2.1 아크발생기를 포함한 배전반 시료 및 이상징후예지장치

실제 배전반 계통의 데이터를 확보하기 위해, 그림 3과 같이 생산/설치 중인 배전반의 실험 시료를 제작하고, 시험용 부하, 아크발생기(UL1699), CT/PT를 포함한 이상징후예지장치를 구성하였다. 그림 3의 우측 아크발생기로 다양한 형태의 아크결함을 발생시키고, 이상징후 예지장치를 통해 시계열 전류/전압 데이터(7.68K SPS)를 취합/기록하였다.

고가의 센서, 계측기 및 네트워크 없이, 배전반 일체형으로 적용하기 위해 CT/PT를 통한 전류/전압 아날로그 데이터를 최대 22K SPS의 시계열 디지털 데이터를 수집, 실시간 분석/.학습/탐지하는 이상징후예지장치를 개발하였으며, 이를 위해 2.3절에서 설명할 그림 12의 [인공지능 기반 실시간 아크탐지 시스템]이 탑재되었다. 이상징후예지장치는 배전반의 이상징후를 예지하기 위해 온도, 습도, 가스, 불꽃감지 센서가 내장되어있으며, 입력값에 대한 인공지능 예측을 통해 주의/경고 신호를 발생한다.

그림 3. 데이터 취득을 위한 배전반 실험 시료

Fig. 3. Experimental switchgear for data gathering

아크발생기에 아크차단기와 작은 부하를 설치하여 아크차단기가 동작하지 않는 작은 아크 현상을 실험하여 실제 화재 전 단계를 예지하여, 화재 초기 단계에 대한 대처가 아닌 화재를 미리 예방할 수 있는 AI 배전반을 목표로 한다.

그림 4의 첫 번째 그래프는 위에서 설명한 실제 배전반 실험 셋업에서, 배전반 main Bus Bar 위치에 설치된 CT/PT를 통해 들어온 아날로그 전류/전압 데이터를 이상징후예지장치에서 73만개(7.68K SPS)로 전처리 프로세싱된 디지털 시계열 전류 데이터로 아크 발생 부분인 빨간박스 영역에서 확연한 통계적 차이점을 확인할 수 있다. 그림 4의 두 번째 그래프에서는 아크가 발생한 중간 구간으로 정상 부하 상태와 다른 전류 특성을 확인할 수 있다. (그림 4의 X축은 7.68K SPS로 샘플링된 데이터 개수(시간)이며, Y축은 전류(mA)).

그림 4. 배전반 실험 시료에서 취합된 전류 파형

Fig. 4. Current waveform obtained from the experimental switchgear

2.2 시계열 데이터 확보를 위한 모델링/시뮬레이션

실제와 유사한 배전반 계통의 다양한 부하 및 노이즈에 대한 시계열 데이터를 확보하기 위해 Matlab/Simulink를 이용하였다. 시뮬레이션을 위해 그림 5처럼 발전기/3상교류전력, 변압기, BusBar/3상4선모델링, 차단기, 선형/비선형 부하, 전압/전류 측정부를 구성하였다. 아크 현상은 Cassie Arc Model을 사용하였으며^[4], 아크 차단기가 동작하지 않는(화재로 이어지기 전 상태) 작은 아크 현상 모델링을 위해 “Arc time constant“ =2.25e-4s, ”constant Arc v” = 50V, “conductance of the arc“ = 1.17e-4로 설정하였다.

그림 5. 배전반 계통 구성 및 시뮬레이션 시나리오

Fig. 5. Switchgear circuit and simulation scenario

배전반 및 전력 품질 요소에 의한 노이즈를 추가 하기 위해, 그림 6과 같이 External harmonics noise injection, Capacitor Bank Energizing, Transformer Energizing, Induction Motor, AC/DC converter를 모델링하고, 아크 모델을 상간, 상과 접지 사이에 인가하여 구성하였다. 각각의 전력 품질관련 노이즈가 발생하고 있는 상태에서 작은 아크 결함 노이즈가 인가되는 상황에 대한 시뮬레이션을 수행하였다.

그림 6. 배전계통/노이즈/고조파/아크현상 Matlab 모델링

Fig. 6. Matlab modeling for distribution,/noise/harmonics/arc

그림 7은 그림 6의 위상과 접지 사이와 상간의 아크 현상 모델링에 대해 시뮬레이션을 수행하며 아크 모델에서 전압과 전류를 측정한 데이터로 발생 후 전압 강하 및 파형 왜곡, 전류의 Shoulder 현상을 확인할 수 있다.

그림 7. 위상과 접지(좌측) 상간(우측) 아크 현상 전압/전류 파형

Fig. 7. Voltage/current waveforms for arc between ground vs phase (left) and between phases (right)

그림 8은 상과 접지 사이의 아크 현상에 대한 전압/전류의 TDD/THD, TFD 분석 결과이며, 초기 2초 동안 순차적으로 전력 품질에 영향을 주는 노이즈를 인가하고, 이후 2초 동안 아크 모델을 동작시킨 데이터이다. 아크 발생 전 보다 아크 발생 중 및 아크 발생 후 THD, TDD 지수가 증가했으며, 3차 고조파가 증가했음을 확인할 수 있다. (Y축의 Magnitude의 단위는 Ampere이며, 큰 그래프는 안쪽 작은 그래프의 확대)

그림 9는 상과 접지 사이의 아크 현상에 대한 전류 파형, 그림 10은 상간 아크 현상에 대한 전류 파형을 보여 주고 있다. 22.9kV와 380V 사이의 위상 차이는 교류(AC)가 변압기를 통과할 때 위상 변화 효과 때문이며, 특히 Δ-Y 변압기의 경우, 위상 변화는 일반적으로 30도가 된다. 변압기의 위상 변화 효과로 인해 22.9kV와 380V 파형은 위상 차이가 있다. 결론적으로, 이 위상 차이는 두 전압 레벨을 연결하는 변압기의 고유한 설계로 인한 것이다.

그림 9, 그림 10 각각에서의 전류 왜곡 현상이 확인되며, 이를 통해 시계열 전류 데이터를 이용한 Regressor, 1D-CNN, PCA anomaly detection 등의 인공지능 분석을 통해 아크 결함을 검출할 수 있음이 확인된다. (X축은 시간(초), Y축은 전류(A)) 그림 11은 상간 아크 현상에 대한 전압/전류의 TDD/THD, TFD 분석 결과이며, 초기 2초 동안 순차적으로 전력 품질에 영향을 주는 노이즈를 인가하고, 이후 2초 동안 아크 모델을 동작시킨 데이터이다. 전압 특성은 많이 변화를 보이지 않고, 전류 특성은 THD, TDD 지수가 증가하며, TFD 지수는 규칙에 따라 변하지 않았음을 확인했다. 아크 발생 전 보다 아크 발생 중 및 아크 발생 후 THD, TDD 지수가 증가했으며, 3차 고조파가 제일 특징적으로 변동했음을 확인할 수 있다.

그림 8. 상-접지 사이의 아크 전류에 대한 TDD/THD/TFD

Fig. 8. TDD/THD/TFD for arc current between phase-ground

그림 9. 상과 접지 아크 현상에 대한 전류 파형

Fig. 9. Current waveform caused by arc between phase and ground

그림 10. 상간 아크 현상에 대한 전류 파형

Fig. 10. Current waveform caused by arc between phases

그림 11. 상간 아크 전류에 대한 TDD/THD/TFD 분석

Fig. 11. TDD/THD/TFD analysis waveform for arc current between phases

2.3 인공지능 기반 실시간 아크 예측 시스템

배전반에 일체형으로 탑재될 수 있는 시스템(이상징후예지장치)에서, 아크 결함 예지, 기존 부하 특성과 달라진 전류 패턴 등의 화재/고장 예지 상황을 시계열 전류 데이터를 통해 실시간으로 학습/탐지할 수 있는 그림 12의 시스템을 개발/실험하고 어떤 방법론이 어떤 아크 결함 검출에 효과적인지 분석하였다.

배전반에 설치된 CT/PT로 전류/전압 데이터를 수신하여, 센서 프로세스에서 A/D 및 전처리를 수행하고, 기존부하 상황과 차이를 판별하기 위한 저장필터체인, 5가지 필터 체인과 앙상블 필터를 통해 아크 결함 현상 및 이상 탐지를 수행한다.

최초 입력은 CT/PT를 통한 아날로그 전류/전압 데이터이며, 센서 데이터 전처리를 통해 디지털 시계열 전류/전압 데이터로 변환하며, 출력은 이상탐지 신호(1,0)을 기본으로 하여 보조지표와 함께 종합적인 이상징후 주의/경고를 표출한다.

저장필터 체인은 시계열 데이터를 저장하기 위한 필터체인으로 저장된 데이터들은 신경망의 학습을 진행하고, 기존부하 상황과의 차이를 평가한다.

Regressor필터체인은 시/분/초/초 이하 4개의 실수값을 입력으로 받아 딥러닝의 Neural Network 및 Decision Tree로 설정시간 이전의 데이터를 학습하여 추론된 추정치를 통해 이전 데이터와 크게 차이 나는 부하 패턴을 찾기 위해 사용된다.

1-D CNN은 1차원 데이터에서 패턴을 찾는 딥러닝 모델로 아크 특징 패턴을 탐지하는 역할을 한다. 시계열 데이터로부터 패턴을 검출할 수 있는 신경망으로, 큰 차원의 입력 데이터에 대해 스스로 학습되는 다양한 필터로 패턴을 검출한다. Convolution과 Pooling 연산을 반복하면서 노이즈를 제거하고 얻어진 패턴의 feature를 마지막의 Dense 레이어에서 아크를 판별한다.

그림 12. 인공지능 기반 실시간 아크탐지 시스템

Fig. 12. AI-based real-time arc detection system

FFT필터체인은 주어진 windows 크기내 데이터를 FFT 변환하여 기본주파수(60Hz)의 고조파인 120Hz, 180Hz, 240Hz 출력값의 평균이 기본 주파수 대비 몇%인가를 기준으로 아크 결함을 검출한다.

고주파 필터체인은 주어진 windows 크기 내의 데이터를 분석하여, 일정 주파수 이하를 삭제하는 필터이며, 이 필터를 거치고 나면 데이터에서 고주파 성분만 남고, 해당 성분이 전체 윈도우 크기 내 몇 %인지 확인하여 아크를 추정한다. 또한 내부에 ZCP필터 체인을 포함한다. 이 필터 체인은 zero-crossing 지점들 간격의 표준편차로 측정하며, 아크 결함의 특징적인 숄더 패턴을 검출합니다. ZCP필터-임계치필터의 순서로 구성되어 있다.

최대값 필터체인은 주어진 windows 크기내 최대값이 이전과 동일 시간대의 최대값과 얼마나 차이가 나는가를 계산하며, 이를 통해 기준 시간 전과 크게 차이 나는 부하패턴을 찾아내서 아크 결함을 추정한다. 그리고 이 필터체인내에 RMS필터체인을 구성하여 해당 구간의 RMS값을 측정하여 아크 발생 시 확인되는 파형의 움직임을 검출할 수 있다. RMS필터-임계치필터의 순서로 구성된다.

앙상블필터는 다양한 필터체인들로부터 얻어진 아크 결함 판정 데이터를 앙상블하여 최종적으로 아크 결함 여부를 판정한다. 각 필터체인의 비중이나 앙상블 알고리즘은 조정가능하며, 기본적으로는 Soft voting을 통해 결론을 내린다.

이상탐지 컴포넌트는 이상징후예지장치에 부착된 온도, 습도, 불꽃, 가스 센서의 보조지표의 데이터에 대한 인공지능 예측을 하여 종합적인 아크 결함 추정 및 배전반의 이상징후에 대한 경고/주의를 이상징후예지장치의 디스플레이에 표출한다.