KR102241708B1 - Apparatus for diagnosing partial discharge - Google Patents

Apparatus for diagnosing partial discharge Download PDF

Info

Publication number
KR102241708B1
KR102241708B1 KR1020190111062A KR20190111062A KR102241708B1 KR 102241708 B1 KR102241708 B1 KR 102241708B1 KR 1020190111062 A KR1020190111062 A KR 1020190111062A KR 20190111062 A KR20190111062 A KR 20190111062A KR 102241708 B1 KR102241708 B1 KR 102241708B1
Authority
KR
South Korea
Prior art keywords
partial discharge
neural network
unit
learning
artificial neural
Prior art date
Application number
KR1020190111062A
Other languages
Korean (ko)
Other versions
KR20210029607A (en
Inventor
장성수
민병운
정상원
Original Assignee
현대일렉트릭앤에너지시스템(주)
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 현대일렉트릭앤에너지시스템(주) filed Critical 현대일렉트릭앤에너지시스템(주)
Priority to KR1020190111062A priority Critical patent/KR102241708B1/en
Publication of KR20210029607A publication Critical patent/KR20210029607A/en
Application granted granted Critical
Publication of KR102241708B1 publication Critical patent/KR102241708B1/en

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

본 발명은, CNN 신경망과 유전 알고리즘을 이용하여 부분 방전 패턴과 노이즈를 구별하여 부분 방전을 진단하는 부분 방전 진단 장치를 제공하기 위한 것으로, 본 발명의 일 실시예에 따른 부분 방전 진단 장치는 진단 대상의 부분 방전을 측정한 측정 데이터를 획득하는 부분 방전 측정부와, 상기 부분 방전 측정부의 측정 데이터로부터 특징량을 추출하여 추출된 데이터 특징량을 학습하는 인공 신경망과 상기 인공 신경망의 학습 파라미터를 선별하고 선별된 학습 파라미터의 유전 정보를 교차 및 변형하여 상기 학습 파라미터를 최적화해서 상기 측정 데이터의 부분 방전 및 노이즈를 진단하는 부분 방전 진단부를 포함할 수 있다.The present invention is to provide a partial discharge diagnosis apparatus for diagnosing partial discharge by distinguishing a partial discharge pattern and noise using a CNN neural network and a genetic algorithm, and the partial discharge diagnosis apparatus according to an embodiment of the present invention is a diagnosis target. A partial discharge measurement unit that acquires measurement data measuring the partial discharge of, and an artificial neural network that learns the extracted data feature by extracting a feature amount from the measurement data of the partial discharge measurement unit, and a learning parameter of the artificial neural network, It may include a partial discharge diagnosis unit for diagnosing partial discharge and noise of the measured data by optimizing the learning parameter by crossing and transforming the genetic information of the selected learning parameter.

Description

부분 방전 진단 장치{APPARATUS FOR DIAGNOSING PARTIAL DISCHARGE}Partial discharge diagnosis device {APPARATUS FOR DIAGNOSING PARTIAL DISCHARGE}

본 발명은 부분 방전 진단 장치에 관한 것이다.The present invention relates to an apparatus for diagnosing partial discharge.

일반적으로 가스절연개폐장치(Gas Insulated Switchgear: 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.In general, a gas insulated switchgear (GIS) is installed between the circuit between the power side and the load side of the electric system. It is an electric device that protects the power system and load device by safely blocking the current when it occurs.

이러한 가스절연개폐장치 또는 차단기에서 발생하는 이상 상태를 검출하기 위하여 기존에는 통계적인 방식으로 부분방전 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.In order to detect abnormal conditions occurring in such a gas insulated switchgear or circuit breaker, the partial discharge type diagnosis and noise were determined in a statistical manner. In order to detect an abnormal state in such a statistical manner, a pre- and post-processing process for sensor data including noise is required, and there is a problem in that the abnormal state cannot be accurately identified in a short time.

하기의 대한민국 등록특허공보 제10-1822829호는 인공신경망의 일종인 CNN(Convolution Neural Network)을 활용하여 부분방전 패턴의 특징량 추출 및 학습을 통해 부분방전 패턴, 노이즈를 구별하는 방법을 개시하였으나, 신경망의 학습량을 결정짓는 학습 파라미터 및 구조를 최적화할 수 있는 방안에 대해서는 언급되어 있지 않다.The following Korean Patent Publication No. 10-1822829 discloses a method of distinguishing partial discharge patterns and noise by extracting and learning feature quantities of partial discharge patterns using CNN (Convolution Neural Network), a kind of artificial neural network. There is no mention of a method for optimizing the learning parameters and structures that determine the learning amount of the neural network.

대한민국 등록특허공보 제10-1822829호Republic of Korea Patent Publication No. 10-1822829

본 발명의 일 실시예에 따르면, CNN 신경망과 유전 알고리즘을 이용하여 부분 방전 패턴과 노이즈를 구별하여 부분 방전을 진단하는 부분 방전 진단 장치가 제공된다.According to an embodiment of the present invention, there is provided a partial discharge diagnosis apparatus for diagnosing partial discharge by distinguishing a partial discharge pattern and noise using a CNN neural network and a genetic algorithm.

상술한 본 발명의 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 부분 방전 진단 장치는 진단 대상의 부분 방전을 측정한 측정 데이터를 획득하는 부분 방전 측정부와, 상기 부분 방전 측정부의 측정 데이터로부터 특징량을 추출하여 추출된 데이터 특징량을 학습하는 인공 신경망과 상기 인공 신경망의 학습 파라미터를 선별하고 선별된 학습 파라미터의 유전 정보를 교차 및 변형하여 상기 학습 파라미터를 최적화해서 상기 측정 데이터의 부분 방전 및 노이즈를 진단하는 부분 방전 진단부를 포함할 수 있다. In order to solve the above-described problem of the present invention, the partial discharge diagnosis apparatus according to an embodiment of the present invention includes a partial discharge measuring unit that obtains measurement data obtained by measuring partial discharge of a diagnosis object, and measurement data of the partial discharge measuring unit. Partial discharge of the measured data by optimizing the learning parameter by selecting the learning parameter of the artificial neural network and the artificial neural network that learns the extracted data feature by extracting the feature quantity from and intersecting and transforming the genetic information of the selected learning parameter. And a partial discharge diagnosis unit diagnosing noise.

본 발명의 일 실시예에 따르면, 부분 방전 진단의 정확도가 높아질 수 있는 효과가 있다.According to an embodiment of the present invention, there is an effect of increasing the accuracy of partial discharge diagnosis.

도 1은 본 발명의 일 실시예에 따른 부분 방전 진단 장치의 개략적인 구성도이다.
도 2는 본 발명의 일 실시예에 따른 부분 방전 진단 장치의 최적화 알고리즘을 나타내는 플로우 챠트이다.
도 3a 및 도 3b는 본 발명의 일 실시예에 따른 부분 방전 진단 장치의 진단 일치율 향상을 나타내는 도면이다.
도 4는 종래에 적용된 통계학적 특징량 추출 방법이 반영된 인공신경망과 본 발명의 일 실시예에 적용된 CNN 인공신경망에 의해 추출된 특징량 학습에 따른 부분 방전 진단 장치의 진단 정확도를 비교한 비교표이다.
도 5는 종래의 인공 신경망에 사용되는 통계적 데이터 전처리 방법을 적용한 결과를 나타내는 도면이다.1 is a schematic configuration diagram of an apparatus for diagnosing partial discharge according to an embodiment of the present invention.
2 is a flow chart showing an optimization algorithm of a partial discharge diagnosis apparatus according to an embodiment of the present invention.
3A and 3B are diagrams illustrating an improvement in a diagnosis match rate of a partial discharge diagnosis apparatus according to an exemplary embodiment of the present invention.
4 is a comparison table comparing the diagnostic accuracy of a partial discharge diagnosis apparatus according to learning of a feature amount extracted by a CNN artificial neural network applied to an embodiment of the present invention and an artificial neural network in which a conventional statistical feature extraction method is reflected.
5 is a diagram showing a result of applying a statistical data preprocessing method used in a conventional artificial neural network.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. Hereinafter, preferred embodiments will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art may easily implement the present invention.

도 1은 본 발명의 일 실시예에 따른 부분 방전 진단 장치의 개략적인 구성도이다.1 is a schematic configuration diagram of an apparatus for diagnosing partial discharge according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 부분 방전 진단 장치(100)는 부분 방전 측정부(110) 및 부분 방전 진단부(120)를 포함할 수 있다.Referring to FIG. 1, a partial discharge diagnosis apparatus 100 according to an embodiment of the present invention may include a partial discharge measurement unit 110 and a partial discharge diagnosis unit 120.

부분 방전 측정부(110)는 가스 절연 개폐장치, 차단기 등의 진단 대상에 부착된 센서로 구성될 수 있으며, 진단 대상의 부분 방전 측정 데이터를 획득하여 부분 방전 진단부(120)에 전달할 수 있다.The partial discharge measurement unit 110 may be composed of a sensor attached to a diagnosis target such as a gas insulated switchgear and a circuit breaker, and may obtain partial discharge measurement data of the diagnosis target and transmit it to the partial discharge diagnosis unit 120.

부분 방전 진단부(120)는 부분 방전 측정부(110)로부터의 측정 데이터에 기초하여 부분 방전 또는 노이즈를 진단할 수 있다.The partial discharge diagnosis unit 120 may diagnose partial discharge or noise based on measurement data from the partial discharge measurement unit 110.

부분 방전 진단부(120)는 CNN(Convolution Neural Network) 인공 신경망부(121) 및 유전 알고리즘부(122)를 포함할 수 있다.The partial discharge diagnosis unit 120 may include a convolution neural network (CNN) artificial neural network unit 121 and a genetic algorithm unit 122.

CNN 인공 신경망부(121)는 복수의 CNN을 포함할 수 있고, 복수의 CNN은 진단 대상의 부분 방전 측정 데이터에 기초하여 부분방전 패턴의 특징량 추출 및 학습을 통해 부분방전 패턴과 노이즈를 구별하여 진단 대상의 부분 방전을 진단할 수 있다.The CNN artificial neural network unit 121 may include a plurality of CNNs, and the plurality of CNNs distinguishes between a partial discharge pattern and noise by extracting and learning a feature amount of a partial discharge pattern based on the partial discharge measurement data of the diagnosis target. Partial discharge of the object to be diagnosed can be diagnosed.

유전 알고리즘부(122)는 CNN 인공 신경망부(121)의 학습량을 결정짓는 학습 파라미터 및 구조를 최적화할 수 있다.The genetic algorithm unit 122 may optimize a learning parameter and structure that determine the amount of learning of the CNN artificial neural network unit 121.

유전 알고리즘부(122)는 CNN 인공 신경망부(121)의 복수의 CNN의 학습된 신경망의 성능을 평가하여, 최적화된 CNN을 도출할 수 있다.The genetic algorithm unit 122 may derive an optimized CNN by evaluating the performance of a learned neural network of a plurality of CNNs of the CNN artificial neural network unit 121.

보다 상세하게는, 유전 알고리즘부(122)는 유전 알고리즘(Genetic Algorithm)을 적용하여 CNN 신경망의 구조(레이어(Layer) 수, 노드(Node) 수)와 학습 파라미터를 부호화하여 유전정보 집단을 생성할 수 있다. 즉, 복수의 CNN을 여러 객체의 부모 그룹으로 설정하여 각 그룹의 학습능력을 평가하여 우수한 그룹만을 선별하고, 이후 선별된 그룹 내의 유전정보를 교차 및 변형(돌연변이)하여 자식 집단(하위 그룹)을 생성하여 이를 반복함으로써 최적화된 변수들을 도출할 수 있다.In more detail, the genetic algorithm unit 122 generates a genetic information group by encoding the structure (number of layers, number of nodes) and learning parameters of the CNN neural network by applying a genetic algorithm. I can. In other words, by setting multiple CNNs as parent groups of multiple objects, evaluating the learning ability of each group to select only excellent groups, and then crossing and transforming (mutation) genetic information in the selected group to create child groups (subgroups). Optimized variables can be derived by creating and repeating them.

도 2는 본 발명의 일 실시예에 따른 부분 방전 진단 장치의 최적화 알고리즘을 나타내는 플로우 챠트이다. 2 is a flow chart showing an optimization algorithm of a partial discharge diagnosis apparatus according to an embodiment of the present invention.

도 1과 함께, 도 2를 참조하면, 부분 방전 진단부(120)의 유전 알고리즘부(122)는 CNN 인공 신경망부(121)의 복수의 CNN의 신경망 구조 및 학습 파라미터를 변수화할 수 있다(S10). 이후 CNN 인공 신경망부(121)의 학습이 진행되면(S20), 유전 알고리즘부(122)는 CNN 인공 신경망부(121)의 복수의 CNN의 학습된 신경망의 성능을 평가하여, 그중 우수한 결과의 그룹을 선별할 수 있다(S30).In conjunction with FIG. 1 and referring to FIG. 2, the genetic algorithm unit 122 of the partial discharge diagnosis unit 120 may parameterize the neural network structure and learning parameters of a plurality of CNNs of the CNN artificial neural network unit 121 (S10). ). Thereafter, when the learning of the CNN artificial neural network unit 121 proceeds (S20), the genetic algorithm unit 122 evaluates the performance of the learned neural networks of a plurality of CNNs of the CNN artificial neural network unit 121, and among them, the group with excellent results. Can be selected (S30).

이후, 선별된 그룹 내의 유전정보를 교차 및 변형(돌연변이)하여 자식 집단(하위 그룹)을 생성하여(S40), 이를 반복함으로써 최적화된 신경망 구조 및 학습 파라미터를 선정할 수 있다(S50).Thereafter, the genetic information in the selected group is crossed and transformed (mutated) to create a child group (subgroup) (S40), and the optimized neural network structure and learning parameters may be selected by repeating this (S50).

도 3a 및 도 3b는 본 발명의 일 실시예에 따른 부분 방전 진단 장치의 진단 일치율 향상을 나타내는 도면이다.3A and 3B are diagrams illustrating improvement of a diagnosis match rate of a partial discharge diagnosis apparatus according to an exemplary embodiment of the present invention.

도 3a 및 도 3b를 참조하면, 객체, 세대 수가 증가할수록 동일 학습량 대비 진단 일치율이 증가함을 확인할 수 있다. Referring to FIGS. 3A and 3B, it can be seen that as the number of objects and generations increases, the diagnosis coincidence rate relative to the same learning amount increases.

즉, 도 3a를 참조하면, 100회 학습, 2 Population, 2세대 경과 시 정확도가 72.15%인 반면에, 도 3b를 참조하면, 1000회 학습, 20 Population, 50세대 경과 시 정확도가 94.08%로 증가했음을 확인할 수 있다.That is, referring to FIG. 3A, the accuracy is 72.15% when 100 times of learning, 2 Populations, and 2nd generation elapse, whereas referring to FIG. 3B, when 1000 times of learning, 20 Populations, and 50th generations elapse, the accuracy increases to 94.08% You can confirm that it was done.

도 4는 종래에 적용된 통계학적 특징량 추출 방법이 반영된 인공신경망과 본 발명의 일 실시예에 적용된 CNN 인공신경망에 의해 추출된 특징량 학습에 따른 부분 방전 진단 장치의 진단 정확도를 비교한 비교표이다.4 is a comparison table comparing diagnosis accuracy of a partial discharge diagnosis apparatus according to learning of a feature amount extracted by a CNN artificial neural network applied to an embodiment of the present invention and an artificial neural network in which a method for extracting a statistical feature quantity applied in the prior art is reflected.

도 4를 참조하면, 종래에 대비하여 본 발명의 일 실시예에 따른 부분 방전 진단 장치는 본 발명의 일 실시예에 적용된 CNN 인공신경망에 의해 추출된 특징량 학습에 따라 코로나(Corona) 방전(Corona), 플로팅(Floating) 방전(Floating), 파티클(Particle)에 의한 부분 방전(Particle), 보이드(Void) 방전(Void) 및 부분 방전이 아닌 경우(Not PD)를 판정할 수 있으며, 상술한 부분 방전 패턴 인식 학습 결과는 평균적으로 11.1% 정도 정확도가 더 높음을 확인할 수 있다.Referring to FIG. 4, in comparison with the related art, the partial discharge diagnosis apparatus according to an embodiment of the present invention provides a Corona discharge according to learning of a feature amount extracted by a CNN artificial neural network applied to an embodiment of the present invention. ), Floating Discharge (Floating), Particle Discharge (Particle) by Particle, Void Discharge (Void), and Non-Partial Discharge (Not PD) can be determined. It can be seen that the discharge pattern recognition learning result has a higher accuracy of about 11.1% on average.

도 5는 종래의 인공 신경망에 사용되는 통계적 데이터 전처리 방법을 적용한 결과를 나타내는 도면이다.5 is a diagram showing a result of applying a statistical data preprocessing method used in a conventional artificial neural network.

도 5를 참조하면, 종래의 데이터 전처리 방법을 사용할 경우에 데이터에 왜곡이 발생함을 확인할 수 있다.Referring to FIG. 5, it can be seen that distortion occurs in data when a conventional data preprocessing method is used.

상술한 바와 같이, 본 발명에 따르면, 학습 파라미터의 최적화를 하여 부분 방전 진단의 정확도가 높아질 수 있다.As described above, according to the present invention, the accuracy of partial discharge diagnosis can be improved by optimizing the learning parameter.

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.The present invention described above is not limited by the above-described embodiments and the accompanying drawings, but is limited by the claims to be described later, and the configuration of the present invention is varied within the scope not departing from the technical spirit of the present invention. It can be easily understood by those of ordinary skill in the art that the present invention can be changed and modified.

100: 부분 방전 진단 장치
110: 부분 방전 측정부
120: 부분 방전 진단부
121: CNN 인공 신경망부
122: 유전 알고리즘부100: partial discharge diagnostic device
110: partial discharge measuring unit
120: partial discharge diagnosis unit
121: CNN artificial neural network unit
122: genetic algorithm unit

Claims (4)

진단 대상의 부분 방전을 측정한 측정 데이터를 획득하는 부분 방전 측정부; 및
상기 부분 방전 측정부의 측정 데이터로부터 특징량을 추출하여 추출된 데이터 특징량을 학습하는 인공 신경망과 상기 인공 신경망의 학습 파라미터를 선별하고 선별된 학습 파라미터의 유전 정보를 교차 및 변형하여 상기 학습 파라미터를 최적화해서 상기 측정 데이터의 부분 방전 및 노이즈를 진단하는 부분 방전 진단부를 포함하고,
상기 부분 방전 진단부는
상기 부분 방전 측정부의 측정 데이터로부터 부분 방전 패턴의 특징량을 추출하고 학습하여, 부분 방전 패턴과 노이즈를 구별하여 부분 방전을 진단하는 복수의 CNN(Convolution Neural Network)을 갖는 CNN 인공 신경망부; 및
상기 CNN 인공 신경망부의 복수의 CNN의 구조 및 학습 파라미터를 부호화해서 유전 정보 집단을 생성하는 유전 알고리즘부를 포함하며,
상기 유전 알고리즘부는 상기 복수의 CNN을 복수의 부모 그룹으로 설정하고, 설정된 그룹의 학습 능력을 평가하여 사전에 설정된 기준 이상의 우수 그룹을 선별하며, 선별된 우수 그룹 내의 유전 정보를 교차 및 변형하여 하위 그룹을 생성하고 상기의 동작을 반복하여 최적화된 학습 파라미터를 도출하는 부분 방전 진단 장치.A partial discharge measuring unit that obtains measurement data obtained by measuring partial discharge of a diagnosis target; And
An artificial neural network that learns the extracted data feature by extracting a feature amount from the measurement data of the partial discharge measuring unit and a learning parameter of the artificial neural network are selected, and the genetic information of the selected learning parameter is intersected and transformed to optimize the learning parameter. And a partial discharge diagnosis unit for diagnosing partial discharge and noise of the measured data,
The partial discharge diagnosis unit
A CNN artificial neural network unit having a plurality of convolution neural networks (CNNs) for diagnosing partial discharge by extracting and learning a feature amount of a partial discharge pattern from measurement data of the partial discharge measuring unit; And
The CNN artificial neural network unit includes a genetic algorithm unit for generating a genetic information group by encoding the structure and learning parameters of a plurality of CNNs,
The genetic algorithm unit sets the plurality of CNNs as a plurality of parent groups, evaluates the learning ability of the set group, selects an excellent group equal to or greater than a preset criterion, and crosses and transforms the genetic information in the selected excellent group to subgroup A partial discharge diagnosis apparatus for generating and repeating the above operation to derive an optimized learning parameter. 삭제delete 삭제delete 삭제delete
KR1020190111062A 2019-09-06 2019-09-06 Apparatus for diagnosing partial discharge KR102241708B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190111062A KR102241708B1 (en) 2019-09-06 2019-09-06 Apparatus for diagnosing partial discharge

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190111062A KR102241708B1 (en) 2019-09-06 2019-09-06 Apparatus for diagnosing partial discharge

Publications (2)

Publication Number Publication Date
KR20210029607A KR20210029607A (en) 2021-03-16
KR102241708B1 true KR102241708B1 (en) 2021-04-19

Family

ID=75223997

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190111062A KR102241708B1 (en) 2019-09-06 2019-09-06 Apparatus for diagnosing partial discharge

Country Status (1)

Country Link
KR (1) KR102241708B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7402956B2 (en) * 2022-02-08 2023-12-21 九州電力株式会社 Diagnostic method, edge device, partial discharge online diagnostic system and program

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101822829B1 (en) 2017-08-11 2018-01-29 문경훈 Method of identifying partial discharge and noise of switchgear using machine learning

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Kozo Banno 외 3인, ‘Partial Discharge Source Classification for Switchgears with Transient Earth Voltage Sensor Using Convolutional Neural Network’, 2018 Condition Monitoring and Diagnosis(CMD), 2018.11*
박건준 외 4인, ‘Neuro-Fuzzy 기법을 이용한 부분방전 패턴인식에 대한 연구’, 전기학회논문지 제57권 제12호, 2008.12.*

Also Published As

Publication number Publication date
KR20210029607A (en) 2021-03-16

Similar Documents

Publication Publication Date Title
US7236911B1 (en) Using a genetic algorithm to select a subset of quality metrics as input to a disk drive failure prediction algorithm
Welte Using state diagrams for modeling maintenance of deteriorating systems
Abeygunawardane et al. New state diagrams for probabilistic maintenance models
KR101268761B1 (en) Method for deciding defect type of partial discharge and apparatus thereof
US20090043716A1 (en) Data classification method and apparatus
KR102362159B1 (en) Method for Fault Detection and Fault Diagnosis in Semiconductor Manufacturing Process
CN109936113B (en) Protection action intelligent diagnosis method and system based on random forest algorithm
CN112016238B (en) Failure prediction technology for foundation relay
CN112508243A (en) Training method and device for multi-fault prediction network model of power information system
KR102241708B1 (en) Apparatus for diagnosing partial discharge
CN106124929A (en) A kind of power distribution network physical fault and information fault identification method
CN105204438B (en) A kind of processing quality control method towards cylinder cap part
KR101025058B1 (en) A method for tracking signal detection of low voltage lines using fuzzy RBF neural network algorithm
CN115642706A (en) Power distribution load monitoring system in power grid
Tagawa et al. Weighted empirical distribution based approach to chance constrained optimization problems using differential evolution
Malabanan et al. Power transformer condition assessment using an immune neural network approach to Dissolved Gas Analysis
CN114167217A (en) Multiple fault diagnosis method for railway power distribution network
CN117557415A (en) Community resource management method and system based on intelligent property
KR20200078866A (en) Apparatus and method for detecting abnormal behavior using data pattern analysis
CN107861026A (en) A kind of electrical power distribution network fault location method based on hybrid artificial immune system
CN109784629B (en) Transformer substation industrial control network fault positioning method based on neural network
Figueroa Godoy et al. Analysis of insulating material of XLPE cables considering innovative patterns of partial discharges
CN112037084B (en) Method and system for testing fault processing, testing and analyzing of power distribution main station
Zonouz et al. A fuzzy Markov model for scalable reliability analysis of advanced metering infrastructure
KR20230064416A (en) Apparatus and method for diagnosing fault of power system

Legal Events

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