1. 서론 : 디지털 보호계전기의 진화와
AI Fault Prediction의 필요성

전력 시스템이 점점 더 복잡해짐에 따라 고장 발생 가능성은 증가하고 있으며, 이는 산업 현장의 안전성과 운영 효율성에 큰 영향을 미친다. 특히 송배전망에서는 단락사고, 과전압, 고조파, 절연파괴, 부하 패턴의 변화 및 설비 고장 등 다양한 원인으로 고장이 발생한다. 고장은 사전 징후를 보이는 경우가 많으며, 조기에 탐지하여 예방하는 것이 중요하다.

ABB는 수년 전부터 온/습도 센서, PD 센서 등 다양한 센서와 장치들을 사용한 송배전망 모니터링 시스템을 갖추었으나, 사고 예측보다는 현상을 보여주는 모니터링 시스템의 한계점, 관리의 효율성을 높이기 위하여 설치되는 수십 개에서 수천 개의 센서가 오히려 추가 관리 포인트가 되는 부분을 사용자와 지속적으로 고민해 왔다. 

ABB는 이러한 문제를 해결하기 위해 중앙 집중형 보호 및 제어 장치 ‘SSC600’과 AI 기반 고장 예측 솔루션을 결합한 혁신적인 접근 방식을 제안하고 있다. 이 솔루션은 기존 보호 및 제어 인프라를 활용하여 별도의 센서 없이도 고장 예측이 가능하며, 빠른 구축과 비용 효율성을 동시에 제공한다.

2. SSC600 기술 설명
: 중앙 집중형 보호 및 제어의 핵심

ABB의 SSC600 또는 SSC600SW는 배전망의 보호 및 제어 기능을 중앙 집중화한 서버형 장치 또는 소프트웨어로, 기존의 디지털 계전기를 대체하는 역할을 수행한다.

ABB의 SSC600 또는 SSC600SW는 다양한 디지털 계전기 및 보호계전기에서 보호 요소를 제거한 Merging Unit(MU)으로부터 전류 및 전압 데이터를 수집하여 실시간 분석을 가능케 한다. 특히 IEC61850 -9-2 LE Sampled Value 또는 IEC61850-9 프로토콜을 통해 고속 통신과 표준화된 데이터 처리가 가능하며, 안정적인 통신 환경을 제공한다.

SSC600은 내부 탑재된 ANOGAPC 기능을 통해 전류 및 전압의 이상 징후를 탐지하고, 이를 기록함으로써 AI 분석에 필요한 핵심 데이터를 제공한다. 또한 고성능 연산 및 저장 능력을 갖추고 있어 대용량의 이상 기록을 안정적으로 저장하고, AI 분석 모듈과의 연동을 통해 예측 기능을 강화할 수 있다. SSC 600은 단순한 보호 기능을 넘어 AI 기반 예측 시스템의 데이터 허브 역할을 수행하며, CogniEN 플랫폼과의 통합을 통해 고장 예측의 정확도를 높이고, 더 지능적인 배전망 운영을 가능케 한다.
  

3. AI Fault Prediction 설명
: 센서 없는 예측의 원리와 알고리즘

전류 및 전압의 갑작스러운 변동은 잠재적인 고장을 나타낼 수 있다. 이상 징후는 일시적으로는 무해할 수 있지만, 반복적으로 발생하면 장비 고장이나 시스템 장애로 이어질 수 있다. 이상을 탐지하고 기록함으로써 분석 및 예측 알고리즘은 네트워크 내의 비정상적인 동작에 집중할 수 있으며, 데이터 전송량과 처리 성능 요구를 최소화할 수 있다.

이상 기록은 고장 예측에 매우 중요한 요소이다. 대부분의 시스템에서는 고장 발생 이후의 기록만을 제공하지만, 고장이 발생한 후의 정보에 불과하다. 따라서 고장 상황뿐만 아니라 평상시에도 이상을 탐지하고, 측정값을 기록할 수 있는 기능은 고장 예측을 위한 데이터 확보에 필수적이다.

ABB의 중앙 집중형 보호 및 제어 솔루션인 SSC 600 및 SSC600 SW는 ANOGAPC 이라는 기능을 통해 고장의 초기 징후를 포착할 수 있는 고급 이상 탐지 및 기록 기능을 제공한다. 또한 이 시스템은 충분한 처리 성능과 저장 용량을 갖추고 있으며, 포착된 이상 기록을 식별하고 저장할 수 있다.

또한 이상 기록, Disturbance record 그리고 네트워크 고장 정보는 HTTPS와 같은 보안 네트워크 통신 프로토콜을 통해 CogniEn Fleet Manager 모듈로 전달된다.

CogniEN Fleet Manager는 배전망의 디지털 전환을 가속하는 핵심 플랫폼으로, AI 기반 고장 분석 및 예측 모듈을 통합하여 더 지능적인 운영을 가능케 한다. 이 플랫폼은 사용자 인증 및 권한 관리, Protection Relay와의 안전한 연결, 네트워크 인벤토리 및 토폴로지 유지, 이상 및 고장 기록의 장기 저장을 위한 데이터 레이크, 머신러닝 애플리케이션을 위한 안정적인 런타임 환경 그리고 직관적인 사용자 인터페이스 통합 등 다양한 기능을 제공한다.

특히 CogniEN EDGE Fleet Manager는 Intelliview AI 고장 예측 모듈을 포함하고 있으며, 데이터 레이크에 저장된 이상 및 고장 기록을 기반으로 고장 분석 및 예측을 수행한다. 예측 프로세스는 크게 세 단계로 구성된다.

첫 번째는 특징 추출(Feature Extraction) 단계로 RMS, 임피던스, 유효 및 무효전력, 고조파, 위상각 등 다양한 파생 특징을 계산하여 특징 벡터로 변환함으로써 머신러닝 모델의 입력으로 활용된다.

두 번째는 이상 필터링(Anomaly Filtering) 단계로, 특징 벡터를 다차원 시계열로 배열한 후 관련성 없는 기록을 제거한다. 이 과정은 필터링 컴포넌트, LST M(Long Short-term memory) 레이어, 분류 헤드로 구성된 신경망을 통해 수행되며, 라벨링 된 데이터를 기반으로 학습된 필터링 컴포넌트가 유의미한 기록만을 선별하여 다음 단계로 전달한다.

세 번째는 고장 예측(Fault Prediction) 단계로, LS TM 레이어가 시계열 데이터를 처리하여 단일 특징 벡터를 생성하고, 이를 분류 헤드에 전달하여 향후 1주일 내 고장 발생 확률을 산출한다. 예측 결과는 예상 고장, 발생 확률, 고장 유형 및 근본 원인, 고장 위치 추정 등의 정보로 구성되며, 예방 정비를 위한 실행 가능한 인사이트를 제공한다.

시스템의 핵심 강점은 설명(해석, 해명)할 수 있는 AI(Explainable AI, XAI) 기능이다. 모델이 예측을 수행한 근거를 시각화와 함께 명확하게 제시함으로써 운영자가 예측의 신뢰성을 평가하고, 도메인 지식을 바탕으로 적절한 대응을 할 수 있도록 돕는다. 또한 각 특징의 중요도를 분석하여 어떤 데이터가 고장을 나타내는데 가장 큰 영향을 미쳤는지를 파악할 수 있으며, 모델의 지속적인 개선과 정교화에 기여한다. 이러한 설명 가능성과 투명성은 AI/ML 기술과 현장 운영 간의 틈을 좁히고, 전력망의 안정성과 예측 정확도를 동시에 향상하는 기반이다.
  

4. 적용 사례 및 산업적 가치

ABB의 AI 기반 고장 예측 솔루션은 핀란드의 배전망에 2021년부터 적용되어 다음과 같은 성과를 입증했다.
•예측 정확도 : 전체 고장의 67%, 예측 가능한 고장의 90%를 사전 탐지
•오탐 없음 : 잘못된 경고 없이 안정적인 운영
•적용 범위 : 지중 케이블, 가공선, 변전소, 변압기, 개폐기 등 다양한 설비에 적용 가능
이 기술은 설비 고장으로 인한 다운타임 비용(산업 평균 시간당 $124,669)을 크게 줄일 수 있으며, 예방 정비 최적화, 운영 안전성 향상, 설비 수명 연장 등의 효과를 제공한다.

5. 결론 및 전망

ABB의 SSC600과 CogniEN AI Fault Prediction 솔루션은 센서 없는 고장 예측이라는 새로운 패러다임을 제시하며, 디지털 보호계전기의 역할을 단순 보호에서 예측 기반 유지보수의 중심으로 확장한다.

향후에는 다음과 같은 방향으로 기술이 발전할 것으로 기대된다.
•XAI 기반 운영자 인터페이스 고도화
•고장 예측의 실시간성 향상
•다양한 산업군에 맞춘 알고리즘 커스터마이징
•클라우드 기반 분석과 엣지 컴퓨팅의 융합

ABB의 솔루션은 단순한 기술이 아닌 운영 효율성과 안전성의 새로운 기준을 제시하며, 디지털 전환 시대의 핵심 인프라로 자리 잡았다.

〈참고문헌〉
1. ABB, 2023, “Value of Reliability: ABB Survey Report 2023
2. Balouji, E et al., 2023, “Distribution network fault prediction utilizing protection relay disturbance recordings and machine learning”, CIRED 2023
3. Backstrom, K et al., 2024, “Efficient fault prediction solution”, PAC World issue 068

전반적인 내용(해당 솔루션)은 브로셔를 번역/발췌했다.

hyung-kyu.lee@kr.abb.com