KR20230109491A - Method and system of predicting hazardous locations and cause of failure according to weather conditions - Google Patents
Method and system of predicting hazardous locations and cause of failure according to weather conditions Download PDFInfo
- Publication number
- KR20230109491A KR20230109491A KR1020220005516A KR20220005516A KR20230109491A KR 20230109491 A KR20230109491 A KR 20230109491A KR 1020220005516 A KR1020220005516 A KR 1020220005516A KR 20220005516 A KR20220005516 A KR 20220005516A KR 20230109491 A KR20230109491 A KR 20230109491A
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- data
- correlation
- weather conditions
- hazardous location
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 231100001261 hazardous Toxicity 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 230000009118 appropriate response Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 기상상황에 관한 기상관측 데이터를 실시간 수신하는 단계, 상기 기상관측 데이터와 기저장된 고압고장 데이터의 상관관계를 예측 모델링을 사용하여 분석하는 단계 및 상기 분석하는 단계에 의해 모델링된 데이터를 예측 모델을 통해 훈련하여 상기 기상관측 데이터와 상기 고압고장 데이터의 상관관계를 파악하는 단계를 포한하는 기상상황에 따른 위해개소 및 고장원인 예측 방법으로서, 본 발명에 의하면, 기상상황의 변화에 따른 위해개소 및 고장원인을 사전에 정확하게 예측할 수 있어 표준적 자료를 제공할 수 있으며, 그에 따라 적절한 대응 및 향후 투자 판단의 기준을 제공할 수 있게 한다.The present invention includes the steps of receiving meteorological observation data on meteorological conditions in real time, analyzing the correlation between the meteorological observation data and pre-stored high voltage failure data using predictive modeling, and predicting the modeled data by the analyzing step. As a method for predicting hazardous locations and causes of failure according to meteorological conditions, including the step of training through a model to determine the correlation between the meteorological observation data and the high voltage failure data, according to the present invention, hazardous areas due to changes in meteorological conditions And it can accurately predict the cause of failure in advance, so it can provide standard data, and accordingly, it can provide appropriate response and criteria for future investment decisions.
Description
본 발명은 기상상황에 따른 위해개소 및 고장원인을 사전에 예측하여 제공할 수 있는 방법과 예측 시스템에 관한 것이다.The present invention relates to a method and a predictive system capable of predicting and providing hazardous locations and causes of failures according to weather conditions in advance.
기상상황에 따른 위험으로 인해 배전계통에 고장이나 화재 등의 사고가 발생하게 되며, 이는 재산적, 인적 피해를 초래하게 된다.Risks caused by weather conditions cause accidents such as breakdowns or fires in the distribution system, resulting in property and human damage.
그런데, 현재는 사고가 발생한 후에야 사고를 인지하여 원인 및 상관관계를 분석할 수밖에 없으며, 그마저도 인력에 의존하여 판단하고 있다.,However, now there is no choice but to recognize the accident and analyze the cause and correlation only after the accident has occurred, and even that is judged by relying on manpower.
그러므로, 정전의 원인 등 상관관계를 분석하는 경우 분석 인력의 역량에 따라 차이가 발생할 수밖에 없고, 정전분석의 표준화된 자료도 존재하지 않는다.Therefore, in the case of analyzing correlations such as causes of blackouts, differences inevitably occur depending on the capabilities of analysts, and standardized data for blackout analysis do not exist.
또한, 투자를 위한 정전분석 시 명확한 기준이 없으며 수기로 분석함에 따라 많은 시간이 소요되고 한정된 예산을 고려한 효율적인 설비투자가 이루어지지 못한다.In addition, there is no clear standard for power outage analysis for investment, and it takes a lot of time as it is manually analyzed, and efficient facility investment cannot be made considering the limited budget.
이상의 배경기술에 기재된 사항은 발명의 배경에 대한 이해를 돕기 위한 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.Matters described in the background art above are intended to aid understanding of the background of the invention, and may include matters other than those of the prior art already known to those skilled in the art.
본 발명은 상술한 문제점을 해결하고자 안출된 것으로서, 본 발명은 기상상황의 변화에 따른 위해개소 및 고장원인을 사전에 정확하게 예측할 수 있어 표준적 자료를 제공할 수 있으며, 그에 따라 적절한 대응 및 향후 투자 판단의 기준을 제공할 수 있게 하는 기상상황에 따른 위해개소 및 고장원인 예측 방법과 예측 시스템을 제공하는 데 그 목적이 있다.The present invention has been devised to solve the above-mentioned problems, and the present invention can provide standard data by accurately predicting hazardous locations and causes of failures in advance according to changes in weather conditions, thereby providing appropriate response and future investment. Its purpose is to provide a method and a prediction system for predicting hazardous locations and failure causes according to weather conditions that can provide criteria for judgment.
본 발명의 일 관점에 의한 기상상황에 따른 위해개소 및 고장원인 예측 방법은, 기상상황에 관한 기상관측 데이터를 실시간 수신하는 단계, 상기 기상관측 데이터와 기저장된 고압고장 데이터의 상관관계를 예측 모델링을 사용하여 분석하는 단계 및 상기 분석하는 단계에 의해 모델링된 데이터를 예측 모델을 통해 훈련하여 상기 기상관측 데이터와 상기 고압고장 데이터의 상관관계를 파악하는 단계를 포한한다.A method for predicting hazardous locations and causes of failure according to weather conditions according to one aspect of the present invention includes the steps of receiving weather observation data related to weather conditions in real time, predictive modeling of the correlation between the weather observation data and pre-stored high voltage failure data. and analyzing using and analyzing the data modeled by the analyzing step and training the data modeled through the predictive model to determine a correlation between the meteorological observation data and the high-voltage failure data.
그리고, 상기 고압고장 데이터는 지역별, 선로별, 원인별로 분류된 데이터인 것을 특징으로 한다.And, the high-voltage failure data is characterized in that it is data classified by region, line, and cause.
여기서, 상기 예측 모델링은 KNIME(나임), 변수 간 선형적 상관성을 분석하는 상관분석(Linear Correlation), 범주형 변수 간 연관성을 분석하는 교차분석(Crosstab), 그래프 빅데이터의 패턴을 분석하는 선형그래프(Line Plot), 각 요소별 주요도 등을 측정하는 워드클라우드(Tag Cloud)를 포함하는 기법인 것을 특징으로 한다.Here, the predictive modeling is KNIME (Nine), correlation analysis that analyzes linear correlation between variables, crosstab that analyzes correlation between categorical variables, and linear graph that analyzes patterns of graph big data. (Line Plot), and a word cloud (Tag Cloud) that measures the importance of each element.
그리고, 상기 예측 모델은 변수 간 인과관계 분석으로 규칙을 생성하는 회귀분석(Logistic Regression), 지도학습 기반 각 변수영역을 분할하는 의사결정트리(Decision Tree), 두뇌구조 모방 데이터 패턴 구조 분석 기법인 인공신경망 및 KNIME 코딩을 포함하는 기법인 것을 특징으로 한다.In addition, the predictive model is a regression analysis (Logistic Regression) that creates rules by analyzing the causal relationship between variables, a decision tree that divides each variable area based on supervised learning, and an artificial brain structure imitating data pattern structure analysis technique. It is characterized by a technique including neural networks and KNIME coding.
또한, 상기 상관관계를 파악하는 단계에 의해 파악된 상관관계에 의해 고장 발생 예상 정보를 제시하는 단계를 더 포함할 수 있다.In addition, the method may further include presenting failure prediction information based on the correlation determined by the step of determining the correlation.
나아가, 상기 고장 발생 예상 정보를 제시하는 단계는 예상되는 위해개소 및 고장원인을 지역별, 선로별로 제시하는 것을 특징으로 한다.Furthermore, the step of presenting the failure prediction information is characterized by presenting an expected hazardous location and failure cause by region and by line.
다음으로, 본 발명의 일 관점에 의한 기상상황에 따른 위해개소 및 고장원인 예측 시스템은, 기상상황에 관한 기상관측 데이터를 실시간 수신하는 수신부, 상기 기상관측 데이터와 기저장된 고압고장 데이터의 상관관계를 예측 모델링을 사용하여 분석하는 상관관계 분석부 및 상기 상관관계 분석부에 의해 모델링된 데이터를 예측 모델을 통해 훈련하여 상기 기상관측 데이터와 상기 고압고장 데이터의 상관관계를 파악하는 상관관계 파악부를 포함한다.Next, the system for predicting hazardous locations and causes of failure according to weather conditions according to one aspect of the present invention includes a receiver for receiving weather observation data related to weather conditions in real time, and a correlation between the weather observation data and pre-stored high voltage failure data. It includes a correlation analysis unit that analyzes using predictive modeling and a correlation determination unit that trains data modeled by the correlation analysis unit through a predictive model to determine a correlation between the meteorological observation data and the high voltage failure data. .
그리고, 상기 고압고장 데이터는 지역별, 선로별, 원인별로 분류된 데이터인 것을 특징으로 한다.And, the high-voltage failure data is characterized in that it is data classified by region, line, and cause.
여기서, 상기 예측 모델링은 KNIME(나임), 변수 간 선형적 상관성을 분석하는 상관분석(Linear Correlation), 범주형 변수 간 연관성을 분석하는 교차분석(Crosstab), 그래프 빅데이터의 패턴을 분석하는 선형그래프(Line Plot), 각 요소별 주요도 등을 측정하는 워드클라우드(Tag Cloud)를 포함하는 기법인 것을 특징으로 한다.Here, the predictive modeling is KNIME (Nine), correlation analysis that analyzes linear correlation between variables, crosstab that analyzes correlation between categorical variables, and linear graph that analyzes patterns of graph big data. (Line Plot), and a word cloud (Tag Cloud) that measures the importance of each element.
또한, 상기 예측 모델은 변수 간 인과관계 분석으로 규칙을 생성하는 회귀분석(Logistic Regression), 지도학습 기반 각 변수영역을 분할하는 의사결정트리(Decision Tree), 두뇌구조 모방 데이터 패턴 구조 분석 기법인 인공신경망 및 KNIME 코딩을 포함하는 기법인 것을 특징으로 한다.In addition, the predictive model is a logistic regression that creates rules by analyzing causal relationships between variables, a decision tree that divides each variable area based on supervised learning, and artificial intelligence that is a brain structure imitating data pattern structure analysis technique. It is characterized by a technique including neural networks and KNIME coding.
나아가, 상기 상관관계 파악부에 의해 파악된 상관관계에 의해 고장 발생 예상 정보를 제시하는 경보부를 더 포함할 수 있다.Furthermore, it may further include an alarm unit for presenting information about prediction of occurrence of a failure based on the correlation identified by the correlation determination unit.
그리고, 상기 경보부는 예상되는 위해개소 및 고장원인을 지역별, 선로별로 제시하는 것을 특징으로 한다.And, the alarm unit is characterized in that it presents expected hazardous locations and causes of failure by region and by line.
본 발명에 의하면 기상상황 변화에 따라 위해개소 및 고장원인을 사전에 예측 가능하여, 전기품질의 향상 및 효율적 투자가 가능하게 한다.According to the present invention, it is possible to predict hazardous locations and causes of failures in advance according to changes in weather conditions, enabling improvement of electricity quality and efficient investment.
이를 통해 효율적인 설비투자로 고압정전 사고를 감소시킬 수가 있고, 설비보수분야 예산 효율적인 투자로 예산을 절감할 수 있다.Through this, it is possible to reduce high-voltage power outage accidents through efficient facility investment, and budget savings through budget-efficient investment in facility maintenance.
또한, 표준 플랫폼을 활용함으로써 인력의 역량별 분석의 차이가 아닌 객관화된 자료를 사용하여 업무가 가능해지므로, 수기 분석시간을 단축하여 업무 효율성을 높일 수 있다.In addition, by using a standard platform, it is possible to work using objectified data rather than differences in the analysis of manpower by competency, thereby reducing manual analysis time and increasing work efficiency.
또한, 배전선로 순시 체계화로 선로별 우선순위 수립이 가능하고, 경험에 기반하던 업무에서 데이터를 활용하여 예보된 자료로 설비관리가 가능해진다.In addition, it is possible to establish priorities for each line by systematizing the distribution line patrol, and it is possible to manage facilities with forecasted data by using data in work that was based on experience.
도 1은 본 발명의 기상상황에 따른 위해개소 및 고장원인 예측 방법을 도시한 것이다.
도 2는 기상관측 데이터의 일 예이다.
도 3은 본 발명에 의해 구현되는 고장 사전 경고 플랫폼의 예시이다.
도 4 내지 도 8은 돈 3의 플랫폼에서 구현되는 각 기능을 별도 나타낸 것이다.1 illustrates a method for predicting hazardous locations and causes of failure according to weather conditions according to the present invention.
2 is an example of weather observation data.
3 is an example of a pre-failure warning platform implemented by the present invention.
4 to 8 separately show each function implemented in the Don 3 platform.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시 예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.In order to fully understand the present invention and the advantages in operation of the present invention and the objects achieved by the practice of the present invention, reference should be made to the accompanying drawings illustrating preferred embodiments of the present invention and the contents described in the accompanying drawings.
본 발명의 바람직한 실시 예를 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지의 기술이나 반복적인 설명은 그 설명을 줄이거나 생략하기로 한다.In describing the preferred embodiments of the present invention, known techniques or repetitive descriptions that may unnecessarily obscure the subject matter of the present invention will be reduced or omitted.
도 1은 본 발명의 기상상황에 따른 위해개소 및 고장원인 예측 방법을 도시한 것이고, 도 2는 기상관측 데이터의 일 예이다.1 shows a method for predicting hazardous locations and causes of failure according to weather conditions according to the present invention, and FIG. 2 is an example of weather observation data.
이하, 도 1 및 도 2를 참조하여 본 발명의 일 실시예에 의한 기상상황에 따른 위해개소 및 고장원인 예측 방법과 예측 시스템을 설명하기로 한다.Hereinafter, with reference to FIGS. 1 and 2, a method and prediction system for predicting hazardous locations and causes of failure according to weather conditions according to an embodiment of the present invention will be described.
본 발명은 기상상황의 변화에 따른 위해개소 및 고장원인을 사전에 정확하게 예측함으로써 고장발생 시기, 지리적 특성, 원인과 기상관측자료(AWS) 분석을 통해 위해고장요소를 실시간 안내하기 위한 것이다.The present invention is to provide real-time guidance on hazardous failure elements through analysis of failure occurrence times, geographical characteristics, causes, and meteorological observation data (AWS) by accurately predicting hazardous locations and causes of failures in advance according to changes in weather conditions.
즉, 본 발명은 기존에 실제 발생한 고압고장 데이터와 기상관측자료(AWS)를 기반으로 선로특성, 설비특성을 기상상황과 연계하여 Knime 및 Python 프로그램을 활용하여 분석한 후 기상상황에 따른 고장요인 Data Base를 구축하고, 실시간으로 변하는 기상상황을 선로별 특성에 매칭시켜 위해되는 고장요인을 알려줌으로써 선로 순시 우선구간 선정 및 설비와 선로 투자대상을 선정하는 데 객관적인 자료로 사용할 수 있으며, 효율적이며 객관적인 투자를 그 목적으로 한다.In other words, the present invention analyzes the line characteristics and facility characteristics with weather conditions based on high voltage failure data and meteorological observation data (AWS) that have actually occurred in the past, using Knime and Python programs, and then analyzing the failure factor data according to the weather conditions It can be used as objective data to select priority sections for line patrol and equipment and line investment targets by establishing a base and matching weather conditions that change in real time with the characteristics of each line to notify the cause of the failure. Efficient and objective investment for that purpose.
먼저, 기상정보를 실시간으로 수신한다(S100).First, weather information is received in real time (S100).
즉, 도 2와 같은 기상관측 데이터(AWS)와 기존 BIG DATA를 활용하여 입력된다. 이는 수신 내지 입력받는 수신부에 의해 구현된다.That is, it is input using weather observation data (AWS) as shown in FIG. 2 and existing BIG DATA. This is implemented by a receiver that receives or receives input.
다음, 고장정보를 매칭함으로써 기상정보 BIG DATA와 지사별, 지역별, 선로별, 원인별 고압고장 BIG DATA를 연계하여 다양한 예측 모델링을 사용해 상관관계를 분석한다. 예측 모델링은 KNIME(나임) 프로그램일 수 있으며, 변수 간 선형적 상관성을 분석하는 상관분석(Linear Correlation), 범주형 변수 간 연관성을 분석하는 교차분석(Crosstab), 그래프 빅데이터의 패턴을 분석하는 선형그래프(Line Plot), 각 요소별 주요도 등을 측정하는 워드클라우드(Tag Cloud) 등을 포함할 수 있다. 이는 상관관계 분석부에 의해 분석된다.Next, by matching the failure information, the weather information BIG DATA and the high-voltage failure BIG DATA by branch, region, line, and cause are linked to analyze the correlation using various predictive modeling. Predictive modeling can be a KNIME program, which includes Linear Correlation that analyzes linear correlation between variables, Crosstab that analyzes correlation between categorical variables, and Linear that analyzes patterns of graph big data. It may include a graph (Line Plot), a word cloud (Tag Cloud) that measures the importance of each element, and the like. This is analyzed by the correlation analysis unit.
그런 다음, 이렇게 모델링된 데이터를 트레이닝하여 정확도를 검증하고 상관관계를 파악, 검증한다(S120).Then, by training the data modeled in this way, accuracy is verified, and a correlation is identified and verified (S120).
분석은 Decision Tree(의사결정 트리), 신경망 등 머신러닝 기반 기상별 고장요인 예측 모델을 통해 훈련한다.Analysis is trained through machine learning-based weather-specific failure factor prediction models such as Decision Tree and neural network.
즉, 변수 간 인과관계 분석으로 규칙을 생성하는 회귀분석(Logistic Regression), 지도학습 기반 각 변수영역을 분할하는 의사결정트리(Decision Tree)를 포함함으로써, 머신러닝 기반 고장원인과 기상 간 관계를 분석하고, 기대값과 실제값을 비교하여 지역별 위해요인 정보를 제공할 수 있다.In other words, by including logistic regression, which creates rules by analyzing causal relationships between variables, and decision trees that divide each variable area based on supervised learning, the relationship between the cause of failure and weather conditions is analyzed based on machine learning. and compare the expected value with the actual value to provide risk factor information by region.
그리고, 두뇌구조 모방 데이터 패턴 구조 분석 기법인 인공신경망 및 KNIME 코딩을 포함하여 신경망 기반 머신러닝으로 예측정보 정확도를 제고한다.In addition, the prediction information accuracy is improved by neural network-based machine learning, including artificial neural networks and KNIME coding, which are brain structure imitation data pattern structure analysis techniques.
이는 상관관계 파악부에 의해 파악 및 검증된다.This is identified and verified by the correlation unit.
이상과 같이 예측 모델링을 통해 분석된 데이터를 활용하여 실시간 기상데이터를 사용해 위해되는 고장요인을 알림수단을 이용하여 경보하며(S130), 지사별, 선로별 위해개소 및 보강대상에 대한 결과 또한 제공한다(S140).As described above, using the data analyzed through predictive modeling, real-time weather data is used to alert the harmful failure factors using notification means (S130), and also provides results for hazardous locations and reinforcement targets by branch and line. (S140).
이 같은 알림 정보는 경보부에 의해 구현된다.Such notification information is implemented by the warning unit.
이를 이용하여 배전선로 순시 전, 어떤 요인을 중점으로 순시해야 할지, 고장 발생을 대비하여 어떤 준비를 해야 할지 알 수 있도록 한다.By using this, it is possible to know which factors to focus on patrol prior to the distribution line patrol, and what preparations to make in case of failure.
이상과 같은 분석 및 학습에 의한 경고는 도 3과 같은 플랫폼에 의해 제시될 수 있다. 이는 모델링 데이터를 기반으로 한 고장 사전경고 플랫폼으로서, 고장 발생 지도를 통해 고장 유형과 위치를 파악할 수가 있다. 또한, 기자재 고장, 풍우해, 뇌해, 조류 접촉, 수목 접촉, 이물 접촉 등의 고장 경보를 직관적으로 확인할 수 있으며, 고장별 관리지역, 지역별 고장 척도, 교차 분석 결과, 지사별 고장척도 등의 정보를 제공한다.A warning based on analysis and learning as described above may be presented by a platform as shown in FIG. 3 . This is a failure pre-warning platform based on modeling data, and it is possible to identify the type and location of failure through a failure map. In addition, you can intuitively check failure alarms such as equipment failure, wind and rain damage, brain damage, bird contact, tree contact, and foreign object contact, and information such as management area by failure, failure scale by region, cross analysis results, and failure scale by branch to provide.
도 4는 고장 경보 표시로서, 현재의 기온과 풍속, 강우량 등에 따라 어떤 고장이 발생할 확률이 높은지를 알림준다.4 is a failure warning display, which notifies which failure is likely to occur according to the current temperature, wind speed, and rainfall.
즉, 실시간 기상정보에 따라 값이 변동되며, 주간예보나 일일예보 데이터를 넣어 예측도 가능하다.That is, the value is changed according to real-time weather information, and it is possible to forecast by inserting weekly or daily forecast data.
또한, 고장이 발생될 때 마다 다시 머신러닝을 시켜 정확도를 상승시킬 수 있다.In addition, whenever a failure occurs, machine learning can be performed again to increase accuracy.
그리고, 도 5의 고장유형별 발생 Icon Map 및 도 6의 Heat Map과 같이 고장 발생 지도 상에 고장 유형의 표시가 가능하다.In addition, it is possible to display failure types on a failure occurrence map, such as the icon map for each failure type in FIG. 5 and the heat map in FIG. 6 .
또한, 도 7 및 도 8과 같이 고장발생 실적관련 수치형 데이터 및 워드클라우드가 제공될 수 있다.In addition, as shown in FIGS. 7 and 8 , numerical data and word cloud related to failure occurrence performance may be provided.
이와 같이, 본 발명에 의하면 예측 모델링을 통해 분석된 데이터를 활용하여 지리적 특성, 선로 및 설비별 특성에 따른 고장예방 방안을 안내해주며, 한정된 예산을 사용하여 어느 지역, 어떤 부문에 투자를 해야 할지 제시해준다.As such, according to the present invention, by using the data analyzed through predictive modeling, it guides failure prevention measures according to geographical characteristics, characteristics of lines and facilities, and suggests which region and which sector to invest in using a limited budget. it does
이상과 같은 본 발명은 예시된 도면을 참조하여 설명되었지만, 기재된 실시 예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형될 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정 예 또는 변형 예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이며, 본 발명의 권리범위는 첨부된 특허청구범위에 기초하여 해석되어야 할 것이다.Although the present invention as described above has been described with reference to the illustrated drawings, it is not limited to the described embodiments, and it is common knowledge in the art that various modifications and variations can be made without departing from the spirit and scope of the present invention. It is self-evident to those who have Therefore, such modified examples or variations should be included in the claims of the present invention, and the scope of the present invention should be interpreted based on the appended claims.
S100 : 실시간 기상정보 입력
S110 : 고장정보 매칭(교차분석)
S120 : 상관관계 파악(회귀분석)
S130 : 발생예상 고장 알림
S140 : 위해개소 및 보강대상 알림S100: Input real-time weather information
S110: Failure information matching (cross analysis)
S120: Finding correlation (regression analysis)
S130: Notification of expected failure
S140: Notification of harmful points and reinforcement targets
Claims (12)
상기 기상관측 데이터와 기저장된 고압고장 데이터의 상관관계를 예측 모델링을 사용하여 분석하는 단계; 및
상기 분석하는 단계에 의해 모델링된 데이터를 예측 모델을 통해 훈련하여 상기 기상관측 데이터와 상기 고압고장 데이터의 상관관계를 파악하는 단계를 포한하는,
기상상황에 따른 위해개소 및 고장원인 예측 방법.Receiving meteorological observation data on meteorological conditions in real time;
Analyzing a correlation between the meteorological observation data and pre-stored high voltage failure data using predictive modeling; and
Comprising the step of training the data modeled by the analyzing step through a predictive model to determine the correlation between the meteorological observation data and the high voltage failure data,
Hazardous location and failure cause prediction method according to weather conditions.
상기 고압고장 데이터는 지역별, 선로별, 원인별로 분류된 데이터인 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 방법.The method of claim 1,
Characterized in that the high voltage failure data is data classified by region, line, and cause.
Hazardous location and failure cause prediction method according to weather conditions.
상기 예측 모델링은 KNIME(나임), 변수 간 선형적 상관성을 분석하는 상관분석(Linear Correlation), 범주형 변수 간 연관성을 분석하는 교차분석(Crosstab), 그래프 빅데이터의 패턴을 분석하는 선형그래프(Line Plot), 각 요소별 주요도 등을 측정하는 워드클라우드(Tag Cloud)를 포함하는 기법인 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 방법.The method of claim 2,
The predictive modeling includes KNIME (Nine), Linear Correlation that analyzes linear correlation between variables, Crosstab that analyzes correlation between categorical variables, and Linear Graph that analyzes patterns of graph big data. Plot), and a word cloud that measures the importance of each element, etc.
Hazardous location and failure cause prediction method according to weather conditions.
상기 예측 모델은 변수 간 인과관계 분석으로 규칙을 생성하는 회귀분석(Logistic Regression), 지도학습 기반 각 변수영역을 분할하는 의사결정트리(Decision Tree), 두뇌구조 모방 데이터 패턴 구조 분석 기법인 인공신경망 및 KNIME 코딩을 포함하는 기법인 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 방법.The method of claim 2,
The predictive model is a logistic regression that creates rules by analyzing causal relationships between variables, a decision tree that divides each variable area based on supervised learning, an artificial neural network that is a brain structure imitating data pattern structure analysis technique, and Characterized in that it is a technique including KNIME coding,
Hazardous location and failure cause prediction method according to weather conditions.
상기 상관관계를 파악하는 단계에 의해 파악된 상관관계에 의해 고장 발생 예상 정보를 제시하는 단계를 더 포함하는,
기상상황에 따른 위해개소 및 고장원인 예측 방법.The method of claim 2,
Further comprising the step of presenting failure prediction information by the correlation identified by the step of determining the correlation,
Hazardous location and failure cause prediction method according to weather conditions.
상기 고장 발생 예상 정보를 제시하는 단계는 예상되는 위해개소 및 고장원인을 지역별, 선로별로 제시하는 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 방법.The method of claim 5,
The step of presenting the expected failure occurrence information is characterized in that the expected hazardous location and cause of failure are presented by region and by line.
Hazardous location and failure cause prediction method according to weather conditions.
상기 기상관측 데이터와 기저장된 고압고장 데이터의 상관관계를 예측 모델링을 사용하여 분석하는 상관관계 분석부; 및
상기 상관관계 분석부에 의해 모델링된 데이터를 예측 모델을 통해 훈련하여 상기 기상관측 데이터와 상기 고압고장 데이터의 상관관계를 파악하는 상관관계 파악부를 포함하는,
기상상황에 따른 위해개소 및 고장원인 예측 시스템.a receiving unit for receiving meteorological observation data related to meteorological conditions in real time;
a correlation analyzer analyzing a correlation between the meteorological observation data and pre-stored high voltage failure data using predictive modeling; and
Including a correlation determination unit for training the data modeled by the correlation analysis unit through a predictive model to determine a correlation between the weather observation data and the high voltage failure data,
Hazardous location and failure cause prediction system according to weather conditions.
상기 고압고장 데이터는 지역별, 선로별, 원인별로 분류된 데이터인 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 시스템.The method of claim 7,
Characterized in that the high voltage failure data is data classified by region, line, and cause.
Hazardous location and failure cause prediction system according to weather conditions.
상기 예측 모델링은 KNIME(나임), 변수 간 선형적 상관성을 분석하는 상관분석(Linear Correlation), 범주형 변수 간 연관성을 분석하는 교차분석(Crosstab), 그래프 빅데이터의 패턴을 분석하는 선형그래프(Line Plot), 각 요소별 주요도 등을 측정하는 워드클라우드(Tag Cloud)를 포함하는 기법인 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 시스템.The method of claim 8,
The predictive modeling includes KNIME (Nine), Linear Correlation that analyzes linear correlation between variables, Crosstab that analyzes correlation between categorical variables, and Linear Graph that analyzes patterns of graph big data. Plot), and a word cloud that measures the importance of each element, etc.
Hazardous location and failure cause prediction system according to weather conditions.
상기 예측 모델은 변수 간 인과관계 분석으로 규칙을 생성하는 회귀분석(Logistic Regression), 지도학습 기반 각 변수영역을 분할하는 의사결정트리(Decision Tree), 두뇌구조 모방 데이터 패턴 구조 분석 기법인 인공신경망 및 KNIME 코딩을 포함하는 기법인 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 시스템.The method of claim 8,
The predictive model is a logistic regression that creates rules by analyzing causal relationships between variables, a decision tree that divides each variable area based on supervised learning, an artificial neural network that is a brain structure imitating data pattern structure analysis technique, and Characterized in that it is a technique including KNIME coding,
Hazardous location and failure cause prediction system according to weather conditions.
상기 상관관계 파악부에 의해 파악된 상관관계에 의해 고장 발생 예상 정보를 제시하는 경보부를 더 포함하는,
기상상황에 따른 위해개소 및 고장원인 예측 시스템.The method of claim 8,
Further comprising an alarm unit for presenting failure prediction information based on the correlation identified by the correlation determination unit,
Hazardous location and failure cause prediction system according to weather conditions.
상기 경보부는 예상되는 위해개소 및 고장원인을 지역별, 선로별로 제시하는 것을 특징으로 하는,
기상상황에 따른 위해개소 및 고장원인 예측 시스템.The method of claim 11,
Characterized in that the alarm unit presents expected hazardous locations and causes of failure by region and by line,
Hazardous location and failure cause prediction system according to weather conditions.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220005516A KR20230109491A (en) | 2022-01-13 | 2022-01-13 | Method and system of predicting hazardous locations and cause of failure according to weather conditions |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220005516A KR20230109491A (en) | 2022-01-13 | 2022-01-13 | Method and system of predicting hazardous locations and cause of failure according to weather conditions |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230109491A true KR20230109491A (en) | 2023-07-20 |
Family
ID=87426490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220005516A KR20230109491A (en) | 2022-01-13 | 2022-01-13 | Method and system of predicting hazardous locations and cause of failure according to weather conditions |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230109491A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391459A (en) * | 2023-12-13 | 2024-01-12 | 国网山西省电力公司太原供电公司 | Electric power operation risk early warning method and system based on deep learning |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101151559B1 (en) | 2010-09-30 | 2012-06-01 | 한국전력공사 | Device for detecting power failure caused by customer property, system for managing power failure caused by customer property and method thereof |
-
2022
- 2022-01-13 KR KR1020220005516A patent/KR20230109491A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101151559B1 (en) | 2010-09-30 | 2012-06-01 | 한국전력공사 | Device for detecting power failure caused by customer property, system for managing power failure caused by customer property and method thereof |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391459A (en) * | 2023-12-13 | 2024-01-12 | 国网山西省电力公司太原供电公司 | Electric power operation risk early warning method and system based on deep learning |
| CN117391459B (en) * | 2023-12-13 | 2024-03-05 | 国网山西省电力公司太原供电公司 | Electric power operation risk early warning method and system based on deep learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11367053B2 (en) | System and method for damage assessment and restoration | |
| CN112884325A (en) | Method and system for application analysis and health condition evaluation of customer station equipment | |
| CN116503975B (en) | Intelligent gas GIS-based potential safety hazard disposal method and Internet of things system | |
| CN111506093A (en) | Unmanned aerial vehicle-based power inspection system and method | |
| CN115373403B (en) | Inspection service system for construction machinery equipment | |
| CN112633779B (en) | Method for evaluating reliability of environmental monitoring data | |
| CN114897329A (en) | Power transmission line inspection method, device and system and storage medium | |
| CN111311133B (en) | Monitoring system applied to power grid production equipment | |
| Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
| CN113675944A (en) | Intelligent analysis decision-making system and method for photovoltaic power station | |
| JP2022115061A (en) | Weather-related overhead distribution line failures online prediction | |
| KR20230109491A (en) | Method and system of predicting hazardous locations and cause of failure according to weather conditions | |
| Ekpiwhre et al. | Risk-based inspection on highway assets with category 2 defects | |
| CN111596012A (en) | Air quality monitoring method, device, equipment and storage medium | |
| CN116629465B (en) | Smart power grids video monitoring and risk prediction response system | |
| CN110989042A (en) | Intelligent prediction method for highway fog-clustering risk | |
| CN113095160B (en) | Power system personnel safety behavior identification method and system based on artificial intelligence and 5G | |
| Wilkinson et al. | Consequence forecasting: A rational framework for predicting the consequences of approaching storms | |
| CN111709597B (en) | Power grid production domain operation monitoring system | |
| CN116629580B (en) | GIS-based intelligent gas safety hidden danger item management method and Internet of things system | |
| CN113281616A (en) | Power transmission line fault diagnosis method, system and framework based on expert system | |
| Tubis et al. | Concept of controlling for maintenance management performance: a case study of passenger transportation company | |
| CN112016739A (en) | Fault detection method and device, electronic equipment and storage medium | |
| CN115393142A (en) | Intelligent park management method and management platform | |
| CN115640997A (en) | Traffic accident risk dynamic identification method and identification model construction method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |