본 논문에서는 GIS내에 존재할 수 있는 부분방전원을 추정하기 위하여 모의 GIS를 제작하고 부분방전의 원천으로 모의된 코로나방전, 연면방전, 파티클의 자유운동, 보이드(void) 방전, 그리고 플로팅(floating) 전극으로부터 발생하는 UHF신호의 특성을 분석하였다. UHF 신호의 특성 분석의 결과로써 각 부분방전원에 대한 UHF 신호의 주파수 스팩트럼과 위상 특성을 도출하였다. 이 결과를 실제 GIS 내의 부분방전원을 분석하는데 체계적으로 적용하기 위하여 취득된 모든 UHF 신호의 특성을 정량화하고 다층구조를 갖는 역전파학습 신경회로망에 기초한 알고리즘의 데이터로 활용하였다. 구축된 알고리즘의 인식률은 학습과 테스트 데이터에서 각각 약 94(%)와 82(%) 정도로 양호하였다.
본 논문에서는 GIS내에 존재할 수 있는 부분방전원을 추정하기 위하여 모의 GIS를 제작하고 부분방전의 원천으로 모의된 코로나방전, 연면방전, 파티클의 자유운동, 보이드(void) 방전, 그리고 플로팅(floating) 전극으로부터 발생하는 UHF신호의 특성을 분석하였다. UHF 신호의 특성 분석의 결과로써 각 부분방전원에 대한 UHF 신호의 주파수 스팩트럼과 위상 특성을 도출하였다. 이 결과를 실제 GIS 내의 부분방전원을 분석하는데 체계적으로 적용하기 위하여 취득된 모든 UHF 신호의 특성을 정량화하고 다층구조를 갖는 역전파학습 신경회로망에 기초한 알고리즘의 데이터로 활용하였다. 구축된 알고리즘의 인식률은 학습과 테스트 데이터에서 각각 약 94(%)와 82(%) 정도로 양호하였다.
This paper describes the analysis of the UHF signal characteristics due to the partial discharge sources which can exist in a GIS. For the experiment, a model GIS was made and 5 types of discharge source were created as follows; corona discharge, surface discharge, void discharge, discharge due to f...
This paper describes the analysis of the UHF signal characteristics due to the partial discharge sources which can exist in a GIS. For the experiment, a model GIS was made and 5 types of discharge source were created as follows; corona discharge, surface discharge, void discharge, discharge due to free particle, discharge from floating electrode. The frequency spectra and the phase characteristics of UHF signals were induced by UHF signal analysis. The results were quantified to systematically adapt to analyze the PD sources in the GIS and utilized as algorithm data based on the neural network for Back-Propagation Algorithm with a multi-layer structure. The perception rate of the constructed algorithm showed approximately 94[%] and 82[%] in learning and testing data, respectively.
This paper describes the analysis of the UHF signal characteristics due to the partial discharge sources which can exist in a GIS. For the experiment, a model GIS was made and 5 types of discharge source were created as follows; corona discharge, surface discharge, void discharge, discharge due to free particle, discharge from floating electrode. The frequency spectra and the phase characteristics of UHF signals were induced by UHF signal analysis. The results were quantified to systematically adapt to analyze the PD sources in the GIS and utilized as algorithm data based on the neural network for Back-Propagation Algorithm with a multi-layer structure. The perception rate of the constructed algorithm showed approximately 94[%] and 82[%] in learning and testing data, respectively.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그림 2는 각각의 부분 방전원별로 나타낸 개략적인 모습을 나타내었다. 이 결함들로부터 UHF 센서 올 통하여 UHF 신호 검출하는데 목적이 있다. UHF 신호는 부분 방전량의 측정범위가 넓고 주파수 대역이 높아서 외부 전자파 잡음과 구분이 확연하여 현재 많이 사용하고 있는 진단법이다.
