1.1 이론적 배경

J. M. Jung ^[7]은 수배전반 내 설비 온도를 측정하기 위해서 FLIR Lepton LWIR을 사용하였고, 특정 영역을 구분하여 그 중 온도가 가장 높은 부분을 집중적으로 측정함으로써 온도 변화에 따른 열화관리에 대한 연구를 진행하였다. 하지만, 기기들의 한계 허용온도는 각각 다르므로 가장 높은 온도만을 확인한다면 각기 다른 기기들의 열화상태를 확인하는데는 어려움이 생긴다.

K. Y. Jo ^[8]는 기기 내부 온도를 측정하기 위해 FLIR Lepton 을 사용하였고 온도, 전류, 전압 데이터를 통합하여 데이터화 함으로써 변동되는 전류값에 따른 해당 온도값을 선형화하여 모의실험 하였다.

J. H. Kim ^[9]은 적외선 온도 센서 모듈을 구현한 온도 측정 장치를 개발하였다. 온도 측정 장치의 전원은 배터리를 사용하여 5분에 한 번씩 온도를 측정하였고 1시간에 한 번씩 데이터 수집 장치로 통신으로 전송한다. 별도의 설치가 필요치 않은 장점이 있지만, 저출력 기반의 설계, 배터리교체, 주기별 통신문제 등으로 인해 측정분석에 한계가 있다.

Y. D. Lee ^[10]는 IOT를 활용하여 수배전반 모니터링을 구현하였으며 전류, 전압, 전력, 역률, 주파수를 수집하고 진단결과를 다수(wifi, ble, 3g, lte 등)의 무선통신을 활용하여 송수신할 수 있는 시스템을 개발하였다. 하지만, 다수의 무선통신을 통해 생기는 개발기간, 비용 등이 수반되는 한계가 있다.

Y. M. Yeon ^[11]은 볼트 풀림에 의한 터미널 블록 접속부의 발열 위험성 분석 실험을 통해 MCCB 접속부 온도 상승에 따른 발열 기준 온도를 산정하였고, 부하량에 따른 온도 변화의 위험성을 확인하여 전기 제어반의 접속부 온도 모니터링 시스템의 필요성을 확인하였다.

따라서, 이와 같은 문제를 해결하기위해 열화진단을 위한 객관적 진단기준을 제시할 수 있어야하고, 지속가능한 전력 공급 기반의 IOT를 적용하여 실시간 온도 값을 확인할 수 있어야하며, 진단결과를 모니터링 함으로써 관리자에게 즉각적인 정보 전달이 가능한 시스템의 필요성을 확인하였다.

2.1 열화진단 시스템의 역할 및 기준

본 논문에서는 수배전반 내 전력기기들에 대한 누적된 다수 열화데이터를 토대로 딥러닝 기반 객체인식을 통해 기기들에 대한 위치 및 허용 온도 정보를 전달하고, 실시간 열화상카메라 감시를 통해 전력기기의 진단 정보를 관리자에게 전달할 수 있는 진단시스템 개발하였다. 표 1은 현행 안전진단기준으로써 제안하는 진단시스템의 열화상태를 진단할 수 있는 기준으로 활용되며, TR(변압기)의 경우 100~120(℃) 사이의 요주의 구간에서는 주의 알람을 전송하고, 120(℃) 이상의 온도에서는 경고 알람을 전송하게 된다. 요주의가 없는 경우는 즉시 경고 알람을 전송할 수 있도록 하였다.

2.2 열화진단 시스템

열화진단 시스템의 전체 구성도는 그림 1과 같으며, 측정부, 제어부, 모니터링부로 구분된다. 측정부는 수배전반 내부에 설치되는 열화상 모듈로써 Lepton3.5 열화상 카메라와 PureThermal2 제어보드로 구성되어 있으며, 컴팩트한 크기와 저가인 점을 고려하여 열화진단을 위한 시스템에 적합하다고 판단하였다. 제어부는 Jetson NANO 기반 딥러닝 알고리즘을 통해 실시간 진단을 수행하는 부분이며, 최종 모니터링부를 통해 진단결과를 표출한다.

그림 1. 열화진단 시스템 전체 구성도

Fig. 1. Deterioration diagnosis system diagram

그림 2는 열화진단 시스템의 세부 구성도이다. 측정부의 제어보드(PureThermal2)는 열화상카메라와 제어부간 원할한 통신이 가능도록 UART 및 I2C 인터페이스와 리눅스 환경을 지원할 수 있도록 하였다. 제어부는 진단시스템과 딥러닝시스템이 복합된 형태로써 진단시스템의 경우 해당 전력기기의 측정 온도 값과 기준 값 비교를 통해 이상유무를 판단하도록 설계하였으며, 딥러닝시스템의 경우 객체인식을 활용하여 열화상카메라 촬영 시 해당전력기기의 위치, 온도, 제조일 등의 보고서 형태의 이력 정보를 제공할 수 있도록 하였다. 측정부를 통해 수집된 온도정보와 제어부를 통해 얻어진 열화진단결과는 무선통신을 통해 모니터링부로 전달되고, 최종 시각화함으로써 관리자에게 효율적인 정보전달을 수행할 수 있도록 하였다.

그림 2. 열화진단 시스템 세부 구성도

Fig. 2. Deterioration diagnosis system detailed diagram

2.3 딥러닝시스템

2.3.1 데이터수집/정제/가공

데이터는 2007년~2023년 연식을 갖는 수배전반에서 열화상데이터 363,000장을 수집하였다. 그림 3은 열화상카메라 측정 시 객체인식을 통해 해당기기의 위치 및 기준온도 정보, 고장빈도, 수명주기 등을 표출할 수 있어야 하므로 수배전반 내 주요기기별 반을 구분하였고, 고장 빈도 및 수명주기를 기준으로 우선순위를 선정하였다.

그림 3. 반별 우선순위 구분

Fig. 3. Classification of priorities by class

그림 4는 Lepton3.5의 열화상이미지 수집 데이터이며, 160×120의 해상도와 유채색 이미지를 통해 육안으로도 온도차를 확인할 수 있어, 정제 시 매우 효율적인 특성을 갖고 있다.

그림 4. 열화상이미지 수집

Fig. 4. Thermal image collection

또한, 원시데이터의 정제 및 가공을 위해 SW를 통해 중복제거 및 어노테이션을 진행한 데이터를 활용하였으며, 데이터 구축 가이드라인을 통해 불규칙성을 배제하였다.

2.3.2 학습모델 선정 및 설계

그림 5는 학습모델 선정을 위해 mAP_0.5:0.95 평가기준으로 5가지 모델을 비교하였다. 5가지 모델의 비교 결과 YOLOv5의 성능이 우수하여 학습모델로 선정하였고, YOLOv3 ^[12], RetinaNet ^[13]과 비교하여 여러 크기의 입력 이미지에 대한 학습과 자동 최적화된 앵커 박스 계산이 가능하였다. EfficientDet ^[14]에 비해 더 나은 FPS(초당 프레임 수)를 제공. DETR ^[15] 트랜스포머 기반 모델들은 학습이 오래 걸리고 최적화가 더 복잡한 부분과 다양한 플랫폼에 활용가능한 유연성을 갖고 있음을 확인하였다.

그림 5. 학습모델 비교

Fig. 5. Learning model comparison 비교 모델: (1) YOLOv3, (2) RetinaNet, (3) DETR-R101, (4) EfficientDet-D7, (5) YOLOv5

그림 6. 모델 구조도

Fig. 6. model structure diagram

그림 6의 구조도에서 YOLOv5 모델은 크게 Backbone과 Head 부분으로 구성되어 있으며, Backbone은 이미지로부터 Feature map을 추출하는 부분으로, CSP-Darknet53을 사용하고 Head는 추출된 Feature map을 바탕으로 물체의 위치를 찾는 부분에 해당한다.

그림 7. 모델 흐름도

Fig. 7. model flow chart

그림 7의 모델 흐름도는 최초 열화상이미지 수집을 시작으로 바운딩 박스 과정과 픽셀비교를 통해 높은 온도 구역을 얻을 수 있도록 설계하였다.

그림 8. 진단 모델 설계

Fig. 8. Diagnostic model design

그림 8의 진단 모델 설계는 온도별 칼라맵 설정과 바운딩 박스 진행하여 해당 기기의 구역을 설정하고, K-mean cluster를 통해 필터링을 수행, 높은 온도를 기준으로 구역별 진단이 될 수 있도록 모델을 설계하였다.

2.3.3 학습과정

그림 9는 가공된 데이터를 토대로 YOLOv5를 통해 기기탐지를 수행하는 학습과정을 나타낸다. 학습 설정 전 기본 설정 학습을 통해 baseline 성능 기준을 설정하였고, 학습 설정의 전체 목록은 train.py argparser을 활용하였다. Epochs는 300 epochs 부터 시작하여 초기에 과적합되면 epochs 수를 줄이는 방법을 활용하였으며, 300 epochs 이후 과적합이 발생하지 않으면 600, 1200 epochs 등 더 길게 학습하였다. 이미지 크기에서 COCO는 640X640의 기본 해상도로 훈련하지만, 데이터 세트에 많은 양의 작은 객체로 인해 1280X1280과 같은 더 높은 해상도로 훈련함으로써 나은 결과를 얻을 수 있도록 하였으며, 작은 객체가 많은 경우 사용자 지정 데이터 세트는 기본 또는 더 높은 해상도로 학습을 통해 나은 결과를 얻었다. 최상의 추론 결과는 훈련이 실행된 것과 동일한 img를 통해 얻도록 하였으며, 640X640에서 훈련하는 경우 640X640에서도 테스트하고 탐지하도록 하였다. 배치 크기는 하드웨어에서 허용하는 가장 큰 배치 크기를 사용하였다.

그림 9. 학습과정

Fig. 9. learning process

표 2 하이퍼파라미터는 기본 하이퍼 파라미터들을 수정하기 전에 먼저 기본값을 사용하여 학습도록 하였다. 하이퍼 파라미터 튜닝을 하면 과적합이 감소하고 지연되어 더 긴 학습과 더 높은 최종 mAP를 얻도록 하였다. 그림 10은 하이퍼 파라미터 진화(hyperparameter evolution) 를 통해 최적화를 위한 유전자 알고리즘 Genetic Algorithm (GA)을 이용한 하이퍼 파라미터 최적화 방법으로써, Machine Learning의 초기 하이퍼 파라미터는 훈련의 다양한 측면을 제어하며, 이에 대한 최적의 값을 찾는 것은 어려울 수 있고, GA를 초기 하이퍼 파라미터 검색에 적용하였다.

표 2 하이퍼파라미터 결과

Table 2 Hyperparameter results

학습 조건
Epochs	100
최적화 알고리즘	유전자 알고리즘 (GA)
진화 개수	300
성능 지표	mAP
하이퍼 파라미터	실험1	실험2	실험3	실험4	실험5
learning rate	0.01	0.0098	0.0092	0.0109	0.0086
lrf	0.01	0.0103	0.0107	0.0112	0.0108
momentum	0.937	0.9364	0.9359	0.98	0.9422
weight_decay	0.0005	0.0005	0.0004	0.0003	0.0004
warmup_Epochs	3	3.4024	3.0464	3.4194	3.0996
warmup_ momentum	0.8	0.8641	0.8951	0.95	0.8457
warmup_ bias_lr	0.1	0.1001	0.1034	0.1058	0.1206
box	0.05	0.0578	0.0442	0.0478	0.00496
cls	0.5	0.4426	0.5006	0.6177	0.4831
cls_pw	1	1.044	0.9766	0.8184	0.9627
mAP	0.8572	0.8690	0.8719	0.8774	0.8797

2.3.4 학습결과

그림 10은 학습모델의 성능지표별 평가 결과이며, 객체 인식의 정확도를 표현하는 mAP_0.5 에서 0.95722, 가혹 조건인 mAP_0.5:0.95 에서 0.71228의 결과를 확인했다.

그림 10. 학습결과

Fig. 10. Learning results

학습결과 사용된 테스트 환경은 표 3과 같다.

표 3 시험환경

Table 3 Test environment

구분	내용
CPU	Intel Xeon Gold 5220R
Memory	251GB
GPU	NVIDIA GeForce RTX 3090, CUDA 11.3, cuDNN 8.5.6
Storage	2TB
OS	Ubuntu 18.04
유형	바운딩 박스 (bbox detection)
데이터 분할	데이터 형태: JPG 이미지 수량: 120,300 데이터 분할 비율: 8:1:1 - 학습 (80%): 96,240 - 검증 (10%): 12,030 - 테스트 (10%): 12,030 점검부 종류 온도(℃) 이미지수량(개) 철심부 100 ~ 120 10,936 120 이상 10,936 에폭시 표면 70 ~ 80 10,936 80 이상 10,936 몰드변압기 접촉부 65 이상 10,936 전력퓨즈 90 이상 10,936 LBS 65 이상 10,936 한류형 전력퓨즈 65 이상 10,936 LA 65 이상 10,936 계기용변성기 95 이상 10,936 접촉부 75 이상 10,936 이미지 합계 120,300
개발언어	python v3.9.13
프레임워크	pytorch v1.11.0
모델명	YOLOv5 v6.2

그림 11은 테스트 과정에서 전력기기들의 바운딩박스 수치를 통해 객체 인식의 성능을 시각화하여 확인할 수 있다.

그림 11. 학습모델테스트

Fig. 11. Learning model test

2.4 진단시스템

본 논문에서 제안하는 시스템은 그림 12의 구성도와 같이 MAIN, MEASUREMENT, THERMAL MODULE로 구성하였다. 모니터링부와 MODULE간 외부 통신이 가능해야하므로 GPIO, SPI 기반 무선 통신을 선택하였고, 수배전반 내부의 다수 THERMAL MOMODULE를 설치 할 수 있어야 하므로. 설치가 쉽고 통신 안정성을 갖는 UBS를 채택하여 설계하였다.

그림 12. 모듈구성도

Fig. 12. Module configuration diagram

그림 13 제어흐름도는 진단시스템이 제어되는 과정을 나타낸다.시작 후 넘버링단계에서 수배전반 내 전력기기의 명칭과 위치 정보를 확인하고 온도 값을 확인한다. 넘버링/온도비교 단계에서 해당 기기의 기준 온도와 측정된 온도를 비교하여 정상 또는 이상상태를 진단하고 이상상태 진단 시 알람 및 위치 값을 전송을 통해 관리자에게 발생 상황을 전파 및 보고한다. 반면, 정상상태 시 초기단계에서 재시작할 수 있도록 하였다.

그림 13. 제어흐름도

Fig. 13. Control flow chart

2.5 모니터링시스템

제안하는 모니터링시스템은 그림 14와 같이 전력기기별 객체 인식이 결과를 시각화하여 최종 디스플레이에 표출됨으로써 직관적으로 문제 발생 위치와 기기상태를 파악할 수 있도록 UI를 설계하였다.

그림 14. UI 구성도

Fig. 14. UI configuration diagram

모니터링시스템 제어 방법은 그림 15와 같다. 전 단계인 진단시스템의 결과 값을 통해 정상, 이상으로 2단계 구분된 결과 값은 해당 전력기기의 이상 진단 시 RED LED 점등과 위치 값을 동시에 디스플레이 표출한다. 또한, 정상 진단 시 GREEN LED 점등과 함께 정상상태를 표출하게 된다.

그림 15. 제어흐름도

Fig. 15. Control flow chart