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
- 이러한 문제점을 해결하기 위하여 본 논문에서는 SOM을 이용한 전력용 변압기의 고장진단 알고리즘을 제안한다. 제안된 방법은 훈련 데이터의 경쟁 학습을 통하여 자기구성 맵을 구축한 후, 실증 데이터를 구축된 맵에 적용하여 고장의 진단이 이루어진다.
- 열화의 진행정도를 결정하였다. 즉 열화가 어느 정도 진행된 입력데이터인 경우 기 구축된 정상 데이터와의 거리척도의 값이 상대적으로 크고, 열화가 진행되지 않은 데이터인 경우 거리척도의 값이 상대적으로 작다는 점에 착안하여 열화정도를 수치적으로 제시하고자 한다. 거리척도에 의해 열화추이 진행 정도가 판단된 후, 열화의 진행 방향은 FCM에 의해 이미 구축된 정상데이터를 제외한 6개의 고장 데이터(PD~T3)와 입력데이터간의 거리 척도를 구한 후, 거리척도 값이 적은 즉, 유사도가 높은 고장 모델을 선정함으로써 고장진행방향을 결정하고자 한다.
- 이러한 문제점을 해결하기 위하여 본 연구에서는 SOM을 이용한 전력용 변압기의 고장진단 기법을 제안하였다. 제안한 방법은 KEPCO 규정에 의해 입력데이터가 요주의로 판정된 경우 자기학습에 의해 구성된 SONS] 의해 고장원인을 판정하였다.
제안 방법
- 제안한다. 제안된 방법은 훈련 데이터의 경쟁 학습을 통하여 자기구성 맵을 구축한 후, 실증 데이터를 구축된 맵에 적용하여 고장의 진단이 이루어진다. 또한 클러스터링 기법에 의해 구축된 정상/고장 모델과 정상 데이터를 비교함으로써 고장의 추이 및 열화 정도를 분석한다.
- 제안된 방법은 훈련 데이터의 경쟁 학습을 통하여 자기구성 맵을 구축한 후, 실증 데이터를 구축된 맵에 적용하여 고장의 진단이 이루어진다. 또한 클러스터링 기법에 의해 구축된 정상/고장 모델과 정상 데이터를 비교함으로써 고장의 추이 및 열화 정도를 분석한다. 제안된 방법은 사례연구를 통하여 적용 가능성과 우수성을 입증하였다.
- 보여준다. 제안된 기법은 우선 KEPCO 기준법에 의해 정상/요주의 여부를 판정하고, 요주의로 판정된 경우 SOM에 의해 고장원인을 판정한다. 정상으로 판별된 경우에는 거리 유사도판정에 의해 열화 추이를 분석한다.
- 입력패턴의 구성 요소는 유중의 주요 가스 성분으로 하였으며, 입력패턴을 구성하기 위하여 시그모이드 함수에 의해 입력패턴을 0과 1사이로 정규화 하였다. SOM의 학습은 식 (1)과 같은 입력패턴이 입력되면, 식 (2)와 같이 경쟁학습 원리에 따라 초기 가중치 벡터와 입력패턴 벡터와의 거리를 계산하고, 가장 가까운 거리에 있는 연결가중치 벡터를 갖는 최적 뉴런을 찾게 된다.
- SOM의 학습은 식 (1)과 같은 입력패턴이 입력되면, 식 (2)와 같이 경쟁학습 원리에 따라 초기 가중치 벡터와 입력패턴 벡터와의 거리를 계산하고, 가장 가까운 거리에 있는 연결가중치 벡터를 갖는 최적 뉴런을 찾게 된다. 그리고 최적 뉴런을 중심으로 설정된 근방뉴런들의 연결가중치를 식 (3)과 같이 수정하고, 계속적으로 근방 뉴런 수를 감소시키면서 경쟁 학습을 진행한다.
- 된다. 기존방식에서 사용되는 최대값-최소값 정규화 방법 대신에 본 과제에서는 시그모이드 함수를 이용한 정규화를 하고자 한다. 이 방식은 기존의 정규화 방법에 사용되는 선형 매핑 대신에 식 (4)에 나타낸 시그모이드 함수에 의한 비선형 매핑을 함으로써 인간의 판단방식에 근사하도록 데이터를 분류한다
- 이러한 중심값 및 기울기에 관련된 인자는 실측데이터의 다각적인 분석을 통하여 설정하였다.
- 입력 데이터의 정규화과정을 수행한 후, 퍼지 기반 군집화 기법을 통하여 데이터의 대표 특징 점을 선정하고자 한다. 퍼지기반 군집화 기법은 초기에 임의로 설정된 퍼지값을 갖는 분할행렬의 값을 갱신함으로써 이루어진다.
- 즉 열화가 어느 정도 진행된 입력데이터인 경우 기 구축된 정상 데이터와의 거리척도의 값이 상대적으로 크고, 열화가 진행되지 않은 데이터인 경우 거리척도의 값이 상대적으로 작다는 점에 착안하여 열화정도를 수치적으로 제시하고자 한다. 거리척도에 의해 열화추이 진행 정도가 판단된 후, 열화의 진행 방향은 FCM에 의해 이미 구축된 정상데이터를 제외한 6개의 고장 데이터(PD~T3)와 입력데이터간의 거리 척도를 구한 후, 거리척도 값이 적은 즉, 유사도가 높은 고장 모델을 선정함으로써 고장진행방향을 결정하고자 한다.
- 또한 요주의 데이터 268개만으로 모든 고장의 특성을 반영하기에는 데이터의 양이 적으므로 제안된 진단모델의 신뢰성이 저하될 우려가 발생한다. 따라서 본 연구에서는 하나의 대안으로서 표 2에서 주어진 IEC 코드법을 이용하여 각각의 고장조건에 맞는 데이터를 생성하였다. 생성된 데이터는 각각의 고장 조건별로 조건 범위 내에서 균등분포를 갖는 30, 000 개의 데이터를 생성하여 총 180, 000(3, 000개乂6조건) 개의 데이터를 얻었다.
- 생성된 데이터는 각각의 고장 조건별로 조건 범위 내에서 균등분포를 갖는 30, 000 개의 데이터를 생성하여 총 180, 000(3, 000개乂6조건) 개의 데이터를 얻었다. 데이터 생성에 의해 얻어진 고장 데이터를 학습시간을 향상시키기 위하여 FCM 을 이용하여 고장상태별로 100개의 대표 특징 값들을 선정한 후, SOM의 자기학습과정을 수행한다. 이때, 출력층은 패턴이 충분히 맵핑될 수 있도록 2차원 평면상에 30행과 30열, 총 900개의 뉴런으로 구성하였다.
- 초기 연결 가중치는 임의로 설정하였다. 학습 횟수는 입력 패턴이 출력 뉴런층에 충분히 맵핑되도록 각 근방뉴런별로 100회씩 반복학습 하도록 설정하였다.
- 본 연구에서 제안된 열화진행정도 분석 방법으로 입력데이터와 FCM 에 의해 미리 구축된 정상 데이터 간의 거리척도에 의해 열화의 진행정도를 결정하고, 열화 진행 방향은 입력데이터와 고장데이터(Dl~ T3)간의 거리척도를 구한 후, 거리척도 값이 적은즉, 유사도가 높은 고장모델을 선정함으로써 고장 진행 방향을 결정하였다. 여기서 KEPCO 데이터가 표 5에서 보인 바와 같이 고장원인이 PD인 데이터가 존재하지 않아 고장원인이 PD인 경우에는 고려하지 않았다.
- 제안한 방법은 KEPCO 규정에 의해 입력데이터가 요주의로 판정된 경우 자기학습에 의해 구성된 SONS] 의해 고장원인을 판정하였다. 또한 입력데이터가 KEPCO 규정에 의해 정상으로 판정된 경우 FCM에 의해 구축된 고장모델과 정상 데이터 간의 거리 척도를 이용하여 잠재적 열화추이를 분석하였다.
- 제안한 방법은 KEPCO 규정에 의해 입력데이터가 요주의로 판정된 경우 자기학습에 의해 구성된 SONS] 의해 고장원인을 판정하였다. 또한 입력데이터가 KEPCO 규정에 의해 정상으로 판정된 경우 FCM에 의해 구축된 고장모델과 정상 데이터 간의 거리 척도를 이용하여 잠재적 열화추이를 분석하였다. 제안된 방법의 타당성을 보이기 위해 실험한 결과 기존 방법에 비하여 향상된 진단 결과를 볼 수 있었다.
대상 데이터
- 제안된 기법의 유용성을 보이기 위해 사용된 데이터는 표 3에서 보인 바와 같이 1992년에서 1997년 동안 지역 2곳의 154[kV]와 345[kV]용 변압기에서 취득한 KEPCO 데이터를 이용하였다[5]. 지역 (A) 에서는 64개 변전소에 설치 운용중인 177개 변압기에서 907개의 데이터를 취득하였고, 다른 지역 (B) 에는 38개의 변전소에 설치된 98개의 변압기에서 456 개의 가스성분을 취득하였다.
- KEPCO 데이터를 이용하였다[5]. 지역 (A) 에서는 64개 변전소에 설치 운용중인 177개 변압기에서 907개의 데이터를 취득하였고, 다른 지역 (B) 에는 38개의 변전소에 설치된 98개의 변압기에서 456 개의 가스성분을 취득하였다. 따라서 구성된 데이터는 수소(压), 일산화탄소(CO), 아세틸렌(C2H2), 메탄 (CHD, 에탄(函), 에틸렌(剛)으로 총 6개의 가스 성분으로 구성되어 있는 1, 363개이다.
- 지역 (A) 에서는 64개 변전소에 설치 운용중인 177개 변압기에서 907개의 데이터를 취득하였고, 다른 지역 (B) 에는 38개의 변전소에 설치된 98개의 변압기에서 456 개의 가스성분을 취득하였다. 따라서 구성된 데이터는 수소(压), 일산화탄소(CO), 아세틸렌(C2H2), 메탄 (CHD, 에탄(函), 에틸렌(剛)으로 총 6개의 가스 성분으로 구성되어 있는 1, 363개이다. 데이터의 구조를 자세히 살펴보면 사용된 데이터 1, 363개 중 요주의 데이터는 268개이고 정상데이터는 1, 095개로 구성되어 있다.
- 따라서 구성된 데이터는 수소(压), 일산화탄소(CO), 아세틸렌(C2H2), 메탄 (CHD, 에탄(函), 에틸렌(剛)으로 총 6개의 가스 성분으로 구성되어 있는 1, 363개이다. 데이터의 구조를 자세히 살펴보면 사용된 데이터 1, 363개 중 요주의 데이터는 268개이고 정상데이터는 1, 095개로 구성되어 있다. 요주의 데이터를 국내 전문가에 의해 판정된 고장원인별로 살펴보면, 절연열화 153개, 아크방전 45개, 저온과열 16개, 중온과열 19개, 고온 과열 35개로 구성되어 있다.
- 따라서 본 연구에서는 하나의 대안으로서 표 2에서 주어진 IEC 코드법을 이용하여 각각의 고장조건에 맞는 데이터를 생성하였다. 생성된 데이터는 각각의 고장 조건별로 조건 범위 내에서 균등분포를 갖는 30, 000 개의 데이터를 생성하여 총 180, 000(3, 000개乂6조건) 개의 데이터를 얻었다. 데이터 생성에 의해 얻어진 고장 데이터를 학습시간을 향상시키기 위하여 FCM 을 이용하여 고장상태별로 100개의 대표 특징 값들을 선정한 후, SOM의 자기학습과정을 수행한다.
- 데이터 생성에 의해 얻어진 고장 데이터를 학습시간을 향상시키기 위하여 FCM 을 이용하여 고장상태별로 100개의 대표 특징 값들을 선정한 후, SOM의 자기학습과정을 수행한다. 이때, 출력층은 패턴이 충분히 맵핑될 수 있도록 2차원 평면상에 30행과 30열, 총 900개의 뉴런으로 구성하였다. 초기 연결 가중치는 임의로 설정하였다.
이론/모형
- 변압기의 이상 유무와 열화의 원인을 판별하기 위해 비교사학습의 대표적인 신경회로망인 SOM을 사용하였다. 유중 가스로 구성된 N차원의 입력패턴, 즉 가스패턴을 2차원 평면에 맵핑할 수 있는 능력을 갖고 있는 SOMe 입력층에 N 개의 입력노드와 변압기의 이상유무와 열화 원인을 나타낼 수 있는 출력층은 M개의 뉴런으로 구성되어 있다.
- 정확한 유입변압기 이상 진단을 위해서는 진단하고자 하는 데이터와 구축된 데이터 간의 비교 분석에 의해 이루어짐으로 신뢰성 높은 데이터 구축이 무엇보다도 중요한 요소로 작용하고 있다. 이를 위해 본 연구에서는 데이터간의 대표특징들을 선택하는 퍼지기반 군집기법인 FCM(fuzzy c-means)을 적용하여 그림 3에서 보는 바와 같이 고장 모델을 구축하였다{12].
성능/효과
- 또한 클러스터링 기법에 의해 구축된 정상/고장 모델과 정상 데이터를 비교함으로써 고장의 추이 및 열화 정도를 분석한다. 제안된 방법은 사례연구를 통하여 적용 가능성과 우수성을 입증하였다.
- 표 4에서 보인 바와 같이 IEC 코드법으로는 총 데이터 268개 중 69개가 고장의 원인을 분류할 수 없는 판정 불능으로 진단결과를 보이지만 제안된 SOMe 자기학습에 의해 구축된 특징맵에서 진단이 이루어지므로 판정불능으로 진단을 흐}는 영역은 존재하지 않는다. 진단결과를 세부적으로 살펴보면, IEC 코드 법에 의해 특정영역으로 고장원인을 분류한 결과와 SOM에 의해 고장원인을 분류한 결과는 일치함을 확인할 수 있었다. 즉 표 4에서 IEC 코드법에 의해이으로 판정된 9개의 데이터는 제안된 방법으로도 모두 D1 영역으로 판정되었고, 1EC 코드법에 의해 판정 불능으로 진단된 69개의 데이터 중 D1 영역에 2 개의 데이터가 존재하여 총 11개의 데이터로 나타냈다.
- 진단결과를 세부적으로 살펴보면, IEC 코드 법에 의해 특정영역으로 고장원인을 분류한 결과와 SOM에 의해 고장원인을 분류한 결과는 일치함을 확인할 수 있었다. 즉 표 4에서 IEC 코드법에 의해이으로 판정된 9개의 데이터는 제안된 방법으로도 모두 D1 영역으로 판정되었고, 1EC 코드법에 의해 판정 불능으로 진단된 69개의 데이터 중 D1 영역에 2 개의 데이터가 존재하여 총 11개의 데이터로 나타냈다.
- 그림 7에서 보인 바와 같이 (我任의 가스성분값이 244로서 KEPCO의 판정기준인 250 미만으로 정상이라 판정되지만, 해당 가스값이 그림 7에서 보는 바와 같이 판정기준에 매우 근접해 있으므로 열화가 98[%] 진행되고 있다고 판단할 수 있다. 또한 사례 1의 데이터를 FCM에 의해 이미 구축된 고장 모델과 유클리디언 거리기반 오차값을 계산한 결과, 이과는 1.4087, D2와는 1.4113, T1은 1.3617, T2는 0.2553, T3는 1.3305로 나타나 오차값이 가장 작은 T2로 진행방향을 결정하였다. 따라서 제안된 기법은 이러한 열화진행정도가 정량적인 값을 제시함으로써 보다 정밀한 정보를 사용자에게 제공할 수 있음을 확인할 수 있다
- 3305로 나타나 오차값이 가장 작은 T2로 진행방향을 결정하였다. 따라서 제안된 기법은 이러한 열화진행정도가 정량적인 값을 제시함으로써 보다 정밀한 정보를 사용자에게 제공할 수 있음을 확인할 수 있다
- 또한 입력데이터가 KEPCO 규정에 의해 정상으로 판정된 경우 FCM에 의해 구축된 고장모델과 정상 데이터 간의 거리 척도를 이용하여 잠재적 열화추이를 분석하였다. 제안된 방법의 타당성을 보이기 위해 실험한 결과 기존 방법에 비하여 향상된 진단 결과를 볼 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.