정상 고주파 노이즈 학습을 이용한 직렬 아크사고 검출 기법에 관한 연구 = A Study on Series Arc Fault Detection Method Using Normal High-Frequency Noise Learning

국문 초록 (Abstract)

현대 전력환경은 인버터 가전, 스위칭 전원장치(SMPS), 형광등 안정기, 모터 구동기 등과 같은 비선형 부하의 급격한 증가로 인해 정상 동작 중에도 다양한 고주파 노이즈가 발생하는 특징을 가진다. 이러한 노이즈는 전기적 아크사고의 발생 시 나타나는 불규칙한 스파크 신호와 파형적으로 유사한 구조를 갖기 때문에, 기존 아크차단기(AFCI)가 적용하고 있는 고주파 기반 검출 방식과 단순 임계값 기반 알고리즘은 정상 부하에서도 빈번한 오동작을 일으키거나, 반대로 실제 아크신호를 검출하지 못하는 문제가 존재한다. 특히 국내 전력환경은 단상 220 V, 매립형 배선 구조, 다양한 전력전자기기의 혼재 등으로 인해 UL 1699, IEC 62606 기반의 해외 AFCI가 설계된 시험환경과 크게 상이하므로, 국내 회로 조건에 최적화된 아크검출 기술 개발이 요구된다.
본 논문에서는 이러한 문제점을 해결하기 위해, 고주파 노이즈의 특성을 기반으로 정상 노이즈와 아크신호를 정밀하게 구분할 수 있는 고주파 노이즈 필터링 기반 아크검출 회로를 제안하였다. 제안한 회로는 고주파 유도코일를 이용한 신호검출부, 초기 200 ms 동안 부하 고유의 정상 노이즈 전압 레벨을 학습하는 노이즈신호 필터링부, 학습 모드와 아크검출 모드를 자동 전환하는 모드 타이머 스위치부, 정상 노이즈 발생 주기성을 판단하여 불규칙 노이즈신호만을 단일화하는 펄스 단일화부, 그리고 최종적으로 일정 시간 내 발생하는 펄스 개수를 기반으로 아크발생 여부를 판정하는 아크검출부로 구성된다.
노이즈 필터링부는 디지털 리플카운터 출력과 트랜지스터의 이미터 바이어스 전압을 이용해 감도를 자동 조정함으로써, LED 조명, 형광등, 냉장고, 전동드릴, 전자레인지 등 다양한 부하에서 발생하는 정상 고주파 노이즈를 필터링 한다. 이후 펄스 단일화부는 정상 노이즈와 달리 반복성과 주기성이 없는 아크신호만을 개별 펄스로 추출하며, 아크검출부는 200 ms 리셋 주기를 갖는 디지털 리플카운터를 이용해 단시간 내 집중적으로 발생한 스파크를 검출함으로써 아크신호를 신뢰성 있게 판정한다.
실험 결과, LED램프, 형광등, 냉장고, 전동드릴, 전자레인지 등 다양한 부하 조건에서 제안한 필터링 방식은 정상 노이즈를 효과적으로 억제하며, 저전류 아크 및 저진폭 아크에서도 최대 180 ms 이내의 빠른 검출 성능을 보였다. 특히 저항성 부하와 같이 아크신호가 미약한 환경에서도 검출이 가능함을 확인하였다. 또한 스위칭 기반 부하에서 흔히 발생하는 고주파 노이즈로 인한 오동작이 관측되지 않아, 제안된 회로가 국내 전력환경에 적합한 높은 신뢰도의 아크검출 성능을 제공함을 입증하였다.
본 연구는 인공지능 학습 기반 알고리즘이나 복잡한 신호처리를 사용하지 않고도, 회로적 접근만으로 노이즈 학습을 통한 정상 노이즈 환경과 아크신호를 명확히 구분할 수 있는 새로운 하드웨어 기반 아크검출 방식을 제시하였다. 이는 향후 전통시장, 노후 건축물, 산업시설 등 아크화재 위험이 높은 환경에서 적용 가능한 실용적 기술로 활용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Modern power environments are characterized by the generation of various high-frequency noise components even during normal operation due to the rapid increase in nonlinear loads such as inverter-based appliances, switching mode power supplies (SMPS), fluorescent lamp ballasts, and motor drives. Because such noise has waveform structures similar to the irregular spike signals that appear during electrical arc faults, conventional arc-fault circuit interrupters (AFCIs), which employ high-frequency–based detection methods and simple threshold-based algorithms, frequently cause false operations under normal load conditions or, conversely, fail to detect actual arc signals. In particular, domestic power environments differ significantly from the test environments for which overseas AFCIs based on UL 1699 and IEC 62606 are designed, due to single-phase 220 V systems, embedded wiring structures, and the coexistence of various power electronic devices. Therefore, the development of arc detection technology optimized for domestic circuit conditions is required.
To address these issues, this paper proposes a high-frequency noise filtering–based arc detection circuit that can precisely distinguish normal noise from arc signals based on the characteristics of high-frequency noise. The proposed circuit consists of a signal detection unit using a high-frequency inductive coil, a noise signal filtering unit that learns the load-specific normal noise voltage level during an initial 200 ms period, a mode timer switch unit that automatically switches between the learning mode and the arc detection mode, a pulse unification unit that evaluates the noise occurrence periodicity of normal noise and unifies only irregular noise signals into single pulses, and an arc detection unit that finally determines the occurrence of an arc based on the number of pulses generated within a specified time interval.
The noise filtering unit automatically adjusts its sensitivity using the output of a digital ripple counter and the emitter bias voltage of a transistor, thereby filtering normal high-frequency noise generated from various loads such as LED lighting, fluorescent lamps, refrigerators, electric drills, and microwave ovens. Subsequently, the pulse unification unit extracts only arc signals, which lack repetition and periodicity unlike normal noise, as individual pulses. The arc detection unit reliably determines arc occurrence by detecting spike signals that occur intensively within a short time using a digital ripple counter with a 200 ms reset period.
Experimental results show that, under various load conditions including LED lamps, fluorescent lamps, refrigerators, electric drills, and microwave ovens, the proposed filtering method effectively suppresses normal noise and achieves fast detection performance within a maximum of 180 ms even for low-current and low-amplitude arc faults. In particular, it was confirmed that arc detection is possible even in environments with weak arc signals, such as resistive loads. In addition, no false operation caused by high-frequency noise commonly observed in switching-based loads was detected, demonstrating that the proposed circuit provides highly reliable arc detection performance suitable for domestic power environments.
This study presents a novel hardware-based arc detection method that can clearly distinguish normal noise environments from arc signals through noise learning using a circuit-based approach alone, without employing artificial intelligence–based learning algorithms or complex signal processing techniques. The proposed method is expected to be utilized as a practical technology applicable to environments with a high risk of arc-related fires, such as traditional markets, aged buildings, and industrial facilities.

목차 (Table of Contents)

• 1. 서 론 1
• 2. 아크사고의 이론적 배경8
• 2.1 아크의 발생 메커니즘 및 원인8
• 2.2 아크의 발생 주요 원인 분석 11
• 2.3 아크의 전기적 특성 분석 14
• 2.4 아크와 유사한 형태의 노이즈 특성 분석18
• 2.5 아크검출 및 차단 기술의 발전 동향 23
• 2.5.1 아크차단기 관련 규정 현황 23
• 2.5.2 기존 아크차단기 24
• 2.5.3 최근 연구동향 26
• 3. 노이즈 필터링을 적용한 아크검출회로 설계 32
• 3.1 전력계통의 신호검출부 설계 35
• 3.2 노이즈신호 필터링부 설계 39
• 3.3 모드변환 타이머 스위치부 설계 43
• 3.4 펄스 단일화부 설계45
• 3.5 아크검출부 설계47
• 4. 시뮬레이션 및 실험 결과 분석50
• 4.1 시뮬레이션 결과 및 분석 50
• 4.1.1 신호검출부의 증폭기 출력파형 51
• 4.1.2 노이즈신호 필터링부 출력파형 52
• 4.1.3 노이즈신호 필터링부 및 리셋 타이머 출력파형 53
• 4.2 실험 결과 및 분석 55
• 4.2.1 아크검출회로 세부 동작특성 파형분석59
• 4.2.2 펄스 단일화부 파형분석 68
• 4.2.3 제안한 아크검출회로의 검출 성능 파형분석 69
• 5. 결 론75
• □ 참고문헌77
• □ Abstract 82