KR102389439B1 - RNN based partial discharge detection apparatus and method in gas-insulated switchgear - Google Patents
RNN based partial discharge detection apparatus and method in gas-insulated switchgear Download PDFInfo
- Publication number
- KR102389439B1 KR102389439B1 KR1020200039343A KR20200039343A KR102389439B1 KR 102389439 B1 KR102389439 B1 KR 102389439B1 KR 1020200039343 A KR1020200039343 A KR 1020200039343A KR 20200039343 A KR20200039343 A KR 20200039343A KR 102389439 B1 KR102389439 B1 KR 102389439B1
- Authority
- KR
- South Korea
- Prior art keywords
- partial discharge
- deep learning
- signal
- learning model
- training data
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
- H02B13/02—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle with metal casing
- H02B13/035—Gas-insulated switchgear
- H02B13/065—Means for detecting or reacting to mechanical or electrical defects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Testing Relating To Insulation (AREA)
Abstract
딥러닝 기반 부분방전 진단 장치 및 그 방법이 개시된다. 부분 방전 진단 방법은 부분 방전 신호를 입력받아 거리에 따른 주파수 응답 특성을 고려하여 복수의 가상 부분 방전 신호를 생성하는 단계; 및 상기 부분 방전 신호와 복수의 가상 부분 방전 신호를 딥러닝 모델에 적용하여 부분 방전 특징을 추출하여 학습하는 단계를 포함한다. A deep learning-based partial discharge diagnosis apparatus and method are disclosed. The partial discharge diagnosis method includes the steps of: receiving a partial discharge signal and generating a plurality of virtual partial discharge signals in consideration of frequency response characteristics according to distance; and applying the partial discharge signal and a plurality of virtual partial discharge signals to a deep learning model to extract and learn partial discharge characteristics.
Description
본 발명은 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법에 관한 것이다. The present invention relates to a deep learning-based partial discharge diagnosis apparatus and method for a gas insulated switchgear.
전력 시스템은 전력 수요가 증가함에 따라 인기가 급격히 증가하고 있으며 전력망의 신뢰성은 안정적인 전력 시스템 작동에 중요하다. 변전소에 적용되는 가스절연개폐장치(GIS)는 전력 시설의 주요 보호 장치이다. 이러한 GIS는 정상적인 개폐는 물론 고장 발생시 과도한 전류를 신속하게 차단하여 전력 시스템을 보호할 수 있다. GIS의 경우 고장이 발생하고 과전류가 발생하면 대규모 영향을 미치며 사고를 복구하는 데 오랜 시간이 걸리며, 또한 정전 시간이 길어진다. GIS의 절연 파괴를 유발하는 다양한 이상은 절연 파괴 전에 부분 방전을 유발한다. 따라서 고장을 피하고 높은 신뢰성과 안전성을 보장하기 위해 GIS에서 부분 방전(PD)을 감지하는 것이 중요하다. GIS에서 PD를 검출하기 위해 다양한 전기적, 기계적, 화학적 방법이 사용되었다. Power systems are rapidly increasing in popularity as demand for power increases, and the reliability of the power grid is important for reliable power system operation. The gas insulated switchgear (GIS) applied to the substation is the main protection device of the power facility. Such GIS can protect the power system by quickly shutting off excessive current in case of failure as well as normal opening and closing. In the case of GIS, when a fault occurs and an overcurrent occurs, it has a large-scale effect, takes a long time to recover from the accident, and also increases the power outage time. Various anomalies that cause dielectric breakdown in GIS cause partial discharge before breakdown. Therefore, it is important to detect partial discharge (PD) in GIS to avoid failure and ensure high reliability and safety. Various electrical, mechanical, and chemical methods have been used to detect PD in GIS.
GIS에서 PD의 특성을 조사하기 위해, TRPD (Time-resolved PD) 및 PRPD (phase-resolved PD) 분석이 연구되었다. TRPD 기반 방법은 PD 펄스의 시간 영역 특징, PD 펄스의 주파수 영역 특징 및 PD 펄스의 시간 영역 및 주파수 영역 특징을 분석하는 방법이다. PRPD 기반 진단 방법은 위상 진폭 수 측정을 분석한다. PD 펄스 수, 최대 진폭 또는 각 위상의 평균 진폭을 분석하여 오류 유형을 식별한다. To investigate the characteristics of PD in GIS, time-resolved PD (TRPD) and phase-resolved PD (PRPD) analyzes were studied. The TRPD-based method is a method of analyzing time-domain characteristics of PD pulses, frequency-domain characteristics of PD pulses, and time-domain and frequency-domain characteristics of PD pulses. The PRPD-based diagnostic method is the number of phase amplitudes Analyze the measurements. The type of error is identified by analyzing the number of PD pulses, the maximum amplitude, or the average amplitude of each phase.
종래의 경우 결함 유형은 지식 기반 퍼지 로직 분석 및 K-평균 군집 분석, 인공신경망(ANN)과 같은 기계 학습 기술을 이용하여 분류되었다. 이러한 종래 기술은 데이터를 활용한 특징 추출기와 고장 진단을 위한 분류기가 개별적으로 구성되는 문제점이 있었다. In the conventional case, defect types were classified using knowledge-based fuzzy logic analysis, K-means cluster analysis, and machine learning techniques such as artificial neural networks (ANNs). The prior art has a problem in that a feature extractor using data and a classifier for fault diagnosis are individually configured.
본 발명은 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법을 제공하기 위한 것이다. The present invention provides a deep learning-based partial discharge diagnostic device and method for gas insulated switchgear that can extract accurate features and improve diagnostic performance by simultaneously performing signal feature extraction and classification for fault diagnosis using deep learning techniques is to provide
본 발명의 일 측면에 따르면, 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치가 제공된다. According to one aspect of the present invention, deep learning-based partial discharge for gas insulated switchgear that can extract accurate features and improve diagnostic performance by simultaneously performing signal feature extraction and classification for fault diagnosis using deep learning techniques A diagnostic device is provided.
본 발명의 일 실시예에 따르면, 각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 획득부; 및 상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 부분방전 진단부를 포함하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치가 제공될 수 있다. According to an embodiment of the present invention, there is provided a device comprising: an acquisition unit configured to acquire a phase resolved partial discharge (PRPD) signal within each power cycle; And a deep learning-based part for gas insulated switchgear including a partial discharge diagnosis unit that applies the phase decomposition partial discharge signal to the learned deep learning model to extract signal feature values and determine whether there is a failure through classification for failure diagnosis A discharge diagnostic device may be provided.
상기 딥러닝 모델은 복수 계층으로 구성된 장단기 메모리(LSTM: Long Short-Term Memory) 셀을 이용하여 다-대-일(many-to-one) 구조의 RNN 구조로 형성되되, 각각의 LSTM 셀은 지움 게이트(forget gate), 입력 게이트, 외부 출력 게이트 및 출력 게이트로 구성된 4개의 히든 게이트에 의해 이전 단계의 시퀀스를 갱신, 유지 또는 덮어 쓸지 여부를 결정할 수 있다.The deep learning model is formed in a many-to-one RNN structure using Long Short-Term Memory (LSTM) cells composed of multiple layers, but each LSTM cell is erased. Four hidden gates, consisting of a forget gate, an input gate, an external output gate, and an output gate, can determine whether to update, retain or overwrite the sequence of the previous steps.
상기 딥러닝 모델은 하기 비용 함수를 최소화하도록 학습되되,The deep learning model is trained to minimize the following cost function,
여기서, 는 집합의 크기를 나타내며, G는 학습 데이터를 나타내며, 는 g번째 학습 데이터의 손실값을 나타낸다. here, denotes the size of the set, G denotes the training data, represents the loss value of the g-th training data.
상기 부분방전 진단부는 각 전력 주기의 상 분해 부분 방전 신호를 정해진 크기로 슬라이싱하여 중첩하여 훈련 데이터를 생성한 후 상기 훈련 데이터를 이용하여 상기 딥러닝 모델을 훈련할 수 있다. The partial discharge diagnostic unit may generate training data by slicing and overlapping the phase-decomposed partial discharge signal of each power cycle to a predetermined size, and then train the deep learning model using the training data.
본 발명의 다른 측면에 따르면, 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법 및 그 방법을 수행하기 위한 기록매체가 제공된다. According to another aspect of the present invention, deep learning-based partial discharge for gas insulated switchgear that can extract accurate features and improve diagnostic performance by simultaneously performing signal feature extraction and classification for fault diagnosis using deep learning techniques A diagnostic method and a recording medium for performing the method are provided.
본 발명의 일 실시예에 따르면, 각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 단계; 및 상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 단계를 포함하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법이 제공될 수 있다. According to an embodiment of the present invention, there is provided a method comprising: obtaining a phase resolved partial discharge (PRPD) signal within each power cycle; And Deep learning-based partial discharge diagnosis for gas insulated switchgear comprising the step of applying the phase-resolved partial discharge signal to the learned deep learning model to extract signal feature values and determining whether a failure occurs through classification for failure diagnosis A method may be provided.
본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법을 제공함으로써, 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있다.By providing a deep learning-based partial discharge diagnosis apparatus and method for a gas insulated switchgear according to an embodiment of the present invention, an accurate characteristic is obtained by simultaneously performing a signal feature extraction and a classification for fault diagnosis using a deep learning technique Extract and improve diagnostic performance.
도 1은 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법을 나타낸 순서도.
도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 도시한 도면.
도 3은 본 발명의 일 실시예에 따른 LSTM 모듈의 구조를 도시한 도면.
도 4는 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치의 내부 구성을 개략적으로 도시한 블록도.
도 5는 종래와 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법의 분류 성능을 비교한 결과를 도시한 도면.1 is a flowchart illustrating a deep learning-based partial discharge diagnosis method for a gas insulated switchgear according to an embodiment of the present invention.
Figure 2 is a diagram showing a deep learning model according to an embodiment of the present invention.
3 is a diagram showing the structure of an LSTM module according to an embodiment of the present invention.
4 is a block diagram schematically showing the internal configuration of a deep learning-based partial discharge diagnostic device for a gas insulated switchgear according to an embodiment of the present invention.
5 is a view showing a comparison result of classification performance of a deep learning-based partial discharge diagnosis method for a switch insulation switchgear according to an embodiment of the present invention with the conventional one.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.As used herein, the singular expression includes the plural expression unless the context clearly dictates otherwise. In this specification, terms such as "consisting of" or "comprising" should not be construed as necessarily including all of the various components or various steps described in the specification, some of which components or some steps are It should be construed that it may not include, or may further include additional components or steps. In addition, terms such as "...unit" and "module" described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software, or a combination of hardware and software. .
이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법을 나타낸 순서도이고, 도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 도시한 도면이며, 도 3은 본 발명의 일 실시예에 따른 LSTM 모듈의 구조를 도시한 도면이다. 1 is a flowchart illustrating a deep learning-based partial discharge diagnosis method for a gas insulated switchgear according to an embodiment of the present invention, and FIG. 2 is a view showing a deep learning model according to an embodiment of the present invention, FIG. 3 is a diagram illustrating the structure of an LSTM module according to an embodiment of the present invention.
단계 110에서 부분 방전 진단 장치(100)는 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge, 이하 PRPD라 칭하기로 함)를 획득한다. In
예를 들어, 부분 방전 진단 장치(100)는 UHF 센서를 활용하여 PRPD 신호를 획득할 수 있다. For example, the partial
단계 115에서 부분 방전 진단 장치(100)는 PRPD 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단한다. In
이에 대해 보다 상세히 설명하기로 한다. This will be described in more detail.
m번째 전력 주기에서의 PRPD 신호는 수학식 1과 같이 정의될 수 있다. The PRPD signal in the m-th power cycle may be defined as in Equation (1).
여기서, 이고, 은 전력 주기내에서 데이터 포인트의 수를 나타낸다. here, ego, denotes the number of data points in a power cycle.
도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 도시한 도면이다. 본 발명의 일 실시예에서는 딥러닝 모듈이 RNN 기반 모듈인 것을 가정하여 이를 중심으로 설명하기로 한다. 2 is a diagram illustrating a deep learning model according to an embodiment of the present invention. In an embodiment of the present invention, it is assumed that the deep learning module is an RNN-based module and will be mainly described.
일반적인 RNN 구조의 경우, 경사도 기법으로 기울기를 구할 때, 롱-텀 의존도(long-term dependences)에 의해 기울기 값이 기하급수적으로 작아지기 때문에 네트워크의 비용 함수를 최소화하는데 어려움이 있다. In the case of a general RNN structure, it is difficult to minimize the cost function of the network because the gradient value becomes exponentially smaller due to long-term dependences when the gradient is calculated using the gradient method.
본 발명의 일 실시예에 따른 RNN 구조는 다-대-일(many-to-one) 모델이며 LSTM 기반으로 딥러닝의 표현 학습을 수행할 수 있다. The RNN structure according to an embodiment of the present invention is a many-to-one model and can perform expression learning of deep learning based on LSTM.
LSTM 모듈의 구조는 도 3에 도시되어 있다. The structure of the LSTM module is shown in FIG. 3 .
l번째 계층의 m-번째 LSTM 모듈의 입력은 로 구성된다. 여기서, 는 이전 레이어(l-1)의 m번째 LSTM 모듈의 출력이며, 과 은 계층 l번째 계층의 (m-1)번째 LSTM 모듈의 출력이다. The input of the m-th LSTM module of the l-th layer is is composed of here, is the output of the mth LSTM module of the previous layer (l-1), class is the output of the (m-1)-th LSTM module of the l-th layer.
계층 l의 m번째 LSTM 모듈의 히든 상태(hidden states)는 수학식 2 내지 수학식 7과 같이 나타낼 수 있다. Hidden states of the m-th LSTM module of layer l may be expressed as Equations 2 to 7.
여기서, 는 N x N 가중치 행렬을 나타내고, 는 N x 1 바이어스 벡터를 나타내며, 는 각 요소별 곱을 나타내고, 는 시그모이드 활성화 함수를 나타내며, 는 하이퍼볼릭 탄젠트 활성화 함수를 나타내고, 는 합성(concatenation) 함수를 나타낸다. here, denotes an N x N weight matrix, represents the N x 1 bias vector, represents the product of each element, represents the sigmoid activation function, denotes the hyperbolic tangent activation function, denotes a concatenation function.
첫 번째 레이어의 경우 LSTM 블록의 입력은 과 같은 PRPD 벡터이다. 여기서, 이다. LSTM 모델은 4개의 히든 레이어()를 사용하여 정보 흐름을 조정함으로써 롱-텀 의존성 문제를 피할 수 있다. 여기서, 각 게이트는 셀 상태() 내의 정보 흐름을 제어할 수 있다. For the first layer, the input of the LSTM block is It is a PRPD vector such as here, am. The LSTM model has four hidden layers ( ) to avoid the long-term dependency problem by coordinating the information flow. Here, each gate is a cell state ( ) can control the flow of information in
는 셀 상태로부터 불필요한 정보가 무언인지 결정할 수 있는 지움 게이트(forget gate)이다. is a forget gate that can determine what unnecessary information is from the cell state.
는 셀 상태의 값이 갱신되어야 할지를 결정할 수 있는 입력 게이트이다. is the input gate that can determine whether the value of the cell state should be updated.
는 외부 상태에 추가될 수 있는 새로운 후보값을 출력하는 출력 게이트이다. is an output gate that outputs a new candidate value that can be added to an external state.
는 수학식 2와 같이 각 단계 사이에서 셀 상태를 수정하는데 사용될 수 있다. can be used to modify the cell state between each step as shown in Equation (2).
는 출력 게이트로, 현재 셀 상태의 어느 부분이 출력되어야 할지를 결정하는 필터 역할을 한다. is the output gate, which acts as a filter to determine which part of the current cell state should be output.
셀 상태는 를 통해 입력되고, 수학식 3과 같이 현재 단계의 히든 상태()이 되도록 를 통해 필터될 수 있다. the cell state is input through, and as shown in Equation 3, the hidden state of the current stage ( ) to be can be filtered through.
K 클래스에 대한 출력 y는 수학식 8과 같이 마지막 LSTM 계층의 z와 관련된다. The output y for class K is related to z of the last LSTM layer as in Equation (8).
여기서, 는 K x N 가중치 행렬이며, 는 K x 1 바이어스 벡터이고, 는 소프트맥스 함수를 나타낸다. here, is a K x N weight matrix, is the K x 1 bias vector, represents the softmax function.
수학식 8에서 출력 y의 j번째 요소는 결함이 K인 클래스에서 j번째 카테고리로 인식될 확률을 나타내며, 수학식 9와 같이 정의될 수 있다. In Equation (8), the j-th element of the output y represents the probability that the defect is recognized as the j-th category in the K class, and can be defined as in Equation (9).
본 발명의 일 실시예에 따른 LSTM RNN의 파라미터는 수학식 10과 같은 비용 함수를 최소화하기 위한 학습 데이터를 통해 학습될 수 있다. The parameters of the LSTM RNN according to an embodiment of the present invention may be learned through training data for minimizing a cost function as in Equation (10).
여기서, 는 집합의 크기를 나타내고, 는 g번째 학습 데이터의 손실 값을 나타낸다. 수학식 10에서 는 본 발명의 일 실시예에 따른 LSTM RNN 모델이 얼마나 정확하게 학습 데이터의 라벨 벡터를 예측했는지를 측정한다. here, represents the size of the set, represents the loss value of the g-th training data. in Equation 10 is how accurately the LSTM RNN model according to an embodiment of the present invention Measures whether the label vector was predicted.
손실 함수를 최소화하기 위해, AdaGrad, AdaDelta 및 Adam 옵티 마이저와 같은 구배 하강법의 많은 변형이 연구되어 왔다. 이러한 옵티마이저는 학습 기능을 적응적으로 변경하여 손실 함수를 적절히 최소화할 수 있다. 본 발명의 일 실시예에서는 Adam 최적화 알고리즘이 딥러닝 모델을 훈련하기 위한 손실 함수로서 이용될 수 있다. To minimize the loss function, many modifications of gradient descent methods such as AdaGrad, AdaDelta and Adam optimizer have been studied. Such an optimizer can adaptively change the learning function to appropriately minimize the loss function. In an embodiment of the present invention, the Adam optimization algorithm may be used as a loss function for training a deep learning model.
도 4는 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치의 내부 구성을 개략적으로 도시한 블록도이다. 4 is a block diagram schematically illustrating an internal configuration of a deep learning-based partial discharge diagnostic apparatus for a gas insulated switchgear according to an embodiment of the present invention.
도 4를 참조하면, 본 발명의 일 실시예에 다른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치(100)는 획득부(410), 부분방전 진단부(420), 메모리(430) 및 프로세서(440)를 포함하여 구성된다. Referring to FIG. 4 , a deep learning-based partial
획득부(410)는 각 전력주기내의 PRPD 신호를 획득하기 위한 신호이다.The
예를 들어, 획득부(410)는 각 전력주기내에서 전력신호를 샘플링하여 PRPD 신호를 획득할 수 있다. 이때, 획득부(410)는 1/60초 샘플링을 수행할 수 있으며, 이로 인해 128 샘플을 가지는 PRPD 신호를 획득할 수 있다. For example, the
부분방전 진단부(420)는 PRPD 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고, 고장진단을 위한 분류를 통해 고장 여부를 판단할 수 있다. The partial
이에 대해서는 도 1에서 설명한 바와 동일하므로 중복되는 설명은 생략하기로 한다.Since this is the same as that described in FIG. 1 , a redundant description thereof will be omitted.
메모리(430)는 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법을 수행하기 위한 프로그램 코드(또는 명령어들)을 저장하기 위한 수단이다. The
프로세서(440)는 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치(100)의 내부 구성 요소들(예를 들어, 획득부(410), 부분방전 진단부(420), 메모리(430) 등)을 제어하기 위한 수단이다. The
도 5는 종래와 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법의 분류 성능을 비교한 결과이다. 5 is a comparison result of classification performance of a deep learning-based partial discharge diagnostic method for a switch insulation switchgear according to an embodiment of the present invention with the conventional one.
본 발명의 일 실시예에 따른 부분 방전 진단 장치가 종래 기술과 비교할 때 가장 높은 전체 분류 정확도 성능(96.23%)을 달성한 것을 알 수 있다. It can be seen that the partial discharge diagnostic apparatus according to an embodiment of the present invention achieves the highest overall classification accuracy performance (96.23%) compared to the prior art.
본 발명의 실시 예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.The apparatus and method according to an embodiment of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the computer readable medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - Includes magneto-optical media and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.So far, the present invention has been focused on the embodiments thereof. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention can be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments should be considered in an illustrative rather than a restrictive sense. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.
100: 부분 방전 진단 장치
410: 획득부
420: 부분방전 진단부
430: 메모리
440: 프로세서100: partial discharge diagnostic device
410: acquisition unit
420: partial discharge diagnostic unit
430: memory
440: processor
Claims (7)
상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 부분방전 진단부를 포함하되,
상기 딥러닝 모델은 하기 비용 함수를 최소화하도록 학습되는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치.
여기서, 는 집합의 크기를 나타내며, G는 학습 데이터를 나타내며, 는 g번째 학습 데이터의 손실값을 나타냄.
an acquisition unit configured to acquire a phase resolved partial discharge (PRPD) signal within each power cycle; and
A partial discharge diagnosis unit that applies the phase decomposition partial discharge signal to the learned deep learning model to extract a signal characteristic value and determines whether a failure occurs through classification for failure diagnosis,
The deep learning model is a deep learning-based partial discharge diagnostic device for gas insulated switchgear, characterized in that it is trained to minimize the following cost function.
here, denotes the size of the set, G denotes the training data, represents the loss value of the g-th training data.
상기 딥러닝 모델은 복수 계층으로 구성된 장단기 메모리(LSTM: Long Short-Term Memory) 셀을 이용하여 다-대-일(many-to-one) 구조의 RNN 구조로 형성되되,
각각의 LSTM 셀은 지움 게이트(forget gate), 입력 게이트, 외부 출력 게이트 및 출력 게이트로 구성된 4개의 히든 게이트에 의해 이전 단계의 시퀀스를 갱신, 유지 또는 덮어 쓸지 여부를 결정하는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치.
According to claim 1,
The deep learning model is formed in an RNN structure of a many-to-one structure using Long Short-Term Memory (LSTM) cells composed of multiple layers,
Gas isolation, characterized in that each LSTM cell determines whether to update, maintain or overwrite the sequence of the previous step by four hidden gates consisting of a forget gate, an input gate, an external output gate and an output gate. Deep learning-based partial discharge diagnostic device for switchgear.
상기 부분방전 진단부는 각 전력 주기의 상 분해 부분 방전 신호를 정해진 크기로 슬라이싱하여 중첩하여 훈련 데이터를 생성한 후 상기 훈련 데이터를 이용하여 상기 딥러닝 모델을 훈련하는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치.
According to claim 1,
The partial discharge diagnosis unit generates training data by slicing and overlapping the phase decomposition partial discharge signal of each power cycle to a predetermined size, and then uses the training data to train the deep learning model. Deep learning-based partial discharge diagnostic device for
상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 단계를 포함하되,
상기 딥러닝 모델은 하기 비용 함수를 최소화하도록 학습되는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법.
여기서, 는 집합의 크기를 나타내며, G는 학습 데이터를 나타내며, 는 g번째 학습 데이터의 손실값을 나타냄.
obtaining a phase resolved partial discharge (PRPD) signal within each power cycle; and
Comprising the step of applying the phase decomposition partial discharge signal to the learned deep learning model, extracting signal feature values and determining whether there is a failure through classification for failure diagnosis,
The deep learning model is a deep learning-based partial discharge diagnostic method for a gas insulated switchgear, characterized in that it is trained to minimize the following cost function.
here, denotes the size of the set, G denotes the training data, represents the loss value of the g-th training data.
상기 딥러닝 모델은 복수 계층으로 구성된 장단기 메모리(LSTM: Long Short-Term Memory) 셀을 이용하여 다-대-일(many-to-one) 구조의 RNN 구조로 형성되되,
각각의 LSTM 셀은 지움 게이트(forget gate), 입력 게이트, 외부 출력 게이트 및 출력 게이트로 구성된 4개의 히든 게이트에 의해 이전 단계의 시퀀스를 갱신, 유지 또는 덮어 쓸지 여부를 결정하는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법.
6. The method of claim 5,
The deep learning model is formed in an RNN structure of a many-to-one structure using Long Short-Term Memory (LSTM) cells composed of multiple layers,
Gas isolation, characterized in that each LSTM cell determines whether to update, maintain or overwrite the sequence of the previous step by four hidden gates consisting of a forget gate, an input gate, an external output gate and an output gate. Deep learning-based partial discharge diagnostic method for switchgear.
각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 단계; 및
상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 단계를 수행하되,
상기 딥러닝 모델은 하기 비용 함수를 최소화하도록 학습되는 것을 특징으로 하는 기록매체.
여기서, 는 집합의 크기를 나타내며, G는 학습 데이터를 나타내며, 는 g번째 학습 데이터의 손실값을 나타냄.
In a computer-readable recording medium recording a program code for performing a deep learning-based partial discharge diagnostic method for a gas insulated switchgear,
obtaining a phase resolved partial discharge (PRPD) signal within each power cycle; and
Performing the step of applying the phase decomposition partial discharge signal to the learned deep learning model to extract a signal feature value and determining whether a failure occurs through classification for failure diagnosis,
The deep learning model is a recording medium, characterized in that it is trained to minimize the following cost function.
here, denotes the size of the set, G denotes the training data, represents the loss value of the g-th training data.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20190037877 | 2019-04-01 | ||
KR1020190037877 | 2019-04-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200116425A KR20200116425A (en) | 2020-10-12 |
KR102389439B1 true KR102389439B1 (en) | 2022-04-22 |
Family
ID=72886422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200039343A KR102389439B1 (en) | 2019-04-01 | 2020-03-31 | RNN based partial discharge detection apparatus and method in gas-insulated switchgear |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102389439B1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560352B (en) * | 2020-12-24 | 2024-07-19 | 华北电力大学 | System frequency response model modeling method based on AM-LSTM neural network |
WO2023128668A1 (en) * | 2021-12-30 | 2023-07-06 | 엘에스전선 주식회사 | Partial discharge monitoring system and partial discharge monitoring method |
CN115187527B (en) * | 2022-06-27 | 2023-04-07 | 上海格鲁布科技有限公司 | Separation and identification method for multi-source mixed ultrahigh frequency partial discharge spectrum |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018042588A1 (en) * | 2016-09-01 | 2018-03-08 | 株式会社 東芝 | Partial discharge monitoring system |
US20180144248A1 (en) * | 2016-11-18 | 2018-05-24 | Salesforce.Com, Inc. | SENTINEL LONG SHORT-TERM MEMORY (Sn-LSTM) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101908376B1 (en) * | 2017-03-16 | 2018-10-17 | 한국전력공사 | Partial discharge diagnosis system and method base on simulation |
-
2020
- 2020-03-31 KR KR1020200039343A patent/KR102389439B1/en active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018042588A1 (en) * | 2016-09-01 | 2018-03-08 | 株式会社 東芝 | Partial discharge monitoring system |
US20180144248A1 (en) * | 2016-11-18 | 2018-05-24 | Salesforce.Com, Inc. | SENTINEL LONG SHORT-TERM MEMORY (Sn-LSTM) |
Also Published As
Publication number | Publication date |
---|---|
KR20200116425A (en) | 2020-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102389439B1 (en) | RNN based partial discharge detection apparatus and method in gas-insulated switchgear | |
JP2020119605A (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Alippi et al. | Model-free fault detection and isolation in large-scale cyber-physical systems | |
Vega et al. | Results of the JET real-time disruption predictor in the ITER-like wall campaigns | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
KR102172925B1 (en) | Operating method of deep learning based climate change prediction system | |
CN104181460B (en) | A kind of permanent magnetic actuator vacuum circuit breaker method for diagnosing faults based on Multi-information acquisition | |
CN111709447A (en) | Power grid abnormality detection method and device, computer equipment and storage medium | |
CN102944769A (en) | Fault diagnosis method of power transformer based on extreme learning machine | |
CN109886328B (en) | Electric vehicle charging facility fault prediction method and system | |
Gupta et al. | Instability prediction in power systems using recurrent neural networks | |
US20200012944A1 (en) | Method and system for detecting switch degradation and failures | |
Cannas et al. | Disruption prediction with adaptive neural networks for ASDEX Upgrade | |
Roverso | Soft computing tools for transient classification | |
CN117272143A (en) | Power transmission line fault identification method and device based on gram angle field and residual error network | |
Lu et al. | A novel fault diagnosis method for circuit breakers based on optimized affinity propagation clustering | |
Elmasry et al. | Enhanced Anomaly‐Based Fault Detection System in Electrical Power Grids | |
Fang et al. | A data-driven method for online transient stability monitoring with vision-transformer networks | |
Anaissi et al. | Multi-objective variational autoencoder: an application for smart infrastructure maintenance | |
Vosughi et al. | Event detection, classification and localization in an active distribution grid using data-driven system identification, weighted voting and graph | |
Bodda et al. | Comparative Analysis of Deep Learning and Machine Learning Techniques for Power System Fault type Classification and Location Prediction | |
Dervilis et al. | Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks | |
US20230059561A1 (en) | Identification of arcing hazards in power distribution systems | |
Gao et al. | Rul prediction for ima based on deep regression method | |
CN113255771B (en) | Fault diagnosis method and system based on multi-dimensional heterogeneous difference analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |