선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 웨이브렛 변환을 통해 얻은 정보를 이용하여 신경회로망에서 논리적 판단을 하게 함으로서 보다 성확 하게 변압기 외 내부고장 상태를 과악하는 새로운 고장검출 알고리즘을 제시한다.
- 그리고 구성된 신경회로망이 변압기의 내부 권선의 고장 위치를 달리함으로써 전혀 학습이 이루어지지 않은 사고의 형태에 어떤 출력패턴을 생성하는지를 알아보기 위해 내부 권선에서 발생한 지락사고(A 상 20:80)에 대해 살펴보았다.
- 본 논문에서는 시간 영역과 주파수 영역에서 과도파형의 분석에 직합한 웨이브렛 변환을 통해 얻은 시각적인 정보를 신경회로망으로 판단하게 함으로서 고장 후 1~5주기 내에 보다 정확하게 변압기의 고장 상태를 파악하는 새로운 고장 판별 알고리즘을 제시하였다.
제안 방법
- 본 논문에서 제시한 변압기 보호계전 알고리즘은 우선, 도비시 (DaubMhies) 웨이브렛 변환을 이용하여 근사정보 (Approximation)와 상세정보(DetaH)를 추출하고, 그중에서 군사정보는 비율차동요소를 구하는데 이용하여 변압기의 정 상 상태와 이상 상태를 판단하는데 이용되며, 나머지 상세정보는 신경회로망의 입력패턴으로 활용하여 과여자 상태나 여자돌입상태인 경우 계전기의 오동작을 방지하는데 이용되며 내부고장인 경우에는 보호계 전기 외 트립정보로 이용된다.
- 그리고 제시한 변압기 보호계전 알고리즘은 전자 과도해석 프로그램(EM捋T)를 이용하여 시뮬레이션한 전력용 변압기 외 다양한 고장, 여자돌입상태, 과 여자 상태 등의 데이터를 이용하여 그 신뢰성을 입중하였다.
- 알고리즘의 수행과정은 그림3에서 알 수 있듯이 먼저 각 단자 CT를 통해 입력된 2차 측 전류로부터 변압기 1-2차, 1-3차 간의 권 선비 및 위상차를 보정하고 아울러 OLTC(On Load Tap Changer)의 탭 (Tap) 변화분을 보상한다. 그리고 1-2차, 1-3차 각 상간의 차 전류와 억제전류를 구하여 웨이브렛 변환을 통해 상세정보와 근사정보를 분석한다. 마지막으로 근사정보는 비율 차등 계전요소의 차전류와 억제전류의 비율을 구하는데 이용하고, 상세정보는 신경회로망의 입력패턴으로 입력하여 변압기의 과여자 상태 및 여자돌입 상태를 판단하게 된다.
- 변압기 1차 측과 2차 측의 차 전류와 억제전류의 웨이브렛 변환을 통해 얻은 상세정보와 군사정보 중에서 근사정보만을 이용하여 비율 차 동특성을 계산한다.
- 앞 절에서는 웨이브렛 변환을 이용해서 얻은 근사정보에 의해 변압기의 비율 차 동특성을 추출하였다. 그러나 비율 차 동특성 요소만으로는 변압기의 과여자 및 여자돌입 상태에 따른 보호계전기의 오동작을 방지할 수 없다.
- 이를 위해 본 논문에서는 상세정보를 이용하고, 신경회로망의 패턴인식을 통해 보호계전기의 오동작을 방지하도록 하였다.
- 여기서 이용한 신경회로망은 입력층(96), 중간층(50), 출력층(3)으로 이루어진 3층 퍼셉트론(96-50-3)으로 구성되어져 있으며, 활성 함수는 시그모이드 함수를 이용하였다. 가사용 되었다.
- 본 논문에서는 그럼 8과 같은 모델전력계통을 구성하고, EMTP를 이용하여 변압기의 이상 상태를 모의하였다.
- 모델 전력계통의 학습조건은 과전압(125%)상태, 여자돌입 (전원 투입 위 상각: 0도, 90도) 상태, 그리고 내부 권선 지락고 장(상: A, B, C, 고장 발생 위 상각: 0도, 90도), 고장 발생위 치(권 선비: 70:30)로 나누었다. 그리고 시험 조건은 과전압 (135%) 상태, 여자돌입상태, 내부 권선 지락고장(상:A, B, C, 고장 발생 위 상각: 30도, 발생 위치:(권 선비: 70:30, 20:80), 그리고 내부 권선 단락 고장(선간:AB, BC, CA 고장 발생 위 상각: 30도, 발생 위치:(권 선비; 10:15:75) 등으로 나누어 시뮬레이션하였다.
- 모델 전력계통의 학습조건은 과전압(125%)상태, 여자돌입 (전원 투입 위 상각: 0도, 90도) 상태, 그리고 내부 권선 지락고 장(상: A, B, C, 고장 발생 위 상각: 0도, 90도), 고장 발생위 치(권 선비: 70:30)로 나누었다. 그리고 시험 조건은 과전압 (135%) 상태, 여자돌입상태, 내부 권선 지락고장(상:A, B, C, 고장 발생 위 상각: 30도, 발생 위치:(권 선비: 70:30, 20:80), 그리고 내부 권선 단락 고장(선간:AB, BC, CA 고장 발생 위 상각: 30도, 발생 위치:(권 선비; 10:15:75) 등으로 나누어 시뮬레이션하였다.
- 본 연구에서는 그림3에 나타내었듯이 우선, 각상의 차 전 류와 억제전류를 구하여 웨이브렛 변환을 통해 상세 정보와 근사정보로 분석한다. 그리고 각각의 근사정보는 비율차동 계전요소를 구하는데 이용하고, 상세정보는 신경회로망의 입력패턴으로 입력하여 변압기의 여자돌입 상태에서 비율차동계전기의 오동작 방지를 위해 이용된다.
- 학습된 패턴이 권선지락 고장과는 다른 권선 단락 고장 (AB 상 10:15:75)o] 발생한 경우에는 신경회로망이 어떤 출력패턴을 생성하는지를 알아보았다. 마찬가지로 그림12의 (a) 는 차 전류를, (b) 는 신경회로망의 출력패턴을 나타내고 있다.
- 변압기의 정상 상태와 이상 상태를 판단하기 위해 우선, Daubechies 웨이보렛 변환에 의한 근사정보를 추출하여 차 선류와 억제전류의 비율을 계산하였으며, 다음은 웨이브렛 변환을 통해 얻은 상세정보를 신경회로망의 입력패턴으로 활용하여 과여자 상태나 여자돌입 상태를 판별하였다. 따라서 변압기에서 고장이 발생한 경우에는 트립신호를 발생하고, 여자돌입이나 과여자 상태인 경우에는 계전기의 동작을 억제한디.
대상 데이터
- 여기서 변압기는 3상 2권선(45/60MVA, 154kV/22.9kV, J-Y 결선) 전력용 변압기의 데이터, 송전선로는 ACSR 데이터를 이용하였다. 그리고 변압기의 내부고장을 모의하기 위해서는 EMTP의 보조 프로그램인 BCTRAN에서 출력되는 임피던스 행렬을 이용하였고, [10] 여자돌입 및 과여자 상태를 모의하기 위해서는 히스테리시스 곡선에 의한 가 포화 변압기 모델을 이용하였다.
이론/모형
- 본 논문에서는 Daubechies 웨이브렛 변환을 이용하여 근 사정 보와 상세 정보를 추출하고, 근 사 정 보는 비 율차동요소를 구하는 데 이용하며, 상세정보는 신경회로망의 입력패턴으로 활용하여 과여자 상태나 여자돌입상태에 따른 계선기의 오 동작을 방지하는데 이용된다. 이와 같은 과정을 블록 도로 나타내면 그렴 3과 같다.
- 이에 본 논문에서는 Daubechies(db4) 모 웨이브렛을 이용하여 변압기의 이상 상태에 대한 전류 파형을 분석하였으며 그림 4는 각 상태에 따른 분석 결과를 나타낸 것이다. 여기서, 사용된 필터 계수는 다음과 같다.
- 가사용 되었다. 그리고 학습 알고리즘은 역전파 알고리즘을 사용하였으며, 시뮬레이션을 통해 가장 적절한 학습률 n =0.5와, 관 성항 a =0.4을 결정하였다.
- 9kV, J-Y 결선) 전력용 변압기의 데이터, 송전선로는 ACSR 데이터를 이용하였다. 그리고 변압기의 내부고장을 모의하기 위해서는 EMTP의 보조 프로그램인 BCTRAN에서 출력되는 임피던스 행렬을 이용하였고, [10] 여자돌입 및 과여자 상태를 모의하기 위해서는 히스테리시스 곡선에 의한 가 포화 변압기 모델을 이용하였다.[11]
성능/효과
- 모 웨이브렛의 종류에는 Haar, Daubechies, Coiflets, Biothogonal, Mexican Hat, Meyer, symlets 웨이브렛 등 여러 종류가 있으며 각 웨이브렛은 길이와 특성에 따라 여러 종류로 분류된다. 본 연구에서는 과도파형의 특징을 정확히 추츨하기 위하여 Daubechies(dbl~db6), Coiflets (coifletl' coiflet5 ), BiothogonaK bior3.1 ), symlets( sym5 )를 적용한 결과, Daubechies(db4)의 상세(Detail) 성분이 가장 현저한 변화를 보였다. 즉 Daubechies 웨이브렛의 상세 성분 값들이 가장 급격한 변화를 보였으며 국부적으로 집증화되어 나타났다.
- 1 ), symlets( sym5 )를 적용한 결과, Daubechies(db4)의 상세(Detail) 성분이 가장 현저한 변화를 보였다. 즉 Daubechies 웨이브렛의 상세 성분 값들이 가장 급격한 변화를 보였으며 국부적으로 집증화되어 나타났다. ⑻
- 그림5의 (a) 에서 알 수 있듯이 웨이브렛 변환과 DFT를 혼합한 방법과 기존의 방식인 DFT를 이용해 차 전류의 실효치를 구한 결과는 동일함을 알 수 있다. 그리고 웨이브렛 변환을 이용해 얻어진 실효치는 기존의 방법에 비해 고장 직후의 과도현상에 조금 더 큰 영 향음 받고 있음을 알 수 있다. 반면 비율차통 특성에 있어 서는 기존의 방법과 웨이블렛변환을 이용한 방법이 유사한 결과를 나타내었다.
- 그리고 여자돌입 상태 및 내부고장 등을 모의하여 얻은 데이터를 이용하여 제안된 변압기 보호계전 알고리즘의 효용성을 입증하였다.
- 그림11의 (a) 는 변압기의 차 전류를 나타내고 있으며, 그림 11의 (b) 는 구성된 신경회로망의 출력패턴을 나타낸 것이다. 그림U의 (b) 에서 알 수 있듯이 변압기의 내부 권선(A 상 20:80) 지락사고인 경우에도 신경회로망의 출력이 고장 상태 (0-1-0) 패턴이므로 구성된 신경회로망은 내부 권선의 고장 위치에 영향을 받지 않고 내부고장임을 정확하게 판별함을 알 수 있다.
- 그림14의 (a) 는 변압기의 외부단자 A 상에서 캐패시턴스 틀 통한 고장이 발생하도록 함으로써 고장 발생 후 변압기의 차 전류에 고초 파 성분이 많이 포함되도록 한 경우 변압기의 차 전류 파형이다, 그럼 14의 (b) 는 그림14의 (a) 와 같은 전류 파형을 나타내는 고장이 발생한 경우 변압기 외 차 전류에 포함된 기본파 및 제2고조파 성분을 추출하여 기본파 성분에 대한 제2고조파 성분의 비율을 나타낸 것으로 고장 발생 직후 A, B, C 상의 차 전류에는 저)2고조파 성분의 비율이 매우 높게 나타내고 있음을 알 수 있다.
- 이와 같이 캐패시턴스를 통해 변압기의 내부고장이 발생함_으로써 고장발생 후 약 5주 기 경과할 때까지 기존의 비율 차 동기법으로는 동작할 수 없음을 알 수 있다. 따라서 그럼 14의 (d) 에서 나타내었듯이 본 논문에서 제시하고 있는 방법을 통해 시험해 본 결과 고장 후 춰 소 1주기에서 2주기면 명확히 변압기의 내부고장 상태 임을 판단할 수 있음을 알 수 있다.
- . 아울러 제시된 알고리즘은 고조파 성분이 다량 함유된 고장 상태에서도 정확히 고장을 판별함을 알 수 있었다.
- 제안된 변압기 보호계 전 알고리즘은 전자 과도해석 프로그램을 이용하여 시뮬레이션된 전력용 변압기의 여자돌입 상태, 내부고장 상태 및 과여자 상태에 따른 데이터를 이용하여 그 신뢰성을 확인한 결과 모두 정확하게 패턴이 인식됨을 알 수 있었다.
후속연구
- 앞으로 좀 더 다양한 변압기의 이상 상태에 따른, 시뮬레이션을 통해 신뢰성과 적용 가능성에 대해서 계속적인 연구가 필요할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.