KR20230049226A - 인공지능 기반 전기설비 고장 징후 감지 시스템 - Google Patents
인공지능 기반 전기설비 고장 징후 감지 시스템 Download PDFInfo
- Publication number
- KR20230049226A KR20230049226A KR1020210132079A KR20210132079A KR20230049226A KR 20230049226 A KR20230049226 A KR 20230049226A KR 1020210132079 A KR1020210132079 A KR 1020210132079A KR 20210132079 A KR20210132079 A KR 20210132079A KR 20230049226 A KR20230049226 A KR 20230049226A
- Authority
- KR
- South Korea
- Prior art keywords
- temperature
- transformer
- artificial intelligence
- measuring device
- load current
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 20
- 208000024891 symptom Diseases 0.000 claims description 34
- 238000001816 cooling Methods 0.000 claims description 18
- 238000010616 electrical installation Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000017525 heat dissipation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims 2
- 230000001939 inductive effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 14
- 238000009434 installation Methods 0.000 abstract description 10
- 238000007796 conventional method Methods 0.000 abstract 2
- 239000003570 air Substances 0.000 description 44
- 238000012546 transfer Methods 0.000 description 30
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 24
- 238000004804 winding Methods 0.000 description 22
- 239000004020 conductor Substances 0.000 description 21
- 238000009413 insulation Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 229910052742 iron Inorganic materials 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006378 damage Effects 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 5
- 239000012212 insulator Substances 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/30—Marginal testing, e.g. by varying supply voltage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2516—Modular arrangements for computer based systems; using personal computers (PC's), e.g. "virtual instruments"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/068—Arrangements for indicating or signaling faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
본 발명은 상기 종래기술의 문제점을 해결하기 위한 것으로, 종래 기술방식이 전기설비의 고장징후를 감지하기 위해 정기적으로 정전시킨 상태에서 시험을 통해 고장징후를 감지하는 방식의 불편함과 비효율을 개선하고자 하는 것이다.
상기 목적을 달성하기 위하여 본 발명은, 직렬 전기설비의 설비온도 측정 장치, 직렬 전기설비의 부하측 전로에 설치된 부하전류 측정 장치, 직렬 전기설비 설치 장소의 공기 온도와 습도를 측정하는 공기 온습도 측정장치, 상기 측정 장치들로부터 측정된 시계열 빅데이터를 이용하여 직렬 전기설비의 고장징후를 판단하는 인공지능 컴퓨터로 구성되어, 정상상태의 설비온도를 예측하고 측정된 설비온도와의 비교를 통해 고장징후를 판단하는 방법이다.
본 발명을 적용하면 직렬 전기설비를 운전하면서 고장징후를 감지할 수 있으므로 종래 정기시험의 정전 불편함을 줄일 수 있고, 돌발적인 전기설비 고장 및 정전사고로 인한 재산손실 및 인명손상을 예방할 수 있다.
상기 목적을 달성하기 위하여 본 발명은, 직렬 전기설비의 설비온도 측정 장치, 직렬 전기설비의 부하측 전로에 설치된 부하전류 측정 장치, 직렬 전기설비 설치 장소의 공기 온도와 습도를 측정하는 공기 온습도 측정장치, 상기 측정 장치들로부터 측정된 시계열 빅데이터를 이용하여 직렬 전기설비의 고장징후를 판단하는 인공지능 컴퓨터로 구성되어, 정상상태의 설비온도를 예측하고 측정된 설비온도와의 비교를 통해 고장징후를 판단하는 방법이다.
본 발명을 적용하면 직렬 전기설비를 운전하면서 고장징후를 감지할 수 있으므로 종래 정기시험의 정전 불편함을 줄일 수 있고, 돌발적인 전기설비 고장 및 정전사고로 인한 재산손실 및 인명손상을 예방할 수 있다.
Description
본 발명은 전기설비의 고장징후를 감지하는 시스템 및 방법에 관한 것으로서, 보다 상세하게는 직렬 전기설비의 온도, 발열 영향요소, 방열 영향요소와 관련된 시계열 빅데이터를 이용하여 정상상태와 고장징후가 있는 상태의 발열특성 차이를 비교 관찰함으로써 인공지능에 의해 직렬 전기설비의 고장징후를 감지하는 시스템 및 방법에 관한 것이다
전기설비의 고장발생 경향은 사용기간이 경과함에 따라 초기고장기, 우발고장기, 마모고장기로 구성되는 욕조곡선(Bathtub Curve, 수명곡선이라고도 함) 특성을 보인다. 마모고장기는 장기간 운전 시 경년열화에 의해 고장 빈도가 높아지는 단계이며, 마모고장기에는 돌발적인 고장으로 인한 정전이 재산 손실 및 인명 손상을 초래할 수 있다. 전기설비의 돌발적인 고장을 방지하기 위해 종래에는 주로 정기시험에 의해 고장징후를 감지하고 있다. 정기시험은 전기설비의 전기공급을 차단(정전)시키고 절연저항 또는 누설전류 등을 측정하는 방식이다. 정기시험에 의해 고장징후가 감지되면 수리, 교체 등 예방보전을 실시하게 된다. 정기시험 방식으로는 시험 일자 사이에 발생하는 돌발적인 고장에 대비할 수 없고, 고장징후 감지 확률을 높이기 위해 시험주기를 단축하는 것은 빈번한 정전으로 인한 불편을 초래하게 된다. 본 발명은 기존 방식의 불편함을 개선하기 위해 활선상태(전기를 공급 중인 상태)에서 전기설비의 고장징후를 감지하는 시스템 및 방법에 관한 것이다.
본 발명은 상기 종래 기술의 문제점을 해결하기 위한 것으로, 종래 기술방식이 전기설비의 고장징후를 감지하기 위해 정기적으로 정전시킨 상태에서 시험을 통해 고장징후를 감지하는 방식의 불편함과 비효율을 개선하고자 하는 것이다.
상기 목적을 달성하기 위하여 본 발명은, 직렬 전기설비의 설비온도 측정 장치, 직렬 전기설비의 부하측 전로에 설치된 부하전류 측정 장치, 직렬 전기설비 설치 장소의 공기 온도와 습도를 측정하는 공기 온습도 측정장치, 상기 측정 장치들로부터 측정된 시계열 빅데이터를 이용하여 직렬 전기설비의 고장징후를 판단하는 인공지능 컴퓨터로 구성되어, 정상상태와 고장징후가 있는 상태의 설비온도를 비교하여 고장징후를 감지한다.
본 발명을 적용하면 직렬 전기설비를 운전하면서 고장징후를 감지할 수 있으므로 종래 정기시험의 정전 불편함을 줄일 수 있고, 돌발적인 전기설비 고장 및 정전사고로 인한 재산손실 및 인명손상을 예방할 수 있다.
도1 직렬 전기설비의 고장징후 감지를 위한 본 발명의 구성 요소
도2 직렬 전기설비의 단순화된 개념도
도3 전기설비 구조물에서의 열전달 개념도
도4 직렬 전기설비의 고장징후 유형
도5 변압기에 적용 시 본 발명의 실시예 구성 요소
도6 변압기 구조도
도7 변압기 등가회로도
도8 배전반 또는 분전반에 적용 시 본 발명의 구성요소 실시예
도9 직렬 전기설비의 고장징후 감지 방법
도10 고장징후가 있을 때의 발열 관계
도2 직렬 전기설비의 단순화된 개념도
도3 전기설비 구조물에서의 열전달 개념도
도4 직렬 전기설비의 고장징후 유형
도5 변압기에 적용 시 본 발명의 실시예 구성 요소
도6 변압기 구조도
도7 변압기 등가회로도
도8 배전반 또는 분전반에 적용 시 본 발명의 구성요소 실시예
도9 직렬 전기설비의 고장징후 감지 방법
도10 고장징후가 있을 때의 발열 관계
이하, 본 발명의 실시예로 전로에 직렬로 설치되는 직렬 전기설비에 대해 당해 분야의 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명한다.
도1에 직렬 전기설비(100), 1차측 전로(200) 및 2차측 전로(300)와 함께 본 발명의 구성요소(400)를 나타냈다.
직렬 전기설비(100)는 전원 측에서 들어오는 1차측 전로(200)와 부하 측으로 나가는 2차측 전로(200) 사이에 설치되며, 전기를 사용하기 위해 주로 전로의 종단에 설치되는 부하전기설비와 달리 전로에 직렬로 설치되어 부하설비에 전력을 공급하기 위해 설치되는 설비이다. 직렬 전기설비로는 전원 전압의 크기를 변환하는 변압기, 전로와 전기설비 보호를 위한 차단기와 스위치, 전로를 분기하는 배전반과 분전반, 교류와 직류 간 전력변환기 등 다양한 종류가 있다.
도1에서 1차측 전로(200)와 2차측 전로(300)를 각각 3선으로 표시하였으나(3상3선식) 전원의 접지 방식에 따라 4선인 경우도 있으며(3상4선식), 단상 전원인 경우 2선(단상2선식) 또는 3선(단상3선식)의 전로로 구성될 수 있다.
직렬 전기설비는 종류 및 구조에 따라 형상이 다양하나 도2와 같이 1차측 전로와 2차측 전로를 연결하는 도체(110), 도체 절연층(120), 도체 연결점(130), 보호용 몰드층 또는 절연유(140), 외함(150), 감전방지용 접지선(160) 등으로 간략화하여 나타낼 수 있다.
도체(110)로 표시한 부분은 직렬 전기설비가 케이블 연결박스이면 연결점, 차단기 또는 스위치이면 차단접점, 변압기이면 자기결합회로, 배전반 또는 분전반이면 분기점, 전력변환기이면 전력변환회로 등을 포함하게 된다.
직렬 전기설비 동작 중에는 도체에서 주울열()이 발생하여 전기설비의 표면을 통해 공기 중으로 방출된다. 도3은 도체 절연층(120), 설비 보호층(140), 외함(150) 등의 열전달층을 통해 공기 중으로 열이 방출되는 모형으로서 열전달층 내표면 온도(도체 온도와 동일), 열전달층 외표면 온도, 공기온도 순으로 온도가 떨어지면서 열이 전달된다.
열전달층은 도체 절연층, 몰드층, 절연유층, 공기층, 함체 등이 단독 또는 조합으로 구성될 수 있다. 복합 재질로 구성된 열전달층은 각 재질의 고유한 열전달계수의 조합 열전달계수 를 갖는다. 열전달층의 외표면으로부터 외부 공기로의 열전달 특성은 표면의 재질과 공기의 특성(습도, 공기흐름 속도)에 의해 대류 열전달계수 로 결정된다.
도3에서 보여지는 바와 같이 도체의 발열량()은 사방으로 전파되며 그 중 일정비율()이 설비온도 측정점의 단위면적에 전달된다. 설비의 온도를 열전달층 외표면에서 측정하는 경우 다음식과 같이 전달된 열량과 공기 중으로 방출되는 열량과의 평형을 이루는 상태에서 열전달층 외표면 온도 가 결정된다.
만약 설비온도를 열전달층의 내부(예: 절연유 탱크 내부 등)에서 측정하는 경우 발열점에서 온도 측정점까지 전달된 열량과 온도 측정점에서 공기 측 방향으로 전달되는 열량이 평형을 이루는 측정점 설비온도가 결정된다.
직렬 전기설비의 대표적인 고장 유형은 1차측 전로에서 2차측 전로까지의 경로에 있는 내부 도체경로에서 전로의 단선이 발생하거나, 절연물의 열화로 인해 전로와 전로 간 접촉 상태인 단락, 전로와 함체(또는 금속 거치대) 간 접촉 상태인 지락이다.
직렬 전기설비의 설치 초기에는 도체와 절연물 등이 안정된 상태를 유지하나 장기간 운전하게 되면 진동에 의한 기계적 충격 또는 발열량의 누적 등으로 인해 도체(연결점 포함)와 절연물 등의 열화가 진행되고(마모고장기) 궁극적으로 고장에 이르게 된다. 본 발명에서는 직렬 전기설비가 고장에 이르는 과정을 세 가지 상태로 정의하여 설명한다, 즉 정상상태, 고장이행 상태, 고장상태이다.
정상상태는 직렬 전기설비 설치 초기의 도체 및 절연이 양호한 상태이다. 고장상태는 직렬 전기설비 내부에서 전로의 단선, 전로의 단락, 전로의 지락 등 고장이 발생한 상태이다. 고장상태인 경우 전력계통의 보호장치에 의해 설비에 공급되는 전원이 즉시 차단되어야 하며 사고로 귀결되는 상태이다. 고장이행 상태는 도체와 절연물의 열화가 진행되어 고장징후가 발현되는 상태이며 계속 방치하면 단기간 내에 고장상태로 진행된다. 즉 고장이행 상태는 정상상태와 고장상태의 중간 상태이다.
도4에는 직렬 전기설비의 고장이행 상태 모델을 나타냈다. 정상상태의 각 상의 도체저항을 두 개의 저항이 직렬로 연결된 것으로(A상인 경우 로) 가정하였다. A상은 전로의 단선고장 징후가 있는 경우로서, 도체의 단면적이 감소하므로 정상저항()에 단선징후로 인한 저항 (111)가 추가되어 주울열이 정상상태보다 증가한다. 단선징후가 있을 때 추가되는 주울열은 정상상태의 부하전류에 의한 주울열과 추세는 동일하고 크기만 다르다(도10). B상과 C상 간의 절연층의 열화로 인해 선간 단락고장 징후가 있는 경우(121) 누설전류가 발생되어 B상, C상의 1차 전류가 증가하게 되고 에서 발생하는 주울열은 정상상태 부하전류에 의한 주울열보다 증가한다. C상에서 지락고장 징후가 있는 경우(141) 누설전류로 인해 1차 전류가 증가하게 되고 에서 발생하는 주울열은 정상상태 부하전류에 의한 주울열보다 증가한다. 단락징후, 지락징후가 있을 때 추가되는 주울열은 정상상태의 부하전류에 의한 주울열과 달리 크기가 일정하다(도10). 즉 단선고장, 단락고장, 지락고장의 징후가 있는 고장이행 상태에서는 부하전류에 의해 정상적으로 발생한 주울열보다 더 큰 주울열이 발생하게 된다.
본 발명은 돌발적인 고장상태로 인한 정전사고, 설비손상, 감전사고 등을 예방하기 위해 고장상태 전 단계에서 발생하는 고장징후를 감지하는 방법에 관한 것이다. 기존 방식으로는 고장징후를 감지하기 위해 한국전기안전공사의 전기설비 안전관리기준에 의해 정기적으로 전기설비를 정전시킨 후 절연시험(절연저항, 누설전류 시험)을 실시하고 있으나 정전으로 인해 불편을 초래하고, 시험 주기 사이의 돌발적인 고장을 방지할 수 없다는 문제가 있다. 본 발명에 의하면 전기설비를 운전하는 동안에 고장징후를 실시간으로 감지할 수 있으며, 사전 계획에 의해 예방보전을 실시할 수 있으므로 재산손실 및 인명손상 피해를 줄일 수 있게 된다.
도1에 나타낸 본 발명을 실시하기 위한 구성요소(400)를 상세히 설명한다. 본 발명은 직렬 전기설비의 온도를 측정하기 위한 설비온도 측정 장치(410), 직렬 전기설비의 부하전류(2차측 전류)를 측정하기 위한 부하전류 측정 장치(420), 직렬 전기설비가 설치되어 있는 주변 공기의 온도와 습도를 측정하기 위한 공기 온습도 측정 장치(430), 상기 측정 장치들로부터 시계열 빅데이터를 수집하여 인공지능에 의해 고장징후를 감지하는 인공지능 컴퓨터(440), 고장징후를 감지하였을 때 전기설비 관리자에게 통보하는 경보장치(450)로 구성되어 있다.
설비온도 측정 장치(410)는 직렬 전기설비(100)의 온도를 측정하는 장치로서, 직렬 전기설비의 구조 및 형상, 설치 환경 등에 따라 온도센서를 직렬 전기설비 구조물에 인입하여 설치하는 방식, 구조물 표면에 부착하는 방식, 절연층이 있는 경우 절연층 내부에 설치하는 방식, 외함이 있는 경우 외함의 내부 표면 또는 외부 표면에 부착하는 방식, 일정 거리로 이격된 장소에서 직렬 전기설비의 구조물 또는 외함의 표면 온도를 측정하는 적외선 열화상 측정방식 등이 가능하다. 온도 측정 방식은 고장의 징후가 있을 때 온도변화가 큰 위치에서 측정하되 설치용이성, 경제성을 고려하여 선정한다.
상기 설비온도 측정 장치(410)는 온도를 감지하는 아날로그 센서 뿐만 아니라 측정값을 디지탈로 수치화하여 인공지능 컴퓨터(440)가 바로 읽을 수 있도록 전달하는 기능을 포함하도록 구성된다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이다. 설비온도 측정 장치(410)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
부하전류 측정 장치(420)는 직렬 전기설비(100)로부터 전력부하 측으로 공급되는 부하전류(2차측 전류)의 크기를 측정하는 장치로서 변압기, 교류차단기 등 부하전류가 교류전류이면 변류기(CT: Current Transformer) 등의 센서를 사용하고, 전력변환기와 같이 부하전류를 직류로 공급하는 경우이면 홀센서 등 직류전류 검출용 센서를 사용한다.
상기 부하전류 측정 장치(420)는 전류크기를 감지하는 아날로그 센서 뿐만 아니라 측정값을 디지탈로 수치화하여 인공지능 컴퓨터(440)가 바로 읽을 수 있도록 전달하는 기능을 포함하도록 구성된다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이 가능하다. 부하전류 측정 장치(420)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
공기 온습도 측정 장치(430)는 직렬 전기설비 주변의 공기 온도와 습도를 측정하는 장치이다. 공기의 온도와 습도는 전기설비 외표면의 열방출량과 관련성이 크므로 온습도 센서는 상기 설비온도 측정 장치(410)의 온도 센서와 가능한 한 가까운 곳에 설치한다.
또한 상기 공기 온습도 측정 장치(430)는 공기의 온도와 습도를 감지하는 아날로그 센서 뿐만 아니라 측정값을 디지탈로 수치화하여 인공지능 컴퓨터(440)가 바로 읽을 수 있도록 전달하는 기능을 포함하도록 구성된다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이 가능하다. 공기 온습도 측정 장치(430)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
인공지능 컴퓨터(440)는 상기 설비온도 측정 장치(410), 상기 부하전류 측정 장치(420), 상기 공기 온습도 측정 장치(430)으로부터 시계열 빅데이터를 수집, 저장, 처리하여 인공지능 방식의 설비온도 예측 알고리즘을 학습시키며, 학습된 예측모델로 설비온도를 예측하고 측정한 온도와 비교하여 고장징후를 감지하는 역할을 수행한다. 또한 고장징후 감지 결과를 경보장치(450)에 유선 또는 무선으로 통보하거나 자체 표시장치에 표시하는 기능을 포함하는 특징을 갖는다. 상기 인공지능 컴퓨터(440)는 본 발명에서 필요로 하는 기능과 성능을 가진 것으로서 일반 상업용으로 사용되는 가정용 또는 업무용 컴퓨터와는 형상이 다를 수 있는 일종의 인공지능 장치(특화된 장치)이다.
경보장치(450)는 설비관리자가 상시 머무르는 장소에 설치된 모니터, 부저, 비상등 등으로 조합하여 설치 가능하며, 인공지능 컴퓨터가 중앙감시실 등에 설치되어 있는 경우 경보장치의 기능이 상기 인공지능 컴퓨터(440)의 일부 기능으로 구현이 가능하므로 별도 장치는 생략될 수 있다.
다음은 도9에서 본 발명에서 인공지능에 의해 고장징후를 감지하는 방법을 설명한다.
직렬 전기설비가 정상상태에서 운전되는 동안 설비온도, 부하전류, 주변 공기의 온도와 습도에 대한 시계열 빅데이터를 획득하여 인공지능 컴퓨터의 저장장치에 저장한다(441).
획득한 빅데이터에서 직렬 전기설비의 온도에 영향을 미치는 요소인 부하전류와 공기의 온도 및 습도를 Feature(독립변수)로 지정하고, 설비온도는 Label(종속변수)로 지정한다(442).
빅데이터를 이용하여 지도학습으로 인공지능 딥러닝 알고리즘(또는 선형회귀 알고리즘)을 학습시켜 설비온도 예측모델을 수립한다(443).
수립된 예측모델을 이용하여(444) 이후에 획득한 부하전류(445), 공기 온습도 데이타로부터(445) 설비온도를 예측한다(446).
도10에 단선고장 징후, 단락고장 징후, 지락고장 징후가 있을 경우의 발열량 특성을 나타냈다. 고장징후가 있으면 총발열량은 항상 정상상태의 발열량보다 많다. 설비온도 측정값(448)과 예측값(447)의 차이를 이동 시간구간별 합산한 값으로 아래와 같이 고장징후를 판정하고 경보장치 또는 설비관리자에게 통보한다(449).
빅데이터 전처리 단계에서, 발열량이 전류의 제곱에 비례한다는 관계를 이용하여 단순 부하전류 대신 부하전류의 제곱을 이용함으로써(442), 좀 더 간단한 선형회귀(Linear Regression) 알고리즘으로도 설비온도 예측모델을 수립할 수 있게 된다(443).
또한 설비온도의 변화는 열전달 과정에서 시간지연 효과, 각 상의 부하전류에 의한 주울열의 중첩효과로 인해 완만한 변화를 보인다. 이에 비해 각 상별 부하전류의 값은 실시간으로 급격히 변화할 수 있으므로 부하전류의 시계열 데이타는 원시데이타를 그대로 사용하지 않고 일정 시간구간 이동평균값(Moving Average Value)으로 처리하여 완만하게 변화하는 데이타로 만들어 이용한다(442).
다음은 본 발명의 구체적인 실시예로서 직렬 전기설비의 일종인 전력용 변압기에 적용하는 경우를 설명한다. 전력용 변압기는 송배전 계통과 수변전 설비에서 전원 측으로부터 부하 측으로 전력 전달을 목적으로 하는 변압기이며 이하 실시예 설명에서는 간략히 변압기로 칭한다.
도5에 변압기(500)에 적용하는 경우 실시예로서 발명의 구성요소(600)을 나타냈다.
변압기(500)는 주로 3상 변압기(A,B,C상)를 사용하며 한 상의 구조는 도6에 나타낸 것과 같이 철심(510)에 1차 권선(520)과 2차 권선(530)이 각각 감겨져 있는 형태이다(이 그림은 내철형 변압기 기준이며 외철형 변압기의 경우 1,2차 권선이 철심 한 부위에 중첩되어 감겨 있다). 변압기는 1차 권선(520)과 2차 권선(530)간의 권선비를 조절하여 전압은 감압 또는 승압하고 전력은 변함없이 전달하는 것을 목적으로 한다. 전력 전달 원리는 전자유도 현상을 이용하여, 1차 권선(520)의 전류()가 만들어내는 시변자계(540)가 철심(510)을 관통하고 이 자계(540)에 의해 2차 권선(530)에 전압()이 유기되는 원리이다. 부하가 연결되었을 때 1차에서 2차로 전달되는 전력이 가능한 한 동일하게 유지되어 손실이 적을수록() 효율이 높은 변압기이다. 변압기는 냉각방식에 따라 몰드 절연층 또는 절연유(550)가 변압기 구조물을 감싸고 있는 형태이다. 철심(510)과 외함(560)은 안전을 위해 접지되어 있다(570).
변압기 운전 시에는 전기적 손실()에 의해 열이 발생한다. 손실은 주로 철손()과 동손()에 의해 발생하며() 주울열로 나타낼 수 있다. 철손과 동손 이외에 표류부하손, 와류손 등이 있으나 크기가 상대적으로 미미하여 무시할 수 있다. 도7은 변압기 한 상의 등가회로를 나타낸 것이다. 철손은 여자전류()가 만들어내는 자속이 철심에 관통할 때 자기저항에 의해 발생하고, 동손은 1차 권선, 2차 권선에 전류가 흐를 때 권선의 전기저항에 의해 발생한다. 등가회로에서 철손은 등가 철손저항(542), 동손은 1차,2차 권선의 저항을 합성한 등가 권선저항(532)에서 발생하는 손실로 표시된다. 변압기 손실에는 부하전류(2차전류)에 포함된 고조파가 변압기 철심에 와전류를 유도하고 이 와전류가 변압기 철심에 흐를 때 철심의 전기저항에 의해 발생하는 고조파손이 추가될 수 있다. 만약 고조파가 과도하게 발생하고 고조파 제거용 필터를 설치하지 않는 경우 고조파에 의한 발열 기여분을 고려한다.
철손은 변압기 제작 시 철심의 물성과 구조에 의해 결정되는데 여자전류(541)의 제곱()에 비례하며, 여자전류는 부하전류(531)의 크기와 무관하게 항상 일정하다. 동손은 부하전류(531)의 제곱에 비례한다(). 3상변압기의 전체 손실()은 다음과 같이 각 상의 손실의 합이다.
따라서, 변압기 전체손실은 각 상의 부하전류의 제곱에 비례하며 철손에 의한 발열량이 상수항으로 추가된다.
변압기는 정상 동작 중에도 손실에 의한 주울열이 발생하여 변압기 온도 측정점으로 열이 전달되고 이 측정점에서의 온도를 변압기 온도로 판단한다. 변압기 내부에서 발생한 주울열이 열전달층을 경유하여 주위 공기로 방출되는 모형은 도2에 나타낸 것과 동일하다.
열전달층은 변압기의 냉각방식, 구조 및 용량에 따라 다양한 재질과 형상을 가질 수 있으며, 권선 절연층, 몰드층, 절연유층, 공기층 등이 단독 또는 조합으로 구성될 수 있다. 복합 재질로 구성된 열전달층의 열전달계수()는 각 재질의 고유한 열전달 특성의 조합에 의해 결정되는 고유한 상수값을 갖는다.
발열점의 발열량은 사방으로 전파되며 설비온도 측정점에는 총열량에 비례하는 열량이 전달된다. 설비온도 측정점이 열전달층 표면에 있는 경우 측정점에 전달된 열량과 공기 측으로 방출되는 열량과의 평형을 이루는 상태에서 열전달층 표면온도가 결정된다. 만약 온도 측정점이 절연층의 내부(예: 절연유 탱크 내부 등)에 있는 경우 발열점에서 온도 측정점까지 전달된 열량과 온도 측정점에서 공기측 방향으로 전달되는 열량이 평형을 이루는 상태에서 측정점 온도가 결정된다.
변압기는 설치 후 장기간 운전하게 되면 진동에 의한 기계적 충격 또는 발열량의 누적 등으로 인해 권선 도체와 절연물 등의 열화가 진행되고(마모고장기) 궁극적으로 고장에 이르게 된다. 본 발명에서는 변압기가 고장에 이르는 과정을 세 가지 상태로 정의하여 설명한다, 즉 정상상태, 고장이행 상태, 고장상태이다.
정상상태는 신품 변압기 또는 그에 준하는 변압기를 이전 설치한 경우로서 권선 도체 및 절연이 양호한 상태이다. 고장상태는 권선의 단선, 권선 간의 단락, 권선의 지락 등 고장이 발생한 상태이며, 이 경우 전력계통의 보호장치에 의해 변압기 전원이 즉시 차단된다. 고장이행 상태는 권선의 도체와 절연물 열화가 진행되어 고장징후가 발현되는 상태이며 계속 방치하면 단기간 내에 고장상태로 이행된다.
고장이행 상태에서는 부하전류에 의해 발생한 주울열이 그 부하전류로 예상되는 정상상태의 주울열보다 증가하는 특성을 발현하게 된다. 예상치 못한 변압기 고장(돌발적인 고장)은 변압기의 파손, 인명 손상, 정전으로 인한 재산 피해 등을 초래할 수 있으므로 변압기를 운전함에 있어서 고장징후를 감지하여 예방보전을 실시하는 것이 중요하다.
기존 방식으로는 고장징후를 감지하기 위해 변압기를 정전시킨 후 정기시험을 실시하고 있으나 주기적인 정전으로 인한 불편을 감수해야 하고 시험 주기 사이의 돌발적인 고장을 예방할 수 없다는 문제가 있다. 본 발명은 변압기를 정전시키지 않고도 고장징후를 실시간으로 감지하는 방법에 관한 것으로서 고장징후를 감지하게 되면 계획정전에 의해 재산손실 및 인명손상 없이 변압기 예방보전을 실시할 수 있게 된다.
본 발명을 변압기에 실시할 때의 발명의 구성요소(600)를 상세히 설명한다.
본 발명은 도5에 나타낸 바와 같이 변압기의 온도를 측정하기 위한 변압기 온도 측정 장치(610), 변압기의 부하전류(2차측 전류)를 측정하기 위한 부하전류 측정 장치(620), 변압기 부하전류에 포함되어 있는 고조파 전류의 차수와 크기를 측정하기 위한 고조파 전류 측정장치(630), 변압기 주변 공기의 온도와 습도를 측정하기 위한 공기 온습도 측정 장치(640), 변압기함 내부 공기를 냉각시키기 위한 냉각팬의 전력 측정 장치(650), 상기 측정 장치들로부터 시계열 빅데이터를 수집하고 인공지능에 의해 고장징후를 감지하는 역할을 수행하는 인공지능 컴퓨터(660), 고장징후를 감지하였을 때 전기설비 관리자에게 통보하는 경보장치(670)로 구성되어 있다.
변압기 온도 측정 장치(610)는 변압기(500)의 온도를 측정하는 장치로서, 변압기 구조 및 형상, 설치 환경 등에 따라 온도센서를 변압기 구조물에 인입하여 설치하는 방식, 변압기 구조물 표면에 부착하는 방식, 절연유가 있는 경우 절연유 탱크 내부에 설치하는 방식, 외함이 있는 경우 외함의 외부 표면에 부착하는 방식, 일정 거리로 이격된 장소에서 변압기 구조물 또는 외함의 표면 온도를 측정하는 적외선 열화상 측정방식 등이 가능하다. 변압기 온도 센서는 변압기 고장 징후가 있을 때 온도변화가 큰 위치에 설치하고, 설치용이성, 경제성 등을 고려하여 설치방법을 결정한다. 상기 변압기 온도 측정 장치(610)는 온도를 감지하는 아날로그 센서 뿐만 아니라 측정값을 디지탈로 수치화하여 인공지능 컴퓨터(660)가 바로 읽을 수 있도록 전달하는 기능을 포함하도록 구성된다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이 가능하다. 변압기 온도 측정 장치(610)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
부하전류 측정 장치(620)는 변압기(500)로부터 2차측 전로에 흐르는 부하전류의 크기를 측정하기 위한 것이며 전류 센서로는 관통형 변류기(CT) 등을 사용한다. 상기 부하전류 측정 장치(620)는 전류크기를 감지하는 아날로그 센서 뿐만 아니라 측정값을 디지탈로 수치화하여 인공지능 컴퓨터(660)가 바로 읽을 수 있도록 전달하는 기능을 포함하도록 구성된다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이 가능하다. 부하전류 측정 장치(620)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
고조파 전류 측정 장치(630)는 변압기 부하설비에 전력변환 장치 등 비선형 설비가 설치되어 부하전류에 고조파가 과도하게 발생하는 경우 고조파 전류(예: 3차,5차,7차 고조파 등)의 차수와 크기를 측정하기 위한 것으로서 활선상태에서 고조파 전류를 측정할 수 있는 클램프식 측정장치 등을 상시 설치해둔다. 상기 고조파 전류 측정 장치(630)는 측정값을 디지탈로 수치화하여 인공지능 컴퓨터(660)가 바로 읽을 수 있도록 전달하는 기능을 포함하도록 구성된다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이 가능하다. 만약 부하측에서 유출되는 고조파를 차단하도록 고조파 필터가 설치되어 있는 경우에는 고조파 전류 측정장치는 생략 가능하다. 고조파전류 측정 장치(630)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
공기 온습도 측정 장치(640)는 변압기 주변의 공기 온도와 습도를 측정하는 장치이며, 온습도 센서는 상기 설비온도 측정 장치(610)의 온도 센서와 가능한 한 가까운 곳에 설치한다. 상기 공기 온습도 측정 장치(640)는 공기의 온도와 습도를 감지하는 아날로그 센서 뿐만 아니라 측정값을 디지탈로 수치화하여 인공지능 컴퓨터(660)가 바로 읽을 수 있도록 전달하는 기능을 포함하도록 구성된다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이 가능하다. 공기 온습도 측정 장치(640)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
변압기 냉각팬 전력 측정 장치(650)는 과부하 등으로 인해 변압기 온도가 규정온도(예:55 ) 이상으로 상승 시 변압기함(큐비클) 내부공기를 냉각시키기 위해 설치해 둔 냉각팬의 전력을 측정하여 인공지능 컴퓨터(660)으로 전달하는 장치이다. 변압기 표면의 대류 열전달계수는 공기 흐름속도에 영향을 받으므로 냉각팬의 전력을 측정하여 그 차이를 반영한다. 단 냉각팬을 상시 가동하거나 냉각팬이 없는 변압기 운전환경이면 상기 냉각팬 전력 측정 장치(650)는 생략할 수 있다. 측정값 전달 방식은 유선 통신선 또는 무선 IoT 방식(블루투스,지그비 등 소출력 무선 또는 이동통신 모듈 탑재)이 가능하다. 냉각팬 전력 측정 장치(650)에 필요한 전원은 정류기로부터 직류전압을 급전하거나 저전력 무선 IoT 방식이면 건전지 방식도 가능하다.
인공지능 컴퓨터(660)는 상기 변압기 온도 측정 장치(610), 상기 부하전류 측정 장치(620), 상기 고조파 전류 측정 장치(630), 상기 공기 온습도 측정 장치(640), 상기 변압기 냉각팬 전력 측정 장치(650)로부터 시계열 빅데이터를 수집, 저장, 처리하여 인공지능 방식의 변압기 온도 예측 알고리즘을 학습시키며, 학습된 예측모델로 변압기 온도를 예측하고 측정한 온도와 비교하여 고장징후를 감지하는 역할을 수행한다. 또한 상기 인공지능 컴퓨터(660)는 고장징후 감지 결과를 경보장치(670)에 유선 또는 무선으로 통보하는 기능을 포함하는 특징을 가진다. 상기 인공지능 컴퓨터(660)는 본 발명에서 필요로 하는 기능과 성능을 가진 것으로서 일반 상업용으로 사용되는 가정용 또는 업무용 컴퓨터와는 형상이 다를 수 있는 일종의 인공지능 장치(특화된 장치)이다.
경보장치(670)는 설비관리자가 상시 머무르는 장소에 설치된 모니터, 부저,
비상등 등으로 조합하여 설치 가능하며, 상기 인공지능 컴퓨터(660)가 중앙감시실 등에 설치 되어 있는 경우 경보장치의 기능이 인공지능 컴퓨터(660)의 일부 기능으로 구현가능하므로 별도 장치는 생략될 수도 있다.
다음은 본 발명에서 인공지능에 의해 변압기 고장징후를 감지하는 방법을 설명한다. 변압기 고장징후 감지 방법은 도9와 함꼐 설명한 상기 직렬 전기설비 고장징후 감지 방법과 원리 상 동일하다.
변압기(500)가 정상상태에서 운전되는 동안 변압기 온도 측정 장치(610), 부하전류 측정 장치(620), 고조파 전류 측정 장치(630), 공기 온습도 측정 장치(640), 냉각팬 전력 측정 장치(650)로부터 시계열 빅데이터를 획득하여 인공지능 컴퓨터의 저장장치에 저장한다(441).
획득한 빅데이터에서 변압기 온도에 영향을 미치는 요소인 부하전류, 고조파 전류, 공기의 온도 및 습도, 냉각팬 전력 데이타를 Feature(독립변수)로 지정하고, 변압기 온도는 Label(종속변수)로 지정한다(442).
빅데이터를 이용하여 지도학습으로 인공지능 딥러닝 알고리즘(또는 선형회귀 알고리즘)을 학습시켜 정상상태의 변압기 온도 예측모델을 수립한다(443).
수립된 예측모델을 이용하여(444) 이후에 획득되는 부하전류(445), 고조파 전류(445), 공기 온도와 습도(445), 냉각팬 전력 데이터(445)로부터 변압기 온도를 예측한다(446).
도10에 단선고장 징후, 단락고장 징후, 지락고장 징후가 있을 경우의 발열량 특성을 나타냈다. 고장징후가 있으면 총발열량은 항상 정상상태의 발열량보다 많다. 변압기 온도 측정값(448)과 예측값(447)의 차이를 이동 시간구간별 합산한 값으로 아래와 같이 고장징후를 판정하고 경보장치 또는 설비관리자에게 통보한다(449).
고조파 전류(또는 전류제곱)와 발열량 관계는 비선형이다. 만약 고조파 전류가 무시되는 환경이면 발열량이 전류의 제곱에 비례하므로 빅데이터 전처리 단계(442)에서 단순 부하전류 대신 부하전류의 제곱을 이용함으로써, 좀 더 간단한 선형회귀(Linear Regression) 알고리즘으로도 변압기 온도 예측모델을 수립할 수 있다. 고조파 전류를 무시할 수 없는 환경이면 딥러닝으로 예측모델을 수립한다.
또한 변압기 온도의 변화는 열전달 과정에서 시간지연 효과, 각 상의 부하전류에 의한 주울열의 중첩효과로 인해 완만한 변화를 보인다. 이에 비해 각 상별 부하전류의 값은 실시간으로 급격히 변화할 수 있으므로 부하전류의 시계열 데이타는 원시데이타를 그대로 사용하지 않고 일정 시간구간 이동평균값(Moving Average Value)으로 처리하여 완만하게 변화하는 데이타로 만들어 이용한다(442).
본 발명의 또 다른 구체적인 실시예로서, 도8과 같이 2차 전로가 A,B,C 각 상이 3개씩으로 분기되는 배전반(또는 분전반)에 적용되는 경우에 대해 설명한다.
발명의 구성요소 중 부하전류 측정 장치(820)가 도1에서의 부하전류 측정 장치(420)와 비교하여 각 분기 전로마다 센서를 설치하여야 하므로 전류센서가 3배로 증가하고 예측모델 수립 시 포함되는 전류값의 수가 3배로 증가하는 것 이외의 모든 시나리오는 도1의 실시예와 동일하다.
기타 직렬 전기설비인 전력변환장치, 차단기, 스위치, 케이블 접속박스 등 정전시 파급효과가 큰 운전환경에 있는 전력설비에 대해 동일한 방식으로 본 발명을 적용할 수 있다.
100-직렬 전기설비
110-직렬 전기설비의 도체
111-전로의 단선 징후를 나타내는 저항
120-직렬 전기설비의 도체 절연층
121-도체 절연층 또는 보호용 절연층의 열화로 인한 선간 단락 징후
130-직렬 전기설비에 포함된 접점
140-직렬 전기설비 보호용 절연층
141-보호용 절연층의 열화로 인한 지락 징후
150-직렬 전기설비의 외함
160-직렬 전기설비의 접지선
200-직렬 전기설비의 1차측 전로
300-직렬 전기설비의 2차측 전로
400-직렬 전기설비에 적용한 본 발명의 구성요소
410-설비온도 측정 장치
420-부하전류 측정 장치
430-공기 온습도 측정 장치
440-인공지능 컴퓨터
450-경보 장치
500-변압기
510-변압기 철심
520-변압기 1차 권선
530-변압기 2차 권선
531-변압기 부하전류(2차전류)
532-변압기 2차측에서 본 등가저항
540-변압기 철심 내의 자속
541-철손전류
542-철손전류 등가저항
550-변압기 보호용 절연층
560-변압기 외함
570-변압기 접지선
600-변압기에 적용한 본 발명의 구성요소
610-변압기 온도 측정 장치
620-부하전류 측정 장치
630-고조파 전류 측정 장치
640-공기 온습도 측정 장치
650-냉각팬 전력 측정 장치
660-인공지능 컴퓨터
670-경보장치
700-배전반(분전반)
800-배전반(분전반)에 적용한 본 발명의 구성요소
810-설비온도 측정 장치
820-부하전류 측정 장치
830-공기 온습도 측정 장치
840-인공지능 컴퓨터
850-경보 장치
110-직렬 전기설비의 도체
111-전로의 단선 징후를 나타내는 저항
120-직렬 전기설비의 도체 절연층
121-도체 절연층 또는 보호용 절연층의 열화로 인한 선간 단락 징후
130-직렬 전기설비에 포함된 접점
140-직렬 전기설비 보호용 절연층
141-보호용 절연층의 열화로 인한 지락 징후
150-직렬 전기설비의 외함
160-직렬 전기설비의 접지선
200-직렬 전기설비의 1차측 전로
300-직렬 전기설비의 2차측 전로
400-직렬 전기설비에 적용한 본 발명의 구성요소
410-설비온도 측정 장치
420-부하전류 측정 장치
430-공기 온습도 측정 장치
440-인공지능 컴퓨터
450-경보 장치
500-변압기
510-변압기 철심
520-변압기 1차 권선
530-변압기 2차 권선
531-변압기 부하전류(2차전류)
532-변압기 2차측에서 본 등가저항
540-변압기 철심 내의 자속
541-철손전류
542-철손전류 등가저항
550-변압기 보호용 절연층
560-변압기 외함
570-변압기 접지선
600-변압기에 적용한 본 발명의 구성요소
610-변압기 온도 측정 장치
620-부하전류 측정 장치
630-고조파 전류 측정 장치
640-공기 온습도 측정 장치
650-냉각팬 전력 측정 장치
660-인공지능 컴퓨터
670-경보장치
700-배전반(분전반)
800-배전반(분전반)에 적용한 본 발명의 구성요소
810-설비온도 측정 장치
820-부하전류 측정 장치
830-공기 온습도 측정 장치
840-인공지능 컴퓨터
850-경보 장치
Claims (9)
- 직렬 전기설비의 온도를 측정하는 설비온도 측정 장치;
직렬 전기설비의 발열 영향 요소 측정 장치로서 부하전류 측정 장치;
직렬 전기설비의 방열 영향 요소 측정 장치로서 주변 공기의 온도와 습도를 측정하는 공기 온습도 측정 장치;
상기 측정 장치들로부터 획득한 시계열 빅데이터를 이용하여 인공지능 알고리즘에 의해 직렬 전기설비의 고장징후를 감지하는 인공지능 컴퓨터;
를 포함하여 구성되는 것을 특징으로 하는 인공지능 기반 전기설비 고장징후 감지 시스템 - 청구항 제1항에 있어서,
상기 인공지능 컴퓨터는 상기 설비온도 측정 장치, 상기 발열 영향 요소 측정 장치, 상기 방열 영향 요소 측정 장치로부터 시계열 빅데이터를 획득하여 내부의 저장장치에 저장하는 단계;
상기 인공지능 컴퓨터는 상기 시계열 빅데이터를 전처리하는 단계;
상기 인공지능 컴퓨터는 전처리한 시계열 빅데이터를 이용하여 상기 직렬 전기설비의 설비온도 예측 모델을 수립하는 단계;
상기 인공지능 컴퓨터는 수립된 설비온도 예측 모델과, 상기 발열 영향 요소 측정 장치와 상기 방열 영향 요소 측정 장치로부터 획득하는 데이터를 이용하여 상기 직렬 전기설비가 정상상태일 경우의 설비온도를 예측하는 단계;
상기 인공지능 컴퓨터는 아래 수식과 같이, 측정한 설비온도와 설비온도 예측값의 차이를 이동 시간구간별 합산한 값을 이용하여 직렬 전기설비의 고장징후를 감지하는 단계;
[,
이면 직렬 전기설비에 고장징후가 있는 것으로 판단함.
: 시간 n일 때로부터 이전 복수 개의 온도차 합산값
: 정상상태와 고장징후 상태를 구분하기 위한 문턱값
: 시간 k일 때 측정한 설비온도
: 시간 k일 때 예측한 정상상태 설비온도
: 온도차이를 합산하기 위한 개수]
를 포함하는 것을 특징으로 하는 인공지능 기반 전기설비 고장 징후 감지 시스템. - 청구항 제2항에 있어서,
상기 인공지능 설비온도 예측모델을 수립하기 위해 상기 부하전류 측정 장치로부터 획득한 부하전류를 이용하는 방법으로서, 부하전류의 급변 효과를 완화하기 위해 부하전류의 시간 구간 이동평균의 제곱값을 이용하고, 상기 인공지능 알고리즘으로서 선형회귀 또는 딥러닝을 이용하는 것을 특징으로 하는 인공지능 기반 전기설비 고장 징후 감지 시스템. - 변압기의 온도를 측정하는 변압기 온도 측정 장치;
변압기의 발열 영향 요소 측정 장치로서 부하전류 측정 장치;
변압기의 방열 영향 요소 측정 장치로서 주변 공기의 온도와 습도를 측정하는 공기 온습도 측정 장치;
상기 측정 장치들로부터 획득한 시계열 빅데이터를 이용하여 인공지능 알고리즘에 의해 변압기의 고장징후를 감지하는 인공지능 컴퓨터;
를 포함하여 구성되는 것을 특징으로 하는 인공지능 기반 전기설비 고장징후 감지 시스템. - 청구항 제4항에 있어서,
상기 변압기의 발열 영향 요소 측정 장치로서 부하전류의 고조파 차수별 전류 크기를 측정하는 고조파 전류 측정 장치를 추가적으로 포함하는 것을 특징으로 하는 인공지능 기반 전기설비 고장징후 감지 시스템. - 청구항 제4항에 있어서,
상기 변압기의 방열 영향 요소 측정 장치로서 변압기 주변 공기의 흐름 속도를 추가적으로 고려하기 위해 냉각팬의 전력 측정 장치를 추가적으로 포함하는 것을 특징으로 하는 인공지능 기반 전기설비 고장징후 감지 시스템. - 청구항 제4항에 있어서,
상기 변압기의 발열 영향 요소 측정 장치로서 부하전류의 고조파 차수별 전류 크기를 측정하는 고조파 전류 측정 장치; 그리고
상기 변압기의 방열 영향 요소 측정 장치로서 변압기 주변 공기의 흐름 속도를 추가적으로 고려하기 위해 냉각팬의 전력 측정 장치;
를 추가적으로 포함하는 것을 특징으로 하는 인공지능 기반 전기설비 고장징후 감지 시스템. - 청구항 제4항 내지 청구항 제7항 중 어느 한 항에 있어서,
상기 인공지능 컴퓨터는 상기 변압기 온도 측정 장치, 상기 발열 영향 요소 측정 장치, 상기 방열 영향 요소 측정 장치로부터 시계열 빅데이터를 획득하여 내부의 저장장치에 저장하는 단계;
상기 인공지능 컴퓨터는 상기 시계열 빅데이터를 전처리하는 단계;
상기 인공지능 컴퓨터는 전처리한 시계열 빅데이터를 이용하여 상기 변압기 온도 예측 모델을 수립하는 단계;
상기 인공지능 컴퓨터는 상기 수립된 변압기 온도 예측 모델과, 상기 발열 영향 요소 측정 장치와 상기 방열 영향 요소 측정 장치로부터 획득하는 데이터를 이용하여 상기 변압기가 정상상태일 경우의 변압기 온도를 예측하는 단계;
상기 인공지능 컴퓨터는 아래 수식과 같이, 측정한 변압기 온도와 상기 변압기 온도 예측값의 차이를 이동 시간구간별로 합산한 값을 이용하여 변압기의 고장징후를 감지하는 단계;
[,
이면 변압기에 고장징후가 있는 것으로 판단함.
: 시간 n일 때로부터 이전 복수 개의 온도차 합산값
: 정상상태와 고장징후 상태를 구분하기 위한 문턱값
: 시간 k일 때 측정한 변압기 온도
: 시간 k일 때 예측한 정상상태 변압기 온도
: 온도차이를 합산하기 위한 개수]
를 포함하는 것을 특징으로 하는 인공지능 기반 전기설비 고장 징후 감지 시스템. - 청구항 제8항에 있어서,
상기 변압기 온도 예측모델을 수립하기 위해 상기 발열 영향 요소 측정 장치로부터 획득한 부하전류를 이용하는 방법으로서, 부하전류의 급변 효과를 완화하기 위해 부하전류의 시간 구간 이동평균의 제곱값을 이용하고, 상기 인공지능 알고리즘으로서 선형회귀 또는 딥러닝을 이용하는 것을 특징으로 하는 인공지능 기반 전기설비 고장 징후 감지 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210132079A KR20230049226A (ko) | 2021-10-06 | 2021-10-06 | 인공지능 기반 전기설비 고장 징후 감지 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210132079A KR20230049226A (ko) | 2021-10-06 | 2021-10-06 | 인공지능 기반 전기설비 고장 징후 감지 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230049226A true KR20230049226A (ko) | 2023-04-13 |
Family
ID=85978798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210132079A KR20230049226A (ko) | 2021-10-06 | 2021-10-06 | 인공지능 기반 전기설비 고장 징후 감지 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230049226A (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593811A (zh) * | 2023-07-17 | 2023-08-15 | 南京欧陆电气股份有限公司 | 一种集成型变频器运行状态监测系统及监测方法 |
CN117272701A (zh) * | 2023-11-21 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
CN117892095A (zh) * | 2024-03-14 | 2024-04-16 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
-
2021
- 2021-10-06 KR KR1020210132079A patent/KR20230049226A/ko not_active Application Discontinuation
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593811A (zh) * | 2023-07-17 | 2023-08-15 | 南京欧陆电气股份有限公司 | 一种集成型变频器运行状态监测系统及监测方法 |
CN117272701A (zh) * | 2023-11-21 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
CN117272701B (zh) * | 2023-11-21 | 2024-03-08 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
CN117892095A (zh) * | 2024-03-14 | 2024-04-16 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
CN117892095B (zh) * | 2024-03-14 | 2024-05-28 | 山东泰开电力电子有限公司 | 一种储能系统用的散热系统故障智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20230049226A (ko) | 인공지능 기반 전기설비 고장 징후 감지 시스템 | |
Zhang et al. | Estimation of the lifetime of the electrical components in distribution networks | |
KR100685704B1 (ko) | 수배전반의 정보시각화를 위한 퍼지알고리즘 기법의 전력파라미터 산출방법 | |
US11506546B2 (en) | Systems and methods for measuring internal transformer temperatures | |
RU108855U1 (ru) | Стационарное устройство мониторинга, диагностики и защиты силовых трансформаторов без отключения их от нагрузки | |
Adapa et al. | Dynamic thermal ratings: monitors and calculation methods | |
US20160241153A1 (en) | Converters for wind turbine generators | |
Kim et al. | Installation and testing of SFCLs | |
Chothani et al. | Real-time monitoring & protection of power transformer to enhance smart grid reliability | |
Tenbohlen et al. | Assessment of overload capacity of power transformers by on-line monitoring systems | |
CN117113044A (zh) | 一种电网线损的智能预测分析方法及系统 | |
KR101133884B1 (ko) | 배전변압기 부하 관리장치 및 방법 | |
KR101376214B1 (ko) | 무정전 피크제어 시스템 및 하이브리드 감시제어 시스템이 설치된 케이블 덕트 취부형 수배전반(고압배전반, 저압배전반, 전동기제어반, 분전반) | |
US20210111561A1 (en) | Systems and methods for regulating voltage along a distribution bus | |
KR102340636B1 (ko) | 무효전력 보상형 지상변압기 | |
KR101627780B1 (ko) | 가공 송전선로 및 변전소기기 접속부 과열경보장치 | |
Zhang et al. | Assessment of the actual condition of the electrical components in medium-voltage networks | |
Goel et al. | Condition monitoring of transformer using oil and winding temperature analysis | |
Wetzer | Operation of transformers: Impact of harmonic loading on transformer losses | |
Syahputra et al. | Power Transformer Loading Analysis in order to improve the Reliability of a Substation | |
Meier et al. | A simple approach to conductor sizing and prolonging the thermal life of electrical cables below 1000 V for industrial and commercial applications | |
Chothani et al. | Transformer Infrastructure for Power Grid | |
Abdullah et al. | Surge Arrester Monitoring Implementation at 33kV Distribution Overhead Line in Malaysia | |
Sparling | Improved transformer temperature monitoring | |
Moldoveanu et al. | Smart Grids: Romanian experience in on-line monitoring and condition assessment of high voltage substations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |