KR102457948B1

KR102457948B1 - 인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적제어시스템

Info

Publication number: KR102457948B1
Application number: KR1020220039269A
Authority: KR
Inventors: 강철수
Original assignee: 강철수
Priority date: 2022-03-30
Filing date: 2022-03-30
Publication date: 2022-10-21

Abstract

본 발명은 인공지능형 온습도 측정장치를 구비한 전력 설비에 관한 것으로, 본 발명은 공기의 온도를 실시간 측정하는 온도 측정 센서와 상기 공기의 습도를 실시간 측정하는 습도 측정 센서 및 입력된 데이터를 토대로, 상기 온도 측정 센서에서 측정된 온도에 따른 최적의 습도를 연산하여 도출하는 내부에 온습도 인식부가 형성되어 있는 연산부와 상기 온습도 인식부는, 상기 온도 측정 센서에서 온도, 상기 습도 측정 센서에서 습도를 각각 인식하여 온습도 정보를 생성하는 온습도 인식모듈과 상기 온습도 인식모듈에서 인식된 온도 및 습도가 설정된 온도 및 습도와 상이한 경우 해당 온도 및 습도를 조절하기 위한 조절신호를 생성하는 온습도신호 생성모듈과 상기 온습도신호 생성모듈에서 생성된 조절신호를 통해 온도 및 습도를 조절하는 온습도 조절모듈; 및 상기 온습도 인식모듈에서 생성된 온습도 정보를 제어부로 전송하는 온습도정보 전송모듈을 포함하며, 상기 연산부에서 도출된 최적의 습도와 상기 습도 측정 센서에서 측정된 주위 공기의 습도를 비교하여, 주위 공기의 습도를 자동으로 조정하는 제어부로 이루어지는 온, 습도 측정장치와 상기 온습도 측정장치로부터 온, 습도데이터를 수신하며, 상기 전력설비인 변압기, 개폐기, 차단기, 변성기, 배전반, 분전반의 정보 및 상태정보의 데이터를 제공받은 후, 네트워크를 통해 제공함에 따라 상기 획득한 데이터를 데이터베이스에 저장할 뿐만 아니라, 상기 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 자체적으로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공하는 서버; 및 상기 네트워크를 통하여 상기 데이터베이스로 액세스 이후, 상기 데이터베이스 상의 데이터 및 가공 데이터를 통한 최적의 제어를 할수 있는 통합관제센터를 포함하는 것을 특징으로 한다.
본 발명은 데이터베이스에 저장된 데이터를 수집하여 빅데이터화시켜 이를 스스로 학습하는 머신러닝(machine learning)을 응용하여 최적의 제어시스템을 제공할 수 있는 효과가 있는 것이다.

Description

인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적제어시스템{Power equipment optimal control system comprising temperature and moisture voltage measure device using artificial intelligence}

본 발명은 인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적제어시스템에 관한 것이다. 더욱 자세하게는 온, 습도 측정장치가 포함된 전력설비를 인공지능을 이용하여 최적 제어를 하는 인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적 제어시스템에 관한 것이다.

변류기는 큰 전류를 일정한 비율의 작은 전류로 변환시켜 전류측정용 계기나 계전기 등에 공급하기 위해 사용되는 일종의 변압기이다. 변류기는 큰 전류가 흐르는 굵은 모선을 계기까지 연결할 수 없기 때문에, 작은 전류로 변성시킨다. 이때, 모선전류 정격값은 수십 A에서 수천 A까지 여러 가지가 있으나, 2차 전류 정격값은 대부분 5A 또는 1A로 정해져 있으며, 주로 전류 계측을 위하여 사용된다.

3상 변류기에서 전압을 측정하는 이유는, 계측기나 기타 회로 구성 시 전압 단자가 필요한 경우에 있어서, 전압단자가 없으면 부스바의 전기도체의 경우 별도로 홈을 가공해서 전압 단자와 연결해야 하는 불편함이 있기 때문이다.

또한, 온도를 측정하는 이유는 도체의 과전류 사고전류 및 단자의 접촉불량 등으로 인한 과열로 화재 사고가 발생할 수 있기 때문에 온도를 상시 관리할 필요가 있기 때문이다.

그리고, 습도를 측정하는 이유는 습기로 인하여 자칫 누전의 위험이 있기 때문이다.

종래에는 온도를 검출할 수 있는 변류기 또는 전압을 검출할 수 있는 변류기가 있어 별도로 구성하고 관리해야 하는 비용적 부담과 불편함이 있었다.

또한, 최근들어 인공지능의 개발은 수배전반, 고압반, 변류기나 변성기와 같은 전력설비에도 응용하려고 하는 개발이 지속적으로 있어 왔다.

더 나아가, 변류기 등과 같은 전력설비의 이상상황 발생 인식을 기계학습 유닛에 의해 생성된 분석 기준 모델을 이용하여 분석함으로써 정밀한 이상상황의 발생 여부 판단에 대한 연구와 개발이 지속적으로 있어 왔다.

대한민국 특허출원 제2017-0101411호 대한민국 특허공개 제2006-0081314호 대한민국 특허공개 제2017-0105958호

따라서, 본 발명은 온도, 습도와 전압을 모두 검출할 수 있는 온습도 측정장치를 구비한 변류기가 포함된 전력설비를 인공지능을 이용하여 모니터링하는 인공지능을 이용한 온습도 측정장치를 구비한 전력 설비를 제공하는 것을 목적으로 한다.

또한, 본 발명은 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고, 이를 스스로 학습하는 머신러닝을 응용하여 이를 적용시킬 수 있는 인공지능을 이용한 온습도 측정장치를 구비한 전력 설비를 제공하고자 하는데 있다.

이러한 목적을 달성하기 위하여 본 발명은 인공지능을 이용한 온, 습도 측정장치를 구비한 전력설비의 최적 제어시스템에 관한 것으로, 공기의 온도를 실시간 측정하는 온도 측정 센서와 상기 공기의 습도를 실시간 측정하는 습도 측정 센서; 및 상기 온도 측정 센서에서 측정된 온도에 따른 최적의 습도를 연산하여 도출하며, 온습도 인식부가 형성된 연산부와 상기 온습도 인식부는, 상기 온도 측정 센서에서 온도, 상기 습도 측정 센서에서 습도를 각각 인식하여 온습도 정보를 생성하는 온습도 인식모듈과 상기 온습도 인식모듈에서 인식된 온도 및 습도가 설정된 온도 및 습도와 상이한 경우 해당 온도 및 습도를 조절하기 위한 조절신호를 생성하는 온습도신호 생성모듈과 상기 온습도신호 생성모듈에서 생성된 조절신호를 통해 온도 및 습도를 조절하는 온습도 조절모듈; 및 상기 온습도 인식모듈에서 생성된 온습도 정보를 제어부로 전송하는 온습도정보 전송모듈과,

상기 연산부에서 도출된 최적의 습도와 상기 습도 측정 센서에서 측정된 주위 공기의 습도를 비교하여, 주위 공기의 습도를 자동으로 조정하는 제어부로 이루어지는 온, 습도 측정장치와 상기 온습도 측정장치로부터 온, 습도데이터를 수신하며, 상기 전력설비인 변압기, 개폐기, 차단기, 변성기, 배전반, 분전반의 정보 및 상태정보의 데이터를 제공받은 후, 네트워크를 통해 제공함에 따라 상기 획득한 데이터를 데이터베이스에 저장할 뿐만 아니라, 상기 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 자체적으로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공하는 서버; 및 상기 네트워크를 통하여 상기 데이터베이스로 액세스 이후, 상기 데이터베이스 상의 데이터 및 가공 데이터를 통한 최적의 제어를 할수 있는 통합관제센터를 포함하는 것을 특징으로 한다.

또한, 상기 서버에는 빅데이터부가 형성되며, 상기 빅데이터부는 분산 파일 프로그램에 의해 분할 섹션 DB에 분산 저장된 수집 데이터를 분석하여, 그 분석한 결과로 다수의 특징 데이터를 추출하고 추출된 특징 데이터를 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하여 학습한 결과로 이상 상태 여부를 판단하며, 상기 전력설비의 데이터 및 이전의 데이터, 상기 전력설비의 설치 환경에 따른 데이터를 모두 취합하여, 상기 전력설비의 센서데이터, 상태데이터, 배터리정보, 작동 정보를 DAQ장치로 이루어진 데이터 수집부를 통해 수집하는 데이터 수집, 상기 데이터 수집불에서 수집된 데이터에 대해 전처리로서 데이터 의미파악, 데이터 선택, 데이터 범위설정을 실행하여 데이터 정규화를 진행하는 데이터 가공, 상기 가공된 데이터의 저장은 분산파일시스템을 이용한 데이터를 나누어 분산하여 상기 서버의 빅데이터부에 저장시키는 데이터 저장, 상기 저장된 데이터를 머신러닝을 이용한 지도학습으로 분석하는 데이터 분석, 상기 분석데이터를 상기 통합관제센터의 표시부에 디스플레이하는 데이터 표현의 순서로 이루어지는 것을 특징으로 하는 것이다.

따라서, 본 발명은 서버 등으로부터 방대한 데이터들을 빅데이터 처리를 하여 획득한 데이터를 통해서 제어가 최적화될수 있도록 하기 위한 인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적제어시스템을 제공할 수 있는 효과가 있는 것이다.

또한, 본 발명은 데이터베이스에 저장된 데이터를 수집하여 빅데이터화시켜 이를 스스로 학습하는 머신러닝(machine learning)을 응용하여 최적의 제어시스템을 제공할 수 있는 효과가 있는 것이다.

도 1은 온, 습도 측정장치의 구성도.
도 2는 온습도 인식부의 구성도.
도 3은 본 발명에 의한 인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적 제어시스템의 구성도.
도 4는 통합관제센터의 구성도와 관제서버와의 연결도.
도 5는 빅데이터를 이용한 데이터 처리순서를 나타내는 흐름도.
도 6은 데이터를 수집, 가공, 저장, 분석, 표현하는 방법을 이용하여, 최적 제어를 위한 머신 러닝 기반의 데이터 관리 과정 흐름도.
도 7은 머신러닝을 이용하여 데이터를 분석하는 방법을 나타낸 도면.
도 8은 머신 러닝 학습 세트의 개념도.
도 9는 전력설비의 최적 제어 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 온, 습도 측정장치의 구성도이고, 도 2는 온습도 인식부의 구성도이고, 도 3은 본 발명에 의한 인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적 제어시스템의 구성도이고, 도 4는 통합관제센터의 구성도와 관제서버와의 연결도이고, 도 5는 빅데이터를 이용한 데이터 처리순서를 나타내는 흐름도이고, 도 6은 데이터를 수집, 가공, 저장, 분석, 표현하는 방법을 이용하여, 최적 제어를 위한 머신 러닝 기반의 데이터 관리 과정 흐름도이고, 도 7은 머신러닝을 이용하여 데이터를 분석하는 방법을 나타낸 도면이고, 도 8은 머신 러닝 학습 세트의 개념도이고, 도 9는 전력설비의 최적 제어 방법의 흐름도이다.

먼저, 도 1을 참조하여 온, 습도 측정장치(100)에 대한 설명을 하기로 한다.

온도 측정 센서(10)는 주위 공기의 온도를 실시간으로 측정하는 것으로, 주변에 있는 공기 온도를 측정하는 센서이다.

그리고, 습도 측정 센서(30)는 주위 공기의 습도를 실시간으로 측정한다.

이하, 연산부(20)에 대한 설명을 하기로 한다.

연산부(20)는 미리 입력된 데이터를 기반으로, 상기 온도 측정 센서(10)와 상기 습도 측정 센서(30)에서 측정된 온도와 습도에 따른 최적의 온, 습도를 생성하는 것으로, 상기 온도 측정 센서(10)를 통해 측정한 온도에 매칭되는 최적의 습도를 도출한다.

도 2를 보면, 연산부(20)에 형성, 구비된 온습도 인식부(21)의 구성도인데, 상기 온습도 인식부(21)는 온도측정센서(10)를 인식하여 온도 정보를, 상기 습도 측정 센서(30)를 통하여 습도 정보를 각각 인식하여 생성할 수 있다.

이러한 온습도 인식부(21)는 온습도 인식모듈(21a), 온습도신호 생성모듈(21b), 온습도 조절모듈(21c), 및 온습도정보 전송모듈(21d)을 포함할 수 있다.

상기 온습도 인식모듈(21a)은 온도와 습도를 인식하여 온습도 정보를 생성할 수 있다.

상기 온습도 신호 생성모듈(21b)은 상기 온습도 인식모듈(21a)에서 인식된 온도가 사용자에 의해 후술할 입력부(50)를 통하여 설정된 습도와 상이한 경우 해당 습도를 조절하기 위한 조절신호를 생성할 수 있다.

구체적으로, 상기 온습도 신호 생성모듈(21b)은 습도가 사용자에 의해 설정된 습도보다 높은 경우 습도를 낮추는 제 1조절신호를 생성할 수 있다.

또한, 온습도 신호 생성모듈(21b)은 습도가 사용자에 의해 설정된 습도보다 낮은 경우 습도를 높이는 제 2조절신호를 생성할 수 있다.

상기 온습도 조절모듈(21c)은 온습도신호 생성모듈(21b)에서 생성된 조절신호를 통해 온도 및 습도를 조절할 수 있다.

구체적으로, 상기 온습도 조절모듈(21c)은 온습도 신호 생성모듈(21b)에서 생성된 제 1조절신호를 통해서, 습도를 사용자에 의해 설정된 습도로 낮출 수 있으며, 아울러 제 2조절신호를 통해서, 습도를 사용자에 의해 설정된 습도로 높일 수 있다.

상기 온습도정보 전송모듈(21d)은 상기와 같이 생성된 온습도 정보를 유무선 통신망(미도시)을 통해 후술할 제어부(40)로 전송할 수 있다.

제어부(40)는 상기 연산부(20)에서 도출된 최적의 습도와 습도 측정 센서(30)로부터 측정된 주위 공기의 습도를 서로 비교하여, 습도를 자동으로 조정이 가능하다. 상기 제어부(40)를 이용하여 습도를 자동으로 조정하는 방식에 대한 자세한 설명은 널리 공지된 기술이므로 생략하기로 한다.

입력부(50)는 상기 연산부(20)에서 도출된 최적의 습도를 대신하여, 사용자가 수동으로 원하는 습도를 설정하여 입력할 수 있는 것이다.

디스플레이부(60)는 상기 온도 측정 센서(10)에서 측정된 온도와 상기 습도 측정 센서(30)에서 측정된 습도를 실시간으로 사용자가 확인할 수 있도록 표시하는 것이다. 따라서, 근접한 일반인이 온도와 주변 습도를 확인할수 있도록 하는 것이다.

통신부(70)는 상기 온도 측정 센서(10)에서 측정된 온도 데이터와 상기 습도 측정 센서(30)에서 측정된 습도 데이터를 제어부(40)를 통하여 전달받아 이하 설명할 서버(200)로 전달한다.

즉, 상기와 같은 구성과 작동관계로 이루어지는 온, 습도 측정장치(100)는 통신부(70)를 통하여 서버(200)로 전달된다.

이하에서는, 도 3을 참조하여 서버(200)에 대한 설명을 하기로 한다.

참고로, 상기 서버(200)는 TCP/IP(or UDP) 서버로서, 상기 온, 습도측정장치(100)의 통신부(70)와는 TCP/IP(또는 UDP) 통신으로 데이터를 송수신하며, 통신 프로토콜은 전용 프로토콜을 사용함으로써 보완성을 높일 수 있다.

상기 서버(200)는 상기에서 설명한 온, 습도 측정장치(100)로부터 온, 습도데이터를 수신하며, 전력설비(E)에 해당하는 장치인 변압기, 개폐기, 차단기, 변성기(MOF), 배전반, 분전반(이상, 미도시)의 정보 및 상태 정보의 데이터를 제공받은 후, 네트워크(210)를 통해 제공함에 따라 상기 획득한 데이터를 데이터베이스(200a)에 저장할 뿐만 아니라, 상기 데이터베이스(200a)에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 자체적으로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공시키는 역할을 하는 것이다.

더 나아가, 상기 서버(200)에는 빅데이터부(200a)가 더 형성되어, 상기 데이터베이스(200b)를 이용하여 상기 전력설비(E)의 데이터를 머신러닝을 통한 기계학습을 하여, 최적의 제어를 위한 데이터를 확보하는 것이다.

상기 서버(200)가 구동되면, 빅데이터부(200a)와 함께 자동으로 실행되어 전력설비(E)와 연결된 온 습도와 관련있는 온, 습도 측정장치(100)로부터 데이터를 수신할 준비를 하는 것이다.

상기 서버(200)를 통하여 데이터를 데이터베이스(200b)에 저장하고, 데이터베이스(200b)를 관리하는 역할도 하는 것이다.

또한, 상기 데이터베이스(200b)에는 서버(200)의 빅데이터부(200a)를 통해 획득되어 머신러닝을 기반으로 학습되어 분석된 데이터가 저장되며, 통합관제센터(300)를 통하여 사용자에게 데이터가 제공되는 형태이다.

한편, 데이터베이스(200b)의 기능은 전력설비(E)로부터 획득된 방대한 정보(데이터)를 서버(200)에 의해 제공받아 DB화하여 저장함으로써, 사용자가 필요로 하는 여러 가지 형태의 데이터로 가공하여 제공할 수 있도록 한다.

그리고, 상기 서버(200)는 상기 온, 습도 측정장치(100)와 통신부(70)를 통해 데이터를 수신하는데, 상기 데이터의 종류로는 전력설비(E)의 상태, 상기 전력설비(E)의 작동, 배터리 등과 같은 전력저장장치(미도시), 수배전반(미도시)등의 상태 정보 데이터를 제공받은 뒤, 네트워크를 통해 상기 획득한 데이터를 빅데이터부(200a)에 제공하고, 동시에 데이터 베이스(200b)에 DB화하여 저장한다. 여기서, 상기 상태 정보라는 것은 전압, 전류, 전력, 역률, 주파수 등이다.

또한, 상기 빅데이터부(200a)에 제공된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 스스로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공하는 것이다. 상기 머신러닝을 이용하여 최적 제어하는 알고리즘에 대한 자세한 설명은 후술(後述)하기로 한다.

또한, 서버(200)는 상기 빅데이터부(200a)를 통하여 데이터베이스(200b)에 설치된 분산 파일 프로그램에 의해 상기 데이터베이스(200b)를 구분한 분할 섹션 DB에 전력설비(E)의 부품 등 카테고리 별로 분산 저장된 수집 데이터를 머신러닝 알고리즘을 통해 분석하여, 최적 제어를 수행할 수 있다.

그리고, 상기 서버(200)에는 빅데이터부(200a)를 이용하여 상기 전력설비(E)각자의 작동 스타일 등을 머신러닝을 통한 기계학습을 하여, 상기 전력설비(E)의 특성을 확보한다.

보다 구체적으로, 서버(200)의 빅데이터부(200a)에서 사용되는 머신러닝 알고리즘은 결정 트리(DT, Decision Tree) 분류 알고리즘, 랜덤 포레스트 분류 알고리즘, SVM(Support Vector Machine) 분류 알고리즘 중에서 하나일 수 있다.

상기 빅데이터부(200a)는 주기적으로 온, 습도 측정장치(100)으로부터 데이터를 획득하여 데이터 베이스(200b)에 저장하는 기능을 담당한다.

그리고, 상기 빅데이터부(200a)는 분산 파일 프로그램에 의해 분할 섹션 DB에 분산 저장된 수집 데이터를 분석하여 그 분석한 결과로 다수의 특징 데이터를 추출하고 추출된 특징 데이터를 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하여 학습한 결과로 이상 상태 여부를 판단할 수 있다.

상기 빅데이터부(200a)는 전력설비(E)의 데이터 및 이전의 데이터, 상기 전력설비(E)의 설치에 따른 데이터를 모두 취합하여, 상기 데이터를 수집, 가공, 저장, 분석, 표현한다.

도 4는 상기 설명한 서버(200)와 연결된 통합관제센터(300)의 구성도인데, 상기 통합관제센터(300)는 인공신경망 및 머신러닝을 활용하여 전력설비(E)의 관련 전력설비를 최적으로 제어할 수 있는 제어 전략 데이터를 제공한다.

상기 통합관제센터(300)는 학습 필요 데이터 생성부(310), 상황 예측부(320) 및 최적 제어부(330)를 포함한다.

학습 필요 데이터 생성부(310)는 최적 제어부(330)의 인공신경망 학습에 필요한 데이터인 최적 제어 방법 데이터를 시뮬레이션을 기반으로 생성한다. 상기 학습 필요 데이터 생성부(310)는 생성된 시뮬레이션 시나리오에 따라 재현되는 시뮬레이션을 이용하여 각각의 시나리오에 대해 최적으로 제어하는 최적 제어방법 데이터를 구축한다. 상기 시뮬레이션 모델은 거시적 모델중의 하나인 CTM(Cell Transmission Model)을 적용하여 시나리오를 재현한다.

상황 예측부(320)는 데이터를 기반으로 머신러닝 기법을 활용하여 예측 시나리오를 생성한다. 상기 예측 시나리오는 최적 제어부(330)의 입력값(Input Pattern Data)로도 활용된다. 상황 예측부(320)는 머싱 러닝 기법을 활용해 상황을 예측한다. 머신 러닝 기법 활용시, 상황 예측부(320)에 입력되는 데이터는 과거의 데이터 및 실시간 데이터를 포함한다. 상황 예측부(320)에 입력되는 데이터에 실시간 데이터가 포함됨으로써, 실시간 제어 전략 데이터를 제공할 수 있다.

최적 제어부(330)는 학습 필요 데이터 생성부(310)에 의해 생성되는 최적 제어 방법 데이터를 기반으로 인공신경망 학습을 수행한다. 또한, 최적 제어부(330)는 상기 인공신경망 학습의 결과에 따라 업데이트되는 가중치 값(Weight Matrices)을 기반으로 상황 예측부(320)에서 생성된 예측 시나리오에 대해 인공신경망을 통해 제어 전략 데이터를 도출한다. 상기 최적 제어부(330)는 도출된 상기 제어 전략 데이터를 관제서버(400)에 제공한다. 또한, 최적 제어부(330)는 제어 전략 데이터에 따라, 전력설비(E)를 제어한 결과를 인공신경망 학습에 반영할 수 있다.

관제 서버(400)는 통합관제센터(300)로부터 수신되는 실시간 데이터를 서버(200)에도 송신할 수 있다. 상기 관제 서버(1400)는 상기 통합관제센터(300)를 활용하여 전력설비(E)를 최적으로 제어할 수 있는 제어 전략 데이터를 수신받아 제공한다.

이하에서는, 도 5를 참조하면, 빅데이터부(200a)를 이용하여 머신러닝을 통하여, 상기 데이터를 가공, 처리 및 저장, 분석, 마지막으로 통합관제센터(300)를 통하여 표현하는 흐름도인데, 이하에서는 이에 대하여 설명하기로 한다.

1. 데이터 수집

먼저, 전력설비(E)의 센서데이터, 상태 데이터, 배터리 정보, 작동 정보 등을 수집하게 된다. 상기 데이터 수집을 하는 데이터 수집부(미도시)는 전류 감지 센서, 전압 감지 센서 등에서 감지된 아날로그 데이터를 디지털 데이터로 변화하여 수집하는 DAQ(Data acquisition) 장치로 이루어질 수 있다.

즉, 상기 데이터 수집부에서는 수신된 데이터를 차례로 서버(200)에 데이터를 설비 및 센서를 감안해서 데이터로 적재된다. 한편, 적재된 데이터는 관리자에 의해 표시부(미도시)를 통하여 실시간으로 전류, 전압, 변류기, 변압기 등의 상태를 모니터링할 수 있다.

2. 데이터 가공

상기와 같이 데이터를 수집하면 데이터 가공의 순서를 거치는데, 상기 데이터 가공은 데이터 간의 변동과 편차가 큰 경우, 데이터 정규화를 진행할 목적으로 가공한다. 이하, 데이터 가공을 처리하기 위한 식이다.

상기 데이터 가공은 데이터 수집부에서 수집된 데이터에 대해 전처리로서 데이터의 의미 파악, 데이터 선택, 데이터 범위 설정 등을 실행한다.

3. 데이터 처리와 저장

상기 가공된 데이터의 저장은 분산파일시스템(HDFS : Hadoop Distributed File System: 미도시)을 이용하여 데이터를 나누어 분산하여 서버(200)의 빅데이터부(200a)에 빅데이터를 저장시키는 방식인 것이다.

4. 데이터 분석

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

도 6을 보면, 머신러닝을 이용하여 데이터를 분석하는 과정을 나타내는 도면인데, 이하에서는 머신러닝 분석과정에 대한 설명을 하기로 한다.

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

상기 지도학습 알고리즘은 주어진 훈련 데이터를 통해 이전에는 보이지 않던 데이터 패턴을 찾는다. 즉, 지도학습의 목표는 기계에 맵핑 기능을 제공하는 것이다. 다라서, 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 서로 상반되는 명칭을 정의하고 상기 경우는 과일과 성별, 동물로서 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 방법중의 하나인 것이다.

상기와 같은 분류와 회귀를 분석모델의 적용범위로서, 전력설비(E)의 최적 제어시스템을 구성하기 위하여 대입시키면 이하와 같다.

1) 분류

(1) 전력설비(E)의 이상 여부 : 주변 온도, 가동 시간을 토대로 하여 배전반 등의 전력설비(E)의 내부 온도 등을 확인하여 판단

(2) 제어반(미도시), 고압반(미도시), 저압반(미도시), 변성기(MOF : 미도시), 배전반(미도시), 특고압반(미도시), 모터 FAN(미도시) 등의 부품 고장 여부 : 단락상태, 나머지는 제어부에 자체 오류 데이터 전송

(3) 온, 습도 측정장치(100)의 이상 여부 : 온도와 습도 데이터가 정상범위 이외의 값으로 나왔는지 여부

2) 회귀

(1) 가동 예약 : 사전에 전력설비(E)를 가동하여, 가동시키기 전의 전력설비(E)의 내부 온도와 습도를 측정하여, 전력설비(E) 가동의 최적 타이밍을 선택

(2) 자동 제상 : 전력설비(E)의 외부와 온, 습도 측정장치(100)의 온도 및 습도를 계산하여 적상(성에 서리 등 발생) 조건시, Hot gas 방식의 제상 실행

(3) 부품교체 및 점검시기 : 제어반, 모터 FAN, 특고압반, 변성기(MOF), 고압반, 저압반, 배전반 등과 같은 전력설비(E)의 각 부품의 누적 동작 시간과 데이터 쉬트(Data sheet)의 수명을 비교하여 예측

(4) 알고리즘의 최적 제어 : 문 열린 시간, 주기, 내부 온도 데이터 변화를 바탕으로 모터FAN, RPM, 밸브 On/Off 타이밍 조정

상기 분류와 회귀를 위한 분석모델의 적용은 의사결정 나무(Decision tree)를 참조하는데, 데이터를 분석하여 이들 사이에 존재하는 패턴을 예측 가능한 규칙들의 조합으로 나타내며, 나무 형태랑 비슷하다고 하여 의사결정 나무라고 호칭하는 것이다.

5. 통합관제센터(300)에서의 표시부(미도시)에 디스플레이

상기 데이터 처리 과정을 통한 분석된 데이터를 디스플레이를 통하여 표시함으로서, 외부에서 시각화할 수 있는 것이다.

이와 같이, 데이터베이스(200b)에는 서버(200)의 빅데이터부(200a)를 통하여 상기 머신러닝을 이용한 과정을 통하여 획득된 데이터가 저장되며, 통합관제센터(300)를 통하여 사용자에게 데이터가 제공된다.

상기 통합관제센터(300)는 네트워크를 통하여 상기 데이터베이스(200b)로 액세스한 다음, 상기 데이터베이스(200b) 상의 데이터 및 가공 데이터를 이용하여 최적의 제어를 할수 있는 것이다.

따라서, CPU or 마이크로프로세서의 내부에서 처리 불가능한 대용량, 고속처리, 복잡한 알고리즘 계산이 필요한 빅데이터는 서버(200)를 통해 처리할 수 있는 것이다.

상기에서 설명한 전력설비(E)의 데이터 및 이전의 데이터, 상기 전력설비(E)의 설치에 따른 데이터를 모두 취합하여 상기 데이터를 수집, 가공, 저장, 분석, 표현하는 방법을 이용하여, 최적 제어를 위한 머신러닝 기반의 데이터 관리를 하는 과정에 대한 설명하기로 한다.

이하에서는, 도면을 참조하여 상기 과정에 대한 설명하기로 한다.

도 7을 보면, 전력설비(E)들에게 인가되는 최적 전류 및 전압을 찾아 세팅하는 머신러닝 기반의 데이터 관리의 흐름으로서, 온습도 측정장치(100)와 전력설비(E)들이 작동하는 현장의 온, 습도, 수배전반 등의 상태, 인가되는 전압 및 전류를 감지한다.

이와 같은 다수의 전력설비(E)에 형성된 센서(미도시)는 전력설비(E) 센서 관리 프로그램에 의해 관리된다. 또한, 각각의 센서는 실시간으로 관리자에 의해 표시부에서 모니터링할 수 있도록 하는 것이다.

도 7에 도시된 대로, 단계 S10에서 감지된 데이터는 전력설비(E) 각각의 센서와 데이터, 상기 전력설비(E)가 위치한 곳에서의 온도, 습도, 작업자, 작업 공정, 시간 등의 데이터가 수집된다(S20).

또한, 상기 단계 S20에서 수집된 데이터에 따라 관리자는 전력설비(E) 각각의 상황을 인식할 수 있다. 따라서, 관리자는 현장에서 전력설비(E) 각각의 가동, 비가동 상태를 인식할 수 있다.

다음에, 상기 단계 S20에서 수집된 데이터에 대해 통합관제센터(300)의 최적 제어부(330)는 데이터의 의미 파악, 데이터 선택, 데이터 범위 설정을 위해서 분석한다(S30).

이어서, 상기 단계 S30에서 분석된 데이터에 따라, 최적 조건을 학습하는 머신 러닝을 실행한다(S40).

상기 단계 S40에서는 최적 조건의 상황에 맞는 최적화 모델을 선정하고, 전려설비(E)들의 성능이 개선될수 있도록, 도 8에 도시된 바와 같은 머신 러닝 학습 세트에 따라 지도 학습과 강화 학습을 통해 머신러닝을 실행한다.

그 다음, 상기 단계 S40에서 학습된 조건에 대응시켜 통합 제어부가 상기 전력설비(E)에 인가되는 전류, 전압을 변경해서 최적의 제어를 실행하도록 관리한다(S50).

이하에서는, 도면을 참조하여 본 발명에 의한 전력설비(E)의 최적 제어 방법을 설명하기로 한다. 상기 설명한 실시예와 중복되는 설명은 어느정도 생략하기로 한다.

먼저, 도 9를 참조하면 온도 및 습도 데이터를 온습도 측정장치(100)을 통하여 서버(200)로 전송하게 된다(제1단계).

상기 제1단계에서 상기 전력설비(E)를 비롯한 여러 부분에 IoT(사물인터넷) 센서(미도시) 및 설비 센서가 형성되어, 이를 통하여 상기 서버(200)로 전송하게 되는 것이다. 상기 온습도 측정장치(100)는 통신부(70)를 통하여 상기 데이터를 서버(200)로 재전송한다.

다음으로, 상기 서버(20)는 데이터를 빅데이터부(200a)에 제공하고, 데이터베이스(200b)에 저장하게 된다(제2단계).

상기 데이터는 전력설비(E)의 내부 온, 습도, 전력신호, 수배전반에 전력을 공급하는 전력공급장치(배터리 등)의 정보를 포함한다.

상기 빅데이터부(200a)에 제공된 데이터는 내부의 머신러닝 알고리즘을 통하여 데이터를 수집, 가공, 저장 및 처리한다(제3단계). 상기 내부 머신러닝 알고리즘을 통한 데이터 처리방식에 대하여 앞서 실시예에서 언급하였으므로 생략하기로 한다.

상기 머신러닝을 기반으로 하여 전력설비(E)의 작동 형태를 학습한다(제4단계).

예를 들어, 수배전반의 도어가 열리고 닫히는 센서(미도시)데이터로 감지하여 이를 모니터링하여 평균 데이터를 추출하여 학습하고, 고압반이나 수배전반 등을 가동시키는 전력공급장치(배터리 등)의 소모 전력과 외부 온도에 따른 상기 전력공급장치가 배터리로 이루어진다면, 배터리 용량의 감소 속도를 실시간으로 분석하여 충전 예상 시간을 예측한다.

또 다른 예로서, 시설관리 근무자 등이 수배전반이나 변전기 등과 관련된 근무일지 작성이나 점검을 위하여 수배전반 등의 문을 열거나 닫을 때, 냉기가 급속히 외부로 빠지면서 실내 내부 온도가 상승하게 되는데, 이를 머신러닝 알고리즘을 적용하여, 향후 내부 온도와 전력 소비를 효율적으로 최적화시킬수도 있는 것이다.

상기 제4단계를 통한 학습을 토대로 하여 최적의 예측을 하여 전력설비(E)의 최적 제어를 하는 것이다(제5단계).

따라서, 상기와 같은 머신러닝을 기반으로 통계적인 학습을 통하여 전력설비(E)의 작동 또는 유지 형태를 분석하여 상기 전력설비(E)의 최적 제어를 통해서 이를 테면, 이러한 변압기, 모터 등의 고장 여부를 쉽게 모니터링하고 확인할 수 있고, 기타 전력설비(E) 부품의 열화를 감시할 수 있는 것도 가능한 것이다.

또한, 사용자의 운용 상황에 따라 전력 저장 장치인 배터리의 소모량에도 차이가 발생하게 되는데, 이에 대한 최적으로의 제어도 가능하므로, 전력설비(E)의 유지와 관리를 최적으로 할수 있는 효과도 얻게 되는 것이다.

이상에서와 같은 내용의 본 발명이 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 : 온도 측정센서 20 : 연산부
21 : 온습도 인식부 21a : 온습도 인식모듈
21b : 온습도신호 생성모듈 21c : 온습도 조절모듈
21d : 온습도정보 전송모듈 30 : 습도 측정 센서
40 : 제어부 50 : 입력부
60 : 디스플레이부 70 : 통신부
100 : 온습도 측정장치 200 : 서버
200a : 빅데이터 200b : 데이터베이스
300 : 통합관제센터 310 : 학습필요 데이터 생성부
320 : 상황예측부 330 : 최적제어부
400 : 관제서버

Claims

인공지능을 이용한 온, 습도 측정장치를 구비한 전력설비의 최적 제어시스템에 관한 것으로,
공기의 온도를 실시간 측정하는 온도 측정 센서;
상기 공기의 습도를 실시간 측정하는 습도 측정 센서; 및
상기 온도 측정 센서에서 측정된 온도에 따른 최적의 습도를 생성하여 도출하며, 내부에 온습도 인식부가 형성되어 있는 연산부;
상기 온습도 인식부는,
상기 온도 측정 센서에서 온도, 상기 습도 측정 센서에서 습도를 각각 인식하여 온습도 정보를 생성하는 온습도 인식모듈;
상기 온습도 인식모듈에서 인식된 온도 및 습도가 설정된 온도 및 습도와 상이한 경우 해당 온도 및 습도를 조절하기 위한 조절신호를 생성하는 온습도신호 생성모듈;
상기 온습도신호 생성모듈에서 생성된 조절신호를 통해 온도 및 습도를 조절하는 온습도 조절모듈; 및
상기 온습도 인식모듈에서 생성된 온습도 정보를 제어부로 전송하는 온습도정보 전송모듈;을 포함하며,
상기 연산부에서 도출된 최적의 습도와 상기 습도 측정 센서에서 측정된 주위 공기의 습도를 비교하여, 주위 공기의 습도를 자동으로 조정하는 제어부;
상기 연산부에서 도출된 최적의 습도를 입력할수 있는 입력부;
상기 온도측정센서에서 측정한 온도데이터와 상기 습도측정센서가 측정한 습도 데이터를 표시하는 디스플레이부와 상기 습도 데이터 및 상기 온도데이터를 외부로 전달하는 통신부로 이루어지는 온, 습도 측정장치;
상기 온, 습도 측정장치로부터 온, 습도데이터를 수신하며, 상기 전력설비인 변압기, 개폐기, 차단기, 변성기, 배전반, 분전반의 정보 및 상기 전력설비의 상태정보(전압, 전류, 전력, 역률, 주파수 정보) 데이터를 제공받은 후, 네트워크를 통해 제공함에 따라 상기 획득한 데이터를 데이터베이스에 저장할 뿐만 아니라, 상기 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 자체적으로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공하며, 상기 데이터베이스를 이용하여 상기 전력설비의 데이터를 머신러닝을 통한 기계학습을 하여, 최적 제어를 위한 데이터를 확보하는 서버; 및
상기 네트워크를 통하여 상기 데이터베이스로 액세스 이후, 상기 데이터베이스 상의 데이터 및 가공 데이터를 통한 최적의 제어를 할수 있는 통합관제센터를 포함하고,
상기 서버에는 빅데이터부가 형성되며, 상기 빅데이터부는 분산 파일 프로그램에 의해 분할 섹션 DB에 분산 저장된 수집 데이터를 분석하여, 그 분석한 결과로 다수의 특징 데이터를 추출하고 추출된 특징 데이터를 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하여 학습한 결과로 이상 상태 여부를 판단하며,
상기 전력설비의 데이터 및 이전의 데이터, 상기 전력설비의 설치 환경에 따른 데이터를 모두 취합하여, 상기 전력설비의 센서데이터, 상태데이터, 배터리정보, 작동 정보를 DAQ장치로 이루어진 데이터 수집부를 통해 수집하는 데이터 수집, 상기 데이터 수집부에서 수집된 데이터에 대해 전처리로서 데이터 의미파악, 데이터 선택, 데이터 범위설정을 실행하여 데이터 정규화를 진행하는 데이터 가공, 상기 가공된 데이터의 저장은 분산파일시스템을 이용한 데이터를 나누어 분산하여 상기 서버의 빅데이터부에 저장시키는 데이터 저장, 상기 저장된 데이터를 머신러닝을 이용한 지도학습으로 분석하는 데이터 분석, 상기 분석한 데이터를 상기 통합관제센터의 표시부에 디스플레이하는 데이터 표현의 순서로 이루어지고,
상기 머신러닝 알고리즘을 이용하는 학습은 지도학습, 비지도 학습, 강화학습 중에서 선택되는 어느 하나이며,
상기 지도학습은 주어진 훈련 데이터를 통해 이전에는 보이지 않던 데이터 패턴을 찾고, 충분한 데이터가 제공되면 지도학습 알고리즘은 명확한 프로그래밍이나 지시 없이도 데이터의 패턴을 인식하고 응답하는 방법을 학습하고,
지도학습은 분류와 회귀를 이용하여 분석모델을 적용하며,
상기 분류는 추측하고 싶은 결과가 이름 혹은 문자로 분류하고, 훈련하며,
상기 회귀는 예측데이터가 숫자일 때, 기존에 알고 있는 데이터를 바탕으로 앞으로 일어날 사건이나 기존의 사건을 추론하는 방법으로 상기 분류와 상기 회귀를 분석모델로 하여 전력설비의 최적 제어시스템을 구성하는 것을 특징으로 하는 인공지능을 이용한 온습도 측정장치를 구비한 전력설비 최적 제어시스템.
삭제