KR20240013412A - 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법 - Google Patents

인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법 Download PDF

Info

Publication number
KR20240013412A
KR20240013412A KR1020220090914A KR20220090914A KR20240013412A KR 20240013412 A KR20240013412 A KR 20240013412A KR 1020220090914 A KR1020220090914 A KR 1020220090914A KR 20220090914 A KR20220090914 A KR 20220090914A KR 20240013412 A KR20240013412 A KR 20240013412A
Authority
KR
South Korea
Prior art keywords
failure
data
learning model
artificial intelligence
fault
Prior art date
Application number
KR1020220090914A
Other languages
English (en)
Inventor
남수철
한준
강성범
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020220090914A priority Critical patent/KR20240013412A/ko
Publication of KR20240013412A publication Critical patent/KR20240013412A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법에 관한 것으로, 사전 계통해석과 온라인 계통해석을 통해 정의된 상정고장을 학습하여 학습모델을 생성하고, 계측장치를 통해 실시간으로 측정되는 전력설비의 측정데이터를 학습모델을 이용하여 인공지능 기반 패턴인식을 통해 비교하여 고장을 인식하는 것으로, 발생된 고장을 빠르게 인식할 수 있고, 고장유형을 판단하여 고장유형에 따라 고장을 처리할 수 있어 전력계통 운영의 안정성을 향상시키고 정전 등의 사고를 예방할 수 있다.

Description

인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법{SYSTEM AND OPERATING METHOD FOR RECOGNIZING ABNORMAL OF POWER FACILITIES USING ARTIFICIAL INTELLIGENCE}
본 발명은, 전력계통의 데이터를 수집하여 패턴인식 기반으로 고장유형을 분류하고 상태를 추정하여 상정고장을 조기 인지하고 파급고장을 사전에 인식하여 고장을 처리하는, 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법에 관한 것이다.
발전설비에서 생성된 전력은 송전선로를 통해 복수의 수요처로 전송된다. 전력을 송전하고 배전하는 복수의 전력설비에 의해 전력이 중단 없이 지속적으로 전송된다.
이러한 복수의 전력설비를 안정적으로 운영하기 위해 각 전력설비로부터 측정되는 데이터를 실시간으로 모니터링하고 고장을 검출하여 사고에 대비하고 있다.
또한, 사고가 발생한 이후에 사고를 처리할 뿐 아니라, 발생 가능한 고장을 미리 상정하고 수치해석 모델을 기반으로, 전력설비가 모델링된 전력계통 해석 프로그램을 이용하여 사전모의 함으로써, 사고의 발생 등 위험에 대비한다.
최근에는 발생 가능한 고장에 보다 더 적극적인 대응을 위해 15분 단위의 온라인 계통해석을 통해 발생가능 고장에 대한 목록을 최신화하고 대응방안을 수립하고 있다.
관련 기술로, 대한민국 등록특허 제10-2402653호 "인공지능 기반 스카다 시스템 및 그 운용방법"가 있다.
종래 발명은 복수의 원격 단말 장치가 모니터링 대상 설비에 각각 연결되어 설비의 데이터를 수집하고, 중앙서버가 인공지능 기반 시스템 요소와 작동 무결성 검사를 수행하여 시스템 장치의 고장 및 운영오류를 검출한다.
이와 같은 시스템을 통해 발생 가능한 상정고장을 사전에 모의하여 대비하고 있으나, 계통 운영 간에 발생하는 고장의 경우 고장이 발생한 이후에 고장이 발생했음을 감지할 수 있으므로 사후 고장에 대해 처리해야 한다.
또한, 일반적으로 운영자가 대비하는 상정고장은 전력당국에서 유지하고 있는 '신뢰도 고시'를 기준으로 설정되어, 하나 이상의 고장이 중첩되어 발생되는 파급고장에 대해서는 대응하기 어려운 문제가 있다.
그에 따라 발생가능한 상정고장의 상황을 사전에 확인하여 상정고장은 물론 연속으로 발생하는 파급 고장에 대응할 수 있도록 하여 정전 등의 사고를 예방할 수 있는 방안이 필요하다.
대한민국 등록특허 제10-2402653호
본 발명은 상기와 같은 필요성에 의해 창출된 것으로서, 발생된 고장에 대한 데이터를 인공지능 기반으로 패턴을 인식하여 고장에 대한 학습모델을 생성하고, 실시간으로 측정되는 데이터를 분석하여 학습모델과 비교함으로써, 고장을 판단하고 고장유형을 분류하여 고장을 처리하는 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법을 제공하는데 그 목적이 있다.
상기한 목적을 달성하기 위하여 본 발명에 따른 인공지능 기반 전력설비 고장 인식 시스템은, 전력설비; 상기 전력설비에 연결되어 실시간으로 측정데이터를 획득하는 계측장치; 및 인공지능 기반 패턴인식을 통해 고장에 대한 학습모델을 생성하고, 상기 계측장치로부터 수신되는 상기 전력설비의 상기 측정데이터를 상기 학습모델을 기반으로 분석하여 상기 전력설비의 고장을 인식하는 고장인식장치; 를 포함하고, 상기 고장인식장치는, 상기 측정데이터 및 상기 학습모델에 대한 데이터가 저장되는 메모리; 및 상기 측정데이터의 패턴을 인식하여 고장의 유형을 판단하여 고장인식결과를 생성하는 프로세서; 를 포함한다.
상기 프로세서는 상정고장 데이터를 분석하여 고장파형 데이터를 생성하여 상기 메모리에 저장하고, 입력되는 기초 고장파형 데이터와 상기 고장파형 데이터를 인공지능 기반 패턴인식을 통해 분석하여 상기 학습모델을 생성하는 것을 특징으로 한다.
상기 프로세서는 주기적으로 입력되는 온라인 계통해석 데이터에 대한 온라인 계통해석을 통해 새로운 고장파형 데이터를 생성하고, 상기 새로운 고장파형 데이터를 이용하여 상기 학습모델을 갱신하는 것을 특징으로 한다.
상기 프로세서는 전력계통 운영을 위한 사전모의 결과 도출되는 고장파형 데이터인 상기 기초 고장파형 데이터를 비정기적으로 입력받아 상기 학습모델을 갱신하는 것을 특징으로 한다.
상기 프로세서는 상기 측정데이터를 상기 학습모델을 기반으로 분석하여 고장에 대한 패턴을 인식하여 고장을 인식하고, 기 발생된 고장파형의 패턴과 비교하여 고장유형을 판단하는 것을 특징으로 한다.
상기 고장인식장치는 출력부; 를 더 포함하고, 상기 프로세서는 고장이 인식되면, 고장이 발생한 전력설비의 위치, 종류, 고장유형에 대한 데이터가 포함된 상기 고장인식결과를 생성하고, 상기 고장인식결과 및 경고를 상기 출력부를 통해 출력하는 것을 특징으로 한다.
상기 고장인식장치는 상기 고장이 발생한 전력설비, 및 상기 고장이 발생한 전력설비의 관리서버로 상기 고장인식결과를 전송하는 통신모듈; 을 더 포함한다.
상기 고장인식장치는 통신모듈; 을 더 포함하고, 상기 통신모듈은 상기 계측장치 및 상기 계측장치의 데이터가 집중되는 집중장치 중 어느 하나로부터 상기 측정데이터를 수신하는 것을 특징으로 한다.
상기 고장인식결과, 상기 학습모델에 대한 데이터, 상기 고장파형 데이터, 상기 기초 고장파형 데이터 및 상기 측정데이터를 저장하는 데이터베이스; 를 더 포함한다.
본 발명의 인공지능 기반 전력설비 고장 인식 시스템의 동작방법은 고장인식장치가, 인공지능 기반 패턴인식을 통해 전력설비의 고장에 대한 학습모델을 생성하는 단계; 상기 전력설비에 연결되는 계측장치로부터, 실시간으로 상기 전력설비의 측정데이터를 수신하는 단계; 상기 측정데이터를 상기 학습모델을 기반으로 분석하여 상기 전력설비의 고장을 인식하고, 상기 측정데이터의 패턴을 인식하여 고장유형을 분류하는 단계; 및 상기 고장유형이 포함된 고장인식결과를 생성하여 출력하는 단계; 를 포함한다.
상기 학습모델을 생성하는 단계는, 상정고장 데이터를 분석하여 고장파형 데이터를 생성하는 단계; 및 입력되는 기초 고장파형 데이터와 상기 고장파형 데이터를 인공지능 기반 패턴인식을 통해 분석하여 상기 학습모델을 생성하는 단계; 를 포함한다.
상기 학습모델을 생성하는 단계는, 주기적으로 입력되는 온라인 계통해석 데이터에 대한 온라인 계통해석을 통해 새로운 고장파형 데이터를 생성하는 단계; 및 상기 새로운 고장파형 데이터를 이용하여 상기 학습모델을 갱신하는 단계; 를 더 포함한다.
상기 학습모델을 생성하는 단계는, 전력계통 운영을 위한 사전모의 결과 도출되는 고장파형 데이터인 상기 기초 고장파형 데이터를 비정기적으로 입력받는 단계; 및 상기 기초 고장파형 데이터를 이용하여 상기 학습모델을 갱신하는 단계; 를 더 포함한다.
상기 고장유형을 분류하는 단계는, 상기 학습모델을 기반으로, 기 발생된 고장파형의 패턴과 상기 측정데이터의 패턴을 비교하여 고장유형을 판단하는 것을 특징으로 한다.
상기 고장인식결과를 생성하여 출력하는 단계는, 고장이 발생한 전력설비의 위치, 종류, 고장유형에 대한 데이터를 포함하여 상기 고장인식결과를 생성하는 것을 특징으로 한다.
상기 고장인식결과를 생성하여 출력하는 단계 후, 고장이 발생한 전력설비 및 상기 고장이 발생한 전력설비의 관리서버로 상기 고장인식결과를 전송하는 단계; 를 더 포함한다.
일 측면에 따르면, 본 발명의 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법은 기존의 고장데이터를 바탕으로 사전 계통해석과 온라인 계통해석을 통해 정의된 고장에 대한 학습모델을 생성하고, 실시간으로 측정되는 데이터의 패턴을 인식하여 비교함으로써 실시간으로 고장유형을 판단하고, 현재의 상태를 추정하여 빠르게 고장에 대응할 수 있어, 전력계통 운영의 안정도를 크게 향상시키고, 정전 등의 사고 발생을 예방할 수 있다.
본 발명의 일 측면에 따르면, 계통해석 과정에서 수치모델의 오차로 인하여 발생하는 오차를 실시간 측정데이터와 비교하여 오차를 감소시키고 고장유현 판단의 정확도를 향상시킬 수 있다.
도 1 은 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 구성이 도시된 도이다.
도 2 는 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 고장인식장치의 구성이 도시된 블록도이다.
도 3 은 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 데이터 흐름을 설명하는 데 참조되는 흐름도이다.
도 4 는 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 전력망 및 인공지능 기반 학습모델 생성방법이 도시된 순서도이다.
도 5 는 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 동작방법이 도시된 순서도이다.
이하, 첨부된 도면들을 참조하여 본 발명을 설명하도록 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1 은 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 구성이 도시된 도이다.
도 1에 도시된 바와 같이, 인공지능 기반 전력설비 고장 인식 시스템은, 복수의 전력설비(20)(21 내지 23), 복수의 계측장치(30)(31 내지 33), 고장인식장치(10) 및 데이터베이스(DB)(40)를 포함한다.
복수의 전력설비(20)(21 내지 23)은 송전선로 또는 배전선로와 연결되어 전력이 지속적으로 송전 및 배전되도록 하는 장치로, 예를 들어 변압기, 가스절연개폐기(GIS), 변류기(CT), 차단기, 보호계전기(IED)를 포함한다.
계측장치(30)는 전력설비(20)에는 연결되어 전력설비(20)의 데이터를 수집하여 고장인식장치(10)로 전송한다.
계측장치(30)는 복수로 구비된다. 계측장치(30)는 하나의 전력설비(20)에 연결되거나, 복수의 전력설비에 하나의 계측장치가 연결될 수도 있다.
계측장치(30)는 전력설비(20)의 전류데이터 및 전압데이터를 측정한다. 계측장치(30)는 전력설비(20)의 위치데이터, 이벤트데이터를 수집한다. 또한, 계측장치(30)는 전압신호 및 전류 신호와 시각동기신호를 이용하여 동기 위상각, 주파수 및 주파수변동률의 추정치를 생성한다.
계측장치(30)는 예를 들어 시각동기 위상 측정장치(PMU, PHASOR MEASUREMENT UNIT)로, 변전소 등에 설치될 수 있다. 계측장치(30)는 고속 전압 신호추출에 대한 신호처리 기술을 사용하여 전압파형의 최고치 또는 최저치를 판정한다. 또한, 계측장치(30)는 송전선로 또는 변압기에 흐르는 전류의 크기와 위상각을 계측할 수 있다.
계측장치(30)는 전압 전류 신호와 시각동기신호를 이용하여 동기 위상각, 주파수 및 주파수변동률의 추정치를 생성한다. 계측장치는 전압의 정현파 교차점에서 2개의 서로 다른 장소에 대하여 고정밀도 측정을 수행하고, 또한 시간차를 이용하여 2개의 전압파형에 대한 위상 차이를 측정할 수 있다.
계측장치(30)는 데이터 집중장치(미도시)로 데이터를 전송하고, 데이터 집중장치를 통해 고장인식장치(10)로 데이터를 전송할 수 있다.
고장인식장치(10)는 복수의 전력설비의 데이터를 수신하여 그 상태를 모니터링하고 고장을 진단한다.
고장인식장치(10)는 발생된 고장에 대한 데이터를 학습하여 고장파형을 인식하고 패턴을 분석하여 학습모델을 생성한다.
고장인식장치(10)는 생성된 학습모델을 기반으로 실시간으로 측정데이터를 분석하여 패턴을 인식하고, 학습모델과 비교하여 고장유형을 판단한다.
고장인식장치(10)는 고장이 발생하면, 고장에 대한 데이터를 누적하여 저장하고, 데이터를 분석하여 패턴을 인식하고 이를 바탕으로 학습모델을 갱신하는 것을 반복함으로써 새로운 유형의 고장을 학습한다.
고장인식장치(10)는 인공지능 기반으로 데이터를 학습함으로써, 다양한 고장에 대한 패턴을 인식할 수 있고, 그에 대한 고장유형을 판단하여 고장을 처리할 수 있도록 한다.
고장인식장치(10)는 고장이 발생한 전력설비, 전력설비의 관리서버(미도시), 전력설비의 관리자 단말(미도시) 또는 모니터링 시스템(미도시)으로 고장발생에 대한 경고신호를 전송한다.
고장인식장치(10)는 누적되는 데이터 및 학습모델의 데이터를 데이터베이스(DB)(40)에 고장유형별로 분류하여 저장한다. 또한, 고장인식장치(10)는 데이터를 분석 및 패턴인식 데이터를 데이터베이스(DB)(40)에 저장한다.
도 2 는 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 고장인식장치의 구성이 도시된 블록도이다.
도 2의 (a)에 도시된 바와 같이, 고장인식장치(10)는 메모리(120), 통신모듈(130), 출력부(140) 및 프로세서(110)를 포함한다.
또한, 고장인식장치(10)는 데이터를 장치에 입출력하고, 저장수단이 장착되는 입출력인터페이스를 더 포함할 수 있다.
통신모듈(130)은 제어명령에 대응하여 복수의 계측장치(30)(31 내지 33)로부터 전력설비(20)의 측정데이터를 수신한다. 통신모듈(130)은 제어명령에 대응하여 데이터베이스(DB)(40)로 데이터를 전송하고, 프로세서(110)의 요청에 따라 데이터베이스(DB)(40)에 저장된 데이터를 수신한다. 또한, 통신모듈(130)은 전력설비, 전력계통을 관리하는 관리서버와 데이터를 송수신한다.
통신모듈(130)은 유선 또는 무선의 통신방식으로 데이터를 송수신한다.
통신모듈(130)은 예를 들어 이더넷(Ethernet), 와이파이(WIFI), 블루투스(Bluetooth) 등의 근거리 통신, 이동 통신, 및 시리얼 통신 중 적어도 하나의 모듈을 포함하여 통신한다. 또한, 통신모듈(130)은 전력선통신(PLC), 유선케이블을 이용하여 데이터를 송수신할 수 있다.
메모리(120)는 복수의 계측장치(30)(31 내지 33)로부터 실시간 측정되어 수신되는 전력설비(20)의 측정데이터를 저장한다. 메모리(120)는 상정고장에 대한 데이터, 고장파형 데이터 및 기초 고장파형 데이터를 저장하며, 고장파형에 대한 학습모델의 데이터를 저장한다.
경우에 따라 메모리(120)는 학습용 메모리가 별도로 구비될 수 있다.
메모리(120)는 램(RAM, Random Access Memory), 롬(ROM), EEPROM(Electrically Erased Programmable Rom) 등의 비휘발성 메모리, 플래시 메모리, SSD, HDD 등의 저장수단을 포함한다.
출력부(140)는 계측장치(30)로부터 데이터 수신상태, 고장인식장치(10)의 동작상태를 출력한다. 또한, 출력부(140)는 전력설비에 대한 고장 인식결과를 출력한다.
출력부(140)는 스피커(미도시), 디스플레이(미도시) 및 램프(미도시) 중 적어도 하나를 포함하여, 고장 인식 여부, 인식된 고장의 종류를 포함하는 고장 인식결과를 디스플레이에 표시한다.
또한, 출력부(140)는 고장 인식결과에 대응하는 효과음, 경고음 및 음성안내 중 적어도 하나의 방식으로 스피커를 통해 출력할 수 있고, 램프의 색상 또는 점멸방식을 상이하게 설정하여 고장인식결과를 출력할 수 있다.
프로세서(110)는 입력되는 상정고장에 대한 데이터를 분석하여 고장파형 데이터를 생성한다.
프로세서(110)는 고장파형 데이터와, 새로 입력되는 기초 고장파형 데이터를 분석하여 고장에 대한 패턴을 인식하고, 인공지능 기반 딥러닝을 통해 학습한다.
프로세서(110)는 딥러닝을 통해 파형의 패턴을 인식하여 고장파형을 검출하고, 고장파형의 특징에 따라 고장유형을 분류하는 학습모델을 생성한다. 프로세서(110)는 고장파형에 대한 학습모델의 데이터를 메모리(120)에 저장한다.
프로세서(110)는 생성된 학습모델을 기반으로, 복수의 계측장치(30)로부터 실시간으로 수신되는 전력설비(20)의 측정데이터를 분석하여, 고장파형을 추출하고, 고장파형의 패턴을 인식한다.
또한, 프로세서(110)는 고장파형의 패턴인식결과를 학습모델과 비교하여, 고장유형을 판단한다.
프로세서(110)는 고장유형을 포함하는 고장인식결과를 출력부(140)를 통해 출력한다. 또한 프로세서(110)는 고장인식결과에 대한 경고를 생성하여 출력부(140)를 통해 출력한다.
프로세서(110)는 고장이 발생한 위치에 대응하여, 고장이 발생한 전력설비, 전력설비의 관리장치(미도시), 관리자의 단말(미도시), 및 전력설비가 위치한 지역의 관리서버 중 적어도 하나로 고장인식결과 및 경고신호를 전송하여 고장에 대처하도록 한다.
프로세서(110)는 발생된 고장의 유형에 대응하여 대응안을 고장인식결과와 함께 전송할 수 있다.
경우에 따라, 프로세서(110)는 학습모델을 기반으로 측정데이터를 분석하여, 고장이 발생하기 전의 데이터의 특징을 패턴으로 추출하여 고장을 예측할 수 있다. 고장인식장치(10)는 고장이 발생하기 전 전조증상이 검출되면, 고장발생 가능성에 대한 예측결과를 생성하여 출력한다. 프로세서(110)는 측정데이터를 바탕으로 전력설비의 열화도를 산출하여 고장을 예측할 수 있다. 프로세서(110)는 고장예측 시, 발생할 고장에 대한 고장유형을 판단할 수 있다.
고장인식장치(10)는 고장이 발생할 가능성이 높은 경우(예를 들어 고장발생 가능성이 90% 이상인 경우) 고장예측결과를 생성하여, 발생 가능한 고장에 대해 경고할 수 있다.
프로세서(110)는 발생된 고장과, 고장 발생 전 전조증상에 대한 학습모델을 각각 생성하여 발생된 고장에 대한 고장인식결과와, 발생 가능성이 있는 고장에 대한 고장예측결과를 각각 생성할 수 있다.
도 2의 (b)에 도시된 바와 같이, 프로세서(110)는 복수의 마이크로프로세서로 구성될 수 있다. 또한, 프로세서(110)는 복수의 알고리즘에 따라 각각의 프로세스는 처리할 수 있다. 프로세서는 하나의 알고리즘 또는 복수의 알고리즘을 기반으로 동작한다.
프로세서(110)는 고장파형 생성 알고리즘(111), 패턴인식 알고리즘(112), 고장파형 학습 알고리즘(113) 및 고장유형 판단 알고리즘(114)에 따라 동작한다. 경우에 따라 고장파형 생성 프로세서, 패턴인식 프로세서, 고장파형 학습 프로세서, 고장유형 판단 프로세서로 구분할 수 있다.
프로세서(110)는 고장파형 생성 알고리즘(111)에 따라 데이터로부터 고장파형을 생성하고, 패턴인식 알고리즘(112)에 따라 고장파형의 패턴을 인식한다.
프로세서(110)는 고장파형 학습 알고리즘(113)에 따라 고장파형의 패턴인식 및 고장유형을 분류하기 위한 학습모델을 생성한다.
또한, 프로세서(110)는 생성된 학습모델을 기반으로 패턴인식 알고리즘(112)에 따라 실시간 측정되는 데이터로부터 고장파형에 대한 패턴을 인식하고, 고장유형판단 알고리즘(114)에 따라 고장유형을 판단한다.
도 3 은 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 데이터 흐름을 설명하는 데 참조되는 흐름도이다.
프로세서(110)는 발생된 고장 또는 상정고장에 대한 데이터를 분석하여 고장에 따른 신호의 패턴을 인식하고, 고장유형을 분류하기 위한 학습모델을 생성한다. 또한, 프로세서(110)는 학습모델을 기반으로 전력설비(20)의 측정데이터를 분석하여 고장을 인식하고 고장유형을 판단한다.
프로세서(110)는 상정고장 데이터(51), 고장파형 데이터(52) 및 기초 고장파형 데이터(53)를 이용하여 학습모델을 생성한다. 또한, 프로세서(110)는 실시간 측정데이터(54)를 수신하여 고장을 인식하고 고장유형을 판단한다.
프로세서(110)는 학습모델을 생성하는데 있어서, 상정고장 데이터(51)를 입력받아(S210), 고장파형 생성 알고리즘(111)을 기반으로 분석하여 고장파형 데이터를 생성한다(S220).
프로세서(110)는 생성된 고장파형 데이터(52)를 위험도에 따라 분류하고, 위험도가 높은 순으로 메모리(120)에 저장한다(S230).
또한, 프로세서(110)는 학습모델을 생성하기 위한, 기초 고장파형 데이터(53)를 입력받는다(S240). 기초 고장파형 데이터는 입출력인터페이스를 통해 직접 입력되거나 또는 통신모듈(130)을 통해 수신된다. 기초 고장파형 데이터(53)는 특정 시점에 비정기적으로 입력된다. 기초 고장파형 데이터(53)는 전력계통의 운영방안 수립 과정에서 사전모의 결과에 따라 도출되는 고장파형 데이터이다.
프로세서(110)는 고장파형 데이터(52)와 함께 기초 고장파형 데이터(53)를 메모리(120)에 저장한다.
프로세서(110)는 패턴인식 알고리즘(112)에 따라 기초 고장파형 데이터(53) 및 고장파형 데이터(52)에 대한 패턴인식을 수행한다(S250).
프로세서(110)는 고장파형 학습 알고리즘(113)에 따라 고장파형의 패턴인식 및 고장유형을 분류하기 위한 학습모델을 생성한다(S260).
또한, 프로세서(110)는 사전에 설정된 주기마다 온라인 계통해석 데이터(온라인 데이터)(56)를 입력받는다(S261).
프로세서(110)는 주기마다 입력되는 온라인 계통해석 데이터(온라인 데이터)(56)를 기반으로 새로운 고장파형 데이터(57)를 생성한다(S262).
프로세서(110)는 스카다(SCADA, Supervisory Control and Data Acquisition, 미도시) 또는 에너지관리시스템(EMS, Energy Management System, 미도시)에서 생성되는 상태추정(SE, State Estimation) 정보를 바탕으로 하는 온라인 계통해석 데이터를 분석하여 온라인 계통해석을 수행하고, 그에 따라 주기적으로 고장파형 데이터(57)를 생성한다.
프로세서(110)는 새로운 고장파형 데이터를 이용하여 패턴을 인식하고(S263), 기 생성된 학습모델을 갱신한다(S264).
프로세서(110)는 주기적으로 입력되는 데이터를 바탕으로 학습모델을 갱신하는 것을 반복한다.
한편, 프로세서(110)는 복수의 계측장치(30)에 의해 복수의 전력설비(20)의 실시간 측정데이터(54)가 수신되면(S270), 생성된 학습모델을 기반으로 패턴인식 알고리즘(112)에 따라 파형의 패턴을 인식한다(S280).
계측장치(30)는 실시간으로 계통을 감시하여 전력설비에 대한 실시간 측정데이터(54)를 고장인식장치(10)로 전송한다. 계측장치(30)의 데이터는 동기위상정보 수집장치(PDC, PHASOR DATA CONCENTRATOR)를 통해 고장인식장치(10)로 전송될 수 있다.
또한, 프로세서(110)는 패턴인식결과를 바탕으로 고장유형 판단 알고리즘(114)에 따라 고장유형을 판단한다.
프로세서(110)는 측정데이터(54)의 패턴인식결과에 따라 고장을 인식하고, 학습모델의 데이터와 비교하여 고장의 유형을 판단한다.
프로세서(110)는 상정고장과, 고장이 연속하여 발생하는 파급고장을 구분한다.
프로세서(110)는 고장인식결과 및 고장인식에 따른 경고를 생성하여 출력부(140)를 통해 출력한다.
프로세서(110)는 고장인식결과를 관리서버 또는 관리자 단말 등으로 전송하여 고장에 대응하도록 한다.
도 4 는 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 전력망 및 인공지능 기반 학습모델 생성방법이 도시된 순서도이다.
도 4에 도시된 바와 같이, 인공지능 기반 전력설비 고장 인식 시스템은, 고장인식장치(10)로 상정고장 데이터(51)를 입력한다(S310).
고장인식장치(10)의 프로세서(110)는 계통해석을 통해 상정고장 데이터(51)로부터 고장파형 데이터(52)를 생성한다. 프로세서(110)는 설정된 주기로 반복하여 온라인 계통해석을 수행하여 고장파형 데이터(52)를 생성한다.
프로세서(110)는 고장파형 데이터(52)를 메모리(120)에 저장한다.
또한, 고장인식장치(10)는 비정기적으로 기초 고장파형 데이터(53)를 입력받는다(S330).
기초 고장파형 데이터(53)는 전력계통의 운영방안 수립을 위한 사전모의의 결과에서 도출되는 고장파형 데이터이다. 프로세서(110)는 기초 고장파형 데이터(53)를 메모리(120)에 저장한다.
프로세서(110)는 고장파형 데이터(52)와 기초 고장파형 데이터(53)를 분석하여 패턴을 인식한다(S340).
프로세서(110)는 고장파형 데이터(52)와 기초 고장파형 데이터에 대한 패턴인식결과를 바탕으로 학습모델을 생성한다(S350). 프로세서(110)는 고장파형의 특징 및 공통으로 발생하는 패턴을 검출하는 것을 인공지능 기반 딥러닝을 통해 학습하여 고장파형을 검출하고 고장의 유형을 판단하는 학습모델을 생성한다.
프로세서(110)는 생성된 학습모델에 대한 데이터를 메모리(120)에 저장한다. 또한, 프로세서(110)는 고장파형 데이터(52), 기초 고장파형 데이터(53) 및 학습모델에 대한 데이터를 데이터베이스(DB)(40)에 저장한다(S360).
또한, 프로세서(110)는 온라인 고장모의에 따른 온라인 계통해석 데이터가 입력된다(S370).
온라인 계통해석 데이터는 주기적으로 입력되며, 예를 들어 15 내지 20분 단위로 입력될 수 있다. 온라인 계통해석 데이터는 고장 데이터 및 정상 데이터를 포함한다.
온라인 계통해석 데이터는, 스카다(SCADA, Supervisory Control and Data Acquisition, 미도시) 또는 에너지관리시스템(EMS, Energy Management System, 미도시)에서 생성되는 상태추정(SE, State Estimation) 정보를 바탕으로 생성된다.
스카다(SCADA) 또는 에너지관리시스템(EMS, Energy Management System, 미도시)은 로컬 네트워크 또는 글로벌 네트워크를 형성하여 복수의 전력설비(20)를 관리하고, 복수의 계측장치(30)를 통해 수집되는 데이터를 수신하여 상태추정 정보를 생성한다.
프로세서(110)는 온라인 계통해석 데이터가 입력되면, 이를 바탕으로 고장파형데이터를 생성한다(S380).
프로세서(110)는 생성된 새로운 고장파형데이터를 패턴인식기반으로 분석하여(S390) 기 생성된 학습모델을 갱신한다(S400).
프로세서(110)는 갱신된 학습모델을 메모리(120) 또는 데이터베이스(DB)에 저장한다(S410).
프로세서(110)는 주기적으로 입력되는 온라인 계통해석 데이터를 바탕으로 학습모델을 갱신하는 것을 반복한다.
도 5 는 본 발명의 일 실시예에 따른 인공지능 기반 전력설비 고장 인식 시스템의 동작방법이 도시된 순서도이다.
앞서 설명한 도 4와 같이 학습모델이 생성되고, 주기적으로 갱신되면, 고장인식장치(10)는 갱신된 학습모델을 기반으로 고장을 판단하고 고장유형을 분류한다.
도 5에 도시된 바와 같이, 인공지능 기반 전력설비 고장 인식 시스템은, 전력설비(20)에 연결되어 전력설비(20)의 데이터를 획득하는 계측장치(30)로부터 고장인식장치(10)로 실시간 측정데이터(54)를 입력한다(S450).
실시간 측정데이터(54)는 계측장치(30) 또는 계측장치(30)의 데이터가 집중되는 동기위상정보 수집장치(PDC)를 통해 수신될 수 있다. 통신모듈(130)은 수신되는 실시간 측정데이터(54)를 메모리(120)에 저장한다.
프로세서(110)는 실시간 측정데이터(54)를, 학습모델을 기반으로 패턴을 인식한다(S460).
프로세서(110)는 학습모델을 기반으로 인식된 패턴을 비교하여 고장여부를 확인하고, 고장 유형을 분류한다(S470). 프로세서(110)는 인식된 고장에 대하여 상정고장과 파급고장을 구분한다.
프로세서(110)는 고장이 발생한 위치, 고장이 발생한 전력설비, 및 고장유형을 포함하는 고장인식결과를 생성한다.
프로세서(110)는 고장인지 여부를 판단하고(S480), 고장인 경우 고장에 대한 경고를 생성하여 출력부(140)를 통해 출력한다(S490).
또한, 프로세서(110)는 통신모듈을 통해 고장에 대응하도록 데이터를 전송한다. 프로세서(110)는 고장이 발생한 위치, 고장이 발생한 전력설비, 고장유형을 포함하는 고장인식결과 데이터를 관리서버 또는 단말로 전송한다.
그에 따라 관리서버 또는 단말은 전력설비(20)의 고장에 대응하여 전류를 차단하거나 전력설비의 동작을 정지하는 등 고장을 처리한다(S500).
또한, 관리서버 또는 단말은 파급고장인 경우 더 이상 고장이 추가로 발생하지 않도록 관련된 전력설비(20)를 제어한다.
따라서 본 발명은 사전 계통해석과 온라인 계통해석을 통해 정의된 상정고장을 학습하여 학습모델을 생성하고, 실시간으로 측정되는 데이터의 파형을 인공지능 기반 패턴인식을 통해 비교하여 고장유형을 빠르게 파악할 수 있다. 또한 본 발명은 발생한 상정고장을 인지하여 빠르고 적절한 고장대응을 통해 전력계통 운영의 안정성을 향상시키고 정전 등의 사고 발생을 예방할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허 청구범위에 의하여 정해져야할 것이다.
10: 고장인식장치 20, 21, 22, 23: 전력설비
30, 31, 32, 33: 계측장치
110: 프로세서 120: 메모리
130: 통신모듈 140: 출력부

Claims (16)

  1. 전력설비;
    상기 전력설비에 연결되어 실시간으로 측정데이터를 획득하는 계측장치; 및
    인공지능 기반 패턴인식을 통해 고장에 대한 학습모델을 생성하고, 상기 계측장치로부터 수신되는 상기 전력설비의 상기 측정데이터를 상기 학습모델을 기반으로 분석하여 상기 전력설비의 고장을 인식하는 고장인식장치; 를 포함하고,
    상기 고장인식장치는,
    상기 측정데이터 및 상기 학습모델에 대한 데이터가 저장되는 메모리; 및
    상기 측정데이터의 패턴을 인식하여 고장의 유형을 판단하여 고장인식결과를 생성하는 프로세서; 를 포함하는 인공지능 기반 전력설비 고장 인식 시스템.
  2. 제 1 항에 있어서,
    상기 프로세서는 상정고장 데이터를 분석하여 고장파형 데이터를 생성하여 상기 메모리에 저장하고,
    입력되는 기초 고장파형 데이터와 상기 고장파형 데이터를 인공지능 기반 패턴인식을 통해 분석하여 상기 학습모델을 생성하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템.
  3. 제 2 항에 있어서,
    상기 프로세서는 주기적으로 입력되는 온라인 계통해석 데이터에 대한 온라인 계통해석을 통해 새로운 고장파형 데이터를 생성하고, 상기 새로운 고장파형 데이터를 이용하여 상기 학습모델을 갱신하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템.
  4. 제 2 항에 있어서,
    상기 프로세서는 전력계통 운영을 위한 사전모의 결과 도출되는 고장파형 데이터인 상기 기초 고장파형 데이터를 비정기적으로 입력받아 상기 학습모델을 갱신하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템.
  5. 제 1 항에 있어서,
    상기 프로세서는 상기 측정데이터를 상기 학습모델을 기반으로 분석하여 고장에 대한 패턴을 인식하여 고장을 인식하고, 기 발생된 고장파형의 패턴과 비교하여 고장유형을 판단하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템.
  6. 제 1 항에 있어서,
    상기 고장인식장치는 출력부; 를 더 포함하고,
    상기 프로세서는 고장이 인식되면, 고장이 발생한 전력설비의 위치, 종류, 고장유형에 대한 데이터가 포함된 상기 고장인식결과를 생성하고,
    상기 고장인식결과 및 경고를 상기 출력부를 통해 출력하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템.
  7. 제 6 항에 있어서,
    상기 고장인식장치는 상기 고장이 발생한 전력설비, 및 상기 고장이 발생한 전력설비의 관리서버로 상기 고장인식결과를 전송하는 통신모듈; 을 더 포함하는 인공지능 기반 전력설비 고장 인식 시스템.
  8. 제 1 항에 있어서,
    상기 고장인식장치는 통신모듈; 을 더 포함하고,
    상기 통신모듈은 상기 계측장치 및 상기 계측장치의 데이터가 집중되는 집중장치 중 어느 하나로부터 상기 측정데이터를 수신하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템.
  9. 제 2 항에 있어서,
    상기 고장인식결과, 상기 학습모델에 대한 데이터, 상기 고장파형 데이터, 상기 기초 고장파형 데이터 및 상기 측정데이터를 저장하는 데이터베이스; 를 더 포함하는 인공지능 기반 전력설비 고장 인식 시스템.
  10. 고장인식장치가, 인공지능 기반 패턴인식을 통해 전력설비의 고장에 대한 학습모델을 생성하는 단계;
    상기 전력설비에 연결되는 계측장치로부터, 실시간으로 상기 전력설비의 측정데이터를 수신하는 단계;
    상기 측정데이터를 상기 학습모델을 기반으로 분석하여 상기 전력설비의 고장을 인식하고, 상기 측정데이터의 패턴을 인식하여 고장유형을 분류하는 단계; 및
    상기 고장유형이 포함된 고장인식결과를 생성하여 출력하는 단계; 를 포함하는 인공지능 기반 전력설비 고장 인식 시스템의 동작방법.
  11. 제 10 항에 있어서,
    상기 학습모델을 생성하는 단계는,
    상정고장 데이터를 분석하여 고장파형 데이터를 생성하는 단계; 및
    입력되는 기초 고장파형 데이터와 상기 고장파형 데이터를 인공지능 기반 패턴인식을 통해 분석하여 상기 학습모델을 생성하는 단계; 를 포함하는 인공지능 기반 전력설비 고장 인식 시스템의 동작방법.
  12. 제 11 항에 있어서,
    상기 학습모델을 생성하는 단계는,
    주기적으로 입력되는 온라인 계통해석 데이터에 대한 온라인 계통해석을 통해 새로운 고장파형 데이터를 생성하는 단계; 및
    상기 새로운 고장파형 데이터를 이용하여 상기 학습모델을 갱신하는 단계; 를 더 포함하는 인공지능 기반 전력설비 고장 인식 시스템의 동작방법.
  13. 제 11 항에 있어서,
    상기 학습모델을 생성하는 단계는,
    전력계통 운영을 위한 사전모의 결과 도출되는 고장파형 데이터인 상기 기초 고장파형 데이터를 비정기적으로 입력받는 단계; 및
    상기 기초 고장파형 데이터를 이용하여 상기 학습모델을 갱신하는 단계; 를 더 포함하는 인공지능 기반 전력설비 고장 인식 시스템의 동작방법.
  14. 제 10 항에 있어서,
    상기 고장유형을 분류하는 단계는,
    상기 학습모델을 기반으로, 기 발생된 고장파형의 패턴과 상기 측정데이터의 패턴을 비교하여 고장유형을 판단하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템의 동작방법.
  15. 제 10 항에 있어서,
    상기 고장인식결과를 생성하여 출력하는 단계는,
    고장이 발생한 전력설비의 위치, 종류, 고장유형에 대한 데이터를 포함하여 상기 고장인식결과를 생성하는 것을 특징으로 하는 인공지능 기반 전력설비 고장 인식 시스템의 동작방법.
  16. 제 10 항에 있어서,
    상기 고장인식결과를 생성하여 출력하는 단계 후,
    고장이 발생한 전력설비 및 상기 고장이 발생한 전력설비의 관리서버로 상기 고장인식결과를 전송하는 단계; 를 더 포함하는 인공지능 기반 전력설비 고장 인식 시스템의 동작방법.
KR1020220090914A 2022-07-22 2022-07-22 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법 KR20240013412A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220090914A KR20240013412A (ko) 2022-07-22 2022-07-22 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220090914A KR20240013412A (ko) 2022-07-22 2022-07-22 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법

Publications (1)

Publication Number Publication Date
KR20240013412A true KR20240013412A (ko) 2024-01-30

Family

ID=89715376

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220090914A KR20240013412A (ko) 2022-07-22 2022-07-22 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법

Country Status (1)

Country Link
KR (1) KR20240013412A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102402653B1 (ko) 2021-10-14 2022-05-30 주식회사 에스에이치아이앤씨 인공지능 기반 스카다 시스템 및 그 운용방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102402653B1 (ko) 2021-10-14 2022-05-30 주식회사 에스에이치아이앤씨 인공지능 기반 스카다 시스템 및 그 운용방법

Similar Documents

Publication Publication Date Title
CN109146093A (zh) 一种基于学习的电力设备现场勘查方法
CN105515184B (zh) 基于无线传感网络的多传感器多参量配网协同监测系统
CN106597231A (zh) 基于多源信息融合和深度学习网络的gis故障检测系统及方法
CN107390049A (zh) 一种电力电缆故障监测方法及装置
CN105093063B (zh) 基于多源数据特征单元组合判断的在线电网故障诊断方法
CN103679293A (zh) 智能变电站告警和辅助决策系统
CN106918764B (zh) 基于网基矩阵型算法的配网故障定位方法
CN102737287B (zh) 一种地区电网在线供电风险评估系统
CN114280414A (zh) 一种基于拓扑动态识别的低压配电网故障定位系统及方法
CN104380554A (zh) 能量供应网中的故障识别
CN110210632A (zh) 基于泛在电力物联网的故障应急处理方法、装置及终端
CN115684821A (zh) 用于电网故障分析中的ai持续学习的系统和方法
CN109765459A (zh) 一种基于就地研判的单相接地故障定位方法和系统
CN104753173A (zh) 一种自动诊断电网ems系统遥测数据传输故障的方法
CN104750092B (zh) 一种工控系统遥控/遥调命令传输故障的自动诊断方法
CN114997428A (zh) 站室供电故障处理方法、装置、电子设备及存储介质
CN117639251A (zh) 一种高压开关柜智能在线监测系统
KR102296568B1 (ko) 머신러닝 기반 배전반 관제시스템
CN110350660A (zh) 一种继电保护功能压板在线监视方法和系统
CN113281616A (zh) 一种基于专家系统的输电线路故障诊断方法、系统及架构
KR102268237B1 (ko) 인공지능 기반의 자동정정 계산 및 전력제어 방법 및 시스템
CN105759165A (zh) 基于馈线故障状态诊断的配电自动化主站实用化评测方法
CN117390403A (zh) 一种新能源灯塔发电站的电网故障检测方法及系统
KR20240013412A (ko) 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법
CN104753734B (zh) 一种自动诊断电网ems系统遥信数据传输故障的方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal