KR102672635B1 - ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템 - Google Patents
ConvLSTM과 AutoEncoder 딥러닝 모델로 전력케이블을 감시하는 배전선로 이상탐지 시스템 Download PDFInfo
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000020169 heat generation Effects 0.000 claims abstract description 63
- 238000013136 deep learning model Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000010438 heat treatment Methods 0.000 claims abstract description 18
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000008054 signal transmission Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 206010037660 Pyrexia Diseases 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013021 overheating Methods 0.000 description 5
- 239000000779 smoke Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009970 fire resistant effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
- G08C19/02—Electric signal transmission systems in which the signal transmitted is magnitude of current or voltage
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; 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
Description
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.
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)
- 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 - 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 - 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 - 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 - 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 - 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
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)
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)
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 |
-
2024
- 2024-02-27 KR KR1020240027879A patent/KR102672635B1/ko active IP Right Grant
Patent Citations (5)
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)
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)
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 |