KR20230095386A - Partial Discharge Diagnosis System Using Ultrasonic Measurement and Deep Learning Technique - Google Patents
Partial Discharge Diagnosis System Using Ultrasonic Measurement and Deep Learning Technique Download PDFInfo
- Publication number
- KR20230095386A KR20230095386A KR1020210184806A KR20210184806A KR20230095386A KR 20230095386 A KR20230095386 A KR 20230095386A KR 1020210184806 A KR1020210184806 A KR 1020210184806A KR 20210184806 A KR20210184806 A KR 20210184806A KR 20230095386 A KR20230095386 A KR 20230095386A
- Authority
- KR
- South Korea
- Prior art keywords
- partial discharge
- noise
- deep learning
- neural network
- convolutional neural
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005259 measurement Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 208000028659 discharge Diseases 0.000 claims description 156
- 230000006870 function Effects 0.000 claims description 18
- 238000007667 floating Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 239000012212 insulator Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000004020 conductor Substances 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction 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
- 230000005611 electricity Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis 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
- G01R31/12—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
- 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
- G01R31/1227—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 of components, parts or materials
-
- 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
Abstract
본 발명은 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템에 관한 것으로, 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는 데이터 입력부; 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리부; 및 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측부;를 포함하여 구성된다.The present invention relates to a system for diagnosing partial discharge using ultrasonic measurement and deep learning techniques, comprising: a data input unit for receiving partial discharge arc noise measured by an ultrasonic camera; a data pre-processing unit constituting a phase-based graph, which is a graph obtained by stacking and outputting the arc noise signals for one period; and a deep learning prediction unit that classifies and predicts the type of partial discharge arc noise of the phase-based graph using a convolutional neural network learned by the arc noise classification unit through deep learning using noise samples.
Description
본 발명은 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템에 관한 것으로, 보다 상세하게는 보다 간편하게 부분방전의 종류를 진단할 수 있는 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템에 관한 것이다.The present invention relates to a system for diagnosing partial discharge using ultrasonic measurement and deep learning, and more particularly, to a system for diagnosing partial discharge using ultrasonic measurement and deep learning, which can more conveniently diagnose the type of partial discharge.
발전소에서 산업체나 가정에 전기를 공급하기 위해서는 송전탑, 변전소 등 많은 과정을 거치게 되며 이러한 과정에서 고전압을 다루는 장비는 지속적인 전기충격으로 인하여 부품을 구성하는 재료의 내부나 외부에 손상이 생겨 부분 방전(PD, Partial Discharge)이 발생한다. 부분방전은 불완전한 전기방전으로 절연체사이 혹은 절연체와 도체사이에서 다양한 형태로 발생하며 장비의 노후화와 절연파단을 일으켜 화재나 단전의 주된 원인이 되기도 한다. 따라서 예측하지 못한 단전으로 인한 사회적 비용을 줄이기 위해서는 송 배전과 관련된 전기시설이나 장비는 주기적으로 점검하여 부품교체나 수리를 수행해야 한다.In order to supply electricity to industries or homes from a power plant, it goes through many processes such as transmission towers and substations. , Partial Discharge) occurs. Partial discharge is an incomplete electric discharge that occurs between insulators or between insulators and conductors in various forms, and causes aging of equipment and insulation breakage, which can be the main cause of fire or power outage. Therefore, in order to reduce social costs due to unexpected power outages, electric facilities or equipment related to transmission and distribution must be periodically inspected and parts replaced or repaired.
부분방전을 검출하는 일반적인 방법은 전선에 직접 센서를 부착하는 방법이 가장 정확하나 측정대상이 넓은 지역에 분포하며 더욱이 도 1과 같이 높은 위치에 놓인 송전탑 등은 접근이 용이하지 않은 불편함이 있다. 따라서 최근에는 부분방전 시 공기의 압력변동으로 발생하는 아크소음(arc noise)을 근거리에서 마이크폰(microphone)으로 측정하는 방법이 편리하지만 측정거리에 따라 신호의 강도가 달라지며 교류신호와의 동기화를 사용할 수 없어 진단의 정밀도가 낮아지는 단점이 있다.A general method for detecting partial discharge is to attach a sensor directly to a wire, but the measurement target is distributed over a wide area, and it is inconvenient that it is not easy to access a transmission tower located at a high position as shown in FIG. 1. Therefore, in recent years, it is convenient to measure the arc noise generated by air pressure fluctuations during partial discharge with a microphone at a short distance, but the strength of the signal varies depending on the measurement distance, and synchronization with the AC signal is difficult. There is a disadvantage that the precision of diagnosis is lowered because it cannot be used.
부분 방전은 불완전한 전기방전으로 절연체사이 혹은 절연체와 도체사이에서 발생한다. 절연은 고체, 액체, 기체 그리고 어느 조합으로도 가능하므로 부분방전의 종류는 매우 다양하다. 일반적으로 절연물 내부의 공극(void)이나 균열로 생겨나는 Void PD, Tree PD 그리고 비균질 기체 절연에서 발생하는 Corona PD, 도전성 물질과 전극사이에서 발생하는 Floating PD, 절연물의 경계에서 발생하는 Surface PD 등으로 분류할 수 있다.Partial discharge is an incomplete electrical discharge that occurs between insulators or between an insulator and a conductor. Since insulation can be solid, liquid, gas, and any combination, there are many types of partial discharge. In general, there are Void PD, Tree PD, which are generated by voids or cracks inside the insulator, Corona PD, which occurs in inhomogeneous gas insulation, Floating PD, which occurs between a conductive material and an electrode, and Surface PD, which occurs at the boundary of an insulator. can be classified.
부분방전 신호는 일반적으로 HFCT (High Frequency Current Transformer), 커플링 캐퍼시터(coupling capacitor) 등 전자기 방식의 센서를 이용하여 신호의 크기를 측정하고 이를 도 2와 같이 교류 원신호와 동기화를 시키면 위상기반 그래프를 얻을 수 있다. 즉 60 Hz의 교류신호가 주기적으로 가해지므로 반복된 방전형태가 1/60 초의 간격으로 나타난다. 그리고 부분방전 조건에 따라 즉 재료의 특성이나 경계조건 등에 따라 고유한 위상기반 신호형태를 얻을 수 있으므로 이를 이용해서 부분방전의 종류를 분류할 수 있다.The partial discharge signal is generally measured using an electromagnetic sensor such as a high frequency current transformer (HFCT) or a coupling capacitor, and when synchronized with the original AC signal as shown in FIG. 2, a phase-based graph is obtained. can be obtained. That is, since an AC signal of 60 Hz is applied periodically, repeated discharge patterns appear at intervals of 1/60 second. In addition, since a unique phase-based signal type can be obtained according to the partial discharge condition, that is, depending on the characteristics of the material or the boundary condition, the type of partial discharge can be classified using this.
고전압이 흐르는 전선에 전자기방식 센서를 부착하는 방법은 설치의 불편함과 전자기 간섭(interference)이 존재하여 다른 대안으로 부분방전 시 발생하는 진동을 고전압장비 외부 표면에서 진동센서로 측정하는 방법과 공기를The method of attaching an electromagnetic sensor to a wire with high voltage is inconvenient to install and there is electromagnetic interference. As an alternative, a method of measuring vibration generated during partial discharge with a vibration sensor on the outer surface of high voltage equipment and
통해서 전달된 진동 음파를 마이크폰을 이용해서 측정하는 방법이 제시되었다. 부분방전이 발생한 지점에서 장비 외부 표면까지 연결된 구성부품을 통해서 전달되는 미세진동 신호는 전원과의 동기화도 가능하고 측정 감도(sensitivity)도 높일 수 있다. 반면에 부분방전 시 발생하는 아크로 인한 공기진동을 원격에서 마이크폰을 이용하여 측정하는 방법은 어느 위치에서도 용이하게 신호를 측정할 수 있는 장점이 있으나 주변소음과 비교할 때 측정거리가 멀어지면 방전소음 신호의 크기가 작아지고 전원과의 동기화도 수행할 수 없는 단점이 존재한다.A method of measuring vibrating sound waves transmitted through a microphone using a microphone has been proposed. The microvibration signal transmitted through the components connected from the point where the partial discharge occurred to the outer surface of the equipment can be synchronized with the power source and increase the sensitivity of the measurement. On the other hand, the method of measuring the air vibration caused by the arc generated during partial discharge remotely using a microphone has the advantage of being able to easily measure the signal at any location, but compared to the ambient noise, if the measurement distance is large, the discharge noise signal There is a disadvantage in that the size of is small and synchronization with power cannot be performed.
신경망을 이용한 딥러닝기술이 데이터 통계적 분석에 다양하게 사용됨에 따라 해당기술이 부분방전 신호처리에도 적용되고 있다. 센서에서 측정된 시간에 대한 부분방전 신호를 순환신경망을 이용해서 학습하여 부분방전의 종류를 분류하거나, 부분방전으로 인한 진동신호를 SDFT (Short Duration Fourier Transform) 과정으로 계산된 주파수에 대한 신호형태를 학습하여 부분방전의 종류를 분류하였다. 그리고 전원과 동기화가 가능할 경우 분석성능이 높은 위상 기반 부분방전 신호형태를 학습하여 부분방전의 종류를 분류하였으나, 부분방전의 아크소음을 이용하는 측정방법의 경우에는 추가적인 신호처리과정 없이 다수의 마이크폰에서 측정한 원신호를 학습하여 부분방전의 위치만을 예측할 수 있는 단점이 있었다.As deep learning technology using neural networks is widely used for data statistical analysis, the technology is also applied to partial discharge signal processing. The partial discharge signal for the time measured by the sensor is learned using a recurrent neural network to classify the type of partial discharge, or the signal form for the frequency calculated by the SDFT (Short Duration Fourier Transform) process for the vibration signal caused by the partial discharge The types of partial discharge were classified by learning. In addition, when synchronization with the power supply is possible, the type of partial discharge was classified by learning the phase-based partial discharge signal shape with high analysis performance. There was a disadvantage that only the position of partial discharge could be predicted by learning the measured original signal.
본 발명은 전술한 문제를 해결하기 위해 안출된 것으로서, 본 발명에 따르면 고전압 전기장비의 부분방전으로 인한 단전피해를 줄이기 위해서 사용이 간편한 진단방법을 제시하고자 한다. 보다 상세하게는, 센서를 고전압 전선에 직접 부착방식이 아니라 원거리에서 안전하게 마이크를 이용하여 부분방전으로 발생하는 아크소음을 측정하고, 측정된 신호를 위상기반 그래프 형태로 변환한 후 학습된 인공지능을 통해서 부분방전의 발생여부와 부분방전의 종류를 예측할 수 있도록 하고자 한다.The present invention has been made to solve the above problems, and according to the present invention, an easy-to-use diagnosis method is proposed to reduce short circuit damage due to partial discharge of high voltage electrical equipment. More specifically, instead of directly attaching the sensor to the high-voltage wire, arc noise generated by partial discharge is measured using a microphone safely from a distance, and the measured signal is converted into a phase-based graph form, and then the learned artificial intelligence is applied. Through this, we want to be able to predict the occurrence of partial discharge and the type of partial discharge.
또한, 본 발명에 따른 부분방전 진단 시스템을 소음을 측정하는 휴대용 초음파카메라에 탑재하여, 가스검침원과 같이 비전문가도 초음파카메라를 휴대하고 부분방전 검사를 수행할 수 있도록 하여, 보다 넓은 지역에 분포한 고전압 시설들의 진단검사를 효과적으로 수행할 수 있도록 하고자 한다.In addition, the partial discharge diagnosis system according to the present invention is mounted on a portable ultrasonic camera that measures noise so that non-professionals such as gas meter inspectors can carry the ultrasonic camera and perform partial discharge tests, thereby providing a high voltage distributed over a wider area. It is intended to enable facilities to effectively perform diagnostic tests.
전술한 문제를 해결하기 위한 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템은 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는 데이터 입력부; 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리부; 및 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측부;를 포함하여 구성된다.A system for diagnosing partial discharge using ultrasonic measurement and deep learning techniques according to an embodiment of the present invention for solving the above problems includes a data input unit for receiving partial discharge arc noise measured by an ultrasonic camera; a data pre-processing unit constituting a phase-based graph, which is a graph obtained by stacking and outputting the arc noise signals for one period; and a deep learning prediction unit that classifies and predicts the type of partial discharge arc noise of the phase-based graph using a convolutional neural network learned by the arc noise classification unit through deep learning using noise samples.
본 발명의 다른 일실시예에 따르면, 상기 합성곱 신경망은 1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성할 수 있다.According to another embodiment of the present invention, the convolutional neural network is constructed by stacking three one-dimensional convolutional neural networks, and each one-dimensional convolutional neural network is synthesized in order to extract a local shape from the entire phase range of 1600. A maximum pooling layer is sequentially stacked on the convolutional neural network layer, and each convolutional neural network layer uses a relu (rectified linear unit) activation function, and only the last layer uses softmax as an activation function for classification. Thus, a convolutional neural network can be constructed.
본 발명의 다른 일실시예에 따르면, 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하는 딥러닝 학습부;를 더 포함할 수 있다.According to another embodiment of the present invention, the convolution using surface partial discharge noise, corona partial discharge noise, floating partial discharge noise, machine noise, and human noise It may further include; a deep learning learning unit for deep learning the neural network.
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측부는 상기 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.According to another embodiment of the present invention, the deep learning prediction unit uses a convolutional neural network learned by the arc noise classifier by deep learning using noise samples, and converts the phase-based graph to surface partial discharge (Surface Partial Discharge). Discharge noise, corona partial discharge noise, floating partial discharge noise, machine noise, or human noise can be classified and predicted.
본 발명 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 방법은 데이터 입력부가 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는 데이터 입력 단계; 데이터 전처리부가 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리 단계; 및 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측 단계;를 포함하여 구성될 수 있다.A method for diagnosing partial discharge using ultrasonic measurement and deep learning techniques according to an embodiment of the present invention includes a data input step of receiving partial discharge arc noise measured by an ultrasonic camera by a data input unit; a data pre-processing step of constructing a phase-based graph, which is a graph in which the arc noise signal is stacked and output for one period by a data pre-processor; and a deep learning prediction step of classifying and predicting the type of partial discharge arc noise of the phase-based graph using a convolutional neural network learned by deep learning using noise samples by a deep learning prediction unit. there is.
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측 단계의 이전에, 상기 합성곱 신경망은 1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성하는 합성곱 신경망 구성 단계;를 더 포함할 수 있다.According to another embodiment of the present invention, before the deep learning prediction step, the convolutional neural network is configured by stacking three one-dimensional convolutional neural networks, and each one-dimensional convolutional neural network has 1600 total phase ranges. In order to extract local shapes, maximum pooling layers are successively stacked on each convolutional neural network layer, and each convolutional neural network layer uses a relu (rectified linear unit) activation function and only the last layer is classified It may further include a convolutional neural network construction step of constructing a convolutional neural network using softmax as an activation function to do this.
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측 단계의 이전에, 딥러닝 학습부가 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하는 딥러닝 학습 단계;를 더 포함할 수 있다.According to another embodiment of the present invention, prior to the deep learning prediction step, the deep learning learning unit generates Surface Partial Discharge noise, Corona Partial Discharge noise, and Floating Partial Discharge noise. ) a deep learning step of deep learning learning the convolutional neural network using noise, machine noise, and human noise;
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측 단계는 상기 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.According to another embodiment of the present invention, the deep learning prediction step uses a convolutional neural network learned by the deep learning prediction unit by deep learning using noise samples, and converts the phase-based graph to surface partial discharge (Surface Partial Discharge). It can be predicted by classifying it into Partial Discharge noise, Corona Partial Discharge noise, Floating Partial Discharge noise, machine noise, or human noise.
본 발명에 따르면 고전압 전기장비의 부분방전으로 인한 단전피해를 줄이기 위해서 사용이 간편한 진단방법을 제시할 수 있다. 보다 상세하게는, 센서를 고전압 전선에 직접 부착방식이 아니라 원거리에서 안전하게 마이크를 이용하여 부분방전으로 발생하는 아크소음을 측정하고, 측정된 신호를 위상기반 그래프 형태로 변환한 후 학습된 인공지능을 통해서 부분방전의 발생여부와 부분방전의 종류를 예측할 수 있다.According to the present invention, an easy-to-use diagnosis method can be presented in order to reduce short circuit damage due to partial discharge of high voltage electrical equipment. More specifically, instead of directly attaching the sensor to the high-voltage wire, arc noise generated by partial discharge is measured using a microphone safely from a distance, and the measured signal is converted into a phase-based graph form, and then the learned artificial intelligence is applied. Through this, it is possible to predict the occurrence of partial discharge and the type of partial discharge.
또한, 본 발명에 따른 부분방전 진단 시스템을 소음을 측정하는 휴대용 초음파카메라에 탑재할 경우, 가스검침원과 같이 비전문가도 초음파카메라를 휴대하고 부분방전 검사를 수행할 수 있으므로, 보다 넓은 지역에 분포한 고전압 시설들의 진단검사를 효과적으로 수행할 수 있다.In addition, when the partial discharge diagnosis system according to the present invention is mounted on a portable ultrasonic camera that measures noise, non-experts such as gas meter inspectors can carry the ultrasonic camera and carry out partial discharge inspection, so that high voltage distributed over a wider area It can effectively carry out diagnostic tests of facilities.
도 1은 송전탑에서의 부분방전 발생을 설명하기 위한 도면이다.
도 2는 부분방전 위상기반 그래프의 측정원리를 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템의 구성도이다.
도 4는 본 발명의 일실시예에 따른 부분방전 실험을 위한 시편을 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 부분방전으로 인한 아크소음의 신호 형태를 도시한 그래프이다.
도 6은 본 발명의 일실시예에 따른 부분방전의 위상기반 그래프이다.
도 7은 본 발명의 일실시예에 따른 위상축 이동에 의해 변화된 위상기반 그래프이다.
도 8 및 도 9는 각각 공기압축기와 생활소음 중 사람 음성의 원소음 신호와 위상기반 그래프이다.
도 10은 본 발명의 일실시예에 따른 훈련용 샘플과 검증샘플의 손실함수를 도시한 그래프이다.
도 11은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 방법을 설명하기 위한 흐름도이다.1 is a diagram for explaining the occurrence of partial discharge in a transmission tower.
2 is a diagram for explaining a measurement principle of a partial discharge phase-based graph.
3 is a block diagram of a partial discharge diagnosis system using ultrasonic measurement and deep learning techniques according to an embodiment of the present invention.
4 is a view showing a specimen for a partial discharge experiment according to an embodiment of the present invention.
5 is a graph showing the signal form of arc noise due to partial discharge according to an embodiment of the present invention.
6 is a phase-based graph of partial discharge according to an embodiment of the present invention.
7 is a phase-based graph changed by movement of the phase axis according to an embodiment of the present invention.
8 and 9 are graphs of an elemental sound signal and a phase-based graph of a human voice among air compressors and life noise, respectively.
10 is a graph showing loss functions of training samples and verification samples according to an embodiment of the present invention.
11 is a flowchart illustrating a method for diagnosing partial discharge using ultrasonic measurement and deep learning techniques according to an embodiment of the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present invention can apply various transformations and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, it should be understood that this is not intended to limit the present invention to specific embodiments, and includes all transformations, equivalents, and substitutes included in the spirit and scope of the present invention.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.In describing the present invention, if it is determined that a detailed description of related known technologies may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, numbers (eg, first, second, etc.) used in the description process of this specification are only identifiers for distinguishing one component from another component.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다. 또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.In addition, throughout the specification, when an element is referred to as "connected" or "connected" to another element, the element may be directly connected or directly connected to the other element, but in particular Unless otherwise described, it should be understood that they may be connected or connected via another component in the middle. In addition, throughout the specification, when a certain component is said to "include", it means that it may further include other components without excluding other components unless otherwise stated. In addition, terms such as "unit" and "module" described in the specification mean a unit that processes at least one function or operation, which means that it can be implemented as one or more hardware or software or a combination of hardware and software. .
