KR101822829B1 - 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 - Google Patents

머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 Download PDF

Info

Publication number
KR101822829B1
KR101822829B1 KR1020170102552A KR20170102552A KR101822829B1 KR 101822829 B1 KR101822829 B1 KR 101822829B1 KR 1020170102552 A KR1020170102552 A KR 1020170102552A KR 20170102552 A KR20170102552 A KR 20170102552A KR 101822829 B1 KR101822829 B1 KR 101822829B1
Authority
KR
South Korea
Prior art keywords
data
layer
noise
partial discharge
output
Prior art date
Application number
KR1020170102552A
Other languages
English (en)
Inventor
문경훈
Original Assignee
문경훈
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 문경훈 filed Critical 문경훈
Priority to KR1020170102552A priority Critical patent/KR101822829B1/ko
Application granted granted Critical
Publication of KR101822829B1 publication Critical patent/KR101822829B1/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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G06N99/005—

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (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)
  • Image Analysis (AREA)

Abstract

본 발명에 따른 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법은, 차단기 부분방전 유형진단 및 노이즈와 관련된 센서 데이터를 센서로부터 수신하는 센서 데이터 수신 단계; 컨벌루션 신경망 (Convolutional Neural Networks, CNN)을 이용하여 상기 센서 데이터를 분류(classification)하는 데이터 분류 단계; 및 상기 분류된 데이터에 기반하여, 카테고리 분포를 획득하는 데이터 분포 획득 단계를 포함하고, 센서 데이터에 대한 전처리 및 후처리 과정 없이 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 제공할 수 있다.

Description

머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법{Method of identifying partial discharge and noise of switchgear using machine learning}
본 발명은 머신러닝을 이용한 차단기 부분방전 유형진단 유형진단 및 노이즈 판별 방법에 관한 것이다. 보다 상세하게는, GIS 차단기에서 발생하는 부분 방전을 머신러닝(Machine Learning)을 통해 현장에서 측정되는 데이터를 트레이닝하여 여러 형태의 부분방전 유형진단 유형진단과 노이즈를 판별할 수 있는 알고리즘에 관한 것이다.
일반적으로 가스절연개폐장치(Gas Insulated Swichgear: GIS)는 전기계통의 전원측과 부하측간의 회로 사이에 설치되어 정상적인 전류상태에서 인위적으로 회로를 개폐할 때 또는 회로상에 지락이나 단락 등 이상전류가 발생하였을 때 전류를 안전하게 차단하여 전력계통 및 부하기기를 보호하는 전기기기이다.
이러한 가스절연개폐장치 또는 차단기에서 발생하는 이상 상태를 검출하기 위하여 기존에는 통계적인 방식으로 부분방전 유형진단 유형진단과 노이즈를 판별하였다. 이러한 통계적인 방식으로 이상 상태를 검출하기 위해서는 노이즈를 포함하는 센서 데이터에 대한 전처리 및 후처리 과정이 필요할 뿐만 아니라, 빠른 시간 내에 정확히 이상 상태를 파악할 수 없다는 문제점이 있었다.
본 발명은 이러한 문제점을 해결하기 위하여 제안된 것으로, 머신러닝을 이용한 차단기 부분방전 유형진단 유형진단 및 노이즈 판별 방법을 제공하는 데에 그 목적이 있다.
본 발명은 센서 데이터에 대한 전처리 및 후처리 과정 없이 머신러닝을 이용한 차단기 부분방전 유형진단 유형진단 및 노이즈 판별 방법을 제공하는 것을 또 다른 목적으로 한다.
이와 같은 목적을 달성하기 위한 본 발명에 따른 머신러닝을 이용한 차단기 부분방전 유형진단 유형진단 및 노이즈 판별 방법은, 차단기 부분방전 유형진단 및 노이즈와 관련된 센서 데이터를 센서로부터 수신하는 센서 데이터 수신 단계; 컨벌루션 신경망 (Convolutional Neural Networks, CNN)을 이용하여 상기 센서 데이터를 분류(classification)하는 데이터 분류 단계; 및 상기 분류된 데이터에 기반하여, 카테고리 분포를 획득하는 데이터 분포 획득 단계를 포함하고, 센서 데이터에 대한 전처리 및 후처리 과정 없이 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 제공할 수 있다.
일 실시 예에 따르면, 상기 획득된 데이터 분포에 기반하여, 최종 출력을 위해 더 높은 클래스만 선택하는 클래스 선택 단계; 및 상기 선택된 클래스에 기반하여, 상기 데이터를 분석하고 PRPD(Phase Resolved Partial Discharge) 패턴을 식별하는 데이터 분석/패턴 식별 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터 분류 단계는, 제1필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들을 구성하고, 상기 제1필터 사이즈보다 작은 제2필터 사이즈 및 스트라이드 2를 갖는 맥스 풀링 레이어를 구성하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터 분류 단계는, 제1비율의 드랍아웃 레이어를 구성하고, 제3필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들을 구성 ― 상기 제3필터 사이즈는 상기 제1필터 사이즈보다 작고 상기 제2필터 사이즈보다 큰 값으로 설정 ― 하고, 상기 제2필터 사이즈 및 스트라이드 2를 갖는 맥스 풀링 레이어를 구성하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터 분류 단계는, 상기 제2비율의 드랍아웃 레이어를 구성하고, 복수 개의 클래스에 대한 확률 분포를 생성하기 위해 소프트맥스 함수를 적용하고, 상기 소프트맥스 함수가 적용된 데이터에 기반하여, 카테고리 분포를 획득하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 센서 데이터는 제1단위 시간 간격으로 측정된 가로 및 세로의 크기가 256 × 128인 픽셀 데이터에 해당하는 이미지 데이터를 제2단위 시간 간격 동안 n개를 중첩한 이미지 벡터이고, 상기 데이터 분류 단계에서 상기 이미지 벡터가 분류 벡터로 분류되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 제1 및 제2단위 시간 간격은 각각 1초 및 60초이고, 상기 픽셀 데이터는 0에서 3600 사이의 픽셀 강도 값을 갖는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 제1 및 제2 비율은 각각 25% 및 40%이고, 상기 제1 및 제2 엘리먼트 크기는 각각 512 및 256개의 엘리먼트 크기이고, 상기 복수 개의 클래스는 미완성(incomplete), 플로팅(floating), 노이즈(noise), 보이드(void), 코로나(corona), 파티클(particle)을 포함하고, 상기 소프트맥스 함수를 적용하여 상기 복수 개의 클래스 중 가장 높은 확률 값을 갖는 클래스에 속하는 인자에 대하여 패턴을 식별하는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 제1필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들은 [-1, 256, 128, 1]의 텐서(tnesor)를 갖는 입력 레이어(input layer)를 입력으로 하고, [-1, 256, 128, 32]의 텐서에 해당하는 출력(conv1)을 갖는 제1 컨벌루션 레이어; 및 상기 출력(conv1)을 입력으로 하고, conv2에 해당하는 출력을 갖는 제2 컨벌루션 레이어를 포함할 수 있다. 또한, 상기 맥스 풀링 레이어는, 상기 conv2를 입력으로 하고, 2×2의 풀링 사이즈를 갖고, pool1에 해당하는 출력을 갖는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 데이터 분류 단계에서, 상기 이미지 벡터 및 상기 분류 벡터로 이루어진 쌍(pair)에 대해, 복수의 레이어들 각각에 대한 가중치(weight)의 집합을 찾는 것을 특징으로 하고, 상기 가중치의 집합은 오류 함수를 최소화하기 위해 트레이닝 시간 동안 업데이트되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 분류 벡터의 출력은 미완성(incomplete), 플로팅(floating), 노이즈(noise), 보이드(void), 코로나(corona), 파티클(particle)의 카테고리 출력을 포함하고, 상기 카테고리 출력은 [6,1]의 텐서로 모델화되고, 각 이미지의 모든 분류는 [-1,6,1]의 텐서로 모델화되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 트레이닝 시간은 상기 복수의 레이어들의 각각에 대한 입력 및 출력 쌍의 개수, 네트워크 요소에 따라 반복 스텝의 개수가 결정되고, 상기 네트워크 요소는 상기 복수의 레이어들의 집합 및 각각의 레이어에 대한 뉴런의 집합에 기반하여 결정되는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 트레이닝 시간과 관련하여, 트레이닝에 따른 정확도가 제1 임계값 이상이고, 손실도가 제2 임계값 이하이면서, 반복 횟수에 따라 상기 정확도 및 손실도의 차이가 각각 제3 임계값 및 제4 임계값 이하가 될 때까지 상기 반복 횟수를 증가시키는 것을 특징으로 할 수 있다.
본 발명에 따르면, 센서 데이터에 대한 전처리 및 후처리 과정 없이 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 제공할 수 있다는 장점이 있다.
본 발명에 따르면, 노이즈 데이터 및 미완성 패턴을 다른 패턴으로 식별하도록 선택하여, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 제공할 수 있는 장점이 있다.
도 1은 본 발명과 관련하여 차단기 부분방전 유형진단 및 노이즈 판별 방법을 수행하기 위한 전체 시스템의 개념도를 도시한다.
도 2는 본 발명과 관련하여 이미지 내의 개체 식별을 위한 예시적인 이미지와 매트릭스로서 표현된 예를 나타낸다.
도 3은 본 발명과 관련하여, 원래 이미지와 이미지 상에 필터링의 시각화를 나타낸다.
도 4는 본 발명과 관련하여 컨벌루션 및 풀링 레이어들과 완전 연결된 레이어들 및 바이너리 분류화의 개념을 나타낸다.
도 5는 본 발명에 따른 PRPD 진단을 위한 런타임 프로세스와 트레이닝 과정을 나타낸다.
도 6은 본 발명에 따른 컨벌루션 신경망 (Convolutional Neural Networks, CNN)을 이용한 분류 과정을 나타낸다.
도 7은 본 발명에 따른 센서 데이터의 전처리 과정을 도시하고 있다.
도 8은 본 발명에 따른 실제 이미지에 특징 추출에 따라 외부로 보여지는 출력을 도시한다.
도 9는 본 발명과 관련하여, 딥 러닝의 학습 계층 표현(Learning Hierchical Representation)을 도시한다.
도 10은 본 발명과 관련하여, 컨벌루션 네트워크 아키텍처를 도시한다.
도 11은 본 발명에 따른 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법에서 이용되는 데이터 베이스와 데이터 세트의 형태를 도시한다.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명은 다양한 변경을 가할 수 있고 여러가지 형태를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 명세서에서 사용한 용어는 단지 특정한 실시 예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다.
본 발명은 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 제안한다. 이하, 본 발명에 따른 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 도면을 참조하여 보다 상세하게 설명한다. 보다 상세하게는, 154KV, 345KV, 765KV용 GIS 차단기에서 발생하는 부분 방전을 머신러닝(Machine Learning)을 통해 현장에서 측정되는 데이터를 트레이닝(Training)하여 4가지 부분방전 유형진단과 노이즈를 판별할 수 있는 알고리즘이다. 여기서, 판별가능한 부분방전 유형진단의 종류는 보이드(Void), 파티클(particle), 코로나(corona), 플로팅(Floating) 및 노이즈(Noise)를 포함하고, 본 발명에 따르면 이들을 효과적으로 판별할 수 있다.
도 1은 본 발명과 관련하여 차단기 부분방전 유형진단 및 노이즈 판별 방법을 수행하기 위한 전체 시스템의 개념도를 도시한다.
도 1에 도시된 바와 같이, 차단기 부분방전 유형진단 및 노이즈 판별 방법을 수행하는 시스템은 센서(100), 데이터 획득부(DAU: Data Accquistion Unit, 200), 제어부(CU: Control Unit, 300), 및 진단부(Diagnosis Unit, 400)를 포함한다.
상기 센서(100)는 제1 내지 제3 센서를 포함할 수 있고, 상기 데이터 획득부(200)는 상기 제1 내지 제3 센서로부터 서로 다른 센서 데이터를 획득할 수 있다. 또한, 상기 데이터 획득부(200)는 상기 획득된 센서 데이터로부터 이벤트 여부를 판단한 후 센서 데이터를 상기 제어부(300)로 전달할 수 있다.
상기 제어부(300)는 상기 데이터 획득부(200)로부터 이벤트 데이터 수신하고, 특정 프로토콜을 이용하여 특정 시간의 이벤트 데이터를 상기 진단 유닛(400)으로 전송할 수 있다. 여기서, 특정 프로토콜은 IEC 61850 프로토콜일 수 있고, 상기 특정 특정 시간의 이벤트 데이터는 1분 동안의 이벤트 데이터일 수 있다.
상기 진단 유닛(400)은 상기 제어부(300)로부터 특정 프로토콜을 이용하여 특정 시간의 이벤트 데이터를 수신하고, 상기 이벤트 데이터를 이용하여 부분 방전 유형을 판단할 수 있다. 또한, 상기 진단 유닛(400)은 상기 판단된 부분 방전 유형을 저장하고, 부분 방전 유형 및 횟수를 이용하여 알람을 발생시킬 수 있다.
한편, 본 발명에 따른 위상 분해 부분방전 유형진단(Phase Resolved Partial Discharge) 진단(Diagnosis)을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법에 대하여 자세히 살펴보면 다음과 같다.
본 방법론의 목표는 부분방전 유형진단을 진단을 돕기 위한 것이다. 본 발명에서 식별하고자 하는 주 결함의 종류는 다음과 같다:
플로팅: 금속 대 금속으로, 떠다니는 전극
보이드: 고체 절연 혹은 오일 내 가스 기포로 인한 공백
코로나: 코로나
파티클: 절연 매체를 오염시키는 전도성 있는 입자
또한 센서에서 감지한 노이즈도 처리해야 한다. 패턴들이 아직은 식별이 되지 않으며, 이러한 경우, 본 발명에서는 미완성의 패턴을 가지고 있다고 판단하고 이를 명확히 하기 위한 더 많은 데이터가 요구된다.
극 초단파 센서(UHF)는 PD (부분방전 유형진단)을 포착한다. 2.8125 도의 위상 윈도우로 1초 파형 및 위상 내에 데이터가 포착된다. 부분방전 유형진단 진폭은 0에서 256으로 별개의 값으로 저장된다. 따라서, 매 초마다, 센서가 256 ×128의 값들을 감지한다. 이러한 각 값은 윈도우가 시행되는 동안 기록된 모든 부분 방전의 해당 진폭을 나타낸다.
본 발명의 일 실시 예에 따르면, 1초간의 측정은 결함 타입의 성질을 판단하기에 충분하지 않다. 따라서, 본 발명의 일 실시 예에 따르면, 측정을 최소한 60초동안 하는 것을 고려할 수 있다. 이러한 경우, 본 발명의 일 실시 예에 따르면, 센서로부터 256 ×128 × 60의 값을 도출하게 된다.
한편, 256 ×128픽셀의 픽셀 강도로 1초간 측정 시 256 ×128 값들이 도출된다. 본 발명의 일 실시 예에 따르면, 1분 측정으로부터 모든 60개 이미지를 중첩할 수 있다. 이는 256×128 픽셀 이미지의 픽셀 강도로 나타날 것이며 픽셀 강도는 0에서 3600 사이의 값을 가질 수 있다.
이와 같은 본 발명에 따르면, 노이즈 데이터 및 미완성 패턴을 다른 패턴으로 식별하도록 선택할 수 있다. 따라서, 본 발명에 따르면, 노이즈를 제거하는 전처리 과정이 필요치 않다. 이와 관련하여, 본 발명의 일 실시 예에 따르면, 다음과 같은 패턴을 사용할 수 있다.
플로팅: 플로팅 전극, 메탈
보이드: 고체절연 및 오일 내 가스 기포의 공백
코로나: 코로나
파티클: 절연 매체를 오염시키는 전도성 있는 입자
노이즈: 노이즈는 센서로부터 들어오는 데이터를 변경한다.
미완성: 아직 패턴 식별 불가, 패턴의 유형을 확정하기 위한 더 많은 데이터 필요하다.
한편, 본 발명의 구현에서, PRPD 진단 알고리즘은 최첨단의 패턴 인식 알고리즘을 적용할 수 있다. 이는 센서에 의해 포착된 데이터가 pseudo이미지(유사이미지)로 보여지고 PRPD 패턴들이 이미지를 분류하기 위해 쓰이는 카테고리로 나타나기 때문이다. 본 발명의 일 실시 예에서, 6개의 식별된 클래스 내에서 UHF센서들로부터 들어오는 데이터를 보여주는 모든 구축된 이미지를 분류하기 위해 머신러닝 클래서파이어 알고리즘을 사용한다. 머신러닝 클래서파이어 알고리즘은 딥러닝 클래서파이어에 속한다. 본 발명의 일 실시 예에 따르면, CNN(신경망)을 사용하여 최적의 결과를 도출할 수 있다.
본 발명에 따른 아키텍처의 로우레벨의 기술적 상세사항 및 이론적 타당성은 다음과 같다.
먼저, 직관적으로, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법은 이미지 내의 개체 식별 과정과 비슷하다. 이와 관련하여, 도 2는 본 발명과 관련하여 이미지 내의 개체 식별을 위한 예시적인 이미지와 매트릭스로서 표현된 예를 나타낸다. 한편, 도 3은 본 발명과 관련하여, 원래 이미지와 이미지 상에 필터링의 시각화를 나타낸다.
도 2에 도시된 바와 같이, 식별 가능한 특정 개체를 포함하는 이미지는 도시된 이미지 매트릭스로써 시스템에 의해 보여질 수 있다. 이후, 네트워크의 1차 레벨이 몇몇의 필터를 적용하여 이미지의 피쳐(특징)을 식별할 수 있다. 즉, 도 3에 도시된 바와 같이, 원래 이미지(original image) 상 또는 그 일부에 필터링을 통해 이미지의 피쳐(특징)가 식별될 수 있다. 이와 관련하여, 네트워크가 감지한 첫 번째 피처는 로우레벨 피쳐이며, 네트워크에 더 깊은 레벨로 진입할수록 하이레벨 피쳐들이 식별될 수 있다. 즉, 네트워크의 마지막 레벨은 특정 클래스로 추출된 하이레벨 피쳐와 연관된다.
이와 관련하여, 도 4는 본 발명과 관련하여 컨벌루션 및 풀링 레이어들과 완전 연결된 레이어들 및 바이너리 분류화의 개념을 나타낸다. 도 4에 도시된 바와 같이, 본 발명에 따르면, 이미지 프로세싱부터 PD신호의 리프레젠테이션(표현)까지 이러한 원칙들이 적용될 수 있다. 본 발명에 따르면, 이러한 네트워크들이 PRPD 결함을 정의하는 하이레벨 피쳐를 추출할 것이다. 본 발명의 일 실시 예에 따르면, 사용되는 네트워크의 아키텍처 디테일은 다음과 같다:
Convolutional layer with a filter size of 5x5 and a stride of 1
Convolutional layer with a filter size of 5x5 and a stride of 1
Max Pooling layer with a filter size of 2x2 and a stride of 2
Dropout layer with a rate of 25%
Convolutional layer with a filter size of 3x3 and a stride of 1
Convolutional layer with a filter size of 3x3 and a stride of 1
Max Pooling layer with a filter size of 2x2 and a stride of 2
Dropout layer with a rate of 25%
Flattening layer
512 element dense layer
Dropout layer with a rate of 40%
256 element dense layer
Dropout layer with a rate of 40%
Softmax function is used as the final layer
이와 관련하여, 도 5는 본 발명에 따른 PRPD 진단을 위한 런타임 프로세스와 트레이닝 과정을 나타낸다. 한편, 도 6은 본 발명에 따른 컨벌루션 신경망 (Convolutional Neural Networks, CNN)을 이용한 분류 과정을 나타낸다.
먼저, 도 5를 참조하면, 본 발명에 따른 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법은, 센서 데이터 수신 단계(S100), 센서 데이터 전처리 단계(S150), 데이터 분류 단계(S200), 데이터 분포 획득 단계(S250), 클래스 선택 단계(S300), 및 데이터 분석/패턴 식별 단계(S350)를 포함한다.
센서 데이터 수신 단계(S100)에서, 차단기 부분방전 유형진단 및 노이즈와 관련된 센서 데이터를 센서로부터 수신한다. 센서 데이터 전처리 단계(S150)에서는 센서로부터 수신된 PD 데이터를 일정 시간 간격으로 중첩하여 이미지 내의 픽셀 강도를 이용하여 전처리를 수행한다. 이와 관련하여, 센서 데이터 전처리 단계(S150)는 기존의 통계적 방식에 의한 차단기 부분방전 유형진단 및 노이즈 판별 방법에서 요구되는 노이즈 전처리와는 구별된다. 즉, 본원에 따른 센서 데이터 전처리 단계(S150)는 노이즈 전처리가 아닌 센서 데이터를 효율적으로 진단할 수 있도록 시간 영역에서 이미지를 중첩하는 것이다. 이와 관련하여, 도 7은 본 발명에 따른 센서 데이터의 전처리 과정을 도시하고 있다. 전술한 바와 같이, 센서로부터 수신된 PD 데이터를 일정 시간 간격(예를 들어 1초 간격)으로 일정 시간(예를 들어, 1분 동안) 중첩하여 이미지 내의 픽셀 강도를 이용하여 전처리를 수행 (예를 들어, 60개의 모든 이미지에 대한 픽셀을 중첩(superimpose))한다.
다음으로, 데이터 분류 단계(S200)에서는, 컨벌루션 신경망 (Convolutional Neural Networks, CNN)을 이용하여 상기 센서 데이터를 분류(classification)한다. 데이터 분포 획득 단계(S250)에서는, 상기 분류된 데이터에 기반하여, 카테고리 분포를 획득한다. 클래스 선택 단계(S300)에서는, 상기 획득된 데이터 분포에 기반하여, 최종 출력을 위해 더 높은 클래스만 선택한다. 데이터 분석/패턴 식별 단계(S350)에서는, 상기 선택된 클래스에 기반하여, 상기 데이터를 분석하고 PRPD(Phase Resolved Partial Discharge) 패턴을 식별한다.
한편, 도 6을 참고하여, 데이터 분류 단계에 대해서 상세히 살펴보면 다음과 같다. 먼저, 데이터 분류 단계(S200)는 이전에서 센서 데이터 전처리 단계(S150)에서 이미지 내의 픽셀 강도가 획득된 것으로 가정한다.
데이터 분류 단계(S200)는 제1필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들을 구성(S201)하고, 상기 제1필터 사이즈보다 작은 제2필터 사이즈 및 스트라이드 2를 갖는 맥스 풀링 레이어를 구성(S202)하는 단계를 포함한다.
전술된 데이터 분류 단계(S200)와 관련하여, 텐서 플로우(tensor flow)를 사용하는 구체적인 방법에 대해 살펴보면 다음과 같다. 즉, PRPD 진단을 위한 머신러닝 트레이닝에 대하여, 텐서플로우를 다음과 같이 사용할 수 있다.
예를 들어, 컨벌루션의　첫 번째　층은 다음과　같이　정의될 수 있다.
# Input Layer
　 　 input_layer = tf.reshape(features, [-1, 256, 128, 1])
# Convolutional Layer #1
　 　 conv1 = tf.layers.conv2d(
　 　 　 　 inputs=input_layer,
　 　 　 　 filters=32,
　 　 　 　 kernel_size=[5, 5],
　 　 　 　 padding='same',
　 　 　 　 activation=tf.nn.relu)
# Convolutional Layer #2
　 　 conv2 = tf.layers.conv2d(
　 　 　 　 inputs=conv1,
　 　 　 　 filters=32,
　 　 　 　 kernel_size=[5, 5],
　 　 　 　 padding='same',
　 　 　 　 activation=tf.nn.relu)
# Pooling Layer #1
　 　 pool1 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
위에 나타난 바와 같이, 컨벌루션 내에 있는 32 필터의 컨벌루션 층과 가로 5 높이 5, 그리고 스트라이드(보폭에 해당) 1의 컨벌루션 창이 정의된다. 따라서　첫 번째　층은　입력이　 [-1, 256, 128, 1]　치수의　텐서이고, 출력은　[-1, 256, 128, 32]　치수(dimension)의　텐서에 해당한다.
한편, 전술한 바와 같이 컨벌루션 레이어들을 구성(S201)하는 경우에, 제1필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들에 대하여, 제1 컨벌루션 레이어; 및 제2 컨벌루션 레이어를 포함한다. 이때, 제1 컨벌루션 레이어는 [-1, 256, 128, 1]의 텐서(tnesor)를 갖는 입력 레이어(input layer)를 입력으로 하고, [-1, 256, 128, 32]의 텐서에 해당하는 출력(conv1)을 갖는다. 한편, 제2 컨벌루션 레이어는 상기 출력(conv1)을 입력으로 하고, conv2에 해당하는 출력을 갖는다. 또한, 맥스 풀링 레이어를 구성(S202)하는 경우에, 상기 맥스 풀링 레이어는, 상기 conv2를 입력으로 하고, 2×2의 풀링 사이즈를 갖고, pool1에 해당하는 출력을 갖는 것을 특징으로 할 수 있다.
다음으로, 데이터 분류 단계(S200)는 제1비율의 드랍아웃 레이어를 구성(S211)하고, 제3필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들을 구성 (S212)― 상기 제3필터 사이즈는 상기 제1필터 사이즈보다 작고 상기 제2필터 사이즈보다 큰 값으로 설정 ― 하고, 상기 제2필터 사이즈 및 스트라이드 2를 갖는 맥스 풀링 레이어를 구성(S213)하는 단계를 더 포함한다.
다음으로, 데이터 분류 단계(S200)는 상기 제1비율의 드랍아웃 레이어를 구성(S221)하고, 플레튼 레이어(flattening layer)를 구성(S222)하고, 제1엘리먼트 크기의 밀도 레이어(dense layer)를 구성(S223)하는 단계를 더 포함한다.
다음으로, 데이터 분류 단계(S200)는 상기 제1비율보다 높은 비율의 제2비율의 드랍아웃 레이어를 구성(S231)하고, 상기 제1엘리먼트 크기의 절반에 해당하는 제2엘리먼트 크기의 밀도 레이어(dense layer)를 구성(S232)하는 단계를 더 포함한다.
다음으로, 데이터 분류 단계(S200)는 상기 제2비율의 드랍아웃 레이어를 구성(S241)하고, 복수 개의 클래스에 대한 확률 분포를 생성하기 위해 소프트맥스 함수를 적용(S242)하고, 상기 소프트맥스 함수가 적용된 데이터에 기반하여, 카테고리 분포를 획득(S243)하는 단계를 더 포함한다.
전술된 데이터 분류 단계(S200)와 관련하여, 이미지 벡터 및 상기 분류 벡터로 이루어진 쌍(pair)에 대해, 복수의 레이어들 각각에 대한 가중치(weight)의 집합을 찾는 것을 특징으로 한다. 이와 관련하여, 상기 가중치의 집합은 오류 함수를 최소화하기 위해 트레이닝 시간 동안 업데이트되는 것을 특징으로 한다.
전술된 트레이닝 시간과 관련하여, 이는 복수의 레이어들의 각각에 대한 입력 및 출력 쌍의 개수, 네트워크 요소에 따라 반복 스텝의 개수가 결정될 수 있다. 이때, 네트워크 요소는 상기 복수의 레이어들의 집합 및 각각의 레이어에 대한 뉴런의 집합에 기반하여 결정되는 것을 특징으로 할 수 있다; 또한, 이는 트레이닝에 따른 정확도가 제1 임계값 이상이고, 손실도가 제2 임계값 이하이면서, 반복 횟수에 따라 상기 정확도 및 손실도의 차이가 각각 제3 임계값 및 제4 임계값 이하가 될 때까지 상기 반복 횟수를 증가시키는 것을 특징으로 할 수 있다.
전술된 내용과 관련하여, 내부 매트릭스 산출, 출력 분류, 가중치 탐색, 훈련 시간 및 최적화 알고리즘에 대해 아래에서 좀 더 구체적으로 살펴보면 다음과 같다.
먼저, 내부 매트릭스 산출과 관련하여, 모든　내부　매트릭스는　내부적으로　산출되며　그　후에　 아웃풋(출력)　텐서에서　 합쳐진다. 내부 매트릭스를　추출하고　이미지　뷰로　만들기　위해서는　　텐서 플로우를 내부적으로 아주 깊게　들어갈　 필요가　있다. 하지만, 깊게　들어갈　수　있다고　하더라도,　실제　내부는　인간이　이해하기　매우　어렵다.　이것은　단지　많은　양의　매트릭스　계산에 해당한다. 예를 들어, 연구원이 시뮬레이션을 통해 실제 이미지의 이러한 특징을　추출한다고　하여도　아웃풋 (출력)은 아래의 도 8과 같이　같이　보여질 수 있다. 즉, 도 8은 본 발명에 따른 실제 이미지에 특징 추출에 따라 외부로 보여지는 출력을 도시한다.
한편, 전술된 트레이닝과 관련하여, SSD는 가상이미지로 변환되며 실제 텐서 크기는 [256,128,1]에 해당한다. 또한, 모든 이미지들은 텐서 [-1, 256, 128, 1]에 추가된다.
다음으로, 아웃풋 (출력) 분류는 다음과 같은 분류를 포함할 수 있다.
　Incomplete: 미완성
　Floating: 플로팅
　Noise: 노이즈
　Void: 보이드
　Corona: 코로나
　Particle: 파티클
이러한 분류는 [6,1] 크기의 텐서로 모델화되고, 각 이미지의 모든 분류는 텐서 [-1, 6, 1] 내에 있다. 이와 관련하여 좀 더 간단하게 말하면, 본 발명에서는 텐서가 아니라 벡터를 다루고 있는 것이다. 예를 들어, SSD 파일은 256 × 128 ×1 = 32768의 벡터 사이즈로 구성된다. 또한, 노이즈 SSD는 [0, 0, 1, 500, ..., 2] 일 수 있다. 또한, 코로나 SSD는 [5, 300, 1, 500, ..., 8]일 수 있다.
한편, 미완성에 해당하는 벡터는 [1, 0, 0, 0, 0, 0]일 수 있다. 플로팅에 해당하는 벡터는 [0, 1, 0, 0, 0, 0]일 수 있다. 노이즈의 벡터는 [0, 0, 1, 0, 0, 0]일 수 있다. 보이드의 벡터는 [0, 0, 0, 1, 0, 0]일 수 있다. 코로나의 벡터는 [0, 0, 0, 0, 1, 0]일 수 있다. 파티클 벡터는 [0, 0, 0, 0, 0, 1]일 수 있다.
한편, 신경망은 단순히 가중치의 집합이라고 할 수 있으며, 트레이닝의 목표는 각 가중치의 관련값을 찾는 것에 있다. 본원에서는 트레이닝과 관련된 어떠한 값에도 가중치를 초기화 할 수 있다. 각 쌍마다 (이미지 벡터, 분류 벡터), 본원에서는 가중치를 찾기 위한 시도를 한다. 그리고 나서, 오류를 최소화하기 위해 기존에 선택된 가중치를 정정할 수 있다.
예를 들어, 본원에서는 신경망(NN)을 초기화할 수 있다.
　[0, 0, 1, 500, ..., 2] * NN =　[0, 0, 1, 0, 0, 0]
또한, 신경망(NN)의 가중치를 탐색할 수 있다.
[5, 300, 1, 500, ..., 8] * NN =　[0, 0, 0, 0, 1, 0]
본원에서는, 가중치를 탐색한 후에, 신경망 중 기존의 것을 업데이트할 수 있다. 또한, 본원에서는, 각 쌍에 (입력, 출력) 이러한 반복 작업을 복수의 주기로 진행한다. (이를 에포크(epoch)라 지칭할 수 있다). 따라서, 트레이닝 시간은 분류에 연관이 되어있지 않지만, 각 쌍 (입력, 출)의 크기에 연관된다 (분류는 단지 특정 출력 벡터에서 보여진다).
각 반복마다, 값을 업데이트하기 위해 최적화 알고리즘이 사용된다. 이를 위해 정의된 오류 함수를 최소화한다. 이와 관련하여, 몇몇 최적화 알고리즘을 적용할 수 있다. 본원에서 사용될 수 있는 최적화 알고리즘은 확률적 경사 하강법을 이용할 수 있으며, 이를 SdDG, Momentum, AdaGrad, Adam이라고 지칭할 수 있다. 특히, 본 발명의 바람직한 실시 예에 따르면, 적응 모멘트 예측(Adam:Adaptive Moment Estimation)이 사용될 수 있다. 따라서, 트레이닝 시간은 다음과 같은 인자에 달려 있다.
- 쌍의 개수 (입력, 출력)
- 네트워크 자체(실제 매트릭스가 아니지만 층(레이어)의 집합과 각 층의 신경 집합)
- 최적화 방법 및 수렴(converge) 하는데 필요한 시간
한편, 트레이닝 시간과 관련하여, 트레이닝을 종료하기 위한 기준은 응용에 따라 실제로 주관적일 수 있다. 트레이닝과 관련된 어떠한 조건도 부가되지 않으면, 트레이닝은 절대 중단되지 않고 무한루프로 계속될 수 있다. 하지만, 본 발명에 따르면, 특정 조건을 부가하여, 정확도(accuracy)와 손실도(loss)의 값이 “적정할 때” 트레이닝을 중단할 수 있다는 기술적 효과를 갖는다.
한편, 본 발명의 일 실시 예에 따라 실험한 바에 따르면, “적정한” 정확도와 손실도가 200 및 5000스텝의 배치 사이즈를 가질 수 있다. 이러한 이유로 네트워크 내에서 실제로 어떤 일이 일어나는지 보거나 이해하는 것은 무척 어려운 일이 될 수 있다. 특히, 네트워크의 크기가 클수록 이러한 일은 더 어려워지게 된다. 따라서 신경망에 대하여 이를 이용하여 실제로 디버깅하는 것이 불가능할 수 있다. 왜냐하면, 이는 단지 아주 추상적인 수학적 연산의 집합이기 때문이다. 신경망과 관련하여 알 수 있는 것은 단지 직관과 뇌와 비교한 유추일 뿐이다.
또 다른 어려운 점은 대부분 경우에서, 많은 파라미터들이 최적 파라미터들(best parameters)은 아니며, 적당한 타협점(compromise)이 되는 파라미터들이라는 것이다. 따라서, 본 발명의 일 실시 예에 따라 결정한 배치 사이즈 200과 5000스텝이 최적의 파라미터라고 절대적으로 보장할 수 없으며 이는 그 누구도 보장할 수 없다. 그러나, 선택된 파라미터들이 본 발명에 따른 실험 결과에 따라 충분히 훌륭한 품질(quality)를 제공할 수있다는 것을 알 수 있다.
이러한 이유 때문에 많은 과학자들의 커뮤니티에서 신경망은 매우 복잡하기 때문에 그 동안 많은 해에 걸쳐 연구하는 것을 꺼려왔다. 즉, 신경망이 어떻게 동작되는지는 정확히 알 수 없다. 따라서, 신경망 내부에 어떤 일이 일어나는지 보여주는 것이 어려우며, 이에 따라 실제 이미지가 존재하지 않는다.
하지만, 본원에서 사용되는 신경망을 이용하는 머신 러닝에서 실제 이미지에 대한 추측은 가능할 수 있다. 이와 관련하여, 도 9는 본 발명과 관련하여, 딥 러닝의 학습 계층 표현(Learning Hierchical Representation)을 도시한다. 도 9데 도시된 바와 같이, 딥 러닝은 비-선형 특징 변환(non-linear feature transformation)의 하나 이상의 단계를 갖는다. 즉, 하위-레벨 특징 → 중간-레벨 특징 → 상위-레벨 특징 → 트레이닝 가능한 클래시파이어 (예컨대, 식별자)을 이용하는 단계가 고려될 수 있다.
다음으로, 도 10은 본 발명과 관련하여, 컨벌루션 네트워크 아키텍처를 도시한다. 전술된 바와 같이, 컨벌루션 레이어를 구성하는 단계들 중에 풀링 단계들이 부가될 수 있다. 한편, 본 발명의 특정 실시 예에서는, 이러한 컨벌루션 레이어와 맥스 풀링 레이어에서 최적 (유사 최적)의 조합을 통해 딥 러닝을 구현하였으며, 각 단계 별로, 도 6에 도시된 바와 같이 최적 (유사 최적)의 비율로 드랍 아웃 레이어를 구성하였다. 한편, 도 6에 도시된 바와 같이, 최적 (유사 최적)의 파라미터 조합과 비율로 복수의 컨벌루션 레이어의 구성과, 맥스 풀링 및 드랍 아웃 레이어의 구성을 통해 전술된 바와 같이 PRPD 진단이 가능하다.
한편, 상기 센서 데이터는 제1단위 시간 간격으로 측정된 가로 및 세로의 크기가 256 × 128인 픽셀 데이터를 제2단위 시간 간격 동안 n개를 중첩한 것을 특징으로 할 수 있다. 또한, 상기 제1 및 제2단위 시간 간격은 각각 1초 및 60초이고, 상기 픽셀 데이터는 0에서 3600 사이의 픽셀 강도 값을 갖는 것을 특징으로 할 수 있다. 한편, 상기 센서 데이터는 제1단위 시간 간격으로 측정된 가로 및 세로의 크기가 256 × 128인 픽셀 데이터에 해당하는 이미지 데이터를 제2단위 시간 간격 동안 n개를 중첩한 이미지 벡터이다. 이때, 데이터 분류 단계(S200)에서 상기 이미지 벡터가 분류 벡터로 분류될 수 있다. 또한, 데이터 분류 단계(S200)에서 상기 이미지 벡터 및 상기 분류 벡터로 이루어진 쌍(pair)에 대해, 복수의 레이어들 각각에 대한 가중치(weight)의 집합을 찾는 것을 특징으로 할 수 있다. 이때, 상기 가중치의 집합은 오류 함수를 최소화하기 위해 트레이닝 시간 동안 업데이트되는 것을 특징으로 할 수 있다.
한편, 상기 제1 및 제2 비율은 각각 25% 및 40%이고, 상기 제1 및 제2 엘리먼트 크기는 각각 512 및 256개의 엘리먼트 크기이고, 상기 복수 개의 클래스는 미완성(incomplete), 플로팅(floating), 노이즈(noise), 보이드(void), 코로나(corona), 파티클(particle)을 포함하고, 상기 소프트맥스 함수를 적용하여 상기 복수 개의 클래스 중 가장 높은 확률 값을 갖는 클래스에 속하는 인자에 대하여 패턴을 식별하는 것을 특징으로 할 수 있다. 한편, 전술된 바와 같이, 상기 분류 벡터의 출력은 미완성(incomplete), 플로팅(floating), 노이즈(noise), 보이드(void), 코로나(corona), 파티클(particle)의 카테고리 출력을 포함할 수 있다. 이때, 상기 카테고리 출력은 [6,1]의 텐서로 모델화되고, 각 이미지의 모든 분류는 [-1,6,1]의 텐서로 모델화되는 것을 특징으로 할 수 있다.
한편, 전술된 CNN을 이용한 분류 단계 및 이를 이용한 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법은 rectified linear unit (정류 선형 유닛, ReLU) 활성화 기능을 사용할 수 있다. 또한, 트레이닝 과정과 관련하여, ADAM optimizer를 사용하여 트레이닝할 수 있다.
한편, 해당 네트워크는 수동으로 분류된 데이터 셋으로 트레이닝을 할 수 있다. 이와 관련하여, 본 네트워크의 입력은 256 ×128픽셀에서 픽셀 강도를 표현하는 256×128 매트릭스이며 해당 이미지가 UHF센서에서 포착된 이미지를 표현한다. 한편, 네트워크의 출력은 카테고리형 분배(categorical distribution)이다. 이와 관련하여, 최종 출력을 위해, 본 발명의 일 실시 예에 따르면, 오직 더 높은 확률의 클래스만 선택될 수 있다. 이와 관련하여, 도 6에 도시된 바와 같이, 플로팅(floating), 노이즈(noise), 보이드(void), 코로나(corona), 파티클(particle) 중에서 가장 높은 확률의 클래스에 속하는 노이즈(noise)만 선택될 수 있다.
따라서, 본 발명에 따르면, 신경망 학습을 하고 이를 PD패턴을 식별하기 위해 런타임(실시 시간)으로 사용함으로써, 우리는 원시 센서 데이터부터 최종 카테고리까지의 전체 시스템의 엔드 투 엔드 학습을 보유한다. 또한, 노이즈는 전처리 혹은 후처리 없이 시스템에 의해 직접 처리될 수 있다.
이와 관련하여, 도 11은 본 발명에 따른 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법에서 이용되는 데이터 베이스와 데이터 세트의 형태를 도시한다. 도 11에 도시된 바와 같이, 원시 센서 데이터 데이터 베이스는 휴먼 클래스파이어에 의해 원시 센서 데이터 수동 분류된 데이터 베이스 형태가 된다. 이때, PRPD 패턴은 데이터 베이로부터의 각각의 원시 데이터에 수동으로 연관될 수 있다. 한편, 도 8에서 도시된 각각의 데이터 베이스와 이를 이용한 방법은 전술된 도 5 및 도 6에서의 판별 방법과 결합하여 이용될 수 있음은 물론이다.
또한, 원시 센서 데이터 수동 분류된 데이터 베이스에서 센서 데이터 전처리가 수행되고, 이에 따라 데이터 베이스의 각각의 엘리먼트는 이미지 내의 픽셀 강도와 클래스를 갖는다. 다음으로, 셔플링을 통해, 데이터 베이스의 각각의 엘리먼트는 이미지 내의 픽셀 강도와 클래스를 갖는다. 이 중에서 데이터의 일정 부분(예를 들어, 80%)을 랜덤하게 선택하여, 제1트레이닝 데이터 세트를 생성할 수 있다. 제1트레이닝 데이터 베이스의 각각의 엘리먼트는 이미지 내의 픽셀 강도와 클래스를 갖는다. 또한, 이 중에서 데이터의 나머지 부분(예를 들어, 20%)을 랜덤하게 선택하여, 제2트레이닝 데이터 세트를 생성할 수 있다. 제2트레이닝 데이터 베이스의 각각의 엘리먼트는 이미지 내의 픽셀 강도와 클래스를 갖는다.
한편, 제1트레이닝 데이터 베이스에 복수 회에 걸쳐서 CNN이 적용되고, 각각의 반복 동안에, 정확도 및 손실이 계산된다. 또한, 제2트레이닝 데이터 베이스에 대하여, 일단 반복이 수행되면, 모델의 평가를 위한 테스트 데이터 세트에 대하여 최종 정확도 및 손실이 계산된다.
전술된 최종 정확도 및 손실과 관련하여, 이는 트레이닝의 반복 과정 동안에 트레이닝의 반복 스텝 (또는 반복 횟수)를 결정하는 데 이용될 수 있다. 예를 들어, 트레이닝의 반복에 따른 시간은 복수의 레이어들의 각각에 대한 입력 및 출력 쌍의 개수, 네트워크 요소에 따라 반복 스텝의 개수가 결정될 수 있다. 이때, 네트워크 요소는 상기 복수의 레이어들의 집합 및 각각의 레이어에 대한 뉴런의 집합에 기반하여 결정되는 것을 특징으로 할 수 있다; 또한, 이는 트레이닝에 따른 정확도가 제1 임계값 이상이고, 손실도가 제2 임계값 이하이면서, 반복 횟수에 따라 상기 정확도 및 손실도의 차이가 각각 제3 임계값 및 제4 임계값 이하가 될 때까지 상기 반복 횟수를 증가시키는 것을 특징으로 할 수 있다. 즉, 트레이닝의 반복 스텝 (또는 반복 횟수)이 증가함에 따라 정확도가 특정 값(제1 임계값) 이상이 될 수 있고, 손실도 역시 특정 값(제2 임계값) 이하가 되어야 한다. 경우에 따라, 트레이닝의 반복 스텝 (또는 반복 횟수)은 정확도만을 고려할 수도 있다. 또한, 트레이닝의 반복 스텝 (또는 반복 횟수)이 증가함에 따라 정확도가 수렴(converge)되는 것이 바람직하다. 이에 따라, 정확도가 특정 값(제1 임계값) 이상이 될 뿐만 아니라, 반복 스텝 (또는 반복 횟수) 간격 (예컨대, Δt =tn - tn- 1)정확도의 차이가 특정 값(제3 임계값) 이하가 되는 것이 바람직하다.
다음으로, 트레이닝 메니저에 의해 하이퍼 파라미터 튜닝이 이루어질 수 있다. 이 경우에, 기대되는 품질에 도달되면, 모델이 외부로 출력(export)되고 모델 데이터 베이스에 저장된다. 이에 따라, PRPD 진단 툴은 CNN 모델 데이터베이스를 이용하여 PRPD 진단을 수행할 수 있다. 구체적으로, PRPD 진단 툴에 의해 사용되는 분류는 CNN 모델 데이터베이스로부터 모델의 최종 버전을 획득할 것이고, 전처리된 센서 데이터를 분류하기 위해 이를 이용할 것이다.
전술된 데이터베이스에서 사용될 수 있는 데이터 세트에 대해 좀 더 상세하게 살펴보면 다음과 같다. 본 발명의 일 실시 예에 따라, 기존에 트레이닝된 데이터 세트는 다음과 같이 구성될 수 있다.
- 미완성(incomplete) 패턴에 대하여 : 987 아이템
- 플로팅(floating) 패턴에 대하여: 334 아이템
- 노이즈(noise) 패턴에 대하여: 41311 아이템
- 보이드(void) 패턴에 대하여: 642 아이템
- 코로나(corona) 패턴에 대하여:　222 아이템
- 파티클(particle) 패턴에 대하여: 256 아이템
- 엘리먼트의 총 개수: 43752
이와 관련하여, 본 발명의 일 실시 예에 따라, 트레이닝 세트의 총 구성 수: 35002개이고, 테스팅 세트의 총 구성 수는 8750개일 수 있다. 즉, 도 11에 도시된 바와 같이, 데이터의 약 80%는 트레이닝 세트에 할당되고, 약 20%는 테스팅 세트에 할당될 수 있다.
한편, 본 발명의 또 다른 실시 예에 따르면, 새롭게 추가되는 데이터와 진행중인 트레이닝을 위해 다음과 같이 트레이닝될 수 있다.
- 미완성(incomplete) 패턴에 대하여 : 987 아이템
- 플로팅(floating) 패턴에 대하여: 456 아이템
- 노이즈(noise) 패턴에 대하여: 41323 아이템
- 보이드(void) 패턴에 대하여: 642 아이템
- 코로나(corona) 패턴에 대하여:　235 아이템
- 파티클(particle) 패턴에 대하여: 270 아이템
- 엘리먼트의 총 개수: 43913
이와 관련하여, 본 발명의 또 다른 실시 예에 따라, 트레이닝 세트의 총 구성 수: 35130개이고, 테스팅 세트의 총 구성 수는 8783개일 수 있다. 즉, 도 11에 도시된 바와 같이, 데이터의 약 80%는 트레이닝 세트에 할당되고, 약 20%는 테스팅 세트에 할당될 수 있다.
본 발명의 실시 예들 중 적어도 하나에 따르면, 센서 데이터에 대한 전처리 및 후처리 과정 없이 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 제공할 수 있다는 장점이 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 따르면, 노이즈 데이터 및 미완성 패턴을 다른 패턴으로 식별하도록 선택하여, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법을 제공할 수 있는 장점이 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능 뿐만 아니라 각각의 구성 요소들은 별도의 소프트웨어 모듈로도 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.
100: 센서
200: 데이터 획득부(DAU: Data Accquistion Unit)
300: 제어부(CU: Control Unit)
400: 진단부(Diagnosis Unit)

Claims (15)

  1. 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법에 있어서,
    차단기 부분방전 유형진단 및 노이즈와 관련된 센서 데이터를 센서로부터 수신하는 센서 데이터 수신 단계;
    컨벌루션 신경망 (Convolutional Neural Networks, CNN)을 이용하여 상기 센서 데이터를 분류(classification)하는 데이터 분류 단계; 및
    상기 분류된 데이터에 기반하여, 카테고리 분포를 획득하는 데이터 분포 획득 단계를 포함하고,
    상기 센서 데이터는 제1단위 시간 간격으로 측정된 픽셀 데이터에 해당하는 이미지 데이터를 제2단위 시간 간격 동안 n개를 중첩한 이미지 벡터이고,
    상기 데이터 분류 단계에서 상기 이미지 벡터가 분류 벡터로 분류되는 것을 특징으로 하고,
    상기 데이터 분류 단계에서,
    상기 이미지 벡터 및 상기 분류 벡터로 이루어진 쌍(pair)에 대해, 복수의 레이어들 각각에 대한 가중치(weight)의 집합을 찾는 것을 특징으로 하고,
    상기 가중치의 집합은 오류 함수를 최소화하기 위해 트레이닝 시간 동안 업데이트되는 것을 특징으로 하고,
    상기 트레이닝 시간은 상기 복수의 레이어들의 각각에 대한 입력 및 출력 쌍의 개수, 네트워크 요소에 따라 반복 스텝의 개수가 결정되고,
    상기 네트워크 요소는 상기 복수의 레이어들의 집합 및 각각의 레이어에 대한 뉴런의 집합에 기반하여 결정되는 것을 특징으로 하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  2. 제1항에 있어서,
    상기 획득된 데이터 분포에 기반하여, 최종 출력을 위해 더 높은 클래스만 선택하는 클래스 선택 단계; 및
    상기 선택된 클래스에 기반하여, 상기 획득된 데이터를 분석하고 PRPD(Phase Resolved Partial Discharge) 패턴을 식별하는 데이터 분석/패턴 식별 단계를 더 포함하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  3. 제1항에 있어서,
    상기 데이터 분류 단계는,
    제1필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들을 구성하고,
    상기 제1필터 사이즈보다 작은 제2필터 사이즈 및 스트라이드 2를 갖는 맥스 풀링 레이어를 구성하는 단계를 포함하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  4. 제3항에 있어서,
    상기 데이터 분류 단계는,
    제1비율의 드랍아웃 레이어를 구성하고,
    제3필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들을 구성 ― 상기 제3필터 사이즈는 상기 제1필터 사이즈보다 작고 상기 제2필터 사이즈보다 큰 값으로 설정 ― 하고,
    상기 제2필터 사이즈 및 스트라이드 2를 갖는 맥스 풀링 레이어를 구성하는 단계를 더 포함하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  5. 제4항에 있어서,
    상기 데이터 분류 단계는,
    상기 제1비율의 드랍아웃 레이어를 구성하고,
    플레튼 레이어(flattening layer)를 구성하고,
    제1엘리먼트 크기의 밀도 레이어(dense layer)를 구성하는 단계를 더 포함하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  6. 제5항에 있어서,
    상기 데이터 분류 단계는,
    상기 제1비율보다 높은 비율의 제2비율의 드랍아웃 레이어를 구성하고,
    상기 제1엘리먼트 크기의 절반에 해당하는 제2엘리먼트 크기의 밀도 레이어(dense layer)를 구성하는 단계를 더 포함하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  7. 제6항에 있어서,
    상기 데이터 분류 단계는,
    상기 제2비율의 드랍아웃 레이어를 구성하고,
    복수 개의 클래스에 대한 확률 분포를 생성하기 위해 소프트맥스 함수를 적용하고,
    상기 소프트맥스 함수가 적용된 데이터에 기반하여, 카테고리 분포를 획득하는 단계를 더 포함하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  8. 삭제
  9. 제1항에 있어서,
    상기 제1 및 제2단위 시간 간격은 각각 1초 및 60초이고, 상기 픽셀 데이터는 0에서 3600 사이의 픽셀 강도 값을 갖는 것을 특징으로 하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  10. 제7항에 있어서,
    상기 제1 및 제2 비율은 각각 25% 및 40%이고,
    상기 제1 및 제2 엘리먼트 크기는 각각 512 및 256개의 엘리먼트 크기이고,
    상기 복수 개의 클래스는 미완성(incomplete), 플로팅(floating), 노이즈(noise), 보이드(void), 코로나(corona), 파티클(particle)을 포함하고, 상기 소프트맥스 함수를 적용하여 상기 복수 개의 클래스 중 가장 높은 확률 값을 갖는 클래스에 속하는 인자에 대하여 패턴을 식별하는 것을 특징으로 하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  11. 제3항에 있어서,
    상기 제1필터 사이즈와 스트라이드 1을 갖는 컨벌루션 레이어들은
    [-1, 256, 128, 1]의 텐서(tnesor)를 갖는 입력 레이어(input layer)를 입력으로 하고, [-1, 256, 128, 32]의 텐서에 해당하는 출력(conv1)을 갖는 제1 컨벌루션 레이어; 및
    상기 출력(conv1)을 입력으로 하고, conv2에 해당하는 출력을 갖는 제2 컨벌루션 레이어를 포함하고,
    상기 맥스 풀링 레이어는, 상기 conv2를 입력으로 하고, 2×2의 풀링 사이즈를 갖고, pool1에 해당하는 출력을 갖는 것을 특징으로 하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  12. 삭제
  13. 제 1항에 있어서,
    상기 분류 벡터의 출력은 미완성(incomplete), 플로팅(floating), 노이즈(noise), 보이드(void), 코로나(corona), 파티클(particle)의 카테고리 출력을 포함하고,
    상기 카테고리 출력은 [6,1]의 텐서로 모델화되고, 각 이미지의 모든 분류는 [-1,6,1]의 텐서로 모델화되는 것을 특징으로 하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
  14. 삭제
  15. 제 1항에 있어서,
    상기 트레이닝 시간과 관련하여, 트레이닝에 따른 정확도가 제1 임계값 이상이고, 손실도가 제2 임계값 이하이면서, 반복 횟수에 따라 상기 정확도 및 손실도의 차이가 각각 제3 임계값 및 제4 임계값 이하가 될 때까지 상기 반복 횟수를 증가시키는 것을 특징으로 하는, 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법.
KR1020170102552A 2017-08-11 2017-08-11 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 KR101822829B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170102552A KR101822829B1 (ko) 2017-08-11 2017-08-11 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170102552A KR101822829B1 (ko) 2017-08-11 2017-08-11 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법

Publications (1)

Publication Number Publication Date
KR101822829B1 true KR101822829B1 (ko) 2018-01-29

Family

ID=61028458

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170102552A KR101822829B1 (ko) 2017-08-11 2017-08-11 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법

Country Status (1)

Country Link
KR (1) KR101822829B1 (ko)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109856517A (zh) * 2019-03-29 2019-06-07 国家电网有限公司 一种特高压设备局部放电检测数据的判别方法
KR101965159B1 (ko) * 2018-11-30 2019-08-13 문경훈 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템
KR20190113097A (ko) * 2018-03-27 2019-10-08 주식회사 제니스텍 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치
KR20200097526A (ko) * 2019-02-08 2020-08-19 금오공과대학교 산학협력단 신경망이 적용된 통신 시스템 및 방법
EP3699614A1 (en) * 2019-02-22 2020-08-26 Ormazabal Corporate Technology, A.I.E. Method and system of partial discharge recognition for diagnosing electrical networks
JP2021015098A (ja) * 2019-07-16 2021-02-12 株式会社東芝 部分放電診断装置、部分放電診断方法、学習装置、学習方法、部分放電診断システム及びコンピュータプログラム
KR20210029607A (ko) 2019-09-06 2021-03-16 현대일렉트릭앤에너지시스템(주) 부분 방전 진단 장치
US11275866B2 (en) 2019-07-17 2022-03-15 Pusan National University Industry-University Cooperation Foundation Image processing method and image processing system for deep learning
KR20230051950A (ko) * 2021-10-12 2023-04-19 한전케이디엔주식회사 지중케이블 부분 방전 진단 장치
WO2023128669A1 (ko) * 2021-12-30 2023-07-06 엘에스전선 주식회사 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2023128668A1 (ko) * 2021-12-30 2023-07-06 엘에스전선 주식회사 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
CN116742519A (zh) * 2023-08-10 2023-09-12 宗汉电通技术(深圳)有限公司 一种基于全景监控的gis设备无尘化安装环境智能管理系统
CN116883540A (zh) * 2023-09-06 2023-10-13 青岛艾诺仪器有限公司 一种prpd图像局部放电数据处理方法及系统

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190113097A (ko) * 2018-03-27 2019-10-08 주식회사 제니스텍 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치
KR102097442B1 (ko) 2018-03-27 2020-04-06 주식회사 제니스텍 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치
KR101965159B1 (ko) * 2018-11-30 2019-08-13 문경훈 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템
KR102184763B1 (ko) * 2019-02-08 2020-11-30 금오공과대학교 산학협력단 신경망이 적용된 통신 시스템 및 방법
KR20200097526A (ko) * 2019-02-08 2020-08-19 금오공과대학교 산학협력단 신경망이 적용된 통신 시스템 및 방법
EP3699614A1 (en) * 2019-02-22 2020-08-26 Ormazabal Corporate Technology, A.I.E. Method and system of partial discharge recognition for diagnosing electrical networks
CN109856517B (zh) * 2019-03-29 2021-02-23 国家电网有限公司 一种特高压设备局部放电检测数据的判别方法
CN109856517A (zh) * 2019-03-29 2019-06-07 国家电网有限公司 一种特高压设备局部放电检测数据的判别方法
JP2021015098A (ja) * 2019-07-16 2021-02-12 株式会社東芝 部分放電診断装置、部分放電診断方法、学習装置、学習方法、部分放電診断システム及びコンピュータプログラム
US11275866B2 (en) 2019-07-17 2022-03-15 Pusan National University Industry-University Cooperation Foundation Image processing method and image processing system for deep learning
KR20210029607A (ko) 2019-09-06 2021-03-16 현대일렉트릭앤에너지시스템(주) 부분 방전 진단 장치
KR20230051950A (ko) * 2021-10-12 2023-04-19 한전케이디엔주식회사 지중케이블 부분 방전 진단 장치
KR102615266B1 (ko) * 2021-10-12 2023-12-15 한전케이디엔주식회사 지중케이블 부분 방전 진단 장치
WO2023128669A1 (ko) * 2021-12-30 2023-07-06 엘에스전선 주식회사 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2023128668A1 (ko) * 2021-12-30 2023-07-06 엘에스전선 주식회사 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
CN116742519A (zh) * 2023-08-10 2023-09-12 宗汉电通技术(深圳)有限公司 一种基于全景监控的gis设备无尘化安装环境智能管理系统
CN116742519B (zh) * 2023-08-10 2024-01-19 宗汉电通技术(深圳)有限公司 一种基于全景监控的gis设备无尘化安装环境智能管理系统
CN116883540A (zh) * 2023-09-06 2023-10-13 青岛艾诺仪器有限公司 一种prpd图像局部放电数据处理方法及系统
CN116883540B (zh) * 2023-09-06 2023-11-14 青岛艾诺仪器有限公司 一种prpd图像局部放电数据处理方法及系统

Similar Documents

Publication Publication Date Title
KR101822829B1 (ko) 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
Heydarzadeh et al. A two-stage fault detection and isolation platform for industrial systems using residual evaluation
CN106528975B (zh) 一种应用于电路与系统的故障预测与健康管理方法
da Silva et al. A new methodology for multiple incipient fault diagnosis in transmission lines using QTA and Naïve Bayes classifier
CN111783442A (zh) 入侵检测方法、设备和服务器、存储介质
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN109033513B (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN116893336B (zh) 高低压开关设备及其方法
Sun et al. Test point insertion using artificial neural networks
Schmidt et al. Normalizing flows for novelty detection in industrial time series data
CN116552306B (zh) 直流桩的监控系统及其方法
CN111259949A (zh) 飞机环控系统故障识别模型构建方法、模型及识别方法
CN117272102A (zh) 一种基于双注意力机制的变压器故障诊断方法
KR20090027921A (ko) Ｇｉｓ 내부의 부분방전 결함원을 자동으로 추론하는 방법
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
CN112966547A (zh) 一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
WO2014173271A1 (zh) 数字化人机界面监视单元数量优化方法及系统
Dang et al. seq2graph: Discovering dynamic non-linear dependencies from multivariate time series
CN115221942A (zh) 一种基于时序融合和神经网络的设备缺陷预测方法及系统
CN114676593A (zh) 一种纺织设备的异常检测方法及相关装置
Xie et al. Faults Diagnosis for Large-scale Battery Packs via Texture Analysis on Spatial-temporal Images Converted from Electrical Behaviors
Li et al. Structural health monitoring response reconstruction based on UAGAN under structural condition variations with few-shot learning [J]

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant