WO2024225811A1 - 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치 - Google Patents
이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치 Download PDFInfo
- Publication number
- WO2024225811A1 WO2024225811A1 PCT/KR2024/005678 KR2024005678W WO2024225811A1 WO 2024225811 A1 WO2024225811 A1 WO 2024225811A1 KR 2024005678 W KR2024005678 W KR 2024005678W WO 2024225811 A1 WO2024225811 A1 WO 2024225811A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- fire
- model
- failure
- prediction
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 106
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 73
- 208000024891 symptom Diseases 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013480 data collection Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 67
- 230000005856 abnormality Effects 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 5
- 238000000700 time series analysis Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 6
- 230000006866 deterioration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000035939 shock Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Definitions
- the present invention relates to an artificial intelligence-based switchboard device having abnormal symptom, fire, and failure prediction functions, and an artificial intelligence-based monitoring and prediction system including the same.
- the switchgear is the backbone of the power system. It is a device that houses the main circuit breaker and the monitoring and control device in a closed case that can protect the human body, and is configured to monitor, protect, and operate the power system according to the user's requirements.
- the type and size of the product can vary depending on the rating of the housed device, safety protection level, and applicable standards. Typically, it includes air insulated switchgear, gas insulated switchgear, and solid insulated switchgear.
- switchgear requires various functions such as reliability, ease of use, and safety, the demand for miniaturized switchgear that can reduce the space it occupies is increasing. Accordingly, collective switchgear that utilizes space and gas switchgear that utilizes SF6 gas are appearing, and digitalization is rapidly taking place to implement convenient functions of switchgear.
- the switchboard mainly contains facilities for supplying or cutting off electricity, it is difficult to identify abnormal signs, fires, or malfunctions.
- electricity is generally transferred along high-voltage lines that are intricately connected along the power grid, and the electricity supplied to industrial facilities passes through the switchboard and is supplied to various power demand elements through busbars as reduced AC voltage from transformers inside.
- busbars as reduced AC voltage from transformers inside.
- switchboards with the function of detecting fire or malfunction and providing alarms or performing control accordingly by installing temperature detection devices such as temperature tapes and PT 100 temperature sensors inside the switchboard have emerged.
- Korean Patent Publication No. 10-0984679 discloses a system in which a thermal imaging camera is installed inside a switchboard to constantly monitor the switchboard and power equipment, and the temperature, degree of deterioration, overload status, poor contact, etc. of the energized part are captured by the thermal imaging camera, the image data is transmitted to a server for diagnosis, and if it is determined that there is a problem with the product, the equipment is controlled or an alarm signal for abnormalities in the switchboard is generated.
- 10-2303585 discloses a system in which images captured by cameras installed inside or outside a switchboard and public data by OPEN API including regional and hourly fire occurrence status, temperature and humidity, and earthquake occurrence status are utilized to detect and predict abnormal signs in a switchboard and notify the inspector located closest to the switchboard that requires inspection.
- switchboard detection and alarm systems generally analyze data from temperature sensors or thermal imaging cameras, and when the deterioration of the switchboard is detected, an alarm is sent to the inspector.
- a switchboard breaks down or malfunctions, an expert must be called to inspect it, which takes a considerable amount of time.
- an abnormality is found in the switchboard, there are many cases where the industrial facility operator must take emergency measures for the switchboard.
- A/S technician since it is difficult to know the internal state of the switchboard without an expert, there is a problem that an A/S technician must be called and waited for a more precise judgment when an abnormality is found in the switchboard.
- Patent Document 1 Korean Patent Publication No. 10-0984679
- Patent Document 2 Korean Patent Publication No. 10-2303585
- the purpose of the present invention to solve the above problems is to provide an artificial intelligence-based switchgear device and a monitoring and prediction system for the switchgear device, which can automatically make predictions in real time about abnormal symptoms of the switchgear, the risk of fire or failure, and/or the location of the same based on environmental data and power data detected in time series for the switchgear, thereby improving reliability, convenience of use, and safety and enabling miniaturization.
- Another object of the present invention is to provide an artificial intelligence-based switchgear device and a monitoring and prediction system for the switchgear device, which enable easy preventive measures against fire or failure of a switchgear by automatically and in real time making predictions such as judgment of abnormal symptoms of a switchgear, risk of fire or failure, and/or location, and thus enable confirmation of the replacement time of internal power equipment of the switchgear at an appropriate time, thereby extending the lifespan of internal equipment and maximizing maximum performance.
- an AI-based switchgear device may include a sensor unit mounted in the switchgear device to detect an internal environmental condition and a power condition in time series to generate detection data; a data collection unit to collect the detection data from the sensor unit and perform preprocessing on the detection data; an analysis processing unit to predict a first abnormal symptom and a fire or failure risk of the switchgear device through a first prediction AI model based on the preprocessed detection data; a control unit to control the switchgear device based on the predicted abnormal symptom and the fire or failure risk; a communication unit to transmit the detection data or the predicted abnormal symptom and the fire or failure risk to an external server or mobile device; and a display unit to display or notify the abnormal symptom and the fire or failure risk.
- the detection data for the internal environmental state may include at least one of gas content data, flame sensing data, temperature data, humidity data, inclination data, vibration data, acceleration data, and open detection data
- the detection data for the power state may include at least one of current data, voltage data, active/reactive power data, power factor data, operating time data, frequency/phase angle data, harmonic data, and ultrasonic data.
- the above preprocessing may include at least one of missing values removal processing and noise removal processing.
- the above data collection unit may further include a virtual sensor module that analyzes whether there is a data error due to an abnormality in the substation device for the most recently received detection data based on accumulated detection data from the data collection unit, and if it is determined that there is a data error, generates virtual detection data at the time when the data error occurred through a virtual sensor AI model based on the preprocessed detection data detected before the time when the data error occurred, and transmits the generated virtual detection data to the analysis processing unit.
- a virtual sensor module that analyzes whether there is a data error due to an abnormality in the substation device for the most recently received detection data based on accumulated detection data from the data collection unit, and if it is determined that there is a data error, generates virtual detection data at the time when the data error occurred through a virtual sensor AI model based on the preprocessed detection data detected before the time when the data error occurred, and transmits the generated virtual detection data to the analysis processing unit.
- the above analysis processing unit may further include a time series analysis module that analyzes a time series trend and transmits an abnormality sign or alarm to the display unit when time series unusual signal data or numerical data outside a predetermined range occurs based on the preprocessed detection data.
- the above first predictive AI model may be at least one of a pre-learned model, a user/load adaptive model, and an iterative optimization model.
- a monitoring and prediction system for an AI-based switchgear device may include the AI-based switchgear device, and a power control and monitoring server that receives the preprocessed detection data or the first abnormality sign and fire or failure risk from the switchgear device, predicts the second abnormality sign and fire or failure risk of the switchgear device through a second prediction AI model, and transmits the result to the switchgear device.
- the above system may further include a mobile device that receives and displays a second abnormality symptom and a fire or failure risk level of the switchboard device, receives control information based thereon from a user, and transmits the input control information to the switchboard device.
- the above power control and monitoring server may include a big data server unit that receives and stores the preprocessed detection data or the first abnormal symptom and the fire or failure risk level received from the switchboard device; a database unit that stores machine-learning models that can be used as the first prediction AI model or the second prediction AI model; and an analysis server unit that predicts the second abnormal symptom and the fire or failure risk level of the switchboard device through the second prediction AI model based on the preprocessed detection data or the first abnormal symptom and the fire or failure risk level from the big data server unit.
- the above second predictive AI model may be composed of at least one of an individual variable predictive AI model and a multivariate predictive AI model based on two or more variables, or may be composed of multiple models by integrating them.
- the above analysis server unit for the preprocessed detection data:
- At least one of the following can be performed.
- predictions such as judgment of abnormal signs of a switchboard, risk of fire or failure, and/or location can be automatically made in real time, thereby improving reliability, convenience of use, and safety, and enabling miniaturization of a switchboard device.
- FIG. 1 is a schematic structural diagram of an artificial intelligence-based switchboard device having an abnormality judgment function and a fire or failure prediction function according to one embodiment of the present invention.
- FIG. 2 is a flowchart illustrating a process in which sensing data detected in time series in an artificial intelligence-based switchboard device according to an embodiment of the present invention are processed and analyzed.
- FIG. 3 is a schematic structural diagram of a monitoring and prediction system for a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- FIG. 4 is a schematic flowchart showing how individual variable prediction AI models stored in a database and multivariate prediction AI models based on two or more variables individually or integratedly perform abnormality, fire, and/or failure prediction in a monitoring and prediction system for a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- FIG. 5 illustrates an exemplary UI screen displayed to an operator on a mobile device in a monitoring and prediction system for a switchboard device based on artificial intelligence according to an embodiment of the present invention.
- FIG. 6 is a schematic flowchart of a method for predicting abnormal symptoms, fire, or failure of a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- FIG. 7 is a schematic flowchart of a system for monitoring and predicting switchboard devices based on artificial intelligence according to one embodiment of the present invention, in which abnormal signs, fires, or failures are predicted and then displayed to an inspector or the switchboard is controlled in response thereto.
- FIG. 8 illustrates an exemplary UI screen in which fire/failure prediction and power monitoring are performed on a power control and monitoring platform in a monitoring and prediction system for a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- FIG. 9 illustrates an exemplary UI screen in which abnormality judgment and fire/failure risk prediction are performed on a power control and monitoring platform in a monitoring and prediction system for a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- the AI-based switchgear device having an abnormal symptom judgment, fire or failure prediction function of the present invention may include the following two.
- the standalone AI switchgear device capable of abnormal symptom judgment, fire or failure analysis and prediction processing inside the switchgear device, and including a module for complex fire/failure monitoring of the switchgear device and a fire/failure alarm control module does not require a separate external analysis big data server.
- the second is an AI-based monitoring and prediction system configured so that primary abnormal symptom judgment, fire or failure prediction/analysis are performed inside the AI switchgear device, and secondary precise analysis/prediction can be performed on data detected in the switchgear device and/or primary analysis/prediction results in an external big data server (e.g., an AI-based power control and monitoring server).
- an external big data server e.g., an AI-based power control and monitoring server
- the switchboard device may be configured as a low-cost switchboard device that only has a complex fire/fault monitoring module installed in the switchboard device, and in the artificial intelligence-based monitoring and prediction system, the switchboard device may be configured as a low-cost switchboard device, and based on detection data collected by the complex fire/fault monitoring module of the low-cost switchboard device, abnormality judgment, and prediction/analysis of fire or fault may be performed only in an external artificial intelligence-based power control and monitoring server.
- FIG. 1 is a schematic structural diagram of an artificial intelligence-based switchboard device having an abnormality judgment function and a fire or failure prediction function according to an embodiment of the present invention
- FIG. 2 is a flowchart of sensing data detected in time series in an artificial intelligence-based switchboard device according to an embodiment of the present invention being processed and analyzed.
- an artificial intelligence-based switchboard device (100) may include one or more sensor units (110), data collection units (120), analysis processing units (130), control units (140), communication units (150), and display units (160), and may additionally include a model database unit (170), a composite fire/fault monitoring unit (180), or a fire/fault alarm and control unit (190).
- the above sensor unit (110) can be mounted inside the switchboard device and detect the internal environmental status and power status in a time-series manner to generate detection data and transmit the detection data to the data collection unit (120).
- the environmental data representing the internal environmental status is data detected in a time-series manner by at least one of individual environmental sensors or composite sensors (112), such as a gas sensor, a flame sensor, a temperature sensor, a humidity sensor, a vibration sensor, a rotation sensor, a shock sensor, etc., and may include at least one or more of gas content data, flame sensing data, temperature data, humidity data, inclination/vibration/acceleration data, and open detection data, and is not limited thereto as long as it represents the internal environmental status of the switchboard.
- Power data representing the power status is data detected in time series by a current sensor such as a CT sensor and/or a voltage sensor (114), and may include at least one of current data, voltage data, active/reactive power data, power factor data, operating time data, leakage current data, frequency/phase angle data, current unbalance data, voltage unbalance data, harmonic data, and ultrasonic data, but is not limited thereto.
- the sensors of the sensor unit (110) may be configured as IoT sensors and may wirelessly transmit detection data to the data collection unit (120).
- the above data collection unit (120) can receive, collect and store the time-series sensed data from the sensor unit (110) by wire or wirelessly.
- the data collection unit (120) can also perform digital processing for preprocessing (filtering, exception handling, and sensing error removal, etc.) or virtual data augmentation generation, etc. on the collected sensed data.
- the data collection unit (120) may include a collection module (122) and a preprocessing module (124), and may additionally include a virtual sensor module (126).
- the collection module (122) may communicate with at least one sensor (112, 114) of the sensor unit (110) by wire or wirelessly to collect and store detection data.
- the above preprocessing module (124) can perform preprocessing on the above detection data, and the preprocessing performed can include at least one of missing values removal processing and noise removal processing.
- Time series data generally has two unique characteristics: time step specified at a certain time interval from start to finish, and lag in which the observation values are generated with a time difference, and the current observation values are expressed by the previous observation values, and the observation values have auto-correlation or serial correlation.
- time step specified at a certain time interval from start to finish and lag in which the observation values are generated with a time difference, and the current observation values are expressed by the previous observation values, and the observation values have auto-correlation or serial correlation.
- time series data requires missing values removal and/or noise removal processing before input.
- time series data must be preprocessed so that the data is processed into pairs of target variables to be predicted and input variables used for prediction, and in order to stably train machine learning/deep learning models, a further preprocessing process to unify the scale of the data may be necessary.
- the above data collection unit (120) may further include a virtual sensor module (126) that augments/generates virtual detection data.
- the preprocessing module (124) may additionally perform processing based on the accumulated stored detection data to analyze whether a data error has occurred due to an abnormality in the distribution panel device or the external environment for the most recently received detection data. If the preprocessing module (124) determines that there is a data error, the virtual sensor module (126) may generate virtual detection data at the time when the data error occurred through a virtual sensor AI model based on the preprocessed detection data detected before the time when the data error occurred, store the virtual detection data in the collection module (122), and transmit it to the analysis processing unit (130) instead of the data detected at the time when the data error occurred.
- the virtual sensor AI model may be a machine learning or deep learning model, and may be a model that temporarily augments and generates virtual data based on existing analyzed data.
- the above analysis processing unit (130) may include a prediction module (132) that predicts the first abnormal symptom and the fire or failure risk of the switchboard device through the first prediction AI model based on the preprocessed detection data.
- the prediction module (132) may additionally predict a fire cause and/or a failure cause.
- the fire cause may be, for example, analyzed by analyzing the characteristics of arc, discharge, insulation deterioration, etc. of time-series detected data through the first prediction AI model.
- the failure cause may be analyzed by analyzing the symptoms of vibration, shock, temperature, humidity, gas, etc. of time-series detected data through the first prediction AI model.
- the prediction module (132) may perform deep learning analysis on time-series detected data adapted to the load characteristics of the user through the first prediction AI model to predict an abnormal symptom of the facility.
- the first prediction AI model used in the above prediction module (132) may be a machine learning or deep learning model, and may be generated by learning from existing sensing data of a distribution panel using at least one or more of various existing artificial intelligence (AI) models such as an existing supervised learning model, an unsupervised learning model, a reinforcement learning model, and a time series machine learning model.
- AI artificial intelligence
- the first prediction AI model may be at least one of a pre-learned model, a consumer/load adaptive model, and an iterative optimization model.
- the consumer/load adaptive model may be generated by re-learning at least one of the existing pre-learned prediction models based on the preprocessed sensing data generated during a period in which a predetermined situation occurs, and the iterative optimization model may be generated by re-learning at least one of the existing pre-learned prediction models based on the preprocessed sensing data generated during a predetermined period in accordance with the operation or equipment introduction situation of the distribution panel device.
- the first predictive AI model may be stored in the model database (170) inside the switchboard device (100) in the case of a standalone switchboard device, or may receive a predictive AI model learned from an external server according to another embodiment of the present invention.
- the first predictive AI model may be learned and generated in the analysis processing unit (130) of the switchboard device (100), or may be learned and generated from an external server as a predictive model based on existing sensing learning data.
- the first predictive AI model may be composed of at least one of predictive AI models for individual variables and multivariate predictive AI models based on two or more variables, or may be composed of a plurality of models by integrating them.
- the above analysis processing unit (130) may further include a time series analysis module (134) that analyzes the time series trend through, for example, deep learning time series analysis and abnormal symptom detection when a specific signal data in the time series or numerical data outside a predetermined area occurs based on the preprocessed detection data, and transmits an abnormal symptom or alarm to the display unit.
- the time series analysis module stacks time series trend analysis and various abnormal symptom detection algorithms to predict with a model suitable for the basic electrical characteristics of the distribution panel, and when a more precise prediction is required, it can automatically distribute a prediction model suitable for the characteristics of the user/load through periodic model re-learning/distillation.
- the above analysis processing unit (130) may further include a learning module (136) that learns or re-learns the first prediction AI model stored in the model database unit (170) or received from an external server.
- the first prediction AI model may be re-learned or model distillation (updating) may be performed according to load and user characteristics, thereby enabling the prediction module (132) to perform more precise predictions.
- the control unit (140) may control the switchboard device (100) based on the predicted abnormal symptoms and the risk of fire or failure.
- the control of the switchboard device (100) may include, for example, at least one of a blocking control for a specific power device inside or connected to the switchboard, a door closing/opening control, a ventilation fan operation control, a positive pressure device control, a fire extinguishing device operation control, and a constant temperature/humidity/dehumidification device operation control, and may further include, but is not limited to, a warning device such as an LED, LCD, sound, laser, or the like capable of being combusted, or a display unit (160) such as a display unit to display an alarm or control the operation of an alarm sound, and a control to transmit an alarm to a mobile device of a person in charge or a related organization such as a fire station or a police station through a communication unit (150).
- a warning device such as an LED, LCD, sound, laser, or the like capable of
- the above communication unit (150) can transmit the detection data or the predicted abnormal signs and the risk of fire or failure to an external server or a mobile device of a person in charge.
- the communication unit (150) can also transmit an alarm or fire or failure-related information to a fire department, police station, or other relevant organizations when an abnormal sign of a switchboard device is determined or a fire or failure is predicted.
- the communication unit (150) can also receive a control signal or data necessary for control of a switchboard device from an external server or a mobile device of a person in charge.
- the above display unit (160) can display the above abnormal signs and the risk of fire or failure on the display or notify through an alarm sound.
- the above display unit (160) can also display an alarm through a change in the color of the light, and the display method is not limited thereto.
- the above model database section (170) can store at least one of prediction AI models for learned individual variables to be used in the first prediction AI model, multivariate prediction AI models based on two or more variables, and/or a model in which these are integrated.
- FIG. 3 is a schematic structural diagram of a monitoring and prediction system (10) for a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- the monitoring and prediction system (10) may include a power control and monitoring server (200) connected wiredly or wirelessly to a power distribution board device (100) according to an embodiment of the present invention as disclosed in FIG. 1, and may further include a mobile device (300) connected wirelessly to these.
- the power control and monitoring server (200) may be an independent physical server or may be formed as a cloud server forming part of a space within a cloud.
- the power control and monitoring server (200) may receive the preprocessed detection data or the first abnormal symptom and the risk of fire or failure from the switchboard device, predict the second abnormal symptom and the risk of fire or failure of the switchboard device (100) through a second prediction AI model, and transmit the prediction result data to the switchboard device (100) or a mobile device (300).
- the power control and monitoring server (200) may include a big data server unit (210), a database unit (220), and an analysis server unit (230), and may additionally include a display unit (240).
- the power control and monitoring server (200) may further include management software of a power control and monitoring platform (250) to perform power control and monitoring of the switchboard device (100) more easily.
- the above big data server unit (210) can collect and store the preprocessed detection data or the first abnormality sign and the risk of fire or failure received from the above switchboard device (100).
- the database unit (220) may store learned prediction models that can be used in the first prediction AI model used in the switchboard device or the second prediction AI model used in the analysis server unit (230) of the power control and monitoring server (220).
- the database unit (220) may also store accumulated data of sensed data of the switchboard device for learning or re-learning the stored prediction models or other related data of the environment or switchboard supplied to an external server.
- the database unit (220) may store prediction AI models for learned individual variables to be used in the first prediction AI model or the second prediction AI model, at least one of multivariate prediction AI models based on two or more variables, and/or a model in which these are integrated.
- the above analysis server unit (230) can predict the second abnormal symptom and the fire or failure risk of the switchboard device (100) through the second prediction AI model based on the preprocessed detection data from the big data server unit (220) or the first abnormal symptom and the fire or failure risk, and can perform remote precision analysis thereon.
- the second prediction AI model can be generated by learning from the existing detection data of the switchboard using at least one or more of various existing machine learning models such as an existing supervised learning model, an unsupervised learning model, a reinforcement learning model, and a time series machine learning model.
- the second prediction AI model can be at least one of a pre-learned model, a user/load adaptive model, and an iterative optimization model.
- the above analysis server unit (230) can train the prediction models used in the first prediction AI model and/or the second machine learning model based on the existing detection data set for the switchboard device (100) or the learning data supplied from an external server, and can additionally retrain them for model optimization. Referring to FIG.
- the analysis processing unit (230) can retrain at least one of the existing pre-trained prediction models based on the preprocessed detection data generated during a period in which a predetermined situation occurs for the first prediction AI model or the second prediction AI model to generate the user/load adaptive model, and can also repeatedly retrain at least one of the existing pre-trained prediction models based on the preprocessed detection data generated during a predetermined period in accordance with the operation or equipment investment situation of the switchboard device (100) to generate an iterative optimization model for model optimization.
- a first prediction analysis for abnormal symptom judgment, fire, and failure of a switchboard device (100) is performed in an analysis processing unit (130) of a switchboard device (100), and a second precise prediction analysis for abnormal symptom judgment, fire, and failure of a switchboard device (100) may be performed in the power monitoring and control server (200).
- the second precise prediction analysis may be performed by an analysis using a user load adaptive AI model.
- a monitoring and prediction system (10) simple detection and brief analysis may be performed in the switchboard device (100), and based on this data, a precise prediction analysis for abnormal symptom judgment, fire, and failure of a switchboard device (100) may be performed in the power monitoring and control server (200).
- the above display unit (240) can display the second abnormal sign and the risk of fire or failure for the switchboard device (100) predicted by the analysis server unit (230) (see FIG. 9 below).
- the display unit (240) can also display the result of monitoring the power status of the switchboard device (100) (see FIG. 10 below).
- the power control and monitoring server (200) can analyze various data visualizations, power quality/energy monitoring, fire/failure risk display, inspection log, diagnosis schedule establishment, predictive maintenance policy establishment corresponding to the predicted second abnormality sign and fire or failure risk, and statistics/real-time trends for detection data or second abnormality signs and fire or failure risks for the switchboard device (100), and display them through the display unit (240).
- FIG. 4 is a schematic flow diagram showing how individual variable prediction AI models (222) stored in a database (220) and multivariate prediction AI models (224) based on two or more variables individually or integratedly perform abnormality sign, fire and/or failure prediction in a monitoring and prediction system for a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- the database unit (220) may store at least one of the learned individual variable prediction AI models (222) to be used as the first prediction AI model used in the analysis processing unit (130) or the second prediction AI model used in the analysis server unit (230), multivariate prediction AI models (224) based on two or more variables, and/or a model in which these are integrated.
- the prediction AI model (222) for individual variables may include at least one or more of, for example, an individual anomaly detection model (detecting anomalies in equipment or abnormalities in power quality), a series/parallel arc (fire factor) prediction model, a contact resistance increase (fire/failure factor) prediction model, an insulation deterioration (fire/failure factor) prediction model, a partial discharge (fire factor) prediction model, a power quality prediction model, a gas/flame prediction model, a shock (failure factor)/earthquake prediction model, and a high temperature/overheating/submergence prediction model, but is not limited thereto.
