KR20230050007A - 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법 - Google Patents
딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법 Download PDFInfo
- Publication number
- KR20230050007A KR20230050007A KR1020210133197A KR20210133197A KR20230050007A KR 20230050007 A KR20230050007 A KR 20230050007A KR 1020210133197 A KR1020210133197 A KR 1020210133197A KR 20210133197 A KR20210133197 A KR 20210133197A KR 20230050007 A KR20230050007 A KR 20230050007A
- Authority
- KR
- South Korea
- Prior art keywords
- power
- current sensor
- amount
- deep learning
- watt
- Prior art date
Links
- 230000003068 static effect Effects 0.000 title abstract 5
- 238000002405 diagnostic procedure Methods 0.000 title abstract 2
- 238000013135 deep learning Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 230000000052 comparative effect Effects 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005303 weighing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/068—Arrangements for indicating or signaling faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/063—Details of electronic electricity meters related to remote communication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
본 발명은 딥러닝 알고리즘 알고리즘을 이용한 전력량계 오차 정밀도 진단방법에 관한 것이다. 본 발명은 전력량계에서 측정한 계량 데이터를 통하여 일정주기 동안의 전압 및 전류를 계측하는 단계와 딥러닝 알고리즘 측정부로부터 예측 전력량을 측정하는 단계와 상기 전력량계의 제1 전류센서로부터 계측 전력량을 측정하는 단계와 상기 전력량계의 제2 전류센서로부터 비교 전력량을 측정하는 단계와 상기 예측 전력량과 상기 계측 전력량과 상기 비교 전력량이 모두 다르면 오차 정밀도의 진단에 문제가 있는 것으로 판단하는 단계를 포함하는 것을 특징으로 한다.
또한, 1개의 전류센서와 딥러닝 알고리즘을 활용하는 방법으로, 계량 전력량을 계량하는 제1 전류센서와 딥러닝 알고리즘을 통해 예측 전력량을 상호 비교하여 계기의 오차정밀도를 진단하는 방법을 포함하며, 오차가 있으면 외부로 관련 이벤트를 전송하는 진단 장치와 상기 진단장치로부터 관련 이벤트를 전송받는 서버를 포함하는 것을 특징으로 하는 것이다.
또한, 1개의 전류센서와 딥러닝 알고리즘을 활용하는 방법으로, 계량 전력량을 계량하는 제1 전류센서와 딥러닝 알고리즘을 통해 예측 전력량을 상호 비교하여 계기의 오차정밀도를 진단하는 방법을 포함하며, 오차가 있으면 외부로 관련 이벤트를 전송하는 진단 장치와 상기 진단장치로부터 관련 이벤트를 전송받는 서버를 포함하는 것을 특징으로 하는 것이다.
Description
본 발명은 딥러닝 알고리즘을 적용하여 전력량계 스스로 오차 정밀도를 진단할수 있도록 하는 딥러닝을 이용한 전력량계 오차 정밀도 진단방법에 관한 것이다.
일반적으로 전자식 전력량계 등은 전류/ 전압 센서, 전자부품 등의 성능에 따라 각각 다른 오차정밀도를 가지게 된다.
현재 전자식 전력량계의 오차 정밀도는 생산 과정에서 기준기(Standard Meter)가 있는 오차시험 장비를 통해 출고 전 오차 정밀도 시험 후 출고가 된다.
전력량계를 설치한 후, 필드에서 상기 전력량계의 오차를 측정하는 방법은 휴대용 오차시험기를 활용하여 전자식 전력량계의 오차를 시험하고 있다. 하지만, 필드에서 휴대용 오차시험기를 활용하여 상기 전자식 전력량계의 오차정밀도를 판단하는 방법은 비용 및 시간이 많이 소요된다.
따라서, 최근 들어 많은 연구가 진행 중인 딥러닝을 활용한 전력 사용량 예측값을 활용한 전력량계의 오차정밀도 진단 방법을 제시하여 전력량계의 오차정밀도를 진단함으로서 상기와 같은 문제를 해결할 수 있으며, 전력시스템에서의 불필요하게 생성되거나 낭비되는 예비 전력을 감소시키고, 에너지 사용 효율을 개선하기 위해 솔루션으로도 활용할 수 있다.
따라서, 본 발명은 딥러닝 알고리즘을 적용하여 전자식 전력량계 스스로 오차 정밀도의 이상 여부를 진단하는 딥러닝을 이용한 전력량계 오차 정밀도 진단방법을 제공할 수 있는 것을 목적으로 한다.
이러한 문제를 해결하기 위하여 본 발명은 딥러닝을 이용한 전력량계 오차 정밀도 진단방법에 있어서, 전력량계에서 일정주기 동안 전압 및 전류 등을 통해 전력량을 계량하는 단계와 딥러닝 알고리즘을 통해 예측 전력량을 측정하는 단계와 상호 비교하는 단계를 통해 전력량계의 오차정밀도에 이상 발생 여부를 판단하는 단계를 포함하는 것을 특징으로 한다. 기본적으로 하나의 전류센서를 통한 계량 데이터와 딥러닝 알고리즘을 통한 예측 전력량을 비교하여 오차를 판단하는 방법이 있으며, 보다 정밀한 판단을 위해 2개의 전류센서를 통해 판단하는 방법도 포함한다. 하나의 전류센서와 딥러닝 알고리즘을 통한 오차정밀도 판단 방법에서는 전류센서를 통한 계량 전력량과 딥러닝 알고리즘을 통한 예측 전력량을 상호 비교하여 임계값 이상 차이가 발생하면 오차정밀도에 문제가 있는 것으로 판단하는 것을 특징으로 한다.
또한, 보다 정밀한 판단을 위해 2개의 전류센서를 적용하는 경우, 상기 제1 전류센서의 계량 전력량과 상기 딥러닝 알고리즘 측정부의 예측 전력량이 유사하고 상기 제2 전류센서의 비교 전력량 또한 유사하면 전류센서에 이상이 없는 것으로 판단하는 것을 특징으로 하는 것이다.
또한, 상기 제1 전류센서의 계량 전력량과 상기 딥러닝 알고리즘 측정부의 예측 전력량이 유사하고, 상기 제2 전류센서의 비교 전력량이 상이하면 상기 제2 전류센서에 이상이 있는 것으로 판단하는 것을 특징으로 하는 것이다.
또한, 상기 제2 전류센서의 비교 전력량과 상기 딥러닝 알고리즘 측정부의 예측 전력량이 유사하고 상기 제1 전류센서의 계량 전력량이 상이하면 상기 제1 전류센서에 이상이 있는 것으로 판단하는 것을 특징으로 하는 것이다.
또한, 상기 제1 전류센서의 계량 전력량과 상기 제2 전류센서의 비교 전력량이 유사하고 상기 딥러닝 알고리즘 측정부의 예측 전력량이 상이하면 상기 딥러닝 알고리즘 문제 또는 제1 전류센서와 제2 전류센서에 이상이 있는 것으로 판단하는 것을 특징으로 하는 것이다.
그리고, 상기 제1 전류센서의 계량 전력량과 상기 제2 전류센서의 비교 전력량, 그리고 상기 딥러닝 알고리즘 측정부의 예측 전력량이 서로 상이하면 전력량계 오차에 문제가 있는 것으로 판단하는 것을 특징으로 하는 것이다.
따라서, 본 발명은 딥러닝을 적용하여 전력량계 스스로 오차정밀도를 진단하게 하여 필드에서 외부 영향이나 전력량계 장치의 노후화로 인하여 부정확한 오차정밀도를 가지는 전력량계를 관리자에게 알려주어 조치를 취할수 있도록 하게함으로서, 수용가에게 더욱 정확한 계량 서비스를 제공할 수 있는 효과가 있는 것이다.
또한, 발전량 및 사용량을 더욱 정확하게 측정할수 있으므로 에너지의 효율적 관리가 가능한 딥러닝을 이용한 전력량계 오차 정밀도 진단방법을 제공할 수 있는 효과가 있는 것이다.
도 1은 전류 센서 1개 또는 전류센서 2개를 적용한 전력량계의 구성도.
도 2는 전력량계와 서버와 연결 구성도.
도 3은 자연어를 처리하는 CNN모델의 구조도.
도 4는 LSTM의 구조도.
도 5은 공공기관의 1시간 단위 12개월 전력 데이터를 나타낸 사진.
도 6은 전력 데이터에 대하여 지도학습으로 처리하는 데이터의 전처리 과정을 나타낸 도면.
도 7은 CNN - LSTM모델의 구조도.
도 8은 CNN-LSTM의 비교 모델로서 사용되는 예측 모델인 CNN과 LSTM 모델의 파라미터 구성도.
도 9는 전력량 예측을 위한 딥러닝 알고리즘이 내장된 MCU의 구성도.
도 10은 전류센서 1개와 딥러닝을 활용한 오차정밀도의 진단 방법을 나타낸 구조도.
도 11은 전류센서 1개와 딥러닝을 활용한 오차 정밀도 진단방법의 흐름도.
도 12는 전류센서 2개와 딥러닝을 활용한 오차 정밀도의 진단방법을 나타낸 구조도.
도 13은 전류센서 2개와 딥러닝을 활용한 오차 정밀도 진단방법의 흐름도.
도 2는 전력량계와 서버와 연결 구성도.
도 3은 자연어를 처리하는 CNN모델의 구조도.
도 4는 LSTM의 구조도.
도 5은 공공기관의 1시간 단위 12개월 전력 데이터를 나타낸 사진.
도 6은 전력 데이터에 대하여 지도학습으로 처리하는 데이터의 전처리 과정을 나타낸 도면.
도 7은 CNN - LSTM모델의 구조도.
도 8은 CNN-LSTM의 비교 모델로서 사용되는 예측 모델인 CNN과 LSTM 모델의 파라미터 구성도.
도 9는 전력량 예측을 위한 딥러닝 알고리즘이 내장된 MCU의 구성도.
도 10은 전류센서 1개와 딥러닝을 활용한 오차정밀도의 진단 방법을 나타낸 구조도.
도 11은 전류센서 1개와 딥러닝을 활용한 오차 정밀도 진단방법의 흐름도.
도 12는 전류센서 2개와 딥러닝을 활용한 오차 정밀도의 진단방법을 나타낸 구조도.
도 13은 전류센서 2개와 딥러닝을 활용한 오차 정밀도 진단방법의 흐름도.
이하에서는 본 발명의 양호한 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시가 되더라도 가능한 한 동일 부호를 가지도록 하고 있음에 유의하여야 한다.
또한, 하기에서 본 발명을 설명함에 있어 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위하여 사용된 것에 불과하므로, 본 발명을 한정하려는 의도가 아니며 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현도 의미하는 것임을 미리 밝혀두고자 한다.
도 1은 전류 센서 1개 또는 전류센서 2개를 적용한 전력량계의 구성도이고, 도 2는 전력량계와 서버와 연결 구성도이고, 도 3은 자연어를 처리하는 CNN모델의 구조도이고, 도 4는 LSTM의 구조도이고, 도 5은 공공기관의 1시간 단위 12개월 전력 데이터를 나타낸 사진이고, 도 6은 전력 데이터에 대하여 지도학습으로 처리하는 데이터의 전처리 과정을 나타낸 도면이고, 도 7은 CNN- LSTM모델의 구조도이고, 도 8은 CNN-LSTM의 비교 모델로서 사용되는 예측 모델인 CNN과 LSTM 모델의 파라미터 구성도이고, 도 9는 전력량 예측을 위한 딥러닝 알고리즘이 내장된 MCU의 구성도이고, 도 10은 전류센서 1개와 딥러닝을 활용한 오차정밀도의 진단방법을 나타낸 구조도이고, 도 11은 전류센서 1개와 딥러닝을 활용한 오차 정밀도 진단방법의 흐름도이고, 도 12는 전류센서 2개와 딥러닝을 활용한 오차 정밀도의 진단방법을 나타낸 구조도이고, 도 13은 전류센서 2개와 딥러닝을 활용한 오차 정밀도 진단방법의 흐름도이다.
먼저, 도 1을 참조하면 원격지에 위치하여 수용가의 전력량을 계측하는 전력량계(5)에 제1 전류센서(10) 1개를 사용한 구성(왼쪽 그림) 및 제1 전류센서(10)와 제2 전류센서(20) 각각의 2개를 사용한 구성(오른쪽 그림)이 도시되어 있다.
이와 같이, 상기 제1 전류센서(10)와 상기 제2 전류센서(20)는 상기 전력량계(5)에 형성되어 계측 전력량과 비교 전력량을 측정, 계측하는 것이다. 이외에, PT(전압계 : 미도시)도 역시 형성된다.
도시된 대로, 상기 제1 전류센서(10)와 상기 제2 전류센서(20)는 전선(도면부호는 생략)으로 끼워진 형태 또는 션트 저항의 경우, 관통이 아닌 상기 전선에 일체형으로 구성된다.
MCU(Micro Controller Unit: 3)는 딥러닝 알고리즘을 이용한 전력량계(5) 내부에 형성되고 연산장치를 포함하며, 상기 제1 전류센서(10) 및 상기 제2 전류센서(20)로부터 측정된 전류 계측값을 받아 전력량을 계량하는 역할을 한다.
또한, 상기 MCU(3)에는 딥러닝 알고리즘 측정부(32)가 내장되어 딥러닝을 통해 예측 전력량을 학습하여 측정하며, 미리 전력량계(5)가 정상적인 작동을 할 때의 모든 전력량 등을 상기 딥러닝 측정부(32)에 학습시켜 모두 저장을 하게 된다.
따라서, 제1 전류센서(10) 또는 제2 전류센서(20)에서 계측한 전력량 등의 값과 비교를 할수 있도록 하여, 일정한 범위 이상의 차이를 보이게 되면, 오차 정밀도에 이상이 발생함을 감지할 수 있도록 하는 것이다.
또한, 상기 딥러닝 알고리즘 측정부(32)에서 측정한 값은 전력량계(5)의 예측 전력량으로서, 수용가의 전력 사용 전력량을 예측하여, 이를 학습시켜 일정한 값으로 환산한 것이다.
다시 도 1을 보면, 본 발명에 의한 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법은 제1 전류센서(10)에서의 계측 전력량과 제2 전류센서(20)의 비교 전력량 그리고 딥러닝 알고리즘 측정부(32)의 예측 전력량 값을 상호 비교하여 오차를 진단하는 것이다.
상기 제1 전류센서(10)와 상기 제2 전류센서(20) 중에서 만일 어느 하나가 고장이 나더라도 상기 딥러닝 알고리즘 측정부(32)를 통하여 오차정밀도의 문제발생 여부를 진단할 수 있도록 하는 것이다.
도 2는 전력량계(5)와 서버(50)와의 연결도이다. 상기 전력량계(5)의 내부에 있는 진단장치(40)는 제1 전류센서(10) 또는 제1 전류 센서(10) 및 제2 전류센서(20)에서의 계량 전력량, 비교 전력량과 상기 딥러닝 알고리즘 측정부(32)의 예측 전력량을 서로 비교하여 오차 정밀도의 이상 발생 여부를 진단하고, 오차정밀도에 이상이 발생하면 외부, 즉 서버(50)에게 관련 이벤트(진단결과, 오차 정밀도의 문제 발생 등)를 전송한다.
이와 같이, 상기 진단장치(40)로부터 상기 관련 이벤트를 전송받은 서버(50)는 전력량계(5) 등의 오차 정밀도에 이상이 발생하였음을 관리자에게 통보하여 주는 것이다.
이하에서는, 도 3 ~ 도 8을 참조하여 딥러닝 알고리즘 측정부(32)에서 딥러닝을 활용하여 전력량 수요를 예측하는 방식에 대한 설명을 하기로 한다.
이 방식은 종래의 전방 전달 신경망에서 내부 순환하는 구조로 확장된 순환신경망인 CNN(Convolution Neual Network)과 LSTM(Long Short Term Memory)모델을 이용하는 것으로서, 먼저, 상기 CNN구조에 대한 설명을 하기로 한다.
상기 CNN 구조는 인간이 사물이나 패턴을 인식하는 시각의 이해에 대한 바탕으로 발전된 모델이다. 상기 CNN은 하나 이상의 레이어에서 곱셈 연산 대신에 콘볼루션을 사용하는 신경망이다. 합성곱 신경망은 이미지의 특징을 추출하는 부분과 클래스를 분류하는 부분으로 나뉠 수 있다. 상기 특징 추출부에는 Convolution layer와 Pooling layer가 있고 추출된 특징은 데이터의 분류나 선형 회귀의 결과값을 도출 할 수 있는 Fully-Connected layer에 전달된다.
2차원 입력 데이터에 대하여 학습을 통해 변경되는 값을 가진 2 x 2 크기의 합성곱 필터가 순회하며 연산된 값을 Feature Map이라고 한다. 그리고 Feature Map을 입력으로 받아 데이터의 크기를 줄이거나 특징을 강조하는 Pooling 연산을 수행한다. 2 x 2 크기의 주로 사용되는 맥스풀링 필터를 이용한다. 마지막으로 추출된 특징을 Fully Connected layer에 전달하여 하나의 레이어로 연결한다. 그리고 Softmax 기법을 적용하여 분류나 회귀의 문제를 다룰 수 있게 된다.
도 3은 자연어를 처리하는 CNN 모델의 구조이다. 이러한 CNN 모델을 이용하여 분류 문제를 해결하기 위해 N개의 단어로 이루어진 문장을 각 단어별로 다차원의 행 벡터로 변경한다. 그 이후의 과정은 2차원 CNN 입력 데이터를 처리하는 과정과 크게 다르지 않다.
이하, LSTM(Long Short Term Memory) 신경망에 대한 설명을 하기로 한다.
기존의 RNN(Recurrent neural network: 순환신경망) 모델은 모델 학습 과정에서 현재의 문제를 해결하는데 중요한 정보를 가진 데이터가 오래 전에 발생했을 경우, 정보를 유지하지 못하는 장기 의존성 문제를 가지고 있다. 이를 Vanishing a gradient라고 한다.
LSTM은 이를 해결하기 위해 개발된 알고리즘으로서, 핵심은 셀 스테이트(cell state)에서 게이트 요소를 활용함으로써 과거 정보를 더하거나 제거해 장기 의존성 문제를 해결한다.
도 4는 LSTM 구조이다. 도시된 대로, LSTM의 셀 구조는 크게 Input Gate, Forget Gate, Output Gate(도면 부호는 생략)로 구성되어 있다. 입력으로 들어온 상태에서 기억할 부분과 삭제할 부분, 유지할 부분을 학습하는 것이다. 상기 각 Gate는 해당 부분에 대하여 역할을 하며, Input Gate는 덧셈 연산으로 새로운 기억 일부를 추가한다. 그리고 Forget Gate는 학습에 불필요한 정보를 삭제하며, Output Gate는 입력으로 들어온 값에 대해 tanh 함수를 적용하여 단기 상태와 셀의 최종 출력값을 만든다.
이하, 도면을 참조하여 전력 수요의 예측실험에 대한 설명을 한다.
도 5의 그래프를 보면, 단기 전력 수요 예측을 위하여 동절기 겨울(11월, 12월, 1월, 2월), 간절기 봄(3월, 4월, 5월), 하절기(6월, 7월, 8월), 간절기 가을(9월, 10월)에 해당하는 전력 수요 데이터를 요일별로 데이터를 분류한다.
그리고, 각 요일의 15분 단위 전력 데이터를 Train, Test 데이터 세트로 나눈 뒤 생성된 모델을 통해 예측을 수행한다. 검증은 모델별 성능 분석에 사용되는 평균제곱근 오차인 RMSE(Root Mean Squared Error)를 이용하여 각 모델의 요일별 예측값에 대한 평가를 수행한다.
그리고, 예측일의 실제 전력 데이터와 예측 데이터의 오차는 MAPE(Mean Absolute Percentage Error)를 통해 확인한다. 최종적인 평과 결과를 통해 제안한 모델이 단기 전력 수요 예측에 적합한 모델임을 확인하고자 한다.
상기 도 5는 한전 i- smart(스마트 전력관리)에서 취득한 공공 기관의 1시간단위의 12개월치 전력 데이터이다. X축은 1시간 단위의 시간이고 Y축은 kWh 단위의 전력 값이다. 계절마다 전력 데이터의 패턴과 크기가 다양한 것을 알 수 있다. 또한, 각 계절마다 크기는 일정하지 않지만 비슷한 패턴이 연속해서 나타나는 것을 확인할 수 있다.
이에 따라 계절별로 특정한 전력 패턴이 존재하고 이는 반복되는 값인 것을 알 수 있다. 도 5는 시간에 따른 계절별 요일에 따른 전력 데이터의 그래프를 나타낸다. X축은 15분 단위의 시간이며 Y축은 kWh 단위의 전력 값이다. 따라서, 계절과 요일에 따라 다르지만 동일한 요일에 대하여는 비슷한 패턴이 반복되는 것이다. 따라서, 이러한 패턴을 분석하여 전력량을 예측하는 것이다.
이와 같이, 제안된 CNN-LSTM 모델은 시계열 데이터 내부에 의미있는 특징을 추출하고 이를 학습하기에 유용한 모델인 CNN과 데이터의 장기 의존성에 강점이 있는 시계열 예측 모델인 LSTM의 특징을 조합한 모델인 것이다. 대다수의 실용적인 기계학습 모델은 지도학습을 이용하는 것과 마찬가지로 제안모델도 지도학습을 이용한다.
Y = f(x) (식 1)
상기 (식 1)에 나타나 있듯이, 입력값 x에 대하여 출력값 Y가 있으며 모델은 알고리즘을 통해 입력값으로부터 출력값의 관계를 학습한다.
도 6은 전력 데이터에 대하여 지도학습으로 처리하는 데이터 전처리과정이다. 딥러닝 모델은 입력값으로 3차원 데이터를 처리하기 때문에 시계열 데이터의 차원을 변환하는 과정이 필요하다. 먼저 이전 시점의 입력값을 입력 데이터로 사용하고 그다음 시점의 입력값을 출력값으로 사용함으로써 1차원 시계열 데이터를 [Feature, Sample]의 2차원의 지도학습 형태로 변환한다. 그리고, CNN과 LSTM의 레이어는 3차원의 데이터를 입력값으로 처리하기 때문에 최종적으로 시계열 데이터의 변량수와 관련 있는 새로운 차원을 추가시킴으로써 [Sample, Feature, Timestep]의 3차원 형태로 변환시켜 레이어의 입력으로 처리하여 모델을 학습시킨다.
상기 도 6의 Window length(도면 부호는 생략)는 1일 단위 15분 데이터에 대하여 1일 예측을 수행하는 구조이기 때문에 96으로 설정하여 모델을 학습시킨다.
도 7을 보면, 본 발명에서 사용되는 CNN - LSTM 하이브리드 모델 구조가 나타나 있다. 이러한 구조의 CNN - LSTM모델의 파라미터는 sequence size, time step, filter, kernel, node size, epochs, batch size이다.
sequence size는 입력 데이터를 몇 개의 시계열 데이터로 나누어 처리할지 정의하는 파라미터이다. time step은 시계열 데이터를 딥러닝 모델의 입력에 맞게 입력 데이터 세트를 고정하는 과정에서 데이터를 구조화할 때 사용한다.
그리고, time step에 따라 데이터의 주기적, 비주기적 특성이 모델에 반영된다. filter와 kernel은 입력 데이터의 특징을 찾아내는 공용 파라미터로서 지정된 간격으로 입력 sequence를 읽어 들인다.
node size는 hidden layer에 사용되는 LSTM의 유닛의 개수를 의미한다. epochs는 모델이 전체 트레이닝 데이터 세트에 노출되는 횟수를 의미하며, batch size는 모델 가중치 업데이트를 위해 1회 epoch에 전달되는 샘플의 개수를 의미한다. 제안된 CNN- LSTM 모델은 2개의 Convolution 1D layer과 MaxPooling 1D layer, LSTM layer와 Dense layer로 구성된다. 그리고 각 학습 단계에서 loss가 계산되고 오류가 전파되는 Time Distributed를 적용한다. 2개의 Convolution 1D layer는 길이가 긴 스퀀스 입력 데이터를 처리하는데 더 좋은 성능을 보인다. 각 레이어의 파라미터는 실험 전력 수요 데이터에 대해 높은 정확도의 예측률을 보이는 모델 파라미터로 최적화되었다.
도 8은 CNN-LSTM의 비교 모델로서 사용되는 예측 모델인 CNN과 LSTM 모델의 파라미터 구성이다. CNN 모델은 filters, kernel, node, epochs, batch의 입력 파라미터를 사용하고 2개의 Convolution 1D layer과 MaxPooling 1D layer, Dense layer로 구성했다. LSTM 모델은 node, epoch, batch의 입력 파라미터를 사용하며 LSTM layer, Dense layer로 구성된다.
상기 CNN- LSTM의 두 모델의 예측 결과에 대한 성능 평가를 Root Mean Squared Error (RMSE)와 Mean Absolute Percentage Error (MAPE)의 두가지로 나타낼 수 있다. 상기 각 모델은 확률에 기반한 학습 파라미터를 가지고 있기 때문에 보통 10회의 예측 결과에 대한 RMSE의 평균값을 계산하여 모델의 성능을 비교하고 모델별 실측값과 예측값에 대한 오차율은 MAPE를 통해 파악한다.
각 성능평가 방법을 수식으로 표현하면 다음과 같이 나타난다.
상기 (1)에서 첫번째 Y는 예측하고자 하는 실제로 측정된 전력소모값이며, 두번째 y는 모델을 통해 예측된 예측결과값이다. (2)에서는 A는 실제는 측정된 전력소모 값이고 F는 예측결과 값이다. 그리고, i와 t는 테스트 데이터 샘플의 갯수를 의미한다. 예를 들어, i와 t가 1이라면 상기 1은 샘플 번호가 되는 셈이다.
이러한 CNN 딥러닝 모델과 LSTM 딥러닝 모델의 특징을 추출하여 더 좋은 성능을 낼 수 있는 하이브리드 모델인 CNN- LSTM을 설계하여 봄, 여름, 가을, 겨울의 각 요일에 대해서 단기 전력 수요 예측을 수행하였다.
이하, 도면을 참조하여 MCU(3)의 내부 구성을 설명하기로 한다.
도 9에 도시된 대로, 전력량계(5)에 내장, 형성되어 있는 MCU(3)의 내부에는 A/D 변환부(33)를 통해 아날로그 값을 디지털 값으로 변환하여 전력량 연산부(31)에 전달된다. 그러면, 상기 전력량 연산부(31)에서 계산된 전력량 값은 오차정밀도 진단부(34)에서 딥러닝 알고리즘 측정부(32)의 예측값과 상호 비교를 하여 오차문제의 발생 여부를 진단한다. 진단결과, 오차에 문제가 발생하게 되면 신호 전송부(35)를 통해 상위 서버(50)로 진단 결과를 전송한다.
이전에 설명한 대로, 상기 전력량계(5)는 측정 대상의 전력량계에서 사용하는 부하량을 연산하기 위하여 제1 전류센서(10), 제2 전류센서(20), PT 등에서 전압값과 전류값 등을 측정하는데, 측정된 데이터는 아날로그 데이터이므로, 상기 전력량 연산부(31)에서도 인식 가능하도록 A/D 변환부(33)를 통해 디지털 데이터로 변환한다.
또한, 상기 딥러닝 알고리즘 측정부(32)는 MCU(3)의 성능에 따라 별도 IC 칩으로의 구성도 가능하다.
이하에서는 도면을 참조하여 제1 전류센서(10)와 상기 설명한 대로 학습된 딥러닝 알고리즘 측정부(30)의 예측 전력량으로 전력량계(5)의 오차 정밀도를 진단하는 방식에 대한 설명을 하기로 한다.
도 10 보면, 전력량계(5)의 제1 전류센서(10)에서 계측한 전력량과 딥러닝 알고리즘 측정부(30)를 통한 예측 전력량을 상호 비교하여 판단하는 방식이다.
오차정밀도의 이상 발생 여부의 판단은 상기 제1 전류센서(10)의 계량된 값으로 계산된 전력량계(5)의 계량값과 딥러닝 알고리즘 측정부(30)를 통하여 예측된 전력량을 서로 비교하여 상기 계량값과 상기 예측된 전력량과의 차이가 일정시간 동안 기 설정된 임계값 또는 표준값의 초과 여부를 판단하는 것이다.
만일, 초과로 판명되면 전력량계(5)의 오차 정밀도에 문제가 있다고 보아 서버(50)를 통하여 관리자에게 통보하는 것이다.
도 11은 제1 전류센서(10)에 전류센서 1개와 딥러닝을 활용한 오차 정밀도 진단방법의 흐름도이다.
먼저, 제1 전류센서(10)를 통하여 계량 전력량을 측정한다(S 10). 제1 전류센서(10)에서는 전력량계(5)에서 측정한 계량 데이터를 통하여 일정 시간 동안의 전압 및 전류를 계측한다. 상기 S 10에서는 일정한 시간동안 전력량계(5)에서 측정한 수용가의 전류, 전압 등과 같은 계량된 전력량을 계측하는 것이다.
다음으로, 딥러닝 알고리즘 측정부(30)를 통하여 전력량계(5)의 예측 전력량을 측정한다.(S 11) 상기 예측 전력량은 딥러닝 알고리즘 측정부(30)를 통하여 딥러닝을 통하여 사전에 미리 학습시켜 놓은 전력량으로서, 미리 학습한 전력량을 일정한 수치로 변환시켜 저장하여 생성시키는 것이다. .
다음으로, 계량 전력량과 예측 전력량을 상호 비교한다(S 12).
상기 S 12에서는 예측 전력량과 계측 전력량이 거의 유사하면, 정상으로 판단하고, 예측 전력량과 계측 전력량이 차이(예를 들어, 편차가 ±5%를 넘어서게 되는 경우)가 있으면, 오차정밀도에 이상이 있다고 판단하는 것이다(S 13).
상기 S 13에서 오차정밀도에 이상이 발생한 것으로 판단되면, 오차정밀도 이상을 서버(50) 등에 통보하는 것이다.
도 12에 도시된 바와 같이, 제1 전류센서(10)는 전력량계(5)에서 계측된 계량 전력량을, 제2 전류센서(20)는 자체 계측된 전력량과 상기 제1 전류센서(10)와의 비교 전력량을, 딥러닝 알고리즘 측정부(30)에서는 예측 전력량을 생성하게 되는 것이다. 상기와 같이 생성된 계량 전력량, 비교 전력량 및 예측 전력량을 상호 비교하는 것이다. 이에 관한 자세한 설명은 도 13을 참조하여 후술(後述)하기로 한다.
이하에서는, 도면을 참조하여 딥러닝을 이용하여 전력량계(5)의 오차 정밀도를 측정하는 방법으로서 제1 전류센서(10)에 제2 전류센서(20)를 추가하여 전력량계(5)의 딥러닝을 이용한 전력량계(50)의 오차 정밀도의 측정 방법을 설명하기로 한다.
도 13을 보면, 전력량계(5)의 제1 전류센서(10)에서 측정한 계량 전력량 데이터를 통하여 일정 시간 동안의 전압 및 전류를 계측한다(S 20). 상기 S 20에서는 일정한 시간동안 제1 전류센서(10)에서 측정한 수용가의 전류, 전압 등과 같은 계량된 전력량을 계측하는 것이다. 상기 제1 전류센서(10)로부터 측정된 계량 전력량은 외부의 영향이나 장비의 노후화 등으로 오류가 생길수 있으므로, 비교 전력량과 예측 전력량의 비교를 통한 오차 정밀도를 측정하는 것이다.
다음으로, 전력량계(5)의 제2 전류센서(20)에서 비교 전력량을 측정하는 것이다(S 21). 상기 제2 전류센서(20)는 전력량계(5)를 계측하고, 전력량계(5)로부터 상기 제1 전류센서(10)와의 계측된 전력량의 차이를 비교한다.
다음 단계로, 딥러닝 알고리즘 측정부(30)로부터 전력량계(5)의 예측 전력량을 측정 및 학습하는 것이다(S 22). 상기 예측 전력량은 상기 딥러닝 알고리즘 측정부(30)를 통하여 딥러닝을 통하여 사전에 미리 학습시켜 놓은 전력량으로서, 미리 학습한 전력량을 일정한 수치로 변환시켜 저장하여 생성시키는 것이다.
다시 말해서, 상기 S 22에서는 딥러닝 알고리즘 측정부(30)에서 딥러닝 알고리즘을 통한 예측 전력량을 측정하는 것이다.
다음 단계로, 계량 전력량, 비교 전력량 및 예측 전력량을 상호 비교하는 것이다(S 23). 각각의 경우에 대하여 상세히 설명하기로 한다.
(예측 ≒ 계량 ≒ 비교 > 정상)
상기 제1 전류센서(10)의 계량, 계측 전력량과 상기 딥러닝 알고리즘 측정부(30)의 예측 전력량이 유사하고, 상기 제2 전류센서(20)의 비교 전력량 또한 유사하면 제1 전류센서 및 제2 전류센서(20)에 이상이 없는 것으로 판단한다.
(예측 ≒ 계량 ≠ 비교 > 제2 전류센서(20)에 문제)
그리고, 상기 제1 전류센서(10)의 계량 전력량과 상기 딥러닝 알고리즘 측정부(30)의 예측 전력량이 유사하고, 상기 제2 전류센서(20)의 비교 전력량이 상이하면, 상기 제2 전류센서(20)에 이상이 있는 것으로 판단한다.
(예측≒ 비교 ≠ 계량 > 제 1전류센서(10) 문제 -> 전력량계 오차정밀도)
그리고, 상기 제2 전류센서(20)의 비교 전력량과 상기 딥러닝 알고리즘 측정부(30)의 예측 전력량이 유사하고 상기 제1 전류센서(10)의 계량 전력량이 상이하면 상기 제1 전류센서(10)에 이상이 있는 것으로 판단하는 것이다.
(계량 ≒ 비교 ≠ 예측 > 딥러닝 알고리즘 문제 or 제1, 제2 전류센서에 문제))
그리고, 상기 제1 전류센서(10)의 계량 전력량과 상기 제2 전류센서(20)의 비교 전력량이 유사하고, 상기 딥러닝 알고리즘 측정부(30)의 예측 전력량이 상이하면 상기 딥러닝 알고리즘 측정부(30)의 알고리즘 문제 또는 제1 전류센서(10)와 제2 전류센서(20)에 이상이 있는 것으로 판단하는 것이다.
(계량 ≠ 비교 ≠ 예측 > 전력량계(5)에 오차 문제)
딥러닝 알고리즘 측정부(30)의 예측 전력량과 상기 제1 전류센서(10)의 계량, 계측 전력량과 상기 제2 전류센서(20)의 비교 전력량이 모두 각각 다르게 측정이 되면, 전력량계(5)의 오차에 문제가 있는 것으로 판단하게 된다(S 24).
상기 S 24에서 오차 정밀도에 이상이 발생한 것으로 판단되면, 오차 정밀도의 이상의 사실을 서버(50) 등에 통보하는 것이다(S 25).
이하에서는 본 발명에 의한 딥러닝을 이용한 전력량계 오차 정밀도 측정시스템에 관하여 제2 실시예에 대한 설명을 하기로 한다. 상기 설명한 실시예와 중복되는 설명은 어느 정도 생략하기로 한다.
먼저, 전력량계(5)와 딥러닝 알고리즘 측정부(30) 및 서버(50) 상호 간에 오차와 전력량 정보를 공유하여 사용할 경우, 전력량계(5)에 등록정보를 장치와 장소별로 분류하여 DB(데이터 베이스)를 일치시킴으로서 신속히 사용하도록 한다.
이를 위하여, 먼저 상기 딥러닝 알고리즘 측정부(30)와 상기 전력량계(5) 및 상기 서버(50)는 아래의 특성을 구비한다.
즉, 먼저 상기 딥러닝 알고리즘 측정부(30)와 상기 전력량계(5) 및 상기 서버(50)는 상기 DB를 전력량계 별로 일치할 경우에, 테이블(미도시)에 전력량계 등록 정보를 상이한 전력량계와 장소별로 분류, 등록한다.
이러한 상태에서, 상기 딥러닝 알고리즘 측정부(30)는 아래의 동작을 수행한다.
a) 먼저 상기 테이블 내에 등록 정보가 변경할 경우, 상기 정합 관계에 따라서 상기 변경한 정보를 자체 테이블에 실시간으로 동기화하므로, 전력량계(5)의 등록 정보를 일치한다.
b) 그리고 나서, 이러한 전력량계(5) 등록 정보를 일치할 경우에, 상기 전력량계(5)와 장소별 전력량계의 등록 정보 내에 상이한 데이터 형식과 데이터 유형별로 등록 정보를 다원화하여 동기화함으로써, 상호 간에 DB를 일치 유지한다.
또한, 이에 더하여 본 발명의 딥러닝을 이용한 전력량계 오차정밀도 측정시스템은 이러한 DB를 일치 유지할 경우에, 업체와 장소별로 현황 정보를 관리자가 원하는 바에 따라 즉시 제공하여 관리자에게 나중에 더 나은 장치와 기능을 서비스할 수 있도록 한다.
이를 위하여, 상기 딥러닝 알고리즘 측정부(30)는 아래의 동작을 수행한다.
a) 먼저 상기 각 DB를 일치할 경우에, 상기 테이블에 다수의 상이한 전력량계 업체와 장소별로 회원 정보를 등록한다.
b) 그래서, 이렇게 서버(50)에서 현황정보를 요청받을 경우, 상기 테이블로부터 회원의 현황정보를 상기 정합 관계에 따라서 상이한 전력량계 업체와 장소별로 서버(50)로 제공한다.
다른 한편으로는, 이러한 딥러닝을 이용한 전력량계 오차정밀도 측정시스템은 이렇게 DB를 일치 유지하여 전력량과 오차를 제공할 경우에, 아래의 구성으로부터 사용자가 위치한 장소와 사용하는 전력량계(5)에 맞는 전력량 추천값을 또한 제공함으로써, 사용자가 효과적으로 전력 사용을 할 수 있도록 한다.
이를 위해, 상기 딥러닝 알고리즘 측정부(30)는 아래의 특징을 구비한다.
a) 즉, 먼저 상기 상용전원의 전압과 전류, 위상각을 계측할 경우에, 상기 전력량계로부터 상용전원의 전압과 전류, 위상각을 수집 누적화하여, 상용전원의 전력량 추천값을 다수의 상이한 전력량계와 제1 전류센서(10) 및 제2 전류센서(20), CT(전류계), PT(전압계) 유형별과, 설치 장소와 사용 시간대 유형별로 산출해서 제공하는 전력량 알림 모델을 미리 등록한다.
b) 그리고 나서, 상기 전력량계(5)부터 상용전원의 전압과 전류, 위상각을 입력받을 경우, 상기 전력량 알림모델로부터 현재 전력량 추천값을 제공한다.
이러한 경우에, 상기 전력량 알림모델은 아래와 같다.
a) 먼저, 상기 전력량 추천값을 제공할 경우에, 상기 전력량계(5)로부터 상용전원의 전압과 전류, 위상각을 수집 누적화하여, 전력량 추천값을 다수의 상이한 전력량계와 CT, PT 유형별과, 장소와 시간대 유형별로 분류하여 학습하는 모델을 정의한다.
b) 그리고, 다수의 상이한 전력량계와 CT, PT 유형별과, 설치 장소와 사용 시간대 유형별로 상용전원의 전압과 전류, 위상각 특징을 나타내는 데이터 셋을 추출한다.
c) 다음, 상기 데이터 셋을 다수의 상이한 설치 장소와, 사용 시간대 정보를 반영하여 속성화한다.
d) 상기 속성화한 결과를 기초로 해서, 상기 상이한 학습 모델별로 상용전원의 전압과 전류, 위상각의 속성을 결정한다.
e) 그리고, 상기 결정 결과를 정규화한다.
f) 다음 상기 정규화 결과를 기초로 해서 각각의 학습 모델별로 상용전원의 전압과 전류, 위상각을 설정하여, 다수의 상이한 전력량계와 CT, PT 유형별과, 설치 장소와 사용 시간대 유형별로 전력량 추천값을 산출하는 정보를 생성하기 위해서, 각각의 추천값을 독립 변수로 설정하고, 상용전원의 전압과 전류, 위상각을 종속 변수로 설정한다.
g) 그리고 나서, 이러한 설정 결과를 학습 및 훈련 데이터로 생성한다.
h) 그리고, 상기 생성한 결과로부터 딥러닝 기반의 전력량 알림모델을 생성한다.
부가적으로, 이러한 각각의 학습모델을 생성하는 방식에 대해서 더욱 설명한다.
먼저, 이러한 학습모델은 다수의 상이한 전력량계(5)와 CT, PT 유형별과, 장소와 시간대 유형별로 학습 모델을 생성한다. 따라서, 모델은 다양한 분야의 업체 등마다 새로 생성할 수도 있고 기준을 잡아 몇 개의 묶음으로 모델을 생성할 수도 있다. 이러한 것은 데이터의 특성에 따라 적합한 방법을 결정하도록 한다.
다음으로, 실시간 수집한 데이터에서 장치 등의 오류로 인하여 다수 데이터가 수집되지 않을 경우와 예약이 특이하게 많은 이상치 등이 발생할 경우 등에, 해당하는 데이터 파일을 제거한다.
그리고, 간혹 데이터의 끊김 현상으로 일부 데이터를 미수집하였을 경우 해당하는 데이터를 제거한다.
다음으로, 상이한 모델별로 유효한 속성을 결정하고 정규치를 생성한 후 독립 및 종속 변수를 결정한다.
그리고 나서, 학습 모델을 생성하기 위해서는 전체 데이터 중에서 학습과 훈련 데이터를 생성한다. 일반적으로 전체 데이터셋에서 70%를 학습데이터로 30%를 모델 생성후, 모델을 시험하기 위해 훈련 데이터로 사용한다.
다음으로 학습 모델을 생성한다. 이 단계에서 어떠한 학습모델을 사용할 것인지 결정한다. 예를 들어, 딥러닝 기반에서 필요한 레이어를 구성하여 입력과 출력층을 구성하여 최정 출력 개수를 설정하는 구성을 말한다. 그리고 나서, 이렇게 생성된 모델을 평가하고 이 모델을 오차율에 만족하면 새로운 데이터로 모델을 시뮬레이션 한 후, 모델 갱신이 필요하지 않으면 학습 모델을 저장한 후 예측 모델로 사용한다.
따라서, 본 발명에 의한 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 측정시스템은 일반 현장에서 외부 영향이나 전력량계 자체의 노후화로 인하여 부정확한 오차 정밀도를 갖고 있는 전자식 전력량계(5)를 서버(50)를 통하여 외부 기관 등에 알려주도록 통보하여 교체 등을 하게 함으로서, 수용가에게 더욱 정확한 계량 서비스를 제공할 수 있는 것이다.
또한, 이러한 딥러닝 알고리즘을 활용하여 발전량 및 사용량 등을 예측하여 에너지 관리시스템에도 적용 가능한 장점도 있는 것이다.
이상에서와 같은 내용의 본 발명이 속하는 기술분야의 당업자는 본 발명의 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 상기 기술한 실시예는 예시된 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다.
본 발명의 범위는 상기 상세한 설명보다는 첨부된 특허청구범위에 의하여 나타내어지며, 특허청구 범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
3 : MCU
5 : 전력량계 10 : 제1 전류센서
20 : 제2 전류센서 31 : 전력연산부
32 : 딥러닝 알고리즘 측정부 33 : A/D 변환부
34 : 오차정밀도 진단부 35 : 신호전송부
40 : 진단장치 50 : 서버
5 : 전력량계 10 : 제1 전류센서
20 : 제2 전류센서 31 : 전력연산부
32 : 딥러닝 알고리즘 측정부 33 : A/D 변환부
34 : 오차정밀도 진단부 35 : 신호전송부
40 : 진단장치 50 : 서버
Claims (6)
- 예측 전력량을 학습시킨 딥러닝 알고리즘 측정부와 수용가의 전력량을 계측하는 전력량계와 상기 전력량계에 형성되어 전력량을 계측하는 제1 전류센서 및 비교 전력량을 측정하는 제2 전류센서를 이용한 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법에 있어서,
상기 전력량계에서 상기 제1 전류센서에서 측정한 계량 데이터를 통하여 일정 시간 동안의 전력량을 계측하는 단계;
상기 전력량계에서 상기 제2 전류센서로부터 비교 전력량을 측정하는 단계;
상기 딥러닝 알고리즘 측정부로부터 상기 전력량계의 예측 전력량을 학습하는 단계;
상기 제1 전류센서의 계측 전력량과 상기 제2 전류센서의 비교 전력량 및 상기 딥러닝 알고리즘 측정부의 예측 전력량을 서로 비교하는 단계;
상기 제1 전류센서의 계량 전력량과 상기 제2 전류센서의 비교 전력량 및 상기 딥러닝 알고리즘 측정부의 예측 전력량이 각각 모두 상이하면, 오차정밀도에 문제가 있는 것으로 판단하는 단계;
상기 단계에서 오차 정밀도에 이상이 발생한 것으로 판단되면, 오차 정밀도의 이상의 사실을 서버에 통보하는 단계를 포함하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법.
- 제1항에 있어서,
상기 제1 전류센서의 계량 전력량과 상기 딥러닝 알고리즘 측정부의 예측 전력량이 유사하고, 상기 제2 전류센서의 비교 전력량 또한 유사하면, 상기 제1 전류센서와 상기 제2 전류센서에 이상이 없는 것으로 판단하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법.
- 제1항에 있어서,
상기 제1 전류센서의 계량 전력량과 상기 딥러닝 알고리즘 측정부의 예측 전력량이 유사하고 상기 제2 전류센서의 비교 전력량이 상이하면, 상기 제2 전류센서에 이상이 있는 것으로 판단하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법.
- 제1항에 있어서,
상기 제2 전류센서의 비교 전력량과 상기 딥러닝 알고리즘 측정부의 예측 전력량이 유사하고 상기 제1 전류센서의 계량 전력량이 상이하면, 상기 제1 전류센서에 이상이 있는 것으로 판단하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법.
- 제1항에 있어서,
상기 제1 전류센서의 계량 전력량과 상기 제2 전류센서의 비교 전력량이 유사하고 상기 딥러닝 알고리즘 측정부의 예측 전력량이 상이하면, 상기 딥러닝 알고리즘 측정부의 알고리즘 문제 또는 상기 제1 전류센서와 상기 제2 전류센서에 이상이 있는 것으로 판단하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법.
- 제1항에 있어서,
상기 제1 전류센서의 계량 전력량과 상기 제2 전류센서의 비교 전력량, 그리고 상기 딥러닝 알고리즘 측정부의 예측 전력량이 서로 상이하면 상기 전력량계 오차에 문제가 있는 것으로 판단하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210133197A KR102635864B1 (ko) | 2021-10-07 | 2021-10-07 | 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210133197A KR102635864B1 (ko) | 2021-10-07 | 2021-10-07 | 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230050007A true KR20230050007A (ko) | 2023-04-14 |
KR102635864B1 KR102635864B1 (ko) | 2024-02-13 |
Family
ID=85946341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210133197A KR102635864B1 (ko) | 2021-10-07 | 2021-10-07 | 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102635864B1 (ko) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100029932A (ko) | 2008-09-09 | 2010-03-18 | (주)한국아이이디 | 계기용 변압변류기 및 전력량계의 오차 측정 시스템 및방법 |
KR20110043052A (ko) | 2009-10-20 | 2011-04-27 | 한국전기연구원 | 전력량계의 오차 보상방법 |
KR20200002226A (ko) | 2018-06-29 | 2020-01-08 | 한국전력공사 | 전력량계의 상 오차 검출장치 및 그 방법 |
KR20200123523A (ko) * | 2019-04-22 | 2020-10-30 | 김장운 | 변류기 및 변성기 오차율 검사 장치 |
-
2021
- 2021-10-07 KR KR1020210133197A patent/KR102635864B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100029932A (ko) | 2008-09-09 | 2010-03-18 | (주)한국아이이디 | 계기용 변압변류기 및 전력량계의 오차 측정 시스템 및방법 |
KR20110043052A (ko) | 2009-10-20 | 2011-04-27 | 한국전기연구원 | 전력량계의 오차 보상방법 |
KR20200002226A (ko) | 2018-06-29 | 2020-01-08 | 한국전력공사 | 전력량계의 상 오차 검출장치 및 그 방법 |
KR20200123523A (ko) * | 2019-04-22 | 2020-10-30 | 김장운 | 변류기 및 변성기 오차율 검사 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR102635864B1 (ko) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
US20220237060A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
Fiot et al. | Electricity demand forecasting by multi-task learning | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
Strange et al. | Prediction of future capacity and internal resistance of Li-ion cells from one cycle of input data | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
US20230324860A1 (en) | Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
Jiang et al. | Literature review of power disaggregation | |
CN116632838B (zh) | 应用于发电企业的电能供给分析的方法及装置 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及*** | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和*** | |
KR20200065386A (ko) | 통계적 학습을 통한 가스 배관망 운영정보 제공방법 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
Roy et al. | Demand forecasting in smart grid using long short-term memory | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
CN114548493A (zh) | 一种电能表电流过载预测方法与*** | |
Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
KR20230050007A (ko) | 딥러닝 알고리즘을 이용한 전력량계 오차 정밀도 진단방법 | |
Yarlagadda et al. | Power system state estimation and forecasting using cnn based hybrid deep learning models | |
CN113933725B (zh) | 一种基于数据驱动确定动力电池荷电状态的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |