1. 서 론
2. 전압-전류 곡선 시뮬레이션 및 인공지능 알고리즘 개발
2.1 환경센서 기반의 전압-전류 곡선 시뮬레이션
2.2 I-V 곡선 수집이 가능한 태양광 접속함
2.3 딥-러닝 인공지능 알고리즘의 구현
3. 실험 및 고찰
4. 결 론
기호 및 약어 설명
: 태양전지 출력전류
: 태양전지 광전류
: 초기 다이오드전류(역 바이어스 전류)
: 절대온도
: 태양전지 출력전압
: 태양전지 직렬저항
: 태양전지 병렬저항
K : 보상 정수 값
1. 서 론
탄소중립 정책 등의 보급정책으로 인해 누적 태양광 설비용량이 급격히 증가되고 있다. 탄소중립 정책에 따른 태양광설비 보급 시나리오에 따르면 2050년까지 누적용량 기준 약 460 GW 이상의 많은 설비가 설치될 계획이다. 누적 설비용량이 증가됨에 따라 운영비용 절감을 위한 태양광발전소의 유지관리 기술이 개발되고 있다. 태양광 모듈이나 스트링의 성능 및 고장을 가장 정밀하게 평가가 가능한 기술은 전압-전류 특성곡선(이하 I-V 곡선)을 이용한 분석 방법이다. 다른 열화상 이미지나, 전기자계이미지 등은 고장의 정도 파악은 가능하지만 성능저하를 명확히 평가할 수는 없다. 이와 같은 이유로 태양광 유지보수 기업은 태양광 스트링의 성능이나 고장여부를 확인하기 위해 I-V 곡선을 주로 측정한다. 중국의 H社의 경우 스트링인버터 기반의 전압-전류 특성곡선을 이용한 태양광 어레이 고장원격 인공지능 분석진단 기술개발로 태양광발전소의 이용률을 12.43% 향상시켰다고 발표를 한 바 있다1). 해당 기술은 스트링인버터가 각 스트링에서 I-V 곡선을 수집하고, 약 7가지의 태양광모듈의 고장 라벨 데이터를 딥-러닝 학습하여 I-V 곡선 이미지를 알고리즘에 입력할 경우 고장을 판정한다. 이후 인근에 있는 서비스 엔지니어가 출동하여 고장을 해결하게 된다. 이와 유사한 기술을 국내에서도 개발을 하였는데, 태양광 모듈 및 스트링의 I-V 곡선 데이터를 이용한다. 해당 장치는 중앙집중식 인버터 시스템을 갖는 태양광 발전소의 접속함에서 동시에 I-V 곡선을 측정하여 각 스트링의 성능을 평가하고 성능저하 스트링의 판정이 용이한 장치2,3)이다. 동시에 일사량과 모듈 온도를 측정하고 시뮬레이션을 실시하여 성능저하 분석도 가능하다. 본 논문에서는 장기간 태양광발전소의 성능진단 평가를 통해 취득한 다양한 고장 I-V 곡선 데이터를 이용한 고장진단 평가를 수행코자 하였다. 이를 위해 일사량과 모듈온도 데이터를 이용하여 I-V 곡선을 시뮬레이션하고, 고장 I-V 데이터를 정규화 라벨링 하는 방법을 제안하였다. 또한, 딥-러닝 생성모델을 이용해 I-V 수집 데이터의 고장여부에 대한 평가검증을 실시하였다.
2. 전압-전류 곡선 시뮬레이션 및 인공지능 알고리즘 개발
2.1 환경센서 기반의 전압-전류 곡선 시뮬레이션
일사량에 따른 시뮬레이션은 직렬저항과 병렬저항은 갖는 태양전지 등가 모델식4)을 이용하였다. 태양전지의 출력전류의 식(1)과 같이 정의된다. 출력전류 를 연산하기 위해서 식(1)의 우변에 있는 를 제거하면 연산처리가 용이하다. 태양전지에서 등가회로에서 으로 가정하면 식(2)와 같이 재 정의할 수 있다.
태양전지 셀의 종류나 버스바에 따라서 I-V곡선의 충진률(Fill Factor)이 달라지며, 이로 인해 I-V 곡선이 차이가 발생된다. 이는 Fig. 1의 태양전지 등가모델에서 의 값 차이로 발생되는 것으로 추정할 수 있다. 는 일사량 변경에 따라 미세하게 변경이 될 수 있다. I-V 곡선의 최대전력지점에서 미세한 차이는 로 인해 발생이 된다. 즉, 태양전지 셀의 종류나 버스바가 직렬저항 성분의 특성으로 표현된다. 등가모델에서 보면 직렬저항 성분 요소는 전압 값의 변화를 일으킨다. 정밀한 I-V 곡선 시뮬레이션을 위해서는 론 인한 전압 변동에 대한 보상이 가능한 보상계수를 추가한 모델 식을 식(3)과 같이 제안하였다. 보상계수의 변동은 I-V 곡선의 최대전력동작점이 변동되는 것을 시뮬레이션 모델을 이용해 확인이 가능하다.
태양광 모듈에 따라 차이가 발생되는데, 다양한 모듈의 값은 STC 상태에서 0.4 ~ 0.6 사이에 분포한다는 것을 시뮬레이션을 통해 확인하였다. 확인 방법은 값을 변경해가며, 모듈제조사가 제공한 최대전력지점이 가장 유사한 값을 찾는 것이다. 일사량이 가변됨에 따라 값이 변경되는데, 이를 해결하기 위해 다양한 태양전지 및 버스바 수에 따른 값을 측정하였다. 측정된 값을 일사량에 따른 회귀방정식을 유도하여 I-V 곡선을 보다 정확하게 시뮬레이션이 가능하다.
2.2 I-V 곡선 수집이 가능한 태양광 접속함
I-V 곡선을 수집하기 위해 발전소 현장에 설치할 접속함을 제작하였다. Fig. 2는 제작이 완료된 I-V 곡선 수집이 가능한 태양광 접속함의 내․외부 사진을 나타낸다. 일반적인 접속함의 구조와 다는 것은 각 스트링 + 및 - 단에 DC 개폐기를 설치한 것이며, DC 개폐기를 On/Off 하면서 각 스트링에 대한 I-V 곡선을 측정한다. 제어기에서는 각 스트링의 개폐기 제어뿐만 아니라 일사량 및 모듈온도 값도 측정을 한다. 해당 접속함은 DC 1500 V에서 측정이 가능토록 제작이 되었다. 제어보드에서 아날로드 전압, 전류데이터를 디지털화하여 데이터를 저장하게 된다. ADC의 셈플링 률은 144 kS/sec로 보다 정밀한 I-V 곡선데이터를 수집할 수 있다. 이후 분석에 사용되는 I-V 데이터의 포인트는 1024개로 이동 평균화하여 생성된다. 접속함은 1.5 MW 태양광발전소 내 일부 접속함과 교체공사를 통해 설치가 되었다. 본 연구에서 사용된 태양광발전소의 DC 스트링 및 상세한 태양광 모듈 정보는 Table 1과 같다. 중앙집중식 인버터의 용량은 250 kW이며, 스트링은 20개의 250 W 모듈이 직렬로 연결되어 있다.
Table 1
PV sting and PV module information in solar plant
2.3 딥-러닝 인공지능 알고리즘의 구현
딥-러닝 인공지능 알고리즘은 I-V 곡선 이미지의 특징을 이용한 고장진단 방법이다. 해당 알고리즘은 구글 넷(Google Net) 전이학습5,6)을 통해 생성하였다. 학습에 사용된 고장 I-V곡선 데이터는 발전소 현장진단을 통해 고장 스트링의 데이터를 정규화 하여 사용하였다. 다양한 발전소의 스트링 데이터와 측정 시 다른 일사량 데이터로부터 수집된 I-V 곡선 데이터를 분석하기 위해 정규화과정을 거치게 되었다. 정규화 과정 은 태양광모듈의 정격데이터로 전압, 전류 값을 나눠 전압, 전류 값이 0 ~ 1 범위가 되도록 하는 것이다. 이를 위해 일사량 측정 및 온도 데이터를 이용하여 I-V 곡선 시뮬레이션이 필요하게 된다. 시뮬레이션 값과 측정값을 이용해 Fig. 3의 과정을 거처 정규화 하게 된다. 정규화 된 데이터는 각 고장에 따라 라벨링하고, 라벨링 한 데이터를 이용해 학습하게 된다.
(1) I-V 곡선 정규화 방법
정규화 과정은 Fig. 3과 같다. 가로축은 전압이고, 세로축은 전류 값이다. I-V 곡선 측정 시 측정된 일사량 및 온도데이터를 이용하여 Fig. 3의 (a)와 같이 시뮬레이션을 수행한다. 이후 전압, 전류 데이터를 어레이 전압 및 전류 값으로 나눠주면 (b)의 곡선으로 변경이 된다. 마지막으로 모듈 제조사의 STC 상태의 I-V 곡선과 동일하게 되는 전압 축 방향 이동 값과 전류 축 방향 이동 값을 측정값에 적용해 정규화 할 수 있다. Fig. 3의 (c)에서 흐린 부분은 (b)의 단위화(PU) 한 이미지인데, 단위화한 시뮬레이션 곡선이 STC 상태로 변경될 때, 이동된 가로축과 세로축 이동변경 크기만큼, (b)의 측정 I-V 데이터에 이동변경 된 크기의 값을 더해 줌으로서 정규화 과정이 끝나게 된다. 이와 같은 정규화 과정을 이용해 태양광발전소 스트링에서 측정된 고장 I-V 데이터를 데이터베이스화 하였다.
(2) 딥-러닝 전이학습 알고리즘 생성
딥-러닝 알고리즘은 MatLab Machine learning tool box의 심층 신경망 디자이너를 이용하여 생성하였다. Fig. 4는 구글 넷 딥러닝 학습모델의 레이어 층를 나타낸다. 사전 훈련된 영상 신경망 구글 넷 인공지능(CNN) 모델에서 fullyConnectedLayer 및 classificationLayer을 변경해 모델을 생성이 가능하다. 고장진단 종류의 설정과 데이터 라벨링 이름을 설정하고, 출력 클래스의 수를 지정하여 학습하여 모델을 생성 할 수 있다. 본 연구에서는 라벨링을 정상상태, 고장 8가지 상태로 정의하였다.
Fig. 5는 라벨링을 위한 정규화 과정과 인공지능 모델의 절차도를 나타낸다. 사전에 라벨링 된 데이터 셋을 이용해 모델을 생성하였는데, 딥-러닝 모델은 총 데이터 수(3,600 Set)의 70% 학습데이터로부터 생성되었고, 30%의 검증 데이터를 이용해 혼동행렬로 정확도 평가를 실시하면 95.0% 결과 값을 나타냈다. Fig. 5는 데이터의 라벨링과 딥-러닝 모델의 구성도를 나타낸다. 발전소 현장에서도 웹에서 데이터를 입력해 분석하기 위해 서버에 고장I-V 데이터 셋을 이용해 파이썬 언어로 구현을 완료하였다.
3. 실험 및 고찰
본 연구에서는 1.5 MW 태양광발전소의 기존 설치되었던 접속함을 I-V 곡선 측정이 가능한 개발 접속함으로 교체하고 I-V 데이터를 수집하였다. 딥-러닝 모델 기반의 태양광 I-V 곡선 고장진단 모델의 성능 검증을 위해 태양광 스트링에 인위적인 고장을 인가한 후 데이터를 수집하고, 분석을 학습모델이 구현된 서버에서 실행하였다. 우선 첫 번째 고장은 20장의 모듈이 직렬로 연결이 되어 있는 스트링에서 2장의 모듈에 70% 투과차단 필름을 붙여 Fig. 6과 같이 음영상태를 모의하였다. Fig. 6에서와 같이 투과필름의 온도가 약 63℃까지 상승하는 것을 확인할 수 있었다. 측정 당시 일사량은 900 W/m2인 상태였다.
현장에 설치된 접속함에서 수집된 데이터를 알고리즘 구현 서버에 접속해 분석을 실시하였다. 분석결과는 Fig. 7과 같다. 인공지능 모델의 예측결과 98.65% 음영으로 추론하였다. 또한, 1.325% 확률은 저항부식으로 인한 고장으로 추론하였다. 이러한 이유는 저항부식에 대한 고장 I-V곡선 학습데이터가 유사하게 라벨링 되었기 때문이다. 두번째 실험에서는 스트링의 바이패스다이오드의 단락 고장을 모의하였다. 바이패스다이오드를 단락고장을 인위적으로 현장에서 발생시키기 어렵기 때문에 모듈 2장을 단락상태로 연결시킨 후 데이터를 수집하였다. 분석 결과는 Fig. 8과 같다. 다이오드 단락고장 모의실험 결과는 94.93%였다.
본 연구에서는 고장 I-V 데이터를 정규화 곡선으로 생성하여, 고장 종류 별로 라벨링 한 후 인공지능 모델생성을 위한 학습을 진행하였다. 모델은 웹으로 구현하였으며, I-V곡선, 일사량, 모듈온도 측정데이터 및 발전소 스트링 정보를 입력하게 되면, 인공지능모델을 통해 고장진단이 가능하다는 것을 실증연구를 통해 확인 할 수 있었다.
4. 결 론
16채널까지 I-V곡선 수집이 가능한 태양광 접속함을 제작하여 발전소 현장에 설치하였다. 개발된 알고리즘의 정확도를 평가하기 위해 인공지능모델에 대한 실증연구 평가를 실시하였다. 실증연구를 통해 개발된 알고리즘을 활용할 경우 태양광 스트링의 고장을 95.06% 이상으로 고장진단이 가능하다는 것을 확인할 수 있었다. 결과는 다음과 같이 정리할 수 있다.
(1) 태양광스트링의 모듈 정보에 따라 I-V 곡선을 시뮬레이션하기 위하여 등가모델의 성분 보상 가능한 보상계수를 포함하는 모델 식을 제안하였다.
(2) 고장발전소의 I-V 데이터를 고장 종류별로 라벨링 하였고, 라벨링 된 I-V 곡선 이미지 데이터를 MatLab Tool-box를 이용하여 학습한 결과 95% 이상의 정확도 결과가 도출되었다.
(3) 음영과 바이패스다이오드 단락 고장에 대한 인공지능 모델의 정확도는 98.65%, 94.93%로 상용시스템에 적용하여 활용이 될 수 있다는 것을 확인하였다.
