KR101574615B1 - 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 - Google Patents

통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 Download PDF

Info

Publication number
KR101574615B1
KR101574615B1 KR1020150086456A KR20150086456A KR101574615B1 KR 101574615 B1 KR101574615 B1 KR 101574615B1 KR 1020150086456 A KR1020150086456 A KR 1020150086456A KR 20150086456 A KR20150086456 A KR 20150086456A KR 101574615 B1 KR101574615 B1 KR 101574615B1
Authority
KR
South Korea
Prior art keywords
phase
partial discharge
pulse data
distribution
discharge
Prior art date
Application number
KR1020150086456A
Other languages
English (en)
Inventor
김영일
Original Assignee
지투파워(주)
김영일
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 지투파워(주), 김영일 filed Critical 지투파워(주)
Priority to KR1020150086456A priority Critical patent/KR101574615B1/ko
Application granted granted Critical
Publication of KR101574615B1 publication Critical patent/KR101574615B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
    • G01R23/15—Indicating that frequency of pulses is either above or below a predetermined value or within or outside a predetermined range of values, by making use of non-linear or digital elements (indicating that pulse width is above or below a certain limit)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Nonlinear Science (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

본 발명은 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비, 배전반 등 전력기기 시스템 하우징 및, 내부의 전력설비에서 발생하는 부분방전을 원격에서 검출하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 관한 것으로서, 상기 하우징 내부에 설치되어, 상기 전력설비에서의 부분방전으로 생성된 과도접지전압(TEV)의 전기적인 신호를 검출하는 다수의 TEV(Transient Earth Voltage) 센서로 구성된 센서부; 상기 로컬 장소에 설치되어, 상기 센서부에서 검출된 과도접지전압의 전기적인 신호를 수신하여, 상기 전기적인 신호를 디지털 신호로 샘플링하여 펄스 데이터를 추출하고, 추출된 펄스 데이터를 전압 위상에 의해 동기화하여 전송하는 로컬 장치; 및, 상기 로컬 장치로부터 위상에 의해 동기화된 위상 펄스 데이터를 수신하여, 수신된 위상 펄스 데이터로부터 위상에 따른 펄스의 분포를 나타내는 위상 패턴 분포를 생성하고, 상기 위상 패턴 분포로부터 특징량을 추출하여 부분방전 여부 또는 부분방전의 종류를 판단하는 중앙 서버를 포함하는 구성을 마련한다.
상기와 같은 전력기기 시스템에 의하여, 과도접지전압 센서에 의해 측정된 전기적 신호에 대하여 통계적 패턴 및, 그 특징들을 추출하여 인공신경망을 통해 부분방전의 발생 여부 및 종류를 검출함으로써, 보다 간편하고 정확하게 부분방전을 분석할 수 있다.

Description

통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 { A partial discharge monitoring and diagnosis system for power devices by using signal detection based on statistical phase-angle patterns }
본 발명은 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 배전반, 전동기, 발전기 등 전력기기 하우징 내에서 절연불량, 접속불량 또는 단선 등에 의한 부분방전 검출을 추정하는 것으로서, 과도접지전압(TEV, Transient Earth Voltage) 센서를 이용하여 부분방전 시에 발생하는 방전신호를 검출하고, 검출된 부분방전 신호로부터 전압 등 동기 요소 신호에 의한 2차원 또는 3차원 위상 패턴 분포를 생성하여, 부분방전을 분석하는, 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 관한 것이다.
또한, 본 발명은 전력기기의 전력설비 내 부분방전에 의한 전기신호를 측정하여 통계적 위상 패턴 분포를 생성하고, 추출된 통계적 위상 패턴 분포에서 패턴의 특징을 추출하고, 추출된 패턴 특징을 입력으로 하여 RBFNN(Radial Basis Function Neural Network)를 이용하여 부분방전의 종류를 판단하는, 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 관한 것이다.
일반적으로 부분방전이라 함은 각종 산업체 및 전력계통 변전소에 설치되는 수전설비 및 고압 배전반, 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비 등 전력기기 시스템의 어느 한 부분에 생기는 방전을 총칭하는 것으로서, 전극의 첨단 부근에 생기는 코로나 방전, 절연물의 표면을 따라서 생기는 연면방전, 절연물 내의 공극에 생기는 보이드 방전 등을 들 수 있다.
전력기기의 이상 유무 감지 및 절연체의 열화 정도를 감시하고 수리시기를 예측하는 것은 매우 중요하며, 부분방전의 측정 및 감시로 이러한 예측과 관리가 가능하다. 이러한 목적으로 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비, 고압반, 저압반, 모터제어반, 배전반 등 전력기기 시스템 내부 전력설비 등의 다양한 전력설비에서 부분방전 측정 장치들이 사용되고 있다.
산업의 고도화로 전력수요가 지속적으로 증가하고 있으며, 고압 케이블, 변압기, GIS, 수전설비, 전력기기 시스템 내의 전력설비에 의한 사고가 빈번하게 발생하고 있다. 이러한 사고는 경제적 손실뿐만 아니라 기술적 손실도 발생시킬 수 있다. 특히, 고전압 전력기기는 국가 기간산업뿐 아니라, 민수용에서도 매우 중요한 시설로 취급되고 있으며, 전력기기의 사고는 인명의 피해, 전력 시설의 직접적 손실과 함께 정보통신망에도 영향을 미치는 국가적으로도 중차대한 사안이다. 발전소, 변전소 및 대형공장 등에 설치되어 있는 전력기기 시스템 내에 변압기, 케이블, 차단기, 개폐기, 고압 케이블, 변압기, GIS, PT, CT, 피뢰기 등의 각종 전력기기가 내장되어 있으며, 이들 전력기기에서 접촉 불량, 절연물의 절연내력 저하 등으로 인해 발생되는 국부적 방전현상(부분방전)은 사고로 이어져 전력공급 시스템에 치명적인 영향을 미치고 있다.
또한, 이와 같은 전력기기들에는 고전압상황에서 발생하는 방전현상을 방지하기 위해서 여러 종류의 절연물이 사용되고 있다. 그런데 이러한 절연물은 공극 또는 박리 등과 같은 갭(gap)이 제조공정 중에 어떤 이유나 동작 중의 냉각 및 가열 과정에서 발생할 수 있다. 그러나 이러한 갭은 높은 전계가 인가될 때마다 부분 전기 방전을 발생하게 되고, 이러한 부분 방전이 반복되면, 절연물이 서서히 침식되고 절연 내력(dielectricstrength)을 감소시킴으로써 결국 심각한 절연 파괴 사고가 발생하게 된다. 이러한 문제를 해결하기 위해서, 절연물 내의 갭을 미리 제거하여 부분 방전의 발생을 감소시키는 것이 바람직하지만 여러 원인을 고려할 때 갭을 완전히 제거하기는 어렵다. 또한, 절연물의 절연 특성은 제조시부터 충분히 검사되어야 하는데 이러한 검사는 초기 제조 결함의 검사에는 유효하나 시간의 흐름에 따른 절연 열화는 전력기기 시스템의 동작 중에 발생하기 때문에 실질적인 검사가 어렵다. 따라서 종래에는 검사들 사이의 시간 간격이 증가하고 항상 정확하게 절연 특성을 파악하기가 불가능하므로 예측하지 못한 중대한 사고가 발생하게 된다. 또한, 부분 방전을 측정하여 열화를 감시할 수 있다.
전력기기에서 부분방전은 전력기기의 절연열화 시 발생하는 현상으로서 절연열화의 마지막 단계에서 발생되는 경우가 대부분이기 때문에 열화진단에 가장 우수한 방법으로 평가되고 있다.
전력기기 내에서 발생하는 부분방전은 그 전자파 신호대역이 넓고 주변의 잡음으로 인하여 검출하기가 용이하지 않다. 검출 방법으로는 TEV 센서를 이용하는 방법이 제시되고 있다[특허문헌 1,2,3,4]. 절연물 내부의 절연불량으로 인한 국부 방전이 발생되면 그에 따른 전자파가 생성되고, 상기 전자파가 전력기기 시스템을 통해 발생된다. 상기 전자파 신호를 주변의 잡음신호와 구분하기 위해서 대역통과 필터를 경유하여 필터링하고, 이를 증폭한 후에 분석 및 판단 알고리즘을 이용하여 부분방전 신호를 검출하게 된다.
특히, 대부분의 부분방전 측정장치는 측정된 방전량의 시간적 변화 추이를 이용하여 대상의 절연 진단을 수행하고, 측정된 부분방전 펄스의 고전압 위상에 따른 분포를 기반으로 방전의 종류 구별 및 잡음 제거 등 기술적으로 고도화된 기능을 수행한다. 또한, 신경회로망을 이용하여 부분방전을 자동으로 분석하는 기술이 제시되고 있다[특허문헌 5].
한편, 과도접지전압(TEV, Transient Earth Voltage)은 변압기, 개폐기, 차단기, 고압 케이블, GIS, 수전설비, 배전반 등 내 전력설비 등의 절연물 내부에서 국부 부분방전으로 인한 전자파가 배전반 패널에 반사될 때 발생하는 과도 대지전압이다. 과도접지전압을 통해 부분방전 신호를 검출할 수 있다. 이를 통칭하여 TEV 부분방전 검출기법(TEV Method)라고 한다. 상기와 같은 부분방전 검출 방법은 현재 전력기기 진단에 적용되고 있으며, 특히, 국내외 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비, 배전반 등 전력기기의 감시진단에 널리 이용되고 있다.
한국공개특허 제10-2014-0004398호 (2014.01.13.공고) 한국공개특허 제10-2005-0054099호 (2006.12.28.공개) 한국등록특허 제10-1181713호 (2012.09.10.공고) 한국등록특허 제10-1456134호 (2014.11.04.공고) 한국공개특허 제10-2012-0022126호 (2012.03.12.공개)
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 배전반, 전동기, 발전기 등 전력기기 하우징 내에서 절연불량, 접속불량 또는 단선 등에 의한 부분방전 검출을 추정하는 것으로서, 과도접지전압(TEV, Transient Earth Voltage) 센서를 이용하여 부분방전 시에 발생하는 방전신호를 검출하고, 검출된 부분방전 신호로부터 2차원 또는 3차원 통계적 패턴을 추출하여, 추출한 부분방전의 패턴으로 부분방전을 분석하는, 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템을 제공하는 것이다.
또한, 본 발명의 목적은 전력기기의 전력설비 내 부분방전에 의한 전기신호를 측정하여 통계적 패턴을 추출하고, 추출된 통계적 패턴에서 패턴의 특징을 추출하고, 추출된 패턴 특징을 입력으로 하여 RBFNN(Radial Basis Function Neural Network)를 이용하여 부분방전의 종류를 판단하는, 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 로컬 장소에 설치되는 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비, 배전반 중 어느 하나 이상을 포함하는 전력기기 시스템 하우징 내부의 전력설비에서 발생하는 부분방전을 검출하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 관한 것으로서, 상기 하우징 내부에 설치되어, 극초단파를 이용하여 상기 전력설비에서의 부분방전으로 생성된 과도접지전압(TEV)의 전기적인 신호를 검출하는 다수의 TEV(Transient Earth Voltage) 센서로 구성된 센서부; 상기 로컬 장소에 설치되어, 상기 센서부에서 검출된 과도접지전압의 전기적인 신호를 수신하여, 상기 전기적인 신호를 디지털 신호로 샘플링하여 펄스 데이터를 추출하고, 추출된 펄스 데이터를 전압 위상에 의해 동기화하여 전송하는 로컬 장치; 및, 상기 로컬 장치로부터 위상에 의해 동기화된 위상 펄스 데이터를 수신하여, 수신된 위상 펄스 데이터로부터 위상에 따른 펄스의 분포를 나타내는 위상 패턴 분포를 생성하고, 상기 위상 패턴 분포로부터 특징량을 추출하여 부분방전 여부 또는 부분방전의 종류를 판단하는 중앙 서버를 포함하는 것을 특징으로 한다.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 중앙 서버는, 상기 로컬 장치로부터 전압 위상에 의해 동기화된 위상 펄스 데이터를 수신하는 데이터 수신부; 상기 수신한 위상 펄스 데이터로부터 위상에 따른 펄스의 분포를 나타내는 위상 패턴 분포를 생성하는 패턴분포 생성부; 상기 위상 패턴 분포로부터 부분방전 발생 및 부분방전의 종류의 판단에 필요한 특징량을 추출하는 특징량 추출부; 추출된 특징량을 RBFNN(Radial Basis Function Neural Network) 신경망에 입력으로 적용하여, 해당 입력에 대한 출력을 획득하되, 상기 RBFNN 신경망은 다수의 부분방전 종류 각각에 대응되도록 다수의 출력으로 구성되는 신경망 추론부; 및, 상기 RBFNN 신경망의 다수의 출력의 출력값에 따라 부분방전 발생 또는 부분방전의 종류를 판단하는 부분방전 판단부를 포함하는 것을 특징으로 한다.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 위상 패턴 분포는 펄스 데이터에서 방전 발생의 횟수를 위상에 의하여 분포로 생성되는 펄스 카운트 분포, 위상을 분할한 위상 윈도우에서 최대 방전 진폭을 나타내는 펄스 진폭 분포, 각 위상 윈도우에서 전체 방전 발생의 횟수로 나눈 각 위상 윈도우의 평균 진폭을 나타내는 평균펄스 진폭 분포 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 특징량은 상기 위상 패턴 분포를 위상의 두 반쪽으로 나누어 양의 위상 패턴 분포와 음의 위상 패턴 분포로 구분하여, 양 분포의 값 차이를 나타내는 방전 비대칭과, 양 분포의 평균의 위상 차이를 나타내는 위상 비대칭, 양 분포의 교차 상관계수, 및, 상기 방전 비대칭, 위상 비대칭, 및 교차 상관계수를 곱한 수정된 교차상관계수 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 로컬 장치는, 과도접지전압 신호를 저잡음 증폭기(LNA)를 이용하여 증폭하고, 레벨 감지기(Level Detector)를 이용하여 낮은 주파수의 단일 펄스로 수정하는 증폭특성 보정부; 보정된 과도접지전압 신호를 샘플링하여 디지털 신호로 변환하여 펄스 데이터를 추출하는 AD 컨버터; 과도접지전압 신호의 입력전압 대 출력전압의 함수의 역함수를 이용하여 구한 캘리브레이션 함수를 이용하여, 상기 펄스 데이터를 선형화하는 선형화부; 한 주기에 해당하는 펄스 데이터에 대하여 평균과 표준편차를 산출하여, 상기 평균과 표준편차, 및, 배경잡음 파라미터를 이용하여 문턱값을 설정하고, 상기 문턱값 이하인 펄스 데이터를 0으로 처리하는 배경잡음 제거부; 이동평균 파라미터인 이동평균 개수에 따라, 펄스 데이터를 이동평균하는 이동평균 보정부; 및, 상기 중앙 서버로부터 상기 배경잡음 파라미터, 상기 이동평균 파라미터를 수신하여, 각 파라미터를 설정하는 파라미터 수신부를 포함하고, 상기 중앙 서버는, 각 파라미터들을 설정하여 상기 로컬 장치로 전송하는 파라미터 설정부를 더 포함하는 것을 특징으로 한다.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 배경잡음 제거부는 다음 수식 1을 이용하여 배경잡음을 제거하여 보정하는 것을 특징으로 한다.
[수식 1]
Figure 112015058953291-pat00001
단, f'(n)은 보정된 펄스 데이터이고, f(n)은 원래의 펄스 데이터이고,
mf 및 σf 는 각각 펄스 데이터의 한 주기의 평균 및 표준편차이고,
b는 배경잡음 파라미터임.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 중앙 서버는 상기 이동평균 파라미터를 사전에 정해진 초기 개수로 설정하고, 상기 로컬 장치는 설정된 이동평균 파라미터로 펄스 데이터를 이동평균하고, 이동평균된 펄스 데이터와 원래의 펄스 데이터를 중앙 서버로 전송하고, 상기 중앙 서버는 이동평균된 펄스 데이터와 원래의 펄스 데이터에서 펄스의 중복이 있는지를 판단하여, 중복되면 상기 이동평균 파라미터를 재설정하고, 중복되지 않으면 해당 이동평균 파라미터를 최종적인 이동평균 파라미터로 설정하는 것을 특징으로 한다.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 신경망 추론부는 입력층, 은닉층, 및 출력층으로 구성되는 신경망을 구성하되, 상기 은닉층에 방사기저함수(Radial Basis Function)를 사용하고, 출력층에 적어도 2개의 출력으로 구성하고, 상기 입력층은 상기 특징량을 벡터로서 입력받고, 상기 출력층에서는 상기 은닉층의 함수에 의하여 출력되는 출력의 출력값들에 연결가중치를 곱한 값들의 합으로 출력하고, 다음 수식 2에 의하여 출력값을 구하는 것을 특징으로 한다.
[수식 2]
Figure 112015058953291-pat00002
단, x는 특징량의 입력벡터이고, yj는 상기 출력층의 j번째 출력이고, c는 상기 은닉층의 퍼지규칙에 대응하는 클러스터의 개수이고, aij는 i번째 퍼지규칙에서 상기 출력층의 j번째 출력의 연결가중치이고, vi는 i번째 클러스터의 중심임.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 클러스터의 중심 vi는 N개의 패턴으로 구성된 샘플 입력벡터 집합 X={x1,x2,...,xN}, xk∈Rn(n은 입력벡터의 크기)에 의해 중심 및 소속정도를 나타내는 uik를 수정하면서 다음 [수식 3]의 목적함수를 최소화로 수렴시켜 얻어지는 중심인 것을 특징으로 한다.
[수식 3]
Figure 112015058953291-pat00003
,
Figure 112015058953291-pat00004
,
Figure 112015058953291-pat00005
단, ∥·∥는 중 유클리디안 거리(weighted Euclidean distance)를 나타내고, c는 클러스터의 개수이고, m은 퍼지화 계수이고, Xk는 k번째 입력 벡터임.
본 발명은 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서, 상기 부분방전 판단부는 상기 신경망 추론부에서 계산된 다수의 출력값 중 최대값을 계산하고, 상기 최대값이 0.5 이하이면 정상으로 판단하고, 상기 최대값이 0.5 보다 크면서 최대값을 갖는 출력이 y1이면 보이드 방전, y2이면 코로나 방전, y3이면 연면 방전으로 판단하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 의하면, 과도접지전압 센서에 의해 측정된 전기적 신호에 대하여 통계적 패턴 및, 그 특징들을 추출하여 인공신경망을 통해 부분방전의 발생 여부 및 종류를 검출함으로써, 보다 간편하고 정확하게 부분방전을 분석할 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 의하면, 전송되는 데이터의 양을 저감시킴으로써 진단장치의 동작속도를 증가시킬 수 있고, 측정 채널별로 하드웨어 특성 및 환경정보를 수시로 편리하게 설정하게 함으로써 진단 결과의 신뢰도를 제고할 수 있는 효과가 얻어진다.
도 1 및 도 2는 본 발명의 일실시예에 따른 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 로컬 장치의 구성에 대한 블록도.
도 4는 본 발명의 일실시예에 따른 과도접지전압 신호의 입력전압 대비 출력전압을 나타낸 그래프.
도 5는 본 발명의 일실시예에 따른 이동평균 파라미터를 설정하는 방법을 설명하는 흐름도.
도 6은 본 발명의 일실시예에 따른 중앙 서버의 구성에 대한 블록도.
도 7은 본 발명의 일실시예에 따른 부분방전의 2차원 위상 패턴 분포의 예시도.
도 8은 본 발명의 일실시예에 따른 부분방전의 3차원 위상 패턴 분포의 예시도.
도 9는 본 발명의 일실시예에 따른 위상 패턴 분포의 특징량인 비대칭 및 첨도를 나타낸 예시도.
도 10은 본 발명의 일실시예에 따른 방사기저함수 신경망에 대한 구조도.
도 11은 본 발명의 부분방전 실험을 위한 테스트 데이터의 예시도.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명의 일실시예에 따른 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템의 구성에 대하여 도 1 내지 도 2을 참조하여 설명한다.
또한, 도 1에서 보는 바와 같이, 본 발명에 따른 부분방전 감시진단 시스템은 계층 구조의 SCADA 시스템(집중 원격감시 제어 시스템)으로 구축된다. 즉, 센서부(20)의 센서(21)들이 전기설비 또는 그 하우징(10)에 다수 개가 설치되고, 상기 센서(21)들을 중간에서 로컬 장치(30)에 의해 감시한다. 또한, 로컬 장치(30)는 모두 중앙 서버(40)에 연결되어 감시 및 측정 데이터들을 중앙 서버(40)에 전송한다. 중앙 서버(40)는 중앙 관제 센터 등에 구비되어, 원격에서 모든 전력설비의 부분방전 상태를 모니터링하고 측정데이터를 분석하여 부분방전을 판단한다.
바람직하게는, 하나의 로컬 장치(30)는 6~7개의 센서(21)들을 제어하여 데이터를 수신하고, 2~3개의 로컬 장치(30)가 네트워크(60)를 통해 중앙 서버(40)로 연결되어 중앙 서버(40)에 의해 통제된다. 따라서 각 전기설비들은 계층적 구조에 따라 로컬 장치(30) 및, 중앙 서버(40)에 의해 통제되고, 계층구조에 따라 검출된 데이터들을 상위 장치 또는 서버로 전송한다.
세부적으로 표현하면, 도 2에서 보는 바와 같이, 본 발명에 따른 부분방전 감시진단 시스템은 전력기기 시스템 하우징(10)에 설치된 센서부(20), 로컬 장치(30), 및, 중앙 서버(40)로 구성된다. 추가적으로, 로컬 장치(30)의 부하율을 모니터링 하는 부하율 모니터링 장치(50)를 더 포함하여 구성될 수 있다. 부하율은 변압기의 용량 대비 현재의 부하전력의 백분률로 구한다.
센서부(20)는 다수의 과도접지전압(TEV, Transient Earth Voltage) 센서(21)들로 구성된다. TEV(Transient Earth Voltage) 센서(21)는 전력기기 시스템 하우징(10)에 설치되어, 방전에 의해 전력설비(11) 외부로 야기되는 표면전류를 측정한다. 이때, TEV 센서(21)는 전력설비(11) 외부에서 부분방전에 의해 야기되는 표면전류도 측정할 수 있고, 전력설비(11) 내부에서 발생하는 부분 방전에 의해 야기되는 전류도 측정할 수 있다. 부분방전이 전력기기 시스템 하우징(10) 내부에서 일어날 때, 그 방전에 의한 고주파 전자기파동이 금속 벽 표면에 일어나고, 표면 전류를 야기시킨다.
TEV 센서(21)는 전력기기 시스템 하우징(10) 또는 전력설비(11)의 외부 표면에 실장시켜 펄스전압(과도대지전압 신호)을 검출한다. 따라서 TEV 센서(21)는 부분방전이 발생되는 위치를 판단할 수 없으나, 부분방전의 발생을 정확하게 검출할 수 있다. 또한, TEV 센서(21)는 내부에서 발생하는 부분 방전에 의해 야기되는 전류도 측정할 수 있다.
바람직하게는, TEV 센서(21)는 C-커플러(자석식) 타입으로 구성되고, 1MHz 내지 50MHz의 주파수 측정범위를 갖으며, 밀폐구조의 배전반 내부 방전을 검출한다.
또한, 전력기기 시스템들은 대용량의 전력을 사용하는 건축물 또는 공장 등지에 설치되는 것으로서, 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비, 배전반 등으로 구분되며, 하우징(10)의 내측에 전력을 분배하고 안정적으로 공급하기 위한 다양한 전력설비(11)들이 설치된다. 상기 전력기기 시스템들은 단일 전력설비일 수 있고, 복수의 전력설비들이 복합적으로 구성될 수 있다. 이하에서 설명의 편의를 위해 전력기기 시스템 하우징(10) 내 전력설비(11)들이 포함되는 것으로 설명한다. 전력기기 시스템 하우징(10)의 내부에 설치되는 기기 또는 설비(11)는 부스바, 진공차단기(VCB), 계기용변압기(PT), 전력량계량기(MOF), 부하개폐기(LBS), 부싱소자 등과 같이, 각종 몰드형 절연기기와 기기 연결 부품 및 절연 열화 예측이 요구되는 구성품 등이다. 예컨대, 본 발명의 전력기기 시스템의 방전 진단 시스템은 전력기기 시스템 내부의 저압측 구성장치인 배선용차단기(MCCB: Molded Case Circuit Breaker), 각종 배전 라인 등의 설비를 감시하는 장치로서 응용하여 사용할 수 있음은 물론이다.
본 발명에 따른 전력기기 시스템의 방전 진단 시스템은 이러한 하우징(10) 내의 각각의 기기 상태를 감지하기 위한 감지 수단을 마련하여 전력기기 시스템의 방전 또는 이를 통한 열화 상태를 감지하는 것이다.
한편, 센서부(20)와 로컬 장치(30), 로컬 장치(30) 및 중앙 서버(40)는 각각 네트워크에 의해 연결되어 데이터 통신을 수행한다. 바람직하게는, 센서부(20) 및 로컬 장치(30)는 UDP 프로토콜에 의한 인터넷으로 연결되고, 로컬 장치(30) 및 중앙 서버(40)는 TCP 프로토콜에 의한 인터넷으로 연결된다.
바람직하게는, 로컬 장치(30)는 전력기기 시스템들이 설치되는 로컬 장소에 구비된다. 즉, 센서부(20)와 로컬 장치(30)는 동일한 로컬 장소에 구비된다.
다음으로, 로컬 장치(30)는 센서부(20)로부터 센싱된 과도대지전압(또는 펄스 전압) 신호를 수신한다. 이때, 수신된 신호는 과도대지전압 임펄스 신호로서, 아날로그 신호이다. 로컬 장치(30)는 수신된 아날로그 신호를 증폭하고, 디지털 데이터로 변환하여, 중앙 서버(40)로 전송한다. 특히, 로컬 장치(30)는 디지털 변환, 배경잡음 제거, 아날로그 증폭 회로 특성 보정, 진동성 미세 잡음제거, 피크 검출 등 신호 데이터를 가공처리한 후, 처리된 데이터를 중앙 서버(40)로 전송한다.
중앙 서버(40)는 컴퓨팅 처리 기능을 가진 통상의 서버 장치로서, 네트워크를 통해 로컬 장치(30)와 연결되어, 로컬 장치(30)로부터 측정된 과도접지전압 신호 등을 수신한다. 중앙 서버(40)는 수집되어 변환된 과도접지전압 신호들을 수신하고, 수신된 데이터를 분석하여 부분방전을 검출하거나, 부분방전의 종류를 판별한다. 또한, 이들 부분방전 검출 데이터를 누적(계산)하여 전력기기 시스템의 이상 유무를 판단한다. 중앙 서버(40)는 전력기기 시스템 하우징(10) 내부 영역 또는 각 전력설비(11)에서의 방전 상태를 모니터링하고, 기준 신호 패턴(방전 현상일 때의 과도접지전압 신호 패턴)과 비교하여 전체, 또는, 설비 구성별로 부분방전 검출, 또는, 이상 유무를 판단한다. 또한, 중앙 서버(40)는 측정된 내부 또는 설비의 방전 상태를 영상으로 디스플레이에 표시하거나, 부분방전 검출, 이상 유무를 감지하면 감지 사항을 알람으로 관리자 등에 알린다.
즉, 중앙 서버(40)는 과도접지전압 센서(21)들에 의해 검출된 하우징(10) 내부 영역의 TEV 신호 및, 각 전력설비의 신호 등에 기초하여 상기 하우징 내부의 방전 상태, 부분 방전 또는 이를 통한 열화 상태를 추론하는 진단하고, 진단된 상기 하우징 내의 방전 또는 열화 상태 정보에 따라 상기 하우징의 내부 상태를 제어하거나 알람 신호를 발생한다.
다음으로, 로컬 장치(30)의 구성에 대하여 도 3를 참조하여 보다 구체적으로 설명한다.
도 3에서 보는 바와 같이, 로컬 장치(30)는 아날로그 증폭회로 특성을 보정하는 증폭특성 보정부(31), 아날로그 신호를 디지털 신호로 변환하는 AD 컨버터(32), 아날로그 증폭 특성을 반영하여 캘리브레션을 수행하는 선형화부(33), 신호의 평균과 분산을 이용하여 배경잡음을 제거하는 배경잡음 제거부(34), 이동평균을 통해 진동성 미세 잡음을 제거하는 이동평균 보정부(35), 중앙 서버에 의해 파라미터를 설정하는 파라미터 수신부(36), 및, 위상을 동기화시키는 동기화부(37)로 구성된다. 또한, 데이터를 저장하기 위한 저장부(36)를 더 포함하여 구성될 수 있다.
먼저, 증폭특성 보정부(31)는 과도접지전압 임펄스 신호를 저잡음 증폭기(LNA)를 이용하여 증폭하고, 레벨 감지기(Level Detector)를 이용하여 낮은 주파수의 단일 펄스로 수정한다.
증폭특성 보정부(31)는 입력전압 및, 이에 대한 출력에 해당하는 출력전압을 중앙 서버(40)에 전송한다. 중앙 서버(40)는 입력전압 대 출력전압의 그래프를 구하여, 부분방전에 대한 캘리브레이션을 위한 함수를 구한다. 캘리브레이션 함수는 입력전압 대 출력전압의 함수(그래프)의 역함수이다.
도 4는 부분방전의 아날로그 신호에 대하여, 증폭특성 보정부(31)에서 증폭하여 보정한 결과의 입력전압 대 출력전압을 나타내고 있다. 도 4와 같이, 입력전압 대 출력전압이 정비례하지 않기 때문에, 정비례 출력을 위한 캘리브레이션을 해주어야 한다. 캘리브레이션은 이하에서 선형화부(33)에서 아날로그 신호에서 디지털 신호로 변환할 때, 수행한다. 이때, 중앙 서버(40)는 캘리브레이션 함수를 생성하여, 선형화부(33)에서 사용하도록 로컬장치(30)에 전송한다.
다음으로, AD 컨버터(32)는 보정된 아날로그 신호(과도접지전압 임펄스 신호)를 샘플링하여 디지털 신호로 변환한다. 이때 샘플링 레이트는 컨버터의 파라미터로서, 중앙 서버(40)에 의해 설정된다. 이를 샘플링레이트 파라미터라 부르기로 한다. 또한, 샘플링된 디지털 신호를 과도접지전압 펄스 데이터 또는 펄스 데이터라 부르기로 한다.
다음으로, 선형화부(33)는 중앙 서버(40)에서 생성된 캘리브레이션 함수를 이용하여, 샘플링 디지털 신호를 캘리브레이션을 한다. 즉, 캘리브레이션 함수를 비례상수와 함께 곱하여, 디지털 신호를 캘리브레이션을 한다.
다음으로, 배경잡음 제거부(34)는 과도접지전압 신호의 한 주기에 해당하는 펄스 데이터에 대하여 평균값과 표준편차를 산출한다. 그리고 평균값과 표준편차를 이용하여 문턱값을 설정하고, 문턱값 이하인 펄스 데이터는 0으로 처리한다.
과도접지전압 신호의 펄스 데이터에서 배경잡음을 제거하는 수식은 다음과 같다.
[수학식 1]
Figure 112015058953291-pat00006
여기서, f'(n)은 보정된 펄스 데이터이고, f(n)은 원래의 펄스 데이터이다. 그리고 mf 및 σf 는 각각 펄스 데이터의 한 주기의 평균값 및 표준편차이다. b는 사전에 설정되는 계수(또는 파라미터)로서, 중앙 서버(40)에 의해 설정되는 값이다. 이하에서 b를 배경잡음 파라미터라 부르기로 한다. 중앙서버(40)는 각 로컬 장소에 맞는 배경잡음 파라미터를 설정하여, 로컬 장치(30)로 전송한다.
다음으로, 이동평균 보정부(35)는 이동평균을 통해 진동성 미세 잡음을 제거한다. 즉, 이동평균 보정부(35)는 이동평균 개수에 따라, 과도접지전압 펄스 데이터를 이동평균하여, 이동평균된 펄스 데이터를 구한다.
다음 수학식에 따라 펄스 데이터를 이동평균한다.
[수학식 2]
Figure 112015058953291-pat00007
여기서, g(n)은 이동평균된 펄스 데이터이고, f'(n)은 보정된 펄스 데이터(배경잡음이 제거된 펄스 데이터)이다. 또한, c는 이동평균 개수로서, 이동평균 파라미터이다. 이때, 이동평균 파라미터(이동평균 개수) c는 중앙 서버(40)에 의해 설정된다.
즉, 이동평균 보정부(35)는 이동평균으로 인한 펄스 크기를 감소하는 보정을 수행한다.
한편, 이동평균 보정부(35)는 중앙 서버(40)에 의해 이동평균 파라미터를 설정하는 작업을 도 5과 같이 수행한다. 도 5은 이동평균 파라미터를 설정하는 방법을 설명하는 흐름도이다.
도 5에서 보는 바와 같이, 먼저, 초기에 중앙 서버(40)는 이동평균 개수를 임의 개수(예를 들어 3개)로 설정하고, 설정된 이동평균 개수를 로컬 장치(30)로 전송한다(S41). 로컬 장치(30)은 펄스 데이터에 대하여 이동평균으로 인한 펄스 크기 감소 보정을 수행하고(S42), 원래 펄스 데이터와 신호처리된 펄스 데이터를 중앙 서버(30)로 전송한다(S43).
중앙 서버(40)에서는 펄스의 중복 여부가 있는지를 판단한다(S44). 펄스가 중복되면, 중앙 서버(40)는 이동평균의 개수를 증가시켜 이동평균 파라미터를 다시 로컬 장치(30)로 전송한다(S45). 즉, 로컬 장치(30)는 재설정된 이동평균 개수로 다시 앞서와 같은 작업을 반복한다. 그리고 펄스의 중복이 없으면, 해당 이동평균의 개수를 최종 이동평균 파라미터로 설정한다(S46). 즉, 펄스가 중복되지 않는 최소 이동평균 개수를 최종 이동평균 파라미터로 설정한다.
다음으로, 파라미터 수신부(36)는 중앙 서버(40)로부터 각종 파라미터를 수신하여, 파라미터를 설정한다. 수신하는 파라미터는 증폭특성 보정을 위한 증폭특성 파라미터, 입력전압 대비 출력전압의 역함수인 캘리브레이션 함수 파라미터, 배경잡음을 제거를 위한 배경잡음 파라미터, 이동평균 개수를 나타내는 이동평균 파라미터를 포함한다.
다음으로, 동기화부(37)는 전원전압의 사인파 등 전원 위상을 동기화한다. 즉, 동기화부(37)는 앞서 보정되고 이동평균된 펄스 데이터에 대하여 위상을 동기화하여, 위상에 의해 동기화된 이동평균된 펄스 데이터를 전송한다.
즉, 펄스 데이터는 시간상으로 연속된 신호에 대한 데이터이고, 연속된 신호는 일정한 주파수를 갖는 신호로 동기화된다. 즉, 반복되는 주기를 갖고, 주기의 위상은 전원 위상에 의해 동기화된다.
본 발명의 실험에 의하면, 아날로그 과도접지전압 신호에서 샘플링된 최초 펄스 데이터가 2083개일 때, 최종적으로 중앙서버로 전송하는 펄스 데이터의 개수는 63개이다. 즉, 최초 펄스 데이터가 캘리브레이션되어 선형화되고, 잡음이 제거된 펄스 데이터에 이동평균하여 최종적으로 추출한 펄스 데이터의 개수가 63개로 나왔다. 따라서 최초 데이터의 크기에 비하여 약 22%의 데이터만 중앙 서버에 전송됨을 알 수 있다.
다음으로, 본 발명의 일실시예에 따른 중앙 서버(40)를 도 6을 참조하여 보다 구체적으로 설명한다.
도 6에서 보는 바와 같이, 본 발명에 따른 중앙 서버(40)는 파라미터를 설정하는 파라미터 설정부(41), 펄스 데이터를 수신하는 데이터 수신부(42), 통계적 패턴을 추출하는 패턴분포 생성부(43), 특징량을 추출하는 특징량 추출부(44), 신경망을 통해 추론하는 추론부(45), 및, 부분방전 판단부(46)로 구성된다.
먼저, 파라미터 설정부(41)는 로컬 장치(30)에서 펄스 데이터를 보정하고 이동평균하기 위한 각종 파라미터를 설정한다. 구체적으로, 설정하는 파라미터는 증폭특성 보정을 위한 증폭특성 파라미터, 입력전압 대비 출력전압의 역함수인 캘리브레이션 함수 파라미터, 배경잡음을 제거를 위한 배경잡음 파라미터, 이동평균 개수를 나타내는 이동평균 파라미터를 포함한다.
다음으로, 데이터 수신부(42)는 로컬 장치(30)로부터 펄스 데이터를 수신한다. 펄스 데이터는 샘플링된 디지털 데이터로서, 보정되고 이동평균된 펄스 데이터이다. 또한, 수신된 펄스 데이터는 전원 위상에 의해 동기화된 신호이다. 즉, 수신된 펄스 데이터는 시간상으로 연속된 신호에 대한 데이터이고, 연속된 신호는 일정한 주파수를 갖는 신호로 동기화된다. 이때, 주기의 위상은 전원 위상에 의해 동기화된다.
다음으로, 패턴분포 생성부(43)는 수신한 신호 펄스 데이터에서 패턴으로서 위상 분포를 생성한다.
부분 방전 패턴 인식에 상기 인공 신경망을 적용하려면, 인공 지능형 네트워크(RBFNN 등)의 데이터 입력이 중요하다. 입력 데이터는 효과적인 방법으로 다른 패턴을 충분히 표현할 수 있어야 한다.
유전체 또는 절연체 매체에서 발생하는 부분방전(PD) 현상은 본질적으로 복잡한 확률 과정이다. 따라서 평가에 통계적 특성을 가지는 분석에 있어서, 분석결과의 정확도를 높여준다. 위상각의 함수로서 펄스 분포를 측정함으로써, 펄스 분포를 생성시키는 현상에 관한 정보를 얻을 수 있다.
이차원 통계적 패턴으로서, 방전 횟수, 방전 진폭 등의 위상 위치에 대한 값(phase-position quantities)을 고려할 필요가 있다. 바람직하게는, 위상각의 함수로서 각 위상 윈도우에서 관측된 방전 횟수를 나타내는 펄스 카운트 분포 Hn(φ), 각 위상 윈도우에서 최대 방전 진폭을 나타내는 Hqmax(φ), 위상각의 함수로서 각 위상 윈도우의 평균 방전 진폭을 표현하는 평균 펄스 진폭 분포 Hqn(φ) 등을 추출한다.
펄스 카운트 분포 Hn(φ)는 펄스 데이터에서 피크 등에 의해 판단되는 방전 발생의 경우를 위상 또는 위상각에 의하여 분포로 생성하고, 펄스 진폭 분포 Hqmax(φ)는 위상 윈도우에서 최대 방전 진폭을 나타낸다. 또한, 평균펄스 진폭 분포 Hqn(φ)는, 동일한 위상 윈도우에서, 전체 방전의 수로 나눈 각 위상 윈도우의 총 방전량으로부터 도출된다. 위상 윈도우는 전체 위상을 다수의 구간으로 분할한 위상의 구간들을 말한다.
펄스 카운트 위상 분포 Hn(φ)과 평균 펄스 진폭 분포 Hqn(φ)의 시간 의존성은 방전 패턴의 변화에 대한 좋은 표현을 제공할 수 있다. Hn(φ)의 양은 자신의 위상각 함수로서 방전 강도의 정보를 포함하고 있다. Hqn(φ) 양은 방전 펄스의 통계적 특성과 위상각 함수로서 노이즈 펄스들 사이의 차이로 인한 노이즈 감소를 허용한다.
위상각 축에서의 해상도는 위상 윈도우 수에 의해 결정된다. 이 숫자는 높은 정밀도를 제공하기 위해 가능한 커야 하지만, 이것은 데이터 처리 속도를 감소시키고 필요한 컴퓨터 메모리를 증가시킨다.
바람직하게는, 위상 윈도우의 수는 약 200개 정도로 정한다. 본 발명의 실험에 따르면, 약 200개의 위상(phase) 윈도우 수는 합리적이고 충분한 해상도를 줄 수 있는 것으로 실험되었다..
진폭(magnitude) 윈도우의 수는 동일한 방식으로 선택되고, 50개의 윈도우 수는 충분한 해상도를 제공하기 위해 적당한 양으로 실험되었다.
도 7은, 500회의 연속 전력 사이클에 걸쳐 수집된 배전반의 테스트로부터 방전신호에 대한, 이차원 통계적 패턴 Hqmax(φ), Hn(φ)과 Hqn(φ)를 보여준다.
다음으로, 3차원 통계적 패턴으로서, 위상-전하 크기-전하량(φ-q-n) 패턴 분포를 생성한다. 앞서 2차원 위상관계 패턴에 추가하여, 3차원 위상-전하 크기-전하량(φ-q-n)패턴이 방전신호 분석에 사용될 수 있다. 이는 AC 사이클(φ)의 위상각 위치, 상대적인 크기(q) 및 단위 시간당 빈도(n)에 의한 부분방전들의 특성이다. 이들 3가지 파라미터는 중요한 특징이 추출되는 것으로부터 3차원 면을 구성하는데 사용될 수 있다.
부분방전(PD) 측정의 경우, φ-q-n은 각 위상 윈도우에서 축적 신호 숫자와 평균 신호 진폭보다 오히려 더 위상 위치φi 와 진폭 qi를 모두 갖는 PD 신호 nij의 수를 표현한다. 그리고 φ-q-n은 그래픽적인 PD 표현으로부터 가장 완벽하게 고려되어진다. 도 8은, 500 사이클 동안, 방전신호에 대한 3차원 φ-q-n 패턴을 보여준다.
이 접근 방법의 단점은, 적절하고 충분한 해상도를 제공하기 위한, 위상의 수와 많은 윈도우의 수이다. 그러므로 신경망(RBFNN 등)에 대한 계산시간이 부적절하게 길게 되지 않도록 윈도우의 개수를 제한할 필요가 있다.
실제로 부분방전이 두 시퀀스에서 전압 사이클 동안 발생하고, 각각의 전압 방전 사이클 패턴의 절반 동안 부분방전 패턴이 측정될 수 있다. 전압 사이클의 각각의 절반에 대해 유사한 개시조건의 경우는, 동일한 부분방전 패턴이 예상될 수 있다. 따라서 Hn(φ)과 Hqn(φ) 수량은 두 분포에 의해 특징지어진다. 즉, 전압 사이클의 양의 절반 Hqn+(φ), Hn+(φ)과 전압 사이클의 음의 절반 Hqn-(φ)과 Hn-(φ)에 의해 특징이 된다.
다음으로, 특징량 추출부(44)는 생성된 펄스 패턴 분포로부터 부분방전발생 및 부분방전의 종류의 판단에 필요한 특징량들을 추출한다. 바람직하게는, 특징량 추출부(44)는 다음과 같은 특징량을 계산한다.
앞서 설명한, 전압 사이클의 두 반쪽에서의 Hqn+(φ)과 Hqn-(φ)의 사이의 분포의 차이에 대한 특징을 추출하기 위해서, 방전 비대칭(discharge asymmetry), 위상 비대칭(phase asymmetry), 교차 상관계수(cross-correlation factor)의 통계 연산자를 사용한다.
방전 비대칭(discharge asymmetry)은 전압 사이클의 양과 음의 절반에서, Hqn(φ) 분포의 평균 방전 레벨의 값 차이로 표시된다. 위상 비대칭(phase asymmetry)은 전압 사이클의 양과 음의 절반에서, Hqn(φ) 분포의 개시 전압에 차이(또는 평균의 위상 차이)를 나타내기 위해 사용한다. 교차 상관계수(cross-correlation factor)는 분포형상 Hqn+(φ)과 Hqn-(φ)의 차를 평가하는데 사용한다.
Hqn+(φ) Hqn-(φ)의 분포에 있어서의 차이점은 앞서 3개의 독립적인 파라미터, 즉, 방전 비대칭, 위상 비대칭, 및 교차 상관 계수에 의해 설명된다.
앞서 설명에서 평균펄스 진폭 분포(또는 평균 위상 윈도우 방전량 분포)를 대상으로 방전 비대칭, 위상 비대칭, 또는 교차 상관계수 등의 특징량을 구했으나, 펄스 카운트 위상 분포나, 최대방전 진폭 분포에도 적용하여 특징량을 구할 수 있다.
교차 상관계수 CC = 1 은 100 % 대칭 형상을 의미하고, 0의 값은 총 비대칭을 나타낸다. 그러나 교차 상관계수(CC)에서 분포의 높이에 관해서는 아무것도 알 수 없다. 이를 위해, 방전 비대칭 또는 위상 비대칭이 사용된다. 이러한 방식에서 이들 두 변수는 완전히 대칭 분포의 경우에는 1로 정의되며, 비대칭의 경우에는 1보다 작게 정의된다. 따라서 비대칭의 여러 인자는 곱셈을 통해 쉽게 결합될 수 있다.
다음으로, 수정된 교차 상관 계수(MCC, modified cross-correlation)를 이용할 수 있다. 수정된 교차 상관 계수(modified cross-correlation)는 양 및 음의 전압 사이클의 방전 패턴의 차이를 평가하기 위해 사용된다. 이는 위상 불균형, 방전의 비대칭 및 교차 상관 계수의 곱으로 정의된다.
단일 결함(defect)의 경우, 방전 파라미터는 정규 분포 과정에 의해 잘 설명 될 수 있다. 따라서 Hn(φ)과 Hqn(φ) 양의 더 좋은 평가를 얻기 위해서, 정규 분포를 위한 전형적인 몇 가지 통계적 파라미터가 사용될 수 있다. 바람직하게는, 통계적 파라미터로서, 비대칭 지표(Sk) 및, 첨도(Ku)가 사용될 수 있다.
비대칭 지표(Skewness, Sk)는 정규 분포에 대한 비대칭 분포의 지표이다. SK는 대칭 분배일 때 0, 분포가 좌측으로 비대칭 인 경우 양의 값 , 분포가 오른쪽으로 비대칭일 경우 음의 값이다.
첨도(Kurtosis, Ku)는 정규 분포의 예리함에 대한 지표이다. Ku는 정규 분포일 때 0이다. 정규분포 보다 선명할 때 양의 값이고, 정규분포 보다 평평한 경우 Ku는 음수이다.
도 9는 위의 관계에 대한 예를 보여준다. 위의 통계 연산자가 신경망(RBFNN) 입력 파라미터로서 사용되는 경우, 패턴 인식을 위한 입력 데이터의 규모는 아주 작은 값으로 감소된다. 각각의 결함에 대한 다수의 테스트가 수행되어야만 하고, 통계적 연산자를 추정하기 위한 동일한 PD 소스에 대해 몇 번 관측이 이루어졌다.
통계적 연산자의 각각에 대해 위의 평균값이 산출되며, 패턴 인식을 위해 사용될 것이다.
따라서 특징량 추출부(44)는 위상 패턴 분포에 대하여, 방전 비대칭, 위상 비대칭, 교차 상관계수, 또는 수정된 교차상관계수, 비대칭 지표(Sk), 첨도(Ku) 등을 이용하여 특징량을 추출한다.
바람직하게는, 위상 패턴 분포는 앞서 설명한 바와 같이, 펄스 카운트 위상 분포나, 최대방전 진폭 분포, 평균펄스 진폭 분포(또는 평균 위상 윈도우 방전량 분포) 등이다. 바람직하게는, 평균펄스 진폭 분포에 대하여 상기 특징량을 생성한다.
다음으로, 신경망 추론부(45)에 대하여 설명한다.
신경망 추론부(45)는 특징량 추출부(44)로부터 구해진 다수의 특징량을 입력으로 하여 보이드 방전, 코로나 방전, 연면 방전 등 부분방전의 종류를 판단한다.
기본적인 신경회로망 구조는 입력층, 은닉층, 출력층으로 구성되어 있다. 일반적으로 사용하는 신경망(Neural Network)은 은닉층에 시그모이드 함수를 사용하여 출력층은 1개의 노드로 구성된다. 본원발명의 RBFNN(Radial Basis Function Neural Network) 신경망은 은닉층에 방사기저함수(Radial Basis Function)를 사용한다.
또한, 일반적으로 RBFNN이나 NN은 출력층에 1개의 노드로 구성되지만, 신경망 추론부(45)는 3개의 출력노드를 구성한다. 이에 따른 출력계산 방법 및 학습방법을 설명한다. 신경망 추론부(45)는 RBFNN 신경망을 도 10와 같은 구조로 구성한다.
입력층(Input Layer)은 입력벡터 x =[x1,x2,...,xP]T를 입력으로 받아 은닉층(Hidden Layer)으로 전달한다. P은 입력벡터의 크기 또는, 특징량의 개수를 말한다. 이하에서, P=4로 정한 것으로 하여 예로 설명하나, 다수의 특징량을 설정할 수 있다.
여기서 입력벡터는 특징량 추출부(44)에서 구해진 P개의 특징량으로 구성된 벡터를 의미이다. 즉, x1은 제1 특징량, x2은 제2 특징량, ..., xP은 제P 특징량의 값을 의미한다. 은닉층(Hidden Layer)은 방사 기저함수를 사용한다. 출력층(Output Layer)에서는 은닉층(Hidden Layer)의 함수에 의하여 출력된 값들에 연결가중치 aij를 곱한값들의 합을 출력한다.
도 10의 RBFNN의 구조는 다음과 같은 식으로 표현될 수 있다. 규칙수는 경험에 따라 결정할 수 있다.
[수학식 3]
i번째 규칙에 대한 식 : If x is Ri then yj= fji(x)
여기서, x는 입력 벡터를 의미하여 Ri는 FCM(Fuzzy C Means) 클러스터링에 의한 i(=1,...,c)번째 그룹의 소속 함수(membership function)이고, fji(x)는 j(=1,...,s)번째 출력에 대한 i 번째 퍼지 규칙의 상수항이다. “then” 이전의 조건부는 FCM 클러스터링을 이용함으로써 네트워크 구조 측면에서는 활성 함수를, 언어적 측면에서는 소속 함수의 기능을 수행한다. “then” 이후 결론부의 상수항은 네트워크의 연결가중치로, 퍼지 규칙의 로컬 모델로 동작되며, 추론부에서 네트워크의 최종출력이 퍼지 규칙의 추론 결과로서 구해진다.
FCM 클러스터링 알고리즘은 본 발명에서는 은닉층에 출력값을 계산하기 위해 FCM 알고리즘을 적용하였다. RBFNN의 조건부 기능은 학습 데이터의 특성 반영을 위해 입력 공간을 c개의 클러스터 수(퍼지 규칙 수)만큼 분리하고 각 영역의 소속정도를 퍼지 집합으로서 출력한다. FCM 클러스터 방법은 각 데이터와 특정 클러스터 중심과의 거리에 소속 정도를 부여하고 이 소속정도에 따라 데이터를 분류하는 알고리즘이다.
FCM 클러스터링은 목적함수인 수학식 4를 최소화함으로서 입력데이터의 각 클러스터에 대한 소속 값을 구한다.
[수학식 4]
Figure 112015058953291-pat00008
여기서, c는 클러스터의 개수(퍼지 규칙 수), N은 입력벡터의 수, m은 퍼지화 계수이다. Xk는 k번째 입력 벡터이고, vi는 i번째 클러스터의 중심이다. uik는 k번째 데이터가 i번째 클러스터에 속하는 소속정도를 나타내는 0과 1사이의 실수로 수학식 5과 4의 조건을 만족한다.
[수학식 5]
Figure 112015058953291-pat00009
[수학식 6]
Figure 112015058953291-pat00010
수학식 4의 ∥·∥는 수학식 7로 표현되는 가중 유클리디안 거리(weighted Euclidean distance)를 사용한다.
[수학식 7]
Figure 112015058953291-pat00011
여기서, σj는 입력 벡터들의 j번째 입력 차원의 표준편차이다. 가중 유클리디안 거리는 데이터 크기 분포에 크게 영향을 받지 않는 알맞은 거리 정보를 제공하므로 많이 사용되고 있다. n차원 유클리드 공간상의 N개의 벡터으로 구성된 입력 벡터 집합 X={x1,x2,...,xN}, xk∈Rn, 1≤k≤N 과 클러스터 중심 v={v1,v2,...,vc}, vi∈Rn, 1≤i≤c 에 대한 소속정도를 소속행렬로 표현하면 U=[uik]로 표현되고 uik와 vi는 수학식 8과 7에 의해 각각 계산된다.
[수학식 8]
Figure 112015058953291-pat00012
[수학식 9]
Figure 112015058953291-pat00013
FCM 클러스터링은 수학식 8과 7을 반복적으로 수행하면서 소속행렬 U와 각 클러스터의 중심 vi(i=1,...c,)를 수정하며 수학식 4의 목적함수 Q(U, v1,v2,...,vc)를 특정 값으로 수렴시킨다.
RBFNN 구조의 결론부는 조건부에서 분리한 각 로컬 영역을 다항식 함수의 로컬 회기모델로서 표현하여 수학식 3의 “then” 이후의 규칙을 형성한다. 수학식 3의 fji(x)에서 출력 뉴런에 대한 첨자 j(=1,...,s)를 생략한 fi(x)는 수학식 8과 9로 각각 상수항, 1차식 형태를 갖는다.
[수학식 10]
Figure 112015058953291-pat00014
최종적으로 제안된 RBFNN 구조의 최종출력은 퍼지 추론에 의한 수학식 11와 같이 표현된다.
[수학식 11]
Figure 112015058953291-pat00015
여기서, ui는 수학식 3의 Ri(x)와 같고 수학식 5과 같이 모든 클러스터에 대한 총합은 1이다.
RBFNN은 테스트데이터를 이용하여 학습을 수행한 후에 적용되어야 한다. 즉 은닉층과 출력층 사이의 연결가중치 aij를 결정해야한다.
먼저 테스트 테이터는 부분방전 실험을 통하여 RBFNN의 입출력값 데이터를 수집하여 수집된 테스트 데이터를 사용하여 학습하여 연결가중치를 결정한다.
테스트 테이터는 도 11과 같은 구조의 벡터로 구성된다.
보이드 방전, 코로나 방전, 연면 방전을 임의로 발생시킨 수 각각의 경우에 대한 특징량을 추출하고 출력은 보이드 방전 시 얻어진 데이터는 y1을 1로, 코로나방전인 경우에 y2를 1로, 연면 방전인 경우에는 y3를 1로, 정상인 경우 모든 값을 0으로 하여 테스트 데이터을 얻는다. RBFNN의 학습을 위해서는 각각의 경우에 대하여 100 이상의 실험데이터를 얻어서 적용한다.
테스트 데이터를 이용한 학습방법은 다음과 같다.
연결가중치 계산을 위한 학습은 수학식 12로 표현되는 오차를 모든 벡터(테스트 데이터)에 대하여 최소화하도록 진행된다. 본 발명에서에서의 출력의 수는 3개가 되며 각각의 출력에 대하여 학습을 수행해야 한다. 다음은 첫 번째 출력에 대하여 설명을 진행한다.
[수학식 12]
Figure 112015058953291-pat00016
여기서, Eq 는 q번째 벡터에 대한 오차, N은 입력 벡터 수이다. tq는 q번째 벡터에 대한 목적 값이다. yq는 q번째 벡터에 대한 네트워크의 최종출력이며 수학식 13과 같다.
[수학식 13]
Figure 112015058953291-pat00017
은닉층과 출력층 사이의 연결가중치 aij는 다음과 같이 테스트 데이터수 만큼 반복하여 계산한다.
[수학식 14]
Figure 112015058953291-pat00018
[수학식 15]
Figure 112015058953291-pat00019
여기서 η는 학습률, α는 모멘텀 계수, p+1은 새로운 값, p는 현재 값, p-1은 이전 값을 나타낸다.
aij는 i번째 은닉층과 j번째 출력측 사이의 연결 가중치이며, 모든 연결 가중에 대하여 동일 방법으로 연결가중치를 학습한다.
신경망 추론부(45)는 위에 설명한 것처럼 학습되며 출력값 y1,y2,y3 값이 계산된다.
다음으로, 부분방전 판단부(46)에 대하여 설명한다.
부분방전 판단부(46)는 신경망 추론부(45)에서 계산된 출력값으로부터 부분방전을 판단하는 부분이다. 판단은 먼저 y1, y2, y3 중 최대값을 계산한다. 그리고 계산된 최대값이 0.5 이하이면 정상으로 판단한다. 최대값이 0.5 보다 크면서 최대값을 갖는 출력이 y1이면 보이드 방전, y2이면 코로나 방전, y3이면 연면 방전으로 판단한다.
이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 하우징 11 : 전력설비
20 : 센서부 21 : TEV 센서
30 : 로컬 장치 31 : 증폭특성 보정부
32 : AD 컨버터 33 : 선형화부
34 : 배경잡음 제거부 35 : 이동평균 보정부
36 : 파라미터 수신부 37 : 동기화부
38 : 저장부
40 : 중앙 서버 41 : 파라미터 설정부
42 : 데이터 수신부 43 : 패턴분포 생성부
44 : 특징량 추출부 45 : 신경망 추론부
46 : 부분방전 판단부

Claims (10)

  1. 로컬 장소에 설치되는 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비, 및 배전반 중 어느 하나 이상을 포함하는 전력기기 시스템 하우징 내부의 전력설비에서 발생하는 부분방전을 검출하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템에 있어서,
    상기 하우징 내부에 설치되어, 상기 전력설비에서의 부분방전으로 과도접지전압(TEV)의 전기적인 신호를 검출하는 다수의 TEV(Transient Earth Voltage) 센서로 구성된 센서부;
    상기 로컬 장소에 설치되어, 상기 센서부에서 검출된 과도접지전압의 전기적인 신호를 수신하여, 상기 전기적인 신호를 디지털 신호로 샘플링하여 펄스 데이터를 추출하고, 추출된 펄스 데이터를 전압 위상에 의해 동기화하여 전송하는 로컬 장치; 및,
    상기 로컬 장치로부터 위상에 의해 동기화된 위상 펄스 데이터를 수신하여, 수신된 위상 펄스 데이터로부터 위상에 따른 펄스의 분포를 나타내는 위상 패턴 분포를 생성하고, 상기 위상 패턴 분포로부터 특징량을 추출하여 부분방전 여부 또는 부분방전의 종류를 판단하는 중앙 서버를 포함하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
  2. 제1항에 있어서, 상기 중앙 서버는,
    상기 로컬 장치로부터 전압 위상에 의해 동기화된 위상 펄스 데이터를 수신하는 데이터 수신부;
    상기 수신한 위상 펄스 데이터로부터 위상에 따른 펄스의 분포를 나타내는 위상 패턴 분포를 생성하는 패턴분포 생성부;
    상기 위상 패턴 분포로부터 부분방전 발생 및 부분방전의 종류의 판단에 필요한 특징량을 추출하는 특징량 추출부;
    추출된 특징량을 RBFNN(Radial Basis Function Neural Network) 신경망에 입력으로 적용하여, 해당 입력에 대한 출력을 획득하되, 상기 RBFNN 신경망은 다수의 부분방전 종류 각각에 대응되도록 다수의 출력으로 구성되는 신경망 추론부; 및,
    상기 RBFNN 신경망의 다수의 출력의 출력값에 따라 부분방전 발생 또는 부분방전의 종류를 판단하는 부분방전 판단부를 포함하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
  3. 제2항에 있어서,
    상기 위상 패턴 분포는 펄스 데이터에서 방전 발생의 횟수를 위상에 의하여 분포로 생성되는 펄스 카운트 분포, 위상을 분할한 위상 윈도우에서 최대 방전 진폭을 나타내는 펄스 진폭 분포, 각 위상 윈도우에서 전체 방전 발생의 횟수로 나눈 각 위상 윈도우의 평균 진폭을 나타내는 평균펄스 진폭 분포 중 어느 하나 이상을 포함하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
  4. 제2항에 있어서,
    상기 특징량은 상기 위상 패턴 분포를 위상의 두 반쪽으로 나누어 양의 위상 패턴 분포와 음의 위상 패턴 분포로 구분하여, 양 분포의 값 차이를 나타내는 방전 비대칭과, 양 분포의 평균의 위상 차이를 나타내는 위상 비대칭, 양 분포의 교차 상관계수, 및, 상기 방전 비대칭, 위상 비대칭, 및 교차 상관계수를 곱한 수정된 교차상관계수 중 어느 하나 이상을 포함하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
  5. 제2항에 있어서,
    상기 로컬 장치는,
    과도접지전압 신호를 저잡음 증폭기(LNA)를 이용하여 증폭하고, 레벨 감지기(Level Detector)를 이용하여 낮은 주파수의 단일 펄스로 수정하는 증폭특성 보정부;
    보정된 과도접지전압 신호를 샘플링하여 디지털 신호로 변환하여 펄스 데이터를 추출하는 AD 컨버터;
    과도접지전압 신호의 입력전압 대 출력전압의 함수의 역함수를 이용하여 구한 캘리브레이션 함수를 이용하여, 상기 펄스 데이터를 선형화하는 선형화부;
    한 주기에 해당하는 펄스 데이터에 대하여 평균과 표준편차를 산출하여, 상기 평균과 표준편차, 및, 배경잡음 파라미터를 이용하여 문턱값을 설정하고, 상기 문턱값 이하인 펄스 데이터를 0으로 처리하는 배경잡음 제거부;
    이동평균 파라미터인 이동평균 개수에 따라, 펄스 데이터를 이동평균하는 이동평균 보정부; 및,
    상기 중앙 서버로부터 상기 배경잡음 파라미터, 상기 이동평균 파라미터를 수신하여, 각 파라미터를 설정하는 파라미터 수신부를 포함하고,
    상기 중앙 서버는, 배경잡음 파라미터와 이동평균 파라미터를 설정하여 상기 로컬 장치로 전송하는 파라미터 설정부를 더 포함하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
  6. 제5항에 있어서,
    상기 배경잡음 제거부는 다음 수식 1을 이용하여 배경잡음을 제거하여 보정하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
    [수식 1]
    Figure 112015058953291-pat00020

    단, f'(n)은 보정된 펄스 데이터이고, f(n)은 원래의 펄스 데이터이고,
    mf 및 σf 는 각각 펄스 데이터의 한 주기의 평균 및 표준편차이고,
    b는 배경잡음 파라미터임.
  7. 제5항에 있어서,
    상기 중앙 서버는 상기 이동평균 파라미터를 사전에 정해진 초기 개수로 설정하고, 상기 로컬 장치는 설정된 이동평균 파라미터로 펄스 데이터를 이동평균하고, 이동평균된 펄스 데이터와 원래의 펄스 데이터를 중앙 서버로 전송하고, 상기 중앙 서버는 이동평균된 펄스 데이터와 원래의 펄스 데이터에서 펄스의 중복이 있는지를 판단하여, 중복되면 상기 이동평균 파라미터를 재설정하고, 중복되지 않으면 해당 이동평균 파라미터를 최종적인 이동평균 파라미터로 설정하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
  8. 제2항에 있어서,
    상기 신경망 추론부는 입력층, 은닉층, 및 출력층으로 구성되는 신경망을 구성하되, 상기 은닉층에 방사기저함수(Radial Basis Function)를 사용하고, 출력층에 적어도 2개의 출력으로 구성하고, 상기 입력층은 상기 특징량을 벡터로서 입력받고, 상기 출력층에서는 상기 은닉층의 함수에 의하여 출력되는 출력의 출력값들에 연결가중치를 곱한 값들의 합으로 출력하고, 다음 수식 2에 의하여 출력값을 구하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
    [수식 2]
    Figure 112015095368742-pat00021

    단, x는 특징량의 입력벡터이고, yj는 출력층의 j번째 출력이고, c는 은닉층의 퍼지규칙에 대응하는 클러스터의 개수이고, aij는 i번째 퍼지규칙에서 출력층의 j번째 출력의 연결가중치이고, vi는 i번째 클러스터의 중심임.
  9. 제8항에 있어서,
    상기 클러스터의 중심 vi는 N개의 패턴으로 구성된 샘플 입력벡터 집합 X={x1,x2,...,xN}, xk∈Rn(n은 입력벡터의 크기)에 의해 중심 및 소속정도를 나타내는 uik를 수정하면서 다음 [수식 3]의 목적함수를 최소화로 수렴시켜 얻어지는 중심인 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
    [수식 3]
    Figure 112015095368742-pat00022
    ,
    Figure 112015095368742-pat00023
    ,
    Figure 112015095368742-pat00024

    단, ∥·∥는 중 유클리디안 거리(weighted Euclidean distance)를 나타내고, c는 클러스터의 개수이고, m은 퍼지화 계수이고, Xk는 k번째 입력 벡터이고, vj는 j번째 클러스터의 중심이고, N은 샘플 입력벡터 집합 X의 패턴 수이고, Q는 목적함수임.
  10. 제8항에 있어서,
    상기 부분방전 판단부는 상기 신경망 추론부에서 계산된 다수의 출력값 중 최대값을 계산하고, 상기 최대값이 0.5 이하이면 정상으로 판단하고, 상기 최대값이 0.5 보다 크면서 최대값을 갖는 출력이 y1이면 보이드 방전, y2이면 코로나 방전, y3이면 연면 방전으로 판단하는 것을 특징으로 하는 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템.
KR1020150086456A 2015-06-18 2015-06-18 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 KR101574615B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150086456A KR101574615B1 (ko) 2015-06-18 2015-06-18 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150086456A KR101574615B1 (ko) 2015-06-18 2015-06-18 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템

Publications (1)

Publication Number Publication Date
KR101574615B1 true KR101574615B1 (ko) 2015-12-11

Family

ID=55020671

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150086456A KR101574615B1 (ko) 2015-06-18 2015-06-18 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템

Country Status (1)

Country Link
KR (1) KR101574615B1 (ko)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606974A (zh) * 2016-03-04 2016-05-25 国网山东省电力公司平原县供电公司 一种便携式gis局部放电检测装置
CN107462760A (zh) * 2017-06-20 2017-12-12 中国电力科学研究院 一种用于强电磁环境下的高压开关瞬态地电位测试系统
CN107942214A (zh) * 2017-12-04 2018-04-20 囯网河北省电力有限公司电力科学研究院 一种变压器局部放电信号的特征提取方法、装置
KR20180045576A (ko) * 2016-10-26 2018-05-04 현대모비스 주식회사 차량용 전자 장치 및 이의 동작 방법
KR101864639B1 (ko) * 2016-12-23 2018-06-08 산일전기 주식회사 Gis 절연 위험도 측정 방법
CN109061426A (zh) * 2018-11-02 2018-12-21 国网河北省电力有限公司电力科学研究院 变压器局部放电故障诊断方法及在线监测装置
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
CN110133428A (zh) * 2019-06-25 2019-08-16 武汉伏佳安达电气技术有限公司 一种高压电力电缆综合状态量监测技术方法
CN110231548A (zh) * 2019-03-21 2019-09-13 国网辽宁省电力有限公司电力科学研究院 一种基于超声信号包络谱的gis局部放电特征提取方法
CN110673000A (zh) * 2019-10-28 2020-01-10 国网江苏省电力有限公司电力科学研究院 一种油浸式电流互感器局部放电在线监测方法及装置
CN110865286A (zh) * 2019-11-25 2020-03-06 武汉三相电力科技有限公司 放电相位计算方法
CN110926778A (zh) * 2019-11-29 2020-03-27 国网天津市电力公司电力科学研究院 基于异常振动的气体绝缘组合开关设备机械故障诊断方法
KR102148231B1 (ko) 2020-07-30 2020-08-27 다온기술주식회사 배전설비 실시간 감시 시스템
KR102153255B1 (ko) 2020-02-07 2020-09-07 이형준 부분방전 측정용 스마트 함체
KR102209322B1 (ko) * 2019-09-19 2021-01-29 주식회사 원화이에프티 인공지능 기반의 접지 모니터링 시스템
KR102227699B1 (ko) 2020-12-28 2021-03-16 이형준 부분방전 측정용 스마트 함체
KR102233098B1 (ko) 2020-12-28 2021-03-26 이형준 부분방전 측정용 스마트 함체 제조 방법
US20210231747A1 (en) * 2020-01-28 2021-07-29 Hitachi, Ltd. Partial discharge determination device and method
CN113253066A (zh) * 2021-04-27 2021-08-13 国网山东省电力公司烟台供电公司 一种局部放电特高频信号prpd/prps图谱相位同步方法
KR20220001729A (ko) * 2020-06-30 2022-01-06 한국전력공사 지중송전 케이블 부분방전 이상신호 검출 장치
WO2022019428A1 (ko) * 2020-07-20 2022-01-27 주식회사 원프레딕트 Gis 고장 진단 방법 및 이러한 방법을 수행하는 장치
KR102377936B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) 초고주파전기신호를 이용한 지능형 배전반 부분방전 감시진단 시스템
KR102377939B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템
CN114264890A (zh) * 2021-12-22 2022-04-01 成都高斯电子技术有限公司 一种运行电力设备非接触式电参数量测核验装置及方法
US20220128614A1 (en) * 2019-08-30 2022-04-28 Hitachi, Ltd. Partial discharge determination apparatus and partial discharge determination method
KR102476521B1 (ko) * 2022-08-22 2022-12-13 주식회사 네오테크 수배전반 내에서 발생하는 아크의 지속시간과 첨두치 지속시간을 동시에 감지할 수 있는 미적분방식 아크센서
RU2791982C2 (ru) * 2018-10-26 2023-03-15 Машиненфабрик Райнхаузен Гмбх Анализ состояния электрического рабочего средства
KR102571411B1 (ko) * 2023-05-16 2023-08-28 주식회사 솔라리치 Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템
CN116679172A (zh) * 2023-05-18 2023-09-01 江苏濠汉信息技术有限公司 一种电力现场局部放电源可视化检测系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101426792B1 (ko) 2014-01-03 2014-08-05 (주) 동보파워텍 Uhf 부분방전 및 온도 감시 시스템 내장형 수배전반(고압배전반, 저압배전반, 전동기제어반, 분전반) 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101426792B1 (ko) 2014-01-03 2014-08-05 (주) 동보파워텍 Uhf 부분방전 및 온도 감시 시스템 내장형 수배전반(고압배전반, 저압배전반, 전동기제어반, 분전반) 시스템

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606974A (zh) * 2016-03-04 2016-05-25 国网山东省电力公司平原县供电公司 一种便携式gis局部放电检测装置
CN105606974B (zh) * 2016-03-04 2017-08-08 国网山东省电力公司平原县供电公司 一种便携式gis局部放电检测装置
KR20180045576A (ko) * 2016-10-26 2018-05-04 현대모비스 주식회사 차량용 전자 장치 및 이의 동작 방법
KR102536327B1 (ko) 2016-10-26 2023-05-24 현대모비스 주식회사 차량용 전자 장치 및 이의 동작 방법
KR101864639B1 (ko) * 2016-12-23 2018-06-08 산일전기 주식회사 Gis 절연 위험도 측정 방법
CN107462760A (zh) * 2017-06-20 2017-12-12 中国电力科学研究院 一种用于强电磁环境下的高压开关瞬态地电位测试系统
CN107942214A (zh) * 2017-12-04 2018-04-20 囯网河北省电力有限公司电力科学研究院 一种变压器局部放电信号的特征提取方法、装置
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
RU2791982C2 (ru) * 2018-10-26 2023-03-15 Машиненфабрик Райнхаузен Гмбх Анализ состояния электрического рабочего средства
CN109061426A (zh) * 2018-11-02 2018-12-21 国网河北省电力有限公司电力科学研究院 变压器局部放电故障诊断方法及在线监测装置
CN110231548A (zh) * 2019-03-21 2019-09-13 国网辽宁省电力有限公司电力科学研究院 一种基于超声信号包络谱的gis局部放电特征提取方法
CN110133428A (zh) * 2019-06-25 2019-08-16 武汉伏佳安达电气技术有限公司 一种高压电力电缆综合状态量监测技术方法
US20220128614A1 (en) * 2019-08-30 2022-04-28 Hitachi, Ltd. Partial discharge determination apparatus and partial discharge determination method
EP4024061A4 (en) * 2019-08-30 2023-09-27 Hitachi, Ltd. DEVICE AND METHOD FOR DETERMINING PARTIAL DISCHARGE
KR102209322B1 (ko) * 2019-09-19 2021-01-29 주식회사 원화이에프티 인공지능 기반의 접지 모니터링 시스템
CN110673000B (zh) * 2019-10-28 2021-11-30 国网江苏省电力有限公司电力科学研究院 一种油浸式电流互感器局部放电在线监测方法及装置
CN110673000A (zh) * 2019-10-28 2020-01-10 国网江苏省电力有限公司电力科学研究院 一种油浸式电流互感器局部放电在线监测方法及装置
CN110865286A (zh) * 2019-11-25 2020-03-06 武汉三相电力科技有限公司 放电相位计算方法
CN110926778A (zh) * 2019-11-29 2020-03-27 国网天津市电力公司电力科学研究院 基于异常振动的气体绝缘组合开关设备机械故障诊断方法
US20210231747A1 (en) * 2020-01-28 2021-07-29 Hitachi, Ltd. Partial discharge determination device and method
EP3859358A1 (en) * 2020-01-28 2021-08-04 Hitachi, Ltd. Partial discharge determination device and method
US11567143B2 (en) * 2020-01-28 2023-01-31 Hitachi, Ltd. Partial discharge determination device and method
KR102153255B1 (ko) 2020-02-07 2020-09-07 이형준 부분방전 측정용 스마트 함체
KR102427984B1 (ko) 2020-06-30 2022-08-03 한국전력공사 지중송전 케이블 부분방전 이상신호 검출 장치
KR102410973B1 (ko) * 2020-06-30 2022-06-21 한국전력공사 지중송전 케이블 부분방전 이상신호 검출 장치
KR20220086541A (ko) * 2020-06-30 2022-06-23 한국전력공사 지중송전 케이블 부분방전 이상신호 검출 장치
KR20220001729A (ko) * 2020-06-30 2022-01-06 한국전력공사 지중송전 케이블 부분방전 이상신호 검출 장치
WO2022019428A1 (ko) * 2020-07-20 2022-01-27 주식회사 원프레딕트 Gis 고장 진단 방법 및 이러한 방법을 수행하는 장치
KR102148231B1 (ko) 2020-07-30 2020-08-27 다온기술주식회사 배전설비 실시간 감시 시스템
KR102233098B1 (ko) 2020-12-28 2021-03-26 이형준 부분방전 측정용 스마트 함체 제조 방법
KR102227699B1 (ko) 2020-12-28 2021-03-16 이형준 부분방전 측정용 스마트 함체
CN113253066A (zh) * 2021-04-27 2021-08-13 国网山东省电力公司烟台供电公司 一种局部放电特高频信号prpd/prps图谱相位同步方法
CN113253066B (zh) * 2021-04-27 2024-01-26 国网山东省电力公司烟台供电公司 一种局部放电特高频信号prpd/prps图谱相位同步方法
CN114264890A (zh) * 2021-12-22 2022-04-01 成都高斯电子技术有限公司 一种运行电力设备非接触式电参数量测核验装置及方法
CN114264890B (zh) * 2021-12-22 2024-05-10 成都高斯电子技术有限公司 一种运行电力设备非接触式电参数量测核验装置及方法
KR102377936B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) 초고주파전기신호를 이용한 지능형 배전반 부분방전 감시진단 시스템
KR102377939B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템
KR102476521B1 (ko) * 2022-08-22 2022-12-13 주식회사 네오테크 수배전반 내에서 발생하는 아크의 지속시간과 첨두치 지속시간을 동시에 감지할 수 있는 미적분방식 아크센서
KR102571411B1 (ko) * 2023-05-16 2023-08-28 주식회사 솔라리치 Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템
CN116679172A (zh) * 2023-05-18 2023-09-01 江苏濠汉信息技术有限公司 一种电力现场局部放电源可视化检测系统及方法
CN116679172B (zh) * 2023-05-18 2023-11-07 江苏濠汉信息技术有限公司 一种电力现场局部放电源可视化检测系统及方法

Similar Documents

Publication Publication Date Title
KR101574615B1 (ko) 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템
KR101574613B1 (ko) 원격 설정 기능이 있는 초고주파 전기신호 검출에 의한 부분방전 감시진단 시스템
KR101553005B1 (ko) 전력설비의 부분방전 감시진단 시스템
US7961112B2 (en) Continuous condition monitoring of transformers
US11448682B2 (en) Trending functions for partial discharge
JP6474564B2 (ja) 設備の劣化状態判定システムおよび設備の劣化状態判定方法
CN109029959B (zh) 一种变压器绕组的机械状态检测方法
Koo et al. Identification of insulation defects in gas-insulated switchgear by chaotic analysis of partial discharge
CN204064509U (zh) 一种高压开关柜温度在线监测系统
CN103576059A (zh) 一种变压器匝间放电综合故障诊断方法及系统
JP2015078882A (ja) 絶縁診断装置
JP6553303B2 (ja) 部分放電監視システム
KR101550689B1 (ko) 잡음제거 기능을 구비한 ａｅ센서 기반 수배전반의 아크 및 코로나 검출 시스템
KR102192609B1 (ko) 순시유도전압센서를 이용한 부분방전 모니터링 감시기능이 탑재된 배전반(고압 배전반, 저압 배전반, 분전반, 모터제어반)
Wang et al. Reflectometry-based cable insulation aging diagnosis and prognosis
CN108548999B (zh) 电缆绝缘状态评估方法
Wang et al. Measurement and analysis of partial discharge using an ultra-high frequency sensor for gas insulated structures
CN110703076A (zh) 一种基于振动信号频域能量比的gis故障诊断方法
CN109342882A (zh) 基于多源特征值分析的电缆故障在线监测方法
KR20150118456A (ko) 감시 장치의 부분방전 진단 방법
Banafer et al. Traveling wave based primary protection and fault localization scheme for MTDC grid considering IEC 61869-9 measurement standard
Gao et al. Insulation defect detection of electrical equipment based on infrared and ultraviolet photoelectric sensing technology
KR102419753B1 (ko) 운전 중인 전력설비 내부 전기회로정수 측정에 의한 설비 건전상태 감시 방법
KR102243313B1 (ko) 부분방전 판단 방법 및 진단 시스템
CN110501154B (zh) 一种基于mosvr与箱形图分析的gis设备故障检测与定位方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20181129

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20191125

Year of fee payment: 5