KR20070045558A - 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 - Google Patents
부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 Download PDFInfo
- Publication number
- KR20070045558A KR20070045558A KR1020050101969A KR20050101969A KR20070045558A KR 20070045558 A KR20070045558 A KR 20070045558A KR 1020050101969 A KR1020050101969 A KR 1020050101969A KR 20050101969 A KR20050101969 A KR 20050101969A KR 20070045558 A KR20070045558 A KR 20070045558A
- Authority
- KR
- South Korea
- Prior art keywords
- phase
- neural network
- partial discharge
- input vector
- discharge
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000015572 biosynthetic process Effects 0.000 title 1
- 230000008520 organization Effects 0.000 claims abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000007794 visualization technique Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Testing Relating To Insulation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
이 발명은, 위상무관합을 이용한 신경망 회로를 사용함으로써 고전압기기의 인가전압 위상정보를 사용하지 않기 때문에 현장에서 부분방전 측정시 PT나 분압기의 등으로부터 위상신호를 입력받지 않고 부분방전을 측정하므로 측정을 위해 준비하는 시간을 줄이고, 측정비용을 절감할 수 있음은 물론 방전원인에 대한 신뢰도 높은 추론결과를 얻을 수 있으며. 부분방전신호의 크기정보를 포함하지 않은 방전유형으로부터 신경망 회로의 입력벡터를 추출하기 때문에 증폭기나 신호감쇄기의 특성이 상이한 다른 부분방전 측정장치서도 동일한 신경망 회로를 사용할 수 있으며, 여러 상이 동시에 존재하는 전력기기에서 위상무관합과 위상상관합을 이용해 부분방전이 발생하는 부위의 전원상을 알 수 있어 부분방전 위치추적이 용이하므로 전력기기 이상에 대한 사후 조치에 유리한, 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법에 관한 것으로서,
GIS, 변압기, 전력용 케이블, 회전기기 등 고전압 전력기기에서 발생하는 부분방전신호의 원인을 자동으로 추론해 주는 다층 퍼셉트론(perceptron) 구조나 셀프 오거나이제이션 맵(self organization map) 등 다양한 종류의 신경망회로에 사용되는 입력벡터에 있어서, 부분방전 측정장치로부터 측정된 방전신호를 이용해 Φn : Φn-1 : N 그래프를 생성하는 단계와, 상기한 Φn : Φn-1 : N 그래프의 우하면을 좌상면의 위로 이동을 시킴으로써 Φn : Φn-1 : N 그래프로 변환하는 단계와, 신경망 회로의 입력벡터로 사용할 위상상관합을 추출하는 단계와, 신경망 회로 의 입력벡터로 사용할 위상무관합을 추출하는 단계와, 상기한 위상무관합을 신경망 회로의 입력벡터로서 입력시키는 단계를 포함하여 이루어진다.
퍼셉트론, 신경망 회로, 방전신호, 위상상관합, 위상무관합
Description
도 1은 일반적인 극초단파 부분방전 측정장치의 설치 구성도이다.
도 2는 일반적인 극초단파 부분방전 측정장치의 부분방전센서로부터 입력되는 부분방전신호의 구성도이다.
도 3은 이 발명의 일실시예에 따른 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 설명하기 위한 Φn:Φn-1:N 가시화 방법으로 표현된 부분방전 신호의 예시도이다.
도 4는 이 발명의 일실시예에 따른 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 설명하기 위한 변형 Φn:Φn-1:N 가시화 방법으로 표현된 부분방전 신호의 예시도이다.
도 5는 일반적인 다층 신경망 회로의 예시도이다.
도 6은 이 발명의 일실시예에 따른 위상상관합을 이용한 방전발생 위치의 전원상 판별법에 대한 예시도이다.
* 도면의 주요 부분에 대한 부호의 설명 *
100 : 고전압 전력기기 110 : 전원
120 : 부분방전센서 130 : 부분방전 측정기
140 : 전원 위상 측정용 PT/분압기
200 : 고전압 전력기기에 인가되는 전압
210 : 부분방전신호 220 : 부분방전신호의 발생시간
230 : 부분방전신호의 크기 240 : 부분방전 발생시 인가전압의 위상
320 : 부분방전신호의 발생빈도
410 : 위상상관합 420 : 위상무관합
500 : 입력벡터 510 : 1차층
520 : N차층 530 : 출력층
540 : 출력벡터 550 : 시냅스
이 발명은 전력 분야에 관한 것으로서, 좀더 세부적으로 말하자면 위상무관합을 이용한 신경망 회로를 사용함으로써 고전압기기의 인가전압 위상정보를 사용하지 않기 때문에 현장에서 부분방전 측정시 PT나 분압기의 등으로부터 위상신호를 입력받지 않고 부분방전을 측정하므로 측정을 위해 준비하는 시간을 줄이고, 측정비용을 절감할 수 있음은 물론 방전원인에 대한 신뢰도 높은 추론결과를 얻을 수 있으며. 부분방전신호의 크기정보를 포함하지 않은 방전유형으로부터 신경망 회로의 입력벡터를 추출하기 때문에 증폭기나 신호감쇄기의 특성이 상이한 다른 부분방 전 측정장치서도 동일한 신경망 회로를 사용할 수 있으며, 여러 상이 동시에 존재하는 전력기기에서 위상무관합과 위상상관합을 이용해 부분방전이 발생하는 부위의 전원상을 알 수 있어 부분방전 위치추적이 용이하므로 전력기기 이상에 대한 사후 조치에 유리한, 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법에 관한 것이다.
