KR20230007584A - A method of building a machine learning model for the prevention and diagnosis of an energy storage device accident, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model - Google Patents
A method of building a machine learning model for the prevention and diagnosis of an energy storage device accident, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model Download PDFInfo
- Publication number
- KR20230007584A KR20230007584A KR1020210087715A KR20210087715A KR20230007584A KR 20230007584 A KR20230007584 A KR 20230007584A KR 1020210087715 A KR1020210087715 A KR 1020210087715A KR 20210087715 A KR20210087715 A KR 20210087715A KR 20230007584 A KR20230007584 A KR 20230007584A
- Authority
- KR
- South Korea
- Prior art keywords
- energy storage
- machine learning
- learning model
- storage device
- series data
- Prior art date
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 93
- 238000010801 machine learning Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 230000002265 prevention Effects 0.000 title claims abstract description 16
- 238000004590 computer program Methods 0.000 title claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
Description
본 발명은 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 관한 것으로, 더욱 상세하게는 수집된 에너지 저장 장치의 전기적 특성과 환경적 특성를 갖는 시계열 데이터들 중 에너지 저장 장치의 고장 발생에 영향력이 큰 주요 인자들의 시계열 데이터를 선별하여 기계 학습 모델을 구축하고, 구축된 기계 학습 모델을 통해 에너지 저장 장치의 고장 진단을 실시간으로 수행할 수 있는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 관한 것이다.The present invention relates to a method for constructing a machine learning model for preventing and diagnosing an accident of an energy storage device, and to a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model, and more particularly, to a collected energy storage A machine learning model is built by selecting the time series data of major factors that have a large influence on the failure of an energy storage device among the time series data having electrical and environmental characteristics of the device, and the failure of the energy storage device through the built machine learning model. A method for constructing a machine learning model for preventing and diagnosing an energy storage device accident capable of performing diagnosis in real time, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model.
화석연료의 사용은 다량의 CO2를 배출로 인한 온난화가 심각한 기후변화를 야기하면서, 화석에너지 사용에 대한 제약이 점점 심화되고 있는 실정이다. As the use of fossil fuels causes serious climate change due to warming caused by the emission of a large amount of CO2, restrictions on the use of fossil fuels are becoming increasingly severe.
이에 따라, 주요 선진국들은 국가적 차원에서 규제와 지원을 강화하여 재생가능 에너지, 에너지 저장 장치, 가상 발전소 등 새로운 시장과 산업을 창출하고 있으며, 특히 에너지 사용의 효율을 극대화 시킬 수 있는 에너지 저장 장치(ESS:Energy Storage System)가 중요한 자리를 차지하고 있다.Accordingly, major developed countries are creating new markets and industries such as renewable energy, energy storage devices, and virtual power plants by strengthening regulations and support at the national level. In particular, energy storage devices (ESS) that can maximize energy use efficiency :Energy Storage System) occupies an important place.
이때, 에너지 저장 장치(ESS:Energy Storage System)는 배터리 관리시스템(BMS:Battery Management System)과 전력 변환 장치(PCS:Power Conditioning System) 등 다양한 구성들을 목적에 따라 하나의 장치로 연동하여 통합적인 관리, 통제 및 제어를 하는 장치로서, 소비전력이 적은 시기에 에너지를 이차 전지와 같은 배터리에 저장하였다가 소비전력이 많은 시기에 공급할 수 있어 전력 비용 절감 및 효율적 에너지 사용을 주목적으로 사용된다.At this time, the Energy Storage System (ESS) integrates various components such as the Battery Management System (BMS) and the Power Conditioning System (PCS) into one device according to the purpose for integrated management. As a device that controls and controls energy consumption, it is mainly used for reducing power costs and efficient energy use because it can store energy in a battery such as a secondary battery when power consumption is low and supply it when power consumption is high.
이에, 회사, 학교, 가정, 공장 등과 같은 에너지 사용 밀도가 높은 곳에서 에너지 저장 장치(ESS:Energy Storage System)를 사용하는 빈도가 증가하는 추세이다.Accordingly, the frequency of using an energy storage system (ESS) is increasing in places with high energy consumption density, such as companies, schools, homes, factories, and the like.
그러나, 에너지 저장 장치(ESS:Energy Storage System)는 구성 자체에서 발생될 수 있는 위험요소, 작동과정 중에 발생될 수 있는 위험요소 및 고장으로 인해 수반되는 각종 사고가 발생할 수 있으며, 실질적으로 최근엔 큰 화재 사고로 이어지는 사례가 증가하면서 에너지 저장 장치(ESS:Energy Storage System)에 대한 사용자의 신뢰도가 하락하고 있다. However, energy storage systems (ESS: Energy Storage System) can cause various accidents due to risk factors that may occur in the configuration itself, risk factors that may occur during operation, and failures. As cases leading to accidents increase, user confidence in energy storage systems (ESS) is declining.
이에, 종래에는 관리자가 에너지 저장 장치(ESS:Energy Storage System)를 주기적으로 점검하거나 측정한 데이터들을 직접 비교 분석하여 고장을 진단하고 대처하였다.Accordingly, in the related art, a manager periodically inspects an energy storage system (ESS) or directly compares and analyzes measured data to diagnose and deal with failures.
그러나, 실시간으로 쌓여가는 방대한 양의 데이터들을 일일히 비교 분석하여 고장을 진단하는 것이 번거롭고 어려우며, 사람의 실수로 정확한 고장 진단 및 예측이 되지 않아 큰 사고로 이어질 수 있는 가능성이 높다.However, it is cumbersome and difficult to diagnose a failure by comparing and analyzing the vast amount of data accumulated in real time, and it is highly likely that a human error can lead to a major accident because accurate failure diagnosis and prediction are not possible.
따라서, 관리자가 직접 점검하거나 수신된 데이터들로 일일히 비교 분석하지 않아도 에너지 저장 장치(ESS:Energy Storage System)에서 측정된 데이터들을 자동으로 비교 분석하여 보다 정확한 고장을 진단 및 예측할 수 있는 기술이 필요하다.Therefore, there is a need for a technology that can diagnose and predict failures more accurately by automatically comparing and analyzing the data measured in the energy storage system (ESS) without the manager having to manually inspect or compare and analyze the received data. Do.
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 관리자가 에너지 저장 장치가 설치된 현장을 방문하여 고장 여부를 직접 점검하지 않아도 실시간으로 에너지 저장 장치의 고장 발생 여부를 모니터링할 수 있어 에너지 저장 장치의 효율적인 관리가 가능한 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단할 수 있는 방법을 제공하는 데 있다.The present invention has been made to solve the above-mentioned problems, and an object of the present invention is to monitor the failure of the energy storage device in real time without a manager visiting the site where the energy storage device is installed and directly checking whether or not there is a failure. An object of the present invention is to provide a method for preventing and diagnosing accidents of energy storage devices based on a machine learning model capable of efficiently managing energy storage devices.
상기의 목적을 달성하기 위하여 본 발명은 에너지 저장 장치가 정상 상태와 비정상 상태일 경우 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 수집하여 각각 정상 데이터베이스와 비정상 데이터베이스로 생성하는 단계; 상기 각 데이터베이스들에 저장된 시계열 데이터들을 정규화하는 단계; 상기 정규화가 수행된 비정상 데이터베이스의 시계열 데이터들 중 학습에 필요한 주요 인자들을 추출하는 단계; 및 상기 정상 데이터베이스에서 상기 주요 인자들을 추출하고 상기 추출된 주요 인자들의 시계열 데이터들을 LSTM(Long short-term Memory) 알고리즘에 학습하여 기계 학습 모델을 구축하는 단계;를 포함한다.In order to achieve the above object, the present invention collects time-series data having electrical characteristics and environmental characteristics when the energy storage device is in a normal state and an abnormal state and generates a normal database and an abnormal database, respectively; normalizing time-series data stored in each of the databases; extracting key factors necessary for learning from time series data of the normalized abnormal database; and constructing a machine learning model by extracting the main factors from the normal database and learning the time-series data of the extracted main factors with a long short-term memory (LSTM) algorithm.
바람직한 실시예에 있어서, 상기 정규화하는 단계는 Standardscaler, Robustscaler 및 Minmaxscaler 등의 스케일링 알고리즘을 사용하여 정규화한다.In a preferred embodiment, the normalizing step normalizes using scaling algorithms such as Standardscaler, Robustscaler and Minmaxscaler.
바람직한 실시예에 있어서, 상기 주요 인자들을 추출하는 단계:는 앙상블 모델을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 중 고장과 관련하여 영향력이 높은 중요한 상위 n개의 인자(이하,“영향 인자”,이라함)들을 선정하는 단계; 및 피어슨 상관분석을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 간의 상관 계수를 산출하고, 상기 영향 인자와의 상관 계수가 높은 인자들을 주요 인자들로 추출하는 단계;를 포함한다.In a preferred embodiment, the step of extracting the main factors: is the top n factors (hereinafter referred to as “influencing factors”) that are highly influential in relation to failures among the time series data stored in the abnormality database through an ensemble model. ) Selecting them; and calculating a correlation coefficient between the time series data stored in the anomaly database through Pearson's correlation analysis, and extracting factors having a high correlation coefficient with the influencing factor as main factors.
바람직한 실시예에 있어서, 상기 앙상블 모델은 XGBoost 모델이다.In a preferred embodiment, the ensemble model is an XGBoost model.
또한, 본 발명은 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법이 기록 매체에 저장된 컴퓨터 프로그램을 더 제공할 수 있다.In addition, the present invention may further provide a computer program in which a machine learning model construction method for preventing and diagnosing accidents of an energy storage device is stored in a recording medium.
또한, 본 발명은 에너지 저장 장치로부터 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 실시간으로 수신받는 단계; 상기 에너지 저장 장치로부터 수신된 시계열 데이터들을 정규화하는 단계; 상기 정규화된 시계열 데이터들 중 기계 학습 모델 구축시 사용된 인자들의 시계열 데이터들을 추출하는 단계; 및 상기 추출된 시계열 데이터들을 에너지 저장 장치의 고장 진단 및 예측할 수 있는 기계 학습 모델 구축 방법으로 구축된 기계 학습 모델에 입력하여 상기 에너지 저장 장치의 고장을 진단 및 예측하는 단계;를 포함한다.In addition, the present invention comprises receiving in real time time-series data having electrical characteristics and environmental characteristics from an energy storage device; normalizing time series data received from the energy storage device; extracting time series data of factors used in constructing a machine learning model from among the normalized time series data; and diagnosing and predicting a failure of the energy storage device by inputting the extracted time-series data to a machine learning model built by a machine learning model construction method capable of diagnosing and predicting a failure of the energy storage device.
또한, 본 발명은 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법이 기록 매체에 저장된 컴퓨터 프로그램을 더 제공할 수 있다.In addition, the present invention may further provide a computer program in which a method for preventing and diagnosing an energy storage device accident based on a machine learning model is stored in a recording medium.
본 발명은 다음과 같은 우수한 효과가 있다.The present invention has the following excellent effects.
본 발명의 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 의하면, 기계 학습 모델을 구축하는 과정에서, 실제 에너지 저장 장치의 고장 발생에 영향을 주는 인자들 즉, 해당 고장과 관련하여 분별력 있는 인자들의 시계열 데이터만을 추출하여 기계 학습 모델을 구축하기 때문에 학습 효율 및 높은 예측 정확도의 기계 학습 모델을 구축할 수 있다는 장점이 있다.According to the machine learning model construction method for accident prevention and diagnosis of energy storage devices of the present invention, and the computer program capable of preventing and diagnosing energy storage device accidents based on the machine learning model, in the process of building a machine learning model, Since the machine learning model is built by extracting only the time series data of the factors that affect the failure of the actual energy storage device, that is, the discriminating factors related to the failure, it is possible to build a machine learning model with learning efficiency and high prediction accuracy. There is an advantage to being
또한, 본 발명의 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법, 그 기계 학습 모델을 기반으로 한 에너지 저장 장치 사고 예방 및 진단이 가능한 컴퓨터 프로그램에 의하면, 구축된 기계 학습 모델을 통해 에너지 저장 장치의 고장 진단을 실시간으로 수행할 수 있어, 관리자가 효율적으로 에너지 저장 장치의 관리 및 사고에 대한 빠른 대처가 가능하다는 장점이 있다.In addition, according to the method for constructing a machine learning model for preventing and diagnosing an accident of an energy storage device according to the present invention, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model, through the constructed machine learning model Since failure diagnosis of the energy storage device can be performed in real time, there is an advantage in that a manager can efficiently manage the energy storage device and quickly respond to accidents.
도 1은 본 발명의 일 실시예에 따른 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법 및 구축된 기계 학습 모델을 이용한 사고 예방 및 진단 방법을 설명하기 위한 순서도,
도 2는 본 발명의 일 실시예에 따른 학습에 필요한 에너지 저장 장치의 주요 인자들 추출 방법을 설명하기 위한 순서도이다.1 is a flowchart illustrating a method for constructing a machine learning model for preventing and diagnosing an accident of an energy storage device according to an embodiment of the present invention and a method for preventing and diagnosing an accident using the constructed machine learning model;
2 is a flowchart illustrating a method of extracting main factors of an energy storage device required for learning according to an embodiment of the present invention.
본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.The terms used in the present invention have been selected from general terms that are currently widely used as much as possible, but in certain cases, there are terms arbitrarily selected by the applicant. Therefore, its meaning should be understood.
이하, 첨부한 도면에 도시된 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.Hereinafter, the technical configuration of the present invention will be described in detail with reference to preferred embodiments shown in the accompanying drawings.
그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Like reference numbers indicate like elements throughout the specification.
본 발명의 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델 구축 방법(S1000)은 에너지 저장 장치의 비정상 상태의 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들 중 에너지 저장 장치의 고장에 치명적인 영향을 주는 주요 인자들을 선별하고 선별된 주요 인자들로 학습하여 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델을 구축하는 방법이다.The machine learning model construction method (S1000) capable of preventing and diagnosing accidents of energy storage devices of the present invention has a fatal effect on failures of energy storage devices among time-series data having electrical characteristics and environmental characteristics of abnormal states of energy storage devices. It is a method of building a machine learning model that can prevent and diagnose accidents of energy storage devices by selecting the main factors that give the energy and learning with the selected key factors.
또한, 본 발명의 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단 방법(S2000)은 에너지 저장 장치로부터 실시간으로 수신받는 시계열 데이터들 중 상기 기계 학습 모델 구축시 학습에 사용한 주요 인자들과 동일한 인자들의 시계열 데이터들을 추출하고 추출된 시계열 데이터들을 상기 기계 학습 모델에 입력하여 고장을 진단 및 예측하는 방법이다.In addition, the accident prevention and diagnosis method (S2000) of the energy storage device through the built machine learning model of the present invention includes the main factors used for learning when building the machine learning model among the time series data received in real time from the energy storage device A method of diagnosing and predicting a failure by extracting time series data of the same factors and inputting the extracted time series data to the machine learning model.
여기서, 상기 에너지 저장 장치는 에너지를 저장 및 출력할 수 있는 장치로, 배터리 관리 장치(BMS:Battery Management System) 및 전력 변환 장치(PCS:Power Storage System)로 구성될 수 있으며, 이 외에도 사용 목적에 따라 다양한 구성들로 구성될 수 있다.Here, the energy storage device is a device capable of storing and outputting energy, and may be composed of a battery management system (BMS) and a power conversion device (PCS: Power Storage System). It can be configured in various configurations according to.
본 발명에서는 상기 에너지 저장 장치의 배터리 관리 장치(BMS:Battery Management System)와 상기 전력 변환 장치(PCS:Power Storage System)로부터 측정되는 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 이용하여 기계 학습 모델을 구축 및 사고 예방 및 진단 방법을 수행한다.In the present invention, a machine learning model is developed using time-series data having electrical characteristics and environmental characteristics measured from the battery management system (BMS) of the energy storage device and the power conversion device (PCS: Power Storage System). Build and implement accident prevention and diagnosis methods.
이를 위해, 상기 배터리 관리 장치(BMS:Battery Management System) 및 상기 전력 변환 장치(PCS:Power Storage System)에는 상기 시계열 데이터들을 측정할 수 있는 다양한 센서들이 설치될 수 있다.To this end, various sensors capable of measuring the time-series data may be installed in the battery management system (BMS) and the power storage system (PCS).
또한, 본 발명의 일 실시예에 따른 에너지 저장 장치의 사고 예방 및 진단하기 위한 기계 학습 모델 구축 방법(S1000)과 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단 방법(S2000)은 컴퓨터에 의해 수행되며, 상기 컴퓨터에는 상기 컴퓨터를 기능시켜 상기 기계 학습 모델 구축 방법(S1000)과 상기 사고 예방 및 진단 방법(S2000)을 수행하기 위한 컴퓨터 프로그램이 각각 저장된다.In addition, the method for constructing a machine learning model for preventing and diagnosing an accident of an energy storage device (S1000) and the method for preventing and diagnosing an accident of an energy storage device through the constructed machine learning model (S2000) according to an embodiment of the present invention are computer The computer stores computer programs for performing the machine learning model construction method (S1000) and the accident prevention and diagnosis method (S2000) by functioning the computer.
또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라, 통신망을 통해 접속 가능한 서버 컴퓨터, 클라우드 시스템, 스마트폰, 태블릿과 같은 스마트 기기, 임베디드 시스템을 포함하는 광의의 컴퓨터이다.In addition, the computer is a computer in a broad sense that includes not only a general personal computer, but also a server computer, a cloud system, a smart device such as a smart phone and a tablet, and an embedded system accessible through a communication network.
또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되어 제공될 수 있으며, 상기 기록매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.In addition, the computer program may be stored and provided in a separate recording medium, and the recording medium may be specially designed and configured for the present invention or may be known and usable to those skilled in the field of computer software. .
예를 들면, 상기 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.For example, the recording medium includes magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CDs and DVDs, magneto-optical recording media capable of both magnetic and optical recording, ROM, RAM, and flash memory. etc., alone or in combination, may be a hardware device specially configured to store and execute program instructions.
또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드 뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 프로그램일 수 있다.In addition, the computer program may be a program composed of program instructions, local data files, local data structures, etc. alone or in combination, and may be executed by a computer using an interpreter or the like as well as machine code generated by a compiler. It can be a program written in high-level language code.
또한, 본 발명은 상기 에너지 저장 장치와 통신망을 통해 데이터를 송수신할 수 있으며 상기 기계 학습 모델 구축 방법(S1000)과 상기 사고 예방 및 진단 방법(S2000)을 수행하기 위한 컴퓨터 프로그램들이 저장된 하나의 서버를 별도로 제공할 수 있다.In addition, the present invention is capable of transmitting and receiving data through the energy storage device and a communication network, and a server in which computer programs for performing the machine learning model construction method (S1000) and the accident prevention and diagnosis method (S2000) are stored. May be provided separately.
이하에서는 본 발명의 일 실시예에 따른 에너지 저장 장치의 사고 예방 및 진단하기 위한 기계 학습 모델 구축 방법 및 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단 방법에 대해 자세히 설명한다Hereinafter, a method for constructing a machine learning model for preventing and diagnosing an accident of an energy storage device according to an embodiment of the present invention and a method for preventing and diagnosing an accident of an energy storage device through the constructed machine learning model will be described in detail.
도 1은 본 발명의 일 실시예에 따른 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법을 설명하기 위한 순서도이고, 도 2는 본 발명의 일 실시예에 따른 에너지 저장 장치의 주요 인자들의 선정 방법을 설명하기 위한 순서도이다. 1 is a flowchart illustrating a method for preventing and diagnosing an accident of an energy storage device based on a machine learning model according to an embodiment of the present invention, and FIG. 2 is a main factor of an energy storage device according to an embodiment of the present invention. It is a flowchart to explain the selection method of them.
도 1 내지 2를 참조하면, 본 발명의 일 실시예에 따른 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법은 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델 구축 방법(S1000)과 구축된 기계 학습 모델을 통해 에너지 저장 장치의 사고 예방 및 진단하는 방법(S2000)을 포함하여 이루어진다.1 and 2, a method for preventing and diagnosing an accident of an energy storage device based on a machine learning model according to an embodiment of the present invention is a method for constructing a machine learning model capable of preventing and diagnosing an accident of an energy storage device (S1000 ) and a method for preventing and diagnosing accidents of energy storage devices through the built machine learning model (S2000).
상세하게는 먼저, 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델 구축 방법(S1000)은 에너지 저장 장치의 상태에 따른 시계열 데이터를 각각 수집하여 데이터베이스를 생성한다(S1100).In detail, first, in the machine learning model construction method capable of preventing and diagnosing accidents of the energy storage device (S1000), time-series data according to the state of the energy storage device are collected respectively to create a database (S1100).
상세하게는, 상기 데이터베이스는 에너지 저장 장치가 정상 상태일 경우의 전기적 특성과 환경적 특성을 갖는 시계열 데이터가 수집되어 저장된 정상 데이터베이스, 상기 에너지 저장 장치가 비정상 상태일 경우의 전기적 특성과 환경적 특성을 갖는 시계열 데이터가 수집되어 저장된 비정상 데이터베이스로 각각 생성될 수 있다.In detail, the database includes a normal database in which time-series data having electrical characteristics and environmental characteristics when the energy storage device is in a normal state is collected and stored, and electrical characteristics and environmental characteristics when the energy storage device is in an abnormal state. Time-series data having time-series data may be collected and stored as abnormal databases, respectively.
한편, 상기 비정상 상태는 상기 에너지 저장 장치에서 발생할 수 있는 다양한 고장 증상을 의미하며, 에너지 저장 장치에서 발생할 수 있는 화재, 각종 오류 등을 의미할 수 있다.Meanwhile, the abnormal state means various failure symptoms that may occur in the energy storage device, and may mean a fire or various errors that may occur in the energy storage device.
또한, 상기 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들은 에너지 저장 장치에서 측정된 배터리 랙의 평균온도, 배터리 셀의 평균전압, 배터리 전압 및 전류, 배터리 최대 충전 전류 및 최대 방전 전류, PCS 전류 및 전압, DC Link 전류 전압 및 전력, 유효 전력 및 무효 전력 등의 인자들의 시계열 데이터들이며, 이 외에도 다양한 인자들이 수집되어 각 데이터베이스에 저장될 수 있다.In addition, the time-series data having the electrical characteristics and environmental characteristics are the average temperature of the battery rack measured in the energy storage device, the average voltage of the battery cell, the battery voltage and current, the maximum charge current and maximum discharge current of the battery, the PCS current and voltage , DC Link current voltage and power, active power and reactive power, etc. are time-series data, and various other factors can be collected and stored in each database.
또한, 상기 각 데이터베이스에는 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들이 측정된 시간 정보가 더 저장될 수 있다.In addition, each of the databases may further store time information obtained by measuring time-series data having electrical characteristics and environmental characteristics.
여기서, 상기 시간 정보는 측정된 년, 월, 일, 시, 분, 초 단위의 정보들 및 요일 정보 등이 포함된다.Here, the time information includes measured year, month, day, hour, minute, and second information and day of the week information.
다음, 상기 각 데이터베이스들에 저장된 인자들의 시계열 데이터들을 정규화한다(S1200).Next, time-series data of the factors stored in the respective databases are normalized (S1200).
한편, 상기 인자들의 시계열 데이터들은 각 인자들 간의 단위가 다르고 측정된 값의 범위와 크기에 차이가 있기 때문에 로우 데이터를 이용하여 기계 학습을 수행할 경우, 효율적인 학습이 이루어지지 않아 성능이 떨어지는 기계 학습 모델이 생성되는 문제가 발생한다.On the other hand, since the time series data of the factors have different units and a difference in the range and size of the measured values, when machine learning is performed using raw data, efficient learning is not performed, resulting in poor machine learning performance A problem occurs when the model is created.
따라서, 본 발명에서는 상기 인자들 간의 시계열 데이터들은 일정 범위와 크기로 표현될 수 있도록 정규화하는 과정을 수행하며, 정규화를 위해 Minmaxsaler 알고리즘을 사용하였다.Therefore, in the present invention, a normalization process is performed so that the time series data between the factors can be expressed in a certain range and size, and the Minmaxsaler algorithm is used for normalization.
상기 Minmaxscaler 알고리즘은 데이터를 일정 범위 및 일정 크기로 표현하는 알고리즘으로, 상기 Minxmaxscaler 알고리즘을 통해 상기 인자들의 시계열 데이터들의 값이 "0"에서 1" 사이의 값으로 크기가 표현되도록 정규화 하였다. The Minmaxscaler algorithm is an algorithm that expresses data in a certain range and a certain size, and through the Minxmaxscaler algorithm, the values of the time series data of the factors are normalized so that the size is expressed as a value between "0" and "1".
한편, 본 발명에서는 정규화를 수행하기 위해 Minxmaxscaler 알고리즘을 사용하는 것으로 설명하였으나, 이에 한정되는 것은 아니며, 이 외에도 Standardscaler, Robustscaler 등의 공지된 스케일링 알고리즘을 사용하여 정규화를 수행할 수 있다.Meanwhile, in the present invention, it has been described that the Minxmaxscaler algorithm is used to perform normalization, but it is not limited thereto, and normalization can be performed using known scaling algorithms such as Standardscaler and Robustscaler.
다음, 상기 정규화가 수행된 비정상 데이터베이스의 시계열 데이터들 중 학습에 필요한 주요 인자들을 선정한다(S1300).Next, key factors necessary for learning are selected from among the normalized time-series data of the abnormal database (S1300).
상기 주요 인자는 에너지 저장 장치의 고장에 치명적인 영향을 주는 인자를 의미한다. 즉, 상기 에너지 저장 장치로부터 수신되는 모든 시계열 데이터가 아닌 실제로 고장에 영향을 주는 분별력 있는 주요 인자만을 추출하여 학습을 수행하기 때문에 효율적인 학습이 이루어질 수 있으며, 더 나아가 학습 결과의 정확도가 높아 성능이 우수한 기계 학습 모델을 구축할 수 있다. The main factor refers to a factor that has a fatal effect on failure of the energy storage device. That is, since learning is performed by extracting only discriminating key factors that actually affect failure, rather than all time series data received from the energy storage device, efficient learning can be achieved, and furthermore, the accuracy of the learning result is high, resulting in excellent performance. You can build machine learning models.
이러한, 상기 주요 인자들을 선정하기 위해서는 먼저, 앙상블 모델을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 중 고장과 관련하여 영향력이 높은 중요한 상위 n개의 인자(이하,“영향 인자”,이라함)들을 선정한다.(S1310). In order to select the main factors, first, the top n factors (hereinafter referred to as “influencing factors”) that are highly influential in relation to failures among the time series data stored in the abnormality database are selected through an ensemble model. .(S1310).
여기서, 상기 앙상블 모델은 데이터들 간의 중요도를 판단하고 상대적인 순위로 표현할 수 있는 모델로, XGBoost, Naive bayes, Bagging logistic regression, Random forest 등의 모델들이 있으며, 본 발명에서는 XGBoost 모델을 통해 중요도를 판단하고 상기 영향 인자들을 선정하였다.Here, the ensemble model is a model that can determine the importance between data and express it in a relative order, and there are models such as XGBoost, Naive bayes, Bagging logistic regression, and Random forest. The influencing factors were selected.
한편, 본 발명에서는 XGBoost 모델을 사용하여 상기 영향 인자를 선정하였으나, 이 외에도 공지된 다양한 모델이 사용될 수 있다.Meanwhile, in the present invention, the influencing factor is selected using the XGBoost model, but various other well-known models may be used.
또한, 상기 영향 인자의 선정 개수는 사용자의 기준에 따라 다양한 개수가 설정될 수 있으며, 그 개수가 한정되는 것은 아니다.In addition, various numbers may be set according to user standards, but the number is not limited.
다음, 상기 비정상 데이터베이스에 저장된 시계열 데이터를 이용하여 피어슨 상관 분석을 수행하고, 상기 피어슨 상관 분석 결과를 기반으로 상기 영향 인자와 관련성이 높은 n개의 주요 인자들을 추출한다.(S1320)Next, Pearson's correlation analysis is performed using the time series data stored in the anomaly database, and n major factors highly related to the influencing factor are extracted based on the results of the Pearson's correlation analysis (S1320).
상기 피어슨 상관 분석은 입력받은 인자들 간의 상관 관계를 분석하고 상관 관계의 크기를 수치적으로 표현하는 기능을 수행하며, 이 외에도 스피어만 상관분석 및 켄달의 타우 서열척도 등을 사용할 수 있다.The Pearson correlation analysis performs a function of analyzing the correlation between input factors and numerically expressing the size of the correlation. In addition, Spearman correlation analysis and Kendall's tau sequencing may be used.
또한, 상기 주요 인자들을 추출하기 위해 본 발명에서는 상기 피어슨 상관 분석 결과 중 상기 영향 인자와의 상관 계수가 높은 인자들을 주요 인자로 정의하였으며, 이를 위해 상관 계수를 절대값으로 표현하여 비교하였다.In addition, in order to extract the main factors, in the present invention, factors having a high correlation coefficient with the influencing factor among the results of the Pearson's correlation analysis were defined as main factors, and for this purpose, the correlation coefficient was expressed as an absolute value and compared.
다음, 상기 정상 데이터베이스에 저장된 시계열 데이터들 중 상기 주요 인자들에 해당하는 시계열 데이터들을 LSTM(Long short-term Memory) 알고리즘에 학습시켜 기계 학습 모델을 구축한다(S1400).Next, a machine learning model is built by learning the time series data corresponding to the main factors among the time series data stored in the normal database with a long short-term memory (LSTM) algorithm (S1400).
한편, 상기 기계 학습 모델은 LSTM(Long Short-Term Memory) 알고리즘 외에도 DNN(Deep Neural Networks), RNN(Recurrent Neural Networks), CNN(Convolutional Neural Networks), LSTM(Long Short-Term Memory) Autoencoder, LSTM(Long Short-Term Memory) seq2seq 등의 알고리즘을 사용하여 구축할 수 있다. On the other hand, the machine learning model includes deep neural networks (DNN), recurrent neural networks (RNN), convolutional neural networks (CNN), long short-term memory (LSTM) autoencoder, LSTM (in addition to long short-term memory (LSTM) algorithms) Long Short-Term Memory) can be constructed using an algorithm such as seq2seq.
위에서 설명한 상기 기계 학습 모델 구축 방법(S1000)으로 에너지 저장 장치의 사고 예방 및 진단할 수 있는 기계 학습 모델을 구축한 후, 에너지 저장 장치로부터 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 실시간으로 수신받아 상기 기계 학습 모델에 입력하여 상기 에너지 저장 장치의 사고 예방 및 진단한다(S2000). After building a machine learning model capable of preventing and diagnosing accidents of energy storage devices by the machine learning model construction method (S1000) described above, time-series data having electrical and environmental characteristics are received in real time from the energy storage device Accident prevention and diagnosis of the energy storage device are performed by inputting the data into the machine learning model (S2000).
상세하게는 먼저, 에너지 저장 장치로부터 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 수신받는다(S2100).In detail, first, time-series data having electrical characteristics and environmental characteristics are received from the energy storage device (S2100).
다음, 수신된 시계열 데이터들 중 상기 주요 인자들에 해당하는 시계열 데이터들을 추출한다(S2200).Next, among the received time-series data, time-series data corresponding to the main factors are extracted (S2200).
다음, 상기 추출된 주요 인자들의 시계열 데이터들을 정규화한다(S2300).Next, time series data of the extracted main factors are normalized (S2300).
여기서, 상기 정규화는 상기 기계 학습 모델 구축 방법(S1000)에서 정규화한 과정과 동일하게 수행된다. Here, the normalization is performed in the same way as the normalization process in the machine learning model construction method (S1000).
다음, 상기 정규화된 시계열 데이터들을 상기 기계 학습 모델에 입력하여 에너지 저장 장치의 사고를 예방 및 진단한다(S2400).Next, the normalized time-series data are input to the machine learning model to prevent and diagnose accidents of the energy storage device (S2400).
여기서, 구축된 기계 학습 모델은 진단 결과를 기설정된 기준에 따라 안전, 주의, 고장으로 진단하여 최종 결과를 출력할 수 있다.Here, the constructed machine learning model may diagnose a diagnosis result as safety, caution, or failure according to a predetermined criterion and output a final result.
따라서, 본 발명은 에너지 저장 장치의 전기적 특성 및 환경적 특성을 갖는 시계열 데이터들을 구축한 기계 학습 모델에 실시간으로 입력하여 에너지 저장 장치의 고장을 진단 및 예측할 수 있어, 보다 정확한 진단 결과를 기반으로 에너지 저장 장치를 효율적으로 관리할 수 있고 에너지 저장 장치에 발생할 수 있는 미연의 사고를 방지할 수 있는 장점이 있다.Therefore, the present invention can diagnose and predict failure of an energy storage device by inputting time-series data having electrical and environmental characteristics of the energy storage device in real time to a built machine learning model. There is an advantage in that the storage device can be efficiently managed and an unexpected accident that may occur in the energy storage device can be prevented.
이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.As described above, the present invention has been shown and described with preferred embodiments, but is not limited to the above embodiments, and to those skilled in the art within the scope of not departing from the spirit of the present invention Various changes and modifications will be possible.
Claims (7)
상기 각 데이터베이스들에 저장된 시계열 데이터들을 정규화하는 단계;
상기 정규화가 수행된 비정상 데이터베이스의 시계열 데이터들 중 학습에 필요한 주요 인자들을 추출하는 단계; 및
상기 정상 데이터베이스에서 상기 주요 인자들을 추출하고 상기 추출된 주요 인자들의 시계열 데이터들을 LSTM(Long short-term Memory) 알고리즘에 학습하여 기계 학습 모델을 구축하는 단계;를 포함하는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법.
Collecting time-series data having electrical characteristics and environmental characteristics when the energy storage device is in a normal state and an abnormal state and generating a normal database and an abnormal database, respectively;
normalizing time-series data stored in each of the databases;
extracting key factors necessary for learning from time series data of the normalized abnormal database; and
Extracting the main factors from the normal database and learning the time-series data of the extracted main factors with a long short-term memory (LSTM) algorithm to build a machine learning model; accident prevention and diagnosis of energy storage devices including How to build machine learning models for
상기 정규화하는 단계는 Standardscaler, Robustscaler 및 Minmaxscaler 등의 스케일링 알고리즘을 사용하여 정규화하는 것을 특징으로 하는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법.
According to claim 1,
The normalizing step is a method of building a machine learning model for accident prevention and diagnosis of an energy storage device, characterized in that normalizing using a scaling algorithm such as Standardscaler, Robustscaler and Minmaxscaler.
상기 주요 인자들을 추출하는 단계:는
앙상블 모델을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 중 고장과 관련하여 영향력이 높은 중요한 상위 n개의 인자(이하,“영향 인자”,이라함)들을 선정하는 단계; 및
피어슨 상관분석을 통해 상기 비정상 데이터베이스에 저장된 시계열 데이터들 간의 상관 계수를 산출하고, 상기 영향 인자와의 상관 계수가 높은 인자들을 주요 인자들로 추출하는 단계;를 포함하는 것을 특징으로 하는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법.
According to claim 1,
Extracting the main factors:
Selecting important top n factors (hereinafter referred to as “influencing factors”) having a high influence on failures among the time series data stored in the abnormality database through an ensemble model; and
Calculating a correlation coefficient between the time-series data stored in the abnormality database through Pearson correlation analysis, and extracting factors having a high correlation coefficient with the influencing factor as main factors. A method for building machine learning models for accident prevention and diagnosis.
상기 앙상블 모델은 XGBoost 인 것을 특징으로 하는 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법.
According to claim 3,
The method of building a machine learning model for accident prevention and diagnosis of an energy storage device, characterized in that the ensemble model is XGBoost.
A computer program storing a machine learning model construction method for accident prevention and diagnosis of an energy storage device according to any one of claims 1 to 4 in a recording medium.
상기 에너지 저장 장치로부터 수신된 시계열 데이터들을 정규화하는 단계;
상기 정규화된 시계열 데이터들 중 기계 학습 모델 구축시 사용된 인자들의 시계열 데이터들을 추출하는 단계; 및
상기 추출된 시계열 데이터들을 제 1 항 내지 제 5 항 중 어느 한 항의 에너지 저장 장치의 사고 예방 및 진단을 위한 기계 학습 모델 구축 방법으로 구축된 기계 학습 모델에 입력하여 상기 에너지 저장 장치의 사고 예방 및 진단하는 단계;를 포함하는 것을 특징으로 하는 기계 학습 모델을 기반으로 에너지 저장 장치의 사고 예방 및 진단 방법.
Receiving time-series data having electrical characteristics and environmental characteristics from an energy storage device in real time;
normalizing time series data received from the energy storage device;
extracting time series data of factors used in constructing a machine learning model from among the normalized time series data; and
Accident prevention and diagnosis of the energy storage device by inputting the extracted time-series data to a machine learning model built by the machine learning model construction method for accident prevention and diagnosis of the energy storage device according to any one of claims 1 to 5 A method for preventing and diagnosing an accident of an energy storage device based on a machine learning model comprising the step of:
A computer program in which a method for preventing and diagnosing an energy storage device based on the machine learning model of claim 6 is stored in a recording medium.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210087715A KR102627669B1 (en) | 2021-07-05 | 2021-07-05 | A method of building a machine learning model for the prevention and diagnosis of an energy storage device accident, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210087715A KR102627669B1 (en) | 2021-07-05 | 2021-07-05 | A method of building a machine learning model for the prevention and diagnosis of an energy storage device accident, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230007584A true KR20230007584A (en) | 2023-01-13 |
| KR102627669B1 KR102627669B1 (en) | 2024-01-24 |
Family
ID=84900197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210087715A KR102627669B1 (en) | 2021-07-05 | 2021-07-05 | A method of building a machine learning model for the prevention and diagnosis of an energy storage device accident, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102627669B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020107072A (en) * | 2018-12-27 | 2020-07-09 | 株式会社クボタ | Method and device for diagnosing mechanical facilities |
| KR20210036053A (en) | 2019-09-25 | 2021-04-02 | 주식회사 엠피에스티 | Abnormal condition detection system using battery voltage data |
| KR102254734B1 (en) | 2020-10-21 | 2021-05-24 | (주)인텍에프에이 | Early fire detection and method of Eneray Storage Sysstem battery using sound |
-
2021
- 2021-07-05 KR KR1020210087715A patent/KR102627669B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020107072A (en) * | 2018-12-27 | 2020-07-09 | 株式会社クボタ | Method and device for diagnosing mechanical facilities |
| KR20210036053A (en) | 2019-09-25 | 2021-04-02 | 주식회사 엠피에스티 | Abnormal condition detection system using battery voltage data |
| KR102254734B1 (en) | 2020-10-21 | 2021-05-24 | (주)인텍에프에이 | Early fire detection and method of Eneray Storage Sysstem battery using sound |
Non-Patent Citations (2)
| Title |
|---|
| Chuxu Zhang et al., "A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data," arXiv:1811.08055v1 [cs.LG] 20 Nov 2018 (2018.11.20.)* * |
| Rung-Ching Chen et al., "Selecting critical features for data classifcation based on machine learning methods," Journal of Big Data (2020.07.23.)* * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102627669B1 (en) | 2024-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rudin et al. | Machine learning for the New York City power grid | |
| KR101713985B1 (en) | Method and apparatus for prediction maintenance | |
| US8751421B2 (en) | Machine learning for power grid | |
| US10534361B2 (en) | Industrial asset health model update | |
| CN108052528A (en) | A kind of storage device sequential classification method for early warning | |
| Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
| Salfner et al. | Predicting failures of computer systems: A case study for a telecommunication system | |
| CN104731664A (en) | Method and device for processing faults | |
| CA2972973A1 (en) | Machine learning-based fault detection system | |
| CN112148561B (en) | Method and device for predicting running state of business system and server | |
| Liu et al. | Quantitative evaluation of the building energy performance based on short-term energy predictions | |
| EP3072200B1 (en) | Holistic optimization of distribution automation using survivability modeling to support storm hardening | |
| Gruber et al. | Condition-based maintenance via simulation and a targeted Bayesian network metamodel | |
| Cui et al. | An optimized swinging door algorithm for wind power ramp event detection | |
| CN116187552A (en) | Abnormality detection method, computing device, and computer storage medium | |
| Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
| KR20210083418A (en) | Fire predictive analysis device and method of building | |
| CN117674119A (en) | Power grid operation risk assessment method, device, computer equipment and storage medium | |
| CN104573361A (en) | GIS (Gas Insulated Switchgear) evaluation method and device | |
| KR102627669B1 (en) | A method of building a machine learning model for the prevention and diagnosis of an energy storage device accident, and a computer program capable of preventing and diagnosing an energy storage device accident based on the machine learning model | |
| CN116401601A (en) | Power failure sensitive user preferential treatment method based on logistic regression model | |
| CN112256735B (en) | Power consumption monitoring method and device, computer equipment and storage medium | |
| Aizpurua et al. | Determining appropriate data analytics for transformer health monitoring | |
| CN115601013A (en) | Nuclear reactor failure determination method, device, apparatus, storage medium, and product | |
| CN114168409A (en) | Service system running state monitoring and early warning method and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |