[논문]유입변압기 고장분류를 위한 PNN 기반 Rogers 진단기법 개발

임재윤; 이대종; 지평식

doi:10.5370/kieep.2016.65.4.280

유입변압기 고장분류를 위한 PNN 기반 Rogers 진단기법 개발
PNN based Rogers Diagnosis Method for Fault Classification of Oil-filled Power Transformer 원문보기

전기학회논문지. The Transactions of the Korean Institute of Electrical Engineers. P, v.65 no.4, 2016년, pp.280 - 284

임재윤 (Dept. of Computer Electronics Daeduk College) , 이대종 (Dept. of Electrical Engineering Korea National University) , 지평식 (Dept. of Electrical Engineering Korea National University)

Abstract ▼ AI-Helper

Stability and reliability of a power system in many respects depend on the condition of power transformers. Essential devices as power transformers are in a transmission and distribution system. Being one of the most expensive and important elements, a power transformer is a highly essential element, whose failures and damage may cause the outage of a power system. To detect the power transformer faults, dissolved gas analysis (DGA) is a widely-used method because of its high sensitivity to small amount of electrical faults. Among the various diagnosis methods, Rogers diagonsis method has been widely used in transformer in service. But this method cannot offer accurate diagnosis for all the faults. This paper proposes a fault diagnosis method of oil-filled power transformers using PNN(Probability Neural Network) based Rogers diagnosis method. The test result show better performance than conventional Rogers diagnosis method.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

[6]번 논문에서는 확률신경회로망을 이용하여 개선된 지능형 IEC 진단방법을 개발하였다. 본 논문에서는 [6]번 논문에서 제안된 확률신경회로망을 Rogers 진단방법에 적용하여 Rogers 진단방법의 문제점인 판정불능영역에 대해서 효과적인 진단을 수행하는 방법을 제안한다.
본 논문에서는 확률신경회로망을 이용한 전력용 유입변압기의 고장원인을 분류하는 알고리즘을 개발하였다. 개발된 알고리즘의 성능을 평가하기 위하여 실험한 결과 Rogers 진단 방법은 57.

제안 방법

여기서 훈련데이터는 확률신경회로망의 파라미터, 구조 등을 수립하기 위해 사용되는 데이터이며, 검증 데이터는 미리 구축된 확률신경회로망의 성능을 평가하는데 사용된다. 본 논문에서는 표 1의 범위에 맞는 데이터를 고장 상태별로 1,000개를 생성한 후, 그림 3의 (a)에서 보는 바와 같이 FCM(fuzzy c-means) 군집화 알고리즘을 이용하여 대표점들을 선택한 후[6], 선택된 대표점들을 이용하여 확률신경회로망을 학습시켰다. 모든 데이터를 이용하여 학습을 할 경우 오버피팅(over-fitting)의 문제점이 있음으로 데이터의 규모가 클 경우 FCM 군집화 알고리즘을 사용할 경우 효과적인 것으로 나타나 본 논문에서도 모든 데이터를 사용하기 보다는 대표가 되는 특징을 선택하여 학습을 수행하였다.
IEC TC 10 데이터 베이스를 이용하여 개발 진단모듈의 성능을 평가하였다[12]. IEC TC 10 데이터 베이스는 PD고장 데이터는 9개, D1 고장 데이터는 26개, D2 고장 데이터는 48개, T2 고장 데이터는 16개, T3 고장 데이터는 18개로 총 117개로 구성되어 있다.
본 논문에서는 표 1의 범위에 맞는 데이터를 고장 상태별로 1,000개를 생성한 후, 그림 3의 (a)에서 보는 바와 같이 FCM(fuzzy c-means) 군집화 알고리즘을 이용하여 대표점들을 선택한 후[6], 선택된 대표점들을 이용하여 확률신경회로망을 학습시켰다. 모든 데이터를 이용하여 학습을 할 경우 오버피팅(over-fitting)의 문제점이 있음으로 데이터의 규모가 클 경우 FCM 군집화 알고리즘을 사용할 경우 효과적인 것으로 나타나 본 논문에서도 모든 데이터를 사용하기 보다는 대표가 되는 특징을 선택하여 학습을 수행하였다. 학습과정에 확률신경회로망의 가중치와 구조를 산출하고, 산출된 가중치와 구조를 이용하여 그림 3의 (b)에서 보인 바와 같이 검증 데이터에 대한 성능을 평가한다.

대상 데이터

IEC TC 10 데이터 베이스를 이용하여 개발 진단모듈의 성능을 평가하였다[12]. IEC TC 10 데이터 베이스는 PD고장 데이터는 9개, D1 고장 데이터는 26개, D2 고장 데이터는 48개, T2 고장 데이터는 16개, T3 고장 데이터는 18개로 총 117개로 구성되어 있다. 그림 5에서는 Rogres 진단기준에 맞는 데이터를 FCM에 의해 생성한 그림을 나타냈다.
표 3에서 보는 바와 같이 Rogers 진단기준은 전체 18개의 시료 중에서 11개의 시료에 대해 정확하게 판단하였으며, 5개의 시료에 대해서는 판단불능(시료번호 6, 9, 10, 14, 15), 1개의 시료에 대해서는 T2(시료번호 1번), 1개의 시료에 대해서는 D(시료번호 8번) 진단 결과를 보였다. Rogers 진단 기준에 근거한 지능형 모델을 적용한 결과 13개 시료에 대해 T3로 진단하였으며, 3개의 시료는 T2(시료번호 1, 9, 10번), 2개의 시료는 D(시료번호 8, 14번)로 진단하였다.
확률신경회로망 학습을 위해 훈련 데이터와 검증 데이터를 사용한다. 여기서 훈련데이터는 확률신경회로망의 파라미터, 구조 등을 수립하기 위해 사용되는 데이터이며, 검증 데이터는 미리 구축된 확률신경회로망의 성능을 평가하는데 사용된다. 본 논문에서는 표 1의 범위에 맞는 데이터를 고장 상태별로 1,000개를 생성한 후, 그림 3의 (a)에서 보는 바와 같이 FCM(fuzzy c-means) 군집화 알고리즘을 이용하여 대표점들을 선택한 후[6], 선택된 대표점들을 이용하여 확률신경회로망을 학습시켰다.
그림 3에서 보는 바와 같이 C₂H₂/C₂H₄, CH₄/H₂, C₂H₄/C₂H₆와 같은 세 가지 조성비를 이용하여 진단을 수행한다. 확률신경회로망 학습을 위해 훈련 데이터와 검증 데이터를 사용한다. 여기서 훈련데이터는 확률신경회로망의 파라미터, 구조 등을 수립하기 위해 사용되는 데이터이며, 검증 데이터는 미리 구축된 확률신경회로망의 성능을 평가하는데 사용된다.

성능/효과

2[%]로 나타났다. 117개의 전체 데이터에 대한 진단 결과 Rogers 진단방법은 57.3[%] 성능을 보였으며, 제안방법인 PNN는 84.6[%]의 진단 성능을 보여 Rogers 진단방법에 비하여 우수한 결과를 나타냈다.
2[%]로 나타나 Rogers 진단방법에 비해 성능이 개선됨을 알 수 있다. 16개로 구성된 T1(저온과열)과 T2(중온과열)로 구성된 데이터에 대해 Rogers 진단방법은 31.3[%], 제안방법인 PNN는 68.7[%]로 나타나 우수한 성능을 보였다. 18개로 구성된 T3(고온과열)에 대해 Rogers 진단방법은 61.
7[%]로 나타나 우수한 성능을 보였다. 18개로 구성된 T3(고온과열)에 대해 Rogers 진단방법은 61.1[%], 제안방법인 PNN는 72.2[%]로 나타났다. 117개의 전체 데이터에 대한 진단 결과 Rogers 진단방법은 57.
1[%]로 나타났으며, 제안방법인 확률 신경회로망 기반의 지능형 모델은 100[%]의 성능을 보였다. 74로 구성된 D1(저에너지 방전)과 D2(고에너지 방전)에 대해 Rogers 진단방법은 67.6[%], 제안방법인 PNN는 89.2[%]로 나타나 Rogers 진단방법에 비해 성능이 개선됨을 알 수 있다. 16개로 구성된 T1(저온과열)과 T2(중온과열)로 구성된 데이터에 대해 Rogers 진단방법은 31.
본 논문에서는 확률신경회로망을 이용한 전력용 유입변압기의 고장원인을 분류하는 알고리즘을 개발하였다. 개발된 알고리즘의 성능을 평가하기 위하여 실험한 결과 Rogers 진단 방법은 57.3[%] 성능을 보였으며, 제안된 알고리즘을 적용한 결과 84.6%의 진단 성능을 보여 다른 진단방법에 비하여 우수한 결과를 나타냈다. 향후 제안된 방법을 현재 국내에서 사용 중인 유입변압기에 적용하여 그 유용성을 보이고자 한다.
PNN 학습 후에 IEC TC 10 PD(부분방전)를 검증데이터로 이용하여 진단한 결과를 표 2에 나타냈다. 표 2에서 보는 바와 같이 Rogers 진단기준에 불능으로 진단된 7번을 제외한 모든 시료는 제안된 방법에 의해 PD로 정확하게 진단함을 알 수 있다.
표 3에서는 IEC TC 10 T3(고온과열)로 구성된 데이터에 대한 진단결과를 나타냈다. 표 3에서 보는 바와 같이 Rogers 진단기준은 전체 18개의 시료 중에서 11개의 시료에 대해 정확하게 판단하였으며, 5개의 시료에 대해서는 판단불능(시료번호 6, 9, 10, 14, 15), 1개의 시료에 대해서는 T2(시료번호 1번), 1개의 시료에 대해서는 D(시료번호 8번) 진단 결과를 보였다. Rogers 진단 기준에 근거한 지능형 모델을 적용한 결과 13개 시료에 대해 T3로 진단하였으며, 3개의 시료는 T2(시료번호 1, 9, 10번), 2개의 시료는 D(시료번호 8, 14번)로 진단하였다.
표 4에서는 IEC TC 10 전체 데이터에 대한 Rogres 진단 기준과 제안된 PNN 모델의 진단 결과를 나타냈다. 표 4에서 보는 바와 같이 9개로 구성된 PD(부분방전)에 대해 Rogers 진단방법은 11.1[%]로 나타났으며, 제안방법인 확률 신경회로망 기반의 지능형 모델은 100[%]의 성능을 보였다. 74로 구성된 D1(저에너지 방전)과 D2(고에너지 방전)에 대해 Rogers 진단방법은 67.

후속연구

6%의 진단 성능을 보여 다른 진단방법에 비하여 우수한 결과를 나타냈다. 향후 제안된 방법을 현재 국내에서 사용 중인 유입변압기에 적용하여 그 유용성을 보이고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	변압기는 얼마나 오랫동안 사용되는가?	변압기는 안정적인 전력전송을 위한 필수 요소로서 한번 설치되면 최소 20년에서 최대 40년까지 오래기간 지속적으로 사용된다. 전력용 변압기의 갑작스런 고장은 가정에서의 불편함뿐만 아니라 상업 및 산업용 손실을 초래하므로 주기적 점검을 통해 상시 유입변압기의 상태를 진단해야한다.
	유입변압기가 가동되어 발생하는 다양한 가스에는 무엇이 있는가?	104[2]와 IEC 60599 규격이다[3]. 변압기의 운전중에 발생하는 가스로는 수소(H2), 일산화탄소(CO), 이산화탄소(CO2), 질소(N2), 산소(O2), 메탄(CH4), 아세틸렌(C2H2), 에틸렌(C2H4), 에탄(C2H6) 등이 있다. 이러한 유중 가스 중에서 질소와 산소는 변압기의 고장에 의해 발생하는 가스로 고려하지 않는다[4].
	변압기의 주기적 점검이 필요한 이유는 무엇인가?	변압기는 안정적인 전력전송을 위한 필수 요소로서 한번 설치되면 최소 20년에서 최대 40년까지 오래기간 지속적으로 사용된다. 전력용 변압기의 갑작스런 고장은 가정에서의 불편함뿐만 아니라 상업 및 산업용 손실을 초래하므로 주기적 점검을 통해 상시 유입변압기의 상태를 진단해야한다. 유입변압기가 가동되면 변압기 내부에 다양한 가스들이 발생한다.

참고문헌 (12)

Kelly, J. J. "Transformer fault diagnosis by dissolved-gas analysis.", IEEE Transactions on Industry Applications, Vol. 16, No. 6, pp.777-782, 1980.
Institute of Electrical and Electronics Engineers, "IEEE C57.104-2008 guide for the interpretation of gases generated in oil-immersed transformers,", pp.1-27, 2009.
International Electrotechnical Commission, "IEC 60599 Ed. 2.1 Mineral oil-impregnated electrical equipment in service-Guide to the interpretation of dissolved and free gases analysis," IEC, 2007
Bhalla, D., Bansal, R. K., Gupta, H. iO. "Function analysis based rule extraction from artificial neural networks for transformer incipient fault diagnosis," Electrical Power and Energy Systems, Vol. 43, No. 1, pp.1196-1203, 2012.

상세보기
Cristina M. Quintella, "Development of a spectrofluorimetry -based device for determining the acetylene content in the oils of power transformers, Talanta, Vo.,117, pp.263-267, 2013.

상세보기
Jae-Yoon Lim, Dae-Jong Lee, Pyeong-Shik Ji, "Fault Diagnosis of Oil-filled Power Transformer using DGA and Intelligent Probability Model", Trans. KIEE, Vol, 65P, No. 3, pp. 188-193, 2016.
Myeong-Seok Seo, Pyeong-Shik Ji, "A Fault Diagnosis Method of Oil-Filled Power Transformers Using IEC Code based Neuro-Fuzzy Model", Trans. KIEE, Vol, 65P, No. 1, pp. 41-46, 2016.
A. J. C. Trappey, C. V. Trappey, L. Ma, J.C. M. Chang "Intelligent engineering asset management system for power transformer maintenance decision supports under various operating conditions", Computers & Industrial Engineering, Vol. 84 pp. 3-11, 2015.

상세보기
Y. Kamata, "Diagnostic methods for power transformer insulation," IEEE Transaction on Electrical Insulation, Vol EI-21, No.6, pp.1045-1048, 1986.

상세보기
H. F. Jr, J. G. S. Costa, J. L. M. Olivas, "A review of monitoring methods for predictive maintenance of electric power transformers based on dissolved gas analysis", Renewable and Sustainable Energy Reviews, Vol. 46, pp. 201-209, 2015.

상세보기
J. D. F. Specht, "Probabilistic neural networks", Neural Networks, Vol. 3, pp. 109-118. 1990.

상세보기
Michel Duval, Alfonso DePablo, "Interpretation of Gas-In-Oil Analysis Using New IEC Publication 60599 and IEC TC 10 Databases", IEEE Electrical Insulation Magazine, Vol. 17, No. 2, pp. 31-41, 2001.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증