KR20210155217A - 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 - Google Patents
전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 Download PDFInfo
- Publication number
- KR20210155217A KR20210155217A KR1020200072452A KR20200072452A KR20210155217A KR 20210155217 A KR20210155217 A KR 20210155217A KR 1020200072452 A KR1020200072452 A KR 1020200072452A KR 20200072452 A KR20200072452 A KR 20200072452A KR 20210155217 A KR20210155217 A KR 20210155217A
- Authority
- KR
- South Korea
- Prior art keywords
- disaster
- space
- information
- type
- diagnosis score
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims abstract description 76
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims description 27
- 230000002265 prevention Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008595 infiltration Effects 0.000 claims 1
- 238000001764 infiltration Methods 0.000 claims 1
- 238000011017 operating method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- 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
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Emergency Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Stand-By Power Supply Arrangements (AREA)
- Alarm Systems (AREA)
Abstract
본 개시물의 다양한 실시예들은 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법에 관한 것이다. 재난 관리 서버에서 전력시설에 대한 재난을 예측 및 방재하는 방법은, 복수의 전력 시설들에 대한 정보를 수집하는 동작, 상기 수집된 정보와 재난 유형의 상관관계에 기반하여, 공간별 재난 진단 점수를 산출하는 동작, 인공지능 기반의 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 동작을 포함할 수 있다.
Description
본 개시물의 다양한 실시예들은 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법에 관한 것이다.
변전소, 및 전력구 등과 같은 전력 시설에서 화재와 같은 재난이 발생되는 경우, 인명 피해 및 정전과 같은 복합적인 재난 상황으로 확대될 가능성이 높다. 이에 따라, 각 전력 시설에서는 개별적인 재난 방재 시스템을 운영하고 있다. 예를 들어, 변전소에서는 화재 발생에 대비하여 워터미스트(water-mist) 시스템을 운영하고 있으며, 전력구에는 재난에 대비하여 현장 상황을 모니터링하기 위한 전력구 감시 제어 시스템, 및/또는 전력구 화상 감지 시스템을 운영하고 있다.
종래의 전력 시설에서는 개별적으로 재난 방재 시스템을 운영함으로써, 재난 상황에 대한 종합적인 분석이 불가능하며, 사전 징후 예측이 어려운 문제점이 있다. 또한, 종래의 전력 시설에서 재난 방재 시스템을 무인화하여 운영하는 경우, 재난 상황에 대한 파악이 지연되어 신속하게 대응하기 어려운 문제점이 발생될 수 있다.
따라서, 본 개시물의 다양한 실시예들은 전력 시설에 대한 재난을 예측하여 방재하는 시스템 및 그의 동작 방법에 대해 개시한다.
본 개시물의 다양한 실시예들은 인공지능 기반의 재난 예측 모델을 기반으로 다양한 전력 시설들에 대한 재난 관련 정보를 종합적으로 분석하여, 재난을 예측 및 방재하는 시스템 및 그의 동작 방법을 개시한다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시물이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예들에 따르면, 재난 관리 서버에서 전력시설에 대한 재난을 예측 및 방재하는 방법은, 복수의 전력 시설들에 대한 정보를 수집하는 동작, 상기 수집된 정보와 재난 유형의 상관관계에 기반하여, 공간별 재난 진단 점수를 산출하는 동작, 및 인공지능 기반의 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 동작을 포함할 수 있다.
일실시예에 따르면, 상기 공간별 재난 진단 점수를 산출하는 동작은, 각 공간에 대응되는 수집 정보를, 상기 수집 정보와 상기 재난 유형의 상관관계에 기반하여 재난 유형 별로 분류하는 동작, 상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치에 기반하여, 각 공간에 대한 재난 유형별 재난 진단 점수를 산출하는 동작을 포함할 수 있다.
일실시예에 따르면, 상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 미리 설정된 값일 수 있다.
일실시예에 따르면, 상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 상기 재난 예측 모델에 의해 갱신 가능한 값일 수 있다.
일실시예에 따르면, 상기 재난 유형은, 화재, 침투, 고장, 또는 사고 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 상기 수집된 정보는, 시스템별, 공간별, 또는 감시구분별로 분류될 수 있다.
일실시예에 따르면, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 동작은, 상기 공간별 재난 진단 점수와 상기 수집된 정보를 기반으로 상기 재난 예측 모델에 대한 학습을 수행하는 동작, 및 상기 학습된 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 동작을 포함할 수 있다.
일실시예에 따르면, 상기 결정된 재난 위험도에 따라 적어도 하나의 다른 서버, 또는 상기 복수의 전력 시설들 중 적어도 하나로 원격 제어 정보를 송신하는 동작을 더 포함하며, 상기 원격 제어 정보는, 공간별 재난 유형에 대응하기 위한 제어 명령, 또는 공간별 재난 유형에 대한 대응 조치 정보 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 상기 공간별 재난 진단 점수는, 각 공간에 대한 재난 발생 진단 점수, 또는 각 공간에 대한 재난 예측 진단 점수 중 적어도 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 전력시설에 대한 재난을 예측 및 방재하는 재난 관리 서버는, 통신 트랜시버, 및 프로세서를 포함하며, 상기 프로세서는, 상기 통신 트랜시버를 통해 복수의 전력 시설들에 대한 정보를 수집하고, 상기 수집된 정보와 재난 유형의 상관관계에 기반하여, 공간별 재난 진단 점수를 산출하고, 인공지능 기반의 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정할 수 있다.
일실시예에 따르면, 상기 프로세서는, 각 공간에 대응되는 수집 정보를, 상기 수집 정보와 상기 재난 유형의 상관관계에 기반하여 재난 유형 별로 분류하고, 상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치에 기반하여, 각 공간에 대한 재난 유형별 재난 진단 점수를 산출할 수 있다.
일실시예에 따르면, 상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 미리 설정된 값일 수 있다.
일실시예에 따르면, 상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 상기 재난 예측 모델에 의해 갱신 가능한 값일 수 있다.
일실시예에 따르면, 상기 재난 유형은, 화재, 침투, 고장, 또는 사고 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 상기 수집된 정보는, 시스템별, 공간별, 또는 감시구분별로 분류될 수 있다.
일실시예에 따르면, 상기 프로세서는, 상기 공간별 재난 진단 점수와 상기 수집된 정보를 기반으로 상기 재난 예측 모델에 대한 학습을 수행하고, 상기 학습된 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정할 수 있다.
일실시예에 따르면, 상기 프로세서는, 상기 결정된 재난 위험도에 따라 적어도 하나의 다른 서버, 또는 상기 복수의 전력 시설들 중 적어도 하나로 원격 제어 정보를 송신하도록 상기 통신 트랜시버를 제어하며, 상기 원격 제어 정보는, 공간별 재난 유형에 대응하기 위한 제어 명령, 또는 공간별 재난 유형에 대한 대응 조치 정보 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 상기 공간별 재난 진단 점수는, 각 공간에 대한 재난 발생 진단 점수, 또는 각 공간에 대한 재난 예측 진단 점수 중 적어도 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 컴퓨터 판독 가능 저장 매체는, 컴퓨터 상에서 실행될 때, 상술한 전력시설에 대한 재난을 예측 및 방재하는 방법을 수행하는 컴퓨터 프로그램을 포함할 수 있다.
본 개시물의 다양한 실시예들에 따르면, 전력 시설에 대한 재난 예측 및 방재 시스템에서, 인공지능 기반의 재난 예측 모델을 통해 다양한 전력 시설들에 대한 재난 관련 정보를 종합적으로 분석하여 재난을 예측 및 방재함으로써, 중요 전력 시설의 안전사고를 방지할 수 있으며, 재난 위험에 대한 사전 징후를 예측하여 전력 설비를 안정적으로 운영할 수 있다.
또한, 본 개시물의 다양한 실시예들에 따르면, 재난 상황 발생 시, 현장 상황을 종합적으로 파악하여 신속한 초동 대응 및 조치에 대한 표준 절차를 제공함으로써, 복합적인 재난상황으로 확대되는 것을 방지할 수 있다.
도 1은 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템의 구성을 도시한다.
도 2는 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템에서 재난 예측을 위한 정보를 수집 및 분류하는 예시도이다.
도 3은 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 재난 진단 점수를 산출하는 예시도이다.
도 4는 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 화재 예측 점수를 산출하는 예시도이다.
도 5는 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 인공지능 기반의 재난 예측 모델을 이용하여 재난 위험도를 예측하는 예시도이다.
도 6 및 도 7은 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 재난 예측 결과를 제공하는 화면 구성에 대한 예시도이다.
도 8은 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템의 재난 관리 서버에서 재난을 예측하는 흐름도이다.
도 9는 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템의 재난 관리 서버에서 재난을 예측 및 방재하는 상세한 흐름도이다.
도 2는 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템에서 재난 예측을 위한 정보를 수집 및 분류하는 예시도이다.
도 3은 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 재난 진단 점수를 산출하는 예시도이다.
도 4는 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 화재 예측 점수를 산출하는 예시도이다.
도 5는 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 인공지능 기반의 재난 예측 모델을 이용하여 재난 위험도를 예측하는 예시도이다.
도 6 및 도 7은 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 재난 예측 결과를 제공하는 화면 구성에 대한 예시도이다.
도 8은 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템의 재난 관리 서버에서 재난을 예측하는 흐름도이다.
도 9는 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템의 재난 관리 서버에서 재난을 예측 및 방재하는 상세한 흐름도이다.
이하 다양한 실시 예들이 첨부된 도면을 참고하여 상세히 설명된다. 도면 부호에 관계없이, 동일 또는 유사한 구성요소에 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략할 수 있다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 또 '부'는 명세서 작성의 용이함을 위해 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, '모듈' 또는 '부'는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미하나, 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일예로서 '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함할 수 있다. 하나의 구성요소, '부' 또는 '모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.
본 개시물의 몇몇 실시예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM, 또는 당업계에 알려진 임의의 다른 형태의 기록 매체에 상주할 수도 있다. 예시적인 기록 매체는 프로세서에 커플링되며, 그 프로세서는 기록 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 기록 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 기록 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC은 사용자 단말기 내에 상주할 수도 있다.
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.
도 1은 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템의 구조를 도시한다. 이하 재난 예측 및 방제 시스템에 포함된 각 구성 요소들의 동작은 도 2 내지 도 6을 참조하여 설명할 것이다. 도 2는 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템에서 재난 예측을 위한 정보를 수집 및 분류하는 예시도이고, 도 3은 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 재난 진단 점수를 산출하는 예시도이다. 도 4는 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 화재 진단 점수를 산출하는 예시도이고, 도 5는 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 인공지능 기반의 재난 예측 모델을 이용하여 재난 위험도를 예측하는 예시도이다. 도 6 및 도 7은 본 개시물의 다양한 실시예들에 따른 재난 관리 서버에서 재난 예측 결과를 제공하는 화면 구성에 대한 예시도이다.
도 1을 참조하면, 다양한 실시예들에 따른 재난 예측 및 방재 시스템은, 설비 운영 시스템(110), 정보 수집 서버(120), 및 재난 관리 서버(130)를 포함할 수 있다.
다양한 실시예들에 따르면, 설비 운영 시스템(110)은 전력 시설에 구비되어 적어도 하나의 정보를 모니터링할 수 있는 운영 시스템일 수 있다. 설비 운영 시스템(110)은, 무인 보안 시스템, SCADA(Supervisory Control And Data Acquisition) 시스템, 기전 설비 시스템, 화재 수신반 시스템, 워터 미스트(Water-Mist) 시스템, 전력구 감시 제어 시스템, 전력구 화상 감시 시스템, 또는 영상 분석 시스템 중 적어도 하나를 포함할 수 있다. 예를 들어, 설비 운영 시스템(110)은, 도 2에 도시된 바와 같이, 변전소, 및/또는 전력구(210)와 같은 전력 시설에 구비된 전력 운영 시스템(212)일 수 있다.
일 실시예에 따르면, 설비 운영 시스템(110)은 정보 수집부(112)를 포함할 수 있다. 정보 수집부(112)는 해당 전력 설비에 대한 실시간 및/또는 주기적인 모니터링을 통해 다양한 정보를 수집하고, 수집된 정보를 정보 수집 서버(120)로 전송할 수 있다. 일실시예에 따르면, 모니터링을 통해 수집되는 정보는, 설비 운영 시스템의 종류에 따라 결정될 수 있다. 예를 들어, 설비 운영 시스템(110)이 무인 보안 시스템인 경우, 모니터링을 통해 수집되는 정보는, 화상 정보, 출입 정보, 무장 상태, 침투 센서 상태, 방송 상태, 또는 환경 정보 중 적어도 하나를 포함할 수 있다. 다른 예로, 설비 운영 시스템(110)이 SCADA 시스템인 경우, 모니터링을 통해 수집되는 정보는, 상별 전류, 유효전력, 무효전력, CB상태, 선로, 가스압력, CB압력, 유압, 순간압력, 배관압력, 냉각팬, 누유, AC Fail, 또는 DC Fail 중 적어도 하나에 대한 정보를 포함할 수 있다. 또 다른 예로, 설비 운영 시스템(110)이 기전설비 시스템인 경우, 모니터링을 통해 수집되는 정보는, 실별 온도, 조명, 침수 ,배수, 흡기, 배기, 방화문, 또는 재연 설비 중 적어도 하나에 대한 정보를 포함할 수 있다. 또 다른 예로, 설비 운영 시스템(110)이 소방 설비인 경우, 모니터링을 통해 수집되는 정보는, 화재 센서, 소화 가스 동작 상태, 또는 워터 미스트(Water-Mist) 동작 상태 중 적어도 하나에 대한 정보를 포함할 수 있다. 또 다른 예로, 설비 운영 시스템(110)이 전력구 감시제어 시스템인 경우, 모니터링을 통해 수집되는 정보는, 온도, 접속점 온도, 조명, 화재센서, 소화가스, 침수, 배수, 흡기, 배기 중 적어도 하나에 대한 정보를 포함할 수 있다. 또 다른 예로, 설비 운영 시스템(110)이 전력구 화상감시 시스템인 경우, 모니터링을 통해 수집되는 정보는, 화상 정보를 포함할 수 있다. 또 다른 예로, 설비 운영 시스템(110)이 영상 분석 시스템인 경우, 모니터링을 통해 수집되는 정보는, 침투, 화재, 또는 연기 중 적어도 하나에 대한 정보를 포함할 수 있다. 나열된 정보들은 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않는다.
일실시예에 따르면, 설비 운영 시스템(110)의 정보 수집부(112)는 수집된 정보 각각에 공간 정보를 매핑하고, 공간 정보가 매핑된 수집 정보를 정보 수집 서버(120)로 전송할 수 있다. 공간 정보는, 해당 정보가 수집된 물리적 공간(또는 영역)을 나타내는 정보일 수 있다. 예를 들어, 공간 정보는, 공간에 대한 식별 정보, 및/또는 공간에 대한 좌표 정보를 포함할 수 있다. 공간에 대한 식별 정보는, 예컨대, M.tr실, GIS실, 전력구, 일반실, 제N 실, 제N 층, 또는 제N 건물 등과 같이, 해당 공간에 대해 사업자 및/또는 설계자가 사전에 지정한 식별 정보일 수 있다. 공간에 대한 좌표 정보는, 해당 공간에 대한 지리적 위치를 나타내는 좌표 정보일 수 있다. 예를 들어, 정보 수집부(112)는 제1 실에 설치된 온도 센서로부터 온도 정보가 획득된 경우, 제1 실에 대응되는 공간 정보를 획득된 온도 정보에 매핑하여, 정보 수집 서버(120)로 전송할 수 있다.
다양한 실시예들에 따르면, 정보 수집 서버(120)는 복수의 설비 운영 시스템(110)과 통신이 가능한 서버 장치일 수 있다. 예를 들어, 정보 수집 서버(120)는 도 2에 도시된 바와 같이, 전력 지사에 설치된 통합 수신 장치(220)일 수 있다.
일실시예에 따르면, 정보 수집 서버(120)는 정보 분류부(122)를 포함할 수 있다. 정보 분류부(122)는 복수의 설비 운영 시스템(110)들로부터 수신된 다양한 타입의 정보들을 지정된 규칙에 따라 시스템별, 공간별, 감시구분 별로 분류할 수 있다. 예를 들어, 정보 수집 서버(120)는 정보 분류부(122)를 통해, 도 2에 도시된 바와 같이 수집 정보에 대한 1차 분류(222)를 수행할 수 있다. 수집 정보에 대한 1차 분류는, 수집 정보가 어떤 설비 운영 시스템에 의해 획득된 정보인지, 수집 정보가 어떤 공간에 대응되는 정보인지, 또는 수집 정보가 어떤 종류의 정보인지에 기초하여 수행될 수 있다. 예를 들어, 정보 수집 서버(120)는 수집 정보가 어떤 설비 운영 시스템에 의해 획득되었는지 여부에 따라, 수집 정보가 화상, 출입, 침투, 방송, SCADA, 기전, 화재, 전력구, 또는 영상분석 중 어느 시스템에 대응되는지 분류할 수 있다. 다른 예로, 정보 수집 서버(120)는 수집 정보에 매핑된 공간 정보에 기초하여, 수집 정보가 건물, 층, 실, 또는 설비 중 어느 공간에 대응되는지 분류할 수 있다. 또 다른 예로, 정보 수집 서버(120)는 수집 정보의 종류에 따라 수집 정보가 설비 상태, 보안, 시설물 환경, 화재, 방재 중 어느 감시구분 항목에 해당하는 것으로 분류될 수 있다.
일실시예에 따르면, 정보 수집 서버(120)는 정보 분류부(122)에 의해 1차 분류된 수집 정보를 실시간 및/또는 지정된 주기마다 재난 관리 서버(130)로 전송할 수 있다. 정보 수집 서버(120)는 분류된 수집 정보를 표준 프로토콜에 따라 변환하여 재난 관리 서버(130)로 전송할 수 있다. 도시되지는 않았으나, 정보 수집 서버(120)는 설비 운영 시스템(110), 및/또는 재난 관리 서버(130)와 통신할 수 있는 통신 트랜시버를 포함할 수 있다.
일실시예에 따르면, 정보 수집 서버(120)는 재난 관리 서버(130)로부터 원격 제어 정보를 수신하고, 수신된 원격 제어 정보에 따라 적어도 하나의 제어 동작을 수행할 수 있다. 원격 제어 정보는, 공간별 재난 유형에 대응하기 위한 제어 명령, 및/또는 공간별 재난 유형에 대한 대응 조치 정보를 포함할 수 있다. 예를 들어, 정보 수집 서버(120)는 원격 제어 정보를 기반으로, 설비 운영 시스템(110)으로 제어 신호를 송신하거나, 지정된 적어도 하나의 다른 서버 및/또는 전자 장치로 재난 발생을 알리는 신호를 송신할 수 있다. 설비 운영 시스템(110)으로 송신되는 제어 신호는, 적어도 하나의 설비에 대한 제어 명령, 및/또는 공간별 재난 유형에 따른 대응 조치에 대한 정보를 포함할 수 있다.
다양한 실시예들에 따르면, 재난 관리 서버(130)는 적어도 하나의 정보 수집 서버(120)와 통신이 가능한 서버일 수 있다. 예를 들어, 재난 관리 서버(130)는 도 2에 도시된 바와 같이, 본부 방재 센터에 설치된 재난 안전 통합 서버(230)일 수 있다. 도시되지는 않았으나, 재난 관리 서버(130)는 설비 운영 시스템(110), 및/또는 정보 수집 서버(120)와 통신할 수 있는 통신 트랜시버를 포함할 수 있다.
일실시예에 따르면, 재난 관리 서버(130)는 재난 감지부(132), 및 재난 관리부(134)를 포함할 수 있다. 재난 감지부(132), 및/또는 재난 관리부(134)는 적어도 하나의 프로세서로 구성될 수 있다. 예를 들어, 재난 감지부(132)와 재난 관리부(134)는 서로 다른 프로세서로 구성될 수도 있고, 하나의 프로세서로 구성될 수도 있다. 재난 관리 서버(130)의 재난 감지부(132)는 정보 수집 서버(120)로부터 수신된 정보와 재난 유형의 상관관계에 기반하여 재난을 예측 및 진단하고, 재난 관리부(134)는 재난 예측 및 진단 결과에 따른 제어 동작을 수행할 수 있다.
일실시예에 따르면, 재난 감지부(132)는 수집 정보 분류(133), 상관관계 분석(134), 및 재난 예측 및 진단(135) 동작을 수행할 수 있다. 예를 들어, 재난 감지부(132)는 도 2에 도시된 바와 같이, 1차 분류된 후에 수신된 수집 정보를 2차 분류(232)할 수 있다. 2차 분류는, 수집 정보의 공간 정보에 기반한 재난 유형 분류일 수 있다. 예컨대, 재난 관리 서버(130)의 재난 감지부(132)는 공간별로 분류된 수집 정보를 재난 유형별로 분류할 수 있다. 재난 유형은, 화재, 침투, 고장, 또는 사고 중 적어도 하나를 포함할 수 있다. 나열된 재난 유형은 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않는다. 일실시예에 따르면, 재난 유형은, 설계자 및/또는 서버 운영자에 의해 추가, 삭제, 및/또는 변경될 수 있다. 일실시예에 따르면, 재난 감지부(132)의 수집 정보 분류(133)를 위해서는, 도 3에 도시된 바와 같이, 수집 대상(312), 재난 유형(314), 및 점수별 단계(316), 및 감시구분(318)에 대한 사전 정의, 및/또는 사전 설정이 수행되어야 할 것이다.
일실시예에 따르면, 재난 감지부(132)는 공간별로 분류된 수집 정보와 재난 유형의 상관관계를 분석하여, 해당 수집 정보가 어떤 재난 유형과 관련된 정보인지 분류할 수 있다. 수집 정보와 재난 유형의 상관관계는 사업자 및/또는 설계자에 의해 미리 설정될 수 있다. 예를 들어, 수집 정보와 재난 유형의 상관관계 분석(134)을 위해, 도 3에 도시된 바와 같이, 수집 정보와 재난 유형의 상관관계를 나타내는 가중치가 미리 설정될 수 있다. 수집 정보와 재난 유형의 상관관계를 나타내는 가중치는 0%~ 100% 사이의 값으로 설정될 수 있다. 수집 정보와 재난 유형의 상관관계를 나타내는 가중치는, 수집 정보가 해당 재난 유형에 미치는 영향도가 높을수록, 또는 수집 정보와 해당 재난 유형과의 관련성이 높을수록 높은 값으로 설정될 수 있으며, 수집 정보가 해당 유형의 재난에 미치는 영향도가 낮을수록, 또는 수집 정보와 해당 재난 유형과의 관련성이 낮을 수록 낮은 값으로 설정될 수 있다. 예를 들어, 수집 정보가 화재 센서 정보(322)인 경우, 화재 센서 정보(322)는 화재(324)와 관련성이 높으므로, 화재 센서 정보(322)와 화재(324)의 상관관계를 나타내는 가중치는 높은 값(예: 100%)으로 결정될 수 있다. 예를 들어, 수집 정보가 누유 정보(326)인 경우, 누유는 화재(324)와 관련이 있으나, 영향도가 낮으므로, 누유 정보(326)와 화재(324)의 상관관계를 나타내는 가중치는 낮은 값(예: 5%)으로 결정될 수 있다. 수집 정보와 재난 유형의 상관관계를 나타내는 가중치는, 인공지능 기반의 재난 예측 모델을 이용한 학습을 통해 갱신될 수 있다.
일실시예에 따르면, 재난 감지부(132)는 공간별 수집 정보와 재난 유형의 상관관계를 나타내는 가중치에 기반하여 재난 진단 점수를 산출하고, 산출된 점수에 기반하여, 재난에 대한 예측 및 진단(135)을 수행할 수 있다. 재난 감지부(132)는 공간별로 재난 유형에 따라 분류된 수집 정보에 대해, 미리 설정된 가중치를 이용하여 재난 진단 점수를 산출할 수 있다. 재난 진단 점수는, 재난 시작점이 될 수 있는 공간(예: 실)을 기준으로 지정된 규칙(예: 지정된 산정식)에 기반하여 산출될 수 있다. 일실시예에 따르면, 재난 진단 점수는, 재난 발생에 대한 진단 점수, 및/또는 재난 예측에 대한 진단 점수를 포함할 수 있다. 예를 들어, 화재 진단 점수는, 도 4에 도시된 바와 같이, 화재에 대한 발생 진단(410)을 위한 점수와 화재에 대한 예측 진단(420)을 위한 점수로 구분될 수 있다. 화재에 대한 발생 진단 점수는, 화재에 대한 상관관계를 나타내는 가중치가 100%인 수집 정보(예: 화재 센서 정보, 영상 분석 정보)를 이용하여 산출될 수 있다. 화재에 대한 예측 진단 점수는, 화재에 대한 상관관계를 나타내는 가중치가 0%보다 크고 100%보다 작은 정보들(예: 출입자 수, 실온도, 권선온도, 누유 등)을 이용하여 산출할 수 있다. 일실시예에 따르면, 재난 감지부(132)는 하위 공간에 대한 재난 진단 점수를 기반으로, 상위 공간에 대한 재난 진단 점수를 결정할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 재난 감지부(132)는 각 실 별로 산출된 재난 진단 점수를 기반으로, 해당 변전소의 재난 진단 점수를 산출(430)하고, 변전소 별 재난 진단 점수를 기반으로, 해당 지사의 재난 진단 점수를 산출(440)할 수 있다. 재난 감지부(132)는 지사 별 재난 진단 점수를 기반으로, 해당 사업소의 재난 진단 점수를 산출(450)할 수 있다.
일실시예에 따르면, 재난 감지부(132)는 공간 별로 산출된 재난 진단 점수와 각 공간에 대한 상세 분석 정보를 기반으로, 인공지능 기반의 재난 예측 모델을 생성하고, 생성된 재난 예측 모델을 이용하여 실시간으로 재난 위험 예측 결과를 제공할 수 있다. 예를 들어, 재난 감지부(132)는 도 5에 도시된 바와 같이, 실시간으로 수집된 데이터(정보)와 상관관계 분석에 의해 산출된 재난 진단 점수에 기반하여, 공간별 재난 예측 및 진단을 위한 RF(Random Forest) 학습 모델을 생성(512)하고, 생성된 RF 학습 모델을 이용하여 재난 위험을 예측하고, 가중치를 갱신(510)할 수 있다. 일실시예에 따르면, 재난 감지부(132)는 Nubes DL(Deep Learning), Nubes RL(Reinforcement Learning), Nubes statistic, 또는 Nubes ML(Machine Learining) 중 어느 하나를 포함하는 Nubes 인공지능 엔진(520)을 포함할 수 있다. 재난 감지부(132)는 사용자(서버 관리자) 및/또는 설계자의 제어에 따라 Nubes 인공지능 엔진(520)에 포함된 어느 하나의 모델을 재난 예측 모델로 이용할 수 있다. 재난 예측 모델은, 사업자 및/또는 설계자에 의해 선택 및/또는 변경될 수 있다. 재난 예측 모델은 이벤트에 기반하여 재학습(530)될 수 있다. 예를 들어, 인공지능 기반의 재난 예측 모델은 재난이 발생되거나 또는 예측되는 경우와 같은 위험 이벤트가 감지되는 경우에, 해당 시점의 데이터를 기반으로 재학습될 수 있다. 인공지능 기반의 재난 예측 모델이 재학습되는 경우, 임계치, 라벨, 또는 파라미터 중 적어도 하나가 변경될 수 있다.
일실시예에 따르면, 재난 감지부(132)는 인공지능 기반의 재난 예측 모델에 대한 정확도를 향상시키기 위해, 재난 예측 모델별로 테스트 데이터셋을 생성하여, 시뮬레이션을 통한 정확도 계산을 수행하고, 모델별 학습 상황을 모니터링할 수 있다.
일실시예에 따르면, 재난 감지부(132)는 실시간 시계열(time-series) 분석을 통한 감지 및 예측(540)을 통해, 수집 정보와 재난 유형의 상관관계를 나타내는 가중치를 조정하여, 재난 예측 모델을 갱신할 수 있다.
일실시예에 따르면, 재난 관리부(134)는 재난 예측 및 진단 결과를 포함하는 사용자 인터페이스를 제공할 수 있다. 재난 예측 및 진단 결과를 포함하는 사용자 인터페이스는, 도 6 및 7에 도시된 바와 같이 구성될 수 있다. 예를 들어, 재난 관리부(134)는 도 6에 도시된 바와 같이, 전체 전력 시설에 대한 재난 예측 및 진단 결과를 확인할 수 있는 통합 관제 화면을 포함하는 사용자 인터페이스를 제공할 수 있다. 통합 관제 화면은, 사업소별 위험률(610), 분야별 위험률(620), 각 전력 시설의 위치를 나타내는 지도(630), 각 전력 시설의 설계도(640), 공간별 영상(650), 공간별 재난 진단 점수(660), 또는 실시간 수집 정보(670) 중 적어도 하나를 포함할 수 있다. 다른 예로, 재난 관리부(134)는 도 7에 도시된 바와 같이, 특정 변전소에 대한 재난 예측 및 진단 결과를 확인할 수 있는 변전소 상세 감시 화면을 포함하는 사용자 인터페이스를 제공할 수 있다. 변전소 상세 감지 화면은, 해당 변전소의 설계도(710), 해당 변전소의 공간별 영상(730), 재난 유형별 위험률(740), 또는 실시간 수집 정보(720) 중 적어도 하나를 포함할 수 있다. 도 6 및 도 7에 도시된 화면 구성은 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않을 것이다.
일실시예에 따르면, 재난 관리부(134)는 재난 예측 및 진단 결과에 기반하여, 재난 발생이 감지 또는 예측된 경우, 재난 상황에 따른 대응 조치를 취하기 위한 제어 동작을 수행할 수 있다. 예를 들어, 재난 관리부(134)는 정보 수집 서버(120)로 원격 제어 정보를 전송할 수 있다. 원격 제어 정보는, 공간별 재난 유형에 대응하기 위한 제어 명령, 및/또는 공간별 재난 유형에 대한 대응 조치 정보를 포함할 수 있다.
일실시예에 따르면, 도시되지는 않았으나 재난 관리 서버(130)는 적어도 하나의 입력 장치, 및/또는 적어도 하나의 출력 장치를 포함할 수 있다. 적어도 하나의 입력 장치는, 사용자 입력 데이터를 수신할 수 있는 키보드, 마우스, 마이크, 또는 카메라 센서 중 적어도 하나를 포함할 수 있다. 적어도 하나의 출력 장치는, 재난 예측 및 진단 결과를 출력할 수 있는 그래픽 출력 장치(예: 디스플레이), 및/또는 오디오 출력 장치(예: 스피커)를 포함할 수 있다.
상술한 설명에서는, 정보 수집 서버(120)와 재난 관리 서버(130)가 물리적, 및/또는 논리적으로 분리된 서버이나, 다양한 실시예들에 따르면, 정보 수집 서버(120)와 재난 관리 서버(130)는 하나의 서버로 구성될 수 있다. 또한, 다양한 실시예들에 따르면, 정보 수집 서버(120)에서 수행되는 적어도 하나의 기능이 재난 관리 서버(130)에서 수행되거나, 재난 관리 서버(130)에서 수행되는 기능이 정보 수집 서버(120)에서 수행되도록 설계 변경될 수 있다. 예를 들어, 정보 수집 서버(120)는 복수의 설비 운영 시스템(110)들로부터 수집 정보를 수신하여 재난 관리 서버(130)로 전달하고, 재난 관리 서버(130)에서 수집 정보를 시스템별, 공간별, 감시 구분별로 분류할 수 있다.
도 8은 본 개시물의 다양한 실시예들에 따른 재난 예측 및 방재 시스템의 재난 관리 서버에서 재난을 예측하는 흐름도이다. 도 8의 재난 관리 서버는, 도 1에서 설명된 재난 관리 서버(130)일 수 있다. 예를 들어, 재난 관리 서버(130)는 도 2에 도시된 바와 같이, 본부 방재 센터에 설치된 재난 안전 통합 서버(230)일 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 적어도 두 동작들의 적어도 일부분이 병렬적으로 수행될 수도 있다.
도 8을 참조하면, 동작 S810에서, 재난 관리 서버(130)는 복수의 전력 시설들에 대한 정보를 수집할 수 있다. 다양한 실시예들에 따르면, 재난 관리 서버(130)는 복수의 전력 시설들 각각에 설치된 설비 운영 시스템들(110), 및 설비 운영 시스템들(110)과의 통신이 가능한 정보 수집 서버(120)를 통해 복수의 전력 시설들에 대한 정보를 수집할 수 있다. 복수의 전력 시설들은, 변전소, 및/또는 전력구를 포함할 수 있다. 복수의 전력 시설들을 감시하는 정보 수집 서버(120)는 복수의 변전소를 관리하는 전력 지사에 설치된 통합 수신 서버 장치일 수 있다. 일실시예에 따르면, 재난 관리 서버(130)는 정보 수집 서버(120)로부터 시스템별, 공간별, 및/또는 감시구분 별로 분류된 수집 정보들을 수신할 수 있다. 일실시예에 따르면, 수집 정보에 대한 시스템별, 공간별, 및/또는 감시구분별 분류는 재난 관리 서버(130)에서 수행될 수도 있다.
동작 S820에서, 재난 관리 서버(130)는 수집된 정보와 재난 유형에 대한 상관 관계에 기반하여 공간별 재난 진단 점수를 산출할 수 있다. 일실시예에 따르면, 재난 관리 서버(130)는 공간별로 분류된 수집 정보와 재난 유형의 상관관계를 분석하여, 해당 수집 정보가 어떤 유형의 재난과 관련된 정보인지 분류할 수 있다. 재난 관리 서버(130)는 공간별로 재난 유형에 따라 분류된 수집 정보의 가중치를 이용하여 공간별 재난 진단 점수를 산출할 수 있다. 수집 정보의 가중치는, 해당 수집 정보와 해당 재난 유형 사이의 상관관계를 나타내는 값으로서, 수집 정보가 해당 재난 유형에 미치는 영향도, 또는 수집 정보와 해당 재난 유형 사이의 관련성에 따라 0%보다 크거나 같고, 100%보다 작거나 같은 값으로 설정될 수 있다. 예를 들어, 제1 공간의 화재 센서 정보는, 화재와 관련성이 매우 높으므로, 화재에 대한 화재 센서 정보의 가중치는 100%로 설정될 수 있다. 다른 예로, 제2 공간의 선로 고장 정보는, 사고와 관련성이 매우 높으므로, 사고에 대한 선로 고장 정보의 가중치는 100%로 설정될 수 있다. 일실시예에 따르면, 재난 관리 서버(130)는 도 4에 도시된 바와 같은 방식으로, 공간별로 화재에 대한 진단 점수를 산출할 수 있다.
동작 S830에서, 재난 관리 서버(130)는 재난 예측 모델을 이용하여, 재난 진단 점수에 기반한 재난 위험도를 결정할 수 있다. 일실시예에 따르면, 재난 관리 서버(130)는 공간 별로 산출된 재난 진단 점수와 각 공간에 대한 상세 분석 정보를 기반으로, 인공지능 기반의 재난 예측 모델을 생성하고, 생성된 재난 예측 모델을 이용하여 실시간으로 재난에 대한 위험도를 결정할 수 있다. 재난에 대한 위험도는, 재난 발생 여부, 및 또는 재난 발생 가능성을 수치적으로 나타낸 값일 수 있다. 예를 들어, 재난 관리 서버(130)는 도 5에 도시된 바와 같이, 실시간으로 수집된 데이터(정보)와 상관관계 분석에 의해 산출된 재난 진단 점수에 기반하여, 공간별 재난 예측 및 진단을 위한 RF(Random Forest) 학습(또는 훈련)을 수행하여 인공지능 기반의 재난 예측 모델을 생성(512)하고, 생성된 재난 예측 모델을 이용하여 재난 위험도를 결정할 수있다. 일실시예에 따르면, 재난 관리 서버(130)는 재난 예측 모델을 이용하여, 수집 정보와 재난 유형의 상관관계를 나타내는 가중치를 갱신할 수 있다. 인공지능 기반의 재난 예측 모델은, 사용자 및/또는 설계자의 제어에 따라 선택 및/또는 변경될 수 있다.
일실시예에 따르면, 재난 관리 서버(130)는 디스플레이를 통해, 결정된 재난 위험도를 시각적으로 제공할 수 있다. 일실시예에 따르면, 재난 관리 서버(130)는 결정된 재난 위험도에 따라 적어도 하나의 제어 동작을 수행할 수 있다. 예를 들어, 재난 관리 서버(130)는 특정 변전소의 재난 위험도가 지정된 제1 수치 범위에 대응되는 경우(또는 지정된 단계에 해당하는 경우), 재난이 발생될 위험성이 높은 것으로 간주하고, 재난 발생을 방지하기 위한 제어 정보를 정보 수집 서버(120), 및/또는 설비 운영 시스템(110)으로 전송할 수 있다. 다른 예로, 재난 관리 서버(130)는 특정 변전소의 재난 위험도가 지정된 제2 수치 범위에 대응되는 경우(또는 지정된 단계에 해당하는 경우), 재난이 발생된 것으로 간주하고, 재난 발생에 대처하기 위한 제어 정보를 정보 수집 서버(120), 및/또는 설비 운영 시스템(110)으로 전송할 수 있다. 제어 정보는, 특정 설비, 및/또는 특정 설비 주변에 설치된 적어도 하나의 구성 요소(예: 센서)의 동작을 제어하기 위한 명령을 포함하거나, 공간별 재난 유형에 대한 대응 조치 정보를 포함할 수 있다.
본 개시물의 다양한 실시예들에 따르면, 전력 시설에 대한 재난 예측 및 방재 시스템에서, 다양한 전력 시설들로부터 수집되는 정보와 재난 유형의 상관관계에 기초하여, 재난 진단 점수를 산출하고, 이를 기반으로 학습된 인공지능 기반의 재난 예측 모델을 이용하여 실시간으로 재난에 대한 위험도를 결정할 수 있다. 따라서, 본 개시물의 다양한 실시예들에 따르면, 다양한 전력 시설들로부터 수집된 다양한 정보에대한 종합적인 분석을 통해 재난 위험에 대한 사전 징후를 예측하여 전력 설비들을 안정적으로 운영할 수 있다. 또한, 본 개시물의 다양한 실시예들에 따르면, 재난 상황 발생 시, 현장 상황을 종합적으로 파악하여 신속한 초동 대응 및 조치에 대한 표준 절차를 제공함으로써, 복합적인 재난상황으로 확대되는 것을 방지할 수 있다.
Claims (19)
- 재난 관리 서버에서 전력시설에 대한 재난을 예측 및 방재하는 방법에 있어서,
복수의 전력 시설들에 대한 정보를 수집하는 동작;
상기 수집된 정보와 재난 유형의 상관관계에 기반하여, 공간별 재난 진단 점수를 산출하는 동작; 및
인공지능 기반의 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 동작을 포함하는 방법.
- 제1항에 있어서,
상기 공간별 재난 진단 점수를 산출하는 동작은,
각 공간에 대응되는 수집 정보를, 상기 수집 정보와 상기 재난 유형의 상관관계에 기반하여 재난 유형 별로 분류하는 동작;
상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치에 기반하여, 각 공간에 대한 재난 유형별 재난 진단 점수를 산출하는 동작을 포함하는 방법.
- 제2항에 있어서,
상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 미리 설정된 값인 방법.
- 제2항에 있어서,
상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 상기 재난 예측 모델에 의해 갱신 가능한 값인 방법.
- 제1항에 있어서,
상기 재난 유형은, 화재, 침투, 고장, 또는 사고 중 적어도 하나를 포함하는 방법.
- 제1항에 있어서,
상기 수집된 정보는, 시스템별, 공간별, 또는 감시구분별로 분류된 방법.
- 제1항에 있어서,
상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 동작은,
상기 공간별 재난 진단 점수와 상기 수집된 정보를 기반으로 상기 재난 예측 모델에 대한 학습을 수행하는 동작; 및
상기 학습된 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 동작을 포함하는 방법.
- 제1항에 있어서,
상기 결정된 재난 위험도에 따라 적어도 하나의 다른 서버, 또는 상기 복수의 전력 시설들 중 적어도 하나로 원격 제어 정보를 송신하는 동작을 더 포함하며,
상기 원격 제어 정보는, 공간별 재난 유형에 대응하기 위한 제어 명령, 또는 공간별 재난 유형에 대한 대응 조치 정보 중 적어도 하나를 포함하는 방법.
- 제1항에 있어서,
상기 공간별 재난 진단 점수는, 각 공간에 대한 재난 발생 진단 점수, 또는 각 공간에 대한 재난 예측 진단 점수 중 적어도 하나를 포함하는 방법.
- 전력시설에 대한 재난을 예측 및 방재하는 재난 관리 서버에 있어서,
통신 트랜시버; 및
프로세서를 포함하며, 상기 프로세서는,
상기 통신 트랜시버를 통해 복수의 전력 시설들에 대한 정보를 수집하고,
상기 수집된 정보와 재난 유형의 상관관계에 기반하여, 공간별 재난 진단 점수를 산출하고,
인공지능 기반의 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 서버.
- 제10항에 있어서,
상기 프로세서는, 각 공간에 대응되는 수집 정보를, 상기 수집 정보와 상기 재난 유형의 상관관계에 기반하여 재난 유형 별로 분류하고,
상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치에 기반하여, 각 공간에 대한 재난 유형별 재난 진단 점수를 산출하는 서버.
- 제11항에 있어서,
상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 미리 설정된 값인 서버.
- 제11항에 있어서,
상기 수집된 정보와 재난 유형의 상관관계를 나타내는 가중치는, 상기 재난 예측 모델에 의해 갱신 가능한 값인 서버.
- 제10항에 있어서,
상기 재난 유형은, 화재, 침투, 고장, 또는 사고 중 적어도 하나를 포함하는 서버.
- 제10항에 있어서,
상기 수집된 정보는, 시스템별, 공간별, 또는 감시구분별로 분류된 서버.
- 제10항에 있어서,
상기 프로세서는, 상기 공간별 재난 진단 점수와 상기 수집된 정보를 기반으로 상기 재난 예측 모델에 대한 학습을 수행하고,
상기 학습된 재난 예측 모델을 이용하여, 상기 공간별 재난 진단 점수에 기반한 재난 위험도를 결정하는 서버.
- 제10항에 있어서,
상기 프로세서는, 상기 결정된 재난 위험도에 따라 적어도 하나의 다른 서버, 또는 상기 복수의 전력 시설들 중 적어도 하나로 원격 제어 정보를 송신하도록 상기 통신 트랜시버를 제어하며,
상기 원격 제어 정보는, 공간별 재난 유형에 대응하기 위한 제어 명령, 또는 공간별 재난 유형에 대한 대응 조치 정보 중 적어도 하나를 포함하는 서버.
- 제10항에 있어서,
상기 공간별 재난 진단 점수는, 각 공간에 대한 재난 발생 진단 점수, 또는 각 공간에 대한 재난 예측 진단 점수 중 적어도 하나를 포함하는 서버.
- 컴퓨터 판독 가능 저장 매체에 있어서,
컴퓨터 상에서 실행될 때, 제1항 내지 제9항 중 어느 하나의 항에 따른 전력시설에 대한 재난을 예측 및 방재하는 방법을 수행하는 컴퓨터 프로그램을 포함하는 컴퓨터 판독가능 저장 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200072452A KR102440097B1 (ko) | 2020-06-15 | 2020-06-15 | 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200072452A KR102440097B1 (ko) | 2020-06-15 | 2020-06-15 | 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210155217A true KR20210155217A (ko) | 2021-12-22 |
| KR102440097B1 KR102440097B1 (ko) | 2022-09-06 |
Family
ID=79164294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200072452A KR102440097B1 (ko) | 2020-06-15 | 2020-06-15 | 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102440097B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102490062B1 (ko) * | 2022-03-10 | 2023-01-18 | (주)큐브더모먼트 | Ai 기반 사용자 맞춤형 재난 위험예측 및 안전관리 방법, 장치 및 컴퓨터프로그램 |
| WO2023085796A1 (ko) | 2021-11-11 | 2023-05-19 | 주식회사 엘지에너지솔루션 | 이차전지의 전극 제조를 위한 롤 및 이를 적용한 전극 제조 장치 |
| WO2023085828A1 (ko) | 2021-11-11 | 2023-05-19 | 주식회사 엘지에너지솔루션 | 젤리-롤 형태의 전극 조립체의 탭 포밍 장치 및 이를 이용한 포밍 방법 |
| KR102559307B1 (ko) * | 2023-04-24 | 2023-07-25 | 제온시스 주식회사 | 재난 현장에서 생성한 이미지 및 영상 데이터 처리 및 활용 방법, 장치 및 시스템 |
| CN117314704A (zh) * | 2023-09-28 | 2023-12-29 | 光谷技术有限公司 | 应急事件管理方法、电子设备和存储介质 |
| KR102639150B1 (ko) * | 2023-05-25 | 2024-02-21 | 주식회사 아이디케이 | 수소 기반 시설에 대한 위험성 평가 시스템 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102480449B1 (ko) | 2022-10-07 | 2022-12-23 | (주)바이브컴퍼니 | 이기종 다중센서 기반의 재난 상황 예측 및 진단 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160149406A (ko) * | 2015-06-18 | 2016-12-28 | (주)아신정보기술 | 재난 관리 장치 및 재난 관리 방법 |
| KR101805713B1 (ko) * | 2017-07-31 | 2017-12-06 | 한국가스안전공사 | 위험지도를 이용한 위험도 분석 시스템 |
| KR101889834B1 (ko) * | 2018-01-05 | 2018-08-20 | (주)서전기전 | 스마트 배전반 시스템 |
| KR20190111712A (ko) * | 2018-03-23 | 2019-10-02 | 한국전자통신연구원 | 인공지능 네트워크를 사용하여 재난을 감지하기 위한 전자 장치 |
-
2020
- 2020-06-15 KR KR1020200072452A patent/KR102440097B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160149406A (ko) * | 2015-06-18 | 2016-12-28 | (주)아신정보기술 | 재난 관리 장치 및 재난 관리 방법 |
| KR101805713B1 (ko) * | 2017-07-31 | 2017-12-06 | 한국가스안전공사 | 위험지도를 이용한 위험도 분석 시스템 |
| KR101889834B1 (ko) * | 2018-01-05 | 2018-08-20 | (주)서전기전 | 스마트 배전반 시스템 |
| KR20190111712A (ko) * | 2018-03-23 | 2019-10-02 | 한국전자통신연구원 | 인공지능 네트워크를 사용하여 재난을 감지하기 위한 전자 장치 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023085796A1 (ko) | 2021-11-11 | 2023-05-19 | 주식회사 엘지에너지솔루션 | 이차전지의 전극 제조를 위한 롤 및 이를 적용한 전극 제조 장치 |
| WO2023085828A1 (ko) | 2021-11-11 | 2023-05-19 | 주식회사 엘지에너지솔루션 | 젤리-롤 형태의 전극 조립체의 탭 포밍 장치 및 이를 이용한 포밍 방법 |
| KR102490062B1 (ko) * | 2022-03-10 | 2023-01-18 | (주)큐브더모먼트 | Ai 기반 사용자 맞춤형 재난 위험예측 및 안전관리 방법, 장치 및 컴퓨터프로그램 |
| KR102559307B1 (ko) * | 2023-04-24 | 2023-07-25 | 제온시스 주식회사 | 재난 현장에서 생성한 이미지 및 영상 데이터 처리 및 활용 방법, 장치 및 시스템 |
| KR102639150B1 (ko) * | 2023-05-25 | 2024-02-21 | 주식회사 아이디케이 | 수소 기반 시설에 대한 위험성 평가 시스템 |
| CN117314704A (zh) * | 2023-09-28 | 2023-12-29 | 光谷技术有限公司 | 应急事件管理方法、电子设备和存储介质 |
| CN117314704B (zh) * | 2023-09-28 | 2024-04-19 | 光谷技术有限公司 | 应急事件管理方法、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102440097B1 (ko) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102440097B1 (ko) | 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 | |
| US11729597B2 (en) | Digital twin disaster management system customized for underground public areas | |
| CN111311869B (zh) | 一种基于区域报警模型的消防安全监控方法、系统、云平台 | |
| KR102322427B1 (ko) | 빅데이터 기반의 건축물 화재 예방 대응 시스템 | |
| CN110390789A (zh) | 基于大数据的森林防火数据分析系统 | |
| KR102319083B1 (ko) | 인공지능 기반의 화재예방 제공 장치 및 방법 | |
| KR102289221B1 (ko) | 화재 방호 방법 및 화재 방호 시스템 | |
| CN115393142A (zh) | 智慧园区管理方法及管理平台 | |
| KR102289219B1 (ko) | 화재 방호 방법 및 화재 방호 시스템 | |
| CN111178828A (zh) | 一种建筑消防安全预警的方法和系统 | |
| CN112488898A (zh) | 一种基于楼宇智能管控的突发事件处理系统及方法 | |
| KR102213204B1 (ko) | 인공 신경망을 이용하여, gis 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치 | |
| CN109490715A (zh) | 一种极端环境下的电力系统故障判别方法 | |
| CN112288320A (zh) | 一种地铁运行风险监控和管理系统 | |
| KR102519474B1 (ko) | 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 | |
| KR102296561B1 (ko) | 지그비를 이용한 인공지능 기반 복수개의 배전반 통합 관제시스템 | |
| KR102296568B1 (ko) | 머신러닝 기반 배전반 관제시스템 | |
| KR20220071880A (ko) | 지하공동구 맞춤형 디지털트윈 재난 관리 시스템 | |
| CN106096104A (zh) | 一种考虑多因素的炼油装置气体检测报警仪选址布置方法 | |
| CN116582339B (zh) | 一种智能楼宇网络安全监控方法、监控系统 | |
| CN117409526A (zh) | 一种电气火灾极早期预警监测系统及灭火方法 | |
| KR102231648B1 (ko) | 소방시설의 점검 이력 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록 매체 | |
| CN116958900A (zh) | 一种消防数据可视化监控系统及其监控方法 | |
| Mijović et al. | Ontology enabled decision support system for emergency management at airports | |
| CN104865918A (zh) | 基于gis的电力监控系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |