송전선로의 점검 데이터를 수집하는 데이터 수집모듈; 수집된 상기 점검 데이터를 저장하는 저장모듈; 및 상기 데이터 수집모듈 및 상기 저장모듈과 작동적으로 연결(operatively coupled to)된 프로세서;를 포함하되,상기 프로세서는 상기 데이터 수집모듈을 통해 수집된 상기 점검 데이터를 상기 저장모듈에 저장하고, 상기 점검 데이터에 기초하여 기계학습 모델과 규칙기반 모델을 기반으로 고장유형을 분류한 후 기계학습 신뢰도와 규칙기반 신뢰도를 비교하여 최종 고장유형을 출력하는 것을 특징으로 하는 송전선로의 고장유형 분류장치.

제1항에 있어서, 상기 프로세서는, 상기 점검 데이터를 표준화하고 정규화하여 전처리하는 것을 특징으로 하는 송전선로의 고장유형 분류장치.

제1항에 있어서, 상기 프로세서는, 상기 기계학습 모델을 기반으로 상기 점검 데이터로부터 특징을 추출하여 고장유형별 확률을 산출하고, 상기 고장유형별 확률을 기반으로 상기 기계학습 신뢰도를 산정하는 것을 특징으로 하는 송전선로의 고장유형 분류장치.

제3항에 있어서, 상기 프로세서는, 상기 고장유형별 확률의 최대값이 낮을수록 상기 기계학습 신뢰도가 낮은 값을 갖도록 산정하는 것을 특징으로 하는 송전선로의 고장유형 분류장치.

제1항에 있어서, 상기 프로세서는, 상기 규칙기반 모델을 기반으로 상기 점검 데이터의 전류값을 통해 상별 RMS 비율을 산출하고, 상기 상별 RMS 비율과 고장상별 경계와의 최소거리를 계산하고, 상기 최소거리를 기반으로 상기 규칙기반 신뢰도를 산정하는 것을 특징으로 하는 송전선로의 고장유형 분류장치.

제5항에 있어서, 상기 프로세서는, 상기 최소거리가 작을수록 상기 규칙기반 신뢰도가 낮은 값을 갖도록 산정하는 것을 특징으로 하는 송전선로의 고장유형 분류장치.

제1항에 있어서, 상기 프로세서는, 상기 기계학습 신뢰도와 상기 규칙기반 신뢰도를 비교하여 높은 신뢰도의 모델로 산출된 고장유형을 상기 최종 고장유형으로 출력하는 것을 특징으로 하는 송전선로의 고장유형 분류장치.

프로세서가 송전선로의 점검 데이터를 수집하여 저장하는 단계; 상기 프로세서가 상기 점검 데이터에 기초하여 기계학습 모델과 규칙기반 모델을 기반으로 각각 고장유형을 분류하고, 기계학습 신뢰도와 규칙기반 신뢰도를 산출하는 단계; 및 상기 프로세서가 상기 기계학습 신뢰도와 상기 규칙기반 신뢰도를 비교하여 최종 고장유형을 출력하는 단계;를 포함하는 것을 특징으로 하는 송전선로의 고장유형 분류방법.

제8항에 있어서, 상기 프로세서가 상기 점검 데이터를 표준화하고 정규화하여 전처리 단계;를 더 포함하는 것을 특징으로 하는 송전선로의 고장유형 분류방법.

제8항에 있어서, 상기 고장유형을 분류할 때, 상기 프로세서가 상기 기계학습 모델을 기반으로 상기 점검 데이터로부터 특징을 추출한 후 고장유형별 확률을 산출하여 상기 고장유형을 분류하는 것을 특징으로 하는 송전선로의 고장유형 분류방법.

제10항에 있어서, 상기 기계학습 신뢰도를 산출할 때, 상기 프로세서가 상기 고장유형별 확률의 최대값이 낮을수록 상기 기계학습 신뢰도가 낮은 값을 갖도록 산정하는 것을 특징으로 하는 송전선로의 고장유형 분류방법.

제8항에 있어서, 상기 고장유형을 분류할 때, 상기 프로세서가 상기 규칙기반 모델을 기반으로 수집된 상기 점검 데이터의 전류값을 통해 상별 RMS 비율을 산출하고, 상기 상별 RMS 비율과 고장상별 경계와의 최소거리를 계산하여 상기 고장유형을 분류하는 것을 특징으로 하는 송전선로의 고장유형 분류방법.

제12항에 있어서, 상기 규칙기반 신뢰도를 산출할 때, 상기 프로세서가 상기 최소거리가 작을수록 상기 규칙기반 신뢰도가 낮은 값을 갖도록 산정하는 것을 특징으로 하는 송전선로의 고장유형 분류방법.

제8항에 있어서, 상기 최종 고장유형을 출력하는 단계는, 상기 프로세서가 상기 기계학습 신뢰도와 상기 규칙기반 신뢰도를 비교하여 높은 신뢰도의 모델로 산출된 고장유형을 상기 최종 고장유형으로 출력하는 것을 특징으로 하는 송전선로의 고장유형 분류방법.