KR101299183B1 - 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템 - Google Patents

음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템 Download PDF

Info

Publication number
KR101299183B1
KR101299183B1 KR1020120067213A KR20120067213A KR101299183B1 KR 101299183 B1 KR101299183 B1 KR 101299183B1 KR 1020120067213 A KR1020120067213 A KR 1020120067213A KR 20120067213 A KR20120067213 A KR 20120067213A KR 101299183 B1 KR101299183 B1 KR 101299183B1
Authority
KR
South Korea
Prior art keywords
power
classification
power signal
power quality
group
Prior art date
Application number
KR1020120067213A
Other languages
English (en)
Inventor
홍광석
오병훈
이규범
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020120067213A priority Critical patent/KR101299183B1/ko
Application granted granted Critical
Publication of KR101299183B1 publication Critical patent/KR101299183B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/003—Measuring mean values of current or voltage during a given time interval
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/30—Measuring the maximum or the minimum value of current or voltage reached in a time interval
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061—Details of electronic electricity meters
    • G01R22/063—Details of electronic electricity meters related to remote communication
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C19/00—Electric signal transmission systems
    • G08C19/02—Electric signal transmission systems in which the signal transmitted is magnitude of current or voltage

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명에 따른 음성 처리 기법을 이용한 전력품질 분류 방법은 (a) 송신되는 전력신호를 입력받는 단계, (b) 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 단계, (c) 최대값, 최소값 및 평균값을 이용하여 전력신호에 대한 초기 분류를 수행하는 단계, (d) 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 단계 및 (e) MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력품질을 최종 분류하는 단계를 포함한다. 본 발명의 전력품질 분류 방법은 전력품질 분류가 필요한 장치 또는 전력품질 모니터링 시스템에서 수행되는 것이다.

Description

음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템{CLASSIFICATION METHOD FOR QUALITY OF POWER SIGNAL USING SPEECH PROCESSING TECHNIQUES, MONITORING APPARATUS FOR QUALITY OF POWER SIGNAL USING SPEECH PROCESSING TECHNIQUES AND MONITORING SYSTEM FOR QUALITY OF POWER SIGNAL USING SPEECH PROCESSING TECHNIQUES}
본 발명은 전력 계통에서 송신되는 전력신호에 대한 품질을 분류하는 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템에 관한 것이다.
최근 전력신호 분류 분야의 연구는 순시 전압 강하(Sag)와 고조파(HD)의 전력품질에 집중되고 있다. 이러한 추세는 전력수급의 문제보다는 수용가의 관심이 전력품질 향상으로 전환되었기 때문이다(최재호, "전력품질 장애와 대책", 전력전자학회지, 제5권, 제1호, 2000. 참조).
컴퓨터 수요, 전력전자 설비 등의 급증에 따라 전력품질 현상 중에서도 대표적인 현상인 전압 강하(Sag)와 고조파(HD)에 관심이 집중되고 있다(김홍균, 이진목, 최재호, "신경망을 이용한 전력품질 문제 인식", 전력전자학술대회 논문집, 2006. 참조). 이러한 전력품질 문제는 전력계통의 효율적인 보호를 위한 고장제거 수립에 필수적인 기술이다.
한국 공개특허 제10-2011-0094431호에서는 전압 및 전류 신호를 여러 번 샘플링하고, 샘플링된 데이터 사이의 기울기를 기준으로 이상여부를 판단한다. 나아가 한국 공개특허 제10-2012-0002291호에서는 전력 계통의 고조파를 모니터링하기 위하여 샘플링된 복수 개의 파형을 하나의 사이클로 중첩시켜 대표 파형을 생성하는 방법을 개시하고 있다.
국내의 경우에는 국제 전기 표준 회의(IEC: International Electrotechnical Commission)의 규격에 근거하여 전기품질 관련규격을 제정하고 있다. IEC 규격에 의하면 전기품질 평가를 위한 측정은 수용가 인입점(PCC)에서 수행해야 한다. 이 경우 전력회사는 전기품질을 관리하기 위해서 모든 수용가 인입점에 PQMS(Power Quality Monitoring System)을 구축해야 하고, 관련규격에 적합한 데이터를 취득하기 위한 연산속도 및 정밀도를 고려하면 매우 고가의 장비가 필요하게 된다.
종래의 전력품질을 분류하는 방법은 주로 의사결정트리를 이용한 규칙 기반 방법이었다. 종래의 방법은 다양한 전력 신호를 하나의 특정한 기준으로 분류하여 잘못된 결과가 나올 수 있는 리스크를 갖는다고 하겠다.
이에 본 발명에서는 주로 음성 처리 기법에 사용되는 기법을 전력 외란을 식별하고 분류하는 방법에 사용하고자 한다.
본 발명에서는 외란신호 특징 검출을 위해 음성 처리 기법에서 특징값으로 보편적으로 널리 사용되고 있는 MFCC 값 및 통계 값을 사용하였고, 가우시안 혼합 모델(GMM)을 사용하여 전력신호의 전력품질을 분류하는 방법을 제공하고자 한다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명에 따른 음성 처리 기법을 이용한 전력품질 분류 방법은 (a) 송신되는 전력신호를 입력받는 단계, (b) 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 단계, (c) 최대값, 최소값 및 평균값을 이용하여 전력신호에 대한 초기 분류를 수행하는 단계, (d) 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 단계 및 (e) MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력 품질을 최종 분류하는 단계를 포함한다.
본 발명에 따른 음성 처리 기법을 이용한 전력품질 모니터링 장치는 전력계통에서 송신되는 전력신호를 기준 레벨로 강하시키는 변압기, 변압기에서 강하된 전력신호를 디지털 신호로 변환하는 아날로그-디지털 변환기(ADC), 아날로그-디지털 변환기에서 변환된 전력신호에 대한 MFCC 값을 이용하여 전력신호의 전력품질을 분류하는 분류 프로세서 및 분류 프로세서에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 메모리를 포함한다.
분류 프로세서는 변환된 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 전력신호 통계부, 최대값, 최소값 및 평균값을 이용하여 전력신호에 대한 초기 분류를 수행하는 초기 분류부, 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 MFCC 값 추출부, MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력 품질을 최종 분류하는 GMM 분류부를 포함한다.
본 발명에 따른 음성 처리 기법을 이용한 전력 품질 모니터링 시스템은 전력신호를 송신하는 전력계통부, 전력계통부에서 송신되는 전력신호에 대한 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력품질을 분류하는 전력품질 분류부, 분류 프로세서에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 데이터베이스 및 사용자로부터 전력품질 분류부를 제어하는 명령을 입력받고, 전력품질 분류부에서 분류되는 전력신호의 전력품질을 출력하는 입출력부를 포함한다.
전력품질 분류부는 전력계통에서 송신되는 전력신호를 기준 레벨로 강하시키는 변압기, 변압기에서 강하된 전력신호를 디지털 신호로 변환하는 아날로그-디지털 변환기(ADC), 아날로그-디지털 변환기에서 변환된 전력신호에 대한 MFCC 값을 이용하여 전력신호의 전력품질을 분류하는 분류 프로세서 및 분류 프로세서에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 버퍼 메모리를 포함한다.
분류 프로세서는 변환된 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 전력신호 통계부, 최대값, 최소값 및 평균값을 이용하여 전력신호에 대한 초기 분류를 수행하는 초기 분류부, 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 MFCC 값 추출부, MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력 품질을 최종 분류하는 GMM 분류부를 포함한다.
본 발명에 따른 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 분류 장치 내지 전력품질 시스템은 고주파(HD), 순시전압강하(Sag), 과도현상(Transient) 등과 같은 전력 외란 신호를 높은 정확도로 분류한다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 음성 처리 기법을 이용한 전력품질 분류 방법의 일 예에 대한 개략적인 순서도이다.
도 2는 정상(Normal) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다.
도 3은 고주파(HD) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다.
도 4는 과도현상(Transient) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다.
도 5는 순시전압강하(Sag) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다.
도 6은 전력신호에서 MFCC 값이 추출되는 과정을 개략적으로 도시한 순서도이다.
도 7은 전력신호에서 추출된 MFCC 값의 12차 특징 값을 각 외란 신호 별로 도시한 예이다.
도 8은 음성 처리 기법을 이용한 전력품질 분류 방법의 일 예에 대한 순서도이다.
도 9(a)는 음성 처리 기법을 이용한 전력품질 모니터링 장치의 일 예에 대한 구성을 도시한 블록도이고, 도 9(b)는 분류 프로세서가 수행하는 동작에 따른 구성을 블록도로 표시한 예이다.
도 10은 음성 처리 기법을 이용한 전력품질 모니터링 시스템의 일 예에 대한 구성을 도시한 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어야 할 것이며, 이러한 이유로 본 발명의 음성 처리 기법을 이용한 전력품질 모니터링 장치(100)에 따른 구성부들의 구성은 본 발명의 목적을 달성할 수 있는 한도 내에서 도 9와는 상이해질 수 있음을 명확히 밝혀둔다.
본 발명은 음성 처리 기법을 이용한 전력품질 분류 방법에 관한 것이다. 최근 정보통신기기 및 정밀 부하의 급증으로 부각되는 전력품질항목인 과도전압(Transient), 고조파(Harmonics Distortion: HD) 및 순시전압강하(Sag)의 분류가 가능한 방법이다.
본 발명은 음성 처리 기법을 이용하여 수배 전반 등의 인입 전력의 외란을 MFCC(Mel Frequency Cepstral Coefficients) 특징값 및 전력신호와 전력 신호의 특정 구간(예컨대, 1 cycle)에 대한 통계 값을 분석하여 기본 전력 파라미터 값을 구하고, 이를 기초로 현재의 전기신호상태를 가우시안 혼합 모델(Gaussian Mixture Model: GMM) 분류기를 사용하여 전력품질을 분류하는 방법에 관한 것이다.
이하에서는 도면을 참조하면서 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치(100) 및 전력품질 모니터링 시스템(1000)에 관하여 구체적으로 설명하겠다.
도 1은 음성 처리 기법을 이용한 전력품질 분류 방법의 일 예에 대한 개략적인 순서도이다.
본 발명에 따른 음성 처리 기법을 이용한 전력품질 분류 방법은 (a) 송신되는 전력신호를 입력받는 단계, (b) 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 단계, (c) 최대값, 최소값 및 평균값을 이용하여 전력신호에 대한 초기 분류를 수행하는 단계, (d) 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 단계 및 (e) MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력품질을 최종 분류하는 단계를 포함한다.
본 발명의 전력품질 분류 방법은 전력품질 분류가 필요한 장치 또는 전력품질 모니터링 시스템(1000) 등에서 수행되는 것이다.
먼저 본 발명에서 분류하는 전력외란 신호 및 정상 신호에 대한 특징을 설명하도록 한다. 본 발명에서는 IEEE 1159 전력품질 평가 방법에 의해 생성한 총 4가지의 정상(Normal), 과도전압(Transient), 고조파(HD) 및 순시전압강하(Sag) 전력신호를 이용하여 전력 신호 및 전력 신호의 기준 구간에 대한 통계(최대, 최소, 평균, 분산) 분석을 진행하였다.
기준 구간은 1 사이클, 2 사이클 등 다양한 선택이 가능한 것이나, 이하 설명에서는 1 사이클(cycle)을 기준으로 설명하기로 한다. 다만 본 발명의 특정 구간이 1 사이클로 한정되는 것이 아님은 명확히 밝혀둔다.
도 2는 정상(Normal) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다. 도 2는 통계 분석을 진행한 정상(Normal) 신호의 평균, 분산, 최대값, 최소값을 도시하고 있다. 도 2과 같은 정상(Normal) 신호는 진폭의 변화는 있지만 동일하게 사인파 곡선을 그리는 것을 확인할 수 있다.
도 3은 고주파(HD) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다. 도 3은 통계 분석을 진행한 고조파(HD) 신호의 평균, 분산, 최대값, 최소값을 도시하고 있다. 고조파(HD) 신호는 도 2와 같이 나타나는 것을 확인할 수 있다.
도 4는 과도전압(Transient) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다. 도 4는 통계 분석을 진행한 과도전압(Transient) 신호의 평균, 분산, 최대값, 최소값을 도시하고 있다. 과도전압(Transient) 신호는 도 4와 같이 전체적으로는 사인파의 형태를 보이지만 분산 값이 크기 때문에 값이 불규칙하게 변하는 것을 확인할 수 있다.
도 5는 순시전압강하(Sag) 신호의 평균, 분산, 최대값 및 최소값에 대한 일 예를 도시한 그래프이다. 도 5는 통계 분석을 진행한 순시전압강하(Sag) 신호의 평균, 분산, 최대값, 최소값을 도시하고 있다. 순시전압강하(Sag) 신호는 도 5와 같이 일정한 패턴 없이 불규칙하게 변하는 것을 확인할 수 있다.
전력 신호 통계 분석을 통하여 나온 각 신호의 최대값, 최소값 및 평균값을 아래의 표 1에 나타내었다. 이는 본 발명의 실험을 위해 실험실에서 측정한 값이므로, 절대적인 기준이 되는 것은 아니지만, 일반적인 지표는 된다고 하겠다.
Figure 112012049772657-pat00001
상기 표 1을 살펴보면, -4,422 보다 작거나 4,789 보다 큰 값은 고조파(HD) 신호라는 것을 알 수 있다. 그러나 정상(Normal) 신호와 순시전압강하(Sag) 신호의 최대 및 최소값은 거의 유사하다. 따라서 정상(Normal) 신호와 순시전압강하(Sag) 신호를 구분하기 위해서는 구분이 뚜렷한 평균값을 이용하여야 한다.
전력 신호는 파장 형태를 갖는 연속적인 것이므로, 고조파(HD)와 과도전압(Transient)가 명확하게 구분되지 않는 영역이 존재한다. 또한 정상(Normal) 신호와 순시전압강하(Sag) 신호 사이에서도 명확하게 구분되지 않는 영역이 존재한다. 따라서 이러한 영역에 존재하는 신호까지 포함하여 명확하게 외란 신호를 구분하기 위하여, 본 발명에서는 전력신호의 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용한다.
본 발명에 따른 음성 처리 기법을 이용한 전력품질 분류 방법에서 (c) 단계는 전술한 전력 신호의 통계값을 이용하여 초기 분류를 수행한다.
먼저 (c) 단계는 전력신호의 최대값 및 최소값을 이용하여 전력신호를 NS(Normal and Sag) 그룹, HT(HD and Transients) 그룹, HD(Harmonic Distortion) 그룹, NSHT(Normal, Sag, HD and Transients) 그룹 중 하나로 분류할 수 있다.
NS(Normal and Sag) 그룹은 정상(Normal) 신호와 순시전압강하(Sag) 신호를 포함하고, HT(HD and Transients) 그룹은 고조파(Harmonics Distortion) 신호와 과도전압(Transient) 신호를 포함하며, NSHT(Normal, Sag, HD and Transients) 그룹은 모든 신호를 포함한다.
전력신호에 대한 최대값 및 최소값을 이용하여 비교적 명확하게 구분할 수 있는 그룹은 NS(Normal and Sag) 그룹과 HT(HD and Transients) 그룹이다. 나아가 고조파(HD) 신호가 명확하게 구분될 수 있다. HT(HD and Transients) 그룹은 고조파(HD) 신호와 과도전압(Transient) 신호가 명확하게 구분되지 않는 경우 고조파(HD) 신호 또는 과도전압(Transient) 신호일수 있다고 초기 분류하고, 최종 분류는 가우시안 혼합 모델(GMM) 이용하여 수행하는 것이다.
나아가 특정 그룹으로 분류되기 어려운 신호는 NSHT(Normal, Sag, HD and Transients) 그룹으로 초기 분류하고, 가우시안 혼합 모델(GMM) 이용하여 최종 분류한다.
또한 (c) 단계는 평균값을 이용하여 NS 그룹을 정상(Normal)과 순시전압강하(Sag)로 더 분류할 수도 있다. 초기 분류된 전력신호에 대하여 이제 MFCC 값을 추출한다.
본 발명에서 전력 신호의 특성 분석 및 분류를 위하여 음성 처리에서 사용하는 특징 추출 방법인 MFCC 특징을 사용한다. MFCC는 멜스케일(Mel-scale)로 표현된 주파수 스펙트럼의 형태를 정현파 성분으로 나타낸 것으로 음성 신호 처리 시에 많이 사용되고 있는 알고리즘이다.
도 6은 전력신호에서 MFCC 값이 추출되는 과정을 개략적으로 도시한 순서도이다.
입력으로 들어온 전력신호는 디지털 신호로 변환되고, 변환된 신호는 해밍 윈도우를 씌워서 블록 단위의 프레임으로 나누어진다. 이후 처리는 모두 프레임 단위로 이루어진다. 한 프레임의 전력신호는 FFT(Fast Fourier Transform)를 이용하여 주파수 영역으로 변환된다. 주파수 대역을 여러 개의 필터뱅크로 나누고 각 뱅크에서의 에너지를 구한다. 밴드 에너지에 로그를 취한 후 DCT(Discrete Cosine Transform)를 하면 최종적인 MFCC 값이 산출된다.
본 발명에서 (d) 단계가 이에 해당하며, (d) 단계는 전력신호를 디지털 신호로 변환하는 단계, 변환된 디지털 신호를 프레임 단위로 FFT(Fast Fourier Transform)를 수행하여 주파수 영역으로 변환하는 단계 및 주파수 영역을 복수 개의 필터뱅크로 나누고, 각 필터뱅크의 에너지 값에 로그(log) 연산을 수행한 후 DCT(Discrete Cosine Transform)를 수행하는 단계로 구분할 수도 있다.
도 7은 전력신호에서 추출된 MFCC 값의 12차 특징 값을 각 외란 신호 별로 도시한 예이다.
도 7을 살펴 보면 8차에서 순시전압강하(Sag)와 정상(Normal) 신호가 과도전압(Transient), 고조파(HD) 신호와 차이가 나는 것을 확인할 수 있으며, 9차와 11차에서는 순시전압강하(Sag)와 정상(Normal) 신호가 구분되는 것을 확인할 수 있다. 따라서 본 발명에 대한 실험에서는 MFCC의 8차부터 12차까지 총 5개의 특징 값 사용하였다.
8차부터 12차까지의 5개 값을 사용한 특징이 일반적인 기준일 될 수도 있으나, 본 발명의 실험 과정에서 도출된 결과이다. 따라서 해당분야의 통상의 지식을 가진 자는 시스템이나 환경에 따라 보다 적절한 특징값을 선택하여 이용할 수 있다.
전력신호에 대한 MFCC 값을 추출하고, 추출된 MFCC 값을 변수로 사용하여 가우시안 혼합 모델(GMM)을 수행하면 최종적인 전력품질이 분류된다.
가우스 확률 분포(Gaussian Probability Distribution)는 많은 분야에 적용되는 연속 확률 분포로, 정규 확률 분포라고도 한다. 정규 확률 분포는 2개의 매개 변수 평균 m과 표준편차 σ에 대해 모양이 결정되고, 이때의 분포를 N(m,σ2)로 표기한다. 특히, 평균이 0이고 표준편차가 1인 정규분포 N(0,1)을 표준정규분포라고 한다. 가우스 분포는 하나의 클래스, 혹은 관찰된 전체 데이터 집합이 평균을 중심으로 뭉쳐져 있는 분포 형태를 표현하는데 적합한 확률 모델이다.
가우시안 혼합 모델(GMM)은 주어진 표본 데이터 집합의 분포밀도를 단 하나의 가우시안 확률밀도 함수로 모델링하는 방법을 개선하여 복수 개의 가우시안 확률밀도 함수로 데이터의 분포를 모델링하는 방법이다. 데이터의 분포가 집합의 평균을 중심으로 2개 이상으로 뭉쳐져 있는 분포 형태의 경우 데이터 분포의 경우 하나의 가우스만으로 표현하는 것은 불가능하다. 그러나 여러 개의 가우스들이 각각 특정 영역을 맡아 표현할 수 있도록 하고 그것들을 연결하면 어느 정도 유사한 형태의 확률 모델을 찾을 수 있다. 복수개의 가우스 분포들의 합으로 새로운 확률분포를 나타내는 가우스 혼합 모델을 사용하면, 가우스 분포함수 하나가 나타낼 수 없었던 분포 특성 뿐 아니라, 복잡한 형태의 분포라도 유사하게 표현할 수 있다.
본 발명에 따른 (e) 단계는 사전에 훈련된 NS(Normal and Sag) 모델, HD 모델, HT(HD and Transients) 모델 및 NSHT(Normal, Sag, HD and Transients) 모델을 GMM에 적용하여 전력품질을 분류한다.
(e) 단계는 NS 그룹에 대해서는 사전에 훈련된 NS 모델을 적용하고, HD 그룹에 대해서는 사전에 훈련된 HD 모델을 적용하고, HT 그룹에는 HT 모델을 적용하고, NSHT 그룹에는 NSHT 모델을 적용한다.
도 8은 음성 처리 기법을 이용한 전력품질 분류 방법의 일 예에 대한 순서도이다. 도 8은 전력신호의 통계값을 이용한 초기 분류 및 초기 분류에 따른 그룹에 적용되는 훈련 모델의 흐름을 도시한다.
도 8을 살펴보면, 전력품질 분류 방법의 순서는 다음과 같다. 이하 괄호 안의 숫자는 도 8에 표시된 단계에 대응되는 것이다. 전력신호를 입력받고(1), 입력받은 전력신호의 기준 구간에 대한 통계값을 산출한다(2). 먼저 최대값 및 최소값 모델(Max, Min Model)을 사용하여 초기 분류를 수행하고(3), 이후 평균 모델(Mean Model)을 사용하여 추가적인 초기 분류를 수행한다(4). 초기 분류를 수행한 전기신호에 대하여 MFCC 특징을 추출하여, 가우시안 혼합 모델(GMM)을 통해 최종적으로 전력품질을 분류한다(5).
전술한 바와 같이, 최대값 및 최소값을 이용하면 NS(Normal and Sag) 그룹과 HT(HD and Transients) 그룹을 분류할 수 있다. 따라서 분류된 NS(Normal and Sag) 그룹에 대해서는 NS(Normal and Sag) 모델을 사용하는 가우시안 혼합 모델(GMM)을 적용한다(도 8의 우측 순서에 해당함). 평균값을 사용하여 정상(Normal) 신호와 순시전압강하(Sag) 신호가 기본적으로 분류되면 각각에 대하여 N(Normal) 모델과 S(Sag) 모델이 적용될 수도 있을 것이다. 다만 도 8에서는 NS(Normal and Sag) 모델이 적용되는 예를 도시한다.
가우시안 혼합 모델(GMM)에 사용되는 각 모델은 전력 외란 종류별 모델이며, 사전에 훈련된 모델이다. 따라서 데이터베이스(200) 또는 메모리 등에 사전에 저장된 모델 DB를 사용한다.
최대값 및 최소값을 사용하여 초기 분류된 그룹에 대해서는 각 그룹에 맞는 모델을 적용한다. 도 8에 도시된 바와 같이, HD 모델, HT(HD and Transients) 모델 및 NSHT(Normal, Sag, HD and Transients) 모델이 적용될 수 있다.
이하 본 발명에 따른 전력품질 모니터링 장치(100)의 일 예를 설명하고자 한다. 전력품질 모니터링 장치(100)는 전술한 전력품질 분류 방법을 사용한다. 전력품질 분류 방법에서 설명한 내용은 생략하고 장치에 해당되는 내용만 설명한다.
도 9(a)는 음성 처리 기법을 이용한 전력품질 모니터링 장치(100)의 일 예에 대한 구성을 도시한 블록도이고, 도 9(b)는 분류 프로세서(130)가 수행하는 동작에 따른 구성을 블록도로 표시한 예이다.
본 발명에 따른 음성 처리 기법을 이용한 전력품질 모니터링 장치(100)는 전력계통에서 송신되는 전력신호를 기준 레벨로 강하시키는 변압기(110), 변압기(110)에서 강하된 전력신호를 디지털 신호로 변환하는 아날로그-디지털 변환기(120, ADC), 아날로그-디지털 변환기(120)에서 변환된 전력신호에 대한 MFCC 값을 이용하여 전력신호의 전력품질을 분류하는 분류 프로세서(130) 및 분류 프로세서(130)에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 메모리(140)를 포함한다.
변압기(110)는 전력품질 모니터링 장치(100)에서 전력품질을 모니터링하기 적합한 레벨로 전압을 강하하는 장치이고, ADC는 연속적으로 변화하는 아날로그 데이터를 일정 시간 간격에 따라 이산적인 디지털 데이터로 변환하는 장치이다. 해당분야의 통상의 지식을 가진 자에게 널리 알려진 장치에 해당하므로 자세한 설명은 생략한다.
분류 프로세서(130)가 전술한 전력품질 분류 방법을 수행하는 핵심적인 구성이다. 분류 프로세서(130)는 변환된 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 전력신호 통계부(131), 최대값, 최소값 및 평균값을 이용하여 전력신호에 대한 초기 분류를 수행하는 초기 분류부(132), 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 MFCC 값 추출부(133) 및 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력품질을 최종 분류하는 GMM 분류부(134)를 포함한다. 이 구성은 물리적인 구성이라기보다는 분류 프로세서(130)가 수행하는 동작을 기준으로 구분한 구성에 해당한다.
분류 프로세서(130)는 FPGA(Field Programmable Gate Array)를 이용하는 프로세서인 것이 바람직하다.
초기 분류부(132)는 전력신호의 최대값 및 최소값과 메모리(140)에 저장된 분류 테이블을 비교하여 전력신호를 NS(Normal and Sag) 그룹, HT(HD and Transients) 그룹, HD(Harmonic Distortion) 그룹, NSHT(Normal, Sag, HD and Transients) 그룹 중 하나로 분류한다.
초기 분류부(132)는 전력신호의 평균값과 메모리(140)에 저장된 분류 테이블을 비교하여 NS 그룹을 정상(Normal)과 순시전압강하(Sag)로 더 분류할 수도 있다.
메모리(140)에는 초기 분류를 위한 분류 테이블 및 가우시안 혼합 모델(GMM)에 사용되는 각종 모델 DB가 저장된다. 분류 테이블은 전술한 표 1과 같이 정상 신호 및 외란 신호의 종류를 구분하기 위한 데이터가 저장된다. 메모리(140)는 일련의 처리 프로그램을 저장하는 롬(ROM), 연산 결과를 임시 저장하는 램(RAM) 및 플래시메모리(140)를 포함하는 저장 수단이다.
GMM 분류부(134)는 사전에 훈련된 NS(Normal and Sag) 모델, HD 모델, HT(HD and Transients) 모델 및 NSHT(Normal, Sag, HD and Transients) 모델을 GMM에 적용하여 전력품질을 분류한다.
GMM 분류부(134)는 NS 그룹에 대해서는 사전에 훈련된 NS 모델을 적용하고, HD 그룹에 대해서는 사전에 훈련된 HD 모델을 적용하고, HT 그룹에는 HT 모델을 적용하고, NSHT 그룹에는 NSHT 모델을 적용한다.
본 발명의 다른 실시예는 전력품질을 분류하는 구성과 별로도 유선 또는 무선 네트워크로 연결되는 데이터 베이스, 사용자가 명령을 입력하는 장치 및 전력품질 결과가 출력되는 장치가 별도로 구성되는 전력품질 모니터링 시스템(1000)이다.
도 10은 음성 처리 기법을 이용한 전력품질 모니터링 시스템(1000)의 일 예에 대한 구성을 도시한 블록도이다.
본 발명에 따른 전력품질 모니터링 시스템(1000)의 일 예는 전력신호를 송신하는 전력계통부(50), 전력계통부(50)에서 송신되는 전력신호에 대한 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력품질을 분류하는 전력품질 분류부(100), 전력품질 분류부(100)에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 데이터베이스(200) 및 사용자로부터 전력품질 분류부(100)를 제어하는 명령을 입력받고, 전력품질 분류부(100)에서 분류되는 전력신호의 전력품질을 출력하는 입출력부(300)를 포함한다.
전력계통부(50)는 변전소(30)의 주변압기에 연결되는 모선 및 배전 선로를 포함한다.
전력품질 분류부(100)는 전순한 전력품질 장치에 대응되는 구성이다. 다만 전력품질 모니터링 시스템(1000)에서는 전력품질 분류에 사용되는 데이터가 외부에 위치한 별도의 데이터베이스(200)에 저장되는 차이가 있다.
입출력부(300)는 일반적으로 사용하는 PC 장치일 수도 있고, 네트워크로 연결되는 별도의 모바일 기기(예컨대, 스마트 폰 또는 태블릿 PC)일 수도 있다.
한편 입출력부(300)에서 전력품질의 결과를 출력하는 출력부는 별도의 디스플레이 장치일 수도 있다. 전력 계통이나 부하 기기의 전압, 전류, 온도 또는 사고 여부와 같은 상태 정보 및 동작 정보를 표시하는 수단으로, 예컨대 액정 표시 수단(Liquid Crystal Display)이나 발광 표시 소자(Light Emitting Device) 등으로 구성될 수 있다.
전력품질 분류부(100)는 전력계통에서 송신되는 전력신호를 기준 레벨로 강하시키는 변압기(110), 변압기(110)에서 강하된 전력신호를 디지털 신호로 변환하는 아날로그-디지털 변환기(120, ADC), 아날로그-디지털 변환기(120)에서 변환된 전력신호에 대한 MFCC 값을 이용하여 전력신호의 전력품질을 분류하는 분류 프로세서(130) 및 분류 프로세서(130)에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 버퍼 메모리(140)를 포함한다.
전력품질 분류부(100)는 전술한 전력품질 모니터링 장치와 대응되는 구성이다. 다만 전력품질 분류를 위한 데이터가 데이터베이스(200)로부터 입력되는 구성을 가지므로 데이터가 임시 저장되는 버퍼 메모리(140)를 포함하는 차이가 있다.
분류 프로세서(130)는 도 9(b)에 도시된 전술한 전력품질 모니터링 장치에서 사용되는 분류 프로세서(130)의 구성과 동일하다.
본 발명에 따른 전력품질 방법에 대한 효과를 검증하기 위하여 실험을 수행하였다. 전력 신호 생성을 위해 사용한 데이터는 성균관대학교 전력시스템 이노베이션 연구실에서 EMTP (Electro-Magnetic Transients Program) 시뮬레이터를 이용하여 생성한 82분에 해당하는 전력신호이다. 해당 DB는 01.초까지는 Normal 신호가 나타나고, 마지막 0.1초 전까지는 이상 신호, 마지막 0.1초는 Normal 신호가 나타는 패턴이다. 정형화된 구조로 인한 단점을 보완하고자 아래의 표 2와 같이 다양한 상태 유형의 전력신호를 사용하였다.
Figure 112012049772657-pat00002
본 연구에서 사용한 개인용 컴퓨터의 사양은 Intel i5 CPU와 4GB의 램을 장착하였다. 전력 신호의 DB를 처리하기 위해 매틀랩을 사용하였으며, 모델 생성과 분류 실험에는 Visual Studio 2010을 사용하였다. 인식 실험을 위한 훈련 데이터 수는 각 전력 신호 데이터 당 7,000개씩 총 28,000개이고, 테스트 데이터 수는 각 전력 신호 데이터 당 3,000개씩 총 12.000개이다.
가우시안 혼합 모델(GMM)의 Mixture를 1부터 9까지 변경하며 실험을 진행한 결과는 아래의 표 3과 같다.
Figure 112012049772657-pat00003
표 3을 보면 분류 성능이 Mixture가 4개일 경우 평균적으로 가장 높은 분류 성능을 보이는 것을 확인할 수 있다. 물론 실험 결과에서는 Mixture가 4개 일때 가장 높은 성능을 보였으나 이는 시스템이나 환경에 따라 달라질 수 있는 것이다. 전반적으로 92% 이상의 높은 정확도를 갖는 것으로 나타난다.
본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.
100 : 전력품질 모니터링 장치
110 : 변압기 120 : ADC
130 : 분류 프로세서 131 : 전력신호 통계부
132 : 초기 분류부 133 : MFCC 값 추출부
134 : GMM 분류부 140 : 메모리, 버퍼 메모리
1000: 전력품질 모니터링 시스템 50 : 전력계통부
100 : 전력품질 분류부 200 : 데이터베이스
300 : 입출력부

Claims (20)

  1. 전력품질 모니터링 시스템에서 전력품질이 분류되는 방법에 있어서,
    (a) 송신되는 전력신호를 입력받는 단계;
    (b) 상기 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 단계;
    (c) 상기 최대값, 최소값 및 평균값을 이용하여 상기 전력신호에 대한 초기 분류를 수행하는 단계;
    (d) 상기 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 단계; 및
    (e) 상기 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 상기 전력신호의 전력품질을 최종 분류하는 단계를 포함하는 음성 처리 기법을 이용한 전력품질 분류 방법.
  2. 제1항에 있어서,
    상기 기준 구간은 상기 전력신호의 1 사이클(cycle)인 것을 특징으로 하는 음성 처리 기법을 이용한 전력품질 분류 방법.
  3. 제1항에 있어서,
    상기 (c) 단계는
    상기 최대값 및 최소값을 이용하여 상기 전력신호를 NS(Normal and Sag) 그룹, HT(HD and Transients) 그룹, HD(Harmonic Distortion) 그룹, NSHT(Normal, Sag, HD and Transients) 그룹 중 하나로 분류하는 음성 처리 기법을 이용한 전력품질 분류 방법.
  4. 제3항에 있어서,
    상기 (c) 단계는 상기 평균값을 이용하여 상기 NS 그룹을 정상(Normal)과 순시전압강하(Sag)로 더 분류하는 음성 처리 기법을 이용한 전력품질 분류 방법.
  5. 제1항에 있어서,
    상기 (d) 단계는
    상기 전력신호를 디지털 신호로 변환하는 단계;
    상기 변환된 디지털 신호를 프레임 단위로 FFT(Fast Fourier Transform)를 수행하여 주파수 영역으로 변환하는 단계; 및
    상기 주파수 영역을 복수 개의 필터뱅크로 나누고, 각 필터뱅크의 에너지 값에 로그(log) 연산을 수행한 후 DCT(Discrete Cosine Transform)를 수행하는 단계를 포함하는 음성 처리 기법을 이용한 전력품질 분류 방법.
  6. 제1항에 있어서,
    상기 (e) 단계는
    사전에 훈련된 NS(Normal and Sag) 모델, HD 모델, HT(HD and Transients) 모델 및 NSHT(Normal, Sag, HD and Transients) 모델을 GMM에 적용하여 전력품질을 분류하는 음성 처리 기법을 이용한 전력품질 분류 방법.
  7. 제3항에 있어서,
    상기 (e) 단계는
    상기 NS 그룹에 대해서는 사전에 훈련된 NS 모델을 적용하고, 상기 HD 그룹에 대해서는 사전에 훈련된 HD 모델을 적용하고, 상기 HT 그룹에는 HT 모델을 적용하고, 상기 NSHT 그룹에는 NSHT 모델을 적용하는 음성 처리 기법을 이용한 전력품질 분류 방법.
  8. 전력품질 모니터링 장치에 있어서,
    전력계통에서 송신되는 전력신호를 기준 레벨로 강하시키는 변압기;
    상기 변압기에서 강하된 전력신호를 디지털 신호로 변환하는 아날로그-디지털 변환기(ADC);
    상기 아날로그-디지털 변환기에서 변환된 전력신호에 대한 MFCC 값을 이용하여 전력신호의 전력품질을 분류하는 분류 프로세서; 및
    상기 분류 프로세서에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 메모리를 포함하는 음성 처리 기법을 이용한 전력품질 모니터링 장치.
  9. 제8항에 있어서,
    상기 분류 프로세서는
    상기 변환된 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 전력신호 통계부;
    상기 최대값, 최소값 및 평균값을 이용하여 상기 전력신호에 대한 초기 분류를 수행하는 초기 분류부;
    상기 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 MFCC 값 추출부;
    상기 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 상기 전력신호의 전력품질을 최종 분류하는 GMM 분류부를 포함하는 음성 처리 기법을 이용한 전력품질 모니터링 장치.
  10. 제9항에 있어서,
    상기 초기 분류부는 상기 전력신호의 최대값 및 최소값과 상기 메모리에 저장된 분류 테이블을 비교하여 상기 전력신호를 NS(Normal and Sag) 그룹, HT(HD and Transients) 그룹, HD(Harmonic Distortion) 그룹, NSHT(Normal, Sag, HD and Transients) 그룹 중 하나로 분류하는 음성 처리 기법을 이용한 전력품질 모니터링 장치.
  11. 제10항에 있어서,
    상기 초기 분류부는 상기 전력신호의 평균값과 상기 메모리에 저장된 분류 테이블을 비교하여 상기 NS 그룹을 정상(Normal)과 순시전압강하(Sag)로 더 분류하는 음성 처리 기법을 이용한 전력품질 모니터링 장치.
  12. 제9항에 있어서,
    상기 GMM 분류부는 사전에 훈련된 NS(Normal and Sag) 모델, HD 모델, HT(HD and Transients) 모델 및 NSHT(Normal, Sag, HD and Transients) 모델을 GMM에 적용하여 전력품질을 분류하는 음성 처리 기법을 이용한 전력품질 모니터링 장치.
  13. 제10항에 있어서,
    상기 GMM 분류부는 상기 NS 그룹에 대해서는 사전에 훈련된 NS 모델을 적용하고, 상기 HD 그룹에 대해서는 사전에 훈련된 HD 모델을 적용하고, 상기 HT 그룹에는 HT 모델을 적용하고, 상기 NSHT 그룹에는 NSHT 모델을 적용하는 음성 처리 기법을 이용한 전력품질 모니터링 장치.
  14. 전력품질 모니터링 시스템에 있어서,
    전력신호를 송신하는 전력계통부;
    상기 전력계통부에서 송신되는 전력신호에 대한 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 전력신호의 전력품질을 분류하는 전력품질 분류부;
    상기 전력품질 분류부에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 데이터베이스; 및
    사용자로부터 상기 전력품질 분류부를 제어하는 명령을 입력받고, 상기 전력품질 분류부에서 분류되는 전력신호의 전력품질을 출력하는 입출력부를 포함하는 음성 처리 기법을 이용한 전력품질 모니터링 시스템.
  15. 제14항에 있어서,
    상기 전력품질 분류부는
    전력계통에서 송신되는 전력신호를 기준 레벨로 강하시키는 변압기;
    상기 변압기에서 강하된 전력신호를 디지털 신호로 변환하는 아날로그-디지털 변환기(ADC);
    상기 아날로그-디지털 변환기에서 변환된 전력신호에 대한 MFCC 값을 이용하여 전력신호의 전력품질을 분류하는 분류 프로세서; 및
    상기 분류 프로세서에서 전력품질 분류를 위해 사용되는 데이터가 저장되는 버퍼 메모리를 포함하는 음성 처리 기법을 이용한 전력품질 모니터링 시스템.
  16. 제15항에 있어서,
    상기 분류 프로세서는
    상기 변환된 전력신호의 기준 구간에 대한 최대값, 최소값 및 평균값을 측정하는 전력신호 통계부;
    상기 최대값, 최소값 및 평균값을 이용하여 상기 전력신호에 대한 초기 분류를 수행하는 초기 분류부;
    상기 초기 분류된 전력신호에 대한 MFCC 값을 추출하는 MFCC 값 추출부;
    상기 MFCC 값을 변수로 사용하는 가우시안 혼합 모델(GMM)을 이용하여 상기 전력신호의 전력품질을 최종 분류하는 GMM 분류부를 포함하는 음성 처리 기법을 이용한 전력품질 모니터링 시스템.
  17. 제16항에 있어서,
    상기 초기 분류부는 상기 전력신호의 최대값 및 최소값과 상기 메모리에 저장된 분류 테이블을 비교하여 상기 전력신호를 NS(Normal and Sag) 그룹, HT(HD and Transients) 그룹, HD(Harmonic Distortion) 그룹, NSHT(Normal, Sag, HD and Transients) 그룹 중 하나로 분류하는 음성 처리 기법을 이용한 전력품질 모니터링 시스템.
  18. 제17항에 있어서,
    상기 초기 분류부는 상기 전력신호의 평균값과 상기 메모리에 저장된 분류 테이블을 비교하여 상기 NS 그룹을 정상(Normal)과 순시전압강하(Sag)로 더 분류하는 음성 처리 기법을 이용한 전력품질 모니터링 시스템.
  19. 제16항에 있어서,
    상기 GMM 분류부는 사전에 훈련된 NS(Normal and Sag) 모델, HD 모델, HT(HD and Transients) 모델 및 NSHT(Normal, Sag, HD and Transients) 모델을 GMM에 적용하여 전력품질을 분류하는 음성 처리 기법을 이용한 전력품질 모니터링 시스템.
  20. 제17항에 있어서,
    상기 GMM 분류부는 상기 NS 그룹에 대해서는 사전에 훈련된 NS 모델을 적용하고, 상기 HD 그룹에 대해서는 사전에 훈련된 HD 모델을 적용하고, 상기 HT 그룹에는 HT 모델을 적용하고, 상기 NSHT 그룹에는 NSHT 모델을 적용하는 음성 처리 기법을 이용한 전력품질 모니터링 시스템.
KR1020120067213A 2012-06-22 2012-06-22 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템 KR101299183B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120067213A KR101299183B1 (ko) 2012-06-22 2012-06-22 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120067213A KR101299183B1 (ko) 2012-06-22 2012-06-22 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템

Publications (1)

Publication Number Publication Date
KR101299183B1 true KR101299183B1 (ko) 2013-08-22

Family

ID=49221078

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120067213A KR101299183B1 (ko) 2012-06-22 2012-06-22 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템

Country Status (1)

Country Link
KR (1) KR101299183B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105786903A (zh) * 2014-12-25 2016-07-20 国家电网公司 一种对电能质量扰动事件分类的方法
KR20170085462A (ko) * 2017-06-19 2017-07-24 김보경 전력케이블의 절연상태 감시장치 및 그 방법
CN107132310A (zh) * 2017-03-28 2017-09-05 浙江大学 基于高斯混合模型的变压器设备健康状态判别方法
KR101789413B1 (ko) 2016-03-29 2017-11-21 한국서부발전 주식회사 전력기기의 절연상태 감시장치 및 그 방법
CN109361263A (zh) * 2018-09-29 2019-02-19 安徽科派自动化技术有限公司 基于电压暂降监测仪的远程电能质量监测系统及方法
KR102014751B1 (ko) * 2018-03-19 2019-08-28 한국전기안전공사 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법
WO2021096076A1 (ko) * 2019-11-14 2021-05-20 고려대학교 산학협력단 반도체 소자의 주파수 출력 특성 및 기계 학습을 이용한 반도체 소자 테스트 장치 및 방법
CN113970680A (zh) * 2021-10-22 2022-01-25 段骁晗 一种电弧检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100813663B1 (ko) * 2007-12-28 2008-03-14 한빛이디에스(주) 이상상태 알람기능을 갖는 네트워크 기반의 전기품질측정장치
KR20110035087A (ko) * 2009-09-29 2011-04-06 한국전력공사 전력품질 모니터링 시스템 및 전력품질측정 방법
KR20110094431A (ko) * 2010-02-16 2011-08-24 엘에스산전 주식회사 전력 품질의 계측 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100813663B1 (ko) * 2007-12-28 2008-03-14 한빛이디에스(주) 이상상태 알람기능을 갖는 네트워크 기반의 전기품질측정장치
KR20110035087A (ko) * 2009-09-29 2011-04-06 한국전력공사 전력품질 모니터링 시스템 및 전력품질측정 방법
KR20110094431A (ko) * 2010-02-16 2011-08-24 엘에스산전 주식회사 전력 품질의 계측 장치

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105786903A (zh) * 2014-12-25 2016-07-20 国家电网公司 一种对电能质量扰动事件分类的方法
CN105786903B (zh) * 2014-12-25 2019-08-06 国家电网公司 一种对电能质量扰动事件分类的方法
KR101789413B1 (ko) 2016-03-29 2017-11-21 한국서부발전 주식회사 전력기기의 절연상태 감시장치 및 그 방법
CN107132310A (zh) * 2017-03-28 2017-09-05 浙江大学 基于高斯混合模型的变压器设备健康状态判别方法
CN107132310B (zh) * 2017-03-28 2019-04-30 浙江大学 基于高斯混合模型的变压器设备健康状态判别方法
KR20170085462A (ko) * 2017-06-19 2017-07-24 김보경 전력케이블의 절연상태 감시장치 및 그 방법
KR102444736B1 (ko) 2017-06-19 2022-09-19 김보경 전력케이블의 절연상태 감시장치 및 그 방법
KR102014751B1 (ko) * 2018-03-19 2019-08-28 한국전기안전공사 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법
WO2019182166A1 (ko) * 2018-03-19 2019-09-26 한국 전기안전공사 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법
CN109361263A (zh) * 2018-09-29 2019-02-19 安徽科派自动化技术有限公司 基于电压暂降监测仪的远程电能质量监测系统及方法
WO2021096076A1 (ko) * 2019-11-14 2021-05-20 고려대학교 산학협력단 반도체 소자의 주파수 출력 특성 및 기계 학습을 이용한 반도체 소자 테스트 장치 및 방법
CN113970680A (zh) * 2021-10-22 2022-01-25 段骁晗 一种电弧检测方法及装置

Similar Documents

Publication Publication Date Title
KR101299183B1 (ko) 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템
Zhang et al. A real-time classification method of power quality disturbances
Valtierra-Rodriguez et al. Detection and classification of single and combined power quality disturbances using neural networks
CN102426835B (zh) 一种基于支持向量机模型的开关柜局部放电信号识别方法
Yılmaz et al. A real-time UWT-based intelligent fault detection method for PV-based microgrids
CN109256138B (zh) 身份验证方法、终端设备及计算机可读存储介质
CN103487682A (zh) 一种电压暂降扰动下敏感客户电能体验质量的预警方法
CN111553207A (zh) 一种基于统计分布的舰船辐射噪声特征重组方法
Abdelsalam et al. A generalized approach for power quality disturbances recognition based on Kalman filter
CN113470694A (zh) 水轮机组遥听监测方法、装置和系统
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
CN103018537A (zh) 基于cwd谱峭度的暂态电能质量扰动分类识别方法
Arrabal-Campos et al. Simulation of power quality disturbances through the wavelet transform
Matz et al. Automated power quality monitoring system for on-line detection and classification of disturbances
Bonde et al. Review on detection and classification of underlying causes of power quality disturbances using signal processing and soft computing technique
Le et al. On recognition of multiple power quality disturbance events in electricity networks
Bala et al. Random forest based fault analysis method in IEEE 14 bus system
Sekar Power quality disturbance detection using machine learning algorithm
Jandan et al. Recognition and classification of power quality disturbances by DWT-MRA and SVM classifier
Chang et al. A hybrid approach for detection and classification of power quality disturbances
CN105021888B (zh) 基于数据聚类的谐波数据监测方法
Abdullah et al. Performance verification of power quality signals classification system
Naik et al. Analysis of power quality disturbances using wavelet packet transform
CN116432112A (zh) 基于小波包变换、残差卷积神经网络的电弧故障检测方法
Srivastava et al. Harmonic and interharmonic estimation using poincaré filtering assisted ESPRIT method

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: 20160607

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170703

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee