대형 전력 변압기의 5가지 고장 진단 기술

변압기 고장 진단 방법

1. 용해가스 분석을 위한 비율 방법

대부분의 유전 변압기에 있어서, 열적 및 전기적 스트레스 하에서 변압기 탱크 내에서 특정 가연성 가스가 생성됩니다. 기름에 용해된 가연성 가스는 그들의 특정 가스 함량과 비율을 기반으로 변압기 오일-종이 절연 시스템의 열 분해 특성을 결정하는 데 사용될 수 있습니다. 이 기술은 처음으로 유전 변압기의 고장 진단에 사용되었습니다. 이후 Barraclough와 다른 사람들은 CH4/H2, C2H6/CH4, C2H4/C2H6, 그리고 C2H2/C2H4의 네 가지 가스 비율을 사용한 고장 진단 방법을 제안했습니다. 후속 IEC 표준에서는 C2H6/CH4 비율이 제거되었고, 수정된 세 비율 방법이 널리 채택되었습니다. Rogers는 IEEE와 IEC 표준에서 가스 성분 비율 코드화 및 사용 방법에 대해 상세한 분석과 설명을 제공했습니다. IEC 599의 장기적인 적용 결과, 일부 경우에서는 실제 조건과 일치하지 않고 특정 고장 시나리오를 진단할 수 없는 것으로 나타났습니다. 따라서 중국과 일본 전기 협회는 IEC 코드를 개선하였으며, 다른 용해가스 분석 방법들도 널리 응용되고 있습니다.

2. 퍼지 논리 진단 방법

미국의 제어 이론가 L.A. Zadeh가 처음으로 제안한 퍼지 진단 방법은 이후 더 넓게 응용되었습니다. 퍼지 논리는 불명확한 경계를 가진 질적 지식과 경험을 표현하는 데 유리합니다. 소속 함수의 개념을 사용하여 퍼지 집합을 구분하고, 퍼지 관계를 처리하며, 인간의 규칙 기반 추론을 모방하고, 실제 응용에서 다양한 불확실성 문제를 해결합니다. 실제로 변압기는 종종 원인과 메커니즘이 불명확한 고장을 보여주며, 이러한 불확실하고 퍼지 관계는 전통적인 방법으로 잘 설명하거나 묘사하기 어려울 수 있습니다. 퍼지 논리 방법은 변압기 고장의 이러한 불확실한 관계를 효과적으로 다루어, 전력 변압기 고장 진단에 새로운 접근 방식을 제공합니다.

전력 변압기 고장 진단에 널리 사용되는 Rogers 비율 방법의 중요한 비율 기준 부족 문제를 해결하기 위해, 퍼지 집합 이론을 사용한 방법이 제안되었습니다. 이 접근 방식은 비율 경계를 퍼지화하여 전통적인 비율 방법에 퍼지 논리 기술을 도입합니다. 이 방법은 여러 변압기 고장 진단에서 좋은 응용 효과를 보여주었으며, 코딩 조합 방법, 퍼지 클러스터링 기술, Petri 네트워크, 회색 시스템 등으로 발전하였습니다. 이러한 모델은 데이터의 본질적인 퍼지성을 충분히 고려하여 복잡한 데이터셋에서 성능을 효과적으로 향상시키고 변압기 고장 진단의 정확도를 높입니다.

3. 전문가 시스템 진단 방법

전문가 시스템은 인공 지능의 중요한 분야를 대표합니다. 이들은 컴퓨터 프로그램 시스템으로, 인간 전문가의 경험과 추론 과정을 어느 정도 모방할 수 있습니다. 사용자가 제공한 데이터를 기반으로 저장된 전문가 지식이나 경험을 적용하여 추론과 판단을 수행하고, 최종적으로 신뢰 수준을 가진 결론을 제공하여 사용자의 의사결정을 지원합니다. 전력 변압기 고장 진단은 여러 요소가 관련된 매우 복잡한 문제입니다.

다양한 매개변수를 기반으로 정확한 판단을 내리려면 견고한 이론적 기초와 풍부한 운영 유지보수 경험을 필요로 합니다. 또한, 변압기 용량, 전압 수준, 운전 환경의 차이로 인해 동일한 고장이라도 다양한 변압기에서 다르게 나타날 수 있습니다. 전문가 시스템은 강력한 오류 처리 능력과 적응력을 가지고 있어 획득한 진단 지식을 바탕으로 지식 베이스를 수정하여 완전성을 확보할 수 있습니다. 따라서 다양한 유형의 전력 변압기를 효과적으로 진단할 수 있습니다. 전력 변압기 고장 진단 전문가 시스템은 고장 원인과 유형에 대한 지식을 종합하여, 기름 속 용해가스 분석을 포함한 고장 감지 지식을 통합하여 고장 특성을 판별할 수 있습니다. 퍼지 논리를 사용하여 고장 진단의 퍼지 문제를 효과적으로 처리하고, 완전한 지식을 얻기 어려운 문제를 거친 집합 방법을 통해 해결하며, 검은 판 모델 아키텍처를 사용하여 다중 전문가 협업 진단에 적합한 구조를 설립할 수 있습니다.

4. 인공 신경망 진단 방법

인공 신경망은 뉴런 활동을 수학적으로 모델링하고, 뇌 신경망의 구조와 기능을 모방한 정보 처리 시스템을 나타냅니다. ANNs는 자기 조직화, 적응성, 자기 학습, 오류 처리 능력, 그리고 강력한 비선형 근사 능력을 갖추고 있습니다. 예측, 시뮬레이션, 퍼지 제어 기능을 구현할 수 있어, 비선형 시스템을 처리하는 강력한 도구입니다. 최근에는 기름 속 용해가스 성분과 농도를 기반으로 변압기 고장 진단을 위한 인공 신경망의 사용이 연구의 초점이 되었습니다. 이를 통해 두 단계 ANNs 방법, 역전파 인공 신경망, 결정 트리 신경망 모델, 복합 신경망 계층 구조 모델, 그리고 방사형 기저 함수 신경망 등 다양한 고장 진단 방법이 개발되었습니다. 이러한 방법들은 신경망 알고리즘의 수렴 속도, 분류 성능, 정확도를 지속적으로 개선합니다.

5. 기타 진단 방법

위에서 언급한 네 가지 방법 외에도 몇 가지 다른 접근 방식이 변압기 고장 진단에 사용됩니다. 신경망과 증거 이론을 유기적으로 결합하여 서로의 장점을 활용하면, 다중 신경망과 증거 이론을 통합한 포괄적인 변압기 고장 진단 방법을 개발할 수 있습니다. 생물 면역 시스템에서 항체가 항원에 대한 효율적인 인식과 기억 메커니즘에서 영감을 받아, 자기 조직화 항체 네트워크와 항체 생성 알고리즘을 전력 변압기 고장 진단 문제에 적용할 수 있습니다. 또한, 다른 변압기 고장 진단 방법에는 정보 융합, 거친 집합 이론, 복합 결정 트리, 베이지안 네트워크, 인공 면역 시스템, 새로운 방사형 기저 함수 네트워크, 그리고 서포트 벡터 머신을 기반으로 하는 방법들이 있습니다.