따라서 GIS의 사고를 예방하기 위하여 부분 방전을 검출하고 부 분방 전의 원천을 진단하는 것이 필요하다. 이 점에 주목하여 본 논문에서는 GIS 내 부분 방전을 UHF 신호로 검줄하여 신호의 주파수 분포와 위상 분포를 분석하여 부분 방전원을 추정하고자 한다.
가설 설정
그림 3은 각 결함에서 발생되는 UHF 신호를 오실로스코프로 측정한 결과를 나타낸다. 임의의 결함에서 발생되는 UHF 신호는 고유한 특성 올 갖는다는 가정하에 본 논문에서는 UHF 신호의 주파수스 펙트럼과 위상 특성을 모든 결함에 대하여 조사하고 그 결과를 비교 분석하였다.
제안 방법
UHF 신호 분석 올 통하여 GIS 내 부분 방전원 추정하기 위하여 많은 부분 방전원 중 GIS 내의 대표적인 고장 원인으로 알려진 코로나 방전, 자유 운동, 연 면 방 전, 보이드 방전, 플로팅방전 등을 단순화하여 모의하였고 이것들로부터 발생되는 UHF 신호를 측정하여 주파수 및 위상 특성 올 분석하였다
본 논문에서 모의한 부 분방 전원은 코로나방전, 파티클 자유 운동, 연 면 방전, 보이드 방전, 그리고 플로팅 등의 다섯 가지로 구분하였다. 그래서 본 논문에서 GIS 내부 구성요소에서 발생될 수 있는 부분 방전 종류별로 구분하였다. 그림 2는 각각의 부분 방전원별로 나타낸 개략적인 모습을 나타내었다.
만약 코로나 방전의 경우 91151도 부분에서 발생된다. 또한, 본 알고리즘의 중간층은 인식률 올 극대화하기 위하여 은닉층을 두 개 층으로 하였으며 각각의 뉴런 개수를 500개로 정하였다. 알고리즘의 출력은 코로나 자유 운동, 연 면 방전, 보이드 그리고 플로팅으로 나타나는데 이것을 신경 요소의 학습 신호로 표현하기 위해 코로나, 자유 운동, 연 면 방 전, 보이드, 플로팅을 각각 [+1 -1 -1 -1 -1], [-1 +1 -1 T -1], [-1 _1 +1 _1 TJ, [_1 ~1 ~1 +1 ~1], [~1 -1 -1 -1 니]으로 설정하였다.
GIS의 내부에는 고체 절연물의 공극이나, 고체 돌 기, 금속 이물, 금속 구성품의 접촉 불량 등으로 인한 내부 사고로 분류할 수 있다. 본 논문에서 모의한 부 분방 전원은 코로나방전, 파티클 자유 운동, 연 면 방전, 보이드 방전, 그리고 플로팅 등의 다섯 가지로 구분하였다. 그래서 본 논문에서 GIS 내부 구성요소에서 발생될 수 있는 부분 방전 종류별로 구분하였다.
본 논문에서는 검출 가능 부분 방전 레벨이 机诡이 상이고 인가전압의 속도는 약 2LkV/sec]의 속도로 인가하였다. 또한 본 논문에서 사용한 진공펌프는 기름을 이용한 로터리(Rotary) 형식의 진공펌프로 IxlO 3比如로 균일하게 사용하였다.
본 알고리즘의 학습은 입력신호를 순차적으로 입력시키면서 출력층의 출력신호가 허용오차범위에 수렴할 때까지 반복적으로 학습을 진행하고 최종적으로 출력층의 출력신호가 허용오차의 범위내에 수렴하면 신경회로망에 입력패턴이 학습된 것으로 간 주하고 학습을 종료하였다. 이때 사용된 데이터 개 수는 총 150개를 이용하였으며 50개를 학습 데이터로 30개를 테스트 데이터로 이용하였다.
입력은 정량화된 UHF 신호의 주파수와 위상 특성이다. 알고리즘의 상정은 결함 열 UHF 신호가 위 상에 따라 발생되는 범주가 다르므로 신호 검출 시 발생되는 위상분포에 대한 부분 방전 신호를 기준으로 하였다. 만약 코로나 방전의 경우 91151도 부분에서 발생된다.
또한, 본 알고리즘의 중간층은 인식률 올 극대화하기 위하여 은닉층을 두 개 층으로 하였으며 각각의 뉴런 개수를 500개로 정하였다. 알고리즘의 출력은 코로나 자유 운동, 연 면 방전, 보이드 그리고 플로팅으로 나타나는데 이것을 신경 요소의 학습 신호로 표현하기 위해 코로나, 자유 운동, 연 면 방 전, 보이드, 플로팅을 각각 [+1 -1 -1 -1 -1], [-1 +1 -1 T -1], [-1 _1 +1 _1 TJ, [_1 ~1 ~1 +1 ~1], [~1 -1 -1 -1 니]으로 설정하였다.
6[(云lz] 의 주파수대 역을 125[MHz] 대역으로 나누고 각 대역에서 측정된 데이터의 평균값을 그 대역의 대표 값으로 정의하였다. 위상 특성의 정량화에서는 부분 방전에 의해 발생한 UHF 신호의 발생률을 위상에 따라 나타내기 위하여 위상을 0[이에서부터 360[이까지 15[°] 간격으로 나누고 각각의 대역에서 발생된 UHF 신호의 백분율 횟수로 나타내었다.
앞에서 측정된 실험 결과를 좀 더 심층적으로 분석하기 위하여 UHF 신호의 주파수와 위상 특성을 정량화하였는데 이것은 각 특성의 형태 인식을 통한 결함의 추정에 필수적인 과정이다. 정량화 과정에서 주파수 특성은 lOOtMHz]에서 1.6[(云lz] 의 주파수대 역을 125[MHz] 대역으로 나누고 각 대역에서 측정된 데이터의 평균값을 그 대역의 대표 값으로 정의하였다. 위상 특성의 정량화에서는 부분 방전에 의해 발생한 UHF 신호의 발생률을 위상에 따라 나타내기 위하여 위상을 0[이에서부터 360[이까지 15[°] 간격으로 나누고 각각의 대역에서 발생된 UHF 신호의 백분율 횟수로 나타내었다.
대상 데이터
본 논문에서는 검출 가능 부분 방전 레벨이 机诡이 상이고 인가전압의 속도는 약 2LkV/sec]의 속도로 인가하였다. 또한 본 논문에서 사용한 진공펌프는 기름을 이용한 로터리(Rotary) 형식의 진공펌프로 IxlO 3比如로 균일하게 사용하였다. SF6 가스는 모의 QS 챔버가 진공이 된 후 斓腳까지 주입하였다
본 논문에서 구성한 실험 장치는 그림 1에 도시된 바와 같이 고전압 발생 장치, 모의 챔버(chamber), 그리고 계측분석 장치 등으로 구성된다. 고전압 발생 장치의 주요 부품으로써 시험용 변압기와 고전압 제어기가 사용되고, 모의 챔버에는 모의 GIS 챔버와 QS 내 부분 방전 올 모의하기 위한 전극 그리고 진공 펌프와 SFh 가스 등이 있다.
모의 챔버에서 고전압과 상부 전극이 연결되어 있고 하부전극도 외함과 접지가 되어있다. 사용한 UHF 센서의 주파수대역은 0.11.5[皈이며 검출된 UHF 신호를 증폭하기 위하여 25[dB]의 이득을 갖는 증폭기를 사용하였다. 증폭된 신호는 자체 내장된 필터를 거쳐 오실로스코프(Tektmnics 78O4D four channel)와 스펙트럼 어날라이져 (HP 8593E)에 전달된다.
본 알고리즘의 학습은 입력신호를 순차적으로 입력시키면서 출력층의 출력신호가 허용오차범위에 수렴할 때까지 반복적으로 학습을 진행하고 최종적으로 출력층의 출력신호가 허용오차의 범위내에 수렴하면 신경회로망에 입력패턴이 학습된 것으로 간 주하고 학습을 종료하였다. 이때 사용된 데이터 개 수는 총 150개를 이용하였으며 50개를 학습 데이터로 30개를 테스트 데이터로 이용하였다.
제작된 모의 GIS 챔버는 가로 세로 높이가 각각 320, 320. 400[mml이고 최대 400[kPa]의 압력까지 견딜 수 있도록 설계되었다.
이론/모형
본 논문에서는 부분 방전원별 UHF 신호의 주파수와 위상 특성을 기반으로 하여 부분 방전의 원인 올 추정하는 알고리즘을 구축하기 위하여 다층구조를 갖는 역전파 학습 알고리즘 (Back- Propagaticm Algorig[6]을 이용하였다. 그림 7은 구성된 신경망 알고리즘의 구조를 나타낸 것이다.
주파수 및 위상 특성을 정량적으로 분석한 결과 각 부분 방전원은 고유한 형태의 주파수 스펙트럼과 위상분포를 보여 준다는 것을 알 수 있었다. 부분 방 전의 원인을 추정하는 알고리즘을 구축하기 위하여 정량화된 주파수 스펙트럼 및 위상분포의 형태를 기반으로 하여 역전파 학습 신경망 이론을 적용하였다. 이 알고리즘은 학습과 테스트의 인식률이 각각 약 94[%], 82[%]의 우수한 성능을 나타내었다.
알고리즘을 이용하여. 수행한 학습과 테스터의 결과를 요약한 표 1에서 볼 수 있듯이 학습된 데이터의 학습 정도는 약 囹[約로 매우 우수하게 나타나 학습이 잘되었음을 알 수 있다.
성능/효과
알고리즘을 이용하여. 수행한 학습과 테스터의 결과를 요약한 표 1에서 볼 수 있듯이 학습된 데이터의 학습 정도는 약 囹[約로 매우 우수하게 나타나 학습이 잘되었음을 알 수 있다. 또한 테스트 데이터를 이용한 인식에서도 약 82[%J라는 양호한 인식률을 나타내고 있다.
주파수 및 위상 특성을 정량적으로 분석한 결과 각 부분 방전원은 고유한 형태의 주파수 스펙트럼과 위상분포를 보여 준다는 것을 알 수 있었다. 부분 방 전의 원인을 추정하는 알고리즘을 구축하기 위하여 정량화된 주파수 스펙트럼 및 위상분포의 형태를 기반으로 하여 역전파 학습 신경망 이론을 적용하였다.
참고문헌 (6)
K. Morii, Y. Yamashita, Y. Harumoto, T. Ushio and S. Morioka, 'Development of 500kV Gas-lnsulated Switchgear and Its Application', IEEE Trans., T 73, pp. 33-38, 1973
N. Kiyokuni, K. Matsuura, F. Natsume and Y. Kishida, 'Fundamental Techniques for Gas Insulated Apparatus', Fuji Denki Giho, Vol. 56, No. 11, pp. 23-28, 1983
L. Ming, Influence of Conducting Particles on the SF_6 Gas Gap Breakdown and Spacer Flashover in GIS, Doctoral Thesis, Chalmers Univ. of Tecnol., Goteborg, 1987
H. M. Ryan, D. Milue and C. W. Powell, 'Site Testing and Evaluation of a Technique to Diferenciate between a Gas or Spacer Flashover in SF_6 GIS', Working Proceedings of the International Symposium on Gas-Insulated Substations Technology and Practice, Sept. 1985
B. WahIstrom, W. Lord, K. Petterson and R. Alvinson, 'Experiences and Considerations Regarding Erection Testing and Operation Availability of GIS in Sweden', CIGRE, Paris, Paper No. 23-07, 1988
K. Jung Joon, J. Yoon Sung, K. Gwang Sub, 'Machine Condition Monitoring Using Neural Netwark', Journal of the Korean Institute of Plant Engineering Vol. 1, Dec., pp. 241-250. 1969.6
※ AI-Helper는 부적절한 답변을 할 수 있습니다.