KR20230064416A - 전력 기기의 결함 진단 장치 및 방법 - Google Patents

전력 기기의 결함 진단 장치 및 방법 Download PDF

Info

Publication number
KR20230064416A
KR20230064416A KR1020210149983A KR20210149983A KR20230064416A KR 20230064416 A KR20230064416 A KR 20230064416A KR 1020210149983 A KR1020210149983 A KR 1020210149983A KR 20210149983 A KR20210149983 A KR 20210149983A KR 20230064416 A KR20230064416 A KR 20230064416A
Authority
KR
South Korea
Prior art keywords
type
partial discharge
reliability
defect
neural network
Prior art date
Application number
KR1020210149983A
Other languages
English (en)
Inventor
김용화
Original Assignee
한국교통대학교산학협력단
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 한국교통대학교산학협력단 filed Critical 한국교통대학교산학협력단
Priority to KR1020210149983A priority Critical patent/KR20230064416A/ko
Publication of KR20230064416A publication Critical patent/KR20230064416A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
    • 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
    • G01R22/061—Details of electronic electricity meters
    • G01R22/068—Arrangements for indicating or signaling faults
    • 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
    • G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

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

Abstract

본 발명은 전력 기기의 결함 진단 장치 및 방법에 관한 것이다. 본 발명의 일 실시 예에 따른 전력 기기의 결함 진단 방법은 적어도 하나의 센서를 통해 상기 전력 기기의 부분방전과 관련된 데이터를 획득하는 단계; 다수의 뉴럴 네트워크 모델을 이용하여, 상기 획득된 데이터가 알려진 결함 유형들에 해당할 확률값을 각각 예측하는 단계; 상기 다수의 뉴럴 네트워크 모델에 의해 각각 예측된 확률값들을 통합하여 각 결함 유형에 해당할 최종 확률값을 결정하는 단계; 상기 다수의 뉴럴 네트워크 모델의 예측 결과에 대한 신뢰도를 계산하는 단계; 상기 계산된 신뢰도가 지정된 임계치 미만인지 확인하는 단계; 및 상기 계산된 신뢰도가 상기 임계치 미만인 경우 상기 데이터의 결함 유형을 알려지지 않은 유형(unknown class)으로 판별하는 단계를 포함할 수 있다.

Description

전력 기기의 결함 진단 장치 및 방법{APPARATUS AND METHOD FOR DIAGNOSING FAULT OF POWER SYSTEM}
본 발명은 알려지지 않은(또는 비학습된) 유형(또는 클래스)의 부분방전(partial discharge)을 진단(예: 판별 또는 분류)할 수 있는 전력 기기의 결함 진단 장치 및 방법에 관한 것이다.
발전소나 변전소 등의 전력설비는 다양한 전력기기를 포함하고 있다. 전력 기기는 고전압 및/또는 고전류에서 동작하는 다수의 부품을 포함하고 있다. 전력 기기에 고전류가 흐르는 경우 과열로 인하여 화재 또는 장비 손상이 초래될 수 있다. 전력 기기는 고전류로 인한 예측할 수 없는 손상을 초래하는 것을 신속하고 적시에 방지하기 위한 장치(예: 회로 차단기 및 단로기와 같은 고전압 부품으로 구성된 전기 기계 장치)를 포함하고 있다. 예를 들어, 전력 기기는 가스절연개폐장치(GIS, Gas Insulated Switchgear)를 포함할 수 있다.
한편, 전력기기는 고장의 전조로서 부분방전(partial discharge)이 발생하게 된다. 즉, 전력기기에 부분방전이 발생하게 되면 절연 파괴에 도달할 가능성이 있고, 표면 방전(surface discharge)이 야기될 수 있으며, 최종적으로 전력기기가 파손되어 동작이 정지될 수도 있다. 따라서, 부분방전의 발생을 조기에 진단하여 적절한 조치를 취함으로써, 전력기기의 고장을 예방하기 위한 부분방전의 감지 및 진단 방법이 필요하다. 예를 들어, 초고주파(UHF, ultra-high frequency), 전류 유도(current induction), 음향 방출(acoustic emission)을 이용한 다양한 부분 방지의 감지 및 진단 방법이 제공되고 있다.
최근에는, 머신 러닝(또는 딥 러닝) 기술(예: ANN(artigicial Neural Networks), SVM(support vector machines), 합성곱 신경망(CNN, Convolutional Neural Networks), DNN(deep Neural Networks))을 기반으로 부분방전의 고장 유형을 분석 및 분류하고, 사용자의 판단 결과를 재반영하여 기계 학습(Machine Learning)함으로써, 부분방전의 고장 유형 분석 및 분류에 대한 정확도를 향상시키는 부분방전의 결함 진단(예: 결함 유형 판단) 장치 및 방법이 제공되고 있다.
하지만, 종래의 부분방전의 결함 진단 장치 및 방법은 훈련된(또는 알려진) 결함 유형에 대해서는 정확하게 분류하지만, 비훈련된(또는 알려지지 않은) 결함 유형에 대해서는 분류하지 못하거나, 훈련된 결함 유형으로 오분류하는 문제 및/또는 불편함이 있다. 이에, 비훈련된 결함 유형의 부분방전을 구분할 수 있는 결함 진단 장치 및 방법이 요구되고 있다.
따라서, 본 발명의 목적은 상기한 문제점을 해결하기 위한 것으로, 부분방전의 유형을 학습된(trained) 유형 및 비학습된(untrained) 유형으로 분류할 수 있는 전력기기의 결함 진단 장치 및 방법을 제공하기 위한 것이다.
이와 같은 목적을 달성하기 위한 본 발명의 전력 기기의 결함 진단 방법은, 적어도 하나의 센서를 통해 상기 전력 기기의 부분방전과 관련된 데이터를 획득하는 단계; 다수의 뉴럴 네트워크 모델을 이용하여, 상기 획득된 데이터가 알려진 결함 유형들에 해당할 확률값을 각각 예측하는 단계; 상기 다수의 뉴럴 네트워크 모델에 의해 각각 예측된 확률값들을 통합하여 각 결함 유형에 해당할 최종 확률값을 결정하는 단계; 상기 다수의 뉴럴 네트워크 모델의 예측 결과에 대한 신뢰도를 계산하는 단계; 상기 계산된 신뢰도가 지정된 임계치 미만인지 확인하는 단계; 및 상기 계산된 신뢰도가 상기 임계치 미만인 경우 상기 데이터의 결함 유형을 알려지지 않은 유형(unknown class)으로 판별하는 단계를 포함할 수 있다.
본 발명의 전력 기기의 결함 진단 장치는, 상기 전력 기기의 부분방전과 관련된 데이터를 획득하는 센서 모듈; 및 다수의 뉴럴 네트워크 모델을 이용하여, 상기 획득된 데이터가 알려진 결함 유형들에 해당할 확률값을 각각 예측하고, 상기 다수의 뉴럴 네트워크 모델에 의해 각각 예측된 확률값들을 통합하여 각 결함 유형에 해당할 최종 확률값을 결정하고, 상기 다수의 뉴럴 네트워크 모델의 예측 결과에 대한 신뢰도를 계산하고, 상기 계산된 신뢰도가 지정된 임계치 미만인지 확인하며, 상기 계산된 신뢰도가 상기 임계치 미만인 경우 상기 데이터의 결함 유형을 알려지지 않은 유형(unknown class)으로 판별하는 결함 진단 모듈을 포함할 수 있다.
이상과 같은 본 발명은 불확실성 추정(uncertainty estimates)을 고려하여 과신뢰 예측(overconfidence predictions)을 감소할 수 있다. 즉, 본 발명은 비학습된 유형의 결함을 학습된 유형의 결함들 중 하나로 오분류하는 것을 방지할 수 있다. 또한, 본 발명은 학습된 유형의 결함에 대한 분류 성능을 유지할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 결함 진단 장치의 구성을 도시한 블록도이다.
도 2a 내지 도 2g는 본 발명의 일 실시 예에 따른 다양한 결함 유형을 가지는 부분 방전 신호들의 패턴을 도시한 그래프이다.
도 3은 본 발명의 일 실시 예에 따른 다양한 결함 유형을 가지는 부분 방전 신호들의 분포를 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 다양한 결함 유형을 가지는 부분방전 신호들의 진폭을 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 결함 진단 모듈의 구조를 도시한 도면이다.
도 6은 임계치가 설정되지 않은 결함 진단 장치의 분류 성능에 대한 컨퓨전 매트릭스를 도시한 도면이다.
도 7a 내지 도 7b는 본 발명의 일 실시 예에 따른 임계치가 설정된 결함 진단 장치의 분류 성능에 대한 컨퓨전 매트릭스를 도시한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 결함 진단 장치의 분류 정확도의 평가 결과를 도시한 도면이다.
도 9는 본 발명의 일 실시 예에 따른 결함 진단 장치의 민감도 및 정밀도의 분석 결과를 도시한 도면이다.
도 10은 본 발명의 일 실시 예에 따른 부분방전의 결함 유형을 판별하는 방법을 도시한 순서도이다.
본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시 예에 따른 결함 진단 장치의 구성을 도시한 블록도이고, 도 2a 내지 도 2g는 본 발명의 일 실시 예에 따른 다양한 결함 유형을 가지는 부분 방전 신호들의 패턴을 도시한 그래프이고, 도 3은 본 발명의 일 실시 예에 따른 다양한 결함 유형을 가지는 부분 방전 신호들의 분포를 도시한 도면이고, 도 4는 본 발명의 일 실시 예에 따른 다양한 결함 유형을 가지는 부분방전 신호들의 진폭을 도시한 도면이며, 도 5는 본 발명의 일 실시 예에 따른 결함 진단 모듈의 구조를 도시한 도면이다.
도 1 내지 도 5를 참조하면, 본 발명의 일 실시 예에 따른 결함 진단 장치(100)는 발전소 또는 변전소 등의 고전력을 제공하는 전력 설비에 포함되며, 전력 설비를 구성하는 전력 기기를 모니터링하고, 부분방전(PD, patialy discharge) 결함을 진단(예: 감지 및 유형 판별)할 수 있다. 이를 위하여, 결함 진단 장치(100)는 전력 차단 모듈(110) 및 결함 진단 모듈(130)을 포함할 수 있다.
전력 차단 모듈(110)은 설비 고장 낙뢰, 합선, 누전 등의 이상으로부터 전력 기기의 손상을 방지하는 보호 장치이다. 예를 들어, 전력 차단 모듈(110)은 가스 절연 개폐 장치(GIS, gas insulated switchgear)일 수 있다. 이는 일 예일 뿐, 전력 차단 모듈(110)은 전력을 차단할 수 있는 다양한 장치를 포함할 수 있다.
전력 차단 모듈(110)은 고장의 전조 증상으로 다양한 유형의 부분방전이 발생할 수 있다. 예들 들어, 전력 차단 모듈(110)은, 도 2a 내지 도 2g에 도시된 바와 같이, 크랙 유형의 부분 방전(도 2a), 플로팅 유형의 부분 방전(도 2b), 자유 파티클(free particle) 유형의 부분 방전(도 2c), 보이드(void) 유형의 부분 방전(도 2d), POC(protrusion on conductor) 유형의 부분 방전(도 2e), POS(particle on spacer) 유형의 부분 방전(도 2f) 또는 POE(protrusion on enclosure) 유형의 부분 방전(도 2g)이 발생할 수 있다. 이는 일 예일 뿐, 다른 유형의 부분방전이 발생할 수 있다.
부분 방전은 절연물의 열화를 초래하여 궁극적으로 전력 차단 모듈(110)의 고장/파손을 초래할 수 있다. 부분방전을 사전에 인지하여 고장/파손의 예방하기 위하여, 전력 차단 모듈(110)은 부분방전을 검출하기 위한 센서 모듈(120)을 포함할 수 있다. 센서 모듈(120)은 부분방전 신호(예: 초고주파 대역(0.5 ~ 1.5 GHz)에서 동작하며, 5 전력 사이클에서 -14.5 dBm의 민감도 레벨을 가지는 신호)를 검출하는 UHF(ultra-high frequency) 센서일 수 있다. 이는 일 예일 뿐, 센서 모듈(120)은 부분방전 신호를 검출하기 위한 다양한 센서를 포함할 수 있다. 한편, 센서 모듈(120)은 전력 차단 모듈(110)의 외부에 위치할 수도 있다.
결함 진단 모듈(130)은 센서 모듈(120)에 의해 획득된 센서 데이터를 수신하고, 이를 분석하여 부분방전 결함 여부 및 결함 유형을 판별할 수 있다. 예를 들어, 결함 진단 모듈(130)은 피크 디텍터를 이용해서 부분방전 신호의 최대값을 캡쳐하고, 각 전력 사이클에서 N개의 샘플을 이용하여 위상분해 부분방전(PRPD, phase resolution partial discharge) 패턴을 측정할 수 있다.
한편, 다양한 결함 유형의 부분방전 신호들의 특징(예: t-SNE(t-distributed stochastic neighbor embedding) 특징) 및 진폭이 유사할 수 있다. 예를 들어, 다양한 결함 유형의 부분방전 신호들은, 도 3에 도시된 바와 같이, 다양한 결함 유형의 부분방전 신호들 사이의 거리가 가까울 수 있고, 도 4에 도시된 바와 같이, 평균 진폭 레벨(가로축) 및 최대 진폭 레벨(세로축)이 유사할 수 있다. 이와 같이, 다양한 결함 유형의 부분방전 신호들의 특징 및 진폭의 유사성으로 인하여, 결함 진단 모듈(130)은 센서 모듈(120)을 통해 측정된 부분방전 신호를 이용하여 부분방전의 유형을 정확히 분류하기 어렵다. 예를 들어, 결함 진단 모듈(130)은 훈련되지 않은(알려지지 않은) 유형의 부분방전을 훈련된 유형의 부분방전으로 오분류할 수 있다. 이에 대한 상세한 설명은 도 6을 참조하여 후술하기로 한다.
본 발명의 일 실시 예에 따른 결함 진단 모듈(130)은 불확실성 추정에 기초하여 검출된 부분방전의 유형(또는 클래스(class))를 분류할 수 있다. 예를 들어, 결함 진단 모듈(130)은 부분방전을 알려진 클래스들(known classes) 중 하나 또는 알려지지 않은 클래스(unknown class)로 분류할 수 있다.
결함 진단 모듈(130)은 다수의 뉴럴 네트워크 모델(예: CNN 모델)을 포함하는 심층 앙상블 구조(심층 앙상블 네트워크)일 수 있다. 예를 들어, 결함 진단 모듈(130)은, 도 5에 도시된 바와 같이, 입력부(131), 다수의 CNN 모델(133), 및 앙상블 출력부(135)를 포함할 수 있다.
입력부(131)는 순차 위상분해 부분방전 신호(X)를 다수의 뉴럴 네트워크 모델(133)로 전달할 수 있다. 여기서, 위상분해 부분방전 신호(X)는 아래 <식 1>가 같다.
X = M x N ............. <식 1>
<식 1>에서 M은 전력 사이클(power cycle)의 수이고, N은 위상 각(phase angle)의 수이다.
다수의 뉴럴 네트워크 모델(133)은 위상분해 부분방전 신호(X)에 기초하여, 부분방전의 결함 유형을 분류(입력된 부분방전 신호가 각 유형에 해당할 확률 값을 계산)할 수 있다. 다수의 뉴럴 네트워크 모델(133)에 포함된 각 뉴럴 네트워크 모델은 다양한 부분방전 데이터를 기반으로 학습 과정(training phase)을 통해 파라미터들이 최적화될 수 있다. 각 뉴럴 네트워크 모델은 3 x 3의 커널 사이즈를 가지는 2개의 컨볼루션 레이어(133a), 3 x 3의 커널 사이즈를 가지는 2개의 맥스풀링 레이어(133b), 정규화를 위한 2개의 드랍 아웃 레이어(133c), 128개의 노드를 가지는 풀리 커넥티드 레이어(133d), 64개의 노드를 가지는 풀리 커넥티드 레이어(133e), 및 각 클래스의 확률을 출력하는 출력 레이어(133f)로 구성될 수 있다. 이때, 출력 레이어(133)는 아래의 <식 2>의 소프트맥스 함수(softmax function)를 통해 각 클래스의 상대 확률 값(입력된 부분방전 신호가 각 유형에 해당할 확률 값)을 계산할 수 있다.
Figure pat00001
……………<식 2>
<식 2>에서, k는 클래스의 인덱스이고, k= 1, 2,..., K의 값을 가질 수 있다. K는 전체 클래스의 수이다. zk는 활성화 함수(컨볼루션 레이어(133a))의 입력이다.
앙상블 출력부(135)는, 아래의 <식 3>과 같이, 다수의 뉴럴 네트워크 모델(133)의 출력 값들의 평균 값을 계산할 수 있다.
Figure pat00002
……………<식 3>
<식 3>에서,
Figure pat00003
는 h번째 뉴럴 네트워크 모델의 출력 값이고, H는 뉴럴 네트워크 모델의 총 수이다.
결함 진단 모듈(130)은 앙상블 출력부(135)의 출력 값의 신뢰도(
Figure pat00004
)에 기초하여 부분방전의 클래스를 결정할 수 있다. 신뢰도(
Figure pat00005
)는 아래의 <식 4>와 같이 정의될 수 있다. 즉, 신뢰도(
Figure pat00006
)는 각 클래스에 대한 확률 값들 중 최대값으로 결정될 수 있다.
Figure pat00007
..............<식 4>
한편, 결함 진단 모듈(130)은, 임계치가 없이 신뢰도만으로 클래스를 결정하는 경우, 낮은 유사도에도 불구하고 알려지지 않은 클래스(또는 비훈련된 클래스)를 알려진 클래스들 중 하나로 오분류할 수 있다. 이에 대한 설명은 도 6을 참조하여 상세히 설명하기로 한다.
상기 오분류 문제를 해소하기 위하여, 본 발명의 결함 진단 모듈(130)은 신뢰도(
Figure pat00008
)와 지정된 임계치(Thc)를 비교하여 부분방전의 클래스를 분류할 수 있다. 예를 들어, 결함 진단 모듈(130)은 신뢰도(
Figure pat00009
)가 지정된 임계치보다 작으면, 부분방전을 알려지지 않은 클래스로 분류하고, 신뢰도(
Figure pat00010
)가 지정된 임계치(Thc) 이상이면, 알려진 클래스들 중 하나로 분류할 수 있다. 상기 임계치는 현실 세계에서 획득된 부분방전 데이터(예: 위상분해 부분방전 데이터)를 이용하여 결정될 수 있다.
한편, 결함 진단 모듈(130)은 전력 기기를 제어하는 메인 프로세서(미도시)의 일부이거나, 별도의 프로세서이거나, 소프트웨어 모듈일 수 있다.
도 6은 임계치가 설정되지 않은 결함 진단 장치의 분류 성능에 대한 컨퓨전 매트릭스를 도시한 도면이다.
상세한 설명에 앞서, 결함 진단 모듈은 도 2a 내지 도 2g에 도시된 7가지 유형의 부분방전들 중 크랙, 플로팅, 자유 파티클 및 보이드 유형들의 부분방전 데이터에 대해서만 학습되었고, POC, POS, 및 POE 유형들에 대해서는 비학습되었다. 즉, 크랙, 플로팅, 자유 파티클 및 보이드 유형은 알려진 유형의 부분방전이고, POC, POS, 및 POE 유형은 알려지지 않은 유형의 부분방전이다.
도 6을 참조하면, 임계치가 설정되지 않은 결함 진단 모듈은, 도 6의 식별 부호 610의 도면에 도시된 바와 같이, 알려지지 않은 유형(POC)의 부분방전을 100 %의 확률로 알려진 유형(프리 파티클)의 부분방전으로 오분류한다. 다른 예로, 임계치가 설정되지 않은 결함 진단 모듈은, 도 6의 식별 부호 620의 도면에 도시된 바와 같이, 알려지지 않은 유형(POE)의 부분방전을 75 %의 확률로 알려진 유형들 중 크랙 유형의 부분방전으로 오분류하고, 25 %의 확률로 프리 파티클 유형의 부분방전으로 오분류한다. 또 다른 예로, 임계치가 설정되지 않은 결함 진단 모듈은, 도 6의 식별 부호 630의 도면에 도시된 바와 같이, 알려지지 않은 유형(POS)의 부분방전을 28 %의 확률로 알려진 유형들 중 크랙 유형의 부분방전으로 오분류하고, 72 %의 확률로 프리 파티클 유형의 부분방전으로 오분류한다.
도 7a 내지 도 7b는 본 발명의 일 실시 예에 따른 임계치가 설정된 결함 진단 장치의 분류 성능에 대한 컨퓨전 매트릭스를 도시한 도면이다.
상세한 설명에 앞서, 결함 진단 모듈의 임계치를 95%로 설정하고, 뉴럴 네트워크 모델의 수를 1, 5, 또는 10으로 변경하면서 부분방전의 유형 분류를 수행하였다.
도 7a 내지 도 7c를 참조하면, 결함 진단 장치는 뉴럴 네트워크 모델의 수에 따라 분류의 정확도가 달라짐을 알 수 있다. 먼저, 뉴럴 네트워크 모델의 수가 1인 경우 결함 진단 모듈은, 도 7a의 식별부호 710의 도면에 도시된 바와 같이, 알려지지 않은 유형(POC)의 부분방전을 100 %의 확률로 알려진 유형(프리 파티클)의 부분방전으로 오분류한다. 다른 예로, 임계치가 설정된 결함 진단 모듈은, 도 7a의 식별 부호 720의 도면에 도시된 바와 같이, 알려지지 않은 유형(POE)의 부분방전을 75 %의 확률로 알려진 유형들 중 크랙 유형의 부분방전으로 오분류하고, 25 %의 확률로 프리 파티클 유형의 부분방전으로 오분류한다. 또 다른 예로, 임계치가 설정된 결함 진단 모듈은, 도 7a의 식별 부호 730의 도면에 도시된 바와 같이, 알려지지 않은 유형(POS)의 부분방전을 20 %의 확률로 알려진 유형들 중 크랙 유형의 부분방전으로 오분류하고, 72 %의 확률로 프리 파티클 유형의 부분방전으로 오분류하고, 8 %의 확률로 알려지지 않은 유형의 부분방전으로 분류 한다.
다음으로, 뉴럴 네트워크 모델의 수가 5인 경우 결함 진단 모듈은, 도 7b의 식별부호 740의 도면에 도시된 바와 같이, 알려지지 않은 유형(POC)의 부분방전을 36 %의 확률로 알려진 유형(프리 파티클)의 부분방전으로 오분류하고, 64 %의 확률로 알려지지 않은 유형의 부분방전으로 분류한다. 다른 예로, 임계치가 설정된 결함 진단 모듈은, 도 7b의 식별 부호 750의 도면에 도시된 바와 같이, 알려지지 않은 유형(POE)의 부분방전을 70 %의 확률로 알려진 유형들 중 크랙 유형의 부분방전으로 오분류하고, 30 %의 확률로 알려지지 않은 유형의 부분방전으로 분류한다. 또 다른 예로, 임계치가 설정된 결함 진단 모듈은, 도 7b의 식별 부호 760의 도면에 도시된 바와 같이, 알려지지 않은 유형(POS)의 부분방전을 20 %의 확률로 자유 파티클 유형의 부분방전으로 오분류하고, 80 %의 확률로 알려지지 않은 유형의 부분방전으로 분류한다.
마지막으로, 뉴럴 네트워크 모델의 수가 10인 경우 결함 진단 모듈은, 도 7c의 식별부호 770의 도면에 도시된 바와 같이, 알려지지 않은 유형(POC)의 부분방전을 100 %의 확률로 알려지지 않은 유형의 부분방전으로 분류한다. 다른 예로, 임계치가 설정된 결함 진단 모듈은, 도 7c의 식별 부호 780의 도면에 도시된 바와 같이, 알려지지 않은 유형(POE)의 부분방전을 100 %의 확률로 알려지지 않은 유형의 부분방전으로 분류한다. 또 다른 예로, 임계치가 설정된 결함 진단 모듈은, 도 7c의 식별 부호 790의 도면에 도시된 바와 같이, 알려지지 않은 유형(POS)의 부분방전을 100 %의 확률로 알려지지 않은 유형의 부분방전으로 분류한다.
한편, 도 7a 내지 도 7c를 참조하면, 알려진 유형의 부분 방전들(크랙, 플로팅, 자유 파티클, 보이드)에 대한 분류 결과는 뉴럴 네트워크 모델의 수가 변경되어도 유지됨을 알 수 있다. 즉, 임계치와 네럴 네트워크의 수를 적절히 설정하면, 알려진 유형의 부분방전에 대한 분류 성능을 유지하면서, 알려지지 않은 유형의 부분방전이 알려진 유형의 부분방전으로 오분류되는 것을 방지할 수 있다.
한편, 도 7a 내지 도 7c는 일 예일 뿐, 뉴럴 네트워크 모델의 수는 입력 데이터의 특성과 분류 대상에 따라 변경될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 결함 진단 장치의 분류 정확도의 평가 결과를 도시한 도면이다.
상세한 설명에 앞서, 결함 진단 장치의 분류 정확도는 임계치(예: 0, 0.75, 0.85, 0.95) 및 뉴럴 네트워크 수(예: 1, 5, 10)를 변경하면서, 학습된 클래스(알려진 유형)와 비학습된 클래스(알려지지 않은 유형)의 부분방전에 대하여 평가되었다.
도 8을 참조하면, 결함 진단 장치는 학습된 클래스(알려진 유형)의 부분방전에 대한 분류 정확도를 유지(최소 95.52%)하며, 비학습된 클래스(알려지지 않은 유형)의 부분방전의 오분류를 방지(예: 임계치가 0.95이고, 뉴럴 네트워크 수가 10인 경우 100%로 방지)할 수 있음을 알 수 있다.
도 9는 본 발명의 일 실시 예에 따른 결함 진단 장치의 민감도 및 정밀도의 분석 결과를 도시한 도면이다.
상세한 설명에 앞서, 결함 진단 장치의 민감도 및 정밀도는 임계치를 0.95로 설정하고, 뉴럴 네트워크 모델의 수(예: 1, 5, 10)를 변경하면서, 학습된 클래스(알려진 유형)와 비학습된 클래스(알려지지 않은 유형)의 부분방전에 대하여 평가되었다.
민감도는 아래의 <식 5>에 의해 측정되고, 정밀도는 <식 6>에 의해 측정된다.
Figure pat00011
……………… <식 5>
Figure pat00012
………………… <식 6>
<식 5> 및 <식 6>에서 TP(True Positive)는 고장 종류를 정확하게 분류한 것을 의미하고, FP(False Positive)는 실제 그 고장이 아닌데 그 고장으로 분류한 것을 의미하고, FN(False Negative)는 그 고장을 다른 고장 유형으로 분류한 것을 의미한다.
도 9를 참조하면, 학습된(또는 알려진) 클래스(또는 유형)에 대한 민감도는 뉴럴 네트워크 모델의 수가 변경되더라도 동일하게 유지됨을 알 수 있다. 이에 반하여, 비학습된(또는 알려지지 않은) 클래스(또는 유형)에 대한 민감도는 뉴럴 네트워크 모델의 수가 증가할수록 증가함을 알 수 있다. 특히, 뉴럴 네트워크 모델의 수 10인 경우 비학습된 클래스에 대한 민감도가 100%로 증가됨을 알 수 있다.
한편, 학습된 클래스에 대한 정밀도는 뉴럴 네트워크 모델의 수가 10인 경우 100 %임을 알 수 있다. 이에 반하여, 비학습된(또는 알려지지 않은) 클래스(또는 유형)에 대한 정밀도는 90% 이상임을 알 수 있다. 이는 임계치가 0.95로 설정됨에 따라, 0.95 미만의 신뢰도를 가지는 경우 알려진 클래스일지라도 알려지지 않은 클래스로 분류(예측)될 수 있기 때문이다.
도 10은 본 발명의 일 실시 예에 따른 부분방전의 결함 유형을 판별하는 방법을 도시한 순서도이다.
도 10을 참조하면, 본 발명의 일 실시 예에 따른 결함 진단 장치는, 1001 단계에서, 센서(예: 센서 모듈(120))을 통해 부분방전 데이터를 획득할 수 있다. 예를 들어, 결함 진단 장치는 초음파 센서를 통해 부분방전 신호를 획득할 수 있다.
결함 진단 장치는, 1003 단계에서, 다수의 뉴럴 네트워크 모델(예: 다수의 뉴럴 네트워크 모델(133))을 이용하여 상기 획득된 데이터에 대하여 각 결함 유형에 해당할 확률 값을 예측할 수 있다. 예를 들어, 각 뉴럴 네트워크 모델은, <식 2>와 같이, 상기 데이터가 이전에 학습된(또는 알려진) 유형들에 해당할 확률 값을 각각 예측할 수 있다. 디시 말해, 다수의 뉴럴 네트워크 모델들이 4개의 결함 유형에 대하여 학습된 경우 각 뉴럴 네트워크 모델은 상기 데이터가 제1 유형에 해당할 제1 확률 값, 제2 유형에 해당할 제2 확률 값, 제3 유형에 해당할 제3 확률 값, 및 제4 유형에 해당할 제4 확률 값을 예측할 수 있다. 이때, 결합 진단 장치가 10개의 뉴럴 네트워크 모델을 포함하는 것으로 가정하면, 상기 제1 유형에 해당할 제1 확률 값, 제2 유형에 해당할 제2 확률 값, 제3 유형에 해당할 제3 확률 값, 및 제4 유형에 해당할 제4 확률 값은 각각 10개이다.
결함 진단 장치는, 1005 단계에서, 다수의 뉴럴 네트워크 모델에 의해 예측된 유형별 확률 값을 통합하여 최종 확률 값을 결정할 수 있다. 예를 들어, 결함 진단 장치는, <식 3>과 같이, 각 유형별 확률 값들의 평균 값을 상기 최종 확률 값으로 결정할 수 있다. 다시 말해, 결함 진단 장치는 10개의 뉴럴 네트워크 모델을 포함하고, 뉴럴 네트워크 모델들이 4개의 결함 유형에 대하여 학습된 경우 10개의 제1 확률 값들의 평균 값을 제1 유형에 해당할 최종 확률 값으로 결정하고, 10개의 제2 확률 값의 평균 값을 제2 유형에 해당할 최종 확률 값으로 결정하고, 10개의 제3 확률 값의 평균 값을 제3 유형에 해당할 최종 확률 값으로 결정하고, 10개의 제4 확률 값의 평균 값을 제4 유형에 해당할 최종 확률 값으로 결정할 수 있다.
결함 진단 장치는, 1007 단계에서, 다수의 뉴럴 네트워크 모델을 이용한 예측 결과에 대한 신뢰도를 계산할 수 있다. 예를 들어, 결함 진단 장치는, <식 4>와 같이, 최종 확률 값들 중 가장 큰 값으로 신뢰도를 결정할 수 있다.
결함 진단 장치는, 1009 단계에서, 신뢰도가 지정된 임계치(예: 95 %) 미만인지 확인할 수 있다. 상기 임계치는 현실 세계에서 수집된 부분방전 데이터에 기초하여 결정될 수 있다. 상기 1009 단계의 확인 결과, 신뢰도가 지정된 임계치 미만인 경우 결함 진단 장치는, 1011 단계에서, 데이터의 결함 유형을 알려지지 않은 결함 유형(또는 비학습된 결함 유형)으로 판별할 수 있다. 반면에, 신뢰도가 지정된 임계치 이상인 경우 결함 진단 장치는, 1013 단계에서, 신뢰도에 기초하여, 알려진 결함 유형들 중 하나(가장 큰 최종 확률 값을 가지는 결함 유형)로 데이터의 결함 유형을 판별할 수 있다. 예를 들어, 제1 유형에 해당할 최종 확률 값이 96 %이고, 제2 유형에 해당할 최종 확률 값이 4 %이고, 제3 유형에 해당할 최종 확률 값이 0 %이고, 제4 유형에 해당할 최종 확률 값이 0 %인 경우 결함 진단 장치는 데이터의 결함 유형을 제1 유형으로 판별할 수 있다.
이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.
100: 결함 진단 장치
110: 전력 차단 모듈 120: 센서 모듈
130: 결함 진단 모듈

Claims (10)

  1. 전력 기기의 결함을 진단하는 방법에 있어서,
    적어도 하나의 센서를 통해 상기 전력 기기의 부분방전과 관련된 데이터를 획득하는 단계;
    다수의 뉴럴 네트워크 모델을 이용하여, 상기 획득된 데이터가 알려진 결함 유형들에 해당할 확률값을 각각 예측하는 단계;
    상기 다수의 뉴럴 네트워크 모델에 의해 각각 예측된 확률값들을 통합하여 각 결함 유형에 해당할 최종 확률값을 결정하는 단계;
    상기 다수의 뉴럴 네트워크 모델의 예측 결과에 대한 신뢰도를 계산하는 단계;
    상기 계산된 신뢰도가 지정된 임계치 미만인지 확인하는 단계; 및
    상기 계산된 신뢰도가 상기 임계치 미만인 경우 상기 데이터의 결함 유형을 알려지지 않은 유형(unknown class)으로 판별하는 단계를 포함하는 방법.
  2. 제 1 항에 있어서,
    상기 계산된 신뢰도가 상기 임계치 이상인 경우 상기 데이터의 결함 유형을 알려진 결함 유형들 중 상기 신뢰도에 대응하는 결함 유형으로 판별하는 단계를 더 포함하는 방법.
  3. 제 1 항에 있어서,
    상기 최종 확률값을 결정하는 단계는
    각 유형별 확률 값들의 평균 값을 상기 최종 확률값으로 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
  4. 제 3 항에 있어서,
    상기 신뢰도를 계산하는 단계는
    각 유형별 평균 값들 중 최대 값을 상기 신뢰도로 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
  5. 제 1 항에 있어서,
    상기 다수의 뉴럴 네트워크 모델은
    현실 세계에서 획득된 부분 방전 데이터에 기반하여, 각각 별도로 훈련되며, 서로 상이한 최적의 파라미터들을 가지는 것을 특징으로 하는 방법.
  6. 전력 기기의 결함 진단 장치에 있어서,
    상기 전력 기기의 부분방전과 관련된 데이터를 획득하는 센서 모듈; 및
    다수의 뉴럴 네트워크 모델을 이용하여, 상기 획득된 데이터가 알려진 결함 유형들에 해당할 확률값을 각각 예측하고, 상기 다수의 뉴럴 네트워크 모델에 의해 각각 예측된 확률값들을 통합하여 각 결함 유형에 해당할 최종 확률값을 결정하고, 상기 다수의 뉴럴 네트워크 모델의 예측 결과에 대한 신뢰도를 계산하고, 상기 계산된 신뢰도가 지정된 임계치 미만인지 확인하며, 상기 계산된 신뢰도가 상기 임계치 미만인 경우 상기 데이터의 결함 유형을 알려지지 않은 유형(unknown class)으로 판별하는 결함 진단 모듈을 포함하는 것을 특징으로 하는 장치.
  7. 제 6 항에 있어서,
    상기 결함 진단 모듈은
    상기 계산된 신뢰도가 상기 임계치 이상인 경우 상기 데이터의 결함 유형을 알려진 결함 유형들 중 상기 신뢰도에 대응하는 결함 유형으로 판별하는 것을 특징으로 하는 장치.
  8. 제 6 항에 있어서,
    상기 결함 진단 모듈은
    각 유형별 확률 값들의 평균 값을 상기 최종 확률값으로 결정하는 것을 특징으로 하는 장치.
  9. 제 8 항에 있어서,
    상기 결함 진단 모듈은
    각 유형별 평균 값들 중 최대 값을 상기 신뢰도로 결정하는 것을 특징으로 하는 장치.
  10. 제 6 항에 있어서,
    상기 센서 모듈은
    초음파 센서인 것을 특징으로 하는 장치.
KR1020210149983A 2021-11-03 2021-11-03 전력 기기의 결함 진단 장치 및 방법 KR20230064416A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210149983A KR20230064416A (ko) 2021-11-03 2021-11-03 전력 기기의 결함 진단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210149983A KR20230064416A (ko) 2021-11-03 2021-11-03 전력 기기의 결함 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20230064416A true KR20230064416A (ko) 2023-05-10

Family

ID=86386325

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210149983A KR20230064416A (ko) 2021-11-03 2021-11-03 전력 기기의 결함 진단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20230064416A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036082A (zh) * 2023-07-18 2023-11-10 湘煤立达矿山装备股份有限公司 一种智慧矿山管理***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036082A (zh) * 2023-07-18 2023-11-10 湘煤立达矿山装备股份有限公司 一种智慧矿山管理***及方法
CN117036082B (zh) * 2023-07-18 2024-05-10 湘煤立达矿山装备股份有限公司 一种智慧矿山管理***及方法

Similar Documents

Publication Publication Date Title
US10422833B2 (en) Systems and methods for classifying power line events
CN110398348B (zh) 存储器、高压断路器机械故障诊断方法和装置
Robles et al. Multiple partial discharge source discrimination with multiclass support vector machines
JP7116103B2 (ja) 光モジュールの故障を予測するための方法、装置、およびデバイス
Kang et al. Condition monitoring of power transformer on-load tap-changers. Part 1: Automatic condition diagnostics
RU2484487C2 (ru) Способ и устройство для определения появления электрической дуги на, по меньшей мере, одном электрическом кабеле
CN114282689B (zh) 一种普适焊接起弧实时智能检测方法及***
JP2000512766A (ja) 高電圧絶縁における部分放電測定の統計的パターン分析方法
KR101965159B1 (ko) 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템
RU2579150C2 (ru) Система контроля генератора и способ пассивного контроля генератора
EP3286878A1 (en) Fault diagnosis in networks
KR102375679B1 (ko) 패턴 분석을 이용한 인공지능 기반의 화재 예측 방법 및 장치
KR20230064416A (ko) 전력 기기의 결함 진단 장치 및 방법
Jadin et al. Thermal condition monitoring of electrical installations based on infrared image analysis
CN112734977B (zh) 一种基于物联网的设备风险预警***及算法
CN117031182B (zh) 配电站所终端遥测值异常检测方法及***
CN117538710A (zh) 用于局部动态放电监测的智能预警方法及***
Thi et al. Anomaly detection for partial discharge in gas-insulated switchgears using autoencoder
JP5178471B2 (ja) 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法
CN116298459A (zh) 一种智能雷电流在线监测***
CN112733951B (zh) 一种断路器机械缺陷诊断的多信息决策权重分配融合方法
JP2021193347A (ja) 絶縁耐性診断装置及び絶縁耐性診断方法
Ortego et al. Deep Learning Tools Analysis for Automatic Partial Discharge Detection Based on PRPD Patterns
Schober et al. HVDC GIS/GIL-machine learning algorithms for online PD classification at DC voltage
CN115684835B (zh) 配电网故障诊断方法、装置、设备及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal