[논문]기상요인에 따른 가공변압기의 고장영향 분석에 관한 연구

오도은; 장승민

doi:10.5370/kiee.2017.66.5.857

문제 정의

그러나 전선의 경우 고장 빈도는 가장 많으나 주로 기상과 연관이 없이 외부 요인에 의한 단락이 많아 본 분석에서는 제외하였다. 그래서 본 연구에서는 배전설비중에서 중요도가 높으며 고장 빈도도 상대적으로 높은 가공변압기에 대하여 분석하였다.
본 연구에서는 가공변압기의 고장과 기상요인과의 연관성을 분석하기 위하여 여러 가지 고장 원인들 중에서 기상에 의한 직접적인 피해, 즉 재해로 인한 가공변압기 고장에 초점을 맞추어 분석을 수행하였다. 전체 9,378개의 고장 데이터 중에서 재해로 인한 직접적인 고장 데이터인 285건을 대상으로 추출하였고, 고장발생 모델링을 수행하기 위하여 고장 데이터의 약 2배수인 565개의 정상 데이터를 무작위추출법(Random Sampling)을 통해 추출하여 총 850개의 데이터를 분석에 활용하였다.
본 연구에서는 최근 8년간 전국의 기상데이터(기온, 강수, 풍속, 습도, 대기오염 등)와 배전설비의 고장데이터를 전수 조사하여 배전설비와 가장 근접한 위치에서 관측한 기상데이터를 매핑하고, 어떤 기상조건이 배전설비의 고장에 영향을 많이 미치는 지를 분석하였고, 그 정도가 어느 정도인지를 확인하기 위하여 데이터마이닝 기법을 이용하여 모델링하였다. 본 연구에서는 많은 배전설비 중에서 가장 중요하다고 판단되는 가공변압기의 모형에 대하여 분석하였다.
그러나 이러한 대부분의 연구들은 환경적인 요인을 고려하지 않은 방법들로서 기후의 변화가 설비의 고장에 어느 정도 영향을 미치는지 실질적인 데이터를 이용하여 분석이 이루어지지 않고 있다. 본 연구에서는 배전설비중 기후변화에 따른 고장 빈도가 높고, 배전 설비중 중요도가 높다고 판단되는 가공변압기의 고장원인을 분석하고, 기후의 변화가 가공변압기에 영향을 미치는 것이 무엇인지를 파악하여 데이터마이닝 기법을 이용하여 모델링하였다. Decision Tree 분석방법과 Logistic Regression 분석 방법을 이용하여 분석한 결과 최고기온과 최대 순간풍속 등이 가공변압기 고장에 많은 영향을 주고 있음을 확인하였으며, 예측의 정확도도 상당히 높은 결과를 얻었다.
본 연구에서는 최근 8년간 전국의 기상데이터(기온, 강수, 풍속, 습도, 대기오염 등)와 배전설비의 고장데이터를 전수 조사하여 배전설비와 가장 근접한 위치에서 관측한 기상데이터를 매핑하고, 어떤 기상조건이 배전설비의 고장에 영향을 많이 미치는 지를 분석하였고, 그 정도가 어느 정도인지를 확인하기 위하여 데이터마이닝 기법을 이용하여 모델링하였다.

제안 방법

가공변압기에 대한 총 594개(고장 199개, 정상 395개)의 데이터를 활용하여 Decision Tree 분석을 수행하였으며, 가공변압기의 고장에 영향을 끼치는 주요영향 인자로는 그림 5와 같이 최대순간풍속, 최고기온, 평균지면온도, 최저기온 변화량, 1시간 최다강수량, 10분 최다강수량으로 정리되고 있다. 상세 분석 결과로는 ① 전체 가공변압기 데이터의 30%가 바람이 강하게 불고 (최대순간풍속 14m/s 이상), 당일 평균지면온도가 26℃ 미만이며 최고기온이 21℃ 이상인 경우에 해당되며 이 중에서 93%가 고장으로 분류되어 전체의 27.
가공변압기에 대한 총 594개(고장 199개, 정상 395개)의 데이터를 활용하여 Logistic Regression을 수행하였으며, Logistic Regression에 사용되는 주요 영향인자로는 최고기온, 1시간 최다강수량, 최대순간풍속, 평균지면온도, 최고기온 변화량, 최저기온 변화량이 최종적으로 의미 있는 독립변수로 활용되었고 분석결과는 아래의 그림 6과 같다. 총 22개의 독립변수(기상요인) 중에서 단계적 변수 선택법(Stepwise Variable Selection)을 통해 6개의 변수가 선택되었고, 각 변수에 대한 회귀계수의 값은 최대우도추정법(MLE, Maximum Likelihood Estimation)을 통해 추정되었다.
기온, 강수량 및 풍속 등의 38개 기상요인에 대하여 각 기상요인별 가공변압기 고장현황을 분석하였다. 그림 3의 예시와 같이 기온, 풍속 및 기타온도와 관련된 기상현상에 대해서는 특정 범위의 조건을 기준으로 각 기상요인이 증가할수록 가공변압기의 고장 발생이 점차 증가하다가 감소하는 경향을 보이고 있다.
고장을 예측하기 위한 선행연구들이 많이 이루어져 왔으며, 본연구와 연관이 있는 내용들을 정리하면 다음과 같다. 배전계통의 주상변압기 고장사례를 데이터마이닝기법으로 분석하여 고장유형을 분석하고 고장을 예측하는 방안을 제시하였고[2], 데이터마이닝을 이용해 28개 변수로 배전고장을 발생시킬 가능성이 있는 고압고객을 예측하고 시스템으로 구현하여 해당 고객에 대해 점검과 사전 보수를 통해 배전망으로의 파급 고장을 방지하고자 하였다[3]. 그러나 기상 데이터를 이용하여 기상이 배전설비에 영향을 미치는 정도를 분석한 사례는 국내 뿐만 아니라 해외에서도 사례를 찾아보기 힘든 정도이다.
기상데이터는 기상청에서 제공받은 90여개 종관기상관측소에서 측정한 기상자료(ASOS) 및 480여개 방재기상관측자료(AWS)와 한국환경공단에서 제공받은 317개 관측소에서 관측한 대기환경기준물질 측정 자료를 활용하였다. 이를 종합하여 기상자료의 변인으로는 38개 기상 요인에 대한 배전설비 고장의 영향을 분석하였다.

대상 데이터

배전설비 데이터는 한전의 14개 지역본부에서 관리하고 있는 설비정보와 고장정보로서 2008년 1월부터 2015년 12월까지 8개 설비(COS, 가공변압기, 개폐기, 피뢰기, 애자, 가공지선, 고압전선, 전주)에 대한 데이터를 수집하여 분석하였다. 기상데이터는 기상청에서 제공받은 90여개 종관기상관측소에서 측정한 기상자료(ASOS) 및 480여개 방재기상관측자료(AWS)와 한국환경공단에서 제공받은 317개 관측소에서 관측한 대기환경기준물질 측정 자료를 활용하였다. 이를 종합하여 기상자료의 변인으로는 38개 기상 요인에 대한 배전설비 고장의 영향을 분석하였다.
이에 따라 현업 및 현장 운영자들과의 논의를 통해 대기오염물질, 미세먼지, 기압 및 습도와 같은 9개의 기상 요인들은 현장에서 실제 체감할 수 있는 요인과는 거리가 있다는 판단 하에 분석 대상에서 제외하였다. 또한 기상요인에 대한 측정 데이터 이외에일교차 및 기상 변화량과 같은 변량 요인과 폭염, 한파, 호우, 대설 및 강풍 등의 기상특보 상황 고려의 필요성도 함께 제기되어 기상 변화량 및 기상특보에 대한 11개의 요인을 기상 변수에 추가하여, 최종적으로 분석에 적용된 기상 변수는 다음의 표 3과 같이 총 22개의 기상요인이 선정되었다.
분석에 사용된 데이터는 크게 배전설비 데이터와 기상데이터로 구분된다. 배전설비 데이터는 한전의 14개 지역본부에서 관리하고 있는 설비정보와 고장정보로서 2008년 1월부터 2015년 12월까지 8개 설비(COS, 가공변압기, 개폐기, 피뢰기, 애자, 가공지선, 고압전선, 전주)에 대한 데이터를 수집하여 분석하였다. 기상데이터는 기상청에서 제공받은 90여개 종관기상관측소에서 측정한 기상자료(ASOS) 및 480여개 방재기상관측자료(AWS)와 한국환경공단에서 제공받은 317개 관측소에서 관측한 대기환경기준물질 측정 자료를 활용하였다.
분석에 사용된 데이터는 크게 배전설비 데이터와 기상데이터로 구분된다. 배전설비 데이터는 한전의 14개 지역본부에서 관리하고 있는 설비정보와 고장정보로서 2008년 1월부터 2015년 12월까지 8개 설비(COS, 가공변압기, 개폐기, 피뢰기, 애자, 가공지선, 고압전선, 전주)에 대한 데이터를 수집하여 분석하였다.
전체 9,378개의 고장 데이터 중에서 재해로 인한 직접적인 고장 데이터인 285건을 대상으로 추출하였고, 고장발생 모델링을 수행하기 위하여 고장 데이터의 약 2배수인 565개의 정상 데이터를 무작위추출법(Random Sampling)을 통해 추출하여 총 850개의 데이터를 분석에 활용하였다. 분석에 활용된 데이터는 분석용 데이터(70%)와 검증용 데이터(30%)로 구분하였으며, 분석용 데이터는 총 594개(고장 199개, 정상 395개)로서 고장발생 모델링에 활용되었고, 검증용 데이터는 총 256개(고장 86개, 정상 170개)로서 모델링 결과의 검증에 활용되었다.
본 연구에서는 가공변압기의 고장과 기상요인과의 연관성을 분석하기 위하여 여러 가지 고장 원인들 중에서 기상에 의한 직접적인 피해, 즉 재해로 인한 가공변압기 고장에 초점을 맞추어 분석을 수행하였다. 전체 9,378개의 고장 데이터 중에서 재해로 인한 직접적인 고장 데이터인 285건을 대상으로 추출하였고, 고장발생 모델링을 수행하기 위하여 고장 데이터의 약 2배수인 565개의 정상 데이터를 무작위추출법(Random Sampling)을 통해 추출하여 총 850개의 데이터를 분석에 활용하였다. 분석에 활용된 데이터는 분석용 데이터(70%)와 검증용 데이터(30%)로 구분하였으며, 분석용 데이터는 총 594개(고장 199개, 정상 395개)로서 고장발생 모델링에 활용되었고, 검증용 데이터는 총 256개(고장 86개, 정상 170개)로서 모델링 결과의 검증에 활용되었다.

데이터처리

데이터마이닝 기법들은 많이 알려져 있으나 본 연구에서는 가장 일반적으로 사용되는 방법인 Decision Tree와 Logistic Regression을 통계분석 오픈소스 프로그램인 ‘R’에 적용하여 분석하였다.

이론/모형

가공변압기에 대한 총 594개(고장 199개, 정상 395개)의 데이터를 활용하여 Logistic Regression을 수행하였으며, Logistic Regression에 사용되는 주요 영향인자로는 최고기온, 1시간 최다강수량, 최대순간풍속, 평균지면온도, 최고기온 변화량, 최저기온 변화량이 최종적으로 의미 있는 독립변수로 활용되었고 분석결과는 아래의 그림 6과 같다. 총 22개의 독립변수(기상요인) 중에서 단계적 변수 선택법(Stepwise Variable Selection)을 통해 6개의 변수가 선택되었고, 각 변수에 대한 회귀계수의 값은 최대우도추정법(MLE, Maximum Likelihood Estimation)을 통해 추정되었다.

성능/효과

Decision Tree 분석 결과의 정확도를 평가하기 위하여 총 256개 (고장 86개, 정상 170개)의 검증용 데이터를 활용하였으며, 실제 검증용 데이터의 고장발생 결과(Reference)와 Decision Tree를 통해 예측한 결과(Prediction)를 비교하면 표 4와 같이 약 96.1%의 정확도를 보이고 있다.
2.1절에서와 같이 수집된 데이터를 토대로 배전설비별 고장분포를 보면, 전선이 전체의 31.8%로 가장 많고 가공변압기가 전체의 21.3%를 차지하고 있다. 그러나 전선의 경우 고장 빈도는 가장 많으나 주로 기상과 연관이 없이 외부 요인에 의한 단락이 많아 본 분석에서는 제외하였다.
본 연구에서는 배전설비중 기후변화에 따른 고장 빈도가 높고, 배전 설비중 중요도가 높다고 판단되는 가공변압기의 고장원인을 분석하고, 기후의 변화가 가공변압기에 영향을 미치는 것이 무엇인지를 파악하여 데이터마이닝 기법을 이용하여 모델링하였다. Decision Tree 분석방법과 Logistic Regression 분석 방법을 이용하여 분석한 결과 최고기온과 최대 순간풍속 등이 가공변압기 고장에 많은 영향을 주고 있음을 확인하였으며, 예측의 정확도도 상당히 높은 결과를 얻었다. 이를 이용하여 가공변압기의 유지보수를 수행함에 있어서, 기상청의 예보 결과와 본 모델링 결과를 활용할 경우 우선적으로 관리해야 하는 가공변압기를 선별하여 유지보수를 수행할 수 있어서 배전설비 관리에 많은 도움이 되리라 판단된다.
로서 최대순간풍속과 최고기온이 가공변압기 고장에 높은 영향을 주는 것으로 판단되었다. 이를 뒷받침 해줄 수 있는 결과로 그림7 및 그림 8과 같이 최대순간풍속이 증가할수록 가공변압기 고장 발생 확률이 증가하는 경향을 보이고 있다.
마지막으로 ③ 전체 가공변압기 데이터의 2%는 바람이 강하게불고 (최대순간풍속 14m/s 이상), 당일 평균지면온도가 26℃ 이상이며 집중호우가 내린 경우 (1시간 최다강수량 7.8mm 이상 & 10분 최다강수량 11mm 미만)에 해당되며 이 중에서 85%가 고장으로 분류되어 전체의 1.7%가 이러한 조건에서 고장으로 판명되었다.
모형의 정확도를 평가하기 위하여 총 256개(고장 86개, 정상 170개)의 검증용 데이터를 활용하였으며, 실제 검증용 데이터의 고장발생 결과(Reference)와 Logistic Regression을 통해 예측한 결과(Prediction)를 비교하면 표 5와 같이 약 89.5%의 정확도를 보이고 있다. 즉, 전체 256개의 표본(sample) 중에서 실제 고장을 고장으로 예측한 결과(74개)와 실제 정상을 정상으로 예측한 결과(155개)가 총 229개로서 모델링 검증을 통해 정분류된 경우가 전체의 89.
가공변압기에 대한 총 594개(고장 199개, 정상 395개)의 데이터를 활용하여 Decision Tree 분석을 수행하였으며, 가공변압기의 고장에 영향을 끼치는 주요영향 인자로는 그림 5와 같이 최대순간풍속, 최고기온, 평균지면온도, 최저기온 변화량, 1시간 최다강수량, 10분 최다강수량으로 정리되고 있다. 상세 분석 결과로는 ① 전체 가공변압기 데이터의 30%가 바람이 강하게 불고 (최대순간풍속 14m/s 이상), 당일 평균지면온도가 26℃ 미만이며 최고기온이 21℃ 이상인 경우에 해당되며 이 중에서 93%가 고장으로 분류되어 전체의 27.9%가 이러한 조건에서 고장으로 판명되었다. 또한 ② 전체 가공변압기 데이터의 3%는 바람이 다소 불고 (최대순간풍속 14m/s 미만), 집중호우가 내린 경우 (1시간 최다강수량 23mm 미만)에 해당되며 이 중에서 100%가 고장으로 분류되어 전체의 3%가 이러한 조건에서 고장으로 판명되었다.
최대순간풍속이 15m/s 이상인 구간에서 고장 발생 확률이 급격히 증가할 것으로 추정되며 이는 Decision Tree와 유사한 결과로 도출되고 있다. 이 결과는 최고기온 1℃ 증가할 경우 가공변압기의 고장발생확률이 약 36% 정도 높아지며, 최대순간풍속 1m/s 증가할 경우 고장발생확률 약 25% 정도 높아지고 있음을 나타낸다.
그림 3의 예시와 같이 기온, 풍속 및 기타온도와 관련된 기상현상에 대해서는 특정 범위의 조건을 기준으로 각 기상요인이 증가할수록 가공변압기의 고장 발생이 점차 증가하다가 감소하는 경향을 보이고 있다. 이러한 고장현황 분석을 통해 가공변압기의 고장 발생에 영향이 있을 것으로 짐작되는 기상현상은 최고기온, 최저기온, 최대순간풍속, 최대풍속, 10분 최다강수량, 1시간 최다강수량, 이산화황, 일산화탄소, 오존, 이산화질소, 미세먼지, 초미세먼지, 평균해면기압, 평균증기압, 일최심신적설, 일최심적설, 합계3시간적설, 평균상대습도, 평균이슬점온도 및 평균지면온도의 총 20개의 기상요인을 확인할 수 있었으며, 이들 기상요인이 가공변압기 고장에 대한 세부적인 분석에 적용할 기상 변수로서 도출되었다.
로서 최대순간풍속과 최고기온이 가공변압기 고장에 높은 영향을 주는 것으로 판단되었다. 이를 뒷받침 해줄 수 있는 결과로 그림7 및 그림 8과 같이 최대순간풍속이 증가할수록 가공변압기 고장 발생 확률이 증가하는 경향을 보이고 있다. 최대순간풍속이 15m/s 이상인 구간에서 고장 발생 확률이 급격히 증가할 것으로 추정되며 이는 Decision Tree와 유사한 결과로 도출되고 있다.
1%의 정확도를 보이고 있다. 즉, 전체 256개 표본(sample) 중에서 실제 고장을 고장으로 예측한 결과(84개)와 실제 정상을 정상으로 예측한 결과(162개)가 총 246개로 모델링 검증을 통해 정분류된 경우가 전체의 96.1%를 차지하여 매우 높은 정확도를 보이고 있다.
5%의 정확도를 보이고 있다. 즉, 전체 256개의 표본(sample) 중에서 실제 고장을 고장으로 예측한 결과(74개)와 실제 정상을 정상으로 예측한 결과(155개)가 총 229개로서 모델링 검증을 통해 정분류된 경우가 전체의 89.5%를 차지하여 높은 정확도를 보이고 있다.

후속연구

앞에서와 같이 기상현상별 가공변압기 고장현황 분석을 통해 기온, 풍속, 강우, 대기오염, 미세먼지, 기압, 강설 및 습도와 관련된 기상현상이 가공변압기 고장에 영향이 있을 것으로 분석되었으나, 기상재해에 따른 가공변압기의 고장영향 분석에 대한 기상 변수들은 현장 운영자들의 입장에서 그 영향도가 실제 체감될 수있는 요인들을 대상으로 분석이 이루어질 필요성이 있었다. 이에 따라 현업 및 현장 운영자들과의 논의를 통해 대기오염물질, 미세먼지, 기압 및 습도와 같은 9개의 기상 요인들은 현장에서 실제 체감할 수 있는 요인과는 거리가 있다는 판단 하에 분석 대상에서 제외하였다.
Decision Tree 분석방법과 Logistic Regression 분석 방법을 이용하여 분석한 결과 최고기온과 최대 순간풍속 등이 가공변압기 고장에 많은 영향을 주고 있음을 확인하였으며, 예측의 정확도도 상당히 높은 결과를 얻었다. 이를 이용하여 가공변압기의 유지보수를 수행함에 있어서, 기상청의 예보 결과와 본 모델링 결과를 활용할 경우 우선적으로 관리해야 하는 가공변압기를 선별하여 유지보수를 수행할 수 있어서 배전설비 관리에 많은 도움이 되리라 판단된다.
따라서 배전설비의 고장패턴과 기상기후, 자연재해 등 외부환경 요인과의 상관성을 분석하여, 배전설비 고장을 사전 예측하기 위한 기술개발이 필요한 현실이다. 이를 이용하여 기상재해 예보 시 효과적인 대응체계 수립을 통해 신속한 재해복구를 위한 기술개발이 필요하고, 기상 및 재해와 배전설비의 고장과의 연관성을 분석하여 통계적 모델링(예측지수)을 만들고, 이를 바탕으로 유지보수에 활용하여 효율적 유지보수를 추진하여야 한다. 본 연구에서는 최근 8년간 전국의 기상데이터(기온, 강수, 풍속, 습도, 대기오염 등)와 배전설비의 고장데이터를 전수 조사하여 배전설비와 가장 근접한 위치에서 관측한 기상데이터를 매핑하고, 어떤 기상조건이 배전설비의 고장에 영향을 많이 미치는 지를 분석하였고, 그 정도가 어느 정도인지를 확인하기 위하여 데이터마이닝 기법을 이용하여 모델링하였다.

핵심어	질문	논문에서 추출한 답변
	기상 및 재해와 배전설비의 고장과의 연관성을 분석하여 통계적 모델링을 하는 방법은?	이를 이용하여 기상재해 예보 시 효과적인 대응체계 수립을 통해 신속한 재해복구를 위한 기술개발이 필요하고, 기상 및 재해와 배전설비의 고장과의 연관성을 분석하여 통계적 모델링(예측지수)을 만들고, 이를 바탕으로 유지보수에 활용하여 효율적 유지보수를 추진하여야 한다. 본 연구에서는 최근 8년간 전국의 기상데이터(기온, 강수, 풍속, 습도, 대기오염 등)와 배전설비의 고장데이터를 전수 조사하여 배전설비와 가장 근접한 위치에서 관측한 기상데이터를 매핑하고, 어떤 기상조건이 배전설비의 고장에 영향을 많이 미치는 지를 분석하였고, 그 정도가 어느 정도인지를 확인하기 위하여 데이터마이닝 기법을 이용하여 모델링하였다. 본 연구에서는 많은 배전설비 중에서 가장 중요하다고 판단되는 가공변압기의 모형에 대하여 분석하였다.
	배전설비의 효율적 유지보수가 중요시되는 이유는?	배전설비는 주로 실외에 설치되어 외부 기상환경에 많은 영향을 받으며 배전설비의 고장은 정전과 직접적인 연관이 있어 배전설비의 효율적 유지보수가 매우 중요시 되고 있다. 이에 따라 배전설비에 대한 RCM(Reliability Centered Maintenance, 신뢰도 기반 유지보수) 시스템을 구축하여 신뢰도 분석을 통한 관리를수행한 사례가 있으나, 배전설비의 단순 고장 혹은 사용기간 만을 이용한 분석으로 환경적인 요인이 고장에 미치는 영향을 파악하여 분석하지 못하고 있는 것이 현실이다.
	RCM의 현실적인 한계점은?	배전설비는 주로 실외에 설치되어 외부 기상환경에 많은 영향을 받으며 배전설비의 고장은 정전과 직접적인 연관이 있어 배전설비의 효율적 유지보수가 매우 중요시 되고 있다. 이에 따라 배전설비에 대한 RCM(Reliability Centered Maintenance, 신뢰도 기반 유지보수) 시스템을 구축하여 신뢰도 분석을 통한 관리를수행한 사례가 있으나, 배전설비의 단순 고장 혹은 사용기간 만을 이용한 분석으로 환경적인 요인이 고장에 미치는 영향을 파악하여 분석하지 못하고 있는 것이 현실이다. 고압고객은 전기설비 관련 사업주의 상대적 관심도 부족으로 고장발생 전까지는 유지보수 및 투자에 소극적이며, 고객설비의 현재 상태 및 변동에 대한 전력회사의 이력관리 부재로 잠재적인 정전원인 설비의 체계적이고 효과적인 고장감소 추진이 곤란하므로 고객 수전설비 관리 시스템 구축이 필요하며 이는 RCM 시스템이 왜 필요한지를 알려주는 내용이다[1].

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

기상요인에 따른 가공변압기의 고장영향 분석에 관한 연구
A Study on the Failure Effect Analysis of Overhead Transformer Considering Weather 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (6)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기상요인에 따른 가공변압기의 고장영향 분석에 관한 연구 A Study on the Failure Effect Analysis of Overhead Transformer Considering Weather 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (6)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기상요인에 따른 가공변압기의 고장영향 분석에 관한 연구
A Study on the Failure Effect Analysis of Overhead Transformer Considering Weather 원문보기

AI 본문요약
AI-Helper