KR101739546B1 - 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템 - Google Patents

수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템 Download PDF

Info

Publication number
KR101739546B1
KR101739546B1 KR1020160048561A KR20160048561A KR101739546B1 KR 101739546 B1 KR101739546 B1 KR 101739546B1 KR 1020160048561 A KR1020160048561 A KR 1020160048561A KR 20160048561 A KR20160048561 A KR 20160048561A KR 101739546 B1 KR101739546 B1 KR 101739546B1
Authority
KR
South Korea
Prior art keywords
power
power data
data
analysis system
customer
Prior art date
Application number
KR1020160048561A
Other languages
English (en)
Inventor
서충기
정준홍
Original Assignee
한전케이디엔주식회사
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 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020160048561A priority Critical patent/KR101739546B1/ko
Application granted granted Critical
Publication of KR101739546B1 publication Critical patent/KR101739546B1/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/30—Dynamo-electric motor meters
    • G01R11/32—Watt-hour meters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems

Abstract

본 발명의 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템은, 수용가 각각의 전력 사용량을 계측하고, 계측된 전력 데이터들을 전력선통신(PLC)으로 전송하는 전력데이터 취득부; 상기 전력데이터 취득부로부터 상기 전력 데이터들을 주기적으로 수신하여 저장하고, 외부의 요청이 있는 경우 네트워크를 통해 저장된 전력 데이터들을 전송하는 데이터집중장치(DCU); 상기 데이터집중장치(DCU)로부터 전력 데이터들을 수신하고, 수신된 대용량의 전력데이터들을 별도의 데이터베이스(DB) 서버에 저장하는 서버부; 및 상기 데이터베이스(DB) 서버에 접속하여 상기 전력데이터들 분석하고, 신경망 알고리즘을 적용한 이미지 프로세싱을 수행하여 수용가의 전력 위험 상황에 부합하는 구간을 찾으며, 만일 수용가가 전력 위험 상황에 부합하는 구간이 발생할 경우 센터에 분석결과를 통지하는 분석 시스템을 포함하는 기술을 제공함에 기술적 특징이 있다.

Description

수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템{POWER DATA ANALYSIS SYSTEM FOR AVOIDING DANGEROUS POWER SITUATIONS OF CONSUMER}
본 발명은 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템에 관한 것으로, 더욱 상세하게는 수집된 수용가 각각의 대용량의 전력 데이터들을 분석하고, 신경망 알고리즘을 적용한 이미지 프로세싱을 수행하여 수용가의 전력 위험 상황에 부합하는 구간을 찾으며, 만일 수용가가 전력 위험 상황에 부합하는 구간이 발생할 경우 센터에 분석결과를 통지하는 분석 시스템을 구비함으로, 전력 데이터들의 학습을 통해 수용가의 개별 위험상태 조건에 대한 예측 및 정밀한 분석이 가능해 져, 수용가의 전기사고 예방 뿐 만 아니라, 사고 발생 시 신속한 조치를 취할 수 있는, 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템에 관한 것이다.
일반적으로 PLC(Power Line Communication)는 전력선 통신이라고도 하는데, 가정이나 사무실의 소켓에 전원선을 꽂으면 음성, 데이터, 인터넷 등을 고속으로 이용할 수 있는 서비스로 텔레비전, 전화, 퍼스널컴퓨터 등 가정의 모든 정보기기를 연결하는 홈 네트워크 까지 가능하다.
이 기술이 실현되면 지금까지 유선 텔레비전망, 전화선, 광통신망 등으로 복잡하던 데이터 전송 경로가 전력선 하나로 줄어들게 된다. 전원과 통신 데이터를 나누어주는 모뎀이나 시스템 등 별도의 장치만 있으면 되므로 설치 또한 간편하다.
또한 인터넷 서비스와 네트워크 구축뿐만 아니라 전력선 기반 지능형 가전제품의 원격제어와 계량기 등의 원격검침, 각종 전기기계의 원격제어 등도 가능하게 된다. 데이터를 전력선 내부에 실어 보내는 것에 따른 속도의 한계와 전력선망 자체의 간섭현상 등의 과제가 아직 남아 있으나 곧 실용화될 전망이다.
한편 전력선 통신(PLC)를 이용한 저압원격검침이 전국적으로 시행되고 있으며, 디지털 전력데이터가 DB 서버에 대량으로 저장 되고 있는데, 저장된 전력데이터를 해석하면 수용가의 개별 위험상태에 대한 분석을 수행할 수 있다.
하지만, 종래기술은 전력 데이터들의 학습을 통해 수용가의 개별 위험상태 조건에 대한 예측 및 정밀한 분석을 통해 수용가의 전기사고 예방 뿐 만 아니라, 사고 발생 시 신속한 조치를 취할 수 있는 기술을 제공하지 못하는 문제점이 있었다.
대한민국 공개특허 제10-2014-0039588호
본 발명이 해결하고자 하는 기술적 과제는, 수집된 수용가 각각의 대용량의 전력 데이터들을 분석하고, 신경망 알고리즘을 적용한 이미지 프로세싱을 수행하여 수용가의 전력 위험 상황에 부합하는 구간을 찾으며, 만일 수용가가 전력 위험 상황에 부합하는 구간이 발생할 경우 센터에 분석결과를 통지하는 분석 시스템을 구비함으로, 전력 데이터들의 학습을 통해 수용가의 개별 위험상태 조건에 대한 예측 및 정밀한 분석이 가능해 져, 수용가의 전기사고 예방 뿐 만 아니라, 사고 발생 시 신속한 조치를 취할 수 있는, 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템을 제공하는데 있다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템은, 수용가 각각의 전력 사용량을 계측하고, 계측된 전력 데이터들을 전력선통신(PLC)으로 전송하는 전력데이터 취득부; 상기 전력데이터 취득부로부터 상기 전력 데이터들을 주기적으로 수신하여 저장하고, 외부의 요청이 있는 경우 네트워크를 통해 저장된 전력 데이터들을 전송하는 데이터집중장치(DCU); 상기 데이터집중장치(DCU)로부터 전력 데이터들을 수신하고, 수신된 대용량의 전력데이터들을 별도의 데이터베이스(DB) 서버에 저장하는 서버부; 및 상기 데이터베이스(DB) 서버에 접속하여 상기 전력데이터들 분석하고, 신경망 알고리즘을 적용한 이미지 프로세싱을 수행하여 수용가의 전력 위험 상황에 부합하는 구간을 찾으며, 만일 수용가가 전력 위험 상황에 부합하는 구간이 발생할 경우 센터에 분석결과를 통지하는 분석 시스템을 포함하는 기술을 제공한다.
본 발명은 전력 데이터들의 학습을 통해 수용가의 개별 위험상태 조건에 대한 예측 및 정밀한 분석이 가능해 져, 수용가의 전기사고 예방 뿐 만 아니라, 사고 발생 시 신속한 조치를 취할 수 있는 기술적 효과가 있다.
도 1은 본 발명에 따른 위험회피 전력데이터 분석 시스템의 구성을 개략적으로 나타낸 것이다.
도 2는 본 발명에 따른 위험회피 전력데이터 분석 시스템의 동작 과정을 나타낸 것이다.
도 3은 본 발명에 따른 전력데이터 위험회피를 구현하기 위한 신경망 알고리즘 학습절차를 나타낸 것이다.
도 4는 도 3의 신경망 알고리즘 학습절차 중 입력층, 은닉층, 출력층의 상호 관계를 설명하기 위해 도시한 것이다.
이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.
도 1은 본 발명에 따른 위험회피 전력데이터 분석 시스템의 구성을 개략적으로 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 위험회피 전력데이터 분석 시스템(100)은 전력데이터 취득부(110), 데이터집중장치(120), 서버부(130) 및 분석 시스템(140)을 포함한다.
전력데이터 취득부(110)는 제1 전력 계량기(111-1) ~ 제N 전력 계량기(111-N) 및 제1 PLC 모뎀(112-1) ~ 제N PLC 모뎀(112-N)을 포함한다.
제1 전력 계량기(111-1) ~ 제N 전력 계량기(111-N)는 수용가 각각에 설치하여 수용가의 에너지 사용량을 계측, 저장하고 계측된 제1 전력 데이터 ~ 제N 전력 데이터는 제1 전력 계량기(111-1) ~ 제N 전력 계량기(111-N) 각각에 설치된 제1 PLC 모뎀(112-1) ~ 제N PLC 모뎀(112-N)을 통해 전력선통신(Power Line Communication, PLC)으로 데이터집중장치(120)로 전송된다.
이 경우 제1 전력 계량기(111-1) ~ 제N 전력 계량기(111-N)는 표준형 전력량계 또는 E-type 전력량계 등을 사용할 수 있으며, 제1 PLC 모뎀(112-1) ~ 제N PLC 모뎀(112-N)은 마스터(master)인 데이터집중장치(120)와 슬레이브(slave) 관계를 가지며, 전원을 온(on)하면 원격지의 데이터집중장치(DCU, 120)와 등록과정을 거쳐 통신 가능 상태로 된다.
데이터집중장치(DCU, 120)는 제1 PLC 모뎀(112-1) ~ 제N PLC 모뎀(112-N)으로부터 제1 전력 데이터 ~ 제N 전력 데이터를 주기적으로 수신하여 내부의 메모리에 저장하며, 서버부(130)의 요청이 있는 경우 저장된 제1 전력 데이터 ~ 제N 전력 데이터를 유무선 네트워크(10)를 통해 전송한다.
이 경우 네트워크(10)는 이를테면, WAN(Wide Area Network), 3G, 4G, LTE, LTE-A, 와이브로(Wireless Broadband Internet), 와이파이(Wifi) 등을 사용할 수 있지만 이에 한정되는 것은 아니다.
서버부(130)는 FEP 서버(131) 및 DB 서버(132)를 포함한다.
이 경우 FEP(Front-End Processor) 서버(131)는 주기적으로 데이터집중장치(DCU, 120)가 저장하고 있는 제1 전력 데이터 ~ 제N 전력 데이터를 수집하여, DB(Data Base) 서버(132)에 저장한다.
분석 시스템(140)은 DB 서버(132)에 접속하여 주기적으로 전력 데이터 관련한 빅 데이터 분석을 수행하고, 수행된 결과를 그래프 등의 시각화 방법으로 표시한다.
이 경우 분석 시스템(140)은 수용가 위험 상황에 대한 분석을 위한 조건 생성을 위해 신경망 알고리즘을 적용한 딥 러닝(Deep Learning)을 수행하는데(도 3 참조), 구체적으로 신경망 알고리즘을 적용한 이미지 프로세싱을 수행함으로 수용가의 위험 상황에 부합하는 구간을 찾으며, 만일 수용가가 위험 상황에 부합하는 구간이 발생할 경우 센터에 분석결과를 통지해 준다.
도 2는 본 발명에 따른 위험회피 전력데이터 분석 시스템의 동작 과정을 나타낸 것이다.
도 2를 참조하면, 우선 데이터집중장치(DCU, 120)는 전력 계량기(111)로 전력 데이터를 요청하는 제1 과정(A11)을 갖는다.
다음으로, 전력 계량기(111)는 각각의 수용가에서 취득한 전력 데이터를 데이터집중장치(DCU, 120)로 전송하는 제2 과정(A12)을 갖는다.
이 경우 전력 계량기(111)는 도 1에서 설명한 제1 전력 계량기(111-1) ~ 제N 전력 계량기(111-N)를 포함하며, 각각이 취득한 제1 전력 데이터 ~ 제N 전력 데이터는 제1 PLC 모뎀(112-1) ~ 제N PLC 모뎀(112-N)을 통해 전력선통신(Power Line Communication, PLC)으로 데이터집중장치(120)로 전송된다.
다음으로, 데이터집중장치(DCU, 120)는 수신된 전력 데이터를 내부의 메모리에 저장하는 제3 과정(A13)을 갖는다.
다음으로, 서버부(130)는 FEP 서버(131)를 통해 데이터집중장치(DCU, 120)로 내부에 저장된 전력 데이터를 요청하는 제4 과정(A14)을 갖는다.
다음으로, 데이터집중장치(DCU, 120)는 요청된 전력 데이터를 서버부(130)로 전송하는 제5 과정(A15)을 갖는다.
다음으로, 서버부(130)는 수신된 전력 데이터를 DB 서버(132)에 저장하는 제6 과정(A16)을 갖는다.
다음으로, 분석 시스템(140)은 서버부(130)의 DB 서버(132)에 접속 요청을 구하는 메시지를 전송하는 제7 과정(A17)을 갖는다.
다음으로, DB 서버(132)는 분석 시스템(140)의 접속 요청에 대한 정당한 권원이 있는 지를 확인 한 후 DB 서버로의 접속 허락을 인정하는 메시지를 전송하는 제8 과정(A18)을 갖는다.
다음으로, 분석 시스템(140)은 DB 서버(132)에 저장된 전력 데이터를 분석하고, 분석된 결과를 시각화 시키는 제9 과정(A19)을 갖는다.
다음으로, 분석 시스템(140)은 위험 상태 판별을 위한 조건을 생성하는 제10 과정(A20)을 갖는다.
마지막으로, 분석 시스템(140)은 위험상태를 분석하고, 위험상태에 해당할 경우 이를 경보(alarm) 하는 제11 과정(A21)을 갖는다.
도 3은 본 발명에 따른 전력데이터 위험회피를 구현하기 위한 신경망 알고리즘 학습절차를 나타낸 것이고, 도 4는 도 3의 신경망 알고리즘 학습절차 중 입력층, 은닉층, 출력층의 상호 관계를 설명하기 위해 도시한 것이다.
이하 본 발명에 적용된 신경망 알고리즘의 주요 특징을 간략히 정리한다.
본 발명의 경우 신경망 알고리즘을 구현하는데 오류역전파 알고리즘을 사용하는데, 오류역전파 알고리즘은 다층 퍼셉트론 학습에 사용되는 통계적 기법으로 기계학습에 많이 사용된다.
일반적인 다층 퍼셉트론의 형태는 입력층 - (은닉층1 ~ 은닉층n) - 출력층으로 구성되며, 각 층은 서로 교차되는 가중치(weight) 값으로 연결되어 있다.
오류역전파 알고리즘은 입력층에 대해 원하는 값이 출력되도록 개개의 가중치(weight)를 조정하는 방법으로 사용되며, 속도는 느리지만, 안정적인 결과를 얻을 수 있는 장점이 있어 기계학습에 널리 사용된다.
이하 도 3 및 도 4를 참조하여 본 발명에 따른 전력데이터 위험회피를 구현하기 위한 신경망 알고리즘 학습 과정을 설명한다.
우선, 입력층, 은닉층, 출력층 간의 연결강도를 초기화 하고, 학습 패턴의 쌍(pair)을 선정하는 제1 단계(S10)를 갖는다.
다음으로, 학습률과 오차의 한계치를 결정하는 제2 단계(S20)를 갖는다.
다음으로, 학습 패턴을 입력하는 제3 단계(S30)를 갖는다.
다음으로, 은닉층의 출력을 구하는 제4 단계(S40)를 갖는다.
이 경우 입력층은 이를테면, 수용가의 월 전기 사용량 / 년도별 월 최고 사용량이 되고, 출력층은 서버에서 기계적으로 학습된 입력층 수용가의 상태가 위험상황인지 아닌지를 판단한 결과 값(1은 위험상황 또는 0은 정상상황) 이다.
또한 은닉층과 출력층의 각 뉴런의 출력값은 가중치(weight)와 바이어스(bias)를 반영하고, 활성화 함수를 적용시켜 구하는데, 이 경우 활성화 함수로 이를테면, 로지스틱 시그모이드 함수(logistic sigmoid function)를 사용한다.
여기서 로지스틱 시그모이드 함수(logistic sigmoid function)는 로지스틱 함수의 특별한 형태로 S와 같은 형태(sigmoid curve)를 가진 함수로, 주로 학습 곡선 등을 나타내는 함수이며, 0에 가까운 작은 값에서 일정한 유한값에 점근하는 함수이다.
다음으로, 출력층의 출력을 구하는 제5 단계(S50)를 갖는다.
다음으로, 목표치와 출력값을 비교하여 오차를 계산하는 제6 단계(S60)를 갖는다.
이 경우 출력 패턴이 목표패턴과 다를 경우 그 오차를 계산하고, 출력층에서 입력층까지 신경망을 따라 거꾸로 전파시킨다.
이 오차의 전파과정에서 가중치가 수정되며 목표패턴에 이를 때까지 이 과정을 반복하는데, 경우에 따라 알고리즘이 무한 반복 될 수 있으므로 적절한 횟수(이를테면, 기본 1,000회)로 반복횟수를 제한함이 바람직하다.
다음으로, 출력층의 오차 신호를 구하는 제7 단계(S70)를 갖는다.
다음으로, 은닉층에서 전파되는 오차 신호를 구하는 제8 단계(S80)를 갖는다.
상기 제7 단계(S70) 및 상기 제8 단계(S80)에서 출력층과 은닉층의 오차(E)는 입력에 대한 목표출력을 이용해서 구하는데, 하기 수학식1로 표현된다.
Figure 112016038266691-pat00001
여기서 p는 훈련에 사용할 입력-목표출력 패턴의 개수를 의미하며, Ep 는 하기 수학식2로 표현된다.
Figure 112016038266691-pat00002
여기서 k는 출력층 뉴런의 개수이고, ypk는 p번째 패턴의 k번째 출력층 뉴런의 출력 값, tpk는 패턴 p의 k번째 출력층 뉴런의 목표출력을 의미한다.
한편 본 발명의 경우 입력값과 출력값의 범위는 사전 정규화를 통해 0 ≤ 입력값 ≤1, 0≤ 출력값 ≤1 로 정해지며, 오차의 범위 값은 -1< 오차값 < 1 범위를 갖는다.
다음으로, 출력층과 은닉층의 연결강도를 변경하는 제9 단계(S90)를 갖는다.
다음으로, 학습 패턴쌍을 반복 입력하여 연결강도를 변경하는 제10 단계(S100)를 갖는다.
여기서 연결강도 즉 가중치(weight)는 일반적으로 -0.5 ~ 0.5 사이의 값을 사용하며, 오차의 전파과정에서 가중치는 목표패턴(출력 값이 0근방이나 1근방)에 이를 때까지 지속적으로 수정된다.
한편 설정된 반복횟수 이상일 경우 목표값을 가지고, 수용가의 위험 상태를 판단하는데, 출력값이 1인 경우는 위험상황, 출력값이 0인 경우는 안전상황으로 판단할 수 있으나, 신경망 알고리즘을 사용한 경우 통계적 기법의 판단이 필요하기 때문에 아래의 실시예1과 같이 출력값의 단계를 10단계로 나누어 판단한다.
<실시예 1>
출력값 : (안전 5단계 + 위험 5단계 = 총 10단계)
안전 5단계(0-0.1), 안전 4단계(0.1-0.2), 안전 3단계(0.2-0.3), 안전 2단계(0.3-0.4), 안전 1단계(0.4-0.5),
위험 5단계(1-0.9), 위험 4단계(0.9-0.8), 위험 3단계(0.8-0.7), 위험 2단계(0.7-0.6), 위험 1단계(0.6-0.5)
여기서 수용가의 위험 상태는 이를테면, 현재 월의 전력사용량 / 다년간의 특정 월 최대 전력 사용량 및 기후변화를 적용하고, 오류역전파 알고리즘을 통해 얻은 상기 출력값에 따라 수용가의 전력상황에 대한 위험 정도를 10단계로 구분하여 판단된다.
마지막으로, 오차가 특정 범위보다 작아지면 학습을 종료하는 제11 단계(S110)를 갖는다.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
110 : 전력데이터 취득부
111-1 ~ 111-N : 제1 전력 계량기 ~ 제N 전력 계량기
112-1 ~ 112-N : 제1 PLC 모뎀 ~ 제N PLC 모뎀
120 : 데이터집중장치(DCU)
130 : 서버부
131 : FEP 서버
132 : DB 서버
140 : 분석 시스템
10 : 네트워크

Claims (6)

  1. 수용가 각각의 전력 사용량을 계측하고, 계측된 전력 데이터들을 전력선통신(PLC)으로 전송하는 전력데이터 취득부;
    상기 전력데이터 취득부로부터 상기 전력 데이터들을 주기적으로 수신하여 저장하고, 외부의 요청이 있는 경우 네트워크를 통해 저장된 전력 데이터들을 전송하는 데이터집중장치(DCU);
    상기 데이터집중장치(DCU)로부터 전력 데이터들을 수신하고, 수신된 대용량의 전력데이터들을 별도의 데이터베이스(DB) 서버에 저장하는 서버부; 및
    상기 데이터베이스(DB) 서버에 접속하여 상기 전력데이터들 분석하고, 신경망 알고리즘을 적용한 이미지 프로세싱을 수행하여 수용가의 전력 위험 상황에 부합하는 구간을 찾으며, 만일 수용가가 전력 위험 상황에 부합하는 구간이 발생할 경우 센터에 분석결과를 통지하는 분석 시스템을 포함하며,
    상기 분석 시스템은,
    신경망 알고리즘 학습을 통해 수용가의 전력 위험 상황에 부합하는 조건을 찾되,
    상기 신경망 알고리즘은, 오류역전파 알고리즘을 사용하고,
    상기 오류역전파 알고리즘은,
    입력층, 은닉층 및 출력층을 포함하며,
    상기 입력층은 수용가의 월 전기 사용량 / 년도별 월 최고 사용량을 이용하고, 상기 출력층은 기계적으로 학습된 내용에 따라 수용가의 전력위험상태를 판단한 결과값을 출력하고,
    상기 오류역전파 알고리즘을 통해 얻은 출력 값에 따라 수용가의 전력상황에 대한 위험 정도를 안전 5단계 및 위험 5단계를 포함하는 총 10단계로 구분하여 판단하는 것을 특징으로 하는 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제 1항에 있어서,
    상기 은닉층과 상기 출력층의 각 뉴런의 출력값은 가중치(weight) 및 바이어스(bias)를 반영하고, 활성화 함수를 적용시켜 구하는 것을 특징으로 하는 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템.
  6. 제 5항에 있어서, 상기 활성화 함수는,
    로지스틱 시그모이드 함수(logistic sigmoid function)를 사용하는 것을 특징으로 하는 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템.
KR1020160048561A 2016-04-21 2016-04-21 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템 KR101739546B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160048561A KR101739546B1 (ko) 2016-04-21 2016-04-21 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160048561A KR101739546B1 (ko) 2016-04-21 2016-04-21 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템

Publications (1)

Publication Number Publication Date
KR101739546B1 true KR101739546B1 (ko) 2017-05-24

Family

ID=59051397

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160048561A KR101739546B1 (ko) 2016-04-21 2016-04-21 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템

Country Status (1)

Country Link
KR (1) KR101739546B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019124570A1 (ko) * 2017-12-18 2019-06-27 한국 전기안전공사 인공지능기법을 이용한 전기설비 안전도 평가 시스템
KR20200002337A (ko) * 2018-06-29 2020-01-08 한전케이디엔주식회사 데이터 공유방식 고장진단 및 자동복구 시스템
CN112560934A (zh) * 2020-12-10 2021-03-26 国家电网有限公司 多尺度电力消费行为分析方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019124570A1 (ko) * 2017-12-18 2019-06-27 한국 전기안전공사 인공지능기법을 이용한 전기설비 안전도 평가 시스템
KR20200008621A (ko) * 2017-12-18 2020-01-28 한국 전기안전공사 인공지능기법을 이용한 전기설비 안전도 평가 시스템
KR102275126B1 (ko) * 2017-12-18 2021-07-09 한국전기안전공사 인공지능기법을 이용한 전기설비 안전도 평가 시스템
KR20200002337A (ko) * 2018-06-29 2020-01-08 한전케이디엔주식회사 데이터 공유방식 고장진단 및 자동복구 시스템
KR102069842B1 (ko) * 2018-06-29 2020-01-23 한전케이디엔 주식회사 데이터 공유방식 고장진단 및 자동복구 시스템
CN112560934A (zh) * 2020-12-10 2021-03-26 国家电网有限公司 多尺度电力消费行为分析方法
CN112560934B (zh) * 2020-12-10 2024-03-01 国家电网有限公司 多尺度电力消费行为分析方法

Similar Documents

Publication Publication Date Title
CN112162878B (zh) 数据库故障发现方法、装置、电子设备及存储介质
KR101739546B1 (ko) 수용가의 전력 위험 상황 회피를 위한 전력데이터 분석 시스템
EP3170141B1 (en) Systems and methods for classifying in-situ sensor response data patterns representative of grid pathology severity
CN107273273A (zh) 一种分布式集群硬件故障预警方法及系统
Yu et al. Experience in predicting fault-prone software modules using complexity metrics
CN111198808A (zh) 预测性能指标的方法、装置、存储介质及电子设备
CN114977483B (zh) 一种智能电网调控控制设备故障诊断系统
Orsini et al. Large‐scale road safety evaluation using extreme value theory
Risso et al. Hybrid method for power system state estimation
Kempner et al. Optimal monitoring of voltage sags through simultaneous analysis of short‐circuits in distribution systems
CN108684051A (zh) 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质
Chen et al. A new belief entropy and its application in software risk analysis
CN113935390A (zh) 数据处理方法、系统、设备及存储介质
Hua et al. Efficient probabilistic contingency analysis through a stability measure considering wind perturbation
CN113466569A (zh) 一种建筑防雷方法及系统
CN109451359B (zh) 一种关注异常的检测方法、装置、设备和存储介质
CN104699923A (zh) 多指标水质综合评价方法
CN114816955A (zh) 数据库性能预测方法和装置
CN115267641A (zh) 同塔双回输电线路中电流互感器误差异常识别方法、系统
CN111049892B (zh) 一种感知终端的数据处理方法及装置
CN104502557A (zh) 多指标水质评价方法
Xu et al. Modelling of wind speed correlation based on entropy weighted fuzzy comprehensive evaluation
JP2015216760A (ja) 電力消費管理装置、電力消費管理システム、系統側管理装置、電力消費管理方法および電力消費管理プログラム
Zhao et al. Correlation performance analysis for waveforms with spectral notches
Roj Estimation of the artificial neural network uncertainty used for measurand reconstruction in a sampling transducer

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant