1. 서 론

몰드변압기는 난연성, 우수한 절연 성능을 갖는 고체 절연 방식, 그리고 취급의 용이성과 같은 다양한 장점으로 인해 전기설비에서 핵심적인 역할을 수행하는 전력기기이다. 그러나 스위칭 서지 및 공간 전하의 축적은 에폭시 절연체 내부에 국부적인 전계 불균형을 유발하여 절연 열화를 촉진시키며, 외부 충격에 의해 발생한 미세한 균열은 부분방전을 발생시킬 수 있다.

몰드변압기 외부에서 발생하는 부분방전은 자외선 검출기, 초음파 카메라를 통해 관측이 가능하지만, 내부에서 발생하는 부분방전 신호는 전파 경로상의 감쇠로 인해 탐지가 어려운 경우가 많다. 이러한 한계로 인해, 실제 현장에서는 절연 매질의 이온화 현상에 의해 발생하는 급격한 전류 펄스, 전자기파 및 탄성파를 검출하기 위한 연구가 활발히 진행되고 있다 ^{[1]- [3]}.

국제적으로 확립된 부분방전 검출 방식은 크게 두 가지로 분류된다. 첫 번째는 커플링커패시터를 통해 이온화 과정에서 발생하는 전류(전하)를 유도하여 전기적으로 방전 신호를 검출하는 방식이며, 두 번째는 방전 시 발생하는 탄성파를 감지하는 음향 방출 기반의 방식이다. 이 두 방식은 측정 대상 및 환경 조건에 따라 각각의 장점을 가지며, 특히 음향 방출 센서를 활용한 방법은 시스템 구축 비용이 비교적 낮고, 수십 킬로헤르츠에서 수백 킬로헤르츠의 공진 주파수 대역을 사용함으로써 전자기 간섭의 영향을 적게 받아 잡음 환경에서도 부분방전을 효과적으로 검출할 수 있다 ^[4], ^[5].

교류 부분방전을 정밀하게 분석하기 위해서는 위상 동기화, 임피던스 매칭, 필터 설계, 펄스 신호 검출 등 복잡한 측정 및 해석 기술이 요구된다 ^[1]. 본 연구에서는 기존의 분석 방법 대신, 정상 상태에서 수집된 음향 방출 센서 (Acoustic Emission, AE)의 연속 시계열 데이터를 기반으로 한 일차원 합성곱 신경망 이상치 탐지 오토인코더 모델을 구성하고, 이를 통해 순간적인 센서 응답의 이상치를 탐지할 수 있는 진단 기법을 제안한다 ^[6].

또한, 1차 측 권선 사이에 권선 절연 결함을 모의하여 부분방전을 유도하고, 이를 테스트 데이터로 활용하여 제안 모델의 이상 탐지 성능을 검증하였다. 더불어, 기존 고주파 유도형 센서(HFCT)를 통해 획득한 방전 신호와의 비교 분석을 수행하여, 음향 기반 검출 방식의 특성과 실효성을 평가하였다.

전기설비의 유지보수 관점에서 부분방전에 대한 전문적인 지식이 부족한 엔지니어들도 활용할 수 있도록, 샘플링 조건, 측정 시간, 사용 센서, 측정 방법, 그리고 MATLAB 기반의 신호처리 방식 등에 대한 전반적인 분석 방향을 제시한다. 또한, 본 연구에서는 힐버트 변환을 적용하여 부분방전 신호의 임펄스 특성을 강화하고, 1차원 합성곱-순환 신경망(CNN-LSTM) 기반의 오토인코더 모델을 통해 이상 탐지를 수행하였다. 분석 결과, 제안된 방법은 정상 및 결함 데이터를 100%의 정확도로 분류하였으며, 사분위 범위(IQR)를 이용한 통계적 임계치 분석을 통해 음향 방출 신호의 이상 분포 특성을 정량적으로 구분할 수 있음을 확인하였다. 이를 통해 제안된 기법은 인공지능을 활용하여 절연 열화 진단을 자동으로 수행할 수 있음을 확인하였다.

2. 본 론

2.1 실험 및 측정 방법

실험 환경에서 220 V–22.9 kV 단상 몰드변압기의 부분방전을 유도하기 위해, 2차 측에 220 V 전압 조정기(Variac)를 연결하여 전압을 단계적으로 상승시켰다. 절연 파괴에 따른 시스템 손상을 방지하고자 과전류 차단기를 설치하였으며, 1차 측 고전압 단자와 접지 단자 사이에는 절연지를 감은 권선 시료를 삽입하여 권선 내 부분방전 결함을 모의하였다.

부분방전 시험은 부분방전 개시 전압 및 부분방전이 안정적으로 발생할 수 있는 부분방전 개시 전압의 1.3배 조건에서 수행되었으며, 정상 상태 신호는 결함 시료를 제거하거나 인가 전압을 낮춤으로써 데이터를 확보하였다. 전체적인 실험 구성은 그림 1과 같다.

부분방전 발생 여부를 확인하기 위해 기존에 널리 사용되는 HFCT 센서를 몰드변압기 외함 접지에 연결하였다. 음향 방출 센서로는 250 kHz 공진 주파수를 가지는 NF사의 AE-904E 모델을 사용하였으며, 해당 센서는 몰드변압기 하단 외함에 부착하였다. 데이터 수집 장치로는 Tektronix MSO 54 오실로스코프를 사용하여 라인 트리거 조건에서 연속적으로 시계열 데이터를 수집하였다.

그림 1. 몰드변압기 부분방전 측정 실험 구성도

Fig. 1. Experimental setup for partial discharge measurement in a cast resin transformer

그림 2는 부분방전 발생 여부를 확인하기 위해 고주파 유도형 센서와 음향 방출 센서 신호를 오실로스코프 관측한 결과를 보여준다. 수집 데이터는 교류 부분방전의 극성에 따른 특성을 반영하기 위해, 20 ms 구간을 25 MS/s 샘플링 속도로 위상 동기화 없이 1 MΩ 조건에서 연속적으로 데이터 수집 장치를 통해 기록하였다. 결함 설치 유무 및 부분방전이 발생하지 않는 낮은 전압부터 부분방전 개시 전압 이상의 전압 구간에서 수집한 정상 데이터 1,000개를 기반으로 오토인코더 모델을 학습하였으며, 이후 1차 측 전압을 조절하면서 수집된 정상 신호 100개, 결함 신호 100개 테스트 데이터를 활용하여 모델의 이상 탐지 성능을 검증하였다.

그림 2. 권선 결함 교류 부분방전 파형

Fig. 2. Partial discharge waveform of winding defect under AC voltage

2.2 부분방전 분석을 위한 인공지능 오토인코더 모델

전계 집중에 의해 유전체 내부에서 이온화가 발생하면 생성된 전하가 주변 분자와 충돌하여 탄성파 및 2차 이온화를 일으키며, 이 과정에서 초음파와 전자기파가 방출된다 ^{[1]- [3]}. 이러한 부분방전 신호는 짧은 시간 동안 순간적으로 발생하는 임펄스 특성과 고주파 성분을 가지므로 힐버트 변환을 적용하여 분석신호를 구성하고 포락선을 계산하였다 ^[7].

힐버트 변환은 실신호 $x(t)$에 대해 복소 분석 신호 $z(t)$를 구성하며, 다음과 같이 표현된다.

(1)

$z(t)=x(t)+ j\hat{x}(t)$

여기서 $\hat{x}(t)$는 힐버트 변환된 신호이며, 주값적분을 통해 다음과 같이 정의된다.

(2)

$\hat{x}(t)=\eta x(t)=\dfrac{1}{\pi}p.v\int_{-\infty}^{\infty}\dfrac{x(\tau)}{t-\tau}d\tau$

포락선 $a(t)$은 복소 분석신호의 크기로 계산되며, 다음과 같이 표현된다.

(3)

$a(t)= | z(t)| =\sqrt{x^{2}(t)+\hat{x^{2}}(t)}$

여기서 $x(t)$는 실수 입력 시계열, $\hat{x}(t)$는 힐버트 신호, $a(t)$는 포락선이며, $\eta\{x(t)\}$는 힐버트 변환 연산자를 각각 의미한다.

이를 통해 신호의 순간 에너지 변화와 임펄스 최댓값이 강조되어 시계열 영역에서의 특징을 보다 명확하게 표현할 수 있다. 이후 500,000×1 크기의 1차원 시계열 정상 데이터를 1,000개 수집하여 8:2 비율로 학습 및 검증용으로 분할하고, 차원 축소와 재구성을 통한 최적화 학습을 수행하였다.

표 1은 부분방전 신호의 수집 방법, 트리거 조건, 인공지능 학습 모델, 하이퍼파라미터 설정 방법 및 정상치와 이상치를 구분하기 위한 통계적인 임계치 선정 방법을 제시한다.

표 1. 제안하는 알고리즘 설정 및 데이터 수집 방안

Table 1. Proposed algorithm setup and data acquisition

구분	세부 구성 및 설정
데이터 수집	샘플링 속도: 25 MS/s, 시간 길이: 20 ms, 포인트 수: 500,000
센서	NF AE-904E
데이터 트리거 조건	시간 축에 따라 무작위 시점에서 연속 측정 수행
데이터 구분	전체 데이터의 80%를 학습용, 20%를 검증용으로 분리
신호 전처리	힐버트 변환 → Envelope 추출 → Min–Max 정규화 (범위: [-1, 1])
입력 데이터	시계열 입력 벡터: (1×500,000), 샘플당 1개 시퀀스 구성
손실 함수	MSE (Mean Squared Error), 입력–출력 재구성 오차 최소화
학습 설정	옵티마이저: Adam / Epochs: 400 / Mini-batch size: 4 / Validation ratio: 20%
인공지능모델	CNN-LSTM 오토인코더
임계값 선정	Q3 + 1.5 × IQR (제3사분위수 및 사분위 범위 기반 통계적 이상치 판별)

그림 3은 HFCT 센서 및 AE 센서로 수집한 데이터를 활용한 모델의 샘플링 속도에 따른 분류 정확도를 보여준다. 실험실 환경에서 잡음과 부분방전 신호를 제안하는 오토인코더 모델을 사용하여 분류하기 위해서는 25 MS/s 이상의 샘플링 속도가 필요함을 확인할 수 있다.

그림 3. 샘플링 속도에 따른 분류 정확도 비교

Fig. 3. The Comparison of classification accuracy according to sampling rate

표 2는 일차원 시계열 데이터를 이상치 탐지 오토인코더 모델로 학습하기 위한 딥러닝 레이어 구조를 보여준다. 하나의 시계열 데이터는 최종적으로 평균제곱오차(Mean Squared Error, MSE) 값으로 계산된다 ^[8].

표 2. 이상치 탐지 오토인코더 모델의 구조

Table 2. Autoencoder architecture for anomaly detection

순서	레이어 유형	출력 크기
1	Input	500,000×1
2	Conv1D (64 filters)	500,000×64
3	Batch Normalization	500,000×64
4	ReLU	500,000×64
5	Conv1D (128 filters)	500,000×128
6	Batch Normalization	500,000×128
7	ReLU	500,000×128
8	LSTM (64 units)	500,000×64
9	Conv1D (128 filters)	500,000×128
10	Batch Normalization	500,000×128
11	ReLU	500,000×128
12	Conv1D (64 filters)	500,000×64
13	Batch Normalization	500,000×64
14	ReLU	500,000×64
15	Conv1D (1 filter)	500,000×1
16	Regression (MSE Loss)	—

3. 결 과

학습된 오토인코더 이상치 탐지 모델의 재구성 오차를 기반으로 이상 탐지 구분을 위한 임계치를 산정하였다. 재재구성 오차는 평균절대오차(Mean Absolute Error, MAE)로 계산하였으며, 오토인코더 학습 과정에서는 MSE를 손실 함수로 사용하였다 ^[9]. 정상 데이터 800개(검증용 200개 포함)를 이용하여 총 2,695회 반복 학습한 결과, 검증 데이터에 대한 평균제곱근오차(Root Mean Squared Error, RMSE)는 0.013415로 수렴하였다. 학습 데이터의 평균 MAE는 0.011521, 표준편차는 0.003879, 최소값은 0.006172로 나타났다. 정상 데이터 800개와 검증 데이터 200개의 MAE 분포는 그림 4에 나타내었다.

그림 4. 학습 및 테스트 데이터의 MAE 분포도

Fig. 4. MAE distribution of training and test datasets

표 3은 정상 데이터의 MAE 분포를 기준으로 세 가지 통계적 임계치 산정 방법(IQR, 95 백분위, 평균+3σ)을 비교한 결과를 보여준다 ^{[10]- [12]}.

각 임계치는 정상 학습 데이터의 분포 특성을 기반으로 산출되었으며, 이를 고장 데이터 100개와 정상 테스트 데이터 100개에 적용하여 분류 정확도를 평가하였다. 분석 결과, IQR(Q3 + 1.5·IQR) 및 95 백분위(95th Percentile) 방식은 모든 고장 데이터를 정확히 탐지하고 정상 데이터를 오탐 없이 분류하여 각각 100%의 정확도를 나타냈다. 반면, 평균 + 3σ 방식은 극단값의 영향으로 임계치가 과도하게 상승하여 대부분의 고장 데이터를 정상으로 인식하였고, 이로 인해 고장 탐지율이 4.0%에 불과하였다. 이러한 결과는 IQR 및 95 백분위 기반 임계치 산정 방법이 데이터의 비정규성이나 이상치에 대해 강건함을 보여준다. 특히 IQR 방식은 통계적으로 이상치를 효과적으로 배제하면서도 정상 범위를 안정적으로 설정할 수 있어, 실제 전력기기 진단 환경과 같이 잡음이나 불규칙한 분포가 존재하는 조건에서도 높은 신뢰성을 확보할 수 있다. 따라서 향후 인공지능 기반 절연 이상 탐지 기법에서는 이러한 통계적 임계치 산정 방식을 기존의 부분방전 패턴 분석과 병행하여 적용하는 것이 바람직하다.

본 연구에서 제시된 100% 정확도는 실험실 환경에서 수집된 200개의 제한된 테스트 데이터를 기반으로 산출된 결과로, 외란이 적고 데이터 분포가 균일하다는 점에서 과대평가될 가능성이 있다. 실제 현장에서는 다양한 잡음 특성, 온도 변화, 기계적 진동, 전자기 간섭 등에 따라 신호 특성이 달라질 수 있으므로, 더 많은 표본과 다양한 운전 조건을 고려한 추가 검증이 필요하다.

그림 5는 분석 데이터의 MAE 분포 위에 각 임계치를 표시하여 이들 간의 차이를 비교한 결과이다. 95 백분위 방식은 정상 데이터의 전체 분포를 기준으로 상위 구간에 임계치를 설정하므로, 고장 데이터와 정상 데이터가 명확히 구분되는 특징을 보인다. 반면, IQR 방식은 데이터의 사분위 범위를 이용하여 통계적으로 안정적인 구간에서 임계치를 산출하기 때문에 실제로 부분방전이 미세하게 발생하는 경우에도 이를 민감하게 탐지할 수 있는 장점을 갖는다. 한편, Mean + 3σ 방식은 평균값에 3배의 표준편차를 더한 보수적인 기준으로, 설비가 매우 안정적으로 운전되어야 하는 환경에서 이상 탐지를 엄격하게 수행하기 위한 방법으로 볼 수 있다. 결과적으로, 각 임계치 산정 방식은 데이터의 분포 특성과 운전 조건에 따라 서로 다른 판단 기준을 제공하므로, 실제 진단 환경에 적합한 방법을 선택하는 것이 중요하다.

그림 5. 통계 분석에 따른 임계치를 적용한 MAE 분포도

Fig. 5. MAE distribution based on statistical threshold levels

그림 6은 제안된 임계치를 인공지능 이상 탐지 모델에 적용하여 정상 및 고장 데이터를 분류한 결과를 혼동행렬(Confusion matrix) 형태로 나타낸 것이다. 혼동행렬은 실제 클래스(정상, 고장)와 모델의 예측 결과를 교차 비교하여 분류 정확도와 탐지율을 직관적으로 평가하는 지표이다. 여기서 세로축은 실제 데이터의 상태(정상 또는 고장)를, 가로축은 모델이 예측한 결과를 의미한다. 행은 실제 상태를, 열은 모델의 판별 결과를 나타내며, 대각선에 위치한 값이 클수록 모델의 분류 성능이 우수함을 의미한다. 이를 통해 각 임계치 산정 방식이 모델의 이상 탐지 성능에 미치는 영향을 시각적으로 확인할 수 있다.

그림 6. 통계 분석에 따른 혼돈행렬

Fig. 6. Confusion matrices based on statistical analysis

인공지능을 활용한 분석도 중요하지만, 부분방전의 발생 특성을 사전에 파악하면 신호 처리 및 데이터 수집 전략의 방향성을 보다 명확히 설정할 수 있다. 그림 7은 샘플링 속도를 1.25 GS/s로 설정하여 HFCT와 AE 센서를 통해 측정한 부분방전 펄스를 나타낸 것이다. 두 센서의 출력 파형 형상은 상이하며, 이들 중 50개 펄스를 선정하여 표 4에서 중심 주파수, 왜도(Skewness), 및 첨도(Kurtosis)를 분석하였다. AE 센서는 공진 주파수가 250 kHz임에도 불구하고, 실제 부분방전 펄스는 kHz에서 GHz까지 넓은 주파수 대역을 포함하므로 상승 시간이 매우 짧고 중심 주파수가 MHz 대역에 집중되는 특성을 보였다.

그림 7. 고속 샘플링 조건에서 부분방전 센서 파형

Fig. 7. Partial discharge waveform at high sampling rate

4. 결 론

부분방전 분석은 고전압 시험에 대한 숙련도뿐만 아니라, 신호처리와 통계 분석에 대한 전문 지식을 요구한다. 본 논문에서는 이러한 한계를 극복하고, 부분방전에 대한 사전 지식이 없는 연구자도 절연 열화 상태를 모니터링할 수 있도록 인공지능 기반 분석 절차를 제시하였다.

첫째, 신호처리 단계에서는 힐버트 변환을 적용하여 임펄스성 부분방전 신호의 특성을 강조하였으며, 샘플링 속도에 따른 분류 성능을 분석하였다. 이를 통해 부분방전 신호 분석 시 최소 25 MS/s 이상의 샘플링 속도가 필요함을 확인하였다.

둘째, 인공지능 분석 단계에서는 시계열 데이터를 입력으로 하는 LSTM-CNN 기반 오토인코더 모델을 설계하고, 신호 수집 및 전처리 과정을 포함한 전체 분석 구조를 제시하였다. 이를 통해 정상 상태의 패턴을 학습한 모델이 비정상 상태를 재구성 오차(MAE) 기준으로 탐지할 수 있음을 확인하였다.

셋째, 임계치 선정 방식에 따른 분류 결과를 비교한 결과, IQR 및 95 백분위 기반 방법은 정상과 고장 데이터를 모두 100% 정확도로 분류한 반면, Mean + 3σ 방식은 탐지율이 4%에 불과하였다. 이러한 결과는 임계치 설정이 모델의 분류 성능에 직접적인 영향을 미치며, 임계치 선정 방식에 따라 분석 결과가 달라질 수 있음을 보여준다. 따라서 본 연구의 결과는 단순히 분류 정확도의 우열을 판단하기보다는, 진단 목적과 운전 환경에 따라 적절한 임계치 산정 방식을 선택하는 것이 중요함을 시사한다.

그러나 실제 현장에서는 다양한 형태의 전자기 및 기계적 잡음이 존재하므로, 부분방전 신호의 검출이 실험실 환경보다 훨씬 복잡하다. 따라서 본 연구에서 제시한 알고리즘을 현장 데이터에 적용하고, 잡음 조건 및 운전 상태를 반영한 보정 모델을 추가함으로써 실시간 고장 탐지 및 예측 진단이 가능할 것으로 기대된다.