KR20200039368A - Fault diagnosis method of transformer - Google Patents
Fault diagnosis method of transformer Download PDFInfo
- Publication number
- KR20200039368A KR20200039368A KR1020180119205A KR20180119205A KR20200039368A KR 20200039368 A KR20200039368 A KR 20200039368A KR 1020180119205 A KR1020180119205 A KR 1020180119205A KR 20180119205 A KR20180119205 A KR 20180119205A KR 20200039368 A KR20200039368 A KR 20200039368A
- Authority
- KR
- South Korea
- Prior art keywords
- gas composition
- transformer
- composition ratio
- oil
- gas
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 22
- 238000003745 diagnosis Methods 0.000 title description 8
- 239000000203 mixture Substances 0.000 claims abstract description 119
- 230000005856 abnormality Effects 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 28
- 238000007689 inspection Methods 0.000 claims abstract description 5
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 6
- 238000012896 Statistical algorithm Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 abstract description 128
- 238000012544 monitoring process Methods 0.000 abstract 1
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 42
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 30
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 22
- 229910002091 carbon monoxide Inorganic materials 0.000 description 22
- 229910002092 carbon dioxide Inorganic materials 0.000 description 21
- 239000001569 carbon dioxide Substances 0.000 description 21
- -1 C2H6 Chemical compound 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F27/00—Details of transformers or inductances, in general
- H01F27/40—Structural association with built-in electric component, e.g. fuse
- H01F27/402—Association of measuring or protective means
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F27/00—Details of transformers or inductances, in general
- H01F27/08—Cooling; Ventilating
- H01F27/10—Liquid cooling
- H01F27/12—Oil cooling
- H01F27/125—Cooling by synthetic insulating and incombustible liquid
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
Description
본 발명은 변압기의 이상 탐지 방법에 관한 것으로, 더욱 상세하게는 변압기의 유중가스를 분석하여 변압기의 이상을 탐지하는 변압기의 이상 탐지 방법에 관한 것이다.The present invention relates to an abnormality detection method of a transformer, and more particularly, to an abnormality detection method of a transformer that detects an abnormality of the transformer by analyzing the gas in the transformer.
절연유로 채워진 유입 변압기는 정상상태에서 변압기 내부를 순환하는 절연유에 문제가 없으나, 변압기가 소손되어 온도가 상승하면 절연유가 열분해되어 유중가스가 발생한다. The inflow transformer filled with the insulating oil has no problem with the insulating oil circulating inside the transformer in the normal state, but when the transformer is burned out and the temperature rises, the insulating oil is thermally decomposed to generate oil gas.
따라서 변압기에서 추출한 유중가스가 국제적 기준 또는 전력 운영사가 선정한 기준값 농도를 초과하면 변압기 이상으로 진단한다. 국제적 기준에서 변압기 이상 진단으로 분석하는 유중가스는 수소(H2), 메탄(CH4), 에탄(C2H6), 에틸렌(C2H4), 아세틸렌(C2H2) 등 5가지 성분이며 추가적으로 일산화탄소(CO), 이산화탄소(CO2)가 포함된다. 유중가스 분석을 이용한 종래기술들은 상기한 7가지 유중가스 농도값이 특정 기준값을 초과하였을 때 이상이라고 판정하여 변압기 이상을 탐지한다. Therefore, if the oil gas extracted from the transformer exceeds the international standard or the concentration value selected by the power operator, the transformer is diagnosed as abnormal. In the international standard, the oil gas analyzed by transformer abnormality diagnosis consists of five components: hydrogen (H2), methane (CH4), ethane (C2H6), ethylene (C2H4), acetylene (C2H2), and additionally carbon monoxide (CO), carbon dioxide (CO2) ) Is included. Prior arts using oil-gas analysis detect transformer anomalies by determining that the above seven oil-gas concentration values are abnormal when they exceed a certain reference value.
그러나 종래의 유중가스 분석방법은 다음과 같은 문제점이 있다. However, the conventional oil-gas analysis method has the following problems.
첫째, 유중가스 농도값이 기준값에만 의존하므로 오진단율이 매우 높은 문제점이 있다. 둘째, 오경보를 통해 변압기내부 결함이라 판단하면 변압기의 작동을 정지하고 작업자가 변압기의 내부에 들어가 고장을 직접적으로 확인하게 되는데, 이 과정에서 변압기 정지에 따른 비용손실과 작업자의 변압기 내부 진입으로 인한 오염물질 유입 등이 발생하기 때문에 오경보에 따른 비용 및 변압기 건전성에 영향을 줄 수 있는 문제점이 있다. First, since the concentration value of the gas in oil depends only on the reference value, there is a problem in that the false diagnosis rate is very high. Second, if it is determined that the transformer is defective through false alarms, the operation of the transformer is stopped and the worker enters the transformer to directly check the failure. In this process, the cost of the transformer stops and the contamination caused by the operator entering the transformer There is a problem that can affect the cost and transformer health due to false alarms because material inflow occurs.
따라서 본 발명의 목적은 변압기 유중가스 분석의 진단 정확도를 높여 오경보를 줄이도록 변압기의 유중가스 농도비 조합 생성을 통한 주요 특성인자를 추출하여 변압기의 이상을 탐지하는 변압기의 이상 탐지 방법을 제공하는 것이다. Accordingly, an object of the present invention is to provide an abnormality detection method of a transformer that detects an abnormality of a transformer by extracting key characteristic factors through generating a combination of an oil concentration ratio of the transformer so as to reduce the false alarm by increasing the diagnostic accuracy of the analysis of the transformer oil gas.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 특징에 따르면, 본 발명은 변압기로부터 유중가스를 추출하는 단계와 상기 유중가스의 가스 조성을 측정하는 단계와 상기 측정한 가스 조성의 가스 조성비를 생성하는 단계와 상기 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출하는 단계를 포함한다.According to a feature of the present invention for achieving the above object, the present invention comprises the steps of extracting oil gas from a transformer, measuring the gas composition of the oil gas, and generating a gas composition ratio of the measured gas composition. And applying the gas composition ratio to a combination of oil-in-gas composition ratios, which are pre-learned verification data, to detect abnormalities and normals and derive detection results.
상기 유중가스 조성비 조합은 변압기의 내부결함과 상관성이 높은 유중가스 데이터를 인공지능 및 통계적 알고리즘을 이용하여 생성한 것이다.The combination of the oil gas composition ratio is generated by using artificial intelligence and statistical algorithms to generate oil gas data having a high correlation with the internal defect of a transformer.
상기 유중가스 조성비 조합은 변압기의 내부 점검 결과 이상 상태인 유중가스를 추출하는 단계와 상기 유중가스의 가스 조성을 측정하는 단계와 상기 가스 조성을 학습을 위한 훈련 데이터와 검증 데이터로 분리하는 단계와 상기 훈련 데이터와 상기 검증 데이터의 가스 조성비를 각각 생성하는 단계와 상기 검증 데이터의 가스 조성비를 변압기의 이상과 정상을 탐지하는 주요 가스 조성비 순위로 나열하는 단계를 포함하여 도출된다.The combination of the oil-in-gas composition ratio includes the steps of extracting oil gas that is in an abnormal state as a result of internal inspection of the transformer, measuring the gas composition of the oil-gas, and separating the gas composition into training data and verification data for learning and the training data. And generating gas composition ratios of the verification data, respectively, and listing gas composition ratios of the verification data as the main gas composition ratio rankings for detecting abnormalities and normalities of the transformer.
상기 주요 가스 조성비 순위로 나열하는 단계 후, 상기 주요 가스 조성비 순위에 따라 이상 탐지 학습 모델링하고, 상기 모델링한 결과는 상기 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출하는 단계에 적용한다.After the step of listing in the main gas composition ratio ranking, the abnormal gas detection learning model is modeled according to the main gas composition ratio ranking, and the modeled results are applied to the combination of the gas composition ratio, which is the pre-trained verification data, and the abnormality and normality. It is applied to the stage of detection and deriving detection results.
상기 탐지 결과는 주요가스 조성비 순위로 나열하여 상기 검증 데이터로 저장되고, 상기 이상과 정상 탐지를 위한 유중가스 조성비 조합으로 사용된다.The detection results are arranged in the main gas composition ratio ranking and stored as the verification data, and used as a combination of the oil and gas composition ratio for the abnormality and normal detection.
상기 유중가스의 가스 조성을 측정하는 단계는 상기 유중가스 중의 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2의 농도를 측정한다.In the step of measuring the gas composition of the oil-in-gas, the concentrations of H2, CH4, C2H2, C2H4, C2H6, CO and CO2 in the oil-in-gas are measured.
상기 가스 조성비의 생성은 분자는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중 하나의 값을 선택하고, 분모는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중에서 n개를 선택하여 조성비 조합을 생성한다.For the generation of the gas composition ratio, the molecule selects one of H2, CH4, C2H2, C2H4, C2H6, CO, and CO2, and the denominator is selected from H2, CH4, C2H2, C2H4, C2H6, CO, and CO2. Create a composition ratio combination.
상기 가스 조성비에서 상기 분모는 선택되는 n개의 합으로 표현된다.The denominator in the gas composition ratio is expressed by the sum of n selected.
상기 가스 조성비에서 상기 분모는 n개 선택시 동일 가스의 중복이 허락되지 않는다.In the gas composition ratio, overlapping of the same gas is not allowed when n denominators are selected.
상기 가스 조성비의 생성은 분자는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중 하나의 값을 선택하고, 분모는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중에서 n개를 선택하여 하기의 <도 2>의 방식으로 조성비 조합을 생성한다.For the generation of the gas composition ratio, the molecule selects one of H2, CH4, C2H2, C2H4, C2H6, CO, and CO2, and the denominator is selected from H2, CH4, C2H2, C2H4, C2H6, CO, and CO2. A composition ratio combination is produced in the following manner of <Figure 2>.
본 발명은 변압기의 가스를 추출하고 가스 조성비를 생성한 후 생성한 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출한다. The present invention extracts the gas of the transformer and generates the gas composition ratio, and then applies the generated gas composition ratio to the combination of the oil-in-gas composition ratio, which is pre-trained verification data, to detect abnormalities and normals and derive detection results.
이는 인공지능 알고리즘을 거쳐 학습된 모델을 이용하고, 탐지 결과가 검증 데이터로 저장되어 변압기의 이상과 정상을 탐지하는 유중가스 조성비 조합으로 활용되므로 축적된 검증 데이터를 이용하여 유입 변압기의 내부 이상 탐지 및 오진단 비율을 줄일 수 있는 이점이 있는 효과가 있다.This uses the model trained through the AI algorithm, and the detection results are stored as verification data, which is used as a combination of oil and gas composition ratio to detect the abnormality and normality of the transformer. This has the effect of reducing the false diagnosis rate.
또한, 유입 변압기의 내부 이상 탐지 및 오진단 비율을 줄이므로 불필요한 검사들을 대폭 줄일 수 있으며 변압기 시스템 상태를 신뢰성 있게 탐지 및 모니터링 할 수 있는 효과가 있다. In addition, by reducing the internal error detection and false diagnosis rate of the inflow transformer, unnecessary inspections can be drastically reduced, and the transformer system status can be reliably detected and monitored.
도 1은 본 발명에 의한 변압기의 이상 탐지 방법을 보인 순서도.
도 2는 본 발명에 의한 가스 조성비 생성 방식을 보인 도면.1 is a flow chart showing a method for detecting an abnormality of a transformer according to the present invention.
2 is a view showing a gas composition ratio generation method according to the present invention.
이하 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명하기로 한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
본 발명의 변압기의 이상 탐지 방법은 도 1에 도시된 바와 같이, 변압기로부터 유중가스를 추출하는 단계(S10)와 유중가스의 가스 조성을 측정하는 단계(S20)와 측정한 가스 조성의 가스 조성비를 생성하는 단계(S30)와 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출하는 단계(S40)를 포함한다.The abnormality detection method of the transformer of the present invention, as shown in Figure 1, extracting the oil gas from the transformer (S10) and measuring the gas composition of the oil gas (S20) and generating a gas composition ratio of the measured gas composition It includes the step (S30) and applying the gas composition ratio to the combination of oil-in-gas composition ratio, which is pre-learned verification data, to detect anomalies and normalities and derive a detection result (S40).
S10) 단계는 이상을 탐지하고자 하는 유입식 변압기로부터 유중가스를 추출하는 단계이다. 추출된 유중가스는 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2를 포함한다. 예기치 않은 변압기 고장은 전력 시스템을 중단시키고 사고가 일어날 경우 막대한 사회적 경제적 손실을 발생하므로 변압기의 초기 이상을 정확하게 진단하는 것이 매우 중요하다. 변압기의 절연유가 열을 영향을 받아 분해하여 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2 가스가 발생하며 이들 가스는 절연유에 용해된다. 따라서 변압기에서 절연유를 추출하여 유중가스를 분석할 수 있다.Step S10) is a step of extracting oil gas from the inflow transformer to detect an abnormality. The extracted oil gas includes H2, CH4, C2H2, C2H4, C2H6, CO and CO2. It is very important to accurately diagnose the transformer's initial abnormalities, as unexpected transformer failures will disrupt the power system and cause enormous social and economic losses in the event of an accident. The insulating oil of the transformer is decomposed under the influence of heat, and H2, CH4, C2H2, C2H4, C2H6, CO and CO2 gases are generated, and these gases are dissolved in the insulating oil. Therefore, it is possible to analyze the gas in oil by extracting the insulating oil from the transformer.
S20) 단계는 추출한 유중가스를 분석하여 유중가스의 농도를 측정하는 단계이다. 즉, 유중가스 중의 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2의 농도를 측정한다. H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2는 유입변압기의 내부결함 진단에 대표적으로 사용되는 7가지 종류이다. 유중가스 중의 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2의 농도에 따라 내부 이상 유무 및 그 정도를 확인할 수 있다.Step S20) is a step of analyzing the extracted oil gas to measure the concentration of the oil gas. That is, the concentration of H2, CH4, C2H2, C2H4, C2H6, CO and CO2 in the gas in oil is measured. H2, CH4, C2H2, C2H4, C2H6, CO and CO2 are the seven types that are typically used to diagnose internal defects in the inlet transformer. According to the concentration of H2, CH4, C2H2, C2H4, C2H6, CO and CO2 in the gas in oil, the presence or absence of internal abnormality and the degree thereof can be confirmed.
S30) 단계는 유중가스의 가스 조성비를 생성하는 단계이다. 가스 조성비는 유중가스의 농도비를 생성하는 것이다.Step S30) is a step of generating a gas composition ratio of the gas in oil. The gas composition ratio is to generate a concentration ratio of gas in oil.
가스 조성비 생성은 가스 함량 비율을 확대하여 조성비를 생성한다. 가스의 화학적인 농도비를 고려하여 유중가스 조성비를 생성한다.The gas composition ratio generation increases the gas content ratio to generate the composition ratio. In consideration of the chemical concentration ratio of gas, an oil-in-gas composition ratio is generated.
예를 들어, CH4/(CH4+H2+C2H2)와 같이 분모, 분자에 CH4가 포함된 것 만을 조성비로 국한하지 않고 CH4/(H2+C2H2)와 같이 분모항에 분자가 포함되어 있지 않아도 조성비로 포함시킨다. 분모, 분자항에 수많은 항들이 추가로 포함될 수 있지만 무한대의 식을 나열하기 보다 변압기 고장 진단에 유용하다고 판단되는 유중가스 조성비로만 확장한다.For example, the denominator, such as CH4 / (CH4 + H2 + C2H2), is not limited to the composition ratio only when the molecule contains CH4, and even if the denominator term does not contain molecules, such as CH4 / (H2 + C2H2), the composition ratio To include. Numerous terms can be included in the denominator and molecular terms, but rather than listing infinite equations, they are expanded only to the ratio of oil gas composition that is considered useful for transformer failure diagnosis.
구체적으로, H2, CH4, C2H2, C2H4, C2H6, CO, CO2의 7개의 조합으로 가스 조성비를 생성하며, 분자는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중 하나의 값을 선택하고 분모는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중에서 n개를 선택하여 조합을 생성한다. Specifically, the gas composition ratio is generated by seven combinations of H2, CH4, C2H2, C2H4, C2H6, CO, and CO2, and the molecule selects one of H2, CH4, C2H2, C2H4, C2H6, CO, and CO2 and denominator Selects n from H2, CH4, C2H2, C2H4, C2H6, CO, and CO2 to generate a combination.
가스 조성비에서 분모는 선택되는 n개의 합으로 표현된다. 또한, 가스 조성비에서 분모는 n개 선택시 동일 가스의 중복이 허락되지 않는다.The denominator in the gas composition ratio is expressed as the sum of n selected. In addition, in the gas composition ratio, overlapping of the same gas is not permitted when n denominators are selected.
그에 따라 가스 조성비 생성 과정은 조성비 889개를 생성한다.Accordingly, the gas composition ratio generation process generates 889 composition ratios.
더 구체적으로, 가스 조성비의 생성은 분자는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중 하나의 값을 선택하고, 분모는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중에서 n개를 선택하여 도 2의 방식으로 조성비 조합을 생성한다.More specifically, the gas composition ratio is generated by selecting one of H2, CH4, C2H2, C2H4, C2H6, CO, and CO2, and the denominator is H2, CH4, C2H2, C2H4, C2H6, CO, CO2. Select to create a composition ratio combination in the manner of FIG. 2.
가스 농도값들 중 어느 한 개의 가스라도 일정 기준치를 초과했을 때 이상으로 판정하는 종래의 방법은 실제 이상과 정상을 탐지하는데 높은 오경보율을 가지고 있다. 따라서 단순 농도값으로만 변압기의 이상과 정상을 탐지하지 않고 수백개의 가스 조성비를 생성하고 변압기의 이상과 정상을 더 정확하게 탐지할 수 있게 특정 가스들의 조합을 생성한다.The conventional method of determining any one of the gas concentration values as an abnormality when a certain threshold value is exceeded has a high false alarm rate for detecting an actual abnormality and a normality. Therefore, it is possible to generate hundreds of gas composition ratios without detecting the abnormality and normality of the transformer only with a simple concentration value, and to generate a specific combination of gases to more accurately detect the abnormality and normality of the transformer.
S40) 단계는 수많이 생성된 가스 조성비 중에서 이상과 정상을 주도적으로 탐지하는 주요 가스 조성비를 선택하는 단계이다. 즉, 생성된 유중가스 조성비들을 사용하여 정상 또는 이상과 상관성이 높은 조성비를 선택한다. 정확하게는 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출한다.Step S40) is a step of selecting a main gas composition ratio that leads to abnormality and normal detection among a large number of generated gas composition ratios. That is, the composition ratio having high correlation with normal or abnormality is selected using the generated oil gas composition ratios. Accurately, the gas composition ratio is applied to the combination of oil-in-gas composition ratio, which is the pre-trained verification data, to detect abnormalities and normals and derive detection results.
생성된 유중가스 조성비들을 사용하여 정상 또는 이상과 상관성이 높은 조성비를 선택하는Use the generated oil gas composition ratios to select a composition ratio that is highly correlated with normal or abnormal
생성된 가스 조성비들 중에서 이상과 정상을 주도적으로 탐지하는 특정 가스 조성비를 선택하도록 한다. 이는 인공지능 알고리즘에 의해 생성된 조성비 가스들을 입력하였을 때 이상과 정상을 가장 효율적으로 정확하게 탐지하는 가스 조성비를 추출한다. 이를 통하여 무작위로 생성된 수백개의 가스 조성비들을 인공지능 알고리즘을 통하여 최소한의 주요 특정 가스 조성비를 추출하여 최대의 이상탐지 정확도를 구현한다. 즉, 수백개의 가스 조성비 조합에서 인공지능 알고리즘을 거쳐 최대 정확도 성능을 발휘하는 주요 특정 가스를 추출한다. Among the generated gas composition ratios, a specific gas composition ratio that leads to abnormality and normal detection is selected. This extracts the gas composition ratio that most accurately and accurately detects abnormalities and normals when the composition ratio gases generated by the artificial intelligence algorithm are input. Through this, hundreds of randomly generated gas composition ratios are extracted through the artificial intelligence algorithm, and the minimum specific gas composition ratio is extracted to realize maximum anomaly detection accuracy. That is, from the combination of hundreds of gas composition ratios, an artificial intelligence algorithm is used to extract the main specific gas that exhibits the maximum accuracy performance.
탐지 결과 추출된 특정 가스 즉, 주요 가스 조성비로 변압기 이상을 확인하고 변압기 내부 고장 부위 및 원인을 추정할 수 있다. 예를 들어, 국부과열인지, 아크나 부분방전과 같은 고온 접촉에 의한 이상인지, 변압기 내부 절연재료 가열에 의한 이상인지 등을 추정할 수 있다.As a result of the detection, it is possible to identify the transformer anomaly by estimating the specific gas extracted, that is, the main gas composition ratio, and to estimate the location and cause of the failure inside the transformer. For example, it can be estimated whether it is local overheating, an abnormality due to high temperature contact such as an arc or partial discharge, or an abnormality due to heating of the insulating material inside the transformer.
유중가스 조성비 조합은 변압기의 내부결함과 상관성이 높은 유중가스 데이터를 인공지능 및 통계적 알고리즘을 이용하여 생성한 것이다.The combination of oil gas composition ratio is generated by using artificial intelligence and statistical algorithms to generate oil gas data that is highly correlated with the internal fault of the transformer.
유중가스 조성비 조합은 아래의 단계를 통해 도출된다.The oil gas composition ratio combination is derived through the following steps.
변압기의 내부 점검 결과 이상 상태인 유중가스를 추출하는 단계(S1)와 유중가스의 가스 조성을 측정하는 단계(S2)와 가스 조성을 학습을 위한 훈련 데이터와 검증 데이터로 분리하는 단계(S3)와 훈련 데이터와 검증 데이터의 가스 조성비를 각각 생성하는 단계(S4)와 검증 데이터와 훈련 데이터를 각각 저장하는 단계(S5)와 검증 데이터의 가스 조성비를 변압기의 이상과 정상을 탐지하는 주요 가스 조성비 순위로 나열하는 단계(S6)를 포함한다.As a result of the internal inspection of the transformer, the step (S1) of extracting the oil gas in an abnormal state, the step (S2) of measuring the gas composition of the oil gas, and the step of separating the gas composition into training data and verification data for learning (S3) and training data And generating the gas composition ratio of the verification data, respectively (S4) and storing the verification data and training data, respectively (S5), and listing the gas composition ratio of the verification data as the main gas composition ratio ranking of detecting abnormality and normality of the transformer. Step S6 is included.
변압기 이상과 정상을 탐지하는 주요 가스 조성비 순위로 나열하는 단계(S7) 후, 주요 가스 조성비 순위에 따라 이상 탐지 학습 모델링하는 단계를 수행한다(S35).After the step (S7) of listing the main gas composition ratio for detecting abnormality and normality of the transformer, an abnormality detection learning modeling step is performed according to the main gas composition ratio ranking (S35).
모델링한 결과는 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출하는 단계에 적용된다(S40).The modeled result is applied to the step of detecting anomalies and normals and deriving detection results by applying the gas composition ratio to the combination of oil-in-gas composition ratios, which are pre-trained verification data (S40).
상술한 단계는 인공지능 알고리즘을 거쳐 반복되며, 반복되는 과정에서 도출된 데이터는 검증 데이터로 저장되어 축적되고 유중가스 조성비 조합으로 활용된다. The above-described steps are repeated through an artificial intelligence algorithm, and the data derived from the iterative process are stored and stored as verification data and used as a combination of oil gas composition ratio.
S1) 단계에서 추출된 유중가스는 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2를 포함한다.The oil-in-gas extracted in step S1) includes H2, CH4, C2H2, C2H4, C2H6, CO and CO2.
S2) 단계에서 유중가스 중의 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2의 농도를 측정한다. 유입변압기의 내부결함 진단에 대표적으로 사용되는 7가지 종류의 유중가스 농도를 측정한다.In step S2), the concentrations of H2, CH4, C2H2, C2H4, C2H6, CO and CO2 in the gas in oil are measured. The concentration of seven types of oil gas, which is typically used for the diagnosis of internal defects in the inlet transformer, is measured.
S3) 단계에서 훈련 데이터는 변압기 이상과 관련도 낮은 데이터이고 검증 데이터는 변압기 이상과 관련이 높은 데이터일 수 있다.In step S3), the training data may be data related to a transformer abnormality and the verification data may be data related to a transformer abnormality.
S4) 단계에서 가스 조성비의 생성은 분자는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중 하나의 값을 선택하고, 분모는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중에서 n개를 선택하여 조성비 조합을 생성한다. 수많은 농도비를 생성할 수 있는 무한한 경우의 수에서, 화학적인 농도비를 고려하여 유중가스 조성비를 생성한다.In step S4), the gas composition ratio is generated by selecting one of H2, CH4, C2H2, C2H4, C2H6, CO, and CO2, and the denominator is H2, CH4, C2H2, C2H4, C2H6, CO, CO2. Select to create a composition ratio combination. In an infinite number of cases where a number of concentration ratios can be generated, an oil-in-gas composition ratio is generated in consideration of the chemical concentration ratio.
분모는 선택되는 n개의 합으로 표현되며, 가스 조성비에서 분모는 n개 선택시 동일 가스의 중복이 허락되지 않는다. The denominator is expressed by the sum of n selected, and in the gas composition ratio, the overlap of the same gas is not allowed when the denominator is selected.
H2/CH4, H2/(CH4+C2H2), C2H2/(H2+CH4+C2H4), CO/(H2+CH4+C2H2), …와 같은 방법으로 가스 조성비를 생성하며 <도 2>의 방법으로 조성비를 생성시 조성비는 889개를 생성한다. H2 / CH4, H2 / (CH4 + C2H2), C2H2 / (H2 + CH4 + C2H4), CO / (H2 + CH4 + C2H2), ... The gas composition ratio is generated in the same manner as in <Figure 2>, and when the composition ratio is generated in the method of FIG. 2, 889 composition ratios are generated.
S5) 단계와 S6) 단계는 가스 조성비 생성한 검증 데이터와 훈련 데이터를 각각 저장한다.Steps S5) and S6) store verification data and training data generated by the gas composition ratio, respectively.
S7) 단계는 저장된 검증 데이터를 변압기 이상과 정상을 탐지하는 주요 가스 조성비 순위로 나열하며, 그 결과를 주요 가스 조성비 순위에 따라 이상 탐지 학습 모델링하는 S35) 단계으로 전송한다. In step S7), the stored verification data is listed as a main gas composition ratio ranking for detecting transformer abnormalities and normals, and the result is transmitted to a step S35) for modeling anomaly detection learning according to the main gas composition ratio ranking.
이는 인공지능 알고리즘을 통하여 수행되며, 학습된 모델을 이용하고, 탐지 결과가 검증 데이터로 저장되어 변압기의 이상과 정상을 탐지하는 유중가스 조성비 조합으로 활용되게 한다. 그리고 축적된 검증 데이터를 이용하여 유입 변압기의 내부 이상 탐지하고 이를 통해 오진단 비율을 줄일 수 있도록 한다.This is performed through an artificial intelligence algorithm, uses a trained model, and the detection results are stored as verification data to be used as a combination of oil and gas composition ratio to detect abnormality and normality of the transformer. In addition, it is possible to detect the internal abnormality of the inflow transformer using the accumulated verification data and to reduce the false diagnosis rate.
본 발명은 도면과 명세서에 최적의 실시예들이 개시되었다. 여기서, 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 발명은 기술분야의 통상의 지식을 가진 자라면, 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 권리범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.The present invention has been described with the best embodiments in the drawings and specifications. Here, although specific terms are used, they are used for the purpose of describing the present invention only, and are not used to limit the scope of the present invention described in the meaning limitation or the claims. Therefore, the present invention will be understood by those of ordinary skill in the art that various modifications and other equivalent embodiments are possible. Therefore, the true technical scope of the present invention should be defined by the technical spirit of the appended claims.
Claims (10)
상기 유중가스의 가스 조성을 측정하는 단계;
상기 측정한 가스 조성의 가스 조성비를 생성하는 단계; 및
상기 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출하는 단계;
를 포함하는 것을 특징으로 하는 변압기의 이상 탐지 방법.Extracting gaseous oil from the transformer;
Measuring the gas composition of the gas in oil;
Generating a gas composition ratio of the measured gas composition; And
Detecting the abnormality and normality and deriving detection results by applying the gas composition ratio to a combination of oil-in-gas composition ratios, which are pre-trained verification data;
Method for detecting an abnormality of the transformer comprising a.
상기 유중가스 조성비 조합은
변압기의 내부결함과 상관성이 높은 유중가스 데이터를 인공지능 및 통계적 알고리즘을 이용하여 생성한 것임을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 1,
The oil gas composition ratio combination
A method of detecting an abnormality in a transformer, characterized in that the oil gas data having high correlation with the internal fault of the transformer is generated using artificial intelligence and statistical algorithms.
상기 유중가스 조성비 조합은
변압기의 내부 점검 결과 이상 상태인 유중가스를 추출하는 단계;
상기 유중가스의 가스 조성을 측정하는 단계;
상기 가스 조성을 학습을 위한 훈련 데이터와 검증 데이터로 분리하는 단계;
상기 훈련 데이터와 상기 검증 데이터의 가스 조성비를 각각 생성하는 단계; 및
상기 검증 데이터의 가스 조성비를 변압기의 이상과 정상을 탐지하는 주요 가스 조성비 순위로 나열하는 단계;
를 포함하여 도출되는 것을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 2,
The oil gas composition ratio combination
Extracting oil gas in an abnormal state as a result of internal inspection of the transformer;
Measuring the gas composition of the gas in oil;
Separating the gas composition into training data and verification data for learning;
Generating gas composition ratios of the training data and the verification data, respectively; And
Listing the gas composition ratio of the verification data as a main gas composition ratio ranking for detecting abnormality and normality of the transformer;
Method for detecting an abnormality of the transformer, characterized in that derived from the.
상기 주요 가스 조성비 순위로 나열하는 단계 후,
상기 주요 가스 조성비 순위에 따라 이상 탐지 학습 모델링하고,
상기 모델링한 결과는 상기 가스 조성비를 기학습된 검증 데이터인 유중가스 조성비 조합에 적용하여 이상과 정상을 탐지하고 탐지 결과를 도출하는 단계에 적용하는 것을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 3,
After the step of listing in the main gas composition ratio ranking,
Anomaly detection learning modeling according to the main gas composition ratio ranking,
The modeled result is applied to the step of detecting anomalies and normalities and deriving detection results by applying the gas composition ratio to a combination of oil-in-gas composition ratios, which are pre-trained verification data, and deriving detection results.
상기 탐지 결과는 주요가스 조성비 순위로 나열하여 상기 검증 데이터로 저장되고, 상기 이상과 정상 탐지를 위한 유중가스 조성비 조합으로 사용되는 것을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 4,
The detection results are arranged in the main gas composition ratio ranking and stored as the verification data, and the abnormality detection method of the transformer is used as a combination of the oil and gas composition ratio for normal detection.
상기 유중가스의 가스 조성을 측정하는 단계는
상기 유중가스 중의 H2, CH4, C2H2, C2H4, C2H6, CO 및 CO2의 농도를 측정하는 것을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 3,
The step of measuring the gas composition of the gas in the oil is
Method for detecting an abnormality in a transformer, characterized in that the concentration of H2, CH4, C2H2, C2H4, C2H6, CO and CO2 in the oil-in-gas is measured.
상기 가스 조성비의 생성은
분자는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중 하나의 값을 선택하고,
분모는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중에서 n개를 선택하여 조성비 조합을 생성하는 것을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 6,
Generation of the gas composition ratio
The molecule selects one of H2, CH4, C2H2, C2H4, C2H6, CO, CO2,
The denominator is H2, CH4, C2H2, C2H4, C2H6, CO, CO2 selected by selecting n of the composition ratio of the transformer, characterized in that the abnormality detection method of the transformer.
상기 가스 조성비에서
상기 분모는 선택되는 n개의 합으로 표현되는 것을 특징으로 하는 변압기의 이상 탐지 방법. The method according to claim 7,
In the gas composition ratio
The denominator is expressed by the sum of n selected.
상기 가스 조성비에서
상기 분모는 n개 선택시 동일 가스의 중복이 허락되지 않는 것을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 7,
In the gas composition ratio
The denominator is a method for detecting an abnormality in a transformer, characterized in that overlapping of the same gas is not permitted when selecting n pieces.
상기 가스 조성비의 생성은
분자는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중 하나의 값을 선택하고,
분모는 H2, CH4, C2H2, C2H4, C2H6, CO, CO2 중에서 n개를 선택하여 <도 2>의 방식으로 조성비 조합을 생성하는 것을 특징으로 하는 변압기의 이상 탐지 방법.The method according to claim 1,
Generation of the gas composition ratio
The molecule selects one of H2, CH4, C2H2, C2H4, C2H6, CO, CO2,
The denominator is H2, CH4, C2H2, C2H4, C2H6, CO, CO2 is selected by selecting n from the method of <Figure 2> to create a composition ratio combination transformer abnormality detection method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180119205A KR102128460B1 (en) | 2018-10-05 | 2018-10-05 | Fault diagnosis method of transformer |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180119205A KR102128460B1 (en) | 2018-10-05 | 2018-10-05 | Fault diagnosis method of transformer |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200039368A true KR20200039368A (en) | 2020-04-16 |
| KR102128460B1 KR102128460B1 (en) | 2020-06-30 |
Family
ID=70454968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180119205A KR102128460B1 (en) | 2018-10-05 | 2018-10-05 | Fault diagnosis method of transformer |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102128460B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067051A (en) * | 2020-08-24 | 2020-12-11 | 宁波大学 | Transformer fault diagnosis method based on decision tree classifier |
| CN112345678A (en) * | 2020-11-10 | 2021-02-09 | 重庆大学 | Transformer fault rate prediction model obtaining method and system and readable storage 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 |
| CN114973621A (en) * | 2022-06-01 | 2022-08-30 | 云南电网有限责任公司电力科学研究院 | Data false alarm eliminating method and oil chromatography monitoring device |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130002469A (en) * | 2011-06-29 | 2013-01-08 | 현대중공업 주식회사 | Method for dissolved gas analysis of transformer |
| KR20130074672A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using composition of dissolved gases |
| WO2017013700A1 (en) * | 2015-07-17 | 2017-01-26 | 三菱電機株式会社 | Method for determining abnormality in oil-filled electric apparatus |
| KR101842831B1 (en) * | 2017-05-10 | 2018-05-14 | 울산대학교 산학협력단 | Method and apparatus for analyzing dissolved gas in transformer using machine learning algorithm |
-
2018
- 2018-10-05 KR KR1020180119205A patent/KR102128460B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130002469A (en) * | 2011-06-29 | 2013-01-08 | 현대중공업 주식회사 | Method for dissolved gas analysis of transformer |
| KR20130074672A (en) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using composition of dissolved gases |
| KR101325177B1 (en) | 2011-12-26 | 2013-11-20 | 주식회사 효성 | Fault diagnosis method of oil filled transformer using composition of dissolved gases |
| WO2017013700A1 (en) * | 2015-07-17 | 2017-01-26 | 三菱電機株式会社 | Method for determining abnormality in oil-filled electric apparatus |
| KR101842831B1 (en) * | 2017-05-10 | 2018-05-14 | 울산대학교 산학협력단 | Method and apparatus for analyzing dissolved gas in transformer using machine learning algorithm |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067051A (en) * | 2020-08-24 | 2020-12-11 | 宁波大学 | Transformer fault diagnosis method based on decision tree classifier |
| CN112345678A (en) * | 2020-11-10 | 2021-02-09 | 重庆大学 | Transformer fault rate prediction model obtaining method and system and readable storage medium |
| CN112345678B (en) * | 2020-11-10 | 2022-03-01 | 重庆大学 | Transformer fault rate prediction model obtaining method and system and readable storage 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 |
| CN114973621A (en) * | 2022-06-01 | 2022-08-30 | 云南电网有限责任公司电力科学研究院 | Data false alarm eliminating method and oil chromatography monitoring device |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102128460B1 (en) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102128460B1 (en) | Fault diagnosis method of transformer | |
| JP4528335B2 (en) | Sensor performance verification apparatus and method | |
| CN108663582A (en) | A kind of fault diagnosis method and system of transformer | |
| US20150127277A1 (en) | System and method for assessing power transformers | |
| Mharakurwa et al. | Power transformer fault severity estimation based on dissolved gas analysis and energy of fault formation technique | |
| Rose-Pehrsson et al. | Multi-criteria fire detection systems using a probabilistic neural network | |
| Ali et al. | Conventional methods of dissolved gas analysis using oil-immersed power transformer for fault diagnosis: A review | |
| CA2981036A1 (en) | Method and system for assessment of fault severity, risk exposure, and gassing status for liquid-filled high-voltage apparatus | |
| KR102007231B1 (en) | Failure type diagnostic method and system of oil filled transformer | |
| Bakar et al. | Improvement of DGA interpretation using scoring index method | |
| CN114509620A (en) | Transformer fault diagnosis method based on monitoring data | |
| Manservigi et al. | Development and validation of a general and robust methodology for the detection and classification of gas turbine sensor faults | |
| Li et al. | Canonical variate analysis, probability approach and support vector regression for fault identification and failure time prediction | |
| Syafruddin et al. | Dissolved gas analysis (DGA) for diagnosis of fault in oil-immersed power transformers: A case study | |
| KR20180042671A (en) | Fault diagnosis apparatus using a dissolved gas generation pattern of the transformer | |
| Nagpal et al. | Neural network based transformer incipient fault detection | |
| CN115758066A (en) | Method for counting carbon emission in whole life cycle of transformer | |
| Angelosante et al. | A sensor fault-resilient framework for predictive emission monitoring systems | |
| Levin et al. | Predicting the technical condition of the power transformer using fuzzy logic and dissolved gas analysis method | |
| Uzair et al. | Failure analysis of power transformers | |
| Boonsaner et al. | The study and analysis of oil-immersed power transformer by using artificial neural network for designing program apply in the industry of testing oil-immersed transformers | |
| Chinakay et al. | A PCA-based fault monitoring of splitter nozzles in gas turbine combustion chamber using exhaust gas temperature | |
| Ghoneim et al. | Detection of faults in power transformers using an expertise method depending on DGA | |
| Hirkaney et al. | Comparison of Fault Identification Methods for Analyzing Transformer Dissolved Gas | |
| Singh | Comparing the effectiveness of machine learning algorithms for defect prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |