KR20230059945A - Diagnostic kits for installation enviroment of energy storage system based on deep-learning - Google Patents

Diagnostic kits for installation enviroment of energy storage system based on deep-learning Download PDF

Info

Publication number
KR20230059945A
KR20230059945A KR1020210143768A KR20210143768A KR20230059945A KR 20230059945 A KR20230059945 A KR 20230059945A KR 1020210143768 A KR1020210143768 A KR 1020210143768A KR 20210143768 A KR20210143768 A KR 20210143768A KR 20230059945 A KR20230059945 A KR 20230059945A
Authority
KR
South Korea
Prior art keywords
data
failure
energy storage
ess
deep learning
Prior art date
Application number
KR1020210143768A
Other languages
Korean (ko)
Inventor
강태영
박태준
이지현
Original Assignee
(주)비에이에너지
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 (주)비에이에너지 filed Critical (주)비에이에너지
Priority to KR1020210143768A priority Critical patent/KR20230059945A/en
Publication of KR20230059945A publication Critical patent/KR20230059945A/en

Links

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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

본 발명은 딥러닝 기반 ESS 설치환경 진단 키트에 관한 것으로, 보다 구체적으로는 기 설치된 에너지 저장 장치(ESS:Energy Storage System)의 환경 데이터들로 부터 현재 설치되는 에너지 저장 장치의 환경 데이터들의 고장 또는 정상 여부를 판단하여 고장 발생 정도에 따라 고장 레벨을 진단할 수 있는 딥러닝 기반 ESS 설치환경 진단 키트에 관한 것이다.The present invention relates to a deep learning-based ESS installation environment diagnosis kit, and more specifically, from environmental data of a pre-installed energy storage system (ESS: Energy Storage System) to failure or normal environmental data of a currently installed energy storage system. It relates to a deep learning-based ESS installation environment diagnosis kit capable of diagnosing the failure level according to the degree of failure by determining whether the

Description

딥러닝 기반 ESS 설치환경 진단 키트{Diagnostic kits for installation enviroment of energy storage system based on deep-learning}Deep learning-based ESS installation environment diagnostic kit {Diagnostic kits for installation enviroment of energy storage system based on deep-learning}

본 발명은 딥러닝 기반 ESS 설치환경 진단 키트에 관한 것으로, 보다 구체적으로는 기 설치된 에너지 저장 장치(ESS:Energy Storage System)의 환경 데이터들로 부터 현재 설치되는 에너지 저장 장치의 환경 데이터들의 고장 또는 정상 여부를 판단하여 고장 발생 정도에 따라 고장 레벨을 진단할 수 있는 딥러닝 기반 ESS 설치환경 진단 키트에 관한 것이다.The present invention relates to a deep learning-based ESS installation environment diagnosis kit, and more specifically, from environmental data of a pre-installed energy storage system (ESS: Energy Storage System) to failure or normal environmental data of a currently installed energy storage system. It relates to a deep learning-based ESS installation environment diagnosis kit capable of diagnosing the failure level according to the degree of failure by determining whether the

에너지 저장 장치(ESS:Energy Storage System)에 이상징후가 발생할 경우 시스템을 원격으로 제어하는 것이 매우 중요하다.It is very important to remotely control the system when an abnormality occurs in an energy storage system (ESS).

우리나라와 같이 사계절이 뚜렸하고 일교차가 큰 지역에 설치된 에너지 저장 장치의 경우 결로와 많은 먼지에 노출될 수 있는데 이는 배터리 모듈에서 결로 현상이 반복적으로 발생하고 건조되면서 셀과 모듈 사이의 접지 부근에 절연이 파괴되어 화재의 원인으로 작용한다.Energy storage devices installed in regions with four distinct seasons and large diurnal temperature differences, such as Korea, can be exposed to condensation and a lot of dust. It is destroyed and acts as a cause of fire.

에너지 저장 장치에서 화재가 발생하기 전 온도, 습도, 오프 가스, 먼지 등 내부 환경들이 변화되는데 이 환경들을 분석하여 화재가 발생하기 전 에너지 저장 장치의 설치환경을 지속적으로 진단하여 화재를 예방할 수 있는 기술의 요구가 있다.Before a fire occurs in an energy storage device, internal environments such as temperature, humidity, off-gas, and dust are changed. Technology that analyzes these environments and continuously diagnoses the installation environment of the energy storage device before a fire occurs to prevent fire there is a demand for

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로 본 발명의 목적은 기 설치된 에너지 저장 장치의 환경 분석을 통해 현재 설치된 에너지 저장 장치의 환경이 고장 상황인지 정상 상황인지 판단하여 고장여부를 진단할 수 있는 딥러닝 기반 ESS 설치환경 진단 키트를 제공하는 것이다.The present invention has been made to solve the above problems, and an object of the present invention is to diagnose the failure by determining whether the environment of the currently installed energy storage device is in a failure state or a normal state through environmental analysis of the previously installed energy storage device. It is to provide a deep learning-based ESS installation environment diagnosis kit.

또한, 본 발명의 다른 목적은 단계별로 고장 레벨을 분류하여 관리자가 적절한 조치를 취할 수 있게 하는 딥러닝기반 ESS 설치환경 진단 키트를 제공하는 것이다.In addition, another object of the present invention is to provide a deep learning-based ESS installation environment diagnosis kit that classifies failure levels in stages so that an administrator can take appropriate measures.

상기의 목적을 달성하기 위하여 본 발명은 기 설치된 에너지 저장장치(ESS:Energy Storage System)의 내부 환경데이터를 수집하는 환경데이터 수집부; 수집된 환경데이터를 전처리하고 특징을 추출하는 제1 특징 데이터 추출부; 추출된 특징 데이터를 딥러닝 학습하여 고장 데이터와 정상 데이터를 분류할 수 있는 분류 모델을 학습하는 분류 모델 학습부; 현재 설치된 에너지 저장장치의 내부 환경데이터를 입력받는 환경데이터 입력부; 입력된 환경데이터를 전처리하고 특징을 추출하는 제2 특징 데이터 추출부; 상기 제2 특징 데이터 추출부에서 추출된 제2 특징 데이터를 상기 분류 모델에 입력하여 상기 제2 특징 데이터가 고장 데이터인지 정상 데이터인지 분류하는 고장 분류부; 및 상기 고장 분류부에서 고장 데이터로 분류될 경우 고장 데이터가 미리 저장된 ESS 운영 및 유지관리 배터리 가이드 라인의 기준 데이터와 비교하여 고장 레벨을 진단하는 고장 진단부;를 포함하여 ESS 설치환경을 진단하는 것을 특징으로 하는 딥러닝 기반 ESS 설치환경 진단 키트를 제공한다.In order to achieve the above object, the present invention provides an environmental data collection unit for collecting internal environmental data of a pre-installed energy storage system (ESS); a first feature data extractor pre-processing the collected environmental data and extracting features; a classification model learning unit for deep learning the extracted feature data to learn a classification model capable of classifying faulty data and normal data; an environmental data input unit that receives internal environmental data of the currently installed energy storage device; a second feature data extractor pre-processing the input environment data and extracting features; a failure classification unit inputting the second characteristic data extracted by the second characteristic data extraction unit into the classification model and classifying whether the second characteristic data is failure data or normal data; And a failure diagnosis unit for diagnosing a failure level by comparing the failure data with the reference data of the ESS operation and maintenance battery guideline stored in advance when the failure data is classified as failure data by the failure classification unit; to diagnose the ESS installation environment, including It provides a deep learning-based ESS installation environment diagnosis kit.

바람직한 실시예에 있어서, 상기 내부 환경 데이터는 온도 데이터, 습도 데이터, 오프 가스(off-gas) 데이터, 먼지 데이터를 포함한다.In a preferred embodiment, the internal environment data includes temperature data, humidity data, off-gas data, and dust data.

바람직한 실시예에 있어서, 상기 고장 분류부는 KNN(k-Nearest neighbor) 분류기, 의사결정트리(decisiontree) 분류기, 산형판별분석기(Linear Discriminant Analysis) 또는 그래디언트 부스팅(gradient boosting) 분류기를 포함하고, 상기 제2 특징 데이터와 상기 고장 데이터 및 상기 정상 데이터 간의 거리 확률밀도함수와 분류확률을 계산하여 상기 제2 특징 데이터가 고장 데이터인지 정상 데이터인지 분류한다.In a preferred embodiment, the fault classification unit includes a k-nearest neighbor (KNN) classifier, a decision tree classifier, a linear discriminant analysis, or a gradient boosting classifier, and the second A distance probability density function and a classification probability between the feature data, the failure data, and the normal data are calculated to classify whether the second feature data is failure data or normal data.

바람직한 실시예에 있어서, 상기 ESS 운영 및 유지관리 배터리 가이드 라인의 기준 데이터는 기준 온도 데이터, 기준 습도 데이터, 기준 오프 가스 데이터, 기준 먼지 데이터를 포함하고, 상기 기준 온도 데이터는 23±5℃이고, 상기 기준 습도 데이터는 80%미만 이며, 상기 기준 오프 가스 데이터는 가스 센서 값(sensor value) 기준 0.25이하 이고, 상기 기준 먼지 데이터는 70㎍/㎥미만이다.In a preferred embodiment, the reference data of the ESS operation and maintenance battery guideline includes reference temperature data, reference humidity data, reference off-gas data, and reference dust data, wherein the reference temperature data is 23 ± 5 ° C, The reference humidity data is less than 80%, the reference off-gas data is 0.25 or less based on a gas sensor value, and the reference dust data is less than 70 μg/m 3 .

본 발명은 다음과 같은 우수한 효과를 가진다.The present invention has the following excellent effects.

본 발명의 딥러닝 기반 ESS 설치환경 진단 키트에 의하면, 기 설치된 에너지 저장 장치의 환경 분석을 통해 분류 모델을 학습하고, 현재 설치된 에너지 저장 장치의 환경데이터를 분류 모델에 입력하여 고장인지 정상인지 판단하여 고장 발생전 징후를 실시간으로 진단할 수 있는 장점이 있다.According to the deep learning-based ESS installation environment diagnosis kit of the present invention, a classification model is learned through environment analysis of a pre-installed energy storage device, and environmental data of the currently installed energy storage device is input into the classification model to determine whether it is faulty or normal. It has the advantage of being able to diagnose symptoms in real time before failure occurs.

또한, 본 발명의 딥러닝 기반 ESS 설치환경 진단 키트에 의하면, 고장 데이터와 기준 데이터 간의 차이에 기반하여 고장 레벨을 분류하여 고장 레벨 별로 관리자가 적절한 조치를 취할 수 있게 하여 관리의 효율성을 높일 수 있는 장점이 있다.In addition, according to the deep learning-based ESS installation environment diagnosis kit of the present invention, the failure level is classified based on the difference between failure data and reference data so that the administrator can take appropriate action for each failure level, thereby increasing management efficiency There are advantages.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 ESS 설치환경 진단 키트의 동작 개념을 설명하기 위한 도면,
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 ESS 설치환경 진단 키트의 구성을 보여주는 도면이다.1 is a diagram for explaining the operating concept of a deep learning-based ESS installation environment diagnosis kit according to an embodiment of the present invention;
2 is a diagram showing the configuration of a deep learning-based ESS installation environment diagnosis kit 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.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 ESS 설치환경 진단 키트의 동작 개념을 설명하기 위한 도면이다.1 is a diagram for explaining the operating concept of a deep learning-based ESS installation environment diagnosis kit according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반 ESS 설치환경 진단 키트는 현재 설치되는 에너지 저장장치(100)의 내부 환경을 검출하여, 상기 에너지 저장장치(100)의 상태가 정상인지 고장인지 진단하는 장치이다.Referring to FIG. 1, the deep learning-based ESS installation environment diagnosis kit according to an embodiment of the present invention detects the internal environment of the currently installed energy storage device 100 and determines that the energy storage device 100 is in a normal state. It is a device for diagnosing cognitive failure.

또한, 상기 딥러닝 기반 ESS 설치환경 진단 키트는 상기 에너지 저장장치(100)의 내부에 구비될 수도 있고, 상기 에너지 저장장치(100)와 이격되어 원격지에서 상기 에너지 저장장치(100)의 고장여부를 진단할 수 있다.In addition, the deep learning-based ESS installation environment diagnosis kit may be provided inside the energy storage device 100, and is separated from the energy storage device 100 to determine whether the energy storage device 100 is out of order at a remote location. can be diagnosed

또한, 상기 딥러닝 기반 ESS 설치환경 진단 키트는 산(1)이나 강가(4), 바닷가(3)의 염전(2)의 염전 등과 같이 다양한 환경에 기 설치된 에너지 저장장치들(10,20,30)으로부터 내부 환경 데이터를 취득하고 취득된 데이터를 기반으로 현재 설치된 에너지 저장장치(100)에 고장이 발생하였는지 여부를 진단한다.In addition, the deep learning-based ESS installation environment diagnosis kit is used for energy storage devices (10, 20, 30 ), internal environment data is acquired, and based on the acquired data, it is diagnosed whether a failure has occurred in the energy storage device 100 currently installed.

또한, 상기 딥러닝 기반 ESS 설치환경 진단 키트는 통신망(40)을 통해 기 설치된 에너지 저장장치들(10,20,30)의 내부 환경데이터를 수신할 수 있고, 현재 설치된 에너지 저장장치(100)를 진단한 정보를 상기 통신망(40)을 통해 관리자가 접근할 수 있는 웹서버나 스마트기기로 전송할 수 있으며, 에너지 저장장치(100)에 설치되는 로컬 패널에 표시해 줄 수도 있다.In addition, the deep learning-based ESS installation environment diagnosis kit can receive internal environmental data of the previously installed energy storage devices 10, 20, and 30 through the communication network 40, and the currently installed energy storage device 100 Diagnosed information can be transmitted to a web server or a smart device that can be accessed by an administrator through the communication network 40, and can be displayed on a local panel installed in the energy storage device 100.

이하에서는 도 2를 참조하여 상기 딥러닝 기반 ESS 설치환경 진단 키트의 기능을 상세히 설명한다.Hereinafter, the function of the deep learning-based ESS installation environment diagnosis kit will be described in detail with reference to FIG. 2 .

도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 ESS 설치환경 진단 키트의 구성을 보여주는 도면이다.2 is a diagram showing the configuration of a deep learning-based ESS installation environment diagnosis kit according to an embodiment of the present invention.

도 2를 참조하면, 상기 딥러닝 기반 ESS 설치환경 진단 키트(200)는 전술한 바와 같이 현재 설치된 에너지 저장장치(100) 내부에 설치될 수 있고, 원격지에 설치될 수 있다.Referring to FIG. 2 , the deep learning-based ESS installation environment diagnosis kit 200 can be installed inside the currently installed energy storage device 100 as described above, and can be installed in a remote location.

또한, 상기 딥러닝 기반 ESS 설치환경 진단 키트(200)는 통신망(40)을 통해 기 설치된 에너지 저장장치들(10,20,30)과 현재 설치된 에너지 저장장치(100)의 내부에 설치된 센서들로부터 환경데이터를 수신한다.In addition, the deep learning-based ESS installation environment diagnosis kit 200 detects energy storage devices 10, 20, and 30 already installed through the communication network 40 and sensors installed inside the currently installed energy storage device 100. Receive environment data.

자세하게는 상기 딥러닝 기반 ESS 설치환경 진단 키트(200)는 환경데이터 수집부(210), 제1 특징 데이터 추출부(250), 분류 모델 학습부(230), 환경데이터 입력부(240), 제2 특징 데이터 추출부(250), 고장 분류부(260) 및 고장 진단부(270)을 포함하여 이루어진다.In detail, the deep learning-based ESS installation environment diagnosis kit 200 includes an environmental data collection unit 210, a first feature data extraction unit 250, a classification model learning unit 230, an environment data input unit 240, a second It includes a feature data extraction unit 250, a failure classification unit 260, and a failure diagnosis unit 270.

상기 환경데이터 수집부(210)는 기 설치된 에너지 저장장치들(10, 20, 30)로부터 내부 환경데이터를 수집한다.The environment data collection unit 210 collects internal environment data from the previously installed energy storage devices 10 , 20 , and 30 .

또한, 상기 내부 환경데이터의 수집은 통신망(40)을 통해 무선으로 수신할 수도 있고 유선으로 수신할 수도 있다.In addition, the collection of the internal environment data may be received wirelessly or wired through the communication network 40 .

또한, 상기 내부 환경데이터는 날짜 및 시간에 따른 온도 데이터, 습도 데이터, 오프 가스(off-gas) 데이터, 먼지 데이터를 포함한다.In addition, the internal environment data includes temperature data, humidity data, off-gas data, and dust data according to date and time.

상기 제1 특징 데이터 추출부(250)는 수집된 환경데이터를 전처리하고 특징을 추출한다.The first feature data extractor 250 pre-processes the collected environmental data and extracts features.

상기 분류 모델 학습부(230)는 상기 제1 특징 데이터들을 딥러닝 학습하여 고장 데이터와 정상 데이터를 분류하는 분류 모델을 학습한다.The classification model learning unit 230 performs deep learning on the first feature data to learn a classification model for classifying faulty data and normal data.

여기서 분류 모델은 상기 제1 특징 데이터들의 특징백터들을 확률밀도 기반반으로 분류한 모델이다.Here, the classification model is a model in which feature vectors of the first feature data are classified based on probability density.

또한, 상기 분류 모델은 KNN(k-Nearest neighbor) 분류기, 의사결정트리(decisiontree) 분류기, 산형판별분석기(Linear Discriminant Analysis) 또는 그래디언트 부스팅(gradient boosting) 분류기일 수 있다.In addition, the classification model may be a k-nearest neighbor (KNN) classifier, a decision tree classifier, a linear discriminant analysis, or a gradient boosting classifier.

상기 환경데이터 입력부(240)는 현재 설치된 에너지 저장장치(100)의 내부 환경데이터를 입력받는다.The environment data input unit 240 receives internal environment data of the currently installed energy storage device 100 .

또한, 상기 내부 환경데이터는 날짜 및 시간에 따른 온도 데이터, 습도 데이터, 오프 가스(off-gas) 데이터, 먼지 데이터를 포함한다.In addition, the internal environment data includes temperature data, humidity data, off-gas data, and dust data according to date and time.

상기 제2 특징 데이터 추출부(250)는 상기 환경데이터 입력부(240)로 입력된 환경데이터를 전처리하고 특징을 추출한다.The second feature data extractor 250 pre-processes the environment data input to the environment data input unit 240 and extracts features.

여기서 특징을 추출하는 방법은 상기 제1 특징 데이터 추출부(220)의 특징 추출 방법과 실질적으로 동일하다.Here, the feature extraction method is substantially the same as the feature extraction method of the first feature data extractor 220 .

상기 고장 분류부(260)는 상기 제2 특징 데이터 추출부(250)에서 추출된 제2 특징 데이터를 상기 분류 모델에 입력하고, 상기 제2 특징 데이터가 고장 데이터인지 정상 데이터인지 분류한다.The failure classification unit 260 inputs the second characteristic data extracted by the second characteristic data extractor 250 to the classification model, and classifies whether the second characteristic data is failure data or normal data.

자세하게는 상기 제2 특징 데이터와 상기 분류 모델의 고장 데이터 및 정상 데이터 간의 거리 확률밀도함수와 분류확률을 계산하여 상기 제2 특징 데이터가 고장 데이터인지 정상 데이터인지 분류한다.In detail, a distance probability density function and a classification probability between the second feature data and the failure data and normal data of the classification model are calculated to classify whether the second feature data is failure data or normal data.

상기 고장 진단부(270)는 상기 제2 특징 데이터가 상기 고장 분류부(260)에서 고장 데이터로 분류될 경우 고장 데이터를 기준DB(271)에 미리 저장된 ESS운영 및 유지관리 배터리 가이드 라인의 기준 데이터와 비교하여 고장 레벨을 진단한다.When the second characteristic data is classified as failure data in the failure classification unit 260, the failure diagnosis unit 270 converts the failure data into reference data of the ESS operation and maintenance battery guideline pre-stored in the reference DB 271. compared to diagnosing the failure level.

또한, 상기 기준 데이터는 기준 온도 데이터, 기준 습도 데이터, 기준 오프 가스 데이터, 기준 먼지 데이터를 포함하고, 상기 기준 온도 데이터는 23±5℃이고, 상기 기준 습도 데이터는 80%미만 이며, 상기 기준 오프 가스 데이터는 가스 센서 값(sensor value) 기준 0.25이하 이고, 상기 기준 먼지 데이터는 70㎍/㎥미만으로 저장된다.In addition, the reference data includes reference temperature data, reference humidity data, reference off-gas data, and reference dust data, the reference temperature data is 23 ± 5 ℃, the reference humidity data is less than 80%, the reference off The gas data is less than 0.25 based on a gas sensor value, and the standard dust data is stored as less than 70 μg/m 3 .

또한, 상기 기준 오프 가스 데이터의 가스 센서 값은 Li-ion Tamer off-Gas 검출치 기준을 참고하여 0.25이하로 설정하였다.In addition, the gas sensor value of the reference off-gas data was set to 0.25 or less with reference to the Li-ion Tamer off-gas detection value standard.

다시 말해서 가스 센서 값이 0.25를 초과할 경우 고장으로 판단하며 화재가 발생한 것으로 진단할 수 있다.In other words, if the gas sensor value exceeds 0.25, it is judged to be a failure and can be diagnosed as a fire.

또한, 아래의 표 1은 상기 가스 센서에 포함된 전해질 성분과 각 전해질 성분이 분해/부반응하여 검출할 수 있는 가스를 정리한 표이다.In addition, Table 1 below is a table summarizing electrolyte components included in the gas sensor and gases that can be detected by decomposition/side reaction of each electrolyte component.

전해질 성분Electrolyte component 분해/부반응 성분Decomposition/side reaction components Etylene carbonate(EC)Etylene carbonate (EC) COCO Diethyl carbonate(DEC)Diethyl carbonate (DEC) H2H2 Ethyl Methyl carbonate(EMC)Ethyl Methyl carbonate (EMC) CO2CO2 Dimethyl carbonate(MFC)Dimethyl carbonate (MFC) CH4CH4 Dimethyl carbonate(DMC)Dimethyl carbonate (DMC) C2H4C2H4 Vinylene Carbonate(VC)Vinylene Carbonate (VC) other HCsother HCs

또한, 상기 고장 진단부(270)는 고장 데이터와 기준 데이터의 차이에 따라 고장 레벨을 분류할 수 있으며, 데이터의 차이가 5% 이상이고 10% 미만일 경우 고장 레벨1, 10% 이상 15% 미만일 경우 고장 레벨2, 15% 이상일 경우 고장 레벨3으로 분류할 수 있다.In addition, the failure diagnosis unit 270 may classify the failure level according to the difference between the failure data and the reference data, and if the difference in data is 5% or more and less than 10%, failure level 1, and 10% or more and less than 15% Failure level 2, if it is 15% or more, it can be classified as failure level 3.

즉, 관리자는 고장 레벨에 맞는 지침에 따라 적절한 조치를 취할 수 있는 장점이 있다. 예를 들면 고장 레벨1일 경우 '순찰', 고장 레벨2일 경우 '부품 교체', 고장 레벨3일 경우 '화재 발생 대응' 등 레벨에 따른 조치를 취할 수 있다.That is, there is an advantage in that the administrator can take appropriate measures according to guidelines suitable for the level of failure. For example, in the case of failure level 1, 'patrol', in case of failure level 2, 'part replacement', in case of failure level 3, 'fire response', etc. can be taken according to the level.

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.

100:현재 설치된 에너지 저장장치
200:딥러닝 기반 ESS 설치환경 진단 키트
210:환경 데이터 수집부 220:제1 특징 데이터 추출부
230:분류 모델 학습부 240:환경 데이터 입력부
250:제2 특징 데이터 추출부 260:고장 분류부
270:고장 진단부 271:기준DB100: currently installed energy storage device
200: Deep learning-based ESS installation environment diagnosis kit
210: environmental data collection unit 220: first feature data extraction unit
230: classification model learning unit 240: environment data input unit
250: second feature data extraction unit 260: failure classification unit
270: failure diagnosis unit 271: reference DB

Claims (4)

기 설치된 에너지 저장장치(ESS:Energy Storage System)의 내부 환경데이터를 수집하는 환경데이터 수집부;
수집된 환경데이터를 전처리하고 특징을 추출하는 제1 특징 데이터 추출부;
추출된 특징 데이터를 딥러닝 학습하여 고장 데이터와 정상 데이터를 분류할 수 있는 분류 모델을 학습하는 분류 모델 학습부;
현재 설치된 에너지 저장장치의 내부 환경데이터를 입력받는 환경데이터 입력부;
입력된 환경데이터를 전처리하고 특징을 추출하는 제2 특징 데이터 추출부;
상기 제2 특징 데이터 추출부에서 추출된 제2 특징 데이터를 상기 분류 모델에 입력하여 상기 제2 특징 데이터가 고장 데이터인지 정상 데이터인지 분류하는 고장 분류부; 및
상기 고장 분류부에서 고장 데이터로 분류될 경우 고장 데이터가 미리 저장된 ESS 운영 및 유지관리 배터리 가이드 라인의 기준 데이터와 비교하여 고장 레벨을 진단하는 고장 진단부;를 포함하여 ESS 설치환경을 진단하는 것을 특징으로 하는 딥러닝 기반 ESS 설치환경 진단 키트.
Environmental data collection unit for collecting internal environmental data of the previously installed energy storage system (ESS: Energy Storage System);
a first feature data extractor pre-processing the collected environmental data and extracting features;
a classification model learning unit for deep learning the extracted feature data to learn a classification model capable of classifying faulty data and normal data;
an environmental data input unit that receives internal environmental data of the currently installed energy storage device;
a second feature data extractor pre-processing the input environmental data and extracting features;
a failure classification unit inputting the second characteristic data extracted by the second characteristic data extraction unit into the classification model and classifying whether the second characteristic data is failure data or normal data; and
Including a fault diagnosis unit for diagnosing the fault level by comparing the fault data with the reference data of the ESS operation and maintenance battery guideline stored in advance when the fault data is classified as fault data by the fault classification unit; characterized by diagnosing the ESS installation environment Deep learning-based ESS installation environment diagnosis kit.
 제 1 항에 있어서,
상기 내부 환경 데이터는 온도 데이터, 습도 데이터, 오프 가스(off-gas) 데이터, 먼지 데이터를 포함하는 것을 특징으로 하는 딥러닝 기반 ESS 설치환경 진단 키트.
According to claim 1,
The internal environment data is a deep learning-based ESS installation environment diagnostic kit, characterized in that it includes temperature data, humidity data, off-gas data, dust data.
 제 2 항에 있어서,
상기 고장 분류부는 KNN(k-Nearest neighbor) 분류기, 의사결정트리(decisiontree) 분류기, 산형판별분석기(Linear Discriminant Analysis) 또는 그래디언트 부스팅(gradient boosting) 분류기를 포함하고, 상기 제2 특징 데이터와 상기 고장 데이터 및 상기 정상 데이터 간의 거리 확률밀도함수와 분류확률을 계산하여 상기 제2 특징 데이터가 고장 데이터인지 정상 데이터인지 분류하는 것을 특징으로 하는 딥러닝 기반 ESS 설치환경 진단 키트.
According to claim 2,
The failure classification unit includes a k-nearest neighbor (KNN) classifier, a decision tree classifier, a linear discriminant analysis, or a gradient boosting classifier, and the second feature data and the failure data and a deep learning-based ESS installation environment diagnostic kit that classifies whether the second feature data is faulty data or normal data by calculating a distance probability density function and a classification probability between the normal data.
 제 3 항에 있어서,
상기 ESS 운영 및 유지관리 배터리 가이드 라인의 기준 데이터는 기준 온도 데이터, 기준 습도 데이터, 기준 오프 가스 데이터, 기준 먼지 데이터를 포함하고,
상기 기준 온도 데이터는 23±5℃이고, 상기 기준 습도 데이터는 80%미만 이며, 상기 기준 오프 가스 데이터는 가스 센서 값(sensor value) 기준 0.25이하 이고, 상기 기준 먼지 데이터는 70㎍/㎥미만인 것을 특징으로 하는 딥러닝 기반 ESS 설치환경 진단 키트.According to claim 3,
The reference data of the ESS operation and maintenance battery guideline includes reference temperature data, reference humidity data, reference off-gas data, and reference dust data,
The reference temperature data is 23 ± 5 ° C, the reference humidity data is less than 80%, the reference off-gas data is 0.25 or less based on a gas sensor value, and the reference dust data is less than 70 μg / m 3 Deep learning-based ESS installation environment diagnostic kit.
KR1020210143768A 2021-10-26 2021-10-26 Diagnostic kits for installation enviroment of energy storage system based on deep-learning KR20230059945A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210143768A KR20230059945A (en) 2021-10-26 2021-10-26 Diagnostic kits for installation enviroment of energy storage system based on deep-learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210143768A KR20230059945A (en) 2021-10-26 2021-10-26 Diagnostic kits for installation enviroment of energy storage system based on deep-learning

Publications (1)

Publication Number Publication Date
KR20230059945A true KR20230059945A (en) 2023-05-04

Family

ID=86379691

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210143768A KR20230059945A (en) 2021-10-26 2021-10-26 Diagnostic kits for installation enviroment of energy storage system based on deep-learning

Country Status (1)

Country Link
KR (1) KR20230059945A (en)

Similar Documents

Publication Publication Date Title
CN105992977B (en) The diagnostic device and diagnostic method of complete set of equipments
US9443201B2 (en) Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis
US7778947B2 (en) Anomaly monitoring device using two competitive neural networks
JP5544418B2 (en) Plant diagnostic device, diagnostic method, and diagnostic program
US20120072029A1 (en) Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment
KR102169047B1 (en) The fuel cell control system is equipped with an artificial intelligence
KR20100028360A (en) Home-network error prediction system and home-network fault estimation method
CN110287552A (en) Based on the motor bearings fault diagnosis method and system for improving random forests algorithm
CN110362045B (en) Marine doubly-fed wind turbine generator fault discrimination method considering marine meteorological factors
KR102289219B1 (en) Fire protection method and fire protection system
KR20190082715A (en) Data classification method based on correlation, and a computer-readable storege medium having program to perform the same
KR102169040B1 (en) The fuel cell control system is equipped with an artificial intelligence
KR20230059945A (en) Diagnostic kits for installation enviroment of energy storage system based on deep-learning
TWI780434B (en) Abnormal diagnosis device and method
Zanoli et al. FDI of Process Faults based on PCA and Cluster Analysis
CN115830516B (en) Computer neural network image processing method for battery deflagration detection
Toubakh et al. Advanced pattern recognition approach for fault diagnosis of wind turbines
CN116523722A (en) Environment monitoring analysis system with machine learning capability
KR102357754B1 (en) A fault diagnosis system for smart factory using artifical intelligence
JP2023094895A (en) Malfunction prediction device, control method for malfunction prediction device and program
Li et al. A symbolic reasoning based anomaly detection for gas turbine subsystems
KR102646725B1 (en) Edge Device that Includes Solar Panel Generation Prediction and Fault Diagnosis and Solar Power System Including the Same
CN117232577B (en) Optical cable distributing box bearing interior monitoring method and system and optical cable distributing box
Guo et al. Fault detection and diagnosis for residential hvac systems using transient cloud-based thermostat data
Ebrahimifakhar Investigation of the Prevalence of Faults in the Heating, Ventilation, and Air-Conditioning Systems of Commercial Buildings