WO2022025386A1 - 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법 - Google Patents

건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법 Download PDF

Info

Publication number
WO2022025386A1
WO2022025386A1 PCT/KR2021/004386 KR2021004386W WO2022025386A1 WO 2022025386 A1 WO2022025386 A1 WO 2022025386A1 KR 2021004386 W KR2021004386 W KR 2021004386W WO 2022025386 A1 WO2022025386 A1 WO 2022025386A1
Authority
WO
WIPO (PCT)
Prior art keywords
building
energy consumption
data
module
operation data
Prior art date
Application number
PCT/KR2021/004386
Other languages
English (en)
French (fr)
Inventor
조형민
장향인
유동철
박창영
Original Assignee
(주)미래환경플랜건축사사무소
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)미래환경플랜건축사사무소 filed Critical (주)미래환경플랜건축사사무소
Publication of WO2022025386A1 publication Critical patent/WO2022025386A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • 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
    • G05B23/0245—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 based on a qualitative model, e.g. rule based; if-then decisions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a failure diagnosis system and method using building energy, and more particularly, to a rule-based and machine learning-based failure diagnosis system and method using public building energy data.
  • Energy is managed for each building by using sensor data of the building itself or energy-related data.
  • the existing building energy management does not utilize public data such as gas and heating, and systematic and more comprehensive energy management using this is not applied.
  • Another object of the present invention is to provide a rule-based and machine learning-based failure diagnosis method using public building energy data.
  • a rule-based and machine learning-based failure diagnosis system using public building energy data includes: an energy consumption data collection module for collecting energy consumption data of a corresponding building from a building energy management system; a building facility operation data collection module for collecting building facility operation data of the corresponding building from the building energy management system; an energy consumption output module for outputting energy consumption from the energy consumption data collected by the energy consumption data collection module; It may be configured to include a building equipment operation data output module for outputting the building equipment operation data collected by the building equipment operation data collection module.
  • a rule-based abnormality detection module for detecting abnormalities in the energy consumption output from the energy consumption output module and the building equipment operation data output from the building equipment operation data output module according to a predetermined rule;
  • a machine learning-based abnormality detection module for detecting abnormalities in the energy consumption output from the energy consumption output module and the building equipment operation data output from the building equipment operation data output module using a machine learning-based statistical model for each building can be configured.
  • a rule-based and machine learning-based failure diagnosis method using public building energy data includes: collecting, by an energy consumption data collection module, energy consumption data of a corresponding building from a building energy management system; collecting, by the building facility operation data collection module, building facility operation data of the corresponding building from the building energy management system; outputting, by an energy consumption output module, an energy consumption amount from the energy consumption data collected by the energy consumption data collection module;
  • the building equipment operation data output module may be configured to include outputting the building equipment operation data collected by the building equipment operation data collection module.
  • the step of the machine learning-based abnormality detection module detecting abnormalities in the energy consumption output from the energy consumption output module and the building equipment operation data output from the building equipment operation data output module using a machine learning-based statistical model for each building further can be configured to include.
  • failure diagnosis is configured to converge and apply rule-based failure diagnosis and machine learning-based failure diagnosis for each building, there is an effect that adaptive failure diagnosis for various buildings is possible.
  • FIG. 1 is a block diagram of a rule-based and machine learning-based failure diagnosis system using public building energy data according to an embodiment of the present invention.
  • 2 to 5 are schematic diagrams of statistical models for each building based on machine learning according to an embodiment of the present invention.
  • FIG. 6 is a flowchart of a rule-based and machine learning-based failure diagnosis method using public building energy data according to an embodiment of the present invention.
  • first, second, A, and B may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component. and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.
  • FIGS. 2 to 5 are machine learning-based buildings according to an embodiment of the present invention. It is a schematic diagram of a star statistical model.
  • a rule-based and machine learning-based failure diagnosis system 100 using public building energy data includes a remote meter reading public data collection module 101, first measurement time confirmation Module 102, remote meter reading public data synchronization module 103, energy consumption data collection module 104, building equipment operation data collection module 105, second measurement time confirmation module 106, energy consumption data/building equipment Operation data synchronization module 107, building facility information data collection module 108, public data/building energy management data synchronization module 109, integrated public data preprocessing module 110, integrated public data generation module 111, energy Consumption output module 112, building facility operation data real-time output module 113, building facility information output module 114, machine learning-based building-specific statistical model creation module 115, rule-based abnormality detection module 116, machine It may be configured to include a learning-based abnormality detection module 117 , an abnormal detection operation selection control module 118 , a building equipment failure determination module 119 , and a smart city database 120 .
  • the remote meter reading public data collection module 101 may be configured to collect at least two or more remote meter reading public data related to building energy from the energy supply server 10 .
  • the energy supply server 10 may be a gas supply company server, a heating supply company server, an electricity supply company server, or the like. Gas data, heating data, electricity data, etc. that can be read remotely may be examples of remote meter reading public data.
  • the first measurement time confirmation module 102 may be configured to confirm the actual measurement time of at least two or more remote meter-reading public data collected by the remote meter-reading public data collection module 101 . Since each is metering public data from a different company, it can be configured to check the time of each meter.
  • the remote meter reading public data synchronization module 103 may be configured to synchronize at least two or more remote meter reading public data confirmed by the first measurement time confirmation module 102 according to the actual measurement time. For example, you can measure in 15-minute increments and synchronize different public data with each other in 15-minute increments.
  • the energy consumption data collection module 104 may be configured to collect energy consumption data of a corresponding building from the building energy management system 20 .
  • the building energy management system 20 is a system provided individually for each building, and may be configured to use different systems and data formats, respectively.
  • the building equipment operation data collection module 105 may be configured to collect the building equipment operation data of the corresponding building from the building energy management system 20 .
  • the second measurement time confirmation module 106 is configured to confirm the actual measurement time of the energy consumption data collected by the energy consumption data collection module 104 and the building equipment operation data collected by the building equipment operation data collection module 105 .
  • the energy consumption data/building equipment operation data synchronization module 107 may be configured to synchronize the building energy consumption data and the building equipment operation data confirmed in the second measurement time confirmation module 106 with each other according to the actual measurement time.
  • the building facility information data collection module 108 may be configured to collect building facility information data from the building information data server 30 .
  • Public data/building energy management data synchronization module 109 is remote meter-reading public data synchronized by remote meter-reading public data synchronization module 103, building energy consumption data synchronized with energy consumption data/building facility operation data synchronization module 107 and building facility operation data and building facility information data collected by the building facility information data collection module 108 may be configured to mutually synchronize. Accordingly, public data and building energy management data can be synchronized with each other.
  • the integrated public data pre-processing module 110 may be configured to perform pre-processing for integrating remote meter reading public data, building energy consumption data, and building facility operation data synchronized in the public data/building energy management data synchronization module 109.
  • the pre-processing process is a process to unify data formats according to different data formats and protocols to create Hatta's integrated public data.
  • the integrated public data generation module 111 may be configured to generate integrated public data by integrating the remote meter reading public data, building energy consumption data, and building facility operation data that have been pre-processed in the integrated public data pre-processing module 110 .
  • Time-synchronized integrated public data can be created. 2 illustrates that integrated public data is generated.
  • the energy consumption output module 112 may be configured to output energy consumption from the integrated public data generated by the integrated public data generation module 111 .
  • the building facility operation data output module 113 may be configured to output building facility operation data from the integrated public data generated by the integrated public data generation module 111 .
  • the machine learning-based statistical model creation module 115 for each building performs machine learning using the energy consumption output from the energy consumption output module 112 and the building equipment operation data output from the building equipment operation data output module 113 and , may be configured to generate a machine learning-based statistical model for each building according to the performance result. That is, since each building has different characteristics, a statistical model for each building based on machine learning is generated for each building, which is very useful for fault diagnosis even without existing fault diagnosis rules or prior data. 3 exemplifies a statistical model generated based on unsupervised learning, and shows a process of performing clustering on data and detecting an exception value.
  • the rule-based anomaly detection module 116 utilizes the building facility information data collected from the building facility information data collection module 108 to generate energy consumption and building facility operation data output from the energy consumption output module 112 according to a predetermined rule. It may be configured to detect an abnormality in each of the building equipment operation data output from the output module 113 .
  • the rules may be variably set in a variety of ways. For example, when the energy consumption is out of a range predicted according to the building equipment and its characteristics, it may be determined that the building equipment is abnormal. Rules may be established based on these predicted categories.
  • the machine learning-based anomaly detection module 117 uses the machine learning-based statistical model for each building generated by the machine learning-based statistical model creation module 115 to generate energy consumption output from the energy consumption output module 112, building equipment
  • the operation data output module 113 may be configured to detect abnormalities in each of the building equipment operation data output. 4 illustrates an anomaly detection process based on machine learning. As shown in FIG. 3 , when data clustering and exception value classification are performed, it may be determined that there is an abnormality in the data of the exception value based on machine learning.
  • the anomaly detection operation selection control module 118 may be configured to selectively control anomaly detection operations of the rule-based anomaly detection module 116 and the machine learning-based anomaly detection module 117 .
  • the anomaly detection operation selection control module 118 may enable more adaptive abnormality detection by fusing the method of rule-based abnormality detection and machine learning-based abnormality detection.
  • the data when rule-based abnormality detection is detected in the integrated public data clustered by a statistical model for each building based on machine learning, the data may be labeled. A cluster with many labeled data can be detected as anomaly. That is, it is possible to determine the abnormality of the cluster itself, and through this, it is possible to diagnose a failure of a specific building facility. 5 exemplifies the final fault diagnosis results by these various methods.
  • the abnormal detection operation selection control module 118 may selectively control abnormal detection operations with respect to building equipment information, energy consumption, and building equipment operation data. For example:
  • the abnormality detection operation selection control module 118 may operate both the rule-based abnormality detection module 116 and the machine learning-based abnormality detection module 117 with respect to building facility information and energy consumption.
  • abnormality detection operation selection control module 118 may operate both the rule-based abnormality detection module 116 and the machine learning-based abnormality detection module 117 with respect to building facility information and building facility operation data.
  • abnormal detection operation selection control module 118 may operate the machine learning-based abnormality detection module 117 for energy consumption and building facility operation data.
  • abnormal detection operation selection control module 118 may operate both the rule-based abnormality detection module 116 and the machine learning-based abnormality detection module 117 for building equipment information, energy consumption, and building equipment operation data.
  • the building equipment failure determination module 119 is configured to determine and output the failure of the building equipment of each building based on the abnormal detection result of the rule-based abnormality detection module 116 and the abnormal detection result of the machine learning-based abnormality detection module 117 can be
  • the smart city database 120 may be configured to store the integrated public data generated by the integrated public data generating module 111 .
  • FIG. 6 is a flowchart of a rule-based and machine learning-based failure diagnosis method using public building energy data according to an embodiment of the present invention.
  • the energy consumption data collection module 104 collects energy consumption data of the corresponding building from the building energy management system 20 ( S101 ).
  • the building facility operation data collection module 105 collects the building facility operation data of the corresponding building from the building energy management system 20 ( S102 ).
  • the energy consumption output module 112 outputs the energy consumption from the energy consumption data collected by the energy consumption data collection module 104 ( S103 ).
  • the building facility operation data output module 113 outputs the building facility operation data collected by the building facility operation data collection module 105 ( S104 ).
  • the rule-based abnormality detection module 116 detects abnormalities in the energy consumption output from the energy consumption output module 112 and the building equipment operation data output from the building equipment operation data output module 113 according to a predetermined rule. do (S105).
  • the machine learning-based anomaly detection module 117 uses the machine learning-based statistical model for each building, and the energy consumption output from the energy consumption output module 112 and the building equipment output from the building facility operation data output module 113 An abnormality in the driving data is detected (S106).
  • the present invention relates to a failure diagnosis system and method using building energy, and can be applied to the market for design, construction, and maintenance of buildings.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템이 개시된다. 건축물 에너지 관리 시스템으로부터 해당 건축물의 에너지 소비량 데이터를 수집하는 에너지 소비량 데이터 수집 모듈; 상기 건축물 에너지 관리 시스템으로부터 해당 건축물의 건축물 설비 운전 데이터를 수집하는 건축물 설비 운전 데이터 수집 모듈; 상기 에너지 소비량 데이터 수집 모듈에서 수집된 에너지 소비량 데이터에서 에너지 소비량을 출력하는 에너지 소비량 출력 모듈; 상기 건축물 설비 운전 데이터 수집 모듈에서 수집된 건축물 설비 운전 데이터를 출력하는 건축물 설비 운전 데이터 출력 모듈을 구성한다. 상술한 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법에 의하면, 건축물 에너지 데이터에 원격 검침 공공 데이터 및 건축물 설비 정보 데이터를 더하여 통합 공공 데이터를 생성함으로써, 각 건축물 단위가 아닌 전체 도시 내지는 지역 단위로 활용 가능한 에너지 관련 빅데이터를 구축할 수 있는 효과가 있다. 또한, 건축물 별로 규칙에 기반한 고장 진단과 기계 학습에 기반한 고장 진단을 융합하여 적용하도록 고장 진단을 하도록 구성됨으로써, 다양한 건축물에 대한 적응적 고장 진단이 가능해지는 효과가 있다.

Description

건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법
본 발명은 건축물 에너지를 이용한 고장 진단 시스템 및 방법에 관한 것으로서, 구체적으로는 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법에 관한 것이다.
건축물 에너지 관리는 주로 각 건축물마다 개별적으로 설계되어 운용되는 경우가 많다.
건축물 자체의 센서 데이터를 활용하거나 에너지 관련 데이터를 활용하여 건축물 별로 에너지 관리를 하고 있다.
이와 같이 기존의 건축물 에너지 관리는 가스, 난방 등의 공공 데이터의 활용을 하지는 않고 있으며, 이를 이용한 체계적이고 더 포괄적인 에너지 관리까지는 적용되지 않고 있는 실정이다.
최근에는 스마트 시티(smart city)의 구축과 관련하여 도시 단위의 에너지 관리를 위한 시스템을 구축하려는 시도가 있다. 하지만, 기존의 개별적인 건축물 에너지 관리 시스템을 이용하여서는 데이터의 통합은 물론 프로토콜조차 매칭이 되지 않고 있는 실정이다.
특히, 스마트 시티의 관점에서 건축물 별로 건축물 설비의 고장 진단을 하기 위해서는 보다 체계적이고 포괄적인 데이터의 통합과 이를 이용한 관리 시스템이 요구되고 있다.
본 발명의 목적은 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템을 제공하는 데 있다.
본 발명의 다른 목적은 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 방법을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템은, 건축물 에너지 관리 시스템으로부터 해당 건축물의 에너지 소비량 데이터를 수집하는 에너지 소비량 데이터 수집 모듈; 상기 건축물 에너지 관리 시스템으로부터 해당 건축물의 건축물 설비 운전 데이터를 수집하는 건축물 설비 운전 데이터 수집 모듈; 상기 에너지 소비량 데이터 수집 모듈에서 수집된 에너지 소비량 데이터에서 에너지 소비량을 출력하는 에너지 소비량 출력 모듈; 상기 건축물 설비 운전 데이터 수집 모듈에서 수집된 건축물 설비 운전 데이터를 출력하는 건축물 설비 운전 데이터 출력 모듈을 포함하도록 구성될 수 있다.
그리고 미리 정해진 규칙에 따라 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 규칙 기반 이상 감지 모듈; 기계 학습 기반 건축물별 통계 모델을 이용하여 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 기계 학습 기반 이상 감지 모듈을 더 포함하도록 구성될 수 있다.
상술한 본 발명의 다른 목적에 따른 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 방법은, 에너지 소비량 데이터 수집 모듈이 건축물 에너지 관리 시스템으로부터 해당 건축물의 에너지 소비량 데이터를 수집하는 단계; 건축물 설비 운전 데이터 수집 모듈이 상기 건축물 에너지 관리 시스템으로부터 해당 건축물의 건축물 설비 운전 데이터를 수집하는 단계; 에너지 소비량 출력 모듈이 상기 에너지 소비량 데이터 수집 모듈에서 수집된 에너지 소비량 데이터에서 에너지 소비량을 출력하는 단계; 건축물 설비 운전 데이터 출력 모듈이 상기 건축물 설비 운전 데이터 수집 모듈에서 수집된 건축물 설비 운전 데이터를 출력하는 단계를 포함하도록 구성될 수 있다.
그리고 규칙 기반 이상 감지 모듈이 미리 정해진 규칙에 따라 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 단계; 기계 학습 기반 이상 감지 모듈이 기계 학습 기반 건축물별 통계 모델을 이용하여 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 단계를 더 포함하도록 구성될 수 있다.
상술한 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법에 의하면, 건축물 에너지 데이터에 원격 검침 공공 데이터를 더하여 통합 공공 데이터를 생성함으로써, 각 건축물 단위가 아닌 전체 도시 내지는 지역 단위로 활용 가능한 에너지 관련 빅데이터를 구축할 수 있는 효과가 있다.
또한, 건축물 별로 규칙에 기반한 고장 진단과 기계 학습에 기반한 고장 진단을 융합하여 적용하도록 고장 진단을 하도록 구성됨으로써, 다양한 건축물에 대한 적응적 고장 진단이 가능해지는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템의 블록 구성도이다.
도 2 내지 도 5는 본 발명의 실시예에 따른 기계 학습 기반 건축물별 통계 모델의 모식도이다.
도 6은 본 발명의 일 실시예에 따른 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템의 블록 구성도이고, 도 2 내지 도 5는 본 발명의 실시예에 따른 기계 학습 기반 건축물별 통계 모델의 모식도이다.
먼저 도 1을 참조하면, 본 발명의 일 실시예에 따른 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템(100)은 원격 검침 공공 이터 수집 모듈(101), 제1 계측 시간 확인 모듈(102), 원격 검침 공공 데이터 동기화 모듈(103), 에너지 소비량 데이터 수집 모듈(104), 건축물 설비 운전 데이터 수집 모듈(105), 제2 계측 시간 확인 모듈(106), 에너지소비량데이터/건축물설비운전데이터 동기화 모듈(107), 건축물 설비 정보 데이터 수집 모듈(108), 공공데이터/건축물에너지관리데이터 동기화 모듈(109), 통합 공공 데이터 전처리 모듈(110), 통합 공공 데이터 생성 모듈(111), 에너지 소비량 출력 모듈(112), 건축물 설비 운전 데이터 실시간 출력 모듈(113), 건축물 설비 정보 출력 모듈(114), 기계 학습 기반 건축물별 통계 모델 생성 모듈(115), 규칙 기반 이상 감지 모듈(116), 기계 학습 기반 이상 감지 모듈(117), 이상 감지 작동 선택 제어 모듈(118), 건축물 설비 고장 판단 모듈(119), 스마트 시티 데이터베이스(120)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
원격 검침 공공 데이터 수집 모듈(101)은 에너지 공급원 서버(10)로부터 건축물 에너지와 관련된 적어도 둘 이상의 원격 검침 공공 데이터를 수집하도록 구성될 수 있다. 에너지 공급원 서버(10)는 가스 공급 회사 서버, 난방 공급 회사 서버, 전기 공급 회사 서버 등이 될 수 있다. 원격 검침이 가능한 가스 데이터, 난방 데이터, 전기 데이터 등이 원격 검침 공공 데이터의 예가 될 수 있다.
제1 계측 시간 확인 모듈(102)은 원격 검침 공공 데이터 수집 모듈(101)에서 수집되는 적어도 둘 이상의 원격 검침 공공 데이터의 실제 계측 시간을 확인하도록 구성될 수 있다. 각각 서로 다른 회사에서 공공 데이터를 계측하기 때문에 각각의 계측 시간을 확인하도록 구성될 수 있다.
원격 검침 공공 데이터 동기화 모듈(103)은 제1 계측 시간 확인 모듈(102)에서 확인된 적어도 둘 이상의 원격 검침 공공 데이터를 실제 계측 시간에 따라 상호 간에 동기화하도록 구성될 수 있다. 예를 들어, 15분 단위로 계측하고 15분 단위로 서로 다른 공공 데이터를 상호 간에 동기화할 수 있다.
에너지 소비량 데이터 수집 모듈(104)은 건축물 에너지 관리 시스템(20)으로부터 해당 건축물의 에너지 소비량 데이터를 수집하도록 구성될 수 있다. 건축물 에너지 관리 시스템(20)은 건축물마다 개별적으로 구비되는 시스템으로서, 각각 서로 다른 체계와 데이터 포맷을 이용하도록 구성될 수 있다.
건축물 설비 운전 데이터 수집 모듈(105)은 건축물 에너지 관리 시스템(20)으로부터 해당 건축물의 건축물 설비 운전 데이터를 수집하도록 구성될 수 있다.
제2 계측 시간 확인 모듈(106)은 에너지 소비량 데이터 수집 모듈(104)에서 수집된 에너지 소비량 데이터 및 건축물 설비 운전 데이터 수집 모듈(105)에서 수집된 건축물 설비 운전 데이터의 실제 계측 시간을 확인하도록 구성될 수 있다.
에너지소비량데이터/건축물설비운전데이터 동기화 모듈(107)은 제2 계측 시간 확인 모듈(106)에서 확인된 건축물 에너지 소비량 데이터 및 건축물 설비 운전 데이터를 실제 계측 시간에 따라 상호 간에 동기화하도록 구성될 수 있다.
건축물 설비 정보 데이터 수집 모듈(108)은 건축물 정보 데이터 서버(30)로부터 건축물 설비 정보 데이터를 수집하도록 구성될 수 있다.
공공데이터/건축물에너지관리데이터 동기화 모듈(109)은 원격 검침 공공 데이터 동기화 모듈(103)에서 동기화된 원격 검침 공공 데이터, 에너지소비량데이터/건축물설비운전데이터 동기화 모듈(107)에서 동기화된 건축물 에너지 소비량 데이터 및 건축물 설비 운전 데이터, 건축물 설비 정보 데이터 수집 모듈(108)에서 수집된 건축물 설비 정보 데이터를 상호 간에 동기화하도록 구성될 수 있다. 이로써, 공공 데이터와 건축물 에너지 관리 데이터가 서로 동기화될 수 있다.
통합 공공 데이터 전처리 모듈(110)은 공공데이터/건축물에너지관리데이터 동기화 모듈(109)에서 동기화된 원격 검침 공공 데이터, 건축물 에너지 소비량 데이터 및 건축물 설비 운전 데이터를 통합하기 위한 전처리를 수행하도록 구성될 수 있다. 전처리 과정은 서로 다른 데이터 포맷과 프로토콜에 따른 데이터 형식을 통일화하여 하타의 통합 공공 데이터를 생성하기 위한 과정이다.
통합 공공 데이터 생성 모듈(111)은 통합 공공 데이터 전처리 모듈(110)에서 전처리가 수행된 원격 검침 공공 데이터, 건축물 에너지 소비량 데이터 및 건축물 설비 운전 데이터를 통합하여 통합 공공 데이터를 생성하도록 구성될 수 있다. 시간적을 동기화되어 있는 통합 공공 데이터가 생성될 수 있다. 도 2는 통합 공공 데이터가 생성된 것을 예시하고 있다.
에너지 소비량 출력 모듈(112)은 통합 공공 데이터 생성 모듈(111)에서 생성된 통합 공공 데이터에서 에너지 소비량을 출력하도록 구성될 수 있다.
건축물 설비 운전 데이터 출력 모듈(113)은 통합 공공 데이터 생성 모듈(111)에서 생성된 통합 공공 데이터에서 건축물 설비 운전 데이터를 출력하도록 구성될 수 있다.
기계 학습 기반 건축물별 통계 모델 생성 모듈(115)은 에너지 소비량 출력 모듈(112)에서 출력된 에너지 소비량, 건축물 설비 운전 데이터 출력 모듈(113)에서 출력된 건축물 설비 운전 데이터를 이용하여 기계 학습을 수행하고, 수행 결과에 따라 기계 학습 기반 건축물별 통계 모델을 생성하도록 구성될 수 있다. 즉, 건축물마다 서로 다른 특성을 가지므로, 각 건축물별로 기계 학습 기반 건축물별 통계 모델을 생성하며, 이는 기존의 고장 진단 규칙이나 사전 데이터가 없어도 고장 진단을 하는 데 매우 유용하다. 도 3에서는 비지도 학습에 기반하여 생성된 통계 모델을 예시하고 있으며, 데이터에 대한 군집화를 수행하고 예외값을 검출하는 과정을 나타낸다.
규칙 기반 이상 감지 모듈(116)은 건축물 설비 정보 데이터 수집 모듈(108)에서 수집된 건축물 설비 정보 데이터를 활용하여 미리 정해진 규칙에 따라 에너지 소비량 출력 모듈(112)에서 출력된 에너지 소비량, 건축물 설비 운전 데이터 출력 모듈(113)에서 출력된 건축물 설비 운전 데이터 각각의 이상을 감지하도록 구성될 수 있다.
규칙은 가변적으로 다양하게 설정될 수 있는데, 예를 들어, 에너지 소비량은 건축물 설비와 그 특성에 따라 예측되는 범주를 벗어나는 경우에 건축물 설비가 이상이 있는 것으로 판단할 수 있다. 이러한 예측되는 범주를 기준으로 규칙이 설정될 수 있다.
기계 학습 기반 이상 감지 모듈(117)은 기계 학습 기반 건축물별 통계 모델 생성 모듈(115)에서 생성된 기계 학습 기반 건축물별 통계 모델을 이용하여 에너지 소비량 출력 모듈(112)에서 출력된 에너지 소비량, 건축물 설비 운전 데이터 출력 모듈(113)에서 출력된 건축물 설비 운전 데이터 각각의 이상을 감지하도록 구성될 수 있다. 도 4에서는 기계 학습 기반 이상 감지 과정을 예시하고 있다. 도 3에서와 같이 데이터의 군집화와 예외값 분류가 이루어진 경우 예외값의 데이터에 대해서는 기계 학습에 기반하여 이상이 있는 것으로 판단할 수 있다.
이상 감지 작동 선택 제어 모듈(118)은 규칙 기반 이상 감지 모듈(116) 및 기계 학습 기반 이상 감지 모듈(117)의 이상 감지 작동을 선택 제어하도록 구성될 수 있다.
즉, 이상 감지 작동 선택 제어 모듈(118)은 규칙 기반 이상 감지와 기계 학습 기반 이상 감지의 방식을 융합하여 보다 적응적인 이상 감지가 가능하도록 할 수 있다.
예를 들어, 도 4를 참조하면, 기계 학습 기반 건축물별 통계 모델에 의해 군집화된 통합 공공 데이터에서 규칙 기반 이상 감지가 되는 경우 그 데이터를 라벨링할 수 있다. 그 라벨링된 데이터가 많은 군집에 대해서는 이상이 있는 것으로 감지할 수 있다. 즉, 군집 자체의 이상을 판별할 수 있고, 이를 통해 특정 건축물 설비에 대한 고장을 진단할 수 있다. 도 5는 이러한 다양한 방식에 의한 최종 고장 진단 결과를 예시하고 있다.
좀 더 구체적으로는 다음과 같다.
이상 감지 작동 선택 제어 모듈(118)은 건축물 설비 정보, 에너지 소비량, 건축물 설비 운전 데이터에 대해 각각 이상 감지 작동을 선택 제어할 수 있다. 예를 들면 다음과 같다.
이상 감지 작동 선택 제어 모듈(118)은 건축물 설비 정보, 에너지 소비량에 대해서는 규칙 기반 이상 감지 모듈(116)과 기계 학습 기반 이상 감지 모듈(117)을 모두 작동시킬 수 있다.
그리고 이상 감지 작동 선택 제어 모듈(118)은 건축물 설비 정보, 건축물 설비 운전 데이터에 대해서도 규칙 기반 이상 감지 모듈(116)과 기계 학습 기반 이상 감지 모듈(117)을 모두 작동시킬 수 있다.
그리고 이상 감지 작동 선택 제어 모듈(118)은 에너지 소비량 및 건축물 설비 운전 데이터에 대해서는 기계 학습 기반 이상 감지 모듈(117)을 작동시킬 수 있다.
그리고 이상 감지 작동 선택 제어 모듈(118)은 건축물 설비 정보, 에너지 소비량, 건축물 설비 운전 데이터에 대해서는 규칙 기반 이상 감지 모듈(116)과 기계 학습 기반 이상 감지 모듈(117)을 모두 작동시킬 수 있다.
건축물 설비 고장 판단 모듈(119)은 규칙 기반 이상 감지 모듈(116)의 이상 감지 결과 및 기계 학습 기반 이상 감지 모듈(117)의 이상 감지 결과를 기반으로 각 건축물의 건축물 설비 고장을 판단하여 출력하도록 구성될 수 있다.
스마트 시티 데이터베이스(120)는 통합 공공 데이터 생성 모듈(111)에서 생성된 통합 공공 데이터가 저장되도록 구성될 수 있다.
도 6은 본 발명의 일 실시예에 따른 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 방법의 흐름도이다.
도 6을 참조하면, 먼저 에너지 소비량 데이터 수집 모듈(104)이 건축물 에너지 관리 시스템(20)으로부터 해당 건축물의 에너지 소비량 데이터를 수집한다(S101).
다음으로, 건축물 설비 운전 데이터 수집 모듈(105)이 건축물 에너지 관리 시스템(20)으로부터 해당 건축물의 건축물 설비 운전 데이터를 수집한다(S102).
다음으로, 에너지 소비량 출력 모듈(112)이 에너지 소비량 데이터 수집 모듈(104)에서 수집된 에너지 소비량 데이터에서 에너지 소비량을 출력한다(S103).
다음으로, 건축물 설비 운전 데이터 출력 모듈(113)이 건축물 설비 운전 데이터 수집 모듈(105)에서 수집된 건축물 설비 운전 데이터를 출력한다(S104).
다음으로, 규칙 기반 이상 감지 모듈(116)이 미리 정해진 규칙에 따라 에너지 소비량 출력 모듈(112)에서 출력된 에너지 소비량 및 건축물 설비 운전 데이터 출력 모듈(113)에서 출력된 건축물 설비 운전 데이터의 이상을 감지한다(S105).
다음으로, 기계 학습 기반 이상 감지 모듈(117)이 기계 학습 기반 건축물별 통계 모델을 이용하여 에너지 소비량 출력 모듈(112)에서 출력된 에너지 소비량 및 건축물 설비 운전 데이터 출력 모듈(113)에서 출력된 건축물 설비 운전 데이터의 이상을 감지한다(S106).
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
본 발명은 건축물 에너지를 이용한 고장 진단 시스템 및 방법에 관한 것으로, 건축물의 설계, 시공, 유지관리 시장에 적용될 수 있다.

Claims (4)

  1. 건축물 에너지 관리 시스템으로부터 해당 건축물의 에너지 소비량 데이터를 수집하는 에너지 소비량 데이터 수집 모듈;
    상기 건축물 에너지 관리 시스템으로부터 해당 건축물의 건축물 설비 운전 데이터를 수집하는 건축물 설비 운전 데이터 수집 모듈;
    상기 에너지 소비량 데이터 수집 모듈에서 수집된 에너지 소비량 데이터에서 에너지 소비량을 출력하는 에너지 소비량 출력 모듈;
    상기 건축물 설비 운전 데이터 수집 모듈에서 수집된 건축물 설비 운전 데이터를 출력하는 건축물 설비 운전 데이터 출력 모듈을 포함하는 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템.
  2. 제1항에 있어서,
    미리 정해진 규칙에 따라 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 규칙 기반 이상 감지 모듈;
    기계 학습 기반 건축물별 통계 모델을 이용하여 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 기계 학습 기반 이상 감지 모듈을 더 포함하도록 구성되는 것을 특징으로 하는 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템.
  3. 에너지 소비량 데이터 수집 모듈이 건축물 에너지 관리 시스템으로부터 해당 건축물의 에너지 소비량 데이터를 수집하는 단계;
    건축물 설비 운전 데이터 수집 모듈이 상기 건축물 에너지 관리 시스템으로부터 해당 건축물의 건축물 설비 운전 데이터를 수집하는 단계;
    에너지 소비량 출력 모듈이 상기 에너지 소비량 데이터 수집 모듈에서 수집된 에너지 소비량 데이터에서 에너지 소비량을 출력하는 단계;
    건축물 설비 운전 데이터 출력 모듈이 상기 건축물 설비 운전 데이터 수집 모듈에서 수집된 건축물 설비 운전 데이터를 출력하는 단계를 포함하는 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 방법.
  4. 제3항에 있어서,
    규칙 기반 이상 감지 모듈이 미리 정해진 규칙에 따라 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 단계;
    기계 학습 기반 이상 감지 모듈이 기계 학습 기반 건축물별 통계 모델을 이용하여 상기 에너지 소비량 출력 모듈에서 출력된 에너지 소비량 및 상기 건축물 설비 운전 데이터 출력 모듈에서 출력된 건축물 설비 운전 데이터의 이상을 감지하는 단계를 더 포함하도록 구성되는 것을 특징으로 하는 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 방법.
PCT/KR2021/004386 2020-07-30 2021-04-08 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법 WO2022025386A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200095500A KR102386769B1 (ko) 2020-07-30 2020-07-30 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법
KR10-2020-0095500 2020-07-30

Publications (1)

Publication Number Publication Date
WO2022025386A1 true WO2022025386A1 (ko) 2022-02-03

Family

ID=80036513

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/004386 WO2022025386A1 (ko) 2020-07-30 2021-04-08 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR102386769B1 (ko)
WO (1) WO2022025386A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102507147B1 (ko) * 2022-02-18 2023-03-06 김우섭 인공지능 기반의 운영 보조 시스템을 적용한 빌딩 자동 제어 시스템 및 그 운용 방법
KR102554902B1 (ko) * 2022-12-29 2023-07-12 가천대학교 산학협력단 연합학습에 기반한 그룹세대의 에너지소비량 추정방법, 및 이를 수행하는 시스템, 컴퓨터-판독가능 매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100008545A (ko) * 2008-07-16 2010-01-26 한국건설기술연구원 통합형 온라인 유지관리시스템 및 그 방법
KR20140121527A (ko) * 2013-04-05 2014-10-16 한국전자통신연구원 건물 에너지 관제 장치 및 방법
KR20150000602A (ko) * 2013-06-25 2015-01-05 삼성물산 주식회사 중앙집중관리 방식의 건물별 맞춤형 에너지 관리 서비스 제공 방법 및 서버
KR20170143354A (ko) * 2016-06-21 2017-12-29 한국전자통신연구원 빌딩 에너지 관리 시스템 및 방법
KR102114895B1 (ko) * 2019-10-29 2020-05-25 주식회사 비앤비네트웍스 빌딩 내 설비의 에너지 효율을 기반으로 한 빌딩 내 설비의 노후화시기 예측을 위한 빌딩자동제어 시스템 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101024225B1 (ko) 2010-09-02 2011-03-29 현대엠코 주식회사 건물에너지관리시스템과 연계된 신재생에너지 통합관리시스템
KR20130065844A (ko) * 2011-12-02 2013-06-20 한국전자통신연구원 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법
KR20140137589A (ko) 2013-05-23 2014-12-03 대우정보시스템 주식회사 에너지 관리대상 모델링을 통한 건물에너지관리방법
KR102194002B1 (ko) * 2018-08-02 2020-12-22 한국에너지기술연구원 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템
KR20200055503A (ko) * 2018-11-13 2020-05-21 (주) 씨이랩 기축 건물의 에너지 데이터 처리장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100008545A (ko) * 2008-07-16 2010-01-26 한국건설기술연구원 통합형 온라인 유지관리시스템 및 그 방법
KR20140121527A (ko) * 2013-04-05 2014-10-16 한국전자통신연구원 건물 에너지 관제 장치 및 방법
KR20150000602A (ko) * 2013-06-25 2015-01-05 삼성물산 주식회사 중앙집중관리 방식의 건물별 맞춤형 에너지 관리 서비스 제공 방법 및 서버
KR20170143354A (ko) * 2016-06-21 2017-12-29 한국전자통신연구원 빌딩 에너지 관리 시스템 및 방법
KR102114895B1 (ko) * 2019-10-29 2020-05-25 주식회사 비앤비네트웍스 빌딩 내 설비의 에너지 효율을 기반으로 한 빌딩 내 설비의 노후화시기 예측을 위한 빌딩자동제어 시스템 및 방법

Also Published As

Publication number Publication date
KR102386769B1 (ko) 2022-04-14
KR20220015233A (ko) 2022-02-08

Similar Documents

Publication Publication Date Title
WO2022025386A1 (ko) 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법
WO2012057378A1 (ko) 범용 센서 자가 진단 장치 및 그 진단 방법
CN101636847B (zh) 用于使用直流电源的分布式电力获取系统的监测系统
WO2016117797A2 (ko) 고장 진단장치가 구비되는 태양광 발전 시스템과 태양광 발전 시스템의 고장 진단 방법
WO2017191872A1 (ko) 플랜트 이상 감지 방법 및 시스템
US20060237058A1 (en) Direct current combiner box with power monitoring, ground fault detection and communications interface
WO2013032062A1 (ko) 태양광 모듈 모니터링 시스템
WO2018044061A2 (ko) 공기구동 제어밸브의 온라인 진단 시스템 및 방법
WO2020076081A1 (ko) 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
CN109656239B (zh) 一种轨道机车网络控制系统故障诊断方法及其诊断装置
WO2013134923A1 (zh) 列车网络设备自动试验台
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
WO2016085010A1 (ko) 태양광 모듈별 이상 여부를 효율적으로 진단하는 시스템 및 방법
CN110281977A (zh) 一种计轴设备
CN100507580C (zh) 电子式互感器高压侧冗余备份电路及故障检测方法
CN106569475B (zh) 一种远程取水监测设备故障分级诊断方法
CN100524367C (zh) 基于波形识别的地铁机车牵引电路故障诊断系统
CN110488700A (zh) 一种电源管理系统及机器人
CN109254553A (zh) 核电站控制系统
CN213025417U (zh) 重水反应堆保护系统
CN108107811A (zh) 光伏电站运维管理系统
KR100599743B1 (ko) 센서 네트워크를 이용한 전력설비 Ｆａｕｌｔ ａｌａｒｍｓｙｓｔｅｍ
CN106197669A (zh) 一种采用颜色传感器远程读表系统
CN207612245U (zh) 一种基于开关矩阵的光伏板故障定位系统
WO2024117273A1 (ko) 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21848800

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21848800

Country of ref document: EP

Kind code of ref document: A1