Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

  1. (Dept. of Electrical Engineering, Daejin University, Korea.)
  2. (Power Transmission Lab., KEPCO Research Institute, Korea.)



Partial discharge pattern recognition, Noise elimination, Voltage phase lag, Neural network, SVM

1. 서 론

AC 부분방전은 전압의 위상에 따라 발생하며 재료 및 결함의 종류마다 발생하는 부분방전의 특징이 상이하므로, 전압 위상에 따른 부분방전 분석(PRPDA : Phase Resolved Partial Discharge Analysis)을 통해 부분방전 열화에 대한 대략적인 정보를 얻을 수 있다.(1) PRPDA를 이용한 부분방전 패턴인식은 정극성 및 부극성의 PRPD 누적 데이터의 형상에 대해 왜도(skewness), 첨도(kurtosis), 피크 및 CC(Cross Correlation) 등의 통계적 특성값을 추출하여 인공신경망(Neural Network)을 통해 패턴을 파악하는 고전적인 방법(2,3)으로부터, 부분방전 펄스파형을 분석하는 방법(4)에 이르기까지 매우 다양하게 발전되어 왔으며, 최근에는 Deep Learning 기법을 이용한 PRPD에 대한 CNN(Convolutional Neural Network)을 수행하는 방법(5)도 연구되고 있다.

그러나, HVAC XLPE 케이블 시스템에 대한 현장 부분방전 측정에서는 주변 노이즈에 의해 정확한 PRPD 데이터를 얻기 어려우며, 전압의 위상을 측정할 수 없으므로 이 대신에 전류의 위상을 측정하여 PRPD를 구성하다 보니 전압과 전류의 위상차 즉 역률에 따른 위상차에 의하여 PRPD의 구성이 변형될 수 있는 문제가 있다.(6) 이에 따라, 현장에 적용되는 부분방전 측정시스템으로부터 얻는 데이터로서 노이즈와 PRPD의 위상지연을 고려한 부분방전 패턴인식에 대한 검토가 필요하다. 하지만, 이러한 연구는 아직까지 보고되지 않고 있다.

이에 따라 본 연구에서는 송전 XLPE 케이블 시스템의 부분방전 진단의 정확성 향상을 위하여, 현장에 적용되는 부분방전 진단시스템으로부터 측정한 데이터에 대해 노이즈 제거와 전압 위상지연 현상이 부분방전 패턴인식에 어떤 영향을 미치는지 연구하였다. 이를 위해 4가지 종류의 부분방전 측정 데이터에 대해 PRPDA의 통계적 특징값을 추출하여 Neural Network 및 SVM(Support vector machine)의 인공지능 기법을 적용하여 비교 분석하였다.

2. 분석 방법

2.1 분석 대상 방전 종류

본 연구에서는 현장 XLPE 케이블 시스템의 부분방전 진단을 위해 주로 측정될 수 있는 유형의 신호를 위주로 분석 대상을 선정하였다. 즉, 케이블 내부에서 발생하여 열화 및 파괴로 이어지는 부분방전과 이러한 부분방전과 유사한 패턴을 갖지만 외부로부터 유입되어 진성 부분방전과 혼동될 수 있는 유형의 신호들을 고려하였다. 외부 신호는 주로 케이블의 내부 절연과는 관련없는 표면방전이나 외부 플로팅 방전 및 코로나 방전 들이다. 이외에 노이즈 신호를 고려할 수 있으나, 상용 부분방전 진단시스템에서는 노이즈 게이팅, 센서의 측정주파수 대역 선정, 측정시스템에서 측정 주파수 대역 선정 및 TF map 등을 통하여 사전에 노이즈를 많이 제거하기 때문에 일반적인 노이즈는 크게 유입되지 않고, 유입된다 하더라도 매우 작아 다른 측정신호들의 백그라운드 노이즈 수준으로 측정된다.

이러한 점을 고려하여 본 연구에서는 내부 방전과 유사한 외부 방전을 포함하여 총 4 가지로 보이드 방전, 표면 방전, 외부 방전, 코로나 방전을 분석 대상 신호로 적용하였으며, 그림 1에 4 가지 방전 종류의 대표적인 PRPD 패턴을 나타내었다. 보이드 방전은 케이블 내부의 방전을 모의하기 위해 표면 방전 방지용 몰드 전극과 두께 1mm의 XLPE 시트 3층 시료의 가운데 층에 직경 5mm의 구멍을 뚫어 구성한 보이드 모델을 이용하였으며, 표면 방전은 두께 1mm의 XLPE 시트 위 아래에 나전극을 설치하여 케이블 종단 접속부 표면이나 타 설비에서 발생하는 표면 방전을 모의하였다. 외부 방전은 케이블 시스템과는 관계없이 멀리 떨어진 타 설비(예, 변전설비)에서 발생하는 방전을 모의하기 위해 별도로 전원이 분리되도록 설치한 테슬라 코일의 방전으로 모의하였으며, 코로나 방전은 송전 케이블 옥외종단(EBA)의 노출 충전부에서 발생될 수 있는 코로나 방전을 모의한 침-평판 전극 구조의 코로나 방전이다. 각 부분방전 종류마다 구성된 PRPD 패턴들은 실험 조건 및 환경이 조금씩 달라 동일한 종류의 부분방전임에도 불구하고 PRPD 패턴이 다른 경우들이 있었으며, 이렇게 다양한 PRPD 패턴을 적용하여 패턴 인식률을 비교하였다.

그림. 1. 방전 종류 별 PRPD 패턴

Fig. 1. PRPD Pattern by discharge typ

../../Resources/kiee/KIEE.2020.69.7.1024/fig1.png

그림. 2. 4가지 결함 모델

Fig. 2. Defect models

../../Resources/kiee/KIEE.2020.69.7.1024/fig2.png

본 연구에서는 1MHz ~ 600MHz의 주파수 대역을 갖는 HFCT 센서를 적용하여 부분방전을 측정하였으며, SMND사의 PDMS T7 장비를 사용해 한국전력공사의 구매 표준 규격(7)에 해당하는 원본데이터를 구축하였다. 더불어 표 1과 같이 원본 및 위상지연 데이터로서, 각 위상지연 데이터들은 원본의 데이터들을 가공하여 위상지연 시킨 데이터이다. 3 가지의 위상지연 모델링을 하였으므로 데이터들의 총 수량은 원본 데이터의 4배가 된다.

표 1. 방전 종류별 패턴인식용 PRPD 데이터 수량

Table 1. Number of PRPD data by discharge type

방전 종류

측정 원본

역률 1.00

(0°)

위상 지연 모의

전체 통합

역률 0.99

(6° 지연)

역률 0.97

(12° 지연)

역률 0.95

(18° 지연)

보이드 방전

197

197

197

197

788

표면 방전

165

165

165

165

660

외부 방전

119

119

119

119

476

코로나 방전

81

81

81

81

324

562

562

562

562

2,248

표 1그림 3에 본 연구의 패턴인식에 사용된 각 방전 종류별 부분방전 데이터의 수량 및 방전 종류별 비율을 나타내었다. 상용 부분방전 진단시스템을 이용하여 4 가지 종류의 방전 모델에 대한 실험을 통해 보이드 방전은 197개, 표면 방전은 165개, 외부 방전는 119개 및 코로나 방전은 81개의 PRPD 데이터를 구축하였다. 노이즈 제거에 따른 패턴인식의 비교를 위해서 실측한 562개의 PRPD 데이터를 이용하였으며, 위상지연에 따른 패턴인식 비교를 위해 추가로 3 가지의 위상지연을 고려하여 총 2,248개의 PRPD 데이터를 구축하였다.

그림. 3. 방전 종류 별 PRPD 데이터 구성 비율

Fig. 3. Composition of PRPD data by discharge type

../../Resources/kiee/KIEE.2020.69.7.1024/fig3.png

2.2 부분방전 진단시스템 측정데이터의 백그라운드 노이즈 제거

실험실의 오실로스코프와 같은 측정시스템이 아닌 실제 현장에 적용하는 부분방전 진단시스템의 경우 측정의 신뢰성 뿐 아니라 경제성 확보를 위해 어느 정도 표준화된 방법으로 부분방전을 측정한다. 대표적으로 송전 XLPE 케이블 시스템의 경우 실시간 부분방전 모니터링을 위해 LS(Local Station)에서 PRPD 데이터와 펄스파형 데이터를 측정하여 MS(Main Station)으로 전송한다. 이 때 PRPS(Phase Resolved Pulse Sequence)의 형태로서 데이터를 측정하여 PRPD를 구성하며, 이와 별도로 파형분석을 위해 펄스파형을 측정하여 전송하게 된다. 대체로 국내에서는 신뢰성있고 경제적인 시스템을 위해 그림 4와 같이 PRPS는 60Hz 한 주기를 256개로 나누어 1분(3,600주기) 동안 전송하고 이를 누적하여 그림 5와 같이 PRPD를 구성한다.(7) 즉, 한 주기의 1/256 구간, 약 65.1㎲ 동안에 최소 100MS/s로 측정한 값 중 최대값을 전송하는데, 일반적으로 부분방전 펄스는 1㎲ 정도의 펄스 길이이므로 이 구간에서 최대값으로 나타날 수 있다. 그러나 부분방전이 측정되지 않는 구간이라면 작은 값이더라도 무조건 그 구간 중 최대값을 전송하게 된다. 이에 따라 PRPS의 형태로 전송되는 데이터에는 당연히 백그라운드 노이즈가 섞이게 된다. 즉, 부분방전 펄스가 측정되지 않아도 한 주기의 256개 위상 구간 모두에는 무조건 값이 존재하게 된다. 만일 부분방전의 크기가 작고 많이 발생되지 않는다면 측정된 PRPD에는 부분방전 펄스 이외에 많은 노이즈가 포함되며, 패턴인식에 장해가 된다. 결론적으로 1분간 측정한 한 개의 PRPD 데이터에는 부분방전과 노이즈를 포함하여 256구간×60주기×60초 즉, 921,600개의 측정값이 항상 기록되므로, 현장 측정에서는 일부 기저의 백그라운드 노이즈를 제거하여 부분방전을 판단하게 된다. 이러한 판단에서 통계적인 패턴인식을 수행할 경우, 위상 별 부분방전량 분포인 ф-q 분포보다는 위상 별 부분방전 펄스 수 분포인 ф-n 분포의 분석이 전혀 이루어지지 않게 되어, PRPD 구성에서 기저 백그라운드 노이즈의 제거는 필수적이 된다.

이에 따라 본 연구에서는 패턴인식을 수행하기에 앞서 노이즈 제거를 고려하였다. 그러나, 어느 정도까지가 노이즈인지를 파악하는 것이 매우 어렵기 때문에 최소 한도의 노이즈 제거와 최대 노이즈 제거를 고려하여 그림 6과 같이 두 가지 방법으로 노이즈를 제거한 데이터에 대해 패턴인식을 수행하였다.

① Noise 제거 기준 1 : 최소 제거 (그림 6(b))

- PRPD 원본 데이터 중 PRPD의 정/부극성 클러스터가 구분되도록 최소 하나의 위상구간의 값이 0이 되는 레벨까지 노이즈로 간주하여 제거

② Noise 제거 기준 2 : 다량 제거 (그림 6(c))

- 정/부극성 PRPD 클러스터가 완벽히 분류되도록 육안으로 기저에 형성되는 부분 모두를 제거

그림. 4. PRPS 데이터 개념

Fig. 4. Concept of PRPS data

../../Resources/kiee/KIEE.2020.69.7.1024/fig4.png

그림. 5. PRPD 데이터 개념

Fig. 5. Concept of PRPD data

../../Resources/kiee/KIEE.2020.69.7.1024/fig5.png

그림. 6. PRPD 데이터 노이즈 제거 기준 사례

Fig. 6. Examples of noise reduction in PRPD data

../../Resources/kiee/KIEE.2020.69.7.1024/fig6.png

2.3 PRPD의 전압위상 지연

전술한 바와 같이, 실험실에서는 인가 전압을 측정할 수 있어서 PRPD에서 전압위상에 따른 부분방전을 정확히 나타낼 수 있으나, 현장에서는 전압의 위상을 측정할 수 없어 CT(Current Transformer)를 이용하여 케이블에 흐르는 부하 전류를 대신 측정하여 전압의 위상으로 간주한다. 만일 역률이 1로서 전압과 전류의 위상이 동일하다면 정확히 PRPD가 표현될 수 있지만, 역률이 낮아진다면 전류의 위상은 전압보다 지연되며, 이를 이용하여 나타낸 PRPD에는 위상지연이 발생하여 패턴이 달라질 수 있다.

그림 7은 역률 변화에 따라 전류 위상의 지연으로 인해 발생한 PRPD 패턴 변화의 예시이다. 역률에 따라 전류위상이 늦어지므로 이를 고려하면, 전압 위상에 따라 측정된 PRPD 패턴인 그림 7(a)는 1/4 주기 및 3/4 주기에서 명확히 측정되어 두 개의 그룹을 이루고 있으나, 역률 변화가 최대 0.95까지 발생했을 때 (d)와 같이 부분방전 클러스터가 3개의 그룹으로 나뉜 것 같은 양상을 보이고 있다. 이러한 현상을 전문가가 육안으로 판단한다면 단순한 위상 지연으로 인지할 수 있지만, 자동으로 패턴인식을 수행하는 경우라면 전혀 다른 패턴으로 인식할 수 있다. 전술한 바와 같이 본 연구에서는 360°를 256구간으로 나누어 1 주기를 표현했기 256구간 중 1 구간은 1.40625°이므로, 송전계통에서 허용하는 최대 역률 0.95를 위상 지연으로 보고 각각 역률 0.99, 0.97, 0.95 일 때의 위상지연을 모의하였다.

① 역률 1 : 원본 데이터

② 역률 0.99(6° 지연) : 원본 데이터의 위상 구간축 방향을 좌측으로 4칸 이동

③ 역률 0.97(12° 지연) : 원본 데이터의 위상 구간축 방향을 좌측으로 8칸 이동

그림. 7. 역률 차이에 따른 PRPD 패턴의 변화 예시

Fig. 7. Variation of PRPD Patterns by Power Factor Differences

../../Resources/kiee/KIEE.2020.69.7.1024/fig7.png

④ 역률 0.95(18° 지연) : 원본 데이터의 위상 구간축 방향을 좌측으로 12칸 이동

따라서, 본 연구에서는 이러한 현실적인 위상지연을 감안하여 그림 7과 같은 3 가지 위상지연을 추가로 모델링하여 패턴인식을 수행하였다.

2.4 패턴인식을 위한 특징 추출

본 연구에서는 전통적인 통계적 특징 추출 방법을 사용하여 머신 러닝 기법들의 입력벡터를 선정하였다. 방전 종류별 PRPD에서 크게 4 가지 물리량에 대해 7 가지의 통계적 특징을 추출하여 총 28개의 특징을 도출하였다. 먼저 4 가지 물리량으로는 PRPD에서 위상에 따른 부분방전 펄스 수 및 최대 방전량과 평균 방전량을 고려한 것으로 다음과 같다.

① 물리량 A : 위상 별 PD 펄스 수 (ф-n)분포

② 물리량 B : 위상 별 방전량에 따른 펄스 수 왜도 (ф-nskew) 분포

③ 물리량 C : 위상 별 최대 방전량 (ф-qmax) 분포

④ 물리량 D : 위상 별 평균 방전량 (ф-qmean) 분포

물리량 A는 노이즈를 제거한 PRPD 데이터에서 위상에 따른 부분방전 펄스 수에 대한 물리적인 정보를 담고 있으며, 물리량 B는 PRPD 데이터에서 방전 크기에 따라 펄스 수가 어떻게 분포하고 있는지에 대한 정보를 왜도로서 나타낸 것이다. 물리량 C 및 물리량 D는 PRPS 데이터에서 위상 구간별로 최대 방전량 또는 평균 방전량을 취하고 정규화(Normalization)시켜 방전량의 분포를 구한 것이다. 그림 8~그림 11에 이러한 4 가지 물리량 분포의 개념을 나타내었다.

그림. 8. 물리량 A : 위상별 펄스 수(φ-n) 분포

Fig. 8. Type A : Distribution of the number of pulses by phase (φ-n)

../../Resources/kiee/KIEE.2020.69.7.1024/fig8.png

그림. 9. 물리량 B : 위상별 방전량에 따른 펄스 수 왜도 분포

Fig. 9. Type B : Skwness distribution of the number of pulses by phase

../../Resources/kiee/KIEE.2020.69.7.1024/fig9.png

그림. 10. 물리량 C:위상별 최대 방전량 (φ-qmax)

Fig. 10. Type C : Distribution of maximum discharge by phase (φ-qmax)

../../Resources/kiee/KIEE.2020.69.7.1024/fig10.png

그림. 11. 물리량 D:위상별 평균 방전량 (φ-qmean)

Fig. 11. Distribution of average discharge by phase (φ-qmean)

../../Resources/kiee/KIEE.2020.69.7.1024/fig11.png

물리량 A, B, C, D를 통해 도출된 물리량 분포는 각각 1×256 데이터의 형태를 나타내고 있으며, 이에 대해 정극성 및 부극성의 첨도(Kurtosis), 정극성 및 부극성의 왜도(Skewness), 정극성 및 부극성의 표준편차와 정극성/부극성 간의 상관성(CC : Cross Correlation)을 7 가지의 통계적 특징으로 추출하였다. 결국 본 연구에서는 상기 4개 물리량 분포에 7 가지 통계적 특징 추출로 총 28개의 특징값을 구하였으며, 이를 다양하게 조합해 입력벡터로 구성하여 각 머신러닝에 적용하였다.

그림. 12. 물리량 분포의 통계적 특징 추출 과정

Fig. 12. The process of extracting statistical features for each type of distribution

../../Resources/kiee/KIEE.2020.69.7.1024/fig12.png

2.5 패턴인식 머신러닝 기법

본 연구에서는 다양한 머신 러닝 기법 중 가장 보편적으로 잘 알려져 있고 부분방전 패턴인식에 많이 적용되는 Neural network(NN) 및 Support vector machine(SVM)의 두 가지 머신러닝 기법을 활용해 방전 종류별 패턴 인식률을 구하였다. 여기에 사용한 데이터는 전술한 4 가지 방전 종류의 562개 또는 2,248개의 PRPD 데이터에서 추출한 28가지 통계적 특징들에 대해 학습 70% 테스트 30%의 Hold-out 방식의 머신러닝을 수행하였다.

표 2. 통계적 특징 추출 기법

Table 2. The extraction technique of statistical features

특징 명칭

정의

수식

왜도

[Skewness]

분포의 비대칭의 정도, 즉 분포가 기울어진 방향과 그 기울어진 정도를 나타내는 척도

$\left\{\frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum\left(\frac{x_{i}-\bar{x}}{s}\right)^{4}\right\}-\frac{3(n-1)^{2}}{(n-2)(n-3)}$

첨도

[Kurtosis]

자료의 분포가 중심경향값을 중심으로 집중적으로 분포되어 있는 정도 혹은 분포의 뾰족한 정도를 나타내는 척도

$\frac{n}{(n-1)(n-2)} \sum\left(\frac{x_{i}-\bar{x}}{s}\right)^{3}$

표준 편차

[Standard deviation]

통계집단의 단위의 계량적 특성값에 관한 산포도를 나타내는 도수 특성값

$\sqrt{\frac{\sum(x-\bar{x})^{2}}{(n-1)}}$

상관 계수

[Correlation Coefficient]

2개의 변수간의 분산 상황이 어느 정도 직선적인지를 나타내는 지표

$\frac{\sum(x-\bar{x})(y-\bar{y})}{\sqrt{\sum(x-\bar{x})^{2} \sum(y-\bar{y})^{2}}}$

2.5.1 Neural Network (8,9)

수학적 모델로서의 뉴런이 상호 연결되어 네트워크를 형성할 때 이를 신경망이라 하며, 이를 생물학적인 신경망과 구별하여 특히 인공 신경망(artificial neural network)이라고도 한다. 신경망은 각 뉴런이 독립적으로 동작하는 처리기의 역할을 하기 때문에 병렬성(parallelism)이 뛰어나고, 많은 연결선에 정보가 분산되어 있기 때문에 몇몇 뉴런에 문제가 발생하더라도 전체 시스템에 큰 영향을 주지 않으므로 결함 허용(fault tolerance) 능력이 있으며, 주어진 환경에 대한 학습 능력이 있다. 대표적으로 신경망의 지도학습 및 역전파(Back-propagation) 등과 같은 알고리즘의 활용으로 반복 학습 및 신경망의 출력 오차를 출력층에서 시작해 입력층 바로 앞 은닉층까지 역순으로 이동시켜 가중치를 변화시키는 등을 활용해 상당한 강점을 지니고 있다.

본 연구에서는 MATLAB의 Neural Network tool 중 Pattern recognition and classification tool을 활용해 인식률을 확인하였고 다음과 같은 절차로 진행하였다.

① inputs data와 targets data를 PRPD의 특징 추출결과를 CSV 파일 형식으로 삽입

② 삽입된 Input / Output data에 대한 Training 70%/ Validation 15%/ Testing 15% 비율 적용

③ 10개의 은닉층 설정 후 머신러닝 학습

④ 학습된 Neural Network 인식률 확인

MATLAB에서 지원하는 Neural Network tool은 기본적인 tool로써 외부에서 노드로 들어오는 신호는 해당 가중치가 곱해져 노드에 전달되고 노드에서는 이 값들을 모두 더하는데, 이 합계를 가중합(Weighted sum)이라 하며, 입력되는 특징의 개수에 따라 제각기 달라진다. 본 연구에서는 최대 28개의 특징을 활용하기 때문에 노드의 수가 많아질 수 있다. 예를 들어 노드의 가중합은 가중치로 뇌가 신경세포들의 연결 관계를 바꾸는 동작을 흉내내며, 이러한 가중합 계산식을 행력식으로 바꾸고, 마지막으로 노드는 가중합을 활성함수에 입력해 얻은 값을 외부로 출력하고, 이 활성함수에 의해 노드의 동작 특성이 결정되며 다음 수식들과 같이 계산된다.

(1)
$v=(W1*X1)+(W2*X2)+(W3*X3)+b=WX+b$

(2)
$Y=h(v)=h(WX+b)$

그림. 13. Matlab의 Neural Network 신경망 노드 및 구조

Fig. 13. Neural network nodes and structures (MATLAB)

../../Resources/kiee/KIEE.2020.69.7.1024/fig13.png

2.5.2 Support vector machine (10,11)

기계 학습의 분야 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용한다. 반응변수(종속변수)가 알려진 다변량 자료를 이용해 모형을 구축하고 이를 통해 새로운 자료에 대한 예측 및 분류를 수행하는 것이 목적을 두고 있으며, 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, SVM 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만든다. 만들어진 분류 모델은 데이터가 사상된 공간에서 경계로 표현되는데 SVM 알고리즘은 그 중 가장 큰 폭을 가진 경계를 찾는 알고리즘이라는 점에서 Neural network와 큰 차이점이 있다. 종종 데이터 군집간의 경계가 원활하게 구분되지 않는 등 문제점이 있긴 하지만, 대량의 데이터가 확보되면 상당한 분류 정확도를 가져 최근 다수의 연구에 활용되고 있다.

본 연구에서는 MATLAB의 SVM tool 활용해 인식률을 확인하였고 다음과 같은 절차로 진행하였다.

① inputs data와 targets data를 PRPD의 특징 추출결과를 .CSV파일 형식으로 삽입

② 삽입된 Input / Output data에 대한 Training 70% / Testing 30% 비율 적용

③ 머신러닝 학습 후 인식률 확인

MATLAB에서 지원하는 SVM tool은 기하학적으로 두 초평면 사이의 거리 즉, 마진을 구하면 $2/\Vert w\Vert$라는 것을 알 수 있으며 서포트벡터 머신은 마진을 최대로 만드는 알고리즘이며, 원래 특성의 가능한 조합을 지정된 차수까지 모두 계산하는 다항식 커널 및 가우시안 커널이라 불리는 RBF (Radial basis function) 커널을 사용하여 가장 적합한 분류를 찾는다.

(3)
$$\|w\|=\sqrt{\sum_{j=1}^{m} w_{j}^{2}}$$

(4)
$$\frac{w^{T}\left(x_{p o s}-x_{n e q}\right)}{\|w\|}=\frac{2}{\|w\|}$$

3. 패턴인식 결과 및 분석

3.1 단일 물리량 분포(A~D)에 대한 인식률 비교

각 물리량 분포에서 하나의 물리량만으로 통계적 특징을 추출할 경우 인식률이 아주 높지는 않지만, 활용도 측면에서 어느 물리량이 가장 활용하기에 좋은지 파악할 수 있다. 표 3과 같이 방전 종류별로 노이즈 제거를 다르게 처리한 데이터의 각 물리량 분포에 대하여 Neural Network 및 SVM의 인식률을 구하였다. 그 결과, 물리량 분포 A(ф-n)와 D(ф-qmean)가 높은 인식률을 가지고 있었으며, B(ф-nskew) 및 C(ф-qmax)가 상대적으로 낮은 인식률을 나타냈다. 물리량 A와 D는 PRPD의 방전수와 평균 방전량으로 기존에 많은 연구들에서 사용되어 오던 기법으로 안정적인 인식률이 도출된 것으로 판단된다.(2)

표 3. 단일 물리량 분포의 인식률 비교

Table 3. Comparison of recognition rate of Single-physical quantity istribution

Neural Network

노이즈 제거 기준 Ⅰ

D > A > C > B

(87.7%) (82.6%) (79%) (76.5%)

노이즈 제거 기준 Ⅱ

A > D > B > C

(84.3%) (81.8%) (80.4%) (79.1%)

SVM

노이즈 제거 기준 Ⅰ

A > D > C > B

(85.7%) (83.5%) (80.7%) (74.8%)

노이즈 제거 기준 Ⅱ

A > D > C > B

(86.3%) (84.9%) (83.5%) (77.6%)

기본적으로 PRPD 패턴에는 각 결함의 방전마다 존재하는 위상, 방전수, 방전 크기와 같은 방전 특성들을 가지고 있는데, 물리량 A는 위상에 따른 방전수에 대한 분포를 특징화 함으로써 방전에 나타나는 위상과 방전수에 해당하는 물리적 의미를 상당히 잘 추출하는 것으로 보이며, 특징 D 또한 위상에 따른 방전량에 대한 특징을 상당히 잘 추출하는 모습을 보이고 있다. 물리량 분포 B는 본 연구에서 새롭게 고안된 기법으로서 상대적으로 인식률이 낮지만 방전 크기에 따른 방전 수 분포의 물리적 의미를 담고 있어서 활용 가능하다고 판단된다. 물리량 분포 C는 측정기간(예, 1분) 중 각 위상 구간에서의 최대 방전 크기를 의미하는데, 간혹 큰 값의 오류 및 노이즈 등이 부분방전으로 반영될 우려가 있기 때문에 인식율이 가장 낮은 것으로 분석된다.

3.2 물리량 분포 조합에 대한 인식률 비교

2.4절에 언급한 단일 물리량들을 조합하여 최대 28개(A B C D 조합)까지의 입력벡터를 적용한 경우에 대해 인식률을 비교한 결과를 표 4에 나타냈다. 비교 결과, 가장 좋은 인식률을 보이는 조합은 물리량 (A, B, C, D) 모두를 활용하는 것으로 나타났다. 이것은 당연한 결과로서 부분방전 신호에 대해 독립적인 정보를 담고 있는 데이터를 가급적 많이 사용할수록 인식률이 좋게 나올 수 있기 때문이다. 각각의 단일 물리량의 인식률은 제각기 다르지만 물리량들은 서로 상관성을 가져 모두 조합하여 인식율을 확인했을 때 높은 인식율을 가질 수 있는 것으로 판단된다. 더불어 머신러닝 기법으로는 SVM의 인식률이 98.8[%] 상대적으로 높게 도출되었는데, 이는 전술한 바와 같은 SVM의 장점으로서 데이터의 수가 많을수록 인식률이 높아지는 현상으로 판단된다.

노이즈 제거 기준에 따른 인식률 비교에서, 노이즈 제거기준 1이 Neural Network와 SVM 모두에서 상대적으로 높은 수치를 나타내었다. 이는 노이즈 제거 기준 2에서 노이즈가 더 많이 제거되지만 부분방전 특징 자체도 일부 소실되어 인식률의 저하가 발생하는 것으로 분석되며, 노이즈를 많이 제거한다고 해서 패턴인식율이 높아지는 것은 아닌 것으로 판단된다.

표 4. 물리량 조합 별 인식률 비교

Table 4. Comparison of recognition rates by physical quantity combinations

물리량 조합

Neural Network [%]

SVM [%]

노이즈 제거 기준 1

노이즈 제거 기준 2

노이즈 제거 기준 1

노이즈 제거 기준 2

A B C D

97.0

96.1

98.8

97.0

A B C

95.6

92.5

96.4

95.8

A B D

92.3

92.5

95.8

93.5

A C D

92.3

91.8

94.0

94.0

B C D

93.2

92.3

96.4

97.6

3.3 위상지연에 따른 인식률 비교

전술한 바와 같이 현장에서 전압의 위상정보가 정확하지 않은 점을 고려하여 다양한 역률을 고려한 경우로서 패턴인식율을 분석하였다. 표 5는 방전 종류별로 노이즈 제거기준 1에 따라 노이즈를 제거한 후 다양한 위상지연을 모의한 데이터를 적용하여 위상 지연에 따른 머신러닝 별 인식률을 비교한 것이다. 위상 지연은 역률 0.99일 때의 6° 지연부터 역률 0.95의 18° 지연까지를 모의하였다. Neural Network에서는 위상 지연이 심해져도 인식률의 저하가 크지 않은 것으로 보이며, 모든 위상지연 모의 데이터를 적용하여 학습시킨 경우 오히려 상당히 높은 인식률이 도출되었다. 그러나 SVM은 위상 지연이 심해질수록 인식률이 급격하게 저하되었으며, 모든 위상지연 데이터로 학습시킨 경우에도 상당히 저하된 인식률이 도출되었다. 이 결과들을 보면 Neural Network는 위상지연 현상에 영향이 적은 것으로 보이며, 오히려 데이터가 많아져 인식률이 상승한 것으로 판단된다. 이러한 점은 전술한 바와 같이 반복학습 및 신경망의 출력 오차를 역순으로 이동시킴으로써 가중치의 변화를 야기하는 Neural Network의 특징이 반영된 결과로 보인다. 그러나 SVM은 위상지연 현상이 심해질수록 영향을 많이 받으며, 데이터 수가 늘어남과 동시에 데이터의 종류도 증가하여 데이터 군집간의 경계를 원활하게 구분하지 못하는 SVM의 단점이 작용한 것으로 판단된다.

표 5. 위상 지연을 고려한 인식률 비교

Table 5. Comparison of recognition rate considering phase lag

위상 지연

Neural Network [%]

SVM [%]

97

98.8

96.4

94.0

12°

96.1

90.5

18°

96.1

89.9

전체 통합

99.7

90.8

3.4 검토

본 연구에서는 결함 별 부분방전 raw data에서 얻을 수 있는 통계적 물리량을 추출하여 상용 부분방전 진단시스템에서 필연적으로 발생하는 백그라운드 노이즈에 대한 제거기준 및 현장 측정의 위상 지연 현상을 고려하여 두 가지 머신러닝 기법을 활용해 최적의 패턴인식 조건을 찾기 위한 작업을 실시하였다. 통계적 물리량은 고전적으로 부분방전 패턴인식에 적용되는 기법이지만, 여러 가지 물리량의 조합 비교를 통해 적절한 패턴인식 기법을 도출하였다.

현장 온라인 부분방전 측정에서 측정되는 신호의 크기가 작을 경우에는 백그라운드 노이즈의 영향이 매우 커져서 패턴인식에 큰 영향을 미치게 되는데, 본 연구에서 제시하는 백그라운드 노이즈 제거 방안은 부분방전의 고유 특성의 손실을 최소화시키면서 노이즈의 영향을 최대로 배제시키는 방안이라고 판단된다. 아울러, 현장 측정에서 전류 측정을 통해 전압 위상을 파악하는 과정의 위상 지연 문제에 대하여 모의 데이터를 이용하여 패턴인식을 수행한 것은 부분방전 현장 측정의 실제적인 부분을 패턴인식에 처음 반영한 것으로, 본 연구에서 위상지연을 고려한 적합한 머신러닝 기법의 도출을 시도하여 부분방전 현장 진단의 정확성 향상 방안을 제시하였다고 사료된다.

4. 결 론

본 연구에서는 현장 적용 부분방전 진단시스템을 이용하여 측정한 대표적인 4 가지 방전 종류의 PRPD 및 PRPS 데이터에 대해 방전수 및 방전량 등의 물리량 분포 4 가지와 통계적 특징 추출 방법 7 가지를 조합하여, PRPD에서 노이즈 제거 및 전압의 위상지연이 패턴인식에 미치는 영향을 분석하였다.

개별적인 물리량 분포 각각에 대한 인식률 비교에서는 기존의 위상별 방전수 및 평균방전량 분포가 가장 높게 나타났으며, 본 연구에서 제안한 방전량에 따른 펄스 수 왜도(ф-nskew) 분포도 인식율은 상대적으로 낮았으나 의미있는 결과를 보였다. 아울러, 이를 포함하여 독립적인 물리적 의미를 갖는 물리량 분포를 다양하게 조합하여 입력벡터를 적용한 경우 인식율이 높게 나타나 패턴인식율의 향상을 도모할 수 있었다.

상용 부분방전 진단시스템에서 필연적으로 수행하여야 하는 백그라운드 노이즈 제거에 대해, 노이즈를 최소로 제거하는 것이 부분방전 정보를 보존하게 되어 패턴인식율을 높이는 방법으로 나타났다. 또한, PRPD에서 전압의 위상지연의 영향을 고려하여 인식율을 분석한 결과, Neural network에서는 위상지연의 영향을 그다지 받지 않았으나 SVM에서는 인식률이 저하되어 위상지연에 취약한 패턴인식 머신러닝 기법인 것으로 판단된다.

References

1 
F. H. Kruger, February 1991, Industrial High Voltage, Delft University Press, pp. 133-145Google Search
2 
E. Gulski, A. Krivda, 1993, Neural networks as a tool for recognition of partial discharges, IEEE Transactions on Electrical Insulation, Vol. 28, No. 6, pp. 984-1001DOI
3 
M. Quizhpi-Cuesta, F. Gómez-Juca, W. Orozco-Tupacyupanqui, F. Quizhpi-Palomeque, January 2018, Classification of Partial Discharge in Pin Type Insulators Using Fingerprints and Neural Networks, in IEEE International Autumn Meeting on PowerDOI
4 
N. C. Sahoo, M. M. A. Salama, May 2005, Trends in partial discharge pattern classification : a survey, Transactions on Dielectrics and Electrical Insulation, Vol. 12, No. 2, pp. 248-264DOI
5 
X. Peng, F. Yang, G. Wang, Y. Wu, L. Li, Z. Li, A. A. Bhatti, C. Zhou, D. M. Hepburn, A. J. Reid, M. D. Judd, W. H. Siew, August 2019, A Convolutional Neural Network-Based Deep Learning Methodology for Recognition of Partial Discharge Patterns from High-Voltage Cables, IEEE Transactions on Power Delivery, Vol. 34, No. 4, pp. 1460-1469DOI
6 
N. Hozumi, H. Michiue, H. Nagae, Y. Muramoto, 2000, Time-lag Measurement of Void Discharges for the Clarification ot the Factor for Partial Discharge Pattern, Annual Report Conference on Electrical Insulation and Dielectric Phenomena, pp. 717-720DOI
7 
KEPCO General Purchasing Standards, 2018, Underground transmission line On-line partial discharge diagnosis, GS-6110-0263Google Search
8 
T. R. Sukma, U. Khayam, Suwarno, R. Sugawara, H. Yoshikawa, M. Kozako, M. Hikita, O. Eda, M. Otsuka, H. Kaneko, Y. Shiina, September 2018, Classification of Partial Discharge Sources using Waveform Parameters and Phase-Resolved Partial Discharge Pattern as Input for the Artificial Neural Network, Condition Monitoring and Diagnosis (CMD)DOI
9 
D. E. Kim, M. Gofman, January 2018, Comparison of Shallow and Deep Neural Networks for Network Intrusion Detection, IEEE 8th Annual Computing and Communication Workshop and Conference (CCWC), pp. 204-208DOI
10 
J. Jineeth, R. Mallepally, T. K. Sindhu, June 2018, Classification Of Partial Discharge Sources In XLPE Cables By Artificial Neural Networks And Support Vector Machine, Electrical Insulation Conference (EIC), pp. 407-411DOI
11 
Z. Qian, C. Zhou, J. Cheng, Q. Wang, October 2016, Identification of conductive leakage signal in power cable based on Multi-Classification PSO-SVM, in IEEE 5th International Symposium on Electromagnetic Compatibility (EMC-Beijing)DOI

저자소개

윤성호 (Sungho Yoon)
../../Resources/kiee/KIEE.2020.69.7.1024/au1.png

2015년 대진대 전기공학과 졸업(학사).

2017년 대진대 전기공학과 졸업(석사).

2017년~현재 대진대 전기공학과 박사과정.

관심분야 : 고전압 절연 열화 메커니즘, 부분방전 진단 기술 등.

E-mail : shyoon@daejin.ac.kr

안범 (Beom Ah)
../../Resources/kiee/KIEE.2020.69.7.1024/au2.png

2020년 대진대 전기공학과 졸업(학사).

2020년~현재 대진대 전기공학과 석사과정.

관심분야 : 고전압 절연 진단 기술, 절연 수명 등.

E-mail : dksqja1125@naver.com

고현상 (Hyeonsang Ko)
../../Resources/kiee/KIEE.2020.69.7.1024/au3.png

2018년 대진대 전기공학과 졸업(학사).

2018년 대진대 전기공학과 졸업(석사).

관심분야 : 고전압 절연 열화 메커니즘, 부분방전 진단 기술 등.

E-mail : 93rooster@naver.com

김정태 (Jeongtae Kim)
../../Resources/kiee/KIEE.2020.69.7.1024/au4.png

1982년 한양대 공대 전기공학과 졸업(학사).

1987년 한양대 공대 전기공학과 졸업(석사).

1992년 한양대 공대 전기공학과 졸업(공박).

현재 대진대 공대 전기공학과 교수.

2007년~ 2008년 : 미국 Mississippi State University 교환교수.

2000년~ 2008년 CIGRE SC-B1 Insulated Cables, Regular Member.

관심분야 : 고전압 절연설계, 절연 수명, 전력설비 절연 진단 등.

E-mail : jtkim@daejin.ac.kr

정연하 (Yeonha Jung)
../../Resources/kiee/KIEE.2020.69.7.1024/au5.png

2004년 숭실대 전기제어시스템공학과 졸업(학사).

2006년 동 대학원 전기공학과 졸업(석사).

2006년~현재 한전 전력연구원 차세대송변전연구소 선임연구원.

관심분야 : 지중케이블 진단, Health Index 등

E-mail : yeonha.jung@kepco.co.kr

장태인 (Tae In Jang)
../../Resources/kiee/KIEE.2020.69.7.1024/au6.png

1990년 한양대 전기공학과 졸업(학사),

1994년 한양대 대학원 전기공학과 졸업(석사).

1994년~1996년 삼성SDS 근무.

1996년∼현재 한국전력공사 전력연구원 차세대송변전연구소 책임연구원,

관심분야 : 고전압설비 절연진단 및 지능화판정 기술

E-mail : taein.jang@kepco.co.kr