KR102356263B1 - 전력설비 관리 시스템 및 방법 - Google Patents
전력설비 관리 시스템 및 방법 Download PDFInfo
- Publication number
- KR102356263B1 KR102356263B1 KR1020200016913A KR20200016913A KR102356263B1 KR 102356263 B1 KR102356263 B1 KR 102356263B1 KR 1020200016913 A KR1020200016913 A KR 1020200016913A KR 20200016913 A KR20200016913 A KR 20200016913A KR 102356263 B1 KR102356263 B1 KR 102356263B1
- Authority
- KR
- South Korea
- Prior art keywords
- deep learning
- learning model
- integrated server
- sub
- diagnostic device
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 28
- 238000013136 deep learning model Methods 0.000 claims abstract description 148
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000004891 communication Methods 0.000 claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000007726 management method Methods 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예에 따르면, 하위 진단 장치 및 통합 서버를 포함하는 전력설비 관리 시스템에 있어서, 상기 하위 진단 장치는 전력설비에 배치된 센서로부터 전력설비 진단을 위한 계측 데이터를 수집하여 상기 통합 서버로 전송하는 제1통신부 및 상기 통합 서버로부터 수신한 제2딥러닝 모델을 이용하여 전력설비 진단을 수행하는 제1처리부를 포함하며, 상기 통합 서버는 복수개의 하위 진단 장치로부터 계측 데이터를 수집하는 제2통신부; 상기 계측 데이터를 학습하여 제1딥러닝 모델을 생성하는 제2처리부; 및 상기 제1딥러닝 모델에 적용된 가중치 중 일부를 생략한 상기 제2딥러닝 모델을 생성하여 상기 하위 진단 장치로 전송하는 제3처리부를 포함하는 전력설비 관리 시스템을 제공한다.
Description
본 발명의 일실시예는 전력설비 관리 시스템 및 방법에 관한 것이다.
헬스케어, IoT, 전력설비 진단 등 다양한 전력산업 분야에 인공지능 기술이 적용되고 있으나 딥러닝 모델 적용 시, 고사양의 서버(고비용)가 필요하며 전국 확대 적용시 모델 관리에 대한 필요성이 있다.
기존 인공지능 시스템의 경우, 고 사양의 서버로 인하여 하나의 통합서버(빅데이터, 인공지능 서버 등)에서 딥러닝 모델을 실행하여 하위 장치로 배포하는 구조를 가지고 있다.
이 방식의 경우 진단하고자 하는 대량의 모든 종류의 데이터를 받아 인공지능 모델을 학습시켜야 하기 때문에 데이터 센터 개념의 인공지능 서버가 필요하며 모델을 학습하고 실행하는데 많은 시간이 소요된다는 단점이 있다.
본 발명이 이루고자 하는 기술적 과제는 경량화 된 인공지능 모델을 하위 진단 장치에 적용하여 전력설비를 진단할 수 있는 전력설비 관리 시스템 및 방법을 제공하는데 있다.
또한, 진단 일치율이 현저히 떨어지는 데이터는 통합서버로 올려 재학습할 수 있는 전력설비 관리 시스템 및 방법을 제공하는데 있다.
또한, 해킹, 정보 유출 등의 문제점을 사전에 방지할 수 있으며, 네트워크 부하를 획기적으로 감소 시킬 수 있는 전력설비 관리 시스템 및 방법을 제공하는데 있다.
실시예에 따르면, 하위 진단 장치 및 통합 서버를 포함하는 전력설비 관리 시스템에 있어서, 상기 하위 진단 장치는 전력설비에 배치된 센서로부터 전력설비 진단을 위한 계측 데이터를 수집하여 상기 통합 서버로 전송하는 제1통신부 및 상기 통합 서버로부터 수신한 제2딥러닝 모델을 이용하여 전력설비 진단을 수행하는 제1처리부를 포함하며, 상기 통합 서버는 복수개의 하위 진단 장치로부터 계측 데이터를 수집하는 제2통신부; 상기 계측 데이터를 학습하여 제1딥러닝 모델을 생성하는 제2처리부; 및 상기 제1딥러닝 모델에 적용된 가중치 중 일부를 생략한 상기 제2딥러닝 모델을 생성하여 상기 하위 진단 장치로 전송하는 제3처리부를 포함하는 전력설비 관리 시스템을 제공한다.
상기 제3처리부는 상기 제1딥러닝 모델에 적용된 가중치 중 기 설정값 이하의 가중치의 값을 '0'으로 설정할 수 있다.
상기 제1처리부는 상기 제2딥러닝 모델을 통한 진단 일치율을 판단할 수 있다.
상기 제1처리부는 진단 일치율이 기 설정된 기준 일치율 이하인 경우 상기제1통신부를 통하여 해당되는 제2딥러닝 모델을 상기 통합 서버에 전송할 수 있다.
상기 제1처리부는 상기 제2딥러닝 모델에 중요 데이터로 분류된 데이터가 포함된 경우 상기 제2딥러닝 모델에 포함된 가중치값을 추출하여 상기 통합 서버에 전송할 수 있다.
상기 제2처리부는 진단 일치율 이하의 제2딥러닝 모델을 이용하여 재학습을 수행하고, 재학습된 제1딥러닝 모델을 생성하고, 상기 제3처리부는 상기 재학습된 제1딥러닝 모델을 이용하여 제2딥러닝 모델을 생성하여 상기 제2통신부를 통하여 상기 하위 진단 장치에 배포할 수 있다.
상기 통합 서버는 상기 제2딥러닝 모델을 하위 진단 장치 및 버전별로 저장하는 데이터베이스를 더 포함할 수 있다.
상기 제3처리부는 상기 데이터베이스에 포함된 제2딥러닝 모델 중 진단 일치율이 가장 높은 제2딥러닝 모델을 선정하여 상기 하위 진단 장치에 배포할 수 있다.
실시예에 따르면, 하위 진단 장치가 전력설비에 배치된 센서로부터 전력설비 진단을 위한 계측 데이터를 수집하여 상기 통합 서버로 전송하는 단계; 상기 통합 서버가 복수개의 하위 진단 장치로부터 계측 데이터를 수집하는 단계; 상기 통합 서버가 상기 계측 데이터를 학습하여 제1딥러닝 모델을 생성하는 단계; 상기 통합 서버가 상기 제1딥러닝 모델에 적용된 가중치 중 일부를 생략한 상기 제2딥러닝 모델을 생성하는 단계; 및 상기 통합 서버가 상기 제2딥러닝 모델을 상기 하위 진단 장치로 전송하는 단계; 및 상기 하위 진단 장치가 상기 통합 서버로부터 수신한 제2딥러닝 모델을 이용하여 전력설비 진단을 수행하는 단계를 포함하는 전력설비 관리 방법을 제공한다.
상기 제2딥러닝 모델을 생성하는 단계는, 상기 제1딥러닝 모델에 적용된 가중치 중 기 설정값 이하의 가중치의 값을 '0'으로 설정하는 단계를 포함할 수 있다.
상기 하위 진단 장치가 상기 제2딥러닝 모델을 통한 진단 일치율을 판단하는 단계를 더 포함할 수 있다.
상기 하위 진단 장치가 진단 일치율이 기 설정된 기준 일치율 이하인 경우 해당되는 제2딥러닝 모델을 상기 통합 서버에 전송하는 단계를 더 포함할 수 있다.
상기 통합 서버가 진단 일치율 이하의 제2딥러닝 모델을 이용하여 재학습을 수행하고, 재학습된 제1딥러닝 모델을 생성하는 단계; 및 상기 재학습된 제1딥러닝 모델을 이용하여 제2딥러닝 모델을 생성하여 상기 하위 진단 장치에 배포하는 단계를 더 포함할 수 있다.
본 발명인 전력설비 관리 시스템 및 방법은 경량화 된 인공지능 모델을 하위 진단 장치에 적용하여 전력설비를 진단할 수 있다.
또한, 진단 일치율이 현저히 떨어지는 데이터는 통합서버로 올려 재학습할 수 있다.
또한, 해킹, 정보 유출 등의 문제점을 사전에 방지할 수 있다.
또한, 네트워크 부하를 획기적으로 감소 시킬 수 있다.
도1은 실시예에 따른 전력설비 관리 시스템의 개념도이다.
도2는 실시예에따른 전력설비 관리 시스템의 구성 블록도이다.
도3은 실시예에 따른 제2처리부의 동작을 설명하기 위한 도면이다.
도4 내지 도6은 실시예에 따른 제3처리부의 동작을 설명하기 위한 도면이다.
도7은 실시예에 따른 전력설비 관리 방법의 순서도이다.
도2는 실시예에따른 전력설비 관리 시스템의 구성 블록도이다.
도3은 실시예에 따른 제2처리부의 동작을 설명하기 위한 도면이다.
도4 내지 도6은 실시예에 따른 제3처리부의 동작을 설명하기 위한 도면이다.
도7은 실시예에 따른 전력설비 관리 방법의 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
다만, 본 발명의 기술 사상은 설명되는 일부 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 기술 사상 범위 내에서라면, 실시 예들간 그 구성 요소들 중 하나 이상을 선택적으로 결합, 치환하여 사용할 수 있다.
또한, 본 발명의 실시예에서 사용되는 용어(기술 및 과학적 용어를 포함)는, 명백하게 특별히 정의되어 기술되지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 일반적으로 이해될 수 있는 의미로 해석될 수 있으며, 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미를 고려하여 그 의미를 해석할 수 있을 것이다.
또한, 본 발명의 실시예에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함할 수 있고, "A 및(와) B, C 중 적어도 하나(또는 한 개 이상)"로 기재되는 경우 A, B, C로 조합할 수 있는 모든 조합 중 하나 이상을 포함할 수 있다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다.
이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등으로 한정되지 않는다.
그리고, 어떤 구성 요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결, 결합 또는 접속되는 경우뿐만 아니라, 그 구성 요소와 그 다른 구성 요소 사이에 있는 또 다른 구성 요소로 인해 '연결', '결합' 또는 '접속' 되는 경우도 포함할 수 있다.
또한, 각 구성 요소의 "상(위) 또는 하(아래)"에 형성 또는 배치되는 것으로 기재되는 경우, 상(위) 또는 하(아래)는 두 개의 구성 요소들이 서로 직접 접촉되는 경우뿐만 아니라 하나 이상의 또 다른 구성 요소가 두 개의 구성 요소들 사이에 형성 또는 배치되는 경우도 포함한다. 또한, "상(위) 또는 하(아래)"으로 표현되는 경우 하나의 구성 요소를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도1은 실시예에 따른 전력설비 관리 시스템의 개념도이고, 도2는 실시예에따른 전력설비 관리 시스템의 구성 블록도이다.
도1 및 도2를 참조하면, 실시예에 따른 전력설비 관리 시스템(100)은 통합 서버(110) 및 복수개의 하위 진단 장치(120)를 포함할 수 있다.
하위 진단 장치(120)는 제1통신부(121) 및 제1처리부(122)를 포함하여 구성될 수 있다.
제1통신부(121)는 전력설비에 배치된 센서 모듈(10)로부터 전력설비 진단을 위한 계측 데이터를 수집하여 통합 서버(110)로 전송할 수 있다. 실시예에서 계측 데이터는 부하전류, 온도 데이터 등을 포함할 수 있다.
제1통신부(121)는 전력설비에 배치되어 전력설비 진단을 위한 다양한 파라미터를 계측하는 센서 모듈(10) 및 통합 서버(110)와 데이터 통신을 수행할 수 있다. 예를 들면, 제1통신부(121)는 무선랜(Wireless LAN: WLAN), 와이 파이(Wi-Fi), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등의 원거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
또는 제1통신부(121)는 블루투스, RFID(RadioFrequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비, 인접 자장 통신(NFC) 등이 포함될 수 있다. 또한, 유선 통신 기술로는, USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등의 근거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
예를 들면, 제1통신부(121)는 근거리 통신 기술을 사용하여 센서 모듈(10)과 데이터 통신을 수행하고, 원거리 통신 기술을 사용하여 통합 서버(110)와 데이터 통신을 수행할 수 있다, 그러나 이에 한정되는 것은 아니고, 제반 사항 등을 고려하여 다양한 통신 기술이 사용될 수 있다.
제1처리부(122)는 통합 서버(110)로부터 수신한 제2딥러닝 모델을 이용하여 전력설비 진단을 수행할 수 있다. 제2딥러닝 모델은 하위 진단 장치(120)에서 전송한 계측 데이터를 이용하여 통합 서버(110)에서 학습한 제 1딥러닝 모델의 축약 모델을 의미할 수 있다. 제1처리부(122)는 센서 모듈(10)로부터 수집한 계측 데이터를 제2딥러닝 모델에 적용하여 전력설비의 고장발생 여부, 고장 유형을 진단할 수 있다.
또한, 제1처리부(122)는 제2딥러닝 모델을 통한 진단 일치율을 판단할 수 있다. 제1처리부(122)는 제2딥러닝 모델에서 진단한 고장발생 여부 및 고장 유형을 실제 고장발생 여부 결과 및 고장 유형 조사 결과와 비교하여 진단 일치율을 판단할 수 있다. 실제 고장발생 여부 결과 및 고장 유형 조사 결과는 현장 작업자가 전력설비에 투입되어 판단한 결과로써 하위 진단 장치(120)에 마련된 유저 인터페이스부(미도시)를 통하여 입력될 수 있다.
제1처리부(122)는 진단 일치율이 기 설정된 기준 일치율 이하인 경우 제1통신부(121)를 통하여 해당되는 제2딥러닝 모델을 통합 서버(110)에 전송할 수 있다. 제1처리부(122)는 진단 일치율이 기준 일치율 이하로 판단되는 제2딥러닝 모델을 통합 서버(110)에 전송하여 재학습되도록 요청할 수 있다. 기준 일치율을 설정에 의하여 변경될 수 있으다. 예를 들면, 제1처리부(122)는 진단 일치율이 30%이하인 경우 해당되는 제2딥러닝 모델을 통합 서버(110)로 전송하여 재학습을 요청할 수 있다.
제1처리부(122)는 제2딥러닝 모델에 중요 데이터로 분류된 데이터가 포함된 경우 제2딥러닝 모델에 포함된 가중치값을 추출하여 통합 서버(110)에 전송할 수 있다. 실시예에서 중요 데이터란 설비 규정, 사내 규정, 법 규정 등에 따라 정보 공개가 허용되지 않는 데이터를 의미할 수 있다. 중요 데이터는 설정에 의하여 데이터별로 지정될 수 있다. 실시예에서, 부하전류, 온도 등 계측 데이터는 중요 데이터로 분류될 수 있다. 제1처리부(122)는 중요 데이터로 분류된 데이터가 제2딥러닝 모델에 포함되어 있을 경우, 제2딥러닝 모델 전체를 통합 서버(110)로 전송하지 않고, 제2딥러닝 모델에 적용된 가중치만을 추출하여 통합 서버(110)에 전송할 수 있다.
통합 서버(110)는 제2통신부(111), 제2처리부(112), 제3처리부(113) 및 데이터 베이스(114)를 포함하여 구성될 수 있다.
제2통신부(111)는 복수개의 하위 진단 장치(120)로부터 계측 데이터를 수집할 수 있다. 또한, 제2통신부(111)는 하위 진단 장치(120)별로 제2딥러닝 모델을 배포할 수 있다. 또한, 제2통신부(111)는 복수개의 하위 진단 장치(120)로부터 재학습 요청과 함께 재학습 대상인 제2딥러닝 모델을 수신할 수 있다.
제2통신부(111)는 복수개의 하위 진단 장치(120)와 데이터 통신을 수행할 수 있다. 예를 들면, 제2통신부(111)는 무선랜(Wireless LAN: WLAN), 와이 파이(Wi-Fi), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등의 원거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
또는 제2통신부(111)는 블루투스, RFID(RadioFrequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비, 인접 자장 통신(NFC) 등이 포함될 수 있다. 또한, 유선 통신 기술로는, USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등의 근거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
제2처리부(112)는 계측 데이터를 학습하여 제1딥러닝 모델을 생성할 수 있다.
제2처리부(112)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 프로세서는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다.
제2처리부(112)의 입력은 하위 진단 장치(120)별로 수집된 계측 데이터일 수 있으며, 제2처리부(112)의 출력은 고장발생 여부 및 고장 유형 정보를 포함하는 전력설비 진단 결과일 수 있다.
제2처리부(112)는 계측 데이를 입력층으로 하여, 계측 데이터와 전력설비 고장발생 여부 및 고장 유형간의 상관관계를 학습하고, 전력설비 진단 결과가 출력층이 되도록 학습된 뉴럴 네트워크를 포함할 수 있다.
제2처리부(112)는 순환신경망(RNN)모델 또는 합성곱신경망(CNN, Convolutional Neural Network)모델을 이용하여 제1딥러닝 모델을 생성할 수 있다.
제2처리부(112)는 계측 데이터를 순환신경망(RNN) 모델에 학습시켜 제2딥러닝 모델을 생성할 수 있다. 순환신경망 모델은 시계열 데이터의 딥러닝 모델을 만드는데 주로 사용되는 것으로, 제2처리부(112)는 계측 데이터의 트랜드 데이터를 통해 고장발생 여부 및 고장 유형을 구분하여 학습시킬 수 있다.
또는, 제2처리부(112)는 계측 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델에 학습시켜 제1딥러닝 모델을 생성할 수 있다. 제2처리부(112)는 합성곱 신경망의 n차원 변환 필터(n은 2이상의 자연수)를 통해 계측 데이터로부터 특징맵을 추출하여 제1딥러닝 모델을 생성할 수 있다.
또한, 제2처리부(112)는 진단 일치율 이하의 제2딥러닝 모델에 대응되는 제1딥러닝 모델을 이용하여 재학습을 수행하여 재학습된 제1딥러닝 모델을 생성할수 있다. 제2처리부(112)는 재학습 요청과 함께 수신한 제2딥러닝 모델을 이용하여 재학습을 수행할 수 있다. 이 때, 제2처리부(112)는 제2딥러닝 모델에서 추출된 가중치만을 수신하여 재학습을 수행할 수 있다.
도3은 실시예에 따른 제2처리부(112)의 동작을 설명하기 위한 도면이다. 도3을 참조하면, 제2처리부(112)는 계측 데이터인 지중케이블의 온도 크기 데이터와 부하전류 크기 데이터를 학습하여 고장 발생 여부와 고장 유형(외부화재, 선로고장)을 판단하는 제1딥러닝 모델을 생성할 수 있다. 제1처리부(122)는 정상일 경우 케이블 온도 크기의 변화와 부하전류의 크기 변동이 크지 않으며, 케이블 내부 고장이 아닌 전력구, 공동구 등 외부요인에 의해 화재가 발생할 경우 부하전류의 크기는 변동이 없으며 온도 값만 상승하며, 케이블 내부 고장상황이 발생할 경우 케이블 온도 및 부하전류 크기가 크게 변동한다는 경험적 과정을 학습하여 제1딥러닝 모델을 생성할 수 있다.
다시 도1 및 도2를 참조하면, 제3처리부(113)는 제1딥러닝 모델에 적용된 가중치 중 일부를 생략한 제2딥러닝 모델을 생성하고, 제2통신부(111)를 통하여 하위 진단 장치(120)로 전송할 수 있다. 제2딥러닝 모델은 제1딥러닝 모델을 구성하는 레이어간 가중치 중 일부가 생략된 모델을 의미할 수 있다. 예를 들면, 제3처리부(113)는 제1딥러닝 모델에 적용된 가중치 중 기 설정값 이하의 가중치의 값을 '0'으로 설정하여 제2딥러닝 모델을 생성할 수 있다.
도4 내지 도6은 실시예에 따른 제3처리부(113)의 동작을 설명하기 위한 도면이다. 도4를 참조하면, 제1딥러닝 모델을 구성하는 입력층, 은닉층, 출력층 간에는 가중치가 적용되며, 제1딥러닝 모델은 입력되는 계측 데이터와 가중치간의 다중 연산에 따라 전력설비 진단 결과를 출력하도록 학습될 수 있다.
도5를 참조하면, 제3처리부(113)는 입력층, 은닉층, 출력층 간에 적용되는 가중치 중 전력설비 진단 결과에 영향이 크지 않은 일부 가중치를 생략하여(점선처리 된 부분) 제2딥러닝 모델을 생성할 수 있다. 제3처리부(113)는 가중치 값이 기 설정값 이하인 경우 해당 가중치를 '0'으로 설정함으로써 해당 가중치를 생략시킬 수 있다. 기 설정값은 설정에 의하여 변경될 수 있다. 예를 들어, 기 설정값을 크게 설정할수록 생략되는 가중치가 많아지며, 제2딥러닝 모델은 제1딥러닝 모델과 비교하여 더욱 단순화 될 수 있다.
도6은 각각의 가중치를 매트릭스 형식으로 표현한 것이다. 도6을 참조하면, 좌측 제1딥러닝 모델과 비교하여 제2딥러닝 모델의 매트릭스에는 '0'으로 설정된 가중치가 많이 분포되어 있음을 확인할 수 있다.
다시 도1 및 도2를 참조하면, 제3처리부(113)는 재학습된 제1딥러닝 모델을 이용하여 제2딥러닝 모델을 생성하여 제2통신부(111)를 통하여 하위 진단 장치(120)에 배포할 수 있다. 재학습 과정을 통한 제1딥러닝 모델 및 제2딥러닝 모델을 생성하는 과정은 전술한 제1딥러닝 모델 및 제2딥러닝 모델을 생성하는 과정과 동일할 수 있다. 다만, 재학습 과정에서는 재학습 요청시 수신한 제2딥러닝 모델 또는 가중치를 초기값으로 설정하여 재학습을 수행한다는 차이점이 있다.
또한, 제3처리부(113)는 데이터 베이스(114)에 포함된 제2딥러닝 모델 중 진단 일치율이 가장 높은 제2딥러닝 모델을 선정하여 하위 진단 장치(120)에 배포할 수 있다. 제3처리부(113)는 하위 진단장치로부터 재학습 요청이 있을 경우, 해당 하위 진단 장치(120)에 적용가능한 제2딥러닝 모델 중 가장 진단 일치율이 높은 모델을 검색하여 제공할 수 있다. 즉, 제3처리부(113)는 재학습 요청에 따라 재학습된 제2딥러닝 모델 및 데이터 데이터 베이스(114)에 포함된 제2딥러닝 모델 중 진단 일치율이 가장 높은 제2딥러닝 모델 중 적어도 하나를 하위 진단 장치(120)에 배포할 수 있다.
데이터 베이스(114)는 제2딥러닝 모델을 하위 진단 장치(120) 및 버전별로 저장하는 데이터 베이스(114)를 더 포함할 수 있다. 데이터 베이스(114)는, 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 전력 설비 관리 시스템은 인터넷(internet) 상에서 데이터 베이스(114)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 웹 스토리지와 관련되어 동작할 수도 있다
데이터 베이스(114)는 제1딥러닝 모델과 제2딥러닝 모델을 학습 버전별로 구분하여 저장할 수 있다. 또한, 데이터 베이스(114)는 각 딥러닝 모델을 하위 진단 장치(120)별로 구분하여 저장할 수 있다.
또한, 데이터 베이스(114)는, 전력설비 관리 시스템이 동작하는데 필요한 데이터와 프로그램 등을 저장할 수 있다.
또한, 데이터 베이스(114)는, 다양한 사용자 인터페이스(User Interface: UI) 또는 그래픽 사용자 인터페이스(Graphic User Interface: GUI)를 저장할 수 있다.
도7은 실시예에 따른 전력설비 관리 방법의 순서도이다.
먼저, 하위 진단 장치는 전력설비에 배치된 센서 모듈로부터 전력설비 진단을 위한 계측 데이터를 수집하여 통합 서버로 전송한다(S701).
다음으로, 통합 서버는 계측 데이터를 학습하여 제1딥러닝 모델을 생성한다(S702).
다음으로, 통합 서버는 제1딥러닝 모델에 적용된 가중치 중 일부를 생략한 제2딥러닝 모델을 생성한다. 통합 서버는 제1딥러닝 모델에 적용된 가중치 중 기 설정값 이하의 가중치의 값을 '0'으로 설정하여 제2딥러닝 모델을 생성할 수 있다(S703).
다음으로, 통합 서버는 제2딥러닝 모델을 하위 진단 장치로 전송한다(S704).
다음으로, 하위 진단 장치는 통합 서버로부터 수신한 제2딥러닝 모델을 이용하여 전력설비 진단을 수행한다(S705).
다음으로, 하위 진단 장치는 제2딥러닝 모델을 통한 진단 일치율을 판단한다(S706).
다음으로, 하위 진단 장치는 진단 일치율이 기 설정된 기준 일치율 이하인 경우 해당되는 제2딥러닝 모델을 통합 서버에 전송한다(S707).
다음으로, 통합 서버는 진단 일치율 이하의 제2딥러닝 모델을 이용하여 재학습을 수행하여 제1딥러닝 모델을 생성한다(S708).
다음으로, 통합 서버는 재학습된 제1딥러닝 모델을 이용하여 제2딥러닝 모델을 생성하고 하위 진단 장치에 배포한다(S709~710).
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 전력설비 관리 시스템
110: 통합 서버
111: 제2통신부
112: 제2처리부
113: 제3처리부
114; 데이터 베이스
120: 하위 진단 장치
121: 제1통신부
122: 제1처리부
110: 통합 서버
111: 제2통신부
112: 제2처리부
113: 제3처리부
114; 데이터 베이스
120: 하위 진단 장치
121: 제1통신부
122: 제1처리부
Claims (14)
- 하위 진단 장치 및 통합 서버를 포함하는 전력설비 관리 시스템에 있어서,
상기 하위 진단 장치는 전력설비에 배치된 센서 모듈로부터 전력설비 진단을 위한 계측 데이터를 수집하여 상기 통합 서버로 전송하는 제1통신부 및 상기 통합 서버로부터 수신한 제2딥러닝 모델을 이용하여 전력설비 진단을 수행하는 제1처리부를 포함하며,
상기 통합 서버는 복수개의 하위 진단 장치로부터 계측 데이터를 수집하는 제2통신부 및 상기 계측 데이터를 학습하여 제1딥러닝 모델을 생성하는 제2처리부; 및
상기 제1딥러닝 모델에 적용된 가중치 중 일부를 생략한 상기 제2딥러닝 모델을 생성하여 상기 하위 진단 장치로 전송하는 제3처리부를 포함하며,
상기 제1처리부는 상기 제2딥러닝 모델에 설비 규정, 사내 규정 및 법 규정 중 적어도 하나에 따라 정보 공개가 허용되지 않는 데이터로 분류된 중요 데이터가 포함된 경우, 상기 중요 데이터를 포함하는 제2딥러닝 모델의 가중치값을 추출하여 상기 통합 서버에 전송하며,
상기 제2딥러닝 모델은 상기 하위 진단 장치에서 상기 통합 서버로 전송한 계측 데이터를 이용하여 상기 통합 서버에서 학습한 상기 제 1딥러닝 모델로부터 일부 가중치가 생략된 축약 모델이며,
상기 제2딥러닝 모델은 상기 통합 서버로부터 학습용 계측 데이터를 전송한 하위 진단 장치에 따라 각각 분배되며,
상기 하위 진단 장치의 상기 제1처리부는 상기 센서 모듈로부터 수집한 계측 데이터를 상기 통합 서버로부터 분배받은 상기 제2딥러닝 모델에 적용하여 전력설비의 고장발생 여부 및 고장 유형을 진단하는 전력설비 관리 시스템.
- 제1항에 있어서,
상기 제3처리부는 상기 제1딥러닝 모델에 적용된 가중치 중 기 설정값 이하의 가중치의 값을 '0'으로 설정하는 전력설비 관리 시스템.
- 제1항에 있어서,
상기 제1처리부는 상기 제2딥러닝 모델을 통한 진단 일치율을 판단하는 전력설비 관리 시스템.
- 제3항에 있어서,
상기 제1처리부는 진단 일치율이 기 설정된 기준 일치율 이하인 경우 상기제1통신부를 통하여 해당되는 제2딥러닝 모델을 상기 통합 서버에 전송하는 전력설비 관리 시스템.
- 삭제
- 제4항에 있어서,
상기 제2처리부는 진단 일치율 이하의 제2딥러닝 모델을 이용하여 재학습을 수행하고, 재학습된 제1딥러닝 모델을 생성하고,
상기 제3처리부는 상기 재학습된 제1딥러닝 모델을 이용하여 제2딥러닝 모델을 생성하여 상기 제2통신부를 통하여 상기 하위 진단 장치에 배포하는 전력설비 관리 시스템.
- 제6항에 있어서,
상기 통합 서버는 상기 제2딥러닝 모델을 하위 진단 장치 및 버전별로 저장하는 데이터베이스를 더 포함하는 전력설비 관리 시스템.
- 제7항에 있어서,
상기 제3처리부는 상기 데이터베이스에 포함된 제2딥러닝 모델 중 진단 일치율이 가장 높은 제2딥러닝 모델을 선정하여 상기 하위 진단 장치에 배포하는 전력설비 관리 시스템.
- 하위 진단 장치가 전력설비에 배치된 센서 모듈로부터 전력설비 진단을 위한 계측 데이터를 수집하여 통합 서버로 전송하는 단계;
상기 통합 서버가 복수개의 하위 진단 장치로부터 계측 데이터를 수집하는 단계;
상기 통합 서버가 상기 계측 데이터를 학습하여 제1딥러닝 모델을 생성하는 단계;
상기 통합 서버가 상기 제1딥러닝 모델에 적용된 가중치 중 일부를 생략한 제2딥러닝 모델을 생성하는 단계; 및
상기 통합 서버가 상기 제2딥러닝 모델을 상기 하위 진단 장치로 전송하는 단계;
상기 하위 진단 장치가 상기 통합 서버로부터 수신한 제2딥러닝 모델을 이용하여 전력설비 진단을 수행하는 단계; 및
상기 하위 진단 장치가 상기 제2딥러닝 모델에 설비 규정, 사내 규정 및 법 규정 중 적어도 하나에 따라 정보 공개가 허용되지 않는 데이터로 분류된 중요 데이터가 포함된 경우, 상기 중요 데이터를 포함하는 제2딥러닝 모델의 가중치값을 추출하여 상기 통합 서버에 전송하는 단계를 포함하며,
상기 제2딥러닝 모델은 상기 하위 진단 장치에서 상기 통합 서버로 전송한 계측 데이터를 이용하여 상기 통합 서버에서 학습한 상기 제 1딥러닝 모델로부터 일부 가중치가 생략된 축약 모델이며,
상기 제2딥러닝 모델은 상기 통합 서버로부터 학습용 계측 데이터를 전송한 하위 진단 장치에 따라 각각 분배되며,
상기 하위 진단 장치는 상기 센서 모듈로부터 수집한 계측 데이터를 상기 통합 서버로부터 분배받은 상기 제2딥러닝 모델에 적용하여 전력설비의 고장발생 여부 및 고장 유형을 진단하는 전력설비 관리 방법.
- 제9항에 있어서,
상기 제2딥러닝 모델을 생성하는 단계는, 상기 제1딥러닝 모델에 적용된 가중치 중 기 설정값 이하의 가중치의 값을 '0'으로 설정하는 단계를 포함하는 전력설비 관리 방법.
- 제9항에 있어서,
상기 하위 진단 장치가 상기 제2딥러닝 모델을 통한 진단 일치율을 판단하는 단계를 더 포함하는 전력설비 관리 방법.
- 제11항에 있어서,
상기 하위 진단 장치가 진단 일치율이 기 설정된 기준 일치율 이하인 경우 해당되는 제2딥러닝 모델을 상기 통합 서버에 전송하는 단계를 더 포함하는 전력설비 관리 방법.
- 제12항에 있어서,
상기 통합 서버가 진단 일치율 이하의 제2딥러닝 모델을 이용하여 재학습을 수행하고, 재학습된 제1딥러닝 모델을 생성하는 단계; 및 상기 재학습된 제1딥러닝 모델을 이용하여 제2딥러닝 모델을 생성하여 상기 하위 진단 장치에 배포하는 단계를 더 포함하는 전력설비 관리 방법.
- 제9항 내지 제13항 중 어느 한항에 따른 전력설비 관리 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200016913A KR102356263B1 (ko) | 2020-02-12 | 2020-02-12 | 전력설비 관리 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200016913A KR102356263B1 (ko) | 2020-02-12 | 2020-02-12 | 전력설비 관리 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210102649A KR20210102649A (ko) | 2021-08-20 |
| KR102356263B1 true KR102356263B1 (ko) | 2022-01-28 |
Family
ID=77466758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200016913A KR102356263B1 (ko) | 2020-02-12 | 2020-02-12 | 전력설비 관리 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102356263B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240039877A (ko) * | 2022-09-20 | 2024-03-27 | 현대자동차주식회사 | 설비 고장 예측 진단 장치 및 그 방법 |
| KR102618658B1 (ko) * | 2023-07-20 | 2023-12-28 | 주식회사 비츠로이엠 | 에너지 하베스팅을 이용한 수배전반 시스템 및 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101874286B1 (ko) * | 2018-02-09 | 2018-08-02 | 이황희 | 전력설비 모니터링 및 진단 시스템 |
| KR101988504B1 (ko) * | 2019-02-28 | 2019-10-01 | 아이덴티파이 주식회사 | 딥러닝에 의해 생성된 가상환경을 이용한 강화학습 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101864412B1 (ko) * | 2017-12-28 | 2018-06-04 | (주)휴톰 | 학습용 데이터 관리방법, 장치 및 프로그램 |
| KR20200014129A (ko) * | 2018-07-31 | 2020-02-10 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 변압기 진단 방법 |
-
2020
- 2020-02-12 KR KR1020200016913A patent/KR102356263B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101874286B1 (ko) * | 2018-02-09 | 2018-08-02 | 이황희 | 전력설비 모니터링 및 진단 시스템 |
| KR101988504B1 (ko) * | 2019-02-28 | 2019-10-01 | 아이덴티파이 주식회사 | 딥러닝에 의해 생성된 가상환경을 이용한 강화학습 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210102649A (ko) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180063265A1 (en) | Machine learning techniques for processing tag-based representations of sequential interaction events | |
| JP2021532488A (ja) | データセットのための機械学習モデルの好適性の決定 | |
| CN110166462B (zh) | 访问控制方法、系统、电子设备及计算机存储介质 | |
| CN112153000B (zh) | 网络流量异常的检测方法、装置、电子装置和存储介质 | |
| CN110046706B (zh) | 模型生成方法、装置及服务器 | |
| KR102356263B1 (ko) | 전력설비 관리 시스템 및 방법 | |
| US20220351083A1 (en) | Gui for configuring machine-learning services | |
| US11901969B2 (en) | Systems and methods for managing physical connections of a connector panel | |
| US11182697B1 (en) | GUI for interacting with analytics provided by machine-learning services | |
| CN114004328A (zh) | Ai模型更新的方法、装置、计算设备和存储介质 | |
| US20190156231A1 (en) | User segmentation using predictive model interpretation | |
| US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
| Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
| CN117616431A (zh) | 针对大规模数据的可解释的机器学习 | |
| Ma et al. | Detecting anomalies in small unmanned aerial systems via graphical normalizing flows | |
| US20220207863A1 (en) | Object detection device, object detection method, program, and recording medium | |
| US20240070449A1 (en) | Systems and methods for expert guided semi-supervision with contrastive loss for machine learning models | |
| CN110427870B (zh) | 眼部图片识别方法、目标识别模型训练方法及装置 | |
| CN116821661A (zh) | 时序数据监测方法、装置、电子设备及非易失性存储介质 | |
| KR102321650B1 (ko) | 크라우드소싱 기반 프로젝트의 특성에 따른 머신러닝 모델의 학습 성능 개선 방법 및 장치 | |
| US20210168195A1 (en) | Server and method for controlling server | |
| EP3686812A1 (en) | System and method for context-based training of a machine learning model | |
| CN116756554A (zh) | 对齐模型的训练方法、装置、设备、介质及程序产品 | |
| Saad et al. | Reinforcement Learning for Intrusion Detection | |
| CN116050508B (zh) | 神经网络训练方法以及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |