[논문]태양광 발전 이상감지를 위한 아웃라이어 추정 방법에 대한 연구

서종관; 이태일; 이휘성; 박점배

doi:10.7471/ikeee.2020.24.2.403

태양광 발전 이상감지를 위한 아웃라이어 추정 방법에 대한 연구
A study on the outlier data estimation method for anomaly detection of photovoltaic system 원문보기

전기전자학회논문지 = Journal of IKEEE, v.24 no.2, 2020년, pp.403 - 408

서종관 (KEI Dept, I-ON communications) , 이태일 (KEI Dept, I-ON communications) , 이휘성 (KEI Dept, I-ON communications) , 박점배 (KEI Dept, I-ON communications)

초록
AI-Helper

태양광 발전은 특성상 간헐성과 불확실성이 항상 존재하기 때문에 정확한 예측은 어려우며, 실시간 발전량 진단을 위한 이상감지 기술이 중요하다. 본 논문에서는 다양한 파라미터의 상관관계를 도출하고 최근접 이웃 알고리즘을 적용하여 정상데이터와 비정상데이터를 분류한다. 두 분류의 결과는 발전 시스템의 결함에 의한 아웃라이어와 구름 등에 의해 단기간 동안 발생하는 부분 음영 및 전체 음영의 일시적인 전력손실을 보여준다. 100kW 발전소 데이터를 대상으로 머신러닝 분석을 수행하여 테스트 결과를 산출하였으며 실제 이상치와 이상치 후보지를 검증하였다.

Abstract ▼ AI-Helper

Photovoltaic (PV) has both intermittent and uncertainty in nature, so it is difficult to accurately predict. Thus anomaly detection technology is important to diagnose real time PV generation. This paper identifies a correlation between various parameters and classifies the PV data applying k-nearest neighbor and dynamic time warpping. Results for the two classifications showed that an outlier detection by a fault of some facilities, and a temporary power loss by partial shading and overall shading occurring during the short period. Based on 100kW plant data, machine learning analysis and test results verified actual outliers and candidates of outlier.

주제어

표/그림 (11)

그림 Fig. 1. RTU dataset. 그림 1. RTU 데이터 셋
표 Table 1. Collection data preprocessing category. 표 1. 수집 데이터 전처리 항목
그림 Fig. 2. Pearson correlation of PV data. 그림 2. 발전데이터 피어슨 상관관계
그림 Fig. 3. Irradiance and panel power distribution plot monthly. 그림 3. 월별 일사량과 패널전력 분포
그림 Fig. 4. Variation of module power, predict power, irradiance. 그림 4. 패널전력, 예측전력, 일사량 변화 추이
그림 Fig. 5. Data variation transition in May and June. 그림 5. 5월과 6월 데이터 변화 추이
그림 Fig. 6. Count of power difference. 그림 6. 발전량 오차 구간별 통계 정보
그림 Fig. 7. Detection of optimal K-value plot. 그림 7. 최적의 K값 선정 그래프
그림 Fig. 8. Verification of data classification based KNN. 그림 8. KNN 기반 정상데이터 및 이상데이터 검증
그림 Fig. 9. DTW distance result. 그림 9. DTW 유사도 결과
그림 Fig. 10. DTW distance result plot. 그림 10. DTW 거리 측정 결과 그래프

AI 본문요약
AI-Helper

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

제안 방법

20～30kW 구간에 해당하는 데이터를 이상데이터 후보군으로 분류하고, 실제 발전량 데이터를 대상으로 K-Nearest Neighbor 모델을 적용하여 정상데이터와 이상데이터 분류하여 이상데이터 후보군과 일치여부를 확인하였다. train data와 test data 는 3:1 비율이며, k-fold 교차검증을 적용하여 오버피팅을 방지하였다.
본 논문에서는 100kW 설비용량의 태양광 발전데이터를 기반으로 이상치 및 결측치를 정의하고 정규화하여 데이터전처리를 시행한다. 그리고 발전데이터와 일사량, 패널온도 등의 환경데이터를 결합하여 데이터 간 상관관계 도출하여 주요 피처 추출한다. 예측 발전량과 실제 발전량과의 잔차 수치별로 정상데이터와 비정상데이터를 그룹화하고 최근접 이웃 알고리즘을 적용하여 비정상데이터를 재분류하여 아웃라이어와 후보군을 선별한다.
또한 KNN 모델을 적용하여 이상데이터 분류하였으며, 88%의 정확성을 보였다. 또한, 이상데이터를 대상으로 DTW 유사성을 적용하여 최종적으로 아웃라이어를 판별하였다.
예측 발전량과 실제 발전량과의 잔차 수치별로 정상데이터와 비정상데이터를 그룹화하고 최근접 이웃 알고리즘을 적용하여 비정상데이터를 재분류하여 아웃라이어와 후보군을 선별한다. 마지막으로 partial-shading, overall-shading, 데이터 유사성 측정을 통해 아웃라이어를 판별한다.
발전데이터가 연속 10회 결측 시에는 해당 시각 전/후의 값을 활용하여 선형보간법의 방법으로 대체하였으며, 아래는 추정값 수식을 보여준다.
본 논문에서는 100kW 설비용량의 태양광 발전데이터를 기반으로 이상치 및 결측치를 정의하고 정규화하여 데이터전처리를 시행한다. 그리고 발전데이터와 일사량, 패널온도 등의 환경데이터를 결합하여 데이터 간 상관관계 도출하여 주요 피처 추출한다.
본 논문에서는 태양광 발전 이상감지를 위해 데이터 전처리를 통해 주요 피처를 추출하고 발전 오차를 그룹화하여 이상치와 이상치 후보군을 구분하였다. 또한 KNN 모델을 적용하여 이상데이터 분류하였으며, 88%의 정확성을 보였다.
본 장에서는 100kW 설비용량의 태양광 발전소의 RTU(Remote Terminal Unit)을 통해 수집된 발전데이터와 환경데이터 간 상관관계를 도출하고 발전량 알고리즘 위한 피처 추출의 데이터 전처리를 기술한다. 대부분의 발전정보는 일정 주기로 RTU에서 수집되며, 본 논문에서는 1분 주기로 발전정 보를 수집하였으며, ’19.
분석 수집 데이터의 출처에 따라 태양광 발전 데이터, 기상청 데이터, 환경센서 데이터로 분류하였으며, 그림 1은 전처리를 시행한 데이터 셋의 일부를 나타낸다.
그리고 발전데이터와 일사량, 패널온도 등의 환경데이터를 결합하여 데이터 간 상관관계 도출하여 주요 피처 추출한다. 예측 발전량과 실제 발전량과의 잔차 수치별로 정상데이터와 비정상데이터를 그룹화하고 최근접 이웃 알고리즘을 적용하여 비정상데이터를 재분류하여 아웃라이어와 후보군을 선별한다. 마지막으로 partial-shading, overall-shading, 데이터 유사성 측정을 통해 아웃라이어를 판별한다.
최종적으로 이상데이터를 대상으로 경사면일사량과 패널전력의 동적시간왜곡(DTW, Dynamic Time Warping) 거리 알고리즘을 적용하여 패널전력과 일사량 간 유사도 측정을 통해 이상데이터의 아웃라이어를 판별하였다.

대상 데이터

대부분의 발전정보는 일정 주기로 RTU에서 수집되며, 본 논문에서는 1분 주기로 발전정 보를 수집하였으며, ’19.03.09～’19.06.21까지 90일간 총 138,388개의 데이터를 대상으로 정제, 통합, 축소, 변환, 정규화의 데이터 전처리를 수행하였다.

데이터처리

2. Pearson correlation of PV data.

성능/효과

그림 2는 데이터 전처리 과정을 통해 추출한 데이터의 피어슨 상관관계 히트맵을 나타내며, 패널 전력은 경사일사량 및 패널온도와 가장 높은 수치를 갖는 강한 양적 상관관계를 보이는 것을 확인하였다. 따라서 태양광 발전량은 일사량 및 패널온도가 주요 데이터이며, 해당 데이터 분석을 통해 발전량의 이상여부 확인이 가능하다.
본 논문에서는 태양광 발전 이상감지를 위해 데이터 전처리를 통해 주요 피처를 추출하고 발전 오차를 그룹화하여 이상치와 이상치 후보군을 구분하였다. 또한 KNN 모델을 적용하여 이상데이터 분류하였으며, 88%의 정확성을 보였다. 또한, 이상데이터를 대상으로 DTW 유사성을 적용하여 최종적으로 아웃라이어를 판별하였다.
10kW 이하 구간은 앞서 설명한대로 태양광 발전의 설비효율 손실이며, 20～30kW 구간이 주요 이상감지 구간으로 볼 수 있다. 또한, 40kW 초과 구간은 57개로 오차가 거의 발생하지 않았으며 구름 등에 의한 일시적인 발전저하로 판단가능하다.
DTW가 클수록 데이터의 유사성이 작다는 것을 의미하기 때문에 서로 다른 패턴 형태를 보여주며 이는 두 데이터는 직선형 선형관계가 성립하지 않는 것으로 판단 가능하다. 또한, 평균 오차보다 큰 오차가 발생한 것으로 확인하였다.
태양광 발전은 기상 정보에 의존적이기 때문에 일사량, 강수량, 패널온도 등의 정보가 발전량 이상 감지 판별을 위한 주요 데이터이다[7], [8]. 본 연구에서는 발전소 내 특정 패널에 장착된 환경센서를 통해 기상정보를 수집하였으며, 이는 외부 기상자료개방포털의 정보보다 높은 수준의 신뢰성을 가진다. 또한, 일반적으로 패널온도는 25℃에서 1℃의 온도가 상승함에 따라 약 0.
패널전력 변동 추이일 사량이 변화하는 시점에 따라 대체적으로 일치한 형태의 그래프 유형을 보인다. 일사량과 예측전력이 증가하지만 패널전력이 감소하는 경우는 총 4회(5월 16, 17일/6월 17일, 18일)이며, 10분 이내의 단기간 동안 발생한 것으로 보아서는 외부 환경에 의한 일시적인 발전 손실로 추정 가능하다. 그림 5는 5월과 6월 기간 동안 10kW 초과 구간의 패널전력, 일사량, 예측전력 데이터 변화 추이 그래프이며, 빨간색 부분은 일사량과 패널 전력이 반비례한 일시를 나타낸다.

후속연구

향후 KNN 모델 이외 랜덤포레스트, 서포트벡터 머신, 앙상블 등의 머신러닝 모델을 적용하여 아웃라이어의 분류 정확도를 향상시키는 연구를 추진 하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	태양광 발전의 특징은 무엇인가?	태양광 발전은 특성상 간헐성과 불확실성이 항상 존재하기 때문에 정확한 예측은 어려우며, 실시간 발전량 진단을 위한 이상감지 기술이 중요하다. 본 논문에서는 다양한 파라미터의 상관관계를 도출하고 최근접 이웃 알고리즘을 적용하여 정상데이터와 비정상데이터를 분류한다.
	발전데이터의 불확실성을 야키시킨 원인	이러한 태양광 발전은 본질적으로 기상정보 등 외부 요인에 민감하기 때문에 정확한 예측이 어렵고 간헐적인 출력변동성을 내포하고 있어 전력망 안정성에 큰 영향을 야기시키게 된다. 따라서 발전데이터의 불확실성을 해소하기 위하여 실시간으로 발전설비들을 모니터링하고 발전량의 변화에 대응하는 이상감지 기술이 최근에 재조명 받고 있다[4], [5].
	태양광 발전이란 무엇인가?	태양광 발전은 온실가스 및 기후변화의 글로벌 에너지 문제에 대응하여 탈탄소화(Decarbonized), 탈중앙화(Decentralized), 디지털화(Digitized)로 대표되는 에너지 전환의 핵심 재생에너지이며, 2025년에는 세계 태양광 발전용량은 128GW에 이를 것으로 전망된다[1]. 국내는 재생에너지 3020 이행과 신재생에너지의무사용 등 정부 주도적으로 다양한 보급 확대 정책을 시행하고 있으며, 풍력에너지와 더불어 그리드패리티 시장으로 전환을 위한 주요 에너지원으로 여겨진다.

참고문헌 (9)

"Global Market Outlook for soalr power 2019-2023," The solar power eruope, 2019.
"Renewable energy 3020 plan (RE3020)," MOTIE of Korea, 2017.
"2019 Quarterly Report," The Export-import Bank of Korea, Vol.9, 2019.
Hye-won Ahn, Yong-sung Cho, "Study on Certification Policy for Stabilization of Photovoltaic Industry - A Case Study of PV Power Plant O&M," Journal of Climate Change Research, Vol.6 No.2, 2015.
Tae-hoon Jeon, Young-Ju Lee, Myeong-Hwan Kim, Jeong-Cheol Lee, Jun-Ho Park, Gwon-Jong Yu, "Factors and solutions of decline of power generation efficiency during O&M of PV systems," Journal of Korean Solar Energy Society, Vol.5, No.1, 2015.
Jeong-won Kim, "A Solar Power Prediction Scheme Based on Machine Learning Algorithm from Weather Forecasts," Journal of KIIT Vol.17 No.9, 2019.
Kyung-Eun Park, Gi-Hwan Kang, Hyun-Il Kim, Gwon-Jong Yu, Jun-Tae Kim, "Study on variation of electrical characteristics of vertical PV module according to the change of irradiance and temperature," Journal of the Korean Solar Energy Society autumn conference, 2008.
Hee-Jung Youn, Seong-Wan Jang, Eun-Heui Lee, "Temperature Monitoring of Vegetation Models for the Extensive Green Roof," Journal of the Korea Institute of Ecological Architecture and Environment, Vol.13, No.5, 2013. DOI: 10.12813/kieae.2013.13.5.089
W. Durish, B. Bitnar, Jean-C Mayor, H. Kiess, K. Lam, J. Close, "Efficiency model for photovoltaic modeules and demonstration of its application to energy yield estimation," Solar Energy Materials and Solar Cells, Vol.91, pp.79-84, 2007. DOI: 10.1016/j.solmat.2006.05.011

상세보기

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