KR20220148646A - Measured Data Patterning Method and Partial Discharge Determination Method for CNN - Google Patents

Measured Data Patterning Method and Partial Discharge Determination Method for CNN Download PDF

Info

Publication number
KR20220148646A
KR20220148646A KR1020210056011A KR20210056011A KR20220148646A KR 20220148646 A KR20220148646 A KR 20220148646A KR 1020210056011 A KR1020210056011 A KR 1020210056011A KR 20210056011 A KR20210056011 A KR 20210056011A KR 20220148646 A KR20220148646 A KR 20220148646A
Authority
KR
South Korea
Prior art keywords
partial discharge
time
period
discharge
image
Prior art date
Application number
KR1020210056011A
Other languages
Korean (ko)
Inventor
오성권
박준용
Original Assignee
한국전력공사
수원대학교산학협력단
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 한국전력공사, 수원대학교산학협력단 filed Critical 한국전력공사
Priority to KR1020210056011A priority Critical patent/KR20220148646A/en
Publication of KR20220148646A publication Critical patent/KR20220148646A/en

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
    • G01R31/1209—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 using acoustic measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

According to the present invention, a partial discharge determination method for CNN includes the steps of: generating a zero matrix for displaying a partial discharge signal of a power facility; collecting partial discharge measurement signals during a predetermined measurement period; time-dividing the collected partial discharge measurement signals into time slots of a constant period; generating a projected image for determination by writing amplitudes and phases of partial discharge measurement signals belonging to each time slot time-divided into the zero matrix; and determining partial discharge by applying the projected image for judgment to a CNN learning model.

Description

CNN을 위한 측정 데이터 패터닝 방법 및 부분방전 판정 방법{Measured Data Patterning Method and Partial Discharge Determination Method for CNN}Measured Data Patterning Method and Partial Discharge Determination Method for CNN

본 발명은 부분방전 모니터링을 위해 전력 설비에 구비된 부분방전 측정 센서에서 측정된 부분방전 측정 신호를 Convolutional neural network 기반으로 패턴 분류하는 방식으로 부분방전을 판정하는 방법 및 여기에 적용될 수 있는 측정 신호의 전처리로서 측정 데이터 패터닝 방법에 관한 것이다.The present invention provides a method for determining partial discharge by pattern classification of a partial discharge measurement signal measured by a partial discharge measurement sensor provided in a power facility for partial discharge monitoring based on a convolutional neural network, and a measurement signal applicable thereto. It relates to a measurement data patterning method as a pre-processing.

전력 설비, 예컨대, 현재 GIS(Gas Insulated Switchgear) 고장예방을 위해 사용하고 있는 UHF(Ultra High Frequency) 부분방전 진단 온라인 시스템과 포터블 장비에는 결함의 종류를 인식하기 위한 판정을 수행하는 부분방전 검출 시스템이 소프트웨어의 핵심 내용으로 탑재되어 있다.The UHF (Ultra High Frequency) partial discharge diagnostic online system and portable equipment currently used to prevent failures in power facilities, for example, GIS (Gas Insulated Switchgear), have a partial discharge detection system that performs a determination to recognize the type of fault. It is installed as the core content of the software.

전력 설비의 주된 고장 및 사고의 원인이 되는 절연열화, 절연파괴에 직접적인 영향을 주는 부분방전의 패턴을 분류 하고 이를 모니터링 하여 얻어진 데이터를 통해 장비의 고장진단 및 교체시기 예측 등을 가능 하도록 하는 부분방전 진단 시스템은 근래에 각광을 받고 있으며, 특히, 절연내력이 우수한 SF6가스를 사용하는 가스 절연 개폐기(Gas Insulated Switchgear)의 경우 높은 안전성, 설치 면적의 축소, 저소음 등의 장점을 지녔음에도 불구하고 사고 대응이 부적절한 경우 대형 사고를 유발 할 수 있으며 육안으로는 결함을 발견할 수 없기에 UHF센서를 이용한 부분방전 진단 시스템을 통해 GIS 내부의 이상 유무를 감시하고 있다.Partial discharge that classifies the pattern of partial discharge that directly affects insulation degradation and insulation breakdown, which is the cause of major failures and accidents in power facilities, and enables the diagnosis of equipment failure and prediction of replacement time through the data obtained by monitoring it. Diagnosis systems have been in the spotlight lately. In particular, in the case of gas insulated switchgear using SF6 gas, which has excellent insulation strength, it responds to accidents despite its advantages such as high safety, reduced installation area, and low noise. This inappropriate case can cause a major accident, and since defects cannot be detected with the naked eye, a partial discharge diagnosis system using a UHF sensor is used to monitor the presence of abnormalities inside the GIS.

상술한 부분방전 진단 시스템에서의 결함 인식용 판정방법은 신경망(Neural Network)을 이용하여 기 정의된 결함의 종류와 일치될 확률의 형태로 결과를 표시하며, Neural Network는 위상, 방전량, 방전횟수 등을 기준으로 산출된 수백 개 이상의 학습 데이터를 이용하여 검출된 부분방전신호의 결함유형을 판정한다.The above-described determination method for defect recognition in the partial discharge diagnosis system uses a neural network to display the result in the form of a probability matching with a predefined defect type, and the neural network displays the phase, discharge amount, and number of discharges. The defect type of the detected partial discharge signal is determined by using hundreds or more of learning data calculated based on the same.

그러나, 현재 사용하고 있는 Neural Network 판정방법은 학습되지 않은 패턴에 의한 파라미터에서는 결함유형 판정의 정확도가 현저히 떨어지고 다른 결함으로 판정하게 되는 원천적인 문제점을 내포하고 있어, 발생할 수 있는 모든 결함에 대하여 모의하고 학습시켜야 한다.However, the neural network determination method currently used has a fundamental problem that the accuracy of the defect type determination is significantly lowered in the parameter based on the unlearned pattern and it is determined as another defect. have to learn

도 1은 PRPS(Phase Resolved Pulse Sequence) 방법을 표본 신호 파형에 적용하는 과정을 나타낸다.1 shows a process of applying a phase resolved pulse sequence (PRPS) method to a sample signal waveform.

도 2는 PRPD(Phase Resolved Partial Discharge) 방법을 표본 신호 파형에 적용하는 과정을 나타낸다.2 illustrates a process of applying a phase resolved partial discharge (PRPD) method to a sample signal waveform.

부분방전 검출 시스템에서 신호 패턴분석을 위해 보편적으로 사용되는 기법에는 도 1과 같이 시간이 흐름에 따라 발생하는 신호를 한 주기마다 나누어 좌표 상에 겹겹이 쌓아 위상, 주기 그리고 진폭의 크기를 보여주는 PRPS(Phase Resolved Pulse Sequence)방법과, 도 2와 같이 만들어진 PRPS데이터를 바탕으로 방전크기 별 방전횟수 정보를 한 주기에 집약시켜 표현하는 PRPD(Phase Resolved Partial Discharge)방법이 있다.In a technique commonly used for signal pattern analysis in a partial discharge detection system, as shown in FIG. 1, the signal generated over time is divided for each period and layered on the coordinates to show the magnitude of phase, period, and amplitude (PRPS (Phase) There are a Resolved Pulse Sequence) method and a Phase Resolved Partial Discharge (PRPD) method in which information on the number of discharges for each discharge size is aggregated and expressed in one cycle based on the PRPS data made as shown in FIG. 2 .

상기 PRPS기법의 경우 부분방전신호 패턴을 시간정보와 함께 볼 수 있어 부분방전 신호가 간헐적으로 발생하는지 지속적으로 발생하는지 알 수 있고 PRPD의 경우 방전신호의 Φ-q-n 패턴을 보는데 유리하다.In the case of the PRPS technique, since the partial discharge signal pattern can be viewed together with time information, it can be known whether the partial discharge signal is generated intermittently or continuously.

이러한 전처리 방법들은 기존의 알고리즘(Fuzzy Theory, Artificial Neural Network, Support Vector Machine 등)의 인공지능 알고리즘에 대해서는 우수한 성능을 보였지만 주변 환경 노이즈 및 기존 인공지능 알고리즘의 경우 구조적 한계로 인한 학습 시간 대비 패턴분류 성능이 높지 않았고 이를 극복하기 위한 방법으로 하드웨어 및 소프트웨어에서 노이즈를 제거시키거나 노이즈가 포함되더라도 정확하게 부분방전의 패턴을 분류하는 기술이 요구되고 있다. These pre-processing methods showed excellent performance on the AI algorithms of the existing algorithms (Fuzzy Theory, Artificial Neural Network, Support Vector Machine, etc.) This was not high, and as a way to overcome this, a technique for removing noise from hardware and software or accurately classifying a pattern of partial discharge even if noise is included is required.

특히, 통신사, 군부대 레이더와 같은 주변 환경 노이즈가 일반적이지 않으면서 정도가 심한 필드에서는, 기존 인공지능 알고리즘의 경우 구조적 한계로 인한 학습 시간대비 패턴분류 성능이 높지 않았다. 이를 극복하기 위한 방법으로 하드웨어 및 소프트웨어에서 노이즈를 제거시키거나 노이즈가 포함되더라도 정확하게 부분방전의 패턴을 분류하려는 기술로서 새롭게 주목받는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), CNN(Convolutional Neural Network)등의 딥러닝 알고리즘을 이용하여 기존 인공지능 알고리즘을 대체하는 연구들도 아직은 만족스럽지 않다.In particular, in fields where ambient noise is not common and severe, such as telecommunication companies and military radars, the pattern classification performance compared to the learning time due to structural limitations was not high in the case of the existing AI algorithm. As a method to overcome this, DNN (Deep Neural Network), RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), which are newly attracting attention as technologies that remove noise from hardware and software or classify patterns of partial discharge accurately even if noise is included Network) and other deep learning algorithms to replace existing AI algorithms are not yet satisfactory.

CNN을 적용한 부분방전 패턴분류기에 입력으로 사용하기 위해서 부분방전 데이터는 1차원의 신호데이터에서 2차원의 이미지 데이터로의 변환이 필요하며 현재 까지는 부분방전 신호를 크기, 위상, 시간(Cycle) 3개의 변수로 표현하는 방식의 PRPS(Phase-Resolved Pulse Sequence)방법과 이를 하나의 주기에 방전이 일어난 횟수로 적재 시키는 PRPD(Phase-Resolved Partial Discharge)방법으로 만들어진 이미지 데이터를 사용한다. 하지만 이러한 기법을 적용한 CNN같은 경우도 노이즈에 의해 묻힌 방전신호를 잡아내는데 한계를 보인다. 특히 자유도체 방전(free particle discharge)의 경우 PRPD, PRPS 기법이 적용된 이미지가 노이즈의 그것과 비슷하여 패턴 분류기의 분류 정확도가 내려가는 주된 원인이 된다.In order to be used as an input to a partial discharge pattern classifier to which CNN is applied, partial discharge data needs to be converted from one-dimensional signal data to two-dimensional image data. The image data created by the PRPS (Phase-Resolved Pulse Sequence) method of expressing a variable and the PRPD (Phase-Resolved Partial Discharge) method that loads it with the number of discharges in one cycle are used. However, CNN, to which this technique is applied, has limitations in catching the discharge signal buried by noise. In particular, in the case of free particle discharge, the image to which the PRPD and PRPS techniques are applied is similar to that of noise, which is the main cause of the decrease in the classification accuracy of the pattern classifier.

정리하면, 최근에 우수한 성능으로 주목받고 있는 딥러닝 알고리즘인 Convolution neural network에 PRPS와 PRPD 이미지 데이터를 집어넣는 시도가 있었지만 실제 방전신호에 비해 상대적으로 높은 빈도수로 일어나는 노이즈 신호들이 이미지 상에서 부각되어 분류에 어려움을 겪고 있다.In summary, there have been attempts to insert PRPS and PRPD image data into the convolution neural network, a deep learning algorithm that has recently been attracting attention for its excellent performance, but noise signals that occur with a relatively high frequency compared to the actual discharge signal are highlighted on the image and are difficult to classify. are having a hard time

대한민국 등록공보 10-2009757호Republic of Korea Registration No. 10-2009757

본 발명은 노이즈가 많은 필드에 설치된 전력 설비에 대해서도 정확하게 부분방전 패턴을 학습하여 식별할 수 있는 Convolutional neural network 기반 패턴 분류기를 제공하고자 한다. An object of the present invention is to provide a pattern classifier based on a convolutional neural network that can accurately learn and identify a partial discharge pattern even for a power facility installed in a noisy field.

본 발명의 일 측면에 따른 부분방전 판정 방법은, 전력 설비의 부분방전 신호의 표시를 위한 영행렬을 생성하는 단계; 소정의 측정 기간 동안 부분방전 측정 신호들을 수집하는 단계; 수집된 상기 부분방전 측정 신호들을 일정한 주기의 타임 슬롯들로 시분할하는 단계; 상기 영행렬에 시분할된 각 타임 슬롯에 속한 부분방전 측정 신호들의 진폭 및 위상을 상기 영행렬에 기재하여, 판정용 사영 이미지를 생성하는 단계; 및 상기 판정용 사영 이미지를 CNN 학습 모델에 적용하여 부분방전을 판정하는 단계를 포함할 수 있다.A partial discharge determination method according to an aspect of the present invention includes: generating a zero matrix for displaying a partial discharge signal of a power facility; collecting partial discharge measurement signals during a predetermined measurement period; time-dividing the collected partial discharge measurement signals into time slots of a certain period; generating a projective image for determination by writing amplitudes and phases of partial discharge measurement signals belonging to each time slot time-divided in the zero matrix in the zero matrix; and determining the partial discharge by applying the projection image for the determination to the CNN learning model.

여기서, 상기 영행렬은, 일축이 진폭이고 타축이 위상인 2차원 좌표 공간을 형성할 수 있다.Here, the zero matrix may form a two-dimensional coordinate space in which one axis is amplitude and the other axis is phase.

여기서, 상기 소정의 측정 시간은, 전력 주파수에 대한 1 주기의 시간에 특정 자연수를 곱한 시간일 수 있다.Here, the predetermined measurement time may be a time obtained by multiplying the time of one cycle with respect to the power frequency by a specific natural number.

여기서, 상기 타임 슬롯의 주기는, 전력 주파수에 대한 1 주기의 시간을 특정 자연수로 나눈 시간일 수 있다.Here, the period of the time slot may be a time obtained by dividing the time of one period for the power frequency by a specific natural number.

여기서, 유형별 부분방전을 유도한 환경에서 측정된 신호들로 유형별 기준 이미지를 생성하는 단계를 더 포함할 수 있다.Here, the method may further include generating a reference image for each type with signals measured in an environment induced for each type of partial discharge.

본 발명의 다른 측면에 따른 측정 데이터 패터닝 방법은, 소정의 측정 기간 동안 부분방전 측정 신호들을 수집하는 단계; 수집된 상기 부분방전 측정 신호들을 일정한 주기의 타임 슬롯들로 시분할하는 단계; 및 일축이 진폭이며 타축이 위상인 좌표 공간를 형성하는 영행렬에, 시분할된 각 타임 슬롯에 속한 부분방전 측정 신호들의 진폭 및 위상을 기재하여, 판정용 사영 이미지를 생성하는 단계를 포함할 수 있다.A method for patterning measurement data according to another aspect of the present invention includes: collecting partial discharge measurement signals during a predetermined measurement period; time-dividing the collected partial discharge measurement signals into time slots of a certain period; and generating a projective image for determination by writing the amplitude and phase of the partial discharge measurement signals belonging to each time-divided time slot in a zero matrix forming a coordinate space in which one axis is amplitude and the other axis is phase.

여기서, 상기 소정의 측정 시간은, 전력 주파수에 대한 1 주기의 시간에 특정 자연수를 곱한 시간일 수 있다.Here, the predetermined measurement time may be a time obtained by multiplying the time of one cycle with respect to the power frequency by a specific natural number.

여기서, 상기 타임 슬롯의 주기는, 전력 주파수에 대한 1 주기의 시간을 특정 자연수로 나눈 시간일 수 있다.Here, the period of the time slot may be a time obtained by dividing the time of one period for the power frequency by a specific natural number.

상술한 구성의 본 발명의 사상에 따른 Convolutional neural network을 위한 측정 데이터 패터닝 방법 및 부분방전 판정 방법을 실시하면, 노이즈가 많은 필드에 설치된 전력 설비에 대해서도 정확하게 부분방전 패턴을 학습하여 식별할 수 있는 이점이 있다.When the measurement data patterning method and the partial discharge determination method for a convolutional neural network according to the spirit of the present invention having the above configuration are implemented, the partial discharge pattern can be accurately learned and identified even for power equipment installed in a noisy field. There is this.

본 발명의 CNN을 위한 측정 데이터 패터닝 방법 및 부분방전 판정 방법은, 노이즈와 유사한 패턴을 가지는 부분방전을 분류하는 데에 있어서 가장 적합한 이점이 있다.The measurement data patterning method and partial discharge determination method for CNN of the present invention have the advantage of being most suitable for classifying partial discharges having a pattern similar to noise.

본 발명의 CNN을 위한 측정 데이터 패터닝 방법 및 부분방전 판정 방법은, 이미지 처리에 있어서 발생하는 PRPD기법의 문제를 개선한 이점이 있다.The measurement data patterning method and partial discharge determination method for CNN of the present invention have the advantage of improving the problem of the PRPD technique occurring in image processing.

본 발명의 CNN을 위한 측정 데이터 패터닝 방법 및 부분방전 판정 방법은, 기존 알고리즘보다 노이즈에 강인하며 신뢰성이 높기 때문에 기존에는 적용하기 힘들었던 통신사나 군부대 레이더 같은 환경 노이즈가 심한 환경이나 기타 송배전 전력망에서의 부분방전 패턴분류에 있어서 높은 성능을 가진 이점이 있다.The measurement data patterning method and partial discharge determination method for CNN of the present invention are robust to noise and have higher reliability than existing algorithms, so it is difficult to apply in the existing environment with severe environmental noise such as telecommunication companies or military radars, or parts in other transmission and distribution power grids. There is an advantage of having high performance in the classification of discharge patterns.

도 1은 PRPS(Phase Resolved Pulse Sequence) 방법을 표본 신호 파형에 적용하는 과정을 나타낸 개념도.
도 2는 PRPD(Phase Resolved Partial Discharge) 방법을 표본 신호 파형에 적용하는 과정을 나타낸 개념도
도 3은 본 발명의 사상에 따른 부분방전 검출 방법을 도시한 흐름도.
도 4는 본 발명의 사상의 검증을 위한 부분방전 측정 실험 시스템을 도시한 개념도.
도 5a는 코로나 방전의 0.1초 동안의 파형을 나타낸 그래프이다.
도 5b는 플로팅 방전의 0.1초 동안의 파형을 나타낸 그래프이다.
도 5c는 절연체 방전의 0.1초 동안의 파형을 나타낸 그래프이다.
도 5d는 자유도체 방전의 0.1초 동안의 파형을 나타낸 그래프이다.
도 5e는 노이즈(잡음)의 0.1초 동안의 파형을 나타낸 그래프이다.
도 6은 본 발명의 사상에 따라 하나의 샘플에 대한 프로젝션 과정을 나타낸 단계별 흐름도이다.
도 7의 (a) 내지 (e)는 부분방전 패턴에 따른 Projection 데이터의 필터링 된 2차원 이미지를 도시한다.
도 8은 본 발명의 사상에 따라 전처리된 부분방전 측정 데이터에 대하여 부분방전 판정을 학습/수행하도록 적용될 수 있는 CNN 일예에 대한 아키텍쳐를 나타낸 개념도.
도 9는 전처리 기법에 따른 학습 수렴을 비교한 개념도.1 is a conceptual diagram illustrating a process of applying a phase resolved pulse sequence (PRPS) method to a sample signal waveform;
2 is a conceptual diagram illustrating a process of applying a phase resolved partial discharge (PRPD) method to a sample signal waveform;
3 is a flowchart illustrating a partial discharge detection method according to the spirit of the present invention.
Figure 4 is a conceptual diagram showing a partial discharge measurement experimental system for verification of the spirit of the present invention.
5A is a graph showing a waveform for 0.1 second of corona discharge.
5B is a graph showing a waveform for 0.1 second of a floating discharge.
5C is a graph showing a waveform for 0.1 second of an insulator discharge.
5D is a graph showing a waveform for 0.1 second of a free conductor discharge.
5E is a graph showing a waveform of noise (noise) for 0.1 second.
6 is a step-by-step flowchart illustrating a projection process for one sample according to the spirit of the present invention.
7 (a) to (e) show a filtered two-dimensional image of the projection data according to the partial discharge pattern.
8 is a conceptual diagram illustrating an architecture for an example of a CNN that can be applied to learn/perform partial discharge determination on partial discharge measurement data preprocessed according to the spirit of the present invention.
9 is a conceptual diagram comparing learning convergence according to a preprocessing technique.

본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지 않을 수 있다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. In describing the present invention, terms such as first, second, etc. may be used to describe various components, but the components may not be limited by the terms. The terms are only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component.

어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다.When a component is referred to as being connected or connected to another component, it may be directly connected or connected to the other component, but it can be understood that other components may exist in between. .

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. The terms used herein are used only to describe specific embodiments, and are not intended to limit the present invention. The singular expression may include the plural expression unless the context clearly dictates otherwise.

본 명세서에서, 포함하다 또는 구비하다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다. In this specification, the terms include or include are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, and includes one or more other features or numbers, It may be understood that the possibility of the presence or addition of steps, operations, components, parts, or combinations thereof is not precluded in advance.

또한, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.In addition, shapes and sizes of elements in the drawings may be exaggerated for clearer description.

본 발명의 사상은 기존 부분방전 신호데이터의 전처리 기법인 PRPS와 PRPD를 통해 획득하는 데이터에서 노이즈 신호와 특정 방전신호의 유사성으로 발생하는 CNN기반 부분방전 패턴분류기의 성능저하 문제를 정사영기법을 응용한 부분방전 신호데이터의 전처리 기법을 통해 기존 기법으로 잡아내지 못했던 방전신호에 대한 정보를 부각시켜 해결하는 것이다.The idea of the present invention is to solve the performance degradation problem of the CNN-based partial discharge pattern classifier caused by the similarity between the noise signal and the specific discharge signal in the data acquired through PRPS and PRPD, which are the existing partial discharge signal data preprocessing techniques, by applying the orthographic projection technique. Through the pre-processing technique of partial discharge signal data, the information on the discharge signal, which could not be captured by the existing technique, is emphasized and solved.

도 3은 본 발명의 사상에 따른 부분방전 검출 방법을 도시한 흐름도이다. 3 is a flowchart illustrating a partial discharge detection method according to the spirit of the present invention.

도시한 부분방전 검출 방법은, 전력 설비의 부분방전 신호의 표시를 위한 영행렬(좌표, 공간)을 생성하는 단계(S100); 소정의 측정 기간 동안 부분방전 측정 신호들을 수집하는 단계(S210); 수집된 상기 부분방전 측정 신호들을 일정한 주기의 타임 슬롯들로 시분할하는 단계(220); 상기 영행렬에 시분할된 각 타임 슬롯에 속한 부분방전 측정 신호들의 진폭 및 위상을 상기 영행렬에 기재하여, 판정용 사영 이미지를 생성하는 단계(S240 ~ S260); 및 상기 판정용 사영 이미지를 CNN 학습 모델에 적용하여 부분방전을 판정하는 단계(S300)를 포함할 수 있다.The illustrated partial discharge detection method includes the steps of generating a zero matrix (coordinates, space) for displaying a partial discharge signal of a power facility (S100); collecting partial discharge measurement signals during a predetermined measurement period (S210); time-dividing the collected partial discharge measurement signals into time slots of a predetermined period (220); generating a projective image for determination by writing amplitudes and phases of partial discharge measurement signals belonging to each time slot time-divided in the zero matrix in the zero matrix (S240 to S260); and applying the projection image for the determination to the CNN learning model to determine the partial discharge (S300).

도시한 부분방전 검출 방법은, Convolutional neural network 기반 부분방전 검출을 위한 측정 데이터의 전처리를 수행하는 측정 데이터 패터닝 방법(S200)을 포함한다.The illustrated partial discharge detection method includes a measurement data patterning method S200 of pre-processing measurement data for partial discharge detection based on a convolutional neural network.

즉, 도시한 흐름도에 따른 측정 데이터 패터닝 방법(S200)은, 소정의 측정 기간 동안 부분방전 측정 신호들을 수집하는 단계(S210); 수집된 상기 부분방전 측정 신호들을 일정한 주기의 타임 슬롯들로 시분할하는 단계(S220); 일축이 진폭이며 타축이 위상인 좌표 공간를 형성하는 영행렬에, 시분할된 각 타임 슬롯에 속한 부분방전 측정 신호들의 진폭 및 위상을 기재하는 단계(S240); 및 모든 타입 슬롯들의 부분방전 측정 신호들이 상기 영행렬에 반영되면(S250), 상기 판정용 사영 이미지 생성을 완료하는 단계(S250)를 포함할 수 있다.That is, the measurement data patterning method (S200) according to the flowchart shown includes the steps of collecting partial discharge measurement signals during a predetermined measurement period (S210); time-dividing the collected partial discharge measurement signals into time slots of a certain period (S220); writing the amplitude and phase of the partial discharge measurement signals belonging to each time-divided time slot in a zero matrix forming a coordinate space in which one axis is amplitude and the other axis is phase (S240); and when the partial discharge measurement signals of all type slots are reflected in the zero matrix (S250), completing generation of the projective image for determination (S250).

이하, 본 발명의 기술 내용을 설명함에 있어서, 부분방전 및 기타 노이즈에 대한 환경을 조성한 모의실험 과정을 중심으로 기술하겠다. Hereinafter, in describing the technical contents of the present invention, a simulation process in which an environment for partial discharge and other noises is created will be mainly described.

GIS에서 발생하는 부분방전의 경우 제조공정, 노화, 절연열화 또는 기계적 스트레스로 인하여 생긴 불순물, 공극 등의 이유로 도체간의 절연상태를 부분적으로 연결하는 등의 형태로 발생할 수 있으며 실제 운행되고 있는 GIS에서 현장 데이터를 습득하는데 시간적 공간적 제한이 있는 바 GIS를 환경을 모의한 상태에서 실험을 진행하였다.In the case of partial discharge in GIS, it may occur in the form of partially connecting the insulation state between conductors due to impurities and voids caused by manufacturing process, aging, insulation deterioration, or mechanical stress. Since there are spatial and temporal limitations in acquiring data, the experiment was conducted in the state of simulating the GIS environment.

도 4는 본 발명의 사상의 검증을 위한 부분방전 측정 실험 시스템을 도시한 개념도이다. 4 is a conceptual diagram illustrating a partial discharge measurement experimental system for verifying the spirit of the present invention.

하기 표 1은 GIS 모의실험과 UHF(Ultra High Frequency)센서를 적용하는 실험 환경을 나타낸다.Table 1 below shows the experimental environment in which the GIS simulation experiment and the UHF (Ultra High Frequency) sensor are applied.

Figure pat00001
Figure pat00001

본 발명을 위한 모의실험에서의 데이터의 구성을 설명하면, 환경 노이즈가 포함된 상태에서 부분방전과 노이즈의 데이터를 Fig 3과 같이 GIS(Gas Insulated Switchgear) 모의실험과 UHF(Ultra High Frequency)센서를 통해 얻었으며 실험 환경은 Table 1과 같이 단상 3kV에서 한 샘플 당 총 10초 동안 7680Hz의 샘플링 주파수로 샘플링 되었으며 이때 UHF센서의 대역대는 0.5 ~ 1.5GHz 이며 코로나, 플로팅, 절연체, 자유도체 총 4개의 부분방전 시험기를 사용하였다. 결과적으로 총 5개의 클래스(코로나, 플로팅, 절연체, 자유도체, 노이즈)로 구성된 데이터를 구축했다.When explaining the configuration of the data in the simulation for the present invention, as shown in Fig. 3, the data of partial discharge and noise in the state that environmental noise is included in the GIS (Gas Insulated Switchgear) simulation and UHF (Ultra High Frequency) sensor As shown in Table 1, the experimental environment was sampled at a sampling frequency of 7680Hz for a total of 10 seconds per sample at single-phase 3kV as shown in Table 1. A discharge tester was used. As a result, data consisting of a total of 5 classes (corona, floating, insulator, free conductor, and noise) were constructed.

다음, 5개의 클래스(코로나, 플로팅, 절연체, 자유도체, 노이즈)에 대하여 설명한다.Next, five classes (corona, floating, insulator, free conductor, noise) will be described.

도 5a는 코로나 방전의 0.1초 동안의 파형을 나타낸 그래프이다.5A is a graph showing a waveform for 0.1 second of corona discharge.

도 5b는 플로팅 방전의 0.1초 동안의 파형을 나타낸 그래프이다.5B is a graph showing a waveform for 0.1 second of a floating discharge.

도 5c는 절연체 방전의 0.1초 동안의 파형을 나타낸 그래프이다.5C is a graph showing a waveform for 0.1 second of an insulator discharge.

도 5d는 자유도체 방전의 0.1초 동안의 파형을 나타낸 그래프이다.5D is a graph showing a waveform for 0.1 second of a free conductor discharge.

도 5e는 노이즈(잡음)의 0.1초 동안의 파형을 나타낸 그래프이다.5E is a graph showing a waveform of noise (noise) for 0.1 second.

첫째로, 코로나 방전은, 설치 과정에서 생길 수 있는 돌출 결함에 의한 GIS내부 도체 및 외함의 돌기에서 부분적으로 발생 할 수 있다. 보통 공기 중에서 대전체 간에 불균일한 전계가 원인이 되어 대전체 표면의 공기가 이온화 되면서 발생하는 국부적인 방전 현상으로 뾰족한 전극의 전압 극성에 따라 정극성, 부극성으로 나뉘며 주로 90°, 270° 위상에서 발생한다. 본 실험에서는 정극성 코로나 방전을 이용하였으며, 모사된 코로나 방전의 파형은 도 5a와 같다.First, corona discharge may occur partially in the protrusions of the inner conductor and enclosure of the GIS due to protrusion defects that may occur during the installation process. It is a local discharge phenomenon that occurs when the air on the surface of the charged object is ionized due to the non-uniform electric field between the charged objects in the air. Occurs. In this experiment, positive corona discharge was used, and the waveform of the simulated corona discharge is shown in FIG. 5A.

둘째로, 플로팅 방전은, 제조 과정에서 불완전한 조립이나 노후화된 장비의 운행 중 접속부의 이완 등에 의해 GIS 내부 도체의 전기적 접속이 불완전한 상태에서 금속체간에 일어 날 수 있는 방전이다. 부유전극 방전이라고도 하며 매우 큰 방전량을 가지며, 모사된 플로팅 방전의 파형은 도 5b와 같다.Second, floating discharge is a discharge that can occur between metal bodies in a state where the electrical connection of the inner conductor of the GIS is incomplete due to incomplete assembly in the manufacturing process or relaxation of the connection during operation of aged equipment. Also called floating electrode discharge, it has a very large discharge amount, and the simulated floating discharge waveform is as shown in FIG. 5B.

세째로, 절연체 방전은, 여러 가지 스트레스로 인하여 발생한 GIS 내부 절연체 자체 혹은 절연체와 도체사이의 공극이나 표면 오염으로 발생하는 방전으로 보이드(void) 방전이라고도 한다. 보통 최고 전압에서 가장 큰 진폭을 가지며 절연체의 절연내력저하 및 절연파괴의 원인이 되며, 모사된 절연체 방전의 파형은 도 5c와 같다.Third, the insulator discharge is a discharge generated by the GIS internal insulator itself or voids or surface contamination between the insulator and the conductor caused by various stresses, and is also called a void discharge. Usually, it has the largest amplitude at the highest voltage and causes the dielectric breakdown and dielectric breakdown of the insulator, and the simulated insulator discharge waveform is as shown in FIG. 5C.

네째로, 자유도체 방전은, GIS 내부에 유입된 도전성 먼지나 금속가루 등이 강한 전계의 영향으로 움직이면서 일으키는 방전으로 특정한 패턴이 없고 무작위로 발생한다. 특히 방전량이 작아 주변 환경노이즈에 묻히는 경우가 있다. 모사된 자유도체 방전의 파형은 도 5d와 같다.Fourth, the free conductor discharge is a discharge caused by the movement of conductive dust or metal powder flowing into the GIS under the influence of a strong electric field. There is no specific pattern and it occurs randomly. In particular, since the amount of discharge is small, it may be buried in the surrounding environmental noise. The simulated free conductor discharge waveform is shown in FIG. 5D.

마지막, 노이즈는 따로 차폐처리를 하지 않는 이상 부분방전 신호와 함께 UHF 센서에 검출되는 주변 환경 신호로 부분방전 파형 분석 및 패턴분류에 방해가 되는 요소이다. 대게 통신사, 군부대 레이더와 같이 항시 깔려있는 노이즈가 대부분이지만 현장(필드)마다 잡히는 노이즈에 차이가 있다. 모사된 노이즈의 파형은 도 5e와 같다.Lastly, noise is an environmental signal that is detected by the UHF sensor together with the partial discharge signal unless shielding is performed, and it is a factor that interferes with partial discharge waveform analysis and pattern classification. Most of the noise is always present, such as in telecommunication companies and military base radars, but there is a difference in the noise caught in each field (field). The waveform of the simulated noise is shown in FIG. 5E.

본 발명의 사상에 따른 주된 아이디어는 부분방전 측정 데이터의 전처리 과정에서 반영될 수 있다. 즉, 본 발명은 기존 전처리 방식(PRPS, PRPD)의 문제를 해결하고자 사영기법을 적용하였다. The main idea according to the spirit of the present invention can be reflected in the pre-processing of partial discharge measurement data. That is, the present invention Projection technique was applied to solve the problem of existing preprocessing methods (PRPS, PRPD).

기본적인 사영의 개념은 어떠한 물체에 쏘는 빛에 의해 생기는 그 물체의 그림자를 의미하며 이를 활용하여 복잡한 고차원의 문제를 저차원으로의 변환을 통해 해석 할 수 있다는 장점을 가진다. 이런 사영 기법 중 정사영기법은 특정 물체에 빛을 비추었을 때 그 빛과 수직인 평면에 생기는 그림자를 뜻한다. 제안된 사영기법은 정사영기법을 바탕으로 진행 되며 방전신호의 횟수를 픽셀 값으로 저장하는 PRPD기법 대신 방전신호의 크기를 그대로 사영되는 평면의 픽셀 값으로 저장하여 이미지 상에서 방전신호에 대한 정보보존이 가능하도록 한다. The basic concept of projection refers to the shadow of an object caused by the light shining on it, and it has the advantage of being able to interpret complex high-dimensional problems by converting them to low-dimensional ones. Among these projection techniques, the orthographic projection technique refers to a shadow that is formed on a plane perpendicular to the light when light is shone on a specific object. The proposed projection technique is based on the orthographic projection technique. Instead of the PRPD technique, which stores the number of discharge signals as pixel values, the size of the discharge signal is stored as a pixel value of the projected plane as it is, so information about the discharge signal can be preserved on the image. let it do

예컨대, PRPD의 기법을 따를 경우 부분방전 검출 신호들에 대한 데이터(또는 이미지) 포맷은, x축이 진폭, y축이 위상, z축이 회수가 되는 반면, 본 발명의 사상에 따른 사영기법 적용 이미지 데이터 포맷은, x축이 진폭, y축이 위상, z축이 발생/미발생의 이진값의 형태를 가질 수 있다. 한편, 본 발명의 사상에 따른 사영기법 적용 이미지 데이터 포맷은 복수 개의 타임 슬롯들에 대한 부분방전 검출 신호들의 누적값이라는 점에서, 단일 타임 슬롯으로 x축이 진폭, y축이 위상, z축이 발생/미발생의 이진값의 형태를 가지는 데이터 포맷과 차이가 존재한다. For example, when the PRPD technique is followed, the data (or image) format for the partial discharge detection signals is the x-axis amplitude, the y-axis phase, and the z-axis the number of times, whereas the projection technique according to the spirit of the present invention is applied. The image data format may have a binary value in which the x-axis is amplitude, y-axis is phase, and z-axis is occurrence/non-occurrence. Meanwhile, since the image data format to which the projection technique is applied according to the spirit of the present invention is an accumulated value of partial discharge detection signals for a plurality of time slots, in a single time slot, the x-axis is the amplitude, the y-axis is the phase, and the z-axis is There is a difference with the data format in the form of binary values of occurrence/non-occurrence.

도 6은 본 발명의 사상에 따라 하나의 샘플에 대한 프로젝션 과정을 나타낸 단계별 흐름도이다.6 is a step-by-step flowchart illustrating a projection process for one sample according to the spirit of the present invention.

도 6은 하나의 샘플에 대해서 제안된 Projection 기법이 적용되는 과정을 step에 따라 설명하는 일종의 순서도로서, (a)는 부분방전 데이터가 정사영 될 공간으로 그 크기는 PRPD와 동일한 [256 × 128]크기의 가로축은 위상, 세로축은 방전신호의 크기로 구성된다. (b)는 부분방전 중 플로팅 방전에 대한 신호 데이터이며, (c)는 step 2를 통해 얻어진 주기별 파형 이미지를 보여주며, (d)는 (c)의 첫 번째 주기의 파형이며 (e)는 1차로 정사영이 완료된 이미지로 step 3에 따라 (d)가 (a)의 평면상에 위상별로 정사영 된 결과를 나타낸다. (f)는 (c)의 600번째주기의 파형에 대한 이미지로 (h)는 (f)가 step 4에 따라 599차로 정사영이 완료된 평면(g)에 위상별로 정사영된 결과를 나타내며 최종적으로 Projection 기법을 통한 전처리가 끝나 얻게 되는 한 샘플에 대한 데이터이다.6 is a kind of flowchart explaining the process in which the proposed projection technique is applied to one sample step by step, (a) is a space in which partial discharge data will be projected. The horizontal axis is the phase, and the vertical axis is the size of the discharge signal. (b) is the signal data for the floating discharge during partial discharge, (c) shows the waveform image for each cycle obtained through step 2, (d) is the waveform of the first cycle of (c), and (e) is This is an image that has been first orthographically completed. Following step 3, (d) shows the result of orthographic projection on the plane of (a) for each phase. (f) is an image of the waveform of the 600th cycle of (c), (h) shows the result of (f) projected by phase on the plane (g) where the orthographic projection was completed in the 599th order according to step 4, and finally the projection technique It is data about one sample obtained after pre-processing through .

도 6에 도시한 사영기법을 이용한 부분방전 데이터 전처리에 대한 자세한 과정은, 도 3의 흐름도에 따른 측정 데이터 패터닝 방법(S200)을 구체적으로 예시한 것이며, 하기 표 2 및 표 3에 각 단계별로 정리되어 있다.The detailed process of partial discharge data preprocessing using the projection technique shown in FIG. 6 is a detailed example of the measurement data patterning method S200 according to the flowchart of FIG. 3 , and is summarized in Tables 2 and 3 below. has been

Figure pat00002
Figure pat00002

Figure pat00003
Figure pat00003

도 7의 (a) 내지 (e)는 부분방전 패턴에 따른 Projection 데이터의 필터링 된 2차원 이미지를 도시한다.7 (a) to (e) show a filtered two-dimensional image of the projection data according to the partial discharge pattern.

도 7은 도 6의 Projection 기법을 통해 얻어진 Projection 데이터에서 픽셀의 값이 0인 부분을 필터링한 2차원의 이미지를 부분방전 패턴에 따라 나타내고, 각 이미지의 가로축과 세로축은 PRPD 데이터와 동일하나, 이미지를 구성하는 픽셀의 경우, PRPD 데이터의 경우 방전 회수인 반면, Projection 기법의 경우 방전 검출/미검출의 이전값이다.7 shows a two-dimensional image obtained by filtering a portion having a pixel value of 0 in the projection data obtained through the projection technique of FIG. 6 according to a partial discharge pattern, and the horizontal and vertical axes of each image are the same as the PRPD data, but the image In the case of pixels constituting , it is the number of discharges in the case of PRPD data, whereas in the case of the projection technique, it is the previous value of discharge detection/non-detection.

도 7의 (a)를 통하여 코로나 방전의 특징으로 150dBm 부근의 신호를 확인 할 수 있으며, PRPD 데이터의 경우 하단부에서 밝게 집중되던 노이즈에 대한 정보가 보이지 않는 것을 확인 할 수있다. Through (a) of FIG. 7 , it can be confirmed that a signal near 150 dBm can be confirmed as a characteristic of corona discharge, and in the case of PRPD data, it can be confirmed that information about noise that was brightly concentrated at the lower part is not visible.

도 7의 (b)는 플로팅 방전으로 방전신호가 발생한 위상의 범위는 PRPD데이터와 비슷하나, 그 크기의 범위가 80 ~ 240dBm로 넓어 졌으며 (c)의 절연체 방전 또한 선명해 진 것을 확인할 수 있다.In (b) of FIG. 7, the range of the phase in which the discharge signal is generated by the floating discharge is similar to the PRPD data, but the range of the size is widened to 80 to 240 dBm, and it can be seen that the insulator discharge in (c) is also clear.

앞선 세 방전 패턴보다 더 큰 차이를 보이는 것은 자유도체 방전의 이미지이다. PRPD 데이터의 경우 1차원 이미지로는 확인할 수 없었고, 3차원 이미지에서나 약간이나마 확인되는 반면, Projection 기법의 경우 80 ~ 130 dBm 범위의 방전 신호를 도 7의 (d)에서는 보다 확실하게 표현하는 것을 볼 수 있다.The image of the free conductor discharge shows a larger difference than the previous three discharge patterns. In the case of PRPD data, it was not possible to confirm it with a one-dimensional image, and it was confirmed only a little in a three-dimensional image, whereas in the case of the projection technique, it can be seen that the discharge signal in the range of 80 to 130 dBm is more clearly expressed in (d) of FIG. can

노이즈의 경우, 도 7의 (e)는 이미지의 상단부가 강조되었음을 알 수 있다. In the case of noise, it can be seen that the upper part of the image is emphasized in (e) of FIG. 7 .

하기 표 4에서는 필터링 되지 않은 이미지를 통해 PRPD 데이터의 이미지와 Projection데이터의 이미지의 특성을 비교하기 위한 것이다.Table 4 below is to compare the characteristics of the image of the PRPD data and the image of the projection data through the unfiltered image.

Figure pat00004
Figure pat00004

표 4에 사용되는 그림은 실제 CNN기반 패턴 분류기의 입력 단이 읽어 들이는 이미지를 시각화한 것이며, 필터링 된 이미지를 사용한 이유는 위와 같이 픽셀의 값이 0인 부분을 필터링하지 않게 되면, 특정 방전들에 대한 이미지들의 그 특성을 육안으로 분석하기 어렵기 때문이다.The figure used in Table 4 is a visualization of the image read by the input stage of the actual CNN-based pattern classifier. This is because it is difficult to analyze the characteristics of the images with the naked eye.

먼저, 표 4의 PRPD데이터의 전체적인 특성을 보면 하단부에 노이즈 신호가 강하게 표현되는 것을 알 수 있고 플로팅 방전과 절연체 방전에서 희미하게 방전신호를 볼 수 있으나 나머지 패턴에 대해서는 확인하기가 어렵다.First, looking at the overall characteristics of the PRPD data in Table 4, it can be seen that the noise signal is strongly expressed in the lower part, and the discharge signal can be seen faintly in the floating discharge and the insulator discharge, but it is difficult to confirm the remaining patterns.

Projection 데이터의 경우 PRPD데이터와는 반대로 각 방전들의 노이즈 층은 약하게 방전신호는 강하게 표현되는 것을 확인 할 수 있다.In the case of projection data, contrary to PRPD data, it can be seen that the noise layer of each discharge is weak and the discharge signal is strongly expressed.

다음, CNN 기반 부분방전 패턴 분류기를 설계하여, 부분방전의 검출 성능을 살펴본다.Next, we design a CNN-based partial discharge pattern classifier and examine the partial discharge detection performance.

도 8은 본 발명의 사상에 따라 전처리된 부분방전 측정 데이터에 대하여 부분방전 판정을 학습/수행하도록 적용될 수 있는 CNN 일예에 대한 아키텍쳐를 나타낸 개념도이다. 8 is a conceptual diagram illustrating an architecture for an example of a CNN that can be applied to learn/perform partial discharge determination on partial discharge measurement data preprocessed according to the spirit of the present invention.

전처리 된 데이터들은 CNN의 입력으로 받아들여진다. 전반적인 CNN의 구조는 입력층, Convolution layer, Pooling layer, 일반적인 NN의 은닉층에 해당하는 Fully connected layer 그리고 출력층으로 구성되며 이중에서 합성곱 연산을 하는 Convolution layer와 Pooling layer는 CNN알고리즘에서 중요한 역할을 담당한다. The preprocessed data are accepted as input to the CNN. The overall structure of the CNN consists of an input layer, a convolution layer, a pooling layer, a fully connected layer corresponding to the hidden layer of a general NN, and an output layer. .

Convolution layer에서 필터는 지정한 칸만큼 이동하여 합성곱 연산을 통해 입력데이터의 특징을 추출함과 동시에 데이터의 차원을 축소시켜 특징맵을 쌓는다. 이때 만들어진 특징맵의 크기는 입력데이터의 크기, 필터의 크기, 패딩(Padding)의 유무 그리고 이동간격에 따라 달라지며 하기 수학식 1의 관계를 따른다.In the convolution layer, the filter moves by the specified number of cells and extracts the features of the input data through convolution operation, and at the same time reduces the dimension of the data to build a feature map. The size of the created feature map varies depending on the size of the input data, the size of the filter, the presence or absence of padding, and the movement interval, and follows the relationship of Equation 1 below.

Figure pat00005
Figure pat00005

상기 수학식에서 O는 특징맵의 크기, I는 입력 이미지의 크기, F는 필터의 크기, S는 필터의 이동간격이고, P는 패딩의 크기로 패딩은 데이터의 정보손실을 막기 위해 입력데이터에 추가로 여분의 공간을 만들어주는 기법이다. In the above equation, O is the size of the feature map, I is the size of the input image, F is the size of the filter, S is the movement interval of the filter, P is the size of the padding, and padding is added to the input data to prevent data loss. This is a way to create extra space.

그러나, 필터의 개수가 많아짐에 따라 그 만큼 많은 특징맵이 쌓이게 되고 이는 고차원의 파라미터를 요구하여 학습 속도 저하 및 과적합(over-fitting)문제를 초래 할 수 있으며 이를 해결 하고자 Pooling layer가 존재한다. Pooling은 방식에 따라 크게 두 가지로 나뉘며 영역 내에서 최댓값 하나를 추출하는 Max Pooling과 영역내의 평균값을 추출하는 Average Pooling이 있고 일반적으로 두 경우 모두 특징맵의 크기를 반으로 줄이며 이는 하기 수학식 2와 같다.However, as the number of filters increases, so many feature maps are accumulated, which requires high-dimensional parameters, which can lead to a decrease in learning speed and over-fitting problems. To solve these problems, a pooling layer exists. Pooling is largely divided into two types depending on the method. Max Pooling, which extracts one maximum value from within the region, and Average Pooling, which extracts the average value within the region. Generally, in both cases, the size of the feature map is halved, which is expressed by Equation 2 and same.

Figure pat00006
Figure pat00006

상기 수학식에서 O, I 및 S의 의미는 상기 수학식 1에서와 동일하며, FP는 [FP × FP]로 표현되는 Pooling 필터의 크기이며, 보통 FP와 S의 크기는 같게 설정한다.The meanings of O, I, and S in the above equation are the same as in equation 1 above, and F P is the size of the pooling filter expressed by [F P × F P ], and the sizes of F P and S are usually set to be the same. .

본 발명을 위한 연구에서는 2개의 Convolution layer와 Pooling layer로 구성된 CNN을 사용하였으며 그 구조는 도 8과 같다. Convolution layer 및 Fully connected layer의 활성함수로는 하기 수학식 3에 따른 Relu함수를 사용하였다. In the study for the present invention, a CNN composed of two convolution layers and a pooling layer was used, and the structure is shown in FIG. 8 . The Relu function according to Equation 3 below was used as the activation function of the convolution layer and the fully connected layer.

Figure pat00007
Figure pat00007

Pooling layer의 경우 Max Pooling을 적용하였으며 하기 수학식 4에 따른 softmax함수를 출력층에 사용하였다.For the pooling layer, Max Pooling was applied, and the softmax function according to Equation 4 below was used for the output layer.

Figure pat00008
Figure pat00008

상기 수학식에서 n은 출력층의 노드수이며, zk는 출력층의 k번째 노드의 입력이며, 손실함수로는 하기 수학식 5의 Cross-Entropy함수를 사용하였으며, 학습은 Backpropagation을 통해 이루어질 수 있다.In the above equation, n is the number of nodes of the output layer, z k is the input of the k-th node of the output layer, and the Cross-Entropy function of Equation 5 below is used as the loss function, and learning can be performed through backpropagation.

Figure pat00009
Figure pat00009

상기 수학식에서 S는 전체 샘플 수를 의미하며, tik는 실제 클래스의 출력을 의미하고

Figure pat00010
는 패턴 분류기의 출력을 의미한다.In the above equation, S means the total number of samples, t ik means the output of the actual class,
Figure pat00010
is the output of the pattern classifier.

다음, 본 발명의 사상에 따른 데이터 전처리를 경유하여 CNN을 적용한 부분방전 판정 방법에 따른 패턴 분류의 성능에 대하여 살펴보겠다.Next, we will look at the performance of pattern classification according to the partial discharge determination method to which CNN is applied through data preprocessing according to the spirit of the present invention.

하기 표 5는 confusion matrix를 통한 전처리 방법으로서 PRPS기법을 통해 얻은 이미지를 사용한 경우의 부분 방전 패턴 분류 비율을 나타낸 것이며, 하기 표 6은 confusion matrix를 통한 전처리 방법으로서 PRPD기법을 통해 얻은 이미지를 사용한 경우의 부분 방전 패턴 분류 비율을 나타낸 것이며, 하기 표 7은 confusion matrix를 통한 전처리 방법으로서 본 발명의 사상에 따른 사영(Projection) 기법을 통해 얻은 이미지를 사용한 경우의 부분 방전 패턴 분류 비율을 나타낸 것이다.Table 5 below shows the partial discharge pattern classification ratio when images obtained through the PRPS technique are used as a preprocessing method through the confusion matrix, and Table 6 below shows the images obtained through the PRPD technique as a preprocessing method through the confusion matrix. shows the partial discharge pattern classification ratio of , and Table 7 below shows the partial discharge pattern classification ratio when the image obtained through the projection technique according to the spirit of the present invention is used as a preprocessing method through the confusion matrix.

Figure pat00011
Figure pat00011

Figure pat00012
Figure pat00012

Figure pat00013
Figure pat00013

상기 표 5 내지 표 7은 각각 PRPS, PRPD, Projection기법을 통해 만들어진 이미지 데이터 세트에 대해 CNN 분류기로 3-fold로 평가한 분류 성능을 각 클래스 별로 확인하기 위한 혼돈행렬(Confusion Matrix)이며, 이때 각 세트마다 적용되는 테스트 데이터 수는 160씩 3번으로 총 480개로 같으나 그것을 구성하는 데이터들에 대한 차이가 있다. 상기 표 5 내지 표 7을 통해 PRPS세트를 사용한 경우보다 PRPD세트를 사용한 경우에 자유도체 방전 및 노이즈에 대한 분류성능이 67.2%, 59.6%에서 94.7%, 92.0%로 각각 27.5%, 32.4%만큼 증가하였으며, Projection 세트를 사용한 경우와 비교하면 100%, 99.1%로 각각 32.8%, 39.5%만큼 증가한 것을 알 수 있다.Tables 5 to 7 are confusion matrices for confirming the classification performance for each class evaluated by a CNN classifier 3-fold with respect to the image data set made through the PRPS, PRPD, and projection techniques, respectively, at this time The number of test data applied to each set is the same as 3 times of 160, a total of 480, but there is a difference in the data constituting it. According to Tables 5 to 7, the classification performance for free conductor discharge and noise increased by 27.5% and 32.4%, respectively, from 67.2% and 59.6% to 94.7% and 92.0% when the PRPD set was used compared to the case where the PRPS set was used. Compared with the case of using the projection set, it can be seen that the increase was 32.8% and 39.5%, respectively, to 100% and 99.1%.

도 8은 전처리 기법에 따른 학습 수렴을 비교한 것이다.8 is a comparison of learning convergence according to a preprocessing technique.

하기 표 8은 상술한 3가지 전처리 방법별 분류 비율을 정리한 것이다.Table 8 below summarizes the classification ratios for each of the three pretreatment methods described above.

Figure pat00014
Figure pat00014

전체적으로 보았을 때 PRPD세트의 경우 PRPS세트에 비해 13.09%높은 분류 성능을 보이고 Projection 세트의 경우 PRPS세트에 비해 16.46%, PRPD세트에 비해 3.37%높은 분류성능을 보이는 것을 확인 할 수 있고 PRPD의 경우 다른 기법들에 비해 학습 수렴속도가 느리다는 것을 볼 수 있다.Overall, it can be seen that the PRPD set shows 13.09% higher classification performance than the PRPS set, and the projection set shows 16.46% higher classification performance than the PRPS set and 3.37% higher than the PRPD set. In the case of PRPD, other techniques It can be seen that the learning convergence rate is slower than that of the others.

상술한 실험에 대한 연구에서는 기존 전처리 기법을 활용하여 1차원의 부분방전 데이터를 2차원 이미지로의 변환하여 CNN기반 패턴 분류기의 입력으로 사용하는 데에 있어서 노이즈신호에 의해 묻히는 방전신호에 대한 문제를 해결하기 위하여 Projection 기법을 적용한 부분방전 데이터의 전처리 기법을 제안하였으며, 제안된 전처리 기법의 우수성을 입증하기 위해 PRPS, PRPD기법을 추가하여 PRPS, PRPD, Projection 총 3가지의 부분방전 데이터 처리 기법을 사용하여 3개의 이미지 세트를 통해 모델을 학습시켜 각 방법에 따른 패턴 분류 정확도를 비교분석하였다.In the study of the above-mentioned experiment, the problem of the discharge signal buried by the noise signal in converting the 1-dimensional partial discharge data into a 2-dimensional image using the existing pre-processing technique and using it as the input of the CNN-based pattern classifier was solved. In order to solve the problem, a pre-processing technique for partial discharge data applied with the projection technique was proposed. In order to prove the superiority of the proposed pre-processing technique, PRPS and PRPD techniques were added to use a total of three partial discharge data processing techniques: PRPS, PRPD, and projection. Thus, the model was trained through three image sets to compare and analyze the pattern classification accuracy according to each method.

PRPS 이미지 세트로 구축한 모델의 경우 빠른 학습 수렴 속도를 보이고 전체적인 분류 정확도는 83.33%이지만 자유도체 방전은 67.2%의 정확도를 노이즈(기본상태)는 59.6%의 정확도를 가지며 특히 자유도체 방전과 노이즈, 두 경우를 서로 오분류하는 것을 확인할 수 있었다. The model built with the PRPS image set shows a fast learning convergence speed and the overall classification accuracy is 83.33%, but the free conductor discharge has an accuracy of 67.2% and the noise (default state) has an accuracy of 59.6%. It was confirmed that the two cases were misclassified from each other.

PRPD 이미지를 사용했을 때 전반적으로 96.42%의 정확도를 보이며 자유도체 방전과 노이즈는 각각 94.7%, 92.0%로 PRPS 이미지에 비하여 27.5%, 32.4%정도 증가하였으나, 전반적인 학습 수렴 속도는 느린 것을 확인하였으며, Projection 이미지를 사용하였을 경우 빠른 학습 수렴속도를 보이고 전체적인 분류 정확도는 PRPD의 경우보다 3.37%증가한 99.79%의 정확도를 보이며 자유도체 방전과 노이즈는 각각 100%, 99.1%의 정확도를 가지는 것을 확인할 수 있었다.When the PRPD image was used, the overall accuracy was 96.42%, and the free conductor discharge and noise were 94.7% and 92.0%, respectively, which increased by 27.5% and 32.4% compared to the PRPS image, but it was confirmed that the overall learning convergence speed was slow, When the projection image was used, it showed a fast learning convergence speed, and the overall classification accuracy was 99.79%, which increased by 3.37% compared to the case of PRPD, and it was confirmed that free conductor discharge and noise had 100% and 99.1% accuracy, respectively.

위 결과는 설계된 부분방전 패턴 분류기 모델에서 제안된 Projection 기법을 통해 얻은 이미지 데이터가 노이즈와 유사한 패턴을 가지는 부분방전을 분류하는 데에 있어서 가장 적합하다는 것을 보여준다. 또한, Projection 기법의 경우 이미지 픽셀의 값이 노이즈 쪽에 큰 값을 부여하는 PRPD 이미지와 다르게 이미지 픽셀의 노이즈 쪽에 작은 값을 부여하고 부분방전 신호에 큰 값을 부여함으로써, 노이즈의 영향을 줄이고 방전신호의 정보를 부각시켜 이미지 처리에 있어서 발생하는 PRPD기법의 문제를 다소 개선했다고 볼 수 있다.The above results show that the image data obtained through the projection method proposed in the designed partial discharge pattern classifier model is most suitable for classifying partial discharges having a pattern similar to noise. In addition, in the case of the projection technique, unlike the PRPD image in which the image pixel value gives a large value to the noise side, a small value is given to the noise side of the image pixel and a large value is given to the partial discharge signal, thereby reducing the effect of noise and reducing the discharge signal. It can be said that the problem of the PRPD technique that occurs in image processing has been somewhat improved by highlighting the information.

따라서, 기존 알고리즘보다 노이즈에 강인하며 신뢰성이 높기 때문에 기존에는 적용하기 힘들었던 예컨대, 통신사나 군부대 레이더 같은 환경 노이즈가 심한 환경이나 기타 송배전 전력망에서의 부분방전 패턴분류에 있어서 높은 경쟁력을 갖고 있다.Therefore, it has high competitiveness in the classification of partial discharge patterns in environments with severe environmental noise, such as telecommunication companies or military radars, or other transmission and distribution grids, which were difficult to apply in the past because they are more robust to noise and more reliable than existing algorithms.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical spirit of the present invention, and various modifications and variations will be possible without departing from the essential characteristics of the present invention by those skilled in the art to which the present invention pertains. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

S100 : 영행렬 생성 단계
S200 : 측정 데이터 패터닝 단계
S300 : 부분 방전 판정 단계S100: Zero matrix generation step
S200: measurement data patterning step
S300: Partial discharge determination step

Claims (8)

전력 설비의 부분방전 신호의 표시를 위한 영행렬을 생성하는 단계;
소정의 측정 기간 동안 부분방전 측정 신호들을 수집하는 단계;
수집된 상기 부분방전 측정 신호들을 일정한 주기의 타임 슬롯들로 시분할하는 단계;
상기 영행렬에 시분할된 각 타임 슬롯에 속한 부분방전 측정 신호들의 진폭 및 위상을 상기 영행렬에 기재하여, 판정용 사영 이미지를 생성하는 단계; 및
상기 판정용 사영 이미지를 CNN 학습 모델에 적용하여 부분방전을 판정하는 단계
를 포함하는 부분방전 판정 방법.
generating a zero matrix for displaying a partial discharge signal of a power facility;
collecting partial discharge measurement signals during a predetermined measurement period;
time-dividing the collected partial discharge measurement signals into time slots of a certain period;
generating a projective image for determination by writing amplitudes and phases of partial discharge measurement signals belonging to each time slot time-divided in the zero matrix in the zero matrix; and
Determining partial discharge by applying the projection image for determination to a CNN learning model
Partial discharge determination method comprising a.
 제1항에 있어서,
상기 영행렬은,
일축이 진폭이고 타축이 위상인 2차원 좌표 공간을 형성하는 부분방전 판정 방법.
According to claim 1,
The zero matrix is
A partial discharge determination method that forms a two-dimensional coordinate space in which one axis is amplitude and the other axis is phase.
 제1항에 있어서,
상기 소정의 측정 시간은,
전력 주파수에 대한 1 주기의 시간에 특정 자연수를 곱한 시간인 부분방전 판정 방법.
According to claim 1,
The predetermined measurement time is,
A partial discharge determination method that is the time multiplied by a specific natural number by the time of one cycle for the power frequency.
 제1항에 있어서,
상기 타임 슬롯의 주기는,
전력 주파수에 대한 1 주기의 시간을 특정 자연수로 나눈 시간인 부분방전 판정 방법.
According to claim 1,
The period of the time slot is,
Partial discharge determination method, which is the time divided by a specific natural number for the time of one cycle for the power frequency.
 제1항에 있어서,
유형별 부분방전을 유도한 환경에서 측정된 신호들로 유형별 기준 이미지를 생성하는 단계
를 더 포함하는 부분방전 판정 방법.
According to claim 1,
Creating a reference image for each type with signals measured in an environment induced for each type of partial discharge
Partial discharge determination method further comprising a.
 소정의 측정 기간 동안 부분방전 측정 신호들을 수집하는 단계;
수집된 상기 부분방전 측정 신호들을 일정한 주기의 타임 슬롯들로 시분할하는 단계; 및
일축이 진폭이며 타축이 위상인 좌표 공간를 형성하는 영행렬에, 시분할된 각 타임 슬롯에 속한 부분방전 측정 신호들의 진폭 및 위상을 기재하여, 판정용 사영 이미지를 생성하는 단계
를 포함하는 측정 데이터 패터닝 방법.
collecting partial discharge measurement signals during a predetermined measurement period;
time-dividing the collected partial discharge measurement signals into time slots of a certain period; and
Generating a projective image for determination by writing the amplitude and phase of partial discharge measurement signals belonging to each time-divided time slot in a zero matrix forming a coordinate space in which one axis is amplitude and the other axis is phase
Measurement data patterning method comprising a.
 제6항에 있어서,
상기 소정의 측정 시간은,
전력 주파수에 대한 1 주기의 시간에 특정 자연수를 곱한 시간인 측정 데이터 패터닝 방법.
7. The method of claim 6,
The predetermined measurement time is,
A method of patterning measurement data in which the time of one period for the power frequency is multiplied by a certain natural number.
 제6항에 있어서,
상기 타임 슬롯의 주기는,
전력 주파수에 대한 1 주기의 시간을 특정 자연수로 나눈 시간인 측정 데이터 패터닝 방법.



7. The method of claim 6,
The period of the time slot is,
A method of patterning measurement data that is the time of one period for the power frequency divided by a certain natural number.
KR1020210056011A 2021-04-29 2021-04-29 Measured Data Patterning Method and Partial Discharge Determination Method for CNN KR20220148646A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210056011A KR20220148646A (en) 2021-04-29 2021-04-29 Measured Data Patterning Method and Partial Discharge Determination Method for CNN

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210056011A KR20220148646A (en) 2021-04-29 2021-04-29 Measured Data Patterning Method and Partial Discharge Determination Method for CNN

Publications (1)

Publication Number Publication Date
KR20220148646A true KR20220148646A (en) 2022-11-07

Family

ID=84043711

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210056011A KR20220148646A (en) 2021-04-29 2021-04-29 Measured Data Patterning Method and Partial Discharge Determination Method for CNN

Country Status (1)

Country Link
KR (1) KR20220148646A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009757B1 (en) 2019-03-21 2019-08-12 (주)싸이젠텍 Apparatus for sorting pellet with foreign matter based on artificial intelligence program

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009757B1 (en) 2019-03-21 2019-08-12 (주)싸이젠텍 Apparatus for sorting pellet with foreign matter based on artificial intelligence program

Similar Documents

Publication Publication Date Title
CN108765373B (en) Insulator abnormity automatic detection method based on integrated classifier online learning
CN106646096B (en) Transformer fault classification and recognition methods based on vibration analysis method
Kreuger et al. Classification of partial discharges
Rudd et al. A generic knowledge-based approach to the analysis of partial discharge data
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
Ferreira et al. A method based on independent component analysis for single and multiple power quality disturbance classification
CN106556781A (en) Shelf depreciation defect image diagnostic method and system based on deep learning
CN110161388B (en) Fault type identification method and system of high-voltage equipment
Chang et al. Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints
CN109102508B (en) Method for identifying insulation defects of alternating current cable based on partial discharge image characteristics
CN113222949B (en) X-ray image automatic detection method for plugging position of power equipment conductor
CN112036320A (en) Partial discharge state identification method and device, discharge simulator and identification equipment
Darabad et al. An efficient diagnosis method for data mining on single PD pulses of transformer insulation defect models
El-Hag Application of machine learning in outdoor insulators condition monitoring and diagnostics
Maraaba et al. Estimation of high voltage insulator contamination using a combined image processing and artificial neural networks
CN110672988A (en) Partial discharge mode identification method based on hierarchical diagnosis
Satish et al. Partial discharge pattern classification using multilayer neural networks
Chang et al. Assessment of the insulation status aging in power cable joints using support vector machine
KR20220148646A (en) Measured Data Patterning Method and Partial Discharge Determination Method for CNN
Chu et al. TDV-LSTM: A new methodology for series arc fault detection in low power AC systems
Babnik et al. Data mining on a transformer partial discharge data using the self-organizing map
Thi et al. Anomaly detection for partial discharge in gas-insulated switchgears using autoencoder
Balouji et al. A deep learning approach to earth fault classification and source localization
CN114139577A (en) Fault arc identification method and device based on one-dimensional convolution self-coding network
CN109917245B (en) Ultrasonic detection partial discharge signal mode identification method considering phase difference