일반적으로 변압기의 고장진단을 위해 IEC 코드법이 사용되지만, 이 방법은 가스비율이 규정된 범위 내에 존재하지 않거나 경계조건에 있는 경우 숙련된 진단 전문가에게 의뢰하지 않고는 정확한 고장의 원인을 판정하는데 어려움이 있다. 이러한 문제점을 해결하기 위하여 본 논문에서는 SOM을 이용한 전력용 변압기의 고장진단 알고리즘을 제안한다. 제안된 방법은 훈련 데이터의 경쟁학습을 통하여 자기 구성 맵을 구축한 후, 실증 데이터를 구축된 맵에 적용하여 고장의 진단이 이루어진다. 또한 클러스터링 기법에 의해 구축된 정상/고장모델과 정상 데이터를 비교함으로써 고장의 추이 및 열화정도를 분석한다. 제안된 방법의 유용성을 보이기 위한 실험결과에서 기존의 방법들에 비해 향상된 진단결과를 보임을 확인할 수 있었다.
IEC code based decision nile have been widely applied to detect incipient faults in power transformers. However, this method has a drawback to achieve the diagnosis with accuracy without experienced experts. In order to resolve this problem, we propose an artificial diagnosis algorithm to detect faults of power transformers using Self-Organizing Feature Map(SOM). The proposed method has two stages such as model construction and diagnostic procedure. First, faulty model is constructed by feature maps obtained by unsupervised learning for training data. And then, diagnosis is performed by compare feature map with it obtained for test data. Also the proposed method usぉms the possibility and degree of aging as well as the fault occurred in transformer by clustering and distance measure schemes. To demonstrate the validity of proposed method, various experiments are unformed and their results are presented.
