| 1 |
1
기상 정보를 제공하는 기상 서버(110);발전량 정보를 생성하는 태양광 발전 설비(120); 및 통신망(130)을 통해 상기 기상 서버(110) 및 상기 태양광 발전 설비(120)에 연결되며, 상기 기상 정보만을 학습하여 상기 태양광 발전설비(120)의 이상진단 학습 모델을 설계하고, 상기 이상진단 학습 모델에 따른 상기 태양광 발전설비(120)의 발전량 정보만을 입력값으로 활용하여 상기 태양광 발전 설비(120)에 대한 이상 진단을 실행하는 진단 서버(140);를 포함하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 2 |
2
제 1 항에 있어서,상기 진단 서버(140)는, 상기 기상 정보중 일사량 상태를 판단하여 진단 수행 여부를 실행하는 판정부(230);기상 정보를 학습인자로 기계 학습을 통해 이상진단 학습 모델을 생성하는 학습 모델부(240); 및 상기 이상진단 학습 모델에 상기 발전량 정보를 입력값으로 적용하여 정합성 정도에 따라 상기 태양광 발전 설비(120)의 이상 수준을 판단하는 판단부(250);를 포함하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 3 |
3
제 2 항에 있어서,상기 판정부(230)는, 상기 기상 정보를 기반으로 상기 태양광 발전 설비(120)가 위치하는 지역의 날씨가 양호하다고 판단되면, 양호한 날씨에 한하여 상기 이상 수행을 실행하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 4 |
4
제 2 항에 있어서,상기 학습 모델부(240)는, 상기 기상 정보 중 일사량 데이터를 활용하여 일사량 상태가 미리 설정되는 조건을 만족하면, 일사량의 정규화를 나타내는 정규화 분포의 유사도에 따라 학습 스테이지를 분류하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 5 |
5
제 4 항에 있어서,상기 판단부(250)는, 상기 분류에 따라 상기 태양광 발전 설비(120)의 실제 발전량을 상기 이상진단 학습 모델에 입력값으로 적용하였을 경우 정합성 정도에 따라 이상 수준을 판단하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 6 |
6
제 2 항에 있어서,상기 이상진단 학습 모델은 상기 기상 정보 중 일정 시간별 일사량 데이터의 패턴 분석에 따른 정규화 분포 형태와의 정합성 정도에 의해 제 1 내지 제 3 패턴으로 분류하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 7 |
7
제 6 항에 있어서,상기 정합성 정도는 일사량 패턴(710,720,730,810,820,830,910,920,930)과 발전량 패턴(740,840,940)의 유사 정도인 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 8 |
8
제 7 항에 있어서,상기 일사량 패턴(710,720,730,810,820,830,910,920,930)은 관측 일사량(710,810,910), 예측 일사량(720,820,920), 예측 발전량(730,830,930) 중 어느 하나인 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 9 |
9
제 6 항에 있어서,상기 제 1 패턴은 상기 정합성 정도가 미리 설정되는 일정 수준 이상인 경우로서 정상 설비 상태를 정의하고, 상기 제 3 패턴은 상기 일정 수준 이하인 경우로서 이상 설비 상태를 정의하고, 상기 제 2 패턴은 상기 제 1 패턴과 상기 제 3 패턴의 사이로서 설비 점검 요주의를 정의하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 시스템
|
| 10 |
10
(a) 기상 서버(110)가 기상 정보를 제공하는 단계;(b) 태양광 발전 설비(120)가 발전량 정보를 생성하는 단계; 및 (c) 통신망(130)을 통해 상기 기상 서버(110) 및 상기 태양광 발전 설비(120)에 연결되는 진단 서버(140)가 상기 기상 정보만을 학습하여 상기 태양광 발전설비(120)의 이상진단 학습 모델을 설계하고, 상기 이상진단 학습 모델에 따른 상기 태양광 발전설비(120)의 발전량 정보만을 입력값으로 활용하여 상기 태양광 발전 설비(120)에 대한 이상 진단을 실행하는 단계;를 포함하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 11 |
11
제 10 항에 있어서,상기 (c) 단계는, (c-1) 판정부(230)가 상기 기상 정보중 일사량 상태를 판단하여 진단 수행 여부를 실행하는 단계;(c-2) 학습 모델부(240)가 기상 정보를 학습인자로 기계 학습을 통해 이상진단 학습 모델을 생성하는 단계; 및 (c-3) 판단부(250)가 상기 이상진단 학습 모델에 상기 발전량 정보를 입력값으로 적용하여 정합성 정도에 따라 상기 태양광 발전 설비(120)의 이상 수준을 판단하는 단계;를 포함하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 12 |
12
제 11 항에 있어서,상기 (c-1) 단계는, 상기 판정부(230)가 상기 기상 정보를 기반으로 상기 태양광 발전 설비(120)가 위치하는 지역의 날씨가 양호하다고 판단되면, 양호한 날씨에 한하여 상기 이상 수행을 실행하는 단계인 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 13 |
13
제 11 항에 있어서,상기 (c-2) 단계는, 상기 학습 모델부(240)가 상기 기상 정보 중 일사량 데이터를 활용하여 일사량 상태가 미리 설정되는 조건을 만족하면, 일사량의 정규화를 나타내는 정규화 분포의 유사도에 따라 학습 스테이지를 분류하는 단계인 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 14 |
14
제 13 항에 있어서,상기 (c-3) 단계는, 상기 판단부(250)가 상기 분류에 따라 상기 태양광 발전 설비(120)의 실제 발전량을 상기 이상진단 학습 모델에 입력값으로 적용하였을 경우 정합성 정도에 따라 이상 수준을 판단하는 단계인 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 15 |
15
제 11 항에 있어서,상기 이상진단 학습 모델은 상기 기상 정보 중 일정 시간별 일사량 데이터의 패턴 분석에 따른 정규화 분포 형태와의 정합성 정도에 의해 제 1 내지 제 3 패턴으로 분류하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 16 |
16
제 15 항에 있어서,상기 정합성 정도는 일사량 패턴(710,720,730,810,820,830,910,920,930)과 발전량 패턴(740,840,940)의 유사 정도인 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 17 |
17
제 16 항에 있어서,상기 일사량 패턴(710,720,730,810,820,830,910,920,930)은 관측 일사량(710,810,910), 예측 일사량(720,820,920), 예측 발전량(730,830,930) 중 어느 하나인 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
| 18 |
18
제 15 항에 있어서,상기 제 1 패턴은 상기 정합성 정도가 미리 설정되는 일정 수준 이상인 경우로서 정상 설비 상태를 정의하고, 상기 제 3 패턴은 상기 일정 수준 이하인 경우로서 이상 설비 상태를 정의하고, 상기 제 2 패턴은 상기 제 1 패턴과 상기 제 3 패턴의 사이로서 설비 점검 요주의를 정의하는 것을 특징으로 하는 학습모델 기반 태양광 발전설비 이상진단 방법
|
