이혜선
(Hye-Seon Lee)
†iD
이병성
(Byung-Sung Lee)
1iD
오기대
(Gi-Dae Oh)
1iD
김용하
(Yong-Ha Kim)
2iD
-
(Smart Power Distribution Laboratory, KEPRI, KOREA, E-mail:bysung@kepco.co.kr, https://orcid.org/0000-0003-2328-9727)
-
(Incheon National Univ., Korea, E-mail:yhkimsjb@naver.com)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Survival Analysis, AMS, Health Index, Asset Management System, lifespan
1. 서 론
건강 검진을 통해 신체에 대한 상태를 진단하고, 이에 따라 건강상태 유지 혹은 치유를 하듯이 전력설비도 다양한 점검을 통해 상태판정 및 조치를 시행한다.
이를 ‘자산 건전도 평가’라고 하며, 평가를 위한 항목을 ‘자산건전도 지수(Health Index)'라고 한다. CIGRE 기술문서에 정의되어있는
건전도 지수의 정의는 표 1과 같다.(1-3)
표 1 CIGRE 건전도 지수 정의
Table 1 Health Index Definition in CIGRE
|
Tech. Brochure
|
Health Index Definition
|
|
TB309
|
To develop an understanding of the overall condition of the asset base and the effect
of ageing on the ability of equipment to perform its intended function, many utilities
have begun to develop and apply indicators, which are representative of asset condition
|
|
TB422
|
Health Index is one single overall indicator of the condition of an asset
|
|
TB541
|
The Health Index is an indicator of the asset's overall health and is typically given
in terms of percentage
|
국내에서도 전력설비의 자산건전도 평가를 통해 전력설비 유지보수를 시행하고 있다. 특히, 배전의 경우 대상 설비가 매우 광범위하며, 배전 변압기, 차단기
등 다수의 배전용 전력설비에 대한 진단 및 운영 데이터 확보가 어렵고, 배전용 전력 설비에 대한 고가의 진단 시스템을 적용하기 어렵다.(4) 그렇기 때문에 국내외적으로 송변전용 전력설비에 대한 설비 건전도 평가 연구가 다수 진행되고 있다. (5-8) 본 논문에서는 이러한 한계를 극복하고자, 배전설비의 자산건전도 평가표 구성을 효율적으로 구현하기 위한 방법을 연구하였다. 해외 자산건전도 평가 방식을
비교한 후, 국내 배전설비 데이터 실정에 적합한 생존분석 이론을 접목하여 생존분석 기반의 자산건전도 평가표 구성방안을 제안한다.
2. 본 론
2.1 해외 자산건전도 평가표 구성 방식
2.1.1 DNV GL
DNV GL에서는 변압기 건전도 평가 방식으로 통계데이터와 상태 데이터, 운영데이터를 입력으로 받아 각 데이터별 잔존수명을 출력물로 생산한다. 이를
활용하여 가중치 합산 방식을 사용하지 않고 Folding Function을 이용하여 최소 산출된 잔존수명을 선택하여 건전도 지수를 제시하는 방식이다.
(9) 그림 9는 DNV GL의 건전도 평가 방식을 도식화한 모습이다.
그림 1 DNV GL 건전도 평가 방식
Fig. 1 High level design of the DNV GL health index
2.1.1 Kinetrics
Kinetrics에서는 가중치합 방식을 사용하고 있으며, 전력용 변압기의 DGA(Dissolved Gas Analysis), 역률, 부하율 등의 데이터를
활용하여 건전도 점수를 산정한다. Very Poor, Poor, Fair, Good, Very Good 다섯 개의 단계로 건전도 상태를 구분하여 예상
잔존수명표를 제공함으로써 전력용 변압기의 유지보수를 시행한다. 식 1은 Kinetrics에서 사용중인 HI 점수산정 방식이며 표 2는 식과 관련된 평가항목, 평가가중치 등을 나타낸다. 표 3은 Kinetrics 건전도 지수 등급 및 기대수명을 나타낸다.(10)
표 2 Kinetrics 평가항목, 가중치
Table 2 Health Index Features of Kinetrics
|
|
Transformer Condition Criteria
|
K
|
Condition Rating
|
HIF
|
|
1
|
DGA
|
10
|
A,B,C,D,E
|
4,3,2,1,0
|
|
2
|
Load History
|
10
|
A,B,C,D,E
|
4,3,2,1,0
|
|
3
|
Power Factor
|
10
|
A,B,C,D,E
|
4,3,2,1,0
|
|
4
|
Infra-red
|
10
|
A,B,C,D,E
|
4,3,2,1,0
|
|
5
|
Oil Quality
|
8
|
A,B,C,D,E
|
4,3,2,1,0
|
|
6
|
Overall Condition
|
6
|
A,B,C,D,E
|
4,3,2,1,0
|
|
7
|
Furan or Age
|
6
|
A,B,C,D,E
|
4,3,2,1,0
|
|
8
|
Bushing Condition
|
5
|
A,B,C,D,E
|
4,3,2,1,0
|
|
9
|
Main Tank Corrosion
|
2
|
A,B,C,D,E
|
4,3,2,1,0
|
|
10
|
Cooling Equipment
|
2
|
A,B,C,D,E
|
4,3,2,1,0
|
|
11
|
Oil Tank Corrosion
|
1
|
A,B,C,D,E
|
4,3,2,1,0
|
|
12
|
Foundation
|
1
|
A,B,C,D,E
|
4,3,2,1,0
|
|
13
|
Grounding
|
1
|
A,B,C,D,E
|
4,3,2,1,0
|
|
14
|
Gaskets, seals
|
1
|
A,B,C,D,E
|
4,3,2,1,0
|
|
15
|
Connectors
|
1
|
A,B,C,D,E
|
4,3,2,1,0
|
|
16
|
Oil Leaks
|
1
|
A,B,C,D,E
|
4,3,2,1,0
|
|
17
|
Oil Level
|
1
|
A,B,C,D,E
|
4,3,2,1,0
|
|
18
|
DGA of LTC
|
6
|
A,B,C,D,E
|
4,3,2,1,0
|
|
19
|
LTC Oil Quality
|
3
|
A,B,C,D,E
|
4,3,2,1,0
|
|
20
|
Overall LTC Condition
|
2
|
A,B,C,D,E
|
4,3,2,1,0
|
표 3 Kinetrics 건전도 지수 등급 및 기대수명
Table 3 Health Index Grade and Expected Lifetime of Kinetrics
|
HI
|
Condition
|
Expected Lifetime
|
Requirements
|
|
85-100
|
Very Good
|
More than 15 years
|
Normal maintenance
|
|
70-85
|
Good
|
More than 10 years
|
Normal maintenance
|
|
50-70
|
Fair
|
From 3-10 years
|
Increase diagnostic testing, possible remedial work or replacement needed depending
on criticality
|
|
30-50
|
Poor
|
Less than 3 years
|
Start planning process to replace or rebuild considering risk and consequences of
failure
|
|
0-30
|
Very Poor
|
Near to the end of life
|
Immediately assess risk;replace or rebuild based on assessment
|
2.1.3 해외 사례 고찰
해외에서는 송변전용 전력설비를 대상으로 자산건전도 평가를 수행하고 있다. 배전설비 운영데이터에는 상세한 진단결과값이 없으므로, DNV GL의 방식처럼
각 항목별 잔존수명을 비교한다거나 Kinetrics방식처럼 다양한 인자를 반영한 가중치 합산의 방식을 적용할 수 없다. 따라서 본 논문에서는 배전
운영데이터을 활용한 생존분석기반의 자산건전도 평가 방법을 개발하였다.
2.3 생존분석 이론
생존분석이란 관찰 집단에서 특정한 이벤트가 발생하기까지의 시간에 대하여 분석하는 통계학의 분야이다. (11) 이벤트가 종료될 때 대상자에게서 이벤트가 발생하지 않은 중도절단 데이터를 포함하여 통계 분석할수 있기 때문에, 모집단에 대한 제약적인 가정을 완화시킬
수 있다.(12) 생존분석 이론은 의학분야 뿐 만 아니라 사회복지학, 자연과학 분야등에서도 사용되고 있다. 가장많이 사용되는 의학분야에서는 발생되는 질환과 발병 기간에
따른 생존율을 분석한다. (13) 일례로, 사회복지학 분야에서는 아동학대 관련요인을 파악하는데에 시간성의 개념을 부여하여 재발생의 현황과 결정요인을 연구하거나, 위탁아동의 입양 결정요인에
있어 입양률 추이분석을 위해 생존분석 기법을 활용하였다. (14-15)
2.4 생존분석 기반 자산건전도 평가표 구성 방안
본 연구에서는 생존분석을 기반으로 전력설비 자산건전도 평가항목의 가중치와 평가 세부 항목의 가중치를 할당하여 전력설비의 자산건전도 평가표를 구성하는
방법을 개발하였다. 개발한 방법론은 자산건전도 평가표 구성에 있어 명확한 근거를 제시하여 객관성을 확보할 수 있다. 그림 2는 본 논문에서 개발한 자산건전도 평가표 구성 절차를 나타낸다.
그림 2 생존분석 기반 배전설비 자산건전도 평가 구성방식
Fig. 2 Design of the Health Index based on Survival Analysis
2.4.1 평가항목 평가구간 생성 방법
변수의 종류에 따라 생존분석 알고리즘이 조금씩 상이하다. 따라서, 본 논문에서는 변수타입을 크게 5가지로 구분하였다. 변수 타입 분류는 표 4와 같다.
표 4 변수 타입 분류
Table 4 Classification of Data Type
|
|
Dynamic
|
Static
|
|
Continuous
|
Dynamic & Continuous variable
|
|
Categorical
|
Ordered
|
Dynamic &
Ordered categorical variable
|
Static &
Ordered categorical variable
|
|
Plain
|
Dynamic &
Plain categorical variable
|
Static &
Plain categorical variable
|
Dynamic과 Static Data의 가장 큰 차이점은, 시간의 흐름에 따라 데이터가 변동하는지에 대한 유무이다. Continuous와 Categorical
데이터는 데이터가 가질 수 있는 값의 종류(int, string 등)의 따라 구별하였다. Ordered와 Plain 데이터의 차이는 데이터의 값이
숫자형인지 코드성인지에 따라 구별하였다.
평가구간을 생성하기 위해 각 평가항목별로 최적 구간(이하 Bucket)을 구하고, 구간별로 조건부 생존분포(Survival distribution)를
구하고, 이를 비교하여 bucket의 결합(Merge)과 분리(Split)를 결정한다. 이를 위하여 변수 타입별 Pairwise Survival Distribution
comparison test를 활용하였다. Pairwise Survival Distribution comparison test란, 각 그룹간의 결합을
위해 생존분석 결과를 서로 비교하는 것으로, 실험조건들이 통계적으로 유의미한가를 계산한다. (16)
본 분석에 사용한 Pair-wise Survival Distribution comparison test의 귀무가설과 대립가설은 식 2와 같다.
Quantile 별로 데이터의 개수가 고르게 분포될 수 있도록 분위를 정한 후 위에서 언급한 이론을 바탕으로 변수 타입별 bucket의 결합과 분리를
하여 평가항목에 대한 bucket을 생성한다. 각 변수 타입별 bucketing 알고리즘은 표 5와 같다.
표 5 변수 타입별 bucketing 알고리즘
Table 5 Bucketing Algorithm by variable type
|
Variable Type
|
Algorithm
|
|
Dynamic & Continuous
|
(1) Classification of data (0, 5, 10, 15, 25, 50, 75, 90, 95, 100 % quantile)
(2) Pair-wise Survival Distribution comparison test and Bucketing 9 groups
|
|
Dynamic & Ordered Categorical
|
(1) Grouping by data. If the number of data in a group is less then 5% of total, Merging
with adjacent group.
(2) Pair-wise Survival Distribution comparison test and Bucketing k groups.
|
|
Static & Ordered Categorical
|
|
Dynamic & Plain Categorical
|
(1) Grouping by data. If the number of data in a group is less then 5% of total, Merging
with adjacent group.
(2) Use each Group by Bucket
|
|
Static & Plain Categorical
|
2.3.2 평가항목 가중치 할당 방법
평가항목 내 구간 가중치 할당을 위해 Bucketing 작업이 완료된 K 개의 평가항목 각각에 대해서 아래 표처럼 최적의 Bucket을 선정한다.
표 6 Bucket 선정 알고리즘
Table 6 Algorithm of bucket selection
|
Continuous / Ordered
|
Plain
|
|
Bucket of the most high level
|
Bucket which is the smallest expected lifetime
|
본 논문에서 기대수명은 Kaplan-Meier Estimation 방법을 활용하였으며, 중간수명(생존율이 0.5인 경우)을 기대수명으로 정의하였다.
Kaplan-Meier Estimation 이란 사건이 발생한 시점마다 생존확률을 구하는 방법으로, 관찰된 생존시간이 짧은 순서에서 긴 순서로 재배열을
한 후 생존율을 계산한다. (17) Kaplan-Meier 기반 신뢰도 함수와 고장률 함수의 추정량은 식 3과 같다.
기대수명에 대한 Bucket이란 각 Bucket에 속하는 개체설비에 대해서 기대수명을 추정한 후, 추정된 기대수명의 역수를 weight로 100점의
점수를 각각의 평가항목에 할당함으로써 자산건전도 가중치를 부여한다.
이를 기반으로, 평가항목 내 구간점수 할당은 평가항목 내의 각 Bucket에 속하는 개체설비에 대해서 기대수명을 추정한 후, 추정된 기대수명의 역수를
weight로 각 평가항목에 할당된 점수를 각각의 Bucket에 할당한다.
3. 사례분석
3.1 활용 데이터
본 논문에서는 배전설비 중 지상변압기를 대상으로 전력설비 자산건전도 평가표 구성과 건전도 점수에 따른 잔존기대수명 추정을 하였다. 현재 국내에 운영
중인 지상변압기 현황은 표 7과 같다.
표 7 지상변압기 설치 현황
Table 7 Installation Status of Pad-mount Transformer
|
Single Phase(kVA)
|
Three Phase(kVA)
|
etc.
|
Total number of Transformer
|
|
5,622
|
59,468
|
71
|
65,417
|
생존분석과 자산건전도 평가표 구성을 위해서는 해당 설비의 운영데이터와 철거데이터가 모두 필요하다. 본 논문에서 활용한 운영데이터와 철거데이터는 한국전력공사에서
사용 중인 배전운영시스템에서 추출하다. 특히 운영데이터의 경우, 시스템내에서 지상변압기 전산화번호를 P.K(Primary Key)로 가지고 있는 지상변압기
운전데이터를 평가항목으로 활용하였다. 데이터 중 Null값이 90%이상이거나, 진단적출건수가 0개인 값이 90% 이상인 항목은 제외하였다. 평가항목으로
사용된 데이터의 정의는 표 8과 같다.
표 8 평가항목 정의
Table 8 Definition of Features
|
Features
|
Definition
|
|
Time of Use
|
Time of Use(Production or Installation date ~ Demolition(or current) date
|
|
Utilization Ratio
|
Transformer Utilization Ratio
|
|
Number of Failures
|
Number of Failures
|
|
Number of Thermal Image Diagnosis
|
Fault detection by Thermal diagnosis
|
|
Capacity of Transformer'
|
Transformer capacity
|
|
Characteristic of Area
|
Code of Load Regional Characteristics(City center, residential area, etc.)
|
3.2 지상변압기 자산건전도 평가표 구성 결과
자산건전도 평가항목으로 사용하는 데이터들에 대하여, 가질 수 있는 값의 종류에 따라 Continuous Type / Categorical Type으로
분류하였고, 시간에 따른 값들의 변화 유무에 따라 Dynamic Type / Static Type 으로 구분하였다. 지상변압기 자산건전도 평가항목별
데이터 타입분류 결과는 표 9와 같다.
표 9 평가항목별 데이터 타입 분류
Table 9 Classification of Data
|
Features
|
Type
|
|
Usage
|
Dynamic & Continuous variable
|
|
Utilization Ratio
|
Dynamic & Plain categorical variable
|
|
Number of Fault
|
Dynamic & Ordered categorical variable
|
|
Number of thermal diagnosis detection
|
Dynamic & Ordered categorical variable
|
|
Capacity
|
Static & Ordered categorical variable
|
|
Characteristic of Area
|
Static & Plain categorical variable
|
이를 활용하여 표 5와 같이 bucketing split&merge 알고리즘을 수행하여 평가항목별 구간생성 결과는 표 10~15와 같고, 100점 만점 기준으로 평가항목별 가중치를 부여한 결과는 표 16과 같다.
표 10 사용개월수 항목 가중치 부여 결과
Table 10 Weight Result of 'Time of Use'
|
Bucket level
|
Bucket range
|
Expected Lifetime
|
|
1
|
(0,66)
|
214
|
|
2
|
(67, 121)
|
131
|
|
3
|
(122, 148)
|
100
|
|
4
|
(149, 167)
|
84
|
|
5
|
(168, 170)
|
76
|
|
6
|
(171, ~)
|
42
|
표 11 이용률 항목 가중치 부여 결과
Table 11 Weight Result of 'Utilization Factor'
|
Bucket level
|
Bucket range
|
Expected Lifetime
|
|
1
|
(0, 5.73)
|
214
|
|
2
|
(5.731 40.75)
|
221
|
|
3
|
(40.751, 60.73)
|
214
|
|
4
|
(60.73, 666.4)
|
191
|
표 12 고장경험 건수 항목 가중치 부여 결과
Table 12 Weight Result of 'Number of Failures'
|
Bucket level
|
Bucket range
|
Expected Lifetime
|
|
1
|
(0, 5)
|
214
|
|
2
|
(6, 0)
|
191
|
표 13 열화상 진단건수 항목 가중치 부여 결과
Table 13 Weight Result of 'Number of Thermal Image Diagnosis'
|
Bucket level
|
Bucket range
|
Expected Lifetime
|
|
1
|
0
|
214
|
|
2
|
5
|
110
|
표 14 변압기 용량 항목 가중치 부여 결과
Table 14 Weight Result of 'Capacity of Transformer'
|
Bucket level
|
Bucket range
|
Expected Lifetime
|
|
1
|
(30,50,75,100,150)
|
214
|
|
2
|
(200,300,500)
|
194
|
표 15 부하지역특성코드 항목 가중치 부여 결과
Table 15 Weight Result of 'Characteristic of Area'
|
Bucket level
|
Bucket range
|
Expected Lifetime
|
|
A
|
City center
|
208
|
|
B
|
Residential area
|
214
|
표 16 종합 평가항목별 가중치 부여 결과
Table 16 Total Result of H.I Features Weight
|
Feature Name
|
Bucket Selection
|
Expected Lifetime (A)
|
Weight
=1/(A)
|
Score
|
|
Usage
|
6
|
42
|
0.02381
|
45
|
|
Utilization Ratio
|
4
|
191
|
0.00523
|
10
|
|
Number of Fault
|
2
|
191
|
0.00523
|
10
|
|
Number of thermal diagnosis detection
|
2
|
110
|
0.00909
|
16
|
|
Capacity
|
2
|
194
|
0.00515
|
10
|
|
Characteristic of Area
|
A
|
208
|
0.00480
|
9
|
|
Total
|
100
|
이를 활용하여 각 평가인자의 구간에 속하는 개체설비에 대해 잔존기대수명을 추정한 후, 추정된 잔존기대수명의 역수를 가중치로 부여하여 사용년수(할당점수
45점) 세부 가중치 결과는 표 17과 같다.
표 17 종합 평가항목별 가중치 부여 결과
Table 17 Total Result of H.I Table
|
Bucket Level
|
선정 Bucket
|
Expected Lifetime (A)
|
Weight
=1/(A)
|
Score
|
|
1
|
(0, 66)
|
214
|
0.0047
|
45 x (0.0047/0.0238)≒8
|
|
2
|
(67, 121)
|
131
|
0.0076
|
45 x (0.0076/0.0238)≒13
|
|
3
|
(122, 148)
|
100
|
0.0100
|
45 x (0.0100/0.0238)≒18
|
|
4
|
(149, 167)
|
84
|
0.0119
|
45 x (0.0119/0.0238)≒21
|
|
5
|
(168, 170)
|
76
|
0.0132
|
45 x (0.0132/0.0238)≒23
|
|
6
|
(171, )
|
42
|
0.0238
|
45 x (0.0238/0.0238)≒45
|
같은 방법으로 다른 평가항목의 세부가중치를 계산한 다음, 이를 종합하여 본 논문에서 개발한 알고리즘을 기반으로 하는 지상변압기 자산건전도 평가표는
표 18과 같다.
표 18 지상변압기 자산건전도 평가표
Table 18 Pad-mount Transformer H.I Table
|
Features
|
Score
|
Bucket
|
Bucket Score
|
|
Usage
|
45
|
less than 66 months
|
8
|
|
less than 121 months
|
14
|
|
less than 148 months
|
18
|
|
less than 167 months
|
22
|
|
less than 170 months
|
24
|
|
more than 170 months
|
45
|
|
Utilization Ratio
|
10
|
less than 5.73%
|
7
|
|
less than 40.75%
|
8
|
|
less than 60.73%
|
9
|
|
more than 60.73%
|
10
|
|
Number of Fault
|
10
|
less than 5
|
9
|
|
more than 5
|
10
|
|
Number of thermal diagnosis detection
|
16
|
less than 1
|
8
|
|
more than 1
|
16
|
|
Capacity
|
10
|
lee than 150kVA
|
9
|
|
more than 150kVA
|
10
|
|
Characteristic of Area
|
9
|
Residential Area
|
8
|
|
City center
|
9
|
|
etc.
|
0
|
본 논문에서 개발한 알고리즘에 기반하면, 지상변압기는 사용개월수 및 열화상 적출건수 2가지 평가항목에 따라 건전도 상태가 좌우된다. 이는 변압기 용량,
부하지역 특성은 지상변압기의 수명에 절대적으로 영향을 미치는 요소가 아님을 의미한다. 절대적으로 영향을 미치지는 않지만, 부하밀집지역이나 용량이 큰
지상변압기의 경우 자산건전도 평가점수를 높게 가져감으로써, 교체 우선순위가 높게 측정될 수 있다. 이를 기반으로, 설비 사전교체를 함으로써 고장을
예방할 수 있다.
표 18을 기반으로 국내 지상변압기의 H.I 분포도와 향후 5년 동안 연간 교체물량 추이는 연간 약 2천여대며, 추이 그래프는 그림 3과 같다. 여기서 자산건전도 등급은 표 19와 같이 현재 국내에서 사용 중인 지상변압기 자산건전도와 동일하게 적용하였다. 또한 교체물량 추이는 신규설치는 고려하지 않았다.
표 19 자산건전도 등급
Table 19 Grade of H.I
|
Very Good
|
Good
|
Fair
|
Poor
|
Very Poor
|
|
0-20
|
21-40
|
41-60
|
61-80
|
81-100
|
그림 3 교체물량 추이
Fig. 3 Trand of Replacement
4. 결 론
본 논문에서는 생존분석을 기반으로 배전설비 자산건전도 평가표 자동구성에 관한 알고리즘을 개발하였다. 본 논문에서는 레거시 시스템의 데이터를 기반으로
자산건전도 평가항목 요소로 활용하였고, Kaplan-Meier 알고리즘과 Pair-wise Survival Distribution Test를 통해
평가항목 가중치 및 구간가중치를 부여하였다. 이를 위해, 데이터 타입 분류를 정의하고 분류된 타입에 따른 세부알고리즘 설계를 달리 하였다. 이를 활용하여
지상변압기 자산건전도 평가표를 구성한 결과, 사용개월수와 고장경험건수의 가중치가 전체 가중치의 절반이상을 차지하였다. 이 두항목이 지상변압기 상태판정에
영향을 많이 미치는 것을 확인할 수 있다. 또한 이를 기반으로 향후 연간 지상변압기 교체 물량을 추정한 결과, 약 2천여대씩 교체해야하는 것으로 도출되었다.
본 논문의 결과를 활용하여 데이터가 의미하는 바를 그대로 반영하여 자산건전도 평가표를 구성할 수 있다. 이를 통해 연간 교체물량을 추산하여 적정 투자비를
산정할 수 있고, 전력설비 고장예방조치와 정전파급효과를 줄일 수 있다. 또한 이를 시스템화하여 기존의 수 일이 걸렸던 자산건전도 평가표 구성을 수
분내로 단축시킬수 있다. 하지만 본 논문에서는 빅데이터와 통계기반의 자산건전도 평가표를 구성하였기 때문에 데이터가 절대적으로 부족할 경우 중요도가
높은 평가항목이어도 반영하기가 어렵다. 향후에는 이를 반영하여 전문가의 의견을 반영한 기계학습 기반의 자산건전도 평가표 구성에 관한 연구를 수행해보고자
한다.
Acknowledgements
This research was supported by the KEPCO under the project entitled by “Development
of predictive technologies and diagnostic inference engines for distribution system
operations (R17DA02)”.
References
TB309, 2006, Asset Management of Transmission Systems and Associated CIGRE Activities
TB422, 2010, Transmission Asset Risk Management
TB541, 2013, Asset Management Decision Making using different Risk Assessment Methodologies
H.S. Lee, H.K. Kang, 2021, A Study on the Life Assessment of Distribution Transformer
for Asset Management, Journal of the Korean Institute of Illuminating and Electrical
Installation Engineers, Vol. 35, No. 8, pp. 31-34
T. Takahashi, T. Okamoto, 2016, Development of asset management support tools for
oil immersed transformer, IEEE Transactions on Dielectrics and Electrical Insulation,
Vol. 23, No. 3, pp. 1643-1648
N. Abu Bakar, A. Abu Siada, 2016, Fuzzy Logic Approach for Transformer Remnant Life
Prediction and Asset Management Decision, IEEE Transactions on Dielectrics and Electrical
Insulation, Vol. 23, No. 5, pp. 3199-3208
O.Y. Lee, H.S. Lee, S.S. Jeon, M.K Jeong, H.K. Kang, 2018, Lifetime Loss Calculation
for Asset Management of a Power Transformer, The Transactions of the Korean Institute
of Electrical Engineers, Vol. 67P, No. 2, pp. 70-74
T.S. Park, 2021, Health Index Evaluation of Power Facility Asset Management System,
The Proceedings of the Korean Institute of Illuminating and Electrical Installation
Engineers, Vol. 35, No. 2, pp. 9-15
M.E. Vermeer, J.D Schuddebeurs, J.M Wetzer, UK, The application of health and risk
indices as a decision support tool for utilities, Asset Management Conference 2016
A. Naderian, S. Cress, R. Piercy, F. Wang, J. Service, 2008, An Approach to Determine
the Health Index of Power Transformers, Conference Record of the 2008 IEEE International
Symposium on Electrical Insulation, pp. 192-196
Y.S. Kim, Y.M. Lee, 2020, Survival Analysis of Korean Home Pension : A Focus on Detailed
Consumer Characteristics, Journal of the Korea Real Estate Analysts Association, Vol.
26, pp. no. 4 41-69
M Luoma EK Laitinen, 1991, Survival analysis as a tool for company failure prediction,
Omega Int.J.of Mgrnt Sci., Vol. 19, No. 6, pp. 673-678
H.C. Kim, K.K. Hwang, Y.H. Kim, K.J. Kang, T.J. Lim, 2002, Survival Analysis of Gallbladder
Cancer according to the Pathologic Type and Staging, Korean Journal of Hepato- Biliary-Pancreatic
Surgery, Vol. 6, No. 1, pp. 67-72
H.O. Bae, 2004, Multivariate Survival Analysis for Rates and Correlates of the Child
Maltreatment Recurrence, Journal of the Korean society of child welfare, No. 18, pp.
63-83
M.K. Song, 2007, Timing and Risk Factors of Adoption for Legally-Free Foster Children
after Having Parental Rights Terminated in the U. S., Korean Journal of Social Welfare,
Vol. 59, No. 1, pp. 301-327
Brent R. Logan, H. Wang, M.J. Zhang, 2005, Pairwise multiple comparison adjustment
in survival analysis, Statistics in Medicine, Vol. 24, No. 16, pp. 2509-2523
Soon-Keon Seo, 2017, Minitab Reliability analysis, IreTech
저자소개
She received B.S., M.S. degrees in electrical engineering form Incheon Natiaonal University,
Incheon, Korea, in 2015 and 2017.
From 2018 to present, she has a Doctor's degree in Electrical Engineering from Incheon
graduate school.
From 2018 to present day, she has been working as a researcher at KEPCO Research
Institute.
He received B.S., M.S. and Ph.D. degrees in electrical engineering form Chungnam Natiaonal
University, Daejeon, Korea, in 1993, 1995, and 2004.
He has been working as a chief researcher at KEPCO Research Institute.
He was graduated from Kyungbuk University in 2004 with an Civil Engineering(Master)
He has been working as a senior researcher at KEPCO Research Institute.
He was graduated from Korea University in 1982 with an Electrical Engineering degree.
He graduated from the Graduate School in 1987 with Electrical Engineering(Master).
He graduated from the Graduate School of Electrical Engineering in 1991 (Doctor).
Professor of Electrical Engineering, Incheon National University, since 1992.