본 논문에서는 전력용 변압기의 고장진단을 위해 써포트 백터머신에 기반을 둔 고장진단 알고리즘을 제안한다. 제안된 기법은 데이터 취득부, 정상/고장판별부, 고장원인판별부로 구성된다. 제안한 고장진단과정을 보면, 데이터 취득부에서는 변압기에서 가스성분을 취득한다. 정상/고장 판별부에서는 취득된 가스성분들을 KEPCO 규정과 비교하여 정상/고장 여부를 판단한다. 고장원인 판별부에서는 입력 데이터가 고장으로 판정이 난 경우에 다중-클래스 써포트 백터머신에 의해 고장원인을 판정한다. 제안된 방법은 사례연구를 통해 우수성을 입증하였다.
본 논문에서는 전력용 변압기의 고장진단을 위해 써포트 백터머신에 기반을 둔 고장진단 알고리즘을 제안한다. 제안된 기법은 데이터 취득부, 정상/고장판별부, 고장원인판별부로 구성된다. 제안한 고장진단과정을 보면, 데이터 취득부에서는 변압기에서 가스성분을 취득한다. 정상/고장 판별부에서는 취득된 가스성분들을 KEPCO 규정과 비교하여 정상/고장 여부를 판단한다. 고장원인 판별부에서는 입력 데이터가 고장으로 판정이 난 경우에 다중-클래스 써포트 백터머신에 의해 고장원인을 판정한다. 제안된 방법은 사례연구를 통해 우수성을 입증하였다.
For the fault diagnosis of power transformer, we develop a diagnosis algorithm based on support vector machine. The proposed fault diagnosis system consists of data acquisition, fault/normal diagnosis, and identification of fault. In data acquisition part, concentrated gases are extracted from trans...
For the fault diagnosis of power transformer, we develop a diagnosis algorithm based on support vector machine. The proposed fault diagnosis system consists of data acquisition, fault/normal diagnosis, and identification of fault. In data acquisition part, concentrated gases are extracted from transformer for data gas analysis. In fault/normal diagnosis part, KEPCO based decision rule is performed to separate normal state from fault types. The determination of fault type is executed by multi-class SVM in identification part. As the simulation results to verify the effectiveness, the proposed method showed more improved classification results than conventional methods.
For the fault diagnosis of power transformer, we develop a diagnosis algorithm based on support vector machine. The proposed fault diagnosis system consists of data acquisition, fault/normal diagnosis, and identification of fault. In data acquisition part, concentrated gases are extracted from transformer for data gas analysis. In fault/normal diagnosis part, KEPCO based decision rule is performed to separate normal state from fault types. The determination of fault type is executed by multi-class SVM in identification part. As the simulation results to verify the effectiveness, the proposed method showed more improved classification results than conventional methods.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 "경험적 위험 최소화'를 구현하고 있는 대부분의 전통적인 통계적 학습 방법들이 가진 단점을 보완해 줄 수 있는 방법인 써포트 벡터 머신(SVM)을 이용하여 변압기의 고장원인을 판별하는 진단기법을 제안하고자 한다. 제안된 기법은 크게 데이터 취득부, 정^/고장판별부, 고장원인판별부 등 세 부분으로 구성하였다.
그림 1에 나타낸 바와 같이 유입변압기 고장원인진단을 위해 널리 사용되는 IEC 코드법의 문제점을 해결하기 위해 본 논문에서는 SVM을 이용한 유입변압기 고장원인 진단방법을 제안한다. 제안된 방법의 기본 구성도를 그림 2에 나타냈다.
이러한 문제점을 해결하기 위하여 본 연구에서는 SVM을 이용한 전력용 변압기의 고장진단 기법을 제안하였다. 제안한 방법은 KEPCO 규정에 의해 입력데이터가 요주의로 판정된 경우 다중-클래스 SVM(support vector 에 의해 고장원인을 판정하였다.
제안 방법
진단기법을 제안하고자 한다. 제안된 기법은 크게 데이터 취득부, 정^/고장판별부, 고장원인판별부 등 세 부분으로 구성하였다. 제안한 고장진단과정을 보면, 데이터 취득부에서는 변압기에서 가스 성분을 취득한다.
제안된 방법의 기본 구성도를 그림 2에 나타냈다. 제안된 기법은 우선, 각각의 개별가스의 수치를 이용한 KEPOO 기준법에 의해 정상/요주의 여부를 판정한다. 요주의로 판정된 경우 개별가스성분을 IEC 코드법에 의거하여 가스성분비율(Ratio)로 변환한 후 SVM 분류기에 의해 고장원인을 판정한다.
생성된 데이터는 각각의 고장조건별로 조건 범위내에서 균등분포를 갖는 30, 000개의 데이터를 생성하여 총 180, 000(3, 000개乂6조건)개의 데이터를 얻었다. 데이터 생성에 의해 얻어진 고장데이터를 이용하여 SVM 고장원인 분류기의 학습을 수행하였다.
또한, 요주의 데이터 286개만으로 모든 고장의 특성을 반영하기에는 데이터의 양이 적으므로 SVM 진단모델의 신뢰성이 저하될 우려가 발생한다. 따라서 본 연구에서는 하나의 대안으로서 표 2에서 주어진 IEC 코드법을 이용하여 각각의 고장조건에 맞는 데이터를 생성하였다. 생성된 데이터는 각각의 고장조건별로 조건 범위내에서 균등분포를 갖는 30, 000개의 데이터를 생성하여 총 130, 000(3, 000개乂6조건)개의 데이터를 얻었다.
이럴 경우 수치의 값이 매우 비슷하므로 전문가 입장에서는 고장원인은 이으로 판정을 낼 가능성이 높다. 제안된 SVM 고장원인 분류기는 이러한 전문가 견해와 일치하는 D1 고장원인으로 판정하였다. 또 다른 사례(2~4번)의 경우에도 HE 코드법으로는 판정불능이지만 제안된 SVM 진단분류기는 조건범위내에 만족하는 값을 갖지 않지만 거의 근접한 범위를 갖는 고장모델로 진단함으로써 IEC 코드법의 문제점을 개선함을 확인할 수 있었다.
제안한 방법은 KEPCO 규정에 의해 입력데이터가 요주의로 판정된 경우 다중-클래스 SVM(support vector 에 의해 고장원인을 판정하였다. 제안된 방법의 타당성을 보이기 위해 실험한 결과 기존 방법에 비하여 향상된 진단 결과를 볼수 있었다.
생성된 데이터는 각각의 고장조건별로 조건 범위내에서 균등분포를 갖는 30, 000개의 데이터를 생성하여 총 130, 000(3, 000개乂6조건)개의 데이터를 얻었다. 데이터 생성에 의해 얻어진 고장 데이터를 이용하여 SVM 고장원인 분류기를 구축하였다. SVM에 사용된 커널함수로는 다양한 논문에서 우수한 결과를 보인 RBF 함수를 사용하였으며 興ab 6.
대상 데이터
일반적인 패턴인식방법과 동일하게 SVM 분류기도 학습데이터를 이용하여 학습과정이 선행되어야 한다. 이를 위해 본 논문에서는 표 2에서 주어진 IEC 코드법을 이용하여 각각의 고장조건에 맞는 데이터를 생성하였다. 생성된 데이터는 각각의 고장조건별로 조건 범위내에서 균등분포를 갖는 30, 000개의 데이터를 생성하여 총 180, 000(3, 000개乂6조건)개의 데이터를 얻었다.
이를 위해 본 논문에서는 표 2에서 주어진 IEC 코드법을 이용하여 각각의 고장조건에 맞는 데이터를 생성하였다. 생성된 데이터는 각각의 고장조건별로 조건 범위내에서 균등분포를 갖는 30, 000개의 데이터를 생성하여 총 180, 000(3, 000개乂6조건)개의 데이터를 얻었다. 데이터 생성에 의해 얻어진 고장데이터를 이용하여 SVM 고장원인 분류기의 학습을 수행하였다.
따라서 본 연구에서는 하나의 대안으로서 표 2에서 주어진 IEC 코드법을 이용하여 각각의 고장조건에 맞는 데이터를 생성하였다. 생성된 데이터는 각각의 고장조건별로 조건 범위내에서 균등분포를 갖는 30, 000개의 데이터를 생성하여 총 130, 000(3, 000개乂6조건)개의 데이터를 얻었다. 데이터 생성에 의해 얻어진 고장 데이터를 이용하여 SVM 고장원인 분류기를 구축하였다.
제안된 기법의 유용성을 보이기 위해 사용된 데이터는 표 3에서 보인 바와 같이 1992년에서 1997년 동안 지 역 2곳의 154[kV]와 345[kV]용 변압기에서 취득한 KEPCO 데이터를 이용하였다[5丄 지역(A) 에서는 64개 변전소에 설치 운용중인 177개 변압기에서 942개의 데이터를 취득하였고, 다른 지역(B) 에는 38개의 변전소에 설치된 98개의 변압기에서 472개의 가스성분을 취득하였다. 따라서 구성된 데이터는 수소(压), 일산화탄소(CO), 아세틸렌 (CH。, 메탄(CHD, 에탄(C2压), 에틸렌(城), 이산화탄소(C以)로 총 7개의 가스성분으로 구성되어있는 1, 414개이다.
아세틸렌 (CH。, 메탄(CHD, 에탄(C2压), 에틸렌(城), 이산화탄소(C以)로 총 7개의 가스성분으로 구성되어있는 1, 414개이다. 이중에서 IEC 코드법에서 고려하지 않는 g 초과 데이터 33개는 이용하지 않아총 1, 3기개의 데이터를 이용하여 제안된 방법의 성능을 평가하였다.
따라서 구성된 데이터는 수소(压), 일산화탄소(CO), 아세틸렌 (CH。, 메탄(CHD, 에탄(C2压), 에틸렌(城), 이산화탄소(C以)로 총 7개의 가스성분으로 구성되어있는 1, 414개이다. 이중에서 IEC 코드법에서 고려하지 않는 g 초과 데이터 33개는 이용하지 않아총 1, 3기개의 데이터를 이용하여 제안된 방법의 성능을 평가하였다. 데이터의 구조를 자세히 살펴보면 사용된 데이터 1, 3기개 중 요주의 데이터는 286 개(CC》초과 데이터 제외)이고 정상데이터는 1, 095 개로 구성되어 있다.
이중에서 IEC 코드법에서 고려하지 않는 g 초과 데이터 33개는 이용하지 않아총 1, 3기개의 데이터를 이용하여 제안된 방법의 성능을 평가하였다. 데이터의 구조를 자세히 살펴보면 사용된 데이터 1, 3기개 중 요주의 데이터는 286 개(CC》초과 데이터 제외)이고 정상데이터는 1, 095 개로 구성되어 있다. 요주의 데이터를 전문가의 고장원인 분석별로 살펴보면, 절연열화 159개, 아크방전 48개, 저온과열 16개, 중온과열 19개, 고온과열 44개로 이루어져 있다.
데이터처리
데이터 생성에 의해 얻어진 고장 데이터를 이용하여 SVM 고장원인 분류기를 구축하였다. SVM에 사용된 커널함수로는 다양한 논문에서 우수한 결과를 보인 RBF 함수를 사용하였으며 興ab 6.0에서 LIBSVM 툴박스를 이용하여 실행하였다[14丄
이론/모형
즉 낮은 차원의 비선형 함수는 높은 차원에서 선형 함수로 근사화 시킬 수 있으므로 특징공간에서 최적의 초평면을 구축하는 것은 결국 입력공간에서 비선형 결정함수를 이용하여 최적의 선형함수를 결정하는 것과 동일하게 된다. 본 논문에서는 식 ⑶과 같이 원형 형태의 비선형 분류 특성을 갖는 데이터를 선형뷴류가 가능하도록 RBF(radial basis function) 커널함수를 사용하였다. 식 (3)에서 撰은 분산을 나타낸다.
성능/효과
정상/고장판별부에서 입력 데이터가 고장으로 판정이 난 경우에는 다중-클래스 SVM 에 의해 고장원인을 판정한다. 최종적으로는 사례연구를 통해 제안된 방법의 적용 가능성과 우수성을 입증하였다.
표 4에서 보인 바와 같이 IEC 코드법으로는 총 데이터 286개 중 67개가 고장의 원인을 분류할 수 없는 판정불능으로 진단결과를 보이지만 제안된 다중 클래스 SVM 분류기로는 각각의 고장원인을 구분 짓는 초평면에서 고장데이터간의 유사도에 의해 진단하므로 판정불능으로 진단을 하는 영역은 존재하지 않는다. 진단결과를 세부적으로 살펴보면, IEC 코드법에 의해 특정영역으로 고장원인을 분류한 결과와 SVM에 의해 고장원인을 분류한 결과는 일치함을 확인할 수 있었다. 즉, 표 4에서 EC 코드법에 의해 이으로 판정된 10개의 데이터는 SVM으로도 모두 D1 영 역으로 판정되었고, IEC 코드법에 의해 판정불능으로 진단된 67개의 데이터 중 이영역에 2개의 데이터가 존재하여 총 12개의 데이터로 나타냈다.
진단결과를 세부적으로 살펴보면, IEC 코드법에 의해 특정영역으로 고장원인을 분류한 결과와 SVM에 의해 고장원인을 분류한 결과는 일치함을 확인할 수 있었다. 즉, 표 4에서 EC 코드법에 의해 이으로 판정된 10개의 데이터는 SVM으로도 모두 D1 영 역으로 판정되었고, IEC 코드법에 의해 판정불능으로 진단된 67개의 데이터 중 이영역에 2개의 데이터가 존재하여 총 12개의 데이터로 나타냈다.
제안된 SVM 고장원인 분류기는 이러한 전문가 견해와 일치하는 D1 고장원인으로 판정하였다. 또 다른 사례(2~4번)의 경우에도 HE 코드법으로는 판정불능이지만 제안된 SVM 진단분류기는 조건범위내에 만족하는 값을 갖지 않지만 거의 근접한 범위를 갖는 고장모델로 진단함으로써 IEC 코드법의 문제점을 개선함을 확인할 수 있었다.
제안한 방법은 KEPCO 규정에 의해 입력데이터가 요주의로 판정된 경우 다중-클래스 SVM(support vector 에 의해 고장원인을 판정하였다. 제안된 방법의 타당성을 보이기 위해 실험한 결과 기존 방법에 비하여 향상된 진단 결과를 볼수 있었다.
참고문헌 (15)
H. Tsukioka, K. Sugawara, E. Mori and H. Yamaguchi, "New apparatus for detecting transformer faults," IEEE Trans.Electrical Insulation, vol. EI-21, no. 2, pp. 221-229, 1986
H. Yoshida, Y. Ishioka, T. Suzuki, T. Yanariand T.Teranishi, "Degradation of insulating materials oftransformers," IEEE Trans. Electrical Insulation, vol. EI-22,No. 6, pp. 795-800, 1987
Pyeong Shik Ji,Jae Yoon Lim; Jong Pil Lee, "Aging characteristics of power transformer oil and development of its analysis using KSOM," TENCON 99, Proceedings of the IEEE Region, vol. 2,pp. 1026- 029, Sept. 1999
Adriana R.C., Vladimiro Miranda, "Knowledge Discovery in Nerual Networks with Application to Transformer Failure Diagnosis", IEEE trans. Power Systems, VOL. 20, NO. 2, pp.717-724, 2005
Magn_Hui Wang, Hong-Chan Chang, "Novel clustering method for coherency identification using an artificial neural network," IEEE Trans., Power Systems, vol. 9,Nov. pp. 2056-2062, 1994
J.L.Naredo, P. Moreno, C.R. Fuerte, "A comparative study of neural network efficiency in power transformers diagnosis using dissolved gas analysis," IEEE Trans. Power Delivery, vol.16, pp. 643 ？ 647, Oct. 2001
V. Miranda, A.R.G. Castro, "Improving the IEC table for transformer failure diagnosis with knowledge extraction from neural networks," IEEE Trans. Power Delivery, vol. 20,pp. 2509-2516, Oct. 2005
Vapnik, V.N. The nature of statistical learning theory,New York. Springer, 1999
Ganyun LV, Haozhong Cheng, Haibao Zhai, Lixin Dong, "Fault diagnosis of power transformer based on multi-layer SVM classifier", Electrical Power Systems Research Vol. 75, pp9-15. 2005
Achmad Widodo, Bo-Suk Yang and Tian Han, "Combination of independent component analysis and support vector machines for intelligent faults diagnosisof induction motors", Expert Systems with Applications, In Press, Corrected Proof, Available online 4, Jan. 2006
문종필, 김재철, 임태훈, 실리콘 유입변압기 진단을 위한 전문가시스템 개발, 한국조명전기설비학회논문지, 제 18권 제1호, pp. 55-62, 2004
※ AI-Helper는 부적절한 답변을 할 수 있습니다.