 기초하여 과거 출력 전류 값을 필터링함으로써 획득되며, 여기서 필터링된 과거 출력 전류 값은 전류 임계 값 이하이다.
가능한 구현에서, 과거 출력 전류 값은 미리 설정된 데이터 품질 규칙에 따라 필터링될 수 있다. 데이터 품질 규칙에는 야간 데이터 제거(예: 오전 7시 이전 및 오후 6시 이후 데이터 제거), 반복되는 타임스탬프 데이터 제거, 전류 임계 값을 초과하는 데이터 제거, 컴바이너가 연결되지 않은 기간 내 데이터 제거(컨바이너가 종료됨), 스턱 데이터 제거(스턱 데이터는 데이터가 미리 설정된 시간(예: 10분 이상) 이상 새로 고침되지 않음을 나타냄), 복사조도가 20W/m2 미만인 데이터 제거, 공석 보충 값 등이 있다.
전류 임계 값을 초과하는 데이터를 제거한 후, 획득 시점에 해당하는 전류 공석 값을 보완해야 한다. 공실 값에 해당하는 획득 시점 전후의 유효 시점의 현재 평균은 공실 값이 아닌 채워진 값으로 간주될 수 있다. 예를 들어, 10:05:00에 해당하는 전류 값은 18A이며, 이는 전류 임계 값 10A보다 크다. 10:00:00에 획득한 전류 값은 6.7A로 전류 임계 값 10A보다 작다. 10:10:00에 획득한 전류 값은 6.9A로 전류 임계 값 10A보다 작다. 그러면 6.8A의 평균 전류는 10:05:00에 해당하는 출력 전류 값으로 간주될 수 있다.
가능한 구현에서, 미리 설정된 데이터 품질 규칙에 의해 처리된 후의 과거 출력 전류 값은 비정상 점수 예측 모델을 트레이닝하기 위한 기본 데이터로 결정된다.
단계 402에서, 과거 특성 전류 값은 필터링된 과거 출력 전류 값에 기초하여 결정되며, 과거 특성 전류 값은 태양광 어레이의 각각의 획득 모멘트에 대응하는 과거 전류 특성을 특징짓는다.
하루의 다른 획득 모멘트에 대응하는 과거 출력 전류 값의 차이로 인해, 각 획득 모멘트에 대응하는 비정상 점수 예측 모델을 더 정확하게 트레이닝에 의해 획득하기 위해, 과거 출력 전류 값을 각 획득 모멘트에 해당하는 역사적 특성 전류 값에 기초하여 나눌 수 있다. 동일한 특성 전류 값 범위를 만족하는 데이터는 비정상 점수 예측 모델을 트레이닝하기 위한 기초 데이터로 간주된다. 예를 들어, 과거 출력 전류 값의 0-2A는 트레이닝 샘플 A1으로 분할되고, 과거 출력 전류 값의 2-4A는 트레이닝 샘플 A2로 분할되고, 과거 출력 전류 값의 4-6A는 트레이닝 샘플 A3로 분할된다. 과거 출력 전류 값은 과거 특성 전류 값에 따라 다른 레벨(즉, 다른 트레이닝 샘플)로 나눌 수 있다.
트레이닝 샘플들을 분할하기 위한 기초를 획득하는 것과 관련하여, 가능한 구현에서, 분할은 과거 특성 전류 값에 기초하여 수행된다. 과거 특성 전류 값을 결정하는 방법은 다음과 같을 수 있다. 미리 설정된 기간을 6개월, 샘플링 시간 간격을 1분, 8개의 태양광 스트링을 포함하는 태양광 어레이를 예로 들면, 동일한 획득 모멘트에 동일한 태양광 스트링에 해당하는 6×30×12×60 과거 출력 전류 값이 있다. 우선, 이들 129,600개의 과거 출력 전류 값에 대해 K 백분위수에 해당하는 과거 출력 전류 값을 획득 모멘트의 태양광 스트링에 해당하는 과거 출력 전류 값으로 간주하고, K는 50보다 큰 정수이다. 즉, 중앙값 이상의 과거 출력 전류 값이 사용된다. 위의 단계에 따라 동일한 태양광 스트링의 하루의 각 획득 모멘트에 해당하는 과거 출력 전류 값이 결정될 수 있다. 동일한 방식으로 모든 태양광 스트링의 각 획득 모멘트에 해당하는 과거 출력 전류 값을 얻을 수 있다.
도식적으로, 모든 태양광 스트링의 하루의 각 획득 모멘트에 해당하는 과거 출력 전류 값은 다음과 같이 행렬 형태로 표현될 수 있다:
Figure pct00044
여기서,
Figure pct00045
는 과거 출력 전류 값의 행렬을 나타내고,
Figure pct00046
는 i번째 샘플링 모멘트에서 j번째 태양광 스트링에 대응하는 과거 출력 전류 값을 나타낸다.
가능한 구현에서, 과거 출력 전류 값의 행렬이 획득된 후, 복수의 과거 특성 전류 값
Figure pct00047
이 그로부터 추출될 수 있다. 과거 특성 전류 값을 추출하는 방법은 동일한 샘플링 모멘트에 해당하는 복수의 분기 전류 값(즉, 각 태양광 스트링에 해당하는 과거 출력 전류 값), K 백분위수에 해당하는 과거 출력 전류 값은 획득 모멘트에 해당하는 과거 특성 전류 값으로, K는 50 이상의 정수이다. 즉, 중앙값 이상의 과거 출력 전류 값을 취한다. 동일한 방식으로 각 샘플링 모멘트에 해당하는 과거 특성 전류 값을 얻을 수 있다.
개략적으로, 과거 특성 전류 값의 획득된 세트는
Figure pct00048
,
Figure pct00049
는 i번째 샘플링 모멘트에 대응하는 과거 특성 전류 값을 나타낸다.
단계 403에서, 적어도 하나의 트레이닝 샘플은 필터링된 과거 출력 전류 값을 과거 특성 전류 값에 기초하여 분할함으로써 결정되며, 여기서 상이한 트레이닝 샘플에 포함된 과거 출력 전류 값은 상이한 특성 전류 값 범위에 대응하고, 특성 전류 값 범위는 과거 특성 전류 값을 기반으로 결정된다.
가능한 구현에서, 각각의 샘플링 모멘트에 대응하는 과거 특성 전류 값이 결정된 후, 적어도 하나의 트레이닝 샘플은 다음을 얻기 위해 과거 특성 전류 값에 기초하여 필터링된 과거 출력 전류 값을 나눔으로써 결정될 수 있고, 트레이닝에 의해 적어도 하나의 비정상 점수 예측 모델을 획득할 수 있다.
과거 특성 전류 값에 기초하여 필터링된 과거 출력 전류 값을 분할하는 방법에 관하여, 가능한 구현에서, 먼저 복수의 특성 전류 값 범위는 획득된 과거 특성 전류 값을 오름차순으로 배열함으로써 획득된다. 순서를 지정하고 두 개의 인접한 과거 특성 전류 값을 특성 전류 값 범위로 간주한다. 특성 전류 값 범위를 만족하는 과거 출력 전류 값을 트레이닝 샘플로 결정하여 복수의 트레이닝 샘플을 획득한다. 다른 트레이닝 샘플은 다른 특성 전류 값 범위에 해당한다.
도식적으로, 과거 특성 전류 값이
Figure pct00050
이고,
Figure pct00051
, 트레이닝 샘플은
Figure pct00052
이고, 여기서 트레이닝 샘플은
Figure pct00053
, 트레이닝 샘플의 과거 출력 전류 값이 모두 특성 전류 값 범위 내에 있음을 나타낸다.
단계 404에서, 비정상 점수 예측 모델은 트레이닝 샘플에 기초하여 트레이닝된다.
가능한 구현에서, 비정상 점수 예측 모델은 아이솔레이션 포레스트 (Isolation Forest) 알고리즘을 채택한다. 복수의 트레이닝 샘플이 결정된 후, 비정상 점수 예측 모델은 트레이닝 샘플을 기반으로 트레이닝될 수 있다.
가능한 구현에서, 비정상 점수 예측 모델은 다음 단계에 기초한 트레이닝에 의해 획득될 수 있다.
1. 트레이닝 샘플
Figure pct00054
이 획득되고,
Figure pct00055
샘플 데이터의 조각들이 이진 트리를 구성하기 위해 서브 샘플로서 트레이닝 샘플로부터 무작위로 선택된다.
비정상 점수 예측 모델은 복수의 이진 트리로 구성되기 때문에, 비정상 점수 예측 모델을 트레이닝시키는 과정에서 각각의 이진 트리를 구성할 필요가 있다. 즉, 트레이닝 샘플을 복수의 서브 샘플로 나누어 각각의 이진 트리에 따라 이진 트리를 각각 구성할 필요가 있다. 실험 결과, 비정상 점수 예측 모델에 이진 트리가 100개 존재하고 하위 샘플에 포함된 데이터 양이 256일 때 획득한 비정상 점수 예측 모델이 더 나은 예측 효과를 얻을 수 있음을 보여준다.
개략적으로, 256개의 샘플 데이터가 트레이닝 샘플
Figure pct00056
로부터 서브 샘플 A로 무작위로 선택될 수 있고, 제1 이진 트리가 서브 샘플 A를 기반으로 구성될 수 있다.
선택적으로, 비정상 점수 예측 모델에 포함된 하위 샘플의 데이터 볼륨과 이진 트리의 수는 필요에 따라 운영 및 유지 관리 담당자에 의해 설정될 수 있으며, 이는 본 실시예에서 제한되지 않는다.
2. 서브 샘플에 포함된 과거 출력 전류 값의 최대값과 최소값 사이의 값은 경계 특성 값
Figure pct00057
으로 무작위로 생성된다.
가능한 구현에서, 과거 출력 전류 값은 이진 트리의 각 노드를 분할하기 위한 차원으로 간주될 수 있으며, 노드의 과거 출력 전류 값의 최대값과 최소값 사이의 값은 경계 특성 값으로 무작위로 선택된다
개략적으로, 도 5에 도시된 바와 같이, 트레이닝 서브 샘플이 4개의 샘플 데이터
Figure pct00058
를 포함하여 제1 이진 트리를 구성하는 경우, 샘플 데이터의 최대값 및 최소값 중 임의의 값
Figure pct00059
을 경계 특성 값으로 선택한다.
3. 전류 노드 데이터는 경계 특성 값
Figure pct00060
을 기반으로 분할된다.
Figure pct00061
이하의 노드 데이터는 왼쪽 자식 노드로, 크거나 같은 노드 데이터
Figure pct00062
는 오른쪽 자식 노드로 나눈다.
개략적으로, 도 5에 도시된 바와 같이, 트레이닝 서브 샘플의 과거 출력 전류 값이
Figure pct00063
보다 작으면 왼쪽 자식 노드로 분할된다. 트레이닝 서브 샘플의 과거 출력 전류 값이
Figure pct00064
보다 크거나 같으면 오른쪽 자식 노드로 나뉜다. 예를 들어 I1이
Figure pct00065
보다 작으면 왼쪽 자식 노드로 나눈다. 만약 I2, I3, 및 I4 가
Figure pct00066
보다 크거나 같으면 오른쪽 자식 노드로 나눈다.
4. 위의 단계 2 내지 3은 각각 노드의 왼쪽 자식 노드와 오른쪽 자식 노드에 대해 수행되어 미리 설정된 조건이 만족될 때까지 새로운 리프 노드를 지속적으로 구성한 다음 트레이닝이 종료되고 이진 트리가 생성된다.
미리 설정된 조건은: (1) 현재 이진 트리가 미리 설정된 깊이에 도달하는지 여부; (2) 자식 노드에는 샘플 데이터가 하나만 존재 (3) 자식 노드의 샘플 데이터는 동일한 특성을 갖는다.
개략적으로, 도 5에 도시된 바와 같이, 우측 자식 노드는 3개의 트레이닝 샘플 데이터(I2, I3, I4)를 더 포함하고, 이들 3개의 트레이닝 샘플 데이터는 서로 다른 특성을 가지며 연속적으로 분할될 수 있다. 단, 왼쪽 자식 노드는 트레이닝 샘플 데이터(I1)가 1개만 포함되어 분할이 계속되지 않을 수 있다. 오른쪽 자식 노드에 관해서는 위의 2, 3단계에 따라 연속적으로 분할이 수행될 수 있다. 예를 들어, I3은 왼쪽 자식 노드로, I2와 I4는 오른쪽 자식 노드 등으로 분할된다. 이진 트리가 위의 사전 설정 조건을 만족한다고 판단하면 트레이닝이 종료되고 이진 트리가 생성된다.
5. 샘플 데이터의
Figure pct00067
조각은 2단계에서 4단계에 따라 제2 이진 트리를 구성하기 위해 하위 샘플로 트레이닝 샘플에서 다시 무작위로 선택된다.
가능한 구현에서, 이진 트리가 생성된 후, 트레이닝 서브 샘플들이 트레이닝 샘플로부터 무작위로 다시 선택된다. 예를 들어, 트레이닝 서브 샘플
Figure pct00068
,
Figure pct00069
,
Figure pct00070
, 등을 무작위로 선택하고, 각 트레이닝 서브 샘플을 기반으로 복수의 이진 트리를 생성한다.
6. 이진 트리의 수가 미리 설정된 수를 만족하는 경우, 구성된 복수의 이진 트리에 기초하여 비정상 점수 예측 모델이 형성된다.
가능한 구현에서, 구성된 이진 트리의 수가 수 임계 값을 만족할 때, 예를 들어 미리 설정된 수가 100인 경우, 비정상 점수 예측 모델은 100개의 구성된 이진 트리를 기반으로 형성된다.
선택적으로, 위의 실시예는 비정상 점수 예측 모델을 트레이닝하는 프로세스만을 설명한다. 필터링된 과거 출력 전류 값은 과거 특성 전류 값을 기반으로 복수의 트레이닝 샘플로 분할되므로, 복수의 비정상 점수 예측 모델의 트레이닝은 위의 단계 1 내지 6에 따라 실현될 수 있다.
선택적으로, 과거 출력 전류 값이 지속적으로 업데이트됨에 따라, 비정상 점수 예측 모델은 업데이트된 과거 출력 전류 값으로 언제든지 재 트레이닝될 수 있다.
본 실시예에서, 비정상 점수 예측 모델의 정확도에 대한 영향을 피하기 위해 획득된 과거 출력 전류 값은 전류 임계 값에 기초하여 필터링되어 사실상 높은 전류 값을 제거한다. 또한 비정상 점수 예측 모델은 트레이닝 샘플에서 격리된 데이터 포인트를 효과적으로 식별할 수 있는 아이솔레이션 포레스트 (Isolation Forest) 알고리즘을 채택한다.
가능한 구현에서, 비정상 점수 예측 모델의 트레이닝이 완료된 후, 비정상 점수 예측 모델에 트레이닝 샘플을 다시 입력함으로써 비정상 점수 예측 모델에 대응하는 비정상 점수가 획득될 수 있다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 비정상 점수 결정 방법의 순서도를 도시한다. 이 방법에는 다음 단계가 포함된다.
단계 601에서, 트레이닝 샘플을 S개의 이진 트리에 각각 입력함으로써 트레이닝 샘플에 대응하는 S개의 경로 길이가 획득된다.
가능한 구현에서, 비정상 점수 예측 모델에 S개의 이진 트리가 있고 트레이닝 샘플에 대응하는 S개의 경로 길이는 트레이닝 샘플을 대응하는 비정상 점수 예측 모델에 입력함으로써 획득되는 것으로 설정되고, 즉, 각 이진 트리에서 트레이닝 샘플의 경로 길이, 및 S개의 경로 길이가 기록된다.
단계 602에서, 트레이닝 샘플에 대응하는 비정상 점수는 S개의 경로 길이에 기초하여 계산된다.
개략적으로, 경로 길이와 비정상 점수 사이의 관계는 다음과 같이 표현될 수 있다:
Figure pct00071
여기서
Figure pct00072
는 트레이닝 샘플에 대응하는 비정상 점수이고,
Figure pct00073
는 비정상 점수 예측 모델에서 각 이진 트리의 평균 경로 길이이고,
Figure pct00074
는 각 이진 트리에서 트레이닝 샘플의 경로 길이이며,
Figure pct00075
는 평균이다.
이진 트리의 평균 경로 길이와 관련하여 만족된 관계는 다음과 같을 수 있다:
Figure pct00076
여기서
Figure pct00077
는 트레이닝 샘플에 포함된 샘플 날짜 볼륨이고
Figure pct00078
는
Figure pct00079
, 오일러 상수
Figure pct00080
=0.5772156649로 추정될 수 있는 조화수이다.
가능한 구현에서, S개의 경로 길이, 즉,
Figure pct00081
는 트레이닝 샘플을 대응하는 비정상 점수 예측 모델에 입력함으로써 획득된다. S개의 경로 길이를 평균하여
Figure pct00082
를 구하여 수식 4에 대입하여 트레이닝 샘플에 해당하는 비정상 점수, 즉 비정상 점수 예측 모델(표준 비정상 점수)에 해당하는 비정상 점수를 계산한다.
본 실시예에서, S개의 이진 트리에 대한 트레이닝 샘플의 경로 길이는 트레이닝 샘플을 대응하는 비정상 점수 예측 모델에 입력함으로써 획득될 수 있고, 비정상 점수 예측 모델에 대응하는 비정상 점수는 다음과 같이 획득될 수 있다. S개의 경로 길이를 기반으로 계산하여 현재 비정상 점수와 후속적으로 비교하여 태양광 어레이의 작동 상태를 결정하는 단계를 포함한다.
가능한 구현에서, 우발적 요인으로 인한 잘못된 경보 상황을 제거하기 위해 N개의 연속 샘플링 모멘트에 해당하는 현재 비정상 점수를 판단하여 경보 정확도를 개선해야 한다.
도 7을 참조하면, 본 발명의 다른 실시예에 따른 태양광 어레이의 작동 상태를 판단하는 방법의 순서도를 도시한다. 본 실시예에서, 컴퓨터 디바이스에 적용 가능한 방법은 예시를 위한 예로서 취해진다. 이 방법에는 다음 단계가 포함된다.
단계 701에서, 태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값이 획득되고, 여기서 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함한다.
이 단계의 구현을 위해, 본 실시예에서 반복되지 않는 단계 201을 참조할 수 있다.
단계 702에서, 목표 비정상 점수 예측 모델은 현재 출력 전류 값에 기초하여 결정되며, 여기서 상이한 비정상 점수 예측 모델은 상이한 특성 전류 값 범위에 대응하고, 비정상 점수 예측 모델은 태양광 어레이의 과거 출력 전류 값에 기초한 트레이닝에 의해 획득된다.
스트링의 출력 전류를 감지하는 컴바이너 장치 또는 유도 코일이 고장날 때, 획득된 현재 출력 전류 값은 사실상 높을 것이다. 획득한 현재 출력 전류 값에 거의 높은 전류 값이 있는 경우 결정된 현재 비정상 점수가 높아 태양광 어레이의 작동 상태 판단에 영향을 미다. 따라서, 현재 특성 전류 값을 목표 비정상 점수 예측 모델에 입력하기 전에, 예를 들어 현재 출력 전류 값에서 사실상 높은 전류 값을 제거하기 위해 현재 출력 전류 값을 전 처리할 필요가 있다.
개략적으로, 도 8에 도시된 바와 같이, 단계 702는 단계 702A, 단계 702B, 및 단계 702C를 포함할 수 있다.
단계 702A에서, 전류 임계 값에 기초하여 현재 출력 전류 값을 필터링함으로써 필터링된 현재 출력 전류 값이 획득되며, 여기서 전류 임계 값은 태양광 어레이의 과거 작동 상태 데이터에 의해 결정되고, 필터링된 현재 출력 전류 값은 전류 임계 값 이하이다.
전류 임계 값을 결정하기 위한 방법에 대해, 본 실시예에서 반복되지 않는 상기 실시예를 참조할 수 있다.
가능한 구현에서, 복수의 현재 출력 전류 값이 동일한 획득 모멘트에 획득되는 경우, 복수의 현재 출력 전류 값은 전류 임계 값에 기초하여 필터링된다. 즉, 전류 임계 값보다 큰 현재 출력 전류 값이 제거되고 빈 값을 채울 필요가 없다.
개략적으로, 예를 들어, 획득된 현재 출력 전류 값은 I1=6.3A, I2=7A, I3=6.5A, I4=6.4A, I5=6.7A, I6=7A, I7=18A, I8=6.9A 일 수 있고, 전류 임계 값은
Figure pct00083
=10A 이다. 현재 출력 전류 값은 전류 임계 값과 현재 출력 전류 값의 관계에 따라 필터링될 수 있다.
Figure pct00084
이므로 I7에 해당하는 현재 출력 전류 값이 제거된다.
실시간으로 획득된 현재 출력 전류 값은 사실상 높은 전류 값을 제거한 후, 공석 값이 존재한다면 공석 값을 채울 필요가 없다. 나머지 현재 출력 전류 값만 나중에 분석하면 된다. 또한, 실질적으로 높은 전류 값이 존재하는 경우, 컴바이너 장치 고장 경보, 유도 코일 고장 경보 등과 같은 본 발명의 태양광 어레이 고장 경보와 무관한 다른 경보가 트리거될 것이다.
단계 702B에서, 필터링된 현재 출력 전류 값의 K 백분위수는 현재 특성 전류 값으로 결정되며, 여기서 K는 50 이상의 정수이고, 현재 특성 전류 값은 현재 획득 모멘트에 태양광 어레이에 해당하는 현재 전류 특성을 특성화한다.
가능한 구현에서, 사실상 높은 전류 값이 제거된 현재 출력 전류 값의 K 백분위수가 현재 특성 전류 값으로 결정된다. 기본적으로 K가 50 이상의 정수일 때, 획득된 현재 특성 전류 값은 현재 획득 모멘트의 태양광 어레이에 해당하는 현재 전류 특성을 특성화한다.
개략적으로, 필터링된 현재 출력 전류 값이 I1=6.3A, I2=7A, I3=6.5A, I4=6.4A, I5=6.7A, I6=7A, I8=6.9A 이면 현재 출력 전류 값이 순서대로 정렬된다. 현재 특성 전류 값
Figure pct00085
=6.7A를 얻기 위해 중앙값(K=50)을 취한다.
단계 702C에서, 현재 특성 전류 값에 기초하여 목표 비정상 점수 예측 모델이 결정되며, 여기서 현재 특성 전류 값은 목표 비정상 점수 예측 모델에 대응하는 목표 특성 전류 값 범위 내에 있다.
가능한 구현에서, 현재 획득 모멘트에 대응하는 현재 특성 전류 값이 획득된 후, 목표 비정상 점수 예측 모델이 현재 특성 전류 값에 기초하여 결정될 수 있다. 현재 특성 전류 값은 목표 비정상 점수 예측 모델에 대응하는 목표 특성 전류 값 범위 내에 있다.
개략적으로, 현재 특성 전류 값이 6.7A이고 비정상 점수 예측 모델 D에 해당하는 특성 전류 값 범위가 6-8A인 경우, 비정상 점수 예측 모델 D가 목표 비정상 점수 예측 모델로 결정된다.
단계 703에서, 현재 출력 전류 값을 목표 비정상 점수 예측 모델에 입력함으로써 태양광 어레이에 대응하는 현재 비정상 점수가 결정된다.
가능한 구현에서, 목표 비정상 점수 예측 모델이 결정된 후, 현재 출력 전류 값은 목표 비정상 점수 예측 모델에 입력될 테스트 샘플로 간주되어 전류 획득 모멘트에의 태양광 어레이에 대응하는 현재 비정상 점수를 출력할 수 있다.
개략적으로, 현재 비정상 점수를 결정하는 프로세스는 다음 단계를 포함할 수 있다.
1. 테스트 샘플에 대응하는 S개의 경로 길이는 테스트 샘플을 S개의 이진 트리에 각각 입력함으로써 획득된다.
2. 테스트 샘플에 해당하는 현재 비정상 점수는 S개의 경로 길이를 기반으로 계산된다.
현재 비정상 점수를 결정하는 구현을 위해, 본 실시예에서 반복되지 않는 상기 실시예를 참조할 수 있다.
단계 704에서, 현재 비정상 점수가 목표 비정상 점수 이하인 것에 응답하여 태양광 어레이의 작동 상태가 정상인 것으로 결정된다.
가능한 구현에서, 현재 비정상 점수가 목표 비정상 점수 이하이면 현재 출력 전류 값의 편차가 작고 기본적으로 절연 전류 값이 존재하지 않으며 태양광 어레이는 정상으로 결정된다.
단계 705에서, 현재 비정상 점수가 목표 비정상 점수보다 큰 것에 응답하여 N개의 연속 샘플링 모멘트에 대응하는 현재 비정상 점수가 획득되며, 여기서 N은 1 이상의 정수이다.
가능한 구현에서, 현재 비정상 점수가 목표 비정상 점수보다 크면 현재 출력 전류 값의 편차가 크고 절연 전류 값이 존재하며 비정상적인 태양광 스트링이 존재할 수 있음을 나타낸다. 우발적 요인의 영향을 피하기 위해서는 복수의 연속 샘플링 모멘트에 해당하는 현재 비정상 점수를 획득하고 현재 비정상 점수를 목표 비정상 점수와 비교할 필요가 있다.
단계 706에서, 목표 비정상 점수보다 큰 적어도 M개의 연속 샘플링 모멘트에 대응하는 현재의 비정상 점수에 응답하여 태양광 어레이의 작동 상태가 비정상인 것으로 결정되며, 여기서 M은 1이상의 정수이고 M은 N이하이다.
가능한 구현에서, N개의 연속 샘플링 모멘트에 대응하는 획득된 현재 비정상 점수 중 M개의 연속 샘플링 모멘트에 대응하는 현재 비정상 점수가 모두 목표 비정상 점수보다 큰 경우, 광전지 어레이의 작동 상태는 비정상으로 결정된다.
개략적으로, 현재 샘플링 모멘트가 모멘트 a이고 획득 모멘트 a에 해당하는 현재 비정상 점수가 목표 현재 비정상 점수보다 큰 경우, 모멘트 a는 제1 비정상 모멘트 t1으로 표시되며, 다음 획득 모멘트 (모멘트a+1)에 현재 비정상 점수와 목표 비정상 점수를 지속적으로 판단한다. 모멘트 a+1에 해당하는 현재 비정상 점수도 목표 비정상 점수보다 크면 모멘트 a+1을 제2 비정상 모멘트 t2로 표시하고 위의 판단 단계를 반복한다. M개의 연속 샘플링 모멘트에 해당하는 현재 비정상 점수가 모두 목표 비정상 점수보다 크면, 태양광 어레이에 비정상적인 태양광 스트링이 존재하는 것으로 판단한다.
M개의 연속 샘플링 모멘트에 대응하는 시간은 i번째 비정상 모멘트와 제1 비정상 모멘트 사이의 시간차일 수 있다. 즉, t1은 제1 비정상 모멘트, ti 는 제i 비정상 모멘트, Tts 는 시간 임계 값인 태양광 어레이에 비정상적인 태양광 스트링이 존재함을 출력하기 전에
Figure pct00086
를 만족해야 한다.
선택적으로, 연속적인 비정상 모멘트가 시간 임계 값 미만인 경우, 광전지 어레이의 작동 상태가 정상임을 출력해야 한다.
선택적으로, 시간 임계 값은 필요에 따라 운영 및 유지 관리 인력에 의해 설정될 수 있다. 예를 들어, 시간 임계 값은 15분 또는 60분일 수 있다.
본 실시예에서, 실시간으로 획득된 현재 전류 출력 값은 현재 비정상 점수의 결정에 대한 사실상 높은 전류 값의 영향을 제거하기 위해 전류 임계 값에 의해 필터링된다. 또한, 시간 임계 값을 설정하여 사전 설정된 시간 내의 현재 비정상 점수가 모두 목표 비정상 점수보다 큰 경우에만 태양광 스트링 이상 경보가 트리거되어 우발적인 요인으로 인한 잘못된 경보를 방지하고 경보 정확성을 개선할 수 있다.
가능한 구현에서, 태양광 어레이가 고장 난 것으로 결정될 때, 컴퓨터 디바이스는 또한 경보 기록을 생성할 수 있어서, 작동 및 유지보수 담당자는 경보 기록을 기반으로 태양광 어레이에 어떤 비정상 태양광 스트링이 존재하는지 결정할 수 있으며, 비정상적인 태양광 스트링을 오프라인으로 검사하고, 태양광 스트링의 작동 상태가 제 시간에 비정상적인 문제를 해결한다.
1. M개의 연속 샘플링 모멘트에 대응하는 현재 출력 전류 값의 최소 출력 전류 값이 결정된다.
태양광 어레이에 비정상적인 태양광 스트링이 존재하는 것으로 결정되면, M개의 연속 샘플링 모멘트에 대응하는 현재 출력 전류 값에 기초하여 복수의 최소 출력 전류 값이 결정될 수 있다. 예를 들어, M이 3이면 각 샘플링 모멘트에 해당하는 현재 출력 전류 값의 최소 전류 값이 결정되고, 3개의 연속 샘플링 모멘트는 3개의 최소 출력 전류 값에 해당한다.
2. 최소 출력 전류 값에 해당하는 태양광 스트링을 비정상 태양광 스트링으로 판정한다.
출력 전류 값이 작고 현재 특성 전류 값과 크게 다르기 때문에 비정상 점수가 높다. 따라서 최소 출력 전류 값에 해당하는 태양광 스트링을 비정상 태양광 스트링으로 판단하고, 비정상 태양광 스트링 정보를 경보 내용으로 간주하여 운영 및 유지보수 담당자에게 통보한다.
선택적으로, 경보 기록는 현재 특성 전류 값, 최소 출력 전류 값, 최대 출력 전류 값, 및 비정상적인 획득 모멘트에 대응하는 비정상 태양광 스트링 정보를 포함할 수 있다.
본 실시예에서, 최소 출력 전류값, 비정상 태양광 스트링 정보, 최대 출력 전류 값, 및 현재 특성 전류 값과 같은 정보를 포함하는 경보 기록이 생성되어, 작동 및 유지 보수를 신속하게 알릴 수 있다. 직원이 오프라인 검사를 수행하여 태양광 스트링의 작동 상태가 비정상인 문제를 해결한다.
도 9는 본 발명의 또 다른 실시예에 따른 태양광 어레이의 작동 상태를 판단하는 방법의 순서도이다. 프로세스에는 다음 단계가 포함될 수 있다.
단계 901에서, 태양광 어레이에 대응하는 과거 작동 상태 데이터가 획득된다.
단계 902에서, 과거 출력 전류 값은 데이터 품질 규칙에 따라 필터링된다.
단계 903에서, 필터링된 과거 출력 전류 값을 분할하고 복수의 트레이닝 샘플을 구성하기 위해 과거 특성 전류 값이 필터링된 과거 출력 전류 값으로부터 추출된다.
단계 904에서, 복수의 트레이닝 샘플에 기초한 트레이닝에 의해 복수의 비정상 점수 예측 모델이 각각 획득된다.
단계 905에서, 미리 설정된 타임스탬프 전류 행렬을 구성하기 위해 태양광 어레이의 미리 설정된 타임스탬프 내의 현재 출력 전류 값이 획득된다.
단계 906에서, 미리 설정된 타임스탬프 내의 각 획득 모멘트에 대응하는 현재 출력 전류 값에 기초하여 현재 특성 전류 값이 결정되고, 이에 의해 목표 비정상 점수 예측 모델을 결정한다.
단계 907에서, 각 획득 모멘트에 대응하는 현재의 부분행렬을 목표 비정상 점수 예측 모델에 입력함으로써 각 획득 모멘트에 대응하는 현재 비정상 점수가 획득된다.
단계 908에서, 미리 설정된 타임스탬프에 대응하는 현재 비정상 점수는 각 획득 모멘트에 대응하는 현재 비정상 점수를 누적함으로써 획득된다.
단계 909에서, 미리 설정된 타임스탬프에 대응하는 현재 비정상 점수가 비정상 점수 임계 값보다 큰지 여부가 판단된다.
단계 910에서, 태양광 어레이의 작동 상태가 정상임을 출력한다.
단계 911에서, 비정상 태양광 스트링이 태양광 어레이에 존재한다는 것이 출력된다.
도 10을 참조하면, 본 발명의 예시적인 실시예에 따른 태양광 어레이의 작동 상태를 결정하기 위한 장치의 구조적 블록도를 도시한다. 장치는 소프트웨어, 하드웨어 또는 이들의 조합을 통해 컴퓨터 디바이스의 전부 또는 일부로서 구현될 수 있다. 장치에는 다음이 포함될 수 있다:
태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하도록 구성된 제1 획득 모듈(1001)로서, 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함하는 모듈;
현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하도록 구성된 제1 결정 모듈(1002)로서, 상이한 비정상 점수 예측 모델은 상이한 특성 전류 값 범위에 대응하고, 비정상 점수 예측 모델은 태양광 어레이의 과거 출력 전류 값을 기반으로 한 트레이닝에 의해 획득되는 모듈.
현재 출력 전류 값을 목표 비정상 점수 예측 모델에 입력함으로써 태양광 어레이에 대응하는 현재 비정상 점수를 결정하도록 구성된 제2 결정 모듈(1003); 및
현재 비정상 점수를 목표 비정상 점수와 비교함으로써 태양광 어레이의 작동 상태를 결정하도록 구성되는 제3 결정 모듈(1004)로서, 상이한 비정상 점수 예측 모델은 상이한 비정상 점수에 대응하고, 비정상 점수는 과거 출력 전류 값을 비정상 점수 예측 모델에 입력한 이후에 획득되는 모듈.
선택적으로, 제3 결정 모듈(1004)은 다음을 포함한다:
현재 비정상 점수가 목표 비정상 점수 이하인 것에 응답하여 태양광 어레이의 작동 상태가 정상이라고 결정하도록 구성된 제1 결정 유닛;
현재 비정상 점수가 목표 비정상 점수보다 큰 것에 응답하여 N개의 연속 샘플링 모멘트에 대응하는 현재 비정상 점수를 획득하도록 구성된 획득 유닛으로서, N은 1 이상의 정수인 유닛; 및
목표 비정상 점수보다 더 큰 적어도 M개의 연속 샘플링 모멘트에 대응하는 현재 비정상 점수에 응답하여 태양광 어레이의 작동 상태가 비정상이라고 결정하도록 구성되는 제2 결정 유닛으로서, M은 1이상의 정수이고, M은 N 이하의 유닛.
선택적으로, 장치는 다음을 추가로 포함한다:
M개의 연속 샘플링 모멘트에 대응하는 현재 출력 전류 값의 최소 출력 전류 값을 결정하도록 구성되는 제4 결정 모듈; 및
최소 출력 전류 값에 대응하는 태양광 스트링을 비정상적인 태양광 스트링으로 판정하도록 구성되는 제5 판정 모듈.
선택적으로, 제1 결정 모듈(1002)은 다음을 포함한다:
전류 임계 값에 기초하여 현재 출력 전류 값을 필터링함으로써 필터링된 현재 출력 전류 값을 획득하도록 구성된 제3 결정 유닛으로서, 전류 임계 값은 태양광 어레이의 과거 작동 상태 데이터에 의해 결정되며, 과거 작동 상태 데이터는 태양광 스트링의 과거 출력 전류 값, 태양광 스트링에 해당하는 과거 복사조도, 태양광 스트링이 위치한 환경의 과거 주변 온도 및 과거 풍속을 포함하고, 필터링된 현재 출력 전류 값은 전류 임계 값 이하인 유닛.
필터링된 현재 출력 전류 값에서 K 백분위수를 현재 특성 전류 값으로 결정하도록 구성된 제4 결정 유닛으로서, K는 50 이상의 정수이고, 현재 특성 전류 값은 현재 획득 모멘트의 태양광 어레이에 해당하는 현재 전류 특성을 특성화하는 유닛; 및
현재 특성 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하도록 구성되는 제5 결정 유닛으로서, 현재 특성 전류 값은 목표 비정상 점수 예측 모델에 대응하는 목표 특성 전류 값 범위 내에 있는 유닛.
선택적으로, 장치는 다음을 추가로 포함한다:
미리 설정된 시간 기간 내에 태양광 어레이의 과거 작동 상태 데이터를 획득하도록 구성된 제2 획득 모듈;
최대 복사조도, 최대 풍속 및 최대 주변 온도에 기초하여 태양광 어레이에 대응하는 태양광 모듈 온도를 계산하도록 구성된 제1 계산 모듈로서, 최대 복사조도는 과거 복사조도에 의해 결정되고, 최대 주변 온도는 과거 주변 온도에 의해 결정되고, 최대 풍속은 과거 풍속에 의해 결정되는 모듈;
태양광 모듈 온도 및 최대 복사조도에 기초하여 태양광 어레이에 대응하는 제1 최대 출력 전류 값을 계산하도록 구성된 제2 계산 모듈로서, 제1 최대 출력 전류 값은 최대 복사조도 하의 태양광 스트링의 출력 전류 값인 모듈;
정격 설치 용량 및 최대 시스템 전압에 기초하여 태양광 어레이에 대응하는 제2 최대 출력 전류 값을 계산하도록 구성된 제3 계산 모듈로서, 정격 설치 용량은 태양광 어레이에 연결된 컴바이너의 정격 전력이고, 최대 시스템 전압은 컴바이너에 연결된 인버터의 시스템 전압이고, 제2 최대 출력 전류 값은 컴바이너가 태양광 스트링이 입력하도록 허용하는 최대 전류 값인 모듈; 및
제1 최대 출력 전류 값과 제2 최대 출력 전류 값의 최소값을 전류 임계 값으로 결정하도록 구성되는 제 6 결정 모듈.
선택적으로, 장치는 다음을 추가로 포함한다:
전류 임계 값에 기초하여 과거 출력 전류 값을 필터링함으로써 필터링된 과거 출력 전류 값을 획득하도록 구성된 제7 결정 모듈로서, 필터링된 과거 출력 전류 값은 전류 임계 값 이하인 모듈;
필터링된 과거 출력 전류 값에 기초하여 과거 특성 전류 값을 결정하도록 구성된 제8 결정 모듈로서, 과거 특성 전류 값은 태양광 어레이의 각 획득 모멘트에 대응하는 과거 전류 특성을 특성화하는 모듈;
필터링된 과거 출력 전류 값을 과거 특성 전류 값에 기초하여 나누어 적어도 하나의 트레이닝 샘플을 결정하도록 구성되는 제9 결정 모듈로서, 상이한 트레이닝 샘플에 포함된 과거 출력 전류 값은 상이한 특성 전류 값 범위에 대응하고, 특성 전류 값 범위는 과거 특성 전류 값을 기반으로 결정되는 모듈; 및
트레이닝 샘플에 기초하여 비정상 점수 예측 모델을 트레이닝하도록 구성된 트레이닝 모듈.
선택적으로, 비정상 점수 예측 모델은 아이솔레이션 포레스트 (Isolation Forest) 알고리즘을 채택하고, 비정상 점수 예측 모델은 S개의 이진 트리를 포함하며, 여기서 S는 1 이상의 정수이다.
선택적으로, 장치는 다음을 추가로 포함한다:
트레이닝 샘플을 S개의 이진 트리에 각각 입력함으로써 트레이닝 샘플에 대응하는 S개의 경로 길이를 획득하도록 구성된 제10 결정 모듈; 및
S개의 경로 길이에 기초하여 트레이닝 샘플에 대응하는 비정상 점수를 계산하도록 구성된 제4 계산 모듈.
본 발명의 실시예에서, 태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값이 획득되고, 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델이 결정되고, 현재 비정상 점수를 목표 비정상 점수 예측 모델에 대응하는 목표 비정상 점수와 비교하도록, 현재 출력 전류 값을 목표 비정상 점수 예측 모델에 입력함으로써 태양광 어레이에 대응하는 현재 비정상 점수가 출력되며, 결국 비교 결과에 기초하여 태양광 어레이의 작동 상태가 결정된다.
태양광 어레이의 현재 동작상태를 판단하도록, 실시간으로 획득한 현재 출력 전류 값을 비정상 점수 예측모델에 입력함으로써 현재 비정상 점수가 출력된다. 현재 출력 전류 값은 태양광 어레이의 작동 상태를 실시간으로 반영할 수 있으므로, 종래의 적외선 이미지를 통해 작동 상태를 결정하는 방식에 비해 적외선 이미지에 대한 주변 온도의 간섭을 최소화할 수 있어, 태양광 어레이의 작동 상태를 결정하는 정확도를 향상시킨다.
도 11을 참조하면, 본 발명의 예시적인 실시예에 따른 컴퓨터 디바이스의 개략적인 구조도를 도시한다. 구체적으로, 컴퓨터 디바이스(1100)는 중앙 처리 유닛(CPU)(1101), 랜덤 액세스 메모리(RAM)(1102) 및 읽기 전용 메모리(ROM)(1103)를 포함하는 시스템 메모리(1104), 및 시스템 메모리(1104) 및 중앙 처리 유닛 (1101)를 연결하는 시스템 버스(1105)를 포함한다. 컴퓨터 디바이스(1100)는 또한 컴퓨터 디바이스 내의 다양한 구성요소 사이의 정보 전송을 용이하게 하는 기본 입/출력(I/O) 시스템(1106), 및 운영 체제(1113), 애플리케이션(1114) 및 기타 프로그램 모듈(1115)를 저장하기 위한 대용량 저장 장치(1107)를 포함한다.
기본 입/출력 시스템(1106)은 정보를 표시하기 위한 디스플레이(1108) 및 정보의 사용자 입력을 위한 마우스 또는 키보드와 같은 입력 디바이스(1109)를 포함한다. 디스플레이(1108) 및 입력 디바이스(1109)는 모두 시스템 버스(1105)에 연결된 입출력 컨트롤러(1110)를 통해 중앙 처리 유닛(1101)에 연결된다. 기본 입출력 시스템(1106)은 수신 및 키보드, 마우스 또는 전자 스타일러스와 같은 복수의 다른 장치로부터의 입력을 받고 처리하기 위한 입/출력 컨트롤러(1110)을 포함할 수 있다. 유사하게, 입/출력 컨트롤러(1110)는 또한 디스플레이 스크린, 프린터, 또는 다른 유형의 출력 장치에 출력을 제공한다.
대용량 저장 장치(1107)는 시스템 버스(1105)에 연결된 대용량 저장 컨트롤러(도시되지 않음)에 의해 중앙 처리 유닛(1101)에 연결된다. 대용량 저장 장치(1107) 및 관련 컴퓨터 판독 가능 저장 매체는 비휘발성 저장 장치를 제공한다. 즉, 대용량 저장 장치(1107)는 하드 디스크 또는 CD-ROM(Compact Disc Read-Only Memory) 드라이브와 같은 컴퓨터 판독 가능 저장 매체(미도시)를 포함할 수 있다.
일반성을 잃지 않으면서, 컴퓨터 판독 가능 저장 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독 가능 저장 명령어, 데이터 구조, 프로그램 모듈, 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술에 의해 구현되는 휘발성 및 비휘발성, 착탈식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EPROM(Erasable Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시 메모리 또는 기타 솔리드 스테이트 저장 기술, CD-ROM, 디지털 다목적 디스크(DVD) 또는 기타 광학 저장 장치, 테이프 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치를 포함한다. 물론, 컴퓨터 저장 매체가 이에 한정되지 않음은 당업자라면 잘 알 수 있다. 상술한 시스템 메모리(1104) 및 대용량 저장 장치(1107)는 메모리로 통칭될 수 있다.
메모리는 하나 이상의 중앙 처리 유닛(1101)에 의해 실행되도록 구성되고, 전술한 방법 실시예를 수행하기 위한 명령어를 포함하도록 구성된 하나 이상의 프로그램을 저장한다. 하나 이상의 프로그램은 중앙 처리 유닛(1101)에 의해 실행될 때 중앙 처리 유닛(1101)가 위의 방법 실시예에 따른 방법을 수행하게 한다.
본 개시의 다양한 실시예에 따르면, 컴퓨터 디바이스(1100)는 또한 인터넷과 같은 네트워크를 통해 원격 네트워크 컴퓨터에 연결되어 동작될 수 있다. 즉, 컴퓨터 디바이스(1100)는 시스템 버스(1105)에 연결된 네트워크 인터페이스 유닛(1111)에 의해 네트워크(1112)에 연결될 수 있거나, 즉, 컴퓨터 디바이스(1110)는 네트워크 인터페이스 유닛(1111)을 사용하여 다른 유형의 네트워크 또는 원격 서버 시스템(미도시)에 연결될 수 있다.
메모리는 하나 이상의 프로그램을 더 포함한다. 메모리에 저장된 하나 이상의 프로그램은 본 발명의 실시예에 따른 방법에서 컴퓨터 디바이스에 의해 수행되는 단계를 수행하도록 구성된 명령어를 포함한다.
컴퓨터 판독 가능 저장 매체는 본 발명의 실시예에 의해 추가로 제공된다. 컴퓨터 판독 가능 저장 매체는 그 안에 적어도 하나의 명령어를 저장한다. 프로세서에 의해 로드 및 실행될 때, 적어도 하나의 명령어는 프로세서로 하여금 상기 실시예에서 설명된 태양광 어레이의 작동 상태를 결정하기 위한 방법을 수행하게 한다.
컴퓨터 프로그램 제품은 본 발명의 실시예에 의해 추가로 제공된다. 컴퓨터 프로그램 제품은 그 안에 적어도 하나의 명령어를 저장한다. 프로세서에 의해 로드 및 실행될 때, 적어도 하나의 명령어는 프로세서로 하여금 상기 실시예에서 설명된 태양광 어레이의 작동 상태를 결정하기 위한 방법을 수행하게 한다.
당업자는 전술한 예 중 하나 이상에서, 본 발명의 실시예에서 설명된 기능이 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합에 의해 구현될 수 있음을 인식할 수 있다. 소프트웨어에 의해 구현되는 경우, 이들 기능은 컴퓨터 판독 가능 저장 매체에 저장되거나 컴퓨터 판독 가능 저장 매체에 하나 이상의 명령어 또는 코드로서 전송될 수 있다. 컴퓨터 판독 가능 저장 매체는 컴퓨터 저장 매체 및 통신 매체를 포함한다. 통신 매체는 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 모든 매체를 포함한다. 저장 매체는 범용 또는 특수 목적 컴퓨터에 의해 액세스될 수 있는 모든 사용 가능한 매체일 수 있다.
상기 내용은 단지 본 발명의 선택적인 실시예들일 뿐, 본 발명을 제한하도록 의도되지 않는다. 본 발명의 정신 및 원칙 내에서 이루어진 모든 수정, 동등한 교체 및 개선은 모두 본 발명의 보호 범위에 속한다.

Claims (10)

  1. 태양광 어레이의 작동 상태를 결정하는 방법에 있어서:
    상기 태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하는 단계로서, 상기 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함하는 단계;
    상기 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하는 단계로서, 상이한 비정상 점수 예측 모델은 상이한 특성 전류 값 범위에 대응하고, 상기 비정상 점수 예측 모델은 상기 태양광 어레이의 과거 출력 전류 값에 기초한 트레이닝에 의해 획득되는 단계;
    상기 현재 출력 전류 값을 상기 목표 비정상 점수 예측 모델에 입력하여 상기 태양광 어레이에 대응하는 현재 비정상 점수를 결정하는 단계; 및
    상기 현재 비정상 점수를 목표 비정상 점수와 비교하여 상기 태양광 어레이의 작동 상태를 결정하는 단계로서, 상이한 비정상 점수 예측 모델은 상이한 비정상 점수에 대응하고, 상기 비정상 점수는 상기 과거 출력 전류 값을 상기 비정상 점수 예측 모델에 입력한 후 획득되는 단계를 포함하는 방법.
  2. 제1항에 있어서, 상기 현재 비정상 점수를 목표 비정상 점수와 비교하여 상기 태양광 어레이의 작동 상태를 결정하는 단계는:
    상기 현재 비정상 점수가 상기 목표 비정상 점수 이하인 경우 상기 태양광 어레이의 작동 상태가 정상이라고 결정하는 단계;
    상기 현재 비정상 점수가 상기 목표 비정상 점수보다 큰 경우 N개의 연속 샘플링 모멘트에 해당하는 현재 비정상 점수를 획득하는 단계로서, N은 1 이상의 정수인 단계; 및
    적어도 M개의 연속 샘플링 모멘트에 대응하는 현재의 비정상 점수가 상기 목표 비정상 점수보다 큰 경우 상기 태양광 어레이의 작동 상태가 비정상이라고 결정하는 단계로서, M은 1 이상의 정수이고, M은 N 이하인 단계를 포함하는 방법.
  3. 제2항에 있어서, 상기 태양광 어레이의 작동 상태가 비정상이라고 결정하는 단계 이후에, 상기 방법은:
    상기 M개의 연속 샘플링 모멘트에 대응하는 상기 현재 출력 전류 값의 최소 출력 전류 값을 결정하는 단계; 및
    상기 최소 출력 전류 값에 해당하는 상기 태양광 스트링을 비정상 태양광 스트링으로 결정하는 단계를 더 포함하는 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하는 단계는:
    전류 임계 값에 기초하여 상기 현재 출력 전류 값을 필터링함으로써 필터링된 현재 출력 전류 값을 획득하는 단계로서, 상기 전류 임계 값은 상기 태양광 어레이의 과거 작동 상태 데이터에 기초하여 결정되고, 상기 과거 작동 상태 데이터는 상기 태양광 스트링의 과거 출력 전류 값, 상기 태양광 스트링에 대응하는 과거 복사조도, 상기 태양광 스트링이 위치한 환경의 과거 주변 온도 및 과거 풍속을 포함하며, 상기 필터링된 현재 출력 전류 값은 상기 전류 임계 값 이하인 단계;
    상기 필터링된 현재 출력 전류 값 중 K 백분위수를 상기 현재 특성 전류 값으로 결정하는 단계로서, K는 50 이상의 정수이고, 상기 현재 특성 전류 값은 현재 획득 시점의 상기 태양광 어레이에 해당하는 현재 전류 특성을 특성화하는 단계; 및
    상기 현재 특성 전류 값에 기초하여 상기 목표 비정상 점수 예측 모델을 결정하는 단계로서, 상기 현재 특성 전류 값은 상기 목표 비정상 점수 예측 모델에 대응하는 목표 특성 전류 값 범위 내에 있는 단계를 포함하는 방법.
  5. 제4항에 있어서, 상기 태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하는 단계 이전에, 상기 방법은:
    미리 설정된 기간 내에 상기 태양광 어레이의 과거 작동 상태 데이터를 획득하는 단계;
    최대 복사조도, 최대 풍속 및 최대 주변 온도에 기초하여 상기 태양광 어레이에 대응하는 태양광 모듈 온도를 계산하는 단계로서, 상기 최대 복사조도는 상기 과거 복사조도에 기반하여 결정되고, 상기 최대 주변 온도는 상기 과거 주변 온도에 기반하여 결정되며, 상기 최대 풍속은 상기 과거 풍속을 기반으로 결정되는 단계;
    상기 태양광 모듈 온도 및 상기 최대 복사조도에 기초하여 상기 태양광 어레이에 대응하는 제1 최대 출력 전류 값을 계산하는 단계로서, 상기 제1 최대 출력 전류 값은 상기 최대 복사조도 하에서의 상기 태양광 스트링의 출력 전류 값인 단계;
    정격 설치 용량 및 최대 시스템 전압에 기초하여 상기 태양광 어레이에 대응하는 제2 최대 출력 전류 값을 계산하는 단계로서, 상기 정격 설치 용량은 상기 태양광 어레이에 연결된 컴바이너의 정격 전력이고, 상기 최대 시스템 전압은 상기 컴바이너에 연결된 인버터의 시스템 전압이며, 상기 제2 최대 출력 전류 값은 상기 컴바이너가 상기 태양광 스트링이 입력하도록 허용하는 최대 전류 값인 단계; 및
    상기 제1 최대 출력 전류 값 및 상기 제2 최대 출력 전류 값의 최소값을 상기 전류 임계 값으로 결정하는 단계를 포함하는 방법.
  6. 제4항에 있어서,
    상기 전류 임계 값에 기초하여 상기 과거 출력 전류 값을 필터링함으로써 필터링된 과거 출력 전류 값을 획득하는 단계로서, 상기 필터링된 과거 출력 전류 값은 상기 전류 임계 값 이하인 단계;
    상기 필터링된 과거 출력 전류 값에 기초하여 과거 특성 전류 값을 결정하는 단계로서, 상기 과거 특성 전류 값은 각 획득 모멘트에서 태양광 어레이에 대응하는 과거 전류 특성을 특성화하는 단계;
    상기 과거 특성 전류 값에 기초하여 상기 필터링된 과거 출력 전류 값을 나눔으로써 적어도 하나의 트레이닝 샘플을 결정하는 단계로서, 상이한 트레이닝 샘플에 포함된 상기 과거 출력 전류 값은 상이한 특성 전류 값 범위에 대응하고, 상기 특성 전류 값 범위는 과거 특성 전류 값에 기초하여 결정되는 단계; 및
    상기 트레이닝 샘플에 기초하여 상기 비정상 점수 예측 모델을 트레이닝하는 단계를 포함하는 방법.
  7. 제6항에 있어서, 상기 비정상 점수 예측 모델은 아이솔레이션 포레스트(Isolation Forest) 알고리즘을 채택하고, 상기 비정상 점수 예측 모델은 S개의 이진 트리를 포함하고, S는 1 이상의 정수이며;
    상기 트레이닝 샘플에 기초하여 상기 비정상 점수 예측 모델을 트레이닝하는 단계 이후, 상기 방법은:
    S개의 바이너리 트리에 상기 트레이닝 샘플을 입력하여 상기 트레이닝 샘플에 대응하는 S개의 경로 길이를 획득하는 단계; 및
    상기 S개의 경로 길이에 기초하여 상기 트레이닝 샘플에 대응하는 비정상 점수를 계산하는 단계를 포함하는 방법.
  8. 태양광 어레이의 작동 상태를 결정하기 위한 장치에 있어서:
    태양광 어레이에 포함된 태양광 스트링의 현재 출력 전류 값을 획득하도록 구성되는 제1 획득 모듈로서, 상기 태양광 어레이는 병렬로 적어도 2개의 태양광 스트링을 포함하는 모듈;
    상기 현재 출력 전류 값에 기초하여 목표 비정상 점수 예측 모델을 결정하도록 구성되는 제1 결정 모듈로서, 상이한 비정상 점수 예측 모델은 상이한 특성 전류 값 범위에 대응하고, 상기 비정상 점수 예측 모델은 상기 태양광 어레이의 과거 출력 전류 값에 기초한 트레이닝에 의해 획득되는 모듈;
    상기 현재 출력 전류 값을 상기 목표 비정상 점수 예측 모델에 입력하여 상기 태양광 어레이에 대응하는 현재 비정상 점수를 결정하도록 구성되는 제2 결정 모듈; 및
    상기 현재 비정상 점수를 목표 비정상 점수와 비교하여 상기 태양광 어레이의 상기 작동 상태를 결정하도록 구성되는 제3 결정 모듈로서, 상이한 비정상 점수 예측 모델은 상이한 비정상 점수에 대응하고, 상기 비정상 점수는 상기 과거 출력 전류 값을 상기 비정상 점수 예측 모델에 입력함으로써 획득되는 모듈을 포함하는 장치.
  9. 컴퓨터 디바이스에 있어서, 프로세서 및 적어도 하나의 명령어, 적어도 하나의 프로그램, 코드 세트 또는 명령어 세트를 내부에 저장하는 메모리를 포함하며, 상기 적어도 하나의 명령어, 상기 적어도 하나의 프로그램, 상기 코드 세트 또는 상기 명령어 세트는, 상기 프로세서에 의해 로드되고 실행될 때, 상기 프로세서로 하여금 상기 제1항 내지 제7항 중 어느 한 항에 따른 태양광 어레이의 작동 상태를 결정하기 위한 방법을 수행하게 하는 장치.
  10. 컴퓨터 판독가능 저장 매체에 있어서, 적어도 하나의 명령어, 적어도 하나의 프로그램, 코드 세트 또는 명령어 세트를 내부에 저장하며, 상기 적어도 하나의 명령어, 상기 적어도 하나의 프로그램, 상기 코드 세트 또는 상기 명령어 세트는, 프로세서에 의해 로드되고 실행될 때, 상기 프로세서로 하여금 상기 제1항 내지 제7항 중 어느 한 항에 따른 태양광 어레이의 작동 상태를 결정하기 위한 방법을 수행하게 하는 저장 매체.

KR1020227035600A 2020-03-13 2021-03-11 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체 KR102516553B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202010177887.7 2020-03-13
CN202010177887.7A CN111539550B (zh) 2020-03-13 2020-03-13 光伏阵列工作状态的确定方法、装置、设备及存储介质
PCT/SG2021/050125 WO2021183053A1 (en) 2020-03-13 2021-03-11 Method and apparatus for determining operating state of photovoltaic array, device and storage medium

Publications (2)

Publication Number Publication Date
KR20220150979A true KR20220150979A (ko) 2022-11-11
KR102516553B1 KR102516553B1 (ko) 2023-03-31

Family

ID=71979976

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227035600A KR102516553B1 (ko) 2020-03-13 2021-03-11 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체

Country Status (11)

Country Link
US (1) US11829902B2 (ko)
EP (1) EP4118592A4 (ko)
JP (1) JP7312919B2 (ko)
KR (1) KR102516553B1 (ko)
CN (1) CN111539550B (ko)
AU (1) AU2021234844A1 (ko)
CA (1) CA3175272A1 (ko)
CL (1) CL2022002487A1 (ko)
MX (1) MX2022011323A (ko)
WO (1) WO2021183053A1 (ko)
ZA (1) ZA202210699B (ko)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055633A (zh) * 2021-08-06 2023-11-14 西藏农牧学院 一种光伏设备的光伏面板姿态调整方法和装置
CN113688987B (zh) * 2021-08-30 2023-08-01 远景智能国际私人投资有限公司 光伏监测模型的训练方法、光伏设备的监测方法及设备
CN113992151A (zh) * 2021-09-24 2022-01-28 上海远景科创智能科技有限公司 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN114036820B (zh) * 2021-10-18 2024-07-12 中国华能集团清洁能源技术研究院有限公司 一种设备异常组串损失电量计算方法、系统及计算机设备
CN114199304B (zh) * 2021-11-05 2022-11-01 华能金昌光伏发电有限公司 光伏电站通信机房的异常检测方法、装置及计算机设备
CN114899949B (zh) * 2022-06-01 2022-12-23 深圳博浩远科技有限公司 一种适用于商用型光伏逆变器的数据采集方法及装置
CN115940806B (zh) * 2023-01-10 2023-05-23 柏腾数科(杭州)科技有限公司 一种光伏发电系统及其故障诊断方法
CN116402882B (zh) * 2023-06-09 2023-09-08 天津市渤海新能科技有限公司 一种光伏电站故障定位方法、装置、系统及存储介质
CN116596194B (zh) * 2023-06-27 2024-01-23 中国大唐集团技术经济研究院有限责任公司 光伏阵列运行状态划分方法、系统及装置
CN116502156B (zh) * 2023-06-30 2023-09-08 中国电力科学研究院有限公司 一种换流站光ct异常状态智能辨识方法及系统
CN116722545B (zh) * 2023-08-07 2024-01-16 深圳航天科创泛在电气有限公司 基于多源数据的光伏发电预测方法和相关设备
CN116720791B (zh) * 2023-08-10 2023-10-20 国网江苏省电力有限公司镇江供电分公司 一种分布式光伏发电质量管理方法及系统
CN117424559B (zh) * 2023-10-20 2024-06-18 重庆千信新能源有限公司 利用机器视觉进行光伏涂层电力故障的监测方法
CN117150244B (zh) * 2023-10-30 2024-01-26 山东凯莱电气设备有限公司 基于电参数分析的智能配电柜状态监测方法及系统
CN117578405A (zh) * 2023-11-03 2024-02-20 华能国际电力股份有限公司河北清洁能源分公司 一种光伏电厂逆变器组串异常分析方法及装置
CN117495137B (zh) * 2023-11-14 2024-05-10 东北大学 一种基于大数据技术的光伏设备装机量预测方法
CN117713384B (zh) * 2024-02-05 2024-05-24 深圳市国网迈腾电力科技股份有限公司 一种城市电网异常状态后台中央管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011181614A (ja) * 2010-02-26 2011-09-15 Toshiba Corp 異常診断装置および方法
US9209743B2 (en) * 2010-02-26 2015-12-08 Kabushiki Kaisha Toshiba Fault detection apparatus and fault detection method
CN108964606A (zh) * 2018-08-23 2018-12-07 上海电气分布式能源科技有限公司 一种光伏系统热斑故障检测方法
JP2020025452A (ja) * 2018-07-31 2020-02-13 東北電力株式会社 太陽電池の検査装置、検査システム、検査方法及びプログラム

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012100263A2 (en) * 2011-01-21 2012-07-26 Ampt, Llc Abnormality detection architecture and methods for photovoltaic systems
WO2012103244A2 (en) * 2011-01-25 2012-08-02 Power Analytics Corporation Systems and methods for automated model-based real-time simulation of a microgrid for market-based electric power system optimization
US20150127595A1 (en) * 2013-11-01 2015-05-07 Numenta, Inc. Modeling and detection of anomaly based on prediction
JP3189106U (ja) * 2013-12-12 2014-02-20 ティー・エス・ビー株式会社 太陽光発電システム
US9461535B2 (en) * 2013-12-30 2016-10-04 King Fahd University Of Petroleum And Minerals Photovoltaic systems with maximum power point tracking controller
CN104113078B (zh) * 2014-07-03 2016-08-31 珠海格力电器股份有限公司 光伏直驱系统及其控制方法
CN107453709B (zh) * 2017-07-03 2019-06-18 重庆大学 一种隔离机制与交叉测量融合的光伏热斑故障诊断方法
CN107451600B (zh) 2017-07-03 2020-02-07 重庆大学 一种基于隔离机制的在线光伏热斑故障检测方法
CN107563565B (zh) * 2017-09-14 2019-04-02 广西大学 一种考虑气象因素变化的短期光伏分解预测方法
EP3506132A1 (en) * 2017-12-27 2019-07-03 IMEC vzw Simulation of photovoltaic systems
CN108062571B (zh) 2017-12-27 2021-04-27 福州大学 基于差分进化随机森林分类器的光伏阵列故障诊断方法
DE112018006670T5 (de) 2017-12-28 2020-09-24 Sumitomo Electric Industries, Ltd. Bestimmungsvorrichtung, Solarstromerzeugungssystem, Bestimmungsverfahren und Bestimmungsprogramm
US11663496B2 (en) * 2018-01-30 2023-05-30 Utopus Insights, Inc. System and method for predicting failure of components using temporal scoping of sensor data
TWI645663B (zh) * 2018-04-11 2018-12-21 春禾科技有限公司 Abnormal judgment method and system for power generation performance of solar energy equipment
WO2020010629A1 (zh) * 2018-07-13 2020-01-16 西门子股份公司 过程控制预测模型调整方法、装置和过程控制器
CN109150104A (zh) * 2018-08-10 2019-01-04 江南大学 一种基于随机森林算法的光伏阵列故障诊断方法
US11321624B2 (en) * 2018-09-19 2022-05-03 Wipro Limited Method and system for analyzing internet of things (IoT) data in real-time and providing predictions
CN110460305A (zh) * 2019-01-23 2019-11-15 新奥数能科技有限公司 光伏阵列的故障检测方法、装置、可读介质及电子设备
CN109948669B (zh) * 2019-03-04 2021-07-13 腾讯科技（深圳）有限公司 一种异常数据检测方法及装置
CN110164102B (zh) * 2019-04-22 2021-05-25 创维互联（北京）新能源科技有限公司 一种光伏电站组串异常报警方法及报警装置
CN109977624A (zh) 2019-05-06 2019-07-05 上海交通大学 基于深度神经网络的光伏电站缓变故障监测方法
CN113076691A (zh) * 2019-09-23 2021-07-06 华为技术有限公司 直流电弧检测方法、装置、设备、系统及存储介质
CN110705727B (zh) * 2019-09-30 2022-03-01 山东建筑大学 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011181614A (ja) * 2010-02-26 2011-09-15 Toshiba Corp 異常診断装置および方法
US9209743B2 (en) * 2010-02-26 2015-12-08 Kabushiki Kaisha Toshiba Fault detection apparatus and fault detection method
JP2020025452A (ja) * 2018-07-31 2020-02-13 東北電力株式会社 太陽電池の検査装置、検査システム、検査方法及びプログラム
CN108964606A (zh) * 2018-08-23 2018-12-07 上海电气分布式能源科技有限公司 一种光伏系统热斑故障检测方法

Also Published As

Publication number Publication date
MX2022011323A (es) 2022-10-07
WO2021183053A1 (en) 2021-09-16
US11829902B2 (en) 2023-11-28
CN111539550B (zh) 2023-08-01
EP4118592A4 (en) 2023-08-23
AU2021234844A1 (en) 2022-09-29
CA3175272A1 (en) 2021-09-16
CL2022002487A1 (es) 2023-02-10
KR102516553B1 (ko) 2023-03-31
EP4118592A1 (en) 2023-01-18
ZA202210699B (en) 2023-01-25
JP7312919B2 (ja) 2023-07-21
US20230142138A1 (en) 2023-05-11
JP2023508759A (ja) 2023-03-03
CN111539550A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
KR102516553B1 (ko) 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체
KR102522011B1 (ko) 광 발전 어레이의 작동 상태를 결정하기 위한 방법 및 장치와, 디바이스 및 저장매체
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
US20230003198A1 (en) Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium
WO2023063887A2 (en) Method and apparatus for predicting state of wind turbine blade, and device and storage medium therefor
CN116164843A (zh) 一种基于物联网的电缆监测预警方法及系统
CN110703743A (zh) 设备故障预测与检测系统和方法
KR102158100B1 (ko) 이상 감지를 이용한 모니터링 자동화 방법 및 장치
CN117740811B (zh) 一种新能源汽车遮阳篷性能检测方法、系统及存储介质
CN116504016A (zh) 一种基于人工智能的火电厂安全监测预警方法及系统
CN109299201B (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN116777088B (zh) 用于保障生命安全的供电应急抢修环境监测方法及系统
CN111555895A (zh) 一种分析网站故障的方法、装置、存储介质及计算机设备
CN113992151A (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN110414022B (zh) 一种风力发电机组叶片开裂的预警方法及系统
CN116878728B (zh) 一种压力传感器故障检测分析处理系统
CN117113267B (zh) 基于大数据的预测模型训练方法、光伏发电性能检测方法
CN115965912A (zh) 一种基于图像识别的配网设备状态监测系统和方法
CN118093318A (zh) 基于id3决策树的日志健康度检测方法、装置和设备
CN117629304A (zh) 架空输电线路导线覆冰的监测方法、装置、设备和介质
CN116520784A (zh) 成品油自动化生产系统
CN118211958A (zh) 一种产前设备自诊断方法、装置、电子设备及存储介质
CN118466323A (zh) 一种工业安全集中控制平台
CN118094264A (zh) 一种智能化电力电容器局部放电检测方法及系统

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant