2.1 지상개폐기 진단

지상개폐기는 지중배전선로의 단락 및 절체를 위해 사용되는 고전압 기기로써 선로가 연결되는 부싱부와 스위치부로 구성되어 있고, 사용되는 절연재의 종류에 따라 에폭시개폐기와 가스개폐기로 구분된다. 지상개폐기에서 발생하는 부분방전의 신호를 측정하기 위해 HFCT와 TEV 센서를 주로 사용하며 그림 1과 같이 HFCT는 지상개폐기의 중성접지에 탈부착 식으로 체결하여 사용하고, TEV는 금속으로 구성된 지상개폐기의 표면에 접촉하여 사용한다.

그림 1 부분방전 센서 부착 : (a) HFCT, (b) TEV 센서

Fig. 1 Sensor installation : (a) HFCT, (b) TEV sensor

그림 2 지상개폐기 부분방전 결함 검출 사례

Fig. 2 Examples of the PD Defects in the Load Break Switch

일반적으로 지상개폐기의 고장은 기계적 고장과 전기적 고장으로 분류할 수 있다. 그 중 전기적 고장은 고전압 부와 인접한 절연체에 대하여 기계적, 전기적, 열적 스트레스로 인해 열화가 발생하게 되고 결국 절연파괴로 파급될 수 있으며, 절연열화 발생 시 부분방전 신호가 발생하게 된다. 이에 따라 부분방전 신호의 감시는 절연열화 발생 여부를 판별할 수 있다. 가스 및 고체 절연물로 구성된 복합 절연물인 SF6 가스 절연 지상개폐기에서 발생 가능한 방전 유형은 플로팅방전, 표면방전, 코로나방전 그리고 보이드 방전이다. 일반적으로 방전을 유발하는 절연결함은 수㎛ 이내로 매우 작거나 해체 과정에서 소멸되어 육안으로 확인이 매우 어렵다. 그림 2는 육안확인이 가능하였던 부분방전 결함 적출 사례이다.

2.2 부분방전 전파특성

부분방전 펄스는 저주파부터 초고주파 주파수 성분까지 광대역 주파수 성분으로 구성되어 있다. 따라서 센서를 부분방전 발생원의 인접 부근에 설치하면, KHz 대역 뿐 만 아니라 GHz 대역에서도 부분방전 신호를 검출할 수 있다. 지상개폐기에서 부분방전이 발생하면 케이블 등을 통해 인접 설비로 전파하게 된다. 이때 케이블 길이 즉 전파경로가 길어질수록 신호의 고주파수 성분은 저주파수 성분보다 급격히 감쇠한다. 20MHz 이상의 신호는 100m만 전파해도 50% 이하로 크기가 감쇠하며, 수 MHz 이내의 저주파 신호는 1km가 넘어도 측정 가능하다⁽²⁾. 한편 케이블 거리에 따른 부분방전 감쇠 특성에 대해 현장 실측 데이터는 그다지 많지 않으나 대체로 케이블이 굵기가 굵어질수록 덜 감쇄되는 경향이 있으며 이는 케이블의 굵기가 굵어질수록 케이블의 임피던스가 달라지기 때문이다. 그림 3은 50MHz 주파수대역까지 측정 가능한 HFCT를 사용하여 22.9kV XLPE 케이블에 임의로 부분방전 신호를 주입하였을 때 케이블 길이에 따라 얼마나 감쇠하는지 측정한 그래프이다. 최초 0.8V 정도의 신호 크기가 4M 전파된 뒤 0.5V 정도로 약 37% 정도 감쇠되어 대체로 그림 3과 같은 결과를 보인다. 또한 전파길이가 짧더라도 펄스 크기뿐만 아니라 펄스의 폭과 같은 펄스 형상 역시 전파거리에 따라 미세하게 달라짐을 알 수 있다.

그림 3 전파길이에 따른 펄스의 형상 변화

Fig. 3 Pulse Shape Change according to Cable length

그림 4와 같이 부분방전의 전파가 용이한 수지상 형태인 지중배전선로에서 지상개폐기간 연결 케이블의 길이가 짧게는 5m부터 길게는 200m이고 고주파 성분은 접속재의 반도전층 등을 통과 시 급격히 감쇠함을 고려할 때 펄스 형상으로부터 신호를 구분할 수 있는 특징(특징 파라미터)을 추출하고 각 특징별로 구분 가능한 기준 값을 수치화 할 수 있다면 노이즈 구분 외에도 센서가 설치된 지상개폐기에서 발생한 부분방전 신호(진성 PD)와 인접설비로부터 유입된 부분방전 신호(유입 PD)를 정확하게 구분할 수 있고 진단 자동화 기법 구현도 가능하다.

그림 4 지상개폐기간 부분방전 신호의 전파 예

Fig. 4 Example of PD Transmission between Load Break Switches

2.3 신호의 특징 추출

부분방전과 간섭신호를 자동으로 분류하기 위해선 구분이 가능한 특징 파라미터를 선정하여야 한다. 이를 위해 실험실과 현장에서 HFCT를 이용하여 다양한 신호의 펄스를 계측하고 Pulse Shape Analysis(펄스 형상 분석)을 통해 신호 구분이 가능한 특징 파라미터를 선정한 후 각 파라미터별 데이터 수치를 추출하였다. 추출한 데이터 값들은 유전알고리즘 기반의 신경망 학습 데이터로 활용하였으며 이를 통해 자동 분류 기법을 개발하였다.

2.3.1 High Frequency Current Transformer

부분방전 신호는 고주파 성분과 저주파 성분이 혼재되어 있다. 따라서 판단 정확도를 높이기 위해선 고주파 주파수대역에서도 특징 파라미터를 추출하여야 한다. 이를 위해 300MHz까지 신호 검출이 가능한 HFCT를 제작하였다. HFCT의 신호 측정 원리는 접지 등의 도체에 흐르는 전류에 의해 유도되는 2차 전류를 측정하는 방식이다. 센서의 구조는 그림 5와 같이 고주파 페라이트 코어에 권선을 감아 측정시스템에 연결되고 전력시스템의 접지선은 코어의 중심을 관통한다. 코어 권선의 인덕턴스($\mathcal{L}$) 는 권선 수, 페라이트의 투자율과 단면적 그리고 자로 길이($l$)에 의하여 식 (1)과 같이 결정된다.

(1)

$\mathcal{L}=\dfrac{4\pi\mu_{o}n^{2}S}{l/\mu_{r}+l_{g}}\times 10^{-7}[H]$ ( $l_{g}$ : air gap 길이)

그림 5 부분방전 검출을 위한 HFCT

Fig. 5 HFCT for PD detection

제작한 HFCT는 그림 6과 같이 2.62∼482MHz(삽입손실 15dB 기준)의 주파수 대역을 가진다. 삽입손실은 90MHz에서 5.53dB의 손실을 가지며 200MHz 대역 이상에서는 평편도가 점진적으로 떨어지므로 센서의 검출 감도 역시 점차 떨어진다.

그림 6 제작한 HFCT의 동작주파수 범위

Fig. 6 Operating Frequency Band Width of the Manufactured HFCT

2.3.2 특징 파라미터 선정

일차적으로 부분방전 Pulse와 노이즈 Pulse의 형태적인 특징을 분석하여 두 신호를 분리할 수 있는 특징 파라미터를 선별하였다. 일반적으로 Pulse 형상은 이동거리에 따라 첫 상승부와 후반부 형상의 변형이 심하다. 또한 부분방전 Pulse와 노이즈 Pulse의 주파수적인 특징을 추출하여 두 신호를 분리할 수 있는 파라미터를 선별하였다. 선로를 따라 이동하는 Pulse의 변형은 시간영역에서의 변화보다 주파수영역에서 변화가 더 크게 나타난다. 주파수영역에서의 분석은 Pulse별로 FFT(Fast Fourier Transform)연산을 통해 Wave 형태의 신호를 주파수 형태로 변환한 뒤 특징 파라미터를 추출하였다.

Pulse Shape Analysis는 신호의 모양을 이용하여 특징을 분석하는 방법으로 신호를 분석하는데 사용된다. 일반적으로 알려진 부분방전 신호와 노이즈 신호의 가장 큰 차이점은 그림 7과 같이 $t_{1}$에서 $t_{2}$까지를 나타내는 신호의 발생 폭과 신호의 최대 Peak점인 $p_{1}$ 그리고 최소 Peak점인 $p_{2}$로 볼 수 있다⁽²⁾. 그리고 신호의 포인트가 시작되는 $t_{5}$와 0에서 벗어나는 시간에 해당하는 $t_{3}$,$t_{4}$시간 역시 특징 파라미터로 활용하였다.

그림 7 펄스 형태 특징 파라미터

Fig. 7 Feature Parameter of Pulse Shape in Time Domain

시간영역에서의 펄스의 형상으로부터 추출 가능한 신호의 무게 중심점 및 표준편차를 특징 파라미터로 선정하였다. 표준편차와 무게 중심점은 신호의 진폭과 관련된 특성으로 부분방전 신호와 노이즈 신호를 정량적으로 분류하는데 중요한 요소이다. 표준편차는 Pulse가 생성부터 소멸까지의 진폭에 대한 산술적 파라미터이며, 무게중심점은 Pulse의 외형에 대한 첨예도를 의미한다. 그림 8의 (a)는 시간영역에서의 부분방전 펄스이고 (b)는 노이즈 펄스이며 부분방전 펄스와 노이즈 펄스의 큰 차이점은 펄스의 지속시간이다. 이를 정량적으로 계산하기 위해 표준편차와 첨예도를 특징 파라미터로 사용하였다.

그림 8 표준편차 및 첨예도 비교 : (a) 부분방전, (b) 노이즈

Fig. 8 Standard Deviation & Center of Gravity : (a) PD, (b) Noise

(2)

$무게 중심점 =\dfrac{\sum_{i=0}^{N}t_{i}p_{i}(t_{i})^{2}}{\sum_{i=0}^{N}p_{i}(t_{i})^{2}}$

(3)

$시간 표준편차 =\dfrac{\sum_{i=0}^{N}(t_{i}-무게 중심점)p_{i}(t_{i})^{2}}{\sum_{i=0}^{N}p_{i}(t_{i})^{2}}$

여기서, 는 시간, 는 Pulse의 값 그리고 는 Pulse의 위치를 나타내며 여기서 계산 값은 시간영역에서의 무게중심점으로 볼 수 있다. 계산 값은 진단장비의 Gain 값과 Pulse의 크기에 따라 달라 질 수 있기 때문에 0부터 1까지의 범위에서 값을 가지는 정규화 과정을 적용하였다. 정규화 수식은 식 (4)와 같다.

(4)

$p_{i}=\dfrac{p_{n}-p_{\min}}{p_{\max}-p_{\min}}$

주파수 영역에서의 파라미터는 펄스 별로 FFT(Fast Fourier Transform) 연산을 수행한 후 그 면적을 계산하였다. 면적을 정량적으로 계산하기 위해 식 (5)의 Moving Average Filter를 적용하였다.

(5)

\begin{align*} \hat p_{i}=\dfrac{p_{(k-n+1)}+p_{(k-n+2)}+·····+p_{k}}{n}\\ \\ f_{area}\equiv\int_{0}^{t}\left | p_{i}\sin\omega t\right | \end{align*}

그림 9 펄스별 주파수영역 면적 산출 과정

Fig. 9 Area Calculation Process of FFT by Pulse

FFT 변환 후 식 (5)와 같은 방법으로 꼭짓점의 위치와 개수를 특징 파라미터로 사용함으로서 신호의 구분 정확도를 높였다.

일반적으로 부분방전 펄스는 고주파 성분을 포함하고 있으므로 주파수영역에서 분석을 하였을 때 2개 이상의 Peak점의 개수가 산출되며 노이즈의 경우, 단일 주파수를 중심으로 FFT가 형성되므로 Peak점의 개수가 1개로 산출된다.

표 2 특징 파라미터별 데이터 값의 범위

Table 2 Range of data values for each characteristic parameter

구분

Short Time division

Wide Time division

시간영역 해석

주파수영역 해석(FFT면적)

시간영역 해석

주파수영역 해석(FFT면적)

펄스 폭 (nS)

무게중심

표준편차

1area (dB·MHz)

2area (dB·MHz)

3area (dB·MHz)

펄스 폭 (nS)

무게중심

표준편차

1area (dB·MHz)

2area (dB·MHz)

3area (dB·MHz)

PD

< 0.03

> 1.5

> 0.05

> 9

> 20

> 30

< 0.004

> 1.8

> 0.07

3.0

> 8.5

> 16.0

간섭 신호

Noise

> 0.06

> 3.5

> 0.08

> 10

< 5

< 14

> 0.002

> 4.0

> 0.10

1.0

< 1.5

< 4.0

유입PD

> 0.01

> 1.0

> 0.06

> 6

≅ 18

> 20

> 0.006

> 1.4

> 0.08

2.0

≅ 10

> 12.0

(5)

\begin{align*} {if}(p_{i}\ge p_{i-1}) \enspace \text{&&} \enspace (p_{i}\ge p_{i+1})then PEAK = i \end{align*}

그림 10 꼭짓점 위치 및 개수 비교 : (a) 부분방전, (b) 노이즈

Fig. 10 Compare Location & numbers of Vertex : (a) PD, (b) Noise

2.4 특징 파라미터별 데이터 수집

신경망 학습에 필요한 특징 파라미터별 학습 데이터 수집을 위해 현장에서 발췌한 절연이상 지상개폐기들로 시험선로를 구축하였다. 현장에서는 Ultra TEV(EA社, 영국)를 이용하여 검출신호의 크기가 50dB이상인 경우 발췌대상으로 선정하였다. 선별된 지상개폐기들은 절연파괴 발생 시까지 지속적인 방전 데이터 수집을 위해 한전 고창시험센터 시험선로에 설치하여 24시간 가압하였으며 모니터링 시스템을 통해 시간 당 6회 방전신호를 계측하였다. 지상개폐기별 절연파괴 시점을 예측할 수 없으므로 절연파괴 시에도 다른 개폐기 시료에는 지속적인 전압이 인가되도록 그림 11과 같이 절연상태가 양호한 지상개폐기를 통해 현장 발췌 절연불량 지상개폐기에 병렬로 전압을 인가하였다.

시험선로는 주변에 송·배전 가공 시험선로가 있어 다양한 노이즈가 존재하므로 노이즈 데이터를 취득할 수 있으며 표 3와 같은 방식으로 지상개폐기의 스위치 조작을 통해 진성 PD와 유입 PD 발생 조건을 모의하여 신경망학습을 위한 특징 파라미터별 학습 데이터 수집하였다.

그림 11 지상개폐기 장기열화 시험선로

Fig. 11 Deterioration Test Bed for Load Break Switches

현장에서 발췌한 22대의 부분방전 발생 지상개폐기로부터 수집한 특징 파라미터별 데이터는 방대하여 간략화하여 표 2를 구성하였다. 표에서 보듯이 신호별로 특징 파라미터 데이터 값의 의 차이를 확인할 수 있었으며 자동신호구분 기법 개발을 위해 약 14,000개의 데이터를 신경망 학습에 적용하였다.

2.5 신경망 학습 (Neural Networks)

Neural Networks라고 불리는 신경회로망은 인간의 두뇌 신경 세포인 뉴런과 뇌 구조를 모방하여 만든 전자 회로망으로 인간의 사고방식을 갖는 알고리즘이라고 할 수 있다⁽⁵⁾. 최근에는 이미지 처리를 위한 Convolution Neural Networks, 음성인식을 위한 Recurrent Neural Networks 등 다양한 알고리즘이 개발되었다. 본 논문에서는 신호의 특징을 별도로 추출하고 학습하는 개념으로 기본적인 신경회로망 구조를 이용하였다.

2.5.1 신경회로망의 구조

신경회로망은 입력 층, 은닉 층 그리고 출력 층으로 구성되어 있다. 진성 부분방전, 유입 PD 그리고 노이즈 신호의 특징파라미터들을 입력으로 사용하고 이는 은닉 층의 함수를 통해 최종 출력 층까지 연산과정을 통해 전달된다.

그림 12 지상개폐기의 구조

Fig. 12 The Structure of Ground Switch

입력 층과 은닉 층은 가중 선형 결합(Weighted Linear Com- bination)으로 구성되어 있고, 은닉 층은 다음 출력 층의 입력이 되기 위해 시그모이드(Sigmoid) 함수로 구성하였다. 가중 선형 결합은 식 (6)과 같고, 시그모이드 함수는 식 (7)과 같다. 여기서 $i$는 입력, $n$은 입력의 수, $j$는 노드이고 $z$는 노드의 입력이다. 학습은 Back-Propagation을 이용하였다⁽³⁾.

(6)

$z_{j}= b_{j}+\sum_{i=1}^{n}w_{i,\:j}x_{i}$

(7)

$s(z)=\dfrac{1}{1+e^{-z}}$

2.5.2 유전자 알고리즘 (Genetic Algorithm)

유전자 알고리즘은 유전자의 개념을 이용하여 진화할수록 향상된 성능을 보여주는 최적화 알고리즘이다. 유전자 알고리즘은 일반적으로 선택(Selection), 교차(Crossover) 그리고 돌연변이(Mutation) 3가지로 구성되어 있다. 초기유전자는 무작위로 구성되고 3가지 구성 요소를 이용하여 유전자 조작 과정을 수행한다. 반복적인 조작 과정을 통해 최적의 해를 찾고 종료조건이 만족되면 유전자 알고리즘은 종료된다^(4-5). 본 논문에서는 신경회로망 입력 층에 사용된 신호의 특징들과 은닉 층의 노드수를 최적화 하였다.

표 4 유전자 알고리즘 범위

Table 4 Range of Genetic Algorithm

Number of Inputs	[2, 10]
Number of Nodes	[2, 20]
Crossover Probability	0.7
Mutation Probability	0.001

그림 13 유전알고리즘의 순서도

Fig. 13 Flow chart of Genetic Algorithm

2.6 현장 성능검증

그림 14와 같이 한국전력공사 설비진단처와 공동으로 현장 지상개폐기를 대상으로 진단 정확도를 비교검증 하였다. 비교검증은 개발한 자동신호구분기법으로 진단 후 설비진단처가 개폐기 조작과 함께 영국 EA社의 Ultra TEV plus 장비로 진단함으로써 진단결과 신뢰도를 확보하였다.

그림 14 현장 성능 검증 모습

Fig. 14 On-site Diagnosis Performance Verification

부분방전 진단 결과는 PRPD(Phase Resolved Partial Discharge) 패턴 그래프 표현 방식이 전 세계적으로 가장 널리 사용되고 있다. PRPD 패턴 분석 기법은 검출한 펄스를 누적하여 특정 부위에 형성된 군집의 모양으로 부분방전 발생 여부를 판단하는 방법이다. 따라서 본 논문에서도 진성 PD, 유입 PD 그리고 노이즈를 자동으로 분류한 결과를 PRPD 패턴으로 나타내었다. 분류 절차는 User Interface로 구현한 2가지 버튼을 누르면 색깔로 신호 분류 전 PRPD 패턴과 신호 분류 후 PRPD 패턴을 형성한다. 또한, 자동으로 외부 유입 PD과 진단 대상 지상개폐기 자체에서 발생한 진성 PD를 색깔로 구분함으로써 진단자의 역량과 상관없이 누구나 쉽게 부분방전 발생 여부 및 절연이상 개폐기를 적출할 수 있다. 그림 15는 진단을 시행한 40대의 지상개폐기 중 진성 PD를 검출한 사례이다. 검은색은 신호 구분 전 PRPD 패턴이다. 이를 통해서는 부분방전 존재 여부는 확인할 수 있으나 인접한 지중설비에서 발생한 부분방전 신호가 케이블 등을 통해 유입될 수 있으므로 검출된 부분방전 신호가 반드시 진단 중인 지상개폐기에서 발생하였다고 판정하기에는 난해하다. 하지만 본 개발기법은 그림 15의 (b)와 같이 노이즈는 검은색, 진성 PD는 붉은색, 유입 PD는 파랑색으로 자동표현 함으로써 진단자의 진단역량과 상관없이 진단 결과를 도출하였다. 총 40대의 지상개폐기를 대상으로 진단결과 진성 PD가 검출된 지상개폐기는 4대, 유입 PD가 검출된 지상개폐기는 14대, 노이즈만 검출된 지상개폐기는 22대로 판정하였으며 설비진단처와 결과 비교 시 39대(97.5%)의 진단결과가 일치하였다. 불일치한 1건의 결과는 인접한 변압기로부터 유입된 부분방전 신호를 오판한 것으로 향후 변압기 부분방전에 대한 특성 파라미터 학습을 통해 개선할 수 있을 것으로 판단된다.

그림 15 자동진단기법 적용결과 예

Fig. 15 Example of Automatic PD diagnosis Result