KR102551994B1 - 인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템 - Google Patents

인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102551994B1
KR102551994B1 KR1020230051694A KR20230051694A KR102551994B1 KR 102551994 B1 KR102551994 B1 KR 102551994B1 KR 1020230051694 A KR1020230051694 A KR 1020230051694A KR 20230051694 A KR20230051694 A KR 20230051694A KR 102551994 B1 KR102551994 B1 KR 102551994B1
Authority
KR
South Korea
Prior art keywords
facility
inspection
leakage
information
management
Prior art date
Application number
KR1020230051694A
Other languages
English (en)
Inventor
문이연
문상철
Original Assignee
문이연
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 문이연 filed Critical 문이연
Priority to KR1020230051694A priority Critical patent/KR102551994B1/ko
Application granted granted Critical
Publication of KR102551994B1 publication Critical patent/KR102551994B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/14—Indicating direction of current; Indicating polarity of voltage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C19/00—Electric signal transmission systems
    • G08C19/02—Electric signal transmission systems in which the signal transmitted is magnitude of current or voltage
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일실시예에 따른 장치는 설비에 포함된 직류 회로의 양극, 음극 양단에 대해 출력 전류의 크기 및 방향을 측정하는 센서로부터 양음극 양단의 전류 정보를 획득하고, 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 직류 회로의 누전점의 위치 및 누전량을 확인하고, 전류 정보, 누전점의 위치 및 누전량에 대한 정보를 이용하여 인공신경망을 학습시킨 인공지능 모델을 생성하고, 생성된 인공지능 모델을 이용하여 설비를 모니터링하여 설비의 상태를 제1 상태, 제2 상태 및 제3 상태로 구분하고, 설비가 제2 상태인 것에 기반하여 설비의 관리 정보를 생성하고, 설비가 제3 상태인 것에 기반하여 설비에 전력을 공급하는 장치를 변경하고 설비의 관리 정보를 생성하고, 관리 정보를 포함하는 점검 요청을 관리자의 단말로 전송할 수 있다.

Description

인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템{EARTH LEAKAGE LOCATION CHECKING AND MONITORING METHOD, DEVICE AND SYSTEM USING ARTIFICIAL INTELLIGENCE MODEL}
아래 실시예들은 인공지능 모델을 활용하여 누전 위치를 확인하고 모니터링하는 기술에 관한 것이다.
전력의 생산과 공급은 지금까지 교류로 생산하여 교류로 전송되었으며, 교류는 전자 유도를 통하여 쉽게 전류 측정이 가능하며 대부분 계통의 안전과 낙뇌로부터 보호를 위해 접지 방법을 선택하고 있어 누전되는 전류를 측정하기에 용이하다.
과거에 직류 회로는 휴대용건전지, 공구 등에만 주로 사용되어 왔으나 최근 태양광발전, ESS, 전기차 및 충전기의 보급과 건물의 직류 배전 방식의 공급으로 고전압 직류로 발전 및 교류로의 변환 충전, 저장이 빈번하게 일어나고 있으며, 이로 인해 ESS, 전기차, 태양광의 화재가 빈번하게 발생되고 있어 이에 대한 대책이 필요하다.
위의 예와 같이 현재 직류 회로의 대부분의 누전 검출은 직류 전류의 검출의 어려움을 해소하기 위해 교류를 중첩하여 교류를 검출하는 방법과 병렬저항을 연결하여 루프회로를 만들어 누전 전류량을 검출하여 누전 여부를 판단하였다.
교류의 전원 설비는 대규모 설비로 망구성을 통하여 상호 연결되어 대용량 차단이 필요하지만 전류 영점이 있고 오랜 사용 경험과 기술 개발로 안정적으로 운용중이나 직류는 아직 대규모 망구성이 되지 않았고 교류 회로의 말단부에 접속되어 운용되고 있는 실정이지만, 갈수록 태양광, 연료전지 등 대규모화되고 있어 사고의 대부분인 누전 사고의 조기 검출이 필요한 실정이다.
또한, 직류회로는 독립 전원 혹은 분산 전원이 대부분이고, 전력전자기기와 연결이 되어야 함으로 대부분 계통의 접지 방식이 비접지 방식으로 운용되고 있어 누전 검출에 어려움이 있었다.
이에 따라, 인공지능 모델을 활용하여 누전 위치를 확인하고 모니터링하는 기술의 개발이 요구되는 실정이다.
대한민국 공개특허 제 10-2021-0058409호(2021.05.24 공개) 대한민국 등록특허 제 10-1470552호(2014.12.10 공고) 대한민국 등록특허 제 10-1497010 호(2015.03.02 공고) 대한민국 공개특허 제 10-2021-0052229 호(2021.05.10 공개)
실시예들은 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 직류 회로의 누전점의 위치 및 누전량을 확인하고, 인공지능 모델을 학습시킴으로써 설비의 누전 위치를 확인하고, 모니터링하는 방법을 제공하고자 한다.
실시예들은 설비의 관리자의 수 및 관리 비용을 포함하는 관리 정보를 생성하고자 한다.
실시예들은 설비의 점검 거리 및 지역 설비 개수에 따라 설비의 예상 점검 비용을 결정하고자 한다.
일실시예에 따르면, 장치에 의해 수행되는 방법은, 설비에 포함된 직류 회로의 양극, 음극 양단에 대해 출력 전류의 크기 및 방향을 측정하는 센서로부터 양음극 양단의 전류 정보를 획득하는 단계; 상기 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 상기 직류 회로의 누전점의 위치 및 누전량을 확인하는 단계; 상기 전류 정보, 상기 누전점의 위치 및 누전량에 대한 정보를 이용하여 인공신경망을 학습시킨 인공지능 모델을 생성하는 단계; 상기 생성된 인공지능 모델을 이용하여 상기 설비를 모니터링하여 상기 설비의 상태를 제1 상태, 제2 상태 및 제3 상태로 구분하는 단계; 상기 설비가 상기 제2 상태인 것에 기반하여 상기 설비의 관리 정보를 생성하는 단계; 상기 설비가 상기 제3 상태인 것에 기반하여 상기 설비에 전력을 공급하는 장치를 변경하고 상기 설비의 관리 정보를 생성하는 단계; 및 상기 관리 정보를 포함하는 점검 요청을 관리자의 단말로 전송하는 단계;를 포함할 수 있다.
상기 설비의 관리 정보를 생성하는 단계는, 특정 기간 동안 상기 설비의 카메라로부터 촬영된 영상을 수집하고, 상기 영상으로부터 상기 설비를 이용하는 사용자의 이용 횟수를 산출하는 단계, 상기 영상으로부터, 상기 설비를 이용하는 사용자의 이용 시간을 산출하는 단계, 상기 관리자의 단말로부터 상기 설비의 점검 이력을 획득하고, 상기 점검 이력으로부터, 이상 징후 발생 횟수를 산출하는 단계, 상기 이용 횟수, 상기 이용 시간 및 상기 이상 징후 발생 횟수에 기초하여, 상기 설비의 분할 비율을 결정하는 단계, 상기 설비의 전체 구역에 상기 분할 비율을 적용하여, 상기 설비의 관리 구역의 크기 및 개수를 결정하는 단계, 상기 관리 구역의 크기 및 개수에 따라 상기 설비의 관리자의 수를 결정하는 단계, 상기 관리 구역의 개수와 동일한 개수에 해당하는 설비를 확인하고, 상기 관리 구역의 개수와 동일한 개수에 해당하는 설비의 평균 관리 비용을 산출하는 단계, 상기 평균 관리 비용에 상기 관리 구역에 크기에 기반하여 결정된 가중치를 적용하여, 상기 설비의 관리 비용을 결정하는 단계, 및 상기 관리자의 수 및 상기 관리 비용을 포함하는 관리 정보를 생성하는 단계를 포함할 수 있다.
상기 설비의 관리 정보를 생성하는 단계는, 점검 업체의 현재 위치와 상기 설비의 위치 사이의 거리인 점검 거리를 산출하는 단계, 상기 관리자의 단말로부터, 상기 설비의 연식을 확인하는 단계, 상기 점검 거리 및 상기 설비의 연식을 기준으로 설비의 평균 점검 비용을 산출하는 단계, 상기 설비의 위치가 해당하는 지역에서 상기 설비와 종류가 동일한 설비의 개수인 지역 설비 개수를 산출하는 단계, 상기 평균 점검 비용에 상기 지역 설비 개수에 따라 반비례하도록 설정된 가중치를 적용하여 상기 설비의 예상 점검 비용을 결정하는 단계, 및 특정 기간 동안 상기 설비의 이상 징후 발생 횟수의 증감 여부에 따라 상기 예상 점검 비용을 조정하는 단계를 포함할 수 있다.
상기 장치에 의해 수행되는 방법은, 점검 업체로부터 점검 비용 정보를 획득하고, 획득한 점검 비용 정보를 분석하여, 사용 후 기준 기간 경과 설비까지 평균 점검 시세를 산출하고, 사용 후 특정 기간이 지난 설비의 연식을 기준으로 평균 점검 시세 정보를 수신하고, 상기 기준 기간 경과 설비의 평균 점검 시세와의 차액을 제1 금액으로 결정하고, 상기 설비와 동일한 종류의 설비에 대해 신규 정비 시 비용에서 상기 기준 기간 경과 설비의 평균 점검 시세와의 차액을 제2 금액으로 설정하고, 신규 점검 설비의 관리자의 점수와 상기 사용 후 특정 기간이 지난 설비의 관리자의 점수의 차이에 기반하여, 신규 점검 시 예상되는 비용을 계산하고 제3 금액으로 결정하며, 상기 제1 금액과 상기 제3 금액의 합산이 상기 제2 금액을 초과하는 경우, 상기 사용 후 특정 기간이 지난 설비를 신규 부품으로 교체할 것을 추천하는 정보를 표시하는 단계를 더 포함할 수 있다.
상기 장치에 의해 수행되는 방법은, 상기 설비의 이상 발생률을 결정하는 단계를 더 포함하고, 상기 이상 발생률을 결정하는 단계는, 상기 설비의 이상 징후 발생 히스토리를 기반으로, 상기 설비에서 상기 이상 징후가 발생한 일자를 확인하여, 상기 이상 징후의 발생 주기를 분석하는 단계, 상기 이상 징후의 발생 주기에 기초하여, 상기 설비에서 상기 이상 징후가 발생할 것으로 예상되는 이상 징후 발생 예상일을 예측하는 단계, 상기 이상 징후 발생 예상일까지 남아있는 일자가 제1 일자로 확인된 경우, 상기 제1 일자가 미리 설정된 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, 이상 발생률에 대한 조정이 필요하지 않은 것으로 판단하는 단계, 상기 제1 일자가 상기 제1 기준 범위를 벗어나 상기 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, 1부터 2까지 범위 내에서 설정된 제1 설정값과 상기 이상 발생률을 곱한 값으로 상기 이상 발생률을 조정하는 단계, 및 상기 제1 일자가 상기 제1 기준 범위를 벗어나 상기 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, 0부터 1까지 범위 내에서 설정된 제2 설정값과 상기 이상 발생률을 곱한 값으로 상기 이상 발생률을 조정하는 단계를 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 직류 회로의 누전점의 위치 및 누전량을 확인하고, 인공지능 모델을 학습시킴으로써 설비의 누전 위치를 확인하고, 모니터링하는 방법을 제공할 수 있다.
실시예들은 설비의 관리자의 수 및 관리 비용을 포함하는 관리 정보를 생성할 수 있다.
실시예들은 설비의 점검 거리 및 지역 설비 개수에 따라 설비의 예상 점검 비용을 결정할 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능 모델을 활용하여 누전 위치를 확인하고 모니터링하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 설비의 관리자의 수 및 관리 비용을 포함하는 관리 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 설비의 예상 점검 비용을 결정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 설비의 점검 비용에 따른 부품 교체를 추천하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 이상 발생률을 조정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 직류 회로의 누전 상황을 스프링 회로와 비교하는 과정을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 직류 회로의 누전점의 위치 및 누전량을 확인하는 과정을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 전류 분포를 3차원의 그래프로 나타내는 과정을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 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.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 관리자의 단말(10) 및 장치(30)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
관리자의 단말(10)은 본 발명에 따른 설비를 관리하고자 하는 관리자가 사용하는 단말일 수 있다. 관리자의 단말(10)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 관리자의 단말(10)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
관리자의 단말(10)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 관리자의 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.
관리자의 단말(10)은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 관리자의 단말(10)은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.
관리자의 단말(10)은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.
청구항에 기재된 단수의 표현은 복수를 포함하는 것으로 이해될 수 있다.
장치(30)는 인공지능 모델을 활용하여 설비의 누전 위치를 확인하고, 모니터링하는 서비스를 제공할 수 있다.
장치(30)는 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.
장치(30)는 관리자의 단말(10)와 유무선으로 통신하도록 구성될 수 있으며, 관리자의 단말(10)의 동작을 제어하고, 관리자의 단말(10)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 관리자의 단말(10)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망을 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
도 2는 일실시예에 따른 인공지능 모델을 활용하여 누전 위치를 확인하고 모니터링하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(30)는 설비에 포함된 직류 회로의 양극, 음극 양단에 대해 출력 전류의 크기 및 방향을 측정하는 센서로부터 양음극 양단의 전류 정보를 획득할 수 있다.
이때, 설비는 직류 회로를 포함하는 설비를 의미할 수 있다. 예를 들어, 본 발명에서의 설비는 태양광 발전 시스템, 에너지 저장 장치(ESS), 전기 자동차 충전 시스템, 전력 변환기, LED 조명 제어 시스템 등을 포함할 수 있으나, 이에 한정되지는 않는다.
장치(30)는 직류 회로를 포함하는 설비에서의 양극과 음극 양단에 대한 출력 전류의 크기와 방향을 측정하기 위해 센서를 사용할 수 있다. 이러한 센서는 직류 회로의 양음극 양단의 전류 정보를 측정하여 획득하며, 장치(30)는 전류 정보를 기반으로 설비의 전류 상태를 파악하고 모니터링할 수 있다. 이 과정에서 측정된 전류 정보는 인공지능 모델의 입력 값으로 사용되어, 설비의 상태를 실시간으로 파악하고 이상 징후를 탐지할 수 있도록 할 수 있다.
직류 회로를 포함하는 센서는 전류의 크기 및 방향을 측정하는 전류 센서일 수 있으며, 전류를 감지하기 위해 전류가 흐르는 도체를 감싸고 있으며, 전류가 흐르는 도체의 자기장 변화를 감지하여 전류의 크기와 방향을 측정할 수 있다. 전류 센서는 다양한 종류가 있으며, 설비에 따라 전류의 크기나 측정 방식에 따라 전류 센서가 선택적으로 선택될 수 있다. 전류 센서는 전기 측정 분야에서 광범위하게 사용되며, 직류 회로를 포함한 다양한 전기 설비에서 데이터를 수집하기 위해 중요한 역할을 한다. 전류 센서는 장치(30)와 유무선으로 통신할 수 있으며, 전류 정보를 수집하고, 수집한 전류 정보를 장치(30)로 전송할 수 있다.
S202 단계에서, 장치(30)는 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 직류 회로의 누전점의 위치 및 누전량을 확인할 수 있다. 이때, 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 직류 회로의 누전점의 위치 및 누전량을 확인하는 과정에 대한 자세한 설명은 도 7 내지 도 9를 참조하여 후술하기로 한다.
S203 단계에서, 장치(30)는 전류 정보, 누전점의 위치 및 누전량에 대한 정보를 이용하여 인공신경망을 학습시킨 인공지능 모델을 생성할 수 있다.
일실시예에 따르면, 장치(30)는 센서로부터 수신한 양극, 음극 양단에 대해 출력 전류의 크기 및 방향에 대한 정보를 포함하는 전류 정보에 기초하여 입력 신호를 생성할 수 있다.
장치(30)는 설비에 포함된 직류 회로와 등가 회로에 해당하는 회로들의 전류 정보를 수집하고, 설비에 포함된 직류 회로와 등가 회로에 해당하는 회로들의 전류 정보를 이용하여 인공신경망을 학습시킬 수 있다.
장치(30)는 생성된 입력 신호를 인공신경망에 적용하여 출력 신호를 생성할 수 있다.
장치(30)는 트레이닝 전류 정보들, 출력 신호들 및 트레이닝 누전점의 위치 정보들, 트레이닝 누전량 정보들을 획득하고, 이에 기초하여 인공신경망을 학습시킬 수 있다. 장치(30)는 미리 학습된 인공신경망에 입력 신호를 적용하여 출력 신호를 생성할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 전류 정보들을 인공신경망에 적용하여 트레이닝 출력들을 획득할 수 있다. 장치(30)는 트레이닝 출력들과 출력 신호들 및 트레이닝 누전점의 위치 정보들, 트레이닝 누전량 정보들에 기초하여 인공신경망을 학습시킬 수 있다. 장치(30)는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 인공신경망 내 노드들의 연결 관계를 최적화하여 인공신경망을 학습시킬 수 있다. 장치(30)는 학습이 완료된 인공신경망을 이용하여 전류 정보들로부터, 누전점의 위치, 누전량에 대한 정보를 추출할 수 있다.
여기서, 트레이닝 누전점의 위치 정보들 및 트레이닝 누전량 정보들은 트레이닝 전류 정보들에 각각 대응하는 누전점의 위치 및 누전량 정보들일 수 있다, 출력 신호들은 트레이닝 전류 정보들에 기초하여 생성된 트레이닝 입력 신호들이 인공신경망에 적용되어 생성된 출력 신호일 수 있다.
장치(30)는 출력 신호에 기초하여, 직류 회로를 포함하는 설비의 누전점의 위치 및 누전량을 확인할 수 있다.
S204 단계에서, 장치(30)는 생성된 인공지능 모델을 이용하여 설비를 모니터링하여 설비의 상태를 제1 상태, 제2 상태 및 제3 상태로 구분할 수 있다.
일실시예에 따르면, 장치(30)는 전류 정보를 이용하여 인공지능 모델을 통해 설비의 누전점의 위치 및 누전량을 확인할 수 있다.
장치(30)는 인공지능 모델을 통해 설비를 모니터링 하는 과정에서, 특정 기간 동안 설비에서 누전점의 위치가 많이 검출될수록, 누전량이 많을수록 설비의 위험 점수를 높게 생성하고, 누전점의 위치가 적게 검출될수록, 누전량이 적을수록 설비의 위험 점수를 낮게 생성하여, 특정 기간 동안의 설비의 위험 점수를 결정할 수 있다. 이때, 특정 기간은 실시예에 따라 상이하게 설정될 수 있다.
장치(30)는 설비의 위험 점수가 미리 설정된 제1 기준을 만족하지 않는 경우, 설비의 상태를 제1 상태로 결정할 수 있으며, 설비의 위험 점수가 미리 설정된 제1 기준을 만족하면서 미리 설정된 제2 기준을 만족하지 않는 경우, 설비의 상태를 제2 상태로 결정할 수 있으며, 설비의 위험 점수가 미리 설정된 제2 기준을 만족하는 경우, 설비의 상태를 제3 상태로 결정할 수 있다.
이때, 제1 상태는 설비의 위험 점수가 보다 낮은 상태로서, 설비의 상태가 정상 상태에 속하는 것을 의미할 수 있다. 즉, 제1 상태는 설비가 정상적으로 운영되고 있으며, 예기치 않은 문제가 발생하지 않은 상태를 의미할 수 있다.
제2 상태는 설비의 위험 점수가 보다 높은 상태로서, 설비의 상태가 경도 위험 상태에 속함으로써, 설비의 운영 중 발생할 수 있는 문제가 발생하지 않았지만, 그에 대한 예방 조치나 정비가 필요한 상태를 의미할 수 있다. 즉, 제2 상태는 설비가 정상적으로 운영되고 있으나, 잠재적인 위험 상황이나 이상 징후가 발견되어 이를 예방하고 안전한 운영을 위해 조치를 취해야 하는 상태로서, 제2 상태에 속하는 설비는 빠른 대응이 필요하며, 설비의 관리자는 이러한 위험 상태를 감시하고 예방조치를 취하여 안전한 운영을 유지해야 한다.
제3 상태는 설비의 위험 점수가 매우 높은 상태로서, 설비에 이상 징후가 자주 발견되어 조치가 필요한 중도 위험 상태를 의미할 수 있다. 제3 상태에 속하는 설비는 더욱 자세한 점검이 필요하며, 잠재적인 위험이 발생할 수 있으므로, 이상 징후를 조사하고, 해결할 수 있는 전문 점검 업체의 적극적인 조치가 필요하다.
S205 단계에서, 장치(30)는 설비가 제2 상태인 것에 기반하여 설비의 관리 정보를 생성할 수 있다.
이때, 설비의 관리 정보는 설비를 관리하는 관리자의 수, 관리 비용, 예상 점검 비용 등에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.
장치(30)는 설비가 제2 상태, 즉, 경도 위험 상태에 속하는 것으로 판단된 경우, 설비의 관리 정보를 생성할 수 있다.
이에 따라, 장치(30)는 제2 상태는 설비가 정상적으로 운영되고 있으나, 잠재적인 위험 상황이나 이상 징후가 발견되어 이를 예방하고 안전한 운영을 위해 조치를 취해야 하는 중도 위험 상태에 속하는 설비에 대한 관리 정보를 생성하여 관리자에게 제공함으로써, 설비의 안전에 대하여 빠른 대응을 할 수 있도록 하고, 관리자는 설비의 위험 상태를 파악하고, 예방 조치를 취할 수 있도록 하여 설비를 안전하게 운영할 수 있도록 도움을 줄 수 있다.
이때, 관리 정보를 생성하는 과정에 대한 자세한 설명은 도 3 내지 도 4를 참조하여 자세히 후술하기로 한다.
S206 단계에서, 장치(30)는 설비가 제3 상태인 것에 기반하여 설비에 전력을 공급하는 장치를 변경하고 설비의 관리 정보를 생성할 수 있다.
장치(30)는 설비에 이상 징후가 자주 발견되어 조치가 필요한 중도 위험 상태에 설비가 속하는 경우, 잠재적인 위험이 발생할 수 있으므로, 위험이 발생하는 상황을 방지하기 위해 설비에 전력을 공급하는 장치를 변경하도록 할 수 있으며, 설비의 관리 정보를 생성할 수 있다.
장치(30)는 설비의 상태를 개선하기 위해 설비에 전력을 공급하는 장치를 변경해야 할 수 있다. 예를 들어, 장치(30)는 전압 안정화 장치를 추가하거나 배선을 수정할 수 있으나, 설비에 전력을 공급하는 장치를 변경하는 과정의 예시는 이에 한정되지 않는다.
장치(30)는 위험이 발생하는 상황을 방지하기 위해 설비에 전력을 공급하는 장치를 변경함으로써, 설비의 안전성과 신뢰성을 향상시킬 수 있으며, 장기적인 관점에서 비용을 절약할 수 있다. 또한, 위험을 미리 예방하여 조치를 취함으로써, 설비의 생산성을 높이고 장기적인 비용을 절감할 수 있는 효과를 도출할 수 있다.
S207 단계에서, 장치(30)는 관리 정보를 포함하는 점검 요청을 관리자의 단말(10)로 전송할 수 있다.
도 3은 일실시예에 따른 설비의 관리자의 수 및 관리 비용을 포함하는 관리 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서, 장치(30)는 특정 기간 동안 설비의 카메라로부터 촬영된 영상을 수집하고, 영상으로부터 설비를 이용하는 사용자의 이용 횟수를 산출할 수 있다.
장치(30)는 설비의 카메라로부터 촬영된 영상을 데이터베이스에 저장할 수 있다.
설비에는 설비를 이용하는 사용자를 촬영하기 위한 카메라가 구비될 수 있으며, 카메라는 장치(30)와 유무선으로 통신할 수 있다.
장치(30)는 특정 기간 동안 설비의 카메라로부터 촬영된 영상을 수집할 수 있으며, 영상으로부터 사용자가 설비를 얼마나 이용하는지에 대한 이용 횟수를 산출할 수 있다. 이때, 특정 기간은 실시예에 따라 상이하게 설정될 수 있다.
일실시예에 따르면, 장치(30)는 카메라로부터 수집한 영상을 분석하여 설비를 이용하는 사용자의 이용 횟수를 산출할 수 있다. 장치(30)는 이용 횟수를 산출하기 위해 각 사용자마다 고유한 식별자를 부여하거나 얼굴 인식 기술, 객체 검출(Object Detection)이나 객체 추적(Object Tracking) 기술 등을 이용하여 사용자를 인식할 수 있다.
장치(30)는 영상에서 사용자를 인식한 후, 사용자가 설비를 이용하는 모습을 추적하여 이용 횟수를 측정할 수 있다. 예를 들어, 장치(30)는 영상에서 사용자가 설비에 접근한 시점부터 설비를 이용하고 나가는 시점까지의 시간을 측정하여 이를 하나의 이용 횟수로 계산할 수 있으며, 이러한 과정을 통해 특정 기간 동안 설비를 이용한 사용자의 이용 횟수를 산출할 수 있다.
S302 단계에서, 장치(30)는 영상으로부터, 설비를 이용하는 사용자의 이용 시간을 산출할 수 있다.
장치(30)는 특정 기간 동안 설비의 카메라로부터 촬영된 영상을 수집할 수 있으며, 영상으로부터 사용자가 설비를 얼마나 이용하는지에 대한 이용 시간을 산출할 수 있다. 이때, 특정 기간은 실시예에 따라 상이하게 설정될 수 있다.
일실시예에 따르면, 장치(30)는 카메라로부터 수집한 영상을 분석하여 설비를 이용하는 사용자의 이용 시간을 산출할 수 있다. 장치(30)는 이용 시간을 산출하기 위해 각 사용자마다 고유한 식별자를 부여하거나 얼굴 인식 기술, 객체 검출(Object Detection)이나 객체 추적(Object Tracking) 기술 등을 이용하여 사용자를 인식할 수 있다.
장치(30)는 영상에서 사용자를 인식한 후, 사용자가 설비를 이용하는 모습을 추적하여 이용 시간을 측정할 수 있다. 예를 들어, 장치(30)는 영상에서 사용자가 설비에 접근한 시점부터 설비를 이용하고 나가는 시점까지의 시간을 측정하고, 각 사용자의 이용 시간을 합산하여, 사용자의 총 이용 시간을 산출할 수 있다.
S303 단계에서, 장치(30)는 관리자의 단말(10)로부터 설비의 점검 이력을 획득하고, 점검 이력으로부터, 이상 징후 발생 횟수를 산출할 수 있다.
이때, 설비의 점검 이력은 설비의 점검 일시, 점검 내용, 점검 비용, 점검 업체 정보, 점검 사진 및 영상, 점검에 사용된 장비, 발생한 이상 징후의 시기, 내용 등에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.
장치(30)는 관리자의 단말(10)로부터 설비의 점검 이력을 수신하고, 수신한 설비의 점검 이력을 설비와 매칭하여 데이터베이스에 저장할 수 있다.
S304 단계에서, 장치(30)는 이용 횟수, 이용 시간 및 이상 징후 발생 횟수에 기초하여, 설비의 분할 비율을 결정할 수 있다.
장치(30)는 설비의 이용 횟수가 많을수록, 이용 시간이 높을수록, 이상 징후 발생 횟수가 많을수록 설비의 분할 비율을 높게 설정하고, 설비의 이용 횟수가 적을수록, 이용 시간이 낮을수록, 이상 징후 발생 횟수가 적을수록 설비의 분할 비율을 낮게 설정할 수 있다.
이때, 분할 비율은 설비를 관리하고자 하는 구역을 얼마나 분할하여 관리할 지에 대한 비율을 의미할 수 있다. 예를 들어, 분할 비율은 1부터 10 사이의 정수로 설정될 수 있으나, 실시예에 따라 상이하게 설정될 수 있다.
S305 단계에서, 장치(30)는 설비의 전체 구역에 분할 비율을 적용하여, 설비의 관리 구역의 크기 및 개수를 결정할 수 있다.
예를 들어, 분할 비율이 9이고, 설비의 전체 구역이 90평인 경우, 장치(30)는 설비의 전체 구역을 10평의 크기의 9개의 구역으로 분할하여, 설비의 관리 구역의 크기 및 개수를 결정할 수 있다.
예를 들어, 분할 비율이 5이고, 설비의 전체 구역이 90평인 경우, 장치(30)는 설비의 전체 구역을 18평의 크기의 5개의 구역으로 분할하여, 설비의 관리 구역의 크기 및 개수를 결정할 수 있다.
장치(30)는 설비의 이용 횟수, 이용 시간 및 이상 징후 발생 횟수 등을 통해 설비의 이용 패턴을 파악하고, 이를 기반으로 설비의 구역를 적절하게 분할하여 관리 구역의 크기와 개수를 결정할 수 있다. 이를 통해, 장치(30)는 특정 구역의 이상 징후 발생 횟수를 파악하고, 해당 구역에 대한 보전 및 유지보수 작업을 적시에 실시함으로써 설비의 안전성과 신뢰성을 높일 수 있다. 또한, 장치(30)는 분할된 구역별 이용 시간과 횟수 정보를 분석하여 설비 이용 패턴 변화를 감지하고, 이를 반영하여 보전 및 유지보수 작업 계획을 수립할 수 있으며, 이는 설비의 무분별한 고장 및 수리 작업을 방지하고, 설비 운영 및 유지보수 효율성을 높이는데 도움을 줄 수 있다.
S306 단계에서, 장치(30)는 관리 구역의 크기 및 개수에 따라 설비의 관리자의 수를 결정할 수 있다.
예를 들어, 장치(30)는 관리 구역의 개수가 9개인 경우, 설비의 관리자의 수를 관리 구역의 개수에 따라 9명으로 결정할 수 있다. 일실시예에 따르면, 장치(30)는 관리 구역의 크기에 비례하여 관리자의 수를 결정할 수도 있다.
S307 단계에서, 장치(30)는 관리 구역의 개수와 동일한 개수에 해당하는 설비를 확인하고, 관리 구역의 개수와 동일한 개수에 해당하는 설비의 평균 관리 비용을 산출할 수 있다.
장치(30)는 설비의 관리 구역의 개수와 동일한 개수에 해당하는 설비를 확인할 수 있으며, 동일한 개수에 해당하는 설비의 평균 관리 비용을 산출할 수 있다.
예를 들어, 설비의 관리 구역의 개수가 9개인 경우, 장치(30)는 관리 구역의 개수가 9개인 설비를 확인하고, 해당 설비를 관리하는 관리자의 단말(10)로부터 설비의 관리 비용을 산출하여, 설비의 관리 구역의 개수와 동일한 개수에 해당하는 설비의 평균 관리 비용을 산출할 수 있다.
장치(30)는 설비의 관리 구역의 개수와 동일한 개수에 해당하는 설비를 확인하고 해당 설비의 평균 관리 비용을 확인함으로써, 설비 관리에 있어서 설비의 관리 구역 별로 관리 비용이나 관리 업무 등을 적절하게 분배할 수 있으며, 관리 구역 간에 비용 차이가 크지 않도록 조정할 수 있다. 또한, 관리 구역의 크기 및 개수와 설비의 분할 비율을 적절히 조절함으로써 전체적인 관리 비용을 효율적으로 줄일 수 있다. 장치(30)는 이러한 과정을 통해 설비 관리의 효율성과 경제성을 높일 수 있다.
S308 단계에서, 장치(30)는 평균 관리 비용에 관리 구역에 크기에 기반하여 결정된 가중치를 적용하여, 설비의 관리 비용을 결정할 수 있다.
여기서, 가중치는 설비의 관리 구역의 크기가 클수록 높게 설정될 수 있으며, 설비의 관리 구역의 크기가 작을수록 작게 설정될 수 있다.
장치(30)는 설비의 관리 구역의 개수와 동일한 개수에 해당하는 설비의 평균 관리 비용에 관리 구역의 크기에 따라 결정된 가중치를 적용하여, 설비의 관리 비용을 결정함으로써, 설비의 크기 및 개수에 따른 조건에 따라 관리 비용을 적절하게 분배할 수 있으며, 설비의 조건에 맞는 인력 및 자원을 미리 예측하여 필요한 조치를 미리 취할 수 있다. 이를 통해, 설비의 운영 및 유지보수 비용을 최적화할 수 있다.
S309 단계에서, 장치(30)는 관리자의 수 및 관리 비용을 포함하는 관리 정보를 생성할 수 있다.
도 4는 일실시예에 따른 설비의 예상 점검 비용을 결정하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(30)는 점검 업체의 현재 위치와 설비의 위치 사이의 거리인 점검 거리를 산출할 수 있다.
장치(30)는 점검 업체의 현재 위치 및 설비의 위치를 확인할 수 있다. 장치(30)는 점검 업체의 근무자가 사용하는 단말로부터 점검 업체의 현재 위치를 수신할 수 있으며, 관리자의 단말(10)로부터 설비의 위치에 대한 정보를 수신할 수 있다.
S402 단계에서, 장치(30)는 관리자의 단말(10)로부터, 설비의 연식을 확인할 수 있다.
장치(30)는 설비의 연식에 대한 정보를 관리자의 단말(10)로부터 수신할 수 있으며, 설비의 연식에 대한 정보를 설비와 매칭하여 데이터베이스에 저장할 수 있다.
S403 단계에서, 장치(30)는 점검 거리 및 설비의 연식을 기준으로 설비의 평균 점검 비용을 산출할 수 있다.
장치의 데이터베이스에는 점검 거리에 따른 거리 기준 가격 및 설비의 연식에 따른 연식 기준 가격에 대한 지표가 미리 저장되어 있을 수 있으며, 장치(30)는 설비의 점검 거리 및 설비의 연식을 확인하고, 설비의 점검 거리 및 연식에 대응되는 점검 비용을 지표로부터 추출할 수 있다.
이때, 기준 가격은 거리 기준 가격 및 연식 기준 가격을 합산한 값으로 설정될 수 있으며, 거리 기준 가격은 점검 거리가 멀수록 높게 설정되고, 점검 거리가 짧을수록 낮게 설정되고, 연식 기준 가격은 설비의 연식이 오래될수록 높게 설정되고, 설비의 연식이 최신식일수록 낮게 설정될 수 있다. 기준 가격은 실시예에 따라 상이하게 설정될 수 있다.
S404 단계에서, 장치(30)는 설비의 위치가 해당하는 지역에서 설비와 종류가 동일한 설비의 개수인 지역 설비 개수를 산출할 수 있다.
예를 들어, 장치(30)는 설비의 위치가 서울시이고, 설비의 종류가 태양광 발전 시스템인 경우, 서울시에 존재하는 태양광 발전 시스템의 설비의 개수인 지역 설비 개수를 산출할 수 있다.
장치(30)는 설비의 위치가 해당하는 지역에서 설비와 종류가 동일한 설비의 개수를 확인하는 과정을 수행함으로써, 설비의 위치와 해당 지역 내의 설비 분포를 파악할 수 있으며, 설비를 관리하는 관리자가 설비 위치에 대한 정보를 수집하고, 해당 지역 내에 유사한 종류의 설비가 몇 개나 있는지 파악하여, 유사한 설비들 간의 관리 및 유지보수에 대한 전략을 효과적으로 수립할 수 있도록 한다.
S405 단계에서, 장치(30)는 평균 점검 비용에 지역 설비 개수에 따라 반비례하도록 설정된 가중치를 적용하여 설비의 예상 점검 비용을 결정할 수 있다.
특히, 태양광 발전 시스템, 에너지 저장 장치(ESS), 전기 자동차 충전 시스템 등의 직류 회로를 포함하는 설비 특성 상 교류의 전원 설비와 비교하면, 아직 대규모 망구성이 되지 않는 실정으로서, 장치(30)는 설비의 위치가 해당하는 지역에서 설비와 종류가 동일한 설비의 개수를 확인함으로써, 설비의 위치와 지역 별 설비의 접근성에 따라 지역 별 점검 비용이 상이할 수 있음을 반영하여, 설비의 예상 점검 비용을 결정할 수 있다.
예를 들어, 설비가 위치한 지역에서의 설비와 종류가 동일한 설비의 개수가 적은 경우, 설비의 점검 비용이 더 높게 산출될 수 있으며, 설비가 위치한 지역에서의 설비와 종류가 동일한 설비의 개수가 많은 경우, 설비의 점검 비용이 더 낮게 산출될 수 있다. 이는 설비와 종류가 동일한 다른 설비가 적은 경우, 해당 지역에서 유지보수 및 수리를 전문적으로 수행하는 업체가 적을 가능성이 높으며, 수요가 공급보다 많아질 수 있어, 이는 전문가의 수요 증가로 인한 수리 및 유지보수 비용의 증가로 이어질 수 있다. 또한, 이에 따라 전문가의 이동 비용이 증가하고, 이로 인해 설비의 점검 비용이 높아질 수 있다.
S406 단계에서, 장치(30)는 특정 기간 동안 설비의 이상 징후 발생 횟수의 증감 여부에 따라 예상 점검 비용을 조정할 수 있다.
일실시예에 따르면, 특정 기간이 제1 기간과 제1 기간 이후의 기간인 제2 기간을 포함하는 경우, 장치(30)는 제1 기간 동안의 설비의 이상 징후 발생 횟수인 제1 횟수 및 제2 기간 동안의 설비의 이상 징후 발생 횟수인 제2 횟수를 확인할 수 있다.
장치(30)는 설비의 이상 징후 발생 히스토리를 기반으로, 특정 기간 동안 설비에서 이상 징후가 발생한 횟수를 확인하여, 이상 징후의 발생 추세를 분석할 수 있다. 이를 위해, 장치(30)는 데이터베이스에 설비 별로 구분된 이상 징후 발생 히스토리를 저장하여 관리할 수 있으며, 데이터베이스로부터 설비의 이상 징후 발생 히스토리를 획득할 수 있다. 이상 징후 발생 히스토리는 설비에서 발생한 이상 징후 내역이 누적된 정보, 이상 징후의 종류, 이상 징후 발생일, 이상 징후 대응 조치, 이상 징후 해결일 등을 포함하는 정보가 리스트로 구성될 수 있다.
장치(30)는 제1 횟수가 제2 횟수보다 큰 경우, 설비의 이상 징후가 감소한 것으로 판단하여, 예상 점검 비용보다 낮은 제1 가격으로 예상 점검 비용을 조정할 수 있다.
장치(30)는 제1 횟수가 제2 횟수와 동일한 경우, 설비의 이상 징후가 유지된 것으로 판단하여, 예상 점검 비용과 동일한 제2 가격으로 예상 점검 비용을 결정할 수 있다.
장치(30)는 제1 횟수가 제2 횟수보다 작은 경우, 설비의 이상 징후가 증가한 것으로 판단하여, 예상 점검 비용보다 높은 제3 가격으로 예상 점검 비용을 조정할 수 있다.
이때, 제1 가격, 제2 가격 및 제3 가격은 실시예에 따라 상이하게 설정될 수 있다.
특정 기간 동안 설비의 이상 징후 발생 횟수가 증가하면 설비에 대한 점검이 더 필요해짐으로 예상 점검 비용을 증가시키고, 반대로 이상 징후 발생 횟수가 감소하면 설비의 점검 빈도가 낮아져 점검 비용을 줄일 수 있다. 장치(30)는 이러한 과정을 통해 예상 점검 비용을 조정함으로써 설비의 유지보수 비용을 최적화하고 안정적인 운영을 지속할 수 있습니다.
도 5는 일실시예에 따른 설비의 점검 비용에 따른 부품 교체를 추천하는 과정을 설명하기 위한 순서도이다.
일 실시예에 따르면, 장치(30)는 점검 업체로부터 점검 비용 정보를 획득하고, 획득한 중고차 정보를 분석하여, 사용 후 기준 기간 경과설비까지 평균 점검 시세를 산출하고(S501), 사용 후 특정 기간이 지난 설비의 연식을 기준으로 평균 점검 시세 정보를 수신하고, 기준 기간 경과설비의 평균 점검 시세와의 차액을 제1 금액으로 결정하고(S502), 설비와 동일한 종류의 설비에 대해 신규 정비 시 비용에서 특정 기간 경과 설비의 평균 점검 시세와의 차액을 제2 금액으로 결정하고(S503), 신규 설비의 관리자의 점수와 사용 후 특정 기간이 지난 설비의 관리자의 점수 차이에 기반하여 신규 설비 정비 시 예상되는 비용을 계산하고 제3 금액으로 결정하며(S504), 제1 금액과 제3 금액의 합산이 제2 금액을 초과하는 경우, 사용 후 특정 기간이 지난 설비를 신규 부품으로 교체할 것을 추천하는 정보를 표시할 수 있다(S505).
여기서, 제1 금액은 현재 점검 업체가 점검한 사용 후 특정 기간이 지난 설비의 점검 시세에서 기준 기간 경과설비의 평균 점검 시세를 차감한 금액이다. 여기서, 특정 기간은 설비의 사용 후 현재까지의 기간을 의미한다.
예를 들어, 10년 경과설비의 점검 시세를 기준으로 계산할 수도 있다. 제2 금액은 설비와 동일한 종류의 초기 점검 비용에서 사용 후 특정 기간이 지난 설비의 점검 시세를 차감한 금액을 의미한다.
초기 점검 비용에서 현재 설비의 점검 시세를 차감한 금액이 비용으로 소모되기 때문이다. 제3 금액은 신규 설비 정비 시 예상되는 비용으로서, 신규 설비의 관리자의 점수와 사용 후 특정 기간이 지난 설비의 관리자의 점수 차이에 기반하여 계산될 수 있다.
예를 들어, 신규 설비의 관리자의 점수가 평균 80점이고, 사용 후 특정 기간이 지난 설비의 관리자의 점수가 평균 50점인 경우 30점만큼 차이가 날 수 있다.
즉, 점검 업체에서는 신규 설비로 교체 시 관리자의 점수가 약 30점 정도 상승할 것을 기대할 수 있으며, 설비의 매출액을 기준으로 30%가 신규 설비 정비 시 예상되는 비용으로서 제3 금액으로 결정될 수 있다.
제1 금액과 제3 금액을 더하고, 제2 금액을 빼면 점검 업체의 손익을 계산할 수 있으며, 장치(30)는 제1 금액과 제3 금액을 더한 값이 제2 금액 보다 크면 이익이 남는 것으로 결정하고, 사용 후 특정 기간이 지난 설비를 신규 설비로 교체할 것을 추천하는 정보를 표시할 수 있다.
도 6은 일실시예에 따른 이상 발생률을 조정하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저, S601 단계에서, 장치(30)는 제1 기업에 설비가 설치되어 있는 경우, 설비의 이상 징후 발생 히스토리를 기반으로, 설비에서 이상 징후가 발생한 일자를 확인하여, 이상 징후의 발생 주기를 분석할 수 있다. 이를 위해, 장치(30)는 데이터베이스에 설비 별로 구분된 이상 징후 발생 히스토리를 저장하여 관리할 수 있으며, 데이터베이스로부터 설비의 이상 징후 발생 히스토리를 획득할 수 있다. 이상 징후 발생 히스토리는 설비에서 발생한 이상 징후 내역이 누적된 정보, 이상 징후의 종류, 이상 징후 발생일, 이상 징후 대응 조치, 이상 징후 해결일 등을 포함하는 정보가 리스트로 구성될 수 있다.
예를 들어, 설비의 이상 징후 발생 히스토리를 기반으로, 1월 1일, 1월 11일에 이상 징후가 발생한 것으로 확인되면, 장치(30)는 이상 징후의 발생 주기를 10일 간격으로 분석할 수 있다. 이때, 장치(30)는 미리 설정된 기간(예를 들면, 최근 6개월) 동안 이상 징후가 여러 번 발생한 것으로 확인되면, 이상 징후가 평균적으로 얼마나 자주 발생하였는지 확인하여, 이상 징후의 발생 주기를 분석할 수 있다.
S602 단계에서, 장치(30)는 이상 징후의 발생 주기에 기초하여, 설비에서 이상 징후가 발생할 것으로 예상되는 이상 징후 발생 예상일을 예측할 수 있다.
예를 들어, 장치(30)는 이상 징후의 발생 주기가 10일 간격으로 확인되고, 설비에서 가장 최근에 이상 징후가 발생한 일자가 1월 5일로 확인되면, 설비에서 이상 징후가 발생할 것으로 예상되는 이상 징후 발생 예상일을 1월 15일로 예측할 수 있다.
S603 단계에서, 장치(30)는 이상 징후 발생 예상일까지 남아있는 일자를 제1 일자로 확인할 수 있다.
예를 들어, 장치(30)는 이상 징후 발생 예상일이 1월 15일로 예측되고, 현재 일자가 1월 13일로 확인되면, 제1 일자를 2일로 확인할 수 있다.
S604 단계에서, 장치(30)는 제1 일자가 제1 기준 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 제1 기준 범위는 실시예에 따라 상이하게 설정될 수 있다.
S604 단계에서 제1 일자가 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, S605 단계에서, 장치(30)는 제1 발생률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.
예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있는 경우, 장치(30)는 제1 일자가 7일로 확인되면, 제1 발생률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.
S604 단계에서 제1 일자가 제1 기준 범위를 벗어나는 것으로 확인되면, S606 단계에서, 장치(30)는 제1 일자가 제1 기준 범위의 최소값 보다 작은지 여부를 확인할 수 있다.
S606 단계에서 제1 일자가 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, S607 단계에서, 장치(30)는 제1 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정할 수 있다. 이때, 제1 설정값은 1부터 2까지 범위 내에서 설정될 수 있다.
예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있고, 제1 설정값이 1.5로 설정되어 있고, 제1 발생률이 20%로 예측된 경우, 장치(30)는 제1 일자가 3일로 확인되면, 제1 설정값과 제1 발생률을 곱한 값인 30%를 산출한 후, 제1 발생률을 20%에서 30%로 조정할 수 있다.
즉, 장치(30)는 제1 일자가 제1 기준 범위를 벗어나 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, 1부터 2까지 범위 내에서 설정된 제1 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정함으로써, 이상 징후 발생 예상일까지 남아있는 기간이 일정 기간 이하로 매우 짧은 경우, 제1 설정값을 이용하여 제1 발생률을 더 높은 값으로 조정할 수 있다.
S606 단계에서 제1 일자가 제1 기준 범위의 최소값 보다 큰 것으로 확인되면, 제1 일자가 제1 기준 범위를 벗어나 있으므로, 제1 일자가 제1 기준 범위의 최대값 보다 큰 것으로 확인될 수 있으며, 제1 일자가 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, S608 단계에서, 장치(30)는 제2 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정할 수 있다. 이때, 제2 설정값은 0부터 1까지 범위 내에서 설정될 수 있다.
예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있고, 제2 설정값이 0.5로 설정되어 있고, 제1 발생률이 20%로 예측된 경우, 장치(30)는 제1 일자가 12일로 확인되면, 제2 설정값과 제1 발생률을 곱한 값인 10%를 산출한 후, 제1 발생률을 20%에서 10%로 조정할 수 있다.
즉, 장치(30)는 제1 일자가 제1 기준 범위를 벗어나 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, 0부터 1까지 범위 내에서 설정된 제2 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정함으로써, 이상 징후 발생 예상일까지 남아있는 기간이 일정 기간 이상으로 매우 긴 경우, 제2 설정값을 이용하여 제1 발생률을 더 낮은 값으로 조정할 수 있다.
장치(30)는 이상 징후의 발생 주기를 분석하고, 설비에서 이상 징후가 발생할 것으로 예상되는 이상 징후 발생 예상일을 예측함으로써, 설비 관리의 효율성을 높일 수 있다. 장치(30)는 이상 징후 발생 예상일을 예측함으로써, 사전에 예방 조치를 취하거나 점검 주기를 조정할 수 있어서, 설비의 수명을 연장하고 예방 가능한 문제를 해결할 수 있고, 불필요한 점검 비용을 줄이고, 적정한 점검 주기를 결정할 수 있어서, 설비 관리에 효율성과 경제성을 높일 수 있다.
도 7은 일실시예에 따른 직류 회로의 누전 상황을 스프링 회로와 비교하는 과정을 설명하기 위한 도면이다.
도 7의 (a)는 비접지 회로의 누전 전류 흐름도이고, 도 7의 (b)는 비접지회로와 비교를 위한 스프링 회로를 도시한 도면이다.
비접지 회로의 누전 상황을 메어달린 스프링과 비교하면
Figure 112023044368554-pat00001
로 나타낼 수 있다.
이때, I1은 양극 전류, I2는 음극 전류 및 Ig는 지락 전류를 의미할 수 있다.
이때, 막대의 중앙을 스프링에 메어달고 양 끝에 균형추를 달아 두었을 경우, 균형을 이룬다(g1=g2). 또한, c점에 F의 힘을 가하면 힘은 F1 및 F2로 분산된다. 이때,
Figure 112023044368554-pat00002
가 성립한다. 즉, F1과 F2의 크기에 따라 누전점의 흐르는 전류(F)힘의 크기와 c점을 찾을 수 있다.
이 원리를 이용하여, 비접지 직류회로의 양극(g1)과 음극(g2)의 양단의 전류 크기(F1, F2)와 방향을 측정함으로써, 누전점의 흐르는 전류(F)의 크기와 c점을 찾을 수 있다.
기존의 누전 감지기의 원리는 누전점에 흐르는 전류(F)의 크기(F1-F2)의 크기를 이용하여 누전량을 측정하는 장치이나, 본 발명은 F1, F2를 측정하여 누전점의 누전량은 물론 F1과 F2를 ?G겅하여 분석함으로써, 누전점의 위치를 찾는 기술이다.
도 7의 (c)는 테브난의 정리를 설명하기 위한 도면이다.
직류의 발전 설비와 전원설비, 전기회로는 선로정수 외에 사이리스트기기 등 많은 소자가 연결되오 교류 회로와 연결되거나 배터리에 저장되는 등 다양한 상황이어서 회로 해석에 어려움이 있으므로, 도 7의 (c)에 도시된 바와 같이, 테브난 정리를 이용하여 회로를 간단히 해석할 수 있다.
도 8은 일실시예에 따른 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 직류 회로의 누전점의 위치 및 누전량을 확인하는 과정을 설명하기 위한 도면이다.
도 8의 (a)를 참조하면, 테브난의 정리와 키르히호프 법칙을 이용하여 전위 상위 25%지점 지락 시 회로를 해석할 수 있다.
도 8의 (b)를 참조하면, 50,000 Ω으로 지락 시 전압 별 전압 분포를 나타낸 도면이다.
도 9는 일실시예에 따른 전류 분포를 3차원의 그래프로 나타내는 과정을 설명하기 위한 도면이다.
도 8의 (b)에 도시된 바와 같이, 지락 저항 및 지락 전압에 따라 누설 전류 I1, I2, Ig의 크기가 변화함으로 이를 정확히 확인하기 위해서는 2가지 변수를 표현할 수 있는 3차원 그래프가 필요하다.
장치(30)는 3차원 MATLAB을 이용하여 3차원 그래프를 생성하고, 전류 분포를 해석할 수 있다.
도 9의 (a)를 참조하면, 장치(30)는 도 8의 계산 과정에서 사용된 식을 활용하여 MATLAB으로 계산할 수 있다. MATLAB은 MathWorks 사에서 개발한 수치 해석 및 프로그래밍 환경을 제공하는 공학용 소프트웨어로서, 행렬을 기반으로 한 계산 기능을 지원하며, 함수나 데이터를 그림으로 그리는 기능 및 프로그래밍을 통한 알고리즘 구현 등을 제공할 수 있다.
도 9의 (b)를 참조하면, 장치(30)는 전압, 전류, 저항 분포에 따른 양극 전류, 음극 전류, 지락전류분포를 MATLAB으로 작성하여 3차원의 그래프를 생성할 수 있다.
장치(30)는3차원 그래프를 생성함으로써, 3차원 그래프를 수치 해석하여 누전점의 누전 저항과 양극, 음극 배선의 누전, 전원(ESS, 전기차, 태양광 시스템)의 몇 V지점에서 누전인지를 확인할 수 있다.
예를 들어, 장치(30)는 '양극회로 A볼트 지점에서 B저항으로 누전됨'을 확인할 수 있다.
기존의 누전 검출 방식 중 첫번째로 IMD(Insulation Monitoring Device) 방식은 분배저항으로 흐르는 전류를 감지하여 회로의 절연 저항 값을 검출하는 과정이고, 두번째로는 GFD(Ground Fault Detecting) 시스템은 분배 저항의 중성점에 11Hz교류를 중첩하여 직류 회로에 흘려주고 ZCT를 통하여 교류 누설전류를 검출하여 절연을 감시 및 기록하는 시스템이다.
기존의 두 방식 모두 직류 회로에 교류를 중첩시켜 교류누설전류를 측정하여 직류의 누설저항으로 계산함으로 동작속도가 늦고 시험결과 누전이 지속(약 4초 이상)되어야 동작되는 특성이 있어 이물질에 의한 지락고장 뒤 복귀되거나 결로 등에 의한 지락이 될 경우, 그 원인이 해소되면 지락 이벤트를 인지하지 못한다. 또한, 수백 개의 셀이 직병렬 되어있는 태양광 설비의 모듈이나 ESS의 경우, 결로, 이물질 접촉 등 초기의 사고는 대부분 순간적인 사고가 발생하고 이 사고가 누전되어 완전단락되어 파괴 등 대형 재해로 발생할 경우에 동작을 함으로써, 기존의 방식은 재해의 미연에 방지에 어려움이 있었다.
본 발명은 직류 회로망에 대하여 직류를 바로 검출하여 산식에 따라 평가함으로써, 시간 지연이 없어 순간적인 누전에도 즉시 동작이 가능하며, 간단한 계산결과로 누전되는 위치까지 찾을 수 있다.
예를 들어, KC 61851-23 전기용품안전기준의 전기차 충전 시스템 제23부 직류 충전 장치 절연형 전기 자동차 직류 충전 설비의 경우, 본 발명의 장치(30)를 해당 설비의 충전 시스템의 절연감시장치를 대신하여 양극측 및 음극측의 전기량 및 누설전류를 측정하여 전기차의 양극배선, 음극배선 혹은 배터리의 누전점을 충전 시 찾아냄으로써 배터리의 셀점검 혹은 교체로 배터리 화재를 예방할 수 있다.
또한, 본 발명의 장치(30)를 계측기로 제작하여 차량을 제작하는 경우, 차량 내부의 배터리 배선 혹은 배터리 내부의 누전점을 특정할 수 있다. 또한, 충전기 누전 상시 감시 및 충전 시 자동차 누전 정도와 누전점의 확인이 가능하며, 소형 저가로 제작 시 전기 자동차에 내장될 수 있다.
ESS의 경우에는 IMD, GFD를 대체하여 실시간 누전 감시로 화재를 예방할 수 있으며, 태양광발전설비의 경우에는 인버터, 솔라셀의 누전점을 상시 감시 가능할 뿐만 아니라, 전기철도, 직류배선회로의 누전 차단 및 감시 기능으로 대체할 수 있다.
본 발명은 UPS(Uninterruptible Power Supply system, 무정전 전원장치)의 배터리(납축전지 혹은 리튬이온배터리)의 누전 측정 및 감시 기능을 수행할 수 있다.
본 발명은 휴대용 계측기로 개발하여 일상 점검용 계측 장비로도 활용될 수 있다.
본 발명은 이에 한정되지 않고, 직류 회로를 포함하는 다양한 설비에서 누전점의 위치 및 누전량을 감시하는 시스템으로서 활용이 가능하다.
도 10은 일실시예에 따른 장치(30)의 구성의 예시도이다.
일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서(31)는 도 1 내지 도 9를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 장치에 의해 수행되는 방법에 있어서,
    설비에 포함된 직류 회로의 양극, 음극 양단에 대해 출력 전류의 크기 및 방향을 측정하는 센서로부터 양음극 양단의 전류 정보를 획득하는 단계;
    상기 전류 정보에 테브난의 정리와 키르히호프 법칙을 적용하여 상기 직류 회로의 누전점의 위치 및 누전량을 확인하는 단계;
    상기 전류 정보, 상기 누전점의 위치 및 누전량에 대한 정보를 이용하여 인공신경망을 학습시킨 인공지능 모델을 생성하는 단계;
    상기 생성된 인공지능 모델을 이용하여 상기 설비를 모니터링하여 상기 설비의 상태를 제1 상태, 제2 상태 및 제3 상태로 구분하는 단계;
    상기 설비가 상기 제2 상태인 것에 기반하여 상기 설비의 관리 정보를 생성하는 단계;
    상기 설비가 상기 제3 상태인 것에 기반하여 상기 설비에 전력을 공급하는 장치를 변경하고 상기 설비의 관리 정보를 생성하는 단계; 및
    상기 관리 정보를 포함하는 점검 요청을 관리자의 단말로 전송하는 단계;를 포함하고,
    상기 설비의 관리 정보를 생성하는 단계는,
    특정 기간 동안 상기 설비의 카메라로부터 촬영된 영상을 수집하고, 상기 영상으로부터 상기 설비를 이용하는 사용자의 이용 횟수를 산출하는 단계,
    상기 영상으로부터, 상기 설비를 이용하는 사용자의 이용 시간을 산출하는 단계,
    상기 관리자의 단말로부터 상기 설비의 점검 이력을 획득하고, 상기 점검 이력으로부터, 이상 징후 발생 횟수를 산출하는 단계,
    상기 이용 횟수, 상기 이용 시간 및 상기 이상 징후 발생 횟수에 기초하여, 상기 설비의 분할 비율을 결정하는 단계,
    상기 설비의 전체 구역에 상기 분할 비율을 적용하여, 상기 설비의 관리 구역의 크기 및 개수를 결정하는 단계,
    상기 관리 구역의 크기 및 개수에 따라 상기 설비의 관리자의 수를 결정하는 단계,
    상기 관리 구역의 개수와 동일한 개수에 해당하는 설비를 확인하고, 상기 관리 구역의 개수와 동일한 개수에 해당하는 설비의 평균 관리 비용을 산출하는 단계,
    상기 평균 관리 비용에 상기 관리 구역에 크기에 기반하여 결정된 가중치를 적용하여, 상기 설비의 관리 비용을 결정하는 단계, 및
    상기 관리자의 수 및 상기 관리 비용을 포함하는 관리 정보를 생성하는 단계를 포함하는
    인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 설비의 관리 정보를 생성하는 단계는,
    점검 업체의 현재 위치와 상기 설비의 위치 사이의 거리인 점검 거리를 산출하는 단계,
    상기 관리자의 단말로부터, 상기 설비의 연식을 확인하는 단계,
    상기 점검 거리 및 상기 설비의 연식을 기준으로 설비의 평균 점검 비용을 산출하는 단계,
    상기 설비의 위치가 해당하는 지역에서 상기 설비와 종류가 동일한 설비의 개수인 지역 설비 개수를 산출하는 단계,
    상기 평균 점검 비용에 상기 지역 설비 개수에 따라 반비례하도록 설정된 가중치를 적용하여 상기 설비의 예상 점검 비용을 결정하는 단계, 및
    특정 기간 동안 상기 설비의 이상 징후 발생 횟수의 증감 여부에 따라 상기 예상 점검 비용을 조정하는 단계를 포함하는
    인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법.
KR1020230051694A 2023-04-20 2023-04-20 인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템 KR102551994B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230051694A KR102551994B1 (ko) 2023-04-20 2023-04-20 인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230051694A KR102551994B1 (ko) 2023-04-20 2023-04-20 인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102551994B1 true KR102551994B1 (ko) 2023-07-06

Family

ID=87186051

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230051694A KR102551994B1 (ko) 2023-04-20 2023-04-20 인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102551994B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060018597A (ko) * 2004-08-25 2006-03-02 피앤씨테크 주식회사 전기철도시스템에서 전기량에 의한 고장점 위치 검출방법및 장치
KR101470552B1 (ko) 2012-03-27 2014-12-10 주식회사 엘지화학 고장 자가 진단 기능을 구비한 절연 저항 측정 장치 및 이를 이용한 고장 자가 진단 방법
KR101497010B1 (ko) 2013-07-04 2015-03-02 소병수 직류전원계통 운전상태 원격감시시스템
KR20210052229A (ko) 2019-10-29 2021-05-10 주식회사 엘지화학 누전 검출 장치, 누전 검출 방법 및 전기 차량
KR20210058409A (ko) 2019-11-14 2021-05-24 송과모터스 주식회사 전기 자동차의 누전 검출 장치
KR102505770B1 (ko) * 2022-11-17 2023-03-07 (주)퓨쳐아이씨티 IoT 센서 기반 양배수장 설비 이상 진단 및 모니터링 방법, 장치 및 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060018597A (ko) * 2004-08-25 2006-03-02 피앤씨테크 주식회사 전기철도시스템에서 전기량에 의한 고장점 위치 검출방법및 장치
KR101470552B1 (ko) 2012-03-27 2014-12-10 주식회사 엘지화학 고장 자가 진단 기능을 구비한 절연 저항 측정 장치 및 이를 이용한 고장 자가 진단 방법
KR101497010B1 (ko) 2013-07-04 2015-03-02 소병수 직류전원계통 운전상태 원격감시시스템
KR20210052229A (ko) 2019-10-29 2021-05-10 주식회사 엘지화학 누전 검출 장치, 누전 검출 방법 및 전기 차량
KR20210058409A (ko) 2019-11-14 2021-05-24 송과모터스 주식회사 전기 자동차의 누전 검출 장치
KR102505770B1 (ko) * 2022-11-17 2023-03-07 (주)퓨쳐아이씨티 IoT 센서 기반 양배수장 설비 이상 진단 및 모니터링 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
Xie et al. A review of machine learning applications in power system resilience
Khan et al. Batteries state of health estimation via efficient neural networks with multiple channel charging profiles
CN109086913B (zh) 一种基于深度学习的电力系统暂态稳定评估方法及系统
CN105512448A (zh) 一种配电网健康指数的评估方法
Amroune Machine learning techniques applied to on-line voltage stability assessment: a review
Bessa Future trends for big data application in power systems
CN116245033A (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN116341919B (zh) 一种数据与模型联合驱动的安全风险评估预警方法
CN117543791B (zh) 电源的供电检测方法、装置、设备及存储介质
Rizvi et al. Data-driven short-term voltage stability assessment using convolutional neural networks considering data anomalies and localization
Zafar et al. Step towards secure and reliable smart grids in Industry 5.0: A federated learning assisted hybrid deep learning model for electricity theft detection using smart meters
KR102420120B1 (ko) 전력량 측정장치의 이상상태 모니터링 시스템
Dui et al. IoT-enabled fault prediction and maintenance for smart charging piles
Haidar et al. Artificial Intelligence application to Malaysian electrical powersystem
KR102551994B1 (ko) 인공지능 모델을 활용한 누전 위치 확인 및 모니터링 방법, 장치 및 시스템
Yuan et al. Design of an intelligent decision model for power grid fault location and isolation based on topology analysis
Baskar et al. Surge detection for smart grid power distribution using a regression-based signal processing model
Akinci Applications of big data and AI in electric power systems engineering
Sayar et al. Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey)
Li et al. A fault diagnosis method for VRLA battery in data center
Saeh et al. Artificial neural network for power system static security assessment: a survey
Zhang et al. Power monitoring data access control system based on bp neural network
Yuan et al. Research on power grid outage risk assessment and early warning model based on intelligent decision algorithm
Fahim et al. The role of machine learning in improving power distribution systems resilience
Liu et al. Fault Classification of Outage Transmission Lines Based on RBF-SVM and BP Neural Networks

Legal Events

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