KR20220126930A - 부분방전 위험도 예측 장치 및 방법 - Google Patents

부분방전 위험도 예측 장치 및 방법 Download PDF

Info

Publication number
KR20220126930A
KR20220126930A KR1020210031278A KR20210031278A KR20220126930A KR 20220126930 A KR20220126930 A KR 20220126930A KR 1020210031278 A KR1020210031278 A KR 1020210031278A KR 20210031278 A KR20210031278 A KR 20210031278A KR 20220126930 A KR20220126930 A KR 20220126930A
Authority
KR
South Korea
Prior art keywords
partial discharge
risk
discharge
signal pattern
occurrences
Prior art date
Application number
KR1020210031278A
Other languages
English (en)
Other versions
KR102513271B1 (ko
Inventor
이지훈
양희성
전미정
서민호
Original Assignee
한전케이디엔주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020210031278A priority Critical patent/KR102513271B1/ko
Publication of KR20220126930A publication Critical patent/KR20220126930A/ko
Application granted granted Critical
Publication of KR102513271B1 publication Critical patent/KR102513271B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
    • G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Testing Relating To Insulation (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)

Abstract

실시예에 따르면, 전력기기에서 발생되는 전자기파 신호를 검출하는 센서부; 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 전처리부; 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 위험도 판단부; 및 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 처리부를 포함하는 부분방전 위험도 예측 장치를 제공한다.

Description

부분방전 위험도 예측 장치 및 방법{Apparatus and method for predicting risk of partial discharge}
본 발명의 일실시예는 부분방전 위험도 예측 장치 및 방법에 관한 것이다.
일반적으로 전력수요의 증가와 더불어 전류 트랜스포머(CT: Current Transformer)를 이용한 변압기나 지중 케이블은 대용량화, 초고압화되고 있으며, 변전소는 무인화되고 있는 추세이다.
부분방전은 최초 미소방전 형태로 1~2회/일 회 정도 간헐적으로 발생되다 절연파괴가 진행될수록 부분방전의 신호의 크기가 점진적으로 커지며, 발생되는 횟수가 5회/분 정도로 점차적으로 많아지고 최종적으로 국부열화가 급속도로 진전되어 화재로 이어질 수 있다.
최근, 휴대용 또는 온라인 진단장비를 사용하여 부분방전 신호 패턴의 형태(토끼귀 모양, 거북이 모양, 눈썹 모양 등)를 보고 부분방전의 발생 유무와 유형을 판정하는 방식이 사용되고 있다.
하지만, 실제 현장에서 측정되는 부분방전 신호의 경우, 설비에 부분방전이 발생되고 있으나 방전량의 크기나 발생 횟수가 점차적으로 증가되지 않아 관리만 하고 있는 설비들이 있으며, 이와같은 설비들의 경우 관리자가 별도 관리를 수시로 진행 해야 하는 문제점이 있다. 또한, 1년에 2회 정도 정밀 점검시 재 측정을 수행하고 있으나, 정밀 점검 전에 급속도로 절연파괴가 진전되어 화재로 이어지는 경우가 발생할 수 있다.
본 발명이 이루고자 하는 기술적 과제는 부분방전의 진행 과정과 진행 정도를 정확하게 예측할 수 있는 부분방전 위험도 예측 장치 및 방법을 제공하는데 있다.
실시예에 따르면, 전력기기에서 발생되는 전자기파 신호를 검출하는 센서부; 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 전처리부; 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 위험도 판단부; 및 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 처리부를 포함하는 부분방전 위험도 예측 장치를 제공한다.
상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출될 수 있다.
상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출될 수 있다.
상기 발전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출될 수 있다.
상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출될 수 있다.
상기 위험도 판단부는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단할 수 있다.
상기 위험도 판단부는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단할 수 있다.
상기 위험도 판단부는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단할 수 있다.
상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함할 수 있다.
상기 처리부는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력할 수 있다.
실시에예 따르면, 센서부가 전력기기에서 발생되는 전자기파 신호를 검출하는 단계; 전처리부가 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 단계; 위험도 판단부가 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 단계; 및 처리부가 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 단계를 포함하는 부분방전 위험도 예측 방법을 제공한다.
상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출될 수 있다.
상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출될 수 있다.
상기 발전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출될 수 있다.
상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출될 수 있다.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단할 수 있다.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단할 수 있다.
상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단할 수 있다.
상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함할 수 있다.
상기 부분방전 위험도를 예측하는 단계는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력할 수 있다.
실시예에 따르면, 전술한 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한　기록매체를 제공한다.
본 발명인 부분방전 위험도 예측 장치 및 방법은 부분방전의 발생 여부와 함께 변화량을 통해 절연파괴(설비고장)가 진전되는 정도를 산출할 수 있다.
또한, 이를 통하여 실제 고장 발생에 대한 시기를 예측할 수 있다.
또한, 주기적인 인력에 의한 진단 점검이나 관리에 대한 비용을 절감할 수 있다.
또한, 위험도 예측 값을 딥러닝을 통해 자동으로 산출하여, 설비 교체 우선순위를 정할 수 있다.
또한, 설비 자산관리의 유지보수 계획 수립시(일정, 예산 등) 객관적인 근거자료로 활용 가능할 수 있다.
도1은 실시예에 따른 부분방전 부분방전 위험도 예측 장치의 구성 블록도이다.
도2 내지 도4는 실시에예 따른 전처리부의 동작을 설명하기 위한 도면이다.
도5는 실시예에 따른 처리부의 동작을 설명하기 위한 도면이다.
도6은 실시예에 따른 부분방전 위험도 예측 방법의 순서도이다.
도7 내지 도9는 실시예에 따른 처리부의 동작을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
다만, 본 발명의 기술 사상은 설명되는 일부 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 기술 사상 범위 내에서라면, 실시 예들간 그 구성 요소들 중 하나 이상을 선택적으로 결합, 치환하여 사용할 수 있다.
또한, 본 발명의 실시예에서 사용되는 용어(기술 및 과학적 용어를 포함)는, 명백하게 특별히 정의되어 기술되지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 일반적으로 이해될 수 있는 의미로 해석될 수 있으며, 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미를 고려하여 그 의미를 해석할 수 있을 것이다.
또한, 본 발명의 실시예에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함할 수 있고, "A 및(와) B, C 중 적어도 하나(또는 한 개 이상)"로 기재되는 경우 A, B, C로 조합할 수 있는 모든 조합 중 하나 이상을 포함할 수 있다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다.
이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등으로 한정되지 않는다.
그리고, 어떤 구성 요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결, 결합 또는 접속되는 경우뿐만 아니라, 그 구성 요소와 그 다른 구성 요소 사이에 있는 또 다른 구성 요소로 인해 '연결', '결합' 또는 '접속' 되는 경우도 포함할 수 있다.
또한, 각 구성 요소의 "상(위) 또는 하(아래)"에 형성 또는 배치되는 것으로 기재되는 경우, 상(위) 또는 하(아래)는 두 개의 구성 요소들이 서로 직접 접촉되는 경우뿐만 아니라 하나 이상의 또 다른 구성 요소가 두 개의 구성 요소들 사이에 형성 또는 배치되는 경우도 포함한다. 또한, "상(위) 또는 하(아래)"으로 표현되는 경우 하나의 구성 요소를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도1은 실시예에 따른 부분방전 부분방전 위험도 예측 장치의 구성 블록도이다.
도1을 참조하면, 실시예에 따른 부분방전 부분방전 위험도 예측 장치(10)는 센서부(11), 샘플링부(12), 전처리부(13), 위험도 판단부(14) 및 처리부(15)를 포함하여 구성될 수 있다.
센서부(11)는 전력기기에서 발생되는 전자기파 신호를 검출할 수 있다. 센서부(11)는 예를 들면, 변압기나 지중 케이블 접속함에 설치되어 전자기파 신호를 검출할 수 있다. 센서부(11)는 예를 들면 초고주파 센서(HFCT, High Frequency Current Transformer)일 수 있으며 변압기의 접지부분이나 지중 케이블의 시스케이블 또는 접지선에 설치되어 변압기나 지중 케이블에서 발생하는 전자기파 신호를 검출할 수 있다. 센서부(11)는 검출한 전자기파 신호를 샘플링부(12)에 전달한다.
샘플링부(12)는 센서부(11)로부터 검출된 전자기파 신호를 기 설정된 샘플링 속도로 샘플링할 수 있다. 샘플링부(12)는 예를 들면50 내지 100Msampling/초 이상의 샘플링율로 전자기파 신호를 샘플링하여 출력할 수 있다. 샘플링부(12)의 샘플링율은 센서부(11)에서 검출되는 전자기파 신호의 최대 주파수의 2배 이상의 속도로 설정될 수 있다.
전처리부(13)는 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출할 수 있다.
전처리부(13)는 센서부(11)에서 취득한 전자기파 신호를 이용하여 PRPS(Phase Resolved Pulse Sequence) 데이터 및 PRPD(Phase Resolved Partial Discharge) 데이터를 생성할 수 있다.
실시예에서, 전처리부(13)는 샘플링 된 전자기파 신호 중 60Hz 기준 1주기 디지털 데이터(=16.66msec)를 위상별(0~360도)로 256개의 샘플을 추출할 수 있다. 전처리부(13)는 추출한 샘플을 총 1분동안 3,600주기의 데이터를 누적하여 PRPS와 PRPD 데이터를 생성할 수 있다.
실시예에서, PRPS 데이터는 3차원 데이터로서 x축에는 위상(0~360도)이 표현되고, y축에는 주기(1~3,600주기)가 표현되며, Z축에는 전자기파 신호의 크기(0~255)가 표현될 수 있다.
실시예에서, PRPD데이터는 PRPS신호를 크기와 위상 정보로 표현한 2차원 데이터일 수 있다. 전처리부는 PRPD 데이터를 bmp, jpg 등의 이미지 데이터(256×256 픽셀)로 변환할 수 있다.
도2를 참조하면, 실시예에서 부분방전 패턴 데이터는 노이즈 패턴(정상), 보이드 패턴(이상), 코로나 패턴(이상), 표면방전 패턴(이상), 전기트리 패턴(이상), 파티클 패턴(이상)이 기록되어 있는 전자기파 신호의 PRPD이미지 데이터일 수 있다.
다시 도1을 참조하면, 전처리부(13)는 제1 설정 시간 동안 측정된 전자기파 신호의 방전값 중 최대치 값을 이용하여 최대 방전 크기를 산출할 수 있다. 예를 들면, 전처리부(13)는 24시간에 걸쳐 1분 단위로 검출되는 전자기파 신호의 방전 크기 값 중 최대치 값을 최대 방전 크기로 산출할 수 있다. 방전량의 크기가 커질수록 설비의 절연성능이 점차 파괴되고 있음을 의미하므로, 최대 방전 크기는 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.
또한, 전처리부(13)는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)를 이용하여 발생횟수에 대한 기울기를 산출할 수 있다. 예를 들면, 전처리부(13)는 15분 동안의 부분방전 발생 횟수를 누적 카운트 하여, 부분방전 발생횟수에 대한 기울기 값을 산출할 수 있다. 전처리부(13)는 하기 수학식 1에 따라 부분방전 발생횟수(Pn)를 산출할 수 있다. 케이블 절연파괴가 발생될수록 일정 시간동안 부분방전이 발생되는 횟수가 증가하므로, 부분방전 발생횟수에 대한 기울기는 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.
Figure pat00001
또한, 전처리부(13)는 제3 설정 시간 동안에 발생한 부분방전 신호 패턴의 좌우 대칭도를 이용하여 방전 신호 패턴의 비대칭도(Skewness)(β3)를 산출할 수 있다. 예를 들면, 전처리부(13)는 하기 수학식 2에 따라 방전 신호 패턴의 비대칭도를 산출할 수 있다.
Figure pat00002
(수학식 2에서, n은 부분방전 신호의 데이터 개수,
Figure pat00003
는 부분방전 신호의 데이터 값,
Figure pat00004
은 부분방전 신호의 데이터 평균값. S는 표준편차이다)
수학식 2에서 부분방전 신호의 데이터의 중간값이 평균보다 크면 오른쪽으로 길게 늘어지게 되며, 왜도는 0보다 큰 양수가 되며, 반대로 평균이 중앙값보다 크면 왼쪽으로 길게 늘어진 형태가 되며 왜도는 0보다 작은 음수가 될 수 있다.
실시예에서, 방전 신호 패턴의 비대칭도는 부분방전 신호 패턴의 대칭성을 알아보는 측도일 수 있다. 도3을 참조하면, 방전 신호 패턴의 비대칭도는 삼각형 상단 꼭지점 값으로, 0일 경우 좌우 대칭을 의미하고, 양수일 경우 오른쪽으로 꼬리가 긴 분포 모양을 의미하고, 음수의 경우 왼쪽으로 꼬리가 긴 분포 모양을 의미할 수 있다. 방전 신호 패턴의 비대칭도는 상단 꼭지점 값이 양수에서 음수로 갈수록 절연파괴가 진행되어 부분방전의 패턴 모양이 왼쪽에서 오른쪽으로 치우치는 경향이 있어, 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.
또한, 전처리부(13)는 정규분포 대비 제4설정 시간 동안에 발생한 부분방전 신호 패턴의 높이를 이용하여 방전신호 패턴의 첨도(Kurtosis)(β4)를 산출할 수 있다. 예를 들면, 전처리부(13)는 하기 수학식 3에 따라 방전 신호 패턴의 첨도를 산출할 수 있다.
Figure pat00005
(수학식 3에서, n은 부분방전 신호의 데이터 개수,
Figure pat00006
는 부분방전 신호의 데이터 값,
Figure pat00007
는 부분방전 신호의 데이터 평균값, s는 표준편차이다)
수학식 3의 첨도 값이 0보다 크면 정규 분포 보다 뾰족한 모양을 가지며, 첨도가 0일 경우 정규 분포의 모양을 가지고, 첨도가 0보다 작으면 정규 분포보다 납작한 모양을 가지게 된다.
실시예에서, 방전 신호 패턴의 첨도는 정규분포 대비 부분방전 신호 패턴의 봉오리 높이를 알아보는 측도일 수 있다. 도4를 참조하면, 방전 신호 패턴의 첨도가 0보다 크면 정규분포 보다 뾰족하다는 의미이며, 첨도가 0일 경우 정규분포 높이이며, 첨도가 0보다 작으면 정규분포보다 납작한 모양임을 의미할 수 있다. 방전 신호 패턴의 첨도가 정규분포 값에서 변화가 될 경우 절연파괴가 진행되어 부분방전의 패턴 모양이 납작해 지거나 뾰족해지는 경향이 있어, 부분방전을 진단하기 위한 파라미터로 사용될 수 있다.
실시예에서, 제1설정 시간과 제4설정 시간은 24시간 단위를 의미할 수 있으며, 제2설정 시간과 제3설정 시간은 15분 단위를 의미할 수 있다. 그러나, 이에 한정되지는 않고 주변 환경과 관리자의 판단에 따라 다양한 시간으로 설정될 수 있다.
다시 도1을 참조하면, 위험도 판단부(14)는 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단할 수 있다.
위험도 판단부(14)는 하기 표1과 같이 부분방전 위험도를 판단할 수 있다.
Figure pat00008
예를 들면, 위험도 판단부(14)는 최대 방전크기가 10pC 미만이고, 발생횟수에 대한 기울기 값이 10도 미만일 경우 부분방전 위험도를 1단계로 판단할 수 있다. 즉, 위험도 판단부(14)는 일일 최대 방전크기가 10pC 미만이고, 15분 동안 부분방전 발생 횟수를 카운트하여 기울기 값이 10도 미만일 경우 위험도를 1단계로 판단할 수 있다. 이 때, 방전 신호 패턴의 비대칭도 및 방전 신호 패턴의 첨도는 고려되지 않는다.
예를 들면, 위험도 판단부(14)는 최대 방전크기가 10pC 이상 20pC 미만이고, 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 방전신호 패턴의 첨도 값이 0 인 경우 부분방전 위험도를 2단계로 판단할 수 있다. 즉, 위험도 판단부(14)는 일일 최대 방전크기가 10pC 이상 ~ 20pC 미만이고, 15분간 측정된 부분방전 발생 횟수를 카운트하여 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 ~ 30도 미만일 경우, 15분동안 측정된 부분방전 패턴에 대한 비대칭도 값이 일일 동안 양수에서 0으로 변경된 값이 있고, 일일 동안 산정한 첨도 값이 0 값이 존재할 경우 위험도를 2단계롤 판단할 수 있다. 위험도 2단계는 부분방전 위험 요소가 1단계 보다 높음을 의미할 수 있다.
예를 들면, 위험도 판단부(14)는 최대 방전크기가 30pC 이상이고, 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 방전신호 패턴의 첨도 값이 0 이 아닌 경우 부분방전 위험도를 3단계로 판단할 수 있다. 즉, 위험도 판단부(14)는 일일 최대 방전크기가 30pC 이상이고, 15분간 측정된 부분방전 발생 횟수를 카운트하여 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상일 경우, 15분동안 측정된 부분방전 패턴에 대한 비대칭도 값이 일일 동안 양수에서 음수로 변경된 값이 있고, 일일 동안 산정한 첨도 값이 0 값이 존재하지 않을 경우 위험도를 3단계로 판단할 수 있다. 위험도 3단계는 부분방전 위험 요소가 1단계 및 2단계 보다 높음을 의미할 수 있다.
위험도 판단부(14)는 가장 높은 위험도를 반영하여 일별 부분방전 위험도 트렌드 데이터를 생성하여 처리부로 전달할 수 있다. 예를 들면, 하루 동안 부분방전 위험도가 1단계, 2단계로 판단되었다면, 위험도 판단부(14)는 해당 일자의 위험도를 2단계로 판단하여 일별 부분방전 위험도 트렌드 데이터에 반영할 수 있다. 또는, 하루 동안 부분방전 위험도가 1단계, 3단계로 판단되었다면, 위험도 판단부(14)는 해당 일자의 위험도를 3단계로 판단하여 일별 부분방전 위험도 트렌드 데이터에 반영할 수 있다.
처리부(15)는 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측할 수 있다. 예를 들면, 처리부는 합성곱 신경망(CNN, Convolutional Neural Network) 및 순환신경망(RNN, Recurrent Neural Network) 모델을 포함할 수 있다.
도7 내지 도9를 참조하여 실시예에 따른 처리부의 동작을 설명하기로 한다. 도7에 도시된 과거 6일치 학습 데이터를 이용하여 현재 시점에서 하루 뒤의 미래의 위험도를 예측하는 모델을 만들 경우, RNN 모델에 도8에 도시된 3월 1일 내지 3월 6일의 트랜드 데이터와 3월 7일의 위험도 단계, 3월 2일 내지 3월 7일의 트랜드 데이터와 3월 8일의 위험도 단계, ···, 3월 4일 내지 3월 9일의 트랜드 데이터와 3월 10일의(현재시점) 위험도 단계를 학습하여 RNN 모델을 생성한다.
처리부는 도9와 같이 생성된 생성된 RNN 모델에 3월 5일 내지 3월 10일(현재시점)의 트랜드 데이터를 입력하여, 현재 시점에서 하루 뒤인 3월 11일에 대한 위험도 단계를 산출할 수 있다.
처리부(15)는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력할 수 있다.
처리부(15)는 합성곱 신경망의 1차원 변환 필터를 통해 일별 부분방전 위험도 트렌트 데이터로부터 특징맵을 추출할 수 있다. 예를 들면, 처리부(15)는 총 N주기의 일별 부분방전 위험도 데이터를 M(N>M)주기의 데이터씩 분류하여, 합성곱 신경망의 1차원 변환 필터(=1D Convolution)를 통해 총 m개의 특징맵(1Хm)을 추출할 수 있다(m은 자연수이다). 1Хn의 시계열 데이터의 경우 1Х3의 필터를 사용하면 1Х(n-1)의 차원이 축소가 되며, 여러개의 필터를 사용할 경우 시계열 데이터(트랜드)의 특징을 추출해 낼 수 있다.
처리부(15)는 특징맵을 순환신경망 모델에 학습시켜 딥러닝 모델을 생성할 수 있다. 순환신경망 모델은 시계열 데이터의 딥러닝 모델을 만드는데 주로 사용되는 것으로, 처리부(15)는 일별 부분방전 위험도 트랜드 데이터를 통해 현재 및 미래 시점에서의 부분방전 위험도를 예측할 수 있다.
딥러닝 모델은 일별 부분방전 위험도 트렌드 데이터에서 특징맵을 검출하고 현재 및 미래 시점에서의 부분방전 위험도를 예측하도록 학습될 수 있다. 처리부(15)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 프로세서는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다.
도5 를 참조하면, 처리부는 과거 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점과 미래 시점의 부분방전 위험도를 과거 일별 부분방전 위험도 트렌드 데이터에 합성하여 그래프로 출력하고 있다.
도6은 실시예에 따른 부분방전 위험도 예측 방법의 순서도이다.
도6을 참조하면 센서부는 전력기기에서 발생되는 전자기파 신호를 검출할 수 있다(S601).
다음으로, 전처리부는 전자기파 신호에서 부분방전 신호 패턴을 산출할 수 있다(S602).
다음으로, 전처리부는 전자기파 신호 및 부분방전 신호 패턴을 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출할 수 있다(S603).
다음으로, 위험도 판단부는 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단할 수 있다(S604).
다음으로, 처리부는 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측할 수 있다(S605).
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는　기록매체　내지 저장매체도 들 수 있다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 부분방전 위험도 예측 장치
11: 센서부
12: 샘플링부
13: 전처리부
14: 위험도 판단부
15: 처리부

Claims (21)

  1. 전력기기에서 발생되는 전자기파 신호를 검출하는 센서부;
    상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 전처리부;
    상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 위험도 판단부; 및
    상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 처리부를 포함하는 부분방전 위험도 예측 장치.
  2. 제1항에 있어서,
    상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출되는 부분방전 위험도 예측 장치.
  3. 제1항에 있어서,
    상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출되는 부분방전 위험도 예측 장치.
  4. 제1항에 있어서,
    상기 발전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출되는 부분방전 위험도 예측 장치.
  5. 제1항에 있어서,
    상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출되는 부분방전 위험도 예측 장치.
  6. 제1항에 있어서,
    상기 위험도 판단부는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단하는 부분방전 위험도 예측 장치.
  7. 제1항에 있어서,
    상기 위험도 판단부는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단하는 부분방전 위험도 예측 장치.
  8. 제1항에 있어서,
    상기 위험도 판단부는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단하는 부분방전 위험도 예측 장치.
  9. 제1항에 있어서,
    상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 부분방전 위험도 예측 장치.
  10. 제9항에 있어서,
    상기 처리부는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력하는 부분방전 위험도 예측 장치.
  11. 센서부가 전력기기에서 발생되는 전자기파 신호를 검출하는 단계;
    전처리부가 상기 전자기파 신호에서 부분방전 신호 패턴을 산출하고, 이를 이용하여 최대 방전크기, 발생횟수에 대한 기울기, 방전신호 패턴의 비대칭도 및 방전신호 패턴의 첨도를 산출하는 단계;
    위험도 판단부가 상기 최대 방전크기, 상기 발생횟수에 대한 기울기, 상기 방전신호 패턴의 비대칭도 및 상기 방전신호 패턴의 첨도를 이용하여 부분방전 위험도를 판단하는 단계; 및
    처리부가 상기 부분방전 위험도를 학습하여 현재 및 미래 시점에서의 부분방전 위험도를 예측하는 단계를 포함하는 부분방전 위험도 예측 방법.
  12. 제11항에 있어서,
    상기 최대 방전크기는 제1 설정 시간 동안 측정된 상기 전자기파 신호의 방전값 중 최대치 값으로 산출되는 부분방전 위험도 예측 방법.
  13. 제11항에 있어서,
    상기 발생횟수에 대한 기울기는 제2 설정 시간에 대한 부분방전 발생 횟수의 비(ratio)로 산출되는 부분방전 위험도 예측 방법.
  14. 제11항에 있어서,
    상기 발전신호 패턴의 비대칭도는 제3 설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 좌우 대칭도로 산출되는 부분방전 위험도 예측 방법.
  15. 제11항에 있어서,
    상기 방전신호 패턴의 첨도는 정규분포 대비 제4설정 시간 동안에 발생한 상기 부분방전 신호 패턴의 높이로 산출되는 부분방전 위험도 예측 방법.
  16. 제11항에 있어서,
    상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 미만이고, 상기 발생횟수에 대한 기울기 값이 10도 미만일 경우 상기 부분방전 위험도를 1단계로 판단하는 부분방전 위험도 예측 방법.
  17. 제11항에 있어서,
    상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 10pC 이상 20pC 미만이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 10도 이상 30도 미만인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 0으로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 인 경우 상기 부분방전 위험도를 2단계로 판단하는 부분방전 위험도 예측 방법.
  18. 제11항에 있어서,
    상기 부분방전 위험도를 판단하는 단계는 상기 최대 방전크기가 30pC 이상이고, 상기 발생횟수에 대한 기울기 값이 양의 방향으로 30도 이상인 경우에 있어서, 상기 발전신호 패턴의 비대칭도 값이 양수에서 음수로 변경되고, 상기 방전신호 패턴의 첨도 값이 0 이 아닌 경우 상기 부분방전 위험도를 3단계로 판단하는 부분방전 위험도 예측 방법.
  19. 제11항에 있어서,
    상기 처리부는 순환신경망(RNN, Recurrent Neural Network) 모델을 포함하는 부분방전 위험도 예측 방법.
  20. 제19항에 있어서,
    상기 부분방전 위험도를 예측하는 단계는 일별 부분방전 위험도 트렌드 데이터를 학습하고, 현재 시점 이후 일정 기간 동안의 일별 부분방전 위험도 트렌드 데이터를 출력하는 부분방전 위험도 예측 방법.
  21. 제11항 내지 제20항 중 어느 한 항의 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한　기록매체.
KR1020210031278A 2021-03-10 2021-03-10 부분방전 위험도 예측 장치 및 방법 KR102513271B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210031278A KR102513271B1 (ko) 2021-03-10 2021-03-10 부분방전 위험도 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210031278A KR102513271B1 (ko) 2021-03-10 2021-03-10 부분방전 위험도 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220126930A true KR20220126930A (ko) 2022-09-19
KR102513271B1 KR102513271B1 (ko) 2023-03-23

Family

ID=83460762

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210031278A KR102513271B1 (ko) 2021-03-10 2021-03-10 부분방전 위험도 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102513271B1 (ko)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100954665B1 (ko) * 2008-04-10 2010-04-27 엘에스산전 주식회사 전력기기의 위험도 분석 시스템 및 그 방법
KR20120088203A (ko) * 2011-01-31 2012-08-08 주식회사 케이디파워 자외선 센서와 전자파 센서를 이용한 수배전반의 절연 진단 장치
KR20140023814A (ko) * 2012-08-17 2014-02-27 현대중공업 주식회사 가스절연개폐장치의 부분방전 진단방법
KR101417191B1 (ko) * 2010-08-20 2014-08-07 엘에스산전 주식회사 전력기기의 위험도 분석 시스템 및 그 방법
KR101553005B1 (ko) * 2015-04-20 2015-10-01 지투파워 (주) 전력설비의 부분방전 감시진단 시스템
KR20160025068A (ko) * 2014-08-25 2016-03-08 한국전력공사 부분방전 검출 시스템
KR20170036567A (ko) * 2015-09-24 2017-04-03 지투파워 (주) Uhf안테나를 이용한 배전반의 아크 신호 분석처리 시스템 및 그 처리 방법
KR20170114216A (ko) * 2016-03-29 2017-10-13 현대일렉트릭앤에너지시스템(주) 몰드변압기의 이상 검출 장치
JP2018155507A (ja) * 2017-03-15 2018-10-04 日新電機株式会社 部分放電検出装置及び部分放電検出方法
JP2018179598A (ja) * 2017-04-05 2018-11-15 株式会社東芝 診断方法、診断装置、およびプログラム
KR20200052444A (ko) * 2018-10-30 2020-05-15 삼성전자주식회사 신경망을 이용하여 예측 결과를 출력하는 방법, 신경망을 생성하는 방법 및 그 장치들
KR20210004096A (ko) * 2019-07-03 2021-01-13 한국전력공사 부분방전 발생 위치 검출 장치

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100954665B1 (ko) * 2008-04-10 2010-04-27 엘에스산전 주식회사 전력기기의 위험도 분석 시스템 및 그 방법
KR101417191B1 (ko) * 2010-08-20 2014-08-07 엘에스산전 주식회사 전력기기의 위험도 분석 시스템 및 그 방법
KR20120088203A (ko) * 2011-01-31 2012-08-08 주식회사 케이디파워 자외선 센서와 전자파 센서를 이용한 수배전반의 절연 진단 장치
KR20140023814A (ko) * 2012-08-17 2014-02-27 현대중공업 주식회사 가스절연개폐장치의 부분방전 진단방법
KR20160025068A (ko) * 2014-08-25 2016-03-08 한국전력공사 부분방전 검출 시스템
KR101553005B1 (ko) * 2015-04-20 2015-10-01 지투파워 (주) 전력설비의 부분방전 감시진단 시스템
KR20170036567A (ko) * 2015-09-24 2017-04-03 지투파워 (주) Uhf안테나를 이용한 배전반의 아크 신호 분석처리 시스템 및 그 처리 방법
KR20170114216A (ko) * 2016-03-29 2017-10-13 현대일렉트릭앤에너지시스템(주) 몰드변압기의 이상 검출 장치
JP2018155507A (ja) * 2017-03-15 2018-10-04 日新電機株式会社 部分放電検出装置及び部分放電検出方法
JP2018179598A (ja) * 2017-04-05 2018-11-15 株式会社東芝 診断方法、診断装置、およびプログラム
KR20200052444A (ko) * 2018-10-30 2020-05-15 삼성전자주식회사 신경망을 이용하여 예측 결과를 출력하는 방법, 신경망을 생성하는 방법 및 그 장치들
KR20210004096A (ko) * 2019-07-03 2021-01-13 한국전력공사 부분방전 발생 위치 검출 장치

Also Published As

Publication number Publication date
KR102513271B1 (ko) 2023-03-23

Similar Documents

Publication Publication Date Title
Tcherniak et al. Active vibration-based structural health monitoring system for wind turbine blade: Demonstration on an operating Vestas V27 wind turbine
CN109344908A (zh) 用于生成模型的方法和装置
CN110135654A (zh) 用于预测强对流天气的方法和装置
KR102272657B1 (ko) 부분방전 진단 장치 및 방법
CN108228428B (zh) 用于输出信息的方法和装置
US20190139215A1 (en) Pipe feature identification using pipe inspection data analysis
WO2021038960A1 (ja) 部分放電判定装置及び方法
CN113777552B (zh) 一种电容式电压互感器计量误差的预测方法及系统
US20160196175A1 (en) Information processing system, information processing method, and program
US20170082665A1 (en) Detecting Non-Technical Losses in Electrical Networks Based on Multi-Layered Statistical Techniques from Smart Meter Data
CN109416408B (zh) 震中距估计装置、震中距估计方法以及计算机可读记录介质
KR20180114983A (ko) 다중 메타학습을 이용한 플랜트 배관 이상 감지 장치 및 방법
CN112215439B (zh) 一种基于gis的地质灾害应急指挥数据处理方法及系统
CN113160190A (zh) 一种接触网紧固件异常检测方法、设备、检测装置及存储介质
CN113986674A (zh) 时序数据的异常检测方法、装置和电子设备
CN112819099A (zh) 网络模型的训练方法、数据处理方法、装置、介质及设备
CN114757305A (zh) 一种基于集成学习的电压互感器绝缘故障辨识方法及系统
KR20190072292A (ko) 신체 성장 예측 모델링 장치 및 방법
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
KR102513271B1 (ko) 부분방전 위험도 예측 장치 및 방법
US20230024104A1 (en) Identification of false transformer humming using machine learning
KR101181326B1 (ko) 채프에코 식별 시스템 및 그 방법
CN115034586A (zh) 强对流天气架空线停电风险预测方法及装置
US20220147888A1 (en) Device for extracting facility needing lightning countermeasures, method for extracting factility needing lightning countermeasures, and program for extracting facility needing lightning countermeasures
CN112700016B (zh) 预测性维护方法和装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant