이춘권 연구실은 반사파 계측법(Time-Frequency Domain Reflectometry, TDR/TFDR)을 기반으로 한 전력케이블 및 제어계측 케이블의 진단과 결함 탐지 기술을 중점적으로 연구하고 있습니다. 반사파 계측법은 케이블 내부의 임피던스 불연속 지점에서 발생하는 반사 신호를 분석하여 결함 위치와 상태를 비파괴적으로 진단할 수 있는 첨단 계측기술입니다. 연구실은 다양한 주파수 영역과 신호 처리 기법을 적용하여, 케이블의 열화, 절연 파괴, 결함 위치 및 종류를 정밀하게 파악하는 방법을 개발하고 있습니다. 특히, 계단 주파수 반사파 계측법(Stepped-Frequency Waveform Reflectometry)과 시간-주파수 영역 반사파 계측법을 활용하여, 고전압 송전 케이블, 원자력 발전소의 제어계측 케이블, 해저 케이블 등 다양한 환경에서의 결함 진단 및 상태 평가를 수행합니다. 실험실 및 현장 실증을 통해 신호의 잡음 영향, 신호 왜곡 및 감쇄 보상, 최적 입력 신호 설계 등 실질적인 진단 정확도를 높이기 위한 연구가 활발히 이루어지고 있습니다. 또한, 반사파 신호의 특성을 기반으로 한 신뢰도 평가 및 결함 신호 검출 기법 개선에도 집중하고 있습니다. 이러한 연구는 전력설비의 안전성과 신뢰성 향상에 크게 기여하며, 케이블의 실시간 상태 모니터링, 예방적 유지보수, 사고 예방 등 산업 현장에서의 실질적인 활용 가능성을 높이고 있습니다. 연구실은 국내외 전력연구기관, 산업체와의 협력을 통해 기술의 현장 적용과 상용화에도 힘쓰고 있습니다.

이춘권 연구실은 딥러닝과 인공지능(AI) 기술을 접목하여 전력설비의 상태 예측 및 고장 진단 분야에서도 선도적인 연구를 수행하고 있습니다. 최근에는 LSTM, CNN-LSTM, R-CNN, Autoencoder 등 다양한 신경망 모델을 활용하여, 전력케이블 및 배전설비의 잔여수명 예측, 결함 탐지, 열화 진단 등 고도화된 진단 알고리즘을 개발하고 있습니다. 이러한 AI 기반 진단 기술은 기존의 신호처리 기반 방법에 비해 복잡한 환경에서도 높은 정확도와 신뢰도를 제공합니다. 특히, 실제 운전 조건과 다양한 결함 시나리오를 반영한 데이터 기반 학습을 통해, 케이블의 열화 상태, 절연 성능 저하, 고장 발생 가능성 등을 사전에 예측할 수 있습니다. 연구실은 TimeGAN, CNN-LSTM 등 시계열 및 이미지 기반 딥러닝 모델을 결합하여, 전력설비의 실시간 상태 모니터링과 예지보전(Predictive Maintenance)을 위한 핵심 기술을 개발하고 있습니다. 또한, 반사파 신호의 복잡한 패턴을 효과적으로 분석하여, 다중 결함 상황이나 블라인드 스팟 등 기존 방법으로는 진단이 어려운 문제도 해결하고 있습니다. 이러한 인공지능 기반 진단 및 예측 기술은 전력산업의 디지털 전환과 스마트 그리드 구현에 필수적인 요소로, 전력설비의 운영 효율성 증대와 유지보수 비용 절감, 사고 예방에 크게 기여할 것으로 기대됩니다. 연구실은 국내외 연구기관 및 산업체와의 협력을 통해, AI 기반 진단 시스템의 실증 및 상용화에도 적극적으로 참여하고 있습니다.