[논문]출력편차의 통계학적 신호처리를 통한 태양광 발전 시스템의 고장 위치 진단 기술

조현철

doi:10.5370/kiee.2014.63.11.1545

[국내논문] 출력편차의 통계학적 신호처리를 통한 태양광 발전 시스템의 고장 위치 진단 기술
Fault Location Diagnosis Technique of Photovoltaic Power Systems through Statistic Signal Process of its Output Power Deviation 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.63 no.11, 2014년, pp.1545 - 1550

조현철 (Faulty of Electrical and Electronic Engineering, Ulsan College)

Abstract ▼ AI-Helper

Fault detection and diagnosis (FDD) of photovoltaic (PV) power systems is one of significant techniques for reducing economic loss due to abnormality occurred in PV modules. This paper presents a new FDD method against PV power systems by using statistical comparison. This comparative approach includes deviation signals between the outputs of two neighboring PV modules. We first define a binary hypothesis testing under such deviation and make use of a generalized likelihood ratio testing (GLRT) theory to derive its FDD algorithm. Additionally, a recursive computational mechanism for our proposed FDD algorithm is presented for improving a computational effectiveness in practice. We carry out a real-time experiment to test reliability of the proposed FDD algorithm by utilizing a lab based PV test-bed system.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

하지만 어느 한쪽에 고장이 발생한 모듈의 경우 근접한 모듈의 출력에 비해 편차가 발생하게 된다. 본 논문은 이 두 태양광 모듈의 출력 편차를 이용하여 태양광 발전 시스템의 고장 유무 및 고장 발생 위치를 결정하는 기술을 제안한다. 그림 1은 정상적으로 동작하는 태양광 모듈과 고장이 발생한 태양광 모듈간의 편차 신호를 발생하는 개념도를 보여준다.
본 논문은 태양광 발전 시스템의 고장유무 및 위치 검출을 위한 알고리즘을 제안하였다. 제안한 고장진단 알고리즘은 태양광 모듈의 이웃한 출력들의 편차 신호를 검출하여 GLRT 기법에 적용한 후 이진화 가설검증 알고리즘에 통해 최종적으로 고장 유무와 어느 모듈에 고장이 발생하였는지를 결정할 수 있도록 되어있다.
본 논문은 확률 및 통계이론을 적용한 태양광 발전 시스템의 고장 유무 및 위치 검출 알고리즘을 제안한다. 제안하는 태양광 시스템의 고장 진단 기술은 이웃한 태양광 모듈의 출력을 확률론적 관점에서 서로 비교하는 것으로서, 태양광 모듈의 두 출력간의 편차를 검출한 후 확률론적 의사(decision) 결정법에 따라 고장의 유무와 발생 위치를 결정하는 구조를 갖는다.
Silvestre와 Chouder는 전력 손실 분석기법을 통해 태양광 시스템의 고장 검출 기술을 제안하였다[5]. 이 연구는 관측한 태양의 일사량과 모듈의 온도 데이터를 이용하여 태양광 시스템의 주요 파라미터를 연산하기 위한 파라미터 추출법을 주된 기술로 담고 있다. Lin 등은 태양광 시스템의 온라인 고장 검출 및 고장 허용 기술을 개발하였으며 원격 모니터링 시스템 구축에 적용하였다[6].

제안 방법

구축한 테스트베드의 외형은 그림 5와 같으며, 6개의 태양광 모듈을 직렬로 연결하여 구성하였으며 1개의 태양광 모듈의 전기적 사양은 표 1과 같다. 6개의 태양광 모듈에서 이웃한 2개의 태양광 모듈들을 한 쌍으로 하여 총 3개의 태양광 어레이(array)을 구성하였으며 이 어레이의 각각의 출력변수를 y₁, y₂, y₃로 정의하였다(그림 6참조). 이 3개의 출력들에 대해 편차변수를 각각
이 데이터를 바탕으로 고장진단을 위한 알고리즘은 초기 30개의 데이터 수가 인가된 후에 동작을 시켰다. 고장발생에 대한 시나리오는 해당 모듈의 출력이 거의 0이 되도록 모듈 단면을 태양광으로부터 가리는 방식으로 하였다. 그림 9는 그림 8의 출력전압에 대하여 식 (26)의 편차신호를 파형으로 도시한 것이며, 고장이 발생하지 않은 시간동안은 모든 어레이의 출력이 –1에서 1사이의 비교적 0에 가까운 값을 나타내며, 고장이 발생한 시간부터는 x₁₂는 23[V], x₂₃은 24[V] 부근에 도달하는 것을 볼 수 있으며, x₁₃은 변함없이 거의 0에 가까운 파형을 볼 수 있다.
가장 최근에는 Chine 등이 그리드(grid) 방식의 태양광 시스템에 대한 고장진단 기술을 발표하였으며 태양광 플랜트에서 발생되는 고장을 검출하기 위한 진단 신호를 발생시키는 것을 주요 기술로 제안하였다[8]. 또한 모니터링 소프트웨어 개발을 통해 태양광 발전 시스템의 주요 구성 요소, 즉 태양광 모듈, 태양광 스트링, 인버터 시스템 등의 고장진단도 아울러 실행할 수 있도록 하였다.
제안하는 태양광 시스템의 고장 진단 기술은 이웃한 태양광 모듈의 출력을 확률론적 관점에서 서로 비교하는 것으로서, 태양광 모듈의 두 출력간의 편차를 검출한 후 확률론적 의사(decision) 결정법에 따라 고장의 유무와 발생 위치를 결정하는 구조를 갖는다. 제안하는 고장 진단 알고리즘의 타당성 및 신뢰성을 검증하기 위하여 랩(lab) 기반의 테스트베드를 이용하여 실시간 실험을 실시하였다.
본 논문은 확률 및 통계이론을 적용한 태양광 발전 시스템의 고장 유무 및 위치 검출 알고리즘을 제안한다. 제안하는 태양광 시스템의 고장 진단 기술은 이웃한 태양광 모듈의 출력을 확률론적 관점에서 서로 비교하는 것으로서, 태양광 모듈의 두 출력간의 편차를 검출한 후 확률론적 의사(decision) 결정법에 따라 고장의 유무와 발생 위치를 결정하는 구조를 갖는다. 제안하는 고장 진단 알고리즘의 타당성 및 신뢰성을 검증하기 위하여 랩(lab) 기반의 테스트베드를 이용하여 실시간 실험을 실시하였다.
본 논문은 태양광 발전 시스템의 고장유무 및 위치 검출을 위한 알고리즘을 제안하였다. 제안한 고장진단 알고리즘은 태양광 모듈의 이웃한 출력들의 편차 신호를 검출하여 GLRT 기법에 적용한 후 이진화 가설검증 알고리즘에 통해 최종적으로 고장 유무와 어느 모듈에 고장이 발생하였는지를 결정할 수 있도록 되어있다. 제안한 고장진단 알고리즘의 타당성 및 신뢰성을 검증하기 위하여 태양광 시스템의 테스트베드를 제작하여 실시간 실험을 실시하였으며 임의로 고장을 발생시킨 시간대에서 정확하게 고장의 유무를 감지하였고 고장이 발생한 모듈의 위치도 판별할 수 있었다.
제안한 태양광 시스템의 고장진단 알고리즘의 타당성을 검증하기 위하여 태양광 발전 시스템의 테스트베드를 이용하여 실시간 실험을 실시하였다. 구축한 테스트베드의 외형은 그림 5와 같으며, 6개의 태양광 모듈을 직렬로 연결하여 구성하였으며 1개의 태양광 모듈의 전기적 사양은 표 1과 같다.

이론/모형

고장 유무 및 위치 결정 알고리즘을 도출하기 위하여 식 (2)의 가설에 대하여 일반화 가능성 비율 검증(GLRT: Generalized Likelihood Ratio Testing) 기법[10]을 적용하였다. 이 이론에 의해 가설 H₁에 의한 평균 m_ij와 분산 #를 갖는 확률변수 X_ij의 확률 p(X_ij;m_ij, #,H₁)와 가설 H₀에 의한 평균값 0과 분산 #의 확률변수 X_ij의 확률 p(X_ij;#,H₀)의 비율로 주어지는 가능성함수는 다음과 같다.
앞서 언급한 바와 같이, 정상적으로 동작하는 태양광 모듈과 고장이 발생하여 출력이 감소한 모듈과의 출력 편차는 그렇지 않은 경우의 출력 편차보다 큰 값을 발생한다는 것을 직관적으로 알 수 있다. 이 편차변수는 확률변수이므로 확률분포함수로 표현할 수 있으며, 본 논문은 가장 일반적인 가우시안 확률분포를 적용한다. 이 경우 고장이 발생하지 않는 경우의 출력 편차 x_ij는 평균이 0이고 분산값이 #인 가우시안 확률분포로 표현되며, 고장이 발생한 경우의 x_ij는 평균과 분산값이 각각 m_ij와 #을 갖는 가우시안 확률분포 함수로 정의할 수 있다.

성능/효과

이러한 결과파형으로부터 이 두 신호에 연관된 태양광 모듈에 이상이 있음을 알 수 있으며 이 두 신호의 공통 숫자인 “3”, 즉 3번째 태양광 어레이에 고장이 발생하였다는 것을 판별할 수 있다.
Lin 등은 태양광 시스템의 온라인 고장 검출 및 고장 허용 기술을 개발하였으며 원격 모니터링 시스템 구축에 적용하였다[6]. 이러한 기술을 통해 태양광 모듈의 효율적 배치를 위하여 태양광 발전 시스템의 구조적 변경을 제안하였으며 결과적으로 전력 손실 방지를 개선하였다. Sanz-Bobi 등은 태양광 발전 플랜트에서 발생할 수 있는 주요 고장의 형태를 해석적 방법론을 통해 정립하였으며 이러한 고장의 종류를 데이터베이스화하여 GUI(Graphic User Interface) 방식의 고장진단 소프트웨어를 개발하였다[7].
제안한 고장진단 알고리즘은 태양광 모듈의 이웃한 출력들의 편차 신호를 검출하여 GLRT 기법에 적용한 후 이진화 가설검증 알고리즘에 통해 최종적으로 고장 유무와 어느 모듈에 고장이 발생하였는지를 결정할 수 있도록 되어있다. 제안한 고장진단 알고리즘의 타당성 및 신뢰성을 검증하기 위하여 태양광 시스템의 테스트베드를 제작하여 실시간 실험을 실시하였으며 임의로 고장을 발생시킨 시간대에서 정확하게 고장의 유무를 감지하였고 고장이 발생한 모듈의 위치도 판별할 수 있었다. 향후 연구계획으로는 실제 산업체에 설치되어 있는 대규모 태양광 발전 단지에 본 논문에서 제안한 고장진단 알고리즘을 적용하여 실 적용가능성을 검증하고자 한다.

후속연구

제안한 고장진단 알고리즘의 타당성 및 신뢰성을 검증하기 위하여 태양광 시스템의 테스트베드를 제작하여 실시간 실험을 실시하였으며 임의로 고장을 발생시킨 시간대에서 정확하게 고장의 유무를 감지하였고 고장이 발생한 모듈의 위치도 판별할 수 있었다. 향후 연구계획으로는 실제 산업체에 설치되어 있는 대규모 태양광 발전 단지에 본 논문에서 제안한 고장진단 알고리즘을 적용하여 실 적용가능성을 검증하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	태양광 시스템의 '고장 검출 기술'의 특징은?	Silvestre와 Chouder는 전력 손실 분석기법을 통해 태양광 시스템의 고장 검출 기술을 제안하였다[5]. 이 연구는 관측한 태양의 일사량과 모듈의 온도 데이터를 이용하여 태양광 시스템의 주요 파라미터를 연산하기 위한 파라미터 추출법을 주된 기술로 담고 있다. Lin 등은 태양광 시스템의 온라인 고장 검출 및 고장 허용 기술을 개발하였으며 원격 모니터링 시스템 구축에 적용하였다[6].
	태양광 시스템에서 온라인 고장 검출 및 고장 허용 기술개발이 가져온 결과는 무엇인가?	Lin 등은 태양광 시스템의 온라인 고장 검출 및 고장 허용 기술을 개발하였으며 원격 모니터링 시스템 구축에 적용하였다[6]. 이러한 기술을 통해 태양광 모듈의 효율적 배치를 위하여 태양광 발전 시스템의 구조적 변경을 제안하였으며 결과적으로 전력 손실 방지를 개선하였다. Sanz-Bobi 등은 태양광 발전 플랜트에서 발생할 수 있는 주요 고장의 형태를 해석적 방법론을 통해 정립하였으며 이러한 고장의 종류를 데이터베이스화하여 GUI(Graphic User Interface) 방식의 고장진단 소프트웨어를 개발하였다[7].
	태양광 발전 시스템의 고장 진단 기술 중 하나인 결정론적 고장검출 및 진단 알고리즘의 단점은?	그러나 현재 발표된 태양광 발전 시스템의 고장 진단 기술의 경우 관측한 데이터를 결정론적(deterministic) 신호로 간주하여 알고리즘을 제안하는 경우가 대부분이다 [9]. 일반적으로 태양광의 일사량이나 표면 온도는 확률변수로 간주할 수 있으며, 이러한 경우 결정론적 고장검출 및 진단 알고리즘을 적용할 경우 성능의 신뢰성이나 실적용 가능성이 저하될 수 있다. 그러므로 이러한 시스템 환경에 대하여 잘 알려진 확률통계이론을 적용한 고장검출 및 진단 알고리즘을 도출함으로서 신속한 고장검출 시간과 보다 정밀한 고장진단 성능을 기대할 수가 있다[9].

참고문헌 (11)

Y. Li, S. Dunham, S. Pillai, Z. Ouyang, A. Barnett, A. Lochtefeld, A. Lennon, "Design of anodic aluminum oxide rear surface plasmonic heterostructures for light trapping in thin silicon solar cells," IEEE Journal of Photovoltaics, vol. 4, no. 5, pp. 1212-1219. 2014.

상세보기
A. Ahmad, R. Loganathan, "Real-time implementation of solar inverter with novel MPPT control algorithm for residential applications," Energy and Power Engineering, vol. 5, no. 6, pp. 427-435, 2013.

상세보기
S. Daison Stallon, K. Vinoth Kumar, S. Suresh Kumar, "High efficient module of boost converter in PV module," Int. Journal of Electrical and Computer Engineering, vol. 2, no. 6, pp. 758-781, 2012.
B. Liu, Y. Che, L. Zhao, "The design of photovoltaic monitoring system," Int. Conf. on Power Electronics Systems and Applications, pp. 1-4, 2011.
S. Silestre, A. Chouder, "Fault detection and automatic supervision methodology for PV systems," European Photovoltaic Solar Energy Conf., Valencia, Spain, pp. 4534-4536, 2010.
X. Lin, Y. Wang, D. Zhu, N. Chang, M. Pedram, "Online fault detection and tolerance for photovoltaic energy harvesting systems," IEEE/ACM Int. Conf. on Computer-Aided Design, California, USA, pp. 1-6, 2012.
M. A. Sanz-Bobi, A. Munoz San Roque, A. de Marcos, M. Bada, "Intelligent system for a remote diagnosis of a photovoltaic solar power plant," J. of Physics: Conf. Series 364, doi:10.1088/1742-6596/364/1/012119, 2012.

상세보기
W. Chine, A. Mellit, A. Massi Pavan, S. A. Kalogirou, "Fault detection method for grid-connected photovoltaic plants," Renewable Energy, vol. 66, pp. 99-110, 2014.

상세보기
H. C. Cho, Y. J. Jung, "Probabilistic modeling of photovoltaic power systems with big learning data sets," J. of Korean Institute of Intelligent Systems, vol. 23, no. 5, pp. 412-417, 2013.

원문보기 상세보기
S. Kay, Fundamentals of statistical signal processing, vol. II: detection theory, Prentice Hall, Upper Saddle River, 1998.
J. M. Mendel, Lessons in estimation theory for signal processing, communications, and control, Prentice Hall, Upper Saddle River, 1995.

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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