콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#스마트 팩토리 # 스마트 그리드 # 에너지 효율화 # 설비별 이상감지

전력 설비 에너지 패턴 및 고장 분석 센서

전력 설비 에너지 패턴 및 고장 분석 센서
  • 분야재난안전환경
  • 유형 센서
구축년도 : 2020 갱신년월 : 2021-06 조회수 : 21,612 다운로드 : 712 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.0 2021-06-18 데이터 최초 개방

    소개

    Mbile Energy Meter를 이용한 전기 에너지 사용 패턴 및 고장 진단 분석을 위한 전력 품질 데이터

    구축목적

    에너지 데이터 기반 AI 학습용 데이터 구축을 통한 인공지능 기술개 발, 인공지능 응용서비스/제품 개발 촉진
  • 구축 내용 및 제공 데이터량

    • 원천데이터 7.08억건
    • 63개 업체 정보 메타데이터 4,149건
    • 461개 설비 정보 메타데이터 2,766건
    • AI 학습데이터 168만건
    • 설비 10종에 대해 직접 측정한 전력품질 측정값을 입력하여 사용 패턴 분석 결과 제공
    • 설비 10종에 대해 직접 측정한 전력품질 측정값을 입력하여 SOH 측정을 통해 진단 필요성 정보 제공

    전력 설비 에너지 패턴 및 고장 분석 센서-구축 내용 및 제공 데이터량

  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 다운로드
  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 설비 SOH 진단 성능 (역률평균) Image Classification LSTM, Attention, Autoencoder FPR 10 % 1.77 %
    2 설비 SOH 진단 성능 (전류고조파평균) Image Classification LSTM, Attention, Autoencoder FPR 10 % 1.78 %
    3 설비 SOH 진단 성능 (전압고조파평균) Image Classification LSTM, Attention, Autoencoder FPR 10 % 0.99 %
    4 전력 사용 패턴 분석 성능 (전류평균) Image Classification LSTM, Attention, Autoencoder MAPE 95 % 99.13 %
    5 전력 사용 패턴 분석 성능 (유효전력평균) Image Classification LSTM, Attention, Autoencoder MAPE 95 % 95.96 %
    6 설비 SOH 진단 성능 (역률평균) Image Classification LSTM, Attention, Autoencoder TPR@FPR 0.01 90 % 95.77 %
    7 설비 SOH 진단 성능 (전류고조파평균) Image Classification LSTM, Attention, Autoencoder TPR@FPR 0.01 90 % 99.59 %
    8 설비 SOH 진단 성능 (전압고조파평균) Image Classification LSTM, Attention, Autoencoder TPR@FPR 0.01 90 % 98.42 %

    ※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.

    ※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.0 2021.06.18 데이터 최초 개방  

    구축 목적

    • 에너지 데이터 기반 AI 학습용 데이터 구축을 통한 인공지능 기술개 발, 인공지능 응용서비스/제품 개발 촉진

    활용 분야

    • 에너지 효율 분석, 설비 이상 감지, 설비별 에너지 절감률 분석, 전력 피크 관리 서비스, 에너지 요금 합리화 등의 AI 응용 서비스 개발

    소개

    • Mobile Energy Meter를 이용한 설비별 전력 품질 AI 데이터셋으로, 에너지 효율화 또는 설비별 이상감지 AI 서비스를 개발에 활용될 수 있는 원천 데이터를 확보

     

    전력 설비 에너지 패턴 및 고장 분석 센서-소개 이미지

    구축 내용 및 제공 데이터량

    • 원천데이터 7.08억건
    • 63개 업체 정보 메타데이터 4,149건
    • 461개 설비 정보 메타데이터 2,766건
    • AI 학습데이터 168만건
    • 설비 10종에 대해 직접 측정한 전력품질 측정값을 입력하여 사용 패턴 분석 결과 제공
    • 설비 10종에 대해 직접 측정한 전력품질 측정값을 입력하여 SOH 측정을 통해 진단 필요성 정보 제공

    전력 설비 에너지 패턴 및 고장 분석 센서-구축 내용 및 제공 데이터량

    대표도면

    전력 설비 에너지 패턴 및 고장 분석 센서-대표도면

    필요성

    • AI 개발용 설비별 전력 에너지 데이터 구축 필요성
      - 디지털 ICT 혁신의 핵심인 AI 분야 중 스마트그리드·스마트팩토리 4차 산업혁명의 핵심인 개별 설비·장비별 에너지 효율화·에너지 사용 패턴 분석·설비별 이상 감지 등 AI 핵심 알고리즘 개발을 위한 데이터 수요 급증
      - 전력 에너지 데이터는 직접 계측을 통해서 데이터를 구축해야 하며, 특히 개별 설비·장비의 전력 에너지 데이터는 AI 개발사에서는 접근할 수 없는 영역임
      - 전력 데이터 중 가장 많은 데이터를 독점하고 있는 한국전력의 경우 공장 및 빌딩 전체의 전력 에너지 사용량을 확보하고 있으나, 개별 설비·장비의 전력 에너지 데이터는 확보하고 있지 못함
      - 본 과제에서는 전력 에너지 데이터 수집을 위해 Mobile Energy Meter로 설비별 전력 에너지를 누구나 손쉽게 수집할 수 있는 전력 품질 계측 장비를 이용하여 공장 및 빌딩 내의 설비별 전력 에너지 데이터를 수집함으로써 설비별 전력 에너지 데이터를 이용한 AI 솔루션 개발을 위한 빅데이터 구축
       
    • 에너지 인공지능 융합 솔루션 개발을 위한 핵심 데이터 확보
      - 현장에서 전력 에너지 및 전력 품질 기반 AI Solution 필요성 절감
      - 설비별 전력 데이터의 부재로 관련 AI 산업 정체
      - 에너지 사용 패턴과 설비 SOH 진단을 위한 라벨링 방안 제시
      - 국내 최초로 설비별 전력 및 전력 품질 데이터 구축 및 공개
      - 구축과 동시에 에너지 패턴 분석 및 설비 이상 감지 AI Solution 제공

    데이터 구조

    • 데이터 구성
      데이터 구성 표
      Key Description Type Child Type
      SVC_NAME 서비스 이름(기동패턴/SOH) String  
      BASE_ITEM 데이터 항목 String  
      DEVICE_ID 센서 ID Int  
      DEVICE_BD_ID 센서 ID Int  
      COMPANY_NAME 회사 이름 String  
      ESTABLISH_YEAR 회사 설립연도 Int  
      LOCATION 회사 위치 String  
      COMPANY_TYPE 업종 String  
      COMPANY_CAT 업태 String  
      MAJOR_PRODUCT 주생산품 String  
      CONTRACT_POWER 계약전력 (kW) Int  
      BILL_OPTION 선택요금제 String  
      KEPCO_INFO 한전 과금조회용ID String  
      facility_name 설비명 String  
      facility_type_name 설비 종류 (10종) String  
      facility_vendor 설비 제조사 String  
      facility_year 설비 설치 연도 Int  
      facility_capacity 설비 정격 전력(kW) Int  
      facility_volt 설비 정격 전압 Int  
      data   JsonArray JsonObject
      [   JsonObject  
      ITEM_NAME 계측데이터 항목명 String  
      ITEM_VALUE 계측 데이터값 Float  
      TIMESTAMP 계측데이터 생성시각
      (YYYY-MM-DD hh:mm:ss)
      String  
      LABEL_NAME 라벨링 값 String  
      ]      

     

    • 어노테이션 포맷
      어노테이션 포맷 표
      No 항목 길이 타입 필수여부
      한글명 영문명
      1 데이터셋 정보       Y
        1-1 서비스 이름 SVC_NAME   String Y
      1-2 데이터 항목 BASE_ITEM   String Y
      1-3 센서 ID DEVICE_ID   Integer Y
      1-4 센서 BD ID DEVICE_BD_ID   Integer Y
      1-5 회사 이름 COMPANY_NAME   String Y
      1-6 설립연도 ESTABLISH_YEAR   Integer Y
      1-7 주소 LOCATION   String Y
      1-8 업종 CONPANY_TYPE   String Y
      1-9 업태 COMPANY_TYPE   String Y
      1-10 주생산품 MAJOR_PRODUCT   String Y
      1-11 계약전력 CONTRACT_POWER   Integer Y
      1-12 선택요금제 BILL_OPTION   Array Y
      1-13 한전 과금조회용ID KEPCO_INFO   Array Y
      1-14 설비 이름 facility_name   Integer Y
      1-15 설비 종류 facility_type_name   String Y
      1-16 제조사 facility_vendor   String Y
      1-17 설치연도 facility_year   Integer Y
      1-18 정격 전력 facility_capacity   Integer Y
      1-19 정격 전압 facility_volt   Integer Y
      2   data   Array Y
        2-1 측정값 배열 [   Array Y
      2-2 측정값    {   JsonObject Y
      2-3 측정항목 이름 ITEM_NAME   String Y
      2-4 측정 값 ITEM_VALUE   Float Y
      2-5 측정 시각 TIMESTAMP   String Y
      2-6 라벨명 LABEL_NAME   String Y
             }      
          ]      
  • 데이터셋 구축 담당자

    수행기관(주관) : 레티그리드
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    안영호 02-6427-1212 young@retigrid.com · 데이터 구축 총괄 · 전력설비에너지 품질데이터 확보, 제공
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    프라이머리넷 · 데이터 수집, 정제, 가공, 검수
    · 라벨링 tool 개발, 응용서비스 개발
    파파야 · AI 모델 개발, AI 응용서비스 개발
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    안영호(레티그리드) 02-6427-1212 young@retigrid.com
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.