1. 서 론

전 세계적으로 많은 전력설비가 고도 성장기에 설치되어 한계 수명에 도달하거나 이를 초과하여 운영되고 있는 상황이다. 이러한 노후 전력설비의 지속적인 유지보수는 제한된 투자 재원으로 인해 어려움을 겪고 있으며, 그 결과 고장 발생 위험이 점차 증가하고 있다. 이에 따라 전력설비의 신뢰성을 확보하고, 자산관리의 효율성을 극대화할 수 있는 방안이 중요한 과제로 떠오르고 있다^[1-2]. 자산관리는 자산의 성능과 상태를 종합적으로 평가하여 최적의 투자 결정을 내리고 자산의 가치를 극대화하는 조직적 활동으로 정의된다^[3]. 현재 국내에서는 전력설비의 교체가 위험도 평가에 기반해 이루어지고 있지만, 이 평가 방식은 주로 설비의 운전 연수에 의존하고 있어 실제 설비의 상태를 충분히 반영하지 못하는 한계를 지닌다. 이는 자산관리의 효율성 저하로 이어질 수 있다. 반면, 영국과 일본 등 전력 선진국에서는 전력설비의 기능적 현재 상태를 기반으로 한 CBRM (Condition-Based Risk Management) 기법을 도입하여, 정량적 위험도 평가를 통해 설비의 수명을 최적화하고 있다. 이러한 접근법은 자원의 효율적 배분과 경제성 제고를 가능하게 하여 자산관리를 보다 체계적으로 수행할 수 있게 한다^[4].

본 연구의 목적은 국내 전력설비의 상태를 보다 정확하게 평가할 수 있는 방안을 모색하고, 이를 개선하기 위한 구체적인 방향성을 제시하는 데 있다. 이를 위해 다양한 상태 평가 방법을 분석하고, 실제 운전 중인 전력설비의 상태를 반영한 정량적 평가 기법의 개선 방향을 제안하였다. 이러한 개선 방안을 통해 위험도 관리와 설비의 수명 연장을 도모함으로써 자산관리의 효율성을 극대화할 수 있는 가능성을 탐구하고자 한다. 또한, 이를 바탕으로 CBRM의 실질적 구현을 위한 구체적 방향을 제시하며, 장기적인 자산관리 전략 수립에 기여할 수 있는 기초를 마련하고자 한다.

2. 상태 평가의 필요성과 구체적 적용 사례

전력설비의 지속적인 운용과 노후화된 설비의 증가는 현대 전력 시스템의 안정성과 경제성을 유지하기 위해 효율적인 자산관리 도입을 필수적으로 요구하고 있다. 현재 전 세계적으로 많은 전력설비가 수십 년이 경과하여 수명 연한에 도달하거나 이를 초과하여 운영되고 있으며, 이로 인해 설비 고장의 위험성이 높아지고 있다. 이러한 상황에 대응하기 위해 전력설비의 상태를 정확하게 평가하고, 효율적인 자산관리 전략을 수립하는 것이 중요한 과제로 대두되고 있다.

영국은 전력산업의 민영화 이후 자산관리에 선도적인 역할을 해왔으며, 전력 및 가스 에너지를 감독하는 규제 기관인 Ofgem (Office of Gas and Electricity Markets)은 RIIO (Revenue = Incentives + Innovation + Outputs)라는 규제 프레임워크를 도입하였다^[5]. RIIO는 전력 네트워크 사업자의 성과를 다년간 모니터링하고, 성과 목표 달성 여부에 따라 수익 및 인센티브를 조정하는 시스템이다. 이 프레임워크는 자산의 상태 기반 고장 위험도를 나타내는 CNAI (Common Network Asset Index)를 통해 전력설비의 건전도, PoF (Probability of Failure), 그리고 CoF (Consequence of Failure)를 평가한다. 영국의 배전 사업자인 DNO (Distribution Network Operators)는 전력설비 자산관리 전문 기관인 EA Technology와 협력하여 CBRM (Condition-Based Risk Management)을 기반으로 한 CNAIM (Common Network Asset Indices Methodology)을 개발하였다^[6]. 이 방법론은 자산의 건전도, PoF, CoF를 정량적으로 평가하여 최적의 유지보수 및 자산관리 전략을 수립하는 데 사용된다. 전력설비 상태 평가의 핵심 요소는 Expected Life와 이에 영향을 미치는 다양한 요인들이다^[7]. Expected Life는 설비의 정상적인 운전 조건에서 기대되는 수명을 의미하며, 비가시적 열화 요인인 Location Factor와 Duty Factor에 의해 조정된다. Location Factor는 설비가 설치된 환경적 요인 (예: 온도, 습도, 오염도 등)에 따른 수명 감소를 반영하고, Duty Factor는 설비가 실제 운전 중 받는 부하`와 사용 빈도에 따른 수명 감소를 고려하는 인자이다. 이를 종합하여 산출된 Initial Ageing Rate (β1)는 설비의 열화 과정을 설명하며, 이를 통해 Initial Health Score가 산출된다. Initial Health Score는 비가시적 열화 요인만을 반영한 지표로, Health Score Modifier와 결합되어 Current Health Score로 변환된다. Health Score Modifier는 Observed Condition (Inspection)과 Measured Condition (Test 및 실시간 모니터링) 데이터를 반영하여 설비의 현재 상태를 더욱 정확하게 평가하는 데 사용된다. 이를 통해 Current PoF를 정밀하게 산출할 수 있다. 이러한 평가 과정은 그림 1에 나타내었으며, Expected Life, Health Score Modifier, Current Health Score의 계산 과정과 상호 관계를 보여준다. 이를 통해 전력설비의 현재 상태를 정량적으로 평가할 수 있으며, 이를 바탕으로 유지보수 전략 및 자산관리 결정을 최적화할 수 있다.

그림 1. 전력설비의 Health Score와 PoF 계산 프로세스

Fig. 1. Health score and PoF calculation process for power equipment

영국의 UKPN (UK Power Networks)은 이러한 평가 방식을 통해 자산의 수명을 운전 연수가 아닌 실제 상태를 기반으로 평가하고 있으며, 이를 통해 최적의 유지보수 및 교체 시기를 결정하여 자산의 전체 수명 비용을 절감하고 있다^[8].

또한, 일본과 덴마크도 송배전 설비의 노후화 문제를 해결하기 위해 CNAIM을 현지화하여 도입하였으며, 이를 통해 설비의 위험도 평가 및 장기적 관리 계획을 수립하고 있다. 그림 2는 일본에서 자산관리 프로세스가 어떻게 구현되고 있는지 나타내었다^[9]. 먼저, 송배전 설비의 상태는 드론 및 태블릿을 포함한 다양한 감시 시스템을 통해 순시 및 점검이 이루어진다. 이 과정에서 수집된 데이터는 데이터베이스에 저장되어 체계적으로 관리된다. 이렇게 수집된 데이터를 바탕으로 CNAIM을 적용하여 설비의 위험도를 평가하는 절차가 수행된다. 이 평가 과정에서 설비의 PoF와 CoF를 분석하고, 이를 통해 위험도를 정량적으로 평가한다. 정량적으로 평가된 위험도는 설비의 갱신 계획을 수립하는 중요한 기준이 된다. 마지막으로, 설비 갱신 계획은 투자 시기나 시공력 등 다양한 요인을 고려하여 설비의 갱신 시점을 도출하고, 이를 바탕으로 장기적인 자산관리 전략을 수립한다.

뉴질랜드는 2022년에 CBRM을 도입하여 자산관리 투자 의사결정을 개선하고 있다. 이 과정에서 전력설비의 상태를 평가하고, 네트워크의 성능에 미치는 영향을 분석함으로써 자산관리 전략을 최적화하고 있다^[10]. 그림 3은 뉴질랜드의 CBRM 방법을 시각적으로 도시화한 것이다. 그림 3은 다양한 자산 관련 데이터와 지식을 기반으로 전력설비의 상태, 성능, 고장 영향도, 위험도를 종합적으로 평가하여 HI (Health Index)를 도출하는 과정을 나타낸다. 여기서 Nominal Asset Life는 설비가 정상적인 운전 조건에서 기대되는 이론적 수명을 나타내며, Degradation Processes는 설비가 시간이 지나면서 물리적, 환경적 요인에 의해 노후화되는 과정을 뜻한다. Age는 설비가 설치된 후 경과된 시간을 나타내고, Current Condition은 설비의 현재 상태를 반영하는 지표이다. 이러한 요소는 HI를 도출하는 데 중요한 자료로 사용되며, 설비의 현재 상태와 예상 수명을 종합적으로 평가하는 데 기여한다.

그림 2. 일본 전력설비의 자산관리 및 위험도 평가 프로세스

Fig. 2. Asset management and risk assessment process for power equipment in Japan

그림 3. 뉴질랜드의 CBRM 기반 자산 HI 계산 프레임워크

Fig. 3. CBRM-based asset HI calculation framework used in New Zealand

이러한 평가를 통해 도출된 HI는 자산 상태에 기반한 의사결정을 지원하고, 자산관리의 효율성을 극대화하는 데 활용된다. 또한, Nominal Asset Life와 Degradation Processes 등은 설비의 현재 상태뿐만 아니라 향후 예상되는 성능 저하 속도를 예측하는 데 중요한 역할을 한다. 이를 통해 최적의 유지보수 및 교체 시기를 결정하고, 장기적인 자산 투자 계획을 수립할 수 있다.

이처럼 영국, 일본, 덴마크, 뉴질랜드를 비롯한 여러 국가들은 전력설비 상태 평가를 통해 설비의 생애주기 전반에 걸쳐 위험도를 관리하고, 이를 기반으로 효율적인 자산관리를 구현하고 있다. 이러한 접근 방식은 설비의 수명을 연장하는 데 기여하며, 총 소유 비용 (Total Cost of Ownership, TCO)을 최적화하는 효과적인 방안으로 자리잡고 있다.

3. 전력설비 상태 평가 방법론

전력설비의 상태 평가는 자산관리의 의사결정 과정에서 중요한 역할을 한다. 상태 평가의 목적은 Inspection과 Test 등의 결과를 기반으로 전력설비의 상태를 정량적으로 평가하여 HI로 표현하는 것이다. 도출된 HI는 전력설비의 유지보수 우선순위 설정 및 자산관리 전략 수립에 중요한 기준이 되며, 이를 통해 조직은 전력설비의 위험도 완화, 설비 수명 연장, 그리고 최적화된 유지보수를 통해 비용 절감을 실현할 수 있다.

상태 평가 방법론은 크게 Summation, Weighted Summation, Worst Code의 세 가지 방식으로 구분할 수 있다. 각 방법은 설비의 상태를 평가하는 데 있어 서로 다른 접근 방식을 적용하며, 각각의 특징과 장단점이 존재한다.

Summation 방식은 설비의 다양한 상태 평가 항목에 점수를 부여한 후 이를 단순히 합산하여 상태를 평가하는 방법이다. 이 방식은 직관적이고 간단한 평가가 가능하며, 각 항목에 동일한 중요도를 전제로 한다. Summation 방식의 장점은 계산 과정이 단순하여 다양한 설비에 쉽게 적용할 수 있다는 점이다. 그러나 단점으로는, 각 항목이 동일한 비중으로 평가되기 때문에 중요한 요소가 과소평가되거나, 덜 중요한 요소가 과대평가될 가능성이 있다는 점이 있다^[11].

Weighted Summation 방식은 Summation 방식의 단순성을 보완하여, 각 평가 항목에 가중치를 부여함으로써 각 항목의 중요도를 반영할 수 있는 방법이다. 미리 설정된 기준에 따라 특정 항목의 중요성을 강조하거나 감소시킴으로써 위험 요소를 보다 정확하게 평가할 수 있다. Weighted Summation 방식의 장점은 고위험 설비나 중요도가 높은 항목을 고려한 평가가 가능하다는 점이다. 이를 통해 설비의 위험도를 체계적으로 반영할 수 있다. 그러나 단점으로는, 가중치 설정이 평가자의 주관적 판단에 의해 결정되기 때문에 그 과정에서 결과가 왜곡될 가능성이 있다는 점이다. 가중치 설정이 잘못되면 중요한 요소가 과소 평가되거나, 반대로 불필요하게 과대 평가되는 문제가 발생할 수 있다^[11]. 표 1에서는 A와 B의 상태 평가 예시를 통해 가중치 적용 전후의 결과 차이를 설명하였다. A의 점수가 B보다 낮았음에도 가중치 적용으로 인해 A의 위험도가 더 높아지는 결과가 발생한 사례를 보여준다.

마지막으로 Worst Code 방식은 가중치나 합산 방식을 사용하지 않고, 각 Subsystem 중 가장 열악한 상태를 가진 요소를 기준으로 상태를 평가하는 방법이다. 여기에서 Subsystem은 전력설비의 주요 구성 요소 또는 하위 시스템을 의미하며, 설비 전체에서 개별적인 역할을 수행하는 부분들을 지칭한다. 각 Subsystem에 대해 상태 평가 점수를 부여하고, 가장 나쁜 상태의 점수를 Worst Code로 선정하여 전체 Component의 상태를 나타낸다. Worst Code 방식의 주요 특징은, 가장 나쁜 상태만을 기준으로 평가하여 최악의 상황을 반영한 관리가 가능하다는 점이다. 이 방식의 장점은 주관적 가중치 부여를 배제하여 평가의 왜곡을 줄이며, 설비의 Component 중에서 상태가 가장 열악한 부분을 명확하게 식별할 수 있다는 것이다. 이를 통해 유지보수가 필요한 항목을 효과적으로 식별하고 관리할 수 있다. 그러나 Worst Code 방식의 단점은 최악의 상태만을 반영하기 때문에 전체적인 상태를 파악하기 어려울 수 있으며, 단일 문제에 집중함으로써 다른 중요한 요소들이 간과될 위험이 있다는 것이다^[12].

Summation, Weighted Summation, 그리고 Worst Code 방식은 각각의 특성과 용도에 따라 전력설비의 상태를 평가하는 데 유용하다. Summation 방식은 간단한 계산을 통해 신속하게 평가할 수 있어 직관적이고 범용적으로 사용할 수 있지만, 모든 항목이 동일한 중요도를 가지는 문제점이 있다. 반면, Weighted Summation 방식은 가중치를 부여하여 설비의 중요도를 반영할 수 있어 정밀한 평가가 가능하지만, 주관적 요소가 개입될 수 있어 결과가 왜곡될 위험이 있다. Worst Code 방식은 가장 열악한 요소를 기준으로 설비 상태를 강조할 수 있어 위험 요소를 빠르게 식별할 수 있지만, 전체적인 상태를 평가하는 데에는 부족함이 있을 수 있다. 세 가지 방식의 비교를 정리하면, Summation 방식은 단순성과 범용성에서 장점을 가지며, Weighted Summation 방식은 정밀성이 요구되는 상황에서 유리하다. Worst Code 방식은 긴급한 문제 해결이 필요한 상황에서 유용하다. 이들 방식은 상황에 맞게 혼합하여 사용함으로써 더 포괄적이고 정밀한 평가를 가능하게 하며, 다양한 상황에 맞춘 유지보수 전략을 수립할 수 있다.

4. 전력설비 HI 도출 프로세스

전력설비의 HI 도출 프로세스는 설비의 상태를 체계적으로 분석하여 유지보수 우선순위를 설정하고 자산관리 전략을 수립하기 위한 중요한 절차이다. 이 과정을 통해 설비의 수명을 연장하고, 고장 위험을 감소시키며, 운영 비용을 절감할 수 있다. 그림 4는 이러한 HI 도출 프로세스를 나타낸 것으로, 크게 8단계로 구성된다^[13].

첫 번째 단계는 자산을 식별하는 것이다. 각 설비가 전력 시스템 내에서 어떤 역할을 수행하고, 어떤 목적으로 운영되는지를 명확히 파악하는 것이 평가의 출발점이 된다. 이를 위해 설비와 관련된 모든 데이터를 수집한다. 두 번째 단계에서는 HI 도출을 위한 전략을 수립한다. 이 과정에서는 수집된 데이터를 기반으로 설비의 중요성, 보유 데이터의 질과 양, 그리고 HI 구현 비용 등을 고려하여 적절한 평가 단계를 결정한다. 이때, 평가 방법은 사용자의 선택에 따라 단계적으로 접근하며, 각 단계는 수집된 데이터의 양과 분석에 필요한 비용, 그리고 결과의 신뢰도에 따라 차별화된다. 전력 시스템에서의 중요도에 따라 적절한 단계를 적용함으로써 평가가 이루어지며, 이를 통해 경제성과 신뢰성을 고려한 HI를 도출할 수 있다. 세 번째 단계에서는 자산의 구조를 분석한다. 설비를 구성하는 Component를 분류하고, 이를 하위 시스템 (Subsystem)으로 세분화하여 각 Component의 상태를 구체적으로 파악한다. 이를 통해 설비의 유지보수가 필요한 부분을 명확히 식별할 수 있다. 네 번째 단계에서는 FMEA (Failure Mode and Effects Analysis) 기법을 활용하여 설비의 상태 평가 항목을 설정한다. 먼저, 고장에 대한 명확한 정의가 필요하다. 예를 들어, 절연파괴와 같은 특정 상황을 고장으로 간주하며, 그 외의 열화나 경미한 손상은 고장으로 판단하지 않을 수 있다. 고장의 정의는 상태 평가의 기초가 된다. 다음으로, 고장모드에 대한 분석이 이루어져야 한다. 절연파괴를 고장으로 정의할 경우, 이를 유발할 수 있는 다양한 고장모드를 파악하는 것이 중요하다. 또한, 열화에 대한 정의도 필요하다. 고장이 시스템의 주요 기능 수행 실패를 의미한다면, 열화는 즉각적인 기능 상실을 유발하지 않더라도 수명에 영향을 미칠 수 있는 상태를 의미한다. 이러한 고장과 열화의 정의를 바탕으로, 주요 기능을 수행하지 못하게 만드는 고장모드와 수명에 영향을 줄 수 있는 열화를 고려하여, FMEA 기법을 통해 상태 평가 항목과 기준을 설정한다. 이는 설비의 취약한 부분을 사전에 파악하고, 이에 대한 관리 전략을 수립하는 데 필수적이다. 다섯 번째 단계에서는 Inspection, Diagnostic, Monitoring 등의 방법을 통해 설비의 상태 데이터를 수집한다. 이 과정에서 설비의 외부 상태뿐만 아니라, 실시간 모니터링으로 수집된 상태 데이터도 포함되어, 현재 상태와 예상 수명을 평가하는 데 중요한 기초 자료로 활용된다. 이러한 데이터를 바탕으로, 여섯 번째 단계에서는 각 설비의 현재 상태를 나타내는 Condition Code를 부여한다. 이 코드는 설비의 상태를 정량적으로 나타내며, 객관적인 평가를 가능하게 한다. 설비의 상태를 코드로 분류하고, 이를 기반으로 설비의 상태가 HI로 반영된다. 일곱 번째 단계에서는 부여된 Condition Code를 바탕으로 HI가 도출된다. 마지막으로, 여덟 번째 단계에서는 도출된 HI를 바탕으로 설비의 위험도를 완화하기 위한 계획을 수립한다. 여기에는 Intervention과 유지보수 및 교체 전략이 포함되며, 최종적으로 설비의 수명 연장과 자산관리 효율성을 극대화하는 것을 목표로 한다.

그림 5는 HI 도출 프로세스에서 활용되는 구체적인 평가 방법론을 보여준다. 설비의 Observed Condition은 Inspection을 통해 얻은 데이터를 의미하며, Measured Condition은 Test와 실시간 모니터링을 통해 보다 정밀하게 측정된 데이터를 포함한다. 이 두 가지 데이터를 종합적으로 고려함으로써 설비 상태를 더욱 정확하게 평가할 수 있으며, 이를 통해 HI가 도출된다. HI 도출 과정에는 Condition Data, Utilization Data, Statistical Data와 같은 여러 입력값이 포함된다. Condition Data는 설비의 외부 및 내부 상태를 평가한 데이터를 포함하고, Utilization Data는 설비가 실제 운용된 시간과 환경, 그리고 부하 조건을 의미한다. 또한, Statistical Data는 설비의 고장 이력과 유지보수 기록 등을 포함하여 설비의 고장 가능성을 예측하는 데 사용된다. 이 데이터들은 각각 Summation, Weighted Summation, Worst Code와 같은 방법론을 통해 설비의 Condition Code를 산출하며, 그 결과와 Initial Health Score를 바탕으로 Current Health Score를 도출한다. 이를 Health Index Band에 Banding을 하여 Current HI가 도출된다.

그림 6은 전반적인 HI 도출 프로세스를 보다 거시적인 관점에서 설명하고 있다. Condition Assessment는 Inspection, Test와 Monitoring을 통해 설비의 상태를 평가하는 단계이다. 이 평가를 바탕으로 HI가 도출되며, 동시에 CI (Criticality Index)가 도출되어 설비의 중요성 및 고장 시 영향을 평가한다. HI와 CI는 설비의 유지보수 및 교체 시점을 결정하는 중요한 지표로 활용되며, 이를 통해 설비의 Intervention 전략이 수립된다. Intervention 전략은 설비의 Refurbishment 또는 Replacement 여부를 결정하는 중요한 단계이며, 여기에서 기술적 타당성과 비용 편익 분석이 함께 고려된다.

그림 4. HI 도출 및 위험도 완화 계획 수립 프로세스

Fig. 4. Process for HI generation and risk mitigation planning

그림 5. Observed Condition과 Measured Condition 기반의 HI 계산 프로세스

Fig. 5. HI calculation process based on observed and measured conditions

그림 6. HI 및 Intervention 프로세스에 대한 거시적 개요

Fig. 6. Macroscopic overview of HI and intervention process

이러한 의사결정은 설비의 수명을 연장하고, 자산의 운영 비용을 절감하는 데 중요한 기여를 한다. 결과적으로, 이와 같은 종합적인 상태 평가 프로세스는 설비의 신뢰성을 높이고, 자산관리의 효율성을 극대화하는 데 중요한 역할을 한다.

5. 전력설비 HI 도출 방법

전력설비의 HI 도출은 앞서 기술한 그림 4의 프로세스를 따른다. 첫 번째 단계는 전력 시스템 내에서 설비의 역할과 운영 목적을 파악한다. 이를 위해 설비의 Condition Data, Utilization Data, Statistical Data 등 모든 데이터를 수집한다. 두 번째 단계에서는 설비의 중요도와 수집된 데이터의 질과 양, 그리고 HI 구현 시 소요되는 비용 등을 고려하여 HI를 구현하기 위한 평가 단계를 결정한다. 이 과정을 통해 평가의 정확도와 경제성을 고려한 평가 방법을 선택할 수 있다. 세 번째 단계에서는 설비의 구조를 분석한다. 설비는 각 Component로 분류되며, 각 Component는 기능적 역할에 따라 하위 구성요소인 Subsystem으로 세분화된다. 그림 7은 설비의 구조를 Component와 Subsystem으로 분류한 구조도를 나타낸다. 이러한 구조도를 통해 불건전 개소를 직관적으로 파악할 수 있으며, 유지보수가 필요한 부분을 명확히 식별할 수 있다. 네 번째 단계에서는 설비의 고장과 열화에 대한 명확한 정의를 내리고, FMEA 기법을 활용하여 설비의 고장모드와 수명에 영향을 미치는 열화를 파악한다. 이를 통해 각 Subsystem의 상태 평가 항목을 선정한다. 다섯 번째 단계는 선정된 평가 항목을 바탕으로 상태 평가를 진행하여 설비의 현재 Condition Data를 수집한다.

그림 7. 전력설비의 구조적 분류 예시

Fig. 7. Example of structural classification of power equipment

여섯 번째 단계에서는 보유하고 있는 Utilization Data, Statistical Data를 기반으로 설비의 Expected Life를 도출한다. Expected Life란 설비의 정상적인 운전 조건에서 기대되는 수명을 의미한다. Expected Life와 설비의 나이를 바탕으로 Initial Health Score를 산출한다. Initial Health Score는 비가시적 열화 요인만을 반영한 지표로, 설비의 상태에 대한 초기 추정값을 제공하지만, 설비의 실제 상태를 완전히 반영하지 못한다는 한계가 있다. 이를 보완하기 위해 Condition Data를 활용하여 각 Subsystem에 Condition Code를 부여한다. Condition Code는 Log Scale을 사용함으로써 코드의 자릿수에 따라 설비의 상태를 직관적으로 확인할 수 있다. 각 Subsystem에 부여된 Condition Code 중 가장 높은 코드는 해당 Component의 상태를 대표하는 Worst Code로 도출된다. Worst Code는 설비의 가장 취약한 부분을 기준으로 상태를 평가하며, 이를 통해 유지보수가 필요한 개소를 효과적으로 식별할 수 있다. 그림 8은 Worst Code 도출 프로세스를 나타내었다. Subsystem의 상태 평가 결과에 따라 Log Scale의 Condition Code가 부여되고, 가장 높은 값인 1,000점이 Component의 상태를 대표하는 Worst Code가 된다. 이렇게 도출된 각 Component의 Worst Code는 Summation 방식을 통해 설비의 Condition Code를 산출한다. 이 과정에서 사용자는 필요에 따라 Weighted Summation 방식을 전략적으로 사용할 수 있다. 기존 연구는 단순히 Summation 방식이나 Weighted Summation 방식을 사용해 전력설비의 전체적인 상태를 평가하는 데 중점을 두었으나, 본 논문에서는 Subsystem 수준에서 Worst Code를 통해 가장 취약한 요소를 도출하고, 이를 Component 수준에서 Summation 또는 Weighted Summation으로 합산하여 보다 정밀한 평가를 가능하게 한다. 앞서 도출한 Initial Health Score와 설비의 상태를 나타내는 Condition Code를 결합하여 Current Health Score를 도출한다. 일곱 번째 단계에서는 설비의 Current Health Score를 Health Index Band에 따라 HI로 변환한다. HI는 설비의 상태를 종합적으로 평가한 결과를 나타내며, 유지보수 우선순위 설정 및 자산관리 전략 수립의 중요한 기준이 된다. 마지막으로, 도출된 HI를 기반으로 설비의 위험도 완화계획이 수립된다. 이 계획에는 유지보수, 교체, 그리고 Refurbishment와 같은 위험도 완화 방안이 포함되며, 궁극적으로 자산관리의 효율성을 극대화하는 것을 목표로 한다.

그림 8. Component의 Worst Code 도출 프로세스

Fig. 8. Component's worst code derivation process

이러한 상태 평가 방법을 통해 전력설비의 수명을 연장하고, 고장 위험을 줄이며, 최적화된 유지보수로 운영 비용을 절감할 수 있다. Summation, Weighted Summation, Worst Code 등의 평가 방식을 적절히 적용함으로써 설비 상태를 정밀하게 평가하고, 자산관리 효율성을 극대화하는 데 기여할 수 있다.

6. 결 론

본 연구에서는 HI 기반 상태 평가 방법을 제시하여 국내 전력설비의 상태를 보다 정확히 평가하고, 이를 통해 자산관리의 효율성을 극대화하기 위한 기초를 마련하였다. 기존의 운전 연수에만 의존한 위험도 평가 방식은 설비의 실제 상태를 정확히 반영하지 못해, 비효율적인 자산관리와 높은 유지보수 비용을 초래할 수 있다. 이를 해결하기 위해 설비의 상태를 정량적으로 평가할 수 있는 정교한 기법이 필요하다.

Summation, Weighted Summation, Worst Code 세 가지 상태 평가 방법론을 검토한 결과를 바탕으로, 국내에 적용 가능한 개선된 평가 기법을 제안하였다. 특히, Worst Code 방식을 활용하여 Subsystem의 가장 취약한 요소를 반영함으로써 보다 객관적이고 신뢰성 있는 상태 평가가 가능하다. 또한, Log Scale을 사용한 Condition Code를 도입하여 설비 상태를 직관적으로 평가하고, 이를 기반으로 불필요한 Intervention과 유지보수를 최소화하면서 최적의 Intervention과 유지보수 우선순위를 판단하여 효율적인 자산관리 전략을 수립할 수 있다.

본 연구에서 제시한 HI 도출 프로세스는 설비의 Condition Data, Utilization Data, Statistical Data 등을 활용하여 설비의 상태를 정량적으로 평가하는 방법론이다. 이를 통해 설비의 노후화 속도를 정확히 파악하고, 설비의 수명 연장과 성능 향상을 위한 적절한 Intervention 및 유지보수 전략을 수립할 수 있다. 또한, HI와 CI를 통합하여 설비의 고장 확률뿐만 아니라, 고장 시 미치는 영향을 함께 고려한 종합적인 위험도 평가가 가능하다.

이러한 방법론은 조직이 유지보수 및 교체 결정을 효율적으로 판단하도록 지원하며, 이를 통해 유지보수 비용을 절감하고 자산관리의 효율성을 극대화하는 데 기여할 수 있다. 또한, CBRM의 실질적인 구현 방향을 제시하여, 장기적인 자산관리 전략 수립에 중요한 기여를 할 수 있을 것이다.

결과적으로, 본 연구에서 제안한 HI 기반 전력설비 상태 평가 방법은 설비의 수명을 연장하고, 예기치 못한 고장을 방지하며, 운영 비용 절감에 기여할 수 있다. 이는 단기적인 위험도 관리뿐만 아니라, 장기적인 자산관리 전략 수립에도 중요한 역할을 할 것이다. 향후 연구에서는 본 연구에서 제안한 방법론을 배전반과 GIS 등 다양한 전력설비에 적용 가능성을 검토하고, 해당 설비에 적용하여 Health Index 도출 및 실효성을 입증할 계획이다. 이러한 실질적인 적용을 통해 자산관리 전략의 신뢰성을 더욱 향상시킬뿐만 아니라, 자산관리 최적화를 통한 비용 절감 및 자원 배분 효율성을 강화하는 데 기여할 수 있을 것이다.