KR102535587B1 - 인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치 - Google Patents

인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치 Download PDF

Info

Publication number
KR102535587B1
KR102535587B1 KR1020230013162A KR20230013162A KR102535587B1 KR 102535587 B1 KR102535587 B1 KR 102535587B1 KR 1020230013162 A KR1020230013162 A KR 1020230013162A KR 20230013162 A KR20230013162 A KR 20230013162A KR 102535587 B1 KR102535587 B1 KR 102535587B1
Authority
KR
South Korea
Prior art keywords
partial discharge
information
occurrence
neural network
power facility
Prior art date
Application number
KR1020230013162A
Other languages
English (en)
Inventor
유인창
한국찬
최용운
Original Assignee
유호전기공업주식회사
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 유호전기공업주식회사 filed Critical 유호전기공업주식회사
Priority to KR1020230013162A priority Critical patent/KR102535587B1/ko
Application granted granted Critical
Publication of KR102535587B1 publication Critical patent/KR102535587B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02—Means for indicating or recording specially adapted for thermometers
    • G01K1/022—Means for indicating or recording specially adapted for thermometers for recording
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061—Details of electronic electricity meters
    • G01R22/068—Arrangements for indicating or signaling faults
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치에 관한 것으로, 전력설비의 온도를 주기적으로 측정함으로써 전력설비의 온도 변화 정보를 생성하고, 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 학습된 인공신경망에 온도 변화 정보를 입력하고, 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 인공신경망으로부터 전력설비에서의 부분방전 발생 정보를 획득함으로써 전력설비의 온도 측정만으로 전력설비에서의 부분방전 발생을 신속하고 정확하게 예측할 수 있다.

Description

인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치 {Method and apparatus for predicting partial discharge based on power facility temperature measurement using artificial neural network}
전력설비에서의 부분방전 발생을 예측하는 방법 및 장치에 관한 것이다.
수배전반, GIS(Gas Insulated Switchgear) 등의 전력설비에는 고전압의 전류가 흐르기 때문에 전력설비 고장의 전조로서 부분방전(partial discharge)이 발생하게 된다. 이와 같이, 전력설비에 부분방전이 발생하게 되면 절연 파괴에 도달할 가능성이 있으며 최종적으로 전력설비 전체의 동작이 정지될 수 있다. 따라서, 부분방전의 발생을 조기에 진단하여 적절한 조치를 취함으로써 전력기기의 고장을 예방하기 위한 부분방전 진단 장비가 필수적으로 요구된다.
부분방전 검출은 초음파 검출법, 누설전류 측정법, 방사전파를 검출하는 UHF(Ultra High Frequency) 검출법 등과 같은 다양한 기법을 통하여 수행되고 있다. 이러한 다양한 기법 중에서 UHF 검출법은 외부 노이즈 영향을 적게 받는 가장 신뢰도가 높은 기법으로 알려져 있으며, 현재는 주로 UHF 검출법을 이용하여 부분방전 검출이 이루어지고 있다. 그러나, UHF 검출법을 이용하여 전력설비에서의 부분방전을 진단하기 위해서는 UHF 센서, 스펙트럼 분석기 등 고가의 장비가 요구되고, UFH 센서의 출력 신호에 대해 주파수 스펙트럼 분석을 실시하여야 함에 따라 부분방전 진단에 상당한 시간과 노력이 요구된다는 문제점이 있었다.
인공신경망을 이용하여 고가의 부분방전 검출기의 사용 없이도 신속하고 정확하게 전력설비에서의 부분방전 발생을 예측할 수 있는 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치를 제공하는 데에 있다. 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 설명으로부터 또 다른 기술적 과제가 도출될 수도 있다.
본 발명의 일 측면에 따른 부분방전 예측 방법은 전력설비의 온도를 주기적으로 측정함으로써 상기 전력설비의 온도 변화 정보를 생성하는 단계; 상기 온도의 측정 시점 이전에 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 학습된 인공신경망에 상기 생성된 온도 변화 정보를 입력하는 단계; 및 상기 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보를 획득하는 단계를 포함한다.
상기 부분방전 예측 방법은 상기 전력설비의 시험 모델의 모의 결함을 이용하여 상기 시험 모델에서의 부분방전 발생을 모의하고 상기 부분방전 발생이 모의된 시험 모델로부터 상기 과거의 부분방전 발생 정보와 온도 변화 정보를 수집하는 단계; 및 상기 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 상기 인공신경망을 학습시키는 단계를 더 포함할 수 있다.
상기 인공신경망을 학습시키는 단계는 상기 인공신경망의 입력층에 상기 수집된 과거의 온도 변화 정보를 입력하고, 상기 인공신경망의 출력층에 상기 수집된 과거의 부분방전 정보를 입력함으로써 상기 인공신경망을 학습시킬 수 있다.
상기 과거의 부분방전 발생 정보와 온도 변화 정보를 수집하는 단계는 상기 부분방전 발생이 모의된 시험 모델에 대하여 부분방전센서를 이용하여 부분방전을 주기적으로 검출하고, 온도센서를 이용하여 내부 온도를 주기적으로 측정함으로써 상기 과거의 부분방전 발생 정보와 온도 변화 정보를 수집할 수 있다.
상기 인공신경망은 상기 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 상기 온도의 측정 시점 이전에 수집된 과거의 화재 발생 정보를 이용하여 학습되고, 상기 부분방전 발생 정보를 획득하는 단계는 상기 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보와 함께 상기 전력설비에서의 화재 발생 정보를 획득할 수 있다.
상기 부분방전 예측 방법은 상기 전력설비의 시험 모델의 모의 결함을 이용하여 상기 시험 모델에서의 부분방전 발생을 모의하고 상기 부분방전 발생이 모의된 시험 모델로부터 상기 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 상기 과거의 화재 발생 정보를 수집하는 단계; 및 상기 수집된 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 상기 수집된 과거의 화재 발생 정보를 이용하여 상기 인공신경망을 학습시키는 단계를 더 포함할 수 있다.
상기 전력설비에서의 부분방전 발생 정보를 획득하는 단계는 상기 전력설비에서의 부분방전 발생 정보로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전의 발생 확률을 나타내는 데이터를 획득할 수 있다.
상기 부분방전 예측 방법은 상기 획득된 데이터가 나타내는 부분방전 발생 확률에 사용자에 의해 설정된 보정치를 적용함으로써 최종 부분방전 발생 확률을 산출하는 단계; 및 상기 산출된 최종 부분방전의 발생 확률과 상기 생성된 온도 변화 정보를 이용하여 상기 인공신경망을 학습시키는 단계를 더 포함할 수 있다.
상기 획득된 부분방전 데이터가 나타내는 부분방전의 발생 확률은 상기 전력설비에서의 부분방전의 종류별 발생 확률이고, 상기 부분방전 예측 방법은 상기 획득된 부분방전 데이터가 나타내는 부분방전의 종류별 발생 확률 중에서 가장 높은 발생 확률에 사용자에 의해 설정된 보정치를 적용함으로써 최종 부분방전 발생 확률을 산출하는 단계; 및 상기 산출된 최종 부분방전 발생 확률을 표시하는 단계를 더 포함할 수 있다.
상기 부분방전 예측 방법은 상기 전력설비의 접지선의 누설전류를 주기적으로 측정함으로써 상기 전력설비의 전기적 변화 정보를 생성하는 단계를 더 포함하고, 상기 온도 변화 정보를 입력하는 단계는 상기 온도의 측정 시점 이전에 수집된 과거의 부분방전 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 이용하여 학습된 인공신경망에 상기 생성된 온도 변화 정보와 함께 상기 생성된 전기적 변화 정보를 입력하고, 상기 전력설비에서의 부분방전 발생 정보를 획득하는 단계는 상기 인공신경망으로의 온도 변화 정보 입력과 전기적 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보를 획득할 수 있다.
상기 전력설비의 온도 변화 정보를 생성하는 단계는 상기 전력설비의 외함 내부의 천장 중앙과 복수의 모서리 지점에 설치되는 복수 개의 온도센서를 이용하여 전력설비의 온도를 주기적으로 측정함으로써 상기 전력설비의 온도 변화 정보를 생성할 수 있다.
상기 복수의 온도센서 중 제 1 온도센서는 상기 전력설비의 외함 내부의 천장 중앙에 설치되고, 제 2 온도센서는 상기 전력설비의 구동 상태에서 가장 온도가 높은 모서리 지점에 설치되고, 제 3 온도센서는 상기 전력설비의 구동 상태에서 가장 온도가 낮은 모서리 지점에 설치될 수 있다.
본 발명의 다른 측면에 따라 상기 부분방전 예측 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공된다.
본 발명의 또 다른 측면에 따른 부분방전 예측 장치는 전력설비의 온도를 주기적으로 측정함으로써 상기 전력설비의 온도 변화 정보를 생성하는 온도측정부; 상기 온도의 측정 시점 이전에 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 학습된 인공신경망에 상기 생성된 온도 변화 정보를 입력하는 정보입력부; 및 상기 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보를 획득하는 정보획득부를 포함한다.
전력설비의 온도를 주기적으로 측정함으로써 전력설비의 온도 변화 정보를 생성하고, 인공신경망에 온도 변화 정보를 입력함으로써 인공신경망으로부터 전력설비에서의 부분방전 발생 정보를 획득할 수 있음에 따라 전력설비의 온도 측정만으로 전력설비에서의 부분방전 발생을 예측할 수 있다. 이와 같이, 전력설비의 온도 측정만으로 전력설비에서의 부분방전 발생을 예측할 수 있음에 따라 고가의 부분방전 검출기의 사용 없이도 신속하게 부분방전 진단이 이루어질 수 있다.
특히, 전력설비의 시험 모델의 모의 결함을 이용하여 부분방전 발생을 모의하고 부분방전 발생이 모의된 시험 모델로부터 과거의 부분방전 발생 정보와 온도 변화 정보를 수집하고, 이와 같이 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 인공신경망을 학습시킴으로써 전력설비에서의 부분방전 발생을 정확하게 예측할 수 있다.
인공신경망은 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 과거의 화재 발생 정보를 이용하여 학습 되고, 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 인공신경망으로부터 전력설비에서의 부분방전 발생 정보와 함께 전력설비에서의 화재 발생 정보를 획득할 수 있음에 따라 전력설비의 온도 측정만으로 전력설비에서의 부분방전 발생 예측과 함께 화재 발생도 예측할 수 있다. 상기된 바와 같은 효과로 한정되지 않으며, 이하의 설명으로부터 또 다른 효과가 도출될 수도 있다.
도 1은 본 발명의 일 실시예가 적용되는 전력설비의 예시도이다.
도 2는 본 발명의 일 실시예에 따른 부분방전예측장치의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 부분방전 예측 방법의 흐름도이다.
도 4는 배전반 내부에서의 코로나 방전을 모의하기 위한 배전반 시험 모델을 도시한 도면이다.
도 5는 배전반 내부에서의 보이드 방전을 모의하기 위한 배전반 시험 모델을 도시한 도면이다.
도 6은 배전반 내부에서의 플로팅 방전을 모의하기 위한 배전반 시험 모델을 도시한 도면이다.
도 7은 도 2에 도시된 인공신경망(1)의 학습 예시도이다.
도 8은 도 2에 도시된 온도센서(3)의 설치 예시도이다.
도 9는 도 7에 도시된 예에 따라 학습된 인공신경망(1)의 사용 예시도이다.
이하에서는 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 이하에서 설명되는 본 발명의 실시예는 인공신경망을 이용하여 고가의 부분방전 검출기의 사용 없이도 신속하고 정확하게 전력설비에서의 부분방전 발생을 예측할 수 있는 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치에 관한 것이다. 이하에서는 이러한 방법 및 장치를 간략하게 "부분방전 예측 방법"과 "부분방전 예측 장치"로 간략하게 호칭할 수도 있다.
도 1은 본 발명의 일 실시예가 적용되는 전력설비의 예시도이다. 전력설비의 대표적인 예로는 수배전반, GIS(Gas Insulated Switchgear) 등을 들 수 있다. 수배전반은 일반적으로 배전반, 전동기제어반, 분전반 등으로 구성된다. 도 1의 (a)에는 배전반의 회로 일부가 도시되어 있고, 도 1의 (b)에는 배전반의 외함이 도시되어 있다. 도 1의 (a)를 참조하면, 배전반은 계기용변성기(MOF, Metering Out Fit), 진공차단기(VCB, Vacuum Circuit Breaker), 변압기(TR, Transformer), 기중차단기(ACB, Air Circuit Breaker), 각종 계측기 등으로 구성된다. 이러한 배전반의 각종 부품들은 도 1의 (b)에 도시된 외함 내부에 설치된다.
도 2는 본 발명의 일 실시예에 따른 부분방전예측장치의 구성도이다. 도 2를 참조하면, 본 실시예에 따른 부분방전예측장치는 인공신경망(1), 사용자인터페이스(2), 복수 개의 온도센서(3), 중성점변류기(4), 정보수집부(10), 학습부(20), 온도측정부(30), 전류측정부(40), 정보입력부(50), 정보획득부(60), 입력모니터링부(70), 확률산출부(80)로 구성된다. 도 2에 도시된 부분방전예측장치는 물리적으로 분리된 복수의 장치로 구현될 수도 있다. 예를 들어, 상기된 구성요소들 중 정보수집부(10)와 학습부(20)는 별개의 인공신경망학습장치로 구현될 수도 있다. 즉, 인공신경망(1)을 학습하기 위한 구성과 인공신경망(1)을 활용하기 위한 구성은 물리적으로 분리되어 구현될 수도 있다.
본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이러한 구성 요소들 중 일부, 예를 들어 사용자인터페이스(2), 복수 개의 온도센서(3), 중성점변류기(4)는 특정 기능을 제공하는 하드웨어로 구현될 수 있고, 나머지는 특정 기능을 제공하는 소프트웨어가 기록된 스토리지, 프로세서, 버스 등의 조합으로 구현될 수 있음을 이해할 수 있다. 상기된 각 구성 요소는 반드시 별개의 하드웨어로 구현되는 것은 아니며, 여러 개의 구성 요소가 공통 하드웨어, 예를 들어 프로세서, 스토리지, 버스 등의 조합에 의해 구현될 수도 있다. 예를 들어, 사용자인터페이스(2)는 디스플레이패널과 터치스크린으로 구현될 수 있다.
도 3은 본 발명의 일 실시예에 따른 부분방전 예측 방법의 흐름도이다. 도 3을 참조하면, 본 실시예에 따른 부분방전 예측 방법은 도 1에 도시된 부분방전 예측 시스템에 의해 수행되는 다음과 같은 단계들로 구성된다. 이하에서는 도 3을 참조하면서, 도 2에 도시된 부분방전예측장치를 상세하게 설명하기로 한다. 본 실시예의 주요 특징은 인공신경망(1)을 이용하여 전력설비의 온도 변화 정보로부터 그 전력설비에서의 부분방전 발생 정보와 화재 발생 정보를 획득하는 데에 있다. 전력설비의 전기적 변화 정보는 인공신경망(1)으로부터 획득된 부분방전 발생 정보, 화재 발생 정보의 정확도를 향상시키기 위하여 온도 변화 정보와 함께 사용되는 정보로서 전력설비에 변압기가 설치되어 있지 않은 경우 등 전기적 변화 정보의 획득이 용이하지 않은 경우라면 생략될 수도 있다.
31 단계에서 정보수집부(10)는 인공신경망(1)의 학습에 사용하기 위한 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 수집한다. 본 실시예의 부분방전 발생 정보는 전력설비에서 주기적으로 검출된 부분방전의 종류별 발생 확률을 나타내는 데이터로 이루어진다. 본 실시예의 화재 발생 정보는 전력설비에서 주기적으로 검출된 화재 발생의 확률을 나타내는 데이터로 이루어진다. 본 실시예의 온도 변화 정보는 전력설비에서 주기적으로 측정된 복수의 온도 값을 나타내는 데이터로 이루어진다. 본 실시예의 전기적 변화 정보는 전력설비에서 주기적으로 측정된 전력설비 접지선의 누설전류 값을 나타내는 데이터로 이루어진다. 예를 들어, 전기적 변화 정보는 도 1에 도시된 배전반의 고압측 변압기의 중성 접지선에서 주기적으로 측정된 복수의 누설전류 값을 나타내는 데이터로 이루어질 수 있다.
예를 들어, 정보수집부(10)는 도 1에 도시된 전력설비와 동종의 여러 전력설비의 빅데이터로부터 각 전력설비 별로 검출된 부분방전의 종류를 나타내는 데이터를 추출하고, 각 전력설비 별로 검출된 화재 발생을 나타내는 데이터, 각 전력설비 별로 측정된 복수의 온도 값을 나타내는 데이터, 각 전력설비 별로 측정된 복수의 누설전류 값을 나타내는 데이터를 추출함으로써 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 전기적 변화 정보를 수집할 수 있다. 전력설비 빅데이터로부터 인공신경망 학습용 정보를 수집하는 경우, 전력설비 빅데이터로부터 인공신경망(1)의 학습에 적합한 충분한 양의 정보가 수집되지 않을 수 있다.
정보수집부(10)는 전력설비의 시험 모델의 모의 결함을 이용하여 시험 모델에서의 부분방전 발생을 모의하고 부분방전 발생이 모의된 시험 모델로부터 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 전기적 변화 정보를 수집할 수 있다. 이 경우, 인공신경망 학습을 위한 전력설비의 시험 모델을 제작하여야 하나 인공신경망(1)의 학습에 적합한 충분한 양의 정보가 용이하게 수집될 수 있다. 부분방전 발생이 모의된 시험 모델로부터 수집된 인공신경망 학습용 정보는 전력설비 빅데이터로부터 수집된 인공신경망 학습용 정보의 보완용으로 사용될 수도 있다.
도 4는 배전반 내부에서의 코로나 방전을 모의하기 위한 배전반 시험 모델을 도시한 도면이다. 코로나 방전은 전극의 끝이나 도체의 날카로운 부분에 의해 야기되는 주위 유체의 이온화로 인해 발생하는 전기적 방전으로서 주로 도체 접속 부위에서 나타나는 경우가 많다. 코로나 방전을 모의하기 위해 챔버 내부에 1mm 직경의 침 도체(41)와 평판 도체(42)를 5mm 간격으로 배치하고, 침 도체(41)와 평판 도체(42)에 고전압을 인가하기 위해 배전반의 고압측 변압기를 연결하였다. 화재 발생을 모의하기 위해 침 도체와 평판 도체 주변에 전력케이블(43)을 원통 형태로 말라서 쌓아 올렸다.
챔버 내부에 세 개의 온도센서(44), 하나의 연기센서(45), 하나의 부분방전센서(46)를 설치하고, 변압기의 중성점 접지선에는 중성점변류기(47)를 설치하였다. 부분방전센서(46)로는 UHF(Ultra High Frequency) 센서가 사용되었다. 스펙트럼분석기(Spectrum Analyzer)를 이용하여 부분방전센서(46)의 출력 신호에 대해 주파수 스펙트럼 분석을 실시하고, 오실로스코프(Oscilloscope)를 이용하여 부분방전 크기(mV)를 측정하였다. 스펙트럼분석기 화면과 오실로스코프 화면을 모니터링하면서 변압기로부터 침 도체(41)와 평판 도체(42)에 입력되는 전압을 500V부터 시작하여 50V 단위로 증가시켰다.
정보수집부(10)는 부분방전 발생이 모의된 시험 모델에 대하여 부분방전센서(46)를 이용하여 부분방전을 주기적으로 검출하고, 연기센서(45)를 이용하여 연기 농도를 주기적으로 검출하고, 세 개의 온도센서(44)를 이용하여 내부 온도를 주기적으로 측정하고, 중성점변류기(47)를 이용하여 변압기의 중성점 접지선에 흐르는 누설전류를 주기적으로 측정함으로써 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 수집한다. 이와 같이 수집된 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 전기적 변화 정보 중에서 동일 시점에서의 부분방전 검출 결과, 연기 농도 검출 결과, 내부 온도 측정 결과, 누설전류 측정 결과 각각에 따른 각종 데이터는 하나의 세트로 인공신경망(1)에 입력되어 인공신경망(1)의 학습이 이루어지게 된다.
예를 들어, 코로나 방전이 최초로 관찰된 시점에서의 부분방전 발생 정보로서 코로나 방전 발생 확률 50%를 나타내는 데이터가 생성되고, 화재 발생 정보로서 그 시점에서 검출된 연기 농도에 따른 화재 발생 확률을 나타내는 데이터가 생성되고, 온도 변화 정보로서 세 개의 온도센서(44)를 이용하여 그 시점에서 측정된 세 개의 온도 값을 나타내는 데이터가 생성되고, 전기적 변화 정보로서 중성점변류기(47)를 이용하여 그 시점에서 측정된 누설전류 값을 나타내는 데이터가 생성된다. 이와 같이 생성된 코로나 방전 발생 확률을 나타내는 데이터, 화재 발생 확률을 나타내는 데이터, 세 개의 온도 값을 나타내는 데이터, 누설전류 값을 나타내는 데이터는 하나의 세트로 인공신경망(1)에 입력되어 인공신경망(1)의 학습이 이루어지게 된다.
코로나 방전이 최초로 관찰된 시점에서의 부분방전 발생 정보로서 코로나 방전 발생 확률 100%를 나타내는 데이터가 생성될 수도 있다. 배전반 등 전력설비는 그 모델 사양에 따라 변압기, 차단기, 부스바 등 각종 기기가 다양한 구조로 설치됨에 따라 동일한 온도 변화 정보와 전기적 변화 정보의 조건에서 어떤 전력설비에서는 코로나 방전이 검출될 수 있으나 다른 전력설비에서는 코로나 방전이 검출되지 않을 가능성이 매우 높다. 이에 따라, 코로나 방전이 최초로 관찰된 시점에서 코로나 방전 발생 확률은 50%로 설정되었다. 침 도체(41)와 평판 도체(42)에 입력되는 전압의 구간에 따라 코로나 방전 발생 확률은 적절하게 설계될 수 있다. 마찬가지로, 시험 모델에서의 연기 농도에 비례하여 적절하게 화재 발생 확률이 설계될 수 있다.
도 5는 배전반 내부에서의 보이드 방전을 모의하기 위한 배전반 시험 모델을 도시한 도면이다. 보이드 방전(void discharge)은 절연체 내부에 매우 작은 공극이 발생하면서 나타나는 부분방전 현상으로 보이드 방전이 발생되면 공극을 갖는 절연체를 중심으로 국부적으로 확장되면서 온도가 상승되는 경향이 있다. 보이드 방전을 모의하기 위해 비유전율 2.3의 폴리에틸렌 라미네이팅 필름을 이용하여 두께 300 ㎛, 크기 90×90 ㎜의 절연체(51)를 제작하였다. 절연체(51) 중심에는 지름 500㎛, 두께 100㎛인 원기둥 공극(52)이 형성되어 있다. 두 개의 평판 도체 사이에 절연체(51)를 삽입하고, 두 개의 평판 도체에 고전압을 인가하기 위해 배전반의 고압측 변압기를 연결하였다. 화재 발생을 모의하기 위해 침 도체와 평판 도체 주변에 전력케이블(53)을 원통 형태로 말라서 쌓아 올렸다.
도 4에 도시된 시험 모델과 동일하게, 챔버 내부에 세 개의 온도센서(54), 하나의 연기센서(55), 하나의 부분방전센서(56)를 설치하고, 변압기의 중성점 접지선에는 중성점변류기(57)를 설치하였다. 스펙트럼분석기를 이용하여 부분방전센서(56)의 출력 신호에 대해 주파수 스펙트럼 분석을 실시하고, 오실로스코프를 이용하여 부분방전 크기를 측정하였다. 스펙트럼분석기 화면과 오실로스코프 화면을 모니터링하면서 변압기로부터 두 개의 평판 도체 사이에 입력되는 전압을 500V부터 시작하여 50V 단위로 증가시켰다.
정보수집부(10)는 부분방전 발생이 모의된 시험 모델에 대하여 부분방전센서(56)를 이용하여 부분방전을 주기적으로 검출하고, 연기센서(55)를 이용하여 연기 농도를 주기적으로 검출하고, 세 개의 온도센서(54)를 이용하여 내부 온도를 주기적으로 측정하고, 중성점변류기(57)를 이용하여 변압기의 중성점 접지선에 흐르는 누설전류를 주기적으로 측정함으로써 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 수집한다. 도 4에 도시된 시험 모델과 동일하게, 동일 시점에서의 부분방전 검출 결과, 연기 농도 검출 결과, 내부 온도 측정 결과, 누설전류 측정 결과 각각에 따른 각종 데이터는 하나의 세트로 인공신경망(1)에 입력되어 인공신경망(1)의 학습이 이루어지게 된다. 도 5에 도시된 시험 모델에 대한 추가적인 설명은 생략되며 도 4에 도시된 시험 모델에 대한 설명으로 갈음하기로 한다.
도 6은 배전반 내부에서의 플로팅 방전을 모의하기 위한 배전반 시험 모델을 도시한 도면이다. 플로팅 방전(floating discharge)은 전력설비가 접지되어 있지 않거나 부품들을 전기적으로 연결하는 부분의 볼트 풀림 등으로 인해 전기적으로 접속되지 않은 부분인 부유부분 또는 부유전극에서 발생되는 용량성 방전으로서 부유부분 또는 부유전극에서 국부적으로 온도가 상승되는 경향이 있다. 코로나 방전을 모의하기 위해 챔버 내부에 5mm 직경의 원기둥 도체(61)와 평판 도체(62)를 8mm 간격으로 배치하고, 원기둥 도체(61)와 평판 도체(62)에 고전압을 인가하기 위해 배전반의 고압측 변압기를 연결하였다. 화재 발생을 모의하기 위해 침 도체와 평판 도체 주변에 전력케이블(43)을 원통 형태로 말라서 쌓아 올렸다.
도 4에 도시된 시험 모델과 동일하게, 챔버 내부에 세 개의 온도센서(64), 하나의 연기센서(65), 하나의 부분방전센서(66)를 설치하고, 변압기의 중성점 접지선에는 중성점변류기(67)를 설치하였다. 스펙트럼분석기를 이용하여 부분방전센서(66)의 출력 신호에 대해 주파수 스펙트럼 분석을 실시하고, 오실로스코프를 이용하여 부분방전 크기를 측정하였다. 스펙트럼분석기 화면과 오실로스코프 화면을 모니터링하면서 변압기로부터 두 개의 평판 도체 사이에 입력되는 전압을 500V부터 시작하여 50V 단위로 증가시켰다.
정보수집부(10)는 부분방전 발생이 모의된 시험 모델에 대하여 부분방전센서(66)를 이용하여 부분방전을 주기적으로 검출하고, 연기센서(65)를 이용하여 연기 농도를 주기적으로 검출하고, 세 개의 온도센서(64)를 이용하여 내부 온도를 주기적으로 측정하고, 중성점변류기(67)를 이용하여 변압기의 중성점 접지선에 흐르는 누설전류를 주기적으로 측정함으로써 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 수집한다. 도 4에 도시된 시험 모델과 동일하게, 동일 시점에서의 부분방전 검출 결과, 연기 농도 검출 결과, 내부 온도 측정 결과, 누설전류 측정 결과 각각에 따른 각종 데이터는 하나의 세트로 인공신경망(1)에 입력되어 인공신경망(1)의 학습이 이루어지게 된다. 도 6에 도시된 시험 모델에 대한 추가적인 설명은 생략되며 도 4에 도시된 시험 모델에 대한 설명으로 갈음하기로 한다.
32 단계에서 학습부(20)는 31 단계에서 정보수집부(10)에 의해 수집된 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 이용하여 인공신경망(1)을 학습시킨다. 31 단계에서의 인공신경망 학습용 정보 수집은 33 단계의 온도 측정 시점에 이루어지므로 31 단계에서 정보수집부(10)에 의해 수집된 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보는 33 단계의 온도 측정 시점 이전에 수집된 과거의 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보라고 할 수 있다.
도 7은 도 2에 도시된 인공신경망(1)의 학습 예시도이다. 학습부(20)는 인공신경망(1)의 입력층에 정보수집부(10)에 의해 수집된 온도 변화 정보와 전기적 변화 정보를 입력하고, 인공신경망(1)의 출력층에 정보수집부(10)에 의해 수집된 부분방전 발생 정보와 화재 발생 정보를 입력함으로써 인공신경망(1)을 학습시킨다. 도 6에는 도면 간략화를 위해 은닉층이 하나의 계층으로 표현되어 있으나 일반적으로 은닉층은 여러 계층으로 이루어진다. 인공신경망(1)의 입력층에 입력된 온도 변화 정보와 전기적 변화 정보로부터 인공신경망(1)의 출력층으로부터 그 출력층에 입력된 부분방전 발생 정보와 화재 발생 정보가 출력되도록 인공신경망(1)의 각 뉴런(neuron)의 가중치 조절이 이루어지면서 인공신경망 학습이 진행된다. 은닉층의 개수가 증가할수록 딥러닝이 이루어지며 인공신경망(1)의 예측 정확도가 향상된다.
상술한 바와 같이, 도 4~6에 도시된 시험 모델을 이용하여 정보수집부(10)에 의해 수집된 온도 변화 정보는 전력설비 시험 모델에서 주기적으로 측정된 복수의 온도 값을 나타내는 데이터로 이루어지고, 전기적 변화 정보는 각 온도 측정 시점마다 측정된 변압기의 중성 접지선의 누설전류 값을 나타내는 데이터로 이루어지고, 부분방전 발생 정보는 각 온도 측정 시점마다 검출된 부분방전의 종류별 발생 확률을 나타내는 데이터로 이루어지고, 화재 발생 정보는 각 온도 측정 시점마다 검출된 연기 농도에 따른 화재 발생 확률을 나타내는 데이터로 이루어진다.
도 6에 도시된 인공신경망(1)은 입력층 뉴런 "x1", "x2", "x3"에 세 개의 온도센서를 이용하여 동시에 측정된 세 개의 온도 값이 입력되고, 입력층 뉴런 "x4"에 중성점변류기를 이용하여 측정된 누설전류 값이 입력되고, 출력층 뉴런 "y1", "y2", "y3"은 부분방전센서의 검출 결과에 따른 부분방전의 종류별 발생 확률을 출력하고, 출력층 뉴런 "y4"는 연기센서의 검출 결과에 따른 화재 발생 확률을 출력하도록 설계된다. 입력층 뉴런 "x1", "x2", "x3" 중 "x1"은 제 1 온도센서에 할당되고, "x2"는 제 2 온도센서에 할당되고, "x3"은 제 3 온도센서에 할당된다. 출력층 뉴런 "y1", "y2", "y3" 중 "y1"은 코로나 방전에 할당되고, "y2"는 보이드 방전에 할당되고, "y3"은 플로팅 방전에 할당된다. 온도센서의 개수, 부분방전 종류 등 인공신경망(1)에 입력되거나 출력되는 정보 개수의 변동 가능성을 고려하여 인공신경망의 각 계층 뉴런 개수가 n개로 표현되어 있다. 상기된 예에서 뉴런 "xn", "yn"은 "x4", "y4"가 된다.
예를 들어, 도 4~6에 도시된 시험 모델에서 어떤 시점에서 세 개의 온도센서에 의해 측정된 온도 값이 T1, T2, T3이고, 중성점변류기에 의해 측정된 누설전류 값이 Ig라고 한다면, 인공신경망(1)의 입력층의 뉴런(neuron) "x1"에 T1을 입력하고, 뉴런 "x2"에 T2를 입력하고, 뉴런 "x3"에 T3을 입력하고, 뉴런 "x4"에 Ig을 입력한다. 부분방전센서의 검출 결과에 따른 부분방전의 종류별 발생 확률을 인공신경망(1)의 출력층의 뉴런 "y1", "y2", "y3"에 입력하고, 뉴런 "y4"에 연기센서의 검출 결과에 따른 화재 발생 확률을 입력한다. T1, T2, T3 각각의 범위는 30~500℃이고, Ig의 범위는 0~3000mA이다. 이러한 범위는 예시일 뿐, 전력설비 종류 등에 따라 달라질 수 있다.
도 4에 도시된 시험 모델의 부분방전센서(46)의 검출 결과에 따른 부분방전의 종류별 발생 확률이 코로나 방전 80%이고, 연기센서(45)의 검출 결과에 따른 화재 발생 확률이 40%라면, 인공신경망(1)의 출력층의 뉴런 "y1"에 "80"을 입력하고, 뉴런 "y2"에 "0"을 입력하고, 뉴런 "y3"에 "0"을 입력하고, 뉴런 "y4"에 "40"을 입력한다. 전력설비의 온도 변화 정보와 전기적 변화 정보의 분해능을 높이기 위해 인공신경망(1)의 출력층에 부분방전의 종류별 발생 확률과 화재 발생 확률이 일회 입력될 동안에 인공신경망(1)의 입력층에 복수 회 측정된 온도 값, 즉 복수 세트의 (T1, T2, T3)와 복수 회 측정된 누설전류 값 Ig가 입력될 수 있다.
33 단계에서 온도측정부(30)는 전력설비 내부의 복수 지점에 설치된 복수의 온도센서(3)를 이용하여 전력설비 내부의 복수 지점의 온도를 주기적으로 측정함으로써 전력설비의 온도 변화 정보를 생성한다. 온도측정부(30)는 전력설비의 외함 내부의 천장 중앙과 복수의 모서리 지점에 설치되는 복수 개의 온도센서(3)를 이용하여 전력설비의 온도를 주기적으로 측정함으로써 전력설비의 온도 변화 정보를 생성한다. 33 단계가 실행될 때마다 온도측정부(30)는 복수의 온도센서(3)를 이용하여 전력설비의 온도를 일회 또는 복수 회 측정하며, 33 단계가 일정한 주기로 반복됨에 따라 온도측정부(30)는 전력설비의 온도를 주기적으로 측정하게 된다. 33 단계가 실행될 때마다 전력설비의 온도가 복수 회 측정되는 경우, 전력설비의 온도 변화 정보의 분해능이 높아지게 되어 인공신경망(1)의 예측 정확도가 향상된다.
도 8은 도 2에 도시된 온도센서(3)의 설치 예시도이다. 도 8을 참조하면, 도 1에 도시된 배전반의 외함 내부의 천장에 3 개의 온도센서(3)가 설치될 수 있다. 3 개의 온도센서(3) 중 제 1 온도센서(3)는 전력설비의 외함 내부의 천장 중앙에 설치되고, 제 2 온도센서(3)는 배전반의 외함 내부의 천장 모서리 지점들 중 전력설비의 구동 상태에서 가장 온도가 높은 모서리 지점에 설치되고, 제 3 온도센서(3)는 전력설비의 구동 상태에서 가장 온도가 낮은 모서리 지점에 설치된다.
상술한 바와 같이, 전력설비에서 발생되는 부분방전의 종류에 따라 전력설비 내부의 동일 지점에서의 온도는 서로 다른 패턴으로 변화하게 된다. 그러나, 이러한 온도 변화 패턴은 도체의 크기 및 모양, 공극의 크기 및 모양 등 다양한 요인으로 인해 매우 불규칙한 형태로 나타나며 수식화된 형태로 표현이 불가능하다. 이에 따라, 본 실시예는 인공신경망을 이용하여 부분방전을 예측한다. 전력설비 내부에는 각종 전력기기가 다양한 구조로 설치된다. 예를 들어, 배전반 내부에는 변압기, 차단기, 각종 계측기 등이 다양한 구조로 설치된다.
따라서, 서로 다른 배전반에 동일 종류의 부분방전이 발생하더라도 그 내부의 온도 변화는 다른 양상으로 나타나게 된다. 여러 차례의 시험 결과, 전력설비의 내부 천장은 전력설비의 내부 전력기기의 다양한 설치 구조에 영향을 덜 받으면서 부분방전의 종류에 따라 서로 다른 패턴으로 온도가 변화되는 부위이다. 특히, 전력설비의 내부 천장에서 가장 온도가 낮은 지점이 전력설비의 내부 전력기기의 다양한 설치 구조에 영향을 가장 덜 받으면서 부분방전의 종류에 따라 서로 다른 패턴으로 온도가 변화되는 부위이다. 하나의 온도센서를 이용하여 온도 변화 정보를 생성한다면 그 온도센서는 전력설비의 내부 천장에서 가장 온도가 낮은 지점에 설치되는 것이 바람직하다.
전력설비의 내부 천장에서 가장 온도가 높은 지점은 전력설비의 내부 전력기기의 다양한 설치 구조에 영향을 가장 영향을 받으나 전력설비의 내부 천장에서 가장 온도가 낮은 지점과는 가장 다른 양상의 온도 변화를 나타낸다. 각 전력설비마다 본 실시예의 부분방전예측장치를 설치할 때마다 전력설비의 내부 천장에서 가장 온도가 높은 지점과 낮은 지점을 찾는 것은 번거롭고 부분방전예측장치 설치 작업자의 오류에 의해 온도센서(3)가 엉뚱한 지점에 설치될 가능성이 높기 때문에 상술한 바와 같이 모서리 지점과 중앙 지점에 설치된다.
본 실시예에 따르면, 전력설비의 내부 전력기기의 다양한 설치 구조에 영향을 가장 덜 받으면서 부분방전의 종류에 따라 서로 다른 패턴으로 온도가 변화되는 천장 모서리 지점, 이 지점과 가장 다른 양상의 온도 변화를 나타내는 천장 모서리 지점, 이러한 두 지점간의 중간 지점에 설치된 세 개의 온도센서(3)를 이용하여 동시에 측정된 복수의 온도 값에 기초하여 부분방전을 예측하기 때문에 부분방전 예측 정확도가 향상될 수 있다.
34 단계에서 전류측정부(40)는 전력설비의 접지선의 누설전류를 주기적으로 측정함으로써 전력설비의 전기적 변화 정보를 생성한다. 도 1에 도시된 배전반을 예로 들면, 전류측정부(40)는 고압측 변압기의 중성점 접지선에 설치된 중성점변류기(4)를 이용하여 고압측 변압기의 중성점 접지선에 흐르는 누설전류를 주기적으로 측정함으로써 전기적 변화 정보를 생성한다. 34 단계가 실행될 때마다 전류측정부(40)는 중성점변류기(4)를 이용하여 전력설비의 접지선 누설전류를 일회 또는 복수 회 측정하며, 34 단계가 일정한 주기로 반복됨에 따라 전류측정부(40)는 전력설비의 접지선 누설전류를 주기적으로 측정하게 된다. 33 단계와 34 단계는 동시에 실행되기 때문에 온도 측정과 누설전류 측정은 동일한 주기로 진행된다. 34 단계가 실행될 때마다 전력설비의 누설전류가 복수 회 측정되는 경우, 전력설비의 전기적 변화 정보의 분해능이 높아지게 되어 인공신경망(1)의 예측 정확도가 향상된다.
35 단계에서 정보입력부(50)는 32 단계에서 학습부(20)에 의해 학습된 인공신경망(1)에 33 단계에서 온도측정부(30)에 의해 생성된 온도 변화 정보와 34 단계에서 전류측정부(40)에 의해 생성된 전기적 변화 정보를 입력한다. 즉, 정보입력부(50)는 인공신경망 학습용 부분방전 발생 정보, 화재 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 이용하여 학습된 인공신경망(1)에 온도측정부(30)에 의해 생성된 온도 변화 정보로서 33 단계에서 복수의 온도센서(3)를 이용하여 측정된 복수의 온도 값을 입력하고, 전류측정부(40)에 의해 생성된 전기적 변화 정보로서 34 단계에서 중성점변류기(4)를 이용하여 측정된 누설전류 값을 입력한다.
36 단계에서 정보획득부(60)는 35 단계에서의 정보입력부(50)에 의한 인공신경망(1)으로의 온도 변화 정보 입력과 전기적 변화 정보 입력에 대한 결과로서 인공신경망(1)으로부터 전력설비에서의 부분방전 발생 정보와 화재 발생 정보를 획득한다. 즉, 정보획득부(60)는 전력설비에서의 부분방전 발생 정보로서 인공신경망(1)으로부터 전력설비에서의 부분방전의 종류별 발생 확률을 나타내는 데이터를 획득하고, 전력설비에서의 화재 발생 정보로서 전력설비에서의 화재 발생 확률을 나타내는 데이터를 획득한다. 정보획득부(60)는 전력설비에서의 부분방전 발생 정보로서 전력설비에서의 부분방전의 종류별 발생 확률 중에서 가장 높은 확률을 나타내는 데이터만을 획득할 수도 있다.
도 9는 도 7에 도시된 예에 따라 학습된 인공신경망(1)의 사용 예시도이다. 도 9에 도시된 예에 따르면, 인공신경망(1)의 입력층 뉴런 "x1"에 제 1 온도센서(3)에 의해 2회 측정된 온도 값 "385, 398"이 입력되고, 입력층 뉴런 "x2"에 제 2 온도센서(3)에 의해 2회 측정된 온도 값 "410, 421"이 입력되고, 입력층 뉴런 "x3"에 제 3 온도센서(3)에 의해 2회 측정된 온도 값 "340, 357"이 입력되고, 입력층 뉴런 "x4"에 중성점변류기(4)를 이용하여 2회 측정된 누설전류 값 "2312, 2400"이 입력된다.
인공신경망(1)의 출력층 뉴런 "y1"로부터 "0"이 출력된다. 출력층 뉴런 "y1"로부터 출력된 "0"은 코로나 방전의 발생 확률이 0%임을 나타낸다. 인공신경망(1)의 출력층 뉴런 "y2"로부터 "80"이 출력된다. 출력층 뉴런 "y2"로부터 출력된 "80"은 보이드 방전의 발생 확률이 80%임을 나타낸다. 인공신경망(1)의 출력층 뉴런 "y3"으로부터 "10"이 출력된다. 출력층 뉴런 "y3"으로부터 출력된 "10"은 플로팅 방전의 발생 확률이 10%임을 나타낸다. 인공신경망(1)의 출력층 뉴런 "y4"로부터 "30"이 출력된다. 출력층 뉴런 "y4"로부터 출력된 "30"은 화재 발생 확률이 10%임을 나타낸다.
37 단계에서 사용자인터페이스(2)는 36 단계에서 정보획득부(60)에 의해 부분방전 발생 정보로서 획득된 데이터가 나타내는 부분방전 발생 확률을 사용자에게 표시하고, 36 단계에서 정보획득부(60)에 의해 화재 발생 정보로서 획득된 데이터가 나타내는 화재 발생 확률을 사용자에게 표시한다. 정보획득부(60)가 전력설비에서의 부분방전 발생 정보로서 전력설비에서의 부분방전의 종류별 발생 확률을 나타내는 데이터를 획득한 경우라면, 사용자인터페이스(2)는 정보획득부(60)에 의해 부분방전 발생 정보로서 획득된 데이터가 나타내는 부분방전의 종류별 발생 확률을 표시할 수도 있고, 부분방전의 종류별 발생 확률 중에서 가장 높은 발생 확률만을 표시할 수도 있다.
도 9의 예에 따르면, 사용자인터페이스(2)는 코로나 방전 발생 확률 0%, 보이드 방전 발생 확률 80%, 플로팅 방전 발생 확률 10%, 화재 발생 확률 30%을 표시할 수도 있고, 부분방전 발생 확률 80%, 화재 발생 확률 30%을 표시할 수도 있다. 전자는 부분방전에 대한 지식과 경험이 풍부한 사용자에게 적합하고, 후자는 부분방전에 대한 지식과 경험이 부족한 사용자에게 적합하다.
38 단계에서 입력모니터링부(70)는 사용자인터페이스(2)를 통해 사용자에 의해 설정된 부분방전 보정치와 화재 보정치 중 적어도 하나가 입력되었는가를 확인한다. 입력모니터링부(70)는 사용자인터페이스(2)의 입력을 일정 시간 동안 모니터링함으로써 사용자에 의해 설정된 부분방전 보정치와 화재 보정치 중 적어도 하나가 입력되었는가를 확인할 수 있다. 38 단계에서의 확인 결과, 사용자인터페이스(2)를 통해 사용자에 의해 설정된 부분방전 보정치와 화재 보정치 중 적어도 하나가 입력되었으면 39 단계로 진행된다. 사용자인터페이스(2)를 통해 부분방전 보정치와 화재 보정치 중 어느 것도 입력되지 않았으면 33 단계로 돌아가게 되며 36~38 단계가 반복된다.
39 단계에서 확률산출부(80)는 36 단계에서 정보획득부(60)에 의해 부분방전 발생 정보로서 획득된 데이터가 나타내는 부분방전 발생 확률에 사용자에 의해 설정된 부분방전 보정치를 적용함으로써 최종 부분방전 발생 확률을 산출하고, 36 단계에서 정보획득부(60)에 의해 화재 발생 정보로서 획득된 데이터가 나타내는 화재 발생 확률에 사용자에 의해 설정된 화재 보정치를 적용함으로써 최종 화재 발생 확률을 산출한다. 사용자에 의해 부분방전 보정치와 화재 보정치 중 어느 하나만 설정된 경우라면 최종 부분방전 발생 확률과 최종 화재 발생 확률 중 어느 하나만 산출될 수도 있다. 정보획득부(60)가 전력설비에서의 부분방전 발생 정보로서 전력설비에서의 부분방전의 종류별 발생 확률을 나타내는 데이터를 획득한 경우라면, 확률산출부(80)는 정보획득부(60)에 의해 부분방전 발생 정보로서 획득된 데이터가 나타내는 부분방전의 종류별 발생 확률 중에서 가장 높은 발생 확률에 사용자인터페이스(2)를 통해 사용자에 의해 설정된 보정치를 적용함으로써 최종 부분방전 발생 확률을 산출한다.
전력설비가 일반적인 전력설비와 다른 특이한 내부 구조를 갖는다면 인공신경망(1)의 예측 정확도가 떨어질 수 있다. 예를 들어, 사용자인터페이스(2)에 표시된 화재 발생 확률이 50% 미만이었으나, 전력설비에서 실제로 화재가 발생한 경우에 사용자는 37 단계에서 사용자인터페이스(2)에 표시된 화재 발생 확률과 100%의 차이값을 화재 보정치로 설정할 수 있다. 사용자는 휴대용 부분방전검출기, 연기검출기를 이용하여 도 4~6에 도시된 시험모델과 동일하게 전력설비에서의 실제 부분방전 발생 확률과 실제 화재 발생 확률을 산출할 수 있다. 이어서, 사용자는 사용자인터페이스(2)에 표시된 부분방전 발생 확률과 실제 부분방전 발생 확률의 차이값을 부분방전 보정치로 설정하고, 사용자인터페이스(2)에 표시된 화재 발생 확률과 실제 화재 발생 확률의 차이값을 화재 보정치로 설정할 수 있다
310 단계에서 사용자인터페이스(2)는 39 단계에서 확률산출부(80)에 의해 산출된 최종 부분방전 발생 확률과 최종 화재 발생 확률을 표시한다. 사용자에 의해 부분방전 보정치와 화재 보정치 중 어느 하나만 설정된 경우라면 최종 부분방전 발생 확률과 최종 화재 발생 확률 중 어느 하나만 표시될 수도 있다. 사용자는 사용자인터페이스(2)에 표시된 최종 부분방전 발생 확률과 최종 화재 발생 확률을 확인한 후, 자신의 실수로 부분방전 보정치와 화재 보정치가 잘못 설정되거나 어떤 오류가 있음을 발견할 수 있다. 본 실시예는 이러한 경우에 아래와 같이 사용자에게 보정치를 다시 입력할 수 있도록 설계된다.
311 단계에서 입력모니터링부(70)는 39 단계에서 사용자인터페이스(2)에 표시된 최종 부분방전 발생 확률과 최종 화재 발생 확률에 대하여 사용자인터페이스(2)를 통해 사용자의 확정이 입력되었는가를 확인한다. 입력모니터링부(70)는 사용자인터페이스(2)의 입력을 일정 시간 동안 모니터링함으로써 사용자의 확정이 입력되었는가를 확인할 수 있다. 311 단계에서의 확인 결과, 사용자인터페이스(2)를 통해 사용자확정이 입력되었으면 312 단계로 진행된다. 사용자 승인이 입력되지 않았으면 38 단계로 돌아가게 되며 사용자에게 보정치를 다시 입력할 기회가 주어지게 된다.
312 단계에서 학습부(20)는 39 단계에서 확률산출부(80)에 의해 산출된 최종 부분방전 발생 확률과 최종 화재 발생 확률, 33 단계에서 온도측정부(30)에 의해 생성된 온도 변화 정보, 및 34 단계에서 전류측정부(40)에 의해 생성된 전기적 변화 정보를 인공신경망(1)을 학습시킨다. 인공신경망 학습의 구체적인 방식에 대해서는 이미 설명하였으므로 생략하기로 한다. 312 단계에서의 인공신경망 학습은 일반적인 전력설비를 대상으로 이미 학습이 완료된 인공신경망(1)을 특정 전력설비에 적응시키기 위한 재학습에 해당된다. 312 단계에서의 인공신경망 학습이 반복될수록 특정 전력설비에 대한 인공신경망(1)의 예측 정확도가 올라가게 된다.
상술한 바와 같은 본 발명의 실시예에 따르면, 전력설비의 온도를 주기적으로 측정함으로써 전력설비의 온도 변화 정보를 생성하고, 인공신경망(1)에 온도 변화 정보를 입력함으로써 인공신경망(1)으로부터 전력설비에서의 부분방전 발생 정보를 획득할 수 있음에 따라 전력설비의 온도 측정만으로 전력설비에서의 부분방전 발생을 예측할 수 있다. 이와 같이, 전력설비의 온도 측정만으로 전력설비에서의 부분방전 발생을 예측할 수 있음에 따라 고가의 부분방전 검출기의 사용 없이도 신속하게 부분방전 진단이 이루어질 수 있다.
특히, 전력설비의 시험 모델의 모의 결함을 이용하여 부분방전 발생을 모의하고 부분방전 발생이 모의된 시험 모델로부터 과거의 부분방전 발생 정보와 온도 변화 정보를 수집하고, 이와 같이 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 인공신경망(1)을 학습시킴으로써 전력설비에서의 부분방전 발생을 정확하게 예측할 수 있다. 즉, 부분방전 검출 기법 중 가장 신뢰도가 높은 UHF 센서를 이용하여 수집된 부분방전 발생 정보를 이용하여 인공신경망(1)이 학습되기 때문에 전력설비에서의 부분방전 발생을 정확하게 예측할 수 있다.
인공신경망(1)은 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 과거의 화재 발생 정보를 이용하여 학습 되고, 인공신경망(1)으로의 온도 변화 정보 입력에 대한 결과로서 인공신경망(1)으로부터 전력설비에서의 부분방전 발생 정보와 함께 전력설비에서의 화재 발생 정보를 획득할 수 있음에 따라 전력설비의 온도 측정만으로 전력설비에서의 부분방전 발생 예측과 함께 화재 발생도 예측할 수 있다.
한편, 상술한 바와 같은 부분방전 예측 방법은 컴퓨터의 프로세서에서 실행 가능한 프로그램으로 작성 가능하고, 이 프로그램을 컴퓨터로 읽을 수 있는 기록매체에 기록하여 실행시키는 컴퓨터에서 구현될 수 있다. 컴퓨터는 데스크탑 컴퓨터, 노트북 컴퓨터, 스마트폰, 임베디드 타입의 컴퓨터 등 프로그램을 실행시킬 수 있는 모든 타입의 컴퓨터를 포함한다. 또한, 상술한 본 발명의 일 실시예에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 램(RAM), 롬(ROM), 마그네틱 저장매체(예를 들면, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
1 ... 인공신경망
2 ... 사용자인터페이스
3 ... 온도센서
4 ... 중성점변류기
10 ... 정보수집부
20 ... 학습부
30 ... 온도측정부
40 ... 전류측정부
50 ... 정보입력부
60 ... 정보획득부
70 ... 입력모니터링부
80 ... 확률산출부

Claims (14)

  1. 전력설비의 온도를 주기적으로 측정함으로써 상기 전력설비의 온도 변화 정보를 생성하는 단계;
    상기 온도의 측정 시점 이전에 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 학습된 인공신경망에 상기 생성된 온도 변화 정보를 입력하는 단계; 및
    상기 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보를 획득하는 단계를 포함하고,
    상기 전력설비에서의 부분방전 발생 정보를 획득하는 단계는 상기 전력설비에서의 부분방전 발생 정보로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전의 발생 확률을 나타내는 데이터를 획득하는 것을 특징으로 하는 부분방전 예측 방법.
  2. 제 1 항에 있어서,
    상기 전력설비의 시험 모델의 모의 결함을 이용하여 상기 시험 모델에서의 부분방전 발생을 모의하고 상기 부분방전 발생이 모의된 시험 모델로부터 상기 과거의 부분방전 발생 정보와 온도 변화 정보를 수집하는 단계; 및
    상기 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 상기 인공신경망을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 부분방전 예측 방법.
  3. 제 2 항에 있어서,
    상기 인공신경망을 학습시키는 단계는 상기 인공신경망의 입력층에 상기 수집된 과거의 온도 변화 정보를 입력하고, 상기 인공신경망의 출력층에 상기 수집된 과거의 부분방전 정보를 입력함으로써 상기 인공신경망을 학습시키는 것을 특징으로 하는 부분방전 예측 방법.
  4. 제 2 항에 있어서,
    상기 과거의 부분방전 발생 정보와 온도 변화 정보를 수집하는 단계는 상기 부분방전 발생이 모의된 시험 모델에 대하여 부분방전센서를 이용하여 부분방전을 주기적으로 검출하고, 온도센서를 이용하여 내부 온도를 주기적으로 측정함으로써 상기 과거의 부분방전 발생 정보와 온도 변화 정보를 수집하는 것을 특징으로 하는 부분방전 예측 방법.
  5. 제 1 항에 있어서,
    상기 인공신경망은 상기 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 상기 온도의 측정 시점 이전에 수집된 과거의 화재 발생 정보를 이용하여 학습되고,
    상기 부분방전 발생 정보를 획득하는 단계는 상기 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보와 함께 상기 전력설비에서의 화재 발생 정보를 획득하는 것을 특징으로 하는 부분방전 예측 방법.
  6. 제 5 항에 있어서,
    상기 전력설비의 시험 모델의 모의 결함을 이용하여 상기 시험 모델에서의 부분방전 발생을 모의하고 상기 부분방전 발생이 모의된 시험 모델로부터 상기 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 상기 과거의 화재 발생 정보를 수집하는 단계; 및
    상기 수집된 과거의 부분방전 발생 정보와 온도 변화 정보와 함께 상기 수집된 과거의 화재 발생 정보를 이용하여 상기 인공신경망을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 부분방전 예측 방법.
  7. 삭제
  8. 제 1 항에 있어서,
    상기 획득된 데이터가 나타내는 부분방전 발생 확률에 사용자에 의해 설정된 보정치를 적용함으로써 최종 부분방전 발생 확률을 산출하는 단계; 및
    상기 산출된 최종 부분방전의 발생 확률과 상기 생성된 온도 변화 정보를 이용하여 상기 인공신경망을 학습시키는 단계를 더 포함하는 것을 특징으로 하는 부분방전 예측 방법.
  9. 제 1 항에 있어서,
    상기 획득된 부분방전 데이터가 나타내는 부분방전의 발생 확률은 상기 전력설비에서의 부분방전의 종류별 발생 확률이고,
    상기 획득된 부분방전 데이터가 나타내는 부분방전의 종류별 발생 확률 중에서 가장 높은 발생 확률에 사용자에 의해 설정된 보정치를 적용함으로써 최종 부분방전 발생 확률을 산출하는 단계; 및
    상기 산출된 최종 부분방전 발생 확률을 표시하는 단계를 더 포함하는 것을 특징으로 하는 부분방전 예측 방법.
  10. 제 1 항에 있어서,
    상기 전력설비의 접지선의 누설전류를 주기적으로 측정함으로써 상기 전력설비의 전기적 변화 정보를 생성하는 단계를 더 포함하고,
    상기 온도 변화 정보를 입력하는 단계는 상기 온도의 측정 시점 이전에 수집된 과거의 부분방전 발생 정보, 온도 변화 정보, 및 전기적 변화 정보를 이용하여 학습된 인공신경망에 상기 생성된 온도 변화 정보와 함께 상기 생성된 전기적 변화 정보를 입력하고,
    상기 전력설비에서의 부분방전 발생 정보를 획득하는 단계는 상기 인공신경망으로의 온도 변화 정보 입력과 전기적 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보를 획득하는 것을 특징으로 하는 부분방전 예측 방법.
  11. 제 1 항에 있어서,
    상기 전력설비의 온도 변화 정보를 생성하는 단계는 상기 전력설비의 외함 내부의 천장 중앙과 복수의 모서리 지점에 설치되는 복수 개의 온도센서를 이용하여 전력설비의 온도를 주기적으로 측정함으로써 상기 전력설비의 온도 변화 정보를 생성하는 것을 특징으로 하는 부분방전 예측 방법.
  12. 제 11 항에 있어서,
    상기 복수의 온도센서 중 제 1 온도센서는 상기 전력설비의 외함 내부의 천장 중앙에 설치되고, 제 2 온도센서는 상기 전력설비의 구동 상태에서 가장 온도가 높은 모서리 지점에 설치되고, 제 3 온도센서는 상기 전력설비의 구동 상태에서 가장 온도가 낮은 모서리 지점에 설치되는 것을 특징으로 하는 부분방전 예측 방법.
  13. 제 1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  14. 전력설비의 온도를 주기적으로 측정함으로써 상기 전력설비의 온도 변화 정보를 생성하는 온도측정부;
    상기 온도의 측정 시점 이전에 수집된 과거의 부분방전 발생 정보와 온도 변화 정보를 이용하여 학습된 인공신경망에 상기 생성된 온도 변화 정보를 입력하는 정보입력부; 및
    상기 인공신경망으로의 온도 변화 정보 입력에 대한 결과로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전 발생 정보를 획득하는 정보획득부를 포함하고,
    상기 정보획득부는 상기 전력설비에서의 부분방전 발생 정보로서 상기 인공신경망으로부터 상기 전력설비에서의 부분방전의 발생 확률을 나타내는 데이터를 획득하는 것을 특징으로 하는 부분방전 예측 장치.
KR1020230013162A 2023-01-31 2023-01-31 인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치 KR102535587B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230013162A KR102535587B1 (ko) 2023-01-31 2023-01-31 인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230013162A KR102535587B1 (ko) 2023-01-31 2023-01-31 인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102535587B1 true KR102535587B1 (ko) 2023-05-30

Family

ID=86529655

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230013162A KR102535587B1 (ko) 2023-01-31 2023-01-31 인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102535587B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101330091B1 (ko) * 2012-09-12 2013-11-18 이관우 운전중인 고전압 케이블의 수명 판정 방법
JP2020012726A (ja) * 2018-07-18 2020-01-23 株式会社東芝 部分放電検出システム、学習システム、部分放電検出方法、コンピュータプログラム及び電気機器
KR102079813B1 (ko) * 2020-01-28 2020-02-20 주식회사 한국이알이시 부분방전 진단 기능 및 ＩｏＴ 기술을 구비한 25.8 ｋＶ 친환경 개폐장치
KR20220008101A (ko) * 2020-07-13 2022-01-20 한전케이디엔주식회사 전력 케이블 노후도 판단 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101330091B1 (ko) * 2012-09-12 2013-11-18 이관우 운전중인 고전압 케이블의 수명 판정 방법
JP2020012726A (ja) * 2018-07-18 2020-01-23 株式会社東芝 部分放電検出システム、学習システム、部分放電検出方法、コンピュータプログラム及び電気機器
KR102079813B1 (ko) * 2020-01-28 2020-02-20 주식회사 한국이알이시 부분방전 진단 기능 및 ＩｏＴ 기술을 구비한 25.8 ｋＶ 친환경 개폐장치
KR20220008101A (ko) * 2020-07-13 2022-01-20 한전케이디엔주식회사 전력 케이블 노후도 판단 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
정상진 외 1인, '미세 방전신호 분석을 통한 케이블 수트리 활선 현장진단', 2008년 대한전기학회 추계학술대회 논문집, 2008.09. *

Similar Documents

Publication Publication Date Title
CN105676085B (zh) 基于多传感器信息融合的特高压gis局部放电检测方法
KR101574615B1 (ko) 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템
Pearson et al. Partial discharge diagnostics for gas insulated substations
Schichler et al. Risk assessment on defects in GIS based on PD diagnostics
Setayeshmehr et al. On-line monitoring and diagnoses of power transformer bushings
JP4157636B2 (ja) ガス絶縁機器の部分放電診断装置
JPH10170596A (ja) 絶縁機器診断システム及び部分放電検出法
JP5414413B2 (ja) ガス絶縁開閉装置の部分放電診断方法および部分放電診断装置
Landry et al. An improved vibration analysis algorithm as a diagnostic tool for detecting mechanical anomalies on power circuit breakers
Li et al. Contamination level prediction of insulators based on the characteristics of leakage current
Ramírez-Niño et al. Acoustic measuring of partial discharge in power transformers
CN103091609A (zh) 一种gis局部放电在线监测装置性能检测系统及其方法
JP6553303B2 (ja) 部分放電監視システム
KR101578701B1 (ko) 가스절연 부하개폐장치의 부분방전 결함 분석 시스템
KR101908376B1 (ko) 시뮬레이션 기반의 부분방전 진단 시스템 및 방법
CN106707048A (zh) 一种gis组合电器智能组件性能检测装置
CN116338399A (zh) 一种基于多参量联合的gis局部放电检测系统
Raja et al. Comparative investigations on UHF and acoustic PD detection sensitivity in transformers
Al-geelani et al. Identification of acoustic signals of corona discharges under different contamination levels using wavelet transform
CN105807176B (zh) 电气设备在线检测装置的实验室模拟试验装置及试验方法
KR20120022125A (ko) 휴대형 부분 방전 진단 시스템
KR102535587B1 (ko) 인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치
Hamadi et al. Modelling of partial discharge signal and noise interference using labview
JPH08271573A (ja) 部分放電検出方法
Boldrin et al. Partial Discharges detection in 1 MV power supplies in MITICA experiment, the ITER Heating Neutral Beam Injector prototype

Legal Events

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