KR20150118456A - Method for partial discharge diagnosis of monitoring apparatus - Google Patents
Method for partial discharge diagnosis of monitoring apparatus Download PDFInfo
- Publication number
- KR20150118456A KR20150118456A KR1020140044371A KR20140044371A KR20150118456A KR 20150118456 A KR20150118456 A KR 20150118456A KR 1020140044371 A KR1020140044371 A KR 1020140044371A KR 20140044371 A KR20140044371 A KR 20140044371A KR 20150118456 A KR20150118456 A KR 20150118456A
- Authority
- KR
- South Korea
- Prior art keywords
- partial discharge
- input vector
- input
- vector
- signal
- Prior art date
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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
Description
본 명세서는 기기의 상태를 감시하는 감시 장치의 부분방전 진단 방법에 관한 것으로서, 보다 구체적으로는 부분방전을 센싱하는 센서의 특성을 고려한 부분방전 진단이 이루어질 수 있는 감시 장치의 부분방전 진단 방법에 관한 것이다. The present invention relates to a partial discharge diagnosis method of a monitoring apparatus for monitoring a state of a device, and more particularly, to a partial discharge diagnosis method of a monitoring apparatus in which a partial discharge diagnosis can be performed in consideration of the characteristics of a sensor for sensing a partial discharge will be.
부분방전(Partial Discharge)은 절연물 표면의 표면방전 또는 절연물 내부에 존재하는 공극이나 기포에서 발생하는 내부 방전을 이르는 것으로 높은 전압 스트레스에 의하여 절연물의 열화가 진행될 시 발생된다. 가스절연개폐장치에서 오랜 기간 부분방전이 누적되면 절연물의 화학적 및 물리적 변화로 인하여 설비의 고장이나 폭발이 야기될 수 있다. 최근에는 기기의 상태 모니터링 및 사고예방을 위하여 부분방전 신호 검출 기법을 이용한 예방진단시스템에 대한 관심이 증대되고 있다. 종래의 결함 분류 기법들은 센서에서 측정한 부분방전 신호들의 특징량을 추출하고 인공신경망이나 퍼지추론 등의 분류 알고리즘을 이용하여 결함부분방전 패턴과 유사도를 분석하여 결함 및 노이즈를 분류한다. Partial discharge occurs when surface deterioration of the surface of an insulator or internal discharge occurs in pores or bubbles existing in the insulator, and deterioration of the insulator proceeds due to high voltage stress. Accumulation of partial discharges over a long period of time in a gas insulated switchgear can lead to equipment failure or explosion due to chemical and physical changes in the insulation. In recent years, there has been a growing interest in preventive diagnosis systems using partial discharge signal detection techniques to monitor the condition of devices and prevent accidents. Conventional defect classification techniques classify defects and noise by extracting the characteristic quantities of partial discharge signals measured by sensors and analyzing the similarity of defective partial discharge patterns by using classification algorithms such as artificial neural networks and fuzzy reasoning.
도 1은 종래의 부분방전 결함 분류 방법의 순서를 나타낸 순서도이다.1 is a flowchart showing a procedure of a conventional partial discharge defect classification method.
도 1에 도시된 바와 같이, 종래의 결함 분류 기법은, 부분방전 신호를 분석하고 선행 학습되어 있는 결함 패턴과 유사성을 판단하여 결함을 분류한다. ①부분방전 신호의 특징량을 추출하여 인공신경망의 입력벡터 형태로 변환한다. 특징량은 일반적으로 각 위상에 따른 부분방전신호의 크기 및 왜도, 첨도, 표준편차 등이 포함된다. ②입력벡터와 학습되어있는 특징량 패턴을 비교하여 가장 유사한 결함패턴에 대한 확률을 산출해 낸다. 결함들의 유사성 판단계산은 신경망학습 결과물인 가중치 Matrix를 이용한다.As shown in FIG. 1, the conventional defect classification technique classifies defects by analyzing a partial discharge signal and judging similarity with a defect pattern that has been learned previously. (1) The feature quantity of the partial discharge signal is extracted and converted into the input vector form of the artificial neural network. The feature amount generally includes the magnitude, the degree of kurtosis, the standard deviation, and the like of the partial discharge signal according to each phase. (2) The probability of the most similar defect pattern is calculated by comparing the input vector with the feature quantity pattern being learned. The computation of the similarity of defects uses the weight matrix Matrix, which is the result of neural network learning.
도 2는 종래의 부분방전 결함 분류에 사용되는 인공신경망 구조를 나타낸 구조도이다.2 is a structural diagram showing an artificial neural network structure used in conventional partial discharge fault classification.
도 2에 도시된 바와 같이, 종래의 인공신경망은, 공급 뉴런으로 이루어진 입력층, 계산 뉴런으로 이루어진 은닉층과 출력층으로 구성되어 있는 다층 신경망 구조로 이루어져, 역전파 방식의 학습알고리즘을 통하여 각 층을 연결하는 가중치를 계산한다. 다수의 반복 학습을 통하여 계산된 최적의 가중치는 Matrix형태로 저장한다. 입력 벡터는 각 층에 순방향으로 전달되며 각 층에 해당하는 가중치들과 연산을 수행한다. As shown in FIG. 2, the conventional artificial neural network is composed of an input layer composed of supplied neurons, a hidden layer composed of computed neurons and a multilayered neural network composed of output layers, and is connected to each layer through a back- . The optimal weights calculated through multiple iterations are stored in Matrix form. The input vector is transmitted to each layer in the forward direction, and performs operations with the weights corresponding to each layer.
종래의 부분방전 결함분류 방법은 GIS에 취부된 센서들에 의해 수집된 부분방전 신호들에 대하여 특징량을 추출하고 이를 신경망 알고리즘의 입력값으로 이용한다. 신경망은 이상적인 시험환경에서 반복적인 학습에 의하여 결함별 특징량 패턴을 분류할 수 있도록 훈련되어있다. 실제 현장에서 수집되는 신호는 센서 취부 위치에 의한 감쇠율 및 수집장치와 연결된 케이블의 길이에 따라 발생하는 감쇠율이 존재한다. 따라서 이상적 시험환경에서 학습된 데이터를 이용할 경우 분류계산 결과에 오차를 포함할 수 있다. 부분방전 취득에 사용되는 센서는 외장형, 내장형, 세미 내장형 등 다양한 종류 센서가 존재하며 조금씩 다른 특성을 갖고 있다. 또한, 종래의 신경망을 이용한 분류법은 하나의 가중치 Matrix만을 이용하기 때문에 여러 종류의 센서를 혼용하여 사용할 경우 분류 결과의 신뢰성이 떨어지게 된다.In the conventional partial discharge fault classification method, a characteristic quantity is extracted for partial discharge signals collected by sensors attached to a GIS and used as an input value of a neural network algorithm. The neural network is trained to classify defect-specific feature patterns by iterative learning in an ideal test environment. Actually, the signal collected at the site has a damping rate that depends on the attenuation rate due to the sensor mounting position and the length of the cable connected to the collector. Therefore, when using the learned data in the ideal test environment, the classification calculation result may include an error. The sensor used for the partial discharge acquisition has various kinds of sensors such as an external type, an internal type, and a semi-internal type, and has slightly different characteristics. In addition, since the conventional neural network classifier uses only one weight matrix, the reliability of classification results is lowered when a variety of sensors are used in combination.
따라서, 본 명세서는 종래기술의 한계를 해결하기 위해, 부분방전을 센싱하는 센서의 특성이 반영된 부분방전 진단이 이루어질 수 있는 감시 장치의 부분방전 진단 방법을 제공하고자 한다.SUMMARY OF THE INVENTION Accordingly, the present invention is directed to provide a partial discharge diagnosis method of a monitoring apparatus in which a partial discharge diagnosis is performed in which a characteristic of a sensor for sensing a partial discharge is reflected.
상술한 과제를 실현하기 위한 본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 복수의 센서 중 어느 하나 이상의 센서를 통해 상기 기기에서 발생한 부분방전을 센싱하여 신호를 생성하는 단계, 상기 신호의 감쇠율을 산출하여, 상기 산출된 감쇠율에 따라 상기 신호의 감쇠분을 보상하는 단계, 상기 신호의 특징량을 추출하여, 상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계, 상기 입력 벡터를 상기 센서의 종류에 따라 기 설정된 인공신경망 연산식에 대입하여 연산하는 단계 및 상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계를 포함한다.The partial discharge diagnosis method of the monitoring apparatus disclosed in this specification for realizing the above-mentioned problem includes a step of generating a signal by sensing a partial discharge generated in the apparatus through at least one sensor among a plurality of sensors, A step of compensating for the attenuation of the signal in accordance with the calculated attenuation factor, extracting a characteristic quantity of the signal and converting the extracted characteristic quantity into an input vector form, And calculating a partial discharge of the device based on the result of the calculation.
일 실시 예에서, 상기 복수의 센서는, 상기 감시 장치에 서로 다른 위치에 포함될 수 있다.In one embodiment, the plurality of sensors may be included in different locations in the monitoring device.
일 실시 예에서, 상기 기기에서 발생한 부분방전을 센싱하여 신호를 생성하는 단계는, 상기 센서의 종류에 따라 상기 신호를 생성할 수 있다.In one embodiment, the step of sensing a partial discharge generated in the device and generating a signal may generate the signal according to the type of the sensor.
일 실시 예에서, 상기 감쇠율은, 상기 복수의 센서가 포함된 위치 및 상기 복수의 센서와 상기 감시 장치가 연결되는 케이블에 따른 수치일 수 있다.In one embodiment, the damping factor may be a value according to a location where the plurality of sensors are included and a cable to which the plurality of sensors and the monitoring device are connected.
일 실시 예에서, 상기 감쇠율은, 상기 복수의 센서와 상기 감시 장치가 연결되는 케이블의 길이 및 상기 케이블의 단위 길이당 감쇠율을 근거로 산출될 수 있다.In one embodiment, the decay rate may be calculated based on the length of the cable to which the plurality of sensors and the monitoring apparatus are connected and the decay rate per unit length of the cable.
일 실시 예에서, 상기 특징량은, 상기 기기에서 발생한 부분방전에 대한 수치이되, 상기 부분방전의 위상, 방전량 및 발생빈도에 대한 수치를 포함할 수 있다.In one embodiment, the characteristic amount is a numerical value for a partial discharge generated in the apparatus, and may include a numerical value for the phase of the partial discharge, the discharge amount, and the occurrence frequency.
일 실시 예에서, 상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계는, 상기 추출된 특징량을 상기 인공신경망 연산식에 대입 가능한 벡터 형태로 데이터화할 수 있다.In one embodiment, the step of converting the extracted feature quantity into an input vector may convert the extracted feature quantity into a vector form that can be substituted into the neural network equation.
일 실시 예에서, 상기 인공신경망은, 상기 입력 벡터가 입력되는 입력층, 상기 입력 벡터에 가중치가 곱해지는 은닉층 및 상기 연산 결과가 출력되는 출력층을 포함할 수 있다.In one embodiment, the artificial neural network may include an input layer into which the input vector is input, a hidden layer where the input vector is multiplied by a weight, and an output layer from which the computation result is output.
일 실시 예에서, 상기 입력층은, 상기 입력 벡터의 벡터 성분의 수만큼 입력 뉴런을 포함하여, 상기 입력 벡터의 벡터 성분 각각이 상기 입력 뉴런 각각에 입력될 수 있다.In one embodiment, the input layer includes input neurons by the number of vector components of the input vector, such that each of the vector components of the input vector may be input to each of the input neurons.
일 실시 예에서, 상기 은닉층 및 출력층은, 상기 센서의 종류에 따라 설정된 복수의 행렬식을 포함하되, 상기 복수의 행렬식은, 상기 입력 벡터에 가중치가 곱해지도록 할 수 있다.In one embodiment, the hidden layer and the output layer include a plurality of determinants set according to the type of the sensor, and the plurality of determinants may cause the input vector to be multiplied by a weight.
일 실시 예에서, 상기 복수의 행렬식은, Weight value 및 Bias Value의 조합으로 이루어질 수 있다.In one embodiment, the plurality of determinants may be a combination of a weight value and a bias value.
일 실시 예에서, 상기 은닉층은, 상기 복수의 행렬식 중 상기 입력 벡터에 해당하는 행렬식을 상기 입력 벡터의 가중치 연산에 적용하여, 상기 입력 벡터에 가중치가 곱해지도록 할 수 있다.In one embodiment, the hidden layer may apply a determinant corresponding to the input vector among the plurality of determinants to a weight computation of the input vector, such that the input vector is multiplied by a weight.
일 실시 예에서, 상기 출력층은, 상기 복수의 행렬식 중 상기 입력 벡터에 해당하는 행렬식을 상기 은닉층에서 연산된 벡터의 가중치 연산에 적용하여, 상기 은닉층에서 연산된 벡터에 가중치가 곱해진 연산 결과가 출력될 수 있다.In one embodiment, the output layer applies a determinant corresponding to the input vector among the plurality of determinants to a weight computation of a vector computed in the hidden layer, and outputs a computation result obtained by multiplying a vector computed in the hidden layer by a weight, .
일 실시 예에서, 상기 입력 벡터를 상기 센서의 종류에 따라 기 설정된 인공신경망 연산식에 대입하여 연산하는 단계는, 상기 입력 벡터를 근거로, 상기 입력 벡터에 해당하는 상기 센서의 종류를 판단할 수 있다.In one embodiment of the present invention, the step of calculating the input vector by substituting the input vector with the predefined artificial neural network equation according to the type of the sensor may include determining the type of the sensor corresponding to the input vector, have.
일 실시 예에서, 상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계는, 상기 연산 결과를 기 저장된 기준 벡터들과 비교하여, 상기 비교 결과를 근거로 상기 기기의 부분방전을 진단하되, 상기 기 저장된 기준 벡터들은, 상기 부분방전의 유형에 따른 패턴 기준 벡터들일 수 있다.In one embodiment, the step of diagnosing the partial discharge of the device based on the calculation result may include diagnosing a partial discharge of the device based on the comparison result, The previously stored reference vectors may be pattern reference vectors according to the type of the partial discharge.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 부분방전을 센싱하여 생성된 신호의 감쇠율을 산출하고, 산출된 감쇠율에 따라 신호의 감쇠분을 보상함으로써, 신호의 감쇠에 따른 오진단을 방지할 수 있는 효과가 있다.The partial discharge diagnosis method of the monitoring apparatus disclosed in this specification calculates a decay rate of a signal generated by sensing a partial discharge and compensates a damped rate of the signal according to the calculated decay rate to prevent false diagnosis due to signal attenuation There is an effect that can be.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 센서의 위치 및 센서의 종류에 따른 연산이 이루어짐으로써, 부분방전을 센싱하는 센서의 특성이 반영된 부분방전 진단이 이루어질 수 있는 효과가 있다.The partial discharge diagnosis method of the monitoring apparatus of the present invention has an effect that the partial discharge diagnosis is performed in which the characteristics of the sensor for sensing the partial discharge are reflected by performing calculations according to the position of the sensor and the type of the sensor.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 센서의 특성이 반영된 부분방전 진단이 이루어짐으로써, 보다 정확하고 정밀한 부분방전 진단이 이루어질 수 있는 효과가 있다.In the partial discharge diagnosis method of the monitoring apparatus disclosed in this specification, the partial discharge diagnosis is performed in which the characteristics of the sensor are reflected, and thereby, more accurate and accurate partial discharge diagnosis can be performed.
도 1은 종래의 부분방전 결함 분류 방법의 순서를 나타낸 순서도.
도 2는 종래의 부분방전 결함 분류에 사용되는 인공신경망 구조를 나타낸 구조도.
도 3은 본 명세서에 개시된 감시 장치의 부분방전 진단 방법의 순서를 나타낸 순서도.
도 4는 본 명세서에 개시된 감시 장치의 부분방전 진단 방법의 실시 예에 따른 신호 감쇠분 보상의 예시를 나타낸 예시도.
도 5는 본 명세서에 개시된 감시 장치의 부분방전 진단 방법의 실시 예에 따른 인공신경망의 알고리즘을 나타낸 순서도.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a flowchart showing a sequence of a conventional partial discharge defect classification method. FIG.
2 is a structural view showing an artificial neural network structure used in conventional partial discharge fault classification.
3 is a flowchart showing a procedure of a partial discharge diagnosis method of the monitoring apparatus disclosed in this specification.
4 is an exemplary diagram illustrating an example of signal attenuation compensation according to an embodiment of a partial discharge diagnostic method of the monitoring apparatus disclosed herein.
5 is a flowchart showing an algorithm of an artificial neural network according to an embodiment of the partial discharge diagnosis method of the monitoring apparatus disclosed in this specification;
본 명세서에 개시된 발명은 기기의 상태를 감시하는 감시 장치 및 감시 장치의 부분 방전 진단 방법에 적용될 수 있다. 그러나 본 명세서에 개시된 기술은 이에 한정되지 않고, 본 발명의 기술적 사상이 적용될 수 있는 기존의 모든 기기 상태 감시 장치, 기기 상태 감시 시스템, 기기 제어 장치, 기기 제어 시스템, 원격 감시 제어 장치 및 원격 감시 제어 시스템 등에도 적용될 수 있다. 특히, 가스절연개폐기를 비롯한 전력기기의 부분방전 진단시스템 및 전력기기의 온라인 상태 진단시스템에 유용하게 적용되어 실시될 수 있다.The invention disclosed in this specification can be applied to a monitoring apparatus for monitoring the state of the apparatus and a partial discharge diagnosis method for the monitoring apparatus. However, the technology disclosed in this specification is not limited thereto, and may be applied to all existing apparatus state monitoring apparatuses, apparatus state monitoring systems, apparatus control apparatuses, apparatus control systems, remote monitoring control apparatuses, and remote monitoring and control apparatuses to which the technical idea of the present invention can be applied System and the like. Particularly, the present invention can be effectively applied to a partial discharge diagnosis system of a power device including a gas insulated switchgear, and an online condition diagnosis system of a power device.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 명세서에 개시된 기술의 사상을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 명세서에 개시된 기술이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 명세서에 개시된 기술의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 명세서에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.It is noted that the technical terms used herein are used only to describe specific embodiments and are not intended to limit the scope of the technology disclosed herein. Also, the technical terms used herein should be interpreted as being generally understood by those skilled in the art to which the presently disclosed subject matter belongs, unless the context clearly dictates otherwise in this specification, Should not be construed in a broader sense, or interpreted in an oversimplified sense. In addition, when a technical term used in this specification is an erroneous technical term that does not accurately express the concept of the technology disclosed in this specification, it should be understood that technical terms which can be understood by a person skilled in the art are replaced. Also, the general terms used in the present specification should be interpreted in accordance with the predefined or prior context, and should not be construed as being excessively reduced in meaning.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Also, the singular forms "as used herein include plural referents unless the context clearly dictates otherwise. In this specification, the terms "comprising ", or" comprising "and the like should not be construed as necessarily including the various elements or steps described in the specification, Or may be further comprised of additional components or steps.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예들을 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, wherein like reference numerals denote like or similar elements, and redundant description thereof will be omitted.
또한, 본 명세서에 개시된 기술을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 기술의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 기술의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 그 기술의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
Further, in the description of the technology disclosed in this specification, a detailed description of related arts will be omitted if it is determined that the gist of the technology disclosed in this specification may be obscured. It is to be noted that the attached drawings are only for the purpose of easily understanding the concept of the technology disclosed in the present specification, and should not be construed as limiting the spirit of the technology by the attached drawings.
이하, 도 3 내지 도 5를 참조하여 본 명세서에 개시된 감시 장치의 부분방전 진단 방법을 설명한다.Hereinafter, a partial discharge diagnosis method of the monitoring apparatus disclosed in this specification will be described with reference to Figs. 3 to 5. Fig.
도 3은 본 명세서에 개시된 감시 장치의 부분방전 진단 방법의 순서를 나타낸 순서도이다.3 is a flowchart showing a procedure of a partial discharge diagnosis method of the monitoring apparatus disclosed in this specification.
도 4는 본 명세서에 개시된 감시 장치의 부분방전 진단 방법의 실시 예에 따른 신호 감쇠분 보상의 예시를 나타낸 예시도이다.4 is an exemplary diagram illustrating an example of signal attenuation compensation according to an embodiment of the partial discharge diagnostic method of the monitoring apparatus disclosed herein.
도 5는 본 명세서에 개시된 감시 장치의 부분방전 진단 방법의 실시 예에 따른 인공신경망의 알고리즘을 나타낸 순서도이다.
5 is a flowchart illustrating an algorithm of an artificial neural network according to an embodiment of the partial discharge diagnosis method of the monitoring apparatus disclosed in the present specification.
상기 감시 장치의 부분방전 진단 방법(이하, 진단 방법이라 칭한다)은, 도 3에 도시된 바와 같이, 복수의 센서 중 어느 하나 이상의 센서를 통해 상기 기기에서 발생한 부분방전을 센싱하여 신호를 생성하는 단계(S10), 상기 신호의 감쇠율을 산출하여, 상기 산출된 감쇠율에 따라 상기 신호의 감쇠분을 보상하는 단계(S20), 상기 신호의 특징량을 추출하여, 상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계(S30), 상기 입력 벡터를 상기 센서의 종류에 따라 기 설정된 인공신경망 연산식에 대입하여 연산하는 단계(S40) 및 상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계(S50)를 포함한다.As shown in FIG. 3, the partial discharge diagnosis method (hereinafter, referred to as a diagnosis method) of the monitoring apparatus includes a step of sensing a partial discharge generated in the apparatus through at least one of the plurality of sensors and generating a signal (S20) of calculating the attenuation rate of the signal and compensating for the attenuation of the signal in accordance with the calculated attenuation rate, extracting the characteristic quantity of the signal and outputting the extracted characteristic quantity as an input vector (S40) of calculating the input vector by substituting the input vector into a preset artificial neural network equation according to the type of the sensor (S40), and diagnosing a partial discharge of the device based on the calculation result ).
상기 감시 장치는, 기기의 상태를 감시하는 장치일 수 있다.The monitoring device may be a device for monitoring the state of the device.
상기 감시 장치는, 감시 대상 기기의 상태 변화를 감시하여, 상기 감시 대상 기기의 상태를 진단할 수 있다.The monitoring device can monitor the state change of the monitoring target device and diagnose the state of the monitoring target device.
상기 감시 대상 기기는, 발전기, 변압기, 변류기, 전동기, 개폐기, 계전기, 차단기, 피뢰기 및 전력량계 등 모든 전력기기를 의미할 수 있다.The monitoring target device may refer to all electric power devices such as a generator, a transformer, a current transformer, an electric motor, a switch, a relay, a breaker, a lightning arrester, and a watt hour meter.
상기 감시 대상 기기는 또한, 공장 내의 자동화 설비, 공정 설비, 제어 설비, 조명 설비, 통신 설비 및 공징 시스템 등 모든 공장 내부 설비를 의미할 수 있다.The monitoring target device may also refer to all in-plant facilities such as automation facilities, process facilities, control facilities, lighting facilities, communication facilities, and publicity systems in factories.
