KR102507187B1 - 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법 - Google Patents

인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법 Download PDF

Info

Publication number
KR102507187B1
KR102507187B1 KR1020220078618A KR20220078618A KR102507187B1 KR 102507187 B1 KR102507187 B1 KR 102507187B1 KR 1020220078618 A KR1020220078618 A KR 1020220078618A KR 20220078618 A KR20220078618 A KR 20220078618A KR 102507187 B1 KR102507187 B1 KR 102507187B1
Authority
KR
South Korea
Prior art keywords
switchboard
amount
deformation
arc
abnormal operation
Prior art date
Application number
KR1020220078618A
Other languages
English (en)
Inventor
오영권
Original Assignee
탑인더스트리(주)
탑정보통신(주)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 탑인더스트리(주), 탑정보통신(주) filed Critical 탑인더스트리(주)
Priority to KR1020220078618A priority Critical patent/KR102507187B1/ko
Application granted granted Critical
Publication of KR102507187B1 publication Critical patent/KR102507187B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
    • H02B13/02—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle with metal casing
    • H02B13/025—Safety arrangements, e.g. in case of excessive pressure or fire due to electrical defect
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/16—Fire prevention, containment or extinguishing specially adapted for particular objects or places in electrical installations, e.g. cableways
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/0052—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes measuring forces due to impact
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
    • H02H1/0015—Using arc detectors
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/22—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for distribution gear, e.g. bus-bar systems; for switching devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Distribution Board (AREA)

Abstract

각종 센서로부터 수집된 신호에 기초하여 배전반의 지속운전 가능 여부를 확인하여 배전반의 급작스런 동작 정지에 의해 발생될 수 있는 문제를 해결할 수 있는 배전반 및 이의 동작 제어 방법이 개시된다. 배전반은, 배전반 외함에 가해지는 충격량을 감지하는 충격 감지 센서와, 배전반 외함의 변형량을 감지하는 변형 감지 센서와, 배전반 외함 내의 아크 발생을 감지하는 아크 감지 센서를 포함하는 센서류; 센서류로부터 제공되는 신호들을 제공받아 인공지능 알고리즘을 이용하여 배전반의 이상동작 예측 모델을 구축하고, 배전반의 지속운전 가능여부를 판단하는 이상동작 예측부; 및 (i) 센서류에 의해 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 배전반의 동작을 차단 제어하고, (ii) 센서류에 의해 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 이상동작 예측 모델을 구축하도록 이상동작 예측부를 제어하고, (iii) 이상동작 예측부에 의해 배전반의 상태가 지속운전 불가로 체크되면 배전반의 동작을 차단 제어하는 동작 제어부를 포함한다.

Description

인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법{SWITCHGEAR HAVING ABNORMAL OPERATING DETECTION FUNCTION USING ARTIFICIAL INTELLIGENCE AND OPERATION CONTROL METHOD THEREOF}
본 발명은 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법에 관한 것으로, 보다 상세하게는 각종 센서로부터 수집된 신호에 기초하여 배전반의 지속운전 가능 여부를 확인하여 배전반의 급작스런 동작 정지에 의해 발생될 수 있는 문제를 해결할 수 있는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법에 관한 것이다.
일반적으로, 수전이란 발전소에서 생산된 전력을 받는 것을 말하고, 배전이란, 각각의 수용가에서 필요로 하는 만큼의 전력량으로 분배해 주는 것을 말한다. 배전반이란, 전력기기가 내부에 설치되어 있는 전기용 판넬로서, 발전설비로 생산된 전기를 수용가(아파트, 공장 등)까지 보내주는 전기설비에 관련되는 기자재(전력기기)가 포함되어 있는 전기용 판넬을 말한다.
배전반은 고압으로 발전소에서 전송되는 전기를 수용가에서 사용할 수 있도록 220V로 변환해 주기 때문에 수용가에서 전기를 사용하기 위해서는 반드시 필요한 시설물이라고 할 수 있다.
그러나, 이러한 배전반은 소방 관계자들 사이에 화재 원인의 1순위로 꼽힐 정도로 화재에 취약하다. 따라서, 이러한 배전반의 화재를 예방하기 위하여 각종 센서들을 활용한 기술들이 개발되고 있는 실정이다.
한국등록특허 제10-2303585호(2021. 09. 17.) 한국등록특허 제10-2308420호(2021. 10. 05.) 한국등록특허 제10-2321734호(2021. 11. 04.) 한국등록특허 제10-2367420호(2022. 02. 25.)
이에 본 발명의 기술적 과제는 이러한 점에 착안한 것으로, 본 발명의 목적은 각종 센서로부터 수집된 신호에 기초하여 배전반의 지속운전 가능 여부를 확인하여 배전반의 급작스런 동작 정지에 의해 발생될 수 있는 문제를 해결할 수 있는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반을 제공하는 것이다.
본 발명의 다른 목적은 상기한 배전반의 동작 제어 방법을 제공하는 것이다.
삭제
삭제
상기한 본 발명의 목적을 실현하기 위하여 일실시예에 따른 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반, 배전반 외함에 가해지는 충격량을 감지하는 충격 감지 센서와, 상기 배전반 외함의 변형량을 감지하는 변형 감지 센서와, 상기 배전반 외함 내의 아크 발생을 감지하는 아크 감지 센서와, 상기 배전반 외함 내의 온도를 감지하는 온도 감지 센서를 포함하는 센서류; 상기 센서류로부터 제공되는 신호들을 제공받아 인공지능 알고리즘을 이용하여 수배전반의 이상동작 예측 모델을 구축하고, 상기 수배전반의 지속운전 가능여부를 판단하는 이상동작 예측부; 및 (i) 상기 센서류에 의해 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 상기 수배전반의 동작을 차단 제어하고, (ii) 상기 센서류에 의해 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 상기 이상동작 예측 모델을 구축하도록 상기 이상동작 예측부를 제어하고, (iii) 상기 이상동작 예측부에 의해 상기 수배전반의 상태가 지속운전 불가로 체크되면 상기 수배전반의 동작을 차단 제어하는 동작 제어부를 포함하되, 상기 이상동작 예측부는,입출력 텐서로 구성된 데이터를 준비하는 데이터 준비부; 수배전반의 이상동작을 예측하기 위해 입력층(Input Layer)과, LSTM층(LSTM Layer)과, 모든 뉴런들이 다음 층과 완전히 연결된 완전연결층(Fully-connected Layer)과, 최종적으로 출력결과가 나오는 출력층(Output Layer)으로 구성된 LSTM 심층신경망(Deep Learning Neural Network, DNN) 모델을 설계하는 모델 설계부; 네트워크의 업데이트를 위한 손실함수 및 네트워크 최적화를 이용하여 상기 LSTM DNN 모델을 학습하는 모델 학습부; 및 상기 모델 학습부에 의해 학습이 완료된 LSTM DNN 모델에 미리 준비해 둔 검증용 입력자료를 투입하여 LSTM DNN 모델을 검증하는 모델 검증부를 포함하되, 상기 데이터 준비부에 의해 준비되는 데이터는 상기 충격량에 대응하는 충격신호, 상기 변형량에 대응하는 변형신호, 상기 아크량에 대응하는 아크신호, 상기 온도에 대응하는 온도신호를 포함하고, 상기 데이터 준비부는
Figure 112022100324570-pat00024
(여기서,
Figure 112022100324570-pat00025
과
Figure 112022100324570-pat00026
는 감지값이고,
Figure 112022100324570-pat00027
과
Figure 112022100324570-pat00028
는 감지시점이며,
Figure 112022100324570-pat00029
은
Figure 112022100324570-pat00030
에서 보간된 값이다)에 의해 정의되는 수식을 통해 상기 준비되는 데이터에 존재하는 결측 구간을 필수적으로 결측 처리한 후,
Figure 112022100324570-pat00031
(여기서, x는 감지값이고 x‘은 정규화된 값이다)에 의해 정의되는 수식을 통해 필수적으로 정규화 처리하되, 상기 감지값은 상기 충격신호, 상기 변형신호, 상기 아크신호, 상기 온도신호 중 어느 하나인 것을 특징으로 한다.
일실시예에서, 상기 충격 감지 센서는, 상기 배전반 외함의 하부에 배치될 수 있다.
일실시예에서, 상기 충격 감지 센서는, 상기 배전반 외함에 작용하는 지진동을 완충하고 상기 지진동을 감지하는 지진동 감지 기능을 갖는　내진구조체를 포함하되, 상기 내진구조체는, 도우넛 형상을 갖고서 지진에 의해 가해지는 연진 지진동을 감지하는 제1 압전소자; 및 플렉서블한 띠형상을 갖고서 지진에 의해 가해지는 압력에 따라 발생되는 수평 지진동을 감지하는 제2 압전소자를 포함할 수 있다.
일실시예에서, 상기 배전반에 인가되는 전원을 차단하는 주 전원차단기를 더 포함하고, 상기 동작 제어부는 상기 이상동작 예측부에 의해 상기 배전반의 상태가 지속운전 불가로 체크되면 상기 주 전원 차단기를 동작시킬 수 있다.
삭제
삭제
일실시예에서, 화재 진압을 위해 설치된 자동 소화기를 더 포함하고, 상기 동작 제어부는 상기 이상동작 예측부에 의해 상기 배전반의 상태가 지속운전 불가로 체크되면 상기 자동 소화기를 동작시킬 수 있다.
일실시예에서, 상기 동작 제어부는, 감지된 충격량이 설정된 충격 임계치보다 큰 것으로 체크되면, 즉각적으로 상기 배전반의 동작을 차단 제어할 수 있다.
일실시예에서, 상기 동작 제어부는, 감지된 아크 발생에 따른 동작을 처리하되, 아크가 일정 횟수 이상 검출되면 경고 신호를 출력하고, 아크가 소멸되지 않으면 상기 배전반의 동작을 차단 제어할 수 있다.
일실시예에서, 상기 동작 제어부는, 상기 변형 감지 센서는 상기 배전반 외함에 배치되어 상기 배전반 외함의 기울기를 측정하는 기울기 센서를 포함하고, 감지된 충격량과 감지된 변형량에 따른 동작을 처리하되, 상기 배전반 외함의 현재 기울기에 대응하는 현재 변형량이 상기 배전반 외함의 초기 기울기에 대응하는 초기 변형량으로 복원되는 것으로 체크되면 정상 동작이 가능한 것으로 판단하고, 상기 현재 변형량이 초기 변형량으로 복원되지 않으면서 현재 변형량이 변형 임계 범위내를 벗어나면 상기 배전반의 동작을 차단 제어하고, 현재 변형량이 변형 임계 범위내에 존재하면 점검 신호를 출력할 수 있다.
일실시예에서, 상기 동작 제어부는, 계전기의 전압, 전류 요소에 기초하여 온도 임계치를 설정하고, 감지된 온도가 상기 온도 임계치보다 큰 것으로 체크되면 상기 배전반의 동작을 차단 제어할 수 있다.
삭제
일실시예에서, 상기 동작 제어부는, 감지된 온도가 상기 온도 임계치보다 크지 않은 것으로 체크되면 상기 배전반의 이상동작모델을 학습하고 배전반의 상태를 판단할 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위하여 일실시예에 따른 배전반의 동작 제어 방법은, (i) 배전반 외함에 가해지는 충격량을 감지하는 충격 감지 센서와, 상기 배전반 외함의 변형량을 감지하는 변형 감지 센서와, 상기 배전반 외함 내의 아크 발생을 감지하는 아크 감지 센서와, 상기 배전반 외함 내의 온도를 감지하는 온도 감지 센서 각각을 통해 충격량, 변형량, 아크 및 온도값을 감지하는 단계; (ii) 상기 감지된 충격량이 설정된 충격 임계치보다 큰 것으로 체크되면, 상기 배전반의 동작을 차단 제어하는 단계; (iii) 상기 감지된 아크 발생에 따른 동작을 처리하는 단계; (iv) 상기 감지된 충격량과 상기 감지된 변형량에 따른 동작을 처리하는 단계; (v) 계전기의 전압, 전류 요소에 기초하여 온도 임계치를 설정하는 단계; (vi) 상기 감지된 온도가 상기 온도 임계치보다 큰 것으로 체크되면 상기 배전반의 동작을 차단 제어하는 단계; (vii) 상기 감지된 온도가 상기 온도 임계치보다 크지 않은 것으로 체크되면 상기 배전반의 이상동작모델을 학습하고 상기 배전반의 상태를 판단하는 단계; 및 (viii) 상기 배전반의 상태가 지속운전 불가로 체크되면, 상기 배전반의 동작을 차단 제어하는 단계를 포함하되, 상기 단계(vii)는, 상기 충격량에 대응하는 충격신호, 상기 변형량에 대응하는 변형신호, 상기 아크량에 대응하는 아크신호, 상기 온도에 대응하는 온도신호 각각의 자료를 전처리하는 단계; 배전반 이상동작 예측모델을 구축하는 단계; 구축된 배전반 이상동작 예측모델을 학습하는 단계; 학습완료된 배전반 이상동작 예측모델을 검증하는 단계; 및 검증된 이상동작 예측모델에 의한 배전반의 이상동작을 예측하는 단계를 포함하되, 상기 각각의 자료를 전처리하는 단계는,
Figure 112022100324570-pat00032
(여기서,
Figure 112022100324570-pat00033
과
Figure 112022100324570-pat00034
는 감지값이고,
Figure 112022100324570-pat00035
과
Figure 112022100324570-pat00036
는 감지시점이며,
Figure 112022100324570-pat00037
은
Figure 112022100324570-pat00038
에서 보간된 값이다)에 의해 정의되는 수식을 통해 상기 충격신호, 상기 변형신호, 상기 아크신호 및 상기 온도신호에 존재하는 결측 구간을 필수적으로 결측 처리하는 과정과,
Figure 112022100324570-pat00039
(여기서, x는 감지값이고 x‘은 정규화된 값이다)에 의해 정의되는 수식을 통해 필수적으로 정규화 처리하는 과정을 포함하고, 상기 감지값은 상기 충격신호, 상기 변형신호, 상기 아크신호 및 상기 온도신호 중 어느 하나인 것을 특징으로 한다.
삭제
일실시예에서, 상기 단계(iii)는, 초기 아크가 발생되어 아크의 발생 횟수가 일정 횟수를 초과하면 경고 신호를 출력하는 단계; 및 상기 경고 신호 출력후 아크가 소멸된 것으로 체크되지 않으면 주 전원 차단기의 동작을 차단 제어하는 단계를 포함할 수 있다.
일실시예에서, 상기 단계(iv)는, 충격량 도출 및 초기 변형이 발생된 것으로 체크되면 상기 배전반 외함의 현재 기울기에 대응하는 현재 변형량이 상기 배전반 외함의 초기 기울기에 대응하는 초기 변형량으로 복원되는지의 여부를 체크하는 단계; 상기 현재 변형량이 상기 초기 변형량으로 복원되는 것으로 체크되면 정상 동작 가능으로 판단하는 단계; 상기 현재 변형량이 상기 초기 변형량으로 복원되지 않은 것으로 체크되면 상기 현재 변형량이 변형 임계 범위에 존재하는지의 여부를 체크하는 단계; 상기 현재 변형량이 상기 변형 임계 범위에 존재하지 않은 것으로 체크되면 주 전원을 차단 제어하고 위험 신호를 출력하는 단계; 및 상기 현재 변형량이 상기 변형 임계 범위에 존재하는 것으로 체크되면 점검 신호를 출력하는 단계를 포함할 수 있다.
이러한 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법에 의하면, 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 배전반의 동작을 차단 제어하므로써, 배전반의 급작스런 동작 정지에 의해 발생될 수 있는 문제를 해결할 수 있다. 또한 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 배전반 이상동작 예측 모델을 구축하고, 구축된 배전반 이상동작 예측 모델을 통해 이상동작을 예측하여 이상 발생시 배전반의 동작을 차단 제어함으로써, 역시 배전반의 급작스런 동작 정지에 의해 발생될 수 있는 문제를 해결할 수 있다.
도 1은 순환신경망(RNN)의 기본구조를 설명하기 위한 도면이다.
도 2는 펼친 RNN 구조를 설명하기 위한 도면이다.
도 3은 LSTM 구조를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반을 설명하기 위한 블록도이다.
도 5은 충격 감지 센서가 내장된 내진구조체를 설명하기 위한 사시도이다.
도 6은 도 5에 도시된 내진구조체를 설명하기 위한 분해 사시도이다.
도 7은 도 6에 도시된 내진구조체를 설명하기 위한 단면도이다.
도 8은 LSTM DNN 모델을 설명하기 위한 도면이다.
도 9는 하이퍼볼릭 탄젠트(hyperbolic tangent)를 나타낸 그래프이다.
도 10은 리니어(linear)를 나타낸 그래프이다.
도 11은 드롭아웃(Dropout)이 적용된 LSTM DNN 모델을 나타낸다.
도 12는 본 발명의 일실시예에 따른 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반의 동작 제어 방법을 설명하기 위한 흐름도이다.
도 13은 도 12에 도시된 아크 발생에 따른 동작 처리 단계를 설명하기 위한 흐름도이다.
도 14는 도 12에 도시된 충격량과 변형량에 따른 동적 처리 단계를 설명하기 위한 흐름도이다.
도 15는 도 12에 도시된 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반의 이상동작모델 학습 및 판단 단계를 설명하기 위한 흐름도이다.
이하, 첨부한 도면들을 참조하여, 본 발명을 보다 상세하게 설명하고자 한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
배전반의 정상 동작을 위해 미래 배전반의 이상동작을 예측은 매우 중요하다. 이를 위해 여러 머신러닝 기법들이 사용될 수 있다. 최근 인공신경망(ANN: Artificial Neural Network)에 기반한 딥러닝(Deep Learning) 기술이 컴퓨터 비전, 음성신호 인식 및 예측 분야에 적용되어 기존의 머신러닝 기법에 의한 결과보다 향상된 성과를 보이고 있다. 특히, 순환신경망(Recurrent Neural Network, RNN)의 하나인 LSTM(Long Short-Term Memory) 기법은 자료의 장기의존성 문제를 해결하여 배전반의 이상동작과 같이 연속적인 형식의 자료를 학습하고 예측하는데 탁월한 성능을 가지고 있다.
순환신경망(RNN)은 심층신경망의 일종으로 스스로를 반복하면서 이전 단계에서 얻은 정보가 지속되도록 한다.
도 1은 순환신경망(RNN)의 기본구조를 설명하기 위한 도면이다. 특히, 도 1은 RNN의 기본구조로 A는 입력 Xt를 받아 ht를 출력으로 내보내며, A를 둘러싼 반복구조는 다음 단계에서 이전 단계의 정보를 받는다는 것을 보여준다.
도 1을 참조하면, RNN은 연속적인 리스트의 형태로 표현될 수 있으며, 이는 시퀀스 형식의 자료를 다루기에 최적화된 구조를 가진 신경망인 것을 도 2를 통해 알 수 있다.
도 2는 펼친 RNN 구조를 설명하기 위한 도면이다. 실제로 RNN은 음성인식, 언어모델, 번역 등의 연속적이 자료를 다루는 분야에서 두각을 나타내고 있다. 그러나 RNN은 자료의 처음과 끝이 너무 먼 경우 지난 정보를 계속 이어가는데 문제가 발생한다.
이러한 장기의존성에 의한 문제를 해결하기 위해 특별한 RNN의 하나인 LSTM(Long Short-Term Memory)이 고안되었고, 연속적인 자료에서 나타나는 문제를 잘 해결했다. LSTM도 RNN처럼 연속된 체인과 같은 구조를 가지고 있으나 하나의 모듈에 4개의 층이 서로 정보를 주고 받도록 도 3에 나타낸 바와 같이 고안되어 있다.
도 3은 LSTM 구조를 설명하기 위한 도면이다. 도 3에 나타낸 바와 같이, LSTM의 핵심은 셀 스테이트(cell state)를 통해 정보를 보존할지 모두 버릴지 결정하고 보존한다면 어떤 것을 저장할지 결정하는데 있다. 저장된 정보에 의해 현재의 정보를 업데이트한 후 역시 셀 스테이트에 따라 활성함수에 의해 출력을 결정한다. 본 명세서에서도 시계열 자료인 충격량 신호, 변형량 신호 및 아크량 신호에 기초하여 배전반의 이상동작을 예측하기 위해 LSTM 모델을 구성하고 적용하였다.
도 4는 본 발명의 일실시예에 따른 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반을 설명하기 위한 블록도이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반(Switchgear, Distributing Board)은 센서류(200), 이상동작 예측부(300) 및 동작 제어부(400)를 포함하여, 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 배전반의 동작을 제어하고, 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 배전반 이상동작 예측 모델을 구축하고, 구축된 배전반 이상동작 예측 모델을 통해 이상동작을 예측하여 이상 발생시 배전반의 동작을 차단 제어한다.
본 명세서에서, 배전반은 전기 시설물들을 안전하게 사용할 수 있도록 전력 계통의 감시, 제어 및 보호를 위하여 한국전력공사로부터 공급된 특고압의 전기를 실제 사용하는 각종 설비의 정격에 맞도록 낮은 전압 및 정격으로 변환하는 설비를 말한다. 이러한 배전반은 전력량을 측정하는 계량기, 이상 상태를 감지하는 계전기 및 이러한 계전기의 신호로 인해 전력을 차단하는 차단기로 구성되어 전력의 안정한 공급을 위한 안전장치로서의 역할을 하며, 발전소, 변전소, 상업용 또는 주거용 건물, 공장, 도로, 철도, 공항, 항만, 상하수도시설과 같은 기반시설 등 전기를 사용하는 모든 곳에 다양한 형태로 설치되어 있다.
배전반에 내장되어 있는 주요 전력기기로는, ALTS(Automatic Load Transfer Switch; 자동부하절체개폐기), ASS(Automatic Section Switch; 자동고장구간개폐기), LBS(Load Breaker Switch; 부하개폐기), TR(Transformer; 변압기), VCB(Vacuum Circuit Breaker; 진공차단기), ACB(Air Circuit Breaker; 기중차단기), MOF(Metering Out Fit; 계기용 변성기), CT(Current Transformer; 계기용 변류기), PT(Potential Transformer; 계기용 변압기), LA(Lightening Arrester; 피뢰기), PF(Power Fuse; 전력용 퓨즈), MCCB (Molded Case Circuit Breaker; 배선용 차단기), COS(Cut Out Switch; COS)등이 있으며 작업자의 안전을 위해 이들 구성품은 금속제 폐쇄구조의 외함 속에 설치된다.
본 실시예에서, 배전반은 고압배전반(고압/특고압), 저압배전반, 전동기제어반 및 분전반 등으로 구성되며, 이들 제품은 하나의 시스템으로 연계될 수 있다.
특고압 배전반(Extra high voltage switchgear)은 7000V 이상을 초과하는 전압계통으로 주회로가 구성되며, 발전소, 변전소 등에서 송전선로로 공급된 특고압 전원을 받기 위한 수전설비들이 내장된 배전반이다. 특고압 배전반은 LBS, LA, MOF, PF, CT, VCB, ACB, TR등의 특고압 전력기기가 사용된다.
고압배전반(High voltage switchgear)은 교류전압 7000V이하의 전압 계통으로 주회로가 구성되며, 특고압 배전반의 TR반으로부터 변성된 고압 전원을 전력부하에 원활하게 공급하는 배전반이다.
저압배전반(Low voltage switchgear)은 고압배전반으로부터 공급받은 전원을 전동기제어반 및 분전반에 공급하는 배전반으로, 통상 전압이 1000V 이하이고 주파수가 1000Hz 이하인 교류정격전압 또는 750V이하의 직류정격전압인 전력계통에서 사용된다.
전동기제어반(Motor control center, MCC)은 저압배전반으로부터 공급받은 전원을 건축물의 급수펌프, 배수펌프, 소화수펌프, 등에 설치된 전동기에 공급하는 배전반으로 전동기기의 감시 및 제어목적의 배전반이며 기동반, 부하반, 보조기기로 구성된다.
분전반(Distirbution panel, DP)은 저압배전반으로부터 공급받은 전원을 건축물의 조명, 에어컨, 컴퓨터, 전열기구 등의 부하설비에 직접 공급하기 위해 사용하는 패널로, 개폐기, 퓨즈, 컷 아웃 스위치, 배선용 차단기 등의 전력부품이 집합된 배전반이다.
센서류(200)는 배전반 외함에 가해지는 충격량을 감지하는 충격 감지 센서(210)와, 상기 배전반 외함의 변형량을 감지하는 변형 감지 센서(220)와, 상기 배전반 외함 내의 아크 발생을 감지하는 아크 감지 센서(230)를 포함한다.
충격 감지 센서(210)는 배전반 외함의 하부에 배치되어 배전반에 가해지는 지진 발생에 따라 발생되는 지진동과 같은 충격량을 감지하고, 충격량 신호를 동작 제어부(400)에 제공한다. 충격 감지 센서(210)는 압전 소자를 포함하여 구성될 수 있다. 압전 소자를 포함하여 구성된 충격 감지 센서(210)는 지진동 감지 기능을 갖는 내진구조체에 배치될 수 있다.
도 5은 충격 감지 센서가 내장된 내진구조체를 설명하기 위한 사시도이다. 도 6은 도 5에 도시된 내진구조체를 설명하기 위한 분해 사시도이다. 도 7은 도 6에 도시된 내진구조체를 설명하기 위한 단면도이다.
도 5 내지 도 7을 참조하면, 충격 감지 센서가 내장된 내진구조체(100)는 수배전반, 폐쇄 배전반, 고압 배전반, 저압 배전반, 제어반, 분전반과 같은 각종 배전반의 바닥부와 지면 사이에 설치되어 상기 배전반에 작용하는 충격력이나 지진동을 완충하고 지진동을 감지하기 위해 댐퍼바디부(110), 하부 댐퍼와셔부(120), 댐퍼피스톤(130), 상부 댐퍼와셔부(140), 댐퍼커버부(150), 체결부(160), 제1 압전소자(170) 및 제2 압전소자(180)를 포함한다. 본 실시예에서, 링형 압전소자인 제1 압전소자(170)가 하부 댐퍼와셔부(120)와 댐퍼피스톤(130) 사이에 배치되고, 제2 압전소자(180)가 중공의 내측면과 하부 댐퍼와셔부(120) 사이에 배치된 예가 도시된다.
댐퍼바디부(110)는 원형의 중공이 형성된 실린더부(112), 실린더부(112)의 일측에 형성된 제1 날개부(114) 및 실린더부(112)의 타측에 형성된 제2 날개부(116)를 갖는다. 실린더부(112)는 원통 형상을 가질 수 있고, 내부에 중공이 형성된다. 실린더부(112)의 바텀부에는 내부에 형성된 중공의 직경보다 작은 크기의 중공홀이 형성된다. 실린더부(112)의 탑부에는 제1 바디 체결홀(112a), 제2 바디 체결홀(112b), 제3 바디 체결홀(112c) 및 제4 바디 체결홀(112d)이 형성된다.
하부 댐퍼와셔부(120)는 도우넛 형상을 갖고서 실린더부(112)의 중공에 배치된다. 하부 댐퍼와셔부(120)는, 도우넛 형상을 갖고서 실린더부(112)의 중공에 배치된 제1 댐퍼와셔(122)와, 도우넛 형상을 갖고서 제1 댐퍼와셔(122) 위에 배치된 제2 댐퍼와셔(124)를 포함한다.
본 실시예에서, 제1 댐퍼와셔(122)의 내측 홀의 직경은 제2 댐퍼와셔(124)의 내측 홀의 직경과 서로 다를 수 있다. 즉, 제1 댐퍼와셔(122)의 내측 홀의 직경이 제2 댐퍼와셔(124)의 내측 홀의 직경 보다 클 수도 있다. 한편, 제1 댐퍼와셔(122)의 내측 홀의 직경이 제2 댐퍼와셔(124)의 내측 홀의 직경보다 작을 수 있다. 따라서, 제1 댐퍼와셔(122)와 제2 댐퍼와셔(124)가 댐퍼바디부(110)의 중공에 배치된 경우 일정 공간이 형성될 수 있다. 형성된 공간은 충격력이나 진동을 완충하는 역할을 수행할 수 있다. 예를 들어, 하부로부터 전달되는 충격력이나 진동은 제1 댐퍼와셔(122) 및 제2 댐퍼와셔(124) 각각에 의해 수직적으로 흡수되고 상기한 일정 공간에 의해 수평적으로 흡수된다. 이에 따라, 실린더 내부에 오일과 같은 재질의 완충재를 주입하지 않더라도 형성된 일정 공간의 공기가 완충재의 역할을 수행한다. 따라서, 오일이 누유되는 일이 발생되지 않는다.
댐퍼피스톤(130)은 내부에 나사산이 형성된 일정 길이의 축부재(132)와 축부재(132)의 하단부 및 축부재(132)의 중간부 사이에 형성된 단턱부재(134)를 갖고서, 실린더부(112)의 중공에 삽입되고 하부 댐퍼와셔부를 관통하여 댐퍼바디부(110)의 바닥부에 형성된 홀에 노출된다. 상부 댐퍼와셔부(140)는 도우넛 형상을 갖고서 실린더부(112)의 중공에 삽입되고 댐퍼피스톤(130)의 단턱부재(134) 위에 배치된다. 상부 댐퍼와셔부(140)는, 도우넛 형상을 갖고서 실린더부(112)의 중공에 삽입되고 댐퍼피스톤(130)의 단턱부재(134) 위에 배치된 제3 댐퍼와셔(142)와, 도우넛 형상을 갖고서 실린더부(112)의 중공에 삽입되고 댐퍼피스톤(130)의 축부재(132)에 끼워져 제3 댐퍼와셔(142) 위에 배치된 제4 댐퍼와셔(144)를 포함한다.
본 실시예에서, 제3 댐퍼와셔(142)의 직경은 제4 댐퍼와셔(144)의 직경보다 작을 수 있다. 따라서, 제3 댐퍼와셔(142)와 제4 댐퍼와셔(144)가 댐퍼바디부(110)의 중공에 배치된 경우 일정 공간이 형성될 수 있다. 형성된 공간은 충격력이나 진동을 완충하는 역할을 수행할 수 있다. 예를 들어, 하부로부터 전달되는 충격력이나 진동은 제3 댐퍼와셔(142) 및 제4 댐퍼와셔(144) 각각에 의해 수직적으로 흡수되고 상기한 일정 공간에 의해 수평적으로 흡수된다. 이에 따라, 실린더 내부에 오일과 같은 재질의 완충재를 주입하지 않더라도 형성된 일정 공간의 공기가 완충재의 역할을 수행한다. 따라서, 오일이 누유되는 일이 발생되지 않는다.
본 실시예에서, 실린더부(112)의 중공의 깊이는 제1 댐퍼와셔(122)의 두께, 제2 댐퍼와셔(124)의 두께, 댐퍼피스톤(130)의 단턱부재(134)의 두께, 제3 댐퍼와셔(142)의 두께 및 제4 댐퍼와셔(144)의 두께의 합과 동일할 수 있다.
댐퍼커버부(150)는 댐퍼바디부(110)에 배치되어 상부 댐퍼와셔부(140)를 가입하고, 중앙부에 형성된 홀을 통해 댐퍼피스톤(130)의 축부재(132)를 일정 높이만큼 노출한다. 댐퍼커버부(150)의 에지에는 제1 커버홀(154a), 제2 커버홀(154b), 제3 커버홀(154c) 및 제4 커버홀(154d)이 형성된다. 제1 커버홀(154a), 제2 커버홀(154b), 제3 커버홀(154c) 및 제4 커버홀(154d)는 각각 실린더부(112)의 탑부에 형성된 제1 바디 체결홀(112a), 제2 바디 체결홀(112b), 제3 바디 체결홀(112c) 및 제4 바디 체결홀(112d)에 대응한다.
체결부(160)는 댐퍼바디부(110)와 댐퍼커버부(150)를 서로 체결시킨다. 본 실시예에서, 체결부(160)는 제1 커버홀(154a)를 통해 관통하여 댐퍼바디부(110)의 제1 바디 체결홀(112a)에 체결되는 제1 스크류(162), 제2 커버홀(154b)를 통해 관통하여 댐퍼바디부(110)의 제2 바디 체결홀(112b)에 체결되는 제2 스크류(164), 제3 커버홀(154c)를 통해 관통하여 댐퍼바디부(110)의 제3 바디 체결홀(112c)에 체결되는 제3 스크류(166) 및 제4 커버홀(154d)를 통해 관통하여 댐퍼바디부(110)의 제4 바디 체결홀(112d)에 체결되는 제4 스크류(168)를 포함한다.
본 실시예에서, 제1 댐퍼와셔(122), 제2 댐퍼와셔(124), 제3 댐퍼와셔(142) 및 제4 댐퍼와셔(144) 각각의 재질은 에틸렌 고무를 포함할 수 있다. 한편, 제1 댐퍼와셔(122), 제2 댐퍼와셔(124) 및 제4 댐퍼와셔(144) 각각의 재질은 에틸렌고무를 포함하고, 제3 댐퍼와셔(142)의 재질은 탄소강을 포함할 수 있다.
본 실시예에서, 댐퍼피스톤(130)의 축부재(132)는 댐퍼바디부(110)에 형성된 홀을 통해 외부로 노출될 수 있다.
제1 압전소자(170)는 댐퍼바디부의 하부면과 평행하게 배치되어 지진에 의해 가해지는 압력에 따른 연직 지진동을 감지한다. 본 실시예에서, 제1 압전소자(170)는 원형상을 가질 수 있다. 통상적으로, 압전소자는 기계적인 힘을 받았을 때 전기 에너지를 발생시키거나 또는 전기적 에너지를 받았을 때 기계적인 변형을 일으킬 수 있는 소자이다. 이러한 압전소자는 압전체에 의해 위와 같은 특성이 일어나는 것이며, 이러한 압전체로는 세라믹, 고분자 등과 같은 물질이 이용될 수 있다.
본 실시예에서, 제1 압전소자(170)는 하부전극(미도시), 압전 세라믹(미도시), 상부전극(미도시)으로 구성될 수 있다. 상기 하부전극은 별도의 베이스에 형성될 수 있고, 상기 상부전극 역시 별도의 베이스에 형성될 수 있다. 상기한 별도의 베이스는 원형상으로 형성될 수 있다. 상기 하부전극 및 상기 상부전극은 전극으로 이용 가능한 물질이면 어떠한 것이든지 가능하며, 예를 들어 Cu, Ag, Au, Al, CNT, Graphene, ITO 등이 이용될 수 있다. 상기 압전 세라믹은 특별한 제한은 없으며, 예를 들어 Pb(Zr,Ti)O3계 압전산화물, 비납계(Pb-free) 압전 세라믹 등이 이용될 수 있다.
본 실시예에서, 제1 압전소자(170)는 링형 압전소자를 포함하고 하부 댐퍼와셔부(120)와 댐퍼피스톤(130) 사이에 배치된다. 제1 압전소자(170)에 의한 연직 지진동 감지 효율을 높이기 위해, 제1 압전소자(170)에 접하는 부위, 즉 하부 댐퍼와셔부(120)의 하부면과 실린더부(112)의 내측 하부면 중 적어도 일면에는 복수의 돌기들이 형성될 수 있다. 도면상에 도시하지는 않았지만, 제1 압전소자(170)는 하부전극에 연결된 전선과 상부전극에 연결된 전선을 통해 압전신호 변환부(미도시)에 감지된 제1 압전신호를 제공할 수 있다.
제2 압전소자(180)는 댐퍼피스톤(130)의 연장 방향과 평행하게 댐퍼피스톤(130)의 하부 영역을 둘러싸도록 배치되어 지진에 의해 가해지는 압력에 따라 발생되는 수평 지진동을 감지한다. 본 실시예에서, 제2 압전소자(180)는 굴곡이 가능한 플렉서블한 사각 형상을 갖고 하부 댐퍼와셔부(120)를 둘러싸도록 배치된다. 예를 들어, 제2 압전소자(180)는 신형고분자 압전변환재료로 독특한 유전체 효과, 압전 효과, 열전효과를 갖는 PVDF(Polyvinylidene fluoride) 압전필름을 포함할 수 있다. PVDF 압전필름은 압전 세라믹 등과 비교하여 유연성, 내충격성, 내 고전압성, 내수성, 화학적 안정성이 있다.
본 실시예에서, 제2 압전소자(180)는 상기 중공의 내측면과 하부 댐퍼와셔부(120) 사이에 배치된다. 제2 압전소자(180)에 의한 수평 지진동 감지 효율을 높이기 위해, 제2 압전소자(180)에 접하는 부위, 즉 상기 중공의 내측면과 하부 댐퍼와셔부(120)의 측면 중 적어도 일면에는 복수의 돌기들이 형성될 수 있다. 도면상에 도시하지는 않았지만, 제2 압전소자(180)는 하부전극에 연결된 전선과 상부전극에 연결된 전선을 통해 압전신호 변환부(미도시)에 감지된 제2 압전신호를 제공할 수 있다.
이상에서는 제2 압전소자(180)는 하나로 구성되어 댐퍼피스톤(130)의 하부 영역을 둘러싸도록 배치되어 수평 지진동을 감지하는 것을 도시하였으나, 복수 개, 예를 들어 4개로 분리되어 댐퍼피스톤(130)의 하부 영역을 둘러싸도록 배치될 수도 있다. 이처럼, 제2 압전소자(180)가 복수개로 분리되어 배치되는 경우, 수평 지진동의 소스의 방향을 인식할 수도 있다.
이상에서 설명된 바와 같이, 수배전반, 폐쇄 배전반, 고압 배전반, 저압 배전반, 제어반, 분전반과 같은 각종 배전반에 작용하는 지진동을 완충하기 위한 구성 외에 추가적으로 연직 지진동을 감지하기 위한 제1 압전소자(170)를 내진구조체의 하부 댐퍼와셔부(120)와 댐퍼피스톤(130) 사이에 배치하고, 수평 지진동을 감지하기 위한 제2 압전소자(180)를 내진구조체의 중공의 내측면과 하부 댐퍼와셔부(120) 사이에 배치함으로써, 지진 발생에 의해 외부로부터 전달되는 충격과 진동을 균일하게 저감시켜 각종 배전반의 안전성을 확보하면서 이와 동시에 지진동을 감지할 수 있다.
한편, 연직 지진동을 감지하도록 디스크 형상을 갖는 제1 압전소자(170)를 댐퍼바디부(110)의 저면에 부착하고, 수평 지진동을 감지하도록 플렉서블한 띠형상을 갖는 제2 압전소자(180)를 상부 댐퍼와셔부(140)와 댐퍼피스톤(130) 사이에 배치할 수도 있다.
한편, 연직 지진동을 감지하도록 도우넛 형상을 갖는 제1 압전소자(170)를 축부재(132) 상부에 끼워져 상부 댐퍼와셔부(140)와 댐퍼커버부(150) 사이에 배치하고, 수평 지진동을 감지하도록 플렉서블한 띠형상을 갖는 제2 압전소자(180)를 상부 댐퍼와셔부(140)와 댐퍼피스톤(130) 사이에 배치할 수도 있다.
한편, 연직 지진동을 감지하도록 도우넛 형상을 갖는 제1 압전소자(170)를 축부재(132) 상부에 끼워져 상부 댐퍼와셔부(140)와 댐퍼커버부(150) 사이에 배치하고, 수평 지진동을 감지하도록 플렉서블한 띠형상을 갖는 제2 압전소자(180)를 하부 댐퍼와셔부(120)와 댐퍼피스톤(130) 사이에 배치할 수도 있다.
한편, 연직 지진동을 감지하도록 도우넛 형상을 갖는 제1 압전소자(170)를 축부재(132) 상부에 끼워져 상부 댐퍼와셔부(140)의 하부에 배치하고, 수평 지진동을 감지하도록 플렉서블한 띠형상을 갖는 제2 압전소자(180)를 중공의 내측면과 상부 댐퍼와셔부(140) 사이에 배치할 수도 있다.
도 4를 다시 참조하면, 변형 감지 센서(220)는 배전반 외함에 배치되어 배전반의 변형량을 감지하고, 감지된 변형량 신호를 동작 제어부(400)에 제공한다. 변형 감지 센서(220)는 배전반 외함의 기울기를 측정하는 기울기 센서를 포함할 수 있다.
아크 감지 센서(230)는 배전반 외함 내측에 설치되어 아크 발생을 감지하고, 감지된 아크량 신호를 동작 제어부(400)에 제공한다. 본 실시예에서, 아크 감지 센서(230)는 가스 내의 금속에 의한 전자 증배 효과를 이용한 자외선 센서를 포함할 수 있다. 이러한 자외선 센서는 반도체 방식과는 달리 가시광선을 차단하는 특수한 필터가 필요치 않으므로 사용이 쉽고, 넓은 광각 특성을 갖기 때문에 불꽃의 세기가 약하여도 빠르게 감지할 수 있다. 배전반에서 아크의 발생은 직접 화재를 진전할 때 500ms 이내에 섭씨 3500도 이상의 고열을 동반한다. 따라서, 본 실시예에서, 초기 미세 아키의 발생시 일정 횟수 이상이 검출되면 경고 신호를 출력하고, 아크가 소멸되지 않으면 차단기를 트립하도록 설계될 수 있다. 내부 먼지 등으로 인해 연면방전 1 내지 2회 정도로 미세 아크가 발생되는 것은 위험 신호로 보기 어렵기 때문이다.
이상동작 예측부(300)는 센서류(200)로부터 제공되는 신호들을 제공받아 인공지능 알고리즘을 이용하여 배전반의 이상동작 예측 모델을 구축하고, 상기 배전반의 지속운전 가능여부를 판단한다. 이상동작 예측부(300)에 대한 상세한 설명은 후술하기로 한다.
동작 제어부(400)는 충격 감지 센서(210)에 의해 감지된 충격량이 설정된 충격 임계치보다 큰 것으로 체크되면, 즉각적으로 주 전원 차단기를 트립시키는 방식으로 주 전원이 배전반에 공급되는 것을 차단하여 배전반의 동작을 차단 제어한다.
또한 동작 제어부(400)는 아크 감지 센서(230)에 의해 감지된 아크 발생에 따른 동작을 처리하되, 아크가 일정 횟수 이상 검출되면 경고 신호를 출력하고, 아크가 소멸되지 않으면 주 전원 차단기를 트립시키는 방식으로 주 전원이 배전반에 공급되는 것을 차단하여 배전반의 동작을 차단 제어한다.
또한 동작 제어부(400)는 충격 감지 센서(210)에 의해 감지된 충격량과 변형 감지 센서(220)에 의해 감지된 변형량에 따른 동작을 처리한다. 특히, 동작 제어부(400)는 상기 배전반 외함의 현재 기울기에 대응하는 현재 변형량이 상기 배전반 외함의 초기 기울기에 대응하는 초기 변형량으로 복원되는 것으로 체크되면 정상 동작이 가능한 것으로 판단하고, 상기 현재 변형량이 상기 초기 변형량으로 복원되지 않으면서 상기 현재 변형량이 변형 임계 범위내를 벗어나면 주 전원 차단기를 트립시키는 방식으로 주 전원이 배전반에 공급되는 것을 차단하여 배전반의 동작을 차단 제어하고, 상기 현재 변형량이 변형 임계 범위 내에 존재하면 점검 신호를 출력한다.
또한 동작 제어부(400)는 계전기의 전압, 전류 요소에 기초하여 온도 임계치를 설정하여, 감지된 온도가 온도 임계치보다 큰 것으로 체크되면 주 전원 차단기를 트립시키는 방식으로 주 전원이 배전반에 공급되는 것을 차단하여 배전반의 동작을 차단 제어한다.
또한 동작 제어부(400)는 온도 감지 센서(240)에 의해 감지된 온도가 온도 임계치보다 크지 않은 것으로 체크되면 센서류(200)에 의해 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 상기 이상동작 예측 모델을 구축하도록 이상동작 예측부(300)를 제어하고, 이상동작 예측부(300)에 의해 상기 배전반의 상태가 지속운전 불가로 체크되면 상기 배전반의 동작을 차단 제어한다.
본 발명의 일실시예에 따른 배전반은 배전반에 인가되는 전원을 차단하는 주 전원 차단기(500)를 더 포함할 수 있다. 여기서, 동작 제어부(400)는 센서류(200)에 의해 감지된 충격량이 설정된 임계치를 초과하면 즉각적으로 주 전원 차단기(500)를 동작시키고, 이상동작 예측부(300)에 의해 배전반의 상태가 지속운전 불가로 체크되면 주 전원 차단기(500)를 동작시킨다.
한편, 본 발명의 일실시예에 따른 배전반은 화재 진압을 위해 배전반 외함의 내측 또는 외측에 설치된 자동 소화기(600)를 더 포함할 수 있다. 여기서, 동작 제어부(400)는 센서류(200)에 의해 감지된 충격량이 설정된 임계치를 초과하면 자동 소화기(600)를 동작시키고, 이상동작 예측부(300)에 의해 배전반의 상태가 지속운전 불가로 체크되면 자동 소화기(600)를 동작시킨다.
그러면, 이하에서 도 4에 도시된 이상동작 예측부(300)에 대해 상세히 설명하기로 한다.
이상동작 예측부(300)는 데이터 준비부(310), 모델 설계부(320), 모델 학습부(330) 및 모델 검증부(340)를 포함하여, 딥러닝과 인공신경망을 이용하여 배전반의 이상동작을 예측하고 예측된 배전반의 이상동작 정보를 동작 제어부(400)에 제공한다. 본 발명의 상세한 설명에 앞서, 이상동작 예측부(300)의 각 구성요소는 물리적으로 구분되는 구성요소라기 보다는 논리적으로 구분되는 구성요소로 이해되어야 한다. 즉, 각각의 구성은 본 발명의 기술 사상을 실현하기 위한 논리적인 구성요소에 해당하므로 각각의 구성요소가 통합 또는 분리되어 구성되더라도 본 발명의 논리 구성이 수행하는 기능이 실현될 수 있다면 본 발명의 범위 내에 있다고 해석되어야 하며, 동일 또는 유사한 기능을 수행하는 구성요소라면 그 명칭 상의 일치성 여부와는 무관하게 본 발명의 범위 내에 있다고 해석되어야 함은 물론이다.
구체적으로, 데이터 준비부(310)는 입출력 텐서로 구성된 데이터를 준비한다. 여기서, 준비되는 데이터는 도 4의 충격 감지 센서(210)에 의해 감지된 충격량에 대응하는 충격신호, 도 4의 변형 감지 센서(220)에 의해 감지된 변형량에 대응하는 변형신호, 그리고 도 4의 아크 감지 센서(230)에 의해 감지된 아크량에 대응하는 아크신호 각각의 자료일 수 있다.
모델 설계부(320)는 배전반의 이상동작을 예측하기 위해 입력층(Input Layer)과, LSTM층(LSTM Layer)과, 모든 뉴런들이 다음 층과 완전히 연결된 완전연결층(Fully-connected Layer)과, 최종적으로 출력결과가 나오는 출력층(Output Layer)으로 구성된 LSTM 심층신경망(Deep Learning Neural Network, DNN) 모델을 설계한다.
모델 학습부(330)는 네트워크의 업데이트를 위한 손실함수 및 네트워크 최적화를 이용하여 상기 LSTM DNN 모델을 학습한다.
모델 검증부(340)는 모델 학습부(330)에 의해 학습이 완료된 LSTM DNN 모델에 미리 준비해 둔 검증용 입력자료를 투입하여 LSTM DNN 모델을 검증한다.
그러면, 이하에서 배전반의 이상동작을 예측하기 위해 이상동작 예측부(300)에 의한 딥러닝 모델의 구축 예를 설명한다.
먼저, 도 4에 도시된 데이터 준비부(310)에 의한 데이터 준비에 관하여 설명한다.
DNN을 이용한 시계열 예측에서 입력자료의 품질은 예측결과의 품질에 직접적인 영향을 미친다. 컴퓨터 과학에서는 이를 GIGO(Garbage In Garbage Out)라는 용어로 표현하는데 DNN도 인공지능의 일종이므로 잡음이 많고 정규화되지 않은 학습자료를 이용하여 학습시키면 예측 결과의 품질이 낮아진다.
따라서, 딥러닝 모델을 수행하기 전 입출력자료에 대한 적절한 전처리 기법이 적용될 수 있다.
상기한 입출력자료에는 결측 구간이 존재할 수 있다. 이러한 결측 구간에 대해 취할 수 있는 대응방안은 전통적으로 규칙에 의해 모두 버리거나, 일정한 값으로 채우거나(평균, 중간값), 보간 또는 kNN 등을 이용하여 근사하는 방법이 있다.
본 실시예에서는 결측 구간이 짧고 제한적으로 나타나므로 개발 효율성을 고려하여 비교적 간단한 선형보간법을 결측 처리전략으로 선택하였으며 다음 수식 1과 같이 정의된다.
[수식 1]
Figure 112022067252156-pat00001
여기서
Figure 112022067252156-pat00002
과
Figure 112022067252156-pat00003
는 감지값이고,
Figure 112022067252156-pat00004
과
Figure 112022067252156-pat00005
는 감지시점이며,
Figure 112022067252156-pat00006
은
Figure 112022067252156-pat00007
에서 보간된 값이다.
결측 처리가 적용되고 학습에 적절한 텐서(tensor)로 자료가 구성되었다 하더라도 자료의 값이 네트워크 가중치보다 크거나 균일하지 않은 상태로 DNN에 적용하는 것은 네트워크의 수렴을 방해하며 이를 해결하기 위해서는 정규화(normalization) 과정을 통해 변환하여야 한다. 다양한 방법이 있으나, 본 실시예에서는 Min-Max scaling 기법(정규화(normalization)로 칭해짐)을 이용하였다. Min-Max scaling은 자료의 분포가 0 ~ 1사이에 위치하도록 변환하는 것으로 다음과 같은 수식 2로 정의된다.
[수식 2]
Figure 112022067252156-pat00008
여기서 x는 감지값이고 x‘은 정규화된 값이다. 상기한 감지값은 도 4의 충격 감지 센서(210)에 의해 감지된 충격량에 대응하는 값일 수도 있고, 도 4의 변형 감지 센서(220)에 의해 감지된 변형량에 대응하는 값일 수도 있으며, 도 4의 아크 감지 센서(230)에 의해 감지된 아크량에 대응하는 값일 수도 있다. 이 과정을 거친 후 자료는 비로소 신경망에 투입될 준비를 마치게 된다.
이하, 도 4에 도시된 모델 설계부(320)에 의한 LSTM DNN 설계에 대해서 설명한다.
본 실시예에서, 배전반의 이상동작을 예측하기 위해 전형적인 LSTM DNN을 설계하였다.
도 8은 LSTM DNN 모델을 설명하기 위한 도면이다. 도 8에서, 설계된 LSTM 모델은 입력층(Input Layer) 다음에 LSTM층(LSTM Layer)이 존재하고 그 다음 모든 뉴런들이 다음 층과 완전히 연결된 완전연결층(Fully-connected Layer)과 최종적으로 출력층(Output Layer)에서 출력결과가 나온다. 입력층에 투입되는 자료는 학습을 위한 자료와 학습 종료 후 모델의 성능을 평가하기 위한 검증자료로 구분된다.
LSTM층의 활성함수는, 도 9에 나타낸 바와 같이, 하이퍼볼릭 탄젠트(hyperbolic tangent)로 구성하였고, 완전연결층의 활성함수는, 도 10에 나타낸 바와 같이, 리니어 함수(linear function)로 설정하였다.
도 9는 하이퍼볼릭 탄젠트(hyperbolic tangent)를 나타낸 그래프이고, 도 10은 리니어(linear)를 나타낸 그래프이다.
이하에서, 도 4에 도시된 모델 학습부(330)에 의한 모델의 학습에 대해서 설명한다.
네트워크의 업데이트를 위한 손실함수는 평균절대오차(Mean Absolute Error)로 선정하였으며, 최적화는 아담 옵티마이저(Adam optimizer)를 이용하였다. 손실함수의 최소화하는 방향으로 가중치를 결정하는 여러 방법 중에 아담 옵티마이저(Adam optimizer)는 시계열 예측을 다루는 LSTM에서 흔히 선택되는 기법이다.
LSTM층과 완전연결층 사이에 과대적합을 방지하기 위해 도 8에 도시된 바와 같이 드롭아웃(Dropout)을 적용하였다.
도 11은 드롭아웃(Dropout)이 적용된 LSTM DNN 모델을 나타낸다.
도 11을 참조하면, 드롭아웃이 적용되는 층은 학습을 하는 동안 무작위로 해당 층의 출력이 발생되지 않고, 결국 일부 뉴런들의 부적합한 연결을 방지하게 되어 과대적합을 감소시킨다.
이하에서, 도 4에 도시된 모델 검증부(340)에 의한 LSTM DNN 모델의 검증에 대해서 설명한다.
모델 학습부(330)에 의해 학습이 완료된 LSTM DNN 모델에 미리 준비해 둔 검증용 입력자료를 투입하여 모델의 검증을 수행한다. 학습용 자료를 한번 사용했을 때를 에폭(epoch)이라 하는데 학습율에 따라 반복하여 학습시킬 수 있다. 예를 들어, 모델의 개발에서 200회를 기본 반복횟수로 하고 학습상태에 따라 조정하였다.
도 12는 본 발명의 일실시예에 따른 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반의 동작 제어 방법을 설명하기 위한 흐름도이다.
도 4 및 도 12를 참조하면, 충격량, 변형량, 아크 및 온도를 감지하고 감지된 각 센싱값들을 저장한다(단계 S110). 상기한 충격량, 변형량, 아크 및 온도의 감지는 각각 도 4의 충격 감지 센서(210), 변형 감지 센서(220), 아크 감지 센서(230)및 온도 감지 센서(240)에 의해 수행될 수 있다.
이어, 단계 S110에서 감지된 충격량이 기 설정된 충격 임계치보다 큰지의 여부를 체크한다(단계 S120). 상기한 충격량과 충격 임계치의 비교는 도 4의 동작 제어부(400)에 의해 수행될 수 있다.
단계 S120에서 상기 충격량이 상기 충격 임계치보다 큰 것으로 체크되면 주 전원 차단기를 동작시키고(단계 S130), 자동 소화기를 작동시킨다(단계 S132). 본 실시예에서, 주 전원 차단기를 동작시킨 후 자동 소화기를 동작시키는 것을 설명하였으나, 주 전원 차단기만을 동작시킬 수도 있고, 주 전원 차단기와 자동 자동 소화기를 동시에 동작시킬 수도 있다. 한편, 자동 소화기를 작동시키는 동작은 생략될 수도 있다. 상기한 주 전원 차단기의 동작 및 상기한 자동 소화기의 동작 제어는 동작 제어부(400)에 의해 수행될 수 있다.
단계 S120에서 상기 충격량이 상기 충격 임계치보다 크지 않은 것으로 체크되면, 아크 발생에 따른 동작을 처리한다(단계 S140). 상기한 아크 발생에 따른 동작은 도 4의 동작 제어부(400)에 의해 수행될 수 있다.
이어, 충격량과 변형량에 따른 동작을 처리한다(단계 S150). 상기한 충격량과 변형량에 따른 동작은 동작 제어부(400)에 의해 수행될 수 있다.
이어, 배전반 내에 구비되는 계전기의 전압, 전류 요소에 기초하여 온도 임계치를 설정한다(단계 S160). 상기한 온도 임계치의 설정은 도 4의 동작 제어부(400)에 의해 수행될 수 있다. 본 실시예에서, 온도를 판단하는 판단 기준치인 온도 임계치는 공인시험시 얻어지는 온도 상승 한도값을 임계점의 기준으로 하여, 계전기의 전압, 전류 요소를 가져와서 온도 상승의 범위에 대한 판단이 가능하도록 설정된다. 예를 들어, 1000A 통전 시에 온도상승 최대값이 섭씨 60도였다면, 600A로 운전되는 경우 온도 임계치는 섭씨 45도 내지 50도 정도로 설정될 수 있다. 이러한 온도 임계치는 운전 상황에 따라 가변하여 설정되고, 이후의 열화예측 시간을 분석하는 형태로 프로그램되어 질 수 있다.
이어, 감지 온도가 단계 S160에서 설정된 온도 임계치보다 큰지의 여부를 체크한다(단계 S170). 상기한 감지 온도와 온도 임계치의 비교는 도 4의 동작 제어부(400)에 의해 수행될 수 있다.
단계 S170에서 감지 온도가 온도 임계치보다 큰 것으로 체크되면 단계 S130으로 피드백한다.
단계 S170에서 감지 온도가 온도 임계치보다 크지 않은 것으로 체크되면 배전반의 배전반의 이상동작모델 학습 및 상태 판단 동작을 수행한다(단계 S180). 상기한 배전반의 이상동작모델 학습 및 상태 판단 동작은 도 4의 이상동작 예측부(300)에 의해 수행될 수 있다.
단계 S180를 수행한 후, 지속운전 불가인지의 여부를 체크한다(단계 S190). 상기한 지속운전 불가인지에 대한 체크는 도 4의 동작 제어부(400)에 의해 수행될 수 있다.
단계 S180에서 지속운전 불가로 체크되지 않으면 단계 S110으로 피드백하고, 지속운전 불가로 체크되면 단계 S130 및 단계 S140을 수행한다.
도 13은 도 12에 도시된 아크 발생에 따른 동작 처리 단계를 설명하기 위한 흐름도이다.
도 12 및 도 13을 참조하면, 초기 아크가 발생되었는지의 여부를 체크한다(단계 S141).
단계 S141에서, 초기 아크가 발생되지 않은 것으로 체크되면 단계 S150으로 피드백하고, 초기 아크가 발생된 것으로 체크되면 일정 횟수가 검출되는지의 여부를 체크한다(단계 S142).
단계 S142에서 일정 횟수가 검출된 것으로 체크되면 경고 신호를 출력한다(단계 S143).
이어, 아크가 소멸되었는지의 여부를 체크한다(단계 S144).
단계 S144에서, 아크가 소멸된 것으로 체크되면 단계 S150으로 피드백하고, 아크가 소멸되지 않은 것으로 체크되면 주 전원 차단기를 동작시켜 주 전원 차단기를 트립시키는 방식으로 배전반에 공급되는 주 전원을 차단시킨 후 단계 S150으로 피드백한다(단계 S145).
도 14는 도 12에 도시된 충격량과 변형량에 따른 동적 처리 단계를 설명하기 위한 흐름도이다.
도 12 및 도 14를 참조하면, 충격량이 도출되고 초기 변형이 발생되었는지의 여부를 체크한다(단계 S151).
단계 S151에서, 충격량이 도출되지 않거나 초기 변형이 발생되지 않은 것으로 체크되면 단계 S160으로 피드백하고, 충격량이 도출되고 초기 변형이 발생된 것으로 체크되면 상기 배전반 외함의 현재 기울기에 대응하는 현재 변형량이 상기 배전반 외함의 초기 기울기에 대응하는 초기 변형량으로 복원되는지의 여부를 체크한다(단계 S152).
단계 S152에서 상기 현재 변형량이 초기 변형량으로 복원된 것으로 체크되면 정상 동작이 가능한 것으로 판단한 후(단계 S153), 단계 S160으로 피드백한다.
단계 S152에서 상기 현재 변형량이 초기 변형으로 복원되지 않은 것으로 체크되면 현재 변형량이 변형 임계 범위에 존재하는지의 여부를 체크한다(단계 S154).
단계 S154에서 상기 현재 변형량이 변형 임계 범위에 존재하지 않은 것으로 체크되면 주 전원을 차단하고 위험신호를 출력한 후(단계 S155), 단계 160으로 피드백한다.
단계 S154에서 상기 현재 변형량이 변형 임계 범위에 존재하는 것으로 체크되면 점검 신호를 출력한 후(단계 S155), 단계 160으로 피드백한다.
도 15는 도 12에 도시된 배전반의 이상동작모델 학습 및 판단 단계를 설명하기 위한 흐름도이다.
도 12 및 도 15를 참조하면, 충격량에 대응하는 충격신호, 변형량에 대응하는 변형신호, 아크량에 대응하는 아크신호, 온도에 대응하는 온도신호 각각의 자료를 전처리한다(단계 S181). 상기한 자료의 전처리는 도 4에 도시된 데이터 준비부(310)에 의해 수행될 수 있다.
이어, 배전반 이상동작 예측모델을 구축한다(단계 S182). 상기한 배전반 이상동작 예측모델의 구축은 도 4에 도시된 모델 설계부(320)에 의해 수행될 수 있다.
이어, 단계 S182에서 구축된 배전반 이상동작 예측모델을 학습한다(단계 S183). 상기한 배전반 이상동작 예측모델의 학습은 도 4에 도시된 모델 학습부(330)에 의해 수행될 수 있다.
이어, 단계 S183에서 학습완료된 배전반 이상동작 예측모델을 검증한다(단계 S184). 상기한 배전반 이상동작 예측모델의 검증은 도 4에 도시된 모델 검증부(340)에 의해 수행될 수 있다.
이어, 단계 S184에서 검증된 이상동작 예측모델에 의한 배전반의 이상동작을 예측한다(단계 S185). 예를 들어, 충격량이 충격 임계치보다 크지 않고, 변형량이 변형 임계치보다 크지 않고, 아크량이 아크 임계치보다 크지 않더라도, 감지된 충격량이나 변형량, 아크량의 조합에 의해 배전반이 정상적으로 동작하는 지속운전이 불가능한 경우, 배전반의 이상동작으로 예측하여 배전반의 동작을 차단할 수 있다.
이상에서 설명된 바와 같이, 본 발명에 따르면, 감지된 충격량이 임계치를 초과하면 즉각적으로 배전반의 주 전원 차단기를 동작시키므로써, 배전반의 급작스런 동작 정지에 의해 발생될 수 있는 문제를 해결할 수 있다. 또한 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 배전반 이상동작 예측 모델을 구축하고, 구축된 배전반 이상동작 예측 모델을 통해 이상동작을 예측하여 이상 발생시 배전반의 동작을 차단 제어함으로써, 역시 배전반의 급작스런 동작 정지에 의해 발생될 수 있는 문제를 해결할 수 있다.
이상에서는 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 : 내진구조체 110 : 댐퍼바디부
120 : 하부 댐퍼와셔부 130 : 댐퍼피스톤
140 : 상부 댐퍼와셔부 150 : 댐퍼커버부
160 : 체결부 170 : 제1 압전소자
180 : 제2 압전소자 200 : 센서류
210 : 충격 감지 센서 220 : 변형 감지 센서
230 : 아크 감지 센서 240 : 온도 감지 센서
300 : 이상동작 예측부 310 : 데이터 준비부
320 : 모델 설계부 330 : 모델 학습부
340 : 모델 검증부 400 : 동작 제어부
500 : 주 전원 차단기 600 : 자동 소화기

Claims (16)

  1. 배전반 외함에 가해지는 충격량을 감지하는 충격 감지 센서와, 상기 배전반 외함의 변형량을 감지하는 변형 감지 센서와, 상기 배전반 외함 내의 아크 발생을 감지하는 아크 감지 센서와, 상기 배전반 외함 내의 온도를 감지하는 온도 감지 센서를 포함하는 센서류;
    상기 센서류로부터 제공되는 신호들을 제공받아 인공지능 알고리즘을 이용하여 배전반의 이상동작 예측 모델을 구축하고, 상기 배전반의 지속운전 가능여부를 판단하는 이상동작 예측부; 및
    (i) 상기 센서류에 의해 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 상기 배전반의 동작을 차단 제어하고, (ii) 상기 센서류에 의해 감지된 충격량, 변형량, 아크 및 온도값에 기초하여 상기 이상동작 예측 모델을 구축하도록 상기 이상동작 예측부를 제어하고, (iii) 상기 이상동작 예측부에 의해 상기 배전반의 상태가 지속운전 불가로 체크되면 상기 배전반의 동작을 차단 제어하는 동작 제어부를 포함하되,
    상기 이상동작 예측부는,
    입출력 텐서로 구성된 데이터를 준비하는 데이터 준비부;
    배전반의 이상동작을 예측하기 위해 입력층(Input Layer)과, LSTM층(LSTM Layer)과, 모든 뉴런들이 다음 층과 완전히 연결된 완전연결층(Fully-connected Layer)과, 최종적으로 출력결과가 나오는 출력층(Output Layer)으로 구성된 LSTM 심층신경망(Deep Learning Neural Network, DNN) 모델을 설계하는 모델 설계부;
    네트워크의 업데이트를 위한 손실함수 및 상기 손실함수의 최소값을 찾는 네트워크 최적화를 수행하는 최적화 알고리즘을 이용하여 상기 LSTM DNN 모델을 학습하는 모델 학습부; 및
    상기 모델 학습부에 의해 학습이 완료된 LSTM DNN 모델에 미리 준비해 둔 검증용 입력자료를 투입하여 LSTM DNN 모델을 검증하는 모델 검증부를 포함하되,
    상기 데이터 준비부에 의해 준비되는 데이터는 상기 충격량에 대응하는 충격신호, 상기 변형량에 대응하는 변형신호, 상기 아크량에 대응하는 아크신호를 포함하고,
    상기 데이터 준비부는
    Figure 112023500482187-pat00040
    (여기서,
    Figure 112023500482187-pat00041
    과
    Figure 112023500482187-pat00042
    는 감지값이고,
    Figure 112023500482187-pat00043
    과
    Figure 112023500482187-pat00044
    는 감지시점이며,
    Figure 112023500482187-pat00045
    은
    Figure 112023500482187-pat00046
    에서 보간된 값이다)에 의해 정의되는 수식을 통해 상기 준비되는 데이터에 존재하는 결측 구간을 필수적으로 결측 처리한 후,
    Figure 112023500482187-pat00047
    (여기서, x는 감지값이고 x‘은 정규화된 값이다)에 의해 정의되는 수식을 통해 필수적으로 정규화 처리하되,
    상기 감지값은 상기 충격량에 대응하는 값, 상기 변형량에 대응하는 값, 상기 아크량에 대응하는 값, 상기 온도에 대응하는 값 중 어느 하나인 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  2. 삭제
  3. 제1항에 있어서, 상기 충격 감지 센서는, 상기 배전반 외함의 하부에 배치된 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  4. 제3항에 있어서, 상기 충격 감지 센서는, 상기 배전반 외함에 작용하는 지진동을 완충하고 상기 지진동을 감지하는 지진동 감지 기능을 갖는　내진구조체를 포함하되, 상기 내진구조체는,
    도우넛 형상을 갖고서 지진에 의해 가해지는 연진 지진동을 감지하는 제1 압전소자; 및
    플렉서블한 띠형상을 갖고서 지진에 의해 가해지는 압력에 따라 발생되는 수평 지진동을 감지하는 제2 압전소자를 포함하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서, 상기 배전반에 인가되는 전원을 차단하는 주 전원차단기를 더 포함하고, 상기 동작 제어부는 상기 이상동작 예측부에 의해 상기 배전반의 상태가 지속운전 불가로 체크되면 상기 주 전원 차단기를 동작시키는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  8. 제1항에 있어서, 화재 진압을 위해 설치된 자동 소화기를 더 포함하고, 상기 동작 제어부는 상기 이상동작 예측부에 의해 상기 배전반의 상태가 지속운전 불가로 체크되면 상기 자동 소화기를 동작시키는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  9. 제1항에 있어서, 상기 동작 제어부는, 감지된 충격량이 설정된 충격 임계치보다 큰 것으로 체크되면, 즉각적으로 상기 배전반의 동작을 차단 제어하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  10. 제1항에 있어서, 상기 동작 제어부는, 감지된 아크 발생에 따른 동작을 처리하되,
    아크가 일정 횟수 이상 검출되면 경고 신호를 출력하고,
    아크가 소멸되지 않으면 상기 배전반의 동작을 차단 제어하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  11. 제1항에 있어서, 상기 변형 감지 센서는 상기 배전반 외함에 배치되어 상기 배전반 외함의 기울기를 측정하는 기울기 센서를 포함하고,
    상기 동작 제어부는, 감지된 충격량과 감지된 변형량에 따른 동작을 처리하되,
    상기 배전반 외함의 현재 기울기에 대응하는 현재 변형량이 상기 배전반 외함의 초기 기울기에 대응하는 초기 변형량으로 복원되는 것으로 체크되면 정상 동작이 가능한 것으로 판단하고,
    상기 현재 변형량이 초기 변형량으로 복원되지 않으면서 현재 변형량이 변형 임계 범위내를 벗어나면 상기 배전반의 동작을 차단 제어하고, 현재 변형량이 변형 임계 범위내에 존재하면 점검 신호를 출력하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  12. 제1항에 있어서, 상기 동작 제어부는, 계전기의 전압, 전류 요소에 기초하여 온도 임계치를 설정하고,
    감지된 온도가 상기 온도 임계치보다 큰 것으로 체크되면 상기 배전반의 동작을 차단 제어하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  13. 제12항에 있어서, 상기 동작 제어부는, 감지된 온도가 상기 온도 임계치보다 크지 않은 것으로 체크되면 상기 배전반의 이상동작모델을 학습하고 배전반의 상태를 판단하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반.
  14. (i) 배전반 외함에 가해지는 충격량을 감지하는 충격 감지 센서와, 상기 배전반 외함의 변형량을 감지하는 변형 감지 센서와, 상기 배전반 외함 내의 아크 발생을 감지하는 아크 감지 센서와, 상기 배전반 외함 내의 온도를 감지하는 온도 감지 센서 각각을 통해 충격량, 변형량, 아크 및 온도값을 감지하는 단계;
    (ii) 상기 감지된 충격량이 설정된 충격 임계치보다 큰 것으로 체크되면, 상기 배전반의 동작을 차단 제어하는 단계;
    (iii) 상기 감지된 아크 발생에 따른 동작을 처리하는 단계;
    (iv) 상기 감지된 충격량과 상기 감지된 변형량에 따른 동작을 처리하는 단계;
    (v) 계전기의 전압, 전류 요소에 기초하여 온도 임계치를 설정하는 단계;
    (vi) 상기 감지된 온도가 상기 온도 임계치보다 큰 것으로 체크되면 상기 배전반의 동작을 차단 제어하는 단계;
    (vii) 상기 감지된 온도가 상기 온도 임계치보다 크지 않은 것으로 체크되면 상기 배전반의 이상동작모델을 학습하고 상기 배전반의 상태를 판단하는 단계; 및
    (viii) 상기 배전반의 상태가 지속운전 불가로 체크되면, 상기 배전반의 동작을 차단 제어하는 단계를 포함하되,
    상기 단계(vii)는,
    상기 충격량에 대응하는 충격신호, 상기 변형량에 대응하는 변형신호, 상기 아크량에 대응하는 아크신호, 상기 온도에 대응하는 온도신호 각각의 자료를 전처리하는 단계;
    배전반 이상동작 예측모델을 구축하는 단계;
    구축된 배전반 이상동작 예측모델을 학습하는 단계;
    학습완료된 배전반 이상동작 예측모델을 검증하는 단계; 및
    검증된 이상동작 예측모델에 의한 배전반의 이상동작을 예측하는 단계를 포함하되,
    상기 각각의 자료를 전처리하는 단계는,
    Figure 112022100324570-pat00048
    (여기서,
    Figure 112022100324570-pat00049
    과
    Figure 112022100324570-pat00050
    는 감지값이고,
    Figure 112022100324570-pat00051
    과
    Figure 112022100324570-pat00052
    는 감지시점이며,
    Figure 112022100324570-pat00053
    은
    Figure 112022100324570-pat00054
    에서 보간된 값이다)에 의해 정의되는 수식을 통해 상기 충격신호, 상기 변형신호, 상기 아크신호 및 상기 온도신호에 존재하는 결측 구간을 필수적으로 결측 처리하는 과정과,
    Figure 112022100324570-pat00055
    (여기서, x는 감지값이고 x‘은 정규화된 값이다)에 의해 정의되는 수식을 통해 필수적으로 정규화 처리하는 과정을 포함하고,
    상기 감지값은 상기 충격신호, 상기 변형신호, 상기 아크신호 및 상기 온도신호 중 어느 하나인 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반의 동작 제어 방법.
  15. 제14항에 있어서, 상기 단계(iii)는,
    초기 아크가 발생되어 아크의 발생 횟수가 일정 횟수를 초과하면 경고 신호를 출력하는 단계; 및
    상기 경고 신호 출력후 아크가 소멸된 것으로 체크되지 않으면 주 전원 차단기의 동작을 차단 제어하는 단계를 포함하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반의 동작 제어 방법.
  16. 제14항에 있어서, 상기 단계(iv)는,
    충격량 도출 및 초기 변형이 발생된 것으로 체크되면 상기 배전반 외함의 현재 기울기에 대응하는 현재 변형량이 상기 배전반 외함의 초기 기울기에 대응하는 초기 변형량으로 복원되는지의 여부를 체크하는 단계;
    상기 현재 변형량이 상기 초기 변형량으로 복원되는 것으로 체크되면 정상 동작 가능으로 판단하는 단계;
    상기 현재 변형량이 상기 초기 변형량으로 복원되지 않은 것으로 체크되면 상기 현재 변형량이 변형 임계 범위에 존재하는지의 여부를 체크하는 단계;
    상기 현재 변형량이 상기 변형 임계 범위에 존재하지 않은 것으로 체크되면 주 전원을 차단 제어하고 위험 신호를 출력하는 단계; 및
    상기 현재 변형량이 상기 변형 임계 범위에 존재하는 것으로 체크되면 점검 신호를 출력하는 단계를 포함하는 것을 특징으로 하는 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반의 동작 제어 방법.
KR1020220078618A 2022-06-28 2022-06-28 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법 KR102507187B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220078618A KR102507187B1 (ko) 2022-06-28 2022-06-28 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220078618A KR102507187B1 (ko) 2022-06-28 2022-06-28 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법

Publications (1)

Publication Number Publication Date
KR102507187B1 true KR102507187B1 (ko) 2023-03-09

Family

ID=85511560

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220078618A KR102507187B1 (ko) 2022-06-28 2022-06-28 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법

Country Status (1)

Country Link
KR (1) KR102507187B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102671873B1 (ko) * 2023-04-28 2024-06-05 세종전기공업 주식회사 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101704611B1 (ko) * 2016-06-09 2017-02-08 주식회사 스마트파워 고압 배전반, 저압 배전반, 분전반, 태양광 접속반, 모터 제어반, ess 설비의 내진 컨디션 분석장치
KR20170015595A (ko) * 2015-07-29 2017-02-09 한국 전기안전공사 직렬 아크 검출 장치 및 방법
KR101957409B1 (ko) * 2018-10-25 2019-03-14 김병근 지진 감지 및 자기진단 기능이 구비된 수배전반(고압반, 저압반, 전동기 제어반, 분전반)
KR102228089B1 (ko) * 2020-11-09 2021-03-15 레이져라이팅(주) 화재 예측 및 차단이 가능한 태양광 발전 시스템
KR102303585B1 (ko) 2021-01-25 2021-09-17 심재관 빅데이터를 활용하여 수배전반의 이상징후를 감지하는 방법
KR102308420B1 (ko) 2021-02-09 2021-10-05 주식회사 엔피산업전기 수배전반용 온도센서를 포함한 모니터링시스템(고압반, 저압반, 전동기 제어반, 분전반)
KR102321734B1 (ko) 2021-04-20 2021-11-04 주식회사 티오솔루션 Ai를 활용한 배전반 온도 감시 시스템
KR102367420B1 (ko) 2021-09-17 2022-02-25 탑인더스트리(주) 지진동 감지 기능을 갖는 내진 구조체, 이를 갖는 수배전반 어셈블리 및 이의 제어 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170015595A (ko) * 2015-07-29 2017-02-09 한국 전기안전공사 직렬 아크 검출 장치 및 방법
KR101704611B1 (ko) * 2016-06-09 2017-02-08 주식회사 스마트파워 고압 배전반, 저압 배전반, 분전반, 태양광 접속반, 모터 제어반, ess 설비의 내진 컨디션 분석장치
KR101957409B1 (ko) * 2018-10-25 2019-03-14 김병근 지진 감지 및 자기진단 기능이 구비된 수배전반(고압반, 저압반, 전동기 제어반, 분전반)
KR102228089B1 (ko) * 2020-11-09 2021-03-15 레이져라이팅(주) 화재 예측 및 차단이 가능한 태양광 발전 시스템
KR102303585B1 (ko) 2021-01-25 2021-09-17 심재관 빅데이터를 활용하여 수배전반의 이상징후를 감지하는 방법
KR102308420B1 (ko) 2021-02-09 2021-10-05 주식회사 엔피산업전기 수배전반용 온도센서를 포함한 모니터링시스템(고압반, 저압반, 전동기 제어반, 분전반)
KR102321734B1 (ko) 2021-04-20 2021-11-04 주식회사 티오솔루션 Ai를 활용한 배전반 온도 감시 시스템
KR102367420B1 (ko) 2021-09-17 2022-02-25 탑인더스트리(주) 지진동 감지 기능을 갖는 내진 구조체, 이를 갖는 수배전반 어셈블리 및 이의 제어 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102671873B1 (ko) * 2023-04-28 2024-06-05 세종전기공업 주식회사 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치

Similar Documents

Publication Publication Date Title
KR100827674B1 (ko) 자동트립 장치와 그 제어방법
KR102028337B1 (ko) 에너지 안전 관리 장치 및 방법
Yao et al. Fault diagnosis model of adaptive miniature circuit breaker based on fractal theory and probabilistic neural network
JP2014525725A (ja) アーク軽減システムのための適応型発光検出
Velásquez et al. Reliability model for switchgear failure analysis applied to ageing
Mitra et al. Voltage sag assessment using type‐2 fuzzy system considering uncertainties in distribution system
KR102228089B1 (ko) 화재 예측 및 차단이 가능한 태양광 발전 시스템
KR101510617B1 (ko) 아크, 단락, 누전 및 과전류를 통합적으로 차단하기 위한 디지털 다기능 차단기 및 그 차단 방법
EP2080177B1 (en) System for fire protection of electrical installations
KR102507187B1 (ko) 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법
KR102370220B1 (ko) 태양광발전 접속반에서 직렬 아크를 검출하는 아크검출장치
Zhu et al. Post-earthquake rapid assessment method for electrical function of equipment in substations
KR20180093054A (ko) 계통 연계 설비
EP1287599B1 (en) Software-controlled evaluation of fault current for protection and monitoring systems
US6266579B1 (en) System for reducing disaster damage
KR102505112B1 (ko) 인공지능을 이용한 이상동작 검출 기능을 갖는 제어반 및 이의 동작 제어 방법
EP1051696B1 (en) System for reducing disaster damage
Park et al. Evaluation of black-box arc model for DC circuit breaker and comparative analysis of arc characteristic parameters
Thomas et al. An adaptive, self-checking algorithm for controlled fault interruption
Wang et al. Critical line identification for hypothesized multiple line attacks against power systems
Kaiser et al. A Comprehensive Approach for Safety in DC-Microgrids
CN111638445A (zh) 一种sf6断路器灭弧性能检测方法及系统
Liu et al. Multi-objective optimization design of commutation circuit in DC vacuum circuit breaker
US20240019481A1 (en) System and Method for Predicting Electrical Arcs in an Electrical Circuit
JP2000156935A (ja) 自家発電設備の制御方法及び制御装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant