신준현
(Jun-Hyun Shin)
1
김진오
(Jin-O Kim)
†
Copyright © The Korean Institute of Illuminating and Electrical Engineers(KIIEE)
Key words
PV, O&M, Performance Index, Diagnosis, Assetmanagement
1. 서론
1.1 연구의 배경
정부는 최근 재생에너지 3020정책을 기반으로 신재생에너지의 전력계통 도입률을 높이려 하고 있는데, 현재 가장 높은 도입률을 보이는 에너지원은 태양광
발전이다. 이렇게 많이 운영되고 있는 태양광 발전소 중 관리소홀로 인해 발전소 출력이 감소하는 발전소가 다수 존재하는데, 출력이 감소하는 대부분의
요인은 관리자의 관리소홀, 사고 상태 미인지, 사고 후 미 조치이다.
태양광 발전소 사고 상태 판별 및 성능평가는 IEC 61724-1 규격의 PR 지수를 통해 분석할 수 있다[1]. 만약 태양광 발전소에 사고가 발생하게 되면 PR 지수는 정상상태보다 낮은 값을 나타냄으로써 관리자는 사고 상태를 식별할 수 있게 된다. 하지만
연간 PR 지수는 태양광 발전 셀의 온도에 따른 출력 변동 특성으로 인해 일정한 값을 가지지 못하는 단점이 존재하며, 비가 오거나 눈이 온 날과 같이
일사량이 적은 경우 사고 상태와 비슷한 값을 보임으로써 사고 상태로 인식되어 사고 인식률을 저하시키는 문제점을 가지고 있다.
본 저자는 이러한 문제점을 해결하기 위하여 선형 회귀 분석 방법 및 온도보정 수식을 통해 낮은 일사량 시 사고로 평가되던 문제점 및 출력 변동성을
개선할 것이며, EEM을 통해 정상발전 데이터와 사고데이터의 거리계산을 수행하여 사고 상태의 데이터를 좀 더 확실하게 구분할 수 있는 방법 및 청명지수.
변동성지수를 통해 On-line 진단 시 양질의 데이터를 선택할 수 있는 방법을 제안할 것이다.
2. 태양광 발전소 사고상태 판별
2.1 태양광 발전소 성능지수
2.1.1 태양광발전소 효율(Performance Ratio, PR)
태양광 발전소 성능지수 중 IEC 61724-1에서 제안하고 있는 성능지수는 PR로써, 태양광 발전소 효율을 의미한다. 만약 태양광 발전소에 사고가
발생하게 된다면, 입력인 일사량은 계속 유입되고 있는 반면 출력은 사고에 의해 계통으로 유입되지 않음으로써 사고 상태를 판별할 수 있다. 이렇듯 태양광
발전소에 사고가 발생할 경우 정상수치보다 낮은 수치를 가짐으로 인해 사고 상태를 식별할 수 있는데, 이러한 지수를 통해 태양광 발전소를 관리할 경우
사고 상태 판별, 열화율 계산 등과 같은 자산관리 지수(Assetmanagement Index)로써 활용할 수 있다[2-3].
여기서 $E_{AC}$는 AC 출력, Irr은 일사량, A는 발전소 면적, $\eta$는 태양광 셀 효율을 나타낸다.
PR은 태양광발전소의 성능을 평가하는 지수로써 분자에는 태양광 발전소 24시간 합산 출력을 나타내며, 분모에는 일사량, 면적, 태양광 셀 효율의 곱을
의미한다. 이렇듯 PR은 입력에너지 대비 출력에너지를 산출하는 지수로써 태양광 발전소 전체 효율을 의미한다.
2.1.2 태양광발전소 온도보정 효율
여기서 $T_{c,\:avg}$는 태양광 셀 1년치 평균, $T_{c}$은 셀 온도. $\delta$(Temperature Coefficient)는
온도보정계수를 나타낸다.
WCPR은 PR의 온도보정 성능지수로써 미국 국립재생에너지연구소(National Renewable Energy Laboratory, NREL)에서
제안하는 지수이다[4]. WCPR은 태양광 발전소 셀의 평균 온도 계산을 통한 출력 보정을 수행함으로써 온도에 의한 변동 현상을 개선한 지수로써, 날씨에 따른 태양광 발전소
효율의 변화를 개선한 지수이다.
식(3)은 셀 온도 추정수식이며
여기서 Ta는 주위온도, G는 일사량, NOCT는 Normal Operating Cell Temperature이며, Tc는 셀 온도를 나타낸다.
온도보정 성능지수 산출을 위해서는 셀 온도를 계산해야 하는데, 기온과 일사량 데이터를 바탕으로 셀 온도를 추정할
수 있다.
2.2 일사량과 출력의 선형 회귀 분석(Linear Regression, LR)
PR지수는 일사량이 낮을 경우 작은 오차에도 큰 변동성을 가지는 단점이 존재한다. 만약 낮은 일사량 시 작은 오차로 인해 정상적인 발전을 수행함에도
불구하고, 사고와 같은 수치를 나타냄으로써 사고 상태로 평가할 수 있는 단점이 존재한다. 이러한 문제점을 개선한 분석방법이 일사량과 AC 출력간의
선형 회귀 분석 방법이다[5-6]. 선형 회귀분석은 $R^{2}$ 상관계수(Correlation Coefficient)를 통해 사고에 의한 영향을 분석할 수 있다.
식(4)는 태양광 발전소 AC 보정 출력을 나타내는 수식이며,
여기서 $E_{AC}$는 AC 출력이고, $E_{AC,\:WC}$는 셀 평균온도를 기준으로 출력을 보정한 AC 출력이다.
일사량과 태양광 발전소 AC 출력의 상관관계 분석 또한 온도에 의한 변동 특성에 대한 보정을 수행할 경우 좀 더 개선된 결과를 도출할 수 있다.
2.3 태양광 발전 자원평가 지수
2.3.1 청명지수(Clearness Index, CI)
청명지수는 대기의 청명한 수준을 표현한 지수로써, 비가오거나 구름이 낀 날과 같은 날씨의 맑음 수준을 수치적으로 평가할 수 있다[7-8].
여기서 $\delta$는 편각, n은 날짜를 의미한다.
여기서 L은 위도이고, SC(Solar Constant)는 1367$W/m^{2}$의 값을 가지며[8], $I_{0}$는 공전에 의해 변화하는 일간 외기일사량, $H_{SR}$은 시간 별 태양의 각도이며, $H_{0}$는 위도, 편각, 시간 별 태양의
각도에 따른 일간 외기일사량이며, H는 일간 일사량을 나타낸다.
2.3.2 변동성지수
여기서 $E_{AC,\:k}$ k번째 기간의 AC 발전 출력, $E_{DC,\:k}$ k번째 기간의 DC 발전 출력, $E_{AC,\:k-1}$ k-1번째
기간의 AC 발전 출력, $E_{DC,\:k-1}$ k-1번째 기간의 DC 발전 출력, n은 샘플링 횟수를 의미한다.
태양광 발전은 많은 변동성을 가지는 자원으로써 변동성이 높은 날과 낮은 날에 대한 평가지수가 필요하다. 본 논문에서 제안하는 변동성지수는 입력과 출력의
변동성을 평가함으로써 입력과 출력의 정상범위에 있지 않는 입출력 변동 특성을 평가할 수 있다.
2.4 태양광 발전소 사고상태 판별
2.4.1 Estimated Error Matrix(EEM)
EEM은 선형 회귀 분석의 추정치와 실제 출력되는 값의 차이를 행렬 형태로 표시함으로써 사고데이터의 경우 정상출력보다 적은 발전(추정치와 실제 출력의
차가 큼)을 수행하기 때문에 큰 값을 가지게 되고, 정상적인 발전의 데이터(추정치와 실제 출력의 차가 작음)는 작은 값을 가지게 된다.
$y_{n}$은 n번째 날짜의 일간 AC 출력의 합산을 나타낸다. EEM은 출력되는 모든 값을 1×n의 형태로 나타낼 수 있는데(n은 365일 중
날짜 데이터), 만약 1년의 365일의 데이터를 sampling하게 된다면 1×365의 행렬이 생성되게 된다. 사고가 발생한 행렬의 데이터는 값이
커지게 되는데, 사고가 발생하지 않은 행렬의 데이터는 0과 같이 오차가 적은 값을 나타내게 된다.
2.4.2 Estimated Square Error Index (ESEI)
Estimated Square Error Matrix(ESEM)는 추정치와 실제 출력 값의 차이를 행렬 형태로 곱함으로써 n×n 행렬을 형성하게 된다.
이 경우 대각 행렬에서는 각 출력간의 거리 제곱의 수치를 계산할 수 있게 되는데, 이를 식(14)(ESEI, Estimated Square Error Index)와 같이 나타낼 수 있다. 만약 사고가 발생하여 출력이 0으로 나타나게 된다면 ESEM의
해당 행렬 값은 높은 오차 값으로 인해 다른 값들과는 다르게 상당히 크게 나타나게 된다. 하지만 사고데이터의 경우에는 오차가 적음으로 인해 작은 값을
가지는 수치를 보이게 된다. 이렇듯 사고데이터의 경우 정상인 출력과는 거리가 멀어지는 특성으로 인해 큰 값을 나타내게 되고, 정상발전데이터는 정상출력
값과 거리가 짧기 때문에 작은 값을 가지게 된다.
2.4.3 Graph Cut Weighting Classification
데이터간의 거리 계산 방법을 통한 상태 판별 방법으로써 Graph Cut Weighting Classification 방법을 활용할 수 있는데, 이
방법은 그룹 간 거리를 최소화 하는 방법 중 하나이다.
각 그룹간의 거리 계산을 통해 군집 별 식별을 수행하는 Graph Cut Weighting Classification 방법의 거리 계산 함수는 식(15)와 같으며, 그룹을 나누는 목적함수는 식(16)과 같다.
3. 시뮬레이션
PR지수와 선형 회귀 분석의 경우 데이터의 중복성을 방지하기 위하여 1년 데이터를 활용하였다.
Fig. 1. Ambient and cell temperature
Table 1. 태양광 모듈 데이터
|
태양광 모듈
|
탑선(TS-M390-NA2)
|
|
Temperature Coefficient of Pmpp
|
-0.5%
|
|
Cell Efficiency
|
15.2%
|
그림 1은 2017년 강원도 지역 기온 및 셀 온도 데이터를 나타내고 있으며, 셀 온도 데이터의 경우 NOCT를 45도로 설정하여 셀 온도 계산을 수행하였다.
기온은 기간 별 상당히 유사한 관계를 가지고 있는 반면에 셀 온도는 산발적인 데이터 분포를 확인할 수 있는데, 이는 태양광 발전 셀이 기온과 일사량에
따라 변동하는 특성을 반영한 결과로써 셀 온도가 낮은 날은 일사량이 낮은 날이다.
데이터의 신뢰성을 확보하기 위하여 2개의 발전소에 대한 성능지수의 시뮬레이션 결과를 비교할 예정이다. A발전소는 강원도 정선 산간지역 2MW 발전소
이며, B발전소는 A발전소 인근 산간지역 2.3MW 발전소이다. A, B 두 발전소 모두 표 1의 태양광 모듈을 적용하여 발전을 수행하고 있다. 그림 2는 2017년 365일 A발전소 일간 PR 데이터를 나타내고 있는데, 분포데이터의 구분을 확실하게 수행하기 위하여 0.6에 추세선을 추가하였다. 데이터의
분포가 상당히 많은 편차를 보이는 것을 확인할 수 있는데, WCPR 수식을 통해 보정을 수행할 경우 온도에 따른 출력 변동 현상을 개선한 것을 확인할
수 있다. 이를 수치적으로 확인해 보면 표 2와 같으며, WCPR이 좀 더 적은 표준편차를 가지는 것을 볼 수 있다. 그림 2의 PR 수치를 통해 확인해 본 결과 몇몇 데이터들이 0.3 이하의 수치를 보임으로 인해, 사고와 유사한 수치를 가지는 것을 볼 수 있다. 이는 태양광
발전소가 여름에는 낮은 효율 수치, 겨울에는 눈과 같은 발전을 저하시키는 요인에 의한 결과이다.
Fig. 2. PR and WCPR – A plant
11
Table 2. PR and WCPR index mean, standard deviation – A plant
|
구분
|
평균
|
표준편차
|
|
PR
|
0.5408
|
0.1812
|
|
WCPR
|
0.5364
|
0.1467
|
Fig. 3. PR and WCPR – B plant
Table 3. PR and WCPR index mean, standard deviation – B plant
|
구분
|
평균
|
표준편차
|
|
PR
|
0.6247
|
0.2277
|
|
WCPR
|
0.6178
|
0.1826
|
B발전소의 시뮬레이션 결과를 그림 3에 나타내었는데, B발전소는 A발전소 보다는 효율적인 측면에서는 개선된 수치를 보이는 것을 표 3을 통해 확인해 볼 수 있다.
Fig. 4. PR and WCPR (CI>0.5) - A plant
Table 4. PR and WCPR index mean, standard deviation (CI>0.5) – A plant
|
구분
|
평균
|
표준편차
|
|
PR
|
0.5293
|
0.1574
|
|
WCPR
|
0.5424
|
0.1158
|
그림 4는 청명지수가 0.5 이상일 경우의 A발전소 연간 PR, WCPR 데이터를 보여주고 있으며, 평균과 표준편차의 수치는 표 4를 통해 확인할 수 있다. 위도는 강원도 지역 위도인 37도로 선정하여 청명지수를 산출하였다.
Fig. 5. LR and WCLR – A plant
Fig. 6. LR and WCLR – B plant
PR과 WCPR의 입출력 데이터의 오차를 개선한 분석방법이 일사량 대비 출력 회귀분석 방법이다. 그림 5는 그림 2와 같은 데이터를 활용하여 분석한 결과이지만, 변동성이 좀 더 적은 결과를 확인할 수 있다. 이는 선형 회귀 분석은 PR과는 달리 출력을 일사량으로
나누어 결과를 도출하지 않는 방법으로써, 일사량이 적은 날과 많은 날의 데이터를 보존할 수 있는 장점을 가지고 있다.
회귀분석 방법의 상관계수를 도출해 볼 경우 표 5~7과 같다. 온도보정 선형 회귀 분석 방법(Weather Corrected Linear Regression, WCLR)이 LR(온도보정을 수행하지 않은)보다는
높은 상관계수를 나타내는 경향을 확인할 수 있다. 이는 온도에 따른 변동성을 개선한 결과가 반영되었기 때문이다.
Fig. 7. LR and WCLR (CI>0.5) - A plnat
Table 5. LR and WCLR correlation coefficient – A plant
|
구분
|
상관계수
|
|
LR
|
0.6357
|
|
WCLR
|
0.8060
|
Table 6. LR and WCLR correlation coefficient – B plant
|
구분
|
상관계수
|
|
LR
|
0.5903
|
|
WCLR
|
0.7944
|
Table 7. LR and WCLR correlation coefficient (CI>0.5) - A plant
|
구분
|
상관계수
|
|
LR
|
0.3713
|
|
WCLR
|
0.7000
|
여기서 LR(Linear Regression)은 선형 회귀분석 방법이며, WCLR(Weather Corrected Linear Regression)은
출력 보정 수식을 적용한 선형 회귀 분석 방법을 의미한다.
태양광 발전소 성능진단을 수행하기 위하여 A태양광 발전소 2년 동안의 일사량 대비 보정 출력
데이터를 그림 8에 나타내었다. 시뮬레이션 데이터는 강원도
정선군 2MW 산간설치 태양광 발전소의 2017～2018년 2년 데이터를 활용하여 분석을 수행하였으며, 2년 동안
태양광 발전소의 사고는 3번 발생하였다. 사고 상태를 판별하기 위하여 EEM을 통해 ESEI를 계산할
경우 그림 9～ 그림 12와 같은 결과를 도출할 수 있는데, 사고 상태인 3개의 데이터는 ESEI 지수가 높은 평가를 받은 것을 확인할 수 있다.
Fig. 8. WCLR (2 years data) – A plant
일간 상관계수와 ESEI 지수의 관계를 Graph Cut Weighting Classification 방법을 통해 사고 상태를
분류할 경우 그림 9～그림 12와
같은 결과를 도출할 수 있다. 상관계수와 ESEI 지수를 통해 사고 상태를 분석할 경우 정상인 발전 상태의 경우 낮은
ESEI 지수, 1에 가까운 상관계수의 수치를 가짐으로써 그림 9～12에서는 오른쪽 하단에 분포하게 되는 것을 확인할 수 있다.
하지만 사고상태의 경우 높은 ESEI 지수, 낮은 상관계수의 경향을 가짐으로써 정상상태와는 다른 수치를 가지게 되는 것을 확인할 수 있다. 이러한
특성을 Graph Cut Weighting Classification 방법을 통해 분석할 경우 두 데이터간의 거리의 차이로 인해 사고 상태와 정상상태를
분류해 내는 결과를 확인해 볼 수 있다.
Fig. 9. Graph Cut Classification Simulation Results(2 years data, CI>0, PVI<1)
Fig. 10. Graph Cut Classification Simulation Results(2 years data, CI>0, PVI<0.3)
Fig. 11. Graph Cut Classification Simulation Results(2 years data, CI>0.5, PVI<1)
Fig. 12. Graph Cut Classification Simulation Results(2 years data, CI>0.5, PVI<0.3)
그림 9는 2년 전체데이터의 분석 결과로써, 사고 상태를 잘 분류 한 것을 볼 수 있다. 하지만 변동성이 높은 날의
데이터로 인해 왼쪽 하단의 정상인 데이터가 사고와 같은 경향을 보이는 것을 볼 수 있다. 이러한 경향을 배제하기
위하여 변동성지수<0.3(일간 30\% 변동성 이하 데이터 채택)인 경우의 데이터만을 선택하여 분석을 수행할 경우에도
좋은 식별률을 보이는 것을 그림 10을 통해 확인할 수 있다. 그림 9와 그림 10을 비교해 볼 경우 변동성이 큰 데이터가
없어짐으로써 왼쪽 하단의 작은 상관관계의 값을 가지는 데이터는 제거되는 것을 볼 수 있다.
그림 11은 청명지수에 의해 맑은 날의 데이터만 남는 것을 볼 수 있으며,
그림 12를 통해서는 변동성이 적고 맑은 날의 데이터만 남게 되는
것을 볼 수 있다. 사고데이터는 사고가 발생한 시점부터 변동성이 없는 데이터로써 정상발전의 데이터 중 변동성이
적은 데이터와 같은 경향을 가진다. 이로 인해 변동성이 큰 데이터와 맑지 않은 날의 데이터를 제거함으로써 양질의
데이터를 확보하였으며 알고리즘 분석 결과 좋은 분석 결과를 그림 9～그림 12를 통해 확인할 수 있었다.
4. 결 론
본 논문은 태양광 발전소 성능을 평가할 수 있는 지수인 PR의 사고인식률을 개선할 수 있는 일사량대비 출력의 선형 회귀 분석 방법 및 온도보정 수식을
제안하였다. 일사량 대비 출력의 선형 회귀 분석 방법을 통해 낮은 일사량에 의한 PR 지수의 사고 상태와 같은 경향의 데이터는 많은 부분 개선된 것을
볼 수 있었다. 온도보정 출력을 통해 데이터 분포를 보정함으로써 좀 더 낮은 편차를 보이는 데이터를 확보할 수 있었다. 데이터 분포를 상관계수 및
표준편차를 통해 확인해본 결과 온도보정을 수행한 경우 보정효과를 수치적으로 확인해 볼 수 있었다. ESEI를 통해 사고 상태에 따른 발전량 저감 지수를
수치화함으로써 PR과는 다른 경향을 지수의 계산을 통해 사고 상태와 정상상태의 분류를 좀 더 확실 하게 수행할 수 있는 지수를 제안할 수 있었으며,
Graph Cut Weighting Classification 방법을 통해 사고 상태식별을 수행할 수 있었다. 또한 청명지수(CI), 변동성지수(PVI)를
바탕으로 변동성이 적고, 맑은 날의 데이터를 추출함으로써 양질의 진단 데이터를 확보할 수 있었다.
5. 향후 연구 방향
현재 태양광 발전소는 보호대책 미수립, 모니터링 시스템 미설치로 인해 사고 시 장시간의 가동 중단 상태를 초래하게 된다. 본 논문 또한 사고로 인해
장시간의 발전 출력 감소에 대한 데이터 수집 결과를 바탕으로 시뮬레이션을 수행하였다. 본 저자는 향후 태양광 발전소의 단시간의 출력 감소, 다수의
기기 중 하나의 기기가 고장이 발생한 Derated State에 대한 Modeling을 수행하여 대형 태양광 발전소의 출력 감소 현상에 대한 사고상태
판별을 수행하려고 한다.
Acknowledgements
본 논문은 2017년도 교육부의 재원으로 한국연구재단의 기초연구사업의 일환으로 수행되었습니다(No. 2017R1A2B1007520).
References
2017, Photovoltaic system performance – Part 1 : Monitoring, IEC 61724-1:2017
2016, Risk mitigation of performance ratio guarantees in commercial photovoltaic systems,
International Conference on Renewable Energies and Power Qualty (ICREPQ’ 16), pp.
120-125
2016, Effect of soiling and sunlight exposure on the performance ratio of photovoltaic
technologies in santiago, Chile, Energy Conversion and Management, Vol. 114, pp. 338-347
2013, Weather-Corrected Performance Ratio, NREL
2015, Online Fault Detection in PV Systems, IEEE Transacrions On Sustainable Energy,
Vol. 6, No. 4, pp. 1200-1207
2013, Performance Analysis of a grid connected photovoltaic system in northeastern
Brazil, Energy for Systainable Development, Vol. 37, pp. 79-85
2004, Renewable and Efficient Electric Power Systems, Wiley Interscience
2012, Photovoltaics System Design and Practice, Wiley
Biography
He received B.S degree in electrical engineering from Hanyang university.
His research interests are asset management, photovoltaic plant safety management,
photovoltaic degradation, O&M(Operation and Maintenance)
He received the B.S. and M.S. degrees in electrical engineering from Seoul National
University, Seoul, Korea, in 1980 and 1983, respectively, and the Ph.D. degree from
Texas A&M University, College Station, in 1991.
Currently, he is a Professor with the Department of Electrical Engineering, Hanyang
University, Korea
His research interests are power system reliability, planning, and power system economics.