KR101896015B1

KR101896015B1 - Ai형 원격 검침시스템

Info

Publication number: KR101896015B1
Application number: KR1020180009249A
Authority: KR
Inventors: 홍민규
Original assignee: (주)베스트인포텍
Priority date: 2018-01-25
Filing date: 2018-01-25
Publication date: 2018-09-06

Abstract

본 발명의 AI형 원격 검침시스템은, 복수개의 전자식 미터들을 통해 수용가의 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량을 계측하고, 계측된 검침 데이터를 모뎀을 통해 전송하는 계기부; 상기 계기부로부터 검침 데이터를 수집하고, 수집된 검침 데이터를 상위 단으로 전송하는 데이터집중장치; 및 상기 계기부 또는 상기 데이터집중장치로부터 수집된 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량 정보를 포함하는 빅 데이터에 대해 인공지능(AI) 학습을 통해 부하별 에너지사용 패턴 분석 및 각종 시설물들의 긴급 상태 진단 서비스를 제공하는 AI형 관리서버를 포함함에 기술적 특징이 있다.

Description

AI형 원격 검침시스템{AI TYPE REMOTE METER READING SYSTEM}

본 발명은 AI형 원격 검침시스템에 관한 것으로, 더욱 상세하게는 복수개의 전자식 미터들을 통해 수용가의 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량을 계측하고, 계측된 검침 데이터를 모뎀을 통해 전송하는 계기부; 상기 계기부로부터 검침 데이터를 수집하고, 수집된 검침 데이터를 상위 단으로 전송하는 데이터집중장치; 및 상기 계기부 또는 상기 데이터집중장치로부터 수집된 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량 정보를 포함하는 빅 데이터에 대해 인공지능(AI) 학습을 통해 부하별 에너지사용 패턴 분석 및 각종 시설물들의 긴급 상태 진단 서비스를 제공하는 AI형 관리서버를 포함하는, AI형 원격 검침시스템에 관한 것이다.

원격검침은 전기, 가스 등 에너지 유틸리티 회사에서 공공 서비스를 제공 후 고객의 사용량을 원격지에서 수집하는 것을 의미한다.

에너지를 공급하는 유틸리티 회사에서는 고객의 DB를 구축해 놓고, 사용량을 원격지에서 수집을 하는데, 보통 고객과 서버 간에는 하나의 도시 급 이상의 넓은 거리 떨어져 있고, 서버와 고객 간의 1:N 통신의 한계 및 데이터 수집의 비효율성 등 때문에 고객 근처 수십, 혹은 수 백 미터 내에 집중 장치를 두어 수십, 수백 가구의 데이터를 집중하여 서버와 통신한다.

여기서, 원격검침의 구성요소로는 모뎀을 통해 고객의 전기 사용량 데이터를 전송하는 계량기, 다수 고객의 데이터를 수집, 저장하는 데이터 집중장치, 전기회사의 원격검침 서버로 구성이 된다.

데이터 집중장치는 고객과 유틸리티 회사를 연계하는 중간 역할로서 계량기와 네트워크 인터페이스를 하고 있는 모뎀과는 이웃 간 통신망(NAN)으로 연결, 유틸리티 회사의 서버와는 원거리 통신망(WAN)으로 연결된다.

하지만, 종래의 원격 검침시스템은 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량 정보를 포함하는 빅 데이터를 정확히 분석하는데 한계가 있었고, 이로 인해 자칫 잘못된 정보가 수요자에게 전송되어 소비자 불만을 야기하는 문제점이 있었다.

대한민국 공개특허 제2002-0094994호

본 발명이 해결하고자 하는 기술적 과제는, 복수개의 전자식 미터들을 통해 수용가의 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량을 계측하고, 계측된 검침 데이터를 모뎀을 통해 전송하는 계기부; 상기 계기부로부터 검침 데이터를 수집하고, 수집된 검침 데이터를 상위 단으로 전송하는 데이터집중장치; 및 상기 계기부 또는 상기 데이터집중장치로부터 수집된 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량 정보를 포함하는 빅 데이터에 대해 인공지능(AI) 학습을 통해 부하별 에너지사용 패턴 분석 및 각종 시설물들의 긴급 상태 진단 서비스를 제공하는 AI형 관리서버를 포함하는, AI형 원격 검침시스템을 제공하는데 있다.

상기 기술적 과제를 이루기 위한 본 발명에 따른 AI형 원격 검침시스템은, 복수개의 전자식 미터들을 통해 수용가의 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량을 계측하고, 계측된 검침 데이터를 모뎀을 통해 전송하는 계기부; 상기 계기부로부터 검침 데이터를 수집하고, 수집된 검침 데이터를 상위 단으로 전송하는 데이터집중장치; 및 상기 계기부 또는 상기 데이터집중장치로부터 수집된 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량 정보를 포함하는 빅 데이터에 대해 인공지능(AI) 학습을 통해 부하별 에너지사용 패턴 분석 및 각종 시설물들의 긴급 상태 진단 서비스를 제공하는 AI형 관리서버를 포함하는 기술을 제공한다.

본 발명은 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량 정보를 포함하는 빅 데이터에 대해 인공지능(AI) 학습을 통해 부하별 에너지사용 패턴 분석 및 각종 시설물들의 긴급 상태 진단 서비스를 제공할 수 있는 기술적 효과가 있다.

도 1은 본 발명에 따른 인공지능(AI) 형 원격검침시스템의 주요 구성을 개략적으로 나타낸 것이다.
도 2는 본 발명에 따른 인공지능(AI) 형 관리서버의 주요 구성을 상세히 나타낸 것이다.
도 3a는 본 발명에 따른 실시예로, 도 2의 구성 중 부하별 에너지사용 패턴분석부의 주요 구성을 상세히 나타낸 것이다.
도 3b는 본 발명에 따른 실시예로, 도 2의 구성 중 인공지능 학습관리부의 주요 구성을 상세히 나타낸 것이다.
도 3c는 본 발명에 따른 실시예로, 도 2의 구성 중 시설 긴급상태 판단부의 주요 구성을 상세히 나타낸 것이다.
도 4는 본 발명에 따른 실시예로, 위험분석 엔진을 이용하여 가스시설의 위험분석을 수행 시 데이터 흐름을 나타낸 것이다.

이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.

도 1은 본 발명에 따른 인공지능(AI) 형 원격검침시스템의 주요 구성을 개략적으로 나타낸 것이다.

도 1을 참조하면, 본 발명에 따른 인공지능(AI) 형 원격검침시스템(100)은 계기부(110), 데이터집중장치(DCU, 120) 및 AI형 관리서버(130)를 포함하여 구성된다.

계기부(110)는 스마트 미터 그룹(110-1) 및 AMI 통신모뎀 그룹(110-2)을 포함한다.

스마트 미터 그룹(110-1)은 복수 개의 제1 미터(111) ~ 제n 미터(11n)를 수용가 각각에 설치하여, 이를테면, 수용가의 전력, 수도, 가스, 난방, 태양광 등의 에너지 사용량을 계측, 저장하고 IrDA(Infrared Data Association) 또는 RS-485를 통해 AMI 통신모뎀 그룹(110-2)과 연결된다.

이 경우 제1 미터(111) ~ 제n 미터(11n)는 수용가에 설치되어 있는 표준형, E-Type, Ea-Type, G-Type 등 다양한 스마트 미터에 해당한다.

AMI 통신모뎀 그룹(110-2)은 복수 개의 제1 AMI 통신모뎀(11) ~ 제k AMI 통신모뎀(1k)을 포함하며, PLC(Power Line Communication, 전력선통신) 등을 통해 데이터집중장치(DCU, 120)와 연결된다.

데이터집중장치(DCU, 120)는 각각의 제1 미터(111) ~ 제n 미터(11n)로부터 제1 AMI 통신모뎀(11) ~ 제k AMI 통신모뎀(1k)을 통해 검침 데이터(전력, 수도, 가스, 난방, 태양광)를 수집하고, 이를 AMI 서버(130)로 전송하는데, 이 경우 데이터집중장치(DCU, 120)는 내장된 동적 우선순위 기반의 알고리즘(Dynamic Priority Algorithm)을 통해 각각의 스마트 미터들의 검침 우선순위를 결정한 후 해당 순서에 따라 검침 데이터를 수집한다.

이 경우 동적인 검침 우선순위 결정 방법은 매 검침 주기(이를테면, 15분) 마다 검침 우선순위를 가변하면서 스마트 미터를 검침하는 방법으로, 특히 데이터집중장치(120)와 AMI 통신모뎀 그룹(110-2) 간 통신방식으로 PLC(Power Line Communication, 전력선통신)를 사용하는 AMI 시스템에 있어, 수용가의 에너지사용 형태에 따라 PLC 통신품질이 시시각각 달라지기 때문에, 이러한 통신품질의 변화를 검침 우선순위에 반영할 수 있는 동적인 검침 우선순위 결정 방법이 검침성공률을 제고하는데 효과적이다.

AI형 관리서버(130)는 계기부(110)와 데이터집중장치(DCU, 120)의 구성 정보를 관리하고, 최종적으로 검침 데이터를 포함한 각종 정보를 취득, 저장 및 처리하며 웹(WEB) 화면 등으로 구현된 사용자 인터페이스를 통해 다양한 에너지사용 정보를 제공할 수 있다.

특히 AI형 관리서버(130)는 계기부(110) 또는 데이터집중장치(DCU, 120)로부터 수집된 빅 데이터(이를테면, 전력, 수도, 가스, 난방, 태양광 등의 에너지 사용 검침 데이터들)에 대해 인공지능(AI) 학습을 통해 부하별 에너지사용 패턴 분석, 각종 시설물들의 긴급 상태 진단 등을 수행하여 인공지능(AI) 형 원격 검침 서비스를 구현할 수 있도록 해주는데, 이에 대한 구체적인 설명은 도 2 ~ 도 4에서 후술한다.

도 2는 본 발명에 따른 인공지능(AI) 형 관리서버의 주요 구성을 상세히 나타낸 것이고, 도 3a는 본 발명에 따른 실시예로, 도 2의 구성 중 부하별 에너지사용 패턴분석부의 주요 구성을 상세히 나타낸 것이며, 도 3b는 본 발명에 따른 실시예로, 도 2의 구성 중 인공지능 학습관리부의 주요 구성을 상세히 나타낸 것이고, 도 3c는 본 발명에 따른 실시예로, 도 2의 구성 중 시설 긴급상태 판단부의 주요 구성을 상세히 나타낸 것이다.

도 2를 참조하면, 본 발명에 따른 인공지능(AI) 형 관리서버(130)는 부하별 에너지사용 패턴분석부(131), 인공지능 학습관리부(132), 시설 긴급상태 판단부(133), 통신부(134), 빅 데이터 저장부(135) 및 제어부(136)를 포함한다.

부하별 에너지사용 패턴분석부(131)는 도 3a에 도시된 바대로, 대표패턴 생성부(131a), 연관규칙 생성부(131b) 및 부하별 패턴 분류부(131c)를 포함한다.

이 경우 대표패턴 생성부(131a)는 가동시간별로 구분되는 복수의 부하기기들의 검침 데이터 및 전력소비 행태 분석 데이터를 근거로 부하기기별 대표패턴을 생성한다.

이를 위해, 대표패턴 생성부(131a)는 수집된 복수의 검침 데이터를 통계처리하여 복수의 검침 데이터에서 가외치(outlier)를 제거한다. 즉, 대표패턴 생성부(131a)는 다른 데이터와 설정치 이상 차이가 발생하는 검침 데이터를 제거한다.

이때, 대표패턴 생성부(131a)는 SOM(Self-Organizing feature Map) 알고리즘을 이용하여 다른 검침데이터와 현저히 차이가 나는 이상 검침 데이터를 가외치로 식별하여 제거한다.

대표패턴 생성부(131a)는 복수의 부하기기들을 가동시간별로 분류하는데, 이때, 부하기기의 가동시간을 상시 가동, 특정시간 가동, 온도영향 가동, 임의시간 가동 등으로 구분하고, 복수의 부하기기들을 가동시간별로 분류한다.

대표패턴 생성부(131a)는 분류한 가동시간별 기준에 따라 평균 부하패턴을 생성한다.

즉, 대표패턴 생성부(131a)는 상시 가동인 부하기기들은 하루 단위의 평균 부하패턴을 생성하고, 특정시간 가동과 온도영향 가동 및 임의시간 가동인 부하기기들에 대해서는 부하기기의 1회 가동 단위로 평균 부하패턴을 생성한다.

다음으로, 연관규칙 생성부(131b)는 부하기기의 시간대별 평균사용 대수 및 비율과 동시 사용하는 부하기기 사이의 상관관계, 기온과 부하기기 소비의 상관관계, 고객정보와 부하기기 소비의 상관관계 등을 포함하는 부하기기와 전력소비의 연관규칙을 생성한다.

연관규칙 생성부(131b)는 전력소비 행태 분석 데이터를 근거로 Apriori 알고리즘을 사용하여 빈발 항목집합을 생성하고 지지도와 신뢰도를 산출한다.

여기서, Apriori 알고리즘은 연관규칙(Association Rule)의 대표적인 형태의 하나로, 기본 개념은 데이터들에 대한 발생 빈도를 기반으로 각 데이터간의 연관규칙을 밝히기 위한 방법이다.

다음으로, 부하별 패턴 분류부(131c)는 상기 생성된 복수의 부하기기별 대표패턴들 및 상기 생성된 연관규칙을 근거로 고객의 검침 데이터를 부하기기별 전력 소비량으로 분류한다.

이를테면, 부하별 패턴 분류부(131c)는 상기 연관규칙의 지지도 및 신뢰도와, 에너지소비 행태 분석에 의한 가동시간이 동일한 정도, 및 부하기기 에너지소비량이 원격검침 소비량 이내에 있는지 여부에 따라 설정되는 우선순위를 근거로 검침 데이터를 부하기기별 전력소비패턴으로 분류한다.

또한 부하별 패턴 분류부(131c)는 검침 데이터의 최소값을 기준으로, 상기 최소값 이하는 상시 가동 부하기기 및 대기전력으로 분류하고, 상기 최소값 이상은 특정시간 가동 부하기기, 온도영향 가동 부하기기, 임의시가 가동 부하기기를 해당 부하기기의 대표패턴 및 연관규칙을 이용하여 분류한다.

이 경우 분류에 사용되는 분류기의 종류로는 의사결정나무(Decision Tree), 베이지안(Bayesian) 분류기, 신경망(Neural Network), SVM(Support Vector Machine) 및 규칙기반 분류기 등이 있다.

본 발명에서는 성능을 평가하여 의사결정나무를 사용한다. 분류 모델의 성능평가는 TP(True Positive), TN(True Negative), FP(False Positive), FN(False Negative)로 표현되는 혼동 행렬(confusion matrix)을 이용하는데, 정확성을 하기 수학식1과 같이 계산하여 최댓값을 생성하는 알고리즘을 선택할 수 있다.

[수학식1]

의사결정나무는 의사결정규칙을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다. 이 방법은 분류 또는 예측의 과정이 나무구조에 의한 추론규칙(Induction Rule)에 의해서 표현되기 때문에, 다른 방법들에 비해서 분석자가 그 과정을 쉽게 이해하고 설명할 수 있다는 장점을 가지고 있다.

이로써, 본 발명은 전력 부하기기들과 해당 부하기기들을 사용하는 고객의 에너지소비 패턴의 특성을 분석하여 원격검침을 통해 수집되는 로드 프로파일 데이터를 고객의 부하기기별 에너지 사용 패턴으로 분류함으로써, 이를테면, 전력요금에 불만을 표시하는 고객에 대해 최대 전력 사용일의 부하기기별 전력소비 패턴을 제공하여 전력소비 이해도를 높일 수 있는 기술적 장점을 제공한다.

또한, 본 발명은 부하기기별 에너지소비 패턴을 이용하여 어느 시간대에 어떤 부하기기의 사용을 얼마만큼 절감을 해야 요금절감이 되는지에 대한 정보를 고객에게 제공하여 전력등의 에너지 소비를 절감할 수 있는 기술적 장점을 제공한다.

다시 도 2를 참조하면, 인공지능 학습관리부(132)는 계기부(110) 또는 데이터집중장치(DCU, 120)로부터 수집된 빅 데이터(전력, 수도, 가스, 난방, 태양광)에 대해 인공지능(AI) 학습을 통해 데이터들의 분류, 예측, 진단 등의 인공지능 분석 서비스를 제공할 수 있도록 해주는데, 이 경우 인공지능(AI) 학습방법으로 딥 신경망 알고리즘 등을 사용할 수 있다.

딥 신경망 알고리즘은 인공 신경망을 이용하여 인간이 가지고 있는 학습 능력을 모방한 알고리즘을 획득하고, 입력 패턴과 출력 패턴 사이의 사상을 생성해 내는데 그 목적이 있으며, 이를 학습 능력이라고 표현하며, 학습된 결과에 기초하여 학습에 이용되지 않은 입력 데이터에 대하여 비교적 올바른 출력을 생성할 수 있고, 매우 많은 수의 학습 데이터(빅 데이터)가 사용 가능한 경우에 그로부터 많은 정보를 추출하고 학습할 수 있기 때문에 분류의 정확도가 증가하는 특성을 갖는다.

도 3b를 참조하면, 인공지능 학습관리부(132)는 입력층부(132a), 은닉층부(132b), 출력층부(132c), 학습부(132d) 및 분류부(132e)를 포함한다.

입력층부(132a)는 저장된 학습 데이터를 획득하고, 획득한 학습 데이터를 특징 맵을 가지는 레이어로 저장한다.

이 경우 특징맵은 다수의 노드들이 2차원으로 배열된 구조를 가짐으로써 후술되는 은닉층부(132b)의 연결을 용이하게 할 수 있다.

은닉층부(132b)는 상위 계층에 위치한 레이어의 특징맵을 획득하고, 획득한 특징맵으로부터 점차 높은 수준의 특징을 추출한다.

이때 은닉층부(132b)는 하나 또는 그 이상으로 형성될 수 있으며, 컨볼루션 레이어부(미도시), 풀링 레이어부(미도시) 및 풀리 커넥티드 레이어부(미도시)를 포함한다.

또, 두 개 이상의 은닉층부(132b)가 형성되는 경우, 은닉층부(132b)들은 서로 적층될 수 있으며, 입력층부(132a)와 맞닿는 컨볼루션 레이어부(미도시)가 입력층부(132a)의 특징맵을 획득할 수 있다.

컨볼루션 레이어부(미도시)는 학습 데이터로부터 컨볼루션 연산을 수행하는 구성으로서, 복수의 입력 특징맵과 연결되는 특징맵을 포함한다.

특징맵의 노드들은 하위 계층 특징맵 중 특정한 윈도우/필터 내의 노드들과 연결된다. 이때, 동일한 특징맵의 노드들은 동일한 가중치를 공유한다. 즉, 일 예로 특징맵 A에 포함된 노드들은 모두 동일한 가중치 B의 값을 가지고, 특징맵 C에 포함된 노드들은 모두 동일한 가중치 D의 값을 가질 수 있다.

이때, 각각의 가중치는 2차원 영상 처리 및 특징 추출에 주로 사용되는 컨볼루션과 동일한 효과를 가지며, 컨볼루션 마스크의 역할을 수행한다.

풀링 레이어부(미도시)는, 컨볼루션 레이어부(미도시)의 출력을 입력으로 받아 컨볼루션 연산, 즉 서브 샘플링 연산을 수행하는 구성으로서, 은닉층부(132b)의 하위 계층에 위치한 컨볼루션 레이어부(미도시)가 가지는 입력 특징맵의 수와 동일한 수의 특징맵을 포함하며, 각각의 특징맵은 입력 특징맵과 일대일로 연결된다.

또한, 각각의 특징맵의 노드들 역시 입력 특징맵 중 특정 좌표에 위치한 윈도우 내의 입력 노드들과 연결된다. 이때, 풀링 레이어부(미도시)는 은닉층부(132b)에 선택적으로 구비될 수 있다.

또한, 풀링 레이어부(미도시)에 포함된 노드들은 연결된 입력 노드들의 값 중 최대값 또는 평균값을 선택적으로 획득할 수 있다. 이를 이용하여 풀링 레이어부(미도시)의 노드들은 각 특징이 추출되는 위치상의 변이를 흡수할 수도 있고, 적은 수의 계층으로도 큰 영상을 인식하도록 할 수도 있다.

즉, 풀링 레이어부(미도시)에 포함된 노드들은 윈도우 내의 특징 값 중 최대값이나 평균값을 획득하지만, 해당 값의 좌표는 획득하지 않기 때문에, 특징의 위치가 변화하더라도 특징 값이 보존될 수 있다.

한편, 풀리 커넥티드 레이어부(미도시)는, 상기 컨볼루션 레이어부(미도시)의 출력을 입력으로 받아 출력층부(132c)에서 출력되는 각 카테고리별 출력에 맞게 학습하는 구성으로서, 학습된 국소적 정보, 즉 특징들을 종합하여 추상적인 내용을 학습한다.

이때, 은닉층부(132b)가 풀링 레이어부(미도시)를 구비할 경우, 풀리 커넥티드 레이어부(미도시)는 풀링 레이어부(미도시)와 연결되며, 풀링 레이어부(미도시)의 출력으로부터 특징들을 종합하여 추상적인 내용을 학습한다.

한편, 풀리 커넥티드 레이어부(미도시)는, 일반적으로 멀티 레이어 퍼셉트론의 구조를 가지며, 바람직하게는 드롭아웃 기법을 이용하여 과적합을 방지할 수 있다.

이 경우 드롭아웃은 일반화 및 안정화 기법으로써, 신경망을 학습하는 경우, 신경망에 존재하는 모든 레이어에 대해 학습을 수행하는 것이 아니라 히든 레이어 내의 일부 뉴런들을 생략하고 줄어든 신경망을 통해 학습을 수행하는 기법이다.

이때, 미니배치(mini-batch) 구간 동안 생략된 망에 대한 학습을 종료하고, 다시 무작위로 다른 뉴런들을 생략하면서 반복적으로 학습을 수행한다.

여기서, 미니배치(mini-batch)는 신경망을 학습하는 경우, 학습 데이터 세트를 일정량으로 분리하여 반복적으로 학습시키는 것을 의미한다.

즉, 드롭아웃 기법은, 일부 뉴런을 획득하여 일정 량의 데이터를 반복적으로 학습시키는 방법을 반복함으로써 전체 뉴런이 전체 데이터를 학습할 수 있도록 하는 기법으로, 이를 이용하여 신경망 학습 시 일반화 및 안정화를 통해 과적합을 방지할 수 있다.

출력층부(132c)는 소프트 맥스(soft-max) 등의 함수를 이용하여 분류하고자 원하는 각 카테고리별 출력을 확률 값으로 매핑한다.

이때, 출력층부(132c)에서 출력된 결과는 학습부(132d) 또는 분류부(132e)로 전달되어 오류역전파를 수행하거나 시설물들의 결함 분류(예측, 진단 등) 결과로써 출력될 수도 있다.

학습부(132d)는 인공지능 학습관리부(132)의 학습을 감독학습(supervised-learning)으로 이루어진다.

감독학습이란, 학습 데이터와 그에 대응하는 출력 데이터를 함께 신경망에 입력하고, 학습 데이터에 대응하는 출력 데이터가 출력되도록 연결된 간선들의 가중치를 업데이트 하는 방법이다.

일 예로, 본 발명의 딥 신경망 알고리즘은 델타 규칙 및 오류역전파 학습 등을 이용하여 인공뉴런들 사이의 연결 가중치를 업데이트 할 수 있다.

여기서 오류역전파(Error-back-propagation) 학습은 주어진 학습 데이터에 대해 전방계산(Feed-Forward)으로 오류를 추정한 후, 출력층부(132c)에서 시작하여 은닉층부(132b)과 입력층부(132a) 방향인 역방향으로 추정한 오류를 전파하고, 오류를 줄이는 방향으로 인공 뉴런들 사이의 연결 가중치를 업데이트 하는 방법이다.

즉, 본 발명의 일 실시예에 따른 학습부(132d)는, 입력층부(132a) - 은닉층부(132b) - 풀리 커넥티드 레이어부(미도시) - 출력층부(132c)를 통해 획득된 결과로부터 오차를 계산하고, 계산된 오차를 보정하기 위해 다시 출력층부(132c) - 풀리 커넥티드 레이어부(미도시) - 은닉층부(132b) - 입력층부(132a)의 순서로 오류를 전파하여 연결 가중치를 업데이트할 수 있다.

분류부(132e)는 입력된 학습 데이터가 결함을 가지고 있는지 확인하여 자동 결함 분류 결과를 획득한다.

분류부(132e)는 학습부(132d)에서의 오류역전파를 통해 업데이트 된 연결 가중치를 가지는 인공 신경망의 출력 데이터를 자동 결함 분류 결과로 출력할 수 있다.

즉, 분류부(132e)는 업데이트 된 연결 가중치를 가지는 인공 신경망에 학습 데이터, 테스트 데이터, 또는 학습에 사용되지 않은 새 데이터가 입력되면, 입력층부(132a) - 은닉층부(132b) - 풀리 커넥티드 레이어부(미도시) - 출력층부(132c)를 통해 출력된 결과를 획득하여 결함 분류 결과로 출력할 수 있다.

이로써, 본 발명은 데이터 학습을 통해 능동적으로 시설물들의 결함 분류(예측, 진단 등)를 수행하되, 특징추출과 분류를 하나의 신경망에서 수행할 수 있으므로, 재검으로 인한 생산 과정 및 비용을 감소시킬 수 있을 뿐만 아니라, 다양한 상황에서 새롭게 발생되는 결함들에 대한 특징을 신속하고 견고하게 파악할 수 있는 기술적 장점을 제공한다.

또한 본 발명은 학습 수용력에 비해 획득하는 데이터의 양이 적은 경우에도, 과 적합이 되지 않는 딥(deep) 신경망을 이용하여 데이터 학습을 수행할 수 있는 기술적 장점을 제공한다.

다시 도 2를 참조하면, 시설 긴급상태 판단부(133)는 상기 부하별 에너지사용 패턴분석부(131) 및 상기 인공지능 학습관리부(132)를 통해 획득한 정보들 토대로 각종 시설물(전력, 수도, 가스, 난방, 태양광 등)의 긴급 상태 여부를 판단하며, 이 경우 도 3c에 도시된 바대로, 정전 판단부(133a), 화재 판단부(133b), 인명사고 판단부(133c), 고장 판단부(133d) 및 가스시설 위험 판단부(133e)를 포함한다.

정전 판단부(133a)는 상기 부하별 에너지사용 패턴분석부(131)에 제공된 부하별 에너지사용 패턴정보를 토대로 수용가별 전력 사용량을 분석하여 일정 기간 동안 전력 사용량에 변화가 없는 수용가가 존재하는 경우, 해당 수용가에 정전이 발생한 것으로 판단한다.

화재 판단부(133b)는 상기 부하별 에너지사용 패턴분석부(131)에 제공된 부하별 에너지사용 패턴정보를 토대로 수용가별 전력 사용량을 분석하여 수용가별 전력 사용량에 급격한 변화가 감지되는 경우에 해당 수용가에 화재가 발생한 것으로 판단하는데, 이는 화재 발생 시에 누전 등으로 인해 전력 사용량이 급격하게 증가하기 때문이다.

또한 화재 판단부(133b)는 상기 부하별 에너지사용 패턴분석부(131)에 제공된 부하별 에너지사용 패턴정보를 토대로 수용가별 전력 사용량을 분석하여 수용가별 전력 사용량에 급격한 변화가 감지되고 일정시간 후에 전력 사용량에 변화가 없는 경우에 화재로 판단할 수도 있는데, 이는 화재 발생 시에 누전이 발생되면 자동 차단기가 작동되어 전력 공급이 차단되기 때문이다.

인명사고 판단부(133c)는 상기 부하별 에너지사용 패턴분석부(131)에 제공된 부하별 에너지사용 패턴정보를 토대로 수용가별 전력 사용량, 수도 사용량, 가스 사용량 등의 에너지 사용량을 분석하여, 에너지 사용량의 변화량을 기반으로 단독 세대자(독거노인 포함)의 인위적인 작동에 의해 발생되어진 에너지 사용량이 있는지를 판단하고, 그 판단한 결과에 따라 단독 세대자(독거노인 포함)의 안부를 확인할 수 있도록 해준다.

고장 판단부(133d)는 상기 인공지능 학습관리부(132)에서 제공하는 인공지능(AI) 학습방법 등을 이용하여 시설물 중 특히 태양광 발전의 고장유무를 판단한다.

이를 부연설명하면, 고장 판단부(133d)는 퍼지 제어기(Fuzzy Controller)를 통해 태양광 발전모듈(미도시)에 대한 고장 유무를 판단할 수 있다.

이때, 고장 판단부(133d)는 제어 값 또는 제어오차를 퍼지 값으로 환산하여 퍼지화(Fuzzification) 하고, Rule base의 기 설정된 기준 값에 따라 태양광 발전모듈(미도시)의 출력 저하, 음영, 고장을 판별하는 추론(Inference)을 수행하며, 이를 비퍼지 값으로 변환하는 비퍼지화(Defuzzification) 과정을 수행하여 태양광 발전모듈(미도시)에 대한 고장 유무를 판단한다.

또한, 진단부(200)의 고장유무 판단장치(222)는 상기 인공지능 학습관리부(132)에서 설명한 각종 신경 회로망(Neural network) 알고리즘 등을 통해 태양광 발전모듈(미도시)에 대한 고장 유무를 판단할 수 있다.

다음으로, 가스시설 위험 판단부(133e)는 위험분석 엔진을 이용하여 가스시설의 위험을 판단하는데, 이하 도4를 참조하여 이에 대해 설명한다.

도 4는 본 발명에 따른 실시예로, 위험분석 엔진을 이용하여 가스시설의 위험분석을 수행 시 데이터 흐름을 나타낸 것이다.

이하 도 4를 참조하여, 지역기반 위험분석모듈(QRALib Project)을 이용하여 위험분석 수행할 때의 데이터 흐름을 설명한다.

여기서 지역기반 위험분석모듈(QRALib Project)은 가스시설이 위치한 특정 지역에 대한 사고빈도 분석 및 사고영향분석을 수행하며, 이를 통해 지역(zone)적으로 서로 다른 값을 갖는 개별 위험도를 표시한다.

도 4에 도시된 바대로, 가스시설이 위치한 특정 지역에 대한 폭발, 화재, 누출, 위험패턴 정보를 포함하는 각각의 폭발 모델들(11f), 화재 모델들(12f), 누출 모델들(13f) 및 위험패턴 모델들을 포함하며, 이들 모델들을 이용하여 위험 분석도를 산출하기 위한 컴포넌트(component)로 치사율 컴포넌트(21f), 사고발생확률 컴포넌트(22f), 개별 위험도 컴포넌트(23f), 위험기반 안전관리 컴포넌트(24f) 및 렌더링 컴포넌트(25f)를 포함한다.

가스시설이 위치한 특정 지역에 대한 개별 위험도는, 치사율(fatality) 컴포넌트(21f)에 의한 치사율 정보 및 사고발생확률(incident probability) 컴포넌트(22f)에 의한 사고발생확률 정보를 결합하여 산출되는 값으로, 이는 사전에 미리 구축된 데이터 정보를 이용하는 연역적 방법의 결과이다.

이를 부연설명하면, 치사율 컴포넌트(21f)는 폭발(explore) 모델들(11f)이 제공하는 과압(overpressure) 정보, 화재(fire) 모델들(12)이 제공하는 열량(thermal radiation) 정보, 누출(dispersion) 모델들(13)이 제공하는 농도(density) 정보를 취합한 후 프로비트(probit) 모델을 이용하여 동일한 기준으로 변환시켜 치사율을 산정한 후 산정된 치사율 정보를 개별 위험도 컴포넌트(23f)로 보낸다.

이 경우 누출(dispersion) 모델들(13f)은 이를테면, 누출 피해 예측의 정확도를 평가하기 위해, 전산유체역학(CFD) 기법을 활용한 LPG 가스 특화된 3D 확산 모델을 구성하고, 3차원 특성화 및 확산모델의 예측 정확도와 완성도를 평가하는데, 이 경우 누출 모델들과 문헌의 실증 농도 데이터의 비교, 검증 및 예측 정확도를 평가하거나, 누출 모델들 결과와 선진 프로그램 모델 연산 결과를 비교하여 구축된 누출 모델들의 정확도를 검증할 수 있다.

사고발생확률 컴포넌트(22f)는 사고발생확률 정보를 개별 위험도 컴포넌트(23f)로 보내는데, 이때 사고발생확률 정보는 화공분야에서 널리 알려진 33개의 개별적 사고 유형(indent outcome case)에 대한 사고발생확률을 미리 계산하고, 이를 정형화 하여 데이터베이스에 저장된 정보를 의미한다.

한편 위험기반 안전관리 컴포넌트(24f)는 개별 위험도 컴포넌트(23f)가 제공하는 개별 위험도 및 위험패턴 모델들(14f)이 제공하는 위험도를 취합한 후 이를 비교 분석하여 얻은 최종 위험도 정보를 렌더링 컴포넌트(25f)로 보낸다.

다시 도 2를 참조하면, 통신부(134)는 외부의 데이터집중장치(DCU, 120) 또는 사용자 이동단말(이를테면, 스마트 폰 등)과 통신을 수행하기 위한 것으로, 통신방식으로 이를테면, 와이파이(WiFi), 지그비(Zigbee), 알에프(RF), 3G, 4G, LTE, LTE-A, 와이브로(Wireless Broadband Internet) 중 어느 하나 이상을 사용할 수 있다.

빅 데이터 저장부(135)는 상기 제1 미터(111) ~ 제n 미터(11n)가 측정한 각종 전력, 난방, 수도, 가스, 태양광 등의 사용량에 대한 빅 데이터(big data)를 저장하는데, 이 경우 상기 빅 데이터(big data)에 대한 분산 병렬 처리가 가능한 저장소로 이를테면, NoSQL 방식의 Hadoop(HDFS), MongoDB 등을 사용함이 바람직하다.

이는 NoSQL는 일반적인 데이터 저장 매체인 RDB에 비해, 분산 저장 지원으로 데이터가 매우 크게 확장하더라도 성능 저하 없이 여러 저장 서버로 분산하여 저장 가능하고, 스키마가 고정되지 않고, 자유롭게 변경 가능함에 따라 대용량 데이터 보관 중에도 필요한 항목의 추가 또는 변경이 자유롭게 가능한 장점이 있기 때문이다.

이를테면, Oracle 등 RDB에서 대용량 데이터 보관 중 특정 항목을 추가 또는 변경 시 매우 많은 시간이 소요되어 IT 요구 사항 반영이 곤란하나, NoSQL은 테이블 스키마 변경에 별다른 작업이나 시간이 요구되지 않고, 변경된 스키마 형태로 데이터 입력으로 변경 가능하다.

마지막으로, 제어부(136)는 부하별 에너지사용 패턴분석부(131), 인공지능 학습관리부(132), 시설 긴급상태 판단부(133), 통신부(134) 및 빅 데이터 저장부(135)를 제어한다.

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 : 계기부
120 : 데이터집중장치(DCU)
130 : AI형 관리서버
131 : 부하별 에너지사용 패턴분석부
132 : 인공지능 학습관리부
133 : 시설 긴급상태 판단부
134 : 통신부
135 : 빅 데이터 저장부
136 : 제어부

Claims

복수개의 전자식 미터들을 통해 수용가의 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량을 계측하고, 계측된 검침 데이터를 모뎀을 통해 전송하는 계기부;
상기 계기부로부터 검침 데이터를 수집하고, 수집된 검침 데이터를 상위 단으로 전송하는 데이터집중장치; 및
상기 계기부 또는 상기 데이터집중장치로부터 수집된 전력, 수도, 가스, 난방 또는 태양광의 에너지 사용량 정보를 포함하는 빅 데이터에 대해 인공지능(AI) 학습을 통해 부하별 에너지사용 패턴 분석 및 각종 시설물들의 긴급 상태 진단 서비스를 제공하는 AI형 관리서버를 포함하고,
상기 AI형 관리서버는,
상기 빅 데이터에 대해 딥 신경망 알고리즘을 적용해 데이터들의 분류, 예측 및 진단 서비스를 제공하는 인공지능 학습관리부; 및
상기 인공지능 학습관리부를 통해 획득한 학습 정보들 토대로 가동시간별로 구분되는 복수의 부하기기들의 검침 데이터 및 전력소비 행태 분석 데이터를 근거로 부하기기별 대표패턴을 생성하고, 부하기기의 시간대별 평균사용 대수 및 비율과 동시 사용하는 부하기기 사이의 상관관계, 기온과 부하기기 소비의 상관관계, 고객정보와 부하기기 소비의 상관관계를 포함하는 부하기기와 전력소비의 연관규칙을 생성하며, 연관규칙의 지지도 및 신뢰도와, 에너지소비 행태 분석에 의한 가동시간이 동일한 정도, 및 부하기기 에너지소비량이 원격검침 소비량 이내에 있는지 여부에 따라 설정되는 우선순위를 근거로 검침 데이터를 부하기기별 에너지 소비패턴으로 분류하는 부하별 에너지사용 패턴분석부; 및
상기 인공지능 학습관리부를 통해 획득한 학습 정보들 토대로 전력, 수도, 가스, 난방 또는 태양광 시설물의 긴급 상태 여부를 판단하는 시설 긴급상태 판단부를 포함하며,
상기 부하별 에너지사용 패턴분석부는,
전력소비 행태 분석 데이터를 근거로 Apriori 알고리즘을 사용하여 빈발 항목집합을 생성하고 지지도와 신뢰도를 산출하고,
상기 부하기기별 에너지 소비패턴으로 분류 시 TP(True Positive), TN(True Negative), FP(False Positive), FN(False Negative)로 표현되는 혼동 행렬(confusion matrix)을 이용한 하기 수학식을,
[수학식]

통해 최대 값을 생성하여 성능의 정확도를 평가하는 의사결정나무(Decision Tree) 모델을 사용하고,
상기 시설 긴급상태 판단부는,
상기 부하별 에너지사용 패턴분석부에 제공된 부하별 에너지사용 패턴정보를 토대로 수용가별 전력 사용량을 분석하여 일정 기간 동안 전력 사용량에 변화가 없는 수용가가 존재하는 경우, 해당 수용가에 정전이 발생한 것으로 판단하는 정전 판단부;
상기 부하별 에너지사용 패턴분석부에 제공된 부하별 에너지사용 패턴정보를 토대로 수용가별 전력 사용량을 분석하여 수용가별 전력 사용량에 급격한 변화가 감지되는 경우, 해당 수용가에 화재가 발생한 것으로 판단하는 화재 판단부;
상기 부하별 에너지사용 패턴분석부에 제공된 부하별 에너지사용 패턴정보를 토대로 수용가별 전력 사용량, 수도 사용량 및 가스 사용량의 에너지 사용량을 분석하여, 에너지 사용량의 변화량을 기반으로 단독 세대자의 인위적인 작동에 의해 발생되어진 에너지 사용량이 있는지를 판단하고, 그 판단한 결과에 따라 단독 세대자의 인명사고 여부를 판단하는 인명사고 판단부; 및
상기 인공지능 학습관리부에서 제공하는 인공지능(AI) 학습방법 또는 퍼지 제어기(Fuzzy Controller) 통해 제어 값 또는 제어오차를 퍼지 값으로 환산하여 퍼지화(Fuzzification) 하고, 룰 베이스(Rule base)의 기 설정된 기준 값에 따라 태양광 발전모듈의 출력 저하, 음영 또는 고장 여부를 판단하는 고장 판단부를 포함하는 것을 특징으로 하는 AI형 원격 검침시스템.
삭제
삭제