KR20230089082A - 태양광 발전 시스템 고장 진단 장치 및 방법 - Google Patents

태양광 발전 시스템 고장 진단 장치 및 방법 Download PDF

Info

Publication number
KR20230089082A
KR20230089082A KR1020210177450A KR20210177450A KR20230089082A KR 20230089082 A KR20230089082 A KR 20230089082A KR 1020210177450 A KR1020210177450 A KR 1020210177450A KR 20210177450 A KR20210177450 A KR 20210177450A KR 20230089082 A KR20230089082 A KR 20230089082A
Authority
KR
South Korea
Prior art keywords
failure
power generation
generation system
solar power
data
Prior art date
Application number
KR1020210177450A
Other languages
English (en)
Inventor
김영진
하지훈
Original Assignee
포항공과대학교 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 포항공과대학교 산학협력단 filed Critical 포항공과대학교 산학협력단
Priority to KR1020210177450A priority Critical patent/KR20230089082A/ko
Priority to US18/079,844 priority patent/US20230188091A1/en
Publication of KR20230089082A publication Critical patent/KR20230089082A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명의 태양광 발전 시스템 고장 진단 장치는, 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용한 고장 진단 알고리즘을 활용한 태양광 발전 시스템 고장 진단 장치에 있어서, 프로세서(processor) 및 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory)를 포함하고, 상기 적어도 하나의 명령은 상기 프로세서가, 고장 진단 알고리즘에 필요한 태양광 발전 시스템 시뮬레이션 모델을 모델링하는 단계, 고장 시나리오를 정의하고, 태양광 발전 시스템 시뮬레이션 모델을 활용하여 사전에 고장 데이터를 생성 및 취득 후 데이터 정규화(Normalization)를 통해 사전작업(Pre-Processing)을 진행하는 단계, 데이터 정규화(Normalization)를 통해 얻은 시나리오별 고장 데이터를 기계 학습 방법을 활용하는 단계를 수행하도록 구성될 수 있다.

