2.1 실험 구성 및 방법

본 연구에서는 실제 전기설비 운용 환경을 모사하기 위해 정격 소비전력이 서로 다른 조명 부하를 적용하여 누전전류를 측정하고 이를 기반으로 LSTM모델을 이용한 예측 실험을 수행하였다. 누전전류는 ACS712(5A) 전류 센서를 사용하여 1초 간격으로 연속적으로 계측되었으며, 측정된 데이터는 슬라이딩 윈도우(sliding window) 기법을 적용하여 60초 구간을 입력 시퀀스로 구성하고 이후 61번째 시점의 전류값을 예측 대상으로 설정하였다. LSTM 모델은 PyTorch 환경에서 구현되었으며, 단일 LSTM 계층과 선형회귀층(linear regression layer)으로 구성되었고, 은닉노드(hidden node) 수는 64, 입력 차원은 (batch, 60, 1)로 정의하였다. 학습 과정에서는 평균제곱오차(MSE)를 손실 함수로, Adam(Adaptive moment estimation) 옵티마이저(Optimizer)를 최적화 기법으로 사용하였으며, 전체 데이터셋을 기준으로 100 epoch 동안 반복 학습을 수행하였다. 성능 평가는 평균절대오차(Mean Absolute Error)와 평균제곱근오차(Root Mean Squared Error)를 통해 정량적으로 검증하였고, 예측 결과와 실측 데이터를 시계열 곡선으로 비교하여 정성적 평가를 병행하였다^[11].

해당 연구에서 적용한 침수 환경 실험은 일반적인 건식(dry) 조건이 아닌, 수분 접촉에 따른 누전 환경을 모사하기 위해 설계되었다. 이는 홍수, 옥외 분전함 침수, 욕실·수영장 설비 등 실제 현장에서 빈번히 발생하는 수분 접촉 환경에서 누설전류가 급격히 증가할 수 있다는 전기안전 연구 결과를 반영한 것이다^[12]. 따라서 본 실험의 침수 조건은 절연재의 직접적인 열화 유도보다는 수분 존재 시 누전전류 패턴 변화와 LSTM 기반 예측 모델의 감지 성능을 검증하기 위한 가혹 환경(Stress Test) 조건으로 설정되었다.

실험 결과, 30W 부하 조건에서는 약 4∼7 mA 범위의 누전전류가 관측된 반면, 60W 부하 조건에서는 7∼9 mA 수준의 누전전류가 보다 빈번하게 나타나 부하 변화가 누전전류 패턴에 영향을 미칠 가능성이 확인되었다. 다만, 이는 절연 열화의 직접적인 근거라기보다 수분 노출 및 부하 조건 변화에 따른 누전전류 패턴의 차이로 해석하는 것이 타당하다.

학습된 LSTM 모델은 이러한 시계열 패턴 변화를 효과적으로 반영하여 실제 측정값과 유사한 예측 곡선을 생성하였으며, 누전전류 증가와 같은 이상 징후를 사전에 탐지할 수 있는 가능성을 보여주었다. 이번 연구에서 사용한 예측 모델은 LSTM 단일 계층(hidden size 64)과 1개의 선형 회귀층으로 구성된 최소 구조로 설계되어, Transformer 또는 다층 GRU 기반 모델에 비해 파라미터 수와 연산량을 크게 감소시킨 경량화 형태를 구현하였다. 이러한 구조적 단순화는 모델의 연산 효율성을 확보하는데 기여하며, 본문에서는 해당 구조의 파라미터 구성과 연산 복잡도를 수치적으로 제시함으로써 경량화의 근거를 명확히 하였다. 그리고 GPU(Graphics Processing Unit) 기반의 고성능 연산 환경이 아닌 마이크로컨트롤러(MCU)와 같은 제한된 자원 환경에서도 동작 가능함을 확인하였다^[13]. 이를 통해 제안된 방법은 단순한 예측 성능 검증을 넘어, IoT 센서 네트워크 및 임베디드 장치와 연계하여 전기설비 상태를 실시간으로 감시하고 능동적 예지보전 체계로 확장할 수 있는 실제 적용 가능성을 제시한다.

2.2 누전전류 데이터 수집

Fig. 1은 본 연구에서 구축한 실시간 누전전류 데이터 수집 시스템의 전체 아키텍처를 나타낸 것이다. 시스템은 조명 부하에서 발생하는 누전전류를 전류 센서를 통해 계측하고, 측정된 아날로그 신호를 데이터 수집 장치에서 디지털 신호로 변환한 후 마이크로컨트롤러에서 1차 전처리를 수행한다. 전처리된 데이터는 사용자 인터페이스(UI)와 데이터베이스(DB)로 전송되며, UI는 C# 기반으로 구현되어 실시간 시각화를 지원함으로써 사용자가 전류 변화를 즉시 확인할 수 있도록 한다^[14]. 저장된 장기 데이터는 LSTM 기반 시계열 예측 모델의 학습 및 성능 검증에 활용된다. 본 아키텍처는 기존의 누전차단기와 같이 누전 발생 이후에만 대응하는 방식과 달리, 전류 패턴의 변화를 지속적으로 모니터링하여 이상 징후를 조기에 감지할 수 있도록 설계되었다. 따라서 Fig. 1에 제시된 구조는 실시간 누전 감시 및 예측 모델과의 연계를 통해 전기설비 상태 진단 및 예지보전 체계로 확장할 수 있는 기술적 기반을 제공한다.

그림 1. 실시간 누전 데이터 수집 구조도

Fig. 1. Architecture of real-time earth leakage current data collection system

Fig. 2의 누전 데이터 실험 환경은 단순 무부하 조건이 아닌, 정격 소비전력이 서로 다른 조명 부하(30W, 60W)를 적용하여 구성하였다. 이를 통해 부하 조건 변화에 따른 누전전류 패턴의 차이를 관찰할 수 있도록 하였으며, 실제 운전 환경에서 발생할 수 있는 부하 변동 시나리오를 반영하였다.

실험 결과, 30W 부하 조건에서는 약 4∼7mA 범위의 누전전류가 관측되어 비교적 작은 변동 폭을 보였다. 반면, 60W 부하 조건에서는 7∼9mA 수준의 누전전류가 반복적으로 관측되어, 부하 증가가 누전전류 크기와 발생 빈도에 영향을 줄 수 있음을 확인하였다. 이는 부하 전력이 증가할수록 전기적 스트레스가 커지고, 이에 따라 누전 경로가 활성화될 가능성이 높아질 수 있음을 시사하는 결과이다^[15].

그림 2. 조명 부하에서의 누전전류 측정

Fig. 2. Measurement of earth leakage current in lighting loads

수집된 데이터는 이후 마이크로컨트롤러 환경에서 실시간 예측이 가능하도록 경량화된 LSTM 모델에 적용되었으며, 이를 통해 단순 데이터 수집을 넘어 누전전류 패턴 변화를 실시간으로 분석하고 이상 징후를 조기에 탐지할 수 있는 가능성을 확인하였다.

Fig. 3은 이번 연구에서 구현한 누전전류 모니터링 컨트롤러의 실행화면이다. 본 장치는 전류 센서를 통해 측정된 누전전류 신호를 실시간으로 수집하고, 이를 C# 기반 사용자 인터페이스(UI)로 전송하여 즉각적인 시각화와 데이터 저장이 가능하도록 설계되었다.

그림 3. 누전전류 모니터링 컨트롤러

Fig. 3. Earth leakage current monitoring controller

컨트롤러는 측정 모듈, 데이터 처리 모듈, 통신 모듈로 구성되어 있으며, 측정된 전류 데이터는 마이크로컨트롤러에서 1차적으로 전처리된 후, 데이터베이스에 저장되어 장기적인 분석 및 LSTM 기반 예측 모델의 학습 데이터로 활용된다. 또한, 컨트롤러는 단순한 계측 기능을 넘어 IoT 기반 원격 모니터링 체계와 연동될 수 있도록 설계되어, 현장 설비의 상태를 지속적으로 감시하고 이상 신호 발생 시 즉각적인 경보를 제공할 수 있다. 이러한 구조는 기존의 누전차단기가 사후 대응 방식으로만 동작하는 한계를 보완하며, 예방 중심의 실시간 감시 및 예지보전 체계로 확장될 수 있는 가능성을 보여준다.

Fig. 4는 60일간 측정된 누전전류의 시계열 변화를 나타낸 그래프로, 장기간에 걸쳐 누전전류 패턴이 변화하는 양상을 시각적으로 보여준다. 초기에는 약 4mA 수준의 미세 누전이 간헐적으로 관측되었으며, 이는 전기설비의 누전 상태가 비교적 안정적으로 유지되고 있었음을 의미한다. 그러나 시간이 경과함에 따라 누전전류의 크기와 발생 빈도가 점진적으로 증가하는 경향이 확인되었다. 특히 30일 이후부터는 7mA 이상의 누전전류가 반복적으로 나타났으며, 최대 9mA 수준까지 도달하는 사례도 관측되었다. 이와 같은 시계열 변화는 수분 노출 환경에서 누전 경로의 전기적 특성이 변할 수 있음을 시사하며, 장기간 관찰 시 잠재적 위험 신호로 활용될 가능성이 있다. 그리고 이러한 변화가 절연 열화에 의한 직접적인 결과임을 단정하기 위해서는 향후 재료 특성 분석 및 시각적·물성 기반 검증이 추가적으로 필요하다.

그림 4. 60일간 누전전류의 시계열 추세

Fig. 4. Time-series trend of earth leakage current over 60 days

따라서 Fig. 4는 누전전류가 단순한 일시적 이상 신호가 아니라, 시간 경과에 따라 누적 변화할 수 있는 시계열적 특성을 지닌다는 점을 보여준다. 이는 누전전류의 장기 추적이 전기설비의 잠재적 이상 징후를 조기에 감지하고, 고장 발생 이전에 예방적 대응의 근거로 활용될 가능성이 있음을 시사한다 ^[16]. 해당 연구는 부하 전력 변화에 따른 누전전류 패턴 분석에 초점을 두어 실험을 수행하였으나, 데이터가 제한된 환경에서 수집되었다는 한계를 지닌다. 향후 연구에서는 온도, 습도, 분전함 소재, 배선 길이, 고조파 및 EMI(Electromagnetic Interference) 등 다양한 외부 환경 변수를 고려한 장기 데이터 수집을 통해 제안 모델의 일반화 성능을 검증할 예정이다. 또한, 실제 산업 현장에서 수집되는 실증 데이터를 연계하여 모델을 검증함으로써, 현장 적용성을 한층 강화한 신뢰성 있는 예지보전 모델로 확장하고자 한다.

3.1 예측 모델 구성

본 연구에 적용된 LSTM 모델은 시계열 누전전류 데이터의 시간적 패턴 변화와 이상 징후를 효과적으로 인식할 수 있도록 설계되었다. LSTM은 RNN(Recurrent Neural Network)의 구조적 한계를 보완하여, 긴 시계열에서도 중요한 장기 의존성을 유지할 수 있으며, 입력 게이트, 망각 게이트, 출력 게이트의 조합을 통해 정보의 선택적 기억 및 제거가 가능하다.

이에 따라, 본 모델은 과거 60초 동안의 누전전류 시퀀스를 입력으로 사용하여, 점진적 증가나 주기적 진동과 같은 경향성을 학습하는 동시에, 특정 시점의 급격한 변화와 같은 이상 패턴도 감지할 수 있도록 구성되었다. 특히, 셀 상태(Cell State)를 통해 시간 흐름에 따른 누전 경향을 지속적으로 추적하고, 예측 시점에서 유의미한 정보를 반영함으로써, 실제 측정값과 유사한 곡선을 출력하며 이상 징후를 조기에 탐지할 수 있도록 하였다.

모델의 주요 하이퍼파라미터는 다음과 같다. 입력 차원은 (batch, 60,1), 은닉 노드 수는 64, LSTM 층 수는 1개이며, 출력층은 1차원 회귀 값을 도출하는 선형 회귀층으로 구성되었다. 손실함수는 MSELoss를, 최적화 알고리즘은 파라미터 업데이트 시 손실 함수의 수렴 속도와 안정성을 고려하여, 적응형 학습률 기반의 Adam Optimizer를 사용하였다.

Adam은 각 파라미터에 대해 개별적인 학습률을 자동으로 조정하여, 경사 하강 과정에서 진동을 억제하고 빠른 수렴을 유도한다.

모델은 PyTorch기반으로 다음과 같이 정의되었다:

class LSTMModel(nn.Module):

def __init__(self, input_size=1, hidden_size=64, num_layers=1):

super().__init__()

self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)

self.fc = nn.Linear(hidden_size, 1)

def forward(self, x):

out, _ = self.lstm(x)

out = self.fc(out[:, -1, :])

return out

전체 데이터의 80%는 학습용, 20%는 검증용으로 분할하였으며, 전체 학습 데이터를 기준으로 100 epoch에 걸쳐 반복 학습을 수행하였다. 오차 감소 및 과적합 여부를 모니터링하면서 학습을 진행하였고, 예측 성능 평가는 MAE, RMSE를 통해 정량적으로 검증하였고, 실제 측정값 대비 예측 곡선의 시각화를 통해 정성적으로도 분석하였다.

3.2 실험 결과

Fig. 5 그래프에서 X축은 시간 흐름(Time Step), Y축은 누전전류의 크기(mA)를 나타내며, 파란 선(실선)은 LSTM 모델이 예측한 전류값(Predicted), 주황선(점선)은 실측된 전류값(Actual)을 각각 의미한다. 모델은 과거 60초간의 누전전류 데이터를 입력으로 사용하고, 1초 뒤의 전류값을 예측하는 구조로 구성되었으며, 전체 실험에서는 총 50개의 시계열 예측 구간에 대해 예측 성능을 분석하였다.

LSTM 모델은 약 4∼9mA 범위에서 누전전류의 시계열 변화를 안정적으로 예측하였으며, 특히 전류가 점진적으로 증가하는 구간에서도 예측 곡선과 실측 데이터가 유사한 추세를 보였다. 이를 통해 LSTM 모델이 누전전류 변화 패턴을 학습하여 이상 징후 감지에 활용될 가능성을 확인하였다. 초기에는 약 4mA 수준의 누전이 관측되었으나, 시간 경과에 따라 7mA 이상의 값이 나타나는 빈도가 증가하였고, 최대 9mA까지 도달하는 사례도 확인되었다. 이러한 관찰 결과는 누전전류 증가가 잠재적 위험 신호로 해석될 수 있다는 기존 예지보전 연구의 보고와도 일치하는 경향을 보인다^[17].

그림 5. LSTM 예측 결과 (파란 실선: 예측값, 주황 점선: 실제값)

Fig 5. LSTM prediction result (Predicted: blue solid line; Actual: orange dashed line)

또한, 모델의 정량적 성능을 보다 명확히 검증하기 위해 평균절대오차(MAE)와 평균제곱근오차(RMSE)를 기반으로 한 성능 비교 결과를 Fig. 6에 제시하였다.

그림 6. LSTM 예측 모델의 정량적 성능 평가

Fig. 6. Quantitative performance evaluation of LSTM prediction model.

X축은 성능 비교 대상 그룹으로 Overall은 전체 데이터셋에서의 평균 오차로 기준선 역할을 하며, Bin 구간은 누전전류 크기별 예측 성능으로 0~7mA 구간으로 나눠서 어느 전류 범위에서 모델이 잘 맞는지 확인하였다. 시간 경과에 따른 모델 성능 변화를 검증하기 위해 Week별 성능을 설정, Week+0은 데이터의 시작 주차, Week+1 ~ +8은 이후 주차별 예측 성능이다. 주차별 MAE와 RMSE가 비슷하다면 모델이 시간에 따라 안정적이지만, 특정 주차에서 RMSE가 유난히 높다면, 해당 기간에 예외적 이상치가 포함 될 가능성이 있음을 시사한다. Y축은 오차 크기로 mA단위를 사용하였다.

실험 결과, 전체 데이터셋에 대한 LSTM 모델의 정량적 성능 평가에서 평균절대오차(MAE)는 약 0.06mA, 평균제곱근오차(RMSE)는 약 0.08mA로 나타났다. 이는 예측값이 실제 측정값과 매우 근접함을 의미하며, 제안된 모델이 누전전류 시계열 데이터의 변화를 정밀하게 반영할 수 있음을 보여준다.

특히 위험 구간(≥7mA)에서도 안정적으로 추종하는 결과를 보여, 제안된 모델이 고장 발생 이전 단계에서 실질적인 예측 기능을 수행할 수 있음을 입증하였다. 따라서 본 연구는 단순한 예측 성능 평가를 넘어, IoT 센서 네트워크 및 임베디드 장치와 연계한 실시간 예지보전 체계의 실질적 가능성을 제시한다.