KR102436080B1 - 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치 - Google Patents

오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102436080B1
KR102436080B1 KR1020200121939A KR20200121939A KR102436080B1 KR 102436080 B1 KR102436080 B1 KR 102436080B1 KR 1020200121939 A KR1020200121939 A KR 1020200121939A KR 20200121939 A KR20200121939 A KR 20200121939A KR 102436080 B1 KR102436080 B1 KR 102436080B1
Authority
KR
South Korea
Prior art keywords
oil
state
transformer
filtration
sub
Prior art date
Application number
KR1020200121939A
Other languages
English (en)
Other versions
KR20220011046A (ko
Inventor
최금실
신재경
서보성
Original Assignee
주식회사 원프레딕트
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 주식회사 원프레딕트 filed Critical 주식회사 원프레딕트
Priority to US16/949,809 priority Critical patent/US20220019937A1/en
Publication of KR20220011046A publication Critical patent/KR20220011046A/ko
Application granted granted Critical
Publication of KR102436080B1 publication Critical patent/KR102436080B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/40—Structural association with built-in electric component, e.g. fuse
    • H01F27/402—Association of measuring or protective means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/08—Cooling; Ventilating
    • H01F27/10—Liquid cooling
    • H01F27/12—Oil cooling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (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)
  • Housings And Mounting Of Transformers (AREA)

Abstract

본 발명은 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법은 변압기 상태 예측 장치가 변압기의 변압기 데이터를 수신하는 단계, 변압기 상태 예측 장치가 변압기 데이터를 기반으로 변압기의 오일 여과 여부를 결정하는 단계와 변압기 상태 예측 장치가 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 변압기의 상태를 예측하는 단계를 포함할 수 있다.

Description

오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치{Method for status prediction of transformer based on oil filtering and apparatus for using the method}
본 발명은 오일 여과 여부를 고려한 유입식 변압기 예측 진단 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 오일 여과 여부를 판단하고 학습된 예측 모델을 기반으로 유입식 변압기의 상태를 예측 진단하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
급속한 산업 발달로 인한 전기 에너지 수요의 급증으로 전력용 변압기 사용이 증가하였다. 이에 따라 현재 설치된 변압기의 상당수가 노후화되면서 예측하지 못한 설비 사고가 자주 발생하고 있다. 전력용 변압기가 대용량화되고 전력계통이 복잡해짐에 따라 설비 고장에 의한 사고가 발생되면 광범위한 정전이 수반되고, 복구와 공급 지장으로 인한 경제적 손실이 커지게 된다.
이러한 손실을 최소화하기 위해서는 변압기가 현재 어떤 상태에 있는지를 가능한 정확히 진단해야 한다. 필요한 운용 유지 보수를 시행하여 변압기의 예상치 못한 사고를 최소화할 필요가 있다.
변압기 사고의 가장 많은 비중을 차지하고 있는 사례는 절연 내력의 열화이다. 변압기 절연 파괴는 특성상 폭발을 동반할 수 있다. 절연 열화 특성을 분석하기 위한 가장 효과적인 방법으로 유중 가스 분석법 (Dissolved Gas Analysis, DGA)을 주로 사용되고 있다. 변압기에 사용하는 절연유(오일), 절연지 등 유기 절연 재료는 운전에 의한 온도 상승과 국부 과열을 발생한다.
그리고 방전 등에 의한 열분해로 각종 가스를 포함한 열화 생성물을 형성한다. 열화 생성물 중 가스는 오일에 용해된다. 이에 운전 중 변압기 오일을 정기적으로 채취하여 용해된 가스 농도를 분석한다면 변압기 내부의 이상 여부를 추정할 수 있다. 하지만 단순히 특정 가스에 대한 기준치 초과 여부나 패턴 등으로 변압기 상태를 단정짓는다면 변압기 운영 유지 보수 또는 교체를 결정하는데 정확히 진단하기 어렵다.
따라서 변압기의 이상 발생 원인과 더불어 현재보다 확실한 상태를 진단할 방안이 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 오일 여과 여부에 따라 서로 다른 학습 모델을 기반으로 변압기 상태에 대한 정확한 예측을 수행하는 것을 목적으로 한다.
또한, 본 발명은, 변압기의 상태를 고려하여 개별적으로 상태에 따라 생성된 학습 모델을 기반으로 변압기의 변압기 상태에 대한 정확한 예측을 수행하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법은 변압기 상태 예측 장치가 상기 변압기의 변압기 데이터를 수신하는 단계, 상기 변압기 상태 예측 장치가 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하는 단계와 상기 변압기 상태 예측 장치가 상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하는 단계를 포함할 수 있다.
한편, 상기 변압기 데이터는 임계 횟수 이상 측정된 상기 변압기의 유중 가스 데이터를 포함할 수 있다.
또한, 상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함할 수 있다.
본 발명의 다른 실시예에 따르면, 오일 여과 여부를 고려한 변압기의 상태를 예측하는 변압기 상태 예측 장치는 상기 변압기의 변압기 데이터를 수신하도록 구현된 변압기 데이터 입력부와 상기 변압기 데이터 입력부와 동작 가능하게(operatively) 연결된 프로세서를 포함하되, 상기 프로세서는 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하고, 상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하도록 구현될 수 있다.
한편, 상기 변압기 데이터는 임계 횟수 이상 측정된 유중 가스 데이터를 포함할 수 있다.
또한, 상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함할 수 있다.
본 발명에 의하면, 오일 여과 여부에 따라 서로 다른 학습 모델을 기반으로 변압기 상태에 대한 정확한 예측이 수행될 수 있다.
또한, 본 발명에 의하면, 변압기의 상태를 고려하여 개별적으로 상태에 따라 생성된 학습 모델을 기반으로 변압기의 변압기 상태에 대한 정확한 예측이 수행될 수 있다.
도 1은 본 발명의 실시예에 따른 변압기 상태 예측을 수행하는 변압기 상태 예측 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 오일 여과 여부 판단 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 학습 기반으로 변압기의 상태를 예측하는 방법을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 제1 예측 모델(오일 여과)를 생성하는 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 제2 예측 모델(오일 비여과)를 생성하는 방법을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 예측 모델 생성 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 변압기의 상태 예측 방법을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
기존의 변압기 현재 상태는 주기적인 오일 채취 및 오일 내 유중 가스(Dissovled Gas Analysis, DGA) 분석을 통해 결정된다. 구체적으로 유입식 변압기에서 채취되어 분석된 유중 가스를 룰 기반 국제 기준인 IEEE/IEC/JAPAN ETRA/CIGRE과 비교하여 변압기의 현재 상태가 진단된다.
변압기 상태에 대한 분석 결과, 이상으로 판단시 물리적 원인이 추가적으로 진단될 수 있다. 현재 룰 기반 국제 기준을 통한 변압기의 상태 진단은 가능하나, 변압기의 상태 예측은 불가능하다. 즉, 이후에 변압기가 어떠한 상태로 변화될 것인지에 대한 예측은 불가능하다.
변압기의 고장은 대형 폭발 및 화재를 유발한다. 따라서, 변압기의 상태 예측을 기반으로 변압기를 사전에 보수하여 변압기의 고장에 의한 대형 인명 재산 피해가 방지될 수 있다. 따라서, 본 발명의 실시예에 따른 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법에서는 딥러닝 기법을 기반으로 한 변압기 상태 예측 기술이 개시되고, 이와 동시에 오일 여과를 통한 변압기 상태 변화를 고려하여 오일 여과 여부에 따른 변압기 상태 예측 방법이 개시된다.
본 발명은 유중 가스를 기반으로 다음 계측 시점의 변압기 상태를 예측하는 것으로 기존의 단순히 변압기의 현재 상태를 진단하는 것이 아니라 변압기의 앞으로의 상태를 예측하는 것이다. 본 발명에서는 변압기의 상태를 예측하기 위해 오일 여과 여부가 판단되고 오일 여과 여부에 따라 서로 다른 상태 예측 모델이 사용될 수 있다.
도 1은 본 발명의 실시예에 따른 변압기 상태 예측을 수행하는 변압기 상태 예측 장치를 나타낸 개념도이다.
도 1에서는 오일 여과 여부를 고려하여 복수개의 학습 모델을 기반으로 변압기 상태를 예측하는 변압기 상태 예측 장치가 개시된다.
도 1을 참조하면, 변압기 상태 예측 장치는 변압기 데이터 입력부(100), 오일 여과 결정부(110), 변압기 상태 예측부(120) 및 프로세서(150)를 포함할 수 있다.
변압기 데이터 입력부(100)는 변압기의 상태를 예측하기 위한 변압기 데이터를 수신하기 위해 구현될 수 있다. 변압기 데이터는 변압기의 유중 가스 데이터 및/또는 변압기 상태 데이터를 포함할 수 있다. 유중 가스 데이터는 변압기에서 측정된 유중 가스 6종 정보 및/또는 유중 가스 6종 조성비 정보를 포함할 수 있다.
유중 가스 6종 정보는 수소 H2, 메탄 CH4, 에칠렌 C2H4, 에탄 C2H6, 아세칠렌 C2H2, 일산화탄소 CO에 대한 정보를 포함하고, 유중 가스 6종 조성비 정보는 특정 유중 가스값 대 6종 유중 가스합에 대한 정보를 포함할 수 있다.
변압기 상태 데이터는 변압기의 상태가 제1 상태(normal), 2 상태(warning), 제3 상태(critical) 및 제4 상태(fault) 중 어떠한 상태인지에 대한 정보를 포함할 수 있다.
본 발명에서 변압기 상태 예측을 위해서는 현재 시점 이전에 측정한 n개의 유중 가스 데이터 및/또는 현재 시점 이전에 판단된 n-1개의 변압기 상태 데이터가 필요할 수 있다. 이에 대해서는 구체적으로 후술한다.
오일 여과 결정부(110)는 유중 가스 데이터를 기반으로 변압기의 오일에 대한 여과가 수행되었는지 여부를 판단하기 위해 구현될 수 있다. 본 발명에서는 오일 여과 여부에 따라 서로 다른 예측 모델을 기반으로 변압기의 상태 예측을 하기 때문에 오일 여과 결정부가 오일 여과 여부에 대한 결정을 수행할 수 있다.
특정 유중 가스가 정상 범주에서 벗어나는 경우(예를 들어, 급격한 상승) 또는 주기적인 관리로서 전체 변압기 내부 오일의 이물질, 수분, 가스 등을 제거하는 오일 여과 작업이 수행될 수 있다. 오일 여과 작업은 절연 성능을 개선하고, 변압기의 상태를 일정 부분 개선할 수 있다.
구체적으로 변압기에서 내부 고장이 발생하면 열 발생이 수반되며 열에 접촉된 절연유는 열 분해되고 수소(H2), 메탄(CH4), 아세틸렌(C2H2), 에틸렌(C2H4), 에탄(C2H6) 등의 가스가 발생된다. 그리고 셀룰로스계 절연지에서는 메탄(CH4), 수소(H2), 일산화탄소(CO), 이산화탄소(CO2) 등이 발생된다. 따라서, 변압기 내부 고장 형태에 따라 특정한 가스가 발생되는 패턴을 보이며 이러한 주요 가스의 크로마토그래피 분석을 통하여 변압기의 고장 형태에 대한 판단이 수행될 수 있다.
오일 여과 작업이 수행되는 경우, 변압기의 상태 예측 측면에서 변압기의 지속적인 상태 열화 패턴이 중단된다. 즉, 변압기에서 오일 여과 여부 판단에 따른 상태 예측 결과가 달라지게 된다. 오일 여과 여부가 판단되지 않은 경우, 변압기의 상태에 대한 정확한 판단에 치명적인 문제점이 된다. 따라서, 변압기에서 오일 여과 작업이 수행되었는지 여부를 판단하여 변압기의 상태가 예측될 수 있다.
이러한 오일 여과 작업 수행 여부를 판단하기 위한 유중 가스는 오일 여과 판단 가스라는 용어로 정의될 수 있다. 예를 들어, 오일 여과 판단 가스는 3종 유중 가스(메탄 CH4, 에칠렌 C2H4, 에탄 C2H6)일 수 있다. 오일 여과 결정부는 오일 여과 판단 가스의 변화를 고려하여 오일 여과 여부를 결정할 수 있다. 예를 들어, 메탄(CH4), 에틸렌(C2H4), 에탄(C2H6) 3종 가스와 같은 오일 여과 판단 가스가 여과 이후 임계 퍼센트(60% 이하)로 감소하는 경우, 오일 여과를 수행한 것으로 판단할 수 있다.
본 발명에서는 오일 여과 여부에 따라 서로 다른 학습 데이터를 기반으로 학습된 예측 모델을 기반으로 한 변압기 상태 예측이 수행될 수 있다.
변압기 상태 예측부(120)는 변압기 상태 예측을 위해 구현될 수 있다. 변압기 상태 예측부(120)는 오일 여과 여부에 따라 별도로 생성된 복수개의 예측 모델을 포함할 수 있고, 오일 여과를 판단하여 예측 모델을 선택하여 변압기 상태을 예측할 수 있다.
오일 여과 여부에 따라 예측을 수행하는 복수개의 예측 모델을 생성하기 위해 오일 여과 판단 가스의 변화를 기준으로 오일 여과 여부에 따른 학습 데이터를 분리하여 학습을 수행할 수 있다. 예를 들어, 오일 여과 판단 가스는 3종 유중 가스(메탄 CH4, 에칠렌 C2H4, 에탄 C2H6)일 수 있고, 오일 여과 판단 가스의 감소율 기준으로 오일 여과 여부를 판단하여 오일 여과 여부에 따라 학습 데이터가 분리될 수 있다. 학습 데이터는 오일 여과 작업을 수행한 경우의 학습 데이터(오일 여과)와 오일 여과 작업을 수행하지 않은 경우의 학습 데이터(오일 비여과)로 구분될 수 있다.
학습 데이터(오일 여과)는 제1 예측 모델(오일 여과)(130)를 학습시키기 위해 사용되고, 학습 데이터(오일 비여과)는 제2 예측 모델(오일 비여과)(140)를 학습시키기 위해 사용될 수 있다.
학습 데이터는 유중 가스 데이터로서 유중 가스 6종 정보와 유중 가스 6종 조성비 정보를 포함할 수 있다. 유중 가스 6종 정보는 수소 H2, 메탄 CH4, 에칠렌 C2H4, 에탄 C2H6, 아세칠렌 C2H2, 일산화탄소 CO에 대한 정보를 포함하고, 유중 가스 6종 조성비 정보는 특정 유중 가스값 대 6종 유중 가스합에 대한 정보를 포함할 수 있다.
또한, 학습 데이터는 변압기 상태 데이터를 포함할 수 있다. 변압기 상태 데이터는 유중 가스 데이터와 대응되어 학습에 활용될 수 있다.
제1 예측 모델(오일 여과)(130) 및 제2 예측 모델(오일 비여과)(140)는 LSTM(Long Short-Term Memory models) 기반의 모델일 수 있고, 변압기 데이터 입력부(100)를 통해 입력된 유중 가스 데이터를 기반으로 다음 계측 시점에 변압기의 상태에 대한 예측이 수행될 수 있다. LSTM 모델은 시계열적 예측을 수행하는 모델의 예시로서 다른 다양한 예측 모델이 사용될 수 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.
제1 예측 모델(오일 여과)(130) 및 제2 예측 모델(오일 비여과)(140)에 대한 구체적인 학습 과정은 후술된다.
오일 여과 여부를 고려하여 n개의 이전 시점의 유중 가스 데이터가 제1 예측 모델(오일 여과)(130) 또는 제2 예측 모델(오일 비여과)(140)로 입력되는 경우, n+1 시점의 변압기 상태가 예측될 수 있다. 변압기의 상태는 제1 상태(Normal), 제2 상태(Warning), 제3 상태(Critical) 또는 제4 상태(Fault)로 분류될 수 있다. 구체적으로 본 발명에서는 제1 예측 모델(오일 여과)(130) 또는 제2 예측 모델(오일 비여과)(140)를 통해 특정 변압기에 대한 n회 계측을 수행한 변압기 데이터를 기반으로 이후 변압기의 상태에 대한 예측이 가능할 수 있다. 이러한 변압기 상태 예측을 위한 계측 횟수는 하나의 예시이고, 제1 예측 모델(오일 여과)(130) 및 제2 예측 모델(오일 비여과)(140)의 구조에 따라 변화될 수 있는 값으로서 다른 계측 횟수가 사용될 수도 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.
프로세서(150)는 변압기 데이터 입력부(100), 오일 여과 결정부(110) 및/또는 변압기 상태 예측부(120)의 동작을 제어하기 위해 구현될 수 있다.
프로세서(150)는 변압기 데이터 입력부(100), 오일 여과 결정부(110) 및/또는 변압기 상태 예측부(120)와 동작 가능하게(operatively) 연결될 수 있다.
이하 본 발명의 실시예에서는 보다 구체적인 오일 여과 여부에 대한 판단 및 변압기 상태에 대한 예측 방법이 개시된다.
도 2는 본 발명의 실시예에 따른 오일 여과 여부 판단 방법을 나타낸 개념도이다.
도 2에서는 오일 여과 여부를 판단하기 위한 오일 여과 판단 가스를 결정하기 위한 방법이 개시된다.
도 2를 참조하면, 오일 여과 결정부의 오일 여과 여부에 대한 판단은 6종의 유중 가스(200) 중 오일 여과 여부에 대한 판단의 정확도를 높일 수 있는 오일 여과 판단 가스(250)를 기반으로 수행될 수 있다.
구체적으로 오일 여과 판단 가스(250)는 오일 여과 이후 계측 결과 임계 퍼센트 이상 감소한 가스일 수 있다. 본 발명의 실시예에서는 6종 유중 가스(200) 중 메탄(CH4), 에틸렌(C2H4), 에탄(C2H6) 3종 가스가 다음 계측 시점에서 동시에 임계 퍼센트(예를 들어, 60% 하강 시) 오일 여과가 진행되었다고 결정될 수 있다.
오일 여과 판단 가스(250)로 선택될 수 없는 유중 가스는 오일 채취시 공기 중으로 손실이 임계 퍼센트 이상 발생하는 가스, 데이터의 산포가 임계값 이상인 가스, 데이터의 변화폭 발생이 임계값 이하인 가스일 수 있다.
본 발명에서 6종 가스 중 H2는 오일 채취시 공기 중으로 손실되는 경우가 많아 데이터 정확도가 낮은 가스에 해당하고, CO는 데이터 산포가 너무 큰 가스에 해당하고, C2H2는 아크 고장 이외 대부분 경우에 발생하지 않는 가스로서 오일 여과 판단 가스(250)로 선택되지 않을 수 있다.
아래의 표1은 오일 여과를 진행한 실제 변압기 유중 가스에 대한 데이터이고, 2015년도가 오일 여과 여과시점인 6종 유중 가스에 대한 데이터이다. 단위는 ppm(part per million)일 수 있다.
<표 1>
Figure 112020100428304-pat00001
메탄(CH4), 에틸렌(C2H4), 에탄(C2H6) 3종 가스가 여과 이후 60% 이하로 감소하는 것을 확인할 수 있고, 해당 3종 가스가 오일 여과 판단 가스(250)로 활용되어 오일 필터링 여부에 대한 판단을 위해 사용될 수 있다.
이러한 오일 여과 판단 가스(250)는 하나의 예시로서 다른 오일 여과 판단 가스(250)가 오일 여과 여부를 판단하기 위해 활용될 수도 있고 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.
도 3은 본 발명의 실시예에 따른 학습 기반으로 변압기의 상태를 예측하는 방법을 나타낸 개념도이다.
도 3에서는 LSTM(Long Short-Term Memory models)과 같은 예측 모델을 학습하기 위한 방법이 개시된다.
도 3을 참조하면, 제1 예측 모델(오일 여과)(300) 및 제2 예측 모델(오일 비여과)(350)를 생성하기 위해 학습 데이터가 분리되어 전달될 수 있다.
오일 여과를 수행한 경우의 유중 가스 데이터, 변압기 상태 데이터를 포함하는 학습 데이터(오일 여과)가 입력되어 제1 예측 모델(오일 여과)(300)가 생성될 수 있다. 오일 여과를 수행하지 않은 경우의 유중 가스 데이터, 변압기 상태 데이터를 포함하는 학습 데이터(오일 비여과)가 입력되어 학습 제2 예측 모델(오일 비여과)(350)가 생성될 수 있다.
본 발명의 실시예에 따르면, 각각의 예측 모델은 아래와 같은 하위 예측 모델을 포함할 수 있다.
우선 제1 예측 모델(오일 여과)(300)는 복수의 하위 예측 모델(예를 들어, 하위 예측 모델1(오일 여과)(310), 하위 예측 모델2(오일 여과)(320), 하위 예측 모델3(오일 여과)(330), 하위 예측 모델4(오일 여과)(340)를 포함할 수 있고, 복수의 하위 예측 모델(오일 여과) 각각은 변압기의 개별 상태에 대한 예측을 위한 예측 모델일 수 있다.
제2 예측 모델(오일 비여과)(350)는 복수의 하위 예측 모델(예를 들어, 하위 예측 모델1(오일 비여과)(360), 하위 예측 모델2(오일 비여과)(370), 하위 예측 모델3(오일 비여과)(380), 하위 예측 모델4(오일 비여과)(390)를 포함할 수 있고, 복수의 하위 예측 모델(오일 비여과) 각각은 변압기의 개별 상태에 대한 예측을 위한 예측 모델일 수 있다.
변압기의 4개의 상태 중 하나의 상태를 판단하는 경우, 하위 예측 모델3(오일 여과)(330), 하위 예측 모델3(오일 비여과)(380)까지만 사용되고, 하위 예측 모델4(오일 여과)(340), 하위 예측 모델4(오일 비여과)(390)는 예측 모델에 포함되지 않을 수 있다. 왜냐하면, 하위 예측 모델3(오일 여과)(340), 하위 예측 모델3(오일 비여과)(390)를 기반으로 변압기 상태가 예측되지 않는 경우, 하위 예측 모델4(오일 여과)(340), 하위 예측 모델4(오일 비여과)(390) 없이도 판단이 남은 마지막 변압기 상태가 이후 변압기 상태로 예측되기 때문이다. 이하, 본 발명의 실시예에서는 설명의 편의상 하위 예측 모델4(오일 여과)(340), 하위 예측 모델4(오일 비여과)(390)이 존재하는 것으로 가정하여 설명한다.
변압기의 상태가 제1 상태(normal), 2 상태(warning), 제3 상태(critical) 및 제4 상태(fault)로 구분되는 경우를 가정할 수 있다.
각각의 하위 예측 모델은 변압기 각각의 상태를 예측하기 위해 개별적인 학습에 의해 생성되어 사용될 수 있다.
이하, 도 4 및 도 5에서 제1 예측 모델(오일 여과)(300) 및 제2 예측 모델(오일 비여과)(350)에 포함되는 하위 예측 모델의 학습 방법이 개시된다. 개별 하위 예측 모델이 판별하는 변압기의 상태는 예시적인 것으로서 변화될 수 있다.
구체적으로 제1 예측 모델(오일 여과)(300) 및 제2 예측 모델(오일 비여과) (350) 각각에 포함되는 개별 하위 예측 모델이 나열되어 순차적으로 변압기 상태 판단이 수행되는 순서는 변화될 수 있다. 예를 들어, 예측 정확도를 고려하여 제1 예측 모델(오일 여과)(300) 내에 포함되는 하위 예측 모델1(오일 여과)(310) 내지 하위 예측 모델4(오일 여과)(340)가 배치되는 순서는 적응적으로 변화될 수 있다. 마찬가지로, 제2 예측 모델(오일 비여과)(350) 내에 포함되는 하위 예측 모델1(오일 비여과)(360) 내지 하위 예측 모델4(오일 비여과)(390)가 배치되는 순서는 적응적으로 변화될 수 있다.
도 4는 본 발명의 실시예에 따른 제1 예측 모델(오일 여과)를 생성하는 방법을 나타낸 개념도이다.
도 4에서는 제1 예측 모델(오일 여과)에 포함되는 복수의 하위 예측 모델을 생성하기 위한 방법이 개시된다. 복수의 하위 예측 모델의 개수는 하나의 예시일 수 있다.
도 4를 참조하면, 복수의 하위 예측 모델은 하위 예측 모델1(오일 여과), 하위 예측 모델2(오일 여과), 하위 예측 모델3(오일 여과), 하위 예측 모델4(오일 여과)를 포함할 수 있다. 이때 하위 예측 모델(오일 여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델일 수 있다. 복수의 하위 예측 모델 각각은 시계열적 예측을 수행하는 LSTM 모델일 수 있다.
하위 예측 모델1(오일 여과)(400)는 제3 상태(critical)과 나머지 제1 상태(normal), 제2 상태(warning), 제4 상태(fault)를 구분하기 위한 모델일 수 있다. 하위 예측 모델1(오일 여과)(400)를 학습시키기 위해 학습 데이터로서 제1 오일 여과 데이터 세트(410)와 제2 오일 여과 데이터 세트(420)가 입력될 수 있다. 구체적으로 제1 오일 여과 데이터 세트(410)는 기존의 변압기가 제3 상태(critical)로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함하고, 제2 오일 여과 데이터 세트(420)는 기존의 변압기가 제1 상태(normal), 제2 상태(warning) 및 제4 상태(fault)로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다. 제1 오일 여과 데이터 세트(410) 및 제2 오일 여과 데이터 세트(420)는 오일 여과를 수행한 경우의 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다.
구체적으로 제1 오일 여과 데이터 세트(410)는 5년째에 제3 상태(critical)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기의 상태 데이터일 수 있다. 제2 오일 여과 데이터 세트(420)는 5년째에 제1 상태(normal), 제2 상태(warning), 제4 상태(fault)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기 상태 데이터일 수 있다.
학습 데이터는 유중 가스 6종 정보와 유중 가스 6종 조성비 정보를 n번 수집한 결과 각각 및 n번 진단을 수행한 결과를 포함하고 이를 기반으로 n개의 레이어에 대한 학습이 수행될 수 있다.
n개의 레이어 각각에 입력값으로 특정년도 유중 가스 데이터가 입력되고, 출력값으로는 특정년도의 다음년도 변압기 상태 데이터가 입력되어 n 개의 레이어에 대한 모델링이 수행될 수 있다.
하위 예측 모델1(오일 여과)(400)로 오일 여과를 수행한 별도로 라벨링된 제1 오일 여과 데이터 세트(410) 및 제2 오일 여과 데이터 세트(420)가 입력될 수 있다.
구체적인 예로, 제1 오일 여과 데이터 세트(410)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제1 라벨링되어 하위 예측 모델1(오일 여과)(400)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제3 상태(critical)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.
xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제1 오일 여과 데이터 세트의 경우, yt에 2017년 변압기 상태 데이터가 제3 상태(critical)일 수 있다.
마찬가지로 제2 오일 여과 데이터 세트(420)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제2 라벨링되어 하위 예측 모델1(오일 여과)(400)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제1 상태(normal), 제2 상태(warning) 또는 제4 상태(fault)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.
xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제2 오일 여과 데이터 세트(420)의 경우, yt에 2017년 변압기 상태 데이터가 제1 상태(normal), 제2 상태(warning) 또는 제4 상태(fault)일 수 있다.
이러한 방식으로 하위 예측 모델1(오일 여과)(400)는 제1 라벨링된 제1 오일 여과 데이터 세트(410) 및 제2 라벨링된 제2 오일 여과 데이터 세트(420)를 기반으로 제3 상태(critical)과 나머지 상태를 구분하기 위한 가중치를 학습할 수 있다.
마찬가지 방식으로 하위 예측 모델2(오일 여과)는 제1 라벨링된 제3 오일 여과 데이터 세트 및 제2 라벨링된 제4 오일 여과 데이터 세트를 기반으로 제4 상태(fault)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제3 상태(critical))를 구분하기 위한 가중치를 학습할 수 있다.
하위 예측 모델3(오일 여과)는 제1 라벨링된 제5 오일 여과 데이터 세트 및 제2 라벨링된 제6 오일 여과 데이터 세트를 기반으로 제1 상태(normal)과 나머지 상태(제2 상태(warning), 제3 상태(critical), 제4 상태(fault))를 구분하기 위한 가중치를 학습할 수 있다.
하위 예측 모델4(오일 여과)는 제1 라벨링된 제7 오일 여과 데이터 세트 및 제2 라벨링된 제8 오일 여과 데이터 세트를 기반으로 제2 상태(warning)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제3 상태(critical))를 구분하기 위한 가중치를 학습할 수 있다.
전술한 바와 같이 하위 예측 모델의 배치 순서는 판단의 정확도에 따라 예측 모델 내에서 다르게 설정될 수 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.
도 5는 본 발명의 실시예에 따른 제2 예측 모델(오일 비여과)를 생성하는 방법을 나타낸 개념도이다.
도 5에서는 제2 예측 모델(오일 비여과)에 포함되는 복수의 하위 예측 모델을 생성하기 위한 방법이 개시된다. 복수의 하위 예측 모델의 개수는 하나의 예시일 수 있다.
도 5를 참조하면, 복수의 하위 예측 모델은 하위 예측 모델1(오일 비여과), 하위 예측 모델2(오일 비여과), 하위 예측 모델3(오일 비여과), 하위 예측 모델4(오일 비여과)를 포함할 수 있다. 이때 하위 예측 모델(오일 비여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델일 수 있다. 복수의 하위 예측 모델 각각은 시계열적 예측을 수행하는 LSTM 모델일 수 있다.
하위 예측 모델1(오일 비여과)(500)는 제1 상태(normal)과 나머지 제2 상태(warning), 제3 상태(critical), 제4 상태(fault)를 구분하기 위한 모델일 수 있다. 하위 예측 모델1(오일 비여과)(500)를 학습시키기 위해 학습 데이터로서 제1 오일 비여과 데이터 세트(510)와 제2 오일 비여과 데이터 세트(520)가 입력될 수 있다. 구체적으로 제1 오일 비여과 데이터 세트(510)는 기존의 변압기가 제1 상태로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함하고, 제2 오일 비여과 데이터 세트(520)는 기존의 변압기가 제2 상태, 제3 상태 및 제4 상태로 판단되었던 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다. 제1 오일 비여과 데이터 세트(510) 및 제2 오일 비여과 데이터 세트(520)는 오일 여과를 수행하지 않은 경우의 유중 가스 데이터 및 변압기 상태 데이터를 포함할 수 있다.
구체적으로 제1 오일 비여과 데이터 세트(510)는 5년째에 제1 상태(normal)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기 상태 데이터일 수 있다. 제2 오일 비여과 데이터 세트(520)는 5년째에 제2 상태(warning), 제3 상태(critical), 제4 상태(fault)로 판단된 변압기의 이전 1년부터 4년까지의 년도별 유중 가스 데이터 및 이전 2년부터 5년까지의 년도별 변압기 상태 데이터일 수 있다.
학습 데이터는 유중 가스 6종 정보와 유중 가스 6종 조성비 정보를 n번 수집한 결과 각각 및 n번 진단을 수행한 결과를 포함하고 이를 기반으로 n개의 레이어에 대한 학습이 수행될 수 있다. n개의 레이어 각각에 입력값으로 특정년도 유중 가스 데이터가 입력되고, 출력값으로는 특정년도의 다음년도 변압기 상태 데이터가 입력되어 n 개의 레이어에 대한 모델링이 수행될 수 있다.
하위 예측 모델1(오일 비여과)(500)로 오일 여과를 수행하지 않은 별도로 라벨링된 제1 오일 비여과 데이터 세트(510) 및 제2 오일 비여과 데이터 세트(520)가 입력될 수 있다.
구체적인 예로, 제1 오일 비여과 데이터 세트(510)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제1 라벨링되어 하위 예측 모델1(오일 비여과)(500)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제1 상태(normal)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.
xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어가고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제1 오일 비여과 데이터 세트(510)의 경우, yt에 2017년 변압기 상태 데이터가 제1 상태(normal)일 수 있다.
마찬가지로 제2 오일 비여과 데이터 세트(520)에 포함된 {2013년 학습 데이터, 2014년 학습 데이터, 2015년 학습 데이터, 2016년 학습 데이터, 2017년 학습 데이터}가 제2 라벨링되어 하위 예측 모델1(오일 비여과)(500)로 입력될 수 있고, 이러한 학습 데이터는 2017년도에 제2 상태(warning), 제3 상태(critical) 또는 제4 상태(fault)로 판단된 변압기의 연도별 유중 가스 데이터 및 연도별 변압기 상태 데이터를 포함할 수 있다.
xt-3에 2013년 유중 가스 데이터가 들어가고, yt-3에 2014년 변압기 상태 데이터가 들어가고, xt-2에 2014년 유중 가스 데이터가 들어가고, yt-2에 2015년 변압기 상태 데이터가 들어가고, xt-1에 2015년 유중 가스 데이터가 들어가고, yt-1에 2016년 변압기 상태 데이터가 들어가고, xt에 2016년 유중 가스 데이터가 들어가고, yt에 2017년 변압기 상태 데이터가 들어갈 수 있다. 제2 오일 비여과 데이터 세트(520)의 경우, yt에 2017년 변압기 상태 데이터가 제2 상태(warning), 제3 상태(critical) 또는 제4 상태(fault)일 수 있다.
이러한 방식으로 하위 예측 모델1(오일 비여과)(500)는 제1 라벨링된 제1 오일 비여과 데이터 세트(510) 및 제2 라벨링된 제2 오일 비여과 데이터 세트(520)를 기반으로 제1 상태(normal)과 나머지 상태를 구분하기 위한 가중치를 학습할 수 있다.
마찬가지 방식으로 하위 예측 모델2(오일 비여과)는 제1 라벨링된 제3 오일 비여과 데이터 세트 및 제2 라벨링된 제4 오일 비여과 데이터 세트를 기반으로 제2 상태(warning)과 나머지 상태(제1 상태(normal), 제3 상태(critical), 제4 상태(fault))를 구분하기 위한 가중치를 학습할 수 있다.
하위 예측 모델3(오일 비여과)는 제1 라벨링된 제5 오일 비여과 데이터 세트 및 제2 라벨링된 제6 오일 비여과 데이터 세트를 기반으로 제3 상태(critical)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제4 상태(fault))를 구분하기 위한 가중치를 학습할 수 있다.
하위 예측 모델4(오일 비여과)는 제1 라벨링된 제7 오일 비여과 데이터 세트 및 제2 라벨링된 제8 오일 비여과 데이터 세트를 기반으로 제4 상태(fault)과 나머지 상태(제1 상태(normal), 제2 상태(warning), 제3 상태(critical))를 구분하기 위한 가중치를 학습할 수 있다.
전술한 바와 같이 하위 예측 모델의 배치 순서는 판단의 정확도에 따라 예측 모델 내에서 다르게 설정될 수 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.
도 3 내지 도 5에서는 제1 예측 모델 및 제2 예측 모델을 내에 포함되는 개별 상태를 예측하는 하위 예측 모델이 개시되었으나, 본 발명의 실시예에 따르면, 별도의 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)이 별도의 하위 예측 모델 없이 생성될 수도 있다.
도 6은 본 발명의 실시예에 따른 예측 모델 생성 방법을 나타낸 개념도이다.
도 6에서는 별도의 하위 예측 모델의 생성없이 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 생성하는 방법이 개시된다.
도 6을 참조하면, 제1 예측 모델(오일 여과)(600)는 오일 여과 작업을 수행한 경우의 학습 데이터(오일 여과)를 기반으로 모델링될 수 있다.
제1 예측 모델(오일 여과)(600)는 레이어1(오일 여과), 레이어2(오일 여과) 레이어3(오일 여과) 레이어4(오일 여과)를 포함할 수 있다.
(1) 레이어1(오일 여과)에는 t-3년도의 변압기의 제1 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t-2년도까지의 제1 변압기 상태 데이터(오일 여과)가 입력될 수 있다.
(2) 레이어2(오일 여과)에는 t-2년도의 변압기의 제2 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t-1년도까지의 제2 변압기 상태 데이터(오일 여과)가 입력될 수 있다.
(3) 레이어3(오일 여과)에는 t-1년도의 변압기의 제3 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t년도까지의 제3 변압기 상태 데이터(오일 여과)가 입력될 수 있다.
(4) 레이어4(오일 여과)에는 t년도의 변압기의 제4 유중 가스 데이터(오일 여과)가 입력값으로서 입력되고, 출력값으로서 t+1년도까지의 제4 변압기 상태 데이터(오일 여과)가 입력될 수 있다.
이러한 방식으로 4개의 순차적인 유중 가스 데이터, 4개의 변압기 상태 데이터를 학습 정보로서 입력하여 레이어1(오일 여과), 레이어2(오일 여과), 레이어3(오일 여과), 레이어4(오일 여과)에 대한 학습이 이루어질 수 있다.
마찬가지로 제2 예측 모델(오일 비여과)(650)는 오일 비여과 작업을 수행한 경우의 학습 데이터(오일 비여과)(660)를 기반으로 모델링될 수 있다.
제2 예측 모델(오일 비여과)(650)은 레이어1(오일 비여과), 레이어2(오일 비여과) 레이어3(오일 비여과) 레이어4(오일 비여과)를 포함할 수 있다.
(1) 레이어1(오일 비여과)에는 t-3년도의 변압기의 제1 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t-2년도까지의 제1 변압기 상태 데이터(오일 비여과)가 입력될 수 있다.
(2) 레이어2(오일 비여과)에는 t-2년도의 변압기의 제2 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t-1년도까지의 제2 변압기 상태 데이터가 입력될 수 있다.
(3) 레이어3(오일 비여과)에는 t-1년도의 변압기의 제3 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t년도까지의 제3 변압기 상태 데이터가 입력될 수 있다.
(4) 레이어4(오일 비여과)에는 t년도의 변압기의 제4 유중 가스 데이터(오일 비여과)가 입력값으로서 입력되고, 출력값으로서 t+1년도까지의 제4 변압기 상태 데이터가 입력될 수 있다.
이러한 방식으로 4개의 순차적인 유중 가스 데이터, 4개의 변압기 상태 데이터를 학습 데이터로서 입력하여 레이어1(오일 비여과), 레이어2(오일 비여과), 레이어3(오일 비여과), 레이어4(오일 비여과)에 대한 학습이 이루어질 수 있다.
즉, 이러한 방식으로 개별 변압기 상태 판단을 위한 하위 예측 모델의 생성 없이도 예측 모델이 생성될 수도 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함된다. 또는 이러한 개별 변압기 상태 중 일부의 상태만을 판단하기 위한 하위 예측 모델이 사용되고, 나머지 상태의 경우 도 6에서와 같이 통합 판단 모델 상에서 판단될 수도 있고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.
도 7은 본 발명의 실시예에 따른 변압기의 상태 예측 방법을 나타낸 개념도이다.
도 7에서는 변압기의 상태를 예측하는 순서가 개시된다.
도 7을 참조하면, 변압기의 변압기 데이터를 수신한다(단계 S700).
변압기 데이터는 변압기의 유중 가스 데이터 및/또는 변압기 상태 데이터를 포함할 수 있다. 유중 가스 데이터는 변압기에서 측정된 유중 가스 6종 정보 및/또는 유중 가스 6종 조성비 정보를 포함할 수 있다.
변압기 데이터가 예측을 위한 조건을 만족하는지 여부를 판단한다(단계 S710).
예를 들어, 본 발명에서 변압기 상태를 예측하기 위해서는 변압기 데이터에 포함되는 유중 가스 데이터 및/또는 변압기 상태 데이터의 연속성 및 유중 가스 데이터 및 변압기 상태 데이터가 임계 개수 이상인지 여부가 판단될 수 있다.
구체적으로 n개의 연속된 유중 가스 데이터 및/또는 n개의 연속된 유중 가스 데이터에 시계열적으로 대응되는 n-1개의 변압기 상태 데이터의 존재 여부가 판단될 수 있다.
변압기 데이터가 예측을 위한 조건을 만족하는지 못하는 경우, 변압기 상태 예측은 중단될 수 있다.
반대로 변압기 데이터가 예측을 위한 조건을 만족하는 경우, 오일 여과 여부에 대한 판단이 수행된다(단계 S720).
본 발명에서는 오일 여과 여부에 따라 서로 다른 예측 모델이 적용되므로 적용할 예측 모델을 결정하기 위한 오일 여과 여부에 대한 판단이 수행될 수 있다.
오일 여과가 수행된 경우, 제1 예측 모델(오일 여과)을 기반으로 한 변압기 상태 예측이 수행되고(단계 S730), 오일 여과가 수행되지 않은 경우, 및 제2 예측 모델(오일 비여과)을 기반으로 한 변압기 상태 예측이 수행될 수 있다(단계 S740).
도 3 내지 도 5에서 전술한 바와 같이 하위 예측 모델을 기반으로 판단이 수행되는 경우, 아래와 같이 서로 다른 순서의 상태 판단이 수행될 수 있다.
오일 여과가 수행된 경우(단계 S730) 아래와 같은 순서로 변압기의 상태에 대한 판단이 수행될 수 있다.
1) 변압기의 상태가 제3 상태(critical)인지 여부에 대한 판단이 하위 예측 모델1(오일 여과)를 기반으로 수행될 수 있다(단계 S730-1).
2) 변압기의 상태가 제4 상태(fault)인지 여부에 대한 판단이 하위 예측 모델2(오일 여과)를 기반으로 수행될 수 있다(단계 S730-2).
3) 변압기의 상태가 제1 상태(normal)인지 여부에 대한 판단이 하위 예측 모델3(오일 여과)를 기반으로 수행될 수 있다(단계 S730-3).
4) 변압기의 상태가 제2 상태(warning)인지 여부에 대한 판단이 하위 예측 모델4(오일 여과)를 기반으로 수행될 수 있다(단계 S730-4).
오일 여과가 수행되지 않은 경우(단계 S740) 아래와 같은 순서로 변압기의 상태에 대한 판단이 수행될 수 있다.
1) 변압기의 상태가 제1 상태(normal)인지 여부에 대한 판단이 하위 예측 모델1(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-1).
2) 변압기의 상태가 제2 상태(warning)인지 여부에 대한 판단이 하위 예측 모델2(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-2).
3) 변압기의 상태가 제3 상태(critical)인지 여부에 대한 판단이 하위 예측 모델3(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-3).
4) 변압기의 상태가 제4 상태(fault)인지 여부에 대한 판단이 하위 예측 모델4(오일 비여과)를 기반으로 수행될 수 있다(단계 S740-4).
위와 같이 하위 예측 모델의 예측 정확도에 따라 오일 여과시 및 오일 비여과시 서로 다른 순서로 변압기에 대한 상태 판단이 수행될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법은,
    변압기 상태 예측 장치가 상기 변압기의 변압기 데이터를 수신하는 단계;
    상기 변압기 상태 예측 장치가 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하는 단계; 및
    상기 변압기 상태 예측 장치가 상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하는 단계를 포함하고,
    상기 변압기 데이터는 임계 횟수 이상 측정된 상기 변압기의 유중 가스 데이터를 포함하고,
    상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함하고,
    상기 오일 여과 여부는 오일 여과 판단 가스의 감소 여부를 기반으로 결정되고,
    상기 제1 예측 모델(오일 여과)는 복수의 하위 예측 모델(오일 여과)를 포함하고,
    상기 제2 예측 모델(오일 비여과)는 복수의 하위 예측 모델(오일 비여과)를 포함하고,
    복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각의 배치는 예측 정확도를 기반으로 적응적으로 변화되는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법.
  2. 제1항에 있어서,
    상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과)는 시계열적 예측을 수행하는 LSTM(Long Short-Term Memory models) 모델이고,
    상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델이고,
    상기 하나의 상태와 상기 나머지 상태는 제1 상태(normal), 제2 상태(warning), 제3 상태(critical) 및 제4 상태(fault)를 포함하는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법.
  3. 제2항에 있어서,
    상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각에 대한 학습은 상기 하나의 상태로 판단되었던 제1 오일 여과 데이터 세트와 상기 나머지 상태로 판단되었던 제2 오일 여과 데이터 세트를 기반으로 상기 하나의 상태로의 판단을 위한 가중치를 학습하고,
    상기 복수의 하위 예측 모델(오일 비여과)는 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델1(오일 비여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델2(오일 비여과), 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델3(오일 비여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델4(오일 비여과)를 순차적으로 포함하고,
    상기 복수의 하위 예측 모델(오일 여과)는 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델1(오일 여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델2(오일 여과), 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델3(오일 여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델4(오일 여과)를 순차적으로 포함하는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 방법.
  4. 오일 여과 여부를 고려한 변압기의 상태를 예측하는 변압기 상태 예측 장치는,
    상기 변압기의 변압기 데이터를 수신하도록 구현된 변압기 데이터 입력부; 및
    상기 변압기 데이터 입력부와 동작 가능하게(operatively) 연결된 프로세서를 포함하되,
    상기 프로세서는 상기 변압기 데이터를 기반으로 상기 변압기의 오일 여과 여부를 결정하고,
    상기 오일 여과 여부를 기반으로 서로 다른 예측 모델을 기반으로 상기 변압기의 상태를 예측하도록 구현되고,
    상기 변압기 데이터는 임계 횟수 이상 측정된 상기 변압기의 유중 가스 데이터를 포함하고,
    상기 서로 다른 예측 모델은 제1 예측 모델(오일 여과) 및 제2 예측 모델(오일 비여과)를 포함하고,
    상기 오일 여과 여부는 오일 여과 판단 가스의 감소 여부를 기반으로 결정되고,
    상기 제1 예측 모델(오일 여과)는 복수의 하위 예측 모델(오일 여과)를 포함하고,
    상기 제2 예측 모델(오일 비여과)는 복수의 하위 예측 모델(오일 비여과)를 포함하고,
    복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각의 배치는 예측 정확도를 기반으로 적응적으로 변화되는 것을 특징으로 하는 변압기 상태 예측 장치.
  5. 제4항에 있어서,
    상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과)는 시계열적 예측을 수행하는 LSTM(Long Short-Term Memory models) 모델이고,
    상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각은 하나의 상태와 나머지 상태를 구분하기 위해 개별적으로 학습된 모델이고,
    상기 하나의 상태와 상기 나머지 상태는 제1 상태(normal), 제2 상태(warning), 제3 상태(critical) 및 제4 상태(fault)를 포함하는 것을 특징으로 하는 변압기 상태 예측 장치.
  6. 제5항에 있어서,
    상기 복수의 하위 예측 모델(오일 여과) 및 상기 복수의 하위 예측 모델(오일 비여과) 각각에 대한 학습은 상기 하나의 상태로 판단되었던 제1 오일 여과 데이터 세트와 상기 나머지 상태로 판단되었던 제2 오일 여과 데이터 세트를 기반으로 상기 하나의 상태로의 판단을 위한 가중치를 학습하고,
    상기 복수의 하위 예측 모델(오일 비여과)는 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델1(오일 비여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델2(오일 비여과), 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델3(오일 비여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델4(오일 비여과)를 순차적으로 포함하고,
    상기 복수의 하위 예측 모델(오일 여과)는 상기 제3 상태(critical)을 예측하기 위한 하위 예측 모델1(오일 여과), 상기 제4 상태(fault)를 예측하기 위한 하위 예측 모델2(오일 여과), 상기 제1 상태(normal)을 예측하기 위한 하위 예측 모델3(오일 여과), 상기 제2 상태(warning)를 예측하기 위한 하위 예측 모델4(오일 여과)를 순차적으로 포함하는 것을 특징으로 하는 오일 여과 여부를 고려한 변압기의 상태를 예측하는 변압기 상태 예측 장치.
KR1020200121939A 2020-07-20 2020-09-22 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치 KR102436080B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/949,809 US20220019937A1 (en) 2020-07-20 2020-11-16 Apparatus and method for predicting transformer state in consideration of whether oil filtering is performed

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200089642 2020-07-20
KR20200089642 2020-07-20

Publications (2)

Publication Number Publication Date
KR20220011046A KR20220011046A (ko) 2022-01-27
KR102436080B1 true KR102436080B1 (ko) 2022-08-25

Family

ID=80049590

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200121939A KR102436080B1 (ko) 2020-07-20 2020-09-22 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치

Country Status (1)

Country Link
KR (1) KR102436080B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580709B (zh) * 2022-01-28 2024-04-16 西安电子科技大学 基于Transformer的多模态自相关补偿的时序预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006308515A (ja) * 2005-05-02 2006-11-09 Fuji Electric Systems Co Ltd 油入電気機器の劣化診断方法
JP2014062858A (ja) 2012-09-24 2014-04-10 Hitachi Ltd 油入静止誘導電器の余寿命診断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7747417B2 (en) * 2007-08-06 2010-06-29 Arizona Public Service Company Method and system for transformer dissolved gas harmonic regression analysis
KR20120053120A (ko) * 2010-11-17 2012-05-25 대보전력기술 주식회사 변압기 절연유의 자동 공급 및 점검방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006308515A (ja) * 2005-05-02 2006-11-09 Fuji Electric Systems Co Ltd 油入電気機器の劣化診断方法
JP2014062858A (ja) 2012-09-24 2014-04-10 Hitachi Ltd 油入静止誘導電器の余寿命診断方法

Also Published As

Publication number Publication date
KR20220011046A (ko) 2022-01-27

Similar Documents

Publication Publication Date Title
Abu-Elanien et al. Asset management techniques for transformers
CN105241497B (zh) 一种变压器监测***和故障诊断方法
CN107894969A (zh) 一种基于趋势分析的变压器潜伏性故障预警方法
CN105324900B (zh) 用于电力设备的缺陷预警的方法和装置
KR20140041568A (ko) 변압기 잔여 수명을 추정하는 방법 및 시스템
Dhote et al. Diagnosis of power transformer faults based on five fuzzy ratio method
Brandtzæg Health indexing of Norwegian power transformers
KR102436080B1 (ko) 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치
Basuki Online dissolved gas analysis of power transformers based on decision tree model
Dhote et al. Improvement in transformer diagnosis by DGA using fuzzy logic
US11099219B2 (en) Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses
JPWO2011077530A1 (ja) 油入電気機器における異常発生の可能性を予測する方法
Javid et al. Using kNN Algorithm for classification of Distribution transformers Health index
Jaiswal et al. Intelligent condition monitoring system for distribution transformer and health status diagnosis
Ciulavu et al. Power transformer incipient faults monitoring
US20220019937A1 (en) Apparatus and method for predicting transformer state in consideration of whether oil filtering is performed
Mohmad et al. Investigating performance of transformer health index in machine learning application using dominant features
KR102520723B1 (ko) 유중 가스 데이터 보정을 기반으로 한 변압기 상태 결정 방법 및 이러한 방법을 사용하는 장치
Lybeck et al. Online monitoring technical basis and analysis framework for large power transformers; Interim report for FY 2012
Rosli et al. Power Transformer Incipient Fault Diagnosis Using Support Vector Machine
Londo et al. Assessment of transformer condition using the improve key gas methods
Lian et al. Smart asset management of aging devices in energy systems: A case study of transformers
US11563320B2 (en) Apparatus and method for determining transformer state based on correction of dissolved gas data
Nazarychev et al. The Inspection of the Technical State of Critical Infrastructure Facilities
Aciu Nit, u, M.-C.; Nicola, C.-I.; Nicola, M. Determining the Remaining Functional Life of Power Transformers Using Multiple Methods of Diagnosing the Operating Condition Based on SVM Classification Algorithms

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant