KR20230144878A - 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치 - Google Patents

지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치 Download PDF

Info

Publication number
KR20230144878A
KR20230144878A KR1020220044137A KR20220044137A KR20230144878A KR 20230144878 A KR20230144878 A KR 20230144878A KR 1020220044137 A KR1020220044137 A KR 1020220044137A KR 20220044137 A KR20220044137 A KR 20220044137A KR 20230144878 A KR20230144878 A KR 20230144878A
Authority
KR
South Korea
Prior art keywords
data
information
infrastructure
power metering
intelligent power
Prior art date
Application number
KR1020220044137A
Other languages
English (en)
Inventor
김현옥
배환용
강동균
권혁록
Original Assignee
한전케이디엔주식회사
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 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020220044137A priority Critical patent/KR20230144878A/ko
Publication of KR20230144878A publication Critical patent/KR20230144878A/ko

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061Details of electronic electricity meters
    • G01R22/068Arrangements for indicating or signaling faults
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061Details of electronic electricity meters
    • G01R22/063Details of electronic electricity meters related to remote communication
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/10Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Telephonic Communication Services (AREA)

Abstract

본 개시는 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 일 실시 예에 의하면, 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법은 상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하는 단계;
상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하는 단계; 상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하는 단계; 상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하는 단계; 상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하는 단계; 및 상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성하는 단계; 를 포함할 수 있다.

Description

지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치 {APPRATUS FOR DETECT TEMPORARY FAILURE OF ADVANCED METERING INFRASTRUCTURE AND METHOD THEREOF}
본 개시는 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 보다 상세하게는 인공 지능을 활용하여 지능형 전력 계량 인프라 설비 내 일시적인 장애가 발생한 DCU 및 모뎀을 검출하고, 현장 점검 대상에서 제외하여 불필요한 현장 출동을 줄이기 위한 방법 및 이를 수행하는 전자 장치에 관한 것이다.
지능형 전력 계량 인프라(AMI, ADVANCED METERING INFRASTRUCTURE)는 계량 정보 전송을 위한 국가적인 통신망으로, 전국의 한전 전압 수용가 2,250만호를 대상으로 활발한 구축사업이 진행 중에 있다.
AMI 시스템은 스마트 미터(SMART METER), 모뎀, DCU(DATA CONCENTRATION UNIT, 데이터 집중 장치), AMI 운영 시스템 등 다양한 설비와 시스템을 포함할 수 있고, 이를 운영하고 유지 보수하는데 수 많은 비용과 인력이 소요될 수 있다.
일 실시 예에 의하면, AMI 설비의 주된 통신방식인 PLC 통신은 음영지역 및 부하가변이나 잡음 등의 상황에서 일시적 통신장애 발생 비율이 높아 조치가 필요한 장애와 구별이 어려울 수 있다. 현재는 계량 데이터의 누락 여부만으로 장애 여부 판단, 단순히 일정 시간(수시간) 동안 계량 데이터가 수집되지 않는 경우에서 장애로 판단하고 있다.
이러한 판단 방식은 일시적 통신 장애 판단이 어려우며, 장애 진단에 많은 시간이 소요되는 한계가 있다. 따라서, 지능형 전력 계량 인프라(AMI)의 일시적 장애를 효과적으로 구분하기 위한 기술 개발이 요구되고 있다.
한국공개특허 제2021-0147889호
일 실시 예에 따르면, 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
또한, 일 실시 예에 의하면, 인공지능 모델을 활용하여 지능형 전력 계량 인프라 설비의 일시적 장애 여부를 검출하고, 이에 기초하여 현장 점검 대장 정보를 생성하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법에 있어서, 상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하는 단계; 상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하는 단계; 상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하는 단계; 상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하는 단계; 상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하는 단계; 및 상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성하는 단계; 를 포함하는, 방법이 제공될 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 의하면, 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 전자 장치에 있어서, 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하고, 상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하고, 상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하고, 상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하고, 상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하고, 상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성하는, 전자 장치가 제공될 수 있다.
또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법에 있어서, 상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하는 단계; 상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하는 단계; 상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하는 단계; 상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하는 단계; 상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하는 단계; 및 상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성하는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
도 1은 일 실시 예에 따라 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 과정을 개략적으로 나타내는 도면이다.
도 2는 일 실시 예에 따른 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법의 흐름도이다.
도 3은 또 다른 실시 예에 따른 전자 장치가 인공지능 모델을 이용하여 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법의 흐름도이다.
도 4는 일 실시 예에 따른 전자 장치의 블록도이다.
도 5는 일 실시 예에 따른 전자 장치가 이용하는 일시장애 설비 검출 엔진의 동작을 설명하기 위한 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따라 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 과정을 개략적으로 나타내는 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 지능형 전력 계량 인프라(AMI) 설비(2000)로부터 설비 데이터, 검침 데이터, 통신 성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 인프라 데이터를 획득하고, 획득된 인프라 데이터를 인공 지능 모델을 이용하여 처리함으로써, 상기 지능형 전력 계량 인프라 설비 내 후보 장애 설비의 일시적 장애 여부(134) 및 일시적 장애가 아닌 장애 후보로 식별되는 경우, 해당 장애 후보에 대한 현장 점검을 위해 필요한 정보를 포함하는 현장 점검 대장 정보(132)를 생성할 수 있다.
일 실시 예에 의하면, 지능형 전력 계량 인프라(AMI) 설비(2000)는 스마트 미터(102), 모뎀(104), DCU(106), AMI 운영 시스템(108)을 포함할 수 있으며, 이외에도 계량 정보 전송을 위한 다양한 설비를 더 포함할 수 있음은 물론이다. 지능형 전력 계량 인프라 설비(2000)는 운영하고 유지 보수하는데 수 많은 비용과 인력이 소요되고, 특히 주된 통신 방식인 PLC 통신은 음영지역 및 부하가변이나 잡음 등의 상황에서 일시적 통신 장애 발생 비율이 높아 조치가 필요한 장애의 구별이 어려운 한계가 있다.
종래 지능형 전력 계량 인프라 설비(2000)의 진단은 계량 데이터의 누락 여부만으로 장애 여부를 판단하거나, 단순히 일정 시간(수시간) 동안의 계량 데이터가 수집되지 않는 경우에 장애로 판단하고 있으나, 이는 일시적 통신 장애의 판단이 어렵고, 장애 진단에 많은 시간이 소요되는 한계가 있다. 본 개시에 따른 전자 장치(1000)는 지능형 전력 계량 인프라 설비(2000)로부터 인프라 데이터를 획득하고, 인공지능 모델을 이용하여 설비의 일시적 장애 여부를 정확하게 식별할 수 있으며, AMI 설비의 현장 점검 대상을 자동으로 생성함으로써, 설비 운영 및 보수를 효과적으로 수행하도록 하는 장점이 있다.
일 실시 예에 의하면, 전자 장치(1000)는 하나 이상의 인스트럭션을 저장하는 메모리(124) 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서(122)를 포함할 수 있다. 프로세서(122)는 메모리(124)에 저장된 하나 이상의 인스트럭션을 실행함으로써 메모리에 저장된 일시 장애 설비 검출 엔진(126)을 실행할 수 있고, 일시 장애 설비 검출 엔진을 통하여 인프라 데이터를 분석함으로써, 인공 지능 모델로부터 도출된 장애 후보 설비에 대한 일시적 장애 여부(134)를 식별하고, 비일시적 장애로 식별됨으로써 현장 점검이 필요한 후보 설비에 대한 정보 및 상기 후보 설비의 현장 점검에 필요한 추가 정보를 포함하는 현장 점검 대장 정보(132)를 사용자에게 제공함으로써, AMI 설비의 운용 및 보수를 용이하게 한다.
도 2는 일 실시 예에 따른 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법의 흐름도이다.
S210에서, 전자 장치(1000)는 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득할 수 있다. 인프라 데이터는 지능형 전력 계량 인프라 설비에 대한 설비 정보(예컨대 설비 데이터), 검침 정보(예컨대 검침 데이터), 통신 성능 정보(예컨대 통신 성능 데이터) 또는 시스템 성능 정보(예컨대 시스템 성능 데이터) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 의하면, 설비 데이터는, DCU(Data Concentration Unit, 데이터 집중 장치) 정보, 모뎀 정보 또는 Meter 정보 중 적어도 하나를 포함할 수 있다. 일 실시 예에 의하면, 검침 데이터는 DCU ID 정보, 모뎀 MAC 정보, 계기 ID 정보, 서버시간 정보, 계기 시간 정보, DCU 시간 정보 또는 검침 성공 여부 중 적어도 하나를 포함할 수 있다. 또한, 일 실시 예에 의하면, 통신 성능 데이터는 DCU 통신 성능 데이터, 모뎀 통신 성능 데이터 중 적어도 하나를 포함할 수 있다.
일 실시 예에 의하면 통신 성능 데이터 내 DCU 통신 성능 데이터는 일시, up_bps 데이터 또는 down_bps 데이터 중 적어도 하나를 포함할 수 있다. 또한, 통신 성능 데이터 내 모뎀 통신 성능 데이터는 일시, bps_tx 데이터, bps_rx 데이터, agc_tx 데이터, agc_rx 데이터, rssi_rx 데이터, lqi_rx 데이터 중 적어도 하나를 포함할 수 있다. 일 실시 예에 의하면, 상기 시스템 성능 데이터는 DCU 시스템 성능 데이터를 포함할 수 있고, DCU 시스템 성능 데이터는 일시, 시스템 상태, CPU 사용량, 메모리 사용량 또는 온도 데이터 중 적어도 하나를 포함할 수 있다.
S220에서, 전자 장치(1000)는 인프라 데이터를 시간 및 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱할 수 있다. 예를 들어, 전자 장치(1000)는 인프라 데이터를 일시별 및 지능형 전력 계량 인프라 설비 내 DCU ID 별로 파일화함으로써 인덱싱할 수 있다. 또한, 일 실시 예에 의하면 후술하는 바와 같이, 일시적 장애 예측 시 인공 지능 모델로 입력될 데이터는 DCU 및 모뎀별로 생성될 수 있다.
S230에서, 전자 장치(1000)는 인덱싱된 인프라 데이터로부터 검침 누락된, 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별할 수 있다. 예를 들어, 전자 장치(1000)는 인덱싱된 인프라 데이터를 분석함으로써 현재 시점에서 검침 누락된 DCU/모뎀을 추출할 수 있다.
S240에서, 전자 장치(1000)는 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신 성능 데이터, 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 장애 후보 설비에 대한 지난 7일간의 검침 데이터, 통신 성능 데이터, 시스템 성능 데이터 중 적어도 하나를 포함하는 인프라 데이터 항목을 추출하고, 추출된 인프라 데이터 항목을 시간 별로 연결함으로써, 인공 지능 모델의 입력 데이터 형태로 변환할 수 있다. 전자 장치(1000)는 시간 별로, 상기 추출된 인프라 데이터 항목을 연결함으로써, 인공지능 모델의 입력 데이터 형태로 가공함으로써 장애 후보 데이터를 전처리할 수 있다.
S250에서, 전자 장치(1000)는 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 인공 지능 학습 알고리즘에 따라 학습되는 기계 학습 모델, 인공 신경망 모델을 포함할 수 있다.
일 실시 예에 의하면, 인공 신경망 모델은 인공 신경망(Artificial Neural Network)으로써, 생물학적 신경망에 착안된 컴퓨팅 시스템을 지칭할 수 있다. 인공 신경망 모델은 미리 정의된 조건에 따라 작업을 수행하는 고전적인 알고리즘과 달리, 다수의 샘플들을 고려함으로써 작업을 수행하는 것을 학습할 수 있다. 인공 신경망 모델은 인공 뉴런(neuron)들이 연결된 구조를 가질 수 있고, 뉴런들 간의 연결은 시냅스(synapse)로 지칭될 수 있다. 뉴런은 수신된 신호를 처리할 수 있고, 처리된 신호를 시냅스를 통해서 다른 뉴런에 전송할 수 있다. 뉴런의 출력은 액티베이션(activation)으로 지칭될 수 있고, 뉴런 및/또는 시냅스는 변동될 수 있는 가중치(weight)를 가질 수 있고, 가중치에 따라 뉴런에 의해 처리된 신호의 영향력이 증가하거나 감소할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델(예컨대 신경망 모델)에서 획득한 손실(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 수정 및 갱신될 수 있다. 본 개시에 따른 인공 신경망 모델은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
또한, 보다 상세하게는 전자 장치(1000)는 전처리된 장애 후보 데이터를 상기 인공 지능 모델에 입력함으로써, 상기 인공 지능 모델이, 상기 장애 후보 데이터에서 나타난 장애 후보에 대한 장애 복구 시간이 임계 시간 보다 작은 것으로 식별하는 경우, 상기 인공 지능 모델로부터 일시적 장애 타입 정보를 획득하고, 상기 인공 지능 모델이, 상기 장애 후보에 대한 장애 복구 시간이 상기 임계 시간 보다 큰 것으로 식별하는 경우, 상기 인공 지능 모델로부터 비일시적 장애 타입 정보를 획득할 수 있다. 전자 장치(1000)는 인공 지능 모델로부터 획득될 수 있는 상기 일시적 장애 타입 정보 또는 상기 비일시적 장애 타입 정보를 타입 정보로 결정할 수 있다.
S260에서, 전자 장치(1000)는 인공 지능 모델에서 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성할 수 있다. 예를 들어, 전자 장치(1000)는 상기 인공 지능 모델로부터 획득된, 상기 장애 후보에 대한 타입 정보가 비일시적 장애 타입 정보로 식별되는 경우, 상기 비일시적 장애 타입 정보로 식별된 장애 후보를 현장 점검 대상으로 결정하고, 상기 현장 점검 대상으로 결정된 장애 후보에 대한 식별 정보 및 상기 현장 점검 대상으로 결정된 장애 후보에 대한 현장 점검 시 필요한 추가 정보를 상기 현장 점검 대장 정보로 생성할 수 있다.
또한, 도 2에는 도시되지 않았지만, 전자 장치(1000)는 상기 생성된 현장 점검 대장 정보를 전자 장치(1000)와 연결된 외부 디바이스로 전송할 수 있고, 상기 생성된 현장 점검 대장 정보를 외부 디바이스로 전송함과 함께 전자 장치의 화면상에 출력할 수도 있다.
또한, 도 2에는 도시되지 않았지만, 전자 장치(1000)는 AMI 설비로부터 인프라 데이터를 획득하기에 앞서, 전력 계량 인프라 설비로부터 인프라 학습 데이터를 획득하고, 획득된 인프라 학습 데이터에 기초하여 인공 지능 모델을 미리 학습시킬 수도 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 현장 점검 대장 정보를 생성하는 단계 이후, 인공 지능 모델의 출력 값에 대한 평가 데이터를 획득하고, 평가 데이터에 따른 인공 지능 모델의 성능 점수가 미리 설정된 임계 점수보다 작은 것으로 식별되는 경우, 상기 학습된 인공 지능 모델을 재 학습시킬 수도 있다. 즉, 본 개시에 따른 전자 장치(1000)는 인공 지능 모델을 학습시킬 수 있을 뿐만 아니라, 실시간으로 획득되는 AMI 설비 데이터 및 인공 지능 모델에서 출력된 데이터의 평가 결과에 기초하여 지속적으로 인공 지능 모델을 학습시킴으로써 성능을 개선할 수 있다.
일 실시 예에 의하면 전자 장치(1000)가 생성하는 현장 점검 대장은 비일시적 장애로 식별된 설비의 장치 식별 정보, 해당 장치 식별 정보에 따른 후보 설비를 현장 점검하는데 필요한 추가 정보들을 더 포함할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 생성하는 현장 점검 대장 정보는 장애발생일시, DCU ID, DCU IP, 변대주명, 인입주명, 모뎀MAC, 통신방식, 고객번호, 계약종별, 계기번호, 계기타입, 검침일, 상구분, 수/발전 구분, 상호명, 공동주택명, 주소, 최종계기시간, 최종서버시간, 장애건수(최근한달) 또는 일간 검침성공률 중 적어도 하나에 대한 정보를 포함할 수 있다.
도 3은 또 다른 실시 예에 따른 전자 장치가 인공지능 모델을 이용하여 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법의 흐름도이다.
S302에서, 전자 장치(1000)는 AMI 설비로부터 데이터를 수집/저장할 수 있다. 예를 들어, 전자 장치(1000)가 AMI 설비로부터 획득하는 데이터는 설비 정보, 검침 정보, NMS의 통신 성능 정보, NMS의 시스템 성능 정보를 포함할 수 있다. 예를 들어, 전자 장치(1000)가 AMI 설비로부터 획득한 데이터는 그림 (310)에 도시된 바와 같이, 년월일 또는 일시 순번으로 정리될 수 있다.
S304에서, 전자 장치(1000)는 AMI 설비로부터 획득된 데이터를 인덱싱 처리할 수 있다. 예를 들어, 전자 장치(1000)는 일시별로 생성된 파일을 일자 및 DCU ID 별로 생성하여 전처리 시간을 향상시킬 수 있다. 일 실시 예에 의하면 일시 장애 예측 시 입력 데이터를 DCU 및 모뎀별로 생성될 수도 있다. 그림 (320)을 참조하면, 일시별 및 설비 ID 별로 인덱싱된 데이터들이 도시된다.
S306에서, 전자 장치(1000)는 인덱싱된 데이터에 기초하여 장애 후보 설비를 추출한다. 예를 들어, 전자 장치(1000)는 검침 데이터를 분석함으로써 현재 검침 누락된 DCU/모뎀을 추출할 수 있다. S308에서, 전자 장치(1000)는 장애 후보 설비에 관한 장애 후보 데이터를 전처리할 수 있다. 예를 들어, 전자 장치(1000)는 장애 후보 설비의 지난 7일간의 검침 데이터, 통신 성능 데이터, 시스템 성능 데이터 항목을 추출하고, 시간 별로 추출된 데이터 항목을 연결함으로써 인공 지능 모델의 입력 데이터 형태로 가공처리할 수 있다.
일 실시 예에 의하면 인공 지능 모델에 입력되는 입력 데이터는, 시간, 요일, 공휴일, 통신 성능 데이터, 시스템 성능 데이터, 통신 타입 데이터, 검침 실패 여부, 누적 검침 실패 건수에 대한 데이터 중 적어도 하나를 포함할 수 있다.
S310에서, 전자 장치(1000)는 가공 처리된 데이터에 기초하여 인공 지능 모델을 학습시킬 수 있다. S312에서, 전자 장치(1000)는 학습된 인공 지능 모델의 출력 결과를 평가할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 학습된 인공 지능 모델을 평가 함으로써 평가 데이터를 생성할 수 있다. 일 실시 예에 의하면 평가 데이터는 인공 지능 모델의 출력 데이터의 정확도, 정밀도, 재현율, F1-Scroe 중 적어도 하나에 대한 데이터를 포함할 수 있다.
S314에서, 전자 장치(1000)는 평가 결과에 기초하여 인공 지능 모델을 변경적용할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 평가 결과가, 시스템 관리자가 임의로 설정한 적용 기준을 만족하지 못하는 경우, 인공 지능 모델을 변경 및 교체할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 평가 결과에 기초하여 인공 지능 모델을 변경적용하는 과정은 인공 지능 모델을 재 학습시키거나, 인공 지능 모델 내 가중치들을 수정 및 갱신하는 동작에 대응될 수 있다.
S316에서, 전자 장치(1000)는 전처리된 데이터를, 변경 적용된 인공 지능 모델에 입력함으로써 AI 모델을 수행한다. S318에서, 전자 장치(1000)는 인공 지능 모델을 이용하여 전처리된 데이터상 장애 후보 설비에 대한 예측 장애 복구 시간이 기준 시간보다 작은지 여부를 식별할 수 있다. S320에서, 전자 장치(1000)는 전처리된 데이터상 장애 후보 설비에 대한 예측 장애 복구 시간이, 기준 시간 보다 작은 것으로 식별되는 경우, 장애 후보 설비의 장애를 일시적 장애로 검출할 수 있다. S322에서, 전자 장치(1000)는 장애 후보 설비에 대한 예측 장애 복구 시간이 기준 시간 보다 긴 것으로 식별되는 경우, 해당 장애 후보 설비를 현장 점검이 필요한 현장 점검 대상으로 결정하고, 후보 설비 현장 점거에 필요한 추가 정보 및 상기 현장 점검이 필요한 장애 후보 설비에 대한 정보를 포함하는 현장 점검 대장을 생성할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는, 실시간 데이터를 이용하여 인공 지능 모델을 지속적으로 추가 학습시킬 수 있으며, 장애 복구 시간 예측을 위해 회귀 알고리즘을 사용할 수 있다.
도 4는 일 실시 예에 따른 전자 장치의 블록도이다.
일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나 도시된 구성 요소가 모두 필수 구성요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그 보다 적은 구성 요소에 의해서도 전자 장치(1000)가 구현될 수도 있다. 예를 들어, 일 실시 예에 따른 전자 장치(1000)는 네트워크 인터페이스(1500), 프로세서(1300) 및 메모리(1700)외에, 사용자 입력 인터페이스(미도시), 출력부(미도시)를 더 포함할 수도 있다.
일 실시 예에 의하면, 사용자 입력 인터페이스(미도시)는, 사용자가 전자 장치(1000)를 제어하기 위한 시퀀스를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스(미도시)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 사용자 입력 인터페이스(미도시)는 전자 장치(1000)가 디스플레이 상에 출력한 화면에 대한 사용자의 입력 시퀀스를 수신할 수 있다. 또한, 사용자 입력 인터페이스(미도시)는 디스플레이를 터치하는 사용자의 터치 입력 또는 디스플레이상 그래픽 사용자 인터페이스를 통한 키 입력을 수신할 수도 있다.
출력부(미도시)는, 오디오 신호 또는 비디오 신호의 출력을 위한 것으로, 이에는 디스플레이부(미도시), 음향 출력부(미도시) 등이 포함될 수 있다. 예를 들어, 디스플레이부(미도시)는 전자 장치(1000)가 결정한 장애 후보 설비에 대한 컨텐츠, 현장 점검 대장 정보에 대한 컨텐츠를 화면상에 출력할 수 있다.
프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력 인터페이스(미도시), 출력부(미도시), 네트워크 인터페이스(1500)를 전반적으로 제어할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하고, 상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하고, 상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하고, 상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하고, 상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하고, 상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성할 수 있다.
일 실시 예에 의하면 적어도 하나의 프로세서는 현장 점검 대장 정보를 상기 전자 장치와 연결된 외부 디바이스로 전송하고, 상기 생성된 현장 점검 대장 정보를 상기 외부 디바이스로 전송함과 함께 상기 전자 장치의 화면상에 출력할 수 있다.
일 실시 예에 의하면 적어도 하나의 프로세서는 상기 인프라 데이터를 획득하기에 앞서, 상기 전력 계량 인프라 설비로부터 인프라 학습 데이터를 획득하고, 상기 획득된 인프라 학습 데이터에 기초하여, 상기 인공 지능 모델을 학습시킬 수 있다.
일 실시 예에 의하면, 적어도 하나의 프로세서는 상기 현장 점검 대장 정보를 생성하는 단계 이후 상기 인공 지능 모델의 출력 값에 대한 평가 데이터를 획득하고, 상기 평가 데이터에 따른 상기 인공 지능 모델의 성능 점수가 미리 설정된 임계 점수보다 작은 것으로 식별되는 경우, 상기 인공 지능 모델을 재 학습시킬 수 있다.
일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치(1000)가 다른 장치(예컨대 AMI 설비) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 네트워크 인터페이스(1500)는 근거리 통신부, 원거리 통신부를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit) 는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 원거리 통신부는 이동통신부 및 방송 수신부를 포함할 수 있다. 예를 들어, 이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 방송 수신부는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부를 포함하지 않을 수도 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 전자 장치(1000)가 AMI 설비로부터 획득하는 인프라 데이터, 검침 데이터, 설비 데이터, 통신 성능 데이터, 또는 시스템 성능 데이터를 저장할 수 있다.
또한, 메모리(1700)는 전자 장치(1000)가 이용하는 인공 지능 모델에 대한 정보, AMI 설비에 대한 정보를 저장할 수 있으며, 인공 지능 모델을 학습시키기 위한 각종 인공 지능 학습 알고리즘에 대한 인스트럭션을 더 저장할 수도 있다.
또한, 메모리(1700)는 전자 장치가 이용하는 인공 지능 모델이 인공 신경망 모델인 경우, 인공 신경망 모델을 구성하는 레이어들 및 레이어들 간의 가중치에 관한 정보를 더 저장할 수 있다. 또한, 메모리(1700)는 학습된 신경망뿐만 아니라, 획득된 입력값에 기초하여 이미 생성된 신경망에 기초한 모델들이 수정되는 경우, 수정된 모델들의 레이어들, 레이어들 간의 가중치에 관한 정보를 더 저장할 수 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
도 5는 일 실시 예에 따른 전자 장치가 이용하는 일시장애 설비 검출 엔진의 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 전자 장치(1000)의 메모리 내 저장된 일시장애 설비 검출 엔진의 동작이 도시된다. 일 실시 예에 의하면, 전자 장치(1000)는 데이터 수집부(522), 데이터 처리부(524), 데이터 저장부(526), AI 모델 관리부(528), 일시장애 검출부(530) 및 현장점검 대장 생성부(532)의 기능을 수행하는 하나 이상의 인스트럭션을 메모리에 저장할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 데이터 수집부(522)를 이용하여(예컨대 데이터 수집부에 해당하는 인스트럭션을 실행함으로써) 설비 정보(502), 검침 정보(504), 통신 성능 정보(506) 및 시스템 성능 정보(508)를 획득할 수 있다. 또한, 전자 장치(1000)는 데이터 처리부(524)를 이용하여 수집된 데이터를 학습 및 일시장애 예측 시 사용하기 위해 전처리할 수 있다.
또한, 전자 장치(1000)는 데이터 저장부(526)를 이용하여 수집된 데이터 및 전처리 결과를 파일 형태로 저장할 수 있다. 또한, 전자 장치(1000)는 AI 모델 관리부(528)를 이용하여 인공 지능 모델 입력 데이터에 기초하여 실시간으로 인공 지능 모델 학습을 수행하고, 학습된 인공 지능 모델의 평가를 수행하며, 평가 결과에 기초하여, 인공 지능 모델의 적용 또는 수정 및 갱신(예컨대 변경)을 수행할 수 있다.
또한, 전자 장치(1000)는 일시 장애 검출부(530)를 이용하여 장애 후보 설비에 대한 장애가 일시적 장애인지 여부를 식별할 수 있고, 현장 점검 대장 생성부(532)를 이용하여 비일시적 장애로 식별되는 장애 후보 설비에 대한 현장 점검을 위한 현장 점검 대장을 생성할 수 있다.
일 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (15)

  1. 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법에 있어서,
    상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하는 단계;
    상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하는 단계;
    상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하는 단계;
    상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하는 단계;
    상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하는 단계; 및
    상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성하는 단계; 를 포함하는, 방법.
  2. 제1항에 있어서, 상기 방법은
    상기 생성된 현장 점검 대장 정보를 상기 전자 장치와 연결된 외부 디바이스로 전송하는 단계; 및
    상기 생성된 현장 점검 대장 정보를 상기 외부 디바이스로 전송함과 함께 상기 전자 장치의 화면상에 출력하는 단계; 를 더 포함하는, 방법.
  3. 제1항에 있어서, 상기 방법은
    상기 인프라 데이터를 획득하기에 앞서,
    상기 전력 계량 인프라 설비로부터 인프라 학습 데이터를 획득하는 단계; 및
    상기 획득된 인프라 학습 데이터에 기초하여, 상기 인공 지능 모델을 학습시키는 단계; 를 더 포함하는, 방법.
  4. 제3항에 있어서, 상기 방법은
    상기 현장 점검 대장 정보를 생성하는 단계 이후
    상기 인공 지능 모델의 출력 값에 대한 평가 데이터를 획득하는 단계; 및
    상기 평가 데이터에 따른 상기 인공 지능 모델의 성능 점수가 미리 설정된 임계 점수보다 작은 것으로 식별되는 경우, 상기 인공 지능 모델을 재 학습시키는 단계; 를 더 포함하는, 방법.
  5. 제2항에 있어서, 상기 인프라 데이터를 획득하는 단계는
    상기 지능형 전력 계량 인프라 설비로부터 설비 데이터, 검침 데이터, 통신 성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 인프라 데이터를 획득하는 단계; 를 포함하는, 방법.
  6. 제2항에 있어서, 상기 인덱싱하는 단계는
    상기 획득된 인프라 데이터를 일시별 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 별로 파일화함으로써 인덱싱하는 단계; 를 포함하는 방법.
  7. 제5항에 있어서, 상기 전처리하는 단계는
    상기 식별된 장애 후보의 7일간 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 인프라 데이터 항목을 추출하는 단계; 및
    상기 추출된 인프라 데이터 항목을 시간 별로 연결함으로써 상기 인공 지능 모델의 입력 데이터 형태로 변환하는 단계; 를 포함하는, 방법.
  8. 제5항에 있어서, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하는 단계는
    상기 전처리된 장애 후보 데이터를 상기 인공 지능 모델에 입력함으로써, 상기 인공 지능 모델이, 상기 장애 후보 데이터에서 나타난 장애 후보에 대한 장애 복구 시간이 임계 시간 보다 작은 것으로 식별하는 경우, 상기 인공 지능 모델로부터 일시적 장애 타입 정보를 획득하는 단계; 및
    상기 인공 지능 모델이, 상기 장애 후보에 대한 장애 복구 시간이 상기 임계 시간 보다 큰 것으로 식별하는 경우, 상기 인공 지능 모델로부터 비일시적 장애 타입 정보를 획득하는 단계; 를 포함하는, 방법.
  9. 제8항에 있어서, 상기 현장 점검 대장 정보를 생성하는 단계는
    상기 인공 지능 모델로부터 획득된, 상기 장애 후보에 대한 타입 정보가 비일시적 장애 타입 정보로 식별되는 경우, 상기 비일시적 장애 타입 정보로 식별된 장애 후보를 현장 점검 대상으로 결정하는 단계; 및
    상기 현장 점검 대상으로 결정된 장애 후보에 대한 식별 정보 및 상기 현장 점검 대상으로 결정된 장애 후보에 대한 현장 점검 시 필요한 추가 정보를 상기 현장 점검 대장 정보로 생성하는 단계; 를 포함하는, 방법.
  10. 제5항에 있어서,
    상기 설비 데이터는, DCU 정보, 모뎀 정보 또는 Meter 정보 중 적어도 하나를 포함하고, 상기 검침 데이터는 DCU ID 정보, 모뎀 MAC 정보, 계기 ID 정보, 서버시간 정보, 계기 시간 정보, DCU 시간 정보 또는 검침 성공 여부 중 적어도 하나를 포함하며,
    상기 통신 성능 데이터는 DCU 통신 성능 데이터, 모뎀 통신 성능 데이터 중 적어도 하나를 포함하고, 상기 시스템 성능 데이터는 DCU 시스템 성능 데이터를 포함하는 것을 특징으로 하는, 방법.
  11. 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 전자 장치에 있어서,
    네트워크 인터페이스;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하고,
    상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하고,
    상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하고,
    상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하고,
    상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하고,
    상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성하는, 전자 장치.
  12. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 생성된 현장 점검 대장 정보를 상기 전자 장치와 연결된 외부 디바이스로 전송하고,
    상기 생성된 현장 점검 대장 정보를 상기 외부 디바이스로 전송함과 함께 상기 전자 장치의 화면상에 출력하는, 전자 장치.
  13. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 인프라 데이터를 획득하기에 앞서,
    상기 전력 계량 인프라 설비로부터 인프라 학습 데이터를 획득하고,
    상기 획득된 인프라 학습 데이터에 기초하여, 상기 인공 지능 모델을 학습시키는, 전자 장치.
  14. 제13항에 있어서, 상기 적어도 하나의 프로세서는
    상기 현장 점검 대장 정보를 생성하는 단계 이후
    상기 인공 지능 모델의 출력 값에 대한 평가 데이터를 획득하고,
    상기 평가 데이터에 따른 상기 인공 지능 모델의 성능 점수가 미리 설정된 임계 점수보다 작은 것으로 식별되는 경우, 상기 인공 지능 모델을 재 학습시키는, 전자 장치.
  15. 전자 장치가 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법에 있어서,
    상기 전자 장치와 연결된 지능형 전력 계량 인프라(AMI) 설비에 대한 인프라 데이터를 획득하는 단계;
    상기 획득된 인프라 데이터를 시간 및 상기 지능형 전력 계량 인프라 설비 내 DCU ID 정보에 기초하여 인덱싱하는 단계;
    상기 인덱싱된 인프라 데이터로부터 검침 누락된, 상기 지능형 전력 계량 인프라 설비 내 DCU 또는 모뎀 중 적어도 하나를 포함하는 장애 후보를 식별하는 단계;
    상기 식별된 장애 후보에 대한 미리 설정된 시간 동안의 검침 데이터, 통신성능 데이터 또는 시스템 성능 데이터 중 적어도 하나를 포함하는 장애 후보 데이터를 전처리하는 단계;
    상기 전처리된 장애 후보 데이터가 입력되면, 상기 지능형 전력 계량 인프라 설비의 장애의 타입 정보를 출력하는 인공 지능 모델에, 상기 전처리된 장애 후보 데이터를 입력함으로써, 상기 인공 지능 모델로부터, 상기 지능형 전력 계량 인프라 설비 장애의 타입 정보를 획득하는 단계; 및
    상기 획득된 타입 정보에 기초하여 현장 점검 대장 정보를 생성하는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020220044137A 2022-04-08 2022-04-08 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치 KR20230144878A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220044137A KR20230144878A (ko) 2022-04-08 2022-04-08 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220044137A KR20230144878A (ko) 2022-04-08 2022-04-08 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230144878A true KR20230144878A (ko) 2023-10-17

Family

ID=88557612

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220044137A KR20230144878A (ko) 2022-04-08 2022-04-08 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20230144878A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210147889A (ko) 2020-05-28 2021-12-07 오브이에이치 전기 시스템 모니터링 및/또는 고장 검출 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210147889A (ko) 2020-05-28 2021-12-07 오브이에이치 전기 시스템 모니터링 및/또는 고장 검출 시스템 및 방법

Similar Documents

Publication Publication Date Title
CN111178456B (zh) 异常指标检测方法、装置、计算机设备和存储介质
Siami et al. A mobile telematics pattern recognition framework for driving behavior extraction
CN102087722A (zh) 学习设备和方法、预测设备和方法及程序
CN109102030B (zh) 控制在线模型更新的方法及装置
CN109376906B (zh) 基于多维度轨迹的出行时间预测方法、系统及电子设备
CN110705646B (zh) 一种基于模型动态更新的移动设备流式数据识别方法
CN113822366A (zh) 业务指标异常检测方法及装置、电子设备、存储介质
CN114816468A (zh) 云边协同系统、数据处理方法、电子设备及存储介质
CN114760172A (zh) 射频基带综合特征信号识别方法与装置
Glauner et al. Is big data sufficient for a reliable detection of non-technical losses?
Zese et al. Neural network techniques for detecting intra-domestic water leaks of different magnitude
CN117351659B (zh) 一种水文地质灾害监测装置及监测方法
Hong et al. Context-aware multi-head self-attentional neural network model for next location prediction
CN114413409A (zh) 用于空调故障概率的检测方法及装置、智能空调
CN113593692A (zh) 基于大数据智慧医疗的数据处理方法和云计算服务器
CN117372144A (zh) 应用于小样本场景的风控策略智能化方法及系统
KR20230144878A (ko) 지능형 전력 계량 인프라 설비의 일시적 장애를 검출하는 방법 및 장치
CN112801156B (zh) 用于人工智能机器学习的业务大数据采集方法及服务器
CN111798237B (zh) 基于应用日志的异常交易诊断方法及系统
CN112838943B (zh) 信令分析方法和相关装置
CN114638308A (zh) 一种获取对象关系的方法、装置、电子设备和存储介质
CN114915563A (zh) 一种网络流量预测方法和系统
Zhu et al. Gaussian mixture variational autoencoder with whitening score for multimodal time series anomaly detection
KR20220138250A (ko) 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치
Indhumathi et al. IoT-Enabled Weather Monitoring and Rainfall Prediction using Machine Learning Algorithm

Legal Events

Date Code Title Description
E902 Notification of reason for refusal