엣지 AI 디바이스 기반 하이브리드 1D-CNN 및 RNN 모델을 이용한 실시간 전력 파형 이상 탐지 시스템
Real-Time Anomaly Detection in Power Waveforms Using a Hybrid 1D-CNN and RNN Model on Edge AI Devices
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 전력 품질 관리에서 요구되는 실시간 이상 탐지를 위해, 1D-CNN과 RNN 기반의 경량 엣지 AI 시스템을 설계하고 그 성능을 실험적으로 검증하였다. 해당 시스템은 Raspberry Pi CM4, ESP32, Jetson Nano 등 다양한 오픈소스 하드웨어 플랫폼에서 구현되었으며, 20kHz 고속 샘플링 및 슬라이딩 윈도우 기반 시계열 분석 기법을 통해 98.1%(±2.1%)의 이상 탐지 정확도와 92ms 이하의 추론 지연 시간을 달성하였다. 알고리즘 구조, 하드웨어 사양, 전력 소비 항목에 대한 비교 실험 결과, 엣지 환경에서도 실시간 처리가 가능함을 입증하였다. 아울러, 전체 구성요소는 소프트웨어 아키텍처 및 추론 파이프라인과 함께 정량적으로 문서화되었고, 현장 테스트를 통해 실용성과 이식성 측면에서도 적용 가능성이 확인되었다.
Abstract
This study proposes a lightweight edge AI system based on 1D-CNN and RNN architectures for real-time anomaly detection in power quality monitoring. The system was implemented on various open-source hardware platforms, including the Raspberry Pi CM4, ESP32, and Jetson Nano. By utilizing high-speed 20kHz sampling and a sliding window-based time-series analysis technique, the system achieved an anomaly detection accuracy of 98.1% (±2.1%) and an inference latency of less than 92 milliseconds. Comparative experiments were conducted in terms of algorithmic structure, hardware specifications, and power consumption, confirming the system’s feasibility for real-time processing in edge environments. In addition, all components were thoroughly documented, including the software architecture and inference pipeline, and field testing validated its practicality and portability in real-world deployments.