KR102274995B1 - Method for augmentation partial discharge data using generative adversarial network - Google Patents
Method for augmentation partial discharge data using generative adversarial network Download PDFInfo
- Publication number
- KR102274995B1 KR102274995B1 KR1020190169478A KR20190169478A KR102274995B1 KR 102274995 B1 KR102274995 B1 KR 102274995B1 KR 1020190169478 A KR1020190169478 A KR 1020190169478A KR 20190169478 A KR20190169478 A KR 20190169478A KR 102274995 B1 KR102274995 B1 KR 102274995B1
- Authority
- KR
- South Korea
- Prior art keywords
- partial discharge
- determination
- discharge data
- data
- network
- Prior art date
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
- G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법은 (a) 판별망이 실제 부분방전 데이터를 수집하고 학습을 통한 지속적인 모델 갱신하면서 부분방전 여부를 판정하는 단계; 및 (b) 생성망이 임의로 부분방전 이미지 데이터를 생성하여 상기 판별망에 의뢰한 후, 실제 부분방전 데이터와 설정된 유사도를 가지는 부분방전 데이터를 증강된 부분방전 데이터로 활용하는 단계;를 포함하여 부분방전 데이터를 적대적 생성망(GAN, Generative Adversarial Network)을 통해 학습하여 높은 유사도를 갖는 다량의 증강된 부분방전 데이터를 생성할 수 있는 효과가 있다.The method for augmenting power facility partial discharge data using a hostile generation network according to the present invention comprises the steps of: (a) determining whether a partial discharge exists while a determination network collects actual partial discharge data and continuously updates the model through learning; and (b) generating partial discharge image data arbitrarily by the generation network and requesting the determination network, and then utilizing partial discharge data having a similarity set with actual partial discharge data as enhanced partial discharge data; It has the effect of generating a large amount of augmented partial discharge data with high similarity by learning the discharge data through a Generative Adversarial Network (GAN).
Description
본 발명은 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법에 관한 것으로써, 더욱 상세하게는 전력설비에서 발생하는 부분방전(PD(Partial Discharge)) 데이터를 높은 유사도로 복제하여 확보하기 위한 것으로, GAN(Generative Adversarial Network) 모델을 기반으로 부분방전 유형별 데이터를 증강할 수 있는 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법에 관한 것이다.The present invention relates to a method for augmenting partial discharge data of power facilities using a hostile generation network, and more particularly, to reproduce and secure partial discharge (PD) data generated in power facilities with high similarity, It relates to a method of augmenting partial discharge data for power facilities using an adversarial generation network that can augment data for each type of partial discharge based on a Generative Adversarial Network (GAN) model.
부분방전은 전력설비의 상태와 수명에 큰 영향을 미치나 빈번히 발생하지 않아 관련 데이터를 확보하기 어려운 문제점이 있다.Partial discharge has a great effect on the state and lifespan of power facilities, but it does not occur frequently, so it is difficult to obtain related data.
또한, 부분방전 진단장치 제조사는 기 발생한 부분방전 신호를 기반으로 이를 모의하는 시뮬레이터를 제작하기도 하지만 원 신호를 높은 유사도로 모의하지 못하는 문제가 있고, 사람이 개입하여 검증하고 판단하여야 하기 때문에 많은 시간과 노력이 소요되는 문제점이 있다.In addition, manufacturers of partial discharge diagnostic devices make simulators that simulate the partial discharge signals based on the previously generated partial discharge signals, but there is a problem that the original signal cannot be simulated with high similarity, and it takes a lot of time and time because a person has to intervene to verify and judge. There is a problem that requires effort.
상술한 문제점을 해결하기 위해 본 발명은 전력설비에서 발생하는 부분방전(PD(Partial Discharge)) 데이터를 높은 유사도로 복제하여 확보하기 위한 것으로, GAN(Generative Adversarial Network) 모델을 기반으로 부분방전 유형별 데이터를 증강할 수 있는 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법을 제공하는 데 목적이 있다.In order to solve the above-mentioned problems, the present invention is to duplicate and secure partial discharge (PD) data generated in power facilities with high similarity, and data for each type of partial discharge based on a Generative Adversarial Network (GAN) model An object of the present invention is to provide a method for augmenting power facility partial discharge data using a hostile generation network that can enhance
상기 목적을 달성하기 위한 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법은 (a) 판별망이 실제 부분방전 데이터를 수집하고 학습을 통한 지속적인 모델 갱신하면서 부분방전 여부를 판정하는 단계; 및 (b) 생성망이 임의로 부분방전 이미지 데이터를 생성하여 상기 판별망에 의뢰한 후, 실제 부분방전 데이터와 설정된 유사도를 가지는 부분방전 데이터를 증강된 부분방전 데이터로 활용하는 단계;를 포함하는 것을 특징으로 한다.In order to achieve the above object, the method for augmenting power facility partial discharge data using a hostile generation network according to the present invention comprises the steps of (a) determining whether a partial discharge is present while a determination network collects actual partial discharge data and continuously updates the model through learning ; and (b) the generating network randomly generates partial discharge image data and requests the determination network, and then uses partial discharge data having a similarity set with actual partial discharge data as augmented partial discharge data; characterized.
바람직하게 상기 목적을 달성하기 위한 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법의 (a)단계는 (a-1) 상기 판별망의 데이터 수집부가 실제 부분방전 데이터를 수집하는 단계; (a-2) 상기 판별망의 학습부가 상기 (a-1) 단계에서 수집한 부분방전 데이터를 기반으로 부분방전 판단 유형을 학습단계; (a-3) 상기 판별망의 부분방전 판정부가 부분방전을 판정하는 인공지능 모델을 이용하여 부분방전을 판정하는 단계; 및 (a-4) 상기 판별망의 모델 갱신부는 상기 (a-2) 단계에서 학습된 부분방전 데이터를 반영하여 부분방전 판정 모델을 갱신하는 단계;를 포함하는 것을 특징으로 한다.Preferably, step (a) of the method for augmenting partial discharge data for power facilities using a hostile generation network according to the present invention for achieving the above object is (a-1) the step of collecting the actual partial discharge data by the data collection unit of the determination network ; (a-2) learning the partial discharge determination type based on the partial discharge data collected in the step (a-1) by the learning unit of the determination network; (a-3) determining the partial discharge using an artificial intelligence model for determining the partial discharge by the partial discharge determining unit of the determination network; and (a-4) updating the partial discharge determination model by reflecting the partial discharge data learned in step (a-2) by the model updating unit of the determination network.
더욱 바람직하게 상기 목적을 달성하기 위한 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법의 (b)단계는 (b-1) 상기 생성망의 초기 데이터 생성부가 적대적 생성망(GAN, Generative Adversarial Network)을 통해 부분방전 데이터를 생성하는 단계; (b-2) 상기 생성망의 판정 의뢰부가 상기 (b-1) 단계에서 생성된 부분방전 데이터를 상기 판별망의 인공지능 모델에 입력하여 부분방전 데이터 여부를 판정의뢰하는 단계; 및 (b-3) 상기 판정 의뢰부가 판정결과에 대한 판단결과 실제 부분방전 데이터와 소정 임계치 내에 해당하여 참인 것으로 판단한 경우, 상기 부분방전 데이터 증강부가 부분방전으로 판정된 데이터를 증강된 부분방전 데이터로 활용하는 단계;를 포함하는 것을 특징으로 한다.More preferably, step (b) of the method for augmenting partial discharge data for power facilities using a hostile generation network according to the present invention for achieving the above object is (b-1) the initial data generation unit of the generation network (GAN, generating partial discharge data through a Generative Adversarial Network; (b-2) inputting the partial discharge data generated in step (b-1) into the artificial intelligence model of the determination network by the determination requesting unit of the generation network to request determination of partial discharge data; and (b-3) when the determination requesting unit determines that the partial discharge data and the actual partial discharge data are true within a predetermined threshold as a result of the determination on the determination result, the partial discharge data enhancement unit converts the partial discharge data into the augmented partial discharge data. It is characterized in that it includes; step of utilizing.
더욱 바람직하게 상기 목적을 달성하기 위한 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법의 (b-2) 단계에서 상기 판정 의뢰부에 의한 판정결과에 대한 판단결과 상기 (b-1) 단계에서 생성한 부분방전 데이터가 실제 부분방전 데이터와 소정 임계치 내에 해당하지 않아 거짓인 것으로 판단한 경우, 상기 (b-1) 단계를 재수행하여, 부분방전 데이터를 재생성한 후, 부분방전 데이터 여부를 재판정 의뢰하는 것을 특징으로 한다.More preferably, in the step (b-2) of the method for augmenting partial discharge data of power facilities using a hostile generation network according to the present invention for achieving the above object, the determination result for the determination result by the determination requesting unit (b-1) ), if it is determined that the partial discharge data generated in step (b-1) is false because it does not correspond to the actual partial discharge data and a predetermined threshold, step (b-1) is performed again, the partial discharge data is regenerated, and the partial discharge data is checked. It is characterized by requesting a trial court.
더욱 바람직하게 상기 목적을 달성하기 위한 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법의 (a-3) 단계에서는 상기 (b-2)에서 부분방전 데이터 여부를 판정의뢰 한경우, 인공지능 모델을 이용하여 부분방전을 판정하는 것을 특징으로 한다.More preferably, in the step (a-3) of the method for augmenting partial discharge data of power facilities using a hostile generation network according to the present invention for achieving the above object, when the determination of whether partial discharge data is requested in (b-2), artificial It is characterized in that the partial discharge is determined using an intelligent model.
본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법은 부분방전 데이터를 적대적 생성망(GAN, Generative Adversarial Network)을 통해 학습하여 높은 유사도를 갖는 다량의 증강된 부분방전 데이터를 생성할 수 있는 효과가 있다.The method for augmenting partial discharge data for power facilities using a hostile generation network according to the present invention can generate a large amount of augmented partial discharge data with high similarity by learning the partial discharge data through a hostile generation network (GAN, Generative Adversarial Network). there is an effect
또한, 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법은 적은 수량의 부분방전 데이터로 다량의 부분방전 데이터 확보 가능한 효과가 있고 증강된 부분방전 데이터를 인공지능 판정 모델의 입력 데이터로 활용할 수 있는 효과가 있다.In addition, the method of augmenting partial discharge data for power facilities using a hostile generation network according to the present invention has the effect of securing a large amount of partial discharge data with a small amount of partial discharge data, and the augmented partial discharge data is used as input data of the AI decision model. There is an effect that can be used.
도 1은 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 시스템의 블록도 이다.
도 2는 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법의 플로우차트 이다.
도 3은 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강방법의 상세 플로우차트 이다.1 is a block diagram of a power facility partial discharge data augmentation system using a hostile generation network according to the present invention.
2 is a flowchart of a method for augmenting partial discharge data of power facilities using a hostile generation network according to the present invention.
3 is a detailed flowchart of a method for augmenting partial discharge data of power facilities using a hostile generation network according to the present invention.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. The terms or words used in the present specification and claims should not be construed as being limited to their ordinary or dictionary meanings, and the inventor may properly define the concept of the term in order to best describe his invention. Based on the principle that there is, it should be interpreted as meaning and concept consistent with the technical idea of the present invention.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가 장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Accordingly, the embodiments described in the present specification and the configurations shown in the drawings are only the most preferred embodiment of the present invention and do not represent all the technical spirit of the present invention, so they can be substituted at the time of the present application It should be understood that various equivalents and modifications may exist.
이하, 첨부된 도면을 참조하여 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법에 대해 설명한다.Hereinafter, with reference to the accompanying drawings, a method for augmenting power facility partial discharge data using a hostile generation network according to the present invention will be described.
먼저, 본 발명에 따른 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 시스템에 대해 도 1을 참조하여 간단히 설명한다.First, the power facility partial discharge data augmentation system using the hostile generation network according to the present invention will be briefly described with reference to FIG. 1 .
본 발명에 따른 적대적 생성망을 이용한 전력 설비 부분방전 데이터 증강 시스템은 판별망(Discriminator:100)과 생성망(Generator:200)을 포함한다.The power equipment partial discharge data augmentation system using the hostile generating network according to the present invention includes a discriminator (Discriminator: 100) and a generating network (Generator: 200).
상기 판별망(100)은 데이터 수집부(110), 학습부(120), 부분방전 판정부(130), 및 모델 갱신부(140)를 포함하여, 실제 부분방전 데이터를 수집하고 학습을 통한 지속적인 모델 갱신을 통해 상기 생성망(200)에서 의뢰한 부분방전 여부를 판정한다.The determination network 100 includes a data collection unit 110 , a learning unit 120 , a partial discharge determination unit 130 , and a model update unit 140 , and collects actual partial discharge data and continues through learning. It is determined whether the partial discharge requested by the generation network 200 is performed through the model update.
상기 생성망(200)은 초기 데이터 생성부(210), 판정 의뢰부(220), 및 부분방전 데이터 증강부(230)를 포함하고, 임의로 부분방전 이미지 데이터를 생성하여 실제 부분방전 데이터를 가지고 학습한 상기 판별망(100)에 의뢰하여 실제 부분방전 데이터와 설정된 유사도를 가질 때까지 부분방전 데이터를 생성하여 부분방전 데이터를 증강 시킨다.The generation network 200 includes an initial data generation unit 210 , a determination request unit 220 , and a partial discharge data augmentation unit 230 , arbitrarily generating partial discharge image data and learning with actual partial discharge data. The partial discharge data is augmented by generating partial discharge data until it has a set similarity with the actual partial discharge data by requesting the determination network 100 .
상술한 바와 같은 구성을 갖는 본 발명에 따른 적대적 생성망을 이용한 전력 설비 부분방전 데이터 증강 시스템에 의해 증강방법에 대해 설명한다.An augmentation method by the power facility partial discharge data augmentation system using the hostile generation network according to the present invention having the configuration as described above will be described.
상기 판별망(100)은 실제 부분방전 데이터를 수집하고 학습을 통한 지속적인 모델 갱신을 통해 의뢰한 부분방전 여부를 판정하는 단계를 수행한다(S100).The determination network 100 collects actual partial discharge data and performs a step of determining whether a requested partial discharge is performed through continuous model update through learning (S100).
상기 생성망(200)은 임의로 부분방전 이미지 데이터를 생성하여 실제 부분방전 데이터를 가지고 학습한 상기 판별망(100)에 의뢰하여 실제 부분방전 데이터와 설정된 유사도를 가질 때까지 부분방전 데이터를 생성하여 부분방전 데이터를 증강하는 단계를 수행한다(S200).The generating network 200 arbitrarily generates partial discharge image data, requests the determination network 100 that has been trained with the actual partial discharge data, and generates partial discharge data until it has a set similarity with the actual partial discharge data. A step of augmenting the discharge data is performed (S200).
먼저, 상기 판별망(100)의 데이터 수집부(110)는 부분방전 데이터를 수집하는 단계를 수행한다(S110).First, the data collection unit 110 of the determination network 100 performs a step of collecting partial discharge data (S110).
상기 부분방전이란 절연시스템에서 발생되는 국부적인 전기 방전 현상으로 고체 절연체 내부에서 발생하는 보이드(Void), 공극에서 발생하는 내부방전, 기체 절연체에서 전계집중 부위에 발생되는 코로나(Corona) 등의 종류가 있습니다. The partial discharge is a local electric discharge phenomenon that occurs in the insulation system. There are various types of voids occurring inside the solid insulator, internal discharges occurring in the voids, and corona generated at the electric field concentration in the gas insulator. There is.
상기 S110 단계에서 수집하는 부분방전 데이터는 상술한 바와 같은 부분방전이 발생하였을 때 이를 계측기를 통해 탐지하고 계측기가 자체적으로 노이즈 등을 제거하고 사람이 볼 수 있도록 시각화된 이미지 데이터를 의미합니다.The partial discharge data collected in step S110 means the image data visualized so that when a partial discharge as described above occurs, it is detected through the instrument, the instrument removes noise, etc., and can be viewed by humans.
상기 판별망(100)의 학습부(120)는 상기 S110 단계에서 수집한 부분방전 데이터를 기반으로 부분방전 판단 유형을 학습단계를 수행한다(S120).The learning unit 120 of the determination network 100 performs a learning step on the partial discharge determination type based on the partial discharge data collected in the step S110 (S120).
즉, 상기 학습부(120)는 상기 S110 단계에서 수집한 부분방전 데이터를 전력 설비 진단 전문가가 이미지 형태(Shape)를 육안으로 분석하고 판정하여 분류해놓은 부분방전 유형(보이드, 코로나, 내부방전 등)을 입력데이터로 학습을 진행한다.That is, the learning unit 120 is a partial discharge type (void, corona, internal discharge, etc.) in which the partial discharge data collected in step S110 is classified by a power facility diagnosis expert visually analyzing and determining the image shape. is trained with the input data.
다음으로, 상기 부분방전 판정부(130)는 상기 생성망(200)에서 판정의뢰가 입력되면, 부분방전을 판정하는 인공지능 모델을 이용하여 부분방전을 판정하는 단계를 수행한다(S130).Next, when a determination request is input from the generation network 200, the partial discharge determination unit 130 determines the partial discharge using an artificial intelligence model for determining the partial discharge (S130).
특히, 상기 부분방전 판정부(130)는 상기 부분방전 유형(보이드, 코로나, 내부방전 등)을 입력데이터로 사용하여 이미지 분류에 최적화된 성능을 보이는 CNN(Convolution Neural Network)기반의 인공신경망 모델을 이용하여 부분방전을 판정한다.In particular, the partial discharge determination unit 130 uses the partial discharge type (void, corona, internal discharge, etc.) as input data and shows a CNN (Convolution Neural Network)-based artificial neural network model that shows optimized performance for image classification. Use to determine partial discharge.
상기 부분방전 판정부(130)는 부분방전 판정에 따른 결과를 상기 생성망(200)에 피드백해 준다.The partial discharge determination unit 130 feeds back a result according to the partial discharge determination to the generation network 200 .
한편, 상기 판별망(100)의 모델 갱신부(140)는 부분방전 판정 모델을 갱신하는 단계를 수행한다(S140).On the other hand, the model update unit 140 of the determination network 100 performs the step of updating the partial discharge determination model (S140).
보다 구체적으로, 상기 모델 갱신부(140)는 상기 S120 단계에서 학습된 학습데이터가 수집되면 상기 S130 단계의 인공지능 모델을 재학습하여 새로운 부분방전 데이터 유형을 반영함으로써 부분방전 판정 모델을 갱신한다.More specifically, when the learning data learned in step S120 is collected, the model update unit 140 re-learns the artificial intelligence model of step S130 to reflect the new partial discharge data type to update the partial discharge determination model.
즉, 새로운 일정수량의 학습데이터가 수집되면 상기 S130 단계의 모델을 재학습하여 새로운 부분방전 데이터 유형을 반영한다.That is, when a new predetermined amount of learning data is collected, the model of step S130 is re-learned to reflect the new partial discharge data type.
상술한 모델을 재학습한다는 것은 모델이 가지고 있는 뉴런들의 가중치를 조정한다는 의미이다.Retraining the above-described model means adjusting the weights of neurons in the model.
상술한 바와 같이 상기 판별망(100)은 상기 S110 내지 S140 단계를 통해 실제 부분방전 데이터를 수집하고 학습을 통한 지속적인 모델 갱신을 통해 상기 생성망(200)에서 의뢰한 부분방전 여부를 판정한다.As described above, the determination network 100 collects the actual partial discharge data through the steps S110 to S140 and determines whether the partial discharge requested by the generating network 200 is continuously updated through learning.
한편, 상기 생성망(200)의 초기 데이터 생성부(210)는 적대적 생성망(GAN, Generative Adversarial Network)의 작동원리에 따라 랜덤 값을 기반으로 부분방전 데이터를 생성하는 단계를 수행한다(S210). Meanwhile, the initial data generating unit 210 of the generating network 200 performs a step of generating partial discharge data based on a random value according to the operation principle of a Generative Adversarial Network (GAN) (S210) .
상기 S210 단계에서 초기 랜덤 값을 주는 이유는 매번 다른 데이터가 나오도록 하기 위한 것이다. The reason for giving the initial random value in step S210 is to ensure that different data is generated each time.
다음으로, 상기 생성망(200)의 판정 의뢰부(220)는 상기 S210 단계에서 생성된 부분방전 데이터를 상기 판별망(100)의 인공지능 모델에 입력하여 부분방전 데이터 여부를 의뢰하는 단계를 수행한다(S220).Next, the determination requesting unit 220 of the generating network 200 performs the step of requesting whether partial discharge data by inputting the partial discharge data generated in step S210 into the artificial intelligence model of the determination network 100 . do (S220).
상기 S220 단계에서 상기 판정 의뢰부(220)는 판정의뢰 후, 판정결과에 대해 피드백을 받으면서 판정결과가 참인지 여부를 판단하는 단계를 더 수행한다.In step S220, the determination requesting unit 220 further performs a step of determining whether the determination result is true while receiving feedback on the determination result after the determination request.
즉, 적대적 생성망 중 상기 생성망(Generator:200)은 PD 데이터와 동일한 규격의 N by M(N x M) 크기의 이미지를 생성하게 되는데 초기 랜덤한 값으로 N x M 배열을 결정하고 이를 상기 판별망(100)에 반복적으로 판정 의뢰하여 그 결과를 참에 가깝도록 학습을 진행한다.That is, among the hostile generation networks, the Generator 200 generates an N by M (N × M) sized image of the same standard as the PD data. An N × M array is determined as an initial random value, and the By repeatedly requesting the determination network 100 to determine the result, learning is carried out so that the result is close to true.
상기 S220 단계에서 상기 판정 의뢰부(220)에 의한 판정결과에 대한 판단결과 실제 부분방전 데이터와 소정 임계치 내에 해당하여 참인 것으로 판단한 경우, 상기 부분방전 데이터 증강부(230)는 부분방전으로 판정된 데이터를 증강된 부분방전 데이터로 활용하는 단계를 수행한다(S230).When it is determined that the determination result by the determination requesting unit 220 is true because it falls within a predetermined threshold and the actual partial discharge data as a result of determination in step S220, the partial discharge data enhancement unit 230 provides the partial discharge data to perform the step of utilizing as the augmented partial discharge data (S230).
상기 S220 단계에서 상기 판정 의뢰부(220)에 의한 판정결과에 대한 판단결과 참으로 판단되었다는 의미는 상기 판별망(100)에 입력데이터로 사용된 실제 부분방전 데이터와 상기 생성망(200)의 초기 데이터 생성부(210)에서 생성된 부분방전 데이터가 높은 유사도로 생성되었다는 의미이다.In step S220 , the determination result of the determination result by the determination requesting unit 220 means that the determination result is true, and the actual partial discharge data used as input data to the determination network 100 and the initial stage of the generation network 200 . This means that the partial discharge data generated by the data generator 210 is generated with a high degree of similarity.
즉, 상기 부분방전 판정 모델이 전문가가 육안으로 분석했을 때 실제 부분방전 데이터와 상기 생성망(200)을 통해 생성된 부분방전 데이터를 높은 확률로 구분하지 못한다는 의미이다.That is, when the partial discharge determination model is visually analyzed by an expert, it means that the actual partial discharge data and the partial discharge data generated through the generation network 200 cannot be distinguished with high probability.
상기 S220 단계에서 상기 판정 의뢰부(220)에 의한 판정결과에 대한 판단결과 실제 부분방전 데이터와 소정 임계치 내에 해당하지 않아 거짓인 것으로 판단한 경우, 상기 S210 단계를 다시 수행하여, 부분방전 데이터를 재생성한 후, 부분방전 데이터 여부를 다시 판정한다.If it is determined in step S220 that it is false because the determination result of the determination result by the determination requesting unit 220 does not fall within the predetermined threshold value with the actual partial discharge data, the partial discharge data is regenerated by performing the step S210 again. After that, it is determined again whether partial discharge data is present.
즉, 상기 생성망(200)은 상기 S210 단계 내지 S230 단계를 통해 임의의 입력데이터를 생성하고 이를 상기 판별망(100)에 의뢰하여, 해당 판별망(100)의 추론 결과 참으로 확인될 때까지 데이터를 생성하여 실제 부분방전 데이터와 높은 유사도를 갖는 부분방전 데이터를 생성한다.That is, the generation network 200 generates arbitrary input data through steps S210 to S230 and requests it to the determination network 100 until the inference result of the determination network 100 is confirmed to be true. By generating data, partial discharge data having a high similarity to actual partial discharge data is generated.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.In the above, the technical idea of the present invention has been described along with the accompanying drawings, but this is an exemplary description of a preferred embodiment of the present invention and does not limit the present invention. In addition, it is clear that various modifications and imitations are possible without departing from the scope of the technical spirit of the present invention by anyone having ordinary knowledge in the technical field to which the present invention belongs.
100 : 판별망(Discriminator)
110 : 데이터 수집부
120 : 학습부
130 : 부분방전 판정부
140 : 모델 갱신부
200 : 생성망(Generator)
210 : 초기 데이터 생성부
220 : 판정 의뢰부
230 : 부분방전 데이터 증강부100: Discriminator
110: data collection unit
120: study department
130: partial discharge determination unit
140: model update unit
200: Generator
210: initial data generation unit
220: judgment request unit
230: partial discharge data augmentation unit
Claims (5)
(b) 생성망이 임의로 부분방전 이미지 데이터를 생성하여 상기 판별망에 의뢰한 후, 실제 부분방전 데이터와 설정된 유사도를 가지는 부분방전 데이터를 증강된 부분방전 데이터로 활용하는 단계;를 포함하고,
상기 (b)단계는
(b-1) 상기 생성망의 초기 데이터 생성부가 적대적 생성망(GAN, Generative Adversarial Network)을 통해 부분방전 데이터를 생성하는 단계;
(b-2) 상기 생성망의 판정 의뢰부가 상기 (b-1) 단계에서 생성된 부분방전 데이터를 상기 판별망의 인공지능 모델에 입력하여 부분방전 데이터 여부를 판정의뢰하는 단계; 및
(b-3) 상기 판정 의뢰부가 판정결과에 대한 판단결과 실제 부분방전 데이터와 소정 임계치 내에 해당하여 참인 것으로 판단한 경우, 증강된 부분방전 데이터로 활용하는 부분방전 데이터 증강부가 부분방전으로 판정된 데이터를 증강된 부분방전 데이터로 활용하는 단계;를 포함하되,
상기 (b-2) 단계에서 상기 판정 의뢰부에 의한 판정결과에 대한 판단결과 상기 (b-1) 단계에서 생성한 부분방전 데이터가 실제 부분방전 데이터와 소정 임계치 내에 해당하지 않아 거짓인 것으로 판단한 경우, 상기 (b-1) 단계를 재수행하여, 부분방전 데이터를 재생성한 후, 부분방전 데이터 여부를 재판정 의뢰하는 것을 특징으로 하는 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법.
(a) determining whether or not a partial discharge is present while the determination network collects actual partial discharge data and continuously updates the model through learning; and
(b) the generation network randomly generates partial discharge image data and requests the determination network, and then utilizes partial discharge data having a set similarity with actual partial discharge data as augmented partial discharge data;
Step (b) is
(b-1) generating, by an initial data generator of the generating network, partial discharge data through a Generative Adversarial Network (GAN);
(b-2) inputting the partial discharge data generated in step (b-1) into the AI model of the determination network by the determination requesting unit of the generation network to request determination of partial discharge data; and
(b-3) When the determination requesting unit determines that it is true because it falls within a predetermined threshold and the actual partial discharge data as a result of the determination on the determination result, the partial discharge data enhancement unit used as the augmented partial discharge data compares the data determined as partial discharge Including; using as augmented partial discharge data;
When it is determined that the partial discharge data generated in step (b-1) is false because the partial discharge data generated in step (b-1) does not fall within a predetermined threshold as a result of the determination of the determination result by the determination requesting unit in step (b-2) , re-performing the step (b-1), regenerating the partial discharge data, and then requesting a re-judgment whether the partial discharge data is present. A method for augmenting partial discharge data of power facilities using a hostile generation network.
상기 (a)단계는
(a-1) 상기 판별망의 데이터 수집부가 실제 부분방전 데이터를 수집하는 단계;
(a-2) 상기 판별망의 학습부가 상기 (a-1) 단계에서 수집한 부분방전 데이터를 기반으로 부분방전 판단 유형을 학습단계;
(a-3) 상기 판별망의 부분방전 판정부가 부분방전을 판정하는 인공지능 모델을 이용하여 부분방전을 판정하는 단계; 및
(a-4) 상기 판별망의 모델 갱신부는 상기 (a-2) 단계에서 학습된 부분방전 데이터를 반영하여 부분방전 판정 모델을 갱신하는 단계;를 포함하는 것을 특징으로 하는 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법.
The method of claim 1,
Step (a) is
(a-1) collecting actual partial discharge data by the data collection unit of the determination network;
(a-2) learning the partial discharge determination type based on the partial discharge data collected in the step (a-1) by the learning unit of the determination network;
(a-3) determining the partial discharge using an artificial intelligence model for determining the partial discharge by the partial discharge determining unit of the determination network; and
(a-4) updating the partial discharge determination model by reflecting the partial discharge data learned in the step (a-2), by the model updating unit of the determination network; A method of augmenting equipment partial discharge data.
상기 (a-3) 단계에서는 상기 (b-2)에서 부분방전 데이터 여부를 판정의뢰 한경우, 인공지능 모델을 이용하여 부분방전을 판정하는 것을 특징으로 하는 적대적 생성망을 이용한 전력설비 부분방전 데이터 증강 방법.3. The method of claim 2,
In step (a-3), when the determination of whether partial discharge data is requested in (b-2) above, partial discharge data augmentation of power facilities using a hostile generation network, characterized in that the partial discharge is determined using an artificial intelligence model Way.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190169478A KR102274995B1 (en) | 2019-12-18 | 2019-12-18 | Method for augmentation partial discharge data using generative adversarial network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190169478A KR102274995B1 (en) | 2019-12-18 | 2019-12-18 | Method for augmentation partial discharge data using generative adversarial network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210077944A KR20210077944A (en) | 2021-06-28 |
| KR102274995B1 true KR102274995B1 (en) | 2021-07-08 |
Family
ID=76607768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190169478A KR102274995B1 (en) | 2019-12-18 | 2019-12-18 | Method for augmentation partial discharge data using generative adversarial network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102274995B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114609493B (en) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | Partial discharge signal identification method with enhanced signal data |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101762356B1 (en) | 2015-08-11 | 2017-07-28 | 한전케이디엔주식회사 | Apparatus for partial dishcarge detection to power equipment |
| KR102149132B1 (en) * | 2017-11-28 | 2020-08-31 | 공주대학교 산학협력단 | Apparatus for generating adversarial example in deep learning environment and method thereof, computer program |
-
2019
- 2019-12-18 KR KR1020190169478A patent/KR102274995B1/en active IP Right Grant
Non-Patent Citations (2)
| Title |
|---|
| Sonia Barrios 외 4인, 'Partial Discharge Classification Using Deep Learning Methods-Survey of Recent Progress', Energies, 2019.06.27.* |
| Xuhong Wang 외 3인, 'Partial Discharge Pattern Recognition with Data Augmentation based on Generative Adversarial Networks' IEEE, 2018. |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210077944A (en) | 2021-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101822829B1 (en) | Method of identifying partial discharge and noise of switchgear using machine learning | |
| CN109492582B (en) | Image recognition attack method based on algorithm adversarial attack | |
| CN104217216B (en) | Generate method and apparatus, the method and apparatus for detecting target of detection model | |
| CN111585948B (en) | Intelligent network security situation prediction method based on power grid big data | |
| EP3460494B1 (en) | A method and apparatus for automatic detection of a fault type | |
| CN108965001B (en) | Method and device for evaluating vehicle message data model | |
| CN111783442A (en) | Intrusion detection method, device, server and storage medium | |
| CN109902018B (en) | Method for acquiring test case of intelligent driving system | |
| KR102291869B1 (en) | Method and apparatus for anomaly detection of traffic pattern | |
| CN109389181B (en) | Association rule generation method and device for power grid abnormal event | |
| CN110691073A (en) | Industrial control network brute force cracking flow detection method based on random forest | |
| KR102274995B1 (en) | Method for augmentation partial discharge data using generative adversarial network | |
| Yan et al. | A hybrid genetic/BP algorithm and its application for radar target classification | |
| KR102229638B1 (en) | Apparatus and method for predicting failure | |
| Tan et al. | A novel intuitionistic fuzzy inhibitor arc Petri net with error back propagation algorithm and application in fault diagnosis | |
| Chandra | Adaptive problem decomposition in cooperative coevolution of recurrent networks for time series prediction | |
| Huang et al. | testrnn: Coverage-guided testing on recurrent neural networks | |
| KR20090027921A (en) | Automatic gis partial discharge identification method | |
| CN115913764A (en) | Malicious domain name training data generation method based on generation of countermeasure network | |
| EP1382976A1 (en) | Method of processing test patterns for an integrated circuit | |
| US20110310768A1 (en) | Method and apparatus for modeling network traffic | |
| Kashyap et al. | High speed receiver modeling using generative adversarial networks | |
| Alshumayri et al. | Distribution grid fault diagnostic employing Hilbert-Huang transform and neural networks | |
| CN110990835A (en) | Neural network Trojan horse detection method based on sample judgment error | |
| Lei et al. | A genetic training algorithm of wavelet neural networks for fault prognostics in condition based maintenance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |