WO2023128669A1 - 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 - Google Patents

부분방전 모니터링 시스템 및 부분방전 모니터링 방법 Download PDF

Info

Publication number
WO2023128669A1
WO2023128669A1 PCT/KR2022/021641 KR2022021641W WO2023128669A1 WO 2023128669 A1 WO2023128669 A1 WO 2023128669A1 KR 2022021641 W KR2022021641 W KR 2022021641W WO 2023128669 A1 WO2023128669 A1 WO 2023128669A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
partial discharge
feature point
data
prpd
Prior art date
Application number
PCT/KR2022/021641
Other languages
English (en)
French (fr)
Inventor
장경훈
심성익
김성윤
박대진
이현석
쿠니아키 사카모토
Original Assignee
엘에스전선 주식회사
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
Priority claimed from KR1020220187472A external-priority patent/KR20230104525A/ko
Application filed by 엘에스전선 주식회사 filed Critical 엘에스전선 주식회사
Publication of WO2023128669A1 publication Critical patent/WO2023128669A1/ko

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/02—Measuring characteristics of individual pulses, e.g. deviation from pulse flatness, rise time or duration
    • G01R29/027—Indicating that a pulse characteristic is either above or below a predetermined value or within or beyond a predetermined range of values
    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • 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
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a partial discharge monitoring system and a partial discharge monitoring method. More specifically, the present invention applies a machine learning algorithm to acquire a partial discharge signal generated in a high voltage power device, acquires PRPD data, recognizes a pattern of PRPD data, monitors and monitors defects in high voltage power devices in real time, and It relates to a partial discharge monitoring system and partial discharge monitoring method that can determine.
  • Partial Discharge (PD) measurement is a method for determining whether a power device has an abnormality.
  • PRPD Phase Resolved Partial Discharge
  • an artificial neural network is used to diagnose the signal generated from a power device by pattern recognition of a machine learning algorithm. and it is possible to determine whether a partial discharge has occurred due to a defect in a power device.
  • a worker installs a sensor for measuring partial discharge in the field and determines partial discharge through data acquisition, but in the cable As the partial discharge phenomenon that occurs occurs irregularly and intermittently, signals can be measured only while the operator stays at the site, so there is a limit in determining the partial discharge.
  • PRPD analysis interprets partial discharge data based on phase, it is possible to perform accurate analysis by knowing the voltage phase of power devices such as cables. Instead of the voltage phase of the power device, PRPD analysis is attempted using the current phase of the power device or the AC voltage phase of the commercial power used for the partial discharge measurement device. In this case, there is a phase difference from the voltage phase of the power device, so When partial discharge pattern recognition is performed in a state where the voltage phase is not identified, there is a problem that the determination result is inaccurate.
  • the present invention applies a machine learning algorithm to the current phase of a high voltage power device or the voltage phase of a commercial power source without the voltage phase information of the high voltage power device and the generation phase information of the signal based on this and the pulse size of the signal generated in the high voltage power device. It is an object to solve the problem of providing a partial discharge monitoring system and partial discharge monitoring method capable of monitoring and determining defects in high voltage power equipment in real time by recognizing a pattern of a signal to be detected.
  • the present invention provides a partial discharge monitoring method, comprising: a signal measurement step of measuring a signal of a power device and obtaining a pulse waveform of the signal; a signal separation step of extracting feature points from the pulse waveform and generating two-dimensional feature point data using the feature points; A signal clustering step of clustering feature points corresponding to the feature points on the two-dimensional feature point data according to density, classifying them into feature point data clusters, and acquiring Phase Resolved Partial Discharge (PRPD) data for the feature point data clusters; and a partial discharge determination step of diagnosing the signal by recognizing a pattern of the PRPD data and determining whether a partial discharge has occurred in the power device based on the diagnosis result.
  • PRPD Phase Resolved Partial Discharge
  • the feature point may include a shape parameter of a pulse and a bandwidth of a pulse in which the pulse waveform is converted in a frequency domain.
  • the signal clustering step may cluster feature points based on a density corresponding to the number of feature points existing within a predetermined radius based on a specific feature point on the 2D feature point data obtained in the signal separation step.
  • the pattern recognition of the PRPD data may be based on the current phase of the high voltage power device or the voltage phase of the commercial power supply, information on the generation phase of the signal based thereon, and the pulse size of the partial discharge signal.
  • the diagnosed signal is a corona discharge signal or a noise signal, it is diagnosed as a normal signal, and when the diagnosed signal is an internal discharge signal or a surface discharge signal, it is diagnosed as a partial discharge signal, thereby diagnosing the electric power It can be determined that a partial discharge has occurred due to a defect in the device.
  • a signal detection unit having a sensor for detecting a signal of a power device; a local unit for transmitting the signal sensed by the signal detection unit through a communication network; and applying a machine learning algorithm to extract feature points from the signal transmitted through the local unit, generate feature points corresponding to the extracted feature points, classify the feature points into feature point data clusters according to density, and determine whether partial discharge has occurred. It is possible to provide a partial discharge monitoring system comprising a; main unit for determining.
  • the main unit includes a signal separator extracting a feature point from a pulse waveform of a signal transmitted through the local unit and generating two-dimensional feature point data using the feature point; a signal grouping unit clustering keypoints according to density on the two-dimensional keypoint data generated by the signal separator, classifying them into keypoint data clusters, and generating PRPD data for the keypoint data clusters; and a partial discharge determination unit for recognizing the pattern of the PRPD data generated by the signal collection unit, diagnosing the signal, and determining whether partial discharge has occurred in the power device based on the recognition pattern.
  • the feature point may include a shape parameter of a pulse and a bandwidth of a pulse obtained by converting the pulse waveform in a frequency domain.
  • the signal clustering unit may cluster feature points based on a density corresponding to the number of feature points existing within a preset radius based on a specific feature point on the two-dimensional feature point data acquired by the signal separation unit.
  • the partial discharge determination unit compares the PRPD data pattern and pulse waveform of the signal cluster unit with learning data stored in a machine learning algorithm, and converts the signal to any one of a corona discharge signal, a noise signal, an internal discharge signal, and a surface discharge signal. can be diagnosed with
  • the machine learning algorithm applied to the main unit constituting the partial discharge monitoring system detects the occurrence of partial discharge by recognizing a pattern of a unique signal according to a defect in power equipment inside the power system. It can be determined quickly and accurately, and since manual work for signal measurement by workers is unnecessary, it is possible to measure signals even in dangerous areas such as power cable or underground cable laying areas, and the occurrence of partial discharge can be monitored in real time.
  • FIG. 1 shows the overall configuration of a partial discharge monitoring system according to the present invention.
  • FIG. 2 shows a machine learning network in the partial discharge monitoring system according to the present invention.
  • FIG. 3 shows a flow chart of a partial discharge monitoring method according to the present invention.
  • FIG. 4 shows graphs of pulse waveforms for each of a noise signal, a corona discharge signal, and a surface discharge signal measured in the signal measurement step of the partial discharge monitoring method according to the present invention.
  • FIG. 5 illustrates two-dimensional feature point data generated from two feature points from a pulse waveform in the signal separation step of the partial discharge monitoring method according to the present invention.
  • FIG. 6 shows two-dimensional feature point data for which clustering has been completed in the signal clustering step of the partial discharge monitoring method according to the present invention.
  • FIG. 7 illustrates a process of density-based clustering on two-dimensional feature point data in the signal clustering step of the partial discharge monitoring method according to the present invention.
  • FIG. 8 illustrates a process of acquiring PRPD data for each signal for each cluster in the signal clustering step of the partial discharge monitoring method according to the present invention.
  • FIG 9 illustrates a process of pre-processing PRPD data in the partial discharge determination step of the partial discharge monitoring method according to the present invention.
  • FIG. 1 shows an example of the overall configuration of a partial discharge monitoring system according to the present invention
  • FIG. 2 shows a machine learning network in the partial discharge monitoring system according to the present invention.
  • a partial discharge monitoring system (PDMS) 1000 is a discharge that occurs locally before an insulator is destroyed in a high voltage power device, and a partial discharge that can cause a big problem in a power system. ; It is a system that can automatically detect and determine PD). Partial discharge includes corona discharge that occurs near the tip of an electrode, surface discharge that occurs along the surface of an insulator (or called 'creepage discharge'), and voids or dust inside an insulator. It includes internal discharge caused by foreign substances, and may include some noise signals.
  • the partial discharge monitoring system 1000 applies a machine learning algorithm to monitor and measure the status information of power devices inside the power system in real time, and monitors and measures the results in a remote control room. to provide information to users.
  • the partial discharge monitoring system 1000 includes a signal detection unit 100 having a sensor for detecting a signal of a high voltage power device, and a local unit 200 for transmitting a signal detected by the signal detection unit through a communication network. ) And applying a machine learning algorithm to extract feature points from the signal transmitted through the local unit, generate two-dimensional feature point data corresponding to the extracted feature points, cluster feature points according to density, classify into feature point data clusters, It may be configured to include a main unit 300 for determining whether a partial discharge (PD) has occurred by recognizing a pattern of PRPD data for the feature point data cluster.
  • the signal may include at least one of a corona discharge signal, a noise signal, an internal discharge signal, and a surface discharge signal.
  • the machine learning algorithm applied to the main unit 300 quickly classifies and recognizes a unique signal according to a power device defect such as a power cable inside the power system and recognizes a pattern to quickly generate partial discharge. It can be accurately determined, and since manual work is unnecessary after pre-installation for signal measurement by workers, it is possible to measure signals even in dangerous areas and monitor the occurrence of partial discharge in real time.
  • the signal detection unit 100 may include any one of a CT sensor, an AE sensor, a TEV sensor, a UHF sensor, or a HFCT sensor, or a plurality of signal detection sensors 110, preferably a HFCT sensor (high frequency current transformer sensor) and can measure the pulse waveform of the signal generated from power equipment.
  • a CT sensor an AE sensor
  • TEV sensor a UHF sensor
  • a HFCT sensor high frequency current transformer sensor
  • the plurality of sensors 110 are generated inside a junction box that connects a power cable of the power system, for example, an intermediate junction box, an air termination box (EBA) or an gaseous termination box (EBG). signal can be measured.
  • a signal measured by the signal detection unit 100 may be transmitted to the local unit 200 through a plurality of sensor cables.
  • the partial discharge determination can determine the pattern of the signal through the PRPD data accumulated and stored in the machine learning algorithm regardless of the phase difference.
  • the present invention it is possible to determine partial discharge with a PRPD pattern using the current phase of a high-voltage power device or the voltage phase of a commercial power supply. It is possible to recognize the pattern of the signal through the stored PRPD data.
  • the local unit 200 may transmit signals measured by the plurality of sensors 110 to the main unit 300 through a communication network.
  • the local unit 200 may perform amplification or frequency tuning to easily separate the signal detected by the signal detection unit 100, and convert the signal into an optical signal in the form of an optical cable. It can be transmitted from the mobile communication network to the main unit 300 via the communication cable 210 of .
  • the main unit 300 includes a signal separation unit 310 that separates signals transmitted from the local unit 200, a signal group unit 320 that clusters and classifies the separated signals, and separates the classified signals.
  • a partial discharge determination unit 330 for diagnosing and finally determining whether a partial discharge has occurred may be included.
  • the main unit 300 extracts feature points from the pulse waveform of the signal transmitted through the local unit 200, and uses the extracted feature points to generate two-dimensional feature point data.
  • the signal clustering unit 320 that clusters similar feature points according to density on the two-dimensional feature point data generated by the signal separation unit, classifies them into feature point data clusters, and generates PRPD data for the feature point data cluster, and the signal clustering unit. It may be configured to include a partial discharge determination unit 330 that determines whether a partial discharge has occurred in the power device based on the pattern of the generated PRPD data.
  • the signal separator 310 constituting the main unit 300 extracts the shape parameter and bandwidth of the pulse converted in the frequency domain among the feature points of the pulse waveform of the signal, and uses the two extracted feature points An operation of generating two-dimensional feature point data may be performed.
  • the signal aggregation unit 320 constituting the main unit 300 determines the density corresponding to the number of feature points existing within a predetermined radius based on a specific feature point on the two-dimensional data generated by the signal separator 310. Based on this, it is possible to perform the task of clustering feature points.
  • the partial discharge determination unit 330 constituting the main unit 300 determines the pattern of PRPD data for the feature point data cluster obtained from the signal collection unit 320 and the machine learning algorithm of the partial discharge determination unit 330.
  • a task of diagnosing the measured signal may be performed by determining similarity between stored learning data.
  • the partial discharge determining unit 330 diagnoses the signal transmitted from the local unit 200 as a corona discharge signal or a noise signal, it can be diagnosed as a normal signal and determined that no defect has occurred in the power device.
  • the main unit 300 diagnoses the signal transmitted from the local unit 200 as an internal discharge signal or a surface discharge signal, it can be diagnosed as a partial discharge signal to determine that the power device has a defect.
  • the signal transmitted from the local unit 200 may include a plurality of signals according to the measurement period, and in this case, if the measured signals are separated and clustered, they can be classified into a plurality of feature point data clusters, and a plurality of feature points.
  • a plurality of signals can be diagnosed as any one of a corona discharge signal, a noise signal, an internal discharge signal, and a surface discharge signal, respectively.
  • Each algorithm for performing the signal separation unit 310, the signal grouping unit 320, and the partial discharge determination unit 330 constituting the main unit 300 may be stored in a dynamic library, Whether each signal determined by the partial discharge determination unit 330 of the main unit 300 matches a signal actually measured in a previously learned determination library may be diagnosed. Meanwhile, the algorithm applied to the partial discharge determiner 330 is a machine learning algorithm.
  • control unit 350 may control power such as a process or equipment inside the partial discharge monitoring system 1000 by applying a supervisory control and data acquisition (SCADA) system.
  • SCADA supervisory control and data acquisition
  • control unit 350 outputs the signal diagnosis result on a display screen so that the user can visually check it, or it can be set and controlled so that an alarm or warning message is generated to the user when a partial discharge occurs in the power device. .
  • FIG. 3 shows a flow chart of a partial discharge monitoring method according to the present invention.
  • the partial discharge monitoring method includes a signal measuring step (S100) of acquiring a pulse waveform of the signal by measuring a signal of a high voltage power device, extracting a feature point from the pulse waveform, and A signal separation step (S200) of generating two-dimensional feature point data using feature points, clustering feature points on the two-dimensional feature point data according to density, classifying them into feature point data clusters, and PRPD (Phase Resolved Partial Discharge) data acquisition step (S300) and a partial discharge determination step (S400) for diagnosing the signal by recognizing the PRPD data pattern and determining whether a partial discharge has occurred in the power device based on this It can be.
  • S100 signal measuring step
  • S200 A signal separation step
  • PRPD Phase Resolved Partial Discharge
  • 4(a) to 4(c) show the magnitude of the pulse for each of the noise signal, the corona discharge signal, and the surface discharge signal measured over time in the signal measurement step of the partial discharge monitoring method according to the present invention.
  • a graph of the pulse waveform is shown.
  • a signal from the sensor 110 provided in the high voltage power device in the power system, for example, corona discharge Pulse waveforms 10a, 10b, and 10c may be obtained by measuring signals such as a signal, a surface discharge signal, and an internal discharge signal.
  • the pulse waveform 10 for the signal obtained in the signal measurement step (S100) can be saved as a CSV (Comma Separated Values) file and then used in the signal separation step (S200).
  • the pulse waveform 10 for the signal input to the CSV file may appear as a graph shown in FIG. 4 .
  • FIG. 4(a) shows a pulse waveform 10a obtained by overlapping a plurality of pulse waveforms obtained from a noise signal
  • FIG. 4(b) shows a plurality of pulse waveforms 10b obtained from a corona discharge signal.
  • FIG. 4(c) shows a pulse waveform 10c obtained by overlapping a plurality of pulse waveforms obtained from the surface discharge signal.
  • FIG. 5 shows two-dimensional feature point data generated from two feature points from a pulse waveform in the signal separation step (S200) of the partial discharge monitoring method according to the present invention
  • FIG. 6 shows the signal aggregation step of the partial discharge monitoring method according to the present invention.
  • the two-dimensional feature point data for which clustering is completed in (S300) is shown.
  • each of the pulse waveforms 10 in order to separate the signal from tens of thousands of pulse waveforms 10 for the signal input in the signal measuring step (S100), each of the pulse waveforms 10 ), two feature points can be extracted, and two-dimensional feature point data 20 having the extracted two feature points as the X axis and the Y axis can be generated.
  • the two-dimensional feature point data 20 generated in the signal separation step (S200) maps about 1000 or more pulse waveforms 10 to a two-dimensional plane using two feature points extracted from the pulse waveform 10 By doing so, each pulse waveform 10 can be easily separated.
  • each pulse waveform 10 is converted into feature point points (21, one point) having X-axis and Y-axis values, and the two-dimensional feature point data 20 is converted to all feature point points ( 21).
  • the frequency component of the pulse extracted as the feature point of the pulse waveform 10 is the bandwidth of the pulse converted in the frequency domain through Fourier transform after calculating the natural frequency of the pulse.
  • the shape parameter of the pulse may be calculated using the shape of the pulse waveform 10 as a parameter.
  • the pulse waveform 10 for the signal obtained in the signal acquisition step (S100) is converted in the frequency domain to calculate the shape parameter and pulse bandwidth of the pulse, and the calculation result is Normalization to a value between 0 and 1 may generate two-dimensional feature point data 20 having X and Y axes, respectively.
  • the two-dimensional feature point data 20 generated in the signal separation step (S200) is converted into a shape parameter and bandwidth of a pulse, and a feature point data cluster 30a corresponding to the noise signal in the two-dimensional area, corona
  • the feature point data cluster 30b corresponding to the discharge signal and the feature point data cluster 30c corresponding to the internal discharge signal are concentrated in different areas, the respective signals can be easily separated.
  • the signal clustering step (S300) the two-dimensional feature point data can be finally classified into three feature point data clusters 30a, 30b, and 30c, and can be displayed in different colors for user convenience.
  • the time required to generate the two-dimensional feature point data 20 based on 100,000 pulse waveforms 10 input to the signal separation step (S200) is about 3.2 Second, it can be seen that the signal separation operation of the signal separation step (S200) is performed very quickly.
  • the clustering algorithm clusters the feature point points 21 according to the density on the two-dimensional feature point data 20 generated in the signal separation step (S200). It performs the task of classifying into different signals.
  • the clustering algorithm of the signal clustering step (S300) may cluster the feature point data 21 in a relatively high-density area as shown in FIG. 7(a) using the following method.
  • the signal clustering step (S300) if a specific number of feature points 21 exist within a preset radius based on a specific feature point 21 on the two-dimensional feature point data 20, it is regarded as one cluster and the clustering process is performed. can be done.
  • This method performs a density-based clustering process, so it is easy to find clusters of various geometric patterns that are not circles on the two-dimensional signal data 20, and the clustering process can be smoothly performed even when the feature point data cluster size is irregular.
  • each of the pulse waveforms 10a, 10b, and 10c (see FIG. 4) on the two-dimensional feature point data 20 generated in the signal separation step (S200) is generated by the clustering algorithm of the signal clustering step (S300). It may be grouped into clusters, for example, a feature point data cluster 30a corresponding to a noise signal, a feature point data cluster 30b corresponding to a corona discharge signal, and a feature point data cluster 30c corresponding to an internal discharge signal. PRPD data for each signal corresponding to each feature point data cluster 30a, 30b, and 30c may be obtained.
  • the PRPD data is obtained by obtaining two-dimensional matrix data representing the phase angle, the magnitude of each signal corresponding to the plurality of feature point data clusters 30, and the number of pulses of each signal, and pre-processing the obtained two-dimensional matrix data. Then, it refers to data obtained as a two-dimensional image including a PRPD pattern for each signal.
  • the phase may be a current phase of a power device or a voltage phase of a commercial power supply, and details of a preprocessing process of the matrix data will be described later.
  • the signal clustering step (S300) when the density is relatively high on the two-dimensional feature point data 20, a plurality of feature point points 21 within a preset radius are included to easily form a cluster, while the feature point points 21 When the number of is small and the density is relatively low, it is difficult to form a cluster.
  • the clustering algorithm of the signal clustering step (S300) applies a minimum spanning tree algorithm, so that the feature point 21 can be obtained even in a low density area as shown in FIG. 7(b). Local clusters of can be easily formed.
  • the clustering algorithm of the signal clustering step (S300) fails to form a cluster in the low-density clustering area 30′ where feature points 21 are relatively small and densely clustered, whereas FIG. 7(b) ), it can be confirmed that the clustering algorithm can smoothly form clusters even in a low data density area.
  • the machine learning-based clustering algorithm applied in the signal clustering step (S300) takes about 19.14 seconds to form clusters in the high-density region based on 100,000 feature point points 21 on the two-dimensional feature point data 20, and clusters in the low-density region. It is measured that it takes about 25.07 seconds to form, and it can be confirmed that the clustering process of the signal clustering step (S300) is performed very quickly.
  • FIG. 8 illustrates a process of acquiring PRPD data for each signal for each cluster in the signal clustering step of the partial discharge monitoring method according to the present invention.
  • Figure 8 (a) shows the PRPD data for the signal measured in the power device in the signal measuring step (S100)
  • Figures 8 (b) to 8 (d) shows each of the signal clustering step (S300) Shows the result of acquiring a plurality of PRPD data 40 by measuring the magnitude of the signal according to the phase angle for the noise signal, the corona discharge signal, and the internal discharge signal, which are signals corresponding to the feature point data clusters 30a, 30b, and 30c. do.
  • the partial discharge determination step (S400) of the partial discharge monitoring method according to the present invention receives PRPD data and analyzes the pattern of the PRPD data based on the pulse size and phase of the partial discharge signal to determine the part of the power device. It is possible to determine whether a discharge has occurred. For example, a PRPD pattern previously stored and identified as a partial discharge signal may be compared with a pattern of the PRPD data, and if the pattern is the same or similar, it may be determined as a partial discharge signal.
  • the PRPD data input to the partial discharge determination step (S400) is provided in a two-dimensional form and is mainly used to determine the signal.
  • the pulse waveform input here can be used as auxiliary data in signal diagnosis.
  • the partial discharge determining step (S400) includes a process of preprocessing PRPD data and pulse waveform data.
  • the machine learning-based diagnostic algorithm applied in the partial discharge determination step (S400) can diagnose the type of signal measured in the signal measuring step (S100) using the preprocessed PRPD data pattern and pulse waveform data.
  • the partial discharge determination step (S400) when the measured signal is a noise signal or a corona discharge signal, it is diagnosed as a normal signal, whereas when the measured signal is an internal discharge signal or a surface discharge signal, it is diagnosed as a partial discharge signal. Therefore, it can be determined that a partial discharge has occurred in the power device.
  • FIG 9 illustrates a process of pre-processing PRPD data in the partial discharge determination step of the partial discharge monitoring method according to the present invention.
  • a preprocessing process may be performed to build a diagnosis algorithm independent of a measuring device or a measuring method in the process of securing the PRPD data 40.
  • the PRPD matrix data 43 shown in FIG. 9 represents the phase angle in the x-axis direction and the pulse size of the signal in the y-axis direction, and the value inside each cell means the number of pulses of the signal.
  • a preprocessing process of converting the PRPD data 40 so that they are all input in the same direction can be performed since the PRPD data 40 is inputted in upside down according to the parameter setting of the PRPD measuring equipment.
  • a preprocessing process may be performed so that each cell value becomes 0 or 1 according to whether or not the pulse occurs rather than the absolute value of the number of pulse occurrences.
  • a PRPD data amplification process which is a process of artificially generating various learning datasets in order to construct a robust diagnosis algorithm for various variables that may occur in actual data, may be performed.
  • the PRPD data amplification process is a technique of shifting the PRPD matrix data 43 left and right along the x-axis direction to compensate for the phase difference of the PRPD data 40, the PRPD To remove noise of the data 40, a technique of padding the PRPD matrix data 43 in the y-axis direction and a technique of changing the size of the PRPD data 40 in the y-axis direction may be used.
  • a plurality of PRPD data can be generated by variously changing the phase change in the x-axis direction, and all newly generated data can be machine learning. analyzed by algorithms.
  • a left-right shifting technique may be performed along the x-axis in PRPD matrix data 43 having a cell number of 256x256. is an integer between 0 and 128).
  • the PRPD data amplification process of the partial discharge determination step (S400) involves padding some cells of the PRPD matrix data 43 in the y-axis direction to remove noise from the PRPD data 40.
  • technique can be used. Specifically, in the process of collecting the PRPD data 40, in some cases, signals smaller than a certain size are not measured in order to capture only signals excluding noise signals, so in this case, m data from the bottom of the PRPD matrix data 43 (m is an integer greater than or equal to 0 and less than or equal to 10)
  • a PRPD data amplification process may be performed using a padding technique in which all cell values in a row are converted to 0 (convert two rows to 0 in FIG. 11). Through this data amplification process, even when data of 0 is actually input in m rows from the bottom, the decision can be easily made using the amplified data.
  • the PRPD data amplification process in the partial discharge determination step (S400) may use a scaling technique of changing the size of the PRPD data 40 in the y-axis direction.
  • FIG. 13 shows results before and after amplification of pulse waveform data in the partial discharge determining step (S400) of the partial discharge monitoring method according to the present invention.
  • FIG. 13(a) shows a state before amplifying the pulse wave data 10
  • FIG. 13(b) shows a state after amplifying the pulse wave data 10.
  • a technique of shifting the pulse wave data 10 in the input x-axis (time) direction to amplify the magnitude of the pulse may be used. That is, if the pattern of the pulse waveform data 10 is the same but the pulse start point is different, the diagnosis algorithm of the partial discharge determination step (S400) may determine that the data is different from each other, and thus the pulse start point may be changed to amplify the data. there is.
  • the preprocessed or amplified PRPD data 40 and pulse waveform data 10 are input by applying a machine learning-based diagnosis algorithm. It can be used to diagnose whether a partial discharge has occurred.
  • the diagnosis algorithm of the partial discharge determination step (S400) utilizes a convolution neural network (CNN) to extract and recognize features appearing in the PRPD data 40 pattern, and as a result, determine the type of signal.
  • CNN convolution neural network
  • FIG. 14 shows a result of diagnosing a signal by recognizing a PRPD data pattern in the partial discharge determination step of the partial discharge monitoring method according to the present invention.
  • the partial discharge determination step (S400) of the partial discharge monitoring method according to the present invention it is possible to diagnose the type of each signal measured in the power device by recognizing the PRPD data pattern using a machine learning-based diagnosis algorithm.
  • the diagnosis algorithm in the partial discharge determination step (S400) detects the signal generated by the power device as an abnormal signal, that is, an internal discharge signal or a surface discharge signal, it can be interpreted that a partial discharge has occurred in the corresponding power device.
  • the diagnosis algorithm in the partial discharge determination step (S400) determines the actual normal signal.
  • the probability of diagnosing it as a normal signal was found to be 93.4%, and the probability of diagnosing it as an abnormal signal was found to be 91.5% when an abnormal signal actually occurred due to a partial discharge in a power device.
  • the probability that the diagnosis algorithm in the partial discharge determination step (S400) diagnoses the partial discharge signal as a normal signal even though a partial discharge occurred in an actual power device and a partial discharge signal was generated was 8.5%, and the partial discharge determination step (S400) Even though the diagnosis algorithm in the actual power device had no partial discharge and a normal signal occurred, the probability of causing cumbersome and unnecessary on-site response by workers was relatively low at 6.6%, as it was diagnosed as a partial discharge signal.
  • the machine learning-based diagnosis algorithm applied in the partial discharge determination step (S400) took about 2.5 seconds or less as a result of performing signal diagnosis based on 10 or less PRPD data 40, and 20,000 feature point points ( 21), it can be confirmed that the diagnosis process is performed very quickly, as it takes 2 to 4 seconds as a result of performing signal diagnosis.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Testing Relating To Insulation (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

본 발명은 기계학습 알고리즘을 적용하여 고전압 전력기기에서 발생하는 신호를 패턴 인식하여 고전압 전력기기에 발생된 결함을 실시간으로 모니터링 및 판정할 수 있는 부분방전 모니터링 시스템 및 부분방전 모니터링 방법에 관한 것이다.

Description

부분방전 모니터링 시스템 및 부분방전 모니터링 방법
본 발명은 부분방전 모니터링 시스템 및 부분방전 모니터링 방법에 관한 것이다. 보다 상세하게, 본 발명은 기계학습 알고리즘을 적용하여 고전압 전력기기에서 발생하는 부분방전 신호를 취득하고 PRPD 데이터를 획득한 후 PRPD 데이터의 패턴을 인식하여 고전압 전력기기에 발생된 결함을 실시간으로 모니터링 및 판정할 수 있는 부분방전 모니터링 시스템 및 부분방전 모니터링 방법에 관한 것이다.
고전압 전력기기가 전력 시스템에 설치되어 운전되면 여러가지 원인에 의해 다양한 유형의 사고가 발생할 수 있으며, 사고에 따른 피해 규모도 증가하는 추세이다. 이에 따라, 사고가 발생하기 이전에 고전압 전력기기 내부의 부분방전 신호를 검출하여 진단하기 위한 각종 진단 기법 및 첨단 장비들이 전력기기의 부분방전 판정에 적용되고 있다.
이 중에서 부분방전(Partial Discharge; PD) 측정은 전력기기의 이상 유무를 판정할 수 있는 방법이다. 일반적으로, 위상 분해 부분 방전(PRPD; Phase Resolved Partial Discharge) 분석 후 인공 신경망 (Artificial neural network)을 활용하여 전력기기에서 발생된 신호가 어떠한 결함으로부터 기인된 신호인지 기계학습 알고리즘의 패턴 인식을 통해 진단할 수 있고, 전력기기 결함에 따른 부분방전 발생 여부를 판정할 수 있다.
종래에는 작업자가 전력기기의 부분방전 등을 판정하기 위하여 현장에서 부분방전 측정을 위한 센서 설치 후 데이터 취득을 통해 부분방전을 판정하였으나, 케이블에서 발생하는 부분방전 현상은 비규칙적이고 간헐적으로 발생됨에 따라 작업자가 현장에 머물러 있는 동안에만 신호 측정이 가능하여 부분방전 판정에 있어 한계가 존재하였다.
또한, PRPD 분석은 위상 기반으로 부분방전 데이터를 해석하므로, 케이블 등의 전력기기의 전압 위상을 알아야 정확한 분석이 가능하나, 활선상태인 전력기기의 전압 위상을 정확히 측정하는 것은 쉽지 않기 때문에, 전력기기의 전압 위상 대신 전력기기의 전류 위상 또는 부분방전 측정장치에 사용되는 상용전원의 AC 전압 위상을 이용하여 PRPD 분석을 시도하고 있으며, 이 경우 전력기기의 전압 위상과는 위상차가 존재하므로, 전력기기의 전압 위상을 파악하지 못한 상태에서 부분방전 패턴 인식을 수행하는 경우 판정 결과가 부정확하다는 문제가 있었다.
이에, 고전압 전력기기의 전압 위상 정보 없이도 고전압 전력기기에서 발생하는 부분방전 신호를 패턴 인식하여 고전압 전력기기에 발생된 결함을 실시간으로 모니터링 및 판정할 수 있는 부분방전 모니터링 시스템 및 부분방전 모니터링 방법이 요구된다.
본 발명은 기계학습 알고리즘을 적용하여 고전압 전력기기의 전압 위상 정보 없이도 고전압 전력기기의 전류 위상 또는 상용전원의 전압 위상과 이에 기반한 신호의 발생위상 정보 및 신호의 펄스 크기를 기초로 고전압 전력기기에서 발생하는 신호를 패턴 인식하여 고전압 전력기기에 발생된 결함을 실시간으로 모니터링 및 판정할 수 있는 부분방전 모니터링 시스템 및 부분방전 모니터링 방법을 제공하는 것을 해결하고자 하는 과제로 한다.
상기 과제를 해결하기 위하여, 본 발명은 부분방전 모니터링 방법에 있어서, 전력기기의 신호를 측정하고 상기 신호의 펄스 파형을 획득하는 신호 측정 단계; 상기 펄스 파형에서 특징점을 추출하고, 상기 특징점을 이용하여 이차원 특징점 데이터를 생성하는 신호 분리 단계; 상기 이차원 특징점 데이터 상에서 상기 특징점에 대응하는 특징점 포인트를 밀도에 따라 군집하여 특징점 데이터 군집으로 분류하고, 상기 특징점 데이터 군집에 대한 PRPD(Phase Resolved Partial Discharge) 데이터를 획득하는 신호 군집 단계; 및 상기 PRPD 데이터의 패턴을 인식하여 상기 신호를 진단하고, 상기 진단 결과에 기반하여 전력기기의 부분방전 발생 여부를 판정하는 부분방전 판정 단계;를 포함하는 것을 특징으로 하는 부분방전 모니터링 방법을 제공할 수 있다.
이경우, 상기 특징점은 상기 펄스 파형이 주파수 영역에서 변환된 펄스의 형상모수 및 펄스의 대역폭을 포함할 수 있다.
또한, 상기 신호 군집 단계는 상기 신호 분리 단계에서 획득된 이차원 특징점 데이터 상에서 특정 특징점 포인트를 기준으로 미리 설정된 반경 내에 존재하는 특징점 포인트 개수에 대응하는 밀도를 기반으로 특징점 포인트를 군집할 수 있다.
또한, 상기 PRPD 데이터의 패턴 인식은 고전압 전력기기의 전류 위상 또는 상용전원의 전압 위상과 이에 기반한 신호의 발생위상 정보 및 부분방전 신호의 펄스 크기를 기초로 할 수 있다.
그리고, 상기 부분방전 판정 단계는 상기 진단된 신호가 코로나 방전 신호 또는 노이즈 신호인 경우 이를 정상 신호로 진단하고, 상기 진단된 신호가 내부 방전 신호 또는 표면 방전 신호인 경우 이를 부분방전 신호로 진단하여 전력기기의 결함에 의한 부분방전이 발생하였음을 판정할 수 있다.
또한, 본 발명은 상기 과제를 해결하기 위하여, 부분방전 모니터링 시스템에 있어서, 전력기기의 신호를 감지하는 센서를 구비하는 신호 감지유닛; 상기 신호 감지유닛에서 감지된 신호를 통신망을 통해 전송하기 위한 로컬유닛; 및 기계학습 알고리즘을 적용하여 상기 로컬유닛을 통해 전송된 신호에서 특징점을 추출하여 상기 추출된 특징점에 대응하는 특징점 포인트를 생성하고, 상기 특징점 포인트를 밀도에 따라 특징점 데이터 군집으로 분류하여 부분방전 발생여부를 판정하기 위한 메인유닛;을 포함하는 것을 특징으로 하는 부분방전 모니터링 시스템을 제공할 수 있다.
여기서, 상기 메인유닛은 상기 로컬유닛을 통해 전송된 신호의 펄스 파형에서 특징점을 추출하고, 상기 특징점을 이용하여 이차원 특징점 데이터를 생성하는 신호 분리부; 상기 신호 분리부에서 생성한 이차원 특징점 데이터 상에서 특징점 포인트를 밀도에 따라 군집하여 특징점 데이터 군집으로 분류하고, 상기 특징점 데이터 군집에 대한 PRPD 데이터를 생성하는 신호 군집부; 및 상기 신호 군집부에서 생성한 PRPD 데이터의 패턴을 인식하여 신호를 진단하고 이를 기초로 전력기기의 부분방전 발생 여부를 판정하기 위한 부분방전 판정부;를 포함할 수 있다.
또한, 상기 특징점은 상기 펄스 파형이 주파수 영역에서 변환된 펄스의 형상모수 및 펄스의 대역폭을 포함할 수 있다.
그리고, 상기 신호 군집부는 상기 신호 분리부에서 획득된 이차원 특징점 데이터 상에서 특정 특징점 포인트를 기준으로 미리 설정된 반경 내에 존재하는 특징점 포인트 개수에 대응하는 밀도를 기반으로 특징점 포인트를 군집할 수 있다.
또한, 상기 부분방전 판정부는 상기 신호 군집부의 PRPD 데이터 패턴과 펄스 파형을 기계학습 알고리즘에 저장된 학습 데이터와 비교하여 상기 신호를 코로나 방전 신호, 노이즈 신호, 내부 방전 신호 및 표면 방전 신호 중 어느 하나의 신호로 진단할 수 있다.
본 발명에 따른 부분방전 모니터링 시스템 및 부분방전 모니터링 방법에 의하면, 부분방전 모니터링 시스템을 구성하는 메인유닛에 적용된 기계학습 알고리즘이 전력 시스템 내부의 전력기기 결함에 따른 고유 신호를 패턴 인식하여 부분방전 발생을 신속하고 정확하게 판정할 수 있고, 작업자의 신호 측정을 위한 수작업이 불필요하므로 전력 케이블 또는 지중 케이블 매설 지역과 같이 위험 지역에서도 신호를 측정 가능하여 부분방전 발생 여부를 실시간으로 모니터링 할 수 있다.
도 1은 본 발명에 따른 부분방전 모니터링 시스템의 전체 구성도를 도시한다.
도 2는 본 발명에 따른 부분방전 모니터링 시스템에서 기계학습 네트워크를 도시한다.
도 3은 본 발명에 따른 부분방전 모니터링 방법의 순서도를 도시한다.
도 4는 각각 본 발명에 따른 부분방전 모니터링 방법의 신호 측정 단계에서 측정된 노이즈 신호, 코로나 방전신호 및 표면 방전신호 각각에 대한 펄스 파형의 그래프를 도시한다.
도 5는 본 발명에 따른 부분방전 모니터링 방법의 신호 분리 단계에서 펄스 파형으로부터 두 가지 특징점이 생성된 이차원 특징점 데이터를 도시한다.
도 6은 본 발명에 따른 부분방전 모니터링 방법의 신호 군집 단계에서 군집이 완료된 이차원 특징점 데이터를 도시한다.
도 7은 본 발명에 따른 부분방전 모니터링 방법의 신호 군집 단계에서 이차원 특징점 데이터 상에서 밀도 기반으로 군집하는 과정을 도시한다.
도 8은 본 발명에 따른 부분방전 모니터링 방법의 신호 군집 단계에서 군집별 각각의 신호에 대한 PRPD 데이터를 획득하는 과정을 도시한다.
도 9는 본 발명에 따른 부분방전 모니터링 방법의 부분방전 판정 단계에서 PRPD 데이터를 전처리하는 과정을 도시한다.
도 10 내지 도 12는 본 발명에 따른 부분방전 모니터링 방법의 부분방전 판정 단계에서 PRPD 데이터를 증폭하는 과정을 도시한다.
도 13는 본 발명에 따른 부분방전 모니터링 방법의 부분방전 판정 단계에서 특징점 포인트의 증폭 전후의 결과를 도시한다.
도 14는 본 발명에 따른 부분방전 모니터링 방법의 부분방전 판정 단계에서 PRPD 데이터를 패턴을 인식하여 신호를 진단한 결과를 도시한다.
이하, 첨부된 도면들을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명하기로 한다. 그러나, 본 발명은 여기서 설명된 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록, 그리고 당업자에게 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다. 명세서 전체에 걸쳐서 동일한 참조 번호들은 동일한 구성요소들을 나타낸다.
도 1은 본 발명에 따른 부분방전 모니터링 시스템의 전체 구성도의 예시를 도시한 것이고, 도 2는 본 발명에 따른 부분방전 모니터링 시스템에서 기계학습 네트워크를 도시한다.
본 발명에 따른 부분방전 모니터링 시스템(Partial discharge monitoring system; PDMS)(1000)은 고전압 전력기기 내에서 절연체가 파괴되기 전 국부적으로 발생하는 방전으로서 전력 시스템에 큰 문제를 초래할 수 있는 부분방전(Partial discharge; PD)을 자동으로 감지 및 판정할 수 있는 시스템이다. 부분방전은 전극의 첨단 부근에 발생하는 코로나 방전(Corona discharge), 절연물의 표면을 따라 발생하는 표면 방전(또는 '연면 방전'이라고 함)(Surface discharge), 절연물 내부의 보이드(void)나 먼지 등 이물질에 의해 발생하는 내부 방전(Internal discharge) 등을 포함하며, 노이즈 신호(Noise)가 일부 포함될 수 있다.
도 1 및 도 2에 도시된 바와 같이, 본 발명에 따른 부분방전 모니터링 시스템(1000)은 기계학습 알고리즘을 적용하여 전력 시스템 내부 전력기기의 상태 정보를 실시간으로 감시 및 계측한 결과를 원격에 있는 제어실로 전송하여 사용자에게 정보를 제공할 수 있다.
본 발명에 따른 부분방전 모니터링 시스템(1000)은 고전압 전력기기의 신호를 감지하는 센서를 구비하는 신호 감지유닛(100), 상기 신호 감지유닛에서 감지된 신호를 통신망을 통해 전송하기 위한 로컬유닛(200) 및 기계학습 알고리즘을 적용하여 상기 로컬유닛을 통해 전송된 신호에서 특징점을 추출하여 상기 추출된 특징점에 대응하는 이차원 특징점 데이터를 생성하고, 특징점 포인트를 밀도에 따라 군집하여 특징점 데이터 군집으로 분류하고, 상기 특징점 데이터 군집에 대한 PRPD 데이터의 패턴을 인식하여 부분방전(Partial discharge; PD) 발생 여부를 판정하기 위한 메인유닛(300)을 포함하여 구성될 수 있다. 한편, 여기서 신호는 코로나 방전신호, 노이즈 신호, 내부 방전신호 및 표면 방전신호 중 적어도 하나 이상의 신호를 포함할 수 있다.
본 발명에 따른 부분방전 모니터링 시스템(1000)은 상기 메인유닛(300)에 적용된 기계학습 알고리즘이 전력 시스템 내부 전력 케이블 등의 전력기기 결함에 따른 고유 신호를 분류 및 패턴 인식하여 부분방전 발생을 신속하고 정확하게 판정할 수 있고, 작업자의 신호 측정을 위한 사전 설치 이후 수작업이 불필요하므로 위험 지역에서도 신호를 측정 가능하여 부분방전 발생 여부를 실시간으로 모니터링 할 수 있다.
상기 신호 감지유닛(100)은 CT 센서, AE 센서, TEV 센서, UHF 센서 또는 HFCT 센서 중 어느 하나 또는 복수 개의 신호 감지 센서(110)를 포함할 수 있으며, 바람직하게는 HFCT 센서(High frequency current transformer sensor)로 구성되어 전력기기에서 발생하는 신호의 펄스 파형을 측정할 수 있다.
일 실시예로, 상기 복수 개의 센서(110)는 전력 시스템의 전력 케이블을 접속하는 접속함, 예를 들면 중간 접속함, 기중 종단 접속함(EBA) 또는 가스중 종단 접속함(EBG) 내부에서 발생하는 신호를 측정할 수 있다. 상기 신호 감지유닛(100)에서 측정된 신호는 복수 개의 센서 케이블을 통하여 로컬유닛(200)으로 전달될 수 있다.
종래, 전력기기의 부분방전 발생 여부는 전력기기의 전류 위상 또는 상용전원의 AC 전압 위상을 기반으로 판정하였기 때문에 전력기기의 전압 위상과의 위상차로 인해 부분방전 판정 결과가 부정확하였으나, 본 발명에 따른 부분방전 판정은 위상 차이에 상관없이 기계학습 알고리즘에 누적하여 저장된 PRPD 데이터를 통하여 신호의 패턴을 판정할 수 있다.
즉, 본 발명에 따르면, 고전압 전력기기의 전류 위상 또는 상용전원의 전압 위상을 이용한 PRPD 패턴으로 부분방전 판정을 할 수 있는데, 전력기기의 전압 위상과의 위상 차이에 상관없이 기계학습 알고리즘에 누적하여 저장된 PRPD 데이터를 통하여 신호의 패턴을 인식 가능하다.
상기 로컬유닛(200)은 복수 개의 센서(110)로부터 측정된 신호를 통신망을 통해 상기 메인유닛(300)으로 전송 가능하다. 예를 들어, 상기 로컬유닛(200)은 상기 신호 감지유닛(100)에서 감지된 신호를 용이하게 분리하기 위해 증폭 또는 주파수 튜닝 작업 등을 수행할 수 있으며, 상기 신호를 광신호로 변환하여 광케이블 형태의 통신케이블(210)을 매개로 이동 통신 통신망에서 상기 메인유닛(300)으로 전송할 수 있다.
상기 메인유닛(300)은 상기 로컬유닛(200)으로부터 전송된 신호를 분리하는 신호 분리부(310), 상기 분리된 신호를 군집하여 분류하는 신호 군집부(320) 및 상기 분류된 각각의 신호를 진단하여 최종적으로 부분방전 발생 여부를 판정하는 부분방전 판정부(330)를 포함할 수 있다.
예를 들어, 상기 메인유닛(300)은 상기 로컬유닛(200)을 통해 전송된 신호의 펄스 파형에서 특징점을 추출하고, 상기 추출된 특징점을 이용하여 이차원 특징점 데이터를 생성하는 신호 분리부(310), 상기 신호 분리부에서 생성된 이차원 특징점 데이터 상에서 유사한 특징점 포인트를 밀도에 따라 군집하여 특징점 데이터 군집으로 분류하고 상기 특징점 데이터 군집에 대한 PRPD 데이터를 생성하는 신호 군집부(320) 및 상기 신호 군집부에서 생성한 PRPD 데이터의 패턴을 기초로 전력기기의 부분방전 발생 여부를 판정하는 부분방전 판정부(330)를 포함하여 구성될 수 있다.
상기 메인유닛(300)을 구성하는 신호 분리부(310)는 신호의 펄스 파형의 특징점 중 주파수 영역에서 변환된 펄스의 형상모수 및 펄스의 대역폭을 각각 추출하고, 상기 추출된 두 개의 특징점을 이용하여 이차원 특징점 데이터를 생성하는 작업을 수행할 수 있다.
상기 메인유닛(300)을 구성하는 신호 군집부(320)는 상기 신호 분리부(310)에서 생성된 이차원 데이터 상에서 특정 특징점 포인트를 기준으로 미리 설정된 반경 내에 존재하는 특징점 포인트의 개수에 대응하는 밀도를 기반으로 특징점 포인트를 군집하는 작업을 수행할 수 있다.
상기 메인유닛(300)을 구성하는 부분방전 판정부(330)는 상기 신호 군집부(320)에서 획득한 특징점 데이터 군집에 대한 PRPD 데이터의 패턴과 상기 부분방전 판정부(330)의 기계학습 알고리즘에 저장된 학습 데이터간의 유사성을 판단하여 상기 측정된 신호를 진단하는 작업을 수행할 수 있다.
여기서, 상기 부분방전 판정부(330)는 상기 로컬유닛(200)에서 전송된 신호를 코로나 방전신호 또는 노이즈 신호로 진단하는 경우 이를 정상 신호로 진단하여 전력기기에 결함이 발생하지 않은 것으로 판정할 수 있고, 상기 메인유닛(300)이 상기 로컬유닛(200)에서 전송된 신호를 내부 방전신호 또는 표면 방전신호로 진단하는 경우 이를 부분방전 신호로 진단하여 전력기기에 결함이 발생한 것으로 판정할 수 있다.
한편, 상기 로컬유닛(200)에서 전송된 신호는 측정 주기에 따라 복수 개의 신호가 포함될 수 있고, 이러할 경우에 측정된 신호를 분리 및 군집하면 복수 개의 특징점 데이터 군집으로 분류될 수 있으며, 복수 개의 특징점 데이터 군집에 대한 PRPD 데이터 패턴에 따라 복수 개의 신호를 각각 코로나 방전신호, 노이즈 신호, 내부 방전신호 및 표면 방전신호 중 어느 하나의 신호로 진단할 수 있다.
이하, 상기 메인유닛(300)에 적용되는 기계학습 알고리즘을 통한 부분방전 모니터링 방법에 관한 상세한 내용은 후술하기로 한다.
상기 메인유닛(300)을 구성하는 신호 분리부(310), 신호 군집부(320) 및 부분방전 판정부(330)를 수행하기 위한 각각의 알고리즘은 동적 라이브러리(Dynamic library)에 저장될 수 있으며, 상기 메인유닛(300)의 부분방전 판정부(330)에서 판정된 각각의 신호는 기존 학습된 판정 라이브러리에서 실제 측정된 신호와 일치하는지 진단될 수 있다. 한편, 상기 부분방전 판정부(330)에 적용된 알고리즘은 기계학습 알고리즘이다.
그리고, 상기 제어부(350)는 SCADA(Supervisory control and data acquisition) 시스템을 적용하여 상기 부분방전 모니터링 시스템(1000) 내부의 공정 또는 설비 등의 전원을 제어할 수 있다.
또한, 상기 제어부(350)는 신호 진단 결과를 사용자(user)가 육안으로 확인 가능하도록 디스플레이 화면에 출력하거나 또는 전력기기에서 부분방전 발생 시 사용자에게 경보 또는 경고 메시지가 발생되도록 설정 및 제어될 수 있다.
도 3은 본 발명에 따른 부분방전 모니터링 방법의 순서도를 도시한다.
도 3에 도시된 바와 같이, 본 발명에 따른 부분방전 모니터링 방법은 고전압 전력기기의 신호를 측정하여 상기 신호의 펄스 파형을 획득하는 신호 측정 단계(S100), 상기 펄스 파형에서 특징점을 추출하고, 상기 특징점을 이용하여 이차원 특징점 데이터를 생성하는 신호 분리 단계(S200), 상기 이차원 특징점 데이터 상에서 특징점 포인트를 밀도에 따라 군집하여 특징점 데이터 군집으로 분류하고, 상기 분류된 특징점 데이터 군집에 대한 PRPD(Phase Resolved Partial Discharge) 데이터를 획득하는 신호 군집 단계(S300) 및 상기 PRPD 데이터 패턴을 인식하여 신호를 진단하고, 이를 기초로 전력기기의 부분방전 발생 여부를 판정하기 위한 부분방전 판정 단계(S400)를 포함하여 구성될 수 있다.
도 4(a) 내지 도 4(c)은 각각 본 발명에 따른 부분방전 모니터링 방법의 신호 측정 단계에서 시간에 따라 측정된 노이즈 신호, 코로나 방전신호 및 표면 방전신호 각각에 대한 펄스의 크기를 측정한 펄스 파형의 그래프를 도시한다.
도 4에 도시된 바와 같이, 본 발명에 따른 부분방전 모니터링 방법의 신호 측정 단계(S100)에서 전력 시스템 내 고전압 전력기기에 구비되는 센서(110)(도 1 참조)로부터 신호, 예를 들면 코로나 방전신호, 표면 방전신호, 내부 방전신호 등의 신호를 측정하여 이에 대한 펄스 파형(10a, 10b, 10c)을 획득할 수 있다.
또한, 상기 신호 측정 단계(S100)에서 획득된 신호에 대한 펄스 파형(10)은 CSV(Comma Separated Values) 파일로 저장되어 이후 상기 신호 분리 단계(S200)에서 사용될 수 있다. 여기서, 상기 CSV 파일로 입력된 신호에 대한 펄스 파형(10)을 시각화 처리하면 도 4에 도시된 그래프와 같이 나타날 수 있다. 예를 들어, 도 4(a)는 노이즈 신호에서 획득한 복수 개의 펄스 파형을 중첩하여 나타낸 펄스 파형(10a)을 도시하고, 도 4(b)는 코로나 방전신호에서 획득한 복수 개의 펄스 파형(10b)을 도시하고, 도 4(c)는 표면 방전신호에서 획득한 복수 개의 펄스 파형을 중첩하여 나타낸 펄스 파형(10c)을 도시한다.
도 5는 본 발명에 따른 부분방전 모니터링 방법의 신호 분리 단계(S200)에서 펄스 파형으로부터 두 가지 특징점이 생성된 이차원 특징점 데이터를 도시하고, 도 6은 본 발명에 따른 부분방전 모니터링 방법의 신호 군집 단계(S300)에서 군집이 완료된 이차원 특징점 데이터를 도시한다.
본 발명에 따른 부분방전 모니터링 방법의 신호 분리 단계(S200)는 상기 신호 측정 단계(S100)에서 입력된 신호에 대한 수 만개의 펄스 파형(10)으로부터 신호를 분리하기 위하여 상기 각각의 펄스 파형(10)으로부터 2개의 특징점을 추출하고, 상기 추출된 2개의 특징점을 X축 및 Y축으로 하는 이차원 특징점 데이터(20)를 생성할 수 있다.
여기서, 상기 신호 분리 단계(S200)에서 생성된 이차원 특징점 데이터(20)는 펄스 파형(10)에서 추출된 2개의 특징점을 이용하여 약 1000개 이상의 펄스 파형(10)을 이차원 평면에 맵핑(mappaing)함으로써 각각의 펄스 파형(10)이 용이하게 분리될 수 있다.
도 5에 도시된 바와 같이, 각각의 펄스 파형(10)은 X축과 Y축 값을 갖는 특징점 포인트(21, 1개의 포인트)로 변환되며, 이차원 특징점 데이터(20)는 변환된 모든 특징점 포인트(21)를 포함한다.
본 발명은 상기 신호 획득 단계(S100)에서 획득된 펄스 파형(10)으로부터 복수 개의 특징점 후보를 선정하는 과정에 있어서 형상모수(shape parameter) 및 주파수(Hz) 영역에서 변환된 펄스의 주파수 성분이 펄스 파형(10)을 이차원 평면에 맵핑(mapping)한 경우 각각의 신호를 용이하게 분리하는데 가장 효과적임을 확인하였다.
구체적으로, 상기 펄스 파형(10)의 특징점으로서 추출되는 펄스의 주파수 성분은 펄스의 고유 주파수 계산 후 푸리에 변환(Fourier transform)을 통해 주파수 영역에서 변환한 펄스의 대역폭(band width)이다. 또한, 펄스의 형상 모수는 펄스 파형(10)의 형상을 파라미터로 사용하여 계산될 수 있다.
따라서, 상기 신호 분리 단계(S200)에서는 상기 신호 획득 단계(S100)에서 획득된 신호에 대한 펄스 파형(10)을 주파수 영역에서 변환된 펄스의 형상모수 및 펄스의 대역폭을 계산하고, 상기 계산 결과를 0과 1 사이의 값으로 정규화(normalization)하여 각각 X축 및 Y축으로 하는 이차원 특징점 데이터(20)를 생성할 수 있다.
도 5에 도시된 바와 같이, 상기 신호 분리 단계(S200)에서 생성된 이차원 특징점 데이터(20)는 펄스의 형상모수 및 대역폭으로 변환된 이차원 영역에서 노이즈 신호에 대응하는 특징점 데이터 군집(30a), 코로나 방전 신호에 대응하는 특징점 데이터 군집(30b) 및 내부 방전 신호에 대응하는 특징점 데이터 군집(30c)이 각기 다른 영역에 밀집됨에 따라 각각의 신호의 분리가 용이하게 수행될 수 있으며, 도 6에 도시된 바와 같이, 상기 신호 군집 단계(S300)에서 최종적으로 이차원 특징점 데이터가 3개의 특징점 데이터 군집(30a, 30b, 30c)으로 분류될 수 있으며, 사용자 편의성 측면에서 각각 다른 색상으로 표시될 수 있다.
한편, 상기 신호 분리 단계(S200)에서 적용되는 분리 알고리즘은 상기 신호 분리 단계(S200)로 입력되는 100,000개의 펄스 파형(10) 기준으로 상기 이차원 특징점 데이터(20)를 생성하는데 소요되는 시간이 약 3.2초에 불과하여, 상기 신호 분리 단계(S200)의 신호 분리 작업이 매우 신속하게 이루어짐을 확인할 수 있다.
도 7에 도시된 바와 같이, 본 발명에 따른 신호 군집 단계(S300)에서는 군집 알고리즘이 상기 신호 분리 단계(S200)에서 생성된 이차원 특징점 데이터(20) 상에서 특징점 포인트(21)를 밀도에 따라 군집하여 서로 다른 신호로 분류하는 작업을 수행한다.
그리고, 상기 신호 군집 단계(S300)의 군집 알고리즘은 하기와 같은 방법을 사용하여 도 7(a)에 나타난 바와 같이 비교적 고밀도 영역에서 상기 특징점 데이터(21)를 군집할 수 있다.
상기 신호 군집 단계(S300)는 상기 이차원 특징점 데이터(20) 상에서 특정 특징점 포인트(21)를 기준으로 미리 설정된 반경 내에 특정 개수의 특징점 포인트(21)가 존재하면 이를 하나의 군집으로 간주하여 군집화 과정을 수행할 수 있다. 이와 같은 방법은 밀도 기반으로 군집화 과정을 수행하므로 상기 이차원 신호 데이터(20) 상에서 원이 아닌 다양한 기하학적 패턴의 군집을 찾기 용이하고 특징점 데이터 군집 크기가 불규칙한 경우에도 군집화 과정을 원활하게 수행할 수 있다는 장점이 있다.
따라서, 상기 신호 분리 단계(S200)에서 생성된 이차원 특징점 데이터(20) 상에서 각각의 펄스 파형(10a, 10b, 10c)(도 4 참조)은 상기 신호 군집 단계(S300)의 군집 알고리즘에 의해 각각의 군집, 예를 들면 노이즈 신호에 대응하는 특징점 데이터 군집(30a), 코로나 방전신호에 대응하는 특징점 데이터 군집(30b) 및 내부 방전신호에 대응하는 특징점 데이터 군집(30c)으로 각각 군집될 수 있고, 이후 각각의 특징점 데이터 군집(30a, 30b, 30c)에 대응하는 각각의 신호에 대한 PRPD 데이터를 획득할 수 있다.
PRPD 데이터는 위상 각도, 복수 개의 특징점 데이터 군집(30)에 대응하는 각각의 신호의 크기 및 각각의 신호의 펄스 수를 나타내는 이차원 행렬 데이터를 획득하고, 상기 획득된 이차원 행렬 데이터의 전처리 과정을 수행한 이후 각각의 신호에 대한 PRPD 패턴(pattern)이 포함된 이차원 이미지로 획득되는 데이터를 의미한다. 여기서 위상은 전력기기의 전류 위상 또는 상용전원의 전압 위상일 수 있으며, 상기 행렬 데이터의 전처리 과정에 대한 자세한 내용은 후술한다.
상기 신호 군집 단계(S300)는 상기 이차원 특징점 데이터(20) 상에서 밀도가 비교적 높은 경우 미리 설정된 반경 내 다수의 특징점 포인트(21)가 포함되어 군집을 용이하게 형성 가능한 반면에, 상기 특징점 포인트(21)의 개수가 작아 밀도가 비교적 낮은 경우 군집을 형성하기 어려운 현상이 발생한다.
상기와 같은 현상을 보완하기 위하여, 상기 신호 군집 단계(S300)의 군집 알고리즘은 최소 신장 트리(Minimum spanning tree) 알고리즘을 적용함으로써 도 7(b)에 나타난 바와 같이 저밀도 영역에서도 상기 특징점 포인트(21)의 국소적인 군집들을 용이하게 형성할 수 있다.
도 7(a)을 참조하여, 상기 신호 군집 단계(S300)의 군집 알고리즘이 특징점 포인트(21)가 비교적으로 작게 밀집된 저밀도 군집 영역(30')에서 군집을 형성하지 못하고 있는 반면, 도 7(b)의 경우 상기 군집 알고리즘이 데이터 저밀도 영역에서도 군집을 원활하게 형성 가능함을 확인할 수 있다.
상기 신호 군집 단계(S300)에서 적용되는 기계학습 기반의 군집 알고리즘은 상기 이차원 특징점 데이터(20) 상에서 100,000개의 특징점 포인트(21) 기준으로 고밀도 영역에서 군집을 형성하는데 약 19.14초, 저밀도 영역에서 군집을 형성하는데 약 25.07초 소요되는 것으로 측정되어, 상기 신호 군집 단계(S300)의 군집화 과정이 매우 신속하게 이루어짐을 확인할 수 있다.
도 8은 본 발명에 따른 부분방전 모니터링 방법의 신호 군집 단계에서 군집별 각각의 신호에 대한 PRPD 데이터를 획득하는 과정을 도시한다.
도 8(a)는 상기 신호 측정 단계(S100)에서 전력기기에서 측정되는 신호에 대한 PRPD 데이터를 도시하며, 도 8(b) 내지 도 8(d)는 상기 신호 군집 단계(S300)에서 각각의 특징점 데이터 군집(30a, 30b, 30c)에 해당하는 신호인 노이즈 신호, 코로나 방전신호 및 내부 방전신호에 대하여 위상 각도에 따른 신호의 크기를 측정하여 복수 개의 PRPD 데이터(40)를 획득한 결과를 도시한다.
본 발명에 따른 부분방전 모니터링 방법의 부분방전 판정 단계(S400)는 PRPD 데이터를 입력받고, 부분방전신호의 펄스 크기와 위상을 기초로 한 상기 PRPD 데이터의 패턴(pattern)을 분석하여 전력기기의 부분방전 발생 여부를 판정할 수 있다. 예를 들어, 기 저장되어 부분방전 신호로 확인된 PRPD 패턴과 상기 PRPD 데이터의 패턴을 비교하여 동일 또는 유사할 경우에 부분방전 신호로 판정할 수 있다. 여기서, 상기 부분방전 판정 단계(S400)로 입력되는 PRPD 데이터는 이차원 형태로 제공되어 신호를 판정하는데 주요하게 활용된다.
한편, 검증용으로 상기 부분방전 판정 단계(S400)에서 펄스 파형을 추가로 입력받고, 펄스 파형을 분석하여 전력기기의 부분방전 발생 여부를 한번 더 판정할 수 있다. 여기서 입력되는 펄스 파형은 신호 진단에서 보조 자료로 활용될 수 있다.
여기서, 상기 부분방전 판정 단계(S400)는 PRPD 데이터 및 펄스 파형 데이터를 전처리하는 과정을 포함한다. 상기 부분방전 판정 단계(S400)에 적용된 기계학습 기반의 진단 알고리즘은 상기 전처리된 PRPD 데이터 패턴 및 펄스 파형 데이터를 이용하여 상기 신호 측정 단계(S100)에서 측정된 신호의 종류를 진단할 수 있다.
여기서, 상기 부분방전 판정 단계(S400)는 상기 측정된 신호가 노이즈 신호 또는 코로나 방전신호인 경우 정상 신호로 진단하는 반면, 상기 측정된 신호가 내부 방전신호 또는 표면 방전신호인 경우 부분방전 신호로 진단하여 전력기기에 부분방전이 발생한 것으로 판정할 수 있다.
도 9는 본 발명에 따른 부분방전 모니터링 방법의 부분방전 판정 단계에서 PRPD 데이터를 전처리하는 과정을 도시한다.
상기 부분방전 판정 단계(S400)는 PRPD 데이터(40)를 확보하는 과정에서 측정 장비 또는 측정 방식에 비의존적인 진단 알고리즘을 구축하기 위하여 전처리 과정을 수행할 수 있다.
도 9에 도시된 상기 PRPD 행렬 데이터(43)는 x축 방향으로 위상각을 나타내고, y축 방향으로 신호의 펄스 크기를 나타내며, 각각의 셀 내부의 값은 신호의 펄스 발생 횟수를 의미한다. 여기서, 상기 부분방전 판정 단계(S400)는 PRPD 측정 장비의 변수 설정에 따라 PRPD 데이터(40)가 상하 반전되어 입력되므로 모두 동일한 방향으로 입력되도록 변환하는 전처리 과정을 수행할 수 있다. 또한, 펄스 발생 횟수의 절대적인 값보다는 발생 여부에 따라 각각의 셀 값이 0 또는 1이 되도록 하는 전처리 과정을 수행할 수 있다.
도 10 내지 도 12는 본 발명에 따른 부분방전 모니터링 방법의 상기 부분방전 판정 단계(S400)에서 PRPD 데이터를 증폭하는 과정을 도시한다.
상기 부분방전 판정 단계(S400)는 실제 데이터에서 발생할 수 있는 여러가지 변수에 대하여 강건한 진단 알고리즘을 구축하기 위하여 학습 데이터셋을 인위적으로 다양하게 생성하는 과정인 PRPD 데이터 증폭 과정을 수행할 수 있다.
상기 부분방전 판정 단계(S400)에서 PRPD 데이터 증폭 과정은 상기 PRPD 데이터(40)의 위상 차이를 보상하기 위해 상기 PRPD 행렬 데이터(43)를 x축 방향을 따라 좌우 쉬프팅(shifting)하는 기법, 상기 PRPD 데이터(40)의 노이즈 제거를 위해 PRPD 행렬 데이터(43)를 y축 방향으로 패딩(padding)하는 기법 및 상기 PRPD 데이터(40)에서 y축 방향으로 크기를 변경하는 기법 등을 사용할 수 있다.
도 10를 참조하여, 상기 부분방전 판정 단계(S400)의 PRPD 데이터 증폭 과정은 x축 방향으로 위상 변화를 다양하게 변경하여 다수의 PRPD 데이터를 생성할 수 있으며, 신규로 생성된 데이터 전체를 기계학습 알고리즘으로 분석한다. 일 실시예로, 셀 개수가 256x256인 PRPD 행렬 데이터(43)에서 x축을 따라 좌우 쉬프팅(shifting) 기법을 수행할 수 있으며, 예를 들어 상기 256x256 PRPD 행렬 데이터(43)에서 셀을 n번째(n은 0 이상 128 이하의 정수) 열로 이동시키는 방식으로 좌우 쉬프팅(shifting) 기법을 수행하였다.
도 11을 참조하여, 상기 부분방전 판정 단계(S400)의 PRPD 데이터 증폭 과정은 상기 PRPD 데이터(40)의 노이즈 제거를 위해 PRPD 행렬 데이터(43)의 일부 셀을 y축 방향으로 패딩(padding)하는 기법을 사용할 수 있다. 구체적으로, PRPD 데이터(40)를 수집하는 과정에서 노이즈 신호를 제외한 신호만을 잡기 위하여 일정 크기보다 작은 신호는 측정하지 않는 경우도 있으므로, 이러한 경우에는 상기 PRPD 행렬 데이터(43)에서 가장 하부에서부터 m개(m은 0 이상 10 이하의 정수) 행의 셀 값들은 모두 0으로 변환(도 11에서 2개의 행을 0으로 변환)하는 패딩(padding) 기법을 사용하여 PRPD 데이터 증폭 과정을 수행할 수 있다. 이러한 데이터 증폭 과정을 통해 가장 하부에서부터 m개의 행에 0인 데이터가 실제로 입력되었을 때도 증폭 데이터를 활용하여 판정이 용이하게 이루어질 수 있다.
도 12를 참조하여, 상기 부분방전 판정 단계(S400)의 PRPD 데이터 증폭 과정은 상기 PRPD 데이터(40)에서 y축 방향으로 크기를 변경하는 스케일링(Scaling) 기법을 사용할 수 있다.
구체적으로, 상기 PRPD 데이터(40)에서 y축 방향으로 신호의 패턴이 상이하기 때문에 y축으로 다양한 크기를 지닌 데이터의 확보가 필요하다. 따라서, 상기 PRPD 데이터(40)를 이미지로 간주하여 y축 방향에 대하여 크기를 줄이거나 늘린 이후에 기존 PRPD 데이터(40)의 크기를 유지하기 위해 나머지 영역을 모두 0으로 변환하거나 자르는 기법인 스케일링(Scaling) 기법을 사용할 수 있다. 이 경우, 상기 PRPD 데이터(40)의 이미지 크기는 최대 50%까지 커지거나 작아지므로 이를 통해 다양한 크기의 PRPD 데이터를 증폭할 수 있다.
도 13은 본 발명에 따른 부분방전 모니터링 방법의 상기 부분방전 판정 단계(S400)에서 펄스파형 데이터의 증폭 전후의 결과를 도시한다.
도 13(a)는 상기 펄스 파형 데이터(10)를 증폭하기 전 상태를 도시한 것이고, 도 13(b)는 상기 펄스 파형 데이터(10)를 증폭한 후의 상태를 도시한다.
상기 부분방전 판정 단계(S400)의 펄스 파형 데이터 증폭 과정에서 상기 펄스 파형 데이터(10)가 입력되는 x축(시간) 방향으로 쉬프팅(shifting)하여 펄스의 크기를 증폭하는 기법을 사용할 수 있다. 즉, 펄스 파형 데이터(10)의 패턴은 동일하지만 펄스 시작 지점이 다른 경우 상기 부분방전 판정 단계(S400)의 진단 알고리즘이 서로 상이한 데이터로 판단할 수 있으므로 펄스 시작 지점을 변화하여 데이터를 증폭시킬 수 있다.
이후, 본 발명에 따른 부분방전 모니터링 방법의 상기 부분방전 판정 단계(S400)는 기계학습 기반의 진단 알고리즘을 적용하여 상기와 같이 전처리 또는 증폭된 PRPD 데이터(40) 및 펄스 파형 데이터(10)를 입력받아 부분방전 발생 여부를 진단할 수 있다.
여기서, 상기 부분방전 판정 단계(S400)의 진단 알고리즘은 합성곱 신경망(Convolution neural network; CNN) 등을 활용하여 PRPD 데이터(40) 패턴에 나타나는 특징들을 추출 및 인식하여 결과적으로 신호의 종류를 판정할 수 있다.
도 14는 본 발명에 따른 부분방전 모니터링 방법의 상기 부분방전 판정 단계에서 PRPD 데이터 패턴을 인식하여 신호를 진단한 결과를 도시한다.
발명에 따른 부분방전 모니터링 방법의 부분방전 판정 단계(S400)에서 기계학습 기반 진단 알고리즘을 활용하여 PRPD 데이터 패턴을 인식하여 전력기기에서 측정된 각각의 신호의 종류를 진단할 수 있다.
즉, 상기 부분방전 판정 단계(S400)의 진단 알고리즘이 전력기기에서 발생된 신호를 이상신호, 즉 내부 방전신호 또는 표면 방전신호로 감지하는 경우 해당 전력기기에서 부분방전이 발생한 것으로 해석될 수 있다.
도 14에 도시된 바와 같이, 상기 부분방전 판정 단계(S400)의 진단 알고리즘이 판정한 결과와 실제 전력기기에서 발생한 신호를 비교해보면, 상기 부분방전 판정 단계(S400)의 진단 알고리즘이 실제 정상신호를 정상신호로 진단할 확률은 93.4%로 나타났고, 실제로 전력기기에 부분방전이 일어나 이상신호가 발생한 경우 이를 이상신호로 진단할 확률이 91.5%인 것으로 나타났다.
반면, 상기 부분방전 판정 단계(S400)의 진단 알고리즘이 실제 전력기기에 부분방전이 일어나 부분방전 신호가 발생했음에도 이를 정상 신호로 진단할 확률은 8.5%로 나타났고, 상기 부분방전 판정 단계(S400)의 진단 알고리즘이 실제 전력기기에 부분방전이 미발생하여 정상 신호가 발생했음에도 이를 부분방전 신호로 진단함으로써 작업자의 번거롭고 불필요한 현장 대응을 유발할 수 있는 확률은 6.6%로 비교적 낮게 나타났다.
그리고, 상기 부분방전 판정 단계(S400)에서 적용되는 기계학습 기반의 진단 알고리즘은 10개 이하의 PRPD 데이터(40) 기준으로 신호 진단을 수행한 결과 약 2.5초 이하로 소요되었으며, 20,000개의 특징점 포인트(21)를 기준으로 신호 진단을 수행한 결과 2초 내지 4초 소요되는 것으로 보아 진단 과정이 매우 신속하게 이루어짐을 확인할 수 있다.
본 명세서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술분야의 당업자는 이하에서 서술하는 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경 실시할 수 있을 것이다. 그러므로 변형된 실시가 기본적으로 본 발명의 특허청구범위의 구성요소를 포함한다면 모두 본 발명의 기술적 범주에 포함된다고 보아야 한다.

Claims (9)

  1. 부분방전 모니터링 방법에 있어서,
    전력기기의 신호를 측정하고 상기 신호의 펄스 파형을 획득하는 신호 측정 단계;
    상기 펄스 파형에서 특징점을 추출하고, 상기 특징점을 이용하여 이차원 특징점 데이터를 생성하는 신호 분리 단계;
    상기 이차원 특징점 데이터 상에서 상기 특징점에 대응하는 특징점 포인트를 밀도에 따라 군집하여 특징점 데이터 군집으로 분류하고, 상기 특징점 데이터 군집에 대한 PRPD(Phase Resolved Partial Discharge) 데이터를 획득하는 신호 군집 단계; 및
    상기 PRPD 데이터의 패턴을 인식하여 상기 신호를 진단하고, 상기 진단 결과에 기반하여 전력기기의 부분방전 발생 여부를 판정하는 부분방전 판정 단계;를 포함하는 것을 특징으로 하는 부분방전 모니터링 방법.
  2. 제1항에 있어서,
    상기 특징점은 상기 펄스 파형이 주파수 영역에서 변환된 펄스의 형상모수 및 펄스의 대역폭을 포함하는 것을 특징으로 하는 부분방전 모니터링 방법.
  3. 제1항에 있어서,
    상기 신호 군집 단계는 상기 신호 분리 단계에서 획득된 이차원 특징점 데이터 상에서 특정 특징점 포인트를 기준으로 미리 설정된 반경 내에 존재하는 특징점 포인트 개수에 대응하는 밀도를 기반으로 특징점 포인트를 군집하는 것을 특징으로 하는 부분방전 모니터링 방법.
  4. 제1항에 있어서,
    상기 부분방전 판정 단계는 상기 진단된 신호가 코로나 방전 신호 또는 노이즈 신호인 경우 이를 정상 신호로 진단하고,
    상기 진단된 신호가 내부 방전 신호 또는 표면 방전 신호인 경우 이를 부분방전 신호로 진단하여 전력기기의 결함에 의한 부분방전이 발생하였음을 판정하는 것을 특징으로 하는 부분방전 모니터링 방법.
  5. 부분방전 모니터링 시스템에 있어서,
    전력기기의 신호를 감지하는 센서를 구비하는 신호 감지유닛;
    상기 신호 감지유닛에서 감지된 신호를 통신망을 통해 전송하기 위한 로컬유닛; 및
    기계학습 알고리즘을 적용하여 상기 로컬유닛을 통해 전송된 신호에서 특징점을 추출하여 상기 추출된 특징점에 대응하는 특징점 포인트를 생성하고, 상기 특징점 포인트를 밀도에 따라 특징점 데이터 군집으로 분류하여 부분방전 발생여부를 판정하기 위한 메인유닛;을 포함하는 것을 특징으로 하는 부분방전 모니터링 시스템.
  6. 제5항에 있어서,
    상기 메인유닛은 상기 로컬유닛을 통해 전송된 신호의 펄스 파형에서 특징점을 추출하고, 상기 특징점을 이용하여 이차원 특징점 데이터를 생성하는 신호 분리부;
    상기 신호 분리부에서 생성한 이차원 특징점 데이터 상에서 특징점 포인트를 밀도에 따라 군집하여 특징점 데이터 군집으로 분류하고, 상기 특징점 데이터 군집에 대한 PRPD 데이터를 생성하는 신호 군집부; 및
    상기 신호 군집부에서 생성한 PRPD 데이터의 패턴을 인식하여 신호를 진단하고 이를 기초로 전력기기의 부분방전 발생 여부를 판정하기 위한 부분방전 판정부;를 포함하는 것을 특징으로 하는 부분방전 모니터링 시스템.
  7. 제6항에 있어서,
    상기 특징점은 상기 펄스 파형이 주파수 영역에서 변환된 펄스의 형상모수 및 펄스의 대역폭을 포함하는 것을 특징으로 하는 부분방전 모니터링 시스템.
  8. 제6항에 있어서,
    상기 신호 군집부는 상기 신호 분리부에서 획득된 이차원 특징점 데이터 상에서 특정 특징점 포인트를 기준으로 미리 설정된 반경 내에 존재하는 특징점 포인트 개수에 대응하는 밀도를 기반으로 특징점 포인트를 군집하는 것을 특징으로 하는 부분방전 모니터링 시스템.
  9. 제6항에 있어서,
    상기 부분방전 판정부는 상기 신호 군집부의 PRPD 데이터 패턴과 펄스 파형을 기계학습 알고리즘에 저장된 학습 데이터와 비교하여 상기 신호를 코로나 방전 신호, 노이즈 신호, 내부 방전 신호 및 표면 방전 신호 중 어느 하나의 신호로 진단하는 것을 특징으로 하는 부분방전 모니터링 시스템.
PCT/KR2022/021641 2021-12-30 2022-12-29 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 WO2023128669A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0192238 2021-12-30
KR20210192238 2021-12-30
KR1020220187472A KR20230104525A (ko) 2021-12-30 2022-12-28 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
KR10-2022-0187472 2022-12-28

Publications (1)

Publication Number Publication Date
WO2023128669A1 true WO2023128669A1 (ko) 2023-07-06

Family

ID=86999638

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/021641 WO2023128669A1 (ko) 2021-12-30 2022-12-29 부분방전 모니터링 시스템 및 부분방전 모니터링 방법

Country Status (1)

Country Link
WO (1) WO2023128669A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881703A (zh) * 2023-09-06 2023-10-13 国网上海市电力公司 一种电缆多源信号识别方法、装置及存储介质
CN117909877A (zh) * 2024-03-18 2024-04-19 苏州光格科技股份有限公司 局放监测参数确定方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100048650A (ko) * 2008-10-31 2010-05-11 엘에스전선 주식회사 노이즈 제거 기능이 향상된 전력 장비 결함 진단 방법 및 시스템
KR101350529B1 (ko) * 2012-09-18 2014-01-13 한국전력공사 잡음 제거 기능을 갖는 부분방전 판정 장치 및 방법
KR101385318B1 (ko) * 2013-01-02 2014-04-16 오피전력기술 주식회사 부분 방전 진단 장치 및 그 방법
US20160061897A1 (en) * 2014-08-29 2016-03-03 Lsis Co., Ltd. System for analysis of partial discharge defects of gas insulated switchgear
KR101822829B1 (ko) * 2017-08-11 2018-01-29 문경훈 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100048650A (ko) * 2008-10-31 2010-05-11 엘에스전선 주식회사 노이즈 제거 기능이 향상된 전력 장비 결함 진단 방법 및 시스템
KR101350529B1 (ko) * 2012-09-18 2014-01-13 한국전력공사 잡음 제거 기능을 갖는 부분방전 판정 장치 및 방법
KR101385318B1 (ko) * 2013-01-02 2014-04-16 오피전력기술 주식회사 부분 방전 진단 장치 및 그 방법
US20160061897A1 (en) * 2014-08-29 2016-03-03 Lsis Co., Ltd. System for analysis of partial discharge defects of gas insulated switchgear
KR101822829B1 (ko) * 2017-08-11 2018-01-29 문경훈 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881703A (zh) * 2023-09-06 2023-10-13 国网上海市电力公司 一种电缆多源信号识别方法、装置及存储介质
CN116881703B (zh) * 2023-09-06 2023-12-08 国网上海市电力公司 一种电缆多源信号识别方法、装置及存储介质
CN117909877A (zh) * 2024-03-18 2024-04-19 苏州光格科技股份有限公司 局放监测参数确定方法、装置、电子设备及存储介质
CN117909877B (zh) * 2024-03-18 2024-06-04 苏州光格科技股份有限公司 局放监测参数确定方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
WO2023128669A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2017191872A1 (ko) 플랜트 이상 감지 방법 및 시스템
RU2484487C2 (ru) Способ и устройство для определения появления электрической дуги на, по меньшей мере, одном электрическом кабеле
WO2014193040A1 (ko) 센싱 데이터 분석 시스템 및 방법
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
WO2016204385A1 (ko) 전기철도차량의 진동 정보 검출 방법 및 장치
KR20230104527A (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2013042928A1 (ko) 부분방전 결함유형 판정 방법 및 그 장치
US20230162484A1 (en) Apparatus and method for generating learning data for artificial intelligence model
CN108399486A (zh) 一种基于最小二乘向量机的电力设备故障检测方法
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2021075855A1 (ko) 분포도를 통한 기기의 예지 보전방법
CN115077605A (zh) 智能变电站管理系统
WO2019177239A1 (ko) 구동부의 정밀 예지 보전방법
CN111583592A (zh) 一种基于多维卷积神经网络的实验环境安全预警方法
CN114460439A (zh) 一种数字集成电路测试系统
KR20230104526A (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2021075845A1 (ko) 분포도를 통한 기기의 예지 보전방법
CN114460519A (zh) 基于电力互感器检验的现场与终端融合管理系统和方法
WO2023128668A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
KR101743595B1 (ko) 부분 방전 진단 방법 및 시스템, 이를 이용한 몰드 변압기 열화 모니터링 시스템.
JP7107632B2 (ja) 回転機診断システムおよび回転機診断方法
WO2020262781A1 (ko) 제어 출력신호를 통한 기기의 건전성 지수 검출방법
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
WO2022146020A1 (ko) 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22916810

Country of ref document: EP

Kind code of ref document: A1