KR102172968B1 - 선로 이상상태 판단 장치 및 방법 - Google Patents

선로 이상상태 판단 장치 및 방법 Download PDF

Info

Publication number
KR102172968B1
KR102172968B1 KR1020190051639A KR20190051639A KR102172968B1 KR 102172968 B1 KR102172968 B1 KR 102172968B1 KR 1020190051639 A KR1020190051639 A KR 1020190051639A KR 20190051639 A KR20190051639 A KR 20190051639A KR 102172968 B1 KR102172968 B1 KR 102172968B1
Authority
KR
South Korea
Prior art keywords
line
eddy current
risk
data
abnormal state
Prior art date
Application number
KR1020190051639A
Other languages
English (en)
Inventor
이지훈
양희성
이지혜
Original Assignee
한전케이디엔주식회사
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 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020190051639A priority Critical patent/KR102172968B1/ko
Application granted granted Critical
Publication of KR102172968B1 publication Critical patent/KR102172968B1/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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Electrochemistry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

본 발명의 일 실시예에 따르면, 선로 내부에 발생하는 기전력에 의하여 상기 선로 내부에 흐르는 와전류를 측정하는 와전류 센서; 상기 선로를 따라 이동하며 상기 선로의 외부 영상을 촬영하는 이미지 센서; 상기 선로의 와전류 데이터 및 상기 선로의 외부 영상 데이터를 이용하여 딥러닝을 수행하여 상기 선로의 이상상태 및 위험도를 판단하는 제어부를 포함하는 선로 이상상태 판단 장치를 제공한다.

Description

선로 이상상태 판단 장치 및 방법{APPARATUS AND METHOD FOR DETERMINING FAULTS OF LINE}
본 발명의 일실시예는 선로 이상상태 판단 장치 및 방법에 관한 것으로, 더욱 상세하게는 송전선로에 적용 가능한 선로 이상상태 판단 장치 및 방법에 관한 것이다.
일반적으로, 발전소에서 발전된 전력은 변전소를 거쳐 승압 또는 강압하여 가공송전선로를 통해　송전되며, 수용가의 인근에 최종 변압기를 설치하여 최종 상용전압으로 강압하여 가공송배전선로를 통해 각 수용가로 배전된다.
가공송전선로는 발전소와 변전소 사이에 위치하여 발전소에서 생산한 전력을 사용가로 운송하는 일종의 통로역할을 하는 것으로, 배전선로와는 달리 154KV　이상의 특고전압이면서 대용량의 전력을　송전하기 때문에 고장이 발생하였을 때 그 파급영향은 매우 크게 나타난다.
현재 노후 가공선로의 경우 고정된 한계수명을 적용하여 전선을 교체하고 있다. 그러나, 선로의 객관적인 이상상태 판정 없이 설비 설치기간 기준으로 설비를 교체하고 있기 때문에 불필요한 유지보수에 대한 비용이 많이 발생되며, 실제 교체 선로에 대한 물리적 점검시(장력, 전선외형, 내부부식 상태 등) 이상이 없는 선로로 판별되는 경우가 발생하고 있다.
(특허문헌 1) KR10-2015-0004980 A1
(특허문헌 2) JP2008-051737 A1
(특허문헌 3) KR10-2012-0008123 A1
본 발명이 이루고자 하는 기술적 과제는 선로에 대한 내외부 상태 판정을 통해 선로 상태에 대한 객관적인 판정이 가능한 선로 이상상태 판단 장치 및 방법을 제공하는데 있다.
본 발명의 일 실시예에 따르면, 선로 내부에 발생하는 기전력에 의하여 상기 선로 내부에 흐르는 와전류를 측정하는 와전류 센서; 상기 선로를 따라 이동하며 상기 선로의 외부 영상을 촬영하는 이미지 센서; 상기 선로의 와전류 데이터 및 상기 선로의 외부 영상 데이터를 이용하여 딥러닝을 수행하여 상기 선로의 이상상태 및 위험도를 판단하는 제어부를 포함하는 선로 이상상태 판단 장치를 제공한다.
상기 제어부는 상기 선로의 외부 영상 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델에 적용하여 상기 선로의 이상상태 및 위험도를 판단할 수 있다.
상기 제어부는 상기 선로의 외부 영상 데이터를 학습한 결과에 따라 상기 선로의 외부 알루미늄층의 이상상태 및 위험도를 판단할 수 있다.
상기 제어부는 상기 선로의 와전류 데이터를 순환신경망(RNN, Recurrent Neural Network) 모델에 적용하여 상기 선로의 이상상태 및 위험도를 판단할 수 있다.
상기 제어부는 상기 선로의 와전류 데이터를 학습한 결과에 따라 상기 선로의 내부 강심층의 이상상태 및 위험도를 판단할 수 있다.
상기 제어부는 상기 위험도에 따라 설비교체 우선 순위를 판단할 수 있다.
본 발명의 실시예에 따르면, 와전류 센서가 선로 내부에 발생하는 기전력에 의하여 상기 선로 내부에 흐르는 와전류를 측정하는 단계; 이미지 센서가 상기 선로를 따라 이동하며 상기 선로의 외부 영상을 촬영하는 단계; 및 제어부가 상기 선로의 와전류 데이터 및 상기 선로의 외부 영상 데이터를 이용하여 딥러닝을 수행하여 상기 선로의 이상상태 및 위험도를 판단하는 단계를 포함하는 선로 이상상태 판단 방법을 제공한다.
상기 선로의 이상상태 및 위험도를 판단하는 단계는, 상기 선로의 외부 영상 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델에 적용하여 상기 선로의 외부 알루미늄층의 이상상태 및 위험도를 판단하는 단계; 및 상기 선로의 와전류 데이터를 순환신경망(RNN, Recurrent Neural Network) 모델에 적용하여 상기 선로의 내부 강심층의 이상상태 및 위험도를 판단하는 단계를 포함할 수 있다.
본 발명인 선로 이상상태 판단 장치 및 방법은 객관적인 데이터를 통해 선로의 이상상태를 판정할 수 있다.
또한, 선로의 위험도 예측을 통해 선로의 교체 우선순위를 정할수 있어 설비 자산관리의 유지보수 계획 수립시 객관적인 근거자료로 활용 가능하다.
도1은 본 발명의 실시예에 따른 선로 이상 판단 장치의 개념도이다.
도2는 본 발명의 실시예에 따른 선로 이상 판단 장치의 구성 블록도이다.
도3은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다.
도4는 본 발명의 실시예에 따른 선로 이상 판단 방법의 순서도이다
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
다만, 본 발명의 기술 사상은 설명되는 일부 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 기술 사상 범위 내에서라면, 실시 예들간 그 구성 요소들 중 하나 이상을 선택적으로 결합, 치환하여 사용할 수 있다.
또한, 본 발명의 실시예에서 사용되는 용어(기술 및 과학적 용어를 포함)는, 명백하게 특별히 정의되어 기술되지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 일반적으로 이해될 수 있는 의미로 해석될 수 있으며, 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미를 고려하여 그 의미를 해석할 수 있을 것이다.
또한, 본 발명의 실시예에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함할 수 있고, "A 및(와) B, C 중 적어도 하나(또는 한 개 이상)"로 기재되는 경우 A, B, C로 조합할 수 있는 모든 조합 중 하나 이상을 포함할 수 있다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다.
이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등으로 한정되지 않는다.
그리고, 어떤 구성 요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결, 결합 또는 접속되는 경우뿐만 아니라, 그 구성 요소와 그 다른 구성 요소 사이에 있는 또 다른 구성 요소로 인해 '연결', '결합' 또는 '접속' 되는 경우도 포함할 수 있다.
또한, 각 구성 요소의 "상(위) 또는 하(아래)"에 형성 또는 배치되는 것으로 기재되는 경우, 상(위) 또는 하(아래)는 두 개의 구성 요소들이 서로 직접 접촉되는 경우뿐만 아니라 하나 이상의 또 다른 구성 요소가 두 개의 구성 요소들 사이에 형성 또는 배치되는 경우도 포함한다. 또한, "상(위) 또는 하(아래)"으로 표현되는 경우 하나의 구성 요소를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도1은 본 발명의 실시예에 따른 선로 이상 판단 장치의 개념도이고, 도2는 본 발명의 실시예에 따른 선로 이상 판단 장치의 구성 블록도이다. 도1 및 도2를 참조하면, 본 발명의 실시예에 따른 선로 이상 판단 장치(1)는 구동부(10), 센서부(20), 전원부(30), 제어부(40)를 포함하여 구성될 수 있다. 구동부(10)는 구동 롤러(11), 구동 모터(12) 및 엔코더(13)를 포함할 수 있다. 센서부(20)는 와전류 센서(21) 및 이미지 센서(22)를 포함할 수 있다. 전원부(30)는 배터리(31) 및 원거리 통신 모듈(32)을 포함할 수 있다. 제어부(40)는 MCU(41) 및 데이터 베이스(42)를 포함할 수 있다.
본 발명의 실시예에 따른 선로 이상 판단 장치(1)는 가공 송전선로에 배치되어 구동모터(12)와 구동 롤러(11)를 통해 자율주행을 수행할 수 있다. 선로 이상 판단 장치(1)는 자율주행 중 와전류 센서(21)와 이미지 센서(22)를 통해 전선 내외부의 이상상태를 판단하기 위한 데이터를 측정할 수 있다. 제어부(40)는 엔코더(13)를 통해 선로 이동 거리에 따른 각 센서의 측정 데이터를 분류하여 데이터 베이스(42)에 저장할 수 있다. 선로 이상 판단 장치(1)는 원거리 무선 통신 모듈(32)을 통해 측정한 데이터를 데이터 수집서버(미도시)로 전송할 수 있다. 이 때, 선로 이상 판단 장치(1)는 선로 이상 판단 결과에 따른 데이터를 함께 전송할 수 있다.
와전류 센서(21)는 선로 내부에 발생하는 기전력에 의하여 선로 내부에 흐르는 와전류를 측정할 수 있다. 와전류 센서(21)는 코일 및 자계 측정 센서를 포함할 수 있다. 와전류 센서(21)는 제어부(40)의 제어에 따라 선로상에서 일정 간격 이동할 때마다 코일을 통해 선로에 전류 신호를 주입할 수 있다. 코일을 통해 선로에 전류 신호가 주입되면 선로에 수직인 방향으로 자계가 형성되고, 자계 측정 센서는 자계의 세기를 측정하여 선로의 부식에 따른 자계의 변화, 즉 임피던스 변화를 측정할 수 있다. 와전류 센서(21)에서 측정한 와전류 데이터는 엔코더(13)를 통해 선로 이동 거리에 따라 분류되어 데이터 베이스(42)에 저장될 수 있다.
이미지 센서(22)는 선로를 따라 이동하며 선로의 외부 영상을 촬영할 수 있다. 이미지 센서(22)는 CMOS(complementary metal-oxide semiconductor) 모듈 또는 CCD(charge coupled device) 모듈 등을 이용하여 선로의 외부 영상을 촬영할 수 있다. 이때, 입력되는 영상 프레임은 렌즈를 통해 이미지 센서내의 CMOS 모듈 또는 CCD 모듈로 제공되고, CMOS 모듈 또는 CCD 모듈은 렌즈를 통과한 피사체의 광신호를 전기적 신호(영상 데이터)로 변환하여 출력한다. 또한, 이미지 센서(22)는 시야각이 넓은 어안렌즈 또는 광각렌즈를 포함할 수 있다. 이미지 센서(22)는 제어부(40)의 제어에 따라 선로상에서 일정 간격 이동할 때마다 선로의 외부 영상을 촬영할 수 있다. 이미지 센서(22)에서 측정한 선로 외부 영상 데이터는 엔코더(13)를 통해 선로 이동 거리에 따라 분류되어 데이터 베이스(42)에 저장될 수 있다.
제어부(40)는 선로의 와전류 데이터 및 선로의 외부 영상 데이터를 이용하여 딥러닝을 수행하여 선로의 이상상태 및 위험도를 판단할 수 있다.
도3은 본 발명의 실시예에 따른 제어부의 동작을 설명하기 위한 도면이다.
도2 내지 도3을 참조하면, 제어부(40)는 선로의 외부 영상 데이터를 합성곱 신경망(CNN, Convolutional Neural Network)모델에 적용하여 선로의 이상상태 및 위험도를 판단할 수 있다. 합성곱 신경망 모델은 이미지 데이터의 특징 추출을 하거나 이미지 구분의 정확도가 높다는 장점이 있다. 따라서, 제어부(40)는 이미지 센서(22)로 촬영한 건전한 선로의 영상 데이터를 선 학습시키고, 이미지 분석을 통해 선로의 형태, 색상 등이 다른 부분을 검출하여 선로의 이상 상태를 자동으로 판정할 수 있다.
이 때, 합성곱 신경망 모델의 학습데이터는 정상상태 선로의 이미지 데이터와 외부 부식율에 따른 이미지 데이터일 수 있다. 실제 전선을 염해 발생장치를 통해 시간대별로 부식을 진행시키면, 알루미늄 층에 부식이 발생하며 알루미늄 색이 최초 은색에서 하얀색으로 변형이 된다. 외부 부식 발생의 순서는 최초 은색에서 회색으로 부식이 발생되며, 심할 경우에는 손으로 끊어질 정도의 단선이 발생된다. 제어부(40)는 이러한 외부 부식율에 따른 시료를 학습 데이터로 하여 딥러닝 모델을 학습시킬 수 있다.
예를 들어 제어부(40)는 하나의 90×90(pixel) 이미지 데이터를 학습시킬 때, 다수의 3×3 Convolution Matrix(일종의 이미지 필터)를 통해 다양한 종류의 30×30의 특징맵(Feature Map) 이미지를 생성하고, 생성된 특징맵을 이용하여 학습을 수행할 수 있다.
예를 들면, 이미지 데이터의 학습에 따른 결과는 아래 <표1>과 같은 매핑 테이블로 나타낼 수 있다.
Figure 112019045317206-pat00001
제어부(40)는 학습의 정확도를 높이기 위해 내부에 있는 하이퍼 파라메터를 조정하여 합성곱 신경망 모델을 보완할 수 있다. 예를 들면, 10개의 이미지 데이터가 입력되었을 경우, 최초에는 10개의 이미지 데이터로 외부 부식율을 판정하지만 이후에 추가되는 이미지 데이터를 학습 데이터에 반영하여 외부 부식을 판단할 수 있다.
또한, 제어부(40)는 선로의 와전류 데이터를 순환 신경망(RNN, Recurrent Neural Network) 모델에 적용하여 선로의 이상상태 및 위험도를 판단할 수 있다. 순환 신경망 모델은 시계열 데이터의 딥러닝 모델을 만드는데 적합한 모델이다. 실시예에 따른 와전류 센서의 경우 트랜드 데이터를 통해 와전류 센서의 값이 클 경우 이상상태로 판정되기 때문에 기존 건전한 선로 데이터를 선 학습시키고, 실시간으로 측정되는 와전류 센서의 트랜드 데이터 값이 증가하는 부분을 검출하여 선로의 이상 상태를 자동으로 판단할 수 있다. 순환 신경망 모델은 트랜드 데이터를 학습시켜 구분 정확도를 높일 수 있다는 장점이 있다.
이 때, 순환 신경망 모델의 학습데이터는 정상상태의 와전류 데이터와 내부 부식율에 따른 와전류 데이터일 수 있다. 실제 전선을 해체시켜 강심을 염산에 넣어 시간대 별로 부식을 진행시키면 내부 강심 층에 부식이 발생하며 다시 전선을 조립하여 와전류를 통해 임피던스 값을 측정하여 학습 데이터를 생성할 수 있다. 내부 부식의 경우, 전선 내부를 육안으로 확인하는 것이 어렵다. 따라서, 와전류를 전선에 주입시켜 부식에 따른 자기장의 변화(세기)를 재 측정하여 임피던스 값으로 변환하여 부식에 따른 임피던스 변화를 간접적으로 측정할 수 있다. 내부 부식의 경우 내부 부식정도가 클수록 임피던스 크기 값이 증가하고, 심할 경우 단선이 발생될 수 있다.
예를 들면, 와전류 데이터의 학습에 따른 결과는 아래 <표2>와 같은 매핑 테이블로 나타낼 수 있다.
Figure 112019045317206-pat00002
제어부(40)는 학습의 정확도를 높이기 위해 내부에 있는 하이퍼 파라메터를 조정하여 순환 신경망 모델을 보완할 수 있다. 예를 들면, 10개의 와전류 데이터가 입력되었을 경우, 최초에는 10개의 와전류 데이터로 내부 부식율을 판정하지만 이후에 추가되는 이미지 데이터를 학습 데이터에 반영하여 내부 부식을 판단할 수 있다.
제어부(40)는 선로의 외부 영상 데이터를 학습한 결과에 따라 선로의 외부 알루미늄층의 이상상태 및 위험도를 판단할 수 있다. 제어부(40)는 합성곱 신경망 모델에 따라 학습한 모델에 선로의 외부 영상 데이터를 입력하고 외부 부식율을 판단할 수 있다. 제어부(40)는 외부 부식율을 1로 정규화하여 수치화 할 수 있다. 제어부(40)는 정규화 된 외부 부식율 값이 기 설정된 기준값을 초과할 경우 선로의 외부 알루미늄층에 이상이 발생한 것으로 판단할 수 있다. 또한, 제어부(40)는 정규화 된 외부 부식율 값이 클수록 위험도가 높은 것으로 판단할 수 있다.
또한, 제어부(40)는 선로의 와전류 데이터를 학습한 결과에 따라 선로의 내부 강심층의 이상상태 및 위험도를 판단할 수 있다. 제어부(40)는 순환 신경망 모델에 따라 학습한 모델에 와전류 데이터를 입력하고 내부 부식율을 판단할 수 있다. 제어부(40)는 내부 부식율을 1로 정규화하여 수치화 할 수 있다. 제어부(40)는 정규화 된 내부 부식율 값이 기 설정된 기준값을 초과할 경우 선로의 내부 강심층에 이상이 발생한 것으로 판단할 수 있다. 또한, 제어부(40)는 정규화 된 내부 부식율 값이 클수록 위험도가 높은 것으로 판단할 수 있다.
제어부(40)는 위험도에 따라 설비교체 우선 순위를 판단할 수 있다. 예를 들면, 아래 <표3>과 같이 내부 부식이 외부 부식보다 인장강도에 영향을 많이 주기 때문에, 제어부(40)는 외부 부식만 발생한 경우에는 위험도를 3순위로 판단할 수 있다. 또는 외부 부식은 양호하지만 내부 부식의 정도가 심한 경우 제어부(40)는 위험도를 2순위로 판단할 수 있다. 또는 외부 부식 상태와 내부 부식 상태가 모두 불량한 경우, 제어부(40)는 위험도를 1순위로 판단할 수 있다. 제어부(40)는 위험도 순위가 높을수록 설비 우선순위 교체대상으로 판단할 수 있다.
Figure 112019045317206-pat00003
도4는 본 발명의 실시예에 따른 선로 이상 판단 방법의 순서도이다. 도4를참조하면 와전류 센서는 선로 내부에 발생하는 기전력에 의하여 선로 내부에 흐르는 와전류를 측정한다. 와전류 센서는 제어부의 제어에 따라 선로상에서 일정 간격 이동할 때마다 코일을 통해 선로에 전류 신호를 주입한다. 코일을 통해 선로에 전류 신호가 주입되면 선로에 수직인 방향으로 자계가 형성되고, 자계 측정 센서는 자계의 세기를 측정하여 선로의 부식에 따른 자계의 변화, 즉 임피던스 변화를 측정한다. 와전류 센서에서 측정한 와전류 데이터는 엔코더를 통해 선로 이동 거리에 따라 분류되어 데이터 베이스에 저장된다(S401).
이미지 센서는 선로를 따라 이동하며 선로의 외부 영상을 촬영한다. 이미지 센서는 제어부의 제어에 따라 선로상에서 일정 간격 이동할 때마다 선로의 외부 영상을 촬영한다. 이미지 센서에서 측정한 선로 외부 영상류 데이터는 엔코더를 통해 선로 이동 거리에 따라 분류되어 데이터 베이스에 저장된다(S402).
다음으로, 제어부는 선로의 와전류 데이터를 순환신경망(RNN, Recurrent Neural Network) 모델에 적용하여 선로의 내부 강심층의 이상상태를 판단한다. 제어부는 건전한 선로의 와전류 데이터를 선 학습시키고, 실시간으로 측정되는 와전류 센서의 트랜드 데이터 값이 증가하는 부분을 검출하여 선로의 이상 상태를 판단한다(S403~404).
또한, 제어부는 선로의 외부 영상 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델에 적용하여 선로의 외부 알루미늄층의 이상상태를 판단한다. 제어부는 이미지 센서로 촬영한 건전한 선로의 영상 데이터를 선 학습시키고, 이미지 분석을 통해 선로의 형태, 색상 등이 다른 부분을 검출하여 선로의 이상 상태를 판단한다(S405~406).
다음으로, 제어부는 선로의 이상 상태 판단 결과에 따라 위험도를 판단한다. 제어부는 외부 부식 상태와 내부 부식 상태를 종합적으로 고려하여 선로의 위험도를 판단한다(S407).
다음으로, 제어부는 위험도에 따라 설비 교체 우선 순위를 판단한다. 제어부는 위험도 순위가 높을수록 설비 우선순위 교체대상으로 판단한다(S408).
다음으로, 제어부는 선로를 따라 선로 이상 판단 장치를 이동시켜 S401 내지 S408의 과정을 반복한다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
1: 선로 이상 판단 장치
10: 구동부
20: 센서부
30: 전원부
40: 제어부

Claims (8)

  1. 선로 내부에 발생하는 기전력에 의하여 상기 선로 내부에 흐르는 와전류를 측정하는 와전류 센서;
    상기 선로를 따라 이동하며 상기 선로의 외부 영상을 촬영하는 이미지 센서; 및
    상기 선로의 와전류 데이터 및 상기 선로의 외부 영상 데이터를 이용하여 딥러닝을 수행하여 상기 선로의 이상상태 및 위험도를 판단하는 제어부를 포함하며,
    상기 제어부는 상기 선로의 외부 영상 데이터를 합성곱 신경망(CNN, Convolutional Neural Network)모델에 적용하여 상기 선로의 외부 알루미늄층의 이상상태 및 위험도를 판단하며, 상기 선로의 와전류 데이터를 순환 신경망(RNN, Recurrent Neural Network) 모델에 적용하여 상기 선로의 내부 강심층의 이상상태 및 위험도를 판단하는 선로 이상상태 판단 장치.
  2. 제1항에 있어서,
    상기 합성곱 신경망 모델의 학습데이터는 정상상태 선로의 이미지 데이터와 외부 부식율에 따른 이미지 데이터인 선로 이상상태 판단 장치.
  3. 제1항에 있어서,
    상기 순환 신경망 모델의 학습데이터는 정상상태의 와전류 데이터와 내부 부식율에 따른 와전류 데이터인 선로 이상상태 판단 장치.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 제어부는 상기 위험도에 따라 설비교체 우선 순위를 판단하는 선로 이상상태 판단 장치.
  7. 와전류 센서가 선로 내부에 발생하는 기전력에 의하여 상기 선로 내부에 흐르는 와전류를 측정하는 단계;
    이미지 센서가 상기 선로를 따라 이동하며 상기 선로의 외부 영상을 촬영하는 단계; 및
    제어부가 상기 선로의 와전류 데이터 및 상기 선로의 외부 영상 데이터를 이용하여 딥러닝을 수행하여 상기 선로의 이상상태 및 위험도를 판단하는 단계를 포함하며,
    상기 선로의 이상상태 및 위험도를 판단하는 단계는, 상기 제어부가 상기 선로의 외부 영상 데이터를 합성곱 신경망(CNN, Convolutional Neural Network)모델에 적용하여 상기 선로의 외부 알루미늄층의 이상상태 및 위험도를 판단하는 단계 및 상기 선로의 와전류 데이터를 순환 신경망(RNN, Recurrent Neural Network) 모델에 적용하여 상기 선로의 내부 강심층의 이상상태 및 위험도를 판단하는 단계를 포함하는 선로 이상상태 판단 방법.
  8. 삭제
KR1020190051639A 2019-05-02 2019-05-02 선로 이상상태 판단 장치 및 방법 KR102172968B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190051639A KR102172968B1 (ko) 2019-05-02 2019-05-02 선로 이상상태 판단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190051639A KR102172968B1 (ko) 2019-05-02 2019-05-02 선로 이상상태 판단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102172968B1 true KR102172968B1 (ko) 2020-11-02

Family

ID=73397609

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190051639A KR102172968B1 (ko) 2019-05-02 2019-05-02 선로 이상상태 판단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102172968B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113960152A (zh) * 2021-10-18 2022-01-21 北方工业大学 一种基于离子迁移谱的痕量爆炸物识别方法及系统
KR20220074514A (ko) * 2020-11-27 2022-06-03 한국전력공사 송전 선로 이상 움직임 검출 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008051737A (ja) * 2006-08-28 2008-03-06 A-Tec Co Ltd 電気設備の異常劣化診断システム
KR20120008123A (ko) * 2010-07-16 2012-01-30 한국전기연구원 노후 가공송전선의 비파괴 수명 진단 방법
KR20150004980A (ko) * 2013-07-03 2015-01-14 (주) 주암전기통신 배전선로 점검장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008051737A (ja) * 2006-08-28 2008-03-06 A-Tec Co Ltd 電気設備の異常劣化診断システム
KR20120008123A (ko) * 2010-07-16 2012-01-30 한국전기연구원 노후 가공송전선의 비파괴 수명 진단 방법
KR20150004980A (ko) * 2013-07-03 2015-01-14 (주) 주암전기통신 배전선로 점검장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220074514A (ko) * 2020-11-27 2022-06-03 한국전력공사 송전 선로 이상 움직임 검출 장치 및 방법
KR102522685B1 (ko) 2020-11-27 2023-04-18 한국전력공사 송전 선로 이상 움직임 검출 장치 및 방법
CN113960152A (zh) * 2021-10-18 2022-01-21 北方工业大学 一种基于离子迁移谱的痕量爆炸物识别方法及系统
CN113960152B (zh) * 2021-10-18 2023-06-06 北方工业大学 一种基于离子迁移谱的痕量爆炸物识别方法及系统

Similar Documents

Publication Publication Date Title
CN112910094B (zh) 基于泛在电力物联网的变电站远方自动巡检系统及方法
KR102172968B1 (ko) 선로 이상상태 판단 장치 및 방법
CN202947884U (zh) 一种动车组运行故障动态图像检测系统
CN110516522B (zh) 一种巡检方法及系统
CN113223035B (zh) 笼养鸡智能巡检系统
CN109683609A (zh) 一种电力智能巡检系统及方法
CN104535356A (zh) 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统
CN104408459A (zh) 电力设备监控中使用的图像识别方法
CN102435173A (zh) 一种基于机器视觉的隧道病害快速调查系统及调查方法
CN110941228B (zh) 智慧铁路牵引变电所管控系统
KR101838664B1 (ko) 케이블 표면 검사 장치
CN115184726B (zh) 一种智能电网故障实时监测定位系统及方法
CN103321129A (zh) 基于3g网络的红外热像的远程路面施工诊断系统及方法
CN102601131A (zh) 一种钢坯表面质量在线检测装置
CN105554479A (zh) 一种输变配电设备的智能监控系统
CN112418194A (zh) 一种用于智慧社区的视频监控系统及其方法
CN106548211A (zh) 基于红外图像的变电站测温点自动识别方法和装置
CN113077447A (zh) 一种可探测高压设备微弱放电并进行缺陷分析的方法
CN116665125A (zh) 用于桥隧病害的智能识别系统
CN112906488A (zh) 一种基于人工智能的安防视频质量评价系统
CN205408031U (zh) 一种输变配电设备的智能监控系统
CN103411688B (zh) 迈克尔逊干涉环的远程测控方法及其测控系统
CN111136664A (zh) 基于紫外图像检测的巡检机器人及其检测方法
CN107194923B (zh) 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法
CN110247328A (zh) 开关柜内基于图像识别的位置判断方法

Legal Events

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