KR102604708B1 - 인공 지능 기반 수배전반 진단 시스템 및 방법 - Google Patents
인공 지능 기반 수배전반 진단 시스템 및 방법 Download PDFInfo
- Publication number
- KR102604708B1 KR102604708B1 KR1020230094328A KR20230094328A KR102604708B1 KR 102604708 B1 KR102604708 B1 KR 102604708B1 KR 1020230094328 A KR1020230094328 A KR 1020230094328A KR 20230094328 A KR20230094328 A KR 20230094328A KR 102604708 B1 KR102604708 B1 KR 102604708B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- vibration
- temperature
- switchboard
- health
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 104
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 230000036541 health Effects 0.000 claims description 68
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000013135 deep learning Methods 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims 1
- 229910052709 silver Inorganic materials 0.000 claims 1
- 239000004332 silver Substances 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 25
- 230000002159 abnormal effect Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 239000000284 extract Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- 238000000700 time series analysis Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013154 diagnostic monitoring Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C2201/00—Transmission systems of control signals via wireless link
- G08C2201/40—Remote control systems using repeaters, converters, gateways
- G08C2201/42—Transmitting or receiving remote control signals via a network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
실시예에 따른 수배전반 진단 시스템 및 방법은 온도와 진동을 동시에 센싱하고 온도와 진동 데이터를 그룹핑한 통합 데이터를 생성하는 센서를 제공한다. 또한, 실시예에서는 온도와 진동 등 다양한 데이터를 통합 센싱하여 모니터링 데이터를 수집한다. 또한, 실시예에서는 IED(Intelligent Electronic Device)와 DAU(Data Acquisition Unit)에서 수집된 모니터링 데이터를 통합하여 딥러닝 모델을 기반으로 모니터링 데이터를 해석함으로써, 수배전반 진단을 고도화한다. 실시예에서는 다양한 모니터링 데이터의 특징 추출(feature engineering)과 딥러닝 모델의 학습을 통해 수배전반의 정교한 진단을 수행한다.
Description
본 개시는 수배전반 진단 서버, 시스템 및 방법에 관한 것으로 구체적으로, 인공지능 기반의 수배전반 진단 서버, 시스템 및 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
수배전반은 전기 에너지를 제어하고 분배하기 위해 반도체 기술을 사용하는 장치이다. 수배전반은 주로 전력 회로를 제어 및 보호하고, 전기 시스템에서 전기의 흐름, 전압, 전류 등을 모니터링하고, 장애 발생 시 회로를 차단하거나 복구하는 기능을 수행한다. 수배전반은 주택, 상업용 건물, 공장 등 다양한 규모와 용도의 전기 시스템에서 사용하고, 전기의 분배 및 보호 기능을 담당하는 주 전기 패널이나 배전반, 제어 패널 등이 수전반에 해당한다. 수배전반은 안전한 전기 공급과 전기 설비의 원활한 운영을 보장하기 위해 중요한 역할을 한다.
수배전반은 아파트, 빌딩, 공장 및 변전소 등의 전력 수용가 측에 설치된 상태에서, 특고압의 전력을 수전 및 배전하는 설비로서, 내부에는 부하개폐기, 계기용 변류기, 차단기 및 보호 계전기 등이 구비되어 있다. 수배전 계통에서는 전력손실의 경감, 전압강하율의 개선, 설비용량의 여유도 증가, 전력요금의 경감 등의 효과를 얻기 위하여 지상 역률을 개선하고, 수전 및 변압기 용량, 부하의 역률 특성 등을 고려하여 전력용 콘덴서를 뱅크로 구성하여 역률 보상기로 이용하여 왔다. 역률이 높은 경우에는 유효전력이 피상전력에 근접하는 것으로서, 이러한 역률을 개선하면, 변압기의 동손이 감소될 뿐만 아니라, 전선로의 저항 손실이 감소되어 효과적인 에너지 절약과 전압강하 완화 등을 통한 양질의 전력을 공급할 수 있으며, 변압기의 용량을 줄일 수 있어 경제적인 장점이 있다.
한편, 수배전반의 이상 징후는 온도와 진동의 상관성이 인정되는 경우와 없는 경우로 구분될 수 있다. 온도와 진동의 상관성이 인정되는 경우에는 변압기 이상 시 온도 상승 및 변압기 코일의 떨림이 발생하는 경우가 있다. 온도와 진동의 상관성이 인정되지 않는 경우에는 부스바 연결 볼트의 풀림에 따라 온도가 상승하는 경우 등이 있다. 하지만, 종래 기술은 온도와 진동이 상관성이 인정되는 경우와 없는 경우를 구분하여 이상상황을 진단하지 못하는 문제점이 있다. 뿐만 아니라, 종래 온도와 진동의 상관성이 없는 시점에서의 온도와 진동 데이터 세트로 학습된 딥러닝 모델은 온도와 진동의 상관성이 인정되는 것 만으로 학습된 딥러닝 모델 대비 판단의 신뢰성이 낮아지는 문제가 발생한다.
실시예에 따른 수배전반 진단 시스템 및 방법은 온도와 진동을 동시에 센싱하고 온도와 진동 데이터를 그룹핑한 통합 데이터를 생성하는 센서를 제공한다. 또한, 실시예에서는 온도와 진동 등 다양한 데이터를 통합 센싱하여 모니터링 데이터를 수집한다.
또한, 실시예에서는 IED(Intelligent Electronic Device)와 DAU(Data Acquisition Unit)에서 수집된 모니터링 데이터를 통합하여 딥러닝 또는 머신러닝 모델을 기반으로 모니터링 데이터를 해석함으로써, 수배전반 진단을 고도화한다. 실시예에서는 다양한 모니터링 데이터의 특징 추출(feature engineering)과 딥러닝 또는 머신러닝 모델 학습을 통해 수배전반의 정교한 진단을 수행한다.
또한, 실시예에서는 모듈형 DAU와 연동 가능한 고전압 진공차단기를 제공한다. 실시예에서는 고전압 진공차단기에 온도/진동 센서, 부분방전 센서, VI진공도센서, 차단기 동작 특성, 습도 센서 등 다양한 센서를 내장하여 모니터링 데이터를 수집하고 분석한다.
또한, 실시예에서는 데이터 수집(DAU)과 제어(CU, Control Unit)가 통합된 진단감시 모듈 일체형 전자 장치(IED)를 제공한다. 실시예에서는 DAU를 모듈형으로 내장하고 컨트롤 유닛(CU)의 LCD 화면 출력 및 통신 연계 기능을 활용하여 전자장치(IED)를 구현한다.
또한, 실시예에서는 뉴럴 네트워크를 학습 데이터로 학습하여, 수배전반 진단 및 모니터링을 위한 수배전반 진단 모델, 수배전반 건전성 예측 모델, 수배전반 모니터링 모델을 포함하는 인공지능 기반 딥러닝 또는 머신러닝 모델을 구현한다.
실시예에서는 딥러닝 또는 머신러닝 모델을 통해, 수배전반의 상태를 감시하고, 예방 진단 정보를 활용한다. 또한, 실시예에서는 빅 데이터 분석을 통해 전기 기기의 특성 값을 분석하고 수명 예측 및 고장 예측을 수행한다.
또한, 실시예에서는 웹 및 모바일 기반의 상시 모니터링, 알람 및 제어 기능을 클라우드를 통해 수배전반 모니터링 정보를 고객에게 제공한다.
실시예에 따른 수배전반 진단 시스템은 수배전반의 모니터링 데이터를 센싱하는 센서; 센서로부터 모니터링 데이터를 수집하고 상기 모니터링 데이터를 분석하여 건전성을 진단하고 고장을 예측하는 수배전반; 을 포함한다.
다른 실시예에 따른 인공지능 기반의 수배전반은 복수개의 센서로부터 모니터링 데이터를 수집하고, 딥러닝 모델의 학습 데이터를 수집하는 수집부; 건전성 예측 결과 및 고장진단 결과에 따라 매칭된 대응 프로세스를 수행하는 제어부; 및 센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장예측 결과를 출력하고, 제어 정보를 입력받는 인터페이스부; 를 포함한다.
다른 실시예에 따른 수배전반 진단 방법은 (A) 센서에서 수배전반의 온도, 진동, 전류, 주파수, 전력, 데이터 송수신 주기를 포함하는 모니터링 데이터를 센싱하는 단계; (B) 수배전반에서 상기 센서로부터 모니터링 데이터를 수집하여, 상기 모니터링 데이터를 분석을 통해 수배전반의 건전성을 파악하고, 고장예측을 수행하는 단계; (C) 수배전반에서 센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장예측 결과를 출력하고, 제어 정보를 입력받는 단계; 를 포함한다.
이상에서와 같은 수배전반 진단 시스템은 온도와 진동데이터를 통합한 통합 데이터를 건전성 예측 및 고장 진단 모델의 학습 데이터로 이용하여, 딥러닝 또는 머신러닝 모델의 신뢰도를 향상시킨다.
또한, 실시예를 통해, 수배전반 진단을 고도화하여, 수배전반의 건전성, 전력수급 및 고장 예측을 보다 정확하게 수행할 수 있다.
또한, 실시예에서는 진단감시 데이터 수집 장치(DAU)를 모듈형으로 내장하고, IED의 기본 장치로 MMI(Human Machine Interface)를 활용하여 제어 유닛CU의 LCD 화면 출력 및 통신 연계 기능을 제공하여 사용 편의성을 향상시킨다.
또한, 실시예를 통해, 실시간으로 수배전반의 상태를 모니터링하고 필요한 조치를 취할 수 있도록 한다. 또한, 클라우드 서비스 제공 업체와의 협업을 통해 다양한 서비스를 제공한다.
또한, 실시예를 통해, 다수의 센서 신호를 통합 및 분석하여 설비의 상태를 진단하고 잔여유효수명을 예측하는 고장진단 및 예지기술(Prognostic and Health Management, PHM)을 통해, 수배전반의 건전성과 고장을 예측함으로써, 수배전반을 안전하게 이용할 수 있도록 하고, 사고를 예방한다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 실시예에 따른 수배전반 진단 시스템 구성을 나타낸 도면
도 2는 실시예에 따른 도 2는 실시예에 따른 온도/진동 센서(100)의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 수배전반의 데이터 처리 구성을 나타낸 도면
도 4는 실시예에 따른 관리서버의 데이터 처리 구성을 나타낸 도면
도 5는 실시예에 따른 관리자 단말의 데이터 처리 구성을 나타낸 도면
도 6은 수배전반 모니터링 데이터를 가공하여 시각화 예를 나타낸 도면
도 7은 실시예에 따른 관리자 단말의 출력 인터페이스를 나타낸 도면
도 8은 실시예에 따른 수배전반 진단 시스템의 신호 흐름도
도 9는 실시예에 따른 수배전반의 데이터 처리 흐름을 나타낸 도면
도 10은 실시예에 따른 딥러닝 또는 머신러닝 모델의 데이터 입출력 과정을 나타낸 도면
도 2는 실시예에 따른 도 2는 실시예에 따른 온도/진동 센서(100)의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 수배전반의 데이터 처리 구성을 나타낸 도면
도 4는 실시예에 따른 관리서버의 데이터 처리 구성을 나타낸 도면
도 5는 실시예에 따른 관리자 단말의 데이터 처리 구성을 나타낸 도면
도 6은 수배전반 모니터링 데이터를 가공하여 시각화 예를 나타낸 도면
도 7은 실시예에 따른 관리자 단말의 출력 인터페이스를 나타낸 도면
도 8은 실시예에 따른 수배전반 진단 시스템의 신호 흐름도
도 9는 실시예에 따른 수배전반의 데이터 처리 흐름을 나타낸 도면
도 10은 실시예에 따른 딥러닝 또는 머신러닝 모델의 데이터 입출력 과정을 나타낸 도면
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서, "포함한다" 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.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
이하, 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 실시예에 따른 수배전반 진단 시스템 구성을 나타낸 도면이다.
도 1을 참조하면 실시예에 따른 수배전반 진단 시스템은 센서(100), 수배전반(200), 관리서버(300) 및 관리자 단말(400)을 포함하여 구성될 수 있다.
센서(100)는 수배전반(200) 내부에 설치되고 모니터링 데이터를 센싱한다. 실시예에서 모니터링 데이터는 수배전반에서 감지되는 데이터로서, 수배전반의 온도, 진동, 전류, 주파수, 전력, 데이터 송수신 주기 등을 포함하고 이에 한정하지 않는다. 실시예에서 센서(100)는 온도/진동 센서, 부분방전 센서, VI 진공도 센서, 차단기 동작 특성 감지 센서 및 습도 센서를 포함할 수 있고 이에 한정하지 않는다.
수배전반(200)은 센서(100)로부터 모니터링 데이터를 수집하고 수집된 모니터링 데이터를 분석한다. 실시예에서 수배전반(200)은 모니터링 데이터 분석 결과에 따라 수배전반의 건전성을 파악하고, 고장예측을 수행한다. 실시예에서 건전성을 파악하는 것을 운용 중인 구조물 또는 구성품(structure or component)의 구조적 상태(structural status, health)와 성능을 연속적으로 감시하기 위해, 구조물 내에서 손상(damage)을 감지(detection)하는 것이다. 이때, 건전성(health)이란 구조물이나 설비의 전수명기간을 통해 구조물의 원래상태, 기능, 성능을 유지하는 것이라 정의할 수 있다. 실시예에서는 건전성 예측 모델을 통해 설비의 건전성을 진단(diagnosis) 및 예측(prognosis)하고 재료 내지 구조의 파손(failure) 또는 기능적 고장(functional failure)을 포함하는 손상(damage) 여부를 파악할 수 있다.
관리서버(300)는 수배전반 각각의 모니터링 데이터와 건전성 예측 결과, 고장예측 결과를 수집하여 빅데이터를 구축하고, 관리서버(300)에 등록된 수배전반을 모니터링한다. 실시예에서는 모니터링 데이터를 관리자 단말(400)로 전송하고, 빅데이터 분석 결과 및 수배전반 각각의 데이터 분석 결과를 시각화한 시각화 자료를 생성하고, 이를 관리자 단말로 전송할 수 있다.
관리자 단말(400)는 관리자 또는 기기 인증을 통해 수배전반 모니터링 결과를 출력하고, 수배전반에서 긴급 이벤트가 발생한 경우, 긴급 이벤트와 대응 결과를 관리자에게 알릴 수 있도록 한다.
실시예에 따른 수배전반 진단 서버, 시스템 및 방법은 온도와 진동을 통합하여 센싱하는 센서를 제공한다. 실시예에서는 온도와 진동 등 다양한 데이터를 통합 센싱하여 모니터링 데이터를 수집한다.
또한, 실시예에서는 IED(Intelligent Electronic Device)와 DAU(Data Acquisition Unit)에서 수집된 모니터링 데이터를 통합하여 딥러닝 또는 머신러닝 모델을 기반으로 모니터링 데이터를 해석함으로써, 수배전반 진단을 고도화한다. 또한, 실시예에서는 다양한 모니터링 데이터의 특징 추출(feature engineering)과 딥러닝 또는 머신러닝 모델의 학습을 통해 수배전반의 정교한 진단을 수행한다.
또한, 실시예에서는 모듈형 DAU와 연동 가능한 고전압 진공차단기를 제공한다. 실시예에서는 고전압 진공차단기에 온도/진동 센서, 부분방전 센서, VI진공도센서, 차단기 동작 특성, 습도 센서 등 다양한 센서를 내장하여 모니터링 데이터를 수집하고 분석한다. 또한, 실시예에서는 데이터 수집(DAU)과 제어(CU, Control Unit)가 통합된 진단감시 모듈 일체형 전자 장치(IED)를 제공한다. 예컨대, 실시예에서는 DAU를 모듈형으로 내장하고 컨트롤 유닛(CU)의 LCD 화면 출력 및 통신 연계 기능을 활용하여 전자장치(IED)를 구현할 수 있다.
또한, 실시예에서는 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습하여, 수배전반 진단 및 모니터링을 위한 수배전반 진단 모델, 수배전반 건전성 예측 모델, 수배전반 모니터링 모델을 포함하는 인공지능 기반 딥러닝 또는 머신러닝 모델을 구현한다.
실시예에서는 딥러닝 또는 머신러닝 모델을 통해, 수배전반의 상태를 감시하고, 예방 진단 정보를 활용한다. 또한, 실시예에서는 빅 데이터 분석을 통해 전기 기기의 특성 값을 분석하고 수명 예측 및 고장 예측을 수행한다.
또한, 실시예에서는 웹 및 모바일 기반의 상시 모니터링, 알람 및 제어 기능을 클라우드를 통해 수배전반 모니터링 정보를 고객에게 제공한다.
도 2는 실시예에 따른 온도/진동 센서(100)의 데이터 처리 구성을 나타낸 도면이다.
도 2를 참조하면, 실시예에 따른 온도/진동 센서(100)는 온도 센싱부(110), 진동 센싱부(120) 및 생성부(130)를 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '부' 라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
실시예에서 온도/진동 센서(100)는 온도와 진동 데이터를 동시에 측정하고, 온도와 진동 데이터를 하나의 세트에 포함시킨 통합데이터를 생성한다. 이를 위해, 온도 센싱부(110)는 주변 환경의 온도를 감지한다. 온도 센싱부(110)는 열전도를 측정하는 전자적인 방식이나 적외선 감지를 통한 광학적인 방식을 사용하여 온도를 측정할 수 있다. 이후, 온도 센싱부(110)는 감지한 온도를 전기 신호로 변환한다.
진동 센싱부(120)는 주변 환경의 진동을 감지한다. 진동 센싱부(120)는 기계적인 변형이나 압력 변화 등을 감지하고 이를 진동으로 변환한다. 이후, 진동 센싱부(120)는 감지한 진동을 전기 신호로 변환한다. 실시예에서 진동 센싱부(120)는 전기적인 회로를 사용하여 진동에 해당하는 전압 또는 전류 신호를 생성한다.
실시예에서 온도 센싱부(110)와 진동 센싱부(120)는 온도와 진동 데이터를 동시에 수집하기 위해, 온도 센싱부(110)와 진동 센싱부(120)가 동시에 작동하도록 설정될 수 있다.
생성부(130)는 온도와 진동 데이터를 하나의 세트(set)에 포함시킨 통합데이터를 생성한다. 실시예에서 생성부(130)는 온도와 진동 데이터를 세트로 묶은 데이터 그룹인 통합 데이터를 생성할 수 있다. 이를 위해, 실시예에서 생성부(130)는 온도 센싱부(110)와 진동 센싱부(120)는 온도와 진동 데이터를 동시에 수집하고, 수집된 온도와 진동 데이터를 샘플링 한다. 이후, 생성부(130)는 온도와 진동 데이터는 동일한 시간 기준으로 맞추어, 각각의 데이터 포인트에 온도와 진동 값을 함께 기록하여, 온도와 진동 데이터를 연관된 정보로서 통합한다.
도 3은 실시예에 따른 수배전반의 데이터 처리 구성을 나타낸 도면이다.
도 3을 참조하면, 실시예에 따른 수배전반(200)은 수집부(210), 전처리부(220), 딥러닝부(230), 제어부(240), 인터페이스부(250) 및 피드백부(260)를 포함하여 구성될 수 있다.
실시예에서 수집부(210)는 데이터 수집 장치(DAU, Data Acquisition Unit)로서, 복수개의 센서로부터 모니터링 데이터를 수집하고, 딥러닝 또는 머신러닝 모델의 학습 데이터를 수집한다. 데이터 수집 장치(DAU: Data Acquisition Unit)는 센서로부터 수집된 데이터를 캡처하고 디지털 형태로 변환한다. DAU는 일반적으로 아날로그-디지털 변환기(ADC: Analog-to-Digital Converter)와 디지털-아날로그 변환기(DAC: Digital-to-Analog Converter) 등을 포함하며, 데이터를 안정적으로 수집하여 처리 가능한 형태로 변환한다. 실시예에서 딥러닝 또는 머신러닝 모델은 수배전반의 건전성 진단 모델 및 고장 예측 모델을 포함할 수 있다. 실시예에 따른 수배전반의 건전성 진단모델의 학습 데이터는 수배전반이 정상 작동 상태인 경우의 정상 데이터, 수배전반에서 발생한 이상 상태 또는 장애 상황에서 수집된 데이터, 레이블, 주석정보, 부하, 습도 온도 등을 포함하는 운전조건 및 기계 진동, 외부 영향 등을 포함하는 환경 데이터를 포함할 수 있다.
수배전반 고장예측 모델의 학습 데이터는 이력데이터, 고장데이터, 센서데이터, 운전 조건 및 환경 데이터, 유지보수기록 등을 포함할 수 있다. 이력 데이터는 수배전반의 과거 운전 이력 데이터로서, 수배전반의 운전 기록, 동작 이벤트, 작동 조건, 센서 데이터 등을 포함한다. 예를 들어, 작동 시간, 동작 횟수, 부하 조건, 전력 소비량 등의 정보가 포함될 수 있다. 고장 데이터는 수배전반에서 발생한 고장 상황에 대한 데이터로서, 이는 과전압, 과전류, 온도 이상, 차단기 동작 문제 등과 같은 수배전반의 고장 사례를 포함한다. 고장 데이터는 고장 유형, 발생 시간, 심각도 등의 정보를 포함한다. 센서데이터는 수배전반에 설치된 센서로부터 수집한 데이터로서, 온도 센서, 진동 센서, 전류 센서, 전압 센서 등의 데이터를 포함한다. 센서 데이터는 수배전반의 작동 상태와 센서 동작의 변화를 포착하기 위해 활용된다. 운전 조건 및 환경 데이터는 부하 조건, 습도, 온도, 기계 진동, 외부 영향 등의 데이터를 포함한다. 운전 조건 및 환경 데이터는 수배전반의 작동에 영향을 미치는 외부 요소를 파악하고, 고장 예측 모델에 반영될 수 있다. 유지 보수 기록은 수리 및 교체 작업 내역, 유지 보수 주기, 유지 보수 비용 등의 정보를 포함한다. 이러한 기록은 수배전반의 유지 보수 상태를 이해하고, 고장 예측 모델에 반영될 수 있도록 한다.
전처리부(220)는 수집된 인공지능 학습데이터 중 편향성이나 차별성을 가진 데이터를 제거하기 위해, 수집된 학습데이터를 전처리한다. 실시예에서 전처리부(120)는 수집된 데이터를 전처리하여 인공지능 모델 학습에 적합한 형태로 가공한다. 예컨대, 전처리부(120)는 노이즈 제거, 이상치 제거, 결측치 처리 등의 과정을 수행할 수 있다. 또한, 전처리부(120)는 데이터 전처리를 통해 데이터를 정규화하거나, 이상치를 제거하거나, 데이터의 배율 조정 등을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지할 수 있다.
딥러닝부(230)는 뉴럴 네트워크를 학습 데이터로 학습시켜 건전성 예측 모델 및 고장진단 모델을 포함하는 딥러닝 또는 머신러닝 모델을 구현한다. 실시예에서 건전성 예측 모델은 수배전반의 건전한 상태를 예측하는 딥러닝 모델이다. 건전성 예측 모델은 주어진 입력 데이터와 기존의 경험 또는 학습된 지식을 기반으로 수배전반 시스템의 건전한 상태를 평가하고, 향후 잠재적인 이상 상태나 고장을 예측한다. 실시예에서 건전성 예측 모델은 TTE(Time To Event) 데이터를 비모수적 방법으로 분석하는 MCMC(Markov Chain Monte Carlo) 기반 예지 모델과 모수적 방법으로 데이터를 분석하는 LSTM(Long Short-Term Memory) 기반 예지모델을 포함할 수 있다.
고장 진단 모델은 수배전반의 고장 여부를 판단하기 위해 사용되는 딥러닝 또는 머신러닝 모델이다. 고장 진단 모델은 입력 데이터를 기반으로 시스템의 작동 상태를 분석하고, 이상 상태나 고장 여부를 식별한다. 실시예에서 고장 진단 모델은 시간에 따른 고장률을 추정하고 고장이 발생하기 전의 유효시간(RUL, Remaining Useful Life)을 측정하여 고장의 시기를 예측할 수 있도록 한다. 또한, 수배전반 상태를 진단하거나 고장률을 추정하여 예측 정비의 시기를 결정할 수 있다.
실시예에 따른 뉴럴 네트워크는 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하고 이에 한정하지 않는다.
실시예에서 딥러닝부(230)는 수집된 온도 및 진동 데이터 세트에서 상호 상관성이 인정되는 데이터와 상호 상관성이 인정되지 않은 데이터를 구분하여 고장진단 모델을 학습시킨다. 이를 위해, 딥러닝부(230)는 온도 및 진동 데이터 세트를 수집하면 바로 학습용 데이터로 사용하지 않고, 온도, 진동 상관 데이터 세트를 추출한다. 실시예에서 온도, 진동 상관 데이터 세트는 온도와 진동간 상관성이 파악되는 데이터로서, 실시예에서 딥러닝부(230)는 온도, 진동 상관 데이터 추출을 위해 먼저, 기 설정된 제1시간 (예컨대, 제 1시간) 동안 온도 및 진동 데이터 세트를 누적한다. 이후, 딥러닝부(230)는 누적된 온도 및 진동 데이터 세트에서 온도와 진동 간의 상관성이 있는 데이터 세트인 온도, 진동 상관 데이터 세트를 추출한다. 이때, 딥러닝부(230)는 기 설정된 제 2 시간 (예컨대, 10분)동안 온도의 변화율이 온도 변화율 기준치 이상이고, 진동의 변화율이 진동 변화율 기준치 이상인 경우의 데이터 세트를 온도와 진동 간의 상관성이 있는 온도, 진동 상관 데이터 세트로 인정한다. 실시예에서 제2시간은 제1시간보다 짧은 시간이다.
다만, 장기간 경년 열화에 의해, 수배전반의 온도와 진동에 대한 상관성이 발생할 수 있으므로 실시예에서 딥러닝부(230)는, 누수되는 데이터를 최소화하기 위해, 온도, 진동 상관 데이터 세트의 데이터의 시작 시점에서 기 설정된 시간 이전 까지의 데이터 세트를 준상관 데이터 세트로 인정한다. 실시예에서 준상관데이터는 구조화되어 있지 않고, 일정한 패턴이나 규칙을 따르지 않는 비정형 데이터를 의미한다.
또한, 딥러닝부(230)는 온도, 진동 상관 데이터 세트 및 준상관 데이터 세트를 고장진단 모델 및 건전성 진단 모델을 포함하는 딥러닝 모델의 학습용 온도 및 진동 데이터 세트로 활용할 수 있다. 이를 통해, 딥러닝부(230)는 온도, 진동 상관 데이터 세트인 정형 데이터와 준상관 데이터 세트인 비정형 데이터를 모두 학습하여, 딥러닝 또는 머신러닝 모델의 신뢰도, 정확성을 대폭 향상시킬 수 있다. 뿐만 아니라, 수집된 온도 및 진동 데이터 세트에서 상호 상관성이 인정되는 데이터와 상호 상관성이 인정되지 않은 데이터를 미리 구분하여 고장진단 모델을 학습시킴으로써, 데이터의 유효성을 강화하고 모델의 성능을 향상시킬 수 있다.
또한, 딥러닝부(230)는 딥러닝 또는 머신러닝 모델을 이용한 수배전반의 고장 진단, 건전성 진단 중 온도, 진동 상관 데이터 세트 및 준상관 데이터 세트로 판단된 데이터 세트를 활용해, 지속적으로 딥러닝 또는 머신러닝 모델을 학습시킬 수 있다.
제어부(240)는 온도/진동 센서로부터 수집한 통합 데이터를 이용하여 온도와 진동의 상호 작용, 온도와 진동 사이의 변화패턴을 파악하고, 온도와 진동의 상호작용, 온도와 진동 사이의 변화 패턴을 수배전반의 고장 진단 및 건전성 예측을 위한 데이터로 이용한다. 예컨대, 제어부(240)는 온도와 진동 데이터 간의 상관 관계를 확인하기 위해 상관 분석을 수행한다. 상관 분석은 두 변수 간의 선형 관계 정도를 측정하고, 상관 계수를 계산하여 변수 간의 연관성을 파악하는 방법이다. 또한, 제어부(240)는 동일한 시점에 샘플링 된 통합데이터에서 온도와 진동 각각의 변화율과 절대값을 측정하여, 온도와 진동 데이터 간의 상관 관계를 확인할 수 있다.
또한, 제어부(240)는 온도와 진동 데이터 간의 관계를 설명하기 위해 회귀 분석을 수행한다. 회귀 분석은 한 변수를 다른 변수의 예측에 사용하는 모델을 구축하는 통계적 기법으로, 제어부(240)는 온도를 독립 변수로, 진동을 종속 변수로 설정하여 회귀 분석을 수행하면, 온도와 진동 간의 관계를 모델링하고 예측할 수 있다. 또한, 제어부(240)는 온도와 진동 데이터가 시간에 따라 수집되었다면, 시계열 분석을 활용하여 변화 패턴을 파악할 수 있다. 시계열 분석은 시간 상의 패턴, 추세, 계절성 등을 분석하여 데이터의 특성을 이해하고 예측하는데 사용되는 방법이다. 실시예에서 제어부(240)는 시계열 분석을 통해 온도와 진동 데이터의 주기성, 추세, 이상치 등을 파악할 수 있다.
또한, 실시예에서 제어부(240)는 실시간 온도, 진동 데이터 세트의 상관성에 따라 수배전반의 고장을 진단할 수 있다.
예컨대, 제어부(240)는 실시간 온도, 진동 데이터 세트를 수집하고, 수집된 온도, 진동 데이터 세트와 온도, 진동 상관 데이터 세트에 포함된 데이터의 유사도에 따라 이상 여부를 진단할 수 있다. 구체적으로, 제어부(240)는 수집된 온도, 진동 데이터 세트의 온도와 진동 상관성이, 온도, 진도 상관 데이터 세트에 포함된 온도와 진동의 상관성과 일정 수준 이상 유사한 경우, 수집된 온도, 진동 데이터 세트를 고장 진단 모델에 입력하여 이상여부를 진단한다.
또한, 제어부(240)는 온도, 진동 상관 데이터 세트의 데이터의 시작 시점에서 기 설정된 시간 이전 까지의 데이터 세트인 준상관 데이터 세트를 수집하고, 수집된 준상관 데이터 세트를 고장 진단 모델에 입력하여, 수배전반의 이상상태를 진단할 수 있다. 또한, 제어부(240)는 수집된 온도, 진동 데이터 세트가 온도, 진동 상관 데이터 또는 준상관 데이터 세트에 속하지 않는 경우 별도의 진단 방식을 통해, 수배전반의 고장을 진단할 수 있다. 이때, 제어부(240)는 인공지능 기반이 아닌 별도의 온도 진단용 알고리즘 또는 진동 진단용 알고리즘이 사용될 수 있다. 그 진단용 알고리즘은 온도 임계치 및 진동 임계치를 이용해 온도 이상 여부 및 진동 이상 여부를 단편적으로 진단하는 것이다. 실시예에서 온도 임계치 및 진동 임계치는 미리 설정될 수 있고, 정상 상태 범위의 최소값과 최대값을 포함할 수 있다. 예컨대, 제어부(240)는 수집된 온도, 진동 데이터가 정상범위에 포함되는지 파악하고, 수집된 온도, 진동 데이터가 정상범위를 벗어난 수준에 따라 수배전반의 이상 여부를 파악할 수 있다. 구체적으로 제어부(240)는 정상범위 최소값과 수집된 데이터와의 차이 및 정상범위 최대값과 수집된 데이터와의 차이에 따라 수배전반의 이상 여부를 파악할 수 있다.
또한, 실시예에서 제어부(240)는 주파수 스펙트럼 분석, 통계적 특징 추출을 포함하는 특성추출 과정을 통해 모니터링 데이터에서 특성데이터를 추출하고, 추출된 특성데이터를 딥러닝 또는 머신러닝 모델에 입력하여, 수배전반의 건전성 예측 및 고장진단을 수행한다.
실시예에서 제어부(240)는 주파수 스펙트럼 분석을 통해, 모니터링 데이터에서 특성데이터를 추출할 수 있다. 주파수 스펙트럼 분석은 주어진 신호나 데이터의 주파수 영역에서의 성분을 분석하는 기법이다. 제어부(240)는 수집된 시간 도메인 데이터는 주파수 도메인으로 푸리에 변환을 통해 변환하고, 주파수 스펙트럼 분석 결과에 따라 특성 데이터를 추출한다. 실시예에서 제어부(240)는 주요 주파수 성분을 식별하기 위해 주파수 영역에서 특정 주파수 대역을 분석하거나, 주파수 성분의 에너지 분포를 확인하기 위해 주파수 스펙트럼을 시각화 한다. 이후 제어부(240)는 주파수 스펙트럼 분석을 통해 특성 데이터를 추출한다. 실시예에서 특성 데이터는 주파수 영역에서 신호의 주요 주파수, 주파수 성분의 강도 또는 에너지, 주파수 대역의 변화율 등을 포함할 수 있다.
또한, 제어부(240)는 모니터링 데이터의 통계적 특징을 추출할 수 있다. 통계적 특징은 모니터링 데이터의 분포, 평균, 분산, 최대값, 최소값 등과 같은 통계적인 속성이고, 실시예에서 제어부(240)는 산출된 통계적인 속성값을 특성 데이터로 추출할 수 있다. 예컨대, 특정 센서에서 수집된 모니터링 데이터의 시간 별 분포, 평균, 분산, 최대값, 최소값을 산출하고 이를 특성 데이터로 추출할 수 있다. 통계적 속성값은 데이터의 변동성, 분포 형태, 중심 경향 등을 파악할 수 있도록 한다.
또한, 실시예에서 제어부(240)는 모니터링 데이터의 시간 도메인에서 특성 데이터를 추출할 수 있다. 예컨대, 제어부(240)는 모니터링 데이터의 변화율, 주기성, 추세, 자기상관 등을 분석하여 데이터의 동적 특성을 특성 데이터로 추출할 수 있다. 또한, 제어부(240)는 모니터링 데이터의 변화율을 측정하여 변화량에 대한 특성 데이터를 추출할 수 있다. 이를 통해 데이터의 불규칙성, 빠른 변화, 주기성 등을 파악할 수 있도록 한다.
제어부(240)는 건전성 예측 결과 및 고장진단 결과에 따라 매칭된 대응 프로세스를 수행한다. 실시예에서 제어부(240)는 컨트롤 유닛(Control Unit)으로서, 수집된 데이터를 처리하고 제어한다. 실시예에서 제어부(240)는 데이터 수집장치인 수집부(210)와 연결되어 데이터를 수신하고 해석하여 필요한 수배전반에 필요한 프로세스를 수행한다. 또한, 제어부(240)는 수배전반의 상태를 모니터링하고, 제어 동작을 수행하거나 이상 상태를 감지한다.
실시예에서 제어부(240)는 건전성 예측 모델과 고장 진단 모델을 사용하여 시스템의 상태를 예측하고 진단한다. 제어부(240)는 예측 결과 및 진단 결과를 확인하여 수배전반 시스템이 건전한지, 이상 상태인지, 고장이 발생했는지 등을 판단한다. 이후, 제어부(240)는 예측 및 진단 결과에 따라 해당하는 대응 프로세스를 매칭한다. 이는 미리 설정된 기준에 따라 수행될 수 있다. 예컨대, 제어부(240)는 건전한 상태일 경우는 정상 운전을 유지하고, 이상 상태가 감지되었을 경우는 경고 메시지를 생성하거나 유지 보수 절차를 시작하는 등의 대응 프로세스를 매칭한다. 또한, 실시예에서 제어부(240)는 수배전반 건전성 및 고장 상태에 따라 미리 매칭된 대응 프로세스를 수행할 수 있다. 예컨대, 대응프로세스는 수배전반이 건전한 상태일 경우, 정상 운전으로 매칭될 수 있고, 이상상태인 경우, 경고 메시지 생성에 해당하는 대응 프로세스가 매칭될 수 있다. 또한, 이상상태 감지의 경우, 이상상태를 상세히 분석하고, 분석 결과에 따라 유지 보수 절차를 시작하는 대응 프로세스가 매칭될 수 있다.
실시예에서 제어부(240)는 매칭된 대응 프로세스에 따라 실제 대응 프로세스를 수행한다. 예컨대, 경고 메시지를 발송하거나, 특정 조치를 취하여 잠재적인 고장 원인을 해결하는 등의 프로세스를 수행한다.
인터페이스부(250)는 센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장예측 결과를 출력하고, 관리자 또는 외부 서버로부터 제어 정보를 입력 받는다.
실시예에서 인터페이스부(250)는 MMI(Man-Machine Interface)로서, 인간과 기계 간의 상호 작용을 위한 인터페이스를 제공한다. MMI는 사용자가 기계나 시스템과 소통하고 상호 작용할 수 있도록 도와주는 기기, 소프트웨어를 포함한다. MMI는 터치스크린, 키보드, 마우스, 조이스틱, 음성 인식 등의 인터페이스를 사용하여 사용자와 기계 간의 상호 작용을 이루어질 수 있도록 한다. 또한, MMI는 그래픽 사용자 인터페이스(GUI)를 통해 시각적인 정보를 표시하고 사용자와의 상호 작용을 지원한다.
실시예에서 인터페이스부(250)는 센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장 예측 결과를 출력한다. 이 출력은 주로 시각적인 형태로 제공된다. 예를 들어, 인터페이스부(250)는 LCD 화면, LED 표시등, 그래프 또는 표 등을 사용하여 데이터를 시각화하고 표시할 수 있다. 또한, 인터페이스부(250)는 관리자 또는 외부 서버와 통신하여 제어 정보를 입력 받는다. 이를 위해 다양한 통신 프로토콜이 사용될 수 있으며, 주로 이더넷, 시리얼 통신, 무선 통신 등이 활용된다. 실시예에서는 관리자 또는 외부 서버로부터 받은 제어 정보를 인터페이스부(250)에 입력한다. 실시예에서 제어 정보는 주로 제어 명령, 운전 모드 변경, 설정 값 변경 등을 포함한다. 또한, 인터페이스부(250)는 입력된 제어 정보를 기반으로 데이터 처리를 수행하고, 필요한 경우 모니터링 데이터, 건전성 예측 결과 및 고장 예측 결과를 업데이트한다. 인터페이스부(250)는 실시간으로 시스템 상태에 대한 변화에 대응하고, 새로운 정보를 반영하여 최신 데이터를 유지한다.
피드백부(260)는 학습된 인공신경망 모델, 딥러닝 모델 및 머신러닝 모델을 평가한다. 실시예에서 피드백부(260)는 정확도(Accuracy), 정밀도 (Precision) 및 재현율 (Recall) 중 적어도 하나를 통해, 인공신경망 모델을 평가할 수 있다. 정확도는 인공 신경망 모델이 예측한 결과가 실제 결과와 얼마나 일치하는지를 측정하는 지표이다. 정밀도는 양성으로 예측한 결과 중 실제 양성인 비율을 측정하는 지표이다. 재현율은 실제 양성 중에서 모델이 양성으로 예측한 비율을 측정하는 지표이다. 실시예에서 피드백부(260)는 인공신경망 모델의 정확도, 정밀도 및 재현율을 산출하고, 산출된 지표 중 적어도 하나를 기반으로 인공신경망 모델을 평가할 수 있다.
실시예에서 피드백부(260)는 인공신경망 모델의 정확도를 평가 데이터셋을 사용하여 측정할 수 있다. 평가 데이터셋은 모델이 학습에 사용하지 않은 데이터로 구성되어 있으며, 모델의 성능을 객관적으로 평가하는 데 사용된다. 실시예에서 피드백부(260)는 평가 데이터셋을 사용하여 인공신경망 모델을 실행하고, 각 입력 데이터에 대한 인공신경망 모델의 예측 값과 해당 데이터의 실제 정답 값을 비교한다. 이후, 비교 결과를 통해, 모델이 얼마나 정확하게 예측하는지를 측정할 수 있다. 예컨대, 피드백부(260)에서 정확도는 전체 데이터 중에서 모델이 맞게 예측한 데이터의 비율로 계산될 수 있다.
또한, 피드백부(260)는 정밀도와 재현율의 조화 평균으로 계산되는 지표인 정밀도와 재현율의 균형을 나타내는 지표인 F1 스코어(F1 Score)를 산출하고, 산출된 F1 스코어를 기반으로 인공신경망 모델을 평가하고, 분류 모델의 성능을 그래프로 시각화한 지표인 AUC-ROC 곡선을 생성하고, 생성된 AUC-ROC 곡선을 기반으로 인공신경망 모델을 평가할 수 있다. 실시예에서 피드백부(260)는 ROC 곡선 아래 면적 (AUC)이 1에 가까울수록 모델의 성능이 좋은 것으로 평가할 수 있다.
또한, 피드백부(260)는 인공신경망 모델의 해석 가능성을 평가할 수 있다. 실시예에서 피드백부(260)는 SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) 방법을 통해, 인공신경망 모델의 해석 가능성을 평가한다. SHAP (SHapley Additive exPlanations)는 모델이 예측한 결과에 대한 해석을 제공하는 라이브러리로서, 피드백부(260)는 라이브러리에서 SHAP 값을 추출한다. 실시예에서 피드백부(260)는 SHAP값 추출을 통해, 모델에 입력된 특성정보가 모델 예측에 얼마나 영향을 미쳤는지를 예측할 수 있다.
LIME (Local Interpretable Model-agnostic Explanations) 방법은 개별 샘플에 대한 모델의 예측을 설명하는 방법이다. 실시예에서 피드백부(260)는 LIME 방법을 통해, 샘플을 해석 가능한 모델로 근사하여 각 특성정보의 중요도를 계산한다. 또한, 피드백부(260)는 모델의 내부 가중치와 편향 값을 분석하여 각 특성 변수의 영향력을 추정할 수 있다.
피드백부(260)는 인공신경망 모델의 공정성이 낮거나 차별성을 보이는 경우, 개선 작업을 수행한다. 실시예에서 피드백부(260)는 특정 집단의 데이터가 일정수준 이상 부족한 경우 상기 특정 집단을 대표하는 데이터를 추가로 수집하고, 데이터 전처리 과정을 수행한다. 실시예에서 피드백부(260)는 데이터 정규화, 이상치 제거, 데이터의 배율 조정을 포함하는 데이터 전처리 과정을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지한다. 또한, 실시예에서 피드백부(260)는 모델 학습 알고리즘에 특정 조건을 추가하여 차별성을 방지하거나, 공정성을 보장할 수 있다.
실시예에서 피드백부(260)는 공정성 보장을 위해, 혼돈행렬(Confusion Matrix) 분석을 통해, 모델의 예측 결과를 실제 결과와 비교하여 모델의 성능을 평가한다. 혼돈 행렬(confusion matrix)은 지도 학습에서 모델의 분류 성능을 평가하는 행렬이다. 혼돈 행렬은 모델이 예측한 결과와 실제 결과를 비교하여 분류 결과를 표시한다. 실시예에서 피드백부(260)는 혼돈행렬 분석을 통해, 각각의 클래스에 대한 정확도와 오분류율을 계산하여 모델의 성능을 평가할 수 있다.
또한, 실시예에서 피드백부(260)는 학습데이터에 대한 시각화 분석을 통해 데이터의 분포를 확인할 수 있도록 한다. 예를 들어, 이미지 데이터의 경우 각 클래스에 대한 이미지 샘플을 시각화 하여 데이터의 다양성과 공정성을 평가할 수 있다.
또한, 피드백부(260)는 인공신경망 모델의 편향(Bias) 검증을 수행한다. 실시예에서 피드백부(260)는 학습정보에 대한 편향(Bias) 검증을 통해, 모델이 특정 클래스나 속성에 대해 편향되어 있는지 여부를 확인한다. 이를 위해 피드백부(260)는 각 클래스에 대한 샘플의 수를 비교하거나, 각 클래스에 대한 분류 성능을 평가한다.
또한, 피드백부(260)는 공정성(Fairness) 검증 및 평가 지표 계산을 통해, 학습데이터의 공정성과 다양항을 검증하고 인공신경망 모델을 개선할 수 있도록 한다. 실시예에서 공정성 검증은 학습정보에 대해 인공신경망 모델이 특정 속성에 대해 차별성을 보이는지 여부를 확인하는 것이다. 실시예에서 피드백부(260)는 각 속성에 대한 샘플의 수를 비교하거나, 각 속성에 대한 분류 성능을 평가하여, 특정 속성에 대한 차별성 여부를 확인할 수 있다.
또한, 피드백부(260)는 인공신경망 모델의 성능을 평가하기 위한 다양한 지표를 계산한다. 예를 들어, 정확도, 정밀도, 재현율, F1-score 등의 지표를 계산하여 모델의 성능을 평가할 수 있다. 이때, 각 클래스에 대한 지표를 계산하여 모델의 공정성과 다양성을 평가할 수 있다.
또한, 피드백부(260)는 인공신경망 모델이 실제 환경에서 사용되면서 발생하는 문제점에 대한 피드백을 수집하고, 수집된 피드백을 인공신경망 모델에 반영하여 인공신경망 모델을 지속적으로 개선한다.
도 4는 실시예에 따른 관리서버의 데이터 처리 구성을 나타낸 도면이다.
도 4를 참조하면, 실시예에 따른 관리서버(300)는 저장부(310), 모니터링부(320), 원격제어부(330), 분석부(240) 및 생성부(350)를 포함하여 구성될 수 있다.
실시예에서 관리서버(300)는 관리서버(300)에 등록된 수배전반 각각의 모니터링 데이터와 건전성 예측 결과, 고장예측 결과를 수집하여 빅데이터를 구축하고, 수배전반을 모니터링한다.
저장부(310)는 수배전반에서 생성된 데이터를 수집하고, 수집된 데이터를 빅데이터화 한다. 이를 위해, 저장부(310)는 수배전반에서 생성되는 다양한 데이터를 수집한다. 저장부(310)에서 수집되는 데이터는 주로 센서, 모니터링 장치, 제어 장치 등에서 생성되는 실시간 데이터를 포함할 수 있다. 예를 들어, 전류, 전압, 주파수, 온도, 진동 등의 데이터가 수집될 수 있다. 실시예에서 저장부(310)는 데이터를 직접 수집하거나 다른 장치를 통해 전달받을 수 있다. 이후, 저장부(310)는 수집된 데이터를 저장한다. 실시예에서 저장부(310)는 수집된 데이터를 적절한 형식으로 저장하여 나중에 접근할 수 있도록 한다. 예컨대, 저장부(310)는 데이터베이스 시스템을 사용하여 수집된 데이터를 저장한다. 저장부(310)는 데이터베이스에 구조화된 형태로 데이터를 저장하고, 쿼리를 통해 데이터에 접근할 수 있도록 한다.
모니터링부(320)는 수배전반의 상태를 모니터링한다. 실시예에서 모니터링부(320)는 수배전반 각각에서 수집된 데이터를 정상 데이터 비교하여 수배전반의 상태를 모니터링 할 수 있다.
실시예에서 모니터링부(320)는 센서 측정값이 경계치보다 크거나, 변화 패턴이 정상과 다를 때 이상 상태로 판단할 수 있다. 또한, 실시예에서 모니터링부(320)는 정상적인 상태의 데이터로 계산한 파라미터와 실제 데이터로 계산한 파라미터가 차이가 크면 공정 이상으로 판단하는 파라미터 분석(Parameter Analysis) 방법을 통해, 수배전반의 이상 상태를 파악할 수 있다. 또한, 모니터링부(320)는 정상적인 상태의 데이터로 만든 패턴 인식 모델로 예측한 값과 실제 센서로 측정한 값의 차이가 크면 공정 이상으로 판단하는 잔차 분석(Residual Analysis)방법을 통해 수배전반의 이상 상태를 파악할 수 있다.
원격제어부(330)는 수배전반의 모니터링 결과에 따라 수배전반을 원격 제어한다. 예컨대, 원격제어부(330)는 수배전반에서 이상상태가 모니터링 된 경우, 모니터링 된 이상상태를 해결하기 위해 수배전반을 원격제어 할 수 있다.
또한, 실시예에서 원격제어부(330)는 수배전반의 모니터링 결과에 기반하여 수배전반에 대한 제어 명령을 생성하고 전달한다. 제어 명령은 수배전반의 운전 모드 변경, 설정 값 조정, 경고/알림 발생 등을 포함하고, 모니터링 결과에 따라 생성될 수 있다. 예컨대, 원격제어부(330)는 센서 데이터가 정상 범위를 벗어난 경우, 경고 메시지를 전송하는 제어 명령을 생성할 수 있다.
이후, 수배전반은 원격제어부(330)로부터 전달받은 제어 명령을 수행하고, 이를 통해 수배전반은 운전 상태를 변경하거나 특정 작업을 수행할 수 있다, 예를 들어, 원격제어부(330)는 수배전반의 동작/정지, 설정 값의 변경, 경보/알림 발생 등을 제어할 수 있다.
분석부(340)는 수집된 데이터를 분석하여 수배전반 전력 시스템의 성능, 에너지 사용 패턴, 부하 예측을 수행한다. 이를 위해, 분석부(340)는 수집된 데이터의 정제, 이상치 처리, 결측치 처리, 데이터 변환 등을 수행하여 데이터의 품질을 개선하고, 필요에 따라 데이터를 스케일링이나 정규화 한다.
이후, 분석부(340)는 수집된 데이터를 기반으로 수배전반 전력 시스템의 성능을 분석한다. 이는 전력 시스템의 전압, 전류, 주파수 등의 파라미터를 모니터링하여 시스템의 안정성, 정확성, 효율성 등을 평가하는 것을 의미한다. 성능 분석은 데이터의 통계 분석, 주파수 스펙트럼 분석, 상관 분석 등을 통해 수행될 수 있다. 또한, 분석부(340)는 수집된 데이터를 기반으로 수배전반의 에너지 사용 패턴을 분석한다. 이는 시간별, 일별, 주별, 계절별 등의 패턴을 파악하여 에너지 사용의 특징과 효율성을 평가하는 것을 의미한다. 예를 들어, 피크 시간대, 저전력 시간대, 에너지 소비 패턴의 변동 등을 분석하여 에너지 관리 및 절약에 도움을 줄 수 있도록 한다.
또한, 분석부(340)는 수집된 데이터를 활용하여 수배전반의 부하 예측을 수행한다. 부하예측은 미래 시점에서 예상되는 부하 상황을 예측하는 것으로, 기계 학습 알고리즘, 시계열 분석, 신경망 등을 활용하여 수행될 수 있다. 정확한 부하 예측은 전력 시스템 운영에 중요한 역할을 하며, 에너지 공급의 효율성과 안정성을 향상시킬 수 있도록 한다.
생성부(350)는 데이터 분석 결과에 대한 보고서를 생성한다. 이를 위해 생성부(350)는 분석된 데이터를 기반으로 다양한 분석 방법과 알고리즘을 활용하여 결과를 도출한다. 예컨대, 생성부(350)는 수배전반의 성능 평가 결과, 에너지 사용 패턴 분석 결과, 부하 예측 결과 등을 결과로 도출할 수 있다. 이후, 생성부(350)는 도출된 데이터 분석 결과를 가시적으로 표현하기 위해 보고서를 구성한다. 예컨대, 생성부(350)는 도 6에 도시된 그래프, 차트, 표 등의 시각적 요소를 활용하고, 보고서에는 분석 결과의 개요, 요약, 주요 특징, 그래프 및 통계적 정보 등이 포함될 수 있다. 이후 생성부(350)는 컴퓨터 소프트웨어를 활용하여 보고서를 자동 생성한다. 생성된 보고서는 관리자, 운영자, 기술자 등 수배전반 관련 인원에게 제공한다. 이를 통해 데이터 분석 결과를 쉽게 확인하고 이를 기반으로 의사결정을 할 수 있도록 한다.
도 5는 실시예에 따른 관리자 단말의 데이터 처리 구성을 나타낸 도면이다.
도 5를 참조하면, 실시예에 따른 관리자 단말(400)는 인증부(410), 출력부(420) 및 긴급 알림부(430)를 포함하여 구성될 수 있다.
인증부(410)는 관리서버로 관리자 개인정보 또는 기기정보를 전송하여, 관리자 인증을 수행한다. 실시예에서 관리자 인증 과정은 수배전반의 제어 및 수배전반 모니터링 데이터 열람 제한을 위한 과정으로, 실시예에서 인증부(410)는 관리자 정보, 핀넘버 등을 관리서버로 전송하고, 관리서버의 인증 여부에 따라 해당 관리자 또는 기기의 인증을 완료할 수 있다.
출력부(420)는 수배전반 모니터링 데이터를 출력한다. 실시예에서 출력부(420)는 수배전반 센서 데이터를 포함하는 모니터링 데이터를 데이터의 종류와 시간에 따라 출력한다. 예컨대, 출력부(420)는 모니터링 데이터를 그래프, 도표, 아이콘 등으로 시각화 하여 출력할 수 있다. 또한, 출력부(420)는 모니터링 데이터가 정상범위를 벗어나거나 이상상태와 관련된 데이터의 색 또는 형태를 변경하여 출력할 수 있다. 또한, 출력부(420)는 수배전반의 건전성 상태와 고장 진단 상태에 미리 매칭된 색 또는 아이콘으로 모니터링 데이터를 출력할 수 있다.
실시예에서 출력부(420)는 수집된 모니터링 데이터는 출력을 위해 모니터링 데이터를 가공하고 필요한 형식으로 변환한다. 예를 들어, 도 6에 도시된 바와 같이, 모니터링 데이터를 그래프, 차트, 표 등으로 시각화 하거나 특정 형식에 맞게 가공한다. 이후, 출력부(420)는 가공된 데이터를 적절한 출력 장치나 인터페이스를 통해 출력한다. 이를 통해 수배전반의 모니터링 결과를 시각적으로 나타내거나 기록할 수 있다. 예를 들어, LCD 화면, LED 표시등, 프린터, 데이터 로깅 장치 등을 사용하여 데이터를 출력할 수 있다. 출력 방식은 시스템 요구사항과 운영자의 필요에 따라 다양하게 구성될 수 있다.
또한, 출력부(420)는 필요에 따라 출력을 제어할 수 있다. 예를 들어, 출력 주기를 설정하여 일정 시간 간격으로 데이터를 출력하거나, 알람 또는 경고 발생 시 특정 신호를 출력할 수 있다.
긴급 알림부(430)는 모니터링 데이터에서 이상상태가 감지되고, 감지된 이상상태가 긴급 이벤트로 판단되는 경우, 이를 관리자 단말에 표시한다. 실시예에서 긴급 이벤트는 과전압, 저전압, 과전류, 단락, 고장감지 등을 포함할 수 있다. 과전압(Overvoltage)은 수배전반에서 발생하는 전압이 정상 범위를 초과하는 이벤트이다. 이는 전력 공급 시스템의 이상이나 고장으로 인해 발생할 수 있으며, 전기 장비에 손상을 줄 수 있다. 저전압(Undervoltage)은 수배전반에서 발생하는 전압이 정상 범위보다 낮아지는 이벤트로서, 이는 전력 공급의 문제나 장비의 고장으로 인해 발생할 수 있으며, 전기 장비의 정상 동작을 방해할 수 있다. 과전류(Overcurrent)는 수배전반에서 발생하는 전류가 정상 범위를 초과하는 이벤트이다. 과전류는 회로 오버로드, 단락, 장치 고장 등으로 인해 발생할 수 있으며, 전기 장비에 손상을 줄 수 있으며, 화재의 원인이 될 수도 있다. 단락(Short Circuit)은 전기 회로에서 전압이 짧은 경로를 통해 우회되는 상태이다. 단락은 회로의 잘못된 연결, 전선의 단락, 장비의 고장 등으로 인해 발생할 수 있으며, 전기 장비에 심각한 손상을 초래하고 화재의 위험을 초래할 수 있다. 고장 감지(Fault Detection)는 수배전반에서 장비 또는 회로의 고장을 감지하는 경우 발생하는 이벤트이다. 고장 감지는 전압 이상, 전류 이상, 온도 이상 등의 특정한 조건이 충족될 때 발생할 수 있으며, 이를 통해 고장을 조기에 감지하고 조치를 취할 수 있도록 한다.
도 7은 실시예에 따른 관리자 단말의 출력 인터페이스를 나타낸 도면이다.
도 7을 참조하면, 실시예에 따른 관리자 단말은 어플리케이션(a) 또는 웹(b)을 통해 수배전반의 전기결함, 기계결함, 알림 주의 정보 등을 확인할 수 있고, 정상상태인 수배전반의 수, 비정상상태인 수배전반의 수를 확인할 수 있다.
이하에서는 수배전반 진단 방법에 대해서 차례로 설명한다. 실시예에 따른 수배전반 진단 방법의 작용(기능)은 수배전반 진단 시스템의 기능과 본질적으로 같은 것이므로 도 1 내지 도 7과 중복되는 설명은 생략하도록 한다.
도 8은 실시예에 따른 수배전반 진단 시스템의 신호 흐름도이다.
도 8을 참조하면, S100 단계에서는 수배전반의 온도, 진동, 전류, 주파수, 전력, 데이터 송수신 주기를 포함하는 모니터링 데이터를 센싱한다. S200 단계에서는 수배전반에서 센서로부터 모니터링 데이터를 수집하여, 모니터링 데이터를 분석하고 수배전반의 건전성을 파악하고, 고장예측을 수행한다. S300 단계에서는 관리서버에서 수배전반 데이터를 수집하고, S400 단계에서는 수배전반 모니터링 및 모니터링 결과에 따라 수배전반을 원격 제어한다. S500 단계에서는 관리자 단말에서 수배전반 모니터링 결과를 출력한다.
도 9는 실시예에 따른 수배전반의 데이터 처리 흐름을 나타낸 도면이다.
도 9를 참조하면, S710 단계에서는 수집부에서 복수개의 센서로부터 모니터링 데이터를 수집하고, 딥러닝 또는 머신러닝 모델의 학습 데이터를 수집한다. S720 단계에서는 전처리부에서 학습데이터를 전처리하고, S730 단계에서는 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 딥러닝 뉴럴 네트워크를 학습 데이터로 학습시켜 건전성 예측 모델 및 고장진단 모델을 포함하는 딥러닝 모델 모델을 구현한다. S740 단계에서는 제어부에서 건전성 예측 및 고장진단을 수행하고, S750 단계에서는 제어부에서 건전성 예측 결과 및 고장진단 결과에 따라 매칭된 대응 프로세스를 진행한다.
도 10은 실시예에 따른 딥러닝 또는 머신러닝 모델의 데이터 입출력 과정을 나타낸 도면이다.
도 10을 참조하면, S741 단계에서는 제어부에서 주파수 스펙트럼 분석, 통계적 특징 추출, 신호 처리 기법을 포함하는 특성추출 과정을 통해 모니터링 데이터에서 특성데이터를 추출하고, S743 단계에서는 추출된 특성데이터를 딥러닝 또는 머신러닝 모델에 입력한다. S745 단계에서는 제어부에서 딥러닝 또는 머신러닝 모델의 출력으로 수배전반의 건전성 예측 및 고장진단 결과를 획득한다.
이상에서와 같은 수배전반 진단 시스템은 온도와 진동데이터를 통합한 통합 데이터를 건전성 예측 및 고장 진단 모델의 학습 데이터로 이용하여, 딥러닝 또는 머신러닝 모델의 신뢰도를 향상시킨다.
또한, 실시예를 통해, 수배전반 진단을 고도화하여, 수배전반의 건전성, 전력수급 및 고장 예측을 보다 정확하게 수행할 수 있다.
또한, 실시예에서는 진단감시 데이터 수집 장치(DAU)를 모듈형으로 내장하고, IED의 기본 장치로 MMI(Human Machine Interface)를 활용하여 제어 유닛CU의 LCD 화면 출력 및 통신 연계 기능을 제공하여 사용 편의성을 향상시킨다. 또한, 실시예를 통해, 실시간으로 수배전반의 상태를 모니터링하고 필요한 조치를 취할 수 있도록 한다. 또한, 클라우드 서비스 제공 업체와의 협업을 통해 다양한 서비스를 제공한다. 또한, 실시예를 통해, 다수의 센서 신호를 통합 및 분석하여 설비의 상태를 진단하고 잔여유효수명을 예측하는 고장진단 및 예지기술(Prognostic and Health Management, PHM)을 통해, 수배전반의 건전성과 고장을 예측함으로써, 수배전반을 안전하게 이용할 수 있도록 하고, 사고를 예방한다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
Claims (22)
- 수배전반 진단 시스템에 있어서,
수배전반의 모니터링 데이터를 센싱하는 센서;
상기 센서로부터 모니터링 데이터를 수집하고 상기 모니터링 데이터를 분석하여 건전성을 진단하고 고장을 예측하는 수배전반; 및
수배전반 각각의 모니터링 데이터, 건전성 예측 결과, 고장예측 결과를 수집하여 빅데이터를 구축하고, 등록된 수배전반을 모니터링하는 관리서버; 를 포함하고
상기 수배전반; 은
복수개의 센서로부터 모니터링 데이터를 수집하고, 딥러닝 모델의 학습 데이터를 수집하는 수집부;
DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 뉴럴 네트워크를 학습 데이터로 학습시켜 건전성 예측 모델 및 고장진단 모델을 포함하는 딥러닝 모델을 구현하는 딥러닝부;
건전성 예측 결과 및 고장진단 결과에 따라 매칭된 대응 프로세스를 수행하는 제어부; 및
센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장예측 결과를 출력하고, 제어 정보를 입력받는 인터페이스부; 를 포함하고
상기 관리서버; 는
수배전반에서 생성된 모니터링 데이터, 건전성 진단 결과, 고장 예측 결과를 수집하고, 수집된 데이터를 빅데이터화 하는 저장부;
상기 모니터링 데이터를 기준데이터와 비교하여 수배전반 상태를 모니터링하는 모니터링부;
상기 수배전반의 모니터링 결과에 따라 수배전반을 원격 제어하는 원격 제어부;
수집된 데이터를 분석하여 전력 시스템의 성능, 에너지 사용 패턴, 부하 예측을 수행하는 분석부; 및
데이터 분석 결과에 대한 보고서를 생성하는 생성부; 를 포함하고
상기 센서; 는
온도/진동 센서, 부분방전 센서, VI 진공도 센서, 차단기 동작 특성 감지 센서 및 습도 센서를 포함하고,
상기 온도/진동 센서; 는
온도와 진동 데이터를 동시에 측정하고, 온도와 진동 데이터를 하나의 세트에 포함시킨 통합데이터를 생성하고
상기 제어부; 는
온도/진동 센서로부터 수집한 통합 데이터를 이용하여 온도와 진동의 상호 작용, 온도와 진동 사이의 변화패턴을 파악하고, 상기 온도와 진동의 상호작용, 상기 온도와 진동 사이의 변화 패턴을 수배전반의 고장 진단 및 건전성 예측을 위한 데이터로 이용하고,
상기 딥러닝부; 는
기 설정된 제1시간 동안 온도 및 진동 데이터 세트를 누적하고, 기 설정된 제 2 시간 동안 온도의 변화율이 온도 변화율 기준치 이상이고, 진동의 변화율이 진동 변화율 기준치 이상인 경우의 데이터 세트를 온도와 진동간 상관성이 파악되는 데이터인 온도, 진동 상관 데이터 세트로 추출하고, 상기 제2시간은 제1시간보다 짧은 시간이고,
상기 딥러닝부; 는
장기간 경년 열화에 의한 수배전반의 온도와 진동에 대한 상관성이 발생하는 경우, 온도, 진동 상관 데이터 세트의 데이터의 시작 시점에서 기 설정된 시간 이전 까지의 데이터 세트를 일정한 패턴이나 규칙을 따르지 않는 준상관 데이터 세트로 파악하고,
온도, 진동 상관 데이터 세트 및 준상관 데이터 세트를 고장진단 모델 및 건전성 진단 모델을 포함하는 딥러닝 모델의 학습용 온도 및 진동 데이터 세트로 활용하는 것을 특징으로 하는 인공 지능 기반 수배전반 진단 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서, 상기 제어부; 는
온도를 독립 변수로, 진동을 종속 변수로 설정하는 회귀 분석을 통해 온도와 진동 간의 관계를 파악하는 것을 특징으로 하는 인공 지능 기반 수배전반 진단 시스템.
- 제1항에 있어서, 상기 제어부; 는
주파수 스펙트럼 분석, 통계적 특징 추출, 신호 처리 기법을 포함하는 특성추출 과정을 통해 모니터링 데이터에서 특성데이터를 추출하고, 상기 추출된 특성데이터를 딥러닝 모델에 입력하여, 수배전반의 건전성 예측 및 고장진단을 수행하는 것을 특징으로 하는 인공 지능 기반 수배전반 진단 시스템.
- 인공지능 기반의 수배전반에 있어서,
복수개의 센서로부터 모니터링 데이터를 수집하고, 딥러닝 모델의 학습 데이터를 수집하는 수집부;
건전성 예측 결과 및 고장진단 결과에 따라 매칭된 대응 프로세스를 수행하는 제어부; 및
센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장예측 결과를 출력하고, 제어 정보를 입력받는 인터페이스부;
DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 뉴럴 네트워크를 학습 데이터로 학습시켜 건전성 예측 모델 및 고장진단 모델을 포함하는 딥러닝 모델을 구현하는 딥러닝부; 를 포함하고
상기 센서; 는
온도/진동 센서, 부분방전 센서, VI 진공도 센서, 차단기 동작 특성 감지 센서 및 습도 센서를 포함하고,
상기 온도/진동 센서; 는
온도와 진동 데이터를 동시에 측정하고, 온도와 진동 데이터를 하나의 세트에 포함시킨 통합데이터를 생성하고
상기 제어부; 는
온도/진동 센서로부터 수집한 통합 데이터를 이용하여 온도와 진동의 상호 작용을 분석하고, 온도와 진동 사이의 패턴을 파악하고, 상기 온도와 진동의 상호작용 및 패턴을 수배전반의 고장 예측, 이상 감지 및 건전성 예측을 위한 데이터로 이용하고
온도를 독립 변수로, 진동을 종속 변수로 설정하는 회귀 분석을 통해 온도와 진동 간의 관계를 파악하고
주파수 스펙트럼 분석, 통계적 특징 추출, 신호 처리 기법을 포함하는 특성추출 과정을 통해 모니터링 데이터에서 특성데이터를 추출하고, 상기 추출된 특성데이터를 딥러닝 모델에 입력하여, 수배전반의 건전성 예측 및 고장진단을 수행하고
상기 딥러닝부; 는
기 설정된 제1시간 동안 온도 및 진동 데이터 세트를 누적하고, 기 설정된 제 2 시간 동안 온도의 변화율이 온도 변화율 기준치 이상이고, 진동의 변화율이 진동 변화율 기준치 이상인 경우의 데이터 세트를 온도와 진동간 상관성이 파악되는 데이터인 온도, 진동 상관 데이터 세트로 추출하고, 상기 제2시간은 제1시간보다 짧은 시간이고,
상기 딥러닝부; 는
장기간 경년 열화에 의한 수배전반의 온도와 진동에 대한 상관성이 발생하는 경우, 온도, 진동 상관 데이터 세트의 데이터의 시작 시점에서 기 설정된 시간 이전 까지의 데이터 세트를 일정한 패턴이나 규칙을 따르지 않는 준상관 데이터 세트로 파악하고,
온도, 진동 상관 데이터 세트 및 준상관 데이터 세트를 고장진단 모델 및 건전성 진단 모델을 포함하는 딥러닝 모델의 학습용 온도 및 진동 데이터 세트로 활용하는 것을 특징으로 하는 수배전반.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 인공 지능 기반 수배전반 진단 방법에 있어서,
(A) 센서에서 수배전반의 온도, 진동, 전류, 주파수, 전력, 데이터 송수신 주기를 포함하는 모니터링 데이터를 센싱하는 단계;
(B) 수배전반에서 상기 센서로부터 모니터링 데이터를 수집하여, 상기 모니터링 데이터를 분석을 통해 수배전반의 건전성을 파악하고, 고장예측을 수행하는 단계;
(C) 수배전반에서 센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장예측 결과를 출력하고, 제어 정보를 입력받는 단계; 를 포함하고
상기 (A)의 단계; 는
온도/진동 센서에서 온도와 진동 데이터를 동시에 측정하고, 온도와 진동 데이터를 하나의 세트에 포함시킨 통합데이터를 생성하는 단계;를 포함하고,
상기 (B)의 단계; 는
(B-1)데이터 수집 장치에서 복수개의 센서로부터 모니터링 데이터를 수집하고, 딥러닝 모델의 학습 데이터를 수집하는 단계;
(B-2)딥러닝부에서 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 딥러닝 뉴럴 네트워크를 학습 데이터로 학습시켜 건전성 예측 모델 및 고장진단 모델을 포함하는 딥러닝 모델 모델을 구현하는 단계;
(B-3) 제어부에서 건전성 예측 결과 및 고장진단 결과에 따라 매칭된 대응 프로세서를 수행하는 단계; 및
(B-4) 인터페이스부에서 센서로부터 수집한 모니터링 데이터, 건전성 예측 결과 및 고장예측 결과를 출력하고, 제어 정보를 입력받는 단계;를 포함하고,
상기 (B-3); 의 단계; 는
온도/진동 센서에서 통합 데이터를 이용하여 온도와 진동의 상호 작용을 분석하여 온도와 진동 사이의 패턴을 파악하는 단계; 및
상기 온도와 진동의 상호작용 및 패턴을 수배전반의 고장 예측, 이상 감지 및 건전성 예측을 위한 데이터로 이용하는 단계; 를 포함하고
상기 온도/진동 센서에서 통합 데이터를 이용하여 온도와 진동의 상호 작용을 분석하여 온도와 진동 사이의 패턴을 파악하는 단계; 는
온도를 독립 변수로, 진동을 종속 변수로 설정하는 회귀 분석을 통해 온도와 진동 간의 관계를 파악하고
상기 온도와 진동의 상호작용 및 패턴을 수배전반의 고장 예측, 이상 감지 및 건전성 예측을 위한 데이터로 이용하는 단계; 는
주파수 스펙트럼 분석, 통계적 특징 추출, 신호 처리 기법을 포함하는 특성추출 과정을 통해 모니터링 데이터에서 특성데이터를 추출하고, 상기 추출된 특성데이터를 딥러닝 모델에 입력하여, 수배전반의 건전성 예측 및 고장진단을 수행하고
상기 (B-2)의 단계; 는
기 설정된 제1시간 동안 온도 및 진동 데이터 세트를 누적하고, 기 설정된 제 2 시간 동안 온도의 변화율이 온도 변화율 기준치 이상이고, 진동의 변화율이 진동 변화율 기준치 이상인 경우의 데이터 세트를 온도와 진동간 상관성이 파악되는 데이터인 온도, 진동 상관 데이터 세트로 추출하고, 상기 제2시간은 제1시간보다 짧은 시간이고,
장기간 경년 열화에 의한 수배전반의 온도와 진동에 대한 상관성이 발생하는 경우, 온도, 진동 상관 데이터 세트의 데이터의 시작 시점에서 기 설정된 시간 이전 까지의 데이터 세트를 일정한 패턴이나 규칙을 따르지 않는 준상관 데이터 세트로 파악하고,
온도, 진동 상관 데이터 세트 및 준상관 데이터 세트를 고장진단 모델 및 건전성 진단 모델을 포함하는 딥러닝 모델의 학습용 온도 및 진동 데이터 세트로 활용하는 것을 특징으로 하는 수배전반 진단 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230094328A KR102604708B1 (ko) | 2023-07-20 | 2023-07-20 | 인공 지능 기반 수배전반 진단 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230094328A KR102604708B1 (ko) | 2023-07-20 | 2023-07-20 | 인공 지능 기반 수배전반 진단 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102604708B1 true KR102604708B1 (ko) | 2023-11-23 |
Family
ID=88974454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230094328A KR102604708B1 (ko) | 2023-07-20 | 2023-07-20 | 인공 지능 기반 수배전반 진단 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102604708B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118091400A (zh) * | 2024-04-29 | 2024-05-28 | 共鸿电器有限公司 | 一种基于振动信号识别的环保柜预警方法、设备及介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100226554B1 (ko) | 1993-09-07 | 1999-10-15 | 나일스 에이. 플레이셔 | 양자 공여 방향족 화합물을 함유하는 고체 상태전기 화학셀 |
| KR100761129B1 (ko) | 2006-04-11 | 2007-09-21 | 엘지전자 주식회사 | 이미지 디스플레이 장치 |
| JP2011209007A (ja) | 2010-03-29 | 2011-10-20 | Alpine Electronics Inc | ナビゲーション装置 |
| KR101105426B1 (ko) * | 2011-09-26 | 2012-01-17 | 대신파워텍 (주) | 수배전반의 활선부 열화진단 장치 및 방법 |
| JP2018122189A (ja) | 2018-05-22 | 2018-08-09 | 株式会社大一商会 | 遊技機 |
| KR102013686B1 (ko) | 2018-01-18 | 2019-08-23 | 주식회사 아프로스 | 부스바용 자가발전 스마트 온도센서 |
| KR101992385B1 (ko) * | 2019-04-24 | 2019-09-30 | 대흥기업 주식회사 | 변전소 열화감시 진단 시스템 |
| KR20210045753A (ko) * | 2019-10-17 | 2021-04-27 | 한국전력공사 | 배전설비 관리 방법 |
| KR102295188B1 (ko) * | 2021-02-18 | 2021-08-31 | 주식회사 삼광산전 | 이상 통합 감시 및 불량예측 기능을 구비한 인공지능 배전반 |
| KR20220039323A (ko) * | 2020-09-22 | 2022-03-29 | 한국전력공사 | 배전 자산의 건전도 평가 장치 및 방법 |
| KR20220138429A (ko) * | 2021-02-22 | 2022-10-13 | 목포대학교산학협력단 | 변압기 상태관리 방법 및 시스템 |
| KR102469874B1 (ko) * | 2022-06-10 | 2022-11-23 | (주) 동보파워텍 | 머신러닝을 활용한 사고데이터 판별 및 소비전력 패턴 분석 소프트웨어를 탑재한 수배전반 모니터링시스템 |
| KR20220165906A (ko) * | 2021-06-09 | 2022-12-16 | 주식회사 탐라계전 | 수배전반 원격감시 및 고장예보 관리 시스템 |
| KR20230020228A (ko) * | 2021-08-03 | 2023-02-10 | 주식회사 데카엔지니어링 | 스마트 계장 장치를 이용한 과전류 누전 아크 모니터링 시스템을 구비한 분전반, 수배전반, 전동기제어반 |
| KR102527888B1 (ko) * | 2022-04-11 | 2023-05-02 | 서하윤 | 스마트 배전반 관리 시스템 |
| KR20230059124A (ko) * | 2021-10-25 | 2023-05-03 | 주식회사 정우계전 | 인공지능 기반의 수배전반 내 이상 진단 장치 및 방법 |
-
2023
- 2023-07-20 KR KR1020230094328A patent/KR102604708B1/ko active IP Right Grant
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100226554B1 (ko) | 1993-09-07 | 1999-10-15 | 나일스 에이. 플레이셔 | 양자 공여 방향족 화합물을 함유하는 고체 상태전기 화학셀 |
| KR100761129B1 (ko) | 2006-04-11 | 2007-09-21 | 엘지전자 주식회사 | 이미지 디스플레이 장치 |
| JP2011209007A (ja) | 2010-03-29 | 2011-10-20 | Alpine Electronics Inc | ナビゲーション装置 |
| KR101105426B1 (ko) * | 2011-09-26 | 2012-01-17 | 대신파워텍 (주) | 수배전반의 활선부 열화진단 장치 및 방법 |
| KR102013686B1 (ko) | 2018-01-18 | 2019-08-23 | 주식회사 아프로스 | 부스바용 자가발전 스마트 온도센서 |
| JP2018122189A (ja) | 2018-05-22 | 2018-08-09 | 株式会社大一商会 | 遊技機 |
| KR101992385B1 (ko) * | 2019-04-24 | 2019-09-30 | 대흥기업 주식회사 | 변전소 열화감시 진단 시스템 |
| KR20210045753A (ko) * | 2019-10-17 | 2021-04-27 | 한국전력공사 | 배전설비 관리 방법 |
| KR20220039323A (ko) * | 2020-09-22 | 2022-03-29 | 한국전력공사 | 배전 자산의 건전도 평가 장치 및 방법 |
| KR102295188B1 (ko) * | 2021-02-18 | 2021-08-31 | 주식회사 삼광산전 | 이상 통합 감시 및 불량예측 기능을 구비한 인공지능 배전반 |
| KR20220138429A (ko) * | 2021-02-22 | 2022-10-13 | 목포대학교산학협력단 | 변압기 상태관리 방법 및 시스템 |
| KR20220165906A (ko) * | 2021-06-09 | 2022-12-16 | 주식회사 탐라계전 | 수배전반 원격감시 및 고장예보 관리 시스템 |
| KR20230020228A (ko) * | 2021-08-03 | 2023-02-10 | 주식회사 데카엔지니어링 | 스마트 계장 장치를 이용한 과전류 누전 아크 모니터링 시스템을 구비한 분전반, 수배전반, 전동기제어반 |
| KR20230059124A (ko) * | 2021-10-25 | 2023-05-03 | 주식회사 정우계전 | 인공지능 기반의 수배전반 내 이상 진단 장치 및 방법 |
| KR102527888B1 (ko) * | 2022-04-11 | 2023-05-02 | 서하윤 | 스마트 배전반 관리 시스템 |
| KR102469874B1 (ko) * | 2022-06-10 | 2022-11-23 | (주) 동보파워텍 | 머신러닝을 활용한 사고데이터 판별 및 소비전력 패턴 분석 소프트웨어를 탑재한 수배전반 모니터링시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118091400A (zh) * | 2024-04-29 | 2024-05-28 | 共鸿电器有限公司 | 一种基于振动信号识别的环保柜预警方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102092185B1 (ko) | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 | |
| CN1862278B (zh) | 预测电动机剩余寿命的方法和系统 | |
| CN112713649B (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
| CN110941918B (zh) | 智能化变电站故障分析系统 | |
| CN108073551A (zh) | 一种基于多Agent协同的高压开关柜在线故障诊断方法 | |
| KR101214765B1 (ko) | 전력설비 모니터링 시스템 및 방법 | |
| CN102866313A (zh) | 电力隧道电缆运行状态综合监控方法 | |
| CN105758661B (zh) | 一种锅炉受热面寿命评估系统和方法 | |
| KR102319083B1 (ko) | 인공지능 기반의 화재예방 제공 장치 및 방법 | |
| CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN112947127A (zh) | 智慧用电控制管理系统 | |
| CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
| KR20180070208A (ko) | 전력선 및 배전 설비의 이상 검출 시스템 | |
| KR102375679B1 (ko) | 패턴 분석을 이용한 인공지능 기반의 화재 예측 방법 및 장치 | |
| KR20220165906A (ko) | 수배전반 원격감시 및 고장예보 관리 시스템 | |
| CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
| CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
| CN115077605A (zh) | 智能变电站管理系统 | |
| CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
| CN117639251A (zh) | 一种高压开关柜智能在线监测系统 | |
| KR102648377B1 (ko) | 네트워크 케이블 품질 모니터링이 가능한 ai 통합배선반 및 이를 이용한 방법 | |
| CN114485796A (zh) | 箱式变电站的在线状态监测自诊断系统 | |
| CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
| KR20220167008A (ko) | 선박용 고장 예측진단 시스템 및 그 예측진단 방법 | |
| KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |