A lightweight multi-scale deep learning approach for robust photovoltaic fault detection under noisy conditions

태양광 패널은 움직이는 부품이나 연기 없이 햇빛을 전기로 바꾸는 현대 에너지 전환의 조용한 일꾼입니다. 하지만 어떤 복잡한 기계와 마찬가지로, 이들 역시 고장이 나기 쉽습니다. 단 하나의 끊어진 전선, 근처 나무에 의한 그림자 한 조각, 또는 결함이 있는 부품 하나가 전체 시스템의 성능을 떨어뜨려 에너지와 비용을 낭비하게 만들 수 있습니다. 엔지니어들의 오랜 과제는 정확히 무엇이 잘못되었는지, 그리고 얼마나 빨리 파악하느냐였는데, 특히 패널에서 들어오는 데이터가 지저받을 때 더욱 그러했습니다. 센서는 종 때로 무작위 정전기, 보정 오류, 또는 실제 결함처럼 보이지만 단순한 노이즈인 갑작스러운 전기적 스파이크를 포착하곤 합니다. 실제 문제와 측정상의 글리치(glitch)를 구별하는 것은 어려운 숙제였으며, 이는 종종 값비싼 장비나 느린 수동 점검을 필요로 하여 시스템이 너무 오랫동안 비효율적으로 가동되게 만들었습니다.

한국 국민대학교의 연구진은 이 문제를 해결할 수 있는 새로운 방법을 개발하여, 불완전한 데이터에서도 놀라운 속도와 정확도로 문제를 찾아낼 수 있는 디지털 시스템을 구축했습니다. 그들은 마치 고도로 훈련된 진단 전문가처럼 작동하도록 설계된 특수 컴퓨터 프로그램을 만들었습니다. 이 프로그램은 데이터를 살펴보는 단일 방식에 의존하는 대신, 인간 전문가가 여러 각도에서 동시에 문제를 검토하는 방식을 모방한 하이브리드 접근 방식을 사용합니다. 이 프로그램은 전기 신호의 작고 국부적인 패턴을 찾는 동시에, 이러한 신호들이 시간이 흐름에 따라 서로 어떻게 연관되는지에 대한 더 넓은 맥락을 이해합니다. 이러한 이중적 관점 덕분에 배경 정전기를 무시하고 실제 문제의 징후에 집중할 수 있습니다.

연구진이 BLGSNet이라고 명명한 이 시스템은 태양광 어레이의 여섯 가지 상태(정상 작동, 패널 스트링 단선, 접지 결함, 스트링 간 단락, 부품 결함, 부분 음영)를 나타내는 데이터셋을 통해 테스트되었습니다. 노이즈가 없는 완벽한 환경에서 이 시스템은 패널의 상태를 99.36%의 확률로 정확하게 식별했습니다. 이는 매우 높은 기준이지만, 진짜 시험대는 연구진이 현실적인 간섭을 도입했을 때였습니다. 그들은 센서 오류와 전기적 노이즈를 시뮬레이션하여 데이터에 무작위 정전기와 갑작스러운 스파이크를 추가했습니다. 데이터가 10% 수준의 노이즈로 오염되었을 때도 시스템은 98.08%의 정확도를 유지했습니다. 노이즈를 까다로운 수준인 15%까지 높였을 때도 여전히 94.87%의 확률로 결함을 정확하게 진단해 냈습니다. 이러한 안정성은 매우 중요한데, 이는 시스템이 데이터를 먼저 깨끗하게 만들기 위해 복잡하고 느린 필터를 결합할 필요 없이, 지저분한 데이터를 직접 처리할 수 있음을 의미하기 때문입니다.

이 접근 방식이 특히 효과적인 이유는 그 설계에 있습니다. 연구진은 두 가지 다른 유형의 디지털 처리를 결합했습니다. 시스템의 한 부분은 세 가지 서로 다른 '렌즈'를 사용하여 데이터를 동시에 스캔하며, 매우 짧고, 중간이며, 약간 긴 패턴을 찾습니다. 이를 통해 다양한 관점에서 검토할 때 다르게 보일 수 있는 결함들을 포착할 수 있습니다. 다른 부분의 시스템은 이러한 결과물을 가져와서 앞뒤 방향 모두로 살펴보고, 전기적 특징들이 순서상 어떻게 연결되는지 이해합니다. 이 결합을 통해 시스템은 주변 노이즈에 혼동되지 않고 결함의 고유한 '지문'을 학습할 수 있습니다. 데이터가 지저분해지면 어려움을 겪거나 막대한 컴퓨팅 능력을 요구하는 기존 방식과 달리, 이 새로운 설계는 가볍습니다. 이 시스템은 연구팀의 실험실 테스트에서 사용된 신용카드 크기의 저전력 소형 컴퓨터인 NVIDIA Jetson Nano에서 실행될 수 있을 만큼 작습니다.

연구진은 컴퓨터 시뮬레이션을 넘어 실제로 작동함을 증명하기 위해 실험실에 소규모 태양광 설비를 구축했습니다. 그들은 두 개의 태양광 패널을 배터리와 인버터에 연결한 다음, 전선 단선 및 인공 음영을 포함한 다양한 결함 조건에 시스템을 실행했습니다. 시스템은 실시간으로 라이브 데이터를 처리하여 19밀리초 미만으로 진단을 내렸습니다. 이 속도는 즉각적인 조치를 취하기에 충분히 빠릅니다. 시스템은 문제가 감지되었을 때 단순히 "무언가 잘못되었다"라고 말하는 데 그치지 않습니다. 그 결과값을 명확하고 실행 가능한 계획으로 변환합니다. 만약 스트링 결함을 식별하면 배선과 퓨즈를 점검하라고 권고합니다. 부분 음영이 발견되면 패널 표면의 이물질이나 장애물을 확인하라고 제안합니다. 이러한 의사결정 지원 계층은 원시 데이터를 유지보수 작업자를 위한 실질적인 지침으로 바꿔줍니다.

또한 연구진은 기존의 머신러닝 모델과 다른 딥러닝 네트워크를 포함한 여러 기존 방식과 이 새로운 시스템을 비교했습니다. 결과에 따르면 기존 모델들은 깨끗한 조건에서는 잘 작동할 수 있었지만, 노이즈가 도입되자 정확도가 크게 떨어졌습니다. 반면, 새로운 시스템은 견고함을 유지했습니다. 이 시스템은 경쟁 모델들보다 훨씬 적은 컴퓨팅 자원을 사용하면서도 높은 성능을 달성했으며, 다른 고급 모델들의 절반도 안 되는 메모리와 아주 적은 양의 프로세싱 능력만을 필요로 했습니다. 이러한 효율성은 강력한 컴퓨터를 사용할 수 없는 소규모 또는 원격 태양광 설치 시설에도 이 기술이 널리 보급될 수 있음을 시사합니다.

연구진은 결과가 유망하지만, 현재 연구의 한계를 명시하는 데 주의를 기울였습니다. 테스트는 상대적으로 작은 데이터셋과 통제된 실험실 환경의 제한된 2개 패널 설정에서 수행되었습니다. 추가 검증을 위해 사용된 '실제 세계'의 데이터는 실제 현장 실패 기록이 아닌 규칙 기반 레이블을 사용하여 생성되었습니다. 이는 시스템이 다양한 기상 조건 속에서 대규모 태양광 발전소에서 수년간 운영되며 검증되지 않았음을 의미합니다. 그러나 다양한 노이즈 수준에 걸친 결과의 일관성과 물리적 하드웨어에서의 성공적인 실시간 시연은 강력한 토대를 제공합니다. 이 연구는 정확할 뿐만 아니라 물리적 세계의 불완전하고 노이즈가 많은 현실에 탄력적으로 대응할 수 있는 결함 탐지 시스템을 구축하는 것이 가능하다는 것을 보여주며, 더 신뢰할 수 있고 자립적인 태양광 에너지 네트워크를 향한 길을 제시합니다.