KR102665709B1 - 인공지능 기반의 스마트미터링 예측 관리시스템 - Google Patents
인공지능 기반의 스마트미터링 예측 관리시스템 Download PDFInfo
- Publication number
- KR102665709B1 KR102665709B1 KR1020230142626A KR20230142626A KR102665709B1 KR 102665709 B1 KR102665709 B1 KR 102665709B1 KR 1020230142626 A KR1020230142626 A KR 1020230142626A KR 20230142626 A KR20230142626 A KR 20230142626A KR 102665709 B1 KR102665709 B1 KR 102665709B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- information
- unit
- prediction
- period
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000007726 management method Methods 0.000 claims abstract description 24
- 238000013523 data management Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 14
- 238000007710 freezing Methods 0.000 claims description 14
- 230000008014 freezing Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000009172 bursting Effects 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000009413 insulation Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000011045 prefiltration Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000033772 system development 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
- G06Q50/06—Energy or water supply
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/34—Smart metering supporting the carbon neutral operation of end-user applications in buildings
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/30—Smart metering, e.g. specially adapted for remote reading
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 인공지능 기반의 스마트미터링 예측 관리시스템에 관한 것으로, 보다 구체적으로 인공지능 기반의 분석대상별 예측모델을 이용하여 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 서비스할 수 있는 인공지능 기반의 스마트미터링 예측 관리시스템에 관한 것이다. 이를 위해, 인공지능 기반의 스마트미터링 예측 관리시스템은 관심지역의 지점별 수도미터정보와 관심지역의 기상정보를 기간별로 수집하여 기간별 샘플데이터를 획득하는 데이터획득부, 상기 지점별 수도미터정보로부터 검출되는 미터링 오결측데이터에 기초하여, 상기 기간별 샘플데이터를 유효데이터와 비유효데이터 중 어느 하나로 식별하는 데이터관리부, 상기 유효데이터로 식별됨에 따라 상기 기간별 샘플데이터를 특정일자를 기준으로 과거데이터와 미래데이터로 분할하는 데이터분할부, 상기 과거데이터를 입력으로 하고 상기 미래데이터를 출력으로 하는 머신러닝을 통해 인공지능 기반의 분석대상별 예측모델을 학습하는 데이터학습부 및 상기 분석대상별 예측모델, 상기 기간별 샘플데이터, 기수집된 시설 DB정보 및 기수집된 지도 DB정보에 기초하여, 웹서비스를 통해 복수의 고객단말들에 GIS 기반의 관제정보를 제공하는 통합서비스부를 포함한다.
Description
본 발명은 인공지능 기반의 스마트미터링 예측 관리시스템에 관한 것으로, 보다 구체적으로 인공지능 기반의 분석대상별 예측모델을 이용하여 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 서비스할 수 있는 인공지능 기반의 스마트미터링 예측 관리시스템에 관한 것이다.
최근, 상수도 시설의 관리 효율성 및 자산관리 효과의 극대화를 위하여 드론/무인기 등을 활용한 원격 계측 및 3차원 방식의 데이터 구축, GIS 결합, AI 분석 등의 기술 수요가 증가하고 있다.
그러나, 기존 상수도는 저밀도 센서 네트워크 및 요금체계 등의 데이터를 활용한 1차원적인 수요 예측 및 공급 조절에 머물고 있어, 부정확한 예측을 바탕으로 관리하는 실정이다.
특히, 상수도 시설물의 관리를 위한 통합관리시스템은 2차원 방식의 평면 자료에 바탕을 두고 있으며, 데이터의 누락 및 부정확성 등으로 기존 GIS 시스템의 활용도와 신뢰성을 떨어뜨리는 원인으로 지목되고 있다.
따라서, 국내 실정에 적합한 물 생산 계획, 펌프 가동 계획, 수도요금체계 마련 등을 위해서는 물사용량의 패턴 분석, 동파 패턴 분석 및 옥내누수 패턴 분석 등의 AI 기반의 빅데이터 분석과 연계된 스마트미터링 예측 관리시스템 개발이 필요하다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 인공지능 기반의 분석대상별 예측모델을 이용하여 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 서비스할 수 있는 인공지능 기반의 스마트미터링 예측 관리시스템을 제공하기 위한 것이다.
본 발명의 상기 및 다른 목적과 이점은 바람직한 실시예를 설명한 하기의 설명으로부터 분명해질 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공지능 기반의 스마트미터링 예측 관리시스템은 관심지역의 지점별 수도미터정보와 관심지역의 기상정보를 기간별로 수집하여 기간별 샘플데이터를 획득하는 데이터획득부, 상기 지점별 수도미터정보로부터 검출되는 미터링 오결측데이터에 기초하여, 상기 기간별 샘플데이터를 유효데이터와 비유효데이터 중 어느 하나로 식별하는 데이터관리부, 상기 유효데이터로 식별됨에 따라 상기 기간별 샘플데이터를 특정일자를 기준으로 과거데이터와 미래데이터로 분할하는 데이터분할부, 상기 과거데이터를 입력으로 하고 상기 미래데이터를 출력으로 하는 머신러닝을 통해 인공지능 기반의 분석대상별 예측모델을 학습하는 데이터학습부 및 상기 분석대상별 예측모델, 상기 기간별 샘플데이터, 기수집된 시설 DB정보 및 기수집된 지도 DB정보에 기초하여, 웹서비스를 통해 복수의 고객단말들에 GIS 기반의 관제정보를 제공하는 통합서비스부를 포함하고, 상기 GIS 기반의 관제정보는 관심지역에 대한 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 포함한다.
본 발명의 실시예에 따르면, 인공지능 기반의 분석대상별 예측모델을 이용하여 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 서비스함으로써, 수도사업 운영을 보다 효율적으로 관리할 수 있도록 지원하는 동시에 동파 및 옥내누수로 인한 사회적 비용을 예방 및 절감시킬 수 있다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 스마트미터링 예측 관리시스템(1000)을 개략적으로 보여주는 도이다.
도 2는 기간별 샘플데이터에 대한 예시도이다.
도 3(A)와 3(B)는 미터링 오결측데이터와 AI품질관리를 통한 고품질 데이터를 설명하기 위한 예시도이다.
도 4a는 도 1의 데이터관리부(200)를 구체적으로 나타내는 블록도이고, 도 4b는 관심지역 샘플차트그래프에 대한 예시도들이며, 도 4c는 오염정보에 대한 실시예들이고, 도 4d는 시간 및 요일별 물 사용 패턴분포도에 대한 예시도들이다.
도 5는 도 1의 데이터학습부(400)에 대한 일 실시예를 나타내는 블록도이다.
도 6(A) 내지 (C)은 시계열 예측모델을 사전에 선정하기 위한 실시예들이다.
도 7은 도 1의 데이터학습부(400_1)에 대한 다른 실시예를 나타내는 블록도이다.
도 8(A) 내지 8(C)는 손실값 보정모델을 사전에 선정하기 위한 실시예들이다.
도 9는 도 1의 통합서비스부(500)에 대한 실시예를 나타내는 블록도이다.
도 2는 기간별 샘플데이터에 대한 예시도이다.
도 3(A)와 3(B)는 미터링 오결측데이터와 AI품질관리를 통한 고품질 데이터를 설명하기 위한 예시도이다.
도 4a는 도 1의 데이터관리부(200)를 구체적으로 나타내는 블록도이고, 도 4b는 관심지역 샘플차트그래프에 대한 예시도들이며, 도 4c는 오염정보에 대한 실시예들이고, 도 4d는 시간 및 요일별 물 사용 패턴분포도에 대한 예시도들이다.
도 5는 도 1의 데이터학습부(400)에 대한 일 실시예를 나타내는 블록도이다.
도 6(A) 내지 (C)은 시계열 예측모델을 사전에 선정하기 위한 실시예들이다.
도 7은 도 1의 데이터학습부(400_1)에 대한 다른 실시예를 나타내는 블록도이다.
도 8(A) 내지 8(C)는 손실값 보정모델을 사전에 선정하기 위한 실시예들이다.
도 9는 도 1의 통합서비스부(500)에 대한 실시예를 나타내는 블록도이다.
이하, 본 발명의 실시예와 도면을 참조하여 본 발명을 상세히 설명한다. 이들 실시예는 오로지 본 발명을 보다 구체적으로 설명하기 위해 예시적으로 제시한 것일 뿐, 본 발명의 범위가 이들 실시예에 의해 제한되지 않는다는 것은 당업계에서 통상의 지식을 가지는 자에 있어서 자명할 것이다.
또한, 달리 정의하지 않는 한, 본 명세서에서 사용되는 모든 기술적 및 과학적 용어는 본 발명이 속하는 기술 분야의 숙련자에 의해 통상적으로 이해되는 바와 동일한 의미를 가지며, 상충되는 경우에는, 정의를 포함하는 본 명세서의 기재가 우선할 것이다.
도면에서 제안된 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 그리고, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에서 기술한 "부"란, 특정 기능을 수행하는 하나의 단위 또는 블록을 의미한다.
각 단계들에 있어 식별부호(제1, 제2, 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 실시될 수도 있고 실질적으로 동시에 실시될 수도 있으며 반대의 순서대로 실시될 수도 있다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 스마트미터링 예측 관리시스템(1000)을 개략적으로 보여주는 도이고, 도 2는 기간별 샘플데이터에 대한 예시도이며, 도 3(A)와 3(B)는 미터링 오결측데이터와 AI품질관리를 통한 고품질 데이터를 설명하기 위한 예시도이다.
도 1 내지 도 3(B)를 참조하여 설명하면, 인공지능 기반의 스마트미터링 예측 관리시스템(1000)은 데이터획득부(100), 데이터관리부(200), 데이터분할부(300), 데이터학습부(400) 및 통합서비스부(500)를 포함할 수 있다.
먼저, 데이터획득부(100)는 관심지역의 지점별 수도미터정보와 관심지역의 기상정보를 기간별로 수집하여 기간별 샘플데이터를 획득할 수 있다.
여기서, 기간별 샘플데이터는 도 2에 도시된 바와 같이, 수도미터값, 기온, 습도, 지면온도 및 동파가능지수를 포함할 수 있다.
즉, 관심지역의 지점별 수도미터정보는 수도미터값의 지점별 리스트이고, 관심지역의 기상정보는 기상청서버(12)로부터 전송받는 관심지역의 기온, 습도, 지면온도 및 동파가능지수를 포함할 수 있다.
예를 들면, 데이터획득부(100)는 관심지역의 지점별 수도미터값을 측정하기 위하여 지점별로 설치된 복수의 IoT 센서들(11_1~11_N)로부터 전송받는 지점별 수도미터정보와 기상청서버(12)로부터 전송받는 기상정보를 기간별 샘플데이터로 분류하여 저장 DB(700)에 저장할 수 있다.
이러한 데이터획득부(100)는 관심지역의 지점별 시설 DB정보와 관심지역의 지점별 지도 DB정보를 미리 수집하여 저장 DB(700)에 저장할 수 있다.
실시예에 따라, 데이터획득부(100)는 관심지역의 지점별 수도미터정보와 기설정된 검침상태별 기준정보 간의 대응 여부에 기초하여, 관심지역의 지점별 수도미터정보에 대한 검침상태를 판정하여 해당 지점별 수도미터정보에 태깅할 수 있다.
예를 들면, 관심지역의 지점별 수도미터정보와 기설정된 동파 기준정보 간의 대응 여부에 기초하여, 데이터획득부(100)는 관심지역의 지점별 수도미터정보에 대한 동파상태를 판정하여 해당 지점별 수도미터정보에 태깅할 수 있다.
다음으로, 데이터관리부(200)는 관심지역의 지점별 수도미터정보로부터 검출되는 미터링 오결측데이터에 기초하여, 기간별 샘플데이터를 유효데이터와 비유효데이터 중 어느 하나로 식별하여 분류할 수 있다.
여기서, 미터링 오결측데이터는 도 3(A)에 도시된 바와 같이, 일정기간 기설정된 수치 이상의 변동값을 가진 수도미터정보를 의미할 수 있다.
이때, AI품질관리를 통한 고품질 데이터는 도 3(B)에 도시된 바와 같이, 일정기간 기설정된 수치 미만의 변동값을 가진 수도미터정보를 의미할 수 있다.
다음으로, 데이터분할부(300)는 기간별 샘플데이터가 유효데이터로 식별됨에 따라, 특정일자를 기준으로 기간별 샘플데이터를 과거데이터와 미래데이터로 분할할 수 있다.
일 실시예에 따라, 데이터분할부(300)는 기간별 샘플데이터로부터 비유효데이터로 식별되는 기간을 제거한 다음에 나머지 샘플데이터를 유효데이터로 식별 처리할 수도 있다.
다른 실시예에 따라, 데이터분할부(300)는 관심지역의 기상정보에 대응되고 현재로부터 일정기간 내의 이전일자에 해당하는 기준일을 특정일자로 설정할 수도 있다.
다음으로, 데이터학습부(400)는 과거데이터를 입력으로 하고 미래데이터를 출력으로 하는 머신러닝을 통해 인공지능 기반의 분석대상별 예측모델을 학습할 수 있다.
여기서, 인공지능 기반의 분석대상별 예측모델은 물사용량 예측모델, 동파 예측모델 및 옥내누수 예측모델을 포함할 수 있다.
예를 들면, 분석대상별 예측모델은 순환신경망 기반의 DeePAR과 GRU, 셀프어텐션(self-attention) 매커니즘 기반의 Transformer와 TFT 중 어느 하나의 알고리즘일 수 있다. 구체적으로, DeePAR과 GRU는 순환신경망의 장점인 보다 정확한 출력값을 도출할 수 있고, Transformer와 TFT는 셀프어텐션의 장점인 대규모 데이터를 보다 효율적으로 처리하는 딥러닝 알고리즘일 수 있다.
다음으로, 통합서비스부(500)는 분석대상별 예측모델, 기간별 샘플데이터, 기수집된 시설 DB정보 및 기수집된 지도 DB정보에 기초하여, 웹서비스를 통해 복수의 고객단말들(10_1~10_N)에 GIS 기반의 관제정보를 제공할 수 있다.
여기서, GIS 기반의 관제정보는 관심지역에 대한 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 포함할 수 있다. 또한, 웹서비스는 웹서버를 통해 제공되는 웹페이지일 수 있다.
일 실시예에 따라, 통합서비스부(500)는 복수의 고객단말들(10_1~10_N) 중 어느 하나의 고객단말(예컨대, 10_1)로부터 웹서비스를 통해 업로드받는 물공급설비 이미지로부터 검출된 보온재 객체에 기초하여, 보온재 객체에 대한 정상 설치 여부를 진단할 수 있다.
예를 들면, 물공급설비 이미지는 수도관, 수도관밸브 및 수도계량기 이미지일 수 있다.
다른 실시예에 따라, 통합서비스부(500)는 홍수, 가뭄, 태풍, 지진과 같은 자연재해나 전쟁과 같은 사건이벤트에 따라 판정되는 물공급설비 장애 규모에 기초하여, 분석대상별 예측모델에 대한 물사용량 가중치를 설정할 수 있다.
예를 들면, 물공급설비 장애 규모가 기설정된 규모 이상인 경우, 통합서비스부(500)는 분석대상별 예측모델에 대한 물사용량 가중치를 감소시키는 방향으로 조절할 수 있다. 또한, 물공급설비 장애 규모가 기설정된 규모 미만인 경우, 통합서비스부(500)는 분석대상별 예측모델에 대한 물사용량 가중치를 증가시키는 방향으로 조절할 수 있다.
또 다른 실시예에 따라, 통합서비스부(500)는 관심지역의 물공급설비에 대한 복수의 설비이미지들에 대한 이미지 분석을 통해 분석된 노후상태에 기초하여, 분석대상별 예측모델에 대한 동파예측 가중치를 설정할 수 있다.
예를 들면, 노후상태가 기설정된 정상상태 이상인 경우, 통합서비스부(500)는 분석대상별 예측모델에 대한 동파예측 가중치를 증가시키는 방향으로 조절할 수 있다. 또한, 노후상태가 기설정된 정상상태 미만인 경우, 통합서비스부(500)는 분석대상별 예측모델에 대한 동파예측 가중치를 감소시키는 방향으로 조절할 수 있다.
또 다른 실시예에 따라, 통합서비스부(500)는 복수의 고객단말들(10_1~10_N) 중 어느 하나의 고객단말(예컨대, 10_1)로부터 웹서비스를 통해 수신받는 위치정보에 기초하여, 동파 예측정보로부터 추출된 동파 예측지점들과 옥내누수 예측정보로부터 추출된 옥내누수 예측지점들을 점검하기 위한 길안내 점검지도를 제공할 수 있다.
또 다른 실시예에 따라, 통합서비스부(500)는 어느 하나의 고객단말(예컨대, 10_1)로부터 웹서비스를 통해 전송받는 위치정보가 동파 예측지점에 해당하는 경우, 동파 예방방법을 팝업 메시지 형태로 웹서비스를 통해 어느 하나의 고객단말(예컨대, 10_1)에 서비스할 수 있다.
여기서, 동파 예방방법은 물공급설비 정기 점검, 물공급설비 주변 청소, 물공급설비 밸브 오픈, 보온재 설치를 포함할 수 있다.
또 다른 실시예에 따라, 통합서비스부(500)는 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 서비스함에 따라 자동으로 캡쳐링되어 합성되는 복수의 이미지들 기반의 관심지역 예측정보 서비스영상을 웹서비스를 통해 다운로드 가능하도록 제공할 수 있다.
이하, 구체적인 실시예와 비교예를 통하여 본 발명의 구성 및 그에 따른 효과를 보다 상세히 설명하고자 한다. 그러나, 본 실시예는 본 발명을 보다 구체적으로 설명하기 위한 것이며, 본 발명의 범위가 이들 실시예에 한정되는 것은 아니다.
도 4a는 도 1의 데이터관리부(200)를 구체적으로 나타내는 블록도이고, 도 4b는 관심지역 샘플차트그래프에 대한 예시도들이며, 도 4c는 오결측 정보에 대한 실시예들이고, 도 4d는 시간 및 요일별 물 사용 패턴분포도에 대한 예시도들이다.
도 1와 도 4a 내지 도 4d를 참조하여 설명하면, 데이터관리부(200)는 드로잉부(210), 기간필터링부(220) 및 사용량분석부(230)를 포함할 수 있다.
먼저, 드로잉부(210)는 기간별 샘플데이터를 이용하여, 관심지역 샘플차트그래프를 드로잉할 수 있다.
여기서, 관심지역 샘플차트그래프는 도 4b에 도시된 바와 같이, 수도미터값, 기온, 습도, 지면온도 및 동파가능지수를 일정기간에 따라 나타낸 그래프일 수 있다.
다음으로, 기간필터링부(220)는 관심지역 샘플차트그래프로부터 확인된 오결측 정보에 기초하여, 기간별 샘플데이터로부터 오결측 발생 기간을 제거할 수 있다.
여기서, 오결측 정보는 도 4c에 도시된 바와 같이, 기설정된 수치변화를 가진 튐값, 초기상태 변화값, 기간오류값 및 변동없음값을 가진 샘플데이터를 의미할 수 있다.
다음으로, 사용량분석부(230)는 기간별 샘플데이터가 유효데이터로 식별된 경우, 오결측 발생 기간이 제거된 기간별 샘플데이터를 통해 시간 및 요일별 물 사용 패턴분포도를 선택적으로 생성하여 복수의 고객단말(10_1~10_N)에 제공할 수 있다.
여기서, 시간 및 요일별 물 사용 패턴분포도는 도 4d에 도시된 바와 같이, 사용량 패턴을 확인하기 위한 자료로서, 분석대상별 예측모델에 대한 학습자료로 이용되거나 고객에게 직접적으로 제공될 수 있다.
도 5는 도 1의 데이터학습부(400)에 대한 일 실시예를 나타내는 블록도이고, 도 6(A) 내지 (C)은 시계열 예측모델을 사전에 선정하기 위한 실시예들이다.
도 1, 도 5 및 도 6을 참조하여 설명하면, 데이터학습부(400)는 확률분포 추정부(410)와 오류필터링부(420)를 포함할 수 있다.
먼저, 확률분포 추정부(410)는 유효데이터를 시계열 예측모델을 통해 개별적으로 학습함에 따라 제1 예측값 확률분포를 추정할 수 있다. 또한, 확률분포 추정부(410)는 오류데이터를 시계열 예측모델을 통해 개별적으로 학습함에 따라 제2 예측값 확률분포를 추정할 수 있다.
여기서, 오류데이터는 유효데이터로부터 특정수치값이 기설정된 수치 이상으로 변형되는 데이터를 의미하고,
이때, 제1 예측값 확률분포는 유효데이터를 시계열 예측모델에 적용함에 따라 특정값을 가질 확률을 나타내는 함수이고, 제2 예측값 확률분포는 오류데이터를 시계열 예측모델에 적용함에 따라 특정값을 가질 확률을 나타내는 함수일 수 있다.
또한, 시계열 예측모델은 순환신경망 기반의 DeePAR과 GRU 중 어느 하나일 수 있다.
다음으로, 오류필터링부(420)는 제1 및 제2 예측값 확률분포 간의 차이에 따라 결정된 유효데이터에 대한 예측값 신뢰구간에 기초하여, 유효데이터로부터 비정상데이터를 사전에 필터링할 수 있다. 즉, 오류필터링부(420)는 비정상데이터가 제거된 유효데이터를 출력할 수 있다.
실시예에 따라, 확률분포 추정부(410)는 복수의 시계열 예측모델 후보들에 대한 기설정된 손실함수를 통해 분석된 모델별 손실함수 출력변화값에 기초하여, 적어도 하나의 시계열 예측모델을 사전에 선정할 수 있다.
여기서, 기설정된 손실함수는 도 6(A)에 도시된 바와 같이, 가우시안 네거티브 라이클리후드(Gaussian Negative Log Likelihood, GNLL)를 이용할 수 있다.
이때, 모델별 손실함수 출력변화값은 도 6(B)에 도시된 바와 같이, 시계열 예측모델 후보들에 따라 분석되어 그래프로 표시될 수 있다.
또한, 복수의 시계열 예측모델 후보들은 도 6(C)에 도시된 바와 같이, 순환신경망 기반의 DeePAR과 GRU, 셀프어텐션(self-attention) 매커니즘 기반의 Transformer와 TFT을 포함할 수 있다.
다른 실시예에 따라, 확률분포 추정부(410)는 유효데이터의 데이터용량에 기초하여, 시계열 예측모델을 수동적으로 스위칭할 수 있다.
예를 들면, 유효데이터가 기설정된 데이터용량을 초과한 경우, 확률분포 추정부(410)는 시계열 예측모델을 DeePAR로 선택할 수 있다. 또한, 유효데이터가 기설정된 데이터용량을 초과하지 않는 경우, 확률분포 추정부(410)는 시계열 예측모델을 GRU로 선택할 수 있다.
도 7은 도 1의 데이터학습부(400_1)에 대한 다른 실시예를 나타내는 블록도이고, 도 8(A) 내지 8(C)는 손실값 보정모델을 사전에 선정하기 위한 실시예들이다.
도 1, 도 5, 도 7 및 도 8을 참조하여 설명하면, 데이터학습부(400_1)는 확률분포 추정부(410), 오류필터링부(420), 결함학습부(430) 및 보정처리부(440)를 포함할 수 있다.
이하, 도 5에서 설명된 동일부재 번호의 확률분포 추정부(410)와 오류필터링부(420)에 대한 중복된 설명은 생략될 것이다.
먼저, 결함학습부(430)는 기수집된 결함데이터를 입력으로 하고, 유효데이터에 대한 제1 예측값 확률분포를 출력으로 하는 머신러닝을 통해 손실값 보정모델을 학습할 수 있다.
여기서, 결함데이터는 유효데이터로부터 일부구간의 데이터가 손실된 데이터를 의미할 수 있다.
이때, 손실값 보정모델은 셀프어텐션(self-attention) 매커니즘 기반의 SAITS와 Transformer 중 어느 하나일 수 있다.
다음으로, 보정처리부(440)는 유효데이터의 일부구간이 누락된 경우, 손실값 보정모델을 통해 유효데이터를 보정데이터로 전처리할 수 있다.
실시예에 따라, 결함학습부(430)는 복수의 손실값 보정모델 후보들에 대한 기설정된 손실함수를 통해 분석된 모델별 손실함수 출력변화값에 기초하여, 적어도 하나의 손실값 보정모델을 결정할 수 있다.
여기서, 기설정된 손실함수는 도 8(A)에 도시된 바와 같이, 실제값과 예측값 차이의 제곱 합인 민 스퀘어드 에러(Mean Squared Error, MSE)를 이용할 수 있다.
이때, 모델별 손실함수 출력변화값은 도 8(B)에 도시된 바와 같이, 손실값 보정모델 후보들을 개별적으로 학습함에 따라 산출되는 손실함수 출력값을 그래프로 표시될 수 있다.
또한, 복수의 손실값 보정모델 후보들은 도 8(C)에 도시된 바와 같이, 셀프어텐션(self-attention) 매커니즘 기반의 SAITS와 Transformer, 순환신경망 기반의 BRITS와 MRNN을 포함할 수 있다.
도 9는 도 1의 통합서비스부(500)에 대한 실시예를 나타내는 블록도이다.
도 1과 도 9를 참조하여 설명하면, 통합서비스부(500)는 입력부(510), 데이터추출부(520), 모델적용부(530), 예측정보 생성부(540) 및 페이지서비스부(550)를 포함할 수 있다.
먼저, 입력부(510)는 복수의 고객단말들(10_1~10_N) 중 어느 하나의 고객단말(예컨대, 10_1)로부터 웹 기반의 검침예측 서비스를 통해 지역키워드를 입력받을 수 있다.
여기서, 웹 기반의 검침예측 서비스는 웹서버를 통해 접속된 복수의 고객단말들(10_1~10_N)에 제공되어 설치된 어플리케이션 프로그램일 수 있다.
다음으로, 데이터추출부(520)는 기간별 샘플데이터로부터 지역키워드에 대응되는 지역유효데이터를 추출할 수 있다.
실시예에 따라, 데이터추출부(520)는 지역유효데이터의 데이터용량정보에 기초하여, 지역키워드에 리스트되는 지점영역들을 선택받을 수 있도록 검침예측 서비스를 통해 어느 하나의 고객단말(예컨대, 10_1)에 요청할 수 있다.
다음으로, 모델적용부(530)는 지역유효데이터를 데이터학습부(400)를 통해 학습된 분석대상별 예측모델에 적용함에 따라, 물사용량, 동파 및 옥내누수 예측데이터를 개별적으로 도출할 수 있다.
다음으로, 예측정보 생성부(540)는 물사용량, 동파 및 옥내누수 예측데이터와 지역유효데이터를 분석하여, 물사용량 서비스정보, 동파 서비스정보 및 옥내누수 서비스정보를 생성할 수 있다.
구체적으로, 물사용량 서비스정보는 물사용량 이력정보, 물사용량 예측정보 및 지역유효데이터에 관련된 메타정보 및 지도맵에 태깅된 실시간 물사용량정보를 포함할 수 있다. 또한, 동파 서비스정보는 동파위험단계별로 구획된 지도맵에 태깅된 실시간 기온정보, 동파 예측 리스트, 동파위험 예측 그래프를 포함할 수 있다. 또한, 옥내누수 서비스정보는 지도맵에 표시된 옥내누수 실시간 감지건수, 옥내누수 예측 리스트, 물사용량과 옥내누수 추정량 간의 비교그래프를 포함할 수 있다.
다음으로, 페이지서비스부(550)는 물사용량 서비스정보, 동파 서비스정보 및 옥내누수 서비스정보 각각에 대응되는 개별 웹페이지를 생성하여 검침예측 서비스를 통해 어느 하나의 고객단말(예컨대, 10_1)에 제공할 수 있다.
본 명세서에서는 본 발명자들이 실행한 다양한 실시예 가운데 몇 개의 예만을 들어 설명하는 것이나 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고, 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
10_1~10_N: 복수의 고객단말들
100: 데이터획득부
200: 데이터관리부
300: 데이터분할부
400: 데이터학습부
500: 통합서비스부
1000: 인공지능 기반의 스마트미터링 예측 관리시스템
100: 데이터획득부
200: 데이터관리부
300: 데이터분할부
400: 데이터학습부
500: 통합서비스부
1000: 인공지능 기반의 스마트미터링 예측 관리시스템
Claims (8)
- 관심지역의 지점별 수도미터정보와 관심지역의 기상정보를 기간별로 수집하여 기간별 샘플데이터를 획득하는 데이터획득부;
상기 지점별 수도미터정보로부터 검출되는 미터링 오결측데이터에 기초하여, 상기 기간별 샘플데이터를 유효데이터와 비유효데이터 중 어느 하나로 식별하는 데이터관리부;
상기 유효데이터로 식별됨에 따라 상기 기간별 샘플데이터를 특정일자를 기준으로 과거데이터와 미래데이터로 분할하는 데이터분할부;
상기 과거데이터를 입력으로 하고 상기 미래데이터를 출력으로 하는 머신러닝을 통해 인공지능 기반의 분석대상별 예측모델을 학습하는 데이터학습부; 및
상기 분석대상별 예측모델, 상기 기간별 샘플데이터, 기수집된 시설 DB정보 및 기수집된 지도 DB정보에 기초하여, 웹서비스를 통해 복수의 고객단말들에 GIS 기반의 관제정보를 제공하는 통합서비스부를 포함하고,
상기 GIS 기반의 관제정보는 관심지역에 대한 물사용량 예측정보, 동파 예측정보 및 옥내누수 예측정보를 포함하고,
상기 통합서비스부는 상기 복수의 고객단말들 중 어느 하나의 고객단말로부터 상기 웹서비스를 통해 업로드받는 물공급설비 이미지로부터 검출된 보온재 객체에 기초하여, 상기 보온재 객체에 대한 정상 설치 여부를 진단하는, 인공지능 기반의 스마트미터링 예측 관리시스템. - 삭제
- 제1항에 있어서,
상기 데이터관리부는 상기 기간별 샘플데이터를 이용하여, 관심지역 샘플차트그래프를 드로잉하는 그래프 드로잉부;
상기 관심지역 샘플차트그래프로부터 확인된 오결측 정보에 기초하여, 상기 기간별 샘플데이터로부터 오결측 발생 기간을 제거하는 기간필터링부; 및
상기 기간별 샘플데이터가 유효데이터로 식별된 경우, 상기 오결측 발생 기간이 제거된 기간별 샘플데이터를 통해 시간 및 요일별 물 사용 패턴분포도를 도출하는 패턴도출부를 포함하고,
상기 오결측 정보는 기설정된 수치변화를 가진 튐값, 초기상태 변화값, 기간오류값 및 변동없음값을 가진 기간을 의미하는, 인공지능 기반의 스마트미터링 예측 관리시스템. - 제1항에 있어서,
상기 데이터학습부는 상기 유효데이터와 오류데이터를 시계열 예측모델을 통해 개별적으로 학습함에 따라 제1 및 제2 예측값 확률분포를 개별적으로 추정하는 확률분포 추정부; 및
상기 제1 및 제2 예측값 확률분포 간의 차이에 따라 결정된 상기 유효데이터에 대한 예측값 신뢰구간에 기초하여, 상기 유효데이터로부터 비정상데이터를 사전에 필터링하는 오류필터링부를 포함하고,
여기서, 오류데이터는 유효데이터로부터 특정수치값이 기설정된 수치 이상으로 변형되는 데이터를 의미하고,
상기 제1 예측값 확률분포는 상기 유효데이터를 상기 시계열 예측모델에 적용함에 따라 특정값을 가질 확률을 나타내는 함수이고, 상기 제2 예측값 확률분포는 상기 오류데이터를 상기 시계열 예측모델에 적용함에 따라 특정값을 가질 확률을 나타내는 함수인, 인공지능 기반의 스마트미터링 예측 관리시스템. - 제4항에 있어서,
상기 데이터학습부는 기수집된 결함데이터를 입력으로 하고, 상기 유효데이터에 대한 제1 예측값 확률분포를 출력으로 하는 머신러닝을 통해 손실값 보정모델을 학습하는 결함학습부; 및
상기 유효데이터의 일부구간이 누락된 경우, 상기 손실값 보정모델을 통해 상기 유효데이터를 보정데이터로 전처리하는 보정처리부를 더 포함하고,
상기 결함데이터는 상기 유효데이터로부터 일부구간의 데이터가 누락된 데이터를 의미하는, 인공지능 기반의 스마트미터링 예측 관리시스템. - 제4항에 있어서,
상기 확률분포 추정부는 복수의 시계열 예측모델 후보들에 대한 기설정된 손실함수를 통해 분석된 모델별 손실함수 출력변화값에 기초하여, 상기 시계열 예측모델을 사전에 선정하고,
상기 기설정된 손실함수는 가우시안 네거티브 라이클리후드(Gaussian Negative Log Likelihood, GNLL)를 이용하며,
상기 복수의 시계열 예측모델 후보들은 순환신경망 기반의 DeePAR과 GRU, 셀프어텐션(self-attention) 매커니즘 기반의 Transformer와 TFT을 포함하는, 인공지능 기반의 스마트미터링 예측 관리시스템. - 제5항에 있어서,
상기 결함학습부는 복수의 손실값 보정모델 후보들에 대한 기설정된 손실함수를 통해 분석된 모델별 손실함수 출력변화값에 기초하여, 상기 손실값 보정모델을 사전에 결정하고,
상기 기설정된 손실함수는 실제값과 예측값 차이의 제곱 합인 민 스퀘어드 에러(Mean Squared Error, MSE)를 이용하며,
상기 복수의 손실값 보정모델 후보들은 셀프어텐션(self-attention) 매커니즘 기반의 SAITS와 Transformer, 순환신경망 기반의 BRITS와 MRNN을 포함하는, 인공지능 기반의 스마트미터링 예측 관리시스템. - 제1항에 있어서,
상기 통합서비스부는 상기 웹서비스를 통해 복수의 고객단말들 중 어느 하나의 고객단말로부터 지역키워드를 입력받는 입력부;
상기 기간별 샘플데이터로부터 지역키워드에 대응되는 지역유효데이터를 추출하는 데이터추출부;
상기 지역유효데이터를 상기 분석대상별 예측모델에 적용함에 따라 물사용량, 동파 및 옥내누수 예측데이터를 개별적으로 도출하는 모델적용부;
상기 물사용량, 동파 및 옥내누수 예측데이터와 상기 지역유효데이터를 분석하여, 물사용량 서비스정보, 동파 서비스정보 및 옥내누수 서비스정보를 생성하는 예측정보 생성부; 및
상기 물사용량 서비스정보, 상기 동파 서비스정보 및 상기 옥내누수 서비스정보 각각에 대응되는 개별 웹페이지를 생성하여 다운로드 가능하도록 어느 하나의 고객단말에 서비스하는 페이지서비스부를 포함하는, 인공지능 기반의 스마트미터링 예측 관리시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230142626A KR102665709B1 (ko) | 2023-10-24 | 2023-10-24 | 인공지능 기반의 스마트미터링 예측 관리시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230142626A KR102665709B1 (ko) | 2023-10-24 | 2023-10-24 | 인공지능 기반의 스마트미터링 예측 관리시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102665709B1 true KR102665709B1 (ko) | 2024-05-14 |
Family
ID=91075878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230142626A KR102665709B1 (ko) | 2023-10-24 | 2023-10-24 | 인공지능 기반의 스마트미터링 예측 관리시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102665709B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050051955A (ko) * | 2003-11-28 | 2005-06-02 | 주식회사 비츠로시스 | 신경망을 이용한 물수요 예측 방법 |
| KR20130070562A (ko) * | 2011-12-19 | 2013-06-27 | 한국건설기술연구원 | 스마트 워터미터를 이용한 도시용수 수요량 예측 및 공급량 결정장치 |
| KR20160078605A (ko) * | 2014-12-24 | 2016-07-05 | 충남대학교산학협력단 | 복합 이벤트 처리와 기계학습 기반의 가정별 물 수요량 예측 및 누수 탐지방법 |
| KR20190109631A (ko) * | 2018-02-28 | 2019-09-26 | 세종대학교산학협력단 | 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템 |
| KR20210073763A (ko) * | 2019-12-11 | 2021-06-21 | 한국전자통신연구원 | 시계열 데이터 처리 장치 및 이의 동작 방법 |
-
2023
- 2023-10-24 KR KR1020230142626A patent/KR102665709B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050051955A (ko) * | 2003-11-28 | 2005-06-02 | 주식회사 비츠로시스 | 신경망을 이용한 물수요 예측 방법 |
| KR20130070562A (ko) * | 2011-12-19 | 2013-06-27 | 한국건설기술연구원 | 스마트 워터미터를 이용한 도시용수 수요량 예측 및 공급량 결정장치 |
| KR20160078605A (ko) * | 2014-12-24 | 2016-07-05 | 충남대학교산학협력단 | 복합 이벤트 처리와 기계학습 기반의 가정별 물 수요량 예측 및 누수 탐지방법 |
| KR20190109631A (ko) * | 2018-02-28 | 2019-09-26 | 세종대학교산학협력단 | 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템 |
| KR20210073763A (ko) * | 2019-12-11 | 2021-06-21 | 한국전자통신연구원 | 시계열 데이터 처리 장치 및 이의 동작 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113872328B (zh) | 基于神经网络的变电站远程智能巡检方法及系统 | |
| Eliades et al. | Leakage fault detection in district metered areas of water distribution systems | |
| GB2554978A (en) | Deep machine learning to predict and prevent adverse conditions at structural assets | |
| CN109685131A (zh) | 汽车车机系统异常识别方法及装置 | |
| CN110555477A (zh) | 一种市政设施故障预测方法及装置 | |
| US20200184795A1 (en) | Intelligent river inundation alarming system and method of controlling the same | |
| US11416119B2 (en) | Locating a power line event downstream from a power line branch point | |
| US20200104016A1 (en) | Identifying and presenting related electrical power distribution system events | |
| CN116629580B (zh) | 基于gis的智慧燃气安全隐患项管理方法和物联网系统 | |
| CN116485066B (zh) | 基于gis的智慧燃气安全巡线管理方法和物联网系统 | |
| CN115373403A (zh) | 一种建筑机械设备巡检服务系统 | |
| Bakker et al. | Analysis of historic bursts and burst detection in water supply areas of different size | |
| KR20110139378A (ko) | 지능형 ｒｆｉｄ 설비 검침 시스템 | |
| KR102665709B1 (ko) | 인공지능 기반의 스마트미터링 예측 관리시스템 | |
| Wilkinson et al. | Consequence forecasting: A rational framework for predicting the consequences of approaching storms | |
| CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
| KR102185017B1 (ko) | 가스공급시설 정보관리 및 예지보전 통합 시스템 | |
| CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 | |
| US11860213B2 (en) | Method, system and software product to identify installations likely to exhibit an electrical non-conformity | |
| CN114355969B (zh) | 一种利用无人机巡检的智能供热管网检漏方法和系统 | |
| CN113052224B (zh) | 一种电力与气象多源数据的交互融合方法和系统 | |
| KR102454300B1 (ko) | 디지털 트윈을 기반으로 한 태양광 발전 시스템의 운영 유지 보수 관리 플랫폼 서비스 제공 장치 및 이를 이용한 태양광 발전 시스템의 운영유지보수 방법 | |
| CA3188028A1 (en) | Systems and methods for pipeline risk modelling | |
| CN109376451A (zh) | 一种基于拟合关联的自动化设备故障率计算方法 | |
| CN116738351B (zh) | 排水设施检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |