Nomenclature
Subscript
1. 서 론
2. BIPV 시스템
2.1 개요 및 시스템구성
3. BIPV 시스템 발전량 추정기법
3.1 데이터 전처리 및 추정기법 프로세스
3.2 물리모델
3.3 모델 정확성 평가
3.4 물리모델과 실제 출력값 비교
3.5 물리모델과 인공지능 기술이 결합된 출력 추정값 비교
4. 결 론
Nomenclature
PMP : maximum power, W
Voc : open circuit voltage, V
Isc : short circuit current, A
VMP : maximum voltage, V
IMP : maximum current, A
ηSTC : conversion efficiency of the PV module at STC
A : area of the PV array, m2
GPOA : total irradiance incident on the plane of the PV array, W/m2
ηT : power loss caused by temperature rising thermal loss
γ : power temperature coefficient of the PV module provided by manufacturers, 1/°C
Tmodule : PV module operational temperature, °C
TSTC : PV module temperature at STC, °C
Ta : ambient dry-bulb temperature, °C
TNOCT : PV module temperature at NOCT, °C
mi : measured value for the instance “i”
si : simulated value for the instance “i”
N : number of data in the dataset
: average value of all measured data.
Subscript
O&M : operation and maintenance
PV : photovoltaic
STC : standard test condition
NOCT : nominal operating cell temperature
PM : physical model
1. 서 론
정부의 ‘재생에너지 3020정책’에 따라 태양광 발전 설비가 증가하고 있는 추세1)를 보이고 있다. 이에 태양광 발전 설비의 효율적인 운영을 위해서는 안정적인 운영 및 유지보수(operation and maintenance, O&M)기술이 요구된다.
O&M 기술은 태양광 발전소의 모듈 및 인버터 등과 같은 구성 기기가 정상적으로 작동되도록 관리하는 것을 목적으로 하고 있다2). 발전소 데이터를 사용한 분석은 성능저하 및 고장요인을 감지하고 개선하는 과정으로 진행된다. O&M은 일반적으로 모니터링, 태양광 모듈 및 구조물의 육안 검사, 태양광 접속함 점검 등이 수행된다3).
기존에는 단순 측정 검증이 모니터링의 주된 목적이었고4), 고장 진단은 물리적 모델 방정식만을 이용해 진단하거나 감지했다5). 하지만 최근 시스템 손실 분석 및 진단 기능을 갖춘 인공지능(AI) 시스템은 대량의 데이터를 쉽게 적용하고 정확도를 향상시킬 수 있다. 또한 다양한 데이터 세트에 대해 교육할 수 있으므로 다양한 위치, 기후 및 조건에 유연하게 대응할 수 있다. 마지막으로, 추정 및 예측과 관련된 많은 수동 프로세스를 자동화하여 더 빠르고 효율적으로 만들 수 있습니다. 따라서 데이터 기반 기계 학습 모델은 태양광 발전을 위한 과거 데이터, 날씨 패턴 및 기타 관련 변수를 사용하여 정확하게 추정하고 예측할 수 있다.
따라서 본 연구에서는 컬러 모듈을 적용한BIPV 시스템에서 물리모델식(단순 효율 모델, 온도 보정 모델, 일사량 변화에 대한 회귀모델)을 이용하여 발전량을 추정하고 실제 발전량 측정데이터와 비교하여 가장 정확한 태양광시스템의 물리 모델식을 확인하였다. 또한 물리모델 중 가장 정확도가 높은 모델의 출력값과 환경데이터(일사량, 모듈온도)를 회귀 알고리즘을 통한 기계 학습 모델을 제안하여 BIPV 시스템의 발전성능 추정 향상에 적합한 방법을 제안하였다.
2. BIPV 시스템
2.1 개요 및 시스템구성
BIPV 시스템은 Fig. 1과 같이 대전 A 연구원의 남향 외벽에 설치되어 있다. 시스템 구성으로는 3.5 kW급 인버터 3대를 사용하였으며, 본 논문에서는 1대 인버터의 측정 데이터를 이용하여 실험을 수행하였다. 설치된 컬러 BIPV 모듈은 dot 패턴으로 컬러를 구현하며 최대 발전량 2.5 kW로 26장이 직렬로 연결되어있다. 모듈, 인버터, 시스템의 사양은 Table 3, 4, Table 5와 같다. 기상환경 데이터를 수집하기 위해 모듈 설치 각도와 동일하게 일사량계를 설치하고, 모듈 후면에 열전대 센서를 부착하여 모듈 온도를 측정하였다. 측정 장비 및 센서의 사양의 설명은 Table 1, 2와 같다. 기상데이터와 실제 발전량 데이터는 CR 1000 데이터 로거를 통하여 10분 평균에 해당하는 데이터를 취득하였다. 본 연구를 위한 분석 기간은 2021년 3월부터 2022년 9월까지 18개월이다.
Table 1.
Spec. of pyranometer
Table 2.
Spec. of the K type thermocouple
| Specification | Value |
| Measurement Temperature range | -200°C to 1250°C |
| Std. Limits of Error | Greater of 2.2°C or 0.75% |
| Spec. Limits of Error | Greater of 1.1°C or 0.4% |
3. BIPV 시스템 발전량 추정기법
3.1 데이터 전처리 및 추정기법 프로세스
컬러 모듈을 적용한 BIPV 시스템의 발전량을 추정하기 위해 세 개의 태양광 물리 모델식을 이용했다. 모델들의 발전량을 추정하기 위한 입력데이터로서 일사량과 모듈온도, 면적, 효율의 값이 요구된다. 300 W/m2미만의 저일사량 구간에서는 인버터가 간헐적으로 정지되는 경우가 많아 데이터 분석에서 제외하였다. 또한, DC 어레이 전압의 경우도 300 V이상의 값을 사용하였다.
모델 구현은 MATLAB 회귀학습기를 활용하였다. 회귀학습기의 기존 선형 모델에서 일사량, 모듈 온도, 태양광시스템 물리모델식의 출력값을 입력요소로 사용하여 회귀알고리즘을 통한 기계 학습 모델을 구현한다. 교차검증은 5회 실시되었으며, 훈련데이터와 테스트 데이터의 비율은 70:30이다. 모델 프로시저는 Fig. 2와 같다.
3.2 물리모델
태양광시스템의 물리 모델식 총 3개를 사용했다. 단순효율모델과 온도보정모델과 같은 간단한 모델과 일사량 변화에 대한 회귀모델로 모듈온도가 25°C 인 조건에서 일사량에 따라 변화하는 PV 모듈의 MPP (Maximum Power Point) 값을 산출하여 변화된 일사량에 따른 IMP, VMP 값을 도출하고 이를 회귀식으로 나타낸 모델이다6).
3.2.1 단순 효율 모델
단순 효율 모델은 일사량 변화에 따라 효율이 달라지는 점을 고려한 단순 PV 모듈 모델이다. 모델의 출력은 다음 식과 같이 STC조건에서의 에너지 변환 효율, PV 어레이의 면적, POA 태양 복사 조도를 기준으로 추정된다7).
여기서 PMP은 전력 출력 [W], ηSTC는 STC에서 PV 모듈의 변환 효율, A는 PV 어레이의 면적 [m2], GPOA는 PV 어레이의 평면에 입사된 총 방사조도 [W/m2]이다.
3.2.2 온도 보정 모델
온도 보정 모델은 식 (1)보다 향상된 모델이다. 셀의 온도가 증가함의 따라 PV 모듈의 출력은 낮아진다. 전력 손실은 전력의 온도 계수, STC 작동조건에서의 온도 차이로 설명할 수 있다8).
여기서, ηT는 온도 상승에 따른 열 손실의 대한 전력 손실 효율이고, γ는 제조업체가 제공하는 PV 모듈의 전력 온도 계수이다[1/°C]. Tmodule은 PV 모듈 작동 온도[°C], 는 STC에서의 모듈 온도[°C], Ta는 주변 건구 온도[°C], TNOCT는 공칭 작동 셀 온도(NOCT)에서 PV 모듈 온도이다[°C].
총 출력은 (5)와 같다.
3.2.3 일사량 변화에 대한 회귀 물리 모델
온도 조건을 25°C에서 PV 시뮬레이터의 장비를 이용하여 PV 모듈의 I-V curve를 측정한다. 일사량을 200, 400, 600, 800, 1000[W/m2]로 각 각 구분해 측정을 진행한다. 변화된 일사량에 대한 IMP, VMP값을 산출하고 그 값을 회귀식으로 나타냈다. 그 결과 IMP의 경우 1차 함수, VMP의 경우 로그함수로 나타낼 수 있다.
식 (7)에 나타난 VMP 는 온도조건이 25°C 인 경우에 해당되며, 온도계수 0.3%/°C을 고려해주면 식 (8)과 같이 나타낼 수 있다6).
3.3 모델 정확성 평가
위 세 모델의 정확성을 검증하기 위해 기상 환경 모니터에 따른 BIPV 시스템에서의 실제 발전량 값과 예측 발전량 값을 비교했다. 추정 발전량은 식 (1), (5), 식 (9)를 통해 구할 수 있다.
모델의 정확도를 판단하기 위해 결정계수(Coefficient of Determination : R2)와 평균 제곱근 오차(Root Mean Square Error : RMSE)를 이용하여분석하였다.
3.3.1 결정계수
R2은 시뮬레이션 된 데이터가 측정된 데이터 또는 적합한 회귀선에 얼마나 가까운지 보여준다. R2의 값은 0부터 1이며 1에 같다는 것은 시뮬레이션 모형 또는 적합한 회귀선이 측정된 데이터와 완벽하게 적합 되는 것을 의미한다.
일반적으로 R2가 높을수록 모형이 측정된 데이터와 적합하다.
R2식은 식 (10)을 통해 계산할 수 있다.
3.3.2 평균 제곱근 오차
RMSE는 실제 편차의 기간별 비교를 통해 시뮬레이션 모델의 성능을 나타낸다. 값이 0이면 측정된 데이터에 완벽하게 적합한 모형을 의미한다. RMSE는 아래의 식 (11)을 통해 계산할 수 있다.
3.3.3 선형 회귀 분석
선형회귀분석법은 회귀모델의 가장 기본적이고 일반적으로 사용되는 예측모델이다. 주어진 데이터를 나타내는 최적의 직선을 찾아냄으로써 입력(x)과 출력(y)사이의 선형적인 관계를 모델링하는 회귀 분석 기법이다. 단순 선형 회귀 수식을 표현하면 y = a + bx과 같다. 이 수식은 예측에 관련된 독립변수 x를 통해 예측하려는 결과 값인 종속변수 y를 도출해내는 것이다9).
3.4 물리모델과 실제 출력값 비교
Fig. 3은 BIPV 시스템에서 2022년 1월 데이터를 사용하여 3.2절 물리모델들의 출력값과 실제 측정 발전량 데이터를 비교했다. 일사량 변화에 대한 회귀모델, 온도보정모델, 단순효율모델 순으로 측정데이터에 근접함을 보였다. Fig. 4는 물리모델들과 측정데이터의 적합함을 확인하기 위해 선형회귀분석을 실시했다. Table 6에는 기울기와 결정계수, 측정데이터와의 RMSE, 정확도를 나타내었다. 그 결과 세 모델 모두 결정계수가 1에 가까운 값을 나타냈고 각 각 물리모델의 출력값과 측정데이터의 RMSE를 계산한 결과로는 단순효율모델은 0.2746 kW, 온도보정모델은 0.2019 kW, 일사량 변화에 대한 회귀모델이 0.1497 kW로 일사량에 변화에 대한 회귀모델이 가장 오차 적음을 확인하였다. 또한 모델들의 정확도는 각 각 74.86%, 81.15%, 86.44% 임을 확인하였다.
Table 6.
Summary of the physical models
| Slope | R-Square | RMSE (kW) | Accuracy (%) | |
| (a) | 1.176 | 0.9791 | 0.2746 | 74.86 |
| (b) | 1.054 | 0.9631 | 0.2019 | 81.15 |
| (c) | 1.027 | 0.9636 | 0.1497 | 86.44 |
따라서 일사량 변화에 대한 회귀모델이 가장 작은 RMSE값과 1에 가까운 결정계수, 가장 높은 정확도로 인하여 물리모델 중 가장 정확한 모델임을 입증하였다.
3.5 물리모델과 인공지능 기술이 결합된 출력 추정값 비교
Fig. 5의 결과는 BIPV 시스템에서 2022년 1월 데이터를 사용하여 물리모델 중 가장 정확했던 일사량 변화에 대한 회귀모델과 3.1절 회귀알고리즘을 이용한 기계학습 모델을 구현 후 비교하였다. 제안하는 모델이 일사량에 변화에 대한 회귀모델보다 실제 발전량 측정데이터와 근접함을 확인하였다. 제안하는 모델 또한 선형회귀분석을 실시하여 Fig. 6에 나타냈다. 세부값은 Table 7에 나타냈다. 제안한 모델의 결정계수가 1에 가까운 값을 보였으며 측정데이터와의 RMSE는 0.0451 kW, 정확도는 96.56% 임을 확인하였다. 3.4절 일사량 변화에 대한 회귀모델은 물리모델 중 가장 정확했지만, 제안한 모델은 0.1046 kW 감소된 RMSE, 10.12% 향상된 정확도를 보여줬다. 이에 따라 제안한 모델이 발전량 추정에 있어 유용하게 사용될 것이다.
4. 결 론
본 논문에서는 2021년 3월부터 2022년 9월까지 태양광 시스템 모델식 3가지를 사용하여 측정데이터와 비교를 해봤다. 그 결과는 단순효율모델의 RMSE값은 0.2746 kW, 온도보정모델의 RMSE값은 0.2019 kW, 일사량 변화에 대한 회귀모델의 RMSE 값은 0.1497 kW임을 확인하였고, 모델들의 정확도는 각 각 74.86%, 81.15%, 86.44% 임을 확인하였다. 결과 값에 따라서 일사량 변화에 대한 회귀 물리모델이 측정데이터와 가장 적합했던 태양광시스템의 모델식임을 확인하였다.
물리모델 중 가장 정확했던 일사량 변화에 대한 회귀 모델의 출력값과 기상데이터(일사량, 모듈온도)를 회귀알고리즘으로 학습하여 기계 학습 모델을 구현 후 제안하였다. 제안한 모델을 실제 발전량 측정데이터와 비교 분석한 결과 RMSE값은 0.0451 kW, 정확도는 96.56%를 확인하였다. 따라서 가장 정확했던 물리모델 보다 RMSE값은 0.1046 kW 감소하였고, 정확도는 10.12% 향상되었다. 따라서 본 논문에서는 물리모델만을 사용하여 발전량을 추정하는 기법보다 인공지능이 결합된 추정기법을 이용한다면 보다 정확한 추정 및 예측이 가능한 것을 입증하였다. 추 후 제안한 모델의 정밀도를 향상시키기 위해서는 양질의 데이터를 대량으로 투입하고 더 세분화된 형태의 빅데이터를 구축한다면 보다 향상된 결과를 확인 할 것이다.
