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
- 기존 진단 방법을 개선하기 위하여 본 논문에서는 단일 부분방전펄스의 분석을 통해 단시간에 결함을 판별할 수 있는 지능형 알고리즘에 대하여 제안하였다.
- 본 논문에서는 가스절연구조에서 결함별 단일 부분 방전펄스를 측정하고, 파형 분석을 통한 결함 판별 알고리즘에 관하여 연구하였다.
가설 설정
- 학습하고자 하는 파라미터와 목표 출력이 저장된 CSV 파일로 가중치와 입력 간의 선형 결합과 활성화 함수로 은닉층과 출력층의 값을 도출한다. 이때 결과와 목표치를 비교하여 제곱오차를 분석하여 제곱오차가 0.00001에 수렴할 때까지 학습을 반복하도록 하고 설정한 세대에 도달할 경우 학습이 완료된 것으로 보고 가중치를 고정한다.
제안 방법
- 부분방전펄스는 결함별로 고유한 특성을 가지고 있으며, 이를 분석함으로써 효율적인 진단이 가능하다. 따라서 GIS에서 발생하는 결함을 모의하기 위해 4가지 결함 전극계를 제작하였다. 단일의 부분방전펄스로 특징 파라미터를 분석할 수 있는 프로그램을 설계하였으며, 이를 기반으로 결함의 원인을 추론하였다.
- 따라서 GIS에서 발생하는 결함을 모의하기 위해 4가지 결함 전극계를 제작하였다. 단일의 부분방전펄스로 특징 파라미터를 분석할 수 있는 프로그램을 설계하였으며, 이를 기반으로 결함의 원인을 추론하였다.
- 그림 1과 같이 침-평판(needle-plane, NTP), 평판-침(plane-needle, PTN), 자유 입자(free particle, FP) 및 스페이서 내부 크랙(crack inside spacer, CIS)의 결함 전극계를 설계 및 제작하였다. NTP는 GIS 내부 도체에 도전성 이물질이 부착되거나, 침단부가 생성된 경우로 곡률반경 5 μm, 길이 10 mm인 침 전극과 지름 80 mm, 두께 20 mm인 평판도체로 제작하였다.
- FP는 외함이나 도체의 일부분이 떨어져 도전성 입자가 떠다니는 것으로, 최대 길이 1 mm의 알루미늄 파티클을 제작하여 실험하였다. 상부전극과 하부전극 사이의 간격은 40 mm로 하고 전압인가 시 파티클이 전극계 내부를 부유하도록 하였다. CIS는 스페이서 에폭시 절연물에 외부 충격이나 전계 집중에 의해 균열이 발생한 것이다.
- CIS는 스페이서 에폭시 절연물에 외부 충격이나 전계 집중에 의해 균열이 발생한 것이다. 지름 80 mm, 두께 10 mm인 원형평판 에폭시 절연물을 임의의 충격으로 균열을 발생시키고, 다시 에폭시 본드로 재결합하여 전계가 집중되도록 설계하였다. 또한 전극계 내부에는 SF6 가스를 0.
- 지름 80 mm, 두께 10 mm인 원형평판 에폭시 절연물을 임의의 충격으로 균열을 발생시키고, 다시 에폭시 본드로 재결합하여 전계가 집중되도록 설계하였다. 또한 전극계 내부에는 SF6 가스를 0.5 MPa로 충진하여 실제 GIS와 유사한 절연내력을 갖도록 하였다.
- 결함의 종류를 판별하기 위하여 단일 펄스 파형을 분석하였다. 극성별로 50회씩 측정한 부분방전 펄스의 평균값을 신경망 알고리즘에 적용하였다.
- 결함의 종류를 판별하기 위하여 단일 펄스 파형을 분석하였다. 극성별로 50회씩 측정한 부분방전 펄스의 평균값을 신경망 알고리즘에 적용하였다.
- 또한, 입력에 따른 목표값을 가진 지도 학습 방법을 사용하기 위해 입력층, 은닉층 및 출력층으로 구성된 역전파 알고리즘을 사용하였다 [10]. 먼저 훈련시키고자 하는 학습 패턴을 입력층에 넣고, 그에 따른 출력값을 도출하여 목표 출력과 비교한 후, 오차값을 계산하고 출력층에서 입력층까지의 신경망을 따라 역으로 전파한다.
- (2)에서는 펄스별로 분석 파라미터를 도출하고 저장하도록 하였다 [12]. (3)에서는 각 결함에서 추출한 24개의 파라미터 각각의 평균값을 학습 패턴으로 하는 역전파 알고리즘을 설계하였다. 역전파 알고리즘은 그림 4와 같이 구성되며, 학습 과정과 오차율 계산 및 패턴 인식 과정을 일률적으로 처리하기 위해 ‘State Machine’ 구조를 사용하였다.
- 역전파 알고리즘은 그림 4와 같이 구성되며, 학습 과정과 오차율 계산 및 패턴 인식 과정을 일률적으로 처리하기 위해 ‘State Machine’ 구조를 사용하였다. 학습하고자 하는 파라미터와 목표 출력이 저장된 CSV 파일로 가중치와 입력 간의 선형 결합과 활성화 함수로 은닉층과 출력층의 값을 도출한다. 이때 결과와 목표치를 비교하여 제곱오차를 분석하여 제곱오차가 0.
- 그리고 무유도저항(50 Ω)에서 단일 부분방전펄스를 검출하였다.
- 차폐함 내부에 결함 전극계를 설치함으로써 외부 노이즈의 영향을 최소화하였다. 최대 50 kVrms인 고압몰드 변압기로 전압을 인가하였으며, 10,000 : 1의 분압기를 이용하여 인가전압을 측정하였다. 그리고 무유도저항(50 Ω)에서 단일 부분방전펄스를 검출하였다.
- 결함별로 정극성 및 부극성 반주기에서 각각 50회씩 펄스를 측정하여 특징을 추출하였으며, 분석 결과를 표 1과 표 2에 나타내었다.
- 펄스 파형 분석으로부터 선정한 24개의 파라미터를 기반으로 결함 판별을 위한 역전파 알고리즘을 설계하고, 그 특성을 분석하였다. 학습률을 1, 허용오차를 0.
- 펄스 파형 분석으로부터 선정한 24개의 파라미터를 기반으로 결함 판별을 위한 역전파 알고리즘을 설계하고, 그 특성을 분석하였다. 학습률을 1, 허용오차를 0.01%로 고정하고 은닉층의 뉴런 수를 5개에서 40개로 가변하며 학습 속도를 분석하였으며, 그 결과를 그림 10에 나타내었다. 뉴런 수가 27개일 때 평균 학습에 소요되는 세대 수가 509번으로 가장 작게 나타났다.
- 역전파 알고리즘의 뉴런 수는 그림 11과 같이 입력층 24개, 은닉층 27개 및 출력층 4개이며, 뉴런의 활성화 여부를 제어하기 위하여 은닉층과 출력층에 바이어스를 각각 1개씩 연결하였다.
- 제작된 역전파 알고리즘을 이용하여 각 결함별로 20개씩 학습파라미터를 입력하고, 결함 판별 시 해당 출력 뉴런의 목표 출력이 1이 나오도록 하였다. 학습률은 1로 지정하고 허용오차는 0.
- 학습된 역전파 알고리즘의 판별 능력을 평가하기 위하여 각 결함에서 측정된 부분방전펄스의 파라미터를 입력층에 100회씩 입력하고 출력되는 결과로 판별률을 분석하였으며, 그 결과를 표 3에 나타내었다.
- GIS에서 발생 가능한 부분방전을 모의하기 위하여 NTP, PTN, FP 및 CIS의 4종의 전극계를 제작하였다. 극성별로 단일 부분방전펄스를 50회씩 측정하여 시간적, 물리적 형상에 관련한 24가지 파라미터를 선정하고 결함별 특징을 도출하였다.
- GIS에서 발생 가능한 부분방전을 모의하기 위하여 NTP, PTN, FP 및 CIS의 4종의 전극계를 제작하였다. 극성별로 단일 부분방전펄스를 50회씩 측정하여 시간적, 물리적 형상에 관련한 24가지 파라미터를 선정하고 결함별 특징을 도출하였다. 이러한 결과를 바탕으로 역전파 알고리즘을 설계하고 결함을 판별하였다.
- 극성별로 단일 부분방전펄스를 50회씩 측정하여 시간적, 물리적 형상에 관련한 24가지 파라미터를 선정하고 결함별 특징을 도출하였다. 이러한 결과를 바탕으로 역전파 알고리즘을 설계하고 결함을 판별하였다.
대상 데이터
- NTP는 GIS 내부 도체에 도전성 이물질이 부착되거나, 침단부가 생성된 경우로 곡률반경 5 μm, 길이 10 mm인 침 전극과 지름 80 mm, 두께 20 mm인 평판도체로 제작하였다.
- 01%로 높게 지정하여 정확도를 높였다. 그 결과, 학습 완료까지는 1,456세대가 소요되었다.
이론/모형
- 또한, 입력에 따른 목표값을 가진 지도 학습 방법을 사용하기 위해 입력층, 은닉층 및 출력층으로 구성된 역전파 알고리즘을 사용하였다 [10]. 먼저 훈련시키고자 하는 학습 패턴을 입력층에 넣고, 그에 따른 출력값을 도출하여 목표 출력과 비교한 후, 오차값을 계산하고 출력층에서 입력층까지의 신경망을 따라 역으로 전파한다.
- 부분방전펄스의 측정 및 결함 판별은 LabVIEW 기반의 VI (Virtual Instruments)로 설계하였으며, 그림 3과 같이 펄스 측정, 파라미터 분석 및 역전파 알고리즘으로 구성된다.
성능/효과
- NTP와 PTN에서는 단일 극성에서만 부분방전이 발생하였으며, 평균 96.5% 이상의 판별률을 보였다. FP와 CIS는 상호 오인식하거나 판별이 불가능한 경우가 각각 평균 5.
- 침-평판과 평판-침 전극계에서 각각 97% 및 96%의 판별률로 결함을 구분할 수 있었다. 자유입자와 스페이서 내부 크랙에서는 91%와 93%의 확률로 결함 판별이 가능하였다.
- 자유입자와 스페이서 내부 크랙에서는 91%와 93%의 확률로 결함 판별이 가능하였다. 제작된 알고리즘은 평균 94.25%의 인식률을 가지는 것을 확인하였다. 이와 같이 단일 부분 방전펄스의 분석으로 결함 판별이 가능하여, 기존 PRPDA법의 보완이나 위상이 없는 HVDC 계통의 설비 진단에도 활용될 수 있을 것이다.
후속연구
- 25%의 인식률을 가지는 것을 확인하였다. 이와 같이 단일 부분 방전펄스의 분석으로 결함 판별이 가능하여, 기존 PRPDA법의 보완이나 위상이 없는 HVDC 계통의 설비 진단에도 활용될 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.