KR102202527B1 - 발전소 내 전력장애 발생방향 결정시스템 - Google Patents

발전소 내 전력장애 발생방향 결정시스템 Download PDF

Info

Publication number
KR102202527B1
KR102202527B1 KR1020200027320A KR20200027320A KR102202527B1 KR 102202527 B1 KR102202527 B1 KR 102202527B1 KR 1020200027320 A KR1020200027320 A KR 1020200027320A KR 20200027320 A KR20200027320 A KR 20200027320A KR 102202527 B1 KR102202527 B1 KR 102202527B1
Authority
KR
South Korea
Prior art keywords
failure
data
power
unit
power failure
Prior art date
Application number
KR1020200027320A
Other languages
English (en)
Inventor
이동윤
Original Assignee
주식회사 쓰리아이씨
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 주식회사 쓰리아이씨 filed Critical 주식회사 쓰리아이씨
Priority to KR1020200027320A priority Critical patent/KR102202527B1/ko
Application granted granted Critical
Publication of KR102202527B1 publication Critical patent/KR102202527B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H02J3/0012—Contingency detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 발전소 내의 연결되어 있는 다수 지점의 전력장애 발생 방향을 분석하여 장애 발생 방향 결정의 정확성을 높이며, 인공 지능을 이용하여 장애 발생 방향을 결정할 수 없는 경우의 수를 대폭 줄일 수 있는 발전소 내 전력장애 발생방향 결정 시스템에 관한 것으로서, 본 발명에 따른 발전소 내 전력장애 발생방향 결정 시스템은, 발전소 내에서 서로 연결된 4개 이상의 서로 다른 지점에 대하여 각각 전력 변동 데이터를 모니터링하고 저장하는 다수개의 데이터 수집부; 상기 다수개의 데이터 수집부 중 어느 하나의 데이터 수집부가 접속되어 있는 지점에서 전력장애가 발생한 경우, 해당 데이터 수집부에는 트리거 파일(trigger file)을 생성하게 하고 동시에 나머지 데이터 수집부에 대해서도 자신이 접속되어 있는 지점의 상황을 크로스 트리거 파일(cross trigger file)로 생성하게 제어하는 제어부; 상기 다수개의 데이터 수집부와 연결되어 설치되며, 전력장애 발생시 상기 다수개의 데이터 수집부로부터 상기 트리거 파일과 크로스 트리거 파일을 제공받아 각 지점별로 전력장애 발생방향을 결정하는 다수개의 개별 방향 결정부; 상기 개별 방향 결정부의 개별 방향 결정 정보들을 통합하여 발전소 내 통합적인 전력장애 발생방향을 결정하는 통합 방향 결정부;를 포함한다.

Description

발전소 내 전력장애 발생방향 결정시스템{A SYSTEM FOR DETERMINATING THE DISTURBANCE DIRECTION IN POWER PLANT}
본 발명은 발전소 내 전력장애 발생방향 결정시스템에 관한 것으로서, 보다 상세하게는 발전소 내의 연결되어 있는 다수 지점의 전력장애 발생 방향을 분석하여 장애 발생 방향 결정의 정확성을 높이며, 인공 지능을 이용하여 장애 발생 방향을 결정할 수 없는 경우의 수를 대폭 줄일 수 있는 발전소 내 전력장애 발생방향 결정 시스템에 관한 것이다.
기존에 발전소 내 데이터 모니터링 장치인 PQDU 의 운용프로그램에서도 장애 파일(Fault File)에 대한 분석 기능이 있지만, 정밀한 파형 재생 기능이 미약하고, 정밀한 장애 발생 시점의 포지셔닝(Positioning)이 이루어지지 않는다. 이러한 기술적 한계는 발전소 내에서 발생하는 장애의 원인을 파악하는 데 상당한 어려움을 유발하여 정확한 후속 조치가 불가능한 문제점이 있다.
따라서 정밀한 파형 재생을 하여 시각적으로 사고를 파악할 수 있게 하고, 정밀한 사고 시점의 포지셔닝을 함으로써 장애 발생 방향을 제시할 수 있는 기술의 개발이 절실하게 요구되고 있다.
본 발명이 해결하고자 하는 기술적 과제는 발전소 내의 연결되어 있는 다수 지점의 전력장애 발생 방향을 분석하여 장애 발생 방향 결정의 정확성을 높이며, 인공 지능을 이용하여 장애 발생 방향을 결정할 수 없는 경우의 수를 대폭 줄일 수 있는 발전소 내 전력장애 발생방향 결정 시스템을 제공하는 것이다.
전술한 기술적 과제를 해결하기 위한 본 발명에 따른 발전소 내 전력장애 발생방향 결정 시스템은, 발전소 내에서 서로 연결된 4개 이상의 서로 다른 지점에 대하여 각각 전력 변동 데이터를 모니터링하고 저장하는 다수개의 데이터 수집부; 상기 다수개의 데이터 수집부 중 어느 하나의 데이터 수집부가 접속되어 있는 지점에서 전력장애가 발생한 경우, 해당 데이터 수집부에는 트리거 파일(trigger file)을 생성하게 하고 동시에 나머지 데이터 수집부에 대해서도 자신이 접속되어 있는 지점의 상황을 크로스 트리거 파일(cross trigger file)로 생성하게 제어하는 제어부; 상기 다수개의 데이터 수집부와 연결되어 설치되며, 전력장애 발생시 상기 다수개의 데이터 수집부로부터 상기 트리거 파일과 크로스 트리거 파일을 제공받아 각 지점별로 전력장애 발생방향을 결정하는 다수개의 개별 방향 결정부; 상기 개별 방향 결정부의 개별 방향 결정 정보들을 통합하여 발전소 내 통합적인 전력장애 발생방향을 결정하는 통합 방향 결정부;를 포함한다.
그리고 본 발명에서 상기 통합 방향 결정부는, 상기 다수개의 개별 방향 결정부에 의하여 결정된 장애 발생 방향 중 다수인 장애 발생 방향으로 통합 발생 방향을 결정하는 것이 바람직하다.
또한 본 발명에서 상기 통합 방향 결정부에는, 상기 다수개의 개별 방향 결정부에 의하여 결정된 장애 발생 방향이 동수로 나뉘어 다수결 결정이 불가한 경우, 해당 전력 장애 발생 패턴과 동일 또는 유사한 전력 장애 발생 패턴을 학습하여 통합 발생 방향을 제공하는 인공지능 방향 제공부가 더 구비되는 것이 바람직하다.
또한 본 발명에서 상기 인공지능 방향 제공부는, 다양한 전력장애 발생상황에 대한 데이터 세트를 훈련 데이터 세트로 제공하는 훈련 데이터 제공부; 상기 훈련 데이터 제공부에 의하여 제공되는 훈련 데이터 세트를 학습하여 전력장애 발생방향을 학습하고, 이를 바탕으로 상기 데이터 수집부에서 제공되는 트리거 파일과 크로스 트리거 파일을 분석하여 통합 장애 발생 방향을 판단하는 머신러닝(machine learning) 판단부;를 더 구비하는 것이 바람직하다.
또한 본 발명에서 상기 머신러닝 판단부는, 서포트 벡터 머신(Support Vector Machine)으로 이루어지는 것이 바람직하다.
또한 본 발명에 따른 발전소 내 전력장애 발생방향 결정 시스템에는, 상기 통합 방향 결정부에 의하여 정해지는 통합 발생 방향을 디스플레이하는 디스플레이부가 더 구비되는 것이 바람직하다.
또한 본 발명에서 상기 개별 방향 결정부는, 이벤트 포지션을 기준으로 장애 전 데이터변화 절대값, 장애 전 데이터 평균값, 장애 후 데이터 평균값 및 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이를 각각 구하고, 구해진 장애 전 데이터 변화 절대값과 장애 전 데이터 평균값 및 장애후 데이터 평균값을 비교하여 개별 장애 발생 방향을 결정하는 것이 바람직하다.
또한 본 발명에서 상기 개별 방향 결정부는, 상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값보다 큰 경우는 '+'로 정하고, 상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값의 음수 값보다 작은 경우는 '-'로 정하며, 상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값보다 작거나 같고, 상기 장애 전 데이터 변화 절대값의 음수 값보다 크기나 같은 경우는 '0'을 정하는 것이 바람직하다.
본 발명의 발전소 내 전력장애 발생방향 결정 시스템에 따르면 발전소 내의 연결되어 있는 다수 지점의 전력장애 발생 방향을 분석하여 장애 발생 방향 결정의 정확성을 높이며, 인공 지능을 이용하여 장애 발생 방향을 결정할 수 없는 경우의 수를 대폭 줄일 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 발전소 내 전력장애 발생방향 결정 시스템의 구성을 도시하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 데이터 수집부의 설치 상태를 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 발전소 내 장애 발생 방향 결정 방법의 순서도이다.
도 4는 본 발명의 일 실시예에 따른 이벤트 포지션을 결정하는 단계의 소단계들이다.
도 5는 본 발명의 일 실시예에 따른 이벤트 포지션을 도시하는 개념도이다.
도 6은 본 발명의 일 실시예에 따른 절대값 및 평균값들을 구하는 단계의 소단계들이다.
도 7은 본 발명의 일 실시예에 따른 장애 발생 방향 결정 단계의 소단계들이다.
이하에서는 첨부된 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다.
본 실시예에 따른 발전소 내 전력장애 발생방향 결정 시스템(100)은 도 1, 2에 도시된 바와 같이, 데이터 수집부(110), 제어부(도면에 미도시), 개별 방향 결정부(120) 및 통합 방향 결정부(130)를 포함하여 구성된다.
먼저 상기 데이터 수집부(110)는 도 2에 도시된 바와 같이, 발전소 내에서 서로 연결된 4개 이상의 서로 다른 지점(S1 ~ S4)에 대하여 각각 전력 변동 데이터를 모니터링하고 저장하는 구성요소이다. 이때 상기 다수개의 데이터 수집부(111, 112, 113, 114)는 4개 이상이 설치되는 것이 바람직하며, 예를 들어 발전기(10), 승압 TR(20), 모터(30), 고압단(40) 등에 연결되어 설치될 수 있다. 여기에서 상기 다수개의 데이터 수집부(110)들이 모니터링하는 각 지점은 발전소 내 회로에서 서로 연결되어 있으면서도 서로 다른 지점들이다.
이렇게 발전소 내에서 서로 연결되어 있는 다른 지점들은 어느 한 지점에서 장애가 발생하는 경우 이에 의한 영향을 받고, 그 영향에 의한 데이터 변화가 상기 데이터 수집부들에 의하여 감지되는 것이다.
다음으로 상기 제어부는 상기 다수개의 데이터 수집부(111 ~ 114)들을 제어한다. 구체적으로 본 실시예에서 상기 제어부는 상기 다수개의 데이터 수집부(111 ~ 114) 중 어느 하나의 데이터 수집부가 접속되어 있는 지점에서 전력장애가 발생한 경우, 해당 데이터 수집부에는 트리거 파일(trigger file)을 생성하게 하고 동시에 나머지 데이터 수집부에 대해서도 자신이 접속되어 있는 지점의 상황을 크로스 트리거 파일(cross trigger file)로 생성하도록 제어한다.
따라서 장애가 발생한 지점에 접속되어 있는 데이터 수집부에서는 이벤트 포지션 전후로 일정한 개수의 주기를 포함하는 구간의 데이터 변화가 포함된 트리거 파일이 생성되고, 나머지 데이터 수집부에서는 자신이 접속되어 있는 지점의 상황을 동일한 구간의 데이터 변화가 포함된 크로스 트리거 파일로 생성하는 것이다.
다음으로 상기 개별 방향 결정부(120)는 도 1에 도시된 바와 같이, 상기 다수개의 데이터 수집부(110)와 연결되어 설치되며, 전력장애 발생시 상기 다수개의 데이터 수집부(110)로부터 상기 트리거 파일과 크로스 트리거 파일을 제공받아 각 지점별로 전력장애 발생방향을 결정하는 구성요소이다. 따라서 상기 개별 방향 결정부(120)는 상기 데이터 수집부(110)의 설치 개수와 동일한 개수의 개별 방향 결정부가 설치되어 개별적으로 전력장애 발생방향을 결정하는 것이다.
상기 개별방향 결정부(120)에서 이루어지는 장애 발생 방향 결정 방법은 아래와 같다.
본 실시예에 개별방향 결정부(120)의 장애 발생 방향 결정 방법은 도 3에 도시된 바와 같이, 발생한 장애가 유효전력 변동 기동인지 무효전력 변동 기동인지 여부를 판단하는 단계(S100)로 시작된다. 즉, 발전소 내 선로에서 장애가 발생한 경우 이 선로를 감시하는 데이터 수집부(110)에 의하여 감지되는 데이터 변화에 의하여 발생한 장애가 유효전력 변동기동인지 무효전력 변동기동인지 여부를 먼저 판단하는 것이다.
다음으로는 도 3에 도시된 바와 같이, 전단계(S100)에서 판단한 결과, 유효 전력 변동 기동인 경우와 무효 전력 변동 기동인 경우 각각에 대하여 이벤트 포지션을 정하는 단계(S200)가 진행된다. 이때 이벤트 포지션을 정하는 단계(S200)는 도 4에 도시된 바와 같이, 유효전력 변동 기동의 경우와 무효전력 변동 기동이 경우로 나뉘어 진행되며, 이 소단계(S210, S220)들은 진행되는 순서가 뒤바뀌어 진행되거나 어느 하나의 단계만이 진행될 수도 있다. 여기에서 '이벤트 포지션(Event Position)'이라 함은 상기 데이터 모니터링 장치에서 장애 시점으로 계산한 '레퍼런스 포지션(Reference Position)'이 아니라, 실제로 데이터 변화량을 기준으로 실제 장애가 발생한 주기를 말하며, 상기 이벤트 포지션은 상기 레퍼런스 포지션보다 10주기 이상으로 늦다.
먼저 유효전력 변동 기동의 경우(S210)에는 주기당 데이터 변화량이 10% 이상인 경우 그 주기의 시작점을 이벤트 포지션으로 정하거나, 3주기 동안 누적 데이터 변화량이 30% 이상인 경우 계산이 시작된 주기의 시작점을 이벤트 포지션으로 정하는 단계(S210)가 진행된다. 여기에서 상기 데이터 변화량은 유효전력 데이터 변화량인 것이 바람직하다. 전압의 데이터 변화량이나 전류의 데이터 변화량은 그 크기가 작아서 이를 판단하기 어렵기 때문이다.
특히 본 실시예에서 상기 유효 전력 데이터는 A 상의 유효 전력 데이터인 것이 더욱 바람직하다.
즉, 특정 주기에서 데이터 변화량이 일시적으로도 10% 이상 발생한 것이 모니터링된 경우에는 그 주기의 시작점을 이벤트 포지션으로 정하고, 특정 주기에서 10% 이상의 데이터 변화량이 발생하지는 않았지만, 연속된 3주기 동안의 누적 데이터 변화량이 30% 이상인 경우에도 그 계산이 시작된 주기의 시작점을 이벤트 포지션으로 정하는 것이다.
다음으로 무효전력 변동 기동의 경우(S220)에는 주기당 데이터 변화량이 0.7% 이상인 경우 해당 주기의 시작점을 이벤트 포지션으로 정한다. 전력거래소의 계통현상분석 장치 운영기준에 따르면, 무효전력 스윙은 1초 동안의 무효전력 변화량이 5% 이상인 경우라고 정의하고 있다. 따라서 60Hz 주파수를 가지는 전류에서 주기당 변화량은 ±0.83% 정도이지만, 장애 감지의 정확성을 높이기 위하여 주기당 변화량이 ±0.7% 이상이면 해당 주기의 시작점을 이벤트 포지션으로 정하는 것이다.
다음으로는 전 단계(S200)에서 결정되는 이벤트 포지션을 기준으로 장애 전 데이터변화 절대값, 장애 전 데이터 평균값, 장애 후 데이터 평균값 및 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이를 각각 구하는 단계(S300)가 진행된다. 이 단계(S300)는 도 6에 도시된 바와 같이, 장애 전 데이터변화 절대값(ΔP)을 구하는 단계(S310), 장애 전 데이터 평균값(Pa')을 구하는 단계(S320), 장애 후 데이터 평균값(Pa)을 구하는 단계(S330) 및 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이(Pa - Pa')를 구하는 단계(S340)의 소단계들로 나뉘어 진행된다.
먼저 장애 전 데이터변화 절대값을 구하는 단계(S310)는 도 5에 도시된 바와 같이, 전 단계(S200)에서 정해진 상기 이벤트 포지션이 포함된 주기 전 세번째 주기와 두번째 주기의 유효 전력 데이터 차이의 절대값을 아래의 식과 같이 구하는 것으로 이루어진다.
< 식 1 >
ΔP = | P-3 - P-2 |
여기에서 이벤트 포지션이 포함된 주기의 바로 전 주기를 제외하고 절대값을 구하는 것은, 이벤트 포지션이 포함된 주기의 전 주기가 이미 장애에 의하여 영향을 받은 주기이기 때문에, 장애에 의하여 영향을 받지 아니한 가장 최근의 주기들을 이용하여 절대값을 구하는 것이다.
다음으로 장애 전 데이터 평균값을 구하는 단계(S320)는 도 5에 도시된 바와 같이, 상기 이벤트 포지션이 포함된 주기 전 세번째 주기와 두번째 주기의 유효 전력 데이터들의 평균값을 아래의 식에 의하여 구하는 것으로 이루어진다.
< 식 2 >
Pa' = (P-3 + P-2)/2
다음으로 장애 후 데이터 평균값을 구하는 단계(S330)는 도 5에 도시된 바와 같이, 상기 이벤트 포지션이 포함된 주기와 그 다음 주기의 유효 전력 데이터들의 평균값을 아래의 식에 의하여 구하는 것으로 이루어진다.
< 식 3 >
Pa = (P0 + P1)/2
이때 장애 후 데이터 평균값은 이벤트 포지션이 포함된 주기를 포함하여 2개의 주기를 가지고 구하며, 이는 장애 발생 시점에 가장 가까운 주기들을 이용하여 평균값을 구하기 위함이다.
다음으로 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이를 구하는 단계(S340)는 전 단계들(S320, S330)에서 구해진 장애 후 데이터 평균값과 장애전 데이터 평균값의 차이를 구하는 것이다.
다음으로는 도 1에 도시된 바와 같이, 전 단계(S300)에서 구해진 장애 전 데이터 변화 절대값과 장애 전 데이터 평균값 및 장애후 데이터 평균값을 비교하여 장애 발생 방향을 결정하는 단계(S400)가 진행된다.
이 단계(S400)는 도 6에 도시된 바와 같이, 3 개의 방향을 정하는 소단계( S410, S420, S430)들로 나뉘어 진행된다. 먼저 장애 발생 방향을 '+'로 정하는 단계(S410)는 아래의 식에 의하여 구해지는 상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값보다 큰 경우는 '+'로 정하는 것이다.
< 식 4 >
Pa - Pa' > ΔP
다음으로 장애 발생 방향을 '-'로 정하는 단계(S420)는 아래의 식에 의하여 구해지는 상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값의 음수 값보다 작은 경우는 '-'로 정하는 것이다.
< 식 5 >
Pa - Pa' < -ΔP
다음으로 장애 발생 방향을 '0'으로 정하는 단계(S430)는 아래의 식에 의하여 구해지는 상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값보다 작거나 같고, 상기 장애 전 데이터 변화 절대값의 음수 값보다 크기나 같은 경우는 '0'을 정하는 것이다.
< 식 6 >
-ΔP ≤ Pa - Pa' ≤ +ΔP
다음으로 상기 통합 방향 결정부는 도 1에 도시된 바와 같이, 상기 개별 방향 결정부(120)의 개별 방향 결정 정보들을 통합하여 발전소 내 통합적인 전력장애 발생방향을 결정하는 구성요소이다. 즉, 상기 통합 방향 결정부는 어느 하나의 개별 방향 결정부(120)에 의하여 결정되는 장애 발생 방향이 아니라, 다수개의 개별 방향 결정부(120)에 의하여 결정되는 다수개의 장애 발생 방향을 종합하여 발전소 내 전력장애 발생방향을 통합적으로 제시하는 것이다.
이를 위하여 본 실시예에서 상기 통합 방향 결정부(130)는, 구체적으로 도 1에 도시된 바와 같이, 다수결 결정부(131)와 인공지능 방향 제공부(132)가 구비되는 것이 바람직하다. 먼저 상기 다수결 결정부(131)는 도 1에 도시된 바와 같이, 상기 다수개의 개별 방향 결정부(120)에 의하여 결정된 장애 발생 방향 중 다수인 장애 발생 방향으로 통합 발생 방향을 결정하는 구성요소이다.
다음으로 상기 인공지능 방향 제공부(132)는 상기 다수개의 개별 방향 결정부(120)에 의하여 결정된 장애 발생 방향이 동수로 나뉘어 상기 다수결 결정부(131)에 의한 다수결 결정이 불가한 경우, 해당 전력 장애 발생 패턴과 동일 또는 유사한 전력 장애 발생 패턴을 학습하여 통합 발생 방향을 제공하는 구성요소이다.
즉, 상기 인공지능 방향 제공부는 상기 다수결 결정부(131)에 의하여 장애 발생 방향 결정이 불가능한 경우, 과거 데이터 세트들에 대한 학습을 바탕으로 해당 전력 장애 발생 패턴의 장애 발생 방향을 제시하는 것이다.
이를 위해 상기 인공지능 방향 제공부(132)는, 도 1에 도시된 바와 같이, 구체적으로 훈련 데이터 제공부(132a)와 머신러닝 판단부(132b)를 포함하여 구성되는 것이 바람직하다. 먼저 상기 훈련 데이터 제공부(132a)는 다양한 전력장애 발생상황에 대한 데이터 세트를 훈련 데이터 세트로 제공하는 구성요소이다. 따라서 상기 훈련 데이터 제공부(132a)에는 상기 데이터 수집부(110)들에 의하여 과거에 지속적으로 수집된 다양한 데이터 세트들이 저장되어 있는 것이다.
다음으로 상기 머신러닝 판단부(132b)는 도 1에 도시된 바와 같이, 상기 훈련 데이터 제공부(132a)에 의하여 제공되는 훈련 데이터 세트를 학습하여 전력장애 발생방향을 학습하고, 이를 바탕으로 상기 데이터 수집부(110)에서 제공되는 트리거 파일과 크로스 트리거 파일을 분석하여 통합 장애 발생 방향을 판단하는 구성요소이다.
본 실시예에서 상기 머신러닝 판단부는, 서포트 벡터 머신(Support Vector Machine)으로 이루어지는 것이, 오류를 줄이고 정확한 장애 발생 방향을 판단할 수 있어서 바람직하다.
한편 본 실시예에 따른 발전소 내 전력장애 발생방향 결정 시스템(100)에는 상기 통합 방향 결정부에 의하여 정해지는 통합 발생 방향을 디스플레이하는 디스플레이부가 더 구비되는 것이, 본 시스템에 의하여 결정된 장애 발생 방향을 실시간으로 고지할 수 있어서 바람직하다.
100 : 본 발명의 일 실시예에 따른 발전소 내 전력장애 발생방향 결정 시스템
110 : 데이터 수집부 120 : 개별 방향 결정부
130 : 통합 방향 결정부

Claims (8)

  1. 발전소 내에서 서로 연결된 4개 이상의 서로 다른 지점에 대하여 각각 전력 변동 데이터를 모니터링하고 저장하는 다수개의 데이터 수집부;
    상기 다수개의 데이터 수집부 중 어느 하나의 데이터 수집부가 접속되어 있는 지점에서 전력장애가 발생한 경우, 해당 데이터 수집부에는 트리거 파일(trigger file)을 생성하게 하고 동시에 나머지 데이터 수집부에 대해서도 자신이 접속되어 있는 지점의 상황을 크로스 트리거 파일(cross trigger file)로 생성하게 제어하는 제어부;
    상기 다수개의 데이터 수집부와 연결되어 설치되며, 전력장애 발생시 상기 다수개의 데이터 수집부로부터 상기 트리거 파일과 크로스 트리거 파일을 제공받아 각 지점별로 전력장애 발생방향을 결정하는 다수개의 개별 방향 결정부;
    상기 개별 방향 결정부의 개별 방향 결정 정보들을 통합하여 발전소 내 통합적인 전력장애 발생방향을 결정하는 통합 방향 결정부;를 포함하고,
    상기 개별 방향 결정부는,
    발생한 장애가 유효전력 변동 기동인지 무효전력 변동 기동인지 여부를 판단하고 유효전력 변동 기동과 무효전력 변동 기동 별로 실제로 데이터 변화량을 기준으로 실제 장애가 발생한 주기인 이벤트 포지션을 정하되,
    유효전력 변동 기동의 경우에는 주기당 데이터 변화량이 10% 이상인 경우 그 주기의 시작점을 이벤트 포지션으로 정하거나, 3주기 동안 누적 데이터 변화량이 30% 이상인 경우 계산이 시작된 주기의 시작점을 이벤트 포지션으로 정하고,
    무효전력 변동 기동의 경우에는 주기당 데이터 변화량이 0.7% 이상인 경우 해당 주기의 시작점을 이벤트 포지션으로 정하며,
    상기 이벤트 포지션을 기준으로 장애 전 데이터변화 절대값, 장애 전 데이터 평균값, 장애 후 데이터 평균값 및 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이를 각각 구하고,
    상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값보다 큰 경우는 '+'로 정하고,
    상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값의 음수 값보다 작은 경우는 '-'로 정하며,
    상기 장애 후 데이터 평균값과 장애 전 데이터 평균값의 차이가 상기 장애 전 데이터 변화 절대값보다 작거나 같고, 상기 장애 전 데이터 변화 절대값의 음수 값보다 크기나 같은 경우는 '0'을 정하여 개별 장애 발생 방향을 결정하는 것을 특징으로 하는 발전소 내 전력장애 발생방향 결정 시스템.
  2. 제1항에 있어서, 상기 통합 방향 결정부는,
    상기 다수개의 개별 방향 결정부에 의하여 결정된 장애 발생 방향 중 다수인 장애 발생 방향으로 통합 발생 방향을 결정하는 것을 특징으로 하는 발전소 내 전력장애 발생방향 결정 시스템.
  3. 제2항에 있어서, 상기 통합 방향 결정부에는,
    상기 다수개의 개별 방향 결정부에 의하여 결정된 장애 발생 방향이 동수로 나뉘어 다수결 결정이 불가한 경우, 해당 전력 장애 발생 패턴과 동일 또는 유사한 전력 장애 발생 패턴을 학습하여 통합 발생 방향을 제공하는 인공지능 방향 제공부가 더 구비되는 것을 특징으로 하는 발전소 내 전력장애 발생방향 결정 시스템.
  4. 제3항에 있어서, 상기 인공지능 방향 제공부는,
    다양한 전력장애 발생상황에 대한 데이터 세트를 훈련 데이터 세트로 제공하는 훈련 데이터 제공부;
    상기 훈련 데이터 제공부에 의하여 제공되는 훈련 데이터 세트를 학습하여 전력장애 발생방향을 학습하고, 이를 바탕으로 상기 데이터 수집부에서 제공되는 트리거 파일과 크로스 트리거 파일을 분석하여 통합 장애 발생 방향을 판단하는 머신러닝(machine learning) 판단부;를 더 구비하는 것을 특징으로 하는 발전소 내 전력장애 발생방향 결정 시스템.
  5. 제4항에 있어서, 상기 머신러닝 판단부는,
    서포트 벡터 머신(Support Vector Machine)으로 이루어지는 것을 특징으로 하는 발전소 내 전력장애 발생방향 결정 시스템.
  6. 제4항에 있어서,
    상기 통합 방향 결정부에 의하여 정해지는 통합 발생 방향을 디스플레이하는 디스플레이부가 더 구비되는 것을 특징으로 하는 발전소 내 전력장애 발생방향 결정 시스템.
  7. 삭제
  8. 삭제
KR1020200027320A 2020-03-04 2020-03-04 발전소 내 전력장애 발생방향 결정시스템 KR102202527B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200027320A KR102202527B1 (ko) 2020-03-04 2020-03-04 발전소 내 전력장애 발생방향 결정시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200027320A KR102202527B1 (ko) 2020-03-04 2020-03-04 발전소 내 전력장애 발생방향 결정시스템

Publications (1)

Publication Number Publication Date
KR102202527B1 true KR102202527B1 (ko) 2021-01-13

Family

ID=74142531

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200027320A KR102202527B1 (ko) 2020-03-04 2020-03-04 발전소 내 전력장애 발생방향 결정시스템

Country Status (1)

Country Link
KR (1) KR102202527B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160132698A (ko) * 2015-05-11 2016-11-21 삼성에스디에스 주식회사 지능형 시스템 진단 장치 및 방법
JP2018152052A (ja) * 2017-01-30 2018-09-27 ゼネラル・エレクトリック・カンパニイ 信頼性監視のためのシステムおよび方法
KR20200001903A (ko) * 2018-06-28 2020-01-07 한국과학기술연구원 발전소 고장 예측 및 진단시스템과 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160132698A (ko) * 2015-05-11 2016-11-21 삼성에스디에스 주식회사 지능형 시스템 진단 장치 및 방법
JP2018152052A (ja) * 2017-01-30 2018-09-27 ゼネラル・エレクトリック・カンパニイ 信頼性監視のためのシステムおよび方法
KR20200001903A (ko) * 2018-06-28 2020-01-07 한국과학기술연구원 발전소 고장 예측 및 진단시스템과 그 방법

Similar Documents

Publication Publication Date Title
JP6076571B1 (ja) 情報処理装置、情報処理システム、情報処理方法及びプログラム
JP4832609B1 (ja) 異常予兆診断装置および異常予兆診断方法
US5214577A (en) Automatic test generation for model-based real-time fault diagnostic systems
US9535419B2 (en) Device and method for the residual analysis of a residuum to detect system errors in the system behaviour of a system of an aircraft
JP7068246B2 (ja) 異常判定装置、および、異常判定方法
EP2166422B1 (en) Method of alarm mask generation and condition monitoring of wind turbines
US20080255773A1 (en) Machine condition monitoring using pattern rules
KR102202527B1 (ko) 발전소 내 전력장애 발생방향 결정시스템
JP2019096247A (ja) 故障モード特定システム、故障モード特定方法、及びプログラム
KR102173655B1 (ko) 발전소 내 장애 발생 방향 결정 방법
JPS61228501A (ja) プラントの異常時処置決定方法
JPH10301619A (ja) 燃料電池発電プラント診断装置
JP2009075029A (ja) 表示装置および表示方法
EP3303835B1 (en) Method for windmill farm monitoring
CN107484196B (zh) 传感器网络的数据质量保证方法和计算机可读介质
JPH1115517A (ja) プラント状態監視システム
CN101556168A (zh) 设备运行数据监控装置
CN115599037B (zh) 一种基因检测实验室设备自动化监控方法
JP2000099333A (ja) プラント用インタフェースエージェント及びプラントの運転状態監視方法
WO2023140079A1 (ja) 情報処理装置、情報処理方法、およびプログラム
CN118170124A (zh) 仪表控制系统的故障分析方法、装置、设备及存储介质
JP2005301940A (ja) プラント制御装置及び方法
JP3070814B2 (ja) 多重化制御装置及びその制御出力決定方法
JP2023130978A (ja) 回転機器予兆保全システム
CN115345190A (zh) 信号异常的检测方法、装置及服务器

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant