KR102420120B1

KR102420120B1 - 전력량 측정장치의 이상상태 모니터링 시스템

Info

Publication number: KR102420120B1
Application number: KR1020220030625A
Authority: KR
Inventors: 강철수
Original assignee: 강철수
Priority date: 2022-03-11
Filing date: 2022-03-11
Publication date: 2022-07-11

Abstract

본 발명은 전원 회로부, 전압 센싱부, 전류 센싱부, 연산부(MCU)를 포함하여 이루어진 전자식 전력량 측정장치의 이상상태 모니터링 시스템에 관한 것으로, 전원 회로부, 전압 센싱부, 전류 센싱부, 연산부(MCU), 디스플레이부 및 데이터 통신부를 포함하여 이루어진 전자식 전력량 측정장치의 이상상태 모니터링 시스템에 있어서, 상기 전자식 전력량 측정장치의 부품, 온도와 습도 데이터의 이상 신호를 모니터링하는 로컬 장치와 상기 전력량 측정장치의 부품, 온도와 습도 데이터에 이상 신호가 있으면, 상기 로컬 장치로부터 해당 데이터를 수신하여, 수집 및 처리된 데이터를 전송하는 제어장치와 상기 제어장치로부터 이상 신호를 수신하고, 상기 각 부품별 상태를 산출하고, 상기 각 상태를 종합하여 상기 전력량 측정장치의 상태를 산출하는 진단 장치 및 상기 진단 장치로부터 전달받은 상기 전력량 측정장치의 상태 정보를 머신러닝 알고리즘에 의해 분석하여, 상기 분석 결과를 바탕으로 상기 전력량 측정장치의 상태에 대한 예측 정보를 산출하여 제공하는 머신러닝 모듈을 포함하는 서버부를 포함하는 것을 특징으로 하는 것이다.

Description

전력량 측정장치의 이상상태 모니터링 시스템{Electronic meter measuring device of abnormal condition monitoring system}

본 발명은 전력량 측정장치의 이상상태 모니터링 시스템에 관한 것으로, 더욱 자세하게는 인공지능 머신러닝을 이용하여 데이터를 분석, 전력량 측정장치의 상태를 모니터링을 할수 있는 전력량 측정장치의 이상상태 모니터링 시스템에 과한 것이다.

현재 세계적으로 에너지 부족, 에너지 생산을 위한 비용 증가, 환경문제 등으로 인하여 에너지 관련 문제가 증대되고 있다. 이러한 가운데 전기 에너지는 우리의 삶과 밀접한 관계를 가지고 있다. 전기 에너지는 전력량계에 의해 소비전력 및 에너지가 관리되고 있는데, 기존의 기계식 전력량계는 전자식 전력량계로 모두 다 교체되고 있는 추세이다.

스마트 그리드, 마이크로 그리드 형태의 전력공급 시스템이 부각되면서 실시간 양방향 통신을 통한 전력소비 현황 원격 검침이 가능한 전자식 전력량계가 개발되고 있다.

이러한 전자식 전력량계 등과 같은 계측수단을 통하여 전기 에너지의 사용을 효율적으로 줄이기 위한 한 가지 방안으로, 기업 내에서는 그룹별 또는 구역별로 전력량을 할당하고 각 그룹이나 구역에 전력량계를 설치하여 담당자를 지정하고 관리하는 추세이다.

그리고, 최근에는 전력량을 측정할수 있는 전력량 측정장치를 제어할수 있는 시스템에 대한 연구가 있어 왔으며, 이에 관한 개발도 지속적으로 이루어지고 있다.

또한, 이러한 전력량 측정장치를 인공지능을 이용한 기술의 개발이 중차대하게 부각되어 오고 있다.

또한, 전자식 전력량 측정장치의 최적으로 제어하는 시스템과 상기 전자식 측정장치를 모니터링하는 시스템과 방법에 관한 기술에 대한 연구와 개발도 활발하게 이루어지고 있다.

대한민국 특허등록 제10-1692316호 대한민국 특허공개 제2003-0006845호 대한민국 특허등록 제10-0900273호

따라서, 본 발명은 전력량 측정장치로부터 정상 및 이상 상태의 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고, 이를 스스로 학습하는 머신러닝을 적용시킬 수 있는 전력량 측정장치의 이상 상태를 모니터링할수 있는 시스템을 제공할 수 있는 것을 목적으로 한다.

또한, 전력량 측정장치를 이루는 부품 등과 같은 구성요소들의 상태를 파악하여 모니터링할수 있는 시스템을 제공할 수 있는 것을 목적으로 한다.

본 발명의 목적은 위에서 언급한 목적으로 제한되는 것은 아니며, 언급되지 않은 다른 목적들은 아래의 기재로부터 명확한 이해가 될 것이다.

이러한 목적을 달성하기 위하여 본 발명은 전원 회로부, 전압 센싱부, 전류 센싱부, 연산부(MCU), 디스플레이부 및 데이터 통신부를 포함하여 이루어진 전자식 전력량 측정장치의 이상상태 모니터링 시스템에 있어서, 상기 전자식 전력량 측정장치의 부품, 온도와 습도 데이터의 이상 신호를 모니터링하는 로컬 장치와 상기 전자식 전력량 측정장치의 부품, 온도와 습도 데이터에 이상 신호가 있으면, 상기 로컬 장치로부터 해당 데이터를 수신하여, 수집 및 처리된 데이터를 전송하는 제어장치와 상기 제어장치로부터 이상 신호를 수신하고, 상기 각 부품별 상태를 산출하고, 상기 각 상태를 종합하여 상기 전자식 전력량 측정장치의 상태를 산출하는 진단 장치 및 상기 진단 장치로부터 전달받은 상기 전력략 측정장치의 상태 정보를 머신러닝 알고리즘에 의해 분석하여, 상기 분석 결과를 바탕으로 상기 전력량 측정장치의 상태에 대한 예측 정보를 산출하여 제공하는 머신러닝 모듈을 포함하는 서버부와 모니터링 대상 전력량 측정장치의 생산 정보를 데이터베이스 테이블에 저장하는 메모리부와 상기 모니터링 대상 전력량 측정장치의 영상을 촬영하는 영상 촬영부; 및 상기 데이터베이스 테이블에 저장된 정보를 기반으로 상기 영상을 분석하여 상기 모니터링 대상 전력량 측정장치로부터 수량을 검출하는 분석 판정부와 정상상태의 전력량 측정장치를 획득한 영상을 학습 데이터로서 수집하고, 상기 학습 데이터 및 상기 정보를 기반으로 머신러닝(Machine Learning)을 수행하여 학습 모델을 구축하는 학습 모델 구축부와 상기 메모리부, 상기 영상 촬영부, 상기 학습 모델 구축부 및 상기 분석 판정부의 동작을 제어하는 제어부로 이루어지는 단말기를 포함하는 것을 특징으로 하는 것이다.

또한, 상기 제어장치는 상기 전력량 측정장치의 상태 정보를 토대로 하여, 온도와 전압이 과부하가 되면 상기 전력량 측정장치의 작동을 오프시키는 것을 특징으로 하는 것이다.

또한, 상기 데이터는 지도학습의 분류와 회귀를 통하여 분석모델을 적용한 것을 특징으로 하는 것이다.

그리고, 상기 머신러닝 모듈의 데이터 처리의 순서는 데이터를 수집하는 단계와 상기 데이터를 가공하는 단계와 상기 데이터를 저장하는 단계와 상기 데이터를 머신러닝으로 분석하는 단계와 상기 분석된 데이터를 통하여 정보를 표시하는 단계를 포함하는 것을 특징으로 한다.

그리고, 전력량 측정장치의 이상상태 모니터링 방법에 있어서, 로컬 장치에서 전력량 측정장치의 이상 신호를 모니터링하는 단계와 상기 로컬 장치로부터 상기 전력량 측정장치의 이상신호의 데이터를 제어장치가 수신하여 처리하는 단계와 상기 제어장치가 데이터를 진단장치로 전송하면, 상기 진단장치가 수신하여 각 부품별 상태를 토대로 이상신호 이벤트를 분류하는 단계와 상기 진단장치에서 이상신호와 상태 정보를 서버부에서 수신하여 머신러닝을 이용하여 분석하는 단계와 상기 전력량 측정장치의 개선에 관한 피드백 정보를 단말기를 통하여 통보하는 단계를 포함하는 것을 특징으로 하는 것이다.

따라서, 본 발명은 빅데이터 처리를 하여 획득한 데이터를 통해서 전력량 측정치의 제어가 최적화되도록 하기 위한 전자식 전력량 측정장치의 이상상태 모니터링 시스템을 제공할 수 있는 효과가 있는 것이다.

또한, 본 발명은 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 이를 스스로 기계학습하는 머신러닝을 적용시킬 수 있는 효과가 있는 것이다.

도 1은 전력량 측정장치의 구성도.
도 2는 본 발명에 의한 전자식 전력량 측정장치의 이상상태 모니터링 시스템의 구성도.
도 3은 빅데이부의 데이터 처리순서를 나타내는 흐름도.
도 4는 머신러닝을 이용하여 분석하는 과정을 나타내는 도면.
도 5는 단말기를 설명하기 위하여 도시한 블록도.
도 6은 전력량 측정장치의 이상상태 모니터링 방법의 흐름도.

이하에서는 본 발명의 양호한 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시가 되더라도 가능한 한 동일 부호를 가지도록 하고 있음에 유의하여야 한다.

또한, 하기에서 본 발명을 설명함에 있어 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

또한, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위하여 사용된 것에 불과하므로, 본 발명을 한정하려는 의도가 아니며 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현도 의미하는 것임을 미리 밝혀두고자 한다.

도 1은 전력량 측정장치의 구성도이고, 도 2는 본 발명에 의한 전자식 전력량 측정장치의 이상상태 모니터링 시스템의 구성도이고, 도 3은 빅데이부의 데이터 처리순서를 나타내는 흐름도이고, 도 4는 머신러닝을 이용하여 분석하는 과정을 나타내는 도면이고, 도 5는 단말기를 설명하기 위하여 도시한 블록도이고, 도 6은 전력량 측정장치의 이상상태 모니터링 방법의 흐름도이다.

도 1을 참조하여 본 발명의 바람직한 실시예를 설명하면, 전자식 전력량 측정장치는 전자식 전력량계로서 전력량 등을 계측하는 장치인데, 이하에서는 상기 전자식 전력량계인 전력량 측정장치(10)에 관하여 설명하기로 한다.

상기 전력량 측정장치(10)는, 교류전원 등을 계측하여 수용가의 전력량등을 정기적으로 검측/ 계측할 수 있는 장비로서, 계량장치인 것이다. 즉, 수용가의 수배전반 또는 가정의 자택에 설치되어 전력량을 검침하고 자가진단을 하는 계측장치이다.

이러한 기능을 갖는 상기 전자식 전력량계(10)는, 도시된 바와 같이, 전원 회로부(11), 전압 센싱부(12), 전류 센싱부(13), 연산부(MCU:14)를 포함하여 구성된다.

상기 전원 회로부(11)는, 교류전원을 인가 받아 직류로 변환하고, 변환된 직류전원을 연산부(14) 및 회로 전반에 공급한다.

상기 전압 센싱부(12)는, 교류전원의 전압 신호를 검출한다 상기 전류 센싱부(13)는, 교류전원의 전류 신호를 검출한다.

본 발명의 상기 연산부(MCU:14)는, 상기 전압 센싱부(12) 및 전류 센싱부(13)에서 검출된 전압·전류신호를 아날로그/디지털 변환기(A/D converter)를 통해 디지털 신호로 변환하고, 연산하여 소비전력을 계산한다.

이러한 본 발명에 따른 전기 사고 감지 및 차단 기능도 가지는 전자식 전력량 측정장치인 상기 전자식 전력량계(10)는 디스플레이부(15)와, 데이터 통신부(16)를 더 포함하여 구성된다.

또한, 상기 디스플레이부(15)는, 상기 연산부(14)에 각각 연결되어, 데이터를 실시간 모니터링하도록 구성된다.

또한, 상기 데이터 통신부(16)는, 유선 또는 무선 데이터 통신을 통하여 상기 데이터를 원격으로 송·수신하도록 구성된다.

이하, 도 2를 참조하여 본 발명에 의한 전자식 전력량 측정장치의 이상상태 모니터링 시스템을 설명하기로 한다.

우선, 본 발명에 의한 전자식 전력량 측정장치의 이상상태 모니터링 시스템의 로컬 장치(20)는 상기 전자식 전력량 측정장치(10)의 부품, 온도와 습도 데이터의 이상 신호를 모니터링한다.

여기서, 상기 부품이란 앞서 설명한 전원 회로부(11), 전압 센싱부(12), 전류 센싱부(13), 연산부(MCU:14), 디스플레이부(15) 및 데이터 통신부(16)를 포함하며, 온습도 데이터(미도시), 배터리(미도시), 기타 부품을 포함하는 것이다.

도시된 바와 같이, 로컬장치(20)는 이에 해당하는 데이터 액세스부(21) 및 제어부(22)를 포함한다.

상기 로컬 장치(20)의 이상신호를 모니터링하는 방식에 대한 설명을 하기로 한다.

1) 전력량 측정장치(10)를 모니터링하는 센서(미도시)를 통해 데이터 취득

2) 로컬장치(20)의 제어부(22)에서 이벤트로 여겨질 수 있는 데이터를 별도로 선별하여, IEC61850 프로토콜 기반으로 이벤트 데이터를 발생시킴

3) 이벤트 데이터 전처리

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

5) 결과 보고

다음으로, 제어장치(30)에서는 상기 로컬 장치(20)로부터 전력량 측정장치(10)의 부품, 온도와 습도 데이터에 이상 신호가 있으면, 해당하는 데이터를 수신하여, 수집 및 처리된 데이터를 진단장치(50)로 전송하는 역할을 하는 것이다.

이것은 로컬장치(20)의 제어부(22)는 데이터 액세스부(21)로부터 상기 이벤트 데이터를 수신하여, 특정 시간에 수집 및 처리한 제2 이벤트 데이터를 진단장치(50)로 전송하는 것이다.

상기 제어장치(30)는 상기 로컬장치(20)의 해당 데이터를 수신하여, 수집 및 처리된 데이터를 상기 진단 장치(50)로 전송하는 역할을 하는 것이다.

상기 진단장치(50)는 전력량 측정장치(10)의 구성요소인 전원 회로부(11), 전압 센싱부(12), 전류 센싱부(13), 데이터 통신부(16) 등과 관련된 이벤트 데이터를 수신할 수 있다.

한편, 진단장치(50)는 상기 제어장치(30)와 상호작용에 의해 상기 제2 이벤트 데이터에 대한 분류 결과를 관리할 수 있다. 이때, 상기 관리된 분류 결과와 상기 로컬장치(20)로부터 획득한 이상 신호에 기반하여, 이상 신호의 발생횟수 등의 통계, 고장률, 수명손실, 신뢰성을 산출할 수 있다.

그리고, 상기 제어장치(30)는 상기 전력량 측정장치(10)의 상태 정보를 토대로 하여, 온도와 전압이 과부하가 되면 상기 전력량 측정장치(10)의 작동을 오프시키는 작동을 하는데, 이것은 결국, 차단기 역할을 하는 것과 동일하며, 이러한 사실을 관리자에게 통보하여 적절한 조치를 취할 수 있도록 하는 것이다.

더 나아가, 상기 전력량 측정장치(10)는 내부의 전압값 또는 전류값으로부터 아크 발생 여부(과부하, 과전류, 전압/전류 고조파)를 감지할수 있는 스파크 감지부(미도시)를 더 구비된다. 따라서, 상기 스파크 감지부는 상기 제어장치(30)와 서로 연동하는 것이다.

진단 장치(50)는 상기 제어장치(30)로부터 이상 신호를 수신하고, 상기 전력량 측정장치(10)의 각 부품별 상태를 산출하고, 상기 각 상태를 근거로 하여 전력량 측정장치(10)의 상태를 산출하는 것이다.

진단 장치(50)의 내부에서 진단 요청의 처리를 하며, 이상 신호 이벤트를 분류하는데, 그 내용의 순서는 다음과 같다.

1) 이벤트 파일 확인

2) 이벤트 파일 전처리

3) 분류 알고리즘을 이용한 이상 신호의 분류

4) 분류 결과의 저장과 진단장치(50)에서의 확인

한편, 상기 진단장치(50) 및 상기 로컬장치(20)에서의 CNN 학습 알고리즘의 학습은 다음과 같이 구체적으로 수행될 수 있다.

전처리된 데이터는 256 x 128 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, 전력량 측정장치(10)의 구성요소 별로 분류할 파형의 종류에 따라 결정될 수 있다.

이때, 도 2의 서버부(60)는 상기 진단장치(50)로부터 전달받은 상기 전력량 측정장치(10)의 이상신호를 비롯한 상태 정보를 머신러닝 알고리즘에 의해 분석하여, 상기 분석 결과를 바탕으로 상기 전력량 측정장치(10)의 상태에 대한 예측 정보를 산출하여 제공하는 머신러닝 모듈(M: 도 2 참조)을 포함하여 형성되어 있다.

상기 서버부(60)는 상기 데이터를 내부의 머신러닝 모듈(M)을 이용하여 데이터 처리를 한다. 이하에서는 도면을 참조하여, 상기 데이터 처리의 흐름에 대한 설명을 하기로 한다. 단, 상기 데이터는 매우 방대한 양이므로 빅데이터 형태인 것을 미리 밝혀두고자 한다.

도 3을 보면, 상기 서버부(60)에서의 빅데이터 처리의 순서는 데이터를 수집하는 제1단계와 상기 데이터를 가공하는 제2단계와 상기 데이터를 저장하는 제3단계와 상기 데이터를 머신러닝으로 분석하는 제4단계와 상기 분석된 데이터를 통하여 정보를 표시하는 제5단계를 포함하는 구성으로 이루어진다.

제1단계에서는 데이터를 수집하는 단계로서, 이상신호 등과 같은 이상 상태정보 등을 수집하는 것이다.

상기 제2단계의 데이터 가공은 데이터 간의 변동이 큰 경우에 있어, 데이터 정규화를 진행한다. 상기 데이터 정규화를 위한 식은 이하와 같다.

제3단계에서의 데이터 저장은 분산파일시스템(HDFS : Hadoop Distributed File System)을 이용하여 데이터를 나누어 분산하여 빅데이터를 저장시키는 방식이다. 그밖에 구글파일시스템, 클라우드 등을 사용할수 있다.

이하에서는, 제4단계인 앞서 서술한 제3단계에서 저장된 데이터를 머신러닝으로 하는 분석방식에 대한 설명을 하기로 한다.

상기 데이터의 분석은 머신러닝(기계학습)을 이용하여 지도학습을 통하여 분석하는 방법을 사용한다.

도 4를 참조하면, 머신러닝을 이용하여 분석하는 과정을 나타내는 도면이다.

상기 머신러닝을 이용하는 학습은 지도학습, 비지도 학습, 강화학습 중에서 선택되는 어느 하나인데, 본 발명에서는 지도학습을 사용하는 것이다.

상기 지도학습을 이용한 알고리즘은 주어진 훈련 데이터를 통해 이전에는 보이지 않던 데이터 패턴을 찾는다. 즉, 지도학습의 목표는 기계에 맵핑 기능을 제공하는 것이다. 따라서, 충분한 데이터가 제공되면 지도학습 알고리즘은 명확한 프로그래밍이나 지시 없이도 데이터의 패턴을 인식하고 응답하는 방법을 학습하게 된다.

또한, 지도학습은 일반적으로 분류 작업에 사용되며, 여기에서 입력된 데이터를 2개 이상의 영역(예, 합격/불합격, 동의/중립/반대 등)으로 나눠 분류하거나, 새롭게 입력받은 데이터의 추세가 어디에 포함되는지 예측하는 회귀 작업을 한다.

따라서, 상기 머신러닝의 알고리즘은 지도학습은 분류(classification)와 회귀(regression)를 이용하여 분석모델을 적용하는 방식이다.

상기 분류는 추측하고 싶은 결과가 이름 혹은 문자인 것이다. 예를 들면, 사과 vs 배, 남자 vs 여자, 사자 vs 호랑이 등으로 이름을 정의하고 과일과 성별, 동물을 구분할 수 있다. 따라서, 지도학습에 해당하므로 이름이 붙은(레이블링이 된) 데이터셋이 있어야 하고, 여러번의 훈련을 통해 그것이 무엇인지 알고 있어야 새롭게 입력된 자료를 분류된 하나로 인식할 수 있게 된다.

상기 회귀는 예측하고 싶은 종속변수가 숫자일 때, 기존에 알고 있는 데이터를 바탕으로 앞으로 일어날 사건이나 기존의 사건을 추론하는 학습 방법이다. 이것은 통계적으로 분석하는 방법인 것이다.

마지막으로, 단말기(70)의 표시부(미도시)에 디스플레이함으로서, 상기 설명한 데이터 처리 과정을 통한 데이터들을 표시함으로서, 관리자가 외부에서 시각화할수 있는 것이다.

한편, 전력량 측정장치(10)의 상태에 대한 예측정보는, 현재 전력량 측정장치(10)의 상태에 대한 정보를 예측 기반으로 산출한 정보로, 이는 관리자가 향후 문제발생 가능성을 실제 문제가 발생되기 이전에 확인하여, 이에 대한 대응이 가능하도록 하는 것이며, 예측정보는 상기 전력량 측정장치(10)의 상태를 나타내는 복수개의 상태요소 항목과, 각 상태요소 항목별 가능성 크기를 나타내는 정보를 포함하는 것이 바람직하다.

또한, 서버부(60)는 전력량 측정장치(10)의 상태에 대한 예측 정보가 화재발생, 전압강하, 쇼트와 같이 문제 발생에 대한 예측 정보를 포함하는 경우에는, 해당하는 문제 발생의 종류에 따라 이에 대응되어 기 저장되는 제어 지시 정보를 추출하여, 추출된 상기 제어 지시 정보를 예측 정보와 동시에 로컬 장치(20)의 제어부(22)로 송신하여, 상기 제어부(22)에 의해 전력량 측정장치(10)에 구비되는 각 제어 대상이 제대로 제어가 되었는지 크로스 체크를 할 수도 있는 것이다.

한편, 상기와 같은 서버부(60)는, 머신러닝 알고리즘에 의한 데이터 분석에 따른 시스템의 전체 부하 및 오류를 최소화할 수 있도록 하기 위하여 전용 웹 애플리케이션 서버(WAS, Web Application Server) 형태로서 구축되는 것이 보다 바람직하다.

다음으로, 관리자 단말기(70)는, 관리자가 유선 또는 무선으로 다수개의 전력량 측정장치(10)에 대한 각종 정보를 제공받을 수 있도록 사용하는 단말기로, 데스크탑 PC, 랩탑 PC, 태블릿PC, 스마트폰 등을 포함할 수 있다. 즉, 인터넷 유무선 통신이 가능한 정보처리장치이며, 그 종류에 제한이 없는 것이다.

이하, 전력량 측정장치(10)와 단말기(70)와 통신관계를 설명하기로 한다.

전력량 측정장치(10)와 단말기(70)를 Wi-Fi, LTE, 블루투스, Zibee, RF 무선 통신방식으로 접속하기 위해, 전자식 전력량계(10)와 단말기(70)에 각각 무선 통신모듈(미도시)이 구비되고, 상기 각각의 무선 통신모듈은 Wi-Fi, LTE, 블루투스, Zibee, RF 무선 통신방식에 의해 무선 접속된다.

따라서, 사용자는 Wi-Fi, LTE, 블루투스, Zibee, RF 무선 통신방식으로 단말기(70)를 전력량 측정장치(10)에 직접 접속하여, 수용가, 즉 전력량 측정장치(10)에서의 전압값, 전류값, 유효 전력량, 무효 전력량, 최대수요전력, 역률, 전기요금 등을 실시간으로 확인할 수도 있는 것이다.

특히, 유선 또는 무선통신에 의해 상기 서버부(60)를 통하여 생성되는 상태에 대한 예측 정보를 전달받아 출력하도록 구성되며, 추가적으로 상기 관리자 단말기(70)는 관리자로부터 제어하기 위한 제어정보를 입력받을 수 있도록 하는 제어정보 입력부(미도시)를 더 포함하여, 상기 제어정보 입력부를 통해 입력받은 제어정보가 서버부(60) 측으로도 송신할수 있도록 구성될수 있다.

상기와 같은 머신러닝을 이용한 데이터 처리 과정을 통해, 서버부(60)에서는 상기 전력량 측정장치(10)의 최적의 제어에 관련된 피드백의 데이터 정보를 단말기(70)에 전송하면, 단말기(70)는 이를 수신하여 피드백을 표시한다.

즉, 상기 서버부(60)에서는 머신러닝을 이용한 데이터의 학습 및 분석 결과에 근거하여 상기 전력량 측정장치(10)의 정보를 예측하고, 예측한 결과에 따라서 관리하기 위한 피드백을 제공하기 위한 데이터 분석을 수행할 수 있는 것이다.

다시 말해서, 상기 서버부(60)의 모니터링 모듈(M)을 통하여 머신러닝을 이용한 학습을 통하여 예측한 결과를 토대로 해서, 단말기(70)로 전력량 측정장치(10)의 유지와 관리를 위한 최적의 피드백을 제공할 수 있도록 관련 데이터를 전송하는 것이다.

최적 피드백이란 예를 들어, 만일 전력량 측정장치(10)를 배터리(미도시)를 통하여 충전하는 방식인 경우, 배터리 상태를 인식하기 위한 센서(미도시)가 있을 경우, 상기 배터리의 교체 여부, 시기를 판단할 수 있으며, 상기 전력량 측정장치(10)의 동작 데이터를 분석하여 정상 또는 비정상 상태 여부를 판단하여 상기 단말기(70)를 통해 역시 피드백을 제공할 수 있는 것이다.

또한, 온도와 습도 데이터를 센서(미도시)를 통해 정상범위를 넘어서면 단말기(70)에 통보하여 조치할 수 있는 것이다.

또한, 전력량 측정장치(10) 내부 전원 회로부(11)의 단락상태를 확인하여 이상이 있으면, 교체 및 수리를 할 수 있도록 피드백을 단말기(70)에 제공하여 전력량 측정장치(10)의 유지관리를 도모할 수 있는 것이다.

이하, 도면을 첨부하여 상기 단말기(70)에 대한 설명을 하기로 한다.

상기 서버부(60)에서는 상기 단말기(70)로 유선 또는 무선통신을 통해 모니터링 대상의 전력량 측정장치(10)의 정보를 전달하는데, 이하에서는 이에 관한 설명을 하기로 한다.

도 5에 도시된 바와 같이, 상기 단말기(70)는 메모리부(71), 영상 촬영부(72), 학습 모델 구축부(73), 분석 판정부(140) 및 제어부(75)를 포함하여 구성될 수 있다.

상기 메모리부(71)는 상기 서버부(60)로부터 전달된 모니터링 대상의 전력량 측정장치(10)에 관한 정보를 데이터베이스 테이블(Database Table)(미도시)에 미리 저장할 수 있다.

또한, 상기 정보는 상기 모니터링 대상 전력량 측정장치(10)의 모델명 및 상기 모니터링 대상 전력량 측정장치(10)의 고유번호를 포함할 수 있다.

상기 영상 촬영부(72)는 상기 모니터링 대상 제품의 영상을 촬영하는것인데, 즉, 상기 영상 촬영부(72)는 상기 모니터링 대상인 전력량 측정장치(10)의 영상(image)을 촬영하고, 그 촬영 영상을 상기 분석 판정부(74)로 출력할 수 있다.

상기 학습 모델 구축부(73)는 정상적인 전력량 측정장치(10)에 실제 이상 상태가 발생한 상태에서 촬영한 영상을 학습 데이터로서 수집할 수 있다.

또한, 상기 학습 모델 구축부(73)는 가상의 이상상태의 전력량 측정장치(10)이미지를 상기와 같은 정상적인 상태의 전력량 측정장치(10)의 이미지에 합성하여 획득한 합성 이미지를 상기 학습 데이터로서 수집할 수 있다.

다시 말해, 상기 학습 모델 구축부(73)는 다양한 형태 및 종류의 실제 이상상태의 장치(10)를 정상적인 상태의 장치에 포함시키되, 그 개수를 달리하여 포함시키고, 상기 실제 이상상태를 포함한 정상 제품을 영상 촬영부(72) 등으로 촬영하여 영상을 획득함으로써 상기 학습 데이터를 수집할 수 있다.

또한, 상기 학습 모델 구축부(73)는 영상 처리 장치(미도시)와 연동하여, 다양한 형태 및 종류의 이상상태의 전력량 측정장치(10)와 관련한 가상 이미지를 생성하고, 상기 생성된 가상 이미지를 상기 정상 전력량 측정장치(10)의 이미지와 합성하여 합성 이미지를 획득함으로써 상기 학습 데이터를 수집할 수 있는 것이다.

상기 학습 모델 구축부(73)는 상기 학습 데이터 및 상기 생산 정보를 기반으로 머신러닝(Machine Learning)을 수행하여 학습 모델을 구축할 수 있다.

참고로, 본 실시예에서는 상기 머신러닝은 딥러닝(Deep Learning) 알고리즘에 의해 수행될 수 있으나 이에 한정되지 않고 다른 다양한 알고리즘에 의해 수행될 수 있다.

상기 분석 판정부(74)는 상기 데이터베이스 테이블에 저장된 정보를 기반으로 상기 영상 촬영부(72)에 의해 촬영된 영상을 분석하여 상기 모니터링 대상 전력량 측정장치(10)로부터 특별 이상상태의 전력량 측정장치(10)를 별도로 분류하여 이상 상태의 해당 수량 등을 검출할 수 있다.

구체적으로, 상기 분석 판정부(74)는 각각의 전력량 측정장치(10)에 구비된 리더기(미도시) 등과 연동하여 상기 모니터링 대상 전력량 측정장치(10)에 형성된 리더기로부터 정보를 읽어 들이고, 상기 정보에 포함된 모델명에 매칭되는 생산정보를 상기 데이터베이스 테이블로부터 로딩하여 상기 영상을 분석할 수 있다.

또한, 상기 분석 판정부(74)는 상기 영상의 분석 결과에 기초하여 상기 모니터링 대상 전력량 측정장치(10)로부터 수량 등을 검출할 수 있다.

한편, 상기 분석 판정부(74)는 상기 영상의 분석 효율을 향상시키기 위하여 상기 학습 모델 구축부(73)와 연동하여 상기 영상을 분석할 수 있다.

즉, 상기 분석 판정부(74)는 상기 학습 모델 구축부(73)에 의해 구축된 학습 모델에 기반하여 상기 영상을 분석하고, 상기 영상의 분석 결과에 기초하여 상기 모니터링 대상 제품으로부터 별도 이상상태의 전력량 측정장치(10)를 선별하여 수량을 검출할 수 있다.

상기 분석 판정부(74)는 상기 검출 결과를 이미지화(Detected Object image)하여 관리자 모니터(미도시)에 전달할 수 있다.

이에 따라, 상기 관리자 모니터에 표시된 검출 이미지를 직접 눈으로 체크하는 작업을 통해 상기 모니터링 대상 전력량 측정장치(10)를 직접 확인할수 있다.

또한, 관리자는 조이패드 등과 같은 입력 장치(미도시)를 통해 상기 판정 결과(불량 등급 또는 추후 다시 모니터링할 예정의 보류 등급)를 입력하여 상기 분석 판정부(74)로 전송할 수 있다.

예를 들면, 상기 관리자는 상기 입력 장치를 통해 보류 등급인 경우 O를 입력하고 불량 등급인 경우 X를 입력할 수 있다.

이로써, 상기 분석 판정부(74)는 상기 입력장치를 통해 입력된 판정 결과를 피드백을 받아서 학습 데이터로서 수집할 수 있으며, 이를 통해 영상의 분석능력을 더욱 강화할 수 있다.

그리고, 상기 제어부(75)는 단말기(70)의 구성요소인, 상기 메모리부(71), 상기 영상 촬영부(72), 상기 학습 모델 구축부(73), 상기 분석 판정부(74)의 동작을 제어하는 역할을 한다.

이하에서는, 도면을 참조하여 본 발명의 전력량 측정장치(10)의 이상상태 모니터링 시스템을 이용한 모니터링 방법에 대한 설명을 하기로 한다. 앞서 설명한 내용과 중복되는 설명은 어느 정도 생략하기로 한다.

도 6을 보면, 로컬 장치(20)에서 전력량 측정장치(10)의 이상 신호를 모니터링한다(제1단계). 상기 로컬장치(20)를 통하여 전력량 측정장치(10)의 부품, 온습도 데이터 등의 이상신호를 모니터링하는 것이다.

상기 로컬 장치(20)로부터 상기 전력량 측정장치(10)의 이상신호의 데이터를 제어장치(30)가 수신하여 처리하는 것이다(제2단계). 상기 제2단계는 제1단계에서 이상신호의 데이터를 수신하여, 별도 수집하여 상기 제어장치(30)에서 진단장치(50)로 전송하는 것이다.

상기 제어장치(30)가 데이터를 진단장치(50)로 전송하면, 상기 진단장치(50)가 수신하여 각 부품별 상태를 토대로 이상신호 이벤트를 분류한다(제3단계).

상기 분류를 하기 위한 알고리즘은 CNN 학습 알고리즘이며, 상기 로컬장치(20)로부터 획득한 이상 신호를 토대로 하여 이상신호 발생의 통계, 고장률, 제품 신뢰성을 산출할수 있는 기능도 있는 것이다.

상기 진단장치(50)에서 이상신호와 상태 정보를 서버부(60)에서 수신하여 머신러닝을 이용하여 분석한다(제4단계).

상기 머신러닝을 이용한 데이터의 처리는 도 6에 도시된 바와 같이, 상기 데이터를 지도학습의 분류(classification)와 회귀(regression)를 통한 분석 모델을 적용한 것이다. 상기 머신러닝의 데이터는 빅데이터이며, 데이터의 처리 순서는 데이터의 수집(센서 데이터, 상태 데이터, 위치 정보 등), 데이터 가공(데이터 라벨링, 구분, 선별 등), 데이터의 저장 및 처리(일괄 실시간 처리, 분산병렬 처리), 머신러닝을 이용한 데이터의 분석, 표시부(미도시)를 통한 정보 표현인 것이다.

상기 전력량 측정장치(10)의 개선에 관한 피드백 정보를 관리자의 단말기(70)를 통하여 통보한다(제5단계).

상기 제4단계의 인공지능 머신러닝을 통한 분석된 결과를 토대로 하여 관리자 등의 단말기(70)에 피드백을 전송하는 것이다. 따라서, 사용자 또는 관리자 등은 이러한 피드백을 토대로 하여 각각의 위치에 산재해 있는 다수개의 전력량 측정장치(10)를 효율적으로 모니터링하여 유지 관리할 수 있는 것이다.

본 발명의 실시예에 따른 방법과 관련해서는 전술한 시스템에 대한 내용이 적용될 수 있다. 따라서, 방법과 관련하여 전술한 시스템에 대한 내용과 동일한 내용에 대해서는 어느 정도 설명을 생략하였다.

한편, 본 발명의 실시예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.

다시 말해서, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.

또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다.

상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.

이상에서와 같은 내용의 본 발명 이 속하는 기술분야의 당업자는 본 발명의 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 상기 기술한 실시 예는 예시된 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다.

본 발명의 범위는 상기 상세한 설명보다는 첨부된 특허청구범위에 의하여 나타내어지며, 특허청구 범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

10 : 전자식 전력량계 11 : 전원 회로부
12 : 전압 센싱부 13 : 전류 센싱부
14 : 연산부(MCU) 15 : 디스플레이부
16 : 데이터 통신부 20 : 로컬장치 21 : 데이터 액세스부 22 : 제어부
30 : 제어장치 50 : 진단장치
M : 머신러닝 모듈 60 : 서버부 70 : 단말기 71 : 메모리부
72 : 영상촬영부 73 : 학습모델 구축부
74 : 분석판정부 75 : 제어부

Claims

전원 회로부, 전압 센싱부, 전류 센싱부, 연산부(MCU), 디스플레이부 및 데이터 통신부를 포함하여 이루어진 전력량 측정장치의 이상상태 모니터링 시스템에 있어서,
상기 전력량 측정장치의 부품의 온도, 습도 데이터의 이상 신호를 모니터링하는 로컬 장치;
상기 전력량 측정장치의 부품, 온도와 습도 데이터에 이상 신호가 있으면, 상기 로컬 장치로부터 해당 데이터를 수신하여, 수집 및 처리된 데이터를 전송하는 제어장치;
상기 제어장치로부터 이상 신호를 수신하고, 상기 각 부품별 상태를 산출하고, 상기 각 상태를 종합하여 상기 전력량 측정장치의 상태를 산출하는 진단 장치; 및
상기 진단 장치로부터 전달받은 상기 전력량 측정장치의 상태 정보를 머신러닝 알고리즘를 통해서 분석하여, 상기 분석 결과를 바탕으로 상기 전력량 측정장치의 상태에 대한 예측 정보를 산출하여 제공하는 머신러닝 모듈을 포함하는 서버부 및;
상기 서버부에서 유선 또는 무선통신을 통해 모니터링 대상의 전력량 측정장치의 정보를 전달받기 위하여, 모니터링의 대상이 되는 전력량 측정장치의 생산 정보를 데이터베이스 테이블에 저장하는 메모리부;
상기 모니터링 대상 전력량 측정장치의 영상을 촬영하는 영상 촬영부;
상기 데이터베이스 테이블에 저장된 정보를 기반으로 상기 영상을 분석하여 상기 모니터링 대상 전력량 측정장치 수량을 검출하고, 학습 모델에 기반하여 상기 영상을 분석하는 분석 판정부;
정상상태의 전력량 측정장치를 획득한 영상을 학습 데이터로서 수집하고, 상기 학습 데이터 및 상기 데이터베이스 테이블에 저장된 정보를 기반으로 머신러닝을 수행하여 학습 모델을 구축하는 학습 모델 구축부;
상기 메모리부, 상기 영상 촬영부, 상기 학습 모델 구축부 및 상기 분석 판정부의 동작을 제어하는 제어부로 이루어지는 단말기;를 포함하고,
상기 진단 장치는 상기 제어장치로부터 이상 신호를 수신하고, 상기 전력량 측정장치의 각 부품별 상태를 산출하고, 상기 각 부품별 상태를 근거로 하여 상기 전력량 측정장치의 상태를 산출하며,
상기 진단 장치가 이상 신호 이벤트를 분류하는 순서는
1) 상기 진단 장치의 이벤트 파일을 확인하는 제1단계;
2) 상기 진단 장치의 이벤트 파일을 전처리하는 제2단계;
3) 상기 전력량 측정장치의 이상신호 분류 알고리즘을 이용하여 이상 신호를 분류하는 제3단계;
4) 상기 전력량 측정장치의 이상신호 분류 결과를 저장하고 상기 진단장치에서 확인하는 제4단계;로 분류하며, 상기 진단장치가 CNN 학습 알고리즘에 의하여 상기 이상신호를 처리하는 것을 특징으로 하는 전자식 전력량 측정장치의 이상 상태 모니터링 시스템.
제1항에 있어서,
상기 제어장치는 상기 전력량 측정장치의 상태 정보를 토대로 하여, 온도와 전압이 과부하가 되면 상기 전력량 측정장치의 작동을 오프시키는 것을 특징으로 하는 전자식 전력량 측정장치의 이상 상태 모니터링 시스템.
제1항에 있어서,
상기 학습데이터는 지도학습의 분류와 회귀를 통하여 분석모델을 적용한 것을 특징으로 하는 전자식 전력량 측정장치의 이상 상태 모니터링 시스템.
제1항에 있어서,
상기 머신러닝 모듈의 데이터 처리의 순서는 데이터를 수집하고, 상기 데이터를 가공하고, 상기 데이터를 저장하고, 상기 데이터를 머신러닝으로 분석하고, 상기 분석된 데이터를 통하여 정보를 표시하는 순서인 것을 특징으로 하는 전자식 전력량 측정장치의 이상 상태 모니터링 시스템.
삭제