KR102494144B1 - 빅데이터 기반 지능형 상수관망 의사결정지원 시스템 - Google Patents
빅데이터 기반 지능형 상수관망 의사결정지원 시스템 Download PDFInfo
- Publication number
- KR102494144B1 KR102494144B1 KR1020220001083A KR20220001083A KR102494144B1 KR 102494144 B1 KR102494144 B1 KR 102494144B1 KR 1020220001083 A KR1020220001083 A KR 1020220001083A KR 20220001083 A KR20220001083 A KR 20220001083A KR 102494144 B1 KR102494144 B1 KR 102494144B1
- Authority
- KR
- South Korea
- Prior art keywords
- water
- data
- usage
- usage data
- predicted
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 244
- 238000013480 data collection Methods 0.000 claims abstract description 18
- 238000003908 quality control method Methods 0.000 claims description 22
- 238000003012 network analysis Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 4
- 238000000746 purification Methods 0.000 claims description 4
- 239000008400 supply water Substances 0.000 abstract 4
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000010200 validation analysis Methods 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
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Fluid Mechanics (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
일 실시예는 수용가가 사용하는 상수의 용량에 대한 사용량데이터와, 상기 상수의 수질에 대한 수질데이터를 수집하는 데이터수집장치; 제1 학습알고리즘을 통해 상기 사용량데이터를 학습하고, 학습이 완료되면 상기 상수의 용량을 예측하여 예측사용량데이터를 생성하는 사용량예측모델; 및 제2 학습알고리즘을 통해 상기 수질데이터를 학습하고, 학습이 완료되면 상기 상수의 수질을 예측하여 예측수질데이터를 생성하는 수질예측모델을 포함하는 빅데이터 기반 지능형 상수관망 의사결정지원 시스템을 제공할 수 있다.
Description
본 실시예는 상수관망 운영 및 상수관망에 대한 의사결정을 지원하는 기술에 관한 것이다.
상수도 수질예측관리의 필요성이 절실하다. 2019년 인천 서구, 서울 문래동, 충북 청주, 경기도 평택 등 전국적인 수돗물 적수(탁수) 수질 사고가 발생하였다. 인천 서구 사고의 경우 42,000여 세대에 보상대상금 95억원 등의 경제적·사회적 손실 및 주민 피해가 발생하였다. 이에 유사사고의 재발을 방지하고, 예측과 인지가 어려운 갑작스러운 사고를 예방하기 위한 데이터 기반의 인공지능 수질 사고 예측 시스템이 필요하다.
또한 상수도 유수율 제고의 필요성이 절실하다. 2018년 환경부통계에 따르면 상수도관 노후, 사고 등으로 전국 누수율은 총 생산량의 10.8%(7억2000만톤)이며, 연간 6,580억원의 많은 손실액이 발생하고 있다. 전국 평균 유수율은 84.9%를 달성하였지만, 서울(유수율이 95.1%)과 비교하였을 때, 제주도(46.2%), 전라남도 고흥군(45.6%), 구례군(42.8%)과 같이 대도시와 도서지방 소도시와의 유수율 격차가 존재한다. 상수도의 누수는 상수도 운영 추체의 손실이다. 그래서 이를 극복하기 위해서 많은 노력이 진행되고 있다. 하드웨어적인 유수율 제고 방법으로서 관망의 블록화, 노후 관망 교체 등의 사업이 이루어지고 있으며, 소프트웨어적으로는 지하시설물 DB화 및 관망관리시스템의 도입이 이루어지고 있다. 따라서 유수율 제고를 위해 상수관망 운영의 효율성을 확보하는 핵심 항목으로서 보다 정확하고 실시간적 분석이 가능한 시스템이 필요하다.
또한 데이터 기반의 상수도 관망관리가 필요한 실정이다. 과거 검침 기반의 상수도 요금 징수는 실시간성이 매우 열악하며, 사람에 의한 오류가 발생해도 찾아내기 어렵다. 4차 산업혁명의 핵심 재료인 데이터의 축적이 어렵고 이에 대한 데이터 구축에 많은 시간이 소요되기 때문에 스마트미터링을 통한 상수도 데이터의 축적은 상수도 관망관리의 필수 요소이다.
또한 스마트시티 물관리 시스템이 요구된다. 4차 산업혁명 및 한국형 뉴딜 사업의 핵심 사업으로서 스마트시티 시범사업이 진행 중이다. 부산EDC(에코델타시티), 세종스마트시티가 시범사업으로 선정되어 진행 중 각 시범의 핵심 요소 중의 하나는 스마트 물관리(스마트워터시티)로 선정되었다. 시범사업 이후 각 지자체 또는 신규 개발되는 도시는 스마트시티로 구현될 것이며, 스마트 물관리가 필수 기술로 도입될 것으로 예상된다. 따라서 AI기반 상수도 관리 체계는 스마트시티에 적용되어 운영되어야 하고, 이를 통해서 에너지 절감 및 저탄소 정책의 구현이 필요하다.
또한 AI기반 상수도 관망관리가 필요하다. 산업의 전 분야에서 빅데이터와 AI 기술을 적용하여 사용자 편리성과 운영의 효율성을 추구하고 있으며 상수도 분야에서도 수용가에게 필수적인 상수도 서비스를 제공하고, 상수도 운영을 최적화하기 위해 AI기술의 도입이 필요하다.
마지막으로 융합기술의 필요성이 대두되고 있다. 기반기술과 응용기술의 측면에서 새로운 응용서비스를 제공하기 위해서는 여러 가지 기반기술의 융합적용이 필요하다. 응용기술인 상수관망 서비스를 구현하기 위한 기반기술로서 빅데이터, AI 그리고 상수도관망분석의 기술을 융합함으로서 스마트시티의 상수도 운영 효율화를 구현할 수 있다.
이에, 본 발명의 발명자는 오랫동안 연구하고 시행착오를 거친 끝에 상수관망 데이터의 양을 처리하여 상수관망의 예측관리를 위한 본 발명을 완성하기에 이르렀다.
이러한 배경에서, 본 실시예의 일 목적은, 수용가가 사용하는 상수의 용량에 대한 사용량데이터를 학습하여 상수의 사용량을 예측하고, 상수의 수질에 대한 수질데이터를 학습하여 상수의 수질을 예측하며, 상수관에 대한 관망데이터 및 사용량데이터로부터 수압 및 유량을 예측하는 기술을 제공하는 것이다.
한편, 본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 것이다.
전술한 목적을 달성하기 위하여, 일 실시예는, 수용가가 사용하는 상수의 용량에 대한 사용량데이터와, 상기 상수의 수질에 대한 수질데이터를 수집하는 데이터수집장치; 제1 학습알고리즘을 통해 상기 사용량데이터를 학습하고, 학습이 완료되면 상기 상수의 용량을 예측하여 예측사용량데이터를 생성하는 사용량예측모델; 및 제2 학습알고리즘을 통해 상기 수질데이터를 학습하고, 학습이 완료되면 상기 상수의 수질을 예측하여 예측수질데이터를 생성하는 수질예측모델을 포함하는빅데이터 기반 지능형 상수관망 의사결정지원 시스템을 제공한다.
상기 시스템에서, 상기 데이터수집부는, 원격검침인프라(AMI; advanced metering infrastructure)로부터 상기 사용량데이터를 수집하고, 공공기관이 제공하는 오픈 API(application programming interface)를 통해 상기 수질데이터를 수집할 수 있다.
상기 시스템에서, 상기 수질예측모델은, 정수장의 수질을 입력받아 상기 수용가에게 공급되는 배수지의 수질을 출력함으로써 상기 예측수질데이터를 생성할 수 있다.
상기 시스템에서, 상수관에 대한 관망데이터 및 상기 사용량데이터를 입력받아 수압을 예측한 결과인 예측수압데이터와 유량을 예측한 결과인 예측유량데이터를 출력하는 상수관망분석장치를 더 포함할 수 있다.
상기 시스템에서, 상기 상수관망분석장치는, 상기 수압 및 상기 유량을 예측하기 위하여 EPANET엔진을 포함할 수 있다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 빅데이터와 AI 기술을 기반으로 사용량 및 수질을 예측함으로써 수용가에게 필수적인 상수도 서비스를 효율적으로 제공하고 상수도 운영을 최적화할 수 있다.
한편, 여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급됨을 첨언한다.
도 1은 일 실시예에 따른 상수관망 의사결정지원 시스템 중 상수관망정보 예측시스템의 구성도이다.
도 2는 일 실시예에 따른 상수관망정보 예측시스템 중 품질관리장치의 구성도이다.
도 3은 일 실시예에 따른 품질관리장치의 결측값 판단의 동작을 나타내는 흐름도이다.
도 4는 일 실시예에 따른 품질관리장치의 이상값 판단의 동작을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 상수관망정보 예측시스템 중 유수율예측장치의 구성도이다.
도 6은 일 실시예에 따른 상수관망분석장치의 구성도이다.
도 7은 일 실시예에 따른 상수관망분석장치의 동작을 나타내는 흐름도이다.
도 8은 일 실시예에 따른 데이터베이스의 구성도이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.
도 2는 일 실시예에 따른 상수관망정보 예측시스템 중 품질관리장치의 구성도이다.
도 3은 일 실시예에 따른 품질관리장치의 결측값 판단의 동작을 나타내는 흐름도이다.
도 4는 일 실시예에 따른 품질관리장치의 이상값 판단의 동작을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 상수관망정보 예측시스템 중 유수율예측장치의 구성도이다.
도 6은 일 실시예에 따른 상수관망분석장치의 구성도이다.
도 7은 일 실시예에 따른 상수관망분석장치의 동작을 나타내는 흐름도이다.
도 8은 일 실시예에 따른 데이터베이스의 구성도이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.
본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 발명에 따른 실시예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 상수관망 의사결정지원 시스템 중 상수관망정보 예측시스템의 구성도이다.
도 1을 참조하면, 일 실시예에 따른 상수관망 의사결정지원 시스템(이하 '시스템'이라 함)은 상수관망정보 예측시스템(100) 및 상수관망 통합운영시스템을 포함할 수 있다. 상수관망 통합운영시스템은 데이터를 수집 및 적재하고, 데이터를 저장 및 분석하며, 이에 대한 분석결과를 제공 및 활용할 수 있는 서비스를 사용자(관리자)에게 제공할 수 있다. 또한 상수관망 통합운영시스템은 상수관망정보 예측시스템(100)에서 제공되는 데이터를 인터페이스를 통해 사용자(관리자)에게 출력할 수 있다. 이하에서는 시스템 중 상수관망정보 예측시스템(100)을 중심으로 설명하도록 한다.
일 실시예에 따른 시스템을 일부를 구성하는 상수관망정보 예측시스템(100)은 데이터수집장치(110), 데이터베이스(120), 학습부(130), 사용량예측모델(140) 및 수질예측모델(150)을 포함할 수 있다.
데이터수집장치(110)는 외부로부터 상수 관련 데이터를 수집할 수 있다. 데이터수집장치(110)는 수용가(customer)가 사용하는 상수의 용량에 대한 사용량데이터를 수집할 수 있는데, 사용량데이터는 원격검침인프라(AMI; advanced metering infrastructure)로부터 전송될 수 있다. 여기서 원격검침인프라는 수도와 같은 유틸리티 공급자와 수용가 사이에서 스마트미터를 기반으로 양방향 데이터통신이 가능하도록 연결해주는 네트워크 및 이를 포함하는 시스템으로 이해될 수 있다. 데이터수집장치(110)는 원격검침인프라로부터 수용가의 사용량데이터를 수집할 수 있다. 예를 들어 사용량데이터는 창녕군에 설치된 총 738개의 수용가에 대한 것일 수 있다. 사용량데이터는 검침시간, 수용가번호, 사용량, 베이스 검침값, 계산후 검침값 및 미터기 상태에 대한 정보를 포함할 수 있다.
또한 데이터수집장치(110)는 상수의 수질에 대한 데이터를 수집할 수 있는데, 수질데이터는 공공기관으로부터 전송될 수 있다. 데이터수집장치(110)는 공공기관이 제공하는 open API(application programming interface)를 포함하도록 설계될 수 있고, 데이터수집장치(110)는 open API를 통해 수질데이터를 수집할 수 있다. 예를 들어 데이터수집장치(110)는 서울시 상수도사업본부가 제공하는 수질데이터를 수집할 수 있다. 서울시 상수도사업본부는 수질데이터를 제공하기 위하여 '아리수맵'이라는 서비스를 운용하고, 서울시의 행정동에 공급되는 상수도의 정보를 각 지점별로 1시간 단위로 제공할 수 있다. 여기서 각 지점은 취수장, 정수장 및 배수지를 포함할 수 있다. 데이터수집장치(110)는 '아리수맵'의 서비스를 위한 서버로부터 수질데이터를 제공받을 수 있다. 수질데이터는 전기전도도(CD), 수소이온농도(PH), 잔류염소(RC), 탁도(TB), 수온(TE)의 5가지 정보를 포함할 수 있다.
데이터베이스(120)에는 데이터가 저장 및 보관될 수 있다. 데이터베이스(120)에는 데이터수집장치(110)로부터 전달받은 사용량데이터 및 수질데이터가 저장될 수 있다. 이 데이터는 실시간으로 수집되므로, 실시간 데이터로도 명명될 수 있다. 그리고 데이터베이스(120)에는 예측모델(140, 150)에 의하여 예측된 데이터가 저장될 수 있다. 학습을 완료한 사용량예측모델(140) 및 수질예측모델(150)은 각각 사용량데이터 및 수질데이터를 예측하고, 예측된 결과를 데이터베이스(120)에 저장시킬 수 있다. 예측사용량데이터 및 예측수질데이터는 데이터수집장치(110)로부터 전달된 실시간 데이터에 기반하여 새롭게 생성되므로, 예측데이터로도 명명될 수 있다.
학습부(130)는 사용량예측모델(140) 및 수질예측모델(150)을 학습시킬 수 있다. 학습부(130)는 학습을 위해 데이터베이스(120)에 저장된 데이터를 이용할 수 있다. 수집된 사용량데이터 및 수질데이터는 사용량예측모델(140) 및 수질예측모델(150)을 트레이닝(training)시키는 훈련데이터와 학습과정에서 학습의 중단 시점을 결정하기 위하여 사용하는 검증데이터로 구분될 수 있다. 사용량예측모델(140) 및 수질예측모델(150)은 훈련데이터(training data)를 학습하고 일정 시점-예를 들어 과적합이 발생되기 이전-에서 검증데이터(validation data)를 통해 학습을 완료할 수 있다. 그리고 사용량예측모델(140) 및 수질예측모델(150)의 성능은 훈련데이터 및 검증데이터와 상이한 테스트데이터(test data)를 통해 최종적으로 평가될 수 있다.
그래서 학습부(130)는 사용량예측모델(140) 및 수질예측모델(150)의 출력데이터를 사용량데이터 및 수질데이터와 비교함으로써 각 모델의 변수를 조정할 수 있다. 학습부(130)는 조정된 변수를 가지는 사용량예측모델(140) 및 수질예측모델(150)을 다시 학습시킬 수 있다.
한편 사용량예측모델(140)은 제1 학습알고리즘을 통해 사용량데이터를 학습할 수 있다. 학습이 완료되면 수용가의 상수의 용량을 예측한 결과로서 예측사용량데이터를 생성할 수 있다. 제1 학습알고리즘은 순환신경망(RNN; recurrent neural network)에 기반하고, 이에 따라 사용량예측모델(140)은 제1 인공신경망을 포함할 수 있다. 제1 학습알고리즘은 시계열 데이터를 분석하기 위하여 LSTM(long short-term memory)을 포함할 수 있다. 제1 학습알고리즘에는 ReLu(rectified linear unit) 활성화 함수, 반복횟수를 정의하는 epoch가 포함될 수 있다. 사용량예측모델(140)은 각 수용가별로 결측값을 제외한 15,000개의 측정값을 활용하되, 70%를 훈련데이터로서, 20%를 검증데이터로서, 10%를 테스트데이터로서 각각 활용할 수 있다.
여기서 사용량예측모델(140)은 수용가에 특성에 맞도록 개별적으로 학습될 수 있다. 수용가의 특징에 따라 사용량의 패턴이 다르기 때문에 수용가의 특징에 따라 사용량예측모델(140)이 구분될 필요가 있다. 동일한 가정집이라도 식구수, 생활패턴, 집의 크기 등에 따른 특성이 다르므로, 699개의 수용가에 대해서 개별적으로 학습할 수 있다.
또한 수질예측모델(150)은 제2 학습알고리즘을 통해 수질데이터를 학습할 수 있다. 학습이 완료되면 상수의 수질을 예측한 결과로서 예측수질데이터를 생성할 수 있다. 제2 학습알고리즘은 순환신경망(RNN; recurrent neural network)에 기반하고, 수질예측모델(150)은 제2 인공신경망을 포함할 수 있다. 제2 학습알고리즘은 GRU(gated recurrent unit)을 포함할 수 있다. 제2 학습알고리즘에는 PReLu(parametric rectified linear unit) 활성화 함수가 포함될 수 있다. 수질예측모델(150)은 '아리수맵'의 open API를 통해 실시간으로 수집된 수집데이터에서 누락된 값을 제외한 1176개의 측정값을 활용할 수 있다. 수질예측모델(150)은 탁도를 제외한 4개 항목-전기전도도, 잔류염소, 수소이온농도, 수온-에 대해서 결과를 예측할 수 있다. 여기서 학습을 완료한 수질예측모델(150)은 정수장의 수질을 입력값으로 하여 수용가에게 공급되는 배수지의 수질을 출력할 수 있다. 예측수질데이터는 배수지의 수질을 포함할 수 있다.
여기서 사용량예측모델(140)은 수용가에 특성에 맞도록 개별적으로 학습될 수 있다. 수용가의 특징에 따라 사용량의 패턴이 다르기 때문에 수용가의 특징에 따라 사용량예측모델(140)이 구분될 필요가 있다. 동일한 가정집이라도 식구수, 생활패턴, 집의 크기 등에 따른 특성이 다르므로, 699개의 수용가에 대해서 개별적으로 학습할 수 있다.
또한 사용량예측모델(140) 및 수질예측모델(150)은 예측된 결과를 다시 데이터베이스(120)에 저장할 수 있다. 학습을 완료한 사용량예측모델(140)은 사용량데이터를 예측한 결과인 예측사용량데이터를 생성하여 데이터베이스(120)에 저장할 수 있다. 학습을 완료한 수질예측모델(150)은 수질데이터를 예측한 결과인 예측수질데이터를 생성하여 데이터베이스(120)에 저장할 수 있다. 여기서 실시간으로 수집되는 사용량데이터 및 수질데이터와, 예측된 결과인 예측사용량데이터 및 예측수질데이터는 상수관망 통합운영시스템으로 전달되어 사용자(관리자)에게 출력될 수 있다.
도 2는 일 실시예에 따른 상수관망정보 예측시스템 중 품질관리장치의 구성도이다.
도 2를 참조하면, 일 실시예에 따른 상수관망정보 예측시스템 중 품질관리장치(200)의 구성도가 도시될 수 있다. 상수관망정보 예측시스템은 품질관리장치(200)를 포함할 수 있고, 품질관리장치(200)는 결측값판단부(210), 이상값판단부(220) 및 사용량예측모델(140)로 구성될 수 있다.
품질관리장치(200)는 상수의 사용량데이터에 대하여 품질관리를 수행할 수 있다. 품질관리장치(200)는 결측값 및 이상값을 판단하고 이에 따른 대응조치를 수행할 수 있다. 사용량데이터 중 일부는 수집시간에 수집되지 않을 수 있다. 수집되지 않는 시점에 값이 존재하지 않게 되는데, 결측값은 이렇게 누락된 값으로 이해될 수 있다. 결측값이 생기면, 품질관리장치(200)는 사용량데이터를 활용해서 새로운 값을 예측할 수 있다.
또한 사용량데이터가 수집되었으나, 오류 등으로 인하여 이상한 값이 수집될 수 있다. 이상값은 이렇게 비정상적인 값으로 이해될 수 있다. 품질관리장치(200)는 사용량데이터를 이용하여 이상값을 판단하고, 이에 따른 대응조치를 수행할 수 있다.
결측값판단부(210)는 사용량데이터가 결측값을 포함하는지 여부를 판단할 수 있다. 사용량데이터가 결측값을 포함하면, 사용량예측모델(140)에 사용량데이터를 예측할 것을 요청할 수 있다. 사용량예측모델(140)은 사용량데이터를 예측하고, 예측사용량데이터를 생성하여 데이터베이스(120)에 저장할 수 있다. 사용량데이터가 결측값을 포함하지 않으면, 결측값판단부(210)는 사용량데이터를 데이터베이스(120)에 바로 저장할 수 있다.
이상값판단부(220)는 사용량데이터가 이상값을 포함하는지 여부를 판단할 수 있다. 사용량데이터가 이상값을 포함하면, 사용량예측모델(140)에 사용량데이터를 예측할 것을 요청할 수 있다. 사용량예측모델(140)은 사용량데이터를 예측하고, 예측사용량데이터를 생성하여 데이터베이스(120)에 저장할 수 있다. 사용량데이터가 이상값을 포함하지 않으면, 이상값판단부(220)는 사용량데이터를 데이터베이스(120)에 바로 저장할 수 있다.
도 3은 일 실시예에 따른 품질관리장치의 결측값 판단의 동작을 나타내는 흐름도이다.
도 3을 참조하면, 일 실시예에 따른 품질관리장치(200)의 결측값 판단의 동작이 도시될 수 있다.
품질관리장치는 결측값판단부를 통해 사용량데이터를 획득할 수 있다(S301 단계). 품질관리장치는 결측값판단부를 통해 사용량데이터 중 데이터테이블의 특정 필드을 검색하고, 특정 필드의 값이 결측값을 나타내는지 판단할 수 있다(S302 단계 및 S303단계). 예를 들어 gauge-status_info 필드의 값이 '6'인지를 판단할 수 있다. gauge-status_info 필드의 값이 '6'이라면, 학습을 완료한 사용량예측모델은 사용량데이터를 예측할 수 있다(S303 단계의 YES 및 S304단계). 사용량예측모델은 결측값 대신에 예측사용량데이터를 데이터베이스에 저장할 수 있다(S305 단계). 그러나 gauge-status_info 필드의 값이 '6'이 아니면, 학습을 완료한 결측값판단부 또는 사용량예측모델은 획득된 사용량데이터를 그대로 데이터베이스에 저장할 수 있다(S306 단계).
도 4는 일 실시예에 따른 품질관리장치의 이상값 판단의 동작을 나타내는 흐름도이다.
도 4를 참조하면, 일 실시예에 따른 품질관리장치(200)의 이상값 판단의 동작이 도시될 수 있다.
품질관리장치는 이상값판단부를 통해 사용량데이터를 획득할 수 있다(S401 단계). 한편 품질관리장치는 이상값판단부를 통해 과거의 사용량데이터를 데이터베이스로부터 획득할 수 있다(S402 단계). 품질관리장치는 사용량데이터의 평균값과 사용량데이터의 표준편차를 각각 산출할 수 있다(S403 단계 및 S404 단계). 여기서 평균값 및 표준편차는 수용가별로 산출되거나 시간(대)별로 산출될 수 있다.
이상값판단부는 실시간으로 수집된 사용량데이터가 이상값을 포함하는지를 상기 평균값 및 상기 표준편차를 이용하여 판단할 수 있다(S405 단계).
실시간 사용량데이터가 상기 평균값 및/또는 상기 표준편차의 범위 이내에 속하지 않으면, 이상값판단부는 실시간 사용량데이터가 이상값을 포함하는 것으로 판정할 수 있다(S405 단계의 NO). 사용량예측모델은 사용량데이터를 예측할 수 있다(S406단계). 사용량예측모델은 이상값 대신에 예측사용량데이터를 데이터베이스에 저장할 수 있다(S407 단계).
실시간 사용량데이터가 상기 평균값 및/또는 상기 표준편차의 범위 이내에 속하면, 이상값판단부는 실시간 사용량데이터가 이상값을 포함하지 않는 것으로 판정할 수 있다(S405 단계의 YES). 이상값판단부 또는 사용량예측모델은 실시간 사용량데이터를 그대로 데이터베이스에 저장할 수 있다(S408 단계).
도 5는 일 실시예에 따른 상수관망정보 예측시스템 중 유수율예측장치의 구성도이다.
도 5를 참조하면, 일 실시예에 따른 상수관망정보 예측시스템 중 유수율예측장치(500)의 구성도가 도시될 수 있다. 상수관망정보 예측시스템은 유수율예측장치(500)를 포함할 수 있고, 유수율예측장치(500)는 유수율산출부(510) 및 사용량예측모델(140)로 구성될 수 있다.
유수율예측장치(500)는 수용가의 사용량을 예측함으로써 전체 상수 공급 구역내의 유수율을 예측할 수 있다. 구체적으로 유수율예측장치(500)는 학습을 완료한 사용량예측모델(140)을 통해 사용량데이터를 예측하고, 예측사용량데이터를 기반으로 예측공급량데이터 및 유수율을 산출할 수 있다. 이렇게 산출된 유수율은 예측에 기반하므로 예측유수율로 정의될 수 있다.
수학식 1에 따르면, 유수율은 배수구역 전체의 공급량 대비 과금되는 사용량에 대한 비율로서, 유수사용량에 대한 유수사용량과 무수사용량의 합의 비율로 산출될 수 있다. 유수사용량은 상수가 공급되는 구역 중에서 실제로 과금되는 사용량이고, 무수사용량은 공공용수나 누수 등에 의하여 손실되는 사용량일 수 있다. 예를 들어 전체 배수구역의 수용가가 738개인 경우, 유수사용량은, 수용가 번호가 '011-0x0-000xx-000x'형식으로 구성되어 과금이 되는 699개 수용가에서 사용되는 사용량으로 이해될 수 있다. 반대로 무수사용량은, 유수사용량으로 정의된 수용가 이외의 '**점검구', '소방서'로 정의된 수용가에서 사용되는 사용량으로 이해될 수 있다. 따라서 공급량은 유수사용량과 무수사용량의 합이 될 수 있다.
그래서 사용량예측모델(140)은 유수사용량으로 정의된 수용가에 대한 사용량데이터를 예측하여 예측유수사용량을 산출할 수 있다. 사용량예측모델(140)은 무수사용량으로 정의된 수용가에 대한 사용량데이터를 예측하여 예측무수사용량을 산출할 수 있다. 사용량예측모델(140)은 예측유수사용량 및 예측무수사용량을 포함하는 예측사용량데이터를 유수율산출부(510)로 전달할 수 있다.
유수율산출부(510)는 유예측유수사용량과 예측무수사용량의 합을 예측공급량으로 간주하고, 예측유수사용량, 예측공급량 및 수학식 1에 따라 유수율을 예측할 수 있다. 그 결과로서 유수율산출부(510)는 예측유수율을 산출할 수 있다. 유수율산출부(510)는 예측유수율을 데이터베이스(120)에 저장할 수 있다.
도 6은 일 실시예에 따른 상수관망분석장치의 구성도이다.
도 6을 참조하면, 일 실시예에 따른 상수관망정보 예측시스템 중 상수관망분석장치(600)의 구성도가 도시될 수 있다. 상수관망정보 예측시스템은 상수관망분석장치(600)를 포함할 수 있고, 상수관망분석장치(600)는 상수관망분석부(610)를 더 포함할 수 있다.
상수관망분석장치(600)는 상수관에 대한 관망데이터 및 사용량데이터를 이용하여 상수의 수압 및 유량을 예측할 수 있다. 구체적으로 상수관망분석부(610)는 분석엔진을 포함하고, 분석엔진을 통해 관망데이터 및 사용량데이터를 입력받아 수압을 예측한 결과인 예측수압데이터 및 유량을 예측한 결과인 예측유량데이터를 출력할 수 있다. 상수관망분석부(610)는 관망데이터를 데이터수집장치로부터 획득하고, 사용량데이터를 데이터베이스(120)로부터 각각 획득할 수 있다.
여기서 분석엔진은 EPANET엔진을 포함할 수 있다. EPANET엔진은 미국환경보호국에 의하여 개발된 수자원 분야 관망 해석용 공개소프트웨어일 수 있다. EPANET엔진은 수질 거동을 시뮬레이션하기 위하여 관망설계에 사용되는 오픈소스일 수 있다. 또한 관망데이터는 *.inp 형태의 파일로 공공기관으로부터 제공받을 수 있다. 관망데이터는 각 절점(junction) 즉, 상수관의 일 지점의 x, y좌표, 고도 및/또는 패턴 등의 정보를 포함할 수 있다. 또한 관망데이터는 관로에 대한 정보-길이, 직경 및/또는 조도계수- 등의 정보를 포함할 수 있다.
도 7은 일 실시예에 따른 상수관망분석장치의 동작을 나타내는 흐름도이다.
도 7을 참조하면, 일 실시예에 따른 상수관망분석장치의 동작이 도시될 수 있다. 상수관망분석장치는 관망데이터를 획득할 수 있다(S701 단계). 한편 데이터수집장치는 사용량데이터를 수집하고(S702 단계), 사용량데이터는 데이터베이스에 저장될 수 있다(S703 단계).
상수관망분석장치는 관망데이터 및 사용량데이터를 EPANET엔진을 통해 분석할 수 있다(S704 단계). 상수관망분석장치는 수압을 예측하여 예측수압데이터를 생성하고(S705 단계), 유량을 예측하여 예측유량데이터를 생성할 수 있다(S706 단계). 상수관망분석장치는 예측수압데이터 및 예측유량데이터를 데이터베이스에 저장할 수 있다(S707 단계).
도 8은 일 실시예에 따른 데이터베이스의 구성도이다.
도 8을 참조하면, 일 실시예에 따른 시스템에 포함되는 데이터베이스(120)의 구성도가 도시될 수 있다. 데이터베이스(120)에는 일 실시예에 따른 시스템을 구성하는 상수관망정보 예측시스템 및 상수관망 통합운영시스템을 위한 데이터가 저장될 수 있다. 상수관망정보 예측시스템에 의한 인공지능 분석과 상수관망 통합운영시스템에 의한 상수관망 분석을 위한 데이터들은 데이터베이스(120)에 통합적으로 탑재될 수 있다.
데이터베이스(120)는 저장되는 데이터의 종류에 따라 사용량데이터DB(121), 수질데이터DB(122), 유수율데이터DB(123), 관망분석데이터DB(124) 및 상수관망 통합운영DB(125)와 같은 하위 저장공간을 포함할 수 있다.
사용량데이터DB(121)에는 원격검침인프라를 통해 실시간으로 수집되는 사용량데이터와 예측된 사용량데이터가 저장될 수 있다. 수질데이터DB(122)에는 open API 또는 AMI를 통해 실시간으로 수집되는 수질데이터와 예측된 수질데이터가 저장될 수 있다.
유수율데이터DB(123)에는 실시간으로 수집되는 사용량데이터에 의하여 산출된 유수율데이터 또는 예측된 사용량데이터에 의하여 산출된 예측된 유수율데이터가 저장될 수 있다.
관망분석데이터DB(124)에는 상수도의 관망데이터가 저장되거나, EPANET엔진을 포함하는 상수관망분석장치에 의하여 분석된 관망분석결과-예를 들어 예측수압데이터 및 예측유량데이터-가 저장될 수 있다.
상수관망 통합운영DB(125)에는 상수관망 통합운영시스템에서 활용되는 데이터가 저장될 수 있다.
본 발명의 보호범위가 이상에서 명시적으로 설명한 실시예의 기재와 표현에 제한되는 것은 아니다. 또한, 본 발명이 속하는 기술분야에서 자명한 변경이나 치환으로 말미암아 본 발명의 보호범위가 제한될 수도 없음을 다시 한 번 첨언한다.
Claims (5)
- 수용가가 사용하는 상수의 용량에 대한 사용량데이터와, 상기 상수의 수질에 대한 수질데이터를 수집하는 데이터수집장치;
제1 학습알고리즘을 통해 상기 사용량데이터를 학습하고, 학습이 완료되면 상기 상수의 용량을 예측하여 예측사용량데이터를 생성하는 사용량예측모델;
제2 학습알고리즘을 통해 상기 수질데이터를 학습하고, 학습이 완료되면 상기 상수의 수질을 예측하여 예측수질데이터를 생성하는 수질예측모델;
상기 사용량데이터의 품질관리를 수행하고, 결측값을 처리하는 결측값판단부 및 이상값을 처리하는 이상값판단부를 포함하는 품질관리장치;
상수관에 대한 관망데이터 및 상기 사용량데이터를 입력받아 수압을 예측한 결과인 예측수압데이터와 유량을 예측한 결과인 예측유량데이터를 출력하는 상수관망분석장치; 및
상기 수용가의 사용량을 예측함으로써 전체 상수 공급 구역내의 유수율을 예측하고, 상기 사용량예측모델을 통해 상기 사용량데이터를 예측하고, 상기 예측사용량데이터를 기반으로 예측공급량데이터 및 유수율을 산출하는 유수율예측장치를 포함하고,
상기 결측값판단부는, 상기 사용량데이터가 결측값을 포함하는지 판단하고, 상기 사용량데이터가 결측값을 포함하면, 상기 예측사용량데이터를 생성하여 데이터베이스에 저장하도록 상기 사용량예측모델에 사용량데이터의 예측을 요청하고, 상기 사용량데이터가 결측값을 포함하지 않으면, 상기 사용량데이터를 상기 데이터베이스에 저장하며,
상기 이상값판단부는, 상기 사용량데이터가 이상값을 포함하는지 판단하고, 상기 사용량데이터가 이상값을 포함하면, 상기 예측사용량데이터를 생성하여 데이터베이스에 저장하도록 상기 사용량예측모델에 사용량데이터의 예측을 요청하고, 상기 사용량데이터가 이상값을 포함하지 않으면, 상기 사용량데이터를 상기 데이터베이스에 저장하고,
상기 데이터수집장치는, 원격검침인프라(AMI; advanced metering infrastructure)로부터 상기 사용량데이터를 수집하고, 공공기관이 제공하는 오픈 API(application programming interface)를 통해 상기 수질데이터를 수집하고,
상기 수질예측모델은, 정수장의 수질을 입력받아 상기 수용가에게 공급되는 배수지의 수질을 출력함으로써 상기 예측수질데이터를 생성하고,
상기 상수관망분석장치는, 상기 수압 및 상기 유량을 예측하기 위하여 EPANET엔진을 포함하고,
상기 유수율은, 배수구역 전체의 공급량 대비 과금되는 사용량에 대한 비율로서, 유수사용량에 대한 유수사용량과 무수사용량의 합의 비율로 산출되고,
상기 유수사용량은, 상수가 공급되는 구역 중에서 실제로 과금되는 사용량이며,
상기 무수사용량은, 공공용수나 누수에 의하여 손실되는 사용량인
빅데이터 기반 지능형 상수관망 의사결정지원 시스템. - 삭제
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210145112 | 2021-10-28 | ||
| KR1020210145112 | 2021-10-28 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102494144B1 true KR102494144B1 (ko) | 2023-02-06 |
Family
ID=85224289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220001083A KR102494144B1 (ko) | 2021-10-28 | 2022-01-04 | 빅데이터 기반 지능형 상수관망 의사결정지원 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102494144B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050078189A (ko) * | 2004-01-30 | 2005-08-04 | 주식회사이피에스솔루션 | 하수관거 모니터링 및 자료해석 방법 |
| KR20110065088A (ko) * | 2009-12-09 | 2011-06-15 | 이메트릭스 주식회사 | 상수도 운영관리 시스템 및 그 제어방법 |
| KR20130104833A (ko) * | 2012-03-15 | 2013-09-25 | 김준현 | 상수도 모델링 시스템 및 그 방법 |
| KR20140132892A (ko) * | 2013-05-08 | 2014-11-19 | 한전케이디엔주식회사 | Ａｍｉ를 이용한 시설물 통합 관리 시스템 및 그 방법 |
| KR20160078605A (ko) * | 2014-12-24 | 2016-07-05 | 충남대학교산학협력단 | 복합 이벤트 처리와 기계학습 기반의 가정별 물 수요량 예측 및 누수 탐지방법 |
| KR20160087280A (ko) * | 2015-01-13 | 2016-07-21 | 인천대학교 산학협력단 | 스마트 워터 그리드 기반 통합 운영 서비스 제공 방법 및 시스템 |
| JP2018053638A (ja) * | 2016-09-30 | 2018-04-05 | 株式会社日立製作所 | 水質管理システムおよび方法 |
| KR102203617B1 (ko) * | 2019-07-19 | 2021-01-14 | 한전케이디엔주식회사 | 예측 모델링 위변조 방지를 위한 방법 |
-
2022
- 2022-01-04 KR KR1020220001083A patent/KR102494144B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050078189A (ko) * | 2004-01-30 | 2005-08-04 | 주식회사이피에스솔루션 | 하수관거 모니터링 및 자료해석 방법 |
| KR20110065088A (ko) * | 2009-12-09 | 2011-06-15 | 이메트릭스 주식회사 | 상수도 운영관리 시스템 및 그 제어방법 |
| KR20130104833A (ko) * | 2012-03-15 | 2013-09-25 | 김준현 | 상수도 모델링 시스템 및 그 방법 |
| KR20140132892A (ko) * | 2013-05-08 | 2014-11-19 | 한전케이디엔주식회사 | Ａｍｉ를 이용한 시설물 통합 관리 시스템 및 그 방법 |
| KR20160078605A (ko) * | 2014-12-24 | 2016-07-05 | 충남대학교산학협력단 | 복합 이벤트 처리와 기계학습 기반의 가정별 물 수요량 예측 및 누수 탐지방법 |
| KR20160087280A (ko) * | 2015-01-13 | 2016-07-21 | 인천대학교 산학협력단 | 스마트 워터 그리드 기반 통합 운영 서비스 제공 방법 및 시스템 |
| JP2018053638A (ja) * | 2016-09-30 | 2018-04-05 | 株式会社日立製作所 | 水質管理システムおよび方法 |
| KR102203617B1 (ko) * | 2019-07-19 | 2021-01-14 | 한전케이디엔주식회사 | 예측 모델링 위변조 방지를 위한 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Short-term water demand forecast based on deep learning method | |
| Li et al. | Federated learning-based short-term building energy consumption prediction method for solving the data silos problem | |
| KR101648272B1 (ko) | 복합 이벤트 처리와 기계학습 기반의 가정별 물 수요량 예측 및 누수 탐지방법 | |
| Micheli et al. | Big data analytics: an aid to detection of non-technical losses in power utilities | |
| Wu et al. | Using correlation between data from multiple monitoring sensors to detect bursts in water distribution systems | |
| Antonopoulos et al. | Data-driven modelling of energy demand response behaviour based on a large-scale residential trial | |
| Zanfei et al. | Novel approach for burst detection in water distribution systems based on graph neural networks | |
| CN109271465A (zh) | 一种基于云计算的水文数据分析及展示方法 | |
| Zeferino et al. | Regional wastewater system planning under population dynamics uncertainty | |
| Zhu et al. | Feature selection and deep learning for deterioration prediction of the bridges | |
| Li et al. | Fast detection and localization of multiple leaks in water distribution network jointly driven by simulation and machine learning | |
| Ali et al. | A new regional drought index under X-bar chart based weighting scheme–The quality boosted regional drought index (QBRDI) | |
| Momeni et al. | Application of neural network–based modeling for leak localization in water mains | |
| Carrasco-Jiménez et al. | Detection of anomalous patterns in water consumption: An overview of approaches | |
| KR102494144B1 (ko) | 빅데이터 기반 지능형 상수관망 의사결정지원 시스템 | |
| Abdurohman et al. | Forecasting model for lighting electricity load with a limited dataset using xgboost | |
| Niknam et al. | A hybrid approach combining the multi-dimensional time series k-means algorithm and long short-term memory networks to predict the monthly water demand according to the uncertainty in the dataset | |
| Zhu et al. | Exploration of relationships between flood control capacity and peak flow reduction in a multireservoir system using an optimization-clustering-fitting framework | |
| Li et al. | A short-term building energy consumption prediction and diagnosis using deep learning algorithms | |
| Facchini et al. | Complexity science for sustainable smart water grids | |
| Yang et al. | A resilience evaluation method of natural gas pipeline system based on uncertainty analysis | |
| Savinek et al. | Elektro Ljubljana: Big Data Challenges In The Field Of Advanced Electricity Metering | |
| Hingmire et al. | Probing to Reduce Operational Losses in NRW by using IoT | |
| Li et al. | Research on key technologies of high energy efficiency and low power consumption of new data acquisition equipment of power Internet of Things based on artificial intelligence | |
| US20240086870A1 (en) | Method, internet of things (iot) system, and medium for disposing emergency gas supply of smart gas |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |