1. 서비스 명칭

• 전력 장비 SOH(State of Health) 진단 서비스 모델

2. 서비스 배경 및 목적 

에너지 AI Solution 개발 확산을 목표로 스마트 그리드, 스마트 팩토리의 장비별 에너지 효율화·설비별 이상 감지 서비스 개발이 필요한 실정이다.  전력장비 진단 서비스 모델은 전력장비의 이상 징후를 식별하며, 안전성 확보, 비용 절감, 성능 개선과 같이 전력 설비가 설치된 전반적인 산업 분야에서 활용될 수 있다.

3. 인공지능 서비스 유사 사례 분석 

• SCHNEIDER ELECTRIC SE(프랑스): 전기 설비의 데이터를 수집·정리하고, 실행 가능한 통찰력을 제공하는 감독 전력 관리 애플리케이션을 제공
• SIEMENS AG(독일): 서브분포, 다채널 전류계측, 유연한 모니터링 등 응용분야별로 매우 정밀한 측정기기
• MITSUBISHI ELECTRIC CORPORATION(일본): 전력 품질 계측 등 추가 옵션이 있는 다양하고 확장 가능한 전력 및 에너지 계측 장치 액정표시장치(LCD)와 탑재형 구성을 갖추고 있음
• ROCKWELL AUTOMATION, INC.(미국): 저전압 및 전류 변압기는 보호 계전기, 아날로그 장치, 변환기 등 다양한 기기 및 용도의 전류 사용량을 측정하는데 사용됨
• EATON CORPORATION, PLC(스위스): 전력 모니터링 및 품질 측정기

4. 인공지능 모델의 입출력 

• 입력: 장비 계측 시계열
• 출력: 장비 상태(정상: 0, 경고:1) 분류

5. 데이터셋 구축방안 

• AIHub에서 제공하는 데이터 다운로드

설비별 35종 전력 품질 원시 데이터를 10종 산업 대표 설비로 분류하고, 설비 정보 메타데이터, 업체 정보 메타데이터와 병합한 ‘에너지 사용패턴’ 학습용 AI 데이터 (세부 10종) 64.8 만건, ‘설비 SOH 진단’ 학습용 AI 데이터 (세부 10종) 97.2만건, 총 162만건의 데이터로 구성됨.

6. 데이터셋 구성 목표 

• 학습셋

설비 SOH 진단 AI 데이터셋: 
· 450대설비 x 24시간 x 30일 = 32.4만건 (전압고조파 평균) 
· 450대설비 x 24시간 x 30일 = 32.4만건 (전류고조파 평균)

• 시험셋: 학습셋의 20% 분할
• 학습셋 및 시험셋의 클래스별 비율: 정상 9 : 경고 1

7. 인공지능 모델 평가 방법

Macro F1 score

• Macro-F1은 0과 1사이의 값을 가지며 1에 가까울수록 좋습니다.
• Macro-F1의 경우 모든 class의 값에 동등한 중요성을 부여합니다다. 즉, 비교적 적은 클래스(rare classes)에서 성능이 좋지 않다면, Macro-F1의 값은 낮게 나타날 것입니다.
• Macro-F1은  먼저 class와 label의 각각 F1-score를 계산한 뒤 평균내는 방식으로 작동합니다.

8. 인공지능 모델 성능 목표 

• Macro F1 score: 0%

9. 서비스 구축계획 및 사용 시나리오 

• 설비별 SOH(State of Health) 스코어를 제시함으로써 설비 이상 정도를 파악하고 이를 기반으로 설비 유지보수 및 생산 성 향상
• GMM, Autoencode 및 GAN과 같은 비지도(Unsupervised) 학습 모델의 적용
• TPR기준 90%정확도 제공
• REST API제공으로 타 산업 확산 용이

10. 서비스 기대효과 

• 스마트그리드 및 스마트팩토리 분야 에너지 효율화 및 설비 이상 진단