즉, 상기 감시 장치는, 전기에너지로 구동되는 모든 기기, 설비 및 시스템의 상태를 감시하는 장치일 수 있다.That is, the monitoring device may be a device for monitoring the state of all devices, facilities, and systems driven by electric energy.
상기 감시 장치는, 상기 감시 대상 기기의 부분방전을 감시하는 장치일 수 있다.The monitoring device may be a device for monitoring a partial discharge of the monitored device.
상기 감시 장치는, 상기 감시 대상 기기의 부분방전을 감시하여 이를 진단하는 장치일 수 있다.The monitoring device may be a device for monitoring and diagnosing a partial discharge of the monitoring target device.
상기 감시 장치는, 알고리즘화된 부분방전 진단 방법에 따라 상기 감시 대상 기기의 부분방전을 감시하고 진단하는 장치일 수 있다.The monitoring device may be a device for monitoring and diagnosing a partial discharge of the monitored device according to an algorithmic partial discharge diagnosis method.
상기 진단 방법에 있어서, 상기 복수의 센서는, 상기 감시 장치에 서로 다른 위치에 포함될 수 있다.In the diagnosis method, the plurality of sensors may be included in different positions in the monitoring apparatus.
상기 복수의 센서는, 상기 감시 대상 기기의 부분방전을 검출하는 센서일 수 있다.The plurality of sensors may be sensors for detecting a partial discharge of the monitoring target device.
상기 복수의 센서는, 상기 감시 대상 기기의 부분방전을 감시하는 센서이되, 서로 다른 종류의 센서들일 수 있다.The plurality of sensors may be sensors for monitoring partial discharge of the monitoring target device, and may be different types of sensors.
예를 들면, 제조사별, 검출크기 및 범위, 센싱 특성 등이 서로 다른 센서들일 수 있다.For example, the sensors may be different from each other by manufacturer, detection size and range, sensing characteristics, and the like.
즉, 상기 감시 장치는, 서로 다른 종류의 상기 복수의 센서를 서로 다른 위치에 포함하여, 상기 복수의 센서를 통해 상기 감시 대상 기기의 부분방전을 감시할 수 있다.That is, the monitoring apparatus can include the plurality of sensors of different kinds at different positions, and can monitor the partial discharge of the monitoring target device through the plurality of sensors.
상기 복수의 센서는, 상기 감시 대상 기기에 부분방전이 발생한 경우 이를 센싱할 수 있다.The plurality of sensors may sense the partial discharge when the monitoring target device has generated a partial discharge.
상기 기기에서 발생한 부분방전을 센싱하여 신호를 생성하는 단계(S10)는, 상기 감시 대상 장치를 센싱하는 상기 복수의 센서를 통해, 적어도 하나의 신호를 생성할 수 있다.The step S10 of sensing a partial discharge generated by the device and generating a signal may generate at least one signal through the plurality of sensors that sense the monitoring target device.
즉, 상기 감시 대상 기기에서 부분방전이 발생하게 되면, 상기 복수의 센서 중 어느 하나 이상이 이를 센싱하게 됨으로써, 상기 감시 대상 기기의 부분방전에 대해 적어도 하나의 신호가 생성될 수 있다.That is, when a partial discharge occurs in the monitoring target device, at least one signal may be generated for the partial discharge of the monitoring target device by sensing at least one of the plurality of sensors.
상기 기기에서 발생한 부분방전을 센싱하여 신호를 생성하는 단계(S10)는, 상기 센서의 종류에 따라 상기 신호를 생성할 수 있다.The step S10 of sensing a partial discharge generated by the device to generate a signal may generate the signal according to the type of the sensor.
즉, 상기 신호는, 상기 복수의 센서 각각에 의해 생성될 수 있다.That is, the signal may be generated by each of the plurality of sensors.
예를 들면, 상기 감시 장치의 부분방전을 센싱한 센서의 개수가 5개인 경우, 5개의 상기 신호가 생성될 수 있다.For example, when the number of sensors sensing the partial discharge of the monitoring apparatus is five, five signals can be generated.
상기 신호는, 상기 복수의 센서의 종류에 따라 구분될 수 있도록 생성될 수 있다.The signal may be generated so as to be classified according to the types of the plurality of sensors.
상기 신호의 감쇠율을 산출하여, 상기 산출된 감쇠율에 따라 상기 신호의 감쇠분을 보상하는 단계(S20)에서 상기 감쇠율은, 상기 복수의 센서가 포함된 위치 및 상기 복수의 센서와 상기 감시 장치가 연결되는 케이블에 따른 수치일 수 있다.The attenuation rate may be calculated by calculating a decay rate of the signal and compensating for a damping factor of the signal according to the calculated decay rate, Lt; / RTI > cable.
상기 복수의 센서를 통해 생성된 신호는, 상기 감시 장치 및 상기 감시 장치 내부의 중앙처리부에 연결된 케이블을 통해 상기 감시 장치로 전달되는데, 상기 복수의 센서와 상기 감시 장치의 거리가 멀거나, 또는 상기 케이블의 신호 전달율이 양호하지 않은 경우, 상기 신호의 전달 과정에서 상기 신호가 감쇠될 수 있게 된다. The signal generated through the plurality of sensors is transmitted to the monitoring apparatus through a cable connected to the monitoring apparatus and the central processing unit in the monitoring apparatus. The distance between the plurality of sensors and the monitoring apparatus is long, If the signal transmission rate of the cable is not good, the signal can be attenuated during the propagation of the signal.
즉, 상기 감쇠율은, 상기 신호가 전달되는 과정에서 상기 신호를 감쇠시키는 외부적 요인인 상기 센서의 위치 및 상기 케이블의 조건에 따라 산출된 수치일 수 있다.That is, the attenuation factor may be a value calculated according to the position of the sensor, which is an external factor that attenuates the signal in the process of transmitting the signal, and the condition of the cable.
상기 감쇠율은, 상기 복수의 센서와 상기 감시 장치가 연결되는 케이블의 길이 및 상기 케이블의 단위 길이당 감쇠율을 근거로 산출될 수 있다.The decay rate may be calculated based on a length of a cable to which the plurality of sensors and the monitoring apparatus are connected and a decay rate per unit length of the cable.
상기 복수의 센서와 상기 감시 장치가 연결되는 상기 케이블의 단위 길이당 감쇠율이 기 산정되어 있는 경우, 상기 케이블의 길이와 상기 단위 길이당 감쇠율의 곱셈 연산을 통해 상기 케이블 전체의 감쇠율을 산출할 수 있게 되고, 이는 곧 상기 케이블에서 상기 신호가 감쇠되는 비율을 의미하므로, 상기 복수의 센서와 상기 감시 장치가 연결되는 케이블의 길이 및 상기 케이블의 단위 길이당 감쇠율을 통해 상기 신호의 감쇠율을 산출할 수 있게 된다.The attenuation rate of the entire cable can be calculated by multiplying the length of the cable by the attenuation rate per unit length when the attenuation rate per unit length of the cable to which the plurality of sensors and the monitoring apparatus are connected is calculated in advance , Which means the rate at which the signal is attenuated in the cable, so that the attenuation factor of the signal can be calculated through the length of the cable to which the plurality of sensors and the monitoring device are connected and the attenuation rate per unit length of the cable do.
상기 감쇠율이 산출되는 예를 도 4를 참조하여 구체적으로 설명하면 다음과 같다.An example in which the decay rate is calculated will be described in detail with reference to FIG.
도 4에 도시된 예시와 같이, 상기 감시 장치(50)는, 상기 감시 장치(50)를 제어하는 중앙처리부(10) 및 상기 복수의 센서(20, 30, 40)를 포함하되, 상기 복수의 센서(20, 30, 40) 각각이 서로 다른 위치에 포함되어 상기 중앙처리부(10)와 연결될 수 있는데, 상기 복수의 센서 중 센서a(20)는 200[mm] 길이의 케이블A(21)를 통하여 상기 중앙처리부(10)와 연결되고, 센서b(30)는 150[mm] 길이의 케이블B(31)를 통하여 상기 중앙처리부(10)와 연결되고, 센서c(40)는 100[mm] 길이의 케이블C(41)를 통하여 상기 중앙처리부(10)와 연결될 수 있다.4, the
상기 케이블A(21)의 단위 길이당 감쇠율이 0.01[%], 상기 케이블B(31)의 단위 길이당 감쇠율이 0.02[%], 상기 케이블C(41)의 단위 길이당 감쇠율이 0.02[%]인 경우, 케이블의 길이와 케이블의 단위 길이당 감쇠율을 곱하면 상기 케이블A(21)의 감쇠율은 1[%], 상기 케이블B(31)의 감쇠율은 2[%], 상기 케이블C(41)의 감쇠율은 2[%]가 되는데, 이는 곧 상기 케이블에서 상기 신호가 감쇠되는 비율을 의미하게 되므로, 이와 같은 연산으로 상기 신호의 감쇠율이 산출될 수 있다.The decay rate per unit length of the
상기 신호의 감쇠율을 산출하여, 상기 산출된 감쇠율에 따라 상기 신호의 감쇠분을 보상하는 단계(S20)는, 상기 산출된 감쇠율만큼 상기 신호의 감쇠분을 보상할 수 있다.The step of calculating a decay rate of the signal and compensating the decay of the signal according to the calculated decay rate may compensate the decay of the signal by the calculated decay rate.
예를 들면, 상기 산출된 감쇠율이 2[%]인 경우, 상기 신호의 감쇠분을 상기 산출된 감쇠율인 2[%] 만큼 보상하여, 상기 신호가 초기 생성 상태로 유지될 수 있게 할 수 있다.For example, when the calculated attenuation factor is 2 [%], the signal can be maintained in the initial generated state by compensating the attenuation of the signal by 2 [%], which is the calculated attenuation factor.
상기 신호의 특징량을 추출하여, 상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계(S30)에서 상기 특징량은, 상기 기기에서 발생한 부분방전에 대한 수치일 수 있다.In the step S30 of extracting the characteristic quantity of the signal and converting the extracted characteristic quantity into an input vector, the characteristic quantity may be a numerical value for a partial discharge generated in the device.
즉, 상기 특징량은, 상기 기기에서 발생한 부분방전의 상태 및 조건을 수치로 나타낸 것일 수 있다.That is, the feature amount may be a numerical value indicating the state and condition of the partial discharge generated in the apparatus.
상기 특징량은, 상기 부분방전의 위상, 방전량 및 발생빈도에 대한 수치를 포함할 수 있다.The characteristic amount may include numerical values for the phase, the discharge amount, and the occurrence frequency of the partial discharge.
상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계(S30)는, 상기 추출된 특징량을 상기 인공신경망 연산식에 대입 가능한 벡터 형태로 데이터화할 수 있다.The step S30 of converting the extracted feature amount into an input vector form may convert the extracted feature amount into a vector form that can be substituted into the artificial neural network operation expression.
즉, 상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계(S30)에서는, 상기 복수의 센서를 통해 상기 기기의 부분방전을 센싱한 신호에서 상기 기기의 부분방전 상태에 대한 상기 특징량을 추출하고, 상기 추출된 특징량을 상기 부분방전을 진단하는 알고리즘인 상기 인공신경망에 대입 가능하도록, 상기 인공신경망 연산식에 대입 가능한 벡터 형태로 데이터화하게 될 수 있다.That is, in the step S30 of converting the extracted characteristic quantities into an input vector, the characteristic quantities for the partial discharge state of the device are extracted from signals obtained by sensing the partial discharge of the device through the plurality of sensors , And the extracted feature quantity may be converted into a vector form that can be substituted into the artificial neural network equation so as to be substituted into the artificial neural network that is an algorithm for diagnosing the partial discharge.
상기 입력 벡터는, 적어도 하나의 벡터 성분으로 이루어질 수 있다.The input vector may comprise at least one vector component.
상기 입력 벡터는, 상기 추출된 특징량에 포함된 수치들에 대한 열벡터일 수 있다.The input vector may be a column vector for the values contained in the extracted feature quantity.
예를 들면, 상기 추출된 특징량이 상기 부분방전의 위상, 방전량 및 발생빈도에 대한 수치를 포함하고 있는 경우, 상기 입력 벡터는 1열에 상기 부분방전의 위상, 2열에 상기 부분방전의 방전량, 3열에 상기 부분방전의 발생빈도에 대한 수치로 이루어질 수 있다.For example, when the extracted feature amount includes the values of the phase, the discharge amount, and the occurrence frequency of the partial discharge, the input vector includes the phase of the partial discharge in one column, the discharge amount of the partial discharge in the two columns, And the number of the partial discharges in the third column.
상기 인공신경망은, 상기 입력 벡터가 입력되어, 상기 입력 벡터를 통해 상기 부분방전을 진단할 수 있는 알고리즘을 의미할 수 있다.The artificial neural network may refer to an algorithm capable of inputting the input vector and diagnosing the partial discharge through the input vector.
상기 인공신경망은, 상기 입력 벡터를 기 설정된 연산식을 통해 가중치를 곱하여 출력 결과를 연산하는 알고리즘일 수 있다.The artificial neural network may be an algorithm that computes the output result by multiplying the input vector by a weight through a predetermined computing equation.
상기 인공신경망은, 상기 입력 벡터가 입력되는 입력층, 상기 입력 벡터에 가중치가 곱해지는 은닉층 및 상기 연산 결과가 출력되는 출력층을 포함할 수 있다.The artificial neural network may include an input layer to which the input vector is input, a hidden layer to multiply the input vector by a weight, and an output layer to which the computation result is output.
상기 입력층은, 데이터가 입력되는 입력 뉴런을 포함할 수 있다.The input layer may include an input neuron into which data is input.
상기 입력층은, 상기 입력 벡터의 벡터 성분의 수만큼 상기 입력 뉴런을 포함하여, 상기 입력 벡터의 벡터 성분 각각이 상기 입력 뉴런 각각에 입력될 수 있다.The input layer includes the input neurons by the number of vector components of the input vector such that each of the vector components of the input vector may be input to each of the input neurons.
예를 들면, 상기 추출된 특징량이 상기 부분방전의 위상, 상기 부분방전의 방전량, 상기 부분방전의 발생빈도에 대한 수치를 포함하여, 상기 입력 벡터가 1열에 상기 부분방전의 위상, 2열에 상기 부분방전의 방전량, 3열에 상기 부분방전의 발생빈도에 대한 수치로 이루어진 열벡터인 경우, 상기 입력층은 3개의 입력 뉴런을 포함하고, 상기 3개의 입력 뉴런 각각에 상기 부분방전의 위상, 상기 부분방전의 방전량, 상기 부분방전의 발생빈도에 대한 수치가 입력될 수 있다.For example, the extracted feature amount may include a numerical value for the phase of the partial discharge, the discharge amount of the partial discharge, and the occurrence frequency of the partial discharge, and the input vector may include the phase of the partial discharge in one column, Wherein the input layer includes three input neurons, and wherein the phase of the partial discharge, the phase of the partial discharge, the phase of the partial discharge, The discharge amount of the partial discharge, and the frequency of occurrence of the partial discharge.
상기 입력층에 입력된 상기 입력 벡터는, 상기 은닉층 및 출력층을 통해 가중치가 곱해지도록 연산되어 출력될 수 있다.The input vector input to the input layer may be calculated and output so that weights are multiplied through the hidden layer and the output layer.
상기 은닉층 및 출력층은, 상기 센서의 종류에 따라 설정된 복수의 행렬식을 포함할 수 있다.The hidden layer and the output layer may include a plurality of determinants set according to the type of the sensor.
상기 복수의 행렬식은, 상기 입력 벡터에 가중치가 곱해지도록 하는 행렬식일 수 있다.The plurality of determinants may be a determinant that multiplies the input vector by a weight.
상기 복수의 행렬식은, 상기 입력 벡터와의 곱셈 연산이 가능한 형태의 행렬식일 수 있다.The plurality of determinants may be a determinant of a multiplication operation with the input vector.
상기 복수의 행렬식은, Weight value 및 Bias value의 조합으로 이루어질 수 있다.The plurality of determinants may be a combination of a weight value and a bias value.
상기 Weight value는, 상기 입력 벡터의 벡터 성분에 가중치가 곱해지는 value일 수 있다.The weight value may be a value by which a vector component of the input vector is multiplied by a weight.
상기 Bias value는, 상기 입력 벡터의 벡터 성분에 가중치가 곱해지지 않는 value일 수 있다.The Bias value may be a value that does not multiply the vector component of the input vector by a weight.
상기 복수의 행렬식은, 상기 센서의 종류에 따라 구분 설정되어, 상기 입력층에 입력된 상기 입력 벡터의 데이터화 대상 신호를 센싱한 센서에 해당하는 행렬식이 상기 입력층에 입력된 상기 입력 벡터와 곱해질 수 있다.The matrix matrices are divided and set according to the type of the sensor, and a determinant corresponding to a sensor that senses a signal to be digitized of the input vector input to the input layer is multiplied by the input vector input to the input layer .
즉, 상기 입력 벡터와 상기 복수의 행렬식 간의 연산은, 상기 신호를 센싱한 센서의 종류에 따라 연산이 이루어지게 될 수 있다.That is, the calculation between the input vector and the plurality of determinants may be performed according to the type of the sensor that senses the signal.
상기 은닉층은, 상기 복수의 행렬식 중 상기 입력 벡터에 해당하는 행렬식을 상기 입력 벡터의 가중치 연산에 적용하여, 상기 입력 벡터에 가중치가 곱해지도록 할 수 있다.The hidden layer may apply a determinant corresponding to the input vector among the plurality of determinants to a weight computation of the input vector so that the input vector is multiplied by a weight.
즉, 상기 은닉층에서는, 상기 입력 벡터와 상기 복수의 행렬식 중 상기 신호를 센싱한 센서의 종류에 해당하는 행렬식이 곱해짐으로써, 상기 입력 벡터에 가중치가 곱해지는 연산이 이루어지게 될 수 있다.That is, in the hidden layer, the input vector is multiplied by a determinant corresponding to the type of sensor that senses the signal among the plurality of determinant, so that the input vector may be multiplied by a weight.
상기 출력층은, 상기 복수의 행렬식 중 상기 입력 벡터에 해당하는 행렬식을 상기 은닉층에서 연산된 벡터의 가중치 연산에 적용하여, 상기 은닉층에서 연산된 벡터에 가중치가 곱해진 연산 결과가 출력될 수 있다.The output layer may apply a determinant corresponding to the input vector among the plurality of determinants to a weight computation of a vector computed in the hidden layer so that a computation result obtained by multiplying a vector computed in the hidden layer by a weight may be output.
즉, 상기 출력층에서는, 상기 은닉층에서 가중치가 곱해진 벡터와 상기 복수의 행렬식 중 상기 신호를 센싱한 센서의 종류에 해당하는 행렬식이 곱해짐으로써, 상기 은닉층에서 연산된 벡터에 가중치가 곱해지는 연산이 이루어지게 될 수 있다.That is, in the output layer, an operation that multiplies a vector calculated in the hidden layer by a weight is multiplied by a matrix multiplication of a vector multiplied by a weight in the hidden layer and a determinant corresponding to a sensor type of the sensor that senses the signal among the plurality of matrix matrices .
상기 출력층에서 연산된 결과는 벡터의 형태로 출력되어, 상기 부분방전을 진단하는 근거가 될 수 있다.The result calculated in the output layer is output in the form of a vector, and can be a basis for diagnosing the partial discharge.
상기 입력 벡터를 상기 센서의 종류에 따라 기 설정된 인공신경망 연산식에 대입하여 연산하는 단계(S40)는, 상기 입력 벡터를 근거로, 상기 입력 벡터에 해당하는 상기 센서의 종류를 판단할 수 있다.In operation S40, the type of the sensor corresponding to the input vector may be determined based on the input vector by substituting the input vector into a preset artificial neural network equation according to the type of the sensor.
이상에서 설명한 상기 인공신경망 연산식에 따른 연산 과정이 도 5에 도시되어 있는데, 도 5에 도시된 과정과 같이, 상기 입력 벡터가 상기 입력층에 입력되어 상기 입력 벡터에 해당하는 상기 센서의 종류가 구분되면, 상기 은닉층 및 상기 출력층에서 상기 입력 벡터가 상기 구분된 센서의 종류에 해당하는 행렬식과 곱해져 상기 입력 벡터에 가중치가 곱해지게 되고, 이러한 연산 과정으로 연산된 벡터가 상기 출력층에서 출력되게 될 수 있다.5, the input vector is input to the input layer, and the type of the sensor corresponding to the input vector is input to the input layer as shown in FIG. In the hidden layer and the output layer, the input vector is multiplied by a determinant corresponding to the type of the sensor, so that the input vector is multiplied by a weight, and a vector calculated by this calculation process is output from the output layer .
상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계(S50)는, 상기 연산 결과를 기 저장된 기준 벡터들과 비교하여, 상기 비교 결과를 근거로 상기 기기의 부분방전을 진단하되, 상기 기 저장된 기준 벡터들은, 상기 부분방전의 유형에 따른 패턴 기준 벡터들일 수 있다.The step S50 of diagnosing a partial discharge of the device based on the calculation result may include diagnosing a partial discharge of the device based on the comparison result by comparing the calculation result with previously stored reference vectors, The stored reference vectors may be pattern reference vectors according to the type of the partial discharge.
상기 기 저장된 기준 벡터들은, 상기 부분방전이 발생한 위치, 상기 부분방전이 발생한 원인, 상기 부분방전이 발생한 정도 및 기간 등에 따른 패턴들이 기준 벡터로 저장될 수 있다.The previously stored reference vectors may be stored as a reference vector such as a position at which the partial discharge is generated, a cause of the partial discharge, a degree of occurrence of the partial discharge, a period, and the like.
예를 들면, 상기 부분방전이 코로나방전인 경우의 기준 벡터는 [x, x, x], 상기 부분방전이 연면방전인 경우의 기준 벡터는 [x, 0, x]로 패턴이 나타나는 경우, 상기와 같은 패턴의 벡터들이 상기 기 저장된 기준 벡터들도 저장될 수 있다.For example, in the case where the reference vector is [x, x, x] when the partial discharge is a corona discharge and the pattern is represented by [x, 0, x] when the partial discharge is a surface discharge, The previously stored reference vectors may also be stored.
상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계(S50)는, 상기 연산 결과를 기 저장된 기준 벡터들과 비교하여, 상기 연산 결과가 상기 기 저장된 기준 벡터들 중 어느 하나와 일치하는 경우, 상기 기기에서 발생한 부분방전이 상기 기준 벡터에 해당하는 유형이라고 판단할 수 있다.The step S50 of diagnosing the partial discharge of the device based on the calculation result may include comparing the calculation result with pre-stored reference vectors, and when the calculation result matches any one of the previously stored reference vectors , It can be determined that the partial discharge generated in the device corresponds to the reference vector.
예를 들면, 상기 연산 결과가 상기 기 저장된 기준 벡터들 중 코로나방전에 대한 기준 벡터와 일치하는 경우, 상기 기기에서 발생한 부분방전이 코로나방전 유형이라고 판단할 수 있게 된다.
For example, when the calculation result matches the reference vector for the corona discharge among the pre-stored reference vectors, it is possible to determine that the partial discharge generated in the apparatus is the corona discharge type.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 기기의 상태를 감시하는 감시 장치 및 감시 장치의 부분방전 진단 방법에 적용되어 실시될 수 있다. The partial discharge diagnosis method of the monitoring apparatus disclosed in this specification may be applied to a monitoring apparatus for monitoring the state of the apparatus and a partial discharge diagnosis method for the monitoring apparatus.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 기기 상태 감시 시스템, 기기 제어 장치, 기기 제어 시스템에 적용되어 실시될 수 있다. The partial discharge diagnosis method of the monitoring apparatus disclosed in this specification can be applied to the apparatus state monitoring system, the apparatus control apparatus, and the apparatus control system.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 원격 감시 제어 장치 및 원격 감시 제어 시스템 등에 적용되어 실시될 수 있다. The partial discharge diagnosis method of the monitoring apparatus disclosed in this specification can be applied to a remote monitoring control apparatus, a remote monitoring control system, and the like.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 가스절연개폐기를 비롯한 전력기기의 부분방전 진단시스템 및 전력기기의 온라인 상태 진단시스템에 유용하게 적용되어 실시될 수 있다.The partial discharge diagnosis method of the monitoring apparatus disclosed in the present specification can be effectively applied to a partial discharge diagnosis system of a power apparatus including a gas insulated switchgear and an online condition diagnosis system of a power apparatus.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 초고압 변압기 및 배전기기의 예방진단시스템에 유용하게 적용되어 실시될 수 있다.
The partial discharge diagnosis method of the monitoring apparatus disclosed in this specification can be applied to a preventive diagnosis system of an ultra-high voltage transformer and a power distribution apparatus.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 부분방전을 센싱하여 생성된 신호의 감쇠율을 산출하고, 산출된 감쇠율에 따라 신호의 감쇠분을 보상함으로써, 신호의 감쇠에 따른 오진단을 방지할 수 있는 효과가 있다.The partial discharge diagnosis method of the monitoring apparatus disclosed in this specification calculates a decay rate of a signal generated by sensing a partial discharge and compensates a damped rate of the signal according to the calculated decay rate to prevent false diagnosis due to signal attenuation There is an effect that can be.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 센서의 위치 및 센서의 종류에 따른 연산이 이루어짐으로써, 부분방전을 센싱하는 센서의 특성이 반영된 부분방전 진단이 이루어질 수 있는 효과가 있다.The partial discharge diagnosis method of the monitoring apparatus of the present invention has an effect that the partial discharge diagnosis is performed in which the characteristics of the sensor for sensing the partial discharge are reflected by performing calculations according to the position of the sensor and the type of the sensor.
본 명세서에 개시된 감시 장치의 부분방전 진단 방법은, 센서의 특성이 반영된 부분방전 진단이 이루어짐으로써, 보다 정확하고 정밀한 부분방전 진단이 이루어질 수 있는 효과가 있다.
In the partial discharge diagnosis method of the monitoring apparatus disclosed in this specification, the partial discharge diagnosis is performed in which the characteristics of the sensor are reflected, and thereby, more accurate and accurate partial discharge diagnosis can be performed.
이상에서 설명한 본 발명의 바람직한 실시 예들은 기술적 과제를 해결하기 위해 개시된 것으로, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자(당업자)라면 본 발명의 사상 및 범위 안에서 다양한 수정, 변경, 부가 등이 가능할 것이며, 이러한 수정 등은 이하의 특허청구범위에 속하는 것으로 보아야 할 것이다.It will be apparent to those skilled in the art that various modifications and changes can be made in the present invention without departing from the spirit or scope of the present invention as defined by the appended claims. And such modifications and the like should be considered to fall within the scope of the following claims.
10: 중앙처리부
20: 센서a
21: 케이블A
30: 센서b
31: 케이블B
40: 센서c
41: 케이블C
50: 감시 장치
S10: 복수의 센서 중 어느 하나 이상의 센서를 통해 상기 기기에서 발생한 부분방전을 센싱하여 신호를 생성하는 단계
S20: 상기 신호의 감쇠율을 산출하여, 상기 산출된 감쇠율에 따라 상기 신호의 감쇠분을 보상하는 단계
S30: 상기 신호의 특징량을 추출하여, 상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계
S40: 상기 입력 벡터를 상기 센서의 종류에 따라 기 설정된 인공신경망 연산식에 대입하여 연산하는 단계
S50: 상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계10: central processing unit 20: sensor a
21: Cable A 30: Sensor b
31: Cable B 40: Sensor c
41: Cable C 50: Monitoring device
S10: generating a signal by sensing partial discharge generated in the device through at least one sensor among the plurality of sensors
S20: calculating a decay rate of the signal, and compensating the decay of the signal according to the calculated decay rate
S30: extracting the feature quantity of the signal and converting the extracted feature quantity into an input vector form
S40: computing the input vector by substituting the input vector into a preset artificial neural network equation according to the type of the sensor
S50: Diagnosing the partial discharge of the device based on the calculation result
Claims (9)
복수의 센서 중 어느 하나 이상의 센서를 통해 상기 기기에서 발생한 부분방전을 센싱하여 신호를 생성하는 단계;
상기 신호의 감쇠율을 산출하여, 상기 산출된 감쇠율에 따라 상기 신호의 감쇠분을 보상하는 단계;
상기 신호의 특징량을 추출하여, 상기 추출된 특징량을 입력 벡터 형태로 데이터화하는 단계;
상기 입력 벡터를 상기 센서의 종류에 따라 기 설정된 인공신경망 연산식에 대입하여 연산하는 단계; 및
상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계;를 포함하는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
A partial discharge diagnosis method of a monitoring apparatus for diagnosing partial discharge of an apparatus,
Sensing a partial discharge generated in the device through at least one sensor among the plurality of sensors to generate a signal;
Calculating a decay rate of the signal and compensating the decay of the signal according to the calculated decay rate;
Extracting a characteristic quantity of the signal and converting the extracted characteristic quantity into an input vector form;
Computing the input vector by substituting the input vector into a preset artificial neural network equation according to the sensor type; And
And diagnosing a partial discharge of the device based on the result of the calculation.
상기 감쇠율은,
상기 복수의 센서가 포함된 위치 및 상기 복수의 센서와 상기 감시 장치가 연결되는 케이블에 따른 수치이되,
상기 복수의 센서와 상기 감시 장치가 연결되는 케이블의 길이 및 상기 케이블의 단위 길이당 감쇠율을 근거로 산출되는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
The method according to claim 1,
The above-
A position where the plurality of sensors are included and a value according to a cable to which the plurality of sensors and the monitoring device are connected,
Wherein the calculation is performed based on a length of a cable to which the plurality of sensors and the monitoring device are connected and a decay rate per unit length of the cable.
상기 특징량은,
상기 기기에서 발생한 부분방전에 대한 수치이되,
상기 부분방전의 위상, 방전량 및 발생빈도에 대한 수치를 포함하는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
The method according to claim 1,
Wherein the feature quantity
A numerical value for the partial discharge generated in the apparatus,
Wherein the partial discharge includes a value of a phase, a discharge amount, and a frequency of occurrence of the partial discharge.
상기 인공신경망은,
상기 입력 벡터가 입력되는 입력층, 상기 입력 벡터에 가중치가 곱해지는 은닉층 및 상기 연산 결과가 출력되는 출력층을 포함하는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
The method according to claim 1,
The artificial neural network,
Wherein the input vector includes an input layer to which the input vector is input, a hidden layer where the input vector is multiplied by a weight, and an output layer to which the calculation result is output.
상기 입력층은,
상기 입력 벡터의 벡터 성분의 수만큼 입력 뉴런을 포함하여, 상기 입력 벡터의 벡터 성분 각각이 상기 입력 뉴런 각각에 입력되는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
5. The method of claim 4,
Wherein the input layer comprises:
Wherein the input neuron includes input neurons as many as the number of vector components of the input vector, and each vector component of the input vector is input to each of the input neurons.
상기 은닉층 및 출력층은,
상기 센서의 종류에 따라 설정된 복수의 행렬식을 포함하되,
상기 복수의 행렬식은,
Weight value 및 Bias Value의 조합으로 이루어져, 상기 입력 벡터에 가중치가 곱해지도록 하는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
5. The method of claim 4,
Wherein the hidden layer and the output layer comprise
A plurality of determinants set according to the type of the sensor,
Wherein the plurality of determinants comprises:
A weight value, and a bias value, so that the input vector is multiplied by a weight.
상기 은닉층은,
상기 복수의 행렬식 중 상기 입력 벡터에 해당하는 행렬식을 상기 입력 벡터의 가중치 연산에 적용하여, 상기 입력 벡터에 가중치가 곱해지도록 하고,
상기 출력층은,
상기 복수의 행렬식 중 상기 입력 벡터에 해당하는 행렬식을 상기 은닉층에서 연산된 벡터의 가중치 연산에 적용하여, 상기 은닉층에서 연산된 벡터에 가중치가 곱해진 연산 결과가 출력되는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
The method according to claim 6,
The hidden layer
A determinant corresponding to the input vector among the plurality of determinants is applied to a weight computation of the input vector to multiply the input vector by a weight,
The output layer
Wherein a determinant corresponding to the input vector among the plurality of determinants is applied to a weight computation of a vector computed in the hidden layer, and a computation result obtained by multiplying a vector computed in the hidden layer by a weight is output. Discharge diagnosis method.
상기 입력 벡터를 상기 센서의 종류에 따라 기 설정된 인공신경망 연산식에 대입하여 연산하는 단계는,
상기 입력 벡터를 근거로, 상기 입력 벡터에 해당하는 상기 센서의 종류를 판단하는 것을 특징으로 하는 감시 장치의 부분방전 진단 방법.
The method according to claim 1,
Wherein the step of calculating the input vector by substituting the input vector into a preset artificial neural network equation according to the type of the sensor,
Wherein the type of the sensor corresponding to the input vector is determined based on the input vector.
상기 연산 결과를 근거로 상기 기기의 부분방전을 진단하는 단계는,
상기 연산 결과를 기 저장된 기준 벡터들과 비교하여, 상기 비교 결과를 근거로 상기 기기의 부분방전을 진단하되,
상기 기 저장된 기준 벡터들은,
상기 부분방전의 유형에 따른 패턴 기준 벡터들인 것을 특징으로 하는 감치 장치의 부분방전 진단 방법.The method according to claim 1,
Wherein the step of diagnosing the partial discharge of the device based on the calculation result comprises:
Comparing the calculation result with previously stored reference vectors, diagnosing a partial discharge of the device based on the comparison result,
The pre-
Wherein the partial discharge vectors are pattern reference vectors according to the type of the partial discharge.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140044371A KR20150118456A (en) | 2014-04-14 | 2014-04-14 | Method for partial discharge diagnosis of monitoring apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140044371A KR20150118456A (en) | 2014-04-14 | 2014-04-14 | Method for partial discharge diagnosis of monitoring apparatus |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20150118456A true KR20150118456A (en) | 2015-10-22 |
Family
ID=54426906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140044371A KR20150118456A (en) | 2014-04-14 | 2014-04-14 | Method for partial discharge diagnosis of monitoring apparatus |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20150118456A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108508852A (en) * | 2017-02-27 | 2018-09-07 | 株式会社东芝 | isolation management system and isolation management method |
| CN108802577A (en) * | 2018-04-19 | 2018-11-13 | 沈阳工程学院 | A kind of switch cabinet partial discharge measurement and positioning method |
| CN109324503A (en) * | 2018-08-28 | 2019-02-12 | 南京理工大学 | Multilayer neural network electric system control method based on robust integral |
| CN114167238A (en) * | 2021-12-03 | 2022-03-11 | 广东电网有限责任公司广州供电局 | Cable partial discharge detection method, device, system, equipment and storage medium |
-
2014
- 2014-04-14 KR KR1020140044371A patent/KR20150118456A/en not_active Application Discontinuation
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108508852A (en) * | 2017-02-27 | 2018-09-07 | 株式会社东芝 | isolation management system and isolation management method |
| CN108802577A (en) * | 2018-04-19 | 2018-11-13 | 沈阳工程学院 | A kind of switch cabinet partial discharge measurement and positioning method |
| CN109324503A (en) * | 2018-08-28 | 2019-02-12 | 南京理工大学 | Multilayer neural network electric system control method based on robust integral |
| CN109324503B (en) * | 2018-08-28 | 2022-02-15 | 南京理工大学 | Multilayer neural network motor system control method based on robust integration |
| CN114167238A (en) * | 2021-12-03 | 2022-03-11 | 广东电网有限责任公司广州供电局 | Cable partial discharge detection method, device, system, equipment and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101574615B1 (en) | A partial discharge monitoring and diagnosis system for power devices by using signal detection based on statistical phase-angle patterns | |
| KR101574613B1 (en) | A detection and diagnosis system with remote configuration function for partial discharge by detecting UHF electrical signal | |
| CA2545695C (en) | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor | |
| KR101553005B1 (en) | A partial discharge monitoring and diagnosis system for power devices | |
| US10713580B2 (en) | Failure prediction apparatus for electric device and failure prediction method using the same | |
| EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
| KR101519923B1 (en) | A partial discharge detection system for a distributing board with the acoustic emission sensor | |
| Gonçalves et al. | Fault detection, diagnosis and prediction in electrical valves using self-organizing maps | |
| KR101550588B1 (en) | Junction box for solar power generating system having a function of diagnosing high temperature and arc/corona discharge by detecting infrared and ultrasonic waves | |
| KR20150118456A (en) | Method for partial discharge diagnosis of monitoring apparatus | |
| CN117407679B (en) | Data acquisition method and system of intelligent end screen sensor | |
| US20130297249A1 (en) | System and method for detecting electric power plant equipment overheating with real-time plural parallel detection and analysis parameters | |
| KR101550689B1 (en) | A arc or corona detection system for a distributing board with the acoustic emission sensor and noise removal function | |
| CN102714101A (en) | Method and apparatus for determination of wear to a contact element | |
| US9188632B1 (en) | Self learning radio frequency monitoring system for identifying and locating faults in electrical distribution systems | |
| Bindi et al. | Neural network-based fault diagnosis of joints in high voltage electrical lines | |
| CN117538710A (en) | Intelligent early warning method and system for local dynamic discharge monitoring | |
| KR102056101B1 (en) | A system for monitoring and analyzing the generating part and transmitting part | |
| KR20120022126A (en) | Automatic analysis system for partial discharge using neural network | |
| KR20190113097A (en) | Method and apparatus for updating interactive real-time controlling and diagnosing system for power system | |
| US11315083B2 (en) | Asset management method for substation | |
| WO2023100183A1 (en) | Condition monitoring of electrical devices | |
| KR101137318B1 (en) | System and method for dignosis of semiconduct manufacturing apparatus | |
| KR20230061480A (en) | Determining the state of electrical equipment using fluctuations in diagnostic parameter prediction errors | |
| JP2000215766A (en) | Monitoring diagnosis device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| WITN | Withdrawal due to no request for examination |