- an individual anomaly detection model detecting anomalies in equipment or abnormalities in power quality
- a series/parallel arc (fire factor) prediction model detecting anomalies in equipment or abnormalities in power quality
- a contact resistance increase fire/failure factor
- an insulation deterioration fire/failure factor
- a partial discharge (fire factor) prediction model a power
- the multivariate prediction AI model (224) may include at least one or more of, for example, a composite fire prediction model, a composite failure prediction model, a composite power quality prediction model, an energy/load prediction model, and a predictive maintenance model, but is not limited thereto.
- the monitoring and prediction system (10) may further include a mobile device (300) of a person in charge of inspection or control of the switchboard device (100).
- the mobile device (300) may display a first abnormal symptom and a risk of fire or failure predicted by the analysis processing unit (130) of the switchboard device (100), or a second abnormal symptom and a risk of fire or failure predicted by the analysis server unit (230) of the power control and monitoring server (200), and may receive control information from a user based on the predicted information and transmit it to the switchboard device (100).
- the mobile device (300) may provide statistics/real-time trends for data detected in time series of the switchboard device (100), and may also perform an inspection log or perform an AR recognition digital twin.
- FIG. 5 illustrates an exemplary UI screen that can be displayed to a person in charge on a mobile device (300) in a monitoring and prediction system (10) for a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- FIG. 6 is a schematic flowchart of a method for predicting abnormal symptoms, fire, or failure of a switchboard device based on artificial intelligence according to one embodiment of the present invention.
- a method for predicting an abnormal symptom, fire, or failure of a switchboard device (100) based on artificial intelligence comprises: a step (S610) of generating detection data by detecting an internal environmental state and a power state of the switchboard device in a time-series manner by a sensor unit (110) mounted on the switchboard device; a step (S620) of collecting the detection data detected in a time-series manner from the sensor unit (110); a step (S630) of performing preprocessing on the collected detection data; a step (S640) of predicting a first abnormal symptom and a risk of fire or failure of the switchboard device (100) through a first predictive AI model based on the preprocessed detection data; and a step (S650) of displaying the abnormal symptom and the risk of fire or failure on a display or notifying the abnormal symptom and the risk of fire or failure. and may include a step (S660) of controlling the switchboard device (100)
- the environmental data representing the internal environmental state is data sensed in time series by at least one of individual environmental sensors or composite sensors (112), such as a gas sensor, a flame sensor, a temperature sensor, a humidity sensor, a vibration sensor, a rotation sensor, and an impact sensor, and may include at least one of gas content data, flame sensing data, temperature data, humidity data, inclination/vibration/acceleration data, and open detection data, and is not limited thereto as long as it represents the internal environmental state of the switchboard.
- individual environmental sensors or composite sensors such as a gas sensor, a flame sensor, a temperature sensor, a humidity sensor, a vibration sensor, a rotation sensor, and an impact sensor
- gas content data flame sensing data
- temperature data temperature data
- humidity data inclination/vibration/acceleration data
- open detection data and is not limited thereto as long as it represents the internal environmental state of the switchboard.
- the power data representing the power state is data sensed in time series by a current sensor, such as a CT sensor, and/or a voltage sensor (114), and may include at least one of current data, voltage data, active/reactive power data, power factor data, operating time data, leakage current data, frequency/phase angle data, current unbalance data, voltage unbalance data, harmonic data, and ultrasonic data, and is not limited thereto.
- a current sensor such as a CT sensor, and/or a voltage sensor (114)
- the preprocessing may include at least one of missing values removal processing and noise removal processing.
- the above method may further include a step of analyzing whether a data error has occurred due to an abnormality in the switchboard device (100) or the external environment for the most recently received detection data based on the detection data accumulated in the data collection unit (120), and if it is determined that there is a data error, generating virtual detection data at the time of occurrence of the data error through a virtual sensor machine learning model based on the preprocessed detection data detected up to the time of occurrence of the data error, and transmitting the generated virtual detection data to the analysis processing unit.
- the above method may further include a step of analyzing a time series trend and transmitting an abnormality sign or alarm to the display unit when an unusual signal data in a time series or numerical data outside a predetermined range occurs based on the preprocessed detection data.
- a method for predicting an abnormal symptom, fire or failure of a switchboard device (100) based on artificial intelligence comprises, in addition to the steps of the method according to FIG. 6, a step of transmitting the detection data or the predicted abnormal symptom and the risk of fire or failure to a power control and monitoring server (200) or a mobile device (300) of a person in charge; a step of collecting the preprocessed detection data or the first abnormal symptom and the risk of fire or failure received from the switchboard device (100) by the power control monitoring server (200); a step of receiving the preprocessed detection data or the first abnormal symptom and the risk of fire or failure from the switchboard device by the power control monitoring server (200) and predicting the second abnormal symptom and the risk of fire or failure of the switchboard device (100) through a second prediction AI model; And the method may further include a step of transmitting the predicted second abnormal symptom and the risk of fire or failure to the switchboard device (100) and/or the mobile device (300) of the
- the second predictive AI model can be generated by training existing sensing data of the distribution panel using at least one or more of various existing machine learning models, such as an existing supervised learning model, an unsupervised learning model, a reinforcement learning model, and a time series machine learning model.
- the second predictive AI model can be at least one of a pre-trained model, a user/load adaptive model, and an iterative optimization model.
- a method for predicting abnormal symptoms, fire or failure of a switchboard device (100) based on artificial intelligence may further include a step of transmitting the predicted second abnormal symptom and fire or failure risk by the power control and monitoring server (200) to the switchboard device (100) and/or a mobile device (300) of a person in charge, and a step of transmitting control information for the switchboard device (100) to the switchboard device (100) based on information about the first abnormal symptom and fire or failure risk or the second abnormal symptom and fire or failure risk predicted by the analysis processing unit (130) of the switchboard device (100).
- FIG. 7 is a schematic flowchart of a system (10) for monitoring and predicting switchboard devices based on artificial intelligence according to one embodiment of the present invention, which predicts abnormal signs, fires, or failures and then displays them to an inspector or controls the switchboard in response thereto.
- information related to risk of abnormal signs, fire or failure predicted by the analysis processing unit (130) of the switchboard device (100) may be transmitted to the control unit (140) inside the switchboard device (100) so as to control the environmental conditions or power of the switchboard device (100) or to cause a display unit (160) to display or generate an alarm.
- the display unit (160) may display at least one of information including a fire risk, a failure risk, a maintenance/diagnosis schedule, power quality information, and energy monitoring information based on the predicted information.
- the above prediction information may be further transmitted to a fire/failure alarm and control unit (190) that may be additionally included in the switchboard device (100).
- the fire/failure alarm and control unit (190) may generate a blocking control signal, a door control signal, a ventilation fan control signal, a positive pressure device control signal, a fire extinguishing device control signal, a display/sound alarm control signal, and an alarm to a relevant organization such as a fire department or a police department based on the transmitted prediction information, so that even a relatively unskilled inspector can take appropriate preventive measures for the prediction information.
- the prediction information generated in the analysis processing unit (130) may be transmitted to an external power control and monitoring server (200) or a mobile device (300) of a person in charge of the relevant work through a communication unit (150).
- FIG. 8 illustrates an exemplary UI screen for performing fire/failure prediction and power monitoring on a power control and monitoring platform in a monitoring and prediction system for a switchboard device based on artificial intelligence according to an embodiment of the present invention
- FIG. 9 illustrates an exemplary user interface (UI) screen for performing abnormality symptom judgment and fire/failure risk prediction on a power control and monitoring platform in a monitoring and prediction system for a switchboard device based on artificial intelligence according to an embodiment of the present invention.
- UI user interface
- FIG. 9 is an exemplary screen that appears when the “AI Prediction” button among the top items on the UI screen is clicked for a specific substation device (100) on a power control and monitoring platform according to an embodiment of the present invention
- FIG. 10 is an exemplary screen that appears when the “Monitoring” item among the top items is clicked.
- the displayed UI screens are not limited to this form.
- the technology applied to the artificial intelligence-based switchboard device (100) of FIGS. 1 and 2 or the monitoring and prediction system (10) of FIG. 3 can be applied not only to the switchboard device (100), but also to an abnormality judgment, fire or failure monitoring and prediction system for an artificial intelligence-based solar power connection device or an artificial intelligence-based electric vehicle charging system.
- the monitoring and prediction system for the switchgear device described above, or the monitoring and prediction method can be implemented by including hardware components, software components, and/or a combination of hardware components and software components, or a cloud server.
- the systems, devices, methods, and components described in the embodiments can be implemented using one or more general-purpose computers or special-purpose computers, such as, for example, a processor, a controller, a central processing unit (CPU), a graphics processing unit (GPU), an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), a programmable logic unit (PLU), a microprocessor, an application specific integrated circuits (ASICS), a server, or any other computing device capable of executing instructions and responding.
- the monitoring and prediction method for a switchboard device may be implemented in the form of program commands that can be executed through various computer means and recorded on a non-transitory computer-readable medium.
- the non-transitory computer-readable medium may include program commands, data files, data structures, etc., singly or in combination.
- the program commands recorded on the medium may be those specially designed and configured for the embodiment or may be known and usable by those skilled in the art of computer software.
- the hardware device may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Emergency Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
Abstract
본 발명의 일실시예에 따른 인공지능 기반 수배전반 장치는, 상기 수배전반 장치 내에 장착되어 내부 환경 상태 및 전력 상태를 시계열적으로 감지하여 감지 데이터를 생성하는 센서부; 상기 센서부로부터 상기 감지 데이터를 수집하고 상기 감지 데이터에 대해 전처리를 수행하는 데이터 수집부; 상기 전처리된 감지 데이터에 기초하여 제1 예측 AI 모델을 통해 상기 수배전반 장치의 제1이상징후와 화재 또는 고장 위험도를 예측하는, 분석 처리부; 상기 예측된 이상징후와 화재 또는 고장 위험도에 기초하여 상기 수배전반 장치를 제어하는 제어부; 상기 감지 데이터 또는 상기 예측된 이상징후와 화재 또는 고장 위험도를 외부 서버 또는 모바일 기기에 전송하는 통신부; 및 상기 이상징후와 화재 또는 고장 위험도를 표시 또는 통보하는 표출부를 포함할 수 있다.
Description
본 발명은 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치 및 이를 포함하는 인공지능 기반 감시 및 예측 시스템에 관한 것이다.
수배전반은 전력계통의 중추로서 인체 보호가 가능한 폐쇄 외함에 주회로 차단기기 및 감시 제어용 기기를 수납하여 사용자의 요구 조건에 따라 전력 계통 감시, 보호, 조작이 가능하도록 구성된 장치로서, 수납 기기의 정격, 안전 보호 등급, 적용 규격에 따라 제품의 종류 및 크기가 다양할 수 있으며, 통상적으로 기중절연 수배전반(Air Insulated Switchgear), 가스절연 수배전반(Gas Insulated Switchgear), 고체절연 수배전반(Solid Insulated)을 포함한다. 최근 수배전반은 신뢰성과 사용의 편의성 및 안전성과 같은 다양한 기능이 요구되면서도 차지하는 공간이 감소될 수 있도록 소형화될 수 있는 수배전반의 요구가 높아지고 있다. 따라서, 공간 활용을 통한 집합형 배전반, SF6가스를 활용한 가스 배전반 등이 등장하는 한편 수배전반의 편리한 기능 구현을 위해 디지털화가 급속도로 이루어 지고 있다.
한편, 수배전반은 주로 전력의 공급 또는 차단을 위한 설비를 내장하기 때문에 이상 징후, 화재 또는 고장 등을 확인하는데 어려움이 있다. 또한, 일반적으로 전력이 전력계통도를 따라 복잡하게 연결된 고압전선을 따라 이동되며 산업용 설비에 공급된 전력은 수배전반을 거쳐서 그 내부의 변압기 등에서 감압된 교류 전압이 부스바(Bus-bar)를 통해 여러 전력 수요 요소로 공급된다. 이 때 수배전반 내부의 열이 발생되는 경우 과전류에 따른 열발생과 부스바 연결 장치의 체결 부위의 고정볼트가 풀리게 되면서 전기적 접촉 저항이 증가되는 등의 문제가 발생할 수 있으며, 전력기기의 장시간 사용시 절연 열화의 진행 등에 따른 열이 발생할 수 있다. 이러한 이상 징후를 방치하는 경우 누전사고, 지락사고, 또는 단락 사고까지 이어져 화재가 초래될 수 있다. 따라서, 기존에는 수배전반 내에 온도테이프, PT 100 온도센서 등의 온도감지 장치를 장착하여 화재나 고장 여부을 감지하고 이에 대한 경보를 제공하거나 그에 따른 제어를 수행하는 기능을 가진 수배전반이 등장하였다.
이와 관련하여, 한국등록특허공보 제10-0984679호에서는 열화상 카메라를 수배전반 내에 탑재시켜 상시 수배전반 및 전력설비를 감시하면서 통전부의 온도, 열화 정도, 과부하 상태, 접촉불량 등을 열화상 카메라에서 촬영, 화상데이터를 서버로 전송하여 진단, 제품에 문제가 있다고 판정되면 설비를 제어하거나 수배전반 이상 경보 신호를 발생하도록 구성하고 있다. 또한, 한국등록특허공보 제10-2303585호에서는 수배전반의 내부 또는 외부에 설치되는 카메라에 의해 촬영된 영상과 지역별·시간별 화재발생현황, 기온과 습도 및 지진발생현황을 포함하는 OPEN API에 의한 공공데이터를 활용하여 수배전반의 이상징후를 감지 및 예측하여 점검이 필요한 수배전반에 가장 가까이 위치하는 점검자에게 통보하도록 구성하고 있다.
그러나, 이러한 수배전반 감지 및 경보 시스템은 온도센서나 열화상 카메라 등으로부터 데이터를 분석하여 수배전반의 열화상태가 감지되면, 점검자에게 경보 알람을 전송하는 기술이 일반적이고, 수배전반 내의 부품의 이상상태 판단 및 화재 또는 고장의 위험도 예측 및 이에 따른 전력기기의 교체시점 등과 같은 보다 능동적인 대응 방안을 제시할 수 있는 시스템이 부족하다. 통상적으로, 수배전반의 고장이나, 오작동시 이를 점검할 수 있는 전문가를 호출하여 점검을 받아야해서 상당한 시간이 소요되고, 수배전반 이상징후 발견시 산업 설비 운용자가 수배전반에 긴급조치를 수행해야 하는 경우가 다수 발생하지만, 전문가 없이는 수배전반 내부 상태를 알기 어렵기 때문에 수배전반에 이상징후가 발견될 경우 더 정밀한 판단을 위해 A/S 기사를 호출하고 기다려야 하는 문제점이 있다.
(특허문헌 1) 한국등록특허공보 제10-0984679호
(특허문헌 2) 한국등록특허공보 제10-2303585호
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 수배전반에 대하여 시계열적으로 감지된 환경 데이터 및 전력 데이터에 기초하여 수배전반의 이상징후의 판단, 화재 또는 고장의 위험도 및/또는 위치 등과 같은 예측이 실시간으로 자동적으로 이루어질 수 있어 신뢰성, 사용의 편의성, 안전성을 향상시키고 소형화가 가능한 인공지능 기반 수배전반 장치 및 수배전반 장치에 대한 감시 및 예측 시스템을 제공하는 것이다.
본 발명의 또다른 목적은 수배전반의 이상징후의 판단, 화재 또는 고장의 위험도 및/또는 위치 등과 같은 예측이 실시간으로 자동적으로 이루어짐에 따라 수배전반의 화재 또는 고장에 대한 사전 예방 조치가 용이하며, 적절한 시기에 수배전반 내부 전력기기의 교체시점을 확인할 수 있어 내부기기 사용연한 연장 및 최대 성능을 극대화할 수 있는 인공지능 기반 수배전반 장치 및 수배전반 장치에 대한 감시 및 예측 시스템을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 일실시예에 따른 인공지능 기반 수배전반 장치는, 상기 수배전반 장치 내에 장착되어 내부 환경 상태 및 전력 상태를 시계열적으로 감지하여 감지 데이터를 생성하는 센서부; 상기 센서부로부터 상기 감지 데이터를 수집하고 상기 감지 데이터에 대해 전처리를 수행하는 데이터 수집부; 상기 전처리된 감지 데이터에 기초하여 제1 예측 AI 모델을 통해 상기 수배전반 장치의 제1이상징후와 화재 또는 고장 위험도를 예측하는, 분석 처리부; 상기 예측된 이상징후와 화재 또는 고장 위험도에 기초하여 상기 수배전반 장치를 제어하는 제어부; 상기 감지 데이터 또는 상기 예측된 이상징후와 화재 또는 고장 위험도를 외부 서버 또는 모바일 기기에 전송하는 통신부; 및 상기 이상징후와 화재 또는 고장 위험도를 표시 또는 통보하는 표출부를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 내부 환경 상태에 대한 감지 데이터는 기체 함량 데이터, 불꽃 센싱 데이터, 온도 데이터, 습도 데이터, 기울기 데이터, 진동 데이터, 가속도 데이터, 개방감지 데이터 중 적어도 하나 이상을 포함하고, 상기 전력 상태에 대한 감지 데이터는 전류 데이터, 전압 데이터, 유효/무효 전력 데이터, 역률 데이터, 구동시간 데이터, 주파수/위상각 데이터, 고조파 데이터, 초음파 데이터 중 적어도 하나 이상을 포함할 수 있다.
상기 전처리는 결측치(missing values) 제거 처리와 노이즈(Noise) 제거 처리 중 적어도 하나 이상을 포함할 수 있다.
상기 데이터 수집부는, 상기 데이터 수집부로부터의 누적된 감지 데이터에 기초하여, 가장 최근 수신된 감지 데이터에 대하여 상기 수배전반 장치 이상에 의해 데이터 오류가 있는지 여부를 분석하고, 데이터 오류가 있다고 판단되는 경우 상기 데이터 오류가 발생한 시점 전까지 감지된 상기 전처리된 감지 데이터에 기초하여 가상 센서 AI 모델을 통하여 상기 데이터 오류가 발생한 시점의 가상 감지 데이터를 생성하여 상기 분석 처리부에 전송하는, 가상 센서 모듈을 더 포함할 수 있다.
상기 분석 처리부는, 상기 전처리된 감지 데이터에 기초하여 시계열상의 특이 신호 데이터, 또는 미리정해진 영역 외의 수치 데이터가 발생하는 경우 시계열상 트렌드를 분석하여 이상 징후 또는 경보를 상기 표출부로 전송하는 시계열상 분석 모듈을 더 포함할 수 있다.
상기 제1 예측 AI 모델은, 미리 학습된 모델, 수용가/부하 적응형 모델, 및 반복 최적화 모델 중 적어도 하나일 수 있다.
본 발명의 다른 실시예에 따른 인공지능 기반의 수배전반 장치에 대한 감시 및 예측 시스템은, 상기 인공지능 기반의 수배전반 장치, 및 상기 수배전반 장치로부터 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도를 수신하여 제2 예측 AI 모델을 통해 상기 수배전반 장치의 제2 이상징후와 화재 또는 고장 위험도를 예측하여 상기 수배전반 장치에 전송하는, 전력 제어 및 감시 서버를 포함할 수 있다.
상기 시스템은, 상기 수배전반 장치의 제2 이상징후와 화재 또는 고장 위험도를 수신하여 표시하고, 그에 기초한 제어 정보를 사용자로부터 입력받으며, 상기 입력된 제어 정보를 상기 수배전반 장치에 전송하는, 모바일 기기를 더 포함할 수 있다.
상기 전력 제어 및 감시 서버는, 상기 수배전반 장치로부터 수신한 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도를 수신하여 저장하는 빅데이터 서버부; 상기 제1예측 AI 모델 또는 제2 예측 AI 모델로서 사용가능한 머신러닝 모델들(machine-learning models)이 저장된 데이터베이스부; 및 상기 빅데이터 서버부로부터의 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도에 기초하여 상기 제2 예측 AI 모델을 통해 상기 수배전반 장치의 제2 이상징후와 화재 또는 고장 위험도를 예측하는 분석 서버부를 포함할 수 있다.
상기 제2 예측 AI 모델은, 개별 변수 예측 AI 모델과 둘 이상의 변수에 기초한 다변량 예측 AI 모델 중 적어도 하나로 구성되거나 이들을 통합하여 복수의 모델로 구성될 수 있다.
상기 분석 서버부는, 상기 전처리된 감지 데이터에 대하여:
(i) 개별 변수 예측 AI 모델을 통해 개별 화재 또는 고장의 위치에 대한 예측을 수행하는 것;
(ii) 상기 개별 변수 예측 AI 모델과 둘 이상의 변수에 기초한 다변량 예측 AI 모델을 통합 적용하여 화재 또는 고장의 위험도를 예측하는 것; 및
(iii) 상기 다변량 예측 AI 모델을 적용하여 이상징후와 화재 또는 고장 위험도를 예측하고, 상기 예측된 이상징후와 화재 또는 고장 위험도에 기초하여 예지 정비 머신러닝 모델에 입력하여 대응 정비 정책을 도출하는 것;
중 적어도 하나를 수행할 수 있다.
상기 분석 서버는,
(a) 상기 전처리된 감지 데이터에 기초하여, 상기 데이터베이스부에 저장된 모델들 중 적어도 하나를 학습 또는 재학습시키는 것;
(b) 미리정해진 상황이 발생하는 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여, 상기 데이터베이스부에 저장된 모델들 중 적어도 하나를 재학습시켜 수용가/부하 적응형 모델을 생성하는 것; 및
(c) 상기 수배전반 장치의 가동 또는 설비 투입 상황에 맞추어 미리정해진 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여, 상기 데이터부에 저장된 모델들 중 적어도 하나를 반복적으로 재학습시켜서 반복최적화 모델을 생성하는 것
중 적어도 하나를 더 수행할 수 있다.
본 발명의 실시예에 따르면, 수배전반에 대하여 시계열적으로 감지된 환경 데이터 및 전력 데이터에 기초하여 수배전반의 이상징후의 판단, 화재 또는 고장의 위험도 및/또는 위치 등과 같은 예측이 실시간으로 자동적으로 이루어질 수 있어 신뢰성, 사용의 편의성, 안전성을 향상시키고 수배전반 장치의 소형화가 가능할 수 있다.
본 발명의 실시예에 따르면, 수배전반의 이상징후의 판단, 화재 또는 고장의 위험도 및/또는 위치 등과 같은 예측이 실시간으로 자동적으로 이루어짐에 따라 수배전반의 화재 또는 고장 등에 대한 사전 예방 조치가 용이하며, 적절한 시기에 수배전반 내부 전력기기의 교체시점을 확인할 수 있어 내부기기 사용연한 연장 및 최대 성능을 극대화할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일실시예에 따른 이상징후 판단, 화재 또는 고장 예측 기능을 가진 인공지능 기반 수배전반 장치의 개략적인 구조도이다.
도 2는 본 발명의 일실시예에 따른 인공지능 기반 수배전반 장치에서 시계열적으로 감지되는 센싱 데이터들이 처리 및 분석되는 흐름도이다.
도 3은 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템의 개략적인 구조도이다.
도 4는 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 데이터베이스부에 저장된 개별 변수 예측 AI 모델들과 둘 이상의 변수에 기초한 다변량 예측 AI 모델들이 개별적으로 또는 통합하여 이상징후, 화재 및 또는 고장 예측을 수행하는지 나타내는 개략적인 흐름도이다.
도 5은 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 모바일 기기 상에 운용자에게 표시되는 예시적인 UI 화면을 도시한다.
도 6은 본 발명의 일실시예에 따른 인공지능에 기반하여 수배전반 장치의 이상징후, 화재, 또는 고장을 예측하는 방법의 개략적인 흐름도이다.
도 7은 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 이상징후, 화재, 또는 고장이 예측된 후 이를 점검자에게 표출하거나 이에 대응하여 수배전반의 제어를 하는 개략적인 흐름도이다.
도 8은 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 전력제어 및 모니터링 플랫폼 상에 화재/고장 예측 및 전력 모니터링이 수행되는 예시적인 UI 화면을 도시한다.
도 9는 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 전력제어 및 모니터링 플랫폼 상에 이상징후 판단과 화재/고장 위험도 예측이 수행되는 예시적인 UI 화면을 도시한다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 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 명세서에서, "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.
본 발명의 이상징후 판단, 화재 또는 고장 예측 기능을 가진 인공지능 기반 수배전반 장치는 이하의 2가지를 포함할 수 있다. 우선, 수배전반 장치 내부에 이상징후 판단, 화재 또는 고장에 대한 분석 및 예측 프로세싱이 가능하고 상기 수배전반 장치의 복합 화재/고장 감시를 위한 모듈 및 화재/고장 알람 제어 모듈을 포함할 수 있는 독립형 AI 수배전반 장치이며, 별도의 외부 분석 빅데이터 서버를 필요로 하지 않는다. 두번째는 AI 수배전반 장치 내부에서 1차 이상징후 판단, 화재 또는 고장에 대한 예측/분석이 이루어 지고 수배전반 장치에서 감지된 데이터 및/또는 1차 분석/예측 결과를 외부의 빅데이터 서버(예컨대, 인공지능 기반 전력 제어 및 감시 서버)에서 2차 정밀 분석/예측이 이루어 질 수 있도록 구성된 인공지능 기반 감시 및 예측 시스템이다.
그러나, 수배전반 장치는 복합 화재/고장 감시 모듈 만을 수배전만 장치에 설치한 저가형 수배전반 장치로 구성될 수도 있으며, 상기 인공지능 기반 감시 및 예측 시스템에서 수배전반 장치가 저가형 수배전반 장치로 구성되고, 상기 저가형 수배전반 장치의 복합 화재/고장 감시 모듈에 의해 수집된 감지 데이터에 기초하여, 외부에 있는 인공지능 기반 전력 제어 및 감시 서버에서만 이상징후 판단, 화재 또는 고장에 대한 예측/분석이 이루어 질 수도 있다.
이하에서는 도면을 참조하여 본 발명의 실시예들에 대하여 설명한다.
도 1은 본 발명의 일실시예에 따른 이상징후 판단, 화재 또는 고장 예측 기능을 가진 인공지능 기반 수배전반 장치의 개략적인 구조도이며, 도 2는 본 발명의 일실시예에 따른 인공지능 기반 수배전반 장치에서 시계열적으로 감지되는 센싱 데이터들이 처리 및 분석되는 흐름도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 인공지능 기반 수배전반 장치(100)는 하나 이상의 센서부(110), 데이터 수집부(120), 분석 처리부(130), 제어부(140), 통신부(150), 표출부(160)를 포함할 수 있으며, 추가적으로 모델 데이터베이스부(170), 복합 화재/고장 감시부(180), 또는 화재/고장 알람 및 제어부(190)를 더 포함할 수도 있다.
상기 센서부(110)는 상기 수배전반 장치 내에 장착되어 내부의 환경 상태 및 전력 상태를 시계열적으로 감지하여 감지 데이터를 생성하여 상기 데이터 수집부(120)에 전송할 수 있다. 도 2를 참조하면, 내부의 환경 상태를 나타내는 환경 데이터는 예컨대 가스 센서, 불꽃 센서, 온도 센서, 습도 센서, 진동 센서, 회전 센서, 충격 센서 등과 같은 개별 환경 센서 또는 복합 센서(112) 중 적어도 하나에 의해 시계열적으로 감지된 데이터로서, 가스 함량 데이터, 불꽃 센싱 데이터, 온도 데이터, 습도 데이터, 기울기/진동/가속도 데이터, 개방 감지 데이터 중 적어도 하나 이상을 포함할 수 있으며, 수배전반 내부 환경 상태를 나타내는 것이라면 이에 제한되지는 않는다. 전력 상태를 나타내는 전력 데이터는 예컨대 CT 센서와 같은 전류 센서 및/또는 전압 센서(114) 등에 의해 시계열적으로 감지된 데이터로서, 전류 데이터, 전압 데이터, 유효/무효전력 데이터, 역률 데이터, 구동시간 데이터, 누설전류 데이터, 주파수/위상각 데이터, 전류 불평형 데이터, 전압 불평형 데이터, 고조파 데이터, 초음파 데이터 중 적어도 하나 이상을 포함할 수 있으며, 이에 제한되지는 않는다.
본 발명의 일실시예에 따르면, 상기 센서부(110)의 센서들은 IoT 센서들로 구성되어 데이터 수집부(120)에 무선으로 감지 데이터를 전송할 수도 있다.
상기 데이터 수집부(120)는 상기 센서부(110)로부터 상기 시계열적으로 감지된 감지 데이터들을 유선 또는 무선으로 수신하여 수집하고 저장할 수 있다. 상기 데이터 수집부(120)는 상기 수집된 감지 데이터들에 대하여 전처리(필터링, 예외상황 처리, 및 센싱 에러 제거 등) 또는 가상 데이터 증강 생성 등을 위한 디지털 프로세싱을 수행할 수도 있다.
도 2를 참조하면, 본 발명의 일실시예에 따른 수배전반 장치(100)에서 상기 데이터 수집부(120)는 수집 모듈(122) 및 전처리 모듈(124)을 포함할 수 있으며, 추가적으로 가상 센서 모듈(126)을 더 포함할 수 있다. 상기 수집 모듈(122)은 상기 센서부(110)의 적어도 하나의 센서(112, 114)와 유선 또는 무선으로 통신하여 감지 데이터를 수집하여 저장할 수 있다.
상기 전처리 모듈(124)은 상기 감지 데이터에 대해 전처리를 수행할 수 있으며, 수행되는 전처리는 결측치(missing values) 제거 처리와 노이즈(Noise) 제거 처리 중 적어도 하나 이상을 포함할 수 있다. 시계열 데이터는 일반적으로 시작부터 끝까지 일정 시간 간격으로 특정된 시간 순차성(Time step)과 관측값에 시간 차이로 발생되며 현재 관측값들은 이전 관측값들로 표현되는 지연값(Lag)라는 고유한 2가지 특성이 존재하며 관측값이 자기 상관(Auto-Correlation) 또는 계열 상관성(Serial-Correlation)을 지니게 된다. 시계열 데이터를 분석하는 과정에서 시간 흐름에 따라 변동이 크거나 일정하지 않을 경우 비정상성(Non-stationarity)을 지니게 되고 이를 전처리 없이 머신러닝 모델에 학습할 경우 단순 후행 예측, 성능 저하, 잘못된 추론 등의 문제가 야기될 수 있다. 그러므로, 머신러닝 모델을 통한 정확한 예측을 위해서 입력전에 시계열 데이터는 결측치(missing values) 제거 및/또는 노이즈(Noise) 제거 처리를 필요로 한다. 또한, 예컨대, 지도학습 모델의 경우, 시계열 데이터를 예측 대상이 되는 타겟 변수와 예측할 때 사용되는 입력 변수 쌍으로 데이터가 가공되도록 전처리해야 하며, 머신러닝/딥러닝 모델을 안정적으로 학습시키기 위해서는 데이터의 스케일을 통일시키는 전처리 과정이 더 필요할 수도 있다.
상기 데이터 수집부(120)는 가상 감지 데이터를 증강/생성하는 가상 센서 모듈(126)을 더 포함할 수도 있다. 그러한 경우, 상기 전처리 모듈(124)에서 추가적으로, 상기 누적 저장된 감지 데이터에 기초하여, 가장 최근 수신된 감지 데이터에 대하여 상기 수배전반 장치 또는 외부 환경의 이상에 의해 데이터 오류 발생했는지 여부를 분석하는 프로세싱을 수행할 수 있다. 상기 전처리 모듈(124)에서 데이터 오류가 있다고 판단이 이루어지는 경우, 상기 가상 센서 모듈(126)은 상기 데이터 오류가 발생한 시점 전까지 감지된 상기 전처리된 감지 데이터에 기초하여 가상 센서 AI 모델을 통하여 상기 데이터 오류가 발생한 시점의 가상 감지 데이터를 생성하여 상기 수집 모듈(122)에 저장하고 상기 데이터 오류가 발생한 시점에 감지된 데이터 대신에 상기 분석 처리부(130)에 전송할 수 있다. 이는 센서 고장, 센서 통신 오류 등에 의해서 상기 데이터 수집부(120)에 실제와 다른 신호가 들어올 경우에, 전처리 모듈(124)에서 화재 고장 특징이 반영되어 있지 않은 기존 패턴에서 크게 벗어나는 데이터가 들어오면 센서 및 통신 오류를 상정하고, 오류 수정 및 수리 전까지 해당 센서 및 통신 부분을 가상 센서 모듈이 대체하여 필요한 데이터를 증강 생성할 수 있도록 하는 것이다. 상기 가상 센서 AI 모델은 머신러닝 또는 딥러닝 모델일 수 있으며, 임시로 기존 분석된 데이터를 기반으로 가상의 데이터를 증강 생성하는 모델일 수 있다.
상기 분석 처리부(130)는 상기 전처리된 감지 데이터에 기초하여 제1 예측 AI 모델을 통해 상기 수배전반 장치의 제1이상징후와 화재 또는 고장 위험도를 예측하는 예측 모듈(132)을 포함할 수 있다. 상기 예측 모듈(132)은 추가적으로 화재 요인 또는 및/또는 고장 요인을 더 예측할 수도 있다. 화재 요인은 예컨대, 시계열적으로 감지된 데이터를 제1 예측 AI 모델을 통해 아크, 방전, 절연열화 등의 특징을 분석하여 이루어 질 수 있다. 고장 요인은 시계열적으로 감지된 데이터를 제1 예측 AI 모델을 통해 진동, 충격, 온도, 습도, 가스 등의 징후를 분석하여 이루어질 수 있다. 또한, 상기 예측 모듈(132)은 수용가의 부하 특성에 적응시킨 시계열적으로 감지된 데이터를 제1예측 AI 모델을 통해 딥러닝 분석을 수행하여 설비 이상 징후 예측을 수행할 수도 있다.
상기 예측 모듈(132)에서 사용되는 제1 예측 AI 모델은, 머신러닝 또는 딥러닝 모델일 수 있으며, 기존에 존재하는 지도학습 모델, 비지도학습 모델, 강화학습 모델, 시계열 머신러닝 모델 등 다양한 기존의 인공지능(AI) 모델 중 적어도 하나 이상을 사용하여 수배전반의 기존 감지 데이터로 학습시켜 생성될 수 있다. 본 발명의 일실시예에 따르면 제1 예측 AI 모델은 미리 학습된 모델, 수용가/부하 적응형 모델, 및 반복 최적화 모델 중 적어도 하나일 수 있다. 상기 수용가/부하 적응형 모델은 미리정해진 상황이 발생하는 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여, 기존에 미리 학습된 예측 모델들 중 적어도 하나를 재학습시켜 생성할 수 있으며, 상기 반복최적화 모델은 수배전반 장치의 가동 또는 설비 투입 상황에 맞추어 미리정해진 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여, 기존에 미리 학습된 예측 모델들 중 적어도 하나를 반복적으로 재학습시켜서 생성할 수 있다.
제1 예측 AI 모델은 본 발명의 일실시예에 따르면 독립형 수배전반 장치인 경우 수배전반 장치(100) 내부의 모델 데이터베이스부(170)에 저장되어 있을 수도 있고, 본 발명의 다른 실시예에 따르면 외부 서버로부터 학습된 예측 AI 모델을 제공받을 수도 있다. 제1예측 AI 모델은 상기 수배전반 장치(100)의 분석 처리부(130)에서 학습되어 생성될 수도 있고 외부 서버로부터 예측 모델을 기존 감지 학습 데이터에 기초하여 학습되어 생성될 수도 있다. 본 발명의 일실시예에 따르면, 제1예측 AI 모델은 개별 변수에 대한 예측 AI 모델들과 둘 이상의 변수에 기초한 다변량 예측 AI 모델들 중 적어도 하나로 구성되거나 이들을 통합하여 복수의 모델로 구성될 수도 있다.
상기 분석 처리부(130)는, 상기 전처리된 감지 데이터에 기초하여 시계열상의 특이 신호 데이터, 또는 미리정해진 영역 외의 수치 데이터가 발생하는 경우, 예를 들어 딥러닝 시계열 분석 및 이상징후 검출을 통해, 시계열상 트렌드를 분석하여 이상 징후 또는 경보를 상기 표출부로 전송하는 시계열상 분석 모듈(134)을 더 포함할 수도 있다. 상기 시열상 분석 모듈은 시계열 추이 분석, 다양한 이상징후 감지 알고리즘을 쌓아서 기본적인 수배전반 전기 특성에 맞는 모델로 예측하고, 더 정밀한 예측이 필요한 경우, 주기적으로 모델 재 학습/증류를 통해 수용가/부하 특성에 맞는 예측 모델 자동 배포할 수 있다.
상기 분석 처리부(130)는, 상기 모델 데이터베이스부(170) 저장되거나 또는 외부 서버로부터 수신한 제1예측 AI 모델을 학습 또는 재학습시키는 학습 모듈(136)을 더 포함할 수도 있다. 상기 학습 모듈(136)에서 부하 및 수용가 특성에 맞추어, 제1예측 AI 모델을 재학습 또는 모델 증류(업데이트)를 수행함으로서 상기 예측 모듈(132)에서 더욱 정밀한 예측을 수행할 수 있도록 할 수 있다.
상기 제어부(140)는 상기 예측된 이상징후와 화재 또는 고장 위험도에 기초하여 상기 수배전반 장치(100)를 제어할 수 있다. 상기 수배전반 장치(100)의 제어는 예를 들어 수배전반 내부 또는 이와 연결된 특정 전력기기에 대한 차단 제어, 도어의 폐쇄 개방 제어, 환풍기 작동 제어, 양압 장치의 제어, 소화 장치 작동 제어, 항온/항습/제습 장치의 작동 제어 중 적어도 하나 이상을 포함하고, 상기 수燿孚 丘 가능한 LED, LCD, 사운드, 레이저 등의 경고 장치, 또는 디스플레이와 같은 표출부(160) 상에 경보를 표시하거나 경보 사운드의 작동 제어, 통신부(150)를 통해 담당자의 모바일 기기 또는 소방서, 경찰서 등 유관단체에 경보를 전송하기 위한 제어 등을 더 포함할 수 있으며, 이에 제한되지는 않는다.
상기 통신부(150)는 상기 감지 데이터 또는 상기 예측된 이상징후와 화재 또는 고장 위험도를 외부 서버 또는 담당자의 모바일 기기에 전송할 수 있다. 상기 통신부(150)는 수배전반 장치에 대한 이상징후가 판단되거나 화재 또는 고장이 예측되는 경우 소방서, 경찰서 등 유관단체에 경보 또는 화재 또는 고장 관련 정보를 전송할 수도 있다. 상기 통신부(150)는 외부 서버 또는 담당자의 모바일 기기로부터 수배전반 장치에 대한 제어 신호 또는 제어에 필요한 데이터를 수신할 수도 있다.
상기 표출부(160)는 상기 이상징후와 화재 또는 고장 위험도를 디스플레이에 표시하거나 경보 사운드를 통해 통보할 수 있다. 상기 표출부(160)는 조명의 색상 변화를 통해 경보를 표출할 수도 있으며, 표출 방식은 이에 제한되지는 않는다.
상기 모델 데이터베이스부(170)는 제1예측 AI 모델에 사용될 학습된 개별 변수에 대한 예측 AI 모델들, 둘 이상의 변수에 기초한 다변량 예측 AI 모델들 중 적어도 하나 및/또는 이들이 통합된 모델이 저장될 수 있다.
도 3은 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템(10)의 개략적인 구조도이다.
도 3을 참조하면, 상기 감시 및 예측 시스템(10)은, 도 1에서 개시된 바와 같은 본 발명의 일실시예에 따른 수배전반 장치(100)와 유선 또는 무선으로 연결된 전력 제어 및 감시 서버(200)를 포함할 수 있으며, 이들과 무선으로 연결된 모바일 기기(300)를 더 포함할 수 있다. 상기 전력 제어 및 감시 서버(200)는 독립적인 물리적 서버일 수도 있고 클라우드 내의 공간을 일부를 구성하는 클라우드 서버로 이루어질 수도 있다.
상기 전력 제어 및 감시 서버(200)는, 상기 수배전반 장치로부터 상기 전처리된 감지 데이터 또는 제1 이상징후와 화재 또는 고장 위험도를 수신하여 제2 예측 AI 모델을 통해 상기 수배전반 장치(100)의 제2 이상징후와 화재 또는 고장 위험도를 예측하여 그 예측 결과 데이터를 상기 수배전반 장치(100) 또는 모바일 기기(300)에 전송할 수 있다. 본 발명의 일실시예에 따른 전력 제어 및 감시 서버(200)는, 빅데이터 서버부(210), 데이터베이스부(220), 분석 서버부(230)를 포함할 수 있으며, 추가적으로 디스플레이부(240)를 더 포함할 수도 있다. 상기 전력 제어 및 감시 서버(200)는 전력 제어 및 감시 플랫폼(250)의 관리 소프트웨어를 더 포함하여 이를 통해 상기 수배전반 장치(100)의 전력 제어 및 감시를 수행함으로 더 용이하게 수행할 수도 있다.
상기 빅데이터 서버부(210)는 상기 수배전반 장치(100)로부터 수신한 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도를 수집하여 저장할 수 있다.
상기 데이터베이스부(220)는 상기 수배전반 장치에서 사용되는 제1예측 AI 모델 또는 상기 전력 제어 및 감시 서버(220)의 분석 서버부(230)에서 사용되는 제2 예측 AI 모델에 사용가능한 학습된 예측 모델들이 저장될 수 있다. 상기 데이터베이스부(220)는 상기 저장된 예측 모델들의 학습 또는 재학습을 위한 상기 수배전반 장치의 감지된 데이터의 누적 데이터 또는 외부 서버로 공급된 환경 또는 수배전반의 관련 타 데이터들이 저장될 수도 있다. 상기 데이터베이스부(220)에는 제1예측 AI 모델 또는 제2예측 AI 모델에 사용될 학습된 개별 변수에 대한 예측 AI 모델들, 둘 이상의 변수에 기초한 다변량 예측 AI 모델들 중 적어도 하나 및/또는 이들이 통합된 모델이 저장될 수 있다.
상기 분석 서버부(230)는 상기 빅데이터 서버부(220)로부터의 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도에 기초하여 제2 예측 AI 모델을 통해 상기 수배전반 장치(100)의 제2 이상징후와 화재 또는 고장 위험도를 예측할 수 있으며, 이에 대한 원격 정밀 분석을 수행할 수 있다. 제2 예측 AI 모델은, 기존에 존재하는 지도학습 모델, 비지도학습 모델, 강화학습 모델, 시계열 머신러닝 모델 등 다양한 기존의 머신러닝 모델 중 적어도 하나 이상을 사용하여 수배전반의 기존 감지 데이터로 학습시켜 생성될 수 있다. 본 발명의 일실시예에 따르면 제2 예측 AI 모델은 미리 학습된 모델, 수용가/부하 적응형 모델, 및 반복 최적화 모델 중 적어도 하나일 수 있다.
상기 분석 서버부(230)는 제1 예측 AI 모델 및/또는 제2머신러닝 모델에 사용되는 예측 모델들을 상기 수배전반 장치(100)에 대한 기존 감지 데이터 세트 또는 외부 서버로부터 공급된 학습 데이터에 기초하여 학습시킬 수 있으며, 모델의 최적화를 위해 추가적으로 재학습시킬 수도 있다. 도 4를 참조하면, 상기 분석 처리부(230)는 제1예측 AI 모델 또는 제2예측 AI 모델에 대하여, 미리정해진 상황이 발생하는 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여 기존에 미리 학습된 예측 모델들 중 적어도 하나를 재학습시켜 상기 수용가/부하 적응형 모델을 생성할 수 있으며, 상기 수배전반 장치(100)의 가동 또는 설비 투입 상황에 맞추어 미리정해진 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여, 기존에 미리 학습된 예측 모델들 중 적어도 하나를 반복적으로 재학습시켜서 모델 최적화를 위한 반복최적화 모델을 생성할 수도 있다.
본 발명의 일실시예에 따른 감시 및 예측 시스템(10)에서는 수배전반 장치(100)의 분석 처리부(130)에서 수배전반 장치(100)에 대한 이상징후 판단, 화재, 고장에 대한 1차 예측 분석이 이루어 지고, 상기 전력 감시 및 제어 서버(200)에서 수배전반 장치(100)에 대한 이상징후 판단, 화재, 고장에 대한 2차 정밀 예측 분석이 이루어질 수도 있으며, 이 경우 2차 정밀 예측 분석은 수용가 부하적응형 AI 모델에 의한 분석이 이루어질 수도 있다. 그러나, 본 발명의 다른 실시예에 따른 감시 및 예측 시스템(10)에서는 수배전반 장치(100)에서 단순히 감지 및 간략한 분석이 이루어지고 이러한 데이터에 기초하여 상기 전력 감시 및 제어 서버(200)에서 수배전반 장치(100)에 대한 이상징후 판단, 화재, 고장에 대한 정밀 예측 분석이 이루어질 수도 있다.
상기 디스플레이부(240)는 상기 분석 서버부(230)에서 예측된 상기 수배전반 장치(100)에 대한 제2 이상징후와 화재 또는 고장 위험도를 표시할 수 있다 (이하의 도 9참조). 상기 디스플레이부(240)는 상기 수배전반 장치(100)의 전력 상태를 모니터링한 결과를 표시할 수도 있다 (이하의 도 10참조).
그 밖에도 상기 전력 제어 및 감시 서버(200)는 상기 수배전반 장치(100)에 대한 감지 데이터 또는 제2 이상징후와 화재 또는 고장 위험도를 각종 데이터 시각화, 전력 품질/에너지 모니터링, 화재/고장 위험도 표시, 점검 로그, 진달 일정 수립, 상기 예측된 제2이상징후와 화재 또는 고장 위험도에 대응하는 예지 정비 정책 수립, 통계/실시간 트렌트를 분석하여 상기 디스플레이부(240)를 통해 표시할 수 있다.
도 4는 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 데이터베이스부(220)에 저장된 개별 변수 예측 AI 모델들(222)과 둘 이상의 변수에 기초한 다변량 예측 AI 모델들(224)이 개별적으로 또는 통합하여 이상징후, 화재 및 또는 고장 예측을 수행하는지 나타내는 개략적인 흐름도이다.
도 4를 참조하면, 상기 데이터베이스부(220)는 상기 분석 처리부(130)에서 사용되는 제1예측 AI 모델 또는 상기 분석 서버부(230)에서 사용되는 제2예측 AI 모델로서 사용될 학습된 개별 변수에 대한 예측 AI 모델들 (222), 둘 이상의 변수에 기초한 다변량 예측 AI 모델들 (224) 중 적어도 하나 및/또는 이들이 통합된 모델이 저장될 수 있다.
본 발명의 일실시예에 따르면, 개별 변수에 대한 예측 AI 모델(222)은 예컨대, 개별 이상징후 검출 모델(Anomaly detection) (설비 이상징후를 감지하거나 전기 품질 이상 징후를 감지), 직렬/병렬 아크(화재요인) 예측 모델, 접촉저항 증가(화재/고장 요인) 예측 모델, 절연열화 (화재/고장 요인) 예측 모델, 부분방전 (화재요인) 예측 모델, 전력품질 예측 모델, 가스/불꽃 예측 모델, 충격(고장 요인)/지진 예측 모델, 고온/과열/침수 예측 모델 중 적어도 하나 이상을 포함할 수 있으나, 이에 제한되는 것은 아니다. 또한, 본 발명의 일실시예에 따르면, 다변량 예측 AI 모델(224)은 복합 화재 예측 모델, 복합 고장 예측 모델, 복합 전력 품질 예측 모델, 에너지/부하 예측 모델, 예지정비 모델 중 적어도 하나 이상을 포함할 수 있으나, 이에 제한되는 것은 아니다.
도 3를 다시 참조하면, 상기 감시 및 예측 시스템(10)은, 상기 수배전반 장치(100)의 점검 또는 제어를 담당하는 담당자의 모바일 기기(300)를 더 포함할 수 있다. 상기 모바일 기기(300)는 상기 수배전반 장치(100)의 분석 처리부(130)에서 예측된 제1이상징후와 화재 또는 고장 위험도, 또는 상기 전력 제어 및 감시 서버(200)의 분석 서버부(230)에서 예측된 제2 이상징후와 화재 또는 고장 위험도를 표시할 수 있으며, 이러한 예측 정보에 기초하여 사용자로부터 제어 정보를 입력받아 상기 수배전반 장치(100)에 전송할 수 있다. 상기 모바일 기기(300)는 수배전반 장치(100)의 시계열적으로 감지된 데이터에 대한 통계/실시간 트렌드를 제공할 수 있으며, 점검 로그를 수행하거나 AR 인식 디지털 트윈을 수행할 수도 있다.
도 5는 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템(10)에서 모바일 기기(300) 상에 담당자에게 표시될 수 있는 예시적인 UI 화면을 도시한다.
도 6은 본 발명의 일실시예에 따른 인공지능에 기반하여 수배전반 장치의 이상징후, 화재, 또는 고장을 예측하는 방법의 개략적인 흐름도이다.
도 1 및 도 6을 참조하면, 본 발명의 일실시예에 따라 인공지능 기반으로 수배전반 장치(100)의 이상징후, 화재 또는 고장을 예측하는 방법은, 상기 수배전반 장치에 장착된 센서부(110)에 의해 상기 수배전반 장치의 내부 환경 상태 및 전력 상태를 시계열적으로 감지한 감지 데이터를 생성하는 단계(S610); 상기 센서부(110)로부터 상기 시계열적으로 감지된 감지 데이터들을 수집하는 단계(S620); 상기 수집된 감지 데이터에 대해 전처리를 수행하는 단계(S630); 상기 전처리된 감지 데이터에 기초하여 제1 예측 AI 모델을 통해 상기 수배전반 장치(100)의 제1이상징후와 화재 또는 고장 위험도를 예측하는 단계(S640); 및 상기 이상징후와 화재 또는 고장 위험도를 디스플레이에 표시하거나 경보 사운드를 통해 통보하는 단계(S650); 및 상기 예측된 이상징후와 화재 또는 고장 위험도에 기초하여 상기 수배전반 장치(100)를 제어하는 단계(S660)를 포함할 수 있다.
상기 내부의 환경 상태를 나타내는 환경 데이터는 예컨대 가스 센서, 불꽃 센서, 온도 센서, 습도 센서, 진동 센서, 회전 센서, 충격 센서 등과 같은 개별 환경 센서 또는 복합 센서(112) 중 적어도 하나에 의해 시계열적으로 감지된 데이터로서, 가스 함량 데이터, 불꽃 센싱 데이터, 온도 데이터, 습도 데이터, 기울기/진동/가속도 데이터, 개방 감지 데이터 중 적어도 하나 이상을 포함할 수 있으며, 수배전반 내부 환경 상태를 나타내는 것이라면 이에 제한되지는 않는다. 전력 상태를 나타내는 전력 데이터는 예컨대 CT 센서와 같은 전류 센서 및/또는 전압 센서(114) 등에 의해 시계열적으로 감지된 데이터로서, 전류 데이터, 전압 데이터, 유효/무효전력 데이터, 역률 데이터, 구동시간 데이터, 누설전류 데이터, 주파수/위상각 데이터, 전류 불평형 데이터, 전압 불평형 데이터, 고조파 데이터, 초음파 데이터 중 적어도 하나 이상을 포함할 수 있으며, 이에 제한되지는 않는다. 상기 전처리 수행 단계에서 상기 전처리는 결측치(missing values) 제거 처리와 노이즈(Noise) 제거 처리 중 적어도 하나 이상을 포함할 수 있다.
상기 방법은, 상기 데이터 수집부(120)에 누적된 감지 데이터에 기초하여, 가장 최근 수신된 감지 데이터에 대하여 상기 수배전반 장치(100) 또는 외부 환경의 이상에 의해 데이터 오류 발생했는지 여부를 분석하고, 데이터 오류가 있다고 판단되는 경우 상기 데이터 오류가 발생한 시점 전까지 감지된 상기 전처리된 감지 데이터에 기초하여 가상 센서 머신러닝 모델을 통하여 상기 데이터 오류가 발생한 시점의 가상 감지 데이터를 생성하여 상기 분석 처리부에 전송하는 단계를 더 포함할 수 있다.
상기 방법은, 상기 전처리된 감지 데이터에 기초하여 시계열상의 특이 신호 데이터, 또는 미리정해진 영역 외의 수치 데이터가 발생하는 경우 시계열상 트렌드를 분석하여 이상 징후 또는 경보를 상기 표출부로 전송하는 단계를 더 포함할 수 있다.
본 발명의 다른 실시예에 따른 인공지능 기반으로 수배전반 장치(100)의 이상징후, 화재 또는 고장을 예측하는 방법은, 도 6에 따른 방법의 단계들에 부가하여, 상기 감지 데이터 또는 상기 예측된 이상징후와 화재 또는 고장 위험도를 전력 제어 및 감시 서버(200) 또는 담당자의 모바일 기기(300)에 전송하는 단계; 상기 전력 제어 감시 서버(200)에서 수배전반 장치(100)로부터 수신한 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도를 수집하는 단계; 상기 전력 제어 감시 서버(200)에 의해 상기 수배전반 장치로부터 상기 전처리된 감지 데이터 또는 제1 이상징후와 화재 또는 고장 위험도를 수신하여 제2 예측 AI 모델을 통해 상기 수배전반 장치(100)의 제2 이상징후와 화재 또는 고장 위험도를 예측하는 단계; 및 상기 예측된 제2 이상징후와 화재 또는 고장 위험도를 상기 수배전반 장치(100) 및/또는 담당자의 모바일 기기(300)로 전송하는 단계를 포함할 수 있다. 또한, 상기 방법은, 추가적으로 상기 분석 서버부(230)에서 예측된 상기 수배전반 장치(100)에 대한 제2 이상징후와 화재 또는 고장 위험도를 디스플레이부(240)에 표시하는 단계를 더 포함할 수 있다.
제2 예측 AI 모델은, 기존에 존재하는 지도학습 모델, 비지도학습 모델, 강화학습 모델, 시계열 머신러닝 모델 등 다양한 기존의 머신러닝 모델 중 적어도 하나 이상을 사용하여 수배전반의 기존 감지 데이터로 학습시켜 생성될 수 있다. 본 발명의 일실시예에 따르면 제2 예측 AI 모델은 미리 학습된 모델, 수용가/부하 적응형 모델, 및 반복 최적화 모델 중 적어도 하나일 수 있다.
본 발명의 또다른 실시예에 따른 인공지능 기반으로 수배전반 장치(100)의 이상징후, 화재 또는 고장을 예측하는 방법은, 상기 전력 제어 및 감시 서버(200)에 의해 상기 예측된 제2 이상징후와 화재 또는 고장 위험도를 상기 수배전반 장치(100) 및/또는 담당자의 모바일 기기(300)로 전송하는 단계 이후에, 상기 모바일 기기(300)가 상기 수배전반 장치(100)의 분석 처리부(130)에서 예측된 제1이상징후와 화재 또는 고장 위험도 또는 제2 이상징후와 화재 또는 고장 위험도에 관한 정보에 기초하여 상기 수배전반 장치(100)에 대한 제어 정보를 상기 수배전반 장치(100)에 전송하는 단계를 더 포함할 수 있다.
이와 같은 방법에 따르면, 이상징후, 화재 또는 고장 예지 분석을 통해 효과적인 점검 전략 수립, 최적 점검 일정 수립이 가능하게 되며, 도어 감지 센서/충전 센서를 통해 작업자의 안전과 점검 로그 분석도 가능하게 된다. 또한, 고장 이외에도 환경 센싱을 통해 지진 또는 충격 감지를 수행할 수 있어서, 예컨대 전력 설비 같은 경우 빠른 대처로 무정전 및 정전 전략을 최소화 할 수 있다.
도 7은 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템(10)에서 이상징후, 화재, 또는 고장이 예측된 후 이를 점검자에게 표출하거나 이에 대응하여 수배전반의 제어를 하는 개략적인 흐름도이다.
도 7을 참조하면, 본 발명의 일실시예에 따른 수배전반 장치(100)의 분석 처리부(130)에서 예측된 이상징후, 화재 또는 고장에 대한 위험도 관련 예측 정보는 수배전반 장치(100) 내부의 제어부(140)에 전달되어 수배전반 장치(100)의 환경조건 또는 전력을 제어하도록 하거나 표출부(160)에 표시 또는 알람이 이루어질 수 있도록 할 수 있으며, 이 때 표출부(160)는 상기 예측 정보에 기초하여 화재 위험도, 고장 위험도, 정비/진단 일정, 전력 품질 정보, 에너지 모니터링 정보를 포함하는 정보 중 적어도 하나 이상을 표시할 수 있다.
상기 예측 정보는 수배전반 장치(100)에 추가적으로 포함될 수 있는 화재/고장 알람 및 제어부(190)에 더 전달될 수도 있다. 상기 화재/고장 알람 및 제어부(190)는 상기 전달받은 예측 정보에 기초하여 차단 제어 신호, 도어 제어 신호, 환풍기 제어 신호, 양압 장치 제어 신호, 소화 장치 제어 신호, 디스플레이/사운드 알람 제어 신호, 소방서 또는 경찰서 등 유관단체에 대한 알람을 생성하여 상대적으로 숙련되지 않은 점검자라 하더라도 상기 예측 정보에 대하여 적절한 사전 예방 조치를 수행할 수 있도록 제어할 수 있다.
또한, 상기 분석 처리부(130)에서 생성된 상기 예측 정보는 통신부(150)를 통해 외부의 전력 제어 및 감시 서버(200) 또는 해당 업무 담당자의 모바일 기기(300)로 전송될 수도 있다.
도 8은 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 전력제어 및 감시 플랫폼 상에 화재/고장 예측 및 전력 모니터링이 수행되는 예시적인 UI 화면을 도시하고, 도 9는 본 발명의 일실시예에 따른 인공지능에 기반한 수배전반 장치에 대한 감시 및 예측 시스템에서 전력제어 및 모니터링 플랫폼 상에 이상징후 판단과 화재/고장 위험도 예측이 수행되는 예시적인 사용자 인터페이스(User Interface: UI) 화면을 도시한다.
도 9는 본 발명의 일실시예에 따른 전력제어 및 감시 플랫폼 상에서 특정 수배전반 장치(100)에 대하여 UI 화면 상에서 상단 항목 중 ”AI 예측” 버튼을 클릭하면 나타나는 예시적인 화면이며, 도 10은 상단의 항목 중 “모니터링” 항목을 클릭하면 나타나는 예시적인 화면이다. 그러나 표시되는 UI 화면들은 이러한 형태로 제한되는 것은 아니다.
도 1 및 2의 인공지능 기반 수배전반 장치(100) 또는 도 3의 감시 및 예측 시스템(10)에 적용된 기술은, 수배전반 장치(100) 뿐 아니라 인공지능 기반 태양광 접속반 장치 또는 인공지능 기반 전기차 충전 시스템에 대한 이상징후 판단, 화재 또는 고장의 감시 및 예측 시스템에도 적용될 수 있다.
이상에서 설명된 수배전반 장치에 대한 감시 및 예측 시스템, 또는 감시 및 예측 방법은 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합, 또는 클라우드 서버를 포함하여 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템, 장치, 방법 및 구성 요소는, 예를 들어, 프로세서, 콘트롤러, 중앙 처리 장치(Central Processing Unit; CPU), 그래픽 프로세싱 유닛(Graphics Processing Unit; GPU), ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 주문형 집적 회로(Application Specific Integrated Circuits; ASICS), 서버, 또는 명령(instruction)을 실행하고 응답할 수 있는 기타 다른 어떠한 컴퓨팅 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.
본 발명의 실시예에 따른 수배전반 장치에 대한 감시 및 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 비일시적인 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 비일시적인 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 상기 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 비록 한정된 도면에 의해 실시예들이 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성 요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (12)
- 인공지능 기반 수배전반 장치로서,상기 수배전반 장치 내에 장착되어 내부 환경 상태 및 전력 상태를 시계열적으로 감지하여 감지 데이터를 생성하는 센서부;상기 센서부로부터 상기 감지 데이터를 수집하고 상기 감지 데이터에 대해 전처리를 수행하는 데이터 수집부;상기 전처리된 감지 데이터에 기초하여 제1 예측 AI 모델을 통해 상기 수배전반 장치의 제1이상징후와 화재 또는 고장 위험도를 예측하는, 분석 처리부;상기 예측된 이상징후와 화재 또는 고장 위험도에 기초하여 상기 수배전반 장치를 제어하는 제어부;상기 감지 데이터 또는 상기 예측된 이상징후와 화재 또는 고장 위험도를 외부 서버 또는 모바일 기기에 전송하는 통신부; 및상기 이상징후와 화재 또는 고장 위험도를 표시 또는 통보하는 표출부를 포함하는, 장치.
- 제1항에 있어서,상기 내부 환경 상태에 대한 감지 데이터는 기체 함량 데이터, 불꽃 센싱 데이터, 온도 데이터, 습도 데이터, 기울기 데이터, 진동 데이터, 가속도 데이터, 개방감지 데이터 중 적어도 하나 이상을 포함하고,상기 전력 상태에 대한 감지 데이터는 전류 데이터, 전압 데이터, 유효/무효 전력 데이터, 역률 데이터, 구동시간 데이터, 주파수/위상각 데이터, 고조파 데이터, 초음파 데이터 중 적어도 하나 이상을 포함하는, 장치.
- 제1항에 있어서,상기 전처리는 결측치(missing values) 제거 처리와 노이즈(Noise) 제거 처리 중 적어도 하나 이상을 포함하는, 장치.
- 제1항에 있어서,상기 데이터 수집부는,상기 데이터 수집부로부터의 누적된 감지 데이터에 기초하여, 가장 최근 수신된 감지 데이터에 대하여 상기 수배전반 장치 이상에 의해 데이터 오류가 있는지 여부를 분석하고, 데이터 오류가 있다고 판단되는 경우 상기 데이터 오류가 발생한 시점 전까지 감지된 상기 전처리된 감지 데이터에 기초하여 가상 센서 AI 모델을 통하여 상기 데이터 오류가 발생한 시점의 가상 감지 데이터를 생성하여 상기 분석 처리부에 전송하는, 가상 센서 모듈을 더 포함하는, 장치.
- 제1항에 있어서,상기 분석 처리부는,상기 전처리된 감지 데이터에 기초하여 시계열상의 특이 신호 데이터, 또는 미리정해진 영역 외의 수치 데이터가 발생하는 경우 시계열상 트렌드를 분석하여 이상 징후 또는 경보를 상기 표출부로 전송하는 시계열상 분석 모듈을 더 포함하는, 장치.
- 제1항에 있어서,상기 제1 예측 머신 AI 모델은, 미리 학습된 모델, 수용가/부하 적응형 모델, 및 반복 최적화 모델 중 적어도 하나인 것인, 장치.
- 수배전반 장치에 대한 감시 및 예측 시스템으로서,제1항에 따른 인공지능 기반의 수배전반 장치; 및상기 수배전반 장치로부터 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도를 수신하여 제2 예측 AI 모델을 통해 상기 수배전반 장치의 제2 이상징후와 화재 또는 고장 위험도를 예측하여 상기 수배전반 장치에 전송하는, 전력 제어 및 감시 서버를 포함하는, 시스템.
- 제7항에 있어서,상기 수배전반 장치의 제2 이상징후와 화재 또는 고장 위험도를 수신하여 표시하고, 그에 기초한 제어 정보를 사용자로부터 입력받으며, 상기 입력된 제어 정보를 상기 수배전반 장치에 전송하는, 모바일 기기를 더 포함하는, 시스템.
- 제7항에 있어서,상기 전력 제어 및 감시 서버는,상기 수배전반 장치로부터 수신한 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도를 수신하여 저장하는 빅데이터 서버부;상기 제1예측 AI 모델 또는 제2 예측 AI 모델로서 사용가능한 머신러닝 모델들(machine-learning models)이 저장된 데이터베이스부; 및상기 빅데이터 서버부로부터의 상기 전처리된 감지 데이터 또는 상기 제1 이상징후와 화재 또는 고장 위험도에 기초하여 상기 제2 예측 AI 모델을 통해 상기 수배전반 장치의 제2 이상징후와 화재 또는 고장 위험도를 예측하는 분석 서버부를 포함하는, 시스템.
- 제7항에 있어서,상기 제2 예측 AI 모델은, 개별 변수 예측 AI 모델과 둘 이상의 변수에 기초한 다변량 예측 AI 모델 중 적어도 하나로 구성되거나 이들을 통합하여 복수의 모델로 구성되는, 시스템.
- 제9항에 있어서,상기 분석 서버부는, 상기 전처리된 감지 데이터에 대하여:(i) 개별 변수 예측 AI 모델을 통해 개별 화재 또는 고장의 위치에 대한 예측을 수행하는 것;(ii) 상기 개별 변수 예측 AI 모델과 둘 이상의 변수에 기초한 다변량 예측 AI 모델을 통합 적용하여 화재 또는 고장의 위험도를 예측하는 것; 및(iii) 상기 다변량 예측 AI 모델을 적용하여 이상징후와 화재 또는 고장 위험도를 예측하고, 상기 예측된 이상징후와 화재 또는 고장 위험도에 기초하여 예지 정비 모델에 입력하여 대응 정비 정책을 도출하는 것;중 적어도 하나를 수행하는, 장치.
- 제9항에 있어서,상기 분석 서버는,(a) 상기 전처리된 감지 데이터에 기초하여, 상기 데이터베이스부에 저장된 모델들 중 적어도 하나를 학습 또는 재학습시키는 것;(b) 미리정해진 상황이 발생하는 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여, 상기 데이터베이스부에 저장된 모델들 중 적어도 하나를 재학습시켜 수용가/부하 적응형 모델을 생성하는 것; 및(c) 상기 수배전반 장치의 가동 또는 설비 투입 상황에 맞추어 미리정해진 기간 동안에 생성된 상기 전처리된 감지 데이터에 기초하여, 상기 데이터부에 저장된 모델들 중 적어도 하나를 반복적으로 재학습시켜서 반복최적화 모델을 생성하는 것중 적어도 하나를 더 수행하는, 장치.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2023-0056644 | 2023-04-28 | ||
KR1020230056644A KR102671873B1 (ko) | 2023-04-28 | 2023-04-28 | 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024225811A1 true WO2024225811A1 (ko) | 2024-10-31 |
Family
ID=91470908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2024/005678 WO2024225811A1 (ko) | 2023-04-28 | 2024-04-26 | 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102671873B1 (ko) |
WO (1) | WO2024225811A1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118491019B (zh) * | 2024-07-18 | 2024-10-11 | 北斗联合(浙江)安全科技有限公司 | 充电站消防灭火系统及优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013518543A (ja) * | 2010-01-25 | 2013-05-20 | アクララ パワー−ライン システムズ インコーポレイテッド | 配電システム用の過渡検出器及び誤分類器 |
KR102154854B1 (ko) * | 2020-02-11 | 2020-09-10 | 세종전기공업 주식회사 | 빅데이터와 인공지능을 활용한 수배전반 감시 시스템 |
US20210262689A1 (en) * | 2018-06-15 | 2021-08-26 | Johnson Controls Technology Company | Cost savings from fault prediction and diagnosis |
KR102410754B1 (ko) * | 2022-04-19 | 2022-06-22 | 주식회사 대연 | 인공지능에 기반하여 화재발생을 예측할 수 있는 IoT기반 수배전반 화재예방시스템 |
KR20220165906A (ko) * | 2021-06-09 | 2022-12-16 | 주식회사 탐라계전 | 수배전반 원격감시 및 고장예보 관리 시스템 |
KR102507187B1 (ko) * | 2022-06-28 | 2023-03-09 | 탑인더스트리(주) | 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법 |
-
2023
- 2023-04-28 KR KR1020230056644A patent/KR102671873B1/ko active IP Right Grant
-
2024
- 2024-04-26 WO PCT/KR2024/005678 patent/WO2024225811A1/ko unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013518543A (ja) * | 2010-01-25 | 2013-05-20 | アクララ パワー−ライン システムズ インコーポレイテッド | 配電システム用の過渡検出器及び誤分類器 |
US20210262689A1 (en) * | 2018-06-15 | 2021-08-26 | Johnson Controls Technology Company | Cost savings from fault prediction and diagnosis |
KR102154854B1 (ko) * | 2020-02-11 | 2020-09-10 | 세종전기공업 주식회사 | 빅데이터와 인공지능을 활용한 수배전반 감시 시스템 |
KR20220165906A (ko) * | 2021-06-09 | 2022-12-16 | 주식회사 탐라계전 | 수배전반 원격감시 및 고장예보 관리 시스템 |
KR102410754B1 (ko) * | 2022-04-19 | 2022-06-22 | 주식회사 대연 | 인공지능에 기반하여 화재발생을 예측할 수 있는 IoT기반 수배전반 화재예방시스템 |
KR102507187B1 (ko) * | 2022-06-28 | 2023-03-09 | 탑인더스트리(주) | 인공지능을 이용한 이상동작 검출 기능을 갖는 배전반 및 이의 동작 제어 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR102671873B1 (ko) | 2024-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102145266B1 (ko) | 전력계통 모니터링 시스템 및 그 방법 | |
KR102154854B1 (ko) | 빅데이터와 인공지능을 활용한 수배전반 감시 시스템 | |
KR20220165906A (ko) | 수배전반 원격감시 및 고장예보 관리 시스템 | |
WO2024225811A1 (ko) | 이상징후, 화재, 및 고장 예측 기능을 가진 인공지능 기반 수배전반 장치 | |
WO2010047542A2 (ko) | Fpga를 이용한 발전소 보호 시스템 및 보호 방법 | |
WO2021045576A1 (ko) | 가스 센서를 이용한 배터리 보호 장치 및 방법 | |
WO2020138623A1 (ko) | 배전반 감시 시스템 및 그것의 동작방법 | |
CN103377110A (zh) | 在状况监视中使用的方法和系统 | |
KR100820923B1 (ko) | Iec61850 기반의 변전소 자동화 시스템에서 온라인ied 결함 검출 장치 및 방법 | |
KR20190051225A (ko) | 통합 센싱모듈을 이용한 지능형 배전반 관리시스템 | |
KR20200140963A (ko) | 지능형 안전관리가 가능한 태양광 접속반 | |
WO2022102812A1 (ko) | Ess 화재 예방 시스템 및 그 방법 | |
WO2021172723A1 (ko) | 원전의 지능형 상태감시 방법 및 시스템 | |
WO2021086002A1 (ko) | 재난 안전형 스마트 수배전반 관리시스템 | |
KR20180024673A (ko) | 태양광발전 채널별 감시장치 | |
CN114268167A (zh) | 基于数字孪生技术的变电站系统 | |
KR102212765B1 (ko) | 음성인식 양방향 인공지능 배전반, 전동기제어반, 분전반 및 태양광 발전용 접속함 | |
WO2013024924A1 (ko) | 배전계통 고장구간 검출 장치 및 방법 | |
KR20230105547A (ko) | 전력설비 이상징후 감지 시스템 및 감지 방법 | |
KR20220133048A (ko) | 전력기기 자가진단 시스템 및 방법 | |
WO2024071608A1 (ko) | 방폭 진단을 위한 안전검사 솔루션 | |
CN117799498A (zh) | 一种用于防爆蓄电池电机车的综合保护系统 | |
WO2022103071A1 (ko) | 외장형 ess 데이터 통합기록 장치 및 통합 관제/위험분석 서버 | |
WO2018124570A1 (ko) | 변전소의 자산 관리 방법 | |
CN116625514A (zh) | 电气设备中无线测温装置的故障趋势预判和告警使用方法 |