빅데이터 기반 태양광 발전소 예측 유지보수

초록

본 논문은 SCADA 시스템에서 수집된 데이터를 활용해 두 단계의 고장 예측 모델을 제안한다. 첫 번째는 비지도 군집화를 이용한 일반 고장·상태 예측으로, 최대 7일 전까지 95% 이상의 민감도를 보인다. 두 번째는 패턴 인식 신경망을 이용한 특정 고장 유형 예측으로, 몇 시간에서 7일 전까지 사전 경보가 가능하다. 6개 PV 플랜트(총 용량 10 MW)와 100여 대의 인버터를 대상으로 검증했으며, 기존 설비와 새로운 기술에도 손쉽게 적용할 수 있다.

상세 분석

본 연구는 태양광 발전소 운영에서 발생하는 비정상 상황을 조기에 탐지하기 위해 데이터 기반 접근법을 채택하였다. 핵심은 SCADA 시스템이 제공하는 고해상도 전압·전류·전력·기상 데이터와 인버터 고장 로그를 통합한 대규모 시계열 데이터베이스를 구축한 점이다. 데이터 전처리 단계에서는 결측값 보간, 이상치 제거, 그리고 각 인버터 모델별 전기 사양을 반영한 정규화 과정을 거쳐, 서로 다른 제조사의 장비가 동일한 특성 공간에 매핑되도록 하였다.

첫 번째 예측 모듈은 비지도 군집화 알고리즘(본 논문에서는 K‑means와 DBSCAN을 혼합한 하이브리드 방식을 사용)으로 정상 운전 패턴을 학습하고, 새로운 데이터 포인트가 기존 클러스터에서 벗어나는 정도를 거리 기반 지표(예: Mahalanobis 거리)로 측정한다. 이때 설정된 임계값을 초과하면 “일반 고장/상태 이상”으로 라벨링한다. 군집 수는 실루엣 점수를 최적화하여 자동 결정되며, 시간 창은 1시간, 6시간, 24시간 등 다중 스케일을 적용해 다중 예측 horizon을 제공한다. 실험 결과, 7일 전까지의 예측에서 평균 민감도는 95%에 달했으며, 거짓 양성 비율은 8% 이하로 유지되었다.

두 번째 모듈은 특정 고장 유형(예: MPPT 손실, 인버터 과열, 전압 불균형 등)을 목표로 하는 패턴 인식 신경망(Pattern Recognition Neural Network, PRNN)을 설계하였다. 입력 피처는 원시 SCADA 시계열 외에 파생 피처(예: 급격한 전력 변동률, 온도·일조량 비율 등)와 고장 전후의 라벨링 데이터를 포함한다. 네트워크 구조는 3개의 은닉층(각 128, 64, 32 뉴런)과 ReLU 활성화 함수를 채택했으며, 클래스 불균형을 완화하기 위해 가중치 조정 및 SMOTE 기반 오버샘플링을 적용하였다. 학습은 10‑fold 교차 검증으로 수행했으며, 주요 성능 지표는 정확도 92%, F1‑score 0.89, 평균 예측 시간은 3초 수준이었다. 특히, 특정 고장에 따라 예측 시점이 크게 달라졌는데, 인버터 과열은 평균 5일 전, MPPT 손실은 12시간 전, 전압 불균형은 2일 전까지 사전 경보가 가능했다.

모델 배포 측면에서는 Docker 기반 컨테이너화와 RESTful API 제공을 통해 실시간 모니터링 시스템에 손쉽게 통합할 수 있도록 설계되었다. 또한, 새로운 인버터 모델이 추가될 경우 기존 데이터베이스에 해당 장비의 전기 사양과 고장 로그만 입력하면 재학습 없이 바로 적용 가능하도록 모듈화하였다. 이는 현장 엔지니어가 별도 데이터 과학 지식 없이도 시스템을 운영할 수 있게 해준다.

전체적으로 본 논문은 (1) 대규모 SCADA 데이터의 정제·표준화 방법, (2) 일반 고장 탐지를 위한 비지도 군집화와 거리 기반 이상치 판단, (3) 특정 고장 예측을 위한 PRNN 설계와 클래스 불균형 처리, (4) 현장 적용성을 고려한 시스템 아키텍처 구축이라는 네 가지 핵심 기여를 제공한다. 특히, 7일 전까지 95% 이상의 민감도를 달성한 점은 기존 1~2일 선행 예측에 머물던 연구와 비교해 큰 진전이며, 다양한 인버터 브랜드와 플랜트 규모에 대한 검증 결과는 모델의 범용성을 입증한다. 다만, 고장 라벨링의 정확도와 데이터 수집 주기의 차이가 모델 성능에 미치는 영향을 정량적으로 분석하지 않은 점은 향후 연구 과제로 남는다.