2.1 빅 데이터 플랫폼 구성 및 그래픽 사용자 인터페이스(GUI) 설계·구현

AI 기반 안전관리 플랫폼을 개발하기 위해 전기안전, 설비 신뢰성, 에너지 관리 기능을 통합한 빅 데이터 플랫폼을 구축하고 사용자가 직관적으로 조작할 수 있는 그래픽 사용자 인터페이스(GUI)를 설계했다.

먼저 빅 데이터 플랫폼은 그림 3과 같이 구성하였다. 데이터 수집, 저장, 전처리, 분석, 모니터링 서버는 아래 그림과 같이 각각의 서버로 구성했으며, 3대의 서버로 구성된 클러스터 환경을 적용하여 시스템의 안정성을 확보했다.

다음으로 기본적인 데이터 분석 뿐만 아니라, API 모듈, 실시간 소비 평가, 전기설비 예측 경보 기능, 안전관리 제어시스템 등 다양한 기능을 고려하여 그래픽 사용자 인터페이스를 설계하였다. 이러한 설계를 바탕으로 웹 기본 화면과 UHF 진단 및 분석화면을 그림 4와 같이 개발했다.

2.2 무정전 전력 진단시스템의 데이터 수집

다중이용시설 수용가의 전기설비를 대상으로 각 구역에 진단 장비 및 센서를 설치하고, 이들로부터 수집된 실시간 데이터를 중계모듈을 통해 IDC 센터로 전송·저장한 뒤 이를 시각화하는 통합 플랫폼을 개발하였다. 그리고 이기종 센서 데이터들을 플랫폼으로 전송하기 위하여 아래 그림 5와 같이 이기종 장비를 설계하였다.

아래 표 1과 같이 특고압 전기설비를 대상으로 UHF PD센서·HFCT센서·IR카메라로 구성한 On-Line Power PD/IR Monitoring System OPM100과 연기센서·진동센서·전류센서로 구성한 복합센서 및 3상 누설전류계, 메인 데이터 수집장치를 설치했다.

저압 전기설비를 대상으로 단상다회로 계측장치·3상 계측장치·적외선 열화상 계측장치·통신 게이트웨이로 구성한 저압분전반 진단센서를 설치했다.

전기설비에 설치한 센서를 통해 UHF 기반 부분방전 신호(dBm), HFCT 기반 고주파 누설전류 신호(dBm), 설비 표면 온도 데이터(°C), 진동(g), 초음파 신호(dBm), 연기 농도(%), 전류(A)와 함께 상별 전압·전류 등 전력데이터를 수집하였다.

수집된 이기종 데이터의 통합 관리 및 AI 모델 학습의 일관성 확보를 위해 전기설비 유형별 데이터 표준화 기준을 수립하였다. 본 표준화 기준은 IEC 60270(부분방전 측정), KS C IEC 61000 시리즈(전자기 적합성), 전기설비기술기준(KEC) 및 본 과제 현장 실증 경험을 종합하여 설정하였으며, 아래 표 2와 같이 설비·센서별 데이터 항목, 샘플링 속도, 해상도, 취득 주기, 데이터 타입을 명시한다. 취득한 원시데이터는 시간 정보를 포함한 시계열 형태로 저장 및 관리되고 정상 상태 대비 이상 패턴 분석과 초기 열화 및 고장 징후 탐지를 위한 기초 데이터로 활용된다.

2.3 통합 데이터 파이프라인 및 데이터마트 구축

산업 현장에서 발생하는 이기종 데이터를 통합적으로 수집·처리·저장할 수 있는 표준화된 통합 플랫폼을 개발이 필요하다. 이를 위해 Apache Flume을 통한 원본 데이터를 수집, Hive 기반으로 HDFS에 적재하고 Structured Streaming 분석모듈과 Fluent Bit 기반 수집 Agent 경량화를 통해 Apache Hadoop 파일 시스템에 실시간 분석용 데이터를 Apache Flume으로 수집 및 적재하는 기능을 개발했다. 아래 그림 6과 같이 이러한 기능들은 데이터 수집 파이프라인으로 통합하도록 개발했다.

또한 Spark Structured Streaming과 Parquet 기반 저장 구조를 도입하여 대규모 데이터의 효율적 분석 및 모델 기반 데이터마트(Data Mart) 구성이 가능하도록 하였으며, MariaDB Replication 환경을 통해 운영계와 분석계 간 데이터 연계를 안정적으로 수행하였다. Parquet은 컬럼 기반 저장 구조를 통해 불필요한 I/O를 줄이고, 고성능 압축 기법을 활용하여 저장 효율을 향상시키는 데이터 포맷이다. 또한 Apache Spark와의 호환성을 바탕으로 대규모 시계열 데이터의 실시간 및 배치 분석을 효과적으로 지원한다. 본 플랫폼은 센서 데이터를 Parquet 형식으로 HDFS에 저장하고, 데이터마트 기반 이중 처리 구조를 통해 실시간 전처리와 배치 분석을 동시에 수행하도록 설계되었다.

그림 7과 같이 데이터 마트를 구축하여 시스템별 모델 단위로 실시간 데이터 전처리 및 분석용 데이터 Parquet 파일 형식으로 HDFS에 저장할 수 있다.

2.4 AI 분석 알고리즘 구현

측정한 데이터를 센서 특성에 따라 분류(Classification) 및 회귀(Regression) 기반 AI 알고리즘을 병렬적으로 적용하고, 각 결과를 통합하는 복합 판정 알고리즘을 구현하였다.

먼저 부분방전 패턴 분류를 위해 PRPD 기법을 적용하여 2차원 이미지 데이터로 변환하였다. 변환된 PRPD 이미지는 부분방전 유형별 비선형적인 패턴을 효과적으로 학습하기 위해 잔차 연결 구조를 갖는 ResNet(Residual Network) 기반 분류 알고리즘을 적용하여 다중 Class 분류가 가능하도록 구성하였다. 아래 수식은 ResNet의 핵심인 스킵 연결 및 잔차 연결을 표현한 것으로 다중 Class 분류에서 최종적으로 속할 Class를 결정한다.

PRPD 패턴 분류를 위한 ResNet 학습 데이터셋은 수집된 부분방전 신호를 5가지 유형으로 분류하여 구성하였으며, 클래스별 균등 분포로 각 150개 샘플을 사용하였다. 데이터 전처리는 PRPD 기법으로 2차원 이미지(256×360)로 변환하였다. 분류 알고리즘의 성능 검증을 위해 정확도, 정밀도, 재현율 3가지 주요 지표를 기준으로 한 교차검증 결과 정확도 96.00%, 정밀도 94.29%, 재현율 91.54%로 우수한 분류 성능을 확인하였다.

PRPD를 통해 얻은 이미지 데이터에 대해 Grad-CAM 기법을 활용하여 분류 AI 알고리즘 결과를 기반으로 아래 수식을 통하여 중요도를 나타내는 히트맵을 생성하여 시각적으로 중요도를 확인할 수 있다. 최종 합성곱 층에서 각 특징 맵(feature map)의 평균값을 계산하여 하나의 숫자로 출력하는 방식으로 이루어진다. 식(1)에 나타낸 바와 같이, $f(i, j)$는 신경망 계층에서 출력되는 결과값을 의미하고, 마지막 계층과 클래스 간의 학습가중치 즉, 이미지 데이터의 특징을 인식하는 최적의 추적값 w 로 표현되며, 각 특징 맵과 곱해져 k개의 Heat map을 생성한다. 생성된 Heat map 들을 모두 합산하여 최종적인 CAM(Class Activation Map) 이미지를 생성한다.

여기서 Z는 특징 맵의 합을 의미하고, $A_{ij}^k$는 k번째 특징 맵을 나타내며, $S^c$는 클래스 에 대한 점수를 의미한다. $a_k^c$는 위의 식 (2)와 같이 표현할 수 있다. 이를 통하여 그림 8과 같이 모델을 구성하여 부분방전 패턴 분류를 학습하고 그 결과 그림 9와 같이 분석결과를 도출했다.

다음으로 온도, 진동, 전류 등 연속적으로 변화하는 시계열 데이터의 특성을 반영하기 위해 회귀(Regression) 기반 AI 알고리즘을 적용하였다. 기존 자기회귀(AR) 모델과 신경망 구조를 결합한 AR-Net 기반 시계열 예측 모델을 구성하여 과거 시점의 센서 데이터를 입력으로 미래 시점의 정상 상태 값을 예측하도록 하였다. 예측값과 실제 측정값 간의 잔차(residual)를 기반으로 이상 여부를 판단함으로써 설비 열화나 이상 상태를 조기에 감지할 수 있도록 설계하였다. AR-Net 기반 시계열 이상 탐지의 임계값은 표 4와 같이 3단계로 설정하였다.

단일 센서 또는 단일 AI 알고리즘 결과에 의존하는 기존 진단 방식의 한계를 극복하기 위해, 센서 단위 이상도, 센서 간 상관관계, 시간적 집중도를 종합적으로 반영하는 복합 판정 알고리즘을 설계·구현하였다. 복합 판정 알고리즘은 분류 및 회귀 기반 AI 알고리즘의 출력 결과를 통합하여 설비 단위의 위험도를 정량적으로 평가하는 것을 목표로 한다. 아래 그림은 다중이용시설 중 하나의 수용가에 실제 측정한 데이터를 분석했다. 그림에서 실측값은 황색으로 AI 모델이 예측한 값은 흰색으로 표시하여 분석한 결과이다.

그림 10은 MT2에 부착된 복합센서의 표면온도 데이터(°C)에 대한 AR-Net 모델 학습 결과이다. 전반적으로 예측 추세가 실측값을 잘 추종하나, 피크 구간에서 오차가 확인된다. 이는 다중이용시설 특성상 부하 변동 패턴이 불규칙하고, 시장 운영 시간 등 비정형 외부 요인이 학습 데이터에 반영되지 못한 데 기인한다. 잔차가 임계값을 초과하는 시점이 이상 징후 판정의 근거로 활용된다.

그림 11은 설비 운전 중 기계적 진동 가속도(g) 데이터에 대한 학습 결과이다. AR-Net 모델이 설비 가동 주기에 따른 진동 패턴의 주기성을 비교적 정확히 추종하고 있음을 확인할 수 있다. 다만 외부 충격 등에 의한 순간적인 진동 급증 구간에서는 예측 오차가 증가하였으며, 이러한 구간은 복합 판정 알고리즘에서 이상 이벤트로 별도 처리된다.

그림 12는 절연 이상의 전조 징후에 해당하는 초음파 신호(dBm) 데이터에 대한 학습 결과이다. 정상 구간에서는 예측값과 실측값이 근접하나, 불규칙한 신호 급증 구간에서 잔차가 임계값을 초과하며 이상으로 판정된다. 이 구간은 절연 열화 진행 가능성을 시사하는 중요한 전조 신호로 해석된다.

그림 13은 저압 분전반(LV1)의 ZCT 기반 누설전류(A) 데이터에 대한 학습 결과이다. 반복적으로 발생하는 이상 전류 피크가 AR-Net 잔차 분석을 통해 명확히 식별된다. 누설전류의 지속적 증가 추세는 절연 열화 또는 접지 불량의 징후로 판단되며, 해당 시점에 예측 경보가 발생하도록 설계되어 있다.

수용가별 설비 상태 회귀분석 결과를 보면 복합센서(온도, 주파수, 진동)은 전반적으로 예측 및 판단이 적절하다고 보여지나 다중이용시설의 특성상 부하가 많은 시간이 평균적으로 일정하지 않고 시장 운영 정보 등 비정형데이터가 부족하여 설비 가동률 예측과 실측 사이에 오차가 발생한 것을 확인했다.

센서 단위 이상도는 PRPD 기반 부분방전 패턴 분류 결과와 AR-Net 기반 시계열 회귀 모델의 예측 잔차를 이용하여 산출하였다. 분류 알고리즘은 부분방전 유형별 이상 가능성을 반영하고, 회귀 알고리즘은 정상 상태 대비 시간적 변화 특성을 반영함으로써 상호 보완적인 정보를 제공한다. 산출된 센서별 이상도는 서로 다른 센서 간 비교가 가능하도록 정규화하여 표현하였다.

또한 설비 내 복수의 센서에서 발생하는 이상 현상의 동시성을 반영하기 위해 Pearson 상관계수를 이용한 센서 간 상관관계 분석을 수행하였다. 이를 통해 동일 원인에 의해 다수 센서에서 동시에 발생하는 복합 이상 현상을 효과적으로 반영할 수 있도록 하였다.

최종적으로 센서별 이상도, 센서 간 상관관계, 이상 발생의 시간적 집중도를 가중 결합하여 0~1 범위의 Total Risk Score를 산출하였다. 해당 점수는 설비 상태를 단계적으로 평가하고 단기 이상 징후뿐만 아니라 장기적인 열화 추이 분석을 위한 지표로 활용된다.

2.5 현장센서 취득 데이터 및 AI 알고리즘 결과의 플랫폼 시각화

실시간 설비 상태 및 이상 징후 확인을 위해 Grafana를 기반으로 센서 계측 원시데이터(raw data)와 AI 알고리즘 학습 결과를 모니터링 할 수 있는 UI로 구성했다.

첫 번째 센서별 원시데이터를 시계열 그래프로 시각화하여 설비의 운전상태, 전력품질 및 진단장비의 데이터 패턴과 변동 특성을 실시간으로 확인할 수 있도록 구성하였다. 이를 통해 급격한 상태 변화, 반복적 변동 등 이상 징후를 직관적으로 식별 수 있는 UI를 개발했다. 이를 통해 전기안전관리자 및 시스템 관리자는 단기간 발생하는 이슈들을 종합적으로 판단하고 교체 또는 세부점검 등의 계획을 수립할 수 있다.

아래 그림 14는 UHF 센서에서 취득된 원시데이터를 시계열 그래프로 표현한 예를 나타낸다. 해당 그래프는 시간에 따른 평균값(AVG)과 최대값(MAX)를 함께 표시하여 데이터의 변동 범위와 이상 패턴을 동시에 확인할 수 있도록 구성하였다.

두 번째로 AI 분류 및 회귀 알고리즘을 통해 산출된 이상도를 시간 축 기준으로 시각화하여 이상 신호의 발생 시점과 지속성을 확인할 수 있도록 하였다. 히스토그램과 시계열 그래프를 함께 제공함으로써 특정 설비에서 이상 상태가 반복적으로 발생하는 패턴을 한눈에 파악할 수 있도록 구성하였다. 이러한 시각화는 단일 설비의 국부적 문제 여부뿐만 아니라 계통 전반에 걸친 복합적인 이상 발생 가능성을 분석하는 데 다양한 데이터를 제공한다.

이와 더불어 복수의 센서에서 발생하는 이상 신호의 동시성을 평가하기 위해 센서 간 상관관계를 분석하고 이를 기반으로 위험도를 Risk Score로 정량화하였다. 해당 Risk Score는 시계열 형태로 제공되어 특정 시점에 위험도가 급증하는 복합 이상 패턴을 식별할 수 있도록 UI를 설계하였다. 이를 통해 단일 센서 기반 분석의 한계를 보완하고 다변량 데이터 기반의 종합적인 이상 판단이 가능하도록 하였다.

이러한 AI 진단 결과와 상관관계 기반 위험도를 통합하여 설비 수준의 Total Risk Score를 산출하였다. AI 기반 이상도와 센서 간 상관관계를 통합하기 위해 본 연구에서는 계층적 위험도 산출 구조를 식(3)과 같이 적용하였다. 먼저 각 센서의 이상도 $S_i(t)$에 대해 이상 신호의 크기에 따라 동적으로 변화하는 가중치 $W_i(t)$를 부여하여 센서 단위 위험도를 통합한 $S_{risk}(t)$를 산출하였다. 이때 가중치는 로그 기반 비선형 함수를 적용하여 이상도가 높은 센서에 더 큰 영향을 부여하면서도 특정 센서에 대한 과도한 집중을 방지하도록 설계하였다. 또한 설비 내 센서 간 상호 연관성을 반영하기 위해 Pearson 상관계수를 기반으로 센서 간 평균 절대 상관계수 $\bar{r}_{abs}(t)$를 계산하여 집단적 이상 발생 특성을 정량화 하였다. 최종적으로 센서 기반 위험도 $S_{risk}(t)$와 상관관계 기반 위험도 $\bar{r}_{abs}(t)$를 선형 결합하고 두 요소가 동시에 높은 경우 위험도가 비선형적으로 증가하도록 증폭항을 추가하여 Total Risk Score를 산출하였다. 해당 점수는 설비 위험도의 상대적 크기를 0~1 범위로 정량화하며 복합 위험 상황을 효과적으로 반영하여 이에 따른 유지관리 전략 수립을 지원하도록 설계하였다.

또한 본 연구에서는 예측 경보 기능을 도입하여 설비의 과거 운전 이력과 실시간 측정 데이터를 기반으로 AI 모델이 고장 발생 이전 단계의 이상 징후를 사전에 탐지하고 Total Score가 설정된 임계값을 초과할 경우 관리자에게 자동으로 경보를 제공하도록 하였다. 판정 단계는 임계값에 따라 아래 표 5와 같이 5 단계로 구분한다.

산출된 AI 진단 결과는 플랫폼 기반 사용자 인터페이스(UI)를 통해 시각적으로 제공된다.

플랫폼은 미믹 다이어그램(Mimic Diagram)을 기반으로 전기계통을 구조적으로 표현하여 주요 설비와 센서의 배치를 직관적으로 파악할 수 있도록 구성하였다. 이를 통해 사용자가 설비별 상태 변화와 경보 정보를 즉시 확인하고 잠재적 고장 징후를 조기에 식별하고 대응할 수 있는 예측·모니터링 기능을 확보하였다.

플랫폼은 사용자(User) 모드와 관리자(Admin) 모드의 이중 모드 구조로 설계되어 목적과 역할에 따라 차별화된 기능을 제공한다. 사용자 모드는 전기계통 시각화, 실시간 상태 모니터링, 경보(Alert) 확인 등 운전자가 즉시 활용 가능한 핵심 기능 중심으로 구성되며, 관리자가 아닌 일반 사용자가 단순·직관적으로 설비 상태를 확인할 수 있도록 UI·UX를 최적화하였다. 반면 관리자 모드는 데이터 품질 관리, 시스템 설정 등 플랫폼 운영 및 유지보수에 필요한 고급 기능을 제공하여 전체 시스템의 안정적 운용을 보장한다.