[논문]사우디아라비아 태양광 발전 시스템의 성능 분석

오원욱; 강소연; 천성일

doi:10.7836/kses.2017.37.1.081

사우디아라비아 태양광 발전 시스템의 성능 분석
Performance Analysis of Photovoltaic Power System in Saudi Arabia 원문보기

한국태양에너지학회 논문집 = Journal of the Korean Solar Energy Society, v.37 no.1, 2017년, pp.81 - 90

오원욱 (전자부품연구원 융복합전자소재연구센터) , 강소연 (전자부품연구원 융복합전자소재연구센터) , 천성일 (전자부품연구원 융복합전자소재연구센터)

Abstract ▼ AI-Helper

We have analyzed the performance of 58 kWp photovoltaic (PV) power systems installed in Jeddah, Saudi Arabia. Performance ratio (PR) of 3 PV systems with 3 desert-type PV modules using monitoring data for 1 year showed 85.5% on average. Annual degradation rate of 5 individual modules achieved 0.26%, the regression model using monitoring data for the specified interval of one year showed 0.22%. Root mean square error (RMSE) of 6 big data analysis models for power output prediction in May 2016 was analyzed 2.94% using a support vector regression model.

주제어

AI 본문요약
AI-Helper

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

제안 방법

3개의 시스템의 경우 AC 전력량을 이용하였고, 마이크로인버터를 장착한 모듈의 경우 DC 전력량으로 발전성능을 평가하였다.
모듈의 열화율은 모듈의 표준상태 초기 출력값과 14개월간 설치된 5개의 개별 모듈을 수거하여 표준 조건에서 측정된 출력값을 비교하였다. 개별 모듈의 모니터링 데이터 결과를 이용한 회귀분석을 통해서 경사일사량과 모듈온도에 의한 발전량 예측식을 구하고, 1년 전후의 맑은 날 3일의 관찰 기간을 설정하고, 평균 일사량과 모듈온도를 대입하여 모듈의 열화율을 계산하였다.
회귀 분석 방법은 소일링에 의한 효과를 제거하기 위해 청소 후 맑은 날 3일을 1년 간격으로 선정하고, 1분 단위의 DC 출력과 일사량 및 모듈온도를 이용하였으며 일사량을 700~800 W/m²의 데이터만 활용하여 다음의 식을 구하였다. 그리고 기간 동안의 평균 일사량 750 W/m²과 평균 모 듈온도 46.0℃를 대푯값으로 대입하여 회귀식에서 예측하는 DC 출력을 구한 후 모듈의 열화율을 계산하였다. Table 4는 회귀분석 결과로 결정계수 R²의 값이 각각 0.
본 논문에서는 1년간의 시스템 발전 성능(Performance ratio:PR) 및 개별 모듈의 연간 열화율(Degradation rate)을 분석하고, 그리고 6가지 빅데이터 모델을 이용한 시스템의 발전량 예측을 시행하여 실측과 예측 결과를 비교 분석하였다. 또한, 사우디아라비아 지역의 소일링에 대한 손실을 강우에 의한 자연적인 청소 전후의 출력 지표를 이용하여 비교하였다.
2015년 6월1일부터 2016년 5월 31일까지 1년간의 모니터링 데이터를 기반으로 분석을 시행하였다. 모니터링 데이터는 1분 단위로 모듈의 온도, 경사일사량, AC 및 DC 출력이 계측되었다.
모듈의 연간열화율 측정을 위해 대표 모듈을 수거하여 표준상태에서 측정하는 번거로움을 제거하기 위해, 실측 마이크로인버터의 모니터링 데이터를 활용해서 연간열화율을 계산할 수 있는 방법을 고안하였다. 개별 모듈에서 측정된 DC 출력과 경사일사량과 모듈온도를 이용하여 회귀 분석을 시행하였다.
3개의 시스템의 경우 AC 전력량을 이용하였고, 마이크로인버터를 장착한 모듈의 경우 DC 전력량으로 발전성능을 평가하였다. 모듈의 열화율은 모듈의 표준상태 초기 출력값과 14개월간 설치된 5개의 개별 모듈을 수거하여 표준 조건에서 측정된 출력값을 비교하였다. 개별 모듈의 모니터링 데이터 결과를 이용한 회귀분석을 통해서 경사일사량과 모듈온도에 의한 발전량 예측식을 구하고, 1년 전후의 맑은 날 3일의 관찰 기간을 설정하고, 평균 일사량과 모듈온도를 대입하여 모듈의 열화율을 계산하였다.
발전량 예측 분석은 빅데이터를 이용한 6가지 모델의 비교하였다. 데이터 전처리는 1분 단위 데이터 중 200 W/m² 미만의 일사량인 경우는 제외하고, 실시간 PR값이 70%-120% 이내의 데이터를 이용하였다.
발전성능 수치가 높은 시스템 #2의 1분단위 DC 발전량과 모듈 온도, 경사일사량의 데이터를 이용하였고, 먼지에 의한 예측 오차를 줄이기 위해서 청소를 시행한 2016년 1월부터 4월까지 데이터를 training 후 2016년 5월의 발전량을 예측하고, 실제 측정된 출력과 비교하였다. 모니터링 데이터의 전처리는 일사량 200 W/m2 이고, 순간 PR이 70~120% 이내 1분 데이터를 추출하였다.
본 논문에서는 1년간의 시스템 발전 성능(Performance ratio:PR) 및 개별 모듈의 연간 열화율(Degradation rate)을 분석하고, 그리고 6가지 빅데이터 모델을 이용한 시스템의 발전량 예측을 시행하여 실측과 예측 결과를 비교 분석하였다. 또한, 사우디아라비아 지역의 소일링에 대한 손실을 강우에 의한 자연적인 청소 전후의 출력 지표를 이용하여 비교하였다.
사우디아라비아의 사막형 기후에 적합한 3가지 타입의 모듈을 제작하였고, 1년간의 현지 테스트베드 모니터링 데이터를 이용하여 발전성능, 모듈의 열화율, 발전량 예측 분석을 시행하였다. 발전성능은 3개의 시스템 평균 약 85% 달성하였고, 주기적인 청소에 의한 발전성능은 90%에 도달이 가능하나, 심각한 소일링 손실에 의해 청소를 시행하지 않은 기간 의 발전성능은 60%까지도 저하가 되었다.
사우디아라비아 지역은 1년간 수차례 강우에 의한 자연적인 청소가 되고, 2015년 8월 26일과 11월 17일에 강우로 인하여 PR이 회복되는 것을 알 수 있다. 소일링에 의한 모듈의 출력과 일사량의 출력 하락폭을 계산을 위해 1일 발전성능, 경사일사량, 그리고 경사일사량과 시스템의 비로 환산한 AC 출력 추이를 비교하였다. Fig.
개별 모듈에서 측정된 DC 출력과 경사일사량과 모듈온도를 이용하여 회귀 분석을 시행하였다. 회귀 분석 방법은 소일링에 의한 효과를 제거하기 위해 청소 후 맑은 날 3일을 1년 간격으로 선정하고, 1분 단위의 DC 출력과 일사량 및 모듈온도를 이용하였으며 일사량을 700~800 W/m²의 데이터만 활용하여 다음의 식을 구하였다. 그리고 기간 동안의 평균 일사량 750 W/m²과 평균 모 듈온도 46.

대상 데이터

2015년 11월 사우디아라비아 제다 지역에 58 kW급 태양광 발전 시스템을 설치하였다(위도 21.56 N, 경도 39.17 E, 방위각 162도, 경사각 15도). 2010년 이후로 설치된 태양광 시스템에서는 일반적으로 80% 이상의 발전 성능을 보인다²⁾.
모듈 구성은 Table 1과 같다. 2015년 6월1일부터 2016년 5월 31일까지 1년간의 모니터링 데이터를 기반으로 분석을 시행하였다. 모니터링 데이터는 1분 단위로 모듈의 온도, 경사일사량, AC 및 DC 출력이 계측되었다.
발전량 예측 분석은 빅데이터를 이용한 6가지 모델의 비교하였다. 데이터 전처리는 1분 단위 데이터 중 200 W/m² 미만의 일사량인 경우는 제외하고, 실시간 PR값이 70%-120% 이내의 데이터를 이용하였다.
발전성능 수치가 높은 시스템 #2의 1분단위 DC 발전량과 모듈 온도, 경사일사량의 데이터를 이용하였고, 먼지에 의한 예측 오차를 줄이기 위해서 청소를 시행한 2016년 1월부터 4월까지 데이터를 training 후 2016년 5월의 발전량을 예측하고, 실제 측정된 출력과 비교하였다. 모니터링 데이터의 전처리는 일사량 200 W/m2 이고, 순간 PR이 70~120% 이내 1분 데이터를 추출하였다. 발전량 예측 오차율은 RMSE로 분석하였다.
발전성능은 태양광 발전 시스템 #1, #2, #3의 1분 단위로 모니터링 된 AC 발전전력량과 경사일사량, 시스템 설계용량을 이용하여 다음의 식으로 계산하였다. 설계용량은 시스템 #1 20.67 kW, 시스템 #2 16.575 kW, 시스템 #3 13.26 kW로 각각 A,B,C 타입 모듈을 이용해서 어레이를 구성하였다.
태양광 발전 시스템은 사우디아라비아 제다 지역의 주차장 타입으로 2015년 11월에 설치되었다. 총 3가지 타입의 모듈 223개로 각 타입별 3개의 시스템과 28개의 개별 모듈은 마이크로인버터로 연결되어 있다.

데이터처리

모듈의 연간열화율 측정을 위해 대표 모듈을 수거하여 표준상태에서 측정하는 번거로움을 제거하기 위해, 실측 마이크로인버터의 모니터링 데이터를 활용해서 연간열화율을 계산할 수 있는 방법을 고안하였다. 개별 모듈에서 측정된 DC 출력과 경사일사량과 모듈온도를 이용하여 회귀 분석을 시행하였다. 회귀 분석 방법은 소일링에 의한 효과를 제거하기 위해 청소 후 맑은 날 3일을 1년 간격으로 선정하고, 1분 단위의 DC 출력과 일사량 및 모듈온도를 이용하였으며 일사량을 700~800 W/m²의 데이터만 활용하여 다음의 식을 구하였다.
모니터링 데이터의 전처리는 일사량 200 W/m2 이고, 순간 PR이 70~120% 이내 1분 데이터를 추출하였다. 발전량 예측 오차율은 RMSE로 분석하였다.
발전성능 수치는 개별 시스템의 일 발전성능의 평균값으로 연간 발전성능을 계산하였다. 연간 발전성능 지표는 2015년 6월1일부터 2016년 5월 31일까지의 1년 중 사우디 현지 단전 및 공사일을 제외한 266일의 결과이다.

이론/모형

발전량 예측을 위해 다음의 6가지 빅데이터 모델 분석 기법을 사용하였다¹⁷⁾.

성능/효과

1년간의 평균 발전성능은 시스템 단위로 각각 85.5%, 86.5%, 84.2%이다. 2015년은 청소를 시행하지 않고, 자연적인 강우에 의한 청소 효과가 8월 26일과 11월 17일에 발생하였다.
그 이유로는 반구형태의 일사량계에 쌓이는 먼지보다도 평면구조의 모듈에 먼지의 양이 많으므로, 일사량과 출력량의 계측 오차가 발생한다. 또한, 높은 일교차에 의한 일사량계 내의 수분 생성으로 교정된 일사량계와 비교하였을 때 현지 모니터링되는 일사량계의 측정 일사량은 약 5.7% 낮게 관측되었다. 이로 인하여 전반적으로 발전성능의 값이 높게 분석되었다.
발전성능은 3개의 시스템 평균 약 85% 달성하였고, 주기적인 청소에 의한 발전성능은 90%에 도달이 가능하나, 심각한 소일링 손실에 의해 청소를 시행하지 않은 기간 의 발전성능은 60%까지도 저하가 되었다. 모듈의 연간 평균 열화율은 0.22%로 매우 우수한 결과를 보이고, 청소 시행 후 1년간의 맑은 날 3일의 대푯값을 이용한 회귀분석 결과에서도 약 0.26%의 열화율을 예상할 수 있다. 빅데이터를 이용한 발전량 예측은 svr 모델의 경우 2.
3과 같다. 발전량 예측 분석 결과 오차율은 svr 모델이 2.94%로 가장 낮고, 그 외 모델들도 3.17~3.86%의 오차율로 발전량 예측이 분석되었다. 2016년 사우디아라비아의 기상 환경이 큰 변화가 없고, 주기적인 청소로 인하여 추출 된 데이터들의 변수인 일사량, 모듈온도와 출력간의 변동이 크지 않기 때문에 오차율이 낮게 분석되었다.
사우디아라비아의 사막형 기후에 적합한 3가지 타입의 모듈을 제작하였고, 1년간의 현지 테스트베드 모니터링 데이터를 이용하여 발전성능, 모듈의 열화율, 발전량 예측 분석을 시행하였다. 발전성능은 3개의 시스템 평균 약 85% 달성하였고, 주기적인 청소에 의한 발전성능은 90%에 도달이 가능하나, 심각한 소일링 손실에 의해 청소를 시행하지 않은 기간 의 발전성능은 60%까지도 저하가 되었다. 모듈의 연간 평균 열화율은 0.
575 kW로 5월의 발전량 예측일은 5월 12일부터 31일까지 20일이다. 평균적인 1일 경사일 사량은 5.64 Wh/m2 , 평균 모듈 온도는 47.00도, 시스템의 1일 평균 출력은 89.83 kWh, 예측 출력은 90.35 kWh로 약 0.60% 정도 예측 출력이 높게 예상되었다.(Table 5)

후속연구

94%의 오차율을 보였다. 1년간의 사우디 테스트베드 운영결과로 높은 일사량과 안정적인 날씨에 의해 발전량을 극대화가 가능하나, 심각한 소일링 손실이 발생할 수 있으므로, 효과적인 청소 방법에 대한 해결책을 마련해야 한다.
태양광 발전 시스템의 안정적인 발전 및 성능평가를 위해 다양한 연구자들이 발전성능 지표를 이용한다. 또한, 추가적인 시스템의 성능을 평가하기 위한 발전량 예측의 연구를 진행 중이다^4-8). 발전량 예측의 연구는 안정적인 전력 수급을 위해 예보(forecasting)의 개념으로 24시간 전의 기상 데이터를 이용하여 미래의 발전량을 예상하는 연구가 활발하고, 그 기법으로 빅데이터 처리 기법이 사용되기도 한다^9-16).

질의응답

핵심어	질문	논문에서 추출한 답변
	태양광 발전 시스템 국내현황은?	1 GW 설치되었고, 227 GW 누적설치로 예상된 다. 국내현황은 2015년 1 GW 설치하여 세계 7위이고, 누적설치는 3.43 GW로 세계 11위에 해 당된다1). 최근 5년간 중국과 일본의 설치량 급증에 의해서 세계 태양광 발전 시스템의 보급 및 확산이 진행되었다.
	사우디아라비아 지역의 경우 2개월 에 약 14% 이상 소일링에 의한 출력 손실 발생을 분석한 방법은?	사우디아라비아 지역의 경우 2개월 에 약 14% 이상 소일링에 의한 출력 손실이 발생하였다3). 이러한 소일링 손실을 분석하기 위해서 2015년은 자연적인 강 우에 의한 청소를 제외하고는 발전시스템의 유지보수를 시행하지 않고, 2016년 이후로 2주마다 물청소를 시행하였다. 태양광 발전 시스템의 안정적인 발전 및 성능평가를 위해 다양한 연구자들이 발전성능 지표를 이용한다.
	2015년 전세계 태양광 발전 시스템의 설치 현황은?	2015년 전세계 태양광 발전 시스템은 48.1 GW 설치되었고, 227 GW 누적설치로 예상된 다. 국내현황은 2015년 1 GW 설치하여 세계 7위이고, 누적설치는 3.

참고문헌 (17)

Snapshot of global photovoltaic markets, Report IEA PVPS T1-29:2016
Reich, N. H., Mueller, B., Armbruster, A., Sark, W. G., Kiefer, K., and Reise, C., Performance ratio revisited: is PR> 90% realistic?. Progress in Photovoltaics: Research and Applications, Vol. 20, pp. 717-726, 2012.

상세보기
Oh, W. W. and Chan, S. I., The Performance Loss by the Soiling of Photovoltaic Modules, Journal of the Korean Solar Energy Society (in Korean), Vol. 35, pp. 63-71, 2015.

원문보기 상세보기
So, J. H., Jung, Y. S., Yu, G. J., Choi, J. Y., and Choi, J. H., Performance results and analysis of 3 kW grid-connected PV systems. Renewable Energy, Vol. 32, pp. 1858-1872, 2007.

상세보기
Kymakis, E., Kalykakis, S., and Papazoglou, T. M., Performance analysis of a grid connected photovoltaic park on the island of Crete. Energy Conversion and Management, Vol. 50, pp. 433-438, 2009.

상세보기
Ayompe, L. M., Duffy, A., McCormack, S. J., and Conlon, M., Measured performance of a 1.72 kW rooftop grid connected photovoltaic system in Ireland. Energy conversion and management,Vol. 52, pp. 816-825, 2011.

상세보기
Messina, S., Rosales, I. P. H., Duran, C. E. S., Quinones, J. J., and Nair, P. K., Comparative study of system performance of two 2.4 kW grid-connected PV installations in Tepic-Nayarit and Temixco-Morelos in Mexico. Energy Procedia, Vol. 57, pp. 161-167, 2014.

상세보기
Okello, D., van Dyk, E. E., and Vorster, F. J., Analysis of measured and simulated performance data of a 3.2 kWp grid-connected PV system in Port Elizabeth, South Africa. Energy Conversion and Management, Vol. 100, pp. 10-15, 2015.

상세보기
Silva Fonseca, J. G., Oozeki, T., Takashima, T., Koshimizu, G., Uchida, Y., and Ogimoto, K., Use of support vector regression and numerically predicted cloudiness to forecast power output of a photovoltaic power plant in Kitakyushu, Japan. Progress in photovoltaics: Research and applications, Vol. 20, pp. 874-882, 2012.

상세보기
Chen, C., Duan, S., Cai, T., and Liu, B., Online 24-h solar power forecasting based on weather type classification using artificial neural network. Solar Energy, Vol. 85, pp. 2856-2870, 2011.

상세보기
Shi, J., Lee, W. J., Liu, Y., Yang, Y., and Wang, P., Forecasting power output of photovoltaic systems based on weather classification and support vector machines. IEEE Transactions on Industry Applications, Vol. 48, pp. 1064-1069, 2012.

상세보기
Kim, K. D., The Development of the Short-Term Predict Model for Solar Power Generation. Journal of the Korean Solar Energy Society, Vol. 33, pp. 62-69, 2013.

원문보기 상세보기
Song, J. J., Jeong, Y. S., and Lee, S. H., Analysis of prediction model for solar power generation. Journal of Digital Convergence, Vol. 12, pp. 243-248, 2014.
Wang, G., Su, Y., and Shu, L., One-day-ahead daily power forecasting of photovoltaic systems based on partial functional linear regression models. Renewable Energy, Vol. 96, pp. 469-478, 2016.

상세보기
Lee, K. H. and Kim W. J., Forecasting of 24_hours Ahead Photovoltaic Power Output Using Support Vector Regression, Journal of KIIT. Vol. 14, pp. 175-183, 2016.
Choi, W. K., Oh, M. S., and Shin, W. C., The Simplified Pre-Estimation Model Development of a BIPV Generation Rate by the District Division. Journal of the Korean Solar Energy Society, Vol. 36, pp. 19-29, 2016.
James, G., Witten, D., Hastie, T., and Tibshirani, R., An introduction to statistical learning, Vol. 6, New York: springer, 2013.

저자의 다른 논문 :

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