Distributed Air-Gap Flux and Rotor-Current Fusion for Operating-Regime Identification in a 10-MW Kaplan Hydrogenerator

기술 요약: 10-MW 카플란 수차 발전기의 운전 영역 식별을 위한 분산 공극 자속 및 회전자 전류 융합

문제 정의
수력 발전기의 신뢰할 수 있는 모니터링을 위해서는 전기적 부하와 전자기장 거동을 모두 포착할 수 있는 기술자가 필요하다. 카플란 터빈-발전기 유닛에서는 가이드 베인 개도(GVO)의 변화가 발전기 부하를 변화시키며, 이는 공극 자속의 왜곡, 변조 및 공간적 불균일성에 영향을 미칠 수 있다. 회전자 전류 측정은 유용한 부하 정보를 제공하지만, 공극 자기장의 공간적 분포를 완전히 설명하지는 못한다. 반대로, 분산 자기 센싱은 전자기적 비대칭성과 장(field) 왜곡에 대한 직접적인 통찰을 제공하지만, 회전자 전류 특징과 결합하여 운전 상태를 분류하는 연구는 상대적으로 미진한 상태이다. 본 연구는 이러한 두 가지 양상(modality)을 융합하여 변화하는 수력 및 전기적 조건 하에서 운전 영역을 정확하게 식별하기 위한 데이터 기반 프레임워크의 필요성을 다룬다.

연구 방법론
본 연구는 7개의 정상 상태 GVO 설정(14° ~ 26°) 하에서 작동하는 10-MW 카플란 수력 발전기(Porjus U9)의 동기화된 측정을 활용한다. 데이터셋은 250 Hz로 샘플링된 10개의 스테이터 장착 홀 프로브(Hall probe)를 통한 공극 자속 밀도와 6개의 회전자 전류 채널로 구성된다.

제안된 프레임워크는 300초의 정상 상태 기록을 중첩되지 않는 1초 단위의 윈도우로 분할하여 처리한다. 특징 추출은 두 개의 병렬 브랜치에서 수행된다:

1. 공간 자속 특징 (Spatial Flux Features): 10개 프로브의 평균 자속 값에 이산 공간 푸리에 변환(discrete spatial Fourier transform)을 적용하여 기본 공간 진폭($B_1$)과 공간 불균일 지수(SNI)를 도출한다.
2. 시간 자속 특징 (Temporal Flux Features): 각 프로브에 대해 웰치 방법(Welch's method)을 사용하여 전력 스펙트럼 밀도를 추정하고, 저주파 성분에 대한 지배적인 시간 진폭($A_1$), 자속 시간 왜곡 지수(FTDI), 그리고 자속 변조 지수(FMI)를 추출한다.
3. 회전자 전류 특징 (Rotor-Current Features): 6개 전류 채널에 대한 채널별 실효값(RMS)을 계산한다.

이러한 특징들은 피어슨 상관계수(Pearson correlation)와 주성분 분석(PCA)을 통해 GVO와의 관계를 분석하는 데 사용된다. 이후 7개의 GVO 상태를 구분하기 위해 랜덤 포레스트(RF), 방사 기저 함수 서포트 벡터 분류(SVC-RBF), 그리고 다층 퍼셉트론(MLP)을 이용한 지도 학습 분류가 수행된다.

주요 기여

• 시공간 특징 추출: 본 논문은 분산된 프로브의 푸리에 분석을 통한 공간 자기 구조와 스펙트럼 분석을 통한 시간적 자속 역학, 그리고 전기적 부하(RMS 전류)를 분리하는 특정 기술자 세트를 도입한다.
• 융합 프레임워크: 단일 양상 분석을 넘어 분산 공극 자속 데이터와 회전자 전류 측정을 융합하는 체계적인 접근 방식을 입증한다.
• 해석 가능성: 상관관계 및 PCA를 통해 특징들의 물리적 의미를 분리함으로써, 전류 특징은 주로 전기적 부하 축을 추적하는 반면, 자속 특징은 공간적 불균형 및 파형 왜곡에 관한 보완적인 정보를 드러낸다는 것을 보여준다.

결과

• 특징 거동: 상관관계 분석 결과, RMS 전류 특징은 GVO와 매우 강한 단조 관계(Pearson $\rho \approx 0.978$)를 보이며 주요 부하 기술자 역할을 수행함을 확인했다. 반면, 공간 특징(SNI, $B_1$)은 GVO와 약한 상관관계를 보여, 부하 변화보다는 지속적인 구조적 비대칭성을 반영함을 시사했다. 시간적 왜곡(FTDI)은 중간 정도의 양의 상관관계를 보였다.
• 분류 성능:
  • **공간 전용 특징(Spatial-only features)**은 분리 능력이 낮아 테스트 정확도가 27% 미만이었다.
  • **전류 전용 특징(Current-only features)**은 약 84~85%의 기준 정확도를 달성했으나, 인접한 저부하 조건들을 구분하는 데 어려움을 겪었다.
  • **자속 전용 특징(Flux-only features)**은 공간 전용 특징보다 우수한 성능(MLP 기준 최대 ~88%)을 보였으나, 전류 특징 단독 모델보다 효과적이지는 않았다.
  • 융합된 특징(Fused Features): 자속과 전류 정보를 결합했을 때 가장 판별력이 높은 표현이 제공되었다. SVC-RBF 모델은 **99.5%**의 테스트 정확도와 0.995의 macro-F1 점수를 달려냈다. 모든 가용 특징을 추가하는 것이 자속-전류 융합 이상의 성능 향상을 일관되게 가져오지는 못했는데, 이는 전체 세트 내에 중복성이 존재함을 나타낸다.

의의 및 주장
본 논문은 분산 공극 자기 센싱이 회전자 전류 측정과 융합될 때, 카플란 수력 발전기의 운전 영역에 대한 정확하고 해석 가능한 데이터 기반 모니터링을 지원한다고 주장한다. 결과는 회전자 전류가 지배적인 부하 방향을 정의하는 반면, 자속 기반 특징은 부하 축과 직교하는 필수적인 공간 및 변조 구조를 인코딩한다는 것을 보여준다. 이러한 조합은 가이드 베인 개도 상태에 대한 매우 신뢰할 수 있는 분류를 가능하게 한다. 저자들은 이 프레임워크를 수력 발전 시스템을 위한 차세대 상태 모니터링 및 디지털 트윈 응용 분야의 압축된 기초로서 제시하며, 정보가 풍부한 신호 특징이 확보될 경우 단순한 머신러닝 방법이 복잡한 딥러닝 모델보다 더 뛰어난 성능을 낼 수 있음을 강조한다.