가스절연 개폐장치(Gas Insulated Switchgear, GIS), 가스절연변압기, 유입변압기, 회전기기, 가스절연송전선, 전력용 케이블 등 고전압 전력기기에서는 고장의 전조로서 부분방전이 발생하게 되는데, 극초단파(UHF) 부분방전 측정 장치는 이와 같이 고전압 전력기기에서 부분방전이 발생할 경우에 부분방전과 함께 발생하게 되는 극초단파를 측정하고 이와 같이 측정된 극초단파의 신호유형 및 패턴을 분석해 부분방전 여부와 전력기기의 열화상태를 진단함으로써 전력기기의 고장 징후를 사전에 측정 또는 인지할 수 있는 장치이다.
일반적인 극초단파 부분방전 측정장치에 대하여 첨부된 도 1 및 도 2를 참조로 하여 설명하면 다음과 같다.
가스절연 개폐장치(Gas Insulated Switchgear, GIS), 변압기, 전동기, 전력용 케이블과 같은 고전압 전력기기(100)에 내부 이상이 있을 경우, 고전압 전력기기에(100)에 전원(110)을 공급하면 이상의 징후로 부분방전이 발생한다.
이때 고전압 전력기기(100)에 장착되어 있는 부분방전센서(120)는 부분방전신호를 검출하여 극초단파 부분방전측정기(130)로 입력하여 분석하게 된다.
기존의 분석방법에서는 전원(110)의 위상정보가 필수적이므로 전력 트랜스포 머(Power Transformer, PT) 및 분압기(140)를 이용하여 인가전압 위상정보를 부분방전측정기(130)에 제공하게 된다.
극초단파 부분방전측정기(130)는 부분방전센서(120)로부터 입력되는 도 2에 도시되어 있는 바와 같은 부분방전신호(210)로부터 부분방전신호 발생시간(220), 부분방전신호 크기(230), 부분방전 발생시 인가전압(200)의 위상(240)과 같은 방전관련 기본정보를 취득할 수 있다.
상기한 극초단파 부분방전 측정기(130)내의 신호취득 회로에는 다양한 종류의 증폭기, 신호감쇄기와 검출장치 및 신호 분류를 위한 신경망회로가 구비되어 있어서, 상기한 부분방전센서(120)로부터 입력되는 부분방전신호(210)를 분석할 수가 있다.
상기한 바와 같은 부분방전신호(210)의 형상을 분석해보면 부분방전 여부와 고전압 전력기기(100)의 열화상태를 진단할 수가 있으며, 이를 이용하여 고전압 전력기기(100)의 고장 징후를 사전에 측정 또는 인지할 수 있다.
상기한 극초단파 부분방전 측정기(130)의 신경망 회로는 입력벡터로서 가공되지 않은 실측된 부분방전 신호를 사용하거나, 부분방전 신호로부터 변환된 PRPS(Phase Resolved Pulse Sequence) 또는 PRPD(Phase Resolved Partial Discharge)에서 추출한 각종 변수들을 사용한다. 이 변수들의 예로서 위상 분해된(Phase resolved) 방전 펄스의 숫자 또는 방전신호의 크기, 그리고 왜도(skew)나 첨도(kurtosis)와 같은 다양한 통계적 변수들이 있다. 이와 같은 입력벡터는 방전신호의 전력기기에 대한 인가전압 위상정보 및 방전신호의 크기를 직, 간접적으로 사용하고 있다.
그러나 고전압 전력기기(100)에 대해서 이동형 극초단파 부분방전 측정기를 이용해 방전신호를 측정할 경우 고전압 전력기기(100)에 인가되는 위상정보를 간단하게 제공받기 곤란한 경우가 발생한다. 즉, 인가전압(200)의 위상정보를 모르거나 부분방전이 발생한 위치의 전원상을 모를 경우 일반적으로 극초단파 부분방전측정기(130)는 고전압 전력기기(100)의 인가전압(200)의 위상(240)이 아니라 부분방전측정기(130)의 전원 위상을 고전압 전력기기(100)에 인가되는 전압의 위상으로 가정하고 측정하는데 이럴 경우 기존의 신경망 회로는 잘못된 방전원인을 추론할 수 있다. 이럴 경우 기존의 기술에 의한 신경망 회로는 잘못 추론된 방전원인을 사용자에게 전달하기 때문에 사용자가 적절한 조치를 취하기 힘들게 되는 문제점이 있다.
또한 온라인(on-line)으로 설치된 부분방전 측정 시스템의 경우에도 삼상일괄형 GIS나 변압기, 3상 전동기와 같이 여러 상이 동시에 존재하는 고전압 전력기기(100)에 대해서 각각의 상에 대해 훈련시키지 않으면 정확한 추론결과를 도출하기 힘들게 되는 문제점이 있다.
또한 방전신호의 크기를 신경망 회로의 입력벡터로 이용할 경우 같은 방전원이라도 센서와 방전원의 거리, 신호취득장치의 특성에 따라 다양한 크기의 방전신호를 획득할 수 있기 때문에 신경망 회로를 훈련할 때에도 다양한 크기의 방전신호를 사용해야 하는 번거로움이 있다. 특히 방전신호 취득장치 내에 존재하는 각종 증폭기의 이득을 바꿀 경우 동일한 방전신호에 대해 측정된 신호의 크기가 바뀔 수 있으므로 이를 감안하여 신경망회로를 재훈련시켜야 하는 단점이 있다.
본 발명의 목적은 상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로서, 가스절연 개폐장치(GIS), 변압기, 전동기, 전력용 케이블 등 고전압 전력기기에서 발생하는 부분방전신호의 원인을 자동으로 추론해 주는 다양한 종류의 신경망회로용 입력벡터를 생성하고 이를 이용하여 부분방전이 발생하는 상을 유추할 수 있는 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 제공하는 데 있다.
본 발명의 다른 목적은 가스절연 개폐장치(GIS), 변압기, 전동기, 전력용 케이블과 같은 고전압 전력기기에서 고장의 전조로 발생하는 부분방전을 측정하여 전력기기의 고장을 사전에 예방함에 있어서, 측정된 부분방전 신호로부터 신경망 회로를 이용해 자동으로 방전을 일으키는 원인을 알려주는, 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 제공하는데 있다.
본 발명의 또다른 목적은, 위상정보와 무관한 입력벡터를 사용함으로써 고전압 전력기기에 인가되는 전원의 위상정보를 얻을 수 없는 상황에서도 부분방전의 원인을 추론할 수 있음은 물론 방전이 발생한 장소에 인가되는 전원의 상을 유추할 수 있는, 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 제공하는 데 있다.
본 발명의 또다른 목적은, 방전신호의 크기에 대한 정보를 이용하지 않는 신경망회로의 입력벡터를 생성함으로써 데이타 취득회로의 증폭기나 신호감쇄기의 특 성이 다른 부분방전 측정장치에서 측정된 신호의 해석에도 같은 신경망 회로를 사용할 수 있는, 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 제공하는 데 있다.
이하, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 이 발명을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 이 발명의 가장 바람직한 실시예를 첨부된 도면을 참조로 하여 상세히 설명하기로 한다. 이 발명의 목적, 작용, 효과를 포함하여 기타 다른 목적들, 특징점들, 그리고 동작상의 이점들이 바람직한 실시예의 설명에 의해 보다 명확해질 것이다.
참고로, 여기에서 개시되는 실시예는 여러가지 실시가능한 예중에서 당업자의 이해를 돕기 위하여 가장 바람직한 실시예를 선정하여 제시한 것일 뿐, 이 발명의 기술적 사상이 반드시 이 실시예에만 의해서 한정되거나 제한되는 것은 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위내에서 다양한 변화와 부가 및 변경이 가능함은 물론, 균등한 타의 실시예가 가능함을 밝혀 둔다.
도 3은 이 발명의 일실시예에 따른 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 설명하기 위한 Φn:Φn-1:N 가시화 방법으로 표현된 부분방전 신호의 예시도이고, 도 4는 이 발명의 일실시예에 따른 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법을 설명하기 위한 변형 Φn:Φn-1:N 가시화 방법으로 표현된 부분방전 신호의 예시도이다.
도 3 및 도 4에 도시되어 있는 바와 같이 이 발명의 일실시예에 따른 부분방 전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법의 구성은, GIS, 변압기, 전력용 케이블, 회전기기 등 고전압 전력기기에서 발생하는 부분방전신호의 원인을 자동으로 추론해 주는 다층 퍼셉트론(perceptron) 구조나 셀프 오거나이제이션 맵(self organization map) 등 다양한 종류의 신경망회로에 사용되는 입력벡터에 있어서, 부분방전 측정장치로부터 측정된 방전신호를 이용해 Φn : Φn-1 : N 그래프를 생성하는 단계와, 상기한 Φn : Φn-1 : N 그래프의 우하면을 좌상면의 위로 이동을 시킴으로써 Φn : Φn-1 : N 그래프로 변환하는 단계와, 신경망 회로의 입력벡터로 사용할 위상상관합을 추출하는 단계와, 신경망 회로의 입력벡터로 사용할 위상무관합을 추출하는 단계와, 상기한 위상무관합을 신경망 회로의 입력벡터로서 입력시키는 단계를 포함하여 이루어진다.
이 발명의 구성은, 상기한 위상상관합과 위상무관합을 신경망 회로의 입력벡터로서 입력시키는 단계를 포함하여 이루어지면 더욱 바람직하다.
이 발명의 구성은, 방전신호로부터 구한 위상상관합 및 이를 각각 120도, 240도씩 위상을 이동시킨 위상상관합을 참조(reference) 위상무관합의 모양과 비교하여 방전신호가 발생한 곳에 인가된 전원의 상을 알아내는 더 단계를 포함하여 이루어지면 바람직하다.
이 발명의 구성은, 방전신호로부터 구한 위상상관합 및 이를 각각 120도, 240도씩 위상을 이동시킨 위상상관합을 참조(reference) 위상무관합과의 곱을 적분한 면적이 가장 큰 위상상관합을 참조 위상무관합과 가장 유사한 위상무관합으로 선별하는 단계를 더 포함하여 이루어지면 바람직하다.
이 발명의 구성은, 방전신호로부터 구한 위상상관합 및 이를 각각 120도, 240도씩 위상을 이동시킨 위상상관합을 참조(reference) 위상무관합과의 상호상관(cross correlation)을 구하여 방전신호가 발생한 곳에 인가된 전원의 상을 알아내는 단계를 더 포함하여 이루어지면 바람직하다.
상기한 구성에 의한, 이 발명의 일실시예에 따른 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법의 작용은 다음과 같다.
본 발명은, 부분방전신호로부터 방전신호의 크기 및 인가전압에 위상정보가 포함되지 않은 입력벡터를 추출한 후, 이를 이용한 신경망회로를 통해 고전압 전력기기에 인가되는 전압의 위상정보가 없는 상황에서도 부분방전의 원인을 자동으로 추론할 수 있게 하고, 또한 상기한 두 입력벡터의 경우 방전신호의 크기에 대한 정보를 사용하지 않았기 때문에 신호 크기를 고려해 신경망회로를 훈련할 필요가 없으며, 또한 고전압 전력기기에 여러 상의 전력이 인가될 경우 추론된 부분방전 원인과 위상정보가 포함된 입력벡터를 생성하여 부분방전이 발생하는 상을 유추할 수 있다.
본 발명은 정확한 방전원인을 추론하기 위한 신경망 회로의 입력벡터를 생성하기 위한 것으로서, 도 2에 도시되어 있는 바와 같은 기본 방전신호에 관한 정보 중 방전시간(220)은 아주 작은 값에서부터 아주 큰 값을 가질 수 있으므로 규격화하기 곤란하고, 방전신호의 크기(230)는 신경망회로 훈련 시 고려할 점이 많기 때문에, 인가전압의 위상(240)만을 이용해 신경망 회로의 입력벡터를 생성하게 된다.
입력벡터를 만들기 위해 먼저 방전 시 인가전압 위상(240) Φ를 이용해, 도 3에 도시되어 있는 바와 같이, "Φn : Φn-1 : N 가시화 방법"에 의한 방전 유형을 만ㄷ든다.
상기한 "Φn : Φn-1 : N 가시화 방법"은 연속하는 두 방전신호의 인가전압 위상관계를 표현한 것으로서, 도 2에 도시되어 있는 바와 같은 연속하는 방전신호(210)가 있을 때, 처음 연속하는 방전신호에서 선행 방전신호의 인가전압 위상 Φn-1를 x축으로 하고, 후행하는 방전신호의 인가전압 위상 Φn를 y 축으로 하는 2차원 그래프의 (Φn-1, Φn) 좌표에 점(300)을 표시한다. 그 다음 연속하는 두 방전신호에 대한 인가전압의 위상에 해당하는 (Φn, Φn+1)에 점(310)을 찍는다.
이러한 방법으로 일정시간(T)동안 발생하는 부분방전에 대해서 인가전압 위상에 해당하는 좌표에 점을 표시한 후, 각 좌표에 대해 표시된 점의 갯수(Number)를 색좌표(320)로 도시하면 도 3에 도시되어 있는 바와 같은 “Φn : Φn-1 : N 가시화 방법”에 의한 방전 유형을 만들 수 있다. 이때 점의 개수는 일정시간동안 표시된 점의 밀도로 바꾸어 표현할 수 있다.
이러한 “Φn : Φn-1 : N 가시화 방법"에 의한 방전유형은 방전원인별로 모양이 크게 달라 방전원별 구별가능한 입력벡터의 생성을 비교적 쉽게 할 수 있으며, x축 및 y축은 모두 위상축이므로 0도 에서 360도 이내의 크기로 규격화 되어 있다.
위상정보가 배제된 입력벡터를 얻기 위해 도 3을 변형시킬 필요가 있는데, 도 3의 우하면(330)을 좌상면(340)의 위로 이동을 시키면 도 4에 도시되어 있는 바와 같은 그래프(400)로 변형시킬 수 있으며 이런 가시화 방법을 “변형 Φn : Φn- 1 : N 가시화 방법”이라 한다.
도 4에 도시되어 있는 "변형 Φn : Φn-1 : N 가시화 방법" 그래프에서 X'축에 대해 Y'축의 방전횟수를 합산하면 주어진 Φn-1에서 발생한 방전횟수에 관한 그래프를 구할 수 있는데, 이 합산은 위상정보를 가지고 있으므로 본 발명에서는 이를 위상상관합(Phase Independent Sum) (410)이라 명명한다.
도 4에서 Y'축을 이동하면서 X'축 방향으로 합산을 하면 합산된 각 점은 Φn축 및 Φn-1축 상에서 특정 위상이 아닌 서로 다른 위상에 해당하는 방전횟수를 합산한 값이 되므로 위상정보가 없는 방전횟수에 관한 그래프를 구할 수 있다. 이를 본 발명에서는 위상무관합(Phase Independent Sum) (420)이라 명명한다.
상기한 위상관계합(410)과 위상무관합(420)은 방전횟수와 관련된 변수로서 항상 양수이다.
도 5는 일반적인 다층 신경망 회로의 한 예로서, 도 5에 도시되어 있는 바와 같이 일반적인 다층 신경망 회로의 구성은, 측정한 방전신호로부터 추출한 입력벡터(500)와 퍼셉트론(perceptron)과 같은 판단을 위한 뉴런(연산자)으로 구성된 1차층(510) 및 N 차층(520), 그리고 전력기기의 이상원인을 표시하는 신경망 회로의 출력벡터(540)를 연산하는 출력층(530) 및 각 층을 연결하는 시냅스(550)를 포함하여 이루어진다.
상기한 바와 같은 다층 신경망 회로의 입력벡터로서 위상무관합(420)을 사용하면 방전신호의 크기와 인가전압의 위상에 관한 정보를 사용하지 않기 때문에 부분방전 신호 측정장치에서 인가전압 위상정보를 측정하지 않아도 비교적 정확한 이 상원인을 추론할 수 있다.
또한, 상기한 바와 같은 다층 신경망 회로의 입력벡터로서 위상무관합(420)을 사용하면 크기 정보를 사용하지 않기 때문에 특정 신호취득장치에서 측정된 방전신호로 훈련된 신경망 회로를 재훈련 없이 신호증폭특성이 다른 부분방전 신호취득장치에도 사용할 수 있다.
그리고, 입력벡터로서 위상상관합(410)과 위상무관합(420)을 같이 사용하는 신경망 회로의 경우 인가전압의 위상정보를 신경망 회로에서 사용하기 때문에 비록 위상정보를 취득할 수 없는 상황에서 부정확한 추론결과를 보일 수 있으나, 위상정보를 취득할 수 있는 경우 위상무관합(420)만을 사용한 신경망 회로보다 더 많은 방전정보를 사용하므로 높은 인식율을 보인다.
또한, 위상상관합(410)과 위상무관합(420)을 이용하여 여러 상의 전원이 인가된 고전압 전력기기에서 방전이 발생하는 상에 대한 별도 정보 없이도 방전 발생개소에 걸리는 전압의 상을 유추할 수 있다.
예를들어, A, B, C 상이 동시에 존재하는 삼상일괄형 GIS에서 B 상에 부분방전이 발생하고, A 상에 동기된 부분방전 측정장치를 사용해 방전신호를 측정하는 경우를 설명하면 다음과 같다.
먼저 방전신호로부터 위상상관합(600)과 위상무관합을 각각 추출한 뒤, 방전신호의 위상무관합을 사용한 신경망 회로를 통해 방전원인을 추론한다.
다음에, 추론된 방전원인에 대해 신경망 회로 훈련시 사용하는 참조(reference) 위상무관합(630)을 방전신호로부터 구한 위상상관합(600) 및 이를 각 각 120도, 240도씩 위상을 이동시킨 위상상관합(610, 620)의 모양과 비교한다.
이때 참조 위상무관합(630)과 가장 유사한 모양은 120도 위상이동한 위상상관합(610)이며, 따라서 부분방전 측정장치가 동기한 A상 보다 뒤진 120도 위상이 앞선 B상에서 부분방전이 발생함을 알 수 있다. 이와 같은 방법으로 부분방전 발생위치의 인가전압 상을 알 수 있다.
이 경우에, 측정신호의 위상상관합(600)과 이를 각각 120도, 240도씩 위상이동시킨 위상상관합(610, 620)의 참조 위상무관합(630)에 대한 유사성을 수치로 표시할 수 있는 방법들이 여러가지가 있는데, 이중에서 가장 간단한 방법은 두 위상상관합을 곱하는 방법이다. 이 방법에 의하면, 두 위상상관합의 모양이 비슷할수록 곱을 적분한 값(위상상관합 곱의 곡선에 대한 면적)이 커진다.
상기한 예에서, 위상무관합(600) 및 위상이동시킨 위상상관합(610, 620)에 대한 참조 위상무관합(630)과의 곱을 적분한 면적(640,650,660)이 가장 큰 120도 위상 이동한 위상상관합(650)이 참조 위상무관합(630)과 가장 유사한 위상무관합이 된다.
또한 상호 상관(cross correlation) 등의 방법으로도 위상을 유추할 수 있다.
이상의 실시예에서 살펴 본 바와 같이 이 발명은, 위상무관합을 이용한 신경망 회로를 사용함으로써 고전압기기의 인가전압 위상정보를 사용하지 않기 때문에 현장에서 부분방전 측정시 PT나 분압기의 등으로부터 위상신호를 입력받지 않고 부 분방전을 측정하므로 측정을 위해 준비하는 시간을 줄이고, 측정비용을 절감할 수 있음은 물론 방전원인에 대한 신뢰도 높은 추론결과를 얻을 수 있으며. 부분방전신호의 크기정보를 포함하지 않은 방전유형으로부터 신경망 회로의 입력벡터를 추출하기 때문에 증폭기나 신호감쇄기의 특성이 상이한 다른 부분방전 측정장치서도 동일한 신경망 회로를 사용할 수 있으며, 여러 상이 동시에 존재하는 전력기기에서 위상무관합과 위상상관합을 이용해 부분방전이 발생하는 부위의 전원상을 알 수 있어 부분방전 위치추적이 용이하므로 전력기기 이상에 대한 사후 조치에 유리한, 효과를 갖는다.
Claims (5)
- GIS, 변압기, 전력용 케이블, 회전기기 등 고전압 전력기기에서 발생하는 부분방전신호의 원인을 자동으로 추론해 주는 다층 퍼셉트론(perceptron) 구조나 셀프 오거나이제이션 맵(self organization map) 등 다양한 종류의 신경망회로에 사용되는 입력벡터에 있어서,부분방전 측정장치로부터 측정된 방전신호를 이용해 Φn : Φn-1 : N 그래프를 생성하는 단계;상기한 Φn : Φn-1 : N 그래프의 우하면을 좌상면의 위로 이동을 시킴으로써 Φn : Φn-1 : N 그래프로 변환하는 단계;신경망 회로의 입력벡터로 사용할 위상상관합을 추출하는 단계;신경망 회로의 입력벡터로 사용할 위상무관합을 추출하는 단계; 및상기한 위상무관합을 상기한 신경망 회로의 입력벡터로서 입력시키는 단계를 포함하여 이루어지는 것을 특징으로 하는 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법.
- 제 1항에 있어서,상기한 위상상관합과 위상무관합을 신경망 회로의 입력벡터로서 입력시키는 단계를 포함하여 이루어지는 것을 특징으로 하는 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법.
- 제 1항 또는 제 2항에 있어서,방전신호로부터 구한 위상상관합 및 이를 각각 120도, 240도씩 위상을 이동시킨 위상상관합을 참조(reference) 위상무관합의 모양과 비교하여 방전신호가 발생한 곳에 인가된 전원의 상을 알아내는 더 단계를 포함하여 이루어지는 것을 특징으로 하는 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법.
- 제 1항 또는 제 2항에 있어서,방전신호로부터 구한 위상상관합 및 이를 각각 120도, 240도씩 위상을 이동시킨 위상상관합을 참조(reference) 위상무관합과의 곱을 적분한 면적이 가장 큰 위상상관합을 참조 위상무관합과 가장 유사한 위상무관합으로 선별하는 단계를 더 포함하여 이루어지는 것을 특징으로 하는 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법.
- 제 1항 또는 제 2항에 있어서,방전신호로부터 구한 위상상관합 및 이를 각각 120도, 240도씩 위상을 이동시킨 위상상관합을 참조(reference) 위상무관합과의 상호상관(cross correlation)을 구하여 방전신호가 발생한 곳에 인가된 전원의 상을 알아내는 단계를 더 포함하여 이루어지는 것을 특징으로 하는 부분방전 원인 자동 추론용 신경망 회로의 입력벡터 생성방법.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020050101969A KR100729107B1 (ko) | 2005-10-27 | 2005-10-27 | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 |
| GB0600677A GB2431726B (en) | 2005-10-27 | 2006-01-13 | Input vector formation method of neural networks for auto-identification of partial discharge source |
| JP2006027771A JP4244353B2 (ja) | 2005-10-27 | 2006-02-03 | 部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法 |
| DE102006008482A DE102006008482B4 (de) | 2005-10-27 | 2006-02-23 | Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur Auto-Identifikation einer partiellen Entladungsquelle |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020050101969A KR100729107B1 (ko) | 2005-10-27 | 2005-10-27 | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20070045558A true KR20070045558A (ko) | 2007-05-02 |
| KR100729107B1 KR100729107B1 (ko) | 2007-06-14 |
Family
ID=37912931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020050101969A KR100729107B1 (ko) | 2005-10-27 | 2005-10-27 | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP4244353B2 (ko) |
| KR (1) | KR100729107B1 (ko) |
| DE (1) | DE102006008482B4 (ko) |
| GB (1) | GB2431726B (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100853725B1 (ko) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Ｐｒｐｓ 알고리즘을 이용한 가스절연부하개폐장치의부분방전 원인분석 방법 및 그 장치 |
| KR100919293B1 (ko) * | 2008-09-24 | 2009-10-01 | 주식회사 케이디파워 | 전기 시스템의 직렬아크 검출장치 및 방법 |
| KR20190073780A (ko) | 2017-12-19 | 2019-06-27 | 한국전력공사 | 전력설비 기자재 불량 검출 장치, 시스템 및 방법이 기록된 컴퓨터 판독가능 기록 매체 |
| KR102089187B1 (ko) * | 2018-12-11 | 2020-03-13 | 한국전력공사 | 전력케이블 접속함 진단 시스템 및 방법 |
| KR20220036126A (ko) * | 2020-09-15 | 2022-03-22 | 한국전력공사 | 센서 데이터 활용 부분 방전 감지 시스템 및 방법 |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101051099B1 (ko) * | 2008-09-30 | 2011-07-21 | 한국전력공사 | 고전압 전력 기기의 극 초단파 부분 방전 및 방전위치 측정장치 |
| CN102221651B (zh) * | 2011-03-11 | 2015-05-27 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
| US20120330871A1 (en) * | 2011-06-27 | 2012-12-27 | Asiri Yahya Ahmed | Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment |
| FR2981457B1 (fr) * | 2011-10-12 | 2015-04-03 | Michel Gaeta | Procede et dispositif de detection d'un dysfonctionnement dans un reseau electrique |
| CN104391184B (zh) * | 2014-11-12 | 2017-04-12 | 珠海市齐飞信息技术有限公司 | 台变缺相检测和示警装置及方法 |
| CN105334436B (zh) * | 2015-10-30 | 2018-08-10 | 山东电力研究院 | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 |
| CN105606976B (zh) * | 2016-03-09 | 2018-09-18 | 国家电网公司 | 一种用于gis局部放电特高频在线监测的抗干扰方法 |
| JP6553303B2 (ja) * | 2016-09-01 | 2019-07-31 | 株式会社東芝 | 部分放電監視システム |
| US11656279B2 (en) | 2017-10-16 | 2023-05-23 | Hitachi Energy Switzerland Ag | Method for monitoring circuit breaker and apparatus and internet of things using the same |
| CN108896857B (zh) * | 2018-07-06 | 2020-12-01 | 北京四方继保自动化股份有限公司 | 一种基于深度学习的变压器复杂工况识别方法 |
| KR102183305B1 (ko) | 2018-08-03 | 2020-11-26 | 국민대학교산학협력단 | 신경망 피처 벡터 결정 장치 및 방법 |
| CN110096723B (zh) * | 2019-01-22 | 2023-05-16 | 国网山西省电力公司长治供电公司 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
| CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
| KR102289411B1 (ko) | 2019-08-27 | 2021-08-12 | 국민대학교산학협력단 | 가중치 기반의 피처 벡터 생성 장치 및 방법 |
| KR102269652B1 (ko) | 2019-09-24 | 2021-06-25 | 국민대학교산학협력단 | 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치 및 방법 |
| KR102289401B1 (ko) | 2019-10-14 | 2021-08-12 | 국민대학교산학협력단 | 라벨 정보가 포함된 특징 벡터 생성 장치 및 방법 |
| CN111707915B (zh) * | 2020-07-10 | 2022-10-14 | 中车唐山机车车辆有限公司 | 基于牵引电机局部放电的在线绝缘评估方法及装置 |
| KR20230165650A (ko) | 2022-05-27 | 2023-12-05 | 국민대학교산학협력단 | 그래프 랜덤워크 기반 보안관제 이벤트 분석 장치 및 방법 |
| CN115453286B (zh) * | 2022-09-01 | 2023-05-05 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5260871A (en) * | 1991-07-31 | 1993-11-09 | Mayo Foundation For Medical Education And Research | Method and apparatus for diagnosis of breast tumors |
| DE4333259C1 (de) * | 1993-09-27 | 1995-05-24 | Siemens Ag | Verfahren zum Erzeugen eines die Richtung eines Kurzschlußstromes angebenden Richtungssignals |
| JP3201959B2 (ja) * | 1996-09-03 | 2001-08-27 | 古河電気工業株式会社 | 部分放電測定方法 |
| US6650779B2 (en) * | 1999-03-26 | 2003-11-18 | Georgia Tech Research Corp. | Method and apparatus for analyzing an image to detect and identify patterns |
| GB0104763D0 (en) * | 2001-02-27 | 2001-04-18 | Smiths Group Plc | Arc detection |
| KR200487036Y1 (ko) * | 2017-09-22 | 2018-08-28 | 동서위생 주식회사 | 화장 솜 |
-
2005
- 2005-10-27 KR KR1020050101969A patent/KR100729107B1/ko active IP Right Grant
-
2006
- 2006-01-13 GB GB0600677A patent/GB2431726B/en not_active Expired - Fee Related
- 2006-02-03 JP JP2006027771A patent/JP4244353B2/ja not_active Expired - Fee Related
- 2006-02-23 DE DE102006008482A patent/DE102006008482B4/de not_active Expired - Fee Related
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100853725B1 (ko) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Ｐｒｐｓ 알고리즘을 이용한 가스절연부하개폐장치의부분방전 원인분석 방법 및 그 장치 |
| KR100919293B1 (ko) * | 2008-09-24 | 2009-10-01 | 주식회사 케이디파워 | 전기 시스템의 직렬아크 검출장치 및 방법 |
| KR20190073780A (ko) | 2017-12-19 | 2019-06-27 | 한국전력공사 | 전력설비 기자재 불량 검출 장치, 시스템 및 방법이 기록된 컴퓨터 판독가능 기록 매체 |
| KR102089187B1 (ko) * | 2018-12-11 | 2020-03-13 | 한국전력공사 | 전력케이블 접속함 진단 시스템 및 방법 |
| KR20220036126A (ko) * | 2020-09-15 | 2022-03-22 | 한국전력공사 | 센서 데이터 활용 부분 방전 감지 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4244353B2 (ja) | 2009-03-25 |
| GB0600677D0 (en) | 2006-02-22 |
| GB2431726A (en) | 2007-05-02 |
| JP2007124880A (ja) | 2007-05-17 |
| DE102006008482A1 (de) | 2007-05-03 |
| DE102006008482B4 (de) | 2010-10-07 |
| KR100729107B1 (ko) | 2007-06-14 |
| GB2431726B (en) | 2010-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100729107B1 (ko) | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 | |
| EP3776113B1 (en) | Apparatus and method for controlling system | |
| US11092952B2 (en) | Plant abnormality detection method and system | |
| Ghate et al. | Cascade neural-network-based fault classifier for three-phase induction motor | |
| CN107703920B (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
| Ji et al. | Soft fault diagnosis of analog circuits based on a ResNet with circuit spectrum map | |
| EP0572767A2 (en) | Monitoring diagnostic apparatus using neural network | |
| US11934184B2 (en) | Automated analysis of non-stationary machine performance | |
| Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
| KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
| Vamsi et al. | Random forest based real time fault monitoring system for industries | |
| Dervilis et al. | Robust methods for outlier detection and regression for SHM applications | |
| Shakiba et al. | Generalized fault diagnosis method of transmission lines using transfer learning technique | |
| Cordova et al. | Shape-based data analysis for event classification in power systems | |
| Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors | |
| Fornás et al. | Detection and classification of fault types in distribution lines by applying contrastive learning to GAN encoded time-series of pulse reflectometry signals | |
| Islam et al. | A wavelet approach for precursor pattern detection in time series | |
| Dwiputranto et al. | Machinery equipment early fault detection using Artificial Neural Network based Autoencoder | |
| Petladwala et al. | Canonical correlation based feature extraction with application to anomaly detection in electric appliances | |
| CN110320802A (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
| KR101137318B1 (ko) | 반도체 장치의 고장 진단시스템 및 방법 | |
| Wu et al. | Hilbert ID considering multi-window feature extraction for transformer deep vision fault positioning | |
| Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location using Machine Learning | |
| Diefenthäler et al. | Artificial neural networks: modeling and comparison to detect high impedance faults | |
| Seitz et al. | Towards Generalizable Classification of Partial Discharges in Gas-Insulated HVDC Systems using Neural Networks: Protrusions and Particles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20130603 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20140602 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20150601 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20160601 Year of fee payment: 10 |
|
| FPAY | Annual fee payment |
Payment date: 20170601 Year of fee payment: 11 |
|
| FPAY | Annual fee payment |
Payment date: 20180530 Year of fee payment: 12 |
|
| FPAY | Annual fee payment |
Payment date: 20190529 Year of fee payment: 13 |
|
| R401 | Registration of restoration |