KR20190034963A - Apparatus and method for analysing dissolved gas pattern of power transformer - Google Patents
Apparatus and method for analysing dissolved gas pattern of power transformer Download PDFInfo
- Publication number
- KR20190034963A KR20190034963A KR1020170123612A KR20170123612A KR20190034963A KR 20190034963 A KR20190034963 A KR 20190034963A KR 1020170123612 A KR1020170123612 A KR 1020170123612A KR 20170123612 A KR20170123612 A KR 20170123612A KR 20190034963 A KR20190034963 A KR 20190034963A
- Authority
- KR
- South Korea
- Prior art keywords
- gas
- data
- internal
- cause
- classified
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 claims abstract description 110
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims description 59
- 238000004868 gas analysis Methods 0.000 claims description 36
- 238000003909 pattern recognition Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000002250 progressing effect Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000011058 failure modes and effects analysis Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013021 overheating Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004454 trace mineral analysis Methods 0.000 description 2
- 241001620634 Roger Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
Description
본 발명은 유중가스 패턴 분석에 관한 것으로, 보다 상세하게는 내부점검이 필요한 전력용 변압기의 유중가스 패턴을 인식하여 상기 전력용 변압기의 내부결함의 부위 및 원인을 판별하기 위한 유중가스 패턴 분석 장치 및 방법에 관한 것이다.The present invention relates to a gas gas pattern analyzing apparatus for recognizing an internal gas pattern of a power transformer requiring an internal inspection and determining a location and cause of an internal defect in the power transformer, ≪ / RTI >
일반적으로 전력용 변압기는 특 고압을 고압으로 강압하여 배전용 변압기에 전력을 공급하는 주 변압기로서, 대용량의 부하가 필요한 곳에 주로 사용되고 있다.Generally, a power transformer is a main transformer that supplies power to a distribution transformer by down-converting an extra-high voltage to a high voltage and is mainly used where a large capacity load is required.
유중가스 분석 기술은 전력용 변압기의 결함을 판별하고, 건전성을 평가하는데 가장 널리 이용되는 진단 방법으로, 실제 이를 이용하여 전력용 변압기의 유중가스를 정기적으로 분석함으로써, 그 고장을 방지하고 있다.The gas gas analysis technique is the most widely used diagnostic method for determining the defects of the power transformer and evaluating the integrity, and by analyzing the gas gas of the power transformer regularly using the actual gas, the failure is prevented.
유중가스 분석 방법의 절차는 먼저, 유중가스의 농도 또는 증가량이 기준치를 초과하는지 여부를 판단하고, 기준치를 초과할 경우에는 분석주기를 단축하여 추적 분석을 하며, 유중가스 농도가 기준치 대비 높은 경우에는 결함의 종류를 판별하고, 전력용 변압기의 내부를 정밀 점검한다.In the procedure of the gas analysis method, first, it is determined whether the concentration or the increase amount of the gas in the gas exceeds the reference value. If the gas concentration exceeds the reference value, the analysis period is shortened to perform the trace analysis. The types of defects are identified, and the inside of the power transformer is checked closely.
여기서 유중가스 분석 기준치와 추적 분석 주기는 국제적으로 다르게 설정하고 있으며, 국제적으로 유중가스 분석의 표준은 IEC 60599, IEEE C57.104 등이 대표적이다.In this case, the gas gas analysis standard value and the trace analysis period are set to be different from each other internationally, and international standards for gas analysis are IEC 60599 and IEEE C57.104.
보다 구체적으로 IEC 60599에서는 전력용 변압기에서 수집한 유중가스 분석 데이터의 90%를 정상으로 판단하고, 상위 10%를 기준치로 제시하며, 이 기준치를 초과하면 분석주기를 단축하고, 유중가스 농도가 심할 경우에는 즉각적인 조치를 취하도록 권고하고 있다. 또한, 결함유형을 PD(부분방전), D1(저에너지 방전), D2(고에너지 방전) 등의 절연유 또는 절연지의 방전으로 인한 결함과 T1(300℃ 이하), T2(300~700℃), T3(700℃ 이상) 등의 열적 결함으로 판정하고, 결함 유형의 평가 방법으로 IEC Code 및 Duval's Triangle을 사용하고 있다. More specifically, in IEC 60599, 90% of the gas analysis data collected from the power transformer is judged to be normal, and the upper 10% is presented as a reference value. If this value is exceeded, the analysis period is shortened, If any, to take immediate action. In addition, the defect type can be classified into T1 (less than 300 DEG C), T2 (300 to 700 DEG C), T3 (less than 300 DEG C), and a defect caused by discharge of dielectric oil or insulating paper such as PD (partial discharge), D1 (low energy discharge) (700 ° C or higher), and the IEC Code and Duval's Triangle are used as evaluation methods for defect types.
그리고 IEEE C57.104에서는 상태에 따라 "Condition 1 - Condition 4"의 기준치를 제시하고, 이 기준치를 초과하면 TDCG(Total Dissolved Combustible Gas)의 증가량에 따라 분석주기를 단축하고, 결함의 종류를 판정한다. 또한, 결함 유형을 절연유 부분방전, 절연유 아크, 절연유 과열 및 절연지 과열로 인한 결함으로 판정하고, 결함 유형의 평가 방법으로 Key Gas Method, Doernenburg Ratio Method 및 Roger Ratio Method를 사용하고 있다.In IEEE C57.104, a criterion of "Condition 1 - Condition 4" is presented according to the state. If the criterion is exceeded, the analysis period is shortened according to the increase amount of TDCG (Total Dissolved Combustible Gas) and the type of defect is judged . In addition, the fault type is judged as partial discharge of dielectric oil, arc of insulating oil, overheating of insulating oil and overheating of insulating paper, and Key Gas Method, Doernenburg Ratio Method and Roger Ratio Method are used as evaluation method of defect type.
한편, 한전에서는 정상, 요주의Ⅰ, 요주의Ⅱ, 이상 및 위험의 4단계로 기준치를 설정하고 있다. 여기서 요주의Ⅰ은 이상 징후가 있는 것으로 추정, 요주의Ⅱ는 이상이 있는 것으로 추정, 이상은 이상이 있는 것으로 확실시 및 위험은 즉시 운전을 정지한 후, 변압기 내부를 정밀 점검하는 것으로 정의한다.On the other hand, KEPCO has established four levels of norms: Normal, Attention Ⅰ, Attention Ⅱ, Abnormalities and Risks. Here, it is assumed that the precautionary I is assumed to have an abnormal symptom, the precautionary Ⅱ is assumed to be abnormal, the abnormality is assumed to be abnormal, and the danger is defined as a precise check of the inside of the transformer after the operation is stopped immediately.
그리고 한전에서는 모든 전력용 변압기를 대상으로 유중가스를 매년 분석하여 유중가스 농도가 요주의Ⅰ으로 판정되면 6개월, 요주의Ⅱ로 판정되면 3개월, 이상으로 판정되면 1개월로 분석주기를 단축한다. 또한, 요주의Ⅱ 또는 이상이 3회 이상 연속으로 발생하고, TCG가 1,000ppm을 초과하는 경우와 위험으로 판정되는 경우에는 변압기 내부를 정밀 점검한다.And KEPCO analyzes all gas power transformers every year, and if the concentration of gas in the gas is judged to be Ⅰ, it is 6 months. If it is judged to be Ⅱ, it is 3 months. In addition, if the precaution Ⅱ or above occurs more than 3 times consecutively, TCG exceeds 1,000 ppm, or if it is judged as dangerous, check the inside of the transformer carefully.
그러나 CO 또는 CO2 가스가 요주의Ⅱ로 판정된 경우를 제외하고는 변압기 내부를 정밀 점검하지 않으며, CO 1,200ppm, CO2 7,000ppm을 동시에 초과하는 경우에만 내부를 정밀 점검한다.However, unless the CO or CO 2 gas is judged to be Critical Ⅱ, the inside of the transformer is not checked closely, and the inside of the transformer is checked only when it exceeds both CO 1,200 ppm and CO 2 7,000 ppm simultaneously.
또한, 결함 유형을 절연유 부분방전, 절연유 아크, 절연유 과열(저온/중온/고온), 고체 절연물 과열과 같이 5가지로 판단하고, 결함 유형의 평가 방법으로 가스 패턴에 의한 방법, 가스 조성비에 의한 방법 및 특징 가스에 의한 방법을 사용하고 있다. The fault type is classified into five types such as partial discharge of dielectric oil, arc of insulating oil, overheating of insulating oil (low temperature / medium temperature / high temperature), and overheating of solid insulation. Method of evaluating defect type is by gas pattern method, And a method using a characteristic gas is used.
즉, 전 세계적으로 유중가스 분석 표준의 결함 유형은 유중가스의 농도, 각 가스간의 비율 및 조성비 등과 같은 여러 가지 방법으로 전력용 변압기의 내부결함 유형을 판별하고 있다.That is, globally, the defect types of the gas gas analysis standard determine the types of internal faults of the power transformer in various ways such as concentration of gas in the gas, ratio of each gas, and composition ratio.
하지만, 방전과 과열로만 판별하고 있으므로, 이렇게 판별한 내부결함 유형이 현장 내부 점검 시 나타나는 내부결함 유형과 크게 상이하여 현장에 적용하기 어렵다는 문제가 있다.However, since it is discriminated only by discharge and overheating, there is a problem that it is difficult to apply the type of internal defect determined in this way to the field because it is greatly different from the type of internal defect appearing in the field inspection.
또한, 전력용 변압기의 내부점검공간이 협소하고, 중신이 절연지로 가려져 있어서 정밀점검 시 결함의 부위 및 원인을 확인하지 못하는 사례가 빈번하여 결함의 부위 및 원인을 확인하지 못한 상태에서 절연유를 필터링하거나 전력용 변압기를 교체하는 사례가 발생하고 있다.In addition, since the internal inspection space of the power transformer is narrow, and the inside of the transformer is shielded by the insulating paper, the parts and causes of the defects can not be confirmed at the time of the precise inspection, so that the insulating oil is filtered Power transformers are being replaced.
현장에서 내부점검 시 확인이 불가능한 결함 중에서 특히, 전력용 변압기의 권선 내부의 결함은 절연파괴 고장으로 진전될 수 있으므로 권선 내부의 결함이 있는 전력용 변압기는 즉시 운전에서 제외해야 하며, 수리(재권선) 또는 변압기 교체 등의 조치를 취해야 하기 때문에, 권선 내부의 결함으로 추정되는 경우에는 공장으로 이송한 후 변압기를 해체하여 결함을 확인하여야 한다.Among the defects that can not be confirmed during internal inspection in the field, defects inside the windings of the power transformer may develop into insulation breakdown failure. Therefore, the defective power transformer inside the winding must be removed from operation immediately, ) Or replacement of the transformer. If it is assumed that there is a defect inside the winding, the transformer should be disassembled after the transfer to the factory to confirm the defect.
하지만, 이로 인해 발생하는 운송비용과 수리(재권선)비용이 새로운 전력용 변압기의 가격에 비하여 저렴하지 않을 뿐 아니라, 새로운 변압기와 비교하여 성능이 보장되지 않는다는 단점이 있다.However, the transportation cost and the repair (rewiring) cost are less than the price of the new power transformer and the performance is not guaranteed compared with the new transformer.
따라서 전력용 변압기의 내부점검을 수행하기 이전에 미리 내부결함의 부위 및 원인을 판별하여 중요 사고의 원인이면서 육안으로 확인할 수 있는 권선 내부의 결함을 미리 예측할 수 있다면, 고장을 사전에 방지하고, 운전의 신뢰성을 증가시킬 수 있을 것으로 예상된다.Therefore, if it is possible to predict in advance the defects in the windings which can be visually recognized as a cause of the important accident by determining the site and cause of the internal defect before performing the internal inspection of the power transformer, It is expected to increase the reliability of the system.
이에 상기와 같은 문제를 해결하고자, 본 발명은 유중가스 분석 결과, 내부점검이 필요한 전력용 변압기의 유중가스 패턴을 인식하여 상기 전력용 변압기의 내부결함의 부위 및 원인을 판별하기 위한 유중가스 패턴 분석 장치 및 방법을 제공하는 데 목적이 있다.In order to solve the above problems, the present invention provides a method of analyzing a gas gas pattern for recognizing a portion of an internal defect of the power transformer and a cause of the internal defect by recognizing the gas pattern of the power of the power transformer, Apparatus, and method.
상기와 같은 목적을 달성하기 위한 본 발명의 유중가스 패턴 분석 장치는 전력용 변압기의 고장 데이터와 내부점검 데이터 및 유중가스 분석 데이터를 통합하여 중앙 집중식으로 데이터베이스를 구축하기 위한 데이터 베이스부, 고장 데이터와 내부점검 데이터를 내부결함의 부위 및 원인으로 분류하기 위한 내부결함 분류부, 유중가스 분석 데이터를 고장 데이터와 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인에 따른 유중가스 패턴으로 분류하기 위한 유중가스 패턴 분류부, 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 기반으로, 판별이 필요한 전력용 변압기의 유중가스 패턴을 인식하고, 인식한 유중가스 패턴에 따른 내부결함의 부위 및 원인을 판별하여 표시하는 유중가스 패턴 인식 프로그램을 설계 및 학습시키는 유중가스 패턴 인식부를 포함하는 것을 특징으로 한다.In order to achieve the above object, the present invention provides a gas oil pattern analyzing apparatus comprising a data base for collecting fault data of an electric power transformer, internal inspection data and gas analysis data, An internal defect classification unit for classifying the internal inspection data as a site and cause of the internal defect, a gas analyzer for classifying the gas analysis data of the gas into the gas patterns of the internal defects classified by the fault data and the internal inspection data, Based on the gas pattern classified according to the pattern classification part, the internal defect part and the cause, recognizes the gas pattern of gas in the power transformer that needs to be discriminated, and identifies the part and cause of the internal defect according to the recognized gas pattern A gas pattern recognition program for designing and learning a gas gas pattern recognition program It characterized by including scan pattern recognition portion.
또한, 내부결함 분류부는 고장 데이터 중에서 내부결함에 의한 고장 데이터를 선별하고, 선별한 고장 데이터를 고장의 부위 및 원인으로 분류하기 위한 고장 데이터 분류부 및 내부점검 데이터 중에서 유중가스가 발생하는 내부점검 데이터를 선별하고, 선별한 내부점검 데이터를 내부결함의 부위 및 원인으로 분류하기 위한 내부점검 데이터 분류부를 포함하는 것을 특징으로 한다.The internal defect classification unit includes a fault data classifying unit for classifying the fault data caused by internal faults in the fault data, classifying the fault data into fault sites and causes, And an internal inspection data classifying unit for classifying the selected internal inspection data as a site and cause of the internal defect.
또한, 내부결함 분류부는 고장 데이터로부터 분류된 고장의 부위 및 원인과 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인을 통합함으로써, 최종적인 내부결함의 부위 및 원인을 분류해내는 것을 특징으로 한다.Further, the internal defect classification unit classifies the part and cause of the final internal defect by integrating the part and cause of the failure classified from the failure data and the part and cause of the internal defect classified from the internal inspection data.
또한, 내부결함 분류부는 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인 중에서 고장으로 진전되는 내부결함의 부위 및 원인을 선별하고, 선별한 내부결함의 부위 및 원인이 고장 데이터로부터 분류된 고장의 부위 및 원인과 중복되는지 여부를 판단하고, 중복되는 경우, 서로 통합하는 것을 특징으로 한다.In addition, the internal defect classification part selects the part and cause of the internal defect that progresses to failure out of the parts and causes of the internal defect classified from the internal inspection data, and selects the part and the cause of the internal defect, And causes are overlapped with each other, and when they are overlapped, they are integrated with each other.
또한, 유중가스 패턴 분류부는 유중가스 분석 데이터 중에서 고장 데이터와 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인에 해당하는 전력용 변압기 정보와 일치하는 전력용 변압기의 유중가스 분석 데이터를 선별하여 유중가스 패턴으로 분류하는 것을 특징으로 한다.In addition, the gas gas pattern classifying unit selects gas analysis data of the power transformer corresponding to the power transformer information corresponding to the location and cause of the internal defect classified from the failure data and the internal check data among the gas analysis data of the gas, Pattern. ≪ / RTI >
또한, 유중가스 패턴 분류부는 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 이용하여 유중가스의 성분이 가로축에 배열되고, 각 성분에 따른 농도가 세로축에 배열된 유중가스 패턴도를 작성하는 것을 특징으로 한다.The gas gas pattern classifying unit forms a gas oil gas pattern diagram in which the components of the gas in the gas are arranged in the horizontal axis and the concentrations in the respective components are arranged in the vertical axis by using the gas pattern of the gas classified according to the site and cause of the internal defect .
또한, 유중가스 패턴 분류부는 최대농도를 갖는 유중가스의 농도를 1.0으로 변환하고, 이를 기준으로 나머지 유중가스의 농도를 변환하여 세로축에 배열하는 것을 특징으로 한다.The gas gas pattern classification unit converts the concentration of the gas having the maximum concentration to 1.0, and converts the concentration of the remaining gas into the concentration based on the concentration.
또한, 유중가스 패턴 인식 프로그램은 유중가스 패턴을 입력 데이터로 입력받고, 내부결함의 부위 및 원인을 결과 데이터로 출력하는 것을 특징으로 한다.In addition, the gas pattern recognition program for a gas is characterized in that the gas pattern of the gas is inputted as input data, and the part and cause of the internal defect are outputted as result data.
또한, 유중가스 패턴 인식부는 유중가스 패턴 인식 프로그램의 연결가중치를 조절함으로써, 유중가스 패턴 인식 프로그램의 오차를 적정수준으로 조절하는 것을 특징으로 한다.In addition, the gas gas pattern recognition unit adjusts the error of the gas pattern recognition program in the gas by adjusting the connection weight of the gas pattern recognition program.
또한, 유중가스 패턴 인식부는 데이터 베이스부에 업데이트되는 고장 데이터, 내부점검 데이터 및 유중가스 분석 데이터를 유중가스 패턴 인식 프로그램에 실시간으로 학습시키고, 피드백하는 것을 특징으로 한다.The gas gas pattern recognition unit learns and feeds back fault data, internal inspection data, and gas analysis data, which are updated in the data base unit, to the gas pattern recognition program in real time in real time.
본 발명의 유중가스 패턴 분석 방법은 (a) 전력용 변압기의 고장 데이터와 내부점검 데이터 및 유중가스 분석 데이터를 통합하여 중앙 집중식으로 데이터베이스를 구축하는 단계, (b) 고장 데이터와 내부점검 데이터를 내부결함의 부위 및 원인으로 분류하는 단계, (c) 유중가스 분석 데이터를 고장 데이터와 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인에 따른 유중가스 패턴으로 분류하는 단계, (d) 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 기반으로, 인공지능기반의 유중가스 패턴 인식 프로그램을 설계하고, 학습시키는 단계, (e) 유중가스 패턴 인식 프로그램에 판별이 필요한 전력용 변압기의 유중가스 패턴을 입력하는 단계 및 (f) 입력된 유중가스 패턴에 따른 내부결함의 부위 및 원인을 판별하는 단계를 포함하는 것을 특징으로 한다.The method for analyzing the gas gas pattern of the present invention comprises the steps of: (a) constructing a database in a centralized manner by integrating the failure data of the power transformer with internal inspection data and gas analysis data, (b) (C) classifying the gas analysis data into gas gas patterns according to locations and causes of internal defects classified from fault data and internal inspection data, (d) And (e) designing and learning a gas gas pattern recognition program based on artificial intelligence based on the gas gas pattern classified according to the cause, (e) analyzing the gas gas pattern of the power transformer requiring discrimination in the gas gas pattern recognition program And (f) determining the location and cause of the internal defect according to the inputted gas pattern of the gas. It is gong.
또한, (f) 단계 이후, (g) 업데이트되는 고장 데이터, 내부점검 데이터 및 유중가스 분석 데이터를 유중가스 패턴 인식 프로그램에 실시간으로 학습시키고, 피드백하는 단계를 더 포함하는 것을 특징으로 한다.Further, the method further includes the step of (g) learning and feedback of the fault data, the internal inspection data and the gas analysis data updated in step (g) in real time to the gas pattern recognition program in the gas phase.
본 발명의 유중가스 패턴 분석 장치 및 방법은 실제로 전력용 변압기에 발생하는 고장 데이터와 내부점검 데이터를 FMEA(Failure Mode and Effect Analysis) 및 DMEA(Defect Mode and Effect Analysis)의 분석방법을 적용하여 분석함으로써, 유중가스를 발생시키는 내부결함의 부위 및 원인으로 분류하고, 이를 기반으로 인공지능기반의 유중가스 패턴 인식 프로그램을 설계 및 학습시킴으로써, 판별이 필요한 전력용 변압기의 유중가스 패턴이 입력되면, 이를 인식하여 내부결함의 부위 및 원인을 정확하게 판별할 수 있다.The gas gas pattern analyzing apparatus and method according to the present invention can be implemented by analyzing failure data and internal inspection data generated in a power transformer by applying an analysis method of Failure Mode and Effect Analysis (FMEA) and a Defect Mode and Effect Analysis (DMEA) , And the cause and cause of internal defects that generate gas in the gas. Based on this, the ingot gas pattern recognition program based on artificial intelligence is designed and learned, and when the gas pattern of the power of the power transformer requiring discrimination is inputted, So that the site and cause of the internal defect can be accurately determined.
이를 통해 내부점검 시, 확인이 불가능하였던 내부결함까지도 판별이 가능함으로써, 불필요한 절연유 필터링, 변압기 수리 및 교체 등을 감소시켜 유지보수비용을 감소시키고, 최적의 유지보수를 통해 설비 신뢰도를 향상시키며, 나아가 불시 정전을 방지함으로써, 경제성과 함께 변압기의 성능의 신뢰도를 극대화할 수 있는 효과가 있다.This makes it possible to identify internal defects that could not be confirmed during internal inspection, thereby reducing maintenance costs by reducing unnecessary insulating oil filtering, transformer repair and replacement, improving facility reliability through optimal maintenance, It is possible to maximize the reliability of the performance of the transformer in addition to the economical efficiency.
도 1은 본 발명의 유중가스 패턴 분석 장치의 블록도이다.
도 2는 본 발명의 유중가스 패턴 분석 방법의 순서도이다.1 is a block diagram of an apparatus for analyzing gas patterns in oil in accordance with the present invention.
2 is a flow chart of the method for analyzing the gas gas pattern of the present invention.
이하, 본 발명을 충분히 이해하기 위해서 본 발명의 바람직한 실시 예를 첨부된 도면을 참조하여 설명한다. 본 발명의 실시 예는 여러 가지 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상세히 설명하는 실시 예로 한정되는 것으로 해석되어서는 안 된다. 본 실시 예는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서 도면에서의 요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현될 수 있다. 각 도면에서 동일한 구성은 동일한 참조부호로 도시한 경우가 있음을 유의하여야 한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략된다.Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings in order to fully understand the present invention. The embodiments of the present invention can be modified in various forms, and the scope of the present invention should not be construed as being limited to the embodiments described in detail below. The present embodiments are provided to enable those skilled in the art to more fully understand the present invention. Therefore, the shapes and the like of the elements in the drawings can be exaggeratedly expressed to emphasize a clearer description. It should be noted that the same components are denoted by the same reference numerals in the drawings. Detailed descriptions of well-known functions and constructions which may be unnecessarily obscured by the gist of the present invention are omitted.
본 발명은 전력용 변압기의 내부결함을 판별하기 위해 유중가스 패턴을 분석하는 장치 및 방법에 관한 것으로, 도 1은 본 발명의 실시 예에 따른 유중가스 패턴 분석 장치를 개략적으로 보여주는 블록도이다. 이하, 도 1을 참조하여 본 발명을 설명한다.The present invention relates to an apparatus and a method for analyzing a gas pattern of a gas in order to determine an internal defect of a power transformer, and FIG. 1 is a block diagram schematically showing a gas pattern analyzer according to an embodiment of the present invention. Hereinafter, the present invention will be described with reference to Fig.
도 1에 도시된 바와 같이, 본 발명의 유중가스 패턴 분석 장치는 데이터 베이스부(100), 내부결함 분류부(200), 유중가스 패턴 분류부(300) 및 유중가스 패턴 인식부(400)를 포함하여 구성된다.1, the apparatus for analyzing oil gas patterns of the present invention includes a
데이터 베이스부(100)는 전력용 변압기의 고장 데이터(110)와 내부점검 데이터(120) 및 유중가스 분석 데이터(130)를 통합하여 중앙 집중식으로 데이터 베이스를 구축하는 곳으로, 대규모의 정형 및 하드카피 형식의 비정형 데이터 형태의 빅-데이터(big data)로 데이터(110,120,130)들을 저장하고, 관리한다.The
상기 고장 데이터(110)는 실제 전력용 변압기에 발생하는 고장에 관한 데이터로, 보다 구체적으로는 전력용 변압기의 제작년도, 제작사, 상수, 정격전압, 정격용량, 유보전 방식, 고장 일시, 고장 부위, 고장 원인에 관한 데이터를 포함하며, 정전시간, 정전호수, 고장파급 관련 자료 등을 더 포함할 수 있다.The
상기 내부점검 데이터(120)는 실제 전력용 변압기의 내부점검 시 발생하였던 내부점검에 관한 데이터로, 보다 구체적으로는 전력용 변압기의 내부점검 사유, 정밀점검 사유, 점검 일시, 결함 부위, 결함 원인, 조치내역 등에 관한 데이터를 포함한다.The
상기 유중가스 분석 데이터(130)는 실제 전력용 변압기에 발생하였던 유중가스에 관한 데이터로, 보다 구체적으로는 유중가스 분석일자, 유중가스 분석사유, H2 가스 농도, C2H2 가스 농도, C2H4 가스 농도, C2H6 가스 농도, CH4 가스 농도, C3H8 가스 농도, TCG(Total Combustible Gas) 농도, CO 가스 농도, CO2 가스 농도, 각 가스 간의 비율, 조성비, 각 가스 간의 증가량, 증가속도 및 가스분석 관리 기준에 따른 판정결과 및 On-line 유중가스 monitoring 데이터 등에 관한 데이터를 포함한다.The
내부결함 분류부(200)는 데이터 베이스부(100)에 저장되어 있는 데이터(110,120)를 전력용 변압기의 내부결함의 부위 및 원인으로 분류하는 곳으로, 도 1과 같이, 고장 데이터 분류부(210)와 내부점검 데이터 분류부(220)를 포함하여 구성된다.1, the internal
고장 데이터 분류부(110)는 데이터 베이스부(100)에 저장되어 있는 고장 데이터(110)를 고장의 부위 및 원인으로 분류하기 위한 곳으로, FMEA(Failure Mode and Effect Analysis) 분석방법을 적용하여 고장 데이터(110)를 분석하여 분류하는 것이 바람직하다.The
보다 구체적으로 고장 데이터 분류부(210)는 고장 데이터(110) 중에서 외부결함에 의한 고장 데이터를 제외하고, 내부결함에 의한 고장 데이터만을 선별한 뒤, 상기 선별한 고장 데이터를 분석하여 고장의 부위 및 원인으로 분류한다.More specifically, the
한편, 고장 데이터 분류부(110)는 데이터 베이스부(100)에 저장되어 있는 고장 데이터(110) 외에도 이론적으로 발생 가능한 전력용 변압기의 모든 고장에 관한 데이터를 더 입력받아 이를 고장의 부위 및 원인으로 분류할 수도 있다.In addition to the
내부점검 데이터 분류부(220)는 데이터 베이스부(100)에 저장되어 있는 내부점검 데이터(120)를 내부결함의 부위 및 원인으로 분류하는 곳으로, DMEA(Defect Mode and Effect Analysis) 분석방법을 적용하여 내부점검 데이터(120)를 분석하여 분류하는 것이 바람직하다.The internal inspection
보다 구체적으로 내부점검 데이터 분류부(220)는 내부점검 데이터(120) 중에서 유중가스가 발생하지 않았거나, 유중가스가 발생하지 않는 내부점검 데이터를 제외하고, 유중가스가 발생하는 내부점검 데이터만을 선별한 뒤, 상기 선별한 내부점검 데이터를 분석하여 내부결함의 부위 및 원인으로 분류한다.More specifically, the internal inspection
이와 같이 고장 데이터 분류부(210)가 고장 데이터(110)를 고장의 부위 및 원인으로 분류하고, 내부점검 데이터 분류부(220)가 내부점검 데이터(120)를 내부결함의 부위 및 원인으로 분류하였으면, 내부결함 분류부(200)는 FMEA 분석방법과 DMEA 분석방법을 종합적으로 적용하여 고장 데이터(110)로부터 분류된 고장의 부위 및 원인과 내부점검 데이터(120)로부터 분류된 내부결함의 부위 및 원인을 통합함으로써, 최종적인 내부결함의 부위 및 원인을 분류해내는 것이 바람직하다.As described above, when the
여기서, 내부결함 분류부(200)는 고장 데이터(110)로부터 분류된 고장의 부위 및 원인 중에서 실제 발생할 수 있는 고장의 부위 및 원인을 선별하고, 내부점검 데이터(120)로부터 분류된 내부결함의 부위 및 원인 중에서 실제 발생할 수 있는 내부결함의 부위 및 원인을 선별한 뒤, 통합하는 것이 바람직하다.Here, the internal
또한, 내부결함 분류부(200)는 고장 데이터(110)로부터 분류된 고장의 부위 및 원인과 내부점검 데이터(120)로부터 분류된 내부결함의 부위 및 원인이 서로 중복되는지 여부를 확인한다.In addition, the internal
보다 구체적으로 내부결함 분류부(200)는 내부점검 데이터(120)로부터 분류된 내부결함의 부위 및 원인 중에서 고장으로 진전되지 않는 내부결함의 부위 및 원인을 제외하고, 고장으로 진전되는 내부결함의 부위 및 원인만을 선별한 뒤, 고장 데이터(110)로부터 분류된 고장의 부위 및 원인과 비교함으로써, 중복 여부를 확인하고, 중복되는 경우, 이들을 서로 통합하여 데이터를 간소화하는 것이 바람직하다.More specifically, the internal
여기서, 중복이란, 고장이 발생하는 메커니즘이 서로 일치하거나 유사함을 의미한다.Here, the redundancy means that the mechanisms in which the failure occurs coincide or are similar to each other.
유중가스 패턴 분류부(300)는 데이터 베이스부(100)에 저장되어 있는 유중가스 분석 데이터(130)를 유중가스 패턴으로 분류하기 위한 곳으로, 내부결함 분류부(200)에 의해 고장 데이터(110)와 내부점검 데이터(120)로부터 최종적으로 분류되어 나온 내부결함의 부위 및 원인에 따라 유중가스 분석 데이터(130)를 유중가스 패턴으로 분류한다.The in-oil gas
보다 구체적으로 유중가스 패턴 분류부(300)는 먼저, 유중가스 분석 데이터(130) 중에서 고장 데이터(110)와 내부점검 데이터(120)로부터 최종적으로 분류되어 나온 내부결함의 부위 및 원인에 해당하는 전력용 변압기 정보와 일치하는 전력용 변압기의 유중가스 분석 데이터만을 선별한 뒤, 이를 유중가스 패턴으로 분류한다.More specifically, the oil gas
그 다음으로, 유중가스 분석 데이터(130)로부터 분류된 유중가스 패턴을 유중가스 패턴 인식부(400)가 유중가스 패턴 인식 프로그램의 학습 데이터로 사용할 수 있도록 변환한 유중가스 패턴도를 작성한다.Next, a gas oil gas pattern pattern obtained by converting the gas oil gas pattern classified from the gas
보다 구체적으로 유중가스 분석 데이터(130)는 유중가스 분석 데이터(130)로부터 분류된 유중가스 패턴을 기반으로, 이를 이용하여 유중가스의 성분 즉, H2 가스, C2H2 가스, C2H4 가스, C2H6 가스, CH4 가스, C3H8 가스, CO 가스, CO2 가스 등을 가로축에 배열되고, 각 성분에 따른 농도가 세로축에 배열된 유중가스 패턴도를 작성한다.More specifically, the
여기서, 세로축에는 유중가스의 각 성분에 따른 농도가 그대로 배열되지 않고, 최대농도를 갖는 유중가스의 농도를 1.0으로 변환하고, 이를 기준으로 나머지 유중가스의 농도를 변환하여 배열함으로써, 모든 유중가스의 농도 데이터가 0부터 1.0까지 정규화된 유중가스 패턴도를 작성하는 것이 바람직하다.Here, on the vertical axis, the concentration according to each component of the gas in the gas is not directly arranged, the concentration of the gas in the gas having the maximum concentration is converted to 1.0 and the concentration of the remaining gas in the center is converted and arranged on the basis of the concentration. It is preferable to prepare a gas oil gas pattern diagram in which the concentration data is normalized from 0 to 1.0.
유중가스 패턴 인식부(400)는 유중가스 패턴 분류부(300)에서 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 기반으로 인공지능기반의 유중가스 패턴 인식 프로그램을 설계 및 학습시키는 곳이다.The gas
이를 통해 최종적으로 판별이 필요한 전력용 변압기의 유중가스 패턴이 유중가스 패턴 인식 프로그램에 입력되면, 상기 유중가스 패턴 인식 프로그램이 이를 인식하고, 인식한 유중가스 패턴에 따른 내부결함의 부위 및 원인을 판별한 뒤, 그 결과를 표시할 수 있도록 한다.When the gas pattern of the gas in the power transformer which is finally required to be discriminated is inputted into the gas pattern recognition program for the gas, the gas pattern recognition program recognizes the gas pattern and identifies the part and cause of the internal defect according to the recognized gas pattern And then display the result.
이를 위해, 보다 구체적으로 유중가스 패턴 인식부(400)는 유중가스 패턴 분류부(300)에서 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 유중가스 패턴 인식 프로그램의 입력 데이터로 사용하고, 내부결함의 부위 및 원인을 결과 데이터로 사용하여 인공지능기반의 유중가스 패턴 인식 프로그램을 설계한다.To this end, the gas
여기서, 유중가스 패턴 인식 프로그램의 설계는 모델링 단계, 학습 단계, 인식률 평가 단계의 설계 사이클을 적용하여 설계한다.Here, the design of the gas gas pattern recognition program is designed by applying the design cycle of the modeling step, the learning step, and the recognition rate evaluation step.
상기 모델링 단계는 유중가스 패턴을 인식하기 위한 여러 접근법과 알고리즘을 이용하여 어떻게, 어떠한 방식으로 구성할 것인가를 결정하는 단계로, 각 클래스에 속한 패턴 집합의 통계적 분포에서 생성되는 결정 경계를 기반으로 미지의 패턴이 속한 클래스를 결정하는 통계적 접근법, 패턴의 구조적인 유사성을 조사하고, 이를 이용하여 분류를 행하는 구조적 접근법 및 패턴의 분류를 입력 자극에 대한 처리단위로 이루어진 망의 응답과정으로 분류하는 신경망적 접근법 등을 이용할 수 있으며, 입력층, 은닉층 및 출력층의 노드의 개수 및 층수 등을 결정하여 설계한다.The modeling step is a step of determining how and in what manner to construct the gas gas pattern by using various approaches and algorithms for recognizing the gas gas pattern. The modeling step is a step of determining, based on the decision boundary generated in the statistical distribution of the pattern set belonging to each class, A statistical approach for determining the class to which the pattern belongs, a structural approach for classifying the pattern by using the structural similarity of the pattern, and a neural network classifying the classification of the pattern into the response process of the network composed of processing units for the input stimulus Approach, and the number of nodes and the number of nodes of the input layer, the hidden layer, and the output layer are determined and designed.
상기 학습 단계는 유중가스 패턴 분류부(300)에서 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴으로부터 선택된 모델을 학습을 통해 데이터로 표현하는 완전한 모델로 만드는 단계로, 지도, 비지도, 강화학습 등이 포함될 수 있다.The learning step is a step of making a model selected from the gas pattern of the internal gas classified according to the site and cause of the internal defect in the gas
상기 인식률 평가 단계는 학습된 모델이 결과와 부합하는지를 평가하는 단계로, 과도추정 또는 일반화 여부에 대한 평가를 진행한다.The step of evaluating the recognition rate is a step of evaluating whether or not the learned model is consistent with the result.
유중가스 패턴 인식부(400)는 이와 같이 설계한 인공지능기반의 유중가스 패턴 인식 프로그램을 지속적으로 학습시킴으로써, 최적의 유중가스 패턴 인식 프로그램이 되도록 한다.The gas
보다 구체적으로 유중가스 패턴 인식부(400)는 유중가스 패턴 인식 프로그램의 입력패턴과 결과패턴의 연결가중치를 계산하고, 이를 조절함으로써, 유중가스 패턴 인식 프로그램의 오차를 적정수준으로 조절하여 유중가스 패턴 인식 프로그램의 정확도 및 신뢰도를 확보한다.More specifically, the oil gas
여기서, 유중가스 패턴 인식 프로그램의 오차는 입력된 유중가스 패턴에 대한 내부결함의 부위 및 원인과 출력된 유중가스 패턴에 대한 내부결함의 부위 및 원인이 동일한지를 비교하여 동일하지 않았을 때, 그 차이가 된다.Here, the error of the gas pattern recognition program for the gas is determined by comparing the location and the cause of the internal defect with respect to the input gas gas pattern and the location and cause of the internal defect with respect to the output gas gas pattern, do.
따라서 이와 같은 유중가스 패턴 인식 프로그램의 오차가 적정수준인지 여부를 확인하여 적정수준이면 학습을 종료하고, 그렇지 않으면 적정수준이 될 때까지 학습을 반복적으로 수행한다.Therefore, it is confirmed whether or not the error of the gas gas pattern recognition program is appropriate, and the learning is terminated if the level is appropriate. Otherwise, the learning is repeatedly performed until the level becomes appropriate.
나아가, 유중가스 패턴 인식부(400)는 데이터 베이스부(100)에 새롭게 업데이트되는 고장 데이터(110), 내부점검 데이터(120) 및 유중가스 분석 데이터(130)를 실시간으로 학습하고, 피드백(feed-back)함으로써, 판별이 필요한 전력용 변압기의 유중가스 패턴을 입력하였을 때, 입력한 유중가스 패턴이 유중가스 패턴 인식 프로그램에 학습 되지 않은 유중가스 패턴일 가능성을 극히 최소화하여 유중가스 패턴 인식 프로그램의 신뢰도를 극대화한다. In addition, the oil gas
도 2는 지금까지 설명한 본 발명의 유중가스 패턴 분석 장치의 유중가스 패턴 분석 방법을 보여주는 순서도로, 이하, 도 2를 참조하여 본 발명을 설명하되, 앞서 설명한 것과 유사하거나 동일한 내용은 생략한다.FIG. 2 is a flowchart showing a method for analyzing gas patterns in the gas phase of the gas phase gas pattern analyzer according to the present invention. Hereinafter, the present invention will be described with reference to FIG.
도 2에 도시된 바와 같이, 본 발명의 유중가스 패턴 분석 장치는 (a) 전력용 변압기의 고장 데이터(110), 내부점검 데이터(120) 및 유중가스 분석 데이터(130)를 통합하여 중앙 집중식으로 데이터베이스를 구축하는 단계, (b) 고장 데이터(110)와 내부점검 데이터(120)를 내부결함의 부위 및 원인으로 분류하는 단계, (c) 유중가스 분석 데이터(130)를 고장 데이터(110)와 내부점검 데이터(120)로부터 분류된 내부결함의 부위 및 원인에 따른 유중가스 패턴으로 분류하는 단계, (d) 유중가스 패턴을 기반으로 인공지능기반의 유중가스 패턴 인식 프로그램을 설계 및 학습시키는 단계, (e) 유중가스 패턴 인식 프로그램에 판별이 필요한 전력용 변압기의 유중가스 패턴을 입력하는 단계 및 (f) 입력된 유중가스 패턴을 인식하고, 인식한 유중가스 패턴에 따른 내부결함의 부위 및 원인을 판별하고, 그 결과를 표시하는 단계를 포함하여 진행된다.2, the gas gas pattern analyzing apparatus of the present invention includes: (a) centralizing the
한편, 상기 (f) 입력된 유중가스 패턴을 인식하고, 인식한 유중가스 패턴에 따른 내부결함의 부위 및 원인을 판별하고, 그 결과를 표시하는 단계 이후, (g) 새롭게 업데이트되는 고장 데이터(110), 내부점검 데이터(120) 및 유중가스 분석 데이터(130)를 실시간으로 유중가스 패턴 인식 프로그램에 학습시키고, 피드백(feed-back)하는 단계를 더 진행함으로써, 유중가스 패턴 인식 프로그램의 신뢰도를 극대화한다. (G) a step of detecting the fault data (110) which is newly updated, and (c) a step of detecting the part of the internal gas in accordance with the recognized gas pattern, ), The internal inspection data (120) and the gas analysis data (130) on the gas pattern recognition program in real time, and feed back the gas pattern recognition program in real time, thereby maximizing the reliability of the gas pattern recognition program do.
본 발명인 전력용 변압기의 결함을 판별하기 위한 유중가스 패턴 분석 장치 및 방법의 실시 예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 당업자가 본 발명을 용이하게 실시할 수 있도록 하는 바람직한 실시 예일 뿐, 전술한 실시 예 및 첨부한 도면에 한정되는 것은 아니므로 이로 인해 본 발명의 권리범위가 한정되는 것은 아니다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. 또한, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하다는 것이 당업자에게 있어 명백할 것이며, 당업자에 의해 용이하게 변경 가능한 부분도 본 발명의 권리범위에 포함됨은 자명하다.The embodiments of the apparatus and method for analyzing the gas gas pattern for discriminating defects of the power transformer of the present invention are preferred embodiments for allowing a person skilled in the art to easily carry out the present invention However, the present invention is not limited to the above-described embodiments and the accompanying drawings, and thus the scope of the present invention is not limited thereto. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims. It will be apparent to those skilled in the art that various substitutions, modifications and variations are possible within the scope of the present invention, and it is obvious that the parts easily changeable by those skilled in the art are included in the scope of the present invention .
100 : 데이터 베이스부
110 : 고장 데이터
120 : 내부점검 데이터
130 : 유중가스 분석 데이터
200 : 내부결함 분류부
210 : 고장 데이터 분류부
220 : 내부점검 데이터 분류부
300 : 유중가스 패턴 분류부
400 : 유중가스 패턴 인식부100:
110: Fault data
120: Internal inspection data
130: Oil gas analysis data
200: internal defect classification part
210: Fault data classifier
220: Internal inspection data classification unit
300: Oil gas pattern classification unit
400: Oil gas pattern recognition unit
Claims (17)
전력용 변압기의 고장 데이터와 내부점검 데이터 및 유중가스 분석 데이터를 통합하여 중앙 집중식으로 데이터베이스를 구축하기 위한 데이터 베이스부;
상기 고장 데이터와 상기 내부점검 데이터를 내부결함의 부위 및 원인으로 분류하기 위한 내부결함 분류부;
상기 유중가스 분석 데이터를 상기 고장 데이터와 상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인에 따른 유중가스 패턴으로 분류하기 위한 유중가스 패턴 분류부; 및
상기 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 기반으로, 판별이 필요한 전력용 변압기의 유중가스 패턴을 인식하고, 상기 인식한 유중가스 패턴에 따른 내부결함의 부위 및 원인을 판별하여 표시하는 유중가스 패턴 인식 프로그램을 설계 및 학습시키는 유중가스 패턴 인식부를 포함하는 유중가스 패턴 분석 장치.An apparatus for analyzing oil gas patterns for determining an internal defect of a power transformer,
A database unit for centralizing the database by integrating the failure data of the power transformer with the internal check data and the gas analysis data;
An internal defect classifier for classifying the failure data and the internal check data as a part and cause of an internal defect;
An in-oil gas pattern classifying unit for classifying the oil gas analysis data into the oil gas pattern according to the fault data and the location and cause of the internal defect classified from the internal inspection data; And
Recognizes a gas gas pattern of a power transformer that needs to be discriminated based on a gas gas pattern classified according to a site and cause of the internal defect, identifies a site and cause of the internal defect according to the recognized gas pattern, And a flow-in gas pattern recognition unit for designing and learning the flow-in gas pattern recognition program.
상기 내부결함 분류부는,
상기 고장 데이터 중에서 내부결함에 의한 고장 데이터를 선별하고, 상기 선별한 고장 데이터를 고장의 부위 및 원인으로 분류하기 위한 고장 데이터 분류부; 및
상기 내부점검 데이터 중에서 유중가스가 발생하는 내부점검 데이터를 선별하고, 상기 선별한 내부점검 데이터를 내부결함의 부위 및 원인으로 분류하기 위한 내부점검 데이터 분류부를 포함하는 것을 특징으로 하는 유중가스 패턴 분석 장치.The method according to claim 1,
Wherein the internal defect classification unit comprises:
A fault data classifying unit for classifying fault data caused by internal faults in the fault data and classifying the fault data selected as the faults and causes; And
And an internal inspection data classifying unit for classifying the internal inspection data in which the internal gas data is generated from the internal inspection data and classifying the selected internal inspection data as the internal defect part and cause, .
상기 내부결함 분류부는,
상기 고장 데이터로부터 분류된 고장의 부위 및 원인과 상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인을 통합함으로써, 최종적인 내부결함의 부위 및 원인을 분류해내는 것을 특징으로 하는 유중가스 패턴 분석 장치.3. The method of claim 2,
Wherein the internal defect classification unit comprises:
Wherein a part and a cause of a final internal defect are classified by integrating a part and a cause of a fault classified from the fault data and a part and a cause of an internal defect classified from the internal inspection data, .
상기 내부결함 분류부는,
상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인 중에서 고장으로 진전되는 내부결함의 부위 및 원인을 선별하고, 상기 선별한 내부결함의 부위 및 원인이 상기 고장 데이터로부터 분류된 고장의 부위 및 원인과 중복되는지 여부를 판단하고, 중복되는 경우, 서로 통합하는 것을 특징으로 하는 유중가스 패턴 분석 장치.The method of claim 3,
Wherein the internal defect classification unit comprises:
A part and cause of internal defects progressing to failure out of the parts and causes of the internal defects classified from the internal inspection data are selected and the parts and causes of the selected internal defects are classified into the parts and causes of the faults classified from the fault data Determining whether or not they overlap each other, and if they are overlapped, integrating each other.
상기 유중가스 패턴 분류부는,
상기 유중가스 분석 데이터 중에서 상기 고장 데이터와 상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인에 해당하는 전력용 변압기의 정보와 일치하는 전력용 변압기의 유중가스 분석 데이터를 선별하여 유중가스 패턴으로 분류하는 것을 특징으로 하는 유중가스 패턴 분석 장치.The method according to claim 1,
Wherein the in-flow gas pattern classification unit comprises:
And the gas analysis data of the power transformer matching the information of the power transformer corresponding to the part and cause of the internal defect classified from the failure data and the internal check data among the gas analysis data of the power source, Wherein the gas analyzer is a gas analyzer.
상기 유중가스 패턴 분류부는,
상기 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 이용하여 유중가스의 성분이 가로축에 배열되고, 각 성분에 따른 농도가 세로축에 배열된 유중가스 패턴도를 작성하는 것을 특징으로 하는 유중가스 패턴 분석 장치.6. The method of claim 5,
Wherein the in-flow gas pattern classification unit comprises:
Wherein a gas oil gas pattern is arranged on the horizontal axis by using the gas pattern of the gas classified according to the site and cause of the internal defect and the concentration of the gas is arranged on the vertical axis, Pattern analyzer.
상기 유중가스 패턴 분류부는,
최대농도를 갖는 유중가스의 농도를 1.0으로 변환하고, 이를 기준으로 나머지 유중가스의 농도를 변환하여 상기 세로축에 배열하는 것을 특징으로 하는 유중가스 패턴 분석 장치.The method according to claim 6,
Wherein the in-flow gas pattern classification unit comprises:
Wherein the concentration of the gas in the gas having the maximum concentration is converted to 1.0, and the concentration of the remaining gas in the concentration is converted on the basis of the concentration.
상기 유중가스 패턴 인식 프로그램은 유중가스 패턴을 입력 데이터로 입력받고, 내부결함의 부위 및 원인을 결과 데이터로 출력하는 인공지능기반의 유중가스 패턴 인식 프로그램인 것을 특징으로 하는 유중가스 패턴 분석 장치.The method according to claim 1,
Wherein the gas gas pattern recognition program is an artificial intelligence based gas gas pattern recognition program for inputting a gas pattern of gas as input data and outputting a part and cause of an internal defect as result data.
상기 유중가스 패턴 인식부는,
상기 유중가스 패턴 인식 프로그램의 연결가중치를 조절함으로써, 상기 유중가스 패턴 인식 프로그램의 오차를 적정수준으로 조절하는 것을 특징으로 하는 유중가스 패턴 분석 장치.9. The method of claim 8,
The in-flow gas pattern recognizing unit,
Wherein an error of the gas pattern recognition program is adjusted to an appropriate level by adjusting a connection weight of the gas pattern recognition program.
상기 유중가스 패턴 인식부는,
상기 데이터 베이스부에 업데이트되는 고장 데이터, 내부점검 데이터 및 유중가스 분석 데이터를 상기 유중가스 패턴 인식 프로그램에 실시간으로 학습시키고, 피드백하는 것을 특징으로 하는 유중가스 패턴 분석 장치.10. The method according to any one of claims 1 to 9,
The in-flow gas pattern recognizing unit,
Wherein the control unit learns, in real time, the failure gas data, the internal inspection data, and the gas analysis data, which are updated in the database unit, to the gas pattern recognition program.
(a) 전력용 변압기의 고장 데이터와 내부점검 데이터 및 유중가스 분석 데이터를 통합하여 중앙 집중식으로 데이터베이스를 구축하는 단계;
(b) 상기 고장 데이터와 상기 내부점검 데이터를 내부결함의 부위 및 원인으로 분류하는 단계;
(c) 상기 유중가스 분석 데이터를 상기 고장 데이터와 상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인에 따른 유중가스 패턴으로 분류하는 단계;
(d) 상기 내부결함의 부위 및 원인에 따라 분류된 유중가스 패턴을 기반으로, 인공지능기반의 유중가스 패턴 인식 프로그램을 설계하고, 학습시키는 단계;
(e) 상기 유중가스 패턴 인식 프로그램에 판별이 필요한 전력용 변압기의 유중가스 패턴을 입력하는 단계; 및
(f) 상기 입력된 유중가스 패턴에 따른 내부결함의 부위 및 원인을 판별하는 단계를 포함하는 유중가스 패턴 분석 방법.A method for analyzing a gas gas pattern for identifying an internal defect in a power transformer,
(a) constructing a database in a centralized manner by integrating the failure data of the power transformer with the internal check data and the gas analysis data of the gas;
(b) classifying the failure data and the internal check data as a part and cause of an internal defect;
(c) classifying the gas analysis data into gas gas patterns corresponding to locations and causes of internal defects classified from the fault data and the internal inspection data;
(d) designing and learning a gas pattern recognition program based on artificial intelligence based on a gas pattern of gas classified according to the site and cause of the internal defect;
(e) inputting a gas pattern of gas in the power transformer which needs to be discriminated in the gas pattern recognition program; And
(f) determining a location and cause of the internal defect according to the input gas pattern.
상기 (b) 단계는,
상기 고장 데이터 중에서 내부결함에 의한 고장 데이터를 선별한 뒤, 상기 선별한 고장 데이터를 고장의 부위 및 원인으로 분류하고,
상기 내부점검 데이터 중에서 유중가스가 발생하는 내부점검 데이터를 선별한 뒤, 상기 선별한 내부점검 데이터를 내부결함의 부위 및 원인으로 분류하는 것을 특징으로 하는 유중가스 패턴 분석 방법. 12. The method of claim 11,
The step (b)
A fault data selecting unit for selecting fault data due to an internal fault from among the fault data and classifying the selected fault data as a fault site and cause,
Wherein the internal inspection data is selected from among the internal inspection data and the selected internal inspection data is classified into a part of the internal defect and a cause thereof.
상기 (b) 단계는,
상기 고장 데이터로부터 분류된 고장의 부위 및 원인과 상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인을 통합함으로써, 최종적인 내부결함의 부위 및 원인을 분류해내는 것을 특징으로 하는 유중가스 패턴 분석 방법.13. The method of claim 12,
The step (b)
Wherein a part and a cause of a final internal defect are classified by integrating a part and a cause of a fault classified from the fault data and a part and a cause of an internal defect classified from the internal inspection data, .
상기 (b) 단계는,
상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인 중에서 고장으로 진전되는 내부결함의 부위 및 원인을 선별하고, 상기 선별한 내부결함의 부위 및 원인이 상기 고장 데이터로부터 분류된 고장의 부위 및 원인과 중복되는지 여부를 판단하고, 중복되는 경우, 서로 통합하는 것을 특징으로 하는 유중가스 패턴 분석 방법.14. The method of claim 13,
The step (b)
A part and cause of internal defects progressing to failure out of the parts and causes of the internal defects classified from the internal inspection data are selected and the parts and causes of the selected internal defects are classified into the parts and causes of the faults classified from the fault data Determining whether or not they overlap with each other, and if they are overlapped, integrating them with each other.
상기 (c) 단계는,
상기 유중가스 분석 데이터 중에서 상기 고장 데이터와 상기 내부점검 데이터로부터 분류된 내부결함의 부위 및 원인에 해당하는 전력용 변압기 정보와 일치하는 전력용 변압기의 유중가스 분석 데이터를 선별하여 유중가스 패턴으로 분류하는 것을 특징으로 유중가스 패턴 분석 방법. 12. The method of claim 11,
The step (c)
And the gas analysis data of the power transformer corresponding to the power transformer information corresponding to the part and cause of the internal defect classified from the failure data and the internal check data among the gas analysis data of the power source is selected and classified into the gas pattern Wherein the method comprises the steps of:
상기 (d) 단계는,
상기 유중가스 패턴 인식 프로그램의 연결가중치를 조절함으로써, 상기 유중가스 패턴 인식 프로그램의 오차를 적정수준으로 조절하는 것을 특징으로 유중가스 패턴 분석 방법. 12. The method of claim 11,
The step (d)
Wherein the error of the gas pattern recognition program is adjusted to an appropriate level by adjusting a connection weight of the gas pattern recognition program.
상기 (f) 단계 이후,
(g) 업데이트되는 고장 데이터, 내부점검 데이터 및 유중가스 분석 데이터를 상기 유중가스 패턴 인식 프로그램에 실시간으로 학습시키고, 피드백하는 단계를 더 포함하는 것을 특징으로 하는 유중가스 패턴 분석 방법.17. The method according to any one of claims 11 to 16,
After the step (f)
(g) learning and reporting feedback of updated failure data, internal inspection data and gas analysis data to the gas pattern recognition program in real time in real time.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170123612A KR102376917B1 (en) | 2017-09-25 | 2017-09-25 | Apparatus and method for analysing dissolved gas pattern of power transformer |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170123612A KR102376917B1 (en) | 2017-09-25 | 2017-09-25 | Apparatus and method for analysing dissolved gas pattern of power transformer |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190034963A true KR20190034963A (en) | 2019-04-03 |
| KR102376917B1 KR102376917B1 (en) | 2022-03-22 |
Family
ID=66165485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170123612A KR102376917B1 (en) | 2017-09-25 | 2017-09-25 | Apparatus and method for analysing dissolved gas pattern of power transformer |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102376917B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110489521A (en) * | 2019-07-15 | 2019-11-22 | 北京三快在线科技有限公司 | Text categories detection method, device, electronic equipment and computer-readable medium |
| KR102354342B1 (en) * | 2020-12-30 | 2022-01-21 | 서울대학교산학협력단 | Fault diagnosis device of transformer and fault diagnosis method using the same |
| KR102374551B1 (en) * | 2020-12-30 | 2022-03-15 | 서울대학교산학협력단 | Method and apparatus for power transformer fault diagnosis |
| KR20220059219A (en) * | 2020-11-02 | 2022-05-10 | 한국전력공사 | Method and apparatus for determining the faults type based on the tetragon graphic of the dissolved gas analysis |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060078147A (en) * | 2004-12-30 | 2006-07-05 | (주) 피에스디테크 | Modular-type wind power generation system |
| KR20120025038A (en) * | 2010-09-01 | 2012-03-15 | 현대중공업 주식회사 | Integration diagnostic system of transformer and diagnostic methods |
| KR20130074672A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using composition of dissolved gases |
| KR20130074671A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using proportion ratio combination of dissolved gases |
| KR20130074674A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using composition ratio of dissolved gases |
| KR101362898B1 (en) | 2006-09-29 | 2014-02-17 | 한빛이디에스(주) | Ultrasonic Diagnosing System for Transformer |
| KR101711296B1 (en) * | 2015-09-02 | 2017-02-28 | 엘에스산전 주식회사 | System for dissolved gas analysis of transformer |
| KR101731218B1 (en) * | 2016-09-07 | 2017-04-27 | 주식회사 아이스기술 | Transformer monitoring system using dissolved gas analysis and partial discharge analysis techniques |
| KR20170079737A (en) * | 2015-12-31 | 2017-07-10 | 주식회사 효성 | Method for oil immersed transformer diagnosing |
| KR101778102B1 (en) * | 2016-12-14 | 2017-09-13 | 유호전기공업주식회사 | Method for providing graphic user interface dedicated to power facility comprehensive preventive diagnosis and power facility comprehensive preventive diagnosis system |
-
2017
- 2017-09-25 KR KR1020170123612A patent/KR102376917B1/en active IP Right Grant
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060078147A (en) * | 2004-12-30 | 2006-07-05 | (주) 피에스디테크 | Modular-type wind power generation system |
| KR101362898B1 (en) | 2006-09-29 | 2014-02-17 | 한빛이디에스(주) | Ultrasonic Diagnosing System for Transformer |
| KR20120025038A (en) * | 2010-09-01 | 2012-03-15 | 현대중공업 주식회사 | Integration diagnostic system of transformer and diagnostic methods |
| KR20130074672A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using composition of dissolved gases |
| KR20130074671A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using proportion ratio combination of dissolved gases |
| KR20130074674A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using composition ratio of dissolved gases |
| KR101711296B1 (en) * | 2015-09-02 | 2017-02-28 | 엘에스산전 주식회사 | System for dissolved gas analysis of transformer |
| KR20170079737A (en) * | 2015-12-31 | 2017-07-10 | 주식회사 효성 | Method for oil immersed transformer diagnosing |
| KR101731218B1 (en) * | 2016-09-07 | 2017-04-27 | 주식회사 아이스기술 | Transformer monitoring system using dissolved gas analysis and partial discharge analysis techniques |
| KR101778102B1 (en) * | 2016-12-14 | 2017-09-13 | 유호전기공업주식회사 | Method for providing graphic user interface dedicated to power facility comprehensive preventive diagnosis and power facility comprehensive preventive diagnosis system |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110489521A (en) * | 2019-07-15 | 2019-11-22 | 北京三快在线科技有限公司 | Text categories detection method, device, electronic equipment and computer-readable medium |
| KR20220059219A (en) * | 2020-11-02 | 2022-05-10 | 한국전력공사 | Method and apparatus for determining the faults type based on the tetragon graphic of the dissolved gas analysis |
| KR102354342B1 (en) * | 2020-12-30 | 2022-01-21 | 서울대학교산학협력단 | Fault diagnosis device of transformer and fault diagnosis method using the same |
| KR102374551B1 (en) * | 2020-12-30 | 2022-03-15 | 서울대학교산학협력단 | Method and apparatus for power transformer fault diagnosis |
| WO2022145642A1 (en) * | 2020-12-30 | 2022-07-07 | 서울대학교산학협력단 | Transformer malfunction diagnosis device and malfunction diagnosis method using same |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102376917B1 (en) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190034963A (en) | Apparatus and method for analysing dissolved gas pattern of power transformer | |
| KR102092185B1 (en) | Platform for analyzing electric motor health and analysis method using the same | |
| EP1982301B1 (en) | Method of condition monitoring | |
| CN109061341A (en) | Kalman filtering transformer fault prediction technique and system neural network based | |
| WO2012009804A1 (en) | Tool and method for fault detection of devices by condition based maintenance | |
| KR101843365B1 (en) | Integrated Diagnostic System and Database based on rules and cases | |
| KR20140039380A (en) | Apparatus and method for quality control using datamining in manufacturing process | |
| CN103926490A (en) | Power transformer comprehensive diagnosis method with self-learning function | |
| Moravej et al. | Condition monitoring techniques of power transformers: A review | |
| CN112905371B (en) | Software change checking method and device based on heterogeneous multi-source data anomaly detection | |
| Dhote et al. | Diagnosis of power transformer faults based on five fuzzy ratio method | |
| CN112763963A (en) | System and method for carrying out online monitoring on mutual inductor based on deep network | |
| CN117113166A (en) | Industrial boiler fault detection method based on improved integrated learning | |
| Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
| CN113204919B (en) | Method and device for predicting state of main transformer conservator based on digital twinning and electronic equipment | |
| CN110059773A (en) | A kind of compound diagnostic method of transformer fault | |
| CN117408162A (en) | Power grid fault control method based on digital twin | |
| CN114577470A (en) | Fault diagnosis method and system for fan main bearing | |
| Levin et al. | Predicting the technical condition of the power transformer using fuzzy logic and dissolved gas analysis method | |
| KR101798168B1 (en) | Apparatus and method for controlling constructing database in regard to fault isolation | |
| Alawode et al. | Fuzzy logic and decision tree models for dissolved gas analysis in power transformer fault diagnosis | |
| Lv et al. | Safety Analysis of Metro Turnouts Based on Fuzzy FMECA | |
| KR101768197B1 (en) | Apparatus and method for controlling monitoring device | |
| CN117743805B (en) | Generator excitation system layering discrimination method based on health evaluation feedback | |
| CN117929904B (en) | Inverter aging test method, device and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |