지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박준호
- 발행연도
- 2023
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수7
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 정보통신기술이 발달함으로 인해, 태양광발전 시스템(PV)을 모니터링하고 계측데이터를 모아서 통합적으로 관리하는 프로그램이 개발되고 있으며, 누적된 데이터가 방대하므로 빅데이터를 분석하여 고장을 검출 및 분류하는 기술에 대한 관심이 증가하고 있다. 기존의 PV 고장 검출 및 분류를 위한 전기적 접근방법은 각 모듈의 전압, 전류를 직접 측정하여 특성곡선의 변화를 이용하여 고장을 분류하는 방식이 대부분이며 분류에 다양한 기법들이 적용되고 있다. 그러나, 부유식 태양광발전단지나 대규모 태양광발전단지의 경우 직접적인 전압, 전류 계측이 어렵거나 비용이 많이 소요되고, 센서를 모듈별로 설치하기에 경제성이 없으므로, 모니터링에 사용되는 계측데이터만을 이용하여 유지관리할 수 있는 기술 개발이 필요하다. 따라서, 본 연구에서는 실제 PV의 계측데이터를 분석하고 실제 고장사례 데이터의 특성을 추출하여 데이터 기반으로 분류가 가능한 고장유형을 선정하고, 이를 기계학습 기법을 이용하여 고장을 검출하고 분류하는 방법을 제안하고자 한다. 실제 계측데이터를 분석하였을 때 인버터에서 주파수, 전류, 전압의 출력 이상이 발생한 경우 태양광발전 표준에 의해 1초 이내에 전원이 차단되므로 고장 발생시 인버터 전력은 0kW로 계측되었다. 따라서, 과주파수, 저주파수, 과전류, 과전압과 같은 인버터에서 검출되는 고장은 데이터 특성이 같았으므로, 이를 인버터 고장으로 통합하여 검출하며 고장 종류를 분류하지는 않는다. 한편, 인버터에서 보호하지 못하는 고장 중 스트링 고장은 스트링이 내외부 원인에 의해 끊어지거나 손상되어 출력이 작아지는 고장이다. 따라서, 계측데이터를 이용하여 분류 가능한 고장으로 인버터 고장과 스트링 고장을 고장 유형으로 선정하였다. 3년간의 PV 운영데이터를 수집하고 분석한 결과, 일사량 대비 발전량의 선형 관계를 이용하여 고장 검출 및 분류가 가능할 것으로 판단하였고 PV 효율이 환경에 따라 변화하므로 데이터를 기반으로 PV효율을 학습할 수 있는 기계학습 기법을 사용하였다. PV 고장 검출 및 분류 모델은 계측데이터 수집, 전처리, 날씨 구분, 고장데이터 생성, 고장 분류기 학습, 고장 검출 및 분류의 절차로 개발하였다. 사례연구에서는 각각의 고장유형별, 날씨별, 학습기간별, 입력변수별, 기계학습 기법별 고장 분류기를 학습하였고 고장분류 정확도 결과를 비교하여 가장 적합한 모델을 개발하고자 하였다. 그 결과, 맑은 날에 고장분류 정확도가 높았고, 학습데이터는 최근 데이터와 같은 월(月)의 데이터를 누적하였을 때 고장분류 정확도가 대부분 증가했다. 입력변수는 기상청 일사량과 발전량으로 고장 분류하였을 때 가장 정확도가 높았다. 또한 기계학습기법 중 3차 SVM의 고장분류 정확도가 가장 높았으며, kNN, ANN이 뒤를 이었다. 또한, 계절별 평균값을 비교한 결과 SVM 기법을 사용하였을 때 계절에 관계없이 고장분류 정확도가 높은 결과를 얻었다. 본 연구의 PV 고장 검출 및 분류 모델 연구 결과를 활용하여 대규모이거나 접근하기 힘든 위치의 PV의 유지관리 프로그램에 활용한다면, 계측데이터만을 이용하여 분석하기 때문에 추가 비용이 없어 경제적으로 고장 여부 및 위치를 빠르게 정확하게 확인할 수 있어 PV 수익을 높이고 보급 활성화에 기여할 수 있을 것으로 기대된다.
목차
1. 서론 11.1 연구의 배경 11.2 선행연구 31.3 논문의 구성 82. 태양광발전시스템(PV)의 수학적 모델 112.1 태양전지 원리 및 PV 구성 112.2 PV의 출력 특성곡선 153. PV 계측데이터 수집 및 분석 183.1 PV 계측데이터 수집 183.2 PV 계측데이터 통계적 분석 253.3 PV 고장사례 분석 314. 기계학습 기반 PV 고장 검출 및 분류 모델 404.1 기계학습 기법 434.2 기계학습 기반 PV 고장 검출 및 분류 모델 제안 525. 사례연구 565.1 PV 고장데이터 생성 575.2 PV 고장 검출 및 분류 모의 626. 결론 896.1 요약 및 고찰 896.2 향후 연구 방향 92참고문헌 94Appendix 98영문요약 103
최근 본 자료
댓글(0)
0