KR101151677B1 - 수배전반 시스템의 품질지수를 예측하는 장치 및 방법 - Google Patents

수배전반 시스템의 품질지수를 예측하는 장치 및 방법 Download PDF

Info

Publication number
KR101151677B1
KR101151677B1 KR1020100139657A KR20100139657A KR101151677B1 KR 101151677 B1 KR101151677 B1 KR 101151677B1 KR 1020100139657 A KR1020100139657 A KR 1020100139657A KR 20100139657 A KR20100139657 A KR 20100139657A KR 101151677 B1 KR101151677 B1 KR 101151677B1
Authority
KR
South Korea
Prior art keywords
data
measurement data
neural network
artificial neural
time point
Prior art date
Application number
KR1020100139657A
Other languages
English (en)
Inventor
박기주
이동준
윤용태
진영규
최태섭
Original Assignee
서울대학교산학협력단
주식회사 케이디파워
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단, 주식회사 케이디파워 filed Critical 서울대학교산학협력단
Priority to KR1020100139657A priority Critical patent/KR101151677B1/ko
Application granted granted Critical
Publication of KR101151677B1 publication Critical patent/KR101151677B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/003—Environmental or reliability tests
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/48—Meters specially adapted for measuring real or reactive components; Meters specially adapted for measuring apparent energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 인공신경회로망을 이용한 수배전반 시스템의 위험도 및 전력품질 지수를 산정하도록 한 수배전반 시스템의 품질지수를 예측하는 장치 및 방법에 관한 것으로서, 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템과, 상기 수배전반 시스템의 측정 데이터를 인공신경회로망의 입력으로 전달하는 측정 데이터 입력부와, 상기 수배전반 시스템의 측정 데이터로부터 차분 데이터를 계산하기 위해 이전 시점의 측정 데이터를 저장하기 위한 측정 데이터 메모리와, 상기 수배전반 시스템의 측정 데이터로부터 현재 시점의 측정 데이터에서 이전 시점의 측정 데이터를 감하여 상기 인공신경회로망의 입력으로 전달하는 차분 데이터 생성부와, 상기 수배전반 시스템의 환경 요소의 예상값을 산정하여 상기 인공신경회로망의 입력으로 전달하는 예측 데이터 생성부와, 상기 수배전반 시스템의 측정 데이터에 더해지는 노이즈를 생성하여 상기 인공신경회로망의 입력으로 전달하는 노이즈 데이터 생성부를 포함하여 구성되는 것을 특징으로 한다.

Description

수배전반 시스템의 품질지수를 예측하는 장치 및 방법{METHOD AND APPARATUS FOR PREDICTING SYSTEM FAILURE AND GRADING STATUS OF POWER DISTRIBUTION PANEL SYSTEM}
본 발명은 수배전반 시스템에 있어서, 특히 인공신경회로망(Artificial Neural Network)을 이용한 시스템 모델링과 시뮬레이션을 통해 위험도 및/또는 전력품질 지수를 예측하도록 한 수배전반 시스템의 품질지수를 예측하는 장치 및 방법에 관한 것이다.
일반적으로 수배전반 시스템은 6,600V 이상 또는 22,900V 급의 고압 전기를 공급받아 380V 또는 220V 급의 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 장치이다.
최근에는 IT 기술의 발전에 따라 수배전반 시스템에 각종 측정장치를 부착하여 시스템의 운용상태를 모니터링하고, LCD 화면과 같은 디스플레이 장치를 통해 시스템 관리자에게 측정한 정보를 제공하는 디지털 수배전반 시스템이 일반화되었다.
이러한 디지털 수배전반 시스템이 디스플레이 장치를 통해 제공하는 정보의 내용을 살펴보면, 단순히 측정 정보를 디스플레이 장치에 표시하는 수준을 넘어 사람인 시스템 관리자가 이해하기 쉽게 하기 위해 측정 정보를 화재발생 위험지수, 전력품질 지수 등의 2차 정보로 가공하여 표시하는 기술로까지 발전하였다.
한국 공개 특허 제2005-89734호(디지털 그래픽 수배전반 시스템)에도 관련 기술이 개시되어 있는 바, 상기 특허에는 상전압/전류와 선간 전압/전류를 포함하는 각종 전압과 전류, 패널 온도와 변압기 온도, 피상전력과 유효/무효전력, 역률과 왜형률을 측정하여 그래픽 디스플레이 장치에 보여주고, 동시에 해당 측정 정보를 화재 지수, 전력컨디션 지수, 출력감쇄 지수, 선로품질 지수 및 종합 품질 지수로 가공하여 그래픽 디스플레이에 표시하는 기술이 기재되어 있다.
이와 같이 위험도와 품질지수를 산정하는 것은 사람인 시스템 관리자에게 시스템 상태에 대한 정보를 알기쉽고 편리하게 제공하고자 하는 사용자 인터페이스(User Interface) 측면의 개선에도 일부 목적이 있겠으나, 그보다도 대고객 서비스의 개념을 사고가 발생하면 처리하는 A/S(After Service) 개념에서 사고의 발생을 미리 예측하고 예방하는 B/S(Before Service) 개념으로 발전시키는데 더 큰 목적이 있다 할 것 이다.
더욱이 수배전반 시스템에서 발생하는 사고는 단순히 수배전반 시스템의 고장에 그치는 것이 아니라, 화재와 같은 대형사고로 이어지거나 인명과 관련된 전기사고의 원인이 될 수 있으므로, 수배전반 시스템에 있어서 사고를 미연에 방지하는 B/S의 중요성은 더욱 커지게 된다.
지금까지 위험도와 전력품질 지수를 산정하는 방법을 살펴보면, 측정 정보들을 위험도와 전력품질 지수와의 관련도에 따라 가중치를 적용하고, 가중치가 적용된 현재 시점의 측정 정보들과 위험 기준 값(threshold)을 고려하여 정해진 규칙에 따라 점수화하는 방법을 주로 사용하고 있다.
예를 들어, 변압기 온도의 위험 기준 값이 100도이고 현재 변압기 온도가 70도라 간단하게는 위험도가 70점이라고 판정하는 것이다. 물론, 실제로 지수를 산정할 때는 이보다 복잡한 관계식을 사용하게 된다.
그러나, 이상의 방법은 B/S의 개념에서 부족한 점이 있다. 왜냐하면 현재 시점의 측정 정보가 아무리 위험 기준 값에 근접해 있는 경우라 할지라도, 중요한 점은 현재 시점에서는 사고가 발생하지 않았다는 점이다.
즉, 현재 시점의 측정 정보보다는 일정 시간 이후에 측정 정보들이 어떻게 변하는지를 예측하는 것이 더 중요하고, 현재 시점의 측정 정보를 점수화하는 것은 외우기 어려운 위험 기준 값을 알기 쉽게 표현한 것에 불과하다.
예를 들어, 변압기 2차 전압의 위험 기준 값이 정격 전압의 130%인 경우에 위험 기준인 130%를 모른다 하더라도 변압기 2차 전압의 위험지수를 70점이라고 표시하면 위험 기준 값과의 근접도를 판단할 수 있지만, 현재 시점의 변압기 상태가 위험하다고 판단하기에는 모호한 측면이 발생한다.
또한, 측정 정보간에는 복잡한 상호작용이 있으므로, 현재 시점의 측정 정보만을 이용한다면 측정 변수들간의 상호작용으로 인한 수배전반 시스템의 변화라는 중요한 특성을 놓칠 수 밖에 없다.
예를 들어, 현재 변압기의 온도가 90도로 위험 기준 값인 100도에 매우 근접한 경우라 할지라도, 이후에 전력 수요가 감소할 것으로 예상되거나 밤이 되어 외부 온도가 낮아질 것으로 예상된다면 위험도가 높다고 보기 어렵다.
또한, 현재 변압기의 온도가 70도이더라고 이후 전력 수요가 갑자기 증가할 것으로 예상된다면 위험도는 앞서 언급한 90도인 경우보다도 더욱 위험도가 높다고 판단할 수도 있는 것이다.
따라서, 수배전반 시스템의 위험도 및/또는 전력품질 지수를 산정하는 적당한 방법은, 수배전반 시스템을 모델링하고 해당 모델에 여러 측정 정보를 입력으로 하여 일정 시간 후의 예측 값을 계산한 후에, 예측 값을 위험 기준 값과 비교하거나 예측 값을 기존에 사용하던 지수화 관계식에 적용하여 점수화하는 것이다.
그러나, 여러 측정 정보들간의 관계가 매우 비선형적(non-linear)이고 상호작용이 복잡하여, 하나의 관계식으로 수배전반 시스템을 모델링하는 것은 거의 불가능한 일이다.
게다가 회로적으로는 동일한 수배전반 시스템이라 하더라도 물리적인 부품의 상태나 조립 상태, 그리고 설치환경과 설치상태에 따라 측정 정보들이 상호 작용하는 관계도 달라져서 특정 장소에 설치된 수배전반 시스템마다 다른 모델을 사용해야하므로, 수배전반 시스템 모델로부터 계산된 예측 값을 이용하여 위험도 및 전력품질 지수를 산정하는 것은 더욱 어려워진다.
본 발명은 상기와 같은 문제를 해결하기 위한 것으로 현재 시점의 측정 정보와 측정 정보의 변화량 등과 같은 측정 데이터, 예상 전력수요와 예상 온도 등과 같은 예측 데이터를 입력으로 하고, 일정 시간 이후의 측정 정보 예측 값을 출력으로 하는 인공신경회로망을 수배전반 시스템의 모델로 사용하여, 수배전반 시스템의 위험도 및/또는 전력품질 지수를 산정하도록 한 수배전반 시스템의 품질지수를 예측하는 장치 및 방법을 제공하는데 그 목적이 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 의한 수배전반 시스템의 품질지수를 예측하는 장치는 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템과, 상기 수배전반 시스템의 측정 데이터를 인공신경회로망의 입력으로 전달하는 측정 데이터 입력부와, 상기 수배전반 시스템의 측정 데이터로부터 차분 데이터를 계산하기 위해 이전 시점의 측정 데이터를 저장하기 위한 측정 데이터 메모리와, 상기 수배전반 시스템의 측정 데이터로부터 현재 시점의 측정 데이터에서 이전 시점의 측정 데이터를 감하여 상기 인공신경회로망의 입력으로 전달하는 차분 데이터 생성부와, 상기 수배전반 시스템의 환경 요소의 예상값을 산정하여 상기 인공신경회로망의 입력으로 전달하는 예측 데이터 생성부와, 상기 수배전반 시스템의 측정 데이터에 더해지는 노이즈를 생성하여 상기 인공신경회로망의 입력으로 전달하는 노이즈 데이터 생성부를 포함하여 구성되는 것을 특징으로 한다.
또한, 상기와 같은 목적을 달성하기 위한 본 발명에 의한 수배전반 시스템의 품질지수를 산정하는 방법은 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템의 품질지수를 산정하는 방법에 있어서, 상기 수배전반 시스템에서 현재 시점의 측정 데이터를 측정 데이터 입력부, 차분 데이터 메모리, 차분 데이터 생성부로 각각 전달하는 제 1 단계; 상기 수배전반 시스템의 측정 데이터를 전달받은 상기 차분 데이터 생성부가 상기 차분 데이터 메모리에서 이전 시점의 측정 데이터를 생성하는 제 2 단계; 상기 수배전반 시스템의 현재 시점의 측정 데이터로부터 예측 데이터 생성부가 다음 시점의 예측 데이터 값을 생성하는 제 3 단계; 노이즈 데이터 생성부에서 노이즈 데이터를 생성하는 제 4 단계; 상기 측정 데이터 입력부, 차분 데이터 생성부, 예측 데이터 생성부를 통해 생성된 각종 데이터를 인공신경회로망에 입력하는 제 5 단계; 상기 인공신경회로망으로부터 상기 측정 데이터 입력부, 차분 데이터 생성부, 예측 데이터 생성부를 통해 생성된 각종 데이터에 근거하여 다음 시점의 예측 값을 출력하는 제 6 단계; 상기 인공신경회로망으로부터 출력된 예측 값으로부터 위험도 및 전력품질 지수를 산정하는 제 7 단계를 포함하여 이루어진 것을 특징으로 한다.
본 발명에 의한 수배전반 시스템의 품질지수를 예측하는 장치 및 방법은 다음과 같은 효과가 있다.
첫째, 인공신경회로망을 이용한 위험도 및 전력품질 지수 예측 장치 및 방법을 적용하면, 일정 시간 이후의 동작을 시뮬레이션을 통해 직접 예측해봄으로써 현재의 측정값을 단순히 변환하여 표시하는 것보다 미래의 위험을 예측하고 예방하는데 더욱 효과적인 수단을 제공할 수 있다.
둘째, 건물에 설치되어 운용되고 있는 수배전반 시스템에서 측정한 데이터를 인공신경회로망 모델의 정확도를 개선하는데 직접 사용할 수 있으므로, 물리적인 특성과 주변 환경의 차이로 인해 세부 특성이 다를 수 밖에 없는 각각의 수배전반 시스템에 최적화된 인공신경회로망 모델을 구성할 수 있다.
셋째, 이미 구성된 인경신경회로망 모델로부터 출력을 계산하는 데는 계산 시간이 많이 소요되지 않으므로 시뮬레이션 반복 횟수도 상당히 크게 하여 예측의 정확도를 개선할 수 있다.
넷째, 기존의 품질지수 계산방식과 결합하여 현재의 측정 정보를 바탕으로 위험도 및/또는 품질지수를 디스플레이 장치에 표시하면서, 본 발명의 장치 및 방법을 통해 일정 시점 이후의 위험도 및/또는 품질지수를 동시에 표시해주면, 수배전반 시스템을 사용하는 관리자는 더욱 편리하고 정확하게 안전사고 예방을 위한 방안을 마련할 수 있다.
도 1은 본 발명에 의한 수배전반 시스템의 품질지수를 예측하는 장치에서 3개층으로 구성된 인공신경회로망을 나타낸 구성도
도 2는 본 발명에 의한 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치를 개략적으로 나타낸 구성도
도 3은 본 발명의 다른 실시예에 의한 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치를 개략적으로 나타낸 구성도
도 4는 도 2 및 도 3의 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치에서 추가적인 구성요소를 나타낸 구성도
도 5는 본 발명에 의한 수배전반 시스템의 전력품질 지수를 산정하는 방법을 개략적으로 나타낸 순서도
이하, 첨부된 도면을 참고하여 본 발명에 의한 수배전반 시스템의 품질지수를 예측하는 장치 및 방법을 보다 상세히 설명하면 다음과 같다.
도 1은 본 발명에 의한 수배전반 시스템의 품질지수를 예측하는 장치에서 3개층으로 구성된 인공신경회로망을 나타낸 구성도이다.
먼저, 인공신경회로망은 인간의 뇌의 구조와 기능을 모델링하는 수학적 방법이다. 인공신경회로망은 뇌의 뉴런에 해당하는 단위 노드들간의 상호연결, 상호연결의 강도(weight), 단위 노드의 함수를 주요 구성으로 하고 있다.
단위 노드들의 구조는 다양하게 만들 수 있으나, 도 1에 도시한 바와 같이, 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)의 3개 층(layer)로 구성된 구조를 많이 사용하고 있다.
이러한 인공신경회로망의 주요 특성은 데이터를 통해 학습이 이루어진다는 것인데, 학습 과정이 바로 미지의 복잡한 시스템을 모델링하고 주어진 환경에 맞게 조정(adaptation)되는 과정인 것이다.
한편, 인공신경회로망의 구조와 학습 알고리즘은 본 발명에서 새롭게 주장하는 내용이 아니므로, 이미 알려진 구조와 알고리즘 중에서 하나를 선택하여 사용하는 것으로 한다.
본 발명에서 수배전반 시스템의 모델로 인공신경회로망을 사용한 이유는 변수들간의 관계가 비선형적이고, 상호작용이 복잡하여 변수들간 관계식을 설정하는 것이 불가능한 경우에, 측정한 데이터에 기반하여 시스템을 모델링할 때 인공신경회로망이 적합한 방법이기 때문이다.
그리고, 인공신경회로망을 모델로 사용하기 위해서는 많은 수의 학습 데이터를 확보하는 것이 매우 중요한데, 수배전반 시스템은 기존 시스템의 운용 과정에서 축적되어 있는 데이터가 충분하고, 본 발명을 적용한 수배전반 시스템이 동작하면서 계속해서 학습 데이터가 발생하여 시스템 모델을 더욱 최적화하고 정교하게 할 수 있으므로, 인공신경회로망을 적용하기 위한 조건을 충족하는 거이다.
특히 물리적인 부품의 상태나 조립 상태, 그리고 설치환경과 설치상태의 차이로 인해 설치된 수배전반 시스템마다 다른 모델을 사용해야 하는데, 본 발명을 적용한 수배전반 시스템이 동작하면서 발생하는 학습 데이터는 해당 시스템에서 만들어지는 것이므로, 인공신경회로망 모델은 해당 시스템에만 적합하도록 조정(adaptation)이 될 수 있다.
따라서, 공장에서 출시되는 시점에 기본적으로 수배전반 시스템에 적용되어 있는 인공신경회로망 모델은 기존에 설치된 시스템으로부터 축적된 데이터를 이용하여 만들어진 동일한 모델이지만, 시스템이 동작하면서 발생하는 학습 데이터를 이용하여 해당 시스템에만 적용되는 각각의 인경신경회로망 모델이 만들어지는 것이다.
인공신경회로망의 구조와 학습 알고리즘 등 인공신경회로망 자체에 대한 내용은 이미 알려진 것 중에서 선택한다고 했을 때, 본 발명에서 중요한 것은 입력 변수와 출력 변수를 어떻게 구성하느냐에 관한 것이다.
먼저 출력 변수는 위험도 및/또는 전력품질 지수를 직접 출력하도록 구성할 수도 있지만, 위험도 및/또는 전력품질 지수는 정확한 값이 없으므로 인공신경회로망의 학습에 적당하지 않다.
따라서, 본 발명에서는 입력 변수 중에서 측정에 관련된 변수를 출력 변수로 선택하고, 출력에서 나오는 값은 해당 변수가 일정 시간 후에 가질 것으로 예상되는 예측 값으로 해석한다.
예를 들어, 출력 변수에 변압기 온도가 있다면, 해당 출력에서 나오는 값은 일정 시간 후의 변압기 온도 예측 값이 되는 것이다. 여기서 일정 시간이라 함은 본 발명의 목적에 맞도록 10초, 1분 등으로 정해진 시간 간격을 나타낸다.
입력변수는 수배전반 시스템에서 측정하는 정보인 측정 데이터, 측정 데이터의 변화량을 나타내는 정보인 차분 데이터, 수배전반 시스템의 환경 요소에 대한 예측 정보인 예측 데이터, 그리고 측정 데이터에 랜덤한 변화를 나타내는 노이즈 데이터로 구성된다.
여기서, 노이즈 데이터는 측정 데이터와 별개로 인공신경회로망의 독립적인 입력으로 사용되거나, 측정 데이터에 노이즈 데이터를 더해 하나의 인공신경회로망 입력으로 사용될 수 있다.
상기 입력 변수와 출력 변수가 사용되는 예시는 다음과 같다.
수배전반 시스템에서 상전압(phase voltage) 3개, 상전류(phase current) 3개, 변압기 온도, 피상전력(complex power)을 측정할 수 있다고 가정한다.
여기서, 상전압과 상전류는 교류로 시간에 따라 변하는 값이므로, 푸리에 변환 등을 통해 주파수으로 분해하고 각 주파수 성분의 계수를 사용하는 것으로 하고, 여기서는 기본 주파수(60Hz)와 2개의 고조파에 해당하는 계수의 총 3개 계수값을 사용한다고 하자. 그러면, 측정 데이터는 상전압(3×3), 상전류(3×3), 변압기 온도(1), 피상전력(1)의 20개로 구성된다.
수배전반 시스템의 전력 수요에 일정한 패턴이 있어서 특정 시점에서의 전력 수요 예측 값이 이미 정해져 있다고 하자. 그리고, 일기예보상의 기온 변화를 통해 수배전반 시스템 주변의 온도를 예측할 수 있다고 하면, 예측 데이터는 전력 수요, 주변 온도의 2개로 구성된다.
차분 데이터는 측정 데이터의 변화량을 나타내므로, 현재 시점(k)에서의 측정 데이터에서 이전 시점(k-1)에서의 측정 데이터를 뺀 값을 입력으로 사용하는 것이고, 측정 데이터가 20개이므로 차분 데이터도 20개로 구성된다.
노이즈 데이터는 각각의 측정 데이터에 부가되는 값을 나타내므로, 독립적인 입력 변수로 사용되면 측정 데이터의 개수와 동일하게 20개의 입력 변수가 추가되는 것이고, 측정 데이터에 더해져서 사용되면 노이즈 데이터는 입력 변수가 되지 않는다. 여기서는 측정 데이터에 더해져서 사용된다고 가정한다.
출력 변수는 일정 시간 이후인 다음 시점(k+1)에서의 측정 데이터 예측 값을 나타내므로, 측정 데이터와 동일하게 상전압(3×3), 상전류(3×3), 변압기 온도(1), 피상전력(1)의 20개로 구성된다.
이상과 같은 상황에서 본 발명의 수배전반 시스템의 품질지수를 예측하는 장치는 입력변수 20+20+2=42개와 출력변수 20개로 구성된 인공신경회로망이 되는 것이다. 그리고, 다음 시점(k+1)에서의 측정 데이터 예측 값을 위험 기준 값과 비교하여 위험도를 산정하고, 기존의 방식대로 일정한 계산식에 측정 데이터 예측 값을 적용하여 점수를 산정하게 된다.
도 2는 본 발명에 의한 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치를 개략적으로 나타낸 구성도이다.
본 발명에 의한 수배전반 시스템의 품질지수를 예측하는 장치는 도 2에 도시한 바와 같이, 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템(110)과, 상기 수배전반 시스템(110)의 측정 데이터를 인공신경회로망(120)의 입력으로 전달하는 측정 데이터 입력부(130)와, 상기 수배전반 시스템(110)의 측정 데이터로부터 차분 데이터를 계산하기 위해 이전 시점의 측정 데이터를 저장하기 위한 측정 데이터 메모리(140)와, 상기 수배전반 시스템(110)의 측정 데이터로부터 현재 시점의 측정 데이터에서 이전 시점의 측정 데이터를 감하여 상기 인공신경회로망(120)의 입력으로 전달하는 차분 데이터 생성부(150)와, 상기 수배전반 시스템(110)의 환경 요소의 예상값을 산정하여 상기 인공신경회로망(120)의 입력으로 전달하는 예측 데이터 생성부(160)와, 상기 수배전반 시스템(110)의 측정 데이터에 더해지는 노이즈를 생성하여 상기 인공신경회로망(120)의 입력으로 전달하는 노이즈 데이터 생성부(170)를 포함하여 구성되어 있다.
도 3은 본 발명의 다른 실시예에 의한 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치를 개략적으로 나타낸 구성도이다.
본 발명의 다른 실시예에 의한 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치는 도 3에 도시한 바와 같이, 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템(110)과, 상기 수배전반 시스템(110)의 측정 데이터와 노이즈 데이터를 합산하여 인공신경회로망(120)의 입력으로 전달하는 측정 데이터 입력부(130)와, 상기 수배전반 시스템(110)의 측정 데이터로부터 차분 데이터를 계산하기 위해 이전 시점의 측정 데이터를 저장하기 위한 측정 데이터 메모리(140)와, 상기 수배전반 시스템(110)의 측정 데이터로부터 현재 시점의 측정 데이터에서 이전 시점의 측정 데이터를 감하여 상기 인공신경회로망(120)의 입력으로 전달하는 차분 데이터 생성부(150)와, 상기 수배전반 시스템(110)의 환경 요소의 예상값을 산정하여 상기 인공신경회로망(120)의 입력으로 전달하는 예측 데이터 생성부(160)와, 상기 수배전반 시스템(110)의 측정 데이터에 더해지는 노이즈를 생성하여 상기 측정 데이터 입력부(130)로 전달하는 노이즈 데이터 생성부(170)를 포함하여 구성되어 있다.
여기서, 상기 수배전반 시스템(110)의 측정 데이터는 상전압의 기본 주파수 계수값 및 N개의 고조파 계수값, 상전류의 기본 주파수 계수값 및 N개의 고조파 계수값, 피상전력, 유효전력, 무효전력, 역률, 변압기 온도, 패널온도, 누설전류, 왜형률 중 하나 이상의 데이터를 포함한다.
상기 예측 데이터는 전력 수요 예측 값, 주변 온도 예측 값 중 하나 이상의 데이터를 포함한다.
상기 인공신경회로망(120)을 통한 출력은 측정 데이터의 변수와 동일하게 설정한다.
상기 예측 데이터 생성부(160)를 구현함에 있어서 사용 패턴의 회귀분석과 같은 방법을 사용하거나, 과거 데이터로부터 예측 데이터를 생성하기 위한 제 2 의 인공신경회로망을 사용할 수 있다.
상기 노이즈 데이터 생성부(170)를 구현함에 있어서 랜덤(random) 노이즈 생성 함수를 사용할 수 있는데, 어떤 노이즈 생성 함수를 사용하는지와 노이즈의 최대값을 얼마로 하는지 등과 같은 파라미터들이 본 발명 장치의 예측 성능에 영향을 미칠 것이다. 따라서, 상기 노이즈 데이터 생성부(170)는 다양한 모델의 실험을 통해 최적의 노이즈 생성부 파라미터를 선택하는 것이 중요하다.
도 4는 도 2 및 도 3의 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치에서 추가적인 구성요소를 나타낸 구성도이다.
도 4에 도시한 바와 같이, 현재 시점(k)에서 상기 인공신경회로망(120)으로부터 출력된 다음 시점(k+1)의 예측 값을 저장하기 위한 학습용 메모리(180)와, 다음 시점(k+1)의 실제 측정 데이터와 상기 학습용 메모리(170)로부터 획득한 예측 값을 비교하여 예측 오류를 계산하고, 계산된 예측 오류를 인공신경회로망(120)으로 전달하는 예측 오류 생성부(190)와, 상기 예측 오류 생성부(190)의 예측 오류를 바탕으로 인공신경회로망(120)의 파라미터를 조정하는 인공신경 회로망 학습 장치(200)를 더 포함하여 이루어진다.
상기와 같이 구성된 본 발명에 의한 수배전반 시스템의 품질지수(위험도 및 전력품질 지수)를 예측하는 장치를 이용한 수배전반 시스템의 위험도 및 전력품질 지수를 산정하는 방법은 다음과 같다.
즉, 도 5는 본 발명에 의한 수배전반 시스템의 전력품질 지수를 산정하는 방법을 개략적으로 나타낸 순서도이다.
본 발명에 의한 수배전반 시스템의 전력품질 지수를 산정하는 방법은 도 5에 도시한 바와 같이, 수배전반 시스템(110)에서 현재 시점(k)의 측정 데이터(현재 측정값)를 측정 데이터 입력부(130), 차분 데이터 메모리(140), 차분 데이터 생성부(150)로 각각 전달한다(S210).
이어서, 상기 수배전반 시스템(110)의 측정 데이터를 전달받은 상기 차분 데이터 생성부(150)가 상기 차분 데이터 메모리(140)에서 이전 시점(k-1)의 측정 데이터를 획득한다(S220).
여기서, 상기 차분 데이터 메모리(140)의 차분 데이터는 측정 데이터의 변화량을 나타내므로, 현재 시점(k)에서의 측정 데이터에서 이전 시점(k-1)에서의 측정 데이터를 뺀 값을 입력으로 사용하는 것이고, 측정 데이터가 20개이면, 차분 데이터도 20개로 구성된다.
이어서, 상기 예측 데이터 생성부(160)가 다음 시점(k+1)의 예측 데이터 값을 생성한다(S230).
이어서, 상기 노이즈 데이터 생성부(170)에서 노이즈 데이터를 생성한다(S240). 여기서, 상기 노이즈 데이터는 측정 데이터와 별개로 인공신경회로망의 독립적인 입력으로 사용되거나, 측정 데이터에 노이즈 데이터를 더해 하나의 인공신경회로망 입력으로 사용될 수 있다.
상기 노이즈 데이터는 각각의 측정 데이터에 부가되는 값을 나타내므로, 독립적인 입력 변수로 사용되면 측정 데이터의 개수와 동일하게 20개의 입력 변수가 추가되는 것이고, 측정 데이터에 더해져서 사용되면 노이즈 데이터는 입력 변수가 되지 않는다.
이어서, 상기 측정 데이터 입력부(130), 차분 데이터 생성부(150), 예측 데이터 생성부(160)를 통해 생성된 각종 데이터를 인공신경회로망(120)에 입력한다(S250).
이어서, 상기 인공신경회로망(120)으로부터 상기 측정 데이터 입력부(130), 차분 데이터 생성부(150), 예측 데이터 생성부(160)를 통해 생성된 각종 데이터에 근거하여 다음 시점(k+1)의 예측 값을 출력한다(S260).
그리고 상기 인공신경회로망(120)으로부터 출력된 예측 값으로부터 위험도 및 전력품질 지수를 산정한다(S270).
이때 상기 인공신경회로망(120)으로부터 출력된 예측 값으로부터 위험도 및 전력품질 지수를 산정하는 제 1 방법은 다음과 같다.
즉, 상기 S201 ~ S260의 단계를 실행한 후, 각 실행단계마다 출력되는 예측 값과 위험 기준 값을 비교하여, 위험 기준 값을 벗어나는 예측 값이 하나라도 존재하면 위험도 및/또는 전력품질 카운터를 1만큼 증가한다.
이어서, 상기 S230, S210 및 S220를 N회 반복하여 위험도 및/또는 전력품질 카운터의 값을 결과로 표시한다.
이때 상기 인공신경회로망(120)으로부터 출력된 예측 값으로부터 위험도 및 전력품질 지수를 산정하는 제 2 방법은 다음과 같다.
즉, 상기 S201 ~ S260의 단계를 실행한 후, 각 실행단계마다 출력되는 예측 값으로부터 화재 지수, 전력컨디션 지수, 출력감쇄 지수, 선로품질 지수, 종합 품질 지수 등 기존의 지수 관계식에 적용하여 점수화한다.
이어서, 상기 S230, S210 및 S220를 N회 반복하여 각 지수의 평균을 계산하여 위험도 및/또는 전력품질 지수의 결과로 표시한다.
도 4의 인공신경회로망 모델을 학습하기 위한 방법은 현재 시점(k)에서 인공신경회로망(120)으로부터 출력된 다음 시점(k+1)의 예측 값을 학습용 메모리(180)에 저장한다.
이어서, 다음 시점(k+1)의 실제 측정 데이터와 학습용 메모리(180)로부터 획득한 예측 값을 비교하여 예측 오류를 계산하고, 계산된 예측 오류를 인공신경회로망(120)으로 전달한다.
그리고 예측 오류를 바탕으로 인공신경회로망의 학습 알고리즘을 적용하여 인공신경회로망의 파라미터를 조정(adaptation)한다.
한편, 이상 설명한 내용을 통해 당업자라면 본 발명의 기술사상을 일탈하지 아니하는 범위에서 다양한 변경 및 수정이 가능함을 알 수 있을 것이다. 따라서 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허 청구의 범위에 의해 정하여 져야만 할 것이다.
110 : 수배전반 시스템 120 : 인공신경회로망
130 : 측정 데이터 입력부 140 : 차분 데이터 메모리
150 : 차분 데이터 생성부 160 : 예측 데이터 생성부
170 : 노이즈 데이터 생성부 180 : 학습용 메모리
190 : 예측 오류 생성부 200 : 인공신경 회로망 학습 장치

Claims (11)

  1. 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템과,
    상기 수배전반 시스템의 측정 데이터를 인공신경회로망의 입력으로 전달하는 측정 데이터 입력부와,
    상기 수배전반 시스템의 측정 데이터로부터 차분 데이터를 계산하기 위해 이전 시점의 측정 데이터를 저장하기 위한 측정 데이터 메모리와,
    상기 수배전반 시스템의 측정 데이터로부터 현재 시점의 측정 데이터에서 이전 시점의 측정 데이터를 감하여 상기 인공신경회로망의 입력으로 전달하는 차분 데이터 생성부와,
    상기 수배전반 시스템의 환경 요소의 예상값을 산정하여 상기 인공신경회로망의 입력으로 전달하는 예측 데이터 생성부와,
    상기 수배전반 시스템의 측정 데이터에 더해지는 노이즈를 생성하여 상기 인공신경회로망의 입력으로 전달하는 노이즈 데이터 생성부를 포함하여 구성되는 것을 특징으로 하는 수배전반 시스템의 품질지수를 예측하는 장치.
  2. 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템과,
    상기 수배전반 시스템의 측정 데이터와 노이즈 데이터를 합산하여 인공신경회로망의 입력으로 전달하는 측정 데이터 입력부와,
    상기 수배전반 시스템의 측정 데이터로부터 차분 데이터를 계산하기 위해 이전 시점의 측정 데이터를 저장하기 위한 측정 데이터 메모리와,
    상기 수배전반 시스템의 측정 데이터로부터 현재 시점의 측정 데이터에서 이전 시점의 측정 데이터를 감하여 상기 인공신경회로망의 입력으로 전달하는 차분 데이터 생성부와,
    상기 수배전반 시스템의 환경 요소의 예상값을 산정하여 상기 인공신경회로망의 입력으로 전달하는 예측 데이터 생성부와,
    상기 수배전반 시스템의 측정 데이터에 더해지는 노이즈를 생성하여 상기 측정 데이터 입력부로 전달하는 노이즈 데이터 생성부를 포함하여 구성되는 것을 특징으로 하는 수배전반 시스템의 품질지수를 예측하는 장치.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 측정 데이터는 상전압의 기본 주파수 계수값 및 N개의 고조파 계수값, 상전류의 기본 주파수 계수값 및 N개의 고조파 계수값, 피상전력, 유효전력, 무효전력, 역률, 변압기 온도, 패널온도, 누설전류, 왜형률 중 적어도 어느 하나의 데이터를 포함하는 것을 특징으로 하는 수배전반 시스템의 품질지수를 예측하는 장치.
  4. 제 1 항 또는 제 2 항에 있어서,
    상기 예측 데이터는 전력 수요 예측 값, 주변 온도 예측 값 중 적어도 어느 하나의 데이터를 포함하는 것을 특징으로 하는 수배전반 시스템의 품질지수를 예측하는 장치.
  5. 제 1 항 또는 제 2 항에 있어서,
    상기 현재 시점에서 상기 인공신경회로망으로부터 출력된 다음 시점(k+1)의 예측 값을 저장하기 위한 학습용 메모리와, 다음 시점(k+1)의 실제 측정 데이터와 상기 학습용 메모리로부터 획득한 예측 값을 비교하여 예측 오류를 계산하고, 계산된 예측 오류를 인공신경회로망으로 전달하는 예측 오류 생성부와, 상기 예측 오류 생성부로부터 예측 오류를 바탕으로 상기 인공신경회로망의 파라미터를 조정하기 위해 구성되는 인공신경 회로망 학습 장치를 더 포함하여 이루어진 것을 특징으로 하는 수배전반 시스템의 품질지수를 예측하는 장치.
  6. 고압의 전기를 공급받아 저압으로 변환하여 건물 단위 또는 공장 단위별로 전기를 공급하는 수배전반 시스템의 품질지수를 산정하는 방법에 있어서,
    상기 수배전반 시스템에서 현재 시점의 측정 데이터를 측정 데이터 입력부, 차분 데이터 메모리, 차분 데이터 생성부로 각각 전달하는 제 1 단계;
    상기 수배전반 시스템의 측정 데이터를 전달받은 상기 차분 데이터 생성부가 상기 차분 데이터 메모리에서 이전 시점의 측정 데이터를 생성하는 제 2 단계;
    상기 수배전반 시스템의 현재 시점의 측정 데이터로부터 예측 데이터 생성부가 다음 시점의 예측 데이터 값을 생성하는 제 3 단계;
    노이즈 데이터 생성부에서 노이즈 데이터를 생성하는 제 4 단계;
    상기 측정 데이터 입력부, 차분 데이터 생성부, 예측 데이터 생성부를 통해 생성된 각종 데이터를 인공신경회로망에 입력하는 제 5 단계;
    상기 인공신경회로망으로부터 상기 측정 데이터 입력부, 차분 데이터 생성부, 예측 데이터 생성부를 통해 생성된 각종 데이터에 근거하여 다음 시점의 예측 값을 출력하는 제 6 단계;
    상기 인공신경회로망으로부터 출력된 예측 값으로부터 위험도 및 전력품질 지수를 산정하는 제 7 단계를 포함하여 이루어진 것을 특징으로 하는 수배전반 시스템의 품질지수를 산정하는 방법.
  7. 제 6 항에 있어서,
    상기 측정 데이터는 상전압의 기본 주파수 계수값 및 N개의 고조파 계수값, 상전류의 기본 주파수 계수값 및 N개의 고조파 계수값, 피상전력, 유효전력, 무효전력, 역률, 변압기 온도, 패널온도, 누설전류, 왜형률 중 적어도 어느 하나의 데이터를 포함하는 것을 특징으로 하는 수배전반 시스템의 품질지수를 산정하는 방법.
  8. 제 6 항에 있어서,
    상기 예측 데이터는 전력 수요 예측 값, 주변 온도 예측 값 중 적어도 어느 하나의 데이터를 포함하는 것을 특징으로 하는 수배전반 시스템의 품질지수를 산정하는 방법.
  9. 제 6 항에 있어서, 제 7 단계는,
    상기 제 1 내지 제 6 단계를 실행하고,
    상기 각 실행단계마다 출력되는 예측 값과 위험 기준 값을 비교하여, 위험 기준 값을 벗어나는 예측 값이 하나라도 존재하면 위험도 및/또는 전력품질 카운터를 1만큼 증가하는 단계;
    상기 제 3 단계, 제 1 단계 및 제 2 단계를 N회 반복하여 위험도 및 전력품질 카운터의 값을 결과로 표시하는 단계를 포함하여 이루어진 것을 특징으로 하는 수배전반 시스템의 품질지수를 산정하는 방법.
  10. 제 6 항에 있어서, 제 7 단계는,
    상기 제 1 내지 제 6 단계를 실행하고,
    상기 각 실행단계마다 출력되는 예측 값으로부터 화재 지수, 전력컨디션 지수, 출력감쇄 지수, 선로품질 지수, 종합 품질 지수와 같은 기존의 지수 관계식에 적용하여 점수화하는 단계;
    상기 제 3 단계, 제 1 단계 및 제 2 단계를 N회 반복하여 위험도 및 전력품질 카운터의 값을 결과로 표시하는 단계를 포함하여 이루어진 것을 특징으로 하는 수배전반 시스템의 품질지수를 산정하는 방법.
  11. 제 6 항에 있어서, 제 7 단계 이후에,
    상기 현재 시점에서 인공신경회로망으로부터 출력된 다음 시점의 예측 값을 학습용 메모리에 저장하는 단계;
    상기 다음 시점의 실제 측정 데이터와 학습용 메모리로부터 획득한 예측 값을 비교하여 예측 오류를 계산하고, 계산된 예측 오류를 인공신경회로망 학습부로 전달하는 단계;
    예측 오류를 바탕으로 인공신경회로망의 학습 알고리즘을 적용하여 인공신경회로망의 파라미터를 조정하는 단계를 더 포함하여 이루어진 것을 특징으로 하는 수배전반 시스템의 품질지수를 산정하는 방법.
KR1020100139657A 2010-12-30 2010-12-30 수배전반 시스템의 품질지수를 예측하는 장치 및 방법 KR101151677B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100139657A KR101151677B1 (ko) 2010-12-30 2010-12-30 수배전반 시스템의 품질지수를 예측하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100139657A KR101151677B1 (ko) 2010-12-30 2010-12-30 수배전반 시스템의 품질지수를 예측하는 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101151677B1 true KR101151677B1 (ko) 2012-08-07

Family

ID=46886694

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100139657A KR101151677B1 (ko) 2010-12-30 2010-12-30 수배전반 시스템의 품질지수를 예측하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101151677B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101332714B1 (ko) 2013-08-07 2013-11-26 한국 전기안전공사 심각도 평가를 통한 몰드변압기 진단방법
US10203675B2 (en) 2015-04-17 2019-02-12 Lsis Co., Ltd. Communication system and operating method thereof
WO2019107980A1 (ko) * 2017-11-30 2019-06-06 주식회사 포스코 품질 예측 장치 및 방법
KR20210023077A (ko) * 2019-08-22 2021-03-04 지앤비쏠라 주식회사 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100842789B1 (ko) 2006-09-20 2008-07-01 주식회사 케이디파워 디지털 그래픽 기반의 수배전반 시스템
KR100893712B1 (ko) 2007-01-09 2009-04-20 박기주 멤버쉽 함수를 이용한 예측 전력량 획득 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100842789B1 (ko) 2006-09-20 2008-07-01 주식회사 케이디파워 디지털 그래픽 기반의 수배전반 시스템
KR100893712B1 (ko) 2007-01-09 2009-04-20 박기주 멤버쉽 함수를 이용한 예측 전력량 획득 방법 및 장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101332714B1 (ko) 2013-08-07 2013-11-26 한국 전기안전공사 심각도 평가를 통한 몰드변압기 진단방법
US10203675B2 (en) 2015-04-17 2019-02-12 Lsis Co., Ltd. Communication system and operating method thereof
WO2019107980A1 (ko) * 2017-11-30 2019-06-06 주식회사 포스코 품질 예측 장치 및 방법
KR20190063836A (ko) * 2017-11-30 2019-06-10 주식회사 포스코 품질 예측 장치 및 방법
KR102074359B1 (ko) * 2017-11-30 2020-02-06 주식회사 포스코 품질 예측 장치 및 방법
KR20210023077A (ko) * 2019-08-22 2021-03-04 지앤비쏠라 주식회사 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법
KR102266752B1 (ko) * 2019-08-22 2021-06-18 지앤비쏠라 주식회사 자기 반추 및 머신러닝을 이용한 태양광 발전 접속반 및 태양광 발전 접속반의 예측진단 방법

Similar Documents

Publication Publication Date Title
Mohammed et al. Available transfer capability calculation methods: A comprehensive review
Kirschen et al. Comparison of risk-based and deterministic security assessments
US9563722B2 (en) Sigma algebraic approximants as a diagnostic tool in power networks
Zarrabian et al. Reinforcement learning approach for congestion management and cascading failure prevention with experimental application
CA2657038C (en) Systems and methods for real-time advanced visualization for predicting the health, reliability and performance of an electrical power system
Decker et al. System wide model validation of the Brazilian interconnected power system
Teklić et al. Modelling of three-phase electric arc furnace for estimation of voltage flicker in power transmission network
US11336092B2 (en) Multi-objective real-time power flow control method using soft actor-critic
AU2007264998A1 (en) Automatic real-time optimization and intelligent control of electrical power distribution and transmission systems
KR101151677B1 (ko) 수배전반 시스템의 품질지수를 예측하는 장치 및 방법
Khosravi-Charmi et al. Wide area damping of electromechanical low frequency oscillations using phasor measurement data
Rahimi et al. Effect of communication time-delay attacks on the performance of automatic generation control
US20180313879A1 (en) Determination of harmonic pollution on an electrical distribution network
WO2014180125A1 (zh) 一种基于扰动评估和趋势分析的操作票安全校核方法
Gracheva et al. Forecasting reliability electrotechnical complexes of in-plant electric power supply taking into account low-voltage electrical apparatuses
Saberi et al. A heuristic benders-decomposition-based algorithm for transient stability constrained optimal power flow
Guo et al. Evidence-based approach to power transmission risk assessment with component failure risk analysis
Liao et al. An interval Taylor-based method for transient stability assessment of power systems with uncertainties
Billinton et al. Impact of utilising sequential and nonsequential simulation techniques in bulk-electric-system reliability assessment
Liang et al. Load calibration and model validation methodologies for power distribution systems
Li et al. Dynamic state estimation method for multiple battery energy storage systems with droop-based consensus control
Díez-Maroto et al. A WACS exploiting generator Excitation Boosters for power system transient stability enhancement
Diahovchenko et al. A fuzzy-logic-based method for maintenance prioritization of high-voltage SF6 circuit breakers, considering uneven wear
Yang et al. Blocking cascading failures with optimal corrective transmission switching considering available correction time
Zhao et al. Probabilistic Harmonic Estimation in Uncertain Transmission Networks Using Sequential ANNs

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160503

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170510

Year of fee payment: 6