KR20220132824A - 배전설비 상태 이상 개소 감시 시스템 및 방법 - Google Patents

배전설비 상태 이상 개소 감시 시스템 및 방법 Download PDF

Info

Publication number
KR20220132824A
KR20220132824A KR1020210037849A KR20210037849A KR20220132824A KR 20220132824 A KR20220132824 A KR 20220132824A KR 1020210037849 A KR1020210037849 A KR 1020210037849A KR 20210037849 A KR20210037849 A KR 20210037849A KR 20220132824 A KR20220132824 A KR 20220132824A
Authority
KR
South Korea
Prior art keywords
data
information
distribution
measurement
learning model
Prior art date
Application number
KR1020210037849A
Other languages
English (en)
Inventor
이춘권
정종만
박미르
김형래
이병성
Original Assignee
한국전력공사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전력공사 filed Critical 한국전력공사
Priority to KR1020210037849A priority Critical patent/KR20220132824A/ko
Publication of KR20220132824A publication Critical patent/KR20220132824A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 딥러닝 기반 배전설비 상태 이상 개소 감시 시스템은, 빅데이터로 축적된 계측 데이터를 기반으로한 LSTM 시계열 데이터 학습 모델; 상기 데이터 학습 모델을 기반으로 향후 계측 데이터를 예측하는 데이터 예측부; 상기 빅데이터로 축적된 계측 데이터에 대한 분포 정보를 산출하고 저장하는 분포 정보 관리부; 상기 데이터 예측부가 예측한 데이터의 분포 정보를 도출하고, 상기 분포 정보 관리부에 저장된 분포 정보에 대하여 상호 상관계수 정보를 산출하는 신뢰도 정보 산출부; 및 상기 데이터 학습 모델을 재학습시키는 모델 구성부를 포함할 수 있다.

Description

배전설비 상태 이상 개소 감시 시스템 및 방법{DISTRIBUTION FACILITY CONDITION MONITORING SYSTEM AND METHOD}
본 발명은 딥러닝 기반으로 배전설비 상태 이상개소 탐지 및 상태변화 추정을 수행할 수 있는 배전설비 상태 이상 개소 감시 시스템 및 방법에 관한 것이다.
기존의 가공 및 지중 배전설비 진단은 순시진단에 의존하여 사람이 직접 초음파검출 장비나, 부분방전 측정장비, 전류검출기 등의 장비를 메고 의심개소 여부와 상관없이 전 설비를 검사하는 이른바 시간-기반 정비(Time Based Maintenance)에 불과하였으며, 그 마저도 가공 배전설비의 경우 직접적인 접근이 어려워 거의 육안으로 확인하는 수준에 불과하였다.
이를 위하여 배전원이 직접 점검을 위하여 배전설비를 실제 오르거나, 열거나 하기 때문에 안전 문제가 있으며, 시간과 비용이 많이 들기 때문에 비효율적이다.
머신러닝이 다양한 분야에 적용되면서, 상술한 배전원 점검 작업을 머신러닝화하려는 시도가 있었다. 예컨대, 부분방전 진단을 위한 종래 방안으로서, 노이즈 제거 센서를 이용한 부분방전 진단 방법이 제시된 바 있다. 이 경우, IoT 기술 등 점검을 위한 센서 기반 신호를 전달할 수 있는 통신 시스템과 함께 구현되는 것이 유리하다.
상기 방안에서는, 센서 데이터로부터 수신한 데이터를 통해 컨벌루션 신경망(Convolution Neural Networks, CNN)을 이용하여 센서 데이터의 부분 방전 타입을 분류한다. 그리고, PRPD 이미지를 1분간 누적한 이미지를 이용하여 모델을 학습하고 패턴을 식별한다.
그러나, CNN 모델은 부분방전 유형 진단을 목적으로 하는 분류 모델로서, 학습을 위하여 부분방전 유형별 많은 학습 데이터를 필요로 하고 학습량이 많다. 특히, 부분방전 유형 진단에 앞서 부분방전 발생을 높은 신뢰도로 탐지하여 충분히 데이터를 축적하는 과정이 선행되어야 한다.
이와 같이, 부분방전만을 머신러닝 기법으로 진단하는데에도 상당한 전제 조건과 사전 데이터 축적의 부담이 있어 실제 필드에 바로 적용하기는 어려웠다.
대한민국 공개공보 10-2020-0130528호
본 발명은 관리자의 경험이나 전문지식을 활용하여 배전 설비의 고장을 저렴한 부담으로 신속하고 정확하게 탐지할 수 있는 딥러닝 기반의 배전설비 상태 이상 개소 감시 시스템 및 방법을 제공하고자 한다.
