메뉴 건너뛰기

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

(동아대학교, 동아대학교 대학원)

지도교수
박혜리
발행연도
저작권
동아대학교 논문은 저작권에 의해 보호받습니다.

이용수2

표지
AI에게 요청하기
추천
검색

초록· 키워드

상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지
정보가 잘못된 경우 알려주세요!
디지털 O&M 적용을 위한 태양광 발전 설비 고장 진단에 관한 연구
전기공학과 황 재 은
지 도 교 수 박 혜 리
본 연구에서는 태양광 발전 설비가 구축된 테스트베드에서의 실측 데이터(전압, 전류, 일사량, 패널온도 등)을 기반으로 태양광 발전 설비의 고장을 정의하고 이를 토대로 설비의 정상 및 고장 상황을 분류하여 라벨링하였다. 또한 Python 언어를 기반으로 한 6종의 머신러닝 모델을 고장 진단에 활용할 수 있도록 학습 및 검증하고 모델의 성능을 평가하였다.
본 연구에 사용된 데이터는 일사량, 외기 온도, 풍속 등의 기상 데이터와 전압, 전류 등의 전기적 데이터이며, 3kW급 태양광 발전 설비가 구축된 테스트베드에서 수집되었다. 실측 데이터는 결측값 처리, 이상값 제거 등의 전처리 과
정을 통해 신뢰성을 확보하였다. 실측 데이터 분석을 토대로 설비의 정상 및 고장 상태를 총 8가지로 분류하여 정의하였고, 그에 따라 데이터 라벨링을 수행하였다.
태양광 발전 설비의 고장 진단을 위해 랜덤포레스트(Random Forest), SVM(Support Vector Machine), 로지스틱 회귀(Logistic Regression), K-최근접 이웃(K-Nearest Neighbors), 의사결정트리(Decision Tree), 나이브 베이즈(Naive Bayes) 등 6종의 머신러닝 모델을 제안하였다. 라벨링 된 데이터를 이용한 지도학습 및 검증을 수행하였고, 혼동 행렬, 정확도, 정밀도, 재현도, F1 스코어 등의 지표를 통해 각 모델의 고장 진단 성능을 평가하였다. 모델의 성능 평가 결과는 F1스코어를 기준으로 랜덤포레스트, 의사결정트리, 로지스틱 회귀, SVM, K-NN, 나이브 베이즈 순으로 우수함을 확인하였다.
본 연구는 태양광 발전 설비의 고장을 조기에 진단하여 예방적 유지보수 전략을 수립하는 데 기여할 수 있으며, 디지털 O&M 시스템의 효용성을 향상시키는 중요한 기초 자료로 활용될 수 있을 것이다
#태양광 #태양광 발전 설비 #디지털 O&M #유지보수 #고장 진단 #머신러닝 #랜덤포레스트 #서포트 벡터 머신 #선형 회귀 분석 #K-최근접 이웃 #의사결정트리 #나이브 베이즈 #PV system #Fault Diagnosis #Machine Learning #Random Forest #Support Vector Machine #SVM #Logistic Regression #K-Nearest Neighbors #K-NN #Decision Tree #Naive Bayes #Operation and Maintenance #Digital O&M

목차

  1. I. 서론 1
    1.1. 연구 배경 1
    1.2. 연구 목적 3
    1.3. 연구 범위 및 구성 4
    II. 이론적 배경 6
    2.1. 태양광 기본이론 6
    2.1.1. 태양광 스펙트럼 6
    2.1.2. 광전 효과 10
    2.1.3. 태양광 셀의 전기적 특성 11
    2.1.4. 태양광 셀 고장 유형 15
    2.2. 머신러닝 17
    2.2.1. 의사결정트리(Decision Tree) 18
    2.2.2. 랜덤포레스트(Random Forest) 21
    2.2.3. SVM(Support Vector Machine) 23
    2.2.4. 로지스틱 회귀(Logistic Regression) 26
    2.2.5. K-NN(K-Nearest Neighbors) 27
    2.2.6. 나이브 베이즈(Naive Bayes) 28
    2.3. 성능평가지표 30
    2.3.1. 혼동 행렬 (Confusion Matrix) 30
    2.3.2. 정확도(Accuracy) 32
    2.3.3. 정밀도(Precision) 33
    2.3.4. 재현도(Recall) 33
    2.3.5. F1 스코어(F1 Score) 34
    III. 연구 방법 35
    3.1. 테스트베드 환경 35
    3.2. 취득데이터 36
    3.2.1. 실제 환경에서의 데이터 취득 36
    3.2.2. 실제 환경 기반 출력 모델링 결과 데이터 취득 36
    3.3. 태양광 발전 설비 상태 정의 37
    3.3.1. 정상 상태 37
    3.3.2. 고장 상태 37
    3.4. 태양광 발전 설비 고장 분류 및 라벨링 38
    3.5. 태양광 발전 설비 고장진단 모델 39
    3.5.1. 데이터 전처리 40
    3.5.2. 데이터 분할 40
    3.5.3. 데이터 학습 41
    3.5.4. 데이터 검증 41
    IV. 실험 결과 42
    4.1. 테스트베드 취득데이터 42
    4.1.1. 패널 데이터 42
    4.1.2. 기상 데이터 44
    4.2. 실제 환경 기반 출력 모델 데이터 45
    4.3. 고장 데이터 라벨링 결과 48
    4.4. 머신러닝 모델 평가 50
    4.4.1. 모델별 혼동 행렬 50
    4.4.2. 모델별 성능지표 62
    4.4.3. 고장 진단 성능 분석 71
    V. 연구 결과 요약 72
    5.1. 연구의 의의 72
    5.2. 한계 및 향후 연구 방향 73
    참고문헌 74
    Abstract 80

최근 본 자료

전체보기
260429_DBpiaAI
260319_딥리서치
260319_AI리더
260304_새학기에이전트
260429 전공별 추천 이벤트
260504 이주의질문
260304_아그논문롤
260127_아그논문
260127_AI뷰어