2.1 결함의 조건

실험은 170㎸ GIS Mock-up을 이용하여 수행하였으며, 방전셀은 35pC 코로나 부분방전, 2nC 보이드 부분방전, 5nC 플로팅 부분방전, 5pC 파티클 부분방전 및 800㎒ 대역 휴대폰 노이즈 등을 조건을 바꾸어 가면서 사용하였다. 성능 시험은 -120㏈ 이하의 RF 차폐 챔버 내에서 가압장치를 변화시켜 가면서 시험을 수행하였으며, 노이즈에 의한 변화를 파악하기 위하여 챔버 룸을 개방한 상태에서 LTE 신호를 보기 위한 830㎒ 대역을 사용하는 통신사의 단말기의 동영상을 계속적으로 동작시키면서 노이즈 반응 시험을 수행하였다.

초고압 GIS를 최대한 모의하기 위하여 그림. 1과 같이 실험장치를 구성하고 154㎸ 단상 시스템의 사이즈를 모방하여 제작된 GIS 목업 구조에서 시험하였으며, 전송모드(TE, TM, TEM)가 유사하게 나타나도록 Coaxial 구조로 설계되어 있다^[2].

초고압 전력기기 내부에서 발생하는 부분방전의 원인의 종류는 여러 가지 방식으로 분류할 수 있다. 본 논문에서는 객관적인 실험을 위하여 한국전력 구매시방서에 제시된 아래와 같은 결함의 종류에 따라 시험조건을 구축하여 실험하였다^[3].

① 자유도체방전(Free Particle)

▪ 금속성 이물질 자유운동시 발생

▪ 위상에 관계없이 발생(방전량 : 수pC~수백pC)

▪ 시험조건 : Rolling Ball Size 및 SF6 가스압에 따라 방전량의 변화가 발생하며 이를 다르게 하기 위하여 Rolling Ball Size 3mm, 5mm사용. SF6가스 압력 0.1psig, 0.4psig에서 시험하였음.

② 코로나방전(Corona)

▪ 금속 돌출부에서 발생

▪ 발생위상 : 90°/ 270°(방전량 : 수 pC)

▪ 시험조건 : Needle to Plane의 간극과 가스 압력에 따라 방전량이 다르게 나타나며 이를 위하여 Needle length 15mm, 18mm사용. SF6가스 압력 0.1psig, 0.4psig에서 시험하였음.

③ 부유전극방전(Floating Electrode)

▪ 금속부 불완전 접촉시(손상) 발생

▪ 1, 3분면에 집중 발생(방전량 : 수천 pC이상)

▪ 시험조건 : 상부전극과 Floating Needle 간극과 가스압에 따라 방전량이 다르게 나타나며 이를 위하여 Needle to Plane 간극을 1mm, 3mm 상태로 시험. SF6가스 압력 0.1psig, 0.4psig에서 시험하였음.

④ 절연물이상방전(Void)

▪ 절연물 이상, 오염시 발생(Void, Crack, Tree 등)

▪ 1, 3분면에 주로 발생(방전량 : 수pC~수천pC)

▪ 시험조건 : 에폭시 몰드물 내부에 인공 공극을 넣어서 시험하였으며, SF6 가스압은 0.1psig, 0.4psig에서 시험하였음.

실험은 -100dB 이상 외부 노이즈의 영향이 없도록 설계된 차폐룸에서 수행되었으며, IEC 60270 규격에 만족 하는 Noise-Free Cascading AC Withstand 가압장치를 사용하여 시험하였다. 발생하는 노이즈를 하드웨어에서 처리하지 못할 경우 입력되는 노이즈의 측정결과를 그림. 2에 나타내었다. 주된 노이즈원은 상용 통신망에 의하여 나타나는 LTE대역의 노이즈와 주변기기에 의한 Pulse 노이즈, 상용 방송이나 군부대 레이더 작동에 의한 노이즈 등으로 나타났다. 또한 UHF 감도를 시험하기 위하여 Pulse 발생장치를 이용하여 측정감도를 시험 하였다^[4]. 실험시 외부 노이즈가 유입되는 것을 확인할 수 있는데 이는 크게 3가지 카테고리로 나누어서 특정조건에 의하여 선처리 하도록 프로그래밍 하였다. 노이즈의 특성을 파악하는 것은 매우 중요하며, 인식율에 에러율을 높이는 요소로 작용한다.

2.2 데이터 취득

본 실험에서는 UHF 센서를 이용하여 부분방전 신호를 검출하였으며, UHF 대역의 노이즈를 효과적으로 제거하기 위하여 Selective Sensor를 사용하였다.

데이터의 취득방식은 부분방전의 발생을 크기, 위상, 시간(주기상 발생위치) 등 3개의 변수로 표현하는 방식인 PRPS(Phase Resolved Pulse Sequence) 분석방식에 따라 데이터를 취득하였다.

결함의 종류에 따라 발생된 검출파형을 아래 그림에 나타냈으며, 좌측 파형은 기존 한국전력공사에서 사용하고 있는 상용장비로 실측한 결과이며, 우측 파형은 본 연구에서 제작한 Selective Sensor를 이용하여 UHF 대역의 신호를 측정한 결과로 발생 위상과 크기 등 육안 상으로 분별이 가능한 수준의 파형이 발생하는 것을 알 수 있다.

그림. 3은 코로나방전(Corona)시 측정된 파형을 비교한 결과로 가장 전형적인 방전형태이며, 90도와 270도 부근에서 가장 크게 발생하는 것을 알 수 있다. 부극성에서 초기에 발생하고 열화가 진행될수록 정극성에서도 발생이 개시되며 부극성은 위상에서의 발생폭이 증가하는 것으로 나타났다.

그림. 4는 절연물이상방전(Void)시 측정된 파형을 비교한 결과로 발생 위상이 0도와 180도 부근에서 집중적으로 발생하는 것을 알 수 있다. 발생 폭은 정극성 부극성이 유사하게 나타났다.

그림. 5는 부유전극방전(Floating Electrode)시 측정된 파형을 비교한 결과로 부유전극은 그 크기가 다른 결함에 비해 매우 크게 발생한다. 전형적인 발생 모양은 날개형으로 발생하는 것이 다른 결함과 구분된다.

그림. 6은 자유도체방전(Free Particle)시 측정된 파형을 비교한 결과로 단시간 동안에는 Random하게 발생하는 것처럼 보이나 누적된 신호는 일정한 패턴이 발생하는 것을 알 수 있다. 상기와 같은 결함별 PRPS 파형을 주기적으로 반복 수행하여 수천개 수준의 데이터를 취득하였다.

3.1 분석 방법

부분방전에서 유일하게 사용되는 PRPD 방식에 의한 파라메터 분석방법에 의하여 모든 데이터는 24개의 파라메터로 분류되며, 이를 학습의 Raw-Data로 사용하였다. 학습하는 대상에 따라 인식율이 모두 다르며, 본 PRPD 방식에서는 Neural Network이 현저히 높은 인식율을 나타내어 이에 대한 내용만 서술하였다^[5]. 본 소프트웨어에서 사용한 NN 모델을 그림. 7에 나타내었다. 부분방전 발생을 PRPS로 부터 가공하여 누적시킨 크기, 위상, 빈도수를 변수로 하여 분석하는 PRPD(Phase Resolved Partial Discharge)방식으로 가공후 phi-q-n분석을 통하여 파라메터를 추출하여 적용하였다.

이 방식은 다음의 단계를 거쳐 패턴을 연산한다.

학습 패턴의 값을 입력층 유니트에 제시하여 출력되는 값 $o_{p i}$, 입력층과 중간층 사이의 연결강도 $\omega_{j i}$와 중간층 유니트 $j$의 오프셋 $\theta_{j}$를 이용하여 중간층 유니트 $j$의 입력 $n e t_{pj}$를 구하여 시그모이드 함수와 연결한다. 다음으로 $n e t_{pj}$와 시그모이드 함수 $f$를 이용하여 중간층 유니트 $j$의 출력 $o_{p j}$를 구한다.

$n e t_{p j}=\sum_{i} \omega_{j i} o_{p i}+\theta_{j}$

$o_{p j}=f_{j}\left(net_{pj}\right)$

그 다음 중간층 유니트의 출력 $o_{p j}$, 중간층과 출력층 사이의 연결 강도 $\omega_{pk}$와 출력층 유니트 $k$의 오프셋 $\theta_{k}$를 이용하여 출력층 유니트 $k$의 입력 를 구한다. 이 데이터를 $net_{pk}$와 시그모이드 함수 $f$를 이용하여 출력층 유니트 $k$의 출력 $o_{p j}$를 구한다.

$n e t_{p k}=\sum_{i} \omega_{k j} o_{p j}+\theta_{k}$

$o_{p k}=f_{k}\left(n e t_{p k}\right.$

오차를 구하기 위하여 학습패턴의 목표출력 $t_{pk}$와 실제 출력 $o_{pk}$와의 차로부터 출력층 유니트 $k$에 연결된 연결강도와 출력층 유니트 $k$의 오프셋에 대한 오차 $\delta_{p k}$를 구한다.

$\delta_{p k}=\left(t_{p k}-o_{p k}\right) f_{k}^{\prime}\left(n e t_{p k}\right)=\left(t_{p k}-o_{p k}\right) o_{p k}\left(1-o_{p k}\right)$

오차 $\delta_{p k}$와 중간층과 출력층간의 연결강도 $\omega_{k j}$와 중간층의 출력 $net_{pj}$로부터 중간층 유니트 $j$에 연결된 연결강도와 중간층 유니트의 오프셋에 대한 오차 $\delta_{p j}$를 구한다.

$\delta_{p j}=f_{k}^{\prime}\left(n e t_{p j}\right) \sum_{k} \delta_{p k} \omega_{k j}= \sum_{k} \delta_{p k} \omega_{k j} o_{p j}\left(1-o_{p j}\right)$

5단계에서 구한 출력층 유니트 $k$에서의 오차 $\delta_{p k}$, 중간층 유니트 $j$의 출력 $o_{p j}$, 정수 $\alpha$와의 곱을 더하여 중간층 유니트 $j$와 출력층 유니트 $k$에 연결된 연결강도 $\omega_{k j}$를 수정한다. 또 오차 $\delta_{p k}$와 정수 $\beta$와의 곱을 더하여 출력층 유니트 $k$의 오프셋 $\theta_{k}$를 수정한다.

$\omega_{k j}=\omega_{k j}+\alpha \cdot \delta_{p k} o_{p j}$

$\theta_{k}=\theta_{k}+\beta \cdot \delta_{pk}$

중간층 유니트 $j$의 오차 $\delta_{pj}$, 입력층 유니트 $i$의 출력 $o_{p j}$, 정수 $\alpha$와의 곱을 더하여 입력층 유니트와 중간층 유니트 $j$에 연결된 연결강도 $\omega_{ji}$를 수정한다. 또 오차 $\delta_{pj}$와 정수 $\beta$와의 곱을 더하여 중간층 유니트 $j$의 오프셋 $\theta_{j}$를 수정한다.

$\omega_{j i}=\omega_{j i}+\alpha \cdot \delta_{p j} o_{p i}$

$\theta_{j}=\theta_{j}+\beta \cdot \delta_{p j}$

3.2 분석 결과

모든 실험에 대한 인식율과 인식결과를 Sorting하여 이들 데이터를 학습에 필요한 Raw-Data로 활용하였다. 사용된 모든 Raw-Data는 1초 단위의 128 by 60 데이터를 취득하여 결과를 정리하였다. 이 과정에서 1초 데이터를 60번 인식하여 1초 데이터를 누적하여 1번 인식하는 것이 인식율이 높은 것으로 판단하였다.

저장된 파라메터들에 의하여 인식된 Major 결과들을 한꺼번에 볼 수 있도록 설계하였으며, 이에 대한 결과를 한번에 확인할 수 있도록 소프트웨어를 제작하였다. 그림. 8에 나타낸 바와 같이 이 소프트웨어에서 저장된 Raw-Data를 읽어 들여 파라메터를 추출하여 저장하고 인식 결과를 확인하도록 하였다.

저장된 Raw-Data로부터 파라메터를 추출하기 위한 프로그램을 통하여 별도 설계된 DB에 저장 되도록 하였다. 이를 한꺼번에 읽어 들일 수 있도록 프로그램 구조를 설계하였으며, 그림. 9에 파라메터 추출/저장된 결과를 읽어 들인 파일의 일부를 나타내었다.

인식에 사용된 방식은 Neural Network방식을 사용하여 인식하였다. 이 때 사용한 인식에 필요한 옵션을 표 1에 정리하였으며, MatLab.을 사용하여 제작되었다.

시행착오를 통하여 최적화 시킨 상기 옵션을 사용하여 학습을 시작하였다. 기본 에러는 0으로 입력, 히든, 출력층이 각각 1개씩으로 이루어진 Multi-layer를 이용하였다. 기본 학습 횟수는 1000으로 정하였으나, 아래 그림에 나타낸 바와 같이 521회의 학습을 거친 후에 수렴하고자 하는 RMSE에 도달하였다.

그림. 10과 그림. 11은 3가지 형태의 부분방전에 대한 패턴학습 결과와 패턴인식 결과를 나타내는 그림이다. 그림에서 알 수 있듯이 RMSE에 수렴을 하게 되면 자동적으로 Neural Network의 학습은 멈추게 된다. 그 결과가 화면상에 나타나게 되고 학습된 Weight는 파일로 저장되어 임의의 부분방전에 대한 패턴인식에 이용하게 된다^[6].

Input Layer 및 Output Layer를 제외한 Hidden Layer는 1단계 Layer로 설계되었으며 이에 따라 2개의 Weight Matrix가 알고리즘의 결과물로 추출된다. Input Layer는 PRPD로 얻어낸 24개의 파라메터로 사용하며, Output Layer는 결함의 종류인 3개로 구성되어 있다. 이를 그림. 12에 나타내었으며 보안상의 이유로 전체를 나타내지 않았다.

패턴인식 결과는 그림. 12처럼 도출된 행렬 형태의 뉴런 연결강도를 행렬 곱을 연산함으로서 개발 결함별 인식율을 출력한다. 그림. 11의 패턴인식 결과에 나타낸 바와 같이 임의의 결함이 type#1일 확률이 99.99%이고 type#2일 확률이 1.27%이며, type#3일 확률은 0.007%임을 나타내고 있다. 본 패턴인식에 이용된 결함은 실제로 type#1 결함이 이용되었으며, 이러한 결과에서와 같이 매우 높은 인식율을 나타내는 것을 확인할 수 있다.