KR102073406B1 - Method and system for detect electric arc occurrence position - Google Patents

Method and system for detect electric arc occurrence position Download PDF

Info

Publication number
KR102073406B1
KR102073406B1 KR1020170142029A KR20170142029A KR102073406B1 KR 102073406 B1 KR102073406 B1 KR 102073406B1 KR 1020170142029 A KR1020170142029 A KR 1020170142029A KR 20170142029 A KR20170142029 A KR 20170142029A KR 102073406 B1 KR102073406 B1 KR 102073406B1
Authority
KR
South Korea
Prior art keywords
period
data
period data
electric arc
arc
Prior art date
Application number
KR1020170142029A
Other languages
Korean (ko)
Other versions
KR20190047788A (en
Inventor
이종태
Original Assignee
동국대학교 산학협력단
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 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020170142029A priority Critical patent/KR102073406B1/en
Publication of KR20190047788A publication Critical patent/KR20190047788A/en
Application granted granted Critical
Publication of KR102073406B1 publication Critical patent/KR102073406B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
    • H02H1/0015—Using arc detectors
    • 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
    • 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
    • G01R19/2516—Modular arrangements for computer based systems; using personal computers (PC's), e.g. "virtual instruments"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

전기 아크 판별을 위한 소스가 되는 전기 신호가 입력되는 신호 입력부; 상기 입력된 전기 신호의 주기(cycle)에 기반한 신호 평가를 수행하기 위한 기준 주기를 검출하는 사이클 검출부; 및 상기 검출된 기준 주기에 근거하여 상기 전기 신호에 관한 한 주기씩의 주기 데이터를 입력받고, 상기 입력된 한 주기씩의 주기 데이터에 관한 딥 러닝(deep learning)을 수행하여 정상 상태의 주기 데이터와 비정상 상태의 주기 데이터를 분류하는 분류 결과를 출력하며, 상기 정상 상태의 주기 데이터 또는 비정상 상태의 주기 데이터에 따른 전기 신호 패턴과의 비교를 통해 전기 아크를 검출하는 아크 검출부를 포함하는 전기 아크 검출 장치가 제공된다.A signal input unit to which an electric signal serving as a source for electric arc discrimination is input; A cycle detector for detecting a reference period for performing signal evaluation based on a cycle of the input electrical signal; And receiving period data of one cycle based on the detected reference period, and performing deep learning on the input period data of each cycle and performing deep learning on the cycle data of a steady state. An electric arc detection device including an arc detection unit for outputting a classification result for classifying the period data in an abnormal state, and detecting the electric arc by comparison with the electric signal pattern according to the period data in the normal state or the period data in the abnormal state. Is provided.

Description

전기 아크 출현 위치를 검출하는 방법 및 시스템{METHOD AND SYSTEM FOR DETECT ELECTRIC ARC OCCURRENCE POSITION}METHOD AND SYSTEM FOR DETECT ELECTRIC ARC OCCURRENCE POSITION}

본 발명은 전기 아크 검출에 관한 것으로서, 보다 구체적으로는 딥 러닝(Deep Learning) 기술을 적용하여 전기 아크의 출현 위치를 검출할 수 있는 방법 및 시스템에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to electric arc detection, and more particularly, to a method and system capable of detecting a location of occurrence of an electric arc by applying deep learning technology.

최근까지 전기 화재가 누전, 합선, 낙뢰 등 강한 전기 쇼크에 의한 것으로 인지했다. 아크(ARC)라는 미세한 스파크 현상이 누적되어 화재로 이어짐을 최근 인식하기 시작했다. 아크의 심각성에도 불구하고 완벽한 아크 판별 제품이 나오지 않는 이유는 아직 시장 미형성인 상태이고, 단순 누전 차단 정도로 인식한 회로 구성 기술의 한계와 아크 특성의 정형화되지 않는 모호성에 대한 판별 능력 부재 및 출시 제품의 오동작, 오탐지로 인한 화재 방지 기능 결여 때문이라고 할 수 있다.Until recently, electric fires were recognized as being caused by strong electric shocks such as short circuits, short circuits, and lightning strikes. It has recently begun to recognize that a tiny spark, called an arc, accumulates and leads to a fire. Despite the severity of the arc, the reason for the lack of perfect arc discrimination products is not yet marketed, and there is a lack of discriminant ability to recognize the limitations of the circuit construction technology and the unqualified ambiguity of the arc characteristics recognized by the simple earth leakage protection. This is due to the lack of fire protection due to malfunction or false detection.

이러한 아크는 시간에 따라 순간적으로 변하는 임펄시브(Impulsive) 성분을 가지고 있어 다른 유사 잡음 원과 구분이 어렵다. 따라서 검출된 전기 신호에서 아크 성분을 정확히 분리해내는 기술이 요구된다.These arcs have impulsive components that change momentarily with time, making them difficult to distinguish from other similar noise sources. Therefore, a technique for accurately separating the arc component from the detected electrical signal is required.

한국특허등록 제10-1007551호 (2011년 1월 5일 등록)Korean Patent Registration No. 10-1007551 (January 5, 2011 registration) 한국공개특허 제10-2004-0050871호 (2004년 6월 17일 공개)Korean Patent Publication No. 10-2004-0050871 (published 17 June 2004)

본 발명은 딥 러닝 기술을 이용하여 입력된 1차원의 전기 파형 데이터로부터 전기 아크를 분류 및 감지하고, 전기 아크의 출현 위치를 검출하는 방법 및 시스템을 제공하고자 한다.An object of the present invention is to provide a method and system for classifying and detecting an electric arc from input one-dimensional electric waveform data using a deep learning technique, and detecting an appearance position of the electric arc.

본 발명의 일 측면에 따르면, 전기 아크 판별을 위한 소스가 되는 전기 신호가 입력되는 신호 입력부; 상기 입력된 전기 신호의 주기(cycle)에 기반한 신호 평가를 수행하기 위한 기준 주기를 검출하는 사이클 검출부; 및 상기 검출된 기준 주기에 근거하여 상기 전기 신호에 관한 한 주기씩의 주기 데이터를 입력받고, 상기 입력된 한 주기씩의 주기 데이터에 관한 딥 러닝(deep learning)을 수행하여 정상 상태의 주기 데이터와 비정상 상태의 주기 데이터를 분류하는 분류 결과를 출력하며, 상기 정상 상태의 주기 데이터 또는 비정상 상태의 주기 데이터에 따른 전기 신호 패턴과의 비교를 통해서 전기 아크를 검출하는 아크 검출부를 포함하는 전기 아크 검출 장치가 제공된다.According to an aspect of the present invention, the signal input unit for inputting an electrical signal that is a source for the electric arc discrimination; A cycle detector for detecting a reference period for performing signal evaluation based on a cycle of the input electrical signal; And receiving period data of one cycle based on the detected reference period, and performing deep learning on the input period data of each cycle and performing deep learning on the cycle data of a steady state. An electric arc detection device including an arc detection unit for outputting a classification result for classifying the period data in an abnormal state and detecting the electric arc by comparison with the electric signal pattern according to the period data in the normal state or the period data in the abnormal state. Is provided.

일 실시예에서, 상기 사이클 검출부는, 상기 입력된 전기 신호의 반복성에 기반하여 상기 기준 주기를 검출하되, 상기 기준 주기는 임의의 주기치들을 반복적으로 적용하였을 때 파형 간 수치 오차 또는 면적 오차가 최소화될 때의 주기치로 결정될 수 있다.In an embodiment, the cycle detector detects the reference period based on the repeatability of the input electrical signal, wherein the reference period minimizes numerical error or area error between waveforms when repeatedly applying arbitrary period values. Can be determined by the periodic value when

일 실시예에서, 상기 아크 검출부는, 상기 딥 러닝 알고리즘으로 콘볼루션 뉴럴 네트워크(convolution neural network)를 이용하되, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터를 상기 콘볼루션 뉴럴 네트워크의 입력 데이터로 하여, 각 주기 데이터를 상기 정상 상태 및 상기 비정상 상태 중 어느 하나의 라벨링 값으로 출력하도록 학습시킬 수 있다.In one embodiment, the arc detection unit, using a convolutional neural network (convolution neural network) in the deep learning algorithm, the convolutional neural network 1D period data of one period according to the detected reference period Using the input data of, it is possible to learn to output each period data as a labeling value of any one of the steady state and the abnormal state.

일 실시예에서, 상기 아크 검출부는, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터가 차별이 전혀 없이 일정 기간 반복적으로 발생할 경우 이를 정상상태로 간주하여 해당 주기 데이터를 정상 주기 데이터로 라벨링할 수 있다.In one embodiment, the arc detection unit, if one-dimensional period data of one period according to the detected reference period is repeatedly generated for a certain period without any discrimination, it is regarded as a normal state and the period data is normal period data Can be labeled

일 실시예에서, 상기 아크 검출부는, 상기 딥 러닝을 수행한 결과에 따라 수집된 복수의 정상 상태의 주기 데이터들에 기초하여 표준 주기 데이터를 결정하고, 상기 결정된 표준 주기 데이터에 따른 전기 신호 패턴과 상기 신호 입력부로 입력되는 전기 신호 간을 대조함으로써 해당 주기의 어느 위치에 전기 아크가 발생하였는지 여부를 검출할 수 있다.The arc detector may determine the standard period data based on the plurality of steady state period data collected according to a result of the deep learning, and may include an electrical signal pattern according to the determined standard period data. By comparing the electric signals input to the signal input unit, it is possible to detect at which position of the period an electric arc has occurred.

일 실시예에서, 상기 아크 검출부는 사전 지정된 기준 범위를 적용할 때 부하(load)가 변동되지 않는 상태로 판단 가능한 시기에 수집되는 복수의 정상 상태의 주기 데이터들에 기초하여 상기 표준 주기 데이터를 결정하되, 상기 표준 주기 데이터는 상기 복수의 정상 상태의 주기 데이터들의 평균화 과정을 통해 결정될 수 있다.In one embodiment, the arc detector determines the standard period data based on a plurality of steady state period data collected at a time when it is determined that the load does not change when applying a predetermined reference range. However, the standard period data may be determined through an averaging process of the plurality of steady state period data.

본 발명의 다른 측면에 따르면, 전기 아크 검출에 관한 컴퓨터 구현 방법(Computer implemented method)로서, 전기 아크 판별을 위한 소스가 되는 전기 신호가 입력되는 단계; 상기 입력된 전기 신호의 주기(cycle)에 기반한 신호 평가를 수행하기 위한 기준 주기를 검출하는 단계; 및 상기 검출된 기준 주기에 근거하여 상기 전기 신호에 관한 한 주기씩의 주기 데이터를 입력받고, 상기 입력된 한 주기씩의 주기 데이터에 관한 딥 러닝(deep learning)을 수행하여 정상 상태의 주기 데이터와 비정상 상태의 주기 데이터를 분류하는 분류 결과를 출력하며, 상기 정상 상태의 주기 데이터 또는 비정상 상태의 주기 데이터에 따른 전기 신호 패턴과 비교를 통해서 전기 아크를 검출하는 단계를 포함하는 전기 아크 출현 위치 검출 방법이 제공된다.According to another aspect of the present invention, a computer implemented method for electric arc detection, comprising: inputting an electric signal serving as a source for electric arc determination; Detecting a reference period for performing signal evaluation based on a cycle of the input electrical signal; And receiving period data of one cycle based on the detected reference period, and performing deep learning on the input period data of each cycle and performing deep learning on the cycle data of a steady state. Outputting a classification result for classifying the period data in an abnormal state, and detecting the electric arc by comparing with the electric signal pattern according to the period data in the normal state or the period data in the abnormal state; This is provided.

일 실시예에서, 상기 기준 주기를 검출하는 단계에서, 상기 기준 주기는 상기 입력된 전기 신호의 반복성에 기반하여 검출되되, 임의의 주기치들을 반복적으로 적용하였을 때 파형 간 수치 오차 또는 면적 오차가 최소화될 때의 주기치로 결정될 수 있다.In one embodiment, in the step of detecting the reference period, the reference period is detected based on the repeatability of the input electrical signal, minimizing the numerical error or the area error between the waveforms when repeated application of a periodic value Can be determined by the periodic value when

일 실시예에서, 상기 전기 아크를 검출하는 단계는,In one embodiment, detecting the electric arc,

상기 딥 러닝 알고리즘으로 콘볼루션 뉴럴 네트워크(convolution neural network)를 이용하되, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터를 상기 콘볼루션 뉴럴 네트워크의 입력 데이터로 하여, 각 주기 데이터를 상기 정상 상태 및 상기 비정상 상태 중 어느 하나의 라벨링 값으로 출력하도록 학습시킬 수 있다.Convolutional neural networks are used as the deep learning algorithm, and one-dimensional period data of one period according to the detected reference period is used as input data of the convolutional neural network, and each period data is used. It can be learned to output the labeling value of any one of the normal state and the abnormal state.

일 실시예에서, 상기 전기 아크를 검출하는 단계는,In one embodiment, detecting the electric arc,

상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터가 차별이 전혀 없이 일정 기간 반복적으로 발생할 경우 이를 정상상태로 간주하여 해당 주기 데이터를 정상 주기 데이터로 라벨링하는 단계를 포함할 수 있다.If the periodic data of one-dimensional period by one cycle according to the detected reference period occurs repeatedly for a certain period of time without any discrimination, it may include a step of labeling the period data as the normal period data to regard it as a normal state.

일 실시예에서, 상기 전기 아크를 검출하는 단계는,In one embodiment, detecting the electric arc,

상기 딥 러닝을 수행한 결과에 따라 수집된 복수의 정상 상태의 주기 데이터들에 기초하여 표준 주기 데이터를 결정하고, 상기 결정된 표준 주기 데이터에 따른 전기 신호 패턴과 입력되는 전기 신호 간을 대조함으로써 해당 주기의 어느 위치에 전기 아크가 발생하였는지 여부를 검출하는 단계를 포함할 수 있다.Standard period data is determined based on a plurality of steady state period data collected according to the deep learning, and the period is compared by comparing an electrical signal pattern and an input electrical signal according to the determined standard period data. Detecting at which position of the electric arc occurred.

일 실시예에서, 상기 전기 아크를 검출하는 단계는,In one embodiment, detecting the electric arc,

사전 지정된 기준 범위를 적용할 때 부하(load)가 변동되지 않는 상태로 판단 가능한 시기에 수집되는 복수의 정상 상태의 주기 데이터들에 기초하여 상기 표준 주기 데이터를 결정하는 단계를 포함하고,Determining the standard period data based on a plurality of steady state period data collected at a time when it is determined that the load does not change when applying a predetermined reference range,

상기 표준 주기 데이터는 상기 복수의 정상 상태의 주기 데이터들의 평균화 과정을 통해 결정될 수 있다.The standard period data may be determined through an averaging process of the plurality of steady state period data.

본 발명의 실시예에 따른 전기 아크 출현 위치 검출 방법 및 그 시스템에 의하면, 딥 러닝 기술을 이용하여 입력된 1차원의 전기 파형 데이터로부터 전기 아크를 보다 정확히 분류 및 감지할 수 있고 전기 아크 출현 위치를 검출할 수 있어, 화재 가능성을 획기적으로 감소시킬 수 있는 효과가 있다.According to the electric arc emergence position detection method and system according to an embodiment of the present invention, it is possible to more accurately classify and detect the electric arc from the input one-dimensional electric waveform data using the deep learning technology and to determine the electric arc occurrence position It can be detected and there is an effect that can significantly reduce the possibility of fire.

도 1은 아크의 전류 특성 및 전압 특성을 설명하기 위한 참조 도면.
도 2는 본 발명의 실시예에 따른 전기 아크 검출 장치를 설명하기 위한 개념적 블록도.
도 3은 본 발명의 실시예에 따른 전기 아크 출현 위치 검출 방법에 관한 순서도.
도 4는 아크가 없는 신호 데이터와 아크가 존재하는 신호 데이터를 비교 설명하기 위한 예시 도면.
도 5는 본 발명의 실시예에 따른 전기 아크 출현 위치 검출 방법에 적용 가능한 아크 주기 검출 방식을 설명하기 위한 참조 도면.1 is a reference diagram for explaining current characteristics and voltage characteristics of an arc.
2 is a conceptual block diagram illustrating an electric arc detection apparatus according to an embodiment of the present invention.
3 is a flow chart related to the electric arc appearance position detection method according to an embodiment of the present invention.
4 is an exemplary diagram for comparing and explaining signal data without an arc and signal data with an arc;
5 is a reference view for explaining an arc period detection method applicable to the electric arc appearance position detection method according to an embodiment of the present invention.

본 발명은 다양한 변환을 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 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.As the invention allows for various changes and numerous embodiments, particular embodiments will be illustrated in the drawings and described in detail in the written description. However, this is not intended to limit the present invention to specific embodiments, it should be understood to include all transformations, equivalents, and substitutes included in the spirit and scope of the present invention.

본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.In describing the present invention, if it is determined that the detailed description of the related known technology may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, numerals (eg, first, second, etc.) used in the description of the present specification are merely identification symbols for distinguishing one component from another component.

또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.Further, throughout the specification, when one component is referred to as "connected" or "connected" with another component, the one component may be directly connected or directly connected to the other component, but in particular It is to be understood that unless otherwise indicated, there may be connected or connected via another component in the middle.

또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.In addition, throughout the specification, when a part is said to "include" a certain component, it means that it may further include other components, without excluding the other components unless otherwise stated. In addition, the terms "unit", "module", and the like described in the specification mean a unit that processes at least one function or operation, which means that it may be implemented in one or more pieces of hardware or software, or a combination of hardware and software. .

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.Hereinafter, with reference to the accompanying drawings will be described an embodiment of the present invention;

통상적으로 종래 기술에 따르면, 부하(전열기, 모터, 콤프레서 등)가 가동될 때의 유사 아크 변별 능력을 확보하기 위하여, 입력된 신호(예를 들어, 온도 데이터, 전자파 데이터 등)에서 아크로 추정되는 사전에 지정된 특정 파형을 검출하여 해당 파형 값의 누적치로 특정 임계치를 넘으면 이를 아크로 규정하고 전기를 차단하는 단순한 방식을 활용하여 왔다. 이는 도 1을 통해 예시되고 있는데, 아크에 해당하는 특정 파형으로서, 도 1의 (A)에는 아크의 전류 특성을 보여주며, 도 1의 (B)에는 아크의 전압 특성을 보여주고 있다.In general, according to the prior art, in order to ensure the similar arc discrimination ability when the load (heater, motor, compressor, etc.) is operating, a dictionary estimated as an arc from the input signal (for example, temperature data, electromagnetic data, etc.) We have used a simple method of detecting a specific waveform specified in E and defining it as an arc and cutting off electricity when a certain threshold is exceeded by a cumulative value of the corresponding waveform value. This is illustrated in FIG. 1, which is a specific waveform corresponding to the arc, in which FIG. 1A shows the current characteristic of the arc, and FIG. 1B shows the voltage characteristic of the arc.

하지만 이러한 방식은 불이 날 가능성이 아주 높은 경우에만 아크를 감지할 수 있으므로, 아크를 감지한 때에는 이미 화재가 발생한 상황인 경우가 많아 그때에 비로소 전기를 차단하는 것이 실효성을 거두기 어려운 문제가 있었다. 따라서 본 발명에서는 통계적 관점, 경험적 관점에서 아크임이 명확한 경우가 아닌 초기 아크(즉, 현재에는 큰 위험성이 없지만 향후 화재 발생 등의 문제를 일으킬 징후가 있는 초기 형태의 아크)라도 이를 감지할 수 있는 신규한 기술적 방식을 제안한다. However, this method can detect the arc only when the possibility of a fire is very high, and when the arc is detected, there are many cases where a fire has already occurred, and it is difficult to cut off electricity at that time. Therefore, in the present invention, even if the arc is not clear from a statistical point of view or empirical point of view, that is, even if the initial arc (i.e., the initial form of the arc which is not presently present with great danger, but may cause problems such as a future fire), it is possible to detect the new arc. We propose a technical approach.

전기 아크는 1차원 전기 파형으로 표현 될 수 있다. 이때, 전기 아크의 미세한 패턴을 분류하기 위해서 딥 러닝 기반의 분류 알고리즘인 CNN(Convolutional Neural Network)를 사용하여 해당 데이터에 아크가 있는지 없는지를 분류하고자 한다. 기존의 CNN과의 차이는 기존의 CNN은 2차원 이미지를 대상으로 하여 예를 들어 고양이냐 개냐를 분류하는 2차원 입력 데이터 기반의 분류 기술이라면 전기 아크의 분류를 위한 CNN은 전기 파형이라는 1차원 입력 데이터 기반의 분류 기술이라는 점이다. 본 발명에서는 1차원 값 하나 하나를 대상으로 한 분류를 시도하지 않고, 1차원 값으로 구성된 하나의 주기를 대상으로 CNN을 학습시켜서 주기 기반의 아크 감지 여부를 분류하고자 한다.An electric arc can be represented by a one-dimensional electrical waveform. At this time, in order to classify the minute patterns of the electric arcs, CNN (Convolutional Neural Network), which is a deep learning based classification algorithm, is used to classify whether there is an arc in the corresponding data. The difference from the conventional CNN is that the conventional CNN is a two-dimensional input data-based classification technology that categorizes cats or dogs by targeting two-dimensional images, for example. It is a data-based classification technology. In the present invention, instead of attempting to classify one-dimensional values one by one, the CNN is trained on one period composed of one-dimensional values to classify whether the period-based arc is detected.

이하, 이에 관하여 도 2 및 도 3을 중심으로 도 4, 도 5를 함께 참조하여, 본 발명의 실시예에 따른 전기 아크 출현 위치 검출 방법 및 장치에 관하여 구체적으로 설명하기로 한다.Hereinafter, the electric arc appearance position detection method and apparatus according to an embodiment of the present invention will be described in detail with reference to FIGS. 4 and 5 with reference to FIGS. 2 and 3.

도 2는 본 발명의 실시예에 따른 전기 아크 검출 장치를 설명하기 위한 개념적 블록도이고, 도 3은 본 발명의 실시예에 따른 전기 아크 출현 위치 검출 방법에 관한 순서도이다.FIG. 2 is a conceptual block diagram illustrating an electric arc detection apparatus according to an embodiment of the present invention, and FIG. 3 is a flowchart illustrating a method of detecting an electric arc appearance position according to an embodiment of the present invention.

또한 도 4는 아크가 없는 신호 데이터와 아크가 존재하는 신호 데이터를 비교 설명하기 위한 예시 도면이다. 여기서, 도 4의 (A)는 아크 없는 주기들로 구성된 신호 데이터를 보여주며, 도 4의 (B)는 아크가 존재하는 주기들을 포함하는 신호 데이터를 보여주고 있다.4 is an exemplary diagram for comparing and explaining signal data without an arc and signal data with an arc. Here, FIG. 4A shows signal data composed of arc-free periods, and FIG. 4B shows signal data including cycles in which an arc exists.

도 2 및 도 3을 참조하면, 본 발명의 실시예에 따른 전기 아크 검출 장치(100)는, 전기 아크 판별을 위한 소스가 되는 전기 신호가 입력되는 신호 입력부(110); 상기 입력된 전기 신호의 주기(cycle)에 기반한 신호 평가를 수행하기 위한 기준 주기를 검출하는 사이클 검출부(120); 및 상기 검출된 기준 주기에 근거하여 상기 전기 신호에 관한 한 주기씩의 주기 데이터를 입력받고, 상기 입력된 한 주기씩의 주기 데이터에 관한 딥 러닝(deep learning)을 수행하여 정상 상태의 주기 데이터(예를 들어, 정상 상태인 해당 주기의 파형 데이터 또는 패턴 데이터)와 비정상 상태의 주기 데이터를 분류하는 분류 결과를 출력하며, 상기 정상 상태의 주기 데이터 또는 비정상 상태의 주기 데이터에 따른 전기 신호 패턴과의 비교를 통해서 전기 아크를 검출하는 아크 검출부(140)를 포함하며, 이때 검출된 기준 주기, 딥 러닝에 의한 학습 결과 및 분류 결과를 저장하는 메모리(130)를 포함할 수 있다.2 and 3, the electric arc detection apparatus 100 according to an embodiment of the present invention, the signal input unit 110 to which an electric signal which is a source for electric arc discrimination is input; A cycle detector 120 detecting a reference cycle for performing signal evaluation based on a cycle of the input electrical signal; And receiving cycle data of one cycle based on the detected reference cycle, and performing deep learning on the cycle data of each of the input cycles. For example, a classification result for classifying waveform data or pattern data of a corresponding period in a steady state and period data in an abnormal state is output, and the electrical signal pattern according to the period data in the steady state or periodic data in an abnormal state is output. An arc detection unit 140 may be included to detect the electric arc through comparison, and at this time, the memory 130 may store a detected reference period, a learning result by deep learning, and a classification result.

즉, 신호 입력부(110)를 통해 전기 아크 판별을 위한 소스 전기 신호가 입력되면[도 3의 S310 참조], 사이클 검출부(120)는 상기 입력된 전기 신호의 반복성에 기반하여 해당 전기 신호의 신호 주기(본 명세서에서는 이를 기준 주기라 명명함)를 검출한다[도 3의 S320 참조]. 이때, 상기 기준 주기는 임의의 주기치들을 반복적으로 적용하였을 때 파형 간 오차(수치 오차 또는 면적 오차 등)가 최소화될 때의 주기치로 결정될 수 있다. 이러한 기준 주기의 검출은 도 5에 도시된 바와 같은 방식에 의할 수 있다. 여기서, 도 5는 본 발명의 실시예에 따른 전기 아크 출현 위치 검출 방법에 적용 가능한 아크 주기 검출 방식을 설명하기 위한 참조 도면으로서, 도 5의 (A)는 신호의 주기성을 찾기 위한 스캔을 할 때 임의의 주기치를 d=10으로 한 경우이고, 도 5의 (B)는 신호의 주기성을 찾기 위한 스캔을 할 때 임의의 주기치를 d=11로 한 경우를 보여주고 있다.That is, when a source electric signal for electric arc discrimination is input through the signal input unit 110 (see S310 of FIG. 3), the cycle detector 120 may generate a signal period of the electric signal based on the repeatability of the input electric signal. (In the present specification, this is referred to as a reference period) is detected (see S320 of FIG. 3). In this case, the reference period may be determined as a periodic value when an error (a numerical error or an area error, etc.) between waveforms is minimized when arbitrary periodic values are repeatedly applied. Detection of this reference period may be by way as shown in FIG. 5. 5 is a reference diagram for explaining an arc period detection method applicable to an electric arc emergence position detection method according to an embodiment of the present invention, and FIG. 5A illustrates a scan for searching for periodicity of a signal. It is a case where an arbitrary period value is set to d = 10, and FIG. 5B shows a case where an arbitrary period value is set to d = 11 when scanning to find the periodicity of a signal.

상술한 단계를 통해 전기 신호의 기준 주기가 검출되면, 아크 검출부(140)는, 딥 러닝 알고리즘을 이용(본 명세서에서는 특히 콘볼루션 뉴럴 네트워크(convolution neural network)를 이용)하여, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터를 상기 콘볼루션 뉴럴 네트워크의 입력 데이터로 하여 각 주기 데이터를 상기 정상 상태 및 상기 비정상 상태 중 어느 하나의 라벨링 값으로 출력하도록 학습시킬 수 있다. 일 실시예에 의할 때, 아크 검출부(140)는, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터가 차별이 전혀 없이 일정 기간 반복적으로 발생할 경우 이를 정상상태로 간주하여 해당 주기 데이터를 정상 주기 데이터로 라벨링할 수 있다. 이에 따라, 아크 검출부(140)는, 상기 라벨링 분류 결과에 근거하여, 정상 상태의 주기 데이터 또는 비정상 상태인 주기 데이터에 따른 전기 신호 패턴과 상기 신호 입력부로 입력되는 전기 신호 간을 대조함으로써 어느 주기에 전기 아크가 발생하였는지 여부를 검출할 수 있다[도 3의 S330 및 S340 참조].When the reference period of the electrical signal is detected through the above-described steps, the arc detector 140 uses a deep learning algorithm (in this specification, in particular, a convolution neural network) to detect the reference period. Each period data can be learned to be output as a labeling value of any one of the normal state and the abnormal state by using one-dimensional period data of each period as input data of the convolutional neural network. According to one embodiment, the arc detection unit 140, if the periodic data of one-dimensional per one cycle according to the detected reference period occurs repeatedly for a certain period without any discrimination, it is regarded as a normal state and the corresponding period Data can be labeled with normal period data. Accordingly, based on the labeling classification result, the arc detector 140 compares the electrical signal pattern according to the periodic data in the steady state or the periodic data in the abnormal state with the electrical signal input to the signal input unit at any period. It can be detected whether an electric arc has occurred (see S330 and S340 of FIG. 3).

또한, 실시예에 따라서, 아크 검출부(140)는, 딥 러닝을 수행한 결과에 따라 수집된 복수의 정상 상태의 주기 데이터들(즉, 정상 상태로 분류된 주기 데이터들)에 기초하여 표준 주기 데이터를 결정하고, 상기 결정된 표준 주기 데이터에 따른 전기 신호 패턴과 신호 입력부(110)로 입력되는 전기 신호 간을 대조함으로써 해당 주기의 어느 위치에 전기 아크가 발생하였는지 여부를 검출할 수도 있다. 이때, 상기 표준 주기 데이터를 결정하는 방법으로는 다음과 같은 방식들이 적용될 수 있다.In addition, according to an exemplary embodiment, the arc detector 140 may perform standard period data based on a plurality of steady state period data (ie, periodic data classified as a normal state) collected according to a deep learning result. And by comparing the electrical signal pattern according to the determined standard period data and the electrical signal input to the signal input unit 110, it may be detected in which position of the period the electric arc occurs. In this case, the following methods may be applied as a method of determining the standard period data.

일 예로, 아크 검출부(140)는 전술한 바에 따라 한 주기씩의 1차원의 주기 데이터가 차별이 전혀 없이 일정 기간 반복적으로 발생하였을 때를 기준하여, 그때의 정상 주기 데이터를 표준 주기 데이터로 결정하고, 이때 결정된 표준 주기 데이터에 근거하여 전기 아크의 발생 위치를 확인(검출)하는데 활용할 수 있다.For example, as described above, the arc detector 140 determines the normal period data at that time as standard period data on the basis of when the one-dimensional period data of one period is repeatedly generated for a predetermined period without any discrimination. In this case, it can be utilized to confirm (detect) the generation position of the electric arc based on the determined standard period data.

다른 예로, 아크 검출부(140)는 사전 지정된 기준 범위를 적용할 때 부하(load)가 변동되지 않는 상태로 판단 가능한 시기(즉, 가급적 부하가 변동되지 않아 신호의 요동(fluctuation)이 크지 않은 안정적 시기)에 수집되는 복수의 정상 상태의 주기 데이터들에 기초하여 상기 표준 주기 데이터를 결정할 수 있다. 이 경우, 상기 표준 주기 데이터는 상기 복수의 정상 상태의 주기 데이터들의 평균화 과정(평균치, 중간치, 표준화(normalization) 등)을 통해 결정될 수 있는데, 이때 결정된 표준 주기 데이터에 근거하여 전기 아크의 발생 위치를 확인(검출)하는데 활용할 수도 있다.As another example, when the arc detector 140 may determine that the load does not change when the predetermined reference range is applied (that is, the stable time when the fluctuation of the signal is not large because the load does not change as much as possible). The standard period data may be determined based on the plurality of steady-state period data collected at In this case, the standard period data may be determined through an averaging process (average value, median value, normalization, etc.) of the plurality of steady state period data, wherein the generation position of the electric arc is determined based on the determined standard period data. It can also be used to identify (detect).

위와 같이 표준 주기 데이터를 활용하면, 단순히 전기 아크가 발생하였는지 여부만을 확인할 수 있는데 그치지 않고, 전기 아크가 발생된 시점(즉, 어느 주기의 어느 위치에 전기 아크가 발생되었는지에 관한 사항)까지도 확인할 수 있는 이점이 있다.By using the standard period data as above, it is possible not only to check whether an electric arc has occurred, but also to determine the point of time when the electric arc has occurred (that is, where the electric arc is generated at which position in which period). There is an advantage to that.

상술한 바에 따라, 본 발명의 실시예에 의하면, 1차원 전기 파형에 대한 아크를 감지할 수 있다. 본 발명의 실시예에 따르면, 입력된 전기 신호의 1차원 값 하나 하나에 대응하여 패턴을 발견하는 것이 아니라 1차원 값으로 구성된 한 주기씩을 CNN의 입력 데이터로 하여 결과적으로 아크로 분류시 어느 주기에 아크가 발생하였는지, 더 나아가 어느 주기의 어느 위치에서 아크가 발생하였는지를 가시화 해줄 수 있다. 이는 아크를 모니터링 하는 솔루션의 주요한 기능으로 활용될 수 있다. 즉, 사용자가 아크의 패턴을 눈으로 들여다보고 싶은 경우, 기존의 CNN에서는 분류 결과만 불리안 값 즉 TRUE(아크)/FALSE(비아크)로 산출해주는 반면, 본 발명에서는 아크가 발생한 특정 주기를 가시화함으로써 사용자가 발생한 아크를 눈으로 검증할 수 있도록 해준다. 이는 추후 아크의 패턴을 데이터베이스화하여 보다 정밀한 아크 분석을 수행하는데 사용될 수 있다.As described above, according to the embodiment of the present invention, it is possible to detect an arc with respect to the one-dimensional electric waveform. According to an embodiment of the present invention, instead of finding a pattern corresponding to each one-dimensional value of the input electrical signal, the cycle is divided into arcs at one period consisting of one-dimensional values as input data of the CNN. It is possible to visualize the occurrence of an arc and furthermore, at which position in which period. This can be used as a key feature of solutions for arc monitoring. That is, when the user wants to look into the pattern of the arc, the conventional CNN calculates only the classification result as a Boolean value, that is, TRUE (arc) / FALSE (via), whereas in the present invention, the specific period in which the arc is generated is determined. By visualizing, the user can visually verify the generated arc. This can later be used to database the pattern of arcs to perform more precise arc analysis.

상술한 본 발명의 실시예에 따른 전기 아크 출현 위치 검출 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다. The electric arc appearance position detection method according to the embodiment of the present invention described above can be embodied as computer readable codes on a computer readable recording medium. Computer-readable recording media include all kinds of recording media having data stored thereon that can be decrypted by a computer system. For example, there may be a read only memory (ROM), a random access memory (RAM), a magnetic tape, a magnetic disk, a flash memory, an optical data storage device, and the like. The computer readable recording medium can also be distributed over computer systems connected over a computer network, stored and executed as readable code in a distributed fashion.

이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.Although the above has been described with reference to embodiments of the present invention, those skilled in the art may variously modify the present invention without departing from the spirit and scope of the present invention as set forth in the claims below. And can be changed easily.

Claims (13)

전기 아크 판별을 위한 소스가 되는 전기 신호가 입력되는 신호 입력부;
상기 입력된 전기 신호의 주기(cycle)에 기반한 신호 평가를 수행하기 위한 기준 주기를 검출하는 사이클 검출부; 및
상기 검출된 기준 주기에 근거하여 상기 전기 신호에 관한 한 주기씩의 주기 데이터를 입력받고, 상기 입력된 한 주기씩의 주기 데이터에 관한 딥 러닝(deep learning)을 수행하여 정상 상태의 주기 데이터와 비정상 상태의 주기 데이터를 분류하는 분류 결과를 출력하며, 상기 정상 상태의 주기 데이터 또는 비정상 상태의 주기 데이터에 따른 전기 신호 패턴과의 비교를 통해서 전기 아크를 검출하는 아크 검출부;
를 포함하고,
상기 아크 검출부는,
상기 딥 러닝 알고리즘으로 콘볼루션 뉴럴 네트워크(convolution neural network)를 이용하되, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터를 상기 콘볼루션 뉴럴 네트워크의 입력 데이터로 하여, 각 주기 데이터를 상기 정상 상태 및 상기 비정상 상태 중 어느 하나의 라벨링 값으로 출력하도록 학습시키고, 상기 딥 러닝을 수행한 결과에 따라 수집된 복수의 정상 상태의 주기 데이터들에 기초하여 표준 주기 데이터를 결정하고, 상기 결정된 표준 주기 데이터에 따른 전기 신호 패턴과 상기 신호 입력부로 입력되는 전기 신호 간을 대조함으로써 해당 주기의 어느 위치에 전기 아크가 발생하였는지 여부를 검출하는 전기 아크 검출 장치.
A signal input unit to which an electric signal serving as a source for electric arc discrimination is input;
A cycle detector detecting a reference period for performing signal evaluation based on a cycle of the input electrical signal; And
Based on the detected reference period, period data of one cycle is input for the electrical signal, and deep learning of the cycle data of the input one cycle is performed to perform periodic learning of a normal state and an abnormal state. An arc detector for outputting a classification result for classifying the periodic data of the state, and detecting the electric arc by comparing with the electric signal pattern according to the periodic data of the steady state or the periodic data of the abnormal state;
Including,
The arc detector,
Convolutional neural networks are used as the deep learning algorithm, and one-dimensional period data of one period according to the detected reference period is used as input data of the convolutional neural network, and each period data is used. Learn to output the labeling value of any of the steady state and the abnormal state, determine standard period data based on a plurality of steady state period data collected according to a result of the deep learning, and determine An electric arc detection device for detecting whether an electric arc has occurred at a certain position of a corresponding period by comparing an electric signal pattern according to standard period data with an electric signal input to the signal input unit.
제1항에 있어서,
상기 사이클 검출부는, 상기 입력된 전기 신호의 반복성에 기반하여 상기 기준 주기를 검출하되,
상기 기준 주기는 임의의 주기치들을 반복적으로 적용하였을 때 파형 간 수치 오차 또는 면적 오차가 최소화될 때의 주기치로 결정되는, 전기 아크 검출 장치.
The method of claim 1,
The cycle detector detects the reference period based on the repeatability of the input electrical signal,
And the reference period is determined as a periodic value when a numerical error or an area error between waveforms is minimized when repeatedly applying arbitrary periodic values.
삭제delete 제1항에 있어서,
상기 아크 검출부는, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터가 사전 지정된 소정 기간 동안 반복적으로 발생할 경우 이를 정상 상태로 간주하여 해당 주기 데이터를 정상 상태의 주기 데이터로 라벨링하는, 전기 아크 검출 장치.
The method of claim 1,
When the arc detection unit repeatedly generates one-dimensional period data of one period according to the detected reference period for a predetermined period of time, the arc detection unit regards the period data as normal state and labels the period data as the normal state, Electric arc detection device.
삭제delete 제1항에 있어서,
상기 아크 검출부는, 사전 지정된 기준 범위를 적용할 때 부하(load)가 변동되지 않는 상태로 판단 가능한 시기에 수집되는 복수의 정상 상태의 주기 데이터들에 기초하여 상기 표준 주기 데이터를 결정하되,
상기 표준 주기 데이터는 상기 복수의 정상 상태의 주기 데이터들의 평균화 과정을 통해 결정되는, 전기 아크 검출 장치.
The method of claim 1,
The arc detector determines the standard period data based on a plurality of steady state period data collected at a time when it is determined that the load does not change when applying a predetermined reference range.
And the standard period data is determined through an averaging process of the plurality of steady state period data.
전기 아크 검출에 관한 컴퓨터 구현 방법(Computer implemented method)로서,
전기 아크 판별을 위한 소스가 되는 전기 신호가 입력되는 단계;
상기 입력된 전기 신호의 주기(cycle)에 기반한 신호 평가를 수행하기 위한 기준 주기를 검출하는 단계; 및
상기 검출된 기준 주기에 근거하여 상기 전기 신호에 관한 한 주기씩의 주기 데이터를 입력받고, 상기 입력된 한 주기씩의 주기 데이터에 관한 딥 러닝(deep learning)을 수행하여 정상 상태의 주기 데이터와 비정상 상태의 주기 데이터를 분류하는 분류 결과를 출력하며, 상기 정상 상태의 주기 데이터 또는 비정상 상태의 주기 데이터에 따른 전기 신호 패턴과의 비교를 통해서 전기 아크를 검출하는 단계;
를 포함하고,
상기 전기 아크를 검출하는 단계는,
상기 딥 러닝 알고리즘으로 콘볼루션 뉴럴 네트워크(convolution neural network)를 이용하되, 상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터를 상기 콘볼루션 뉴럴 네트워크의 입력 데이터로 하여, 각 주기 데이터를 상기 정상 상태 및 상기 비정상 상태 중 어느 하나의 라벨링 값으로 출력하도록 학습시키는 단계; 및
상기 딥 러닝을 수행한 결과에 따라 수집된 복수의 정상 상태의 주기 데이터들에 기초하여 표준 주기 데이터를 결정하고, 상기 결정된 표준 주기 데이터에 따른 전기 신호 패턴과 입력되는 전기 신호 간을 대조함으로써 해당 주기의 어느 위치에 전기 아크가 발생하였는지 여부를 검출하는 단계;
를 포함하는 전기 아크 출현 위치 검출 방법.
A computer implemented method for electric arc detection,
Inputting an electric signal serving as a source for electric arc discrimination;
Detecting a reference period for performing signal evaluation based on a cycle of the input electrical signal; And
Based on the detected reference period, period data of one cycle is input for the electrical signal, and deep learning of the cycle data of the input one cycle is performed to perform periodic learning of a normal state and an abnormal state. Outputting a classification result for classifying the periodic data of the state, and detecting the electric arc by comparing with the electric signal pattern according to the periodic data of the steady state or the periodic data of the abnormal state;
Including,
Detecting the electric arc,
Convolutional neural networks are used as the deep learning algorithm, and one-dimensional period data of one period according to the detected reference period is used as input data of the convolutional neural network, and each period data is used. Learning to output a labeling value of either the normal state or the abnormal state; And
Standard period data is determined based on the plurality of steady state period data collected according to the deep learning, and the period is compared by comparing the electrical signal pattern according to the determined standard period data with the input electrical signal. Detecting at which point an electric arc has occurred;
Electric arc appearance position detection method comprising a.
제7항에 있어서,
상기 기준 주기를 검출하는 단계에서,
상기 기준 주기는 상기 입력된 전기 신호의 반복성에 기반하여 검출되되, 임의의 주기치들을 반복적으로 적용하였을 때 파형 간 수치 오차 또는 면적 오차가 최소화될 때의 주기치로 결정되는, 전기 아크 출현 위치 검출 방법.
The method of claim 7, wherein
Detecting the reference period,
The reference period is detected based on the repeatability of the input electrical signal, and the electric arc occurrence position detection method is determined as a periodic value when the numerical error or area error between waveforms is minimized when repeated application of any periodic values .
삭제delete 제7항에 있어서,
상기 전기 아크를 검출하는 단계는,
상기 검출된 기준 주기에 따른 한 주기씩의 1차원의 주기 데이터가 사전 지정된 소정 기간 동안 반복적으로 발생할 경우 이를 정상 상태로 간주하여 해당 주기 데이터를 정상 상태의 주기 데이터로 라벨링하는 단계를 포함하는, 전기 아크 출현 위치 검출 방법.
The method of claim 7, wherein
Detecting the electric arc,
Labeling the period data in the normal state when the one-dimensional period data of one period according to the detected reference period is repeatedly generated for a predetermined period, and labeling the period data as the period data in the normal state. Arc appearance position detection method.
삭제delete 제7항에 있어서,
상기 전기 아크를 검출하는 단계는,
사전 지정된 기준 범위를 적용할 때 부하(load)가 변동되지 않는 상태로 판단 가능한 시기에 수집되는 복수의 정상 상태의 주기 데이터들에 기초하여 상기 표준 주기 데이터를 결정하는 단계를 포함하고,
상기 표준 주기 데이터는 상기 복수의 정상 상태의 주기 데이터들의 평균화 과정을 통해 결정되는, 전기 아크 출현 위치 검출 방법.
The method of claim 7, wherein
Detecting the electric arc,
Determining the standard period data based on the plurality of steady state period data collected at a time when it is determined that the load does not change when applying a predetermined reference range,
And the standard period data is determined through an averaging process of the plurality of steady state period data.
제7항, 제8항, 제10항 중 어느 한 항에 따른 전기 아크 출현 위치 검출 방법이 기록되며 컴퓨터로 읽을 수 있는 기록 매체.A computer readable recording medium having recorded thereon a method for detecting an electric arc appearance position according to any one of claims 7, 8 and 10.
KR1020170142029A 2017-10-30 2017-10-30 Method and system for detect electric arc occurrence position KR102073406B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170142029A KR102073406B1 (en) 2017-10-30 2017-10-30 Method and system for detect electric arc occurrence position

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170142029A KR102073406B1 (en) 2017-10-30 2017-10-30 Method and system for detect electric arc occurrence position

Publications (2)

Publication Number Publication Date
KR20190047788A KR20190047788A (en) 2019-05-09
KR102073406B1 true KR102073406B1 (en) 2020-02-05

Family

ID=66545453

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170142029A KR102073406B1 (en) 2017-10-30 2017-10-30 Method and system for detect electric arc occurrence position

Country Status (1)

Country Link
KR (1) KR102073406B1 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102046975B1 (en) * 2019-05-31 2019-11-20 이에스솔라 주식회사 Photovoltaic combine box capable of detecting arc
KR102339485B1 (en) * 2020-06-30 2021-12-15 강원대학교산학협력단 Arc signal detection method using artificial neural network
KR102386782B1 (en) * 2020-08-24 2022-04-14 강원대학교산학협력단 Arc Signal Detection Method Using Logistic Regression
KR102557527B1 (en) * 2021-04-13 2023-07-21 베러티 인스트루먼트, 인코퍼레이티드 Spectral filtering system, apparatus and method

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014525725A (en) * 2011-08-16 2014-09-29 シュナイダー エレクトリック ユーエスエイ インコーポレイテッド Adaptive luminescence detection for arc mitigation system

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6980407B2 (en) 2002-12-09 2005-12-27 Texas Instrument Incorporated Arc detection apparatus and method
KR101007551B1 (en) * 2008-11-03 2011-01-14 주식회사 한세스 Method For Detecting Arc In Power Distribution System And System For Alerting Arc Using The Same Method
KR101803471B1 (en) * 2016-02-15 2017-12-01 성균관대학교 산학협력단 Deep learning system and learning method using of convolutional neural network based image patterning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014525725A (en) * 2011-08-16 2014-09-29 シュナイダー エレクトリック ユーエスエイ インコーポレイテッド Adaptive luminescence detection for arc mitigation system

Also Published As

Publication number Publication date
KR20190047788A (en) 2019-05-09

Similar Documents

Publication Publication Date Title
KR102073406B1 (en) Method and system for detect electric arc occurrence position
CA3024960C (en) Method,apparatus,and computer-readable medium for detecting anomalous user behavior
US9361463B2 (en) Detection of anomalous events
WO2007143405A2 (en) Automatic fault classification for model-based process monitoring
US11520882B2 (en) Multi factor network anomaly detection
Sethi et al. Don’t pay for validation: Detecting drifts from unlabeled data using margin density
CN104966053A (en) Face recognition method and recognition system
CN109691055B (en) System, method, and medium for detecting network intrusion based on analysis of network traffic
Ruben et al. Hybrid data‐driven physics model‐based framework for enhanced cyber‐physical smart grid security
US20190163719A1 (en) Bivariate optimization technique for tuning sprt parameters to facilitate prognostic surveillance of sensor data from power plants
AU2017274576A1 (en) Classification of log data
KR20160064930A (en) Alarm classification method in finding potential bug in a source code, computer program for the same, recording medium storing computer program for the same
US11698962B2 (en) Method for detecting intrusions in an audit log
CN109272502B (en) PCB hardware safety detection method based on temperature field effect
CN110113368B (en) Network behavior abnormity detection method based on sub-track mode
WO2020186432A1 (en) Apparatus and method of high dimensional data analysis in real-time
WO2014199177A1 (en) Early warning and prevention system
Uddin et al. Online least-squares one-class support vector machine for outlier detection in power grid data
JP2008165802A (en) Method and apparatus for monitoring radio frequency identification network
US9865158B2 (en) Method for detecting false alarm
Hasnat et al. Detecting and locating cyber and physical stresses in smart grids using the k‐nearest neighbour analysis of instantaneous correlation of states
CN110770753B (en) Device and method for real-time analysis of high-dimensional data
Zhang et al. Applied sensor fault detection and validation using transposed input data PCA and ANNs
CN111049839B (en) Abnormity detection method and device, storage medium and electronic equipment
Li et al. Intrusion detection methods based on incomplete RFID traces

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