1. 서 론

전력설비의 고장은 전력 수용가와 전력회사에 막대한 손실과 불편함을 초래하기 때문에, 전력회사에서는 안정적 전력공급을 위한 설비관리와 투자를 하고 있다. 이러한 행위를 전력설비 자산관리라고 통칭하며, 이는 자산의 데이터(운전, 유지보수, 고장 등)을 이용하여 전력설비의 상태를 예측하고 최적의 투자계획을 수립하여 경영 효율성을 제고하는 것을 의미한다^(1)(2)(3). 전력설비의 상태를 예측하기 위해 자산건전도(Health Index, HI)지표를 이용하고 있다. 자산건전도 지수란, 전력설비의 교체 전략을 수립하기 위해 전력설비의 전반적인 상태를 하나의 지표로 표현하는 것을 의미한다.⁽⁴⁾ 우리나라의 배전설비의 경우에도, 설비운영의 효율성을 높이고, 전력회사와 수용가의 피해를 최소화 하기 위해 배전설비 진단 및 자산건전도 평가를 통해 노후설비와 위험설비를 교체하고 있다. 자산건전도 평가는 진단 및 유지보수 데이터를 입력데이터로 사용하는데, 이 때 설비에 영향을 미치는 다양한 데이터가 필요하며, 이에 대한 영향도 분석이 필수적이다. 하지만 배전설비 자산건전도 평가요소와 설비의 영향에 대해 종합적으로 분석하여 자산건전도 평가표를 구성하는 연구에 대해서는 부족한 실정이다. 또한, 기존의 자산건전도 평가 방법은. 개별 평가항목에 대한 점수와 항목별 구간 가중치에 대한 가중평균 합산 방식으로 사용하고 있다. 하지만 이러한 방법은 소수의 평가항목에 문제가 발생하여 위험설비임에도 불구하고, 자산건전도의 점수가 좋아 정상기기로 평가할 수 있는 문제점이 있다⁽⁵⁾.

따라서. 본 논문에서는 자산건전도 평가 방안을 효율적으로 구현하기 위한 방법을 연구하였다. 빅데이터 분석 및 기계학습 알고리즘을 기반으로 설비의 수명과 연관성이 높은 평가항목으로 자동으로 추출하고 점수를 할당하는 기능을 개발하였다. 또한 기존의 가중평균 합산 방식과는 다르게, 하나의 자산건전도 평가식을 도출하여 개별 설비의 자산성능에 대하여 구간별 가중치가 아닌, 성능상태별 가중치를 부여하여 설비의 상태점수를 보다 세분화하여 표현할 수 있도록 개발하였다.

본 논문에서는 자산건전도 평가항목을 추출하는 방법, 추출된 자산건전도 평가항목별 가중치를 부여하는 방법에 대한 방법을 기술하고, 기계학습 검증기법으로 본 알고리즘의 예측정확도를 계산하였다.

2. 본 론

2.1 자산건전도 평가방안 구성 방법

본 논문에서는 자산건전도 평가 방안을 효율적으로 구성하기 위해 ‘자산건전도 평가식’을 구성하는 방법을 개발하였다. 기존의 자산건전도 평가표와는 다르게, 자산건전도 평가식은 배전설비의 상태를 정확한 수치값으로 표현시킬 수 있기 때문에, 설비 교체 우선순위 평가시 교체대상 설비를 보다 정확하게 추출할 수 있다. 자산건전도 평가방안 구성은 크게 평가항목 선정과 가중치를 부여하는 단계로 나뉜다. 세부 단계는 그림 1과 같다.

그림. 1. 자산건전도 평가방안 구성단계

Fig. 1. H.I Evaluation Formula Configuration Process

2.6 자산건전도 평가 결과

본 논문에서 구성한 배전설비 자산건전도 평가식을 검증하기 위해 기계학습 예측정확도인 Precision-Recall Curve와 precision과 recall의 조화평균인 F1 Score 산정을 하였다. Precision- Recall Curve는 기계학습 모델의 성능평가 방법 중 가장 널리 사용되는 이론으로, 정밀도와 재현율을 그래프로 표현한것이고 F1 Score는 이를 조화평균값을 구하여 나타낸 것이다⁽⁸⁾.

본 논문에서 Precision-Recall Curve를 그리기 위해 강원/충북본부 가스절연 가공개폐기 고장이력 데이터셋을 활용하였다. Precision-Recall Curve는 그림 2와 같다.

그림. 2. Precision & Recall 곡선

Fig. 2. Precision & Recall Curve

이 결과를 기반으로 계산한 F1 score는 0.66으로, Precision과 Recall값이 모두 고르게 높은 값을 나타낸 것을 확인 할 수 있다. 이를 바탕으로, 본 논문에서 개발한 자산건전도 평가는 예측률이 높은 것으로 판단되며, 이를 활용하여 전력설비의 자산건전도 평가시 설비 상태 예측 신뢰성이 높아질 것으로 사료된다.

5. 결 론

본 논문에서는 배전설비의 효율적인 자산관리를 위한 방법을 제시하고, 이에 대한 알고리즘을 개발하였다. 배전설비의 특성을 고려하여, 배전설비의 자산을 평가하기 위한 자산건전도 평가식을 제안하였으며, 평가식을 구성하기 위해 기계학습과 최적화 알고리즘을 기반으로 평가항목 추출 및 점수할당을 수행하였다. 또한 이를 검증하기 위해 기계학습 예측정확도 계산을 수행하였으며, 그 결과, 예측률이 높은것으로 판단되었다. 본 논문에서 제안한 자산건전도 구성 및 평가방식을 통해 다음과 같은 효과를 기대할 수 있다.

(1) 정확도 높은 자산건전도 평가가 가능하다.

기존에는 구간별 가중치 합산을 통해 설비의 건전도를 평가하였지만, 본 논문에서 개발한 알고리즘은 자산건전도 평가식으로, 설비의 사용개월수가 1개월이라도 차이가 난다면, 건전도 점수가 다르게 계산된다. 또한 설비 수명에 영향을 많이 미치는 평가항목을 추출하고 이에 대한 가중치를 배분하기 때문에, 같은 사용개월수의 설비더라도 진단결과 등에 의해 자산건전도 점수가 달라진다.

(2) 자산건전도 평가를 위한 평가식 개정을 용이하게 할 수 있다.

기존에는 자산건전도 평가를 위한 평가방법을 제정하거나 개정하기 위하여 많은 전문가들이 모여 데이터 분석과 결과 논의를 위해 1~2년간의 시간을 소요하였다. 하지만 본 논문에서 개발한 알고리즘은 기계학습 기반이기 때문에, 수 시간 내 자산건전도 평가표 구성이 가능하다.

본 논문을 통해 배전설비의 자산관리 및 상태판정을 효율적으로 구성할 수 있는 방법을 제안하였다. 배전설비 자산관리를 위해 무엇보다도, 배전설비의 개별 수명을 정확히 추론하는 기법일 것이다. 향후에는 배전설비의 개별수명을 추정하는 알고리즘을 개발하여, 본 논문에서 제안한 배전설비 자산건전도 평가식을 구현할 때 설비와 밀접한 연관성을 가지는 평가항목을 정확히 추출하는 연구를 수행할 계획이다. 또한, 이를 활용하여 운영 설비 이외의 철거된 설비의 상태를 판정하는 기법을 연구할 계획이다.