이상치탐지 기법을 이용한 태양광발전소의 건전성 평가에 관한 연구

Abstract

기존 화력발전을 친환경 에너지원으로 대체하기 위하여 신재생에너지의 전력계통 도입률은 계속 증가하고 있는데, 현재 가장 높은 도입률을 보이는 신재생에너지 발전자원은 태양광발전소이다. 태양광발전소는 일사량을 입력에너지로 발전을 수행함으로써 기존의 발전원보다 친환경적이지만, 구름에 의해 변동성이 심한 경우 발전소의 출력이 감소되며, 심야에는 발전을 수행하지 못한다는 단점을 가지는 발전원이다. 이렇듯 친환경 에너지원으로써 상당히 높은 전력계통 도입률을 보이고 있는 태양광발전소는 관리소홀, 사고상태 미인지, 사고 후 미조치로 인해 다수의 태양광발전소가 저출력 상태로 운영 중인 문제점을 가지고 있다. 이러한 문제점을 해결하기 위하여 IEC 61724-1 규격에서는 PR(Performance Ratio) 지수를 통해 태양광발전소의 성능평가(Performance Evaluation)를 수행하는 것을 권고하고 있다. PR 지수는 자산관리 지수(Assetmanagement Index)로써 사고상태 식별, 열화율 계산, 수명예측, 성능평가를 통해 O&M 유무에 따른 발전소의 상태를 평가할 수 있는 Health Index이다. 하지만, 이러한 PR 지수는 기온에 따른 태양광 셀의 출력 변화로 인해 일정한 값을 가지지 못하며, 낮은 일사량 시의 작은 변동성으로 인해 큰 오차를 가진다는 문제점이 존재한다. 이러한 문제점을 해결하기 위하여 미국 국립재생에너지연구소(National Renewable Energy Laboratory, NREL)에서는 온도보정 태양광발전소효율(Weather Corrected Performance Ratio, WCPR) 지수를 제시함으로써 기존의 PR 지수의 온도에 따른 변동성의 문제점을 개선하였다. 또한, PR 지수는 일사량이 낮을경우 작은 출력변동에 의해 큰 오차를 가진다는 문제점이 존재하였는데, 이러한 문제점을 본 논문에서는 청명지수 (Clearness Index, CI)의 적용을 통해 개선하였다. 일정 청명수준 이상의 높은 일사량 시의 데이터를 선별함으로써 PR 지수의 변동성을 줄일 수 있었다. 하지만, 일정 청명수준을 추출하는 방법은 관측되는 모든 데이터를 활용하지 못하는 문제점이 존재하는데, 이러한 문제점을 선형회귀분석(Linear Regression, LR)방법 및 온도보정 선형회귀분석(Weather Corrected Linear Regression, WCLR)방법을 통해 해결하였다. 선형회귀분석(Linear Regression, LR)방법 및 온도보정 선형회귀분석(Weather Corrected Linear Regression, WCLR)방법을 On-line 진단에 활용할 경우 관측된 모든 일사량에 따른 발전량을 표현함으로써 낮은 일사량 시 적은 변동성에 의해 큰 오차를 가지는 데이터들을 좀 더 정확하게 표현할 수 있었다. On-line 진단을 통해 태양광발전소의 이상상태를 식별하기 위하여 이상치탐지기법이 적용되는데, 기존의 사고상태 식별방법은 임계치를 초과하거나 미달되는 데이터를 이상상태로 평가하였다. 하지만, 이러한 방법은 미세한 출력감소 및 변동성이 강한 날의 정상상태의 출력감소와 겹쳐질 경우 식별하지 못한다는 문제점을 가지고 있다. 이러한 문제점을 해결하기 위하여 Data Mining 기법 중 이상치탐지기법인 OCSVM(One Class Support Vector Machine) 방법을 적용함으로써 기존의 고정된 임계치로 이상상태를 식별하던 방법을 개선하고 경미한 사고에 의한 출력감소 현상을 식별함으로써 기존의 이상치탐지기법을 개선할 방법을 제안하였다. 변동성이 강한 날의 정상상태 데이터와 사고상태의 출력감소 데이터를 정확하게 식별하기 위하여 Mismatch Ratio의 차이를 분석하여 구름의 변화에 따른 변동성을 정량적으로 평가함으로써 기존의 방법으로는 출력감소 원인을 분석하기 어려웠던 문제점을 제안된 변동성 지수(Proposed Variable Index, PVI)를 통해 판별할 수 있었다. 또한, Kernel 기법을 기반으로 한 변동성지수를 활용하여 변동성이 적은 사고상태 데이터와 변동성이 존재하는 발전데이터를 좀 더 정확하게 분류함으로써 사고상태 식별률을 높일 수 있었다. 변동성에 의한 사고상태의 특징을 추출한 것 이외에도 정상상태와 사고상태의 데이터를 좀 더 정확히 식별하기 위하여 데이터를 군집화 할 수 있고, Classification Margin을 크게 하는 EEM(Estimated Error Matrix) 기법을 적용함으로써 사고에 의해 출력이 감소 된 이상데이터의 식별률을 개선하였다.