KR102310357B1 - 고신뢰성 지능형 낙뢰 경보방법 - Google Patents
고신뢰성 지능형 낙뢰 경보방법 Download PDFInfo
- Publication number
- KR102310357B1 KR102310357B1 KR1020190064973A KR20190064973A KR102310357B1 KR 102310357 B1 KR102310357 B1 KR 102310357B1 KR 1020190064973 A KR1020190064973 A KR 1020190064973A KR 20190064973 A KR20190064973 A KR 20190064973A KR 102310357 B1 KR102310357 B1 KR 102310357B1
- Authority
- KR
- South Korea
- Prior art keywords
- lightning
- alarm
- value
- electric field
- warning
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Alarm Systems (AREA)
Abstract
본 발명은 고신뢰성 지능형 낙뢰 경보방법에 관한 것으로, 그 구성은 낙뢰 경보설비는 최초 낙뢰를 경보하는 임의의 대지전계 값을 임의 경보값으로 설정하고, 대지전계를 측정하는 하나 이상의 측정기기를 통해 실시간으로 대지전계를 측정하는 측정단계;와, 낙뢰 경보설비는 측정기기를 통해 실시간으로 측정 수집되는 대지전계 값이 임의 경보값을 초과하면 낙뢰를 경보하는 경보단계;와, 낙뢰 경보설비는 상기 경보단계에서 낙뢰 경보 후에 실제로 낙뢰가 발생하여 낙뢰 경보가 성공하면 임의 경보값을 기준으로 일정 범위의 경보값을 설정하며, 낙뢰 경보 후에 낙뢰가 발생하지 않아 낙뢰 경보가 실패하면 임의 경보값과 다른 대지전계 값으로 경보값을 설정하는 학습단계;로 이루어지는 것을 특징으로 하는 것으로서,
낙뢰를 경보하기 위해 대지전계에 대한 임의 경보값이 설정된 낙뢰 경보설비는 임의 경보값을 기반으로 낙뢰를 경보하고, 그 경보에 대한 성공과 실패를 기반으로 성공 확률이 높은 경보값을 인공지능 알고리즘에 의해 스스로 학습 설정함으로, 자연스럽게 낙뢰 경보설비가 설치되는 환경적인 특정이 고려된 낙뢰 경보값이 설정되어 낙뢰 경보설비를 통한 낙뢰 경보의 우수한 신뢰성을 확보할 수 있는 효과가 있다.
또한, 낙뢰 경보설비는 대지전계의 경보값 뿐만 아니라, 온도/습도/기압에 대한 조건값을 학습 설정하고, 경보값과 함께 조건값을 만족하면 낙뢰를 경보함으로, 낙뢰 경보에 대한 신뢰성이 더욱 향상되도록 하는 효과가 있다.
낙뢰를 경보하기 위해 대지전계에 대한 임의 경보값이 설정된 낙뢰 경보설비는 임의 경보값을 기반으로 낙뢰를 경보하고, 그 경보에 대한 성공과 실패를 기반으로 성공 확률이 높은 경보값을 인공지능 알고리즘에 의해 스스로 학습 설정함으로, 자연스럽게 낙뢰 경보설비가 설치되는 환경적인 특정이 고려된 낙뢰 경보값이 설정되어 낙뢰 경보설비를 통한 낙뢰 경보의 우수한 신뢰성을 확보할 수 있는 효과가 있다.
또한, 낙뢰 경보설비는 대지전계의 경보값 뿐만 아니라, 온도/습도/기압에 대한 조건값을 학습 설정하고, 경보값과 함께 조건값을 만족하면 낙뢰를 경보함으로, 낙뢰 경보에 대한 신뢰성이 더욱 향상되도록 하는 효과가 있다.
Description
본 발명은 고신뢰성 지능형 낙뢰 경보방법에 관한 것으로, 더욱 상세하게는 낙뢰를 경보하기 위해 대지전계에 대한 임의 경보값이 설정된 낙뢰 경보설비는 임의 경보값을 기반으로 낙뢰를 경보하고, 그 경보에 대한 성공과 실패를 기반으로 성공 확률이 높은 경보값을 인공지능 알고리즘에 의해 스스로 학습 설정함으로, 자연스럽게 낙뢰 경보설비가 설치되는 환경적인 특정이 고려된 낙뢰 경보값이 설정되어 낙뢰 경보설비를 통한 낙뢰 경보의 우수한 신뢰성을 확보할 수 있는 고신뢰성 지능형 낙뢰 경보방법에 관한 것이다.
일반적으로 천둥이나 번개 등의 발생원인이 되는 가장 보편적인 것은 뇌운으로서, 이러한 뇌운은 전기로 충전되어 있고 대체로 상부는 양전하를 띤 얼음결정을 이루고, 하부는 음전하를 띤 물방울로 이루어져 있다.
이러한 뇌운은 강력한 상승 기류가 존재하는 적운 단계, 상승 하강 기류와 돌풍 천둥 번개 그리고 소나기를 동반하는 성숙 단계 및 하강 기류가 우세하면서 안정을 되찾는 소멸단계를 거쳐 생성되는데, 종종 고온 다습한 공기가 불안정한 환경에서 상승하는 경우 발생하기 쉽다.
낙뢰는 뇌운이 가진 전하를 공기절연파괴를 통해 대지로 방출하는 현상이며, 이 과정에서 전자장이 발생하여 대기중을 전파하게 된다. 낙뢰발생의 위치를 분석하는 기술은 뇌운의 활동과 이동경로, 낙뢰의 발생을 예지할 수 있게 해줌으로써 우주선 발사시 기상조건의 관측, 지상 주요 건축물과 전력설비에서의 안전대책, 골프장과 운동장에서 활동의 안전성 확보 등 다양한 분야에서 기상관측과 낙뢰에 의한 피해방지 대책의 수단으로 적용되고 있다.
낙뢰는 매년 100만여 건 정도 발생하는 것으로 통계되는데, 이러한 낙뢰로 인해 발생하는 피해 및 그 규모는 지상을 비롯한 해상, 항공 영역까지 날로 늘어나고 있다.
통상적으로 낙뢰를 경보하는 낙뢰 경보설비는 각종 센서를 이용해 뇌운에 의해 형성되는 대지전계를 측정하고, 그 측정되는 정보를 기반으로 낙뢰를 경보하였다.
하지만, 종래의 낙뢰 경보설비는 기본적으로 설정되는 대지전계의 경보값을 실시간 측정되는 대지전계 값이 초과하는 경우에 낙뢰를 경보하는 방식인데, 낙뢰 경보설비가 설치되는 지역의 특성, 일 예로 지형적 특성, 온도, 기압, 습도 등의 특성이 고려되지 않아 낙뢰 경보설비를 통한 낙뢰 경보의 신뢰성이 다소 낮다는 문제점이 있었다.
본 발명은 상기한 바와 같은 제반 문제점을 해결하기 위하여 제안된 것으로, 그 목적은 낙뢰를 경보하기 위해 대지전계에 대한 임의 경보값이 설정된 낙뢰 경보설비는 임의 경보값을 기반으로 낙뢰를 경보하고, 그 경보에 대한 성공과 실패를 기반으로 성공 확률이 높은 경보값을 인공지능 알고리즘에 의해 스스로 학습 설정함으로, 자연스럽게 낙뢰 경보설비가 설치되는 환경적인 특정이 고려된 낙뢰 경보값이 설정되어 낙뢰 경보설비를 통한 낙뢰 경보의 우수한 신뢰성을 확보할 수 있는 고신뢰성 지능형 낙뢰 경보방법을 제공함에 있다.
또한, 낙뢰 경보설비는 대지전계의 경보값 뿐만 아니라, 온도/습도/기압에 대한 조건값을 인공지능 알고리즘에 의해 학습 설정하고, 경보값과 함께 조건값을 만족하면 낙뢰를 경보함으로, 낙뢰 경보에 대한 신뢰성이 더욱 향상되도록 하는 고신뢰성 지능형 낙뢰 경보방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 고신뢰성 지능형 낙뢰 경보방법은 낙뢰 경보설비는 최초 낙뢰를 경보하는 임의의 대지전계 값을 임의 경보값으로 설정하고, 대지전계를 측정하는 하나 이상의 측정기기를 통해 실시간으로 대지전계를 측정하는 측정단계(S10);와, 낙뢰 경보설비는 측정기기를 통해 실시간으로 측정 수집되는 대지전계 값이 임의 경보값을 초과하면 낙뢰를 경보하는 경보단계(S20);와, 낙뢰 경보설비는 상기 경보단계에서 낙뢰 경보 후에 실제로 낙뢰가 발생하여 낙뢰 경보가 성공하면 임의 경보값을 기준으로 일정 범위 내에서 경보값을 설정하며, 낙뢰 경보 후에 낙뢰가 발생하지 않아 낙뢰 경보가 실패하면 임의 경보값과 다른 대지전계 값으로 경보값을 설정하는 학습단계(S30);로 이루어지되,
상기 학습단계(S30)의 과정을 반복적으로 수행하면서 낙뢰 경보설비가 설치되는 지역 주변의 환경에 적합한 대지전계의 경보값을 인공지능 알고리즘에 의해 학습 설정함으로 낙뢰 경보설비를 통한 낙뢰 경보의 신뢰성이 향상되도록 하며,
낙뢰 경보가 수행되지 않은 상태에서 낙뢰가 발생하면, 상기 측정단계(S20)에서 낙뢰가 발생되기 전의 대지전계를 측정하고, 그 측정된 대지전계 값을 기반으로 하나의 경보값을 학습 설정하고, 그 하나의 경보값을 기반으로 상기 경보단계에서 낙뢰를 경보하도록 하며,
낙뢰가 발생하면, 상기 측정단계(S10)는 낙뢰가 발생되기 전의 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상을 측정하고, 그 측정된 정보를 기반으로 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상에 대한 경보 조건값을 설정하며,
상기 경보단계(S20)는 측정기를 통해 측정되는 실시간 대지전계 값이 경보값을 초과하는 동시에, 온도, 습도, 기압 중에서 선택된 경보 조건값에 실시간 측정되는 온도, 습도, 기압 중에서 선택되는 어느 하나 또는 둘 이상의 값이 해당하면 낙뢰를 경보하며,
상기 학습단계(S30)는 낙뢰 경보가 성공하면 경보 조건값을 사용하고, 낙뢰 경보가 실패하면 경보 조건값을 삭제하거나 다른 경보 조건값으로 변경 설정하여 사용하도록 하는 것을 특징으로 한다.
낙뢰 경보가 수행되지 않은 상태에서 낙뢰가 발생하면, 상기 측정단계(S20)에서 낙뢰가 발생되기 전의 대지전계를 측정하고, 그 측정된 대지전계 값을 기반으로 하나의 경보값을 학습 설정하고, 그 하나의 경보값을 기반으로 상기 경보단계에서 낙뢰를 경보하도록 하며,
낙뢰가 발생하면, 상기 측정단계(S10)는 낙뢰가 발생되기 전의 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상을 측정하고, 그 측정된 정보를 기반으로 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상에 대한 경보 조건값을 설정하며,
상기 경보단계(S20)는 측정기를 통해 측정되는 실시간 대지전계 값이 경보값을 초과하는 동시에, 온도, 습도, 기압 중에서 선택된 경보 조건값에 실시간 측정되는 온도, 습도, 기압 중에서 선택되는 어느 하나 또는 둘 이상의 값이 해당하면 낙뢰를 경보하며,
상기 학습단계(S30)는 낙뢰 경보가 성공하면 경보 조건값을 사용하고, 낙뢰 경보가 실패하면 경보 조건값을 삭제하거나 다른 경보 조건값으로 변경 설정하여 사용하도록 하는 것을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
이상에서와 같이 본 발명에 따른 고신뢰성 지능형 낙뢰 경보방법에 의하면, 낙뢰를 경보하기 위해 대지전계에 대한 임의 경보값이 설정된 낙뢰 경보설비는 임의 경보값을 기반으로 낙뢰를 경보하고, 그 경보에 대한 성공과 실패를 기반으로 성공 확률이 높은 경보값을 인공지능 알고리즘에 의해 스스로 학습 설정함으로, 자연스럽게 낙뢰 경보설비가 설치되는 환경적인 특정이 고려된 낙뢰 경보값이 설정되어 낙뢰 경보설비를 통한 낙뢰 경보의 우수한 신뢰성을 확보할 수 있는 효과가 있다.
또한, 낙뢰 경보설비는 대지전계의 경보값 뿐만 아니라, 온도/습도/기압에 대한 조건값을 인공지능 알고리즘에 의해 학습 설정하고, 경보값과 함께 조건값을 만족하면 낙뢰를 경보함으로, 낙뢰 경보에 대한 신뢰성이 더욱 향상되도록 하는 효과가 있다.
도 1은 본 발명의 실시예에 따른 고신뢰성 지능형 낙뢰 경보방법의 블럭도
도 2는 도 1에 도시된 고신뢰성 지능형 낙뢰 경보방법을 통해 학습하는 과정을 설명하기 위한 도면
도 3은 도 1에 도시된 고신뢰성 지능형 낙뢰 경보방법을 통해 학습하는 과정을 설명하기 위한 도면
도 2는 도 1에 도시된 고신뢰성 지능형 낙뢰 경보방법을 통해 학습하는 과정을 설명하기 위한 도면
도 3은 도 1에 도시된 고신뢰성 지능형 낙뢰 경보방법을 통해 학습하는 과정을 설명하기 위한 도면
본 발명의 바람직한 실시예에 따른 고신뢰성 지능형 낙뢰 경보방법을 첨부된 도면에 의거하여 상세히 설명한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략한다.
도 1 내지 도 3은 본 발명의 실시예에 따른 고신뢰성 지능형 낙뢰 경보방법을 도시한 것으로, 도 1은 본 발명의 실시예에 따른 고신뢰성 지능형 낙뢰 경보방법의 블럭도를, 도 2는 도 1에 도시된 고신뢰성 지능형 낙뢰 경보방법을 통해 인공지능 알고리즘에 의해 학습하는 과정을 설명하기 위한 도면을, 도 3은 도 1에 도시된 고신뢰성 지능형 낙뢰 경보방법을 통해 인공지능 알고리즘에 의해 학습하는 과정을 설명하기 위한 도면을 각각 나타낸 것이다.
상기 도면에 도시한 바와 같이, 본 발명의 실시예에 따른 고신뢰성 지능형 낙뢰 경보방법(100)은 측정단계(S10)와, 경보단계(S20)와, 학습단계(S30)를 포함하고 있다.
도 1에 도시된 바와 같이, 상기 측정단계(S10)는 낙뢰 경보설비는 최초 낙뢰를 경보하는 임의의 대지전계 값을 임의 경보값으로 설정하고, 대지전계를 측정하는 하나 이상의 측정기기를 통해 실시간으로 대지전계를 측정하는 과정이다.
여기서, 최초 설정되는 임의 경보값은 통상적으로 낙뢰를 경보하기 위한 대지전계 값을 임시로 설정하는 값으로, 일 예로 상기 임의 경보값을 25㎸/m으로 설정하도록 한다.
또한, 대지전계를 측정하는 측정기기는 통상적으로 사용되는 코로나 방전을 유도하여 대지전계를 측정하는 코로나 측정기나 필드밀(Electric Field Mill, EFM) 방식의 측정기로 사용될 수 있다.
즉, 상기 측정단계(S10)는 대지전계를 측정하는 측정기기를 통해 실시간으로 연속하여 대지전계를 측정하며, 이렇게 측정 수집되는 대지전계 값은 낙뢰 경보설비(시스템)으로 전송된다.
도 1에 도시된 바와 같이, 상기 경보단계(S20)는 낙뢰 경보설비는 측정기기를 통해 실시간으로 측정 수집되는 대지전계 값이 임의 경보값을 초과하면 낙뢰를 경보하는 과정이다.
즉, 낙뢰 경보설비는 측정기기를 통해 실시간으로 측정 전송되는 대지전계 측정값과 임의 경보값(25㎸/m)을 비교하여 측정값이 임의 경보값인 25㎸/m를 초과하면 주변으로 낙뢰를 경보하게 된다.
도 1에 도시된 바와 같이, 상기 학습단계(S30)는 낙뢰 경보설비는 상기 경보단계(S20)에서 낙뢰 경보 후에 실제로 낙뢰가 발생하여 낙뢰 경보가 성공하면 임의 경보값을 기준으로 일정 범위 내에서 경보값을 설정하며, 낙뢰 경보 후에 낙뢰가 발생하지 않아 낙뢰 경보가 실패하면 임의 경보값과 다른 대지전계 값으로 경보값을 설정하는 과정이며,
상기 학습단계(S30)의 과정을 반복적으로 수행하면서 낙뢰 경보설비가 설치되는 지역 주변의 환경에 적합한 대지전계의 경보값을 인공지능 알고리즘에 의해 학습 설정함으로 낙뢰 경보설비를 통한 낙뢰 경보의 신뢰성이 향상되도록 한다.
통상적으로 낙뢰 경보설비가 설치되는 지역 주변의 환경, 일 예로 주변의 지형, 온도, 습도, 기압 등에 따라서 낙뢰가 발생하기 전에 증대되는 대지전계의 값이 다양하게 형성될 수 있는데, 통상적인 낙뢰 경보설비는 지역에 따른 환경(조건)을 보상할 수 있는 별도의 수단이 없으므로 최초 설정된 일반적인 대지전계의 경보값을 초과하는 경우에만 낙뢰를 경보하는 특성상 낙뢰 경보시스템을 통한 낙뢰 경보에 대한 신뢰성이 다소 낮다는 현실적인 문제점을 포함하고 있다.
즉, 본 발명의 고신뢰성 지능형 낙뢰 경보방법(100)은 낙뢰 경보의 반복적인 실패와 성공을 통해 적합한 대지전계에 대한 경보값을 인공지능 알고리즘에 의해 학습하여 낙뢰 경보에 대한 우수한 신뢰성을 확보하도록 하는데, 그 과정을 상세히 살펴보면 아래와 같다.
먼저, 상기 경보단계(S20)에서 최초 임의로 설정된 임의 경보값(25㎸/m)을 기반으로 낙뢰를 경보한 후에 낙뢰 경보가 성공한 경우에는, 도 2에 도시된 바와 같이 상기 학습단계(S30)에서 임의로 설정된 경보값이 25㎸/m의 전후 범위, 일 예로 23 내지 27㎸/m 정도의 범위 내에서 경보값을 설정하며, 그 설정된 경보값을 기반으로 다시 낙뢰 경보를 수행하는데, 이때 낙뢰 경보가 성공하면 반복하여 23 내지 27㎸/m의 범위 내에서 설정된 경보값으로 낙뢰 경보를 수행하고, 낙뢰 경보가 실패하면 상기 학습단계(S30)에서 23 내지 27㎸/m의 범위보다 축소 또는 범위(구간)을 이동하여 일 예로, 25 내지 28㎸/m의 범위 내에서 경보값을 설정하는 방식을 통해 반복적으로 대지전계 경보값에 대한 적합한 값을 추적 학습하도록 하며,
만약, 상기 경보단계(S20)에서 최초 임의로 설정된 임의 경보값(25㎸/m)을 기반으로 낙뢰를 경보한 후에 낙뢰 경보가 실패한 경우에는, 도 3에 도시된 바와 같이 상기 학습단계(S30)에서 새로운 대지전계 값을 경보값으로 설정하는데, 일 예로 20㎸/m로 설정할 수 있으며, 상기 경보단계(S20)에서는 설정된 새로운 경보값(20㎸/m)을 기반으로 다시 낙뢰 경보를 수행하고, 그 낙뢰 경보가 실패하면 다시 새로운 대지전계 값을 경보값으로 설정하며, 낙뢰 경보가 성공하면 설정된 경보값의 20㎸/m의 전후 범위, 일 예로 18 내지 22㎸/m 정도의 범위로 경보값을 설정하는 방식으로 새로운 경보값을 학습 설정한다.
즉, 본 발명의 고신뢰성 지능형 낙뢰 경보방법(100)은 낙뢰 경보의 반복적인 성공과 실패 과정을 통해 낙뢰 경보설비가 설치된 지역의 다양한 환경 조건을 고려한 적합한 수치의 대지전계의 경보값이 인공지능 알고리즘에 의해 학습 설정되도록 함으로 자연적으로 낙뢰 경보설비를 통한 낙뢰 경보에 대한 우수한 신뢰성이 확보되도록 한다.
여기서, 상기 학습단계(S30)에서 낙뢰 경보가 성공하면 경보값을 일정한 범위 내에서 재설정하였으나, 이러한 설정은 일 예로 설명한 것으로, 성공한 경보값 자체를 설정 사용할 수 있음은 물론이다.
한편, 낙뢰 경보가 수행되지 않은 상태에서 낙뢰가 발생하면, 상기 측정단계(S10)에서 낙뢰가 발생되기 전의 대지전계를 측정하고, 그 측정된 대지전계 값을 기반으로 하나의 경보값을 인공지능 알고리즘에 의해 학습 설정하고, 그 하나의 경보값을 기반으로 상기 경보단계(S20)에서 낙뢰를 경보하도록 하도록 한다.
즉, 상기 측정,경보,학습단계(S10,S20,S30)의 과정을 통해 학습 설정되는 대지전계 경보값(기본 경보값)을 기반으로 낙뢰를 경보하지 않은 상태에서 낙뢰가 발생하는 경우에는 상기 측정단계(S10)에서 낙뢰 전에 형성된 대지전계의 값을 기반으로 별도의 경보값(새로운 경보값)으로 학습 설정하며, 상기 경보단계(S20)에서는 기본 경보값과 새로운 경보값을 기반으로 낙뢰를 경보하게 된다.
여기서, 상기 측정단계(S10)에서 학습 설정된 새로운 경보값을 기반으로 상기 경보단계(S20)에서 낙뢰를 경보한 후, 상기 학습단계(S30)에서 경보가 성공하면 새로운 경보값으로 연속 사용하며, 만약 경보가 실패하면 경보값에서 삭제(소멸)되거나 다른 값으로 변경 사용될 수 있음은 물론이다.
상기와 같은 학습 과정을 통해 낙뢰를 경보하는 기준이 되는 경보값으로 다수 개가 설정 관리될 수 있으며, 이렇게 학습 설정되는 다수 개의 경보값을 기반으로 낙뢰를 경보하는 본 발명의 고신뢰성 지능형 낙뢰 경보방법(100)은 우수한 낙뢰 경보의 신뢰성을 확보할 수 있다.
한편, 낙뢰가 발생하면,
상기 측정단계(S10)는 낙뢰가 발생되기 전의 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상을 측정하고, 그 측정된 정보를 기반으로 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상에 대한 경보 조건값을 설정하며,
상기 경보단계(S20)는 측정기를 통해 측정되는 실시간 대지전계 값이 경보값을 초과하는 동시에, 온도, 습도, 기압 중에서 선택된 경보 조건값에 실시간 측정되는 온도/습도/기압 값이 해당하면 낙뢰를 경보하며,
상기 학습단계(S30)는 낙뢰 경보가 성공하면 경보 조건값을 사용하고, 낙뢰 경보가 실패하면 경보 조건값을 삭제하거나 다른 경보 조건값으로 변경 설정하여 사용하도록 한다.
여기서, 낙뢰가 발생하기 전의 주변 온도, 습도, 기압을 측정하면 아래의 [그림 1]과 [그림 2]와 같은 정보를 획득할 수 있다.
[그림 1]
[그림 2]
즉, 상기 [그림 1]과 [그림 2]과 같이 측정 수집되는 정보를 통해 낙뢰 경보설비가 설치되는 지역에서 낙뢰 발생시 빈번하게 형성되는 온도/습도/기압에 대한 측정값을 검출할 수 있고, 이렇게 검출되는 온도/습도/기압에 대한 측정값을 기반으로 낙뢰를 경보하는 경보 조건값을 구축하고, 그 구축된 온도/습도/기압에 대한 경보 조건값을 기반으로 낙뢰를 경보함으로 낙뢰 경보의 우수한 검출 신뢰성을 확보할 수 있다.
더욱이, 상기와 같은 낙뢰 경보 방식을 통해 낙뢰 경보설비가 설치되는 지역의 온도, 습도, 기압의 조건(환경)을 반영하여 그 지역에 최적화된 낙뢰 경보시스템을 구축할 수 있어 낙뢰 경보설비의 더욱 우수한 검출 신뢰성이 확보되도록 한다.
또한, 낙뢰 경보하는 수단으로 대지전계에 대한 경보값에만 의지하여 경보하는 것이 아니라, 대지전계에 대한 경보값과 함께 온도, 습도, 기압에 대한 경보 조건값을 기반으로 낙뢰를 경보함으로 낙뢰 경보에 대한 매우 우수한 검출 신뢰성을 확보할 수 있다.
즉, 본 발명의 고신뢰성 지능형 낙뢰 경보방법(100)은 설정 및 실시간 측정되는 대지전계 값과, 온도, 습도, 기압 값을 기반으로 반복하여 경보값을 설정하고, 그 설정되는 경보값들의 반복적인 성공과 실패를 통해 최종적으로 하나 이상의 적합한 경보값을 학습 추적하는 과정을 개략적인 그림으로 도시하면, 아래의 [그림 3]과 같이 나타낼 수 있다.
[그림 3]
여기서, hidden layer 부분은 상기 3단계에서 인공지능 알고리즘을 통해 스스로 학습하는 과정을 나타낸 부분이며, 상기 가중치는 새로 설정되는 경보값에 대한 설정범위, 편차 등을 크게 또는 작게 설정하는 것에 대한 설정한 개념이며, 이러한 가중치에 따라 최종 경보값을 학습 추적하는 과정이 복잡해지거나 간단해질 수도 있다.
상기와 같은 과정으로 낙뢰를 경보하는 본 발명에의 고신뢰성 지능형 낙뢰 경보방법(100)은 낙뢰를 경보하기 위해 대지전계에 대한 임의 경보값이 설정된 낙뢰 경보설비는 임의 경보값을 기반으로 낙뢰를 경보하고, 그 경보에 대한 성공과 실패를 기반으로 성공 확률이 높은 경보값을 스스로 인공지능 알고리즘에 의해 학습 설정함으로, 자연스럽게 낙뢰 경보설비가 설치되는 환경적인 특정이 고려된 낙뢰 경보값이 설정되어 낙뢰 경보설비를 통한 낙뢰 경보의 우수한 신뢰성을 확보할 수 있는 효과가 있다.
본 발명은 첨부된 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것으로 상술한 실시예에 한정되지 않으며, 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 실시예가 가능하다는 점을 이해할 수 있을 것이다. 또한, 본 발명의 사상을 해치지 않는 범위 내에서 당업자에 의한 변형이 가능함은 물론이다. 따라서, 본 발명에서 권리를 청구하는 범위는 상세한 설명의 범위 내로 정해지는 것이 아니라 후술되는 청구범위와 이의 기술적 사상에 의해 한정될 것이다.
S10. 측정단계
S20. 경보단계
S30. 학습단계
100. 고신뢰성 지능형 낙뢰 경보방법
S20. 경보단계
S30. 학습단계
100. 고신뢰성 지능형 낙뢰 경보방법
Claims (3)
- 낙뢰 경보설비를 통해 측정되는 대지전계를 기반으로 낙뢰를 경보하는 방법에 있어서,
낙뢰 경보설비는 최초 낙뢰를 경보하는 임의의 대지전계 값을 임의 경보값으로 설정하고, 대지전계를 측정하는 하나 이상의 측정기기를 통해 실시간으로 대지전계를 측정하는 측정단계(S10);
낙뢰 경보설비는 측정기기를 통해 실시간으로 측정 수집되는 대지전계 값이 임의 경보값을 초과하면 낙뢰를 경보하는 경보단계(S20); 및
낙뢰 경보설비는 상기 경보단계(S20)에서 낙뢰 경보 후에 실제로 낙뢰가 발생하여 낙뢰 경보가 성공하면 임의 경보값을 기준으로 일정 범위 내에서 경보값을 설정하며, 낙뢰 경보 후에 낙뢰가 발생하지 않아 낙뢰 경보가 실패하면 임의 경보값과 다른 대지전계 값으로 경보값을 설정하는 학습단계(S30);로 이루어지되,
상기 학습단계(S30)의 과정을 반복적으로 수행하면서 낙뢰 경보설비가 설치되는 지역 주변의 환경에 적합한 대지전계의 경보값을 인공지능 알고리즘에 의해 학습 설정함으로 낙뢰 경보설비를 통한 낙뢰 경보의 신뢰성이 향상되도록 하며,
낙뢰 경보가 수행되지 않은 상태에서 낙뢰가 발생하면, 상기 측정단계(S10)에서 낙뢰가 발생되기 전의 대지전계를 측정하고, 그 측정된 대지전계 값을 기반으로 하나의 경보값을 학습 설정하고, 그 하나의 경보값을 기반으로 상기 경보단계(S20)에서 낙뢰를 경보하도록 하며,
낙뢰가 발생하면, 상기 측정단계(S10)는 낙뢰가 발생되기 전의 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상을 측정하고, 그 측정된 정보를 기반으로 온도, 습도, 기압 중에서 선택되는 하나 또는 둘 이상에 대한 경보 조건값을 설정하며,
상기 경보단계(S20)는 측정기를 통해 측정되는 실시간 대지전계 값이 경보값을 초과하는 동시에, 온도, 습도, 기압 중에서 선택된 경보 조건값에 실시간 측정되는 온도, 습도, 기압 중에서 선택되는 어느 하나 또는 둘 이상의 값이 해당하면 낙뢰를 경보하며,
상기 학습단계(S30)는 낙뢰 경보가 성공하면 경보 조건값을 사용하고, 낙뢰 경보가 실패하면 경보 조건값을 삭제하거나 다른 경보 조건값으로 변경 설정하여 사용하도록 하는 것을 특징으로 하는 고신뢰성 지능형 낙뢰 경보방법. - 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190064973A KR102310357B1 (ko) | 2019-05-31 | 2019-05-31 | 고신뢰성 지능형 낙뢰 경보방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190064973A KR102310357B1 (ko) | 2019-05-31 | 2019-05-31 | 고신뢰성 지능형 낙뢰 경보방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200137893A KR20200137893A (ko) | 2020-12-09 |
KR102310357B1 true KR102310357B1 (ko) | 2021-10-07 |
Family
ID=73786632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190064973A KR102310357B1 (ko) | 2019-05-31 | 2019-05-31 | 고신뢰성 지능형 낙뢰 경보방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102310357B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220101959A (ko) | 2021-01-12 | 2022-07-19 | 주식회사 백선통신 | 뇌전류 모니터링 기능을 갖는 배전반 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100938591B1 (ko) * | 2007-11-20 | 2010-01-26 | 지멘스 주식회사 | 광센서감지기를 이용한 화재감지시스템 |
KR101521134B1 (ko) * | 2013-10-15 | 2015-05-19 | 선광엘티아이(주) | 낙뢰 경보, 예방 시스템 |
KR102006436B1 (ko) * | 2015-10-30 | 2019-08-01 | 삼성에스디에스 주식회사 | 거짓 경보 결정 방법 |
KR101876185B1 (ko) * | 2016-08-29 | 2018-07-09 | 한국수력원자력 주식회사 | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 |
-
2019
- 2019-05-31 KR KR1020190064973A patent/KR102310357B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR20200137893A (ko) | 2020-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101821912B1 (ko) | 번개 경보를 위한 방법 및 번개 경보를 위한 풍력 발전 설비 | |
Ma et al. | Improving the behavior of the cumulus parameterization for tropical cyclone prediction: Convection trigger | |
Waseem et al. | Electricity grid resilience amid various natural disasters: Challenges and solutions | |
Xu et al. | Rainfall asymmetries of tropical cyclones prior to, during, and after making landfall in South China and Southeast United States | |
Nayak et al. | Coastal vulnerability due to extreme waves at Kalpakkam based on historical tropical cyclones in the Bay of Bengal | |
CN104463700A (zh) | 一种基于数据挖掘技术的输电线路杆塔雷击风险评估方法 | |
KR102310357B1 (ko) | 고신뢰성 지능형 낙뢰 경보방법 | |
CN109784683A (zh) | 一种电网广域气象灾害综合防御方法 | |
CN104145757A (zh) | 一种基于无人机的干旱灾情监测以及应急处理方法 | |
Hon et al. | Alerting of hectometric turbulence features at H ong K ong I nternational A irport using a short‐range LIDAR | |
CN109541725B (zh) | 一种基于gis的电网工程气象监测预警方法 | |
Wei et al. | An early warning model for damage of power grid under typhoon disaster | |
JP2006220445A (ja) | 砂嵐予測システムとその砂嵐警報発令方法 | |
Mukherjee et al. | Investigation of unique Arabian Sea tropical cyclone with GPU-based WRF model: A case study of Shaheen | |
Putra et al. | Cumulonimbus prediction using artificial neural network back propagation with radiosonde indeces | |
CN110618475A (zh) | 区域雷电监测预警***及方法 | |
KR102641838B1 (ko) | 인공지능을 이용한 태양광발전소의 낙뢰 피해 방지시스템 | |
EP3695253B1 (en) | Method for warning about lightning activity in wind farms | |
CN108764563A (zh) | 一种输电线路飑线风预警方法 | |
Rillo et al. | Detection and forecast of convective clouds using MSG data for aviation support | |
Alves et al. | Lightning prediction using satellite atmospheric sounding data and feed-forward artificial neural network | |
Zhuang et al. | Research on identification method of weak links in transmission network considering strong wind in severe cold weather | |
KR102260990B1 (ko) | 낙뢰 예측 방법 | |
CN116153019B (zh) | 一种基于云计算的电网灾害预警*** | |
Seroka et al. | Sea breeze, coastal upwelling modeling to support offshore wind energy planning and operations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |