KR20170038347A - 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법 및 장치 - Google Patents

Abstract

본 발명은 수냉각 발전기의 고정자 권선 절연물의 흡습을 예측하여 고장 발생 시기를 산정하기 위하여, 정상 권선으로부터 획득된 정전용량 데이터에 기초하여 정상 정전용량 변동 모델을 모델링하는 단계, 흡습 권선으로부터 획득된 정전용량 데이터에 기초하여 흡습 정전용량 변동 모델을 모델링하는 단계, 정상 정전용량 변동 모델과 흡습 정전용량 변동 모델에 기초하여 권선의 흡습 정도를 나타내는 건전성 인자의 변화 곡선을 산출하는 단계, 정상 권선으로부터 정전용량 데이터 샘플링을 반복하여 정상 정전용량 변동 모델의 모델링 및 건전성 인자 변화 곡선 산출을 반복하는 단계, 및 위 반복에 기초하여 건전성 인자가 기준치를 초과하는 시점에 대한 확률 분포를 산출하는 단계를 포함하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법을 제공함으로써 고정자 권선 절연물의 흡습을 예측하여 고장 발생 시기를 산정할 수 있게 된다.

Description

수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법 및 장치{Apparatus and method for predicting water absorption of insulating material in water-cooled power gernerator stator windings}

본 발명은 수냉각 발전기의 고정자 권선 절연물의 흡습 예측 방법 및 장치에 관한 것이다.

기계 시스템의 건전성을 평가하고 예측하는 PHM(Prognostics and Health Management) 분야는 고장으로 인한 복구 시간이 길어질수록 사회적 손실이 막대한 발전 시스템에서는 필수적인 기술이다. PHM 분야에 대한 국내의 연구 수준은 다소 미미한 실정이며, 최근에 들어 많은 발전을 이루고 있다.

수냉식 발전기 고정자 권선의 흡습에 대한 종래의 기술에서는 흡습량을 평가하고 상태를 진단하는 기술로 미국 GE사의 C-map이 있다. C-map은 권선 절연물의 정전용량을 측정하여 냉각수로 인한 흡습 여부를 판단하는 기술로서, 이를 통하여 흡습 여부를 판단하고 유지 보수 여부를 결정하고 있다.

기타 권선 절연물의 흡습량을 평가하고 상태를 진단하는 기술은 다양하게 존재하나 흡습량을 예측하여 권선의 잔여 수명을 계산하고 진정한 의미의 예방 보수를 가능하게 하는 기술은 개발되어 있지 않다.

한국공개특허 제10-2012-0128948호

본 발명은 상기와 같은 문제점을 감안하여 이루어진 것으로, 수냉각 발전기의 고정자 권선 절연물의 흡습을 예측하여 고장 발생 시기를 산정하는 것을 목적으로 한다.

상기와 같은 기술적 과제를 해결하기 위하여 본 발명의 실시예들의 일 측면에 의하면, 정상 권선으로부터 획득된 정전용량 데이터에 기초하여 정상 정전용량 변동 모델을 모델링하는 단계, 흡습 권선으로부터 획득된 정전용량 데이터에 기초하여 흡습 정전용량 변동 모델을 모델링하는 단계, 정상 정전용량 변동 모델과 흡습 정전용량 변동 모델에 기초하여 권선의 흡습 정도를 나타내는 건전성 인자의 변화 곡선을 산출하는 단계, 정상 권선으로부터 정전용량 데이터 샘플링을 반복하여 정상 정전용량 변동 모델의 모델링 및 건전성 인자 변화 곡선 산출을 반복하는 단계, 및 위 반복에 기초하여 건전성 인자가 기준치를 초과하는 시점에 대한 확률 분포를 산출하는 단계를 포함하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법을 제공한다.

이러한 본 발명의 다른 특징에 의하면, 복수의 권선 각각으로부터 정전용량 데이터를 획득하는 단계 및 획득한 정전용량 데이터로부터 복수의 권선을 정상 권선과 흡습 권선으로 분류하는 단계를 더 포함하고, 정상 정전용량 변동 모델의 모델링은 정상 권선으로 분류된 권선으로부터 획득한 정전용량 데이터를 사용하고, 흡습 정전용량 변동 모델의 모델링은 흡습 권선으로 분류된 권선으로부터 획득한 정전용량 데이터를 사용할 수 있다.

본 발명의 또 다른 특징에 의하면, 정상 권선과 흡습 권선의 분류는 획득된 정전용량 데이터에 대한 각 권선별 건전성 인자를 측정하고, 측정된 건전성 인자가 기준치를 초과하는지 여부에 기초하여 수행될 수 있다.

본 발명의 또 다른 특징에 의하면, 정상 권선의 정전용량 데이터는 정규분포에 기초한 샘플링을 통하여 획득될 수 있다.

본 발명의 또 다른 특징에 의하면, 흡습 권선의 흡습 정전용량 변동 모델은 픽의 제2법칙에 기초하여 모델링될 수 있다.

본 발명의 또 다른 특징에 의하면, 건전성 인자는 방향성 마하라노비스(Directional Mahalanobis Distance) 거리일 수 있다.

상기와 같은 기술적 과제를 해결하기 위하여 본 발명의 실시예들의 다른 측면에 의하면, 정상 권선으로부터 획득된 정전용량 데이터에 기초하여 정상 정전용량 변동 모델을 모델링하고, 흡습 권선으로부터 획득된 정전용량 데이터에 기초하여 흡습 정전용량 변동 모델을 모델링하는 모델링부, 정상 정전용량 변동 모델과 흡습 정전용량 변동 모델에 기초하여 권선의 흡습 정도를 나타내는 건전성 인자의 변화 곡선을 산출하는 건전성 인자 곡선 산출부, 및 건전성 인자가 기준치를 초과하는 시점에 대한 확률 분포를 산출하는 확률 산출부를 포함하고, 모델링부는 정상 권선으로부터의 정전용량 데이터 샘플링을 반복하여 정상 정전용량 변동 모델을 산출하고, 인자 곡선 산출부는 정상 정전용량 변동 모델이 새로 산출될 때마다 건전성 인자 변화 곡선 산출을 반복하며, 확률 산출부는 반복하여 산출된 건전성 인자 변화 곡선에 기초하여 산출된 복수의 건전성 인자가 기준치를 초과하는 시점으로부터 확률 분포를 산출하는 것을 특징으로 하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 장치를 제공한다.

상기와 같은 구성으로 인하여, 본 발명의 실시예들에 따른 흡습 예측 방법 및 장치에 따르면 수냉각 발전기의 고정자 권선 절연물의 흡습을 예측하여 고장 발생 시기를 산정할 수 있어, 고장이 발생하기 전에 권선의 교체가 가능하여 유지보수에 발생하는 비용을 저감하는 효과를 달성할 수 있게 된다.

도 1은 본 발명의 일 실시예에 따른 권선 절연물의 흡습 예측 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 권선 절연물의 흡습 예측 방법을 나타내는 흐름도이다.
도 3은 흡습이 진행중인 권선의 단면을 개념적으로 나타낸 모식도이다.
도 4는 본 발명의 일 실시예에 따른 흡습 정전용량 변동 모델의 모델링에 있어서 파라미터를 산출하는 모습을 나타내는 도면이다.
도 5는 정상 권선과 흡습 권선의 시간에 따른 정전용량의 변화 추이를 나타내는 그래프이다.
도 6은 본 발명의 일 실시예에 따른 정상 정전용량 변동 모델의 모델링에 대하여 설명하는 도면이다.
도 7은 본 발명의 시간에 따른 건전성 인자 변화 곡선을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따라서 건전성 인자 변화 곡선을 반복하여 도출하여 표시한 모습을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따라서 고장 발생 시기의 확률분포를 나타내는 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 본 발명에 따른 실시 예들을 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 일 실시예에 따른 권선 절연물의 흡습 예측 장치(10)의 구성을 나타내는 블록도이다.

흡습 예측 장치(10)는 수냉식 발전기 고정자 권선의 흡습 정도를 픽의 제2 법칙을 이용한 모델링을 활용하고, 정상 권선의 흡습 정도를 통계적으로 예측하여 권선의 상태를 나타내는 지표인 건전성 인자의 예측값을 산출해 권선의 잔여 수명을 계산하는 것을 특징으로 한다. 이때 정상 권선의 흡습 정도는 통계적인 모델 추정 후 확률적인 샘플링을 통해서 결정되기 때문에 샘플링의 결과에 따라 예측되는 권선의 잔여 수명 또한 달라질 수 있으며, 따라서 많은 반복을 통해서 권선의 수명을 확률분포로서 나타낸다.

흡습 예측의 방법을 개략적으로 설명하면, 먼저 권선에서 정전용량을 측정하여 건전성 데이터의 평균이동을 수행하고, 이를 통하여 흡습 권선과 정상 권선을 분류하여 각각에 대해서 모델링을 실시한다. 그 후, 건전성 인자 예측 및 건전성 인자 변화 곡선을 산출하며, 정상 권선 모델링 및 건전성 인자 예측을 반복함으로써 권선의 고장 예상시기를 확률적으로 도출하게 된다.

도 1을 참조하면, 상기와 같은 흡습 예측을 수행하기 위한 본 실시예에 따른 흡습 예측 장치(10)는 제어부(1), 데이터 획득부(2), 모델링부(3), 건전성 인자 곡선 산출부(4), 확률 산출부(5)를 구비할 수 있다.

제어부(1)는 흡습 예측 장치(10)의 전반적인 동작을 제어한다.

데이터 획득부(2)는 권선에 대하여 측정한 정전용량 데이터를 획득한다.

한편, 제어부(1)는 데이터 획득부(2)에서 획득한 정전용량 데이터들로부터 측정 대상인 권선을 정상 권선과 흡습 권선으로 분류한다. 이때, 제어부(1)는 획득된 정전용량 데이터에 대한 각 권선별 건전성 인자를 측정하고, 측정된 건전성 인자가 기준치를 초과하는지 여부에 기초하여 정상 권선과 흡습 권선의 분류를 수행할 수 있다. 여기서, 건전성 인자는 방향성 마하라노비스 거리(Directional Mahalanobis Distance)일 수 있다.

모델링부(3)는 제어부(1)의 분류 결과를 토대로 정상 권선으로부터 획득된 정전용량 데이터에 기초하여 정상 정전용량 변동 모델을 모델링하고, 흡습 권선으로부터 획득된 정전용량 데이터에 기초하여 흡습 정전용량 변동 모델을 모델링한다.

모델링부(3)는 정상 권선으로부터의 정전용량 데이터를 반복하여 샘플링함에 수반하여 정산 정전용량 변동 모델을 반복하여 모델링한다. 이때, 모델링부(3)는 정상 권선의 정전용량 데이터를 정규분포에 기초한 샘플링을 통하여 획득될 수 있다.

또한 모델링부(3)는 흡습 권선의 흡습 정전용량 변동 모델을 픽의 제2법칙에 기초하여 모델링할 수 있다.

건전성 인자 곡선 산출부(4)는 모델링부(3)에서 생성된 정상 정전용량 변동 모델과 흡습 정전용량 변동 모델에 기초하여 권선의 흡습 정도를 나타내는 건전성 인자의 변화 곡선을 산출한다.

건전성 인자 곡선 산출부(4)는 모델링부(3)에서 정상 정전용량 변동 모델이 반복하여 모델링되면, 그 정상 정전용량 변동 모델이 새로 산출될 때마다 반복하여 건전성 인자 변화 곡선을 산출한다.

확률 산출부(5)는 건전성 인자 곡선 산출부(4)에서 산출한 건전성 인자의 변화 곡선에서 건전성 인자가 기준치를 초과하는 시점에 대한 확률 분포를 산출한다. 즉, 확률 산출부(5)는 건전성 인자 곡선 산출부(4)에서 건전성 인자 변화 곡선이 반복하여 산출될 때마다, 각각의 건전성 인자 변화 곡선에서 건전성 인자가 기준치를 초과하는 시점을 추출하고, 추출된 시점을 수집하여 시간에 따른 확률분포를 산출한다.

제어부(1)는 확률 산출부(5)에서 산출한 확률분포에 기초하여 건전성 인자가 기준치를 초과할 확률이 가장 높은 시점을 고장이 발생할 가능성이 가장 높은 시점이라고 판단한다.

이하, 도 2 내지 도 9를 참조하여 흡습 예측 방법을 구체적으로 살펴본다.

도 2는 본 발명의 일 실시예에 따른 권선 절연물의 흡습 예측 방법을 나타내는 흐름도이다.

먼저, 데이터 획득부(2)에 의하여 정전용량 데이터가 획득되고(S1), 획득된 정전용량 데이터들에 대하여 평균이동을 수행하고(S2), 각 권선별로 건전성 인자를 분석한다(S3). 그리고 획득된 건전성 인자의 분석 결과를 기준치와 비교하여 이를 초과하는지 여부를 판단하고, 기준치를 초과하는 경우에는 흡습 권선으로 분류하고 그렇지 않은 경우에는 정상 권선으로 분류한다(S4).

여기서 건전성 데이터의 평균이동에 대해서 설명한다.

권선의 흡습량은 절연물의 정전용량을 통해서 간접적으로 측정되는데, 이러한 권선 절연물의 정전용량 측정방법은 등록특허 제10-1471015호인 '수냉각 발전기 고정자 권선 절연물의 흡습 판단 방법'에 따라서 수행될 수 있다.

권선 절연물에서의 흡습량이 증가함에 따라서 절연물의 정전용량은 함께 증가하기 때문에 시간의 흐름에 따른 정전용량 데이터의 분포는 증가하는 방향이거나 변화가 없는 경우가 일반적이다. 그러나 측정된 정전용량 데이터를 확인해보면 시간에 따른 감소 경향을 보이는 경우가 있는데, 앞서 말한 일반적인 경향과는 반대이다. 이는 측정 당시의 외부 환경에 따른 측정오차에 기인한 결과라고 판단할 수 있다.

상기와 같은 측정오차에 기인한 영향을 제거하기 위하여, 측정오차에 따라서 데이터의 분포가 이동하는 경향을 제거하기 위해 권선에서 측정된 데이터들을 모두 평균이동을 통해 평균값을 '0'으로 설정한다. 이를 통하여 데이터 분포의 평균으로부터의 상대적인 크기만으로 데이터의 흡습 정도를 표현한다.

위와 같은 데이터 분포의 평균이동을 수행한 다음에 건전성 인자의 분석 및 권선의 분류를 수행하게 된다.

다시 도 2로 돌아오면, 건전성 인자가 기준치를 초과하여 흡습 권선으로 분류되면, 해당 권선의 데이터를 이용하여 흡습 권선의 모델링을 수행한다(S8). 그리고 모델링에 포함되는 모델 파라미터를 회귀분석법을 통하여 결정한다(S9). 상기와 같은 과정을 통하여 결정된 모델을 통하여 흡습 권선의 평균이동 정전용량을 예지한다(S10).

이하, 도 3을 참조하여 흡습 권선의 모델링 등에 대해서 좀 더 구체적으로 살펴본다.

도 3은 흡습이 진행중인 권선의 단면을 개념적으로 나타낸 모식도이다.

절연체가 도포된 권선(20)에서 권선(21) 내에는 유로(23)가 형성되어 있으며, 유로(23) 내를 냉각수(24)가 통과하여 권선(21)을 냉각시킨다. 그리고 권선(21)의 외부에는 절연체(22)가 권선(21)을 감싸도록 형성되어 있다.

권선(21)의 노후화로 균열이 발생하면 냉각수(24)가 그 균열을 따라 흘러 권선(21)을 감싸고 있는 절연체(22)에 접하여 스며들게 되어 흡습 현상이 발생한다.

냉각수(24)와 절연체(22)의 경계면에서의 냉각수(24)의 이동은 물질의 확산 현상으로 가정할 수 있으므로, 절연체(22)의 경계면에서의 시간에 따른 물질의 확산 농도 변화에 관한 법칙인 픽의 제2 법칙(Fick's second law)을 흡습 권선의 모델링에 적용하였다.

아래 [수학식 1]은 픽의 제2 법칙을 나타낸다. 그리고 [수학식 2]는 픽의 제2 법칙으로부터 얻어진 이론적인 해이다.

[수학식 2]에서의 시간에 따른 흡습량(m)은 시간(t)이 흡습이 시작되는 시기(t_i)일 때 0이다. 그리고 시간이 증가함에 따라 포화 흡습량(m_∞)에 도달함을 알 수 있다. 즉, 흡습 현상은 픽의 제2 법칙을 따를 것이라는 가정에 따라, 시간에 따른 흡습량의 변화는 [수학식 2]와 같은 현상을 보일 것으로 가정하였다.

[수학식 2]에서 얻은 모델식을 통해 시간의 흐름에 다른 흡습량의 변화를 예측할 수 있지만, 흡습 판단을 위해 측정하는 건전성 데이터는 권선 절연체의 정전용량이기 때문에 [수학식 2]에서 얻은 흡습량에 관한 식을 정전용량에 관한 식으로 바꾸어주어야 한다.

아래의 [수학식 3]은 정전용량의 정의로서, 정전용량은 비유전율(ε_r)에 비례하는 것을 알 수 있다. 이때, 권선의 절연체를 구성하는 마이카(mica)의 비유전율이 5.0~6.0인 것에 반해, 물의 비유전율은 상대적으로 큰 값인 80 정도이기 때문에 흡습이 발생하면 절연체의 정전용량이 증가하게 된다.

이와 같은 이론에 기초하여 냉각수(24)의 유입으로 인해 증가된 절연체(22)의 비유전율은 냉각수(24)의 농도에 비례함을 가정하였다. 이를 나타낸 것이 아래의 [수학식 4]이다. [수학식 4]에 따르면 흡습된 권선 절연체(22)의 정전용량(C)은 흡습되기 이전의 정전용량(C₀)에 흡습된 냉각수(24)의 농도에 비례한 값(β:비례상수)으로 나타낼 수 있음을 알 수 있다.

위 [수학식 2] 및 [수학식 4]의 내용을 종합하면, 수냉식 권선의 흡습된 절연물의 평균이동 정전용량은 [수학식 5]와 같이 나타낼 수 있음을 알 수 있다.

여기서, 흡습된 권선의 정전용량을 나타내는 모델식인 [수학식 5]에는 A, k, t_i의 세 가지 모델 파라미터가 포함되어 있다. 이들 모델 파라미터를 정전용량 이력 데이터를 이용하여 결정하면, 시간에 따른 흡습량의 변화를 예측할 수 있다. 이러한 모델 파라미터를 결정하기 위해 회귀분석법을 사용하였다.

도 4는 본 발명의 일 실시예에 따른 흡습 정전용량 변동 모델의 모델링에 있어서 파라미터를 산출하는 모습을 나타내는 도면이다.

도 4를 참조하면, 회귀분석법을 이용하여 모델 파라미터를 결정하는 과정을 나타낸다. 모델 파라미터의 값에 따라 결정되는 곡선과 t₁, t₂, t₃의 시간에 측정된 세 개의 평균이동 정전용량 데이터들 사이의 차이 값을 각각 δ₁, δ₂, δ₃ 라고 할 때, δ₁, δ₂, δ₃ 의 크기가 작을수록 모델링과 실제 데이터의 일치율이 높아지게 된다. 따라서 δ₁, δ₂, δ₃ 의 RMS(Root Mean Square)의 값이 최소가 되는 모델 파라미터 A, k, t_i의 값을 최적의 모델 파라미터로 정의하였다. 그리고 최적의 모델 파라미터를 구하기 위하여 많은 A, k, t_i의 경우를 대입하여 RMS를 계산한 다음 최소값을 결정하였다.

상기와 같은 방식으로 정상 권선에 대한 모델링, 모델 파라미터 결정 및 흡습 권선 평균이동 정전용량의 예지가 수행된다.

다시 도 2로 돌아오면, 건전성 인자가 기준치를 초과하지 않아 정상 권선으로 분류되면, 해당 권선의 데이터를 이용하여 정상 권선의 모델링을 수행한다(S5). 그리고 확률 분포 기판으로 데이터 샘플링을 수행하고(S6), 이에 기초하여 정상 권선 평균이동 정전용량을 예지한다(S7).

이하, 정상 권선의 모델링 등에 대해서 좀 더 구체적으로 살펴본다.

발전기 내에는 여러 개의 권선이 형성되어 있는데, 그 중에는 흡습이 진행 중인 권선이 있는 반면, 흡습이 진행중이지 않은 정상 권선도 존재한다. 흡습이 존재하는 권선은 일부에 해당하며, 대부분의 권선이 흡습이 발생하지 않은 정상 권선이다. 이때, 특정 데이터를 살펴보면 정상 권선에도 시간에 따른 작은 변화는 존재하며, 흡습 권선과도 차이가 나타나는데, 그 모습은 도 5와 같다.

도 5는 정상 권선과 흡습 권선의 시간에 따른 정전용량의 변화 추이를 나타내는 그래프이다.

흡습이 진행 중인 권선의 평균이동 정전용량은 시간에 따라 큰 증가 경향을 보이지만, 정상 권선의 경우 흡습이 일어나지 않기 때문에 시간에 따른 증가 경향은 거의 없으며, 그 변화 폭이 상대적으로 작음을 알 수 있다.

권선을 흡습 권선과 정상 권선으로 나누는 기준은 다양한 방법이 있을 수 있으나 등록특허 제10-1471015호인 '수냉각 발전기 고정자 권선 절연물의 흡습 판단 방법'에서 개시한 방향성 마하라노비스 거리와 흡습 건정 등급제의 기준에 따라서 수행될 수 있다.

정상 권선에서 시간에 따른 작은 폭의 변화는 측정 당시의 오차에 기인한 것으로 가정하였다. 작은 크기의 측정 오차까지 정확하게 예측하는 것은 불가능하므로, 오차가 발생한다면 이는 정규분포를 따른다고 가정할 수 있으며, 카이제곱 검정법과 Normal Probability Plot을 이용하여 이를 확인하였다. 이러한 결과가 도 6에 나타나 있다.

정상 권선의 평균이동 정전용량 값들을 이용해 정규 분포에 대한 카이제곱 검정을 수행한 결과, p-value가 0.7748에 해당하였으며, 일반적인 가설 채택의 기준인 0.05의 p-value를 크게 상회하는 것을 확인할 수 있다.

또한 Normal Probability Plot의 결과에서도 정규분포의 확률선도에 정상 권선의 데이터들이 근접함을 확인할 수 있다.

이러한 결과들을 통해 정상 권선의 평균이동 정전용량은 정규분포를 따르고 있음을 확인하였으며, 정규분포의 확률분포에 기반을 둔 샘플링을 통해서 평균이동 정전용량을 예측하였다.

상기와 같은 방식으로 흡습 권선에 대한 모델링, 데이터 샘플링 및 정상 권선 평균이동 정전용량의 예지가 수행된다.

다시 도 2로 돌아오면, S5~S7을 통해서 산출한 정상 권선 평균이동 정전용량의 예측값과 S8~S10을 통해서 산출한 흡습 권선 평균이동 정전용량 예측값에 기초하여 건전성 인자를 예측하고(S11), 건전성 인자 변화 곡선을 산출하여 고장 예상 시기를 산정한다(S12).

이하에서는 S11 단계의 건전성 인자 예측에 대해서 좀 더 구체적으로 살펴본다.

권선의 건전성을 표현하는 건전성 인자는 앞서 설명한 바와 같이 방향성 마하라노비스 거리(DMD)로서, [수학식 6]과 같이 정의될 수 있다.

특정 권선의 DMD를 계산하기 위해 해당 권선의 평균이동 정전용량 데이터(C_ms,i)와 전체 권선들의 평균이동 정전용량의 공분산 행렬(∑)이 필요하며, 공분산 행렬을 구하기 위해서는 권선 전체의 평균이동 정전용량을 알아야 하기 때문에 결과적으로 전체 권선의 평균이동 정전용량 예측치가 필요하게 된다.

이는 앞서 설명한 S5~S10을 통하여 얻을 수 있으며, 이를 이용하여 예측 DMD를 계산할 수 있게 된다.

도 7에 나타나듯이, 시간에 따른 예측 DMD를 계산하면, 건전성 인자 변화 곡선을 계산할 수 있게 된다. 기존 데이터에 기초하여 산출되는 DMD History(t₁, t₂, t₃ 에서의 값) 이후의 증가하는 DMD 예측값(t₄, t₅, t₆ 등 t₃ 이후에서의 값)을 얻어 고장 기준치(warning과 fault의 경계)에 도달하는 시점을 고장 예상 시기로 정의할 수 있다. 이때 고장에 대한 기준치는 앞서 언급한 흡습 건전성 등급제를 기반으로 할 수 있으며, 흡습 건전성 등급제가 DMD²의 수치에 따른 상태 분류를 하고 있기 때문에 건전성 인자 변화 곡선은 Time vs DMD 곡선이 아닌 Time vs DMD² 곡선을 이용한다.

다음으로 건전성 인자 예측을 통하여 산출된 건전성 인자 변화 곡선으로부터 고장 예상 시기가 산정되면, 정상 권선의 모델링 과정에서 수행한 정규분포에 기초한 정전용량의 샘플링 횟수가 설정치에 도달하였는지 판단한다(S13). 그리고 설정치에 도달하지 않은 경우 다시 S6 단계로 돌아가 정상 권선 정전용량 데이터의 샘플링 및 그 이후의 동작을 반복하여, 고장 예상 시기 산정을 반복한다. 이러한 반복 과정을 통하여 고장 예상 시기의 확률분포를 산출하여 고장 예상 시기를 확률적으로 구할 수 있게 된다(S14).

앞서, 정상 권선 정전용량 데이터의 샘플링과 관련하여 S6 단계에서 정규분포에 기초하여 샘플링을 수행하였다. 이는, 샘플링 결과에 따라서 정상 권선의 평균이동 정전용량과 전체 권선의 공분산 행렬이 일정하지 않을 수 있다는 것을 내포한다. 정상 권선의 정전용량의 거동은 불규칙하고 확률적으로밖에 예측할 수 없으므로 충분한 횟수의 데이터 샘플링 과정과, 그 결과로부터 얻어지는 고장 예상 시기를 종합하여 고장 예상 시기를 확률적으로 해석하는 것이 바람직하다.

도 8은 본 발명의 일 실시예에 따라서 건전성 인자 변화 곡선을 반복하여 도출하여 표시한 모습을 나타내는 도면이다.

도 8을 참조하면, 정상 권선의 정전용량 데이터를 샘플링하여 모델링을 새로할 때마다 생성되는 건전성 인자 변화 곡선을 case1~case3으로 나타내고 있다. 기존의 t₁, t₂, t₃ 에서의 정전용량 데이터를 통해 얻어진 확정된 값이 실선으로 나타내져 있으며, 그 뒤로 샘플링 결과에 따른 다양한 곡선이 형성된다.

이와 같이 서로 다른 형태의 건전성 인자 변화 곡선은 모두 확률적인 경로이며, 이처럼 수없이 많은 경로 형성을 통하여 얻은 결과 또한 확률적으로 해석할 수 있게 된다.

각각의 건전성 인자 변화 곡선이 고장 기준치와 만나게 되는 지점을 고장 예상 시기로 판단하며, 고장 예상 시기의 정보를 모아서 히스토그램 또는 확률분포로 나타낼 수 있다. 이와 같이 나타낸 확률분포가 도 9에 도시되어 있다.

도 9를 참조하면, 약 2017년에 고장이 발생할 확률이 높은 것으로 나타난다. 따라서 2017년 이전에 흡습 권선에 대한 보수 및 교체 작업을 통하여 고장의 확률을 크게 줄일 수 있게 된다.

이상, 본 발명의 실시 예들에 따른 흡습 예측 방법에 대하여 살펴보았다.

종래에는 흡습 상태를 진단하는 것에만 고려하였을 뿐, 권선에서 발생하는 흡습 현상으로 인해 증가하는 정전용량의 값의 변화를 기반으로 건전성 인자를 예측하는 기술은 연구되지 않았다. 그러나 본 발명의 실시예들에 따르는 경우 권선의 물리적 모델링을 통하여 건전성 인자를 예측하여 권선의 고장 예상 시기를 산정할 수 있게 된다.

본 발명의 실시 예들은 기존의 일반적으로 사용되는 데이터 기반 예측보다 결과를 예측하는데 필요한 데이터의 양을 줄일 수 있다는 큰 장점이 있다. 발전기 고정자 권선 절연물의 정전용량 데이터의 취득은 발전소 예방계획점검 기간에 주기적으로 수행되는데, 보통 4년 주기로 측정되기 때문에 많은 데이터를 보유하기 힘들다. 이러한 점을 고려할 때 본 실시예에 따른 흡습 예측 방법은 적은 데이터로도 고장 예상 시기를 정확하게 예측할 수 있으므로 발전기 시스템의 신뢰성 확보에 큰 기여를 할 수 있게 된다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

1: 제어부 2: 데이터 획득부
3: 모델링부 4: 건전성 인자 곡선 산출부
5: 확률 산출부 10: 흡습 예측 장치

Claims (7)

1. 정상 권선으로부터 획득된 정전용량 데이터에 기초하여 정상 정전용량 변동 모델을 모델링하는 단계;
   흡습 권선으로부터 획득된 정전용량 데이터에 기초하여 흡습 정전용량 변동 모델을 모델링하는 단계;
   상기 정상 정전용량 변동 모델과 상기 흡습 정전용량 변동 모델에 기초하여 권선의 흡습 정도를 나타내는 건전성 인자의 변화 곡선을 산출하는 단계;
   상기 정상 권선으로부터 정전용량 데이터 샘플링을 반복하여 상기 정상 정전용량 변동 모델의 모델링 및 건전성 인자 변화 곡선 산출을 반복하는 단계; 및
   상기 반복에 기초하여 상기 건전성 인자가 기준치를 초과하는 시점에 대한 확률 분포를 산출하는 단계;를 포함하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법.
2. 청구항 1에 있어서,
   복수의 권선 각각으로부터 정전용량 데이터를 획득하는 단계; 및
   획득한 정전용량 데이터로부터 상기 복수의 권선을 정상 권선과 흡습 권선으로 분류하는 단계;를 더 포함하고,
   상기 정상 정전용량 변동 모델의 모델링은 상기 정상 권선으로 분류된 권선으로부터 획득한 정전용량 데이터를 사용하고, 상기 흡습 정전용량 변동 모델의 모델링은 상기 흡습 권선으로 분류된 권선으로부터 획득한 정전용량 데이터를 사용하는 것을 특징으로 하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법.
3. 청구항 2에 있어서,
   상기 정상 권선과 흡습 권선의 분류는 획득된 정전용량 데이터에 대한 각 권선별 건전성 인자를 측정하고, 측정된 건전성 인자가 기준치를 초과하는지 여부에 기초하여 수행되는 것을 특징으로 하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법.
4. 청구항 1에 있어서,
   상기 정상 권선의 정전용량 데이터는 정규분포에 기초한 샘플링을 통하여 획득되는 것을 특징으로 하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법.
5. 청구항 1에 있어서,
   상기 흡습 권선의 흡습 정전용량 변동 모델은 픽의 제2법칙에 기초하여 모델링되는 것을 특징으로 하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법.
6. 청구항 1에 있어서,
   상기 건전성 인자는 방향성 마하라노비스 거리(Directional Mahalanobis Distance)인 것을 특징으로 하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 방법.
7. 정상 권선으로부터 획득된 정전용량 데이터에 기초하여 정상 정전용량 변동 모델을 모델링하고, 흡습 권선으로부터 획득된 정전용량 데이터에 기초하여 흡습 정전용량 변동 모델을 모델링하는 모델링부;
   상기 정상 정전용량 변동 모델과 상기 흡습 정전용량 변동 모델에 기초하여 권선의 흡습 정도를 나타내는 건전성 인자의 변화 곡선을 산출하는 건전성 인자 곡선 산출부; 및
   상기 건전성 인자가 기준치를 초과하는 시점에 대한 확률 분포를 산출하는 확률 산출부;를 포함하고,
   상기 모델링부는 상기 정상 권선으로부터의 정전용량 데이터 샘플링을 반복하여 상기 정상 정전용량 변동 모델을 산출하고,
   상기 건전성 인자 곡선 산출부는 상기 정상 정전용량 변동 모델이 새로 산출될 때마다 상기 건전성 인자 변화 곡선 산출을 반복하며,
   상기 확률 산출부는 상기 반복하여 산출된 상기 건전성 인자 변화 곡선에 기초하여 산출된 복수의 상기 건전성 인자가 기준치를 초과하는 시점으로부터 상기 확률 분포를 산출하는 것을 특징으로 하는 수냉각 발전기 고정자 권선 절연물의 흡습 예측 장치.

Images