Journal of the Korea Academia-Industrial cooperation Society Vol. 14, No. 9 pp. 4455-4461, 2013 http://dx.doi.org/10.5762/kais.2013.14.9.4455 정교범 1*, 곽선근 2 1 홍익대학교전자전기공학과, 2 ( 주 ) 코맥스 Comparison of Artificial Neural Network for Partial Discharge Diagnosis Gyo-Bum Chung 1* and Sun-Geun Kwack 2 1 Dept. of Electronic & Electrical Engineering, Hongik University 2 COMMAX Co. Ltd, Seongnam-si, Gyeonggi-do 요약본논문은전력기기열화의주요한원인으로알려진부분방전의진단을위해널리사용되는인공신경망의계층구조및입력벡터의구성요소의변화에대한진단성능을검토한다. 은닉층이 1개또는 2개인인공신경망의계층구조변화에대한진단성능을비교하였으며, 입력벡터는세라믹커플러를이용하여한주기에 2048번샘플링한시계열신호를직접사용하는경우와특성벡터를추출하여사용하는경우를비교하였다. 침 평판, 구 구, 침 침, 평판 평판, 구 평판형태의 5가지전극조합의부분방전실험으로학습데이타를수집하고, 시뮬레이션연구를수행하여인공신경망의진단성능을평가하였다 Abstract This paper investigates the diagnosis performance of Artificial Neural Network (ANN) depending on the structure and the input vector type of ANN, which has been used to detect the partial discharge to lead to the electric machinery deterioration. The diagnosis performance of one hidden layer and two hidden layer in ANN are compared. The performance using the 2048 time-series data and the performance using the feature input vector are compared. For measuring the partial discharge signal, the tip-to-plate, the sphere-to-sphere, the tip-to-tip, the tip-to-sphere and the sphere-to-plate electrodes are used respectively. For ANN's learning, Matlab and C-code program are used. For evaluating the diagnosis performance of ANNs, the simulation studies are performed. Key Words : Artificial Neural Network, Feature Vector, Hidden Layer, Partial Discharge, Time Series Data 1. 서론 산업화및정보화로인해수요가증가한대용량전력기기의신뢰도향상을위한고장예방은매우중요한문제이다. 대용량전력기기내부의열화현상은, 절연체와같은구성요소에열변화를발생시켜, 신뢰도저감의원인이된다. 따라서전력기기개발과정에는, 설계단계에서부터 FEM을이용한열해석연구와같은열발생최소화대책이도모되어져왔다 [1]. 그러나불규칙한부하용량, 부하편중에의한가열현상및외부환경에의한열화와 같이다양하고예측하기어려운요인에의해열화가진행되므로, 전력기기는사용연한이증가하면신뢰성확보를위해일정주기마다규칙적인점검을필요로한다. 전력기기의열화예방을위한진단기법은전기적, 기계적, 화학적진단기법및진단기준에대한연구가수행되었다 [2-4]. 전기적진단기법인부분방전측정법은다른진단기법과비교하여검출신호에노이즈가많을경우에는부분방전신호의검출이어렵다는단점에도불구하고전력기기의운전을중단하지않고실시간진단을실시할수있는 * Corresponding Author : Gyo-Bum Chung(Hongik Univ.) Tel: +82-44-860-2595 email: gbchung@hongik.ac.kr Received June 4, 2013 Revised (1st July 17, 2013, 2nd August 26, 2013) Accepted September 6, 2013 4455
한국산학기술학회논문지제 14 권제 9 호, 2013 장점이있어몰드변압기의상태감시에많이사용된다 [5]. 부분방전신호를측정하기위해서세라믹커플러, 용량성안테나, 초음파센서와같은센서개발연구와검출된신호를이용하여 FFT 분석 [6], 시계열분석, 전문가시스템 [8], 신경망, 써포트벡터머신 [9] 등의신호처리기법의영역에서많은연구가수행되어져왔다. 또한, IEC 60270 과 KSC3700과같은부분방전시험과관련된표준이완성되었다. 그러나, 대용량전력기기의열화진단은실시간 On-line 진단을시행하기어렵고, 열화가환경에따라급속히진행되는경우의진단에는아직도어려운문제점이많이있다 [10-12]. 검출된부분방전신호로부터결함의원인을분석하는것은많은경험과높은전문성을요구하고, 전력기기내부의신호전달특성및센서특성에의해서왜곡된검출신호는방전원인진단에오류가발생할가능성이있어서, 방전신호패턴으로부터방전의원인을자동으로분석해주는인공지능진단기법의연구가수행되고있다 [13,14]. 본논문은부분방전진단에많이사용되는인공신경망의구조및입력벡터의특성이인공신경망의진단성능에미치는영향을연구한다. 인공신경망의학습은오류역전파알고리즘을채택하였고, 입력벡터는한주기에 2048 번샘플링한시계열데이터를사용하는경우와특성벡터를추출하여사용하는경우의인공신경망진단성능을비교하였다. 은닉층이 1개인경우와 2개인경우의인공신경망의계층구조변화에대한진단성능을비교하였다. 진단성능을비교하기위해서학습되지않은패턴에대한성공률을제시하였다. 2. 인공신경망의구조 Fig. 1은정량화하기어려운문제의해결을위해학습된퍼셉트론이다층으로구성된일반적인인공신경망이다. 다층구조인공신경망의학습을위해식 (1)-(5) 에기술된평균제곱오차성능지표의최적화를위해최급강하법및가중치갱신을위해역전파알고리즘이일반적으로사용된다 [15]. (1) (2) (3) (4) (5) 여기서, 식 (1) 의 F는평균제곱오차성능지표, t는목표값, a는뉴런의출력, 식 (2) 의 W는가중치, s는입력에대한성능지표의감도, α는학습률, k는가중치계산반복횟수, m은다층신경망의층번호, 식 (3) 의 f는뉴런의전달함수, b는바이어스이다. 인공신경망의뉴런수 (m 또는 n), 다층구조및입력특성벡터 p의구성요소선정은인공신경망의수렴성능을결정하는핵심사항이다. 입력층과출력층으로구성된단층구조신경망은판정경계선이선형이어서 XOR 형태의문제점을구별할수없는단점이있다. 그러나, 2층구조신경망은오목한 (concave) 또는볼록한 (convex) 모양의최종판정경계선을가질수있고, 3층구조신경망의최종판정경계선은임의의형태를가질수있다 [15]. 본논문에서는정량화하기어려운부분방전진단을위해서 2층구조신경망및 3층구조신경망의진단성능을비교한다. 또한, 입력벡터로시계열데이터를사용한경우와특성벡터를추출하여사용한경우의진단성능도비교하여검토한다. 3. 부분방전학습용 DB 구축 3.1 실험구성 신경망의부분방전진단을위한학습데이타취득을위해서 Fig. 2와같은부분방전모의를위한실험장치를구성하였다 [16]. [Fig. 1] Multi-layer Artificial Neural Network 4456
구간에서 1kV씩증가시키는 8단계의조합으로 120개의변화된조건에서 2회실험을진행하였다. 절연파괴현상이발생한경우를제외한 189개의학습용데이타를취득하였으며, Fig. 4는측정한부분방전신호의일례이다. [Fig. 2] Circuit diagram to measure the partial discharge signal [Fig. 4] Partial discharge signals of the tip-to-tip electrode by the applied voltages of 3, 5 and 7kV. (a) (c) (b) (d) 3.2 인공신경망입력벡터기본파전력성분, 고조파, 부분방전신호, 노이즈등이포함된측정신호로부터인공신경망학습을위한입력벡터의추출은신경망의진단성능을결정짓는중요한요소이며, 신경망연산속도및연산량에많은영향을미친다. 입력벡터가학습대상의특성을명확히나타내고, 벡터구성요소의갯수가작다면, 연산량의감소와판정의정확도를동시에달성할수있다. 본논문은입력벡터의특성과인공신경망진단성능의변화를파악하기위해서, 한주기에 2048번샘플링한데이터에서기본파성분을제거한시계열데이터를사용하는경우와특성벡터만을추출하여입력벡터로사용하는경우의인공신경망진단성능을비교하였다. (e) [Fig. 3] Electrodes for measuring the partial discharge signal. (a) sphere-to-sphere, (b) sphere-to-plate, (c) tip-to-sphere, (d) tip-to-tip, (e) tip-to-plate Fig. 3은부분방전발생장치에사용된전극의구성이다. 전극모양은침형, 판형, 구형의 3가지이며, 구-구, 구- 판, 침-구, 침-침, 침-판의 5가지전극조합으로부분방전실험을수행하였다. 각각의전극조합에대해서, 전극간격은 1mm, 3mm, 5mm의 3 단계, 인가전압은 0kV ~ 7kV 3.2.1 시계열데이터입력실험을통해취득한기본파한주기에 2048번샘플링한데이터를, 고역통과 FIR필터를사용하여기본파주파수를제거하고인공신경망입력으로사용하는구조이다. 부분방전의위상특성이 2048개입력벡터에포함되어있으므로, 0~90, 180~270 에서주로발생하는부분방전신호의특징판별에유용하다. 3.2.2 특성벡터입력실험을통해취득한기본파한주기에 2048번샘플링한데이터를, 고역통과 FIR필터를사용하여처리한후에기본파전체구간및 0~90, 90~180, 180~270, 270~360 로세분화된 4개구간에서평균값 / 최댓값의비율로구성된 5개특성값을신경망의입력벡터로사용하였다. 입력데이타갯수가작아서연산횟수가작은장점이있다. 4457
한국산학기술학회논문지제 14 권제 9 호, 2013 4. 시뮬레이션연구 신경망의부분방전진단특성의비교를위해서 189개의학습용패턴, Matlab 및 C-program을이용하여시뮬레이션연구를수행하였다 [15,16]. 실험을통해얻어진학습용패턴은부분방전특징을보이는신호의크기에따라, 식 (1) 의목표값 t를 0.05, 0.6, 0.7, 0.8, 0.9로설정하였다. 4.1 시계열데이타를사용한경우 Fig. 5는은닉층이 1개이고, Fig. 6은은닉층이 2개이며, 한주기에 2048개의시계열데이터를입력벡터로사용하는인공신경망이다. 은닉층 1단의뉴런은 16개또는 32개, 은닉층 2단의뉴런은 4개이다. 시계열데이타의위상 0 ~90 를의미하는 0~512번째데이터와 180 ~270 를의미하는 1024~1536번째데이터는부분방전신호를포함하고있을확률이높기때문에신경망가중치 W의초기값을크게인가하고, 다른위상영역의신호는부분방전신호가포함되어있을확률이낮기때문에신경망가중치의초기값을작게인가하여학습을진행하였다. 학습의진행횟수는신경망연결강도의초기값에영향을받으며, 역전파알고리즘의특성으로지역최소값으로수렴하여학습에실패할수도있다. 학습횟수가증가하여도목표값에도달하지않거나학습을진행하여도오차에변화가없을경우는학습율 [α] 과가중치 [W], 바이어스 [B] 등을변경하였다. Table 1은시계열데이터를사용한 4가지인공신경망의최종학습결과를나타낸표이다. 은닉층 1단에뉴런 16개, 은닉층 2단에뉴런 4개인 (16,4) 신경망구조에서목표값대비평균제곱오차가 30% 이상인패턴은 189개의학습데이터에서 1개이고, 1단은닉층 (32) 구조에서오차율 50% 이상인패턴은 189개의학습데이터에서 1개이다. [Table 1] Learning results of ANN using time-series data ANN Structure One Hidden Layer Two Hidden 30% 50% (16) 0/189 0/189 (32) 0/189 1/189 (16,4) 1/189 0/189 (32,4) 0/189 0/189 4.2 특성벡터를사용한경우 Fig. 7은은닉층이 1개이고, Fig. 8은은닉층이 2개이며, 입력벡터로 5개요소로구성된특성벡터를사용하는인공신경망이다. 진단성능의비교를위해서시계열데이타를사용한경우와동일하게은닉층 1단의뉴런은 16개또는 32개, 은닉층 2단의뉴런은 4개를사용하였다. [Fig. 5] One hidden layer ANN using time-series data. [Fig. 7] One hidden layer ANN using feature vector [Fig. 6] Two hidden layer ANN using time-series data. 4458
5.1 2048 개시계열데이타 Table 3은 2048개의시계열데이터를입력벡터로사용하는 4가지인공신경망의진단결과이다. [Table 3] Performance of ANN using Time-series data [Fig. 8] Two hidden layer ANN using feature vector Table 2는특성벡터를사용한 4가지인공신경망의최종학습결과를나타낸표이다. 189개의학습데이터에서 1단은닉층 (32) 구조에서목표값대비평균제곱오차가 30% 이상인패턴은 3개, 50% 이상인패턴은 1개이고, 2단은닉층 (16,4) 구조에서평균제곱오차가 30% 이상인패턴은 2개, 50% 이상인패턴은 3개이다. [Table 2] Learning results of ANN using feature vector ANN Structure One Hidden Layer Two Hidden 30% 50% (16) 0/189 0/189 (32) 3/189 1/189 (16,4) 0/189 0/189 (32,4) 2/189 3/189 Table 2의결과는 Table 1의시계열데이터인공신경망과비교하여, 1단은닉층에 32개의뉴런을갖는 1단은닉층구조와 2단은닉층구조의특성벡터인공신경망은평균제곱오차가크게발생하는학습데이터가많이발생하여, 진단신뢰성이상대적으로낮음을알수있다. 5. 실험및인공신경망성능 구-구, 구-판, 침-구, 침-침, 침-판의 5가지전극조합을사용하여취득한데이타를이용하여학습된인공신경망의진단성능은추가실험을통해취득한 100개의새로운패턴을이용하여평가하였다. 100개의패턴은학습에사용된 189개의데이터와동일한실험조건에서얻어진데이터이며절연파괴현상이발생하지않은데이터로이루어져있다. Number of Hidden One Two of 10% of 30% of 50% (16) 1/100 0/100 0/100 (32) 27/100 0/100 0/100 (16,4) 22/100 0/100 0/100 (32,4) 0/100 0/100 0/100 성능검증용데이터 100개에대해서식 (1) 의목표값 t 를 0.05, 0.6, 0.7, 0.8, 0.9로설정하였고, 목표값대비평균제곱오차성능지표 F(x) 가 30% 이상인경우는발생하지않았다. 그러나, 검증용패턴 100개에대해서오차율이 10~20% 인경우는 1단은닉층 (16) 에서 1개, 1단은닉층 (32) 에서 27개, 2단은닉층 (16,4) 에서 22개가발생하였다. 2단은닉층 (32,4) 구조에서는진단오차가발생하지않았다. 시계열데이터신경망구조는 10% 대의오차를발생함으로, 부분방전발생유무를판단할수있다고평가할수있다. 5.2 특성벡터를사용한경우 Table 4는특성벡터를입력벡터로사용하는 4가지인공신경망의진단결과이다. [Table 4] Performance of ANN using feature vector Number of Hidden One Two of 10% of 30% of 50% (16) 22/100 4/100 0/100 (32) 24/100 3/100 0/100 (16,4) 23/100 3/100 0/100 (32,4) 36/100 4/100 2/100 시계열데이터를사용하는경우와동일하게식 (1) 의목표값 t를 0.05, 0.6, 0.7, 0.8, 0.9로설정하였다. 검증용패턴 100개에대해서목표값대비평균제곱오차성능지표 F(x) 가 10% 및 30% 인경우는모든구조에서발생하였고, 50% 이상인경우도 2단은닉층 (32,4) 에서 2개발생하였다. 전체적인성능검증결과는시계열데이터에비해 4459
한국산학기술학회논문지제 14 권제 9 호, 2013 정확성이떨어진다. 5.3 시계열입력단구조변경시계열데이터인공신경망구조는특성벡터신경망구조보다진단성능이우수하지만특성벡터신경망에비해많은연산횟수가필요하다. 따라서시계열데이터인공신경망구조의연산횟수를줄이고진단성능은유지할필요가있다. Fig. 9는본논문에서제안한최적인경신경망구조로서연산횟수를줄이기위해서시계열데이터에서입력벡터와첫번째은닉층의연결노드를변형한인공신경망이다. 부분방전신호가 0 90, 180 270 위상구간에서주로발생하는특징을고려하여시계열데이타를 64개씩묶어서 1단은닉층의 32개뉴런에연결하여위상영역정보를유지하였다. 하지않았다. 따라서 Fig. 5 및 6의시계열데이터인공신경망에비해적은연산횟수로개선된진단성능을보인다. 6. 결론 본논문은인공신경망을이용한부분방전의진단성능을향상시키기위해서, 신경망구조및입력벡터의특성과진단성능의관계를검토하였다. 신경망의학습을위한 DB 구축을위해다양한형상의전극조합을이용하여부분방전신호를검출하였다. 한주기에 2048번샘플한시계열신호로구성된입력벡터와기본파의전체구간및 0~90, 90~180, 180~270, 270~360 로세분화된 4개구간에서평균값 / 최댓값의비율로구성된 5개특성값으로구성된입력벡터를사용하는경우의인공신경망진단성능을비교하였다. 그리고, 은닉층의갯수및각층의뉴런수를변경한인공신경망의진단성능을비교하였다. 그결과, 진단성능은인공신경망의구조및입력벡터의구성요소에영향을받음을확인하였고, 2048개의시계열입력벡터를 32개구간으로나누어입력하는구조의인공신경망이다른구조의인공신경망보다우수함을검증하였다. References [Fig. 9] Modified ANN with two hidden layer using Time-series data [Table 5] Performance of modified ANN with two hidden layer using Time-series data Two Hidden Structure (32,4) of 10% of 30% of 50% 0/189 0/189 0/189 0/100 0/100 0/100 Table 5는 Fig. 9의시계열데이터를사용한 2단은닉층구조의변형된신경망의학습결과및진단결과이다. 학습에사용된 189개의부분방전데이터에서목표값대비평균제곱오차가 10% 이상의데이터는발생하지않았으며, 성능검증용데이터 100개에대해서도목표값대비평균제곱오차성능지표 F(x) 가 10% 이상인경우는발생 [1] Hyun-Jin Lee, Jung-Il Jeong, Chang-Su Huh, Han-Goo Cho, Analysis on Thermal Transfer Characteristics of 50 kva Mold-Transformer, Journal of the Korea institute of Illuminating and Electrical Installation Engineers Vol.16, No.3 pp.47-54 May, 2002 DOI: http://dx.doi.org/10.5207/jieie.2002.16.3.047 [2] M. Darveniza, T.K. Saha, D.J.T. Hill, T.T. Le, Investigations into effective methods for assessing the condition of insulation in aged power transformers, IEEE Trans. on Power Delivery, Vol. 13, No. 4, pp. 1214-1223, October, 1998. DOI: http://dx.doi.org/10.1109/61.714487 [3] Tapan K. Saha, Review of Modern Diagnostic Techniques for Assessing Insulation Condition in Aged Transformers, IEEE trans on Dielectrics and Electrical Insulation, Vol. 10, No. 5, pp. 903-917, October 2003. DOI: http://dx.doi.org/10.1109/tdei.2003.1237337 [4] Dong-Jin Kweon, Kyo-Sun Koo, Joo-Sik Kwak, Jung-Wook Woo, Yeon-Woog Kang, Establishment of Diagnostic Criteria in the Preventive Diagnostic System 4460
for the Power Transformer The Trans. of KIEE,Vol. 54A. No 9. pp 449~456. SEP 2005 [5] Kim Doyoon, Jung Hosung, Park Young, Han Seokyoun, Lee Sang Bin, A case study of condition monitoring for mold transformers on urban railway transit, The Korean Society for Railway, Proceedings of Autumn Annual Conference,, pp. 235-240, Novemver, 2008. [6] Bong-Keun Oh, Hyun-Il Kim, Seong-Hwa Kang, Hee-Joe Lim, Analysis and Test of On-line and Off-line PD Testing for High Voltage Ritating Machines Stator Windings using Ceramic Coupler, Journal of the Korea Institute of Electrical & Electronic Material Engineers, Vol.20, No.10 pp.895~900 October 2007 DOI: http://dx.doi.org/10.4313/jkem.2007.20.10.895 [7] Young-Ki Chung, Jong-Wook Jung, Jae-Chul Kim, Hee-Ro Kwak, FFT and AR Coefficient Analysis of Vibration Signal in Mold Transformer, Journal of the Korea institute of Illuminating and Electrical Installation Engineers, Vol. 12, No. 4, pp.136-145, 1998.11. [8] Jong-Fil Moon, Jae-Chul Kim, Tae-Hoon Im, Development of the Expert System for Diagnosing Silicone Oil-filled Transformer, Journal of the korean institute of llluminating and Electrical installation Engineers Vol, 18.No 2,pp. 55~62 March 2004 [9] Dae-Jong Lee, Jong-Pil Lee, Pyeong-Shik Ji, Jae-Yoon Lim, Fault Diagnosis of Power Transformer Using Support Vector Machine, Journal of the korean institute of llluminating and Electrical installation Engineers Vol, 23. No 2, pp. 62-69, February 2009 [10] E. Howells, E. T. Norton "Detection of Partial Discharges in Transformers using Acoustic Emission Techniques" IEEE Transformers on Power Apparatus and Systems, Vol. PAS-97 No 5, Sept/Oct 1978 DOI: http://dx.doi.org/10.1109/tpas.1978.354646 [11] D.S. Kang, J.H. Sun, K.H. Cho...S.M. Lee, Y.H. Yun., Development of Partial Discharge Measuring Sensor and System for Mold Transformer, KIEE Proceedings of Fall Conference for Electrical Installation Committee, pp. 99-102, Novemberm 2005. [12] Chan-Yong Park, Sung-Wook Kim, Jae-Sung Choi, Dae-Won Park, Gyung-Suk Kil, Comparison Analysis of Partial Discharge Detection Methods in Cast Resin Dry Type Transformers, KIIEE Proceedings of Autumn Annual Conference, pp 301-306, Octorber 2008. [13] June-Ho Lee, Chin-Woo Yi, Recognition of Partial Discharge, Journal of the Korea institute of Illuminating and Electrical Installation Engineers Vol.14, No.2 pp.8-17 March, 2000. [14] Ho-Keun Lee, Jeong-Tae Kim, Comparative Study on Neural Network Algorithms for Partial Discharge Pattern Recognition, KIEE Proceedings of Spring Conference for Electrical Installation Committee, pp.109-112, May, 2005. [15] Martin T. Hagan, Howard B. Bemuth, Mark H. Beale (translated by Byun Younshik et al.), Neural Network Design,, ISBN 9788956674452, Intervision Publishing, Korea, 2008. [16] Hyeong-Taek Jang, Sun-Geun Kwack, Pan-Seok Shin, Chang-Eob Kim, Gyo-Bum Chung, Investigation of Simulation and Measuring Algorithm of Partial Discharge for Diagnosis of Electric Machinery Deterioration, Journal of the Korean Institute of IIIuminating and Electrical Installation Engineers, Vol.25 Np.8, pp. 30~ 38, August, 2011. DOI: http://dx.doi.org/10.5207/jieie.2011.25.8.030 정교범 (Gyo-Bum Chung) [ 정회원 ] 1983년 2월 : 서울대학교전기공학과졸업 ( 학사 ) 1985년 2월 : 서울대학교대학원전기공학과졸업 ( 석사 ) 1992년 5월 : University of Florida 졸업 ( 박사 ) 1992년 6월 ~ 1993년 6월 : Virginia Tech (Post Doc.) 1993년 9월 ~ 1995년 1월 : 한국전기연구소선임연구원 1995년 3월 ~ 현재 : 홍익대학교전자전기공학과교수 < 관심분야 > 전력전자, 전력품질, 인공신경망, 퍼지제어, 신재생에너지 곽선근 (Sun-Geun Kwack) [ 정회원 ] < 관심분야 > 전력품질, 인공신경망 2009 년 2 월 : 홍익대학교대학원전기공학과졸업 ( 석사 ) 2004 년 9 월 ~ 2006 년 3 월 : 피에스디테크근무 2006 년 4 월 ~ 2008 년 2 월 : 마이크로파워근무 2009 년 9 월 ~ 현재 : COMMAX 부설연구소선임연구원 4461