KR102284958B1 - 부분방전 위치 추정 장치 및 방법 - Google Patents

부분방전 위치 추정 장치 및 방법 Download PDF

Info

Publication number
KR102284958B1
KR102284958B1 KR1020190146624A KR20190146624A KR102284958B1 KR 102284958 B1 KR102284958 B1 KR 102284958B1 KR 1020190146624 A KR1020190146624 A KR 1020190146624A KR 20190146624 A KR20190146624 A KR 20190146624A KR 102284958 B1 KR102284958 B1 KR 102284958B1
Authority
KR
South Korea
Prior art keywords
pulse waveform
waveform signal
partial discharge
data
processing unit
Prior art date
Application number
KR1020190146624A
Other languages
English (en)
Other versions
KR20210059322A (ko
Inventor
이지훈
양희성
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 KR1020190146624A priority Critical patent/KR102284958B1/ko
Publication of KR20210059322A publication Critical patent/KR20210059322A/ko
Application granted granted Critical
Publication of KR102284958B1 publication Critical patent/KR102284958B1/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
    • G01R31/1227—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 of components, parts or materials
    • G01R31/1263—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 of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—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 of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0878—Sensors; antennas; probes; detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

실시예에 따르면, 케이블 접속함 양단에 각각 배치되어 발생되는 전자기파 신호를 검출하는 센서부; 상기 센서부에서 취득한 전자기파 신호를 이용하여 상이한 위치별로 부분방전 발생시 생성되는 제1펄스 파형 신호와 제2펄스 파형 신호를 포함하는 학습 데이터를 생성하는 전처리부; 상기 학습 데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 딥러닝 모델로 학습하여 부분방전 펄스 파형 데이터를 생성하는 제1처리부; 및 부분방전 발생시 상기 센서부로부터 검출된 검출 파형 신호와 상기 부분방전 펄스 파형 데이터를 비교하여 부분방전 발생 위치를 추정하는 제2처리부를 포함하는 부분방전 위치 추정 장치를 제공한다.

Description

부분방전 위치 추정 장치 및 방법{Partial discharge position estimation appratus and method}
본 발명은 부분방전 위치 추정 장치 및 방법에 관한 것으로, 보다 상세하게는 전변압기나 지중 케이블 접속함 등의 전력기기에 적용될 수 있는 부분방전 위치 추정 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 있다.
또한, 부분방전 진단 시 전문가가 육안으로 확인하여 판정하기 때문에, 대용량의 부분방전 데이터를 판정하는데는 한계가 있다.
본 발명이 이루고자 하는 기술적 과제는 딥러닝 모델을 이용하여 부분방전 발생 위치를 추정할 수 있는 부분방전 위치 추정 장치 및 방법을 제공하는데 있다.
실시예에 따르면, 케이블 접속함 양단에 각각 배치되어 발생되는 전자기파 신호를 검출하는 센서부; 상기 센서부에서 취득한 전자기파 신호를 이용하여 상이한 위치별로 부분방전 발생시 생성되는 제1펄스 파형 신호와 제2펄스 파형 신호를 포함하는 학습 데이터를 생성하는 전처리부; 상기 학습 데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 딥러닝 모델로 학습하여 부분방전 펄스 파형 데이터를 생성하는 제1처리부; 및 부분방전 발생시 상기 센서부로부터 검출된 검출 파형 신호와 상기 부분방전 펄스 파형 데이터를 비교하여 부분방전 발생 위치를 추정하는 제2처리부를 포함하는 부분방전 위치 추정 장치를 제공한다.
상기 센서부는 상기 케이블 접속함 일단에 배치되는 제1센서 및 상기 케이블 접속함 타단에 배치되는 제2센서를 포함할 수 있다.
상기 제1펄스 파형 신호는 상기 제1센서에서 검출된 펄스 파형 신호이고, 상기 제2펄스 파형 신호는 상기 제2센서에서 검출된 펄스 파형 신호일 수 있다.
상기 제1처리부는 합성곱 신경망의 1차원 변환 필터를 통해 상기 학습 데이터로부터 특징맵을 추출하고, 상기 특징맵을 순환신경망 모델에 학습시켜 상기 딥러닝 모델을 생성할 수 있다.
상기 제1처리부는 상기 제1펄스 파형 신호를 입력으로 하고, 상기 제2펄스 파형 신호를 출력으로 하여 상기 딥러닝 모델로 학습할 수 있다.
상기 제1처리부는 상기 제2펄스 파형 신호를 입력으로 하고, 상기 제1펄스 파형 신호를 출력으로 하여 상기 딥러닝 모델로 학습할 수 있다.
상기 제2처리부는 상기 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호와 상기 부분방전 펄스 파형 데이터의 제1펄스 파형 신호 및 제2펄스 파형 신호간의 코사인 유사도를 각각 판단하여 기 설정된 임계값 이상인 경우, 해당 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 판정할 수 있다.
상기 제2처리부는 상기 동일 펄스 파형 신호를 이용하여 부분방전 발생 위치를 추정할 수 있다.
실시예에 따르면, 센서부가 케이블 접속함 양단에 각각 배치되어 발생되는 전자기파 신호를 검출하는 단계; 전처리부가 상기 센서부에서 취득한 전자기파 신호를 이용하여 상이한 위치별로 부분방전 발생시 생성되는 제1펄스 파형 신호와 제2펄스 파형 신호를 포함하는 학습 데이터를 생성하는 단계; 제1처리부가 상기 학습 데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 딥러닝 모델로 학습하여 부분방전 펄스 파형 데이터를 생성하는 단계; 및 제2처리부가 부분방전 발생시 상기 센서부로부터 검출된 검출 파형 신호와 상기 부분방전 펄스 파형 데이터를 비교하여 부분방전 발생 위치를 추정하는 단계를 포함하는 부분방전 위치 추정 방법을 제공한다.
상기 부분방전 발생 유무 및 발생 위치를 추정하는 단계는. 상기 제2처리부가 부분방전 발생시 상기 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호와 상기 부분방전 펄스 파형 데이터의 제1펄스 파형 신호 및 제2펄스 파형 신호간의 코사인 유사도를 각각 판단하여 기 설정된 임계값 이상인 경우 해당 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 판정하는 단계; 및 상기 제2처리부가 상기 동일 펄스 파형 신호를 이용하여 부분방전 발생 위치를 추정하는 단계를 포함한다.
본 발명인 부분방전 위치 추정 장치 및 방법은 딥러닝 모델을 이용하여 부분방전 발생 위치를 추정할 수 있다.
또한, 부분방전 펄스에 대해 딥러닝 학습을 이용하여 신호 일치율(유사도)을 통해 두 번째 펄스 신호에 대한 동일 신호 판정의 정확도를 향상시킬 수 있다.
또한, 케이블 내 두가지 이상의 부분방전이 동시에 발생했을 경우, 동일 파형에 대해 정확한 구분을 할 수 있다.
도1은 실시예에 따른 부분방전 위치 추정 장치의 개념도이다.
도2는 실시예에 따른 부분방전 위치 추정 장치의 구성 블록도이다.
도3은 실시예에 대한 학습 데이터를 설명하기 위한 도면이다.
도4는 실시예에 따른 제1처리부의 동작을 설명하기 위한 도면이다.
도5는 실시예에 따른 부분방전 위치 추정 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 실시예에 따른 부분방전 위치 추정 장치의 개념도이고, 도2는 실시예에 따른 부분방전 위치 추정 장치의 구성 블록도이다. 도1 및 도2를 참조하면, 실시예에 따른 부분방전 위치 추정 장치(100)는 센서부(110), 전처리부(120), 제1처리부(130) 및 제2처리부(140)를 포함하여 구성될 수 있다.
먼저, 센서부(110)는 케이블(1) 접속함 양단에 각각 배치되어 발생되는 전자기파 신호를 검출할 수 있다. 센서부(110)는 케이블(1) 접속함 일단에 배치되는 제1센서(111) 및 케이블(1) 접속함 타단에 배치되는 제2센서(112)를 포함할 수 있다. 예를 들면, 제1센서(111) 및 제2센서(112)는 초고주파 센서(HFCT, High Frequency Current Transformer)일 수 있다.
전처리부(120)는 센서부(110)에서 취득한 전자기파 신호를 이용하여 상이한 위치별로 부분방전 발생시 생성되는 제1펄스 파형 신호와 제2펄스 파형 신호를 포함하는 학습 데이터를 생성할 수 있다.
도3은 실시예에 대한 학습 데이터를 설명하기 위한 도면이다. 도3을 참조하면, 실시예에서 학습 데이터는 제1펄스 파형 신호와 제2펄스 파형 신호의 집합 데이터를 의미할 수 있다. 전처리부는 케이블의 임의 지점에서 부분방전을 발생시킨 후 센서부에서 취득한 전자기파 신호를 이용하여 제1펄스 파형 신호와 제2펄스 파형 신호를 생성할 수 있다. 실시예에서, 제1펄스 파형 신호는 제1센서에서 검출된 전자기파 신호에 대한 펄스 파형 신호이고, 제2펄스 파형 신호는 제2센서에서 검출된 전자기파 신호에 대한 펄스 파형 신호일 수 있다.
예를 들면, 학습 데이터는 1미터 내지 10미터 간격으로 발생한 부분방전에 대하여 취득된 전자기파 신호를 이용하여 학습 데이터를 생성할 수 있다. 실시예에서 부분방전 발생 위치는 제1센서로부터 부분방전 발생 지점까지의 거리로 정의될 수 있다.
도3에 도시된 바와 같이 펄스 파형 신호는 발생되는 위치에 따라 신호의 세기가 작게 측정되는 경우가 발생한다. 따라서, 신호 세기가 작은 펄스 파형 신호의 구분이 어려울 수 있다. 또한, 케이블 내에 두가지 이상 부분방전이 발생할 경우 같은 부분방전 신호에 대한 구분이 어려울 수 있다. 실시예에 따른 부분방전 위치 추정 장치는 딥러닝 모델을 이용하여 제1펄스 파형 신호와 제2펄스 파형 신호간의 연계 관계를 학습함으로써 펄스 파형 신호간 관계를 명확하게 구분할 수 있다.
다시 도1 및 도2를 참조하면, 제1처리부(130)는 학습 데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 딥러닝 모델로 학습하여 부분방전 펄스 파형 데이터를 생성할 수 있다.
제1처리부(130)는 합성곱 신경망의 1차원 변환 필터를 통해 학습 데이터로부터 특징맵을 추출하고, 특징맵을 순환신경망 모델에 학습시켜 딥러닝 모델을 생성할 수 있다.
제1처리부(130)는 합성곱 신경망의 1차원 변환 필터를 통해 학습 데이터로부터 특징맵을 추출할 수 있다. 예를 들면, 제1처리부(130)는 100미터 길이의 케이블에 대하여 1미터 간격으로 생성된 학습 데이터를 분류하여, 합성곱 신경망의 1차원 변환 필터(=1D Convolution)를 통해 총 m개의 특징맵(1Хm)을 추출할 수 있다(m은 자연수이다). 도4를 참조하면, 1Хn의 시계열 데이터의 경우 1Х3의 필터를 사용하면 1Х(n-1)의 차원이 축소가 되며, 여러개의 필터를 사용할 경우 도4와 같이 시계열 데이터(트랜드)의 특징을 추출해 낼 수 있다.
제1처리부(130)는 특징맵을 순환신경망 모델에 학습시켜 딥러닝 모델을 생성할 수 있다. 예를 들면, 제1처리부(130)는 제1펄스 파형 신호를 입력으로 하고, 제2펄스 파형 신호를 출력으로 하여 딥러닝 모델로 학습할 수 있다. 또한, 제1처리부(130)는 제2펄스 파형 신호를 입력으로 하고, 제1펄스 파형 신호를 출력으로 하여 딥러닝 모델로 학습할 수 있다.
즉, 제1처리부(130)는 제1펄스 파형 신호를 입력 데이터로 하여 제2펄스 파형 신호를 생성하는 과정과 제2펄스 파형 신호를 입력 데이터로 하여 제1펄스 파형 신호를 생성하는 과정을 동시에 학습함으로써 보다 정확한 부분방전 펄스 파형 데이터를 생성할 수 있다.
실시예에서 부분방전 펄스 파형 데이터는 딥러닝 모델을 통하여 생성된 데이터로서, 부분방전이 발생한 케이블(1)의 위치에 따라 발생되는 제1펄스 파형 신호와 제2펄스 파형 신호의 데이터 집합을 의미할 수 있다.
제1처리부(130)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.
제2처리부(140)는 부분방전 발생시 센서부로부터 검출된 검출 파형 신호와 부분방전 펄스 파형 데이터를 비교하여 부분방전 발생 위치를 추정할 수 있다. 실시예에서, 검출 파형 신호는 현장에서 부분방전 발생시 센서부에서 검출되는 전자기파 신호를 의미할 수 있다.
제2처리부(140)는 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호와 부분방전 펄스 파형 데이터의 제1펄스 파형 신호 및 제2펄스 파형 신호간의 코사인 유사도를 각각 판단하여 기 설정된 임계값 이상인 경우 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 판정할 수 있다.
제2처리부(140)는 검출 파형 신호의 제1펄스 파형 신호와 부분방전 펄스 파형 데이터의 제1펄스 파형 신호를 각각 비교하여 두 신호간의 벡터 사잇각을 이용하여 코사인 유사도를 판단하고, 코사인 유사도가 기 설정된 임계값 이상인 부분방전 펄스 파형 데이터를 선정할 수 있다.
제2처리부(140)는 검출 파형 신호의 제2펄스 파형 신호와 앞서 선정된 부분방전 펄스 파형 데이터의 제2펄스 파형 신호를 비교하여 두 신호간의 벡터 사잇각을 이용하여 코사인 유사도가 기 설정된 임계값 이상인 경우에는, 해당 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 판단할 수 있다. 즉, 제2처리부(140)는 제1펄스 파형 신호와 제2펄스 파형 신호의 코사인 유사도 판단 결과가 모두 기 설정된 임계값 이상을 가지는 경우 해당 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 동일 펄스 파형 신호로 판정할 수 있다.
제2처리부(140)는 동일 펄스 파형 신호를 이용하여 부분방전 발생 위치를 추정할 수 있다. 제2처리부(140)는 동일 펄스 파형 신호에 포함된 제1펄스 파형 신호와 제2펄스 파형 신호간의 시간차를 이용하여 부분방전 발생 위치를 추정할 수 있다. 제2처리부(140)는 예를 들면 하기 수학식 1에 따라 부분방전 발생 위치를 추정할 수 있다.
Figure 112019117401367-pat00001
수학식 1에서 m은 부분방전 발생 위치로서 제1센서와 부분방전 발생 지점까지의 거리[m]를 의미할 수 있으며, t는 제1펄스 파형 신호가 제1센서에 도달한 시간과 제2펄스 파형 신호가 제2센서에 도달한 시간간의 시간차이[sec]를 의미할 수 있으며, v는 전자기파 신호의 속도[m/s]를 의미할 수 있다.
도5는 실시예에 따른 부분방전 위치 추정 방법의 순서도이다.
도5를 참조하면, 먼저 센서부가 케이블 접속함 양단에 각각 배치되어 발생되는 전자기파 신호를 검출한다(S501).
다음으로, 전처리부는 센서부에서 취득한 전자기파 신호를 이용하여 상이한 위치별로 부분방전 발생시 생성되는 제1펄스 파형 신호와 제2펄스 파형 신호를 포함하는 학습 데이터를 생성한다(S502).
다음으로, 제1처리부는 학습 데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 딥러닝 모델로 학습하여 부분방전 펄스 파형 데이터를 생성한다. 이 때, 제1처리부는 합성곱 신경망의 1차원 변환 필터를 통해 학습 데이터로부터 특징맵을 추출하고, 추출된 특징맵을 순환신경망 모델에 학습시켜 딥러닝 모델을 생성한다. 또한, 제1처리부는 제1펄스 파형 신호를 입력 데이터로 하여 제2펄스 파형 신호를 생성하는 과정과 제2펄스 파형 신호를 입력 데이터로 하여 제1펄스 파형 신호를 생성하는 과정을 동시에 학습하여 부분방전 펄스 파형 데이터를 생성한다(S503).
다음으로, 제2처리부는 부분방전 발생시 센서부로부터 검출된 검출 파형 신호와 부분방전 펄스 파형 데이터를 비교하여 부분방전 발생 위치를 추정한다. 이 때, 제2처리부는 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호와 부분방전 펄스 파형 데이터의 제1펄스 파형 신호 및 제2펄스 파형 신호간의 코사인 유사도를 각각 판단하여 기 설정된 임계값 이상인 경우 해당 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 판정하고, 동일 펄스 파형 신호를 이용하여 부분방전 발생 위치를 추정한다(S504).
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.
100: 부분방전 위치 추정 장치
110: 센서부
120: 전처리부
130: 제1처리부
140: 제2처리부

Claims (10)

  1. 케이블 접속함 양단에 각각 배치되어 발생되는 전자기파 신호를 검출하는 센서부;
    상기 센서부에서 취득한 전자기파 신호를 이용하여 상이한 위치별로 부분방전 발생시 생성되는 제1펄스 파형 신호와 제2펄스 파형 신호를 포함하는 학습 데이터를 생성하는 전처리부;
    상기 학습 데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 딥러닝 모델로 학습하여 부분방전 펄스 파형 데이터를 생성하는 제1처리부; 및
    부분방전 발생시 상기 센서부로부터 검출된 검출 파형 신호와 상기 부분방전 펄스 파형 데이터를 비교하여 부분방전 발생 위치를 추정하는 제2처리부를 포함하며,
    상기 학습 데이터는 일정 간격으로 발생한 부분방전에 대하여 취득된 전자기파 신호를 이용하여 생성되고,
    상기 제1처리부는 상기 제1펄스 파형 신호를 입력 데이터로 하여 상기 제2펄스 파형 신호를 생성하는 과정 및 상기 제2펄스 파형 신호를 입력 데이터로 하여 상기 제1펄스 파형 신호를 생성하는 과정을 동시에 학습함으로써, 상기 제1펄스 파형 신호와 상기 제2펄스 파형 신호간의 연계 관계를 학습하여, 부분방전이 발생한 케이블의 위치에 따라 발생되는 제1펄스 파형 신호와 제2펄스 파형 신호의 데이터 집합인 상기 부분방전 펄스 파형 데이터를 생성하는 부분방전 위치 추정 장치.
  2. 제1항에 있어서,
    상기 센서부는 상기 케이블 접속함 일단에 배치되는 제1센서 및 상기 케이블 접속함 타단에 배치되는 제2센서를 포함하는 부분방전 위치 추정 장치.
  3. 제2항에 있어서,
    상기 제1펄스 파형 신호는 상기 제1센서에서 검출된 펄스 파형 신호이고, 상기 제2펄스 파형 신호는 상기 제2센서에서 검출된 펄스 파형 신호인 부분방전 위치 추정 장치.
  4. 제1항에 있어서,
    상기 제1처리부는 합성곱 신경망의 1차원 변환 필터를 통해 상기 학습 데이터로부터 특징맵을 추출하고, 상기 특징맵을 순환신경망 모델에 학습시켜 상기 딥러닝 모델을 생성하는 부분방전 위치 추정 장치.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 제2처리부는 상기 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호와 상기 부분방전 펄스 파형 데이터의 제1펄스 파형 신호 및 제2펄스 파형 신호간의 코사인 유사도를 각각 판단하여 기 설정된 임계값 이상인 경우, 해당 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 판정하는 부분방전 위치 추정 장치.
  8. 제7항에 있어서,
    상기 제2처리부는 상기 동일 펄스 파형 신호를 이용하여 부분방전 발생 위치를 추정하는 부분방전 위치 추정 장치.
  9. 센서부가 케이블 접속함 양단에 각각 배치되어 발생되는 전자기파 신호를 검출하는 단계;
    전처리부가 상기 센서부에서 취득한 전자기파 신호를 이용하여 상이한 위치별로 부분방전 발생시 생성되는 제1펄스 파형 신호와 제2펄스 파형 신호를 포함하는 학습 데이터를 생성하는 단계;
    제1처리부가 상기 학습 데이터를 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 딥러닝 모델로 학습하여 부분방전 펄스 파형 데이터를 생성하는 단계; 및
    제2처리부가 부분방전 발생시 상기 센서부로부터 검출된 검출 파형 신호와 상기 부분방전 펄스 파형 데이터를 비교하여 부분방전 발생 위치를 추정하는 단계를 포함하며,
    상기 학습 데이터는 일정 간격으로 발생한 부분방전에 대하여 취득된 전자기파 신호를 이용하여 생성되고,
    상기 제1처리부는 상기 제1펄스 파형 신호를 입력 데이터로 하여 상기 제2펄스 파형 신호를 생성하는 과정 및 상기 제2펄스 파형 신호를 입력 데이터로 하여 상기 제1펄스 파형 신호를 생성하는 과정을 동시에 학습함으로써, 상기 제1펄스 파형 신호와 상기 제2펄스 파형 신호간의 연계 관계를 학습하여, 부분방전이 발생한 케이블의 위치에 따라 발생되는 제1펄스 파형 신호와 제2펄스 파형 신호의 데이터 집합인 상기 부분방전 펄스 파형 데이터를 생성하는 부분방전 위치 추정 방법.
  10. 제9항에 있어서,
    상기 부분방전 발생 유무 및 발생 위치를 추정하는 단계는.
    상기 제2처리부가 부분방전 발생시 상기 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호와 상기 부분방전 펄스 파형 데이터의 제1펄스 파형 신호 및 제2펄스 파형 신호간의 코사인 유사도를 각각 판단하여 기 설정된 임계값 이상인 경우 해당 검출 파형 신호의 제1펄스 파형 신호 및 제2펄스 파형 신호를 동일 펄스 파형 신호로 판정하는 단계; 및
    상기 제2처리부가 상기 동일 펄스 파형 신호를 이용하여 부분방전 발생 위치를 추정하는 단계를 포함하는 부분방전 위치 추정 방법.
KR1020190146624A 2019-11-15 2019-11-15 부분방전 위치 추정 장치 및 방법 KR102284958B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190146624A KR102284958B1 (ko) 2019-11-15 2019-11-15 부분방전 위치 추정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190146624A KR102284958B1 (ko) 2019-11-15 2019-11-15 부분방전 위치 추정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210059322A KR20210059322A (ko) 2021-05-25
KR102284958B1 true KR102284958B1 (ko) 2021-08-04

Family

ID=76145772

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190146624A KR102284958B1 (ko) 2019-11-15 2019-11-15 부분방전 위치 추정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102284958B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102591491B1 (ko) * 2021-04-28 2023-10-18 한전케이디엔주식회사 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법
KR102575189B1 (ko) * 2023-02-15 2023-09-06 네모시스 주식회사 배전선로에서 장애위치를 파악하는 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090412A (ja) * 2000-09-12 2002-03-27 Sumitomo Electric Ind Ltd 部分放電測定装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102113218B1 (ko) * 2018-03-16 2020-05-20 울산과학기술원 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090412A (ja) * 2000-09-12 2002-03-27 Sumitomo Electric Ind Ltd 部分放電測定装置

Also Published As

Publication number Publication date
KR20210059322A (ko) 2021-05-25

Similar Documents

Publication Publication Date Title
KR102272657B1 (ko) 부분방전 진단 장치 및 방법
KR102284958B1 (ko) 부분방전 위치 추정 장치 및 방법
JP5186322B2 (ja) 時系列データ解析システム、方法及びプログラム
US20070239629A1 (en) Cluster Trending Method for Abnormal Events Detection
KR101978569B1 (ko) 플랜트 데이터 예측 장치 및 방법
US20210397175A1 (en) Abnormality detection device, abnormality detection method, and program
JP2007124880A (ja) 部分放電原因自動推論用の神経網の入力ベクトル生成方法
CN111080976B (zh) 一种温度变化场景下实时监测天然气泄漏的方法及装置
KR102417800B1 (ko) 전력 케이블 노후도 판단 장치 및 방법
CN114492629A (zh) 异常检测方法、装置、电子设备及存储介质
Moradzadeh et al. Location of disk space variations in transformer winding using convolutional neural networks
CN114217164B (zh) 一种基于放电波形智能识别的电缆故障测距方法及系统
Simula et al. Process monitoring and visualization using self-organizing maps
CN110046651A (zh) 一种基于监测数据多属性特征融合的管道状态识别方法
CN107330264A (zh) 一种桥梁监测数据可靠性的验证方法
CN115063337A (zh) 埋地管道智能维修决策方法及装置
US20230024104A1 (en) Identification of false transformer humming using machine learning
CN113255771B (zh) 基于多维异构差异分析的故障诊断方法及系统
Mujica et al. Multidimensional data statistical processing of magnetic flow leakage signals from a Colombian gas pipeline
WO2020183781A1 (ja) 異常診断装置
KR101782475B1 (ko) 부분방전 신호의 노이즈 판별 장치 및 방법
JPH0727815A (ja) 部分放電発生位置の標定方法
EP4321845A1 (en) Determining time of traversal of wastewater within a wastewater transport infrastructure
EP4321844A1 (en) Determining extent of obstruction in a wastewater transport infrastructure
Toma et al. Deformation Profile Analysis Using Uniform Manifold Approximation and Projection

Legal Events

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