Scanifly, LLC(Highstown, NJ, US)는 2016년 1월에 ‘UAV를 활용한 태양광 발전 설치를 위한 후보 사이트 평가(DEVICE, METHOD, APPARATUS, AND COMPUTER-READABLE MEDIUM FOR SOLAR SITE ASSESSMENT(20160004795, 7 Jan 2017)’라는 특허를 등록했다. 

DEVICE, METHOD, APPARATUS, AND COMPUTER-READABLE MEDIUM FOR SOLAR SITE ASSESSMENT(20160004795, 7 Jan 2017 ← 26 May 2015, with 23 Claims and 32 Drawing Sheets)
http://appft1.uspto.gov/netacgi/nph-Parser?Sect1=PTO2&Sect2=HITOFF&p=1&u=%2Fnetahtml%2FPTO%2Fsearch-bool.html&r=1&f=G&l=50&co1=AND&d=PG01&s1=20160004795

태양광(솔라) 발전 사이트 평가(Solar site assessment)는 위치의 적합성(suitability) 혹은 태양 에너지를 생산하는 태양광 파넬을 설치하기 위한 위치 내의 다양한 지점들(points)의 적합성과 관련된 데이터를 모으는 과정이다. 현재 다양한 물리 그늘 분석(various physical shade analysis tools)이라는 툴을 이용해 평가가 이루어지고 있다. 하나는 SunEye^®의 들고 다닐 수 있는 전자기기 툴로, 특정한 사이트의 그늘 패턴(shading patterns)을 측정하여 일-월-년의 가능한 태양 에너지를 평가하여 설치할 후보지를 선정하는 것이다. 또 다른 툴은 Solar Pathfinder™의 광내고(polished) 투명한(transparent) 볼록면의 플라스틱 돔으로(convex plastic dome) 태양광 발전 사이트의 파노라마 뷰(panoramic view)를 제공한다. 이 볼록면의 돔은 태양이 동에서 서로 지나가는 태양의 경과 그림(sun path diagram)을 보여주는데, 그러면 사용자가 돔에 나타난 반영을 사진으로 찍어 태양 경과에 따라 상대적인 그늘 지역을 분석하는 것이다. 

이러한 물리 그늘 분석 툴들은 너무나 정확하지 않다는 문제들이 있는데, 예를 들어 SunEye^®의 툴은 물고기 눈 렌즈(fish eye lens)를 사용하므로 수집한 이미지들을 왜곡시키고, 그늘을 태양이 비추는 지역으로 잘못 라벨(mislabel)을 붙여 분류한다는 것이다. 게다가 현재의 방법들은 매우 시간 낭비라는(time consuming) 점인데, 평가자(assessor)가 직접 지붕꼭대기(rooftops)에 올라가 측정을 해야 해서, 인명 피해 등의 위험이 존재하며, 측정 방법이 까다롭다는 것이다. 

본 특허는 이러한 문제를 극복하고, 효율적이고 정확한 태양광(솔라) 사이트의 평가를 위해, 바로 UAV를 활용하는 방안과 방법을 기술하고 있다. 

〈Fig.1〉은 UAV 100이 솔라 사이트 평가를 수행하는 그림이다. UAV 100이 기동하고 비행하면서 지붕인 200에 있는 지붕꼭대기에 설치될 태양광 파넬 등을 위해 여러 후보 사이트들을 평가하는 것이다.  

Fig. 1 〈Image: USPTO〉 

〈Fig.3〉은 UAV 100의 측면도로, 104는 하나 이상의 3차원 센서들이 101의 프레임에, 공기나 공간 위에 떠 있는 구조물의 동요에 관계없이 자이로스코프와 같은 물체의 기본 틀이 기울어져도 자이로스코프를 정립 상태로 유지해주는 지지장치인 짐벌 어셈블리(gimbal assembly)를 통해 부착되어 있다. 그리고 하나 이상의 3차원 센서들은 하나 이상의 진동완충기인 방진구(vibration dampener) 위에 탑재되어 있다. 106은 렌즈로 107의 방진구 위에 탑재되어 있는데, 이는 102의 프로펠러보다 위로 뻗어있다. 

렌즈는 태양의 움직임(경과) 정보(solar trajectory information)를 수집한다. 태양의 움직임(경과) 정보란 하루 낮 동안에 빛이 가장 많이 쪼이는 지역들의 정보이다. 3차원 센서들은 UAV 아래의 사이트를 3차원으로 스캔하고, 렌즈는 카메라나 비디오로 이미지를 수집한다. 이미지들은 UAV에 탑재된 컴퓨팅 디바이스를 사용해, 센서들이 수집한 평면 표면들(planar surfaces)을 표면 모델(surface model)로 전환하고, 105의 송수신기를 통해 이러한 데이터들을 보내고 외부로부터의 명령을 받는다.

Fig. 3 〈Image: USPTO〉 

Fig. 4 〈Image: USPTO〉 

〈Fig.4〉는 100의 UAV가 지붕 200에서 18개의 서로 다른 후보 사이트들을, 원격 조종자의 명령과 지리 좌표(geo-coordinate)와 정해진 비행경로에 따라 비행하면서 평가를 수행하고 있는 그림이다. 또는 원격 조종자의 명령 없이 사전에 입력된 프로그램에 따라 자동모드로 수행할 수 있다.  

〈Fig.5〉는 100의 UAV가 300의 경로를 따라 평가를 수행하는데, 내비를 돕고 충돌을 방지하기 위해 3차원 센서들을 활용하는 그림이다. 

Fig. 5 〈Image: USPTO〉 

〈Fig.6〉은 태양광 발전 설치를 위한 후보 사이트 평가의 방법을 스텝(step)의 그림으로 나타낸 것이다. 스텝 601에서는 하나 이상의 후보 사이트와 상응하는 3차원 데이터를 받는다. 만약 두 개의 사이트가 있다면, 두 개의 일련의 3차원 데이터들을 받는데, 각각의 일련의 3차원 데이터는 각각 사이트와 대응되는 것이다. 

스텝 602에서는 하나 이상의 후보 사이트들과 상응하는 태양의 움직임(경과) 정보를 받는다. 이는 하루 낮 동안에 빛이 가장 많이 쪼이는 지역들의 정보이다. 스텝 603에서는 3차원 데이터와 태양의 움직임(경과) 정보를 바탕으로 빛이 가장 많이 쪼이는 사이트들을 예측하고 결정하는 것이다. 

스텝 604에서는 이를 바탕으로 하나의 승리 사이트(a winning site)를 선정하는데, 18개의 사이트들 중 낮 동안에 빛이 가장 많이 비추는 지역을 선정하는 것이다. 이곳에 태양광 발전을 설치해야 태양에너지를 가장 많이 수확할 수 있다. 또한 비용, 접근성, 방해물, 위험 등을 고려하여 선정할 수도 있다. 

Fig. 6 〈Image: USPTO〉 

〈Fig.9A〉와 〈Fig.9B〉는 또 다른 UAV 900이 솔라 사이트 평가를 하는데, 902A와 902B는 카메라이고, 903A와 903B는 카메라가 잡은 이미지들이다. 이미지들은 시간 경과 이미지들(time-lapse images)이다. 카메라 대신 3차원 센서가 될 수도 있고 깊이 센서(depth sensor)가 될 수도 있다. 

Fig. 9A~9B 〈Image: USPTO〉 

3차원 센서인 라이다(LiDAR)가 공간을 스캔하면 일련의 포인트들(points)의 수집(collection)이 생성되는데 이를 3차원 포인트 구름(3D point cloud) 혹은 사물의 점유 그리드(occupancy grid)라 한다. 

〈Fig. 15〉는 바로 라이다 센서가 수집한 포인트 구름으로부터 생성한 3차원 모델들이다. 1501은 솔라 사이트의 초기의 산재한 포인트 구름(sparse point cloud)이고, 1502는 밀집된 포인트 구름(dense point cloud)이며, 1503은 1502로부터 생성된 저 다각형(low polygon) 3차원 모델이다.  

이를 위해 고 다각형 메시 모델(high polygon mesh mode)이 1502를 바탕으로 생성되고, 그 다음 저 다각형 모델로 전환시키는 것이다. 저 다각형 모델이란 다각형의 숫자를 줄여 하나 이상의 객체들을 렌더링하여 수정하는 것이다. 다시 말하면 후보 사이트의 주변 환경 객체들인 나무나 숲은 지붕보다 고도가 낮아, 그늘 분석에는 영향을 주는 요소가 아니기 때문에 이들을 버리고 태양광을 설치할 후보 지붕만을 모델링하여 보여주는 것이다. 

Fig. 15 〈Image: USPTO〉 

그런데 실제 상황에서는 이들 객체들을 줄이면 정확도가 떨어지기 때문에 그대로 포함하는 경우가 많다. 그 한 방법으로 태양의 움직임(경과)은 동에서 서로 반구형으로(Hemispherical) 이동하기 때문에 이들 나무들(bushes, shrubs)과 가지들(branches)과 잎들(foliage)이 영향을 줄 수도 있다. 바로 Fig.17A~17C의 첫째 1701은 카메라가 잡은 나무이고, 1702는 이에 상응하는 라이다가 잡은 메시 모델(Mesh model)이며, 1703은 반구형의 뷰쉐드(Hemispherical viewshed, 1703)에 반영된 아웃라인(1704)으로, 그 결과 1705의 어두운 지역(dark area)에 의해 그늘로 반영되어(shading reflected) 나타난다. 반구형의 뷰쉐드란 한 지점에서 볼 수 있는 지역으로, 이때 산과 나무와 같이 태양을 막는 장애물이 고려되는 것이다. 다시 말해 태양의 경과를 반영하는 것이다.

Fig. 17A~17C 〈Image: USPTO〉 

이러한 태양의 경과들은 솔라 사이트의 다양한 포인트들에 빛을 쪼이는 태양의 위치들과 상응하는데, 하루 종일, 혹은 일년의 몇 일 혹은 몇 달을 추적할 수 있다. 따라서 태양의 경과는 전체 캘린더 일년(entire calendar year) 동안의 움직임이 포함될 수 있는데, 바로 〈Fig. 18A〉의 1801의 3차원 구조가 일년 동안의 태양 경과이고, 〈Fig. 18B〉는 1801의 3차원 태양경과가 1802의 3차원 솔라 사이트에 삽입된 것이다.

Fig. 18A~18B 〈Image: USPTO〉

이러한 작업을 거처 솔라 사이트의 하나 이상의 포인트들에 상응하는 하나 이상의 태양 경로가 반구형의 뷰쉐드인 3차원 모델로 생성되는데, 바로 〈Fig. 20〉의 2001의 반구형의 뷰쉐드가 포인트 1에 상응하고, 2002가 포인트 2에, 2003이 포인트 3에 해당하는 반구형의 뷰쉐드이다. 이때 반구형의 뷰쉐드는 하나 이상의 태양경로들인 2004를 모두 종합한 것이다.   

Fig. 20 〈Image: USPTO〉 

그 다음 이를 투영화하고(project), 그 다음 투영을 맵으로, 예들 들어 입체 사진(stereographic diagram)으로 나타내는데, 그 결과 반구형의 뷰쉐드를 형성하는 것이다. 〈Fig. 22〉는 이 투영을 설명하는 그림이다. 2000은 솔라 사이트로 〈Fig. 20〉의 2000와 같으며, 반구형의 뷰쉐드인 2002는 〈Fig.20〉의 포인트 2와 상응하는 2002와 같다.  

Fig. 22 〈Image: USPTO〉

태양의 경로상에 있는 포인트 2의 모든 객체들은 반구형의 뷰쉐드인 2002에 반영하고 있는데, 2005-2006-2007-2008은 나무들이고, 2004는 태양의 경로들이며, 2009는 높이 솟은 지붕의 포션이다.  

Fig. 25A~25B 〈Image: USPTO〉 

자 그 다음은 이를 바탕으로 솔라 에너지 수확(solar collection estimates)을 예측하는 과정으로 들어간다. 우선, 태양경로들과 포인트들 사이에 있는 밝혀진 환경 구조들은 이를 예측하는데 사용된다. Fig.25A~25B는 이를 설명하는 그림으로, 2501의 나무가 2502의 반구형의 뷰쉐드에서 보면, 태양경로의 빛을 차단하는 장애물이다. 그래서 2503과 같이 나무를 제거하고 그대신 빈자리로 처리하여, 2504의 반구형의 뷰쉐드를 업데이트 하는 것이다. 사용자는 실제로 나무를 베어내지 않고 나무를 3차원 모델에서 제거함으로써 에너지를 많이 수확할 수 있는 방법을 모색하는 것이다. 

자 이번에는 밝혀진 주변 환경, 예를 들어 나무가 10년간 성장했을 때 혹은 20년간 성장했을 때 태양경로를 차단해 에너지 수확이 얼마나 감소되는 가를 예측하는 것이다. Fig.26의 2600은 반구형의 뷰쉐드인데, 2601의 나무가 그림자를 드리우는 것으로 윤곽이 나와 있고, 2602는 10년 성장했을 때의 그림자, 2603은 20년 성장했을 때의 그림자이다.  

Fig. 26 〈Image: USPTO〉

그 다음 과정은 특정 솔라 사이트의 솔라 에너지 수확 예측을 요약하고 리포트로 출력하는 것이다. 〈Fig. 27A〉는 두 개의 지붕 평면(roof plane)인 S1과 S2 사이트의 솔라 에너지 수확 예측 리포트다. 

S1 사이트의 연간 솔라 접근성(Solar Access)은 83%이고, TSRF(Total Solar Resource Fraction)는 78%, TOP(Tilt and Orientation Factor)는 93%이다.  

이렇게 예측하여 태양광 파넬을 설치할 후보지를 선정하고 고효율의 에너지 수확을 꾀하는 것이다.  

Fig. 27A 〈Image: USPTO〉