Nothing Special   »   [go: up one dir, main page]

KR102672635B1 - ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템 - Google Patents

ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템 Download PDF

Info

Publication number
KR102672635B1
KR102672635B1 KR1020240027879A KR20240027879A KR102672635B1 KR 102672635 B1 KR102672635 B1 KR 102672635B1 KR 1020240027879 A KR1020240027879 A KR 1020240027879A KR 20240027879 A KR20240027879 A KR 20240027879A KR 102672635 B1 KR102672635 B1 KR 102672635B1
Authority
KR
South Korea
Prior art keywords
data
power
temperature
line
convlstm
Prior art date
Application number
KR1020240027879A
Other languages
English (en)
Inventor
이미정
Original Assignee
(주)영의
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)영의 filed Critical (주)영의
Priority to KR1020240027879A priority Critical patent/KR102672635B1/ko
Application granted granted Critical
Publication of KR102672635B1 publication Critical patent/KR102672635B1/ko

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08Locating faults in cables, transmission lines, or networks
    • G01R31/081Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01KMEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02Means for indicating or recording specially adapted for thermometers
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08Locating faults in cables, transmission lines, or networks
    • G01R31/081Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • G06N3/0442Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • G06N3/0455Auto-encoder networks; Encoder-decoder networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G08SIGNALLING
    • G08CTRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • GPHYSICS
    • G08SIGNALLING
    • G08CTRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C19/00Electric signal transmission systems
    • G08C19/02Electric signal transmission systems in which the signal transmitted is magnitude of current or voltage
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16YINFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00Economic sectors
    • G16Y10/35Utilities, e.g. electricity, gas or water
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16YINFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00IoT characterised by the purpose of the information processing
    • G16Y40/10Detection; Monitoring
    • Z01A10/00

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Laying Of Electric Cables Or Lines Outside (AREA)

Abstract

본 발명은 ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템에 관한 것이다. 보다 상세하게로는, 지하 전력구에 여러 회선의 전력케이블이 포설된 지중 배전선로에서 각 회선의 전력케이블 모두의 전 구간에서 발생하는 발열을 탐지하면서, 각 회선의 전력케이블 각각에서 수집되는 케이블별 및 구간별 발열 정보를 포함하는 빅데이터를 딥러닝 모델로 분석하여 향후의 발열 온도변화를 예측하고 예측된 변화가 비정상적인 이상치가 될 것인지를 탐지하며, 이를 통하여 전력케이블의 손상이나 화재 발생 등의 재난을 사전에 예방할 수 있도록 하는 배전선로 감시 시스템에 관한 것이다. 본 발명에는 전력구에 설치된 각 회선의 전력케이블 각각에 구간별로 발열 상태를 감지할 수 있는 IoT센서 모듈을 포함하며, IoT센서 모듈이 전력케이블의 각 회선에서 각각의 구간마다 발열 데이터를 수집하여 분석서버에 전송하고, 분석서버는 분석서버는 수집된 빅데이터에 대하여 ConvLSTM 딥러닝 모델로 분석하여 구간별, 회선별로 예상되는 향후 온도변화를 실시간으로 예측하고, 예측결과를 AutoEncoder 모델로 압축 및 복원하여 비정상적인 이상치에 해당하는지를 판단할 수 있기 때문에 지하 배전선로의 이상 발열 상황을 사전에 탐지할 수 있고 이를 통하여 지하 배전선로에서 발생할 수 있는 재난 및 사고 징후를 미리 파악하여 재난이나 사고를 미연에 방지할 수 있게 된다.

Description

ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템{(System for anomaly detection in underground power distribution line using ConvLSTM and AutoEncoder model}
본 발명은 ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템에 관한 것이다. 보다 상세하게로는, 지하 전력구에 여러 회선의 전력케이블이 포설된 지중 배전선로에서 각 회선의 전력케이블 모두의 전 구간에서 발생하는 발열을 탐지하면서, 각 회선의 전력케이블 각각에서 수집되는 케이블별 및 구간별 발열 정보를 포함하는 빅데이터를 딥러닝 모델로 분석하여 향후의 발열 온도변화를 예측하고 예측된 변화가 비정상적인 이상치가 될 것인지를 탐지하며, 이를 통하여 전력케이블의 손상이나 화재 발생 등의 재난을 사전에 예방할 수 있도록 하는 배전선로 감시 시스템에 관한 것이다. 본 발명에는 전력구에 설치된 각 회선의 전력케이블 각각에 구간별로 발열 상태를 감지할 수 있는 IoT센서 모듈을 포함하며, IoT센서 모듈이 전력케이블의 각 회선에서 각각의 구간마다 발열 데이터를 수집하여 분석서버에 전송하고, 분석서버는 수집된 빅데이터에 대하여 ConvLSTM 딥러닝 모델로 분석하여 구간별, 회선별로 예상되는 향후 온도변화를 실시간으로 예측하고, 예측결과를 AutoEncoder 모델로 압축 및 복원하여 비정상적인 이상치에 해당하는지를 판단할 수 있기 때문에 지하 배전선로의 이상 발열 상황을 사전에 탐지할 수 있고 이를 통하여 지하 배전선로에서 발생할 수 있는 재난 및 사고 징후를 미리 파악하여 재난이나 사고를 미연에 방지할 수 있게 된다.
아파트, 상가, 사무실 등 주거 및 상업 시설의 도시 밀집화에 따라 도심지 내 전력선로, 통신선로, 가스공급 라인 및 지역난방 배관라인 등 각종 도시기반 인프라 시설이 지중화되어 지하시설로 되고 있다. 이러한 지하시설들은 지하 전력구(電力溝), 통신구 또는 공동구(共同溝)라는 도시기반 시설에 집약되어 설치되는 경우가 많다, 그중 지하 전력구는 송전 또는 배전용 전력케이블이 다수로 설치되는 전력시설 전용 암거이다. 지하 전력구나 공동구는 고압, 고열 등의 위험이 내재해 있는 고위험 환경인 반면, 공동구나 전력구가 손상되면 그 지역의 인프라가 마비되기 때문에 정전, 통신두절, 단수 등의 불편함을 광범위하게 겪게 된다. 따라서 공동구나 전력구는 국가 중요시설로 지정되어 있으며 내화재 구조 등을 사용하는 등 방화 대책이 수립되어 있다.
그러나 공동구나 전력구 내부는 좁고 폐쇄적이기 때문에 화재가 발생하면 연기가 순식간에 가득 차고, 진압이 어려워진다. 따라서 전력구나 공동구 내에서 문제 발생 시 진압이나 해결 등의 조치를 위하여 작업자의 현장 방문이 불가피해지는 반면, 지하 공간 내에서 발생한 문제이기 때문에 현장의 위치를 작업자가 육안으로 찾아서 식별하기 어렵고, 현장의 상태정보를 정확히 확인하고 판단하기에 현실적으로 어려움이 있다. 그러므로 전력구나 공동구에는 여러 위험 요인들을 사전에 찾아내고 모니터링할 수 있는 감시시스템이 구비되어야 하며, 이에 따라 화재 등의 재난 발생을 감지할 수 있는 cctv 영상카메라나 열화상 카메라나 센서 등 각종 감시 장비와 스프링클러 등과 같은 진압설비들이 설치된다.
그러나, 종래의 감시장비나 감시시스템들은 고가의 영상카메라나 열화상카메라 등을 이용하는 첨단의 장비임에도, 실제 재난이 발생한 이후에만 재난 발생을 파악할 수 있을 뿐만 아니라, 재난 발생 시에도 정확한 발생 위치를 찾아내어 진압하는 것이 어렵다는 문제가 있다. 이에 따라 순찰 인력 또는 업무 담당자가 정기적으로 직접 현장으로 이동하여 육안으로 점검하고 확인해야 하는 문제점을 여전히 가지고 있다. 그러나 전력구나 공동구는 비좁고 길게 형성되어 있어 사람이 걸어 다니면서 일일이 육안으로 확인하기에는 한계가 있을 뿐만 아니라 상당한 시간이 필요하며, 화재가 발생한 상태에서의 점검은 연기에 의한 질식 등 점검자의 안전에 위험이 있기 때문에 현실적으로 불가능하다.
한편 지중 배전선로가 포설되는 지하 전력구에는 양쪽에 배치된 행거를 따라서 다수 회선의 전력케이블이 포설되어 있고, 각 회선의 전력케이블에는 고전압이 인가되고 대용량의 전류가 흐르고 있으며, 과부하로 인한 과전류, 부하 측 단락, 케이블 표면 열화 또는 접속 부분 불량 등이 발생하면 흐르는 전류나 누설전류 등으로 인하여 전력케이블에 상당한 발열이 발생하게 된다. 그리고 이러한 발열이 장시간 지속되어 누적되거나 심한 과열이 일시적으로 발생하는 경우에는 화재로 연결되는 문제도 있게 된다. 반면에 지중 배전선로의 전력구는 대부분 도심지 내에 설치되어 있어 지중 배전선로의 전력구에서 화재가 발생하면 도시 전체의 위험으로 발전할 가능성이 있기 때문에 화재 발생 시 신속한 진압을 하는 것도 중요하지만 화재 발생의 조짐을 사전에 찾아내어 선제적 조치를 하는 것이 바람직하다. 참고로 본 발명에서 전력케이블의 ‘회선’이라 함은 단상 또는 3상 전력을 공급하는 케이블들로 구성된 한 조의 선로를 말하며, 2선(단상), 3선(3상 3선식) 또는 4선(3상 4선식)으로 된 각각의 케이블이 하나의 행거 위에 같이 포설되거나 2선(단상), 3선(3상 3선식) 또는 4선(3상 4선식)이 모두 하나의 케이블 안에 수납되어 포설된 단상테이블 또는 3상케이블인 경우도 있을 것인데, 이들 모두를 지칭하는 단어로 사용된다.
일반적으로 지하 배전선로에서 화재 등 재난 발생의 조짐을 판단할 수 있는 데이터로는 전류나 전압, 불꽃, 온도 또는 연기 등이 있을 것인데, 전류나 전압의 측정으로는 정확한 위치파악이 어려울 뿐만 아니라 전류나 전압이 정상일 때도 화재나 재난이 발생할 수도 있으므로 전류나 전압은 사고나 재난의 발생 징후나 발생 판단 대상으로 적합하지 않다.
또한, 연기의 경우 화재가 발생한 이후에나 감지되기 때문에 재난의 조짐을 판단하는 데이터로는 적합하지 않다. 그리고 불꽃의 경우 과열이 되더라도 불꽃이 발생하지 않는 경우가 있을 뿐만 아니라, 불꽃이 감지되면 이미 화재가 진행되고 있을 가능성이 크고 불꽃이 감지된 직후에는 대형 화재로 번질 확률이 큰 상태이기 때문에 이 또한 재난의 징조를 사전에 파악하기 위한 데이터로는 부적합하다.
전력구에서 재난 발생 전 또는 발생 초기에 그 징후나 재난의 시작을 조기에 파악할 수 있는 데이터로는 온도변화가 가장 적합하다. 온도변화는 연기보다 먼저 발생하며, ‘과열되어도 발생하지 않을 수도 있는 불꽃’과 달리, 전력케이블 등이 과열되면 필연적으로 발생하는 이상 현상이기 때문에 온도변화 추이와 그 분포현황을 딥러닝 등으로 분석하게 되면 화재 등 재난 발생의 조짐을 찾아낼 수 있게 된다. 따라서, 전력구 내부의 온도를 요소요소 마다 측정한 데이터를 수집하여 온도변화 추이와 그 분포현황을 딥러닝 등으로 분석하는 방법으로 화재 등 재난 발생의 조짐을 찾아내는 기술이 개발되고 제안되어 왔다.
즉, 전력케이블에 과열이 발생하게 되면 제일 먼저 전력케이블 주변의 온도가 상승하고 이에 따라 전력구 전체의 실내공기 온도가 상승하게 되는데, 전력구 내 실내온도가 특별한 이유 없이 상승하는 것은 바로 전력케이블의 발열로 인한 것이므로 이를 화재나 사고의 발생 조짐으로 판단하는 것이다. 온도변화를 이용하여 화재 등의 재난을 감지하는 종래의 기술로는 천장에 다수의 IoT 온도센서를 부착하여 이들이 측정한 값을 수집하여 딥러닝 분석을 하거나, 센서와 통신모듈 등을 부착한 온도측정 로봇이 레일 등을 따라서 전력구 내부를 왕복하면서 온도와 기타 필요한 정보를 측정하는 기술 등이 있다.
그러나, 전력케이블의 온도 상승으로 인한 실내온도의 변화는 너무 느리게 진행된다는 문제점이 있다. 전력케이블이 발열되면 주변 온도가 먼저 상승한 다음에 천장이나 측벽 등의 온도가 축열되면서 서서히 상승하게 된다. 즉, 전력케이블의 발열이 이미 상당 부분 진행된 이후에야 실내온도가 상승한 것을 감지할 수 있게 된다. 따라서 실내온도의 변화를 감지하여 화재나 사고 등의 재난을 판단하게 되면 재난에 대처하기에 너무 늦은 경우가 발생하게 된다. 그러므로 전력구의 실내온도 변화를 측정하여 재난 발생의 징조 발견이나 이상 현상의 발생을 감지해 내는 방법은 신속성 측면에서 매우 미흡하다, 또한, 여러 회선의 전력케이블이 설치된 경우 어느 회선에서 발열이 발생하는지를 알 수 없다는 문제점도 있어왔다.
그러므로 전력구에서 화재나 재난의 징후를 찾아내거나 발생 초기에 가장 신속하게 그 위치를 감지해 낼 수 있는 방법은 발열의 원인이 되는 전력케이블 표면 온도를 직접 측정하는 것이 가장 좋은 방법이다. 그러나 전력케이블의 경우 하나의 전력구에 여러 가닥이 포설되어 있을 뿐만 아니라 서로 포개지고 섞여 있어서, 포설된 전력케이블들 모두에 대하여 일정한 간격으로 온도 분포를 측정한다는 것은 현실적으로 불가능에 가까운 일이다. 또한, 여러 회선의 전력케이블이 설치된 경우 어느 회선에서 발열이 발생하는지를 알 수 없다는 문제점이 있다.
이러한 문제를 해결하기 위하여 각각의 전력케이블 회선마다 일정 간격으로 다수의 IoT 온도센서를 부착하여 측정하는 방법이 있을 수 있겠으나, 센서의 숫자가 너무 많아지게 되어 설치비용 및 통신회선 유지비용이 과다하다는 문제점이 있을 뿐만 아니라, 보다 근본적인 문제는, 센서를 비교적 조밀하게 부착한다 하더라도 센서가 부착되지 않은 위치에서의 발열은 발견할 수 없다는 문제점이 있다. 따라서 실용성이 많이 떨어지져서 실제 사용되는 경우가 극히 드물다.
한국 등록특허 제10-2617312호(2023.12,27) 한국 등록특허 제10-2369229호(2022.03.03.) 한국 등록특허 제10-2561365호(2023.07.31.) 한국 등록특허 제10-2553692호(2023.07.10) 한국 등록특허 제10-2389013호(2022.04.22)
전영훈, 임현석, 곽정환, 오토인코더 기반 이상 행동 탐지 시스템에서 3D CNN과 초해상화 기법의 적용 및 성능 분석, 한국차세대컴퓨팅학회 논문지 2022년 4월 Sihun Jung, Young Jun Kim, Sumin Park and Jungho Im, 2020. Prediction of Sea Surface Temperature and Detection of Ocean Heat Wave in the South Sea of Korea Using Time-series Deep-learning Approaches, Korean Journal of Remote Sensing, Vol.36, No.5-3, 2020, S. H. I. Xingjian, Z. Chen, H. Wang, D. Y. Yeung, W. K. Wong, and W. C. Woo, "Convolutional LSTM network: A machine learning approach for precipitation nowcasting", In Proceedings of the 28th International Conference on Neural Information Processing Systems, Vol. 1, Cambridge, M A, USA, pp. 802-810, Dec. 2015.
Figure 112024022344544-pat00001
Gl Varol, Ivan Laptev, Cordelia Schmid, "Long-term temporal convolutions for action recognition." IEEE transactions on pattern analysis and machine intelligence 40.6 (2017): 1510-1517. Yong Shean Chong, Abnormal Event Detection in Videos using Spatiotemporal Autoencoder (2017), arXiv:1701.01546. Mahmudul Hasan, Jonghyun Choi, Jan Neumann, Amit K. Roy-Chowdhury, Learning Temporal Regularity in Video Sequences (2016), arXiv:1604.04574.
상술한 문제점들을 해결하기 위하여 창안된 본 발명은 지하 전력구를 따라 여러 회선의 전력케이블이 포설된 지중 배전선로에 있어서, 각각의 전력케이블 모두에 대하여 전 구간에서 발생하는 모든 발열을 종합적으로 탐지하여 수집한 빅데이터를 딥러닝 모델로 분석하여 온도변화를 예측하고, 조만간 발현될 예측결과가 비정상적인 이상치인지 판단하도록 함으로써, 전력케이블의 손상이나 화재 발생 등의 재난을 사전에 예방할 수 있는 배전선로 감시용 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명의 또 다른 목적은 전력구 내 실내온도의 변화로 이상 징후를 감지하지 않고, 전력케이블 표피에서 발열되는 온도를 직접 측정하여 분석함으로써 재난 등을 조기에 감지하고 예측하고 이상치를 판단할 수 있는, 배전선로 감시 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명의 또 다른 목적은, 전력케이블의 각 회선에서 각각의 구간마다의 발열 상태를 각각 수집하여 이를 딥러닝 모델로 분석함으로써, 전력케이블의 각 회선 및 각 구간에서 예상되는 향후 온도변화를 실시간으로 예측하고, 예측결과가 비정상적인 이상치인지 판단할 수 있는, 배전선로 감시 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명의 또 다른 목적은, 전력케이블의 각 회선에서 각각의 구간마다 전력케이블 표피에서 발열되는 온도를 수집하되, 센서가 부착되지 않은 위치에서 발열이 되더라도 이를 발견하여 분석, 예측 및 판단할 수 있는, 배전선로 감시 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명의 또 다른 목적은, 전력케이블의 각 회선에서 각각의 구간마다 전력케이블 표피에서 발열되는 온도를 수집하되, 구간 내 특정 지점에서의 발열을 수집하지 않고 각각의 구간 전체에서 발생하는 발열을 수집하여 측정함으로써 구간 전체의 평균 발열 온도를 측정할 수 있도록 하며, 이를 통하여 각각의 구간 중 어느 지점에서 발열이 되더라도 이를 감지하여 분석, 예측 및 판단할 수 있는, 배전선로 감시 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명의 또 다른 목적은, 전력케이블의 각 회선에서 각각의 구간마다 전력케이블 표피에서 발열되는 온도를 수집하되, 해당 구간 전체에서 전력케이블 표피의 발열로 인하여 데워지는 공기를 흡입하여 측정함으로써 전력케이블의 이상 등으로 발열이 발생하는 경우 신속하고 정확하게 이를 알 수 있는, 배전선로 감시 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명의 또 다른 목적은, 전력케이블의 각 회선의 각각의 구간 중 이상 발열이 예상되는 지점 및 회선을 찾아내어 알려 줄 수 있는, 배전선로 감시 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명의 또 다른 목적은, 전력케이블의 각 회선의 각각의 구간 중 이상 발열이 예상되는 지점 등을 탐지함에 있어 전력케이블 각각의 발열은 물론 지하 전력구의 바닥 및 천장 온도까지도 감안하여 탐지할 수 있도록 함으로써 탐지 및 분석의 정확도를 높일 수 있는, 배전선로 감시 딥러닝 시스템을 제공하는 것을 목적으로 한다.
본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
위에서 살펴본 과제를 달성하기 위하여 본 발명은, 지하 전력구 내에 복수 회선의 전력케이블이 설치된 지중 배전선로에서, 각 회선의 전력케이블 각각에서 수집되는 케이블별 및 구간별 발열 정보를 포함하는 빅데이터를 딥러닝 모델로 분석하여 전력케이블의 발열 온도변화를 예측하여 비정상적인 이상치 발생 가능성을 검출하는 배전선로 감시시스템으로서, 상기 각 회선의 전력케이블 각각에 일정 구간별로 각각 설치되되, 상기 일정 구간과 같은 길이로 상기 전력케이블과 평행하게 설치되는 공기흡입관; 상기 공기흡입관 각각의 일단과 연결되며, 상기 일정 구간에 걸쳐서 상기 전력케이블의 표피에서 발생하는 구간별 평균 발열 온도를 실시간으로 측정하면서, 상기 구간별 평균 발열 온도의 측정결과를 포함하는 발열 데이터를 일정 시간 간격으로 생성하여 전송하는 IoT센서모듈; 및 상기 IoT센서모듈 각각에서 전송되는 상기 발열 데이터를 수집하면서, 상기 딥러닝 모델로 상기 발열 데이터를 학습 및 분석하여 상기 각 회선의 전력케이블 각각에 대하여 상기 일정 구간별 향후 온도변화를 실시간으로 예측하고, 예측결과에 대한 이상치를 탐지하는 분석서버;를 포함하되, 상기 딥러닝 모델은 ConvLSTM 모델 및 AutoEncoder가 결합된 모델로서, - 상기 발열 데이터에 대하여, 상기 지하 전력구 전체에 걸쳐서 상기 각 회선의 전력케이블 각각에 대한 구간별 온도 분포가 2차원 평면으로 표현된 의 2차원 행렬 프레임(은 전력케이블 회선 수, 은 각 회선별 IoT센서모듈의 개수)들을 생성하여 상기 AutoEncoder 모델을 학습시키고, - 상기 2차원 행렬 프레임이 소정의 시간 동안 시계열로 배열된 2차원 행렬 프레임들을 만들어 상기 ConvLSTM 모델을 학습시킨 뒤에, - 상기 시계열로 배열된 2차원 행렬 프레임들을, 현재 시점() 이전의 일정 시점()부터 상기 현재 시점()까지의 시계열 입력데이터()로 만들어 상기 ConvLSTM 모델에 통과시켜 상기 현재 시점() 이후 특정 시점()의 예측데이터()를 의 2차원 출력행렬 프레임으로 생성하여 출력하며, - 상기 예측데이터()를 상기 AutoEncoder에 입력하여 압축 및 복원하여 상기 예측데이터()와 같은 형식으로 복원한 복원데이터()를 생성한 후, 상기 예측데이터()와 상기 복원데이터()를 비교하여 상기 예측데이터()가 상기 이상치에 해당하는지를 판단하고, 상기 IoT센서모듈 각각은, - 상기 공기흡입관의 일단에 연결되어 상기 공기흡입관 내부의 공기를 빨아들이는 석션펌프, - 상기 석션펌프에서 배출되는 배출 공기의 온도를 측정하는 제1센서, - 상기 분석서버에 대하여 데이터를 전송할 수 있는 통신부, 및 - 상기 IoT센서모듈의 구성 전반을 제어하는 제어부를 포함하며, 상기 공기흡입관은, - 상기 전력케이블 외피 주변의 공기를 흡입할 수 있도록 흡입공이 일정 간격으로 형성되어 있으며, - 상기 공기흡입관의 양단 중 상기 석션펌프가 연결된 쪽의 반대 쪽 종단부는 막혀있으며 상기 제어부는, 상기 제1센서가 측정한 상기 배출 공기의 온도를 상기 구간별 평균 발열 온도로 하여 상기 일정 시간 간격으로 상기 발열 데이터를 생성하여 상기 통신부를 통하여 전송하되, 상기 발열 데이터에는 상기 IoT센서모듈의 식별 ID를 포함하는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템으로 하는 것이 바람직하다.
본 발명은 또한 상술한 특징들에 더하여, 상기 분석서버는, - 상기 예측데이터()가 상기 이상치로 판단되는 경우, 상기 예측데이터()의 2차원 출력행렬에 포함된 각 원소값 중에서 사전에 정의된 임계온도를 넘어서는 이상 원소를 찾아 상기 이상 원소가 위치하는 회선 및 구간을 검출할 수 있는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템으로 하는 것도 바람직하다.
본 발명은 또한 상술한 특징들에 더하여, 상기 지하 전력구의 천장에 설치되어, 상기 지하 전력구의 천장 온도를 측정하는 제2센서; 및 상기 지하 전력구의 바닥으로부터 일정 높이 이내에 설치되어, 상기 지하 전력구의 바닥 온도를 측정하는 제3센서;를 더 포함하되, 상기 제2센서 및 상기 제3센서 각각은, 상기 일정 구간별로 상기 IoT센서모듈 각각이 설치된 위치마다 설치되어 상기 IoT센서모듈 중 하나의 제어부와 연결되어 상기 천장 온도 및 상기 바닥 온도에 대한 측정값을 상기 하나의 제어부에 전송하며, 상기 하나의 제어부는, 상기 발열 데이터를 생성할 때 상기 발열 데이터에 상기 천장 온도 및 상기 바닥 온도에 대한 측정값을 더 포함하며, 상기 딥러닝 모델이 생성하는 상기 2차원 행렬에는 상기 천장 온도 및 상기 바닥 온도의 측정값 분포로 만든 2개의 행이 더 포함되는 것을 특징으로 하는, ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템으로 하는 것도 바람직하다.
본 발명은 또한 상술한 특징들에 더하여, 상기 공기흡입관의 외피에는, 상기 공기흡입관을 따라서 신호전송을 위한 신호선이 내장되어 있으며, 상기 통신부는 수신모듈 및 송신모듈을 포함하며, 상기 수신모듈은, 상기 IoT센서모듈 중 다른 IoT센서모듈에서 전송한 발열 데이터를 상기 신호선을 통하여 수신할 수 있으며, 상기 송신모듈은, 상기 제어부가 생성한 발열 데이터 및 상기 수신모듈이 수신한 상기 다른 IoT센서모듈에 전송한 발열 데이터를 상기 신호선을 통하여 송출할 수 있으며, 상기 분석서버는, 상기 IoT센서모듈이 전송하는 발열데이터를 상기 신호선을 통하여 수신할 수 있는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템으로 하는 것도 바람직하다.
본 발명은 또한 상술한 특징들에 더하여, 상기 공기흡입관의 외피에는, 상기 IoT센서모듈 각각에 대한 작동 전원을 공급할 수 있는 전원선을 더 포함하는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템으로 하거나 상기 신호선은, 상기 IoT센서모듈 각각에 대한 작동 전원도 공급할 수 있는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템으로 하는 것도 바람직하다,
이상에서 살펴본 바와 같이 본 발명은, 지하 전력구를 따라 여러 회선의 전력케이블이 포설된 지중 배전선로에서, 각 회선의 전력케이블 각각에 일정 구간별로 설치되어 회선별, 구간별로 표피의 발열 온도를 측정하여 전송하는 IoT센서모듈과 이들이 보내주는 발열데이터를 딥러닝 모델로 학습, 분석하여 각 회선의 전력케이블 각각에 대하여 구간별 향후 온도변화를 실시간으로 예측하고 예측결과가 비정상적인 이상치인지 판단하는 분석서버를 포함하고 있기 때문에, 전력케이블의 손상이나 화재 발생 등의 재난이나 사고 징후를 미리 파악하여 사전에 예방할 수 있는 효과가 있다.
본 발명은 또한, IoT센서모듈이 전력케이블의 각 회선에서 일정 구간마다 설치되어 각각의 구간마다 발열 상태를 수집하여 분석서버에 전송하고 분석서버는 이를 딥러닝 모델로 분석하는 구성을 가지고 있기 때문에 전력케이블의 각 회선 및 각 구간 각각에서 예상되는 향후 온도변화를 실시간으로 예측하고, 예측결과를 이용하여 이상치가 출현할 것인지 여부를 사전에 판단할 수 있는 효과가 있다.
본 발명은 또한, IoT센서모듈이 지하 전력구 내 실내온도의 변화를 감지하지 않고, 전력케이블 표피에서 발열되는 온도를 직접 측정하여 분석서버에 보내고, 분석서버는 표피에서 발열되는 온도를 분석할 수 있기 때문에 전력구에서 재난 등이 예상되거나 전력케이블의 손상 등이 예상되는 경우 이를 조기에 감지하고 신속하게 예측하여 판단할 수 있으므로 재난이나 사고가 발생하기 전에 그 징후를 미리 파악하여 사전조치를 취할 수 있는 효과가 있다.
본 발명은 또한, 지하 전력구 전체에 걸쳐서 각 회선의 전력케이블 각각에 대한 구간별 온도 분포가 2차원 평면으로 표현된 M x N의 2차원 입력행렬을 일정 시간 간격으로 생성하여 학습한 ConvLSTM 모델이, 2차원 입력행렬에 대하여 현재 시점을 기준으로 일정 시점 이전까지의 시계열 입력데이터로 받아들여 현재 시점 이후의 예측데이터를 상기 M x N의 2차원 출력행렬로 생성하여 출력하기 때문에 지하 전력구 내부의 전 공간에 대한 발열 상태를 시공간적으로 분석하여 예측할 수 있을 뿐만 아니라, 예측결과에 대하여는 AutoEncoder로 압축 및 복원하여 이상치가 나타날 것인지를 판단할 수 있기 때문에, 전력케이블의 각 회선의 각각의 구간 중 이상 발열이 예상되는 지점 및 회선을 신속하고 정확하게 찾아내어 알려 줄 수 있는 효과가 있다.
본 발명은 또한, 각 회선의 전력케이블 외피에서 구간별로 발생하는 발열을 측정할 수 있기 때문에 전력케이블의 이상 등으로 발열이 발생하는 경우, 실내공기가 상승하기 전에 신속하고 정확하게 파악할 수 있는 효과가 있다.
본 발명은 또한 각 회선의 전력케이블마다 전력케이블과 평행하게 배치되어 전력케이블의 발열로 인하여 가열된 온도를 흡입할 수 있는 공기흡입관과 IoT센서모듈이 일정 구간별로 설치되어 있으며, 각각의 IoT센서모듈에는 공기흡입관에 연결되는 석션펌프 및 석션펌프에서 배출되는 배출 공기의 온도를 측정하는 제1센서를 포함하고 있다. 따라서, IoT센서모듈에서 보내주는 제1센서의 측정값은 구간 내 특정 지점의 발열 온도가 아니라, 각각의 구간 전체에서 발생하는 발열로 데워진 공기를 흡입하여 측정한 것이어서 구간 전체의 평균 발열 온도를 측정할 수 있게 된다. 그러므로 전력케이블의 각각의 구간 중 어느 특정 지점에서 발열이 되더라도 이를 감지해 낼 수 있는 효과가 있다.
또한, 본 발명에 포함된 공기흡입관은 전력케이블 외피의 발열에 의하여 가열되는 공기를 전력케이블의 구간 전체에 걸쳐서 고르게 흡입할 수 있도록 흡입공이 일정 간격으로 형성되어 있기 때문에 전력케이블의 구간 전체에서 가열된 공기를 고르게 흡입할 수 있는 효과가 있다.
또한, 이러한 구조(공기흡입관 등)를 가짐으로 인하여 발열을 측정하는 센서가 부착되지 않은 곳에서 발열이 되더라도 이를 감지할 수 있기 때문에 센서의 숫자를 조밀하게 설치할 필요가 없어 경제적인 비용으로 시스템을 구축할 수 있으면서도, 전력케이블의 모든 부분에 대한 온도측정을 하는 것과 마찬가지의 효과가 있다.
또한, 본 발명에 포함된 공기흡입관은, 공기흡입관의 양단 중 석션펌프가 연결된 쪽의 반대쪽은 막혀있기 때문에, 전력케이블의 가열로 인한 공기 외에 다른 공기가 흡입되지 않게 된다. 따라서 해당 구간에서 발열되는 전력케이블의 온도값 측정시 외부 영향을 최소화할 수 있는 효과가 있다.
본 발명은 또한, 지하 전력구의 천장 온도를 측정하는 제2센서 및 바닥 온도를 측정하는 제3센서를 포함하고, 제2센서 및 제3센서 각각에서 측정한 천장 온도 및 바닥 온도는 제어부에 전달되어 분석서버에 보내는 발열 데이터에 포함되는 특징도 가지기 때문에, 분석서버가 전력케이블의 각 회선의 각각의 구간 중 이상 발열이 예상되는 지점 등을 탐지함에 있어 전력케이블 각각의 발열은 물론 지하 전력구의 바닥 및 천장 온도까지도 감안하여 탐지할 수 있도록 할 수 있고, 이에 따라 탐지의 정확도를 높일 수 있는 효과가 있다.
본 발명은 또한, 공기흡입관의 외피에 신호선이 내장되어 있으며, 통신부에는 수신모듈 및 송신모듈을 포함하며, 수신 모듈 및 송신모듈은 다른 IoT센서모듈에 전송한 발열 데이터를 중계할 수 있는 특징도 가지기 때문에 IoT센서모듈들 각각에서 전송한 발열 데이터가 공기흡입관에 내장된 신호선을 따라 전달할 수 있고, 이에 따라 유료로 가입해야 하는 IoT 통신망을 사용하지 않더라도 IoT 센서 통신망을 자체적으로 구성할 수 있는 효과가 있다.
본 발명은 또한, 공기흡입관의 외피에 IoT센서모듈 각각에 대한 작동 전원을 공급할 수 있는 전원선을 더 포함하는 특징도 가지기 때문에 공기흡입관을 설치하기만 하면 별도의 전원회선 설치공사를 하지 않더라도 IoT센서모듈에 대한 전원공급을 할 수 있는 효과가 있다.
도 1은 종래의 지하 전력구에 전력케이블이 포설된 지하 배전선로를 도시한 것이다.
도 2는 LSTM 네트워크의 구조(a) 및 ConvLSTM의 구조를 도시한 것이다.
도 3는 ConvLSTM에서 2D이미지를 3D 텐서로 바꾸는 개념을 도시한 것이다.
도 4는 ConvLSTM의 내부 구조를 도시한 것이다.
도 5는 여러 ConvLSTM 레이어를 적층하여 인코딩 레이어 및 예측 레이어로 형성된 시공간 예측 신경망 모델을 도시한 것이다.
도 6은 AutoEncoder의 구조를 도시한 것이다.
도 7은 본 발명에 의한 딥러닝 모델을 도시한 것이다.
도 8은 본 발명이 적용된 지하 배전선로를 도시한 것이다.
도 9는 본 발명에 포함된 IoT센서모듈의 구성을 도시한 것이다.
도 10은 본 발명에 포함된 IoT센서모듈들이 전력케이블 1회선에 일정 구간(span)별로 각각 설치된 사례를 도시한 것이다.
도 11은 본 발명에서, 전력구 전체의 전력케이블별 및 구간별 온도 분포가 시간에 따라 변화하는 것을 시공간적으로 표시한 것이다.
도 12는 본 발명에서, 전력구 전체의 전력케이블별 및 구간별 온도 분포가 시간에 따라 변화하는 것을 2차원 행렬로 표시한 것이다.
도 13은 본 발명의 다른 실시예를 도시한 것이다.
도 14는 본 발명의 또 다른 실시예를 도시한 것이다.
이하에서 상술한 목적과 특징이 분명해지도록 본 발명을 상세하게 설명할 것이며, 이에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한 본 발명을 설명함에 있어서 본 발명과 관련한 공지기술 중 이미 그 기술 분야에 익히 알려져 있는 것으로서, 그 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.
아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며 이 경우는 해당되는 발명의 설명부분에서 상세히 그 의미를 기재하였으므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 밝혀두고자 한다. 실시 예들에 대한 설명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 실시 예들을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
실시 예들은 여러 가지 형태로 변경을 가할 수 있고 다양한 부가적 실시 예들을 가질 수 있는데, 여기에서는 특정한 실시 예들이 도면에 표시되고 관련된 상세한 설명이 기재되어 있다. 그러나 이는 실시 예들을 특정한 형태에 한정하려는 것이 아니며, 실시 예들의 사상 및 기술 범위에 포함되는 모든 변경이나 균등물 내지 대체물을 포함하는 것으로 이해되어야 할 것이다.
다양한 실시 예들에 대한 설명 가운데 “제1”, “제2”, “첫째” 또는“둘째”등의 표현들이 실시 예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분 짓기 위해 사용될 수 있다.
이하에서는 첨부된 도면을 참조하여 본 발명을 설명한다. 도 1에는 종래의 지하 전력구(10)에 복수의 전력케이블(30)이 포설된 지하 배전선로에 대한 내부 투시도(도 1a) 및 단면도(도 1b)가 도시되어 있다. 도 1에서 보는 바와 같이 지하 전력구(10)에는 좌측 및 우측 벽에 여러 층으로 이루어지고 각각의 층에 전력케이블(30)을 올려놓을 수 있는 행거(20)가 설치되어 있다. 일반적으로 지하 전력구(10)의 행거(20)는 3층 내지 4층으로 구성되어 있는데, 경우에 따라 더 많거나 적을 수도 있다. 행거(20)의 각 층에는 각 배전선로의 회선별 전력케이블(30)이 각각 포설된다. 일반적으로 하나의 층에 한 회선 이상의 전력케이블(30)이 포설된다.
지하 전력구(10)의 행거(20) 위에 포설되는 배전선로용 전력케이블(30)은 평상시에도 고전압이 인가되어 있고 대용량의 부하전류가 흐르고 있기 때문에 전선의 내부저항 등에 의하여 항상 미세한 열이 발생하며, 발생하는 열은 전력케이블(30)의 외피 표면을 통하여 주변으로 발산된다. 다만, 평상시에 발생하는 이러한 발열은 매우 미세하기 때문에 무시해도 될 정도이다. 그러나, 과부하 등으로 인하여 과전류가 발생하거나, 부하 측 단락 또는 케이블 불량으로 인한 단락 전류가 발생하면 이들은 매우 큰 대전류가 되기 때문에 급격하게 고온으로 발열된다.
또한, 케이블 외피 표면이 열화되는 경우 절연저항이 서서히 낮아지고 어느 임계점에 도달하면 열화된 외피를 통하여 누설전류가 발생하며, 이 또한 전력케이블(30)에 상당한 발열을 초래하게 된다. 그리고 전력케이블(30)의 접속 부분에 접촉 불량 등이 발생하면 접촉저항으로 인하여 발열을 초래하며, 접속부가 발열되면 접속 부분이 아닌 곳까지도 열이 전도되어 전력케이블(30)의 외피 표면을 통하여 열이 발산된다. 이러한 발열들은 장시간 동안 지속되어 누적되거나 심한 과열이 일시적으로 발생하는 경우에는 케이블 손상이나 화재 등의 재난 발생을 초래한다.
그리고, 하나의 전력구(10)에는 여러 회선의 배전선로가 지나가므로 복수 회선의 전력케이블(30)이 여러 층에 걸쳐서 양쪽에 포설되어 있기 때문에 각각의 배전선로 회선에서 발생하는 열은 다른 배전선로의 전력케이블(30)에 영향을 끼치게 된다. 예를 들어, 도 1(b)에서 보는 바와 같이 행거(20)의 맨 아래층에 포설된 전력케이블(30)에서 이상 현상이 발생하여 심한 발열이 있는 경우 바로 위에 포설된 전력케이블(30)에는 복사열이 전달되어 가열될 뿐만 아니라, 상단에 포설된 여러 회선의 전력케이블(30)에까지 열이 대류되어 상단의 전력케이블(30)들을 밑에서부터 가열하게 된다. 뿐만 아니라 맞은편 행거(20) 위에 있는 전력케이블(30)들에 까지도 열이 대류되거나 복사되어 영향을 끼치게 된다. 또한, 하나의 전력케이블(30)에서 나타난 이상 현상으로 인하여 전력구(10) 내 전체 실내 온도가 상승된 상태에서 다른 전력케이블(30)에서 이상 현상이 발생하여 발열이 시작되는 경우에는, 나중에 이상 현상이 발생한 전력케이블(30)은 이미 주변 온도가 상승된 상태에서 발열이 되므로 온도 상승이 더욱 빠르게 진행되는 문제도 발생된다.
지중 배전선로의 전력구(10)는 대부분 도심지 내에 설치되어 있어 지중 배전선로의 전력구(10)에서 화재가 발생하면 도시 전체의 위험으로 발전할 가능성이 있기 때문에 화재 발생 시 신속한 진압을 하는 것도 중요하지만 화재 발생의 조짐을 사전에 찾아내어 선제적 조치를 하는 것이 바람직하다. 이를 위한 종래기술로는 지하 전력구(10)의 실내온도 변화를 감지하여 화재 등 재난 발생의 가능성을 찾아내는 기술이 존재한다. 그러나 지하 전력구(10)의 실내온도는 전력케이블(30)의 발열이 시작된 후 한참이 지나야 상승하기 때문에 전력구(10)의 실내온도 변화를 감지하여 화재나 사고 징후를 조기에 발견하는 것은 매우 어려운 일이며 찾아낼 수 있다 하더라도 어느 정도 진행이 된 뒤에 찾아낼 수 있기 때문에 사고나 재난을 조기에 예방할 수 있는 시스템으로 사용하기에는 미흡한 점이 많이 있다.
지하 전력구(10) 내에서 전력케이블(30) 발열로 인한 사고나 재난의 징후를 조기에 찾아내기 위해서는 전력케이블(30) 자체의 발열 온도 변화를 찾아내어 재난이나 사고의 징조를 찾아낼 수 있도록 하는 것이 가장 바람직하다. 그리고 배전선로용 전력케이블(30)은 장거리에 걸쳐서 길게 포설되어 있기 때문에 특정한 지점의 발열 온도 변화만 감지해서는 안되고 전 구간에 걸쳐서 변화를 감지해야 할 뿐만 아니라 각각의 회선은 흐르는 전류도 다르고 회로가 달리 형성되어 있기 때문에 전력구(10) 내 모든 회선에 대한 발열을 감지할 필요성이 있다.
또한, 전력케이블(30)의 발열은 일시적인 과전류나 단락전류 등으로 인하여 급격하게 과열되는 경우도 있지만 장시간 동안 누적되면서 온도가 서서히 증가하기도 한다. 따라서 전력케이블(30)의 발열을 감시하는 경우에는 어느 특정 시점의 온도에 따라서 재난이나 사고를 판단하면 판단의 정확도가 떨어지며, 급격한 과열이든 장시간에 걸쳐 서서히 상승하는 과열이든 모든 발열에는 시계열적인 분석이 필요하다. 이뿐만 아니라 각각의 배전선로 회선에서 발생하는 열은 다른 배전선로의 전력케이블(30)에 영향을 끼치게 되므로 전력구(10) 내부에 배치된 각각의 전력케이블(30) 배치를 감안하는 공간적 분석도 필요하게 된다.
본 발명은 이러한 여건 즉, 지하 전력구(10) 내에서 전력케이블(30) 발열로 인한 사고나 재난의 징후(이상치)를 조기에 찾아내기 위해서는 ①전력케이블(30)에서 발생하는 발열을 직접 감지해야 하고, ②모든 회선의 전력케이블(30)에 대한 발열을 전 구간에 걸쳐서 측정해야 하고, ③전력케이블(30)에서 발생되는 발열은 시간의 경과에 따라 누적되고 이전에 발생한 열에 영향을 받기 때문에 시계열적인 분석이 필요하다는 점 그리고, ④하나의 전력케이블(30)에서 발생한 열은 다른 모든 회선의 전력케이블(30)에 영향을 끼치는 등 상호 간에 영향을 받기 때문에 공간적인 분석도 같이 병행해야 한다는 점 등을 감안할 수 있는 시스템을 제공하는 것을 목적으로 한다.
이를 위하여 본 발명은, 지하 전력구(10)내에 설치된 복수 회선의 전력케이블(30) 각각에 대하여 일정 구간별로 전 구간의 온도를 측정하여 이를 딥러닝 모델로 시공간적인 분석을 함으로써 화재나 사고 징후를 조기에 발견하는 배전선로 감시시스템을 제공한다. 따라서 본 발명에는 복수 회선의 전력케이블(30) 각각에 대하여 모든 구간의 발열 데이터(빅데이터)를 수집하는 구성과 함께 수집된 발열 데이터(빅데이터)를 시공간적으로 분석할 수 있는 딥러닝 모델을 포함하고 있다.
먼저, 수집된 빅데이터를 시공간적으로 분석할 수 있는 딥러닝 모델에 관하여 살펴본다. 본 발명에서는 전력구(10)의 모든 전력케이블(30)들 각각이 전 구간에서 발생시키는 발열 데이터를 수집하여 시공간적으로 분석하고 예측한 후 판단하기 위한 딥러닝 모델로서 Convolutional LSTM 모델(ConvLSTM 모델)과 AutoEncoder 모델을 사용하도록 하는 것이 바람직하다.
먼저 ConvLSTM에 대하여 살펴본다. ConvLSTM은 RNN(Recurrent Neural Network)의 일종인 LSTM(Long Short-Term Memory)을 개량하여 만든 모델이다. LSTM은 시계열 자료 예측 등에 특화된 딥러닝 기법 중 하나인 RNN을 변화시킨 형태의 모델로서, 기존 RNN이 정보 사이의 거리가 먼 장기간 데이터에 대한 학습능력 저하를 보인다는 한계점을 보완한 모델이다. 즉, LSTM은 RNN의 기울기 소실 혹은 폭주 문제로 인해 시계열 데이터의 오랜 과거 정보가 반영되지 않는 장기 기억 의존성 문제를 극복하기 위해 나온 모델이다. LSTM은 은닉층에서 정보 흐름을 제어하는 게이트 체계가 적용되어 있다. 게이트에는 입력 게이트, 망각 게이트, 출력 게이트로 구성되어 있으며, 이전 은닉층의 상태 정보를 기억하는 셀 층이 동시에 다음 은닉층으로 입력된다. 도 2(a)에는 LSTM 네트워크의 구조가 도시되어 있다.
도 2(a)에서 보는 바와 같이 LSTM은 input, forget gate 등 다양한 학습기를 활용하여 RNN이 보이는 기울기 소실 현상을 완화한다. LSTM은 이전 cell()의 state를 받아 각각의 gate를 활용하여 cell state()를 업데이트한 후(), 다음 단계의 cell ()로 이어지는 형태의 학습을 진행한다. 이처럼 LSTM은 cell state를 전달하는 컨베이어 벨트와 같은 구조를 취하고 있으며, 각 state를 업데이트 하기 위한 학습기로 구성되어 있다. 이전 단계에서 전달된 cell state로부터 sigmoid 함수를 활용하여 기억하고 잊어버릴 정보를 구분하는 단계를 거치게 된다. 이는 각각 input gate와 forget gate에서 전달된 를 활용하여 결정하며, 최종적으로는 과거 cell state()를 새로운 cell state ()로 업데이트가 이루어진다. 아래 식은 LSTM을 표현하는 공식이다.
망각게이트(forget gate)는 지난 은닉층에서 넘어온 정보를 유지할지를 결정한다. 위 식에서 는 망각게이트의 출력결과이고, 는 현재 시점의 데이터이며, 은 이전 시점의 은닉층 정보이다. 는 시그모이드 함수이다. 그리고 입력게이트(input gate)는 업데이트할 정보를 결정한다. 입력게이트(input gate)에서는 탄젠트 하이퍼볼릭 함수(tanh)를 이용해 셀 상태(cell state)정보인 에서 로 업데이트할 후보값을 계산하게 된다. 이를 업데이트 되어야 하는 정보인 와 곱하여 위와 같이 계산된다. 출력 게이트(output gate)는 현 시점에서 출력할 정보를 결정하는 게이트이다. 는 시그모이드 함수를 통해서 얻어진 출력게이트의 정보이며, 탄젠트 하이퍼볼릭 함수를 통해 얻어진 셀 상태 정보와 곱하여 최종적으로 은닉층 정보를 출력하게 된다.
그리고, ConvLSTM은 CNN(Convolutional Neural Network)과 LSTM을 결합한 것으로서, 기존의 Fully Connected LSTM(FC-LSTM)의 경우 공간적인 특성을 반영하지 못한다는 단점이 있는데, 이를 극복하기 위해서 고안된 모델이다. 도 2(b)에는 ConvLSTM의 구조가 도시되어 있는데, 도 2(b)에서 보는 바와 같이 ConvLSTM은 기존 LSTM의 학습 방법은 동일하지만 내부 구조의 입력, 출력, 상태 레이어의 구성이 3차원의 벡터 형태로 연산되며, 일반 행렬곱이 합성곱(Convolutional operator)으로 이루어져 있기에 LSTM과 달리 각 ConvLSTM 셀 자체에서 시공간적인 특성을 동시에 학습할 수 있게 된다.
기존의 LSTM은 시간적 상관 관계를 처리하는 데 강력한 것으로 입증되었지만, 상술한 바와 같이 시공간 데이터를 처리할 때 LSTM의 단점은 전체 연결에서 ‘공간정보가 인코딩되지 않은 전환(input to state 및 state to state 전환)’을 사용한다는 것이다. 이 문제를 해결하기 위해 입력-상태 및 상태-상태 전환(input-to-state and state-to-state transitions) 모두에서 컨볼루션 구조를 갖는 LSTM의 확장판으로 ConvLSTM이 제안된 것이다. 여러 ConvLSTM 레이어를 적층하여 인코딩 레이어 및 예측 레이어의 구조(도 6 참조)를 형성함으로써 일반적인 시공간 시퀀스 예측문제에 대한 신경망 모델을 구축할 수 있게 되었다.
공간문제가 반영된 ConvLSTM은 현재 시각 이전에 어느 정도의 시간 동안 실제 생성된 여러 프레임의 시공간 데이터를 학습하여 현재 시각 이후 향후 나타날 프레임을 예측해 낼 수 있는 것이다. 즉, 시공간 시퀀스 예측문제를 해결하는 것이다. 예를 들어 도 3에서 보는 바와 같이 개의 행과 개의 열로 구성된 그리드로 표시되는 공간영역에서 동적 시스템을 관찰한다고 가정할 때, 그리드의 각 셀 내부에는 시간에 따라 달라지는 측정값 가 있게 된다. 따라서 언제든지 관찰은 텐서 으로 표현될 수 있다. 여기서 은 관찰된 특징의 영역을 나타내게 된다. 관측치를 주기적으로 기록하면 일련의(시퀀스, 시계열적인) 텐서 를 얻게 된다. 따라서 ConvLSTM은 아래 식에서 보는 바와 같이 현재 관측치를 포함하는 이전 관측치 를 바탕으로 미래에 가장 가능성이 높은 길이 시퀀스를 예측하는 것이다.
상술한 바와 같이, ConvLSTM의 특징은 모든 input , 셀 출력 , 은닉상태 및 게이트 를 3D 텐서로 하게 된다. 여기서 마지막 두 차원은 공간 차원(행과 열)이다. ConvLSTM은 그리드에 있는 특정 셀의 미래 상태를 로컬 이웃의 입력값과 과거 상태에 따라 결정한다. 이는 state-to-state 및 input-to-state 전환에서 컨볼루션 연산자를 사용하여 쉽게 달성할 수 있다(도 4 참조). ConvLSTM의 주요 방정식은 아래 식과 같은데, 여기서 '*'는 컨볼루션 연산자를 나타내고 ''는 이전과 같이 Hadamard 곱을 나타낸다.
도 5에서 보는 바와 같이 본 발명에서 사용하는 ConvLSTM은, 시공간 시퀀스 예측을 위하여 인코딩 신경망(Encoding Network)과 예측 신경망(Forecasting Network)이라는 두 개의 네트워크를 사용하게 된다. 예측 신경망의 초기 상태와 셀 출력값은 인코딩 신경망의 마지막 상태에서 복사된다. 두 신경망 모두 여러 개의 ConvLSTM 계층을 적층하여 형성된다. 입력과 동일한 차원을 갖고 있기 때문에 예측 신경망의 모든 상태를 연결하고 이를 1×1 컨볼루션 레이어에 공급하여 최종 예측을 생성하게 된다. 인코딩 신경망은 전체 입력 시퀀스를 은닉상태 텐서로 압축하고 예측 신경망은 이 은닉상태를 다음 식 (4)와 같이 펼쳐 최종 예측을 제공한다.
(4)
이 구조는 입력 및 출력 요소가 모두 모든 공간정보를 보존하는 3D 텐서라는 점을 제외하고는 기존 LSTM 미래 예측 변수 모델과도 유사하다. 신경망에는 여러 개의 적층된 ConvLSTM 계층이 있기 때문에 강력한 표현 능력을 가지고 있어 복잡한 동적 시스템에서 예측을 제공하는 데에도 적합하다.
한편, 이상 탐지 모델로 많이 사용되는 오토인코더(AutoEncoder)는 입력데이터를 압축하고 복원된 출력값을 동일한 값으로 근사하는 비지도 학습 신경망(Unsupervised Neural Network) 중 하나이다. 일반적으로 인코더와 디코더가 합쳐진 구조이며, 병목 효과를 주기 위해 입력층의 크기보다 은닉층의 크기를 줄여 잠재공간으로 축소하여도 디코더를 통해 원본과 근사한 데이터를 출력하도록 네트워크를 학습시킨다. 이와 같은 구조를 활용하여 기계학습 분야에서 주로 차원 축소(Dimension reduction), 데이터 압축, 노이즈 제거(Denoising) 등 다양하게 활용되고 있다.
오토인코더는, 압축하는 과정에서 중요하지 않은 정보는 소실되고 복원과정에서는 기존 데이터와 근사한 정보를 복원한다는 점을 이용하여 이상 탐지 모델로 활용되고 있다. 즉, 학습 과정에서 정상 데이터만 이용하여 오토인코더를 학습하고, 학습하지 않은 데이터를 복원하였을 때 복원된 출력 데이터와 입력데이터의 차이가 큰 점을 이용한 것이며, 사전에 정의된 차이가 임계치보다 높으면 이상치로 탐지하는 방법이다.
도 6에는 오토인코더 모델의 학습 과정(Training Phase)과 테스트 과정(Test Phase)이 도시되어 있다. 학습 과정(Training Phase)에서는 오직 정상 프레임만이 모델의 학습에 사용된다. 정상 프레임들은 오토인코더를 최적화 하는데 사용된다. 입력되는 정상 프레임들과 출력되는 복원 프레임들의 유클리디안 거리가 손실함수(Loss function)로 설정되어 모델이 최적화(optimize)된다. 이 과정에서 정상 데이터만을 사용하여 정교한 복원 압축하는 과정을 통하여 오토인코더 모델은 정상 데이터의 패턴과 특징을 학습하게 된다.
추론 단계에서는 학습하지 않은 테스트 데이터를 최적화된 모델의 입력으로 사용되어 기존 프레임들과 복원 프레임들의 차이를 이용한 규칙성 정도(Regularity score)를 계산하게 된다. 학습 과정에서 모델이 정상 데이터를 잘 학습하였다고 가정하였을 때, 정상 데이터를 입력으로 사용하면 원래 입력과 비슷한 값을 출력하게 되지만, 비정상 데이터가 입력으로 사용된다면 원래 입력과 차이가 큰 차이를 보이게 되는 것을 이용한 것이다. 이는 프레임들에 관해 직접적인 정상(Normal)의 정도를 수치로 표현한 것으로, 점수가 낮을수록 비정상에 가깝다는 것을 의미한다. 이를 이용하여 최종적으로 시각적 이상 감지 시스템은 해당 프레임을 정상 또는 비정상으로 판단한다.
본 발명은 이와 같이 ConvLSTM 딥러닝 모델이 가진 ‘시공간적으로 학습하고 예측하는 기능’과 AutoEncoder의 ‘비정상적인 이상치를 판단할 수 있는 기능’을 이용하는 발명이다. 도 7에는 본 발명에 의한 딥러닝 모델 즉, ConvLSTM과 AutoEncoder가 결합된 모델이 도시되어 있다. 상술한 바와 같이 ConvLSTM 딥러닝 모델은 “시간의 흐름에 따라 시계열적으로 형성되는 여러 개의 프레임으로 되어 있는 시공간 데이터를 학습하여 현재 시점을 기준으로 일정 기간 이전부터 입력된 프레임들로부터 향후에 생성될 프레임 이미지를 예측할 수 있는 능력”을 가지는데, 본 발명은 이러한 ConvLSTM 딥러닝 모델의 능력을 이용하여 전력구(10) 내에서 현재 시점으로부터 특정 시점 이후의 발열 데이터를 예측하도록 한 후, 예측결과가 정상적인 발열이 될 것인지 아니면 비정상적인 발열이 될 것인지에 대하여 AutoEncoder를 이용하여 판단하도록 함으로써 현재 시점 이후에 전력구에서 사고나 재난이 발생할 것인지를 예측하도록 하는 것이다.
이를 위하여 본 발명은, 지하 전력구 내에 설치된 복수 회선의 전력케이블(30) 각각에 대하여 전력구(10) 전 구간에 걸친 온도 분포를 측정한 발열 데이터에 대하여, 상기 지하 전력구(10) 전체에 걸쳐서 상기 각 회선의 전력케이블(30) 각각에 대한 구간별 온도 분포가 2차원 평면으로 표현된 의 2차원 행렬 프레임(은 전력케이블 회선 수, 은 각 회선별 IoT센서모듈의 개수)들을 생성하여 AutoEncoder로 학습하도록 하는 것이 바람직하다. 이 경우 상기 발열 데이터는 정상적인 발열데이터로 하는 것이 바람직하다. 그리고, 상기 의 2차원 행렬이 소정의 시간 동안 시계열로 배열된 2차원 행렬 프레임들을 만들어 상기 ConvLSTM 모델로 학습하도록 하는 것이 바람직하다.
경우에 따라서 상기 행에는 전력구의 실내온도 분포 즉 바닥 온도와 천장 온도가 더 포함될 수도 있다. 이 경우 은 전력케이블 회선 수 + 2가 될 것이며, 상기 바닥 온도와 상기 천장 온도 또한 상기 IoT센서모듈(200)의 설치된 위치마다 수집되도록 하는 것이 바람직할 것이다. 이와 같이 천장 온도가 포함되는 경우에 대하여는 나중에 설명되는 실시예에서 보충적으로 설명하기로 한다.
이렇게 상기 AutoEncoder 모델 및 상기 ConvLSTM 모델이 학습된 뒤에는, 현재 시점()을 기준으로 상기 현재 시점() 이전 일정 시점()부터 상기 현재 시점()까지 입력된 2D 행렬들을 상기 현재 시점()까지의 시계열 입력데이터()로 만들어 상기 ConvLSTM 딥러닝 모델에 통과시켜, 상기 현재 시점() 이후 특정 시점()의 예측데이터()를 의 2차원 출력행렬 프레임으로 생성하여 출력하도록 함으로써 향후의 온도값을 예측할 수 있게 하는 것이다.
그리고 상기 상기 예측데이터()를 상기 AutoEncoder에 입력하여 압축 및 복원하여 상기 예측데이터()와 같은 형식으로 복원한 복원데이터()를 생성하며, 상기 예측데이터()와 상기 복원데이터()를 비교하여 상기 예측데이터()가 상기 이상치에 해당하는지를 판단하도록 하는 것이 바람직하다.
이하에서는 위에서 설명한 ConvLSTM 딥러닝 모델과 본 발명에 포함된 구성요소들을 이용하여 본 발명을 설명한다. 상술한 바와 같이 본 발명은 지하 전력구(10) 내에 복수 회선의 전력케이블(30)이 설치된 지중 배전선로에서, 각 회선의 전력케이블(30) 각각에서 수집되는 발열 데이터를 딥러닝 모델로 분석하여 전력케이블(30)의 발열 온도변화를 예측하는 배전선로 감시시스템에 관한 것이다. 이를 위하여 본 발명은 IoT센서모듈(200) 및 분석서버(500)를 포함하는 것이 바람직하다. 도 8 내지 도 10에는 본 발명에 포함된 상기 IoT센서모듈(200)의 개념(도 8, 도 9 및 도 10) 및 상기 분석서버(500)와의 연결도(도 9)가 도시되어 있다.
먼저, 도 8 내지 도 10에서 보는 바와 같이 본 발명에는 상기 각 회선의 전력케이블(30) 각각에 일정 구간(span)별로 각각 설치되되, 상기 일정 구간(span)과 같은 길이로 상기 전력케이블(30)과 평행하게 설치되는 공기흡입관(100)들을 포함하도록 하는 것이 바람직하다. 그리고 이와 더불어 상기 공기흡입관(100) 각각의 일단과 연결되어 공기를 흡입함으로써, 상기 일정 구간(span)에 걸쳐서 상기 전력케이블(30)의 표피(외피)에서 발생하는 구간별 평균 발열 온도를 실시간으로 측정하고, 상기 구간별 평균 발열 온도 측정결과를 포함하는 발열 데이터를 일정 시간 간격으로 생성하여 전송하는 IoT센서모듈(200)들을 포함하는 것이 바람직하다. 여기서 상기 ‘일정 시간 간격’이라 함은 상기 발열 온도를 측정하여 상기 발열 데이터를 생성하는 간격으로서 1 ~ 2분 간격으로 하거나 10 ~ 20분 간격으로 하는 것도 가능하며 수 초 내지 수 십초 정도의 짧은 간격으로 하는 것도 가능하다. 그리고 상기 일정 구간(span)마다 상기 각 회선의 전력케이블(30)들에 설치되는 상기 IoT센서모듈(200)들 각각의 위치는 상기 일정 구간(span)마다 동일한 위치(전력구의 길이방향을 따라서 동일한 위치)로 하는 것이 바람직하다.
한편, 상기 공기흡입관(100)은 상기 행거(20)위에 놓인 상기 전력케이블(30)과 같이, 더욱 바람직하게는 상기 전력케이블(30)들의 위에 놓여지도록 하되, 상기 일정 구간(span) 별로 상기 일정 구간(span)과 같은 길이로 놓이도록 하는 것이 바람직하다. 상기 일정 구간(span)은 20 ~ 30m 간격으로 하는 것이 바람직한데, 경우에 따라서는 10 ~ 20m 간격 또는 40 ~ 50m간격으로 하는 것도 가능하다. 전력구(10)의 길이가 짧은 경우에는 상기 일정 구간(span)도 짧게 하고, 전력구(10)의 길이가 길은 경우에는 상기 일정 구간(span)을 길게 하는 것이 바람직할 것이다.
그리고, IoT센서모듈(200)에는, 상기 공기흡입관(100)의 일단에 연결되어 상기 공기흡입관(100) 내부의 공기를 빨아들일 수 있도록 석션펌프(210)를 포함하는 것이 바람직하다. 그리고 이와 더불어 상기 석션펌프(210)에서 배출되는 배출 공기의 온도를 측정하는 제1센서(230), 상기 분석서버(500)에 대하여 데이터를 전송할 수 있는 통신부(250) 및 상기 IoT센서모듈(200)의 구성 전반을 제어하는 제어부(220)를 포함하도록 하는 것이 바람직하다.
한편, 상기 공기흡입관(100)은 그 길이 방향을 따라서, 상기 전력케이블(30) 외피 주변의 공기를 흡입할 수 있도록 흡입공(110)이 일정 간격으로 형성되어 있도록 하는 것이 바람직하다. 상기 흡입공(110)의 형성 간격은 10 ~ 30cm 간격으로 하는 것이 바람직한데, 상기 공기흡입관(100)의 길이 즉 상기 일정 구간(span)에 따라서 다소 다르게 할 수 있다. 상기 일정 구간(span)이 길면 상기 흡입공(110)의 배치간격을 길게 하고, 상기 일정 구간(span)이 짧으면 상기 흡입공(110)의 배치간격 또한 짧게 하는 것이 바람직할 것이다. 그리고 상기 공기흡입관(100)의 재질은, 주변이 가열되어 복사나 대류에 의한 열이 상기 공기흡입관(100) 표면에 전달되면 그 내부로도 전도될 수 있도록 금속 재질로 하거나, 금속성분을 일부 포함하거나 또는 열전도율이 일정 수준 이상이 되는 재질로 하는 것도 바람직하다.
그리고, 상기 공기흡입관(100)의 양단 중 상기 석션펌프(210)가 연결된 쪽의 반대 쪽 종단부(120)는 막혀있도록 하는 것이 바람직한데, 이는 상기 공기흡입관(100)으로 흡입되는 공기는 오직 상기 흡입공(110)들을 통하여만 흡입되도록 하기 위함이다. 그리고 상기 석션펌프(210)의 배출구(미도시)에는 상기 석션펌프(210)에서 배출되는 배출 공기의 온도를 측정하는 제1센서(230)를 포함하도록 하는 것이 바람직하다.
본 발명은 이와 같은 구성을 가지고 있기 때문에 상기 석션펌프(210)가 작동하면 상기 공기흡입관(100) 내부의 공기를 빨아들이게 되고, 이에 따라 상기 공기흡입관(100) 내부가 음압으로 되면서 상기 공기흡입관(100)을 따라 일정 간격으로 형성되어 있는 상기 흡입공(110)을 통하여 상기 전력케이블(30)의 외피 주변 공기가 흡입된다. 따라서 상기 전력케이블(30)의 외피 주변 공기가 상기 흡입공(110)을 통하여 빨려 들어온 후 상기 공기흡입관(100)을 따라서 이동한 뒤 상기 석션펌프(210)의 배출구를 통하여 배출하게 되는데, 상기 석션펌프(210)의 배출구(미도시)에는 배출 공기의 온도를 측정하는 상기 제1센서(230)가 있으므로 상기 제1센서(230)는 상기 전력케이블(30)의 외피 주변 공기에 대한 온도를 측정할 수 있게 된다.
여기서 상기 제1센서(230)에서 측정되는 온도는, 상기 전력케이블(30)의 외피 주변 공기에 대한 상기 일정 구간(span) 전체의 평균온도가 될 것이다. 이는 각각의 흡입공(110)에서 빨려 들어오는 공기는 상기 공기흡입관(100) 안에서 모두 섞이게 되므로 상기 석션펌프(210)의 배출구로 빠져나오는 공기는 모든 흡입공(110)에서 섞인 공기가 되므로 측정되는 온도는 상기 일정 구간 전체의 평균온도가 되는 것이다. 이뿐만 아니라 상기 공기흡입관(100)의 재질이 열전도율이 높은 재질로 되어 있는 경우에는, 상기 공기흡입관(100)외피에 가해진 복사나 대류에 의한 열이 내부로 전도되어 오므로 상기 석션펌프(210)의 배출구로 빠져나오는 공기는 상기 일정 구간 전체에서 채집되는 열을 반영한 공기가 되어 상기 제1센서(230)에서 측정되는 온도는 상기 일정 구간의 평균온도가 되는 것이다.
한편, 상기 IoT센서모듈(200) 각각에는, 상기 분석서버(500)에 대하여 데이터를 전송할 수 있는 통신부(250) 및 상기 IoT센서모듈(200)의 구성 전반을 제어하는 제어부(220)를 포함하도록 하는 것이 바람직하다. 상기 통신부(250)는 유선 또는 무선의 IoT통신망(400)을 통하여 상기 IoT센서모듈(200) 각각과 상기 분석서버(500) 사이의 데이터 통신을 할 수 있도록 해주는 수단이다. 상기 IoT통신망(400)이 무선 통신망인 경우에는 안테나(259)를 더 포함할 수 있도록 하는 것이 바람직하다. 그러나 유선의 IoT통신망(400)을 사용하는 경우에는 상기 안테나(259)가 필요하지 않을 것이다.
상기 제어부(220)는, 상기 제1센서(230)가 측정한 상기 배출 공기의 온도를 상기 구간별 평균 발열 온도로 하여 상기 일정 시간 간격으로 상기 발열 데이터를 생성하여 상기 통신부(250)를 통하여 전송하되, 상기 발열 데이터에는 상기 IoT센서모듈(200)의 식별 ID를 포함하도록 하는 것이 바람직하다. 즉, 상기 제어부(220)는, 상기 석션펌프(210)에서 배출되는 배출 공기의 온도를 측정하는 제1센서(230)로부터 측정된 온도데이터를 받아 상기 일정 시간 간격으로 상기 발열 데이터를 생성하여 상기 통신부(250)를 통하여 상기 분석서버(500)에 전송하도록 하고, 상기 발열 데이터에는 상기 제어부(220) 자신이 포함된 상기 IoT센서모듈(200)의 식별 ID를 포함하도록 하는 것이다. 상기 식별 ID는 상기 IoT센서모듈(200)의 Mac 주소로 하는 것도 가능하며, 별도의 식별체계에 따라 배정된 ID로 하는 것도 가능하다. 상기 분석서버(500)는 상기 IoT센서모듈(200) 각각에서 보내오는 발열 데이터에 대하여 상기 식별 ID를 이용하여 어느 IoT센서모듈(200)에서 보낸 발열 데이터인지를 식별할 수 있을 것이다.
한편, 본 발명에 포함된 상기 분석서버(500)는 상기 IoT센서모듈(200) 각각에서 전송되는 상기 발열 데이터를 수집하면서, 상기 딥러닝 모델로 상기 발열 데이터를 학습 및 분석하여 상기 각 회선의 전력케이블(30) 각각에 대하여 상기 일정 구간(span)별 향후 온도변화를 실시간으로 예측하고, 예측된 예측결과가 비정상적인 이상치에 해당하는 것인지 여부를 판단하는 구성이다. 이하에서는 상기 IoT센서모듈(200)로부터 상기 발열 데이터를 전송받은 상기 분석서버(500)가 작동하는 원리에 대하여 도 10 내지 도 12를 참조하여 설명한다.
도 10은 본 발명에 포함된 IoT센서모듈(200)들이 상기 전력케이블(30) 1회선에 상기 일정 구간(span)별로 각각 설치된 사례를 도시한 것이다. 도 11은 IoT센서모듈(200)들이 각각의 전력케이블(30)에 구간별로 각각 설치된 전력구(10) 전체에서 전력케이블(30)별 및 구간별 온도 분포가 시간에 따라 변화하는 것을 시공간적으로 표시한 것이다. 도 12는 IoT센서모듈(200)들이 각각의 전력케이블(30)에 구간별로 설치된 전력구(10) 전체에서 전력케이블별 및 구간별 온도 분포가 시간에 따라 변화하는 것을 2차원 행렬로 표시한 것이다.
상기 분석서버(500)에 탑재된 상기 딥러닝 모델은, 앞에서 설명한 바와 같이 ConvLSTM 모델과 AutoEncoder 모델이 결합된 모델이다. 따라서 상기 분석서버(500)는 상기 IoT센서모듈(200) 각각에서 전송되는 상기 발열 데이터를 이용하여, 상기 ConvLSTM 모델과 상기 AutoEncoder 모델을 학습시키는 것이 바람직하다
상기 AutoEncoder 모델의 학습은, 상기 발열 데이터를 수집하여 상기 지하 전력구(10) 전체에 걸쳐서 상기 각 회선의 전력케이블(30) 각각에 대한 구간별 온도 분포가 2차원 평면으로 표현된 의 2차원 행렬 프레임(은 전력케이블 회선 수, 은 각 회선별 IoT센서모듈의 개수)들을 생성하여 학습하도록 하는 것이다, 즉 상기 의 2차원 행렬 프레임을 학습용 입력데이터()로 하여 인코더에 넣어 압축시킨 후 압축한 데이터()를 다시 디코더에 넣어서 복원시킴으로서 학습용 복원데이터()를 만들고, 상기 학습용 입력데이터()와 상기 학습용 복원데이터() 사이의 손실함수(Loss Function)가 최소화되도록 하면서 최적화(Optimize)시키는 것이다. 이때, 학습용 입력데이터()는 정상적인 발열 데이터를 사용하여 생성하도록 하는 것이 바람직하다.
상기 ConvLSTM 모델의 학습은, 상기 지하 전력구(10) 전체에 걸쳐서 상기 각 회선의 전력케이블(30) 각각에 대한 구간별 온도 분포가 2차원 평면으로 표현된 의 2차원 행렬을 상기 일정 시간 간격으로 생성하여 학습하도록 하는 것이 바람직하다. 여기서 은 전력케이블 회선 수, 은 각 회선별 IoT센서모듈의 개수를 말한다. 그러므로 상기 의 2차원 입력행렬은 상기 전력케이블(30) 별로 상기 일정 구간(span)별로 온도 분포를 2차원 평면 공간으로 보여주는 것이며 이를 시계열적으로 입력하거나 출력하면 시공간적인 표현이 되는 것이다.
학습과정이 끝나면 상기 분석서버(500)는, 상기 2차원 입력행렬에 대하여 현재 시점()을 기준으로 일정 시점 이전()부터 상기 현재 시점()까지의 시계열 입력데이터()로 만들어 상기 ConvLSTM 모델에 통과시켜 학습시키면서, 상기 현재 시점() 이후 특정 시점()의 예측데이터()를 상기 의 2차원 출력행렬로 생성하여 출력하도록 하는 것이 바람직하다. 그리고 상기 예측데이터()를 상기 AutoEncoder에 입력하여 압축 및 복원하여 상기 예측데이터()와 같은 형식으로 복원한 복원데이터()를 생성하도록 한 후, 상기 예측데이터()와 상기 복원데이터()를 비교하여 상기 예측데이터()가 상기 이상치에 해당하는지를 판단하도록 하는 것이다.
본 발명에서는 도 10에서 보는 바와 같이 IoT센서모듈(200)들 각각이 상기 전력케이블(30) 1회선에 상기 일정 구간(span)별로 설치된다. 그리고 상기 IoT센서모듈(200)들 각각은 상기 전력케이블(30) 1회선에 대한 상기 일정 구간(span)별 온도()를 측정하여 이를 발열 데이터로 하여 상기 분석서버(500)에 전송하게 된다.
도 11에는 IoT센서모듈(200)들이 각각의 전력케이블(30)에 구간별로 설치된 전력구 전체의 전력케이블별 온도 분포 변화가 시공간적으로 표시되어 있는데, 상기 전력구(10) 내에 설치된 상기 전력케이블(30)의 모든 회선에 배치된 각각의 IoT센서모듈(200)들이 전송하는 상기 발열 데이터를 시계열적으로 표시하게 되면 도 11과 같이 표현될 수 있을 것이다. 즉, 상기 각각의 전력케이블(30)의 각 회선(#1 ~ #6)별로 각각의 구간(span)별로, 온도가 낮은 부분(파란색), 보통인 부분(분홍색) 및 높은 부분(빨간색) 등이 분포되어 있을 것이며, 이러한 온도 분포는 시간의 변화()에 따라 달라질 것인데, 상술한 바와 같이 각각의 회선에서 발생되는 발열은 다른 회선에도 영향을 주기 때문에 주변에 있는 전력케이블(30)의 온도까지도 변화시키게 되며, 이렇게 시간의 흐름에 따라 또한 상호간의 영향에 따라 변화하는 것은 도 11과 같은 2차원적인 형상이 시계열적으로 표현될 수 있을 것이며, 본 발명에 포함된 상기 ConvLSTM 딥러닝 모델은 이와 같이 시간의 변화()에 따른 상기 전력케이블(30)의 온도분포 변화를 학습 및 분석하여 현재 시점 이후()의 예측데이터()를 생성해 내도록 하는 것이다.
이렇게 예측데이터를 생성해 내는 것은 상기 ConvLSTM 딥러닝 모델에 대하여, 도 11과 같은 온도분포 형상에 대한 각각의 프레임을 입력하는 것도 가능하겠지만, 본 발명에서는 온도분포의 수집에 있어 열영상 카메라 등을 이용한 이미지 형상으로 수집하는 것이 아니라 상기 IoT센서모듈(200)들이 상기 일정 구간(span)별 평균온도를 직접 측정한 발열 데이터를 상기 분석서버(500)에 보내오기 때문에 도 12에서 보는 바와 같이 상기 발열 데이터를 원소로 하는 2차원 행렬로 만들 수 있다. 따라서 상기 ConvLSTM 딥러닝 모델은 이와 같이 시간의 변화()에 따른 상기 전력케이블(30)의 온도분포 변화를 의 2차원 행렬로 입력받는 것인데, 시간의 변화()에 따른 의 2차원 행렬로 된 데이터를 학습 및 분석함으로써 현재 시점() 이후 특정 시점()의 예측데이터() 또한 의 2차원 출력행렬로 생성해 낼 수 있는 것이다. 여기서 M은 전력케이블 회선 수이며 N은 각 회선별 IoT센서모듈(200)의 개수를 말한다.
한편 상기 분석서버(500)는, 상기 예측데이터()를 상기 AutoEncoder에 입력하여 압축 및 복원하여 상기 예측데이터()와 같은 형식으로 복원한 복원데이터()를 생성한 후, 상기 예측데이터()와 상기 복원데이터()를 비교하여 상기 예측데이터()가 상기 이상치에 해당하는지를 판단하고 상기 예측데이터()가 상기 이상치에 해당하는 경우에는, 비정상적인 발열이 발생하는 구체적인 위치를 찾도록 하는 것이 바람직하다.
이를 위하여 상기 분석서버(500)는, 상기 예측데이터()의 2차원 출력행렬에 포함된 각 원소 중에서 사전에 정의된 임계온도를 넘어서는 이상 원소(outlier)가 있는 경우에는 상기 이상 원소(outlier)가 위치하는 회선 및 구간을 검출할 수 있도록 하는 것이 바람직하다, 예를 들어, 도 12 하단에서 보는 바와 같이 예를 들어 사전에 정의된 임계온도를 50으로 한다 하면 상기 이상 원소(outlier)가 가 위치하는 회선 및 구간은 #3 회선의 6번째 내지 8번째 구간이 될 것인데, 이같이 본 발명은 상기 예측데이터()의 상기 2차원 출력행렬을 이용하여 이상 상황이 발생한 회선 및 위치를 정확하게 파악할 수 있으므로 전력구(10)내에서 화재나 사고 등의 재난이 발생할 수 있는 징조를 정확하게 파악하여 관리자들이 직접 출동하여 육안이나 정밀측정 장비 등으로 확인을 하는 등 선제적 조치를 할 수 있게 된다. 특히 상기 2차원 출력행렬은 현재 시점() 이후 특정 시점()의 예측데이터()이기 때문에 상황이 발생하기 전에 미리 예측하여 선제적인 조치를 할 수 있게 된다.
한편, 도 13에는 본 발명의 다른 실시예가 도시되어 있다. 본 실시예는 상기 전력구(10)의 바닥 온도 및 천장 온도 분포까지 고려하여 학습하고 예측데이터를 생성해 내는 실시예이다. 이를 위하여 본 실시예에서는, 도 13(a)에서 보는 바와 같이 상기 지하 전력구(10)의 천장에 설치되어, 상기 지하 전력구(10)의 천장 온도를 측정하는 제2센서(310) 및 상기 지하 전력구(10)의 바닥으로부터 일정 높이 이내에 설치되어, 상기 지하 전력구(10)의 바닥 온도를 측정하는 제3센서(320)를 더 포함하도록 하는 것이 바람직하다.
상기 제2센서(310) 및 상기 제3센서(320) 각각은, 상기 일정 구간별로 상기 IoT센서모듈(200) 각각이 설치된 위치마다 설치되어 상기 IoT센서모듈(200) 중 하나의 제어부(220)와 연결되어 상기 천장 온도 및 상기 바닥 온도에 대한 측정값을 상기 하나의 제어부(200)에 전송하도록 하는 것이 바람직하다. 참고로, 본 발명에서는 상기 일정 구간(span)마다 상기 각 회선의 전력케이블(30)들에 설치되는 상기 IoT센서모듈(200)들의 위치는 상기 일정 구간(span)마다 동일한 위치로 하는 것이 바람직하므로 상기 제2센서(310) 및 상기 제3센서(320)는 상기 일정 구간(span)마다 하나씩만 설치해도 되며, 그들 각각은 그중 하나의 IoT센서모듈(200)에만 연결하도록 하면 되기 때문에 상기 IoT센서모듈(200) 중 하나의 제어부(220)와 연결되도록 하는 것이다. 그리고 상기 제2센서(310) 및 상기 제3센서(320) 각각은 상기 천장 온도 및 상기 바닥 온도에 대한 측정값을 상기 하나의 제어부(220)에 전송하며, 상기 하나의 제어부(220)는, 도 13(b)에서 보는 바와 같이, 상기 발열 데이터를 생성 및 전송할 때 상기 발열 데이터에 상기 천장 온도 및 상기 바닥 온도에 대한 측정값을 더 포함하도록 하는 것이 바람직하다. 이 경우, 상기 딥러닝 모델이 생성하는 상기 2차원 행렬에는 상기 천장 온도 및 상기 바닥 온도의 측정값 분포로 만든 2개의 행이 더 포함되도록 하는 것이 바람직하다.
상기 전력케이블(30)에서 이상 발열이 발생하는 경우 실내 온도의 상승까지도 초래하게 되는데, 이와 같이 구성하게 되면 상기 ConvLSTM모델이 실내 온도의 상승에 영향을 끼치는 부분까지도 학습하여 분석해 낼 수 있게 되는데, 특히, 천장 온도와 바닥 온도의 변화까지도 비교하여 학습 및 분석하는 것이 가능해 지므로 보다 정밀한 학습 및 예측이 가능해 진다.
도 14에는 본 발명의 또 다른 실시예가 도시되어 있다. 본 실시예는 상기 공기흡입관(100)에 신호 전송을 위한 신호선이 내장되도록 하는 실시예이다. 본 발명에 포함되는 상기 IoT센서모듈(200) 각각은 상기 발열 데이터를 상기 분석서버(500)에 전송하도록 되어 있다. 상기 발열 데이터를 상기 분석서버(500)에 보내기 위해서는 상기 IoT센서모듈(200) 각각은 상기 분석서버(500)와 데이터 통신이 가능해야 한다. 이를 무선으로 전송하기 위해서는 상기 IoT센서모듈(200) 각각에는 무선 IoT통신모듈이 필요하며, 또한 무선 IoT통신망에 가입하여야 한다. 물론 전력구(10) 내에서 Wifi 로 통신하는 것도 가능하다.
본 발명에서는 상기 IoT센서모듈(200) 각각과 상기 분석서버(500)와 데이터 통신을 함에 있어 상술한 바와 같이 무선통신망을 통하도록 하는 방법에 더하여 유선통신 방식으로 데이터 통신을 하는 방법을 제공한다. 이를 위하여 도 14에서 보는 바와 같이 상기 공기흡입관(100)의 외피에는, 상기 공기흡입관(100)을 따라서 신호전송을 위한 신호선(150)이 내장되어 있도록 하는 것이 바람직하다.
그리고 상기 통신부(250)는 수신모듈(251) 및 송신모듈(252)을 포함하도록 하는 것이 바람직하다. 상기 수신모듈(251)은, 상기 IoT센서모듈(200) 중 다른 IoT센서모듈(200)에서 전송한 발열 데이터를 상기 신호선(150)을 통하여 수신할 수 있으며, 상기 송신모듈(252)은, 상기 제어부(220)가 생성한 발열 데이터 및 상기 수신모듈(251)이 수신한 상기 다른 IoT센서모듈(200)에 전송한 발열 데이터를 상기 신호선(150)을 통하여 송출할 수 있게 하는 것이 바람직하다. 그리고 상기 분석서버(500)는, 상기 IoT센서모듈(200)이 전송하는 발열 데이터를 상기 신호선(150)을 통하여 수신할 수 있게 하는 것이 바람직하다. 이와 같이 구성하게 되면 별도의 IoT무선통신망에 가입하여 통신료를 지불할 필요가 없으며, 전력구(10) 내에 별도의 wifi망을 구성하지 않아도 된다.
또한, 상기 공기흡입관의 외피에는, 상기 IoT센서모듈 각각에 대한 작동 전원을 공급할 수 있는 전원선(미도시)을 더 포함하도록 하는 것이 더욱 바람직하다. 이와 같이 하면 상기 IoT센서모듈(200) 각각에 대한 전원공급을 위한 전원공급 라인을 포설하지 않아도 된다. 그리고 이에 더하여 상기 신호선(150)을 통하여 상기 IoT센서모듈(200) 각각에 대한 작동 전원까지도 공급할 수 있게 하면 더욱 바람직하다. 예를 들어 전력선 통신방식 또는 RS-485통신 등과 같이 한 조의 전선으로 신호전송과 전원공급을 동시에 할 수 있는 통신방식을 택하는 것이다. 상기 공기흡입관(100)의 외피에 상기 신호선(150)을 내장하는 경우에는, 외부로부터 유도전류 및 잡신호가 상기 신호선으로 유입되지 않도록 전기적으로 차폐되도록 하는 것이 바람직하다.
상술한 여러 가지 예로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 예들에 국한되는 것이 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서 본 발명에 개시된 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 예들에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.
10 전력구 20 행거
30 전력케이블
100 공기흡입관
110 흡입공 120 종단부
150 신호선
200 IoT센서모듈
210 석션펌프 220 제어부
230 제1센서 250 통신부
251 수신모듈 252 송신모듈
259 안테나
310 제2센서 320 제3센서
400 통신망
500 분석서버

Claims (6)

  1. 지하 전력구 내에 복수 회선의 전력케이블이 설치된 지중 배전선로에서, 각 회선의 전력케이블 각각에서 수집되는 케이블별 및 구간별 발열 정보를 포함하는 빅데이터를 딥러닝 모델로 분석하여 전력케이블의 발열 온도변화를 예측하여 비정상적인 이상치 발생 가능성을 검출하는 배전선로 감시시스템으로서,
    상기 각 회선의 전력케이블 각각에 일정 구간별로 각각 설치되되, 상기 일정 구간과 같은 길이로 상기 전력케이블과 평행하게 설치되는 공기흡입관;
    상기 공기흡입관 각각의 일단과 연결되며, 상기 일정 구간에 걸쳐서 상기 전력케이블의 표피에서 발생하는 구간별 평균 발열 온도를 실시간으로 측정하면서, 상기 구간별 평균 발열 온도의 측정결과를 포함하는 발열 데이터를 일정 시간 간격으로 생성하여 전송하는 IoT센서모듈; 및
    상기 IoT센서모듈 각각에서 전송되는 상기 발열 데이터를 수집하면서, 상기 딥러닝 모델로 상기 발열 데이터를 학습 및 분석하여 상기 각 회선의 전력케이블 각각에 대하여 상기 일정 구간별 향후 온도변화를 실시간으로 예측하고, 예측결과에 대한 이상치를 탐지하는 분석서버;를 포함하되,
    상기 딥러닝 모델은 ConvLSTM 모델 및 AutoEncoder가 결합된 모델로서,
    - 상기 발열 데이터에 대하여, 상기 지하 전력구 전체에 걸쳐서 상기 각 회선의 전력케이블 각각에 대한 구간별 온도 분포가 2차원 평면으로 표현된 의 2차원 행렬 프레임(은 전력케이블 회선 수, 은 각 회선별 IoT센서모듈의 개수)들을 생성하여 상기 AutoEncoder 모델을 학습시키고,
    - 상기 2차원 행렬 프레임이 소정의 시간 동안 시계열로 배열된 2차원 행렬 프레임들을 만들어 상기 ConvLSTM 모델을 학습시킨 뒤에,
    - 상기 시계열로 배열된 2차원 행렬 프레임들을, 현재 시점() 이전의 일정 시점()부터 상기 현재 시점()까지의 시계열 입력데이터()로 만들어 상기 ConvLSTM 모델에 통과시켜 상기 현재 시점() 이후 특정 시점()의 예측데이터()를 의 2차원 출력행렬 프레임으로 생성하여 출력하며,
    - 상기 예측데이터()를 상기 AutoEncoder에 입력하여 압축 및 복원하여 상기 예측데이터()와 같은 형식으로 복원한 복원데이터()를 생성한 후, 상기 예측데이터()와 상기 복원데이터()를 비교하여 상기 예측데이터()가 상기 이상치에 해당하는지를 판단하고,
    상기 IoT센서모듈 각각은,
    - 상기 공기흡입관의 일단에 연결되어 상기 공기흡입관 내부의 공기를 빨아들이는 석션펌프,
    - 상기 석션펌프에서 배출되는 배출 공기의 온도를 측정하는 제1센서,
    - 상기 분석서버에 대하여 데이터를 전송할 수 있는 통신부, 및
    - 상기 IoT센서모듈의 구성 전반을 제어하는 제어부를 포함하며,
    상기 공기흡입관은
    - 상기 전력케이블 외피 주변의 공기를 흡입할 수 있도록 흡입공이 일정 간격으로 형성되어 있으며
    - 그 양단 중 상기 석션펌프가 연결된 쪽의 반대 쪽 종단부는 막혀있으며,
    상기 제어부는, 상기 제1센서가 측정한 상기 배출 공기의 온도를 상기 구간별 평균 발열 온도로 하여 상기 일정 시간 간격으로 상기 발열 데이터를 생성하여 상기 통신부를 통하여 전송하되, 상기 발열 데이터에는 상기 IoT센서모듈의 식별 ID를 포함하는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템
  2. 제1항에 있어서,
    상기 분석서버는,
    - 상기 예측데이터()가 상기 이상치로 판단되는 경우, 상기 예측데이터()의 2차원 출력행렬에 포함된 각 원소값 중에서 사전에 정의된 임계온도를 넘어서는 이상 원소를 찾아 상기 이상 원소가 위치하는 회선 및 구간을 검출할 수 있는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템
  3. 제1항에 있어서,
    상기 지하 전력구의 천장에 설치되어, 상기 지하 전력구의 천장 온도를 측정하는 제2센서; 및
    상기 지하 전력구의 바닥으로부터 일정 높이 이내에 설치되어, 상기 지하 전력구의 바닥 온도를 측정하는 제3센서;를 더 포함하되,
    상기 제2센서 및 상기 제3센서 각각은, 상기 일정 구간별로 상기 IoT센서모듈 각각이 설치된 위치마다 설치되어 상기 IoT센서모듈 중 하나의 제어부와 연결되어 상기 천장 온도 및 상기 바닥 온도에 대한 측정값을 상기 하나의 제어부에 전송하며,
    상기 하나의 제어부는, 상기 발열 데이터를 생성할 때 상기 발열 데이터에 상기 천장 온도 및 상기 바닥 온도에 대한 측정값을 더 포함하며,
    상기 딥러닝 모델이 생성하는 상기 2차원 행렬 프레임에는 상기 천장 온도 및 상기 바닥 온도의 측정값 분포로 만든 2개의 행이 더 포함되는 것을 특징으로 하는, ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템
  4. 제1항에 있어서,
    상기 공기흡입관의 외피에는, 상기 공기흡입관을 따라서 신호전송을 위한 신호선이 내장되어 있으며,
    상기 통신부는 수신모듈 및 송신모듈을 포함하며,
    상기 수신모듈은, 상기 IoT센서모듈 중 다른 IoT센서모듈에서 전송한 발열 데이터를 상기 신호선을 통하여 수신할 수 있으며,
    상기 송신모듈은, 상기 제어부가 생성한 발열 데이터 및 상기 수신모듈이 수신한 상기 다른 IoT센서모듈에 전송한 발열 데이터를 상기 신호선을 통하여 송출할 수 있으며
    상기 분석서버는, 상기 IoT센서모듈이 전송하는 발열데이터를 상기 신호선을 통하여 수신할 수 있는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템
  5. 제4항에 있어서,
    상기 공기흡입관의 외피에는, 상기 IoT센서모듈 각각에 대한 작동 전원을 공급할 수 있는 전원선을 더 포함하는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템
  6. 제4항에 있어서,
    상기 신호선은, 상기 IoT센서모듈 각각에 대한 작동 전원도 공급할 수 있는 것을 특징으로 하는, ConvLSTM 과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템
KR1020240027879A 2024-02-27 2024-02-27 ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템 KR102672635B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020240027879A KR102672635B1 (ko) 2024-02-27 2024-02-27 ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020240027879A KR102672635B1 (ko) 2024-02-27 2024-02-27 ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템

Publications (1)

Publication Number Publication Date
KR102672635B1 true KR102672635B1 (ko) 2024-06-05

Family

ID=91471017

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020240027879A KR102672635B1 (ko) 2024-02-27 2024-02-27 ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템

Country Status (1)

Country Link
KR (1) KR102672635B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118536817A (zh) * 2024-07-25 2024-08-23 国网山西省电力公司太原供电公司 一种基于传感器网络的电缆通道监测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102369229B1 (ko) 2021-09-16 2022-03-03 주식회사 시티랩스 지하공동구 특화 레일로봇 기반 위험예측시스템 및 위험예측방법
KR102389013B1 (ko) 2020-08-28 2022-04-22 재단법인대구경북과학기술원 지하 공동구 유지 관리 로봇 시스템
KR102553692B1 (ko) 2023-01-16 2023-07-10 정미영 전력구 내 재난위험을 탐지하는 딥러닝 시스템
KR102561365B1 (ko) 2023-04-12 2023-07-31 주식회사 유니온 지중 배전선로의 이상징후를 탐지하는 딥러닝 감시시스템
KR102617312B1 (ko) 2023-09-07 2023-12-27 (주)바이브컴퍼니 CA-TimeGAN 모델 및 Residual CNN-LSTM 모델로 지하 공동구 온도변화를 예측하는 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102389013B1 (ko) 2020-08-28 2022-04-22 재단법인대구경북과학기술원 지하 공동구 유지 관리 로봇 시스템
KR102369229B1 (ko) 2021-09-16 2022-03-03 주식회사 시티랩스 지하공동구 특화 레일로봇 기반 위험예측시스템 및 위험예측방법
KR102553692B1 (ko) 2023-01-16 2023-07-10 정미영 전력구 내 재난위험을 탐지하는 딥러닝 시스템
KR102561365B1 (ko) 2023-04-12 2023-07-31 주식회사 유니온 지중 배전선로의 이상징후를 탐지하는 딥러닝 감시시스템
KR102617312B1 (ko) 2023-09-07 2023-12-27 (주)바이브컴퍼니 CA-TimeGAN 모델 및 Residual CNN-LSTM 모델로 지하 공동구 온도변화를 예측하는 방법

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Gl Varol, Ivan Laptev, Cordelia Schmid, "Long-term temporal convolutions for action recognition." IEEE transactions on pattern analysis and machine intelligence 40.6 (2017): 1510-1517.
Mahmudul Hasan, Jonghyun Choi, Jan Neumann, Amit K. Roy-Chowdhury, Learning Temporal Regularity in Video Sequences (2016), arXiv:1604.04574.
S. H. I. Xingjian, Z. Chen, H. Wang, D. Y. Yeung, W. K. Wong, and W. C. Woo, "Convolutional LSTM network: A machine learning approach for precipitation nowcasting", In Proceedings of the 28th International Conference on Neural Information Processing Systems, Vol. 1, Cambridge, M A, USA, pp. 802-810, Dec. 2015.
Sihun Jung, Young Jun Kim, Sumin Park and Jungho Im, 2020. Prediction of Sea Surface Temperature and Detection of Ocean Heat Wave in the South Sea of Korea Using Time-series Deep-learning Approaches, Korean Journal of Remote Sensing, Vol.36, No.5-3, 2020,
Yong Shean Chong, Abnormal Event Detection in Videos using Spatiotemporal Autoencoder (2017), arXiv:1701.01546.
전영훈, 임현석, 곽정환, 오토인코더 기반 이상 행동 탐지 시스템에서 3D CNN과 초해상화 기법의 적용 및 성능 분석, 한국차세대컴퓨팅학회 논문지 2022년 4월

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118536817A (zh) * 2024-07-25 2024-08-23 国网山西省电力公司太原供电公司 一种基于传感器网络的电缆通道监测系统

Similar Documents

Publication Publication Date Title
KR102561365B1 (ko) 지중 배전선로의 이상징후를 탐지하는 딥러닝 감시시스템
CN112116776B (zh) 一种变电站内电缆火灾预测监控系统及方法
CN111667673B (zh) 一种智能检测泄漏的热力管网系统
KR102319083B1 (ko) 인공지능 기반의 화재예방 제공 장치 및 방법
KR102672635B1 (ko) ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템
Huang et al. A combined real-time intelligent fire detection and forecasting approach through cameras based on computer vision method
KR20190098784A (ko) 사물 인터넷, 빅데이터, 3d 기술 융복합 현실 기반 지능형 전력구 관리 시스템, 이의 방법, 그리고, 이 방법을 저장한 컴퓨터 판독 가능 저장 매체
KR102553692B1 (ko) 전력구 내 재난위험을 탐지하는 딥러닝 시스템
KR102480449B1 (ko) 이기종 다중센서 기반의 재난 상황 예측 및 진단 방법
CN104376663B (zh) 小动物入侵监测方法、装置及系统
KR102553690B1 (ko) 딥러닝을 이용한 송배전 전력구 내 재난위험 탐지 및 자동진압 시스템
CN111964731A (zh) 一种管廊监测与告警装置及方法
CN116068328B (zh) 一种户外电缆沟防区监控方法及系统
CN114783165A (zh) 基于分布式光纤振动传感的电缆通道防外破在线监测系统
CN115766776A (zh) 一种实现电力通道实时状态监测的方法及边缘物联终端
CN118396596A (zh) 基于智慧燃气监管物联网的地下管廊安全维护方法与系统
CN117804526A (zh) 基于巡检机器人的地下管廊环境检测系统及方法
CN110070692A (zh) 一种智能视觉消防监视系统及方法
Liu et al. Identification of multiple fire sources in the utility tunnel based on a constrained particle swarm optimization algorithm
KR102696764B1 (ko) 딥러닝 모델로 전력구 내 시공간적 온도 분포 변화를 학습하여 복수 회선의 전력케이블 각각의 구간별 온도변화를 예측하는 방법 및 이를 이용한 배전선로 감시시스템
CN116433212A (zh) 一种对配电房自动巡检的故障识别处理方法及相关装置
KR102672631B1 (ko) 3d cnn 기반 오토인코더 모델로 다회선 케이블의 이상치를 탐지하는 배전선로 감시시스템
JP6964030B2 (ja) 監視システム及び監視方法
KR102457492B1 (ko) 열화상 카메라를 이용한 재난 발생 감지 및 분석 시스템
KR102471791B1 (ko) 지하시설물 이상 여부 판단 방법 및 장치

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20240227

PA0201 Request for examination
PA0302 Request for accelerated examination

Patent event date: 20240227

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20240521

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20240531

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20240531

End annual number: 3

Start annual number: 1

PG1601 Publication of registration