본 발명의 일 측면에 따른 배전설비 상태 이상 개소 감시 시스템은, 빅데이터로 축적된 계측 데이터를 기반으로한 LSTM 시계열 데이터 학습 모델; 상기 데이터 학습 모델을 기반으로 향후 계측 데이터를 예측하는 데이터 예측부; 상기 빅데이터로 축적된 계측 데이터에 대한 분포 정보를 산출하고 저장하는 분포 정보 관리부; 상기 데이터 예측부가 예측한 데이터의 분포 정보를 도출하고, 상기 분포 정보 관리부에 저장된 분포 정보에 대하여 상호 상관계수 정보를 산출하는 신뢰도 정보 산출부; 및 상기 데이터 학습 모델을 재학습시키는 모델 구성부를 포함할 수 있다.
여기서, 상기 분포 정보 관리부는, 상기 축적된 계측 데이터에 대한 분포 정보로서 4 분위수를 도출하여 DB의 형태로 보유할 수 있다.
여기서, 전력 설비나 배전 선로상에 설치된 각종 센서들로부터의 계측값들을 배정된 통신 채널을 통하여 전송받아, 내부 저장 수단이나 외부의 DB 서버에 저장하는 방식으로 관련 빅데이터를 축적하는 계측 데이터 획득부를 더 포함할 수 있다.
여기서, 상기 상호 상관계수 정보를 시각적으로 배전 설비 관리자에게 제공하고, 상기 관리자의 평가를 입력받는 사용자 인터페이스를 더 포함할 수 있다.
여기서, 상기 모델 구성부는, 상기 사용자 인터페이스를 통한 관리자의 전문가 판정을 반영하여 상기 데이터 학습 모델을 재학습시킬 수 있다.
여기서, 상기 모델 구성부는, 실계측 데이터와 LSTM을 통한 예측데이터간의 오차를 반영하여 재학습시킬 수 있다.
여기서, 상기 사용자 인터페이스는, 축적된 계측 빅데이터에 대하여 확률분포를 4등분하는 값의 조합인 4 분위수 정보와 함께 계측값 또는 예측값을 화면에 표시할 수 있다.
여기서, 상기 사용자 인터페이스는, 관리자의 지시에 따라 상기 화면를 구성하는데 기준이 되는 4분위수 정보를 위한 시간 구간을 설정할 수 있다.
여기서, 상기 LSTM 시계열 데이터 학습 모델은, 시계열 데이터 분석 방법으로서, 데이터의 추세(trend data), 주기 반복 패턴(cycle data)를 각각 분해하여 이상 계측치 탐지하고, STR(Seasonal-Trend-Residual) 가법 모델의 계절 요인을 주기요인으로 대체 활용할 수 있다.
본 발명의 다른 측면에 따른 배전설비 상태 이상 개소 감시 방법은, 전력 계통의 계측 데이터를 적용할 LSTM 시계열 데이터 학습 모델을 준비하는 단계; 전력 계통의 계측 데이터를 빅데이터로서 수집하는 단계; 수집된 상기 계측 데이터로 학습시킨 상기 LSTM 시계열 데이터 학습 모델을 이용하여 향후 계측 데이터를 예측하는 단계; 상기 빅데이터로 축적된 계측 데이터에 대한 분포 정보로서 분위수 정보를 산출하여 DB화 하는 단계; 상기 분위수 정보와 예측된 계측 데이터 또는 실 계측 데이터를 상호 비교한 정보를 관리자에게 제공하는 단계; 및 상기 상호 비교한 정보에 따라 상기 LSTM 시계열 데이터 학습 모델을 재학습시키는 단계를 포함할 수 있다.
여기서, 상기 DB화 하는 단계에서는, 지정된 시간 구간에 속한 측정값들에 대하여 4분위수 정보를 산출하고, 산출된 4분위수 정보를 DB에 저장할 수 있다.
여기서, 계측 데이터를 빅데이터로서 수집하는 단계에서는, 배전 설비에 설치된 각종 계측 장비들로부터 계측값을 IoT 센서 네트워크를 통해 입력받을 수 있다.
여기서, 사용자 인터페이스를 통한 관리자의 판정을 입력받는 단계를 더 포함하고, 상기 학습 모델을 재학습시키는 단계에서는, 상기 관리자의 판정을 반영하여 상기 데이터 학습 모델을 재학습시킬 수 있다.
여기서, 상호 비교한 정보를 관리자에게 제공하는 단계에서는, 축적된 계측 빅데이터에 대하여 확률분포를 4등분하는 값의 조합인 4 분위수 정보와 함께 계측값 또는 예측값을 화면에 표시할 수 있다.
여기서, 상기 빅데이터로서 수집하는 단계에서 수집된 정보를 이용하여, 상기 DB화 하는 단계 및 상기 향후 계측 데이터를 예측하는 단계가 병행하여 수행될 수 있다.
상술한 구성의 본 발명의 사상에 따른 딥러닝 기반의 배전설비 상태 이상 개소 감시 시스템 및/또는 방법을 실시하면, 관리자의 경험이나 전문지식을 활용하여 배전 설비의 고장을 저렴한 부담으로 신속하고 정확하게 탐지할 수 있는 이점이 있다.
본 발명의 딥러닝 기반 배전설비 상태 이상 개소 감시 시스템 및/또는 방법은, 특히 지중 구간을 포함하는 전력 계통의 고장 구간을 정밀 탐지하고 신속하게 복구하여 절전비용을 절감할 수 있는 이점이 있다.
본 발명의 딥러닝 기반 배전설비 상태 이상 개소 감시 시스템 및/또는 방법은, 실시간 온라인 상태감시를 통하여 순시, 점검, 진단 비용을 절감할 수 있는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 배전설비 상태 이상 개소 감시 시스템을 도시한 블록도.
도 2는 계측 신호들의 시계열에 따른 양상들을 나타낸 그래프.
도 3은 축적된 배선설비 계측 빅데이터를 4 분위수(4분위 편차 계수)로 DB화하고, 임의의 확률변수 축에서 확률분포를 4등분하는 값의 조합인 4분위수 정보와 함께 계측값을 표시하는 형태의 예시 화면.
도 4는 본 발명의 사상에 따른 배전설비 상태 이상 개소 감시 방법을 도시한 흐름도.
도 5는 도 1의 배전설비 상태 이상 개소 감시 시스템에서 수행되는 배전설비 상태 이상 개소 감시 방법을, 각 단계에 따라 생성되는 데이터 흐름을 중심으로 나타낸 개념도.
본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지 않을 수 있다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 명세서에서, 포함하다 또는 구비하다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
또한, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
본 발명은 최근 여러 분야에서 활용되고 있는 딥러닝 기반 시계열 데이터 학습기법 RNN의 일종인 Long Short-Term Memory models(LSTM)과 분위수 상호상관관계 분석을 이용하여, 전문지식 및/또는 경험이 풍부한 관리자로 하여금 배전설비의 계측 이상치를 식별하고 데이터를 검증하는 지원 시스템을 제시한다.
사물 인터넷 데이터 수집 환경의 무선 진단 센서는 배전설비(전주, 지상개폐기, 지상변압기, 주상변압기)에 부착되어 일정 시간마다 각 계측 신호(온도, 습도, 전류, 3축 진동, 상전류, 누설전류, 자외선, 초음파 등)를 서버로 전송한다. 상기 무선 진단 센서는 예컨대 IoT 센서 네트워크로 상기 서버로 계측 신호를 전송할 수 있다.
본 발명에서는 기 계측 및 축적된 시계열 데이터를 기반으로 하여 향후 데이터를 추정하기 위하여 LSTM 기법을 이용한다. LSTM은 딥러닝 기반 인공신경망의 일종으로 일반적인 인공신경망과 달리 스스로 반복 학습하여 이전 단계에서 얻은 정보가 지속적으로 영향을 미치게 하여 시계열데이터를 이용하여 학습하고 다음 값을 추정한다.
본 발명의 이점을 검증하기 위해, 주상변압기의 상태를 추정하는 IoT 기반 무센 센서의 계측 데이터들의 상관관계 및 개소별 유사성을 분삭하고 시계열 데이터를 분석하는 방식으로, 예컨대, 한달동안의 상태 계측 데이터를 학습하여 향후 2일의 데이터를 추정하는 과제를 통해 온도와의 의존성이 높은 계측 값을 구별하고 추세 및 주기성을 가지는 요인을 제거하여 정확한 이상(고장) 값을 판별하였다.
본 발명의 주된 아이디어에 따라, 생성/축적된 빅데이터의 효율적인 연산 및 저장을 위하여 각 정해진 시간에 대한 분위수를 구성하여 데이터의 크기를 줄일 수 있다. 분위수는 범위 안에 포함된 전체 자료를 특정 개수로 나눌 때 그 기준이 되는 수로서, 계측 데이터의 형태가 정규분포를 벗어나는 실시간 데이터나, 분산 정도가 큰 경우, 평균 만으로 주어진 데이터를 대표할 수 없기 때문에 활용하는 대표값이다.
전체 자료를 몇 개로 나눌지에 따라 분위수의 크기가 달라진다.(예 4등분으로 나눈 4 분위수, 각 분위수에 포함되어 있는 데이터의 수는 같다.)
LSTM으로 추정된 데이터와 DB화된 각 개소별 계측데이터의 분위수를 비교하기 위하여 추정된 데이터를 같은 분위수로 변경 후 상호상관계수를 계산하여 이상치 유무 탐지 및 현재 까지의 계측된 데이터들의 분포와 추정한 데이터들의 분포 변화를 비교한다.
다음, LSTM으로 추정된 데이터는, 실제 계측된 데이터와의 비교를 통하여 업데이트 및 재학습을 실시한다.
도 1은 본 발명의 일 실시예에 따른 배전설비 상태 이상 개소 감시 시스템을 도시한 블록도이다.
도시한 배전설비 상태 이상 개소 감시 시스템은, 빅데이터로 축적된 계측 데이터를 기반으로한 LSTM 시계열 데이터 학습 모델(130); 상기 데이터 학습 모델을 기반으로 향후 계측 데이터를 예측하는 데이터 예측부(140); 상기 빅데이터로 축적된 계측 데이터에 대한 분포 정보로서 분위수를 산출하고 저장하는 분위수 정보 관리부(150); 상기 데이터 예측부가 예측한 데이터의 분포 정보로서 분위수를 도출하고, 상기 분포 정보 관리부에 저장된 실제 계측값을 기반으로한 분포 정보에 대하여 상호 상관계수 정보를 산출하는 신뢰도 정보 산출부(160); 및 실계측 데이터와 LSTM을 통한 예측데이터간의 오차를 반영하여 상기 데이터 학습 모델을 재학습시키는 모델 구성부(120)를 포함할 수 있다.
도시한 바와 같이, 빅데이터로 축적될 수 있는 계측 데이터를 수집하는 계측 데이터 획득부(110); 및 상기 상호 상관계수 정보를 시각적으로 배전 설비 관리자에게 제공하고, 상기 관리자의 평가를 입력받는 사용자 인터페이스(180)를 더 포함할 수 있다.
상기 계측 데이터 획득부(110)는, 부분 방전 센서 등 전력 설비나 배전 선로상에 설치된 각종 센서들로부터의 계측값들을 배정된 통신 채널(예 : IoT 센서 네트워크)을 통하여 전송받아, 내부 저장 수단이나 외부의 DB 서버에 저장하는 방식으로 관련 빅데이터를 축적할 수 있다.
구현에 따라, 상기 LSTM 시계열 데이터 학습 모델(130)은, 시계열 데이터 분석 방법으로서, 데이터의 추세(trend data), 주기 반복 패턴(cycle data)를 각각 분해하여 이상 계측치 탐지하고, STR(Seasonal-Trend-Residual) 가법 모델의 계절 요인을 주기요인으로 대체 활용할 수 있다.
상기 데이터 예측부(140)는 축적 계측 빅데이터를 기반으로한 LSTM 시계열 데이터 학습 모델과 이를 기반으로 향 후 계측 데이터를 추정한다. 이를 위해, 상기 데이터 예측부(140)는 데이터 예측을 수행함에 있어서 상기 LSTM 시계열 데이터 학습 모델(130)을 이용하는 바, 상기 LSTM 시계열 데이터 학습 모델(130)과 통합된 SW 모듈의 형태로 구현될 수 있다.
상기 LSTM 시계열 데이터 학습 모델(130) 및 상기 데이터 예측부(140)는, 입력으로서 각종 센서들로부터의 계측값들이 적용되고, 출력으로서 각종 센서들의 미래의 예상되는 계측값들을 적용하는 바, 상기 모델 구성부(120)는 현재 측정된 특정 센서의 계측값으로 과거의 상기 LSTM 시계열 데이터 학습 모델(130)을 이용한 상기 데이터 예측부(140)의 예측을 평가하여, 상기 LSTM 시계열 데이터 학습 모델(130)을 재학습시킬 수 있다.
상기 분위수 정보 관리부(150)는, 신속한 실시간 분석 및 HW 부담 절감을 위해, 상기 계측 데이터 획득부(110)가 축적한 배선설비 계측 빅데이터를, 상대적 산포도 정보 보다 구체적으로는 분위수 정보를 적용하여 압축(요약)한다. 요약하면, 상기 분위수 정보 관리부(150)는, 계측 데이터에 대한 분위수를 산출하고 저장한다.
도 2는 계측 신호들의 시계열에 따른 양상들을 나타낸 그래프이다.
도 2에 도시한 항목들은 온도, 초음파, 자외성으로서 시계열 데이터 분석을 통해 이상 데이터 탐지가 가능함을 알 수 있다.
도 3은 축적된 배선설비 계측 빅데이터를 4 분위수(4분위 편차 계수)로 DB화하고, 임의의 확률변수 축에서 확률분포를 4등분하는 값의 조합인 4분위수 정보와 함께 계측값을 표시하는 형태의 예시 화면이다.
도시한 바와 같이, 각 센서별 및 각 계측 파라미터별로, 4분위수 정보와 함께 해당 센서에서 계측된 해당 파라미터의 계측값의 위치를 상대적으로 표시한다. 도시한 경우, 이상(고장) 상태 값에 해당되어 최대값 보다도 높은 특이값 형태로 표시되었다.
이를 위해, 상기 분위수 정보 관리부(150)는, 4분위수로 분석할 시간 구간을 결정하고, 상기 축적된 배선설비 계측 빅데이터 중 상기 결정된 시간 구간에 속하는 값들을 분류하고, 4분위수 정보로서 각 센서별 및 각 계측 파라미터별로, 최대값, 최소값, 중앙값, 1사분위수, 3사분위수를 산출하여 저장할 수 있다.
구현에 따라, 해당 센서에서 직전에 계측된 값 뿐만 아니라, 해당 센서의 해당 파라미터에 대한 예상 값(즉, 상기 데이터 예측부(140)의 예측 값)도, 도시한 바와 같이 4분위수 정보와 함께 표시할 수 있다.
이 경우, 비교적 장기간에 대하여 축적된 빅데이터를 기반으로 도시한 4분위수 정보에 추가적으로, 해당 예측 값 생성에 이용된 비교적 단기간의 최근 축적된 빅데이터를 기반으로 도출된 모델링 반영 데이터의 4분위수 정보를 표시할 수 있다.
상기 신뢰도 정보 산출부(160)는, 상기 LSTM 시계열 데이터 학습 모델(130)의 재학습을 위한 평가를, 분위수 정보 기반으로 생성하기 위한 것으로서, LSTM을 통한 예측 데이터의 분포 (분위수)와 실제 계측값을 기반으로한 데이터의 분포를 기초로 2 그룹의 분위수를 비교할 수 있는 상호상관계수를 산출하고, 이를 상기 모델 구성부(120)로 제공할 수 있다. 그러면, 상기 모델 구성부(120)는 상기 상호상관계수에 따라 재학습을 수행할 수 있다.
상기 사용자 인터페이스(180)는, 전력 계통에서의 다 경험자 및/또는 기술 전문가로서의 관리자가 제공하는 정보를 입력받기 위한 것이다. 예컨대, 상기 사용자 인터페이스(180)는, 도 2에 도시한 것과 유사한 화면으로, 예측한 계측 값과 4분위수 정보를 함께 표시하여, 예측한 계측 값에 대하여 관리자로 하여금 자신의 전문지식 및/또는 경험을 활용하여 그 적절성을 평가하게 할 수 있다.
또한, 예측 값이나 측정 값에 대한 이상(고장) 상태 값 판정에 있어서, 상기 사용자 인터페이스(180)를 통한 관리자의 전문가 확인(판정)을 반영할 수 있다.
구현에 따라, 상기 관리자는 상기 사용자 인터페이스(180)를 통해 상기 도 2의 화면를 구성하는데 기준이 되는 4분위수 정보를 위한 시간 구간을 설정할 수 있다. 이 경우, 관리자는 1차적으로 디폴트로 설정된 시간 구간에 따른 4분위수 정보와 함께 표시된 계측(또는 예측) 값을 관찰하고, 좀 더 넓은 범위로 비교하고 싶은 경우, 상기 4분위수 정보를 위한 시간 구간을 넓게 조정하여 넓은 시간에서의 4분위수 정보와 함께 계측(또는 예측) 값을 살펴보거나, 상기 4분위수 정보를 위한 시간 구간을 최근으로 좁게 조정하여 좁은 최근 시간에서의 4분위수 정보와 함께 계측(또는 예측) 값을 살펴볼 수 있다.
도 4는 본 발명의 사상에 따른 배전설비 상태 이상 개소 감시 방법을 도시한 흐름도이다.
도시한 배전설비 상태 이상 개소 감시 방법은, 전력 계통의 계측 데이터를 적용할 LSTM 시계열 데이터 학습 모델을 준비하는 단계(S10); 전력 계통의 계측 데이터를 빅데이터로서 수집하는 단계(S110); 수집된 상기 계측 데이터로 학습시킨 상기 LSTM 시계열 데이터 학습 모델을 이용하여 향후 계측 데이터를 예측하는 단계(S140); 상기 빅데이터로 축적된 계측 데이터에 대한 분포 정보로서 분위수 정보를 산출하여 DB화 하는 단계(S150); 상기 분위수 정보와 예측된 계측 데이터 또는 실 계측 데이터를 상호 비교한 정보를 관리자에게 제공하는 단계(S160); 및 상기 상호 비교한 정보에 따라 상기 LSTM 시계열 데이터 학습 모델을 재학습시키는 단계(S190)를 포함할 수 있다.
상기 LSTM 시계열 데이터 학습 모델을 준비하는 단계(S10)는, 도 1의 배전설비 상태 이상 개소 감시 시스템의 저장 장치에, 감시 대상이 되는 배전 설비에 적합화된 LSTM 시계열 데이터 학습 모델(130)을 저장하는 방식으로 수행될 수 있다.
상기 계측 데이터를 빅데이터로서 수집하는 단계(S110)는, 감시 대상이 되는 배전 설비에 설치된 각종 계측 장비들로부터 해당 계측 파라미터(예: 온도, 초음파, 자외선)에 대한 계측값을 소정의 통신 채널(예: IoT 센서 네트워크)을 통해 입력받는 방식으로 수행될 수 있다.
상기 향후 계측 데이터를 예측하는 단계(S140)는, 도 1의 데이터 예측부(140)에 의해 상기 LSTM 시계열 데이터 학습 모델을 적용하여 수행될 수 있다.
상기 DB화 하는 단계(S150)는 도 1의 분위수 정보 관리부(150)에 의해 수행되고, 상기 향후 계측 데이터를 예측하는 단계(S140)와 병행하여 수행될 수 있다.
상기 DB화 하는 단계(S150)에서는, 관리자의 지정이나 디폴트 단위 시간 구간으로 미리 지정된 시간 구간에 속한 측정값들에 대하여 4분위수 정보를 산출하고, 산출된 4분위수 정보를 DB에 저장할 수 있다. 상기 DB에 저장된 4분위수 정보는 데이터량이 적어서(즉, 일종의 압축정보로 볼 수 있음), 필요시 전송 부담이 적고, 분석 등의 후속 처리에 있어 처리 부담도 적다. DB 자체도 절감하려는 구현의 경우, 아예 원 측정값들은 DB에 저장하지 않고, 소정의 단위 시간 구간에 속한 측정값들로부터 산출된 4분위수 정보 형태로만 상기 DB에 저장할 수 있다.
구현에 따라, 상기 4분위수 정보를 산출하기 위한 시간 구간을, 도 1의 사용자 인터페이스(180)를 통한 관리자에 지시에 따라 설정할 수도 있다.
상기 S160 단계는, 도 1의 신뢰도 정보 산출부(160)에서 생성한 정보들을 사용자 인터페이스(180)를 통해 관리자에게 화면상으로 제공하는 방식으로 수행될 수 있다. 예컨대, 도 3에 도시한 바와 같이, 측정값을 4분위수 정보와 함께 디스플레이할 수 있다. 이때, 측정값이 미리 설정한 영역을 벗어나는 경우, 도시한 바와 같이 특이값으로 표현할 수 있다.
상기 S190 단계는, 도 1의 모델 구성부(120)에 의해 수행될 수 있으며, 구현에 따라서는, LSTM 시계열 데이터 학습 모델(130)의 예측값에 대한 관리자의 평가 결과를 반영할 수 있다.
도 5는 도 1의 배전설비 상태 이상 개소 감시 시스템에서 수행되는 배전설비 상태 이상 개소 감시 방법을, 시간의 흐름이 아닌 각 단계에 따라 생성되는 데이터의 흐름을 중심으로 나타낸 개념도이다.
도시한 바와 같이, 상기 빅데이터로서 수집하는 단계(S110)에서 수집된 정보(데이터)를 이용하여, 상기 DB화 하는 단계(S150) 및 상기 향후 계측 데이터를 예측하는 단계(S140)가 병행하여 수행됨을 알 수 있다.
한편, 상기 분위수 정보와 예측된 계측 데이터 또는 실 계측 데이터를 상호 비교한 정보를 관리자에게 제공하는 단계(S160)는, 병행 수행된 상기 DB화 하는 단계(S150) 및 상기 향후 계측 데이터를 예측하는 단계(S140)의 각 결과들을 비교하는 방식으로 수행됨을 알 수 있다. 또한, 상기 S160 단계의 수행 결과는 S10 단계에서 마련된 LSTM 시계열 데이터 학습 모델에 대한 재학습 과정(S190)에 이용됨을 알 수 있다.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
110 : 계측 데이터 획득부
120 : 모델 구성부
130 : LSTM 시계열 데이터 학습 모델
140 : 데이터 예측부
150 : 분위수 정보 관리부
160 : 신뢰도 정보 산출부
180 : 사용자 인터페이스

Claims (15)

  1. 빅데이터로 축적된 계측 데이터를 기반으로한 LSTM 시계열 데이터 학습 모델;
    상기 데이터 학습 모델을 기반으로 향후 계측 데이터를 예측하는 데이터 예측부;
    상기 빅데이터로 축적된 계측 데이터에 대한 분포 정보를 산출하고 저장하는 분포 정보 관리부;
    상기 데이터 예측부가 예측한 데이터의 분포 정보를 도출하고, 상기 분포 정보 관리부에 저장된 분포 정보에 대하여 상호 상관계수 정보를 산출하는 신뢰도 정보 산출부; 및
    상기 데이터 학습 모델을 재학습시키는 모델 구성부
    를 포함하는 배전설비 상태 이상 개소 감시 시스템.
  2. 제1항에 있어서,
    상기 분포 정보 관리부는,
    상기 축적된 계측 데이터에 대한 분포 정보로서 4 분위수를 도출하여 DB의 형태로 보유하는 배전설비 상태 이상 개소 감시 시스템.
  3. 제1항에 있어서,
    전력 설비나 배전 선로상에 설치된 각종 센서들로부터의 계측값들을 배정된 통신 채널을 통하여 전송받아, 내부 저장 수단이나 외부의 DB 서버에 저장하는 방식으로 관련 빅데이터를 축적하는 계측 데이터 획득부
    를 더 포함하는 배전설비 상태 이상 개소 감시 시스템.
  4. 제1항에 있어서,
    상기 상호 상관계수 정보를 시각적으로 배전 설비 관리자에게 제공하고, 상기 관리자의 평가를 입력받는 사용자 인터페이스
    를 더 포함하는 배전설비 상태 이상 개소 감시 시스템.
  5. 제4항에 있어서,
    상기 모델 구성부는,
    상기 사용자 인터페이스를 통한 관리자의 전문가 판정을 반영하여 상기 데이터 학습 모델을 재학습시키는 배전설비 상태 이상 개소 감시 시스템.
  6. 제4항에 있어서,
    상기 모델 구성부는,
    실계측 데이터와 LSTM을 통한 예측데이터간의 오차를 반영하여 재학습시키는 배전설비 상태 이상 개소 감시 시스템.
  7. 제4항에 있어서,
    상기 사용자 인터페이스는,
    축적된 계측 빅데이터에 대하여 확률분포를 4등분하는 값의 조합인 4 분위수 정보와 함께 계측값 또는 예측값을 화면에 표시하는 배전설비 상태 이상 개소 감시 시스템.
  8. 제7항에 있어서,
    상기 사용자 인터페이스는,
    관리자의 지시에 따라 상기 화면를 구성하는데 기준이 되는 4분위수 정보를 위한 시간 구간을 설정하는 배전설비 상태 이상 개소 감시 시스템.
  9. 제1항에 있어서,
    상기 LSTM 시계열 데이터 학습 모델은,
    시계열 데이터 분석 방법으로서, 데이터의 추세(trend data), 주기 반복 패턴(cycle data)를 각각 분해하여 이상 계측치 탐지하고, STR(Seasonal-Trend-Residual) 가법 모델의 계절 요인을 주기요인으로 대체 활용할 수 있는 배전설비 상태 이상 개소 감시 시스템.
  10. 전력 계통의 계측 데이터를 적용할 LSTM 시계열 데이터 학습 모델을 준비하는 단계;
    전력 계통의 계측 데이터를 빅데이터로서 수집하는 단계;
    수집된 상기 계측 데이터로 학습시킨 상기 LSTM 시계열 데이터 학습 모델을 이용하여 향후 계측 데이터를 예측하는 단계;
    상기 빅데이터로 축적된 계측 데이터에 대한 분포 정보로서 분위수 정보를 산출하여 DB화 하는 단계;
    상기 분위수 정보와 예측된 계측 데이터 또는 실 계측 데이터를 상호 비교한 정보를 관리자에게 제공하는 단계; 및
    상기 상호 비교한 정보에 따라 상기 LSTM 시계열 데이터 학습 모델을 재학습시키는 단계
    를 포함하는 배전설비 상태 이상 개소 감시 방법.
  11. 제10항에 있어서,
    상기 DB화 하는 단계에서는,
    지정된 시간 구간에 속한 측정값들에 대하여 4분위수 정보를 산출하고, 산출된 4분위수 정보를 DB에 저장하는 배전설비 상태 이상 개소 감시 방법.
  12. 제10항에 있어서,
    계측 데이터를 빅데이터로서 수집하는 단계에서는,
    배전 설비에 설치된 각종 계측 장비들로부터 계측값을 IoT 센서 네트워크를 통해 입력받는 배전설비 상태 이상 개소 감시 방법.
  13. 제10항에 있어서,
    사용자 인터페이스를 통한 관리자의 판정을 입력받는 단계를 더 포함하고,
    상기 학습 모델을 재학습시키는 단계에서는,
    상기 관리자의 판정을 반영하여 상기 데이터 학습 모델을 재학습시키는 배전설비 상태 이상 개소 감시 방법.
  14. 제10항에 있어서,
    상호 비교한 정보를 관리자에게 제공하는 단계에서는,
    축적된 계측 빅데이터에 대하여 확률분포를 4등분하는 값의 조합인 4 분위수 정보와 함께 계측값 또는 예측값을 화면에 표시하는 배전설비 상태 이상 개소 감시 방법.
  15. 제10항에 있어서,
    상기 빅데이터로서 수집하는 단계에서 수집된 정보를 이용하여, 상기 DB화 하는 단계 및 상기 향후 계측 데이터를 예측하는 단계가 병행하여 수행되는 배전설비 상태 이상 개소 감시 방법.
KR1020210037849A 2021-03-24 2021-03-24 배전설비 상태 이상 개소 감시 시스템 및 방법 KR20220132824A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210037849A KR20220132824A (ko) 2021-03-24 2021-03-24 배전설비 상태 이상 개소 감시 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210037849A KR20220132824A (ko) 2021-03-24 2021-03-24 배전설비 상태 이상 개소 감시 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20220132824A true KR20220132824A (ko) 2022-10-04

Family

ID=83600396

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210037849A KR20220132824A (ko) 2021-03-24 2021-03-24 배전설비 상태 이상 개소 감시 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20220132824A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702081A (zh) * 2023-08-07 2023-09-05 西安格蒂电力有限公司 基于人工智能的配电设备智能巡检方法
CN117668498A (zh) * 2024-01-31 2024-03-08 和尘自仪(嘉兴)科技有限公司 基于可靠性分布和异常探测的泵健康评估方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200130528A (ko) 2019-05-08 2020-11-19 (주)제이에스 시스템 스마트 팩토리에서의 자동화설비 고장예측시스템 및 고장예측방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200130528A (ko) 2019-05-08 2020-11-19 (주)제이에스 시스템 스마트 팩토리에서의 자동화설비 고장예측시스템 및 고장예측방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702081A (zh) * 2023-08-07 2023-09-05 西安格蒂电力有限公司 基于人工智能的配电设备智能巡检方法
CN116702081B (zh) * 2023-08-07 2023-10-24 西安格蒂电力有限公司 基于人工智能的配电设备智能巡检方法
CN117668498A (zh) * 2024-01-31 2024-03-08 和尘自仪(嘉兴)科技有限公司 基于可靠性分布和异常探测的泵健康评估方法
CN117668498B (zh) * 2024-01-31 2024-04-26 和尘自仪(嘉兴)科技有限公司 基于可靠性分布和异常探测的泵健康评估方法

Similar Documents

Publication Publication Date Title
CN109186813B (zh) 一种温度传感器自检装置及方法
US11314242B2 (en) Methods and systems for fault detection and identification
US7580812B2 (en) Trending system and method using window filtering
US7254514B2 (en) Method and system for predicting remaining life for motors featuring on-line insulation condition monitor
CA2634328C (en) Method and system for trend detection and analysis
EP1242923B1 (en) A process for the monitoring and diagnostics of data from a remote asset
US10852357B2 (en) System and method for UPS battery monitoring and data analysis
US9146800B2 (en) Method for detecting anomalies in a time series data with trajectory and stochastic components
KR101554216B1 (ko) 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치
CN112416643A (zh) 无监督异常检测方法与装置
KR20220132824A (ko) 배전설비 상태 이상 개소 감시 시스템 및 방법
US11620539B2 (en) Method and device for monitoring a process of generating metric data for predicting anomalies
EP3975077A1 (en) Monitoring device and method for segmenting different times series of sensor data points
CN113671917A (zh) 针对多模态工业过程异常状态的检测方法、***、设备
US7949497B2 (en) Machine condition monitoring using discontinuity detection
CN114065627A (zh) 温度异常检测方法、装置、电子设备和介质
Yao et al. A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
Xin et al. Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications
US20230297095A1 (en) Monitoring device and method for detecting anomalies
CN115222278A (zh) 一种机器人智慧巡检的方法和***
KR20210059267A (ko) 데이터 수집 시스템 및 방법
CN117953664B (zh) 一种基于人工智能的地质灾害预测方法及***
US11047833B2 (en) Method for automatic determination of trend in graphic analysis of turbomachines
US11960254B1 (en) Anomaly detection and evaluation for smart water system management