KR102436080B1 - Method for status prediction of transformer based on oil filtering and apparatus for using the method - Google Patents

Method for status prediction of transformer based on oil filtering and apparatus for using the method Download PDF

Info

Publication number
KR102436080B1
KR102436080B1 KR1020200121939A KR20200121939A KR102436080B1 KR 102436080 B1 KR102436080 B1 KR 102436080B1 KR 1020200121939 A KR1020200121939 A KR 1020200121939A KR 20200121939 A KR20200121939 A KR 20200121939A KR 102436080 B1 KR102436080 B1 KR 102436080B1
Authority
KR
South Korea
Prior art keywords
oil
state
transformer
filtration
sub
Prior art date
Application number
KR1020200121939A
Other languages
Korean (ko)
Other versions
KR20220011046A (en
Inventor
최금실
신재경
서보성
Original Assignee
주식회사 원프레딕트
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 원프레딕트 filed Critical 주식회사 원프레딕트
Priority to US16/949,809 priority Critical patent/US20220019937A1/en
Publication of KR20220011046A publication Critical patent/KR20220011046A/en
Application granted granted Critical
Publication of KR102436080B1 publication Critical patent/KR102436080B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/40—Structural association with built-in electric component, e.g. fuse
    • H01F27/402—Association of measuring or protective means
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/08—Cooling; Ventilating
    • H01F27/10—Liquid cooling
    • H01F27/12—Oil cooling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

본 발명은 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법은 변압기 상태 예측 장치가 변압기의 변압기 데이터를 수신하는 단계, 변압기 상태 예측 장치가 변압기 데이터를 기반으로 변압기의 오일 여과 여부를 결정하는 단계와 변압기 상태 예측 장치가 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 변압기의 상태를 예측하는 단계를 포함할 수 있다.The present invention relates to a method for predicting a transformer condition in consideration of whether oil is filtered, and an apparatus for performing such a method. The method of predicting the state of the transformer considering whether oil filtration is performed includes the steps of: a transformer condition prediction device receiving the transformer data of the transformer; The device may include predicting the state of the transformer based on different predictive models based on whether the oil is filtered or not.

Description

오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치{Method for status prediction of transformer based on oil filtering and apparatus for using the method}Transformer status prediction diagnosis method considering whether oil filtration and apparatus for performing such a method

본 발명은 오일 여과 여부를 고려한 유입식 변압기 예측 진단 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 오일 여과 여부를 판단하고 학습된 예측 모델을 기반으로 유입식 변압기의 상태를 예측 진단하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.The present invention relates to a method for predicting an oil-immersed transformer in consideration of oil filtration and to an apparatus for performing such a method. More specifically, it relates to a method for determining whether oil filtration and predicting and diagnosing the state of an oil-immersed transformer based on a learned predictive model, and an apparatus for performing such a method.

급속한 산업 발달로 인한 전기 에너지 수요의 급증으로 전력용 변압기 사용이 증가하였다. 이에 따라 현재 설치된 변압기의 상당수가 노후화되면서 예측하지 못한 설비 사고가 자주 발생하고 있다. 전력용 변압기가 대용량화되고 전력계통이 복잡해짐에 따라 설비 고장에 의한 사고가 발생되면 광범위한 정전이 수반되고, 복구와 공급 지장으로 인한 경제적 손실이 커지게 된다.The use of power transformers has increased due to a surge in electrical energy demand due to rapid industrial development. As a result, many of the transformers currently installed are aging, and unexpected facility accidents often occur. As the power transformer becomes large-capacity and the power system becomes more complex, an accident caused by a facility failure entails extensive power outages, and economic losses due to restoration and supply disruptions increase.

이러한 손실을 최소화하기 위해서는 변압기가 현재 어떤 상태에 있는지를 가능한 정확히 진단해야 한다. 필요한 운용 유지 보수를 시행하여 변압기의 예상치 못한 사고를 최소화할 필요가 있다.To minimize these losses, the current state of the transformer must be diagnosed as accurately as possible. It is necessary to carry out the necessary operational maintenance to minimize the unexpected accidents of the transformer.

변압기 사고의 가장 많은 비중을 차지하고 있는 사례는 절연 내력의 열화이다. 변압기 절연 파괴는 특성상 폭발을 동반할 수 있다. 절연 열화 특성을 분석하기 위한 가장 효과적인 방법으로 유중 가스 분석법 (Dissolved Gas Analysis, DGA)을 주로 사용되고 있다. 변압기에 사용하는 절연유(오일), 절연지 등 유기 절연 재료는 운전에 의한 온도 상승과 국부 과열을 발생한다.The case that accounts for the largest proportion of accidents in transformers is deterioration of dielectric strength. Transformer insulation breakdown can be accompanied by explosion in nature. Dissolved Gas Analysis (DGA) is mainly used as the most effective method for analyzing insulation degradation characteristics. Organic insulating materials such as insulating oil (oil) and insulating paper used in transformers cause temperature rise and local overheating due to operation.

그리고 방전 등에 의한 열분해로 각종 가스를 포함한 열화 생성물을 형성한다. 열화 생성물 중 가스는 오일에 용해된다. 이에 운전 중 변압기 오일을 정기적으로 채취하여 용해된 가스 농도를 분석한다면 변압기 내부의 이상 여부를 추정할 수 있다. 하지만 단순히 특정 가스에 대한 기준치 초과 여부나 패턴 등으로 변압기 상태를 단정짓는다면 변압기 운영 유지 보수 또는 교체를 결정하는데 정확히 진단하기 어렵다.Then, degradation products including various gases are formed by thermal decomposition by electric discharge or the like. Among the degradation products, the gas dissolves in the oil. Therefore, if the transformer oil is regularly collected during operation and the dissolved gas concentration is analyzed, it is possible to estimate whether there is an abnormality inside the transformer. However, it is difficult to accurately diagnose the transformer operation, maintenance or replacement if the condition of the transformer is simply determined by whether or not the standard value for a specific gas is exceeded or a pattern.

따라서 변압기의 이상 발생 원인과 더불어 현재보다 확실한 상태를 진단할 방안이 필요하다.Therefore, along with the cause of the abnormal occurrence of the transformer, there is a need for a method for diagnosing the condition more certain than the present.

본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.An object of the present invention is to solve all of the above problems.

또한, 본 발명은, 오일 여과 여부에 따라 서로 다른 학습 모델을 기반으로 변압기 상태에 대한 정확한 예측을 수행하는 것을 목적으로 한다.Another object of the present invention is to accurately predict the state of a transformer based on different learning models depending on whether oil is filtered or not.

또한, 본 발명은, 변압기의 상태를 고려하여 개별적으로 상태에 따라 생성된 학습 모델을 기반으로 변압기의 변압기 상태에 대한 정확한 예측을 수행하는 것을 목적으로 한다.In addition, an object of the present invention is to accurately predict the transformer state of the transformer based on a learning model generated according to the state individually in consideration of the state of the transformer.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.A representative configuration of the present invention for achieving the above object is as follows.

본 발명의 일 실시예에 따르면, 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법은 변압기 상태 예측 장치가 상기 변압기의 변압기 데이터를 수신하는 단계, 상기 변압기 상태 예측 장치가 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하는 단계와 상기 변압기 상태 예측 장치가 상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하는 단계를 포함할 수 있다.According to an embodiment of the present invention, the method for predicting the state of a transformer considering whether oil filtration includes the steps of: a transformer state predicting device receiving the transformer data of the transformer, the transformer state predicting device based on the transformer data Determining whether the transformer is oil filtered and the transformer state prediction device predicting the state of the transformer based on different prediction models based on whether the oil is filtered.

한편, 상기 변압기 데이터는 임계 횟수 이상 측정된 상기 변압기의 유중 가스 데이터를 포함할 수 있다.Meanwhile, the transformer data may include gas-in-oil data of the transformer measured more than a threshold number of times.

또한, 상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함할 수 있다.In addition, the different predictive models may include a first predictive model (oil filtration) and a second predictive model (oil unfiltered).

본 발명의 다른 실시예에 따르면, 오일 여과 여부를 고려한 변압기의 상태를 예측하는 변압기 상태 예측 장치는 상기 변압기의 변압기 데이터를 수신하도록 구현된 변압기 데이터 입력부와 상기 변압기 데이터 입력부와 동작 가능하게(operatively) 연결된 프로세서를 포함하되, 상기 프로세서는 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하고, 상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하도록 구현될 수 있다.According to another embodiment of the present invention, the transformer state prediction apparatus for predicting the state of the transformer in consideration of whether oil filtration is operative with the transformer data input unit and the transformer data input unit implemented to receive the transformer data of the transformer (operatively) A connected processor may be included, wherein the processor may be implemented to determine whether to filter the oil of the transformer based on the transformer data, and to predict the state of the transformer based on different prediction models based on whether the oil is filtered. .

한편, 상기 변압기 데이터는 임계 횟수 이상 측정된 유중 가스 데이터를 포함할 수 있다.Meanwhile, the transformer data may include gas-in-oil data measured a threshold number of times or more.

또한, 상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함할 수 있다.In addition, the different predictive models may include a first predictive model (oil filtration) and a second predictive model (oil unfiltered).

본 발명에 의하면, 오일 여과 여부에 따라 서로 다른 학습 모델을 기반으로 변압기 상태에 대한 정확한 예측이 수행될 수 있다.According to the present invention, accurate prediction of the transformer state can be performed based on different learning models depending on whether oil is filtered.

또한, 본 발명에 의하면, 변압기의 상태를 고려하여 개별적으로 상태에 따라 생성된 학습 모델을 기반으로 변압기의 변압기 상태에 대한 정확한 예측이 수행될 수 있다.In addition, according to the present invention, an accurate prediction of the transformer state of the transformer can be performed based on a learning model individually generated according to the state in consideration of the state of the transformer.

도 1은 본 발명의 실시예에 따른 변압기 상태 예측을 수행하는 변압기 상태 예측 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 오일 여과 여부 판단 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 학습 기반으로 변압기의 상태를 예측하는 방법을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 제1 예측 모델(오일 여과)를 생성하는 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 제2 예측 모델(오일 비여과)를 생성하는 방법을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 예측 모델 생성 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 변압기의 상태 예측 방법을 나타낸 개념도이다.1 is a conceptual diagram illustrating an apparatus for predicting a state of a transformer for predicting a state of a transformer according to an embodiment of the present invention.
2 is a conceptual diagram illustrating a method for determining whether to filter oil according to an embodiment of the present invention.
3 is a conceptual diagram illustrating a method of predicting a state of a transformer based on learning according to an embodiment of the present invention.
4 is a conceptual diagram illustrating a method of generating a first predictive model (oil filtration) according to an embodiment of the present invention.
5 is a conceptual diagram illustrating a method of generating a second predictive model (oil non-filtration) according to an embodiment of the present invention.
6 is a conceptual diagram illustrating a method for generating a predictive model according to an embodiment of the present invention.
7 is a conceptual diagram illustrating a method for predicting a state of a transformer according to an embodiment of the present invention.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0012] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0014] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0016] Reference is made to the accompanying drawings, which show by way of illustration specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented with changes from one embodiment to another without departing from the spirit and scope of the present invention. In addition, it should be understood that the location or arrangement of individual components within each embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the detailed description given below is not to be taken in a limiting sense, and the scope of the present invention should be taken as encompassing the scope of the claims and all equivalents thereto. In the drawings, like reference numerals refer to the same or similar elements throughout the various aspects.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, various preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings in order to enable those of ordinary skill in the art to easily practice the present invention.

기존의 변압기 현재 상태는 주기적인 오일 채취 및 오일 내 유중 가스(Dissovled Gas Analysis, DGA) 분석을 통해 결정된다. 구체적으로 유입식 변압기에서 채취되어 분석된 유중 가스를 룰 기반 국제 기준인 IEEE/IEC/JAPAN ETRA/CIGRE과 비교하여 변압기의 현재 상태가 진단된다.The current state of the existing transformer is determined through periodic oil extraction and Dissovled Gas Analysis (DGA) analysis. Specifically, the current state of the transformer is diagnosed by comparing the gas in oil collected and analyzed from the oil-immersed transformer with the rule-based international standard IEEE/IEC/JAPAN ETRA/CIGRE.

변압기 상태에 대한 분석 결과, 이상으로 판단시 물리적 원인이 추가적으로 진단될 수 있다. 현재 룰 기반 국제 기준을 통한 변압기의 상태 진단은 가능하나, 변압기의 상태 예측은 불가능하다. 즉, 이후에 변압기가 어떠한 상태로 변화될 것인지에 대한 예측은 불가능하다.As a result of the analysis of the transformer state, when an abnormality is determined, a physical cause may be additionally diagnosed. Currently, it is possible to diagnose the state of the transformer through the rule-based international standard, but it is impossible to predict the state of the transformer. That is, it is impossible to predict what state the transformer will change to in the future.

변압기의 고장은 대형 폭발 및 화재를 유발한다. 따라서, 변압기의 상태 예측을 기반으로 변압기를 사전에 보수하여 변압기의 고장에 의한 대형 인명 재산 피해가 방지될 수 있다. 따라서, 본 발명의 실시예에 따른 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법에서는 딥러닝 기법을 기반으로 한 변압기 상태 예측 기술이 개시되고, 이와 동시에 오일 여과를 통한 변압기 상태 변화를 고려하여 오일 여과 여부에 따른 변압기 상태 예측 방법이 개시된다.Failure of transformers causes large explosions and fires. Therefore, it is possible to prevent large damage to human life and property due to the failure of the transformer by repairing the transformer in advance based on the prediction of the state of the transformer. Therefore, in the transformer state prediction diagnosis method taking into account oil filtration according to an embodiment of the present invention, a transformer state prediction technology based on a deep learning technique is disclosed, and at the same time, oil filtration in consideration of a transformer state change through oil filtration A transformer state prediction method according to is disclosed.

본 발명은 유중 가스를 기반으로 다음 계측 시점의 변압기 상태를 예측하는 것으로 기존의 단순히 변압기의 현재 상태를 진단하는 것이 아니라 변압기의 앞으로의 상태를 예측하는 것이다. 본 발명에서는 변압기의 상태를 예측하기 위해 오일 여과 여부가 판단되고 오일 여과 여부에 따라 서로 다른 상태 예측 모델이 사용될 수 있다.The present invention predicts the state of the transformer at the next measurement time based on gas in oil, and predicts the future state of the transformer rather than simply diagnosing the current state of the existing transformer. In the present invention, in order to predict the state of the transformer, it is determined whether the oil is filtered, and different state prediction models can be used depending on whether the oil is filtered.

도 1은 본 발명의 실시예에 따른 변압기 상태 예측을 수행하는 변압기 상태 예측 장치를 나타낸 개념도이다.1 is a conceptual diagram illustrating an apparatus for predicting a state of a transformer for predicting a state of a transformer according to an embodiment of the present invention.

도 1에서는 오일 여과 여부를 고려하여 복수개의 학습 모델을 기반으로 변압기 상태를 예측하는 변압기 상태 예측 장치가 개시된다. In FIG. 1, a transformer state prediction apparatus for predicting a transformer state based on a plurality of learning models in consideration of oil filtration is disclosed.

도 1을 참조하면, 변압기 상태 예측 장치는 변압기 데이터 입력부(100), 오일 여과 결정부(110), 변압기 상태 예측부(120) 및 프로세서(150)를 포함할 수 있다.Referring to FIG. 1 , the transformer state prediction apparatus may include a transformer data input unit 100 , an oil filtration determiner 110 , a transformer state prediction unit 120 , and a processor 150 .

변압기 데이터 입력부(100)는 변압기의 상태를 예측하기 위한 변압기 데이터를 수신하기 위해 구현될 수 있다. 변압기 데이터는 변압기의 유중 가스 데이터 및/또는 변압기 상태 데이터를 포함할 수 있다. 유중 가스 데이터는 변압기에서 측정된 유중 가스 6종 정보 및/또는 유중 가스 6종 조성비 정보를 포함할 수 있다.The transformer data input unit 100 may be implemented to receive transformer data for predicting a state of a transformer. The transformer data may include gas-in-oil data and/or transformer status data of the transformer. The gas-in-oil data may include information on the 6-type gas-in-oil and/or the 6-type gas-in-oil composition ratio information measured by the transformer.

유중 가스 6종 정보는 수소 H2, 메탄 CH4, 에칠렌 C2H4, 에탄 C2H6, 아세칠렌 C2H2, 일산화탄소 CO에 대한 정보를 포함하고, 유중 가스 6종 조성비 정보는 특정 유중 가스값 대 6종 유중 가스합에 대한 정보를 포함할 수 있다.Information on 6 types of gas in oil includes information on hydrogen H 2 , methane CH 4 , ethylene C 2 H 4 , ethane C 2 H 6 , acetylene C 2 H 2 , and carbon monoxide CO, and information on the composition ratio of 6 types of gas in oil is specific It can include information about gas-in-oil values versus the sum of six gas-in-oils.

변압기 상태 데이터는 변압기의 상태가 제1 상태(normal), 2 상태(warning), 제3 상태(critical) 및 제4 상태(fault) 중 어떠한 상태인지에 대한 정보를 포함할 수 있다.The transformer state data may include information about which state of the transformer is among a first state (normal), a second state (warning), a third state (critical), and a fourth state (fault).

본 발명에서 변압기 상태 예측을 위해서는 현재 시점 이전에 측정한 n개의 유중 가스 데이터 및/또는 현재 시점 이전에 판단된 n-1개의 변압기 상태 데이터가 필요할 수 있다. 이에 대해서는 구체적으로 후술한다.In the present invention, in order to predict the transformer state, n pieces of gas-in-oil data measured before the current time and/or n-1 pieces of transformer state data determined before the current time may be required. This will be described in detail later.

오일 여과 결정부(110)는 유중 가스 데이터를 기반으로 변압기의 오일에 대한 여과가 수행되었는지 여부를 판단하기 위해 구현될 수 있다. 본 발명에서는 오일 여과 여부에 따라 서로 다른 예측 모델을 기반으로 변압기의 상태 예측을 하기 때문에 오일 여과 결정부가 오일 여과 여부에 대한 결정을 수행할 수 있다.The oil filtration determination unit 110 may be implemented to determine whether filtration of the oil of the transformer has been performed based on the gas-in-oil data. In the present invention, since the state of the transformer is predicted based on different prediction models depending on whether the oil is filtered, the oil filtration determining unit may determine whether to filter the oil.

특정 유중 가스가 정상 범주에서 벗어나는 경우(예를 들어, 급격한 상승) 또는 주기적인 관리로서 전체 변압기 내부 오일의 이물질, 수분, 가스 등을 제거하는 오일 여과 작업이 수행될 수 있다. 오일 여과 작업은 절연 성능을 개선하고, 변압기의 상태를 일정 부분 개선할 수 있다. When a specific gas-in-oil deviates from the normal range (eg, rapid rise) or as a periodic maintenance, oil filtration can be performed to remove foreign substances, moisture, gas, etc. from the oil inside the entire transformer. Oil filtration can improve insulation performance and improve the condition of the transformer to some extent.

구체적으로 변압기에서 내부 고장이 발생하면 열 발생이 수반되며 열에 접촉된 절연유는 열 분해되고 수소(H2), 메탄(CH4), 아세틸렌(C2H2), 에틸렌(C2H4), 에탄(C2H6) 등의 가스가 발생된다. 그리고 셀룰로스계 절연지에서는 메탄(CH4), 수소(H2), 일산화탄소(CO), 이산화탄소(CO2) 등이 발생된다. 따라서, 변압기 내부 고장 형태에 따라 특정한 가스가 발생되는 패턴을 보이며 이러한 주요 가스의 크로마토그래피 분석을 통하여 변압기의 고장 형태에 대한 판단이 수행될 수 있다.Specifically, when an internal failure occurs in a transformer, heat is generated, and the insulating oil in contact with heat is thermally decomposed, and hydrogen (H 2 ), methane (CH 4 ), acetylene (C 2 H 2 ), ethylene (C 2 H 4 ), A gas such as ethane (C 2 H 6 ) is generated. And in the cellulosic insulating paper, methane (CH 4 ), hydrogen (H 2 ), carbon monoxide (CO), carbon dioxide (CO 2 ), etc. are generated. Accordingly, a specific gas is generated pattern according to the type of failure inside the transformer, and the determination of the failure type of the transformer can be performed through chromatographic analysis of these major gases.

오일 여과 작업이 수행되는 경우, 변압기의 상태 예측 측면에서 변압기의 지속적인 상태 열화 패턴이 중단된다. 즉, 변압기에서 오일 여과 여부 판단에 따른 상태 예측 결과가 달라지게 된다. 오일 여과 여부가 판단되지 않은 경우, 변압기의 상태에 대한 정확한 판단에 치명적인 문제점이 된다. 따라서, 변압기에서 오일 여과 작업이 수행되었는지 여부를 판단하여 변압기의 상태가 예측될 수 있다.When the oil filtration operation is performed, the continuous condition deterioration pattern of the transformer is interrupted in terms of the condition prediction of the transformer. That is, the state prediction result is different according to the determination of whether oil is filtered in the transformer. If it is not determined whether the oil is filtered, it becomes a fatal problem for accurate determination of the state of the transformer. Accordingly, the state of the transformer can be predicted by determining whether the oil filtration operation has been performed in the transformer.

이러한 오일 여과 작업 수행 여부를 판단하기 위한 유중 가스는 오일 여과 판단 가스라는 용어로 정의될 수 있다. 예를 들어, 오일 여과 판단 가스는 3종 유중 가스(메탄 CH4, 에칠렌 C2H4, 에탄 C2H6)일 수 있다. 오일 여과 결정부는 오일 여과 판단 가스의 변화를 고려하여 오일 여과 여부를 결정할 수 있다. 예를 들어, 메탄(CH4), 에틸렌(C2H4), 에탄(C2H6) 3종 가스와 같은 오일 여과 판단 가스가 여과 이후 임계 퍼센트(60% 이하)로 감소하는 경우, 오일 여과를 수행한 것으로 판단할 수 있다.The gas-in-oil for determining whether to perform such an oil filtration operation may be defined as an oil filtration determination gas. For example, the oil filtration determination gas may be three types of gas in oil (methane CH 4 , ethylene C 2 H 4 , ethane C 2 H 6 ). The oil filtration determining unit may determine whether to filter the oil in consideration of a change in the oil filtration determination gas. For example, if an oil filtration judge gas such as methane (CH 4 ), ethylene (C 2 H 4 ), or ethane (C 2 H 6 ) trigas decreases to a critical percentage (60% or less) after filtration, the oil It can be judged that filtration has been performed.

본 발명에서는 오일 여과 여부에 따라 서로 다른 학습 데이터를 기반으로 학습된 예측 모델을 기반으로 한 변압기 상태 예측이 수행될 수 있다.In the present invention, the transformer state prediction based on the prediction model learned based on different learning data depending on whether the oil is filtered may be performed.

변압기 상태 예측부(120)는 변압기 상태 예측을 위해 구현될 수 있다. 변압기 상태 예측부(120)는 오일 여과 여부에 따라 별도로 생성된 복수개의 예측 모델을 포함할 수 있고, 오일 여과를 판단하여 예측 모델을 선택하여 변압기 상태을 예측할 수 있다.The transformer state prediction unit 120 may be implemented to predict the transformer state. The transformer state prediction unit 120 may include a plurality of predictive models separately generated according to whether oil is filtered, and may determine the oil filtration and select the predictive model to predict the transformer state.

오일 여과 여부에 따라 예측을 수행하는 복수개의 예측 모델을 생성하기 위해 오일 여과 판단 가스의 변화를 기준으로 오일 여과 여부에 따른 학습 데이터를 분리하여 학습을 수행할 수 있다. 예를 들어, 오일 여과 판단 가스는 3종 유중 가스(메탄 CH4, 에칠렌 C2H4, 에탄 C2H6)일 수 있고, 오일 여과 판단 가스의 감소율 기준으로 오일 여과 여부를 판단하여 오일 여과 여부에 따라 학습 데이터가 분리될 수 있다. 학습 데이터는 오일 여과 작업을 수행한 경우의 학습 데이터(오일 여과)와 오일 여과 작업을 수행하지 않은 경우의 학습 데이터(오일 비여과)로 구분될 수 있다.In order to generate a plurality of prediction models that perform prediction according to whether or not oil is filtered, the training may be performed by separating the training data according to whether or not oil is filtered based on the change in the oil filtration determination gas. For example, the oil filtration judgment gas may be three types of gas in oil (methane CH 4 , ethylene C 2 H 4 , ethane C 2 H 6 ), and oil filtration is determined by determining whether oil filtration is based on the reduction rate of the oil filtration judgment gas. Depending on whether or not the training data may be separated. The training data may be divided into training data (oil filtration) when the oil filtration operation is performed and training data (oil non-filtration) when the oil filtration operation is not performed.

학습 데이터(오일 여과)는 제1 예측 모델(오일 여과)(130)를 학습시키기 위해 사용되고, 학습 데이터(오일 비여과)는 제2 예측 모델(오일 비여과)(140)를 학습시키기 위해 사용될 수 있다.The training data (oil filtration) may be used to train the first predictive model (oil filtration) 130 , and the training data (oil filtration) may be used to train the second predictive model (oil filtration) 140 . have.

학습 데이터는 유중 가스 데이터로서 유중 가스 6종 정보와 유중 가스 6종 조성비 정보를 포함할 수 있다. 유중 가스 6종 정보는 수소 H2, 메탄 CH4, 에칠렌 C2H4, 에탄 C2H6, 아세칠렌 C2H2, 일산화탄소 CO에 대한 정보를 포함하고, 유중 가스 6종 조성비 정보는 특정 유중 가스값 대 6종 유중 가스합에 대한 정보를 포함할 수 있다.The learning data is gas-in-oil data, and may include information about 6 types of gas-in-oil information and 6 types of gas-in-oil composition ratio information. Information on 6 types of gas in oil includes information on hydrogen H 2 , methane CH 4 , ethylene C 2 H 4 , ethane C 2 H 6 , acetylene C 2 H 2 , and carbon monoxide CO, and information on the composition ratio of 6 types of gas in oil is specific It can include information about gas-in-oil values versus the sum of six gas-in-oils.

또한, 학습 데이터는 변압기 상태 데이터를 포함할 수 있다. 변압기 상태 데이터는 유중 가스 데이터와 대응되어 학습에 활용될 수 있다.In addition, the learning data may include transformer state data. Transformer state data may be used for learning in correspondence with gas-in-oil data.

제1 예측 모델(오일 여과)(130) 및 제2 예측 모델(오일 비여과)(140)는 LSTM(Long Short-Term Memory models) 기반의 모델일 수 있고, 변압기 데이터 입력부(100)를 통해 입력된 유중 가스 데이터를 기반으로 다음 계측 시점에 변압기의 상태에 대한 예측이 수행될 수 있다. LSTM 모델은 시계열적 예측을 수행하는 모델의 예시로서 다른 다양한 예측 모델이 사용될 수 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.The first predictive model (oil filtration) 130 and the second predictive model (oil non-filtration) 140 may be Long Short-Term Memory models (LSTM)-based models, and are input through the transformer data input unit 100 . Based on the obtained gas-in-oil data, prediction of the state of the transformer at the next measurement point can be performed. The LSTM model is an example of a model for performing time-series prediction, and various other prediction models may be used, and such an embodiment may also be included in the scope of the present invention.

제1 예측 모델(오일 여과)(130) 및 제2 예측 모델(오일 비여과)(140)에 대한 구체적인 학습 과정은 후술된다.A specific learning process for the first predictive model (oil filtration) 130 and the second predictive model (oil non-filtration) 140 will be described later.

오일 여과 여부를 고려하여 n개의 이전 시점의 유중 가스 데이터가 제1 예측 모델(오일 여과)(130) 또는 제2 예측 모델(오일 비여과)(140)로 입력되는 경우, n+1 시점의 변압기 상태가 예측될 수 있다. 변압기의 상태는 제1 상태(Normal), 제2 상태(Warning), 제3 상태(Critical) 또는 제4 상태(Fault)로 분류될 수 있다. 구체적으로 본 발명에서는 제1 예측 모델(오일 여과)(130) 또는 제2 예측 모델(오일 비여과)(140)를 통해 특정 변압기에 대한 n회 계측을 수행한 변압기 데이터를 기반으로 이후 변압기의 상태에 대한 예측이 가능할 수 있다. 이러한 변압기 상태 예측을 위한 계측 횟수는 하나의 예시이고, 제1 예측 모델(오일 여과)(130) 및 제2 예측 모델(오일 비여과)(140)의 구조에 따라 변화될 수 있는 값으로서 다른 계측 횟수가 사용될 수도 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.When n gas-in-oil data of the previous time points are input to the first predictive model (oil filtration) 130 or the second predictive model (oil unfiltered) 140 in consideration of whether oil is filtered, the transformer at time n+1 The state can be predicted. The state of the transformer may be classified into a first state (Normal), a second state (Warning), a third state (Critical), or a fourth state (Fault). Specifically, in the present invention, based on the transformer data that has been measured n times for a specific transformer through the first predictive model (oil filtration) 130 or the second predictive model (oil non-filtration) 140, the state of the transformer thereafter can be predicted. The number of measurements for predicting the state of the transformer is one example, and other measurements as a value that can be changed depending on the structures of the first prediction model (oil filtration) 130 and the second prediction model (oil non-filtration) 140 The number may be used, and such an embodiment may also be included in the scope of the present invention.

프로세서(150)는 변압기 데이터 입력부(100), 오일 여과 결정부(110) 및/또는 변압기 상태 예측부(120)의 동작을 제어하기 위해 구현될 수 있다.The processor 150 may be implemented to control operations of the transformer data input unit 100 , the oil filtration determination unit 110 , and/or the transformer state prediction unit 120 .

프로세서(150)는 변압기 데이터 입력부(100), 오일 여과 결정부(110) 및/또는 변압기 상태 예측부(120)와 동작 가능하게(operatively) 연결될 수 있다.The processor 150 may be operatively connected to the transformer data input unit 100 , the oil filtration determination unit 110 , and/or the transformer state prediction unit 120 .

이하 본 발명의 실시예에서는 보다 구체적인 오일 여과 여부에 대한 판단 및 변압기 상태에 대한 예측 방법이 개시된다. Hereinafter, in an embodiment of the present invention, a more specific method of determining whether to filter oil and predicting the state of a transformer is disclosed.

도 2는 본 발명의 실시예에 따른 오일 여과 여부 판단 방법을 나타낸 개념도이다.2 is a conceptual diagram illustrating a method for determining whether to filter oil according to an embodiment of the present invention.

도 2에서는 오일 여과 여부를 판단하기 위한 오일 여과 판단 가스를 결정하기 위한 방법이 개시된다.2 discloses a method for determining an oil filtration determination gas for determining whether or not oil is filtered.

도 2를 참조하면, 오일 여과 결정부의 오일 여과 여부에 대한 판단은 6종의 유중 가스(200) 중 오일 여과 여부에 대한 판단의 정확도를 높일 수 있는 오일 여과 판단 가스(250)를 기반으로 수행될 수 있다.Referring to FIG. 2 , the determination of whether the oil filtration decision unit is filtration of oil is performed based on the oil filtration determination gas 250 that can increase the accuracy of the determination of whether oil is filtered among the six types of gas-in-oil 200 . can

구체적으로 오일 여과 판단 가스(250)는 오일 여과 이후 계측 결과 임계 퍼센트 이상 감소한 가스일 수 있다. 본 발명의 실시예에서는 6종 유중 가스(200) 중 메탄(CH4), 에틸렌(C2H4), 에탄(C2H6) 3종 가스가 다음 계측 시점에서 동시에 임계 퍼센트(예를 들어, 60% 하강 시) 오일 여과가 진행되었다고 결정될 수 있다. Specifically, the oil filtration determination gas 250 may be a gas that has decreased by more than a critical percentage as a result of measurement after oil filtration. In an embodiment of the present invention, methane (CH 4 ), ethylene (C 2 H 4 ), and ethane (C 2 H 6 ) three gases among the six gas-in-oil 200 are simultaneously critical percent (for example, , at 60% drop), it can be determined that oil filtration has progressed.

오일 여과 판단 가스(250)로 선택될 수 없는 유중 가스는 오일 채취시 공기 중으로 손실이 임계 퍼센트 이상 발생하는 가스, 데이터의 산포가 임계값 이상인 가스, 데이터의 변화폭 발생이 임계값 이하인 가스일 수 있다.The gas-in-oil that cannot be selected as the oil filtration determination gas 250 may be a gas in which a loss occurs in the air at the time of oil extraction by a critical percentage or more, a gas in which the data distribution is more than a threshold value, or a gas in which the occurrence of a change in data is less than a threshold value. .

본 발명에서 6종 가스 중 H2는 오일 채취시 공기 중으로 손실되는 경우가 많아 데이터 정확도가 낮은 가스에 해당하고, CO는 데이터 산포가 너무 큰 가스에 해당하고, C2H2는 아크 고장 이외 대부분 경우에 발생하지 않는 가스로서 오일 여과 판단 가스(250)로 선택되지 않을 수 있다.In the present invention, H 2 of the six types of gases is often lost to the air during oil extraction, so it corresponds to a gas with low data accuracy, CO corresponds to a gas with too large data distribution, and C 2 H 2 is mostly other than arc failure. As a gas that does not occur in this case, it may not be selected as the oil filtration determination gas 250 .

아래의 표1은 오일 여과를 진행한 실제 변압기 유중 가스에 대한 데이터이고, 2015년도가 오일 여과 여과시점인 6종 유중 가스에 대한 데이터이다. 단위는 ppm(part per million)일 수 있다.Table 1 below is data on actual transformer gas-in-oil that has been subjected to oil filtration, and data on 6 types of gas-in-oil where 2015 is the time of oil filtration. The unit may be parts per million (ppm).

<표 1> <Table 1>

Figure 112020100428304-pat00001
Figure 112020100428304-pat00001

메탄(CH4), 에틸렌(C2H4), 에탄(C2H6) 3종 가스가 여과 이후 60% 이하로 감소하는 것을 확인할 수 있고, 해당 3종 가스가 오일 여과 판단 가스(250)로 활용되어 오일 필터링 여부에 대한 판단을 위해 사용될 수 있다.Methane (CH 4 ), ethylene (C 2 H 4 ), and ethane (C 2 H 6 ) It can be seen that the three types of gases are reduced to 60% or less after filtration, and the three types of gases are oil filtration judgment gas (250) It can be used to determine whether or not to filter the oil.

이러한 오일 여과 판단 가스(250)는 하나의 예시로서 다른 오일 여과 판단 가스(250)가 오일 여과 여부를 판단하기 위해 활용될 수도 있고 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.The oil filtration determination gas 250 is an example, and other oil filtration determination gas 250 may be used to determine whether oil is filtered, and this embodiment may also be included in the scope of the present invention.

도 3은 본 발명의 실시예에 따른 학습 기반으로 변압기의 상태를 예측하는 방법을 나타낸 개념도이다.3 is a conceptual diagram illustrating a method of predicting a state of a transformer based on learning according to an embodiment of the present invention.

도 3에서는 LSTM(Long Short-Term Memory models)과 같은 예측 모델을 학습하기 위한 방법이 개시된다.3 discloses a method for learning a predictive model such as Long Short-Term Memory models (LSTM).

도 3을 참조하면, 제1 예측 모델(오일 여과)(300) 및 제2 예측 모델(오일 비여과)(350)를 생성하기 위해 학습 데이터가 분리되어 전달될 수 있다.Referring to FIG. 3 , training data may be separately transmitted to generate a first predictive model (oil filtration) 300 and a second predictive model (oil unfiltered) 350 .

오일 여과를 수행한 경우의 유중 가스 데이터, 변압기 상태 데이터를 포함하는 학습 데이터(오일 여과)가 입력되어 제1 예측 모델(오일 여과)(300)가 생성될 수 있다. 오일 여과를 수행하지 않은 경우의 유중 가스 데이터, 변압기 상태 데이터를 포함하는 학습 데이터(오일 비여과)가 입력되어 학습 제2 예측 모델(오일 비여과)(350)가 생성될 수 있다.When oil filtration is performed, learning data (oil filtration) including gas-in-oil data and transformer state data may be input to generate a first predictive model (oil filtration) 300 . Learning data (oil unfiltered) including gas-in-oil data and transformer state data when oil filtration is not performed may be input to generate a second learning prediction model (oil unfiltered) 350 .

본 발명의 실시예에 따르면, 각각의 예측 모델은 아래와 같은 하위 예측 모델을 포함할 수 있다.According to an embodiment of the present invention, each prediction model may include the following sub-prediction models.

우선 제1 예측 모델(오일 여과)(300)는 복수의 하위 예측 모델(예를 들어, 하위 예측 모델1(오일 여과)(310), 하위 예측 모델2(오일 여과)(320), 하위 예측 모델3(오일 여과)(330), 하위 예측 모델4(오일 여과)(340)를 포함할 수 있고, 복수의 하위 예측 모델(오일 여과) 각각은 변압기의 개별 상태에 대한 예측을 위한 예측 모델일 수 있다.First, the first predictive model (oil filtration) 300 includes a plurality of sub-prediction models (eg, sub-prediction model 1 (oil filtration) 310, sub-prediction model 2 (oil filtration) 320), and sub-prediction models 3 (oil filtration) 330 and sub-prediction model 4 (oil filtration) 340 may be included, and each of a plurality of sub-prediction models (oil filtration) may be a predictive model for predicting individual states of the transformer. have.

제2 예측 모델(오일 비여과)(350)는 복수의 하위 예측 모델(예를 들어, 하위 예측 모델1(오일 비여과)(360), 하위 예측 모델2(오일 비여과)(370), 하위 예측 모델3(오일 비여과)(380), 하위 예측 모델4(오일 비여과)(390)를 포함할 수 있고, 복수의 하위 예측 모델(오일 비여과) 각각은 변압기의 개별 상태에 대한 예측을 위한 예측 모델일 수 있다.The second predictive model (oil unfiltered) 350 includes a plurality of sub predictive models (eg, lower predictive model 1 (oil unfiltered) 360, lower predictive model 2 (oil unfiltered) 370, lower It may include a predictive model 3 (oil unfiltered) 380, a sub predictive model 4 (oil unfiltered) 390, and each of a plurality of sub predictive models (oil unfiltered) predicts the individual state of the transformer. It may be a predictive model for

변압기의 4개의 상태 중 하나의 상태를 판단하는 경우, 하위 예측 모델3(오일 여과)(330), 하위 예측 모델3(오일 비여과)(380)까지만 사용되고, 하위 예측 모델4(오일 여과)(340), 하위 예측 모델4(오일 비여과)(390)는 예측 모델에 포함되지 않을 수 있다. 왜냐하면, 하위 예측 모델3(오일 여과)(340), 하위 예측 모델3(오일 비여과)(390)를 기반으로 변압기 상태가 예측되지 않는 경우, 하위 예측 모델4(오일 여과)(340), 하위 예측 모델4(오일 비여과)(390) 없이도 판단이 남은 마지막 변압기 상태가 이후 변압기 상태로 예측되기 때문이다. 이하, 본 발명의 실시예에서는 설명의 편의상 하위 예측 모델4(오일 여과)(340), 하위 예측 모델4(오일 비여과)(390)이 존재하는 것으로 가정하여 설명한다.When determining the state of one of the four states of the transformer, only the lower predictive model 3 (oil filtration) 330, the lower predictive model 3 (oil non-filtration) 380 are used, and the lower predictive model 4 (oil filtration) ( 340), the lower prediction model 4 (oil unfiltered) 390 may not be included in the prediction model. Because, when the transformer state is not predicted based on the sub-prediction model 3 (oil filtration) 340, the sub-prediction model 3 (oil non-filtration) 390, the sub-prediction model 4 (oil filtration) 340, the sub This is because the last state of the transformer remaining in the judgment without the prediction model 4 (oil non-filtration) 390 is predicted as the state of the transformer thereafter. Hereinafter, in the embodiment of the present invention, for convenience of description, it is assumed that the sub-prediction model 4 (oil filtration) 340 and the sub-prediction model 4 (oil non-filtration) 390 exist.

변압기의 상태가 제1 상태(normal), 2 상태(warning), 제3 상태(critical) 및 제4 상태(fault)로 구분되는 경우를 가정할 수 있다.It may be assumed that the state of the transformer is divided into a first state (normal), a second state (warning), a third state (critical), and a fourth state (fault).

각각의 하위 예측 모델은 변압기 각각의 상태를 예측하기 위해 개별적인 학습에 의해 생성되어 사용될 수 있다. Each sub-prediction model can be generated and used by individual learning to predict the state of each transformer.

이하, 도 4 및 도 5에서 제1 예측 모델(오일 여과)(300) 및 제2 예측 모델(오일 비여과)(350)에 포함되는 하위 예측 모델의 학습 방법이 개시된다. 개별 하위 예측 모델이 판별하는 변압기의 상태는 예시적인 것으로서 변화될 수 있다. Hereinafter, a method of learning a sub-prediction model included in the first predictive model (oil filtration) 300 and the second predictive model (oil non-filtration) 350 in FIGS. 4 and 5 is disclosed. The state of the transformer determined by the individual sub-prediction model may be changed as an example.

구체적으로 제1 예측 모델(오일 여과)(300) 및 제2 예측 모델(오일 비여과) (350) 각각에 포함되는 개별 하위 예측 모델이 나열되어 순차적으로 변압기 상태 판단이 수행되는 순서는 변화될 수 있다. 예를 들어, 예측 정확도를 고려하여 제1 예측 모델(오일 여과)(300) 내에 포함되는 하위 예측 모델1(오일 여과)(310) 내지 하위 예측 모델4(오일 여과)(340)가 배치되는 순서는 적응적으로 변화될 수 있다. 마찬가지로, 제2 예측 모델(오일 비여과)(350) 내에 포함되는 하위 예측 모델1(오일 비여과)(360) 내지 하위 예측 모델4(오일 비여과)(390)가 배치되는 순서는 적응적으로 변화될 수 있다.Specifically, the individual sub-prediction models included in each of the first predictive model (oil filtration) 300 and the second predictive model (oil non-filtration) 350 are listed, and the order in which the transformer state determination is sequentially performed can be changed. have. For example, the order in which the sub-prediction model 1 (oil filtration) 310 to the sub-prediction model 4 (oil filtration) 340 included in the first prediction model (oil filtration) 300 are arranged in consideration of the prediction accuracy can be adaptively changed. Similarly, the order in which the sub-predictive model 1 (oil-unfiltered) 360 to the sub-prediction model 4 (oil unfiltered) 390 included in the second predictive model (oil unfiltered) 350 is arranged is adaptively can be changed

도 4는 본 발명의 실시예에 따른 제1 예측 모델(오일 여과)를 생성하는 방법을 나타낸 개념도이다.4 is a conceptual diagram illustrating a method of generating a first predictive model (oil filtration) according to an embodiment of the present invention.

도 4에서는 제1 예측 모델(오일 여과)에 포함되는 복수의 하위 예측 모델을 생성하기 위한 방법이 개시된다. 복수의 하위 예측 모델의 개수는 하나의 예시일 수 있다.4 discloses a method for generating a plurality of sub-predictive models included in a first predictive model (oil filtration). The number of the plurality of sub-prediction models may be one example.

도 4를 참조하면, 복수의 하위 예측 모델은 하위 예측 모델1(오일 여과), 하위 예측 모델2(오일 여과), 하위 예측 모델3(오일 여과), 하위 예측 모델4(오일 여과)를 포함할 수 있다. 이때 하위 예측 모델(오일 여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델일 수 있다. 복수의 하위 예측 모델 각각은 시계열적 예측을 수행하는 LSTM 모델일 수 있다.4 , the plurality of sub-prediction models include sub-prediction model 1 (oil filtration), sub-prediction model 2 (oil filtration), sub-prediction model 3 (oil filtration), and sub-prediction model 4 (oil filtration). can In this case, each of the sub-prediction models (oil filtration) may be an individually trained model to distinguish one state from the other. Each of the plurality of sub-prediction models may be an LSTM model that performs time-series prediction.

하위 예측 모델1(오일 여과)(400)는 제3 상태(critical)과 나머지 제1 상태(normal), 제2 상태(warning), 제4 상태(fault)를 구분하기 위한 모델일 수 있다. 하위 예측 모델1(오일 여과)(400)를 학습시키기 위해 학습 데이터로서 제1 오일 여과 데이터 세트(410)와 제2 오일 여과 데이터 세트(420)가 입력될 수 있다. 구체적으로 제1 오일 여과 데이터 세트(410)는 기존의 변압기가 제3 상태(critical)로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함하고, 제2 오일 여과 데이터 세트(420)는 기존의 변압기가 제1 상태(normal), 제2 상태(warning) 및 제4 상태(fault)로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다. 제1 오일 여과 데이터 세트(410) 및 제2 오일 여과 데이터 세트(420)는 오일 여과를 수행한 경우의 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다.The sub-prediction model 1 (oil filtration) 400 may be a model for distinguishing a third state (critical) from the remaining first state (normal), a second state (warning), and a fourth state (fault). In order to train the lower prediction model 1 (oil filtration) 400 , the first oil filtration data set 410 and the second oil filtration data set 420 may be input as training data. Specifically, the first oil filtration data set 410 includes gas-in-oil data and transformer state data in which the existing transformer is judged to be a third critical state, and the second oil filtration data set 420 is the existing transformer The first state (normal), the second state (warning), and the fourth state (fault) may include gas-in-oil data and transformer state data. The first oil filtration data set 410 and the second oil filtration data set 420 may include gas-in-oil data and transformer state data when oil filtration is performed.

구체적으로 제1 오일 여과 데이터 세트(410)는 5년째에 제3 상태(critical)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기의 상태 데이터일 수 있다. 제2 오일 여과 데이터 세트(420)는 5년째에 제1 상태(normal), 제2 상태(warning), 제4 상태(fault)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기 상태 데이터일 수 있다.Specifically, the first oil filtration data set 410 is gas-in-oil data by year from 1 to 4 years before the transformer determined to be third critical in the 5th year, and by year from 2 to 5 years before. It may be the state data of the transformer. The second oil filtration data set 420 is gas-in-oil by year from 1 to 4 years prior to the transformer judged to be in the first state (normal), the second state (warning), and the fourth state (fault) in the fifth year. It can be data and transformer status data by year from the previous 2 to 5 years.

학습 데이터는 유중 가스 6종 정보와 유중 가스 6종 조성비 정보를 n번 수집한 결과 각각 및 n번 진단을 수행한 결과를 포함하고 이를 기반으로 n개의 레이어에 대한 학습이 수행될 수 있다.The learning data includes the results of collecting 6 types of gas-in-oil information and 6 types of gas-in-oil composition ratio information n times, and the results of performing n diagnoses, respectively, and based on this, learning of n layers may be performed.

n개의 레이어 각각에 입력값으로 특정년도 유중 가스 데이터가 입력되고, 출력값으로는 특정년도의 다음년도 변압기 상태 데이터가 입력되어 n 개의 레이어에 대한 모델링이 수행될 수 있다.For each of the n layers, gas-in-oil data for a specific year is input as an input value, and as an output value, transformer state data for the next year of a specific year is inputted, so that modeling of n layers can be performed.

하위 예측 모델1(오일 여과)(400)로 오일 여과를 수행한 별도로 라벨링된 제1 오일 여과 데이터 세트(410) 및 제2 오일 여과 데이터 세트(420)가 입력될 수 있다.Separately labeled first oil filtration data set 410 and second oil filtration data set 420 in which oil filtration is performed with sub-prediction model 1 (oil filtration) 400 may be input.

구체적인 예로, 제1 오일 여과 데이터 세트(410)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제1 라벨링되어 하위 예측 모델1(오일 여과)(400)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제3 상태(critical)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.As a specific example, {2013 training data, 2014 training data, 2015 training data, 2016 training data, 2017 training data} included in the first oil filtration data set 410 is first labeled and sub-prediction model 1 (Oil filtration) 400 may be input, and this learning data may include gas-in-oil data for each year of the transformer determined to be critical in 2017 and the transformer state data for each year.

xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제1 오일 여과 데이터 세트의 경우, yt에 2017년 변압기 상태 데이터가 제3 상태(critical)일 수 있다.2013 gas-in-oil data is entered in x t -3, 2014 transformer state data is entered in y t-3 , 2014 gas-in-oil data is entered in x t -2, and 2015 transformer state data is entered in y t-2 For example, x t-1 contains 2015 gas-in-oil data, y t-1 contains 2016 transformer state data, x t contains 2016 gas-in-oil data, and y t contains 2017 transformer state data. can For the first oil filtration data set, the 2017 transformer state data may be critical at y t .

마찬가지로 제2 오일 여과 데이터 세트(420)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제2 라벨링되어 하위 예측 모델1(오일 여과)(400)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제1 상태(normal), 제2 상태(warning) 또는 제4 상태(fault)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.Similarly, {2013 training data, 2014 training data, 2015 training data, 2016 training data, 2017 training data} included in the second oil filtration data set 420 is second labeled and sub-prediction model 1 (oil filtration) 400 , and this learning data is gas-in-oil data for each year of the transformer determined as the first state (normal), the second state (warning), or the fourth state (fault) in 2017. It may contain star transformer status data.

xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제2 오일 여과 데이터 세트(420)의 경우, yt에 2017년 변압기 상태 데이터가 제1 상태(normal), 제2 상태(warning) 또는 제4 상태(fault)일 수 있다. 2013 gas-in-oil data is entered in x t -3, 2014 transformer state data is entered in y t-3 , 2014 gas-in-oil data is entered in x t -2, and 2015 transformer state data is entered in y t-2 For example, x t-1 contains 2015 gas-in-oil data, y t-1 contains 2016 transformer state data, x t contains 2016 gas-in-oil data, and y t contains 2017 transformer state data. can For the second oil filtration data set 420 , the 2017 transformer state data may be in a first state (normal), a second state (warning), or a fourth state (fault) at y t .

이러한 방식으로 하위 예측 모델1(오일 여과)(400)는 제1 라벨링된 제1 오일 여과 데이터 세트(410) 및 제2 라벨링된 제2 오일 여과 데이터 세트(420)를 기반으로 제3 상태(critical)과 나머지 상태를 구분하기 위한 가중치를 학습할 수 있다.In this way, the sub-predictive model 1 (oil filtration) 400 is critical based on the first labeled first oil filtration data set 410 and the second labeled second oil filtration data set 420 . ) and a weight to distinguish the remaining states can be learned.

마찬가지 방식으로 하위 예측 모델2(오일 여과)는 제1 라벨링된 제3 오일 여과 데이터 세트 및 제2 라벨링된 제4 오일 여과 데이터 세트를 기반으로 제4 상태(fault)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제3 상태(critical))를 구분하기 위한 가중치를 학습할 수 있다.Similarly, the sub-predictive model 2 (oil filtration) generates a fourth state (fault) and a remaining state (first state ( normal), the second state (warning), and the third state (critical)) may be learned by weight.

하위 예측 모델3(오일 여과)는 제1 라벨링된 제5 오일 여과 데이터 세트 및 제2 라벨링된 제6 오일 여과 데이터 세트를 기반으로 제1 상태(normal)과 나머지 상태(제2 상태(warning), 제3 상태(critical), 제4 상태(fault))를 구분하기 위한 가중치를 학습할 수 있다.Sub-prediction model 3 (oil filtration) is based on the first labeled fifth oil filtration data set and the second labeled sixth oil filtration data set, the first state (normal) and the remaining state (second state (warning), A weight for classifying a third state (critical) and a fourth state (fault) may be learned.

하위 예측 모델4(오일 여과)는 제1 라벨링된 제7 오일 여과 데이터 세트 및 제2 라벨링된 제8 오일 여과 데이터 세트를 기반으로 제2 상태(warning)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제3 상태(critical))를 구분하기 위한 가중치를 학습할 수 있다.Sub-predictive model 4 (oil filtration) is based on the first labeled seventh oil filtration data set and the second labeled eighth oil filtration data set, with a second state (warning) and a remaining state (first state (normal), A weight for classifying the second state (warning) and the third state (critical) may be learned.

전술한 바와 같이 하위 예측 모델의 배치 순서는 판단의 정확도에 따라 예측 모델 내에서 다르게 설정될 수 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.As described above, the arrangement order of the lower prediction models may be set differently within the prediction model according to the accuracy of determination, and such an embodiment may also be included in the scope of the present invention.

도 5는 본 발명의 실시예에 따른 제2 예측 모델(오일 비여과)를 생성하는 방법을 나타낸 개념도이다.5 is a conceptual diagram illustrating a method of generating a second predictive model (oil non-filtration) according to an embodiment of the present invention.

도 5에서는 제2 예측 모델(오일 비여과)에 포함되는 복수의 하위 예측 모델을 생성하기 위한 방법이 개시된다. 복수의 하위 예측 모델의 개수는 하나의 예시일 수 있다.5 discloses a method for generating a plurality of sub-predictive models included in the second predictive model (oil unfiltered). The number of the plurality of sub-prediction models may be one example.

도 5를 참조하면, 복수의 하위 예측 모델은 하위 예측 모델1(오일 비여과), 하위 예측 모델2(오일 비여과), 하위 예측 모델3(오일 비여과), 하위 예측 모델4(오일 비여과)를 포함할 수 있다. 이때 하위 예측 모델(오일 비여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델일 수 있다. 복수의 하위 예측 모델 각각은 시계열적 예측을 수행하는 LSTM 모델일 수 있다.Referring to FIG. 5 , the plurality of sub-prediction models are sub-prediction model 1 (oil non-filtration), sub-prediction model 2 (oil non-filtration), sub-prediction model 3 (oil non-filtration), and sub-prediction model 4 (oil unfiltered). ) may be included. In this case, each of the sub-predictive models (oil unfiltered) may be an individually trained model to distinguish one state from the other. Each of the plurality of sub-prediction models may be an LSTM model that performs time-series prediction.

하위 예측 모델1(오일 비여과)(500)는 제1 상태(normal)과 나머지 제2 상태(warning), 제3 상태(critical), 제4 상태(fault)를 구분하기 위한 모델일 수 있다. 하위 예측 모델1(오일 비여과)(500)를 학습시키기 위해 학습 데이터로서 제1 오일 비여과 데이터 세트(510)와 제2 오일 비여과 데이터 세트(520)가 입력될 수 있다. 구체적으로 제1 오일 비여과 데이터 세트(510)는 기존의 변압기가 제1 상태로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함하고, 제2 오일 비여과 데이터 세트(520)는 기존의 변압기가 제2 상태, 제3 상태 및 제4 상태로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다. 제1 오일 비여과 데이터 세트(510) 및 제2 오일 비여과 데이터 세트(520)는 오일 여과를 수행하지 않은 경우의 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다.The sub-prediction model 1 (oil unfiltered) 500 may be a model for distinguishing a first state (normal) from the remaining second state (warning), a third state (critical), and a fourth state (fault). In order to train the lower prediction model 1 (oil unfiltered) 500, a first oil unfiltered data set 510 and a second oil unfiltered data set 520 may be input as training data. Specifically, the first oil unfiltered data set 510 includes gas-in-oil data and transformer state data in which the existing transformer was determined as the first state, and the second oil unfiltered data set 520 is the existing transformer It may include gas-in-oil data and transformer state data that were determined to be the second state, the third state, and the fourth state. The first oil unfiltered data set 510 and the second oil unfiltered data set 520 may include gas-in-oil data and transformer state data when oil filtration is not performed.

구체적으로 제1 오일 비여과 데이터 세트(510)는 5년째에 제1 상태(normal)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기 상태 데이터일 수 있다. 제2 오일 비여과 데이터 세트(520)는 5년째에 제2 상태(warning), 제3 상태(critical), 제4 상태(fault)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기 상태 데이터일 수 있다.Specifically, the first oil unfiltered data set 510 includes yearly gas-in-oil data from 1 to 4 years before the transformer determined to be in the first state in the 5th year and years from 2 to 5 years before. It may be star transformer status data. The second oil unfiltered data set 520 is oil-in-oil by year from 1 to 4 years prior to the transformer judged to be in the second state (warning), third state (critical), and fourth state (fault) in the fifth year. It can be gas data and transformer status data by year from the previous 2 to 5 years.

학습 데이터는 유중 가스 6종 정보와 유중 가스 6종 조성비 정보를 n번 수집한 결과 각각 및 n번 진단을 수행한 결과를 포함하고 이를 기반으로 n개의 레이어에 대한 학습이 수행될 수 있다. n개의 레이어 각각에 입력값으로 특정년도 유중 가스 데이터가 입력되고, 출력값으로는 특정년도의 다음년도 변압기 상태 데이터가 입력되어 n 개의 레이어에 대한 모델링이 수행될 수 있다.The learning data includes the results of collecting 6 types of gas-in-oil information and 6 types of gas-in-oil composition ratio information n times, and the results of performing n diagnoses, respectively, and based on this, learning of n layers may be performed. For each of the n layers, gas-in-oil data for a specific year is input as an input value, and as an output value, transformer state data for the next year of a specific year is inputted, so that modeling of n layers can be performed.

하위 예측 모델1(오일 비여과)(500)로 오일 여과를 수행하지 않은 별도로 라벨링된 제1 오일 비여과 데이터 세트(510) 및 제2 오일 비여과 데이터 세트(520)가 입력될 수 있다.A first oil unfiltered data set 510 and a second oil unfiltered data set 520 that are separately labeled for which oil filtration is not performed may be input to the sub-prediction model 1 (oil unfiltered) 500 .

구체적인 예로, 제1 오일 비여과 데이터 세트(510)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제1 라벨링되어 하위 예측 모델1(오일 비여과)(500)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제1 상태(normal)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.As a specific example, {2013 training data, 2014 training data, 2015 training data, 2016 training data, 2017 training data} included in the first oil unfiltered data set 510 is first labeled and a sub-prediction model 1 (non-filtration of oil) may be input as 500, and this learning data may include gas-in-oil data for each year of the transformer determined to be a first state (normal) in 2017 and transformer state data for each year.

xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어가고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제1 오일 비여과 데이터 세트(510)의 경우, yt에 2017년 변압기 상태 데이터가 제1 상태(normal)일 수 있다.2013 gas-in-oil data is entered in x t -3, 2014 transformer state data is entered in y t-3 , 2014 gas-in-oil data is entered in x t -2, and 2015 transformer state data is entered in y t-2 In x t-1 , 2015 gas-in-oil data enters, y t-1 enters 2016 transformer state data, x t contains 2016 gas-in-oil data, and y t contains 2017 transformer state data. have. In the case of the first oil unfiltered data set 510 , the 2017 transformer state data may be in a first state (normal) at y t .

마찬가지로 제2 오일 비여과 데이터 세트(520)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제2 라벨링되어 하위 예측 모델1(오일 비여과)(500)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제2 상태(warning), 제3 상태(critical) 또는 제4 상태(fault)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.Similarly, {2013 training data, 2014 training data, 2015 training data, 2016 training data, 2017 training data} included in the second oil unfiltered data set 520 is second labeled to sub-prediction model 1 ( Oil unfiltered) 500, this learning data is gas-in-oil data for each year of the transformer determined as the second state (warning), the third state (critical), or the fourth state (fault) in 2017. and year-by-year transformer state data.

xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어가고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제2 오일 비여과 데이터 세트(520)의 경우, yt에 2017년 변압기 상태 데이터가 제2 상태(warning), 제3 상태(critical) 또는 제4 상태(fault)일 수 있다. In xt-3, 2013 gas-in-oil data enters, yt-3 enters 2014 transformer status data, xt-2 enters 2014 gas-in-oil data, yt-2 enters 2015 transformer status data, and xt- 1 may contain 2015 gas-in-oil data, yt-1 may contain 2016 transformer state data, xt may contain 2016 gas-in-oil data, and yt may contain 2017 transformer state data. For the second oil unfiltered data set 520 , the 2017 transformer state data at yt may be in a second state (warning), a third state (critical), or a fourth state (fault).

이러한 방식으로 하위 예측 모델1(오일 비여과)(500)는 제1 라벨링된 제1 오일 비여과 데이터 세트(510) 및 제2 라벨링된 제2 오일 비여과 데이터 세트(520)를 기반으로 제1 상태(normal)과 나머지 상태를 구분하기 위한 가중치를 학습할 수 있다.In this way, the sub-predictive model 1 (oil unfiltered) 500 is first based on the first labeled first oil unfiltered data set 510 and the second labeled second oil unfiltered data set 520 . A weight for discriminating between a normal state and the remaining states may be learned.

마찬가지 방식으로 하위 예측 모델2(오일 비여과)는 제1 라벨링된 제3 오일 비여과 데이터 세트 및 제2 라벨링된 제4 오일 비여과 데이터 세트를 기반으로 제2 상태(warning)과 나머지 상태(제1 상태(normal), 제3 상태(critical), 제4 상태(fault))를 구분하기 위한 가중치를 학습할 수 있다.Similarly, the sub-predictive model 2 (oil unfiltered) is based on the first labeled third oil unfiltered data set and the second labeled fourth oil unfiltered data set based on the second state (warning) and the remaining state (second state). A weight for classifying the first state (normal), the third state (critical), and the fourth state (fault) may be learned.

하위 예측 모델3(오일 비여과)는 제1 라벨링된 제5 오일 비여과 데이터 세트 및 제2 라벨링된 제6 오일 비여과 데이터 세트를 기반으로 제3 상태(critical)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제4 상태(fault))를 구분하기 위한 가중치를 학습할 수 있다.Sub-predictive model 3 (oil unfiltered) is based on the first labeled fifth oil unfiltered data set and the second labeled sixth oil unfiltered data set based on the third state (critical) and the remaining state (first state ( normal), a second state (warning), and a fourth state (fault)) may be learned by weight.

하위 예측 모델4(오일 비여과)는 제1 라벨링된 제7 오일 비여과 데이터 세트 및 제2 라벨링된 제8 오일 비여과 데이터 세트를 기반으로 제4 상태(fault)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제3 상태(critical))를 구분하기 위한 가중치를 학습할 수 있다.Sub-predictive model 4 (oil unfiltered) is based on the first labeled seventh oil unfiltered data set and the second labeled eighth oil unfiltered data set based on the fourth state (fault) and the remaining state (first state ( normal), the second state (warning), and the third state (critical)) may be learned by weight.

전술한 바와 같이 하위 예측 모델의 배치 순서는 판단의 정확도에 따라 예측 모델 내에서 다르게 설정될 수 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.As described above, the arrangement order of the lower prediction models may be set differently within the prediction model according to the accuracy of determination, and such an embodiment may also be included in the scope of the present invention.

도 3 내지 도 5에서는 제1 예측 모델 및 제2 예측 모델을 내에 포함되는 개별 상태를 예측하는 하위 예측 모델이 개시되었으나, 본 발명의 실시예에 따르면, 별도의 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)이 별도의 하위 예측 모델 없이 생성될 수도 있다.3 to 5, a sub-prediction model for predicting individual states included in the first predictive model and the second predictive model has been disclosed, but according to an embodiment of the present invention, a separate first predictive model (oil filtration) and A second predictive model (non-filtered oil) may be generated without a separate sub-predictive model.

도 6은 본 발명의 실시예에 따른 예측 모델 생성 방법을 나타낸 개념도이다.6 is a conceptual diagram illustrating a method for generating a predictive model according to an embodiment of the present invention.

도 6에서는 별도의 하위 예측 모델의 생성없이 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 생성하는 방법이 개시된다. 6 discloses a method of generating a first predictive model (oil filtration) and a second predictive model (oil non-filtration) without generating a separate sub-prediction model.

도 6을 참조하면, 제1 예측 모델(오일 여과)(600)는 오일 여과 작업을 수행한 경우의 학습 데이터(오일 여과)를 기반으로 모델링될 수 있다.Referring to FIG. 6 , a first predictive model (oil filtration) 600 may be modeled based on learning data (oil filtration) when an oil filtration operation is performed.

제1 예측 모델(오일 여과)(600)는 레이어1(오일 여과), 레이어2(오일 여과) 레이어3(오일 여과) 레이어4(오일 여과)를 포함할 수 있다. The first predictive model (oil filtration) 600 may include layer 1 (oil filtration), layer 2 (oil filtration), layer 3 (oil filtration), and layer 4 (oil filtration).

(1) 레이어1(오일 여과)에는 t-3년도의 변압기의 제1 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t-2년도까지의 제1 변압기 상태 데이터(오일 여과)가 입력될 수 있다.(1) In layer 1 (oil filtration), the first gas-in-oil data (oil filtration) of the transformer in year t-3 is input as an input value, and as an output value, the first transformer state data (oil filtration) in year t-2 is input as an output value. can be entered.

(2) 레이어2(오일 여과)에는 t-2년도의 변압기의 제2 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t-1년도까지의 제2 변압기 상태 데이터(오일 여과)가 입력될 수 있다.(2) In layer 2 (oil filtration), the second gas-in-oil data (oil filtration) of the transformer in the t-2 year is input as an input value, and as an output value, the second transformer state data up to the t-1 year (oil filtration) is input. can be entered.

(3) 레이어3(오일 여과)에는 t-1년도의 변압기의 제3 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t년도까지의 제3 변압기 상태 데이터(오일 여과)가 입력될 수 있다.(3) In layer 3 (oil filtration), the third gas-in-oil data (oil filtration) of the transformer in year t-1 is input as an input value, and the third transformer state data (oil filtration) up to year t is input as an output value. can be

(4) 레이어4(오일 여과)에는 t년도의 변압기의 제4 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t+1년도까지의 제4 변압기 상태 데이터(오일 여과)가 입력될 수 있다.(4) In layer 4 (oil filtration), the fourth gas-in-oil data (oil filtration) of the transformer in year t is input as an input value, and the fourth transformer state data (oil filtration) up to year t+1 is input as an output value. can be

이러한 방식으로 4개의 순차적인 유중 가스 데이터, 4개의 변압기 상태 데이터를 학습 정보로서 입력하여 레이어1(오일 여과), 레이어2(오일 여과), 레이어3(오일 여과), 레이어4(오일 여과)에 대한 학습이 이루어질 수 있다.In this way, four sequential gas-in-oil data and four transformer state data are input as learning information to layer 1 (oil filtration), layer 2 (oil filtration), layer 3 (oil filtration), and layer 4 (oil filtration). learning can take place.

마찬가지로 제2 예측 모델(오일 비여과)(650)는 오일 비여과 작업을 수행한 경우의 학습 데이터(오일 비여과)(660)를 기반으로 모델링될 수 있다.Similarly, the second predictive model (oil non-filtration) 650 may be modeled based on the training data (oil non-filtration) 660 when the oil non-filtration operation is performed.

제2 예측 모델(오일 비여과)(650)은 레이어1(오일 비여과), 레이어2(오일 비여과) 레이어3(오일 비여과) 레이어4(오일 비여과)를 포함할 수 있다. The second prediction model (oil non-filtration) 650 may include layer 1 (oil non-filtration), layer 2 (oil non-filtration) layer 3 (oil non-filtration) layer 4 (oil non-filtration).

(1) 레이어1(오일 비여과)에는 t-3년도의 변압기의 제1 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t-2년도까지의 제1 변압기 상태 데이터(오일 비여과)가 입력될 수 있다.(1) In layer 1 (oil unfiltered), the first gas-in-oil data (oil unfiltered) of the transformer in the t-3 year is input as an input value, and as an output value, the first transformer state data (oil unfiltered) up to the t-2 year unfiltered) can be entered.

(2) 레이어2(오일 비여과)에는 t-2년도의 변압기의 제2 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t-1년도까지의 제2 변압기 상태 데이터가 입력될 수 있다.(2) In layer 2 (oil unfiltered), the second gas-in-oil data (oil unfiltered) of the transformer for the t-2 year is input as an input value, and the second transformer state data up to the t-1 year is input as an output value. can be

(3) 레이어3(오일 비여과)에는 t-1년도의 변압기의 제3 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t년도까지의 제3 변압기 상태 데이터가 입력될 수 있다.(3) In layer 3 (oil unfiltered), the third gas-in-oil data (oil unfiltered) of the transformer for the t-1 year is input as an input value, and the third transformer state data up to the t year can be input as an output value. have.

(4) 레이어4(오일 비여과)에는 t년도의 변압기의 제4 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t+1년도까지의 제4 변압기 상태 데이터가 입력될 수 있다.(4) In layer 4 (oil unfiltered), the fourth gas-in-oil data (oil unfiltered) of the transformer of year t is input as an input value, and the fourth transformer state data up to year t+1 can be input as an output value. have.

이러한 방식으로 4개의 순차적인 유중 가스 데이터, 4개의 변압기 상태 데이터를 학습 데이터로서 입력하여 레이어1(오일 비여과), 레이어2(오일 비여과), 레이어3(오일 비여과), 레이어4(오일 비여과)에 대한 학습이 이루어질 수 있다.In this way, four sequential gas-in-oil data and four transformer state data are input as training data, so that Layer 1 (non-oil filtration), Layer 2 (oil filtration), Layer 3 (oil filtration), and Layer 4 (oil filtration) data are input. unfiltered) can be learned.

즉, 이러한 방식으로 개별 변압기 상태 판단을 위한 하위 예측 모델의 생성 없이도 예측 모델이 생성될 수도 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함된다. 또는 이러한 개별 변압기 상태 중 일부의 상태만을 판단하기 위한 하위 예측 모델이 사용되고, 나머지 상태의 경우 도 6에서와 같이 통합 판단 모델 상에서 판단될 수도 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.That is, in this way, a prediction model may be generated without generation of a sub-prediction model for determining the state of an individual transformer, and this embodiment is also included in the scope of the present invention. Alternatively, a sub-prediction model for judging only some of these individual transformer states is used, and the remaining states may be determined on an integrated decision model as in FIG. 6, and this embodiment may also be included in the scope of the present invention. .

도 7은 본 발명의 실시예에 따른 변압기의 상태 예측 방법을 나타낸 개념도이다.7 is a conceptual diagram illustrating a method for predicting a state of a transformer according to an embodiment of the present invention.

도 7에서는 변압기의 상태를 예측하는 순서가 개시된다.7 discloses a sequence of predicting the state of the transformer.

도 7을 참조하면, 변압기의 변압기 데이터를 수신한다(단계 S700).Referring to FIG. 7 , transformer data of a transformer is received (step S700 ).

변압기 데이터는 변압기의 유중 가스 데이터 및/또는 변압기 상태 데이터를 포함할 수 있다. 유중 가스 데이터는 변압기에서 측정된 유중 가스 6종 정보 및/또는 유중 가스 6종 조성비 정보를 포함할 수 있다.The transformer data may include gas-in-oil data and/or transformer status data of the transformer. The gas-in-oil data may include information on the 6-type gas-in-oil and/or the 6-type gas-in-oil composition ratio information measured by the transformer.

변압기 데이터가 예측을 위한 조건을 만족하는지 여부를 판단한다(단계 S710).It is determined whether the transformer data satisfies the conditions for prediction (step S710).

예를 들어, 본 발명에서 변압기 상태를 예측하기 위해서는 변압기 데이터에 포함되는 유중 가스 데이터 및/또는 변압기 상태 데이터의 연속성 및 유중 가스 데이터 및 변압기 상태 데이터가 임계 개수 이상인지 여부가 판단될 수 있다.For example, in order to predict the state of the transformer in the present invention, it may be determined whether the gas-in-oil data and/or the continuity of the transformer state data and the gas-in-oil data and the transformer state data included in the transformer data are greater than or equal to a threshold number.

구체적으로 n개의 연속된 유중 가스 데이터 및/또는 n개의 연속된 유중 가스 데이터에 시계열적으로 대응되는 n-1개의 변압기 상태 데이터의 존재 여부가 판단될 수 있다.Specifically, it may be determined whether there are n pieces of continuous gas-in-oil data and/or n-1 pieces of transformer state data corresponding in time series to n consecutive gas-in-oil data.

변압기 데이터가 예측을 위한 조건을 만족하는지 못하는 경우, 변압기 상태 예측은 중단될 수 있다. If the transformer data does not satisfy the conditions for prediction, the transformer state prediction may be stopped.

반대로 변압기 데이터가 예측을 위한 조건을 만족하는 경우, 오일 여과 여부에 대한 판단이 수행된다(단계 S720).Conversely, when the transformer data satisfies the conditions for prediction, a determination is made as to whether oil is filtered (step S720).

본 발명에서는 오일 여과 여부에 따라 서로 다른 예측 모델이 적용되므로 적용할 예측 모델을 결정하기 위한 오일 여과 여부에 대한 판단이 수행될 수 있다.In the present invention, since different predictive models are applied depending on whether oil is filtered, determination of whether to filter oil may be performed to determine a predictive model to be applied.

오일 여과가 수행된 경우, 제1 예측 모델(오일 여과)을 기반으로 한 변압기 상태 예측이 수행되고(단계 S730), 오일 여과가 수행되지 않은 경우, 및 제2 예측 모델(오일 비여과)을 기반으로 한 변압기 상태 예측이 수행될 수 있다(단계 S740).When oil filtration is performed, transformer state prediction is performed based on the first predictive model (oil filtration) (step S730), when oil filtration is not performed, and based on the second predictive model (oil non-filtration) A transformer state prediction may be performed (step S740).

도 3 내지 도 5에서 전술한 바와 같이 하위 예측 모델을 기반으로 판단이 수행되는 경우, 아래와 같이 서로 다른 순서의 상태 판단이 수행될 수 있다.When determination is performed based on the lower prediction model as described above in FIGS. 3 to 5 , state determination in different orders may be performed as follows.

오일 여과가 수행된 경우(단계 S730) 아래와 같은 순서로 변압기의 상태에 대한 판단이 수행될 수 있다.When oil filtration is performed (step S730), determination of the state of the transformer may be performed in the following order.

1) 변압기의 상태가 제3 상태(critical)인지 여부에 대한 판단이 하위 예측 모델1(오일 여과)를 기반으로 수행될 수 있다(단계 S730-1).1) Determination of whether the state of the transformer is the third critical state may be performed based on the lower prediction model 1 (oil filtration) (step S730-1).

2) 변압기의 상태가 제4 상태(fault)인지 여부에 대한 판단이 하위 예측 모델2(오일 여과)를 기반으로 수행될 수 있다(단계 S730-2).2) Determination of whether the state of the transformer is a fourth state (fault) may be performed based on the lower prediction model 2 (oil filtration) (step S730-2).

3) 변압기의 상태가 제1 상태(normal)인지 여부에 대한 판단이 하위 예측 모델3(오일 여과)를 기반으로 수행될 수 있다(단계 S730-3).3) Determination of whether the state of the transformer is the first state (normal) may be performed based on the lower prediction model 3 (oil filtration) (step S730-3).

4) 변압기의 상태가 제2 상태(warning)인지 여부에 대한 판단이 하위 예측 모델4(오일 여과)를 기반으로 수행될 수 있다(단계 S730-4).4) Determination of whether the state of the transformer is the second state (warning) may be performed based on the lower prediction model 4 (oil filtration) (step S730-4).

오일 여과가 수행되지 않은 경우(단계 S740) 아래와 같은 순서로 변압기의 상태에 대한 판단이 수행될 수 있다.When oil filtration is not performed (step S740), determination of the state of the transformer may be performed in the following order.

1) 변압기의 상태가 제1 상태(normal)인지 여부에 대한 판단이 하위 예측 모델1(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-1).1) Determination of whether the state of the transformer is the first state (normal) may be performed based on the lower prediction model 1 (oil non-filtration) (step S740-1).

2) 변압기의 상태가 제2 상태(warning)인지 여부에 대한 판단이 하위 예측 모델2(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-2).2) Determination of whether the state of the transformer is the second state (warning) may be performed based on the lower prediction model 2 (oil non-filtration) (step S740-2).

3) 변압기의 상태가 제3 상태(critical)인지 여부에 대한 판단이 하위 예측 모델3(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-3).3) Determination of whether the state of the transformer is the third critical state may be performed based on the lower prediction model 3 (oil non-filtration) (step S740-3).

4) 변압기의 상태가 제4 상태(fault)인지 여부에 대한 판단이 하위 예측 모델4(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-4).4) Determination of whether the state of the transformer is a fourth state (fault) may be performed based on the lower prediction model 4 (oil non-filtration) (step S740-4).

위와 같이 하위 예측 모델의 예측 정확도에 따라 오일 여과시 및 오일 비여과시 서로 다른 순서로 변압기에 대한 상태 판단이 수행될 수 있다.As described above, according to the prediction accuracy of the sub-prediction model, the state determination of the transformer may be performed in a different order during oil filtration and during oil non-filtration.

이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.The embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks. medium), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. A hardware device may be converted into one or more software modules to perform processing in accordance with the present invention, and vice versa.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.In the above, the present invention has been described with reference to specific matters such as specific components and limited embodiments and drawings, but these are provided to help a more general understanding of the present invention, and the present invention is not limited to the above embodiments, Those of ordinary skill in the art to which the invention pertains can make various modifications and changes from these descriptions.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the above-described embodiments, and the scope of the spirit of the present invention is not limited to the scope of the scope of the present invention. will be said to belong to

Claims (6)

오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법은,
변압기 상태 예측 장치가 상기 변압기의 변압기 데이터를 수신하는 단계;
상기 변압기 상태 예측 장치가 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하는 단계; 및
상기 변압기 상태 예측 장치가 상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하는 단계를 포함하고,
상기 변압기 데이터는 임계 횟수 이상 측정된 상기 변압기의 유중 가스 데이터를 포함하고,
상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함하고,
상기 오일 여과 여부는 오일 여과 판단 가스의 감소 여부를 기반으로 결정되고,
상기 제1 예측 모델(오일 여과)는 복수의 하위 예측 모델(오일 여과)를 포함하고,
상기 제2 예측 모델(오일 비여과)는 복수의 하위 예측 모델(오일 비여과)를 포함하고,
복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각의 배치는 예측 정확도를 기반으로 적응적으로 변화되는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법.The method of predicting the condition of the transformer considering whether oil filtration is
receiving, by the transformer state prediction device, the transformer data of the transformer;
determining, by the transformer state prediction device, whether to filter the oil of the transformer based on the transformer data; and
Predicting the state of the transformer based on different prediction models based on whether the transformer state prediction device is the oil filtration,
The transformer data includes gas-in-oil data of the transformer measured more than a threshold number of times,
The different predictive models include a first predictive model (oil filtration) and a second predictive model (oil non-filtration),
Whether the oil filtration is determined based on whether the oil filtration determination gas is reduced,
The first predictive model (oil filtration) includes a plurality of sub-prediction models (oil filtration),
The second predictive model (oil unfiltered) includes a plurality of sub predictive models (oil unfiltered),
A plurality of sub-prediction models (oil filtration) and each batch of the plurality of sub-prediction models (oil non-filtration) predict the state of the transformer considering whether oil filtration, characterized in that it is adaptively changed based on prediction accuracy Way. 제1항에 있어서,
상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과)는 시계열적 예측을 수행하는 LSTM(Long Short-Term Memory models) 모델이고,
상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델이고,
상기 하나의 상태와 상기 나머지 상태는 제1 상태(normal), 제2 상태(warning), 제3 상태(critical) 및 제4 상태(fault)를 포함하는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법.According to claim 1,
The plurality of sub-prediction models (oil filtration) and the plurality of sub-prediction models (oil non-filtration) are Long Short-Term Memory models (LSTM) models that perform time-series prediction,
Each of the plurality of sub-prediction models (oil filtration) and the plurality of sub-prediction models (oil non-filtration) are individually trained models to distinguish one state from the other,
The one state and the other state are a first state (normal), a second state (warning), a third state (critical), and a fourth state (fault) of a transformer considering oil filtration, characterized in that it includes How to predict the state. 제2항에 있어서,
상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각에 대한 학습은 상기 하나의 상태로 판단되었던 제1 오일 여과 데이터 세트와 상기 나머지 상태로 판단되었던 제2 오일 여과 데이터 세트를 기반으로 상기 하나의 상태로의 판단을 위한 가중치를 학습하고,
상기 복수의 하위 예측 모델(오일 비여과)는 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델1(오일 비여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델2(오일 비여과), 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델3(오일 비여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델4(오일 비여과)를 순차적으로 포함하고,
상기 복수의 하위 예측 모델(오일 여과)는 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델1(오일 여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델2(오일 여과), 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델3(오일 여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델4(오일 여과)를 순차적으로 포함하는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법.3. The method of claim 2,
Learning for each of the plurality of sub-prediction models (oil filtration) and the plurality of sub-prediction models (oil non-filtration) is the first oil filtration data set determined as the one state and the second oil determined as the remaining state. Learning a weight for the determination of the one state based on the filtered data set,
The plurality of sub-prediction models (oil unfiltered) include a sub-prediction model 1 (oil unfiltered) for predicting the first state (normal), and a sub-prediction model 2 (oil) for predicting the second state (warning). unfiltered), a lower predictive model 3 (oil unfiltered) for predicting the third critical state, and a lower predictive model 4 (oil unfiltered) for predicting the fourth state (fault) sequentially, and ,
The plurality of sub-prediction models (oil filtration) include a sub-prediction model 1 (oil filtration) for predicting the third critical condition, and a sub-prediction model 2 (oil filtration) for predicting the fourth condition (fault). , oil characterized in that it sequentially includes a sub-prediction model 3 (oil filtration) for predicting the first state (normal) and a sub-prediction model 4 (oil filtration) for predicting the second state (warning) How to predict the condition of a transformer, whether filtered or not. 오일 여과 여부를 고려한 변압기의 상태를 예측하는 변압기 상태 예측 장치는,
상기 변압기의 변압기 데이터를 수신하도록 구현된 변압기 데이터 입력부; 및
상기 변압기 데이터 입력부와 동작 가능하게(operatively) 연결된 프로세서를 포함하되,
상기 프로세서는 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하고,
상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하도록 구현되고,
상기 변압기 데이터는 임계 횟수 이상 측정된 상기 변압기의 유중 가스 데이터를 포함하고,
상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함하고,
상기 오일 여과 여부는 오일 여과 판단 가스의 감소 여부를 기반으로 결정되고,
상기 제1 예측 모델(오일 여과)는 복수의 하위 예측 모델(오일 여과)를 포함하고,
상기 제2 예측 모델(오일 비여과)는 복수의 하위 예측 모델(오일 비여과)를 포함하고,
복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각의 배치는 예측 정확도를 기반으로 적응적으로 변화되는 것을 특징으로 하는 변압기 상태 예측 장치.The transformer condition prediction device that predicts the condition of the transformer considering whether oil filtration is
a transformer data input unit configured to receive transformer data of the transformer; and
a processor operatively coupled to the transformer data input;
The processor determines whether to filter the oil of the transformer based on the transformer data,
It is implemented to predict the state of the transformer based on different prediction models based on whether the oil is filtered,
The transformer data includes gas-in-oil data of the transformer measured more than a threshold number of times,
The different predictive models include a first predictive model (oil filtration) and a second predictive model (oil non-filtration),
Whether the oil filtration is determined based on whether the oil filtration determination gas is reduced,
The first predictive model (oil filtration) includes a plurality of sub-prediction models (oil filtration),
The second predictive model (oil unfiltered) includes a plurality of sub predictive models (oil unfiltered),
A plurality of sub-prediction models (oil filtration) and an arrangement of each of the plurality of sub-prediction models (oil non-filtration) are adaptively changed based on prediction accuracy. 제4항에 있어서,
상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과)는 시계열적 예측을 수행하는 LSTM(Long Short-Term Memory models) 모델이고,
상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델이고,
상기 하나의 상태와 상기 나머지 상태는 제1 상태(normal), 제2 상태(warning), 제3 상태(critical) 및 제4 상태(fault)를 포함하는 것을 특징으로 하는 변압기 상태 예측 장치.5. The method of claim 4,
The plurality of sub-prediction models (oil filtration) and the plurality of sub-prediction models (oil non-filtration) are Long Short-Term Memory models (LSTM) models that perform time-series prediction,
Each of the plurality of sub-prediction models (oil filtration) and the plurality of sub-prediction models (oil non-filtration) are individually trained models to distinguish one state from the other,
The one state and the remaining states include a first state (normal), a second state (warning), a third state (critical), and a fourth state (fault). 제5항에 있어서,
상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각에 대한 학습은 상기 하나의 상태로 판단되었던 제1 오일 여과 데이터 세트와 상기 나머지 상태로 판단되었던 제2 오일 여과 데이터 세트를 기반으로 상기 하나의 상태로의 판단을 위한 가중치를 학습하고,
상기 복수의 하위 예측 모델(오일 비여과)는 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델1(오일 비여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델2(오일 비여과), 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델3(오일 비여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델4(오일 비여과)를 순차적으로 포함하고,
상기 복수의 하위 예측 모델(오일 여과)는 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델1(오일 여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델2(오일 여과), 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델3(오일 여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델4(오일 여과)를 순차적으로 포함하는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 변압기 상태 예측 장치.6. The method of claim 5,
Learning for each of the plurality of sub-prediction models (oil filtration) and the plurality of sub-prediction models (oil non-filtration) is the first oil filtration data set determined as the one state and the second oil determined as the remaining state. Learning a weight for the determination of the one state based on the filtered data set,
The plurality of sub-prediction models (oil unfiltered) include a sub-prediction model 1 (oil unfiltered) for predicting the first state (normal), and a sub-prediction model 2 (oil) for predicting the second state (warning). unfiltered), a lower predictive model 3 (oil unfiltered) for predicting the third critical state, and a lower predictive model 4 (oil unfiltered) for predicting the fourth state (fault) sequentially, and ,
The plurality of sub-prediction models (oil filtration) include a sub-prediction model 1 (oil filtration) for predicting the third critical condition, and a sub-prediction model 2 (oil filtration) for predicting the fourth condition (fault). , oil characterized in that it sequentially includes a sub-prediction model 3 (oil filtration) for predicting the first state (normal) and a sub-prediction model 4 (oil filtration) for predicting the second state (warning) Transformer condition prediction device that predicts the condition of the transformer considering whether it is filtered or not.
KR1020200121939A 2020-07-20 2020-09-22 Method for status prediction of transformer based on oil filtering and apparatus for using the method KR102436080B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/949,809 US20220019937A1 (en) 2020-07-20 2020-11-16 Apparatus and method for predicting transformer state in consideration of whether oil filtering is performed

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200089642 2020-07-20
KR1020200089642 2020-07-20

Publications (2)

Publication Number Publication Date
KR20220011046A KR20220011046A (en) 2022-01-27
KR102436080B1 true KR102436080B1 (en) 2022-08-25

Family

ID=80049590

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200121939A KR102436080B1 (en) 2020-07-20 2020-09-22 Method for status prediction of transformer based on oil filtering and apparatus for using the method

Country Status (1)

Country Link
KR (1) KR102436080B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006308515A (en) * 2005-05-02 2006-11-09 Fuji Electric Systems Co Ltd Degradation diagnosing method for oil-filled electric apparatus
JP2014062858A (en) 2012-09-24 2014-04-10 Hitachi Ltd Remaining life assessment method of oil-immersed stationary induction apparatus

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7747417B2 (en) * 2007-08-06 2010-06-29 Arizona Public Service Company Method and system for transformer dissolved gas harmonic regression analysis
KR20120053120A (en) * 2010-11-17 2012-05-25 대보전력기술 주식회사 Transformer insulation oil

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006308515A (en) * 2005-05-02 2006-11-09 Fuji Electric Systems Co Ltd Degradation diagnosing method for oil-filled electric apparatus
JP2014062858A (en) 2012-09-24 2014-04-10 Hitachi Ltd Remaining life assessment method of oil-immersed stationary induction apparatus

Also Published As

Publication number Publication date
KR20220011046A (en) 2022-01-27

Similar Documents

Publication Publication Date Title
Abu-Elanien et al. Asset management techniques for transformers
CN107894969A (en) A kind of latent transformer fault early warning method based on trend analysis
KR20140041568A (en) Method and system for estimating transformer remaining life
Dhote et al. Diagnosis of power transformer faults based on five fuzzy ratio method
Brandtzæg Health indexing of Norwegian power transformers
Basuki Online dissolved gas analysis of power transformers based on decision tree model
US11099219B2 (en) Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses
Dhote et al. Improvement in transformer diagnosis by DGA using fuzzy logic
JP4623334B1 (en) Method for predicting the possibility of abnormality in oil-filled electrical equipment
KR102436080B1 (en) Method for status prediction of transformer based on oil filtering and apparatus for using the method
Jaiswal et al. Intelligent condition monitoring system for distribution transformer and health status diagnosis
Javid et al. Using kNN Algorithm for classification of Distribution transformers Health index
Mharakurwa In-service power transformer life time prospects: review and prospects
Ciulavu et al. Power transformer incipient faults monitoring
Dhote et al. Fuzzy algorithm for power transformer diagnostics
US20220019937A1 (en) Apparatus and method for predicting transformer state in consideration of whether oil filtering is performed
KR102520723B1 (en) Method for determination of status of oil immersed type transformer and apparatus for using the method
Lybeck et al. Online monitoring technical basis and analysis framework for large power transformers; Interim report for FY 2012
Mohmad et al. Investigating performance of transformer health index in machine learning application using dominant features
Londo et al. Assessment of transformer condition using the improve key gas methods
Lian et al. Smart asset management of aging devices in energy systems: A case study of transformers
US11563320B2 (en) Apparatus and method for determining transformer state based on correction of dissolved gas data
Rosli et al. Power Transformer Incipient Fault Diagnosis Using Support Vector Machine
Nazarychev et al. The Inspection of the Technical State of Critical Infrastructure Facilities
Aciu Nit, u, M.-C.; Nicola, C.-I.; Nicola, M. Determining the Remaining Functional Life of Power Transformers Using Multiple Methods of Diagnosing the Operating Condition Based on SVM Classification Algorithms

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant