• 한국지능시스템학회논문지
• /
• 제20권5호
• /
• pp.638-644
• /
• 2010

본 연구에서는 일반 가정에서 Smart Grid를 통하여 누릴 수 있는 서비스를 발굴하고, 이러한 서비스를 구현할 수 있는 기기별 전력 모니터링 시스템을 구현하였으며, 모니터링한 데이터를 분석하였다. 기기별 전력 사용현황을 수집하고 이를 분석함으로써, 모니터링 시스템에 표시되고 있는 전력사용현황이 어떤 기기의 전력사용현황인지 사전에 정의된 프로토콜 없이 알 수 있다. 나아가서 전력 절감 방법 제시, 지능적인 대기전력 차단 및 복구, 기기의 이상여부 감시와 같은 서비스를 구현할 수 있을 것이다. 본 연구에서는 이러한 시나리오의 실현 가능성을 점검하기 위해 기기별 전력 모니터링 시스템을 개발하여 가정 내 전력소비의 대부분을 차지하는 냉장고, 전기밥솥, TV, 세탁기 샘플에 대하여 전력소비패턴을 수집하여 database화 하였다. 또한 이 database를 분석하여 제시한 서비스들을 구현하는데 필요한 기본 기능인 기기식별이 전력사용 패턴분석을 통하여 가능함을 보였다.

• 한국지능시스템학회논문지
• /
• 제21권4호
• /
• pp.407-413
• /
• 2011

본 연구에서는 가정용 전력 모니터링 시스템을 구현하고 실험가구에 적용하여 평가하였으며, 평가과정에서 확보한 기기별 전력 사용 패턴 정보를 이용하여 자동 기기 식별 알고리즘을 개발하였다. 실험가구에 적용해본 결과, 기기별 전력사용 정보와 월별 예상 사용량 정보가 전력 소비 절감에 도움이 된다는 응답을 얻을 수 있었다. 그리고 시스템을 보다 편리하게 사용하기 위해서는 설치의 편의성과 UI를 개선해야한다는 응답을 얻었다. 본 연구에서는 UI 개선을 위하여 일반냉장고, TV, 전기밥솥, 김치냉장고, 세탁기를 자동으로 식별하는 알고리즘을 구현하였다. 자동 장치 식별 알고리즘은 전력 모니터링 과정에서 수집한 전력 소비 패턴을 관찰하여 Zero-Crossing Rate(ZC), Variation of On State(VO), Slope of On State(SO), Duty Cycle(DC) 등 4가지 특징을 규정하여 이용하였으며, 특징을 적용하는 시간 구간은 기기가 동작하는 시간이 25% 이상이 되는 2시간 길이의 구간을 이용하였다. 제안된 알고리즘은 테스트 set에 동일한 기기를 포함하는 경우 82.1%의 성능을 얻을 수 있었다.

• 한국지능시스템학회논문지
• /
• 제21권6호
• /
• pp.679-685
• /
• 2011

본 연구에서는 가정 내 모든 기기가 연결된 하나의 전력선을 모니터링 하여 그 전력선에 연결된 기기 각각의 젼력 소비 상황을 모니터링 하는 NILM(Non-Intrusive Load Monitoring) 시스템 구축에 필요한 신호 분석 알고리즘에 대한 연구를 수행하였다. 본 연구에서 제안한 신호 분석 알고리즘은 전력선에서 관찰된 여러 기기의 전력 소비 패턴이 혼합된 혼합 전력 패턴을 복수개의 시간 구간으로 분리하고, 연속된 시간 구간 사이의 신호 차이를 구한 후, 이 차이 신호를 분석하여 어떤 장치가 현재 시간 구간에서 동작 중인지를 알아낸다. 이 때 시간 구간을 충분히 작게 하고, 신호 분석에 사용되는 특징들이 독립적이고 additivity 특징을 가지도록 선정한다면, 이 차이 신호에는 한 장치의 특징만이 남아 있으므로, 동시에 동작할 수 있는 장치 조합의 수 $2^N$개가 아닌 장치 N 개에 해당하는 특징만을 이용하여 혼합 신호를 분석할 수 있다. 이를 통하여 장치 개수가 증가하더라도 연산량 역시 산술적으로 증가하는 합리적인 확장성을 확보할 수 있다. 실제 가정에서 각 장치의 데이터 패턴을 채집한 후 이를 인위적으로 조합하여 만든 실험 데이터를 활용하여 제안한 방법을 검증하였다. 검증 결과 4개의 장치가 동시에 동작하고 그 장치의 특징들이 제안한 알고리즘에서 제시한 기준을 만족하는 경우, 비록 제한된 실험이었지만 완벽한 분류 성공률을 보였다. 제안된 알고리즘을 실제 사용하기 위해서는 장치의 수를 증가하고, 시간 구간을 조정하며, 신호 혼합 패턴을 다양하게 한 실증적인 연구가 더 필요하다. 하지만 이 경우 본 연구에서 제안한 기준을 만족하는 특징을 선택한다면, 그렇지 않은 경우에 비하여, 일정 정도 성능이 보장되는 NILM 시스템을 구축할 수 있을 것으로 기대된다.

• 한국전기전자재료학회:학술대회논문집
• /
• 한국전기전자재료학회 2009년도 하계학술대회 논문집
• /
• pp.266-266
• /
• 2009

현재 도시철도 전력설비의 진단시스템은 각 설비별로 산재되어 있어 종합적 상태를 실시간으로 모니터링 할 수 있는 시스템 구축이 필요하다. 특히 전력설비 고장을 사전에 검출하고 최적의 수명을 예측하기 위해서 표준화되고 객관적인 상태 판단을 위한 시스템 도입이 필요하다. 또한 도시철도 변전소가 무인으로 운영됨에 따라 전력실비 자체의 온라인 상시감시 및 자기진단을 수행할 수 있는 다양한 시스템을 도입이 필요하다. 본 연구에서는 도시철도 주요 전력설비 인 도시철도용 (AC/DC) 변압기, 단로기, 차단기, 정류기, GIS에 설치되는 각종 센서, 센서에서의 데이터를 측정하는 이상검출장치에서의 데이터를 수집하는 데이터취득장치, 데이터취득장치와 서버를 연결하는 통신제어장치, 모니터링 프로그램과 수명예측 프로그램이 설치된 서버를 포함하여 각종 부가 장치를 포함하는 변전기기 수명예측을 위한 전체 시스템의 개발에 대하여 기술 하였다. 또한 무선기반의 고장진단 검측 시스템을 구현하고 데이터 획득 기술에 대하여 나타내었다.

• 한국융합학회논문지
• /
• 제12권2호
• /
• pp.21-28
• /
• 2021

본 연구에서는 가전기기 5종에 대해 실제 측정 전력 데이터를 이용하여 딥러닝 기반의 NILM 기법을 제안하고 그 효용성을 검증 하고자 한다. 약 3주간 중앙 전력 측정 장치 및 5종 가전기기(냉장고, 인덕션, TV, 세탁기, 공기청정기)의 유효전력을 개별 측정하였다. 실측 데이터의 전처리 방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 분석하였다. 가전기기별 특징을 학습 데이터셋으로 구성하였다. 중앙 전력 측정 기기와 가전기기 5종에서 측정된 모든 전력 데이터를 시계열 매핑하여 시계열 데이터 분석에 우수한 RNN 계열의 LSTM 신경망을 이용해 학습을 수행하였다. 메인 중앙 전력 측정 장치의 전력 데이터만으로도 5종 전력 신호를 분해해낼 수 있는 알고리즘을 제안하였다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.