KR20220102723A - 변압기 유중 수소 위험 예측 딥러닝 서버 시스템 - Google Patents
변압기 유중 수소 위험 예측 딥러닝 서버 시스템 Download PDFInfo
- Publication number
- KR20220102723A KR20220102723A KR1020210004996A KR20210004996A KR20220102723A KR 20220102723 A KR20220102723 A KR 20220102723A KR 1020210004996 A KR1020210004996 A KR 1020210004996A KR 20210004996 A KR20210004996 A KR 20210004996A KR 20220102723 A KR20220102723 A KR 20220102723A
- Authority
- KR
- South Korea
- Prior art keywords
- hydrogen
- deep learning
- server
- sensor
- transformer
- Prior art date
Links
- 239000001257 hydrogen Substances 0.000 title claims abstract description 96
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 96
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 239000002070 nanowire Substances 0.000 claims description 47
- 150000002431 hydrogen Chemical class 0.000 claims description 44
- KDLHZDBZIXYQEI-UHFFFAOYSA-N Palladium Chemical compound [Pd] KDLHZDBZIXYQEI-UHFFFAOYSA-N 0.000 claims description 42
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 28
- 229910052710 silicon Inorganic materials 0.000 claims description 28
- 239000010703 silicon Substances 0.000 claims description 28
- 239000003921 oil Substances 0.000 claims description 26
- 239000003054 catalyst Substances 0.000 claims description 20
- 238000005984 hydrogenation reaction Methods 0.000 claims description 20
- 239000007789 gas Substances 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 229910052763 palladium Inorganic materials 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 10
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 9
- 229910052751 metal Inorganic materials 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 9
- 150000004681 metal hydrides Chemical class 0.000 claims description 9
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 9
- 239000011777 magnesium Substances 0.000 claims description 6
- 239000011572 manganese Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 229910052987 metal hydride Inorganic materials 0.000 claims description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 4
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 3
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 3
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 229910052749 magnesium Inorganic materials 0.000 claims description 3
- 229910052748 manganese Inorganic materials 0.000 claims description 3
- 150000002739 metals Chemical class 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 229910052750 molybdenum Inorganic materials 0.000 claims description 3
- 239000011733 molybdenum Substances 0.000 claims description 3
- 230000003472 neutralizing effect Effects 0.000 claims description 3
- 229910052759 nickel Inorganic materials 0.000 claims description 3
- 229910052697 platinum Inorganic materials 0.000 claims description 3
- 229910052703 rhodium Inorganic materials 0.000 claims description 3
- 239000010948 rhodium Substances 0.000 claims description 3
- MHOVAHRLVXNVSD-UHFFFAOYSA-N rhodium atom Chemical compound [Rh] MHOVAHRLVXNVSD-UHFFFAOYSA-N 0.000 claims description 3
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 claims description 3
- 229910052681 coesite Inorganic materials 0.000 claims description 2
- 229910052906 cristobalite Inorganic materials 0.000 claims description 2
- 239000000377 silicon dioxide Substances 0.000 claims description 2
- 235000012239 silicon dioxide Nutrition 0.000 claims description 2
- 229910052682 stishovite Inorganic materials 0.000 claims description 2
- 229910052905 tridymite Inorganic materials 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 208000024891 symptom Diseases 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010839 reverse transcription Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 239000001273 butane Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000011258 core-shell material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 229910052733 gallium Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- OFBQJSOFQDEBGM-UHFFFAOYSA-N n-pentane Natural products CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000003836 solid-state method Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Food Science & Technology (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
변압기 유중 수소 위험 예측 딥러닝 서버 시스템이 개시된다. 본 발명의 수소 감지 시스템을 이용한 변압기 유중 수소 위험 예측 딥러닝 서버 시스템은, 상기 수소감지 시스템의 센서 감지값과 고유번호를 수집하며 푸쉬서버로 동작하는 데이터_수집_서버와, 상기 데이터_수집_서버에서 푸쉬된 센서 감지값과 고유번호를 모니터링하여 수소 가스의 이상징후를 분석한 뒤 이상 상황을 관제센터로 통보하는 관제_서버, 및 상기 관제서버에서 출력되는 센서 감지값을 이용하여 고유번호별 변압기에 대한 분석보고서 및 예측자료를 생성하고 위험 예측 지수를 산출하는 분석서버를 포함하게 구성함으로써 센서 데이터를 수집하여 이상징후를 분석한 뒤 이상 상황을 한국전력에 통보하여 사전에 위험을 감지하여 대처할 수 있는 효과가 있다.
Description
본 발명은 위험 예측 딥러닝 서버 시스템에 관한 것으로, 보다 상세하게는 측정한 수소 농도를 감지하여 원격에서 수소 센서 감지값을 인공신경망에 의한 기계 학습의 일종인 딥러닝을 활용하여 모니터링함으로써 위혐을 예측할 수 있는 변압기 유중 수소 위험 예측 딥러닝 서버 시스템에 관한 것이다.
변압기는 발전소에서 생산된 전기를 멀리 떨어져 있는 변전소까지 이송하거나 이송된 고전압의 전기를 공장 또는 가정에서 사용할 수 있도록 적절한 전압으로 변압(變壓)시키는 설비로서 전력설비 중 가장 중요한 설비중의 하나로 손꼽힌다.
따라서 변압기가 고장이나 사고로 운전 정지되어 전력공급이 중단되면 국민생활과 산업활동에 많은 지장을 초래할 뿐만 아니라 막대한 경제적 손실이 발생하므로 변압기를 보유하고 있는 사업자는 사고를 미연에 예방하기 위하여 많은 노력을 기울이고 있다.
운전 중인 변압기의 내부에서 돌발적인 사고로 이어질 수 있는 과열, 아크 또는 부분방전 등의 이상을 조기에 발견하는 방법은 여러 가지가 있으나, 그 중에서 절연유 중에 포함된 가스의 분석에 의한 방법이 가장 신뢰성이 높아 세계적으로 많이 사용되고 있다.
변압기 내부에서 일어나는 여러 가지 이상에는 열이 동반하여 발생하며, 이 열에 의해서 변압기 내부의 절연유, 절연지 및 프레스보드 등의 절연물이 분해되면서 가스가 생성되면 그 일부는 절연유 중에 용해된다.
가스가 절연유 중으로 용해되는 비율은 온도, 압력 등의 조건이 일정할 경우 항상 일정한 값을 갖기 때문에 절연유 중에 용해되어 있는 가스를 추출하여 가스의 종류와 함량을 분석함으로써 변압기 내부의 이상 여부와 이상의 종류를 조기에 진단하는 것이 가능하다.
변압기 내부에 특정 가스가 기준치를 초과하면 사전에 내부점검 등 적절한 조치를 취하여 돌발적인 사고를 예방할 수 있다.
절연유 중의 가스를 분석하기 위해서는 운전 중인 변압기에서 절연유 시료를 채취하여 실험실로 운반하여 가스를 추출한 다음 가스분석기(Gas Chromatography)로 분석하는 방법이 가장 일반적으로 사용되고 있다. 그러나 이러한 실험실적인 분석방법은 시료의 채취, 운반 및 분석에 많은 시간과 인력이 소요되는 문제점이 있다.
현재 변압기 절연유의 열화도를 분석하기 위하여 수소 가스만 아니라 메탄, 에탄올, 부탄(C4H8) 등의 탄화수소 계열의 성분도 모두 분석하고 있다. 절연유 중 가스의 조성이나 샘플링을 통하여 변화를 감지하거나 또는 변압기의 상태를 진단하거나 고장의 원인, 혹은 절연유 열화의 원인 등을 추정할 수 있는데 절연유 중의 수소 가스 함량이 절연유의 열화와 밀접한 관계가 있는 것으로 알려져 있다.
따라서 절연유의 열화도를 실시간으로 측정할 수 있어 절연유 교체, 정전 등으로 인한 막대한 경제적 손실을 줄일 수 있는 절연유에서 사용할 수 있는 고성능의 수소 센서가 개발의 필요할 뿐만 아니라, 샘플링 분석에 별도의 전문 인력이 필요할 뿐만 아니라, 실시간 검지가 불가능하다는 문제점이 있다.
또한, 기존 수소 센서들의 단점을 극복하려면 고체형(solid state) 방식이 유리하며 수소 흡수력이 강한 Pd 금속이 소재로 거론된다.
구체적으로는 Pd 금속이 수소를 흡수하면 저항이 증가하는 원리를 이용하여 수소 농도를 측정할 수 있을 것이라는 가정 아래 Pd 금속을 분말 혹은 막으로 만들어 수소센서를 개발하는 연구가 진행되고 있다.
그러나 Pd에 흡수된 수소가 가열하거나 압력을 낮추는 등의 특수한 처리를 하지 않고서는 다시 방출되지 않기 때문에 연속적으로 수소 농도의 변화를 감지하는 데는 한계가 있다.
아울러 절연유 내 수소가스만 분리 후 GC분석을 하기 때문에 고도의 기술설비와 운영에 고비용이 발생하게 된다.
또한, Pd 금속이 수소를 흡수하면 저항이 증가하는 원리를 이용하여 측정한 수소 농도를 감지하여 원격에서 수소 센서 감지값을 모니터링하여 이상징후를 분석한 뒤 이상 상황을 관제센터에 통보하여 사전에 위험을 감지하여 대처할 수 있는 기술이 필요하다.
본 발명의 목적은 센서 데이터를 수집하여 이상징후를 분석한 뒤 이상 상황을 관제센터에 통보하여 사전에 위험을 감지 대처할 수 있게 하는 변압기 유중 수소 위험 예측 딥러닝 서버 시스템을 제공하는 것이다.
그리고 본 발명은 수소 감지 시스템을 이용하여 실시간 딥러닝을 활용하여 수소가스 검지 모니터링을 할 수 있는 서버로 구성된 변압기 유중 수소 위험 예측 딥러닝 서버 시스템을 제공하는 것을 다른 목적으로 한다.
이러한 과제를 해결하기 위한 본 발명의 반응챔버 내에 일측에 탑재된 수소센서와 수소 가스의 흐름량을 조절하는 MFC(Mass Flow Controller), 및 상기 수소 센서에 전압 및 전류를 인가하는 전압 및 전류 인가 장치를 포함하여 그 양이 정확하게 조절되어 원하는 비율의 수소 가스 농도를 만들어주는 수소 감지 시스템을 이용한 변압기 유중 수소 위험 예측 딥러닝 서버 시스템은, 상기 수소감지 시스템의 센서 감지값과 고유번호를 수집하며 푸쉬서버로 동작하는 데이터_수집_서버와, 상기 데이터_수집_서버에서 푸쉬된 센서 감지값과 고유번호를 모니터링하여 수소 가스의 이상징후를 분석한 뒤 이상 상황을 관제센터로 통보하는 관제_서버, 및 상기 관제서버에서 출력되는 센서 감지값을 이용하여 고유번호별 변압기에 대한 분석보고서 및 예측자료를 생성하고 위험 예측 지수를 산출하는 분석서버를 포함하게 구성함으로써 달성될 수 있다.
