KR102014751B1 - 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법 - Google Patents

변형된 mfcc를 이용한 전기부하 판별 장치 및 방법 Download PDF

Info

Publication number
KR102014751B1
KR102014751B1 KR1020180031308A KR20180031308A KR102014751B1 KR 102014751 B1 KR102014751 B1 KR 102014751B1 KR 1020180031308 A KR1020180031308 A KR 1020180031308A KR 20180031308 A KR20180031308 A KR 20180031308A KR 102014751 B1 KR102014751 B1 KR 102014751B1
Authority
KR
South Korea
Prior art keywords
electric load
arc
feature vector
current signal
identified
Prior art date
Application number
KR1020180031308A
Other languages
English (en)
Inventor
최동환
임용배
김동우
이기연
문현욱
Original Assignee
한국전기안전공사
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 한국전기안전공사 filed Critical 한국전기안전공사
Priority to KR1020180031308A priority Critical patent/KR102014751B1/ko
Priority to PCT/KR2018/003143 priority patent/WO2019182166A1/ko
Application granted granted Critical
Publication of KR102014751B1 publication Critical patent/KR102014751B1/ko

Links

Images

Classifications

    • 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
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
    • G01R15/14—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks
    • G01R15/18—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using inductive devices, e.g. transformers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
    • G01R15/14—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks
    • G01R15/18—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using inductive devices, e.g. transformers
    • G01R15/186—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using inductive devices, e.g. transformers using current transformers with a core consisting of two or more parts, e.g. clamp-on type
    • 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
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • 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
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G01R23/167—Spectrum analysis; Fourier analysis using filters with digital filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G06N7/046—Implementation by means of a neural network
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading
    • Y04S20/38—

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Discrete Mathematics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

본 기술은 변형된 MFCC를 이용한 전기부하 판별 장치 및 방법이 개시된다. 본 발명의 구체적인 예에 따르면, 기존의 MFCC 알고리즘에서 사용된 주파수 대역과 다른 주파수 대역의 소정 수의 필터를 사용하여 전기부하 별 전류 신호 파형의 차이가 분명한 전기부하 별 특징 벡터를 효율적으로 추출할 수 있고, 변형된 MFCC 알고리즘의 수행으로 처리 시간 및 사이즈를 줄일 수 있고, 또한, 측정된 전류 신호에 대한 특징 벡터를 이용하여 식별된 전기부하의 아크 발생 시 식별된 전기부하와 매칭되는 아크 모드를 선택하고 선택된 아크 모드에 해당하는 아크분석 알고리즘을 통해 식별된 전기부하의 아크 분석을 수행하여 식별된 전기 부하의 아크 사고 원인 판정의 정확도를 향상할 수 있고, 아크 분석 결과를 토대로 식별된 전기 부하에 대한 안전도 평가를 수행할 수 있으며, 따라서, 식별된 전기 부하의 안전도 평가 결과에 의거 식별된 전기 부하의 플러그에 설치된 릴레이를 통해 전원 공급 제어를 수행함으로써, 식별된 전기부하의 에너지 절감 및 안전성을 향상할 수 있다.

Description

변형된 MFCC를 이용한 전기부하 판별 장치 및 방법{APPARATUS AND METHOD FOR DETECTING ELECTRIC LOAD USING MODIFIED MFCC}
본 발명은 변형된 MFCC를 이용한 전기부하 판별 장치 및 방법에 관한 것으로서, 더욱 상세하게는 기존의 MFCC 알고리즘을 이용하여 주어진 전류 신호 파형과 매칭되는 전기부하를 판별할 수 있도록 하는 기술에 관한 것이다.
선행 자료(등록특허 제1757056호)는 기기 식별이 가능한 적응형 스마트 전력 측정 장치 및 방법이 제공된다. 이러한 기기 식별이 가능한 적응형 스마트 전력 측정 방법은 측정 대상이 되는 복수의 기기로부터 측정된 전류, 전력, 전력량 중 적어도 하나 이상의 측정 값을 수집하여 상기 측정 값의 변화를 감지하고, 상기 측정 값의 변화가 감지되는 경우 전력 또는 전류의 변이 값과 매칭되는 전력 또는 전류의 고유 값을 검색하고 상기 검색에 따라 위상을 계산하여 등록된 위상의 상기 고유 값과 매칭되는 하나의 기기를 판별하여 각 고유 값의 시간별/일별/월별 이동평균을 측정 및 저장하여 기기의 수명을 진단하는데 판단자료로 사용하고 이동평균값을 이용하여 고유 값을 항상 최근의 값으로 적용함으로써 고유 값을 이용한 기기의 식별에 정확도를 높일 수 있다.
그러나, 상술한 기기 식별 장치 및 방법은 기기의 고유값을 전류나 위상 변이값으로 설정하여 기기를 판별함에 있어 상기 고유값 판별을 위한 신호 파형 인식에 대한 구체적인 방법을 제시하고 있을 뿐, 식별된 전기 기기에 대한 안전도를 평가 및 예측하는 구성이 없기 때문에 전기 기기의 사고 발생을 미연에 방지하고 사고 원인 분석이 어려운 문제점이 있었다.
이에 본 출원인은 주어진 전류 신호 파형에 대해 MFCC 알고리즘 및 신경회로망을 수행하여 전기부하를 식별하고 식별된 전기부하와 매칭되는 아크 분석을 수행하여 전기부하에 대한 안전도를 미리 평가 및 예측할 수 있고 예측 결과에 따라 전기부하에 전달되는 전원을 미리 차단하여 사고를 미연에 방지할 수 있는 방안을 제안하고자 한다.
본 발명은 주어진 전류 신호 파형에 대해 MFCC 알고리즘 및 신경회로망을 수행하여 전기부하를 식별함으로써, 전기부하 식별의 정확도를 향상시킬 수 있고 변형된 MFCC 알고리즘을 통해 전기부하 식별하는데 드는 시간을 최소로 단축할 수 있는 변형된 MFCC를 이용한 전기부하 판별 방법 및 장치를 제공한다.
또한, 본 발명은, 식별된 전기부하에 대한 아크 발생 시 식별된 전기부하와 매칭되어 저장된 아크분석 알고리즘을 통해 아크 분석을 수행하고 아크 분석 결과에 따라 식별된 전기부하에 전원 공급을 제어함으로써, 아크 분석 결과를 전기설비 안전도 평가에 활용할 수 있고 식별된 전기부하에 대한 에너지 절감 및 안전성을 향상할 수 있는 변형된 MFCC를 이용한 전기부하 판별 방법 및 장치를 제공한다.
본 발명은
CT 센서에 의거 측정된 전류신호를 소정 간격으로 샘플링하여 소정 수의 이산 신호를 획득하는 데이터 획득부;
상기 소정 수의 이산 신호에 대해 MFCC(Mel-Frequency Cepstral Coefficients) 일고리즘을 수행하여 전류신호 파형에 대한 특징 벡터를 도출하는 특징벡터 도출부; 및
상기 전류신호 파형에 대한 특징 벡터를 신경회로망을 이용하여 특징 벡터와 매칭되는 전기부하를 추출하는 전기부하 식별부를 포함하는 것을 일 특징으로 한다.
바람직하게 상기 특징벡터 도출부는,
상기 소정 수의 이산 신호에 대해 고속 푸리에 변환을 수행하여 주파수 영역의 결과값을 도출하는 FFT(Fast Fourier Transform); 및
복수의 필터로 구비되고 상기 주파수 영역의 결과값을 각 필터의 주파수 대역의 전류신호 파형을 통과시켜 전류신호 파형에 대한 특징 벡터를 도출하는 필터뱅크를 포함할 수 있다.
바람직하게 상기 주파수 영역의 결과값은,
다수의 전기부하 마다 서로 다른 값으로 도출될 수 있다.
상기 복수의 필터는,
상호 중첩되지 아니한 주파수 대역으로 설정될 수 있다.
바람직하게 상기 전기부하 식별부는,
전기부하 별 측정된 전류신호에 대한 특징 벡터를 토대로 학습 모델을 구축하고, 구축된 학습 모델을 이용하여 입력된 전류신호에 대한 특징 벡터와 매칭되는 전기부하를 추출하도록 구비될 수 있다.
바람직하게 상기 장치는,
상기 전류신호 파형에 대한 특징 벡터를 토대로 상기 식별된 전기부하의 아크 발생 여부를 판단하고, 상기 식별된 전기부하의 아크 발생 시 식별된 전기부하와 매칭되는 아크 모드를 선택하고 선택된 아크 모드에 해당하는 아크분석 알고리즘을 통해 식별된 전기부하의 아크 분석을 수행하는 아크 분석부를 더 포함할 수 있다.
바람직하게 상기 장치는,
상기 식별된 전기부하의 아크 분석 결과를 토대로 아크 고장 시 식별된 전기부하에 전원 공급을 차단하는 릴레이 구동신호를 생성하여 전달하는 전원공급 제어부를 더 포함할 수 있다.
또한 본 발명은, 분전반과 전기부하 사이의 전기선에 설치된 CT 센서로부터 측정된 전류신호 파형으로 전기부하를 식별하는 장치에 있어서, 상기 측정된 전류신호 파형을 소정 간격으로 샘플링하여 소정 수의 이산 신호를 획득하는 데이터 획득단계; 상기 소정 수의 이산 신호에 대해 고속 푸리에 변환 후 소정 수의 필터를 통과하여 상기 측정된 전류신호 파형에 대한 특징 벡터를 도출하는 특징벡터 도출단계; 및 상기 전류신호 파형에 대한 특징 벡터에 대해 신경회로망을 통해 상기 측정된 전류신호 파형에 대한 특징 벡터와 매칭되는 전기부하를 추출하는 전기부하 식별단계를 포함하는 것을 다른 특징으로 한다.
바람직하게 상기 측정된 전류신호 파형에 대한 특징 벡터를 토대로 식별된 전기부하에 대한 아크 발생 여부를 판단하고, 아크 발생 판단 시 식별된 전기부하와 매칭되는 아크 모드에 해당하는 아크 분석 알고리즘으로 아크 분석을 수행하는 아크 분석단계를 더 포함할 수 있고, 식별된 전기부하에 대한 아크 분석 결과에 따라 식별된 전기부하의 아크 고장 시 식별된 전기부하의 전원 공급을 제어하는 전원공급 제어단계를 더 포함할 수 있다.
전술한 바와 같은 구성의 본 발명에 의하면 기존의 MFCC 알고리즘에서 사용된 주파수 대역과 다른 주파수 대역의 소정 수의 필터를 사용하여 전기부하 별 전류 신호 파형의 차이가 분명한 전기부하 별 특징 벡터를 효율적으로 추출할 수 있고, 변형된 MFCC 알고리즘의 수행으로 처리 시간 및 사이즈를 줄일 수 있다.
또한, 측정된 전류 신호에 대한 특징 벡터를 이용하여 식별된 전기부하의 아크 발생 시 식별된 전기부하와 매칭되는 아크 모드를 선택하고 선택된 아크 모드에 해당하는 아크분석 알고리즘을 통해 식별된 전기부하의 아크 분석을 수행하여 식별된 전기 부하의 아크 사고 원인 판정의 정확도를 향상할 수 있고, 아크 분석 결과를 토대로 식별된 전기 부하에 대한 안전도 평가를 수행할 수 있다.
따라서, 식별된 전기 부하의 안전도 평가 결과에 의거 식별된 전기 부하의 플러그에 설치된 릴레이를 통해 전원 공급 제어를 수행함으로써, 식별된 전기부하의 에너지 절감 및 안전성을 향상할 수 있다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 본 발명의 실시 예에 따른 전기부하 판별 장치의 구성도이다.
도 2 내지 제5도는 본 발명의 실시 예에 따른 전기부하 판별 장치의 각 부의 출력 신호를 보인 그래프들이다.
도 6은 본 발명의 실시 예에 따른 전기부하 판별 방법의 처리 흐름도이다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
일반적인 MFCC(Mel-Frequency Cepstral Coefficients) 알고리즘을 통해 측정된 전류 신호에 대해 노이즈 소음 및 노이즈를 제거하는 전처리 과정의 수행 시 측정된 전류 신호 파형의 고주파 성분이 완화되므로 전기부하 판별의 정확도가 저하되었다.
이에 본 발명은 측정된 전류 신호로부터 획득된 N개의 이산 신호에 대해 고속푸리에 변환을 수행하는 변형된 MFCC 알고리즘을 통해 전기부하 식별함으로써, 기존의 MFCC 알고리즘의 전처리 과정 및 후처리 과정이 생략되어 전기부하의 전류 신호 파형에 대한 특징 벡터를 도출하는 시간 및 전기부하 판별 장치의 사이즈를 줄일 수 있도록 구비된다.
또한, 본 발명은 서로 중첩되지 아니한 주파수 대역의 소정 수의 필터로 구비된 필터뱅크를 구비하여 측정된 전류신호에 대한 특징벡터를 추출하고 추출된 전류신호의 특징벡터에 대해 신경회로망을 수행하여 전기부하를 식별함으로써, 전기부하 판별의 정확도를 향상하도록 구성된다.
그리고 본 발명은 복수의 아크 모드와 각 아크 모드를 수행하는 아크 분석 알고리즘으로 구비되어 식별된 전기부하의 아크 발생 시 식별된 전기부하에 해당하는 아크 모드를 선택하고 선택된 아크 모드에 해당하는 아크 분석 알고리즘으로 아크 분석을 수행함으로써, 식별된 전기 부하의 아크 사고 원인 판정의 정확도를 향상할 수 있고, 아크 분석 결과를 토대로 식별된 전기 부하에 대한 안전도 평가를 수행할 수 있고, 아크 분석 결과 아크 고장 판정 시 메인 분전반에서 전기부하로 전달되는 전원 공급을 제어함으로써, 식별된 전기부하의 에너지 절감 및 안전성을 향상하도록 구성된다.
도 1은 본 발명의 실시 예에 따른 변형된 MFCC를 이용한 전기부하 판별 장치에 대한 구성도로서, 도시된 바와 같이, 전기부하 판별 장치(100)는 데이터 획득부(110), 특징벡터 도출부(120), 및 전기부하 판별부(130)를 포함한다.
데이터 획득부(110)는 분전반(10)과 전기부하(30) 사이에 연결된 전선에 설치된 CT(Current Transformer) 센서(50)를 이용하여 측정된 전류신호를 일정 간격으로 샘플링하여 복수개의 로우 데이터(raw data)를 획득한다. 여기서, 로우 데이터는 전기부하의 판별을 위한 신호 처리에 사용되는 이산 신호이다.
한편, 특징벡터 도출부(120)는 변형된 MFCC 알고리즘을 이용하여 복수개의 이산 신호로부터 측정된 전류신호에 대한 특징 벡터를 추출하도록 구비되고, 이에 특징벡터 도출부(120)는 FFT(Fast Fourier Transform)(121) 및 필터뱅크(123)를 포함한다.
여기서, FFT(121)는 시간 축 상의 복수개의 이산 신호에 대해 고속푸리에 변환(FFT)을 수행하여 주파수 영역의 결과값을 도출한다. 즉, FFT(121)는 주파수 영역의 DFT(Discrete Fourier Transform) 스펙트럼을 도출하고, 획득된 DFT(Discrete Fourier Transform) 스펙트럼 형태 이산 변환 결과값은 필터뱅크(123)로 전달된다.
도 2는 FFT(121)의 이산 변환 결과값에 대한 그래프를 보여준다. 즉, 도 2을 참조하면, 다양한 전기부하 각각에 대해 주파수 영역으로 변환된 이산 변환 결과값을 확인할 수 있다.
한편, 필터뱅크(123)는 서로 중첩되지 아니한 주파수 대역을 가지는 적어도 하나 이상의 필터로 구비되고, 이산 변환 결과값은 적어도 하나 이상의 필터를 통과하여 전류 신호에 대한 특징 벡터를 도출한다.
여기서, 고속 푸리에 변환 결과에 따르면 각 전기부하는 10~10000 Hz 범위에서 서로 다른 결과값을 가지므로, 각 필터의 주파수 대역은 각 전기부하 별로 상호 중첩되지 않도록 설정 및/또는 변경된다.
이에 상기 주파수 영역의 결과값들은 필터뱅크(123)의 적어도 하나의 필터를 통과하여 한 프레임 당 M개의 계수값들을 추출하고, 한 프레임 당 M개의 계수값은 전류 신호에 대한 특징 벡터로 출력된다.
도 3은 도 2에 도시된 10~10000 Hz 범위의 각 전기부하 별 이산 변환 결과값에 대해 적어도 하나의 필터를 통과한 각 전기부하 별 전류신호에 대한 특징 벡터를 보인 그래프이다. 도 3을 참조하면, 필터뱅크(123)는 서로 중첩되지 아니한 주파수 대역을 가지는 26개의 필터로 구비되고, 각 필터의 주파수 대역을 통과된 에어컨, 컴퓨터, 헤어드라이어, 조명, 전자레인지, 냉장고, 텔레비전 등 각 전기부하 별 전류신호에 대한 특징 벡터를 확인할 수 있다. 그리고, 각 전기부하 별 전류신호에 대한 특징 벡터는 전기부하 식별부(130)에 전달된다.
전기부하 식별부(130)는 측정된 전류신호에 대한 특징 벡터를 제공받아 신경회로망을 통해 학습 수행하여 전기부하를 식별한다.
즉, 전기부하 식별부(130)는 측정된 전류 신호에 대한 특징 벡터로 이루어진 전기부하 패턴에 따라 전기부하를 분류하여 학습 모델을 구축하고, 구축된 학습 모델를 통해 주어진 전류신호에 대한 특징 벡터와 매칭되는 전기부하 패턴의 전기부하를 추출한다. 이때 전기부하 판별을 위한 학습은 역전파 신경회로망으로 수행된다.
여기서, 역전파 신경회로망은 외부에서 입력되는 특징 벡터를 신경망에 전달하고 신경망은 특징 벡터의 오차를 연산하며, 오차가 줄이기 위한 가중치를 조정하는 알고리즘이다. 여기서 오차는 평균제곱오차(MSE: Means Square Error)을 사용하여 도출된다.
즉, 역전파 신경회로망은 (1) 초기화 단계, (2) 특징벡터 전방향 진행 단계, (3) 오차 신호의 역전파 및 가중치 수정 단계 및 (4) 반복 수행단계 순으로 수행된다.
즉, (1) 초기화 단계에서, 입력출력 뉴론의 수를 설정하고 필요한 은닉 츠의 수와 은닉 뉴론의 수를 설정하고, 은닉 층의 수는 1로 설정되고 가중치 및 임계치 역시 제조자에 의해 설정된 임의의 값으로 초기화된다.
(2) 특징벡터 전방향 진행 단계는 입력과 목표 출력을 설정하고, 필요에 따라 -1과 1 사이 또는 0과 1 사이로 정규화되며, 입력 벡터(Xp -)와 출력 벡터(Dp)는 다음 식 1로 표현될 수 있다. 즉, 입력 벡터(Xp -)를 이용하여 도출된 은닉 층의 뉴론 j의 입력 값의 합(Netpj)은 식 2로 나타낸다. 즉, 시그모이드(sigmoid) 함수를 뉴론의 활성함수로 사용하여 은닉 층의 뉴론(H개)의 실제 출력(Opj)는 식 3으로 도출된다.
Figure 112018026981986-pat00001
..식 1
Figure 112018026981986-pat00002
..식 2
Figure 112018026981986-pat00003
..식 3
그리고, 은닉 층의 뉴론(H개)의 출력(Opj)는 출력 층의 뉴론의 입력으로 사용하고 출력 층의 k번째 뉴론으로 입력되는 값들의 총합(Netpk)는 다음 식 4을 만족한다.
Figure 112018026981986-pat00004
식 4
(3) 오차 신호의 역전파 및 가중치 수정 단계는 출력 뉴론의 목표 출력(dpk)및 실제 출력(Opk) 사이의 오차를 이용하여 오차 신호(δpk)를 도출하고 도출된 오차 신호(δpk) 다음 식 5로 나타낸다. 이때 출력 뉴론의 합(E)는 다음 식 6으로누적된다.
Figure 112018026981986-pat00005
.. 식 5
Figure 112018026981986-pat00006
..식 6
한편, 오차 신호(δpk)와 가중치(wjk)를 이용하여 j번째 은닉 뉴런의 p 번째 신호에 대한 오차 신호(δpj)는 다음 식 7로부터 도출되고, 실제 출력(Opj)과 오차 신호(δpk)를 이용하여 은닉층과 출력측 사이의 가중치(wjk)가 도출되고, 도출된 가중치(wjk)는 다음 식 8로 표현된다.
Figure 112018026981986-pat00007
.. 식 7
Figure 112018026981986-pat00008
.. 식 8
이러한 가중치(wjk)에 모멘텀(momentum)항이 추가되면 가중치(wjk)의 수렴 속도는 증가된다. 또한 입력층과 은닉층 사이의 가중치도 동일한 방법으로 연산된다. 여기서, 모멘트(momentum)항이 추가된 가중치(wjk)는 다음 식 9로 표현된다.
Figure 112018026981986-pat00009
..식 10
(4) 반복 수행 단계는, 모든 신호에 대해 학습이 수행될 수 있도록 p+1 번째 신호에서 입력신호 전방향 진행 단계로 반복 진행되고, 모든 신호를 학습한 후에는 누적 오차(E)가 미리 정해진 기준 오차 이하인 지를 확인하고 누적 오차가 기준 오차 이하인 경우 학습을 종료하고 누적 오차가 기준 오차 이하가 아닌 경우 이미 학습된 신호를 다시 학습하도록 p=1로 설정하여 입력 신호 전방향 진행 단계로 진행한다.
이러한 임의의 전류신호 파형에 대한 특징 벡터가 전기부하 식별부(130)에 입력되면 전기부하 식별부(130)는 역전파 신경회로망을 이용하여 주어진 전류신호 파형에 대한 특징 벡터를 토대로 전기부하 패턴과 매칭되는 전기부하를 추출한다.
이에 따라, 본 발명은 기존의 MFCC 알고리즘에서 사용된 주파수 대역과 다른 주파수 대역의 적어도 하나의 필터를 사용하여 전기부하 별 전류신호의 차이가 분명한 특징 벡터를 효율적으로 추출할 수 있고, 변형된 MFCC 알고리즘의 수행으로 측정된 전류신호에 대한 특징 벡터를 처리하는 시간 및 사이즈를 줄일 수 있다.
한편, 본 발명은 측정된 전류신호에 대한 특징 벡터로 식별된 전기부하의 아크 발생 여부를 판단하고, 아크 발생 시 식별된 전기부하와 매칭되는 아크 모드를 선택하며, 선택된 아크 모드에 해당하는 아크 분석 알고리즘으로 식별된 전기부하에 대한 아크 분석을 수행하는 아크 분석부(140)와 식별된 전기부하의 아크고장 판정 시 전기부하의 전원 공급을 단속하는 전원공급 제어부(150)를 추가한다.
아크 분석부(140)는 다수의 아크 모드과 각 아크 모드에 해당하는 아크 분석 알고리즘을 구비하고, 특징벡터 추출부(120)로부터 공급되는 전류신호에 대한 특징 벡터로 식별된 전기부하의 아크발생 여부를 판단하고, 아크 발생 판단 시 식별된 전기부하와 매칭된 아크 모드를 선택한다. 아크 모드는 비선형 강부하, 비선형 약부하, 및 선행부하를 포함하는 다수의 아크 모드 중 하나로 선택된다.
그리고 아크 분석부(140)는 선택된 아크 모드에 해당하는 아크 분석 알고리즘을 통해 식별된 전기부하에 대한 아크분석을 수행한다. 이에 본 발명은 아크 분석 결과를 이용하여 부하의 아크 사고 원인 판정의 정확도를 향상할 수 있고, 아크 분석 결과를 토대로 식별된 전기 부하에 대한 안전도 평가를 수행할 수 있다.
이어 전원공급 제어부(150)는 아크 분석 결과에 따라 메인 분전반(10)의 전원이 식별된 전기부하(30)에 공급되는 것을 제어하는 릴레이 구동 신호를 생성한다. 즉, 메인 분전반(10)과 해당 전기 부하(30)의 플러그 사이에 삽입 설치되고, 아크 분석부(140)의 릴레이 구동신호에 의해 작동되며, 따라서, 메인 분전반(10)의 전원이 전기부하(30)에 공급되는 것이 제어된다.
이에 본 발명은 식별된 전기 부하의 안전도 평가 결과에 의거 식별된 전기 부하의 플러그에 설치된 릴레이를 통해 전원 공급 제어를 수행함으로써, 식별된 전기부하의 에너지 절감 및 안전성을 향상할 수 있다.
도 4는 CT센서로부터 검출된 각 전기부하의 전류신호를 보인 그래프이다. 도 4를 참조하면, 에어컨, 컴퓨터, 헤어드라이어, 스탠드, 전자레인지, 냉장고 및 텔레비전의 등 각 전기부하 별 전류신호를 확인할 수 있고, 각 전기부하 별 측정된 전류신호는 특징벡터 도출부(120)로 전달되고 특징벡터 도출부(120)는 측정된 전류신호에 대해 MFCC 알고리즘을 수행하여 전류신호에 대한 특징 벡터를 도출한다.
도 5는 본 발명에서 변형된 MFCC 알고리즘으로 추출된 특징 벡터와 기존의 MFCC 알고리즘으로 추출된 특징 벡터를 비교한 그래프로서, 도 5를 참조하면, 128개와 512개의 로우 데이터를 사용하여 수행된 기존의 MFCC 알고리즘으로 추출된 각 전기 부하 별 전류신호에 대한 특징 벡터를 확인할 수 있고, 필터뱅크의 필터의 수와 동일한 26개의 로우 데이터를 사용하여 수행된 변형된 MFCC 알고리즘으로 추출된 각 전기부하 별 전류신호에 대한 특징 벡터를 확인할 수 있다.
따라서, 기존의 MFCC 알고리즘의 경우 로우 데이터가 512일 때 전기부하의 판별 정확도는 97.14%이고 128일 때 91.43% 이며, 기존 MFCC 알고리즘에서 사용된 로우 데이터의 수가 작으면 이산 신호 처리 및 전기부하 패턴 판별 시간이 단축되는 장점이 있으나 정확도가 감소됨을 확인할 수 있다.
그러나, 변형된 MFCC 알고리즘의 경우 26개의 로우 데이터로부터 추출된 특징 벡터에 의거 전기부하 판별의 정확도는 100%이므로, 변형된 MFCC 알고리즘의 경우 로우 데이터의 수가 기존의 MFCC 알고리즘에서 사용되는 로우 데이터의 수보다 적음에도 불구하고 전기부하 판별에 대한 정확도가 우수함을 확인할 수 있다.
도 6은 본 발명의 다른 실시 예에 따른 전기부하 판별 방법에 대한 전체 흐름도로서, 데이터 획득단계(S11, S12), 특징벡터 도출단계(S21, S22), 전기부하 식별단계(S30), 아크 분석단계(S41~S43) 및 전원공급 차단단계(S51~S53)를 포함하며 각 단계별 기능은 상술한 110 내지 140의 전기부하 판별 장치에 대응되므로 이하에서는 기능에 대한 중복 설명은 생략한다.
데이터 획득단계(S11, S12)는 분전반(10)에서 전기부하(30)로 공급되는 전류신호를 일정 간격으로 샘플링하여 N개의 이산 신호를 획득한다.
특징벡터 도출단계(S21, S22)은 상기 N개의 이산 신호에 대해 고속 푸리에 변환을 수행하고 이산 변환 결과값을 도출하며, 도출된 이산 변환 결과값을 서로 중첩되지 아니한 주파수 대역을 가지는 적어도 하나의 필터로 구비된 필터뱅크를 통과하여 측정된 전류신호에 대한 특징 벡터를 도출한다.
그리고 전기부하 식별단계(S30)는 상기 측정된 전류신호에 대한 특징 벡터에 대해 역전파 신경회로망 알고리즘을 수행하여 측정된 전류신호에 대한 특징 벡터를 가지는 전기부하를 추출한다.
아크 분석단계(S41~S43)는 특징벡터 도출단계(S22)에서 측정된 전류신호에 대한 특징 벡터를 토대로 전기부하 식별단계(S30)에서 식별된 전기부하의 아크 발생 여부를 판단하고, 판단 결과 상기 전기부하에 아크 발생 시 상기 식별된 전기부하와 매칭되는 아크 모드를 선택하며, 선택된 아크 모드에 매칭된 아크 분석 알고리즘을 수행하여 상기 식별된 전기부하에 대한 아크 분석을 수행한다.
전원공급 제어단계(S51~S53)는 상기 아크 분석 결과 식별된 전기부하가 아크 고장인 경우 릴레이(70)를 오프시키기 위한 릴레이 구동신호를 생성하며 상기 릴레이 구동신호로 릴레이(70)가 오프되어 식별된 전기부하(30)로 공급되는 전원을 차단한다. 여기서 식별된 전기부하에서 발생한 아크가 기 정해진 조건을 만족하는 경우 식별된 전기부하가 아크 고장인 것으로 판단하며, 기 정해진 조건은 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
이상에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자라면 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10 : 분전반 30 : 전기부하
50 : CT 센서 70 : 릴레이
100 : 전기부하 판별 장치 110 : 데이터 획득부
120 : 특징벡터 도출부 121 : FFT
123 : 필터뱅크 130 : 전기부하 식별부
140 : 아크 분석부 150 : 전원공급 제어부

Claims (10)

  1. CT 센서에 의거 측정된 전류신호를 소정 간격으로 샘플링하여 소정 수의 이산 신호를 획득하는 데이터 획득부;
    상기 소정 수의 이산 신호에 대해 MFCC(Mel-Frequency Cepstral Coefficients) 일고리즘을 수행하여 전류신호 파형에 대한 특징 벡터를 도출하는 특징벡터 도출부; (여기서, 특징벡터 도출부는 전기부하 별로 상호 중첩되지 않도록 설정 및/또는 변경된 주파수 대역의 필터로 구비됨)
    상기 전류신호 파형에 대한 특징 벡터를 신경회로망을 이용하여 특징 벡터와 매칭되는 전기부하를 추출하는 전기부하 식별부를 포함하고,
    상기 전기부하 식별부는,
    상기 신경회로망의 입력측와 은닉층 사이의 가중치에 모멘텀(momentum)
    Figure 112019062403133-pat00016
    항을 추가하여 수렴 속도를 증가하도록 구비되고, 이에 입력측과 은닉층 사이의 가중치는 다음 식 1을 만족하도록 구비되는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 장치.
    [식 1]
    Figure 112019062403133-pat00017

    여기서, δpk 는 오차 신호, wjk(t) 시점 t의 가중치, Opj 는 실제 출력, 은닉층과 출력측 사이의 가중치 wjk(t+1)
  2. 제1항에 있어서, 상기 특징벡터 도출부는,
    상기 소정 수의 이산 신호에 대해 고속 푸리에 변환을 수행하여 주파수 영역의 결과값을 도출하는 FFT(Fast Fourier Transform); 및
    복수의 필터로 구비되고 상기 주파수 영역의 결과값을 각 필터의 주파수 대역의 전류신호 파형을 통과시켜 전류신호 파형에 대한 특징 벡터를 도출하는 필터뱅크를 포함하는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 장치.
  3. 제2항에 있어서, 상기 주파수 영역의 결과값은,
    다수의 전기부하 마다 서로 다른 값으로 도출되는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 장치.
  4. 제3항에 있어서, 상기 복수의 필터는,
    상호 중첩되지 아니한 주파수 대역으로 설정하는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 장치.
  5. 제1항에 있어서, 상기 전기부하 식별부는,
    전기부하 별 측정된 전류신호에 대한 특징 벡터를 토대로 학습 모델을 구축하고, 구축된 학습 모델을 이용하여 입력된 전류신호에 대한 특징 벡터와 매칭되는 전기부하를 추출하도록 구비되는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 장치.
  6. 제1항에 있어서, 상기 전기부하 판별장치는,
    상기 전류신호 파형에 대한 특징 벡터를 토대로 상기 식별된 전기부하의 아크 발생 여부를 판단하고, 상기 식별된 전기부하의 아크 발생 시 식별된 전기부하와 매칭되는 아크 모드를 선택하고 선택된 아크 모드에 해당하는 아크분석 알고리즘을 통해 식별된 전기부하의 아크 분석을 수행하는 아크 분석부를 더 포함하는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 장치.
  7. 제6항에 있어서, 상기 전기부하 판별장치는,
    상기 식별된 전기부하의 아크 분석 결과를 토대로 아크 고장 시 식별된 전기부하에 전원 공급을 차단하는 릴레이 구동신호를 생성하여 전달하는 전원공급 제어부를 더 포함하는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 장치.
  8. 분전반과 전기부하 사이의 전선에 설치된 CT 센서로부터 측정된 전류신호 파형으로 전기부하를 판별하는 방법에 있어서,
    상기 측정된 전류신호 파형을 소정 간격으로 샘플링하여 소정 수의 이산 신호를 획득하는 데이터 획득단계;
    상기 소정 수의 이산 신호에 대해 고속 푸리에 변환 후 소정 수의 필터를 통과하여 상기 측정된 전류신호 파형에 대한 특징 벡터를 도출하는 특징벡터 도출단계; 및
    상기 전류신호 파형에 대한 특징 벡터에 대해 신경회로망을 통해 상기 측정된 전류신호 파형에 대한 특징 벡터와 매칭되는 전기부하를 추출하는 전기부하 식별단계를 포함하고,
    상기 전기부하 식별단계는,
    상기 신경회로망의 입력측와 은닉층 사이의 가중치에 모멘트(momentum)
    Figure 112019062403133-pat00018
    항을 추가하여 수렴 속도를 증가하도록 구비되고, 이에 입력측과 은닉층 사이의 가중치는 다음 식 1을 만족하도록 구비되는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 방법.
    [식 1]
    Figure 112019062403133-pat00019

    여기서, δpk 는 오차 신호, wjk(t) 시점 t의 가중치, Opj 는 실제 출력, 은닉층과 출력측 사이의 가중치 wjk(t+1)
  9. 제8항에 있어서,
    상기 전기부하 식별단계 이후에
    상기 측정된 전류신호 파형에 대한 특징 벡터를 토대로 식별된 전기부하에 대한 아크 발생 여부를 판단하고, 아크 발생 판단 시 식별된 전기부하와 매칭되는 아크 모드에 해당하는 아크 분석 알고리즘으로 아크 분석을 수행하는 아크 분석단계를 더 포함하는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 방법.
  10. 제9항에 있어서,
    상기 아크 분석단계 이후에
    식별된 전기부하에 대한 아크 분석 결과에 따라 식별된 전기부하의 아크 고장 시 식별된 전기부하의 전원 공급을 제어하는 전원공급 제어단계를 더 포함하는 것을 특징으로 하는 변형된 MFCC를 이용한 전기부하 판별 방법.
KR1020180031308A 2018-03-19 2018-03-19 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법 KR102014751B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180031308A KR102014751B1 (ko) 2018-03-19 2018-03-19 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법
PCT/KR2018/003143 WO2019182166A1 (ko) 2018-03-19 2018-03-19 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180031308A KR102014751B1 (ko) 2018-03-19 2018-03-19 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102014751B1 true KR102014751B1 (ko) 2019-08-28

Family

ID=67775519

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180031308A KR102014751B1 (ko) 2018-03-19 2018-03-19 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102014751B1 (ko)
WO (1) WO2019182166A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102087926B1 (ko) * 2019-11-06 2020-05-27 주식회사엔클라우드 Iot 감지통제장치
KR102225817B1 (ko) * 2019-11-14 2021-03-11 고려대학교 산학협력단 반도체 소자의 주파수 출력 특성 및 기계 학습을 이용한 반도체 소자 테스트 장치 및 방법
KR102396564B1 (ko) * 2021-10-25 2022-05-12 (주) 엔츠 전력 기기의 부하를 분리하는 방법 및 이를 이용한 장치
CN116223908A (zh) * 2023-03-02 2023-06-06 广州致远仪器有限公司 一种频谱分析电路结构

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049922B (zh) 2020-04-22 2022-11-15 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
CN113285859B (zh) * 2021-05-19 2022-04-19 珠海格力电器股份有限公司 二总线系统、控制方法和设备及传感器和接入方法
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
KR20080077874A (ko) * 2007-02-21 2008-08-26 삼성전자주식회사 음성 특징벡터 추출장치 및 방법과 이를 채용하는음성인식시스템 및 방법
KR101299183B1 (ko) * 2012-06-22 2013-08-22 성균관대학교산학협력단 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템
JP2014509396A (ja) * 2011-02-28 2014-04-17 エスエムエー ソーラー テクノロジー アーゲー 電力回路におけるアーク故障を検出するための方法およびシステム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH063376A (ja) * 1992-06-24 1994-01-11 Matsushita Electric Works Ltd 負荷状態判別回路
US20080157781A1 (en) * 2006-12-27 2008-07-03 General Electric Company Methods and systems for detecting series arcs in electrical systems
KR101098505B1 (ko) * 2009-09-29 2011-12-26 한국전력공사 전력품질 모니터링 시스템 및 전력품질측정 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080077874A (ko) * 2007-02-21 2008-08-26 삼성전자주식회사 음성 특징벡터 추출장치 및 방법과 이를 채용하는음성인식시스템 및 방법
JP2014509396A (ja) * 2011-02-28 2014-04-17 エスエムエー ソーラー テクノロジー アーゲー 電力回路におけるアーク故障を検出するための方法およびシステム
KR101299183B1 (ko) * 2012-06-22 2013-08-22 성균관대학교산학협력단 음성 처리 기법을 이용한 전력품질 분류 방법, 전력품질 모니터링 장치 및 전력품질 모니터링 시스템

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102087926B1 (ko) * 2019-11-06 2020-05-27 주식회사엔클라우드 Iot 감지통제장치
KR102225817B1 (ko) * 2019-11-14 2021-03-11 고려대학교 산학협력단 반도체 소자의 주파수 출력 특성 및 기계 학습을 이용한 반도체 소자 테스트 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
KR102396564B1 (ko) * 2021-10-25 2022-05-12 (주) 엔츠 전력 기기의 부하를 분리하는 방법 및 이를 이용한 장치
CN116223908A (zh) * 2023-03-02 2023-06-06 广州致远仪器有限公司 一种频谱分析电路结构
CN116223908B (zh) * 2023-03-02 2023-11-28 广州致远仪器有限公司 一种频谱分析电路结构

Also Published As

Publication number Publication date
WO2019182166A1 (ko) 2019-09-26

Similar Documents

Publication Publication Date Title
KR102014751B1 (ko) 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법
US20210147182A1 (en) Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts
US11480497B2 (en) Anomalous sound detection training apparatus, acoustic feature extraction apparatus, anomalous sound sampling apparatus, and methods and programs for the same
TWI489125B (zh) 信號處理裝置
KR20210091737A (ko) 비정상 기계 성능의 자동화된 분석
CN116757534A (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
Tian et al. A data-based approach for multivariate model predictive control performance monitoring
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
CN114325395B (zh) 一种电池状态的确定方法及装置
CN110702966B (zh) 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN106875613B (zh) 一种火警态势分析方法
CN113516837B (zh) 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质
CN108924847B (zh) 一种基于ann的认知无线电频谱预测方法及设备
AU2012264477A1 (en) Heterogeneous data fusion using gaussian processes
CN104462784A (zh) 一种基于动态分辨熵的传感器优化管理方法
CN114999527A (zh) 一种变压器异常检测模型训练和部署方法及装置
CN117589233A (zh) 继电保护装置运行状态智能检测方法及系统
CN117200394A (zh) 一种基于bim模型的bms电池管理方法及系统
Behnam et al. Power complexity feature-based seizure prediction using DNN and firefly-BPNN optimization algorithm
CN109583323B (zh) 基于门控制循环单元的地铁振动信号识别方法
WO2005071582A2 (en) Detection of abnormal behaviour in dynamic systems
CN114390376A (zh) 火灾大数据远程探测与预警系统
JP6037279B2 (ja) 信号処理装置
Haris et al. Bearing degradation process prediction based on feedforward neural network
Nguyen et al. Active learning for accurate analysis of streaming partial discharge data

Legal Events

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