고압전동기 임펄스성 전자잡음 판별

서론 정보통신이 발달함에 따라 가정, 산업, 사회 등 여러 분야에서 고도정보화가 진행되고 있다. 따라서 한층 안정된 전력 공급이 요구되며 전력기기, 설비의 기능유지, 고장을 미연에 방지하는 진단 기술의 요구가 높아지고 있다. 전력기기, 설비 등에 생기는 부분방전(Partial Discharge : PD)은 절연파괴, 기기이상을 일으킨다. 이 부분방전으로 인해 전자펄스파가 방사된다. 따라서 이 전자펄스파를 검출해서 방전원 종류, 위치 등을 특정할 수 있으면, 발빠른 대응, 더 나아가서는 전력 안정 공급으로 이어질 것이다. 또, 이 전자펄스파는 무선통신에 대해 임펄스성 잡음으로 대응하고, TV, 라디오 등 방송파에 악영향을 주는 경우가 있다. 게다가, 실용화되면서 검토되고 있는 전력선 반송통신으로 잠재적인 영향도 우려되기 때문에 그 간단한 검출방법의 확립이 급무이다. 부분방전선 검출방법의 하나로 비접촉으로 배치한 안테나를 이용하는 것이 있다. 이것은 수신강도에서 방전원까지의 거리를 추정하는 방법, 혹은 안테나 배열을 이용하여 전자펄스파 도달 시간차로부터 방전원 위치를 추정하는 방법 등 다방면에서 응용되고 있다. 그렇지만 후자 방법을 이용한다면, 수 십 미터 떨어진 관측점에서는 수 미터의 오차를 감수해야 않는다. 여기에 협대역 신호(단일주파수)에 대해 고도의 위치표정 알고리즘을 적용한 보고가 있는데 위의 내용과 비교해도 큰 차이는 없다. 여기서 우리들은 방전원 위치추정의 보조적인 방법으로, 수신전자 펄스파의 스펙트럼을 기초로 방전원 종류를 자동적으로 판별하는 방법을 제안하고, 그 유효성에 대해 검토하고 있다. 구체적으로는 VHF파대 전자펄스파 주파수 스펙트럼이 방전원 종류로 의존한다는 가정에 근거하여 표본이 되는 주파수 스펙트럼을 작성했다. 그리고 패턴인식에 능숙한 지적 알고리즘의 하나인 뉴럴네트워크를 이용하여, 전자펄스파를 방사한 방전원 종류를 자동적으로 판별하는 것이다. 이 글에서는 먼저 전자펄스파 상관, 즉 재현성에 대해 의론함에 따라 우리가 앞에서 제안한 방법의 개념의 타당성에 대해 검토한다. 다음으로 합계 6종의 방전원에서 방사된 전자펄스파를 측정하고, 그 파형에 디지털 신호처리 및 통계처리를 더함에 따라, 주파수 스펙트럼의 표본을 작성한다. 여기서 이 글에서 제안하는 시스템은 1000까지 이르는 파형을 다루는 것을 전제로 시스템을 구축한다. 이것은 방전원에서 방사된 전자파의 강도는 정현(正弦)분포에 따르기 위해, 발전소 같은 배경잡음이 큰 영향하에서는 일정 이상수 펄스를 다루고, 그것을 통계적으로 처리하는 것이 본질적이라고 생각되어졌기 때문이다. 또, 종류를 판별할 때에는 앞의 보고와 같이 뉴럴네트워크로는 삼계층형을 선택한다. 그리고 실제 발전소에서 얻은 전자펄스파를 이용해 방전원종류의 자동판별을 시험해, 이 수법의 유효성에 대해 검토한다. 전자펄스파 검출방법 부분방전원에서 방사된 전자펄스파 측정시스템을 <그림 1>에 나타낸다. 전자펄스파를 광대역안테나에서 검출하고, 밴드 패스 필터(통과역 : 25~250㎒)을 사이에 두고, 디지털 오실로스코프(샘플링주파수 500㎒)에서 AD변환하여, 컴퓨터에 기록한다. 여기서, 디지털 오실로스코프에는 일파형에 2μsec(2ns×1000포인트)의 기록영역을 배당한다. 이것은 VHF대 전자펄스파 시간폭은 겨우 수백 ㎱인 것에 기초하고 있다. 즉, 앞서 설정한 트리거 레벨보다도 높은 강도를 가진 전자 펄스파만을 수집한다. 여기서, 이 시스템은 한번에 연속해서 1000개 전자펄스파를 기록한다. 모의방전원은 실제 배전 계통을 상정하고, 방전원에 대해 약 4㎸전압(대지전압에 상당)을 인가한다. 그 때 부분방전에서 방사된 전자파를 광대역 안테나를 이용해 검출한다. 모의방전원으로 침-평판전극, 내장애자, 핀애자 3종류를 생각한다. 한편, 고압전동기는 발전소에서 가동중인 기기에 대해 측정을 한다. 여기서, 고압전동기는 경년열화 등에 의해, 절연부분에 결함이 생겨, 거기서 부분방전에서 기인하는 전자펄스파가 방사되는 것을 알았다. 측정대상은 강도통풍기(FDF), 침수부스터펌푸(CBP), 및 냉각수 펌프(COOL-P) 3종류이다. 각 대상 모두, 복수 동일기종에 대해 측정한다. 실험 및 해석결과 1. 전자펄스파 재현성 우리들은 전자펄스파 주파수 스펙트럼이 방전원 종류에 의존하는 것을 보고하고 있다. 그렇지만 그 재현성에 정량적인 평가는 행해지지 않았다. 따라서 모의방전원 및 고압전동기에서 방사된 전자펄스파 파형 상관을 알아보는 것으로 그 재현성을 검토한다. 구체적인 평가방법은 어떤 동일한 방전원에서 방사된 전자펄스파를 수신하여 그 펄스예(1000개)에 대해 집합평균을 구한다. 그 평균화된 펄스 파형과 각펄스의 상호상관을 계산하고, 그 값을 평균치로 평가한다. 여기서, 상호상관이 1에 가까울수록, 높은 재현성을 얻을 수 있는 것을 의미한다. 또, 이 실험은 연속신호를 이산신호로 AD변환하기 때문에이하에 나타내는 식에 의해 규격화 상호상관(1)을 구한다. 이다. 단, A는 A의 평균치에서 편차를 나타내고 있다. 안테나와 방전원의 거리를 1.2m인 경우, 침-평판전극 및 FDF에서 방사된 전자펄스파 상호상관값은 각각 0.988, 0.752가 된다. 이때 후자에서 전자펄스파 상관은 약간 낮지만, 이것은 여러 전동기가 가동하고 있는 발전소 내에서 측정을 했기 때문으로, 배경잡음의 영향을 무시할 수 없었기 때문일 것이다. 여기서는 상기 침-평판전극 및 FDF 두 예의 결과 밖에 나타나지 않지만, CBP 등 남은 노압전동기에서 전자펄스파에 대해서도 같은 정도의 결과를 얻을 수 있었다. 다음으로, 침-평판전극에서 방사된 전자펄스파를 다른 거리에서 수신하고, 그 상관을 검토했다. 안테나와 전극의 거리를 2.4m, 4.8m로 변화시킨 경우, 상관치는 각각 0.971, 0.966으로 1.2m의 경우와 같은 값을 얻을 수 있다. 이것들로부터, 파형 재현성은 상당히 높다는 것이 확인됐다. 다음으로, 다른 거리에서 수신한 전자파에 대해, 상관을 비교한다. 거리를 1.2m로 한 파형과 2.4m로 한 파형의 상관을 0.868, 1.2m와 4.8m의 파형에 대한 상관은 0.785가 된다. 상관치가 저하한 주된 이유로 시간파형은 지면에서 반사 영향을 받는 것을 들 수 있다. 한편, 주파수 스펙트럼 상관을 비교하면 각각, 0.951, 0.913으로 그만큼 큰 영향을 받지 않았다. 이것은 지면에서 반사에 의한 정재파가 생기는 등의 변동은 있지만, 새로운 주파수성분이 생기는 등 본질적으로 큰 변화는 생기지 않기 때문이다. 이것으로 시간파형보다도 주파수축상에서의 의론이 적절하다. 2. 주파수 스펙트럼 분석 지금까지 연구에서 방전원에서 방사된 전자펄스파 주파수 스펙트럼은 150㎒ 이상 주파수대로는 비교적 작은 것을 볼 수 있다. 앞서 보여준 것처럼 이 측정 시스템에는 대역통과 필터를 이용하여 그 하한 주파수수가 25㎒가 되기 위해 결과적으로 25㎒~150㎒의 주파수대역에 주목한 것이 된다. 이 영역에서 주파수 스펙트럼을 기초로 방전원 자동판별을 하는 것을 생각한다. 이 논문에서는 그 방법으로 3개층형 뉴럴네트워크를 이용하는 것이고, 이하 입력하는 특징량에 대해 생각한다. 여기서, 우리 시스템 특징은 1000까지 미치는 파형을 취급, 그것을 기본으로 통계적으로 판단하는 것이다. 이것은, 앞서 말한 대로 전자펄스파 강도는 샘플에 크게 의존하기 때문이다. 이같이 많은 파형을 취급하기 위해, 간단하고 빠른 3개층형 뉴럴네트워크를 선택했다. 특징량으로 25㎒~150㎒까지의 대역에서, 5㎒ 간격으로 각 주파수에 있는 진폭값, 합계 26개를 추출한다. 여기서는 대상으로 하는 주파수 근방 ±2.5㎒에서 주파수 성분의 평균값을 이용한다. 또, 주파수 스펙트럼은 상기 범위에서 적분값에 의해 정규화 하는 것이다. 이에 따라, 26개 샘플 주파수에서, 0.0~1.0의 값을 갖는 표본을 작성한다. <그림 2>에 침-평극 주파수 스펙트럼을 나타낸다. 30~50㎒ 사이에서 피크 주파수에 약간 통계 수치의 분표가 불규칙한 것이 보이지만, 각 파형 모두 전체 형태는 잘 일치한다. 여기서, 침-평판 전극 간격을 1.0㎜에서 5.0㎜까지 변화시켰지만, 펄스 진폭에 변화는 보였지만, 주파수 스펙트럼에 명확한 차이는 보이지 않았다. 이것은 주파수 스펙트럼은 갭 길이에는 거의 영향하지 않는 것을 의미한다. <그림 3>에 내장애자에서 전자펄스파에 대한 주파수 스펙트럼을 나타낸다. <그림 3>에서 A에 나타난 파형에 대응하는 샘플은 피크가 되는 진폭치가 크게 다르다. 다른 샘플에 대해서는 피크에서 진폭의 크기는 거의 같지만, 그 주파수에는 차이가 있다. 그러나 어떤 샘플에도 피크 주변에 복수의 작은 피크를 갖는 파형이 된다. 이 요인으로 ⅰ)얻은 전자펄스파 전력이 작고, 배경노이즈 영향을 받은 것, ⅱ)내장애자에 복수 방전원이 있던 가능성이 무시할 수 없는 것 등을 들 수 있다. <그림 4>에 핀애자에서 전자펄스파에 대한 주파수 스펙트럼을 나타낸다. 그림에서 침-평판과 같이 전체적으로 잘 일치하고 있다. 또 피크 주파수도 30㎒부근에 명확히 나타난다. 다음으로, 고압전동기에서 방사된 전자펄스파 주파수를 나타낸다. 먼저, FDF에 대해서는 2개 동일기종을 비교했다(이하 1 또는 2). <그림 5>에 FDF-1에서 방사된 전형적인 전자펄스파를, <그림 6>에 FEF-2에 대한 주파수 스펙트럼을 나타낸다. 먼저, FDF-1에 관한, 그림 중에 B로 표시한 예를 빼면, 50㎒, 100㎒, 110㎒에서 같은 크기의 3개 높이를 갖는 파형이 되고 있다. 최대치도 그것들의 전부에도 나타나, 주파수 스펙트럼의 형태는 재현성을 잘 나타냈다. 그림 중에 B로 표시한 파형에 대응하는 샘플에 사용한 펄스 전력 레벨은 작았던 것을 붙여 쓴다. FDF-2에서 전자 펄스파는 75㎒와 85㎒ 두 개의 피크를 가지고, 파형 재현성은 높았다. FDF-1의 경우와는 달리, 한종류의 파형(주파수 스펙트럼)만이 관측된다. 여기서 FDF-1의 그림중 B커브와 FDF-2커브 피크는 거의 일치하고 있다. 진폭 레벨이 작은 이유는 앞에 기술한 대로, 펄스파 전력레벨이 작고, 배경잡음에 의한 영향을 받은 것을 들 수 있다. 이것으로 동일기종의 경우라도, 다른 스펙트럼을 갖는 경우가 시사된다. 이 원인으로는 절연열화 몇 개소가 다르다는 가능성이 추찰된다. <그림 7>에 CBP 및 COOL-P에서 전자펄스파에 대한 주파수 분석결과를 나타낸다. CBP 및 COOL-P에 대해서는 기종이 다르지만, 전체적으로 그 스펙트럼은 잘 일치하는 것이다. 구체적으로는 전부 50~60㎒의 사이에서 큰 피크를 나타낸는 파형이 되고 있다. 여기서 파형이 유사한 이유는 CBP 및 COOL-P역할, 나아가서는 구체적인 구조 등이 유사하기 때문이다. 여기서 이 글에서 표본의 작성에서, 주파수 간격은 5㎒간격으로, 그 평균화된 주파수 스펙트럼을 나타내고 있다. 이 주파수 간격으로 한 이유는 디지털 스트레지 오실로스코프의 양자화오차, 배경잡음, 광대역화한 것에 의한 열잡음 배경 등에 의해, 각 펄스 주파수 스펙트럼에 불확정성이 보였기 때문이다. 이에 따라 예를 들면 2.5㎒에 하는 등, 이 이상으로 주파수 분해능을 향상시켜도 큰 변화는 보이지 않는 것이 예상된다. 또, 주파수 간격을 10㎒으로 한 경우에는, <그림 3>에 나타난 40㎒ 및 50㎒에 있어서 쌍봉이 불명료하는 등 특징을 잃어버린다. 이 뉴럴네크워크에 있어 인식률이 주는 영향에 대해서는 3, 4절에서 밝히기로 한다. 3. 뉴럴네트워크 학습 뉴럴네트워크는 인식에서 판단의 기준이 되는 학습 데이터의 결정이 중요하다. 즉, 학습 데이터가 각 방전원의 특징을 적확히 나타내는 것이 중요하다. 여기서 통계적인 분석 결과를 기초로 대표적인 3~5개 파형에 있어서 특징량(25~150㎒에서 5㎒간격의 진폭)을 표본 패턴으로 학습을 행한다. 단, 내장애자, FDF, CBP/COOL-P같이 파형의 통계 수치 분포가 불규칙한 것은 10개 정도의 많은 패턴에 대해 학습 시키는 것이다. 이번에 이용한 다개층형 뉴럴네트워크는 일괄수정에 따른 BP법(오차역전반법)을 이용한 “교사신호있음”의 학습을 한다. 교사신호로 이상신호를 전해주는 것으로 출력과의 오차를 계산하고, 그것을 학습 평가관수로 오차를 최소화 하는 방향으로 유닛간의 결합계수(weight)수정을 출력층의 쪽에서 행한다. 그리고 오차관수가 소정의 값 이하로 된 것으로 학습을 종료하는 것이다. 학습에서 결합가중의 갱신량에 대한 파라메타인 학습게수 η을 변화시킨 경우 오차관수를 전부 모은 특성을 <그림 8>에 나타난다. 여기서, 학습은 각방전원 전부 학습 데이터 합계 33개에 대해 연산을 해 일회로 한다. <그림 8>에서도 알듯이 η이 너무 크면 오차관수는 어떤 일정 이상 작아지지 않고, 역으로 너무 작으면 학습에 시간이 필요한 것을 알 수 있다. 이 논문에서는 이 시스템의 오차관수는 충분히 수속(收束)시키는 것이 가능한 값인 η=0.5와, 학습오차가 0.01이하로 될 때 까지 반복계산을 한다. 4. 뉴럴네트워크의 인식 인식에서는 측정 데이터에서 랜덤으로 추출한 200개의 파형을 이용해 입력을 데이터화 한다. 여기서 랜덤은 측정거리, 측정일 등을 변화시키는 것을 의미한다. 입력층 유닛수는 특정량 수인 26으로 한다. 또, 중간층 유닛수의 상위에 따른 학습 및 인식 계산결과가 다르기 때문에, 중간유닛수를 10, 20, 50으로 변경하고 인식결과를 비교한다. 특히, 인식조건에서는 각 방전원에 대응하는 출력층 유닛이 최대치를 나타내는 경우로 한다. 학습 데이터를 이용해 학습을 한 뒤 인식을 한 결과를 <표 1>에 나타냈다. 각 방전원의 인식 데이터 수는 각각 200씩 이다. 단, <표 1>에 있어서 1~5는 각각 침-평판전극, 내장애자, 핀애자, FDF, CBP/COOL-P에 상당한다. 여기서 FDF는 샘플 1 및 2의 데이터를 일괄해서 학습시켰다. 중간층 유닛수 마다, 각 방전원에 대해 인식 데이터에서 바르게 인식된 비율을 백분율로 나타내고 있다. 표에서 중간층 유닛수에 그다지 의존하지 않는 것을 알았다. 특히 파형의 통계 수치 분포가 크게 불규칙한 내장애자, FDF, CBP/COOL-P에 대해서도, 복수 패턴을 학습 하는 것으로, 충분히 높은 인식률을 얻는 것이 가능한 것을 알았다. 이 논문에서는 뉴럴네트워크에 이용하는 주파수 스펙트럼의 샘플링 간격을 5㎒로 의론했다. <표 1>의 결과를 기초로 하여, 중간 유닛의 수를 10으로 하고, 주파수 간격을 10㎒로 한 경우에는, 인식률이 10%정도 저하했다. 한편으로, 2.5㎒의 경우 인식률은 거의 변화하지 않음에도 불구하고, 계산시간은 커졌다. 따라서, 이같이 상세한 결정은 이 시스템 운용이 상정된 현장의 상황에 따라 조정할 필요가 있다. 결론 이번 연구에서는 먼저 침-평판전극, 배전용 고압내장애자, 배전용고압핀애자의 3종류 방전원을 사용해 부분방전이 발생하는 상태를 모의하고, 거기서 방사된 전자펄스파를 측정했다. 동일 측정계를 이용하여, 발전소내의 고압전동기 3종, 강도통풍기, 복수 부스터펌프, 냉각수 펌프에서도 측정을 했다. 이 측정에서 얻은 결과로 파형 재현성을 검토했다. 또, 그 파형을 주파수 분석하고, 통계적인 양을 기초로 각 방전원에 대해서도 특징량을 추출했다. 그리고 패턴 인식이 가능한 알고리즘의 한 예로 3개층형 뉴럴네트워크를 이용하여, 그 학습 및 파형의 인식을 시험했다. 그 결과 먼저, 방전원에서 방사된 전자펄스파 파형의 재현성을 인식할 수 있고, 이 논문에서 행한 검토의 개념의 타당성이 보여졌다. 다음으로, 각 방전원에서 방사된 펄스 주파수 스펙트럼을 5㎒간격으로 추출하고, 그것을 특징량으로 이용한 것을 생각했다. 그리고, 뉴럴네트워크에 의한 학습, 인식을 행하는 것으로 방전원 종류를 자동판별 했다. 여기서, 내장애자, FDF 등 복수 주파수 스펙트럼이 존재하는 가능성이 있는 대상물조차, 복수의 표본을 일괄하여 학습하는 것으로 적절히 판별하는 것이 왔다. 이 시스템에서 최종적인 인식률은 80~90%정도 이지만, 단일 펄스가 아니라, 1000까지 미치는 펄스예를 취급하기 때문에, 실질적으로는 무한하고 틀림없는 판별이 가능한 것을 강조해둔다. 이 시스템에서 1000 펄스를 수신하고, 처리하는 것에 필요한 시간은 10초 이내이다. 이 논문에서는 주파수 스펙트럼의 추출방법으로 FFT를 이용했지만, 보다 고도의 방법으로 Welch법 및 MUSIC법을 병용한 방법을 들 수 있다. 이 같은 수법을 이용한 경우, 신호처리에 10배 정도 시간이 필요하다고 개산된다. 이것은 전자펄스파 강도가 일정하지는 않는 것과 발전소내의 잡음레벨이 높은 것을 생각하면, 반드시 맞다고는 말하기 어렵다. 또, 이 연구에서는 겨우 6개로 방전원에 대해 분석을 했다. 실제 발전소 내에서는 10m이내 간격에서 고압전동기가 밀집하고 있는 것이 일반적이다. 따라서 동시에 수신된 전자펄스파 종류는 고작 몇 종류이여서, 이 글에서 취급한 6개 정도로 충분한 범용성이 있을 것이다. 단, 이 시스템 운용이 상정된 현장 상황에 따라, 사전에 뉴럴네트워크의 학습 데이터를 데이터베이스화해서, 조정할 필요가 있다는 것을 붙여 쓴다.