KR20240028196A - 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템 - Google Patents

초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템 Download PDF

Info

Publication number
KR20240028196A
KR20240028196A KR1020220106384A KR20220106384A KR20240028196A KR 20240028196 A KR20240028196 A KR 20240028196A KR 1020220106384 A KR1020220106384 A KR 1020220106384A KR 20220106384 A KR20220106384 A KR 20220106384A KR 20240028196 A KR20240028196 A KR 20240028196A
Authority
KR
South Korea
Prior art keywords
cable
measurement data
prediction
prediction model
data
Prior art date
Application number
KR1020220106384A
Other languages
English (en)
Inventor
박윤식
이재현
Original Assignee
한국전력공사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전력공사 filed Critical 한국전력공사
Priority to KR1020220106384A priority Critical patent/KR20240028196A/ko
Publication of KR20240028196A publication Critical patent/KR20240028196A/ko

Links

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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
    • 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
    • G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/58—Testing of lines, cables or conductors
    • G01R31/59—Testing of lines, cables or conductors while the cable continuously passes the testing apparatus, e.g. during manufacture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

본 발명의 초저주파 측정데이터 기반 케이블 진단 방법은, 레퍼런스 케이블에 대한 초저주파(VLF) 탄델타 측정 데이터 및 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 제원 정보를 수집하는 단계; 시험전압에 따라 탄델타 데이터를 선별적으로 학습하는 케이블 잔존수명 예측모델들을 설계하여 학습시키는 단계; 케이블 매설 지역 및 케이블 집합 구성에 따라 복수 개의 예측모델들에 대하여 수명 예측 정확도를 비교하는 단계; 및 최종적으로 예측 정확도가 가장 높은 예측모델을 선정하여 해당 예측모델을 적용하는 단계를 포함할 수 있다.

Description

초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템{Cable Diagnosis Method based on Infrasound Measurement Data and Predictive Model Operating System for the same}
본 발명은 초저주파 측정데이터 기반에 선형회귀모델 적용을 통하여 개선한 케이블 진단 방법 및 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템에 관한 것이다.
전력설비 중 비용 및 규모 면에서 큰 비중을 차지하고 있는 배전선로에 대한 지중화 수요가 증가함에 따라 지중케이블에 대한 효율적인 유지보수 관리가 설비 관리정책에 주요한 부분으로 인식되고 있으며, 향후 지중화 비중이 크게 증가될 것으로 예상되어 지속적으로 누적된 기 매설 지중케이블에 대해 교체 시기 판단을 위한 효과적인 케이블 상태진단기법의 필요성이 증대되고 있다.
특히, 지중케이블 경우 투자비용이 크기 때문에 적절한 교체 시기 책정을 위해 케이블 진단상태를 통한 케이블 잔존수명 예측이 매우 중요하며 케이블 고장으로 인한 정전 발생 시 사회적 손실 비용이 크기 때문에 정확한 케이블 고장 예측을 통하여 고장 발생 전 적정 시점에 케이블 교체를 통하여 사회적 손실 비용 및 설비 투자 비용을 최소화 하는 것이 매우 중요하다.
일반적으로 케이블 상태진단은 진단장비를 통해 시험전압을 케이블 특정 지점에 인가하고 그 외 지점에서 측정된 전압 변화 등의 패턴 분석을 기반으로 케이블 열화 수준을 진단한다. 대표적인 진단 방식으로는 초저주파 탄델타(VLF, very low frequency tanδ) 측정법이 있으며 해당 방법은 여러 종류의 인가전압으로 케이블이나 전력설비의 탄델타(tanδ) 변화를 측정하여, 케이블 주요 고장 원인인 절연체 내부의 수트리(water-tree) 발생이나 공극과 같은 비정상적인 징후를 진단하는 방법이다.
구체적으로 초저주파를 사용하여 탄델타를 측정하는 방법은 특정 기준 값과 측정된 값의 단순 비교를 통하여 열화 상태를 판정하거나 복수의 측정된 탄델타 값의 패턴 분석 및 열화 수준을 반영할 수 있는 특징 인자를 추출하여 통계적으로 분석된 기준값에 따라 케이블 교체 시기를 판단하는 방식으로 제시되었다.
하지만 이러한 탄델타 측정데이터를 기반으로 열화 수준을 반영할 수 있는 특징인자를 추출하여 통계적 기준과 비교하거나 열화속도로 환산하여 케이블의 잔존 수명을 제시하는 방법은 탄델타 데이터로부터 특징인자 도출을 위해 일반적으로 다양한 시험전압의 탄델타를 활용하여 산식을 통한 로직을 기반의 진단지표를 산출하는 방법을 적용하고 있으며, 이러한 경우 다양한 케이블 재원 및 다양한 시험전압에 대한 복수개의 탄델타에 대해 최적화된 특성 반영이 어려우며 특히 케이블 상태 판단을 위한 통계 기반의 기준값은 대상 분석데이터에 따라 민감하게 작용할 수 있어 다양한 환경적 요인에 따른 효과적인 케이블 진단에 적용하기 어려운 실정이다.
따라서, 기존의 로직 기반의 통계적 기준에 의한 케이블 상태진단 방법 외에 다양한 외부 환경 및 측정데이터를 반영하여 보다 정확한 케이블 상태진단 및 잔존 수명을 예측할 수 있는 케이블 진단 방법이 필요하다.
종래기술에 따른 탄델타 기반 케이블 진단 방법에 있어서, 초저주파 탄델타 측정데이터 기반의 케이블 진단 방법 원리는, 장기간 운용된 케이블의 절연체 내부에서 수트리(잔유수분에 의한 코로나 방전 열화의 일종으로서 고체 절연물 속에서 발생하는 수지상의 방전흔적을 남기는 절연열화 현상)가 발생하게 되면 절연저항은 감소하고 손실전류는 증가하는 등의 열화 현상이 발생 되는 바, 이러한 현상은 결국 탄델타의 변화로 나타나고 이 변화량 측정을 통하여 절연체의 이상 유무나 열화 상태를 판단하는 것이다.
이론적으로 고전압 절연체는 매우 높은 절연저항과 정전용량(capacitance)을 가지기 때문에 누설전류와 전압은 90도 위상차가 발생하지만 실제는 절연체 내부의 저항성분에 의하여 약간의 편차가 발생하게 되며 이때의 전압-전류의 위상각의 편차를 탄델타로 반영할 수 있다. 이러한 현상을 기반으로 케이블의 수트리 등의 열화 원인의 정도가 클수록 위상각 편차가 커질 수 있으며 따라서 탄텔타의 수치가 클수록 절연체에 이상이 발생하고 있음을 추정할 수 있다.
기존의 대표적인 진단 방법은 진단 장비를 통하여 측정된 탄델타 데이터를 다양한 시험전압 또는 여러번의 반복 측정을 통해 복수개의 측정의 데이트를 수집하고 이러한 데이터를 기반으로 패턴 분석 및 열화 특성을 반영할 수 있는 특징 추출을 통해 통계적 기준과 비교를 통하여 케이블 상태를 진단하였다.
도 1은 일반적인 시험전압 기반 측정데이터를 활용한 케이블 상태진단 방법을 도시한 흐름도이다.
도 1은 케이블 상태 진단을 위해 일반적으로 적용되는 방법에 대한 개요로서, 시험전압을 케이블에 인가하여 측정되는 출력데이터를 기반으로 케이블 열화 상태를 보여줄 수 있는 특징인자를 추출하고 기존 케이블의 열화 및 고장 상태를 기반으로 통계적으로 분석된 기준값과 비교하여 최종적으로 케이블 상태 진단 및 케이블을 지속적으로 사용할 수 있는 지표인 잔존 수명을 산출할 수 있다.
도 2는 기존 VLF 탄델타 기반 열화 특징 인자 추출을 통한 진단 방법(Index R)을 도시한 개념도이다.
