KR102517490B1 - 지능형 태양광 진단 시스템 - Google Patents

지능형 태양광 진단 시스템 Download PDF

Info

Publication number
KR102517490B1
KR102517490B1 KR1020210145744A KR20210145744A KR102517490B1 KR 102517490 B1 KR102517490 B1 KR 102517490B1 KR 1020210145744 A KR1020210145744 A KR 1020210145744A KR 20210145744 A KR20210145744 A KR 20210145744A KR 102517490 B1 KR102517490 B1 KR 102517490B1
Authority
KR
South Korea
Prior art keywords
level value
power generation
solar
solar cell
value
Prior art date
Application number
KR1020210145744A
Other languages
English (en)
Inventor
장현수
Original Assignee
장현수
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 장현수 filed Critical 장현수
Priority to KR1020210145744A priority Critical patent/KR102517490B1/ko
Application granted granted Critical
Publication of KR102517490B1 publication Critical patent/KR102517490B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • 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
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/38—Energy storage means, e.g. batteries, structurally associated with PV modules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 지능형 태양광 진단 시스템에 관한 것으로서, 태양으로부터 입사되는 빛에너지를 전기에너지로 변환하는 태양광 발전모듈(100); 상기 태양광 발전모듈(100)과 탈부착이 가능하도록 구비되어 태양전지 각각에 대한 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측한 진단정보와 태양전지별로 기 설정된 식별코드(ID)를 정보통신망을 통해 코디네이터(300)로 전송하는 진단모듈(200); 및 상기 식별코드 각각에 대응하는 진단정보를 토대로 상기 태양광 발전모듈(100)의 발전상황을 실시간으로 모니터링하는 코디네이터(300);를 포함하되, 상기 태양광 발전모듈(100)은, 복수개의 태양전지(110) 각각이 태양으로부터 입사되는 빛에너지를 전기에너지로 변환하되, 상기 진단모듈(200)과의 전기적 접속을 위한 접속단자(120);를 포함하고, 상기 진단모듈(200)은, 탈부착이 가능하도록 상기 태양광 발전모듈(100)의 접속단자(120)와 접속되되, 상기 태양전지(110) 각각으로부터 전력 레벨값, 전류 레벨값 및 전압 레벨값을 인가받고, 과전압 및 역전류를 방지하는 서지보호기(210); 상기 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측하여 태양전지(110) 각각에 대한 음영내역, 고장내역 및 발전량을 토대로 진단정보를 생성하는 진단부(220); 및 상기 진단부(220)로부터 인가받은 진단정보 및 태양전지(110)별로 기 설정된 식별코드(ID)를 정보통신망을 통해 접속된 코디네이터(300)로 전송하는 통신모듈(230);을 포함하며, 상기 진단부(220)는 발전량 예측부(223) 및 고장유무 판단장치(222)를 포함하고, 상기 발전량 예측부(223)는 환경 요소에 기초하여 상기 태양 전지(110) 각각으로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측하되, 일사량, 온도에 대한 정보에 기초하여 계산된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 계산 발전량을 생성하고, 상기 일사량, 온도에 대한 정보를 사용하여 신경회로망(Neural network)을 통한 학습을 진행하여 예측된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 예측 발전량을 생성하며, 상기 고장유무 판단장치(222)는 상기 발전량 예측부(223)로부터 예측된 값과 실제로 측정된 레벨값을 비교하여 상기 태양광 발전모듈(100)에 대한 고장 유무를 판단하되, 실제 상기 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 계산 발전량과 비교하여 상기 태양 전지(110)의 고장유무를 1차적으로 판단하고, 1차적으로 상기 태양 전지(110)가 고장인 것으로 판단된 경우, 실제 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 예측 발전량과 비교하여 상기 태양 전지(110)의 고장유무를 최종적으로 판단하는 것을 특징으로 한다.

Description

지능형 태양광 진단 시스템 {Intelligent Solar Diagnostic System}
본 발명은 지능형 태양광 진단 시스템에 관한 것으로서, 보다 상세하게는, 환경 요소에 기초하여 태양 전지로부터의 레벨값을 예측하여 고장 유무를 감시할 수 있는 지능형 태양광 진단 시스템에 관한 것이다.
태양광 발전에 있어서 종래의 기술은 태양광 발전 시스템의 서로 다른 통신방법이 적용된 전력 변환 장치의 프로토콜 사양을 동일한 방식으로 처리한다. 그리고 전력 변환 장치의 프로토콜 사양을 상위의 서버에 전송하며 다양한 형태의 통신방식을 지원하는 원격 터미널 유닛(Remote Terminal Unit ; RTU)을 이용한 중앙감시시스템의 구축 방법이 개시되어 있다.
원격 터미널 유닛을 이용한 중앙감시 시스템 구축 방법에 있어서는 동일한 발전설비로 구성되어 있어 원격지에 있는 다수의 태양광 발전시설에 설비의 종속성을 갖은 상태에서 현지 각 단말 시스템에 의한 데이터를 수집하고 중앙 통제 시스템으로 전송하는 기능과 중앙 통제 시스템의 지령을 받아 현지단말 시스템에 의한 제어의 실행, 자체 감시 및 경보기능을 구현할 수 있는 이점이 있다.
그러나, 단순히 태양 전지로부터 측정된 레벨값에 기초하여 태양 전지의 고장 유무를 판단하고, 다른 요소를 고려하지 않는 문제점이 있다.
구체적으로, 기존의 고장 유무 판단 절차에서는 실제 태양 전지로부터 측정된 전력 레벨값, 전류 레벨값 및 전압 레벨값에 기초하여 태양전지, 태양광 발전 모듈에 대한 고장유무를 판단한다. 다만, 상기 태양 전지의 고장 유무 판단 시 태양 전지로부터의 직접적인 출력에만 기초하는 경우 환경 요소에 대한 측정 오차 등에 의한 문제를 해결할 수 없다. 또한, 미래의 발전량을 예측하는 것이 불가능한 문제가 있다.
본 발명은 상기와 같은 문제점을 해결하고자 안출된 것으로, 태양광 발전 시스템에서 다양한 환경 요소에 기초하여 태양 전지로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨 값을 예측하는 것을 목적으로 한다.
또한, 본 발명은 직접 계산된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 계산 발전량과 신경회로망(Neural network)을 통한 학습을 통해 예측된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 예측 발전량 둘 모두를 사용하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 보다 정확하게 예측하는 것을 목적으로 한다.
이러한 기술적 과제를 달성하기 위한 본 발명의 지능형 태양광 진단 시스템은, 태양으로부터 입사되는 빛에너지를 전기에너지로 변환하는 태양광 발전모듈(100); 상기 태양광 발전모듈(100)과 탈부착이 가능하도록 구비되어 태양전지 각각에 대한 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측한 진단정보와 태양전지별로 기 설정된 식별코드(ID)를 정보통신망을 통해 코디네이터(300)로 전송하는 진단모듈(200); 및 상기 식별코드 각각에 대응하는 진단정보를 토대로 상기 태양광 발전모듈(100)의 발전상황을 실시간으로 모니터링하는 코디네이터(300);를 포함하되, 상기 태양광 발전모듈(100)은, 복수개의 태양전지(110) 각각이 태양으로부터 입사되는 빛에너지를 전기에너지로 변환하되, 상기 진단모듈(200)과의 전기적 접속을 위한 접속단자(120);를 포함하고, 상기 진단모듈(200)은, 탈부착이 가능하도록 상기 태양광 발전모듈(100)의 접속단자(120)와 접속되되, 상기 태양전지(110) 각각으로부터 전력 레벨값, 전류 레벨값 및 전압 레벨값을 인가받고, 과전압 및 역전류를 방지하는 서지보호기(210); 상기 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측하여 태양전지(110) 각각에 대한 음영내역, 고장내역 및 발전량을 토대로 진단정보를 생성하는 진단부(220); 및 상기 진단부(220)로부터 인가받은 진단정보 및 태양전지(110)별로 기 설정된 식별코드(ID)를 정보통신망을 통해 접속된 코디네이터(300)로 전송하는 통신모듈(230);을 포함하며, 상기 진단부(220)는 발전량 예측부(223) 및 고장유무 판단장치(222)를 포함하고, 상기 발전량 예측부(223)는 환경 요소에 기초하여 상기 태양 전지(110) 각각으로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측하되, 일사량, 온도에 대한 정보에 기초하여 계산된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 계산 발전량을 생성하고, 상기 일사량, 온도에 대한 정보를 사용하여 신경회로망(Neural network)을 통한 학습을 진행하여 예측된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 예측 발전량을 생성하며, 상기 고장유무 판단장치(222)는 상기 발전량 예측부(223)로부터 예측된 값과 실제로 측정된 레벨값을 비교하여 상기 태양광 발전모듈(100)에 대한 고장 유무를 판단하되, 실제 상기 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 계산 발전량과 비교하여 상기 태양 전지(110)의 고장유무를 1차적으로 판단하고, 1차적으로 상기 태양 전지(110)가 고장인 것으로 판단된 경우, 실제 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 예측 발전량과 비교하여 상기 태양 전지(110)의 고장유무를 최종적으로 판단하는 것을 특징으로 한다.
본 발명에 따르면, 태양광 발전 시스템에서 다양한 환경 요소에 기초하여 태양 전지로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨 값을 예측할 수 있다.
또한, 본 발명에 따르면 직접 계산된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 계산 발전량과 신경회로망(Neural network)을 통한 학습을 통해 예측된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 예측 발전량 둘 모두를 사용하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 보다 정확하게 예측할 수 있다.
또한, 본 발명에 따르면, 보다 정확하게 예측된 레벨 값을 이용하여 태양 전지의 고장 유무를 판단함에 따라, 사전에 태양 전지의 고장을 방지할 수 있고, 사후 대처가 가능할 수 있다.
도 1은 종래의 태양광 발전모듈과 진단모듈을 도시한 구성도.
도 2a는 본 발명에 따른 지능형 태양광 진단 시스템을 도시한 구성도.
도 2b는 본 발명에 따른 지능형 태양광 진단 시스템의 태양광 발전모듈과 진단모듈을 도시한 구성도.
도 2c는 본 발명에 따른 지능형 태양광 진단 시스템의 진단모듈에 포함된 구성요소를 도시한 예시도.
도 3은 본 발명에 따른 지능형 태양광 진단 시스템의 ZigBee Star & Mesh 네트워크 구성을 도시한 도면.
도 4는 본 발명에 따른 지능형 태양광 진단 시스템의 태양광 발전 시스템의 감시 계통도를 도시한 도면.
도 5는 본 발명에 따른 지능형 태양광 진단 시스템의 유선통신부에 대한 RS232C 및 RS485의 통신 결선도를 도시한 도면.
도 6은 본 발명에 따른 지능형 태양광 진단 시스템의 유선통신부에 대한 RS422 통신 결선도를 도시한 도면.
도 7a는 본 발명에 따른 지능형 태양광 진단 시스템의 일사량 대비 전력 특성곡선을 도시한 도면.
도 7b는 본 발명에 따른 지능형 태양광 진단 시스템의 최대전력점 대비 전력 특성곡선을 도시한 도면.
도 8은 본 발명에 따른 지능형 태양광 진단 시스템의 일사량 및 최대전력점에서 특성곡선을 도시한 도면.
도 9는 본 발명에 따른 지능형 태양광 진단 시스템의 고장유무 판단장치에 구성된 퍼지 제어기를 도시한 도면.
도 10은 본 발명에 따른 지능형 태양광 진단 시스템의 고장유무 판단장치에 구성된 다중 푸리에 신경회로망 모델을 도시한 도면.
도 11은 본 발명에 따른 지능형 태양광 진단 시스템의 발전량 예측부를 설명하는 도면.
도 12는 본 발명에 따른 지능형 태양광 진단 시스템의 태양광 발전모듈에 대한 고장진단 시스템 개념도.
본 발명의 구체적인 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다. 또한, 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.
이하, 도 2a 및 도 2b를 참조하여 본 발명에 따른 지능형 태양광 진단 시스템(S)에 대해 살피면 아래와 같다.
도 2a 및 도 2b에 도시된 바와 같이 본 발명에 따른 지능형 태양광 진단 시스템(S)은, 태양으로부터 입사되는 빛에너지를 전기에너지로 변환하는 태양광 발전모듈(100), 태양광 발전모듈(100)과 탈부착이 가능하도록 구비되어 태양전지 각각에 대한 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측한 진단정보와 태양전지별로 기 설정된 식별코드(ID)를 정보통신망을 통해 코디네이터(300)로 전송하는 진단모듈(200), 및 식별코드 각각에 대응하는 진단정보를 토대로 태양광 발전모듈(100)의 발전상황을 실시간으로 모니터링하는 코디네이터(300)를 포함하여 구성된다.
구체적으로, 도 2a 및 도 2b를 참조하여 본 발명에 따른 지능형 태양광 진단 시스템(S)의 구성요소에 대해 살피면 아래와 같다.
먼저, 태양광 발전모듈(100)은 복수개의 태양전지(110) 각각이 태양으로부터 입사되는 빛에너지를 전기에너지로 변환하되, 진단모듈(200)과의 접지를 위한 접속단자(120)를 포함하여 구성된다.
또한, 진단모듈(200)은 탈부착이 가능하도록 태양광 발전모듈(100)의 접속단자(120)와 접속되되, 태양전지(110) 각각으로부터 전력 레벨값, 전류 레벨값 및 전압 레벨값을 인가받고, 과전압 및 역전류를 방지하는 서지 보호기(210)와, 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측하여 태양전지(110) 각각에 대한 음영내역, 고장내역 및 발전량을 토대로 진단정보를 생성하는 진단부(220), 및 진단부(220)로부터 인가받은 진단정보 및 태양전지(110)별로 기 설정된 식별코드(ID)를 정보통신망을 통해 접속된 코디네이터(300)로 전송하는 통신모듈(230)로 구성된다.
이때, 통신모듈(230)은 ZigBee, Wi-fi 또는 Bluetooth중에 어느 하나의 통신방식에 의해 코디네이터(300)로 데이터를 전송하는 무선통신부(231)와, RS232C, RS422 또는 RS485 중에 어느 하나의 통신방식에 의해 코디네이터(300)로 데이터를 전송하는 유선통신부(232)를 포함하여 구성된다.
구체적으로, 통신모듈(230)의 무선통신부(231)는 도 2c에 도시된 바와 같이 구성될 수 있는데, ZigBee, Wi-fi 또는 Bluetooth중에 어느 하나의 통신방식으로 데이터를 전송하되, 주파수는 허가 없이 사용할 수 있는 ISM(Industrial, Scientific, Medical) 대역을 사용한다.
또한, 무선통신부(231)의 송출 출력 및 전송 거리는 1mW(0dBm)에서 실내 30m, 실외 100m 전송하고, 1mW이상에서 100m 이상 전송이 가능하며, ZigBee 모듈 제조업체마다 전송 거리는 다를 수 있다.
그리고, 디바이스 구성 및 네트워크 구성에서 Zigbee 디바이스는 코디네이터와 라우터, 엔드디바이스 형태로 구성되며, 코디네이터에 의한 네트워크 구성, 라우터를 이용한 네트워크 확장, 엔드디바이스 네트워크 참여, 64비트 주소를 이용하는 경우 최대 65536개 네트워크 연결이 가능하다.
예컨대, 무선통신부(231)가 ZigBee Star 또는 ZigBee Mesh 네트워크를 구성하여 통신을 수행하는 것을 도 3 및 도 4를 참조하여 살피면 아래와 같다.
먼저, 도 3에 도시된 바와 같이, 코디네이터가 ZigBee 네트워크를 구성하고 라우터/엔드디바이스와 통신을 수행한다.
이어서, 라우터는 코디네이터 또는 라우터와 연결되어 네트워크를 확장하고 코디네이터/라우터/엔드디바이스와 통신을 수행한다.
그리고, 엔드디바이스는 ZigBee 네트워크에 참여 하여 라우터 또는 코디네이터와 통신을 수행한다.
따라서, 본 발명에 따른 무선통신부(231)는 ZigBee Star 형태의 네트워크 구조 또는 ZigBee Mesh 형태의 네트워크 구조를 통해 무선통신을 수행하게 된다.
또한, 도 4에 도시된 바와 같이 태양광 발전모듈별 감시는, 진단모듈(200)에서 전압과 전류를 측정하여 태양광 발전모듈(100)의 음영 및 고장을 감지하는 것으로서, 진단모듈(200)은 무선 코디네이터를 통해 인터넷 시스템과 연결되어 계측된 정보인 진단정보(전압, 전류 및 전력) 및 식별코드(ID)를 코디네이터(300)에게 실시간으로 제공함으로써 태양광 발전 상황을 감시하게 된다.
한편, 통신모듈(230)의 유선통신부(232)는 도 5에 도시된 바와 같이, 태양광 발전모듈(100)로부터 계측된 정보인 진단정보(전압, 전류 및 전력) 및 식별코드(ID)를 RS232C, RS485 또는 RS422 중에 어느 하나의 통신방식에 의해 통신전용 케이블과 접속된 모니터링PC로 전송한다.
이때, 도 5에 도시된 바와 같이, 코디네이터(300)에 구비된 선택스위치를 통해 유선통신부(232)의 RS232C, RS422 및 RS485 각각의 유선통신 방식 및 통신 속도 등을 선택적으로 제공할 수 있으며, 선택스위치 및 전용 케이블의 설치로 여러 유선통신의 호환이 가능하다.
또한, 도 6에 도시된 바와 같이, 진단모듈(200)의 유선통신부(232)가 진단정보(전압, 전류 및 전력) 및 식별 코드(ID)를 RS422 전용 통신방식에 의해 통신전용 케이블과 접속된 모니터링PC로 전송할 수 있다.
또한, 본 발명에 따른 지능형 태양광 진단 시스템(S)의 진단모듈(200)의 진단부(220)는, 전류 레벨값을 도출하는 일사량계 판단장치(221), 및 고장유무 판단장치(222)를 더 포함하여 구성된다.
먼저, 진단부(220)의 일사량계 판단장치(221)는 태양광 발전의 일사량 및 온도를 입력 받아 최대 일사량으로부터 최대전력점에서의 기준 전류를 산출하고, 기준전류로부터 벗어난 정도를 판별하여 태양광 발전시스템의 정상 혹은 비정상 여부를 판단하되, 최대전력점에서의 전류를 통해 일사량 및 온도변화에 대한 최대전력점에서의 전류값을 도출한다.
여기서, 도 7a는 직접적 판단에 기초한 최대전력점(Maximum Power Point Tracking: MPPT)에서의 일사량 대비 전력 특성곡선을 도시한 도면이고, 도 7b는 직접적 판단에 기초한 최대전력점(Maximum Power Point Tracking: MPPT)에서의 최대전력점 대비 전력 특성곡선을 도시한 도면이다. 또한, 일사량 및 온도변화에 대한 최대전력점에서의 전류값은 아래의 [수학식 1]과 같다.
[수학식 1]
Figure 112021124186920-pat00001
여기서, a와 b는 태양광 어레이특성을 분석하여 얻은 계수 값이고, S는 현재 일사량의 값이다.
또한, 태양광 어레이의 표면온도 T ≠Tref(25℃)일대 좀 더 정밀한 Iref을 얻기 위해 아래의 [수학식 2]와 같이 변형이 가능하며, 도 8은 일사량 및 최대전력점에서 특성곡선을 도시한 그래프이다.
[수학식 2]
Figure 112021124186920-pat00002
Figure 112021124186920-pat00003
여기서, T는 현재 태양광 어레이의 표면온도이고, Tref는 기준온도 25℃이며, a, b, c 및 d는 태양광 어레이 특성을 분석하여 얻는 계수 값이고, 이들의 관계를 통해 간략화 하여 계수 α, β를 도출할 수 있다.
또한, 진단부(220)의 고장유무 판단장치(222)는 도 9에 도시된 바와 같이, 퍼지 제어기(Fuzzy Controller)를 통해 태양광 발전모듈(100)에 대한 고장 유무를 판단할 수 있다.
이때, 고장유무 판단장치(222)는 제어 값 또는 제어오차를 퍼지 값으로 환산하여 퍼지화(Fuzzification)하고, Rule base의 기 설정된 기준 값에 따라 태양광 발전모듈(100)의 출력 저하, 음영, 고장을 판별하는 추론(Inference)을 수행하며, 이를 비퍼지 값으로 변환하는 비퍼지화(Defuzzification)과정을 수행하여 태양광 발전모듈(100)에 대한 고장 유무를 판단한다.
또한, 진단부(200)의 고장유무 판단장치(222)는 도 10에 도시된 바와 같이, 신경회로망(Neural network)을 통해 태양광 발전모듈(100)에 대한 고장 유무를 판단할 수 있다.
이때, 고장유무 판단장치(222)는 도 10에 도시된 바와 같이 다중 푸리에 신경회로망을 구성하되, 태양광 시스템의 입력 파라미터 G와 T는 cos 및 sin 함수에 적용되어 각각의 푸리에 신경망을 통해 연산되고, 최종적으로 각각의 출력 신호가 서로 합해져서 최종 출력을 산출하게 되며, 이때 푸리에 신경회로망의 출력식 아래의 [수학식 3]과 같이 도출할 수 있다.
[수학식 3]
Figure 112021124186920-pat00004
Figure 112021124186920-pat00005
여기서,
Figure 112021124186920-pat00006
는 푸리에 신경회로망의 파라미터이고, NG와 NT는 각 노드의 개수를 나타내며 ωπ로 정의된다.
또한, 고장유무 판단장치(222)는 태양광 발전모듈(100)의 신경회로망 모델링은 학습 알고리즘을 통해, 주어진 입력 벡터에 대하여 실제 태양광 발전시스템의 출력 Vpv와 신경회로망의 출력 와의 오차를 최소화하는 최적의 신경회로망 파라미터가 결정되고, 이를 통해 신경회로망 파라미터 학습 알고리즘을 산출한다.
또한, 모델링 오차신호를 이용한 목적함수를
Figure 112021124186920-pat00007
와 같이 정의하며, 최급강하 최적화 기법에 의거하여 신경회로망 파라미터에 대한 수정규칙은 아래의 [수학식 4]와 같이 도출된다.
[수학식 4]
Figure 112021124186920-pat00008
Figure 112021124186920-pat00009
Figure 112021124186920-pat00010
Figure 112021124186920-pat00011
여기서, tk는 학습시간, η는 학습 파라미터로서 0<η<1의 범위를 갖는다. 또한, 상기 [수학식 4]에서 각각의 편미분항은 미분의 연쇄법칙을 적용하여 다음의 [수학식 5]와 같이 전개할 수 있다.
[수학식 5]
Figure 112021124186920-pat00012
Figure 112021124186920-pat00013
Figure 112021124186920-pat00014
Figure 112021124186920-pat00015
또한, [수학식 5]를 [수학식 4]에 대입하면 신경회로망 파라미터 수정규칙은 최종적으로 다음의 [수학식 6]과 같이 도출된다.
[수학식 6]
Figure 112021124186920-pat00016
Figure 112021124186920-pat00017
Figure 112021124186920-pat00018
Figure 112021124186920-pat00019
또한, 고장진단 알고리즘은 신경회로망 모델링과 실제 태양광 시스템의 출력을 서로 비교하여 편자를 검출한 후 주어진 의사결정법에 따라 고장유무를 판단하는 메커니즘으로 구성된다. 이러한 편차신호는 실제 태양광 시스템과 신경회로망 모델간의 실시간 출력오차 ζ와 가우시안 랜덤 노이즈 신호 θ로 구성되며 다음의 [수학식 7]과 같이 표현된다.
[수학식 7]
γ(t) = ζ+ θ
여기서, θ~ N(0,1)이며, 태양광 발전모듈(100)에 고장이 발생하지 않은 경우, 상기 [수학식 7]의 실시간 오차 ζ는 거의 0에 가까운 값을 가지지만 그렇지 않은 경우 ζ의 절대값은 0보다 큰 범위의 값을 가진다. 이러한 개념을 바탕으로 다음의 2진 가설검증을 이용하여 고장검출에 대한 의사결정법을 정의하면 아래의 [수학식 8]과 같다.
[수학식 8]
Figure 112021124186920-pat00020
여기서, γ는 기준갑으로 편자 γ의 절대값이 정의한 설정한 기준값보다 크거나 같으면 시스템에 고장이 발생한 것으로 간주하지만, 그렇지 않은 경우는 정상적으로 동작하는 것을 의미한다. 실제 변수로 정의된 [수학식 8]의 가설검정은 확률분포함수를 이용하여 아래의 [수학식 9]와 같이 정의할 수 있다.
[수학식 9]
Figure 112021124186920-pat00021
이때, [수학식 9]의 가설검정은 랜덤신호 γ를 검출하여 기준 확률분포 N(0,1)과 비교함으로서 고장유무를 판단하는 알고리즘이다.
진단모듈(200)의 진단부(220)는 발전량 예측부(223)를 더 포함한다. 발전량 예측부(223)는 각각의 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측할 수 있다.
발전량 예측부(223)는 환경 요소에 기초하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측할 수 있다. 구체적으로, 발전량 예측부(223)는 날씨 정보에 기초하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측할 수 있다.
먼저, 발전량 예측부(223)는 태앙 전지(110)가 배치된 위치에서의 일사량에 기초하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측할 수 있다. 발전량 예측부(223)는 일사량이 많은 경우에는 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값이 상대적으로 높고, 일사량이 적은 경우에는 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값이 상대적으로 낮을 수 있다.
또한, 발전량 예측부(223)는 태양 전지(110)가 배치된 위치에서의 온도에 기초하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측할 수 있다. 동일한 일사량의 상태에서도 태양 전지(110)가 배치된 위치의 온도 따라 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값이 상이할 수 있다.
발전량 예측부(223)는 상술한 다양한 환경 요소에 기초하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측할 때, 직접 계산된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 계산 발전량과 신경회로망(Neural network)을 통한 학습을 통해 예측된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 예측 발전량을 사용하여 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측할 수 있다.
먼저, 발전량 예측부(223)는 앞서 설명한 다양한 환경 요소 예를 들어, 수평 일사량, 수직 일사량, 외기 온도, 모듈 온도 등에 대한 정보를 수집할 수 있다. 예를 들어, 발전량 예측부(223)는 정해진 시간 주기로 다양한 환경 요소에 대한 정보를 수신할 수 있다. 발전량 예측부(223)는 전달된 환경 요소에 대한 정보에 기초하여 예상되는 발전량을 계산하여 계산 발전량을 생성할 수 있다.
또한, 발전량 예측부(223)는 수신하는 다양한 환경 요소에 대한 정보를 사용하여 신경회로망(Neural network)을 통한 학습을 진행할 수 있다. 이때, 발전량 예측부는 신경회로망(Neural network)을 통한 학습을 통해 예측하는 예측 발전량을 생성할 수 있다. 즉, 발전량 예측부(223)는 과거에 수집된 환경 요소에 대한 정보에 기초하여 학습을 진행하여 예측 발전량을 생성할 수 있다.
도 11은 본 발명에 따른 지능형 태양광 진단 시스템의 발전량 예측부를 설명하는 도면이다. 구체적으로, 도 11은 발전량 예측부(223)의 예측 발전량을 생성하는 것을 설명하는 도면이다.
발전량 예측부(223)는 복수의 입력 노드(223a), 복수의 예측 노드(223b) 및 출력 노드(223c)를 포함할 수 있다.
복수의 입력 노드(223a)는 정해진 시간 주기로 다양한 환경 요소에 대한 정보를 수신할 수 있다. 예를 들어, 복수의 입력 노드(223a)는 일사량, 온도 등에 대한 정보를 수신할 수 있다. 예를 들어, 이때 복수의 입력 노드(223a) 각각이 하나의 환경 요소에 대한 정보를 수신할 수 있고, 총 10개의 환경 요소에 대한 정보를 수신하는 경우 입력 노드(223a)는 총 10개가 사용될 수 있다.
또한, 복수의 입력 노드(223a)는 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 수신할 수 있다. 예를 들어, 총 3개의 입력 노드(223a)가 하나의 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 각각 수신할 수 있다. 예를 들어, 태양 전지(110)의 개수가 총 10개인 경우 총 30개의 입력 노드(223a)가 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 수신하는데 사용될 수 있다.
복수의 예측 노드(223b)는 복수의 입력 노드(223a)로부터의 다양한 정보를 수신하여 복수의 입력 노드(223a)와 복수의 예측 노드(223b) 사이의 가중치를 적용하여 가중합을 계산할 수 있다. 이때, 계산된 가중합을 출력 노드(223c)로 출력할 수 있다. 이때, 계산된 가중합에 전이함수를 적용할 수도 있고, 해당 결과값을 출력 노드(223c)로 출력할 수도 있다.
여기서, 복수의 예측 노드(223b)에서의 가중치 학습은 비선형 최소 자승(nonlinear least squares) 문제를 풀 수 있는 방법이 사용될 수 있다. 예를 들어, 복수의 예측 노드(223b)에서의 가중치 학습은 Levenberg-Marquardt 방법이 사용될 수 있다. Levenberg-Marquardt 방법은 가우스-뉴턴법(Gauss-Newton method)과 gradient descent 방법이 결합된 형태로서 해로부터 멀리 떨어져 있을 때는 gradient descent 방식으로 동작하고 해 근처에서는 가우스-뉴턴 방식으로 해를 찾는 방식이다. Levenberg-Marquardt 방법은 가우스-뉴턴법보다 안정적으로 해를 찾을 수 있으며, 초기값이 해로부터 멀리 떨어진 경우에도 해를 찾을 확률이 높으며, 비교적 빠르게 해에 수렴하기 때문에 비선형 최소 자승 문제에 있어 유리하다. 다만, 이에 제한되지 않고 다른 비선형 최소 자승 문제를 풀 수 있는 학습 방법이 사용될 수도 있다.
출력 노드(223c)는 복수의 예측 노드(223b)로부터의 다양한 정보를 수신하여 복수의 예측 노드(223b)와 출력 노드(223c) 사이의 가중치를 적용하여 가중합을 계산할 수 있다. 이때, 계산된 가중합에 전이함수를 적용할 수도 있고, 해당 결과값을 고장유무 판단장치(222)로 출력할 수도 있다. 여기서 결과값은 각각의 태양 전지(110)의 예측 발전량으로, 각각의 태양 전지(110)의 전력 레벨값, 전류 레벨값 및 전압 레벨값에 대한 예측 발전량이다.
여기서, 출력 노드(223c)에서의 가중치 학습은 비선형 최소 자승 문제를 풀 수 있는 방법이 사용될 수 있다. 예를 들어, 출력 노드(223c)에서의 가중치 학습은 Levenberg-Marquardt 방법이 사용될 수 있다.
이러한 학습 방법을 사용하여, 발전량 예측부(223)는 전달된 환경 요소에 대한 정보에 기초하여 예상되는 발전량을 계산하여 예측 발전량을 생성할 수 있다.
고장유무 판단장치(222)는 발전량 예측부(223)로부터의 계산 발전량 및 예측 발전량을 실제 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값과 비교하여 태양 전지(110)의 고장유무를 판단할 수 있다.
먼저, 고장유무 판단장치(222)는 실제 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 계산 발전량과 비교하여 태양 전지(110)의 고장유무를 판단할 수 있다. 즉, 고장유무 판단장치(222)는 실제 측정된 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값과 발전량 예측부(223)가 다양한 환경 요소로부터 계산한 계산값을 비교하여 그 차이가 임계치 이상인 경우 태양 전지(110)가 고장난 것으로 1차적으로 판단할 수 있다.
다만, 보다 정밀한 고장유무 판단을 위해, 고장유무 판단장치(222)는 실제 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 예측 발전량과 비교하여 태양 전지(110)의 고장유무를 최종적으로 판단할 수 있다. 즉, 고장유무 판단장치(222)는 현재의 환경 정보에 기초하여 생성된 계산 발전량뿐만 아니라, 과거의 환경 정보에 대해서도 학습을 통해 예측된 값이 예측 발전량을 실제 측정된 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값과 비교하여 그 차이가 임계치 이상인 경우 태양 전지(110)가 고장난 것으로 최종적으로 판단하고, 그 차이가 임계치 미만인 경우 태양 전지(110)가 정상인 것으로 최종적으로 판단할 수 있다. 이에, 고장유무 판단장치(222)는 보다 정밀하게 태양 전지(110)의 고장유무를 판단할 수 있다.
한편, 도 12는 본 발명에 따른 고장유무 판단장치(222)의 태양광 발전모듈(100)에 대한 고장진단 시스템 개념도이다. 도 12에 도시된 바와 같이 신경회로망 모델 및 고장진단 알고리즘을 적용하여 태양광 발전모듈(100) 각각으로부터 검출되는 값을 비교하고, 최적의 출력값을 예측하여 태양광 발전시스템의 음영 및 고장여부 등을 진단할 수 있다.
전술한 바와 같이, 본 발명에 따른 지능형 태양광 진단 시스템(S)의 진단모듈(200)은, 태양광 발전모듈(100)의 접속단자(120)에 의해 탈부착이 가능하도로 구성됨에 따라 음영발생, 고장발생 또는 크랙이 발생한 경우, 교체를 통해 효율적인 유지보수가 가능하다.
그리고, 코디네이터(300)는 정보통신망을 통해 접속된 진단모듈(200)로부터 식별코드 각각에 대응하는 진단정보를 토대로 태양광 발전모듈(100)의 발전상황을 실시간으로 모니터링을 수행하며, 관리자의 조작을 통해 입력받은 제어신호를 분석모듈(200)로 전송하여 분석모듈(200)의 작동상태를 제어한다.
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등 물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
S: 지능형 태양광 진단 시스템
100: 태양광 발전모듈
110: 태양전지
120: 접속단자
200: 진단모듈
210: 서지보호기
220: 진단부
221: 일사량계 판단장치
222: 고장유무 판단장치
223: 발전량 예측부
223a: 입력 노드
223b: 예측 노드
223c: 출력 노드
230: 통신모듈
231: 무선통신부
232: 무선통신부
300: 코디네이터

Claims (11)

  1. 태양광 진단 시스템에 있어서,
    태양으로부터 입사되는 빛에너지를 전기에너지로 변환하는 태양광 발전모듈(100);
    상기 태양광 발전모듈(100)과 탈부착이 가능하도록 구비되어 태양전지 각각에 대한 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측한 진단정보와 태양전지별로 기 설정된 식별코드(ID)를 정보통신망을 통해 코디네이터(300)로 전송하는 진단모듈(200); 및
    상기 식별코드 각각에 대응하는 진단정보를 토대로 상기 태양광 발전모듈(100)의 발전상황을 실시간으로 모니터링하는 코디네이터(300);를 포함하되,
    상기 태양광 발전모듈(100)은, 복수개의 태양전지(110) 각각이 태양으로부터 입사되는 빛에너지를 전기에너지로 변환하되, 상기 진단모듈(200)과의 전기적 접속을 위한 접속단자(120);를 포함하고,
    상기 진단모듈(200)은, 탈부착이 가능하도록 상기 태양광 발전모듈(100)의 접속단자(120)와 접속되되, 상기 태양전지(110) 각각으로부터 전력 레벨값, 전류 레벨값 및 전압 레벨값을 인가받고, 과전압 및 역전류를 방지하는 서지보호기(210); 상기 전력 레벨값, 전류 레벨값 및 전압 레벨값을 계측하여 태양전지(110) 각각에 대한 음영내역, 고장내역 및 발전량을 토대로 진단정보를 생성하는 진단부(220); 및 상기 진단부(220)로부터 인가받은 진단정보 및 태양전지(110)별로 기 설정된 식별코드(ID)를 정보통신망을 통해 접속된 코디네이터(300)로 전송하는 통신모듈(230);을 포함하며,
    상기 진단부(220)는 발전량 예측부(223) 및 고장유무 판단장치(222)를 포함하고,
    상기 발전량 예측부(223)는 환경 요소에 기초하여 상기 태양 전지(110) 각각으로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 예측하되, 일사량, 온도에 대한 정보에 기초하여 계산된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 계산 발전량을 생성하고, 상기 일사량, 온도에 대한 정보를 사용하여 신경회로망(Neural network)을 통한 학습을 진행하여 예측된 전력 레벨값, 전류 레벨값 및 전압 레벨값을 포함하는 예측 발전량을 생성하며,
    상기 고장유무 판단장치(222)는 상기 발전량 예측부(223)로부터 예측된 값과 실제로 측정된 레벨값을 비교하여 상기 태양광 발전모듈(100)에 대한 고장 유무를 판단하되, 실제 상기 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 계산 발전량과 비교하여 상기 태양 전지(110)의 고장유무를 1차적으로 판단하고, 1차적으로 상기 태양 전지(110)가 고장인 것으로 판단된 경우, 실제 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 발전량 예측부(223)로부터의 예측 발전량과 비교하여 상기 태양 전지(110)의 고장유무를 최종적으로 판단하는 것을 특징으로 하는 지능형 태양광 진단 시스템.
  2. 제1항에 있어서,
    상기 진단부(220)는,
    간접적 판단에 기초한 신경회로망(Neural network) 및 퍼지제어를 통해 상기 태양광 발전모듈(100)에 대한 고장 유무를 판단하되,
    상기 고장유무 판단장치(222)는 다중 푸리에 신경회로망을 구성하여 제어값 또는 제어오차를 퍼지 값으로 환산하여 퍼지화(Fuzzification)하고, Rule base의 기 설정된 기준 값에 따라 태양광 발전모듈(100)의 출력 저하, 음영 및 고장을 판별하는 추론(Inference)을 수행하며, 이를 비퍼지 값으로 변환하는 비퍼지화(Defuzzification)과정을 수행하여 상기 태양광 발전모듈(100)에 대한 고장 유무를 판단하는 것을 특징으로 하는 지능형 태양광 진단 시스템.
  3. 제2항에 있어서,
    상기 진단부(220)는,
    태양광 발전의 일사량 및 온도를 입력 받아 최대 일사량으로부터 최대전력점에서의 기준 전류를 산출하고, 기준전류로부터 벗어난 정도를 판별하여 태양광 발전시스템의 정상 혹은 비정상 여부를 판단하되,
    직접적 판단에 기초한 최대전력점(Maximum Power Point Tracking: MPPT)에서의 전류를 통해 일사량 및 온도변화에 대한 최대전력점에서의 전류값을 도출하는 일사량계 판단장치(221);를 더 포함하는 것을 특징으로 하는 지능형 태양광 진단 시스템.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 고장유무 판단장치(222)는,
    실제 상기 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값과 발전량 예측부(223)로부터의 예측 발전량과의 차이가 임계치 이상인 경우 상기 태양 전지(110)를 최종적으로 고장으로 판단하고,
    실제 상기 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값과 발전량 예측부(223)로부터의 예측 발전량과의 차이가 임계치 미만인 경우 상기 태양 전지(110)를 최종적으로 정상으로 판단하는 것을 특징으로 하는 지능형 태양광 진단 시스템.
  9. 제1항에 있어서,
    상기 발전량 예측부(223)는 복수의 입력 노드(223a), 복수의 예측 노드(223b) 및 출력 노드(223c)를 포함하고,
    상기 복수의 입력 노드(223a) 중 일부는 정해진 시간 주기로 다양한 환경 요소에 대한 정보를 수신하고, 다른 일부는 태양 전지(110)로부터의 전력 레벨값, 전류 레벨값 및 전압 레벨값을 상기 코디네이터(300)를 통하여 수신하고,
    상기 복수의 예측 노드(223b)는 상기 복수의 입력 노드(223a)로부터의 정보를 수신하여 상기 복수의 입력 노드(223a)와 상기 복수의 예측 노드(223b) 사이의 가중치를 적용하여 가중합을 계산하여 상기 출력 노드(223c)로 출력하고,
    상기 출력 노드(223c)는 상기 복수의 예측 노드(223b)로부터의 정보를 수신하여 상기 복수의 예측 노드(223b)와 상기 출력 노드(223c) 사이의 가중치를 적용하여 가중합을 계산하여 상기 고장유무를 판단장치(222)로 출력하는 것을 특징으로 하는 지능형 태양광 진단 시스템.
  10. 제9항에 있어서,
    상기 복수의 예측 노드(223b) 및 상기 출력 노드(223c)에서의 가중치 학습은 비선형 최소 자승(nonlinear least squares) 문제를 풀기 위한 방법이 사용되는 것을 특징으로 하는 지능형 태양광 진단 시스템.
  11. 제9항에 있어서,
    상기 출력 노드(223c)가 상기 고장유무 판단장치(222)로 출력하는 결과값은 태양 전지(110)의 예측 발전량인 것을 특징으로 하는 지능형 태양광 진단 시스템.



KR1020210145744A 2021-10-28 2021-10-28 지능형 태양광 진단 시스템 KR102517490B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210145744A KR102517490B1 (ko) 2021-10-28 2021-10-28 지능형 태양광 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210145744A KR102517490B1 (ko) 2021-10-28 2021-10-28 지능형 태양광 진단 시스템

Publications (1)

Publication Number Publication Date
KR102517490B1 true KR102517490B1 (ko) 2023-04-04

Family

ID=85928709

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210145744A KR102517490B1 (ko) 2021-10-28 2021-10-28 지능형 태양광 진단 시스템

Country Status (1)

Country Link
KR (1) KR102517490B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101729217B1 (ko) * 2016-07-28 2017-05-02 주식회사 케이디티 태양광 발전 시스템의 인버터 mppt 성능 진단 장치 및 방법
KR102046975B1 (ko) * 2019-05-31 2019-11-20 이에스솔라 주식회사 아크 검출이 가능한 태양광 접속반
KR20200102619A (ko) * 2019-02-21 2020-09-01 주식회사 알티엠테크 태양광 모듈 모니터링 장치 및 모니터링 방법
KR20200140963A (ko) * 2019-06-07 2020-12-17 전주술 지능형 안전관리가 가능한 태양광 접속반

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101729217B1 (ko) * 2016-07-28 2017-05-02 주식회사 케이디티 태양광 발전 시스템의 인버터 mppt 성능 진단 장치 및 방법
KR20200102619A (ko) * 2019-02-21 2020-09-01 주식회사 알티엠테크 태양광 모듈 모니터링 장치 및 모니터링 방법
KR102046975B1 (ko) * 2019-05-31 2019-11-20 이에스솔라 주식회사 아크 검출이 가능한 태양광 접속반
KR20200140963A (ko) * 2019-06-07 2020-12-17 전주술 지능형 안전관리가 가능한 태양광 접속반

Similar Documents

Publication Publication Date Title
KR101201863B1 (ko) 단위 모듈 감시가 가능한 태양광 진단 시스템
US10218181B2 (en) Grid frequency response
US10962576B2 (en) Estimation of shading losses for photovoltaic systems from measured and modeled inputs
KR102023465B1 (ko) 사물인터넷을 이용한 태양광 발전장치의 고장진단시스템 및 그 방법
KR101916926B1 (ko) 비정상 정보 검출 기술을 적용한 스마트 미터 시스템 및 검출 방법
KR102084784B1 (ko) 머신러닝기반 태양광발전운영 관리방법
KR102352588B1 (ko) 선형회귀모델을 이용하여 태양광 발전에서의 인버터 효율 정보를 도출하는 장치 및 방법
US20210313928A1 (en) Method and apparatus for determining key performance photovoltaic characteristics using sensors from module-level power electronics
Ventura et al. Development of models for on-line diagnostic and energy assessment analysis of PV power plants: The study case of 1 MW Sicilian PV plant
KR102428602B1 (ko) 태양광 발전 시스템에서 수집한 데이터를 통합적으로 관리하여 설비의 상태를 자동으로 모니터링하는 장치 및 방법
CN113473514B (zh) 电力无线专网故障诊断模型训练方法、诊断方法及装置
US10691085B2 (en) Defect detection in power distribution system
KR101743485B1 (ko) 소물인터넷을 이용한 태양광발전 진단시스템
KR20200114130A (ko) 태양광 발전 고장 진단 방법 및 시스템
Kingsley-Amaehule et al. Smart Intelligent Monitoring and Maintenance Management of Photo-voltaic Systems
KR20190066135A (ko) 태양광 발전시스템의 고장 진단 시스템
CN117318111B (zh) 一种基于天气预测的光储能源动态调节方法及***
CN116800199A (zh) 一种分布式光伏运行电能质量监测与分析方法
KR102517490B1 (ko) 지능형 태양광 진단 시스템
Okere et al. A review of conventional fault detection techniques in solar PV systems and a proposal of long range (LoRa) wireless sensor network for module level monitoring and fault diagnosis in large solar PV farms
KR102498535B1 (ko) 신재생에너지 발전 관리 시스템
KR102379984B1 (ko) 신재생에너지 발전 관리 시스템
Kala et al. Introduction to condition monitoring of PV system
García-Valle et al. Design of a smart metering device with edge computing for monitoring silicon photovoltaic panels
JP6664027B1 (ja) 太陽電池ストリングの劣化検出方法、劣化検出システム及び劣化検出装置

Legal Events

Date Code Title Description
GRNT Written decision to grant