KR20200013146A

KR20200013146A - 경험모델 기반 예측 알고리즘의 최적화 방법

Info

Publication number: KR20200013146A
Application number: KR1020180083183A
Authority: KR
Inventors: 김희수; 손석만; 손종덕; 배용채; 이길우; 이지훈
Original assignee: 한국전력공사
Priority date: 2018-07-17
Filing date: 2018-07-17
Publication date: 2020-02-06
Also published as: KR102130272B1

Abstract

본 발명은 경험모델 기반 예측 알고리즘의 최적화 방법이 개시된다. 본 발명의 경험모델 기반 예측 알고리즘의 최적화 방법은, 제어부가 센서정보와 훈련 데이터의 상관관계를 기반으로 훈련 데이터 DB에 저장된 훈련 데이터를 그룹화하는 단계; 제어부가 그룹화된 훈련 데이터를 다수의 설정된 분할 길이로 분할하여 다수의 훈련 데이터를 생성하는 단계; 제어부가 분할된 훈련 데이터로부터 각각 예측 데이터를 생성하여 시험 데이터와의 오차를 비교하는 단계; 및 제어부가 오차를 비교한 결과 오차값이 최소가 되는 가중치와 설정된 분할 길이를 도출하여 최적의 예측 데이터를 생성하는 단계를 포함하는 것을 특징으로 한다.

Description

경험모델 기반 예측 알고리즘의 최적화 방법{METHOD FOR OPTIMIZING PREDICTIVE ALGORITHM BASED EMPIRICAL MODEL}

본 발명은 경험모델 기반 예측 알고리즘의 최적화 방법에 관한 것으로서, 보다 상세하게는 발전 플랜트에서 축적된 다수의 경험데이터와 훈련 데이터를 기반으로 구축된 예측 모델을 이용한 예측 알고리즘의 결과에 대해 정량적인 기준을 제시하고 예측 알고리즘의 신뢰성을 향상시킴으로써, 비전문가도 쉽게 발전소 유지보수 및 고장진단이 가능하도록 하는 경험모델 기반 예측 알고리즘의 최적화 방법에 관한 것이다.

일반적으로, 발전 또는 화학 등의 대형 플랜트들은 다양한 종류의 수백 개의 기계 및 전기 설비들이 복잡하게 연결되어 운전되고 있다. 이런 플랜트들은 신뢰성을 확보하여 안정적으로 전력을 공급하기 위해, 사고의 발단이 되는 이상 징후를 상시로 측정해야 한다.

최근에는 인공지능과 예측알고리즘을 이용한 기술들이 개발되고 미래기술로서 각광을 받고 있다.

특히 발전소의 고장 진단이나 설비의 유지보수를 하기 위해 사용된 방법론 및 절차와 시스템의 미래 신뢰도 사이에는 일반적인 상관관계가 존재한다. 예를 들면, 자전거, 자동차, 및/또는 다른 운송 차량을 소유한 개인은 운송 차량의 상태 및 신뢰도가 어느 정도는 운송 차량을 유지하기 위한 활동의 정도 및 품질에 의존할 수 있다는 것을 알고 있으며, 유지보수 품질과 미래 신뢰도 사이에 상관관계가 존재한다는 것을 알고 있지만 이와 같은 관계를 정량화하고 모델링하는 것은 쉽지 않은 어려움이 있다.

일반적으로 통계적 모델에 기초하는 신호 예측을 위한 많은 이론적인 도구들이 있지만 복잡한 데이터들에 도구들을 적용할 때 많은 실질적인 문제점들이 발생한다. 예를 들어, 모델 파라미터를 신뢰성 있게 측정하는 것은 매우 어렵다. 왜냐하면 모델 파라미터들은 다른 소스들 또는 심지어 동일한 소스일 경우에도 상당히 바뀔 수 있기 때문이다. 따라서 중요한 점은 압축에 있어서 예측의 이용은 기본이며, 다른 어플리케이션들과 중요한 차이점을 갖는다는 것이다.

본 발명의 배경기술은 대한민국 등록특허공보 제1360790호(2014.02.11. 공고, 발전소 계측기 성능 감시 예측 방법)에 개시되어 있다.

위와 같이 통계적 모델에 기초한 예측 방법들은 데이터의 압축을 위해 실험적인 통계에 바탕을 두고 있다는 문제점이 있다.

또한 경험모델을 기반으로 신호 예측 알고리즘의 가중치를 결정하는데, 대부분 전문가의 경험에 따라 주관적이고, 임의적인 값을 입력함으로써, 신뢰성을 떨어뜨리고 있어, 예측 알고리즘 결과에 대한 신뢰성을 높이기 위해서는 정량적인 판단을 할 수 있는 시스템의 도입이 매우 필요한 실정이다.

본 발명은 상기와 같은 필요성에 따라 안출된 것으로, 일 측면에 따른 본 발명의 목적은 발전 플랜트에서 축적된 다수의 경험데이터와 훈련 데이터를 기반으로 구축된 예측 모델을 이용한 예측 알고리즘의 결과에 대해 정량적인 기준을 제시하고 예측 알고리즘의 신뢰성을 향상시킴으로써, 비전문가도 쉽게 발전소 유지보수 및 고장진단이 가능하도록 하는 경험모델 기반 예측 알고리즘의 최적화 방법을 제공하는 것이다.

본 발명의 일 측면에 따른 경험모델 기반 예측 알고리즘의 최적화 방법은, 제어부가 센서정보와 훈련 데이터의 상관관계를 기반으로 훈련 데이터 DB에 저장된 훈련 데이터를 그룹화하는 단계; 제어부가 그룹화된 훈련 데이터를 다수의 설정된 분할 길이로 분할하여 다수의 훈련 데이터를 생성하는 단계; 제어부가 분할된 훈련 데이터로부터 각각 예측 데이터를 생성하여 시험 데이터와의 오차를 비교하는 단계; 및 제어부가 오차를 비교한 결과 오차값이 최소가 되는 가중치와 설정된 분할 길이를 도출하여 최적의 예측 데이터를 생성하는 단계를 포함하는 것을 특징으로 한다.

본 발명에서 다수의 훈련 데이터를 생성하는 단계는, 가중치의 커널 밴드폭 범위를 다르게 적용하여 분할하는 것을 특징으로 한다.

본 발명에서 다수의 훈련 데이터를 생성하는 단계는, 제어부가 설정된 분할 길이 만큼의 난수를 생성하여 그룹화된 훈련 데이터에서 난수에 해당하는 열의 데이터를 선정하여 생성하는 것을 특징으로 한다.

본 발명에서 최적의 예측 데이터를 생성하는 단계는, 오차가 최소가 되는 가중치와 설정된 분할 길이를 기반으로 제어부가 훈련 데이터를 분할하여 예측 데이터를 생성하는 것을 특징으로 한다.

본 발명에서 예측 데이터는, 제어부가 AAKR(Auto-Associative Kernel Regression) 알고리즘으로 생성하는 것을 특징으로 한다.

본 발명에서 오차를 비교하는 단계는, 제어부가 RMSE(Root Mean Square Error)를 비교하는 것을 특징으로 한다.

본 발명의 일 측면에 따른 경험모델 기반 예측 알고리즘의 최적화 방법은 발전 플랜트에서 축적된 다수의 경험데이터와 훈련 데이터를 기반으로 구축된 예측 모델을 이용한 예측 알고리즘의 결과에 대해 정량적인 기준을 제시하고 예측 알고리즘의 신뢰성을 향상시킴으로써, 비전문가도 쉽게 발전소 유지보수 및 고장진단이 가능하도록 할 뿐만 아니라 고장을 조기에 감지하여 조기경보 시스템에 적용할 수 있다.

도 1은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 장치를 간략하게 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 훈련 데이터의 상관관계도를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 훈련 데이터의 분할 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 최적의 가중치를 도출하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 가중치의 최적화에 따른 예측 데이터와 시험 데이터를 나타낸 그래프이다.
도 7은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 훈련 데이터의 압축에 따른 예측 데이터와 시험 데이터를 나타낸 그래프이다.

이하, 첨부된 도면들을 참조하여 본 발명에 따른 경험모델 기반 예측 알고리즘의 최적화 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 장치를 간략하게 나타낸 블록 구성도이다.

도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘 최적화 장치는, 데이터 수집부(10), 제어부(20) 및 훈련 데이터 DB(30)를 포함할 수 있다.

데이터 수집부(10)는 발전 플랜트에 설치된 다수의 센서들로부터 실시간으로 측정되는 센서 데이터를 수집하여 시험 데이터로 사용되며, 훈련 데이터 DB(30)에 저장되어 훈련 데이터로 활용될 수 있도록 한다.

훈련 데이터 DB(30)는 데이터 수집부(10)로부터 발전 플랜트에 설치된 다수의 센서들로부터 수집된 정상 상태의 데이터를 저장하여, 예측 알고리즘을 통해 예측 데이터를 생성할 수 있도록 제공한다.

제어부(20)는 훈련 데이터 DB에 저장된 훈련 데이터를 기반으로 경험모델 기반 예측 알고리즘을 통해 예측 데이터를 생성할 수 있다.

경험모델 기반 예측 알고리즘은 다변량 회귀 알고리즘으로써, AAKR(Auto-Associative Kernel Regression), AAMSET(Auto-Associative Multivariate State Estimation Technique), AANN(Auto-Associative Neural Network)등을 사용하고 있으며, 본 발명의 실시예에서는 AAKR 알고리즘을 사용하여 예측 데이터를 생성하고 예측 데이터를 최적화 한다.

여기서, AAKR 알고리즘은 과거의 정상상태 데이터와 현재 데이터의 비교를 통해 예측 데이터를 생성하는 알고리즘으로, 수학식 1과 같이 나타낼 수 있으며,

은 과거의 정상상태 데이터인 훈련 데이터의 길이(Observation)이고, p는 센서의 개수를 나타낸다.

현재 데이터는 시험 데이터로써, 수학식 2와 같이 나타낼 수 있다.

또한, 예측 데이터(

)를 생성하기 위한 가중치(w)는 수학식 3과 같이 계산할 수 있고, 예측 데이터는 수학식 4와 같이 계산할 수 있다.

여기서, 가중치는 가우시안 커널(Gaussian Kernel) 함수이며, d는 훈련 데이터와 시험 데이터의 유클리드 거리로써, 수학식 5와 같이 계산할 수 있다. 또한 h는 커널 밴드폭(Kernel Bandwidth)을 나타낸다.

따라서 제어부(20)는 이와 같은 예측 알고리즘을 기반으로 h값을 이용하여 예측 데이터를 생성할 수 있다.

또한, 제어부(20)는 예측 데이터의 최적화를 위해, 훈련 데이터 DB(30)에 저장된 훈련 데이터를 센서정보와 훈련 데이터의 상관관계를 기반으로 그룹화하고, 그룹화된 훈련 데이터를 다수의 설정된 분할 길이로 분할하여 다수의 훈련 데이터를 생성한 후 각각 예측신호를 생성하여 시험 데이터와의 오차를 비교하며, 오차값이 최소가 되는 가중치와 설정된 분할 길이를 도출하여 최적의 예측 데이터를 생성할 수 있다.

도 2는 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법을 설명하기 위한 흐름도이고, 도 3은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 훈련 데이터의 상관관계도를 나타낸 도면이며, 도 4는 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 훈련 데이터의 분할 과정을 설명하기 위한 도면이고, 도 5는 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 최적의 가중치를 도출하는 과정을 설명하기 위한 도면이며, 도 6은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 가중치의 최적화에 따른 예측 데이터와 시험 데이터를 나타낸 그래프이고, 도 7은 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서 훈련 데이터의 압축에 따른 예측 데이터와 시험 데이터를 나타낸 그래프이다.

도 2에 도시된 바와 같이 본 발명의 일 실시예에 따른 경험모델 기반 예측 알고리즘의 최적화 방법에서는 먼저, 제어부(20)가 센서정보와 훈련 데이터의 상관관계를 기반으로 훈련 데이터 DB(30)에 저장된 훈련 데이터를 그룹화한다(S10).

발전 플랜트에서의 센서 데이터 중 시스템의 상태를 나타내는 데이터는 일부분에 불과할 뿐만 아니라 모든 센서 데이터를 이용하여 예측모델을 만들게 될 경우 예측 데이터가 좋지 않은 성능을 보일 수도 있다. 따라서, 상관관계를 분석하여 훈련 데이터에서 시스템의 상태를 나타낸 유의미한 데이터를 선정하여 데이터를 줄임으로써 효율을 높일 수 있다.

상관관계는 변수들 간의 관련성을 의미하며, 수학식 6과 같은 피어슨 상관계수(Pearson Correlation Coefficient)를 사용하여 산출할 수 있다.

여기서,

는 센서 A, B의 상관계수로 -1 ~ 1 사이의 값을 가진다.

은 훈련 데이터의 길이이며,

는 센서 A, B의 데이터의 평균이고,

는 센서 A, B의 데이터의 표준편차를 나타낸다.

따라서, 상관계수의 크기에 따라 -1에 가까울수록 강한 음적 선형관계가 나타나고, 1에 가까울수록 강한 양적 선형관계를 나타낸다.

이와 같이 상관계수를 산출하여 의사색상(Pseudo color) 그래프로 나타낼 경우 도 3과 같이 나타낼 수 있다.

도 3에 도시된 바와 같이 각 색상은 상관계수의 크기에 따라 밝은 색은 1에 가까운 것이고, 어두운 색은 -1에 가까운 것으로, 본 실시예에서는 이러한 기준으로 상관계수가 절대값으로 0.7 이상인 강한 선형관계를 갖는 센서들의 훈련 데이터들로 그룹화할 수 있다.

S10 단계에서 훈련 데이터를 그룹화한 후 제어부(20)는 그룹화된 훈련 데이터를 다수의 설정된 분할 길이로 분할하여 다수의 훈련 데이터를 생성한다(S20).

여기서, 제어부(20)는 가중치의 커널 밴드폭 범위를 다르게 적용하여 다수의 훈련 데이터를 분할하여 생성할 수 있다.

가중치의 커널 밴드폭에 따라 예측 데이터의 형태가 바뀌며, 예측모델의 RMSE(Root Mean Square Error)가 바뀌기 때문에 예측 알고리즘을 최적화하기 위해서는 최적의 커널 밴드폭으로 설정할 필요성이 있다.

또한, 훈련 데이터의 길이는 길어질수록 예측 데이터를 계산하는 시간이 증가하게 된다. 따라서 예측 데이터를 생성하기 위해 훈련 데이터의 특징을 담고 있는 데이터만 남길 수 있으면 계산 시간을 단축시킬 수 있기 때문에 훈련 데이터의 분할을 통해 계산 시간을 줄이기 위한 분할 길이를 최적화할 필요성이 있다.

제어부(20)는 다수의 훈련 데이터를 분할하여 생성하기 위해 설정된 분할 길이만큼의 난수를 생성하여 그룹화된 훈련 데이터에서 난수에 해당하는 열의 데이터를 선정하여 생성할 수 있다.

즉, 훈련 데이터의 길이를

이라 할 때, 분할할 설정된 분할 길이를 20, 30, 40, ‥‥ ,

-20,

-10,

등으로 정하고, 설정된 분할 길이만큼 Uniformly distributed pseudo random으로 난수를 생성하여 훈련 데이터에서 난수에 해당하는 열의 데이터를 선정하는 방식으로 반복하여 다수의 훈련데이터를 생성할 수 있다.

예를 들어, 수학식 7과 같이 훈련 데이터의 길이(

)가 100이고 센서 개수가 m인 훈련데이터가 있을 때, 1과 100 사이에서 설정된 분할 길이만큼의 난수를 [1 5 11 25 30 47 55 … 99]와 같이 생성한 후 난수에 해당하는 열의 데이터를 수학식 7에서 선정하여 수학식 8과 같이 훈련 데이터를 분할하여 생성할 수 있다.

이와 같은 방식으로 도 4에 도시된 바와 같이 설정된 분할 길이에 따라 다수의 훈련 데이터를 분할하여 생성할 수 있다.

S20 단계에서 다수의 훈련 데이터를 분할한 후 제어부(20)는 분할된 훈련 데이터로부터 각각 예측 데이터를 생성한다(S30).

여기서, 제어부(20)는 AAKR(Auto-Associative Kernel Regression) 알고리즘을 사용하여 예측 데이터를 생성한다.

S30 단계에서 분할된 훈련 데이터로부터 각각 예측 데이터를 생성한 후 제어부(20)는 각각 예측 데이터와 시험 데이터의 오차를 비교하여 오차값이 최소가 되는 분할된 훈련 데이터의 가중치와 설정된 분할 길이를 도출한다(S40).

여기서 제어부(20)는 분할된 훈련 데이터에서의 RMSE(Root Mean Square Error)를 비교하여 최소가 되는 지점을 통해 가중치와 설정된 분할 길이를 도출할 수 있다.

예를 들어, 도 5는 훈련 데이터 DB에 저장된 훈련 데이터로부터 배기가스 온도, 냉각수 온도, 윤활유 온도 및 발전기 베어링 온도 등으로 그룹화된 훈련 데이터에서 다수의 설정된 분할 길이로 훈련데이터를 분할하고, 가중치의 커널 밴드폭(h)을 다르게 적용하여 예측 데이터를 생성한 후 RMSE의 결과를 나타낸 그래프이다.

여기서, RMSE가 7.677로 최소가 되는 지점에서의 커널 밴드폭(h)은 0.7이고, 훈련 데이터의 분할 길이는 180이 최적화된다.

따라서, 제어부는 S40 단계에서 도출된 최적의 가중치와 훈련 데이터의 분할 길이를 기반으로 훈련 데이터를 분할하여 최적의 예측 데이터를 생성한다(S50).

이와 같이 커널 밴드폭을 0.7로 최적화할 경우 RMSE가 7.67이 되지만, 최적화전 커널 밴드폭을 5로 설정할 경우에는 RMSE가 15.63으로 예측 데이터의 정확도가 많이 저하되는 것을 알 수 있다.

도 6에 도시된 바와 같이 최적화 전과 후의 배기가스 온도에 대한 예측 데이터와 시험 데이터를 비교해 보면, (가)에서 최적화 전은 최적화 전의 예측 데이터로써 시험 데이터와 비교할 때 정확도가 저하되고 있음을 볼 수 있다. 그러나 (나)에서 최적화 후는 최적화 후의 예측 데이터로써 시험 데이터와 비교할 때 정확도가 상당히 높게 나타나고 있음을 볼 수 있다.

또한, 가중치의 커널 밴드폭을 동일하게 적용할 때 최적화 전-후의 RMSE와 압축률을 비교하면, 압축률이 58%로 길이 압축이 되더라도 RMSE는 0.14정도 줄어들고, 계산시간은 약 0.4초 정도 단축되는 것을 확인할 수 있다.

여기서, 압축률은 원본 훈련 데이터의 길이 대비 분할된 훈련 데이터의 길이비로 나타낼 수 있다.

도 7에 도시된 바와 같이 훈련 데이터의 압축 전과 후의 예측 데이터와 시험 데이터를 비교해 보면, (가)에서 훈련 데이터 전은 압축전의 훈련 데이터이고 (나)에서 훈련 데이터 후는 압축후의 훈련 데이터로써 각각 시험 데이터와 비교할 때 훈련 데이터가 거의 차이가 나지 않는 것을 볼 수 있다.

상술한 바와 같이, 본 발명의 실시예에 의한 경험모델 기반 예측 알고리즘의 최적화 방법에 따르면, 발전 플랜트에서 축적된 다수의 경험데이터와 훈련 데이터를 기반으로 구축된 예측 모델을 이용한 예측 알고리즘의 결과에 대해 정량적인 기준을 제시하고 예측 알고리즘의 신뢰성을 향상시킴으로써, 비전문가도 쉽게 발전소 유지보수 및 고장진단이 가능하도록 할 뿐만 아니라 고장을 조기에 감지하여 조기경보 시스템에 적용할 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.

10 : 데이터 수집부
20 : 제어부
30 : 훈련 데이터 DB

Claims

제어부가 센서정보와 훈련 데이터의 상관관계를 기반으로 훈련 데이터 DB에 저장된 훈련 데이터를 그룹화하는 단계;
상기 제어부가 그룹화된 훈련 데이터를 다수의 설정된 분할 길이로 분할하여 다수의 훈련 데이터를 생성하는 단계;
상기 제어부가 분할된 훈련 데이터로부터 각각 예측 데이터를 생성하여 시험 데이터와의 오차를 비교하는 단계; 및
상기 제어부가 상기 오차를 비교한 결과 오차값이 최소가 되는 가중치와 상기 설정된 분할 길이를 도출하여 최적의 예측 데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 경험모델 기반 예측 알고리즘의 최적화 방법.
제 1항에 있어서, 상기 다수의 훈련 데이터를 생성하는 단계는, 상기 가중치의 커널 밴드폭 범위를 다르게 적용하여 분할하는 것을 특징으로 하는 경험모델 기반 예측 알고리즘의 최적화 방법.
제 1항에 있어서, 상기 다수의 훈련 데이터를 생성하는 단계는, 상기 제어부가 상기 설정된 분할 길이 만큼의 난수를 생성하여 그룹화된 훈련 데이터에서 난수에 해당하는 열의 데이터를 선정하여 생성하는 것을 특징으로 하는 경험모델 기반 예측 알고리즘의 최적화 방법.
제 1항에 있어서, 상기 최적의 예측 데이터를 생성하는 단계는, 상기 오차가 최소가 되는 상기 가중치와 상기 설정된 분할 길이를 기반으로 상기 제어부가 훈련 데이터를 분할하여 상기 예측 데이터를 생성하는 것을 특징으로 하는 경험모델 기반 예측 알고리즘의 최적화 방법.
제 1항에 있어서, 상기 예측 데이터는, 상기 제어부가 AAKR(Auto-Associative Kernel Regression) 알고리즘으로 생성하는 것을 특징으로 하는 경험모델 기반 예측 알고리즘의 최적화 방법.
제 1항에 있어서, 상기 오차를 비교하는 단계는, 상기 제어부가 RMSE(Root Mean Square Error)를 비교하는 것을 특징으로 하는 경험모델 기반 예측 알고리즘의 최적화 방법.