김홍성
(Hong-Sung Kim)
†iD
김유하
(Yoo-Ha Kim)
1iD
최해용
(Hae-Ryong Choi)
2iD
이승요
(Seung-Yo Lee)
3iD
-
(KwangMyung Electric Co., Ltd.)
-
(HAEAM SCIENCS&TECHNOLOGY Co., Ltd.)
-
(Dept. of Electrical Engineering, Daelim University College, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
PV(Photovoltaic) System, PV string, Diagnosis, Artificial Neural Network(ANN), Data model
1. 서 론
세계 태양광 발전 시스템 시장은 2020년 138.2[GW]로서 연간 100[GW]이상을 기록하였으며 2025년 174~346[GW]정도의 시장규모로
예측된다(1). 국내 태양광 시장의 규모도 지자체 규제와 계통연계 제약에도 불구하고 2020년 설치 누적 규모 20.1[GW], 2034년 누적 규모는 77.8[GW]에
이를 것으로 기대된다(2). 보급의 증가에 따라 태양광 발전시스템의 효율적인 운전과 유지관리의 중요성은 증가하고 있다.
수 백 kW급 이상의 중·대형 태양광 발전 시스템 구성 시, 전력원은 그림1과 같이 PV-module m개를 직렬로 연결하여 구성하는 PV-string을 k개 병렬로 연결하여 PV-array라 칭해지는 PV-string
군으로 구성된다. PV-string을 병렬 연결하여 PV-array화하는 장치로서 직류 접속반(DC Junction-Block: 태양전지 모듈의
직·병렬 연결을 통하여 구성되는 PV-array와 PCS(Power Conditioning System) 간에 설치되어 두 장치를 전기적으로 결합하는
장치)이 이용된다. 직류 접속반은 PV-string들을 병렬연결하여 PV–array화 함과 동시에 각 PV-string의 전류 및 전압 센서, 환경
센서(일사량 / 온도 센서 등)를 설치하여 태양광 발전소의 운전 정보를 수집하는 역할도 담당할 수 있다(3).
그림. 1. PV-array 구성도
Fig. 1. PV-array schematic diagram
1[MW]이상의 발전소의 경우는 다수개의 100[kW]급 PV-array로 전력원을 구성하고 1개의 PV-array 용량에 맞추어 PCS를 설치하는
분산 방식 및 1대의 1MW급 PCS를 이용한 집중방식으로 구성될 수 있다.
다수개의 PV-array로 구성되는 중대형 태양광 발전소(500 ~ 1000[kW] 이상) 전력원의 효율 저하는 년간 0.923 ~ 1.54[%]
정도에 이르는 것으로 발표된 바 있다(4)(5). 태양광 전력원의 효율저하는 오염, 그늘짐 등과 같은 환경적인 영향과 황변, 부식 등으로 표현되는 PV-module 구성재료의 경시변화를 포함하는
다양한 요인으로 발생한다.
부분 그림자로 인해 년간 10~20[%] 정도의 출력 저하 및 그림자가 가려진 태양전지의 과열현상을 발표한 문헌들을 고려하면 비이상적인 요인에 의한
영향을 검출하는 것은 태양광 시스템의 안정성 및 경제적인 측면에서 중요하다(6). 태양광 시스템의 전력원의 특성변화를 검출하는 방식으로는 모듈 온도 센싱 방식, 열화상 카메라 이용 방식 등 온도를 기반으로 전력원을 구성하는
모듈들 중 이상이 발생한 부분을 검출하는 방식을 들 수 있다(7).
이러한 방법론은 모듈 단위의 비교 검출이 가능하므로 상세한 진단이 가능한 정점을 가진다. 그러나 온도 센서의 개수가 많아지고, 열화상 카메라의 높은
가격으로 인한 다수대 적용이 어려운 점, 거리에 따른 온도 측정오차가 발생하며 정확한 진단을 위해서는 거리에 따른 보정이 필요하여 엔지니어링 노력이
필요한 점 등이 단점이 된다. 다음으로는 일사량과 외기 온도 등을 기반으로 태양광 발전 시스템의 전력원 모델을 구성하고 실제 환경과 비교하며 시스템을
진단하는 모델 기반 진단 방식을 들 수 있다. 이러한 방식은 이상적으로 정확한 진단이 가능하나, 모델의 정확도에 의해 진단 성능이 결정되므로 시스템의
위치별, 형태별, 년차별로 모델을 수정할 능력을 갖춘 전문가를 항시 필요로 하고 이러한 점은 유지보수 엔지니어링 단가 상승 요인이라는 점에서 사업적으로
불리한 면이 있다(8). 세 번째 방식으로는 기계학습을 포함하는 인공지능 기술을 이용한 데이터 기반 진단 방식을 들 수 있다. 본 방식은 태양광 인버터, 접속반, 기타
환경 센서 등으로부터 제공받은 데이터를 기반으로 축적된 과거의 데이터를 이용하여 진단하는 방식으로 다음과 같은 장점을 들 수 있다(9).
- 데이터를 기반으로 기계학습 툴에 의하여 분류/회귀 등의 추론 모델 수립이 가능한 데이터 기반 진단 방식은 모델 기반 진단 방식에 비해 관련 분야
수학적 기반이 약한 초보 엔지니어의 접근이 용이하여 전문가 비용 절감이 가능하므로 사업적인 측면에서 유리한 면이 있다.
- 태양광 발전 시스템을 구축하는 단계에서 기본적인 옵션 형태로 설치되는 모니터링용 DB를 기반으로 진단 전략을 수립할 수 있으므로 열화상 카메라
등의 영상 기반 진단 방식에 비해 저가형 진단 시스템 구성 시 초기 비용 절감이 가능한 장점을 갖는다.
본 연구에서는 상기와 같은 다양한 진단 방법론의 장단점 및 PV-array를 구성하는 모듈 단위의 상세한 진단 비용을 고려하여 PV-array를 구성하는
스트링 별 진단을 위한 데이터 기반 PV-string 진단 방식 및 여기에 적용 가능한 진단 변수 예측기를 제안한다. 본 연구에서 진단 변수로는 스트링별
출력전력을 대상으로 하였다. 진단 변수 예측기로 사용될 수 있는 방법으로는 통계기반 선형적 다중 회귀 모형을 이용하는 방식, 비선형 활성화 함수를
이용함으로써 비교적 풍부한 표현력을 가지는 인공 신경망 기반 추정 방식 등을 들 수 있으며, 기존 문헌을 통해 인공 신경망 기반 예측기가 회귀방식에
비하여 양호한 특성을 보임을 알 수 있었다(10)(11)(12). 본 연구에서는 PV-array 진단에 사용될 진단 변수의 예측을 위하여 인공 신경망 기반 예측 방식을 이용한다. 인공 신경망 기반 예측기를 구축하기
위해서는 일사량, 외기온도, 태양광 발전량 등의 학습 및 예측 모형 테스트에 사용 가능한 데이터를 필요로 하나 현장에서 얻어진 PV-array의 스트링별
데이터를 구하기가 용이하지 않으므로 본 연구에서는 기상청을 통해 얻을 수 있는 일사량, 온도 데이터와 문헌 및 합리적 가정을 통해 데이터를 생성하고,
이를 이용하여 제안된 방식의 타당성을 평가한다. 데이터 생성 및 예측기 평가용 소프트웨어로는 최근 사용이 증가하는 파이썬(Python)을 이용한다.
2. PV 고장 진단을 위한 새로운 데이터 모델
2.1 PV-string 출력 및 고장 함수 정의
그림 2는 PV-string 진단을 위한 시스템 체계(Framework)를 나타낸다. 진단에 활용되는 변수(예:전력, 온도 등) 및 의사 결정에 사용될
진단변수의 정량적 크기 (예: 전력, 온도의 크기 등), 판별조건으로 구성될 수 있는 이상 판별부 등으로 구성될 수 있다. 진단 기준 체계 구성 요소
중 진단 기준 신호의 정량적 기준은 설치 현장 환경, 설치방법 등에 따라 가변적일 수 있다. 일반적으로 기준신호 관련 정량적 기준은 설치자의 경험
및 노하우를 바탕으로 일정 기간 이상의 운전 데이터를 이용하여 설정되는 것이 일반적이다. 기준 신호에 대한 정량적 판단 기준 설정 합리성이 전문성에
좌우될 경우 노련한 기술자를 보유하지 못한 사업자 입장에서는 유지보수 시스템의 판단 결과는 항상 비용 위험요인을 포함한다고 볼 수 있다. 그러므로
진단 기준 신호의 정량적 기준 설정 시 합리적 가정, DB(Data Base) 또는 실험적 결과를 바탕으로 하는 타당하고도 비교적 분명한 개념이 필요하다.
만약 실험적 데이터의 확보가 어려울 경우 초기 유지보수 시스템의 동작을 위해서는 합리적인 가정을 기반으로 하는 정량적인 진단 기준 신호의 확보가 중요하다(13).
그림. 2. PV-array 진단을 위한 시스템 프레임웍
Fig. 2. System frame work for PV-array diagnosis
만약 태양광 발전 시스템에서 PV-string 별 전력의 기준신호를 알 수 있다면 다음과 같은 오차를 이용하여 스트링의 출력특성을 진단할 수 있을
것이다.
여기서 $n : 1 - k$ (PV-string 개수)
PV-string의 이상여부를 판단하기 위한 변수로서 스트링당 전류 센서 한개 및 PV-array 당 전압 센서 한 개를 통해 간단히 측정 가능한
PV-string 전력을 선정한다면 그림 3과 같은 태양전지(PV-cell) 모델을 이용하여 직/병렬 개수의 확대를 통해 PV-module 모델, PV-module 모델을 직렬로 확장한 PV-string
모델을 구현할 수 있다. 그림 3과 같은 PV-cell 모델은 다음 식(1)과 같은 음함수형 또는 식(2)와 같은 양함수형 매개변수 모델로 표현될 수 있으며, 관련 매개변수에 따라 모델의 정확도가 결정된다(14)(15).
여기서, $I$ : 출력 전류 [A]
$I_{Ph}$ : 광기전류 [A]
$I_{0}$: 다이오드의 역방향 포화전류[A]
q : 전하량 ($1.62\times 10^{-19}$[cloumb] )
k : 볼쯔만 상수 ($1.38\times 10^{-23}$ [joule/K] )
T : 절대 온도 [K](일반적으로 PV-cell온도)
$R_{s}$: 직렬 저항 [Ω]
$R_{sh}$: 병렬 저항 [Ω]
여기서 $E_{ref}$ : 기준 일사량 (1000[W/㎡] )
$E$ : 일사량[W/㎡]
$I_{ph_{-}ref}$ : STC 기준 조건에서 광기전력(PV-cell 제조사 제공 자료 참조)
μ: 단락전류 온도계수
$T_{ref}$ : 298.15[K]
여기서 $P_{m}$: 최대 전력[W]
$I_{sc}$: 단락 전류[A]
$V_{oc}$: 개방전압[V]
그림. 3. PV-cell 등가회로
Fig. 3. Equivalent circuit of PV-cell
식 (2)~(5)를 이용한 시스템 출력 모델은 매개변수가 정확하며, PV-cell을 가리는 그림자 등이 없을 경우의 이상적인 출력을 표현한다. 그러므로 시스템 진단
기준 신호 발생용 모델로 활용하기 위해서는 다음과 같은 점들을 고려하여야 하므로 유지보수 사업자의 입장에서는 정확성과 비용측면에서 최적점을 찾아야
하는 문제에 직면한다.
- 설치된 시스템 환경에 적합한 매개변수를 선정하는 것은 전문가적인 식견이 필요하다. 이러한 전문가의 계속적인 유지는 진단 시스템 비용의 증가로 연결된다.
- 매개변수 모델은 PV-cell의 온도 정보를 필요로 하므로 PV-module의 표면 온도 측정이 많을수록 정확한 모델이 될 수 있으므로 좋은 모델
구성을 위해서는 온도 센싱 비용이 증가한다. 대기온도와 일사량 데이터를 이용하여 표면 온도를 구하는 연구도 많이 이루어진 바가 있으나 실제 환경에
적합한 모델을 선정하는 것은 전문가적인 식견을 요구한다(16).
- 시스템의 실제 PV-array 구성 시 발생할 수 있는 부분 음영(사업주가 인지하고도 영향이 적다고 판단될 경우 시스템 설치를 진행하는 경우 다수이며
이러한 경우는 시스템 진단 시 그림자 영향을 정상적인 효과로 고려하여야 함)을 고려하기가 어렵다.
- 시스템 설치 현장에 따라 PV-string 별 설치 환경(경사각, 방위각)이 다양해질 수 있는데 이러한 경우는 설치환경 별로 일사량 센서를 별도로
설치하여야 하며 비용이 상승한다.
상기와 같은 점을 고려하면 합리적이며, 비교적 간단한 방식으로 진단 기준 신호를 생성할 수 있는 방안은 유지보수 시스템의 합리성 확보 및 저가화를
위해 중요한 요인이다. 그림 4는 PV-module 간 연결 불량, 설치 중 선의 손상 등 PV-string의 고장 정도를 나타내는 함수가 욕조형임을 가정하고 제안된 본 논문의
진단 개념이다(17). 통상적으로 욕조형 고장률 함수를 가지는 시스템은 그림 4와 같이 설치 초기 튜닝 과정을 거치며 실패율(Failure Rate)이 감소하면서 안정기에 들어간다. 본 연구에서 제안된 진단 방식은 욕조형 실패율
함수가 PV-string의 고장률을 대변할 수 있다고 가정한다. 즉, 태양광 시스템 설치 후 결선 불량, 설치 중 단선 등의 문제점이 전부 제거되는
튜닝 과정 이후로 발생하는 이상 현상은 진단 대상으로 본다.
그림. 4. PV-array 진단을 위한 욕조형 고장 함수
Fig. 4. Bath tube failure function for fault diagnosis of PV-array
시스템 설치 후 안정기에 들어가면 진단에 사용될 수 있는 시스템 운전 DB(Data Base)를 구축하게 되는데, 만약 진단 대상(본 연구에서는 PV-array를
구성하는 개별 PV-string 들을 모두 진단 대상으로 봄)의 정상(normal) 상태를 정의할 수 있는 기준 신호를 구축된 DB를 이용하여 결정할
수 있다면 진단 대상 변수의 현재 값을 기준신호와의 비교를 통하여 시스템 실패율이 급격히 증가하는 시점을 판단하는 것이 가능해진다.
2.2 인공 신경망 기반 예측기 구성
그림 5는 본 연구에서 사용된 인공 신경망(ANN: Artificial Neural Network)을 이용한 예측기 구조이다. 인공 신경망의 입력 벡터는
식(6)과 같이 표현되며, 일사량(S), 외기온도(T), 습도(H) 등의 물리적 센서를 이용한 데이터 및 웹 기반, 논리적 센서 기반 데이터 등으로 자유롭게
선정될 수 있다.
진단변수 y은 다음과 같이 스트링별 출력으로 정의되며,
여기서 $P_{string i}$(i=1~k): PV 스트링별 출력
인공 신경망 기반 예측기의 출력은 다음과 같이 스트링별 출력에 대한 예측값으로 정의된다.
그림. 5. 인공 신경망 기반 예측기의 구성
Fig. 5. Structure of ANN based predictor
그림 5에서 ANN(Artificial Neural Network) 기반 예측기는 시스템이 안정기에 접어든 후 일정 기간 동안 축적한 DB에서 얻어질 수
있는 스트링 츨력, 일사량, 외기온도 등을 입력 벡터로 하여 PV-string 별 출력을 추정하도록 하는 반복 학습을 통하여 만들어진다. 본 연구에서
예측기는 그림 5와 같이 i개의 퍼셉트론으로 구성되는 입력층(Input Layer), 1~2 개의 은닉층(Hidden Layer), 1개의 출력층(Output Layer)으로
구성되는 인공신경망을 이용하였다. 그림 5에서 입력층 및 은닉층의 활성화 함수로는 식(9)와 같이 표현되는 rectified linear unit (ReLU)을 이용하였으며, 출력층의 활성화 함수로는 항등함수가 이용되었다(18).
2.3 데이터 생성
본 연구에서 제안된 예측기의 예측 성능평가를 위해서는 일사량, 외기온도, PV-string 별 출력 데이터 등을 필요로 한다. 일사량 및 외기 온도
데이터는 기상청의 DB 제공 서비스를 이용하면 지역별로 데이터를 얻을 수 있다(19). 이외 스트링 출력 등의 데이터는 다음과 같은 과정을 통해 생성하였다.
2.3.1 스트링별 출력 데이터 생성
다음 식과 기온, 풍속, PV 스트링 직달(直達) 일사량을 이용하여 태양광 모듈 표면 온도($T_{module}(t)$)를 계산한다(16).
여기서, V(t):풍속[m/sec], $G(t)$ : PV 스트링 직달(直達) 일사량[W/㎡], $T_{a}(t)$ : 외기 온도[°C]
태양광 PCS의 MPPT(Maximum Power Point Tracking)제어는 원활히 수행됨을 가정하고 태양광 모듈 표면 온도, 보정된 경사면
일사량 및 다음 식을 이용하여 스트링 출력을 계산한다(20).
여기서, $P_{-string}(t)$ : 시각별 태양광 스트링 출력[W]
$P_{-mpp}$ : 모듈 1장의 최대 전력×직렬 연결 개수[W]
$G(t)$: PV 스트링 직달(直達) 일사량[W/㎡]
$\gamma$:모듈 온도계수(제조사 제공) [%/K] (양의부호)
$\triangle T(t)= 25-T_{module}(t)$
2.3.2 스트링별 출력 차이 고려한 데이터 생성
그림 1과 같이 여러 스트링으로 구성되는 PV array의 구성시 시스템 설치 상태가 정상적이라도 구성하는 다음과 같은 이유로 PV 스트링별 직달 일사량($G(t)$)는
차이를 보일 수 있으므로 출력이 상이해질 수 있다.
① 설치 부지의 비정형성으로 인한 경사각 또는 방위각의 상이성
② 주위환경(주변 건물, 전봇대, 주변 산 등)의 영향으로 인한 부분음영 효과
③ 생산 단계에서 발생하는 1% 내외의 모듈 츨력 오차
④ 모듈 내부의 바이패스 다이오드 또는 휴즈(Fuse)고장 외 열화, 모듈 결선 결함 등으로 인한 출력 저하
상기와 같이 기술된 PV 스트링 출력 상이성 관련한 첫 번째, 두 번째 항목은 태양광 발전소를 시공하는 단계에서 사업주와 시공자 간의 합의에 의해
이러한 부영향을 양자 수긍하고 건설을 진행하는 경우, 시공 당시에는 음영 발생 요소가 없었으나 시간이 경과하며 주변환경에 변화가 발생한 경우 등에
해당한다. 세 번째는 모듈 생산 단계에서 필연적으로 발생하는 것으로 생산된 모듈의 출력이 제조사가 제시한 정격 이상일 경우 생산된 모듈의 유통은 허용되고
있다. 이러한 이유로 발생하는 PV 스티링간 츨력 차이는 선천적으로 발생할 수 있으며 합리적인 관점에서 관리될 필요가 있다. 네 번째는 시스템 구성에
따른 다양한 요인에 의해 발생할 수 있는 사항으로 발생요인 별로 분리하여 알기는 기술적, 비용적으로 어려운 점이 있으므로 본 연구에서 는 별도로 고려하지
않았다. 본 연구에서는 다음과 같은 모델을 이용하여 스트링 별 직달 일사량 $G(t)$를 모형화하였다.
PV 스트링 직달 일사량(G(t))는 식(12), (13), (14)와 같이 수평면 일사량을 정남향 기준 경사면 일사량으로 변환 후 방위각 고려, 최종적으로 부분 음영효과를 반영하는 과정을 통해 구해진다.
기상청으로부터 임의의 지역의 시각, 기온, 풍속, 습도, 일사량(수평면)기상 데이터(1시간 간격의 1년 데이터)를 다운로드한다. 기상청에서 제공하는
일사량 정보는 수평면 일사량을 의미한다. 수평면 일사량 정보를 이용하여 실제 PV-array의 경사면 일사량 정보를 구하기 위해서는 산란광 정보 등이
요구되는 적절한 변환식이 필요하다. 본 연구에서는 표 1과 같은 대전 지역의 수평면 일사량[kcal/㎡/day]과 남향 기준 각도 별 경사면 일사량[kcal/㎡/day] 데이터를 바탕으로 이에 대한 비율($Ks$)을
구한 후, 다운로드 받은 수평면 일사량 데이터를 이용하여 식(10)과 같이 경사각에 따른 정남향 기준 경사면 일사량 데이터를 생성시킨다(20).
여기서 $Ks$ : 수평 일사량 데이터 변환 이득(표 1 참조)
표 1. 수평 일사량 데이터 변환 이득($Ks$) (대전)(21)
Table 1. Transformation of Irradiation data(Daejeon)(21)
|
|
1
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
|
10
|
11
|
12
|
|
15°
|
1.38
|
1.29
|
1.20
|
1.09
|
1.04
|
1.01
|
1.02
|
1.06
|
1.13
|
1.25
|
1.36
|
1.45
|
|
30°
|
1.65
|
1.44
|
1.29
|
1.11
|
1.01
|
0.97
|
0.98
|
1.05
|
1.19
|
1.40
|
1.61
|
1.77
|
|
45°
|
1.78
|
1.53
|
1.26
|
1.02
|
0.89
|
0.84
|
0.86
|
0.95
|
1.13
|
1.43
|
1.72
|
1.95
|
|
60°
|
1.75
|
1.45
|
1.13
|
0.86
|
0.71
|
0.65
|
0.68
|
0.78
|
0.99
|
1.33
|
1.68
|
1.93
|
|
75°
|
1.66
|
1.31
|
0.97
|
0.68
|
0.52
|
0.47
|
0.50
|
0.60
|
0.82
|
1.17
|
1.56
|
1.84
|
|
90°
|
1.56
|
1.19
|
0.82
|
0.52
|
0.37
|
0.32
|
0.35
|
0.44
|
0.66
|
1.03
|
1.43
|
1.73
|
PV 어레이의 설치 면적이 넓어지면 방위각이 다르게 string 별로 건설될 수도 있다. 본 연구에서는 정남향 기준으로 방위각에 따른 출력에 대하여
실측 결과를 바탕으로 제시된 다음과 같은 식을 이용하여 출력을 재구성한다(22).
여기서 A : 방위각( 정남 0°, A = 0~60까지 가변)
부분음영 효과는 적용되는 인버터의 형태에 따라 표2와 같이 요약된다. 표2를 참조하여 음영의 발생 시 임의의 비율 및 음영 발생 시간에 따른 일사량을 식(14)과 같이 계산 후 식(13)을 이용하여 출력량을 다음과 같이 계산한다.
여기서 t_r : 그림자 발생 시작 시각
t_f : 그림자 사라지는 시각
K_de : 그림자 감소량 (0 < K_de < 1)
$G(t)$: PV-string 직달 일사량
그림 6은 1.2MW 급 발전소 건설을 위해 국내 H사 제품 460[W]급 모듈 2170장을 1로트(lot)로 구매한 후 받은 시험 성적서 데이터를 이용한
히스토그램 및 정규분포 그래프(평균치 : 463.4[W]. 표준편차: 2.026[W], 최대치: 469.9[W], 최소치: 460.003[W])를
표현한 것이다(23). X-축은 모듈 용량을 나타내며, Y-축은 해당 용량대 모듈의 개수를 2170에 대한 비율형태로 나타낸 것이다. 460[W]이하의 모듈은 출하되지
않았음을 알 수 있으며, 정격 용량을 기준으로 위쪽 영역에서 정규 분포형과 유사하게 모듈 용량이 분포됨을 알 수 있다. 본 연구에서는 출하단계의 모듈출력에
따른 스트링별 출력 차이를 최대 2%로 가정하고 모델링하였다.
그림. 6. 모듈 한 lot(2170장)의 분포도
Fig. 6. distribution plot of Module 1 lot (2170sheets)
표 2. 태양광 PCS 형태에 따른 음영 발생 스트링의 전기적 특성(6)
Table 2. electrical characteristics of shaded string according to PV PCS(Power Conversion
System)
|
집중형 인버터 적용 가정시
|
① 모든 스트링 전압 동일
② 음영이 발생한 스트링 전력 < 비음영 스트링 전력
|
|
스트링 인버터 적용 가정시
|
① 각 스트링 전압 차이남
② 음영이 발생한 스트링 전력 < 비음영 스트링 전력
|
2.3.3 예측기 설계를 위한 데이터 생성(24)(25)
모듈은 H사 455[W]급 2310장을 이용하여 1051.05[kW]급 PV 어레이를 구성하고, 스트링 개수는 165개로 구성하는 것으로 가정하였다(한
스트링 당 출력 6.37[kW]).
이렇게 구성된 PV 스트링들은 경사각, 방위각, 그림자, 모듈 제조사 출하단계 출력 차이 등으로 스트링 별로 출력 차이가 나도록 모델링 하였으며 스트링
별 출력 조건은 표 3과 같다. 그림자 발생 원인이 되는 물체가 있다면 태양의 고도가 낮아지는 계절에 그림자가 길어지는 형태로, 그리고 오전에 그림자 효과가 발생하는 것으로
단순 모델링하였다.
표 3은 스트링별 출력 발생 시나리오이다. 예측기의 성능을 평가하기 위해 15개 스트링을 1조로 10개의 부류로 분류하고 경사각, 방위각, 그림자 발생,
출하 단계, 출력 차이 등을 고려하여 각각 상이한 조건을 부여하였다. 1조를 15개 정도로 분류한 이유는 동일한 조건에서 예측기별 특성을 비교하기
위한 것이다. 표 3에서 표현된 PV 어레이는 동쪽에 그림자를 발생시키는 장애물이 있어서 일부 스트링에 영향을 주는 것으로 가정하였으며, 지형이 불균일하여 경사각과 방위각이
조금씩 다르게 설치된 환경을 가정하였다.
그림 7은 데이터 생성 프로그램의 구성을 요약한 것이다. 기상청 포털 사이트의 종관기상관측(ASOS)데이터를 다운로드 받은 후 앞의 ‘2. 제안 시스템 구성
및 평가방법’ 부분에 설명한 방식대로 PV 스트링별 출력을 모델링한다. 이후 예측기 설계를 위한 데이터 생성과정에서는 입력 변수로 사용될 데이터를
가공한다. 본 연구에서는 예측기 입력 데이터를 구성하기 위한 기본 데이터로서 물리적 센서로 취득이 가능한 수평 일사량, 온도, 습도 데이터를 선정하였다.
표 4는 예측기 설계 조건을 나타낸 것이다. 본 연구에서는 1시간 단위로 PV 스트링의 출력을 예측하고 평가할 수있는 ANN을 기반으로 하는 추론모델을
구축하였다.
그림 7과 같은 과정을 통해 얻어진 1년 데이터는 그림 8과 같은 4가지 형태의 학습 데이터와 평가용 데이터로 분류되며 시계열 데이터 임을 고려하여 셔플링(shuffling)은 하지 않는다. 학습 데이터는
예측기를 학습시키는 용도로 이용되며 평가용 데이터는 학습된 예측기의 성능을 평가하는 용도로 이용된다. 예측기의 오차를 평가하기 위해 식(15)와 같은 평가계수 $r^{2}$가 이용된다(24).
표 3. 각 PV 스트링 설치 조건
Table 3. installation condition of each PV string
|
string
조건
|
string
번호
|
경사각
|
방위각
|
그림자
|
출하단계
출력
|
|
1
|
1~15
|
30°
|
0°
|
없음
|
100%
|
|
2
|
16~30
|
30°
|
0°
|
없음
|
101%
|
|
3
|
31~45
|
30°
|
0°
|
없음
|
102%
|
|
4
|
46~60
|
30°
|
0°
|
-봄(3,4,5월)
: 오전 ~10시 30% 음영
-여름(6,7,8월)
: 오전 ~9시 30% 음영
-가을(9,10,11월)
: 오전 ~10시 30% 음영
-겨울(12,1,2월)
: 오전 ~11시 30% 음영
|
100%
|
|
5
|
61~75
|
30°
|
15°
|
없음
|
100%
|
|
6
|
76~90
|
15°
|
0°
|
없음
|
100%
|
|
7
|
91~105
|
30°
|
0°
|
-봄(3,4,5월)
: 오전 ~10시 30% 음영
-여름(6,7,8월)
: 오전 ~9시 30% 음영
-가을(9,10,11월)
: 오전 ~10시 30% 음영
-겨울(12,1,2월)
: 오전 ~11시 30% 음영
|
101%
|
|
8
|
106~ 120
|
30°
|
15°
|
없음
|
101%
|
|
9
|
121~ 135
|
15°
|
0°
|
없음
|
101%
|
|
10
|
136~ 150
|
30°
|
15°
|
-봄(3,4,5월)
: 오전 ~10시 10% 음영
-여름(6,7,8월)
: 오전 ~9시 10% 음영
-가을(9,10,11월)
: 오전 ~10시 10% 음영
-겨울(12,1,2월)
: 오전 ~11시 10% 음영
|
101%
|
|
11
|
151~165
|
15°
|
15°
|
-봄(3,4,5월)
: 오전 ~10시 30% 음영
-여름(6,7,8월)
: 오전 ~9시 30% 음영
-가을(9,10,11월)
: 오전 ~10시 30% 음영
-겨울(12,1,2월)
: 오전 ~11시 30% 음영
|
101%
|
표 4. 예측기 설계 조건
Table 4. condition for predictor design & evaluation
|
Items
|
Value
|
|
PV String numbers (n)
|
n = 165
|
|
Evaluation period of PV string
|
1 hour
|
|
capacity per PV string(W)
|
6370[W]
|
|
Neuron numbers in input layer
|
30
|
|
Neuron numbers in hidden layer
|
1650
|
|
the number of hidden layer
|
2
|
|
Neuron numbers in output layer
|
165
|
|
Learning rate in ANN
|
0.005
|
|
ANN optimizer
|
ADAM
|
|
Batch size
|
24
|
|
epoch
|
30
|
|
Initial value of weighting number in ANN
|
Using random function
|
|
geometrical and date information of down loaded data
|
Daejeon
|
|
2018, 2019 year
|
|
1 hour data
|
그림. 7. PV 스트링별 출력 데이터 모델
Fig. 7. Output data (generation) model of each PV strings
여기서 $y_{p}$: 예측된 값(predicted value),
$y_{m}$: $y$의 평균값, $y$: 실제값(measured value)
실제값 $y$와 예측된 값 $y_{p}$가 완전히 일치한다고 가정하면 식 (15) 우변의 둘째 항이 0이 됨을 알 수 있다. 그러므로 $r^{2}$의 최대치는 1이며, 예측정도가 낮아질수록 0에 가까워진다. 예측된 데이터에 대하여
실제 데이터의 산포정도를 측정하기 위한 RMSE(Root Mean Square Error)는 식 (16)과 같다(24).
여기서 N: 데이터 개수
2.3.4 생성된 데이터 전처리(25)
생성된 데이터는 수동적인 과정을 통해서 다음과 같은 부적절성이 제거되도록 한다.
• 일별 또는 월별 데이터가 중복되어 나타나는 경우 부적절 데이터로 판별하고 중복된 부분을 제외시킴
• 일사량 데이터에서 상식적 일출 시점과 데이터 시점에 차이가 있을 경우는 모순으로 판별하고 제외시킴
• null data는 직전 시각의 데이터로 채움
3. 결과 및 검토
그림8은 표5의 데이터 분리 조건 5에서 테스트 데이터에 대한 스케일러별 예측 결과를 시계열 형태로 표현한 것이다. 이러한 예측된 시계열 데이터의 예측된 정도를
정량적으로 평가하기 위하여 식(12), (13)을 이용하여 정량화한 결과는 표 6과 같다. 그림 7과 같이 생성된 데이터를 표5와 같이 분리 후 학습 데이터(Train data)를 이용하여 표 4와 같은 조건에서 설계된 ANN 기반 예측기의 성능을 부록 표6에 나타내었다.
표에서 MM, RO, ST는 데이터 스케일러를 약어 형태로 표현한 것으로 각각 Min-Max scaler, Robust scaler, Standard
scaler를 나타낸다(26). 표4와 같은 조건으로 설계된 예측기에 대하여 Train data를 이용한 예측결과에 대한 $r^{2}$ 값은 0.97~0.99 정도로 분포되며, Test
data를 이용한 예측결과는 0.88 ~ 0.99 정도로서 Train data를 이용하여 얻어진 결과에 비하여 비교적 성능이 낮고 편차가 큼을 알
수 있다. 이는 예측기를 최적화하는 과정에서 Train data를 사용하기 때문에 발생하는 이유로 정상적인 결과로 보여진다. 데이터 분리 조건 5의
경우는 Test data를 이용한 예측 결과에 대한 $r^{2}$값은 0.96~9,99 정도로서 1년간의 data를 이용하여 예측기를 구성할 경우
비교적 우수한 예측기를 구성할 수 있음을 보였다. 봄, 여름의 데이터와 예측기를 이용하여 가을, 겨울의 출력을 예측하는 것은 예측기가 경험한 데이터의
다양성 차이에 의해 1년 데이터를 경험한 예측기에 비해 성능이 떨어지는 것은 직관적인 이해가 가능하다. 그림 8은 PV-string 1의 실제 출력 및 예측 결과를 시계열 형태로 그린 그림으로, 예측치가 실제 출력의 형태를 모사해냄을 알 수 있다.
부록 표6을 통해 예측 성능에 영향을 주는 요인으로 데이터 스케일러(scaler)가 있음을 알 수 있다. 데이터 스케일러가 예측 성능에 미치는 것은 동일한
데이터에 대한 변수가공(Feature Engineering) 방식에 따라 예측기의 성능이 영향을 받음을 의미한다. 부록 표6의 맨 마지막 데이터 분리 조건 5, 스트링 조건 11에서는 스케일러를 사용하지 않은 결과를 포함시켰는데, 스케일러를 사용하는 편이 예측 성능 측면에서
다소 나은 결과를 보임을 알 수 있다. 이러한 결과를 통해 변수가공(Feature Engineering) 방식은 예측 성능에 적지않은 영향을 줄 수
있는 요인임을 알 수 있다.
표 3과 같이 스트링 조건을 구성하는 경우, 만약 예측기가 정상이라면 예측기 출력이 유사한 그룹은 11개로, 군집화(clustering)가 될 것으로 예상해
볼 수 있다. 본 연구에서는 테스트 데이터를
표 5. 교육 및 시험 데이터에 대한 분류 유형
Table 5. Data classification types as training data and test data
|
|
데이터 분리 조건
(data split cindition)
|
내용
|
|
1
|
-학습: 2019년 1월~6월 데이터
-평가: 2019년7월~12월 데이터
|
|
|
2
|
-학습: 2018년 7월~12월 데이터
-평가: 2019년 1월~6월 데이터
|
|
|
3
|
-학습: 2018년4월~9월 데이터
-평가: 2018년 10월~12월, 2019년 1월~3월 데이터
|
|
|
4
|
-학습: 2018년10월~12월, 2019년 1월~ 3월 데이터
-평가: 2019년 4월 ~ 9월 데이터
|
|
|
5
|
-학습: 2018년1월~12월 데이터
-평가: 2019년1월~12월 데이터
|
|
이용한 예측기 출력의 평균치를 이용하여 군집화 가능성을 검토하였다. 예측기 출력은 동일한 스트링 조건 하에서도 스트링 별로 예측치의 차이가 발생할
수 있으므로 각 스트링 출력 평균값 간의 차이가 발생하고 이는 표준편차(분산의 자승)로 표현된다. 데이터 분리 조건 3에서 스트링 조건 별 15개
스트링들의 각 출력의 평균값 데이터를 이용하여 스트링 조건 간에 쌍체비교(t-test)를 실시하여 분산이 존재하는 출력 군들의 평균값 차이가 유효한가를
평가한 결과를 부록 표7에 나타내었다(표7은 전체 결과 중 부정적 결과를 표함한 일부 결과 표현) . 스트링 조건 간 출력의 평균값의 차이는 스트링 조건 10과 11 간 쌍체비교 결과를 제외하고
P-value 는 0.05 이하로서 평균치의 차이는 95% 이상의 확률로 유효한 것으로 나타났다. 이를 통해 ANN 기반 예측기는 서로 다른 출력을
가지는 스트링들을 분리해낼 수 있는 성능을 가진 것으로 판단된다. 이러한 결과를 진단 측면에서 바라보면 출력에 다른 군집화 특성의 변화 또한 PV
어레이를 평가하는 하나의 요인이 될 수 있을 것으로 보인다.
4. 결 론
본 연구에서는 PV 어레이를 진단하기 위한 모형 및 진단변수의 예측 방식을 제안하였다. 예측기로는 인공 신경망을 이용하였으며 진단변수는 스트링별 출력전력이며
예측기의 입력 변수로는 수평면 일사량, 습도, 외기 온도로 설계하였다. 그리고 3개의 데이터 스케일러를 이용하여 스케일링 후 예측에 사용하였다. 데이터는
공공 데이터 및 적정한 가정에 의한 계산을 통해 생성하였으며, 생성된 데이터를 이용하여 진단기용 예측기의 특성을 평가하였다. 평가를 통해
그림. 8. 스트링 조건 1의 PV string 1에 대한 계절별 시계열 파형(Min-Max Scaler, Data Split condition:
5, Test Data)
Fig. 8. Seasonal time series waveform for PV string1 under string condition 1(Min-Max
Scaler, Data Split condition : 5, Test Data)
적절한 스케일러를 설정한다면 데이터 분리조건 3을 제외하고 $r^{2}$값이 0.95 이상인 예측기 구성이 가능함을 알 수 있었다. 데이터 분리 조건
3은 봄, 여름의 데이터로 예측기를 훈련하고 가을, 겨울의 데이터로 예측 성능을 평가한 것으로 직관적으로 데이터의 특성 차이가 커지면 예측 성능이
저하되는 것을 유추해 볼 수 있다.
또한 모델의 스트링 출력을 기반으로 하는 군집화 가능성에 대한 평가가 실시되었으며 이를 통해 잘 학습된 예측 모델이 구축된다고 하면, 해당 발전소의
발전소 출력별 군집화를 통한 시스템 진단 방법 또한 적용 가능할 것으로 보여진다. 다만 본 연구에서 사용된 클러스터링이라는 용어는 동일한 스트링 조건에서의
PV 스트링들의 출력과 다른 스트링 조건에서의 PV 스트링들 간의 출력 간의 차이의 유효성 검증을 의미하며 클러스터링 특성을 찾는 머신러닝 기법 중
비지도 학습기법과는 연관성이 없음을 밝혀둔다.
본 연구에서는 입력 변수의 순시 측정 과정에서 발생할 수 있는 노이즈 특성 및 측정 오차 등을 고려한 평가 및 예측 정확도를 개선하기 위한 방법(feature
engineering 및 딥러닝 알고리즘 측면)에 관한 연구는 실시되지 않았다. 향후 센싱 과정의 노이즈 등의 부효과 및 예측 성능 개선을 위한 딥러닝
알고리즘의 구성 방안에 대한 연구를 포함하는 보다 추가적인 이론적 연구 및 실험적 평가가 이루어진다면 태양광 발전시스템을 대상으로 하는 AI 기술의
적용 측면에서 적용 가능한 하나의 방향을 제시할 수 있을 것으로 생각된다. 또한 평가 시스템의 사업화 측면을 고려하면 진단 변수를 간단화 시키는 방법
및 입력 데이터 취득 비용의 저가화를 위한 연구 또한 필요할 것으로 생각된다.
5. 부 록
표 6. 예측기 성능
Table 6. the result of predictor performance
|
평가 계수
|
$r^{2}$
|
RMSE
|
|
Train
|
Test
|
Train
|
Test
|
|
스트링 조건 1
|
|
데이터 분리 조건 1
|
MM
|
0.992821
(0.0000)
|
0.940165
(0.0002)
|
170.8718
(0.1563)
|
384.026
(0.5231)
|
|
RO
|
0.992169
(0.0000)
|
0.95084
(0.0004)
|
180.0347
(0.3197)
|
350.1728
(0.9434)
|
|
ST
|
0.992994
(0.0000)
|
0.947929
(0.0001)
|
169.7302
(0.1614)
|
360.4048
(0.3560)
|
|
데이터 분리 조건 2
|
MM
|
0.993457
(0.0001)
|
0.949282
(0.0003)
|
159.1753
(1.3884)
|
542.7901
(2.0756)
|
|
RO
|
0.993729
(0.0001)
|
0.971922
(0.0002)
|
144.6036
(0.7804)
|
380.9688
(1.5018)
|
|
ST
|
0.995246
(0.0000)
|
0.963286
(0.0001)
|
127.9487
(0.2015)
|
446.2943
(0.9738)
|
|
데이터 분리 조건 3
|
MM
|
0.993120
(0.0000)
|
0.843547
(0.0008)
|
153.385
(0.3729)
|
619.6264
(1.3948)
|
|
RO
|
0.985883
(0.0002)
|
0.747705
(0.0026)
|
208.7968
(1.0216)
|
729.285
(2.3647)
|
|
ST
|
0.993457
(0.0000)
|
0.829322
(0.0008)
|
148.6212
(0.4766)
|
631.1096
(1.4531)
|
|
데이터 분리 조건 4
|
MM
|
0.991480
(0.0000)
|
0.914525
(0.0002)
|
188.9672
(0.1294)
|
710.219
(0.8141)
|
|
RO
|
0.986669
(0.0002)
|
0.928885
(0.0004)
|
231.913
(1.6343)
|
638.6238
(2.4190)
|
|
ST
|
0.989495
(0.0002)
|
0.918459
(0.0003)
|
209.9735
(2.7371)
|
703.1359
(1.1668)
|
|
데이터 분리 조건 5
|
MM
|
0.987354
(0.0000)
|
0.983726
(0.0000)
|
216.2523
(0.0247)
|
250.4938
(0.0297)
|
|
RO
|
0.988090
(0.0000)
|
0.984612
(0.0000)
|
207.917
(0.0476)
|
242.0367
(0.0960)
|
|
ST
|
0.988295
(0.0000)
|
0.984162
(0.0000)
|
205.6228
(0.1131)
|
245.1071
(0.0845)
|
|
스트링 조건 2
|
|
데이터 분리 조건 1
|
MM
|
0.992816
(0.0000)
|
0.9402
(0.0002)
|
172.6367
(0.1989)
|
387.7873
(0.6031)
|
|
RO
|
0.992162
(0.0000)
|
0.950993
(0.0003)
|
181.9582
(0.2705)
|
353.2478
(0.6866)
|
|
ST
|
0.992997
(0.0000)
|
0.947884
(0.0002)
|
171.4057
(0.1389)
|
364.2006
(0.3724)
|
|
데이터 분리 조건 2
|
MM
|
0.993459
(0.0001)
|
0.949422
(0.0003)
|
160.7581
(1.5871)
|
547.2687
(2.3126)
|
|
RO
|
0.993791
(0.0001)
|
0.971825
(0.0002)
|
145.4088
(1.0239)
|
385.6086
(1.8110)
|
|
ST
|
0.995250
(0.0000)
|
0.963286
(0.0001)
|
129.1829
(0.1693)
|
450.7501
(0.6372)
|
|
데이터 분리 조건 3
|
MM
|
0.993100
(0.0000)
|
0.843397
(0.0013)
|
155.1195
(0.3443)
|
626.0928
(2.0608)
|
|
RO
|
0.985953
(0.0002)
|
0.74792
(0.0025)
|
210.5074
(1.1573)
|
736.7308
(1.8235)
|
|
ST
|
0.995245
(65.8716)
|
0.829153
(0.0007)
|
130.5238
(66.3710)
|
637.6827
(1.1736)
|
|
데이터 분리 조건 4
|
MM
|
0.991482
(0.0000)
|
0.914554
(0.0001)
|
190.834
(0.1229)
|
717.1771
(0.6597)
|
|
RO
|
0.98666
(0.0001)
|
0.928856
(0.0004)
|
234.2774
(1.2021)
|
645.1221
(2.4782)
|
|
ST
|
0.989424
(0.0002)
|
0.918469
(0.0003)
|
212.8972
(2.3720)
|
710.3714
(1.2477)
|
|
데이터 분리 조건 5
|
MM
|
0.987353
(0.0000)
|
0.983725
(0.0000)
|
218.4239
(0.0234)
|
253.0004
(0.0235)
|
|
RO
|
0.988092
(0.0000)
|
0.984614
(0.0000)
|
209.9896
(0.0351)
|
244.4452
(0.1206)
|
|
ST
|
0.988299
(0.0000)
|
0.984163
(0.0000)
|
207.6121
(0.1482)
|
247.5088
(0.1256)
|
*괄호 안 데이터는 표준편차
|
평가 계수
|
$r^{2}$
|
RMSE
|
|
Train
|
Test
|
Train
|
Test
|
|
스트링 조건 3
|
|
데이터 분리 조건 1
|
MM
|
0.992814
(0.0000)
|
0.940132
(0.0002)
|
174.3501
(0.2005)
|
391.768
(0.5415)
|
|
RO
|
0.99216
(0.0000)
|
0.950861
(0.0003)
|
183.7134
(0.2379)
|
357.0831
(0.8427)
|
|
ST
|
0.993
(0.0000)
|
0.947933
(0.0001)
|
173.0683
(0.1780)
|
367.6437
(0.3113)
|
|
데이터 분리 조건 2
|
MM
|
0.993517
(0.0001)
|
0.949548
(0.0004)
|
161.5528
(1.4818)
|
551.8717
(2.7292)
|
|
RO
|
0.993747
(0.0001)
|
0.971887
(0.0002)
|
147.2888
(0.9238)
|
388.8957
(1.9610)
|
|
ST
|
0.995245
(0.0000)
|
0.963346
(0.0001)
|
130.5238
(0.1898)
|
454.804
(0.8979)
|
|
데이터 분리 조건 3
|
MM
|
0.993130
(0.0000)
|
0.843025
(0.0009)
|
156.367
(0.3476)
|
632.7901
(1.4669)
|
|
RO
|
0.985972
(0.0002)
|
0.748152
(0.0030)
|
212.4842
(1.3314)
|
743.8963
(1.7974)
|
|
ST
|
0.993427
(0.0000)
|
0.82883
(0.0008)
|
151.9028
(0.4772)
|
644.0906
(1.2645)
|
|
데이터 분리 조건 4
|
MM
|
0.991484
(0.0000)
|
0.91455
(0.0001)
|
192.7067
(0.1261)
|
724.3244
(0.6589)
|
|
RO
|
0.986644
(0.0001)
|
0.928757
(0.0003)
|
236.8282
(1.4877)
|
652.2128
(1.7954)
|
|
ST
|
0.989381
(0.0003)
|
0.918581
(0.0002)
|
215.4356
(3.3140)
|
716.8818
(1.0259)
|
|
데이터 분리 조건 5
|
MM
|
0.987355
(0.0000)
|
0.983726
(0.0000)
|
220.5694
(0.0268)
|
255.4982
(0.0281)
|
|
RO
|
0.988090
(0.0000)
|
0.984617
(0.0000)
|
212.0754
(0.0300)
|
246.8351
(0.0753)
|
|
ST
|
0.988300
(0.0000)
|
0.984162
(0.0000)
|
209.6534
(0.1128)
|
249.9619
(0.0953)
|
|
스트링 조건 4
|
|
데이터 분리 조건 1
|
MM
|
0.977557
(0.0000)
|
0.906722
(0.0003)
|
292.6523
(0.0613)
|
460.2847
(0.5740)
|
|
RO
|
0.978001
(0.0000)
|
0.922682
(0.0002)
|
295.5703
(0.1410)
|
428.2784
(0.3913)
|
|
ST
|
0.979054
(0.0000)
|
0.912487
(0.0002)
|
284.5314
(0.1294)
|
451.512
(0.2630)
|
|
데이터 분리 조건 2
|
MM
|
0.985866
(0.0001)
|
0.935409
(0.0007)
|
226.5054
(0.7672)
|
598.9946
(4.2495)
|
|
RO
|
0.982614
(0.0001)
|
0.955287
(0.0002)
|
234.4352
(0.5846)
|
475.3168
(1.4175)
|
|
ST
|
0.986457
(0.0000)
|
0.945477
(0.0001)
|
209.5264
(0.1559)
|
537.7456
(0.7814)
|
|
데이터 분리 조건 3
|
MM
|
0.985680
(0.0001)
|
0.641114
(0.0019)
|
218.7905
(0.3742)
|
835.6389
(1.7003)
|
|
RO
|
0.984519
(0.0002)
|
0.803858
(0.0024)
|
235.9735
(0.8258)
|
658.2581
(1.8192)
|
|
ST
|
0.987523
(0.0000)
|
0.677579
(0.0013)
|
203.4827
(0.2650)
|
789.5837
(0.9238)
|
|
데이터 분리 조건 4
|
MM
|
0.979604
(0.0000)
|
0.88937
(0.0002)
|
283.6644
(0.1711)
|
815.6051
(0.9284)
|
|
RO
|
0.970816
(0.0002)
|
0.856211
(0.0004)
|
360.7221
(1.5061)
|
1008.182
(2.3794)
|
|
ST
|
0.977434
(0.0001)
|
0.887285
(0.0004)
|
293.5954
(0.7593)
|
825.7777
(1.6336)
|
|
데이터 분리 조건 5
|
MM
|
0.973030
(0.0000)
|
0.966577
(0.0000)
|
307.0625
(0.0185)
|
348.5472
(0.0196)
|
|
RO
|
0.974573
(0.0000)
|
0.967654
(0.0000)
|
293.0759
(0.0555)
|
338.7097
(0.0445)
|
|
ST
|
0.974527
(0.0000)
|
0.967071
(0.0000)
|
292.2224
(0.0470)
|
340.5345
(0.0259)
|
표 6. 예측 성능 - 계속
Table 6. the result of prediction performance
|
평가 계수
|
$r^{2}$
|
RMSE
|
|
Train
|
Test
|
Train
|
Test
|
|
스트링 조건 5
|
|
데이터 분리 조건 1
|
MM
|
0.992787
(0.0000)
|
0.939784
(0.0002)
|
164.4794
(0.2111)
|
369.7443
(0.5710)
|
|
RO
|
0.992126
(0.0000)
|
0.950454
(0.0003)
|
173.3727
(0.2408)
|
337.4936
(0.7871)
|
|
ST
|
0.992954
(0.0000)
|
0.947501
(0.0001)
|
163.4792
(0.1753)
|
347.3734
(0.3715)
|
|
데이터 분리 조건 2
|
MM
|
0.993404
(0.0001)
|
0.949096
(0.0003)
|
153.5476
(1.1351)
|
522.4367
(1.8319)
|
|
RO
|
0.993763
(0.0001)
|
0.97162
(0.0002)
|
138.5724
(0.7698)
|
368.2365
(1.7122)
|
|
ST
|
0.995217
(0.0000)
|
0.963056
(0.0001)
|
123.2456
(0.2040)
|
430.2106
(0.8924)
|
|
데이터 분리 조건 3
|
MM
|
0.993089
(0.0000)
|
0.842827
(0.0014)
|
147.6296
(0.3490)
|
596.1609
(2.1119)
|
|
RO
|
0.986018
(0.0002)
|
0.746904
(0.0023)
|
199.6481
(1.1230)
|
700.4376
(1.5271)
|
|
ST
|
0.993423
(0.0001)
|
0.827732
(0.0009)
|
143.0766
(0.6153)
|
608.0635
(1.2979)
|
|
데이터 분리 조건 4
|
MM
|
0.991422
(0.0000)
|
0.914227
(0.0001)
|
182.061
(0.1361)
|
683.7237
(0.7039)
|
|
RO
|
0.986627
(0.0001)
|
0.927966
(0.0003)
|
223.474
(1.5182)
|
618.812
(1.4854)
|
|
ST
|
0.989368
(0.0002)
|
0.917963
(0.0004)
|
203.0027
(2.5613)
|
678.3448
(1.2806)
|
|
데이터 분리 조건 5
|
MM
|
0.987286
(0.0000)
|
0.983637
(0.0000)
|
208.2075
(0.0326)
|
241.1991
(0.0272)
|
|
RO
|
0.988016
(0.0000)
|
0.984521
(0.0000)
|
200.2752
(0.0334)
|
233.1196
(0.0986)
|
|
ST
|
0.988224
(0.0000)
|
0.984066
(0.0000)
|
198.0156
(0.1668)
|
236.044
(0.1232)
|
|
스트링 조건 6
|
|
데이터 분리 조건 1
|
MM
|
0.997034
(0.0000)
|
0.979431
(0.0001)
|
106.2265
(0.1873)
|
224.0096
(0.4118)
|
|
RO
|
0.996245
(0.0000)
|
0.987509
(0.0001)
|
121.417
(0.6202)
|
177.971
(0.7346)
|
|
ST
|
0.996793
(0.0000)
|
0.987403
(0.0001)
|
111.9371
(0.2932)
|
178.4751
(0.4817)
|
|
데이터 분리 조건 2
|
MM
|
0.994607
(0.0001)
|
0.974329
(0.0003)
|
135.8246
(1.7081)
|
351.4681
(2.3177)
|
|
RO
|
0.996582
(0.0000)
|
0.991704
(0.0001)
|
100.1413
(0.4971)
|
186.6277
(0.9275)
|
|
ST
|
0.997646
(0.0000)
|
0.986806
(0.0001)
|
84.41474
(0.2612)
|
240.3517
(0.6616)
|
|
데이터 분리 조건 3
|
MM
|
0.997747
(0.0000)
|
0.958722
(0.0006)
|
89.90941
(0.2383)
|
315.0394
(1.9078)
|
|
RO
|
0.993255
(0.0001)
|
0.912586
(0.0012)
|
148.8031
(0.8305)
|
426.4972
(1.6186)
|
|
ST
|
0.997389
(0.0001)
|
0.946159
(0.0005)
|
95.57805
(0.9556)
|
347.5858
(1.5604)
|
|
데이터 분리 조건 4
|
MM
|
0.996511
(030000)
|
0.96633
(0.0001)
|
107.5837
(0.1474)
|
405.428
(0.7524)
|
|
RO
|
0.991924
(0.0002)
|
0.973254
(0.0002)
|
161.9906
(2.1089)
|
357.2756
(1.2011)
|
|
ST
|
0.993746
(0.0002)
|
0.951188
(0.0002)
|
146.2039
(2.8673)
|
516.5807
(1.2253)
|
|
데이터 분리 조건 5
|
MM
|
0.995175
(0.0000)
|
0.993978
(0.0000)
|
127.738
(0.0305)
|
144.7447
(0.0226)
|
|
RO
|
0.995136
(0.0000)
|
0.993714
(0.0000)
|
129.2352
(0.0904)
|
149.2787
(0.1338)
|
|
ST
|
0.995413
(0.0001)
|
0.993895
(0.0001)
|
123.2754
(1.0331)
|
144.5272
(0.8315)
|
표 6. 예측 성능 - 계속
Table 6. the result of prediction performance
|
평가 계수
|
$r^{2}$
|
RMSE
|
|
Train
|
Test
|
Train
|
Test
|
|
스트링 조건 7
|
|
데이터 분리 조건 1
|
MM
|
0.977560
(0.0000)
|
0.906677
(0.0002)
|
295.5477
(0.0742)
|
464.9128
(0.4769)
|
|
RO
|
0.978001
(0.0000)
|
0.922705
(0.0002)
|
298.483
(0.1250)
|
432.4909
(0.4057)
|
|
ST
|
0.979054
(0.0000)
|
0.912432
(0.0002)
|
287.3507
(0.0963)
|
456.0815
(0.2636)
|
|
데이터 분리 조건 2
|
MM
|
0.985877
(0.0001)
|
0.935617
(0.0007)
|
228.5665
(0.9657)
|
603.6041
(4.2442)
|
|
RO
|
0.982562
(0.0001)
|
0.955372
(0.0001)
|
237.0243
(0.4346)
|
479.4359
(0.9134)
|
|
ST
|
0.986458
(0.0000)
|
0.945488
(0.0002)
|
211.6004
(0.1711)
|
543.0544
(0.9476)
|
|
데이터 분리 조건 3
|
MM
|
0.985667
(0.0000)
|
0.641099
(0.0020)
|
221.0704
(0.2712)
|
844.0071
(1.7110)
|
|
RO
|
0.984447
(0.0002)
|
0.803061
(0.0020)
|
238.6535
(1.1408)
|
665.073
(1.5554)
|
|
ST
|
0.987535
(0.0000)
|
0.67763
(0.0008)
|
205.4329
(0.2406)
|
797.6507
(0.7281)
|
|
데이터 분리 조건 4
|
MM
|
0.979606
(0.0000)
|
0.889355
(0.0002)
|
286.4904
(0.1511)
|
823.8621
(0.7599)
|
|
RO
|
0.970819
(0.0001)
|
0.855922
(0.0004)
|
364.1958
(1.2019)
|
1019.466
(2.0092)
|
|
ST
|
0.977412
(0.0001)
|
0.887245
(0.0005)
|
296.713
(0.8385)
|
834.1642
(1.8816)
|
|
데이터 분리 조건 5
|
MM
|
0.973029
(0.0000)
|
0.966575
(0.0000)
|
310.1372
(0.0224)
|
352.0459
(0.0375)
|
|
RO
|
0.974573
(0.0000)
|
0.967653
(0.0000)
|
296.0039
(0.0411)
|
342.1033
(0.0564)
|
|
ST
|
0.974528
(0.0000)
|
0.967070
(0.0000)
|
295.1424
(0.0308)
|
343.9481
(0.0350)
|
|
스트링 조건 8
|
|
데이터 분리 조건 1
|
MM
|
0.992775
(0.0000)
|
0.939692
(0.0002)
|
166.2462
(0.1933)
|
373.7593
(0.5735)
|
|
RO
|
0.992130
(0.0000)
|
0.950354
(0.0003)
|
175.0039
(0.3661)
|
341.1294
(0.8479)
|
|
ST
|
0.992954
(0.0000)
|
0.947524
(0.0001)
|
165.1019
(0.1535)
|
350.7643
(0.3067)
|
|
데이터 분리 조건 2
|
MM
|
0.993404
(0.0001)
|
0.949048
(0.0004)
|
155.1015
(1.5992)
|
528.0625
(2.8474)
|
|
RO
|
0.993755
(0.0001)
|
0.97164
(0.0002)
|
140.0395
(0.7922)
|
371.7658
(1.5829)
|
|
ST
|
0.995228
(0.0000)
|
0.963057
(0.0001)
|
124.3675
(0.2465)
|
434.5727
(0.9832)
|
|
데이터 분리 조건 3
|
MM
|
0.993076
(0.0000)
|
0.842147
(0.0013)
|
149.2433
(0.2845)
|
603.2214
(1.9600)
|
|
RO
|
0.986068
(0.0003)
|
0.747189
(0.0028)
|
201.3818
(1.3906)
|
707.7952
(1.4477)
|
|
ST
|
0.993457
(0.0001)
|
0.828469
(0.0008)
|
144.1852
(0.5380)
|
613.5325
(1.0710)
|
|
데이터 분리 조건 4
|
MM
|
0.991432
(0.0000)
|
0.914295
(0.0001)
|
183.7936
(0.1211)
|
690.2445
(0.5183)
|
|
RO
|
0.986645
(0.0002)
|
0.928165
(0.0004)
|
225.5108
(1.9861)
|
623.8817
(2.0651)
|
|
ST
|
0.98942
(0.0002)
|
0.918131
(0.0003)
|
204.4648
(2.3633)
|
684.2167
(1.0135)
|
|
데이터 분리 조건 5
|
MM
|
0.987286
(0.0000)
|
0.983636
(0.0000)
|
210.2954
(0.0329)
|
243.6169
(0.0352)
|
|
RO
|
0.988018
(0.0000)
|
0.984522
(0.0000)
|
202.2724
(0.0288)
|
235.4428
(0.0875)
|
|
ST
|
0.988224
(0.0000)
|
0.984067
(0.0000)
|
199.999
(0.1200)
|
238.397
(0.0980)
|
표 6. 예측 성능 - 계속
Table 6. the result of prediction performance
|
평가 계수
|
$r^{2}$
|
RMSE
|
|
Train
|
Test
|
Train
|
Test
|
|
스트링 조건 9
|
|
데이터 분리 조건 1
|
MM
|
0.997038
(0.0000)
|
0.979452
(0.0001)
|
107.2045
(0.2040)
|
226.1073
(0.3464)
|
|
RO
|
0.996256
(0.0000)
|
0.987521
(0.0001)
|
122.4646
(0.5180)
|
179.6309
(0.6846)
|
|
ST
|
0.996782
(0.0000)
|
0.987411
(0.0000)
|
113.2355
(0.2058)
|
180.1626
(0.3525)
|
|
데이터 분리 조건 2
|
MM
|
0.994585
(0.0001)
|
0.974291
(0.0003)
|
137.4875
(1.9630)
|
355.2876
(2.7600)
|
|
RO
|
0.996579
(0.0000)
|
0.991698
(0.0001)
|
101.1789
(0.6569)
|
188.5628
(1.0170)
|
|
ST
|
0.997644
(0.0000)
|
0.986832
(0.0001)
|
85.27916
(0.2597)
|
242.4887
(0.7858)
|
|
데이터 분리 조건 3
|
MM
|
0.997749
(0.0000)
|
0.958679
(0.0004)
|
90.7684
(0.4100)
|
318.3318
(1.3035)
|
|
RO
|
0.993269
(0.0001)
|
0.912544
(0.0011)
|
150.1766
(0.7243)
|
430.9448
(2.0197)
|
|
ST
|
0.997442
(0.0000)
|
0.946275
(0.0004)
|
95.61763
(0.8782)
|
351.0335
(1.2622)
|
|
데이터 분리 조건 4
|
MM
|
0.996514
(0.0000)
|
0.966351
(0.0001)
|
108.6199
(0.1500)
|
409.3364
(0.6635)
|
|
RO
|
0.991886
(0.0002)
|
0.973333
(0.0002)
|
164.0655
(2.0603)
|
360.265
(1.7806)
|
|
ST
|
0.993778
(0.0003)
|
0.951164
(0.0002)
|
147.282
(3.1835)
|
521.8505
(1.0994)
|
|
데이터 분리 조건 5
|
MM
|
0.995175
(0.0000)
|
0.993976
(0.0000)
|
129.0256
(0.0208)
|
146.2086
(0.0224)
|
|
RO
|
0.995135
(0.0000)
|
0.993711
(0.0000)
|
130.5445
(0.0674)
|
150.8017
(0.0984)
|
|
ST
|
0.995376
(0.0000)
|
0.993862
(0.0000)
|
125.0708
(0.7301)
|
146.4402
(0.6027)
|
|
스트링 조건 10
|
|
데이터 분리 조건 1
|
MM
|
0.977489
(0.0000)
|
0.906168
(0.0002)
|
284.3369
(0.1356)
|
447.5318
(0.4364)
|
|
RO
|
0.977923
(0.0000)
|
0.922137
(0.0002)
|
287.1878
(0.2074)
|
416.7045
(0.4265)
|
|
ST
|
0.978979
(0.0000)
|
0.911895
(0.0001)
|
276.451
(0.1161)
|
439.0916
(0.2312)
|
|
데이터 분리 조건 2
|
MM
|
0.985813
(0.0001)
|
0.935066
(0.0007)
|
220.1303
(0.8424)
|
582.6795
(3.9905)
|
|
RO
|
0.982623
(0.0001)
|
0.954968
(0.0002)
|
227.4492
(0.4230)
|
463.1812
(1.1311)
|
|
ST
|
0.986439
(0.0000)
|
0.945204
(0.0001)
|
203.4309
(0.1649)
|
523.3623
(0.6570)
|
|
데이터 분리 조건 3
|
MM
|
0.985626
(0.0000)
|
0.638413
(0.0025)
|
212.6044
(0.2333)
|
812.9706
(2.0646)
|
|
RO
|
0.984301
(0.0002)
|
0.803049
(0.0014)
|
230.3543
(1.1191)
|
638.3866
(1.2385)
|
|
ST
|
0.987525
(0.0001)
|
0.675535
(0.0013)
|
197.4105
(0.3522)
|
767.7484
(1.1679)
|
|
데이터 분리 조건 4
|
MM
|
0.979522
(0.0000)
|
0.889153
(0.0001)
|
275.702
(0.1262)
|
792.3932
(0.6292)
|
|
RO
|
0.970579
(0.0001)
|
0.855186
(0.0004)
|
351.7084
(1.1377)
|
983.246
(2.2280)
|
|
ST
|
0.97735
(0.0001)
|
0.886695
(0.0004)
|
285.4184
(1.1080)
|
804.1528
(1.0609)
|
|
데이터 분리 조건 5
|
MM
|
0.972930
(0.0000)
|
0.966437
(0.0000)
|
298.3693
(0.0201)
|
338.7695
(0.0311)
|
|
RO
|
0.974456
(0.0000)
|
0.967501
(0.0000)
|
284.8796
(0.0407)
|
329.2713
(0.0402)
|
|
ST
|
0.974418
(0.0000)
|
0.966913
(0.0000)
|
284.037
(0.0196)
|
331.0822
(0.0268)
|
표 6. 예측 성능
Table 6. the result of prediction performance
|
평가 계수
|
$r^{2}$
|
RMSE
|
|
Train
|
Test
|
Train
|
Test
|
|
스트링 조건 11
|
|
데이터 분리 조건 1
|
MM
|
0.984301
(0.0000)
|
0.958443
(0.0002)
|
230.4384
(0.1347)
|
297.5247
(0.5375)
|
|
RO
|
0.983982
(0.0000)
|
0.968781
(0.0001)
|
239.3338
(0.1852)
|
267.8413
(0.2986)
|
|
ST
|
0.985193
(0.0000)
|
0.964404
(0.0001)
|
226.415
(0.1364)
|
281.4367
(0.2531)
|
|
데이터 분리 조건 2
|
MM
|
0.988852
(0.0001)
|
0.96287
(0.0005)
|
182.5625
(0.9725)
|
399.5996
(2.9826)
|
|
RO
|
0.986065
(0.0001)
|
0.977965
(0.0001)
|
190.2469
(0.4425)
|
290.2205
(0.7986)
|
|
ST
|
0.989715
(0.0000)
|
0.971574
(0.0001)
|
166.005
(0.1494)
|
338.0695
(0.5117)
|
|
데이터 분리 조건 3
|
MM
|
0.990392
(0.0000)
|
0.838197
(0.0016)
|
178.381
(0.1281)
|
532.6385
(1.9740)
|
|
RO
|
0.988392
(0.0001)
|
0.927899
(0.0011)
|
201.7447
(0.5603)
|
380.3306
(1.7352)
|
|
ST
|
0.991436
(0.0000)
|
0.851149
(0.0006)
|
166.6802
(0.3133)
|
506.3414
(0.6196)
|
|
데이터 분리 조건 4
|
MM
|
0.986326
(0.0000)
|
0.945918
(0.0001)
|
200.7756
(0.0908)
|
502.2733
(0.7445)
|
|
RO
|
0.975745
(0.0002)
|
0.913541
(0.0004)
|
286.3724
(1.6149)
|
689.2378
(1.9919)
|
|
ST
|
0.983836
(0.0001)
|
0.925128
(0.0003)
|
217.6329
(1.0816)
|
618.1067
(1.3787)
|
|
데이터 분리 조건 5
|
MM
|
0.983179
(0.0000)
|
0.979752
(0.0000)
|
225.4794
(0.0159)
|
250.4413
(0.0227)
|
|
RO
|
0.984362
(0.0000)
|
0.980298
(0.0000)
|
216.6514
(0.0478)
|
247.107
(0.0555)
|
|
ST
|
0.983717
(0.0000)
|
0.979505
(0.0000)
|
217.0019
(0.0767)
|
247.2496
(0.0608)
|
|
without
|
0.9716
(0.0000)
|
0.9709
(0.0000)
|
292.8269
(0.0303)
|
297.5929
(0.0331)
|
■ ‘without’ means ‘not using scaler’.
표 7. 군집화 성능
Table 7. the result of clustering performance
|
|
x
|
y
|
P-
value
|
|
Avg.
|
Std.
|
Avg.
|
Std.
|
|
데이터 분리 조건 3
|
|
스트링 조건 8(x)과 10(y)간
쌍체비교
|
MM
|
944.52
|
1.19
|
768.24
|
1.38
|
3e‐29
|
|
RO
|
944.78
|
6.88
|
925.49
|
7.79
|
1e‐05
|
|
ST
|
990.07
|
2.21
|
838.06
|
3.19
|
4e‐26
|
|
스트링 조건 8과 11 간
쌍체비교
|
MM
|
944.52
|
1.19
|
773.78
|
1.24
|
2e‐28
|
|
RO
|
944.78
|
6.88
|
906.41
|
6.33
|
4e‐10
|
|
ST
|
990.07
|
2.21
|
837.57
|
2.14
|
9e‐26
|
|
스트링 조건 9과 10 간
쌍체비교
|
MM
|
989.52
|
0.81
|
768.24
|
1.38
|
2e‐31
|
|
RO
|
963.09
|
5.08
|
925.49
|
7.79
|
7e‐10
|
|
ST
|
1034.46
|
2.72
|
838.06
|
3.19
|
3e‐24
|
|
스트링 조건 9과 11 간
쌍체비교
|
MM
|
989.52
|
0.81
|
773.78
|
1.24
|
9e‐32
|
|
RO
|
963.09
|
5.08
|
906.41
|
6.33
|
8e‐13
|
|
ST
|
1034.46
|
2.72
|
837.57
|
2.14
|
2e‐25
|
|
스트링 조건 10과 11 간
쌍체비교
|
MM
|
768.24
|
1.38
|
773.78
|
1.24
|
2e‐08
|
|
RO
|
925.49
|
7.79
|
906.41
|
6.33
|
6e‐07
|
|
ST
|
838.06
|
3.19
|
837.57
|
2.14
|
0.664*
|
■ * : P-Value 0.05 이상임을 표시
Acknowledgements
본 연구는 2021년도 산업통상자원부 지원 신재생에너지핵심기술개발사업에 의하여 이루어 졌으며, 관계부처에 감사드립니다.(과제번호 : 20213030160370)
References
, , Global Market Outlook for Solar Power/2019~2023
, , The ninth Power Supplying Plan in Korea
Homepage of Daeyeon C&I, , http://dycni.com
M.R. Maghami, H. Hizam, C. Gomes, M.A. Radzi, M.I. Rezadad, S. Hajighorbani, 2016,
Power loss due to soiling on solar panel: A review, Renew. Sustain. Energy Rev. 59
D.A. Quansah, M.S. Adaramola, 2018, Ageing and degradation in solar photovoltaic modules
installed in northern Ghana, Sol. Energy 173
S. Fadhel, C. Delpha, D. Diallo, 2019, PV shading fault detection and classification
based on I-V curve using principal component analysis: Application to isolated PV
system, Solar Energy 179
Garigali Daniel Pestana, Fabio Mendonça, F. Morgado-Dias, 2017, A low cost FPGA based
thermal imaging camera for fault detection in PV panels, IEEE international conference
on internet of things for the global community(IoTGC)
A. Silvestre Chouder, 2010, Automatic supervision and fault detection of PV systems
based on power losses analysis, Energy Convers. Manage., Vol. 51, No. 10
Ning Ke, 2021, Data Driven Artificial Intelligence Techniques in Renewable Energy
System, Master of Science in Engineering and Management at the Massachusetts Institute
of Technology
Tae-Hun Kim, Han-Kuk Hong, 2004, A Study on Apartment Price Models Using Regression
Model and Neural Network Model, The Korea Spatial Planning Review, Vol. 43
Jin Soo Jung, Hee Keun Lee, Young Whan Park, 2016, Prediction of Tensile Strength
for Plasma-MIG Hybrid Welding using Statistical Regression Model and Neural Network
Algorithm, Journal of Welding amd Joining, Vol. 34, No. 2
Soo Ho Kwon, Jinwoo Lee, Gunhui Chung, Apr 2017, Snow Damages Estimation using Artificial
Neural Network and Multiple Regression Analysis, J. Korean Soc. Hazard Mitig., Vol.
17, No. 2
Hong-Sung Kim, Ki-Bok Kim, Seung-Yo Lee, 2020, Design of a Predictor Based on ANN(Artificial
Neural Network) for Diagnosis of DC Junction Block of PV System Using Its Inside Temperature,
The Transactions of the Korean Institute of Electrical Engineers, Vol. 69, No. 6
W. De. Soto, S.A. Klein, W.A. Beckman, 2006, Improvement and validation of a model
for photovoltaic array performance, Solar Energy, Vol. 80
E. Saloux, A. Teyssedou, M. Sorin, 2011, Explicit model of photovoltaic panels to
determine voltages and currents at the maximum power point, Solar Energy, Vol. 85
Lee Yea-Ji, Kim Yong-Shik, 2017, 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
Jaeseok Choi, 2014, Power System Reliability Evolution Engineering, gspress
Martin Hagon, Howard Demuth, Mark Hudson Beale, Orlando De Jesus, 2018, Neural Network
Design, Acorn Publishing Co., Ltd.
KMA Weather Data Service, , https://data.kma.go.kr/data/grnd/selectAsosRltmList.do?pgmNo=36
Lillo-Bravo Isidoro, González-Martínez 1 Pablo, Larrañeta Miguel, Guasumba-Codena
José, 2018,11,363, Impact of Energy Losses Due to Failures in Photovoltaic Plant Energy
Balance, Energies
D.K. Jo, I.S. Chun, M.S. Jeon, Y.H. Kang, C.M. Auh, 2001, A Study on the Analysis
of Solar Radiation on Inclined Surfaces, Journal of the Korean Solar Energy Society,
Vol. 21, No. 3
Young-Kwan Choi, Nam-Hyung Lee, Kern-Joong Kim, Yong Cho, 2013, A Study on the Influence
to Solar Radiation by Changing the Azimuth and Tilt of a Photovoltaic Array, The Transactions
of the Korean Institute of Electrical Engineers, Vol. 62, No. 5, pp. 712-716
, , Module 1 Lot Test Report of H company
Ki-Bok Kim, Ding-Jin Yoon, Jung-Chae Jeong, Seung-Seok Lee, 2004, Determining the
stress intensity factor of a material with an artificial neural network from acoustic
emission measurements, NDT&E International 37
h.h. Lee, 2018, Data Pre-Processing with SQL & Python, CHAOS BOOK, pp. 23-33
저자소개
1992년 건국대 전기공학과 졸업.
1994년 동 대학원 전기공학과 졸업(석사).
1998년 동 대학원 전기공학과 졸업(공박).
1998년 11월~1999년 11월 일본 전력 중앙 연구소 박사 후 연구원,
현재 ㈜광명전기 미래전략 담당 임원(상무이사),
연구 분야 : 신재생 에너지용 전력변환장치 제어 기술, PV시스템 유지보수 및 진단기술 등.
Tel : (031) 2240-8114
Fax : (031) 494-1346
E-mail : pvkim@hanmail.net
2007년 인하대학교 전기공학과 졸업.
2013년 인하대학교 대학원 전기공학과 졸업(석사).
현재 한양대학교 대학원 전자공학과 박사과정.
현재 광명전기 기술연구소 근무
Tel : (031) 2240-8114
Fax : (031) 494-1346
E-mail : kyh2@kmec.co.kr
1973년 2월 8일생. 1996년 건국대 전기공학과 졸업.
1998년 동대학원 전기공학과 졸업(석사).
2003년 동대학원 전기공학과 졸업(공박).
2003년~2023년 현대자동차 책임연구원.
2023년~ 현재 (주)해암과학기술 대표이사.
Tel : (02) 422-0173
Fax : 0508-950-3598
E-mail : blessus21@naver.com
1994년 건국대 공대 전기공학과 졸업.
1996년 동 대학원 전기공학과 졸업(석사).
2000년 동 대학원 전기공학과 졸업(공박).
2000년 10월∼2003년 9월 버지니아공대(Virginia Tech) 박사후 연구원.
2003년 10월∼2004년 10월 Intronics, Inc.(U.S.A.) Research Engineer.
2004년 12월∼2007년 3월 삼성전자(주) DM총괄 영상 디스플레이 사업부 개발팀 책임연구원.
2007년3월∼2008년2월 ㈜이이시스 이사.
2008년3월∼현재 대림대학교 전기과 교수.
Tel : (031) 467-4862
Fax : (031) 467-4861
E-mail : sylee@daelim.ac.kr