KR20240079643A

KR20240079643A - A method and system for detecting error on solar cell modules

Info

Publication number: KR20240079643A
Application number: KR1020220162742A
Authority: KR
Inventors: 함일한; 임성빈; 이종번; 정소미
Original assignee: 주식회사 에이치에너지
Priority date: 2022-11-29
Filing date: 2022-11-29
Publication date: 2024-06-05

Abstract

본 발명에 따른 태양광 모듈 오류 검출 시스템은, 복수의 태양광 모듈을 직렬로 연결한 복수의 그룹에 연결된 I-V 커브 스캐너; 상기 I-V 커브 스캐너로부터 I-V 커브 데이터를 수신할 수 있는 RTU; 상기 I-V 커브 데이터로부터 추출한 대표 벡터보다 차원이 낮고 주성분 분석(PCA)에 기초한 오류 판단 모델에 의하여 상기 I-V 커브 데이터에 해당하는 그룹의 태양광 모듈의 오류 여부 및 오류 종류를 판단하는 오류검출부; 및 상기 RTU에 I-V 커브 스캔 명령을 전송하며, 상기 오류검출부에 상기 I-V 커브 데이터를 전송하는 제어부를 포함할 수 있다.The solar module error detection system according to the present invention includes an I-V curve scanner connected to a plurality of groups in which a plurality of solar modules are connected in series; RTU capable of receiving I-V curve data from the I-V curve scanner; An error detection unit that determines whether there is an error and the type of error in the solar module of the group corresponding to the I-V curve data by an error judgment model that has a lower dimension than the representative vector extracted from the I-V curve data and is based on principal component analysis (PCA); and a control unit that transmits an I-V curve scan command to the RTU and transmits the I-V curve data to the error detection unit.

Description

Solar module error detection method and system {A METHOD AND SYSTEM FOR DETECTING ERROR ON SOLAR CELL MODULES}

본 발명은 태양광 모듈의 오류 검출 방법 및 시스템에 관한 것으로, 보다 구체적으로, 태양광 모듈이 직접 연결되는 스트링 인버터의 IV 스캔을 활용하여 태양광 모듈의 오류를 원격지에서 빠르게 검출하는 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for detecting errors in solar modules. More specifically, the present invention relates to a method and system for quickly detecting errors in solar modules remotely by utilizing the IV scan of a string inverter to which a solar module is directly connected. It's about.

최근에 태양광 발전 시스템에 관한 기술이 급격하게 발전되고 있으며, 이에 따라 태양광 모듈이나 어레이의 고장 검출 기술이 각광을 받고 있다. 이러한 기술은 태양광 시스템의 고장을 빠르게 발견하여 적절한 시기에 유지 보수를 함으로서 태양광 발전을 효율적으로 관리할 수 있는 장점을 가진다. Recently, technology related to solar power generation systems has been rapidly developed, and accordingly, fault detection technology for solar power modules or arrays is receiving attention. This technology has the advantage of efficiently managing solar power generation by quickly detecting failures in the solar power system and performing maintenance at an appropriate time.

단, 종래 기술은 복수 개의 태양광 모듈로 이루어져 있는 태양광 스트링에 전압 및 전류를 모니터링할 수 있는 장치를 구비하고, 복수 개의 태양광 모듈에 흐르는 전류 및 전압 값을 모니터링하고, 이를 단순하게 기준 전압값 및 전류값 범위와 비교하여 범위를 벗어나는 경우에, 경고를 주는 방법을 주로 활용했다. 이러한 종래 기술에 의해 모듈별 오류의 정밀한 검출은 매우 어려웠기 때문에, 정밀하게 오류 모듈의 위치를 진단할 수 있는 고장 검출이 절실하게 요청되고 있다.However, the prior art is to provide a device that can monitor voltage and current in a solar string consisting of a plurality of solar modules, monitor the current and voltage values flowing through the plurality of solar modules, and simply convert them to a reference voltage. A method of comparing the value and current value to the range and issuing a warning when the value is out of range was mainly used. Since it was very difficult to precisely detect errors for each module using the prior art, there is an urgent need for fault detection that can precisely diagnose the location of the error module.

대한민국 공개특허공보 제10-2017-0028630호Republic of Korea Patent Publication No. 10-2017-0028630

본 발명이 해결하고자 하는 과제는 태양광 발전소에서 정밀하게 오류 모듈의 위치를 진단하여, 태양광 발전의 효율을 최대로 유지하고 수리 범위를 최소화하는 태양광 모듈 오류 검출 방법 및 시스템을 제공하고자 하는 것이다.The problem to be solved by the present invention is to provide a solar module error detection method and system that precisely diagnoses the location of the faulty module in a solar power plant, maintains maximum solar power generation efficiency and minimizes the scope of repair. .

또한, 본 발명이 해결하고자 하는 과제는 태양광 모듈이 직접 연결되는 스트링 인버터에서 IV 커브 스캔을 활용하여 태양광 패널의 오류를 원격지에서 빠르게 검출하는 태양광 모듈 오류 검출 방법 및 시스템을 제공하고자 하는 것이다.In addition, the problem to be solved by the present invention is to provide a solar module error detection method and system that quickly detects solar panel errors from a remote location using IV curve scanning in a string inverter to which solar modules are directly connected. .

단, 본 발명이 해결하고자 하는 다양한 과제들은 이에 제한되지 않으며, 본 발명의 상세한 설명에 나온 구체적인 내용에 포함되어 있다. However, the various problems to be solved by the present invention are not limited thereto and are included in the specific details provided in the detailed description of the present invention.

전술한 바와 같은 과제를 해결하기 위하여 본 발명에 따른 태양광 모듈 오류 검출 시스템은, 복수의 태양광 모듈을 직렬로 연결한 복수의 그룹에 연결된 I-V 커브 스캐너; 상기 I-V 커브 스캐너로부터 I-V 커브 데이터를 수신할 수 있는 RTU; 상기 I-V 커브 데이터로부터 추출한 대표 벡터보다 차원이 낮고 주성분 분석(PCA)에 기초한 오류 판단 모델에 의하여 상기 I-V 커브 데이터에 해당하는 그룹의 태양광 모듈의 오류 여부 및 오류 종류를 판단하는 오류검출부; 및 상기 RTU에 I-V 커브 스캔 명령을 전송하며, 상기 오류검출부에 상기 I-V 커브 데이터를 전송하는 제어부를 포함할 수 있다.In order to solve the problems described above, the solar module error detection system according to the present invention includes an I-V curve scanner connected to a plurality of groups in which a plurality of solar modules are connected in series; RTU capable of receiving I-V curve data from the I-V curve scanner; An error detection unit that determines whether there is an error and the type of error in the solar module of the group corresponding to the I-V curve data by an error judgment model that has a lower dimension than the representative vector extracted from the I-V curve data and is based on principal component analysis (PCA); and a control unit that transmits an I-V curve scan command to the RTU and transmits the I-V curve data to the error detection unit.

이 경우, 상기 오류검출부의 오류 판단 모델은 상기 복수의 태양광 모듈에 대한 수학적 모델링에 의하여 생성한 복수의 패턴 데이터에 기초하여 생성될 수 있다.In this case, the error determination model of the error detection unit may be generated based on a plurality of pattern data generated through mathematical modeling of the plurality of solar modules.

또한, 상기 오류 판단 모델은 상기 복수의 패턴 데이터로부터 대표 벡터를 추출하고, 상기 복수의 패턴 데이터의 분산을 최대로 하며 상기 대표 벡터 보다 낮은 차원의 축에 기초하여 생성될 수 있다.Additionally, the error determination model may be generated by extracting a representative vector from the plurality of pattern data, maximizing the variance of the plurality of pattern data, and based on an axis with a lower dimension than the representative vector.

또한, 상기 복수의 패턴 데이터는 정상 패턴 데이터, 전압 감소 패턴 데이터, 전류 감소 패턴 데이터, 모듈 노화 패턴 데이터 및 부분 음영 패턴 데이터를 포함할 수 있다.Additionally, the plurality of pattern data may include normal pattern data, voltage reduction pattern data, current reduction pattern data, module aging pattern data, and partial shading pattern data.

또한, 상기 오류검출부는 오류판단부 및 오류판단 학습부를 포함하며, 상기 오류판단 학습부는 상기 복수의 패턴 데이터 각각으로부터 추출한 개방전압, 단락전류, 최대 전압, 최대전류 및 최대 출력을 포함하는 벡터에 기초한 오류 판단 모델을 생성할 수 있다.In addition, the error detection unit includes an error judgment unit and an error judgment learning unit, and the error judgment learning unit is based on a vector including open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from each of the plurality of pattern data. An error judgment model can be created.

또한, 상기 오류판단 학습부는 상기 복수의 패턴 데이터 각각으로부터 추출한 개방전압, 단락전류, 최대 전압, 최대전류 및 최대 출력의 분산 값을 최대로 하는 평면에 기초한 오류 판단 모델을 생성할 수 있다.Additionally, the error judgment learning unit may generate an error judgment model based on a plane that maximizes the dispersion values of open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from each of the plurality of pattern data.

또한, 상기 오류판단부는 상기 RTU로부터 수신한 I-V 커브 데이터로부터 추출한 개방전압, 단락전류, 최대 전압, 최대전류 및 최대 출력을 포함하는 벡터를 상기 분산 값을 최대로 하는 평면에 투영시킨 점의 영역에 기초하여 오류 여부 및 오류 종류를 판단할 수 있다.In addition, the error determination unit projects vectors including open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from the I-V curve data received from the RTU onto the area of the point where the vector that maximizes the variance value is projected onto the plane that maximizes the dispersion value. Based on this, you can determine whether there is an error and the type of error.

한편, 본 발명의 일 실시예에 따른, 태양광 모듈 오류 검출 방법은, 복수의 패턴 데이터를 생성하는 단계; 상기 복수의 패턴 데이터에 기초한 오류 판단 모델을 생성하는 단계; 오류 판단 모델에 따른 PCA 값 도출 단계; 및 도출된 PCA 값의 영역에 따라 이상여부를 판별하는 단계를 포함하되, 상기 PCA 값 도출 단계는 복수의 태양광 모듈을 직렬로 연결한 복수의 그룹에 연결된 I-V 커브 스캐너로부터 수신한 I-V 커브 데이터로부터 대표 벡터를 추출하며, 상기 이상여부를 판별하는 단계는 상기 대표 벡터보다 차원이 낮고 주성분 분석(PCA)에 기초한 오류 판단 모델에 기초하여 상기 I-V 커브 데이터에 해당하는 그룹의 태양광 모듈의 오류 여부 및 오류 종류를 판단할 수 있다.Meanwhile, according to an embodiment of the present invention, a solar module error detection method includes generating a plurality of pattern data; generating an error judgment model based on the plurality of pattern data; PCA value derivation step according to the error judgment model; And a step of determining whether there is an abnormality according to the area of the derived PCA value, wherein the step of deriving the PCA value is based on I-V curve data received from an I-V curve scanner connected to a plurality of groups in which a plurality of solar modules are connected in series. The step of extracting a representative vector and determining whether there is an abnormality is based on an error judgment model that has a lower dimension than the representative vector and is based on principal component analysis (PCA). Whether or not there is an error in the solar module of the group corresponding to the I-V curve data; The type of error can be determined.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Specific details of other embodiments are included in the detailed description and drawings.

따라서, 본 발명에 따르면, 태양광 발전소에서 정밀하게 오류 모듈의 위치를 진단하여, 태양광 발전의 효율을 최대로 유지하고 수리 범위를 최소화하는 태양광 모듈 오류 검출 방법 및 시스템이 제공된다. Therefore, according to the present invention, a solar module error detection method and system is provided that precisely diagnoses the location of a faulty module in a solar power plant, thereby maintaining maximum solar power generation efficiency and minimizing the scope of repair.

또한, 본 발명에 따르면, 태양광 모듈이 직접 연결되는 스트링 인버터에서 IV 커브 스캔을 활용하여 태양광 패널의 오류를 원격지에서 빠르게 검출하는 태양광 모듈 오류 검출 방법 및 시스템이 제공된다. In addition, according to the present invention, a solar module error detection method and system is provided that quickly detects solar panel errors from a remote location using IV curve scanning in a string inverter to which solar modules are directly connected.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.The effects according to the present invention are not limited to the contents exemplified above, and further various effects are included in the present specification.

도 1은 본 발명의 일 실시예에 따른 태양광 모듈 오류 검출 시스템을 나타낸 블록도이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 태양광 모듈 오류 검출 시스템의 동작을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 오류검출부를 나타낸 블록도이다.
도 5는 본 발명의 일 실시예에 따른 오류 판단 학습 단계를 나타낸 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 오류 판단 단계를 나타낸 흐름도이다.
도 7 내지 도 11은 본 발명의 일 실시예에 따른 복수의 패턴 데이터를 나타낸 도면이다.
도 12는 태양광 모듈의 특성을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 2차원 주성분 분석을 예시하기 위한 도면이다.
도 14는 본 발명의 일 실시예에 따른 오류 판단 모델의 정확성을 나타내기 위한 도면이다.Figure 1 is a block diagram showing a solar module error detection system according to an embodiment of the present invention.
Figures 2 and 3 are block diagrams showing the operation of a solar module error detection system according to an embodiment of the present invention.
Figure 4 is a block diagram showing an error detection unit according to an embodiment of the present invention.
Figure 5 is a flowchart showing the error judgment learning step according to an embodiment of the present invention.
Figure 6 is a flowchart showing the error determination step according to an embodiment of the present invention.
7 to 11 are diagrams showing a plurality of pattern data according to an embodiment of the present invention.
Figure 12 is a diagram for explaining the characteristics of a solar module.
Figure 13 is a diagram illustrating two-dimensional principal component analysis according to an embodiment of the present invention.
Figure 14 is a diagram showing the accuracy of an error determination model according to an embodiment of the present invention.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있는 것으로, 이하의 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 또한, 설명의 편의를 위하여 도면에서는 구성 요소들이 그 크기가 과장 또는 축소될 수 있다.Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings. However, the present invention is not limited to the embodiments disclosed below, but can be implemented in various different forms. The following embodiments make the disclosure of the present invention complete, and provide those of ordinary skill in the art with the scope of the invention. It is provided to provide complete information. Additionally, for convenience of explanation, the sizes of components may be exaggerated or reduced in the drawings.

그러나, 이하의 실시예는 이 기술분야에서 통상적인 지식을 가진 자에게 본 발명이 충분히 이해되도록 제공되는 것으로서 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 기술되는 실시예에 한정되는 것은 아니다.However, the following examples are provided to enable those skilled in the art to fully understand the present invention, and may be modified into various other forms, and the scope of the present invention is limited to the examples described below. It doesn't work.

한편, 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.Meanwhile, throughout the specification, when a part "includes" a certain component, this means that it does not exclude other components but may further include other components, unless specifically stated to the contrary.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.The above-mentioned purpose, features and advantages will become clearer through the following detailed description in relation to the attached drawings, and accordingly, those skilled in the art in the technical field to which the invention pertains will be able to easily implement the technical idea of the invention. .

현재 설치되어 있는 예를 들어, 100kW 급 태양광 발전소에는 450W 이상의 출력을 가진 모듈 평균 220여개가 설치되고 있다. 이 때, 태양광 모듈은 스트링이라고 불리는 전력선을 통해 인버터와 연결되며 스트링 당 모듈은 직렬로 예컨대, 13개가 연결되며 발전소의 스트링 수는 평균 10개 이상에 달한다.For example, currently installed 100kW solar power plants have an average of 220 modules with an output of 450W or more. At this time, the solar module is connected to the inverter through a power line called a string, and for example, 13 modules per string are connected in series, and the number of strings in a power plant reaches an average of 10 or more.

태양광 모듈의 평균 동작 보증 시간은 통상적으로 25년이지만, 위와 같이 설치되어 있는 평균적인 태양광 모듈은 지속적으로 효율이 감소하고, 특히, 긴 시간을 보증함에 따라 주변 구조물의 변경에 의하여 발생된 부분 음영 또는 태양광 모듈의 표면 손상 등에 의해 발전 효율이 저하되고 있는 실정이다.The average operation warranty time of solar modules is typically 25 years, but the average solar module installed as above continues to reduce efficiency, especially due to changes in surrounding structures due to the long warranty period. Power generation efficiency is being reduced due to shading or damage to the surface of solar modules.

주변 구조물에 의한 부분 음영 및 모듈 표면 손상에 대한 문제를 파악하기 위해 기존에는 인버터에 연결된 모든 스트링의 전압, 전류를 오프라인 월 정기 점검을 통해 측정하고 전압, 전류가 저하된 스트링이 특정되면 해당 스트링에 연결된 모듈을 점검하여 문제를 특정하고 해결하고 있었다.In order to identify problems with partial shading and module surface damage caused by surrounding structures, the voltage and current of all strings connected to the inverter were previously measured through offline monthly regular inspection, and when a string with reduced voltage and current was identified, the string was inspected. The problem was identified and resolved by inspecting the connected module.

단, 친환경 정책의 세계적 확산으로 인한 태양광 발전소의 증가로 인하여 모든 스트링의 전압을 오프라인으로 점검하여 모듈의 이상 위치를 진단하는 것은 매우 어려워졌다. 따라서, 본 발명의 발명자들은 태양광 모듈의 오류 여부 및 오류 위치를 원격으로 진단하는 오류 검출 시스템 및 방법을 발명하게 되었다. However, due to the increase in solar power plants due to the global spread of eco-friendly policies, it has become very difficult to diagnose abnormal module locations by checking the voltage of all strings offline. Accordingly, the inventors of the present invention invented an error detection system and method for remotely diagnosing the presence and location of errors in solar modules.

이하에서는 도 1을 참조하여, 본 발명의 일 실시예에 따른 태양광 모듈 오류 검출 시스템을 한다. 도 1은 본 발명의 일 실시예에 따른 태양광 모듈 오류 검출 시스템을 나타낸 블록도이다. Hereinafter, with reference to FIG. 1, a solar module error detection system according to an embodiment of the present invention will be described. Figure 1 is a block diagram showing a solar module error detection system according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 태양광 모듈 오류 검출 시스템(1000)은 직렬로 연결된 복수의 태양광 모듈 그룹(이하 MPPT 그룹), I-V 커브 스캐너(100), 인버터(200), RTU(300), 수집부(500), 제어부(600), 오류검출부(700)을 포함할 수 있다. 도 1의 실시예에서는 수집부(500), 제어부(600) 및 오류검출부(700)가 네트워크(400)를 통해 연결된 별도의 서버인 것으로 나타내었으나, 본 발명은 이에 제한되지 않으며, 하나의 서버 또는 하나의 컴퓨팅 장치의 소프트웨어 모듈, 하드웨어 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있음을 당업자는 이해하여야 한다.Referring to FIG. 1, the solar module error detection system 1000 according to an embodiment of the present invention includes a plurality of solar module groups (hereinafter MPPT groups) connected in series, an I-V curve scanner 100, and an inverter 200. , may include an RTU (300), a collection unit (500), a control unit (600), and an error detection unit (700). In the embodiment of Figure 1, the collection unit 500, the control unit 600, and the error detection unit 700 are shown as separate servers connected through the network 400, but the present invention is not limited thereto and can be used as a single server or Those skilled in the art should understand that it can be implemented as a software module, a hardware module, or a combination of software and hardware in one computing device.

I-V 커브 스캐너(100)는 각 MPPT 그룹과 인버터 사이에 연결되며, 각 MPPT 모듈의 I-V 커브를 스캔할 수 있다. I-V 커브는 태양광 모듈의 특성을 나타내는 곡선으로 예를 들면, 도 8 내지 도 12에 나타낸 바와 같이, 태양광 모듈에 인가되는 전압의 변화에 따른 전류의 변화를 나타낸 곡선이다. I-V 커브 스캐너는 각 MPPT 그룹에서 인가되는 전압-전류에 기초하여 각 MPPT 그룹의 I-V 커브를 도출할 수 있다.The I-V curve scanner 100 is connected between each MPPT group and the inverter and can scan the I-V curve of each MPPT module. The I-V curve is a curve representing the characteristics of a solar module. For example, as shown in FIGS. 8 to 12, it is a curve showing a change in current according to a change in voltage applied to the solar module. The I-V curve scanner can derive the I-V curve of each MPPT group based on the voltage-current applied to each MPPT group.

인버터(200)는 태양광 모듈에서 발생한 가변 직류(Variable DC)를 상용 전력망 혹은 지역의 비계통연계망에서 사용할 수 있도록 전력 계통 주파수 교류(AC)로 변환하여 주는 장치이며, 예컨대, 설계 계측 값 및 I-V 커브 데이터를 RTU에 전달할 수 있다.The inverter 200 is a device that converts variable DC generated from solar modules into power grid frequency alternating current (AC) so that it can be used in the commercial power grid or local non-grid network. For example, design measurement values and I-V Curve data can be transmitted to the RTU.

한편, RTU(300, Remote Terminal Unit)는 인버터로부터 수집된 설계 계측 데이터 및 기상 센서(미도시)의 계측 데이터 및 I-V 커브 데이터를 수집하여 네트워크(400)를 통해 수집부(500), 제어부(600) 및 오류검출부(700)에 전송할 수 있다.Meanwhile, the RTU (300, Remote Terminal Unit) collects design measurement data collected from the inverter, measurement data from a weather sensor (not shown), and I-V curve data and collects the data from the collection unit 500 and the control unit 600 through the network 400. ) and can be transmitted to the error detection unit 700.

수집부(500)는 RTU(300)에서 수집된 데이터를 수신하여 저장할 수 있으며, 예를 들어, 수집서버로 구현될 수 있다. The collection unit 500 can receive and store data collected in the RTU 300, and can be implemented as a collection server, for example.

예를 들어, 도 2를 참조하면, RTU(300)는 주기적으로, 예컨대, 1분 내지 10분, 바람직하게는 5분마다 설비 계측 값(예를 들어, 실시간 태양광 모듈 MPPT 그룹의 전류값 및/또는 전압값)을 인버터(200)에 요청할 수 있으며, 인버터(200)는 설비 계측 값을 RTU(300)에 전송한다.For example, referring to Figure 2, RTU 300 periodically, for example, 1 to 10 minutes, preferably every 5 minutes, measures equipment measurements (e.g., real-time solar module MPPT group current values and /or voltage value) can be requested from the inverter 200, and the inverter 200 transmits the facility measurement value to the RTU (300).

이 경우, RTU(300)는 통신부(350)에 UDP 전송 요청을 송부하게 되고, 이 때 통신부(350)가 수집부(500)에 설비 계측 값을 전송하고 Ack 응답을 받게 되면, 다시 RTU(300)에 Ack 응답을 전송하여 설비 계측 값의 전송을 마치게 된다. In this case, the RTU (300) sends a UDP transmission request to the communication unit 350. At this time, when the communication unit 350 transmits the facility measurement value to the collection unit 500 and receives an Ack response, the RTU (300) ) to complete the transmission of equipment measurement values by sending an Ack response.

한편, 제어부(600)는 인버터에 I-V 커브 스캔 진단 요청을 전송할 수 있으며, 또한 I-V 커브 데이터를 수집할 수 있으며, 오류검출부(700)에 학습 및 오류 진단 명령을 전송할 수 있으며, 예컨대, 제어서버로 구현될 수 있다.Meanwhile, the control unit 600 can transmit an I-V curve scan diagnosis request to the inverter, can also collect I-V curve data, and can transmit learning and error diagnosis commands to the error detection unit 700, for example, to the control server. It can be implemented.

예를 들어, 도 3을 참조하면, RTU(300)가 인버터로부터 설비 계측 값을 수신하여 제어부(600)에 전송할 수 있으며, 제어부(600)는 RTU(300)에 주기적 또는 비주기적인 I-V 커브 스캔 요청을 전송할 수 있고, 이 때, RTU(300)는 인버터(200)에 I-V 커브 스캔 명령을 전송할 수 있다. 이 경우, 인버터(200)는 I-V 커브 스캐너(100)로 하여금 I-V 커브 스캔을 진행하게 할 수 있으며, I-V 커브 스캔 후, I-V 커브 데이터를 RTU(300)에 전송할 수 있다. 이 때, RTU(300)은 I-V 커브 데이터를 제어부(600)에 전송할 수 있다.For example, referring to FIG. 3, the RTU (300) may receive equipment measurement values from the inverter and transmit them to the control unit 600, and the control unit 600 may perform periodic or aperiodic I-V curve scans on the RTU (300). A request may be transmitted, and at this time, the RTU 300 may transmit an I-V curve scan command to the inverter 200. In this case, the inverter 200 can cause the I-V curve scanner 100 to scan the I-V curve, and after scanning the I-V curve, transmit the I-V curve data to the RTU 300. At this time, the RTU 300 may transmit I-V curve data to the control unit 600.

한편, 도 4를 참조하면, 오류검출부(700)는 오류판단부(710) 및 오류판단학습부(720)를 포함할 수 있으며, 기계학습을 통하여 오류판단 기준을 생성할 수 있으며, 오류 진단 명령에 따라 오류판단을 수행할 수 있다.Meanwhile, referring to FIG. 4, the error detection unit 700 may include an error judgment unit 710 and an error judgment learning unit 720, and can generate an error judgment standard through machine learning and an error diagnosis command. Error judgment can be made according to .

이하에서는 도 5 내지 도 14를 참조하여 오류검출부(700)의 오류 판단 동작에 대해 상세하게 설명한다. Hereinafter, the error determination operation of the error detection unit 700 will be described in detail with reference to FIGS. 5 to 14.

먼저 오류검출부(700)는 도 5와 같은 오류 판단 학습을 수행하여 오류 판단 모델을 생성하고, 상기 오류 판단 모델에 따라 도 6과 같이 오류 판단 동작을 수행할 수 있다. 즉, 본 발명의 일 실시예에 따른 오류검출 방법은 먼저 오류 판단 학습 단계 및 오류 판단 동작 단계를 포함할 수 있다. First, the error detection unit 700 generates an error judgment model by performing error judgment learning as shown in FIG. 5, and can perform an error judgment operation as shown in FIG. 6 according to the error judgment model. That is, the error detection method according to an embodiment of the present invention may first include an error judgment learning step and an error judgment operation step.

오류 판단 학습 단계는 먼저 복수의 패턴 데이터를 생성하는 단계(S100) 및 복수의 패턴 데이터에 기초한 오류 판단 모델(예컨대, 2차원 주성분) 생성(S200) 단계를 포함할 수 있다. .The error judgment learning step may first include generating a plurality of pattern data (S100) and generating an error judgment model (eg, 2D principal component) based on the plurality of pattern data (S200). .

먼저, 복수의 패턴 데이터를 생성하는 단계(S100)는 오류 판단 모델을 생성하기 위하여 복수의 패턴 데이터를 생성하는 단계로서, 수학적 모델링을 통해 오류 패턴을 생성하거나 실제 수집된 I-V 커브 데이터일 수 있다. 이 때, 복수의 패턴 데이터를 수학적 모델링을 통해 생성하기 위해서는 정상 발전 상태의 I-V 커브 데이터가 필요하며, 태양광 모듈의 데이터 시트와 직병렬 도면을 참고한 수학적 모델링을 통해 학습용 오류 검출 데이터를 생성할 수 있다. 이 때, 태양광 모듈 초기 설치 시 인버터의 출력과 수학적 모델링 기반 I-V 커브를 일치시키기 위한 캘리브레이션을 수행할 수 있다.First, the step of generating a plurality of pattern data (S100) is a step of generating a plurality of pattern data to create an error judgment model. The error pattern may be generated through mathematical modeling or may be actually collected I-V curve data. At this time, in order to generate multiple pattern data through mathematical modeling, I-V curve data in normal power generation is required, and error detection data for learning can be generated through mathematical modeling referring to the solar module data sheet and series/parallel drawings. You can. At this time, upon initial installation of the solar module, calibration can be performed to match the inverter's output and the mathematical modeling-based I-V curve.

이 경우, 캘리브레이션 및 정상 발전 상태의 의 날씨 및 일사량 조건은 예를 들어, 맑은 날의 11시에서 13시 사이 일사량이 600W/m² 이상일 경우의 기상 조건일 수 있다. In this case, the weather and solar radiation conditions in the calibration and normal power generation state may be, for example, weather conditions when the solar radiation is 600 W/m ² or more between 11:00 and 13:00 on a clear day.

한편, 복수의 패턴 데이터는 정상 패턴 데이터, 전압 감소 패턴 데이터, 전류 감소 패턴 데이터, 모듈 노화 패턴 데이터, 및 부분 음영 패턴 데이터를 포함할 수 있다. Meanwhile, the plurality of pattern data may include normal pattern data, voltage reduction pattern data, current reduction pattern data, module aging pattern data, and partial shading pattern data.

정상 패턴 데이터는 예를 들어, 도 7과 같이 해당 MPPT 그룹의 태양광 모듈이 정상 모듈이라는 가정하에 예를 들어, 경사일사량 800~1,000 W/m², 모듈온도: 0~40℃사이의 값을 랜덤 발생시킨 조건에서 수학적 모델링을 통해 생성된 I-V 커브 데이터 일 수 있다. Normal pattern data is, for example, as shown in FIG. 7, assuming that the solar module of the MPPT group is a normal module, for example, the inclined solar radiation amount is 800 to 1,000 W/m ² and the module temperature is a value between 0 and 40°C. It may be IV curve data generated through mathematical modeling under randomly generated conditions.

전압 감소 패턴 데이터는 예를 들어, 도 8과 같이 MPPT 그룹의 태양광 모듈 중 랜덤하게 선택된 적어도 일부가 단선이 발생했다는 가정하에 경사일사량 800~1,000 W/m², 모듈온도: 0~40℃사이의 값을 랜덤 발생시킨 조건에서 수학적 모델링을 통해 생성된 I-V 커브 데이터일 수 있다.The voltage reduction pattern data is, for example, as shown in FIG. 8, assuming that at least some of the solar modules of the MPPT group randomly selected are disconnected, with an inclined insolation amount of 800 to 1,000 W/m ² and a module temperature: between 0 and 40°C. It may be IV curve data generated through mathematical modeling under conditions in which the value of is randomly generated.

전류 감소 패턴 데이터는 예를 들어, 도 9과 같이 MPPT 그룹의 태양광 모듈 전체에 이물질 또는 그림자가 균일하게 발생하여 전체적인 전류가 감소하였다는 가정하에, 경사 일사량을 기준 일사량인 800 W/m²에 0 내지 0.9 사이의 랜덤한 값을 곱하여 일사량을 조절한 조건에서 수학적 모델링을 통하여 생성된 I-V 커브 데이터일 수 있다.For example, as shown in Figure 9, the current reduction pattern data is based on the assumption that foreign substances or shadows are uniformly generated throughout the solar modules of the MPPT group and the overall current is reduced, and the oblique solar radiation is calculated from the standard solar radiation of 800 W/m ² . It may be IV curve data generated through mathematical modeling under conditions where the amount of solar radiation is adjusted by multiplying a random value between 0 and 0.9.

모듈 노화 패턴 데이터는 예를 들어, 도 10과 같이 도 12의 (a)와 같은 태양광 모듈 등가 회로에서 직렬 저항(Rs) 및 병렬 저항(Rp)의 값에 2 내지 10 사이의 랜덤 값을 곱하여 등가 모델을 수정한 조건에서 수학적 모델링을 통하여 생성된 I-V 커브 데이터일 수 있다.Module aging pattern data, for example, is obtained by multiplying the values of series resistance (Rs) and parallel resistance (Rp) by a random value between 2 and 10 in the solar module equivalent circuit as shown in (a) of Figure 12, as shown in Figure 10. It may be I-V curve data generated through mathematical modeling under conditions in which the equivalent model is modified.

부분 음영 패턴 데이터는 예를 들어, 도 11과 같이 음영이 생긴 모듈의 수를 랜덤하게 발생시키고, 기준 일사량에 예를 들어, 0 내지 0.9 사이의 랜덤한 값을 곱하여 음영이 생긴 모듈의 일사량 감소 비율을 랜덤하게 생성한 조건에서 수학적 모델링을 통하여 생성된 I-V 커브 데이터일 수 있다.Partial shading pattern data, for example, randomly generates the number of shaded modules as shown in Figure 11, and multiplies the reference solar radiation amount by a random value, for example, between 0 and 0.9, to obtain the solar radiation reduction rate of the shaded modules. It may be I-V curve data generated through mathematical modeling under randomly generated conditions.

그 후, 오류 판단 학습부(720)는 복수의 패턴 데이터에 기초한 오류 판단 모델을 생성할 수 있다. (S200)Thereafter, the error judgment learning unit 720 may generate an error judgment model based on a plurality of pattern data. (S200)

오류 판단 모델은 예컨대, 2차원 주성분 분석(Principal Component Analysis)에 의해 수행될 수 있다. 2차원 주성분 분석을 위하여, 복수의 패턴 데이터 각각으로부터 대표 벡터를 추출할 수 있다. 예컨대, 도 12(b)와 같이 상기 대표 벡터는 복수의 패턴 데이터 각각으로부터 추출된 개방전압(Voc), 단락 전류(Isc), 최대전압(Vmpp), 최대 전류(Impp) 및 최대출력(Pmpp)를 포함하는 5차원 벡터일 수 있다. The error judgment model can be performed, for example, by two-dimensional principal component analysis. For two-dimensional principal component analysis, representative vectors can be extracted from each of a plurality of pattern data. For example, as shown in FIG. 12(b), the representative vectors include open-circuit voltage (Voc), short-circuit current (Isc), maximum voltage (Vmpp), maximum current (Impp), and maximum output (Pmpp) extracted from each of a plurality of pattern data. It may be a 5-dimensional vector containing .

이 경우, 상기 5차원 벡터들를 투영하였을 때에 분산을 최대로 하는 2차원 평면을 구하고, 그 평면의 축인 PCA 1 축 및 PCA 2 축을 구한다. In this case, when the 5-dimensional vectors are projected, a 2-dimensional plane that maximizes variance is obtained, and the axes of the plane, PCA 1 axis and PCA 2 axis, are obtained.

예를 들어, 도 13은 정상 패턴, 전압 감소 패턴, 전류 감소 패턴, 모듈 노화 패턴 및 부분 음영 패턴 각각 100개씩의 데이터를 상술한 조건의 수학적 모델링을 통해 생성하고, 복수의 패턴 데이터의 분산을 최대로 하는 평면의 축, 즉, PCA1 축 및 PCA 2축을 구하고, 상기 평면에 정상 패턴 데이터(normal), 전압 감소 패턴 데이터(vols), 전류 감소 패턴 데이터(curs), 모듈 노화 페턴 데이터(degen), 및 부분 음영 패턴 데이터(ps)를 투영한 그래프이다. 본 실시예에서는 2차원 주성분 분석에 따른 오류 판단 모델을 설명하였으나, 본 발명은 이에 한정되지 않는다. 즉, 패턴 데이터로부터 추출한 대표 벡터보다 낮은 차원의 주성분 분석을 활용한 오류 판단 모델은 모두 가능할 수 있다. For example, Figure 13 shows that 100 data each of a normal pattern, a voltage reduction pattern, a current reduction pattern, a module aging pattern, and a partial shading pattern are generated through mathematical modeling of the above-mentioned conditions, and the dispersion of the plurality of pattern data is maximized. Obtain the axes of the plane, that is, the PCA1 axis and the PCA2 axis, and add normal pattern data (normal), voltage reduction pattern data (vols), current reduction pattern data (curs), and module aging pattern data (degen) to the plane. and a graph projecting partial shading pattern data (ps). In this embodiment, an error judgment model based on two-dimensional principal component analysis is described, but the present invention is not limited to this. In other words, any error judgment model using principal component analysis of a lower dimension than the representative vector extracted from pattern data may be possible.

도 13를 참조하면, PCA 1은 분산의 46.05%를 포함하고, PCA2는 분산의 44.76%를 포함하여 총 정보의 90.81%가 포함하여 구별되었다. Referring to Figure 13, PCA 1 contained 46.05% of the variance, and PCA2 contained 44.76% of the variance, resulting in 90.81% of the total information.

도 13에서 알 수 있는 바와 같이, 각각의 이상 패턴들이 2차원 주성분 분석법을 통하여 잘 분류되고 있음을 알 수 있다. 따라서, 상기 복수의 패턴 데이터 각각을 상기 평면에 투영하여 각 패턴별 영역을 구하여 오류 판단 모델을 생성할 수 있다.As can be seen in Figure 13, it can be seen that each abnormal pattern is well classified through two-dimensional principal component analysis. Accordingly, each of the plurality of pattern data can be projected onto the plane to obtain an area for each pattern to generate an error judgment model.

이러한 오류 판단 모델 생성 후, 오류판단부(710)는 도 6과 같은 오류 검출 단계를 수행할 수 있다. After generating this error determination model, the error determination unit 710 may perform an error detection step as shown in FIG. 6.

오류 검출 단계는 오류 판단 모델에 따른 예컨대, 2차원 PCA 값 도출(S300) 및 도출된 2차원 PCA 값의 영역에 따라 이상여부를 판별하는 단계(S400)를 포함할 수 있다.The error detection step may include, for example, deriving a 2D PCA value according to an error determination model (S300) and determining whether there is an abnormality according to the area of the derived 2D PCA value (S400).

2차원 PCA 값은 I-V 커브 진단 명령을 통헤 제어부(600)에서 수신한 해당 MPPT 그룹의 I-V 커브 데이터에서 추출한 대표 벡터, 예컨대, 5차원 벡터(개방전압(Voc), 단락 전류(Isc), 최대전압(Vmpp), 최대 전류(Impp) 및 최대출력(Pmpp)를 포함하는 벡터)를 상기 오류 판단 모델에 따른 2차원 평면에 투영하였을 때의 좌표 값을 의미할 수 있다.The 2-dimensional PCA value is a representative vector extracted from the I-V curve data of the corresponding MPPT group received from the control unit 600 through the I-V curve diagnosis command, for example, a 5-dimensional vector (open circuit voltage (Voc), short circuit current (Isc), maximum voltage (Vmpp), a vector including maximum current (Impp), and maximum output (Pmpp)) may mean a coordinate value when projected onto a two-dimensional plane according to the error judgment model.

그리고, 2차원 PCA 값이 속한 영역을 판정하여 해당 MPPT 그룹의 오류 발생 여부 및 오류 종류를 판단할 수 있다.(S400)And, by determining the area to which the 2D PCA value belongs, it is possible to determine whether an error has occurred and the type of error in the corresponding MPPT group (S400).

한편, 도 14는 상술한 조건을 바탕으로 정상/전압감소/전류감소/모듈노화/부분음영 각 패턴에 대응하는 패턴 데이터를 1000개 추출하고, 전체 5000개 데이터 중, 90%(4500개)는 학습에, 10%(500개)를 검증에 사용하였을 때의 정확도를 나타낸 그래프이다.Meanwhile, in Figure 14, 1000 pattern data corresponding to each pattern of normal/voltage reduction/current reduction/module aging/partial shading are extracted based on the above-mentioned conditions, and of the total 5000 data, 90% (4500) are This is a graph showing the accuracy when 10% (500 items) were used for learning and verification.

도 14를 통해 알 수 있는 바와 같이, 패턴 데이터 5000개 활용시에도 정확도가 0.96에 이른다는 것을 알 수 있는 바, 본 발명에 따르면 기존 발명 대비 상당히 정확한 확률로 태양광 발전소 내 태양광 모듈 그룹의 오류 여부, 오류 위치, 오류 종류를 파악할 수 있음을 알 수 있다.As can be seen from Figure 14, it can be seen that the accuracy reaches 0.96 even when using 5000 pattern data. According to the present invention, the error of the solar module group in the solar power plant is significantly more accurate than the existing invention. It can be seen that it is possible to determine whether the error occurred, the location of the error, and the type of error.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Although embodiments of the present invention have been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and various modifications may be made without departing from the technical spirit of the present invention. . Accordingly, the embodiments disclosed in the present invention are not intended to limit the technical idea of the present invention, but are for illustrative purposes, and the scope of the technical idea of the present invention is not limited by these embodiments. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. The scope of protection of the present invention should be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope should be construed as being included in the scope of rights of the present invention.

50 태양광 모듈 그룹(MPPT 그룹) 100 I-V 커브 스캐너
200 인버터 300 RTU
400 네트워크 500 수집부
600 제어부 700 오류검출부
710 오류판단부 720 오류판단학습부 50 Photovoltaic module group (MPPT group) 100 IV curve scanner
200 inverter 300 RTU
400 Network 500 Collection Department
600 control unit 700 error detection unit
710 Error Judgment Department 720 Error Judgment Learning Department

Claims

IV curve scanner connected to multiple groups of multiple photovoltaic modules connected in series;
RTU capable of receiving IV curve data from the IV curve scanner;
An error detection unit that determines whether there is an error and the type of error in the solar module of the group corresponding to the IV curve data by an error judgment model that has a lower dimension than the representative vector extracted from the IV curve data and is based on principal component analysis (PCA); and
A control unit that transmits an IV curve scan command to the RTU and transmits the IV curve data to the error detection unit,
Solar module error detection system.

According to paragraph 1,
The error determination model of the error detection unit is generated based on a plurality of pattern data generated by mathematical modeling for the plurality of solar modules,
Solar module error detection system.

According to paragraph 2,
The error judgment model extracts a representative vector from the plurality of pattern data, maximizes the variance of the plurality of pattern data, and is generated based on an axis of a lower dimension than the representative vector.
Solar module error detection system.

According to paragraph 2,
The plurality of pattern data includes normal pattern data, voltage reduction pattern data, current reduction pattern data, module aging pattern data, and partial shading pattern data.
Solar module error detection system.

According to paragraph 4,
The error detection unit includes an error judgment unit and an error judgment learning unit, and the error judgment learning unit determines an error based on a vector including open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from each of the plurality of pattern data. creating a model,
Solar module error detection system.

According to clause 5,
The error judgment learning unit generates an error judgment model based on a plane that maximizes the dispersion values of open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from each of the plurality of pattern data,
Solar module error detection system.

According to clause 6,
The error judgment unit calculates the vector including open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from the IV curve data received from the RTU, based on the area of the point projected onto the plane that maximizes the dispersion value. Determining whether there is an error and the type of error,
Solar module error detection system.

Generating a plurality of pattern data;
generating an error determination model based on the plurality of pattern data;
PCA value derivation step according to the error judgment model; and
It includes the step of determining whether there is an abnormality according to the area of the derived PCA value,
The PCA value derivation step extracts a representative vector from the IV curve data received from the IV curve scanner connected to a plurality of groups of solar modules connected in series,
The step of determining whether there is an abnormality determines whether there is an error and the type of error in the solar module of the group corresponding to the IV curve data based on an error judgment model that has a lower dimension than the representative vector and is based on principal component analysis (PCA).
Solar module error detection method.

According to clause 8,
The error determination model is generated based on a plurality of pattern data generated by mathematical modeling for the plurality of solar modules,
Solar module error detection method.

According to clause 9,
The error judgment model extracts a representative vector from the plurality of pattern data, maximizes the variance of the plurality of pattern data, and is generated based on an axis of lower dimension than the representative vector.
Solar module error detection method.

According to clause 9,
The plurality of pattern data includes normal pattern data, voltage reduction pattern data, current reduction pattern data, module aging pattern data, and partial shading pattern data.
Solar module error detection method.

According to clause 11,
The error determination model is based on a vector including open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from each of the plurality of pattern data,
Solar module error detection method.

According to clause 12,
The error judgment model is based on a plane that maximizes the dispersion values of open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from each of the plurality of pattern data,
Solar module error detection system.

According to clause 13,
In the step of determining whether there is an abnormality, a vector including open-circuit voltage, short-circuit current, maximum voltage, maximum current, and maximum output extracted from the IV curve data received from the RTU is projected onto a plane that maximizes the variance value. Including the step of determining whether there is an error and the type of error based on the area of
Solar module error detection method.