KR20200087302A - 배관 압력 데이터를 이용한 배관 위험예측방법 - Google Patents

Abstract

배관 위험예측방법이 개시된다. 개시된 배관 위험예측방법은 배관 압력 데이터와 가스 수요에 영향을 미치는 상황 데이터를 동시에 수집하는 단계; 상기 수집된 배관 압력 데이터와 상황 데이터를 빅 데이터 분석 도구를 통해 학습 시키는 단계; 상기 학습의 반복을 통해 패턴을 도출하는 단계; 및 상기 패턴에 기반하여 신규 입력된 배관 압력 데이터의 정상 유무를 예측하는 단계;를 포함할 수 있다.

Description

배관 압력 데이터를 이용한 배관 위험예측방법{METHOD FOR RISK PREDICTION BASED ON PIPELINE PRESSURE DATA}

본 발명은 배관 위험예측방법에 관한 것으로, 더욱 상세하게는 배관에 가스 등을 공급하는 체계에서 빅데이터를 이용한 이상 배관 내 압력 변화를 감지하는 배관 위험예측방법에 관한 것이다.

도시가스사는 매립 배관의 정압기에 압력센서를 설치하여 배관의 압력 데이터를 수집하고, 수집한 데이터를 이용하여 원격으로 감시하는 산업제어시스템 (SCADA: Supervisory Control And Data Acquisition)을 통하여 자동으로 확인하고 관리하고 있다.

배관이 외부 충격이나, 부식 등에 의하여 급속히 파손될 경우에는 배관 내부의 압력이 급격이 낮아져서 SCADA를 통하여 이상 여부를 쉽게 알 수 있다. 그러나 미세한 손상 등으로 일부 가스 등이 유출되는 경우 그 상황을 파악하기가 어려운 상태이다. 왜냐하면, 가정에 연결된 가스인 경우, 저녁 시간 때에 많이 사용함으로써 압력이 일부 낮아질 수 있고, 추운날, 흐린날, 등 다양한 수요 상황 변화에 따라 가스 사용량의 변동이 있기 때문이다(즉 압력이 변할 수 있는 것이다).

그러므로 압력 데이터는 현재 가스의 사용에 영향을 미치는 다양한 요소(기후, 계절, 요일, 지역 특성(공장지대, 아파트 지대, 등), 인구 현황 등)를 함께 고려하여야 할 것이다. 예를 들어 아파트 지역에 저녁 시간 대에 동시에 식사 준비로 갑자기 가스 사용량 증가로 배관의 압력이 낮아질 수 있는 것이다.

이와같이 압력에 영향을 미치는 요소가 매우 많기 때문에 수학적으로 이들 사이에 상관관계를 도출하기도 어렵다. 그러므로 빅데이터 분석 기술을 이용하여 데이터 사이 상관 관계를 도출하여 위험 예측을 할 필요성이 있다.

본 발명의 목적은 종래기술로는 파악하기 어려운 배관의 미세한 가스 누출 상황을 신속하게 판단하고 이에 대한 조치를 취함으로써 가스 폭발 등의 사고를 미연에 방지할 수 있는 배관 압력 데이터를 이용한 배관 위험예측방법을 제공하는데 있다.

상기 목적을 달성하기 위해 본 발명은 배관 압력 데이터와 가스 수요에 영향을 미치는 상황 데이터를 동시에 수집하는 단계; 상기 수집된 배관 압력 데이터와 상황 데이터를 빅 데이터 분석 도구를 통해 학습 시키는 단계; 상기 학습의 반복을 통해 패턴을 도출하는 단계; 및 상기 패턴에 기반하여 신규 입력된 배관 압력 데이터의 정상 유무를 예측하는 단계;를 포함하는 것을 특징으로 하는 배관 위험예측방법을 제공한다.

상기 상황 데이터는 가스 데이터, 기상 정보, 시간 정보, 대체재 정보 및 인구통계 정보일 수 있다.

상기 가스 데이터는 압력 및 전위 정보이고, 상기 기상 정보는 기온, 강수량 및 풍속 정보이고, 상기 시간 정보는 계절, 요일, 공휴일, 시간대 정보이고, 상기 대체재 정보는 LPG 가스 요금 정보이고, 상기 인구통계 정보는 출생률일 수 있다.

상기 빅 데이터 분석 도구는 RFS(Random Forest Regression), SVM(Support Vector Regression), LSTM(Long-Short Term Memory) 중 어느 하나일 수 있다.

도 1은 본 발명의 일 실시예에 따른 데이터 기반 가스안전학습을 수행하는 배관 위험예측시스템을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 머신러닝 기반 배관 이상 탐지모형을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 정압기 데이터의 상관분석을 나타낸 표이다.

이하에서는 첨부된 도면을 참조하여 다양한 실시 예를 보다 상세하게 설명한다. 본 명세서에 기재된 실시 예는 다양하게 변형될 수 있다. 특정한 실시 예가 도면에서 묘사되고 상세한 설명에서 자세하게 설명될 수 있다. 그러나, 첨부된 도면에 개시된 특정한 실시 예는 다양한 실시 예를 쉽게 이해하도록 하기 위한 것일 뿐이다. 따라서, 첨부된 도면에 개시된 특정 실시 예에 의해 기술적 사상이 제한되는 것은 아니며, 발명의 사상 및 기술 범위에 포함되는 모든 균등물 또는 대체물을 포함하는 것으로 이해되어야 한다.

그 밖에도, 본 발명을 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그에 대한 상세한 설명은 축약하거나 생략한다.

도 1은 본 발명의 일 실시예에 따른 데이터 기반 가스안전학습을 수행하는 배관 위험예측시스템을 나타낸 블록도이고, 도 2는 머신러닝 기반 배관 이상 탐지모형을 나타낸 도면이다.

본 발명은 배관의 미세한 누출을 감지하기 위해, 배관의 압력 변화와 가스 수요에 대한 환경 관계를 빅데이터 모델을 이용하여 학습을 시키고(머신러닝), 이렇게 학습된 도구를 기반으로 신규 입력된 데이터를 통해 배관의 가스 압력의 정상 여부를 예측할 수 있다.

본 발명은 학습을 위하여 압력 데이터 수집기와 동시에 가스 수요에 영향을 미치는 다양한 상황 데이터 수집기로부터 동시에 데이터를 수집하여 이를 상호 연결한다.

상기 상황 데이터는 가스 데이터(압력, 전위), 기상 정보(기온, 강수량, 풍속), 시간 정보(계절, 요일, 공휴일, 시간대), 대체재 정보(LPG 가스 요금), 인구통계 정보(출생률)를 사용할 수 있다.

본 발명은 가스 압력 값과 상황데이터를 함께 빅 데이터 분석 도구를 사용한 상황관계 학습기를 통하여 학습(머신러닝)을 시킨다.

이 경우, 빅 데이터 분석 도구로는 RFS(Random Forest Regression), SVM(Support Vector Regression), LSTM(Long-Short Term Memory) 중 어느 하나를 사용하여 분석할 수 있다.

본 실시예에서는 상기 각 분석 도구들을 이용하여 분석한 결과, LSTM이 가스 압력의 시계열 데이터에서 과거 정보가 현재에 영향을 미치는 의존성을 학습하고 예측하는데 다른 방법에 비하여 위험에 대한 좀 더 정확한 예측률을 보여주었다.

이와 같이 본 발명에서는 상기 빅 데이터 분석 도구에 기반하여 배관 압력 데이터와 상황 데이터를 학습시켜서 그 패턴을 도출하여 신규 배관 압력 데이터에 대한 정상 유무를 예측할 수 있다.

구체적으로, 학습용 측정 데이터(배관 압력 데이터와 상황데이터)를 수집하여 분석도구에 입력한다.

분석도구를 통해 이상 탐지 모형을 만들 수 있다. 이 경우, 배관 운영정보 및 기타 요인 변수가 이상 발생 확률에 영향을 미치는 패턴의 가중치를 조절하며 스스로 합슥하여 예측할 수 있다.

이러한 이상 탐지 모형을 기반으로 하여 배관을 탐지하고, 탐지결과를 데이터베이스에 저장한다. 이어서, 신규 발생 데이터와 검증용 측정 데이터를 분석도구에 입력한 후 도출된 결과값(정탐 또는 미탐(오탐))을 탐지결과 데이터베이스에 저장된 값들에 의해 생성된 패턴에 기반하여 성능평가를 실시하여 배관 위험예측을 행할 수 있다.

이와 같이 정형화된 식이 아니라 이상 탐지 모형을 통해 도출된 패턴을 통해 배관의 위험을 예측함으로써 종래에는 이상 상태로 나타나지 않았던 것을 이상징후를 나타낸 것으로 판단할 수 있으므로 배관의 미세한 가스 누출 상황을 파악할 수 있다.

도 3은 본 발명의 일 실시예에 따른 정압기 데이터의 상관분석을 나타낸 표이다.

도 3을 참조하면, 배관의 압력을 측정하는 정압기의 데이터 세트에 시간변수를 추가 생성하고 속성들 간의 상관관계를 분석하였으며, 이를 통해 정압기의 압력과 시간변수가 높은 양의 상관관계를 가진다는 것을 알 수 있다. 여기서, 시간변수는 주기성을 가지고 있는 배관운영 데이터 분석을 위한 것이다.

이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되서는 안될 것이다.

Claims (4)

1. 배관 압력 데이터와 가스 수요에 영향을 미치는 상황 데이터를 동시에 수집하는 단계;
   상기 수집된 배관 압력 데이터와 상황 데이터를 빅 데이터 분석 도구를 통해 학습 시키는 단계;
   상기 학습의 반복을 통해 패턴을 도출하는 단계; 및
   상기 패턴에 기반하여 신규 입력된 배관 압력 데이터의 정상 유무를 예측하는 단계;를 포함하는 것을 특징으로 하는 배관 위험예측방법.
2. 제1항에 있어서,
   상기 상황 데이터는 가스 데이터, 기상 정보, 시간 정보, 대체재 정보 및 인구통계 정보인 것을 특징으로 하는 배관 위험예측방법.
3. 제2항에 있어서,
   상기 가스 데이터는 압력 및 전위 정보이고, 상기 기상 정보는 기온, 강수량 및 풍속 정보이고, 상기 시간 정보는 계절, 요일, 공휴일, 시간대 정보이고, 상기 대체재 정보는 LPG 가스 요금 정보이고, 상기 인구통계 정보는 출생률인 것을 특징으로 하는 배관 위험예측방법.
4. 제1항에 있어서,
   상기 빅 데이터 분석 도구는 RFS(Random Forest Regression), SVM(Support Vector Regression), LSTM(Long-Short Term Memory) 중 어느 하나인 것을 특징으로 하는 배관 위험예측방법.
   

Images