Description

태양광 발전 시스템 고장 진단 장치 및 방법{Multilingual speech recognition artificial intelligence model(Wav2Byte) device and method thereof}
본 발명은 태양광 발전 시스템에서 최대전력전압과 최대전력전류를 활용한 고장 진단을 위한 태양광 발전 시스템 고장 진단 장치 및 방법에 관한 것이다.
최근 화석연료와 온실가스로 인해 지구 온난화 문제가 심각해짐에 따라, 세계적으로 친환경 발전, 즉 신재생에너지에 관한 관심과 수요가 증가하고 있다. 이러한 상황에서 태양광 발전(Photovoltaics, PV)은 심각해진 환경 문제를 해결하는 대안 중 하나로 주목받고 있다. 실제로 한국무역협회 국제무역통상연구원이 발표한 내용에 따르면 세계 신규 재생에너지 설비 중 태양광의 비중은 전체의 절반을 넘은 54%를 기록했으며 투자 규모 또한 전 세게 재생에너지 투자의 44.8%를 기록했다고 하였다. 그러나 현재 중요한 신재생 에너지원으로 자리 잡은 태양광 발전 시스템은 고장에 취약하며 동시에 고장을 발견하거나 분류하는 데 어려움이 있다. 이러한 문제를 해결하고자 여러 가지 방법의 고장 진단 알고리즘이 논의되고 있다. 대부분 논문은 소수의 고장을 진단 및 분류하거나, 고장 유무만 판단하고 있다.
최근, 모델 기반 고장 진단 방법과 기계 학습 기반 고장 진단 알고리즘들에 관한 연구가 활발히 진행되고 있다. 두 방법을 동시에 사용한 기존 논문에서는 고장 진단을 위해 실제 태양광 시스템에 추가적으로 기준(Reference) 모듈과 I-V 특성 곡선 측정 기기가 필요하다. 이때 기준 모듈은 고장이 나지 않는다는 가정이 필요하고, 실제 I-V 특성 곡선 측정 기기에는 측정 오차가 크게 존재하게 된다. 이는 결국 고장 진단 및 관리 비용의 증가로 이어지게 된다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 기준 모듈과 I-V 특성 곡선 측정 기기가 필요 없는 태양광 발전 시스템의 고장 진단 알고리즘을 이용한 태양광 발전 시스템 고장 진단 장치 및 방법을 제공하는 것이다.
본 발명의 목적을 달성하기 위한 일 실시예에 따른 태양광 발전 시스템 고장 진단 장치는, 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용한 고장 진단 알고리즘을 활용한 태양광 발전 시스템 고장 진단 장치에 있어서, 프로세서(processor); 및 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory); 를 포함하고, 상기 적어도 하나의 명령은 상기 프로세서가: 고장 진단 알고리즘에 필요한 태양광 발전 시스템 시뮬레이션 모델을 모델링하는 단계; 고장 시나리오를 정의하고, 태양광 발전 시스템 시뮬레이션 모델을 활용하여 사전에 고장 데이터를 생성 및 취득 후 데이터 정규화(Normalization)를 통해 사전작업(Pre-Processing)을 진행하는 단계; 데이터 정규화(Normalization)를 통해 얻은 시나리오별 고장 데이터를 기계 학습 방법을 활용하는 단계; 를 수행하도록 구성될 수 있다.
상기 장치는, 모델 기반 고장 진단 알고리즘이므로 실제 태양광 발전 시스템과 유사한 Matlab/Simulink 태양광 발전 모듈 시뮬레이션 모델은 한 개의 다이오드가 사용된 원-다이오드 모델(One-Diode Model)을 선택할 수 있다.
상기 장치는, 시뮬레이션 모델의 정확도를 향상하기 위해 실제 태양광 모듈의 I-V 특성 곡선(I-V Characteristic Curve) 값과 시뮬레이션 모델의 I-V 특성 곡선(I-V Characteristic Curve) 값 사이의 오차를 줄여야 하고, 이는 파라미터 추정(Parameter Estimation) 방법을 활용할 수 있다.
상기 장치는, Villalva’s Method를 이용하여 R S (직렬 저항, Series Resistance)과 R P (병렬 저항, Parallel Resistance)를 추정하고, 파라미터 추정(Parameter Estimation)을 통해 얻은 태양광 모듈 시뮬레이션 모델을 가지고 고장 데이터를 생성 및 취득할 수 있다.
상기 장치는, 고장 데이터를 생성하기 위해서는 고장 시나리오를 먼저 결정하고, 고장 시나리오는 넓은 범위의 일사량(0W/M2부터 1,000W/M2까지, 40W/M2간격)과 온도(10℃에서 60℃까지, 5℃ 간격)를 포함하는 고장 조건들을 고려한 고장 시나리오를 Matlab/Simulink 태양광 시뮬레이션에 입력값으로 입력하여 나오는 데이터들을 정규화(Normalization)하여 고장 진단에 이용할 수 있다.
본 발명의 다른 목적을 달성하기 위한 일 실시예의 태양광 발전 시스템 고장 진단 방법은, 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용한 고장 진단 알고리즘을 활용한 태양광 발전 시스템 고장 진단 방법에 있어서, 고장 진단 알고리즘에 필요한 태양광 발전 시스템 시뮬레이션 모델을 모델링하는 단계; 고장 시나리오를 정의하고, 태양광 발전 시스템 시뮬레이션 모델을 활용하여 사전에 고장 데이터를 생성 및 취득 후 데이터 정규화(Normalization)를 통해 사전작업(Pre-Processing)을 진행하는 단계; 및 데이터 정규화(Normalization)를 통해 얻은 시나리오별 고장 데이터를 기계 학습 방법을 활용하는 단계; 를 포함할 수 있다.
상기 방법은, 실제 태양광 발전 시스템의 출력과 같은 Matlab/Simulink 시뮬레이션 모델을 만들고 난 후 고장 시나리오를 정의하고 고장 데이터를 생성 및 취득하는 단계; 및 데이터 정규화(Normalization) 과정을 통해 얻은 데이터들을 가지고 기계 학습 방법을 활용하여 발전 시스템 고장 진단 모델을 만드는 단계; 의 오프라인 과정을 포함할 수 있다.
상기 방법은, 실제 태양광 발전 시스템에 일사량과 모듈 온도 센서를 설치하여 측정한 값을 기존에 만들어 둔 Matlab/Simulink 모델에 입력하여 정상 상태의 최대전력전압(V mpp )과 최대전력전류(I mpp )를 얻는 단계; 동시에 실제 태양광 발전 시스템에서는 컨버터에 설치된 최대 전력점 추적(Maximum Power Point Tracking)기법을 통해 실시간 최대전력전압(V mpp )과 최대전력전류(I mpp )를 얻는 단계; 및 이렇게 얻은 데이터를 정규화하여 오프라인 과정에서 만들어둔 고장 진단 모델에 넣어 어떠한 고장인지 진단을 하는 단계; 의 온라인 과정을 포함할 수 있다.
전술한 항 중 어느 한 항의 태양광 발전 시스템 고장 진단 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램일 수 있다.
전술한 항 중 어느 한 항의 태양광 발전 시스템 고장 진단 방법의 프로그램을 구현하기 위한 컴퓨터 판독 가능한 기록매체일 수 있다.
본 발명을 통해, 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치는, Matlab/Simulink 태양광 시뮬레이션 모델을 기반으로 실제 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용하여 고장 진단을 하는 알고리즘을 제공한다.
이를 위해 파라미터 추정 방법을 이용하여 실제 태양광 발전 시스템의 출력값과 같은 값이 나오도록 Matlab/Simulink 태양광 시뮬레이션 모델을 개발하였다.
그 후 어떠한 환경에서도 강건한 고장 진단 알고리즘을 만들기 위해서 다양한 고장 시나리오를 선정하였고 Matlab/Simulink 시뮬레이션 모델을 통해 얻은 고장 데이터를 정규화하였다.
정규화된 데이터를 활용하여 기계 학습(예를 들면, K-Nearest Neighbor, k-NN) 기반 고장 진단 모델의 입력값으로 사용하여 학습시켰다.
이러한 사전작업(Pre-Processing)이 끝난 후, 실제 태양광 발전 시스템에서 일사량과 태양광 모듈 온도를 받아서 시뮬레이션에 입력값으로 넣으면 정상 상태 최대전력전압(VMPP,N)와 정상 상태 최대전력전류(IMPP,N)를 얻을 수 있다.
동시에 실제 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)를 얻고 난 후, 정규화 한 다음 기존 학습된 기계 학습 기반 고장 진단 모델에 넣으면 어떠한 고장인지 알려 줄 수 있다.
도 1은 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 태양광 발전 시스템에서 최대전력전압과 최대전력전류를 활용한 고장 진단 알고리즘 개략도이다.
도 2는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 시뮬레이션 모델링 및 사전작업(Pre-Processing) 개략도이다.
도 3은 데이터 정규화(Normalization)에 있어 기존방법과 제안 방법의 비교를 도시한 개념도이다.
도 4는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 시뮬레이션 모델링 및 사전작업(Pre-Processing) 후 최대전력전압과 최대전력전류를 활용한 고장 진단 알고리즘 흐름도이다.
도 5는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 알고리즘을 적용하는 테스트베드(Testbed)인 5X3 구조의 Matlab/Simulink 태양광 시스템 시뮬레이션 모델 및 고장 유형들을 나타내는 모식도이다.
도 6은 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 정규화(Normalization) 전 다양한 고장 시나리오별 정상 및 고장 최대전력전압(Vmpp) 및 최대전력전류(Impp) 데이터의 그래프이다.
도 7은 기존방법을 통한 정규화(Normalization) 후 다양한 고장 시나리오별 정상 및 고장 최대전력전압(Vmpp) 및 최대전력전류(Impp) 데이터의 그래프이다.
도 8은 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 방법을 통한 정규화(Normalization) 후 다양한 고장 시나리오별 정상 및 고장 최대전력전압(Vmpp) 및 최대전력전류(Impp) 데이터의 그래프이다.
도 9는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하여 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 방법은, 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용한 고장 진단 알고리즘을 제안한다.
첫 번째 단계로써, 고장 진단 알고리즘에 필요한 태양광 발전 시스템 시뮬레이션 모델을 Matlab/Simulink를 활용하여 모델링한다.
두 번째 단계로써, 고장 시나리오를 정의하고, Matlab/Simulink 태양광 발전 시스템 시뮬레이션 모델을 활용하여 사전에 고장 데이터를 생성 및 취득 후 데이터 정규화(Normalization)를 통해 사전작업(Pre-Processing)을 진행한다.
세 번째 단계로써, 데이터 정규화(Normalization)를 통해 얻은 시나리오별 고장 데이터를 기계 학습(예: K-Nearest Neighbor, k-NN) 방법을 활용한다.
도 1은 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 태양광 발전 시스템에서 최대전력전압과 최대전력전류를 활용한 고장 진단 알고리즘 개략도이다.
도 1을 참조하면, 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 태양광 발전 시스템에서 고장 진단 알고리즘은 최대전력전압(V mpp )과 최대전력전류(I mpp )를 활용한다.
태양광 발전 시스템에서 최대전력전압과 최대전력전류를 활용한 고장 진단 알고리즘은 S110 단계 내지 S150 단계를 포함한다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 고장 진단 알고리즘은 오프라인 과정(S110 단계 내지 S120 단계)과 온라인 과정(S130 단계 내지 S150 단계) 두 부분으로 나뉘게 된다.
오프라인에서는 실제 태양광 발전 시스템의 출력과 같은 Matlab/Simulink 시뮬레이션 모델을 만들고 난 후 고장 시나리오를 정의하고 고장 데이터를 생성 및 취득한다(S110).
그 후 데이터 정규화(Normalization) 과정을 통해 얻은 데이터들을 가지고 기계 학습 방법을 활용하여 발전 시스템 고장 진단 모델을 만든다(S120).
그 후 온라인에서는 실제 태양광 발전 시스템에 일사량과 모듈 온도 센서를 설치하여 측정한 값을 기존에 만들어 둔 Matlab/Simulink 모델에 입력하여 정상 상태의 최대전력전압(V mpp )과 최대전력전류(I mpp )를 얻는다(S130).
동시에 실제 태양광 발전 시스템에서는 컨버터에 설치된 최대 전력점 추적(Maximum Power Point Tracking)기법을 통해 실시간 최대전력전압(V mpp )과 최대전력전류(I mpp )를 얻는다(S140).
이렇게 얻은 데이터를 정규화하여 오프라인 과정에서 만들어둔 고장 진단 모델에 넣어 어떠한 고장인지 진단을 한다(S150).
도 2는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 시뮬레이션 모델링 및 사전작업(Pre-Processing) 개략도이다.
도 2를 참조하면, 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 시뮬레이션 모델링 및 사전작업(Pre-Processing)은, 오프라인에서의 과정을 상세하게 나타낸다.
우선 모델 기반 고장 진단 알고리즘이므로 실제 태양광 발전 시스템과 유사한 Matlab/Simulink 태양광 발전 모듈 시뮬레이션 모델이 필요하다. 이때 사용된 태양광 모듈 시뮬레이션 모델은 한 개의 다이오드가 사용된 원-다이오드 모델(One-Diode Model)을 선택한다.
시뮬레이션 모델의 정확도를 향상하기 위해 실제 태양광 모듈의 I-V 특성 곡선(I-V Characteristic Curve) 값과 시뮬레이션 모델의 I-V 특성 곡선(I-V Characteristic Curve) 값 사이의 오차를 줄여야 하고, 이는 파라미터 추정(Parameter Estimation) 방법을 통해 가능하다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치에서는 Villalva’s Method를 이용하여 R S (직렬 저항, Series Resistance)과 R P (병렬 저항, Parallel Resistance)를 추정한다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치에서는 파라미터 추정(Parameter Estimation)을 통해 얻은 태양광 모듈 시뮬레이션 모델을 가지고 고장 데이터를 생성 및 취득한다.
고장 데이터를 생성하기 위해서는 고장 시나리오를 먼저 결정해야 한다. 어떠한 환경에도 강건한 고장 진단 알고리즘을 개발하기 위해 고장 시나리오는 넓은 범위의 일사량(0W/M2부터 1,000W/M2까지, 40W/M2간격)과 온도(10℃에서 60℃까지, 5℃ 간격), 다양한 고장 조건들을 고려한다.
다양한 고장 시나리오의 고장 조건은 표 1과 같다. 이렇게 넓은 범위의 조건을 고려한 고장 시나리오를 Matlab/Simulink 태양광 시뮬레이션에 입력값으로 입력하여 나오는 데이터들을 정규화(Normalization)하여 고장 진단에 이용한다.
표 1은 강건한 고장 진단 알고리즘을 위한 다양한 고장 시나리오이다.
고장 명칭 고장 유형 특징
Fault Location Mismatch Resistance [Ω]
LL1 선간단락 고장
(Line to Line Fault)		 스트링 내 모듈 간
(Intra-String)		 1개 0
5
10
LL2 선간단락 고장
(Line to Line Fault)		 스트링 내 모듈 간
(Intra-String)		 2개 0
5
10
OC1 개방회로 고장
(Open Circuit Fault)		 스트링 개방 1개 -
OC2 개방회로 고장(Open Circuit Fault) 스트링 개방 2개 -
PS 부분 그늘짐(Partial Shading) 어레이 전체 - -
도 3은 데이터 정규화(Normalization)에 있어 기존방법과 제안 방법의 비교를 도시한 개념도이다.
도 3을 참조하면, 데이터 정규화(Normalization)에 있어 기존방법과 제안 방법의 비교가 도시된다.
기존방법의 경우 수학식 (1)과 수학식 (2)를 활용하여 데이터를 정규화(Normalization)한다. 정규화된 전압을 VNORM이라고 하고 정규화된 전류를 INORM이라고 하면 정규화된 전압은 최대전력전압(Vmpp)을 정상 상태 개방회로 전압(VOC,N)으로 나누어서 구하고, 정규화된 전류는 최대전력전류(Impp)를 정상 상태 단락회로 전류(ISC,N)로 나누어서 구한다. 미리 정해둔 고장 시나리오에 따라 정규화된 전압과 전류를 구한 뒤 기계 학습을 통해 고장 진단 모델을 만들게 된다.
그러나 기존방법의 경우 실제 태양광 발전 시스템 고장 진단 시, 기준(reference) 태양광 모듈 1개를 설치해야 하고 추가로 설치한 태양광 I-V 특성 곡선 측정 장치를 통해 정상 상태의 개방회로 전압(VOC,N)과 단락회로 전류(ISC,N)를 구해야 한다.
이로 인해 2가지 문제점이 제기될 수 있다.
첫 번째는 기준(reference) 태양광 모듈을 추가로 설치할 때 발생하는 비용뿐만 아니라 기준(reference) 태양광 모듈은 정상 상태라는 보장이 되어야 데이터 정규화에서 오차가 발생하지 않는다.
두 번째는 추가로 설치한 태양광 I-V 특성 곡선 측정 장치로 인해 추가적인 비용이 들어가게 된다. 실제 태양광 발전 현장에서 I-V 특성 곡선을 측정할 경우, 태양광 모듈 온도와 일사량이 I-V 특성 곡선 측정에 큰 영향을 미쳐서 측정오차가 발생하게 된다. 특히 일반적 제품의 경우 측정 시간이 수초 이상(평균: 10 Sec) 소요되고 일사량이 측정 기간 동안 변동을 하면 측정 오차가 커질 가능성이 있다. 결국 기존방법은 고장 진단 및 관리 비용 측면에서 효용성이 떨어진다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치에서 제안하는 방법은 정규화된 전압(VNORM)과 전류(INORM)를 구할 때 컨버터에 설치된 최대 전력점 추적(Maximum Power Point Tracking) 기법에서 얻을 수 있는 최대전력전압(Vmpp)과 최대전력전류(Impp)를 활용한다.
이를 통해 추가적인 태양광 I-V 특성 곡선 측정 장치가 필요 없게 된다. 또한, 파라미터 추정(Parameter Estimation)을 통해 실제 태양광 시스템의 출력과 유사한 출력을 내는 Matlab/Simulink 태양광 모델을 이용하면 기준 태양광 모듈의 불확실성을 해결할 수 있고, 더 나아가 기준 태양광 모듈을 대신하여 고장 진단 비용을 줄일 수 있다.
최대전력전압과(Vmpp) 개방회로 전압(VOC), 최대전력전류(Impp)와 단락회로 전류(ISC) 사이에는 수학식 (3) 과 수학식 (4) 의 관계가 존재한다. 여기서, α와 β는 변수이고, 본 발명에서는 α를 0.8로, β를 0.9로 선정한다. 이를 활용하여 수학식 (1)과 수학식 (2)를 수학식 (5)와 수학식 (6)으로 바꿀 수 있다.
결국 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용하여 데이터 정규화(Normalization)를 하고, 이를 통해 얻은 데이터를 기계 학습(예를 들면, K-Nearest Neighbor, k-NN) 기반 고장 진단 모델의 입력값으로 사용하여 학습시킨다.
Figure pat00001
도 4는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 시뮬레이션 모델링 및 사전작업(Pre-Processing) 후 최대전력전압과 최대전력전류를 활용한 고장 진단 알고리즘 흐름도이다.
도 4를 참조하면, 우선 실제 태양광 시스템에서 일사량 센서와 태양광 모듈 온도 센서를 이용하여 일사량과 태양광 모듈 온도를 측정한다. 일사량과 태양광 모듈 온도 측정 시, 실제 태양광 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)를 측정한다.
동시에 일사량과 태양광 모듈 온도를 기존에 만들어둔 태양광 시뮬레이션 모델에 입력값으로 넣어 정상 상태의 최대전력전압(Vmpp)과 최대전력전류(Impp)를 수집한다.
이렇게 얻어진 데이터들을 수학식 (5)와 수학식 (6)을 통해서 정규화된 전압(VNORM)과 전류(INORM)를 계산한다.
이때 수학식 (5)와 수학식 (6)에서 VMPP,F와 IMPP,F는 실제 태양광 시스템에서 측정한 최대전력전압(Vmpp)과 최대전력전류(Impp)이고, 태양광 시뮬레이션 모델에서 수집한 최대전력전압(Vmpp)과 최대전력전류(Impp)는 VMPP,N과 IMPP,N을 의미한다. 수학식 (5)와 수학식 (6)을 통해 얻은 정규화된 전압(VNORM)과 전류(INORM)를 사전작업(Pre-Processing)에서 학습해둔 기계 학습 (예를 들면, K-Nearest Neighbor, k-NN) 기반 고장 진단 모델에 넣어 어떠한 고장인지 진단을 할 수 있다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치는, Matlab/Simulink 태양광 시뮬레이션 모델을 기반으로 실제 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용하여 고장 진단을 하는 알고리즘을 제공한다.
이를 위해 파라미터 추정 방법을 이용하여 실제 태양광 발전 시스템의 출력값과 같은 값이 나오도록 Matlab/Simulink 태양광 시뮬레이션 모델을 개발하였다.
그 후 어떠한 환경에서도 강건한 고장 진단 알고리즘을 만들기 위해서 다양한 고장 시나리오를 선정하였고 Matlab/Simulink 시뮬레이션 모델을 통해 얻은 고장 데이터를 수학식 (5)와 수학식(6)을 활용하여 정규화하였다.
정규화된 데이터를 활용하여 기계 학습(예를 들면, K-Nearest Neighbor, k-NN) 기반 고장 진단 모델의 입력값으로 사용하여 학습시켰다.
이러한 사전작업(Pre-Processing)이 끝난 후, 실제 태양광 발전 시스템에서 일사량과 태양광 모듈 온도를 받아서 시뮬레이션에 입력값으로 넣으면 정상 상태 최대전력전압(VMPP,N)와 정상 상태 최대전력전류(IMPP,N)를 얻을 수 있다.
동시에 실제 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)를 얻고 난 후, 수학식 (5)와 수학식 (6)을 활용하여 정규화 한 다음 기존 학습된 기계 학습 기반 고장 진단 모델에 넣으면 어떠한 고장인지 알려주는 알고리즘을 개발하였다.
도 5는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 알고리즘을 적용하는 테스트베드(Testbed)인 5X3 구조의 Matlab/Simulink 태양광 시스템 시뮬레이션 모델 및 고장 유형들을 나타내는 모식도이다.
도 5를 참조하면, 이러한 테스트베드에 표 1의 다양한 고장 시나리오들을 적용하여 정상 상태 및 고장 상태에서의 최대전력전압(Vmpp)과 최대전력전류(Impp)를 얻었다.
도 6은 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치의 정규화(Normalization) 전 다양한 고장 시나리오별 정상 및 고장 최대전력전압(Vmpp) 및 최대전력전류(Impp) 데이터의 그래프이다.
도 6을 참조하면, 생성한 데이터들은 정규화(Normalization) 전 다양한 고장 시나리오별 정상 및 고장 최대전력전압(Vmpp)과 최대전력전류(Impp) 데이터로 나타내었다.
정규화(Normalization) 전에는 정상 상태뿐만 아니라 모든 고장 데이터들이 겹쳐 있어서 기계 학습 모델로 만들기에 부적합한 것을 알 수 있다.
수학식 (1)과 수학식 (2)를 이용하여 정규화(Normalization)한 기존방법의 결과는 도 7에 나와 있다. 또한 수학식 (5)와 수학식 (6)을 이용하여 정규화(Normalization)한 제안 방법의 결과는 도 8에 나와 있다.
기존방법은 정상 상태의 개방회로 전압(VOC,N)과 단락회로 전류(ISC,N)를 구해야 하며 이를 위해 여러 장치가 필요하게 된다.
도 7과 도 8을 참조하면, 다음과 같은 실험 결과를 알 수 있다.
도 7은 기존방법을 통한 정규화(Normalization) 후 다양한 고장 시나리오별 정상 및 고장 최대전력전압(Vmpp) 및 최대전력전류(Impp) 데이터의 그래프이다.
도 7을 참조하면, 정상 상태(Normal)와 선간단락고장(LL1, R = 0, 5, 10)에서 겹치는 부분이 존재함을 알 수 있다. 이는 기계 학습 모델의 정확도와 실제 고장 진단의 정확도가 떨어지게 하는 원인이 된다.
도 8은 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 방법을 통한 정규화(Normalization) 후 다양한 고장 시나리오별 정상 및 고장 최대전력전압(Vmpp) 및 최대전력전류(Impp) 데이터의 그래프이다.
도 8을 참조하면, 정상 상태의 경우 정규화된 전압(VNORM)은 0.8, 정규화된 전류(INORM)는 0.9로 수렴되고, 선간단락고장(LL1, R = 0, 5, 10)과도 겹치는 부분이 없는 것을 알 수 있다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 방법의 정규화된 기계학습(예 : K-Nearest Neighbor, k-NN) 기반 고장 진단 모델을 활용하여 테스트 데이터를 적용하였고 결과는 표 2과 같다.
표 2는 기계 학습 기반 고장 검출 모델 학습 정확도 및 테스트 정확도이다.
고장 명칭 세부적인 고장 내용 기계 학습 기반 알고리즘 결과
환경 변수 고장 분류 정확도
Normal 정상 일사량 범위
0[W/M2]부터 1000[W/M2]까지, 40[W/M2]간격

온도 범위
10℃에서 60℃까지, 5℃간격

총 2,475개 학습 데이터		 100%
LL1 모듈 1개, 선간단락 R = 0 [Ω] 100%
R = 5 [Ω] 100%
R = 10 [Ω] 100%
LL2 모듈 2개, 선간단락 R = 0 [Ω] 100%
R = 5 [Ω] 100%
R = 10 [Ω] 100%
OC1 모듈 1개
개방회로 고장		 100%
OC2 모듈 2개
개방회로 고장		 100%
Normal
(New)		 정상 일사량 범위
375, 575, 775 [W/M2]
3개

온도 범위
0, 27.5, 67.5℃ 3개

총 81개 테스트 데이터		 100%
LL1
(New)		 모듈 1개, 선간단락 R = 3.75 [Ω] 100%
R = 8.75 [Ω] 100%
R = 13.75 [Ω] 100%
LL2
(New)		 모듈 2개, 선간단락 R = 3.75 [Ω] 100%
R = 8.75 [Ω] 100%
R = 13.75 [Ω] 88.88%
OC1
(New)		 모듈 1개
개방회로 고장		 100%
OC2(New) 모듈 2개
개방회로 고장		 100%
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 방법의 다양한 고장 시나리오들과 환경 변수들(일사량, 온도)의 조합으로 총 2,475개의 학습 데이터를 생성하였다.
이때 부분 그늘짐 고장은 고장 진단 모델을 학습하는 데 사용하지 않았다. 부분 그늘짐 고장은 일시적인 고장이 대부분이고, 실제 태양광 시스템에서 고장을 진단할 시 시간 간격(예: 1시간)을 두고 고장 종류가 달라진다면 일시적인 부분 그늘짐이라고 판단하여 고장 진단 시 부분 그늘짐 고장을 분류할 수 있기 때문이다.
부분 그늘짐 고장 데이터가 없는 총 2,475개의 데이터 중 고장 진단 모델을 학습할 때 25% 홀드 아웃 검증 방법을 이용하여 과적합을 방지하였다. 모델 유형은 가중 k-최근접 이웃 알고리즘(K-Nearest Neighbor, k-NN)을 이용하였고 이웃 수 k는 10, 거리 측정법은 유클리드, 거리 가중치는 제곱 역수를 이용하였다.
본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 방법의 결과는 표 2에 나와 있듯이 모델 정확도는 모든 고장 유형에서 100%임을 확인할 수 있다. 또한, 테스트 데이터는 기존 학습한 데이터와 다른 환경 유형과 고장 형태를 선정하여 총 81개의 데이터를 생성하였다. 이를 고장 진단 모델을 이용하여 고장 진단을 하였을 때 거의 모든 고장 진단 및 분류를 성공적으로 하였다. 그러나 LL2 고장에서 저항이 13.75 [Ω]일 때 고장 진단 모델이 LL1으로 잘못 분류 하였다. 결과적으로 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 방법은 고장 진단 비용을 줄이면서 정확도가 높은 태양광 시스템 고장 진단 알고리즘을 개발 및 제안하였다.
도 9는 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치(1000)의 구성도이다.
도 9를 참조하면, 본 발명의 일 실시예의 태양광 발전 시스템 고장 진단 장치(1000)는, 프로세서(1100), 메모리(1200), 송수신 장치(transceiver, 1300), 입력 인터페이스 장치(1400), 출력 인터페이스 장치(1500), 저장 장치(1600) 및 버스(bus)(1700)를 포함하여 구성될 수 있다.
본 발명의 태양광 발전 시스템 고장 진단 장치(1000)는, 적어도 하나의 프로세서(processor)(1100) 및 상기 적어도 하나의 프로세서(1100)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)(1200)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
메모리(1200) 및 저장 장치(1600) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(1200)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
또한, 태양광 발전 시스템 고장 진단 장치(1000)는 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(1300)를 포함할 수 있다.
또한, 태양광 발전 시스템 고장 진단 장치(1000)는 입력 인터페이스 장치(1400), 출력 인터페이스 장치(1500), 저장 장치(1600) 등을 더 포함할 수 있다.
또한, 태양광 발전 시스템 고장 진단 장치(1000)에 포함된 각각의 구성 요소들은 버스(bus)(1700)에 의해 연결되어 서로 통신을 수행할 수 있다.
본 발명의 태양광 발전 시스템 고장 진단 장치(1000)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (10)

  1. 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용한 고장 진단 알고리즘을 활용한 태양광 발전 시스템 고장 진단 장치에 있어서,
    프로세서(processor); 및
    프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory); 를 포함하고,
    상기 적어도 하나의 명령은 상기 프로세서가:
    고장 진단 알고리즘에 필요한 태양광 발전 시스템 시뮬레이션 모델을 모델링하는 단계;
    고장 시나리오를 정의하고, 태양광 발전 시스템 시뮬레이션 모델을 활용하여 사전에 고장 데이터를 생성 및 취득 후 데이터 정규화(Normalization)를 통해 사전작업(Pre-Processing)을 진행하는 단계; 및
    데이터 정규화(Normalization)를 통해 얻은 시나리오별 고장 데이터를 기계 학습 방법을 활용하는 단계; 를 수행하도록 구성되는,
    태양광 발전 시스템 고장 진단 장치.
  2. 청구항 1에 있어서, 상기 장치는,
    모델 기반 고장 진단 알고리즘이므로 실제 태양광 발전 시스템과 유사한 Matlab/Simulink 태양광 발전 모듈 시뮬레이션 모델은 한 개의 다이오드가 사용된 원-다이오드 모델(One-Diode Model)을 선택하는,
    태양광 발전 시스템 고장 진단 장치.
  3. 청구항 1에 있어서, 상기 장치는,
    시뮬레이션 모델의 정확도를 향상하기 위해 실제 태양광 모듈의 I-V 특성 곡선(I-V Characteristic Curve) 값과 시뮬레이션 모델의 I-V 특성 곡선(I-V Characteristic Curve) 값 사이의 오차를 줄여야 하고, 이는 파라미터 추정(Parameter Estimation) 방법을 활용하는,
    태양광 발전 시스템 고장 진단 장치.
  4. 청구항 1에 있어서, 상기 장치는,
    Villalva’s Method를 이용하여 R S (직렬 저항, Series Resistance)과 R P (병렬 저항, Parallel Resistance)를 추정하고,
    파라미터 추정(Parameter Estimation)을 통해 얻은 태양광 모듈 시뮬레이션 모델을 가지고 고장 데이터를 생성 및 취득하는,
    태양광 발전 시스템 고장 진단 장치.
  5. 청구항 1에 있어서, 상기 장치는,
    고장 데이터를 생성하기 위해서는 고장 시나리오를 먼저 결정하고,
    고장 시나리오는 넓은 범위의 일사량(0W/M2부터 1,000W/M2까지, 40W/M2간격)과 온도(10℃에서 60℃까지, 5℃ 간격)를 포함하는 고장 조건들을 고려한 고장 시나리오를 Matlab/Simulink 태양광 시뮬레이션에 입력값으로 입력하여 나오는 데이터들을 정규화(Normalization)하여 고장 진단에 이용하는,
    태양광 발전 시스템 고장 진단 장치.
  6. 태양광 발전 시스템에서 최대전력전압(Vmpp)과 최대전력전류(Impp)만을 활용한 고장 진단 알고리즘을 활용한 태양광 발전 시스템 고장 진단 방법에 있어서,
    고장 진단 알고리즘에 필요한 태양광 발전 시스템 시뮬레이션 모델을 모델링하는 단계;
    고장 시나리오를 정의하고, 태양광 발전 시스템 시뮬레이션 모델을 활용하여 사전에 고장 데이터를 생성 및 취득 후 데이터 정규화(Normalization)를 통해 사전작업(Pre-Processing)을 진행하는 단계; 및
    데이터 정규화(Normalization)를 통해 얻은 시나리오별 고장 데이터를 기계 학습 방법을 활용하는 단계; 를 포함하는,
    태양광 발전 시스템 고장 진단 방법.
  7. 청구항 6에 있어서, 상기 방법은,
    실제 태양광 발전 시스템의 출력과 같은 Matlab/Simulink 시뮬레이션 모델을 만들고 난 후 고장 시나리오를 정의하고 고장 데이터를 생성 및 취득하는 단계; 및
    데이터 정규화(Normalization) 과정을 통해 얻은 데이터들을 가지고 기계 학습 방법을 활용하여 발전 시스템 고장 진단 모델을 만드는 단계; 의 오프라인 과정을 포함하는,
    태양광 발전 시스템 고장 진단 방법.
  8. 청구항 6에 있어서, 상기 방법은,
    실제 태양광 발전 시스템에 일사량과 모듈 온도 센서를 설치하여 측정한 값을 기존에 만들어 둔 Matlab/Simulink 모델에 입력하여 정상 상태의 최대전력전압(V mpp )과 최대전력전류(I mpp )를 얻는 단계;
    동시에 실제 태양광 발전 시스템에서는 컨버터에 설치된 최대 전력점 추적(Maximum Power Point Tracking)기법을 통해 실시간 최대전력전압(V mpp )과 최대전력전류(I mpp )를 얻는 단계; 및
    이렇게 얻은 데이터를 정규화하여 오프라인 과정에서 만들어둔 고장 진단 모델에 넣어 어떠한 고장인지 진단을 하는 단계; 의 온라인 과정을 포함하는,
    태양광 발전 시스템 고장 진단 방법.
  9. 청구항 6 내지 청구항 8 중 어느 한 항의 태양광 발전 시스템 고장 진단 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  10. 청구항 6 내지 청구항 8 중 어느 한 항의 태양광 발전 시스템 고장 진단 방법의 프로그램을 구현하기 위한 컴퓨터 판독 가능한 기록매체.
KR1020210177450A 2021-12-13 2021-12-13 태양광 발전 시스템 고장 진단 장치 및 방법 KR20230089082A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210177450A KR20230089082A (ko) 2021-12-13 2021-12-13 태양광 발전 시스템 고장 진단 장치 및 방법
US18/079,844 US20230188091A1 (en) 2021-12-13 2022-12-12 Method and apparatus for diagnosing photovoltaic panel faults

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210177450A KR20230089082A (ko) 2021-12-13 2021-12-13 태양광 발전 시스템 고장 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20230089082A true KR20230089082A (ko) 2023-06-20

Family

ID=86693948

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210177450A KR20230089082A (ko) 2021-12-13 2021-12-13 태양광 발전 시스템 고장 진단 장치 및 방법

Country Status (2)

Country Link
US (1) US20230188091A1 (ko)
KR (1) KR20230089082A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117708689B (zh) * 2024-02-05 2024-04-30 锦浪科技股份有限公司 一种基于距离特征法的光伏组件故障检测方法

Also Published As

Publication number Publication date
US20230188091A1 (en) 2023-06-15

Similar Documents

Publication Publication Date Title
Belaout et al. Multiclass adaptive neuro-fuzzy classifier and feature selection techniques for photovoltaic array fault detection and classification
US11621668B2 (en) Solar array fault detection, classification, and localization using deep neural nets
Chen et al. Data-driven detection of hot spots in photovoltaic energy systems
US11251749B2 (en) Methods and systems for fault detection, diagnosis and localization in solar panel network
Bonsignore et al. Neuro-fuzzy fault detection method for photovoltaic systems
Mallor et al. A method for detecting malfunctions in PV solar panels based on electricity production monitoring
KR102459015B1 (ko) 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
Chao et al. An intelligent fault detection method of a photovoltaic module array using wireless sensor networks
US20230188091A1 (en) Method and apparatus for diagnosing photovoltaic panel faults
Eduardo Nieto et al. Characterization of electric faults in photovoltaic array systems
Amiri et al. Faults detection and diagnosis of PV systems based on machine learning approach using random forest classifier
Guo et al. A meteorological information mining-based wind speed model for adequacy assessment of power systems with wind power
CN110458341A (zh) 一种考虑气象特性的超短期风电预测方法及系统
Raeisi et al. A novel experimental and approach of diagnosis, partial shading, and fault detection for domestic purposes photovoltaic system using data exchange of adjacent panels
Lu et al. Efficient fault diagnosis approach for solar photovoltaic array using a convolutional neural network in combination of generative adversarial network under small dataset
Zhang et al. Fault diagnosis strategy for wind turbine generator based on the Gaussian process metamodel
Iles et al. Power based fault detection method for PV arrays
Ding et al. Feature extraction and fault diagnosis of photovoltaic array based on current–voltage conversion
Sairam et al. Explainable Incipient Fault Detection Systems for Photovoltaic Panels
Darville et al. Machine Learning Based Simulation for Fault Detection in Microgrids
Ghazali et al. A multi-scale dual-stage model for PV array fault detection, classification, and monitoring technique
Adhya et al. Diagnosis of PV array faults using RUSBoost
Cheng et al. Tendency-aided data-driven method for hot spot detection in photovoltaic systems
Voutsinas et al. A survey of fault detection and identification methods for Photovoltaic systems based on IV curves
Baruah et al. Exploiting Context for Fault Detection in Solar Photovoltaic System using Context-Sensitive Recurrent Neural Network

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application