[논문]태양광 발전 시스템을 위한 유비쿼터스 네트워킹 기반 지능형 모니터링 및 고장진단 기술

조현철; 심광열

doi:10.5370/kiee.2010.59.9.1673

문제 정의

본 논문은 지능형 알고리즘 및 확률론적 기법을 이용한 태양광 발전 시스템의 모니터링 및 고장진단 기법을 제안한다. 우선, 태양광 발전 시스템의 동적 모델링을 위하여 푸리에 신경회로망을 구성하였으며, 최급강하 최적화기법을 이용하여 학습 알고리즘을 산출한다.
본 논문은 태양광 발전 시스템의 모니터링 시스템과 고장진단 기술을 개발하였다. 모니터링 시스템은 USN 기술을 이용하여 무선으로 시스템을 감시할 수 있는 방법을 제안하였으며, 고장진단은 GLRT 기법을 사용하여 확률론적 알고리즘을 연구하였다.
본 절은 USN 기술을 이용한 태양광 발전 시스템의 무선 모니터링 시스템 구현에 대하여 서술한다. 그림 7은 이러한 시스템의 개념도를 보여준다.
이러한 흐름 속에서 태양광 시스템의 성능을 향상시키기 위한 다양한 연구가 진행 중에 있으며, 이는 대전력 태양광 소자 개발을 시작으로 고효율 전력변환 시스템, 최대전력추종기술 등 여러 가지 공학적 기술 분야를 포함하고 있다[1-3]. 이러한 연구목적은 기존의 고전적인 발전소 시스템에 버금가는 대용량의 발전시스템을 매우 효율적으로 구현하기 위한 것으로 간주할 수 있다.

가설 설정

한편, 가설 H1에서 m과 σ2는 γ에 대한 데이터를 이용하여 추정되어야 할 파라미터이다.

제안 방법

구성한 태양광 발전 시스템의 test-bed에 대하여 일사량 및 주위온도에 따른 출력 전압을 측정하였다. 주위온도는 각각 15℃, 25℃, 35℃로 설정하였으며, 이러한 두 온도 조건하에 일사량을 150∼950[W/m²]의 범위에서 100[W/m²]간격으로 증가시켜 출력전압을 관측하였으며, 측정 결과값을 표 2에 나타내었다.
우선, 태양광 발전 시스템의 동적 모델링을 위하여 푸리에 신경회로망을 구성하였으며, 최급강하 최적화기법을 이용하여 학습 알고리즘을 산출한다. 다음으로, 실제 시스템과 신경회로망 모델과의 편차를 이용하여 고장진단에 대한 가설검증 알고리즘을 제안하며, 고장유무의 판단은 기존의 GLRT 기법을 적용한다. 또한, 하드웨어 구현의 측면에서, USN 기술을 이용한 태양광 발전 시스템의 무선 모니터링 시스템도 구현한다.
다음은 태양광 발전 시스템의 고장검출에 대한 실험을 을 위하여, 전체 모니터링 시간을 500초로 하였으며 이때 250초에서 인위적으로 고장을 발생시켰다. 그림 12는 이러한 고장 설정에 대한 태양광 발전 시스템의 출력 전압을 보여주고 있다.
다음으로, 실제 시스템과 신경회로망 모델과의 편차를 이용하여 고장진단에 대한 가설검증 알고리즘을 제안하며, 고장유무의 판단은 기존의 GLRT 기법을 적용한다. 또한, 하드웨어 구현의 측면에서, USN 기술을 이용한 태양광 발전 시스템의 무선 모니터링 시스템도 구현한다. 유비쿼터스 센서는 기존에 널리 사용하고 있는 Zigbee 모듈을 이용하였으며, 각 프로세서간의 신호처리 및 제어는 Atmega 프로세서를 이용하여 실현하였다.
본 논문은 태양광 발전 시스템의 모니터링 시스템과 고장진단 기술을 개발하였다. 모니터링 시스템은 USN 기술을 이용하여 무선으로 시스템을 감시할 수 있는 방법을 제안하였으며, 고장진단은 GLRT 기법을 사용하여 확률론적 알고리즘을 연구하였다. 본 논문에서 제안한 기술의 타당성을 검증하기 위하여 실시간 test-bed를 제작하여 실험을 실시하였다.
본 논문에서 구성하는 태양광 발전 시스템의 고장진단은 3장에서 언급한 신경회로망 모델과 실제 태양광 시스템의 출력을 서로 비교하여 편차(residue)를 검출한 후 주어진 의사결정법(decision making)에 따라 고장유무를 판단하는 메커니즘으로 구성된다(그림 5 참조). 이러한 편차신호는 실제 태양광 시스템과 신경회로망 모델간의 실시간 출력오차 ς(t)와 가우시안 랜덤 노이즈 신호 θ(t)로 구성되며 다음과 같이 표현된다.
본 논문에서 제안한 고장진단 시스템을 검증을 하기 위하여, test-bed를 제작하여 실시간 실험을 실시하였다. 실험에 사용한 태양광 발전 시스템은 Shell Solar 사의 SE50 태양광 모듈을 사용하였으며 주요 사양은 표 1과 같다.
모니터링 시스템은 USN 기술을 이용하여 무선으로 시스템을 감시할 수 있는 방법을 제안하였으며, 고장진단은 GLRT 기법을 사용하여 확률론적 알고리즘을 연구하였다. 본 논문에서 제안한 기술의 타당성을 검증하기 위하여 실시간 test-bed를 제작하여 실험을 실시하였다. 본 실험을 통해 성능의 우수성을 입증하였으며 실적용 가능성 또한 검증하였다.
본 논문은 이러한 사양을 만족시키기 위하여 그림 4와 같은 다중 푸리에 신경회로망을 구성한다. 푸리에 신경회로망은 잘 알려진 푸리에 급수를 신경회로망으로 구성한 것으로서 동적함수를 모델링하는데 매우 우수한 것으로 보고되고 있다[7].
와의 오차를 최소화하는 최적의 신경회로망 파라미터를 결정하는 것을 의미한다. 본 논문은 최급강하 최적화 알고리즘을 이용하여 신경회로망 파라미터 학습 알고리즘을 산출한다. 우선, 모델링 오차신호를 이용한 목적함수를 #와 같이 정의한다.
본 논문은 지능형 알고리즘 및 확률론적 기법을 이용한 태양광 발전 시스템의 모니터링 및 고장진단 기법을 제안한다. 우선, 태양광 발전 시스템의 동적 모델링을 위하여 푸리에 신경회로망을 구성하였으며, 최급강하 최적화기법을 이용하여 학습 알고리즘을 산출한다. 다음으로, 실제 시스템과 신경회로망 모델과의 편차를 이용하여 고장진단에 대한 가설검증 알고리즘을 제안하며, 고장유무의 판단은 기존의 GLRT 기법을 적용한다.
01로 설정하였다. 전체 학습 주기는 1000번으로 하였으며 가장 작은 자승 오차값을 갖도록 반복 학습을 실시하였다. 그림 10은 신경회로망의 학습오차에 대한 파형을 보여준다.
주위온도는 각각 15℃, 25℃, 35℃로 설정하였으며, 이러한 두 온도 조건하에 일사량을 150∼950[W/m2]의 범위에서 100[W/m2]간격으로 증가시켜 출력전압을 관측하였으며, 측정 결과값을 표 2에 나타내었다.
주위온도는 각각 15℃, 25℃, 35℃로 설정하였으며, 이러한 두 온도 조건하에 일사량을 150∼950[W/m²]의 범위에서 100[W/m²]간격으로 증가시켜 출력전압을 관측하였으며, 측정 결과값을 표 2에 나타내었다. 한편, 측정 데이터에 대하여 보간법(interpolation)을 적용하여 데이터 수를 증가시켜 신경회로망의 학습 패턴으로 사용하였다.

대상 데이터

실험에 사용한 태양광 발전 시스템은 Shell Solar 사의 SE50 태양광 모듈을 사용하였으며 주요 사양은 표 1과 같다. 그림 9는 본 실험을 위하여 제작된 USN 하드웨어 보드를 보여주며, USN mote와 마이크로프로세서를 함께 구성한 임베디드(embedded) 형태의 test-bed로 구성하였다.
태양광 발전 시스템에서 검출한 출력전압은 USN mote를 통해 원격지의 USN mote로 전송되어 PC를 통해 모니터링 된다. 본 논문의 USN mote는 2.4GHz의 대역폭을 갖는 ZigBee 통신모듈인 MANGO- MG2400 프로세서를 사용하였으며, 최대 1Mbps까지의 전송속도를 지원하며 IEEE802.15.4 표준을 지원한다. 특히 이 USN 모듈은 5MHz 간격으로 16개의 채널이 할당되어있으며, 모듈 내부에는 8051 core가 장착되어 ZigBee stack을 내부에서 프로그램하여 통신을 행하는 방식이다.
본 논문에서 제안한 고장진단 시스템을 검증을 하기 위하여, test-bed를 제작하여 실시간 실험을 실시하였다. 실험에 사용한 태양광 발전 시스템은 Shell Solar 사의 SE50 태양광 모듈을 사용하였으며 주요 사양은 표 1과 같다. 그림 9는 본 실험을 위하여 제작된 USN 하드웨어 보드를 보여주며, USN mote와 마이크로프로세서를 함께 구성한 임베디드(embedded) 형태의 test-bed로 구성하였다.

데이터처리

본 논문에서 제안한 기술의 타당성을 검증하기 위하여 실시간 test-bed를 제작하여 실험을 실시하였다. 본 실험을 통해 성능의 우수성을 입증하였으며 실적용 가능성 또한 검증하였다. 향후 연구로는 본 연구에서 개발한 기술을 대규모 태양광 발전 시스템에 적용할 것을 계획하고 있다.
이 결과파형을 보면, 학습 횟수가 약 280회까지 오차가 점근적(asymptotical) 지수형태로 점차 감소하는 것을 볼 수 있으며, 그 이후로는 오차가 거의 0에 가까운 것을 볼 수 있다. 이러한 학습과정을 거쳐 구성한 신경회로망에 대하여 일반화(generalization) test를 실시하여 실제 시스템과의 입출력 함수관계를 검증하였다. 그림 11은 이러한 일반화 검증에 대한 결과 파형을 보여준다.

이론/모형

한편, 가설 H₁에서 m과 σ²는 γ에 대한 데이터를 이용하여 추정되어야 할 파라미터이다. 따라서 이 두 파라미터를 추정함과 동시에 가설검증이 이루어지는 GLRT 알고리즘[8]을 이용하여 고장검출 함수를 정의한다.
또한, 하드웨어 구현의 측면에서, USN 기술을 이용한 태양광 발전 시스템의 무선 모니터링 시스템도 구현한다. 유비쿼터스 센서는 기존에 널리 사용하고 있는 Zigbee 모듈을 이용하였으며, 각 프로세서간의 신호처리 및 제어는 Atmega 프로세서를 이용하여 실현하였다. 실시간 실험을 통해 본 논문에서 구축한 무선 모니터링 시스템의 실적용 가능성과 고장진단 알고리즘의 타당성을 검증하였다.
태양광 시스템에 고장이 발생하지 않은 경우, 즉 정상적으로 동작하는 경우에 식 (8)의 실시간 오차 ς는 거의 0에 가까운 값을 가지지만, 그렇지 않은 경우는 즉, 고장이 발생한 경우 ς의 절대값은 0 보다 큰 범위의 값을 가진다. 이러한 개념을 바탕으로 다음의 2진 가설검증(binary hypothesis testing)을 이용하여 고장검출에 대한 의사결정법을 정의한다.

성능/효과

이러한 실험을 통해 데이터 길이 대하여 고장검출시간이나 신호형태 등에 직접적으로 연관이 있는 것을 볼 수 있다. 따라서 적절한 데이터 수를 선정하여 고장검출 알고리즘에 적용하여야 한다는 것을 알 수 있으며, 나아가 이러한 실험을 통해 본 논문에서 제안한 신경회로망 모델링 및 고장진단 기법이 타당하다는 결론을 지을 수 있다.
유비쿼터스 센서는 기존에 널리 사용하고 있는 Zigbee 모듈을 이용하였으며, 각 프로세서간의 신호처리 및 제어는 Atmega 프로세서를 이용하여 실현하였다. 실시간 실험을 통해 본 논문에서 구축한 무선 모니터링 시스템의 실적용 가능성과 고장진단 알고리즘의 타당성을 검증하였다.
그림 10은 신경회로망의 학습오차에 대한 파형을 보여준다. 이 결과파형을 보면, 학습 횟수가 약 280회까지 오차가 점근적(asymptotical) 지수형태로 점차 감소하는 것을 볼 수 있으며, 그 이후로는 오차가 거의 0에 가까운 것을 볼 수 있다. 이러한 학습과정을 거쳐 구성한 신경회로망에 대하여 일반화(generalization) test를 실시하여 실제 시스템과의 입출력 함수관계를 검증하였다.

후속연구

본 실험을 통해 성능의 우수성을 입증하였으며 실적용 가능성 또한 검증하였다. 향후 연구로는 본 연구에서 개발한 기술을 대규모 태양광 발전 시스템에 적용할 것을 계획하고 있다.
향후의 대용량 태양광 발전 시스템이 구현될 경우 고장으로 인한 경제성 및 안정성 문제도 크게 대두될 것이다. 현재까지의 태양광 시스템은 그 규모가 작거나 발전량이 적어 고장이나 시스템 오동작으로 인한 기술적 문제점을 크게 다루지 않았다.

핵심어	질문	논문에서 추출한 답변
	태양광 시스템의 성능을 향상시키기 위한 다양한 연구는 어떤 분야를 포함하는가?	신재생 에너지 기술의 일종인 태양광 발전 시스템은 최근 산업체나 가정에서도 많은 각광을 받고 있는 전기설비 시스템이다. 이러한 흐름 속에서 태양광 시스템의 성능을 향상시키기 위한 다양한 연구가 진행 중에 있으며, 이는 대전력 태양광 소자 개발을 시작으로 고효율 전력변환 시스템, 최대전력추종기술 등 여러 가지 공학적 기술 분야를 포함하고 있다[1-3]. 이러한 연구목적은 기존의 고전적인 발전소 시스템에 버금가는 대용량의 발전시스템을 매우 효율적으로 구현하기 위한 것으로 간주할 수 있다.
	대용량 태양광 발전 시스템이 구현될 경우 대두될 것으로 예상되는 문제점은 무엇인가?	향후의 대용량 태양광 발전 시스템이 구현될 경우 고장으로 인한 경제성 및 안정성 문제도 크게 대두될 것이다. 현재까지의 태양광 시스템은 그 규모가 작거나 발전량이 적어 고장이나 시스템 오동작으로 인한 기술적 문제점을 크게 다루지 않았다.
	지금까지 태양광 발전 시스템에서 시스템 오작동으로 인한 기술적 문제점이 제대로 다뤄지지 않은 이유는 무엇인가?	향후의 대용량 태양광 발전 시스템이 구현될 경우 고장으로 인한 경제성 및 안정성 문제도 크게 대두될 것이다. 현재까지의 태양광 시스템은 그 규모가 작거나 발전량이 적어 고장이나 시스템 오동작으로 인한 기술적 문제점을 크게 다루지 않았다. 하지만, 최근의 몇몇 외국의 학술 문헌들을 조사해 보면 태양광 발전 시스템의 고장검출 및 진단에 관한 학술논문이 발표되고 있는 실정이다[4,5].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

태양광 발전 시스템을 위한 유비쿼터스 네트워킹 기반 지능형 모니터링 및 고장진단 기술
Ubiquitous Networking based Intelligent Monitoring and Fault Diagnosis Approach for Photovoltaic Generator Systems 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

태양광 발전 시스템을 위한 유비쿼터스 네트워킹 기반 지능형 모니터링 및 고장진단 기술 Ubiquitous Networking based Intelligent Monitoring and Fault Diagnosis Approach for Photovoltaic Generator Systems 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

심광열 (8)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

태양광 발전 시스템을 위한 유비쿼터스 네트워킹 기반 지능형 모니터링 및 고장진단 기술
Ubiquitous Networking based Intelligent Monitoring and Fault Diagnosis Approach for Photovoltaic Generator Systems 원문보기

AI 본문요약
AI-Helper