구체적으로 도 2는 기존 초저주파(VLF) 탄델타 측정데이터를 기반으로 케이블 열화 수준을 추정할 수 있는 특징인자를 추출하여 케이블을 진단하는 방법에 대한 설명으로, 시험전압 0.5U0, 1.5U0 로 연속적으로 측정된 복수개의 탄델타 값을 기반으로 열화 특성을 반영할 수 있는 특징 추출을 위하여 1.5U0 의 각 단텔타 수치의 레벨 판단을 위해 평균 값을 추출하는 과정(TD)과 각 시험접압을 통해 전압안정도를 판단하기 위해 0.5U0 측정데이터의 평균값과 TD의 편차를 계산하는 과정(DTD) 그리고 연속적으로 측정된 탄델타의 패턴분석을 통해 수트리 등으로 발생될 수 있는 열화 특성을 추정할 수 있는 1.5U0 의 측정데이터 간 선형편차를 계산하는 과정(Skirt)이 포함된다.
상기에서 추출된 3가지 열화인자는 최종적으로 하나의 열화 특성을 표시할 수 있는 특징 추출을 위해 각각의 수치를 병합하는 과정(Index R)을 거쳐 케이블 상태를 보여주는 주요 지표로 제시되며 기존 통계적 분석을 통해 고장 판단 기준 설정값(=0.751)과 비교하여 고장판단 및 잔존수명을 추정할 수 있다.
특히 케이블 상태진단에서 주요한 참조지표로 활용되고 있는 케이블 잔존수명은 상기의 언급한 TD, DTD, Skirt로부터 도출된 Index R을 기반으로 케이블 설치 후 경과시간 및 시차를 적용하여 열화속도 을 계산하여 잔존수명을 추정할 수 있다.
구체적으로 먼저 케이블의 열화속도는 1차 VLF tan δ 측정 후 도출된 거리 Index의 R1에서 2차 측정값 R2에 대한 변동폭을 R1과 R2의 시간차에 대한 직선보간법으로 해당 케이블의 열화속도 을 하기 수학식 1과 같이 도출할 수 있다.
그러나 1차 측정 시 수명경계면에 근접한 R값이 산출된 경우 2차 측정까지의 시간적 여유가 없으므로 통계적인 열화기간을 적용하여 잔존 수명을 가늠할 필요가 있으며 이런 경우 케이블의 열화는 통계적으로 설치 후 13년 경과부터 진행되므로 설치 후 현재까지의 사용기간에서 13년에 해당하는 156개월을 차감한 기간을 적용하여 하기 수학식 2와 같이 표현할 수 있다.
상기 수학식 1과 2는 케이블 진단에 대한 운영여건에 따라 선택적으로 적용할 수 있으며, 수학식 2의 경우는 상당기간이 경과한 케이블에 대하여 주기진단의 여력이 없는 경우 일반적으로 적용된다. 실제 운영되고 있는 케이블에 대한 진단 결과를 다음 예시에 따르는 경우, 경로 케이블 잔존 수명은 하기 수학식 3과 같이 추정될 수 있다.
[예시]
* 제조사명/제조년 : 국제전선 / 1992
* VLF tan δ 진단년월 : 2013년 5월
* 진단결과에 따른 거리 Index R = 0.79
이에 대한 진단결과로서, 해당 케이블의 열화속도 = 0.0082/개월로 매달 Index R은 0.0082씩 증가 하는 것으로 판단되며 수명경계면(고장판단기준)으로 설정한 Index R = 1.382일 경우 이에 도달하기까지 잔존수명은 71개월(6년)이 될 것으로 추정할 수 있다.
상술한 종래 탄델타 측정 기술의 문제점은 다음과 같다.
기존 VLF 탄델타 측정데이터를 이용한 케이블 진단방법은 탄델타 값의 수준 및 연속적인 탄델타의 패턴 특징을 반영할 수 있는 인자(TD, DTD, Skirt)를 추출하고 열화 정도를 정략적으로 판단할 수 있는 참조지표 Index R을 통하여 케이블 상태를 진단하는 대표적인 방안으로 활용되고 있다. 하지만 TD, DTD, Skirt는 여러 시험 전압을 기반으로 복수 번의 연속적인 측정으로 수집된 탄델타 데이터에 대하여 평균 및 편차 등의 산식을 기반으로하는 로직을 통하여 도출된 인자로서 시스템 구현 상의 용이함은 있지만 실제 탄델타 측정 시 열화 요인인 수트리에 대한 시계열 탄델타의 연속적인 특징을 반영하기 어려우며, 측정 시 시험전압에 부하로 작용하여 탄델타 특성에 영향을 줄 수 있는 케이블 열화수준(경과년), 길이 등에 대한 재원 정보를 로직 형태로 시스템에 반영할 경우 구현 및 최적화에 대한 어려움이 발생할 수 있다. 특히 기존 고장케이블에 대한 통계분석을 기반으로 고장판단 기준으로 설정된 Index R을 경계값으로 적용하는 형태의 진단시스템은 경계값이 대상 데이터의 상관도에 매우 민감하게 작용할 수 있으므로 다양한 케이블 매설환경 및 전력부하와 같은 환경요인과 특정 시험전압에서 측정된 복수 개의 탄델타를 반영할 경우 최적화를 통한 강인한 진단 결과 도출이 어려울 수 있다.
대한민국 등록공보 10-1466623호
본 발명은 초저주파 측정데이터 기반 케이블 진단에 있어서, 케이블 매설 지역 또는 케이블 집합 구성에 따라 적합한 예측모델을 선별적으로 적용할 수 있는 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 예측모델 운영 시스템을 제공하고자 한다.
본 발명의 일 측면에 따른 초저주파 측정데이터 기반 케이블 진단 방법은, 레퍼런스 케이블에 대한 초저주파(VLF) 탄델타 측정 데이터 및 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 제원 정보를 수집하는 단계; 시험전압에 따라 탄델타 데이터를 선별적으로 학습하는 케이블 잔존수명 예측모델들을 설계하여 학습시키는 단계; 케이블 매설 지역 및 케이블 집합 구성에 따라 복수 개의 예측모델들에 대하여 수명 예측 정확도를 비교하는 단계; 및 최종적으로 예측 정확도가 가장 높은 예측모델을 선정하여 해당 예측모델을 적용하는 단계를 포함할 수 있다.
여기서, 상기 예측 정확도가 가장 높은 예측모델을 선정하여 해당 예측모델을 적용하는 단계에서는, 상기 선정된 예측모델로 대상 케이블의 상태를 진단하고 잔존수명을 산출할 수 있다.
여기서, 상기 레퍼런스 케이블은, 고장이 발생된 케이블로서, 고장 발생 이전에 시험전압에 따라 측정이 이루어진 케이블일 수 있다.
여기서, 상기 레퍼런스 케이블은, 대상 케이블과 동일 사양의 케이블 또는 상기 대상 케이블과 동일한 구획내 과거 고장 케이블일 수 있다.
여기서, 상기 예측모델들을 설계하여 학습시키는 단계에서는, 설계된 상기 예측모델들에 대하여, 상기 레퍼런스 케이블의 과거 수집된 시험전압에서 측정된 연속적인 N개의 탄델타 데이터를 신경망 기반의 학습모델의 학습인자로 반영하여 학습시킬 수 있다.
여기서, 상기 복수 개의 예측모델들은, 다수 개의 서로 다른 시험전압들에 대하여, 각 시험전압 또는 각 조합들을 사용하는 경우로 구성된 예측모델들일 수 있다.
여기서, 상기 케이블 제원 정보는, 케이블의 경과년 및 길이 정보를 포함할 수 있다.
본 발명의 다른 측면에 따른 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템은, 레퍼런스 케이블에 대한 초저주파(VLF) 탄델타 측정 데이터 및 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 제원 정보를 수집하는 데이터 수집부; 설계된 복수 개의 케이블 잔존수명 예측모델들을 시험전압에 따라 탄델타 데이터를 선별적으로 학습시키는 예측모델 학습부; 케이블 매설 지역 및 케이블 집합 구성에 따라 상기 예측모델들에 대하여 수명 예측 정확도를 비교하는 비교부; 및 최종적으로 예측 정확도가 가장 높은 모델을 선정하는 예측모델 선정부를 포함할 수 있다.
여기서, 상기 레퍼런스 케이블은, 고장이 발생된 케이블로서, 고장 발생 이전에 시험전압에 따라 측정이 이루어진 케이블일 수 있다.
여기서, 다수 개의 서로 다른 시험전압들에 대하여, 각 시험전압 또는 각 조합들을 사용하는 경우로 구성된 예측모델들일 수 있다.
여기서, 상기 케이블 제원 정보는, 케이블의 경과년 및 길이 정보를 포함할 수 있다.
상술한 구성의 본 발명의 사상에 따른 초저주파 측정데이터 기반 케이블 진단 방법 및/또는 이를 위한 예측모델 운영 시스템을 실시하면, 케이블 매설 지역 또는 케이블 집합 구성에 따라 적합한 예측모델을 선별적으로 적용하여 예측 정확도가 높은 초저주파 측정데이터 기반 케이블 진단을 수행할 수 있는 이점이 있다.
본 발명의 초저주파 측정데이터 기반 케이블 진단 방법 및/또는 이를 위한 예측모델 운영 시스템은, 지중케이블의 유지보수 측면에서 케이블 교체시기를 판단할 수 있는 다양한 진단지표를 제시함으로써 이를 기반으로 보다 정확한 케이블 진단을 통한 설비 투자 및 사회적 손실 비용을 최소화하는 이점이 있다.
도 1은 일반적인 시험전압 기반 측정데이터를 활용한 케이블 상태진단 방법을 도시한 흐름도.
도 2는 기존 VLF 탄델타 기반 열화 특징 인자 추출을 통한 진단 방법(Index R)을 도시한 개념도.
도 3은 Index R 산정방법 및 진단방법을 나타낸 개념도.
도 4는 Skirt 계산 과정을 나타낸 흐름도.
도 5는 Skirt 산출 방법을 나타낸 개념도.
도 6은 선형방정식 기반 선형편차 도출을 예시하는 그래프.
도 7은 본 발명의 사상에 따른 초저주파 측정데이터 기반 케이블 진단 방법의 일 실시예를 도시한 흐름도.
도 8은 도 7의 S200 단계에 반영될 수 있는 학습 기반 케이블 잔존수명예측 모델 설계 방안 중 하나를 예시한 개념도.
도 9는 도 7의 S230 단계에 반영될 수 있는 시험전압별 예측모델의 예측정확도 비교를 통한 모델 선정 방안 중 하나를 예시한 개념도.
도 10은 케이블 매설 지역 및 집합 구성에 따른 예측모델 적용 사례를 예시한 개념도.
도 11은 본 발명의 사상에 따른 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템의 일 실시예를 도시한 블록도.
본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지 않을 수 있다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 명세서에서, 포함하다 또는 구비하다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
또한, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 3은 Index R 산정방법 및 진단방법을 나타낸다.
도 3은 Index R 산정 및 고장판단 경계값을 적용하여 케이블을 진단하는 방법에 대한 구체적인 예시로서, 시험전압 0.5U0, 1.5U0로 연속적으로 측정된 복수개의 탄델타 값은 각각의 평균을 환산되어 TD, DTD 계산에 적용되며 추가로 1.5U0 탄델타는 시계열의 선형적 특성을 통해 열화 수준에 판단할 수 있는 Skirt 계산에 활용된다. 각각의 TD, DTD, Skirt는 Index R로 병합되고 기 설정된 고장판단 경계값과 비교하여 고장 판단 유무 및 잔존수명 예측 결과를 도출한다.
도시한 방안에서는 Index R로 병합하는데 있어서 기하 평균값을 적용하였는데, 다른 구현에서는 산술 평균 등 다른 방식으로 산정되는 평균값을 적용할 수 있다.
도 4 Skirt 계산 과정을 나타낸 흐름도이다.
도 4는 기존 Skirt를 추출하는 과정에 대한 내용으로 연속적으로 측정된 복수개의 탄델타의 선형편차를 추출하기 위해 각 탄델타 값의 최소, 최대값을 기반으로 하는 선형방정식을 계산하는 부분과 이를 기반으로 각 측정값과 선형 편차를 구하는 과정, 각 편차값에 대해 표준편차를 산출하여 선형성 수준을 판단하는 과정, 최종적으로 표준편차 역수와 선형방정식 기울기 크기의 곱으로 표현되는 Skirt를 추출하는 과정이 포함된다.
도 5는 Skirt 산출 방법을 나타낸 개념도이다.
도 5는 Skirt 산출을 위한 수식 기반의 구체적인 예시로 복수개의 탄델타 측정값 중에 최소, 최대값을 적용하여 선형방정식을 도출하는 부분, 선형방정식을 통해 각 측정값과의 선형편차를 구한 후 이에 대한 표준편차를 계산하는 과정과 표준편차를 역수로 적용하여 보정변수 k를 산정하는 부분이 있으며 최종적으로 기울기 크기와 보정변수 k의 곱으로 Skirt를 산출한다.
따라서, 복수개의 탄델타 측정값 패턴이 선형성을 강하게 보임으로써 선형편차 및 이에 대한 표준편차가 작을수록 보정변수 k와 Skirt는 큰 값을 나타내는 특징을 보이며 기울기가 클수록 Skirt 값도 커지게 되므로 복수개의 탄델타의 개별 측정값 편차가 크고 선형성이 강하면 Skirt의 값이 커지게 되어 케이블 상태 진단 측면에서 열화 수준이 크다고 판단할 수 있다.
도 6은 선형방정식 기반 선형편차 도출 예시하는 그래프이다.
도 6은 선형방정식 기반 선형편차를 도출하는 예시로 탄델타 측정값의 최소, 최대값을 사용하여 선형방정식을 이용한 가상선(Virtual Line)을 산출하고 각 측정 시점에 대한 탄델타 값의 차이를 통하여 선형편차를 계산한다.
도 7은 본 발명의 사상에 따른 초저주파 측정데이터 기반 케이블 진단 방법의 일 실시예를 도시한 흐름도이다.
본 발명에서는 케이블 잔존수명 예측을 위해 탄델타 측정데이터의 산식 로직을 통해 산출된 Index R 기반 열화속도를 적용하는 기존 방식과 달리 다양한 시헙전압에서 측정된 연속적인 VLF 탄델타 정보를 학습 인자로 선별 적용하고 복수개의 잔존수명 예측모델을 구성하여 예측정확도가 높은 예측모델을 대상 지역 또는 케이블 집합 구성에 따라 선택적으로 적용할 수 있는 케이블 잔존수명 예측 방법을 제안한다.
상기 제안에 따라 도 7에 도시한 초저주파 측정데이터 기반 케이블 진단 방법은, 레퍼런스 케이블에 대한 초저주파(VLF) 탄델타 측정 데이터 및 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 제원 정보를 수집하는 단계(S100); 시험전압에 따라 탄델타 데이터를 선별적으로 학습하는 케이블 잔존수명 예측모델들을 설계하여 학습시키는 단계(S200); 케이블 매설 지역 및 케이블 집합 구성에 따라 복수 개의 예측모델들에 대하여 수명 예측 정확도를 비교하는 단계(S300); 및 최종적으로 예측 정확도가 가장 높은 모델을 선정하여 해당 예측모델을 적용하는 단계(S400)를 포함할 수 있다.
도시한 흐름도에서, 다양한 시험전압에서 연속적으로 측정된 탄델타 진단데이터에 대하여 고장케이블의 수명(경과년)을 기준(결과값)으로 학습하여 예측모델을 설계하고, 시험전압에 따른 열화 특성을 효과적으로 반영하기 위해 예측모델은 측정 시험전압에 따라 선별적으로 학습하여 복수개의 예측모델을 구성한다(S200). 각각의 예측모델은 고장케이블에 대한 과거 탄델타 진단데이터를 기반으로 수명 예측을 통하여 실제 수명(경과년)과 정확도를 비교하여 케이블 매설 지역 또는 케이블 집합 구성에 따라 예측 정확도가 높은 예측모델을 선별적으로 적용할 수 있도록 예측모델을 최종 선정한다(S300, S400).
도시한 흐름도는, 탄델타 측정데이터 학습 기반의 케이블 잔존수명 예측 방법에 대한 설명으로 다양한 시험전압에서 측정된 탄델타 데이터, 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 경과년, 길이를 수집하는 데이터 수집부와 시험전압에 따라 탄델타 데이터를 선별적으로 학습하여 케이블 잔존수명 예측모델을 설계하는 과정(S200, S300), 케이블 매설 지역 및 케이블 집합 구성에 따라 복수개의 학습 모델에 대하여 수명 예측 정확도를 비교하는 과정(S300), 최종적으로 예측 정확도가 가장 높은 모델을 선정하여 해당 예측모델을 적용하는 과정(S400)으로 구성된다.
도 8은 도 7의 S200 단계에 반영될 수 있는 학습 기반 케이블 잔존수명예측 모델 설계 방안 중 하나를 예시한 개념도이다.
도 8은 케이블 정보 및 탄델타 측정데이터를 학습하여 케이블 잔존수명예측모델을 설계하는 방법에 대한 예시로, 고장케이블에 대해 경과년, 길이 정보를 포함하여 해당 케이블의 과거 수집된 0.5U0 시험전압의 탄델타 진단데이터를 적용할 경우 시험전압에서 측정된 연속적인 N개의 탄델타 데이터를 도 8과 같이 신경망 기반의 학습모델의 학습인자로 반영할 수 있으며 케이블 잔존수명에 대한 출력 결과를 위하여 고장케이블의 수명(경과년)을 출력값으로 학습할 수 있다.
도 9는 도 7의 S230 단계에 반영될 수 있는 시험전압별 예측모델의 예측정확도 비교를 통한 모델 선정 방안 중 하나를 예시한 개념도이다.
도 9는 본 발명에서 제안하는 시험전압에 따라 선별적으로 학습인자를 구성하여 예측모델을 설계하고 각 예측 모델의 예측 결과에 대한 예측정확도를 비교하여 최종 예측 모델을 선정하는 방법에 대한 예시로, 시험전압이 0.5U0, 1.0U0 1.5U0 경우에는 도 9와 같이 각 시험전압에서 측정된 탄델타 데이터를 예측 모델의 학습인자로 적용하여 시험전압 0.5U0, 1.0U0 1.5U0에 해당되는 각 예측모델 1, 2, 3을 설계할 수 있으며 각 모델의 예측정확도를 비교하여 예측정확도가 가장 높은 모델을 최종 케이블 잔존수명 예측모델로 선정할 수 있다.
또한 시험전압에 대한 조합을 통해 예측모델은 다양하게 구성될 수 있으며 예로 도 9의 3가지 시험전압의 경우 0.5U0, 1.0U0 1.5U0 조합에 따라 학습인자를 0.5U0, 1.0U0 1.5U0의 탄델타 데이터를 모두 사용하는 경우를 포함하여 개별 시험전압 기반의 예측 모델, [0.5U0 1.0U0], [0.5U0 1.5U0], [1.0U0 1.5U0]의 조합으로 총 7개의 예측모델을 구성하여 예측정확도 비교하여 정확도가 높은 최종 모델을 선정할 수 있다.
또는, 도 4에 도시한 초저주파 측정데이터 기반 케이블 진단(잔존수명진단) 구조에서 Index R 산정을 위한 R1, R2, R3의 다양한 조합들로 복수 개의 학습 모델들을 설계할 수 있다.
도 10은 케이블 매설 지역 및 집합 구성에 따른 예측모델 적용 사례를 예시한 개념도이다.
도 10은 케이블 매설 지역 또는 케이블 집합 구성에 따른 케이블 잔존수명예측 모델 적용 방법에 대한 예시로, 도 10과 같이 특정 지역의 구획에 따라 그림 9의 예측모델 정확도 비교를 통해 가장 예측정확도가 높은 모델 선정 시 해당 모델이 해당 구획의 미진단 케이블에 대한 진단예측모델로 활용할 수 있으며, 적용 지역의 범위 설정에 따라 예측모델은 해당 구획 내 또는 범위가 넓어 특정 구획 내 선정 예측 모델이 없을 경우 최인근 지역의 선정 모델을 적용할 수 있다.
또한, 구획 내 케이블 집합 구성에 대해 예측정확도 비교는 구획 내 과거 고장케이블을 대상으로 전체에 대한 정확도 반영을 위해 해당 케이블의 정확도 합산 및 평균치를 기반으로 정확도를 비교하여 최종 모델을 선정 가능하다.
도 11은 본 발명의 사상에 따른 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템의 일 실시예를 도시한 블록도이다. 도 11에 도시한 예측모델 운영 시스템은 도 7에 도시한 초저주파 측정데이터 기반 케이블 진단 방법의 전부 또는 일부를 수행할 수 있다.
도시한 예측모델 운영 시스템은, 레퍼런스 케이블에 대한 초저주파(VLF) 탄델타 측정 데이터 및 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 제원 정보를 수집하는 데이터 수집부(110); 시험전압에 따라 탄델타 데이터를 선별적으로 학습하도록 설계된 복수 개의 케이블 잔존수명 예측모델들을 학습시키는 예측모델 학습부(120); 케이블 매설 지역 및 케이블 집합 구성에 따라 상기 예측모델들에 대하여 수명 예측 정확도를 비교하는 비교부(130); 및 최종적으로 예측 정확도가 가장 높은 모델을 선정하는 예측모델 선정부(140)를 포함할 수 있다.
도 11은 특정 구역 별 케이블에 대한 효율적인 예측모델 선정 및 운영을 위한 원격 서버 기반의 예측모델 운영시스템에 대한 일 예로서 원격서버(100)의 형태를 제시하고 있으며, 레퍼런스 케이블에 대한 케이블 재원 정보는 배전망 시스템 연계를 통하여 수집할 수 있으며, 레퍼런스 케이블의 고장 발생 이전에 기 측정되어 기록된 탄델타 측정데이터는 측정 장비의 통신시스템 등을 통하여 원격서버(100)로 전달 가능하다.
도시하지는 않았지만, 상기 원격서버(100) 또는 이와 통신망으로 연결된 다른 서버에 상기 복수 개의 케이블 잔존수명 예측모델들이 학습 이전 및/또는 학습 완료된 상태로 보관 및 관리될 수 있으며, 상기 원격서버(100) 또는 다른 서버는, 진단 장비 및 장비와 연계된 단말기를 이용하여 측정 위치의 GPS 정보를 기반으로 배전망에서 관리되고 있는 케이블 위치와 매칭하여, 해당 구역에서 기 선정된 예측모델을 통해 예측결과를 단말기 또는 측정장비로 전송할 수 있다.
또한, 상기 원격서버(100) 또는 다른 서버는, 상기 선정된 예측모델로 대상 케이블의 상태를 진단하고 잔존수명을 산출할 수 있다.
또한, 상기 원격서버(100)는, 설정된 지역 정보에 따라 해당 지역에 포함된 케이블을 반영하여 예측모델의 예측정확도에 따른 예측 모델을 적응적으로 재선정할 수 있다.
여기서, 상기 레퍼런스 케이블은, 고장이 기 발생된 케이블로서, 고장 발생 이전에 시험전압에 따라 측정이 이루어진 케이블이며, 상기 대상 케이블과 동일 사양의 케이블 및/또는 상기 대상 케이블과 동일한 구획내 과거 고장 케이블인 것이 예측 정확도 측면에서 유리하다.
한편, 상기 케이블 제원 정보는, 다양한 정보를 포함할 수 있는데, 최소한 경과년 및 길이 정보를 포함하는 것이 바람직하다.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 원격서버
110 : 데이터 수집부
120 : 예측모델 학습부
130 : 비교부
140 : 예측모델 선정부

Claims (11)

  1. 레퍼런스 케이블에 대한 초저주파(VLF) 탄델타 측정 데이터 및 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 제원 정보를 수집하는 단계;
    시험전압에 따라 탄델타 데이터를 선별적으로 학습하는 케이블 잔존수명 예측모델들을 설계하여 학습시키는 단계;
    케이블 매설 지역 및 케이블 집합 구성에 따라 복수 개의 예측모델들에 대하여 수명 예측 정확도를 비교하는 단계; 및
    최종적으로 예측 정확도가 가장 높은 예측모델을 선정하여 해당 예측모델을 적용하는 단계
    를 포함하는 초저주파 측정데이터 기반 케이블 진단 방법.
  2. 제1항에 있어서,
    상기 예측 정확도가 가장 높은 예측모델을 선정하여 해당 예측모델을 적용하는 단계에서는,
    상기 선정된 예측모델로 대상 케이블의 상태를 진단하고 잔존수명을 산출하는 초저주파 측정데이터 기반 케이블 진단 방법.
  3. 제1항에 있어서,
    상기 레퍼런스 케이블은,
    고장이 발생된 케이블로서, 고장 발생 이전에 시험전압에 따라 측정이 이루어진 케이블인 초저주파 측정데이터 기반 케이블 진단 방법.
  4. 제1항에 있어서,
    상기 레퍼런스 케이블은,
    대상 케이블과 동일 사양의 케이블 또는 상기 대상 케이블과 동일한 구획내 과거 고장 케이블인 초저주파 측정데이터 기반 케이블 진단 방법.
  5. 제1항에 있어서,
    상기 예측모델들을 설계하여 학습시키는 단계에서는,
    설계된 상기 예측모델들에 대하여, 상기 레퍼런스 케이블의 과거 수집된 시험전압에서 측정된 연속적인 N개의 탄델타 데이터를 신경망 기반의 학습모델의 학습인자로 반영하여 학습시키는 초저주파 측정데이터 기반 케이블 진단 방법.
  6. 제1항에 있어서,
    상기 복수 개의 예측모델들은,
    다수 개의 서로 다른 시험전압들에 대하여, 각 시험전압 또는 각 조합들을 사용하는 경우로 구성된 예측모델들인 초저주파 측정데이터 기반 케이블 진단 방법.
  7. 제1항에 있어서,
    상기 케이블 제원 정보는,
    케이블의 경과년 및 길이 정보를 포함하는 초저주파 측정데이터 기반 케이블 진단 방법.
  8. 레퍼런스 케이블에 대한 초저주파(VLF) 탄델타 측정 데이터 및 해당 케이블 열화 및 진단데이터에 영향을 줄 수 있는 케이블 제원 정보를 수집하는 데이터 수집부;
    설계된 복수 개의 케이블 잔존수명 예측모델들을 시험전압에 따라 탄델타 데이터를 선별적으로 학습시키는 예측모델 학습부;
    케이블 매설 지역 및 케이블 집합 구성에 따라 상기 예측모델들에 대하여 수명 예측 정확도를 비교하는 비교부; 및
    최종적으로 예측 정확도가 가장 높은 모델을 선정하는 예측모델 선정부
    를 포함하는 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템.
  9. 제8항에 있어서,
    상기 레퍼런스 케이블은,
    고장이 발생된 케이블로서, 고장 발생 이전에 시험전압에 따라 측정이 이루어진 케이블인 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템.
  10. 제8항에 있어서,
    상기 복수 개의 예측모델들은,
    다수 개의 서로 다른 시험전압들에 대하여, 각 시험전압 또는 각 조합들을 사용하는 경우로 구성된 예측모델들인 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템.
  11. 제8항에 있어서,
    상기 케이블 제원 정보는,
    케이블의 경과년 및 길이 정보를 포함하는 초저주파 측정데이터 기반 케이블 진단을 위한 예측모델 운영 시스템.

KR1020220106384A 2022-08-24 2022-08-24 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템 KR20240028196A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220106384A KR20240028196A (ko) 2022-08-24 2022-08-24 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220106384A KR20240028196A (ko) 2022-08-24 2022-08-24 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템

Publications (1)

Publication Number Publication Date
KR20240028196A true KR20240028196A (ko) 2024-03-05

Family

ID=90298282

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220106384A KR20240028196A (ko) 2022-08-24 2022-08-24 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템

Country Status (1)

Country Link
KR (1) KR20240028196A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118040904A (zh) * 2024-04-09 2024-05-14 宁波市电力设计院有限公司 一种电缆沟运维状态监测方法及监测分析云平台

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101466623B1 (ko) 2014-07-09 2014-11-28 한국전력공사 초저주파 탄델타의 측정 데이터를 이용한 전력 케이블의 상태 진단 및 잔존 수명 측정 장치 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101466623B1 (ko) 2014-07-09 2014-11-28 한국전력공사 초저주파 탄델타의 측정 데이터를 이용한 전력 케이블의 상태 진단 및 잔존 수명 측정 장치 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118040904A (zh) * 2024-04-09 2024-05-14 宁波市电力设计院有限公司 一种电缆沟运维状态监测方法及监测分析云平台

Similar Documents

Publication Publication Date Title
Ashok et al. Distribution transformer health monitoring using smart meter data
Catterson et al. Online conditional anomaly detection in multivariate data for transformer monitoring
CN113167834A (zh) 重型电机健全性分析平台及使用其的分析方法
WO2015047520A1 (en) Electrical power grid monitoring apparatus, articles of manufacture, and methods of monitoring equipment of an electrical power grid
CN103576050A (zh) 一种电容式电压互感器的运行状态评估方法
Jürgensen et al. Individual failure rates for transformers within a population based on diagnostic measures
Pérez-Rúa et al. Optimum sizing of offshore wind farm export cables
Ashok et al. Online detection of inter-turn winding faults in single-phase distribution transformers using smart meter data
CN113987294A (zh) 一种基于遗传优化gru神经网络的cvt在线故障诊断方法
Hoskins et al. A structured approach to asset management within the electricity industry
Bellani et al. A reliability-centered methodology for identifying renovation actions for improving resilience against heat waves in power distribution grids
KR20220008101A (ko) 전력 케이블 노후도 판단 장치 및 방법
CN113203918B (zh) 一种基于老化因子和非等间距gm(1,1)模型的电力电缆剩余寿命预测方法
CN112345972B (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及系统
EP3916402B1 (en) A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems
CN103675518A (zh) 油浸式高压设备检修方法及装置
CN113469409A (zh) 一种基于高斯过程的电能量计量装置状态预测方法及装置
KR20240028196A (ko) 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템
Galdi et al. Application of local memory-based techniques for power transformer thermal overload protection
Aizpurua et al. Towards a hybrid power cable health index for medium voltage power cable condition monitoring
Bardyk et al. Electric power system simulation for risk assessment of power transformer failure under external short-circuit conditions
Bindi et al. Applications of machine learning techniques for the monitoring of Electrical transmission and distribution lines
Blackmore et al. Improving network reliability through effective asset management
Bicen Propositional logic concept for fault diagnosis in complex systems
KR20240006293A (ko) 초저주파 측정데이터 기반 케이블 진단 장치 및 방법