KR102282505B1 - 전기 설비의 이상 검출 장치 및 방법 - Google Patents

전기 설비의 이상 검출 장치 및 방법 Download PDF

Info

Publication number
KR102282505B1
KR102282505B1 KR1020200073013A KR20200073013A KR102282505B1 KR 102282505 B1 KR102282505 B1 KR 102282505B1 KR 1020200073013 A KR1020200073013 A KR 1020200073013A KR 20200073013 A KR20200073013 A KR 20200073013A KR 102282505 B1 KR102282505 B1 KR 102282505B1
Authority
KR
South Korea
Prior art keywords
information
abnormality
electrical installation
electrical
detecting
Prior art date
Application number
KR1020200073013A
Other languages
English (en)
Inventor
이재선
Original Assignee
이재선
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 이재선 filed Critical 이재선
Priority to KR1020200073013A priority Critical patent/KR102282505B1/ko
Application granted granted Critical
Publication of KR102282505B1 publication Critical patent/KR102282505B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

전기 설비의 이상 검출 장치 및 방법에 관한 것으로, 본원의 일 실시예에 따른 전기 설비의 이상 검출 장치는 전기 설비의 진단 툴에 기초한 진단으로부터 제1이상 정보를 검출하고, 상기 전기 설비의 열화상 및 이미지를 수집하여 제2이상 정보를 검출하는 검출부, 상기 제1이상 정보에 따른 제1대응 정보 및 상기 제2이상 정보에 따른 제2대응 정보를 생성하는 대응 정보 생성부, 상기 제1대응 정보 및 상기 제2대응 정보를 출력하는 출력부 및 상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 상기 전기 설비를 제어하는 제어부를 포함하되, 상기 검출부는, 상기 열화상 및 상기 이미지를 입력으로 하는 인공신경망 모델에 기초하여 상기 제2이상 정보를 검출하고, 상기 대응 정보 생성부는, 상기 제1대응 정보에 따른 상기 제어부의 제어 이후에도 제1이상 정보가 검출되면, 상기 제2이상 정보에 기초하여 상기 제2대응 정보를 생성하고, 상기 제어부는, 상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 구역별 전기 설비를 제어할 수 있다.

