KR20200014129A - Diagnosis method of electric transformer using Deep Learning - Google Patents
Diagnosis method of electric transformer using Deep Learning Download PDFInfo
- Publication number
- KR20200014129A KR20200014129A KR1020180089607A KR20180089607A KR20200014129A KR 20200014129 A KR20200014129 A KR 20200014129A KR 1020180089607 A KR1020180089607 A KR 1020180089607A KR 20180089607 A KR20180089607 A KR 20180089607A KR 20200014129 A KR20200014129 A KR 20200014129A
- Authority
- KR
- South Korea
- Prior art keywords
- transformer
- server computer
- information
- deep learning
- sensor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title description 10
- 238000012545 processing Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 18
- 238000004804 winding Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 8
- 238000009413 insulation Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000013136 deep learning model Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 208000028659 discharge Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010616 electrical installation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Relating To Insulation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
Description
본원 발명은 송 변전 및 배전 변압기의 고장을 예지 진단하는 방법에 관한 것으로서, 구체적으로 송 변전 및 배전 변압기에서 발생되는 기계적 진동 및 음향 신호를 센서를 이용하여 수집하고, 설비 상태와 이상 징후를 판단 시키도록 인공지능으로 학습하는 저비용 및 고정확도로 변압기의 고장을 예지 진단하는 방법에 관한 것이다.The present invention relates to a method for predicting and diagnosing faults in transmission and distribution transformers. Specifically, the present invention collects mechanical vibration and acoustic signals generated from transmission and distribution transformers using sensors, and determines facility status and abnormal signs. The present invention relates to a method of predicting and diagnosing a transformer failure with low cost and high accuracy.
산업발전과 더불어 1960년 후반부터 우리나라의 전력용 변압기, 차단기 등의 대형 전기 설비들은 계속 증설되어 왔다. 이러한 설비들은 장시간에 걸쳐 계속 사용되어 왔으며 최근들어 그 노후화가 두드러지게 나타나고 있다.In addition to industrial development, since the late 1960s, large-scale electrical facilities such as power transformers and circuit breakers in Korea have been continuously expanded. These facilities have been in use for a long time and in recent years their aging has been noticeable.
과거에 대비하여 가정은 물론 산업 전반에 걸쳐 전력 소비가 급증했을 뿐만 아니라, 설비들이 자동화, 고도화 됨에 따라 안정적인 전력의 공급이 더욱 더 중요해졌다. 안정적인 전력 설비들을 관리하기 위해서는 전국적으로 체계화되고 계획적인 유지 보수 계획이 수립되어야 함은, 물론 대형 전기 설비들의 이상 징후를 미리 파악할 수 있는 검출 기술 또한 필요하다.Not only has power consumption soared throughout the home and industry in the past, it has become more and more important as facilities are automated and advanced. In order to manage stable power installations, a systematic and planned maintenance plan must be established nationwide, as well as detection technology that can detect any abnormal signs of large electrical installations.
국내에서는 1980년대 전력연구원, 전기연구원 중심으로 부분방전측정, 유중가스 상시 감시장치 등 이상검출 기술이 개발되어 왔다. 2000년대 이후 다양한 전기설비에 종합감시 온라인시스템 구축이 진행되고 있으며 고장진단에 대한 신뢰성을 높이는 방향으로 연구가 진행되고 있다. 세부적으로 보면, 열화상 카메라, 권선저하 측정기 등을 활용한 모니터링 방법을 사용하여 직관적으로 이상 징후를 파악하고 있으나, 이상 정도에 대한 정량화가 어렵고, 센서 설치 등이 번거로워 국가 전체적인 시스템에 적용하기에는 부족한 부분이 있다.In the 1980s, abnormal power detection technologies such as partial discharge measurement and continuous monitoring of oil in gas have been developed mainly by KEPCO and KEPCO. Since the 2000s, a comprehensive surveillance online system has been established in various electrical facilities, and research has been conducted to increase the reliability of failure diagnosis. In detail, the monitoring method using a thermal imaging camera, a winding winding measuring instrument, etc. intuitively identifies abnormal signs, but it is difficult to quantify the degree of abnormality and the cumbersome installation of sensors makes it insufficient to apply to a system as a whole. There is this.
전력상태에 대한 전기적 신호를 계측하여 특성을 모니터링 하는 방법으로는 부분방전 (Partial Discharge) 진단 시스템, 입출력의 주파수 스펙트럼의 변화정도를 판단 하는 방법 등으로 정량적인 상태진단이 가능하나 높은 민감도가 필요한 검측 시스템이 필요하여 시스템을 도입하는데 경제적인 어려움이 있다.As a method of monitoring the characteristics by measuring the electrical signal of the power state, quantitative state diagnosis is possible, such as a partial discharge diagnosis system and a method of determining the change of the frequency spectrum of the input / output, but the detection requiring high sensitivity There is an economic difficulty in introducing a system because it is needed.
특허문헌 1은 유중가스 센서를 이용한 변압기의 건전도 모니터링 방법은 절연유 내의 용존가스 분석을 통해 변압기 내부의 절연 이상을 진단하는 방법이나, 대부분 특정 센서들을 이용한 직접적 검출 방법으로서, 고가임에도 특정 영역만 진단이 가능하다는 한계가 있다.Patent document 1 is a method of monitoring the soundness of a transformer using a gas-in-oil sensor is a method of diagnosing the insulation abnormality in the transformer through the analysis of dissolved gas in the insulating oil, or most of the direct detection method using a specific sensor, it is diagnosed only a specific area, although expensive There is a limit that this is possible.
특허문헌 2는 변압기 모니터링 시스템 및 방법에 관한 특허로서 각 변압기의 전류, 전압, 온도를 측정하고, 측정된 값을 정보통신망을 통해 중앙의 서버로 전송하여 중앙 서버에서 일괄적으로 관리할 수 있는 시스템 및 방법에 관한 것이다. 특허문헌 2는 변압기의 수명은 물론 계절, 시간에 따른 상태를 명확하게 분석할 수 있는 방안을 제시하지 못하며, 측정한 값을 단순 비교를 통해서만 판단하고 있다.Patent document 2 is a patent for a transformer monitoring system and method. A system that measures current, voltage, and temperature of each transformer, and transmits the measured values to a central server through an information communication network to be collectively managed by a central server. And to a method. Patent document 2 does not suggest a way to clearly analyze the state of the transformer, as well as the state, depending on the season, time, and judge the measured value only through a simple comparison.
특허문헌 3은 초고주파 및 음파의 융합 측정이 가능한 초고압 변압기용 포터블 부분방전 측정장치로서 초고주파 및 음파에 대한 측정 값을 입체적으로 활용하지 못하여 다양한 조건에 대해서 대응하지 못한다는 단점이 있다.Patent document 3 is a portable partial discharge measuring device for an ultra-high voltage transformer capable of measuring the convergence of ultra-high frequency and sound waves, and has a disadvantage in that it does not cope with various conditions because it cannot use the measured values for the ultra-high frequency and sound waves in three dimensions.
이와 같이 기존의 변압기를 포함하는 설비의 모니터링 시스템은 유중가스, 전류, 전압, 온도, 음파 등의 정보를 단순 수집하는 정도에 불과하다. 변압기의 이러한 측정값은 계절, 시간에 따른 전력 사용량에 따라서 변할 수 있는바 이러한 다양한 패턴에 대응하여 이상 유무를 정밀하게 진단하고 예측할 수 있는 시스템 및 방법은 아직까지 제시되지 않았다.As such, the monitoring system of a facility including a conventional transformer is merely a collection of information such as gas, current, voltage, temperature, and sound waves. These measurements of transformers can vary with power consumption over time and season. Systems and methods for precisely diagnosing and predicting abnormalities in response to these various patterns have not been presented.
본원 발명은 이러한 문제를 해결하기 위한 것으로서, 지상 설치형 변압기의 부하전류, 온도, 진동 상태를 각각의 센서를 통해서 수집한 자료를 계절, 시간에 따른 다양한 패턴에도 불구하고 이상 유무를 정밀하게 진단하고 예측할 수 있는 시스템 및 방법을 제공하는 것을 목적으로 한다.The present invention is to solve this problem, and the data collected through the sensors of the load current, temperature, vibration state of the ground-mounted transformer through each sensor can be accurately diagnosed and predicted whether or not there is an abnormality despite the various patterns according to the season and time. It is an object of the present invention to provide a system and method which can be used.
또한, 본원 발명은 지속적인 재학습을 실시함으로써 변압기 진단의 정확도 및 신뢰도를 지속적으로 향상시키는 방법을 제공하는 것을 목표로 한다.In addition, the present invention aims to provide a method for continuously improving the accuracy and reliability of transformer diagnosis by carrying out continuous relearning.
상기와 같은 목적을 달성하기 위한 본원 발명은 a) 진단하고자 하는 변압기에 대한 고유 번호를 포함하는 정보를 사람이 리모트 단말기를 통해 입력 후 서버 컴퓨터로 전송하는 단계; b) 변압기에 설치된 센서를 사용하여 상기 변압기에 대한 측정 정보를 상기 변압기용 로컬 단말기가 측정하여 상기 변압기의 고유 번호와 같이 서버 컴퓨터로 전송하는 단계; c) a) 단계 및 b) 단계를 통해서 전송된 모든 정보를 상기 서버 컴퓨터가 딥러닝을 통해서 처리하는 단계; 및 d) 상기 처리된 결과를 상기 서버 컴퓨터가 상기 리모트 단말기로 전송하는 단계를 포함하는 변압기 진단 방법을 제공한다. 상기 b) 단계에 있어서 상기 로컬 단말기의 ID도 같이 상기 서버로 전송될 수 있다.The present invention for achieving the above object comprises the steps of: a) transmitting information, including a unique number for the transformer to be diagnosed by a person via a remote terminal to the server computer; b) measuring, by the local terminal for the transformer, measurement information about the transformer using a sensor installed in the transformer and transmitting the measurement information to the server computer as the unique number of the transformer; c) processing by the server computer through deep learning all the information transmitted in steps a) and b); And d) transmitting the processed result to the remote terminal by the server computer. In step b), the ID of the local terminal may be transmitted to the server as well.
상기 변압기에 대한 정보는 상기 변압기의 설치 위치, 설치 시기, 변압기의 종류, 및 용량을 포함하며, 구체적으로 상기 변압기의 종류에 관한 정보는 철심 사용 여부, 사용되는 전력계통, 단상 또는 다상 여부, 유입 또는 건식 또는 가스절연 또는 몰드를 포함하는 절연 방법, 단권선 또는 다권선 여부를 포함할 수 있다.The information on the transformer includes the installation location of the transformer, the installation time, the type of transformer, and the capacity. Specifically, the information on the type of the transformer includes whether iron cores are used, whether a power system is used, whether single-phase or polyphase, or inflow. Or an insulation method including dry or gas insulation or a mold, whether single winding or multi winding.
상기 b) 단계를, 상기 변압기에 설치된 센서 또는 별도의 센서를 사용하여 상기 변압기에 대한 측정 정보를 사람이 측정하고 이를 상기 변압기의 고유 번호와 같이 서버로 전송하는 단계로 대치할 수 있다. 이는 사람이 직접 현장에서 점검을 위한 방법이다.Step b) may be replaced by a person measuring the measurement information on the transformer using a sensor installed in the transformer or a separate sensor and transmitting it to a server with a unique number of the transformer. This is a way for people to inspect themselves on site.
한편, 상기 a) 단계 내지 d) 단계에서 상기 변압기에 대한 고유 번호를 포함하는 정보 및 상기 측정 정보를 상기 리모트 단말기 또는 상기 로컬 단말기가 상기 서버 컴퓨터로 전송하지 않고, 상기 로컬 단말기에서 모두 처리하는 단계로 대치될 수 있다. 이는 서버 컴퓨터와 접속이 원할 하지 않을 경우 로컬에서 바로 진단을 하기 위한 방법이다.Meanwhile, in the steps a) to d), the remote terminal or the local terminal processes both the information including the unique number for the transformer and the measurement information at the local terminal without transmitting the information to the server computer. Can be replaced by This is a method for local diagnosis if you do not want to connect to the server computer.
상기 c) 단계에서의 처리는 딥러닝을 통해서 처리된 정보로부터 상기 변압기의 상태를 판정하는 것을 포함하며, 구체적으로 상기 변압기의 상태는 변압기의 불량여부, 변압기의 잔여 수명을 포함한다.The process in step c) includes determining the state of the transformer from the information processed through deep learning, and specifically, the state of the transformer includes whether the transformer is defective or the remaining life of the transformer.
상기 센서는 전류, 전압, 온도, 음파, 및 진동을 각각 측정하는 센서를 포함한다.The sensor includes a sensor for measuring current, voltage, temperature, sound waves, and vibration, respectively.
상기 a) 단계 이전에 상태가 판정된 변압기의 상태 정보를 리모트 또는 로컬 단말기에 입력하는 단계, 상기 센서를 사용하여 상기 상태가 판정된 변압기에 대한 정보를 측정하여 수집하는 단계, 상기 상태가 판정된 변압기의 상태 및 상기 수집된 정보를 상기 서버 컴퓨터에서 딥러닝을 통해 학습하는 단계가 진행될 수 있다. 상기 학습 단계는 정보를 수집하는 동안에도 계속 진행된다.Inputting state information of a transformer whose state has been determined before step a) to a remote or local terminal, measuring and collecting information on the transformer whose state has been determined using the sensor, wherein the state is determined Learning of the state of the transformer and the collected information through deep learning in the server computer may proceed. The learning phase continues while the information is being collected.
상기 센서로부터 측정 정보의 수집 및 상기 서버 컴퓨터로의 전송은 상기 서버 컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 진행되며, 상기 수집된 측정 정보를 상기 로컬 단말기가 상기 서버 컴퓨터로 전송하기 전에 상기 로컬 단말기에서 주파수 성분 분석, 시간에 따른 변화율 분석 신호 처리를 하거나 수집된 측정 정보를 가공없이 상기 서버 컴퓨터로 전송하여 상기 서버 컴퓨터에서 주파수 성분 분석, 및 시간에 따른 변화율 분석 신호 처리를 할 수 있다.The collection of measurement information from the sensor and the transmission to the server computer proceed by request and / or user's request from the server computer, and before the local terminal transmits the collected measurement information to the server computer. The terminal may perform frequency component analysis, change rate analysis signal processing over time, or transmit collected measurement information to the server computer without processing, and perform frequency component analysis and change rate analysis signal processing over time on the server computer.
상기 신호 처리는 노이즈 제거, 푸리에, 패스트푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), MFCC(Mel-Frequency Cepstrum), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency), 보드 선도(Bode Plot), 나이퀴스트 선도 (Nyquist Plot) 분석 중 적어도 하나를 통해 특성치를 추출하는 것이다.The signal processing includes noise reduction, Fourier, Fast Fourier, Laplace, Octave Band Levels, Mel-Frequency Cepstrum, Sharpness, Roughness, Envelope, Basis Size, Tonality, and Fluctuation Strength. Extracting characteristic values through at least one of damping, natural frequency, bode plot, and Nyquist plot analysis.
본원 발명에서 사용되는 딥러닝은 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression, Autoencoder 중 적어도 하나이다. 또한 본원 발명에 따른 딥러닝은 적어도 10개 이상의 히든레이어와 적어도 500개 이상의 전체 노드수를 갖는다.Deep learning used in the present invention is a Convolutional Neural Network (CNN), Recursive Neural Network (RNN), Deep Belief Network (DBN), Long Short-term Memory (LSTM), Gated Recurrent Neural Network (GRU), Softmax regression, Autoencoder At least one of them. Deep learning according to the present invention also has at least 10 or more hidden layers and at least 500 or more total nodes.
상기 처리된 결과는 변압기의 불량여부 및 변압기의 수명으로 구분되며, 불량 판정시 불량의 원인, 불량 변압기의 위치를 포함하며, 양품 판정시 변압기의 잔여 수명을 포함한다.The processed results are classified into whether the transformer is defective or the service life of the transformer, and includes the cause of the defect in the determination of the defect, the position of the defective transformer, and the remaining life of the transformer in the determination of the good quality.
이상에서 설명한 바와 같이 본원 발명에 따른 변압기 상태 진단 방법은 다음과 같은 효과가 있다.As described above, the transformer state diagnosis method according to the present invention has the following effects.
본원 발명에 따른 변압기 진단 방법은 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression, Autoencoder 모델을 사용함으로써 변압기의 비선형성 특징의 해석 범위를 넓히고, 물리적으로 활용가능한 시간범위 내에서 정확도가 높은 결과를 제시한다.Transformer diagnostic method according to the invention CNN (Convolutional Neural Network), RNN (Recursive Neural Network), DBN (Deep Belief Network), LSTM (Long Short-term Memory), GRU (Gated Recurrent Neural Network), Softmax regression, Autoencoder The use of the model extends the range of analysis of the nonlinearity of the transformer and gives high accuracy results within the physically usable time range.
또한 본원 발명에 따른 변압기 진단 방법은 현재까지 거의 활용되지 않았던 진동 관련 정보를 추가로 이용하여 판단하므로 변압기 불량 판정시 불량의 원인을 정밀하게 판정 가능하며, 상태가 서로 다른 여러 개의 학습용 변압기 정보를 딥러닝 학습에 활용함에 따라 변압기의 상태를 수치화하여 구체적으로 판정 가능한 장점이 있다.In addition, the transformer diagnostic method according to the present invention can further determine the cause of the failure in determining the failure of the transformer because it is additionally determined using the vibration-related information that has not been utilized so far, and deeply learn a plurality of learning transformer information with different states As it is used for learning, there is an advantage that can be specifically determined by quantifying the state of the transformer.
또한 본원 발명에 따른 변압기 진단 방법은 지속적인 재학습을 통해서 상태 판정의 신뢰성을 계속적으로 높일 수 있는 장점이 있다.In addition, the transformer diagnostic method according to the present invention has an advantage of continuously increasing the reliability of the state determination through continuous relearning.
도 1은 본원 발명에 따른 변압기를 진단하는 방법의 처리단계를 나타낸 것이다.1 shows a processing step of a method for diagnosing a transformer according to the present invention.
본원 발명은 a) 진단하고자 하는 변압기에 대한 고유 번호를 포함하는 정보를 사람이 리모트 단말기를 통해 입력 후 서버 컴퓨터로 전송하는 단계; b) 변압기에 설치된 센서를 사용하여 상기 변압기에 대한 측정 정보를 상기 변압기용 로컬 단말기가 측정하여 상기 변압기의 고유 번호와 같이 서버 컴퓨터로 전송하는 단계; c) a) 단계 및 b) 단계를 통해서 전송된 모든 정보를 상기 서버 컴퓨터가 딥러닝을 통해서 처리하는 단계; 및 d) 상기 처리된 결과를 상기 서버 컴퓨터가 상기 리모트 단말기로 전송하는 단계를 포함하는 변압기 진단 방법을 제공한다. 상기 b) 단계에서 있어서 상기 로컬 단말기의 ID도 같이 상기 서버로 전송될 수 있다.The present invention comprises the steps of: a) transmitting information including a unique number for a transformer to be diagnosed by a person through a remote terminal to a server computer; b) measuring, by the local terminal for the transformer, measurement information about the transformer using a sensor installed in the transformer and transmitting the measurement information to the server computer as the unique number of the transformer; c) processing by the server computer through deep learning all the information transmitted in steps a) and b); And d) transmitting the processed result to the remote terminal by the server computer. In step b), the ID of the local terminal may be transmitted to the server as well.
본원 발명에 따른 변압기를 진단하는 방법과 관련하여 도 1을 참고하면 변압기 정보를 리모트 단말기에 입력하여 서버 컴퓨터로 전송하는 단계, 변압기에 설치된 센서로부터 상태를 판정하고자 하는 변압기의 데이터를 로컬 단말기가 측정하여 수집하는 단계, 상기 수집된 데이터를 로컬 단말기 내에서 신호처리하는 단계, 상기 변압기에 대한 정보 및 상기 처리된 신호를 상기 서버 컴퓨터로 전송하는 단계, 상기 전송된 정보를 상기 서버 컴퓨터가 딥러닝을 통해 처리하는 단계, 상기 처리된 결과를 상기 서버 컴퓨터가 상기 로컬 단말기 및 리모트 단말기로 전송하는 단계를 포함한다.Referring to FIG. 1 in relation to a method for diagnosing a transformer according to the present invention, inputting transformer information to a remote terminal and transmitting the information to a server computer, and the local terminal measures data of a transformer to determine a state from a sensor installed in the transformer. Collecting the data; signal processing the collected data in a local terminal; transmitting information about the transformer and the processed signal to the server computer; and performing the deep learning by the server computer. Processing through the server, and transmitting the processed result to the local terminal and the remote terminal.
상기 변압기에 대한 정보는 상기 변압기의 설치 위치, 설치 시기, 변압기의 종류, 용량을 포함하며, 구체적으로 상기 변압기의 종류에 관한 정보는 철심 사용 여부, 사용되는 전력계통, 단상 또는 다상 여부, 유입 또는 건식 또는 가스절연 또는 몰드 등의 절연 방법, 단권선 도는 다권선 여부 등을 포함할 수 있다.The information on the transformer includes the installation location of the transformer, the installation time, the type and capacity of the transformer. Specifically, the information on the type of the transformer includes whether the iron core is used, whether the power system is used, whether single-phase or polyphase, inflow or It may include an insulation method such as dry or gas insulation or a mold, whether single winding or multi winding.
상기 측정된 데이터를 상기 서버 컴퓨터에 입력하는 단계와 딥러닝 처리를 위해 상기 데이터를 데이터베이스에 저장하는 단계 사이에 상기 입력된 데이터를 서버 컴퓨터 내에서 처리하는 단계를 포함할 수 있다. 상기 서버 컴퓨터 내에서 처리는 주파수 성분 분석, 시간에 따른 변화율 분석 신호 처리를 포함하는 것이며, 구체적인 신호 처리는 노이즈 제거, 푸리에, 패스트푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), MFCC(Mel-Frequency Cepstrum), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency), 보드 선도(Bode Plot), 나이퀴스트 선도 (Nyquist Plot) 분석 중 적어도 하나를 통해 특성치를 추출하는 것이다.And processing the input data in the server computer between inputting the measured data into the server computer and storing the data in a database for deep learning processing. The processing within the server computer includes frequency component analysis and change rate analysis signal processing over time, and specific signal processing includes noise removal, Fourier, Fast Fourier, Laplace, Octave Band Levels, and MFCC (Mel-). Frequency Cepstrum, Sharpness, Roughness, Envelope, Basis Size, Tonality, Fluctuation Strength, Damping, Natural Frequency, Bode Plot, Nyquist Plot ) Extract feature values through at least one of the analysis.
상기 데이터베이스에 저장된 신호단계에서 Generative model을 활용, 제한된 수의 상기 측정된 데이터를 기반으로 더 많은 학습용 데이터를 생성 및 취득하여 상기 데이터베이스에 저장된 신호와 병합, 상기 딥러닝 모델 학습에 활용할 수 있는 것에 특징이 있다.By using the Generative model in the signal stage stored in the database, it is possible to generate and acquire more training data based on a limited number of the measured data, merge it with the signal stored in the database, and utilize the deep learning model for learning. There is this.
상기 병합된 데이터를 상기 서버 컴퓨터에서 딥러닝을 통해 학습하는 단계에서 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression 중 적어도 하나가 사용되며, 딥러닝에 의해서 처리되는 결과는 크게 변압기의 불량여부 및 변압기의 수명으로 구분되며, 불량 판정시 불량의 원인, 불량 변압기의 위치를 포함하며, 양품 판정시 변압기의 잔여 수명을 포함하는 것에 특징이 있다. 또한 딥러닝 모델은 적어도 10개 이상의 히든 레이어와 적어도 500개 이상의 전체 노드수를 가질 수 있다.In the step of learning the merged data through the deep learning on the server computer in a convolutional neural network (CNN), recursive neural network (RNN), deep belief network (DBN), long short-term memory (LSTM), GRU (Gated) At least one of Recurrent Neural Network) and Softmax regression are used, and the results processed by deep learning are classified into whether the transformer is defective or the service life of the transformer. It is characterized by the inclusion of the remaining life of the transformer in the goodness judgment. In addition, the deep learning model may have at least 10 hidden layers and at least 500 total nodes.
상기 딥러닝을 통한 학습하는 단계는 상기 측정된 데이터로부터 상기 변압기의 상태 정보를 매우 유사하게 판단하는 것을 목표로 하는 최적 학습된 딥러닝 모델을 생성하는 과정을 포함한다Learning through deep learning includes generating an optimally learned deep learning model that aims to determine the state information of the transformer very similarly from the measured data.
상기 학습된 딥러닝을 통해 변압기의 상태를 판정하는 단계에서는 상기 상태를 판정하고자 하는 변압기의 데이터를 상기 컴퓨터에 입력한 후 상기 최적 학습된 딥러닝 모델을 사용하여 처리된 결과를 바탕으로 상기 변압기의 상태를 판정한다.In determining the state of the transformer through the learned deep learning, input the data of the transformer to determine the state into the computer and then based on the result processed using the optimal learned deep learning model of the transformer Determine the state.
또한, 상기 처리된 결과와 실제 변압기 상태 진단 결과를 비교한 결과를 다시 상기 컴퓨터로 피드백하여 상기 딥러닝 모델 학습용 데이터베이스를 갱신 및 축적하고, 상기 학습용 데이터베이스는 상기 딥러닝 모델의 재학습 자료로 사용된다.In addition, a result of comparing the processed result and the actual transformer condition diagnosis result is fed back to the computer to update and accumulate the deep learning model training database, and the learning database is used as re-learning data of the deep learning model. .
본원 발명은 종래의 기술과 달리 변압기에 발생하는 소음을 통해서 유용한 정보를 수집할 수 있다.The present invention, unlike the prior art, can collect useful information through the noise generated in the transformer.
변압기의 발생하는 소음의 원인으로는 변압기의 정상적인 작동으로 코어(권선, 철심)에서 발생된 자왜진동이 외함으로 전달되어 방사되는 소음과 냉각 팬 펌프 등 부숙부품에서 발생하는 소음은 변압기의 기본소음이 있다.The noises generated by the transformer include the normal noise of the transformer and the noise generated from the core parts (winding and iron cores) transmitted to the enclosure and the noise generated from submerged parts such as the cooling fan pump. have.
자왜진동 (magetostrictive)은 교류 전류에 의해 자계가 주기적으로 변할 때 주파수의 2 배로 재료의 형상이 변하는 현상으로 절연유를 통해 방출되며 주요 주파수는 120Hz로 통상 500Hz 이하의 저주파수이다. Magnetostrictive vibration is a phenomenon in which the shape of a material changes at twice the frequency when the magnetic field is periodically changed by alternating current, and is emitted through insulating oil. The main frequency is 120Hz, which is usually low frequency below 500Hz.
변압기 내부 부속품의 기계적 파손 및 변형 시 누설자속과 권선전류의 고조파 성분에 의한 진동이 발생되며 기본소음과는 다른 형태의 소음이 발생한다. 또한, 변압기 내부의 화학적 변화나 전기적 임피던스 변화에 따른 음향 방출 신호가 달라질 수 있다. 본원 발명에 따른 진단 방법은 이러한 소음 정보를 활용하여 진단의 정확성을 더욱 향상 시킨다.Mechanical damage and deformation of the internal parts of transformers cause vibrations due to leakage flux and harmonic components of winding current, and noises that are different from basic noise. In addition, the acoustic emission signal may vary according to chemical changes or electrical impedance inside the transformer. The diagnostic method according to the present invention further improves the accuracy of diagnosis by utilizing such noise information.
본원 발명의 실시예는 오전, 오후. 저녁, 밤 시간대에 따른 변압기 상태를 딥러닝을 통해 분류하는 예로서, 학습단계와 검증단계로 실시하였다.Examples of the present invention are am, pm. As an example of classifying the transformer state according to the night time and night time through deep learning, the learning and verification phases were performed.
먼저 학습단계에서는 다수개의 진동센서 및 열영상 센서로부터 센서 데이터를 수집하고, 전처리 과정을 거쳐서 딥러닝 입력 신호를 생성한다. 딥러닝은 상기 센서 데이터에 따른 변압기 상태의 작동 시간대별 특성에 최적화된 모델을 생성한다.First, in the learning phase, sensor data is collected from a plurality of vibration sensors and thermal image sensors, and a deep learning input signal is generated through a preprocessing process. Deep learning generates a model optimized for operating time-phase characteristics of a transformer state according to the sensor data.
검증단계에서 상기 학습된 딥러닝 모델은 임의의 시간대에서 센서로부터 취득된 데이터를 입력으로 받고 상기 데이터가 취득된 작동 시간대를 예측하여 출력한다. 딥러닝 출력의 예측 정확성을 파악하기 위해서 센서 데이터가 취득된 실제 시간대와 딥러닝을 통해 예측된 시간대의 동일 여부를 딥러닝을 이용한 변압기 상태진단의 성능지표로 활용한다.In the verifying step, the learned deep learning model receives data obtained from a sensor at an arbitrary time zone as an input and predicts and outputs an operation time zone from which the data is acquired. In order to understand the prediction accuracy of the deep learning output, the performance time of the transformer condition diagnosis using the deep learning is used whether the real time zone obtained by the sensor data and the time zone predicted through the deep learning are the same.
아래 표 1은 사용된 센서 종류에 따른 딥러닝 상태 예측의 정확도를 나타낸 표이다.Table 1 below shows the accuracy of deep learning state prediction according to the type of sensor used.
상기 표1의 결과로부터 변압기 상태의 시간대를 분류하는 딥러닝 모델이 90% 이상의 예측 정확도를 보이며, 진동센서 데이터만을 사용하는 것에 비교하여 서로 다른 종류의 센서데이터를 함께 사용함으로써 예측 정확도가 향상됨을 보인다.From the results of Table 1, the deep learning model that classifies the time zone of the transformer state shows more than 90% prediction accuracy, and the prediction accuracy is improved by using different types of sensor data together compared to using only vibration sensor data. .
Claims (16)
b) 변압기에 설치된 센서를 사용하여 상기 변압기에 대한 측정 정보를 상기 변압기용 로컬 단말기가 측정하여 상기 변압기의 고유 번호와 같이 서버 컴퓨터로 전송하는 단계;
c) a) 단계 및 b) 단계를 통해서 전송된 모든 정보를 상기 서버 컴퓨터가 딥러닝을 통해서 처리하는 단계; 및
d) 상기 처리된 결과를 상기 서버 컴퓨터가 상기 리모트 단말기로 전송하는 단계를 포함하는 변압기 진단 방법.a) a person inputting information including a unique number of a transformer to be diagnosed through a remote terminal to a server computer;
b) measuring, by the local terminal for the transformer, measurement information about the transformer using a sensor installed in the transformer and transmitting the measurement information to the server computer as the unique number of the transformer;
c) processing by the server computer through deep learning all the information transmitted in steps a) and b); And
d) transmitting the processed result to the remote terminal by the server computer.
상기 변압기에 대한 정보는 상기 변압기의 설치 위치, 설치 시기, 변압기의 종류, 및 용량을 포함하는 변압기 진단 방법.The method of claim 1,
The information on the transformer includes a transformer installation location, timing of installation, type of transformer, and capacity.
상기 변압기의 종류는 철심 사용 여부, 사용되는 전력계통, 단상 또는 다상 여부, 유입 또는 건식 또는 가스절연 또는 몰드를 포함하는 절연 방법, 단권선 또는 다권선 여부를 포함하는 변압기 진단 방법.The method of claim 2,
The type of the transformer is a transformer diagnostic method including whether the use of iron core, power system used, whether single-phase or multi-phase, insulation method including inflow or dry or gas insulation or mold, whether single winding or multi winding.
상기 b) 단계를, 상기 변압기에 설치된 센서 또는 별도의 센서를 사용하여 상기 변압기에 대한 측정 정보를 사람이 측정하고 이를 상기 변압기의 고유 번호와 같이 서버로 전송하는 단계로 대치하는 변압기 진단 방법.The method of claim 1,
B) replacing the step of measuring the measurement information of the transformer by a person using a sensor installed in the transformer or a separate sensor and transmitting it to the server with the unique number of the transformer.
상기 b) 단계에서 있어서 상기 로컬 단말기의 ID도 같이 상기 서버로 전송되는 변압기 진단 방법.The method of claim 1,
In step b), the ID of the local terminal is also transmitted to the transformer diagnostic method.
상기 a) 단계 내지 d) 단계에서 상기 변압기에 대한 고유 번호를 포함하는 정보 및 상기 측정 정보를 상기 리모트 단말기 또는 상기 로컬 단말기가 상기 서버 컴퓨터로 전송하지 않고, 상기 로컬 단말기에서 모두 처리하는 단계로 대치되는 변압기 진단 방법.The method of claim 1,
In step a) to step d), the remote terminal or the local terminal does not transmit the information including the unique number for the transformer and the measurement information to the server computer, but instead processes all at the local terminal. Transformer diagnostic method.
상기 c) 단계에서의 처리는 딥러닝을 통해서 처리된 정보로부터 상기 변압기의 상태를 판정하는 것을 포함하는 변압기 진단 방법.The method of claim 1,
Wherein the processing in step c) includes determining a state of the transformer from information processed through deep learning.
상기 변압기의 상태는 변압기의 불량여부, 변압기의 잔여 수명을 포함하는 변압기 진단 방법.The method of claim 7, wherein
The state of the transformer includes a transformer failure, the remaining life of the transformer.
상기 센서는 전류, 전압, 온도, 음파, 및 진동을 각각 측정하는 센서를 포함하는 변압기 진단 방법.The method of claim 1,
The sensor comprises a sensor for measuring the current, voltage, temperature, sound waves, and vibration, respectively.
상기 a) 단계 이전에 상태가 판정된 변압기의 상태 정보를 리모트 또는 로컬 단말기에 입력하는 단계, 상기 센서를 사용하여 상기 상태가 판정된 변압기에 대한 정보를 측정하여 수집하는 단계, 상기 상태가 판정된 변압기의 상태 및 상기 수집된 정보를 상기 서버 컴퓨터에서 딥러닝을 통해 학습하는 단계가 진행되는 변압기 진단 방법.The method of claim 1,
Inputting state information of a transformer whose state has been determined before the step a) to a remote or local terminal, measuring and collecting information on the transformer whose state has been determined using the sensor, wherein the state is determined And learning the state of the transformer and the collected information through deep learning in the server computer.
상기 센서로부터 측정 정보의 수집 및 상기 서버 컴퓨터로의 전송은 상기 서버 컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 진행되는 변압기 진단 방법.The method of claim 1,
The collection of measurement information from the sensor and the transfer to the server computer are carried out at the request and / or user request from the server computer.
상기 수집된 측정 정보를 상기 로컬 단말기가 상기 서버 컴퓨터로 전송하기 전에 상기 로컬 단말기에서 주파수 성분 분석, 시간에 따른 변화율 분석 신호 처리를 하거나 수집된 측정 정보를 가공없이 상기 서버 컴퓨터로 전송하여 상기 서버 컴퓨터에서 주파수 성분 분석, 및 시간에 따른 변화율 분석 신호 처리를 하는 변압기 진단 방법.The method of claim 1,
Before the local terminal transmits the collected measurement information to the server computer, the local terminal performs a frequency component analysis, a change rate analysis signal processing over time, or transmits the collected measurement information to the server computer without processing. A method for diagnosing transformers that performs frequency component analysis, and rate-of-change analysis signals processing over time.
상기 신호 처리는 노이즈 제거, 푸리에, 패스트푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), MFCC(Mel-Frequency Cepstrum), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency), 보드 선도(Bode Plot), 나이퀴스트 선도 (Nyquist Plot) 분석 중 적어도 하나를 통해 특성치를 추출하는 것인 변압기 진단 방법.The method of claim 12,
The signal processing includes noise reduction, Fourier, Fast Fourier, Laplace, Octave Band Levels, Mel-Frequency Cepstrum, Sharpness, Roughness, Envelope, Basis Size, Tonality, and Fluctuation Strength. And extracting the characteristic value through at least one of damping, natural frequency, bode plot, and Nyquist plot analysis.
상기 딥러닝은 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression, Autoencoder 중 적어도 하나인 변압기 진단 방법.The method of claim 1,
The deep learning is at least one of a convolutional neural network (CNN), a recursive neural network (RNN), a deep belief network (DBN), a long short-term memory (LSTM), a gated recurrent neural network (GRU), a softmax regression, and an autoencoder. How to diagnose a transformer.
상기 딥러닝은 적어도 10개 이상의 히든레이어와 적어도 500개 이상의 전체 노드수를 갖는 변압기 진단 방법.The method of claim 1,
Said deep learning having at least 10 hidden layers and at least 500 total nodes.
상기 처리된 결과는 변압기의 불량여부 및 변압기의 수명으로 구분되며, 불량 판정시 불량의 원인, 불량 변압기의 위치를 포함하며, 양품 판정시 변압기의 잔여 수명을 포함하는 변압기 진단 방법.The method of claim 1,
The result of the processing is classified into whether the transformer is defective or the service life of the transformer, and the cause of the failure in the determination of the failure, the location of the defective transformer, and the transformer diagnostic method comprising the remaining life of the transformer when determining the good quality.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180089607A KR20200014129A (en) | 2018-07-31 | 2018-07-31 | Diagnosis method of electric transformer using Deep Learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180089607A KR20200014129A (en) | 2018-07-31 | 2018-07-31 | Diagnosis method of electric transformer using Deep Learning |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200014129A true KR20200014129A (en) | 2020-02-10 |
Family
ID=69627370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180089607A KR20200014129A (en) | 2018-07-31 | 2018-07-31 | Diagnosis method of electric transformer using Deep Learning |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20200014129A (en) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102234531B1 (en) * | 2020-07-28 | 2021-03-31 | 에이비주식회사 | high voltage insulation soundness prediction system and method using artificial intelligence analysis |
CN112785092A (en) * | 2021-03-09 | 2021-05-11 | 中铁电气化局集团有限公司 | Turnout residual life prediction method based on self-adaptive deep layer feature extraction |
CN111722046B (en) * | 2020-07-01 | 2021-05-18 | 昆明理工大学 | Transformer fault diagnosis method based on deep forest model |
KR20210102649A (en) * | 2020-02-12 | 2021-08-20 | 한전케이디엔주식회사 | Power facility management system and method |
KR20210150913A (en) * | 2020-06-04 | 2021-12-13 | 한국전력공사 | Noise measurement support apparatus and system using smartphone |
KR102354342B1 (en) | 2020-12-30 | 2022-01-21 | 서울대학교산학협력단 | Fault diagnosis device of transformer and fault diagnosis method using the same |
KR20220059837A (en) | 2020-11-03 | 2022-05-10 | 주식회사 케이티 | Method, server and computer program for learning predictive maintenance model to monitor machine status |
KR20230033431A (en) * | 2021-09-01 | 2023-03-08 | 한국전력공사 | Automatic Fault Analysis Device and Method for Electric Facilities |
WO2023239867A1 (en) * | 2022-06-08 | 2023-12-14 | X Development Llc | Predicting electrical component failure |
CN117725529A (en) * | 2024-02-18 | 2024-03-19 | 南京邮电大学 | Transformer fault diagnosis method based on multi-mode self-attention mechanism |
CN118211124A (en) * | 2024-05-22 | 2024-06-18 | 国网山东省电力公司汶上县供电公司 | Transformer fault prediction method and system |
CN118228089A (en) * | 2024-05-23 | 2024-06-21 | 国网安徽省电力有限公司经济技术研究院 | Improved fault diagnosis method for dissolved gas in transformer oil |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR960015615A (en) | 1994-10-06 | 1996-05-22 | 이종훈 | Oil extraction method and automatic detection device of transformer |
KR20030013894A (en) | 2001-08-10 | 2003-02-15 | 주식회사 젤파워 | System for monitoring transformer on power line and method of the same |
KR101486994B1 (en) | 2013-09-27 | 2015-01-29 | 한국전력공사 | Portable partial discharge measurement device for ultra high voltage transformer |
-
2018
- 2018-07-31 KR KR1020180089607A patent/KR20200014129A/en not_active Application Discontinuation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR960015615A (en) | 1994-10-06 | 1996-05-22 | 이종훈 | Oil extraction method and automatic detection device of transformer |
KR20030013894A (en) | 2001-08-10 | 2003-02-15 | 주식회사 젤파워 | System for monitoring transformer on power line and method of the same |
KR101486994B1 (en) | 2013-09-27 | 2015-01-29 | 한국전력공사 | Portable partial discharge measurement device for ultra high voltage transformer |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210102649A (en) * | 2020-02-12 | 2021-08-20 | 한전케이디엔주식회사 | Power facility management system and method |
KR20210150913A (en) * | 2020-06-04 | 2021-12-13 | 한국전력공사 | Noise measurement support apparatus and system using smartphone |
CN111722046B (en) * | 2020-07-01 | 2021-05-18 | 昆明理工大学 | Transformer fault diagnosis method based on deep forest model |
KR102234531B1 (en) * | 2020-07-28 | 2021-03-31 | 에이비주식회사 | high voltage insulation soundness prediction system and method using artificial intelligence analysis |
KR20220059837A (en) | 2020-11-03 | 2022-05-10 | 주식회사 케이티 | Method, server and computer program for learning predictive maintenance model to monitor machine status |
KR102354342B1 (en) | 2020-12-30 | 2022-01-21 | 서울대학교산학협력단 | Fault diagnosis device of transformer and fault diagnosis method using the same |
CN112785092A (en) * | 2021-03-09 | 2021-05-11 | 中铁电气化局集团有限公司 | Turnout residual life prediction method based on self-adaptive deep layer feature extraction |
CN112785092B (en) * | 2021-03-09 | 2024-05-07 | 中铁电气化局集团有限公司 | Switch residual life prediction method based on self-adaptive deep feature extraction |
KR20230033431A (en) * | 2021-09-01 | 2023-03-08 | 한국전력공사 | Automatic Fault Analysis Device and Method for Electric Facilities |
WO2023239867A1 (en) * | 2022-06-08 | 2023-12-14 | X Development Llc | Predicting electrical component failure |
CN117725529A (en) * | 2024-02-18 | 2024-03-19 | 南京邮电大学 | Transformer fault diagnosis method based on multi-mode self-attention mechanism |
CN117725529B (en) * | 2024-02-18 | 2024-05-24 | 南京邮电大学 | Transformer fault diagnosis method based on multi-mode self-attention mechanism |
CN118211124A (en) * | 2024-05-22 | 2024-06-18 | 国网山东省电力公司汶上县供电公司 | Transformer fault prediction method and system |
CN118228089A (en) * | 2024-05-23 | 2024-06-21 | 国网安徽省电力有限公司经济技术研究院 | Improved fault diagnosis method for dissolved gas in transformer oil |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200014129A (en) | Diagnosis method of electric transformer using Deep Learning | |
US20210241544A1 (en) | Platform for analyzing health of heavy electric machine and analysis method using the same | |
Kim et al. | Induction motor fault diagnosis based on neuropredictors and wavelet signal processing | |
CN110728257A (en) | Transformer winding fault monitoring method based on vibration gray level image | |
CN114184367B (en) | Rotary mechanical equipment fault diagnosis method, device, equipment and readable storage medium | |
CN117308275B (en) | Temperature difference-based pipeline connection abnormality detection method and system | |
Devarajan et al. | Detection and classification of mechanical faults of three phase induction motor via pixels analysis of thermal image and adaptive neuro-fuzzy inference system | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
Kumar et al. | A brief review of condition monitoring techniques for the induction motor | |
CN117270514A (en) | Production process whole-flow fault detection method based on industrial Internet of things | |
Leonidovich et al. | The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment | |
Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
KR102561675B1 (en) | Failure diagnosis and prediction system using condition monitoring of production site operation facilities | |
Chang et al. | Fuzzy theory-based partial discharge technique for operating state diagnosis of high-voltage motor | |
Gopinath et al. | Insulation condition assessment of high‐voltage rotating machines using hybrid techniques | |
CN116049638A (en) | Transformer vibration detection method, system, equipment and storage medium | |
Dobroskok et al. | Neural network based detecting induction motor defects supplied by unbalanced grid | |
Peng et al. | [Retracted] Application of CNN‐Based Machine Learning in the Study of Motor Fault Diagnosis | |
Kim et al. | Reducing the impact of false alarms in induction motor fault diagnosis | |
Waters et al. | Vibration Anomaly Detection using Deep Autoencoders for Smart Factory | |
Yu et al. | Research and application of intelligent diagnosis method of mechanical fault based on transformer vibration and noise and BP neural network | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
Nyanteh | Application of artificial intelligence to rotating machine condition monitoring | |
Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
RU2814857C1 (en) | System for monitoring and diagnosing state of turbine generator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E601 | Decision to refuse application | ||
E801 | Decision on dismissal of amendment |