Research Article

Journal of the Korean Solar Energy Society. 30 April 2024. 37-49
https://doi.org/10.7836/kses.2024.44.2.037

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 본 론

  •   2.1 전남대학교 태양광 발전 사이트

  •   2.2 이력 정보를 활용한 태양광 발전 시스템의 출력 분석

  •   2.3 실시간 정보를 활용한 태양광 발전 시스템의 출력 추정 방법

  • 3. 결 론

기호 및 약어 설명

m : 2020년 6월 1일부터 해당 일까지의 일 수

PA,m,PB,m,PC,m,PD,m,PE+F,m : A, B, C, D, E + F 건물의 m일 일간 발전량

IB : 지구 표면에 도달하는 태양의 일사량 [W/m2]

IC : 태양광 발전원(Collector)에 비추는 태양의 일사량에 의한 빛의 세기 [W/m2]

IBC : 직사광(Direct beam radiation) [W/m2]

IDC : 산란광(Diffuse radiation) [W/m2]

IRC : 반사광(Reflected radiation) [W/m2]

β : 태양의 고도각(Altitude angle) [degree]

Φ : 태양광 발전원의 방위각(Azimuth angle) [degree]

: 태양광 발전원의 틸트각(Tilt angle) [degree]

C : 대기 확산 계수(Sky diffuse factor)

ρ : 지표면 반사율(Albedo)

n : 1월 1일부터 해당 일까지의 일 수

Pmaxtheo : 태양광 발전원의 이론적인 최대 출력[kW]

Prated : 태양광 발전원의 정격 출력[kW]

ηPV : 태양광 모듈의 정격 출력 효율(Photovoltaic efficiency)

ηconv : 전력 변환 장치의 전력 변환 효율(Conversion efficiency)

Pmaxexpected : 태양광 발전원의 맑은 날씨 기대되는 최대 출력[kW]

T : 해당 일의 최고 온도[°]

Tcoeff : 온도 계수(Temperature coefficient)

Preal : 실제 출력량[kW]

Rsensor : 일사량 실측량(Radiation sensing) [W/m2]

Rcoeff : 일사량 계수(Radiation coefficient)

Wcoeff : 날씨 계수(Weather coefficient)

1. 서 론

정부의 재생에너지 발전 비중 목표를 달성하기 위해 태양광 및 풍력과 같은 신재생 에너지원의 전력 계통 보급률은 꾸준히 증가하고 있다1). 하지만 외부 요인에 의해 영향을 크게 받는 신재생에너지원의 불안정한 출력 특성으로 인해 계통의 혼잡도 증가, 전압 및 주파수의 안정도 감소, 송배전 선로 및 설비 과부하 등의 문제가 발생하게 된다. 이를 방지하기 위해 계통에 연계된 신재생에너지원에 대한 감시 및 관리 방안들과 예측 방안들이 연구되어왔다2,3,4).

신재생 에너지원 중 높은 비중을 차지하는 태양광 발전원은 규모에 상관없이 전력 계통 전역에 연계된다. 경도와 위도, 설치각 등 설치 조건과 날씨와 온도 등 환경 조건에 따라 출력량이 민감하게 반응하는 태양광 발전원은 동일 위치에 설치되더라도 각 설비들의 이상적인 출력량과 패턴은 다른 형태를 보인다5,6,7). 태양광 발전 설비의 성능을 평가하기 위한 지표로 이론적인 출력량이 주로 활용되지만8), 각 설비의 실제 출력량에 최적화되지 않아 온도 및 일사량을 통해 이를 예측하고 보완하기 위한 연구들이 수행되어왔다9,10,11). 하지만 기상청의 예측이나 예보데이터, 인공위성의 관측 데이터 등 외부 데이터를 요구하는 방안들은 큰 예측 오차에 대한 고려가 필요하거나 시스템 단위의 분석을 요구하기 때문에, 이력 데이터를 기반으로 태양광 발전 설비의 기대되는 출력량과 출력 패턴을 파악하기 위한 방안이 필요하다.

태양광 설비와 전력 변환 설비의 노후화나 기상 악화 등 자연적인 현상으로 인한 효율 감소, 출력 저하는 운영자가 대처할 수 없으나, 일부 모듈의 비정상적인 작동이나 이물질의 그림자 등 비자연적인 현상으로 인한 출력 저하는 운영자가 감지하고 대처할 수 있다. 하지만 외부 요인에 민감한 태양광 발전 설비의 특성으로 인해 정상적인 출력이 발생하지 않더라도 이를 자체적으로 판단하기 어렵다. 그러므로 실시간 단위의 계측 혹은 센서 데이터를 활용하여 태양광 발전 설비의 출력량을 추정하기 위한 방법이 필요하다.

본 논문에서는 2018년 호남 지역 광주광역시에 위치한 전남대학교 캠퍼스에 구축된 태양광 발전 사이트의 2020년 6월부터 2023년 5월까지의 실측 데이터와 2020년 10월부터 2021년 1월까지의 일사량 및 온도 센서 데이터를 기반으로 태양광 발전 설비의 연간 기대 출력량을 분석하고 현재 출력량을 추정하기 위한 방법을 제안한다. 이를 위해 이력 정보를 활용하여 태양광 발전 설비의 이상적인 출력량을 도출하기 위한 방법을 설계하고 실시간 데이터를 활용하여 태양광 발전 설비의 출력량을 추정하기 위한 방법을 제안한다. 제안된 분석 및 평가 방법들은 실증 사이트의 정보를 통해 설계되고 검증된다.

2. 본 론

2.1 전남대학교 태양광 발전 사이트

전남대학교의 태양광 발전 사이트는 Fig. 1(a) ~ (f)와 같이 캠퍼스 내 6개의 건물 옥상에 전체 675.4 kW 규모로 구축되었으며, 각 태양광 사이트의 경도, 위도, 방위각, 설치각에 대한 설치 정보는 Table 1과 같다. 전남대학교 캠퍼스 내에 위치한 각 건물들은 대체적으로 유사한 경도와 위도 값을 가지며, 방위각은 동일 지역 내 지붕의 장애물 및 음영이 고려되어 Building A ~ D가 유사한 값을 갖는다. PV 설치각은 캠퍼스의 미관을 해치지 않는 동일한 값이 적용되었다. 태양광 모듈과 인버터에 관련하여 상세한 정보는 Table 2와 같다. 태양광 모듈은 에너지 변환 효율이 16% 이상이고 단위 모듈 전압 37 V, 단위 모듈 전류 8.5 A를 갖는 한화 Q.Plus L-G4.1 335 W 모델이 설치되었으며, 인버터는 용량에 따라 병렬 연결할 수 있는 설계 효율 95% 이상, 출력전압 380 V, DC측 maximum power point (MPP) 전압 570 ~ 800 V의 60 kW급 3상 출력 모델이 적용된 SMA STP 60-10가 연계되었다.

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F1.jpg
Fig. 1

PV generation sites of chonnam national university

Table 1

PV module installation information of each PV generation site

Site Longitude [°] Latitude [°] Azimuth [°] Installation Angle [°]
Building A 35.1783 126.9110 203.8 14
Building B 35.1782 126.9092 204.9 14
Building C 35.1797 126.9115 204.8 14
Building D 35.1786 126.9091 204.9 14
Building E 35.1780 126.9069 178.9 14
Building F 35.1780 126.9069 178.9 14
Table 2

Rated capacity installation information of each PV generation site

Site Information of PV Module Rated Capacity
[kW]
Number of Inverter
Serial Parallel Total
Building A 18 42 756 253.3 5
Building B 18 16 288 96.5 2
Building C 18 20 360 120.6 2
Building D 18 10 180 60.3 1
Building E 18 10 180 60.3 1
Building F 18 14 242 84.4 2

2.2 이력 정보를 활용한 태양광 발전 시스템의 출력 분석

(1) 전남대학교 태양광 발전 사이트의 출력 패턴

전남대학교 태양광 발전 사이트에서 2020년 6월부터 2023년 5월까지 3년간 실측된 각 건물별 일간 태양광 발전량은 Fig. 2와 같다. 각 건물 별 통신 불량, 인버터 고장, 설비 점검 등으로 인한 데이터 손실을 보정하여 전남대학교 태양광 발전 사이트의 연간 발전 패턴 및 발전량을 확인하기 위해 수집 기간 내 최대 일간 발전량이 나타난 2021년 4월 18일(m= 322) 정보를 기준으로 식(1)을 통해 Fig. 3과 같은 정규화를 수행하였다. 정규화된 정보를 기반으로 전남대학교 태양광 발전 사이트의 계절별 출력 상대량의 평균은 봄철 69%, 여름철 59%, 가을철 54%, 겨울철 47%임을 확인할 수 있다.

(1)
Normalizedoutputofmday=max(PA,mPA,322,PB,mPB,322,PC,mPC,322,PD,mPD,322,PE+F,mPE+F,322)

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F2.jpg
Fig. 2

Daily output data of each building in CNU PV site from June 2020 to May 2023

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F3.jpg
Fig. 3

Normalized daily output data of CNU PV site from June 2020 to May 2023

(2) 태양광 발전 사이트의 출력 분석를 위한 온도 계수

태양광 발전 사이트의 출력을 분석하기 위해 태양광 발전원이 맑은 날씨 기준 최대 출력 가능한 기대값이 산출되어야 한다. Fig. 4와 같이 태양으로부터 지구 포면에 도달하는 일사량(IB)에서 태양광 모듈에 도달하는 일사량(IC)은 대기를 통해 모듈로 통과되는 직선 일사량(IBC), 대기 중 분자와 에어로졸에 의해 산란되거나 반사된 확산 일사량(IDC), 모듈 앞 지면과 다른 표면에서의 반사 일사량(IRC)으로 구분할 수 있으며 이는 식(2), (3), (4), (5), (6)을 통해 계산할 수 있다. 최종적으로 식(7)과 같이 태양광 모듈의 정격출력(Prated)과 설비들의 효율을 반영하여 Fig. 5와 같은 이론적인 출력량(Pmaxtheo)을 산출할 수 있다. 이때, 본 사이트에 설치된 태양광 모듈의 상세 특성에 따라 태양광 모듈의 정격 출력 효율(ηPV)에 초기 효율 97%, 연간 0.6% 효율 저하를 반영하였고, 전력 변환 장치의 전력 변환 효율(ηconv)은 97%를 적용하였다12). 또한, 전남대학교 태양광 발전 사이트의 실제 데이터는 Building C의 정보를 활용하였으며, 손실된 데이터는 정규화된 데이터를 반영하여 환산하였다.

(2)
IC=IBC+IDC+IRC
(3)
IBC=IB×(cosβ×cosΦ×sin+sinβ×cos)
(4)
IDC=IB×C×(1+cos2)
(5)
IRC=IB×ρ×(C+sinβ)(1-cos2)
(6)
C=0.095+0.04sin[360365(n-100)]
(7)
Pmaxtheo=Prated×IC×ηPV×ηconv=Prated×(IBC+IDC+IRC)×ηPV×ηconv

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F4.jpg
Fig. 4

Illustrating the PV collector8)

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F5.jpg
Fig. 5

Real and theoretical PV profile of CNU PV site from June 2020 to May 2023

누적된 3개년의 태양광 발전원 출력 프로필을 통해 전남대학교 태양광 발전 사이트는 이론적인 출력량과 달리 온도가 높은 5월부터 10월에 설비의 출력 성능이 현저하게 감소함을 확인할 수 있다. 따라서, 태양광 발전 설비의 정확한 출력을 분석하기 위해 실제 출력량에 영향을 미치는 온도, 습도 등의 환경 요인을 반영하여 태양광 발전 설비의 기대되는 출력량(Pmaxexpected)을 산출하기위한 방안이 필요하다.

본 논문에서는 태양광 발전 설비의 이론적인 출력량을 보정하여 해당 설비의 기대되는 출력량을 산출하기 위해 맑음 날씨의 일간 최고 온도를 환경 요인의 대표 값으로 선정하여 태양광 발전 사이트의 이론적인 출력량 대비 실제 출력량과의 상관관계를 분석하였다. 이에 대한 이력 정보를 Fig. 6과 같이 산점도로 표현하고 Curve fitting을 수행하면, 선형 추세선인 온도 계수 식(8)을 취득할 수 있다. 취득된 온도 계수를 식(9)와 같이 이론적인 출력량에 반영함으로써, 맑음 날씨 실제 출력량과 유사한 기대되는 출력량을 구할 수 있다. 태양광 발전원의 실제 일일 출력량을 이론적인 출력량, 기대되는 출력량과 비교한 결과는 Fig. 7과 같다.

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F6.jpg
Fig. 6

Linear trend line of PV output and temperature in CNU PV site from June 2020 to May 2023

(8)
Tcoeff=-0.0074×T+1.0234
(9)
Pmaxexpected=Pmaxtheo×Tcoeff

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F7.jpg
Fig. 7

Annual PV output comparison of real, expected and theoretical in CNU PV site

이론적인 출력량과 기대되는 출력량을 활용하여 전남대학교 태양광 발전 사이트의 출력을 계절별로 분석한 결과는 Table 3Table 4에 각각 정리하였다. 기대되는 출력량이 아닌 이론적인 출력량을 태양광 발전원의 출력 분석에 대한 기준값으로 선정하게 되면 환경 요인에 의한 출력 저하가 기준값에 반영되지 않아 태양광 발전원의 출력이 저평가된다. 특히, 환경 요인에 영향을 크게 받는 봄철과 여름철의 경우, 90 ~ 100%의 출력비가 621일 중 56일(9%)과 216일(35%)로 큰 차이가 나타난다. 그러므로 장기적인 이력 데이터를 기반으로 취득된 온도 계수를 반영한 기대되는 출력량을 사용함으로써, 기존 태양광 발전 사이트의 출력 상태를 정밀하게 분석할 수 있고 나아가 향후 해당 사이트의 기대되는 출력량을 효과적으로 파악할 수 있다.

Table 3

PV output analysis result based on theoretical output of CNU PV site from June 2020 to May 2023

Date Daily real output / daily theoretical output [%]
0 ~ 10 10 ~ 20 20 ~ 30 30 ~ 40 40 ~ 50 50 ~ 60 60 ~ 70 70 ~ 80 80 ~ 90 90 ~ 100 Total
Summer, 2020 to 2022 7 27 31 23 44 55 53 57 42 6 345
Fall, 2020 to 2022 1 8 10 6 7 10 12 18 47 64 183
Winter, 2020 to 2022 13 17 10 15 27 18 24 24 48 73 269
Spring, 2021 to 2023 5 23 15 10 19 15 20 38 81 50 276
Total 26 75 66 54 97 98 109 137 218 193 1073
2% 7% 6% 5% 9% 9% 10% 13% 20% 18% 100%
Table 4

PV output analysis result based on expected output of CNU PV site from June 2020 to May 2023

Date Daily real output / daily expected output [%]
0 ~ 10 10 ~ 20 20 ~ 30 30 ~ 40 40 ~ 50 50 ~ 60 60 ~ 70 70 ~ 80 80 ~ 90 90 ~ 100 Total
Summer, 2020 to 2022 4 21 29 21 19 40 46 35 46 84 345
Fall, 2020 to 2022 1 3 12 7 6 7 12 11 20 104 183
Winter, 2020 to 2022 14 15 11 17 25 21 22 24 39 81 269
Spring, 2021 to 2023 4 22 14 8 15 15 14 19 33 132 276
Total 23 61 66 53 65 83 94 89 138 401 1073
2% 6% 6% 5% 6% 8% 9% 8% 13% 37% 100%

2.3 실시간 정보를 활용한 태양광 발전 시스템의 출력 추정 방법

이력 정보를 활용한 태양광 발전 시스템의 출력 분석 과정에서 얻어진 태양광 발전 설비의 기대되는 출력량과 태양광 발전원의 이력 정보를 통해 태양광 발전 설비의 일일 출력량을 분석할 수 있다. 하지만 이력 정보를 기반으로 하는 분석 방법은 태양광 발전 설비의 실시간 상태를 평가하기에는 적합하지 않다. 태양광 발전원의 출력이 제한되거나 이상이 생겼을 경우, 이를 신속하게 파악하고 조치하기 위해 이력 정보가 아닌 실시간 정보를 활용하여 태양광 발전 설비의 출력 상태를 평가하기 위한 방법이 필요하다. 본 논문에서는 태양광 발전 사이트에서 일사량 센서와 온도 센서에서 계측된 실시간 정보를 활용하여 태양광 발전원의 정상적인 출력 상태를 평가하는 방법을 제안한다.

Fig. 8과 같이 일사량 센서에서 계측된 분단위 일사량 정보와 실제 태양광 발전원의 분 단위 출력은 유사한 패턴을 보인다. 즉, 태양광 발전 사이트의 일사량 정보에 최적화된 환산 계수를 적용하면 태양광 발전원의 실제 출력량을 추정할 수 있다. 태양광 발전원의 출력을 추정하기 위한 환산 계수는 식(10)과 같이 일사량 계수(Rcoeff), 날씨 계수(Wcoeff), 온도 계수로 구분된다. 전남대학교 태양광 발전 사이트에 최적화된 온도 계수는 식(8)과 같으며 1월에 대한 일사량 및 날씨 계수는 2.3-(1)을 통해 산정되었다.

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F8.jpg
Fig. 8

Normalized profile of radiation data and PV output in CNU PV site

(10)
Preal=Rsensor×Rcoeff×Wcoeff×Tcoeff

(1) 전남대학교 태양광 발전 사이트의 환산 계수 선정

오차를 최소화하여 실제 출력량과 비례 관계를 갖는 일사량 계수를 분석하기 위해서는 유의미한 출력이 나오는 시간대의 이력 정보를 활용해야한다. Table 5와 같이 1월의 시간대 별 기대되는 출력량 대비 실제 출력량 정보를 통해, 출력 비가 70% 이상인 시간을 일사량 계수 산정을 위한 지표로 선정할 수 있다. 해당 시간들을 대상으로 식(11)과 같이 일사량 계수를 조사하면 전남대학교 태양광 발전 사이트의 1월 일사량 계수는 0.1451에서 0.1576 사이의 값이 도출되며 평균 0.1504의 값을 사이트 최적 일사량 계수로 선정하였다.

(11)
Rcoeff=PrealRsensor×1Tcoeff
Table 5

Ratio of real output to expected output and radiation coefficient in CNU PV site from January 2021

Hour Content Date
12 13 14 15 16 17
10 h Real/expected output 63% 69% 79% 34% 33% 85%
Radiation coeff. X X 0.1576 X X 0.1513
11 h Real/expected output 85% 78% 87% 59% 73% 94%
Radiation coeff. 0.1494 0.1478 0.1543 X 0.1573 0.1556
12 h Real/expected output 91% 84% 90% 55% 84% 98%
Radiation coeff. 0.1520 0.1467 0.1501 X 0.1501 0.1519
13 h Real/expected output 93% 85% 90% 45% 40% 99%
Radiation coeff. 0.1540 0.1466 0.1475 X X 0.1451
14 h Real/expected output 64% 83% 87% 34% 54% 69%
Radiation coeff. X 0.1475 0.1461 X X X
15 h Real/expected output 45% 75% 81% 26% 54% 91%
Radiation coeff. X 0.1529 0.1470 X X 0.1470

날씨에 의한 출력 저하를 반영하기 위해 식(11)을 통해 Table 6과 같이 시간대 별 날씨 계수와 그에 대한 일사량을 분석하였다. 이때, Table 7과 같이 기상청의 날씨 정보와 실제 출력량을 기반으로 추정된 날씨가 일치하지 않는 경우가 존재하기 때문에, 실측된 일사량을 기준으로 자체 날씨 판단을 수행하였으며 Table 8과 같이 전남대학교 태양광 발전 사이트의 1월에 최적화된 시간 별 일사량에 따른 날씨 계수를 선정하였다.

(12)
Wcoeff=PrealRsensor×Rcoeff×Tcoeff=PrealRsensor×0.1504×Tcoeff
Table 6

Radiation and weather coefficient in CNU PV site from January 2021

Hour Content Date
12 13 14 15 16 17
10 h Radiation 144 345 367 185 178 418
Weather coeff. 0.89 1.00 1.05 0.91 0.92 1.01
11 h Radiation 486 454 484 351 440 526
Weather coeff. 1.00 0.99 1.03 0.96 0.96 1.03
12 h Radiation 514 507 534 363 527 591
Weather coeff. 1.05 0.98 1.00 0.91 0.96 1.00
13 h Radiation 500 482 512 292 250 581
Weather coeff. 1.04 0.98 0.98 0.87 0.90 0.96
14 h Radiation 394 390 417 186 214 313
Weather coeff. 1.00 0.98 0.98 0.85 0.82 1.05
15 h Radiation 171 238 270 105 210 325
Weather coeff. 0.84 1.02 0.98 0.80 0.85 0.94
Table 7

Inconsistency case of weather history provided by the Meteorological Administration and self-weather judgment based on the ratio of real output to expected output

Content Inconsistency case
Weather history Mostly Cloudy Mostly Cloudy Mostly Cloudy Mostly Cloudy Sunny Sunny
Real/expected output 77% 76% 79% 84% 64% 69%
Self-weather judgment Little cloudy Little cloudy Little cloudy Little cloudy Partly Cloudy Partly Cloudy
Table 8

Weather coefficient in CNU PV site from January 2021

Weather coeff. Radiation range
10 h 11 h 12 h 13 h 14 h 15 h
0.8 [Overcast] ~ 105 ~ 120 ~ 135 ~ 135 ~ 135 ~ 105
0.85 [Mostly cloudy] 105 ~ 175 120 ~ 200 135 ~ 225 135 ~ 225 135 ~ 225 105 ~ 175
0.9 [Partly cloudy] 175 ~ 245 200 ~ 280 225 ~ 315 225 ~ 315 225 ~ 315 175 ~ 245
0.95 [Little cloudy] 245 ~ 315 280 ~ 360 315 ~ 405 315 ~ 405 315 ~ 405 245 ~ 315
1 [Sunny] 315 ~ 360 ~ 405 ~ 405 ~ 405 ~ 315 ~

(2) 환산 계수를 활용한 전남대학교 태양광 발전 사이트의 출력 추정

전남대학교 태양광 발전 사이트에서 1월 12일 ~ 17일 계측된 5분 평균 일사량 정보에 식(10)과 같이 온도 계수, 1월 일사량 계수, 날씨 계수를 적용하고 이를 실제 출력 정보와 비교하여 정확도를 측정하였다. 결과적으로 Fig. 9와 같은 결과를 통해, 맑음 날씨의 경우 시간 평균 2.25%, 구름 조금 날씨의 경우 평균 8.7%의 실제 출력량 대비 예측 오차로 실제 출력량을 추정할 수 있음을 확인하였다.

https://static.apub.kr/journalsite/sites/kses/2024-044-02/N0600440204/images/kses_2024_442_37_F9.jpg
Fig. 9

Tracking PV output based on radiation data and real PV output in CNU PV site from January 12 to 17

3. 결 론

본 논문에서는, 태양광 발전 사이트의 설치 정보 및 이력 정보를 기반으로 태양광 발전 설비의 기대되는 일일 출력량을 분석하는 방법과 일사량 센서와 온도 센서 정보를 활용하여 태양광 발전 설비의 현재 출력량을 추정하는 방법을 제안하였다.

2020년 6월에서 2023년 5월까지 전남대학교 태양광 발전 사이트에서 3년동안 계측된 태양광 발전 시스템의 출력 정보를 분석하여, 연간 태양광 발전 설비의 기대되는 출력량 및 패턴을 계산하기 위한 온도 계수를 도출하였다. 태양광 발전 설비의 설치 위치 정보를 기반으로 하는 이론적인 출력 계산값에 사이트에 최적화된 온도 계수를 적용하여 계산 오차를 감소시켰으며, 이를 통해 태양광 발전 사이트의 기대되는 출력량을 계산하였고 실제 이력 정보와의 비교 분석을 수행하였다.

일사량 및 온도 센서에서 계측된 실시간 정보를 기반으로 태양광 발전 설비의 현재 출력 상태를 추정하기 위한 방법을 설계하였다. 태양광 발전 사이트에서 실측된 이력 정보를 기반으로 사이트에 최적화된 일사량 계수와 날씨 계수를 선정하였으며, 일사량 정보만을 활용하여 실제 출력에 대한 추정을 수행하였다. 제안된 방법은 맑음 날씨 평균 2.25%, 구름 조금 날씨 평균 8.7%의 오차를 가진다.

향후 실시간 데이터를 활용한 태양광 발전원의 출력 추정의 오차를 감소시키기 위해, 일사량 센서와 온도 센서의 데이터 수집 기간을 확장하고 조도 센서를 추가하여 연구를 진행하고자 한다.

Acknowledgements

이 논문은 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구입니다(RS-2023-00249376).

이 논문은 2023년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구입니다(RS-2023-00274155).

References

1

Kim, C., A Review of the Deployment Programs, Impact, and Barriers of Renewable Energy Policies in Korea, Renewable and Sustainable Energy Reviews, Vol. 144, 110870, 2021, https://doi.org/10.1016/j.rser.2021.110870.

10.1016/j.rser.2021.110870
2

Jee, J. B., Lee, H., Min, J. S., Chae, J. H., and Kim, S., Analysis of Radiation Energy Budget Using WISE Observation Data on the Seoul Metropolitan Area, Journal of the Korean Solar Energy Society, Vol. 37, No. 6, pp. 103-114, 2017, https://doi.org/10.7836/kses.2017.37.6.103.

10.7836/kses.2017.37.6.103
3

Lee, Y. J. and Kim, Y. S., Prediction and Accuracy Analysis of Photovoltaic Module Temperature based on Predictive Models in Summer, Journal of the Korean Solar Energy Society, Vol. 37, No. 1, pp. 25-38, 2017, https://doi.org/10.7836/kses.2017.37.1.025.

10.7836/kses.2017.37.1.025
4

Lee, B. K., Kim, W. H., and Choi, J. H., Review on Data Acquisition of Renewable Power Generators, Journal of the Korean Solar Energy Society, Vol. 40, No. 3, pp. 1-20, 2020, https://doi.org/10.7836/kses.2020.40.3.001.

10.7836/kses.2020.40.3.001
5

Lee, J. T., Kim, H. G., Kang, Y. H., Yun, C. Y., Kim, C. K., Kim, J. Y., and Kim, B. Y., Estimation of Optimal Angle for PV Panels Considering Building's Shadow in Daejeon, Journal of the Korean Solar Energy Society, Vol. 40, No. 3, pp. 43-52, 2020, https://doi.org/10.7836/kses.2020.40.3.043.

10.7836/kses.2020.40.3.043
6

Lee, H. M., Bae, S. S., Choi, M. J., Kim, D. S., and Yoon, J. H., The Assessments of Operational Performance for North-facing PV System based on Measured Data, Journal of the Korean Solar Energy Society, Vol. 42, No. 5, pp. 1-12, 2022, https://doi.org/10.7836/kses.2022.42.5.001.

10.7836/kses.2022.42.5.001
7

Lee, H. S., Kim, B. J., and Shin, U. C., Analysis of Power Generation Characteristics of a Photovoltaic System in Korea, Journal of the Korean Solar Energy Society, Vol. 39, No. 2, pp. 33-43, 2019, https://doi.org/10.7836/kses.2019.39.2.033.

10.7836/kses.2019.39.2.033
8

Gilbert, M. M., Renewable and Efficient Electric Power Systems, 2 edition, John Wiley & Sons, Canada, pp. 186-252, 2013.

9

Almaktar, M., Rahman, H. A., Hassan, M. Y., and Rahman, S., Climate-based Empirical Model for PV Module Temperature Estimation in Tropical Environment, Applied Solar Energy, Vol. 49, No. 4, pp. 192-201, 2013, https://doi.org/10.3103/S0003701X13040026.

10.3103/S0003701X13040026
10

Jee, J. B., Zo, I. S., Lee, K. T., Lee, W. H., Choi, S. J., Analysis of Photovoltaic Panel Temperature and Photovoltaic Electric Power at Chuncheon Meteorological Station using Intensive Observation Period Data, Journal of the Korean Solar Energy Society, Vol. 42, No. 2, pp. 23-34, 2022, https://doi.org/10.7836/kses.2022.42.2.023.

10.7836/kses.2022.42.2.023
11

Kim, B. Y., Alba, V. C., Kim, C. K., Kang, Y. H., Yun, C. Y., and Kim, H. G., Non-linear Regression Model Between Solar Irradiation and PV Power Generation by Using Gompertz Curve, Journal of the Korean Solar Energy Society, Vol. 39, No. 6, pp. 113-125, 2019, https://doi.org/10.7836/kses.2019.39.6.113.

10.7836/kses.2019.39.6.113
12

Wang, X. and Barnett, A., The Evolving Value of Photovoltaic Module Efficiency, Applied Sciences, Vol. 9, No. 6, 1227, 2019, https://doi.org/10.3390/app9061227.

10.3390/app9061227
페이지 상단으로 이동하기