KR102411915B1 - System and method for froviding real time monitering and ai diagnosing abnormality sign for facilities and equipments - Google Patents
System and method for froviding real time monitering and ai diagnosing abnormality sign for facilities and equipments Download PDFInfo
- Publication number
- KR102411915B1 KR102411915B1 KR1020210011562A KR20210011562A KR102411915B1 KR 102411915 B1 KR102411915 B1 KR 102411915B1 KR 1020210011562 A KR1020210011562 A KR 1020210011562A KR 20210011562 A KR20210011562 A KR 20210011562A KR 102411915 B1 KR102411915 B1 KR 102411915B1
- Authority
- KR
- South Korea
- Prior art keywords
- facility
- data
- anomaly
- monitoring
- related information
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템 및 방법에 관한 것으로서, 시설 관련 정보에 기초하여 시설 현황을 모니터링하고 제어하는 기능을 수행하는 모니터링 및 제어부; 및 시설 관련 정보에 기초하여 시설의 이상 징후를 사전에 진단하고 예측하는 진단부를 포함하고, 상기 진단부는, 인공 지능에 기반하여 학습을 수행한 신경망 모델에 기반하여 시설 관련 정보에 기초하여 시설의 이상 징후를 판별하도록 동작하는 것을 특징으로 하는 시설 실시간 모니터링 및 이상 징후 진단 서비스 제공 시스템 및 이를 이용한 방법을 제공한다.The present invention relates to a system and method for providing real-time facility and equipment monitoring and anomaly AI diagnosis service, comprising: a monitoring and control unit that monitors and controls facility status based on facility-related information; and a diagnosis unit for diagnosing and predicting abnormal symptoms of a facility in advance based on facility-related information, wherein the diagnosis unit is based on a neural network model that has been trained based on artificial intelligence based on facility-related information. Provided are a system for providing real-time monitoring of facilities and anomaly diagnosis service, which operates to determine symptoms, and a method using the same.
Description
본 발명은, 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for providing real-time facility and equipment monitoring and anomaly AI diagnosis service.
태양광 발전 설비와 같은 시설에서 각종 사고로 인한 피해가 증가하고 있으나, 명확한 발생 원인 규명이 어렵고 사고 발생 위험도 증가에 따른 규제도 강화되고 있다.Although damage due to various accidents is increasing in facilities such as solar power generation facilities, it is difficult to identify the cause of the accident and regulations are being strengthened as the risk of accidents increases.
이는 발전소 등과 같은 설비나 장비에 대한 이상 상태 감시에 대한 기술적 한계 문제와 사고 발생 예측을 위한 영향 인자가 많다는 점에 기인한다. 이로 인하여 규제에만 대응하는 시설을 구축하고 있는 실정이다.This is due to the fact that there are many influencing factors for predicting the occurrence of accidents and the technical limitations of monitoring abnormal conditions for facilities or equipment such as power plants. As a result, facilities that respond only to regulations are being built.
한편, 2019년 기준 태양광 누적 보급용량은 약 8.1GW이며, 모듈 제조사가 보증하는 태양광 패널의 발전 보증은 10년에 약 90%를 보증하고 있다. 2020년 현재 10년 이상된 태양광용량은 약 500MW로 추산되며, 이와 더불어 설치위치에 따라 미스매치, 설계부등, 부품노후 등의 발전량 손실은 10%이상으로 예상되고 있다.Meanwhile, as of 2019, the cumulative solar power supply capacity is about 8.1GW, and the solar panel power generation guarantee guaranteed by the module manufacturer is about 90% guaranteed in 10 years. As of 2020, the solar capacity that is more than 10 years old is estimated to be about 500MW. In addition, depending on the installation location, the loss of power generation due to mismatch, design problems, etc., parts aging, etc. is expected to be more than 10%.
이와 같이, 태양광 발전 시설 등과 같은 시설에서 시설 및 장비와 관련된 다양한 정보를 수집 및 분석하여 문제 발생을 예측하고 이상 징후를 사전에 진달할 수 있는 시스템이 요망되고 있다.As such, there is a demand for a system capable of collecting and analyzing various information related to facilities and equipment in a facility such as a photovoltaic power plant, etc., to predict the occurrence of a problem and to advance abnormal symptoms in advance.
또한, 태양광 발전소 등과 같은 시설에서는, 태양광 발전량 및 위험요소의 감지와 변화를 측정하는 것뿐 아니라, 그 변화를 추적하여 통합 감시/예측 모델을 제시함으로서 위험요소에 대한 개별적 상태 변화뿐만 아니라, 복합 재난 사고를 조기에 감지하고 이에 대한 대응을 할 필요가 있다.In addition, in facilities such as solar power plants, not only the detection and change of solar power generation and risk factors are measured, but also the changes are tracked and an integrated monitoring/prediction model is presented to not only individual status changes for risk factors, It is necessary to detect and respond to complex disasters at an early stage.
특히, 인공 지능(AI) 기술을 활용하여 AI 기반 상황 예측 의사결정을 통한 시설 및 장비에 대한 실시간 모니터링 및 이상 징후 진단 서비스는 시설 관리와 경제적 비용 절감 및 신규시장을 창출할 수 있을 것으로 기대된다.In particular, real-time monitoring and anomaly diagnosis services for facilities and equipment through AI-based situation prediction and decision-making using artificial intelligence (AI) technology are expected to reduce facility management and economic costs and create new markets.
본 발명은, 상기와 같은 한계점을 감안하여 도출된 것으로서, 발전 설비 등과 같은 시설과 이러한 시설에 설치된 장비에 대한 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템 및 방법을 제공하는 것을 목적으로 한다.The present invention was derived in view of the above limitations, and an object of the present invention is to provide a system and method for providing real-time monitoring and anomaly AI diagnosis service for facilities such as power generation facilities and equipment installed in these facilities.
특히, 본 발명은, 지리 정보시스템을 기반으로 태양광 발전 설비의 위치, 발전(예측) 정보, 기상정보 등을 통하여 일관성 있고 효율적인 정보를 제공하는 것을 또 다른 목적으로 한다.In particular, it is another object of the present invention to provide consistent and efficient information based on a geographic information system, such as location of a solar power generation facility, power generation (prediction) information, weather information, and the like.
또한, 본 발명은, 태양광 설비와 같은 시설의 실시간 모니터링, 발전량 예측, 고장 진단, 경제성 분석 등을 포함하는 통합 운영 관리와 태양광 발전 데이터의 수집, 분석 등에 대한 분산처리를 위한 클라우드 기반 빅데이터 플랫폼을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention provides cloud-based big data for integrated operation management including real-time monitoring of facilities such as photovoltaic facilities, power generation prediction, failure diagnosis, economic analysis, etc. and distributed processing of photovoltaic power generation data collection and analysis Another purpose is to provide a platform.
또한, 본 발명은 실측 발전량과 추정 발전량의 오차, 시스템상의 특성 분석을 통한 발전량 오차 및 출력 이상을 판단할 수 있으며, 태양광 발전소의 출력 전압, 전류 등의 발전정보를 통해 출력 이상 및 ESS의 손상에 따른 고장 상태 진단을 수행할 수 있는 시스템 및 방법을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention can determine the error between the measured power generation and the estimated power generation, and the generation error and output abnormality through analysis of system characteristics. Another object of the present invention is to provide a system and method capable of performing fault state diagnosis according to the present invention.
상기한 바와 같은 과제를 해결하기 위하여 본 발명은, 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템으로서, 시설 관련 정보에 기초하여 시설 현황을 모니터링하고 제어하는 기능을 수행하는 모니터링 및 제어부; 및 시설 관련 정보에 기초하여 시설의 이상 징후를 사전에 진단하고 예측하는 진단부를 포함하고, 상기 진단부는, 인공 지능에 기반하여 학습을 수행한 신경망 모델에 기반하여 시설 관련 정보에 기초하여 시설의 이상 징후를 판별하도록 동작하는 것을 특징으로 하는 시스템을 제공한다.In order to solve the above problems, the present invention provides a system for providing real-time facility and equipment monitoring and anomaly AI diagnosis service, comprising: a monitoring and control unit for monitoring and controlling the facility status based on facility-related information; and a diagnosis unit for diagnosing and predicting abnormal symptoms of a facility in advance based on facility-related information, wherein the diagnosis unit is based on a neural network model that has been trained based on artificial intelligence based on facility-related information. A system is provided, wherein the system is operative to determine a symptom.
여기에서, 상기 모니터링 및 제어부는, 시설의 전체적인 상태 현황을 모니터링하는 상태 현황 모니터링부; 실시간으로 전체적인 설비의 현황 및 PMS 제어를 수행하는 실시간 설비 현황 및 PMS 제어부; 설비 정보를 조회하고 제어할 수 있도록 하는 설비 정보 조회 및 제어부; 및 설비 운영과 관련된 운영 데이터의 트렌드를 조회할 수 있도록 하는 트렌드 조회부를 포함한다.Here, the monitoring and control unit, the status status monitoring unit for monitoring the overall status of the facility; A real-time facility status and PMS control unit that performs overall facility status and PMS control in real time; a facility information inquiry and control unit for inquiring and controlling facility information; and a trend inquiry unit for inquiring a trend of operational data related to facility operation.
또한, 상기 진단부는, 입력되는 시설 관련 정보에 대한 전처리를 수행하여 이상 징후 판단 모델로 전달하는 전처리부; 머신 러닝에 기반하여 학습용 데이터에 대해 특징 벡터를 추출하고, 추출된 특징 벡터에 대한 파라미터와 가중치에 대한 오차가 최소화되도록 파라미터와 가중치를 조절함으로써 학습되며, 학습이 완료된 후 입력되는 검사용 데이터인 시설 관련 정보에 대해 이상 징후 판단 및 분류 결과를 출력하는 이상 징후 판단 모델; 및 검사용 데이터인 시설 관련 정보에 대해 이상 징후 판단 모델의 출력 결과에 기초하여 이상 징후 정보를 제공하는 알람부를 포함한다.In addition, the diagnosis unit may include: a preprocessing unit that performs preprocessing on the input facility-related information and transmits it to an abnormal symptom determination model; A facility that extracts a feature vector from the training data based on machine learning, adjusts the parameters and weights so that the error on the parameters and weights for the extracted feature vector is minimized, and is the inspection data that is input after learning is completed an anomaly judgment model for outputting anomaly judgment and classification results with respect to related information; and an alarm unit that provides abnormal symptom information based on the output result of the abnormal symptom determination model with respect to facility-related information, which is data for inspection.
또한, 상기 전처리부는, 입력되는 시설 관련 정보에 대해 이상 징후 판단 모델에서 학습 및 분류에 사용할 수 있는 데이터로 변환 및 가공하고, 상기 시설 관련 정보는 이상 징후 판단 모델의 학습을 위한 학습 데이터이거나 이상 징후 판단 모델에서 이상 징후 여부 및 분류의 판단이 되는 검사 데이터일 수 있다.In addition, the pre-processing unit converts and processes the input facility-related information into data that can be used for learning and classification in the anomaly determination model, and the facility-related information is learning data for learning of the anomaly determination model or an anomaly In the judgment model, it may be inspection data that determines whether or not there is an abnormality and classification.
또한, 상기 전처리부는, 누락 데이터, 중복 데이터를 처리하고, 아웃라이어(Outlier) 처리를 수행하여, 통상적인 발생 범위를 벗어나는 데이터를 찾아 처리하고, 시간 간격 처리를 통해, 동일 분석에 사용되는 변수들을 대상으로 시간 간격을 동일하게 하며, 주기가 일정하지 않은 데이터 수집시 평균, 선형보간법, 운영 주기 분리를 통해 주기를 일정하게 처리할 수 있다.In addition, the preprocessor processes missing data and duplicate data, performs outlier processing, finds and processes data that is out of the normal occurrence range, and through time interval processing, variables used for the same analysis The time interval is the same as the target, and when collecting data with a non-constant cycle, the cycle can be processed uniformly through averaging, linear interpolation, and separation of operating cycles.
본 발명에 의하면, 발전 설비 등과 같은 시설과 이러한 시설에 설치되는 장비에 대한 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템 및 방법을 제공할 수 있다.According to the present invention, it is possible to provide a system and method for providing real-time monitoring and anomaly AI diagnosis service for facilities such as power generation facilities and equipment installed in such facilities.
또한, 본 발명은, 지리 정보시스템을 기반으로 태양광 발전 설비의 위치, 발전(예측) 정보, 기상정보 등을 통하여 일관성 있고 효율적인 정보를 제공할 수 있다.In addition, the present invention can provide consistent and efficient information through the location of the solar power generation facility, power generation (prediction) information, weather information, etc. based on the geographic information system.
또한, 본 발명은, 태양광 설비와 같은 시설의 실시간 모니터링, 발전량 예측, 고장 진단, 경제성 분석 등을 포함하는 통합 운영 관리와 태양광 발전 데이터의 수집, 분석 등에 대한 분산처리를 위한 클라우드 기반 빅데이터 플랫폼을 제공할 수 있다.In addition, the present invention provides cloud-based big data for integrated operation management including real-time monitoring of facilities such as photovoltaic facilities, power generation prediction, failure diagnosis, economic analysis, etc. and distributed processing of photovoltaic power generation data collection and analysis platform can be provided.
또한, 본 발명은 실측 발전량과 추정 발전량의 오차, 시스템상의 특성 분석을 통한 발전량 오차 및 출력 이상을 판단할 수 있으며, 태양광 발전소의 출력 전압, 전류 등의 발전정보를 통해 출력 이상 및 ESS의 손상에 따른 고장 상태 진단을 수행할 수 있는 시스템을 제공할 수 있다.In addition, the present invention can determine the error between the measured power generation and the estimated power generation, and the generation error and output abnormality through analysis of system characteristics. It is possible to provide a system capable of performing fault state diagnosis according to
도 1은, 본 발명에 의한 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템(100)의 전체적인 구성을 나타낸 도면이다.
도 2는 모니터링 및 제어부(10)의 구성을 나타낸 도면이다.
도 3 및 도 4는 상태 현황 모니터링부(11)에 의해 제공되는 모니터링 상태를 나타낸 화면이다.
도 5는 실시간 설비 현황 및 PMS 제어부(12)에 의해 제공되는 화면을 나타낸 것이다.
도 6은 설비 정보 조회 및 제어부(13)에 의해 제공되는 화면의 일예를 나타낸 것이다.
도 7은 설비 정보 조회 및 제어부(13)에 의해 제공되는 일/월/연별 누적량 통계 및 예상 수익 분석 화면의 일예를 나타낸 것이다.
도 8은 트렌드 조회부(14)에 의해 제공되는 설비 운영 데이터의 트렌드를 기간별로 제공한 화면의 일예를 나타낸 것이다.
도 9는 진단부(20)의 구성을 나타낸 도면이다.
도 10은 다변량 기준 통일 과정의 일예를 나타낸 것이다.
도 11은 Outlier Detection을 통한 정상 데이터를 정의하는 과정의 일예를 나타낸 것이다.
도 12는 이상 징후 판단을 위한 데이터 모델 및 데이터 분석 모형의 일예를 나타낸 것이다.
도 13은 이상 징후 판단 모델(22)의 학습 과정과 이를 통한 이상 징후 판단 예측 모델의 일예를 나타낸 것이다.
도 14는 클라우드 플랫폼으로 구현된 시스템(100)의 일예를 나타낸 것이다.
도 15 및 도 16은 발전량 예측 모델을 설명하기 위한 도면이다.1 is a diagram showing the overall configuration of a
2 is a diagram illustrating the configuration of the monitoring and
3 and 4 are screens showing the monitoring status provided by the status
5 shows a real-time facility status and a screen provided by the
6 shows an example of a screen provided by the facility information inquiry and
7 shows an example of a daily/monthly/yearly accumulated amount statistics and expected profit analysis screen provided by the facility information inquiry and
FIG. 8 shows an example of a screen in which a trend of facility operation data provided by the
9 is a diagram illustrating the configuration of the
10 shows an example of a multivariate standard unification process.
11 shows an example of a process of defining normal data through outlier detection.
12 shows an example of a data model and a data analysis model for determining anomalies.
13 shows an example of a learning process of the abnormal
14 shows an example of the
15 and 16 are diagrams for explaining a power generation amount prediction model.
이하에서, 본 발명에 의한 실시예를 도면을 참조하여 상세하게 설명하기로 한다.Hereinafter, an embodiment according to the present invention will be described in detail with reference to the drawings.
도 1은, 본 발명에 의한 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템(100)의 전체적인 구성을 나타낸 도면이다.1 is a diagram showing the overall configuration of a
도 1을 참조하면, 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템(100, 이하, 간단히 "시스템(100)"이라 한다)은, 모니터링 및 제어부(10) 및 진단부(20)를 포함한다.Referring to FIG. 1 , a system for providing facilities and equipment real-time monitoring and anomaly AI diagnosis service 100 (hereinafter, simply referred to as “
모니터링 및 제어부(10)는 시설 관련 정보에 기초하여 시설 현황을 모니터링하고 제어하는 기능을 수행하는 수단이다.The monitoring and
여기에서, 시설 관련 정보는, 예컨대 시설이 태양광 발전 시설인 경우, 태양광 발전 설비와 설비에서 사용되는 각종 장비와 관련된 데이터로서, 발전량, AC전압, 유효전력, 무효전력, 역률, 전력량, 온습도, 배터리 데이터(SOC, 셀최고 최저 전압, 온도), PCS 데이터(전압, 전류, 유효전력, 역률, 주파수 온도) 등을 포함할 수 있다. 이러한 정보 중 일부 데이터들은 IoT 센서 등에 의해 획득될 수 있다.Here, the facility-related information, for example, when the facility is a photovoltaic power plant, is data related to the photovoltaic power generation facility and various equipment used in the facility, and the amount of power generation, AC voltage, active power, reactive power, power factor, power amount, temperature and humidity , battery data (SOC, cell highest and lowest voltage, temperature), PCS data (voltage, current, active power, power factor, frequency and temperature), and the like. Some of this information may be acquired by an IoT sensor or the like.
도 2는 모니터링 및 제어부(10)의 구성을 나타낸 도면이다.2 is a diagram illustrating the configuration of the monitoring and
도 2를 참조하면, 모니터링 및 제어부(10)는, 상태 현황 모니터링부(11), 실시간 설비 현황 및 PMS 제어부(12), 설비 정보 조회 및 제어부(13) 및 트렌드 조회부(14)를 포함한다.Referring to FIG. 2 , the monitoring and
상태 현황 모니터링부(11)는 시설의 전체적인 상태 현황을 모니터링하는 수단이다.The status
상태 현황 모니터링부(11)는 예컨대 태양광 발전소 전체에 대한 통합 상태 현황과 개별 발전소의 상태 현황을 모니터링할 수 있다.The status
도 3 및 도 4는 상태 현황 모니터링부(11)에 의해 제공되는 모니터링 상태를 나타낸 화면이다.3 and 4 are screens showing the monitoring status provided by the status
도 3 및 도 4에 나타낸 바와 같이, 전체 관리 발전소 및 개별 발전소에 대한 전체적인 상태 현황을 제공함으로써, 이들에 대한 모니터링을 가능하게 한다.As shown in Figures 3 and 4, by providing the overall status status of the overall management power plant and individual power plants, it is possible to monitor them.
실시간 설비 현황 및 PMS 제어부(12)는, 실시간으로 전체적인 설비의 현황 및 PMS 제어를 수행하는 수단이다. Real-time facility status and
도 5는 실시간 설비 현황 및 PMS 제어부(12)에 의해 제공되는 화면을 나타낸 것이다.5 shows a real-time facility status and a screen provided by the
도 5에 나타낸 바와 같이, 실시간 설비 현황 및 PMS 제어부(12)는, 실시간으로 설비 현황을 제공해주고, ESS 제어의 운전모드를 선택할 수 있으며, PMS 제어의 제어 모드를 수동/자동으로 선택할 수 있도록 한다.As shown in FIG. 5 , the real-time facility status and
설비 정보 조회 및 제어부(13)는 설비 정보를 조회하고 제어할 수 있도록 하는 수단이다.The facility information inquiry and
도 6은 설비 정보 조회 및 제어부(13)에 의해 제공되는 화면의 일예를 나타낸 것이다.6 shows an example of a screen provided by the facility information inquiry and
도 6에 나타낸 바와 같이, PV 인버터, ESS 배터리, PCS 정보 등과 같은 설비 정보를 조회하고 이들에 대한 제어 모드를 선택할 수 있도록 한다.As shown in FIG. 6 , it is possible to inquire facility information such as PV inverter, ESS battery, PCS information, and the like, and select a control mode for them.
또한, 알람 히스토리를 조회할 수 있으며, 일/월/연별 누적량 통계 및 예상 수익 분석을 제공한다.In addition, it is possible to inquire the alarm history, and provides daily/monthly/yearly cumulative amount statistics and expected profit analysis.
도 7은 설비 정보 조회 및 제어부(13)에 의해 제공되는 일/월/연별 누적량 통계 및 예상 수익 분석 화면의 일예를 나타낸 것이다.7 shows an example of the daily/monthly/yearly cumulative amount statistics and expected profit analysis screen provided by the facility information inquiry and
트렌드 조회부(14)는 설비 운영과 관련된 운영 데이터의 트렌드를 조회할 수 있도록 하는 수단이다.The
도 8은 트렌드 조회부(14)에 의해 제공되는 설비 운영 데이터의 트렌드를 기간별로 제공한 화면의 일예를 나타낸 것이다.FIG. 8 shows an example of a screen in which trends of facility operation data provided by the
다음으로, 진단부(20)에 대해 설명한다.Next, the
도 9는 진단부(20)의 구성을 나타낸 도면이다.9 is a diagram illustrating the configuration of the
진단부(20)는 시설 관련 정보에 기초하여 시설의 이상 징후를 사전에 진단하고 예측하는 수단으로서, 인공 지능에 기반하여 학습을 수행한 신경망 모델에 기반하여 시설 관련 정보에 기초하여 시설의 이상 징후를 판별하도록 동작한다.The
도 9에 나타낸 바와 같이, 진단부(20)는, 전처리부(21), 이상 징후 판단 모델(22) 및 알람부(23)를 포함한다.As shown in FIG. 9 , the
전처리부(21)는, 입력되는 시설 관련 정보에 대한 전처리를 수행하여 이상 징후 판단 모델(22)로 전달하는 수단이다.The
여기에서, 전처리란, 입력되는 시설 관련 정보에 대해 파싱 등의 처리를 통해 이상 징후 판단 모델(22)에서 학습 및 분류에 사용할 수 있는 데이터로 변환 및 가공하는 절차를 말한다.Here, the pre-processing refers to a procedure of converting and processing input facility-related information into data that can be used for learning and classification in the
여기에서, 시설 관련 정보는 이상 징후 판단 모델(22)의 학습을 위한 학습 데이터이거나 이상 징후 판단 모델(22)에서 이상 징후 여부 및 분류의 판단이 되는 검사 데이터일 수 있다.Here, the facility-related information may be learning data for learning of the
한편, 전술한 바와 같이, 시설 관련 정보는, 예컨대 시설이 태양광 발전 시설인 경우, 태양광 발전 설비 관련 데이터로서, 발전량, AC전압, 유효전력, 무효전력, 역률, 전력량, 온습도, 배터리 데이터(SOC, 셀최고 최저 전압, 온도), PCS 데이터(전압, 전류, 유효전력, 역률, 주파수 온도) 등을 포함할 수 있으며, 전처리부(21)는 이러한 데이터들을 적절히 변환 및 가공하여 이상 징후 판단 모델(22)로 입력시킨다.On the other hand, as described above, facility-related information is, for example, when the facility is a photovoltaic power plant, as photovoltaic facility-related data, the amount of power generation, AC voltage, active power, reactive power, power factor, power amount, temperature and humidity, battery data ( SOC, cell highest and lowest voltage, temperature), PCS data (voltage, current, active power, power factor, frequency and temperature), etc. may be included, and the
전처리부(21)는, 기초 전처리 가공 과정으로서, Missing Data, Duplicate Data를 처리할 수 있다. 또한, Outlier 처리를 수행하여, 통상 발생 범위를 벗어나는 데이터를 찾아내어 처리할 수 있다.The
또한, 시간 간격 처리를 통해, 동일 분석에 사용되는 변수들을 대상으로 시간 간격을 동일화할 수 있다.In addition, through the time interval processing, the time interval can be identical to the variables used for the same analysis.
또한, 전처리부(21)는, 경고 알람 데이터를 가공할 수 있다. 정상 상태임에도 너무나 빈번하게 발생하는 알람 데이터 선별 처리하거나, 비지도 AI 분석을 적용하여 경고 알람 데이터를 그룹화한 후 중요도가 낮은 알람 데이터를 Outlier 처리할 수 있다.In addition, the
또한, 전처리부(21)는, 진단 및 예측 모델 학습용 데이터를 가공하는데, 다변량 기준 통일을 수행하여, 주기가 일정하지 않은 데이터들을 수집 시 평균, 선형보간법, 운영 Cycle 분리로 주기를 일정하게 처리하여, 다변량 분석이 가능하게 하는 것이 바람직하다.In addition, the
도 10은 다변량 기준 통일 과정의 일예를 나타낸 것이다.10 shows an example of a multivariate standard unification process.
또한, 전처리부(21)는, 비지도 학습을 전제하여 Outlier Detection을 통한 최소한의 정상 데이터를 정의할 수 있다. 다변량이면서 임계치를 인위적으로 설정하지 않기 때문에 정상/비정상 구분에 따른 학습이 불가능하여 Outlier Detection 라벨링을 적용한다.In addition, the
도 11은 Outlier Detection을 통한 정상 데이터를 정의하는 과정의 일예를 나타낸 것이다.11 shows an example of a process of defining normal data through outlier detection.
한편, 이상 징후 판단 모델(22)은, 전처리부(21)에서 전처리된 학습용 데이터인 시설 관련 정보에 의해 머신 러닝에 기반한 학습을 수행하고, 전처리부(21)에서 전달되는 검사용 데이터인 시설 관련 정보에 기초하여 이상 징후를 판단하여 이상 징후 여부 및 분류 결과를 제공하는 수단이다.On the other hand, the abnormal
이를 위해서는, 이상 징후 판단을 위한 데이터 모델 및 데이터 분석 모형을 미리 설계할 필요가 있다.To this end, it is necessary to design a data model and a data analysis model for judging anomalies in advance.
도 12는 이상 징후 판단을 위한 데이터 모델 및 데이터 분석 모형의 일예를 나타낸 것이다.12 shows an example of a data model and a data analysis model for determining anomalies.
이상 징후 판단 모델(22)은, 머신 러닝에 기반하여 학습용 데이터에 대해 특징 벡터를 추출하고, 추출된 특징 벡터에 대한 파라미터와 가중치에 대한 오차가 최소화되도록 파라미터와 가중치를 조절함으로써 학습될 수 있다.The
이러한 이상 징후 판단 모델(22)로는, 머신 러닝 모형으로서, 인공 신경망에 기반한 CNN, RNN, AE 등을 사용할 수 있다.As the
여기에서, 데이터 전처리 모형으로 데이터 정제, 데이터 변환, 부분집합, 필터, 집계, 정렬, 결합, 샘플링 등을 지원할 수 있다.Here, data preprocessing models can support data cleansing, data transformation, subset, filter, aggregation, sorting, combining, sampling, and the like.
또한, 통계 분석 모형을 사용하여, 상관분석, 회귀분석, 시계열분석 등을 지원할 수도 있다.In addition, by using a statistical analysis model, correlation analysis, regression analysis, time series analysis, etc. can be supported.
또한, LSTM(Long Short-Term Memory) 기법을 통한 모델을 사용할 수도 있다.In addition, a model through a Long Short-Term Memory (LSTM) technique may be used.
이상 징후 판단 모델(22)은, 수집된 데이터 중 통상적인 측정 범위를 벗어나는 경우에 이를 제거할 필요가 있다. 또한 통상적인 측정 범위 이내이지만 이상 상태와 관련없는 데이터도 제외할 필요가 있다. 예컨대, 배터리 경보 이벤트 중 빈번하게 발생하는 데이터가 있을 수 있으므로, 이러한 상황을 반영하는 이상치 탐지 모듈 제공이 필요할 수 있다.The abnormal
또한, 단일 변수가 아닌 여러 변수를 종합하여 진단하는 모델을 사용할 필요가 있으며 발전 설비 데이터에 맞게 진단하는 모델로 커스터마이징할 필요가 있다.In addition, it is necessary to use a model for diagnosing multiple variables rather than a single variable, and it is necessary to customize the diagnosis model according to the data of power generation facilities.
또한, 이러한 모듈은 AI 솔루션 기본 기능을 이용하여 워크플로우로 구성되고, 사용자가 지정한 시간에 자동 실행되도록 스케줄 기능이 지원되어야 한다. 또한, 해당 작업 워크플로우는 수요기업에서 수정 및 신규 생성이 가능하여야 한다.In addition, these modules should be configured as a workflow using the AI solution basic functions, and the schedule function should be supported to be automatically executed at the time specified by the user. In addition, the work workflow should be able to be modified and newly created by the demanding company.
도 13은 이상 징후 판단 모델(22)의 학습 과정과 이를 통한 이상 징후 판단 예측 모델의 일예를 나타낸 것이다.13 shows an example of a learning process of the
머신 러닝에 기반하여 이상 징후 판단 모델(22)을 구성하는 기술 자체는 본 발명의 직접적인 목적이 아니고, 종래에 알려진 것을 사용할 수 있으므로 이에 대한 상세 설명은 생략한다.The technology itself for configuring the
한편, 이상 징후 판단 모델(22)에 대해 학습이 완료되면, 이상 징후 판단 모델(22)은 입력되는 검사용 데이터인 시설 관련 정보에 대해 이상 징후 판단 및 분류 결과를 출력한다.On the other hand, when the learning of the abnormal
알람부(23)는, 검사용 데이터인 시설 관련 정보에 대해 이상 징후 판단 모델(22)의 출력 결과에 기초하여, 이상 징후 정보를 제공하는 수단이다.The
알람부(23)는, 예컨대 대시보드를 통한 데이터 가시화, 규칙엔진을 통한 원격 제어 및 알람 발송(Email, SMS, Slack 등), 리포트 생성 기능을 제공할 수 있다.The
실제 설비 운영시 수많은 경고 데이터 발생할 수 있는데, 전술한 바와 같은 AI 솔루션 기능을 활용하여 실제 의미 있는 경고 데이터를 선별하여 살펴볼 수 있도록 할 필요가 있다.Numerous warning data may be generated during actual facility operation, and it is necessary to select and review actual meaningful warning data by utilizing the AI solution function as described above.
한편, 본 발명에 의한 시스템(100)은 클라우드 플랫폼으로 구성하는 것이 바람직하다.On the other hand, the
도 14는 클라우드 플랫폼으로 구현된 시스템(100)의 일예를 나타낸 것이다.14 shows an example of the
도 14에 도시한 바와 같이, 다양한 종류의 IoT 디바이스와 시스템(100) 및 장비들의 연결을 지원하며, 데이터의 수집, 통합, 분석을 통해 실시간으로 전술한 바와 같은 시스템 모니터링 및 이상 징후 판단 기능을 제공할 수 있다.As shown in Fig. 14, it supports the connection of various types of IoT devices, the
한편, 본 발명에 의한 시스템(100)은, 발전량 예측 모델을 더 포함하도록 구성할 수도 있다.Meanwhile, the
도 15 및 도 16은 발전량 예측 모델을 설명하기 위한 도면이다.15 and 16 are diagrams for explaining a power generation amount prediction model.
도 15 및 도 16에 나타낸 바와 같이, 본 발명에 의한 AI 기반의 모델을 사용함으로써 현재 시점에서 이상적인 발전량 예측 알고리즘을 설계하고, 높은 정확도를 갖는 발전량 예측 모형을 개발할 수 있다.As shown in FIGS. 15 and 16 , by using the AI-based model according to the present invention, it is possible to design an ideal power generation prediction algorithm at the present time and develop a power generation prediction model with high accuracy.
이러한 발전량 예측 모형은, 발전에 특화된 변수로 예측되는 모델로 커스터마이징하고, 날씨 변수를 감안하여 예측값이 산출되도록 제공되어야 한다.Such a power generation forecasting model should be customized as a model predicted by a variable specialized for power generation, and provided so that a forecast value is calculated in consideration of weather variables.
이러한 본 발명에 의하면, 지리 정보시스템을 기반으로 태양광 발전 설비의 위치, 발전(예측) 정보, 기상정보 등을 통하여 일관성 있고 효율적인 정보를 제공하고, 태양광 설비의 실시간 모니터링, 발전량 예측, 고장진단, 경제성 분석 등을 포함하는 통합 운영 관리와 태양광 발전 데이터의 수집, 분석 등에 대한 분산처리를 위한 클라우드 기반 빅데이터 플랫폼을 구축할 수 있다.According to the present invention, consistent and efficient information is provided through the location, power generation (prediction) information, weather information, etc. of the solar power generation facility based on the geographic information system, and real-time monitoring of the solar power facility, generation amount prediction, and fault diagnosis are provided. It is possible to build a cloud-based big data platform for integrated operation management including , economic analysis, and distributed processing of solar power generation data collection and analysis.
또한, 실측 발전량과 추정 발전량의 오차, 시스템상의 특성 분석을 통한 발전량 오차 및 출력 이상을 판단하고, 태양광 발전소의 출력 전압, 전류 등의 발전정보를 통해 출력 이상 및 ESS의 손상에 따른 고장 상태 진단을 효율적으로 수행할 수 있다.In addition, it determines the error of the actual power generation and the estimated power generation, and the generation error and output abnormality through the analysis of system characteristics, and diagnoses the failure state due to the output abnormality and damage to the ESS through generation information such as the output voltage and current of the solar power plant can be performed efficiently.
이상에서 본 발명에 의한 바람직한 실시예를 참조하여 본 발명을 설명하였으나 본 발명은 상기 실시예에 한정되지 않으며 다양한 형태의 수정 및 변형 실시가 가능함은 물론이다.Although the present invention has been described with reference to the preferred embodiment according to the present invention above, the present invention is not limited to the above embodiment and various modifications and variations are possible.
100...시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템
10...모니터링 및 제어부
20...진단부100...Facility and equipment real-time monitoring and anomaly AI diagnosis service system
10...monitoring and control
20...diagnostic unit
Claims (5)
시설 관련 정보에 기초하여 시설 현황을 모니터링하고 제어하는 기능을 수행하는 모니터링 및 제어부; 및
시설 관련 정보에 기초하여 시설의 이상 징후를 사전에 진단하고 예측하는 진단부
를 포함하고,
상기 모니터링 및 제어부는,
시설의 전체적인 상태 현황을 모니터링하는 상태 현황 모니터링부;
실시간으로 전체적인 설비의 현황 및 PMS 제어를 수행하는 실시간 설비 현황 및 PMS 제어부;
설비 정보를 조회하고 제어할 수 있도록 하는 설비 정보 조회 및 제어부; 및
설비 운영과 관련된 운영 데이터의 트렌드를 조회할 수 있도록 하는 트렌드 조회부
를 포함하고,
상기 진단부는, 인공 지능에 기반하여 학습을 수행한 신경망 모델에 기반하여 시설 관련 정보에 기초하여 시설의 이상 징후를 판별하도록 동작하는 것을 특징으로 하는 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템.As a facility and equipment real-time monitoring and anomaly AI diagnosis service providing system,
Monitoring and control unit that performs a function of monitoring and controlling the status of the facility based on the facility-related information; and
Diagnosis unit that diagnoses and predicts abnormal signs of facilities in advance based on facility-related information
including,
The monitoring and control unit,
a status monitoring unit for monitoring the overall status of the facility;
a real-time facility status and PMS control unit that performs overall facility status and PMS control in real time;
facility information inquiry and control unit for inquiring and controlling facility information; and
Trend inquiry unit that allows you to inquire the trend of operation data related to facility operation
including,
The diagnosis unit is a system for providing real-time monitoring of facilities and equipment and anomaly AI diagnosis service, characterized in that, based on a neural network model that has been trained based on artificial intelligence, the facility and equipment real-time monitoring and anomaly AI diagnosis service, characterized in that it operates to determine abnormal signs of the facility based on facility-related information .
상기 진단부는,
입력되는 시설 관련 정보에 대한 전처리를 수행하여 이상 징후 판단 모델로 전달하는 전처리부;
머신 러닝에 기반하여 학습용 데이터에 대해 특징 벡터를 추출하고, 추출된 특징 벡터에 대한 파라미터와 가중치에 대한 오차가 최소화되도록 파라미터와 가중치를 조절함으로써 학습되며, 학습이 완료된 후 입력되는 검사용 데이터인 시설 관련 정보에 대해 이상 징후 판단 및 분류 결과를 출력하는 이상 징후 판단 모델; 및
검사용 데이터인 시설 관련 정보에 대해 이상 징후 판단 모델의 출력 결과에 기초하여 이상 징후 정보를 제공하는 알람부
를 포함하는 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템.The method according to claim 1,
The diagnostic unit,
a pre-processing unit that performs pre-processing on input facility-related information and transmits it to an anomaly detection model;
A facility that extracts a feature vector from the training data based on machine learning, adjusts the parameters and weights so that the error on the parameters and weights for the extracted feature vector is minimized, and is the inspection data that is input after learning is completed an anomaly judgment model for outputting anomaly judgment and classification results with respect to related information; and
An alarm unit that provides abnormal symptom information based on the output result of the abnormal symptom judgment model for facility-related information, which is data for inspection
A system that includes real-time monitoring of facilities and equipment and anomaly AI diagnosis service.
상기 전처리부는, 입력되는 시설 관련 정보에 대해 이상 징후 판단 모델에서 학습 및 분류에 사용할 수 있는 데이터로 변환 및 가공하고,
상기 시설 관련 정보는 이상 징후 판단 모델의 학습을 위한 학습 데이터이거나 이상 징후 판단 모델에서 이상 징후 여부 및 분류의 판단이 되는 검사 데이터인 것을 특징으로 하는 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템.4. The method according to claim 3,
The pre-processing unit converts and processes the input facility-related information into data that can be used for learning and classification in the anomaly determination model,
The facility-related information is learning data for learning of an anomaly determination model or inspection data for determining whether an anomaly is present and a classification in the anomaly determination model. Facility and equipment real-time monitoring and anomaly AI diagnosis service providing system .
상기 전처리부는,
누락 데이터, 중복 데이터를 처리하고, 아웃라이어(Outlier) 처리를 수행하여, 통상적인 발생 범위를 벗어나는 데이터를 찾아 처리하고, 시간 간격 처리를 통해, 동일 분석에 사용되는 변수들을 대상으로 시간 간격을 동일하게 하며, 주기가 일정하지 않은 데이터 수집시 평균, 선형보간법, 운영 주기 분리를 통해 주기를 일정하게 처리하는 것을 특징으로 하는 시설 및 장비 실시간 모니터링 및 이상 징후 AI 진단 서비스 제공 시스템.5. The method according to claim 4,
The preprocessor is
Process missing data and duplicate data, perform outlier processing to find and process data that is out of the normal occurrence range Facility and equipment real-time monitoring and anomaly AI diagnosis service providing system, characterized in that the period is uniformly processed through averaging, linear interpolation, and separation of operating periods when collecting data whose period is not constant.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210011562A KR102411915B1 (en) | 2021-01-27 | 2021-01-27 | System and method for froviding real time monitering and ai diagnosing abnormality sign for facilities and equipments |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210011562A KR102411915B1 (en) | 2021-01-27 | 2021-01-27 | System and method for froviding real time monitering and ai diagnosing abnormality sign for facilities and equipments |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102411915B1 true KR102411915B1 (en) | 2022-06-22 |
Family
ID=82216797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210011562A KR102411915B1 (en) | 2021-01-27 | 2021-01-27 | System and method for froviding real time monitering and ai diagnosing abnormality sign for facilities and equipments |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102411915B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240045652A (en) | 2022-09-30 | 2024-04-08 | 주식회사 에니트 | Industrial infrastructure safety management monitoring system using AI-based distributed strain sensor |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140112146A (en) | 2013-03-12 | 2014-09-23 | 주식회사 케이디파워 | Detection apparatus of photovoltaic power generation system and detection method |
| KR20170125237A (en) | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | Plant system, and fault detecting method thereof |
-
2021
- 2021-01-27 KR KR1020210011562A patent/KR102411915B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140112146A (en) | 2013-03-12 | 2014-09-23 | 주식회사 케이디파워 | Detection apparatus of photovoltaic power generation system and detection method |
| KR20170125237A (en) | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | Plant system, and fault detecting method thereof |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240045652A (en) | 2022-09-30 | 2024-04-08 | 주식회사 에니트 | Industrial infrastructure safety management monitoring system using AI-based distributed strain sensor |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110221558B (en) | Electro-hydraulic servo valve online fault diagnosis gateway based on edge computing technology | |
| CN110647133B (en) | Rail transit equipment state detection maintenance method and system | |
| CN109102189B (en) | Electrical equipment health management system and method | |
| CN102032115A (en) | System and method for analyzing reporting data | |
| CN115244482A (en) | Hybrid risk model for maintenance optimization and system for performing such method | |
| CN110309981A (en) | A kind of power station Decision-making of Condition-based Maintenance system based on industrial big data | |
| KR102464762B1 (en) | Predictive maintenance method for equipment failure using artificial intelligence based on experiential shared knowledge | |
| CN116308304B (en) | New energy intelligent operation and maintenance method and system based on meta learning concept drift detection | |
| CN117176560B (en) | Monitoring equipment supervision system and method based on Internet of things | |
| CN106019195A (en) | Electric power measurement automation verification assembly line fault diagnosis system | |
| KR102194271B1 (en) | Sunlight generation integrated management system based on model and method thereof | |
| CN117761444B (en) | Method and system for monitoring service life of surge protector | |
| KR20190069213A (en) | Apparatus and method for operation and management of distributed photovoltaic energy generator based on remote monitoring | |
| CN110709789A (en) | Method and apparatus for monitoring the condition of a subsystem within a renewable power generation device or microgrid | |
| CN113763667A (en) | Fire early warning and state monitoring device and method based on 5G edge calculation | |
| KR102411915B1 (en) | System and method for froviding real time monitering and ai diagnosing abnormality sign for facilities and equipments | |
| CN116755964A (en) | Fault prediction and health management system for reinforcement server | |
| CN116090591A (en) | Tunnel equipment facility state monitoring and early warning system based on machine learning | |
| JP6176377B1 (en) | Equipment management system, equipment management method and program | |
| CN109523030B (en) | Telemetering parameter abnormity monitoring system based on machine learning | |
| WO2020253950A1 (en) | Monitoring method, predicting method, monitoring system and computer program | |
| CN113919546A (en) | Visual prediction system of equipment life | |
| CN117634836A (en) | Matrix analysis-based photovoltaic power station cleaning process evaluation method and system | |
| CN112396226A (en) | Intelligent predictive equipment maintenance method and device based on mobile communication | |
| RU2668852C1 (en) | Method and system of accounting residual operation life of turbo-aggregate components |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |