KR102267811B1 - System for predicting present state and future state of agriculture solar power generation structure based on rnn - Google Patents

System for predicting present state and future state of agriculture solar power generation structure based on rnn Download PDF

Info

Publication number
KR102267811B1
KR102267811B1 KR1020190061500A KR20190061500A KR102267811B1 KR 102267811 B1 KR102267811 B1 KR 102267811B1 KR 1020190061500 A KR1020190061500 A KR 1020190061500A KR 20190061500 A KR20190061500 A KR 20190061500A KR 102267811 B1 KR102267811 B1 KR 102267811B1
Authority
KR
South Korea
Prior art keywords
state
photovoltaic structure
value
future
axis
Prior art date
Application number
KR1020190061500A
Other languages
Korean (ko)
Other versions
KR20200135078A (en
Inventor
안병구
심규성
변형준
Original Assignee
홍익대학교세종캠퍼스산학협력단
(주)에이치에스쏠라에너지
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 홍익대학교세종캠퍼스산학협력단, (주)에이치에스쏠라에너지 filed Critical 홍익대학교세종캠퍼스산학협력단
Priority to KR1020190061500A priority Critical patent/KR102267811B1/en
Publication of KR20200135078A publication Critical patent/KR20200135078A/en
Application granted granted Critical
Publication of KR102267811B1 publication Critical patent/KR102267811B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C9/00—Measuring inclination, e.g. by clinometers, by levels
    • G01C9/02—Details
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기울기 센서를 통해 영농형 태양광 발전 구조물의 상태 정보를 획득하고 이를 머신러닝인 RNN(Recurrent Neural Network, 순환신경망)을 기반으로 분석하여 영농형 태양광 발전 구조물의 현재 상태 및 미래 상태를 예측할 수 있도록 하는 RNN 기반의 영농형 태양광 발전 구조물의 현재상태 및 미래상태 예측 시스템에 관한 것이다.
본 발명에 따른 태양광 발전 구조물의 현재상태 및 미래상태 예측 시스템은 태양광 발전 구조물의 현재 상태를 진단하고 미래 상태를 예측하는 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템으로서, 태양광 발전 구조물에 설치되어, 기울기 센서를 통해 상기 태양광 발전 구조물의 기울기 상태를 측정하는 측정부(100)와; 상기 측정부(100)로부터 기울기 측정값을 전송받아 데이터베이스(270)에 저장하고 관리하며, 수신된 기울기 측정값을 분석하여 태양광 발전 구조물의 현재 상태를 진단하고, 과거 기울기 측정값을 머신러닝으로 반복적으로 학습하여 미래의 기울기를 예측하여 태양광 발전 구조물의 미래 상태를 예측하는 수집서버(200);를 포함하여 이루어져, 원격에서 태양광 발전 구조물의 현재 상태를 진단하고 미래 상태를 예측할 수 있게 된다. The present invention obtains the state information of an agricultural photovoltaic structure through a tilt sensor and analyzes it based on machine learning, RNN (Recurrent Neural Network), to determine the current state and future state of an agricultural photovoltaic structure. It relates to a system for predicting the current state and future state of an RNN-based agricultural photovoltaic structure that can be predicted.
The present state and future state prediction system of the photovoltaic structure according to the present invention is a system for predicting the current state and future state of the photovoltaic structure for diagnosing the current state of the photovoltaic structure and predicting the future state, the photovoltaic structure It is installed in the measuring unit 100 for measuring the inclination state of the photovoltaic structure through the inclination sensor; The measurement unit 100 receives the slope measurement value, stores and manages it in the database 270, analyzes the received slope measurement value to diagnose the current state of the photovoltaic structure, and converts the past slope measurement value to machine learning. A collection server 200 for predicting the future state of the photovoltaic structure by predicting the future slope by repeatedly learning; by including, it is possible to remotely diagnose the current state of the photovoltaic structure and predict the future state .

Description

RNN 기반의 영농형 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템 {SYSTEM FOR PREDICTING PRESENT STATE AND FUTURE STATE OF AGRICULTURE SOLAR POWER GENERATION STRUCTURE BASED ON RNN} {SYSTEM FOR PREDICTING PRESENT STATE AND FUTURE STATE OF AGRICULTURE SOLAR POWER GENERATION STRUCTURE BASED ON RNN}

본 발명은 태양광 발전 구조물의 현재상태 및 미래상태 예측 시스템에 관한 것으로, 보다 상세하게는 기울기 센서를 통해 영농형 태양광 발전 구조물의 상태 정보를 획득하고 이를 머신러닝인 RNN(Recurrent Neural Network, 순환신경망)을 기반으로 분석하여 영농형 태양광 발전 구조물의 현재 상태 및 미래 상태를 예측할 수 있도록 하는 RNN 기반의 영농형 태양광 발전 구조물의 현재상태 및 미래상태 예측 시스템에 관한 것이다. The present invention relates to a system for predicting the current state and future state of a photovoltaic structure, and more particularly, obtains state information of an agricultural photovoltaic structure through a tilt sensor, and uses the machine learning RNN (Recurrent Neural Network, circulation) It relates to a system for predicting the current state and future state of an RNN-based agricultural photovoltaic structure that can predict the current state and future state of the agricultural photovoltaic structure by analyzing it based on a neural network.

태양광 발전은 환경 오염이 없는 친환경 발전 방법 중 하나로서, 햇빛이 비추는 곳이라면 어느 곳에서나 설치 가능하여 점차 확산되고 있는 추세이며, 이에 따라 근래에는 태양광 발전 효율을 높이기 위한 다양한 연구가 진행되고 있다. 이러한 태양광 발전 구조물의 경우, 태양광 패널의 크기와 발전량이 비례하기 때문에 구조물의 규모가 크게 형성되고, 이에 따라 태양광 발전 구조물은 임야에 설치되는 영농형 태양광 발전 구조물이 주를 이루고 있다. Solar power generation is one of the eco-friendly power generation methods without environmental pollution, and it can be installed anywhere where sunlight shines, so it is gradually spreading. Accordingly, various studies are being conducted to increase the efficiency of solar power generation in recent years. . In the case of such a photovoltaic structure, the size of the structure is large because the size of the photovoltaic panel and the amount of power generation are proportional, and accordingly, the photovoltaic structure is mainly an agricultural photovoltaic structure installed in the forest.

임야에 주로 설치되는 영농형 태양광 발전 구조물은 지역적인 특성상 접근성이 떨어지는 편인데, 이러한 영농형 태양광 발전 구조물의 상태를 파악하기 위해서는 관리자가 주기적으로 현장을 방문하여 영농형 태양광 발전 구조물의 상태를 직접 확인하여야 하였다. 이에 따라 태양광 발전 구조물의 안전 진단에 시간이 많이 소요되고, 태양광 발전 구조물에 이상이 발생하는 경우 이를 실시간으로 파악하기 어려운 문제점이 있었다. Agricultural photovoltaic structures, which are mainly installed in forests, are inaccessible due to regional characteristics. In order to understand the condition of such agricultural photovoltaic structures, the manager periodically visits the site to check the condition of the agricultural photovoltaic structures. had to be checked directly. Accordingly, it takes a lot of time to diagnose the safety of the photovoltaic structure, and when an abnormality occurs in the photovoltaic structure, it is difficult to grasp it in real time.

이러한 문제점에 따라 본 출원인은 등록특허 제10-1910892호 "IoT 기반의 모바일 스마트 태양광 발전 관리 시스템"을 제안하였는데, 상기 등록특허는 태양광 발전 구조물에 IoT 기반의 센서를 부착하여 구조물 정보를 획득하고, 이를 수집서버(200)에서 수집하고 분석하여 태양광 발전 구조물의 수명과 상태를 예측할 수 있도록 하고 있다. According to this problem, the present applicant has proposed Registration Patent No. 10-1910892 "IoT-based mobile smart solar power generation management system", the registered patent acquires structure information by attaching an IoT-based sensor to a photovoltaic structure And, it is collected and analyzed by the collection server 200 to predict the lifespan and state of the photovoltaic structure.

이에 따라 관리자가 태양광 발전 구조물로 직접 이동하지 않고도 원격에서 구조물의 상태를 파악하고 예측할 수 있어 구조물을 효율적으로 관리할 수 있게 되었지만, 상기 등록특허는 태양광 발전 구조물의 측정값을 미리 설정된 기준 값과 비교하는 방법을 통해 구조물의 상태를 진단하기 때문에 태양광 발전 구조물의 현재 상태 및 미래 상태를 정확히 예측하기 어려운 문제점이 있었다. Accordingly, the manager can grasp and predict the state of the structure remotely without moving directly to the photovoltaic structure, thereby efficiently managing the structure. However, the registered patent claims that the measured value of the photovoltaic structure is set as a preset reference value. There was a problem in that it was difficult to accurately predict the current state and future state of the photovoltaic power generation structure because the state of the structure is diagnosed through the method of comparing with the .

대한민국 등록특허공보 제10-1910892호 (2018.10.17. 등록)Republic of Korea Patent Publication No. 10-1910892 (Registered on October 17, 2018)

본 발명은 상기 종래 태양광 발전 구조물의 진단 및 예측에 따른 문제점을 해결하기 위해 제안된 것으로, 본 발명의 목적은 기울기 센서를 이용하여 태양광 발전 구조물의 기울어짐을 측정하고 측정된 기울기 값을 머신러닝을 통해 학습하고 분석하여 태양광발전 구조물의 현재 상태 및 미래 상태를 예측할 수 있도록 하는 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템을 제공하는 데 있다. The present invention has been proposed to solve the problems caused by the diagnosis and prediction of the conventional photovoltaic structure, and an object of the present invention is to measure the inclination of the photovoltaic structure using a tilt sensor and machine learning the measured inclination value It is to provide a system for predicting the current state and future state of a photovoltaic structure that can learn and analyze the current state and future state of the photovoltaic structure.

상기 목적을 달성하기 위한 본 발명에 따른 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템은 태양광 발전 구조물에 설치되어 기울기 센서를 통해 상기 태양광 발전 구조물의 기울기 상태를 측정하는 측정부와; 상기 측정부를 통하여 측정되는 기울기 측정값을 전송받아 데이터베이스에 등록하는 기울기 측정값 수집모듈과, 상기 기울기 측정값 수집모듈을 통하여 수집된 기울기 측정값을 분석하여 태양광 발전 구조물의 현재 상태를 진단하는 현재상태 진단모듈과, 상기 기울기 측정값 수집모듈을 통하여 수집되어 데이터베이스에 등록된 과거 기울기 측정값을 바탕으로 머신러닝 RNN(Recurrent Neural Network, 순환신경망)을 통해 반복적으로 학습하고 학습된 결과를 통하여 태양광 발전 구조물의 미래 기울기를 예측하는 미래상태 예측모듈(263)이 구비된 수집서버;를 포함하는 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템으로, 상기 기울기 측정값 수집모듈을 통하여 수집되어 데이터베이스에 등록되는 태양관 발전 구조물의 기울기 측정값 테이블에는, 기울기 측정값이 등록되는 순서 정보와, 동서 방향의 기울기를 나타내는 X축 값과, 남북 방향의 기울기를 나타내는 Y축 값과, 상기 X축 및 Y축 값이 측정된 시간 정보가 포함되고, 상기 미래상태 예측모듈 n개의 과거 기울기 측정값 데이터에서 각 축의 기울기 데이터를 It라 할 때, 상기 It를 바탕으로 반복적인 학습을 통해 미래의 기울기 Qt를 예측하되, 먼저 태양광 발전 구조물의 현재 시간 t에서의 기울기 상태 St를

Figure 112021015876486-pat00012
(여기서, Wh는 상태의 가중치, WI는 입력값의 가중치, tanh는 '하이퍼볼릭탄젠트 함수'를 의미한다)로 구하고, 구해진 St에 결과 값에 대한 가중치를 부여하여 예측 결과인 미래의 기울기 Qt를
Figure 112021015876486-pat00013
(여기서, WO는 결과 값에 대한 가중치를 의미한다)로 구하게 된다.A current state and future state prediction system of a photovoltaic structure according to the present invention for achieving the above object is installed in the photovoltaic structure and a measuring unit for measuring the inclination state of the photovoltaic structure through a tilt sensor; A slope measurement value collection module that receives the slope measurement value measured through the measurement unit and registers it in a database, and a current state of diagnosing the current state of the photovoltaic structure by analyzing the slope measurement value collected through the slope measurement value collection module Iteratively learns through machine learning RNN (Recurrent Neural Network) based on the state diagnosis module and the past slope measurement values collected through the slope measurement value collection module and registered in the database, and sunlight through the learned results A current state and future state prediction system of a photovoltaic structure comprising a; a collection server equipped with a future state prediction module 263 for predicting the future inclination of the power generation structure, which is collected through the inclination measurement value collection module and stored in the database In the slope measurement value table of the solar tube power generation structure to be registered, information on the order in which the slope measurement value is registered, an X-axis value indicating an east-west slope, a Y-axis value indicating a north-south direction slope, and the X-axis and Y When the axis value is measured time information is included, and when the slope data of each axis is It t in the n past slope measurement value data of the future state prediction module, the future slope Q through repeated learning based on the It t Predict t , but first calculate the slope state S t at the current time t of the photovoltaic structure.
Figure 112021015876486-pat00012
Of the obtained (where, W h is the weight of the condition, W I is the weight of the input value, tanh means the "hyperbolic tangent function"), and assign a weight to the result to the S t calculated forecasts future slope Q t
Figure 112021015876486-pat00013
(here, W O means a weight for the result value).

삭제delete

삭제delete

한편, 상기 현재상태 진단모듈은 데이터베이스에 등록되는 기울기 측정값의 X축 값과 Y축 값을 통해 현재 태양광발전 구조물의 기울어짐에 따른 현재상태를 진단하게 된다. On the other hand, the current state diagnosis module diagnoses the current state according to the current inclination of the photovoltaic structure through the X-axis value and the Y-axis value of the inclination measurement value registered in the database.

즉, 상기 현재상태 진단모듈은 X축 값이 0인 경우, Y축 값이 0이면 태양광 발전 구조물이 정상으로, Y축 값이 0보다 크면 북쪽으로, Y축 값이 O보다 작으면 남쪽으로 기울어진 것으로 진단하고, X축 값이 0보다 큰 경우, Y축 값이 0이면 태양광 발전 구조물이 동쪽으로, Y축 값이 0보다 크면 북동쪽으로, Y축 값이 O보다 작으면 남동쪽으로 기울어진 것으로 진단하며, X축 값이 0보다 작은 경우, Y축 값이 0이면 태양광 발전 구조물이 서쪽으로, Y축 값이 0보다 크면 남서쪽으로, Y축 값이 O보다 작으면 북서쪽으로 기울어진 것으로 진단하게 된다. That is, when the X-axis value is 0, the solar power generation structure is normal when the Y-axis value is 0, the Y-axis value is greater than 0 to the north, and the Y-axis value is less than 0 to the south. Diagnosed as tilted, and if the X-axis value is greater than 0, the photovoltaic structure is tilted to the east if the Y-axis value is 0, to the northeast if the Y-axis value is greater than 0, and to the southeast if the Y-axis value is less than 0 If the X-axis value is less than 0, the photovoltaic structure is tilted to the west if the Y-axis value is 0, to the southwest if the Y-axis value is greater than 0, and to the northwest if the Y-axis value is less than 0. to be diagnosed as

삭제delete

삭제delete

삭제delete

삭제delete

삭제delete

삭제delete

본 발명에 따르면 태양광 발전 구조물에 설치된 기울기 센서를 통하여 태양광 발전 구조물의 상태를 측정하고 원격에서 이를 전송받아 분석함으로써, 관리자가 직접 현장으로 이동하여 구조물의 상태를 측정하지 않고도 원격에서 태양광 발전 구조물의 상태를 확인할 수 있게 된다. 또한, 측정된 데이터를 머신러닝인 RNM을 기반으로 분석하여 영농형 태양광 발전 구조물의 미래 상태를 예측할 수 있게 된다. According to the present invention, by measuring the state of the photovoltaic structure through the inclination sensor installed in the photovoltaic structure and receiving and analyzing it from a remote location, the manager directly moves to the site to generate photovoltaic power remotely without measuring the state of the structure. You can check the condition of the structure. In addition, by analyzing the measured data based on RNM, which is machine learning, it is possible to predict the future state of the agricultural solar power generation structure.

도 1은 본 발명에 따른 태양광 발전 구조물 상태 예측 시스템의 전체적인 네트워크 연결도,
도 2는 본 발명에 따른 수집서버의 블록 구성도,
도 3은 본 발명에 따른 데이터베이스에 등록되는 태양광 발전 구조물의 기울기 DB 테이블 구성 일례,
도 4는 본 발명에 따른 현재상태 진단 알고리즘에 따라 태양광 발전 구조물의 현재상태가 진단되는 과정을 나타낸 흐름도,
도 5는 본 발명에 따른 미래상태 진단 알고리즘의 일례를 나타낸 것이다. 1 is an overall network connection diagram of a solar power structure state prediction system according to the present invention;
2 is a block diagram of a collection server according to the present invention;
Figure 3 is an example of the configuration of the DB table slope of the photovoltaic structure registered in the database according to the present invention
4 is a flowchart showing a process of diagnosing the current state of the photovoltaic structure according to the current state diagnosis algorithm according to the present invention;
5 shows an example of a future state diagnosis algorithm according to the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 실시예에 따른 태양광 발전 구조물 상태 예측 시스템의 전체적인 네트워크 연결도를 나타낸 것이다. 1 shows the overall network connection diagram of the solar power structure state prediction system according to an embodiment of the present invention.

본 발명에 따른 태양광 발전 구조물 상태 예측 시스템은 영농형 태양광 발전 구조물에 설치되어 태양광 발전 구조물의 상태를 측정하는 측정부(100)와, 상기 측정부(100)를 통하여 측정된 데이터를 수집하고 분석하여 태양광 발전 구조물의 현재 상태를 진단하고 미래 상태를 예측하는 수집서버(200)를 포함하여 이루어진다.The photovoltaic structure state prediction system according to the present invention is installed in an agricultural photovoltaic structure and collects data measured through the measuring unit 100 and the measuring unit 100 for measuring the state of the photovoltaic structure and a collection server 200 that analyzes and diagnoses the current state of the photovoltaic structure and predicts the future state.

상기 측정부(100)는 통신 기능이 구비된 자이로스코프 등의 기울기 센서로 이루어져, 태양광 발전 구조물의 기울기 정보를 측정하고, 측정된 태양광 발전 구조물의 기울기 측정값을 네트워크를 통해 수집서버(200)로 전송하게 된다. The measurement unit 100 is composed of a tilt sensor such as a gyroscope equipped with a communication function, measures the inclination information of the photovoltaic structure, and collects the measured inclination value of the photovoltaic structure through the network to the collecting server 200 ) is sent to

상기 수집서버(200)는 측정부(100)에서 측정된 태양광 발전 구조물의 기울기 측정값을 전송받아 관리하며, 수집되는 태양광 발전 구조물의 기울기 측정값 데이터를 분석하여 구조물의 현재 상태를 진단하고 미래 상태를 예측하게 된다. 상기 수집서버(200)에 의해 진단되고 예측되는 태양광 발전 구조물의 현재 상태 및 미래 상태 정보는 웹 서비스를 통해 시각화되어 네트워크를 통해 관리자 단말기 및 사용자 단말기에 제공될 수 있다. The collection server 200 receives and manages the measured inclination value of the photovoltaic structure measured by the measuring unit 100, and analyzes the collected inclination measured value data of the photovoltaic structure to diagnose the current state of the structure and predict future conditions. The current state and future state information of the photovoltaic structure diagnosed and predicted by the collection server 200 may be visualized through a web service and provided to an administrator terminal and a user terminal through a network.

도 2는 본 발명의 실시예에 따른 수집서버의 블록 구성도를 나타낸 것이다. 2 is a block diagram showing a collection server according to an embodiment of the present invention.

도 2에 도시된 바와 같이, 본 발명에 따른 수집서버(200)는 데이터 입력 및 표시를 위한 입력부(220) 및 출력부(230)와, 네트워크를 통하여 태양광 발전 구조물에 설치된 측정부(100) 및 외부 통신 장치와 통신을 수행하는 통신부(240)와, 외부 주변장치와의 데이터 송수신을 위한 인터페이스부(250)와, 측정부(100)로부터 태양광 발전 구조물의 기울기 측정값 데이터를 전송받아 태양광 발전 구조물의 현재 상태 및 미래 상태를 진단하고 예측하는 태양광 발전 구조물 예측부(260)와, 태양광 발전 구조물에 설치된 측정부(100)로부터 전송되는 기울기 측정값 데이터가 등록되는 데이터베이스(270)와, 상기 각 구성부의 동작을 제어하는 중앙제어부(210)를 포함하여 이루어진다.As shown in FIG. 2, the collection server 200 according to the present invention includes an input unit 220 and an output unit 230 for data input and display, and a measurement unit 100 installed in a photovoltaic structure through a network. and a communication unit 240 for communicating with an external communication device, an interface unit 250 for data transmission/reception with an external peripheral device, and a measurement unit 100 to receive the inclination measurement data of the photovoltaic structure. A photovoltaic structure prediction unit 260 for diagnosing and predicting the current state and future state of the photovoltaic structure, and a database 270 in which the slope measurement data transmitted from the measurement unit 100 installed in the photovoltaic structure is registered. and a central control unit 210 for controlling the operation of each component.

상기 중앙제어부(210)는 수집서버(200)의 각 구성부를 제어하고 관리하는 장치로서, 이 중앙제어부(210)에는 통상의 중앙처리장치(CPU), 램(RAM), 롬(ROM) 등의 하드웨어 장치와 상기 하드웨어 장치를 인식하여 구동하는 소프트웨어가 구비되어 수집서버(200)의 전체적인 동작을 제어하게 된다.The central control unit 210 is a device for controlling and managing each component of the collection server 200, and the central control unit 210 includes a typical central processing unit (CPU), RAM (RAM), ROM (ROM), etc. A hardware device and software for recognizing and driving the hardware device are provided to control the overall operation of the collection server 200 .

상기 태양광 발전 구조물 예측부(260)에는 측정부(100)를 통하여 측정되는 태양광 발전 구조물의 기울기 측정값 데이터를 전송받아 데이터베이스(270)에 등록하고 관리하는 기울기 측정값 수집모듈(261)과, 상기 기울기 측정값 수집모듈(261)을 통하여 수집된 태양광 발전 구조물의 기울기 측정값을 분석하여 태양광 발전 구조물의 현재 상태를 진단하는 현재상태 진단모듈(262)과, 상기 기울기 측정값 수집모듈(261)을 통하여 수집된 태양광 발전 구조물의 기울기 측정값을 분석하여 태양광 발전 구조물의 미래 상태를 예측하는 미래상태 예측모듈(263)이 구비된다. 본 발명의 실시예에서 상기 현재상태 진단모듈(262)은 태양광 발전 구조물의 기울어진 방향 및 정도를 통하여 태양광 발전 구조물의 현재상태를 진단하고, 미래상태 예측모듈(263)은 머신러닝인 RNN(Recurrent Neural Network, 순환신경망)을 통하여 태양광 발전 구조물의 기울기 측정값 정보를 학습하고 분석하여 태양광 발전 구조물의 미래상태를 예측하게 된다. The solar power generation structure prediction unit 260 includes a slope measurement value collection module 261 that receives the slope measurement value data of the solar power generation structure measured through the measurement unit 100, registers it in the database 270 and manages it; , a current state diagnosis module 262 for diagnosing the current state of the photovoltaic structure by analyzing the measured inclination value of the photovoltaic structure collected through the inclination measurement value collection module 261, and the inclination measurement value collection module A future state prediction module 263 for predicting the future state of the photovoltaic structure by analyzing the inclination measurement value of the photovoltaic structure collected through 261 is provided. In an embodiment of the present invention, the current state diagnosis module 262 diagnoses the current state of the photovoltaic structure through the inclination direction and degree of the photovoltaic structure, and the future state prediction module 263 is a machine learning RNN Through (Recurrent Neural Network, Recurrent Neural Network), the future state of the photovoltaic structure is predicted by learning and analyzing the information on the inclination value of the photovoltaic structure.

상기 데이터베이스(270)에는 기울기 측정값 수집모듈(261)에 의해 수집되는 태양광 발전 구조물이 기울기 측정값 데이터와, 상기 현재상태 진단모듈(262) 및 미래상태 예측모듈(263)을 통해 진단되고 예측되는 태양광 발전 구조물의 현재상태 및 미래상태 정보가 등록되어 관리된다. In the database 270 , the solar power generation structure collected by the slope measurement value collection module 261 is diagnosed and predicted through the slope measurement value data and the current state diagnosis module 262 and the future state prediction module 263 . Current state and future state information of the photovoltaic structure to be used is registered and managed.

도 3은 본 발명의 실시예에 따른 데이터베이스에 등록되는 태양광 발전 구조물의 기울기 DB 테이블 구성 일례를 나타낸 것으로, 기울기 DB 테이블에는 순서, X축, Y축, 측정시간이 기록되어 있다. 3 shows an example of the inclination DB table configuration of the photovoltaic structure registered in the database according to an embodiment of the present invention, in which the order, X-axis, Y-axis, and measurement time are recorded in the inclination DB table.

상기 '순서'는 측정된 기울기 정보 데이터들을 정렬하기 위해서 사용되는 것으로, '순서'가 작은 값이 더 오래된 데이터를 의미한다. The 'order' is used to align the measured gradient information data, and a value with a smaller 'order' means older data.

상기 'X축'과 'Y축'은 측정부(100)에서 기울기 센서를 통해서 측정되는 X축 및 Y축 기울기 값을 의미한다. 본 발명의 실시예에서 태양광 발전 구조물의 상태를 측정하기 위한 초기 기울기 값은 (0, 0)으로 설정되어 있는데, 여기에서 'X축'은 동(+)/서(-)로 기울어짐을 나타내고, 'Y축'은 남(-)/북(+)으로의 기울기를 나타낸다. The 'X-axis' and 'Y-axis' mean the X-axis and Y-axis inclination values measured by the inclination sensor in the measurement unit 100 . In an embodiment of the present invention, the initial inclination value for measuring the state of the photovoltaic structure is set to (0, 0), where the 'X-axis' indicates the inclination to the east (+) / west (-) , 'Y-axis' represents the south (-)/north (+) slope.

상기 '측정시간'은 측정부(100)에서 X축과 Y축의 값을 측정한 시간을 나타낸다. 이러한 측정시간 정보를 통하여 관리자나 소유자는 데이터들이 일정 시간마다 측정 되어서 저장이 되는지를 확인할 수 있고, 이를 통하여 시스템의 이상 여부를 확인할 수 있게 된다. The 'measurement time' represents a time during which the X-axis and Y-axis values are measured by the measurement unit 100 . Through this measurement time information, the manager or owner can check whether data is measured and stored at regular intervals, and through this, it is possible to check whether the system is abnormal.

이하, 상기 구성으로 이루어지는 수집서버(200)를 통해 태양광 발전 구조물의 현재상태 및 미래상태가 예측되는 과정에 대하여 설명하기로 한다. Hereinafter, a process of predicting the present state and future state of the photovoltaic structure through the collection server 200 having the above configuration will be described.

본 발명에서 수집서버(200)의 태양광 발전 구조물 예측부(260)에 구비된 현재상태 진단모듈(262)은 현재상태 진단 알고리즘을 이용하여 태양광 발전 구조물의 현재상태를 진단하게 되는데, 이 현재상태 진단 알고리즘은 태양광 발전 구조물의 X축과 Y축으로의 기울어진 정도를 통하여 현재 태양광발전구조물의 기울어짐에 따른 현재상태를 판단하게 된다. 예를 들어, 현재 태양광발전 구조물의 기울기 상태가 (3, 7)라고 하면, 이는 초기 기울기 값인 (0, 0)에서 X축으로 +3만큼 기울어졌고, Y축으로 +7만큼 기울어졌음을 의미한다. 이를 현재상태 진단 알고리즘에 적용하면, X축이 양수이므로 태양광발전구조물이 동쪽으로 기울어졌고, Y축도 양수이므로 북쪽으로 기울어졌으므로, 태양광발전구조물이 북동쪽으로 초기상태보다 기울어졌음을 알 수 있다. In the present invention, the current state diagnosis module 262 provided in the photovoltaic structure prediction unit 260 of the collection server 200 diagnoses the current state of the photovoltaic structure by using the current state diagnosis algorithm. The state diagnosis algorithm determines the current state according to the current inclination of the photovoltaic structure through the degree of inclination to the X and Y axes of the photovoltaic structure. For example, if the current inclination state of the photovoltaic structure is (3, 7), this means that the initial inclination value (0, 0) is tilted by +3 on the X-axis and +7 on the Y-axis. do. If this is applied to the current state diagnosis algorithm, it can be seen that the photovoltaic structure is tilted to the east because the X-axis is positive, and since the Y-axis is also positive, it is tilted to the north, so it can be seen that the photovoltaic structure is inclined to the northeast than the initial state.

도 4는 이러한 현재상태 진단 알고리즘에 따라 태양광 발전 구조물의 현재상태가 진단되는 과정을 나타낸 흐름도이다. 4 is a flowchart illustrating a process of diagnosing the current state of the photovoltaic structure according to the current state diagnosis algorithm.

단계 S110, S120, S121, S122 : 측정부(100)를 통하여 측정되어 데이터베이스(270)에 저장되는 태양광 발전 구조물의 기울기 값이(S110), X축 값이 0이고(S120), Y축 값이 0인 경우(S12), 태양광 발전 구조물의 현재 상태는 정상인 것으로 진단된다. 만약, X축 값이 0이고, Y축 값이 0보다 크면(122), 태양광 발전 구조물의 현재 상태는 북쪽으로 기울어진 것으로 진단되고, Y축 값이 0보다 작으면 남쪽으로 기울어진 것으로 진단된다. Step S110, S120, S121, S122: The slope value of the photovoltaic structure measured through the measurement unit 100 and stored in the database 270 (S110), the X-axis value is 0 (S120), the Y-axis value is 0 (S12), it is diagnosed that the current state of the photovoltaic structure is normal. If the X-axis value is 0 and the Y-axis value is greater than 0 (122), the current state of the photovoltaic structure is diagnosed as tilted to the north, and if the Y-axis value is less than 0, it is diagnosed as tilted to the south do.

단계 S130, S131, S132 : 만약, 기울기 값이, X축 값이 0보다 크고(S130). Y축 값이 0인 경우 태양광 발전 구조물의 현재 상태는 동쪽으로 기울어진 것으로 진단된다. X축 값이 0보다 크고, Y축 값이 0보다 큰 경우(S132), 태양광 발전 구조물의 현재 상태는 북동쪽으로 기울어진 것으로 진단되고, Y축 값이 0보다 작으면 남동쪽으로 기울어진 것으로 진단된다. Steps S130, S131, S132: If the slope value, the X-axis value is greater than 0 (S130). When the Y-axis value is 0, the current state of the photovoltaic structure is diagnosed as tilted to the east. If the X-axis value is greater than 0 and the Y-axis value is greater than 0 (S132), the current state of the photovoltaic structure is diagnosed as tilted to the northeast, and if the Y-axis value is less than 0, it is diagnosed as tilted to the southeast do.

단계 S141, S142 : 만약, X축 값이 0보다 작고, Y축 값이 0인 경우(S141), 태양광 발전 구조물의 현재 상태는 서쪽으로 기울어진 것으로 진단된다. 또한, X축 값이 0보다 작고, Y축 값이 0보다 큰 경우(S142), 태양광 발전 구조물의 현재 상태는 북서쪽으로 기울어진 것으로 진단되고, Y축 값이 0보다 작으면 남서쪽으로 기울어진 것으로 진단된다. Steps S141, S142: If the X-axis value is less than 0 and the Y-axis value is 0 (S141), it is diagnosed that the current state of the photovoltaic structure is inclined to the west. In addition, when the X-axis value is less than 0 and the Y-axis value is greater than 0 (S142), the current state of the photovoltaic structure is diagnosed as tilted to the northwest, and if the Y-axis value is less than 0, the current state of the photovoltaic structure is tilted to the southwest. diagnosed as

한편, 미래상태 예측모듈(263)은 미래상태 진단 알고리즘을 통해 태양광 발전 구조물의 미리 상태를 예측하게 되는데, 이 미래상태 진단 알고리즘은 머신 러닝 RNN을 기반으로 과거 기울기 정보를 학습하여 미래의 기울기를 예측하게 된다. 즉, 미래상태 진단 알고리즘은 n개의 과거 기울기 데이터에서 각 축의 기울기 데이터를 It라 할 때, 이 It를 바탕으로 반복적인 학습을 통해 미래의 기울기 Qt를 예측하게 되는데, 도 5는 이러한 미래상태 진단 알고리즘을 나타낸 것이다. On the other hand, the future state prediction module 263 predicts the state of the solar power generation structure in advance through the future state diagnosis algorithm. This future state diagnosis algorithm learns the past gradient information based on the machine learning RNN to predict the future gradient. to predict That is, the future state diagnosis algorithm predicts the future slope Q t through repeated learning based on the It t when the slope data of each axis is It t from the n past slope data. State diagnosis algorithm is shown.

먼저, 도 5에 도시된 미래상태 진단 알고리즘을 통하여 반복적인 학습이 이루어지게 되는데, 반복학습 방법은 다음과 같다. First, iterative learning is performed through the future state diagnosis algorithm shown in FIG. 5, and the iterative learning method is as follows.

미래의 값을 예측하기 위해서는 먼저 시간 t에서의 상태 st를 측정해야 하는데, 각 상태 st는 다음의 수학식 1과 같이 정의된다. In order to predict the future values of the first to have to measure the state s t at time t, for each state s t it is defined as Equation (1).

Figure 112019053650777-pat00003
Figure 112019053650777-pat00003

여기에서, Wh는 상태의 가중치, WI는 입력값의 가중치를 나타낸다. 이를 통해서 관리자는 특정 상태나 입력값에 대해 더 높은 중요도에 따라 가중치 설정이 가능한데, 기본적으로는 동일한 가중치를 부여하게 된다. Here, W h represents the weight of the state, and W I represents the weight of the input value. Through this, the administrator can set the weight according to a higher importance for a specific state or input value, and basically the same weight is given.

또한, t = 1인 경우, 미래 값을 측정하기 위해서는 초기 값이 필요한데, 이는 일반적으로 0으로 설정한다. 그리고 tanh는 '하이퍼볼릭탄젠트 함수'를 의미한다. Also, when t = 1, an initial value is needed to measure a future value, which is usually set to zero. And tanh means 'hyperbolic tangent function'.

상기 수학식 1을 통하여 입력값들로부터 현재시점 t에서의 상태 st를 구할 수 있다. 이를 바탕으로 미래의 기울기 상태 Qt를 예측하는데, 이를 수학적으로 나타내면 다음의 수학식 2와 같다. The state s t at the current time t can be obtained from the input values through Equation 1 above. Based on this, the future gradient state Q t is predicted, which is mathematically expressed as Equation 2 below.

Figure 112019053650777-pat00004
Figure 112019053650777-pat00004

여기에서, Qt는 예측 결과인 미래의 기울기 상태를 나타내고, WO는 결과 값에 대한 가중치를 의미하며, st는 수학식 1에서 정의된 상태를 나타낸다. Here, Q t denotes a future gradient state that is a prediction result, W O denotes a weight for the result value, and s t denotes a state defined in Equation (1).

이와 같이, 본 발명에서는 태양광 발전 구조물의 기울기를 분석하여 태양광 발전 구조물의 현재 상태를 진단하고, 태양광 발전 구조물의 과거 기울기 정보를 머신 러닝을 통해 학습하고 이를 기반으로 태양광 발전 구조물의 미래 상태를 예측하게 된다. 이렇게 진단되고 예측되는 태양광 발전 구조물의 현재 상태 및 미래 상태 정보는 수집서버(200)의 출력부(230)를 통하여 표시되며, 필요한 경우 웹 서비스를 통해 관리자 및 사용자에게 제공될 수 있다. As such, in the present invention, the present invention diagnoses the current state of the photovoltaic structure by analyzing the inclination of the photovoltaic structure, learns the past inclination information of the photovoltaic structure through machine learning, and based on this, the future of the photovoltaic structure state is predicted. The diagnosed and predicted current state and future state information of the photovoltaic structure may be displayed through the output unit 230 of the collection server 200, and if necessary, may be provided to an administrator and a user through a web service.

한편, 상술한 본 발명의 실시예에서는 태양광 발전 구조물이 영농형인 것으로 설명하였지만, 이는 주거형이나 수상형 등 다양한 지역에 설치되는 다른 형태의 태양광 발전 구조물에도 동일하게 적용할 수 있음은 당연하다. 따라서, 본 발명은 상술한 실시 예에 한정되는 것은 아니며 본 발명이 속하는 기술 분야에서 통상의 지식을 갖는 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구 범위의 균등범위 내에서 다양한 수정 및 변형이 이루어질 수 있음은 물론이다. On the other hand, in the above-described embodiment of the present invention, the photovoltaic power generation structure has been described as an agricultural type, but it is natural that it can be equally applied to other types of photovoltaic structures installed in various areas, such as a residential type or a floating type. . Accordingly, the present invention is not limited to the above-described embodiments, and various modifications and variations can be made by those of ordinary skill in the art to which the present invention pertains within the scope of equivalents of the technical spirit of the present invention and the claims to be described below. Of course, variations can be made.

100 : 측정부 200 : 수집서버
210 : 중앙제어부 220 : 입력부
230 : 출력부 240 : 통신부
250 : 인터페이스부 260 : 태양광 발전 구조물 예측부
261 : 기울기 측정값 수집모듈 262 : 현재상태 진단모듈
263 : 미래상태 예측모듈 270 : 데이터베이스100: measurement unit 200: collection server
210: central control unit 220: input unit
230: output unit 240: communication unit
250: interface unit 260: solar power generation structure prediction unit
261: slope measurement value collection module 262: current state diagnosis module
263: future state prediction module 270: database

Claims (7)

태양광 발전 구조물에 설치되어 기울기 센서를 통해 상기 태양광 발전 구조물의 기울기 상태를 측정하는 측정부(100)와; 상기 측정부(100)를 통하여 측정되는 기울기 측정값을 전송받아 데이터베이스(270)에 등록하는 기울기 측정값 수집모듈(261)과, 상기 기울기 측정값 수집모듈(261)을 통하여 수집된 기울기 측정값을 분석하여 태양광 발전 구조물의 현재 상태를 진단하는 현재상태 진단모듈(262)과, 상기 기울기 측정값 수집모듈(261)을 통하여 수집되어 데이터베이스(270)에 등록된 과거 기울기 측정값을 바탕으로 머신러닝 RNN(Recurrent Neural Network, 순환신경망)을 통해 반복적으로 학습하고 학습된 결과를 통하여 태양광 발전 구조물의 미래 기울기를 예측하는 미래상태 예측모듈(263)이 구비된 수집서버(200);를 포함하는 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템으로,
상기 기울기 측정값 수집모듈(261)을 통하여 수집되어 데이터베이스(270)에 등록되는 태양관 발전 구조물의 기울기 측정값 테이블에는, 기울기 측정값이 등록되는 순서 정보와, 동서 방향의 기울기를 나타내는 X축 값과, 남북 방향의 기울기를 나타내는 Y축 값과, 상기 X축 및 Y축 값이 측정된 시간 정보가 포함되고,
상기 미래상태 예측모듈(263)은 n개의 과거 기울기 측정값 데이터에서 각 축의 기울기 데이터를 It라 할 때, 상기 It를 바탕으로 반복적인 학습을 통해 미래의 기울기 Qt를 예측하되,
먼저, 태양광 발전 구조물의 현재 시간 t에서의 기울기 상태 St를
Figure 112021015876486-pat00014

(여기서, Wh는 상태의 가중치, WI는 입력값의 가중치, tanh는 '하이퍼볼릭탄젠트 함수'를 의미한다)로 구하고,
구해진 St에 결과 값에 대한 가중치를 부여하여 예측 결과인 미래의 기울기 Qt를
Figure 112021015876486-pat00015

(여기서, WO는 결과 값에 대한 가중치를 의미한다)로 구하는 것을 특징으로 하는 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템.
a measuring unit 100 installed in the photovoltaic structure and measuring the inclination state of the photovoltaic structure through a tilt sensor; The slope measurement value collection module 261 that receives the slope measurement value measured through the measurement unit 100 and registers it in the database 270, and the slope measurement value collected through the slope measurement value collection module 261 Machine learning based on the current state diagnosis module 262 that analyzes and diagnoses the current state of the photovoltaic structure, and the past gradient measurement value collected through the gradient measurement value collection module 261 and registered in the database 270 A collection server 200 equipped with a future state prediction module 263 that repeatedly learns through RNN (Recurrent Neural Network) and predicts the future inclination of the photovoltaic structure through the learned result; Sun including; As a system for predicting the current state and future state of photovoltaic structures,
In the inclination measurement value table of the solar tube power generation structure collected through the inclination measurement value collection module 261 and registered in the database 270, information on the order in which the inclination measurement value is registered and the X-axis value indicating the east-west gradient And, the Y-axis value indicating the slope in the north-south direction, the X-axis and Y-axis values are measured time information is included,
The future state prediction module 263 predicts the future slope Q t through repeated learning based on the It t when the slope data of each axis is It t in the n past slope measurement value data,
First, the slope state S t at the current time t of the photovoltaic structure
Figure 112021015876486-pat00014

(here, W h is the weight of the state, W I is the weight of the input value, and tanh is the 'hyperbolic tangent function')
By weighting the result value to the obtained S t , the future slope Q t , which is the prediction result, is calculated.
Figure 112021015876486-pat00015

(here, W O means a weight for the result value) The current state and future state prediction system of the photovoltaic structure, characterized in that obtained.
 삭제delete 삭제delete 제 1항에 있어서,
상기 현재상태 진단모듈(262)은 데이터베이스(270)에 등록되는 기울기 측정값의 X축 값과 Y축 값을 통해 현재 태양광발전 구조물의 기울어짐에 따른 현재상태를 진단하는 것을 특징으로 하는 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템.
The method of claim 1,
The current state diagnosis module 262 diagnoses the current state according to the current inclination of the photovoltaic structure through the X-axis value and the Y-axis value of the inclination measurement value registered in the database 270. Current state and future state prediction system of power generation structures
 제 4항에 있어서,
상기 현재상태 진단모듈(262)은
(a) X축 값이 0인 경우, Y축 값이 0이면 태양광 발전 구조물이 정상으로, Y축 값이 0보다 크면 북쪽으로, Y축 값이 O보다 작으면 남쪽으로 기울어진 것으로 진단하고,
(b) X축 값이 0보다 큰 경우, Y축 값이 0이면 태양광 발전 구조물이 동쪽으로, Y축 값이 0보다 크면 북동쪽으로, Y축 값이 O보다 작으면 남동쪽으로 기울어진 것으로 진단하며,
(c) X축 값이 0보다 작은 경우, Y축 값이 0이면 태양광 발전 구조물이 서쪽으로, Y축 값이 0보다 크면 남서쪽으로, Y축 값이 O보다 작으면 북서쪽으로 기울어진 것으로 진단하는 것을 특징으로 하는 태양광 발전 구조물의 현재 상태 및 미래 상태 예측 시스템.
5. The method of claim 4,
The current state diagnosis module 262 is
(a) When the X-axis value is 0, if the Y-axis value is 0, the photovoltaic structure is normal, if the Y-axis value is greater than 0, it is tilted to the north, and if the Y-axis value is less than 0, it is diagnosed as tilted to the south. ,
(b) If the X-axis value is greater than 0, it is diagnosed that the solar power generation structure is tilted to the east if the Y-axis value is 0; and
(c) If the X-axis value is less than 0, it is diagnosed that the photovoltaic structure is tilted to the west if the Y-axis value is 0, southwest if the Y-axis value is greater than 0, and northwest if the Y-axis value is less than 0 Current state and future state prediction system of the solar power structure, characterized in that.
 삭제delete 삭제delete
KR1020190061500A 2019-05-24 2019-05-24 System for predicting present state and future state of agriculture solar power generation structure based on rnn KR102267811B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190061500A KR102267811B1 (en) 2019-05-24 2019-05-24 System for predicting present state and future state of agriculture solar power generation structure based on rnn

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190061500A KR102267811B1 (en) 2019-05-24 2019-05-24 System for predicting present state and future state of agriculture solar power generation structure based on rnn

Publications (2)

Publication Number Publication Date
KR20200135078A KR20200135078A (en) 2020-12-02
KR102267811B1 true KR102267811B1 (en) 2021-06-22

Family

ID=73791538

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190061500A KR102267811B1 (en) 2019-05-24 2019-05-24 System for predicting present state and future state of agriculture solar power generation structure based on rnn

Country Status (1)

Country Link
KR (1) KR102267811B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230090199A (en) 2021-12-14 2023-06-21 순천대학교 산학협력단 Method and device for predicting agricultural solar power generation using recurrent neural network

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102623428B1 (en) * 2021-05-11 2024-01-10 주식회사 엔벨롭스 Agricultural solar power generation and crop production prediction modeling system

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101910892B1 (en) * 2017-04-21 2018-10-24 홍익대학교세종캠퍼스산학협력단 IoT based Mobile Smart Solar Power Generation Management System

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100784072B1 (en) * 2003-09-22 2007-12-10 김형윤 Sensors and systems for structural health monitoring

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101910892B1 (en) * 2017-04-21 2018-10-24 홍익대학교세종캠퍼스산학협력단 IoT based Mobile Smart Solar Power Generation Management System

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230090199A (en) 2021-12-14 2023-06-21 순천대학교 산학협력단 Method and device for predicting agricultural solar power generation using recurrent neural network

Also Published As

Publication number Publication date
KR20200135078A (en) 2020-12-02

Similar Documents

Publication Publication Date Title
KR102267811B1 (en) System for predicting present state and future state of agriculture solar power generation structure based on rnn
JP2012186263A (en) Diagnostic device and diagnostic method of photovoltaic power generation unit, and photovoltaic power generation system
KR101910892B1 (en) IoT based Mobile Smart Solar Power Generation Management System
CN115146230A (en) Ancient building health monitoring system, method and equipment
CN107121943B (en) Method and device for obtaining health prediction information of intelligent instrument
CN115640860B (en) Electromechanical equipment remote maintenance method and system for industrial cloud service
CN113155196A (en) Bridge operation real-time monitoring system based on AIoT and monitoring method thereof
CN114662619B (en) Bridge monitoring system based on multi-source data fusion
CN113984114B (en) Method for diagnosing abnormality of underwater structure of ocean floating platform
JP2024045515A (en) Structure diagnosis system, structure diagnosis method, and structure diagnosis program
CN101714190A (en) Role diagnostic system for bridge structural state
KR102420957B1 (en) Solar power monitoring system using IoT
KR102097772B1 (en) A platform system for wind power total management
WO2021042233A1 (en) Remote diagnosis system, apparatus and method for power tool
KR101996063B1 (en) USER CUSTOMIZED MONITORING SYSTEM OF SOLAR POWER GENERATION STRUCTURE BASED ON IoT
CN113449689A (en) Communication tower remote monitoring method based on Internet of things platform
CN109118731B (en) Method and system for monitoring and early warning of ice and snow on power transmission line
KR101876717B1 (en) Recovery resource management method and system for recovering disasters and accidents
CN116045893B (en) Deformation monitoring system and method for key components of steel structure factory building
WO2018211639A1 (en) Control device, communication system, and control method
KR102676136B1 (en) Anomaly detection method using multi-generative model independently trained over time
KR102247241B1 (en) Slope real-time unmanned surveillance system with self-diagnosis function
KR101504983B1 (en) Managing device and method for snow load and wind load
CN117589444B (en) Wind driven generator gear box fault diagnosis method based on federal learning
KR200293128Y1 (en) Automated Monitoring System for Management of Slop

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant