KR20230173827A - 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법 - Google Patents

태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법 Download PDF

Info

Publication number
KR20230173827A
KR20230173827A KR1020220074570A KR20220074570A KR20230173827A KR 20230173827 A KR20230173827 A KR 20230173827A KR 1020220074570 A KR1020220074570 A KR 1020220074570A KR 20220074570 A KR20220074570 A KR 20220074570A KR 20230173827 A KR20230173827 A KR 20230173827A
Authority
KR
South Korea
Prior art keywords
data
power generation
measured
generation system
solar power
Prior art date
Application number
KR1020220074570A
Other languages
English (en)
Inventor
신우균
강기환
고석환
배수현
주영철
황혜미
Original Assignee
한국에너지기술연구원
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 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020220074570A priority Critical patent/KR20230173827A/ko
Publication of KR20230173827A publication Critical patent/KR20230173827A/ko

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/30—Measuring the maximum or the minimum value of current or voltage reached in a time interval
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법에 관한 것이다. 본 발명은 수학적 모델을 이용한 예측 발전 데이터와 실제 측정 발전 데이터를 동시에 학습 처리함으로써, 출력 결과에 대한 정확도와 신뢰도 높은 기술을 제공함에 있다.

Description

태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법 {PV plant performance prediction and fault diagnosis system and method thereof}
본 발명은 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법에 관한 것으로, 보다 상세하게는 태양광 발전 시스템의 최대 전압과 최대 전류를 예측 연산하는 수학적 모델과 실제 측정 데이터를 기반으로 기계 학습 처리를 수행하여, 예측 발전량 결과를 통해서 태양광 발전 시스템의 성능을 평가하고 고장을 진단할 수 있는 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법에 관한 것이다.
태양광 발전 시스템의 설치량이 지속적으로 증가됨에 따라, 발전 시스템의 성능과 운영을 효율적으로 유지 관리하기 위한 기술이 요구되고 있다.
이를 위해, 최근들어 태양광 발전 시스템으로부터 수집되는 발전 데이터와 기상 관련 데이터를 빅 데이터 분석 및 인공지능 기술과 접목하여, 현재 발전 성능 뿐 아니라, 앞으로의 발전량을 예측하는 기술 및 기법에 관한 연구가 수행되고 있다.
상세하게는, 태양광 발전 시스템의 인버터에 의해 측정되는 DC 전압, 전류 및 출력 파워를 포함하는 발전 성능값은 발전 시스템의 유지 관리를 위한 데이터이다. 이를 활용하여 발전 시스템의 현재 성능 상태를 파악하게 된다.
최근, 디지털 태양광 O&M 기술로, 태양광 인버터의 DC 전압(V), 전류(I) 및 출력 파워(P) 등의 발전 성능값을 기계 학습하여, 태양광 발전 시스템의 성능을 보다 정확하게 분석할 뿐 아니라, 앞으로의 성능을 예측하는 기술이 개발되고 있다.
그렇지만, 태양광 발전 시스템으로부터 측정된 데이터를 기반으로 인공지능 학습을 수행할 경우, 태양광 발전 시스템이 이미 성능이 저하된 상태이거나, 일부 구성에 고장이 발생된 상태로 측정된 데이터를 학습하게 되어, 잘못된 학습으로 인해 성능 분석의 정확도가 낮아져 분석 결과에 대한 신뢰도가 낮아지는 문제점이 있다.
일 예를 들자면, 태양광 모듈의 고장을 확인하지 못한 상태의 발전 데이터를 학습하게 될 경우, 해당 태양광 발전 시스템은 모듈의 고장으로 인해 성능이 저하된 상태임에도 정상으로 판정하게 된다. 또다른 예를 들자면, 잘못된 일사 데이터를 학습하게 될 경우, 실제 성능과는 차이가 있는 발전량 추정이 발생하여, 학습 모델의 정확도가 크게 낮아지게 된다.
가장 이상적으로는, 태양광 발전 시스템을 설치하기 전, 해당하는 태양광 발전 시스템의 모든 구성들이 정상 상태임을 확인한 후, 이를 통해 측정되는 데이터를 기반으로 인공지능 학습을 수행하고, 그 모델을 활용하여 성능 분석 및 예측을 수행할 수 있으나, 태양광 발전 시스템의 동작 특성 상, 설치 위치 조건, 기상 조건 등의 다양한 외부 조건에 따라 그 성능과 운영이 상이할 수 밖에 없는 어려움이 있다.
뿐만 아니라, 이미 설치되어 있는 태양광 발전 시스템에 대해서는 상술한 기술을 적용할 수 없는 또다른 문제점이 있다.
이러한 점을 고려하여, 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법은, 현실적으로 수집하기 어려운 이상적인 상태에서의 측정 데이터 없이도 또는, 이미 설치되어 있는 태양광 발전 시스템에도 적용 가능한 성능 예측 및 고장 진단을 제공하고자 한다.
이와 관련해서, 국내 등록 특허 제10-1297078호("태양광 전지모듈별 고장 진단 가능한 태양광 발전 모니터링 장치 및 이를 이용한 태양광 발전 시스템의 고장진단 방법")에서는 다수의 태양광 전지 모듈 중 어느 하나에서 고장이 발생한 경우, 이를 용이하게 파악할 수 있는 장치를 개시하고 있다.
한국등록특허 제10-1297078호(등록일자 2013.08.09.)
따라서, 본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 단순히 수집 데이터에만 의존하여 기계 학습 처리를 수행할 경우, 수집 데이터 자체의 문제로 인한 학습 처리 결과의 신뢰도 및 정확도 등이 낮아질 수 있기 때문에, 태양광 발전 시스템의 최대 전압과 최대 전류를 예측 연산하는 수학적 모델에 의한 예측 연산 결과와 실제 측정 데이터를 동시에 학습하고, 이에 따른 예측 발전량 결과를 통해서 태양광 발전 시스템의 성능을 평가하고 고장을 진단할 수 있는 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법을 제공함에 있다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템은, 태양광 발전 시스템으로부터 일사량 별 발전 성능 측정값을 포함하는 기초 데이터를 입력받는 기초 데이터 입력부, 기저장된 알고리즘을 이용하여, 상기 기초 데이터의 전처리를 수행하여, 기계학습을 위한 적어도 하나의 학습 데이터 셋을 생성하는 데이터 전처리부, 기저장된 기계학습 알고리즘에 상기 학습 데이터 셋을 입력하여, 학습 처리를 수행하는 학습 처리부 및 상기 학습 처리부에 의한 학습 결과 모델을 이용하여, 태양광 발전 시스템의 추정 발전 성능 데이터를 출력받아, 추정 발전 성능 데이터의 분석을 수행하는 결과 분석부를 포함하는 것이 바람직하다.
더 나아가, 상기 기초 데이터는 기설정된 소정 일사량을 기준으로 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터 및 상기 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값을 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 전처리부는 기저장된 알고리즘을 이용하여, 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점(MPP, Maximum Power Point)을 추출하고, 추출한 최대 출력 점에서의 최대 전압 데이터와 최대 전류 데이터에 대한 피팅(curve fitting)을 수행하는 제1 전처리부, 기저장된 알고리즘을 이용하여, 상기 제1 전처리부에 의한 피팅 결과인 최대 전압 데이터와 최대 전류 데이터에 온도 데이터, 직/병렬 구성값을 반영하는 제2 전처리부 및 기저장된 알고리즘을 이용하여, 상기 제2 전처리부에 의한 반영 결과인 최대 전압 데이터와 최대 전류 데이터에 기설정된 손실 요소를 적용하여, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 최종 연산하는 제3 전처리부를 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 전처리부는 예측 최대 전압 데이터, 예측 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 측정된 최대 전류 데이터를 이용하여, 상기 학습 데이터 셋을 생성하는 제4 전처리부를 더 포함하는 것이 바람직하다.
더 나아가, 상기 결과 분석부는 태양광 발전 시스템의 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터 및 측정된 일사량 데이터를 포함하는 분석 데이터를 입력받는 분석 데이터 입력부, 상기 데이터 전처리부에 의한 알고리즘을 적용하여, 상기 분석 데이터에 의한 측정된 전압-전류 특성 곡선 데이터에 대한 예측 최대 전압 데이터와 예측 최대 전류 데이터를 연산하는 분석 전처리부 및 상기 학습 처리부에 의한 학습 결과 모델로, 상기 분석 데이터에 의한 측정된 온도 데이터, 측정된 일사량 데이터 및 상기 분석 전처리부에 의한 예측 최대 전압 데이터 및 예측 최대 전류 데이터를 입력하고, 상기 추정 발전 성능 데이터인 추정 최대 전압 데이터와 추정 최대 전류 데이터를 출력받는 추론 결과부를 포함하는 것이 바람직하다.
더 나아가, 상기 결과 분석부는 상기 추론 결과부에 의한 추정 최대 전압 데이터와 추정 최대 전류 데이터를 이용하여, 해당하는 태양광 발전 시스템의 성능 예측을 수행하는 성능 예측부 및 상기 추론 결과부에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터와, 상기 분석 데이터에 의한 측정된 최대 전압 데이터, 측정된 최대 전류 데이터 및 상기 분석 전처리부에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 각각 비교 분석하여, 해당하는 태양광 발전 시스템의 고장 진단을 수행하는 고장 진단부를 더 포함하는 것이 바람직하다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 연산 처리 수단에 의해 각 단계가 수행되는 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템을 이용한 태양광 발전 시스템의 성능 예측 및 고장 진단 방법으로서, 태양광 발전 시스템으로부터 학습 처리를 위한, 일사량 별 발전 성능 측정값을 포함하는 기초 데이터가 입력되는 데이터 입력 단계(S100), 기저장된 알고리즘을 이용하여, 상기 데이터 입력 단계(S100)에 의한 상기 기초 데이터의 전처리를 수행하여, 기계학습을 위한 적어도 하나의 학습 데이터 셋을 생성하는 데이터 전처리 단계(S200), 기저장된 기계학습 알고리즘에 상기 데이터 전처리 단계(S200)에 의한 학습 데이터 셋을 입력하여 학습 처리를 수행하는 학습 단계(S300), 상기 학습 단계(S300)에 의한 학습 결과 모델을 이용하여, 태양광 발전 시스템의 추정 발전 성능 데이터를 출력받아, 해당하는 태양광 발전 시스템에 대한 분석을 수행하는 분석 단계(S400)를 포함하며, 상기 분석 단계(S400)를 수행하기 전, 태양광 발전 시스템으로부터 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터 및 측정된 일사량 데이터를 포함하는 분석 데이터를 입력받는 분석 데이터 입력 단계(S10)를 더 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 입력 단계(S100)는 상기 기초 데이터로, 기설정된 소정 일사량을 기준으로 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터 및 상기 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값을 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 전처리 단계(S200)는 기저장된 알고리즘을 이용하여, 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점(MPP, Maximum Power Point)을 추출하고, 추출한 최대 출력 점에서의 최대 전압 데이터와 최대 전류 데이터에 대한 피팅(curve fitting)을 수행하는 제1 전처리 단계(S210), 기저장된 알고리즘을 이용하여, 상기 제1 전처리 단계(S210)에 의한 피팅 결과인 최대 전압 데이터와 최대 전류 데이터에 온도 데이터, 직/병렬 구성값을 반영하는 제2 전처리 단계(S220) 및 기저장된 알고리즘을 이용하여, 상기 제2 전처리 단계(S220)에 의한 반영 결과인 최대 전압 데이터와 최대 전류 데이터에 기설정된 손실 요소를 적용하여, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 최종 연산하는 제3 전처리 단계(S230)를 포함하는 것이 바람직하다.
더 나아가, 상기 데이터 전처리 단계(S200)는 예측 최대 전압 데이터, 예측 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 측정된 최대 전류 데이터를 이용하여, 상기 학습 데이터 셋을 생성하는 제4 전처리 단계(S240)를 더 포함하는 것이 바람직하다.
더 나아가, 상기 태양광 발전 시스템의 성능 예측 및 고장 진단 방법은 상기 분석 데이터 입력 단계(S10)를 수행하고 난 후, 상기 데이터 전처리 단계(S200)에 의한 알고리즘을 적용하여, 상기 분석 데이터에 의한 측정된 전압-전류 특성 곡선 데이터에 대한 예측 최대 전압 데이터와 예측 최대 전류 데이터를 연산하는 분석 데이터 전처리 단계(S20)를 더 포함하는 것이 바람직하다.
더 나아가, 상기 분석 단계(S400)는 상기 학습 단계(S300)에 의한 학습 결과 모델로, 상기 분석 데이터에 의한 측정된 온도 데이터, 측정된 일사량 데이터, 상기 분석 데이터 전처리 단계(S20)에 의한 예측 최대 전압 데이터 및 예측 최대 전류 데이터를 입력하고, 상기 추정 발전 성능 데이터인 추정 최대 전압 데이터와 추정 최대 전류 데이터를 출력받는 추론 단계(S410), 상기 추론 단계(S410)에 의한 추정 최대 전압 데이터와 추정 최대 전류 데이터를 이용하여, 해당하는 태양광 발전 시스템의 성능 예측을 수행하는 성능 예측 단계(S420) 및 상기 추론 단계(S410)에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터와, 상기 분석 데이터 입력 단계(S10)에 의한 측정된 최대 전압 데이터, 측정된 최대 전류 데이터 및 상기 분석 데이터 전처리 단계(S20)에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 각각 비교 분석하여, 해당하는 태양광 발전 시스템의 고장 진단을 수행하는 고장 진단 단계(S430)를 포함하는 것이 바람직하다.
본 발명에 의하면, 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법은 태양광 발전 시스템의 최대 전압과 최대 전류를 예측 연산하는 수학적 모델과 실제 측정 데이터를 기반으로 기계 학습 처리를 수행하여, 예측 발전량 결과를 통해서 태양광 발전 시스템의 성능을 평가하고 고장을 진단할 수 있는 장점이 있다.
즉, 인공지능 학습에 대한 분석 결과의 정확도와 신뢰도를 향상시키기 위해, 측정(계측)된 데이터를 그대로 활용하는 것이 아니라, 태양광 발전 시스템의 최대 전압 데이터와 최대 전류 데이터를 예측하는 수학적 모델(예측 최대 전압 데이터/예측 최대 전류 데이터)과 실제 측정 데이터(측정 최대 전압 데이터/측정 최대 전류 데이터)를 매칭시켜 인공지능 학습 데이터로 적용함으로써, 실제 발전량과 학습 결과에 따른 예측 발전량을 비교하여, 태양광 발전 시스템의 성능을 평가하고 고장을 진단할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법에 대한 예측 정확도 평가 분석도이다.
도 3 내지 도 5는 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법에 의한 고장 진단 결과 예시도이다.
도 6은 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 방법을 나타낸 순서 예시도이다.
이하, 상기한 바와 같은 구성을 가지는 본 발명에 의한 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법을 첨부된 도면을 참고하여 상세하게 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법은, 상술한 문제점을 해소하기 위하여, 즉, 인공지능 학습에 대한 분석 결과의 정확도와 신뢰도를 향상시키기 위해, 측정(계측)된 데이터를 그대로 활용하는 것이 아니라, 태양광 발전 시스템의 최대 전압 데이터와 최대 전류 데이터를 예측하는 수학적 모델(예측 최대 전압 데이터/예측 최대 전류 데이터)과 실제 측정 데이터(측정 최대 전압 데이터/측정 최대 전류 데이터)를 매칭시켜 인공지능 학습 데이터로 적용함으로써, 실제 발전량과 학습 결과에 따른 예측 발전량을 비교하여, 태양광 발전 시스템의 성능을 평가하고 고장을 진단하는 기술에 관한 것이다.
간략하게 말하자면, 태양광 모듈의 일사량 별 I-V 곡선의 최대 출력 점에서 최대 전압과 최대 전류 값을 추출하고, 이에 대한 선형 회기 분석을 수행하고, 모듈 온도 값을 반영한 수학적 모델을 도출한다. 수학적 모델을 통해 계산된 최대 전압과 최대 전류 값에 태양광 스트링의 손실 요소(노화율, 오염율, 선로 손실)를 반영하여 최종적으로 최대 전압과 최대 전류값을 계산하게 된다. 계산된 최대 전압, 계산된 최대 전류, 일사량, 모듈 온도 값, 측정된 최대 전압, 측정된 최대 전류를 학습 처리하여 기계학습 모델을 생성한다. 이 학습 모델을 최대 전압과 최대 전류를 추정하고, 추정한 최대 전압, 추정한 최대 전류와 계산된 최대 전압, 계산된 최대 전류, 측정된 최대 전압 및 측정된 최대 전류를 각각 비교하여, 태양광 발전 시스템의 성능을 평가하고 고장을 진단하게 된다.
이러한 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법은, 도 1에 도시된 바와 같이, 기초 데이터 입력부(100), 데이터 전처리부(200), 학습 처리부(300) 및 결과 분석부(400)를 포함하여 구성되는 것이 바람직하다. 이 때, 상기 구성들은 MCU를 포함하는 연산처리수단에 각각 또는 통합 구성되어 동작을 수행하는 것이 바람직하다.
각 구성에 대해서 자세히 알아보자면,
기초 데이터 입력부(100)는 태양광 발전 시스템으로부터 일사량 별 발전 성능 측정값을 포함하는 기초 데이터를 입력받게 된다.
상세하게는, 기초 데이터로는 일사량에 의해 출력이 변화하는 태양광 발전 시스템의 특성을 반영하기 위하여, 미리 설정된 소정 일사량을 기준으로 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터 및 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값을 포함하는 것이 바람직하다.
여기서, 미리 설정된 소정 일사량으로는 200 W/m2, 400 W/m2, 600 W/m2, 800 W/m2 및 1,000 W/m2 로 설정하는 것이 바람직하나, 이는 본 발명의 일 실시예에 불과하며, 일사량 기준 자체에 대해서 한정하는 것은 아니다.
다만, 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 전달되는 현재 일사량 데이터가 미리 설정된 소정 일사량에 해당할 경우, 그 때의 전압-전류 특성 곡선 데이터를 수집하는 것이 가장 바람직하다.
또한, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터는 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 측정되거나, 각 일사량 별로 측정된 전압-전류 특성 곡선 데이터에서 추출하는 전기적 파라미터를 이용할 수 있다. 전압-전류 특성 곡선을 분석하여 전기적 파라미터들을 추출하는 것은 공지된 기술에 해당하기 때문에, 상세한 설명은 생략한다.
다만, 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 측정하여 측정된 최대 전압 데이터, 측정된 최대 전류 데이터로 이용할 경우, 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 전달되는 현재 일사량 데이터가 미리 설정된 소정 일사량에 해당할 경우, 그 때의 전압-전류 특성 곡선 데이터를 수집하면서, 동시에 최대 전압 데이터와 최대 전류 데이터를 수집하는 것이 바람직하다.
더불어, 측정된 온도 데이터, 측정된 일사량 데이터는 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 현재 온도 데이터와 일사량 데이터를 입력받게 되며, 이 역시도 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 전달되는 현재 일사량 데이터가 미리 설정된 소정 일사량에 해당할 경우, 그 때의 전압-전류 특성 곡선 데이터를 수집하면서, 같이 현재 온도 데이터를 수집하는 것이 바람직하다.
즉, 정리하자면, 태양광의 일사량 별 전압-전류 특성 및 손실 요소를 반영항 수학적 모델을 통해 예측 발전 데이터를 계산하기 위하여, 기초 데이터 입력부(100)는 일사량을 기준으로, 다시 말하자면, 미리 설정된 소정 일사량 마다, 전압-전류 특성 곡선 데이터, 최대 전압 데이터, 최대 전류 데이터, 온도 데이터, 일사량 데이터를 수집하는 것이 바람직하다.
이 때, 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값은 미리 설정된 기본 스펙값에 해당하며, 태양광 발전 시스템의 설계 당시 입력받은 직렬 또는 병렬 연결 모듈 수를 입력받게 된다.
데이터 전처리부(200)는 미리 저장된 알고리즘을 이용하여, 다시 말하자면, 수학적 알고리즘을 이용하여, 기초 데이터 입력부(100)에 의해 입력받은 기초 데이터들의 전처리를 수행하여, 기계학습을 위한 적어도 하나의 학습 데이터 셋을 생성하게 된다.
상세하게는, 데이터 전처리부(200)는 도 1에 도시된 바와 같이, 제1 전처리부(210), 제2 전처리부(220), 제3 전처리부(230) 및 제4 전처리부(240)를 포함하게 된다.
제1 전처리부(210)는 미리 저장된 수학적 알고리즘을 이용하여, 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점(MPP, Maximum Power Point)을 추출하고, 추출한 최대 출력 점에서의 최대 전압 데이터와 최대 전류 데이터에 대한 피팅(curve fitting)을 수행하게 된다.
상세하게는, 일사량에 의해 발전 출력이 변화하는 태양광 발전의 특성을 반영하여, 일사량 별 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점을 플로팅하고, 최대 출력 점에서의 최대 전압과 최대 전류의 curve fitting을 통한 최대 전압 데이터(Vmp,예측,일사)와 최대 전류 데이터(Imp,예측,일사)의 물리 모델을 하기의 수학식 1과 같이 도출하게 된다.
(여기서, 는 전압 계수이며,
는 전류 계수임.)
제2 전처리부(220)는 미리 저장된 수학적 알고리즘을 이용하여, 제1 전처리부(210)에 의한 피팅 결과인 최대 전압 데이터(Vmp,예측,일사)와 최대 전류 데이터(Imp,예측,일사)에 온도 데이터, 직/병렬 구성값을 반영하는 것이 바람직하다.
이를 통해서, 태양광 발전 성능의 주요 환경 요인인 모듈 온도를 추가한 최대 전압 데이터(Vmp,예측,일사,온도)와 최대 전류 데이터(Imp,예측,일사,온도)의 물리 모델을 하기의 수학식 2와 같이 도출하게 된다.
(여기서, 는 전압 온도 계수이며,
는 전류 온도 계수이며,
은 온도 데이터이며,
은 직렬로 연결된 모듈 수이며,
은 병렬로 연결된 모듈 수임.)
제3 전처리부(230)는 미리 저장된 수학적 알고리즘을 이용하여, 제2 전처리부(220)에 의한 반영 결과인 최대 전압 데이터(Vmp,예측,일사,온도)와 최대 전류 데이터(Imp,예측,일사,온도)에 미리 설정된 손실 요소를 적용하여, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 최종 연산하게 된다.
즉, 태양광 모듈의 일사량 변화에 따른 전압-전류 특성과 모듈 온도를 반영한 물리 모델에 손실 요소를 반영한 수학적 모델을 도출할 수 있으며, 하기의 수학식 3과 같다.
(여기서, Vaging은 전압 노화 계수이며,
Iaging은 전류 노화 계수이며,
Oyear은 모듈 설치 연수이며,
Vsoiling은 전압 오염 계수이며,
Isoiling은 전류 오염 계수이며,
RL은 태양광 스트링 간 케이블의 선로 저항임.)
상기의 수학식 3과 같이, 최종 연산한 예측 최대 전압 데이터와 예측 최대 전류 데이터는 Vmp,예측,선로손실, Imp,예측,선로손실에 해당한다.
또한, 예측 발전량인 Pmp,예측은 하기의 수학식 4와 같이, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 이용하여 연산하게 된다.
이를 통해서, 결국은 최종 연산한 예측 발전량은 Pmp,예측,선로손실에 해당한다.
제4 전처리부(240)는 제3 전처리부(230)에 의한 예측 최대 전압 데이터(Vmp,예측,선로손실), 예측 최대 전류 데이터(Imp,예측,선로손실), 기초 데이터 입력부(100)에 의해 입력받은 기초 데이터인 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 측정된 최대 전류 데이터를 이용하여, 학습 데이터 셋을 생성하게 된다.
간단하게는, 일사량 별 측정된 전압-전류 특성 곡선 데이터를 고려하여 데이터가 전처리된 만큼, 각 일사량 별로 모든 데이터들을 그룹화하여 학습 데이터 셋을 생성할 수 있다.
또는, 각 일사량 별로 전압/전류를 나누어서, 각각 학습할 수 있도록 분리하여, 학습 데이터 셋을 생성할 수 있다. 일 예를 들자면, 동일한 일사량 조건 하에 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 예측 최대 전압 데이터(Vmp,예측,선로손실)를 그룹화하여 하나의 학습 데이터 셋을 생성하고, 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전류 데이터 및 예측 최대 전류 데이터(Imp,예측,선로손실)를 그룹화하여 또하나의 학습 데이터 셋을 생성할 수 있다.
이와 같이, 학습 데이터 셋을 생성하는 것 자체에 대해서 한정하는 것은 아니다.
학습 처리부(300)는 미리 저장된 기계학습 알고리즘에 데이터 전처리부(200), 보다 자세하게는, 제4 전처리부(240)에서 생성한 학습 데이터 셋을 입력하여, 학습 처리를 수행하게 된다.
이 때, 미리 저장된 기계학습 알고리즘에 대해서 한정하는 것은 아니며, 학습 처리부(300)는 데이터 전처리부(200)에 의한 태양광 성능 예측 수학적 모델에 의해 예측된 발전 데이터(최대 전압 데이터, 최대 전류 데이터), 측정 일사량과 측정 온도, 측정 최대 전압 데이터 및 측정 최대 전류 데이터를 학습 데이터로 입력받아, 학습 처리를 수행함으로써, 측정 일사량, 측정 온도, 예측 최대 전압 데이터, 예측 최대 전류 데이터를 입력 데이터로 처리하고, 측정 최대 전압 데이터와 측정 최대 전류 데이터를 출력 데이터로 처리하여, 상호 간의 상관관계를 선형 회귀 모델 방식을 이용하여 학습 처리될 수 있도록 하는 알고리즘이라면 무방하다.
이 때, 학습 처리부(300)는 미리 설정된 소정 일사량 별 측정된 전압-전류 특성 곡선 데이터를 기준으로 계산된 예측 최대 전압 데이터, 예측 최대 전류 데이터를 학습 데이터로 이용하는 만큼, 미리 설정된 소정 일사량 범위 사이의 일사량이 존재할 수 있음을 감안하여 미리 설정된 소정 일사량 범위 사이의 일사량에 대한 보간(interpolation) 방법을 적용하는 것이 바람직하다.
결과 분석부(400)는 학습 처리부(300)에 의한 학습 결과 모델을 이용하여, 태양광 발전 시스템의 추정 발전 성능 데이터를 출력받아, 추정 발전 성능 데이터의 분석을 수행하게 된다.
상세하게는, 결과 분석부(400)는 도 1에 도시된 바와 같이, 분석 데이터 입력부(410), 분석 전처리부(420), 추론 결과부(430), 성능 예측부(440) 및 고장 진단부(450)를 포함하게 된다.
결과 분석부(400)는 학습 처리부(300)에 의해 학습 처리가 완료된 후, 태양광 발전 시스템으로부터 이 후 입력/수집되는 데이터를 이용하여, 성능 예측 및 고장 진단을 수행하게 된다.
이에 따라, 분석 데이터 입력부(410)를 통해서 새롭게 데이터를 수집하게 된다.
상세하게는, 분석 데이터 입력부(410)는 현재 측정된 태양광 발전 시스템의 전압-전류 특성 곡선 데이터, 현재 측정된 온도 데이터 및 현재 측정된 일사량 데이터를 포함하는 분석 데이터를 입력받게 된다.
이 때, 분석 데이터로 현재의 최대 전압 데이터와 최대 전류 데이터를 더 포함하게 되며, 이는, 기초 데이터 입력부(100)와 마찬가지로, 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 측정되거나, 현재 측정된 전압-전류 특성 곡선 데이터에서 추출하는 전기적 파라미터를 이용할 수 있다.
분석 전처리부(420)는 데이터 전처리부(200)에 의한 수학적 알고리즘을 적용하여, 분석 데이터에 의한 현재 측정된 전압-전류 특성 곡선 데이터에 대한 예측 최대 전압 데이터와 예측 최대 전류 데이터를 연산하게 된다.
즉, 상기의 수학식 1 내지 4의 물리 모델을 통해서, 예측 최대 전압 데이터와 예측 최대 전류 데이터 및 이들을 이용한 예측 발전량까지 연산할 수 있다.
추론 결과부(430)는 분석 데이터에 의한 현재 측정된 온도 데이터, 현재 측정된 일사량 데이터 및 분석 전처리부(420)에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 입력 데이터 처리하여, 학습 처리부(300)에 의한 학습 결과 모델로 입력하고, 이를 통해서, 추정 발전 성능 데이터로 추정 최대 전압 데이터, 추정 최대 전류 데이터를 출력받게 된다.
물론, 추정 최대 전압 데이터, 추정 최대 전류 데이터를 이용하여 추정 발전량까지 연산할 수 있다.
이 때, 학습 처리부(300)에서 학습 데이터 셋을 어떻게 활용했냐에 따라, 추정 최대 전압 데이터, 추정 최대 전류 데이터가 한꺼번에 출력될 수도 있고, 각각 출력될 수도 있다. 즉, 추론 결과부(430)로의 입력 데이터-출력 데이터는 학습 처리부(300)에서의 학습 처리 과정에 따라 결정되며, 이에 대해서 한정하는 것은 아니다.
다만, 추론 결과부(430)는 현재 측정된 최대 전압 데이터와 최대 전류 데이터에 의한 추론 결과를 출력받는 것이 아니라, 이를 보정하여 예측한 예측 최대 전압 데이터, 예측 최대 전류 데이터에 의한 추론 결과를 출력받게 된다.
학습 처리 과정에서도 예측 최대 전압 데이터, 예측 최대 전류 데이터를 이용한 만큼, 학습 모델의 출력 신뢰도와 정확도를 향상시킬 수 있으며, 실험을 통한 학습 처리부(300)에 의한 학습 결과 모델의 정확도에 대해서는 후술하도록 한다.
성능 예측부(440)는 추론 결과부(430)에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터를 이용하여, 해당하는 태양광 발전 시스템의 성능 예측을 수행하게 된다.
즉, 해당하는 태양광 발전 시스템이라면, 현재 측정된 환경 데이터(일사량, 모듈 온도)를 감안할 경우, 기계학습 결과에 의해 추정 최대 전압 데이터, 추정 최대 전류 데이터가 추론되게 된다. 이 때, 추론 결과부(430)에서 학습을 위한 데이터로 수집 데이터만을 이용하는 것이 아니라, 수학적 알고리즘에 의해 보정하여 예측한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 포함하였기 때문에, 기계학습 결과에 대한 신뢰도와 정확도를 향상시킬 수 있다.
자세하게는, 도 2에 도시된 바와 같이, RMSE(Root Mean Square Error) 값을 이용하여 정확도 평가를 수행하였다.
Physical model은 단순히 수학적 알고리즘에 의한 보정하여 예측한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 이용한 태양광 발전 시스템의 성능 예측의 정확도를 의미하며, Old learning model은 학습 데이터로 수집/측정 데이터들(현재 측정된 온도 데이터, 현재 측정된 일사량 데이터, 현재 측정된 최대 전압 데이터와 최대 전류 데이터)을 활용한 기계학습 결과에 따른 태양광 발전 시스템의 성능 예측의 정확도를 의미한다.
또한, Proposed learning model은 본 발명에 의한 결과로서, 학습 데이터로 수집/측정 데이터들(현재 측정된 온도 데이터, 현재 측정된 일사량 데이터, 현재 측정된 최대 전압 데이터와 최대 전류 데이터) 뿐 아니라, 예측 데이터(예측 최대 전압 데이터, 예측 최대 전류 데이터)까지 활용한 기계학습 결과에 따른 태양광 발전 시스템의 성능 예측의 정확도를 의미한다.
비교 결과에 나타난 바와 같이, Old learning model은 Physical model의 RMSE 값 대비 14% 감소함을 알 수 있으며, Proposed learning model은 Physical model의 RMSE 값 대비 29% 감소함을 알 수 있다.
고장 진단부(450)는 추론 결과부(430)에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터와, 분석 데이터 입력부(410)를 통해서 입력받은 측정된 최대 전압 데이터, 측정된 최대 전류 데이터 및 분석 전처리부(420)에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 각각 비교 분석하여, 해당하는 태양광 발전 시스템의 고장 진단, 다시 말하자면, 고장 요소까지 진단할 수 있다.
크게 보자면, 예측 최대 전류 데이터가 추정 최대 전류 데이터 대비 크게 감소하는 경우에는 일사량계 고장으로 판단/진단할 수 있으며, 측정 발전 데이터(측정된 최대 전압 데이터, 측정된 최대 전류 데이터를 이용하여 연산 가능)가 추정 발전 데이터(추정 최대 전압 데이터, 추정 최대 전류 데이터를 이용하여 연산 가능) 대비 낮게 나오는 경우는, 전류 데이터/전압 데이터를 나누어 고장 진단하게 된다.
또한, 태양광 발전 시스템의 고장 여부는 측정 발전 데이터가 예측 발전 데이터(예측 최대 전압 데이터, 예측 최대 전류 데이터를 이용하여 연산 가능)보다 10% 이상 낮은 경우, 고장이라 추정하는 것이 바람직하다.
일 예를 들자면, 도 3에 도시된 바와 같이, [(측정된 최대 전류 데이터 - 예측 최대 전류 데이터)/예측 최대 전류 데이터 ≥ 15%]일 경우, 일사량계의 고장 또는 오염으로 판단하게 되며, 도 4에 도시된 바와 같이, [(측정된 최대 전압 데이터 - 추정 최대 전압 데이터)/추정 최대 전압 데이터 ≤ - 30%]일 경우, 전압 이상에 따른 고장으로 판단하게 된다. 즉, 인버터 MPPT 이상이나, 부분 음영(바이패스 다이오드 미동작) 또는 바이배스 다이오드 고장으로 판단하게 된다.
더불어, 도 5에 도시된 바와 같이, [(측정된 최대 전류 데이터 - 추정 최대 전류 데이터)/추정 최대 전류 데이터 ≤ - 10%]일 경우, 전류 이상에 따른 고장(태양광 모듈 간 직렬 미스 매치, 부분 음영(바이패스 다이오드 미동작) 또는, PID 이상으로 판단하게 된다.
도 6은 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 방법을 나타낸 순서 예시도로서, 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 방법은 데이터 입력 단계(S100), 데이터 전처리 단계(S200), 학습 단계(S300) 및 분석 단계(S400)를 포함할 수 있다. 각 단계는 연산 처리 수단에 의해 동작 수행되는 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템을 이용하는 것이 바람직하다.
각 단계에 대해서 자세히 알아보자면,
데이터 입력 단계(S100)는 연산 처리 수단인 기초 데이터 입력부(100)에서, 태양광 발전 시스템으로부터, 학습 처리를 위한 일사량 별 발전 성능 측정값을 포함하는 기초 데이터를 입력받게 된다.
기초 데이터로는 일사량에 의해 출력이 변화하는 태양광 발전 시스템의 특성을 반영하기 위하여, 미리 설정된 소정 일사량을 기준으로 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터 및 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값을 포함하는 것이 바람직하다.
여기서, 미리 설정된 소정 일사량으로는 200 W/m2, 400 W/m2, 600 W/m2, 800 W/m2 및 1,000 W/m2 로 설정하는 것이 바람직하나, 이는 본 발명의 일 실시예에 불과하며, 일사량 기준 자체에 대해서 한정하는 것은 아니다.
다만, 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 전달되는 현재 일사량 데이터가 미리 설정된 소정 일사량에 해당할 경우, 그 때의 전압-전류 특성 곡선 데이터를 수집하는 것이 가장 바람직하다.
또한, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터는 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 측정되거나, 각 일사량 별로 측정된 전압-전류 특성 곡선 데이터에서 추출하는 전기적 파라미터를 이용할 수 있다. 전압-전류 특성 곡선을 분석하여 전기적 파라미터들을 추출하는 것은 공지된 기술에 해당하기 때문에, 상세한 설명은 생략한다.
다만, 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 측정하여 측정된 최대 전압 데이터, 측정된 최대 전류 데이터로 이용할 경우, 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 전달되는 현재 일사량 데이터가 미리 설정된 소정 일사량에 해당할 경우, 그 때의 전압-전류 특성 곡선 데이터를 수집하면서, 동시에 최대 전압 데이터와 최대 전류 데이터를 수집하는 것이 바람직하다.
더불어, 측정된 온도 데이터, 측정된 일사량 데이터는 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 현재 온도 데이터와 일사량 데이터를 입력받게 되며, 이 역시도 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 전달되는 현재 일사량 데이터가 미리 설정된 소정 일사량에 해당할 경우, 그 때의 전압-전류 특성 곡선 데이터를 수집하면서, 같이 현재 온도 데이터를 수집하는 것이 바람직하다.
즉, 정리하자면, 태양광의 일사량 별 전압-전류 특성 및 손실 요소를 반영항 수학적 모델을 통해 예측 발전 데이터를 계산하기 위하여, 기초 데이터 입력부(100)는 일사량을 기준으로, 다시 말하자면, 미리 설정된 소정 일사량 마다, 전압-전류 특성 곡선 데이터, 최대 전압 데이터, 최대 전류 데이터, 온도 데이터, 일사량 데이터를 수집하는 것이 바람직하다.
이 때, 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값은 미리 설정된 기본 스펙값에 해당하며, 태양광 발전 시스템의 설계 당시 입력받은 직렬 또는 병렬 연결 모듈 수를 입력받게 된다.
데이터 전처리 단계(S200)는 연산 처리 수단인 데이터 전처리부(200)에서, 미리 저장된 알고리즘인 수학적 알고리즘을 이용하여, 데이터 입력 단계(S100)에 의한 기초 데이터들의 전처리를 수행하여, 기계학습을 위한 적어도 하나의 학습 데이터 셋을 생성하게 된다.
이러한 데이터 전처리 단계(S200)는 도 6에 도시된 바와 같이, 제1 전처리 단계(S210), 제2 전처리 단계(S220), 제3 전처리 단계(S230) 및 제4 전처리 단계(S240)를 포함하게 된다.
제1 전처리 단계(S210)는 미리 저장된 수학적 알고리즘을 이용하여, 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점(MPP, Maximum Power Point)을 추출하고, 추출한 최대 출력 점에서의 최대 전압 데이터와 최대 전류 데이터에 대한 피팅(curve fitting)을 수행하게 된다.
상세하게는, 일사량에 의해 발전 출력이 변화하는 태양광 발전의 특성을 반영하여, 일사량 별 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점을 플로팅하고, 최대 출력 점에서의 최대 전압과 최대 전류의 curve fitting을 통한 최대 전압 데이터(Vmp,예측,일사)와 최대 전류 데이터(Imp,예측,일사)의 물리 모델을 상기의 수학식 1과 같이 도출하게 된다.
제2 전처리 단계(S220)는 미리 저장된 수학적 알고리즘을 이용하여, 제1 전처리 단계(S210)에 의한 피팅 결과인 최대 전압 데이터(Vmp,예측,일사)와 최대 전류 데이터(Imp,예측,일사)에 온도 데이터, 직/병렬 구성값을 반영하게 된다.
이를 통해서, 태양광 발전 성능의 주요 환경 요인인 모듈 온도를 추가한 최대 전압 데이터(Vmp,예측,일사,온도)와 최대 전류 데이터(Imp,예측,일사,온도)의 물리 모델을 상기의 수학식 2와 같이 도출하게 된다.
제3 전처리 단계(S230)는 미리 저장된 수학적 알고리즘을 이용하여, 제2 전처리 단계(S220)에 의한 반영 결과인 최대 전압 데이터(Vmp,예측,일사,온도)와 최대 전류 데이터(Imp,예측,일사,온도)에 미리 설정된 손실 요소를 적용하여, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 최종 연산하게 된다.
즉, 태양광 모듈의 일사량 변화에 따른 전압-전류 특성과 모듈 온도를 반영한 물리 모델에 손실 요소를 반영한 수학적 모델을 도출할 수 있으며, 상기의 수학식 3과 같다. 상기의 수학식 3과 같이, 최종 연산한 예측 최대 전압 데이터와 예측 최대 전류 데이터는 Vmp,예측,선로손실, Imp,예측,선로손실에 해당한다.
또한, 예측 발전량인 Pmp,예측은 상기의 수학식 4와 같이, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 이용하여 연산하게 된다.
이를 통해서, 결국은 최종 연산한 예측 발전량은 Pmp,예측,선로손실에 해당한다.
제4 전처리 단계(S240)는 상술한 과정들을 통해서 수집 및 연산한 데이터들, 상세하게는, 예측 최대 전압 데이터(Vmp,예측,선로손실), 예측 최대 전류 데이터(Imp,예측,선로손실), 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 측정된 최대 전류 데이터를 이용하여, 학습 데이터 셋을 생성하게 된다.
학습 데이터 셋의 일 예를 들자면, 일사량 별 측정된 전압-전류 특성 곡선 데이터를 고려하여 데이터가 전처리된 만큼, 각 일사량 별로 모든 데이터들을 그룹화하여 학습 데이터 셋을 생성할 수 있다.
또는, 각 일사량 별로 전압/전류를 나누어서, 각각 학습할 수 있도록 분리하여, 학습 데이터 셋을 생성할 수 있다. 일 예를 들자면, 동일한 일사량 조건 하에 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 예측 최대 전압 데이터(Vmp,예측,선로손실)를 그룹화하여 하나의 학습 데이터 셋을 생성하고, 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전류 데이터 및 예측 최대 전류 데이터(Imp,예측,선로손실)를 그룹화하여 또하나의 학습 데이터 셋을 생성할 수 있다.
이와 같이, 학습 데이터 셋을 생성하는 것 자체에 대해서 한정하는 것은 아니다.
학습 단계(S300)는 연산 처리 수단인 학습 처리부(300)에서, 미리 저장된 기계학습 알고리즘에 제4 전처리 단계(S240)에 의해 생성한 학습 데이터 셋을 입력하여, 학습 처리를 수행하게 된다.
이 때, 미리 저장된 기계학습 알고리즘에 대해서 한정하는 것은 아니다.
학습 단계(S300)는 데이터 전처리 단계(S200)에 의한 태양광 성능 예측 수학적 모델에 의해 예측된 발전 데이터(최대 전압 데이터, 최대 전류 데이터), 측정 일사량과 측정 온도, 측정 최대 전압 데이터 및 측정 최대 전류 데이터를 학습 데이터로 입력받아, 학습 처리를 수행함으로써, 측정 일사량, 측정 온도, 예측 최대 전압 데이터, 예측 최대 전류 데이터를 입력 데이터로 처리하고, 측정 최대 전압 데이터와 측정 최대 전류 데이터를 출력 데이터로 처리하여, 상호 간의 상관관계를 선형 회귀 모델 방식을 이용하여 학습 처리될 수 있도록 하는 알고리즘이라면 무방하다.
이 때, 미리 설정된 소정 일사량 별 측정된 전압-전류 특성 곡선 데이터를 기준으로 계산된 예측 최대 전압 데이터, 예측 최대 전류 데이터를 학습 데이터로 이용하는 만큼, 미리 설정된 소정 일사량 범위 사이의 일사량이 존재할 수 있음을 감안하여 미리 설정된 소정 일사량 범위 사이의 일사량에 대한 보간(interpolation) 방법을 적용할 수도 있다.
분석 단계(S400)는 연산 처리 수단인 결과 분석부(400)에서, 학습 단계(S300)에 의한 학습 결과 모델을 이용하여, 태양광 발전 시스템의 추정 발전 성능 데이터를 출력받아, 추정 발전 성능 데이터의 분석을 수행하게 된다.
상세하게는, 분석 단계(S400)는 학습 단계(S300)에 의해 학습 처리가 완료된 후, 태양광 발전 시스템으로부터 이 후 입력/수집되는 데이터를 이용하여, 성능 예측 및 고장 진단을 수행하게 된다.
그렇기 때문에, 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 방법은 분석 단계(S400)를 수항해기 전, 새롭게 데이터를 수집하게 된다.
이를 위해, 도 6에 도시된 바와 같이, 분석 데이터 입력 단계(S10)를 더 포함하게 된다.
분석 데이터 입력 단계(S10)는 현재 측정된 태양광 발전 시스템의 전압-전류 특성 곡선 데이터, 현재 측정된 온도 데이터 및 현재 측정된 일사량 데이터를 포함하는 분석 데이터를 입력받게 된다.
이 때, 분석 데이터로 현재의 최대 전압 데이터와 최대 전류 데이터를 더 포함하게 되며, 데이터 입력 단계(S100)에서와 마찬가지로 태양광 발전 시스템에 연계되어 있는 별도의 측정 수단을 통해서 측정되거나, 현재 측정된 전압-전류 특성 곡선 데이터에서 추출하는 전기적 파라미터를 이용할 수 있다.
또한, 본 발명의 일 실시예에 따른 태양광 발전 시스템의 성능 예측 및 고장 진단 방법은 분석 데이터 입력 단계(S10)를 수행하고 난 후, 분석 데이터 전처리 단계(S20)를 수행하게 된다.
분석 데이터 전처리 단계(S20)는 데이터 전처리 단계(S200)에 적용된 수학적 알고리즘을 이용하여, 분석 데이터에 의한 현재 측정된 전압-전류 특성 곡선 데이터에 대한 예측 최대 전압 데이터와 예측 최대 전류 데이터를 연산하게 된다.
즉, 상기의 수학식 1 내지 4의 물리 모델을 통해서, 예측 최대 전압 데이터와 예측 최대 전류 데이터 및 이들을 이용한 예측 발전량까지 연산할 수 있다.
이러한 과정을 수행하고 난 후, 분석 단계(S400)를 수행하게 되며, 분석 단계(S400)는 도 6에 도시된 바와 같이, 추론 단계(S410), 성능 예측 단계(S420) 및 고장 진단 단계(S430)를 포함하게 된다.
추론 단계(S410)는 분석 데이터에 의한 현재 측정된 온도 데이터, 현재 측정된 일사량 데이터 및 분석 데이터 전처리 단계(S20)에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 입력 데이터 처리하여, 학습 결과 모델로 입력하고, 이를 통해서, 추정 발전 성능 데이터로 추정 최대 전압 데이터, 추정 최대 전류 데이터를 출력받게 된다.
물론, 추정 최대 전압 데이터, 추정 최대 전류 데이터를 이용하여 추정 발전량까지 연산할 수 있다.
이 때, 학습 처리 과정에서 학습 데이터 셋을 어떻게 활용하느냐에 따라, 추정 최대 전압 데이터, 추정 최대 전류 데이터가 한꺼번에 출력될 수도 있고, 각각 출력될 수도 있다. 즉, 추론 단계(S410)에서의 입력 데이터-출력 데이터는 학습 처리 과정에 따라 결정되며, 이에 대해서 한정하는 것은 아니다.
다만, 추론 단계(S410)는 현재 측정된 최대 전압 데이터와 최대 전류 데이터에 의한 추론 결과를 출력받는 것이 아니라, 이를 보정하여 예측한 예측 최대 전압 데이터, 예측 최대 전류 데이터에 의한 추론 결과를 출력받게 된다.
학습 처리 과정에서도 예측 최대 전압 데이터, 예측 최대 전류 데이터를 이용한 만큼, 학습 모델의 출력 신뢰도와 정확도를 향상시킬 수 있으며, 실험을 통해 학습 결과 모델의 정확도가 향상됨을 알 수 있었다.
성능 예측 단계(S420)는 추론 단계(S410)에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터를 이용하여, 해당하는 태양광 발전 시스템의 성능 예측을 수행하게 된다.
즉, 해당하는 태양광 발전 시스템이라면, 현재 측정된 환경 데이터(일사량, 모듈 온도)를 감안할 경우, 기계학습 결과에 의해 추정 최대 전압 데이터, 추정 최대 전류 데이터가 추론되게 된다. 이 때, 추론 단계(S410)에서 학습을 위한 데이터로 수집 데이터만을 이용하는 것이 아니라, 수학적 알고리즘에 의해 보정하여 예측한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 포함하였기 때문에, 기계학습 결과에 대한 신뢰도와 정확도를 향상시킬 수 있다.
자세하게는, 도 2에 도시된 바와 같이, RMSE(Root Mean Square Error) 값을 이용하여 정확도 평가를 수행하였다.
Physical model은 단순히 수학적 알고리즘에 의한 보정하여 예측한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 이용한 태양광 발전 시스템의 성능 예측의 정확도를 의미하며, Old learning model은 학습 데이터로 수집/측정 데이터들(현재 측정된 온도 데이터, 현재 측정된 일사량 데이터, 현재 측정된 최대 전압 데이터와 최대 전류 데이터)을 활용한 기계학습 결과에 따른 태양광 발전 시스템의 성능 예측의 정확도를 의미한다.
또한, Proposed learning model은 본 발명에 의한 결과로서, 학습 데이터로 수집/측정 데이터들(현재 측정된 온도 데이터, 현재 측정된 일사량 데이터, 현재 측정된 최대 전압 데이터와 최대 전류 데이터) 뿐 아니라, 예측 데이터(예측 최대 전압 데이터, 예측 최대 전류 데이터)까지 활용한 기계학습 결과에 따른 태양광 발전 시스템의 성능 예측의 정확도를 의미한다.
비교 결과에 나타난 바와 같이, Old learning model은 Physical model의 RMSE 값 대비 14% 감소함을 알 수 있으며, Proposed learning model은 Physical model의 RMSE 값 대비 29% 감소함을 알 수 있다.
고장 진단 단계(S430)는 추론 단계(S410)에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터와, 분석 데이터 입력 단계(S10)에 의한 측정된 최대 전압 데이터, 측정된 최대 전류 데이터 및 분석 데이터 처리 단계(S20)에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터들을 각각 비교 분석하여, 해당하는 태양광 발전 시스템의 고장 진단, 다시 말하자면, 고장 요소까지 진단할 수 있다.
크게 보자면, 예측 최대 전류 데이터가 추정 최대 전류 데이터 대비 크게 감소하는 경우에는 일사량계 고장으로 판단/진단할 수 있으며, 측정 발전 데이터(측정된 최대 전압 데이터, 측정된 최대 전류 데이터를 이용하여 연산 가능)가 추정 발전 데이터(추정 최대 전압 데이터, 추정 최대 전류 데이터를 이용하여 연산 가능) 대비 낮게 나오는 경우는, 전류 데이터/전압 데이터를 나누어 고장 진단하게 된다.
또한, 태양광 발전 시스템의 고장 여부는 측정 발전 데이터가 예측 발전 데이터(예측 최대 전압 데이터, 예측 최대 전류 데이터를 이용하여 연산 가능)보다 10% 이상 낮은 경우, 고장이라 추정하는 것이 바람직하다.
일 예를 들자면, 도 3에 도시된 바와 같이, [(측정된 최대 전류 데이터 - 예측 최대 전류 데이터)/예측 최대 전류 데이터 ≥ 15%]일 경우, 일사량계의 고장 또는 오염으로 판단하게 되며, 도 4에 도시된 바와 같이, [(측정된 최대 전압 데이터 - 추정 최대 전압 데이터)/추정 최대 전압 데이터 ≤ - 30%]일 경우, 전압 이상에 따른 고장으로 판단하게 된다. 즉, 인버터 MPPT 이상이나, 부분 음영(바이패스 다이오드 미동작) 또는 바이배스 다이오드 고장으로 판단하게 된다.
더불어, 도 5에 도시된 바와 같이, [(측정된 최대 전류 데이터 - 추정 최대 전류 데이터)/추정 최대 전류 데이터 ≤ - 10%]일 경우, 전류 이상에 따른 고장(태양광 모듈 간 직렬 미스 매치, 부분 음영(바이패스 다이오드 미동작) 또는, PID 이상으로 판단하게 된다.
한편, 본 발명의 일 실시예에 태양광 발전 시스템의 성능 예측 및 고장 진단 방법은 다양한 전자적으로 정보를 처리하는 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록될 수 있다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 저장 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 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 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100 : 기초 데이터 입력부
200 : 데이터 전처리부
210 : 제1 전처리부 220 : 제2 전처리부
230 : 제3 전처리부 240 : 제4 전처리부
300 : 학습 처리부
400 : 결과 분석부
410 : 분석 데이터 입력부 420 : 분석 전처리부
430 : 추론 결과부 440 : 성능 예측부
450 : 고장 진단부

Claims (12)

  1. 태양광 발전 시스템으로부터 일사량 별 발전 성능 측정값을 포함하는 기초 데이터를 입력받는 기초 데이터 입력부;
    기저장된 알고리즘을 이용하여, 상기 기초 데이터의 전처리를 수행하여, 기계학습을 위한 적어도 하나의 학습 데이터 셋을 생성하는 데이터 전처리부;
    기저장된 기계학습 알고리즘에 상기 학습 데이터 셋을 입력하여, 학습 처리를 수행하는 학습 처리부; 및
    상기 학습 처리부에 의한 학습 결과 모델을 이용하여, 태양광 발전 시스템의 추정 발전 성능 데이터를 출력받아, 추정 발전 성능 데이터의 분석을 수행하는 결과 분석부;
    를 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템.
  2. 제 1항에 있어서,
    상기 기초 데이터는
    기설정된 소정 일사량을 기준으로 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터 및 상기 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값을 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템.
  3. 제 2항에 있어서,
    상기 데이터 전처리부는
    기저장된 알고리즘을 이용하여, 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점(MPP, Maximum Power Point)을 추출하고, 추출한 최대 출력 점에서의 최대 전압 데이터와 최대 전류 데이터에 대한 피팅(curve fitting)을 수행하는 제1 전처리부;
    기저장된 알고리즘을 이용하여, 상기 제1 전처리부에 의한 피팅 결과인 최대 전압 데이터와 최대 전류 데이터에 온도 데이터, 직/병렬 구성값을 반영하는 제2 전처리부; 및
    기저장된 알고리즘을 이용하여, 상기 제2 전처리부에 의한 반영 결과인 최대 전압 데이터와 최대 전류 데이터에 기설정된 손실 요소를 적용하여, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 최종 연산하는 제3 전처리부;
    를 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템.
  4. 제 3항에 있어서,
    상기 데이터 전처리부는
    예측 최대 전압 데이터, 예측 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 측정된 최대 전류 데이터를 이용하여, 상기 학습 데이터 셋을 생성하는 제4 전처리부;
    를 더 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템.
  5. 제 3항에 있어서,
    상기 결과 분석부는
    태양광 발전 시스템의 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터 및 측정된 일사량 데이터를 포함하는 분석 데이터를 입력받는 분석 데이터 입력부;
    상기 데이터 전처리부에 의한 알고리즘을 적용하여, 상기 분석 데이터에 의한 측정된 전압-전류 특성 곡선 데이터에 대한 예측 최대 전압 데이터와 예측 최대 전류 데이터를 연산하는 분석 전처리부; 및
    상기 학습 처리부에 의한 학습 결과 모델로, 상기 분석 데이터에 의한 측정된 온도 데이터, 측정된 일사량 데이터 및 상기 분석 전처리부에 의한 예측 최대 전압 데이터 및 예측 최대 전류 데이터를 입력하고, 상기 추정 발전 성능 데이터인 추정 최대 전압 데이터와 추정 최대 전류 데이터를 출력받는 추론 결과부;
    를 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템.
  6. 제 5항에 있어서,
    상기 결과 분석부는
    상기 추론 결과부에 의한 추정 최대 전압 데이터와 추정 최대 전류 데이터를 이용하여, 해당하는 태양광 발전 시스템의 성능 예측을 수행하는 성능 예측부; 및
    상기 추론 결과부에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터와, 상기 분석 데이터에 의한 측정된 최대 전압 데이터, 측정된 최대 전류 데이터 및 상기 분석 전처리부에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 각각 비교 분석하여, 해당하는 태양광 발전 시스템의 고장 진단을 수행하는 고장 진단부;
    를 더 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템.
  7. 연산 처리 수단에 의해 각 단계가 수행되는 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템을 이용한 태양광 발전 시스템의 성능 예측 및 고장 진단 방법으로서,
    태양광 발전 시스템으로부터 학습 처리를 위한, 일사량 별 발전 성능 측정값을 포함하는 기초 데이터가 입력되는 데이터 입력 단계(S100);
    기저장된 알고리즘을 이용하여, 상기 데이터 입력 단계(S100)에 의한 상기 기초 데이터의 전처리를 수행하여, 기계학습을 위한 적어도 하나의 학습 데이터 셋을 생성하는 데이터 전처리 단계(S200);
    기저장된 기계학습 알고리즘에 상기 데이터 전처리 단계(S200)에 의한 학습 데이터 셋을 입력하여 학습 처리를 수행하는 학습 단계(S300);
    상기 학습 단계(S300)에 의한 학습 결과 모델을 이용하여, 태양광 발전 시스템의 추정 발전 성능 데이터를 출력받아, 해당하는 태양광 발전 시스템에 대한 분석을 수행하는 분석 단계(S400);
    를 포함하며,
    상기 분석 단계(S400)를 수행하기 전,
    태양광 발전 시스템으로부터 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터 및 측정된 일사량 데이터를 포함하는 분석 데이터를 입력받는 분석 데이터 입력 단계(S10);
    를 더 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 방법.
  8. 제 7항에 있어서,
    상기 데이터 입력 단계(S100)는
    상기 기초 데이터로, 기설정된 소정 일사량을 기준으로 측정된 전압-전류 특성 곡선 데이터, 측정된 최대 전압 데이터, 측정된 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터 및 상기 태양광 발전 시스템을 구성하는 태양광 모듈의 직/병렬 구성값을 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 방법.
  9. 제 8항에 있어서,
    상기 데이터 전처리 단계(S200)는
    기저장된 알고리즘을 이용하여, 측정된 전압-전류 특성 곡선 데이터에서 최대 출력 점(MPP, Maximum Power Point)을 추출하고, 추출한 최대 출력 점에서의 최대 전압 데이터와 최대 전류 데이터에 대한 피팅(curve fitting)을 수행하는 제1 전처리 단계(S210);
    기저장된 알고리즘을 이용하여, 상기 제1 전처리 단계(S210)에 의한 피팅 결과인 최대 전압 데이터와 최대 전류 데이터에 온도 데이터, 직/병렬 구성값을 반영하는 제2 전처리 단계(S220); 및
    기저장된 알고리즘을 이용하여, 상기 제2 전처리 단계(S220)에 의한 반영 결과인 최대 전압 데이터와 최대 전류 데이터에 기설정된 손실 요소를 적용하여, 예측 최대 전압 데이터와 예측 최대 전류 데이터를 최종 연산하는 제3 전처리 단계(S230);
    를 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 방법.
  10. 제 9항에 있어서,
    상기 데이터 전처리 단계(S200)는
    예측 최대 전압 데이터, 예측 최대 전류 데이터, 측정된 온도 데이터, 측정된 일사량 데이터, 측정된 최대 전압 데이터 및 측정된 최대 전류 데이터를 이용하여, 상기 학습 데이터 셋을 생성하는 제4 전처리 단계(S240);
    를 더 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 방법.
  11. 제 9항에 있어서,
    상기 태양광 발전 시스템의 성능 예측 및 고장 진단 방법은
    상기 분석 데이터 입력 단계(S10)를 수행하고 난 후,
    상기 데이터 전처리 단계(S200)에 의한 알고리즘을 적용하여, 상기 분석 데이터에 의한 측정된 전압-전류 특성 곡선 데이터에 대한 예측 최대 전압 데이터와 예측 최대 전류 데이터를 연산하는 분석 데이터 전처리 단계(S20);
    를 더 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 방법.
  12. 제 11항에 있어서,
    상기 분석 단계(S400)는
    상기 학습 단계(S300)에 의한 학습 결과 모델로, 상기 분석 데이터에 의한 측정된 온도 데이터, 측정된 일사량 데이터, 상기 분석 데이터 전처리 단계(S20)에 의한 예측 최대 전압 데이터 및 예측 최대 전류 데이터를 입력하고, 상기 추정 발전 성능 데이터인 추정 최대 전압 데이터와 추정 최대 전류 데이터를 출력받는 추론 단계(S410);
    상기 추론 단계(S410)에 의한 추정 최대 전압 데이터와 추정 최대 전류 데이터를 이용하여, 해당하는 태양광 발전 시스템의 성능 예측을 수행하는 성능 예측 단계(S420); 및
    상기 추론 단계(S410)에 의한 추정 최대 전압 데이터, 추정 최대 전류 데이터와, 상기 분석 데이터 입력 단계(S10)에 의한 측정된 최대 전압 데이터, 측정된 최대 전류 데이터 및 상기 분석 데이터 전처리 단계(S20)에 의한 예측 최대 전압 데이터, 예측 최대 전류 데이터를 각각 비교 분석하여, 해당하는 태양광 발전 시스템의 고장 진단을 수행하는 고장 진단 단계(S430);
    를 포함하는, 태양광 발전 시스템의 성능 예측 및 고장 진단 방법.
KR1020220074570A 2022-06-20 2022-06-20 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법 KR20230173827A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220074570A KR20230173827A (ko) 2022-06-20 2022-06-20 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220074570A KR20230173827A (ko) 2022-06-20 2022-06-20 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법

Publications (1)

Publication Number Publication Date
KR20230173827A true KR20230173827A (ko) 2023-12-27

Family

ID=89378277

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220074570A KR20230173827A (ko) 2022-06-20 2022-06-20 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법

Country Status (1)

Country Link
KR (1) KR20230173827A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101297078B1 (ko) 2011-11-01 2013-08-19 한국전기연구원 태양광 전지모듈별 고장 진단 가능한 태양광 발전 모니터링 장치 및 이를 이용한 태양광 발전 시스템의 고장진단 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101297078B1 (ko) 2011-11-01 2013-08-19 한국전기연구원 태양광 전지모듈별 고장 진단 가능한 태양광 발전 모니터링 장치 및 이를 이용한 태양광 발전 시스템의 고장진단 방법

Similar Documents

Publication Publication Date Title
EP2996158B1 (en) Solar power system, abnormality determination processing device, abnormality determination processing method, and program
WO2018171165A1 (zh) 预测风机的故障的方法和设备
CN109672406B (zh) 一种基于稀疏表示和svm的光伏发电阵列故障诊断与分类的方法
KR102148761B1 (ko) 태양광 발전 시스템의 고장 진단 장치
CN105846780A (zh) 一种基于决策树模型的光伏组件故障诊断方法
US20200151379A1 (en) Method for determining an electrical model of a string of photovoltaic modules, diagnostic method and device associated therewith
Mamdikar et al. Dynamic reliability analysis framework using fault tree and dynamic Bayesian network: A case study of NPP
US9939485B1 (en) Prognostics and health management of photovoltaic systems
CN113888353A (zh) 分布式光伏发电设备的能效诊断方法、系统及介质
KR102245804B1 (ko) 인공지능을 이용한 태양광 접속반의 고장 진단 방법 및 이를 수행하는 장치
Wang et al. Reliability evaluation method based on dynamic fault diagnosis results: A case study of a seabed mud lifting system
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
US20230188090A1 (en) Method and device of operating diagnosis of a photovoltaic chain comprising at least one photovoltaic module
KR20170126623A (ko) 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템
Naseem et al. Probability estimation for the fault detection and isolation of pmu-based transmission line system of smart grid
Livera et al. Advanced diagnostic approach of failures for grid-connected photovoltaic (PV) systems
KR102568590B1 (ko) 태양광 시스템의 고장 진단을 위한 인공지능 학습 데이터의 전처리 시스템 및 그 방법
KR20230173827A (ko) 태양광 발전 시스템의 성능 예측 및 고장 진단 시스템과 이에 대한 방법
CN116840658A (zh) 一种针对芯片固件的故障预测和诊断方法
US11339763B2 (en) Method for windmill farm monitoring
Burbano et al. Early Detection of Photovoltaic Panel Degradation through Artificial Neural Network
KR20240003469A (ko) 원전설비의 예측진단방법 및 시스템
CN115310693A (zh) 一种综合能源数据清洗方法、系统、设备和介质
Voutsinas et al. A survey of fault detection and identification methods for Photovoltaic systems based on IV curves
KR102598830B1 (ko) 태양광 모듈 및 스트링의 고장진단 시스템 및 그 방법