KR102613072B1 - 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치 - Google Patents

배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치 Download PDF

Info

Publication number
KR102613072B1
KR102613072B1 KR1020210116201A KR20210116201A KR102613072B1 KR 102613072 B1 KR102613072 B1 KR 102613072B1 KR 1020210116201 A KR1020210116201 A KR 1020210116201A KR 20210116201 A KR20210116201 A KR 20210116201A KR 102613072 B1 KR102613072 B1 KR 102613072B1
Authority
KR
South Korea
Prior art keywords
partial discharge
signals
value
neural network
network model
Prior art date
Application number
KR1020210116201A
Other languages
English (en)
Other versions
KR20230033345A (ko
Inventor
김진석
이성호
박정환
박성철
정준영
Original Assignee
한전케이디엔주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020210116201A priority Critical patent/KR102613072B1/ko
Publication of KR20230033345A publication Critical patent/KR20230033345A/ko
Application granted granted Critical
Publication of KR102613072B1 publication Critical patent/KR102613072B1/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

본 개시는 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 일 실시 예에 의하면, 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법은 상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압 신호들에 기초하여, 상기 방전 개시 전압들 중 유사 부분 방전 신호들을 식별하는 단계; 상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하는 단계; 및 상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별하는 단계; 를 포함할 수 있다.

Description

배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치 {METHOD AND APPRATUS FOR IDENTIFYING LOCATION OF PARTIAL DISCHARGE IN POWER DISTRIBUTION SYSTEM}
본 개시는 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치에 관한 것이다. 보다 상세하게는 신경망 모델을 이용하여 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 이를 수행하는 전자 장치에 관한 것이다.
최근 전력 분야 또는 철도 전력 설비 지상 기기인 배전 변압기, 배전 개폐기들의 전력 케이블 노후화 정도를 판단하는 근거로 부분 방전(Partial Discharge, PD) 진단 방식이 많이 활용되고 있다. 그러나, 부분 방전 발생 진원지에서 실제 부분 방전이 발생하면, 인접 개소로 부분 방전 신호들이 전파되기 때문에 동시에 부분 방전이 발생이 일어난 것처럼 보이기 때문에, 관측지에서 부분 방전 신호가 실제 PD 인지, 또는 유입 PD 인지 정확하게 식별하는데 한계가 있다.
진성 PD가 아닌 유입 PD를 잘못된 진성 PD가 발생한 진원지로 식별하고, 이러한 잘못된 위치 추적 결과가 누적될 경우, 추후 진정으로 노후화된 전력 케이블이 있는 개소를 찾을 수 없기 때문에, 부분 방전이 실제 발생한 위치를 정확하게 식별하기 위한 기술 개발이 요구되고 있다.
종래 부분 방전 발생 위치 추적 관련 기술들은 부분 방전 발생이 일어난 모든 개소에 인력에 의한 정밀 진단 방식에 관한 것으로 상당한 시간 및 비용이 소모되고 있다. 이러한 종래 방식은 부분 방전 발생이 일어난 뒤에 발생 위치를 찾는 방식이기 때문에 더욱더 부분 방전이 발생한 진원지를 찾는데 어려움이 따른다. 따라서, 신속한 부분 방전 발생 위치 식별을 통해 교체 및 보수가 적기에 이루어질 수 있도록 하기 위한 부분 방전 발생 위치를 정확하게 식별하기 위한 기술 개발이 요구되고 있다.
한국공개특허 제2021-0004096호
일 실시 예에 따르면, 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
또한, 일 실시 예에 의하면 신경망 모델을 이용하여 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법은 상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압들에 기초하여, 상기 방전 개시 전압들 중 유사 부분 방전 신호들을 식별하는 단계; 상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하는 단계; 및 상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별하는 단계; 를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 또 다른 실시 예에 의하면, 배전 계통 내 부분 방전이 발생한 위치를 식별하는 전자 장치에 있어서, 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압들에 기초하여, 상기 방전 개시 전압들 중 유사 부분 방전 신호들을 식별하고, 상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하고, 상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별하는, 전자 장치가 제공될 수 있다.
또한, 상술한 기술적 과제를 달성하기 위한 또 다른 실시 예에 의하면, 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법에 있어서, 상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압들에 기초하여, 상기 방전 개시 전압들 중 유사 부분 방전 신호들을 식별하는 단계; 상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하는 단계; 및 상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별하는 단계; 를 포함하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
일 실시 예에 의하면, 부분 방전이 발생한 개소들 중 실제 부분 방전이 발생한 위치를 정확하게 식별할 수 있다.
도 1은 일 실시 예에 따른 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 과정을 개략적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 전자 장치를 포함하는 부분 방전 발생 원점의 위치를 추적하는 시스템의 동작을 개략적으로 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법의 흐름도이다.
도 4는 일 실시 예에 따른 전자 장치가 배전 계통 내 복수의 개소들로부터 획득된 부분 방전 신호들 중 유사 부분 방전 신호들을 식별하는 방법의 흐름도이다.
도 5는 일 실시 예에 따른 전자 장치가 부분 방전 신호들 중, 유사 부분 방전 신호들을 식별하는 구체적인 방법의 흐름도이다.
도 6은 일 실시 예에 따른 전자 장치가 이용하는 오토인코더의 구조를 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 전자 장치가 배전 계통 내 개소 별로 생성하는 부분 방전 신호들의 클러스터링 지도를 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 전자 장치가 이용하는 LSTM 신경망 모델의 동작을 설명하기 위한 도면이다.
도 9는 또 다른 실시 예에 따른 전자 장치가 이용하는 LSTM 신경망 모델의 동작을 설명하기 위한 도면이다.
도 10은 또 다른 실시 예에 따른 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법의 흐름도이다.
도 11은 일 실시 예에 따른 전자 장치가 신경망 모델을 학습하는 과정을 설명하기 위한 도면이다.1
도 12는 일 실시 예에 따른 전자 장치가 신경망 모델을 학습시키기 위해 이용하는 학습 데이터를 설명하기 위한 도면이다.
도 13은 일 실시 에에 따른 전자 장치의 블록도이다.
도 14는 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법을 수행하는 딥러닝 모델 기반 부분 방전 원점 위치 추적 시스템의 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
여기에 설명되고 예시되는 각 실시예는 그것의 상보적인 실시예도 포함한다. 본 명세서에서 '및/또는' 이란 표현은 전후에 나열된 구성요소들 중 적어도 하나를 포함하는 의미로 사용된다. 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소들을 나타낸다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따른 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 과정을 개략적으로 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 배전 계통(110) 내 복수의 개소들로부터 방전 개시 전압 신호들(112)을 획득할 수 있다. 예를 들어, 전자 장치(1000)는 배전 계통(110)내 배전 변압기 또는 배전 개폐기 중 적어도 하나를 포함하는 개소들에 부설된 센서들로부터 방전 개시 전압 신호들을 획득할 수 있다. 배전 계통(110)내 복수의 개소들에는 배전 변압기, 배전 개폐기들 및 상기 배전 변압기와 배전 개폐기들 또는 상기 배전 개폐기들 사이를 연결하는 전력 케이블이 포함될 수 있고, 센서들은 케이블에 연결됨으로써 획득된 방전 개시 전압 신호들을, 센서와 연결된 네트워크 인터페이스를 통하여 전자 장치로 전송할 수 있다.
전자 장치(1000)는 신경망 모델(120)을 저장할 수 있다. 일 실시 예에 의하면, 신경망 모델(120)은 제1 신경망 모델(122) 및 제2 신경망 모델(124)을 포함할 수 있다. 일 실시 예에 의하면, 제1 신경망 모델(122)은 LSTM(Long Short Term Memory) 신경망 모델이고, 제2 신경망 모델(124)은 오토인코더일 수 있다. 전자 장치(1000)는 제1 신경망 모델(122) 및 제2 신경망 모델(124)을 이용하여 방전 개시 전압 신호들 중 부분 방전(Partial Discharge, PD) 신호들을 식별하고, 식별된 부분 방전 신호들 사이의 유사도에 기초하여 유사 부분 방전 신호들을 식별할 수 있다.
배전 전력망에서 온도, 진동, 부하 전류등은 전력 케이블의 노후화에 큰 영향을 미치는 요소이고, 이러한 요소들로 인하여 배전 계통 내 개소들에는 부분 방전 현상들이 발생할 수 있다. 일 실시 예에 의하면, 부분 방전은 배전 개폐기들의 노후화 전력 케이블의 절연(Insulation) 약화에 의해 발생하는 현상으로, 고전압 스트레스하에서 부분적으로 절연체와 전도체 사이를 전기적으로 잇는 현상을 의미할 수 있다. 전자 장치(1000)는 배전 계통 내 복수의 개소들 중 적어도 하나로부터 방전 개시 전압들을 획득하고, 미리 학습된 제2 신경망 모델(124)(예컨대 오토 인코더)를 이용하여 획득된 방전 개시 전압들 중, 부분 방전 신호들을 식별할 수 있다.
전자 장치(1000)는 부분 방전 신호들의 유사도에 기초하여, 부분 방전 신호들로부터 유사 부분 방전 신호들을 식별하고, 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델(122)(예컨대 LSTM 신경망 모델)에 입력함으로써, 제1 신경망 모델의 출력 값을 획득할 수 있다. 전자 장치(1000)는 제1 신경망 모델의 출력 값과 입력 데이터에 기초하여 실제 부분 방전이 발생한 개소 위치(132)와, 부분 방전이 유입된 개소 위치(134)를 결정할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 연동함으로써, 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법을 수행할 수도 있다. 예를 들어, 전자 장치(1000)는 서버(2000)와 연동함으로써, 배전 계통(110)내 복수의 개소들로부터 방전 개시 전압 신호들을 획득할 수도 있다. 또한, 전자 장치(1000)는 신경망 모델(120)을 이용하여 결정된 부분 방전이 실제 발생한 개소의 위치(132) 및 부분 방전이 유입된 개소 위치(134) 정보들을 서버(2000)로 다시 전송함으로써 데이터 베이스화 할 수도 있다.
도 2는 일 실시 예에 따른 전자 장치를 포함하는 부분 방전 발생 원점의 위치를 추적하는 시스템의 동작을 개략적으로 설명하기 위한 도면이다.
도 2에 도시된 부분 방전 발생 원점 위치 추적 자동화 시스템(200)은 도 1에 도시된 전자 장치(1000)에 대응될 수 있다. 부분 방전 발생 원점 위치 추적 자동화 시스템(200)은 배전 계통 내 복수의 개소들에 배치되는 부분 방전 센서들(220)과 연결된 데이터 수집 통신 장치를(230) 통하여, 방전 개시 전압 신호들을 획득할 수 있다.
예를 들어, 도 2에 도시된 배전 계통(210)은 적어도 하나의 부분 방전 센서(220)가 설치되는 배전 변압기(221), 상기 배전 변압기에 연결되고, 복수의 부분 방전 센서(220)들이 설치되는 복수의 배전 개폐기(222, 224, 226)들을 포함할 수 있다. 일 실시 예에 의하면, 배전 계통 내 개소들은 배전 변압기, 배전 개폐기 중 적어도 하나를 포함할 수 있으며, 기타 배전 계통을 구성하는데 필요한 기타 전력 장치들을 포함할 수 있다.
도 3은 일 실시 예에 따른 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법의 흐름도이다.
S310에서, 전자 장치(1000)는 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압들에 기초하여 방전 개시 전압들 중 유사 부분 방전 신호들을 식별할 수 있다. 예를 들어, 전자 장치(1000)는 오토 인코더를 이용하여 방전 개시 전압들 중 부분 방전 신호들을 식별하고, 식별된 부분 방전 신호들의 이미지 벡터들 사이의 유사도에 기초하여, 유사 부분 방전 신호들을 식별할 수 있다.
S320에서, 전자 장치(1000)는 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압들로부터 유사 부분 방전 신호들이 식별되면, 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 제1 신경망 모델의 출력 값을 획득할 수 있다.
일 실시 예에 의하면, 제1 신경망 모델은 LSTM 신경망 모델일 수 있고, 제1 신경망 모델은 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터가 입력되면, 소정의 최대 추정 최대 신호 값을 제1 신경망 모델의 출력 값으로 출력하도록 미리 학습된 신경망 모델일 수 있다.
S330에서, 전자 장치(1000)는 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 부분 방전이 발생한 위치를 식별할 수 있다. 예를 들어, 전자 장치(1000)는 제1 신경망 모델의 출력 값과, 입력 데이터 내 가장 먼저 발생한 유사 부분 방전 신호의 최대 신호 값의 차이를 식별하고, 식별된 차이가 기 설정된 임계치 이하인 경우, 입력 데이터 내 가장 먼저 발생한 유사 부분 방전 신호를 발생시킨 개소를 실제 부분 방전이 발생한 개소로 식별할 수 있다.
보다 상세하게는, 전자 장치(1000)는 입력 데이터 내 가장 먼저 발생한 유사 부분 방전 신호의 최대 신호 값과 제1 신경망 모델의 출력 값의 차이가 기 설정된 임계치 이하인 경우, 입력 데이터 내 가장 먼저 발생된 최대 신호 값을 발생 시킨 개소를 최초 부분 방전이 발생한 진성 개소로 식별하고, 상기 입력 데이터의 데이터 쌍들 내에서 상기 최대 신호 값을 제외한 나머지 최대 신호 값들을 발생시킨 개소들을 최초 부분 방전이 발생한 개소에서 부분 방전 신호의 유입에 따라 부분 방전이 발생한 유입 개소로 식별할 수 있다.
도 4는 일 실시 예에 따른 전자 장치가 배전 계통 내 복수의 개소들로부터 획득된 부분 방전 신호들 중 유사 부분 방전 신호들을 식별하는 방법의 흐름도이다.
S410에서, 전자 장치(1000)는 배전 계통 내 복수의 개소들 중 적어도 하나로부터 방전 개시 전압 신호들을 획득할 수 있다. 일 실시 예에 의하면 전자 장치(1000)는 미리 설정된 주기로, 배전 계통 내 복수의 개소들로부터 방전 개시 전압 신호들을 획득할 수 있다. S420에서, 전자 장치(1000)는 방전 개시 전압 신호들을 제2 신경망 모델에 입력함으로써, 획득되는 상기 제2 신경망 모델의 출력 값에 기초하여, 방전 개시 전압 신호들 중 부분 방전 신호들을 식별할 수 있다.
일 실시 예에 의하면, 제2 신경망 모델은 오토 인코더 모델로써, 부분 방전 신호들과 유사한 데이터(예컨대 입력 부분 방전 신호와 유사한 방전 개시 전압 신호)가 입력되면, 입력된 데이터와 유사한 결과 값을 출력하고, 부분 방전 신호들과 유사하지 않은 데이터가 입력되면, 제2 신경망 모델로 입력된 데이터와 다른 결과 값(예컨대, 제2 신경망 모델로 입력된 부분 방전 신호와 유사하지 않은 신호)을 출력하도록 학습된 신경망 모델일 수 있다. 전자 장치(1000)는 오토 인코더에 방전 개시 전압 신호들을 입력함으로써, 제2 신경망 모델의 출력 값을 획득하고, 제2 신경망 모델의 출력 값에 기초하여, 방전 개시 전압 신호들 중 부분 방전 신호들을 식별할 수 있다.
S430에서, 전자 장치(1000)는 부분 방전 신호들에 대한 이미지 벡터의 유사도에 기초하여 부분 방전 신호들 중 유사 부분 방전 신호들을 식별할 수 있다. 전자 장치(1000)는 부분 방전 신호들 중 유사 부분 방전 신호들을 식별하는 과정은 후술하는 도 5를 참조하여 구체적으로 설명하기로 한다.
도 5는 일 실시 예에 따른 전자 장치가 부분 방전 신호들 중, 유사 부분 방전 신호들을 식별하는 구체적인 방법의 흐름도이다.
S510에서, 전자 장치(1000)는 부분 방전 신호들에 대한 이미지 벡터들을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 부분 방전 신호들의 위상 및 크기 값을 식별하고, 식별된 부분 방전 신호들의 위상 및 크기 값에 기초하여 이미지 벡터들로 변환할 수 있다.
S520에서, 전자 장치(1000)는 이미지 벡터들 사이의 코사인 유사도 값을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 하기 수학식 1에 기초하여 부분 방전 신호들의 이미지 벡터들 사이의 코사인 유사도 값을 결정할 수 있다.
상기 수학식 1에서 A는 부분 방전 신호 A의 성분이고, 상기 수학식 1에서 B는 부분 방전 신호 B의 성분을 나타낼 수 있다. S530에서, 전자 장치(1000)는 수학식 1에 기초하여 부분 방전 신호들의 이미지 벡터들 사이의 코사인 유사도 값을 결정하고, 상기 결정된 코사인 유사도 값에 기초하여 결정되는 이미지 벡터들의 유사도가 기 설정된 임계치 이상인 부분 방전 신호들을 유사 부분 방전 신호들로 식별할 수 있다. 일 실시 예에 의하면, 코사인 유사도 값에 기초하여 결정된 이미지 벡터들의 유사도가 90% 이상인 경우, 해당 이미지 벡터들에 대응되는 부분 방전 신호들을 유사 부분 방전 신호들로 결정할 수 있으나, 이에 한정되는 것은 아니다.
도 6은 일 실시 예에 따른 전자 장치가 이용하는 오토인코더의 구조를 설명하기 위한 도면이다.
도 6을 참조하면 전자 장치(1000)가 배전 계통 내 복수의 개소 들로부터 획득한 방전 개시 전압 신호들 중, 부분 방전 신호들을 식별하기 위해 이용하는 오토 인코더(610)가 도시된다. 일 실시 예에 의하면, 오토 인코더 (610)는 입력부, 핵심 추출부 및 출력부를 포함할 수 있다. 일 실시 예에 의하면 오토인코더 (610)는 미리 학습된 부분 방전 신호들과 유사한 데이터가 입력되면, 입력된 데이터와 유사한 결과 값을 출력하고, 부분 방전 신호들과 유사하지 않은 데이터가 입력되면, 제2 신경망 모델로 입력된 데이터와 다른 결과 값을 출력하도록 학습될 수 있다.
도 7은 일 실시 예에 따른 전자 장치가 배전 계통 내 개소 별로 생성하는 부분 방전 신호들의 클러스터링 지도를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 배전 계통 내 각 개소에서 유사 부분 방전 신호들의 밀집되는 클러스터링 신호군(722, 724)들을 포함하는 클러스터링 지도(710)를 생성할 수 있다. 보다 상세하게는, 전자 장치(1000)는 부분 방전 신호들의 위상 및 크기 값에 기초하여, 소정의 2차원 공간 상에 부분 방전 신호들을 배치할 수 있다. 전자 장치(1000)는 부분 방전 신호들의 위상 및 크기 값에 기초하여 부분 방전 신호들을 클러스터링함으로써 신호군들을 생성할 수 있고, 신호군들 내에 포함된 부분 방전 신호들을 유사 부분 방전 신호들로 식별할 수 있다.
도 8은 일 실시 예에 따른 전자 장치가 이용하는 LSTM 신경망 모델의 동작을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 배전 계통 내 개소들로부터 획득된 부분 방전 신호들 중, 유사 부분 방전 신호들이 식별되면, 상기 식별된 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 획득할 수 있다.
전자 장치(1000)는 개소 별로 획득된 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 데이터 쌍들(832, 834)로 포함하는 입력 데이터(822)를 생성할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 입력 데이터(822) 내 가장 빨리 발생한 최대 신호 값(835)(예컨대 T1 시간 값에서 발생한 신호 값)을 모델 정답 레이블 값으로 포함하는 입력 데이터(824)를 생성할 수도 있다. 전자 장치(1000)는 입력 데이터(824)를 LSTM 딥러닝 모델(810)로 마련되는 제1 신경망 모델에 입력함으로써, 제1 신경망 모델로부터 제1 신경망 모델의 출력 값을 판단 결과(832)로 획득할 수 있다.
보다 상세하게는, 전자 장치(1000)는 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 시간 값을 데이터 쌍들로 생성하고, 상기 시간 값에 따라 상기 생성된 데이터 쌍들을 정렬할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 입력 데이터(824)에 대한 행에서, 가장 먼저 발생한 유사 부분 방전 신호들의 신호 값을 먼저(예컨대 가장 좌측) 배치하고, 가장 늦게 발생한 유사 부분 방전 신호들의 신호 값을 뒤에(예컨대 우측)에 배치할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 유사 부분 방전 신호들을 발생시킨 개소 간의 거리가 짧아서 유사 부분 방전 신호가 발생한 시간 값이 같은 경우, 유사 부분 방전 신호들의 신호 값의 크기에 기초하여, 입력 데이터를 정렬할 수도 있다. 즉, 신호 값이 큰 유사 부분 방전 신호 데이터를 좌측에 배치하고, 신호 값이 작은 유사 부분 방전 신호를 우측에 배치할 수 있다. 전자 장치(1000)는 상술한 방법에 따라 정렬된 데이터 쌍들을 입력 데이터로 생성할 수 있다.
도 9는 또 다른 실시 예에 따른 전자 장치가 이용하는 LSTM 신경망 모델의 동작을 설명하기 위한 도면이다.
일 실시 예에 의하면, 제1 신경망 모델인 LSTM 신경망 모델(920)은 도 9에 도시된 입력 데이터(910)가 입력되면, 도 9에 도시된 출력 데이터(930)를 제1 신경망 모델의 출력 값으로 출력할 수 있다. 전자 장치(1000)는 하기 수학식 2를 이용하여 신경망 모델의 출력 값과, 입력 데이터 내 가장 먼저 발생한 최대 신호 값의 차이가 임계치 이하인지 여부를 식별할 수 있다.
상기 수학식 2에서, P는 제1 신경망 모델(도 8의 LSTM 딥러닝 모델의 판단 결과(832))의 출력 값이고, M11, M21은 각 입력 데이터 내 가장 먼저 발생한 최대 신호 값을 의미할 수 있다. 전자 장치(1000)는 제1 신경망 모델에서 출력 값 중 판단 결과(932)와 입력 데이터(910)의 정답 레이블링 값(예컨대 입력 데이터 내 가장 먼저 발생한 최대 신호 값)의 차이를 식별하고, 식별된 차이가 기 설정된 임계치 이하인 경우, 상기 입력 데이터 내 가장 먼저 발생한 것으로 식별되는 유사 부분 방전 신호를 발생시킨 개소(T1 시간 값으로 구분되는 개소)를, 부분 방전이 발생한 진성 개소로 식별할 수 있다.
도 10은 또 다른 실시 예에 따른 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법의 흐름도이다.
S1010에서, 전자 장치(1000)는 배전 계통 내 복수의 개소들로부터 데이터가 발생하면 데이터들(예컨대 방전 개시 전압 신호들)을 획득할 수 있다. 예를 들어, 전자 장치(1000)는 배전 계통 내 복수의 개소들로부터 방전 개시 전압 신호들을 소정의 주기에 기초하여 획득할 수 있다.
S1020에서, 전자 장치(1000)는 복수의 개소들로부터 방전 개시 전압 신호들이 획득되면, 획득된 방전 개시 전압 신호들을 오토 인코더에 입력함으로써, 방전 개시 전압 신호들 중 부분 방전 신호들을 식별할 수 있다. 전자 장치(1000)는 오토인코더의 출력 값에 기초하여 부분 방전 신호들이 식별되지 않을 경우, 다시 소정의 주기로 방전 개시 전압 신호들을 획득할 수 있다.
S1030에서, 전자 장치(1000)는 오토인코더의 출력 값에 기초하여 부분 방전 신호들이 식별되면, 부분 방전 신호들의 코사인 유사도를 식별할 수 있다. 전자 장치(1000)는 부분 방전 신호들 사이의 코사인 유사도에 기초하여 식별되는 유사도 값이 소정의 임계치 이상인 경우, 소정의 임계치 이상인 유사도 값에 해당하는 부분 방전 신호들을 유사 부분 방전 신호들로 식별할 수 있다.
S1040에서, 전자 장치(1000)는 유사 부분 방전 신호들이 식별되면, 진성/유입 부분 방전(Partial Discharge, PD) 판단 알고리즘을 수행할 수 있다. 예를 들어, 전자 장치(1000)는 유사 부분 방전 신호들(예컨대 2 이상의 유사 부분 방전 신호들)이 획득되면, 도 1 내지 도 9에서 상술한 바와 같이, 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 생성하고, 생성된 입력 데이터를 미리 학습된 LSTM 신경망 모델에 입력함으로써 출력 값을 획득할 수 있다.
S1050에서, 전자 장치(1000)는 LSTM의 신경망 모델의 출력 값과 입력 데이터 내 가장 먼저 발생한 최대 신호 값의 차이가 임계차이 값 보다 작으면, 상기 입력 데이터 내 최대 신호 값을 발생시킨 개소를 진성 부분 방전 신호를 발생시킨 개소로 식별할 수 있다. 또한, 전자 장치(1000)는 LSTM 신경망 모델의 출력 값과 입력 데이터 내 가장 먼저 발생한 최대 신호 값의 차이가 임계차이 값 보다 작으면, 상기 입력 데이터 내 최대 신호 값을 발생시킨 개소를 제외한, 상기 입력 데이터 내 유사 부분 방전 신호들을 발생시킨 나머지 개소들을 유입 부분 방전 신호를 발생시킨 개소들로 식별할 수 있다.
도 11은 일 실시 예에 따른 전자 장치가 신경망 모델을 학습하는 과정을 설명하기 위한 도면이다.
S1110에서, 전자 장치(1000)는 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 학습용 방전 개시 전압들에 기초하여, 학습용 방전 개시 전압들 중 학습용 유사 부분 방전 신호들을 식별할 수 있다. 예를 들어, 전자 장치(1000)는 도 6에서 상술한 오토 인코더에 학습용 방전 개시 전압들을 입력함으로써 획득되는 오토 인코더의 출력 값에 기초하여, 학습용 방전 개시 전압 신호들 중, 유사 부분 방전 신호들을 식별할 수 있다.
S1120에서, 전자 장치(1000)는 학습용 유사 부분 방전 신호들이 식별되면, 학습용 유사 부분 방전 신호들 중, 기 설정된 초기 신호 발생 구간 내에 발생한 학습용 유사 부분 방전 신호들의 최대 신호 값 및 최대 신호 값이 발생한 시간 값을 학습용 데이터 쌍들로 포함하는 학습 데이터를 생성할 수 있다. 예를 들어, 전자 장치(1000)는 각 개소에서 유사한 부분 방전 신호들의 클러스터링 지도에서, 기 설정된 초기 신호 발생 구간(예컨대 2초, 0~120 Cycle) 내 발생한 유사 부분 방전 신호들을 식별할 수 있다.
전자 장치(1000)는 상기 기 설정된 초기 신호 발생 구간 내 발생한 유사 부분 방전 신호들 중, 가장 큰 신호 값을 나타내는 유사 부분 방전 신호의 최대 신호 값과 상기 최대 신호 값이 발생한 시간 값(Time-stamp)을 추출할 수 있다. 전자 장치(1000)는 개소 별로, 상기 기 설정된 초기 신호 발생 구간 내 발생한 유사 부분 방전 신호들을 식별하고, 식별된 유사 부분 방전 신호들 중, 가장 큰 값을 나타내는 최대 신호 값과 상기 최대 신호 값이 발생한 시간 값을 개소 별로 추출할 수 있다.
전자 장치(1000)는 각 개소 별로 추출된, 기 설정된 초기 신호 발생 구간 내, 최대 신호 크기를 나타내는 유사 부분 방전 신호의 최대 신호 값과 그에 해당하는 시간 값을 학습용 데이터 쌍들로 포함하는 학습 데이터를 생성할 수 있다. 보다 상세하게는, 전자 장치(1000)는, 개소 별로, 기 설정된 초기 신호 발생 구간 내 최대 신호 값 및 상기 최대 신호 값에 해당하는 시간 값을 추출하고, 추출된 시간 값에 기초하여, 시간 순에 따라 데이터 쌍들을 정렬함으로써 학습 데이터를 생성할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 시간 값에 기초하여 가장 먼저 발생한 데이터 쌍을 좌측으로 배열하고, 가장 나중에 발생한 데이터 쌍을 우측으로 배열함으로써 학습 데이터를 생성할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 획득한 학습용 유사 부분 방전 신호들을 발생시킨 개소가 인접하여, 시간 값의 차이가 나지 않는 경우, 전자 장치(1000)는 최대 신호 값의 크기에 기초하여 데이터 쌍들을 정렬함으로써 학습 데이터를 생성할 수도 있다. S1130에서, 전자 장치(1000)는 학습 데이터에 기초하여 제1 신경망 모델을 학습시킬 수 있다.
예를 들어, 전자 장치(1000)는 S1120에서 생성된 학습 데이터 내 가장 먼저 발생한 최대 신호 값을 정답 레이블링 값으로 하여, 학습 데이터를 레이블링할 수 있다. 전자 장치(1000)는 배전 계통 내 복수의 개소들로부터 획득된 방전 개시 전압 신호들 중 부분 방전 신호들을 획득하고, 획득된 부분 방전 신호들로부터 유사 부분 방전 신호들이 식별될 때마다 S1120 단계를 반복함으로써 학습 데이터를 생성하고, 생성된 학습 데이터에 기초하여 제1 신경망 모델을 학습시킬 수 있다.
전자 장치(1000)는 제1 신경망 모델 내 복수의 레이어들, 상기 레이어들 에 포함된 노드들 및 레이어들의 연결 강도에 관한 가중치(Weight)를 수정 및 갱신함으로써, 제1 신경망 모델을 학습시킬 수 있다.
도 12는 일 실시 예에 따른 전자 장치가 신경망 모델을 학습시키기 위해 이용하는 학습 데이터를 설명하기 위한 도면이다.
도 12를 참조하면 전자 장치(1000)가 생성하는 레이블링 학습 데이터(1210) 및 레이블링 학습 데이터(1230)이 도시된다. 전자 장치(1000)는 배전 계통 내 복수의 개소들로부터 획득된 방전 개시 전압 신호들을 분석함으로써 유사 부분 방전 신호들이 식별되면, 식별된 유사 부분 방전 신호들을 발생시킨 개소 별로, 초기 신호 구간(예컨대 2초, 0~120 CYCLE)내에서 최대 신호 값 및 그에 해당하는 시간 값을 추출할 수 있다.
예를 들어, 전자 장치(1000)는 T1 시간 값(12414)에서 발생된 최대 신호 값 M11(1212)을 개소 T1으로부터 획득하고(개소들의 거리에 따라 시간 값이 달라질 수 있기 때문에 도 12에서 도시된 T1, T2는 최대 신호 값이 발생된 시간 값을 의미함과 함께 특정 개소를 나타낼 수 있다), T2 시간 값(12216)에서 발생된 최대 신호 값M22(1217)을 T2 개소로부터 획득할 수 있다. 또한, 전자 장치는 Tn 시간 값에서 발생된 최대 신호 값 M1n을, Tn 개소로부터 획득할 수 있다.
전자 장치(1000)는 최대 신호 값들이 발생한 시간 순서대로, 최대 신호 값들을 정렬할 수 있다. 도 12에 도시된 T1<T2<Tn 라고 가정하면, 전자 장치(1000)는 가장 먼저 발생한 최대 신호 값 M11을 좌측에 매치하고, 가장 나중에 발생한 M1n을 우측에 배치함으로써 학습 데이터를 생성할 수 있다. 또한, 전자 장치(1000)는 생성된 학습 데이터 내 가장 먼저 발생한 것으로 식별되는 최대 신호 값 M11을 모델 정답 레이블링 값(1218)으로 하여 학습 데이터(1212)를 레이블링함으로써 레이블링 학습 데이터(1210)를 생성할 수 있다.
예를 들어, 전자 장치(1000)는 유사 부분 방전 신호들을 발생시킨 T1 개소(T1 개소의 시간 값은 2021.01.01 10:00:00)에서, 초기 신호 구간(예컨대 2초, 0~120 CYCLE)내 발생한 최대 신호 값을 10.5로 식별하고, T2 개소(T2 개소의 시간 값은 2021.01.01 10:00:01)에서, 초기 신호 구간 내 발생한 최대 신호 값을 9.8로 식별할 수 있다. 전자 장치(1000)는 최대 신호 값 10.5가 발생된 시간 값 T1이 최대 신호 값 9.8 이 발생된 시간 값 T2 보다 작은 것을 식별하고, 개소 T1에서 발생된 최대 신호 값 10.5을 개소 T2에서 발생된 최대 신호 값 9.8보다 좌측에 배치함으로써 학습 데이터를 생성할 수 있다. 또한, 전자 장치(1000)는 가장 빠른 시간(T1)에 발생된 최대 신호 값을 학습 데이터의 모델 정답 레이블링 값으로 하여 학습 데이터(1232)를 레이블링함으로써 레이블링 학습 데이터(1230)를 생성할 수 있다.
즉, 전자 장치(1000)는 유사 부분 방전 신호들을 발생시킨 개소 별, 초기 신호 발생 구간 내 학습용 유사 부분 방전 신호들의 최대 신호 값 및 시간 값을 학습용 데이터 쌍들(1233, 1235, 1237)로 생성하고, 생성된 학습용 유사 부분 방전 신호들의 최대 신호 값이 발생한 시간 값에 따라 학습용 데이터 쌍들을 정렬할 수 있다(예컨대, 데이터 쌍(1233)을 데이터 쌍(1235)보다 좌측에 배치). 전자 장치(1000)는 학습용 데이터 쌍들을, 최대 신호 값이 발생한 시간 값에 따라 정렬하고, 정렬된 학습용 데이터 쌍들을 학습 데이터로 생성할 수 있다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 학습용 데이터 쌍들 내 유사 부분 방전 신호들을 발생 시킨 개소들이 인접하여, 최대 신호 값이 발생한 시간 값의 차이가 기 설정된 임계치 보다 작은 경우, 학습용 유사 부분 방전 신호들의 신호 값의 크기에 기초하여 학습용 데이터 쌍들을 정렬함으로써, 학습 데이터를 생성할 수도 있다.
도 13은 일 실시 에에 따른 전자 장치의 블록도이다.
일 실시 예에 따른 전자 장치(1000)는 프로세서(1400), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나, 도시된 구성 요소가 필수구성요소인 것은 아니고, 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 전자 장치(1000)는 구현될 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1400), 네트워크 인터페이스(1500) 및 메모리(1700)외에 디스플레이를 더 포함할 수도 있다.
프로세서(1400)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 일 실시 예에 의하면, 본 개시에 따른 프로세서(1400)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 12에 기재된 전자 장치(1000)의 기능을 수행할 수 있다. 프로세서(1400)는 메모리에 저장된 인스트럭션을 실행함으로써 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법을 수행할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 수행함으로써, 상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압들에 기초하여, 상기 방전 개시 전압들 중 유사 부분 방전 신호들을 식별하고, 상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하고, 상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 수행함으로써, 상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 방전 개시 전압 신호들을 획득하고, 상기 방전 개시 전압 신호들을 제2 신경망 모델에 입력함으로써 획득되는 상기 제2 신경망 모델의 출력 값에 기초하여, 상기 방전 개시 전압 신호들 중 부분 방전 신호들을 식별하고, 상기 부분 방전 신호들에 대한 이미지 벡터의 유사도에 기초하여, 상기 부분 방전 신호들 중 유사 부분 방전 신호들을 식별할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 부분 방전 신호들에 대한 이미지 벡터들을 결정하고, 상기 이미지 벡터들 사이의 코사인 유사도 값을 결정하고, 상기 결정된 코사인 유사도 값에 기초하여 결정되는 이미지 벡터들의 유사도가 기 설정된 임계치 이상인 부분 방전 신호들을 상기 유사 부분 방전 신호들로 식별할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 식별된 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 획득하고, 상기 개소 별로 획득된 상기 최대 신호 값 및 상기 시간 값을 데이터 쌍들로 포함하는 상기 입력 데이터를 생성하고, 상기 생성된 입력 데이터를 상기 제1 신경망 모델에 입력함으로써 상기 제1 신경망 모델의 출력 값을 획득할 수 있다.
일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치와 연결된 외부 디바이스 또는 서버로부터 방전 개시 전압 신호들, 유사 부분 방전 신호들과 같은 전력 데이터를 획득할 수 있다. 또한, 네트워크 인터페이스(15000)는 서버(2000)에서 미리 학습된 인공 지능 모델에 대한 구조 정보, 가중치 정보들을 획득하고, 획득된 구조 정보 및 가중치 정보들을 전자 장치의 프로세서(1400)로 전송함으로써, 프로세서(1400)가 서버로부터 획득된 구조 정보 및 가중치 정보에 기초하여 메모리(1700)에 기 저장된 인공 지능 모델의 가중치를 수정 및 갱신하도록 할 수 있다.
메모리(1700)는, 프로세서(1400)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 딥러닝 모델, 신경망 모델과 같은 인공 지능 학습 알고리즘에 의해 학습될 수 있는 인공 지능 모델에 대한 정보를 저장할 수도 있다. 일 실시 예에 의하면, 메모리(1700)는 신경망 모델의 구성으로써, 신경망을 구성하는 레이어들, 레이어들에 포함된 노드들 및 레이어들의 연결 강도에 관한 가중치들에 대한 정보를 저장할 수 있다.
일 실시 예에 의하면, 메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 그러나, 이에 한정되는 것은 아니며, 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법을 수행하는데 필요한 인스트럭션들을 저장하기 위한 기타 저장 매체일 수 있다.
도 14는 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법을 수행하는 딥러닝 모델 기반 부분 방전 원점 위치 추적 시스템의 블록도이다.
일 실시 예에 의하면 딥러닝 모델 기반 부분 방전 발생 원점 위치 추적 시스템(2000)은 도 13에 개시된 전자 장치(1000)에 대응될 수 있다. 예를 들어, 딥러닝 모델 기반 부분 방전 발생 원점 위치 추적 시스템(2000)은 데이터 취득 저장부(2200)를 이용하여 전력 데이터들을 획득하고, 획득된 전력 데이터들을 저장할 수 있다.
일 실시 예에 의하면, 데이터 취득 저장부(2200)는 데이터 관리부(2210) 및 통신부(2220)를 포함할 수 있다. 데이터 관리부(2210)는 배전 계통 내 복수의 개소들로부터 획득된 방전 개시 전압 신호들, 또는 부분 방전 신호들을 관리할 수 있다. 통신부(2220)는 배전 계통 내 복수의 개소들로부터 방전 개시 전압 신호들 또는 부분 방전 신호들을 획득할 수 있다.
딥러닝 모델 기반 부분 방전 발생 원점 위치 추적 시스템(2000)은 유사 PD 신호 판단 알고리즘(2102)을 수행함으로써, 방전 개시 전압 신호들로부터 부분 방전 신호들을 식별하고, 식별된 부분 방전 신호들의 이미지 벡터 사이의 유사도에 기초하여 유사 부분 방전 신호들을 식별할 수 있다.
또한, 딥러닝 모델 기반 부분 방전 발생 원점 위치 추적 시스템(2000)은 진성/유입 PD 판단 알고리즘(2104)을 수행함으로써, 유사 부분 방전 신호들이 식별되면, 식별된 유사 부분 방전 신호들을 발생시킨 개소들 중 어떤 개소가 진성 개소이고, 어떤 개소가 부분 방전 신호가 유입된 개소인지 여부를 식별할 수 있다. 유사 PD 신호 판단 알고리즘(2102) 및 진성/유입 PD 판단 알고리즘은 도 1 내지 도 13에서 상술한 프로세서가 부분 방전이 발생한 위치를 식별하는 방법을 수행하기 위해 실행하는, 메모리에 기 저장된 인스트럭션일 수 있다.
일 실시예에 따른 상술한 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다

Claims (15)

  1. 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법에 있어서,
    상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압 신호들에 기초하여, 상기 방전 개시 전압 신호들 중 유사 부분 방전 신호들을 식별하는 단계;
    상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하는 단계; 및
    상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별하는 단계를 포함하고,
    상기 유사 부분 방전 신호들을 식별하는 단계는,
    상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 방전 개시 전압 신호들을 획득하는 단계;
    상기 방전 개시 전압 신호들을 제2 신경망 모델에 입력함으로써 획득되는 상기 제2 신경망 모델의 출력 값에 기초하여, 상기 방전 개시 전압 신호들 중 부분 방전 신호들을 식별하는 단계; 및
    상기 부분 방전 신호들에 대한 이미지 벡터의 유사도에 기초하여, 상기 부분 방전 신호들 중 유사 부분 방전 신호들을 식별하는 단계를 포함하고,
    상기 제1 신경망 모델의 출력 값을 획득하는 단계는,
    상기 식별된 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 획득하는 단계;
    상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 시간 값을 데이터 쌍들로 생성하고, 상기 시간 값에 따라, 상기 데이터 쌍들을 정렬하고, 상기 정렬된 데이터 쌍들을 상기 입력 데이터로 생성하는 단계; 및
    상기 생성된 입력 데이터를 상기 제1 신경망 모델에 입력함으로써 상기 제1 신경망 모델의 출력 값을 획득하는 단계를 포함하는, 방법.
  2. 삭제
  3. 제1항에 있어서, 상기 유사 부분 방전 신호들을 식별하는 단계는
    상기 부분 방전 신호들에 대한 이미지 벡터들을 결정하는 단계;
    상기 이미지 벡터들 사이의 코사인 유사도 값을 결정하는 단계; 및
    상기 결정된 코사인 유사도 값에 기초하여 결정되는 이미지 벡터들의 유사도가 기 설정된 임계치 이상인 부분 방전 신호들을 상기 유사 부분 방전 신호들로 식별하는 단계; 를 포함하는, 방법.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서, 상기 부분 방전이 발생한 위치를 식별하는 단계는
    상기 제1 신경망 모델의 출력 값과, 상기 입력 데이터 내 데이터 쌍들의 최대 신호 값들 중 가장 먼저 발생된 최대 신호 값의 차이가 기 설정된 임계치 이하인 경우,
    상기 가장 먼저 발생된 최대 신호 값을 발생시킨 개소를 최초 부분 방전이 발생한 진성 개소로 식별하고, 상기 데이터 쌍들 내 상기 최대 신호 값을 제외한 나머지 최대 신호 값들을 발생시킨 개소들을 상기 최초 부분 방전이 발생한 개소에서 부분 방전 신호의 유입에 따라 부분 방전이 발생한 유입 개소로 식별하는 단계; 를 포함하는, 방법.
  7. 제1항에 있어서,
    상기 제1 신경망 모델은 상기 입력 데이터가 입력되면, 소정의 최대 신호 값을 상기 제1 신경망 모델의 출력 값으로 출력하도록 학습되는 LSTM(Long Short Term Memory) 신경망 모델이고,
    상기 제2 신경망 모델은 부분 방전 신호와 유사한 방전 개시 전압이 입력되면 부분 방전 신호와 유사한 신호를 출력하고, 부분 방전 신호가 아닌 방전 개시 전압이 입력되면 부분 방전 신호와 유사하지 않은 신호를 출력하도록 학습되는 오토인코더인 것을 특징으로 하는, 방법.
  8. 제1항에 있어서, 상기 방법은
    상기 유사 부분 방전 신호들을 식별하는 단계에 앞서,
    상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 학습용 방전 개시 전압들에 기초하여, 상기 학습용 방전 개시 전압들 중 학습용 유사 부분 방전 신호들을 식별하는 단계;
    상기 학습용 유사 부분 방전 신호들이 식별되면, 상기 학습용 유사 부분 방전 신호들 중, 기 설정된 초기 신호 발생 구간 내에 발생한 학습용 유사 부분 방전 신호들의 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 학습용 데이터 쌍들로 포함하는 학습 데이터를 생성하는 단계; 및
    상기 생성된 학습 데이터에 기초하여 상기 제1 신경망 모델을 학습시키는 단계; 를 포함하는, 방법.
  9. 제8항에 있어서, 상기 학습 데이터를 생성하는 단계는
    상기 기 설정된 초기 신호 발생 구간 내 학습용 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 시간 값을 상기 학습용 데이터 쌍들로 생성하는 단계;
    상기 기 설정된 초기 신호 발생 구간 내 발생한 학습용 유사 부분 방전 신호들의 최대 신호 값이 발생한 시간 값에 따라 상기 학습용 데이터 쌍들을 정렬하는 단계; 및
    상기 정렬된 학습용 데이터 쌍들을 상기 학습 데이터로 생성하는 단계; 를 포함하는, 방법.
  10. 제9항에 있어서, 상기 데이터 쌍들을 정렬하는 단계 및 상기 학습용 데이터 쌍들을 정렬하는 단계는
    상기 데이터 쌍들 또는 상기 학습용 데이터 쌍들 내 유사 부분 방전 신호들 또는 학습용 유사 부분 방전 신호들이 발생한 시간 값의 차이가 기 설정된 임계치보다 작은 경우,
    상기 유사 부분 방전 신호들 또는 상기 학습용 유사 부분 방전 신호들의 신호 값의 크기에 기초하여 상기 데이터 쌍들 또는 상기 학습용 데이터 쌍들을 정렬하는 단계; 를 포함하는, 방법.
  11. 배전 계통 내 부분 방전이 발생한 위치를 식별하는 전자 장치에 있어서,
    네트워크 인터페이스;
    하나 이상의 인스트럭션을 저장하는 메모리;
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압들에 기초하여, 상기 방전 개시 전압들 중 유사 부분 방전 신호들을 식별하고,
    상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하고,
    상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별하고,
    상기 적어도 하나의 프로세서는,
    상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 방전 개시 전압 신호들을 획득하고, 상기 방전 개시 전압 신호들을 제2 신경망 모델에 입력함으로써 획득되는 상기 제2 신경망 모델의 출력 값에 기초하여, 상기 방전 개시 전압 신호들 중 부분 방전 신호들을 식별하고, 상기 부분 방전 신호들에 대한 이미지 벡터의 유사도에 기초하여, 상기 부분 방전 신호들 중 유사 부분 방전 신호들을 식별하고,
    상기 적어도 하나의 프로세서는,
    상기 식별된 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 획득하고, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 시간 값을 데이터 쌍들로 생성하고, 상기 시간 값에 따라, 상기 데이터 쌍들을 정렬하고, 상기 정렬된 데이터 쌍들을 상기 입력 데이터로 생성하고, 상기 생성된 입력 데이터를 상기 제1 신경망 모델에 입력함으로써 상기 제1 신경망 모델의 출력 값을 획득하는, 전자 장치.
  12. 삭제
  13. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 부분 방전 신호들에 대한 이미지 벡터들을 결정하고,
    상기 이미지 벡터들 사이의 코사인 유사도 값을 결정하고,
    상기 결정된 코사인 유사도 값에 기초하여 결정되는 이미지 벡터들의 유사도가 기 설정된 임계치 이상인 부분 방전 신호들을 상기 유사 부분 방전 신호들로 식별하는, 전자 장치.
  14. 삭제
  15. 전자 장치가 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법에 있어서,
    상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 획득된 방전 개시 전압 신호들에 기초하여, 상기 방전 개시 전압 신호들 중 유사 부분 방전 신호들을 식별하는 단계;
    상기 유사 부분 방전 신호들이 식별되면, 상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 포함하는 입력 데이터를 제1 신경망 모델에 입력함으로써, 상기 제1 신경망 모델의 출력 값을 획득하는 단계; 및
    상기 획득된 제1 신경망 모델의 출력 값 및 상기 입력 데이터에 기초하여 상기 부분 방전이 발생한 위치를 식별하는 단계를 포함하고,
    상기 유사 부분 방전 신호들을 식별하는 단계는,
    상기 배전 계통 내 복수의 개소들 중 적어도 하나로부터 방전 개시 전압 신호들을 획득하는 단계;
    상기 방전 개시 전압 신호들을 제2 신경망 모델에 입력함으로써 획득되는 상기 제2 신경망 모델의 출력 값에 기초하여, 상기 방전 개시 전압 신호들 중 부분 방전 신호들을 식별하는 단계; 및
    상기 부분 방전 신호들에 대한 이미지 벡터의 유사도에 기초하여, 상기 부분 방전 신호들 중 유사 부분 방전 신호들을 식별하는 단계를 포함하고,
    상기 제1 신경망 모델의 출력 값을 획득하는 단계는,
    상기 식별된 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 최대 신호 값이 발생한 시간 값을 획득하는 단계;
    상기 유사 부분 방전 신호들을 발생시킨 개소 별 최대 신호 값 및 상기 시간 값을 데이터 쌍들로 생성하고, 상기 시간 값에 따라, 상기 데이터 쌍들을 정렬하고, 상기 정렬된 데이터 쌍들을 상기 입력 데이터로 생성하는 단계; 및
    상기 생성된 입력 데이터를 상기 제1 신경망 모델에 입력함으로써 상기 제1 신경망 모델의 출력 값을 획득하는 단계를 포함하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체.
KR1020210116201A 2021-09-01 2021-09-01 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치 KR102613072B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210116201A KR102613072B1 (ko) 2021-09-01 2021-09-01 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210116201A KR102613072B1 (ko) 2021-09-01 2021-09-01 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20230033345A KR20230033345A (ko) 2023-03-08
KR102613072B1 true KR102613072B1 (ko) 2023-12-11

Family

ID=85508060

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210116201A KR102613072B1 (ko) 2021-09-01 2021-09-01 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102613072B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012112696A (ja) * 2010-11-22 2012-06-14 Mitsubishi Electric Corp 部分放電分析装置
KR102274389B1 (ko) * 2020-09-18 2021-07-06 (주)위세아이텍 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19716963C2 (de) * 1997-04-16 2001-10-18 Siemens Ag Verfahren zur Ermittlung des Ortes einer Teilentladung
KR102183462B1 (ko) * 2019-04-02 2020-11-26 현대일렉트릭앤에너지시스템(주) 부분 방전 진단 장치
KR102689139B1 (ko) 2019-07-03 2024-07-30 한국전력공사 부분방전 발생 위치 검출 장치
KR102295784B1 (ko) * 2019-10-25 2021-09-01 한국전력공사 배전설비의 실시간 부분방전 추적을 통한 위험도 관리 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012112696A (ja) * 2010-11-22 2012-06-14 Mitsubishi Electric Corp 部分放電分析装置
KR102274389B1 (ko) * 2020-09-18 2021-07-06 (주)위세아이텍 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법

Also Published As

Publication number Publication date
KR20230033345A (ko) 2023-03-08

Similar Documents

Publication Publication Date Title
CN112732919B (zh) 一种面向网络安全威胁情报的智能分类标签方法及系统
KR101719278B1 (ko) 비주얼 콘텐츠기반 영상 인식을 위한 딥러닝 프레임워크 및 영상 인식 방법
CN104503874A (zh) 一种云计算平台的硬盘故障预测方法
US20110271255A1 (en) Automatic identification of subroutines from test scripts
CN103299324A (zh) 使用潜在子标记来学习用于视频注释的标记
CN113376516A (zh) 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法
KR102389439B1 (ko) 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법
CN111158964B (zh) 一种磁盘故障预测方法、系统、装置及存储介质
CN105095756A (zh) 可移植文档格式文档的检测方法和装置
CN113472754A (zh) 基于网络安全大数据的安全防护配置方法及网络安全系统
CN116361147A (zh) 测试用例根因定位方法及其装置、设备、介质、产品
CN114416479A (zh) 一种基于流外正则化的日志序列异常检测方法
KR102613072B1 (ko) 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치
CN113778875A (zh) 一种系统测试缺陷分类方法、装置、设备及存储介质
CN117435999A (zh) 一种风险评估方法、装置、设备以及介质
CN115114627B (zh) 一种恶意软件检测方法及装置
JP2007249826A (ja) テスト項目生成装置
CN115577249A (zh) 多视角特征融合的变压器声信号识别方法、系统及介质
CN115587007A (zh) 基于RoBERTa的网络日志安全检测方法及系统
CN113901793A (zh) 结合rpa和ai的事件抽取方法及装置
CN116266412A (zh) 人脸真伪检测方法、装置、设备及计算机可读存储介质
CN113537942A (zh) 一种提高样本标记数量的方法及系统
KR20220104862A (ko) 리아푸노프 지수를 이용한 발전원 배치 방법 및 이를 수행하기 위한 컴퓨팅 장치
CN113468540A (zh) 基于网络安全大数据的安全画像处理方法及网络安全系统
JP2020144438A (ja) 雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム

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