본 발명에서는 아크 소음신호를 분석하여 부분방전의 진단을 전문가의 도움 없이도 자율적으로 예측할 수 있는 기능을 딥러닝 방법을 이용하여 구현한다. 인공지능 학습에 필요한 부분방전 데이터를 확보하기 위해 실험실환경에서 다양한 부분방전 실험을 수행하였다. 그리고 아크 소음신호의 특성을 형상화하기 위해서 위상기반(phase resolved) 신호처리기법을 적용한 후 이를 신경망의 입력으로 사용하였다.In the present invention, a function that can autonomously predict the diagnosis of partial discharge without the help of an expert by analyzing the arc noise signal is implemented using a deep learning method. To secure the partial discharge data necessary for artificial intelligence learning, various partial discharge experiments were performed in a laboratory environment. In order to shape the characteristics of the arc noise signal, a phase resolved signal processing technique was applied and used as an input to the neural network.
신경망은 위상기반 신호의 형태를 학습하기 용이하도록 합성곱 신경망(CNN, Convolution Neural Network)으로 구현하였으며 실제 환경에서의 응용을 위해서 데이터 학습 시 기계소음과 사람음성과 같은 비주기적인 생활소음을 포함하여 학습하도록 하였다.The neural network is implemented as a Convolution Neural Network (CNN) to facilitate learning the shape of phase-based signals. made to learn
이를 통해 본 발명에서는 부분방전 진단에 있어서 측정의 편리성을 가지면서 위상기반 그래프의 우수한 분석기능을 그대로 활용할 수 있는 딥러닝(deep learning) 기법을 제시한다. 이를 위해서 상대적으로 부분방전 아크소음이 생활소음에 비해서 큰 크기를 가지는 초음파영역까지 측정할 수 있는 마이크폰 센서를 가지고 부분방전 아크소음을 측정한다. 그리고 측정된 신호를 이용해서 전원과의 동기화를 하지 않고 위상 기반 신호형태를 계산한 후 이를 합성곱 신경망의 입력으로 사용하고 출력으로 부분방전의 종류를 예측하도록 지도방식의 딥러닝 기법을 적용한다.Through this, the present invention proposes a deep learning technique that can utilize the excellent analysis function of the phase-based graph as it is while having the convenience of measurement in diagnosing partial discharge. To this end, the partial discharge arc noise is measured with a microphone sensor that can measure up to the ultrasonic range where the partial discharge arc noise is relatively larger than the living noise. Then, after calculating the phase-based signal shape without synchronizing with the power supply using the measured signal, it is used as an input to the convolutional neural network and a supervised deep learning technique is applied to predict the type of partial discharge as an output.
도 3은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템의 구성도이고, 도 4 내지 도 9는 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템을 설명하기 위한 도면이다.3 is a schematic diagram of a partial discharge diagnosis system using ultrasonic measurement and deep learning technique according to an embodiment of the present invention, and FIGS. 4 to 9 are diagrams using ultrasonic measurement and deep learning technique according to an embodiment of the present invention. It is a drawing for explaining the partial discharge diagnosis system.
본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템(100)은 서버, 컴퓨터 단말, 전용 장치 또는 하나의 모듈로 구성될 수 있다.The partial
도 3을 참조하면, 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템(100)은 데이터 입력부(110), 데이터 전처리부(120), 딥러닝 학습부(130) 및 딥러닝 예측부(140)를 포함하여 구성될 수 있다.Referring to FIG. 3 , the partial
실제 송배전 시설에서 원하는 종류의 부분방전을 측정하기 어렵기 때문에, 본 발명의 일실시예에 따르면 부분방전의 데이터를 설정된 실험실 환경에서 구할 수 있다.Since it is difficult to measure a desired type of partial discharge in an actual power transmission and distribution facility, according to an embodiment of the present invention, partial discharge data can be obtained in a set laboratory environment.
도 4는 본 발명의 일실시예에 따른 부분방전 실험을 위한 시편을 도시한 도면이다.4 is a view showing a specimen for a partial discharge experiment according to an embodiment of the present invention.
먼저 도 4와 같이 세 가지 종류의 부분방전으로서 표면 부분 방전(surface PD: Surface Partial Discharge), 코로나 부분 방전(corona PD: Corona Partial Discharge), 부동 부분 방전(floating PD: Floating Partial Discharge)이 발생하도록 시편을 설계 제작하였다. 그리고 시편을 고전압 발 생장치에 연결한 후 1 kV 이상 전압영역에서 지속적으로 부분방전이 발생하도록 하였다. 아크소음은 도 1에서와 같이 시각적으로 소음의 위치가 표시되는 기능을 가진 BatCam(에스엠인스트루먼트사, 한국) 초음파카메라를 이용하여 방전시편에서 50 cm 떨어진 지점에서 측정하였다.First, surface partial discharge (PD: Surface Partial Discharge), corona partial discharge (Corona PD: Corona Partial Discharge), and floating partial discharge (PD: Floating Partial Discharge) are generated as three types of partial discharges as shown in FIG. Specimens were designed and manufactured. After connecting the specimen to a high voltage generator, partial discharge was continuously generated in the voltage range of 1 kV or higher. Arc noise was measured at a
도 5는 본 발명의 일실시예에 따른 부분방전으로 인한 아크소음의 신호 형태를 도시한 그래프이다.5 is a graph showing the signal form of arc noise due to partial discharge according to an embodiment of the present invention.
도 5에서와 같이 측정된 아크 소음신호의 크기를 1초 동안 시간 축에 대해서 출력한 그림으로 피크가 나타난 시간에 부분 방전이 발생하고 있다. 세 가지 종류의 부분방전이 서로 다른 특성을 보여주고 있으며 surface PD가 1초에 120회 정도의 피크를 보여주는 반면 corona PD와 floating PD는 1초에 60회 정도의 피크를 보여주고 있다. 피크가 발생하는 부분을 0.002초의 구간으로 확대하면 하나의 피크는 보다 빠른 주파수의 정현파가 지수적으로 커졌다가 작아지는 파형으로 나타난다. 그리고 floating PD의 경우 다른 종류의 신호에 비해 각 피크마다 크기가 다른 것을 보여주고 있다.As shown in FIG. 5, partial discharge occurs at the time when the peak appears in the figure in which the magnitude of the measured arc noise signal is output on the time axis for 1 second. The three types of partial discharge show different characteristics. Surface PD shows peaks of about 120 times per second, while corona PD and floating PD show about 60 peaks per second. If the part where the peak occurs is enlarged to a section of 0.002 seconds, one peak appears as a waveform in which a sine wave with a faster frequency increases exponentially and then decreases. And in the case of floating PD, it shows that the size of each peak is different compared to other types of signals.
상기 데이터 입력부(110)는 이와 같이 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는다.The
도 6은 본 발명의 일실시예에 따른 부분방전의 위상기반 그래프이다.6 is a phase-based graph of partial discharge according to an embodiment of the present invention.
상기 데이터 전처리부(120)는 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성한다.The data
부분방전은 교류전기에 의해 발생하므로 한 주기인 1/60초 마다 반복적인 특성을 보이며 이를 하나의 주기(위상으로는 360 degree)에 대해서 적층해서 출력한 그래프를 위상 기반(phase resolved) 그래프라 지칭하며, 도 5에서 보여준 소음신호를 동일한 방법으로 한 주기의 위상축(1/60초가 360 degree 해당)에 맞추어 표시하면 도 6에 도시된 바와 같다. 초음파 카메라의 소음측정 주파수가 96 kHz이므로 60 Hz의 교류에 대해서 계산하면 위상축 눈금(slot) 갯수는 1600개다. 그리고 도 6은 모든 신호 데이터의 크기를 표시하는 기존의 위상기반 그래프와는 다르게 각 위상축 눈금위치에 해당하는 신호크기들의 (1초 동안 측정했다면 60개의 데이터) 평균값을 표시하였으며 위상기반 그래프 출력을 위한 계산과 정은 LabVIEW 프로그램을 이용하여 코딩하였다.Since partial discharge is caused by alternating current, it shows repetitive characteristics every 1/60 second, which is one cycle, and the graph output by stacking them for one cycle (360 degrees in phase) is called a phase resolved graph. When the noise signal shown in FIG. 5 is displayed along the phase axis of one period (1/60 second corresponds to 360 degrees) in the same way, it is as shown in FIG. Since the noise measurement frequency of the ultrasonic camera is 96 kHz, the number of phase axis slots is 1600 when calculated for 60 Hz alternating current. And, unlike the conventional phase-based graph that displays the magnitude of all signal data, FIG. 6 displays the average value of the signal magnitudes (60 data if measured for 1 second) corresponding to each phase axis scale position, and the output of the phase-based graph The calculation process for this was coded using the LabVIEW program.
도 6의 아크소음의 위상기반 그래프의 형태를 살펴보면 surface PD의 경우 한 주기 동안 큰 피크 하나와 작은 피크 하나가 생성이 된다. 즉 교류의 양의 영역과 음의 영역에서 각각 하나의 방전피크가 생성된 것으로 분석된다. Corona PD의 경우 하나의 피크만 발생하였으며 floating PD의 경우 두 개의 피크가 발생하나 피크의 형태가 surface PD의 피크 형태와는 구분되게 다른 것을 알 수 있다.Looking at the shape of the phase-based graph of arc noise in FIG. 6, in the case of surface PD, one large peak and one small peak are generated during one cycle. That is, it is analyzed that one discharge peak is generated in each of the positive and negative regions of the alternating current. In the case of Corona PD, only one peak occurred, and in the case of floating PD, two peaks occurred, but the shape of the peak was distinctly different from that of surface PD.
도 7은 본 발명의 일실시예에 따른 위상축 이동에 의해 변화된 위상기반 그래프이다.7 is a phase-based graph changed by movement of the phase axis according to an embodiment of the present invention.
앞서 설명한 바와 같이, 아크소음으로 부분방전의 크기를 출력하면 위상을 동기화할 수 없으므로 실험에서 얻어진 데이터를 가지고 위상기반 그래프를 구하면, 도 7과 같이 동일한 부분방전의 실험장치에서 서로 다른 위상기반 그래프가 얻어진다. 그러나 동기화가 수행되지 않아 위상이 일치하지 않을 뿐 그래프 모양을 위상축에 대해 평행이동 하면 동일한 모양으로 겹쳐질 수 있음을 알 수 있다. 따라서 본 발명에서는 위상의 절대위치에 따른 신호크기의 형태로 부분방전을 분류하기보다는 지역적인 신호의 모양을 학습하여 부분방전의 종류를 분류하고자 한다.As described above, if the magnitude of the partial discharge is output as arc noise, the phase cannot be synchronized, so if a phase-based graph is obtained using the data obtained in the experiment, different phase-based graphs are obtained in the same partial discharge experimental device as shown in FIG. is obtained However, it can be seen that the phases do not coincide because synchronization is not performed, and the same shape can be overlapped if the graph shape is moved in parallel with respect to the phase axis. Therefore, in the present invention, rather than classifying partial discharge in the form of signal magnitude according to the absolute position of the phase, it is intended to classify the type of partial discharge by learning the shape of the local signal.
이를 위해서 본 발명에서는 데이터들의 지역적 형태를 학습하는데 효과적인 합성곱 신경망을 이용하였다. 즉 얼굴 인식 인공지능이 카메라에 촬영된 얼굴이 화면 상하좌우 어느 위치에 포착되어도 눈, 코 등 얼굴의 지역적 형태로 해당 사람이 누구인지 인식하듯이 아크소음의 위상기반 그래프의 형태를 신경망의 입력으로 하여 학습한 후 부분방전의 종류를 인식하도록 한다.To this end, the present invention uses a convolutional neural network that is effective in learning the local shape of data. In other words, just as face recognition artificial intelligence recognizes who the person is based on the regional shape of the face, such as the eyes and nose, even if the face captured by the camera is captured at any position on the top, bottom, left, or right of the screen, the phase-based graph of arc noise is input to the neural network. After learning, recognize the type of partial discharge.
동기화가 되지 않은 부분방전 위상기반 그래프의 형태를 효과적으로 학습하기 위해서 1D 합성곱 신경망을 3개로 적층하였다. 첫 번째 층의 신경망 입력은 1600개의 위상축 눈금(slot)에 대한 소음신호의 크기 값이 되어야 하므로 1600의 원소를 가진 벡터가 된다. 실제 학습 시 빠른 최적화를 위해 16개의 입력 벡터가 배치(batch) 방식으로 행렬로 입력된다.In order to effectively learn the shape of the partial discharge phase-based graph that is not synchronized, three 1D convolutional neural networks are stacked. The neural network input of the first layer is a vector with 1600 elements because it should be the magnitude value of the noise signal for 1600 phase axis slots. For fast optimization during actual learning, 16 input vectors are input as a matrix in a batch method.
그리고 1600개(96 kHz 샘플링으로 측정시; 96 kHz/60 Hz = 1600) 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하였다. 각 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하였으며 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 'softmax'를 사용하였다. 신경망의 출력은 세 개의 부분방전 종류(surface PD, corona PD, floating PD)를 예측하는 것으로 실제 응용을 위해서 방전이 발생하지 않는 경우도 고려하였다.In order to extract local shapes in the entire phase range of 1600 (measured with 96 kHz sampling; 96 kHz/60 Hz = 1600), maximum pooling layers were sequentially stacked on each convolutional neural network layer. Each neural network layer used a relu (rectified linear unit) activation function, and 'softmax' was used as an activation function to classify only the last layer. The output of the neural network predicts three types of partial discharge (surface PD, corona PD, and floating PD), and the case where no discharge occurs is also considered for practical applications.
상기 딥러닝 학습부(130)는 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습할 수 있다.The deep
이를 위해서 먼저 주기적인 기계음을 내는 소음으로 공기압축기(compressor)의 소음을 측정하여 하나의 분류 군으로 학습하였으며 두 번째로 사람 발소리, 사람 음성, 스마트폰에서 나오는 소음을 합쳐서 비주기적인 생활소음으로 분류 군을 설정하여 학습하였다.To this end, first, the noise of the air compressor was measured as a noise that produces periodic mechanical sounds and learned as one classification group. Second, human footsteps, human voices, and noise from smartphones were combined and classified as aperiodic life noise Groups were set up and learned.
상기 딥러닝 예측부(140)는 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측한다.The deep
도 8 및 도 9는 각각 공기압축기와 생활소음 중 사람 음성의 원소음 신호와 위상기반 그래프이다.8 and 9 are graphs of an elemental sound signal and a phase-based graph of a human voice among air compressors and life noise, respectively.
압축기의 경우 원신호 자체는 주기적인 특성을 보이나 위상 기반 그래프에는 백색잡음(white noise)과 같은 형태를 보이며 사람음성은 원신호는 비주기적인 형태이나 위상기반 그래프는 다른 소음과 구별되는 특성을 보여주고 있다.In the case of the compressor, the original signal itself shows periodic characteristics, but the phase-based graph shows white noise, and the original signal of human voice has an aperiodic shape, but the phase-based graph shows characteristics that distinguish it from other noises. are giving
따라서 제시한 인공지능의 목적은 부분방전 발생이 의심되는 환경에서 측정된 소음을 입력하였을 때 학습된 신경망을 통해서 5개의 소음 종류 중 하나를 예측하는 것이다. 즉 부분방전 발생 유무와 부분방전이 발생했다면 어느 종류인지를 예측하여 이에 맞는 수리방법을 준비하도록 하는 것이다.Therefore, the purpose of the proposed artificial intelligence is to predict one of the five types of noise through the learned neural network when the measured noise is input in an environment where partial discharge is suspected. In other words, it is to predict whether or not partial discharge has occurred and, if partial discharge has occurred, to prepare a suitable repair method.
[표 1][Table 1]
[표 2][Table 2]
표 1은 제안된 신경망의 층 구조와 관련 매개변수를 요약해서 보여주며 표 2는 딥러닝을 위해서 수집한 각 소음의 종류와 샘플의 개수이다. 전체 샘플은 설계한 신경망의 적절성 분석을 위해서 균등하게 훈련용, 검증용, 테스트용으로 3등분하였으며 실제 분류예측 성능은 테스트용 샘플만을 가지고 수행하였다. 딥러닝을 위한 코딩은 파이썬(python) 프로그램을 이용하고 텐서플로(tensorflow)를 기반으로 케라스(keras) 라이브러리를 사용하였다.Table 1 summarizes the layer structure and related parameters of the proposed neural network, and Table 2 shows the type of noise and the number of samples collected for deep learning. The entire sample was equally divided into 3 parts for training, verification, and testing to analyze the adequacy of the designed neural network, and the actual classification prediction performance was performed with only the test sample. For coding for deep learning, a Python program was used and a Keras library based on tensorflow was used.
도 10은 본 발명의 일실시예에 따른 훈련용 샘플과 검증샘플의 손실함수를 도시한 그래프이다.10 is a graph showing loss functions of training samples and verification samples according to an embodiment of the present invention.
훈련용 샘플을 가지고 50번의 반복학습을 수행하면 손실함수가 도 10과 같이 최저로 수렴하는 것을 볼 수 있다.When repeated learning is performed 50 times with training samples, it can be seen that the loss function converges to the lowest level as shown in FIG. 10 .
훈련용 샘플과 검증용 샘플 모두 안정적인 수렴형태를 보이고 있어 과대적합의 특성을 보이고 있지 않다. 표 1에서 보듯이 전체 매개변수가 총 3,829개이고 훈련용 데이터의 개수도 940개로 비교적 작은 규모라서 GPU (RTX 2080Ti, Nvidia)를 장착한 PC (Intel Xeon CPU E5-2630; 64 GB RAM)에서 50회 정도의 학습횟수는 수 분 안에 완료할 수 있다.Both the training sample and the validation sample show a stable convergence pattern, so there is no overfitting characteristic. As shown in Table 1, the total number of parameters is 3,829 and the number of training data is 940, which is relatively small. A number of lessons can be completed in a matter of minutes.
이와 같이 상기 딥러닝 예측부(140)는 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.In this way, the deep
[표 3][Table 3]
훈련용 샘플로 학습을 하면서 검증용 샘플로 손실함수 변화를 검증한 후 테스트용 샘플로 부분방전 분류문제에 적용했을 때의 결과가 표 3에 기재되어 있다. 여기서 예측정확도를 계산할 때 사용된 용어는 다음과 같이 정의된다. 편리를 위해 분류 라벨(label)은 영문 대문자 A, B, C로 표시한다.Table 3 shows the results of applying the test sample to the partial discharge classification problem after verifying the loss function change with the verification sample while learning with the training sample. The terms used in calculating the prediction accuracy here are defined as follows. For convenience, classification labels are indicated with English capital letters A, B, and C.
[수학식 1][Equation 1]
[수학식 2][Equation 2]
이때, TP (true positive)는 샘플 A를 A로 분류, FP (false positive): 샘플 B, C, .. 를 A로 분류, FN (false negative): 샘플 A를 B, C, .. 로 분류를 나타낸다.At this time, TP (true positive) classifies sample A as A, FP (false positive): classifies samples B, C, .. as A, FN (false negative): classifies sample A as B, C, .. indicates
따라서 정밀도(precision)는 예측된 결과가 실제로 맞는지를 나타내는 성능지표이며 재현율(recall)은 주어진 분류라벨을 실제로 찾아낼 수 있는 성능지표를 의미한다. 예를 들어 실제 corona PD의 소음 200개 입력되었을 때 이를 corona PD라고 맞게 판별한 것이 197개이며 나머지 3개는 다른 PD 혹은 주변소음으로 판별한 것이다. 그리고 corona PD가 아닌 다른 소음이 corona PD라고 잘못 판별한 것이 6개이다.Therefore, precision is a performance indicator that indicates whether the predicted result is actually correct, and recall is a performance indicator that can actually find a given classification label. For example, when 200 noises of actual corona PD were input, 197 were correctly determined as corona PD, and the remaining 3 were determined as other PDs or ambient noise. In addition, there are 6 cases in which noises other than corona PD are incorrectly determined to be corona PD.
표 3에서 보듯이 제시한 예측모델을 이용할 경우 분류 정밀도의 경우 95% 이상 그리고 재현률의 경우 94% 이상의 우수한 성능을 보여주고 있다. 부분방전 분류 정밀도에 있어서는 surface PD가 다소 낮게 나타난 반면 재현률에 있어서는 가장 높게 나타났다. 그리고 도 6에서 같이 cornona PD가 피크가 하나인 뚜렷한 특징을 가지고 있어 정밀도와 재현률 모두에서 높은 성능을 보인 것으로 분석된다. 그리고 주변소음과 관련된 진단성능에 있어서 기계소음이 100% 정밀도와 재현률을 보이며 사람음성, 스마트폰 소음과 같은 비주기적 생활소음도 98% 이상의 성능을 보이고 있다. 따라서 제시한 부분방전 예측모델이 주변소음을 부분방전으로 오인할 가능성은 적을 것이다.As shown in Table 3, when the proposed prediction model is used, classification precision is over 95% and recall is over 94%. In terms of partial discharge classification accuracy, surface PD was slightly lower, but in terms of recall, it was the highest. And, as shown in FIG. 6, it is analyzed that cornona PD has a distinct feature of having one peak, and thus shows high performance in both precision and recall. In addition, in terms of diagnostic performance related to ambient noise, machine noise shows 100% precision and reproducibility, and non-periodic life noise such as human voice and smartphone noise shows more than 98% performance. Therefore, the proposed partial discharge prediction model will be less likely to misinterpret ambient noise as partial discharge.
도 11은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 방법을 설명하기 위한 흐름도이다.11 is a flowchart illustrating a method for diagnosing partial discharge using ultrasonic measurement and deep learning techniques according to an embodiment of the present invention.
도 11을 참조하면, 먼저 데이터 입력부가 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는다(S210).Referring to FIG. 11 , the data input unit first receives partial discharge arc noise measured by the ultrasonic camera (S210).
이후, 데이터 전처리부가 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성한다(S220).Thereafter, the data pre-processing unit constructs a phase-based graph, which is a graph obtained by stacking and outputting the arc noise signal for one period (S220).
이후에는, 딥러닝 학습부가 합성곱 신경망을 구성하고 상기 합성곱 신경망을 딥러닝 학습시킬 수 있다(S230).Thereafter, the deep learning learning unit may configure a convolutional neural network and perform deep learning learning on the convolutional neural network (S230).
이때, 본 발명의 일실시예에 따르면, 상기 합성곱 신경망은 1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성할 수 있다.At this time, according to one embodiment of the present invention, the convolutional neural network is formed by stacking three one-dimensional convolutional neural networks, and each one-dimensional convolutional neural network is configured in order to extract a local shape from the entire phase range of 1600 phases. A maximum pooling layer is sequentially stacked on the convolutional neural network layer, each convolutional neural network layer uses a relu (rectified linear unit) activation function, and softmax is used as an activation function to classify only the last layer. can be used to construct convolutional neural networks.
상기 딥러닝 학습부는 상기 합성곱 신경망을 이용한 학습시에는 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습시킬 수 있다.The deep learning learning unit detects surface partial discharge noise, corona partial discharge noise, floating partial discharge noise, machine noise, and human noise during learning using the convolutional neural network. The convolutional neural network can be trained by deep learning.
이후에는, 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측한다(S240).Thereafter, the deep learning prediction unit classifies and predicts the type of partial discharge arc noise of the phase-based graph using a convolutional neural network learned by deep learning using noise samples (S240).
이때, 상기 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.At this time, the deep learning prediction unit uses a convolutional neural network learned by deep learning using noise samples, and converts the phase-based graph to Surface Partial Discharge noise and Corona Partial Discharge noise. , it can be predicted by classifying it as Floating Partial Discharge noise, machine noise, or human noise.
아울러, 본 발명의 일실시예에 따르면 부분 방전(Partial Discharge)의 종류를 추가로 전처리 및 학습하여 예측할 수 있다. 예를 들어, 딥러닝 학습부가 무효 부분 방전(Void Partial Discharge)의 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하고, 데이터 전처리부가 무효 부분 방전 소음을 전처리 및 학습하고, 이를 이용해 아크 소음의 종류로서 무효 부분 방전을 분류할 수 있다.In addition, according to an embodiment of the present invention, the type of partial discharge can be predicted by additional preprocessing and learning. For example, the deep learning learning unit deep-learns the convolutional neural network using the noise of the void partial discharge, the data pre-processing unit pre-processes and learns the noise of the void partial discharge, and uses it as a type of arc noise. We can classify invalid partial discharges.
이와 같이 본 발명에서는 고전압 전기장비의 부분방전으로 인한 단전피해를 줄이기 위해서 사용이 간편한 진단방법을 제시할 수 있다. 즉, 센서를 고전압 전선에 직접 부착방식이 아니라 원거리에서 안전하게 마이크를 이용하여 부분방전으로 발생하는 아크소음을 측정하고, 측정된 신호를 위상기반 그래프 형태로 변환한 후 학습된 인공지능을 통해서 부분방전의 발생여부와 부분방전의 종류를 예측할 수 있다.As described above, in the present invention, an easy-to-use diagnosis method can be presented in order to reduce short circuit damage due to partial discharge of high voltage electrical equipment. In other words, instead of directly attaching the sensor to the high-voltage wire, the arc noise generated by the partial discharge is measured using a microphone safely from a distance, and the measured signal is converted into a phase-based graph, and the partial discharge is discharged through artificial intelligence. It is possible to predict the occurrence of partial discharge and the type of partial discharge.
본 발명에 따르면 실제 실험실환경에서 측정된 다양한 부분방전 데이터와 주변환경 소음데이터를 이용하여 학습을 수행한 후 테스트 샘플에 대해서 분류를 수행한 결과 94% 이상의 분류정밀도와 재현률 성능을 보여주었다. 따라서 본 발명에 따른 부분방전 진단 시스템을 소음을 측정하는 휴대용 초음파카메라에 탑재할 경우, 가스검침원과 같이 비전문가도 초음파카메라를 휴대하고 부분방전 검사를 수행할 수 있으므로, 보다 넓은 지역에 분포한 고전압 시설들의 진단검사를 효과적으로 수행할 수 있다.According to the present invention, after learning was performed using various partial discharge data and ambient noise data measured in an actual laboratory environment, classification was performed on the test sample, and as a result, classification accuracy and recall performance of more than 94% was shown. Therefore, when the partial discharge diagnosis system according to the present invention is mounted on a portable ultrasonic camera that measures noise, non-experts such as gas meter inspectors can carry the ultrasonic camera and carry out partial discharge inspection, and thus high-voltage facilities distributed over a wider area. diagnostic tests can be performed effectively.
전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.In the detailed description of the present invention as described above, specific embodiments have been described. However, various modifications are possible without departing from the scope of the present invention. The technical spirit of the present invention should not be limited to the above-described embodiments of the present invention and should not be defined, and should be defined by not only the claims but also those equivalent to these claims.
100: 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템
110: 데이터 입력부
120: 데이터 전처리부
130: 딥러닝 학습부
140: 딥러닝 예측부100: partial discharge diagnosis system using ultrasonic measurement and deep learning technique
110: data input unit
120: data pre-processing unit
130: deep learning learning unit
140: deep learning prediction unit
Claims (4)
상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리부; 및
아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측부;
를 포함하는 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
a data input unit for receiving partial discharge arc noise measured by an ultrasonic camera;
a data pre-processing unit constituting a phase-based graph, which is a graph obtained by stacking and outputting the arc noise signals for one period; and
a deep learning prediction unit that classifies and predicts the type of partial discharge arc noise of the phase-based graph using a convolutional neural network learned by the arc noise classifier through deep learning using noise samples;
A partial discharge diagnosis system using ultrasonic measurement and deep learning techniques including a.
상기 합성곱 신경망은,
1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성하는, 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
The method of claim 1,
The convolutional neural network,
It consists of three 1D convolutional neural networks stacked, and each 1D convolutional neural network sequentially laminates maximum pooling layers on each convolutional neural network layer in order to extract local shapes in the entire topological range of 1600. In addition, each layer of the convolutional neural network uses a relu (rectified linear unit) activation function and uses softmax as an activation function to classify only the last layer to construct a convolutional neural network using ultrasound measurement and deep learning techniques. Partial discharge diagnosis system used.
표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하는 딥러닝 학습부;
를 더 포함하는 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
The method of claim 1,
A deep learning learning unit for deep learning the convolutional neural network using surface partial discharge noise, corona partial discharge noise, floating partial discharge noise, machine noise, and human noise. ;
Partial discharge diagnosis system using ultrasonic measurement and deep learning techniques further comprising.
상기 딥러닝 예측부는,
상기 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측하는, 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
The method of claim 1,
The deep learning prediction unit,
The arc noise classifier uses a convolutional neural network learned by deep learning using noise samples, and converts the phase-based graph to Surface Partial Discharge noise, Corona Partial Discharge noise, and motion. Partial discharge diagnosis system using ultrasonic measurement and deep learning techniques to classify and predict floating partial discharge noise, machine noise or human noise.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184806A KR20230095386A (en) | 2021-12-22 | 2021-12-22 | Partial Discharge Diagnosis System Using Ultrasonic Measurement and Deep Learning Technique |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184806A KR20230095386A (en) | 2021-12-22 | 2021-12-22 | Partial Discharge Diagnosis System Using Ultrasonic Measurement and Deep Learning Technique |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230095386A true KR20230095386A (en) | 2023-06-29 |
Family
ID=86946399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210184806A KR20230095386A (en) | 2021-12-22 | 2021-12-22 | Partial Discharge Diagnosis System Using Ultrasonic Measurement and Deep Learning Technique |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230095386A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789900B1 (en) | 2014-09-19 | 2017-10-25 | 스미토모 덴키 고교 가부시키가이샤 | Partial discharge measurement apparatus, partial discharge measurement method, and program |
-
2021
- 2021-12-22 KR KR1020210184806A patent/KR20230095386A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789900B1 (en) | 2014-09-19 | 2017-10-25 | 스미토모 덴키 고교 가부시키가이샤 | Partial discharge measurement apparatus, partial discharge measurement method, and program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106323452B (en) | A kind of detection method and detection device of equipment abnormal sound | |
| CN111044621B (en) | Nondestructive testing system and method based on sound quality and acoustic characteristics | |
| CN112085071A (en) | Power distribution room equipment fault analysis and pre-judgment method and device based on edge calculation | |
| CN115542099B (en) | Online GIS partial discharge detection method and device | |
| CN115993511A (en) | Partial discharge type high-precision detection and identification device, method and equipment | |
| CN110632484A (en) | ELM-based GIS partial discharge defect diagnosis and classification system and method | |
| Han et al. | Acoustic emission intelligent identification for initial damage of the engine based on single sensor | |
| CN117630611B (en) | Full-bandwidth high-frequency partial discharge PRPD spectrogram capturing and generating method and system | |
| US11693041B2 (en) | Method for monitoring the electric insulation status of a piece of equipment for MV or HV electric systems | |
| KR20230095386A (en) | Partial Discharge Diagnosis System Using Ultrasonic Measurement and Deep Learning Technique | |
| Uckol et al. | Partial Discharge pattern classification based on deep learning for defect identification in MV cable terminations | |
| KR101177876B1 (en) | Automatic Analysis System for Partial Discharge Using Neural Network | |
| Chang et al. | Assessment of the insulation status aging in power cable joints using support vector machine | |
| CN117031339A (en) | Multi-channel battery health monitoring system and method | |
| CN109917245B (en) | Ultrasonic detection partial discharge signal mode identification method considering phase difference | |
| Bhukya et al. | Wavelet Aided Deep Neural Network for Classification of Partial Discharge Sources in Air Insulated Substations | |
| CN113156278A (en) | CNN network-based GIS partial discharge positioning method | |
| Kitani et al. | Brute-force analysis of insight of phase-resolved partial discharge using a CNN | |
| CN111624445A (en) | Partial discharge detection method and system based on infrared temperature measurement sensor | |
| Yu et al. | Research and Application of Intelligent Diagnosis Method of Mechanical Fault Based on Transformer Vibration and Noise and BP Neural Network | |
| Ge et al. | Research on intelligent diagnosis and recognition technology of GIS partial discharge data atlas based on deep learning | |
| Polisetty | Partial discharge classification using acoustic signals and artificial neural networks and its application in detection of defects in Ceramic insulators | |
| Khan | Partial Discharge defects recognition using different Neural Network Model in XLPE cable under the DC stress | |
| Gomes et al. | Active Learning for On-Line Partial Discharge Monitoring in Noisy Environments | |
| Yongxiang et al. | Gas-Insulated Switchgear (GIS) Equipment Mechanical Fault Detection Based on Feature Learning of Vibration Signal Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |