KR20080074441A - Method for diagnosis and analysis of electric power quality using artificial intelligence - Google Patents

Method for diagnosis and analysis of electric power quality using artificial intelligence Download PDF

Info

Publication number
KR20080074441A
KR20080074441A KR1020070013581A KR20070013581A KR20080074441A KR 20080074441 A KR20080074441 A KR 20080074441A KR 1020070013581 A KR1020070013581 A KR 1020070013581A KR 20070013581 A KR20070013581 A KR 20070013581A KR 20080074441 A KR20080074441 A KR 20080074441A
Authority
KR
South Korea
Prior art keywords
disturbance
harmonic
power
feature vector
voltage
Prior art date
Application number
KR1020070013581A
Other languages
Korean (ko)
Other versions
KR100918313B1 (en
Inventor
김영일
김진수
박기주
Original Assignee
김영일
주식회사 케이디파워
박기주
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 김영일, 주식회사 케이디파워, 박기주 filed Critical 김영일
Priority to KR1020070013581A priority Critical patent/KR100918313B1/en
Publication of KR20080074441A publication Critical patent/KR20080074441A/en
Application granted granted Critical
Publication of KR100918313B1 publication Critical patent/KR100918313B1/en

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R13/00Arrangements for displaying electric variables or waveforms
    • G01R13/40Arrangements for displaying electric variables or waveforms using modulation of a light beam otherwise than by mechanical displacement, e.g. by Kerr effect
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/02Measuring effective values, i.e. root-mean-square values
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16Spectrum analysis; Fourier analysis
    • G01R23/20Measurement of non-linear distortion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Nonlinear Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

A method for diagnosing and analyzing the quality of electric power by using artificial intelligence is provided to monitor a present state of an electrical signal in real time by identifying automatically power disturbance through a neural network. A method for diagnosing and analyzing the quality of input power is performed by using a power computer including a wavelet converter, a feature vector extractor, and a disturbance identifier. A feature vector of a voltage disturbance or a harmonic disturbance is extracted by wavelet-converting a waveform of an input voltage or a waveform of input current. A disturbance feature of the input voltage or the input current is identified by applying the feature vector of the voltage disturbance or the harmonic disturbance to an artificial intelligence neural network identifier. The waveform and the disturbance feature of the identified input voltage or current are displayed in a graphic manner.

Description

지능형 전기품질 진단 분석 방법{Method for diagnosis and analysis of electric power quality using artificial intelligence} Method for diagnosis and analysis of electric power quality using artificial intelligence}

도 1은 본 발명에 따른 전기품질 진단분석 시스템의 블록구성도이다.1 is a block diagram of an electrical quality diagnostic analysis system according to the present invention.

도 2는 본 발명의 전기품질 진단분석을 위한 전력 외란 자동식별 알고리즘의 흐름도이다.2 is a flowchart of a power disturbance automatic identification algorithm for electrical quality diagnostic analysis of the present invention.

도 3a는 본 발명의 전기품질 진단분석을 위한 선형판별분석 상 판별이 용이한 예를 보인 것이고, 도 3b는 그 판별이 용이하지 않은 예를 보인 것이다.Figure 3a shows an example of easy to discriminate on the linear discrimination analysis for the electrical quality diagnostic analysis of the present invention, Figure 3b shows an example that the determination is not easy.

도 4는 본 발명의 전기품질 진단분석을 위한 선형판별분석에 의한 차원축소예를 보인 것이다.Figure 4 shows an example of dimensional reduction by linear discrimination analysis for electrical quality diagnostic analysis of the present invention.

도 5는 본 발명의 전기품질 진단분석을 위한 전압 외란 검출 알고리즘의 흐름도이다.5 is a flowchart of a voltage disturbance detection algorithm for electrical quality diagnostic analysis of the present invention.

도 6은 본 발명에 따른 고조파 외란 검출 알고리즘의 흐름도이다.6 is a flowchart of a harmonic disturbance detection algorithm according to the present invention.

도 7은 본 발명의 전기품질 진단분석을 위한 식별기의 인공 신경회로망의 구조도이다.7 is a structural diagram of an artificial neural network of an identifier for an electrical quality diagnostic analysis of the present invention.

도 8은 본 발명에 적용되는 신경회로망의 기본구조와 전방향 경로에 대한 설명도이다.8 is an explanatory view of the basic structure and the forward path of the neural network applied to the present invention.

도 9는 본 발명에 적용되는 신경회로망의 일반화된 델타규칙의 에러 역전파 과정 설명도이다.9 is a diagram illustrating an error back propagation process of a generalized delta rule of a neural network to which the present invention is applied.

도 10은 본 발명에 적용되는 신경회로망의 전방향과 역방향의 전체흐름도이다.10 is an overall flow chart of the forward and reverse directions of the neural network applied to the present invention.

도 11은 본 발명의 디스플레이에 표시되는 전기품질 진단 분석을 위한 메인그래프의 한 유형을 보이고 있다.11 shows one type of main graph for electrical quality diagnostic analysis displayed on the display of the present invention.

도 12는 본 발명의 디스플레이를 통해 표출되는 전기품질진단결과에 대한 비전문가 대상 주요계측정보 시뮬레이터 화면의 한 유형을 보이고 있다.FIG. 12 shows a type of the main measurement information simulator screen for the non-expert for the electrical quality diagnosis result expressed through the display of the present invention.

도 13은 본 발명의 디스플레이를 통해 표출되는 인공신경회로망 알고리즘을 통한 전력외란 자동식별화면의 한 유형을 보이고 있다.FIG. 13 shows a type of power disturbance automatic identification screen through an artificial neural network algorithm displayed through the display of the present invention.

도 14는 본 발명의 디스플레이를 통해 표출되는 이벤트 발생정보의 한 유형을 보이고 있다.14 illustrates one type of event occurrence information expressed through the display of the present invention.

도 15는 본 발명의 디스플레이를 통해 표출되는 서브 그래프로서 3상 신호중 1상 신호의 이벤트화면의 한 유형을 보이고 있다.FIG. 15 is a sub-graph displayed through the display of the present invention and shows one type of event screen of one-phase signal among three-phase signals.

도 16은 본 발명의 디스플레이를 통해 표출되는 실시간 3상전력의 고조파신호에 대한 푸리에 변환데이터를 그래프로 보이고 있다.16 is a graph showing Fourier transform data for a harmonic signal of real-time three-phase power expressed through a display of the present invention.

*도면의 주요부분에 대한 부호의 설명** Description of the symbols for the main parts of the drawings *

10 : 전력컴퓨터 11 : 웨이브릿변환기10: power computer 11: wavelet converter

12 : 특징벡터추출기 13 : 외란식별기12: Feature Vector Extractor 13: Disturbance Identifier

14 : 메모리 20 : 디스플레이14 memory 20 display

30 : 통신모듈30: communication module

본 발명은 인공신경망을 이용하여 수배전반등의 인입전력의 외란을 수학적 연산을 통해 자동으로 식별하여 기본 전력 파라미터값을 구하고 이를 기초로 현재의 전기신호상태를 실시간 모니터링할 수 있도록 한 지능형 전기품질 진단 분석 방법에 관한 것이다.The present invention uses intelligent neural network to automatically identify the disturbance of the incoming power of the switchgear through a mathematical calculation to obtain the basic power parameter value and to analyze the intelligent electrical quality diagnosis based on the real-time monitoring of the current electrical signal state It is about a method.

잘 알려진 바와 같이, 전력품질은 공급하는 전압과 전류가 이상적인 정현파(sinusoidal wave)에서 벗어나는 정도를 의미하며 이에 영향을 주는 것은 순간적으로 전압이나 전류가 변동(disturbance)하는 것과 비교적 긴 시간동안에 전압이나 전류의 파형에 변동이 발생하거나 고조파 혹은 저주파의 노이즈가 발생(steady state variation)하는 것으로 구분한다.As is well known, power quality refers to the degree to which the supply voltage and current deviate from the ideal sinusoidal wave, which affects instantaneous variations in voltage or current and voltage or current for a relatively long time. It is divided into that the fluctuation occurs in the waveform of or the noise of harmonic or low frequency (steady state variation).

여기서, 순시 전압 변동(sag, swell, interruption) 및 과도상태 전압(transient)은 전자에, 고조파(harmonics) 및 과전압(overvoltage)과 저전압(undervoltage)등은 후자에 속한다.Here, instantaneous voltage fluctuations (sag, swell, interruption) and transient voltage (transient) belong to the former, and harmonics, overvoltage and undervoltage belong to the latter.

전기품질을 분석하여 그 안정도를 판단하고 예측하는 전기품질 진단 분야는 80년대 후반부터 각광을 받기 시작한 매우 흥미롭고 중요한 분야로서, 특히, 이 시기에 국외에서는 전력산업의 규제가 해제되고 고성능의 장비와 정밀도가 높은 시스템이 개발됨으로써 전력에너지를 사용하는 수요자는 그들의 설비나 기기가 지속적으로 안정하게 동작될 수 있는 고품질의 전력공급을 요구하기 시작하였다.The electrical quality diagnosis field, which analyzes electrical quality and determines and predicts its stability, is a very interesting and important field that has been in the spotlight since the late 80s. In particular, during this period, the power industry was deregulated and high-performance equipment and precision With the development of high-end systems, consumers using power energy have begun to demand high-quality power supplies that allow their equipment or equipment to continue to operate reliably.

이후, 90년대에 이르러서는 고효율의 전력 전자 소자, 고 정밀 특수 모터, 응용 반도체 장치 등이 개발되고 마이크로프로세서를 기반으로 하는 자동화 설비, 사무실용기기, 정보통신기기 등이 급속하게 발전됨으로서 전력 에너지를 사용하는 모든 분야에서 전기품질 문제가 새롭게 관심을 끌기 시작하였고, 이에 따라 동업계에서는 전기품질을 간단하고 직관적으로 진단분석할 수 있는 고성능 및 고정밀도의 진단분석 시스템의 개발에 노력이 경주되고 있다.Since then, high-efficiency power electronic devices, high-precision special motors, and application semiconductor devices have been developed in the 1990s, and microprocessor-based automation equipment, office equipment, information and communication equipment have been rapidly developed, In every field of use, the electrical quality problem has begun to attract new attention. Accordingly, efforts are being made in the industry to develop high performance and high accuracy diagnostic analysis systems that can easily and intuitively analyze electrical quality.

본 발명의 목적은 위와 같은 시대적 요구에 의해 인공 신경회로망을 통해 전력외란을 자동으로 식별하도록 하고 이를 디스플레이를 통하여 실시간으로 현재의 전기신호 상태를 모니터링 할 수 있도록 한 전기품질 진단 분석 방법을 제공하는 데 있다.An object of the present invention is to provide an electrical quality diagnostic analysis method to automatically identify the power disturbance through the artificial neural network in accordance with the demands of the times and to monitor the current electrical signal status in real time through the display. have.

특히 본 발명은 특수 신경회로망을 이용하는 기존의 방식과는 달리 보편적으로 널리 사용되고 있고 3층 신경망을 사용하였으며, 수학적 연산을 통해 구해진 전력 파라메터 값들로 제한을 두어 그 정밀성을 높였고, 학습 알고리즘으로는 역전파(back propagation) 알고리즘을 사용한 외란의 특징 검출을 위해 고속 푸리에 변환과 신호의 다중 분해능 해석에 뛰어난 이산 웨이블릿 변환을 수행시켜 선형판별식으로 특징데이터의 주성분만을 추출하여 전기품질을 진단 분석하는 방법을 제공하는 데 있다.In particular, the present invention is widely used, unlike the conventional method using a special neural network, and using a three-layer neural network, by limiting the power parameter values obtained through mathematical operations to increase the precision, as a back-propagation learning algorithm In order to detect the disturbance feature using the back propagation algorithm, we perform the fast Fourier transform and discrete wavelet transform, which is excellent for the multi-resolution analysis of the signal. There is.

상기 목적을 달성하기 위한 본 발명의 전기품질 진단 분석 방법은 웨이브릿 변환기와 특징벡터추출기와 외란식별기를 포함하는 전력컴퓨터를 이용하여 인입전력의 품질을 진단 분석하기 위해, 입력전압 또는 입력전류의 파형을 각각 웨이브릿 변환하여 전압파형 또는 전류파형의 특징벡터를 추출하는 단계와, 추출된 전압외란 또는 고조파외란의 특징벡터를 각각 인공지능 신경회로망 식별기에 대입시켜 현재 입력전압 또는 입력전류의 외란특성을 상기 식별기의 학습데이터에서 식별하는 단계와, 식별된 입력전압 또는 전류의 파형 및 외란 특성을 그래픽 형태로 디스플레이하는 단계를 수행하는 것을 특징으로 한다.Electrical quality diagnostic analysis method of the present invention for achieving the above object is a waveform of the input voltage or input current to diagnose the quality of the incoming power using a power computer including a wavelet converter, a feature vector extractor and a disturbance identifier Extracting the feature vector of the voltage waveform or the current waveform by wavelet transforming them, and substituting the extracted characteristic vector of the voltage disturbance or harmonic disturbance into the artificial intelligence neural network identifier, respectively, Identifying from the learning data of the identifier and displaying the waveform and disturbance characteristics of the identified input voltage or current in a graphic form.

첨부한 도면을 참고로 하여 본 발명을 설명하면 다음과 같다.Hereinafter, the present invention will be described with reference to the accompanying drawings.

도 1은 본 발명에 따른 전기품질 진단분석 시스템의 블록구성도로서, 수배전반 등의 입인 전력 라인에서 픽업된 전압값 및 전류값은 웨이브릿변환기(11), 특징벡터추출기(12), 외란식별기(13) 및 메모리(14)를 가지는 전력컴퓨터(10)에 인가되게 구성하고, 상기 전력컴퓨터(10)에서 웨이브릿변환에 의해 추출된 특징벡터를 신경망회로의 인공지능에 식별시킨 결과값과 각종 신호파형 및 이벤트정보는 디스플레이(20)에 표시되게 구성하고, 또한 상기 전력컴퓨터(10)는 통신모듈(30)을 통하여 원격지의 제어반 또는 제어컴퓨터에 접속되게 구성한다. 1 is a block diagram of an electrical quality diagnosis and analysis system according to the present invention, wherein the voltage value and current value picked up from an incoming power line such as a switchgear are included in a wavelet converter 11, a feature vector extractor 12, and a disturbance identifier ( 13) and a result value and various signals which are configured to be applied to the power computer 10 having the memory 14, and the feature vector extracted by the wavelet transform in the power computer 10 is identified by the artificial intelligence of the neural network. The waveform and event information are configured to be displayed on the display 20, and the power computer 10 is configured to be connected to a control panel or a control computer at a remote location through the communication module 30.

위와 같은 시스템 블록에서의 전력품질 진단 분석을 위한 수학적 연산처리에 필요한 기본 전력 파라미터는 다음과 같다.Basic power parameters required for mathematical operation processing for power quality diagnostic analysis in the above system block are as follows.

<실효값(RMS)><RMS>

전력품질 측정에 있어서 첫 번째로 모니터링해야 할 값은 RMS값이다. 이 RMS값은 전압과 전류의 실효치를 계산으로 얻어지며, 이 실효치를 가지고 Sag나 Swell 과 같은 RMS 변동(variation)이벤트들을 감지해 낼 수 있다.The first value to monitor for power quality measurements is the RMS value. This RMS value is obtained by calculating the rms values of voltage and current, which can be used to detect RMS variation events such as Sag and Swell.

상기 RMS값은 디지털로 샘플링된 전압과 전류의 원본 데이터를 이용하여 계산되며 그 공식은 다음과 같다.The RMS value is calculated using original data of digitally sampled voltage and current, and the formula is as follows.

Figure 112007012144115-PAT00001
(식 1)
Figure 112007012144115-PAT00001
(Equation 1)

본 발명에서는 식1에 의해 구해진 실효값을 Sag와 Swell의 판단에 적용하였다.In the present invention, the effective value obtained by Equation 1 was applied to the judgment of Sag and Swell.

Sag의 경우 0.5싸이클에서 1분정도의 지속시간을 갖으며, 실효치 기준 0.1 p.u.(per/unit)에서 0.9 p.u.일 때 Sag로 판단하도록 적용하였다. 그리고 Swell의 경우는 0.5싸이클에서 1분정도의 지속시간을 갖으며, 실효치 기준 1.1 p.u.에서 1.8 p.u.일 때 Swell로 판단하도록 적용하였다.Sag has a duration of about 1 minute at 0.5 cycle, and it is applied to judge Sag when it is 0.9 p.u. at 0.1 p.u. (per / unit) based on effective value. In the case of swell, it has a duration of about 1 minute at 0.5 cycle, and it is applied to judge the swell when the effective value is 1.1 p.u. to 1.8 p.u.

<불평형(unbalance)><Unbalance>

불평형은 전압 혹은 전류의 3상의 크기가 일정하지 않고 불균형을 이루고 있는 상태를 의미하는 것으로, 불평형의 정도를 나타내기 위해 각 상의 전압과 평균전압과의 차이를 계산하여 이를 평균 전압으로 나누는 계산식(식2)과 그리고 전압이나 전류를 3상 대칭분 성분으로 분해하여 정상 성분과 역상 성분과의 비율을 계산하는 계산식(식3)으로 나타낼 수 있다.Unbalance refers to a condition in which the three phases of voltage or current are not constant but are unbalanced, and the difference between the voltage and the average voltage of each phase is calculated by dividing it by the average voltage to express the degree of unbalance. 2) and the voltage or current can be decomposed into three-phase symmetric components to calculate the ratio between the normal and reverse phase components (Equation 3).

Figure 112007012144115-PAT00002
(식 2)
Figure 112007012144115-PAT00002
(Equation 2)

Figure 112007012144115-PAT00003
(식 3)
Figure 112007012144115-PAT00003
(Equation 3)

<유효전력, 무효전력, 피상전력><Active power, reactive power, apparent power>

이상적인 정현 전압과 전류의 경우 전력과 에너지의 식은 전 세계적으로 이견이 없는 상태이지만 전압이나 전류의 파형이 왜곡된 경우에는 전력과 에너지를 정의하는 식에 여러 이견이 존재하는데 본 발명에서는 유효전력 P와 무효전력 Q, 피상전력 S는 다음과 같이 정의하였다.In the case of an ideal sinusoidal voltage and current, the equations of power and energy are undisputed worldwide, but there are many differences in the equations that define power and energy when the waveform of voltage or current is distorted. Reactive power Q and apparent power S are defined as follows.

Figure 112007012144115-PAT00004
(식 4)
Figure 112007012144115-PAT00004
(Equation 4)

Figure 112007012144115-PAT00005
(식 5)
Figure 112007012144115-PAT00005
(Eq. 5)

Figure 112007012144115-PAT00006
(식 6)
Figure 112007012144115-PAT00006
(Equation 6)

<역률, 변위율><Power factor, displacement rate>

파형의 변위(displacement)란 주기가 같은 두 주기 파형의 위상이 어긋난 정도를 말한다. 만일, 두 주기 파형의 모양이 서로 같고 단지 위상만Φ(rad)만큼 서로 차이가 난다면 이러한 Φ는 변위의 크기를 결정한다. 그러나 두 파형이 단지 주기만 같고 임의의 형태를 갖는 경우는 두 파형의 선후 관계를 정할 수 없게 된다. 이 경우 두 파형의 기본파의 위상차로 변위의 크기를 정하며, 전력 전달의 관점에서 변위를 고려하는 두 파형이 전압과 전류인 경우 파형의 일치 정도는 전력 전달의 효율성, 즉 역률과 밀접한 관련을 갖게된다.The displacement of a waveform is the degree to which phases of two periodic waveforms having the same period are out of phase. If, as if the I differ from each other both in the shape of a wave period equal to one another but only the phase Φ (rad) The Φ determines the size of the displacement. However, if two waveforms have only the same period and have an arbitrary shape, it is impossible to determine the posterior relationship between the two waveforms. In this case, the magnitude of the displacement is determined by the phase difference of the fundamental waves of the two waveforms, and in terms of power transmission, when the two waveforms considering the displacement are voltage and current, the degree of agreement between the waveforms is closely related to the efficiency of power transmission, that is, the power factor. do.

주기적인 전류, 전압에 대한 변위율(DPF, Displacement Factor)은 다음 식으로 정의할 수 있다.Displacement Factor (DPF) for periodic current and voltage can be defined by the following equation.

Figure 112007012144115-PAT00007
(식 7)
Figure 112007012144115-PAT00007
(Eq. 7)

여기서 Φ 1는 기본파 전류의 위상을 기준으로 한 기본파 전압의 위상을 나타내며, 변위율 DPF을 역률 PF와 비교하여 보면, PF는 다음과 같이 나타낼 수 있다.Here, Φ 1 represents the phase of the fundamental wave voltage based on the phase of the fundamental wave current, and when the displacement ratio DPF is compared with the power factor PF, PF can be expressed as follows.

Figure 112007012144115-PAT00008
(식 8)
Figure 112007012144115-PAT00008
(Eq. 8)

<고조파>Harmonics

고조파는 FFT을 통해 구한 각 주파수 성분의 계수 X[k]로부터 각 고조파 성분의 크기와 위상을 구한다. FFT의 출력으로부터 각 고조파 성분의 크기와 위상은 다음과 같이 구할 수 있다.Harmonics obtain the magnitude and phase of each harmonic component from the coefficient X [k] of each frequency component obtained through the FFT. From the output of the FFT, the magnitude and phase of each harmonic component can be obtained as follows.

Figure 112007012144115-PAT00009
(식 9)
Figure 112007012144115-PAT00009
(Eq. 9)

Figure 112007012144115-PAT00010
(식 10)
Figure 112007012144115-PAT00010
(Eq. 10)

이때 a[k]와 b[k]는 FFT 출력의 실수(real)값과 허수(imaginary)값을 의미한다. 위의 식9와 식10에서 구한 각 고조파의 크기로부터 THD(전고조파왜율), 왜곡률(DF), 전수요왜곡(TDD) 그리고 K factor를 다음과 같이 구할 수 있다.Where a [k] and b [k] mean real and imaginary values of the FFT output. THD (total harmonic distortion), distortion ratio (DF), total demand distortion (TDD), and K factor can be obtained from the magnitudes of the harmonics obtained in Equations 9 and 10 above.

<고조파 왜율>Harmonic Distortion

Figure 112007012144115-PAT00011
(식 11)
Figure 112007012144115-PAT00011
(Eq. 11)

Figure 112007012144115-PAT00012
(식 12)
Figure 112007012144115-PAT00012
(Eq. 12)

Figure 112007012144115-PAT00013
(식 13)
Figure 112007012144115-PAT00013
(Eq. 13)

<왜곡률><Distortion Factor>

Figure 112007012144115-PAT00014
(식 14)
Figure 112007012144115-PAT00014
(Eq. 14)

Figure 112007012144115-PAT00015
(식 15)
Figure 112007012144115-PAT00015
(Eq. 15)

Figure 112007012144115-PAT00016
(식 16)
Figure 112007012144115-PAT00016
(Eq. 16)

<전수요왜곡><Demand Distortion>

Figure 112007012144115-PAT00017
(식 17)
Figure 112007012144115-PAT00017
(Eq. 17)

Figure 112007012144115-PAT00018
(식 18)
Figure 112007012144115-PAT00018
(Eq. 18)

<K factor><K factor>

Figure 112007012144115-PAT00019
(식 19)
Figure 112007012144115-PAT00019
(Eq. 19)

다음은 전력외란 검출 및 자동식별에 대해 설명한다.The following describes power disturbance detection and automatic identification.

전력 외란이란 실제로 전력 시스템에서 발생하는 전기 자기적 외란 현상으로 인하여 전력이 정격 전압(전류) 또는 정격 주파수(60Hz)를 유지하지 못하는 것을 말하는 것으로, 일반적인 선로의 지락으로 인한 전력 공급의 중단부터 고조파 전류의 유입으로 인한 공급전압의 왜곡 등 그 원인과 종류가 다양하게 발생하고 있다.Power disturbance refers to the fact that power cannot maintain the rated voltage (current) or rated frequency (60 Hz) due to the electromagnetism disturbance that actually occurs in the power system. Harmonic current from the interruption of the power supply due to the ground fault There are various causes and types such as distortion of supply voltage due to the inflow of water.

전력외란 검출시 외란의 시점과 끝점을 측정하여 외란의 존재구간을 결정하며, 인접 사이클의 값을 비교하는 방법, 전문가 시스템을 이용하는 방법, 웨이블릿 변환을 이용하는 방법 등이 있다.In the detection of power disturbance, the time and end point of the disturbance are measured to determine the existence period of the disturbance, and there are methods of comparing adjacent cycle values, using an expert system, and using a wavelet transform.

본 발명에서는 웨이블릿을 이용하여 전력외란의 특징을 추출/식별하는 방법을 사용하고 있으며, 선형판별식을 적용하여 외란 신호의 데이터에서 주성분만을 추출하여 인공 신경망 알고리즘을 통해 전력외란을 자동 식별하도록 하였다.In the present invention, a method of extracting / identifying a feature of power disturbance using wavelets is used. By applying linear discrimination, only a main component is extracted from data of a disturbance signal to automatically identify power disturbance through an artificial neural network algorithm.

전력 신호를 웨이블릿 변환하여 외란을 검출하고 특징벡터를 추출하며, 인공신경망 알고리즘을 통해 자동식별하는 과정의 전체 흐름을 도 2에서 나타내고 있다.The entire flow of the process of wavelet transforming power signals to detect disturbances, extracting feature vectors, and automatically identifying them through an artificial neural network algorithm is shown in FIG. 2.

<웨이블릿변환><Wavelet transform>

본 발명에 따른 외란 검출 및 특징벡터 추출을 위해 천이신호의 분석에 많이 이용되고 있는 웨이블릿 변환을 적용한다.For the disturbance detection and feature vector extraction according to the present invention, the wavelet transform, which is widely used for the analysis of the transition signal, is applied.

웨이블릿 변환은 신호를 시간-주파수 평면에 나타내는 해석 방법으로 원형 함수(Mother wavelet)의 이동 및 팽창에 의해 다중 분해능 해석이 가능한 알고리즘을 말한다.Wavelet transform is an analysis method that represents a signal in the time-frequency plane and refers to an algorithm capable of multi-resolution analysis by moving and expanding a mother wavelet.

특히, 위의 웨이브릿변환기(11)에서의 웨이블릿 변환 중 이산 웨이블릿 변환을 이용하면 정보의 중복이 없는 전력 외란 신호를 검출할 수 있다.In particular, when the discrete wavelet transform is used among the wavelet transforms in the wavelet converter 11, the power disturbance signal without information duplication can be detected.

웨이블릿은 어떤 하나의 함수를 확장 또는 축소와 천이를 시키면서 발생되는 데 L 2(R)에 속하는 어떤 함수의 확장을 제공한다. 이러한 웨이블릿은 블록화 된 신호들을 분해하는데 사용되며, 그 특징으로 시간과 주파수영역 모두에서 좋은 해상도를 나타낼 수 있다는 점을 들 수 있다.Wavelets are generated by expanding or contracting or translating a single function, and provide an extension of any function belonging to L 2 (R). These wavelets are used to decompose blocked signals, and their feature is that they can exhibit good resolution in both time and frequency domains.

본 발명에서는 전력컴퓨터(10)의 계산량을 고려하여 이산 웨이블릿 변환(DWT)을 사용하였으며, 이 이산 웨이블릿 변환식은 다음 식20과 같이 정의할 수 있다.In the present invention, the discrete wavelet transform (DWT) is used in consideration of the calculation amount of the power computer 10, which can be defined as Equation 20 below.

Figure 112007012144115-PAT00020
(식 20)
Figure 112007012144115-PAT00020
(Eq. 20)

특히, 본 발명에서는 도베쉬4 함수에 기반하여 웨이블릿 변환을 수행하였으며 도베쉬4 함수는 다음 변환 행렬을 사용하여 정의할 수 있다.In particular, in the present invention, the wavelet transform is performed based on the Dovesh 4 function, and the Dovesh 4 function can be defined using the following transformation matrix.

Figure 112007012144115-PAT00021
Figure 112007012144115-PAT00021

여기서 빈 입력은 제로를 나타내며, 숫자 C0 , C1 , C2 C3는 아래와 같은 확실한 직교 프로퍼티를 만족하며,Where the empty input represents zero and the numbers C0 , C1 , C2 And C3 satisfies the following orthogonal properties:

Figure 112007012144115-PAT00022
Figure 112007012144115-PAT00022

Figure 112007012144115-PAT00023
Figure 112007012144115-PAT00023

Figure 112007012144115-PAT00024
Figure 112007012144115-PAT00024

Figure 112007012144115-PAT00025
Figure 112007012144115-PAT00025

다음의 유일한 솔루션으로 충족 한다.Meet with the only solution of:

Figure 112007012144115-PAT00026
Figure 112007012144115-PAT00026

Figure 112007012144115-PAT00027
Figure 112007012144115-PAT00027

Figure 112007012144115-PAT00028
Figure 112007012144115-PAT00028

Figure 112007012144115-PAT00029
Figure 112007012144115-PAT00029

배열 X의 웨이블릿 도베쉬4 변환은 다음식21과 같이 정의하였다.The wavelet Dovesh 4 transform of the array X is defined as in Equation 21 below.

웨이블릿 도베쉬4{X}=C*X (식 21)Wavelet Dovesh 4 {X} = C * X (Equation 21)

<선형판별분석><Linear Discrimination Analysis>

선형판별분석법은 대표적인 특징 벡터 차원 축소 기법 중의 하나로서, 클래스 간 분산(between-class scatter)과 클래스 내 분산(within-class scatter)의 비율을 최대화하는 방식으로 데이터에 대한 특징 벡터의 차원을 축소하는 방법을 말한다.Linear discriminant analysis is one of the representative feature vector dimension reduction techniques, which reduces the dimension of feature vectors for data by maximizing the ratio of between-class scatter and with-class scatter. Say how.

클래스 간 분산과 클래스 내 분산의 개념을 2차원 공간에서 그림으로 표현하 면 도 3a와 도 3b와 같이 표현되는데, 이것으로부터 상기 도 3a는 클래스 간의 간격이 넓고 클래스 간의 판별이 도 3b에 비하여 훨씬 나은 것을 알 수 있다.3A and 3B are used to express the concept of class dispersion and class dispersion in a two-dimensional space. From this, FIG. 3A shows a wider space between classes and better discrimination between classes than in FIG. 3B. It can be seen that.

만약, 도 4와 같이 3개의 클래스를 형성하는 2차원 데이터가 있을 경우에 여러 가지 변환 행렬을 통하여 1차원 부 공간으로 사상을 취하는 것이 가능하다. 그 중에서는 클래스 간 분류의 견지에서 판별이 용이한 분포를 이루도록 하는 사상과 판별하기 어려운 분포를 이루도록 하는 사상이 있을 수 있다. 선형판별분석법은 특징 공간상에서 클래스 분리를 최대화하는 주축으로 사상시켜 선형 부 공간으로 차원을 축소하는 방법이다.If there are two-dimensional data forming three classes as shown in FIG. 4, it is possible to map to one-dimensional subspace through various transformation matrices. Among them, in terms of class classification, there may be an idea of making a distribution that is easy to discriminate and an idea of making a distribution that is difficult to distinguish. Linear discriminant analysis is a method of reducing dimensions to linear subspaces by mapping them to the major axis that maximizes class separation in the feature space.

결국, 선형판별분석법은 데이터의 최적 분류의 견지에서 데이터를 축소하는 방법이라고 할 수 있다.After all, the linear discriminant analysis method can be said to reduce the data in view of the optimal classification of the data.

이러한 원리에 입각하여 최적화된 변환행렬을 구하면 식22와 같다.Based on this principle, the optimized conversion matrix can be obtained from Eq.

Figure 112007012144115-PAT00030
(식 22)
Figure 112007012144115-PAT00030
(Eq. 22)

본 발명에서는 식(20)을 적용하여 검출된 외란 데이터의 주성분만을 추출하여 신경망 알고리즘에 입력되는 데이터의 양을 감소시킴으로써 그 성능을 향상시켰다.In the present invention, the performance is improved by reducing the amount of data input to the neural network algorithm by extracting only the principal component of the detected disturbance data by applying Equation (20).

<전력 외란의 특징벡터 추출><Feature Vector Extraction of Power Disturbance>

검출된 외란의 종류를 판단하기 위해서는 외란에 대한 적절한 정보를 추출하여 외란식별기(13)에 인가하여야 한다. 특히 식별기의 입력은 가급적 데이터 양이 적고 각 신호의 특징을 최대한으로 포함하고 있을수록 좋다. 특징벡터추출기(12)에 의한 특징벡터추출이란 이와 같이 검출된 각 외란의 특성을 대표할 수 있는 값들을 추출하는 과정을 말하며 특징벡터를 식별기의 입력으로 사용함으로써 식별기의 식별능력을 좀 더 향상시킬 수 있다.In order to determine the type of detected disturbance, appropriate information on the disturbance should be extracted and applied to the disturbance identifier 13. In particular, the input of the identifier should be as small as possible and contain the maximum characteristics of each signal. The feature vector extraction by the feature vector extractor 12 refers to a process of extracting values that can represent the characteristics of each disturbance detected in this way, and by using the feature vector as an input to the identifier, the identifier of the identifier can be further improved. Can be.

본 발명에서는 전압 외란과 전류 고조파 외란의 특징이 다르기 때문에 각각 다른 방법으로 특징벡터를 추출하였으며 그 방법은 다음과 같다.In the present invention, since the characteristics of voltage disturbance and current harmonic disturbance are different, the feature vectors are extracted by different methods, and the method is as follows.

-전압 외란의 특징벡터 추출과정-Feature Vector Extraction Process of Voltage Disturbance

1단계 : 검출된 데이터로부터 외란의 특성이 충분히 포함될 수 있도록 소정길이의 외란 데이터를 얻는다. 이때 뽑아낸 데이터의 길이가 너무 짧으면 외란의 특성이 잘 나타나지 않고 데이터의 길이가 너무 길면 식별기의 입력이 커지기 때문에 적절한 길이의 외란 데이터를 얻어야 한다.Step 1: From the detected data, the disturbance data having a predetermined length is obtained to sufficiently include the disturbance characteristics. At this time, if the length of the extracted data is too short, the characteristics of disturbance do not appear well. If the length of the data is too long, the input of the identifier becomes large.

본 발명에서는 1주기의 외란 데이터를 이용한다.In the present invention, one cycle of disturbance data is used.

2단계 : 전력 외란의 주파수 특성이 두드러지게 하기 위해 고속 푸리에 변환기(FFT)을 이용하여 기본파(60Hz)를 제거한다.Step 2: Remove the fundamental wave (60Hz) using a fast Fourier transformer (FFT) to make the frequency characteristic of power disturbance stand out.

고속 푸리에 변환은 시간 축에 표현된 신호를 주파수 축으로 변환시켜 표현할 수 있는 알고리즘으로써 신호의 주파수 정보를 알아볼 수 있어 신호처리 및 분석에 많이 사용되었으나, 신호의 시간-주파수 정보를 모두 표현할 수 없어 본 발명에서는 고속 푸리에 변환으로 기본파가 제거된 신호를 다시 웨이블릿 변환하여 전압 외란의 특징 벡터를 추출한다.Fast Fourier transform is an algorithm that converts the signal expressed on the time axis into the frequency axis and can be used for signal processing and analysis because it can recognize the frequency information of the signal, but it cannot represent all the time-frequency information of the signal. In the present invention, a wavelet transform of a signal from which fundamental waves are removed by fast Fourier transform is used to extract a feature vector of voltage disturbance.

3단계 : 기본파를 제거한 신호를 웨이블릿 변환한다. 본 발명에서는 다양한 웨이블릿 필터를 적용시켜 신호를 분석해 본 다음 웨이블릿 변환이 계산량 및 신호 의 특징 추출의 정도를 관찰하여 가장 좋은 성능을 나타내는 웨이블릿 필터를 적용한다.Step 3: Wavelet transform the signal from which the fundamental wave is removed. In the present invention, after analyzing various signals by applying various wavelet filters, the wavelet transform observes the calculation amount and the degree of feature extraction of the signal and applies the wavelet filter showing the best performance.

4단계 : 저주파 외란의 식별 성능을 개선시키기 위해 신호의 파워(power)값을 특징벡터에 결합한다. 상기 1단계 내지 3단계를 통하여 얻어진 특징 벡터들은 60hz 기본 성분이 제거되었기 때문에 기본파의 파워가 식별에 큰 영향을 주는 sag, swell의 식별에는 어려움이 있으므로, 신호의 파워값을 특징 벡터에 결합함으로써 더 좋은 식별 성능을 보일 수 있게 한다.Step 4: Combine the power value of the signal with the feature vector to improve the identification of low frequency disturbances. Since the feature vectors obtained through the first to third steps have been removed from the 60hz fundamental component, it is difficult to identify sag and swell in which the power of the fundamental wave greatly affects the identification. It allows for better identification performance.

5단계 : 선형판별식을 적용하여 각각의 전력 외란의 특징을 가장 많이 포함하는 성분만을 뽑아낸다. 선형판별식의 기준(Criterion)은 다음과 같이 표현될 수 있다.Step 5: Apply linear identification to extract only the components that contain the most characteristic of each power disturbance. Criterion of the linear identification can be expressed as follows.

Figure 112007012144115-PAT00031
(식 23)
Figure 112007012144115-PAT00031
(Eq. 23)

전압 외란의 검출 알고리즘은 다음 도 5와 같다.The detection algorithm of the voltage disturbance is shown in FIG. 5.

먼저, 전력컴퓨터에서는 샘플링되어 들어오는 신호를 한 주기 단위로 웨이블릿 변환을 시킨다. 샘플링 신호를 웨이블릿 변환을 하면 고주파수 영역과 저주파수 영역이 얻어진다. 상기 고주파수 영역의 계수는 외란 신호를 결정짓는 문턱값과 비교하여 문턱값을 충족하면 외란 발생시간과 파형을 저장한다. 만일 문턱값에 충족하지 못하면 저장된 데이터가 있는지 확인한다. 여기서 저장된 데이터가 있으면 저장된 데이터의 파워(Power)값과 정상 파형의 파워 값을 비교하고 저장된 데이터가 없으면 다시 입력을 받는다.First, the power computer performs wavelet conversion on a sampled incoming signal in one cycle unit. Wavelet transforming the sampling signal yields a high frequency region and a low frequency region. The coefficient of the high frequency region stores the disturbance occurrence time and waveform when the threshold is satisfied by comparing with the threshold value that determines the disturbance signal. If the threshold is not met, check if there is any stored data. Here, if there is stored data, the power value of the stored data is compared with the power value of the normal waveform, and if there is no stored data, it is input again.

여기서 저장된 데이터 유무의 확인과 정상신호의 파워값과 비교하는 이유는 웨이블릿 과도현상 때문인데, 도베쉬4 웨이블릿은 순간적으로 변화하는 과도현상이 나타날 때 높은 계수 값을 나타내므로 순간전압상승, 순간전압강하, 순간정전의 경우 외란의 시작 및 끝점에서만 웨이블릿을 통한 외란 검출이 가능하다. 이것은 한 주기 이상의 외란의 경우 그 지속 여부를 판단하기 어렵기 때문이다.The reason for checking whether there is stored data and comparing it with the power value of the normal signal is due to wavelet transient. The Dovesh 4 wavelet exhibits a high coefficient value when a transient transient occurs, and thus an instantaneous voltage increase and an instantaneous voltage drop. In the case of momentary power failure, disturbance detection is possible through wavelets only at the start and end of disturbance. This is because it is difficult to determine whether the disturbance lasts more than one cycle.

-전류 고조파 외란의 특징벡터 추출과정-Feature Vector Extraction Process of Current Harmonic Disturbance

1단계 : 1주기의 외란 데이터를 추출하여 고속 푸리에 변환을 통하여 정규화한 50차(3000Hz)까지의 고조파 스펙트럼을 얻어낸다.Step 1: Extract the disturbance data of one cycle and obtain the harmonic spectrum up to 50th order (3000Hz) normalized by fast Fourier transform.

2단계 : 고조파 외란의 스펙트럼의 특성상 제3차(180Hz) 고조파의 유무 또는 크기가 외란의 식별에 큰 영향을 미치므로 여기에서는 적당한 문턱 값을 통해 고조파 외란을 다음의 두 종류로 나눈다.Stage 2: Harmonic Disturbance Due to the nature of the spectrum, the presence or magnitude of the third harmonic (180 Hz) harmonics has a great influence on the identification of disturbances. Therefore, harmonic disturbances are divided into the following two types through appropriate threshold values.

i) 제 3차 고조파의 크기가 일정 값보다 큰 경우i) when the magnitude of the third harmonic is greater than a certain value

ii) 제 3차 고조파의 크기가 일정 값보다 작은 경우ii) the third harmonic is smaller than a certain value;

3단계 : THD(Total Harmonic Distortion)값을 계산하여 특징벡터에 추가한다. 여기서 THD값은 앞에서 기술한 식11로부터 구해진다.Step 3: Calculate Total Harmonic Distortion (THD) and add it to the feature vector. The THD value is obtained from Equation 11 described above.

4단계 : Fisher’s Criterion을 적용하여 각각의 고조파 외란의 특징을 가장 많이 포함하는 성분만을 뽑아낸다.Step 4: Apply Fisher's Criterion to extract only the components that contain the most characteristic of each harmonic disturbance.

위의 고조파 특징벡터를 이용한 고조파 외란의 검출 알고리즘은 도 6과 같다.Harmonic disturbance detection algorithm using the above harmonic feature vector is shown in FIG.

여기서는 아날로그 입력신호를 샘플링하여 메모리에 저장한 후 웨이브릿변환 과정을 거쳐 전압 외란의 검출 알고리즘과 같이 외란을 결정짓는 문턱값에의 적용을 통해 문턱값을 충족하면 발생시간과 파형을 저장하고 충족하지 않으면 저장데이터 유무를 판단한다.In this case, the analog input signal is sampled and stored in memory, and then subjected to wavelet transformation to apply the threshold value that determines the disturbance, such as a voltage disturbance detection algorithm. If not, determine whether there is any saved data.

이때 저장데이터가 없으면 메모리의 데이터를 불러와 앞서 설명한 웨이블릿변환 과정을 다시 수행하고 저장데이터가 존재하면 처리된 데이터를 외란으로 간주하여 외란을 식별하여 이를 데이터베이스에 저장한다.At this time, if there is no stored data, the data of the memory is loaded and the wavelet transformation process described above is performed again. If the stored data exists, the processed data is regarded as disturbance, and the disturbance is identified and stored in the database.

<식별기 설계><Identifier Design>

본 발명에서는 전력 외란의 식별을 위하여 신경회로망을 사용하는데, 이 신경망회로은 인간의 뇌 구조를 이용하여 모델링된 알고리즘으로 학습이 가능하다는 장점을 가지고 있어 특히 패턴 인식분야에 많이 활용되고 있다.In the present invention, a neural network is used for identification of power disturbance. The neural network has an advantage of being able to be learned by an algorithm modeled using a human brain structure, and thus, the neural network has been widely used in the field of pattern recognition.

도 7은 인간의 뉴런을 모방한 인공 신경회로망으로서 크게 입력층, 은닉층 및 출력층으로 이루어져 있다. 여기서 입력층과 출력층은 각각 하나씩 꼭 존재해야 하며, 은닉층의 경우 작업의 종류에 따라 없어도 되고 다수 개가 존재해도 된다.7 is an artificial neural network that mimics human neurons, and is composed of an input layer, a hidden layer, and an output layer. In this case, the input layer and the output layer must exist one by one, and in the case of the hidden layer, there may be no or several pieces depending on the type of work.

신경회로망의 가장 큰 장점은 학습능력이라 할 수 있다. 이 학습능력은 데이터들을 이용하여 회로망의 가중치(weights)를 학습시킴으로써 실제 신호가 들어올 경우, 사전 통계지식 없이 신호를 식별해 낼 수 있다. 특히 은닉층이 여러개 존재하는 다층신경망(Multi-layer perceptron)은 비선형 분리가 가능하다.The biggest advantage of neural network is learning ability. This learning ability uses the data to learn the weights of the network so that when a real signal comes in, it can identify the signal without prior statistical knowledge. In particular, multi-layer perceptrons with multiple hidden layers are capable of nonlinear separation.

다층신경망 식별기는 입력에 대한 출력 값을 알고 있는 상태에서 학습을 진행하는 교사학습(Supervised learning)방법의 식별기중 가장 널리 사용되고 있는 식별기로 1단 이상의 은닉층(hidden-layer)을 회로망에 추가함으로써 비선형 분 리(nonlinear separation)가 가능하도록 설계된다.The multilayer neural network identifier is the most widely used identifier of the supervised learning method that learns while the output value of the input is known, and adds one or more hidden-layers to the network. It is designed to enable nonlinear separation.

따라서 본 발명에서는 1단의 은닉층이 추가된 3층 구조의 다층신경망을 이용하여 식별기를 구현하였으며, 학습방법으로 신경망의 입력단으로부터 출력단까지 전파하여 출력치를 얻는 순방향 전파(forward propagation)와 이렇게 얻어진 출력치와 목표치 사이에 발생한 오차를 출력단에서부터 입력단 쪽으로 전파하여 가중치를 변화시켜 오차를 줄여나가는 역전파 알고리즘을 사용하였다.Therefore, in the present invention, an identifier is implemented by using a multi-layered neural network having a three-layer hidden layer, and a forward propagation obtained by propagating the output value from the input end of the neural network to the output end as a learning method and the output value thus obtained. The backpropagation algorithm was used to reduce the error by changing the weight by propagating the error between the output and the target from the output to the input.

도 8은 본 발명을 통해 기술될 3층 신경회로망의 구조와 입력층으로 입력된 데이터의 전방향 경로에 대해 간략하게 나타낸 것이다.FIG. 8 is a schematic diagram showing the structure of a three-layer neural network to be described through the present invention and the omnidirectional path of data input to the input layer.

여기서, 입력층과 은닉층사이, 은닉층과 출력층 사이의 연결가중치들은 랜덤함수를 통해 초기화한다.Here, the connection weights between the input layer and the hidden layer and between the hidden layer and the output layer are initialized through a random function.

입력패턴에 대한 전방향 전파(forward propagation)의 계산은 입력층에서는 입력층에 입력된 값을 그대로 출력하고 은닉층에서는 식 24와 같이 입력층에서 출력된 값과 입력층과 은닉층 사이의 연결가중치를 곱하여 은닉층의 입력으로 하며, 문턱값이 존재하는 경우 더한다.The calculation of forward propagation on the input pattern is performed by outputting the value input to the input layer as it is in the input layer, and multiplying the value output from the input layer by the connection weight between the input layer and the hidden layer as shown in Eq. It is an input of the hidden layer, and is added if a threshold exists.

Figure 112007012144115-PAT00032
(식 24)
Figure 112007012144115-PAT00032
(Eq. 24)

위 식24에서 wji는 뉴런i와 뉴런j간의 연결 가중치, netj는 뉴런j의 입력,θj는 j뉴런의 문턱값, oi는 뉴런i의 활성값이다.In the above formula 24 are connected between the neuron i wji and neurons j weight, netj an input of the neuron j, the threshold value θj of the neuron j, oi is an activity value of the neuron i.

은닉층의 입력을 활성함수에 취하여 출력값으로 한다. 활성함수는 시그모이드 함수를 이용하였으며 다음 식25와 같다.The input of the hidden layer is taken as an output function by taking an active function. The activity function was used as sigmoid function and is shown in the following equation.

Figure 112007012144115-PAT00033
(식 25)
Figure 112007012144115-PAT00033
(Eq. 25)

출력층에서는 은닉층에서 출력된 값과 은닉층과 출력층 사이의 연결가중치를 곱하여 출력층의 입력으로 하며, 문턱값이 존재하는 경우 더한다. 그리하여 출력층의 입력을 활성함수에 취하여 최종 출력값을 계산한다. 목적패턴과 최종 출력값을 비교하여 오차를 계산하며, 오차가 적절하면 중단하고 그렇지 않으면 역전파를 수행한다.In the output layer, the value output from the hidden layer and the connection weight between the hidden layer and the output layer are multiplied as inputs of the output layer, and are added when a threshold exists. Thus, the input of the output layer is taken into an active function and the final output value is calculated. Compute the error by comparing the target pattern with the final output value. If the error is appropriate, stop it. Otherwise, back propagate.

도 9는 본 발명에서 사용된 일반화된 델타 규칙의 에러 역전파 알고리즘을 나타낸 도면이다.9 illustrates an error backpropagation algorithm of the generalized delta rule used in the present invention.

도 9에서 출력층은 위에서 구해진 오차를 활성함수의 미분식에 취하여 델타값을 구한다. 이 값을 바탕으로 출력층과 은닉층 사이의 새로운 연결가중치를 계산한다. 출력층에서 구해진 델타 값들과 출력층과 은닉층 사이의 연결가중치들을 곱하여 모두 더하면 은닉층에 대한 새로운 델타 값이 구해지는데 이 값을 바탕으로 은닉층과 입력층 사이의 새로운 연결가중치를 계산한다.In FIG. 9, the output layer obtains the delta value by taking the above-described error into the derivative of the active function. Based on this value, the new connection weight between the output layer and the hidden layer is calculated. Multiplying the delta values obtained at the output layer by the connection weights between the output layer and the hidden layer yields a new delta value for the hidden layer. Based on this value, the new connection weight between the hidden layer and the input layer is calculated.

식24와 식25를 다음과 같이 다시 정의하면,Redefined Eq 24 and Eq 25 as

Figure 112007012144115-PAT00034
(Sigmoid 함수) (식 26)
Figure 112007012144115-PAT00034
(Sigmoid function) (Equation 26)

Figure 112007012144115-PAT00035
(식 27)
Figure 112007012144115-PAT00035
(Eq. 27)

일반화된 델타규칙을 적용한 연결가중치의 조절량은 식28, 식29와 같이 구할 수 있다.The amount of adjustment of the link weights using the generalized delta rules can be obtained as shown in Eqs. 28 and 29.

Figure 112007012144115-PAT00036
(식 28)
Figure 112007012144115-PAT00036
(Eq. 28)

Figure 112007012144115-PAT00037
(식 29)
Figure 112007012144115-PAT00037
(Eq. 29)

신경회로망에서 입출력 패턴 p에 대한 출력층 뉴런의 출력과 목적패턴과의 오차는 식30과 같이 정의한다.The error between the output of the output layer neuron and the target pattern for the input / output pattern p in the neural network is defined as shown in Eq.

Figure 112007012144115-PAT00038
(식 30)
Figure 112007012144115-PAT00038
(Eq. 30)

Figure 112007012144115-PAT00039
(식 31)
Figure 112007012144115-PAT00039
(Eq. 31)

위 식31은 m개의 입출력 패턴에 대한 전체 오차를 나타낸 식이다.Equation 31 above shows the total error of m input / output patterns.

위 과정의 전체적인 흐름을 도식화하여 표현하면 도 10과 같다.The overall flow of the above process is represented as shown in FIG.

도 10에서 inpat은 입력패턴, hidunit은 은닉층 뉴런의 출력값, outunit은 출력층 뉴런의 출력값, wh는 은닉층과 입력층 사이의 연결가중치, wo는 출력층과 은닉층 사이의 연결가중치, net는 각 층 뉴런의 입력이고, h는 은닉층, o는 출력층을 나타낸다.In FIG. 10, inpat is an input pattern, hidunit is an output value of a hidden layer neuron, outunit is an output value of an output layer neuron, wh is a connection weight value between the hidden layer and the input layer, wo is a connection weight value between the output layer and the hidden layer, and net is an input of each layer neuron. Where h is a hidden layer and o is an output layer.

전력컴퓨터(10)에 의한 위와 같은 전기품질 진단 분석 데이터는 디스플레이(20)를 통하여 다양한 형태로 표시된다.The electrical quality diagnostic analysis data by the power computer 10 is displayed in various forms through the display 20.

도 11은 전기품질 진단 분석 시스템의 메인그래프 모드화면으로서, 여기서는 디스플레이 화면의 메인 그래프(Main Graph)로 보여지는 3상 입력신호의 전압과 전류 파형그래프를 통하여 전압 및 전류의 품질을 감시할 수 있다.FIG. 11 is a main graph mode screen of an electrical quality diagnostic analysis system. Here, voltage and current quality can be monitored through voltage and current waveform graphs of a three-phase input signal shown in a main graph of a display screen. .

도 12는 시뮬레이터 모드의 디스플레이 화면으로서, 비전문가들의 전기 신호 에 대한 이해를 돕기 위해 전압 값, 전류 값, 주파수의 변화에 따른 파형의 변화를 시뮬레이션 기능을 통해 직관적으로 파악할 수 있도록 하고 있다.12 is a display screen of the simulator mode, in order to help the non-experts to understand the electrical signal, it is possible to intuitively grasp the change of the waveform according to the change of the voltage value, the current value, and the frequency through the simulation function.

도 13은 전력외란 자동식별 모드의 디스플레이화면으로서, 인공 신경회로망 알고리즘을 적용하여 Sag, Swell, Interruption, Harmonic을 컴퓨터 학습에 의해 자동식별을 할 수 있는 기능을 보이고 있다.FIG. 13 is a display screen of a power disturbance automatic identification mode, and shows a function of automatically identifying Sag, Swell, Interruption, and Harmonic by computer learning by applying an artificial neural network algorithm.

도 14는 안내(Information)모드로서, 이벤트가 발생하면 미리 입력/저장되어 있는 발생 이벤트에 대한 정보를 디스플레이하여 관리자로 하여금 신속하고 적절한 대처를 할 수 있게 한다.FIG. 14 is an information mode. When an event occurs, FIG. 14 displays information on an event which is input / stored in advance so that an administrator can quickly and appropriately respond.

도 15는 서브그래프(Sub Graph)모드로서, 3상 신호를 모두 감시하는 메인그래프와는 달리 서브그래프에서는 이벤트가 발생한 상의 신호를 감시할 수 있도록 하고 있다.FIG. 15 shows a subgraph mode. Unlike a main graph that monitors all three-phase signals, the subgraph allows monitoring of a phase signal in which an event has occurred.

도 16은 고조파그래프(Harmonic Graph)로서, 실시간 3상 전력신호의 전압, 전류에 대한 고조파 값을 고속 푸리에 변환(FFT)을 통해 실시간으로 감시할 수 있도록 하고 있다.FIG. 16 is a harmonic graph that monitors harmonic values of voltage and current of a real-time three-phase power signal in real time through a fast Fourier transform (FFT).

이와 같은 본 발명의 전기품질 진단 분석 방법은 인공 신경회로망을 통해 전력외란을 자동으로 식별하도록 하고 이를 디스플레이를 통하여 실시간으로 현재의 전기신호 상태를 모니터링 할 수 있도록 함으로서 미숙련자도 직관적으로 전기품질을 파악할 수 있게 되는 특유의 효과를 얻을 수 있다.Such electrical quality diagnostic analysis method of the present invention is to automatically identify the power disturbance through the artificial neural network and to monitor the current electrical signal state in real time through the display, even the unskilled person can intuitively grasp the electrical quality. You can get the distinctive effect.

또한 본 발명은 특수 신경회로망을 이용하는 기존의 방식과는 달리 보편적으 로 널리 사용되고 있고 3층 신경망을 이용하며, 수학적 연산을 통해 구해진 전력 파라메터 값들로 제한을 두어 그 정밀성을 높이고 있다.In addition, the present invention is widely used, unlike the conventional method using a special neural network, and using a three-layer neural network, by limiting the power parameter values obtained through mathematical operations to increase the precision.

또한 본 발명은 학습 알고리즘으로 역전파(back propagation) 알고리즘을 사용하며, 외란의 특징 검출을 위해 고속 푸리에 변환과 신호의 다중 분해능 해석에 뛰어난 이산 웨이블릿 변환을 통해 선형판별식으로 특징데이터의 주성분만을 추출하여 전기품질을 정밀하고 간단하게 진단 분석할 수 있는 효과를 가져온다.In addition, the present invention uses a back propagation algorithm as a learning algorithm, and extracts only the principal component of the feature data by linear discrimination through a fast Fourier transform and discrete wavelet transform, which is excellent for multi-resolution analysis of a signal for detecting disturbance features. This results in an accurate and simple diagnostic analysis of the electrical quality.

Claims (4)

웨이브릿변환기와 특징벡터추출기와 외란식별기를 포함하는 전력컴퓨터를 이용하여 인입전력의 품질을 진단 분석하기 위한 방법에 있어서, 입력전압 또는 입력전류의 파형을 각각 웨이브릿 변환하여 전압외란 또는 고조파외란의 특징벡터를 추출하는 단계와, 추출된 전압외란 또는 고조파외란의 특징벡터를 각각 인공지능 신경회로망 식별기에 대입시켜 현재 입력전압 또는 입력전류의 외란특성을 상기 식별기의 학습데이터에서 식별하는 단계와, 식별된 입력전압 또는 전류의 파형 및 외란 특성을 그래픽 형태로 디스플레이하는 단계를 포함하는 것을 특징으로 하는 지능형 전기품질 진단 분석 방법.A method for diagnosing the quality of incoming power using a power computer including a wavelet converter, a feature vector extractor, and a disturbance identifier, wherein the waveform of the input voltage or the input current is wavelet-converted, Extracting the feature vector, and assigning the extracted feature vector of the voltage disturbance or harmonic disturbance to the artificial intelligence neural network identifier, respectively, and identifying the disturbance characteristic of the current input voltage or input current in the learning data of the identifier; Intelligent electrical quality diagnostic analysis method comprising the step of displaying in a graphical form the waveform and disturbance characteristics of the input voltage or current. 제 1항에 있어서, 상기 전압외란 특징벡터의 추출은 검출된 데이터로부터 외란의 특성이 충분히 포함될 수 있도록 소정길이의 외란 데이터를 얻는 단계와. 확보한 외란데이터를 고속 푸리에 변환기(FFT)을 이용하여 기본파(60Hz)를 제거하는 것으로 전력 외란의 주파수 특성이 두드러지게하는 단계와, 기본파가 제거된 외란데이터 신호를 웨이블릿 변환하는 단계와, 신호의 파워값을 특징 벡터에 결합하여 저주파 외란의 식별 성능을 개선시키는 단계와, 선형판별식으로 각각의 전력 외란의 특징을 가장 많이 포함하는 성분만을 추출하는 단계를 포함하는 것을 특징으로 하는 지능형 전기품질 진단 분석 방법.The method of claim 1, wherein the extraction of the voltage disturbance feature vector comprises: obtaining disturbance data having a predetermined length so that the characteristic of the disturbance can be sufficiently included from the detected data. Making the frequency characteristic of power disturbance stand out by removing the fundamental wave (60Hz) by using the fast Fourier transformer (FFT), and wavelet transforming the disturbance data signal from which the fundamental wave is removed; Combining the power value of the signal with the feature vector to improve the identification performance of the low frequency disturbance, and extracting only the components that contain the most characteristic of each power disturbance by linear discrimination. Quality diagnostic analysis method. 제 2항에 있어서, 상기 특징벡터의 추출을 위한 외란데이터의 길이는 1주기데이터인 것을 특징으로 하는 지능형 전기품질 진단 분석 방법.The intelligent electrical quality diagnostic analysis method of claim 2, wherein the length of the disturbance data for extracting the feature vector is one period of data. 제 1항에 있어서, 상기 고조파외란 특징벡터의 추출은 소정길이의 외란 데이터를 추출하여 고속 푸리에 변환을 통해 정규화한 수십 차수의 고조파 스펙트럼을 얻는 단계와, 상기 고조파 외란 스펙트럼에서 제3차(180Hz) 고조파의 유무 및 크기를 이용한 고조파 외란 식별용 문턱 값을 설정을 위해 제3차 고조파의 크기가 일정 값보다 큰 경우와 제3차 고조파의 크기가 일정 값보다 작은 경우로 분류하는 단계와, 상기 고조파성분의 크기와 위상으로 전고조파왜율을 계산하여 특징벡터에 추가하는 단계와, 상기 특징벡터로부터 각각의 고조파 외란의 특징을 가장 많이 포함하는 성분만을 추출하는 단계를 포함하는 것을 특징으로 하는 지능형 전기품질 진단 분석 방법.The method of claim 1, wherein the extracting of the harmonic disturbance feature vector comprises extracting disturbance data having a predetermined length to obtain harmonic spectra of several orders of magnitude normalized by fast Fourier transform, and performing a third order (180 Hz) in the harmonic disturbance spectrum. Classifying the harmonic disturbance identification threshold value using the presence or absence of harmonics into a case where the third harmonic is larger than a predetermined value and the third harmonic is smaller than a predetermined value, and the harmonics Intelligent harmonic quality comprising the step of calculating the total harmonic distortion based on the size and phase of the component and adding it to the feature vector, and extracting only the component containing the most characteristic of each harmonic disturbance from the feature vector. Diagnostic analysis method.
KR1020070013581A 2007-02-09 2007-02-09 Method for diagnosis and analysis of electric power quality using artificial intelligence KR100918313B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070013581A KR100918313B1 (en) 2007-02-09 2007-02-09 Method for diagnosis and analysis of electric power quality using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070013581A KR100918313B1 (en) 2007-02-09 2007-02-09 Method for diagnosis and analysis of electric power quality using artificial intelligence

Publications (2)

Publication Number Publication Date
KR20080074441A true KR20080074441A (en) 2008-08-13
KR100918313B1 KR100918313B1 (en) 2009-09-21

Family

ID=39883767

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070013581A KR100918313B1 (en) 2007-02-09 2007-02-09 Method for diagnosis and analysis of electric power quality using artificial intelligence

Country Status (1)

Country Link
KR (1) KR100918313B1 (en)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608441A (en) * 2011-01-25 2012-07-25 华北电力科学研究院有限责任公司 S conversion based SDPQD (Short Duration Power Quality Disturbance) signal identifying method, device and system
TWI416148B (en) * 2010-12-29 2013-11-21 Univ Nat Taiwan Power diagnosing system and power predictive maintenance system
KR101352204B1 (en) * 2012-07-05 2014-01-16 성균관대학교산학협력단 Apparatus and method for classification of power quality disturbances at power grids
CN103616587A (en) * 2013-11-28 2014-03-05 河南辉煌科技股份有限公司 On-line type electric energy comprehensive quality analysis meter
CN104459397A (en) * 2014-12-08 2015-03-25 东北电力大学 Power quality disturbance recognizing method with self-adaptation multi-resolution generalized S conversion adopted
CN106908663A (en) * 2017-03-07 2017-06-30 国网江苏省电力公司电力科学研究院 A kind of charging electric vehicle harmonic identification method based on wavelet transformation
CN108921285A (en) * 2018-06-22 2018-11-30 西安理工大学 Single-element classification method in sequence based on bidirectional valve controlled Recognition with Recurrent Neural Network
CN111679158A (en) * 2020-08-04 2020-09-18 国网内蒙古东部电力有限公司呼伦贝尔供电公司 Power distribution network fault identification method based on synchronous measurement data similarity
CN114139436A (en) * 2021-09-14 2022-03-04 国网天津市电力公司 Low-voltage distribution network user power quality disturbance tracing method
CN117254574A (en) * 2023-09-25 2023-12-19 深圳航天科创泛在电气有限公司 Energy storage power distribution and emergency power supply system
CN117292576A (en) * 2023-10-10 2023-12-26 漳州建源电力工程有限公司 Charging parking space management system and method based on Internet of Things

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100204844B1 (en) * 1997-01-20 1999-06-15 박원훈 A method for controlling current in 3phase 3level pulse-width modulation inverter by using a neural network
KR20010104008A (en) * 2000-05-12 2001-11-24 고종선 Robust controller for position, speed and other signal
KR100367155B1 (en) * 2001-02-20 2003-01-09 학교법인 성균관대학 Method for reclosing a transmission line using nural network
KR100503215B1 (en) * 2003-04-04 2005-07-25 서효성 The diagnostic system of radiation signal of electrical power equipment

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI416148B (en) * 2010-12-29 2013-11-21 Univ Nat Taiwan Power diagnosing system and power predictive maintenance system
CN102608441A (en) * 2011-01-25 2012-07-25 华北电力科学研究院有限责任公司 S conversion based SDPQD (Short Duration Power Quality Disturbance) signal identifying method, device and system
KR101352204B1 (en) * 2012-07-05 2014-01-16 성균관대학교산학협력단 Apparatus and method for classification of power quality disturbances at power grids
CN103616587A (en) * 2013-11-28 2014-03-05 河南辉煌科技股份有限公司 On-line type electric energy comprehensive quality analysis meter
CN104459397A (en) * 2014-12-08 2015-03-25 东北电力大学 Power quality disturbance recognizing method with self-adaptation multi-resolution generalized S conversion adopted
CN106908663A (en) * 2017-03-07 2017-06-30 国网江苏省电力公司电力科学研究院 A kind of charging electric vehicle harmonic identification method based on wavelet transformation
CN108921285A (en) * 2018-06-22 2018-11-30 西安理工大学 Single-element classification method in sequence based on bidirectional valve controlled Recognition with Recurrent Neural Network
CN108921285B (en) * 2018-06-22 2021-05-25 西安理工大学 Bidirectional gate control cyclic neural network-based classification method for power quality disturbance
CN111679158A (en) * 2020-08-04 2020-09-18 国网内蒙古东部电力有限公司呼伦贝尔供电公司 Power distribution network fault identification method based on synchronous measurement data similarity
CN114139436A (en) * 2021-09-14 2022-03-04 国网天津市电力公司 Low-voltage distribution network user power quality disturbance tracing method
CN117254574A (en) * 2023-09-25 2023-12-19 深圳航天科创泛在电气有限公司 Energy storage power distribution and emergency power supply system
CN117292576A (en) * 2023-10-10 2023-12-26 漳州建源电力工程有限公司 Charging parking space management system and method based on Internet of Things

Also Published As

Publication number Publication date
KR100918313B1 (en) 2009-09-21

Similar Documents

Publication Publication Date Title
KR100918313B1 (en) Method for diagnosis and analysis of electric power quality using artificial intelligence
Lin et al. Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM
Kanirajan et al. Power quality disturbance detection and classification using wavelet and RBFNN
Saini et al. Classification of power quality events–a review
Gaing Wavelet-based neural network for power disturbance recognition and classification
US11527891B2 (en) Smart sensor for online situational awareness in power grids
Yılmaz et al. A real-time UWT-based intelligent fault detection method for PV-based microgrids
Manohar et al. Spatio-temporal information based protection scheme for PV integrated microgrid under solar irradiance intermittency using deep convolutional neural network
Chen et al. Intelligent transient overvoltages location in distribution systems using wavelet packet decomposition and general regression neural networks
CN110417351A (en) Photovoltaic system DC side arc fault detection systems and detection method
Chowdhury et al. A modular methodology for fast fault detection and classification in power systems
Gowrishankar et al. Transmission line fault detection and classification using discrete wavelet transform and artificial neural network
Mahla et al. Recognition of complex and multiple power quality disturbances using wavelet packet-based fast kurtogram and ruled decision tree algorithm
CN109635430A (en) Grid power transmission route transient signal monitoring method and system
Wilson et al. Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning
Reger et al. Machine allocation via pattern recognition in harmonic waves of manufacturing plants
Wang et al. Free Probability Theory Based Event Detection for Power Grids using IoT-Enabled Measurements
Sima et al. A framework for automatically cleansing overvoltage data measured from transmission and distribution systems
Aravena et al. A new approach to fast fault detection in power systems
Tiwari et al. Jestr r
Mampilly et al. Detection and classification of power system fault in IEEE 30 bus network using wavelet transform and novel hybrid Bees Bayesian Optimization algorithm based Improved convolution Neural network (ICNN)
Xu et al. A Wavelet Transform and ResNet Based Method for Sensing the Operational Status of Secondary Equipment in the Distribution Room
CN110135021B (en) ATRU system fault grading diagnosis method based on multi-source signals and RBF neural network
Badr et al. Fault Diagnosis of Three-Phase Induction Motors Using Convolutional Neural Networks.
Guo et al. Fault monitoring and diagnosis of induction machines based on harmonic wavelet transform and wavelet neural network

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20120724

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20130802

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20140805

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20150804

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20160906

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20180903

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20190903

Year of fee payment: 11