KR102627669B1 - 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램 - Google Patents
에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR102627669B1 KR102627669B1 KR1020210087715A KR20210087715A KR102627669B1 KR 102627669 B1 KR102627669 B1 KR 102627669B1 KR 1020210087715 A KR1020210087715 A KR 1020210087715A KR 20210087715 A KR20210087715 A KR 20210087715A KR 102627669 B1 KR102627669 B1 KR 102627669B1
- Authority
- KR
- South Korea
- Prior art keywords
- energy storage
- machine learning
- learning model
- storage device
- time series
- Prior art date
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 91
- 238000010801 machine learning Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 230000002265 prevention Effects 0.000 title claims abstract description 21
- 238000004590 computer program Methods 0.000 title claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 관한 것으로, 더욱 상세하게는 수집된 에너지 저장 장치의 전기적 특성과 환경적 특성를 갖는 시계열 데이터들 중 에너지 저장 장치의 고장 발생에 영향력이 큰 주요 인자들의 시계열 데이터를 선별하여 기계 학습 모델을 구축하고, 구축된 기계 학습 모델을 통해 에너지 저장 장치의 고장 진단을 실시간으로 수행할 수 있는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 관한 것이다.
Description
본 발명은 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 관한 것으로, 더욱 상세하게는 수집된 에너지 저장 장치의 전기적 특성과 환경적 특성를 갖는 시계열 데이터들 중 에너지 저장 장치의 고장 발생에 영향력이 큰 주요 인자들의 시계열 데이터를 선별하여 기계 학습 모델을 구축하고, 구축된 기계 학습 모델을 통해 에너지 저장 장치의 고장 진단을 실시간으로 수행할 수 있는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 관한 것이다.
화석연료의 사용은 다량의 CO2를 배출로 인한 온난화가 심각한 기후변화를 야기하면서, 화석에너지 사용에 대한 제약이 점점 심화되고 있는 실정이다.
이에 따라, 주요 선진국들은 국가적 차원에서 규제와 지원을 강화하여 재생가능 에너지, 에너지 저장 장치, 가상 발전소 등 새로운 시장과 산업을 창출하고 있으며, 특히 에너지 사용의 효율을 극대화 시킬 수 있는 에너지 저장 장치(ESS:Energy Storage System)가 중요한 자리를 차지하고 있다.
이때, 에너지 저장 장치(ESS:Energy Storage System)는 배터리 관리시스템(BMS:Battery Management System)과 전력 변환 장치(PCS:Power Conditioning System) 등 다양한 구성들을 목적에 따라 하나의 장치로 연동하여 통합적인 관리, 통제 및 제어를 하는 장치로서, 소비전력이 적은 시기에 에너지를 이차 전지와 같은 배터리에 저장하였다가 소비전력이 많은 시기에 공급할 수 있어 전력 비용 절감 및 효율적 에너지 사용을 주목적으로 사용된다.
이에, 회사, 학교, 가정, 공장 등과 같은 에너지 사용 밀도가 높은 곳에서 에너지 저장 장치(ESS:Energy Storage System)를 사용하는 빈도가 증가하는 추세이다.
그러나, 에너지 저장 장치(ESS:Energy Storage System)는 구성 자체에서 발생될 수 있는 위험요소, 작동과정 중에 발생될 수 있는 위험요소 및 고장으로 인해 수반되는 각종 사고가 발생할 수 있으며, 실질적으로 최근엔 큰 화재 사고로 이어지는 사례가 증가하면서 에너지 저장 장치(ESS:Energy Storage System)에 대한 사용자의 신뢰도가 하락하고 있다.
이에, 종래에는 관리자가 에너지 저장 장치(ESS:Energy Storage System)를 주기적으로 점검하거나 측정한 데이터들을 직접 비교 분석하여 고장을 진단하고 대처하였다.
그러나, 실시간으로 쌓여가는 방대한 양의 데이터들을 일일히 비교 분석하여 고장을 진단하는 것이 번거롭고 어려우며, 사람의 실수로 정확한 고장 진단 및 예측이 되지 않아 큰 사고로 이어질 수 있는 가능성이 높다.
따라서, 관리자가 직접 점검하거나 수신된 데이터들로 일일히 비교 분석하지 않아도 에너지 저장 장치(ESS:Energy Storage System)에서 측정된 데이터들을 자동으로 비교 분석하여 보다 정확한 고장을 진단 및 예측할 수 있는 기술이 필요하다.
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 관리자가 에너지 저장 장치가 설치된 현장을 방문하여 고장 여부를 직접 점검하지 않아도 실시간으로 에너지 저장 장치의 고장 발생 여부를 모니터링할 수 있어 에너지 저장 장치의 효율적인 관리가 가능한 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단할 수 있는 방법을 제공하는 데 있다.
상기의 목적을 달성하기 위하여 본 발명은 에너지 저장 장치가 정상 상태와 비정상 상태일 경우 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 수집하여 각각 정상 데이터베이스와 비정상 데이터베이스로 생성하는 단계; 상기 각 데이터베이스들에 저장된 시계열 데이터들을 정규화하는 단계; 상기 정규화가 수행된 비정상 데이터베이스의 시계열 데이터들 중 학습에 필요한 주요 인자들을 추출하는 단계; 및 상기 정상 데이터베이스에서 상기 주요 인자들을 추출하고 상기 추출된 주요 인자들의 시계열 데이터들을 LSTM(Long short-term Memory) 알고리즘에 학습하여 기계 학습 모델을 구축하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 정규화하는 단계는 Standardscaler, Robustscaler 및 Minmaxscaler 등의 스케일링 알고리즘을 사용하여 정규화한다.
바람직한 실시예에 있어서, 상기 주요 인자들을 추출하는 단계:는 앙상블 모델을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 중 고장과 관련하여 영향력이 높은 중요한 상위 n개의 인자(이하,“영향 인자”,이라함)들을 선정하는 단계; 및 피어슨 상관분석을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 간의 상관 계수를 산출하고, 상기 영향 인자와의 상관 계수가 높은 인자들을 주요 인자들로 추출하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 앙상블 모델은 XGBoost 모델이다.
또한, 본 발명은 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법이 기록 매체에 저장된 컴퓨터 프로그램을 더 제공할 수 있다.
또한, 본 발명은 에너지 저장 장치로부터 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 실시간으로 수신받는 단계; 상기 에너지 저장 장치로부터 수신된 시계열 데이터들을 정규화하는 단계; 상기 정규화된 시계열 데이터들 중 기계 학습 모델 구축시 사용된 인자들의 시계열 데이터들을 추출하는 단계; 및 상기 추출된 시계열 데이터들을 에너지 저장 장치의 고장 진단 및 예측할 수 있는 기계 학습 모델 구축 방법으로 구축된 기계 학습 모델에 입력하여 상기 에너지 저장 장치의 고장을 진단 및 예측하는 단계;를 포함한다.
또한, 본 발명은 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법이 기록 매체에 저장된 컴퓨터 프로그램을 더 제공할 수 있다.
본 발명은 다음과 같은 우수한 효과가 있다.
본 발명의 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 의하면, 기계 학습 모델을 구축하는 과정에서, 실제 에너지 저장 장치의 고장 발생에 영향을 주는 인자들 즉, 해당 고장과 관련하여 분별력 있는 인자들의 시계열 데이터만을 추출하여 기계 학습 모델을 구축하기 때문에 학습 효율 및 높은 예측 정확도의 기계 학습 모델을 구축할 수 있다는 장점이 있다.
또한, 본 발명의 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 의하면, 구축된 기계 학습 모델을 통해 에너지 저장 장치의 고장 진단을 실시간으로 수행할 수 있어, 관리자가 효율적으로 에너지 저장 장치의 관리 및 사고에 대한 빠른 대처가 가능하다는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법 및 구축된 기계 학습 모델을 이용한 사고 예방 및 진단 방법을 설명하기 위한 순서도,
도 2는 본 발명의 일 실시예에 따른 학습에 필요한 에너지 저장 장치의 주요 인자들 추출 방법을 설명하기 위한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 학습에 필요한 에너지 저장 장치의 주요 인자들 추출 방법을 설명하기 위한 순서도이다.
본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.
이하, 첨부한 도면에 도시된 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.
그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명의 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델 구축 방법(S1000)은 에너지 저장 장치의 비정상 상태의 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들 중 에너지 저장 장치의 고장에 치명적인 영향을 주는 주요 인자들을 선별하고 선별된 주요 인자들로 학습하여 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델을 구축하는 방법이다.
또한, 본 발명의 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단 방법(S2000)은 에너지 저장 장치로부터 실시간으로 수신받는 시계열 데이터들 중 상기 기계 학습 모델 구축시 학습에 사용한 주요 인자들과 동일한 인자들의 시계열 데이터들을 추출하고 추출된 시계열 데이터들을 상기 기계 학습 모델에 입력하여 고장을 진단 및 예측하는 방법이다.
여기서, 상기 에너지 저장 장치는 에너지를 저장 및 출력할 수 있는 장치로, 배터리 관리 장치(BMS:Battery Management System) 및 전력 변환 장치(PCS:Power Storage System)로 구성될 수 있으며, 이 외에도 사용 목적에 따라 다양한 구성들로 구성될 수 있다.
본 발명에서는 상기 에너지 저장 장치의 배터리 관리 장치(BMS:Battery Management System)와 상기 전력 변환 장치(PCS:Power Storage System)로부터 측정되는 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 이용하여 기계 학습 모델을 구축 및 사고 예방 및 진단 방법을 수행한다.
이를 위해, 상기 배터리 관리 장치(BMS:Battery Management System) 및 상기 전력 변환 장치(PCS:Power Storage System)에는 상기 시계열 데이터들을 측정할 수 있는 다양한 센서들이 설치될 수 있다.
또한, 본 발명의 일 실시예에 따른 에너지 저장 장치의 사고 예방 및 진단하기 위한 기계 학습 모델 구축 방법(S1000)과 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단 방법(S2000)은 컴퓨터에 의해 수행되며, 상기 컴퓨터에는 상기 컴퓨터를 기능시켜 상기 기계 학습 모델 구축 방법(S1000)과 상기 사고 예방 및 진단 방법(S2000)을 수행하기 위한 컴퓨터 프로그램이 각각 저장된다.
또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라, 통신망을 통해 접속 가능한 서버 컴퓨터, 클라우드 시스템, 스마트폰, 태블릿과 같은 스마트 기기, 임베디드 시스템을 포함하는 광의의 컴퓨터이다.
또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되어 제공될 수 있으며, 상기 기록매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.
예를 들면, 상기 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.
또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드 뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 프로그램일 수 있다.
또한, 본 발명은 상기 에너지 저장 장치와 통신망을 통해 데이터를 송수신할 수 있으며 상기 기계 학습 모델 구축 방법(S1000)과 상기 사고 예방 및 진단 방법(S2000)을 수행하기 위한 컴퓨터 프로그램들이 저장된 하나의 서버를 별도로 제공할 수 있다.
이하에서는 본 발명의 일 실시예에 따른 에너지 저장 장치의 사고 예방 및 진단하기 위한 기계 학습 모델 구축 방법 및 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단 방법에 대해 자세히 설명한다
도 1은 본 발명의 일 실시예에 따른 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법을 설명하기 위한 순서도이고, 도 2는 본 발명의 일 실시예에 따른 에너지 저장 장치의 주요 인자들의 선정 방법을 설명하기 위한 순서도이다.
도 1 내지 2를 참조하면, 본 발명의 일 실시예에 따른 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법은 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델 구축 방법(S1000)과 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단하는 방법(S2000)을 포함하여 이루어진다.
상세하게는 먼저, 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델 구축 방법(S1000)은 에너지 저장 장치의 상태에 따른 시계열 데이터를 각각 수집하여 데이터베이스를 생성한다(S1100).
상세하게는, 상기 데이터베이스는 에너지 저장 장치가 정상 상태일 경우의 전기적 특성과 환경적 특성을 갖는 시계열 데이터가 수집되어 저장된 정상 데이터베이스, 상기 에너지 저장 장치가 비정상 상태일 경우의 전기적 특성과 환경적 특성을 갖는 시계열 데이터가 수집되어 저장된 비정상 데이터베이스로 각각 생성될 수 있다.
한편, 상기 비정상 상태는 상기 에너지 저장 장치에서 발생할 수 있는 다양한 고장 증상을 의미하며, 에너지 저장 장치에서 발생할 수 있는 화재, 각종 오류 등을 의미할 수 있다.
또한, 상기 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들은 에너지 저장 장치에서 측정된 배터리 랙의 평균온도, 배터리 셀의 평균전압, 배터리 전압 및 전류, 배터리 최대 충전 전류 및 최대 방전 전류, PCS 전류 및 전압, DC Link 전류 전압 및 전력, 유효 전력 및 무효 전력 등의 인자들의 시계열 데이터들이며, 이 외에도 다양한 인자들이 수집되어 각 데이터베이스에 저장될 수 있다.
또한, 상기 각 데이터베이스에는 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들이 측정된 시간 정보가 더 저장될 수 있다.
여기서, 상기 시간 정보는 측정된 년, 월, 일, 시, 분, 초 단위의 정보들 및 요일 정보 등이 포함된다.
다음, 상기 각 데이터베이스들에 저장된 인자들의 시계열 데이터들을 정규화한다(S1200).
한편, 상기 인자들의 시계열 데이터들은 각 인자들 간의 단위가 다르고 측정된 값의 범위와 크기에 차이가 있기 때문에 로우 데이터를 이용하여 기계 학습을 수행할 경우, 효율적인 학습이 이루어지지 않아 성능이 떨어지는 기계 학습 모델이 생성되는 문제가 발생한다.
따라서, 본 발명에서는 상기 인자들 간의 시계열 데이터들은 일정 범위와 크기로 표현될 수 있도록 정규화하는 과정을 수행하며, 정규화를 위해 Minmaxsaler 알고리즘을 사용하였다.
상기 Minmaxscaler 알고리즘은 데이터를 일정 범위 및 일정 크기로 표현하는 알고리즘으로, 상기 Minxmaxscaler 알고리즘을 통해 상기 인자들의 시계열 데이터들의 값이 "0"에서 1" 사이의 값으로 크기가 표현되도록 정규화 하였다.
한편, 본 발명에서는 정규화를 수행하기 위해 Minxmaxscaler 알고리즘을 사용하는 것으로 설명하였으나, 이에 한정되는 것은 아니며, 이 외에도 Standardscaler, Robustscaler 등의 공지된 스케일링 알고리즘을 사용하여 정규화를 수행할 수 있다.
다음, 상기 정규화가 수행된 비정상 데이터베이스의 시계열 데이터들 중 학습에 필요한 주요 인자들을 선정한다(S1300).
상기 주요 인자는 에너지 저장 장치의 고장에 치명적인 영향을 주는 인자를 의미한다. 즉, 상기 에너지 저장 장치로부터 수신되는 모든 시계열 데이터가 아닌 실제로 고장에 영향을 주는 분별력 있는 주요 인자만을 추출하여 학습을 수행하기 때문에 효율적인 학습이 이루어질 수 있으며, 더 나아가 학습 결과의 정확도가 높아 성능이 우수한 기계 학습 모델을 구축할 수 있다.
이러한, 상기 주요 인자들을 선정하기 위해서는 먼저, 앙상블 모델을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 중 고장과 관련하여 영향력이 높은 중요한 상위 n개의 인자(이하,“영향 인자”,이라함)들을 선정한다.(S1310).
여기서, 상기 앙상블 모델은 데이터들 간의 중요도를 판단하고 상대적인 순위로 표현할 수 있는 모델로, XGBoost, Naive bayes, Bagging logistic regression, Random forest 등의 모델들이 있으며, 본 발명에서는 XGBoost 모델을 통해 중요도를 판단하고 상기 영향 인자들을 선정하였다.
한편, 본 발명에서는 XGBoost 모델을 사용하여 상기 영향 인자를 선정하였으나, 이 외에도 공지된 다양한 모델이 사용될 수 있다.
또한, 상기 영향 인자의 선정 개수는 사용자의 기준에 따라 다양한 개수가 설정될 수 있으며, 그 개수가 한정되는 것은 아니다.
다음, 상기 비정상 데이터베이스에 저장된 시계열 데이터를 이용하여 피어슨 상관 분석을 수행하고, 상기 피어슨 상관 분석 결과를 기반으로 상기 영향 인자와 관련성이 높은 n개의 주요 인자들을 추출한다.(S1320)
상기 피어슨 상관 분석은 입력받은 인자들 간의 상관 관계를 분석하고 상관 관계의 크기를 수치적으로 표현하는 기능을 수행하며, 이 외에도 스피어만 상관분석 및 켄달의 타우 서열척도 등을 사용할 수 있다.
또한, 상기 주요 인자들을 추출하기 위해 본 발명에서는 상기 피어슨 상관 분석 결과 중 상기 영향 인자와의 상관 계수가 높은 인자들을 주요 인자로 정의하였으며, 이를 위해 상관 계수를 절대값으로 표현하여 비교하였다.
다음, 상기 정상 데이터베이스에 저장된 시계열 데이터들 중 상기 주요 인자들에 해당하는 시계열 데이터들을 LSTM(Long short-term Memory) 알고리즘에 학습시켜 기계 학습 모델을 구축한다(S1400).
한편, 상기 기계 학습 모델은 LSTM(Long Short-Term Memory) 알고리즘 외에도 DNN(Deep Neural Networks), RNN(Recurrent Neural Networks), CNN(Convolutional Neural Networks), LSTM(Long Short-Term Memory) Autoencoder, LSTM(Long Short-Term Memory) seq2seq 등의 알고리즘을 사용하여 구축할 수 있다.
위에서 설명한 상기 기계 학습 모델 구축 방법(S1000)으로 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델을 구축한 후, 에너지 저장 장치로부터 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 실시간으로 수신받아 상기 기계 학습 모델에 입력하여 상기 에너지 저장 장치의 사고 예방 및 진단한다(S2000).
상세하게는 먼저, 에너지 저장 장치로부터 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 수신받는다(S2100).
다음, 수신된 시계열 데이터들 중 상기 주요 인자들에 해당하는 시계열 데이터들을 추출한다(S2200).
다음, 상기 추출된 주요 인자들의 시계열 데이터들을 정규화한다(S2300).
여기서, 상기 정규화는 상기 기계 학습 모델 구축 방법(S1000)에서 정규화한 과정과 동일하게 수행된다.
다음, 상기 정규화된 시계열 데이터들을 상기 기계 학습 모델에 입력하여 에너지 저장 장치의 사고를 예방 및 진단한다(S2400).
여기서, 구축된 기계 학습 모델은 진단 결과를 기설정된 기준에 따라 안전, 주의, 고장으로 진단하여 최종 결과를 출력할 수 있다.
따라서, 본 발명은 에너지 저장 장치의 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 구축한 기계 학습 모델에 실시간으로 입력하여 에너지 저장 장치의 고장을 진단 및 예측할 수 있어, 보다 정확한 진단 결과를 기반으로 에너지 저장 장치를 효율적으로 관리할 수 있고 에너지 저장 장치에 발생할 수 있는 미연의 사고를 방지할 수 있는 장점이 있다.
이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
삭제
Claims (7)
- 에너지 저장 장치가 정상 상태와 비정상 상태일 경우 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 수집하여 각각 정상 데이터베이스와 비정상 데이터베이스로 생성하는 단계;
상기 각 데이터베이스들에 저장된 시계열 데이터들을 정규화하는 단계;
상기 정규화가 수행된 비정상 데이터베이스의 시계열 데이터들 중 학습에 필요한 주요 인자들을 추출하는 단계; 및
상기 정상 데이터베이스에서 상기 주요 인자들을 추출하고 상기 추출된 주요 인자들의 시계열 데이터들을 LSTM(Long short-term Memory) 알고리즘에 학습하여 기계 학습 모델을 구축하는 단계;를 포함하며,
상기 주요 인자들을 추출하는 단계:는
앙상블 모델을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 중 고장과 관련하여 영향력이 높은 중요한 상위 n개의 인자(이하,“영향 인자”,이라함)들을 선정하는 단계; 및
피어슨 상관분석을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 간의 상관 계수를 산출하고, 상기 영향 인자와의 상관 계수가 높은 인자들을 주요 인자들로 추출하는 단계;를 포함하는 것을 특징으로 하는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법.
- 제 1 항에 있어서,
상기 정규화하는 단계는 Standardscaler, Robustscaler 및 Minmaxscaler 등의 스케일링 알고리즘을 사용하여 정규화하는 것을 특징으로 하는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법.
- 제 1 항에 있어서,
상기 앙상블 모델은 XGBoost 인 것을 특징으로 하는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법.
- 컴퓨터에 제 1 항 내지 제 3 항 중 어느 한 항의 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법을 실행시키는 컴퓨터로 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램.
- 에너지 저장 장치로부터 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 실시간으로 수신받는 단계;
상기 에너지 저장 장치로부터 수신된 시계열 데이터들을 정규화하는 단계;
상기 정규화된 시계열 데이터들 중 기계 학습 모델 구축시 사용된 인자들의 시계열 데이터들을 추출하는 단계; 및
상기 추출된 시계열 데이터들을 제 1 항 내지 제 3 항 중 어느 한 항의 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법으로 구축된 기계 학습 모델에 입력하여 상기 에너지 저장 장치의 사고 예방 및 진단하는 단계;를 포함하는 것을 특징으로 하는 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법.
- 컴퓨터에 제 5 항의 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법을 실행시키는 컴퓨터로 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210087715A KR102627669B1 (ko) | 2021-07-05 | 2021-07-05 | 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210087715A KR102627669B1 (ko) | 2021-07-05 | 2021-07-05 | 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230007584A KR20230007584A (ko) | 2023-01-13 |
| KR102627669B1 true KR102627669B1 (ko) | 2024-01-24 |
Family
ID=84900197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210087715A KR102627669B1 (ko) | 2021-07-05 | 2021-07-05 | 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102627669B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020107072A (ja) * | 2018-12-27 | 2020-07-09 | 株式会社クボタ | 機械設備の診断方法及び機械設備の診断装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102400450B1 (ko) | 2019-09-25 | 2022-05-20 | 주식회사 엠피에스티 | 배터리 온도 데이터를 이용한 이상 상태 사전 감지 시스템 |
| KR102254734B1 (ko) | 2020-10-21 | 2021-05-24 | (주)인텍에프에이 | 음향을 이용한 ess 배터리의 화재 조기 감지 장치 및 방법 |
-
2021
- 2021-07-05 KR KR1020210087715A patent/KR102627669B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020107072A (ja) * | 2018-12-27 | 2020-07-09 | 株式会社クボタ | 機械設備の診断方法及び機械設備の診断装置 |
Non-Patent Citations (2)
| Title |
|---|
| Chuxu Zhang et al., "A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data," arXiv:1811.08055v1 [cs.LG] 20 Nov 2018 (2018.11.20.)* |
| Rung-Ching Chen et al., "Selecting critical features for data classifcation based on machine learning methods," Journal of Big Data (2020.07.23.)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230007584A (ko) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rudin et al. | Machine learning for the New York City power grid | |
| US10534361B2 (en) | Industrial asset health model update | |
| US11187446B2 (en) | Anomaly detection in a refrigeration condensor system | |
| US20130232094A1 (en) | Machine learning for power grid | |
| US6799154B1 (en) | System and method for predicting the timing of future service events of a product | |
| Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
| CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
| MacKenzie et al. | Empirical data and regression analysis for estimation of infrastructure resilience with application to electric power outages | |
| Salfner et al. | Predicting failures of computer systems: A case study for a telecommunication system | |
| CN104503874A (zh) | 一种云计算平台的硬盘故障预测方法 | |
| CN104573906B (zh) | 用于分析电力传输系统中的振荡稳定性的系统和方法 | |
| CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
| CN109828750B (zh) | 自动配置数据埋点的方法、装置、电子设备及存储介质 | |
| Levitin et al. | Scheduling of imperfect inspections for reliability critical systems with shock-driven defects and delayed failures | |
| Cui et al. | An optimized swinging door algorithm for wind power ramp event detection | |
| KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
| Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
| WO2013184680A1 (en) | Automatic parallel performance profiling systems and methods | |
| KR102627669B1 (ko) | 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램 | |
| WO2024087404A1 (zh) | 核反应堆故障判定方法、装置、设备、存储介质和产品 | |
| CN116720946A (zh) | 基于循环神经网络的信贷风险预测方法、装置和存储介质 | |
| CN113961708B (zh) | 一种基于多层次图卷积网络的电力设备故障溯源方法 | |
| Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
| CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| Hao et al. | Statistical prediction modeling for software development process performance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |