KR102571411B1 - Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템 - Google Patents

Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템 Download PDF

Info

Publication number
KR102571411B1
KR102571411B1 KR1020230063028A KR20230063028A KR102571411B1 KR 102571411 B1 KR102571411 B1 KR 102571411B1 KR 1020230063028 A KR1020230063028 A KR 1020230063028A KR 20230063028 A KR20230063028 A KR 20230063028A KR 102571411 B1 KR102571411 B1 KR 102571411B1
Authority
KR
South Korea
Prior art keywords
partial discharge
signal
diagnosis
data
switchboard
Prior art date
Application number
KR1020230063028A
Other languages
English (en)
Inventor
김지은
Original Assignee
주식회사 솔라리치
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 솔라리치 filed Critical 주식회사 솔라리치
Priority to KR1020230063028A priority Critical patent/KR102571411B1/ko
Application granted granted Critical
Publication of KR102571411B1 publication Critical patent/KR102571411B1/ko

Links

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
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
    • G01R23/15—Indicating that frequency of pulses is either above or below a predetermined value or within or outside a predetermined range of values, by making use of non-linear or digital elements (indicating that pulse width is above or below a certain limit)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q1/00—Details of, or arrangements associated with, antennas
    • H01Q1/36—Structural form of radiating elements, e.g. cone, spiral, umbrella; Particular materials used therewith
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M1/00—Analogue/digital conversion; Digital/analogue conversion
    • H03M1/12—Analogue/digital converters

Abstract

본 발명은 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 관한 것으로서, 더욱 상세하게는 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 배전반, 전동기, 발전기 등이 수납된 배전반 또는 분전반 내부의 전력설비에서 절연불량, 접속불량 또는 단선 등에 의한 부분방전을 UHF(Ultra High Frequency) 센서로 신속히 검출하면서 부분방전의 발생 여부를 감시하고 지능형 알고리즘을 통해 진단할 수 있는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 관한 것이다.
상기의 과제를 해결하기 위한 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템은 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기 및 수전설비 중 어느 하나 이상을 포함하는 배전반에서 발생되는 부분방전에 의해 발생되는 주파수를 검출하는 부분방전 검출장치; 상기 부분방전 검출장치에서 검출된 검출신호에 근거하여 부분방전을 진단하는 부분방전 진단장치; 및 상기 부분방전 진단장치에서 출력되는 정보를 저장 관리하는 관리서버;를 포함하고, 상기 부분방전 검출장치는 부분방전에 의해 방사되는 500MHz~1.5GHz 주파수 영역의 신호를 검출하는 UHF 안테나; 상기 UHF 안테나에서 출력되는 신호를 증폭하는 LNA(Low Noise Amplifier; 상기 LNA에서 출력되는 신호에서 500MHz~1.5GHz 주파수 영역을 필터링하는 BPF; 및 상기 BPF에서 필터링된 신호에서 피크 신호를 검출하여 샘플링하는 샘플홀딩회로부;를 포함하여 구성된다.

Description

UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템{PARTIAL DISCHARGE MONITORING AND DIAGNOSIS SYSTEM FOR DISTRIBUTION BOARD BASED ON AI USING UHF-SENSOR}
본 발명은 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 관한 것으로서, 더욱 상세하게는 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 배전반, 전동기, 발전기 등이 수납된 배전반 또는 분전반 내부의 전력설비에서 절연불량, 접속불량 또는 단선 등에 의한 부분방전을 UHF(Ultra High Frequency) 센서로 신속히 검출하면서 부분방전의 발생 여부를 감시하고 지능형 알고리즘을 통해 진단할 수 있는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 관한 것이다.
일반적으로 부분방전이라 함은 각종 산업체 및 전력계통 변전소에 설치되는 수전설비 및 고압 배전반, 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비 등 전력설비 시스템의 어느 한 부분에 생기는 방전을 총칭하는 것으로서, 전극의 첨단 부근에 생기는 코로나 방전, 절연물의 표면을 따라서 생기는 연면방전, 절연물 내의 공극에 생기는 보이드 방전 등을 들 수 있다.
전력설비의 이상 유무 감지 및 절연체의 열화 정도를 감시하고 수리시기를 예측하는 것은 매우 중요하며, 부분방전의 측정 및 감시로 이러한 예측과 관리가 가능하다. 이러한 목적으로 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 수전설비, 고압반, 저압반, 모터제어반, 배전반 등 전력기기 시스템 등의 다양한 전력설비에서 부분방전을 측정하기 위한 다양한 장치들이 사용되고 있다.
전력설비에서 부분방전을 진단 또는 모니터링하기 위한 기술로서, 등록특허공보 제10-1908706호에 전력기반설비의 부분방전 진단 및 종합 관리시스템이 개시되었다.
상기 기술은 전력기반설비에 탑재되고, 데이터 통신이 가능한 제어부; 상기 전력기반설비에서 발생된 부분방전신호를 검출하여 상기 제어부로 검출신호를 송신하는 부분방전센싱부; 상기 전력기반설비에 탑재되고, 상기 부분방전센싱부의 검출신호가 이상신호인 경우 상기 제어부로부터 이상신호를 수신하여 경보를 발하는 표시부; 및 상기 이상신호 검출 시, 상기 전력기반설비의 부하를 저감시키기 위한 스마트 액추에이터를 포함하여 구성된다.
또한, 등록특허공보 제10-2117938호에 전력기기의 부분방전 감시 시스템이 개시되었다.
상기 기술은 개폐장치의 내부에 설치되어 과압을 방출함과 동시에 부분방전으로 생성되는 고주파 전류의 전기적인 신호를 검출하는 센서부를 포함하되, 상기 센서부는 비 도전성 재료부; 상기 비 도전성 재료부의 일 면에 배치되고, 제1형태를 가지며 전기적인 신호를 검출하는 제1패턴부; 및 상기 일 면에 배치되고, 제2형태를 가지며 전기적인 신호를 검출하는 제2패턴부를 포함하며, 상기 제2형태를 제1축을 기준으로 180도 회전하는 경우, 회전된 제2형태는 상기 제1축에 대하여 수직인 제2축을 기준으로 상기 제1형태와 대칭되게 구성된다.
등록특허공보 제10-1908706호 (2018. 10. 10.) 등록특허공보 제10-2117938호 (2020. 05. 27.)
본 발명은 상기의 문제점을 해결하고자 안출된 것으로서, 본 발명에서 해결하고자 하는 과제는 배전반에서 발생되는 부분방전을 신속히 검출하여 부분방전의 발생을 감시 및 진단할 수 있는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템을 제공하는 데 있다.
또한, 본 발명에서 해결하고자 하는 다른 과제는 지능형 AI 알고리즘을 통해 부분방전의 종류를 자동으로 인식하는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템을 제공하는 데 있다.
상기의 과제를 해결하기 위한 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템은 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기 및 수전설비 중 어느 하나 이상을 포함하는 배전반에서 발생되는 부분방전에 의해 발생되는 주파수를 검출하는 부분방전 검출장치; 상기 부분방전 검출장치에서 검출된 검출신호에 근거하여 부분방전을 진단하는 부분방전 진단장치; 및 상기 부분방전 진단장치에서 출력되는 정보를 저장 관리하는 관리서버;를 포함하고, 상기 부분방전 검출장치는 부분방전에 의해 방사되는 500MHz~1.5GHz 주파수 영역의 신호를 검출하는 UHF 안테나; 상기 UHF 안테나에서 출력되는 신호를 증폭하는 LNA(Low Noise Amplifier; 상기 LNA에서 출력되는 신호에서 500MHz~1.5GHz 주파수 영역을 필터링하는 BPF; 및 상기 BPF에서 필터링된 신호에서 피크 신호를 검출하여 샘플링하는 샘플홀딩회로부;를 포함하여 구성된다.
여기서, 상기 UHF 안테나는 스파이럴(spiral) 타입 구조의 안테나로 구성될 수 있다.
또한, 상기 부분방전 진단장치는 상기 부분방전 검출장치로부터 수신된 신호를 디지털신호로 변환하여 처리하는 신호처리부; 상기 신호처리부에서 처리된 신호를 전처리하고, 전처리된 신호에 대해 인공지능 알고리즘을 이용하여 부분방전을 진단하는 신호진단부; 상기 신호진단부의 진단결과를 출력하는 출력부; 및 상기 신호진단부의 진단결과를 원격으로 전송하는 통신부;를 포함한다.
또한, 상기 신호처리기는 상기 부분방전 검출장치로부터 출력된 아날로그신호 각각을 디지털신호로 변환하는 AD컨버터; 상기 AD컨버터에서 출력되는 복수의 디지털 신호를 설정된 로직에 따라 순차적으로 출력하는 복합신호처리기; 상기 복합신호처리기에서 출력되는 디지털신호를 임시 저장하는 임시메모리; 트리거신호를 제공하는 트리거입력기; 실시간 시간을 제공하는 RTC; 및 상기 RTC에서 제공되는 실시간 시간에 근거하여 상기 트리거입력기에서 제공된 트리거신호를 기준으로 상기 임시메모리의 디지털 신호를 데이터로 하여 상기 신호진단부로 전송하는 디지털신호처리기;를 포함한다.
또한, 상기 신호진단부는 상기 신호처리부로부터 전송된 데이터에 근거하여 수신된 데이터의 특징을 추출하는 데이터 전처리기; 및 상기 데이터 전처리기에서 추출된 데이터 근거하여 부분방전을 진단하는 진단기;를 포함한다.
또한, 상기 데이터 전처리기는 상기 신호처리부로부터 전송된 데이터를 PRPDA(Phased Resolved Partial Discharge Analysis) 알고리즘을 이용하여 주기별로 분류하고, 위상에 따라 임계값을 초과하는 데이터의 방전크기와 횟수의 차원 정보 데이터로 변환하는 PRPDA모듈; 및 상기 PRPDA모듈에서 변환된 차원 정보 데이터를 PCA(Principle Component Analysis) 알고리즘을 이용하여 고유값과 고유벡터를 계산하고, 계산된 고유값과 고유벡터의 분산이 최대가 되도록 축을 변환하여 차원 정보 데이터를 감소시키는 PCA모듈;을 포함한다.
또한, 상기 진단기는 퍼지이론과 클러스터링을 결합한 RBFNN(Fuzzy C-means Radial Basis Function Neural Network) 알고리즘을 이용하여 부분방전의 발생 여부를 진단하는 AI진단모듈; 및 상기 AI진단모듈에서 진단 결과에 따라 부분방전을 종류별로 분류하는 방전분류모듈;을 포함하여 구성될 수 있다.
또한, 상기 방전분류모듈에서 진단되는 부분방전의 종류는 플로팅 방전, 연면 방전, 코로나 방전 및 노이즈인 것을 특징으로 한다.
본 발명에 의하면, 배전반의 전력설비에서 발생되는 부분방전은 복수의 UHF센서가 포함되는 부분방전 검출장치에서 검출되고, 검출된 신호에 근거하여 부분방전 진단장치에서 부분방전을 진단 및 모니터링하여 부분방전의 발생여부와 발생된 부분방전에 대한 대응방안을 마련할 수 있는 장점이 있다.
또한, 부분방전의 진단은 CNN 등의 딥러닝을 이용한 AI 이미지분석 방식보다 RBFNN(Radial Basis Function Neural Network) 알고리즘을 적용하여 경제성을 높일 수 있고, 적절한 데이터 처리를 통해 신뢰성을 만족시킴으로써 실제 배전반에 적용할 수 있는 장점이 있다.
아울러, 전력설비에서 발생된 부분방전의 종류를 AI를 통해 판단하여 부분방전의 발생원인을 제공함으로써, 부분방전에 의해 발생되는 사고를 미연에 방지할 수 있는 장점이 있다.
도 1은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템의 전체적인 구성도,
도 2는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 부분방전 검출장치의 구성도,
도 3은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 부분방전 검출장치의 UHF 안테나의 평면도,
도 4는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 UHF 안테나의 성능 시험의 그래프,
도 5는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 LNA의 회로도,
도 6은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 샘플홀딩회로부의 회로도,
도 7은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 부분방전 진단장치의 구성도,
도 8은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 신호처리부의 구성도,
도 9는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 신호진단부의 구성도,
도 10은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 PRPDA 알고리즘의 개념도와 이를 통해 도출되는 PRPDA 데이터 구조도,
도 11은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 PCA 알고리즘을 통해 고차원에서 저차원으로 변환하는 개념도,
도 12는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 RBFNN 알고리즘의 구조도,
도 13은 본 발명에 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 RBFNN 알고리즘에 대한 실증을 통한 정확도를 나타낸 표,
도 14 내지 17은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템의 출력부를 통해 표시되는 일 실시 예의 화면,
도 18은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용될 수 있는 통신부의 Wi-SUN 모듈에 대한 블록도를 나타낸 도면이다.
다음으로 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템의 바람직한 실시 예를 도면을 참조하여 상세히 설명한다.
이하에서 동일한 기능을 하는 기술요소에 대해서는 동일한 참조 부호를 사용하고, 중복 설명을 피하기 위하여 반복되는 상세한 설명은 생략한다.
또한, 이하에 설명하는 실시 예는 본 발명의 바람직한 실시 예를 효과적으로 보여주기 위하여 예시적으로 나타내는 것으로, 본 발명의 권리범위를 제한하기 위하여 해석되어서는 안 된다.
본 발명은 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 관한 것으로서, 더욱 상세하게는 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기, 배전반, 전동기, 발전기 등이 수납된 배전반 내부의 전력설비에서 절연불량, 접속불량 또는 단선 등에 의한 부분방전을 UHF(Ultra High Frequency) 센서로 신속히 검출하면서 부분방전의 발생 여부를 감시하고 지능형 알고리즘을 통해 진단할 수 있는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 관한 것이다.
도 1은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템의 전체적인 구성도를 나타낸 도면이다.
첨부된 도 1을 참조하면, UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템은 부분방전 검출장치(100), 부분방전 진단장치(200) 및 관리서버(300)를 포함하여 구성된다.
부분방전 검출장치(100)는 배전반에서 발생되는 부분방전에 의해 발생되는 주파수를 검출하는 기능을 수행한다. 이때, 상기 배전반은 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기 및 수전설비 중 어느 하나 이상을 포함하는 전력설비로 이루어진다.
도 2는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 부분방전 검출장치의 구성을 나타낸 도면이다.
첨부된 도 2를 참조하면, 상기 부분방전 검출장치(100)는 부분방전에 의해 방사되는 300MHz~1.5GHz 주파수 영역의 신호를 검출하는 UHF 안테나(110), 상기 UHF 안테나(110)에서 출력되는 신호를 증폭하는 LNA(120, Low Noise Amplifier), 상기 LNA(120)에서 출력되는 신호에서 300MHz~1.5GHz 주파수 영역을 필터링하는 BPF(130) 및 상기 BPF(130)에서 필터링된 신호에서 피크 신호를 검출하여 샘플링하는 샘플홀딩회로부(140)를 포함하여 구성된다.
도 3은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 부분방전 검출장치의 UHF 안테나를 나타낸 도면이다.
첨부된 도 3을 참조하면, 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 UHF 안테나(110)는 스파이럴(spiral) 타입 구조의 안테나로 구성되는 것으로서, UHF 안테나(110)는 초고주파 대역(300MHz ∼ 1.5GHz)을 포함하는 범위에서 1GHz 이상의 주파수 대역에 대해 전자파 신호를 검출할 수 있어야 하므로, 대역폭이 40 : 1 이상인 초광대역(Ultra Wide Band, UWB)의 안테나가 요구된다.
본 발명의 UHF 안테나(110)는 큰 부도체 평면 위에 스파이럴 타입의 도체가 프린팅되어 있는 구조이며, 또한 종단 정합을 위해 그 끝단이 뾰족한 형태로 구성되어 있다. 스파이럴 타입의 안테나는 전체적으로 평형을 유지하기 위하여 평형형 동축 급전으로 용이하게 급전이 이루어지기 때문에 가장 효율적이다.
도 4는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 UHF 안테나의 성능 시험의 그래프를 나타낸 것으로서, 도 4의 (a)는 반사계수를 측정한 그래프, 도 4의 (b)는 수신감도를 측정한 그래프이다.
오실로스코프를 통해 본 발명에 적용된 UHF 안테나(110)의 부분 방전의 신호는 크기, 위상, 시간 정보를 제공하는 데, 이러한 데이터를 주파수 분석, 통계적 분석, 특징을 분류하여 알고리즘 분석이 가능하고, UHF 고주파 신호를 검출하는 데 적합한 것임을 알 수 있다.
도 5는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 LNA의 회로도를 나타낸 것이다.
LNA(Low Noise Amplifier, 120)는 UHF 안테나(110)에서 출력되는 신호를 증폭하는 기능을 수행하는 것으로, UHF 안테나(110)에서 출력되는 미약한 UHF 신호를 잡음이 최소화되도록 증폭한다.
첨부된 도 5를 참조하면, 상기 LNA(120)는 UHF 안테나(110)에서 출력되는 신호를 입력받는 BNC(British Naval Connector)단자와 상기 BNC 단자에서 수신된 신호를 입력받는 입력회로(C52, C54), 증폭된 신호를 출력하는 출력회로(C50, C53) 및 상기 입력회로와 출력회로 사이에 배치되어 동작전원을 인가에 따라 스위칭하는스위칭회로(R81, Q3)를 포함하여 구성된다.
상기 LNA(120)에서 출력되는 신호는 BPF(130)를 통해 300MHz~1.5GHz 주파수 영역의 주파수를 필터링히여 출력하고, 필터링된 신호는 샘플홀딩회로부(140)로 입력되게 된다.
샘플홀딩회로부(140)는 하는 및 상기 BPF(130)에서 필터링된 신호에서 피크 신호를 샘플링하고 샘플링된 신호의 홀딩하는 기능을 수행한다.
도 6은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 샘플홀딩회로부의 회로도를 나타낸 것이다.
상기 샘플홀딩회로부(140)는 상기 LNA(120)에서 출력되는 신호 중에서 피크 홀드값(엔벨로프)을 기록하게 되고, 상기 피크 홀드값을 샘플링 신호로 간주하여 출력되게 된다.
이에, 상기 피크 홀드값을 이용하여 신호로서의 의미를 갖도록 구성됨에 따라 노이즈 신호 또는 샘플링 신호의 개수를 현저히 감소시킴으로써, 샘플링을 위한 시간을 충분히 확보되어 시스템에서 요구하는 장비사양(성능)을 크게 낮출 수 있는 장점이 있다.
다음으로, 본 발명의 부분방전 진단장치에 대해서 설명한다.
도 7은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 부분방전 진단장치의 구성을 나타낸 도면이다.
첨부된 도 7을 참조하면, 본 발명에 적용된 부분방전 진단장치(200)는 신호처리부(210), 신호진단부(220), 출력부(230) 및 통신부(240)를 포함하여 구성된다.
신호처리부(210)는 부분방전 검출장치(100)로부터 수신된 신호를 디지털신호로 변환하여 처리하는 기능을 수행한다.
도 8은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 신호처리부의 구성을 나타낸 도면이다.
첨부된 도 8을 참조하면, 신호처리부(210)는 AD컨버터(211), 복합신호처리기(212), 임시메모리(213), 트리거입력기(214), RTC(216, Real-Time Clock) 및 디지털신호처리기(217)를 포함하여 구성된다.
AD컨버터(211)는 상기 부분방전 검출장치(100)로부터 출력된 아날로그신호 각각을 디지털신호로 변환한다.
상기 AD컨버터(211)는 설치된 UHF센서의 개수에 대응하여 단일 또는 복수 개 구성될 수 있는 것으로서, 부분방전 검출장치(100)의 개수에 대응하여 상기 AD컨버터(211, ADC)는 단일 또는 2 이상의 복수 개로 구성될 수 있고, 각각의 부분방전 검출장치(100)로부터 전송된 아날로그 신호를 디지털 신호로 변환하여 출력한다.
이러한, 상기 AD컨버터(211)는 부분방전 검출장치(100)의 샘플홀딩회로부(140)에서 출력되는 피크 홀드의 신호 크기에 따라 변환되는 디지털 신호의 비트에 대응하여 상위 비트와 하위 비트로 구분하여 디지털 신호로 변환하고, 변환된 각각의 상위 비트와 하위 비트를 결합하여 디지털 신호로 변환되게 구성될 수 있다.
더욱 상세하게는, 변환되는 디지털 신호의 비트 수에 대응하여 상위 비트와 하위 비트로 구분하고, 입력되는 아날로그 신호의 크기가 상위 비트 또는 하위 비트 중에서 어느 범위에 속하는지를 비교하는 전처리부와, 상기 전처리부에서 비교한 결과에 근거하여 상위 비트 연산모듈과 하위 비트 연산모듈로 구성되는 비트 연산부 및 상기 비트 연산부에서 연산된 상위 비트와 하위 비트에 대해 이득오차를 보정하여 상기 상위 비트와 하위 비트를 결합하여 디지털 신호를 생성하는 디지털 신호 생성부를 포함하여 구성된다.
복합신호처리기(212)는 상기 AD컨버터(211)에서 출력되는 복수의 디지털 신호를 설정된 로직에 따라 순차적으로 출력하는 기능을 수행한다.
즉, 상기 AD컨버터(211)에서 출력되는 디지털신호는 센서의 개수에 대응되는 복수 개의 병렬 신호이다.
또한, 상기 복합신호처리기(212)는 상기 AD컨버터(211)에서 동작되는 샘플링 클록을 제공하도록 구성된다.
임시메모리(213)는 상기 복합신호처리기(212)에서 출력되는 디지털신호를 임시 저장한다.
즉, 상기 임시메모리(213)는 신호를 임시 저장하는 데이터 버퍼의 기능을 수행하는 것으로서, SRAM으로 구성될 수 있다.
트리거입력기(214)는 트리거신호를 제공하는 것으로서, 부분방전의 신호를 분석 진단하는 과정에서 부분방전의 신호와 해당 전력설비의 제공 전원의 위상은 긴밀한 관계에 있다. 즉, 부분방전의 발생은 전력설비에서 제공되는 전원의 위상에 영향을 주기 때문에 고정된 전원의 위상각을 기준으로 부분방전의 신호를 트리거해야 하는 것이다.
이때, 상기 트리거입력기(214)에서 출력되는 트리거 신호는 전원의 위상각과 비교하는 비교기(215)를 통해 입력되도록 구성될 수 있다.
RTC(216, Real-Time Clock)는 실시간 시간을 제공하는 것으로서, 부분방전이 발생된 시간을 제공하면서, 검출된 시간 사이의 시간편차를 통해 부분방전의 위치를 검출하는 정보로 이용할 수 있다.
디지털신호처리기(217)는 상기 RTC(216)에서 제공되는 실시간 시간에 근거하여 상기 트리거입력기(214)에서 제공된 트리거신호를 기준으로 상기 임시메모리(213)의 디지털신호를 신호진단부(220)로 전송하는 기능을 수행하면서, 상기 디지털신호를 메모리(218)에 저장한다.
이때, 상기 디지털신호처리기(217)는 디지털 신호인 데이터를 2.8°로 나누고, 한 주기를 128°가 되도록 하여 신호진단부(220)로 전송된다.
신호진단부(220)는 상기 신호처리부(210)에서 처리된 신호를 전처리하고, 전처리된 신호에 대해 인공지능 알고리즘을 이용하여 부분방전을 진단한다.
도 9는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 신호진단부의 구성을 나타낸 도면이다.
첨부된 도 9를 참조하면, 상기 신호진단부(220)는 데이터 전처리기(221), 진단기(222)를 포함하여 구성된다.
데이터 전처리기(221)는 신호처리부(210)로부터 전송된 데이터에 근거하여 수신된 데이터의 특징을 추출한다.
인공지능 모델을 설계할 때 적절한 알고리즘 선택도 중요하지만, 데이터에 따른 전처리 기법을 선택하는 것 또한 중요하다. 수많은 데이터 중에서 의미있는 특징을 추출하는 것은 모델의 성능을 올릴 뿐만 아니라 데이터 연산처리 속도를 개선할 수 있다. 본 발명에서는 PRPDA(Phased Resolved Partial Discharge Analysis) 알고리즘과 PCA(Principle Component Analysis) 알고리즘을 이용하여 UHF 신호인 데이터를 전처리하도록 구성되며, 이에 상기 데이터 전처리기(221)는 PRPDA모듈(221a)과 PCA모듈(221b)을 포함한다.
PRPDA모듈(221a)은 상기 신호처리부(210)로부터 전송된 데이터를 PRPDA 알고리즘을 이용하여 주기별로 분류하고, 위상에 따라 임계값을 초과하는 데이터의 방전크기와 횟수의 차원 정보 데이터로 변환하는 기능을 수행한다. 즉, PRPDA 알고리즘은 위상, 크기, 횟수에 대한 정보를 1차원에 담아 분석한다.
시간에 따라 발생하는 교류신호는 주파수에 따른 주기를 갖는다. 즉, 60Hz의 주파수를 가지는 신호가 1초 동안 발생하였을 때 이 신호는 60개의 주기로 이루어진다. PRPDA 알고리즘은 타임 도메인에서 연속적으로 표현되는 신호를 주기별로 나누고, 위상에 따라 임계값(Threshold)을 초과하는 신호의 방전크기와 그 횟수의 정보를 하나의 주기에 집약시킨다.
도 10은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 PRPDA 알고리즘의 개념도와 이를 통해 도출되는 PRPDA 데이터 구조도를 나타낸 도면이다.
도 10의 (a)는 PRPDA 알고리즘의 개념도를 나타낸 것으로서, 각 주기별로 임계값를 초과한 신호를 한 주기에 저장하는 과정을 보여준다. 상기 임계값은 사용자가 임의로 정할 수 있으며 보통 신호의 최대값의 30% ±5의 범위 내에서 설정된다.
도 10의 (b)는 PRPDA 알고리즘을 통해 얻어지는 데이터 구조를 나타낸 것으로서, 도출된 데이터는 각 위상마다 방전크기와 방전 횟수가 짝을 이루도록 표현된다.
전처리 기법을 통해 최종적으로 얻어지는 데이터 구조를 나타내며 각 위상마다 파란색 박스는 방전크기를, 주황색 박스는 방전 횟수로 짝을 이루어 표현된다.
상기 PRPDA 알고리즘에서 방전크기는 표현 방식에 따라 Max기법과 Mean기법으로 나누어진다.
Max기법은 전체주기 동안 같은 위상에서 발생한 방전신호들 중 가장 큰 값으로 표현하는 것이고, Mean기법은 방전신호들의 평균값으로 표현하는 것이다.
상기 Max기법과 Mean기법은 다음의 수학식 1로 표현된다.
수학식 1)
Figure 112023054181817-pat00001
Figure 112023054181817-pat00002
여기서, i는 i번째 위상이고, n는 i번째 위상에서 임계값을 넘은 방전신호들의 수이다.
PRPDA모듈(221a)에서 PRPDA 알고리즘을 통해 도출된 데이터는 상대적으로 방대한 데이터를 갖는다. 방대한 데이터는 분산을 통해 중요한 것으로 판단되는 데이터 특징을 갖는 데이터는 취하고, 상대적으로 중요하지 않은 것으로 판단되는 데이터는 버리는 즉, 고차원에서 저차원으로의 차원축소 과정이 필요하다.
패턴인식에서 차원(Dimension)축소를 위해 사용되는 대표적인 분석 방식인 PCA 알고리즘은 주어진 데이터의 고유값과 고유벡터를 계산하여 분산이 최대가 되는 방향으로 축을 변환한다.
PCA모듈(221b)은 상기 PRPDA모듈(221a)에서 변환된 차원 정보 데이터를 PCA(Principle Component Analysis) 알고리즘을 이용하여 고유값과 고유벡터를 계산하고, 계산된 고유값과 고유벡터의 분산이 최대가 되도록 축을 변환하여 차원 정보 데이터를 감소(필터링)시키는 기능을 수행한다.
도 11은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 PCA 알고리즘을 통해 고차원에서 저차원으로 변환하는 개념도를 나타낸 도면이다.
이때, 입력 데이터 X의 행렬이 로 가정하면, 입력 데이터들의 공분산 행렬은 다음의 수학식 2로 표현된다.
수학식 2)
Figure 112023054181817-pat00004
여기서, 는 의 평균값이고 계산된 공분산행렬은 [p x p]의 크기를 가지게된다.
상기 수학식 2를 통해 공분산 행렬의 고유값과 고유벡터는 다음의 수학식 3으로 표현된다.
수학식 3)
Figure 112023054181817-pat00007
여기서, V는 고유 벡터이고, λ는 고유값이다.
고유벡터는 [p x p]의 크기를 가지는 주성분 벡터로 데이터 분포의 분산이 큰 방향을 나타내고, 그에 대응하는 고유값은 그 분산의 크기를 의미한다.
본 발명에서는 분산이 큰 축일수록 그 축에서 데이터들은 넓게 분포되어 있고 이는 각 변수의 특징이 잘 반영되었다고 볼 수 있다. 반대로 분산이 작은 축일 경우 데이터들이 좁게 분포되어 각 데이터에 대한 해석이 어려워진다.
따라서 고유값분해를 통한 m차원으로의 축소는 고유값이 큰 고유벡터 부터 m개 까지의 고유벡터와 주어진 데이터 x의 행렬곱연산을 통해 이루어진다.
이에, PCA모듈(221b)에서 PCA 알고리즘을 통해 입력 데이터에 대한 m차원의 값은 다음의 수학식 4)로 표현된다.
수학식 4)
Figure 112023054181817-pat00008
여기서, 이다.
PCA 알고리즘이 적용된 PCA모듈(221b)은 고유벡터, 고유값 분석을 통해 입력데이터의 유의미한 특징 분석을 가능하게 한다.
PCA모듈(221b)에서는 분산이 큰 벡터들만 사용함으로써 중요한 특징들은 취하고 불필요한 특징들을 삭제하면서 고차원의 데이터를 저차원의 공간으로 사영(Projection)시킨다. 뿐만 아니라 데이터를 저차원으로 축소시킬 경우 입력되는 데이터가 줄어들어 연산에 사용되는 부하를 줄일 수 있는 장점이 있다.
진단기(222)는 상기 데이터 전처리기(221)에서 추출된 데이터 근거하여 부분방전을 진단하는 기능을 수행하는 것으로서, AI 진단모듈(222a)과 방전분류모듈(222b)를 포함한다.
AI 진단모듈(222a)은 퍼지이론과 클러스터링을 결합한 C-means RBFNN(Radial Basis Function Neural Network) 알고리즘을 이용하여 부분방전의 발생 여부와 부분방전의 종류를 진단하는 기능을 수행한다.
종래 사용된 인공지능을 학습하는 알고리즘으로는 K-means 클러스터링(clustering) 알고리즘과 인공신경망(Neural Network) 알고리즘이 주로 사용된다.
k-means 클러스터링 알고리즘은 주어진 데이터 간의 거리 관계를 분석하여 k개의 군집으로 분류하는 알고리즘으로서, 최종적으로 최소화하는 중심점 V값을 찾는 것을 목표로 학습한다. 학습이 완료된 후 판별해야 할 데이터를 받으면 군집 별 중심점과의 거리를 구해 가장 가까운 군집으로 소속시킨다.
인공신경망(Neural Network) 알고리즘은 오래전부터 연구되고 발전되어온 보편적인 인공지능 알고리즘으로서, 딥러닝 또한 신경망의 은닉층을 여러 층으로 늘리는 구조이나, 앞단에 정방행렬의 필터를 사용한 컨볼루션층과 같은 특수한 구조로 설계된다. 인공신경망의 특징은 은닉층과 출력층에서 사용되는 활성화할 수 있d으며, 어떤 활성함수를 사용하느냐에 따라 모델 성능이 달라질 수 있다.
본 발명에서 사용되는 RBFNN 알고리즘은 가우시안 함수를 활성 함수로 사용하는 Radial Basis Function Neural Network(이하 'RBFNN'라 한다)에 가우시안 함수를 대신하여 퍼지 클러스터링 방식이 적용된다. 기존 통게적 분석 기반의 신경망에서 가우시안 함수의 중심점을 구하기 위해 평균값이나 클러스터링 기법을 사용하지만, 본 발명에서 구현한 상기 RBFNN 알고리즘의 경우 모든 것을 한 번에 처리할 수 있는 특징을 가진다.
즉, 애매한 정도를 다루는 퍼지이론과 클러스터링 기법을 융합하여 1 아니면 0으로 구분되던 기존 클러스터링 알고리즘의 소속 행렬을 중심점과의 거리에 따라 0과 1 사이의 값으로 표현한다. 이러한 차이는 소속 행렬로 하여금 가우시안 함수의 출력을 대체 할 수 있게 한다.
이에, 상기 RBFNN 알고리즘의 목적 함수를 유도하는 식은 다음의 수학식 5로 표현된다.
수학식 5)
Figure 112023054181817-pat00010
여기서, J는 RBFNN 알고리즘의 목적 함수, n은 데이터 샘플의 수, k는 군집의 수, Uij는 소속 행렬로 i번째 데이터가 j번째 군집에 속한 유무, m은 소속 행렬의 계수, Xi는 i번째 데이터, Vj는 j번째 군집의 중심점이다.
상기의 군집은 부분방전의 종류별로 군집 데이터를 형성하는 것으로서, 부분방전의 종류로는 플로팅 방전, 연면 방전, 코로나 방전 및 노이즈로 구성된다.
다음으로, 상기 RBFNN 알고리즘에 대한 학습 과정을 설명한다.
Step 1. 초기 소속 행렬의 선언
초기 소속 행렬이 선언은 소속 행렬인 Ur를 설정하는 단계이다.
여기서, Ur은 초기 소속 행렬이다.
Step 2. 상기 Step 1에서 선언된 소속 행렬이 기초하여 각 군집의 중심점을 산출
소속 행렬의 중심점의 산출은 다음의 수학식 6으로 표현된다.
수학식 6)
Figure 112023054181817-pat00011
여기서, Vj는 j번째 군집의 중심점, n은 데이터 샘플의 수, Uij는 소속 행렬로 i번째 데이터가 j번째 군집에 속한 유무, m은 소속 행렬의 퍼지 계수, Xi는 i번째 데이터이다.
Step 3. 군집별 중심점과 입력 데이터 간의 거리를 기준으로 새로운 소속 행렬 Ur+1을 산출
상기 수학식 6에서 군집의 중심점이 산출되면, 군집의 중심점을 기준으로 입력 데이터와 중심점 사이의 거리를 기준으로 새로운 소속 행렬을 산출한다. 이때, 새로운 소속 행렬의 산출은 다음의 수학식 7)로 표현된다.
수학식 7)
Figure 112023054181817-pat00012
여기서, Ur+1은 새로운 소속 행렬, Uik는 i번째 데이터가 k번째 군집에 속하는 유무, k는 군집의 수, Vj는 j번째 군집의 중심점, Xi는 i번째 데이터, Vk는 k번째 군집의 중심점, Vj는 j번째 군집의 중심점, m은 소속 행렬의 퍼지 계수이다.
Step 4. 초기 소속 행렬과 새로운 소속 행렬의 수렴 여부 확인
Step 3의 결과, 새로운 소속 행렬이 초기의 소속 행렬과 어느 정도 수렴하는 지를 확인해야 한다.
수렴 여부의 확인은 다음의 수학식 8로 표현된다.
수학식 8)
Figure 112023054181817-pat00013
여기서, Ur+1은 새로운 소속 행렬, Ur은 초기 소속 행렬, ε는 수렴 여부를 판단하는 기준값이다.
상기 ε의 값이 작을수록 새로운 소속 행렬(Ur+1)과 초기 소속 행렬(Ur)은 수렴 정도가 근접하게 되며, 본 발명에서는 10-8로 설정하였다.
만약, 상기 수학식 4의 결과 수학식 4를 만족하지 못하는 것으로 판단되면, Step 2와 Step 3을 반복수행하여 학습이 이루어진다.
Step 5. 배열
Step 4의 확인 결과, 새로운 소속 행렬(Ur+1)과 초기 소속 행렬(Ur)이 수렴하는 것으로 판단되면, 각 군집별로 도출된 소속 행렬과 입력 데이터를 곱하여 RBFNN 알고리즘을 배열한다.
이때, RBFNN의 배열은 다음의 수학식 9로 표현된다.
수학식 9)
Figure 112023054181817-pat00014
여기서, 수학식 9는 RBFNN 알고리즘으로 출력되는 값의 배열, Uik는 i번째 데이터가 k번째 군집에 속하는 유무로서 스칼라값, Xi는 i번째 데이터로서 벡터값이다.
도 12는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 RBFNN 알고리즘의 구조를 나타낸 것이다.
첨부된 도 12를 참조하면, RBFNN 알고리즘으로 출력되는 값(FCMn)과 연결가중치(ω)의 선형식을 나타낸 것으로서, 입력 데이터(x)는 RBFNN 알고리즘으로 출력되는 값(FCMn)의 수렴 여부와 연결가중치(ω)에 따라 RBFNN 알고리즘의 모델값(
Figure 112023054181817-pat00015
)가 도출된다.
이때, RBFNN 알고리즘의 모델값(
Figure 112023054181817-pat00016
)의 도출은 수학식 10으로 표현된다.
수학식 10)
Figure 112023054181817-pat00017
여기서,
Figure 112023054181817-pat00018
는 RBFNN 알고리즘의 모델값, j는 군집, c는 중심점의 수,
Figure 112023054181817-pat00019
는 k번째 출력층 노드의 연결 가중치, CM(Xi)는 i번째 데이터에 대한 RBFNN 알고리즘으로 출력되는 값이다.
상기에서 연결 가중치 학급을 위한 목적함수는 다음의 수학식 11로 표현된다.
수학식 11)
Figure 112023054181817-pat00020
여기서, J는 연결 가중치 학급을 위한 목적함수, k는 군집의 수, c는 중심점, tk는 학습데이터의 실제 클래스 정보,
Figure 112023054181817-pat00021
는 RBFNN 알고리즘의 모델값이다.
다음으로, 진단기(222)의 AI 진단모듈(222a)에서 RBFNN 알고리즘의 성능분석에 대해 설명한다.
비교 알고리즘으로 k-means 클러스터링과 Neural-Network(인공신경망)이 사용되었으며, Python 환경에서 모델을 설계한 뒤 획득한 데이터를 입력으로 사용하였다. 이후 교차검증을 통해 알고리즘별로 우수한 성능을 보인 모델의 연결가중치 및 모델 구조를 on board 진단기에 탑재 후 실증 비교를 진행하였다.
k-means 클러스터링의 경우 중심점을 4개로 설정하여 각각 노이즈, 연면방전, 코로나방전, 플로팅방전을 대표하게 하고, 이후 임의의 입력이 들어올 경우 해당 데이터와 가장 가까운 중심점으로 소속이 정해진다.
한 예로, Neural-Network(인공신경망)는 2개의 은닉층으로 구성되어있으며 Relu함수가 활성함수로 사용되었다. 이때, 첫 번째와 두 번째 층은 각각 60개와 30개의 노드를 가지도록 구성하고, Sofmax함수가 출력층의 활성함수로 사용되었다.
RBFNN의 경우 중심점은 3개로 설정하였고, Neural-Network(인공신경망)와 마찬가지로 한 번에 처리되는 데이터는 Batch size로 100개 설정하였다.
전체 5,000번의 반복을 통해 연결가중치가 학습되었으며, 학습률은 0.001이다. 학습데이터와 테스트용 데이터의 비율을 Python 내부 라이브러리를 통해 랜덤하게 8:2로 나누어 각 알고리즘에 적용하였다.
도 13은 본 발명에 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용된 RBFNN 알고리즘에 대한 실증을 통한 정확도를 나타낸 표로서, 도 13의 (a)는 k-means 클러스터링의 정확도, (b)는 Neural-Network(인공신경망)의 정확도, (c)는 RBFNN 알고리즘의 정확도를 나타낸 표이다.
도 13에서 target class의 1은 노이즈, 2는 연면방전, 3은 코로나방전, 4는 플로팅방전이다.
도 13의 (a)는 통계변수와 k-means 클러스터링 알고리즘을 사용한 경우, 전반적으로 81.9 %의 성능으로 부분방전 패턴을 분류하는 것을 알 수 있다.
각 방전 별로 분류율을 확인하면 노이즈의 경우 89.9%, 연면 방전의 경우 82.1%, 코로나 방전의 경우 84% 그리고 플로팅 방전의 경우 74.3%의 분류 정확도를 가진다. 특히 노이즈 분류에 있어서 전체 1,720개의 테스트 데이터 중에서 1,546개를 노이즈로 분류하였고 98개를 연면방전으로, 43개를 코로나 방전으로, 33개를 플로팅방전으로 오분류 하여 전체 4개의 클래스 중에서 가장 높은 분류정확도를 보이는 것을 확인할 수 있다.
도 13의 (b)는 PCA와 Neural-Network(인공신경망)을 적용한 모델의 결과표로서, 전체적인 모델의 패턴분류 성능은 96.9%로 (a)의 클러스터링 기법보다 15% 정도 높은 것을 알 수 있다. k-means 클러스터링 알고리즘과 비교하여 각 방전 별 분류율은 노이즈에서 1.2% 높은 91.1%, 연면방전에서 17.5% 높은 99.6 %, 코로나방전에서 14.9% 높은 98.9%, 플로팅 방전에서 23.6%높은 97.9 %의 분류 정확도가 도출되었다.
도 13의 (c)는 PCA와 RBFNN 알고리즘이 적용된 모델의 분류 정확도를 나낸 표로서, 종합 패턴분류 성능은 98.1%로 (a)와 비교하면 16.2%높으며 (b)와 비교하면 1.2% 높다. 노이즈 분류에 있어서 91.7%의 분류율을 보이며 (a)와 비교하면 1.8% 높고 (b)와 비교하면 0.6% 정도 높은 것을 알 수 있다. 연면방전의 경우 (a)보다 17.9%, (b)보다는 0.4% 높은 100 %의 분류율을 보인다. 코로나 방전과 플로팅 방전을 분류하는 문제 또한 100 %의 분류 성능을 보이는 것을 확인할 수 있다.
방전분류모듈(222b)은 AI 진단모듈(222a)에서 진단된 부분 방전을 종류별로 분류한다.
이때, 부분 방전의 종류은 플로팅 방전, 연면 방전 및 코로나 방전으로 분류하여 진단할 수 있다.
플로팅 방전(floating electrode discharge)은 절연체 내에서 발생할 수 있는 대표적인 부분방전으로, 버스바(busbar)에 전기적인 접속이 헐거워지거나 전기적으로 접속되지 않은 부분을 부유부분 또는 부유전극이라 하고, 배전반 내부에서 버스바 등이 전기적으로 접속되지 견고하지 않아서 발생되는 방전으로서 아크를 동반한다.
연면 방전(Creeping Discharge)은 절연체의 표면에서 발생하는 방전현상으로 공기중에 놓여진 절연체 표면의 전계강도가 큰 경우에 고체표면을 따라서 진행하는 발광이 동반된 방전이다. 이러한 연면 방전은 드럼이나 사이로내의 분진이 다량의 전하를 보유할 때와 높은 대전상태의 엷은 층상 부도체의 박리, 또는 엷은 층상의 대전된 부도체 뒷면에 근접한 접지체가 있을 때 표면에 연한 복수의 수지상의 발광을 수반하여 발생되는 방전으로 불꽃 방전과 마찬가지로 폭발이나 재해의 원인이 된다.
코로나 방전은 전극간의 전위차가 불꽃전압에 도달하면 불꽃방전에 의하여 양전극이 단락되고, 전극의 모양이 침단, 가는선 등과 같이 국부적으로 전계가 집중되는 경우에는 불꽃전압에 도달하기 이전에 전계가 집중되고 있는 부분에만 먼저 지속방전이 발생하고 다른 부분에는 절연이 파괴되지 않는 상태의 방전을 의미하는 것으로서, 코로나(corona), 국부파괴(partial breakdown) 또는 불완전파괴(incomplete breakdown)고 한다.
상기 진단기(222)에 따르면, 부분방전 검출장치(100)에서 검출된 검출 데이터에 근거하여 검출 데이터에 대한 부분방전의 종류를 진단할 수 있게 된다.
이와 같이, 진단기(222)에 의해 도출되는 부분 방전은 종래 AI 알고리즘과 비교하여 상대적으로 노이즈의 정확도가 우수하다. 뿐만 아니라 연면 방전, 코로나 방전 및 플로팅 방전의 정확도가 매우 우수한 것으로 도출되었다.
부연하면, 노이즈의 정확도가 종래 AI 알고리즘보다 상대적으로 높게 도출되기 때문에 노이즈로 인한 부분 방전의 검출 오류를 최소화할 수 있다. 이에 더하여 연면 방전, 코로나 방전 및 플로팅 방전의 정확도가 매우 정확하여 부분 방전의 발생시 각 부분 방전에 대한 대비를 신속히 수행할 수 있는 장점이 있다.
부분방전 진단장치(200)의 출력부(230)는 신호진단부(220)에서 진단된 결과를 디스플레이를 통해 출력한다.
도 14 내지 17은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템의 출력부를 통해 표시되는 일 실시 예의 화면을 나타낸 것이다.
첨부된 도면의 도 14는 정상상태의 모니터링 화면이고, 15은 연면 방전시 보여지는 화면이며, 도 16는 코로나 방전시 보여지는 화면이고, 도 17는 플로팅 방전시 보여지는 화면이다.
상기 출력부(230)는 배전반의 전면부에 설치될 수 있고, 필요에 따라 부분 방전의 종류별로 경고음을 출력하도록 구성될 수 있다.
부분방전 진단장치(200)의 통신부(240)는 통신망을 통해 관리서버(300)와의통신을 수행하는 기능을 수행하는 것으로서, 부분방전 진단장치(200)와 관리서버(300)는 유선 또는 무선 통신으로 구성될 수 있다.
예를 들어, 상기 유무선 통신은 통신망을 통해 상위 HMI(Human Machine Interface)인 관리서버(300)와 통신을 수행하여, 상기 관리서버(300)로 판단된 결과를 송신하고, 상기 관리서버(300) 또는 단말기(400)로부터 전송되는 제어신호를 수신하는 기능을 수행한다.
이때, 상기 통신부(240)는 유선통신인 RS485, Ethernet 등이 적용될 수 있고, 무선통신인 Zigbee, LORA, WiFi 또는 Wi-SUN 등이 적용될 수 있다.
LORA 기반 통신 구조를 살펴보면 LORA는 M2M(Machine -to-Machine) 형태의 네트워크 토폴로지 구조이며, LORA 구조상에서 부분방전 진단장치(200)의 통신부(240)는 트랜스페런트 브리지(transparent bridge) 역할만 수행한다.
이에 따라, 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템은 지그비를 이용한 데이터의 송수신뿐만 아니라 LORA를 이용한 데이터의 송수신 네트워크에도 적용할 수 있음은 물론이다.
또한, 지그비(Zigbee)를 이용하는 경우 송수신측에 지그비 통신 규약을 수행하기 위한 구성이 마련되고, LORA를 이용하는 경우 송수신측에 LORA 통신 규약을 수행하기 위한 구성이 마련된다.
Wi-SUN(Wireless Smart Utility Network)은 소전력 무선통신으로서, 920MHz 대역의 주파수를 사용하여 기존의 무선통신에서 발생되는 전파 간섭이 발생하기 어렵고, 저소비전력으로 장거리의 데이터 통신이 가능하다. 또한, ZigBee 및 Bluetooth가 사용하는 2.4GHz의 주파수와 비교하여 전파의 회절 특성이 우수하여, 벽이나 장해물이 있는 장소에서도 안정적인 통신을 확보할 수 있는 장점이 있다.
도 18은 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템에 적용될 수 있는 통신부의 Wi-SUN 모듈에 대한 블록도를 나타낸 도면이다.
상기 Wi-SUN 모듈은 최대 20hop까지의 멀티홉 통신(중계 기능)을 지원하고, 메쉬 타입으로 양방향 통신이 가능하다. 또한, 메쉬 네트워크에는 장해 회피 기능이 있으므로, 신축된 빌딩이나 기타 환경 변화로 인한 통신 장애가 발생하면 자동으로 홉 경로를 최적화함으로써, 고신뢰성 통신을 실현할 수 있다.
아울러, MCU에 대규모 시스템용 FAN 스택을 실장하는 경우, 중계 기관에서 최대 20hop, 중계기 1대당 단말기를 64대까지 접속할 수 있고, 최대 1,000대의 동시 접속을 실현할 수 있다. 그뿐만 아니라 그 내부에 MCU가 실장되어 외부 MCU 없이도 게이트웨이에 최대 16대까지 접속 가능하므로, 그룹별로 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템을 구축할 수 있다.
다음으로, 관리서버(300)는 부분방전 진단장치(200)에서 판단된 결과를 수신하고 이를 저장하거나 표시하는 것으로서, 상기 부분방전 진단장치(200)와 유무선의 통신망을 통해 원격으로 연결되게 된다.
상기에서 유무선은 RS-485, 이더넷, Wi-Fi 등으로 연결되어 IoT 시스템으로 구성될 수 있다.
상기 관리서버(300)는 부분방전 진단장치(200)와 통신망을 통해 원격으로 연결되기 때문에 부분방전 진단장치(200)에서 판단결과를 원격의 단말기에서 확인할 수 있고, 설계에 따라 원격의 단말기(400)에서 부분방전 진단장치(200)로 제어신호를 전송하도록 구성될 수 있다.
부연하면, 상기 관리서버(300)는 복수 개의 부분방전 진단장치(200)를 통합 관리하도록 구성될 수 있다.
상기에서 단말기(400)는 통신망을 통해 부분방전 진단장치(200)로부터 수신한 정보를 표시하거나 원격에서 상기 부분방전 진단장치(200)로 제어신호를 전송할 수 있도록 하는 전용 애플리케이션이 설치된 스마트폰, 노트북, PDA, 웨이러블 기기 등다양한 종류의 단말이 적용될 수 있다.
즉, 상기 사용자 단말기는 수신된 정보를 가공하여 가공 정보를 생성하고, 생성된 가공 정보를 출력하는 관리서버 또는 부분방전 진단장치(200)로 출력하도록 구성될 수 있다.
설계에 따라 부분방전 진단장치(200) 및 관리서버(300)는 통신망 또는 네트워크를 통해 연결되어 부분방전 진단장치(200)로부터 전송된 정보에 기초하여 실시간 영상 정보를 생성하거나, 또는 수신한 데이터에 기초하여 IoT 배전반을 구성할 수 있다.
뿐만 아니라, IoT 기능을 갖는 배전반과 IoT 배전반으로부터 수신한 데이터를 가공하여 출력하는 단말기를 이용하여 관리자가 배전반의 상태 및 상태검출장치의 검출 정보를 시간, 장소에 상관없이 원격 감시 가능하도록 구성되어, 배전반의 이상 여부를 관리자가 즉각적으로 확인할 수 있고, 배전반의 전기화재, 온도열화 및 아크열화를 예측 가능하도록 하여 배전반 화재를 예방할 수 있도록 구성될 수 있다.
상기에서 단말기(400는 스마트폰, 태블릿 PC 및 데스크 탑 등으로 구현되며, IoT 기기(100) 탐색, 검출 결과 확인 및 제어 메시지를 입력하는 포인트로서, HTTP(hypertext transfer protocol)와 웹 프로토콜 플러그인 모두를 지원하여, HTTP를 통해서도 관리서버(300)에 접속하여 통신을 지원할 수 있도록 구성된다.
본 발명에 의하면, 배전반의 전력설비에서 발생되는 부분방전은 복수의 UHF센서가 포함되는 부분방전 검출장치에서 검출되고, 검출된 신호에 근거하여 부분방전 진단장치에서 부분방전을 진단 및 모니터링하여 부분방전의 발생여부와 발생된 부분방전에 대한 대응방안을 마련할 수 있는 장점이 있다.
또한, 부분방전의 진단은 CNN 등의 딥러닝을 이용한 이미지분석 방식보다 상대적으로 가벼운 RBFNN(Radial Basis Function Neural Network) 알고리즘을 적용하여 경제성을 높일 수 있고, 적절한 데이터 처리를 통해 신뢰성을 만족시킴으로써 실제 배전반에 적용할 수 있는 장점이 있다.
아울러, 전력설비에서 발생된 부분방전의 종류를 판단하여 부분방전의 발생원인을 제공함으로써, 부분방전에 의해 발생되는 사고를 미연에 방지할 수 있는 장점이 있다.
상기에서는 본 발명에 따른 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템의 바람직한 실시 예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고, 청구범위 및 발명의 설명, 첨부한 도면의 범위 내에서 여러 가지로 변형하여 실시하는 것이 가능하고, 이 또한 본 발명의 범위내에 속한다.
100: 부분방전 검출장치 110: UHF 안테나
120: LNA 130: BPF
140: 샘플홀딩회로부 200: 부분방전 진단장치
210: 신호처리부 220: 신호진단부
221: 데이터 전처리기 221a: PRPDA모듈
221b: PCA모듈 222a: AI진단모듈
222b: 방전분류모듈 222: 진단기
230: 출력부 240: 통신부
300: 관리서버

Claims (8)

  1. 고압 케이블, 변압기, GIS(Gas Insulated Switchgear, 가스절연 개폐장치), 개폐기 및 수전설비 중 어느 하나 이상을 포함하는 배전반에서 발생되는 부분방전에 의해 발생되는 주파수를 검출하는 부분방전 검출장치(100);
    상기 부분방전 검출장치(100)에서 검출된 검출신호에 근거하여 부분방전을 진단하는 부분방전 진단장치(200); 및
    상기 부분방전 진단장치(200)에서 출력되는 정보를 저장 관리하는 관리서버(300);
    를 포함하고,
    상기 부분방전 검출장치(100)는,
    부분방전에 의해 방사되는 500MHz~1.5GHz 주파수 영역의 신호를 검출하는 UHF 안테나(110);
    상기 UHF 안테나(110)에서 출력되는 신호를 증폭하는 LNA(Low Noise Amplifier, 120);
    상기 LNA(120)에서 출력되는 신호에서 500MHz~1.5GHz 주파수 영역을 필터링하는 BPF(130); 및
    상기 BPF(130)에서 필터링된 신호에서 피크 신호를 검출하여 샘플링하는 샘플홀딩회로부(140);
    를 포함하고,
    상기 부분방전 진단장치(200)는,
    상기 부분방전 검출장치(100)로부터 수신된 신호를 디지털신호로 변환하여 처리하는 신호처리부(210);
    상기 신호처리부(210)에서 처리된 신호를 전처리하고, 전처리된 신호에 대해 인공지능 알고리즘을 이용하여 부분방전을 진단하는 신호진단부(220);
    상기 신호진단부(220)의 진단결과를 출력하는 출력부(230); 및
    상기 신호진단부(220)의 진단결과를 원격으로 전송하는 통신부(240);
    를 포함하며,
    상기 신호진단부(220)는,
    상기 신호처리부(210)로부터 전송된 데이터에 근거하여 수신된 데이터의 특징을 추출하는 데이터 전처리기(221); 및
    상기 데이터 전처리기(221)에서 추출된 데이터 근거하여 부분방전을 진단하는 진단기(222);
    를 포함하고,
    상기 진단기(222)는,
    퍼지이론과 클러스터링을 결합한 RBFNN(Fuzzy C-means Radial Basis Function Neural Network) 알고리즘을 이용하여 부분방전의 발생 여부를 진단하는 AI진단모듈(222a); 및
    상기 AI진단모듈(222a)에서 진단 결과에 따라 부분방전을 종류별로 분류하는 방전분류모듈(222b);
    을 포함하여 구성되되,
    상기 RBFNN 알고리즘의 학습은,
    초기 소속 행렬을 설정(Step 1)하고,
    설정된 상기 초기 소속 행렬에 기초하여 각 군집의 중심점을 산출(Step 2)하며,
    산출된 각 군집의 중심점과 입력 데이터 간의 거리를 기준으로 새로운 소속 행렬을 산출(step 3)하고,
    상기 초기 소속 행렬과 산출된 상기 새로운 소속 행렬의 수렴 여부를 확인(Step 4)하며,
    수렴 여부 확인 결과 상기 초기 소속 행렬과 산출된 상기 새로운 소속 행렬의 수렴하지 않으면 상기 step 2와 step 3를 반복하고, 상기 초기 소속 행렬과 산출된 상기 새로운 소속 행렬의 수렴하면 각 군집별로 도출된 소속 행렬과 입력데이터를 곱하여 RBFNN 알고리즘 배열(Step 5)하도록 구성되는 것을 특징으로 하는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템.
  2. 청구항 1에 있어서,
    상기 UHF 안테나(110)는,
    스파이럴(spiral) 타입 구조의 안테나로 구성되는 것을 특징으로 하는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템.
  3. 삭제
  4. 청구항 1에 있어서,
    상기 부분방전 검출장치(100)로부터 출력된 아날로그신호 각각을 디지털신호로 변환하는 AD컨버터(211);
    상기 AD컨버터(211)에서 출력되는 복수의 디지털 신호를 설정된 로직에 따라 순차적으로 출력하는 복합신호처리기(212);
    상기 복합신호처리기(212)에서 출력되는 디지털신호를 임시 저장하는 임시메모리(213);
    트리거신호를 제공하는 트리거입력기(214);
    실시간 시간을 제공하는 RTC(216); 및
    상기 RTC(216)에서 제공되는 실시간 시간에 근거하여 상기 트리거입력기(214)에서 제공된 트리거신호를 기준으로 상기 임시메모리(213)의 디지털 신호를 데이터로 하여 상기 신호진단부(220)로 전송하는 디지털신호처리기(217);
    를 포함하는 것을 특징으로 하는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템.
  5. 삭제
  6. 청구항 1에 있어서,
    상기 데이터 전처리기(221)는,
    상기 신호처리부(210)로부터 전송된 데이터를 PRPDA(Phased Resolved Partial Discharge Analysis) 알고리즘을 이용하여 주기별로 분류하고, 위상에 따라 임계값을 초과하는 데이터의 방전크기와 횟수의 차원 정보 데이터로 변환하는 PRPDA모듈(221a); 및
    상기 PRPDA모듈(221a)에서 변환된 차원 정보 데이터를 PCA(Principle Component Analysis) 알고리즘을 이용하여 고유값과 고유벡터를 계산하고, 계산된 고유값과 고유벡터의 분산이 최대가 되도록 축을 변환하여 차원 정보 데이터를 감소시키는 PCA모듈(221b);
    을 포함하는 것을 특징으로 하는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템.
  7. 삭제
  8. 청구항 1에 있어서,
    상기 방전분류모듈(222b)에서 진단되는 부분방전의 종류는 플로팅 방전, 연면 방전, 코로나 방전 및 노이즈인 것을 특징으로 하는 UHF센서를 이용한 AI기반의 배전반 부분방전 감시 및 진단 시스템.
KR1020230063028A 2023-05-16 2023-05-16 Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템 KR102571411B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230063028A KR102571411B1 (ko) 2023-05-16 2023-05-16 Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230063028A KR102571411B1 (ko) 2023-05-16 2023-05-16 Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템

Publications (1)

Publication Number Publication Date
KR102571411B1 true KR102571411B1 (ko) 2023-08-28

Family

ID=87806317

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230063028A KR102571411B1 (ko) 2023-05-16 2023-05-16 Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템

Country Status (1)

Country Link
KR (1) KR102571411B1 (ko)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130011176A (ko) * 2011-07-20 2013-01-30 엘에스산전 주식회사 유입 변압기용 초고주파 부분방전 센서
KR20140023814A (ko) * 2012-08-17 2014-02-27 현대중공업 주식회사 가스절연개폐장치의 부분방전 진단방법
KR101574615B1 (ko) * 2015-06-18 2015-12-11 지투파워(주) 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템
KR101575200B1 (ko) * 2015-06-11 2015-12-21 정재기 자가 진단 및 알고리즘 진단이 가능한 부분방전 진단장치
KR101625087B1 (ko) * 2014-12-04 2016-06-01 피앤씨주식회사 고조파 분석에 의한 전기설비 고장 진단장치
KR101771554B1 (ko) * 2016-09-13 2017-09-12 주식회사 에너솔라 부분방전 검출장치를 구비한 수배전반
KR101823010B1 (ko) * 2017-09-22 2018-01-30 주식회사 한국이알이시 부분방전 진단 기능 및 IoT 기술을 구비한 친환경 배전반
KR101908706B1 (ko) 2016-11-22 2018-10-16 (주) 에코투모로우코리아 전력기반설비의 부분방전 진단 및 종합 관리시스템
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
KR20190113097A (ko) * 2018-03-27 2019-10-08 주식회사 제니스텍 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치
KR102117938B1 (ko) 2019-01-31 2020-06-02 한국전력공사 전력기기의 부분방전 감시 시스템
KR102377939B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템
KR102377936B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) 초고주파전기신호를 이용한 지능형 배전반 부분방전 감시진단 시스템

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130011176A (ko) * 2011-07-20 2013-01-30 엘에스산전 주식회사 유입 변압기용 초고주파 부분방전 센서
KR20140023814A (ko) * 2012-08-17 2014-02-27 현대중공업 주식회사 가스절연개폐장치의 부분방전 진단방법
KR101625087B1 (ko) * 2014-12-04 2016-06-01 피앤씨주식회사 고조파 분석에 의한 전기설비 고장 진단장치
KR101575200B1 (ko) * 2015-06-11 2015-12-21 정재기 자가 진단 및 알고리즘 진단이 가능한 부분방전 진단장치
KR101574615B1 (ko) * 2015-06-18 2015-12-11 지투파워(주) 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템
KR101771554B1 (ko) * 2016-09-13 2017-09-12 주식회사 에너솔라 부분방전 검출장치를 구비한 수배전반
KR101908706B1 (ko) 2016-11-22 2018-10-16 (주) 에코투모로우코리아 전력기반설비의 부분방전 진단 및 종합 관리시스템
KR101823010B1 (ko) * 2017-09-22 2018-01-30 주식회사 한국이알이시 부분방전 진단 기능 및 IoT 기술을 구비한 친환경 배전반
KR20190113097A (ko) * 2018-03-27 2019-10-08 주식회사 제니스텍 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
KR102117938B1 (ko) 2019-01-31 2020-06-02 한국전력공사 전력기기의 부분방전 감시 시스템
KR102377939B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템
KR102377936B1 (ko) * 2021-12-24 2022-03-23 지투파워(주) 초고주파전기신호를 이용한 지능형 배전반 부분방전 감시진단 시스템

Similar Documents

Publication Publication Date Title
KR102547467B1 (ko) Uhf 고주파 신호를 이용한 지능형 부분방전 진단기능을 탑재한 배전반
KR101553005B1 (ko) 전력설비의 부분방전 감시진단 시스템
KR101574615B1 (ko) 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템
US10408873B2 (en) Partial discharge signal processing method and apparatus employing neural network
WO2019015311A1 (zh) 一种基于振动信号支持向量机的gil故障在线监测系统
US7627400B2 (en) Method and device for detecting electric arc phenomenon on at least one electric cable
CN109799434A (zh) 局部放电模式识别系统及方法
CN111679166A (zh) 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警系统及方法
CN115061134B (zh) 基于机载雷达侦察系统的无人机飞行安全检测系统及方法
KR102192609B1 (ko) 순시유도전압센서를 이용한 부분방전 모니터링 감시기능이 탑재된 배전반(고압 배전반, 저압 배전반, 분전반, 모터제어반)
CN103558528A (zh) 一种局部放电超高频检测系统及方法
KR102377936B1 (ko) 초고주파전기신호를 이용한 지능형 배전반 부분방전 감시진단 시스템
CN115453286B (zh) Gis局部放电诊断方法、模型训练方法、装置及系统
KR102377939B1 (ko) Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템
KR102349610B1 (ko) 전기 안전 IoT 장치 및 그 방법
KR102571411B1 (ko) Uhf센서를 이용한 ai기반의 배전반 부분방전 감시 및 진단 시스템
CN115993511A (zh) 一种局部放电类型高精度检测识别装置、方法和设备
Massaoudi et al. UHF partial discharge localization in gas-insulated switchgears: Gradient boosting based approach
Bin et al. Identification of ultra‐high‐frequency PD signals in gas‐insulated switchgear based on moment features considering electromagnetic mode
CN116400180B (zh) 一种局部放电识别系统及方法
Sahoo et al. A review on condition monitoring of GIS
CN112130043A (zh) Gil支柱绝缘子炸裂故障预警系统及算法
Ardila‐Rey et al. A new technique for separation of partial discharge sources and electromagnetic noise in radiofrequency measurements using energy ratios of different antennas
CN109670234B (zh) 一种机载电磁环境测试探头部署方法
Sameh et al. An intelligent classifier of electrical discharges in oil immersed power transformers

Legal Events

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