KR20220147977A - 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치 및 방법 - Google Patents

Abstract

본 발명의 일 측면에 따른 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치는, 과거 계측 데이터를 시계열 데이터로 변환하는 전처리부; 상기 시계열 데이터로 학습하여 미래 계측값을 예측하는 순환 신경망; 실제 전력 계측 설비가 측정한 계측값을 상태 추정 기반으로 장애 여부를 판정하는 전단 장애 식별 모듈; 및 상기 순환 신경망으로 예측한 계측값과 상기 전단 장애 식별 모듈에서 정상이라고 판정한 계측값을 비교하여, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단하는 후단 장애 식별 모듈을 포함할 수 있다.

Description

전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치 및 방법{DATA DIAGNOSIS DEVICE TO COPE WITH MALICIOUS DATA INJECTION IN POWER MEASUREMENT FACILITIES}

본 발명은 전력 계측 설비가 측정한 계측 데이터의 장애 데이터 여부를 판정하기 위한 데이터 진단 장치로서, 장애 감지 알고리즘을 무력화하려는 의도로 주입된 전력 계측 설비의 악의적인 데이터 주입에 대응할 수 있는 데이터 진단 장치 및 방법에 관한 것이다.

현재 대부분의 국가가 실시간으로 배전 계통의 상황을 계측하고 모니터링 하는 능력이 부족한 상황이다. 최근 증가하는 분산 전원 및 전기자동차는 배전 계통의 운영 복잡성을 더욱 높이고 실시간 모니터링 기술에 대한 요구를 증가시키고 있다. 실시간 모니터링은 전력 계측 설비의 계측값을 수집하는데, 이때 장애 데이터는 실시간 모니터링의 어려움을 심화 시킨다. 전력 계측 설비의 장애 데이터를 식별하기 위해 배전 계통 상태 추정이 사용된다. 배전 계통 상태 추정은 제한된 수의 전력 계측 설비에서 수집되는 데이터를 활용해 전체 배전 계통의 상태(전압, 위상각)를 추정한다.

예컨대, 배전선로에 속한 수용가의 부하 패턴의 변화나 정전 등의 이벤트 발생, 및 해당 배전선로에 속한 자동화 개폐기나 리클로저의 절체 시점 등을 파악하기 위해, PQMS(Power Quality Management System) 또는 DAS(Distiribution Automation System)에 의해 수집된 전력 부하 데이터의 패턴 변화를 탐지하는 방법이 적용될 수 있다.

장애 데이터를 식별하기 위해 장애 감지 알고리즘이 사용되는데 전력 계측 설비로 계측한 값과 상태 추정을 통해 예측한 값을 활용하여 장애 여부를 판단한다. 추가적으로 계측값과 예측값의 잔차를 계산하여 정규화하고 임계값을 넘는 특정 잔차를 활용하여 데이터 장애로 식별한다.

상술한 장애 데이터 식별 방법과 관련하여, 예컨대, 이상 신호의 데이터를 분석하여 신호의 위상, 세기를 통계적으로 처리할 수 있다. 구체적으로, 특정 위상, 세기의 위치에 발생하는 신호의 개수에 따라서 신호를 분류하는 알고리즘을 이용하여 단순히 이상(장애) 신호에 대한 각각의 종류에 대한 가능성(확률)을 알려주는 방식이다.

그런데, 기존의 패턴 변화 탐지나 상태 추정 결과를 바탕으로 하는 장애 감지 알고리즘을 무력화하는 악의적인 데이터 주입은 장애 데이터로 식별하기 어려운 상황으로, 전력 분야의 보안성을 저하시키고 있다. 이는 악의적인 공격자가 장애 감지 알고리즘의 원리를 이용하여, 장애 감지 알고리즘에 검출되지 않는 악의적인 데이터를 생성함에 기인한다. 이에 따라, 장애 감지 모델에 의존하지 않는 특성을 가진 장애 감지 알고리즘이 필요하다.

대한민국 공개공보 10-2019-0099811호

본 발명은 장애 감지 알고리즘을 무력화하려는 의도로 주입된 악의적인 데이터를 식별할 수 있는 데이터 진단 방법을 제공하고자 한다.

보다 구체적으로 본 발명은 악의적인 데이터 주입에 대응하기 위해 인공지능 기반으로 과거의 데이터로부터 계측값을 예측하고 전력 계측 설비의 실제 계측값과 비교하여 장애 데이터를 진단하는 방법을 제시한다.

본 발명의 일 측면에 따른 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치는, 과거 계측 데이터를 시계열 데이터로 변환하는 전처리부; 상기 시계열 데이터로 학습하여 미래 계측값을 예측하는 순환 신경망; 실제 전력 계측 설비가 측정한 계측값을 상태 추정 기반으로 장애 여부를 판정하는 전단 장애 식별 모듈; 및 상기 순환 신경망으로 예측한 계측값과 상기 전단 장애 식별 모듈에서 정상이라고 판정한 계측값을 비교하여, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단하는 후단 장애 식별 모듈을 포함할 수 있다.

여기서, 상기 전단 장애 식별 모듈은, 계통 구조와 선로 특성에 따른 자코비안 행렬을 이용하여 상태 추정을 수행할 수 있다.

여기서, 상기 순환 신경망 및 상기 후단 장애 식별 모듈은, 상기 전단 장애 식별 모듈의 상태 추정 계통 구조와 선로 특성에 따른 자코비안 행렬과 임의의 데이터로 악의적으로 만들어진 데이터를 식별할 수 있다.

여기서, 상기 전처리부는, 입력받은 과거 계측 데이터를 시간적 순서를 가지는 시계열 데이터 패턴들의 배열로 재구성할 수 있다.

여기서, 상기 순환 신경망은, 상기 각 시계열 데이터 패턴을 구성하는 값들을 X와 Y로 구분하고, 상기 X를 입력하면 상기 Y를 출력하도록 학습될 수 있다.

여기서, 상기 순환 신경망은, 상기 시계열 데이터 패턴의 X를 입력받는 입력 레이어; 상기 시계열 데이터 패턴의 Y에 해당하는 값을 예측하는 출력 레이어; 및 상기 학습에 따른 가중치를 반영하여 상기 입력 레이어와 상기 출력 레이어 사이를 중개하거나 또는 재귀하는 히든 레이어를 포함할 수 있다.

본 발명의 다른 측면에 따른 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 방법은, 과거의 계측 데이터를 수집하는 단계; 상기 과거 계측 데이터를 시계열 데이터로 변환하는 단계; 상기 시계열 데이터로 미래 계측값 예측을 수행하는 순환 신경망을 학습시키는 단계; 실제 전력 계측 설비가 측정한 계측값을 상태 추정 기반으로 장애 여부를 판정하는 단계; 정상이라고 판정된 과거의 계측값들을 상기 순환 신경망에 적용하여 미래의 계측값을 예측하는 단계; 및 정상이라고 판정된 현재 계측값과 상기 순환 신경망으로 예측된 계측값을 비교하여, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단하는 단계를 포함할 수 있다.

여기서, 전력 계측 설비가 실시간적으로 측정한 계측값이, 상기 상태 추정 기반으로 장애 여부를 판정하는 단계 및 상기 순환 신경망에 적용하여 미래의 계측값을 예측하는 단계로 입력되어 이용될 수 있다.

상술한 구성의 본 발명의 사상에 따른 데이터 진단 방법을 실시하면, 장애 감지 알고리즘을 무력화하려는 의도로 주입된 악의적인 데이터를 식별하여 전력 관리 시스템의 보안성을 높일 수 있는 이점이 있다.

본 발명의 데이터 진단 방법은 과거의 데이터를 학습시킨 인공지능 기반의 예측을 사용하기 때문에 모델에 의존하지 않는 특성이 확보되어 인위적인 장애로부터의 안정성이 상승되는 이점이 있다. 즉, 기존의 장애 감지 알고리즘과 통합하여 상태추정 기반의 장애 감지 알고리즘을 무력화시키는 인위적인 장애 데이터 식별이 가능하다.

또한, 상술한 이점은 과거의 데이터가 많이 확보될수록 예측값의 정확성이 증가하기 때문에 새로운 플랫폼을 통해 더 높은 효과를 기대할 수 있다.

본 발명의 데이터 진단 방법은 모니터링 성능이 향상되어 명령 오류나 동작 오류의 가능성이 감소되어 계통의 신뢰도를 증가시키고, 비용 효율적인 계통 관리와 실시간으로 장애데이터를 식별함으로 차세대 계통의 안정성 확보에 기여하는 이점이 있다.

도 1은 본 발명의 일 실시예에 따른 데이터 진단 장치를 도시한 블록도.
도 2는 도 1의 데이터 진단 장치가 악의적으로 주입된 데이터를 식별하는 양상을 도시한 개념도.
도 3은 기존 장애 감지 알고리즘으로 널리 사용되는 계통 상태추정 알고리즘을 도시한 흐름도.
도 4는 본 발명의 사상에 따른 인공지능 기반의 알고리즘을 가진 학습 모델의 계측값 예측 모델 학습 과정을 나타낸 개념도.
도 5는 시계열 데이터 패턴들로 학습을 수행하는 순환 신경망 구조를 나타내는 개념도.
도 6은 실시간으로 입력되는 전력 분야 계측값들에서 장애 데이터를 식별하는 과정을 나타낸 개념도.
도 7은 본 발명의 사상에 따른 전력 수요 예측 방법을 도시한 흐름도.

본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지 않을 수 있다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.

본 명세서에서, 포함하다 또는 구비하다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.

또한, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

본 발명은 상태 추정 기반의 기존 장애 감지 알고리즘을 무력화시키는 인위적인 데이터 주입을 진단하는 방안으로, 과거의 계측 데이터로부터 현재의 계측값을 예측하고 실제 전력 계측 장비로 계측된 값과 비교하여 장애 데이터를 진단하는 추가적인 장애 식별 과정을 제안한다.

추가적인 장애 식별 수행을 위해, 본 발명은 과거의 계측 데이터로부터 현재의 계측값을 예측하기 위해서 인공지능의 한 종류인 순환 신경망(Recurrent Neural Network, RNN)을 학습시켜 사용한다. 학습시킬 때, 입력 데이터는 시간적 특성을 고려하기 위해 시계열 형태로 변환되어 입력되고 특정 시간 예측 값이 출력되어 실시간으로 장애 데이터를 식별할 수 있다.

도 1은 본 발명의 일 실시예에 따른 데이터 진단 장치를 도시한 블록도이다.

도 2는 도 1의 데이터 진단 장치가 악의적으로 주입된 데이터를 식별하는 양상을 도시한 개념도이다.

도시한 데이터 진단 장치는, 과거 계측 데이터를 시계열 데이터로 변환하는 전처리부(120); 상기 시계열 데이터로 학습하여(모델로) 미래 계측값을 예측하는 순환 신경망(140); 실제 전력 계측 설비가 측정한 계측값을 상태 추정 기반으로 장애 여부를 판정하는 전단 장애 식별 모듈(160); 및 상기 순환 신경망(140)으로 예측한 계측값과 상기 전단 장애 식별 모듈(160)에서 정상이라고 판정한 계측값을 비교하여, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단하는 후단 장애 식별 모듈(180)을 포함할 수 있다.

본 발명은 상태추정 기반으로 진행되는 기존의 장애 감지 알고리즘을 통과한 데이터에서 악의적으로 조작된 장애 데이터를 2차적으로 식별하는 구조를 형성한다.

도 3은 기존 장애 감지 알고리즘으로 널리 사용되는 계통 상태추정 알고리즘을 도시한 흐름도이다.

배전 계통을 관리하는 운영자(예를 들어 도 2의 KEPCO(한국전력공사))는 배전 계통 모니터링을 위해 전력 계측 설비 계측값인 z를 수집할 때, 1차적으로 기존 장애 감지 알고리즘을 가진 전단 장애 식별 모듈을 통과시켜 장애 데이터를 식별한다. 하지만, 악의적인 데이터 a를 주입시킨 장애 데이터 z_a는 기존의 장애 알고리즘을 무력화시켜 정상적인 데이터처럼 통과된다. 예컨대, 악의적인 데이터 a는 도 3의 상태추정 계통 구조와 선로 특성에 따른 자코비안 행렬 H와 임의의 데이터 c로 만들어진 데이터이다.

상기 전단 장애 식별 모듈(160)이 이용하는 상태추정 알고리즘을 악용해서 조작된 장애 데이터는 본 발명의 사상에 따른 인공지능 기반의 알고리즘을 가진 후단 장애 식별 모듈(180)을 통해 식별된다.

도 4는 본 발명의 사상에 따른 인공지능 기반의 알고리즘을 가진 학습 모델의 계측값 예측 모델 학습 과정을 나타낸 개념도이다.

본 발명은 기존 장애 감지 알고리즘을 가진 전단 장애 식별 모듈을 통과하도록 조작된 장애 데이터를 인공지능 기반으로 실시간 식별할 수 있다. 본 발명의 사상을 구현하는 구성으로서, 도 4와 같이 과거 데이터를 입력하면 시계열 데이터로 변환하는 전처리부(120), 계측값을 예측하는 순환 신경망(140), 실시간으로 장애 데이터를 식별하는 모델로서 후단 장애 식별 모듈(180)로 이루어져 있다.

상기 순환 신경망(140)은 상기 전처리부에서 변환된 시계열 데이터를 입력 받아서 예측 데이터를 출력하므로, 과거 시간적 특성을 갖고 있다. 그렇기 때문에 기존 장애 감지 알고리즘을 무력화시키려는 악의적으로 조작된 장애 데이터라도 예측값과 다르면 장애 데이터로 식별할 수 있다.

상기 전처리부에서는 하기 표 1과 과거 데이터를 순환 신경망을 통해 예측하기 위해 순환 신경망의 입력 형태로 변환(재배열)시킬 수 있다.

본 발명은 장애 데이터(실제 계측값)를 식별하기 때문에 과거의 계측 데이터를 입력 받아야 한다. 즉, 과거 데이터를 시간적 순서를 가진 시계열 데이터로 변환시켜서, 시계열 데이터로 패턴을 파악하여 미래의 값을 예측하고자 한다.

이를 위해 상기 전처리부는, 입력받은 과거 계측 데이터를 시간적 순서를 가지는 시계열 데이터 패턴들의 배열로 재구성하는데, 예컨대, 상기 표 1과 같이 일부 계측값들이 서로 중첩되도록 각 시계열 데이터 패턴을 구성할 수 있다. 또는, 시각(오전, 오후), 계절에 따른 계측값 패턴을 구성할 수 있다.

도 5는 시계열 데이터 패턴들로 학습을 수행하는 순환 신경망(140)의 구조를 나타내는 개념도이다.

악의적으로 주입된 데이터를 식별하도록 본 발명의 사상에 따른 순환 신경망 기반 예측을 수행하기 위해, 상기 순환 신경망은 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 인공 지능의 한 종류로 도 5와 같이 과거의 데이터를 재귀적으로 참조한다.

예컨대, 상기 표 1과 같은 일부 계측값들이 서로 중첩되도록 각 시계열 데이터 패턴들에 따른 시계열 데이터를 입력값으로 받고, 각 시계열 데이터 패턴을 X, Y로 분류해 줄 수 있다. 이 경우, X를 입력하면 Y가 출력 되도록 학습 모델(보다 구체적으로는 히든 레이어(144) 및 연결 관계 가중치)을 학습시킨다. 학습된 모델을 이용하여 예측 데이터를 출력하여 실시간 장애 식별의 데이터로 활용한다.

이를 위해, 상기 순환 신경망(140)은, 상기 시계열 데이터 패턴의 X를 입력받는 입력 레이어(142); 상기 시계열 데이터 패턴의 Y에 해당하는 값을 예측하는 출력 레이어(146); 및 상기 학습에 따른 가중치를 반영하여 상기 입력 레이어와 상기 출력 레이어 사이를 중개하거나 또는 재귀하는(즉, 재귀 경로에 학습 가중치를 반영) 히든 레이어(144)를 포함할 수 있다.

도 6은 실시간 장애 데이터 진단 과정을 나타낸 개념도이다. 즉, 본 발명의 사상에 따라 상기 후단 장애식별 모듈(180)이, 실시간으로 입력되는 전력 분야 계측값들에서 장애 데이터를 식별하는 과정을 나타낸다.

도시한 바와 같이, 상기 후단 장애식별 모듈(180)은, 상기 순환 신경망(140)으로 예측한 계측값과 실제 전력 계측 설비가 측정한 계측값을 비교하여 임계값을 설정하고, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단한다.

구현에 따라, 상기 후단 장애식별 모듈(180)은, 소정 시간 동안 상기 순환 신경망으로 예측한 계측값과 실제 전력 계측 설비가 측정한 계측값을 비교하여 임계값을 운영 중에 설정할 수 있다. 운영중에 설정(변경)된 임계값은 다음번 실시간 계측 데이터에 대한 장애 판정시 적용될 수 있다.

도 7은 본 발명의 사상에 따른 전력 수요 예측 방법을 도시한 흐름도이다.

도시한 전력 수요 예측 방법은, 과거의 계측 데이터를 수집하는 단계(S110); 상기 과거 계측 데이터를 시계열 데이터로 변환하는 단계(S120); 상기 시계열 데이터로 미래 계측값 예측을 수행하는 순환 신경망을 학습시키는 단계(S130); 실제 전력 계측 설비가 측정한 계측값을 상태 추정 기반으로 장애 여부를 판정하는 단계(S150); 정상이라고 판정된 과거의 계측값들을 상기 순환 신경망에 적용하여 미래의 계측값을 예측하는 단계(S160); 및 정상이라고 판정된 현재 계측값과 상기 순환 신경망으로 예측된 계측값을 비교하여, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단하는 단계(S180)를 포함할 수 있다.

도시한 상태 추정 기반으로 장애 여부를 판정하는 단계(S150, S155)는 도 1의 전단 장애 식별 모듈에서 수행하며, 예측된 계측값을 비교하여 도시한 장애 데이터로 진단하는 단계(S180)는 도 1의 후단 장애 식별 모듈에서 수행되는 2중 장애 진단 구성을 가지고 있다. 도시한 바와 같이, 먼저 전단 장애 식별 모듈의 판정 결과가 장애 데이터이면(S150), 최종적으로 장애로 판정되며(S190), 전단 장애 식별 모듈의 판정 결과가 정상 데이터이면, 다시 후단 장애 식별 모듈의 판정을 수행하게 하여, 그 결과가 정상인 경우에만 최종적으로 정상 데이터로 판정한다(S195).

도시한 바와 같이, 실제 전력 계측 설비가 실시간적으로 측정한 계측값은, 상기 상태 추정 기반으로 장애 여부를 판정하는 단계(S150) 및 상기 순환 신경망에 적용하여 미래의 계측값을 예측하는 단계(S160)로 입력되어 이용된다. 즉, 실시간적으로 측정한 계측값에 의해서는 도시한 흐름도상 S150 단계 이후가 수행되고, 실시간적으로 계측값을 측정하기 이전에 S110 단계 내지 S130 단계가 수행될 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

120 : 전처리부
140 : 순환 신경망
160 : 전단 장애 식별 모듈
180 : 후단 장애 식별 모듈

Claims (8)

1. 과거 계측 데이터를 시계열 데이터로 변환하는 전처리부;
   상기 시계열 데이터로 학습하여 미래 계측값을 예측하는 순환 신경망;
   실제 전력 계측 설비가 측정한 계측값을 상태 추정 기반으로 장애 여부를 판정하는 전단 장애 식별 모듈; 및
   상기 순환 신경망으로 예측한 계측값과 상기 전단 장애 식별 모듈에서 정상이라고 판정한 계측값을 비교하여, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단하는 후단 장애 식별 모듈
   을 포함하는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치.
   
2. 제1항에 있어서,
   상기 전단 장애 식별 모듈은,
   계통 구조와 선로 특성에 따른 자코비안 행렬을 이용하여 상태 추정을 수행하는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치.
   
3. 제2항에 있어서,
   상기 순환 신경망 및 상기 후단 장애 식별 모듈은,
   상기 전단 장애 식별 모듈의 상태 추정 계통 구조와 선로 특성에 따른 자코비안 행렬과 임의의 데이터로 악의적으로 만들어진 데이터를 식별하는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치.
   
4. 제1항에 있어서,
   상기 전처리부는,
   입력받은 과거 계측 데이터를 시간적 순서를 가지는 시계열 데이터 패턴들의 배열로 재구성하는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치.
   
5. 제4항에 있어서,
   상기 순환 신경망은,
   상기 시계열 데이터 패턴을 구성하는 값들을 X와 Y로 구분하고,
   상기 X를 입력하면 상기 Y를 출력하도록 학습되는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치.
   
6. 제5항에 있어서,
   상기 순환 신경망은,
   상기 시계열 데이터 패턴의 X를 입력받는 입력 레이어;
   상기 시계열 데이터 패턴의 Y에 해당하는 값을 예측하는 출력 레이어; 및
   상기 학습에 따른 가중치를 반영하여 상기 입력 레이어와 상기 출력 레이어 사이를 중개하거나 또는 재귀하는 히든 레이어
   를 포함하는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치.
   
7. 과거의 계측 데이터를 수집하는 단계;
   상기 과거의 계측 데이터를 시계열 데이터로 변환하는 단계;
   상기 시계열 데이터로 미래 계측값 예측을 수행하는 순환 신경망을 학습시키는 단계;
   실제 전력 계측 설비가 측정한 계측값을 상태 추정 기반으로 장애 여부를 판정하는 단계;
   정상이라고 판정된 과거의 계측값들을 상기 순환 신경망에 적용하여 미래의 계측값을 예측하는 단계; 및
   정상이라고 판정된 현재 계측값과 상기 순환 신경망으로 예측된 계측값을 비교하여, 예측값과 실제값의 차이가 임계값을 넘으면 장애 데이터로 진단하는 단계
   를 포함하는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 방법.
   
8. 제7항에 있어서,
   전력 계측 설비가 실시간적으로 측정한 계측값이, 상기 상태 추정 기반으로 장애 여부를 판정하는 단계 및 상기 순환 신경망에 적용하여 미래의 계측값을 예측하는 단계로 입력되어 이용되는 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 방법.
   
   
   
   
   
   
   
   
   
   

Images