Fault Detection and Diagnosis of Photovoltaic Arrays using I-V Chracateristics Curve

Abstract

기후변화와 탄소중립에 대한 관심이 커지면서 신재생에너지 중 설치가 용이한 태양광발전(PV)이 전 세계적으로 주목받고 있다. 다만 태양광 발전의 경우 야외에 설치해야 하기 때문에 고장이 나기 쉽다. 본 논문에서는 단순화된 DenseNet 기반 PV 결함 감지 및 진단 알고리즘을 제안한다. 단순화된 DenseNet 기반 고장 진단 모델을 훈련하기 위해서는 고장 데이터를 생성하는 PV 시뮬레이션 모델이 필요하다. 제2장에서는 실제 PV와 시뮬레이션 PV 모델 간의 출력 데이터 일관성을 위해 하이브리드 태양광 파라미터 추정 방법을 제안한다. 제안된 하이브리드 파라미터 추정 방법은 기존의 방법(예: Villava의 방법)과 사례 연구를 통해 비교 검증 과정을 수행하였다. 사례 연구로 시뮬레이션 PV 모델 데이터와 실제 PV 데이터 사이의 오차를 계산하여 정확도를 측정하였으며, 그 결과 제안된 방법이 기존 방법보다 더 나은 파라미터를 추정함을 확인하였다. 3장에서는 2장에서 생성된 시뮬레이션 모델을 사용하여 훈련 및 테스트 데이터를 생성하고 단순화된 DenseNet 기반 고장 진단 모델을 검증한다. 마지막으로, 훈련되지 않은 테스트 데이터의 나쁜 영향도 사례 연구를 통해 조사되었다.

As interest in climate change and carbon neutrality grows, photovoltaics (PV) that are easy to install among new and renewable energy is attracting attention around the world. However, in the case of PV, it is easy to fail because it must be installed outdoors. In this paper, we propose a simplified DenseNet-based PV fault detection and diagnosis algorithm. In order to train a simplified DenseNet-based fault diagnosis model, a PV simulation model that generates fault data is required. In Chapter 2, a hybrid photovoltaic parameter estimation method is proposed for output data consistency between real PV and simulated PV model. For the proposed hybrid parameter estimation method, a comparative verification process was performed through a case study with the conventional method (e.g., Villava's method). The case study results measured the accuracy by calculating the error between the simulated PV model data and the actual PV data, and confirmed that the proposed method estimates better parameters than the conventional method. In Chapter 3, we use the simulation model created in Chapter 2 to create training and test data and validate a simplified DenseNet-based fault diagnosis model. Finally, the bad effects of untrained test data were also investigated through case study.