2.1 HI의 정의와 역할

HI는 전력설비의 성능과 수명을 종합적으로 평가하여 자산관리자가 전력설비의 현재 상태와 위험도를 한눈에 파악할 수 있도록 돕는 중요한 도구이다[4-6]. HI는 단순한 평가 도구를 넘어서, 실제 설비의 상태를 종합적으로 반영하여 자산관리자가 자산의 기술적 상태, 성능 저하, 고장 가능성 등을 객관적으로 평가할 수 있게 한다. 또한, 자산관리자가 최적의 유지보수 및 교체 시점을 결정하는 기준으로 활용된다. HI를 산출하기 위해 Asset data를 기반으로 운영 연한, 고장 기록, 사용 환경, 부하율 등의 지표를 수집하고, 이를 체계적으로 수집한 후 적절한 가중치를 부여하여 종합 점수가 도출된다. 이렇게 도출된 HI 점수는 자산의 상태를 직관적으로 표현하여, 자산관리자가 전력설비의 유지보수 또는 교체에 대한 중요한 결정을 효율적으로 내릴 수 있다. 특히, 실시간 데이터와 예측 모델을 결합하여 자산의 상태 변화를 맞춤형 평가함으로써 자산의 주기 전반에 걸쳐 최적화된 유지보수 계획을 수립할 수 있다. 그림 1은 자산관리 주기에서 HI가 어떤 역할을 하는지를 시각적으로 설명한 그림이다. 이 그림은 Asset data를 기반으로 HI가 산출되고, 이를 통해 자산의 HI 기반 위험도 분석 (Risk analysis), 위험 완화 조치 (Mitigating m젝트 관리 (Project management)까지 자산관리 전 과정에서 핵심 기준으로 활용됨을 보여준다. 따라서, HI는 자산관리 전 과정에서 자산 상태를 실시간 데이터와 예측 모델을 결합하여 상태 변화를 동적으로 평가함으로써, 유지보수와 관리 전략을 효과적으로 조정할 수 있는 핵심 도구이다. 이를 통해 자산의 성능을 최적화하고 유지보수의 효율성을 극대화하여 전력 시스템의 신뢰성과 안정성을 강화하는 데 중요한 역할을 한다.

3.1 DNV의 HI

DNV의 HI는 자산의 현재 상태와 성능을 평가하고 미래 성능을 예측하는 핵심 도구로, 자산의 성능 저하를 사전에 감지하고 최적의 유지보수 및 교체 시점을 결정하는 데 중점을 둔다. DNV는 다양한 데이터 (운용 데이터, 상태 데이터)를 통합하여 자산의 잔여 수명과 성능 변화를 예측하며, 이를 바탕으로 최적화된 유지보수 계획을 수립한다. 진단 방식으로는 첫 번째 단계에서는 데이터 분석을 통해 자산의 상태를 평가한다. 두 번째로, 육안 검사를 통해 자산의 외형적 상태를 평가한다. 이는 자산의 외부 결함이나 손상 여부를 초기 단계에서 파악하는 중요한 과정이다. 세 번째로, 온라인 진단을 통해 실시간으로 자산 상태를 모니터링한다. 이 시스템은 자산의 성능 저하를 실시간으로 감지하고, 발생할 수 있는 문제에 대해 즉각적으로 대응할 수 있게 한다. 이를 통해 자산관리자는 자산의 상태 변화를 실시간으로 추적하여 예상치 못한 고장을 방지할 수 있다. 네 번째로, 오프라인 진단은 자산이 운영되지 않는 상태에서 정밀한 검사를 수행하는 과정이다.

이 단계에서는 운영 중 발견하기 어려운 문제들을 보다 심층적으로 점검하여 자산의 상태를 정확하게 평가할 수 있다. 마지막으로, 내부 검사와 파괴 검사를 통해 자산의 구성 요소를 분해하거나 파괴하여 자산의 성능과 상태를 정밀하게 분석한다. 이를 통해 자산관리자는 유지보수 계획을 구체적으로 수립할 수 있는 중요한 정보를 얻는다. 이처럼 데이터 분석에서 시작하여 온라인 및 오프라인 진단, 내부 검사를 통해 자산 상태를 종합적으로 평가하는 과정을 거쳐 최적화된 유지보수 계획을 수립할 수 있다. 그림 2는 전력설비 유지보수의 개념을 설계 단계와 실행 단계로 나누어 설명한다. 설계 단계에서는 유지보수 전략을 수립하고, 실행 단계에서는 설비 상태 평가, 점검, 유지보수 및 수리 활동을 통해 설비의 효율적인 운영을 관리한다. 이로써 자산의 수명 주기 전반에 걸쳐 성능 저하를 방지하고 고장을 예방할 수 있으며, 전력망의 안정성을 유지할 수 있다.

그림 3은 Utilization Data, Statistical Data, Condition Data를 각각 Degradation Function, Statistical Function, Condition Function을 통해 평가한 후, 이를 종합하여 HI 값을 산출하는 과정을 시각적으로 설명한다. 이러한 접근 방식은 자산의 상태와 성능을 종합적으로 반영하며, 0부터 10까지의 선형 스케일로 자산 상태를 직관적으로 시각화하여 자산관리자가 실시간으로 자산 상태를 평가하고 필요한 조치를 즉각적으로 결정할 수 있도록 한다. 자산 상태는 빨간색, 노란색, 초록색의 색상 코드로 구분되며, 빨간색은 즉각적인 유지보수가 필요한 상태를 나타내며, 노란색은 성능 저하가 시작된 상태, 초록색은 잔여 수명 동안 문제가 발생할 가능성이 낮은 상태임을 의미한다. 또한 DNV는 Critical time과 Reference period 개념을 도입하여, 자산의 성능이 급격히 저하되는 시점과 유지보수가 필요한 시점을 예측한다. Critical time은 자산 성능이 급격히 저하되기 시작하는 시점을 나타내며, Reference period는 자산이 교체되거나 추가적인 유지보수가 필요할 수 있는 기간으로 지속적인 모니터링과 유지보수 계획 수립에 중요한 정보를 제공한다. 그림 4는 Critical time과 Reference period를 통해 자산의 성능 저하와 유지보수 시점을 시각적으로 설명하며, 자산관리자가 각 시점에서 필요한 조치를 신속하게 결정할 수 있다. DNV의 HI는 다양한 산업에 맞춤형으로 적용될 수 있는 실용적인 솔루션으로, 실시간으로 모니터링과 유연한 접근 방식을 통해 유지보수 비용을 절감하고 자산관리의 효율성을 높이며, 장기적인 관리 전략을 수립에 핵심적인 역할을 한다^[7].

3.2 Kinectrics의 HI

Kinectrics는 자산관리를 최적화하기 위해 HI를 핵심 도구로 활용하여, 실시간 성능 데이터를 기반으로 자산의 상태를 평가하고 관리 결정을 내립니다. 특히, Failure Mode and Effect Analysis (FMEA) 분석을 통해 자산의 고장 모드와 그 영향을 철저히 분석함으로써, 위험도를 최소화하고 효율적인 유지보수 전략을 수립하는 데 중요한 기초 자료가 된다. Kinectrics는 자산의 상태를 평가하고 예측하기 위해 PROSORT와 같은 도구를 활용하여 자산의 우선순위를 설정하고, Asset Performance Management (APM) 플랫폼을 통해 실시간 모니터링과 맞춤형 보고서를 제공하여 자산의 상태 변화를 추척한다. 이러한 시스템은 자산의 상태와 중요도 평가를 바탕으로 고장 위험이 높은 자산을 신속히 식별하고, 유지보수 및 교체 전략 수립에 기여하는 역할을 한다. 또한, 자산의 상태를 평가할 때 0에서 100까지의 선형 스케일을 사용한다. 그림 5에서 보여지는 이 스케일은 자산의 상태를 매우 우수 (85-100)에서 매우 나쁨 (0-30)까지 분류하여 평가한다. HI 점수가 높을수록 자산 상태가 양호하고 고장 가능성이 낮으며, 점수가 낮을수록 성능이 저하되고 고장 가능성이 높아진다.

이를 통해 Kinectrics는 고장 위험이 증가하는 시점을 예측하고, 자산 상태에 맞춘 유지보수 및 교체 전략을 수립할 수 있다. 이러한 Kinectrics의 HI 점수에 따른 자산 상태와 고장 확률 및 유지보수 지침은 그림 6에 제시되어 있다. 이러한 접근 방식은 ISO 55000 표준을 따르며, 예측 모델을 통해 비용 효율적이고 장기적인 자산관리 전략을 지원한다. 실시간 데이터를 기반으로 장기적인 장기적인 자산관리 전략을 수립할 수 있는 기반을 마련한다^[8].

3.3 EA Technology

EA Technology는 HI를 통해 자산의 상태와 고장 가능성을 평가하고 유지보수 및 교체시점을 결정하여, 자산관리의 효율성을 극대화하고 있다. 영국의 Common Network Asset Indices Methodology (CNAIM) 평가 방식을 기반으로 HI를 도출하며, 이를 통해 자산의 상태를 정량적으로 평가하고 고장 위험을 예측한다. HI는 Health Score로부터 기인되며, 이는 0.5부터 10까지 선형 스케일로 표현된다. 점수가 낮을수록 자산의 상태가 양호하고, 점수가 높을수록 성능 저하와 고장 가능성이 높아진다는 것을 의미한다. EA Technology는 실시간 모니터링 데이터를 통합하여 자산 상태를 즉각적으로 파악하고, 이를 바탕으로 유지보수 전략을 최적화한다. 또한, CNAIM에서 사용되는 다양한 요소들을 종합하여 HI를 계산하고, 이를 통해 자산관리자가 위험도 기반의 전략적 결정을 내릴 수 있도록 지원한다. 결과적으로, EA Technology는 HI를 활용해 자산 수명을 연장하고 유지보수 비용을 절감하는 효과를 추구하고 있다^[9].

그림 7은 CNAIM에서 사용되는 HI 계산 방법을 설명한 그림으로, 자산의 초기 상태, 위치 요소, 사용 패턴 등 다양한 요인을 종합적으로 고려하여 HI를 도출하는 방법을 나타낸다.

3.4 TU Delft의 HI

TU Delft는 전력설비의 상태 평가와 고장 예측을 위한 HI 도출 방법론을 개발하여, 자산의 상태를 정량적으로 평가하고 최적의 유지보수 및 교체 시점을 결정하는데 중요한 역할을 한다. 이 방법은 자산의 운영 연한, 고장 이력, 사용 환경, 부하 조건 등과 같은 데이터를 통합하여 자산의 잔여 수명과 고장 가능성을 추정하며, 확률적 모델링 기법을 통해 열화 메커니즘을 분석한다. TU Delft의 HI는 자산 상태를 로그 스케일을 사용해 자산 상태의 작은 변화를 민감하게 표현하며, 이를 통해 초기 성능 저하를 빠르게 감지할 수 있다. 또한, 자산의 물리적 상태, 환경 조건, 유지보수 이력 등을 종합적으로 고려하여 자산 상태를 평가하고 고장 원인을 정확하게 파악할 수 있다. 즉, TU Delft는 실험적 데이터와 실시간 모니터링 데이터를 활용해 모델의 신뢰성을 높이며, 자산의 위험도를 평가해 자원 배분 및 유지보수 전략 수립을 지원한다. 이를 통해 자산 수명을 연장하고 유지보수 비용을 절감할 수 있는 전략을 제공한다.

3.5 해외 사례를 통한 HI에 대한 고찰

DNV, Kinectrics, EA Technology, 그리고 TU Delft의 사례를 통해 HI가 자산관리에서 점차 중요한 역할을 맡고 있음을 확인할 수 있다. 각 기관은 HI를 활용해 자산의 상태를 정량적으로 평가하고, 이를 기반으로 효율적인 유지보수 및 교체 전략을 수립하고 있다. 이러한 접근 방식은 자산의 성능을 최적화하고, 관리 비용을 절감하는 데 기여하고 있으며, HI의 역할과 적용 범위가 점차 확대되고 있다.

DNV는 HI를 통해 자산의 성능 저하 시점을 예측하고 Critical Time과 Reference Period 개념을 사용해 유지보수 시기를 결정하고 있다. 이는 자산의 상태를 실시간으로 모니터링하며, 정확한 유지보수 시점을 결정하는 데 중요한 기준이 된다. Kinectrics는 실시간 데이터를 활용하여 자산 상태를 빠르게 반영하고, PROSORT와 APM 플랫폼을 통해 자산의 우선순위를 설정하는 전략적 접근을 취하고 있다 . EA Technology는 HI를 통해 자산의 고장 가능성을 사전에 예측하고, 적시에 유지보수 결정을 내림으로써 자산의 가용성을 극대화하고 불필요한 비용을 줄이는 데 기여하고 있다. TU Delft는 HI의 이론적 연구와 실험적 검증을 통해 자산관리의 과학적 기초를 확립하고 있으며, 다양한 산업에 적용할 수 있는 모델을 개발하고 있다. 이러한 사례들은 HI가 자산관리의 핵심 도구로서 발전하고 있으며, 자산의 성능을 예측하고 유지보수 전략을 최적화하는 데 필수적인 역할을 하고 있음을 보여준다. 특히, 실시간 데이터 통합과 예측 모델링의 고도화는 자산관리의 신속성과 정확성을 높이고 있으며, 향후 더 많은 데이터 소스와의 결합을 통해 발전할 가능성이 높다.

앞으로 HI는 빅데이터와 인공지능 기술의 발전과 함께 자산의 상태 모니터링과 유지보수 예측의 정확성을 높이는 방향으로 나아갈 것으로 기대된다. 또한, 다양한 산업에 맞춤형으로 적용할 수 있는 유연성을 더욱 강화하여, 자산관리 효율성을 극대화하는 중요한 도구로 자리 잡을 것으로 기대된다.

4.1 육안 검사, 내부 검사 및 파괴 검사의 체계적 데이터 관리

HI를 정확히 도출하기 위해서는 육안 검사, 내부 검사, 파괴 검사에서 얻은 데이터를 체계적으로 관리하는 것이 필수적이다. 육안 검사는 자산의 외부 상태를 점검하여 결함이나 손상을 조기에 발견하는 데 중요한 역할을 하며, 내부 검사와 파괴 검사는 자산의 구성 요소를 심층적으로 분석하여 잠재적인 문제를 확인하는 데 활용된다. 이러한 검사는 자산의 성능 저하와 고장 가능성을 사전에 파악할 수 있는 중요한 정보를 제공하지만, 현재 우리나라에서는 이러한 검사 결과에 대한 데이터가 체계적으로 관리되지 않고 있어 자산 상태를 정량적으로 평가하는 데 한계가 있다. 검사를 통해 수집된 데이터를 표준화된 방식으로 통합 관리하고 분석해야만 자산의 성능 저하와 고장 가능성을 정확하게 평가할 수 있다. 이를 위해서는 검사 결과를 디지털화하고, 이를 기반으로 자산의 상태를 체계적으로 추적할 수 있는 시스템이 필요하다. 예를 들어, DNV의 사례에서는 자산의 상태 변화와 성능 저하를 실시간으로 모니터링하고, 이를 종합적으로 평가하여 유지보수 시점을 결정하는 연구가 필수적임을 보여준다.

따라서, 육안 검사와 내부 검사, 파괴 검사의 결과를 체계적으로 통합 관리함으로써 자산의 상태를 정량적으로 평가하고, HI 도출의 정확성을 높일 수 있다. 이러한 체계적인 데이터 관리는 자산의 예방적 유지보수 및 교체 전략을 최적화하는 데 중요한 기반이 될 것이다^[7].

4.2 온라인 진단에 의한 실시간 모니터링 데이터의 고도화 및 시계열 데이터 분석

현재 우리나라 전력설비의 온라인 진단 실시간 모니터링 시스템은 주로 설정된 임계값 (Threshold)을 초과하는지 여부만을 확인하는 방식에 집중되어 있다. 이러한 방식은 즉각적인 문제 탐지에 유용하지만, HI를 도출하기 위해서는 실시간으로 수집된 데이터를 기반으로 시계열 분석 등을 통해 자산의 성능 변화를 면밀히 추적하는 것이 중요하다. Kinectrics의 사례에서는 실시간 데이터를 활용하여 자산의 상태 변화를 빠르게 반영하고, 유지보수 전략을 최적화하는 것이 자산관리의 핵심 요소로 작용하고 있다^[8]. 우리나라도 실시간 데이터를 바탕으로 시계열적 변화를 분석하고 자산의 고장 가능성을 예측할 수 있는 시스템을 갖추는 것이 필요하다. 이는 단순히 임계값을 초과했는지 여부만을 확인하는 것에서 나아가, 자산의 상태 변화를 시간에 따라 추적함으로써 자산의 성능 저하 경향을 파악하고, 이를 기반으로 예방적 유지보수 계획을 수립할 수 있는 시스템이 될 것이다. 이를 통해 자산관리자는 자산의 상태 변화를 미리 예측하여 사전 조치를 취하고, 자산의 수명을 연장할 수 있을 것이다.

따라서, 실시간 모니터링 데이터의 고도화와 시계열 분석을 통해 자산의 성능 변화를 정밀하게 파악하고, HI 기반 유지보수 전략을 효과적으로 수립할 수 있는 시스템을 개발하는 것이 시급하다.

4.3 오프라인 진단을 통한 심층 검사와 예측 모델 개발

오프라인 진단은 전력설비의 운전을 중지한 상태에서 정밀한 검사와 분석을 수행하는 과정이다. 이 과정에서 자산의 내부 상태와 성능을 심층적으로 점검함으로써, 온라인 진단으로는 발견하기 어려운 문제를 사전에 감지할 수 있다. 오프라인 진단을 통해 수집된 데이터는 자산의 상태를 보다 정확하게 평가하는 데 사용되며, 이를 바탕으로 예측 모델을 개발하여 자산의 고장 가능성을 사전에 분석할 수 있다. 특히, 고장 모드와 열화 메커니즘을 반영한 모델링 기법을 통해 자산의 성능 저하 시기를 예측하고, 자산의 수명 연장을 위한 효율적인 관리 방안을 마련할 수 있다. 이러한 예측 모델은 자산의 실제 상태를 정밀하게 반영하여, 유지보수 및 교체 시기를 최적화하는 데 중요한 역할을 한다. 또한, 오프라인 진단을 통해 얻은 데이터는 장기적인 자산관리 전략 수립에 필수적이며, 자산의 신뢰성을 높이는 데 기여할 수 있다.

따라서, 오프라인 진단을 통해 심층적으로 수집된 데이터는 자산의 상태를 더 정확하게 파악하고, 이를 바탕으로 예측 모델을 개발함으로써, 자산관리자가 자산의 고장 가능성을 보다 정교하게 예측하고, 예방적 유지보수 전략을 수립할 수 있는 기반을 제공한다.

4.4 인공지능 및 빅데이터 기반 고장 확률 예측

인공지능 (AI) 기술과 빅데이터 분석은 HI의 고도화에 중요한 역할을 한다. 실시간으로 수집된 데이터를 AI 알고리즘에 적용하면 자산의 상태 변화를 실시간으로 분석하고, 이를 통해 고장 확률을 정밀하게 예측할 수 있다. 그러나, 단순히 AI를 적용하는 것만으로는 정확성에 한계가 있으며, 고장 및 이상 데이터를 기반으로 한 빅데이터 구축이 필수적이다. 충분하고 신뢰성 있는 데이터를 확보해야만 AI 모델이 고장 확률을 더욱 정확하게 예측할 수 있으며, 이를 위해 다양한 상황에서 발생할 수 있는 고장 데이터를 수집하고 이를 학습하는 과정이 필요하다. 이러한 데이터는 실시간으로 수집된 정보를 바탕으로 체계적으로 분석되어야 하며, 이를 통해 AI 알고리즘의 성능이 점진적으로 향상될 수 있다. EA Technology의 실시간 데이터 활용 사례에서 볼 수 있듯이, AI 기술을 통한 고장 예측은 자산의 가용성을 극대화하고 비용 절감에 크게 기여할 수 있다^[9]. 그러나, 각 환경과 상황에 맞춘 맞춤형 자산관리 솔루션을 제공하기 위해서는 충분한 데이터 수집과 그에 따른 모델 개선이 필수적이다.

따라서, AI와 빅데이터 기반 고장 예측 모델의 도입은 자산관리의 정확성을 높이는 중요한 방안이 될 수 있지만, 이를 뒷받침하는 데이터의 양과 질이 필수적으로 확보되어야 한다. 향후, 이러한 데이터 기반 AI 모델을 도입하고 지속적으로 데이터를 축적함으로써 예방적 유지보수 전략을 더욱 효과적으로 수립할 수 있을 것이다. 이를 통해 자산관리자는 자산의 고장 위험을 사전에 감지하고, 자산 수명을 연장하며 불필요한 유지보수 비용을 절감할 수 있다^[10].

4.5 설치 위치, 부하 조건, 통계적 데이터 등을 활용한 연구

신뢰도 높은 HI를 도출하기 위해서는 전력설비의 설치 위치, 부하 조건, 통계적 데이터 등이 필수 요소로 작용한다. 자산이 설치된 위치에 따른 환경적 영향과 부하 조건에 따른 성능 저하 속도의 차이는 자산 상태 평가에 중요한 기준이 된다. 예를 들어, TU Delft의 연구에서는 이러한 요소들을 반영한 평가 모델을 통해 자산의 상태를 보다 정밀하게 분석하고 있다^[11]. 이러한 접근 방식은 자산이 운영되는 환경적 변수와 운영 조건을 종합적으로 고려하여 자산 상태를 정확하게 평가하는 데 중요한 역할을 한다. 우리나라에서도 이러한 데이터를 바탕으로 한 장기적인 연구가 필요하며, 이를 통해 자산의 상태를 체계적으로 평가하고, 성능 최적화를 위한 함수를 도출하는 작업이 이루어져야 할 것이다. 이를 통해 각 지역의 특성에 맞는 자산관리 전략을 개발하고, 자산의 수명을 연장하며 유지보수 비용을 절감할 수 있는 맞춤형 솔루션을 제공할 수 있다.

따라서, 설치 위치, 부하 조건, 그리고 통계적 데이터를 활용한 연구는 자산 상태 평가를 정확하고 효율적으로 수행하는 데 필수적이며, 자산관리의 효율성을 높이는 중요한 단계가 될 것이다.