선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 기존 연구 및 상용화된 기술을 보완하고자 최대 전력점(MPP : Maximum Power Point)에서의 전류(Impp)와 일사량의 비례적인 관계를 이용한 새로운 출력저하 진단 방법을 제시하였다. 또한 태양광 모듈과 출력저하를 진단할 수 있는 관리 시스템의 개발자가 다른 경우와 같이 태양광 어레이의 특성을 일일이 파악하기 어려울 경우와 실제 시스템에서의 측정 오차를 보완하기 위해서 Kalman Filter 알고리즘을 제안하여 Impp와 일사량(S)의 관계를 추정(estimate)하였다.
- 본 논문에서는 기존에 육안 관찰 및 태양광 발전을 정지 시킨 후 판단하는 방법과는 달리 발전 중에도 항시 태양광어레이 출력 저하를 감지 할 수 있는 태양광 어레이의 출력 저하 진단방법 및 시스템을 제안하였다. 이를 위해 PSCAD/ EMTDC를 통해 simulation으로 partail shading 가능한 3kW 태양광 어레이를 모델링하고, IncCond법을 적용한 MPPT 제어기와 electric load를 구현하여 정상상태에서의 동작 및 태양광 어레이의 일부분에 급격한 일사량의 변화를 주어 성능 시험을 통해 제안된 태양광 어레이의 출력저하 기법의 성능을 검증하였다.
제안 방법
- (a)의 3kW 태양광 시스템을 PSCAD/EMTDC 시뮬레이션으로 구현하여 0∼3초까지는 900W/m2의 일사량을 주고, 3∼5초에서는 900W/m2→600W/m2으로 일사량 변화를 주어 이상적인 상태(부분적인 그림자 없는 상태)에서의 동작을 시험하였다.
- MPPT를 위해서 Perturb and Observe(P&O) 방법과 Incremental Conductance(IncCond) 방법이 많이 사용되어지는데, 본 논문에서는 IncCond 방법을 적용하여 태양광 발전시스템의 MPP를 추종하였다.
- 또한 Vref가 MPP에 위치하면 전압을 유지 한다[6]. partial shading condition에서도 MPPT 할 수 있도록 IncCond 방법의 step 사이즈를 크게 하여서 local MPP에 머물지 않고 global MPP을 추종할 수 있도록 하였다. 이는 실제 태양광 시스템에서는 MPP에서의 리플을 크게 만들 수 있지만, 본 논문의 시뮬레이션에서는 이 방법을 적용하였다.
- 그리고 electric load를 통해 태양광 모듈의 특성 곡선을 도출하였다. 각각의 MPP 점에서의 전류(Impp) 및 전압(Vmpp)을 2대의 오실로 스코프 및 2대의 multimeter를 통해서 총 105개의 MPP와 이때의 태양광 모듈의 전압과 전류를 측정하였다. 실험을 통해 측정된 태양광 모듈의 출력 특성은 그림 11과 같다.
- 본 절에서는 실제 상용화된 태양광 발전 모니터링 시스템에 Kalman Filter를 적용하여 태양광 어레이의 특성을 모르더라도 출력저하진단이 가능할 수 있도록 수식을 제안한다. 계통연계형 태양광 발전시스템의 모니터링 시스템으로부터 얻은 경사일사량(S) 및 최대 전력점에서의 태양광 어레이의 출력전류(Impp)를 기본 데이터로 구성하여 Kalman Filter 알고리즘을 적용하고, 기존데이터와 새로운 측정데이터에 포함된 노이즈를 제거시켜 경사일사량(S)에 대한 기준 전류값(Iref)을 추정한다. 그림 7은 Kalman Filter 알고리즘을 나타낸다[8].
- 1A씩 높임으로써 LED의 출력 광량을 조절하였고, 이때의 OCV(Open Circuit Voltage) 및 SCC(Short Circuit Current)을 각각 35개씩 측정하였다. 그리고 electric load를 통해 태양광 모듈의 특성 곡선을 도출하였다. 각각의 MPP 점에서의 전류(Impp) 및 전압(Vmpp)을 2대의 오실로 스코프 및 2대의 multimeter를 통해서 총 105개의 MPP와 이때의 태양광 모듈의 전압과 전류를 측정하였다.
- 실험2(experiment test2)는 본 기술을 실제 태양광 발전 시스템에 적용함으로써 제안된 기술의 실용성을 시험하였다. 그림 13과 같이 L사의 180W 모듈을 직렬 12개, 병렬 14를 연결하여 30.24kW의 태양광 어레이를 구성하였고, 이를 D사의 33.5kW 계통연계형 인버터에 연계하여 태양광 발전 시스템을 구성하였다. 그림 13의 (a)는 태양광 어레이를 나타내며, 실제 눈에 의해 어레이의 일부분이 가려지는 partial shading 상태가 나타남을 보여준다.
- 이를 위해 태양광 어레이의 얼룩 및 노후화에 의한 partial shading이 가능한 태양광 어레이를 PSCAD/EMTDC 프로그램으로 모델링 하였고, 제안된 출력 저하 진단법에 관한 알고리즘을 적용하여 simulation을 수행하였다. 또한 제안된 출력저하진단 방법이 실제 시스템에서 정확히 동작하는지 파악하기위해 일사량을 LED의 광량으로 대체한 하드웨어 실험을 수행하였고, 추가적으로 실제 계통연계형 30.2kW 태양광 발전 시스템에 적용하여 그 타당성을 검증하였다.
- )와 일사량의 비례적인 관계를 이용한 새로운 출력저하 진단 방법을 제시하였다. 또한 태양광 모듈과 출력저하를 진단할 수 있는 관리 시스템의 개발자가 다른 경우와 같이 태양광 어레이의 특성을 일일이 파악하기 어려울 경우와 실제 시스템에서의 측정 오차를 보완하기 위해서 Kalman Filter 알고리즘을 제안하여 Impp와 일사량(S)의 관계를 추정(estimate)하였다. 이를 위해 태양광 어레이의 얼룩 및 노후화에 의한 partial shading이 가능한 태양광 어레이를 PSCAD/EMTDC 프로그램으로 모델링 하였고, 제안된 출력 저하 진단법에 관한 알고리즘을 적용하여 simulation을 수행하였다.
- 본 논문에서는 태양광 발전 시스템의 출력저하 진단을 위한 방법으로 2가지 실험을 수행하였다. 첫 번째 실험은 정확한 실험을 위해 일사량 변화를 LED(Light Emitting Diode)의 전류에 대한 광량 변화로 대체하고 이를 태양광 모듈에 연결함으로써 출력 저하 진단시스템을 구성하였다.
- 따라서 설치 시 태양광 어레이의 특성을 파악하여 일일이 유지보수 시스템의 설정을 바꾸어 주어야 하는 어려움이 있다. 본 절에서는 실제 상용화된 태양광 발전 모니터링 시스템에 Kalman Filter를 적용하여 태양광 어레이의 특성을 모르더라도 출력저하진단이 가능할 수 있도록 수식을 제안한다. 계통연계형 태양광 발전시스템의 모니터링 시스템으로부터 얻은 경사일사량(S) 및 최대 전력점에서의 태양광 어레이의 출력전류(Impp)를 기본 데이터로 구성하여 Kalman Filter 알고리즘을 적용하고, 기존데이터와 새로운 측정데이터에 포함된 노이즈를 제거시켜 경사일사량(S)에 대한 기준 전류값(Iref)을 추정한다.
- 실험2(experiment test2)는 본 기술을 실제 태양광 발전 시스템에 적용함으로써 제안된 기술의 실용성을 시험하였다. 그림 13과 같이 L사의 180W 모듈을 직렬 12개, 병렬 14를 연결하여 30.
- 태양광 어레이 특성상 넓은 면적이 필요하므로, 실제상황에서는 태양광 어레이의 노후화, 먼지, 그리고 그림자와 같은 이상적이지 않은 상황이 발생하여 그림 3과 같은 어레이 특성을 가질 수 있다. 이는 모듈에 따라 일사량이 차이가 나는 것으로 본 논문에서는 4종류(0, 400, 800, 1000W/m2)의 일사량과 25℃의 모듈온도를 태양광 어레이의 입력으로 하였다. 이를 PSCAD/EMTDC을 통해 시뮬레이션하고 이를 MATLAB을 통해서 나타내면 그림 4와 같은 특성 그래프를 얻을 수 있다.
- partial shading condition에서도 MPPT 할 수 있도록 IncCond 방법의 step 사이즈를 크게 하여서 local MPP에 머물지 않고 global MPP을 추종할 수 있도록 하였다. 이는 실제 태양광 시스템에서는 MPP에서의 리플을 크게 만들 수 있지만, 본 논문의 시뮬레이션에서는 이 방법을 적용하였다.
- 첫 번째 실험 즉 실험1(experiment test 1)에서 일사량을 LED로 대체하여 모듈의 온도변화를 최소화한 실험을 그림 10과 같이 진행하였다. 이때 실험에 앞서 태양광 모듈을 LED위에 완전히 덮음으로써 태양광 모듈은 오직 LED의 빛만 흡수 하도록 실험을 진행하였다. 실험에 사용된 LED의 특성상 LED의 흐르는 전류량과 LED에서 발생되는 광량의 관계는 Saturation이전까지 비례함을 이용한다.
- 본 논문에서는 기존에 육안 관찰 및 태양광 발전을 정지 시킨 후 판단하는 방법과는 달리 발전 중에도 항시 태양광어레이 출력 저하를 감지 할 수 있는 태양광 어레이의 출력 저하 진단방법 및 시스템을 제안하였다. 이를 위해 PSCAD/ EMTDC를 통해 simulation으로 partail shading 가능한 3kW 태양광 어레이를 모델링하고, IncCond법을 적용한 MPPT 제어기와 electric load를 구현하여 정상상태에서의 동작 및 태양광 어레이의 일부분에 급격한 일사량의 변화를 주어 성능 시험을 통해 제안된 태양광 어레이의 출력저하 기법의 성능을 검증하였다. 또한 태양광 어레이의 정확한 spec을 모를 경우 및 일사량계, 전류 센서 등의 오차로 인해 정확한 동작을 수행하지 못할 경우에도 출력저하를 진단할 수 있는 기법을 Kalman Filter 알고리즘을 적용하여 수학적으로 제시하였다.
- 실험에 사용된 LED의 특성상 LED의 흐르는 전류량과 LED에서 발생되는 광량의 관계는 Saturation이전까지 비례함을 이용한다. 이를 통해 DC power supply로 LED의 흐르는 전류량을 0.1A씩 높임으로써 LED의 출력 광량을 조절하였고, 이때의 OCV(Open Circuit Voltage) 및 SCC(Short Circuit Current)을 각각 35개씩 측정하였다. 그리고 electric load를 통해 태양광 모듈의 특성 곡선을 도출하였다.
- 본 논문에서는 태양광 발전 시스템의 출력저하 진단을 위한 방법으로 2가지 실험을 수행하였다. 첫 번째 실험은 정확한 실험을 위해 일사량 변화를 LED(Light Emitting Diode)의 전류에 대한 광량 변화로 대체하고 이를 태양광 모듈에 연결함으로써 출력 저하 진단시스템을 구성하였다.
- 출력저하 진단 시스템을 자세히 살펴보면, 현재의 일사량과 태양광 어레이의 출력 전압 및 전류를 측정하여 직류전력 P(k)를 구하고, 이전 전력 P(k-1)와의 차의 절대 값의 크기를 통해 정상상태인지 과도상태인지를 파악하고 εr값보다 크면 과도 상태이므로 MPPT controller를 통해 MPP을 추종하고, εr값보다 작으면 이는 MPP인 상태로 파악하여 적용할 수식을 선택한다.
- 태양광 발전 시스템의 출력 저하를 진단하기 위한 태양전지를 모델링한다. 본 논문에서는 그림 1의 전류원 다이오드 및 직렬저항으로 구성되는 등가회로 모형을 이용한다.
데이터처리
- 또한 추정 값이 참값에서 얼마나 차이가 나는지를 나타내는 오차 공분산 Pk(∈Rn×n)을 식 (15)을 통해 계산하여, 이를 다시 Kalman Filter 알고리즘의 초기 단계를 업데이트하는 일련의 과정을 반복하여, 최종적으로 얻어진 추정값을 식 (16)에 적용하여 RMSE(Root Mean Square Error)를 계산하고, 식 (17)을 통해 MAPE(Mean Absolute Percentage Error)를 구함으로써 성능을 평가한다[9].
- 또한 태양광 어레이의 정확한 spec을 모를 경우 및 일사량계, 전류 센서 등의 오차로 인해 정확한 동작을 수행하지 못할 경우에도 출력저하를 진단할 수 있는 기법을 Kalman Filter 알고리즘을 적용하여 수학적으로 제시하였다. 제안된 출력저하 진단방법을 2개의 하드웨어 실험을 통해 제안된 시스템의 성능을 검증하였다.
이론/모형
- 이를 위해 PSCAD/ EMTDC를 통해 simulation으로 partail shading 가능한 3kW 태양광 어레이를 모델링하고, IncCond법을 적용한 MPPT 제어기와 electric load를 구현하여 정상상태에서의 동작 및 태양광 어레이의 일부분에 급격한 일사량의 변화를 주어 성능 시험을 통해 제안된 태양광 어레이의 출력저하 기법의 성능을 검증하였다. 또한 태양광 어레이의 정확한 spec을 모를 경우 및 일사량계, 전류 센서 등의 오차로 인해 정확한 동작을 수행하지 못할 경우에도 출력저하를 진단할 수 있는 기법을 Kalman Filter 알고리즘을 적용하여 수학적으로 제시하였다. 제안된 출력저하 진단방법을 2개의 하드웨어 실험을 통해 제안된 시스템의 성능을 검증하였다.
- 태양광 발전 시스템의 출력 저하를 진단하기 위한 태양전지를 모델링한다. 본 논문에서는 그림 1의 전류원 다이오드 및 직렬저항으로 구성되는 등가회로 모형을 이용한다. 그림 1의 등가회로 모형을 통해 식 (1)과 같은 수식을 유도할 수 있다.
- 또한 태양광 모듈과 출력저하를 진단할 수 있는 관리 시스템의 개발자가 다른 경우와 같이 태양광 어레이의 특성을 일일이 파악하기 어려울 경우와 실제 시스템에서의 측정 오차를 보완하기 위해서 Kalman Filter 알고리즘을 제안하여 Impp와 일사량(S)의 관계를 추정(estimate)하였다. 이를 위해 태양광 어레이의 얼룩 및 노후화에 의한 partial shading이 가능한 태양광 어레이를 PSCAD/EMTDC 프로그램으로 모델링 하였고, 제안된 출력 저하 진단법에 관한 알고리즘을 적용하여 simulation을 수행하였다. 또한 제안된 출력저하진단 방법이 실제 시스템에서 정확히 동작하는지 파악하기위해 일사량을 LED의 광량으로 대체한 하드웨어 실험을 수행하였고, 추가적으로 실제 계통연계형 30.
성능/효과
- 46%가 나오는 것을 확인 할 수 있다. 본 결과를 통해 제안된 출력 저하 진단법이 실제 모니터링 시스템에 적용되어 정확히 동작하는 것을 확인 할 수 있었다.
- 44%의 % error가 존재함을 파악할 수 있었다. 이를 통해 제안된 방법을 통해 출력저하를 진단할 수 있음을 확인하였다.
- 2초에서 식 (9)의 판별식을 벗어났어도 미리정한 시간(te) 동안 지속이 되지 않았기 때문에 signal=0을 나타낸다. 제안된 태양광 어레이 출력 저하 진단 시스템이 정상상태에서 signal=0을 비정상태에서 signal=1을 나타냄을 통해 동작특성 및 정확성을 확인 하였다.
- 이를 그림 8(b)의 flowchart에 적용하여 식 (9)을 통한 출력저하진단 시스템의 신뢰성을 표 2을 통해 파악하였다. 표 2의 결과에서 정상상태와 모듈의 일부분을 검은 천으로 가린 비정상상태 3가지를 제안된 수식을 적용한 결과 비정상상태 즉 부분적인 그림자 상태에서 최소 7.68%에서 최대 32.44%의 % error가 존재함을 파악할 수 있었다. 이를 통해 제안된 방법을 통해 출력저하를 진단할 수 있음을 확인하였다.
- 이때의 일사량은 경사일사량을 사용하였다. 표 3의 결과와 같이 정상상태에서의 제안된 수식을 적용했을 때의 %error 1.65%에 비해, 실제 1월 4일 태양광 어레이의 일부가 눈에 의해 덮여있는 비정상 상태일 때 제안된 출력저하 진단법을 적용하였을 경우 %error가 82.74%와 72.46%가 나오는 것을 확인 할 수 있다. 본 결과를 통해 제안된 출력 저하 진단법이 실제 모니터링 시스템에 적용되어 정확히 동작하는 것을 확인 할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.