KR101965159B1

KR101965159B1 - 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템

Info

Publication number: KR101965159B1
Application number: KR1020180152840A
Authority: KR
Inventors: 문경훈
Original assignee: 문경훈
Priority date: 2018-11-30
Filing date: 2018-11-30
Publication date: 2019-08-13

Abstract

본 발명에 따른 머신러닝을 이용한 이상 신호 분류를 수행하는 변전소 상태감시 시스템이 제공된다. 상기 변전소 상태감시 시스템은, 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호를 감시하는 로컬 유닛(LU: Local Unit); 및 상기 이상 신호를 서로 다른 알고리즘에 따라 분류된 결과를 수신하고, 상기 분류된 결과에 따라 각 설비 별 위험도를 산출하고, 상기 각 설비 별 위험도를 종합하여 변전소 전체의 위험도를 산출하는 진단 유닛을 포함하고, 변전소 시스템 등에서 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템을 제공할 수 있다.

Description

머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템{System and method of estimating load with null data correction}

본 발명은 머신러닝을 이용한 이상 신호 분류 방법 및 이를 이용한 변전소 상태감시 시스템에 관한 것이다. 보다 상세하게는, 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템에 관한 것이다.

최근 데이터 분석 기술의 발달로 인하여 전력 또는 수자원 기기에 붙어있는 센서에서 취득된 데이터를 이용하여 변전소 등의 설비에서 이상 신호 분류 방법을 수행될 수 있다.

본 발명과 같은 이상 신호 분류 방법과 관련하여, 기존에는 이상 신호의 데이터를 분석하여 신호의 위상, 세기를 통계적으로 처리하였다. 구체적으로, 특정 위상, 세기의 위치에 발생하는 신호의 개수에 따라서 신호를 분류하는 알고리즘을 이용하여 단순히 이상 신호에 대한 각각의 종류에 대한 가능성 (확률)을 알려주는 방식이다.

하지만, 기존의 방식은 다음과 같은 점에서 문제점을 가지고 있다.

(1) 센서의 문제로 위상, 세기를 오 측정(false measurement)하는 경우 정확한 분류가 불가능하다.

(2) 변전소의 위치, 설비의 연식 등 여러 조건에 따라 신호가 다른 형태로 발생되어지는데 이런 변형된 패턴을 분류하기 위해서는 알고리즘 자체를 다시 개발해야 한다.

(3) 알고리즘을 개발할 때 조건문을 사용하기 때문에, 조건이 증가하면 직접 조건문을 추가하는 작업이 필요해 개발 기간이 길고 수정, 유지보수에 어려움이 있다.

(4) 이상 신호에 의한 변전소의 상태를 운영자가 직접 파악해야 한다.

따라서, 본 발명은 이러한 문제점을 극복하기 위해 제안된 것으로서, 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템을 제공하고자 한다.

본 발명이 해결하고자 하는 기술적 과제는, 변전소 시스템 등에서 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템을 제공하는 것이다.

또한, 본 발명은 위상, 세기의 오차에 의한 영향을 감소시킬 수 있는 알고리즘 및 변전소 상태감시 시스템을 제공하는 것이다.

또한, 본 발명은 이상 신호 분류를 위한 조건을 현재 상황에 따라 별도로 적용할 필요가 없는 알고리즘 및 변전소 상태감시 시스템을 제공하는 것이다.

또한, 본 발명은 학습 정확성과 데이터 분류를 위한 처리 시 오류에 대한 강인성을 증가시키는 알고리즘 및 변전소 상태감시 시스템을 제공하는 것이다.

또한, 본 발명은 개별 변전소 등 설비에 더욱 최적화된 모델을 위한 추가학습을 진행할 수 있는 알고리즘 및 변전소 상태감시 시스템을 제공하는 것이다.

또한, 본 발명은 변전소 내 여러 설비에서 발생하는 이상 신호들을 분류하여 각 설비들의 상태를 파악할 수 있는 알고리즘 및 변전소 상태감시 시스템을 제공하는 것이다.

또한, 본 발명은 각 설비들의 상태를 종합적으로 운영자에게 보고하여 변전소의 상태를 알 수 있도록 하는 알고리즘 및 변전소 상태감시 시스템을 제공하는 것이다.

또한, 본 발명은 분류되는 이상신호의 유형을 이용하여 설비의 교환, 보수에 대한 계획을 수립할 수 있도록 종합 보고할 수 있는 알고리즘 및 변전소 상태감시 시스템을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

이와 같은 목적을 달성하기 위한 본 발명에 따른 머신러닝을 이용한 이상 신호 분류를 수행하는 변전소 상태감시 시스템이 제공된다. 상기 변전소 상태감시 시스템은, 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호를 감시하는 로컬 유닛(LU: Local Unit); 및 상기 이상 신호를 서로 다른 알고리즘에 따라 분류된 결과를 수신하고, 상기 분류된 결과에 따라 각 설비 별 위험도를 산출하고, 상기 각 설비 별 위험도를 종합하여 변전소 전체의 위험도를 산출하는 진단 유닛을 포함하고, 변전소 시스템 등에서 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템을 제공할 수 있다.

본 발명의 다른 측면에 따른 머신러닝을 이용한 이상 신호 분류를 수행하는 방법이 제공되고, 상기 방법은 변전소 상태감시 시스템에 의해 수행된다. 상기 방법은, 로컬 유닛(LU: Local Unit)에서, 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호를 감시하는 이상 신호 감시 과정; 진단 유닛에서, 상기 이상 신호를 서로 다른 알고리즘에 따라 분류된 결과를 수신하고, 상기 분류된 결과에 따라 각 설비 별 위험도를 산출하는 설비 별 위험도 산출 과정; 및 상기 진단 유닛에서, 상기 각 설비 별 위험도를 종합하여 변전소 전체의 위험도를 산출하는 변전소 위험도 산출 과정을 포함한다.

본 발명에 따르면, 머신러닝 이미지 분류 모델인 컨벌루션 신경망(Convolutional Neural Networks: CNN)을 이용하여, 컨벌루션 신경망의 컨벌루션 및 풀링 레이어는 위상, 세기의 오차에 의한 영향을 감소시킬 수 있다는 장점이 있다.

또한, 본 발명에 따르면, 머신러닝 학습 방식은 데이터가 존재하는 경우 자동으로 학습하기 때문에, 이상 신호 분류를 위한 조건을 현재 상황에 따라 별도로 적용할 필요가 없다는 장점이 있다.

또한, 본 발명에 따르면, 데이터 증가 방법(Data Augmentation)을 사용하여, 학습 정확성과 데이터 분류를 위한 처리 시 오류에 대한 강인성을 증가시킬 수 있다 장점이 있다.

또한, 본 발명에 따르면, 초기 모델이 학습된 후, 개별 변전소 등 설비에 더욱 최적화된 모델을 개발하고 싶은 경우에는 각 설비의 데이터를 사용하여 추가학습을 진행할 수 있다는 장점이 있다.

또한, 본 발명에 따르면, 각 센서에서 수집되는 데이터를 통해 변전소 내 여러 설비에서 발생하는 이상 신호들을 분류하여 각 설비들의 상태를 파악할 수 있다는 장점이 있다.

또한, 본 발명에 따르면, 각 설비들의 상태를 종합적으로 운영자에게 보고하여 변전소의 상태를 알 수 있도록 하는 장점이 있다.

또한, 본 발명에 따르면, 부분방전의 자유도체방전은 설비의 노후화가 있는 경우, 절연물이상방전은 절연물에 손상이 있는 경우 발생하는 데, 분류되는 이상신호의 유형을 이용하여 설비의 교환, 보수에 대한 계획을 수립할 수 있도록 종합 보고할 수 있다는 장점이 있다.

도 1은 본 발명에 따른, 딥 러닝의 예시를 나타낸다.
도 2는 본 발명에 따른 CNN(Convolutional Neural Networks)의 예시를 나타낸다.
도 3은 본 발명에 따른 딥러닝 특징 추출의 예시를 나타낸다.
도 4는 본 발명에 따른 학습 데이터, 평가 데이터 및 테스트 데이터로 이루어진 데이터 셋의 구성을 나타낸다.
도 5는 본 발명에 따른 다양한 방전 유형에 따른 전처리된 PRPS 2d패턴을 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 데이터 증대 기술로서, 크기 조작의 예시를 나타낸다.
도 7은 본 발명에 따른 2D 형태의 PRPS 데이터 원본과 PRPS 데이터 변형 샘플을 나타낸다.
도 8은 본 발명에 다른 CNN 매트릭스에서 각 요소들의 가중치를 구하기 위한 역전파의 예시를 나타낸다.
도 9는 본 발명에 따른 옵티마이저 성능 비교를 나타낸 것이다.
도 10은 본 발명에 따른 옵티마이저 동작을 3D와 2D로 시각화한 것이다.
도 11은 본 발명에 따른 적절한 학습의 필요성을 나타내기 위한 Underfitting, Moderate fitting, Overfitting의 예시를 나타낸다.
도 12는 본 발명에 따른 오버피팅 해결방안 중 하나인 드롭아웃을 나타낸 예시도이다.
도 13은 본 발명에 따른 변전소 특화 알고리즘의 학습 피팅률의 예시를 나타낸다.
도 14는 본 발명에 따른 설비를 감시하는 센서에서 데이터 취득 및 처리 방법을 수행하는 구성을 나타낸다.
도 15는 본 발명에 따른 진단 요청 처리 방법 프로세스와 이를 수행하는 변전소 상태감시 시스템을 나타낸다.
도 16은 본 발명에 따른 알고리즘 학습 프로세스와 이러한 프로세스를 수행하는 변전소 상태감시 시스템을 나타낸다.

상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명은 다양한 변경을 가할 수 있고 여러가지 형태를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 명세서에서 사용한 용어는 단지 특정한 실시 예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다.

본 발명은 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템을 제안한다.

본 발명에 의하면, 머신러닝을 이용한 전력 설비(가스 절연 개폐장치-GIS[Gas Insulated Switchgear], 주 변압기-MTR[Main Transformer], 변압기 탭 절환장치-OLTC[On Load Tap Changer])의 이상 신호 분류 방법을 제공한다. 이를 위해, 이상 신호 분류 방법을 인공지능 알고리즘으로 개발하며 각 인공지능 알고리즘이 진단하는 이상 신호는 다음과 같다.

1) 가스 절연 개폐장치 부분방전(GIS Partial Discharge)

2) 변압기 부분방전(MTR[Partial Discharge])

3) 변압기 탭 절환장치(OLTC) 내부 결함에 의한 전기적 신호

본 발명에서는 위의 3가지 이상 신호를 감시, 분류하여 변전소의 상태를 감시, 분석하며 UHF센서를 통해 설비의 이상 신호를 감시하고 IEC61850 프로토콜을 통해 같은 방법으로 이벤트를 관리하는 경우 다른 설비/이상신호에도 동일하게 적용할 수 있다.

본 발명에서는 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치 (OLTC)의 이상 신호를 감시하는 LU(DAU + CU)를 통해 이상 신호 이벤트를 진단 유닛(Unit)에서 수신한다. 한편, 진단 유닛에서는 이상 신호를 분류하고 이를 통해 변전소의 상태를 변전소 운영자에게 보고하여 설비의 문제를 파악하고 긴급한 대처가 가능하도록 한다.

본 발명의 범위는 다음과 같다.

1) 머신러닝을 이용한 가스 절연 개폐장치 부분방전, 변압기 부분방전, 변압기 탭 절환장치 내부 결함에 의한 전기적 신호와 같은 이상신호를 분류하는

인공지능 알고리즘

2) 인공지능 알고리즘을 이용하여 변전소의 상태 감시 및 분석 시스템

본 발명의 알고리즘 및 시스템은 변전소 종합진단을 베이스로 하며 그 외의 시스템에도 변형하여 적용이 가능하다. 1차적으로 변전소 종합진단에 종래의 기술을 포함한 진단 시스템이 필요한 이유는 변전소 같은 시설이 설비 등의 문제로 정지하면 대규모 정전 등 큰 문제가 발생하기 때문에 이와 같은 사 건/사고를 예방하기 위하여 진단 시스템을 적용한다.

진단 시스템은 GIS 진단(부분방전, 차단기 동작특성 분석), 변압기 진단(부분방전, OLTC 진단, 부싱 진단, 유증가스 분석)으로 나뉘는데 이 중 앞서 말한 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호 세 가지를 중점으로 기술한다.

한편, 전술한 바와 같은 기존 방법은, 이상 신호의 데이터를 분석하여 신호의 위상, 세기를 통계적으로 처리하는 것이다. 이에 따라, 특정 위상, 세기의 위치에 발생하는 신호의 개수에 따라서 신호를 분류하는 알고리즘을 이용하여 단순히 이상 신호에 대한 각각의 종류에 대한 가능성 (확률)을 알려준다.

하지만, 기존 방법은 다음과 같은 점에서 문제점을 갖는다.

이러한 문제 (1), (2)를 해결하기 위하여, 머신러닝 이미지 분류 모델인 컨벌루션 신경망(Convolutional Neural Networks: CNN)을 이용한다. 컨벌루션 신경망의 컨벌루션 및 풀링 레이어는 위상, 세기의 오차에 의한 영향을 줄이는 역할을 하며, 머신러닝 학습 방식은 데이터가 존재하는 경우 자동으로 학습하기 때문에 사람이 직접 조건문을 사용하지 않아도 된다.

문제 (3)을 해결하기 위해서 데이터 증가 방법(Data Augmentation)을 사용하였다.

위에서 설명한 방식을 통해 초기 모델이 학습된 후, 개별 변전소 등 설비에 더욱 최적화된 모델을 개발하고 싶은 경우에는 각 설비의 데이터를 사용하여 추가학습을 진행할 수 있다.

(4)의 문제점을 해결하기 위하여 각 센서에서 수집되는 데이터를 통해 변전소 내 여러 설비에서 발생하는 이상 신호들을 분류하여 각 설비들의 상태를 파악할 수 있으며 이를 종합적으로 운영자에게 보고하여 변전소의 상태를 알 수 있도록 한다. 이에 대한 예를 들면 부분방전의 자유도체방전은 설비의 노후화가 있는 경우, 절연물이상방전은 절연물에 손상이 있는 경우 발생하는 데 분류되는 이상신호의 유형을 이용하여 설비의 교환, 보수에 대한 계획을 수립할 수 있도록 종합 보고한다.

한편, 도 1은 본 발명에 따른, 딥 러닝의 예시를 나타낸다. 도 1에 도시된 바와 같은 원리를 이용하여, 복수의 설비 별로 이상 신호를 분류하고 이를 통해 변전소의 상태를 파악할 수 있다.

CNN은 일반적으로 이미지를 인식하는데 사용되며 특징표현 학습(feature representation learning)을 통해 각 설비에서 정의되어지는 이상 신호 즉 PRPD(Phase Resolved Partial Discharge)의 특징을 학습하여 분류해낸다.

이와 관련하여, 도 2는 본 발명에 따른 CNN(Convolutional Neural Networks)의 예시를 나타낸다. 도 2와 같이, 입력된 데이터에 대한 특징 학습(feature learning)을 통해 각 설비에서 정의되어지는 이상 신호 즉 PRPD(Phase Resolved Partial Discharge)의 특징을 학습하여 분류할 수 있다.

한편, 도 3은 본 발명에 따른 딥러닝 특징 추출의 예시를 나타낸다. 도 3을 참조하면, 각 레이어마다 복수의 뉴런(neuron)을 이용하여 최종적으로 딥러닝 특징 추출이 가능하다. 한편, 색상(color)으로 표시된 값은 데이터, 뉴런 및 가중치 값을 나타낸다.

본 발명에 사용되는 프로세스는 예측과 학습 두 가지로 나눌 수 있으며 각각은 다음과 같다.

1) 예측 이상신호 수집 -> 이벤트 파일 생성 -> 데이터 전처리 -> 분류(알고리즘 이 용) -> 결과 전달

2) 학습 데이터 수집 -> 데이터 전처리 -> 알고리즘 학습 -> 테스트 -> 분류 알고리즘 배포

한편, 도 4는 본 발명에 따른 학습 데이터, 평가 데이터 및 테스트 데이터로 이루어진 데이터 셋의 구성을 나타낸다.

도 4를 참조하면, 데이터 세트 중 트레이닝 세트(Training set)는 학습 데이터(Training data)와 평가 데이터(Validation data)로 이루어진다. 이때, 학습 데이터 80%, 평가 데이터 20%로 나누어 사용하며, 이러한 비율은 응용에 따라 변경되거나 또는 학습 단계와 평가 정확성에 따라 동적으로 변경 가능하다. 예를 들어, 학습 초기 단계에서는 평가 정확도보다 학습이 충실하게 이루어져야 한다. 따라서, 학습 데이터의 비율을 더 증가시킬 수 있다. 반면에, 학습 후기 단계에서는 현재까지 이루어진 학습에 대한 평가 정확도가 중요하다. 따라서, 평가 데이터의 비율을 증가시킬 수 있다. 이때, 학습 데이터는 분류 모델을 학습하는데 사용되며, 평가 데이터는 학습된 모델의 예측 성능을 평가하는데 사용된다.

한편, 원래 세트(Original set)에서 테스트 세트(Testing set)의 비율도 동적으로 조정 가능하다. 이러한 비율은 응용에 따라 변경되거나 또는 학습의 정확도와 평가를 위한 처리 속도에 따라 동적으로 변경 가능하다.

예를 들어, 학습 정확도를 향상시키기 위해 처리 속도가 문제되지 않는 범위에서 트레이닝 세트(Training data)의 비율을 증가시킬 수 있다. 또는 충분한 학습이 이루어져 학습 정확도가 향상된 경우 처리 속도를 향상시키기 위해, 테스트 세트(Testing set)의 비율을 증가시킬 수 있다.

사용되는 데이터는 기본적으로 다음과 같은 특성을 가지고 있다. 데이터는 헤더를 제외하고 [60][60][128]의 3차원 배열 구조를 가진다. 데이터는 128 샘플링 데이터를 1/60초 간격으로 1분 간 저장한 데이터이다. 0~360도의 위상을 128 샘플링 하였으며 0~255의 값으로 세기를 표현할 수 있다. 이 값은 바이트로 저장되며 세 번째 차원 [128] 배열의 각 자리는 샘플링된 위상을 의미한다.

이 데이터는 설비의 종류, 프로토콜 등 헤더에 의해 조금 다를 수 있으나 데이터 자체는 460800 Kbyte의 크기를 가지는 파일로 저장된다.

이 데이터를 일반적으로 이상 신호를 인간이 분류하기 위한 방법인 PRPS(Phase resolved pulse sequence) 2d 패턴을 기반 변경하는 전처리 과정을 거치며 이를 이벤트 기본 전처리라 지칭한다.

전처리된 PRPS 2d패턴을 이용하여 이상 신호를 분류할 후 수 있다. 이와 관련하여, PRPS는 PRPD에 시간적 요소를 더한 분석기법이다.

이벤트 데이터를 PRPS 2D 패턴으로 바꾸는 방법 다음과 같다. 이와 관련하여, 1분간 1/60초 단위로 총 3600회 측정한 데이터를 신호의 세기, 진폭을 의미하는 바이트 값을 y축으로 설정할 수 있다. 또한, 위상을 의미하는 배열의 자릿수를 x축으로 하여 각각의 측정을 256 X 128의 픽셀 데이터로 만든다.

이러한 과정을 거치면 256 X 128의 이미지 데이터가 3600개 만들어지며 이미지를 중첩시킬 수 있다. 이때, 각 픽셀이 가지는 값은 해당 좌표(위상, 크기)에 몇 번 방전 신호가 찍히는지를 의미하며 중첩에 따라 발생하는 픽셀 중복이 있으면 픽셀의 값을 증가시킨다.

이와 관련하여, 도 5는 본 발명에 따른 다양한 방전 유형에 따른 전처리된 PRPS 2d패턴을 나타낸다. 구체적으로 도 5 (a) 및 (b)는 PRPS 절연물 이상방전 및 PRPS 자유도체방전의 예시를 각각 나타낸다. 또한, 도 5 (c) 및 (d)는 PRPS 부유전극방전 및 PRPS 코로나방전 예시를 각각 나타낸다.

위의 방법으로 만들어진 이미지를 통해 신호를 분류할 수 있게 되며 이를 학습 데이터로 사용한다.

데이터는 IEC61850 및 전력 표준을 따르며 가스 절연 개폐장치(GIS), 주 변압기(M.Tr), 변압기 탭 절환장치(OLTC)의 각 센서들은 측정된 데이터를 헤더를

제외하고 같은 형태로 저장한다.

알고리즘 예측 과정에서는 이벤트 기본 전처리 결과를 이용하여 바로 예측을 진행한다. 또한, 알고리즘 학습 과정에서는 이벤트 기본 전처리 이후 위상 변경/신호 세기 변경 및 노이즈 추가와 같은 데이터 조작을 통해 패턴의 특징을 더욱 잘 추출할 수 있도록 한다.

본 발명에서 사용한 데이터 특징을 더욱 잘 추출할 수 있게 하는 방법인 데이터 조작(증대)에 대하여 설명하기 전 일반적으로 사용되는 CNN의 데이터 조작 방법에 대하여 설명하면 아래와 같다.

1) 각도 변경

2) 크기 조작

3) 뒤집기

4) 노이즈

5) 색상 변경

이와 관련하여, 도 6은 본 발명의 일 실시 예에 따른 데이터 증대 기술로서, 크기 조작의 예시를 나타낸다.

이와 관련하여, 사물을 구분하기 위해서 색상, 크기, 각도 등을 인식하기에 큰 문제없는 수준에서 변경하여 데이터를 증대시켜 학습시키는 방법을 이용하며 이를 통해 데이터의 일반화 효과를 얻어낸다.

하지만 가스 절연 개폐장치(GIS) 부분 방전, 주 변압기(M.Tr) 부분 방전, 변압기 탭 절환장치(OLTC) 이상 신호 등 전력 설비에서의 이상 신호는 이미지이다. 이때, 이러한 이미지는 패턴이나 모양으로 구분하지만 위상이 변경하거나 크기가 변경하거나 높이, 색상이 바뀌면 전혀 다른 패턴으로 인식을 해야 한다. 이와 같은 이유로 일반적인 CNN 학습 알고리즘을 이용할 때 사용하는 데이터 조작 방법은 그대로 사용할 수 없으며 다음과 같은 방법으로 데이터를 조작한다. 따라서, 도 6에 도시된 바와 같은 크기 조작 이외에도 각도 변경, 뒤집기, 노이즈 추가, 색상 변경 등과 같은 데이터 증대 기술을 사용하여 패턴 인식을 수행할 수 있다. 이에 대해 아래에서 구체적으로 살펴보기로 한다.

1) 센서의 오차를 감안한 위상 조정 데이터 조작

부분 방전의 경우 일반적으로 특정 위상에서 방전이 발생하게 되며 규정에 따라 다를 수 있으나 정확하게 측정하였을 때 위상을 크게 벗어나면 노이즈 처리를 할 수 있다. 즉, 위상 자체가 중요한 값이기 때문에 각도 변경/크기 조작/뒤집기 등의 기법을 그대로 사용할 수는 없다. 따라서, 센서 상태, 설치 위치 등에 따라 발생할 수 있는 어느 정도의 오차 정도까지만 위상을 조정하여 데이터를 조작하여야 한다.

2) 실제 데이터를 보존하는 위상 조정 데이터 조작

일반적인 CNN 알고리즘 학습을 위한 데이터 조작에서는 학습 대상의 각도를 변경하거나 위치를 이동시키고, 크기를 변경하면서 이미지의 밖으로 넘어가는 부분은 없는 것 처리하여 진행할 수 있다. 하지만 본 발명의 데이터 조작에서는 1)에서 설명한 바와 같이 위상 자체가 중요한 값이므로 화면 밖으로 넘어가는 부분을 반대쪽 위상에서 나타날 수 있도록 하여 데이터 자체는 보존하면서 데이터를 조작하여야 한다.

3) 센서의 옵션 설정에 의해 발생하는 크기의 변화를 감안한 진폭 변경 데이터 조작

센서의 설정이 잘못되어 있거나 혹은 사용 업체, 기관에서 설정을 바꾸는 경우가 있을 수 있어 측정 진폭이 조금 다르게 나타나는 경우가 있을 수 있다. 하지만, 부유전극방전 같은 경우 신호의 세기 자체가 분류를 위한 조건이 되며 이와 같은 조건이 있기 때문에 약간의 오차, 혹은 설정으로 발생할 수 있는 정도의 진폭 변경만을 이용하여 데이터를 조작해야 한다.

4) 일반적으로 발생할 수 있는 노이즈의 범위를 고려한 노이즈 추가 데이터 조작

자유도체방전의 경우 위상 및 모양을 보고 판단할 수 있지만 일부 패턴의 경우 노이즈와 비슷한 모양을 가지게 된다. 따라서, 일반적으로 노이즈 추가에 사용되는 Salt and Pepper noise같은 기법은 사용할 수 없다. 이에 따라, 특징 추출에 영향을 주지 않을 모양의 다른 데이터의 노이즈를 덧입히는 방식으로 노이즈를 추가한다.

마지막으로 데이터 색상 변경을 통한 데이터 조작을 하지 않는 이유는 방전이 일어난 위상, 진폭의 크기를 방전 횟수를 카운트하고 이 결과가 PRPS 2D 패턴으로 나타나기 때문이다. 따라서, 이러한 방전과 연관된 카운트 횟수 또한 이상 신호 분류에 사용되고, 이러한 카운트 횟수가 색상으로 표현되는 것이므로 별도로 조작해서는 안 된다.

이와 관련하여, 도 7은 본 발명에 따른 2D 형태의 PRPS 데이터 원본과 PRPS 데이터 변형 샘플을 나타낸다.

위와 같은 데이터 전처리 이후 CNN 알고리즘을 이용하여 알고리즘을 학습한다.

본 발명에 사용된 CNN은 다음과 같이 표 1과 같은 구조를 가지고 있다.

Input Layer(256, 128)
-> Batch Normalization Layer
-> Convolutional Layer(filters=64 kernel=[5,5], activation=ReLU)
-> Convolutional Layer(filters=64 kernel=[5,5], activation=ReLU)
-> Layer Normalization Layer
-> Pooling Layer(max pooling, pool size=[2,2], strides=2)
-> Dropout(rate=0.25)
-> Batch Normalization Layer
-> Convolutional Layer(filters=128 kernel=[3,3], activation=ReLU)
-> Convolutional Layer(filters=128 kernel=[3,3], activation=ReLU)
-> Layer Normalization Layer
-> Pooling Layer(max pooling, pool size=[2,2], strides=2)
-> Dropout(rate=0.25)
-> Batch Normalization Layer
-> Convolutional Layer(filters=256 kernel=[3,3], activation=ReLU)
-> Batch Normalization Layer
-> Convolutional Layer(filters=256 kernel=[3,3], activation=ReLU)
-> Layer Normalization Layer
-> Pooling Layer (max pooling, pool size=[2,2], strides=2)
-> Convolutional Layer (filters=512 kernel=[3,3], activation=ReLU)
-> Layer Normalization Layer
-> Pooling Layer (max pooling, pool size=[2,2], strides=2)
-> Dense Layer (unit=512)
-> Dropout (rate=0.25)
-> Dense Layer (unit=256)
-> Dropout (rate=0.25)
-> Dense Layer(unit= n) (n=분류할 파형의 종류 개수)

레이어 구조는 설비 및 분류해야 할 종류에 따라 최적의 알고리즘은 바뀔 수 있으며 알고리즘을 사용하는 업체 혹은 기관마다 이상신호의 개수가 다를 수 있어 최적화를 위해서는 일부 달라질 수 있다. 하지만 가스 절연 개폐장치(GIS)=4개 (노이즈 포함5개), 주 변압기(M.Tr)=5개(노이즈 포함6개), 변압기 탭 절환장치(OLTC)=4개 (노이즈 포함5개)로 각각 파형을 분류할 수 있다. 이때, 최종 n의 값이 크게 달라지지 않고 전체적인 특징 또한 유사하다.위와 같은 이유로 가스 절연 개폐장치(GIS), 주 변압기(M.Tr), 변압기 탭 절환장치(OLTC)의 이상신호를 분류하기 위한 레이어 구조로 보편적으로 사용할 수 있다.

위의 CNN 매트릭스를 이용하여 이미지의 특징을 추출하여 신경망의 값 들을 도출하고 이를 통해 이상 신호를 분류해낼 수 있게 된다.

CNN 매트릭스에는 학습 데이터를 집어넣으면서 학습을 반복하게 되고 학습을 진행하면서 매트릭스의 각 요소들의 가중치를 계산하게 된다.

이와 관련하여, 도 8은 본 발명에 다른 CNN 매트릭스에서 각 요소들의 가중치를 구하기 위한 역전파의 예시를 나타낸다. 본 발명에서는 Google의 텐서플로우 1.9.0 버전을 이용하여 다음과 같은 표 2의 코드를 통해 학습 Layer를 구성할 수 있다.

# Input Layer
input_layer = tf.reshape(features['x'], [-1, 256, 128, 1])
batch1 = tf.layers.batch_normalization(
inputs=input_layer
)
# Convolutional Layer #1
conv1 = tf.layers.conv2d(
inputs=batch1,
filters=64,
kernel_size=[5, 5],
padding='same')
# Convolutional Layer #2
conv2 = tf.layers.conv2d(
inputs=conv1,
filters=64,
kernel_size=[5, 5],
padding='same',
activation=tf.nn.relu)
# Layer Normalization Layer #1
layer_nom1 = tf.contrib.layers.layer_norm(
inputs=conv2,
activation_fn=tf.nn.relu
)

# Pooling Layer #1
pool1 = tf.layers.max_pooling2d(inputs=layer_nom1, pool_size=[2, 2],
strides=2)
# Dropout #1
dropout1 = tf.layers.dropout(
inputs=pool1, rate=0.25, training=mode ==
tf.estimator.ModeKeys.TRAIN)
# Batch Normalization Layer #1
batch1 = tf.layers.batch_normalization(
inputs=dropout1
)
# Convolutional Layer #3
conv3 = tf.layers.conv2d(
inputs=batch1,
filters=128,
kernel_size=[3, 3],
padding='same',
activation=tf.nn.relu)
# Convolutional Layer #4
conv4 = tf.layers.conv2d(
inputs=conv3,
filters=128,
kernel_size=[3, 3],
padding='same',
activation=tf.nn.relu)
# Layer Normalization Layer #2
layer_nom2 = tf.contrib.layers.layer_norm(
inputs=conv4,
activation_fn=tf.nn.relu
)

# Pooling Layer #2
pool2 = tf.layers.max_pooling2d(inputs=layer_nom2, pool_size=[2, 2],
strides=2)
# Dropout #2
dropout2 = tf.layers.dropout(
inputs=pool2, rate=0.25, training=mode ==
tf.estimator.ModeKeys.TRAIN)
# Batch Normalization Layer #2
batch2 = tf.layers.batch_normalization(
inputs=dropout2
)

# Convolutional Layer #5
conv5 = tf.layers.conv2d(
inputs=batch2,
filters=256,
kernel_size=[3, 3],
padding='same',
activation=tf.nn.relu)
# Batch Normalization Layer #3
batch3 = tf.layers.batch_normalization(
inputs=conv5
)
# Convolutional Layer #6
conv6 = tf.layers.conv2d(
inputs=batch3,
filters=256,
kernel_size=[3, 3],
padding='same',
activation=tf.nn.relu)
# Layer Normalization Layer #3
layer_nom3 = tf.contrib.layers.layer_norm(
inputs=conv6,
activation_fn=tf.nn.relu

# Pooling Layer #3
pool3 = tf.layers.max_pooling2d(inputs=layer_nom3, pool_size=[2, 2],
strides=2)
# Convolutional Layer #7
conv7 = tf.layers.conv2d(
inputs=pool3,
filters=512,
kernel_size=[3, 3],
padding='same',
activation=tf.nn.relu)
# Layer Normalization Layer #4
layer_nom4 = tf.contrib.layers.layer_norm(
inputs=conv7,
activation_fn=tf.nn.relu
)

# Pooling Layer #4
pool4 = tf.layers.max_pooling2d(inputs=layer_nom4, pool_size=[2, 2],
strides=2)
# Flatten
pool3_flat = tf.reshape(pool4, [-1, 16 * 8 * 512])
# Dense Layer #1
dense1 = tf.layers.dense(inputs=pool3_flat, units=512,
activation=tf.nn.relu)
# Dropout #3
dropout3 = tf.layers.dropout(
inputs=dense1, rate=0.25, training=mode ==
tf.estimator.ModeKeys.TRAIN)
# Dense Layer #2
dense2 = tf.layers.dense(inputs=dropout3, units=256, activation=tf.nn.relu)
# Dropout #4
dropout4 = tf.layers.dropout(
inputs=dense2, rate=0.25, training=mode ==
tf.estimator.ModeKeys.TRAIN)
# Logits Layer
logits = tf.layers.dense(inputs=dropout4, units=5)

학습에서 학습의 반복은 epoch 단위로 진행하였으며 사용할 수 있는 GPU의 메모리 크기에 의해 128 Batch 사이즈로 학습을 진행하였다.

각 반복마다 최적의 가중치를 만들 수 있도록 하는 최적화 알고리즘을 사용하며 SGD(Stochastic gradient descent), RMSProp, AdaDelta(Adaptive Delta), Adam(Adaptive Moment Estimation), Adagrad(Adaptive Gradient), Momentum 등이 있다. 본 발명의 일 실시 예에서는 Adam을 이용하였으며, 하이퍼 파라미터의 일부인 learning rate는 0.0001 로 지정하여 학습하였다.

이와 관련하여, 도 9는 본 발명에 따른 옵티마이저 성능 비교를 나타낸 것이다. 도 9를 참조하면, 본 발명의 일 실시예의 Adam 옵티마이저를 사용한 경우에 반복 횟수에 따라 트레이닝 비용이 가장 적게 요구됨을 알 수 있다.

한편, 도 10은 본 발명에 따른 옵티마이저 동작을 3D와 2D로 시각화한 것이다. 도 10의 2D 시각화에 도시된 바와 같이, 본 발명의 일 실시예의 Adam 옵티마이저가 다른 옵티마이저보다 빠르게 수렴함을 알 수 있다.

이와 관련하여, 학습은 단순히 많이 한다고 좋은 알고리즘이 만들어지지 않는다.

본 발명에서는 드롭아웃(Dropout)을 적용하였지만 반복횟수가 늘어나면 학습 데이터에 대한 정확도는 높아지지만 테스트 데이터에 대해 정확도가 떨어지는 즉 보편적으로 사용하기 어려워지는 오버피팅 문제가 발생한다.

이와 관련하여, 도 11은 본 발명에 따른 적절한 학습의 필요성을 나타내기 위한 Underfitting, Moderate fitting, Overfitting의 예시를 나타낸다. 도 11에 도시된 바와 같이, 학습 반복횟수가 늘어나면 학습 데이터에 대한 정확도는 높아지지만 테스트 데이터에 대해 정확도가 떨어지는 즉 보편적으로 사용하기 어려워지는 오버피팅 문제가 발생할 수 있다. 즉, 학습 횟수는 학습을 진행하며 적정한 횟수로 데이터의 양, 패턴의 종류 개수, Batch Size, Learning rate 등 여러 요소에 맞춰서 진행해야 한다.

한편, 도 12는 본 발명에 따른 오버피팅 해결방안 중 하나인 드롭아웃을 나타낸 예시도이다. 도 12에 적색 X 표시와 같이 드롭아웃을 적용하여 도 11과 같은 오버피팅(Overfitting) 이슈를 해결할 수 있다.

한편, 분류 알고리즘은 개별 설비마다 개별적으로 개발될 수 있고, 본 발명에서는 같은 가스 절연 개폐장치(GIS) 부분방전 분류 알고리즘, 주 변압기(M.Tr) 부분방전 분류 알고리즘, 변압기 탭 절환장치(OLTC) 이상 신호 분류 알고리즘 세 가지로 정의한다.

1. 가스 절연 개폐장치(GIS) 부분방전 분류 알고리즘의 이상 신호는 각각 자유도체방전(파티클), 부유전극방전(플로팅), 코로나방전(코로나), 절연물이상방전(보이드), 잡음신호로 구분한다.

2. 주 변압기(M.Tr) 부분방전 분류 알고리즘은 돌출전극(코로나), 부유전극(플로팅), 표면방전(연면), 권선간방전(권선), 절연지 공극(보이드), 잡음신호로 구분한다.

3. 변압기 탭 절환장치(OLTC) 이상 신호 분류 알고리즘은 돌출전극(코로나), 부유전극(플로팅), 표면방전(연면), 금속이물질(파티클), 잡음신호로 구분한다.

각 구분 이상 신호는 정의에 따라 달라질 수 있으며 본 발명의 특징을 이용하여 알고리즘 사용 업체 혹은 기관에서 다르게 정의하여도 알고리즘 재개 발에 드는 시간이 매우 짧고 높은 정확성을 가질 수 있다.

가스 절연 개폐장치(GIS), 주 변압기(M.Tr), 변압기 탭 절환장치(OLTC)의 이상 신호를 진단, 분류하는 알고리즘은 각각 존재하며 세 알고리즘을 이용하여 전력 설비의 종합 진단을 할 수 있다.

세 알고리즘의 정확도는 다음과 같다.

1) 가스 절연 개폐장치(GIS) 부분방전 분류 알고리즘 (실험실 데이터)

이와 관련하여, 표 3은 본 발명에 따른 가스 절연 개폐장치(GIS) 부분방전 이상 신호 분류 알고리즘 테스트 결과를 나타낸다.

2) 주 변압기(M.Tr) 부분방전 분류 알고리즘 (실험실 데이터)

이와 관련하여, 표 4는 주 변압기(M.Tr) 부분방전 이상 신호 분류 알고리즘 테스트 결과를 나타낸다.

3) 변압기 탭 절환장치(OLTC) 이상 신호 분류 알고리즘 (실험실 데이터)

이와 관련하여, 표 5는 변압기 탭 절환장치(OLTC) 이상 신호 분류 알고리즘 테스트 결과를 나타낸다.

인공지능 알고리즘의 특성상 전체 정확도를 100%로 설정하는 것은 오버피팅일 가능성이 높다. 따라서, 전체 정확도가 전부 100%인 경우는 최적의 경우가 아닌 것으로 판단하도록 알고리즘을 정의할 수 있다. 또한, 실험실 데이터의 양이 비교적 적어 각 정확도가 다소 낮게 보여지고 있으나, 평균 93.4%의 정확도를 보여주고 있으며 이는 진단 알고리즘의 성능 평가에서 합격하는 수치에 해당한다.

본 발명을 진행하며 사용한 데이터는 여러 표준에 가까운 데이터(실험실)와 기관의 테스트를 진행하면서 발생하는 데이터를 주로 하여 만들어진 표준형 알고리즘이다. 전술한 문제 (2)에서 설명한 바 변전소의 설비 상태, 주변 환경에 따라 이상 신호의 데이터가 달라질 수 있다. 이와 같은 문제로 인해, 표준형 알고리즘은 실제 사용 시 정확도가 점점 감소할 수 있다.

한편, 도 13은 본 발명에 따른 변전소 특화 알고리즘의 학습 피팅률의 예시를 나타낸다. 도 13을 참조하면, 본 발명에 따른 알고리즘은 50% 정도로 학습된 일반 알고리즘과 100%로 학습된 것으로 가정되는 오버피팅 알고리즘의 중간 수준의 특화 알고리즘이다.

이런 상황에서 본 발명의 알고리즘 개발 방법은 변전소에서 발생하는 이상 신호를 분류하여 변전소에 사용된 학습 데이터에 추가하고 알고리즘을 재학습하게 된다. 이에 따라, 해당 변전소의 특성이 반영된 데이터를 알고리즘에서 반영하게 되고 이러한 알고리즘은 다른 변전소에서 사용되지 않을 수 있다. 이와 관련하여, 완전한 오버피팅은 AI 알고리즘의 잘못된 학습에 해당할 수 있다. 한편, 0%를 미학습, 100%를 오버피팅, 50%를 일반화에 성공한 학습이라 하면, 70~80%의 피팅률을 가지는 학습을 할 수 있도록 하여 변전소에 특화된 알고리즘을 만들 수 있다.

한편, 가스 절연 개폐장치(GIS), 주 변압기(M.Tr), 변압기 탭 절환장치(OLTC)에서 발생하는 각각의 이상 신호를 분류하고 센서 위치 등의 정보를 통해 어느 설비에서 어떤 이상 신호가 있는지, 지속적으로 발생하는 이상 신호인지 아닌지 여부를 알 수 있다. 또한 이상 신호를 인공지능 알고리즘을 이용해 분류하면 해당 설비에서 어떤 문제가 있는지 알 수 있다. 이를 이용하여 변전소 전체의 설비에 대한 이상 여부 및 현재 상태, 검토 사항에 대하여 보고한다.

각 설비에서 발생하는 이상 신호의 원인은 다음과 같다.

1) 코로나: GIS 내부의 도체 및 외함에 돌기 발생 또는 파티클이 도체 및 외함에 부착되어 발생

2) 플로팅: 접지되어 있지 않거나 전기적으로 접속되지 않은 부분인 부유부분 또는 부유전극에서 발생되는 용량성 방전에 의해 발생

3) 파티클: 도전성 이물질의 유입에 의한 발생

4) 보이드: 유전체의 공극이나 Barrier의 표면 오염과 같은 형태에서 발생

5) 연면: 도체 유전체의 면을 따라 발생하며 파티클이 면에 부착 혹은 스페서에서 크랙이 발생하였을 때 발생

6) 권선: 고압의 접촉 불량에 의해 발생

이에 따라, 이상 신호를 분류한 뒤 노이즈 센서와 비교하여 해당 이상 신호가 노이즈인지 실제 문제가 발생하였는지 확인할 수 있다. 이때, 일시적으로 발생한 경우 점검을 하도록 권고하며 지속적으로 발생하면 해당 원인을 조사할 수 있도록 알림을 주도록 할 수 있다.

각 이상 신호에 대한 분류는 설비나 해당 시스템을 이용하는 업체, 기관에서 정의함에 따라 일부 달라질 수 있어 세부적인 설정은 도입되는 시스템마다 일부 다를 수 있다. 하지만, 위의 이상 신호 원인에 따른 예방 방법, 대처 방법을 지식베이스화 하여 진단 유닛에서 사용자 (단말)에게 종합 보고한다.

종합 보고의 내용은 다음과 같을 수 있다.

1) 각 센서를 기준으로 하는 설비의 이상 신호 발생 통계

2) 이상 신호 통계를 기반으로 하는 변전소의 고장률 산출

3) 이상 신호 발생으로 인한 설비의 수명손실 산출

4) 장기 운전 노후 설비의 신뢰성 산출

5) 이상 신호 통계, 고장률, 수명손실, 설비 신뢰성을 종합한 변전소 위험도 산출

위의 내용은 본 시스템을 사용하는 업체 및 기관에 따라 달라질 수 있으나 변전소 종합예방진단을 위한 기반 정보로 사용된다.

위와 같은 종합 보고를 위해서 본 발명에서 제시한 가스 절연 개폐장치(GIS) 부분방전 진단, 주 변압기(M.Tr) 부분방전 진단, 변압기 탭 절환장치(OLTC) 이상 신호 진단은 인공지능 알고리즘을 이용한다. 그 외 GIS의 차단기 동작 특성 분석, 변압기의 부싱진단, 유증가스 분석을 하는 별도의 진단 유닛 내의 알고리즘이 추가되어 변전소의 예방진단을 이상 신호 이벤트 발생 횟수 및 유형을 파악할 수 있다. 이상 신호 발생 통계를 활용하여 종합 보고의 2), 3), 4)에 대한 내용을 계산하고 1),2),3),4)를 종합하여 각 설비별 위험도를 산출하고 각 설비별 위험도를 종합하여 변전소 전체의 위험도를 산출한다.

운영자는 진단 유닛을 통해 위험도를 파악할 수 있으며 위험도와 함께 어떤 위험도 산출에 영향을 주는 펙터들을 함께 제시하여 설비 보수 및 예방에 참조할 수 있도록 한다.

이를 통해 변전소의 상태를 감시 및 진단하고 진단 결과를 통해 발생할 수 있는 설비 노후화/열화/직원 실수로 발생할 수 있는 사고 등을 예방하며 변전소 및 전력 운영의 건전성을 가질 수 있다.

앞서 설명한 알고리즘의 세부 원리 및 진단 결과를 이용한 변전소 상태감시 시스템의 이벤트 발생/진단 처리/알고리즘 학습 프로세스는 아래와 같이 설명할 수 있다.

이러한 프로세스를 수행하는 머신러닝을 이용한 이상 신호 분류를 수행하는 변전소 상태감시 시스템의 다음과 같다. 이와 관련하여, 도 14는 본 발명에 따른 설비를 감시하는 센서에서 데이터 취득 및 처리 방법을 수행하는 구성을 나타낸다.

도 14를 참조하면, 변전소 상태감시 시스템은 로컬 유닛(LU: Local Unit)에 해당하는 데이터 액세스 유닛(DAU: Data Access Unit, 110) 및 제어 유닛(CU: Control Unit)을 포함한다. 또한, 변전소 상태감시 시스템은 진단 유닛(200)을 더 포함한다. 이러한 변전소 상태감시 시스템에서의 동작을 구체적으로 살펴보면 다음과 같다.

1) 설비를 감시하는 센서에서 데이터 취득

2) CU에서 이벤트로 여겨질 수 있는 Data를 IEC61850 프로토콜 기반으로 이벤트 데이터 발생

3) 이벤트 데이터 전처리

4) CNN 학습 알고리즘을 통해 만든 분류 알고리즘을 통해 이벤트 분류

5) 결과 보고

위의 프로세스에서 진단 유닛(200) 내부에서 진단 요청 처리를 하며 이는 변전소 상태감시 시스템의 프로세스 중 진단 처리 프로세스라 하고 이상 신호 이벤트를 분류하며 내용은 다음과 같다.

1) 이벤트 파일 확인

2) 이벤트 파일 전처리

3) 분류 알고리즘을 이용한 이상 신호 분류

4) 분류 결과 저장 및 진단 Unit에 확인

이러한 프로세스는 다음과 같이 정리할 수 있다. 이와 관련하여, 도 15는 본 발명에 따른 진단 요청 처리 방법 프로세스와 이를 수행하는 변전소 상태감시 시스템을 나타낸다.

도 15를 참조하면, 변전소 상태감시 시스템은 제어 유닛(CU: Control Unit, 120)과 진단 유닛(200) 이외에 분류 서버(300)를 더 포함할 수 있다. 여기서, 분류 서버(300)의 동작은 전술된 PRPS (Phase Resolved Pulse Sequence) 2D 패턴화를 이용하여 분류하므로 GPU에 의해 주로 수행될 수 있다.

위의 프로세스에서 분류 서버 내에 있는 알고리즘은 변전소 상태감시 시스템의 프로세스 중 인공지능 알고리즘 학습 프로세스를 통해 개발될 수 있고, 구체적인 내용은 다음과 같다.

1) 이벤트 데이터 수집

2) 이벤트 데이터 PRPS 2D패턴 화를 이용한 데이터 분류

3) 분류된 데이터 전처리

가) 데이터 전처리

나) 데이터 특징성 강화를 위한 데이터 변조(위상, 증폭, 노이즈)

다) 학습 시간의 단축을 위한 전처리 데이터 직렬화

4) CNN 학습 알고리즘을 이용한 분류 알고리즘 학습

5) 적절한 결과를 만들기 위한 파라미터 조정 및 학습 반복

6) 알고리즘 배포

이러한 프로세스는 다음과 같이 정리할 수 있다. 이와 관련하여, 도 16은 본 발명에 따른 알고리즘 학습 프로세스와 이러한 프로세스를 수행하는 변전소 상태감시 시스템을 나타낸다. 도 16을 참조하면, 미분류 이벤트 데이터를 복수의 유형, 즉 GIS, MTR 및 OLTC 각각의 이상 신호에 따라 분류하고, 이를 전처리할 수 있다. 또한, 전처리된 데이터를 학습 데이터 세트와 테스트 데이터 세트로 분류한 후, 데이터 액세스 유닛(DAU, 110)으로 입력된 후 여러 엔티티들을 거쳐 적정한 테스트 결과를 분류 알고리즘으로 결정하여 배포할 수 있다.

이와 관련하여, 위의 인공지능 알고리즘 학습 프로세스를 통하여 각각의 알고리즘들을 개발할 수 있다. 한편, 각각의 이벤트 파일은 데이터 획득 프로세스에서 발생한 데이터를 저장해둔 것을 이용할 수 있다.

한편, 도 14 내지 도 16을 참조하여, 본 발명에 따른 머신러닝을 이용한 이상 신호 분류를 수행하는 변전소 상태감시 시스템에 대해 살펴보면 다음과 같다. 이와 관련하여, 로컬 유닛(LU: Local Unit, 100)은 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호를 감시하도록 구성된다. 한편, 진단 유닛(200)은 상기 이상 신호를 서로 다른 알고리즘에 따라 분류된 결과를 수신하고, 상기 분류된 결과에 따라 각 설비 별 위험도를 산출하고, 상기 각 설비 별 위험도를 종합하여 변전소 전체의 위험도를 산출하도록 구성된다.

한편, 분류 서버(300)는 상기 GIS, 상기 MTR 및 상기 OLTC 각각의 이상 신호인 제1 내지 제3 이상 신호를 각각 제1 내지 제3 분류 알고리즘에 따라 분류하도록 구성된다. 이때, 상기 제1 내지 제3 분류 알고리즘은, GIS 부분 방전 분류 알고리즘, MTR 부분 방전 분류 알고리즘 및 OLTC 이상 신호 분류 알고리즘일 수 있다.

한편, 전술한 로컬 유닛(LU, 100)은 데이터 액세스 유닛(DAU: Data Access Unit, 110)과 전송하는 제어 유닛(CU: Control Unit, 120)을 포함한다. 구체적으로, 데이터 액세스 유닛(DAU, 110)은 상기 변전소 내 설비를 감시하는 복수의 센서에서 데이터를 취득하고, 이벤트르로 간주될 수 있는 데이터를 IEC61850 프로토콜 기반으로 이벤트 데이터를 발생시켜 전달한다.

또한, 제어 유닛(CU, 120)은 상기 데이터 액세스 유닛(DAU, 110)으로부터 상기 이벤트 데이터를 수신하여 특정 시간 동안에 수집 및 처리된 제2 이벤트 데이터를 상기 진단 유닛(200)으로 전송할 수 있다.

한편, 진단 유닛(200)은 종합 진단 서버(210)와 분류 클라이언트(220)를 포함할 수 있다. 이와 관련하여, 종합 진단 서버(210)는 상기 제어 유닛(CU, 120)으로부터 상기 제2 이벤트 데이터를 수신하고, 상기 수신된 제2 이벤트 데이터를 분류하도록 요청할 수 있다.

또한, 분류 클라이언트(220)는 상기 요청에 기반하여, 상기 제2 이벤트 데이터를 PRPS (Phase Resolved Pulse Sequence) 2D 패턴화를 이용하여 분류하고, 상기 분류된 데이터에 대한 전처리를 수행할 수 있다. 이때, 상기 전처리는, 상기 분류된 데이터에 대한 데이터 특징성 강화를 위한 데이터 변조와 학습 시간의 단축을 위한 전처리 데이터 직렬화를 포함한다. 한편, 상기 데이터 변조는 상기 분류된 데이터에 대한 위상 변경, 신호 세기 변경 및 노이즈 추가와 같은 데이터 조작을 통해 데이터 패턴의 특징을 더욱 잘 추출할 수 있도록 하는 조작을 포함한다.

한편, 분류서버(300)는 상기 전처리된 데이터에 대해 CNN 학습 알고리즘을 이용하여 상기 제1 내지 제3 분류 알고리즘을 학습하도록 구성될 수 있다. 이에 따라, 분류서버(300)는 상기 이상 신호 분류에 대한 적절한 결과를 얻기 위한 파라미터 조정 및 학습 반복을 수행하여, 상기 제1 내지 제3 분류 알고리즘을 결정할 수 있다.

한편, 진단 유닛(200) 및 분류서버(300)에서의 CNN 학습 알고리즘의 학습은 다음과 같이 구체적으로 수행될 수 있다. 전처리된 데이터는 256x128 형태의 입력 레이어(input layer)로 구성되어 입력되고, 상기 입력된 데이터는 복수의 컨벌루션 레이어를 통과한다. 이때, 상기 복수의 컨벌루션 레이어의 수와 상기 복수의 컨벌루션 레이어 간에 선택적으로 배치되는 정규화 레이어(Normalization Layer), 풀링 레이어(Polling Layer), 드랍아웃 레이어(Dropout Layer), 배치 정규화 레이어(Batch Normalization Layer)의 형태는, 상기 변전소 내 설비의 종류 및 상기 GIS, 상기 MTR 및 상기 OLTC 별로 분류할 파형의 종류에 따라 결정될 수 있다.

한편, 전술한 바와 같이, 상기 GIS, 상기 MTR 및 상기 OLTC 별로 분류할 파형의 종류의 개수는 각각 4개, 5개, 4개이고, 상기 데이터 변조를 위한 노이즈를 포함 시에 각각 5개, 6개, 5개일 수 있다.

또한, 분류 서버(300)에서의 상세한 학습 및 분류 동작은 다음과 같이 수행될 수 있다. 이와 관련하여, 분류 서버(300)는 상기 제1 내지 제3 분류 알고리즘의 학습에서, 학습 반복(iteration)은 epoch 단위로 진행하고, GPU의 메모리 크기에 따라 128 Batch 사이즈로 학습을 진행한다. 또한, 분류 서버(300)는 상기 학습 반복마다 최적의 가중치를 만들도록 최적화 알고리즘을 수행하고, 학습률(learning rate)는 디폴트로 지정하되, 상기 학습 반복횟수가 일정 값 이상이면 학습률을 변경시킬 수 있다.

또한, 분류 서버(300)는 오버피팅 방지 위해 상기 드랍아웃 레이어(Dropout Layer)를 통한 드랍아웃의 수행과 상기 반복횟수를 제어할 수 있다. 이때, 상기 반복횟수는 상기 입력 레이어에 입력되는 데이터의 양, 패턴의 종류 개수, 배치 사이즈, 학습률에 따라 동적으로 변경될 수 있다.

한편, 이러한 학습 및 분류에 따른 이벤트 데이터 수신과 처리에 대해 구체적으로 살펴보면 다음과 같다. 분류 클라이언트(220)는, 상기 결정된 제1 내지 제3 분류 알고리즘에 따라 분류된 상기 GIS, 상기 MTR 및 상기 OLTC 별로 분류된 이벤트 데이터를 수신할 수 있다. 한편, 종합 진단 서버(210)는 상기 분류 클라이언트(220)와 상호 작용에 의해 상기 제2 이벤트 데이터에 대한 분류 결과를 관리할 수 있다. 이때, 상기 관리된 분류 결과와 상기 로컬 유닛(LU, 100)로부터 획득한 이상 신호에 기반하여, 이상 신호 발생 통계, 고장률, 수명손실, 신뢰성을 산출할 수 있다.

이상에서는 본 발명에 따른 머신러닝을 이용한 이상 신호 분류를 수행하는 변전소 상태감시 시스템에 대해 살펴보았다. 이하에서는 본 발명의 다른 측면에 따른 머신러닝을 이용한 이상 신호 분류를 수행하는 방법에 대해 살펴보기로 한다. 이때, 머신러닝을 이용한 이상 신호 분류를 수행하는 방법은 전술한 변전소 상태감시 시스템에 의해 수행될 수 있다. 이와 관련하여, 변전소 상태감시 시스템과 이하의 이상 신호 분류 방법에 관한 설명은 상호 결합하여 이용될 수 있다.

이와 관련하여, 도 16은 본 발명에 따른 머신러닝을 이용한 이상 신호 분류 방법의 흐름도를 나타낸다. 도 16을 참조하면, 이상 신호 분류 방법은 이상 신호 감시 과정(S110), 이벤트 데이터 수신 및 분류 요청 과정(S120), 이벤트 데이터 패턴화 및 전처리 과정(S130), 분류 알고리즘 학습 과정(S140), 이상 신호 분류 과정(S150)을 포함한다. 또한, 이상 신호 분류 방법은 산출하는 설비 별 위험도 산출 과정(S200) 및 변전소 위험도 산출 과정(S300)을 더 포함할 수 있다. 한편, 전술된 과정들은 나열된 순서에 한정되는 것이 아니라 그 순서를 변경하거나 일부 과정이 생략 또는 반복되어 수행될 수 있다.

이상 신호 감시 과정(S110)에서, 로컬 유닛(LU: Local Unit)에서, 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호를 감시한다. 한편, 이벤트 데이터 수신 및 분류 요청 과정(S120)에서, 이벤트 데이터가 수집된 형태의 제2 이벤트 데이터를 수신하고, 상기 수신된 제2 이벤트 데이터를 분류하도록 요청할 수 있다.

또한, 이벤트 데이터 패턴화 및 전처리 과정(S130)에서, 상기 요청에 기반하여, 상기 제2 이벤트 데이터를 PRPS (Phase Resolved Pulse Sequence) 2D 패턴화를 이용하여 분류하고, 상기 분류된 데이터에 대한 전처리를 수행할 수 있다. 한편, 분류 알고리즘 학습 과정(S140)에서, 상기 전처리된 데이터에 대해 CNN 학습 알고리즘을 이용하여 제1 내지 제3 분류 알고리즘을 학습할 수 있다.

또한, 이상 신호 분류 과정(S150)에서, 파라미터 조정 및 학습 반복을 수행하여, 상기 제1 내지 제3 분류 알고리즘을 결정하고, 상기 결정된 제1 내지 제3 분류 알고리즘에 따라 상기 이상 신호에 대한 분류를 수행할 수 있다.

한편, 설비 별 위험도 산출 과정(S200)에서, 진단 유닛에서, 상기 이상 신호를 서로 다른 알고리즘에 따라 분류된 결과를 수신하고, 상기 분류된 결과에 따라 각 설비 별 위험도를 산출할 수 있다. 또한, 변전소 위험도 산출 과정(S300)에서, 상기 진단 유닛에서, 상기 각 설비 별 위험도를 종합하여 변전소 전체의 위험도를 산출할 수 있다.

이상에서는 본 발명에 따른 머신러닝을 이용한 이상 신호 분류를 수행하는 변전소 상태감시 시스템과 이상 신호 분류 방법에 대해 살펴보았다. 본 발명의 기술적 효과는 다음과 같다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들은 별도의 소프트웨어 모듈로도 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.

Claims

머신러닝을 이용한 이상 신호 분류를 수행하는 변전소 상태감시 시스템에 있어서,
가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호를 감시하는 로컬 유닛(LU: Local Unit); 및
상기 이상 신호를 서로 다른 알고리즘에 따라 분류된 결과를 수신하고, 상기 분류된 결과에 따라 각 설비 별 위험도를 산출하고, 상기 각 설비 별 위험도를 종합하여 변전소 전체의 위험도를 산출하는 진단 유닛; 및
상기 GIS, 상기 MTR 및 상기 OLTC 각각의 이상 신호인 제1 내지 제3 이상 신호를 각각 제1 내지 제3 분류 알고리즘에 따라 분류하는 분류 서버를 포함하고,
상기 분류 서버는,
상기 제1 내지 제3 분류 알고리즘의 학습에서, 학습 데이터(Training data)와 평가 데이터(Validation data)로 이루어진 트레이닝 세트를 이용하여 학습 반복(iteration)을 epoch 단위로 진행하고,
상기 학습 반복마다 최적의 가중치를 만들도록 최적화 알고리즘을 수행하고, 상기 학습 반복의 횟수가 일정 값 이상이면 상기 평가 데이터의 비율을 변경하고,
상기 학습 반복에 따른 학습 후기 단계에서는 상기 평가 데이터의 비율을 증가시키는, 변전소 상태감시 시스템.
제1항에 있어서,
상기 제1 내지 제3 분류 알고리즘은, GIS 부분 방전 분류 알고리즘, MTR 부분 방전 분류 알고리즘 및 OLTC 이상 신호 분류 알고리즘인 것을 특징으로 하는, 변전소 상태감시 시스템.
제2항에 있어서,
상기 로컬 유닛은,
상기 변전소 내 설비를 감시하는 복수의 센서에서 데이터를 취득하고, 이벤트르로 간주될 수 있는 데이터를 IEC61850 프로토콜 기반으로 이벤트 데이터를 발생시켜 전달하는 데이터 액세스 유닛(DAU: Data Access Unit); 및
상기 DAU로부터 상기 이벤트 데이터를 수신하여 특정 시간 동안에 수집 및 처리된 제2 이벤트 데이터를 상기 진단 유닛으로 전송하는 제어 유닛(CU: Control Unit)을 포함하는, 변전소 상태감시 시스템.
제3항에 있어서,
상기 진단 유닛은,
상기 CU로부터 상기 제2 이벤트 데이터를 수신하고, 상기 수신된 제2 이벤트 데이터를 분류하도록 요청하는 종합 진단 서버; 및
상기 요청에 기반하여, 상기 제2 이벤트 데이터를 PRPS (Phase Resolved Pulse Sequence) 2D 패턴화를 이용하여 분류하고, 상기 분류된 데이터에 대한 전처리를 수행하는 분류 클라이언트를 더 포함하는, 변전소 상태감시 시스템.
제4항에 있어서,
상기 전처리는,
상기 분류된 데이터에 대한 데이터 특징성 강화를 위한 데이터 변조와 학습 시간의 단축을 위한 전처리 데이터 직렬화를 포함하고,
상기 데이터 변조는 상기 분류된 데이터에 대한 위상 변경, 신호 세기 변경 및 노이즈 추가와 같은 데이터 조작을 통해 데이터 패턴의 특징을 더욱 잘 추출할 수 있도록 하는 것을 특징으로 하는, 변전소 상태감시 시스템.
제4항에 있어서,
상기 분류 서버는,
상기 전처리된 데이터에 대해 CNN 학습 알고리즘을 이용하여 상기 제1 내지 제3 분류 알고리즘을 학습하고,
상기 이상 신호 분류에 대한 적절한 결과를 얻기 위한 파라미터 조정 및 학습 반복을 수행하여, 상기 제1 내지 제3 분류 알고리즘을 결정하는 것을 특징으로 하는, 변전소 상태감시 시스템.
제5항에 있어서,
상기 전처리된 데이터에 대한 CNN 학습 알고리즘을 이용한 상기 학습 반복에서,
상기 전처리된 데이터는 256x128 형태의 입력 레이어(input layer)로 구성되어 입력되고, 상기 입력된 데이터는 복수의 컨벌루션 레이어를 통과하고,
상기 복수의 컨벌루션 레이어의 수와 상기 복수의 컨벌루션 레이어 간에 선택적으로 배치되는 정규화 레이어(Normalization Layer), 풀링 레이어(Polling Layer), 드랍아웃 레이어(Dropout Layer), 배치 정규화 레이어(Batch Normalization Layer)의 형태는, 상기 변전소 내 설비의 종류 및 상기 GIS, 상기 MTR 및 상기 OLTC 별로 분류할 파형의 종류에 따라 결정되는, 변전소 상태감시 시스템.
제7항에 있어서,
상기 GIS, 상기 MTR 및 상기 OLTC 별로 분류할 파형의 종류의 개수는 각각 4개, 5개, 4개이고, 상기 데이터 변조를 위한 노이즈를 포함 시에 각각 5개, 6개, 5개인 것을 특징으로 하는, 변전소 상태감시 시스템.
삭제
제7항에 있어서,
상기 분류 서버는,
오버피팅 방지 위해 상기 드랍아웃 레이어(Dropout Layer)를 통한 드랍아웃의 수행과 반복횟수를 제어하고,
상기 반복횟수는 상기 입력 레이어에 입력되는 데이터의 양, 패턴의 종류 개수, 배치 사이즈, 학습률에 따라 동적으로 변경되는 것을 특징으로 하는, 변전소 상태감시 시스템.
제6항에 있어서,
상기 분류 클라이언트는, 상기 결정된 제1 내지 제3 분류 알고리즘에 따라 분류된 상기 GIS, 상기 MTR 및 상기 OLTC 별로 분류된 이벤트 데이터를 수신하고,
상기 종합 진단 서버는
상기 분류 클라이언트와 상호 작용에 의해 상기 제2 이벤트 데이터에 대한 분류 결과를 관리하고,
상기 관리된 분류 결과와 상기 로컬 유닛(LU)로부터 획득한 이상 신호에 기반하여, 이상 신호 발생 통계, 고장률, 수명손실, 신뢰성을 산출하고,
상기 진단 유닛은 각 센서를 기준으로 하는 설비의 상기 이상 신호 발생 통계를 산출하고, 상기 이상 신호 발생 통계를 기반으로 하는 상기 변전소의 고장률 산출하고, 상기 이상 신호 발생으로 인한 상기 설비의 수명손실을 산출하고, 장기 운전 노후 설비의 상기 신뢰성을 산출하고, 상기 이상 신호 발생 통계, 상기 고장률, 상기 수명손실, 및 상기 신뢰성을 종합하여 상기 변전소의 각 설비 별 위험도를 산출하는 것을 특징으로 하는, 변전소 상태감시 시스템.
머신러닝을 이용한 이상 신호 분류를 수행하는 방법에 있어서, 상기 방법은 변전소 상태감시 시스템에 의해 수행되고,
로컬 유닛(LU: Local Unit)에서, 가스 절연 개폐장치(GIS), 변압기(MTR), 변압기 탭 절환장치(OLTC)의 이상 신호를 감시하는 이상 신호 감시 과정; 및
진단 유닛에서, 상기 이상 신호를 서로 다른 알고리즘에 따라 분류된 결과를 수신하고, 상기 분류된 결과에 따라 각 설비 별 위험도를 산출하는 설비 별 위험도 산출 과정; 및
상기 진단 유닛에서, 상기 각 설비 별 위험도를 종합하여 변전소 전체의 위험도를 산출하는 변전소 위험도 산출 과정을 포함하고,
상기 이상 신호 감시 과정 이후,
이벤트 데이터가 수집된 형태의 제2 이벤트 데이터를 수신하고, 상기 수신된 제2 이벤트 데이터를 분류하도록 요청하는 이벤트 데이터 수신 및 분류 요청 과정;
전처리된 데이터에 대해 CNN 학습 알고리즘을 이용하여 제1 내지 제3 분류 알고리즘을 학습하는 분류 알고리즘 학습 과정; 및
제1 내지 제3 분류 알고리즘을 결정하고, 상기 결정된 제1 내지 제3 분류 알고리즘에 따라 상기 이상 신호에 대한 분류를 수행하는 이상 신호 분류 과정을 더 포함하고,
상기 분류 알고리즘 학습 과정에서,
상기 제1 내지 제3 분류 알고리즘의 학습에서, 학습 데이터(Training data)와 평가 데이터(Validation data)로 이루어진 트레이닝 세트를 이용하여 학습 반복(iteration)을 epoch 단위로 진행하고,
상기 학습 반복마다 최적의 가중치를 만들도록 최적화 알고리즘을 수행하고, 상기 학습 반복의 횟수가 일정 값 이상이면 상기 평가 데이터의 비율을 변경하고,
상기 학습 반복에 따른 학습 후기 단계에서는 상기 평가 데이터의 비율을 증가시키는, 이상 신호 분류 방법.
제12항에 있어서,
상기 이벤트 데이터 수신 및 분류 요청 과정 이후,
상기 요청에 기반하여, 상기 제2 이벤트 데이터를 PRPS (Phase Resolved Pulse Sequence) 2D 패턴화를 이용하여 분류하고, 상기 분류된 데이터에 대한 전처리를 수행하는 이벤트 데이터 패턴화 및 전처리 과정을 더 포함하는, 이상 신호 분류 방법.
삭제