KR101177876B1 - 신경 회로망을 이용한 부분 방전 자동 분석 시스템 - Google Patents

Abstract

본 발명의 바람직한 일실시예에 따르면, 신경 회로망의 출력층에 분석하고자 하는 고장 조건을 미리 설정하여 학습을 실행하는 것에 의해 높은 신뢰성을 가지며 자동화된 부분 방전의 분석이 가능한 부분 방전 분석 시스템을 구현할 수 있다.
본 발명의 바람직한 일실시예의 신경 회로망을 이용한 부분 방전 분석 시스템은 고주파 CT (HFCT) 센서를 이용하여 신호를 검출하고 잡음을 제거하는 신호 검출부; 상기 신호 검출부로부터 신호를 입력받아 다수의 주기(M 주기)를 누적하고, 위상에 따른 신호를 출력하는 신호 전처리부; 및 상기 신호 전처리부로부터의 신호를 입력받아 신경 회로망을 이용하여 학습 모델을 생성하고, 생성된 학습 모델을 이용하여 패턴 인식을 통해 부분 방전 여부를 분석하는 신호 분석부;를 포함한다.

Description

신경 회로망을 이용한 부분 방전 자동 분석 시스템{Automatic Analysis System for Partial Discharge Using Neural Network}

본 발명은 고압 설비의 부분 방전 분석 시스템에 관한 것으로, 특히 신경 회로망을 이용하여 부분 방전 여부 및 고장 조건을 자동으로 분석할 수 있는 부분 방전 자동 분석 시스템에 관한 것이다.

전력 케이블은 고압 전력 설비 중의 하나로서 현장의 점검 및 기술원들이 주로 접하게 되는 현장의 일반 및 대용량 수용가에서 주요한 설비로 적정한 측정을 통한 정밀 분석이 필요하며, 이러한 주요 측정 및 분석 기법 중의 하나인 부분 방전 측정 기술에 대해 많은 연구 개발들이 진행되고 있다.

부분 방전은 절연체의 전체적인 절연 파괴가 아니라, 코로나와 같은 국부적인 대기중 방전과 내부적으로 장기간 운전되는 고압 설비에서 절연체 내에 존재하는 보이드에서 발생하는 열화의 마지막 단계에 해당하는 현상으로, 부분 방전의 측정을 통한 절연체의 진단은 다른 방법에 비해 정확하다고 볼 수 있다.

부분 방전은 절연체 내의 결함의 형태, 인가 전압의 종류 및 크기, 절연체의 종류 등에 따라 상당히 다른 특성을 보인다. 즉 부분 방전은 열화 상태에 대한 수많은 정보를 갖고 있다.

또한, 부분 방전은 어느 정도 고전압이 인가될 때 개시되고, 부분 방전 발생시 전류나 음향과 같은 부분 방전 신호를 발생시킨다. 그러나 이러한 부분 방전 신호는 상당히 미약하기 때문에 높은 정밀도를 갖는 방법을 이용하여 측정하게 된다. 즉, 극단적으로 큰 스트레스(고전압)가 인가될 때 극단적으로 작은 신호를 측정해야 하므로 상당한 어려움이 뒤따른다. 따라서 부분 방전이 절연 열화 및 절연 파괴에 대해 많은 정보를 가지고 있음에도 현재까지도 부분 방전의 현장 적용은 많은 어려운 문제들을 포함하고 있다.

현재의 부분 방전의 분석은 자동화되어 있지 않고, 기술자의 경험에 의한 판단에 의존하므로 정확하고 재현성 있는 판단에 어려움이 있다.

본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, 신경 회로망을 이용하여 재현성 있는 부분 방전 자동 분석 시스템을 구현하는 것에 그 목적이 있다.

또한, 신경 회로망의 출력층에 분석하고자 하는 고장 조건을 미리 설정하여 학습을 실시하는 것에 의해 높은 신뢰성을 가지며 자동화된 부분 방전의 분석이 가능한 부분 방전 분석 시스템을 구현하는 것에도 그 목적이 있다.

본 발명의 바람직한 일실시예에 따른 신경 회로망을 이용한 부분 방전 자동 분석 시스템은 고주파 CT (HFCT) 센서를 이용하여 신호를 검출하고 잡음을 제거하는 신호 검출부; 상기 신호 검출부로부터 신호를 입력받아 다수의 주기(M 주기)를 누적하여 위상에 따른 신호를 출력하는 신호 전처리부; 및 상기 신호 전처리부로부터의 신호를 입력받아 신경 회로망을 이용하여 학습 모델을 생성하고, 생성된 학습 모델을 이용하여 패턴 인식을 통해 부분 방전 여부를 분석하는 신호 분석부;를 포함하는 것이 바람직하다.

구체적으로 상기 신호 분석부의 신경 회로망은 상기 신호 전처리부로부터의 신호를 입력받는 입력층; 부분 방전 여부 및 부분 방전의 종류를 출력하는 출력층; 및 상기 입력층과 출력층 사이의 은닉층;을 포함하는 것을 특징으로 한다.

바람직한 일실시예에 따른 상기 신호 전처리부는 PRPDA(Phase Resolved Partial Discharge Analysis) 기법을 이용하여 상기 신호 검출부로부터의 신호를 처리하는 것을 특징으로 한다.

또한, 상기 신호 전처리부의 출력 신호는 상기 누적된 신호를 미리 설정된 위상 각도의 간격으로 분할한 위상에 따른 다수(L개)의 부분 방전 신호의 크기; 및 상기 누적된 신호를 미리 설정된 위상 각도의 간격으로 분할한 위상에 따른 다수(L개)의 부분 방전의 펄스 수;를 포함할 수 있다.

바람직한 일실시예에 따른 상기 신호 전처리부의 출력 신호는 상기 신경 회로망의 입력층에 입력하기 위하여 최대 크기 1을 갖는 신호로 정규화된 것을 특징으로 한다.

구체적으로 상기 신경 회로망의 출력층이 출력하는 데이터는 부분 방전의 고장 조건으로 설정되는 것을 특징으로 하며, 상기 고장 조건은 고장이 발생하지 않은 정상 상태; 절연체 내부 원인에 의한 부분 방전; 및 돌기 조건에 의한 부분 방전;을 포함하는 것이 바람직하다.

본 발명의 바람직한 일실시예에 따르면, 신경 회로망을 이용하여 재현성 있는 부분 방전 자동 분석 시스템을 구현할 수 있다.

또한, 신경 회로망의 출력층에 분석하고자 하는 고장 조건을 미리 설정하여 학습을 실행하는 것에 의해 높은 신뢰성을 가지며 자동화된 부분 방전의 분석이 가능한 부분 방전 분석 시스템을 구현할 수 있다.

도 1과 도 2는 부분 방전의 여러 가지 고장 조건에 따른 부분 방전의 위상에 대한 패턴과 그 특성을 각각 나타낸다.
도 3은 본 발명의 바람직한 일실시예에 의한 부분 방전 자동 분석 시스템을 타낸다.
도 4는 연속적으로 측정된 일정 주기의 신호를 누적하는 방법에 대한 설명도를 나타낸다.
도 5는 본 발명의 일실시예에 따른 신호를 누적하여 나타낸 위상에 따른 부분 방전 신호의 크기 및 펄스 수의 분포도이다.
도 6의 (a)는 검출된 신호의 특성을 인식하기 위한 Φ-v-N 패턴 처리 방법을, (b)는 (a)의 신호처리 결과와 신경 회로망을 결합한 학습 알고리즘을 나타낸다.
도 7은 은닉층의 뉴런 개수가 변화될 때의 최소 오차율에 수렴되는 과정을 나타낸다.

이하, 첨부된 도면을 참조하면서 본 발명의 일실시예에 따른 신경 회로망을 이용한 부분 방전 자동 분석 시스템에 대해 상세히 설명하기로 한다.

본 발명의 하기의 실시예는 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리 범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술 분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리 범위에 속하는 것으로 해석된다.

먼저 여러 가지 부분 방전의 패턴 특성에 대해 설명하기로 한다.

본 발명에서의 부분 방전 특성 결과는 교류 방전 시험에서만 유효하며, 부분방전 측정 장치를 통하여 개별적으로 관찰할 수 있다. 응답 형태를 관찰함으로써 시료에서 발생되는 방전의 특성에 관한 유익한 많은 정보를 수집할 수 있고, 결함에 의한 방전인지 또는 잡음인지를 구별할 수 있다.

교류 전압을 이용한 부분 방전 측정시 교류 전압의 한 주기에서 변화하는 전압에 따라 부분 방전이 발생하는 위상 영역이 나타나게 된다. 즉, 위상 영역에 따른 부분 방전 발생은 부분 방전을 일으키는 재료의 종류, 보이드(Void)의 종류 및 형상, 코로나일 때 등에 따라 달라진다. 따라서 위상에 따른 부분 방전의 측정을 통해 부분 방전 열화에 대한 많은 정보를 알 수 있다. 이것을 부분 방전 패턴인식(partial discharge pattern recognition)이라 하며, 전압의 위상을 Φ라 할 때 Φ-v 분석 또는 부분 방전 펄스 수 N까지 고려한 Φ-v-N 분석을 수행하게 된다. 이러한 Φ-v 분석의 편의를 고려하여 정현파의 형태로 나타내지 않고 한 주기의 0°와 360°를 이어서 나타낸다.

참고로 여러 종류의 결함에서 나타나는 부분 방전의 위상에 대한 패턴 형태는 도 1과 같이 구분할 수 있으며, 각각의 특성을 도 2에 나타내었다.

도 3은 본 발명의 바람직한 일실시예에 의한 부분 방전 자동 분석 시스템을 타낸다.

도 3으로부터 알 수 있는 바와 같이 본 발명의 바람직한 일실시예에 따른 신경 회로망을 이용한 부분 방전 자동 분석 시스템(100)은 고주파 CT (HFCT) 센서를 이용하여 신호를 검출하고 잡음을 제거하는 신호 검출부(10); 상기 신호 검출부(10)로부터 신호를 입력받아 다수의 주기(M 주기)를 누적하여, 위상에 따른 신호를 출력하는 신호 전처리부(20); 및 상기 신호 전처리부(20)로부터의 신호를 입력받아 신경 회로망을 이용하여 학습 모델을 생성하고, 생성된 학습 모델을 이용하여 패턴 인식을 통해 부분 방전 여부를 분석하는 신호 분석부(30);를 포함하는 것이 바람직하다.

상기 신호 전처리부(20)에 대해 좀 더 상세히 설명하기로 한다.

상기 신호 전처리부(20)는 사용자가 미리 설정한 일정 주기의 신호를 연속으로 누적하여 사용하는 것이 바람직하다. 본 발명에서는 그 일실시예로 300주기(Cycle)의 신호를 연속적으로 누적한 것을 특징으로 한다.

도 4에 연속적으로 측정된 일정 주기의 신호를 누적하는 방법에 대한 설명도를 나타내었다.

상기 신호 전처리부(20)는 PRPDA(Phase Resolved Partial Discharge Analysis) 기법을 이용하여 상기 신호 검출부(10)로부터의 신호를 처리하는 것을 특징으로 한다.

구체적으로 상기 신호 전처리부(20)의 출력 신호는 누적된 신호를 미리 설정된 위상 각도의 간격으로 분할한 위상에 따른 다수(L개)의 부분 방전 신호의 크기(Φ-v); 및 누적된 신호를 미리 설정된 위상 각도의 간격으로 분할한 위상에 따른 다수(L개)의 부분 방전의 펄스 수(Φ-N);를 포함한다.

도 5는 본 발명의 일실시예에 따른 상기 신호 처리부(20)가 300주기의 신호를 누적한 위상에 따른 부분 방전 신호의 크기 및 펄스의 수의 분포도를 나타낸다.

또한, 상기 신호 전처리부(20)의 출력 신호는 상기 신호 분석부(30)의 신경 회로망의 입력층에 입력하기 위하여 최대 크기 1을 갖는 신호로 정규화하는 것이 바람직할 것이다.

하기에 상기 신호 분석부(30)에 대해 구체적으로 설명하기로 한다.

상기 신호 분석부(30)의 신경 회로망은 상기 신호 전처리부(20)로부터의 신호를 입력받는 입력층; 부분 방전 여부 및 부분 방전의 종류를 출력하는 출력층; 및 상기 입력층과 출력층 사이의 은닉층;을 포함하는 것이 바람직하다.

본 발명에서는 신경 회로망의 학습의 일실시예로 오류 역전파(Error Backpropagation) 알고리즘을 사용하였다.

오류 역전파 학습 알고리즘의 기본 원리는 다음과 같다.

입력층의 각 유니트에 입력 패턴을 주면, 이 신호는 각 유니트에서 변환되어 중간층에 전달되고 최후에 출력층에서 신호를 출력하게 된다. 이 출력값과 기댓값을 비교하여 차이를 줄여나가는 방향으로 연결 강도를 조절하고, 상위층에서 역전파하여 하위층에서는 이를 근거로 다시 자기층의 연결 강도를 조정해 나간다.

지도 학습에서는 입력 및 원하는 출력(목표출력) 패턴(벡터)이 네트워크에 제시된다. 네트워크는 입력층에 주어진 입력 패턴이 출력층에 전파되면서 변한 출력층을 목표 패턴과 비교한다. 네트워크에 출력된 패턴이 목표 패턴과 일치하는 경우에는 학습이 일어나지 않는다. 그렇지 않은 경우는 얻어진 출력 패턴과 목표 패턴의 차이를 감소시키는 방향으로 네트워크의 연결강도를 조절하여 학습을 한다. 네트워크에 은닉 유니트가 없는 경우는 델타 규칙과 동일하다. 즉 p번째의 입력/목표출력 패턴이 제시되는 경우 노드 i에서 노드 j로의 연결강도의 변화는 수학식 1과 같이 표현된다.

여기서

는 p번째 목표출력 패턴의 j성분, Opj는 P번째 입력패턴으로부터 네트워크가 계산한 출력의 j성분, jpj는 p번째 입력패턴의 I성분,

는 목표출력과 실제출력의 차(오차),

는 입력층 I 유니트로부터 출력층 j 유니트로의 연결 강도의 변화량이다.

부분 방전 측정을 통해 전력용 변압기의 내부 이상 신호를 이용하여 분석을 위한 신경 회로망의 형태 및 입력 파라메타를 선정하였다. 본 발명에서 적용한 학습과정은 지도학습방법을 적용하여 기본적으로 설정한 목표값이 될 때까지 신경 회로망의 구조(가중치와 바이어스)를 반복적으로 변환시키고, 이 변환값은 목표출력을 위한 최소 오차값에 도달할 때까지 계속된다. 즉 이 방법은 처음에는 가중치

를 임의의 작은 수 0.01~0.5 사이의 값으로 초기화하고, 이들 값에 따라 전방향으로 계산을 수행한 후 최소 오차값에 도달한 값이 아니면 역전파 학습을 통하여 가중치와 바이어스를 재조정하여 최소 오차값에 도달할 때까지 이 과정이 계속 반복된다.

학습율 α는 가중치의 변화 정도를 조절하여 최소 오차로 근사시키는 학습을 하고 상수 β는 바이어스의 조정 강도를 조절하는 작용을 한다. 이러한 상수의 결정은 신경망의 기본적인 이론에 부족하기 때문에 경험적인 상수를 이용하여 여러 가지의 파라메타를 결정하고 있다. 그리고 신경 회로망에서 주로 사용하는 S자 형태의 시그모이드(sigmoid) 함수를 적용하였다.

부분 방전 신호 패턴 인식을 위한 입력 파라메타의 결정

본 발명의 일실시예에 따른 부분 방전 자동 분석 시스템(100)에서는 전술한 바와 같이 3층 구조의 오류 역전파 학습 알고리즘을 적용한 신경 회로망을 구축하여 부분 방전의 패턴 인식을 수행하였다.

상기 출력층은 부분 방전 측정을 통한 부분 방전의 고장 조건을 분석하기 위하여, 고장이 발생하지 않은 정상 상태; 절연체 내부 원인에 의한 부분 방전; 및 돌기 조건에 의한 부분 방전;의 3가지로 구분하여 전력용 케이블의 이상 상태(고장 조건) 분석하였다. 학습 데이터는 3가지의 대표적인 정상 상태를 포함한 고장 조건을 통해 검출된 신호로서 측정 데이터의 패턴 및 통계적 파라메타를 입력 패턴으로 하여 패턴 인식 학습을 실시하였다.

도 6의 (a)는 검출된 신호의 특성을 인식하기 위한 Φ-v-N 패턴 처리 방법을 나타내었으며, (b)는 (a)의 신호처리 결과와 신경 회로망을 결합한 학습 알고리즘을 나타낸 것으로 이와 같은 과정을 거쳐 모의 실험의 3가지 고장 조건에 대한 기준 패턴을 선정하여 검출한 신호를 학습하였고, 이의 결과를 현장에 적용하여 문제점을 개선하였다.

패턴 인식을 위한 신경 회로망의 학습 조건

부분 방전 분석 시스템에서 측정된 신호에 대하여 신경 회로망 알고리즘의 적절한 학습을 위하여

의 파라메타를 선정하고, 은닉층은 1개층으로 한 입력층, 은닉층 및 출력층으로 구성하였다. α=0.3, β=-0.2로 선정하였는데 이것은 많은 실험과 경험에 의하여 선정한 값이다. 이 결과값은 10개, 20개, 30개, 40개, 50개, 70개, 100개로 나누어 학습 인식율 및 학습 속도 실험을 하였다.

도 7은 은닉층의 뉴런 개수가 변화될 때의 최소 오차율에 수렴되는 과정을 나타낸 것이다. 도 7의 결과에 나타난 것처럼 모든 은닉층의 뉴런 수에서 일정하게 최소 오차율로 수렴하고 있으나, 뉴런수가 많을수록 좀 더 나은 수렴 결과를 얻을 수 있었다. 그러나, 은닉층의 규모가 커지면 에러(error) 수렴 특성은 좋아지지만 학습 시간이 길어지므로 적절한 규모를 선택해야 하므로 본 발명에서는 은닉층 뉴런 개수 40개로 선정하여 패턴 인식을 수행하였다.

본 발명에서의 신경 회로망의 학습 과정을 정리하면 하기와 같다.

정확한 패턴 인식을 위해서는 고장 조건별로 많은 데이터를 취득하고 이들 데이터를 적용한 적정한 학습이 필요하다. 이를 위해 본 발명에서는 각 고장 조건별로 상기 신호 검출부(10)에서 10개씩의 검출 데이터를 선정하여 신경 회로망을 학습시켰다.

또한, 상기 신호 전처리부(20)에서 300주기(Cycle) 누적하고, 위상의 간격을 (500/360)도, 즉 주기당 500개의 신호로 설정할 경우, 패턴의 총 누적 개수는 Φ-v 및 Φ-N 각각에 대해 150,000(300×500)개이다.

즉, 하나의 고장 조건에 대한 하나의 검출 데이터를 이용하여, 상기 신경 회로망의 입력층에 한번에 1000개씩 입력되어, 300번의 학습을 실시하게 된다.

출력층은 절연체 내부 원인에 의한 부분 방전(1, 0, 0), 돌기 조건에 의한 부분 방전(0, 1, 0) 및 고장이 발생하지 않은 정상 상태(0, 0, 1)로 설정하였다. 학습이 끝나면 시험용 입력패턴을 입력시켜 그 결과를 검토, 분석하였다. 시험용 입력 패턴은 각 고장 조건별로 측정된 데이터를 10개씩 총 30개를 선정하여 학습하였다.

상술한 바와 같은 학습 과정을 통해 본 발명의 일실시예에 따른 신경 회로망을 이용한 부분 방전 자동 분석 시스템은 높은 패턴 인식률에 의해 부분 방전에 의한 고장 조건 분석에 적합함을 알 수 있었다.

100 : 부분 방전 자동 분석 시스템
10 : 신호 검출부 20 : 신호 전처리부
30 : 신호 분석부

Claims (5)

1. 부분 방전 자동 분석 시스템에 있어서,
   고주파 CT (HFCT) 센서를 이용하여 신호를 검출하고 잡음을 제거하는 신호 검출부;
   상기 신호 검출부로부터 신호를 입력받아 다수의 주기(M 주기)를 누적하여 위상에 따른 신호를 출력하는 신호 전처리부; 및
   상기 신호 전처리부로부터의 신호를 입력받아 신경 회로망을 이용하여 학습 모델을 생성하고, 생성된 학습 모델을 이용하여 패턴 인식을 통해 부분 방전 여부를 분석하는 신호 분석부;를 포함하되,
   상기 신호 분석부의 신경 회로망은,
   상기 신호 전처리부로부터의 신호를 입력받는 입력층;
   부분 방전 여부 및 부분 방전의 종류를 출력하는 출력층; 및
   상기 입력층과 출력층 사이의 은닉층;을 포함하여 구성되고,
   상기 신호 전처리부는 PRPDA(Phase Resolved Partial Discharge Analysis) 기법을 이용하여 상기 신호 검출부로부터의 신호를 처리하며,
   상기 신호 전처리부의 출력 신호는,
   상기 누적된 신호를 미리 설정된 위상 각도의 간격으로 분할한 위상에 따른 다수(L개)의 부분 방전 신호의 크기; 및
   상기 누적된 신호를 미리 설정된 위상 각도의 간격으로 분할한 위상에 따른 다수(L개)의 부분 방전의 펄스 수;를 포함하는 것을 특징으로 하는 신경 회로망을 이용한 부분 방전 자동 분석 시스템.
   
2. 삭제
3. 삭제
4. 제 1 항에 있어서,
   상기 신호 전처리부의 출력 신호는,
   상기 신경 회로망의 입력층에 입력하기 위하여 최대 크기 1을 갖는 신호로 정규화된 것을 특징으로 하는 신경 회로망을 이용한 부분 방전 자동 분석 시스템.
   
5. 제 1 항에 있어서,
   상기 신경 회로망의 출력층이 출력하는 데이터는,
   부분 방전의 고장 조건으로 설정되는 것을 특징으로 하며,
   상기 고장 조건은,
   고장이 발생하지 않은 정상 상태;
   절연체 내부 원인에 의한 부분 방전; 및
   돌기 조건에 의한 부분 방전;을 포함하는 것을 특징으로 하는 신경 회로망을 이용한 부분 방전 자동 분석 시스템.

Images