KR102466891B1 - 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법 - Google Patents

양수발전 시스템의 양수터빈 고장 진단 장치 및 방법 Download PDF

Info

Publication number
KR102466891B1
KR102466891B1 KR1020220125192A KR20220125192A KR102466891B1 KR 102466891 B1 KR102466891 B1 KR 102466891B1 KR 1020220125192 A KR1020220125192 A KR 1020220125192A KR 20220125192 A KR20220125192 A KR 20220125192A KR 102466891 B1 KR102466891 B1 KR 102466891B1
Authority
KR
South Korea
Prior art keywords
data
displacement
neural network
network model
temperature
Prior art date
Application number
KR1020220125192A
Other languages
English (en)
Inventor
정진성
Original Assignee
(주)원프랜트
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 (주)원프랜트 filed Critical (주)원프랜트
Priority to KR1020220125192A priority Critical patent/KR102466891B1/ko
Application granted granted Critical
Publication of KR102466891B1 publication Critical patent/KR102466891B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F03B11/008—Measuring or testing arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B13/00—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates
    • F03B13/06—Stations or aggregates of water-storage type, e.g. comprising a turbine and a pump
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Turbines (AREA)

Abstract

본 발명에 따른 수발전 시스템의 양수터빈 고장 진단 장치는, 양수터빈에 설치되는 온도 센서, 변위 센서, 및 속도 센서; 상기 온도 센서, 상기 변위 센서, 및 상기 속도 센서 각각으로부터의 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 전처리하여 온도 데이터, 변위 데이터, 및 속도 데이터를 생성하는 전처리부; 양수 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제1 신경망 모델; 발전 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제2 신경망 모델; 양수 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제1 신경망 모델을 학습시키고, 발전 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제2 신경망 모델을 학습시키는 학습부; 및 양수 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제1 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하고, 발전 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제2 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하는 고장 진단부를 포함하는 것을 특징으로 한다.

Description

양수발전 시스템의 양수터빈 고장 진단 장치 및 방법{Apparatus and method for diagnosis of fault of pump turbine of pumped-storage hydroelectricity system}
본 발명은 양수발전 시스템에 관한 것으로, 보다 상세하게는 양수발전 시스템의 양수터빈의 고장을 진단하기 위한 장치 및 방법에 관한 것이다.
양수발전은 전기값이 저렴한 심야, 주말 시간대에 하부 저수지에 있는 물을 상부 저수지로 끌어올린 뒤 전력 사용율이 올라가는 주간, 주중에 물을 떨어뜨려 전기를 얻는 발전 방식이다. 양수 발전은 기동 특성이 우수하고 특별한 대기비용이 소요되지 않기 때문에 대기·대체 예비력 자원으로 많이 활용되고 있다. 또한 날씨에 영향을 받는 풍력 및 태양광발전 등 신재생에너지의 출력 변동성을 보완할 수 있는 장점이 있다. 전세계적으로 화석에너지 고갈, 급격한 기후 변화에 대응하기 위해 신재생에너지 비중이 높아지고 있으며 이에 따라 양수발전 역시 비중이 높아지는 추세에 있다.
우리나라의 대표적인 양수발전소인 청평 양수발전소와 삼량진 양수발전소는 각각 1980년, 1985년에 준공된 것으로, 양수발전소의 노후화로 인해 발전 설비의 실시간 진단 필요성이 높아지고 있다. 특히 양수발전 시스템의 핵심 요소인, 하부 저수지의 물을 상부 저수지로 펌핑하는 역할을 하는 양수터빈의 경우 양수 관로 내에 설치되어 있는 관계로 정확한 고장 진단이 어려운 문제가 있다.
본 발명이 이루고자 하는 기술적 과제는, 양수발전 시스템의 양수터빈에서 측정되는 센서 신호를 기반으로 인공신경망 모델을 이용하여 양수터빈의 고장을 효과적으로 진단할 수 있는 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법을 제공하는 데 있다.
본 발명의 해결하고자 하는 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 수발전 시스템의 양수터빈 고장 진단 장치는, 양수터빈에 설치되는 온도 센서, 변위 센서, 및 속도 센서; 상기 온도 센서, 상기 변위 센서, 및 상기 속도 센서 각각으로부터의 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 전처리하여 온도 데이터, 변위 데이터, 및 속도 데이터를 생성하는 전처리부; 양수 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제1 신경망 모델; 발전 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제2 신경망 모델; 양수 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제1 신경망 모델을 학습시키고, 발전 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제2 신경망 모델을 학습시키는 학습부; 및 양수 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제1 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하고, 발전 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제2 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하는 고장 진단부를 포함하는 것을 특징으로 한다.
상기 제1 신경망 모델 및 상기 제2 신경망 모델은 각각, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 각각 입력으로 하여 제1 내지 제3 특징 데이터를 각각 출력하는 제1 내지 제3 컨볼루션 신경망; 상기 제1 내지 제3 특징 데이터를 연쇄(concatenation)시키는 연쇄 레이어; 상기 연쇄 레이어에 의해 연쇄된 상기 제1 내지 제3 특징 데이터에 기초하여 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터에 각각 대응하는 제1 내지 제3 가중치를 산출하는 가중치 산출 블록; 상기 제1 내지 제3 가중치를 이용하여, 상기 제1 내지 제3 컨볼루션 신경망으로부터 각각 출력되는 상기 제1 내지 제3 특징 데이터의 가중치합을 계산하는 가중치합 계산 블록; 및 상기 제1 내지 제3 특징 데이터의 가중치합으로부터 상기 양수터빈의 고장 유형을 분류하는 고장 분류 블록을 포함할 수 있다.
상기 제1 내지 제3 컨볼루션 신경망은 각각, 1차원 컨볼루션 레이어, 배치 정규화 레이어, ReLU 레이어, 및 맥스풀링 레이어가 순차적으로 배치되어 구성되는 제1 컨볼루션 블록; 상기 제1 컨볼루션 블록에 연결되며, 1차원 컨볼루션 레이어, 배치 정규화 레이어, 및 ReLU 레이어가 순차적으로 배치되어 구성되는 제2 컨볼루션 블록; 및 상기 제2 컨볼루션 블록에 연결되는 GAP(Global Average Pooling) 레이어를 포함할 수 있다.
상기 가중치 산출 블록은 완전연결(Fully Connected) 레이어 및 소프트맥스(Softmax) 레이어가 순차적으로 배치되어 구성될 수 있다.
상기 가중치합 계산 블록은, 상기 제1 내지 제3 가중치를 이용하여 계산된 상기 제1 내지 제3 특징 데이터의 가중치합과 상기 제1 내지 제3 특징 데이터의 합을 계산하고, 상기 고장 분류 블록은, 상기 제1 내지 제3 특징 데이터의 가중치합과 상기 제1 내지 제3 특징 데이터의 합을 입력으로 하여 상기 양수터빈의 고장 유형을 분류할 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 양수발전 시스템의 양수터빈 고장 진단 장치에 의해 수행되는 양수터빈 고장 진단 방법에 있어서, 상기 양수터빈 고장 진단 장치는, 양수터빈에 설치되는 온도 센서, 변위 센서, 및 속도 센서; 상기 온도 센서, 상기 변위 센서, 및 상기 속도 센서 각각으로부터의 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 전처리하여 온도 데이터, 변위 데이터, 및 속도 데이터를 생성하는 전처리부; 양수 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제1 신경망 모델; 및 발전 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제2 신경망 모델을 포함하고, 상기 양수터빈 고장 진단 방법은, 양수 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제1 신경망 모델을 학습시키는 단계; 발전 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제2 신경망 모델을 학습시키는 단계; 양수 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제1 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하는 단계; 및 발전 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제2 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하는 단계를 포함하는 것을 특징으로 한다.
상기된 본 발명에 의하면, 양수발전 시스템의 양수터빈에서 측정되는 센서 신호를 기반으로 인공신경망 모델을 이용하여 양수터빈의 고장을 효과적으로 진단할 수 있는 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법을 제공할 수 있다.
본 발명의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 양수발전 시스템의 구성을 나타낸다.
도 2는 본 발명의 일 실시예에 따른 양수발전 시스템의 양수터빈 고장 진단 장치의 구성을 나타낸다.
도 3은 본 발명의 일 실시예에 따른 양수터빈 고장 진단을 위한 신경망 모델의 구조를 나타낸다.
도 4는 컨볼루션 블록(411)의 구체적인 구조를 나타낸다.
도 5는 컨볼루션 블록(412)의 구체적인 구조를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 양수터빈 고장 진단 방법에서의 신경망 모델 학습 과정의 흐름도를 나타낸다.
도 7은 본 발명의 일 실시예에 따른 양수터빈 고장 진단 방법에서의 고장 진단 과정의 흐름도를 나타낸다.
이하에서는 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이하 설명 및 첨부된 도면들에서 실질적으로 동일한 구성요소들은 각각 동일한 부호들로 나타냄으로써 중복 설명을 생략하기로 한다. 또한 본 발명을 설명함에 있어 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 양수발전 시스템의 구성을 나타낸다.
양수발전 시스템(10)은 하부 저수지(20), 상부 저수지(30), 하부 저수지(20)와 상부 저수지(30) 간의 물의 이동통로를 제공하는 양수 관로(40), 양수 관로(40) 내에 설치된 양수터빈(50) 및 발전전동기(60)를 포함한다.
양수발전 시스템(10)의 양수 모드 시, 발전전동기(60)는 외부로부터 전력을 공급받아 양수터빈(50)을 회전시켜 하부 저수지(20)의 물을 양수 관로(40)를 통해 상부 저수지(30)로 펌핑한다.
양수발전 시스템(10)의 발전 모드 시, 상부 저수지(30)의 물은 양수 관로(40)를 통해 하부 저수지(20)로 낙하하면서 양수터빈(50)을 회전시키고 발전전동기(60)는 전력을 생성한다.
도 2는 본 발명의 일 실시예에 따른 양수발전 시스템의 양수터빈 고장 진단 장치의 구성을 나타낸다.
본 발명의 일 실시예에 따른 양수터빈 고장 진단 장치는, 온도 센서(100_1), 변위 센서(100_2), 속도 센서(100_3), 전처리부(200), 학습부(300), 제1 신경망 모델(400_1), 제2 신경망 모델(400_2), 고장 진단부(500)를 포함한다.
온도 센서(100_1), 변위 센서(100_2), 및 속도 센서(100_3)는 양수발전 시스템(10)의 양수터빈(50)에 설치되어, 각각 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 출력한다.
전처리부(200)는 온도 센서(100_1), 변위 센서(100_2), 및 속도 센서(100_3) 각각으로부터의 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 전처리하여 온도 데이터, 변위 데이터, 및 속도 데이터를 생성한다. 전처리부(200)는 데이터 증강을 위해 측정 신호를 균등한 길이로 분할하거나, 시간 도메인에서 주파수 도메인으로 변환하거나, 데이터의 분포를 정규화하는 등의 전처리를 수행할 수 있다. 전처리부(200)를 통해 획득되는 온도 데이터, 변위 데이터, 및 속도 데이터는 제1 신경망 모델(400_1) 또는 제2 신경망 모델(400_2)의 학습을 위한 학습 데이터가 되거나, 제1 신경망 모델(400_1) 또는 제2 신경망 모델(400_2)을 통한 고장 진단을 위한 입력 데이터가 된다. 학습 데이터에는 해당 고장 유형에 관한 정보가 레이블된다.
양수터빈(50)의 고장 진단을 위한 인공신경망 모델로, 제1 신경망 모델(400_1)과 제2 신경망 모델(400_2)의 두 개의 신경망 모델이 마련된다. 제1 신경망 모델(400_1)은 양수 모드 시 양수터빈(50)의 고장 진단을 위한 것이고, 제2 신경망 모델(400_2)은 발전 모드 시 양수터빈(50)의 고장 진단을 위한 것이다. 제1 신경망 모델(400_1)은 양수 모드에 대응하고, 온도 데이터, 변위 데이터, 속도 데이터를 입력으로 하여 양수터빈(50)의 고장 유형을 분류한다. 제2 신경망 모델(400_2)은 발전 모드에 대응하고, 온도 데이터, 변위 데이터, 속도 데이터를 입력으로 하여 양수터빈(50)의 고장 유형을 분류한다. 양수 모드, 즉 물을 펌핑할 때의 양수터빈(50)의 고장 특성과, 발전 모드, 즉 물의 낙하에 의해 회전되는 경우 양수터빈(50)의 고장 특성은 상이할 것이므로, 양수 모드에 대하여는 제1 신경망 모델(400_1)을 통해 학습 및 진단을 수행하고, 발전 모드에 대하여는 제2 신경망 모델(400_2)을 통해 학습 및 진단을 수행한다.
학습부(300)는 양수 모드 시에 수집된 온도 데이터, 변위 데이터, 및 속도 데이터로 구성되는 학습 데이터를 이용하여 제1 신경망 모델(400_1)을 학습시킨다. 또한, 학습부(300)는 발전 모드 시에 수집된 온도 데이터, 변위 데이터, 및 속도 데이터로 구성되는 학습 데이터를 이용하여 제2 신경망 모델(400_2)을 학습시킨다.
고장 진단부(500)는 온도 데이터, 변위 데이터, 및 속도 데이터로 구성되는 입력 데이터로부터 양수 모드 또는 발전 모드에 따라 제1 신경망 모델(400_1) 또는 제2 신경망 모델(400_2)을 통해 양수터빈(50)의 고장 유형을 진단한다. 고장 진단부(500)는 양수 모드 시에 획득된 온도 데이터, 변위 데이터, 및 속도 데이터로 구성되는 입력 데이터로부터 제1 신경망 모델(400_1)을 통해 상기 양수터빈의 고장 유형을 진단한다. 고장 진단부(500)는 발전 모드 시에 획득된 온도 데이터, 변위 데이터, 및 속도 데이터로 구성되는 입력 데이터로부터 제2 신경망 모델(400_2)을 통해 양수터빈(50)의 고장 유형을 진단한다.
도 3은 본 발명의 일 실시예에 따른 양수터빈 고장 진단을 위한 신경망 모델의 구조를 나타낸다. 제1 신경망 모델(400_1)과 제2 신경망 모델(400_2)의 구조는 동일한 바, 제1 신경망 모델(400_1)과 제2 신경망 모델(400_2)을 통칭하여 신경망 모델(400)로 나타내기로 한다.
본 발명의 실시예와 같이 온도, 변위, 속도 등 다양한 종류의 신호를 신경망 모델의 입력으로 넣어 학습할 경우, 고장 정보를 많이 담고 있지 않은 신호가 학습에 사용되면 과적합으로 인해 고장 진단 성능이 떨어질 수 있으며, 어떠한 신호가 얼마만큼의 중요도를 가지고 고장 진단에 활용되는지 파악하기 어렵다. 특히 본 발명의 실시예와 같이 양수 모드와 발전 모드에 대하여 별도의 신경망 모델을 통해 학습 및 진단을 수행하는 경우 모드 별로 신호마다의 중요도가 달라질 수 있다. 신경망 모델(400)은 각 신호 별로 가중치를 주어 학습할 수 있는 신경망 모델이다.
도 3을 참조하면, 신경망 모델(400)은, 온도 데이터를 입력으로 하여 제1 특징 데이터를 출력하는 제1 컨볼루션 신경망(410_1), 변위 데이터를 입력으로 하여 제2 특징 데이터를 출력하는 제2 컨볼루션 신경망(410_2), 속도 데이터를 입력으로 하여 제3 특징 데이터를 출력하는 제3 컨볼루션 신경망(410_3), 제1 내지 제3 특징 데이터를 연쇄(concatenation)시키는 연쇄 레이어(420), 연쇄 레이어(420)에 의해 연쇄된 제1 내지 제3 특징 데이터에 기초하여, 온도 데이터, 변위 데이터, 속도 데이터에 각각 대응하는 제1 내지 제3 가중치(w1, w2, w3)를 산출하는 가중치 산출 블록(430), 제1 내지 제3 가중치(w1, w2, w3)를 이용하여, 제1 내지 제3 특징 데이터의 가중치합을 계산하는 가중치합 계산 블록(440), 및 제1 내지 제3 특징 데이터의 가중치합으로부터 양수터빈(50)의 고장 유형을 분류하는 고장 분류 블록(450)을 포함할 수 있다.
제1 내지 제3 컨볼루션 신경망(410_1, 410_2, 410_3)은 측정 데이터 별로 독립적으로 학습되어 측정 데이터 별로 특징 데이터를 추출한다. 제1 내지 제3 컨볼루션 신경망(410_1, 410_2, 410_3)은 각각, 제1 컨볼루션 블록(411), 제1 컨볼루션 블록(411)에 연결되는 제2 컨볼루션 블록(412), 및 제2 컨볼루션 블록(412)에 연결되는 GAP(Global Average Pooling) 레이어(413)를 포함할 수 있다.
도 4는 제1 컨볼루션 블록(411)의 구체적인 구조를 나타낸다. 도 4에 도시된 바와 같이 제1 컨볼루션 블록(411)은, 1차원 컨볼루션 레이어, 배치 정규화((Batch Normalization) 레이어, ReLU 레이어, 맥스풀링(Max Pooling) 레이어가 순차적으로 배치되어 구성될 수 있다.
도 5는 제2 컨볼루션 블록(412)의 구체적인 구조를 나타낸다. 도 5에 도시된 바와 같이 제2 컨볼루션 블록(412)은 1차원 컨볼루션 레이어, 배치 정규화 레이어, 및 ReLU 레이어가 순차적으로 배치되어 구성될 수 있다.
가중치 산출 블록(430)은 물리적으로 다른 신호가 고장의 종류마다 고장 관련 정보의 양을 다르게 가지는 점을 반영하기 위한 것으로, 온도, 변위, 및 속도 각각에 대한 제1, 제2, 제3 특징 데이터에 각각 부여할 가중치를 결정한다. 이를 통해 어떤 신호에 고장 관련 특징이 더 많이 존재하는지에 대한 상대적인 중요도가 부여될 수 있다. 가중치 산출 블록(430)은 완전연결(Fully Connected) 레이어와 소프트맥스(Softmax) 레이어가 순차적으로 배치되어 구성될 수 있다. 가중치 산출 블록(430)은 제1 내지 제3 특징 데이터가 연쇄된 특징 데이터를 입력으로 받아, 완전연결 레이어를 통해 제1 내지 제3 특징 데이터의 정보가 모두 연결된 상호적인 관계를 추출하고, 소프트맥스 레이어를 통해 제1 내지 제3 특징 데이터에 대한 가중치를 출력할 수 있다. 소프트맥스 레이어의 출력(가중치)은 모두 양수이고 합이 1이 된다.
제1 내지 제3 특징 데이터를 각각 F1, F2, F3라 하면, 가중치합 계산 블록(240)은 제1 내지 제3 가중치(w1, w2, w3)를 이용하여, 제1 내지 제3 특징 데이터의 가중치합 w1F1+w2F2+w3F3를 계산하여 출력할 수 있다. 고장 분류 블록(450)은 이러한 제1 내지 제3 특징 데이터의 가중치합을 입력으로 하여 양수터빈(50)의 고장 유형을 분류할 수 있다. 고장 분류 블록(450)은 완전연결(Fully Connected) 레이어와 소프트맥스(Softmax) 레이어가 순차적으로 배치되는 구성을 통해 고장 유형을 분류할 수 있다.
실시예에 따라, 가중치합 계산 블록(240)은, 너무 작게 산출되는 가중치로 인한 정보 손실을 막기 위하여, 제1 내지 제3 가중치(w1, w2, w3)를 이용하여 계산된 제1 내지 제3 특징 데이터의 가중치합과 제1 내지 제3 특징 데이터의 합(w1F1+w2F2+w3F3+F1+F2+F3)을 계산하여 출력하고, 고장 분류 블록(450)은 이를 입력으로 하여 양수터빈(50)의 고장 유형을 분류할 수도 있다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 양수터빈 고장 진단 방법의 흐름도로서, 도 6은 신경망 모델 학습 과정을, 도 7은 고장 진단 과정을 나타낸다. 본 발명의 실시예에 따른 양수터빈 고장 진단 방법은 전술한 양수발전 시스템의 양수터빈 고장 진단 장치에서 처리되는 단계들로 이루어지므로 이하 생략된 내용이라 하더라도 양수터빈 고장 진단 장치에 관하여 이상에서 기술된 내용은 본 실시예에 따른 양수터빈 고장 진단 방법에도 적용된다.
도 6을 참조하면, S310단계에서, 양수 모드 시에 수집된 온도 데이터, 변위 데이터, 및 속도 데이터로 제1 학습 데이터를 구성한다.
S320단계에서, 제1 학습 데이터를 이용하여 제1 신경망 모델(400_1)을 학습시킨다. 제1 신경망 모델(400_1)의 학습은 미니 배치 경사 하강법(mini-batch gradient descent method)에 의해 수행될 수 있다.
S330단계에서 제1 신경망 모델(400_1)의 학습이 완료되면, S340단계에서, 발전 모드 시에 수집된 온도 데이터, 변위 데이터, 및 속도 데이터로 제2 학습 데이터를 구성한다.
S350단계에서, 제2 학습 데이터를 이용하여 제2 신경망 모델(400_2)을 학습시킨다. 제2 신경망 모델(400_2)의 학습은 미니 배치 경사 하강법(mini-batch gradient descent method)에 의해 수행될 수 있다.
S360단계에서 제2 신경망 모델(400_2)의 학습이 완료되면, 학습 과정이 종료된다.
도 7을 참조하면, S510단계에서, 온도 센서(100_1), 변위 센서(100_2), 및 속도 센서(100_3) 각각으로부터 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 획득한다.
S520단계에서, 전처리부(200)를 통해 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 전처리하여 온도 측정 데이터, 변위 측정 데이터, 및 속도 측정 데이터를 획득한다.
S530단계에서, 상기 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호가 양수발전 시스템(10)의 양수 모드 시에 획득된 것이면, S540단계에서, 양수 모드 시에 획득된 상기 온도 측정 데이터, 변위 측정 데이터, 및 속도 측정 데이터로부터 제1 신경망 모델(400_1)을 통해 양수터빈(50)의 고장 유형을 진단한다.
S530단계에서, 상기 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호가 양수발전 시스템(10)의 양수 모드 시가 아닌 발전 모드 시에 획득된 것이면, S550단계에서, 발전 모드 시에 획득된 상기 온도 측정 데이터, 변위 측정 데이터, 및 속도 측정 데이터로부터 제2 신경망 모델(400_2)을 통해 양수터빈(50)의 고장 유형을 진단한다.
본 발명의 실시예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 발명의 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 집적 회로 구성들을 채용할 수 있다. 본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 실시예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
실시예에서 설명하는 특정 실행들은 일 실시예들로서, 어떠한 방법으로도 실시 예의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 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 실시예들은 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.

Claims (10)

  1. 양수발전 시스템의 양수터빈 고장 진단 장치에 있어서,
    양수터빈에 설치되는 온도 센서, 변위 센서, 및 속도 센서;
    상기 온도 센서, 상기 변위 센서, 및 상기 속도 센서 각각으로부터의 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 전처리하여 온도 데이터, 변위 데이터, 및 속도 데이터를 생성하는 전처리부;
    양수 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제1 신경망 모델;
    발전 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제2 신경망 모델;
    양수 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제1 신경망 모델을 학습시키고, 발전 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제2 신경망 모델을 학습시키는 학습부; 및
    양수 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제1 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하고, 발전 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제2 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하는 고장 진단부를 포함하는 것을 특징으로 하는 양수터빈 고장 진단 장치.
  2. 제1항에 있어서,
    상기 제1 신경망 모델 및 상기 제2 신경망 모델은 각각,
    상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 각각 입력으로 하여 제1 내지 제3 특징 데이터를 각각 출력하는 제1 내지 제3 컨볼루션 신경망;
    상기 제1 내지 제3 특징 데이터를 연쇄(concatenation)시키는 연쇄 레이어;
    상기 연쇄 레이어에 의해 연쇄된 상기 제1 내지 제3 특징 데이터에 기초하여 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터에 각각 대응하는 제1 내지 제3 가중치를 산출하는 가중치 산출 블록;
    상기 제1 내지 제3 가중치를 이용하여, 상기 제1 내지 제3 컨볼루션 신경망으로부터 각각 출력되는 상기 제1 내지 제3 특징 데이터의 가중치합을 계산하는 가중치합 계산 블록; 및
    상기 제1 내지 제3 특징 데이터의 가중치합으로부터 상기 양수터빈의 고장 유형을 분류하는 고장 분류 블록을 포함하는 것을 특징으로 하는 양수터빈 고장 진단 장치.
  3. 제2항에 있어서,
    상기 제1 내지 제3 컨볼루션 신경망은 각각,
    1차원 컨볼루션 레이어, 배치 정규화 레이어, ReLU 레이어, 및 맥스풀링 레이어가 순차적으로 배치되어 구성되는 제1 컨볼루션 블록;
    상기 제1 컨볼루션 블록에 연결되며, 1차원 컨볼루션 레이어, 배치 정규화 레이어, 및 ReLU 레이어가 순차적으로 배치되어 구성되는 제2 컨볼루션 블록; 및
    상기 제2 컨볼루션 블록에 연결되는 GAP(Global Average Pooling) 레이어를 포함하는 것을 특징으로 하는 양수터빈 고장 진단 장치.
  4. 제2항에 있어서,
    상기 가중치 산출 블록은 완전연결(Fully Connected) 레이어 및 소프트맥스(Softmax) 레이어가 순차적으로 배치되어 구성되는 것을 특징으로 하는 양수터빈 고장 진단 장치.
  5. 제2항에 있어서,
    상기 가중치합 계산 블록은, 상기 제1 내지 제3 가중치를 이용하여 계산된 상기 제1 내지 제3 특징 데이터의 가중치합과 상기 제1 내지 제3 특징 데이터의 합을 계산하고,
    상기 고장 분류 블록은, 상기 제1 내지 제3 특징 데이터의 가중치합과 상기 제1 내지 제3 특징 데이터의 합을 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 것을 특징으로 하는 양수터빈 고장 진단 장치.
  6. 양수발전 시스템의 양수터빈 고장 진단 장치에 의해 수행되는 양수터빈 고장 진단 방법에 있어서,
    상기 양수터빈 고장 진단 장치는, 양수터빈에 설치되는 온도 센서, 변위 센서, 및 속도 센서; 상기 온도 센서, 상기 변위 센서, 및 상기 속도 센서 각각으로부터의 온도 측정 신호, 변위 측정 신호, 및 속도 측정 신호를 전처리하여 온도 데이터, 변위 데이터, 및 속도 데이터를 생성하는 전처리부; 양수 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제1 신경망 모델; 및 발전 모드에 대응하고, 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 제2 신경망 모델을 포함하고,
    양수 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제1 신경망 모델을 학습시키는 단계;
    발전 모드 시에 수집된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 학습 데이터를 이용하여 상기 제2 신경망 모델을 학습시키는 단계;
    양수 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제1 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하는 단계; 및
    발전 모드 시에 획득된 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터로 구성되는 입력 데이터로부터 상기 제2 신경망 모델을 통해 상기 양수터빈의 고장 유형을 진단하는 단계를 포함하는 것을 특징으로 하는 양수터빈 고장 진단 방법.
  7. 제6항에 있어서,
    상기 제1 신경망 모델 및 상기 제2 신경망 모델은 각각,
    상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터를 각각 입력으로 하여 제1 내지 제3 특징 데이터를 각각 출력하는 제1 내지 제3 컨볼루션 신경망;
    상기 제1 내지 제3 특징 데이터를 연쇄(concatenation)시키는 연쇄 레이어;
    상기 연쇄 레이어에 의해 연쇄된 상기 제1 내지 제3 특징 데이터에 기초하여 상기 온도 데이터, 상기 변위 데이터, 및 상기 속도 데이터에 각각 대응하는 제1 내지 제3 가중치를 산출하는 가중치 산출 블록;
    상기 제1 내지 제3 가중치를 이용하여, 상기 제1 내지 제3 컨볼루션 신경망으로부터 각각 출력되는 상기 제1 내지 제3 특징 데이터의 가중치합을 계산하는 가중치합 계산 블록; 및
    상기 제1 내지 제3 특징 데이터의 가중치합으로부터 상기 양수터빈의 고장 유형을 분류하는 고장 분류 블록을 포함하는 것을 특징으로 하는 양수터빈 고장 진단 방법.
  8. 제7항에 있어서,
    상기 제1 내지 제3 컨볼루션 신경망은 각각,
    1차원 컨볼루션 레이어, 배치 정규화 레이어, ReLU 레이어, 및 맥스풀링 레이어가 순차적으로 배치되어 구성되는 제1 컨볼루션 블록;
    상기 제1 컨볼루션 블록에 연결되며, 1차원 컨볼루션 레이어, 배치 정규화 레이어, 및 ReLU 레이어가 순차적으로 배치되어 구성되는 제2 컨볼루션 블록; 및
    상기 제2 컨볼루션 블록에 연결되는 GAP(Global Average Pooling) 레이어를 포함하는 것을 특징으로 하는 양수터빈 고장 진단 방법.
  9. 제7항에 있어서,
    상기 가중치 산출 블록은 완전연결(Fully Connected) 레이어 및 소프트맥스(Softmax) 레이어가 순차적으로 배치되어 구성되는 것을 특징으로 하는 양수터빈 고장 진단 방법.
  10. 제7항에 있어서,
    상기 가중치합 계산 블록은, 상기 제1 내지 제3 가중치를 이용하여 계산된 상기 제1 내지 제3 특징 데이터의 가중치합과 상기 제1 내지 제3 특징 데이터의 합을 계산하고,
    상기 고장 분류 블록은, 상기 제1 내지 제3 특징 데이터의 가중치합과 상기 제1 내지 제3 특징 데이터의 합을 입력으로 하여 상기 양수터빈의 고장 유형을 분류하는 것을 특징으로 하는 양수터빈 고장 진단 방법.
KR1020220125192A 2022-09-30 2022-09-30 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법 KR102466891B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220125192A KR102466891B1 (ko) 2022-09-30 2022-09-30 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220125192A KR102466891B1 (ko) 2022-09-30 2022-09-30 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102466891B1 true KR102466891B1 (ko) 2022-11-15

Family

ID=84041925

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220125192A KR102466891B1 (ko) 2022-09-30 2022-09-30 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102466891B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116146402A (zh) * 2022-12-27 2023-05-23 中国长江电力股份有限公司 水电站调速器主配压阀抽动故障诊断预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101358397B1 (ko) * 2012-09-27 2014-02-05 주식회사 가온솔루션 가속도 센서 및 출력 전력에 기반하는 풍력 발전기의 고장진단장치 및 고장 진단 방법
KR20150056818A (ko) * 2012-09-17 2015-05-27 지멘스 코포레이션 센서 데이터에 기초한 터빈 시스템 진단을 위한 아키텍처
KR20210077124A (ko) * 2019-12-17 2021-06-25 한국전력공사 증기 터빈 과도상태 조기 진단 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150056818A (ko) * 2012-09-17 2015-05-27 지멘스 코포레이션 센서 데이터에 기초한 터빈 시스템 진단을 위한 아키텍처
KR101358397B1 (ko) * 2012-09-27 2014-02-05 주식회사 가온솔루션 가속도 센서 및 출력 전력에 기반하는 풍력 발전기의 고장진단장치 및 고장 진단 방법
KR20210077124A (ko) * 2019-12-17 2021-06-25 한국전력공사 증기 터빈 과도상태 조기 진단 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116146402A (zh) * 2022-12-27 2023-05-23 中国长江电力股份有限公司 水电站调速器主配压阀抽动故障诊断预警方法
CN116146402B (zh) * 2022-12-27 2024-01-05 中国长江电力股份有限公司 水电站调速器主配压阀抽动故障诊断预警方法

Similar Documents

Publication Publication Date Title
De Sousa et al. Intelligent incipient fault detection in wind turbines based on industrial IoT environment
Azman et al. A unified online deep learning prediction model for small signal and transient stability
Li et al. A data-driven residual-based method for fault diagnosis and isolation in wind turbines
Zhang et al. Intelligent early warning of power system dynamic insecurity risk: Toward optimal accuracy-earliness tradeoff
Zhou et al. A novel grey prognostic model based on Markov process and grey incidence analysis for energy conversion equipment degradation
Chen et al. Data-driven detection of hot spots in photovoltaic energy systems
Isham et al. Variational mode decomposition: mode determination method for rotating machinery diagnosis
Pourmohammad et al. Fault-tolerant control of wind turbine systems-a review
CN112115999B (zh) 一种时空多尺度神经网络的风电机组故障诊断方法
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
KR102466891B1 (ko) 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법
JP2023143703A (ja) 電力分配システムの純負荷測定値からの瞬間再生可能発電の抽出
Shahriyari et al. A novel fast transient stability assessment of power systems using fault-on trajectory
Wshah et al. Deep learning for model parameter calibration in power systems
Tuo et al. Machine learning assisted inertia estimation using ambient measurements
Mehlan et al. Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring
Hijazi et al. Transfer learning for transient stability predictions in modern power systems under enduring topological changes
Zhao et al. An abnormal data processing method based on an ensemble algorithm for early warning of wind turbine failure
Priya et al. Fault detection and behavioural prediction of a constrained complex system using cellular automata
Zhao et al. A novel condition monitoring methodology based on neural network of pump-turbines with extended operating range
CN114221359B (zh) 基于决策树的新能源电力系统调频能力建模与分析方法
Long et al. Wind turbine anomaly identification based on improved deep belief network with SCADA data
KR20230089082A (ko) 태양광 발전 시스템 고장 진단 장치 및 방법
Choudhary et al. Revolutionizing Wind Energy: A Enhanced Machine Learning Perspective on Wind Turbines Fault Prediction
Simani et al. Fault Diagnosis Techniques for a Wind Turbine System

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant