[한전KPS] AI활용, 송전선로고장 및 사고 예측시스템 구축

한전KPS AI 송전선로 관리 – 47m 철탑에 오르지 않고 드론과 AI로 고장을 예측하다

송전선로 주변의 나무가 자라 전력선에 가까워지면 단순한 조경 문제가 아닙니다.

수목이 송전선과 접촉하면 설비 고장으로 이어질 수 있기 때문에 일정 거리를 유지하도록 지속적으로 점검하고 제거해야 합니다.

문제는 송전망의 규모입니다.

한전KPS가 관리해야 하는 송전선로는 약 13,815km, 송전철탑은 약 4만2천 기에 달합니다. 선로는 전국에 넓게 퍼져 있고 산악지대에 위치한 경우가 많아 사람이 직접 접근해 상태를 확인하는 데 많은 시간과 노력이 필요합니다.

기존에는 작업자가 평균 높이 47m의 철탑에 직접 올라가 전선과 나무 사이의 거리를 눈으로 확인했습니다.

한전KPS는 이 작업을 드론으로 데이터를 수집하고 AI가 위험 수목을 자동으로 찾아내는 방식으로 바꿨습니다.

Challenge – 위험한 승탑 작업과 육안 점검에 의존했어요

기존 근접 수목 관리는 작업자가 직접 철탑에 올라가 전력선과 나무 사이의 거리를 확인하는 방식이었습니다.

하지만 철탑의 평균 높이는 약 47m입니다.

고소 작업 자체에 추락 위험이 있고, 전력설비와 가까운 곳에서 작업하기 때문에 감전 위험도 존재합니다.

실제로 2011년부터 2025년까지 수목 관련 산업재해가 10건, 수목으로 인한 송전선로 고장이 11건 발생했습니다.

안전 문제뿐만 아니라 정확도와 효율에도 한계가 있었습니다.

전선과 수목 사이의 거리를 육안으로 판단한 뒤 벌채할 나무를 선정해야 했기 때문에 작업자의 경험에 따라 판단이 달라질 수 있고, 넓은 산악구간을 반복적으로 확인하는 데도 많은 시간이 필요했습니다.

결국 필요한 것은 사람이 더 자주 철탑에 오르는 것이 아니라, 사람이 올라가지 않아도 위험한 수목의 위치와 거리를 정확하게 확인할 수 있는 방법이었습니다.

Solution – 드론이 촬영하고, AI가 전력선과 나무 사이의 거리를 계산해요

한전KPS는 송전선로 근접 수목 자동 추출 솔루션을 개발했습니다.

전체 과정은 크게 네 단계입니다.

드론 데이터 수집 → 3D 매핑·AI 분석 → 지도 연동 → 자동 보고서 생성

현장을 촬영한 뒤 사람이 이미지를 일일이 확인하는 수준을 넘어, AI가 송전선로와 수목을 구분하고 실제 정비가 필요한 나무까지 자동으로 선별합니다.

① 드론이 사람이 올라가던 송전선로를 촬영해요

먼저 드론이 송전선로 주변을 비행하며 포인트 클라우드 데이터를 수집합니다.

포인트 클라우드는 공간을 수많은 3차원 점으로 표현한 데이터입니다. 전력선과 철탑, 주변 나무의 위치와 높이를 입체적으로 확인할 수 있어요.

기존에는 정확한 거리를 확인하기 위해 작업자가 철탑에 올라가야 했지만, 드론을 활용하면 지상에서 넓은 구간의 데이터를 빠르게 확보할 수 있습니다.

이 과정에서 승탑 작업 자체를 최소화할 수 있다는 점이 가장 큰 변화입니다.

② 3D 매핑과 AI가 송전선로와 근접 수목을 자동으로 찾아요

수집된 데이터를 그대로 활용하는 것은 아닙니다.

먼저 불필요한 노이즈를 제거하고 송전선로를 인식한 뒤, AI와 3D 매핑 기술을 이용해 전력선 주변의 수목을 분석합니다.

시스템에서는 예를 들어 전력선으로부터 6m 이내와 같이 기준 거리를 설정할 수 있습니다. AI는 해당 범위에 들어오는 수목을 자동으로 찾고, 전선과의 실제 이격거리를 계산합니다.

기존에는 사람이 현장 확인 → 거리 판단 → 벌채 대상 선정 순서였다면, 이제는 드론 데이터 수집 → AI 거리 계산 → 벌채 대상 자동 선별로 바뀐 것입니다.

③ 위험 수목의 GPS 위치까지 지도에 표시해요

위험한 나무를 찾았다고 해도 실제 정비팀이 현장에서 다시 찾아야 한다면 시간이 오래 걸릴 수 있습니다.

AI가 선별한 근접 수목의 GPS 정보는 지도 애플리케이션과 연결됩니다.

정비 작업자는 지도에서 수목의 위치를 확인하고 최적 이동경로를 이용해 대상 지점으로 이동할 수 있습니다.

산악지대에서 정비 대상을 다시 찾는 시간을 줄이고, 분석 결과가 실제 현장 작업으로 바로 이어지도록 한 것입니다.

분석이 끝나면 결과보고서도 자동으로 생성됩니다.

Benefit – 480분 걸리던 점검을 90분으로 줄였어요

2025년 현장 적용에서 가장 큰 변화는 점검시간과 작업 안전성이었습니다.

기존에는 한 경간을 점검하기 위해 작업자가 직접 철탑에 올라가 수목과 전력선의 이격거리를 확인하는 데 약 480분이 필요했습니다.

드론을 활용한 데이터 수집으로 전환한 뒤에는 같은 작업이 90분으로 줄었습니다.

생산성이 약 5.3배 향상된 수준입니다.

무엇보다 사람이 철탑에 올라가는 작업을 최소화하면서 기존 점검 과정에 존재하던 추락 위험요인을 제거할 수 있었습니다.

AI 자동 추출로 분석시간도 90분에서 30분으로 줄었어요

데이터를 수집한 뒤 어떤 나무를 제거해야 할지 결정하는 과정도 빨라졌습니다.

기존에는 측정한 데이터를 토대로 사람이 직접 이격거리를 계산하고 벌채 대상 수목을 선정했습니다.

AI와 3D 매핑을 적용하면서 근접 수목을 자동으로 추출해 분석시간이

90분 → 30분으로 줄었습니다. 약 3배의 생산성 향상입니다.

즉 현장 데이터 수집과 분석, 두 단계 모두에서 작업시간이 단축된 것입니다.

정비에 투입되는 공수와 비용도 크게 줄었어요

AI와 드론 적용 전 승탑점검과 수작업 방식에는 3,387MD(Man-Day)가 투입됐고 비용은 약 20억 원이 소요됐습니다.

AI와 드론을 활용한 이후에는 투입공수가 211MD, 비용은 약 1억5천만 원 수준으로 줄었습니다.

공수 기준으로는 기존의 약 16분의 1 수준입니다.

송전선로 주변 모든 나무를 동일하게 확인하는 것이 아니라, AI가 정비가 필요한 수목의 위치를 먼저 좁혀주면서 실제 정비인력을 필요한 지점에 집중할 수 있게 된 것입니다.

수목으로 인한 송전선로 고장도 2건에서 1건으로 감소했어요

근접 수목 관리의 궁극적인 목적은 점검시간 자체를 줄이는 것이 아니라 송전선로 고장을 예방하는 것입니다.

수목 관련 송전선로 고장은 2024년 2건에서 2025년 1건으로 감소했습니다.

AI가 위험 수목을 사전에 찾아내고 필요한 정비를 먼저 수행할 수 있도록 지원하면서, 점검 업무가 사고 발생 후 대응하는 방식에서 고장 가능성을 미리 찾아 정비하는 방식으로 이동하고 있습니다.

확장 가능성 – 수목뿐 아니라 선로 처짐과 과열까지 AI로 찾아요

한전KPS는 근접 수목 자동 추출을 시작으로 송전선로의 다른 위험요인까지 AI 분석 범위를 확대할 계획입니다.

송전선로의 처짐을 자동 측정해요

송전선은 온도와 하중 등에 따라 아래로 처질 수 있습니다. 이를 이도라고 합니다.

기존에는 광파측량기를 사용했는데, 양쪽 철탑이 동시에 보이지 않는 지형에서는 측정하기 어려운 문제가 있었습니다.

앞으로는 드론이 수집한 포인트 클라우드와 AI 송전선로 인식 기술을 이용해 이도를 자동 측정하고, 한전KPS가 자체 개발한 프로그램 GoTower와 연결할 계획입니다.

열화상 이미지에서 과열 위치도 자동으로 찾아요

송전설비의 과열 역시 고장으로 이어질 수 있는 신호입니다.

현재는 드론으로 열화상 이미지를 촬영한 뒤 작업자가 직접 영상을 확인하며 과열 지점을 찾습니다.

향후에는 API를 이용해 열화상 이미지를 온도값으로 자동 변환하고, 설정 기준을 넘는 과열 위치를 자동으로 탐색하는 기능을 개발합니다.

궁극적으로 근접 수목 검출 + 선로 이도 측정 + 과열 탐지

세 가지 기능을 하나로 연결해 드론과 AI 기반 송전선로 고장·사고 예측 통합 시스템으로 발전시키는 것이 목표입니다.

마무리 – 사람이 위험을 감수해 확인하던 일을, 데이터가 먼저 알려줘요

송전선로 점검에서 중요한 것은 단순히 작업시간을 줄이는 것이 아닙니다.

기존 방식에서는 이상 여부를 확인하기 위해 사람이 먼저 위험한 장소에 접근해야 했습니다.

드론과 AI를 적용하면 순서가 달라집니다.

드론이 먼저 현장의 데이터를 수집하고, AI가 전력선과 수목의 거리를 계산하고, 위험한 수목의 위치를 찾아낸 뒤, 사람은 실제 정비가 필요한 곳에 집중합니다.

그 결과 작업시간은 줄고, 승탑 작업도 최소화할 수 있습니다.

사람이 직접 위험을 찾아다니는 점검에서, AI가 위험 위치를 먼저 알려주는 예측 정비로.

한전KPS 사례는 AI가 산업현장의 생산성뿐 아니라 근로자의 안전과 설비의 안정성을 함께 개선할 수 있다는 것을 보여줍니다.