KR20090027923A - Phase-independent GIS partial discharge diagnostic technique - Google Patents
Phase-independent GIS partial discharge diagnostic technique Download PDFInfo
- Publication number
- KR20090027923A KR20090027923A KR1020070093125A KR20070093125A KR20090027923A KR 20090027923 A KR20090027923 A KR 20090027923A KR 1020070093125 A KR1020070093125 A KR 1020070093125A KR 20070093125 A KR20070093125 A KR 20070093125A KR 20090027923 A KR20090027923 A KR 20090027923A
- Authority
- KR
- South Korea
- Prior art keywords
- partial discharge
- phase
- independent
- neural network
- network algorithm
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—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
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing Relating To Insulation (AREA)
Abstract
본 발명은 위상 독립형 GIS 부분방전 진단기법을 개시한다. 개시된 위상 독립형 GIS 부분방전 진단기법은 부분방전 데이터의 위상 독립적인 특징량을 추출하기 위해, 부분방전 데이터의 각 행의 합을 통해 행 벡터를 구성하고, 상기 행 벡터로부터 상기 행 벡터의 0°∼360°범위 내에서, 평균, 공분산, 왜도, 첨도 등과 같은 위상 독립형 특징량을 추출하는 제 1단계; 부분방전 데이터의 주기 독립적인 특징량을 추출하기 위해, 상기 부분방전 데이터의 각 열의 합을 통해 열 벡터를 추가로 구성하고, 상기 열 벡터로부터 평균, 공분산, 왜도, 첨도 등과 같은 주기 독립형 특징량을 추가로 추출하는 제 2단계; 상기 제 1단계 및 제 2단계에서 추출된 부분방전 데이터의 위상 독립적인 특징량 데이터들을, "다단계 신경망 알고리즘"에 입력변수로 적용하여 부분방전 결함 원을 자동 추론하는 제 3단계를 포함한다. 본 발명에 의하면, 부분방전 위상 정보 없이도 결함 원의 자동추론이 가능하도록 새로운 벡터를 구성하고 특징량 추출을 수행할 수 있고, "다단계 신경망 알고리즘"을 통해 자동추론 알고리즘의 신뢰성 및 정확성을 향상시킬 수 있다.The present invention discloses a phase independent GIS partial discharge diagnostic technique. The disclosed phase-independent GIS partial discharge diagnostic technique constructs a row vector through the sum of each row of the partial discharge data, and extracts 0 ° to 0 ° of the row vector from the row vector in order to extract the phase independent feature amount of the partial discharge data. A first step of extracting phase independent feature quantities such as mean, covariance, skewness, kurtosis, etc. within a 360 ° range; In order to extract the period-independent feature of the partial discharge data, a column vector is further configured through the sum of the columns of the partial discharge data, and the period-independent feature quantities such as mean, covariance, skewness, kurtosis, and the like from the column vector. Extracting a second step; And a third step of automatically inferring a partial discharge defect source by applying phase-independent feature data of the partial discharge data extracted in the first and second steps as an input variable to the "multilevel neural network algorithm". According to the present invention, it is possible to construct a new vector and perform feature extraction to enable automatic inference of a defect source without partial discharge phase information, and improve the reliability and accuracy of the automatic inference algorithm through a "multilevel neural network algorithm". have.
Description
본 발명은 위상 독립형 GIS 부분방전 진단기법에 관한 것으로, 좀더 상세하게는 GIS 내부의 부분방전 결함 원을 자동으로 추론할 수 있는 위상 독립형 GIS 부분방전 진단기법에 관한 것이다.The present invention relates to a phase-independent GIS partial discharge diagnostic technique, and more particularly, to a phase-independent GIS partial discharge diagnostic technique capable of automatically inferring a partial discharge defect source in a GIS.
전기 에너지의 중요성은 아무리 강조해도 지나치지 않을 정도로 오늘날 전기 에너지는 다양한 산업 분야에서 널리 이용되고 있다.The importance of electrical energy cannot be overemphasized. Today, electrical energy is widely used in various industries.
이와 같은 전기 에너지는 전력 계통(Electric Power System)이라 불리는 시스템을 통하여 생산되고 수송된다. 다양한 형태의 발전소에서 생산된 전기 에너지는 고압 송전 설비와 변전소를 거쳐 배전 설비에 전달되고, 배전 설비는 전Such electrical energy is produced and transported through a system called Electric Power System. Electrical energy produced by various types of power plants is transferred to the power distribution facilities via high-voltage power transmission facilities and substations.
달 받은 전기 에너지를 다시 각 수용가에 공급하는 역할을 수행한다. 수용가는 배전선로를 통해 배전 설비로부터 공급받은 전기 에너지를 이용하여 다양한 전기 장치를 이용하게 된다. 발전소에서 생산된 전기 에너지는 전송에 따른 손실을 최소화하기 위해 고압의 신호로 송전 된다. 그러나 송전선을 따라 흐르는 수십 ~ 수백 kV 에 이르는 고압의 전기 신호는 각 수용가에서 직접 사용하기에는 지나치게 전압이 높아, 가정 또는 공장에서 사용 가능한 낮은 전압의 신호로 변환될 필요가 있다.It is responsible for supplying each customer with the received electric energy again. Consumers use various electrical devices by using electrical energy supplied from distribution facilities through distribution lines. The electrical energy produced at the power plant is transmitted by high voltage signals to minimize transmission losses. However, high-voltage electrical signals ranging from tens to hundreds of kV along the transmission line are too high for each consumer to use and need to be converted to low-voltage signals that can be used in homes or factories.
이와 같은 역할을 하는 것이 변전소(Substation)이다. 변전소는 송전선로(Transmission Line)와 배전선로(Distribution Line)의 사이에 위치하여, 높은 송전 전압을 낮은 배전 전압으로 변환시켜 준다. 변전소에는 송전선로와 배전선로를 연결하거나 분리하기 위한 개폐장치(Switchgear)가 설치되어 있는데, 이를 배전선로 개폐장치라고 한다. 배전선로 개폐장치는 그 종류에 따라 유압식, 자기식, 공기식 등으로 나뉘며, 특히 절연 내력이 우수한 SF 6 가스를 이용하는 가스 절연 개폐장치(GIS: Gas Insulated Switchgear)가 널리 쓰이고 있다. 그러나 아무리 뛰어난 절연 성능이 있다고 해도 전력 계통의 특성상 한 번의 절연 사고가 미치는 사회적 혼란 또는 경제적 손실 등의 파급 효과가 워낙 크기 때문에 절연 사고 예방을 위해 철저한 점검이 필수적이다. 특히, 전력 수요의 증가와 인구의 대도시 집중화에 따른 수송 설비 확충의 필요성이 갈수록 커지고 있어, 전력 설비의 규모와 용량이 점점 커가고 있는 실정이다.Substations play this role. The substation is located between a transmission line and a distribution line, and converts a high transmission voltage into a low distribution voltage. The substation is equipped with a switchgear (Switchgear) for connecting or disconnecting the transmission line and the distribution line, this is called the distribution line switchgear. Distribution line switchgear is divided into hydraulic, magnetic, pneumatic, etc., and in particular, gas insulated switchgear (GIS) using SF 6 gas having excellent insulation strength is widely used. However, no matter how excellent the insulation performance is, due to the characteristics of the power system, the ripple effect such as social disruption or economic loss caused by one insulation accident is so great that a thorough check is necessary to prevent the insulation accident. In particular, the necessity of expanding transportation facilities due to the increase in power demand and concentration of large cities is increasing, and the size and capacity of power facilities are increasing.
그러나 곳곳에 산재해 있는 대용량 전력 설비를 인력으로 점검하는 것은 완벽을 기해야 하는 사고 예방 점검에 적합하지 않을뿐더러 사실상 불가능하다. 이에 따라, 배전선로 개폐장치의 가장 대표적인 열화 원인인 부분방전 현상을 자동으로 감지하기 위한 기술에 대한 연구가 널리 이루어지고 있다.However, manpower inspections of large-scale power plants scattered throughout are not only suitable for accident prevention checks that must be perfected, but also virtually impossible. Accordingly, researches on a technique for automatically detecting a partial discharge phenomenon, which is the most representative cause of deterioration of a switchgear of a distribution line, have been widely conducted.
부분방전(PD: Partial Discharge)이란 높은 전압 스트레스 하에서 절연체의 주변 또는 내부를 따라 국부적으로 발생하는 방전 현상을 뜻한다.Partial discharge (PD) is a discharge phenomenon that occurs locally along or around an insulator under high voltage stress.
부분방전은 흔히 자연적으로 형성된 물리적 간극(Void), 또는 개폐장치의 열 화에 따라 부분적으로 갈라진 틈(Crack)에서 흔히 발생한다.Partial discharges often occur in naturally formed physical voids or cracks that are partially cracked due to deterioration of switchgear.
그러나 부분방전 현상은 눈에 보이지 않고 그 유형이 다양해서 검출 자동화가 매우 어렵다. 부분방전은 전력의 누설에 따른 지속적인 전력 손실을 가져오는 것에 더해, 그 효과가 누적될 경우 절연 물질에 비가역적인 물리적 화학적 변화를 가져올 수 있다. 이에 따라 배전선로를 통한 전력 공급을 완전히 중단시키거나, 심각할 경우에는 설비의 폭발을 야기할 수도 있다.However, the partial discharge phenomenon is invisible and various types are difficult to automate detection. Partial discharges can lead to continuous power loss due to leakage of power, and when the effects accumulate, they can cause irreversible physical and chemical changes to the insulating material. This can lead to a complete shutdown of the power supply through the distribution lines or, in serious cases, to the explosion of the installation.
종래 가스절연개폐장치(GIS)의 부분방전 진단방법은, 발생 부분방전의 패턴 분석을 통해서 특징량 데이터인 입력변수를 추출하여 인공 신경망 알고리즘이나 퍼지 기법과 같은 인공지능 기법에 적용하여 그 결과를 추론하는 방식이었다.The partial discharge diagnosis method of the conventional gas insulated switchgear (GIS) extracts the input variable, which is the feature data, through the pattern analysis of the generated partial discharge, and infers the result by applying it to artificial intelligence techniques such as an artificial neural network algorithm or a fuzzy technique. It was the way.
그러나 이러한 종래 가스절연개폐장치의 부분방전 진단방법은 부분 방전 신호의 위상 정보를 이용한 특징량의 선정 및 적용을 위한 위상 동기를 실시하여 단상 가스절연개폐장치의 부분 방전 패턴에 대한 자동 추론만이 가능할 뿐이다.However, the partial discharge diagnosis method of the conventional gas insulated switchgear is only capable of automatic inference about the partial discharge pattern of the single phase gas insulated switchgear by performing phase synchronization for selecting and applying a feature using the phase information of the partial discharge signal. It is only.
종래 부분 방전 진단방법은, 부분방전을 반복 측정한 후, 위상 그래프를 생성시키는 데까지만 처리하며, 그 후는 운용자가 생성된 그래프의 형상을 관측하고 판단함으로써, 주관적인 경험에 의하여 경향을 분석하였다. 따라서, 숙련자가 아닌 경우 정확한 경향 분석이 어려웠다. 더불어, 일정 이상 값이 측정되는 경우 위험을 알(alarm)리고는 있으나, 주변 잡음에 의한 영향으로 오동작하는 경우가 자주 발생하였으며, 경보시 측정값의 평균값을 이용할 수밖에 없기 때문에, 측정 데이터의 현성과 신뢰성이 떨어진다는 문제점이 발생하였다.In the conventional partial discharge diagnosis method, the partial discharge is repeatedly measured and then processed only to generate a phase graph, and then the operator analyzes the trend by subjective experience by observing and determining the shape of the generated graph. Therefore, accurate trend analysis was difficult for the skilled person. In addition, when a certain value is measured, the alarm is notified. However, there are frequent malfunctions due to the influence of ambient noise, and the average value of the measured value can only be used in case of an alarm. There is a problem of low reliability.
따라서, 본 발명은 전술한 문제점을 감안하여 안출된 것으로, 본 발명이 이루고자 하는 기술적 과제는 GIS 인가 전압 위상과 측정기기의 전원 위상을 동기 시킬 수 없는 3상의 일괄 형 부분방전 결함 원을 자동 추론할 수 있는 위상 독립형 GIS 부분방전 진단기법을 제공하는 데에 그 목적이 있다.Accordingly, the present invention has been made in view of the above-described problems, and the technical problem to be achieved by the present invention is to automatically infer a three-phase partial discharge fault source that cannot synchronize the GIS applied voltage phase and the power supply phase of the measuring device. The objective is to provide a phase-independent GIS partial discharge diagnostic technique.
이와 같은 기술적 과제를 구현하기 위한 본 발명의 위상 독립형 GIS 부분방전 진단기법은 부분방전 데이터의 위상 독립적인 특징량을 추출하기 위해, 부분방전 데이터의 각 행의 합을 통해 행 벡터를 구성하고, 상기 행 벡터로부터 상기 행 벡터의 0°∼360°범위 내에서, 평균, 공분산, 왜도, 첨도 등과 같은 위상 독립형 특징량을 추출하는 제 1단계; 부분방전 데이터의 주기 독립적인 특징량을 추출하기 위해, 상기 부분방전 데이터의 각 열의 합을 통해 열 벡터를 추가로 구성하고, 상기 열 벡터로부터 평균, 공분산, 왜도, 첨도 등과 같은 주기 독립형 특징량을 추가로 추출하는 제 2단계; 상기 제 1단계 및 제 2단계에서 추출된 부분방전 데이터의 위상 독립적인 특징량 데이터들을, "다단계 신경망 알고리즘"에 입력변수로 적용하여 부분방전 결함 원을 자동 추론하는 제 3단계를 포함한다.The phase-independent GIS partial discharge diagnostic technique of the present invention for realizing such a technical problem comprises constructing a row vector through the sum of each row of the partial discharge data in order to extract the phase-independent feature of the partial discharge data. A first step of extracting, from a row vector, phase independent feature quantities such as mean, covariance, skewness, kurtosis, etc. within a range of 0 ° to 360 ° of the row vector; In order to extract the period-independent feature of the partial discharge data, a column vector is further configured through the sum of the columns of the partial discharge data, and the period-independent feature quantities such as mean, covariance, skewness, kurtosis, and the like from the column vector. Extracting a second step; And a third step of automatically inferring a partial discharge defect source by applying phase-independent feature data of the partial discharge data extracted in the first and second steps as an input variable to the "multilevel neural network algorithm".
상기 다단계 신경망 알고리즘은 플로팅(Floating: F),코로나(Corona: C), 파티클(Particle: P),보이드(Void: V)를 포함하는 부분방전 결함 원과, 휴대폰 노이즈와 기타 노이즈를 포함하는 노이즈를 각각 독립적인 클래스로 구성하는 것이 바 람직하다.The multi-level neural network algorithm includes a source of partial discharge defects including floating (F), corona (C), particles (P), and voids (V), noise including mobile phone noise and other noises. It is preferable to organize each into independent classes.
상기 제 3단계에서는 상기 부분방전 결함 원과, 상기 노이즈를 출력층으로 하는 "부분방전-노이즈 분류 신경망 알고리즘"을 적용하는 제 1단계; 상기 제 1단계의 "부분방전-노이즈 분류 신경망 알고리즘" 적용 결과를 토대로, 부분방전 결함원인지 노이즈 인지를 판단하는 제 2단계; 상기 제 2단계에서의 판단한 결과, 노이즈로 분류될 경우, "노이즈 분류 신경망 알고리즘"에 적용하여 휴대폰 노이즈와 기타 노이즈로 분류하는 제 3단계; 상기 제 2단계에서의 판단한 결과, 부분방전 결함 원으로 분류될 경우, 상기 플로팅(Floating: F), 코로나(Corona: C), 파티클(Particle: P),보이드(Void: V)의 결함 원들 중에서 어느 하나의 결함 원으로 진단하기 위한 "부분방전(F, C, P, V) 분류 신경망 알고리즘"을 적용하는 제 4단계; 및 상기 제 4단계에서, 상기 코로나(Corona: C) 결함 원으로 분류된 경우, 상기 코로나(Corona: C) 결함원 중에서 부스바 코로나(Busbar corona) 결함원 인지 또는 챔버 코로나(Chamber corona) 결함원 인지를 구별하기 위해, 위상 정보가 포함된 특징량 추출을 통해 "BC-CC 분류 신경망 알고리즘"을 적용하는 제 5단계; 상기 제 4단계에서, 파티클(Particle: P), 보이드(Void: V)의 결함 원으로 분류된 경우, 패턴이 유사한 파티클과 보이드 결함원 진단 결과의 신뢰성을 높이기 위해, 두 가지 결함원 만으로 학습 된 "P-V 분류 신경망 알고리즘"을 적용하는 제 6단계를 포함한다.In the third step, applying a partial discharge-noise classification neural network algorithm using the partial discharge defect source and the noise as an output layer; A second step of determining whether a partial discharge is a defective source or a noise based on a result of applying the “partial discharge-noise classification neural network algorithm” of the first step; A third step of applying the noise classification neural network algorithm to classify the mobile phone noise and other noise when it is classified as noise as a result of the determination in the second step; As a result of the determination in the second step, when classified as a partial discharge defect source, among the defect sources of the floating (F), the corona (C), the particle (P), and the void (Void: V) A fourth step of applying a "partial discharge (F, C, P, V) classification neural network algorithm" for diagnosing any one source of defects; And in the fourth step, when the corona (C) defect source is classified, a busbar corona defect source recognition or a chamber corona defect source among the corona (C) defect sources. A fifth step of applying a "BC-CC classification neural network algorithm" through feature quantity extraction including phase information to distinguish perception; In the fourth step, when classified into defect sources of particles (P) and voids (V), only two defect sources are learned to increase the reliability of particle and void defect source diagnosis results having similar patterns. A sixth step of applying the "PV classification neural network algorithm".
상술한 바와 같이, 본 발명에 의하면, 부분방전 위상 정보 없이도 결함 원의 자동추론이 가능하도록 새로운 벡터를 구성하고 특징량 추출을 수행할 수 있고, "다단계 신경망 알고리즘"을 통해 자동추론 알고리즘의 신뢰성 및 정확성을 향상시킬 수 있다.As described above, according to the present invention, it is possible to construct a new vector and perform feature extraction to enable automatic inference of a defect source without partial discharge phase information, and the reliability and reliability of the automatic inference algorithm through the "multilevel neural network algorithm". It can improve the accuracy.
이하, 첨부한 도면들을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 행 벡터 구성을 보인 도면이고, 도 2는 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 열 벡터 구성을 보인 도면이며, 도 3은 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 위상 독립형 GIS 부분방전 데이터의 특징량 추출을 설명하는 도면이고, 도 4는 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법을 설명하는 흐름도이며, 도 5는 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 위상 독립적인 특징량 데이터들을, "다단계 신경망 알고리즘"에 입력변수로 적용하여 부분방전 결함 원을 자동 추론하는 기법을 설명하는 흐름도이다.1 is a view showing a row vector configuration in the phase-independent GIS partial discharge diagnostic technique according to the present invention, FIG. 2 is a view showing a column vector configuration in the phase-independent GIS partial discharge diagnostic technique according to the present invention. FIG. 3 is a diagram illustrating feature extraction of phase-independent GIS partial discharge data in a phase-independent GIS partial discharge diagnosis method according to the present invention, and FIG. 4 is a diagram illustrating a phase-independent GIS partial discharge diagnosis method according to the present invention. 5 is a flowchart illustrating a method of automatically inferring a partial discharge defect source by applying phase independent feature data as an input variable to a "multilevel neural network algorithm" in a phase-independent GIS partial discharge diagnostic technique according to the present invention. This is a flow chart.
본 발명의 바람직한 실시 예에 따른 위상 독립형 GIS 부분방전 진단기법은 종래의 진단기법과는 달리 부분방전 데이터의 위상 독립적인 특징량을 추출할 수 있다는 점과, 3상 일괄 형 GIS 부분방전 결함원 자동 추론을 위한 다단계 신경망 알고리즘을 적용하는 점을 특징으로 한다.The phase-independent GIS partial discharge diagnostic technique according to the preferred embodiment of the present invention is capable of extracting the phase-independent feature amount of the partial discharge data, unlike the conventional diagnostic technique, and the three-phase batch type GIS partial discharge defect source automatic. It is characterized by applying multi-level neural network algorithm for inference.
우선, 도 1 내지 도 4를 참조하면, 이와 같은 특징을 갖는 본 발명의 위상 독립형 GIS 부분방전 진단기법은 부분방전 데이터의 위상 독립적인 특징량을 추출하기 위해, 부분방전 데이터의 각 행의 합을 통해 행 벡터를 구성하고, 상기 행 벡터로부터 상기 행 벡터의 0°∼360°범위 내에서, 평균, 공분산, 왜도, 첨도 등과 같은 위상 독립형 특징량을 추출하는 제 1단계; 부분방전 데이터의 주기 독립적인 특징량을 추출하기 위해, 상기 부분방전 데이터의 각 열의 합을 통해 열 벡터를 추가로 구성하고, 상기 열 벡터로부터 평균값, 공분산 값, 왜도, 첨도 등과 같은 주기 독립형 특징량을 추가로 추출하는 제 2단계; 상기 제 1단계 및 제 2단계에서 추출된 부분방전 데이터의 위상 독립적인 특징량 데이터들을, "다단계 신경망 알고리즘"에 입력변수로 적용하여 부분방전 결함 원을 자동 추론하는 제 3단계를 포함한다.First, referring to Figures 1 to 4, the phase-independent GIS partial discharge diagnostic technique of the present invention having such a feature, in order to extract the phase-independent feature amount of the partial discharge data, sum the sum of each row of the partial discharge data. A first step of constructing a row vector and extracting phase-independent feature quantities such as mean, covariance, skewness, kurtosis, etc. within the range of 0 ° to 360 ° of the row vector from the row vector; In order to extract the period-independent feature of the partial discharge data, a column vector is further configured through the sum of the columns of the partial discharge data, and the period-independent features such as the mean value, covariance value, skewness, kurtosis, and the like from the column vector. A second step of further extracting the amount; And a third step of automatically inferring a partial discharge defect source by applying phase-independent feature data of the partial discharge data extracted in the first and second steps as an input variable to the "multilevel neural network algorithm".
좀더 상세하게는, 제 1단계에서는 부분방전 데이터의 위상 독립적인 특징량을 추출하기 위해서, M × N(M: 주기, N: 위상의 N분할) 행렬의 형태를 갖는 부분방전 데이터의 각 행의 합을 통해 1 × N 차원의 새로운 형태의 행 벡터를 구성한다. 상기 행 벡터를 이용하여 평균, 공분산, 왜도, 첨도 등과 같은 특징량을 추출하되, 위상 독립적인 특성을 반영시키기 위하여 행 벡터의 모든 범위인 0°∼360°의 값을 이용한다.More specifically, in the first step, in order to extract the phase-independent feature of the partial discharge data, each row of the partial discharge data in the form of an M × N (M: period, N: N division of phase) matrix The sum forms a new vector of row vectors in the 1 × N dimension. Feature values such as average, covariance, skewness, kurtosis, etc. are extracted using the row vectors, and values of 0 ° to 360 °, which are all ranges of the row vectors, are used to reflect phase independent characteristics.
제 2단계에서는 M×N(M: 주기, N: 위상의 N분할) 행렬의 형태를 갖는 부분방전 데이터의 각 열의 합을 통해 M×1차원의 새로운 형태의 열 벡터를 구성한다. 상기 열 벡터는 각 부분방전 데이터의 주기 특성을 가지므로, 이를 이용하여 평균, 공분산, 왜도, 첨도 등과 같은 특징량을 추출한다. 행 벡터 구성을 통해 위상 독립 적인 특징량을 추출할 경우 각 부분방전 결함 원이 가지는 고유의 위상 정보가 특징량에 반영되지 않기 때문에, 이러한 특징량을 입력변수로서 인공신경망 알고리즘에 적용할 경우, 위상 정보가 포함된 진단 알고리즘과 비교했을 때 결함원 자동 추론결과의 신뢰성이 다소 떨어질 수 있다. 이러한 특징량에 고유 특성 정보를 추가로 반영시키기 위해, 열 벡터 구성을 통해 추출한 특징량을 추가로 구성하는 것이다. In the second step, a column vector having a new shape of M × 1 dimension is formed through the sum of each column of the partial discharge data having the form of an M × N (M: period, N: phase N division) matrix. Since the column vector has a periodic characteristic of each partial discharge data, feature amounts such as average, covariance, skewness, kurtosis, etc. are extracted using the column vectors. When the phase-independent feature values are extracted through the row vector configuration, the inherent phase information of each partial discharge defect source is not reflected in the feature quantities. The reliability of defect source automatic inference results may be less reliable when compared to informational diagnostic algorithms. In order to further reflect the unique characteristic information in the feature amount, the feature amount extracted through the column vector configuration is further configured.
상기 행 벡터 및 열 벡터를 이용하여 3상 일괄 형 GIS 부분방전 데이터의 특징량을 추출한다. 부분방전 행렬은 크게 부분방전 크기 행렬 및 발생빈도 행렬에 해당하는 특징량을 통계 특징량(Stastical features), 질감 특징량(Texture features), 기타 특징량으로 나누어 추출한다.The feature amounts of the three-phase batch GIS partial discharge data are extracted using the row and column vectors. The partial discharge matrix is extracted by dividing the feature quantities corresponding to the partial discharge magnitude matrix and the frequency generating matrix into statistical features, texture features, and other features.
제 3단계에서는, 상기 제 1단계 및 제 2단계에서 추출된 부분방전 데이터의 위상 독립적인 특징량 데이터들을, "다단계 신경망 알고리즘"에 입력변수로 적용하여 부분방전 결함 원을 자동 추론한다.In the third step, the phase-independent feature data of the partial discharge data extracted in the first and second steps are applied to the "multilevel neural network algorithm" as an input variable to automatically infer the partial discharge defect source.
상기 다단계 신경망 알고리즘은 플로팅(Floating: F),코로나(Corona: C), 파티클(Particle: P), 보이드(Void: V)를 포함하는 부분방전 결함 원과, 휴대폰 노이즈와 기타 노이즈를 포함하는 노이즈를 각각 독립적인 클래스로 구성하는 것이 바람직하다.The multi-level neural network algorithm is a source of partial discharge defects including floating (F), corona (C), particles (P), and voids (V), noise including mobile phone noise and other noises. It is advisable to construct s into independent classes.
도 5에 도시된 바와 같이, 상기 제 3단계에서는, 상기 부분방전 결함 원과, 상기 노이즈를 출력층으로 하는 "부분방전-노이즈 분류 신경망 알고리즘"을 적용하는 제 1단계; 상기 제 1단계의 "부분방전-노이즈 분류 신경망 알고리즘" 적용 결과 를 토대로, 부분방전 결함원 인지 노이즈 인지를 판단하는 제 2단계; 상기 제 2단계에서의 판단한 결과, 노이즈로 분류될 경우, "노이즈 분류 신경망 알고리즘"에 적용하여 휴대폰 노이즈와 기타 노이즈로 분류하는 제 3단계; 상기 제 2단계에서의 판단한 결과에서, 부분방전 결함 원으로 분류될 경우, 상기 플로팅(Floating: F), 코로나(Corona: C), 파티클(Particle: P),보이드(Void: V)의 결함 원들 중에서 어느 하나의 결함 원으로 진단하기 위한 "부분방전(F, C, P, V) 분류 신경망 알고리즘"을 적용하는 제 4단계; 및 상기 제 4단계에서, 상기 코로나(Corona: C) 결함 원으로 분류된 경우, 상기 코로나(Corona: C) 결함원 중에서 부스바 코로나(Busbar corona) 결함원 인지 또는 챔버 코로나(Chamber corona) 결함원 인지를 구별하기 위해, 위상 정보가 포함된 특징량 추출을 통해 "BC-CC 분류 신경망 알고리즘"을 적용하는 제 5단계; 상기 제 4단계에서, 파티클(Particle: P), 보이드(Void: V)의 결함 원으로 분류된 경우, 패턴이 유사한 파티클과 보이드 결함원 진단 결과의 신뢰성을 높이기 위해, 두 가지 결함원 만으로 학습 된 "P-V 분류 신경망 알고리즘"을 적용하는 제 6단계를 포함한다.As shown in Fig. 5, in the third step, a first step of applying the partial discharge defect source and the " partial discharge-noise classification neural network algorithm " A second step of determining a partial discharge defect source or noise based on a result of applying the “partial discharge-noise classification neural network algorithm” of the first step; A third step of applying the noise classification neural network algorithm to classify the mobile phone noise and other noise when it is classified as noise as a result of the determination in the second step; In the result of the determination in the second step, when classified as a partial discharge defect source, defect sources of the floating (F), the corona (C), the particle (P), and the void (Void: V) A fourth step of applying a "partial discharge (F, C, P, V) classification neural network algorithm" for diagnosing any one of the defective sources; And in the fourth step, when the corona (C) defect source is classified, a busbar corona defect source recognition or a chamber corona defect source among the corona (C) defect sources. A fifth step of applying a "BC-CC classification neural network algorithm" through feature quantity extraction including phase information to distinguish perception; In the fourth step, when classified into defect sources of particles (P) and voids (V), only two defect sources are learned to increase the reliability of particle and void defect source diagnosis results having similar patterns. A sixth step of applying the "PV classification neural network algorithm".
본 발명에 의해 개발된 진단방법은 3상 일괄 형 GIS 부분방전 결함원 자동 추론 알고리즘을 총 1300개의 테스트 데이터를 대상으로 적용한 결과 총 95%를 웃도는 진단 일치율을 나타내고 있음을 검증/확인할 수 있었다.The diagnostic method developed by the present invention was able to verify / confirm that the three-phase GIS partial discharge defect source automatic inference algorithm was applied to a total of 1300 test data and showed a diagnosis agreement rate of more than 95%.
향후 GIS의 고전압화, 소형화에 따른 요구를 반영하기 위해 3상 일괄 형 GIS에 대한 공급이 더욱 확대될 것으로 예상되며, 본 알고리즘이 온라인진단시스템에 탑재되어 운용될 경우 진단 결과의 신뢰성 향상에 크게 기여할 것으로 사료된다.It is expected that the supply of 3-phase batch type GIS will be further expanded to reflect the demands of high voltage and miniaturization of GIS in the future. If this algorithm is installed and operated in the online diagnosis system, it will greatly contribute to improving the reliability of the diagnosis results. It is considered to be.
이상, 본 발명은 도시된 실시 예를 참고로 설명하였으나, 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 그러므로 본 발명의 범위는 첨부된 특허청구의 범위와 이와 균등한 것들에 의해 정해져야 한다.In the above, the present invention has been described with reference to the illustrated embodiment, but this is merely exemplary, and it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible. Therefore, the scope of the present invention should be defined by the appended claims and their equivalents.
도 1은 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 행 벡터 구성을 보인 도면1 is a diagram showing a row vector configuration in a phase-independent GIS partial discharge diagnostic technique according to the present invention.
도 2는 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 열 벡터 구성을 보인 도면2 is a diagram illustrating a column vector configuration in a phase-independent GIS partial discharge diagnostic technique according to the present invention.
도 3은 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 위상 독립형 GIS 부분방전 데이터의 특징량 추출을 설명하는 도면3 is a view for explaining feature extraction of phase-independent GIS partial discharge data in a phase-independent GIS partial discharge diagnostic technique according to the present invention;
도 4는 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법을 설명하는 흐름도4 is a flowchart illustrating a phase-independent GIS partial discharge diagnostic technique according to the present invention.
도 5는 본 발명에 따른 위상 독립형 GIS 부분방전 진단기법에 있어서, 위상 독립적인 특징량 데이터들을, "다단계 신경망 알고리즘"에 입력변수로 적용하여 부분방전 결함 원을 자동 추론하는 기법을 설명하는 흐름도5 is a flowchart illustrating a method of automatically inferring a partial discharge defect source by applying phase independent feature data as an input variable to a "multilevel neural network algorithm" in a phase-independent GIS partial discharge diagnostic technique according to the present invention.
Claims (3)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070093125A KR101102521B1 (en) | 2007-09-13 | 2007-09-13 | Phase-independent GIS partial discharge diagnostic technique |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070093125A KR101102521B1 (en) | 2007-09-13 | 2007-09-13 | Phase-independent GIS partial discharge diagnostic technique |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20090027923A true KR20090027923A (en) | 2009-03-18 |
| KR101102521B1 KR101102521B1 (en) | 2012-01-03 |
Family
ID=40695310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020070093125A Expired - Fee Related KR101102521B1 (en) | 2007-09-13 | 2007-09-13 | Phase-independent GIS partial discharge diagnostic technique |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101102521B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101320433B1 (en) * | 2012-05-30 | 2013-10-23 | 주식회사 와이즈오토모티브 | Apparatus for detecting insulation partial discharge signal |
| CN111638428A (en) * | 2020-06-08 | 2020-09-08 | 国网山东省电力公司电力科学研究院 | A method and system for processing UHF partial discharge data based on GIS |
| CN116452542A (en) * | 2023-04-19 | 2023-07-18 | 华北电力大学（保定） | GIS partial discharge defect diagnosis method based on nerve supervision decision tree |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2834161B2 (en) | 1988-11-30 | 1998-12-09 | 株式会社日立製作所 | Partial discharge diagnosis method for gas insulated equipment |
| JP4323418B2 (en) | 2004-12-16 | 2009-09-02 | 株式会社日本Ａｅパワーシステムズ | Abnormal condition diagnosis method and system for gas insulation equipment |
-
2007
- 2007-09-13 KR KR1020070093125A patent/KR101102521B1/en not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101320433B1 (en) * | 2012-05-30 | 2013-10-23 | 주식회사 와이즈오토모티브 | Apparatus for detecting insulation partial discharge signal |
| CN111638428A (en) * | 2020-06-08 | 2020-09-08 | 国网山东省电力公司电力科学研究院 | A method and system for processing UHF partial discharge data based on GIS |
| CN111638428B (en) * | 2020-06-08 | 2022-09-20 | 国网山东省电力公司电力科学研究院 | GIS-based ultrahigh frequency partial discharge data processing method and system |
| CN116452542A (en) * | 2023-04-19 | 2023-07-18 | 华北电力大学（保定） | GIS partial discharge defect diagnosis method based on nerve supervision decision tree |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101102521B1 (en) | 2012-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mohammadi et al. | A fast fault detection and identification approach in power distribution systems | |
| Raymond et al. | High noise tolerance feature extraction for partial discharge classification in XLPE cable joints | |
| Sharma et al. | Fault detection and classification in transmission line using wavelet transform and ANN | |
| Wang et al. | Gas-insulated switchgear insulation defect diagnosis via a novel domain adaptive graph convolutional network | |
| CN104914394A (en) | Current transformer operation evaluation method | |
| Jiang et al. | Partial discharge pattern characteristic of HV cable joints with typical artificial defect | |
| Yadegar et al. | A distributed high-impedance fault detection and protection scheme in DC microgrids | |
| Westerlund et al. | A review of methods for condition monitoring, surveys and statistical analyses of disconnectors and circuit breakers | |
| Fazliddinov et al. | Analysis of modern methods of determination of mechanical status and diagnostic models of power transformers | |
| CN110703078A (en) | GIS fault diagnosis method based on spectrum energy analysis and self-organizing competition algorithm | |
| Huecker et al. | UHF partial discharge monitoring and expert system diagnosis | |
| Catterson et al. | The impact of smart grid technology on dielectrics and electrical insulation | |
| Wu et al. | Fault location and fault cause identification method for transmission lines based on pose normalized multioutput convolutional nets | |
| KR101102521B1 (en) | Phase-independent GIS partial discharge diagnostic technique | |
| KR20140023814A (en) | Partial discharge diagnosis method of gas insulated switchgear | |
| Kim et al. | New diagnosis method of unknown phase-shifted PD signals for gas insulated switchgears | |
| Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors | |
| Ngwenyama et al. | Conventional method for electrical transmission system fault location detection | |
| Hassan et al. | Degradation assessment of in‐service aerial bundled cables in coastal areas leading to prognosis using infrared thermography | |
| Khoshdeli et al. | Electromagnetic transient events (EMTE) classification in transmission grids | |
| Chang et al. | Fault location identifications in HV transmission networks and different MV wind farms using nonintrusive monitoring techniques | |
| Adami et al. | New approach to improve high-voltage transmission line reliability | |
| CN103049661A (en) | Method and system for estimating residual service life of GIS (gas insulated switchgear) | |
| Zhu et al. | Cross-Domain Data Fusion On Distribution Network Voltage Estimation with DS Evidence Theory | |
| Didden et al. | How to connect a voltage sag-measuring device: Phase to phase or phase to neutral? |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
St.27 status event code: A-0-1-A10-A12-nap-PA0109 |
|
| PG1501 | Laying open of application |
St.27 status event code: A-1-1-Q10-Q12-nap-PG1501 |
|
| A201 | Request for examination | ||
| PA0201 | Request for examination |
St.27 status event code: A-1-2-D10-D11-exm-PA0201 |
|
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
St.27 status event code: A-1-2-D10-D21-exm-PE0902 |
|
| P11-X000 | Amendment of application requested |
St.27 status event code: A-2-2-P10-P11-nap-X000 |
|
| P13-X000 | Application amended |
St.27 status event code: A-2-2-P10-P13-nap-X000 |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
St.27 status event code: A-1-2-D10-D22-exm-PE0701 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
St.27 status event code: A-2-4-F10-F11-exm-PR0701 |
|
| PR1002 | Payment of registration fee |
St.27 status event code: A-2-2-U10-U11-oth-PR1002 Fee payment year number: 1 |
|
| PG1601 | Publication of registration |
St.27 status event code: A-4-4-Q10-Q13-nap-PG1601 |
|
| LAPS | Lapse due to unpaid annual fee | ||
| PC1903 | Unpaid annual fee |
St.27 status event code: A-4-4-U10-U13-oth-PC1903 Not in force date: 20141229 Payment event data comment text: Termination Category : DEFAULT_OF_REGISTRATION_FEE |
|
| PC1903 | Unpaid annual fee |
St.27 status event code: N-4-6-H10-H13-oth-PC1903 Ip right cessation event data comment text: Termination Category : DEFAULT_OF_REGISTRATION_FEE Not in force date: 20141229 |
|
| P22-X000 | Classification modified |
St.27 status event code: A-4-4-P10-P22-nap-X000 |
|
| R18-X000 | Changes to party contact information recorded |
St.27 status event code: A-5-5-R10-R18-oth-X000 |
|
| R18-X000 | Changes to party contact information recorded |
St.27 status event code: A-5-5-R10-R18-oth-X000 |
|
| PN2301 | Change of applicant |
St.27 status event code: A-5-5-R10-R13-asn-PN2301 St.27 status event code: A-5-5-R10-R11-asn-PN2301 |