Description

전기 설비의 이상 검출 장치 및 방법{DEVICE AND METHOD FOR DETECTING ABNORMALITY IN ELECTRICAL EQUIPMENT}
본원은 전기 설비의 이상 검출 장치 및 방법에 관한 것이다.
전기 설비의 이상 진단은 문제 현상을 발견하기 어려울 뿐만 아니라, 그 원인 또한 파악하기 어렵다. 이러한 방식의 이상 진단은 사후 예기치 못한 또다른 문제를 야기할 수 있다. 가령, 관리자 입장에서 중요하게 생각하지 않은 단순 절차를 생략했을 때 관측된 이상들이 해결되었다 하더라도 이러한 절차의 생략은 다른 장치, 설비에 영향을 미칠 수도 있다, 이에 따라 간편하고 신속하게 이상의 원인을 분석하는 장치 및 방법이 요구된다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1874286호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 전기 설비의 이상을 검출하고, 인공신경망을 통해 이상에 따른 대응 방안을 제공할 수 있는 전기 설비의 이상 검출 장치 및 방법을 제공하는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 대응 방안에 따른 피드백을 통한 인공신경망의 강화 학습을 수행할 수 있는 전기 설비의 이상 검출 장치 및 방법을 제공하는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 전기 설비의 이상 검출 장치는 전기 설비의 진단 툴에 기초한 진단으로부터 제1이상 정보를 검출하고, 상기 전기 설비의 열화상 및 이미지를 수집하여 제2이상 정보를 검출하는 검출부, 상기 제1이상 정보에 따른 제1대응 정보 및 상기 제2이상 정보에 따른 제2대응 정보를 생성하는 대응 정보 생성부, 상기 제1대응 정보 및 상기 제2대응 정보를 출력하는 출력부 및 상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 상기 전기 설비를 제어하는 제어부를 포함하되, 상기 검출부는, 상기 열화상 및 상기 이미지를 입력으로 하는 인공신경망 모델에 기초하여 상기 제2이상 정보를 검출하고, 상기 대응 정보 생성부는, 상기 제1대응 정보에 따른 상기 제어부의 제어 이후에도 제1이상 정보가 검출되면, 상기 제2이상 정보에 기초하여 상기 제2대응 정보를 생성하고, 상기 제어부는, 상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 구역별 전기 설비를 제어할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 전기 설비의 이상을 검출하고, 인공신경망을 통해 이상에 따른 대응 방안을 제공할 수 있는 전기 설비의 이상 검출 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 대응 방안에 따른 피드백을 통한 인공신경망의 강화 학습을 수행할 수 있는 전기 설비의 이상 검출 장치 및 방법을 제공할 수 있다.
도 1은 본원의 일 실시예에 따른 전기 설비의 이상 검출 시스템의 예를 도시한 도면이다.
도 2는 본원의 일 실시예에 따른 전기 설비의 이상 검출 장치의 구성을 도시한 도면이다.
도 3은 본원의 일 실시예에 따른 전기 설비의 이상 검출 방법의 흐름을 도시한 도면이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본원의 일 실시예에 따른 전기 설비의 이상 검출 시스템의 예를 도시한 도면이다.
도 1을 참조하면, 전기 설비의 이상 검출 시스템(10)은 전기 설비의 이상 검출 장치(100), 사용자 단말(200) 및 전기 설비(300)를 포함할 수 있다. 전기 설비의 이상 검출 장치(100)는 전기 설비(300)를 진단하고, 전기 설비(300)의 이상이 검출된 경우, 이상에 따른 대응 정보를 생성하여 출력할 수 있다. 예시적으로 전기 설비의 이상 검출 장치(100)는 대응 정보를 사용자 단말(200)로 전송할 수 있다. 예시적으로, 전기 설비(300)는 전열 설비, 전동력 설비, 송배전 설비, 전력 모니터링 설비, 발전 설비, 변압기, 개폐기, 차단기, 변성기, 배전반, 분전반을 포함할 수 있으며, 전력 사용 및 관리를 담당하는 설비를 의미한다. 또한, 전기 설비(300)는 각 전기 설비 각각의 상태 및 이상을 검출하기 위한 POE(Power Over Ethernet) 모듈을 포함할 수 있다.
전기 설비의 이상 검출 장치(100), 사용자 단말(200) 및 전기 설비(300) 상호간은 네트워크를 통해 연결될 수 있다. 상기 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다. 또한, 사용자 단말(200)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV 등 유선 통신 장치를 포함할 수 있다.
도 2는 본원의 일 실시예에 따른 전기 설비의 이상 검출 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 전기 설비의 이상 검출 장치(100)는 검출부(110), 대응 정보 생성부(120), 출력부(130) 및 제어부(140)를 포함할 수 있다. 검출부(110)는 전기 설비의 진단 툴에 기초한 진단으로부터 제1이상 정보를 검출할 수 있다. 검출부(110)는 전기 설비(300)의 하드웨어 및 소프트웨어의 진단을 통해 이상을 검출하여 제1이상 정보를 생성할 수 있다. 검출부(110)는 복수의 전기 설비(300) 각각에 따른 진단 툴에 기초하여 전기 설비(300) 각각을 진단할 수 있다. 상기 진단 툴은 전기 설비(300) 별로 각 전기 설비(300)에 특화되어 전기 설비(300)의 하드웨어 및 소프트웨어를 진단할 수 있다.
검출부(110)는 전기 설비(300)의 POE 모듈을 통해 전기 설비(300)를 진단할 수 있다. 상기 전기 설비(300)와 연결되는 주변 장치는 전기 설비(300)의 POE 모듈을 통해 진단될 수 있고, 주변 장치에 POE 모듈이 구비된 경우 또한 검출부(110)에 의해 진단될 수 있다. 또한, 검출부(110)는 전기 설비(300)로부터 수신된 ICMP 메시지를 통한 전기 설비(300)의 상태에 기초하여 이상 정보를 검출할 수 있다. ICMP 메시지는 인터넷 제어 메시지 프로토콜(Internet Control Message Protocol)로서, TCP/IP 기반의 인터넷 통신 서비스에서 인터넷 프로토콜(IP)과 조합하여 통신 중에 발생하는 오류의 처리와 전송 경로의 변경 등을 위한 제어 메시지를 취급하는 무연결 전송(connectionless transmission)용의 프로토콜로, OSI 기본 참조 모델의 네트워크 층에서 정의되어 진다.
또한, 도면에 표시되지 않았으나, 검출부(110)는 열화상 촬영 유닛, 카메라 유닛, 진동 감지 센서, 압력 감지 센서, 전류 센서를 포함할 수 있다. 열화상 촬영 유닛은 전기 설비(300)의 열화상을 촬영할 수 있고, 카메라 유닛은 전기 설비(300)의 이미지를 촬영할 수 있다. 진동 감지 센서는 전기 설비(300)의 진동을 감지할 수 있고, 압력 감지 센서는 전기 설비(300)의 전원부, 전원 연결부 등 전원 계통에 발생된 압력을 감지할 수 있다. 전류 센서는 아크 검출을 위한 센서로 전원부에서 발생한 가파른 에지(steep-edged)의 전류 변화들을 검출할 수 있다. 상기 전류 센서외에도 아크 검출을 위해 전압 센서가 사용될 수도 있다.
검출부(110)는 열화상 촬영 유닛, 카메라 유닛, 진동 감지 센서, 압력 감지 센서, 전류 센서에서 각각 획득된 전기 설비(300)의 열화상, 이미지, 진동, 압력, 아크(스파크)에 대한 정보를 수집하여 제2이상 정보를 검출할 수 있다. 검출부의 제2이상 정보 검출에 대해 구체적으로 살펴보면, 검출부(110)는 열화상, 이미지, 진동, 압력, 아크를 입력으로 하는 인공신경망 모델에 기초하여 제2이상 정보를 검출할 수 있다. 상기 인공신경망 모델은 딥러닝 인공신경망일 수 있으나 이에 한정되는 것은 아니며, 딥러닝 뿐만 아니라, 다양한 인공지능 모델을 통해서도 제2이상 정보를 검출할 수 있다. 구체적으로, 검출부(110)는 전기 설비(300) 및 전기 설비(300)의 주변 환경에 대한 온도, 습도 등의 다양한 조건에 대한 열화상 및 이미지로 구성된 학습 데이터에 기반하여 학습된 인공신경망 모델을 구축할 수 있다. 이러한 인공신경망 모델은 전기 설비(300)의 정상 상태 및 이상 상태에 대해 지도학습이 이루어져 있으므로(주변 환경에 의한 전기 설비의 영향 또한 포함한다.), 실시간으로 입력된 열화상, 이미지, 진동, 압력, 아크를 통해 현재 전기 설비(300)에 대한 이상 여부를 검출할 수 있다.
한편 검출부(110)는 전류 센서를 통해 획득된 전기 신호를 웨이블릿 변환하여 분석함으로써, 전기 설비 내의 아크 발생 여부를 제2이성정보로서 검출할 수 있다. 구체적으로, 전기 설비(300)에서는 직렬 아크(Series Arc) 결함과 병렬 아크(Parallel Arc) 결함이 발생할 수 있다. 여기서, 직렬 아크 결함은 PV 시스템 내에서 직렬로 배치된 구성 요소(예를 들어, 전선이나 커넥터 등)에 의해 나타나는 아크 결함을 의미하고, 병렬 아크 결함은 PV 시스템 내에서 병렬로 배치된 구성 요소에 의해 나타나는 아크 결함을 의미한다. 특히, 직렬 아크 결함은, 복수의 전기 설비 사이를 연결하는 커넥터의 연결부위가 열화 또는 진동으로 인해 불안전한 체결 상태가 되거나 전선 연결이 느슨해지는 경우 등에 의해 발생될 수 있다. 즉, 전기 설비 간의 전선이 제대로 연결, 지지, 결합 등의 처리가 이루어지지 않은 경우, 직렬 아크 결함이 발생될 수 있다. 직렬 아크 결함은 병렬 아크 결함에 비해 사고로 인한 부하 전류의 변화가 소폭에 불과하여 검출이 더욱 어려운 측면이 있다.
검출부(110)는 전루 센서를 통해 측정된 전기신호에 대한 웨이블릿 변환 기반의 분석을 이용하여 아크를 검출할 수 있다. 먼저, 전기 신호의 구간 중 아크 의심 구간에 대하여 웨이블릿 변환으로써 이산 웨이블릿 변환(discrete wavelet transform, DWT)을 적용하여 아크 발생 여부를 검출할 수 있다. 이때, 아크 의심 구간은 전기 신호의 구간 중 미리 설정된 시간 구간(예를 들어, 0.5 시간에 해당하는 구간)에서의 기울기가 제1임계 기울기 이상으로 나타나는 시점부터 미리 설정된 시간 구간에서의 기울기가 제2 임계 기울기 이상으로 나타나는 시점까지 속한 구간을 의미할 수 있다. 이때, 제1 임계 기울기 및 제2 임계 기울기는 절대값 크기가 같되, 부호가 반대일 수 있다. 예시적으로, 제1 임계 기울기는 미리 설정된 시간 구간이 0.5(즉, x축 증가량이 0.5이고 y축 증가량이 10인 경우 20일 수 있다. 제2 임계 기울기는 -20일 수 있다. 웨이블릿 변환은 전원 시스템 오류 신호와 같이 불연속 또는 급격한 변화가 있는 신호를 근사화하는데 특히 효과적이라 할 수 있다. 웨이블릿 변환시 모 웨이블릿(모 파형)을 적절하게 선택하는 경우에는 효과적으로 아크를 검출해 낼 수 있다.
복수의 전기 설비(300)는 복수의 구역으로 구획될 수 있다. 각 구역은 전기 설비(300)의 종류, 용도, 설치 위치, 전기 공급을 위한 연결 배치 등을 고려하여 구획될 수 있다. 즉, 각 전기 설비(300)의 전원 공급을 위해 전기적으로 연결될 필요가 있거나, 각 전기 설비(300)들이 공통된 동작을 수행하거나, 어떠한 목적을 위해 함께 구동되는 것과 같이 소정의 목적을 위해 복수의 전기 설비(300)가 구역으로 구획될 수 있다.
구역에 속한 전기 설비 중 어느 하나라도 전기적 문제가 발생하는 경우, 구역 내 다른 전기 설비에도 영향을 미칠 수 있기 때문에, 구역 차원에서의 조치가 요구된다. 대응 정보 생성부(120)는 제1이상 정보에 따른 제1대응 정보 및 제2이상 정보에 따른 제2대응 정보를 생성할 수 있다. 예시적으로, 대응 정보 생성부(120)는 전기 설비의 종류 및 상기 이상 정보의 유형을 입력으로 하고, 상기 대응 방안을 출력으로 하는 인공신경망 모델(제2 인공신경망 모델)을 구축할 수 있다. 제2인공신경망 모델은 제1이상 정보의 유형에 따라 제1대응 방안을 결정하는 반복학습을 통해 구축될 있다. 예시적으로, 전기 설비(300)의 전원 계통에 이상이 발생한 것으로 가정하면, 검출부(110)는 전기 설비(300)와 주기적으로 ICMP 메시지를 송수신할 수 있으며, 전기 설비(300)의 전원 계통에 이상이 발생한 경우, 전기 설비(300)로부터 ICMP 메시지를 수신할 수 없다. 검출부(110)는 전기 설비(300)로부터 미리 설정된 횟수 이상 ICMP 메시지를 수신하지 않는 경우 전원 계통에 대한 제1이상 정보를 검출할 수 있다. 검출부(110)는 상술한 예시 외에도, ICMP 메시지를 통해 전기 설비(300)를 구동하기 위한 소프트웨어 및 하드웨어에 대한 다양한 이상 정보를 검출할 수 있다.
전술한 예시에 따르면, 대응 정보 생성부(120)는 제1이상 정보에 대한 대응으로써 상기 인공신경망에 기반하여 전기 설비(300)를 제어하는 제1대응 정보를 생성할 수 있다. 또한, 제1대응 정보는 ICMP 메시지를 전송하지 않은 전기 설비가 속한 구역에 포함된 전기 설비 각각을 제어하기 위한 제1대응 정보를 생성할 수 있다. 예시적으로, 제1대응 정보는 제1이상 정보에 따라 전기 설비를 즉시 제어하는 명령을 포함할 수 있으며, 예를 들어, 전기 설비의 재부팅, 재가동 및 전원 공급 장치에서 전기 설비로 공급되는 전원의 재인가를 포함할 수 있으며, 이에 한정되는 것은 아니다.
대응 정보 생성부(120)는 사용자 단말(200)로부터 피드백 정보를 수신하여 제2인공신경망 모델의 강화 학습을 수행할 수 있다. 구체적으로, 대응 정보 생성부(120)는 제1대응 정보에 기초한 이상 해결에 대한 피드백 정보를 입력으로 하여 인공신경망의 강화 학습을 수행할 수 있다. 예시적으로 상기 피드백 정보는 대응 정보에 따른 이상 해결의 유효성 및 대응 정보를 제외한 신규 대응 정보 중 적어도 어느 하나를 포함할 수 있다. 사용자는 대응 정보에 기초하여 이상이 해결되거나, 여전히 이상이 해결되지 않은 경우 사용자 단말(200)을 통해 피드백을 제공할 수 있다. 예시적으로 상기 피드백은 설문을 포함하며, 사용자 단말(200)은 설문을 제공하 수 있다. 또한, 사용자 단말(200)은 사용자에 의한 설문의 응답에 기초하여 피드백 정보를 생성할 수 있다. 설문은 대응 정보에 따른 이상 해결의 유효성에 대한 질문을 포함할 수 있다. 대응 정보에 의해 이상이 해결되지 않는 경우, 사용자는 신규 대응 정보를 입력할 수 있다. 인공신경망은 피드백 정보에 따른 이상 해결의 유효성 및 신규 대응 정보에 대한 강화 학습을 수행함으로써, 향후 발생하는 이상 정보에 대해 보다 정확한 대응 정보를 산출할 수 있다.
제어부(140)는 제1대응 정보에 기초하여 전기 설비(300)를 제어할 수 있다. 또한, 제어부(140)는 제2대응 정보에 기초하여 전기 설비(300)를 제어할 수 있다. 제1대응 정보에 기초한 제어부(140)의 제어에도 전기 설비에서 제1이상 정보가 검출되는 경우에는 전기 설비의 구동 및 동작에 있어서 치명적인 결함이 발생한 것으로 판단할 수 있다. 이에, 대응 정보 생성부(120)는 제1대응 정보에 따른 제어부(140)의 제어 이후에도 제1이상 정보가 검출되면, 제2이상 정보에 기초하여 제2대응 정보를 생성할 수 있다. 검출부(110)는 제1이상 정보가 재검출된 전기 설비가 속한 구역에 포함된 전기 설비에 대응하는 상기 열화상 및 상기 이미지로부터 제2이상 정보를 검출할 수 있다. 예시적으로, 제2이상 정보는 전기 설비의 터미널 단자 압착 불량, 과열, 누전, 단선, 합선, 절연파괴, 접지 불량, 전기 설비의 누전 차단기 에러를 포함할 수 있으며, 이는 열화상 및 이미지를 입력으로 하는 인공신경망 모델에 의해 검출될 수 있다.
전기 설비에 발생한 전기적 이슈는 대형 사고로 이어질 수 있으므로, 초기 대응이 매우 중요하다. 특히, 하나의 전기 설비에 발생한 이슈가 전체 전기 설비에 영향을 미칠 수 있고, 나아가 전기 설비가 구비된 건물 및 주변에도 영향을 미칠 수 있으므로 빠르고 정확한 대처가 요구된다. 대응 정보 생성부(120)는 제2이상 정보에 따라 제2대응 정보를 생성할 수 있다. 상술한 제2이상 정보에 속한 이슈(과열, 누전 등)는 즉각적인 조치 뿐만 아니라, 기술자가 시간을 소모하는 수리 또는 유지보수가 요구될 수도 있다. 따라서, 대응 정보 생성부(120)는 제2이상 정보의 원인이 되는 이슈를 파악하여 해당 이슈를 해결하기 위한 방안을 포함하는 제2대응 정보를 생성할 수 있다. 예시적으로, 대응 정보 생성부(120)는 접지 단자의 오류, 케이블 절연 파괴 등 이슈가 발생한 원인을 포함하고, 절연 테이핑 및 절연 유닛 재시공 등 해결 방안을 포함할 수 있다. 또한, 제2대응 정보는 이슈가 발생한 전기 설비가 속한 구역에 포함된 전기 설비의 전원 공급을 차단하는 명령을 포함할 수 있다. 제어부(140)는 제2대응 정보에 기초하여 구역별 전기 설비를 제어할 수 있다. 이와 같이 함으로써, 제2이상 정보가 발생한 전기 설비 외에 2차적인 피해를 방지할 수 있다.
인공지능 알고리즘에 의한 제1대응 정보 및 제2대응 정보의 생성에 대해 설명하면, 대응 정보 생성부(120)는 제1이상 정보 및 제2이상 정보 각각을 입력으로 하는 비지도 학습을 수행하여 신규한 이상 정보를 탐지할 수 있다. 비지도 학습이란 학습용 데이터를 구축하는 것이 아닌 데이터 자체를 분석하거나 군집하면서 학습하는 알고리즘을 의미한다. 이는 공지된 사항이므로 구체적인 설명은 생략한다. 대응 정보 생성부(120)는 군집 알고리즘에 기초하여 제1이상 정보 또는 제2이상 정보를 군집하고, 군집간 분리도에 기초하여 상기 신규 이상 정보를 검출할 수 있다. 구체적으로, 제1이상 정보의 패턴 중 신규한 제1이상 정보를 검출하고, 제2이상 정보의 패턴 중 신규한 제2이상 정보를 검출할 수 있다.
예시적으로 상기 비지도 학습을 위한 군집 알고리즘에는 로지스틱 회귀 알고리즘, 랜덤 포레스트 알고리즘, SVM(Support Vector Machine)알고리즘, 의사결정 알고리즘 및 군집 알고리즘이 이용될 수 있다. 또한, 대응 정보 생성부(120)는 상술한 알고리즘 외에도 Extra Tree알고리즘, XG Boost알고리즘 및 Deep Learning 알고리즘, K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘과 같은 군집 알고리즘을 통해 비지도 학습을 수행할 수 있다. Random Forest알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화 하는 알고리즘이고, SVM알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다. Extra Tree알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결과를 다음 트리에 적용하는 boost방식의 알고리즘이다. Deep Learning알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다. 또한, K-means 클러스터링 알고리즘은 전통적인 분류기법으로 대상집단을 거리의 평균값(유사도)을 기준으로 K개의 군집으로 반복 세분화 하는 기법이고, SOM알고리즘은 인공신경망을 기반으로 훈련집합의 입력 패턴을 가중치로 학습하여 군집화하는 기법이다. 또한 EM & Canopy 알고리즘은 주어진 초기값으로 가능성이 최대인 것부터 반복 과정을 통해 파라미터 값을 갱신하여 군집화 하는 기법을 의미한다.
대응 정보 생성부(120)는 상기 군집 알고리즘을 통해 이상 정보를 복수개의 유형으로 군집할 수 있다. 즉, 유형의 군집은 동질성 있는 이성 정보의 유형들의 군집일 수 있다. 또한, 유형의 군집의 군집간 분리도 즉, 군집간의 거리에 기초하여 신규 유형을 검출할 수 있다. 이상 정보에 대한 유형의 빈도가 유사한 경우, 유사한 특질 변수끼리 동일 내지 유사한 라벨(또는 식별자)이 부여될 수 있다. 즉 유형 상호간 라벨이 동일 내지 유사한 라벨(또는 식별자)가 부여될 수 있다. 즉 유형 상호간 라벨이 동일 내지 유사한 경우, 군집간 분리도가 낮다고 할 수 있다. 한편, 유사한 빈도를 가진 유형과 다른 빈도를 가진 유형으로 군집된 경우, 상기 라벨과 다른 라벨로 구분될 수 있다. 이러한 라벨은 상기 유형의 빈도와는 상이하므로 신규 유형일 수 있고, 대응 정보 생성부(120)에 의해 검출될 수 있다.
신규 유형은 기존의 이상과는 다른 신규한 유형의 이상을 의미한다. 즉, 대응 정보 생성부(120)는 이상 정보의 신규 유형을 고려함으로써, 다양한 이상에 대응하는 대응 정보를 생성할 수 있다. 다시 말해, 신규 유형을 검출하는 것은 인적자원이 한정된 상황에서도 새롭게 등장하는 이상의 유형을 검출하기 위한 중요한 요소이다. 이러한 신규 유형을 누적함으로써, 이상 정보 검출의 신뢰도가 향상될 수 있고, 향후 등장할 알려지지 않은 미지의 이상에 대해서도 누적된 패턴 데이터에 기초하여 검출할 수 있는 기반을 마련할 수 있다.
출력부(130)는 제1대응 정보 및 제2대응 정보를 출력할 수 있다. 예시적으로 출력부(130)는 사용자 단말(200)을 통해 제1대응 정보 및 제2대응 정보를 출력할 수 있고, 사용자는 출력부(130)를 통해 제공된 대응 정보에 기초하여 전술한 피드백을 제공할 수 있다.
본원의 일 실시예에 따르면, 전술한 검출부(110)는 전기 설비(300) 뿐만 아니라, 전기 설비(300)가 설치된 건물의 외벽, 내벽, 출입구, 비상구 등 건물 내에도 구비될 수 있으며, 건물 및 출입구 등에서 감지된 정보에 기초하여 제1이상 정보 또는 제2이상 정보를 검출할 수 있고, 이에 대한 제1 대응 정보 또는 제2대응 정보를 생성할다. 이를 통해, 건물 내의 전기를 사용한 시설에서 발생한 문제가 전기 설비(300)에 영향을 미치지 않도록 사전에 방지할 수 있으며, 전기 설비(300)에 발생한 문제가 건물 내 인원에 대한 사고로 이어지지 않도록, 출입문의 통제 등의 대응이 이루어질 수 있다.
도 3은 본원의 일 실시예에 따른 전기 설비의 이상 검출 방법의 흐름을 도시한 도면이다.
도 3에 도시된 전기 설비의 이상 검출 방법은 앞선 도 1 및 도 2를 통해 설명된 전기 설비의 이상 검출 장치에 의하여 수행될 수 있다. 따라서 이하 생략된 내용이라고 하더라도 도 1 및 도 2를 통해 전기 설비의 이상 검출 장치에 대하여 설명된 내용은 도 3에도 동일하게 적용될 수 있다.
도 3을 참조하면, 단계 S310에서 검출부(110)는 전기 설비의 진단 툴에 기초한 진단으로부터 제1이상 정보를 검출하고, 상기 전기 설비의 열화상 및 이미지를 수집하여 제2이상 정보를 검출할 수 있다. 검출부(110)는 전기 설비(300)의 하드웨어 및 소프트웨어의 진단을 통해 이상을 검출하여 이상 정보를 생성할 수 있다. 검출부(110)는 복수의 전기 설비(300) 각각에 따른 진단 툴에 기초하여 전기 설비(300) 각각을 진단할 수 있다. 상기 진단 툴은 전기 설비(300) 별로 각 전기 설비(300)에 특화되어 전기 설비(300)의 하드웨어 및 소프트웨어를 진단할 수 있다. 검출부(110)는 전기 설비(300)의 POE 모듈을 통해 전기 설비(300)를 진단할 수 있다. 상기 전기 설비(300)와 연결되는 주변 장치는 전기 설비(300)의 POE 모듈을 통해 진단될 수 있고, 주변 장치에 POE 모듈이 구비된 경우 또한 검출부(110)에 의해 진단될 수 있다. 또한, 검출부(110)는 전기 설비(300)로부터 수신된 ICMP 메시지를 통한 전기 설비(300)의 상태에 기초하여 이상 정보를 검출할 수 있다.
또한, 검출부(110)는 열화상 촬영 유닛 및 카메라 유닛에서 촬영된 전기 설비(300)의 열화상 및 이미지를 수집하여 제2이상 정보를 검출할 수 있다. 검출부의 제2이상 정보 검출에 대해 구체적으로 살펴보면, 검출부(110)는 열화상 및 이미지를 입력으로 하는 인공신경망 모델에 기초하여 제2이상 정보를 검출할 수 있다. 상기 인공신경망 모델은 딥러닝 인공신경망일 수 있으나 이에 한정되는 것은 아니며, 딥러닝 뿐만 아니라, 다양한 인공지능 모델을 통해서도 제2이상 정보를 검출할 수 있다. 구체적으로, 검출부(110)는 전기 설비(300) 및 전기 설비(300)의 주변 환경에 대한 온도, 습도 등의 다양한 조건에 대한 열화상 및 이미지로 구성된 학습 데이터에 기반하여 학습된 인공신경망 모델을 구축할 수 있다. 이러한 인공신경망 모델은 전기 설비(300)의 정상 상태 및 이상 상태에 대해 지도학습이 이루어져 있으므로(주변 환경에 의한 전기 설비의 영향 또한 포함한다.), 실시간으로 입력된 열화상 및 이미지를 통해 현재 전기 설비(300)에 대한 이상 여부를 검출할 수 있다.
단계 S320에서 대응 정보 생성부(120)는 1이상 정보에 따른 제1대응 정보 및 상기 제2이상 정보에 따른 제2대응 정보를 생성할 수 있다. 예시적으로, 대응 정보 생성부(120)는 제1이상 정보에 대한 대응으로써 상기 인공신경망에 기반하여 전기 설비(300)를 제어하는 제1대응 정보를 생성할 수 있다. 또한, 대응 정보 생성부(120)는 사용자 단말(200)로부터 피드백 정보를 수신하여 제2인공신경망 모델의 강화 학습을 수행할 수 있다. 구체적으로, 대응 정보 생성부(120)는 제1대응 정보에 기초한 이상 해결에 대한 피드백 정보를 입력으로 하여 인공신경망의 강화 학습을 수행할 수 있다.
단계 S330에서 출력부(130)는 제1대응 정보 및 제2대응 정보를 출력할 수 있다. 예시적으로 출력부(130)는 사용자 단말(200)을 통해 제1대응 정보 및 제2대응 정보를 출력할 수 있고, 사용자는 출력부(130)를 통해 제공된 대응 정보에 기초하여 전술한 피드백을 제공할 수 있다.
단계 S340에서 제어부(140)는 제1대응 정보에 기초하여 전기 설비(300)를 제어할 수 있다. 또한, 제어부(140)는 제2대응 정보에 기초하여 전기 설비(300)를 제어할 수 있다.
예시적으로, 제1대응 정보에 기초한 제어부(140)의 제어에도 전기 설비에서 제1이상 정보가 검출되는 경우에는 전기 설비의 구동 및 동작에 있어서 치명적인 결함이 발생한 것으로 판단할 수 있다. 이에, 대응 정보 생성부(120)는 제1대응 정보에 따른 제어부(140)의 제어 이후에도 제1이상 정보가 검출되면, 제2이상 정보에 기초하여 제2대응 정보를 생성할 수 있다. 검출부(110)는 제1이상 정보가 재검출된 전기 설비가 속한 구역에 포함된 전기 설비에 대응하는 상기 열화상 및 상기 이미지로부터 제2이상 정보를 검출할 수 있다.
본원의 일 실시 예에 따른, 전기 설비의 이상 검출 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 전기 설비의 이상 검출 장치
110: 검출부
120: 대응 정보 생성부
130: 출력부
140: 제어부
200: 사용자 단말

Claims (13)

  1. 전기 설비의 이상 검출 장치에 있어서,
    전기 설비의 진단 툴에 기초한 진단으로부터 제1이상 정보를 검출하고, 상기 전기 설비의 열화상 및 이미지를 수집하여 제2이상 정보를 검출하는 검출부;
    상기 제1이상 정보에 따른 제1대응 정보 및 상기 제2이상 정보에 따른 제2대응 정보를 생성하는 대응 정보 생성부;
    상기 제1대응 정보 및 상기 제2대응 정보를 출력하는 출력부; 및
    상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 상기 전기 설비를 제어하는 제어부를 포함하되,
    상기 검출부는,
    상기 열화상 및 상기 이미지를 입력으로 하는 인공신경망 모델에 기초하여 상기 제2이상 정보를 검출하고,
    상기 대응 정보 생성부는,
    상기 제1대응 정보에 따른 상기 제어부의 제어 이후에도 제1이상 정보가 검출되면, 상기 제2이상 정보에 기초하여 상기 제2대응 정보를 생성하고,
    상기 제어부는,
    상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 구역별 전기 설비를 제어하는 것이고,
    상기 검출부는,
    복수의 전기 설비 각각에 특화되어 하드웨어 및 소프트웨어를 진단할 수 있는 진단 툴에 기초하여 상기 전기 설비 각각을 진단하고,
    상기 제1이상 정보가 재검출된 전기 설비가 속한 구역에 포함된 전기 설비에 대응하는 상기 열화상 및 상기 이미지로부터 제2이상 정보를 검출하는 것인, 전기 설비의 이상 검출 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 검출부는,
    상기 전기 설비의 POE 모듈을 통해 상기 전기 설비를 진단하고,
    상기 전기 설비로부터 수신된 ICMP 메시지를 통한 상기 전기 설비의 상태에 기초하여 상기 제1이상 정보를 검출하는 것인, 전기 설비의 이상 검출 장치.
  4. 제1항에 있어서,
    상기 검출부는,
    상기 전기 설비의 열화상을 촬영하는 열화상 촬영 유닛; 및
    상기 전기 설비의 이미지를 촬영하는 카메라 유닛을 포함하는 것인, 전기 설비의 이상 검출 장치.
  5. 삭제
  6. 제1항에 있어서,
    상기 대응 정보 생성부는,
    상기 제2이상 정보에 기초하여 상기 제1이상 정보가 재검출된 전기 설비가 속한 구역에 포함된 전기 설비에 대한 제2대응 정보를 생성하는 것인, 전기 설비의 이상 검출 장치.
  7. 전기 설비의 이상 검출 방법에 있어서,
    (a) 전기 설비의 진단 툴에 기초한 진단으로부터 제1이상 정보를 검출하고, 상기 전기 설비의 열화상 및 이미지를 수집하여 제2이상 정보를 검출하는 단계;
    (b) 상기 제1이상 정보에 따른 제1대응 정보 및 상기 제2이상 정보에 따른 제2대응 정보를 생성하는 단계;
    (c) 상기 제1대응 정보 및 상기 제2대응 정보를 출력하는 단계; 및
    (d) 상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 상기 전기 설비를 제어하는 단계를 포함하되,
    상기 (a) 단계는,
    상기 열화상 및 상기 이미지를 입력으로 하는 인공신경망 모델에 기초하여 상기 제2이상 정보를 검출하고
    상기 (b) 단계는,
    상기 제1대응 정보에 따른 제어 이후에도 제1이상 정보가 검출되면, 상기 제2이상 정보에 기초하여 상기 제2대응 정보를 생성하고,
    상기 (d) 단계는,
    상기 제1대응 정보 및 상기 제2대응 정보에 기초하여 구역별 전기 설비를 제어하는 것이고,
    상기 (a) 단계는,
    복수의 전기 설비 각각에 특화되어 하드웨어 및 소프트웨어를 진단할 수 있는 진단 툴에 기초하여 상기 전기 설비 각각을 진단하고,
    상기 제1이상 정보가 재검출된 전기 설비가 속한 구역에 포함된 전기 설비에 대응하는 상기 열화상 및 상기 이미지로부터 제2이상 정보를 검출하는 것인, 전기 설비의 이상 검출 방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 (a) 단계는,
    상기 전기 설비의 POE 모듈을 통해 상기 전기 설비를 진단하고,
    상기 전기 설비로부터 수신된 ICMP 메시지를 통한 상기 전기 설비의 상태에 기초하여 상기 제1이상 정보를 검출하는 것인, 전기 설비의 이상 검출 방법.
  10. 제7항에 있어서,
    상기 (a) 단계는,
    상기 전기 설비의 열화상을 촬영하는 단계; 및
    상기 전기 설비의 이미지를 촬영하는 단계를 포함하는 것인, 전기 설비의 이상 검출 방법.
  11. 삭제
  12. 제7항에 있어서,
    상기 (b) 단계는,
    상기 제2이상 정보에 기초하여 상기 제1이상 정보가 재검출된 전기 설비가 속한 구역에 포함된 전기 설비에 대한 제2대응 정보를 생성하는 것인, 전기 설비의 이상 검출 방법.
  13. 제7항, 제9항, 제10항 및 제12항 중 어느 한 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.
KR1020200073013A 2020-06-16 2020-06-16 전기 설비의 이상 검출 장치 및 방법 KR102282505B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200073013A KR102282505B1 (ko) 2020-06-16 2020-06-16 전기 설비의 이상 검출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200073013A KR102282505B1 (ko) 2020-06-16 2020-06-16 전기 설비의 이상 검출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102282505B1 true KR102282505B1 (ko) 2021-07-28

Family

ID=77126161

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200073013A KR102282505B1 (ko) 2020-06-16 2020-06-16 전기 설비의 이상 검출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102282505B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546212A (zh) * 2022-11-29 2022-12-30 浙江大学计算机创新技术研究院 基于全局上下文嵌入生成对抗网络的图像异常检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101753724B1 (ko) * 2016-05-12 2017-07-06 주식회사 아이티지 전원 제어가 가능한 poe 허브 장치
KR102043234B1 (ko) * 2018-05-04 2019-11-12 주식회사 아이에이 설비 감시 시스템 및 그 동작 방법
KR102096466B1 (ko) * 2019-08-12 2020-04-02 (주)엠투엠솔루션 실시간 데이터베이스를 이용한 원격 제어 및 경보 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101753724B1 (ko) * 2016-05-12 2017-07-06 주식회사 아이티지 전원 제어가 가능한 poe 허브 장치
KR102043234B1 (ko) * 2018-05-04 2019-11-12 주식회사 아이에이 설비 감시 시스템 및 그 동작 방법
KR102096466B1 (ko) * 2019-08-12 2020-04-02 (주)엠투엠솔루션 실시간 데이터베이스를 이용한 원격 제어 및 경보 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546212A (zh) * 2022-11-29 2022-12-30 浙江大学计算机创新技术研究院 基于全局上下文嵌入生成对抗网络的图像异常检测方法

Similar Documents

Publication Publication Date Title
US11429718B2 (en) Industrial system event detection and corresponding response
US10452845B2 (en) Generic framework to detect cyber threats in electric power grid
EP3373552A1 (en) Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid
JP6302283B2 (ja) 産業用制御システムのためのインテリジェントサイバーフィジカル侵入検出および侵入防止システムならびに方法
US20220036199A1 (en) System and method for predictive foliage impingement and wildfire management using generative adversarial network
CN104469305A (zh) 电网视频监控设备的故障检测方法和装置
Mousavi et al. Detecting incipient faults via numerical modeling and statistical change detection
KR102648377B1 (ko) 네트워크 케이블 품질 모니터링이 가능한 ai 통합배선반 및 이를 이용한 방법
KR102013141B1 (ko) 네트워크 장비의 이상 검출 장치 및 방법
Rawat et al. A dominance based rough set classification system for fault diagnosis in electrical smart grid environments
Paridari et al. Cyber-physical-security framework for building energy management system
KR102561675B1 (ko) 생산현장 가동 설비 상태 모니터링을 통한 고장진단 및 예측 시스템
KR102282505B1 (ko) 전기 설비의 이상 검출 장치 및 방법
Genge et al. Data fusion-base anomay detection in networked critical infrastructures
Hazarika et al. IOT based transformer health monitoring system: a survey
CN115037597A (zh) 一种故障检测方法及设备
Rayudu A knowledge-based architecture for distributed fault analysis in power networks
CN113570473B (zh) 设备故障监测方法、装置、计算机设备和存储介质
Hossain-McKenzie et al. Adaptive, cyber-physical special protection schemes to defend the electric grid against predictable and unpredictable disturbances
CN114742382A (zh) 一种配电房智能保护系统、方法及存储介质
US20220412805A1 (en) Air-core inductor with temperature measurement system
Hauer et al. A methodology for resilient control and monitoring in smart grids
Hammad et al. A deep-defense approach for next-gen cyber-resilient inter-dependent critical infrastructure systems
Kulkarni et al. Fault diagnosis for distributed systems using accuracy technique
CN112987693A (zh) 智能故障诊断系统及方法

Legal Events

Date Code Title Description
GRNT Written decision to grant