2.1 시스템 구성

그림 1은 제안하는 AI 기반 예지보전 누전차단기의 전체 구성을 나타내며, 누설전류 센서, 신호처리 회로, MCU, AI 예측 모듈, 통신 모듈 및 차단 모듈로 구성된다. 측정된 누설전류는 신호처리 후 MCU로 전달되며, 사전 학습된 AI 모델을 이용하여 미래 누설전류와 변화 추세를 예측하고 위험 수준을 분석한다. 위험도가 증가하면 LED, 부저 및 모바일 애플리케이션을 통해 경고 정보를 제공한다.

기존 RCD의 잔류전류 검출 및 보호 차단 경로는 AI 예측 경로와 독립적으로 구성하여, AI 모듈의 오동작이나 추론 실패와 관계없이 실제 잔류전류가 차단 기준을 초과하면 기존 보호회로가 즉시 차단하도록 설계하였다. 따라서 AI 예측 기능은 기존 RCD의 보호기능을 대체하지 않고 조기경보와 예방 유지보수를 지원하는 보조 기능으로 동작한다.

그림 1 AI 기반 예지보전 누전차단기 전체 시스템 구성도

Fig. 1 Overall Architecture of the Proposed AI-Based Predictive Maintenance Residual Current Device

실제 전기설비에서는 저항성·용량성 누설전류와 함께 인버터 및 SMPS 등에 의한 고조파·고주파 성분이 포함될 수 있다. 이에 제안 시스템은 향후 누설전류의 실효값, 시간적 변화 및 주파수 특성을 분석하여 AI 예측의 입력 특징으로 활용할 수 있도록 확장 가능한 구조로 구성하였다. 다만 본 연구에서는 누설전류 RMS 시계열을 이용한 다음 시점 예측 성능을 평가하였으며, 저항성·용량성 성분 분리와 고조파·고주파 특성을 이용한 예측 성능은 향후 연구에서 검증할 예정이다.

2.2 동작원리

본 연구에서 ‘위험 예측’은 감전이나 화재 발생 자체를 직접 예측하는 것이 아니라, 누설전류의 미래값과 증가 추세를 추정하여 설정된 경고 또는 차단 기준에 접근하는 상태를 조기에 파악하는 것을 의미한다. 제안 시스템은 실시간 누설전류 계측, AI 기반 누설전류 예측, 위험 수준 평가 및 조기경보, 예방 유지보수 지원, 기존 RCD 보호회로에 의한 안전 차단으로 동작하도록 설계하였다. 구체적인 위험 수준 및 경고 기준은 적용 대상 설비의 정격, RCD의 정격감도전류 및 운전 조건을 고려하여 설정하도록 설계하였다. 누설전류는 1초 간격으로 수집하며, 최근 30초의 시계열 데이터를 Min-Max 정규화한 후 사전 학습된 GRU 모델을 이용하여 다음 시점의 누설전류를 예측한다. 본 연구에서는 실제 MCU 탑재에 앞서 PC 환경에서 예측 성능과 모델별 계산 복잡도를 분석하여 임베디드 적용 가능성을 예비적으로 평가하였다.

식 (1)에서 $X_{t}=[I_{t-29}, I_{t-28}, \cdots, I_{t}]$는 현재 시점 $t$까지 측정된 30초의 누설전류 시계열 입력 데이터이며, $f_{GRU}$는 학습된 GRU 기반 예측 모델, $\hat{I}_{t+1}$은 다음 시점의 예측 누설전류를 의미한다. 예측값과 최근 누설전류의 변화 추세를 이용하여 위험 수준을 평가하도록 설계하였으며, 설정된 경고 기준에 도달하면 LED, 부저 및 모바일 애플리케이션을 통해 경고 정보를 제공한다. 또한 단일 시점 예측값을 순차적으로 입력 시퀀스에 갱신하여 미래 누설전류 $\hat{I}_{t+k}$를 생성하고, 이를 기반으로 임계도달시간(Time-to-Critical)을 다음과 같이 정의하였다. 단, 예측 구간 내에서 예측 누설전류가 기준 누설전류에 도달하지 않는 경우에는 임계도달시간을 산출하지 않는다.

여기서 $T_{c}$는 임계도달시간, $\hat{I}_{t+k}$는 AI 모델이 예측한 $k$번째 미래 시점의 누설전류, $I_{th}$는 기준 누설전류, $\Delta t$는 데이터의 샘플링 주기를 의미한다. 다만 본 연구의 실험은 다음 시점 $t+1$의 예측 성능을 대상으로 수행하였으며, 재귀적 다단계 예측과 임계도달시간 산출 정확도는 향후 MCU 기반 시스템 구현 과정에서 추가로 검증할 예정이다. 실제 잔류전류가 설정된 차단 기준을 초과하는 경우에는 AI 예측과 관계없이 독립적으로 구성된 기존 RCD 보호회로가 즉시 회로를 차단한다. 따라서 제안한 AI 기능은 기존 RCD의 보호기능을 대체하지 않고, 누설전류의 변화 추세에 기반한 조기경보와 예방 유지보수를 지원하는 보조 기능으로 동작한다.

2.3 AI 기반 예지보전 누전차단기 구현 개념

그림 2는 제안하는 AI 기반 예지보전 누전차단기의 구현 개념을 나타낸다. 제안 시스템은 기존 누전차단기의 DIN Rail 구조를 고려하여 MCU, AI 추론 모듈, 표시장치 및 무선 통신 모듈을 통합할 수 있도록 설계하였다. 그림 2의 표시값은 시스템 동작 개념을 설명하기 위한 예시값이다.

그림 2 제안하는 AI 기반 예지보전 누전차단기의 개념 설계

Fig. 2 Conceptual Design of the Proposed AI-Based Predictive Maintenance RCD

전면 표시장치는 실시간 누설전류, 위험도, 임계도달시간 및 시스템 상태를 표시하며, 상태 LED와 부저를 이용하여 정상, 주의 및 위험 상태를 사용자에게 직관적으로 전달한다. 또한 Wi-Fi 또는 Bluetooth 기반의 무선 통신 기능을 통해 클라우드 서버와 연동함으로써 원격 모니터링, 데이터 관리 및 AI 모델의 원격 업데이트가 가능하도록 설계하였다.

표 1은 기존 누전차단기와 제안하는 AI 기반 예지보전 누전차단기의 주요 기능을 비교한 것이다.

제안한 시스템은 AI 기반 위험 예측과 임계도달시간 산출 기능을 추가하여 예방 중심의 전기안전 관리를 지원한다.

3.1 실험환경

본 연구에서는 AI 기반 예지보전 누전차단기의 누설전류 예측 성능과 예비적 임베디드 적용 가능성을 평가하기 위하여 실제 조명부하를 포함한 모의 전기설비 실험환경을 구축하였다. 표 2는 본 연구에서 사용한 실험환경과 AI 모델 개발 및 실행 환경을 나타낸다.

실험 시스템은 ARM Cortex-M4F 기반의 STM32F429ZI MCU를 중심으로 구성하였으며, AC 220 V, 60 Hz 전원에서 30 W 및 60 W 조명부하를 사용하였다. 배선 손상과 수분 노출에 따른 누전 상태를 모의하기 위하여 배선 손상부를 수분에 노출시키는 조건을 구성하고, 이에 따른 누설전류의 시간적 변화를 계측하였다. 부하의 유입전류와 귀환전류를 측정하기 위하여 상선 측과 중성선 측에 각각 ACS712(5A) 전류센서를 설치하였다. 두 센서의 출력신호에 대해 영점(Offset) 보정을 수행하여 센서 간 영점 편차를 최소화하였으며, 미소 차전류 신호의 측정 분해능을 향상시키기 위하여 차동증폭회로를 통해 10배 증폭하였다. 이후 RC 저역통과필터를 적용하여 고주파 잡음을 저감한 후 STM32F429ZI의 12비트 ADC를 이용하여 디지털 값으로 변환하였다. MCU에서는 변환된 차전류 신호의 실효값(RMS)을 계산하여 누설전류로 산출하였다. 산출된 누설전류는 Microsoft SQL Server 데이터베이스에 저장하고 C# 기반 모니터링 프로그램을 이용하여 실시간으로 확인하였으며, ZCT와 오실로스코프를 이용하여 계측 신호와 시스템의 정상 동작 여부를 확인하였다.

3.2 누설전류 데이터 수집과 전처리

그림 3은 본 연구에서 구축한 누설전류 데이터 수집 및 모니터링 시스템을 나타낸다.

그림 3 누설전류 데이터 수집 및 모니터링 시스템

Fig. 3 Leakage Current Data Acquisition and Monitoring System

3.1절에서 설명한 실험조건에서 누설전류를 120시간 동안 1초 간격으로 연속 수집하여 총 432,000개의 시계열 데이터를 확보하였다. 수집 데이터에 대해 통신 누락에 따른 결측값, 센서 포화 및 비정상 통신값의 존재 여부를 확인하였다. 이후 데이터의 시간적 순서를 유지한 상태에서 학습용 70%, 검증용 15%, 시험용 15%로 분할하였다.

Min-Max 정규화는 학습 데이터의 최솟값과 최댓값을 기준으로 수행하고, 동일한 정규화 기준을 검증 및 시험 데이터에 적용하여 데이터 누출을 방지하였다. 이후 학습, 검증 및 시험 데이터의 각 구간에 길이 30의 슬라이딩 윈도우를 독립적으로 적용하여 과거 30초의 누설전류로 다음 시점(t+1)의 누설전류를 예측하는 총 431,910개의 입력–출력 시퀀스를 생성하였다.

4.1 AI 모델 구성

본 연구에서는 누설전류 시계열 데이터의 다음 시점 예측 성능과 계산 효율을 비교하기 위해 LSTM, GRU 및 Transformer 모델을 적용하였다. 세 모델은 동일한 데이터 구성과 공통된 평가 기준에서 비교하였으며, 예측 정확도와 예비적 임베디드 적용 가능성을 분석하였다.

LSTM과 GRU는 순환신경망(Recurrent Neural Network, RNN) 기반 모델로, 시계열 데이터의 시간적 의존성을 학습하는 데 적합하다. LSTM은 입력·망각·출력 게이트를 이용하여 정보의 유지와 갱신을 제어하고^[6], GRU는 갱신·리셋 게이트를 이용하여 LSTM보다 단순한 구조로 시계열 특성을 학습한다^[7]. Transformer는 Self-Attention을 이용하여 입력 시퀀스 내 시점 간 관계를 학습한다^[8]. 본 연구에서는 과거 30초의 누설전류를 입력으로 하여 다음 시점의 누설전류를 예측하도록 각 모델을 구성하였으며, 경량 구조를 적용하여 예측 성능과 계산 복잡도를 비교하였다.

4.2 모델 구조

LSTM, GRU 및 Transformer의 주요 구조적 특성은 선행연구 ^{[6- 8]}를 바탕으로 정리하였으며, 본 연구에서는 각 모델을 경량 구조로 구성하여 예측 성능과 계산 복잡도를 비교하였다. 주요 구조와 하이퍼파라미터는 표 3에 나타내었다.

본 연구에서는 과거 30초의 누설전류 시계열을 식 (3)과 같이 입력으로 사용하여 다음 시점의 누설전류를 예측하였다.

식 (3)에서 $X_{t}$는 현재 시점 t까지의 30개 누설전류 입력 시퀀스를 의미한다. LSTM은 입력·망각·출력 게이트와 셀 상태를 이용하여 과거 정보와 현재 입력 정보를 선택적으로 반영하며, 주요 상태 갱신은 식 (4)와 식 (5)로 나타낼 수 있다^[6].

식 (4)에서 $C_{t-1}$은 이전 시점의 셀 상태(cell state), $\tilde{C}_{t}$는 현재 입력으로부터 생성된 후보 셀 상태(candidate cell state)를 의미하며, 망각 게이트 $f_{t}$와 입력 게이트 $i_{t}$를 통해 이전 셀 상태와 후보 셀 상태가 선택적으로 반영되어 현재 시점의 셀 상태 $C_{t}$가 갱신된다. 식 (5)에서는 출력 게이트 $O_{t}$를 통해 현재 셀 상태 $C_{t}$로부터 현재 시점의 은닉상태 $h_{t}$가 생성된다. GRU는 갱신 게이트와 리셋 게이트를 이용하여 은닉상태를 직접 갱신하며, 주요 상태 갱신 과정은 식 (6)과 식 (7)로 나타낼 수 있다^[7].

식 (6)에서 $\tilde{h}_{t}$는 후보 은닉상태(candidate hidden state), $x_{t}$는 현재 시점의 입력, $h_{t-1}$은 이전 시점의 은닉상태, $r_{t}$는 리셋 게이트를 의미한다. 또한 $W_{h}$와 $U_{h}$는 각각 현재 입력과 이전 은닉상태에 적용되는 가중치 행렬이며, $b_{h}$는 편향 벡터를 의미한다. 리셋 게이트 $r_{t}$는 후보 은닉상태를 생성하는 과정에서 이전 은닉상태의 반영 정도를 조절한다. 식 (7)에서 갱신 게이트 $Z_{t}$는 이전 은닉상태 $h_{t-1}$의 유지 정도와 후보 은닉상태 $\tilde{h}_{t}$의 반영 비율을 조절하여 현재 시점의 은닉상태 $h_{t}$를 갱신한다. GRU는 별도의 셀 상태를 사용하지 않아 LSTM보다 상대적으로 단순한 구조와 적은 연산량으로 시계열 특성을 학습할 수 있다. Transformer는 Linear Embedding, Multi-head Self-Attention, Feed Forward Network 및 Fully Connected Layer로 구성하였으며, Self-Attention은 식 (8)과 같이 표현된다^[8].

식 (8)은 Query(Q)와 Key(K)의 내적을 통해 시점 간 관련도를 계산하고, Key 벡터 차원의 제곱근인 $\sqrt{d_{k}}$로 스케일링한 후 softmax를 적용하여 상대적 중요도를 산출한다. 이후 해당 중요도를 Value(V)에 반영함으로써 시점 간 관계를 학습한다.

본 연구에서는 d_model = 32, nhead = 4, Encoder 2계층의 경량 구조를 적용하였다. 다만 Positional Encoding을 사용하지 않아 시간 순서정보 표현에 제약이 있으며, 이러한 구조적 설정이 예측 성능과 학습 수렴 특성에 영향을 미쳤을 가능성이 있다. 따라서 LSTM은 게이트와 셀 상태를 통해 시간적 의존성을 유지하고, GRU는 단순한 상태 갱신 구조로 시계열 정보를 효율적으로 처리하며, Transformer는 Self-Attention을 통해 시점 간 관계를 학습한다. 본 연구에서 나타난 모델 간 성능 차이는 이러한 구조적 특성과 적용한 학습조건에서의 상대적 비교 결과로 한정하여 해석하였다.

4.3 학습 방법

AI 모델은 Python 3.11 기반의 PyTorch 2.2 프레임워크를 이용하여 구현하였으며, 표 4는 학습조건과 데이터 구성을 나타낸다.

3.2절에서 전처리한 동일한 누설전류 시계열 데이터를 각 모델의 학습, 검증 및 시험에 적용하였다. 학습 과정에서는 평균제곱오차(Mean Squared Error, MSE)를 손실 함수로 사용하고 Adam Optimizer를 이용하여 모델의 파라미터를 최적화하였다. 학습률은 0.01로 설정하였으며, Full-batch 방식으로 100 epoch 동안 학습하였다. 각 epoch에서 Validation Loss를 계산하고, Validation Loss가 최소값을 나타낸 시점의 모델 파라미터를 최종 평가 모델로 선정하였다. 학습된 모델은 시험 데이터를 이용하여 평가하였으며, 예측값은 역정규화(Inverse Transform)를 통해 누설전류(mA) 단위로 복원한 후 MAE와 RMSE를 산출하였다. 또한 임베디드 적용 가능성을 비교하기 위하여 Trainable Parameters, FP32 Weight Memory 및 CPU 기반 Inference Time을 함께 분석하였다. Inference Time은 Intel Core i7-6700 CPU에서 batch size 1로 측정하였다. 각 모델은 평가 모드(model.eval())와 torch.no_grad() 조건에서 실행하였으며, 초기 10회의 warm-up을 제외한 후 동일 입력에 대해 1,000회 반복 측정한 평균값을 사용하였다. 측정에는 모델의 순수 추론시간만 포함하고 데이터 입출력, 전처리 및 역정규화 과정은 제외하였다. 본 연구에서는 개별 모델의 최대 성능을 위한 하이퍼파라미터 최적화보다 공통된 데이터 구성과 기본 학습조건에서 경량 모델 간 상대적인 예측 성능과 계산 복잡도를 비교하는 데 중점을 두었다.

5.1 예측 성능 비교 및 Validation Loss 분석

시험(Test) 데이터를 이용하여 LSTM, GRU 및 Transformer의 누설전류 예측 성능을 비교하였다. 그림 4는 시험 데이터 일부 구간의 실제값과 모델별 예측값을 나타낸다. LSTM과 GRU는 전반적인 변화 추세를 비교적 안정적으로 추종하였으나, 급격한 변동 구간에서는 예측오차가 증가하였다. 반면 Transformer는 증가 추세는 반영하였으나 예측값의 변동 폭이 작고 일부 구간에서 평균값으로 수렴하는 경향을 보였다.

그림 4 LSTM, GRU, Transformer 모델을 이용한 누설전류 예측 결과 비교

Fig. 4 Comparison of Leakage Current Prediction Results Using LSTM, GRU, and Transformer Models

그림 5는 학습 과정에서의 Validation Loss 변화를 나타낸 것이다. LSTM과 GRU는 학습 초기부터 Validation Loss가 빠르게 감소하여 안정적으로 수렴하는 특성을 보였으며, 특히 GRU는 가장 빠른 수렴 경향을 나타냈다. 반면 Transformer는 초기 Validation Loss의 변동 폭이 상대적으로 크게 나타났으며 수렴 속도도 느린 경향을 보였다.

그림 5 LSTM, GRU, Transformer 모델의 Validation Loss 비교

Fig. 5 Comparison of Validation Loss for LSTM, GRU, and Transformer Models

이러한 모델별 수렴 특성의 차이는 각 모델의 구조적 특성과 정보 처리 방식^{[6- 8]}에 따라 해석할 수 있다. LSTM은 식 (4)와 식 (5)의 입력·망각·출력 게이트와 셀 상태를 이용하여 과거 정보를 선택적으로 유지하므로 시계열의 시간적 의존성을 안정적으로 학습할 수 있다. GRU는 식 (6)과 식 (7)의 리셋 게이트와 갱신 게이트를 이용하여 이전 은닉상태와 현재 입력 정보를 직접 조절하며, 별도의 셀 상태를 사용하지 않는 단순한 구조로 인해 본 실험조건에서 상대적으로 빠른 수렴 경향을 나타낸 것으로 판단된다. 반면 Transformer는 식 (8)의 Self-Attention을 통해 시점 간 관련도를 학습하지만, 본 연구에서는 Positional Encoding을 적용하지 않아 입력 시계열의 시간적 순서를 명시적으로 표현하는 데 제약이 있었으며, 제한된 입력 시퀀스와 학습조건에서 이러한 구조적 특성이 상대적으로 느린 수렴에 영향을 미쳤을 가능성이 있다. 다만 이러한 결과는 각 모델의 일반적인 성능 차이를 의미하는 것이 아니라 본 연구에서 적용한 데이터 구성, 경량 모델 구조 및 학습조건에서 관찰된 상대적인 수렴 특성으로 해석하였다.

5.2 예측 성능, 연산효율 및 임베디드 적용성 분석

모델의 성능은 예측 정확도와 계산 복잡도의 두 측면에서 평가하였다. 예측 정확도는 평균절대오차(MAE)와 평균제곱근오차(RMSE)를 이용하여 평가하였으며, 계산 복잡도는 학습 파라미터 수(Trainable Parameters), 추정 FP32 가중치 메모리 및 CPU 기반 추론시간(Inference Time)을 기준으로 비교하였다.

여기서 MAE와 RMSE는 계측 시스템 자체의 측정 정확도가 아니라, 수집된 누설전류 시계열에 대한 모델 예측값과 측정값 사이의 예측오차를 의미한다. 표 5는 각 모델의 예측 성능과 계산 복잡도를 비교한 결과를 나타낸다.

표 5의 추정 FP32 가중치 메모리는 각 학습 파라미터를 4바이트 단정밀도 부동소수점(FP32) 형식으로 저장한다고 가정하여 계산하였다. 따라서 LSTM, GRU 및 Transformer의 가중치 메모리는 각각 약 17.63 KiB, 13.25 KiB 및 99.63 KiB로 산출되었다. 다만 이 값에는 중간 활성값, 입·출력 버퍼, 스택 메모리 및 런타임 오버헤드는 포함되지 않으므로 실제 MCU의 전체 메모리 사용량과는 차이가 있을 수 있다.

LSTM과 GRU는 모두 MAE 0.06 mA와 RMSE 0.08 mA를 나타내어 Transformer보다 낮은 예측오차를 보였다. 반면 Transformer는 MAE 0.20 mA와 RMSE 0.25 mA로 가장 큰 예측오차를 나타냈다. 이러한 결과는 본 연구에서 사용한 데이터 규모, 입력 시퀀스 길이 및 모델 설정의 영향을 받은 것으로 판단된다.

계산 복잡도 측면에서는 GRU가 3,393개의 학습 파라미터와 13.25 KiB의 추정 FP32 가중치 메모리를 사용하여 비교 모델 중 가장 작은 모델 크기를 나타냈으며, 평균 CPU 추론시간도 0.86 ms로 가장 짧았다. LSTM은 GRU와 유사한 예측 성능을 보였으나, 입력 게이트, 망각 게이트 및 출력 게이트를 포함하는 구조적 특성으로 인해 파라미터 수와 추론시간이 다소 증가하였다. Transformer는 가장 많은 학습 파라미터(25,505개), 가장 큰 추정 FP32 가중치 메모리(99.63 KiB) 및 가장 긴 평균 CPU 추론시간(3.41 ms)을 나타냈다. 따라서 본 연구의 실험조건에서는 LSTM과 GRU에 비해 상대적으로 높은 계산 자원을 요구하였다.

AI 기반 예지보전 누전차단기는 제한된 메모리와 연산 성능을 갖는 MCU에서 실시간으로 동작해야 하므로 예측 정확도뿐만 아니라 계산 복잡도 역시 중요한 평가 요소이다. 본 연구의 실험조건에서 GRU는 LSTM과 유사한 예측 성능을 유지하면서 더 적은 파라미터 수와 더 짧은 추론시간을 나타내어, 향후 MCU 기반 구현을 위한 우선적인 경량 모델 후보로 평가되었다. 다만 본 연구의 추론시간은 Intel Core i7-6700 CPU 환경에서 측정한 결과이므로 실제 MCU 환경에서의 실행시간과는 차이가 있을 수 있다. 따라서 향후에는 경량 모델 변환 및 양자화 기법을 적용하여 실제 MCU 환경에서의 메모리 사용량과 실시간 추론 성능을 검증할 필요가 있다.