또한, 분석서버는 상기 데이터_수집_서버에서 출력되는 데이터를 반복 수렴하면서 구축된 복수의 센서 감지값을 기초로 패턴을 생성하고, 상기 패턴을 기초로 딥러닝 모델을 정의하고, 상기 정의된 딥러닝 모델을 이용하여 고유번호별 변압기에 대한 수소의 이상 징후 여부를 결정할 수 있다.
따라서, 본 발명의 변압기 유중 수소 위험 예측 딥러닝 서버 시스템에 의하면, 센서 데이터를 수집하여 이상징후를 분석한 뒤 이상 상황을 한국전력에 통보하여 사전에 위험을 감지하여 대처할 수 있는 효과가 있다.
그리고 본 발명의 변압기 유중 수소 위험 예측 딥러닝 서버 시스템에 의하면, 딥러닝을 통하여 이상 징후를 정확하게 판단할 수 있기 때문에 열화에 따른 수소 발생이 우려되는 변압기 등 다양한 전력 설비 시설에 적용하여 이상 발견 시 신속하게 조치할 수 있는 효과가 있다.
도 1은 본 발명의 일실시예에 의한 변압기 유중 수소 위험 예측 딥러닝 서버 시스템의 주요 구성도,
도 2는 본 발명에서 사용되는 P형 실리콘 나노와이어 어레이 기반 수소 센서 및 N형 실리콘 나노와이어 어레이 기반 수소 센서의 메커니즘을 비교한 도면,
도 3은 본 발명에서 사용되는 P형 실리콘 나노와이어 어레이 기반 수소 센서 및 N형 실리콘 나노와이어 어레이 기반 수소 센서의 메커니즘을 비교한 도면,
도 4는 본 발명의 팔라듐 나노선 번들 수소 검지 센서의 사시도,
도 5는 본 발명의 위험 예측 지수를 나타내는 예시 그래프,
도 6은 센서 감지값의 DB를 일례로 예시한 도면,
그리고
도 7은 본 발명의 딥러닝 알고리즘을 설명하기 위한 도면이다.
도 2는 본 발명에서 사용되는 P형 실리콘 나노와이어 어레이 기반 수소 센서 및 N형 실리콘 나노와이어 어레이 기반 수소 센서의 메커니즘을 비교한 도면,
도 3은 본 발명에서 사용되는 P형 실리콘 나노와이어 어레이 기반 수소 센서 및 N형 실리콘 나노와이어 어레이 기반 수소 센서의 메커니즘을 비교한 도면,
도 4는 본 발명의 팔라듐 나노선 번들 수소 검지 센서의 사시도,
도 5는 본 발명의 위험 예측 지수를 나타내는 예시 그래프,
도 6은 센서 감지값의 DB를 일례로 예시한 도면,
그리고
도 7은 본 발명의 딥러닝 알고리즘을 설명하기 위한 도면이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정 해석되지 아니하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈", "장치" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 및/또는 소프트웨어의 결합으로 구현될 수 있다.
명세서 전체에서 "및/또는"의 용어는 하나 이상의 관련 항목으로부터 제시 가능한 모든 조합을 포함하는 것으로 이해되어야 한다. 예를 들어, "제1 항목, 제2 항목 및/또는 제3 항목"의 의미는 제1, 제2 또는 제3 항목뿐만 아니라 제1, 제2 또는 제3 항목들 중 2개 이상으로부터 제시될 수 있는 모든 항목의 조합을 의미한다.
이하, 도면을 참고하여 본 발명의 일실시예에 대하여 설명한다.
도 1은 본 발명의 일실시예에 의한 변압기 유중 수소 위험 예측 딥러닝 서버 시스템의 주요 구성도로서, 변압기별로 수소 센서의 수소 농도별 전기 저항을 측정하는 수소 감지 시스템(100)과 센서 데이터를 수집하여 딥러닝 학습을 통하여 이상징후를 분석한 뒤 이상 상황을 관제센터에 통보하여 사전에 위험을 감지하고 대처할 수 있도록 하는 딥러닝 서버 시스템(200)을 포함한다.
딥러닝 서버 시스템(200)은 수소감지 시스템(100)의 센서 감지값과 고유번호를 수집하며 푸쉬서버로 동작하는 데이터_수집_서버(210)와 데이터_수집_서버(210)에서 푸쉬된 센서 감지값과 고유번호를 모니터링하여 수소 가스의 이상징후를 분석한 뒤 이상 상황을 관제센터로 통보하는 관제_서버(220), 및 관제서버(220)에서 출력되는 센서 감지값을 이용하여 고유번호별 변압기에 대한 분석보고서 및 예측자료를 생성하고 위험 예측 지수를 산출하는 분석서버(230)를 포함한다.
즉, 본 발명의 딥러닝 서버 시스템(200)은 센싱한 모든 데이터를 데이터_수집_서버(210)에 저장하여 빅데이터 딥러닝 기술을 활용하여 분석서버(230)가 사전 위험 알림과 사고 예측을 가능한 위험 방지 대책 시간을 마련할 뿐만 아니라, 향후 데이터_수집_서버(210)에서 변압기 유중 온/습도 값과 함께 변압기 종합 사전 예방 진단 시스템으로 구축하여 종합 변압기 안전 대책 진단 툴로 활용이 가능하다.
특히 분석버서(230)는 분석할 센서감지값의 패턴에 대해 딥러닝 훈련을 수행하기 위한 딥러닝 모델을 정의하고 훈련을 수행할 수 있다. 딥러닝 모델은 패턴과 이상 징후와의 사상을 위한 다양한 종류의 모델이 이용될 수 있고, 예를 들어, 컨볼루션 신경망이 이용될 수 있다. 또한, 이상 징후는 카테고리형 데이터이나 수치형으로 변환될 수 있고, 뉴런과 가중치의 조합으로 표현되는 딥러닝 모델에 대하여 훈련 최적화 알고리즘, 모델의 구조와 훈련 데이터의 저장 및 불러오기 방식, 및 다양한 하이퍼파라미터 등을 정의하고, 정의한 내용을 기반으로 딥러닝 훈련을 수행할 수 있다.
딥러닝 모델의 개별 처리 단위는 뉴런이고 딥러닝 모델은 뉴런이 연결된 신경망이라는 구조를 가지고 있다. 개별 뉴런은 가중치에 해당하는 수치를 포함하며 한 뉴런에서 다음 뉴런으로 연결되는 부분은 활성화 함수로 표현된다. 활성화 함수는 비선형 함수로, 예를 들어, sigmoid, tanh, ReLU 등의 함수가 있으며, 해당 함수들은 한 뉴런에서 다음 뉴런으로 값이 전달될 때 값을 어떠한 형태로 변환하여 전달할지 결정한다. 신경망 구조는 격자의 행렬(w)로 표현될 수 있고, 예를 들어, 패턴을 생성할 때 얻은 훈련데이터를 X라고 하고 이상 징후를 Y라고 할 때, 이를 사상하는 함수, 즉, 타겟 함수는 Y=wX의 형태를 가진다. 여기에서, 타겟 함수는 입력된 패턴 X에 대해 특정 예측값 Y를 결과물로서 내게 된다. 특정 센서 감지값에 대한 이상 징후를 y로 표현하면, 진실값 y와 딥러닝 모델 예측값 Y 사이에는 차이가 있을 수 있고, 이 차이는 현실과 모델의 오류로서 손실(loss)이라고 하며, 딥러닝 훈련은 역전사 기법 등을 사용하여 이러한 손실 값을 줄여 나가는 과정이다.
하나의 훈련 데이터는 하나의 대표 패턴과 관제센터에서 정의한 이상 징후로 이뤄지고, 딥러닝 훈련은 전체 데이터에 대해 한꺼번에 이뤄지지 않고 배치(batch)에 해당하는 작은 훈련 단위로 쪼개어져서 이뤄질 수 있다. 반복적인 역전사 기법은 개별 배치에 대해 수행되며, 훈련 집합과 진단명을 사상하는 모델의 에러가 감소하는지 여부, 및 모델의 이상 징후 정확도가 상승하는지 여부는 각각 훈련 손실값(loss)과 검증 정확도(validation accuracy)를 통해 확인될 수 있다. 이때 이전 모델보다 손실값이 감소하거나 정확도가 상승한 경우에는 전체 모델 또는 모델을 나타내는 가중치 행렬 값이 임의의 장소에 저장되도록 할 수 있다.
다시 말하면, 오류역전파 알고리즘 (Backpropagation algorithm) 에 기반한 심층 신경망(DNN, Deep Neural Network)을 이용하여 딥러닝을 수행한다,
심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다. 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형(선형포함) 관계(non-linear relationship)들을 모델링할 수 있다. 위험 예측 모델을 위한 심층 신경망 구조에서는 센싱 데이터가 기본적 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모여진 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들 만으로도 복잡한 데이터를 모델링할 수 있게 해준다.
도 6의 센서 감지값의 DB를 일례로 예시한 도면을 참고하면, 딥러닝 서버 시스템(200)에 입력층(input layer)으로 입력되는 센서 감지값이 일례로 표시되어 있다.
이러한 센서 감지값은 센싱시간, H2 ppm, 온도, 습도, 그리고 배터리 충전량을 포함할 수 있다.
센싱시간은 변압기에 고유번호로 사용되는 모뎀에서 센싱한 시간을 표시하는 데이터이고, 센서1에서 수소 농도를 H2 ppm으로 감지한다.
센서 2에서 1~150℃의 온도를 감지하도록 하고, 센서 3에서는 습도를 측정한다.
센서 4는 배터리의 충전량을 0~100%로 감지하고, 센서 5에서는 최근 24시간 수소 변화율을 감지하도록 한다.
도 7의 본 발명의 딥러닝 알고리즘을 설명하기 위한 도면을 참고하면, DNN의 입력값으로 센서1에서 감지한 수소농도(H2 ppm)와 온도, 습도, 배터리 충전량 그리고 최근 24시간 수소 변화율을 입력하여 DNN의 각 층(layer)에서 과거 누적 데이터 학습값이 가중치에 따라 층간 연결되어 입력 값의 알고리즘 값에 대입하여 안정여부에 얼마나 벗어나는지 여부를 결과로 알 수 있도록 출력하는 것이다.
바람직하게, 정의된 딥러닝 모델을 이용하여 새로운 센서 감지값을 통해 획득한 패턴에 대해 이상 징후 진단을 수행할 수 있다. 이때, 생성한 모델 중 가장 손실이 적고 검증 정확도가 높은 모델을 불러올 수 있고, 어느 정도의 확률로 이상 징후가 있는지 결정할 수 있다. 여기에서, 결정된 이상 징후는 분석 결과로서 분석보고서 및 예측 자료를 생성하거나 또는 위험예측지수를 그래프로 표시할 수 있다.
도 5의 본 발명의 위험 예측 지수를 나타내는 예시 그래프를 참고하면, 시계 모양의 그래프에 시계 바늘을 이용하여 위험 지수를 숫자로 표시하고, 표시된 숫자의 위험정도를 "Fear"로 표시하여 쉽게 이상 유무를 인지할 수 있도록 할 수 있다.
또한, 딥러닝 서버 시스템(200)은 관제센터로 동작하는 단말기(300)로 분석결과를 통보하여 사전 위험 알림과 사고 예측을 가능하게 하고, 사후 조치를 할 수 있게 할 수 있다.
딥러닝 서버 시스템(200)은 관제센터에 설치되어 도처에 설치되어 있는 변압기 내의 수소 센서값을 검출하여 모니터에 표시되게 하여 관리할 수 있도록 한다.
또한, 딥러닝 서버 시스템(200)은 IP어드레스별 설치위치를 저장해두고 있다가 전송되는 IP어드레스를 분석하여 표시부의 지도상에 해당 위치를 표시할 수 있도록 하고, 이상 감시 시 해당 위치가 팝업창으로 표시되게 하여 즉시 위치를 인지할 수 있도록 할 수 있다.
수소 감지 시스템(100)은 반응챔버(110), 반응챔버(110) 내에 탑재된 본 발명의 일 측에 따라 제조된 수소센서(120), 수소가스(H2)의 흐름량을 조절하는 MFC(Mass Flow Controller)(130), 센서의 전압 및 전류 인가 장치(140) 및 가스 탱크(미도시)를 포함한다.
시스템(100)에서 수소센서(120)가 장착되는 반응챔버(110)는 수소 가스와 센서가 반응할 때 이를 외부와 밀폐시키며, 수소 가스는 MFC(130)을 통해 그 양이 정확하게 조절되어 원하는 비율의 수소 가스 농도를 만들어주는 역할을 한다.
농도가 조절된 수소 가스는 반응 챔버(110) 내에서 수소 센서와 반응하게 되며, 이때의 센서의 변화에 대한 전기적 신호는 전압 및 전류 인가 장치(140)를 통해 측정될 수 있다.
이러한 측정은 상온 및 상압에서 실시되며, 팔라듐 금속층이 증착된 SiO2 나노와이어를 갖는 수소센서(120)를 외부 전류 인가 장치와 연결된 반응 챔버(110) 내에 장착한 후, 반응 챔버(110) 내에 수소 가스와 공기 가스가 혼합된 가스를 흘려주며, 전압을 0.1V로 유지하면서 전류의 세기를 측정할 수 있도록 구성한다.
이렇게 검출된 데이터 또는 수소센소(120)의 측정값이 무선송신부(150)를 통하여 딥러닝 서버 시스템(200)으로 전달된다.
무선송신부(150)는 설치된 위치별 IP address로 관리되고, 데이터 송신의 경우 해당 IP주소와 함께 전압 및 전류 인가 장치(140)의 측정된 또는 수소센서(120)의 출력값을 딥러닝 서버 시스템(200)으로 전송한다.
무선송신부(150)는 딥러닝 서버 시스템(200)과 유무선 통신을 수행하여 측정된 수소 센서값을 고유번호(IP어드레스)와 함께 전송하도록 구성한다.
통신방식은 Narrow Band LTE로 구성하는 것이 가장 바람직하다.
도 4는 본 발명의 팔라듐 나노선 번들 수소 검지 센서의 사시도로서, 도면을 참고하면, 기존 수소 검지 기술 한계를 극복한 팔라듐 나노선 번들 수소 검지 센서 초기 설계로서 Sensor(122)를 SUS304 Sensor Housing(121) 으로 보호하고, 전극부 또한 SUS316 Clip for Wiring과 커버 Alumina Clip Hosing 으로 구성된다.
NB-IoT 모듈과는 Wire Leads를 통하여 Insulating Busing Cover Stainless Steel Shell로 내구성과 간섭을 줄인 기구로 제작되어 팔라듐 나노선 기반(선택성), 실시간 모니터링, 초저가와 초소형을 가능하게 하고 장입형으로 (In-situ) 분석을 가능토록 한다.
마이크로컨트롤로(141)가 내장된 NB-IoT 모듈(142)이 무선이동통신망 인터넷 연결을 기반으로 정보를 교환하여 딥러닝 서버 시스템에 센서(122)에서 측정된 값을 전달한다. 이러한 정보에는 상술한 바와 같이 수소 농도 이외에 온/습도 그리고 변압기 위험 정보 감지 값을 포함할 수 있다. 이 값은 IoT 기기와 센서에 내장된 보정 알고리즘(143)을 이용해서 값을 도출하는 방식이다. 무엇보다 보정 알고리즘은 수소 데이터의 무결성을 확보하기 위하여 사전 학습된 가변 저항 가중치의 값과 Lookup Table의 값에 최적화된 수소 농도를 ppm 값으로 환산한다. 그리고 수소 외의 오염 그리고 기후 환경변화에 의한 잡음과 비정상적인 값을 알고리즘 값 포함 여부에 판단하여 제외하도록 운영한다.
도 2는 본 발명에서 사용되는 P형 실리콘 나노와이어 어레이 기반 수소 센서 및 N형 실리콘 나노와이어 어레이 기반 수소 센서의 메커니즘을 비교한 도면이다.
도 2(a)에 나타난 바와 같이, 본 발명의 일구현예에 따른 P형 실리콘 나노와이어 어레이 기반 수소 센서에 있어서, 상기 수소화 촉매는 수소에 노출 후, 금속 하이드라이드(MHx)로 환원되어, 상기 나노 와이어 어레이와 상기 수소화 촉매의 계면에 e-를 집중시킬 수 있다. 따라서 상기 수소화 촉매를 정공을 증가시킨 P형 실리콘 나노와이어 어레이 표면에 형성함으로써, 수소 노출 후, 상기 나노 와이어 어레이 내부 정공을 중성화시켜 전류를 저하시킬 수 있는 이점이 있다.
반면, 도 2(b)에 나타난 바와 같이, N형 실리콘 나노와이어 어레이 기반 수소 센서에 있어서, 마찬가지로, 상기 수소화 촉매는 수소에 노출 후, 금속 하이드라이드(MHx)로 환원되어, 상기 나노 와이어 어레이와 상기 수소화 촉매의 계면에 e-를 집중시킬 수 있다. 따라서, 상기 수소화 촉매를 전자수를 증가시킨 N형 실리콘 나노와이어 어레이 표면에 형성함으로써, 수소 노출 후, 전류를 증가시킬 수 있는 이점이 있다.
먼저, 본 명세서에서 “오믹 접촉(Ohmic contact)”이란 각 주요 캐리어(정공 또는 전자)가 원활하게 이동하며, 이 경우 전류가 증가하는 현상이 나타나는 것을 의미한다.
또한, 본 명세서에서 “쇼트키 접촉(Schottky contact)”이란 쇼트키 장벽(Schottky barrier) 형성으로 인하여 각 주요 캐리어(정공 또는 전자)의 이동이 불가능해지며, 이 경우 저항이 증가하여 전류가 감소하는 현상이 나타나는 것을 의미한다.
도 3은 본 발명에서 사용되는 P형 실리콘 나노와이어 어레이 기반 수소 센서 및 N형 실리콘 나노와이어 어레이 기반 수소 센서의 메커니즘을 비교한 도면이다.
도 3(a)에 나타난 바와 같이, 본 발명의 일구현예에 따른 P형 실리콘 나노와이어 어레이 기반 수소 센서에 있어서, 수소에 노출 전(좌측 그림), 상기 나노 와이어 어레이와 상기 수소화 촉매의 계면에 오믹 접촉(Ohmic contact)을 형성할 수 있다. 구체적으로, Pd의 일함수는 56eV이고, P형 실리콘은 49eV로서, Pd의 일함수가 P형 실리콘의 일함수 보다 크기 때문에 오믹 접촉(Ohmic contact)을 형성하게 되고, 정공이 원활하게 이동할 수 있다.
한편, 수소에 노출 후(우측 그림), 상기 나노 와이어 어레이와 상기 수소화 촉매의 계면에 쇼트키 접촉(Schottky contact)을 형성할 수 있다. 구체적으로, 수소에 노출되면 Pd 일함수가 수소 노출 농도에 따라 감소하게 되므로, PdHx 일함수는 음수가 될 것이다. PdHx 일함수 및 P형 실리콘의 일함수 차이만큼 쇼트키 장벽(Schottky barrier)을 형성하게 되고, 전류를 감소시킬 수 있는 이점이 있다.
즉, 본 발명의 일구현예에 따른 P형 실리콘 나노와이어 어레이 기반 수소 센서의 경우, 오믹 접촉(Ohmic contact)에서 쇼트키 접촉(Schottky contact)으로 변화할 때 PdHx 일함수 및 P형 실리콘의 일함수 차이가 클수록 쇼트키 장벽(Schottky barrier)이 커지게 되므로, 정공의 농도 감소가 계속 일어나게 될 것인바, 수소 노출농도의 증가에 따라 P형 실리콘 나노와이어 어레이 내부 정공 농도(=n) 차이가 생기게 될 것이다.
반면, 도 3(b)에 나타난 바와 같이, N형 실리콘 나노와이어 어레이 기반 수소 센서에 있어서, 수소에 노출 전(좌측 그림), 상기 나노 와이어 어레이와 상기 수소화 촉매의 계면에 쇼트키 접촉(Schottky contact)을 형성할 수 있다. 구체적으로, Pd의 일함수는 56eV이고, N형 실리콘은 44eV로서, Pd의 일함수가 N형 실리콘의 일함수 보다 크기 때문에 쇼트키 접촉(Schottky contact)을 형성하게 되고, 쇼트키 장벽(Schottky barrier)의 형성으로 인하여 전자가 이동하지 못할 것이다. 한편, 수소에 노출 후(우측 그림), 상기 나노 와이어 어레이와 상기 수소화 촉매의 계면에 오믹 접촉(Ohmic contact)을 형성할 수 있다. 구체적으로, 수소에 노출되면 Pd 일함수가 수소 노출 농도에 따라 감소하게 되므로, PdHx 일함수는 음수가 될 것이다. PdHx 일함수가 N형 실리콘의 일함수보다 작기 때문에 오믹 접촉(Ohmic contact)을 형성하게 되고, 전자가 원활하게 이동할 수 있다.
즉, N형 실리콘 나노와이어 어레이 기반 수소 센서의 경우, 쇼트키 접촉(Schottky contact)에서 밴드 구조가 밴딩된 부분이 원상복귀되어 오믹 접촉(Ohmic contact)으로 변화하는 것이므로, 밴딩된 부분만큼 전자 개수가 늘어날 것이다. 오믹 접촉(Ohmic contact)은 쇼트키 접촉(Schottky contact)과는 다르게 오믹 접촉(Ohmic contact)이 되면 그 정도 차이라는 것이 존재하지 않을 것이다.
먼저, 본 발명에 따른 수소 센서는 P형 실리콘 나노 와이어 어레이를 포함한다.
상기 나노 와이어 어레이는 실리콘 웨이퍼를 에칭하여 형성되는 것으로, 표면적이 최적화된 것을 특징으로 한다. 상기 나노 와이어 어레이는 내부에 정공을 형성할 수 있는 불순물이면 어느 것이나 가능하고, 3족 원소가 도핑된 것이 바람직하고, 보론, 갈륨 및 인듐으로 이루어진 군으로부터 선택된 하나 이상의 3족 원소가 도핑된 것이 더욱 바람직하나, 이에 한정되지 않는다.
다음으로, 본 발명에 따른 수소 센서는 상기 나노 와이어 어레이 표면에 형성된 수소화 촉매를 포함한다.
상기 수소화 촉매는 상기 나노 와이어 어레이 표면에 증착을 통해 형성되는 것으로, 상기 나노 와이어 어레이 표면에 전체적으로 형성되어 코어-쉘(core-shell) 구조를 형성할 수도 있고, 상기 나노 와이어 어레이 표면에 부분적으로 형성될 수도 있다. 이때, 상기 수소화 촉매는 피막 형태로 형성될 수도 있고, 입자 형태로 형성될 수도 있다.
상기 수소화 촉매는 팔라듐(Pd), 백금(Pt), 로듐(Rd), 알루미늄(Al), 니켈(Ni), 망간(Mn), 몰리브덴(Mo), 마그네슘(Mg) 및 바나듐(V)으로 이루어진 군으로부터 선택된 하나 이상의 금속을 포함할 수 있고, 팔라듐(Pd)을 포함하는 것이 바람직하나, 이에 한정되지 않는다.
상기 수소화 촉매는 수소 노출 후, 금속 하이드라이드(MHx)로 환원될 수 있어, 상기 나노 와이어 어레이와 수소화 촉매의 계면에 e-를 집중시킬 것인바, 상기 나노 와이어 어레이 내부 정공을 중성화시켜 전류를 저하시킬 수 있다.
또는, 상기 나노 와이어 어레이와 수소화 촉매의 계면에 쇼트키 접촉(Schottky contact)을 형성함으로써, 전류를 저하시킬 수도 있다.
구체적으로, 상기 금속 하이드라이드(MHx)는 팔라듐(Pd), 백금(Pt), 로듐(Rd), 알루미늄(Al), 니켈(Ni), 망간(Mn), 몰리브덴(Mo), 마그네슘(Mg) 및 바나듐(V)으로 이루어진 군으로부터 선택된 하나 이상의 금속이 환원된 상태를 포함할 수 있고, 팔라듐(Pd)이 환원된 상태를 포함하는 것이 바람직하나, 이에 한정되지 않는다.
이러한 수소센서는 AAO 탬플릿 이외에 식각법을 이용하여 실리콘 나노선을 제조하여 상부에 팔라듐 막을 코팅함으로써 고감도 수소 센서로 응용할 수 있다.
구체적으로 식각법을 이용하여 벌크 실리콘으로부터 나노선을 생성하고, 나노선 사이의 간격이 수나노미터까지 가능한 수직 배향된 나노선 클러스터를 얻도록 한다.
또한, 팔라듐 막이 수소 가스에 반응하여 팽창하면서 나노선 간의 간격을 줄이면서 양 끝의 전극 사이의 전류가 증가하므로 이를 신호화하여 가스를 센싱하도록 한다.
수소 가스에 노출 시 전류 증가 폭에 대한 반응 메커니즘도 통계화하여 모니터링 시스템에 저장하고 관리함으로써, 전류의 증가 발생 시 해당 데이터를 판독하여 원인분석이나 향후 처리에 이용할 수 있음은 물론이다.
이상에서 본 발명은 기재된 구체예에 대하여 상세히 설명되었지만 본 발명의 기술사상 범위 내에서 다양한 변형 및 수정이 가능함은 당업자에게 있어서 명백한 것이며, 이러한 변형 및 수정이 첨부된 특허 청구범위에 속함은 당연한 것이다.
100 : 수소 감지 시스템
110 : 반응챔버
120 : 수소센서 130 : MFC(Mass Flow Controller)
140 : 센서의 전압 및 전류 인가 장치
200 : 딥러닝 서버 시스템
210 : 데이터_수집서버 220 : 관제서버
230 : 분석서버 300 : 단말기
120 : 수소센서 130 : MFC(Mass Flow Controller)
140 : 센서의 전압 및 전류 인가 장치
200 : 딥러닝 서버 시스템
210 : 데이터_수집서버 220 : 관제서버
230 : 분석서버 300 : 단말기
Claims (5)
- 반응챔버 내에 일측에 탑재된 수소센서와 수소 가스의 흐름량을 조절하는 MFC(Mass Flow Controller), 및 상기 수소 센서에 전압 및 전류를 인가하는 전압 및 전류 인가 장치를 포함하여 그 양이 정확하게 조절되어 원하는 비율의 수소 가스 농도를 만들어주는 수소 감지 시스템을 이용한 변압기 유중 수소 위험 예측 딥러닝 서버 시스템에 있어서,
상기 수소감지 시스템의 센서 감지값과 고유번호를 수집하며 푸쉬서버로 동작하는 데이터_수집_서버;
상기 데이터_수집_서버에서 푸쉬된 센서 감지값과 고유번호를 모니터링하여 수소 가스의 이상징후를 분석한 뒤 이상 상황을 관제센터로 통보하는 관제_서버;및
상기 관제서버에서 출력되는 센서 감지값을 이용하여 고유번호별 변압기에 대한 분석보고서 및 예측자료를 생성하고 위험 예측 지수를 산출하는 분석서버;
를 포함하는 변압기 유중 수소 위험 예측 딥러닝 서버 시스템.
- 청구항 1에 있어서,
상기 센서 감지값은
센싱시간, H2 ppm, 온도, 습도, 배터리 충전량 그리고 최근 24시간 수소 변화율을 포함하는 값인 것을 특징으로 하는 변압기 유중 수소 위험 예측 딥러닝 서버 시스템.
- 청구항 2에 있어서,
상기 분석서버는
상기 데이터_수집_서버에서 출력되는 데이터를 반복 수렴하면서 구축된 센서 감지값을 기초로 패턴을 생성하고, 상기 패턴을 기초로 딥러닝 모델을 정의하고, 상기 정의된 딥러닝 모델을 이용하여 고유번호별 변압기에 대한 수소의 이상 징후 여부를 결정하는 변압기 유중 수소 위험 예측 딥러닝 서버 시스템.
- 청구항 1에 있어서,
상기 수소 감지시스템은
팔라듐 금속층이 증착된 SiO2 나노와이어를 갖는 수소센서를 전압 및 전류 인가 장치와 연결된 반응 챔버 내에 장착한 후, 반응 챔버 내에 수소 가스와 공기 가스가 혼합된 가스를 흘려주며, 전압을 0.1V로 유지하면서 전류의 세기를 측정할 수 있도록 구성하는 변압기 유중 수소 위험 예측 딥러닝 서버 시스템.
- 청구항 1에 있어서,
상기 수소센서는
P형 실리콘 나노 와이어 어레이; 및
상기 나노 와이어 어레이 표면에 형성된 수소화 촉매를 포함하고,
상기 수소화 촉매는 팔라듐(Pd), 백금(Pt), 로듐(Rd), 알루미늄(Al), 니켈(Ni), 망간(Mn), 몰리브덴(Mo), 마그네슘(Mg) 및 바나듐(V)으로 이루어진 군으로부터 선택된 하나 이상의 금속을 포함하고,
수소 노출 후, 상기 수소화 촉매는 금속 하이드라이드(MHx)로 환원되어, 상기 나노 와이어 어레이 내부 정공을 중성화시키는 것을 특징으로 하는 변압기 유중 수소 위험 예측 딥러닝 서버 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210004996A KR20220102723A (ko) | 2021-01-14 | 2021-01-14 | 변압기 유중 수소 위험 예측 딥러닝 서버 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210004996A KR20220102723A (ko) | 2021-01-14 | 2021-01-14 | 변압기 유중 수소 위험 예측 딥러닝 서버 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220102723A true KR20220102723A (ko) | 2022-07-21 |
Family
ID=82610132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210004996A KR20220102723A (ko) | 2021-01-14 | 2021-01-14 | 변압기 유중 수소 위험 예측 딥러닝 서버 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220102723A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010019496A (ko) | 1999-08-27 | 2001-03-15 | 이종훈 | 변압기 절연유중의 용존가스 측정방법 및 장치 |
-
2021
- 2021-01-14 KR KR1020210004996A patent/KR20220102723A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010019496A (ko) | 1999-08-27 | 2001-03-15 | 이종훈 | 변압기 절연유중의 용존가스 측정방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elsisi et al. | Effective IoT-based deep learning platform for online fault diagnosis of power transformers against cyberattacks and data uncertainties | |
| Shaban et al. | Urban air pollution monitoring system with forecasting models | |
| Liu et al. | Application of combined model of stepwise regression analysis and artificial neural network in data calibration of miniature air quality detector | |
| CN106093135A (zh) | 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 | |
| TWI395965B (zh) | 燃料電池故障預測系統及其建立方法 | |
| CN112611936A (zh) | 一种基于边缘计算的配网变压器故障动态检测与分类系统 | |
| CN112803592A (zh) | 一种适用于分布式电站的智能故障预警方法及系统 | |
| CN113687176B (zh) | 一种基于深度神经网络的用电异常检测方法、系统 | |
| CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
| CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
| KR102483784B1 (ko) | 딥러닝 알고리즘을 이용한 실내 공기질 측정 관리 시스템 및 방법 | |
| KR20210066711A (ko) | 변압기 유중 수소 실시간 진단용 NB-IoT 모니터링 시스템 | |
| TW201719545A (zh) | 發電系統效能估測方法 | |
| Liu et al. | Application of RR-XGBoost combined model in data calibration of micro air quality detector | |
| Mishra et al. | Classification of gases/odors using dynamic responses of thick film gas sensor array | |
| Dai et al. | Achieving better indoor air quality with IoT systems for future buildings: Opportunities and challenges | |
| Chu et al. | Multivariate evaluation method for screening optimum gas-sensitive materials for detecting SF6 decomposition products | |
| KR20220102723A (ko) | 변압기 유중 수소 위험 예측 딥러닝 서버 시스템 | |
| Wang et al. | Real-time monitoring of air discharge in a switchgear by an intelligent NO2 sensor module | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN116150693A (zh) | 氢燃料电池发动机安全性评估方法、装置、设备及存储介质 | |
| CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
| Khedo et al. | A vehicular internet of things (IoT) system for high-granularity air quality monitoring in smart cities | |
| Elsisi et al. | Diagnosis of Power Components Amid the 4th Industrial Revolution | |
| US20220252486A1 (en) | Method and apparatus for collecting odor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |