KR102272657B1

KR102272657B1 - 부분방전 진단 장치 및 방법

Info

Publication number: KR102272657B1
Application number: KR1020190129974A
Authority: KR
Inventors: 이지훈; 양희성; 전미정
Original assignee: 한전케이디엔주식회사
Priority date: 2019-10-18
Filing date: 2019-10-18
Publication date: 2021-07-05
Also published as: KR20210046356A

Abstract

본 발명의 일 실시예에 따르면, 전력기기에서 발생되는 전자기파 신호를 검출하는 센서부; 상기 센서부에서 취득한 전자기파 신호를 이용하여 PRPS데이터 및 PRPD 데이터를 생성하는 전처리부; 생성된 PRPS데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정하는 제1처리부; 생성된 PRPD 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델을 포함하는 제2딥러닝 모델에 적용하여 부분방전 유형을 분류하는 제2처리부; 및 상기 부분방전 발생 유무 판정 결과 및 상기 부분방전 유형 분류 결과에 따라 상기 부분방전 위험도를 예측하는 제3처리부를 포함하는 부분방전 진단 장치를 제공한다.

Description

부분방전 진단 장치 및 방법{Diagnosis apparatus of partial discharge}

본 발명은 부분방전 진단 장치 및 방법에 관한 것으로, 보다 상세하게는 전변압기나 지중 케이블 접속함 등의 전력기기에 적용될 수 있는 부분방전 진단 장치 및 방법에 관한 것이다.

일반적으로 전력수요의 증가와 더불어 전류 트랜스포머(CT: Current Transformer)를 이용한 변압기나 지중 케이블은 대용량화, 초고압화되고 있으며, 변전소는 무인화되고 있는 추세이다.

이와 같이 대용량화된 변압기나 지중 케이블에서 사고가 발생하면 그 파급효과가 광범위하고, 경제적 손실과 심리적 불안이 막대하게 되어, 변압기나 지중 케이블의 사고를 예방하기 위한 절연 진단의 필요성이 증가하고 있다.

최근 변압기, 지중 케이블의 신뢰성을 확보하여 안정적으로 전력을 공급하기 위해, 사고의 발단이 되는 내부 결함의 징후를 변압기나 지중 케이블의 운전 상태에서 상시로 측정하기 위한 상시 감시장치가 개발되고 있다.

이러한 상시 감시장치에서의 데이터를 지속적으로 저장하여 그 증가경향으로 내부 결함의 진전여부를 판단하고, 검출 데이터간의 상관관계로 결함의 유형을 판단하여, 결함에 의한 징후가 진전하여 위험할 경우에는 운전을 정지하고 대책을 강구하기 위한 예방진단시스템이 개발되고 있다.

변압기나 지중 케이블의 상시 감시에 적용되는 온라인 결함 검출 기술로는 변압기 절연유, 지중 OF 케이블의 접속함 내 가스분석 기술, 부분방전 측정기술, 온도 측정기술 등이 있다. 여기서, 변압기나 지중 케이블의 중대사고 요인인 내부절연 결함은 반드시 부분방전(Partial Discharge)을 수반하므로 부분방전과 변압기나 지중 케이블의 수명은 깊은 상관관계가 있다고 인정되어 왔다.

부분방전은 전력설비 내 절연이 파괴되어 발생하는 현상으로 화재 등 고장이 발생하기 전에 생기는 증조 현상이다. 기존의 부분방전 진단 방식의 경우 부분방전의 패턴 데이터와 펄스(Pulse) 신호의 형태 의 형태를 보고 부분방전의 발생 유무와 유형을 구분하였다. 이와같은 진단 방식은 실제 현장의 부분방전 패턴의 형태가 이론적인 모양과는 다른 형태로 발생되는 경우가 많고, 육안으로 노이즈 신호와 부분방전 신호를 구분 할 수 없어 진단 일치율이 매우 떨어진다는 문제가 잇다.

또한, 부분방전 진단 시 전문가가 육안으로 확인하여 판정하기 때문에, 대용량의 부분방전 데이터를 판정하는데는 한계가 있다.
(특허문헌 1) KR10-1822829 B1

본 발명이 이루고자 하는 기술적 과제는 딥러닝 모델을 이용하여 부분방전 진단 및 유형 구분을 수행할 수 있는 부분방전 진단 장치 및 방법을 제공하는데 있다.

상기 제1처리부는 합성곱 신경망의 1차원 변환 필터를 통해 상기 PRPS데이터로부터 제1특징맵을 추출하고, 상기 제1특징맵을 순환신경망 모델에 학습시켜 상기 제1딥러닝 모델을 생성할 수 있다.

상기 제2처리부는 합성곱 신경망의 n차원 변환 필터(n은 2이상의 자연수)를 통해 상기 PRPD데이터로부터 제2특징맵을 추출하여 상기 제2딥러닝 모델을 생성할 수 있다.

상기 제3처리부는 상기 부분방전 발생 유무 판정 결과가 기 설정된 제1기준값 이상의 정확도를 가지면서 상기 부분방전 유형 분류 결과가 기 설정된 제2기준값 이상의 정확도를 가지는 경우를 위험도 횟수로 누적 카운팅할 수 있다.

상기 제3처리부는 상기 위험도 횟수가 높을수록 상기 부분방전 위험도를 높게 판단할 수 있다.

본 발명의 실시예에 따르면, 전력기기에서 발생되는 전자기파 신호를 검출하는 단계; 상기 전자기파 신호를 이용하여 PRPS데이터 및 PRPD 데이터를 생성하는 단계; 생성된 PRPS데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정하는 단계; 생성된 PRPD 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델을 포함하는 제2딥러닝 모델에 적용하여 부분방전 유형을 분류하는 단계; 및 상기 부분방전 발생 유무 판정 결과 및 상기 부분방전 유형 분류 결과에 따라 상기 부분방전 위험도를 예측하는 단계를 포함하는 부분방전 진단 방법을 제공한다.

상기 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정하는 단계는, 상기 PRPS데이터를 합성곱 신경망의 1차원 변환 필터를 통해 제1특징맵을 추출하는 단계 및 상기 제1특징맵을 순환신경망 모델에 학습시켜 상기 제1딥러닝 모델을 생성하는 단계를 포함할 수 있다.

제2딥러닝 모델에 적용하여 부분방전 유형을 분류하는 단계는, 상기 PRPS데이터를 합성곱 신경망의 n차원 변환 필터(n은 2이상의 자연수)를 통해 제2특징맵을 추출하여 상기 제2딥러닝 모델을 생성하는 단계를 포함할 수 있다

상기 위험도를 예측하는 단계는, 상기 부분방전 발생 유무 판정 결과가 기 설정된 제1기준값 이상의 정확도를 가지면서 상기 부분방전 유형 분류 결과가 기 설정된 제2기준값 이상의 정확도를 가지는 경우를 위험도 횟수로 누적 카운팅하는 단계 및 상기 위험도 횟수가 높을수록 상기 부분방전 위험도를 높게 판단하는 단계를 포함할 수 있다.

본 발명인 부분방전 진단 장치 및 방법은 딥러닝 모델을 이용하여 부분방전 진단 및 유형 구분을 수행할 수 있다.

또한, 온라인 부분방전 감시시스템에서 실시간으로 올라오는 대용량의 데이터를 신속하게 판정할 수 있어 유지보수 시간을 단축할 수 있다.

또한, 설비의 위험도 예측을 통해 설비 교체 우선순위를 정할수 있어 설비 자산관리의 유지보수 계획 수립시(일정, 예산 등) 객관적인 근거자료로 활용할 수 있다.

도1은 본 발명의 실시예에 따른 부분방전 진단 장치의 개념도이다.
도2는 본 발명의 실시예에 따른 부분방전 진단 장치의 구성 블록도이다.
도3은 본 발명의 실시예에 따른 PRPS데이터를 설명하기 위한 도면이다.
도4는 본 발명의 실시예에 따른 PRPD데이터를 설명하기 위한 도면이다.
도5는 본 발명의 실시예예 따른 부분방전 진단 방법의 순서도이다.
도6 및 도7은 본 발명의 실시예에 따른 부분방전 진단 장치의 동작을 설명하기 위한 도면이다.

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 부분방전 진단 장치의 개념도이고, 도2는 본 발명의 실시예에 따른 부분방전 진단 장치의 구성 블록도이다.

도1 및 도2를 참조하면, 실시예에 따른 부분방전 진단 장치(10)는 센서부(11), 샘플링부(12), 전처리부(13), 제1처리부(14), 제2처리부(15) 및 제3처리부(16)를 포함하여 구성될 수 있다.

먼저, 센서부(11)는 전력기기에서 발생되는 전자기파 신호를 검출할 수 있다. 센서부(11)는 예를 들면, 변압기나 지중 케이블 접속함에 설치되어 전자기파 신호를 검출할 수 있다. 센서부(11)는 예를 들면 초고주파 센서(HFCT, High Frequency Current Transformer)일 수 있으며 변압기의 접지부분이나 지중 케이블의 시스케이블 또는 접지선에 설치되어 변압기나 지중 케이블에서 발생하는 전자기파 신호를 검출할 수 있다. 센서부(11)는 검출한 전자기파 신호를 샘플링부(12)에 전달한다.

샘플링부(12)는 센서부(11)로부터 검출된 전자기파 신호를 기 설정된 샘플링 속도로 샘플링할 수 있다. 샘플링부(12)는 예를 들면50 내지 100Msampling/초 이상의 샘플링율로 전자기파 신호를 샘플링하여 출력할 수 있다. 샘플링부(12)의 샘플링율은 센서부(11)에서 검출되는 전자기파 신호의 최대 주파수의 2배 이상의 속도로 설정될 수 있다.

전처리부(13)는 센서부(11)에서 취득한 전자기파 신호를 이용하여 PRPS(Phase Resolved Pulse Sequence) 데이터 및 PRPD(Phase Resolved Partial Discharge) 데이터를 생성할 수 있다.

실시예에서, 전처리부(13)는 샘플링 된 전자기파 신호 중 60Hz 기준 1주기 디지털 데이터(=16.66msec)를 위상별(0~360도)로 256개의 샘플을 추출할 수 있다. 전처리부(13)는 추출한 샘플을 총 1분동안 3,600주기의 데이터를 누적하여 PRPS와 PRPD 데이터를 생성할 수 있다.

도3은 본 발명의 실시예에 따른 PRPS데이터를 설명하기 위한 도면이다. 도3을 참조하면 실시예에서, PRPS 데이터는 3차원 데이터로서 x축에는 위상(0~360도)이 표현되고, y축에는 주기(1~3,600주기)가 표현되며, Z축에는 전자기파 신호의 크기(0~255)가 표현될 수 있다.

도4는 본 발명의 실시예에 따른 PRPD데이터를 설명하기 위한 도면이다. 도4를 참조하면 실시예에서, PRPD데이터는 PRPS신호를 크기와 위상 정보로 표현한 2차원 데이터일 수 있다. 전처리부는 PRPD 데이터를 bmp, jpg 등의 이미지 데이터(256×256 픽셀)로 변환할 수 있다.

제1처리부(14)는 생성된 PRPS데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정할 수 있다.

제1처리부(14)는 합성곱 신경망의 1차원 변환 필터를 통해 PRPS데이터로부터 제1특징맵을 추출할 수 있다. 예를 들면, 제1처리부(14)는 총 3,600주기의 PRPS데이터를 60주기의 데이터(60×256)씩 분류하여, 합성곱 신경망의 1차원 변환 필터(=1D Convolution)를 통해 총 m개의 제1특징맵(1Хm)을 추출할 수 있다(m은 자연수이다). 도6을 참조하면, 1Хn의 시계열 데이터의 경우 1Х3의 필터를 사용하면 1Х(n-1)의 차원이 축소가 되며, 여러개의 필터를 사용할 경우 도6 과 같이 시계열 데이터(트랜드)의 특징을 추출해 낼 수 있다.

실시예에서, 데이터를 60주기로 분리하여 학습시키는 이유는 실험을 통하여 1초 동안의 데이터를 학습시키는 경우 노이즈와 부분방전 신호를 구분함에 있어 가장 효율이 좋게 나타나기 때문이다.

제1처리부(14)는 제1특징맵을 순환신경망 모델에 학습시켜 제1딥러닝 모델을 생성할 수 있다. 순환신경망 모델은 시계열 데이터의 딥러닝 모델을 만드는데 주로 사용되는 것으로, 제1처리부(14)는 트랜드 데이터를 통해 노이즈 신호와 부분방전 신호의 형태를 구분하여 학습시켜 부분방전 발생유무를 판정할 수 있다.

제1딥러닝 모델은 PRPS데이터에서 제1특징맵을 검출하고 부분방전 발생유무를 판정하도록 학습될 수 있다. 제1처리부(14)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 프로세서는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다.

표1을 참조하면, 실시예에서 제1딥러닝 모델의 학습데이터는 노이즈 패턴(정상)이 기록되어 있는 전자기파 트렌드 신호의 제1특징맵과 부분방전 패턴(이상)이 기록되어 있는 전자기파 트렌드 신호의 제1특징맵일 수 있다. 제1딥러닝 모델의 출력은 부분방전 발생유무의 판정 결과이다. 표1에서 노이즈 패턴의 경우 90%의 일치율을 나타냈으며, 부분방전 패턴의 경우 60%의 일치율을 나타냈다.

[표1]

제2처리부(15)는 생성된 PRPD 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델을 포함하는 제2딥러닝 모델에 적용하여 부분방전 유형을 분류할 수 있다.

제2처리부(15)는 합성곱 신경망의 n차원 변환 필터(n은 2이상의 자연수)를 통해 PRPD데이터로부터 제2특징맵을 추출하여 제2딥러닝 모델을 생성할 수 있다.

예를 들어 제2처리부(15)는 하나의 90×90(pixel) 이미지 데이터를 학습시킬 때, 복수개의 3×3 컨볼루션 필터를 적용하여 다양한 종류의 30×30의 제2특징맵(Feature Map) 이미지를 생성할 수 있다. 제2처리부(15)는 생성된 제2특징맵을 이용하여 학습을 수행할 수 있다.도7을 참조하면, nХn의 이미지 데이터의 경우 3Х3의 필터를 사용하여 3Х3 행렬을 만들고(=convolution) 행렬중 가장 큰 값을 대푯값으로 뽑아내면(=max pool) 차원이 축소가 되며, 여러개의 필터를 사용하여 적용할 경우 Convolution3 도7과 같이 이미지 데이터의 특징을 추출해 이미지 맵을 생성할 수 있다.

제2처리부(15)는 제2특징맵을 합성곱 신경망 모델에 학습시켜 제2딥러닝 모델을 생성할 수 있다. 합성곱 신경망 모델은 이미지 데이터의 딥러닝 모델을 만드는데 주로 사용되며, 부분방전 유형별(노이즈, 코로나, 파티클, 전기트리 등) PRPD이미지를 학습데이터로 학습시키고, 이미지 분석을 통해 패턴의 형태, 색상 등이 다른 부분을 검출하여 부분방전 유형을 구분할 수 있는 제2딥러닝 모델을 생성할 수 있다.

제2딥러닝 모델은 PRPD데이터에서 제2특징맵을 검출하고 부분방전 유형을구분하도록 학습될 수 있다. 제2처리부(15)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 프로세서는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다.

표2를 참조하면, 실시예에서 제2딥러닝 모델의 학습데이터는 노이즈 패턴(정상), 보이드 패턴(이상), 코로나 패턴(이상), 표면방전 패턴(이상), 표면방전 패턴(이상), 전기트리 패턴(이상), 파티클 패턴(이상)이 기록되어 있는 전자기파 신호의 PRPD이미지 데이터일 수 있다. 제2딥러닝 모델의 출력은 부분방전 유형의 구분 결과이다. 표2에서 노이즈 패턴의 경우 90%의 일치율을 나타냈으며, 보이드 패턴의 경우 60%의 일치율을 나타냈으며, 코로나 패턴, 전기트리 패턴, 파티클 패턴의 경우 100%의 일치율을 나타냈으며, 표면방전 패턴의 경우 70%의 일치율을 나타냈다.

[표2]

제3처리부(16)는 부분방전 발생 유무 판정 결과 및 부분방전 유형 분류 결과에 따라 부분방전 위험도를 예측할 수 있다.

제3처리부(16)는 부분방전 발생 유무 판정 결과가 기 설정된 제1기준값 이상의 정확도를 가지면서 부분방전 유형 분류 결과가 기 설정된 제2기준값 이상의 정확도를 가지는 경우를 위험도 횟수로 누적 카운팅할 수 있다. 예를 들면, 제3처리부(16)는 제1처리부(14)에서 출력된 부분방전 발생 유무 판정 결과의 일치율이 50%이상이면서, 동시에 제2처리부(15)에서 판정한 부분방전 유형 분류 결과의 일치율이 50%이상인 경우에만 해당되는 전자기파 신호에 대한 위험도 횟수를 누적 카운팅할 수 있다. 따라서, 제1처리부(14)에서 출력된 부분방전 발생 유무 판정 결과의 일치율이 50%미만이거나 또는 제2처리부(15)에서 판정한 부분방전 유형 분류 결과의 일치율이 50%이상인 경우에는 위험도 횟수가 카운팅되지 않는다.

제3처리부(16)는 위험도 횟수가 높을수록 부분방전 위험도를 높게 판단할 수 있다. 제3처리부(16)는 누적된 위험도 횟수에 따라 해당 전자기기의 위험도를 판단하고 위험도 순위를 부여할 수 있다. 표3을 참조하면, 지중케이블 선로 #2의 경우 위험도 횟수가 20으로 위험도 3순위로 책정되었으며, 지중케이블 선로 #3의 경우 위험도 횟수가 30으로 위험도 2순위로 책정되었으며, 지중케이블 선로 #2의 경우 위험도 횟수가 50으로 위험도 1순위로 책정되었다. 위험도는 1순위가 가장 높은 것으로 기기 또는 장비의 교체가 시급함을 의미할 수 있다. 위험 유형은 제2처리부의 출력에 따른 부분방전 유형을 의미할 수 있다.

[표3]

즉, PRPS 시계열 데이터의 경우 PRPD의 원신호를 1분간 누적한 데이터이기 때문에 학습시키기 위한 데이터량이 너무 많아 1초 단위의 데이터로 분리하여 RNN 모델을 통해 학습시키고 실제 RPPS 신호가 들어올 경우 RNN 모델에서 PD 파형의 형태(= PD신호의 경우 한번 상승을 했다가 진동을 하며 서서히 감쇄되는 모양을 가짐)를 판정하여 PRPD의 발생 유무를 판정할 수 있다. 또한, PRPD 이미지 데이터의 경우 CNN 모델에 학습시켜 이미지 맵을 생성한 후 이미지의 패턴의 형태를 통해 PD 유형(보이드, surface, 코로나 등)을 판정할 수 있다. 최종적으로 부분방전의 발생여부와 결함 형태를 통해 지중선로별 위험상태를 분류하게 되고 설비교체시 우선순위를 정하게 된다.

도5는 본 발명의 실시예에 따른 부분방전 진단 방법의 순서도이다.

도5를 참조하면, 실시예에 따른 부분방전 진단 방법은 먼저 전력기기에서 발생되는 전자기파 신호를 검출한다(S501).

다음으로, 전자기파 신호를 이용하여 PRPS데이터 및 PRPD 데이터를 생성하한다(S502).

다음으로, 생성된 PRPS데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정한다(S503~504).

또한, 생성된 PRPD 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델을 포함하는 제2딥러닝 모델에 적용하여 부분방전 유형을 분류한다 (S505~506).

다음으로, 부분방전 발생 유무 판정 결과 및 부분방전 유형 분류 결과에 따라 상기 부분방전 위험도를 예측한다. 위험도를 예측하는 단계는, 부분방전 발생 유무 판정 결과가 기 설정된 제1기준값 이상의 정확도를 가지면서 부분방전 유형 분류 결과가 기 설정된 제2기준값 이상의 정확도를 가지는 경우를 위험도 횟수로 누적 카운팅하는 단계 및 위험도 횟수가 높을수록 부분방전 위험도를 높게 판단하는 단계를 포함할 수 있다(S507).

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.

10: 부분방전 진단 장치
11: 센서부
12: 샘플링부
13: 전처리부
14: 제1처리부
15: 제2처리부
16: 제3처리부

Claims

전력기기에서 발생되는 전자기파 신호를 검출하는 센서부;
상기 센서부에서 취득한 전자기파 신호를 이용하여 PRPS데이터 및 PRPD 데이터를 생성하는 전처리부;
생성된 PRPS데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정하는 제1처리부;
생성된 PRPD 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델을 포함하는 제2딥러닝 모델에 적용하여 부분방전 유형을 분류하는 제2처리부; 및
상기 부분방전 발생 유무 판정 결과 및 상기 부분방전 유형 분류 결과에 따라 부분방전 위험도를 예측하는 제3처리부를 포함하는 부분방전 진단 장치.
제1항에 있어서,
상기 제1처리부는 합성곱 신경망의 1차원 변환 필터를 통해 상기 PRPS데이터로부터 제1특징맵을 추출하고, 상기 제1특징맵을 순환신경망 모델에 학습시켜 상기 제1딥러닝 모델을 생성하는 부분방전 진단 장치.
제1항에 있어서,
상기 제2처리부는 합성곱 신경망의 n차원 변환 필터(n은 2이상의 자연수)를 통해 상기 PRPD데이터로부터 제2특징맵을 추출하여 상기 제2딥러닝 모델을 생성하는 부분방전 진단 장치.
제1항에 있어서,
상기 제3처리부는 상기 부분방전 발생 유무 판정 결과가 기 설정된 제1기준값 이상의 정확도를 가지면서 상기 부분방전 유형 분류 결과가 기 설정된 제2기준값 이상의 정확도를 가지는 경우를 위험도 횟수로 누적 카운팅하는 부분방전 진단 장치.
제4항에 있어서,
상기 제3처리부는 상기 위험도 횟수가 높을수록 상기 부분방전 위험도를 높게 판단하는 부분방전 진단 장치.
센서부가 전력기기에서 발생되는 전자기파 신호를 검출하는 단계;
전처리부가 상기 전자기파 신호를 이용하여 PRPS데이터 및 PRPD 데이터를 생성하는 단계;
제1처리부가 생성된 PRPS데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정하는 단계;
제2처리부가 생성된 PRPD 데이터를 합성곱신경망(CNN, Convolutional Neural Network)모델을 포함하는 제2딥러닝 모델에 적용하여 부분방전 유형을 분류하는 단계; 및
제3처리부가 상기 부분방전 발생 유무 판정 결과 및 상기 부분방전 유형 분류 결과에 따라 부분방전 위험도를 예측하는 단계를 포함하는 부분방전 진단 방법.
제6항에 있어서,
상기 제1딥러닝 모델에 적용하여 부분방전 발생 유무를 판정하는 단계는,
상기 PRPS데이터를 합성곱 신경망의 1차원 변환 필터를 통해 제1특징맵을 추출하는 단계 및
상기 제1특징맵을 순환신경망 모델에 학습시켜 상기 제1딥러닝 모델을 생성하는 단계를 포함하는 부분방전 진단 방법.
제6항에 있어서,
제2딥러닝 모델에 적용하여 부분방전 유형을 분류하는 단계는,
상기 PRPS데이터를 합성곱 신경망의 n차원 변환 필터(n은 2이상의 자연수)를 통해 제2특징맵을 추출하여 상기 제2딥러닝 모델을 생성하는 단계를 포함하는 부분방전 진단 방법.
제6항에 있어서,
상기 위험도를 예측하는 단계는,
상기 부분방전 발생 유무 판정 결과가 기 설정된 제1기준값 이상의 정확도를 가지면서 상기 부분방전 유형 분류 결과가 기 설정된 제2기준값 이상의 정확도를 가지는 경우를 위험도 횟수로 누적 카운팅하는 단계 및
상기 위험도 횟수가 높을수록 상기 부분방전 위험도를 높게 판단하는 단계를 포함하는 부분방전 진단 방법.