KR102513271B1 - Apparatus and method for predicting risk of partial discharge - Google Patents
Apparatus and method for predicting risk of partial discharge Download PDFInfo
- Publication number
- KR102513271B1 KR102513271B1 KR1020210031278A KR20210031278A KR102513271B1 KR 102513271 B1 KR102513271 B1 KR 102513271B1 KR 1020210031278 A KR1020210031278 A KR 1020210031278A KR 20210031278 A KR20210031278 A KR 20210031278A KR 102513271 B1 KR102513271 B1 KR 102513271B1
- Authority
- KR
- South Korea
- Prior art keywords
- partial discharge
- discharge
- risk
- signal pattern
- occurrences
- Prior art date
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
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
-
- 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
- G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
- G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Testing Relating To Insulation (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Abstract
실시예에 따르면, 전력기기에서 발생되는 전자기파 신호를 검출하는 센서부; 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 전처리부; 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 위험도 판단부; 및 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 처리부를 포함하는 부분방전 위험도 예측 장치를 제공한다.According to the embodiment, the sensor unit for detecting the electromagnetic wave signal generated from the power device; a pre-processing unit that calculates a partial discharge signal pattern from the electromagnetic wave signal, and calculates a maximum discharge size, a slope with respect to the number of occurrences, an asymmetry of the discharge signal pattern, and a kurtosis of the discharge signal pattern; a risk determination unit for determining a partial discharge risk using the maximum discharge size, the slope of the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern; and a processing unit that learns the partial discharge risk and predicts the partial discharge risk at present and future time points.
Description
본 발명의 일실시예는 부분방전 위험도 예측 장치 및 방법에 관한 것이다.One embodiment of the present invention relates to a partial discharge risk prediction device and method.
일반적으로 전력수요의 증가와 더불어 전류 트랜스포머(CT: Current Transformer)를 이용한 변압기나 지중 케이블은 대용량화, 초고압화되고 있으며, 변전소는 무인화되고 있는 추세이다.In general, along with the increase in power demand, transformers using current transformers (CTs) or underground cables are becoming larger in capacity and ultra-high voltage, and substations are becoming unmanned.
부분방전은 최초 미소방전 형태로 1~2회/일 회 정도 간헐적으로 발생되다 절연파괴가 진행될수록 부분방전의 신호의 크기가 점진적으로 커지며, 발생되는 횟수가 5회/분 정도로 점차적으로 많아지고 최종적으로 국부열화가 급속도로 진전되어 화재로 이어질 수 있다.Partial discharge occurs intermittently in the form of a small discharge at first, about 1~2 times/once. As the insulation breakdown progresses, the size of the signal of partial discharge gradually increases, and the number of occurrences gradually increases to about 5 times/minute, and the final As a result, local deterioration develops rapidly and may lead to fire.
최근, 휴대용 또는 온라인 진단장비를 사용하여 부분방전 신호 패턴의 형태(토끼귀 모양, 거북이 모양, 눈썹 모양 등)를 보고 부분방전의 발생 유무와 유형을 판정하는 방식이 사용되고 있다.Recently, a method of determining whether or not the partial discharge has occurred and the type thereof has been used by looking at the shape of the partial discharge signal pattern (rabbit ear shape, tortoise shape, eyebrow shape, etc.) using portable or online diagnostic equipment.
하지만, 실제 현장에서 측정되는 부분방전 신호의 경우, 설비에 부분방전이 발생되고 있으나 방전량의 크기나 발생 횟수가 점차적으로 증가되지 않아 관리만 하고 있는 설비들이 있으며, 이와같은 설비들의 경우 관리자가 별도 관리를 수시로 진행 해야 하는 문제점이 있다. 또한, 1년에 2회 정도 정밀 점검시 재 측정을 수행하고 있으나, 정밀 점검 전에 급속도로 절연파괴가 진전되어 화재로 이어지는 경우가 발생할 수 있다.However, in the case of the partial discharge signal measured in the actual field, there are facilities that are only managed because partial discharge is occurring in the facility, but the size or number of occurrences of the discharge does not gradually increase. There is a problem that needs to be managed from time to time. In addition, although re-measurement is performed at the time of precise inspection about twice a year, there may be a case where insulation breakdown develops rapidly before the detailed inspection, leading to a fire.
본 발명이 이루고자 하는 기술적 과제는 부분방전의 진행 과정과 진행 정도를 정확하게 예측할 수 있는 부분방전 위험도 예측 장치 및 방법을 제공하는데 있다.A technical problem to be achieved by the present invention is to provide a partial discharge risk predicting device and method capable of accurately predicting the progress and progress of the partial discharge.
실시예에 따르면, 전력기기에서 발생되는 전자기파 신호를 검출하는 센서부; 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 전처리부; 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 위험도 판단부; 및 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 처리부를 포함하는 부분방전 위험도 예측 장치를 제공한다.According to the embodiment, the sensor unit for detecting the electromagnetic wave signal generated from the power device; a pre-processing unit that calculates a partial discharge signal pattern from the electromagnetic wave signal, and calculates a maximum discharge size, a slope with respect to the number of occurrences, an asymmetry of the discharge signal pattern, and a kurtosis of the discharge signal pattern; a risk determination unit for determining a partial discharge risk using the maximum discharge size, the slope of the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern; and a processing unit that learns the partial discharge risk and predicts the partial discharge risk at present and future time points.
상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출될 수 있다.The maximum discharge size may be calculated as a maximum value among discharge values of the electromagnetic wave signal measured for a first set time.
상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출될 수 있다.The slope of the number of occurrences may be calculated as a ratio of the number of partial discharges to the second set time.
상기 발전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출될 수 있다.The degree of asymmetry of the power generation signal pattern may be calculated as the degree of left-right symmetry of the partial discharge signal pattern generated during the third set time period.
상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출될 수 있다.The kurtosis of the discharge signal pattern may be calculated as a height of the partial discharge signal pattern generated during a fourth set time compared to a normal distribution.
상기 위험도 판단부는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단할 수 있다.The risk determination unit may determine the partial discharge risk as one step when the maximum discharge size is less than 10 pC and the slope value for the number of occurrences is less than 10 degrees.
상기 위험도 판단부는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단할 수 있다.The risk determination unit, when the maximum discharge size is 10 pC or more and less than 20 pC, and the slope value for the number of occurrences is 10 degrees or more and less than 30 degrees in a positive direction, the asymmetry value of the power generation signal pattern is from a positive number to 0 changed, and when the kurtosis value of the discharge signal pattern is 0, the partial discharge risk may be determined in two stages.
상기 위험도 판단부는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단할 수 있다.The risk determination unit changes the asymmetry value of the power generation signal pattern from a positive number to a negative number when the maximum discharge size is 30 pC or more and the slope value for the number of occurrences is 30 degrees or more in a positive direction, and the discharge If the kurtosis value of the signal pattern is not 0, the partial discharge risk may be determined in three steps.
상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함할 수 있다.The processing unit may include a Recurrent Neural Network (RNN) model.
상기 처리부는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력할 수 있다.The processing unit may learn daily partial discharge risk trend data and output daily partial discharge risk trend data for a predetermined period after a current point in time.
실시에예 따르면, 센서부가 전력기기에서 발생되는 전자기파 신호를 검출하는 단계; 전처리부가 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 단계; 위험도 판단부가 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 단계; 및 처리부가 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 단계를 포함하는 부분방전 위험도 예측 방법을 제공한다.According to the embodiment, detecting the electromagnetic wave signal generated by the sensor unit power device; calculating, by a preprocessing unit, a partial discharge signal pattern from the electromagnetic wave signal, and calculating a maximum discharge size, a slope with respect to the number of occurrences, an asymmetry of the discharge signal pattern, and a kurtosis of the discharge signal pattern using the partial discharge signal pattern; Step of determining the risk of partial discharge by a risk determination unit using the maximum discharge size, the slope for the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern; and predicting, by a processing unit, the risk of partial discharge at present and future times by learning the risk of partial discharge.
상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출될 수 있다.The maximum discharge size may be calculated as a maximum value among discharge values of the electromagnetic wave signal measured for a first set time.
상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출될 수 있다.The slope of the number of occurrences may be calculated as a ratio of the number of partial discharges to the second set time.
상기 발전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출될 수 있다.The degree of asymmetry of the power generation signal pattern may be calculated as the degree of left-right symmetry of the partial discharge signal pattern generated during the third set time period.
상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출될 수 있다.The kurtosis of the discharge signal pattern may be calculated as a height of the partial discharge signal pattern generated during a fourth set time compared to a normal distribution.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단할 수 있다.In the step of determining the risk of partial discharge, when the maximum discharge size is less than 10 pC and the slope value for the number of occurrences is less than 10 degrees, the risk of partial discharge may be determined as step 1.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단할 수 있다.In the step of determining the partial discharge risk, when the maximum discharge size is 10 pC or more and less than 20 pC, and the slope value for the number of occurrences is 10 degrees or more and less than 30 degrees in the positive direction, the asymmetry value of the power generation signal pattern When the positive number is changed to 0 and the kurtosis value of the discharge signal pattern is 0, the risk of partial discharge can be determined in two steps.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단할 수 있다.In the step of determining the risk of partial discharge, when the maximum discharge size is 30 pC or more and the slope value for the number of occurrences is 30 degrees or more in a positive direction, the asymmetry value of the power generation signal pattern changes from a positive number to a negative number. changed, and when the kurtosis value of the discharge signal pattern is not 0, the partial discharge risk may be determined in three stages.
상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함할 수 있다.The processing unit may include a Recurrent Neural Network (RNN) model.
상기 부분방전 위험도를 예측하는 단계는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력할 수 있다.In the predicting the risk of partial discharge, daily partial discharge risk trend data may be learned, and daily partial discharge risk trend data for a predetermined period after the current point in time may be output.
실시예에 따르면, 전술한 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록매체를 제공한다.According to an embodiment, a computer-readable recording medium in which a program for executing the above-described method is recorded on a computer is provided.
본 발명인 부분방전 위험도 예측 장치 및 방법은 부분방전의 발생 여부와 함께 변화량을 통해 절연파괴(설비고장)가 진전되는 정도를 산출할 수 있다.The apparatus and method for predicting the risk of partial discharge according to the present invention can calculate the progress of insulation breakdown (equipment failure) through the amount of change together with whether or not partial discharge has occurred.
또한, 이를 통하여 실제 고장 발생에 대한 시기를 예측할 수 있다.In addition, through this, it is possible to predict the timing of actual failure occurrence.
또한, 주기적인 인력에 의한 진단 점검이나 관리에 대한 비용을 절감할 수 있다.In addition, it is possible to reduce the cost of diagnosis inspection or management by periodic personnel.
또한, 위험도 예측 값을 딥러닝을 통해 자동으로 산출하여, 설비 교체 우선순위를 정할 수 있다.In addition, the risk prediction value can be automatically calculated through deep learning to prioritize facility replacement.
또한, 설비 자산관리의 유지보수 계획 수립시(일정, 예산 등) 객관적인 근거자료로 활용 가능할 수 있다.In addition, it can be used as objective evidence when establishing a maintenance plan for facility asset management (schedule, budget, etc.).
도1은 실시예에 따른 부분방전 부분방전 위험도 예측 장치의 구성 블록도이다.
도2 내지 도4는 실시에예 따른 전처리부의 동작을 설명하기 위한 도면이다.
도5는 실시예에 따른 처리부의 동작을 설명하기 위한 도면이다.
도6은 실시예에 따른 부분방전 위험도 예측 방법의 순서도이다.
도7 내지 도9는 실시예에 따른 처리부의 동작을 설명하기 위한 도면이다.1 is a configuration block diagram of a partial discharge partial discharge risk prediction device according to an embodiment.
2 to 4 are diagrams for explaining the operation of a pre-processing unit according to an embodiment.
5 is a diagram for explaining the operation of a processing unit according to an embodiment.
6 is a flowchart of a partial discharge risk prediction method according to an embodiment.
7 to 9 are diagrams for explaining the operation of the processing unit according to the embodiment.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
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.However, the technical idea of the present invention is not limited to some of the described embodiments, but may be implemented in a variety of different forms, and if it is within the scope of the technical idea of the present invention, one or more of the components among the embodiments can be selectively implemented. can be used by combining and substituting.
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.In addition, terms (including technical and scientific terms) used in the embodiments of the present invention, unless explicitly specifically defined and described, can be generally understood by those of ordinary skill in the art to which the present invention belongs. It can be interpreted as meaning, and commonly used terms, such as terms defined in a dictionary, can be interpreted in consideration of contextual meanings of related technologies.
또한, 본 발명의 실시예에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.Also, terms used in the embodiments of the present invention are for describing the embodiments and are not intended to limit the present invention.
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.In this specification, the singular form may also include the plural form unless otherwise specified in the phrase, and when described as "at least one (or more than one) of A and (and) B and C", A, B, and C are combined. may include one or more of all possible combinations.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다.Also, terms such as first, second, A, B, (a), and (b) may be used to describe components of an embodiment of the present invention.
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.These terms are only used to distinguish the component from other components, and the term is not limited to the nature, order, or order of the corresponding component.
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.In addition, when a component is described as being 'connected', 'coupled' or 'connected' to another component, the component is not only directly connected to, combined with, or connected to the other component, but also with the component. It may also include the case of being 'connected', 'combined', or 'connected' due to another component between the other components.
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.In addition, when it is described as being formed or disposed on the "top (above) or bottom (bottom)" of each component, the top (top) or bottom (bottom) is not only a case where two components are in direct contact with each other, but also one A case in which another component above is formed or disposed between two components is also included. In addition, when expressed as "up (up) or down (down)", it may include the meaning of not only an upward direction but also a downward direction based on one component.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, the embodiments will be described in detail with reference to the accompanying drawings, but the same or corresponding components regardless of reference numerals are given the same reference numerals, and overlapping descriptions thereof will be omitted.
도1은 실시예에 따른 부분방전 부분방전 위험도 예측 장치의 구성 블록도이다.1 is a configuration block diagram of a partial discharge partial discharge risk prediction device according to an embodiment.
도1을 참조하면, 실시예에 따른 부분방전 부분방전 위험도 예측 장치(10)는 센서부(11), 샘플링부(12), 전처리부(13), 위험도 판단부(14) 및 처리부(15)를 포함하여 구성될 수 있다.Referring to Figure 1, the partial discharge partial discharge
센서부(11)는 전력기기에서 발생되는 전자기파 신호를 검출할 수 있다. 센서부(11)는 예를 들면, 변압기나 지중 케이블 접속함에 설치되어 전자기파 신호를 검출할 수 있다. 센서부(11)는 예를 들면 초고주파 센서(HFCT, High Frequency Current Transformer)일 수 있으며 변압기의 접지부분이나 지중 케이블의 시스케이블 또는 접지선에 설치되어 변압기나 지중 케이블에서 발생하는 전자기파 신호를 검출할 수 있다. 센서부(11)는 검출한 전자기파 신호를 샘플링부(12)에 전달한다. The
샘플링부(12)는 센서부(11)로부터 검출된 전자기파 신호를 기 설정된 샘플링 속도로 샘플링할 수 있다. 샘플링부(12)는 예를 들면50 내지 100Msampling/초 이상의 샘플링율로 전자기파 신호를 샘플링하여 출력할 수 있다. 샘플링부(12)의 샘플링율은 센서부(11)에서 검출되는 전자기파 신호의 최대 주파수의 2배 이상의 속도로 설정될 수 있다.The
전처리부(13)는 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출할 수 있다.The pre-processor 13 calculates the partial discharge signal pattern from the electromagnetic wave signal, and using this, it can calculate the maximum discharge size, the slope with respect to the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern.
전처리부(13)는 센서부(11)에서 취득한 전자기파 신호를 이용하여 PRPS(Phase Resolved Pulse Sequence) 데이터 및 PRPD(Phase Resolved Partial Discharge) 데이터를 생성할 수 있다.The
실시예에서, 전처리부(13)는 샘플링 된 전자기파 신호 중 60Hz 기준 1주기 디지털 데이터(=16.66msec)를 위상별(0~360도)로 256개의 샘플을 추출할 수 있다. 전처리부(13)는 추출한 샘플을 총 1분동안 3,600주기의 데이터를 누적하여 PRPS와 PRPD 데이터를 생성할 수 있다.In an embodiment, the
실시예에서, PRPS 데이터는 3차원 데이터로서 x축에는 위상(0~360도)이 표현되고, y축에는 주기(1~3,600주기)가 표현되며, Z축에는 전자기파 신호의 크기(0~255)가 표현될 수 있다.In the embodiment, the PRPS data is three-dimensional data, and the phase (0 to 360 degrees) is represented on the x-axis, the period (1 to 3,600 cycles) is represented on the y-axis, and the magnitude of the electromagnetic wave signal (0 to 255 ) can be expressed.
실시예에서, PRPD데이터는 PRPS신호를 크기와 위상 정보로 표현한 2차원 데이터일 수 있다. 전처리부는 PRPD 데이터를 bmp, jpg 등의 이미지 데이터(256×256 픽셀)로 변환할 수 있다.In an embodiment, PRPD data may be two-dimensional data expressing a PRPS signal with magnitude and phase information. The pre-processing unit may convert PRPD data into image data (256×256 pixels) such as bmp or jpg.
도2를 참조하면, 실시예에서 부분방전 패턴 데이터는 노이즈 패턴(정상), 보이드 패턴(이상), 코로나 패턴(이상), 표면방전 패턴(이상), 전기트리 패턴(이상), 파티클 패턴(이상)이 기록되어 있는 전자기파 신호의 PRPD이미지 데이터일 수 있다.Referring to FIG. 2, in the embodiment, partial discharge pattern data includes noise pattern (normal), void pattern (abnormal), corona pattern (abnormal), surface discharge pattern (abnormal), electric tree pattern (abnormal), and particle pattern (abnormal). ) may be PRPD image data of the electromagnetic wave signal recorded.
다시 도1을 참조하면, 전처리부(13)는 제1 설정 시간 동안 측정된 전자기파 신호의 방전값 중 최대치 값을 이용하여 최대 방전 크기를 산출할 수 있다. 예를 들면, 전처리부(13)는 24시간에 걸쳐 1분 단위로 검출되는 전자기파 신호의 방전 크기 값 중 최대치 값을 최대 방전 크기로 산출할 수 있다. 방전량의 크기가 커질수록 설비의 절연성능이 점차 파괴되고 있음을 의미하므로, 최대 방전 크기는 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.Referring back to FIG. 1 , the
또한, 전처리부(13)는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)를 이용하여 발생횟수에 대한 기울기를 산출할 수 있다. 예를 들면, 전처리부(13)는 15분 동안의 부분방전 발생 횟수를 누적 카운트 하여, 부분방전 발생횟수에 대한 기울기 값을 산출할 수 있다. 전처리부(13)는 하기 수학식 1에 따라 부분방전 발생횟수(Pn)를 산출할 수 있다. 케이블 절연파괴가 발생될수록 일정 시간동안 부분방전이 발생되는 횟수가 증가하므로, 부분방전 발생횟수에 대한 기울기는 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.In addition, the
또한, 전처리부(13)는 제3 설정 시간 동안에 발생한 부분방전 신호 패턴의 좌우 대칭도를 이용하여 방전 신호 패턴의 비대칭도(Skewness)(β3)를 산출할 수 있다. 예를 들면, 전처리부(13)는 하기 수학식 2에 따라 방전 신호 패턴의 비대칭도를 산출할 수 있다.In addition, the
(수학식 2에서, n은 부분방전 신호의 데이터 개수, 
수학식 2에서 부분방전 신호의 데이터의 중간값이 평균보다 크면 오른쪽으로 길게 늘어지게 되며, 왜도는 0보다 큰 양수가 되며, 반대로 평균이 중앙값보다 크면 왼쪽으로 길게 늘어진 형태가 되며 왜도는 0보다 작은 음수가 될 수 있다.In
실시예에서, 방전 신호 패턴의 비대칭도는 부분방전 신호 패턴의 대칭성을 알아보는 측도일 수 있다. 도3을 참조하면, 방전 신호 패턴의 비대칭도는 삼각형 상단 꼭지점 값으로, 0일 경우 좌우 대칭을 의미하고, 양수일 경우 오른쪽으로 꼬리가 긴 분포 모양을 의미하고, 음수의 경우 왼쪽으로 꼬리가 긴 분포 모양을 의미할 수 있다. 방전 신호 패턴의 비대칭도는 상단 꼭지점 값이 양수에서 음수로 갈수록 절연파괴가 진행되어 부분방전의 패턴 모양이 왼쪽에서 오른쪽으로 치우치는 경향이 있어, 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.In an embodiment, the degree of asymmetry of the discharge signal pattern may be a measure for determining the symmetry of the partial discharge signal pattern. Referring to FIG. 3, the degree of asymmetry of the discharge signal pattern is the value of the top vertex of the triangle. If 0, it means left-right symmetry, if it is positive, it means a distribution with a long tail to the right, and if it is negative, it means a distribution with a long tail to the left. can mean shape. The asymmetry of the discharge signal pattern can be used as a parameter for diagnosing partial discharge because the dielectric breakdown progresses as the upper vertex value goes from positive to negative, and the pattern shape of the partial discharge tends to be biased from left to right.
또한, 전처리부(13)는 정규분포 대비 제4설정 시간 동안에 발생한 부분방전 신호 패턴의 높이를 이용하여 방전신호 패턴의 첨도(Kurtosis)(β4)를 산출할 수 있다. 예를 들면, 전처리부(13)는 하기 수학식 3에 따라 방전 신호 패턴의 첨도를 산출할 수 있다.In addition, the
(수학식 3에서, n은 부분방전 신호의 데이터 개수, 
수학식 3의 첨도 값이 0보다 크면 정규 분포 보다 뾰족한 모양을 가지며, 첨도가 0일 경우 정규 분포의 모양을 가지고, 첨도가 0보다 작으면 정규 분포보다 납작한 모양을 가지게 된다.If the kurtosis value of
실시예에서, 방전 신호 패턴의 첨도는 정규분포 대비 부분방전 신호 패턴의 봉오리 높이를 알아보는 측도일 수 있다. 도4를 참조하면, 방전 신호 패턴의 첨도가 0보다 크면 정규분포 보다 뾰족하다는 의미이며, 첨도가 0일 경우 정규분포 높이이며, 첨도가 0보다 작으면 정규분포보다 납작한 모양임을 의미할 수 있다. 방전 신호 패턴의 첨도가 정규분포 값에서 변화가 될 경우 절연파괴가 진행되어 부분방전의 패턴 모양이 납작해 지거나 뾰족해지는 경향이 있어, 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.In an embodiment, the kurtosis of the discharge signal pattern may be a measure for determining the peak height of the partial discharge signal pattern compared to a normal distribution. Referring to FIG. 4, if the kurtosis of the discharge signal pattern is greater than 0, it means that it is sharper than the normal distribution. If the kurtosis is 0, it is the height of the normal distribution. When the kurtosis of the discharge signal pattern changes from a normal distribution value, dielectric breakdown progresses and the shape of the partial discharge pattern tends to become flat or pointed, so it can be used as a parameter for diagnosing partial discharge.
실시예에서, 제1설정 시간과 제4설정 시간은 24시간 단위를 의미할 수 있으며, 제2설정 시간과 제3설정 시간은 15분 단위를 의미할 수 있다. 그러나, 이에 한정되지는 않고 주변 환경과 관리자의 판단에 따라 다양한 시간으로 설정될 수 있다.In an embodiment, the first set time and the fourth set time may mean a unit of 24 hours, and the second set time and the third set time may mean a unit of 15 minutes. However, it is not limited thereto and may be set to various times according to the surrounding environment and the administrator's judgment.
다시 도1을 참조하면, 위험도 판단부(14)는 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단할 수 있다.Referring back to FIG. 1 , the
위험도 판단부(14)는 하기 표1과 같이 부분방전 위험도를 판단할 수 있다.The
예를 들면, 위험도 판단부(14)는 최대 방전크기가 10pC 미만이고, 발생횟수에 대한 기울기 값이 10도 미만일 경우 부분방전 위험도를 1단계로 판단할 수 있다. 즉, 위험도 판단부(14)는 일일 최대 방전크기가 10pC 미만이고, 15분 동안 부분방전 발생 횟수를 카운트하여 기울기 값이 10도 미만일 경우 위험도를 1단계로 판단할 수 있다. 이 때, 방전 신호 패턴의 비대칭도 및 방전 신호 패턴의 첨도는 고려되지 않는다.For example, if the maximum discharge size is less than 10 pC and the slope value for the number of occurrences is less than 10 degrees, the
예를 들면, 위험도 판단부(14)는 최대 방전크기가 10pC 이상 20pC 미만이고, 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 방전신호 패턴의 첨도 값이 0 인 경우 부분방전 위험도를 2단계로 판단할 수 있다. 즉, 위험도 판단부(14)는 일일 최대 방전크기가 10pC 이상 ~ 20pC 미만이고, 15분간 측정된 부분방전 발생 횟수를 카운트하여 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 ~ 30도 미만일 경우, 15분동안 측정된 부분방전 패턴에 대한 비대칭도 값이 일일 동안 양수에서 0으로 변경된 값이 있고, 일일 동안 산정한 첨도 값이 0 값이 존재할 경우 위험도를 2단계롤 판단할 수 있다. 위험도 2단계는 부분방전 위험 요소가 1단계 보다 높음을 의미할 수 있다.For example, the
예를 들면, 위험도 판단부(14)는 최대 방전크기가 30pC 이상이고, 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 방전신호 패턴의 첨도 값이 0 이 아닌 경우 부분방전 위험도를 3단계로 판단할 수 있다. 즉, 위험도 판단부(14)는 일일 최대 방전크기가 30pC 이상이고, 15분간 측정된 부분방전 발생 횟수를 카운트하여 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상일 경우, 15분동안 측정된 부분방전 패턴에 대한 비대칭도 값이 일일 동안 양수에서 음수로 변경된 값이 있고, 일일 동안 산정한 첨도 값이 0 값이 존재하지 않을 경우 위험도를 3단계로 판단할 수 있다. 위험도 3단계는 부분방전 위험 요소가 1단계 및 2단계 보다 높음을 의미할 수 있다.For example, the
위험도 판단부(14)는 가장 높은 위험도를 반영하여 일별 부분방전 위험도 트렌드 데이터를 생성하여 처리부로 전달할 수 있다. 예를 들면, 하루 동안 부분방전 위험도가 1단계, 2단계로 판단되었다면, 위험도 판단부(14)는 해당 일자의 위험도를 2단계로 판단하여 일별 부분방전 위험도 트렌드 데이터에 반영할 수 있다. 또는, 하루 동안 부분방전 위험도가 1단계, 3단계로 판단되었다면, 위험도 판단부(14)는 해당 일자의 위험도를 3단계로 판단하여 일별 부분방전 위험도 트렌드 데이터에 반영할 수 있다.The
처리부(15)는 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측할 수 있다. 예를 들면, 처리부는 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함할 수 있다.The
도7 내지 도9를 참조하여 실시예에 따른 처리부의 동작을 설명하기로 한다. 도7에 도시된 과거 6일치 학습 데이터를 이용하여 현재 시점에서 하루 뒤의 미래의 위험도를 예측하는 모델을 만들 경우, RNN 모델에 도8에 도시된 3월 1일 내지 3월 6일의 트랜드 데이터와 3월 7일의 위험도 단계, 3월 2일 내지 3월 7일의 트랜드 데이터와 3월 8일의 위험도 단계, ···, 3월 4일 내지 3월 9일의 트랜드 데이터와 3월 10일의(현재시점) 위험도 단계를 학습하여 RNN 모델을 생성한다.The operation of the processing unit according to the embodiment will be described with reference to FIGS. 7 to 9 . When creating a model that predicts the future risk one day later from the current point in time using the learning data for the past 6 days shown in FIG. 7, the trend data from March 1 to March 6 shown in FIG. and risk level of March 7, trend data from March 2 to March 7 and risk level of March 8, trend data from March 4 to March 9 and March 10 A unique (current time) risk level is learned to create an RNN model.
처리부는 도9와 같이 생성된 생성된 RNN 모델에 3월 5일 내지 3월 10일(현재시점)의 트랜드 데이터를 입력하여, 현재 시점에서 하루 뒤인 3월 11일에 대한 위험도 단계를 산출할 수 있다. The processing unit inputs trend data from March 5 to March 10 (current time) into the generated RNN model generated as shown in FIG. 9, and calculates the risk level for March 11, one day after the current time there is.
처리부(15)는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력할 수 있다.The
처리부(15)는 합성곱 신경망의 1차원 변환 필터를 통해 일별 부분방전 위험도 트렌트 데이터로부터 특징맵을 추출할 수 있다. 예를 들면, 처리부(15)는 총 N주기의 일별 부분방전 위험도 데이터를 M(N>M)주기의 데이터씩 분류하여, 합성곱 신경망의 1차원 변환 필터(=1D Convolution)를 통해 총 m개의 특징맵(1Хm)을 추출할 수 있다(m은 자연수이다). 1Хn의 시계열 데이터의 경우 1Х3의 필터를 사용하면 1Х(n-1)의 차원이 축소가 되며, 여러개의 필터를 사용할 경우 시계열 데이터(트랜드)의 특징을 추출해 낼 수 있다. The
처리부(15)는 특징맵을 순환신경망 모델에 학습시켜 딥러닝 모델을 생성할 수 있다. 순환신경망 모델은 시계열 데이터의 딥러닝 모델을 만드는데 주로 사용되는 것으로, 처리부(15)는 일별 부분방전 위험도 트랜드 데이터를 통해 현재 및 미래 시점에서의 부분방전 위험도를 예측할 수 있다.The
딥러닝 모델은 일별 부분방전 위험도 트렌드 데이터에서 특징맵을 검출하고 현재 및 미래 시점에서의 부분방전 위험도를 예측하도록 학습될 수 있다. 처리부(15)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 프로세서는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다. The deep learning model may be trained to detect a feature map from daily partial discharge risk trend data and predict the partial discharge risk at present and future time points. The
도5 를 참조하면, 처리부는 과거 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점과 미래 시점의 부분방전 위험도를 과거 일별 부분방전 위험도 트렌드 데이터에 합성하여 그래프로 출력하고 있다.Referring to FIG. 5, the processing unit learns daily partial discharge risk trend data for a certain period in the past, synthesizes the partial discharge risk at the present time and the future time with the past daily partial discharge risk trend data, and outputs it as a graph.
도6은 실시예에 따른 부분방전 위험도 예측 방법의 순서도이다.6 is a flowchart of a partial discharge risk prediction method according to an embodiment.
도6을 참조하면 센서부는 전력기기에서 발생되는 전자기파 신호를 검출할 수 있다(S601).Referring to FIG. 6 , the sensor unit may detect an electromagnetic wave signal generated from a power device (S601).
다음으로, 전처리부는 전자기파 신호에서 부분방전 신호 패턴을 산출할 수 있다(S602).Next, the pre-processing unit may calculate a partial discharge signal pattern from the electromagnetic wave signal (S602).
다음으로, 전처리부는 전자기파 신호 및 부분방전 신호 패턴을 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출할 수 있다(S603).Next, the pre-processing unit may calculate the maximum discharge size, the slope with respect to the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern using the electromagnetic wave signal and the partial discharge signal pattern (S603).
다음으로, 위험도 판단부는 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단할 수 있다(S604). Next, the risk determination unit may determine the partial discharge risk using the maximum discharge size, the slope of the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern (S604).
다음으로, 처리부는 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측할 수 있다(S605).Next, the processing unit can learn the risk of partial discharge and predict the risk of partial discharge at present and future time (S605).
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 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 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable recording medium. In this case, the medium may continuously store a program executable by a computer or temporarily store the program for execution or download. In addition, the medium may be various recording means or storage means in the form of a single or combined hardware, but is not limited to a medium directly connected to a certain computer system, and may be distributed on a network. Examples of the medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROM and DVD, magneto-optical media such as floptical disks, and ROM, RAM, flash memory, etc. configured to store program instructions. In addition, examples of other media include “recording media” or storage media managed by an app store that distributes applications, a site that supplies or distributes other various software, and a server.
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.The term '~unit' used in this embodiment means software or a hardware component such as a field-programmable gate array (FPGA) or ASIC, and '~unit' performs certain roles. However, '~ part' is not limited to software or hardware. '~bu' may be configured to be in an addressable storage medium and may be configured to reproduce one or more processors. Therefore, as an example, '~unit' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, and procedures. , subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables. Functions provided within components and '~units' may be combined into smaller numbers of components and '~units' or further separated into additional components and '~units'. In addition, components and '~units' may be implemented to play one or more CPUs in a device or a secure multimedia card.
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. Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art will variously modify and change the present invention within the scope not departing from the spirit and scope of the present invention described in the claims below. You will understand that it can be done.
10: 부분방전 위험도 예측 장치
11: 센서부
12: 샘플링부
13: 전처리부
14: 위험도 판단부
15: 처리부10: partial discharge risk prediction device
11: sensor unit
12: sampling unit
13: pre-processing unit
14: risk level judgment unit
15: processing unit
Claims (21)
상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 전처리부;
상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 위험도 판단부; 및
상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 처리부를 포함하는 부분방전 위험도 예측 장치.
A sensor unit that detects an electromagnetic wave signal generated from a power device;
a pre-processing unit that calculates a partial discharge signal pattern from the electromagnetic wave signal, and calculates a maximum discharge size, a slope with respect to the number of occurrences, an asymmetry of the discharge signal pattern, and a kurtosis of the discharge signal pattern;
a risk determination unit for determining a partial discharge risk using the maximum discharge size, the slope of the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern; and
A partial discharge risk prediction device comprising a processing unit that learns the partial discharge risk and predicts the partial discharge risk at present and future time points.
상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출되는 부분방전 위험도 예측 장치.
According to claim 1,
The maximum discharge size is a partial discharge risk prediction device that is calculated as the maximum value of the discharge values of the electromagnetic wave signal measured for a first set time.
상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출되는 부분방전 위험도 예측 장치.
According to claim 1,
The slope for the number of occurrences is a partial discharge risk prediction device calculated as a ratio of the number of occurrences of partial discharge to the second set time.
상기 방전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출되는 부분방전 위험도 예측 장치.
According to claim 1,
The partial discharge risk predicting device in which the asymmetry of the discharge signal pattern is calculated by the left-right symmetry of the partial discharge signal pattern generated during the third set time.
상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출되는 부분방전 위험도 예측 장치.
According to claim 1,
The kurtosis of the discharge signal pattern is calculated as the height of the partial discharge signal pattern generated during the fourth set time compared to the normal distribution.
상기 위험도 판단부는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단하는 부분방전 위험도 예측 장치.
According to claim 1,
The risk determination unit partial discharge risk prediction device for determining the partial discharge risk as one step when the maximum discharge size is less than 10 pC and the slope value for the number of occurrences is less than 10 degrees.
상기 위험도 판단부는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 방전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단하는 부분방전 위험도 예측 장치.
According to claim 1,
The risk determination unit, when the maximum discharge size is 10 pC or more and less than 20 pC, and the slope value for the number of occurrences is 10 degrees or more and less than 30 degrees in a positive direction, the asymmetry value of the discharge signal pattern is from a positive number to 0 changed, and the partial discharge risk prediction device for determining the partial discharge risk in two steps when the kurtosis value of the discharge signal pattern is 0.
상기 위험도 판단부는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 방전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단하는 부분방전 위험도 예측 장치.
According to claim 1,
The risk determination unit changes the asymmetry value of the discharge signal pattern from a positive number to a negative number when the maximum discharge size is 30 pC or more and the slope value for the number of occurrences is 30 degrees or more in a positive direction, A partial discharge risk prediction device for determining the partial discharge risk in three stages when the kurtosis value of the signal pattern is not 0.
상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 부분방전 위험도 예측 장치.
According to claim 1,
The processing unit is a partial discharge risk prediction device including a Recurrent Neural Network (RNN) model.
상기 처리부는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력하는 부분방전 위험도 예측 장치.
According to claim 9,
The processing unit learns daily partial discharge risk trend data and outputs daily partial discharge risk trend data for a certain period after the current point in time.
전처리부가 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 단계;
위험도 판단부가 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 단계; 및
처리부가 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 단계를 포함하는 부분방전 위험도 예측 방법.
detecting an electromagnetic wave signal generated by a power device by a sensor unit;
calculating, by a preprocessing unit, a partial discharge signal pattern from the electromagnetic wave signal, and calculating a maximum discharge size, a slope with respect to the number of occurrences, an asymmetry of the discharge signal pattern, and a kurtosis of the discharge signal pattern using the partial discharge signal pattern;
Step of determining the risk of partial discharge by a risk determination unit using the maximum discharge size, the slope for the number of occurrences, the asymmetry of the discharge signal pattern, and the kurtosis of the discharge signal pattern; and
Partial discharge risk prediction method comprising the step of predicting the partial discharge risk at present and future time points by learning the partial discharge risk by a processing unit.
상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출되는 부분방전 위험도 예측 방법.
According to claim 11,
The maximum discharge size is a partial discharge risk prediction method that is calculated as a maximum value among discharge values of the electromagnetic wave signal measured for a first set time.
상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출되는 부분방전 위험도 예측 방법.
According to claim 11,
The partial discharge risk prediction method in which the slope for the number of occurrences is calculated as the ratio of the number of partial discharges to the second set time.
상기 방전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출되는 부분방전 위험도 예측 방법.
According to claim 11,
The degree of asymmetry of the discharge signal pattern is a partial discharge risk prediction method in which the left-right symmetry of the partial discharge signal pattern generated during the third set time is calculated.
상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출되는 부분방전 위험도 예측 방법.
According to claim 11,
The partial discharge risk prediction method in which the kurtosis of the discharge signal pattern is calculated as the height of the partial discharge signal pattern generated during the fourth set time compared to the normal distribution.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단하는 부분방전 위험도 예측 방법.
According to claim 11,
The step of determining the risk of partial discharge determines the risk of partial discharge as one step when the maximum discharge size is less than 10 pC and the slope value for the number of occurrences is less than 10 degrees. Partial discharge risk prediction method.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 방전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단하는 부분방전 위험도 예측 방법.
According to claim 11,
In the step of determining the partial discharge risk, when the maximum discharge size is 10 pC or more and less than 20 pC, and the slope value for the number of occurrences is 10 degrees or more and less than 30 degrees in a positive direction, the asymmetry value of the discharge signal pattern The partial discharge risk prediction method of determining the partial discharge risk in two steps when the positive number is changed to 0 and the kurtosis value of the discharge signal pattern is 0.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 방전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단하는 부분방전 위험도 예측 방법.
According to claim 11,
In the step of determining the partial discharge risk, when the maximum discharge size is 30 pC or more and the slope value for the number of occurrences is 30 degrees or more in a positive direction, the asymmetry value of the discharge signal pattern changes from a positive number to a negative number. changed, and the partial discharge risk prediction method for determining the partial discharge risk in three steps when the kurtosis value of the discharge signal pattern is not 0.
상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 부분방전 위험도 예측 방법.
According to claim 11,
The processing unit partial discharge risk prediction method comprising a Recurrent Neural Network (RNN) model.
상기 부분방전 위험도를 예측하는 단계는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력하는 부분방전 위험도 예측 방법.
According to claim 19,
The step of predicting the partial discharge risk is a partial discharge risk prediction method for learning daily partial discharge risk trend data and outputting daily partial discharge risk trend data for a certain period after the current point in time.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210031278A KR102513271B1 (en) | 2021-03-10 | 2021-03-10 | Apparatus and method for predicting risk of partial discharge |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210031278A KR102513271B1 (en) | 2021-03-10 | 2021-03-10 | Apparatus and method for predicting risk of partial discharge |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220126930A KR20220126930A (en) | 2022-09-19 |
| KR102513271B1 true KR102513271B1 (en) | 2023-03-23 |
Family
ID=83460762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210031278A KR102513271B1 (en) | 2021-03-10 | 2021-03-10 | Apparatus and method for predicting risk of partial discharge |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102513271B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100954665B1 (en) | 2008-04-10 | 2010-04-27 | 엘에스산전 주식회사 | System for analyzing partial discharge risk of power equipment and method therefor |
| KR101417191B1 (en) | 2010-08-20 | 2014-08-07 | 엘에스산전 주식회사 | System and Method for Analyzing Partial Discharge Risk of Power Equipment |
| KR101553005B1 (en) | 2015-04-20 | 2015-10-01 | 지투파워 (주) | A partial discharge monitoring and diagnosis system for power devices |
| JP2018155507A (en) | 2017-03-15 | 2018-10-04 | 日新電機株式会社 | Partial discharge detection device and partial discharge detection method |
| JP2018179598A (en) | 2017-04-05 | 2018-11-15 | 株式会社東芝 | Method for diagnosis, diagnostic device, and program |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101180010B1 (en) * | 2011-01-31 | 2012-09-06 | 박기주 | insulation diagnosis apparatus of forswitchgear using ultraviolet rays sensor and electromagnetic wave sensor |
| KR20140023814A (en) * | 2012-08-17 | 2014-02-27 | 현대중공업 주식회사 | Method for detecting partial discharge of gas insulated switchgear |
| KR102130271B1 (en) * | 2014-08-25 | 2020-07-09 | 한국전력공사 | Apparatus for detecting partial discharge |
| KR101741597B1 (en) * | 2015-09-24 | 2017-06-15 | 지투파워 (주) | Arc analysis processing system of switchboard using uhf antenna and processing method thereof |
| KR102053172B1 (en) * | 2016-03-29 | 2019-12-09 | 현대일렉트릭앤에너지시스템(주) | Apparatus for detecting abnormality of mold transformer |
| KR20200052444A (en) * | 2018-10-30 | 2020-05-15 | 삼성전자주식회사 | Method of outputting prediction result using neural network, method of generating neural network, and apparatuses thereof |
| KR20210004096A (en) * | 2019-07-03 | 2021-01-13 | 한국전력공사 | Apparatus for detecting position of partial discharge |
-
2021
- 2021-03-10 KR KR1020210031278A patent/KR102513271B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100954665B1 (en) | 2008-04-10 | 2010-04-27 | 엘에스산전 주식회사 | System for analyzing partial discharge risk of power equipment and method therefor |
| KR101417191B1 (en) | 2010-08-20 | 2014-08-07 | 엘에스산전 주식회사 | System and Method for Analyzing Partial Discharge Risk of Power Equipment |
| KR101553005B1 (en) | 2015-04-20 | 2015-10-01 | 지투파워 (주) | A partial discharge monitoring and diagnosis system for power devices |
| JP2018155507A (en) | 2017-03-15 | 2018-10-04 | 日新電機株式会社 | Partial discharge detection device and partial discharge detection method |
| JP2018179598A (en) | 2017-04-05 | 2018-11-15 | 株式会社東芝 | Method for diagnosis, diagnostic device, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220126930A (en) | 2022-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102272657B1 (en) | Diagnosis apparatus of partial discharge | |
| Schäfer et al. | Detection of gravitational-wave signals from binary neutron star mergers using machine learning | |
| Balouji et al. | Classification of power quality events using deep learning on event images | |
| Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
| KR20200043196A (en) | Deep learning based analysis method and device for remaining useful lifetime of equipment or parts using vibration signals | |
| WO2021038960A1 (en) | Partial discharge determination device and method | |
| JP5414413B2 (en) | Partial discharge diagnostic method and partial discharge diagnostic device for gas insulated switchgear | |
| WO2020252574A1 (en) | Artificial intelligence-based process and system for visual inspection of infrastructure | |
| CN111368911B (en) | Image classification method and device and computer readable storage medium | |
| CN113986674A (en) | Method and device for detecting abnormity of time sequence data and electronic equipment | |
| CN113160190A (en) | Method, equipment, device and storage medium for detecting abnormity of fastener of contact network | |
| US20230351158A1 (en) | Apparatus, system and method for detecting anomalies in a grid | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN115575811A (en) | Method, system, storage medium and equipment for predicting and evaluating electric service life of circuit breaker | |
| KR102513271B1 (en) | Apparatus and method for predicting risk of partial discharge | |
| Dong et al. | Rolling bearing performance degradation assessment based on singular value decomposition-sliding window linear regression and improved deep learning network in noisy environment | |
| JP5436322B2 (en) | Partial discharge diagnostic method and partial discharge diagnostic device for gas insulated switchgear | |
| KR20200108199A (en) | Auto monitoring method and apparatus by using anomaly detection | |
| KR102284958B1 (en) | Partial discharge position estimation appratus and method | |
| CN117007977A (en) | Energy storage battery health state diagnosis method | |
| Balouji et al. | A deep learning approach to earth fault classification and source localization | |
| KR102216513B1 (en) | Methods and Apparatus for Motor Deterioration Detection by Real-Time Motor Current Analysis | |
| WO2023004180A1 (en) | Identification of false transformer humming using machine learning | |
| US20220147888A1 (en) | Device for extracting facility needing lightning countermeasures, method for extracting factility needing lightning countermeasures, and program for extracting facility needing lightning countermeasures | |
| CN110321425B (en) | Method and device for judging defect type of power grid |
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 |