KR20100049412A - Time domain measuring method of harmonic components in distortion wave to analyze power quality - Google Patents

Time domain measuring method of harmonic components in distortion wave to analyze power quality Download PDF

Info

Publication number
KR20100049412A
KR20100049412A KR1020080108552A KR20080108552A KR20100049412A KR 20100049412 A KR20100049412 A KR 20100049412A KR 1020080108552 A KR1020080108552 A KR 1020080108552A KR 20080108552 A KR20080108552 A KR 20080108552A KR 20100049412 A KR20100049412 A KR 20100049412A
Authority
KR
South Korea
Prior art keywords
voltage
rmp
model
waveform
current
Prior art date
Application number
KR1020080108552A
Other languages
Korean (ko)
Other versions
KR101207495B1 (en
Inventor
이순
옥승훈
이병호
Original Assignee
현대중공업 주식회사
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 현대중공업 주식회사 filed Critical 현대중공업 주식회사
Priority to KR1020080108552A priority Critical patent/KR101207495B1/en
Publication of KR20100049412A publication Critical patent/KR20100049412A/en
Application granted granted Critical
Publication of KR101207495B1 publication Critical patent/KR101207495B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/20—Measurement of non-linear distortion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/005—Circuits for comparing several input signals and for indicating the result of this comparison, e.g. equal, different, greater, smaller (comparing phase or frequency of 2 mutually independent oscillations in demodulators)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Nonlinear Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

PURPOSE: A time domain measuring method of harmonic components in a distortion wave to analyze a power quality are provided to extract a harmonic component of a distorted wave more precisely by reducing calculation of a processor to secure storage capacity. CONSTITUTION: A voltage and current waveform to be measured and analyzed are measured. A sine wave of which maximum size in a harmonic extraction order is 1 is generated and inputted as input data of RMP(Reduced Multivariate Polynomial) model. A distorted wave of the outputted current and voltage is estimated through a weighted value. The distorted wave of the estimated voltage and current is compared with the input waveform. A harmonic extraction at orders is detected by using a relation equation.

Description

전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파 요소 측정방법{Time Domain Measuring Method of Harmonic Components in Distortion Wave to Analyze Power Quality}Time Domain Measuring Method of Harmonic Components in Distortion Wave to Analyze Power Quality}

본 발명은 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파 요소 측정방법에 관한 것으로서, 특히 신경회로망 최적화 기법의 일종인Reduced Multivariate Polynomial(RMP) 기법을 이용하고, 기존의 방법들과 달리 단지 시간 영역에서만의 연산을 통해 왜곡 파형의 고조파 요소를 측정함으로써, 프로세서의 부분인 CPU 및 하드웨어의 연산량을 줄여주어 저장용량을 확보할 수 있도록 하고, 이를통해 전력계통 내의 전압 및 전류 파형의 샘플링 횟수를 증가시킬 수 있도록 하여 보다 정밀하게 왜곡파형의 고조파 요소를 검출할 수 있도록 한 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파 요소 측정방법에 관한 것이다.The present invention relates to a method for measuring harmonic components of distortion waveforms in the time domain for electrical quality analysis. In particular, the present invention uses a reduced multivariate polynomial (RMP) technique, which is a type of neural network optimization technique. By measuring the harmonic components of the distortion waveforms by using only computations, the amount of computation of the CPU and hardware that is part of the processor can be reduced to secure storage capacity, thereby increasing the number of sampling of voltage and current waveforms in the power system. The present invention relates to a method for measuring harmonic components of distortion waveforms in the time domain for electrical quality analysis, which enables more accurate detection of harmonic components of distortion waveforms.

최근 전력전자 및 전기기기 장치의 증가된 설비는 전력 계통의 전압이나 전류 파형의 왜곡을 발생시킨다. In recent years, increased installations of power electronic and electrical device devices generate distortions in the voltage or current waveforms of the power system.

이러한 비선형 부하의 스위칭 동작들로 인해 발생하는 고조파의 영향을 방지하기 위해 왜곡된 전력 계통 및 부하에 대한 전기품질 평가 방안이 요구된다. In order to prevent the effects of harmonics caused by switching operations of the nonlinear load, an electrical quality evaluation method for the distorted power system and the load is required.

왜곡 파형에 의한 전기품질을 분석하고 이를 해결하기 위해 선행되어야 하는 것이 왜곡 파형의 고조파를 추출하는 것이다. The first thing to analyze and solve the electrical quality of the distortion waveform is to extract the harmonics of the distortion waveform.

왜곡 파형의 고조파가 추출이 되면 능동 고조파 필터 등을 통해 원하지 않는 주파수 영역의 고조파를 제거하여 전기품질을 향상시킬 수 있다. Once the harmonics of the distortion waveform are extracted, it is possible to improve the electrical quality by eliminating unwanted harmonics in the frequency region through active harmonic filters.

전기품질 분석을 위해 왜곡 파형의 고조파를 추출하는 기술로서, 이를 구현하기 위해 당업계에서 현재 가장 많이 사용되는 기술은 FFT(Fast Fourier Transform) 혹은 DFT(Discrete Fourier Transform)를 이용하는 방법이 있다. As a technique for extracting harmonics of distortion waveforms for electrical quality analysis, a technique that is currently used in the art to implement this is a method using fast fourier transform (FFT) or discrete fourier transform (DFT).

또한 최근에 웨이블렛(Wavelet) 및 확률적인 방법을 사용하는 기법도 발표되고 있다. Recently, techniques using wavelets and stochastic methods have also been announced.

하지만 언급한 종래 기술들은 모두 기본 주파수를 가지는 기저 벡터를 활용하여 왜곡 파형을 주파수 영역에서 분석하는 방식이다. However, the above-mentioned conventional techniques all utilize a basis vector having a fundamental frequency to analyze the distortion waveform in the frequency domain.

이러한 방식은 시간 영역과 주파수 영역을 교차하며 연산이 수행되기 때문에 연산 처리가 많고 복잡하여 CPU 및 하드웨어에 부담을 주게되면서 저장용량이 부족해지며, 충분하게 전압 및 전류 파형을 샘플링하지 못해 정밀하게 왜곡파형의 고조파 요소를 추출할 수 없게되는 문제점이 발생하고 있었다.In this method, since the operation is performed crossing the time domain and the frequency domain, the computational processing is complicated and complicated, burdening the CPU and hardware, and the storage capacity is insufficient. There was a problem that could not extract the harmonic components of.

따라서, 상기 문제점을 해결하기 위한 본 발명은 신경회로망 최적화 기법의 일종인 Reduced Multivariate Polynomial(RMP) 기법을 이용하고, 단지 시간 영역에서만의 연산을 통해 왜곡 파형의 고조파 요소를 측정함으로써, 프로세서의 부분인 CPU 및 하드웨어의 연산량을 줄여주어 저장용량을 확보할 수 있도록 하고, 이를통해 전력계통 내의 전압 및 전류 파형의 샘플링 횟수를 증가시킬 수 있도록 하여 보다 정밀하게 왜곡파형의 고조파 요소를 검출할 수 있도록 한 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파 요소 측정방법을 제공함을 목적으로 한다.Accordingly, the present invention to solve the above problems is to use the reduced multivariate polynomial (RMP) technique, which is a kind of neural network optimization technique, and by measuring the harmonic components of the distortion waveform through only the computation in the time domain, It reduces the amount of computation of CPU and hardware to secure the storage capacity, thereby increasing the number of sampling of voltage and current waveforms in the power system, enabling more accurate detection of harmonic components of distortion waveforms. An object of the present invention is to provide a method for measuring harmonic components of distortion waveforms in the time domain for quality analysis.

상기 목적달성을 위한 본 발명은, 측정 및 분석을 원하는 대상의 전압, 전류 파형 데이터를 계측하고 이를 분석을 원하는 정밀도에 맞게 샘플링 하여 입력 데이터로 사용하며, 사용자가 분석을 원하는 고조파 추출 차수를 결정하여 각 차수에 해당하는 최대 크기가 1인 정현파 곡선을 생성하여 RMP모델의 입력데이타로 입력하는 RMP모델 입력과정과; RMP모델 입력과정에서 입력된 입력 데이터를 이용해 RMP 모델의 최적화 학습 과정을 통해 weight(가중치)를 결정하고, 학습된 weight를 통해 전압, 전류의 출력 왜곡 파형을 예측하고 이를 입력 파형(전기품질 측정 대상의 전압,전류 데이타)과 비교하여 Root Mean Square Error 값을 통해 학습된 weight의 정확도를 판별하는 아피모델 가중치 학습과정과; RMP 모델의 학습된 weight를 이용하여 입력 과정에서 사용한 각 최대 크기가 1이고 다양한 주파수 대역을 가지는 정 현파 곡선들과 측정을 원하는 전압, 전류 데이터와의 관계식을 예측하고, 그 예측된 관계식을 이용하여 차수별 고조파 요소를 검출하는 고조파 요소 검출과정; 으로 구성한 것을 특징으로 한다.In order to achieve the above object, the present invention measures voltage and current waveform data of a target to be measured and analyzed, and uses the sample as an input data by analyzing the data according to a desired precision, and determines a harmonic extraction order desired by the user. An RMP model input process of generating a sinusoidal curve having a maximum magnitude of 1 corresponding to each order and inputting it as input data of the RMP model; The input data input during the RMP model input process is used to determine the weight (weight) through the optimization learning process of the RMP model, and to predict the output distortion waveform of voltage and current based on the learned weight, Api model weight learning process for determining the accuracy of the learned weights through the Root Mean Square Error value in comparison with the voltage and current data of; Using the learned weight of the RMP model, we predict the relation between the sinusoidal curves of each maximum magnitude 1 and the various frequency bands used in the input process, and the voltage and current data to be measured. A harmonic component detection process for detecting harmonic components by orders; Characterized in that configured.

본 발명에 의하면, 시간영역에서의 연산을 통해 프로세서 부분인 CPU 및 하드웨어의 연산량을 줄여주어 저장용량을 확보할 수 있도록 하고, 이를통해 전력계통 내의 전압 및 전류 파형의 샘플링 횟수를 증가시킬 수 있도록 하여 보다 정밀하게 왜곡파형의 고조파 요소를 검출할 수 있도록 하는 효과를 기대할 수 있다.According to the present invention, it is possible to secure the storage capacity by reducing the amount of calculation of the CPU and hardware, which is the processor part through the calculation in the time domain, and to increase the number of sampling of voltage and current waveforms in the power system through this. It is expected that the effect of detecting the harmonic components of the distortion waveform more precisely can be expected.

이하, 첨부된 도면 도 1 을 참조하여 본 발명의 바람직한 실시예를 설명하면 다음과 같다.Hereinafter, exemplary embodiments of the present invention will be described with reference to the accompanying drawings.

본 발명을 설명함에 있어서 정의되는 용어들은 본 발명에서의 기능을 고려하여 정의 내려진 것으로, 본 발명의 기술적 구성요소를 한정하는 의미로 이해되어서는 아니 될 것이다.The terms defined in describing the present invention have been defined in consideration of the functions of the present invention and should not be construed to limit the technical elements of the present invention.

도 1 은 본 발명의 제어과정을 보인 플로우챠트로서, 이 도면을 참조하여 본 발명을 설명한다.1 is a flowchart showing a control process of the present invention, and the present invention will be described with reference to this figure.

일반적으로 정확하고 빠르게 고조파 요소를 추출하기 위해서는 추출하고자 하는 전압 및 전류 파형에 대한 샘플링 횟수가 많아야 하고, 또한, 왜곡전압의 고조파 요소 추출을 위한 최적의 알고리즘을 선택해야 한다.In general, in order to extract harmonic components accurately and quickly, the sampling frequency of the voltage and current waveforms to be extracted should be large, and an optimal algorithm for extracting harmonic components of distortion voltage should be selected.

전기품질 측정 및 분석 기기를 고급화 하기 위해서는 전력 계통 내의 전압 및 전류 파형의 샘플링 횟수가 많아야 하는데, 샘플링 횟수가 많아질수록 CPU 및 하드웨어의 저장 용량이 커져야만 하므로 동일한 능력의 하드웨어를 이용하여 샘플링 횟수를 늘리기 위해서는 연산횟수를 감소시켜 저장 용량의 여유를 증가시켜야 하며, 이를 통해 동일한 능력의 하드웨어 내에서 샘플링 횟수를 증가시킬 수 있게 된다.In order to advance the electrical quality measurement and analysis equipment, the number of sampling of voltage and current waveforms in the power system should be increased. As the number of sampling increases, the storage capacity of the CPU and hardware must be increased. To increase the number of operations, the number of operations must be reduced to increase the storage capacity, which allows the number of samplings to be increased in hardware of the same capacity.

본 발명에서는 왜곡 파형의 고조파 요소를 추출하는데 있어 단지 시간 영역만을 사용하여 기존 기법을 사용할 때 발생하는 주파수 영역과 시간 영역의 교차로 인한 연산 횟수를 줄여서 샘플링 횟수를 늘려줄 수 있도록 한다.In the present invention, only the time domain is used to extract the harmonic components of the distorted waveform, so that the number of samplings can be increased by reducing the number of operations due to the intersection of the frequency domain and the time domain that occurs when the existing technique is used.

또한, 본 발명은 정확하고 빠른 왜곡 전압의 고조파 요소를 추출하기 위한 알고리즘으로 신경회로망 최적화 기법의 일종인 Reduced Multivariate Polynomial(RMP) 기법을 선택하였다.In addition, the present invention selects Reduced Multivariate Polynomial (RMP), a kind of neural network optimization technique, as an algorithm for extracting harmonic components of accurate and fast distortion voltage.

기존의 신경회로망(Neural Network)은 입력과 출력의 관계를 나타내는 weight 학습의 횟수를 정하고 있지 않아 적용 대상에 따라 임의로 결정 해야 한다는 단점이 있으며, 학습 횟수가 많아 연산 횟수가 증가 한다는 문제점이 발생한다.The conventional neural network does not define the number of weight training that represents the relationship between input and output, so it has to be decided arbitrarily according to the application target, and there is a problem that the number of operations increases due to the large number of learning.

하지만 본 발명에서 적용하는 RMP 기법은 최적화 이론과 신경회로망의 특성을 혼합하여 weight 결정을 위해 one-shot 학습이 가능하기 때문에 빠르게 목적을 달성할 수 있다는 장점을 가지고 있다.However, the RMP technique applied in the present invention has a merit that one-shot learning is possible for weight determination by combining optimization theory and characteristics of neural network, so that the object can be quickly achieved.

또한 학습된 weight의 정확도 판단 문제는 해당 알고리즘에 대한 뛰어난 수렴성에 대해 수학적으로 증명이 되어 있어 해당 알고리즘을 적용할 경우 정확도가 높은 고조파 요소 추출이 가능할 것이다.In addition, the problem of judging the accuracy of the trained weight is mathematically proved about the superior convergence of the algorithm, and it is possible to extract harmonic components with high accuracy when applying the algorithm.

본 발명은, 측정 및 분석을 원하는 대상의 전압, 전류 파형 데이터를 계측하고 이를 분석을 원하는 정밀도에 맞게 샘플링 하여 입력 데이터로 사용하며, 사용자가 분석을 원하는 고조파 추출 차수를 결정하여 각 차수에 해당하는 최대 크기가 1인 정현파 곡선을 생성하여 RMP모델의 입력데이타로 입력하는 RMP모델 입력과정과; RMP모델 입력과정에서 입력된 입력 데이터를 이용해 RMP 모델의 최적화 학습 과정을 통해 weight(가중치)를 결정하고, 학습된 weight를 통해 전압, 전류의 출력 왜곡 파형을 예측하고 이를 입력 파형(전기품질 측정 대상의 전압,전류 데이타)과 비교하여 Root Mean Square Error 값을 통해 학습된 weight의 정확도를 판별하는 아피모델 가중치 학습과정과; RMP 모델의 학습된 weight를 이용하여 입력 과정에서 사용한 각 최대 크기가 1이고 다양한 주파수 대역을 가지는 정현파 곡선들과 측정을 원하는 전압, 전류 데이터와의 관계식을 예측하고, 그 예측된 관계식을 이용하여 차수별 고조파 요소를 검출하는 고조파 요소 검출과정; 으로 구성한다.According to the present invention, voltage and current waveform data of an object to be measured and analyzed are measured, and the analysis is sampled according to the desired precision and used as input data, and the harmonic extraction order desired by the user is determined to correspond to each order. An RMP model input process of generating a sinusoidal curve having a maximum magnitude of 1 and inputting it as input data of the RMP model; The input data input during the RMP model input process is used to determine the weight (weight) through the optimization learning process of the RMP model, and to predict the output distortion waveform of voltage and current based on the learned weight, Api model weight learning process for determining the accuracy of the learned weights through the Root Mean Square Error value in comparison with the voltage and current data of; Using the learned weight of the RMP model, we predict the relation between the sinusoidal curves having the maximum magnitude of 1 and various frequency bands in the input process and the voltage and current data to be measured, and use the predicted relations for each order. A harmonic component detection process for detecting harmonic components; Consists of.

그리고, 상기 아피모델 가중치 학습과정에서 학습된 weight의 정확도가 원하는 정확도를 가지지 않으면 에러 보정을 위한 RMP 학습을 재수행하며, 예측 파형이 입력 파형과 정확히 일치할수록 정확도가 높아지므로 정확도 판단을 위한Root Mean Square Error 기준 값은 10e-5 의 매우 정확한 값으로 설정한다.In addition, if the accuracy of the weights learned in the API model weighting process does not have the desired accuracy, RMP learning for error correction is re-performed. The error reference value is set to a very accurate value of 10e-5.

또한, 상기 고조파 요소 검출과정에서 예측된 관계식을 왜곡파형의 전류,전압 기본 수식인 아래의 수식 1 및 수식2 와 비교하여 원하는 차수 별 고조파 요소를 검출한다.In addition, a harmonic component for each desired order is detected by comparing the relational equation predicted in the harmonic component detection process with Equations 1 and 2 below, which are basic equations of current and voltage of a distortion waveform.

Figure 112008076253746-PAT00001
Figure 112008076253746-PAT00001

단, 수식 1과 수식 2에서 h는 고조파 차수를 나타내고 T는 전압, 전류의 측정 주기를 나타낸다.However, in Equations 1 and 2, h denotes a harmonic order and T denotes a measurement period of voltage and current.

이와같이 구성되는 본 발명의 동작을 설명하면 다음과 같다.Referring to the operation of the present invention configured as described above is as follows.

먼저, 사용자는 RMP 모델의 weight를 학습하기 위하여 RMP 모델 입력 데이터로 사용하기 위한 데이터를 샘플링을 통해 생성한다.First, the user generates data for use as RMP model input data through sampling to learn the weight of the RMP model.

즉, 측정 및 분석을 원하는 대상의 전압, 전류 파형 데이터를 계측하고 이를 분석을 원하는 정밀도에 맞게 샘플링하여 입력 데이터로 사용한다.That is, the voltage and current waveform data of the target to be measured and analyzed are measured, and the sample is sampled according to the desired precision and used as input data.

또한 사용자가 분석을 원하는 고조파 추출 차수를 결정하여 입력함에 따라 각 차수에 해당하는 최대 크기가 1인 정현파 곡선이 생성되고, 이 데이터들을 샘플링 동기화 하여 RMP 모델의 입력 데이터로 결정하여 입력한다.In addition, as the user determines and inputs a harmonic extraction order that the user wants to analyze, a sinusoidal curve having a maximum magnitude of 1 for each order is generated, and these data are sampled and synchronized and determined as input data of the RMP model.

이때, 분석기기로 전기품질 측정 대상의 전압, 전류 데이터가 입력되면, 분석기기는 입력된 전압, 전류 데이터로 부터 전압, 전류 파형을 샘플링한다.At this time, when voltage and current data of the electrical quality measurement target are input to the analyzer, the analyzer samples the voltage and current waveforms from the input voltage and current data.

분석기기에 내장된 프로세서는 사용자에 의해 입력된 아피 모델의 입력 데이터를 이용해 RMP 모델의 최적화 학습 과정을 통해 weight(가중치)를 결정한다.The processor embedded in the analyzer uses the input data of the API model input by the user to determine the weight through the optimization training of the RMP model.

즉, 학습된 weight를 통해 전압, 전류의 출력 왜곡 파형을 예측하고 이를 입력 파형과 비교하여 Root Mean Square Error 값을 통해 학습된 weight의 정확도를 판별한다.That is, the output distortion waveform of voltage and current is predicted through the learned weight and compared with the input waveform to determine the accuracy of the learned weight through Root Mean Square Error value.

만약 원하는 정확도를 가지지 않으면 에러 보정을 위한 RMP 학습을 재수행 한다.If you do not have the desired accuracy, repeat the RMP training for error correction.

예측 파형이 입력 파형과 정확히 일치할수록 정확도가 높아지므로 정확도 판단을 위한Root Mean Square Error 기준 값은 10e-5 정도의 매우 정확한 값으로 설정하는 것이 바람직하다.As the predicted waveform is exactly matched with the input waveform, the accuracy increases, so it is preferable to set the root mean square error reference value to a very accurate value of about 10e-5.

상기 설명과 같이 weight가 학습에 의해 결정되면 프로세서는 RMP 모델의 학습된 weight를 이용하여 입력 데이터에서 사용한 각 최대 크기가 1이고 다양한 주파수 대역을 가지는 정현파 곡선들과 측정을 원하는 전압, 전류 데이터와의 관계식을 예측하고, 그 예측된 관계식으로 부터 예측한 전압, 전류 파형과 왜곡 파형의 전류, 전압 기본 수식인 수식 1과 수식 2에 의한 전압, 전류 파형을 비교하여 원하는 차수 별 고조파 요소를 검출하는 것이다.As described above, when the weight is determined by learning, the processor uses the learned weight of the RMP model to calculate sinusoidal curves having a maximum frequency of 1 and various frequency bands used in the input data and the voltage and current data to be measured. It is to predict the harmonic components for each order by comparing the predicted relations and comparing the predicted voltages, current waveforms and currents of the distortion waveforms, and voltages and current waveforms based on the basic formulas (1) and (2). .

위에서 설명한 바와같이 본 발명에 의해 기존의 고조파 추출 알고리즘과는 달리 단지 시간 영역에서의 연산을 통해 빠르고 정확한 고조파 추출이 가능해지는 것이다.As described above, unlike the existing harmonic extraction algorithm, the present invention enables fast and accurate harmonic extraction through calculation in the time domain.

도 1 은 본 발명의 시간영역에서 왜곡파형의 고조파요소 검출방법을 보인 플로우챠트.1 is a flowchart illustrating a method of detecting a harmonic element of a distortion waveform in the time domain of the present invention.

Claims (3)

측정 및 분석을 원하는 대상의 전압, 전류 파형 데이터를 계측하고 이를 분석을 원하는 정밀도에 맞게 샘플링 하여 입력 데이터로 사용하며, 사용자가 분석을 원하는 고조파 추출 차수를 결정하여 각 차수에 해당하는 최대 크기가 1인 정현파 곡선을 생성하여 RMP모델의 입력데이타로 입력하는 RMP모델 입력과정과;Measure the voltage and current waveform data of the target to be measured and analyzed, and use it as input data by sampling the analysis to the desired precision, and determine the order of harmonic extraction that the user wants to analyze. An RMP model input process for generating a sinusoidal wave curve and inputting it as input data of the RMP model; RMP모델 입력과정에서 입력된 입력 데이터를 이용해 RMP 모델의 최적화 학습 과정을 통해 weight(가중치)를 결정하고, 학습된 weight를 통해 전압, 전류의 출력 왜곡 파형을 예측하고 이를 입력 파형(전기품질 측정 대상의 전압,전류 데이타)과 비교하여 Root Mean Square Error 값을 통해 학습된 weight의 정확도를 판별하는 아피모델 가중치 학습과정과;The input data input during the RMP model input process is used to determine the weight (weight) through the optimization learning process of the RMP model, and to predict the output distortion waveform of voltage and current based on the learned weight, Api model weight learning process for determining the accuracy of the learned weights through the Root Mean Square Error value in comparison with the voltage and current data of; RMP 모델의 학습된 weight를 이용하여 입력 과정에서 사용한 각 최대 크기가 1이고 다양한 주파수 대역을 가지는 정현파 곡선들과 측정을 원하는 전압, 전류 데이터와의 관계식을 예측하고, 그 예측된 관계식을 이용하여 차수별 고조파 요소를 검출하는 고조파 요소 검출과정; 으로 구성한 것을 특징으로 하는 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파요소 측정방법.Using the learned weight of the RMP model, we predict the relation between the sinusoidal curves having the maximum magnitude of 1 and various frequency bands in the input process and the voltage and current data to be measured, and use the predicted relations for each order. A harmonic component detection process for detecting harmonic components; Harmonic component measuring method of the distortion waveform in the time domain for electrical quality analysis, characterized in that consisting of. 제 1 항에 있어서, 상기 아피모델 가중치 학습과정에서 학습된 weight의 정확도가 원하는 정확도를 가지지 않으면 에러 보정을 위한 RMP 학습을 재수행하며, 예측 파형이 입력 파형과 정확히 일치할수록 정확도가 높아지므로 정확도 판단을 위한Root Mean Square Error 기준 값은 10e-5 의 매우 정확한 값으로 설정하는 것을 특징으로 하는 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파요소 측정방법.The method of claim 1, wherein if the accuracy of the weights learned in the API model weighting process does not have a desired accuracy, RMP learning for error correction is performed again, and the accuracy is increased as the prediction waveform is exactly matched with the input waveform. Root Mean Square Error reference value is set to a very accurate value of 10e-5 method for measuring harmonic components of distortion waveforms in the time domain for electrical quality analysis. 제 1 항에 있어서, 상기 고조파 요소 검출과정에서 예측된 관계식을 왜곡파형의 전류,전압 기본 수식인 아래의 수식 1 및 수식2 와 비교하여 원하는 차수 별 고조파 요소를 검출하는 것을 특징으로 하는 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파요소 측정방법.The electrical quality analysis of claim 1, wherein a harmonic component for each desired order is detected by comparing the relational equation predicted in the harmonic component detection process with Equations 1 and 2 below, which are basic equations of current and voltage of a distortion waveform. A method for measuring harmonic components of distortion waveforms in time domain.
Figure 112008076253746-PAT00002
Figure 112008076253746-PAT00002
KR1020080108552A 2008-11-03 2008-11-03 Time Domain Measuring Method of Harmonic Components in Distortion Wave to Analyze Power Quality KR101207495B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080108552A KR101207495B1 (en) 2008-11-03 2008-11-03 Time Domain Measuring Method of Harmonic Components in Distortion Wave to Analyze Power Quality

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080108552A KR101207495B1 (en) 2008-11-03 2008-11-03 Time Domain Measuring Method of Harmonic Components in Distortion Wave to Analyze Power Quality

Publications (2)

Publication Number Publication Date
KR20100049412A true KR20100049412A (en) 2010-05-12
KR101207495B1 KR101207495B1 (en) 2012-12-03

Family

ID=42275868

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080108552A KR101207495B1 (en) 2008-11-03 2008-11-03 Time Domain Measuring Method of Harmonic Components in Distortion Wave to Analyze Power Quality

Country Status (1)

Country Link
KR (1) KR101207495B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383413A (en) * 2013-07-09 2013-11-06 温州大学 Real-time harmonic detection method based on direct weight determination method
CN105021886A (en) * 2014-12-09 2015-11-04 中国矿业大学 Harmonic source positioning device based on latent root estimation
CN117639107A (en) * 2023-12-18 2024-03-01 青岛德士朗电气有限公司 Power quality assessment method and system for power distribution network

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102041677B1 (en) 2017-09-21 2019-11-27 한국전력공사 Apparatus for assuring accuracy of harmonic frequency power, Method thereof, and Computer readable storage medium having the same

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100872798B1 (en) 2007-08-24 2008-12-09 연세대학교 산학협력단 Appratus for measuring distortion power quality index and method of operating the appratus

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383413A (en) * 2013-07-09 2013-11-06 温州大学 Real-time harmonic detection method based on direct weight determination method
CN105021886A (en) * 2014-12-09 2015-11-04 中国矿业大学 Harmonic source positioning device based on latent root estimation
CN117639107A (en) * 2023-12-18 2024-03-01 青岛德士朗电气有限公司 Power quality assessment method and system for power distribution network
CN117639107B (en) * 2023-12-18 2024-05-17 青岛德士朗电气有限公司 Power quality assessment method and system for power distribution network

Also Published As

Publication number Publication date
KR101207495B1 (en) 2012-12-03

Similar Documents

Publication Publication Date Title
Zygarlicki et al. A reduced Prony's method in power-quality analysis—parameters selection
Sheshyekani et al. A general noise-resilient technique based on the matrix pencil method for the assessment of harmonics and interharmonics in power systems
RU2613584C2 (en) Method and device for analyzing quality of electric power in three-phase electrical network
Yao et al. Fast S-transform for time-varying voltage flicker analysis
Chang et al. An accurate time-domain procedure for harmonics and interharmonics detection
Wen et al. FFT-based amplitude estimation of power distribution systems signal distorted by harmonics and noise
Balouji et al. Deep-learning-based harmonics and interharmonics predetection designed for compensating significantly time-varying EAF currents
CN106018956B (en) A kind of power system frequency computational methods of adding window spectral line interpolation
Philip et al. Analysis of low frequency oscillations in power system using EMO ESPRIT
Turunen A wavelet-based method for estimating damping in power systems
KR101207495B1 (en) Time Domain Measuring Method of Harmonic Components in Distortion Wave to Analyze Power Quality
Dash et al. A new approach to monitoring electric power quality
Novotny et al. RMS value measurement based on classical and modified digital signal processing algorithms
Belega et al. Accuracy analysis of the sine-wave parameters estimation by means of the windowed three-parameter sine-fit algorithm
Rijlaarsdam et al. Nonlinearities in industrial motion stages-detection and classification
Bartman Accuracy of reflecting the waveforms of current and voltage through their spectrum determined by the standards regulating measurements
Moreno et al. A novel algorithm for voltage transient detection and isolation for power quality monitoring
US20160266182A1 (en) Operation apparatus
KR20130035766A (en) System for analyzing failure of hvdc
CN114664392B (en) Electrochemical parameter prediction method, device, electronic equipment and readable storage medium
Chen et al. Low cost Arduino DAQ development and implementation on an Android app for power frequency measurement
Langham et al. Resolution analysis for power system measurement and transient identification
Serov et al. Features of application of frequency measurement technique based on spectral analysis for real electrical power networks
Leger et al. Automated system for determining frequency dependent parameter model of transmission line in a laboratory environment
Jaiswal et al. Modeling the measurement error of energy meter using NARX model

Legal Events

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

Payment date: 20151030

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20171101

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181030

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20191029

Year of fee payment: 8