KR20220039323A - 배전 자산의 건전도 평가 장치 및 방법 - Google Patents

배전 자산의 건전도 평가 장치 및 방법 Download PDF

Info

Publication number
KR20220039323A
KR20220039323A KR1020200122329A KR20200122329A KR20220039323A KR 20220039323 A KR20220039323 A KR 20220039323A KR 1020200122329 A KR1020200122329 A KR 1020200122329A KR 20200122329 A KR20200122329 A KR 20200122329A KR 20220039323 A KR20220039323 A KR 20220039323A
Authority
KR
South Korea
Prior art keywords
distribution
data
asset
distribution asset
remaining life
Prior art date
Application number
KR1020200122329A
Other languages
English (en)
Inventor
이병성
이혜선
이승호
박석지
조현창
Original Assignee
한국전력공사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전력공사 filed Critical 한국전력공사
Priority to KR1020200122329A priority Critical patent/KR20220039323A/ko
Publication of KR20220039323A publication Critical patent/KR20220039323A/ko

Links

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 배전 자산의 생애 주기 데이터를 포함하는 배전 자산 데이터를 수집하는 데이터 수집부, 데이터 수집부를 통해 수집된 배전 자산 데이터에 기초하여 배전 자산의 잔존 수명을 예측하는 잔존 수명 예측부, 데이터 수집부를 통해 수집된 배전 자산 데이터와 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명에 기초하여 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 유효 인자 추출부, 및 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명과 유효 인자 추출부를 통해 추출된 유효 인자에 기초하여 배전 자산의 건전도를 나타내는 건전도 지수를 산출하는 건전도 지수 산출부를 포함하는 것을 특징으로 한다.

Description

배전 자산의 건전도 평가 장치 및 방법{APPARATUS AND METHOD FOR EVALUATING HEALTH INDEX OF POWER DISTRIBUTION ASSET}
본 발명은 배전 자산의 건전도 평가 장치 및 방법에 관한 것으로, 배전 자산의 건전도를 평가할 수 있는 배전 자산의 건전도 평가 장치 및 방법에 관한 것이다.
현재 전력 분야의 자산 관리 시스템은 자산 관리의 시대적, 분야별, 환경적 변천에 따라 각 업무 분야에 맞게 구축되어 운영 중에 있으며 국내 배전 설비 관리는 대부분 수기로 작성된 자산 건전도 평가 결과를 중심으로 매년 유지 관리 예산을 배정하고 금액 대비 교체 물량을 산정하여 관리 하고 있는 실정이다. 이에 따라 설치 자산의 미래 상태에 대한 예측, 고장 확률, 자산 관리의 위험도(RISK) 등의 정보 수요가 점차 증가하고 있다.
한편, 배전 자산 교체는 자산 건전도 평가결과에 의한 노후(강제)교체, 순시·점검·적출에 의한 순시 교체, 설비진단 결과에 따른 진단교체, 마지막으로 설비 고장에 의한 고장교체 등 크게 4 종류로 나누어질 수 있다. 4 종류의 배전 자산 교체 중에서 자산 건전도 평가결과에 의한 노후(강제)교체를 제외한 다른 3 종류의 자산 교체에는 모두 추가적인 예산 비용이 지출될 수 밖에 없다. 비용 대비 효과 측면을 고려하여 볼 때 단순 고장교체를 제외한 순시/진단 교체에 따른 비용 부담은 점차 증가하는 추세이다.
한편, 전력 설비의 효율적인 자산 관리를 위해서는 설비의 상태 데이터 기반 추론이 중요하다. 전력 설비의 상태 데이터는 주로 진단 데이터 또는 고장데이터가 이용되며, 전력 설비의 특성상 송·변전 설비와는 다르게 배전 설비는 진단 데이터와 고장 데이터가 현저히 부족한 실정이다. 배전 설비의 진단 데이터 및 고장 데이터가 부족한 이유는 설비의 설치 대수와 고장 파급 효과의 차이 때문이다. 배전 설비의 설치 대수는 송·변전 설비의 대수보다 많으며, 송·변전 설비의 고장파급효과는 배전 설비의 고장 파급 효과보다 크기 때문에 송·변전 진단 활동이 배전 설비 진단 활동보다 활발히 이루어지고 있다.
이에 따라, 배전설비의 적정 교체 시기의 추정은 주로 자산 건전도(Health Index) 평가를 통해 이루어지고 있으며, 자산 건전도 평가표에 사용되는 인자들은 전문가들의 의견에 따라 결정되고 있다. 그러나, 주관적으로 결정된 자산 건전도 평가 인자들은 배전 설비의 수명에 영향을 미칠 수도 있고, 전혀 미치지 않을 수도 있는 문제가 존재한다.
또한, 주관적으로 결정된 자산 건전도 평가 인자에 기초하여 계산된 자산 건전도로부터 배전 자산의 잔존 수명을 추정하는 경우에, 추정된 잔존 수명과 실제의 잔존 수명 사이에 큰 오차가 발생할 가능성이 존재한다.
이러한 상황에서 기간계 데이터를 분석하여 배전 설비 수명에 영향을 미치는 인자들을 객관적으로 추출하고, 객관적으로 추출된 인자들에 기초하여 각 인자들이 잔존 수명에 미치는 영향도를 정확히 추정하여, 자산의 건전도 평가의 신뢰도를 더욱 향상시킬 요구가 존재한다.
또한, 보유 자산 설비의 적절한 교체 주기 시점 및 운영관리 효율성 강화를 위해서 좀 더 효과적인 배전 자산 운영 모델을 도입 및 개발할 필요성이 요구되고 있다.
본 발명의 배경기술은 대한민국 등록특허공보 제10-1874286호(2018.06.27.)의 '전력설비 모니터링 및 진단 시스템'에 개시되어 있다.
본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로, 본 발명의 일 측면에 따른 목적은 배전 자산의 건전도 평가의 신뢰성 및 배전 자산의 수명 추정의 정확성이 향상된 배전 자산의 건전도 평가 장치 및 방법을 제공하는 것이다.
또한, 본 발명의 다른 일 측면에 다른 목적은 배전 자산의 수명에 영향을 미치는 인자를 객관적으로 결정할 수 있는 배전 자산의 건전도 평가 장치 및 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 배전 자산의 건전도 평가 장치는 배전 자산의 생애 주기 데이터를 포함하는 배전 자산 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부를 통해 수집된 배전 자산 데이터에 기초하여 상기 배전 자산의 잔존 수명을 예측하는 잔존 수명 예측부; 상기 데이터 수집부를 통해 수집된 배전 자산 데이터와 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명에 기초하여 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 유효 인자 추출부; 및 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명과 상기 유효 인자 추출부를 통해 추출된 유효 인자에 기초하여 상기 배전 자산의 건전도를 나타내는 건전도 지수를 산출하는 건전도 지수 산출부;를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 생애 주기 데이터는, 상기 배전 자산의 설치 데이터, 운전 데이터, 고장 데이터, 교체 데이터, 폐기 데이터, 유지보수 데이터 및 예방진단 데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 잔존 수명 예측부는, 상기 배전 자산 데이터에 기초하여 상기 배전 자산에 대한 제1 잔존 수명을 예측하고, 상기 예측된 제1 잔존 수명 및 미리 설정된 건전도 지수를 입력으로 하는 다항 회귀를 이용하여 상기 배전 자산에 대한 제2 잔존 수명을 예측하는 것을 특징으로 한다.
본 발명에 있어 상기 유효 인자 추출부는, 랜덤 포레스트를 포함하는 앙상블 학습을 통해 상기 배전 자산 데이터에 포함된 적어도 하나의 인자 중에서 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 것을 특징으로 한다.
본 발명에 있어 상기 유효 인자 추출부는, 상기 추출된 유효 인자에 외부로부터 입력된 유효 인자를 더 포함시키는 것을 특징으로 한다.
본 발명에 있어 상기 건전도 지수 산출부는, 상기 유효 인자 추출부를 통해 추출된 유효 인자의 인자값과 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명을 복수의 버킷(bucket)으로 그룹화하는 것을 특징으로 한다.
본 발명에 있어 상기 건전도 지수 산출부는, 상기 유효 인자의 증가 또는 감소에 따라 상기 배전 자산의 잔존 수명이 단조적으로 증가 또는 감소하도록 단조 근사 처리를 수행하는 것을 특징으로 한다.
본 발명에 있어 상기 건전도 지수 산출부는, Non-Negative Least Square(NNLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 배전 자산의 잔존 수명에 대한 상기 유효 인자의 영향도를 산출하는 것을 특징으로 한다.
본 발명에 있어 상기 건전도 지수 산출부는, Constrainted Least Square(CLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 산출된 유효 인자의 영향도를 변화시키면서 에러가 최소가 되는 유효 인자의 영향도를 선정하는 것을 특징으로 한다.
본 발명에 있어 Z 점수 정규화 알고리즘을 이용하여 상기 배전 자산 데이터에 포함된 이상 데이터를 제거하는 이상 데이터 처리부;를 더 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 배전 자산의 건전도 평가 방법은 데이터 수집부가, 배전 자산의 생애 주기 데이터를 포함하는 배전 자산 데이터를 수집하는 단계; 잔존 수명 예측부가, 상기 데이터 수집부를 통해 수집된 배전 자산 데이터에 기초하여 상기 배전 자산의 잔존 수명을 예측하는 단계; 유효 인자 추출부가, 상기 데이터 수집부를 통해 수집된 배전 자산 데이터와 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명에 기초하여 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 단계; 및 건전도 지수 산출부가, 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명과 상기 유효 인자 추출부를 통해 추출된 유효 인자에 기초하여 상기 배전 자산의 건전도를 나타내는 건전도 지수를 산출하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 생애 주기 데이터는, 상기 배전 자산의 설치 데이터, 운전 데이터, 고장 데이터, 교체 데이터, 폐기 데이터, 유지보수 데이터 및 예방진단 데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 예측하는 단계는, 상기 잔존 수명 예측부가, 상기 배전 자산 데이터에 기초하여 상기 배전 자산에 대한 제1 잔존 수명을 예측하는 단계; 및 상기 예측된 제1 잔존 수명 및 미리 설정된 건전도 지수를 입력으로 하는 다항 회귀를 이용하여 상기 배전 자산에 대한 제2 잔존 수명을 예측하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 추출하는 단계에서, 상기 유효 인자 추출부는, 랜덤 포레스트를 포함하는 앙상블 학습을 통해 상기 배전 자산 데이터에 포함된 적어도 하나의 인자 중에서 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 것을 특징으로 한다.
본 발명에 있어 상기 추출하는 단계에서, 상기 유효 인자 추출부는,상기 추출된 유효 인자에 외부로부터 입력된 유효 인자를 더 포함시키는 것을 특징으로 한다.
본 발명에 있어 상기 산출하는 단계에서, 상기 건전도 지수 산출부는, 상기 유효 인자 추출부를 통해 추출된 유효 인자의 인자값과 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명을 복수의 버킷(bucket)으로 그룹화하는 것을 특징으로 한다.
본 발명에 있어 상기 산출하는 단계에서, 상기 건전도 지수 산출부는, 상기 유효 인자의 증가 또는 감소에 따라 상기 배전 자산의 잔존 수명이 단조적으로 증가 또는 감소하도록 단조 근사 처리를 수행하는 것을 특징으로 한다.
본 발명에 있어 상기 산출하는 단계에서, 상기 건전도 지수 산출부는, Non-Negative Least Square(NNLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 배전 자산의 잔존 수명에 대한 상기 유효 인자의 영향도를 산출하는 것을 특징으로 한다.
본 발명에 있어 상기 산출하는 단계에서, 상기 건전도 지수 산출부는, Constrainted Least Square(CLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 산출된 유효 인자의 영향도를 변화시키면서 에러가 최소가 되는 유효 인자의 영향도를 선정하는 것을 특징으로 한다.
본 발명에 있어 이상 데이터 처리부가, Z 점수 정규화 알고리즘을 이용하여 상기 배전 자산 데이터에 포함된 이상 데이터를 제거하는 단계;를 더 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따르면 배전 자산의 유효 인자를 독립 변수로 하고 배전 자산의 잔존 수명을 종속 변수로 하는 회귀 모델을 객관적으로 추출된 유효 인자 및 잔존 수명에 기초하여 추정함으로써 배전 자산의 건전도 평가의 신뢰성 및 배전 자산의 수명 추정의 정확성을 향상시킬 수 있다.
본 발명의 다른 측면에 따르면 기계 학습을 이용하여 배전 자산 데이터에 포함된 복수의 잠정 인자 중에서 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출함으로써 배전 자산의 수명에 영향을 미치는 인자를 객관적으로 결정할 수 있다.
도 1은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치를 설명하기 위한 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 이상 데이터 처리부가 Z 점수 정규화 알고리즘을 이용하여 이상 데이터를 제거하기 전과 후를 도시한 그래프이다.
도 3은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 잔존 수명 예측부가 잔존 수명을 예측하는 방법을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 유효 인자 추출부가 랜덤 포레스트를 포함하는 앙상블 학습을 이용하여 배전 자산의 잔존 수명에 영향을 미치는 유효 인자 및 영향도를 추출하는 프로세스를 도시한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 건전도 지수 산출부가 수명손실율의 인자값 및 잔존 수명을 복수의 버킷으로 그룹화하는 방법을 설명하기 위한 그래프이다.
도 6은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 건전도 지수 산출부가 단조 근사화 처리하기 전과 단조 근사화 처리한 후를 도시한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 방법을 설명하기 위한 순서도이다.
도 8은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 방법의 잔존 수명을 예측하는 단계를 설명하기 위한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 방법의 건전도 지수를 산출하는 단계를 설명하기 위한 순서도이다.
이하에서는 본 발명의 실시예에 따른 배전 자산의 건전도 평가 장치 및 방법을 첨부된 도면들을 참조하여 상세하게 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 배전 자산의 건전도 평가 장치를 설명하기 위한 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 이상 데이터 처리부가 Z 점수 정규화 알고리즘을 이용하여 이상 데이터를 제거하기 전과 후를 도시한 그래프이고, 도 3은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 잔존 수명 예측부가 잔존 수명을 예측하는 방법을 설명하기 위한 예시도이고, 도 4는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 유효 인자 추출부가 랜덤 포레스트를 포함하는 앙상블 학습을 이용하여 배전 자산의 잔존 수명에 영향을 미치는 유효 인자 및 영향도를 추출하는 프로세스를 도시한 예시도이고, 도 5는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 건전도 지수 산출부가 수명손실율의 인자값 및 잔존 수명을 복수의 버킷으로 그룹화하는 방법을 설명하기 위한 그래프이고, 도 6은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치의 건전도 지수 산출부가 단조 근사화 처리하기 전과 단조 근사화 처리한 후를 도시한 그래프이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치는 데이터 수집부(100), 이상 데이터 처리부(200), 잔존 수명 예측부(300), 이상 데이터 처리부(200), 유효 인자 추출부(400) 및 건전도 지수 산출부(500)를 포함할 수 있다.
데이터 수집부(100)는 배전 자산의 생애 주기 데이터를 포함하는 배전 자산 데이터를 수집할 수 있다.
데이터 수집부(100)는 배전 자산의 생애 주기가 저장된 적어도 하나의 데이터베이스(10)로부터 배전 자산 데이터를 수집할 수 있다. 예를 들어, 배전 자산의 생애 주기가 저장된 데이터베이스(10)는 전력공급자(예:한국전력공사)에 의해 운영되는 영업배전2.0 데이터베이스, 및 영업배전 3.0 데이터베이스를 포함한 다양한 포맷의 기간계 데이터베이스를 포함할 수 있다.
한편, 배전 자산의 생애 주기가 저장된 2 이상의 데이터베이스로부터 배전 자산 데이터를 수집하는 경우, 데이터 수집부(100)는 표준화된 데이터 포맷에 기초하여 배전 자산 데이터를 수집할 수 있다. 다양한 포맷의 데이터베이스는 실질적으로 동일한 인자에 대하여 상이한 수치 범위를 가질 수 있으므로, 다양한 포맷의 데이터베이스로부터 데이터를 그대로 수집하는 경우, 상이한 명명 규칙, 수치 범위 등에 의해 데이터 분석의 정확도가 떨어지는 문제가 발생할 수 있다. 본 발명은 표준화된 데이터 포맷에 기초하여 각 데이터베이스로부터 배전 자산 데이터를 수집하므로 전술한 문제점을 방지할 수 있다.
여기서, 배전 자산은 배전 계통에 구비된 배전 설비를 의미한다.
한편, 본 발명의 일 실시예에 따르면, 생애 주기 데이터는 배전 자산의 설치 데이터, 운전 데이터, 고장 데이터, 교체 데이터, 폐기 데이터, 유지보수 데이터 및 예방진단 데이터 중 적어도 하나를 포함할 수 있다.
즉, 배전 자산 데이터는 배전 자산의 제원정보(제조사, 자재번호, 생애주기), 설치정보(설치 위치, 설치 시간), 위치정보(전산화 번호, 선로 정보, 좌표), 철거 정보(철거일, 철거 원인, 철거 당시 상태), 이력정보(순시, 점검, 측정, 진단, 고장 이력)를 포함할 수 있다.
이상 데이터 처리부(200)는 데이터 수집부(100)를 통해 수집된 배전 자산 데이터에 포함된 이상 데이터를 제거할 수 있다.
구체적으로, 이상 데이터 처리부(200)는 Z 점수 정규화 알고리즘(Z-Score Normalization)을 이용하여 배전 자산 데이터에 포함된 이상 데이터를 제거할 수 있다. 또한, 이상 데이터 처리부(200)는 배전 자산 데이터가 기 설정된 임계 범위를 벗어나는 경우, 해당 데이터를 제거할 수도 있다.
Z 점수 정규화 알고리즘은 입력값을 Z점수(입력값과 평균값의 차이를 표준편차로 나누어 얻은 값)로 변환하는 것으로, 입력값이 평균과 일치하면 Z 점수는 0이 되고, 입력값이 평균보다 작으면 음수가 되고, 입력값이 평균보다 크면 양수로 나타난다. 계산된 Z 점수의 크기는 표준편차에 의해 결정되므로, Z 점수 정규화 알고리즘을 이용할 경우 입력 데이터에 포함된 이상 데이터를 제거할 수 있다.
도 2를 참조하면, 도 2a는 배전 자산 데이터 중 하나인 손실시간값을 x축에 도시하고 있고, 배전 자산의 잔존 수명을 y축에 도시하고 있다. 좌측 그래프는 손실시간값에 아무런 처리도 하지 않은 원시 데이터의 값을 그대로 그래프에 도시한 것이고, 우측 그래프는 Z 점수 정규화 후에 3시그마(평균값에서 3 표준편차 내의 범위)를 벗어나는 값을 제외한 그래프를 도시하고 있다.
도 2b는 배전 자산 데이터 중 하나인 중첩 손실 시간값을 x축에 도시하고, 배전 자산의 잔존 수명을 y축에 도시하고 있다. 좌측 그래프는 중첩 손실 시간값에 아무런 처리도 하지 않은 원시 데이터의 값을 그대로 그래프에 도시한 것이고, 우측 그래프는 Z 점수 정규화 후에 3시그마를 벗어나는 값을 제외한 그래프를 도시하고 있다.
도 2a 및 도 2b를 참조하면, Z 점수 정규화 알고리즘을 적용하기 전에는 이상 데이터(Outlier)로 인해 정상 데이터와 이상 데이터 사이의 큰 갭(gap)이 발생하였지만, Z 점수 정규화 알고리즘을 적용한 후에는 이상 데이터가 제거되어 데이터 간에 비교적 작은 갭이 발생함을 확인할 수 있다.
다시 도 1을 참조하면, 잔존 수명 예측부(300)는 데이터 수집부(100)를 통해 수집된 배전 자산 데이터에 기초하여 배전 자산의 잔존 수명을 예측할 수 있다.
본 발명의 일 실시예에 따르면, 잔존 수명 예측부(300)는 배전 자산 데이터에 기초하여 배전 자산에 대한 제1 잔존 수명을 예측하고, 예측된 제1 잔존 수명 및 미리 설정된 건전도 지수(Health Index)를 입력으로 하는 다항 회귀(Polynomial Regression)를 이용하여 배전 자산에 대한 제2 잔존 수명을 예측할 수 있다.
이하에서는 배전 자산의 잔존 수명을 예측하는 구체적인 과정을 살펴보도록 한다.
먼저, 잔존 수명 예측부(300)는 배전 자산의 수명 정보가 존재하는지 여부를 판단할 수 있다. 배전 자산의 수명 정보가 존재하는 경우, 잔존 수명 예측부(300)는 배전 자산의 수명 정보에 기초하여 배전 자산의 잔존 수명을 예측할 수 있다.
반면, 배전 자산의 수명 정보가 존재하지 않는 경우(즉, 배전 자산이고장 이전에 교체된 경우), 잔존 수명 예측부(300)는 배전 자산에 대한 비조건적 확률 분포를 추정할 수 있다.
이때, 잔존 수명 예측부(300)는 지수 와이블 분포(Exponential Weibull Distribution)를 배전 자산에 대한 비조건적 확률 분포로 가정할 수 있다. 지수 와이블 분포는 그 적용 유연성(flexibility)이 매우 높아 실제 데이터의 실증적 분포를 가장 유사하게 근사화할 수 있다. 지수 와이블 분포는 하기 수학식 1로 표현될 수 있다.
Figure pat00001
여기서, t는 시간이고, a는 위치 모수이고, c는 형상 모수이고, λ는 척도 모수를 의미할 수 있다. 잔존 수명 예측부(300)는 데이터 수집부(100)를 통해 수집된 배전 자산 데이터를 활용하여 전술한 지수 와이블 분포의 각 파라미터를 근사화할 수 있다. 예를 들어, 배전 자산이 변압기인 경우, 노후 교체 변압기의 수명 데이터를 이용하여 지수 와이블 분포의 각 파라미터를 추정할 수도 있고, 배전 자산이 개폐기인 경우, 제조사별 교체 장비의 수명 데이터를 이용하여 지수 와이블 분포의 각 파라미터를 추정할 수 있다. 또한, 분포 추정 시에 추가로 정확도를 높일 수 있는 정보(예를 들면, 제조사 정보 등)가 있으면, 이러한 정보가 활용될 수도 있다.
배전 자산에 대한 비조건적 확률 분포가 추정되면, 잔존 수명 예측부는 개별 배전 자산에 대한 조건부 확률 분포를 추정할 수 있다. 잔존 수명 예측부(300)는 하기 수학식 2를 통해 개별 배전 자산에 대한 조건부 확률 분포를 추정할 수 있다.
Figure pat00002
여기서, t는 시간이고, a는 위치 모수이고, c는 형상 모수이고, λ는 척도 모수이고, s는 배전 자산의 경과경년을 의미할 수 있다.
확률 밀도 함수는 상기 수학식 1에서 입력으로 사용된 수명 데이터의 빈도수(frequence)를 사용할 수도 있으나, 빈도수가 작은 구간의 경우 노이즈가 발생할 가능성이 있으므로 지수 와이블 분포를 확률밀도 함수로 사용하는 것이 바람직하다.
이어서, 잔존 수명 예측부(300)는 조건부 확률 분포를 기반으로 랜덤 샘플링(Random Sampling)을 수행하여 배전 자산의 제1 잔존 수명을 예측할 수 있다.
도 3을 참조하면, 잔존 수명 예측부(300)는 추정된 조건부 확률 분포를 기반으로 현재 시점 이후(s+1)로부터 미리 설정된 배전 자산의 사용만료시점(n)까지 구간에서의 누적분포함수를 산출하고, (0~1)사이에 난수값을 생성하고, 생성된 난수값을 누적분포함수에 대입하여 해당 난수값에 대응되는 배전 자산의 수명(사용개월수)을 산출하고, 산출된 배전 자산의 수명과, 배전 자산의 경과년수(즉, 설치 시점부터 현재까지의 시간) 차이를 산출하고, 산출된 차이를 배전 자산의 제1 잔존 수명으로 추정할 수 있다.
이어서, 잔존 수명 예측부(300)는 예측된 제1 잔존 수명, 및 미리 정해진 건전도 지수(즉, 이전 주기에 측정된 건전도 지수)를 입력으로 하는 다항 회귀를 이용하여 배전 자산에 대한 제2 잔존 수명을 예측할 수 있다.
다시 도 1을 참조하면, 유효 인자 추출부(400)는 데이터 수집부(100)를 통해 수집된 배전 자산 데이터와 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명에 기초하여 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출할 수 있다.
본 발명의 일 실시예에 따르면, 유효 인자 추출부(400)는 랜덤 포레스트(Random forest)를 포함하는 앙상블 학습(Ensemble learning) 또는 기계 학습(Machine learning)을 이용하여 배전 자산 데이터에 포함된 적어도 하나의 인자 중에서 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출할 수 있다.
도 4를 참조하면, 유효 인자 추출부(400)는 사용개월수, 수명손실율, 년간낙뢰일수, 염해등급값, 손실시간값, 부하손실율, 보정기대수명년수, 및 중첩손실시간값 등과 같은 배전 자산 데이터에 포함된 인자를 독립 변수(x)로 하고, 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명을 종속 변수(y)로 하는 랜덤 포레스트를 포함하는 앙상블 학습 모델을 추정하고, 추정된 앙상블 학습 모델에 기초하여 배전 자산데이터에 포함된 각 인자가 배전 자산의 잔존 수명에 미치는 영향도를 산출할 수 있다. 유효 인자 추출부(400)는 배전 자산의 잔존 수명에 대한 유효 인자의 영향도를 수치로 나타낼 수 있으며, 모든 유효 인자의 영향도 수치를 합산하면 1이 될 수 있다.
본 발명의 일 실시예에 따르면, 유효 인자 추출부(400)는 랜덤 포레스트를 포함한 앙상블 학습의 출력 데이터에서 영향도가 큰 상위 N개의 인자들을 유효 인자로 추출할 수 있다. 또한, 유효 인자 추출부(400)는 상위 N개의 인자들 이외에도 전문가 또는 시스템 관리자가 배전 자산의 잔존 수명에 영향을 미칠 것으로 판단한 인자를 유효 인자에 포함시킬 수 있다.
다시 도 1을 참조하면, 건전도 지수 산출부(500)는 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명과, 유효 인자 추출부(400)를 통해 추출된 유효 인자에 기초하여 배전 자산의 건전도를 나타내는 건전도 지수(Health Index)를 산출할 수 있다.
이하에서는 건전도 지수를 산출하는 구체적인 과정을 살펴보도록 한다.
우선, 건전도 지수 산출부(500)는 유효 인자 추출부(400)를 통해 추출된 유효 인자의 인자값과 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명을 복수의 버킷으로 그룹화할 수 있다.
도 5를 참조하면, 우선 건전도 지수 산출부(500)는 도 5a에 도시된 바와 같이 유효 인자 추출부(400)를 통해 추출된 유효 인자의 인자값을 x축으로 하고, 해당 유효 인자의 인자값이 수집된 시점에서 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명을 y축으로 하는 그래프를 산출할 수 있다. 이어서 건전도 지수 산출부(500)는 도 5b에 도시된 바와 같이 유효 인자의 인자값을 기 설정된 단위로 구분하여 그룹화하고, 해당 그룹에 포함된 인자들 각각에 대응되는 잔존 수명의 평균값을 계산하고, 계산된 잔존 수명의 평균값을 해당 그룹의 잔존 수명으로 추정할 수 있다. 도 5에 도시된 바와 같이, 건전도 지수 산출부(500)는 수명손실율의 인자값(0~50)을 20개의 버킷으로 구분할 수 있다. 하나의 버킷에 대응되는 잔존 수명은 해당 버킷에 포함된 복수의 수명손실율 각각에 대응되는 잔존 수명의 평균값일 수 있다.
배전 자산은 급전 자산 또는 송전 자산에 비하여 그 수가 매우 많기 때문에 배전 자산 데이터에는 수억개 이상의 샘플 데이터가 포함될 수 있다. 본 발명은 유효 인자의 인자값과 해당 유효 인자에 의해 구해진 배전 자산의 잔존 수명을 복수의 버킷으로 그룹화함으로써 데이터의 처리 속도를 현저하게 향상시킬 수 있다.
이어서, 건전도 지수 산출부(500)는 유효 인자의 인자값이 증가 또는 감소함에 따라 배전 자산의 잔존 수명이 단조적으로 증가 또는 감소하도록 단조 근사화 처리를 수행할 수 있다. 건전도 지수 산출부(500)는 단조 근사화 처리를 수행함으로써 기계학습 알고리즘에서 학습의 오류를 최소화 시킬 수 있다.
건전도 지수 산출부(500)는 아래 수학식 3을 통해 단조 근사화 처리를 수행할 수 있다.
Figure pat00003
여기서, un은 단조 근사화 처리한 후의 n번째 버킷의 유효 인자 값이고, yn은 n번째 버킷의 설비 잔존 수명을 의미할 수 있다.
도 6을 참조하면, 좌측 그래프에서는 0으로부터 두 번째 버킷의 잔존 수명이 세 번째 버킷의 잔존 수명보다 더 작은 값으로 표시되어 있다. 그러나, 우측 그래프에서는 0으로부터 두 번째 버킷의 잔존 수명이 세 번째 버킷의 잔존 수명보다 더 큰 값으로 표시되어 있다. 이와 같이, 단조 근사화 처리에 의하면 유효 인자의 인자값이 증가 또는 감소함에 따라 건전도 지수도 같은 편향성을 갖도록 할 수 있다.
이어서, 건전도 지수 산출부(500)는 Non-Negative Least Square(NNLS)에 의한 선형 회귀 알고리즘을 이용하여 배전 자산의 잔존 수명에 대한 유효 인자의 영향도를 산출할 수 있다.
NNLS는 선형 회귀 귀법으로서, 산출하는 계수값을 항상 0보다 큰 값으로 최적화할 수 있다. 유효 인자가 잔존 수명에 미치는 영향도는 0보다 작은 값을 가질 수 없으므로, 건전도 지수 산출부(500)는 영향도 값을 0보다 큰 값으로 최적화하기 위해 NNLS를 이용할 수 있다.
Figure pat00004
상기 수학식 4는 NNLS에 의한 선형 회귀 알고리즘을 나타내며, 여기서, z는 설비의 잔존 수명이고, fn은 n번째 유효 인자의 인자값이며, cn은 n번째 유효 인자의 영향도를 의미할 수 있다. 건전도 지수 산출부(500)는 수학식 4를 통해 배전 자산의 잔존 수명에 대한 각 유효 인자의 영향도를 산출할 수 있다.
한편, 시스템 관리자에 의해 유효 인자가 추가되거나, 정책적인 이유 등으로 시스템 관리자에 의해 유효 인자의 영향도가 변경되는 경우가 발생할 수 있다.
이와 같이 유효 인자가 추가되거나 정책적인 이유로 영향도가 변경된 경우, 건전도 지수 산출부(500)는 Constrainted Least Square(CLS)에 의한 선형 회귀 알고리즘을 이용하여 배전 자산의 잔존 수명에 대한 각 유효 인자의 영향도를 변화시키면서 에러가 최소가 되는 영향도를 선정할 수 있다.
Figure pat00005
상기 수학식 5는 CLS에 의한 선형 회귀 알고리즘을 나타내며, 상기 수학식 5의 1)에서 z는 설비의 잔존 수명이고, fn은 n번째 유효 인자의 인자값이며, cn은 n번째 유효 인자의 영향도를 의미할 수 있다 상기 수학식 5의 3)에서 n은 배전 자산의 유효 인자의 수이고, un은 n번째 유효 인자의 영향도가 변경됨에 따라 획득된 잔존 수명이고, an은 NNLS를 통해 산출된 n번째 유효 인자의 영향도에 의해 획득된 잔존 수명을 의미할 수 있다.
CLS 알고리즘의 제1 단계는 CLS 처리 부분으로, 제2 단계의 프로세스를 처리하기 위해 반복적으로 수행될 수 있다. 제 2 단계는 CLS 처리에 의해 구해진 각 영향도(c0~cn)의 변화량이 최소가 되는 값들을 추출하기 위한 것으로서, 제1 단계에서 산출된 영향도(c0,c1,...~cn)값들을 바꾸어 가면서(c0’c1’...~ cn’CLS 처리를 반복 수행한다. 최종적으로는 CLS 처리의 반복 수행에 의해 얻어진 영향도 값들 중에서 NNLS를 통해 산출된 영향도의 차분의 RMS가 최소인 값이 도출될 수 있다.
즉, Non-Negative Least Square에 의한 선형 회귀 알고리즘에 의하면 유효 인자 추출부(400)를 통해 추출된 유효 인자에 대한 최적의 영향도가 계산될 수 있다. Constrainted Least Square에 의한 선형 회귀 알고리즘은 영향도가 적은 유효 인자에 대한 영향도가 할당될 수 있다. 즉, Constrainted Least Square 알고리즘은 전문가 또는 시스템 관리자의 판단에 의해 추가되는 유효 인자가 존재할 때 해당 유효 인자의 영향도를 산출하기 위해 사용될 수 있다. 영향도의 오차값을 최소화하기 위해 RMS(Root Mean Square)를 통해 임계값 범위를 정하고 그 범위에서의 최적값을 찾도록 할 수 있다.
이어서, 건전도 지수 산출부(500)는 CLS를 통해 선정된 영향도와 유효 인자 추출부(400)를 통해 추출된 각 유효 인자의 인자값에 기초하여 배전 자산의 건전도 지수를 산출할 수 있다.
Figure pat00006
건전도 지수 산출부(500)는 상기 수학식 6을 통해 배전 자산의 건전도 지수를 산출할 수 있다. 여기서, fi는 i번째 유효 인자의 인자값이고, ci rel은 i번째 유효 인자의 영향도이고, score는 건전도 지수를 의미할 수 있다.
평가 항목(유효 인자) 배점(영향도) 평가기준 판정값
수명손실율 70
Figure pat00007
 0~70
IKL 15
Figure pat00008
 0~15
염해등급 15
Figure pat00009
 0~15
표 1은 유효 인자 추출부(400)를 통해 수명손실율, IKL 및 염해등급이 유효 인자로 추출되었고, 건전도 지수 산출부(500)를 통해 각 유효 인자의 영향도가 70, 15, 15로 산출된 경우를 나타낸다. 이때, 만약 수명손실율의 인자값이 0.5인 것으로 가정하면, 배전 자산의 건전도 지수 중 수명손실율에 대한 부분(즉, 수명손실율에 대한 판정값)은 35가 된다. 건전도 지수 산출부(500)는 나머지 유효 인자(IKL, 염해등급)에 대한 인자값을 토대로 해당 인자에 대한 판정값을 계산하고, 유효 인자에 대한 판정값을 모두 합산하여 배전 자산의 건전도 지수를 산출할 수 있다. 이때, 건전도 지수는 0과 100 사이의 값을 가질 수 있다.
산출된 건전도 지수는 배전 자산의 교체 시기를 결정하거나 배전 자산의 잔존 수명을 추정하기 위해 이용될 수 있다.
전술한 바와 같이, 본 발명은 배전 자산의 유효 인자를 독립 변수로 하고 배전 자산의 잔존 수명을 종속 변수로 하는 회귀 모델을 객관적으로 추출된 유효 인자 및 잔존 수명에 기초하여 추정함으로써 배전 자산의 건전도 평가의 신뢰성 및 배전 자산의 수명 추정의 정확성을 향상시킬 수 있다. 또한, 본 발명은 기계 학습일 이용하여 배전 자산 데이터에 포함된 복수의 잠정 인자 중에서 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출함으로써 배전 자산의 수명에 영향을 미치는 인자를 객관적으로 결정할 수 있다.
도 7은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 방법을 설명하기 위한 순서도이고, 도 8은 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 방법의 잔존 수명을 예측하는 단계를 설명하기 위한 순서도이고, 도 9는 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 방법의 건전도 지수를 산출하는 단계를 설명하기 위한 순서도이다.
이하에서는 도 7 내지 9를 참조하여 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 방법을 설명하도록 한다.
먼저, 데이터 수집부(100)는 배전 자산의 생애 주기 데이터를 포함하는 배전 자산 데이터를 수집할 수 있다.(S100 단계)
이상 데이터 처리부(200)는 데이터 수집부(100)를 통해 수집된 배전 자산 데이터에 포함된 이상 데이터를 제거할 수 있다.
잔존 수명 예측부(300)는 데이터 수집부(100)를 통해 수집된 배전 자산 데이터에 기초하여 배전 자산의 잔존 수명을 예측할 수 있다.(S200 단계)
도 8을 참조하면, 잔존 수명 예측부(300)는 배전 자산 데이터에 기초하여 배전 자산에 대한 제1 잔존 수명을 예측하고(S210 단계), 예측된 제1 잔존 수명 및 미리 설정된 건전도 지수(Health Index)를 입력으로 하는 다항 회귀(Polynomial Regression)를 이용하여 배전 자산에 대한 제2 잔존 수명을 예측할 수 있다.(S220 단계)
다시 도 7을 참조하면, 유효 인자 추출부(400)는 데이터 수집부(100)를 통해 수집된 배전 자산 데이터와 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명에 기초하여 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출할 수 있다.(S300 단계)
구체적으로, 유효 인자 추출부(400)는 랜덤 포레스트(Random forest)를 포함하는 앙상블 학습(Ensemble learning) 또는 기계 학습(Machine learning)을 이용하여 배전 자산 데이터에 포함된 적어도 하나의 인자 중에서 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출할 수 있다.
건전도 지수 산출부(500)는 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명과, 유효 인자 추출부(400)를 통해 추출된 유효 인자에 기초하여 배전 자산의 건전도를 나타내는 건전도 지수(Health Index)를 산출할 수 있다.(S400 단계)
도 9를 참조하면, 건전도 지수 산출부(500)는 유효 인자 추출부(400)를 통해 추출된 유효 인자의 인자값과 잔존 수명 예측부(300)를 통해 예측된 배전 자산의 잔존 수명을 복수의 버킷으로 그룹화하고(S410 단계), 유효 인자의 인자값이 증가 또는 감소함에 따라 배전 자산의 잔존 수명이 단조적으로 증가 또는 감소하도록 단조 근사화 처리를 수행하고(S420 단계), Non-Negative Least Square(NNLS)에 의한 선형 회귀 알고리즘을 이용하여 배전 자산의 잔존 수명에 대한 유효 인자의 영향도를 산출하고(S430 단계), Constrainted Least Square(CLS)에 의한 선형 회귀 알고리즘을 이용하여 배전 자산의 잔존 수명에 대한 각 유효 인자의 영향도를 변화시키면서 에러가 최소가 되는 영향도를 선정하고(S440 단계), CLS를 통해 선정된 영향도와 유효 인자 추출부(400)를 통해 추출된 각 유효 인자의 인자값에 기초하여 배전 자산의 건전도 지수를 산출할 수 있다.(S450 단계)
상술한 바와 같이, 본 발명의 일 실시예에 따른 배전 자산의 건전도 평가 장치 및 방법은 전술한 바와 같이, 본 발명은 배전 자산의 유효 인자를 독립 변수로 하고 배전 자산의 잔존 수명을 종속 변수로 하는 회귀 모델을 객관적으로 추출된 유효 인자 및 잔존 수명에 기초하여 추정함으로써, 배전 자산의 건전도 평가의 신뢰성 및 배전 자산의 수명 추정의 정확성을 향상시킬 수 있다. 또한, 본 발명은 기계 학습일 이용하여 배전 자산 데이터에 포함된 복수의 잠정 인자 중에서 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출함으로써 배전 자산의 수명에 영향을 미치는 인자를 객관적으로 결정할 수 있다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
10: 데이터베이스
100: 데이터 수집부
200: 이상 데이터 처리부
300: 잔존 수명 예측부
400: 유효 인자 추출부
500: 건전도 지수 산출부

Claims (20)

  1. 배전 자산의 생애 주기 데이터를 포함하는 배전 자산 데이터를 수집하는 데이터 수집부;
    상기 데이터 수집부를 통해 수집된 배전 자산 데이터에 기초하여 상기 배전 자산의 잔존 수명을 예측하는 잔존 수명 예측부;
    상기 데이터 수집부를 통해 수집된 배전 자산 데이터와 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명에 기초하여 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 유효 인자 추출부; 및
    상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명과 상기 유효 인자 추출부를 통해 추출된 유효 인자에 기초하여 상기 배전 자산의 건전도를 나타내는 건전도 지수를 산출하는 건전도 지수 산출부;를 포함하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  2. 제 1항에 있어서,
    상기 생애 주기 데이터는, 상기 배전 자산의 설치 데이터, 운전 데이터, 고장 데이터, 교체 데이터, 폐기 데이터, 유지보수 데이터 및 예방진단 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  3. 제 1항에 있어서,
    상기 잔존 수명 예측부는, 상기 배전 자산 데이터에 기초하여 상기 배전 자산에 대한 제1 잔존 수명을 예측하고, 상기 예측된 제1 잔존 수명 및 미리 설정된 건전도 지수를 입력으로 하는 다항 회귀를 이용하여 상기 배전 자산에 대한 제2 잔존 수명을 예측하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  4. 제 1항에 있어서,
    상기 유효 인자 추출부는, 랜덤 포레스트를 포함하는 앙상블 학습을 통해 상기 배전 자산 데이터에 포함된 적어도 하나의 인자 중에서 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  5. 제 1항에 있어서,
    상기 유효 인자 추출부는, 상기 추출된 유효 인자에 외부로부터 입력된 유효 인자를 더 포함시키는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  6. 제 1항에 있어서,
    상기 건전도 지수 산출부는, 상기 유효 인자 추출부를 통해 추출된 유효 인자의 인자값과 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명을 복수의 버킷(bucket)으로 그룹화하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  7. 제 1항에 있어서,
    상기 건전도 지수 산출부는, 상기 유효 인자의 증가 또는 감소에 따라 상기 배전 자산의 잔존 수명이 단조적으로 증가 또는 감소하도록 단조 근사 처리를 수행하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  8. 제 1항에 있어서,
    상기 건전도 지수 산출부는, Non-Negative Least Square(NNLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 배전 자산의 잔존 수명에 대한 상기 유효 인자의 영향도를 산출하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  9. 제 8항에 있어서,
    상기 건전도 지수 산출부는, Constrainted Least Square(CLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 산출된 유효 인자의 영향도를 변화시키면서 에러가 최소가 되는 유효 인자의 영향도를 선정하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  10. 제 1항에 있어서,
    Z 점수 정규화 알고리즘을 이용하여 상기 배전 자산 데이터에 포함된 이상 데이터를 제거하는 이상 데이터 처리부;를 더 포함하는 것을 특징으로 하는 배전 자산의 건전도 평가 장치.
  11. 데이터 수집부가, 배전 자산의 생애 주기 데이터를 포함하는 배전 자산 데이터를 수집하는 단계;
    잔존 수명 예측부가, 상기 데이터 수집부를 통해 수집된 배전 자산 데이터에 기초하여 상기 배전 자산의 잔존 수명을 예측하는 단계;
    유효 인자 추출부가, 상기 데이터 수집부를 통해 수집된 배전 자산 데이터와 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명에 기초하여 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 단계; 및
    건전도 지수 산출부가, 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명과 상기 유효 인자 추출부를 통해 추출된 유효 인자에 기초하여 상기 배전 자산의 건전도를 나타내는 건전도 지수를 산출하는 단계;를 포함하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  12. 제 11항에 있어서,
    상기 생애 주기 데이터는, 상기 배전 자산의 설치 데이터, 운전 데이터, 고장 데이터, 교체 데이터, 폐기 데이터, 유지보수 데이터 및 예방진단 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  13. 제 11항에 있어서,
    상기 예측하는 단계는,
    상기 잔존 수명 예측부가, 상기 배전 자산 데이터에 기초하여 상기 배전 자산에 대한 제1 잔존 수명을 예측하는 단계; 및
    상기 예측된 제1 잔존 수명 및 미리 설정된 건전도 지수를 입력으로 하는 다항 회귀를 이용하여 상기 배전 자산에 대한 제2 잔존 수명을 예측하는 단계;를 포함하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  14. 제 11항에 있어서,
    상기 추출하는 단계에서, 상기 유효 인자 추출부는,
    랜덤 포레스트를 포함하는 앙상블 학습을 통해 상기 배전 자산 데이터에 포함된 적어도 하나의 인자 중에서 상기 배전 자산의 잔존 수명에 영향을 미치는 유효 인자를 추출하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  15. 제 11항에 있어서,
    상기 추출하는 단계에서, 상기 유효 인자 추출부는,
    상기 추출된 유효 인자에 외부로부터 입력된 유효 인자를 더 포함시키는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  16. 제 11항에 있어서,
    상기 산출하는 단계에서, 상기 건전도 지수 산출부는,
    상기 유효 인자 추출부를 통해 추출된 유효 인자의 인자값과 상기 잔존 수명 예측부를 통해 예측된 배전 자산의 잔존 수명을 복수의 버킷(bucket)으로 그룹화하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  17. 제 11항에 있어서,
    상기 산출하는 단계에서, 상기 건전도 지수 산출부는,
    상기 유효 인자의 증가 또는 감소에 따라 상기 배전 자산의 잔존 수명이 단조적으로 증가 또는 감소하도록 단조 근사 처리를 수행하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  18. 제 11항에 있어서,
    상기 산출하는 단계에서, 상기 건전도 지수 산출부는,
    Non-Negative Least Square(NNLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 배전 자산의 잔존 수명에 대한 상기 유효 인자의 영향도를 산출하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  19. 제 18항에 있어서,
    상기 산출하는 단계에서, 상기 건전도 지수 산출부는,
    Constrainted Least Square(CLS)에 의한 선형 회귀 알고리즘을 이용하여 상기 산출된 유효 인자의 영향도를 변화시키면서 에러가 최소가 되는 유효 인자의 영향도를 선정하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
  20. 제 11항에 있어서,
    이상 데이터 처리부가, Z 점수 정규화 알고리즘을 이용하여 상기 배전 자산 데이터에 포함된 이상 데이터를 제거하는 단계;를 더 포함하는 것을 특징으로 하는 배전 자산의 건전도 평가 방법.
KR1020200122329A 2020-09-22 2020-09-22 배전 자산의 건전도 평가 장치 및 방법 KR20220039323A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200122329A KR20220039323A (ko) 2020-09-22 2020-09-22 배전 자산의 건전도 평가 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200122329A KR20220039323A (ko) 2020-09-22 2020-09-22 배전 자산의 건전도 평가 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20220039323A true KR20220039323A (ko) 2022-03-29

Family

ID=80995836

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200122329A KR20220039323A (ko) 2020-09-22 2020-09-22 배전 자산의 건전도 평가 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20220039323A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102604708B1 (ko) * 2023-07-20 2023-11-23 주식회사 비츠로이엠 인공 지능 기반 수배전반 진단 시스템 및 방법
KR102637637B1 (ko) * 2022-11-30 2024-02-16 (주)위드비어 전력설비의 재제조 평가 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102637637B1 (ko) * 2022-11-30 2024-02-16 (주)위드비어 전력설비의 재제조 평가 방법
KR102604708B1 (ko) * 2023-07-20 2023-11-23 주식회사 비츠로이엠 인공 지능 기반 수배전반 진단 시스템 및 방법

Similar Documents

Publication Publication Date Title
CN104966141B (zh) 更新用于生成工业资产健康状况简档的模型的方法和系统
US10534361B2 (en) Industrial asset health model update
US20040044499A1 (en) Method and system for determining motor reliability
JP2014016691A (ja) 設備維持管理業務支援システム、およびその方法
JP2009098147A (ja) Ｄｃモータシステムの信頼性を判定する方法及びシステム
JP5768983B2 (ja) 契約違反予測システム、契約違反予測方法および契約違反予測プログラム
KR20220039323A (ko) 배전 자산의 건전도 평가 장치 및 방법
Hu et al. A general model, estimation, and procedure for modeling recurrent failure process of high-voltage circuit breakers considering multivariate impacts
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
Moat et al. Survival analysis and predictive maintenance models for non-sensored assets in facilities management
KR101884908B1 (ko) 빅데이터 분석 기반 신뢰도 예측 장치
JP7339861B2 (ja) 故障確率評価システム
CN117375231A (zh) 一种基于电网数据节点的统计方法及数据处理系统
CN115271277A (zh) 电力设备画像构建方法、系统、计算机设备及存储介质
CN115544803A (zh) 一种变压器剩余寿命预测方法、装置、设备及存储介质
CN114091618A (zh) 工业设备健康状态诊断管理方法、装置及服务器
KR20210051886A (ko) 설비의 헬스 인덱스 평가 테이블을 자동으로 구성하는 방법
CN112116139A (zh) 一种电力需求预测方法及系统
CN117150032B (zh) 一种水电站发电机组的智能维护系统及方法
CN110660002B (zh) 风力发电机组的部件的失效率曲线的确定方法和设备
RU2820568C1 (ru) Способ и устройство определения эксплуатационной готовности объекта техники
CN117514649B (zh) 一种风电机组健康状态监测方法及装置
Nwadinobi et al. Development of Simulation for Condition Monitoring and Evaluation of Manufacturing Systems
CN117272844B (zh) 配电盘工作寿命的预测方法及系统
Neelamkavil Condition-based maintenance in facilities management

Legal Events

Date Code Title Description
A201 Request for examination