KR20200116425A - RNN based partial discharge detection apparatus and method in gas-insulated switchgear - Google Patents

RNN based partial discharge detection apparatus and method in gas-insulated switchgear Download PDF

Info

Publication number
KR20200116425A
KR20200116425A KR1020200039343A KR20200039343A KR20200116425A KR 20200116425 A KR20200116425 A KR 20200116425A KR 1020200039343 A KR1020200039343 A KR 1020200039343A KR 20200039343 A KR20200039343 A KR 20200039343A KR 20200116425 A KR20200116425 A KR 20200116425A
Authority
KR
South Korea
Prior art keywords
partial discharge
deep learning
signal
diagnosis
learning model
Prior art date
Application number
KR1020200039343A
Other languages
Korean (ko)
Other versions
KR102389439B1 (en
Inventor
김용화
Original Assignee
명지대학교 산학협력단
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 명지대학교 산학협력단 filed Critical 명지대학교 산학협력단
Publication of KR20200116425A publication Critical patent/KR20200116425A/en
Application granted granted Critical
Publication of KR102389439B1 publication Critical patent/KR102389439B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
    • H02B13/02—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle with metal casing
    • H02B13/035—Gas-insulated switchgear
    • H02B13/065—Means for detecting or reacting to mechanical or electrical defects

Abstract

Disclosed are a device for diagnosing partial discharge based on deep learning capable of improving diagnostic performance and a method thereof. The method for diagnosing partial discharge comprises the steps of: receiving a partial discharge signal and generating a plurality of virtual partial discharge signals in consideration of a frequency response characteristic in accordance with a distance; and applying the partial discharge signal and the plurality of virtual partial discharge signals to a deep learning model to extract and learn a partial discharge characteristic.

Description

가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법{RNN based partial discharge detection apparatus and method in gas-insulated switchgear}Deep learning based partial discharge detection apparatus and method for gas-insulated switchgear {RNN based partial discharge detection apparatus and method in gas-insulated switchgear}

본 발명은 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법에 관한 것이다. The present invention relates to a deep learning-based partial discharge diagnosis apparatus and method for a gas insulated switchgear.

전력 시스템은 전력 수요가 증가함에 따라 인기가 급격히 증가하고 있으며 전력망의 신뢰성은 안정적인 전력 시스템 작동에 중요하다. 변전소에 적용되는 가스절연개폐장치(GIS)는 전력 시설의 주요 보호 장치이다. 이러한 GIS는 정상적인 개폐는 물론 고장 발생시 과도한 전류를 신속하게 차단하여 전력 시스템을 보호할 수 있다. GIS의 경우 고장이 발생하고 과전류가 발생하면 대규모 영향을 미치며 사고를 복구하는 데 오랜 시간이 걸리며, 또한 정전 시간이 길어진다. GIS의 절연 파괴를 유발하는 다양한 이상은 절연 파괴 전에 부분 방전을 유발한다. 따라서 고장을 피하고 높은 신뢰성과 안전성을 보장하기 위해 GIS에서 부분 방전(PD)을 감지하는 것이 중요하다. GIS에서 PD를 검출하기 위해 다양한 전기적, 기계적, 화학적 방법이 사용되었다. Power systems are rapidly increasing in popularity as power demand increases, and the reliability of the power grid is important for stable power system operation. Gas Insulated Switchgear (GIS) applied to substations is a major protection device for power facilities. This GIS can protect the power system by quickly shutting off excessive current in case of failure as well as normal opening and closing. In the case of GIS, when a failure occurs and an overcurrent occurs, it has a large-scale effect, and it takes a long time to recover from an accident, and the power outage time is lengthened. Various abnormalities that cause dielectric breakdown of GIS cause partial discharge before dielectric breakdown. Therefore, it is important to detect partial discharge (PD) in GIS to avoid failure and ensure high reliability and safety. Various electrical, mechanical, and chemical methods have been used to detect PD in GIS.

GIS에서 PD의 특성을 조사하기 위해, TRPD (Time-resolved PD) 및 PRPD (phase-resolved PD) 분석이 연구되었다. TRPD 기반 방법은 PD 펄스의 시간 영역 특징, PD 펄스의 주파수 영역 특징 및 PD 펄스의 시간 영역 및 주파수 영역 특징을 분석하는 방법이다. PRPD 기반 진단 방법은 위상 진폭 수

Figure pat00001
측정을 분석한다. PD 펄스 수, 최대 진폭 또는 각 위상의 평균 진폭을 분석하여 오류 유형을 식별한다. To investigate the characteristics of PD in GIS, time-resolved PD (TRPD) and phase-resolved PD (PRPD) analysis were studied. The TRPD-based method is a method of analyzing time domain features of PD pulses, frequency domain features of PD pulses, and time domain and frequency domain features of PD pulses. PRPD-based diagnostic method can be phase amplitude
Figure pat00001
Analyze the measurements. The type of error is identified by analyzing the number of PD pulses, the maximum amplitude, or the average amplitude of each phase.

종래의 경우 결함 유형은 지식 기반 퍼지 로직 분석 및 K-평균 군집 분석, 인공신경망(ANN)과 같은 기계 학습 기술을 이용하여 분류되었다. 이러한 종래 기술은 데이터를 활용한 특징 추출기와 고장 진단을 위한 분류기가 개별적으로 구성되는 문제점이 있었다. In the conventional case, defect types were classified using knowledge-based fuzzy logic analysis, K-means cluster analysis, and machine learning techniques such as artificial neural networks (ANNs). This prior art has a problem in that a feature extractor using data and a classifier for fault diagnosis are individually configured.

본 발명은 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법을 제공하기 위한 것이다. The present invention is a deep learning-based partial discharge diagnosis apparatus and method for gas insulated switchgear capable of extracting accurate features and improving diagnostic performance by simultaneously performing signal feature extraction and classification for fault diagnosis using deep learning techniques. It is to provide.

본 발명의 일 측면에 따르면, 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치가 제공된다. According to an aspect of the present invention, partial discharge based on deep learning for a gas insulated switchgear capable of extracting accurate features and improving diagnostic performance by simultaneously performing signal feature extraction and classification for fault diagnosis using a deep learning technique. A diagnostic device is provided.

본 발명의 일 실시예에 따르면, 각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 획득부; 및 상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 부분방전 진단부를 포함하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치가 제공될 수 있다. According to an embodiment of the present invention, there is provided an acquisition unit for acquiring a phase resolved partial discharge signal (PRPD) within each power period; And a partial discharge diagnosis unit that applies the phase decomposition partial discharge signal to the learned deep learning model to extract signal characteristic values and determines whether a failure occurs through classification for failure diagnosis. A discharge diagnosis device may be provided.

상기 딥러닝 모델은 복수 계층으로 구성된 장단기 메모리(LSTM: Long Short-Term Memory) 셀을 이용하여 다-대-일(many-to-one) 구조의 RNN 구조로 형성되되, 각각의 LSTM 셀은 지움 게이트(forget gate), 입력 게이트, 외부 출력 게이트 및 출력 게이트로 구성된 4개의 히든 게이트에 의해 이전 단계의 시퀀스를 갱신, 유지 또는 덮어 쓸지 여부를 결정할 수 있다.The deep learning model is formed in a many-to-one RNN structure using long short-term memory (LSTM) cells composed of multiple layers, but each LSTM cell is erased. Four hidden gates consisting of a forget gate, an input gate, an external output gate, and an output gate make it possible to determine whether to update, maintain, or overwrite the sequence of the previous step.

상기 딥러닝 모델은 하기 비용 함수를 최소화하도록 학습되되,The deep learning model is trained to minimize the following cost function,

Figure pat00002
Figure pat00002

여기서,

Figure pat00003
는 집합의 크기를 나타내며, G는 학습 데이터를 나타내며,
Figure pat00004
는 g번째 학습 데이터의 손실값을 나타낸다. here,
Figure pat00003
Represents the size of the set, G represents the training data,
Figure pat00004
Represents the loss value of the g-th training data.

상기 부분방전 진단부는 각 전력 주기의 상 분해 부분 방전 신호를 정해진 크기로 슬라이싱하여 중첩하여 훈련 데이터를 생성한 후 상기 훈련 데이터를 이용하여 상기 딥러닝 모델을 훈련할 수 있다. The partial discharge diagnosis unit may generate training data by slicing and overlapping the phase-decomposed partial discharge signals of each power cycle to a predetermined size, and then train the deep learning model using the training data.

본 발명의 다른 측면에 따르면, 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법 및 그 방법을 수행하기 위한 기록매체가 제공된다. According to another aspect of the present invention, partial discharge based on deep learning for a gas insulated switchgear capable of extracting accurate features and improving diagnostic performance by simultaneously performing signal feature extraction and classification for fault diagnosis using deep learning techniques. A diagnostic method and a recording medium for performing the method are provided.

본 발명의 일 실시예에 따르면, 각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 단계; 및 상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 단계를 포함하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법이 제공될 수 있다. According to an embodiment of the present invention, the steps of obtaining a phase resolved partial discharge signal (PRPD) within each power cycle; And Deep learning-based partial discharge diagnosis for gas insulated switchgear comprising the step of extracting signal feature values by applying the phase decomposition partial discharge signal to the learned deep learning model and determining whether a failure occurs through classification for failure diagnosis. A method can be provided.

본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법을 제공함으로써, 딥러닝 기법을 활용하여 신호 특징 추출과 고장 진단을 위한 분류를 동시에 수행하여 정확한 특징을 추출하고 진단 성능을 향상시킬 수 있다.By providing a deep learning-based partial discharge diagnosis device and method for a gas insulated switchgear according to an embodiment of the present invention, signal feature extraction and classification for fault diagnosis are simultaneously performed using a deep learning technique to obtain accurate features. Extract and improve diagnostic performance.

도 1은 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법을 나타낸 순서도.
도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 도시한 도면.
도 3은 본 발명의 일 실시예에 따른 LSTM 모듈의 구조를 도시한 도면.
도 4는 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치의 내부 구성을 개략적으로 도시한 블록도.
도 5는 종래와 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법의 분류 성능을 비교한 결과를 도시한 도면.1 is a flow chart showing a deep learning-based partial discharge diagnosis method for a gas insulated switchgear according to an embodiment of the present invention.
2 is a diagram showing a deep learning model according to an embodiment of the present invention.
3 is a diagram showing the structure of an LSTM module according to an embodiment of the present invention.
4 is a block diagram schematically showing the internal configuration of a deep learning-based partial discharge diagnosis apparatus for a gas insulated switchgear according to an embodiment of the present invention.
5 is a view showing a result of comparing the classification performance of a method for diagnosing partial discharge based on deep learning for a switch insulated switchgear according to an exemplary embodiment of the present invention.

본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.Singular expressions used in the present specification include plural expressions unless the context clearly indicates otherwise. In the present specification, terms such as “consisting of” or “comprising” should not be construed as necessarily including all of the various elements or various steps described in the specification, and some of the elements or some steps It may not be included, or it should be interpreted that it may further include additional elements or steps. In addition, terms such as "... unit" and "module" described in the specification mean units that process at least one function or operation, which may be implemented as hardware or software, or as a combination of hardware and software. .

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법을 나타낸 순서도이고, 도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 도시한 도면이며, 도 3은 본 발명의 일 실시예에 따른 LSTM 모듈의 구조를 도시한 도면이다. 1 is a flow chart showing a deep learning-based partial discharge diagnosis method for a gas insulated switchgear according to an embodiment of the present invention, and FIG. 2 is a diagram showing a deep learning model according to an embodiment of the present invention. 3 is a diagram showing the structure of an LSTM module according to an embodiment of the present invention.

단계 110에서 부분 방전 진단 장치(100)는 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge, 이하 PRPD라 칭하기로 함)를 획득한다. In step 110, the partial discharge diagnosis apparatus 100 acquires a phase resolved partial discharge signal (PRPD, hereinafter referred to as PRPD).

예를 들어, 부분 방전 진단 장치(100)는 UHF 센서를 활용하여 PRPD 신호를 획득할 수 있다. For example, the partial discharge diagnosis apparatus 100 may acquire a PRPD signal using a UHF sensor.

단계 115에서 부분 방전 진단 장치(100)는 PRPD 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단한다. In step 115, the partial discharge diagnosis apparatus 100 extracts signal feature values by applying the PRPD signal to the learned deep learning model, and determines whether a failure occurs through classification for failure diagnosis.

이에 대해 보다 상세히 설명하기로 한다. This will be described in more detail.

m번째 전력 주기에서의 PRPD 신호는 수학식 1과 같이 정의될 수 있다. The PRPD signal in the m-th power cycle may be defined as in Equation 1.

Figure pat00005
Figure pat00005

여기서,

Figure pat00006
이고,
Figure pat00007
은 전력 주기내에서 데이터 포인트의 수를 나타낸다. here,
Figure pat00006
ego,
Figure pat00007
Represents the number of data points in the power period.

도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 도시한 도면이다. 본 발명의 일 실시예에서는 딥러닝 모듈이 RNN 기반 모듈인 것을 가정하여 이를 중심으로 설명하기로 한다. 2 is a diagram illustrating a deep learning model according to an embodiment of the present invention. In an embodiment of the present invention, it is assumed that the deep learning module is an RNN-based module, and this will be mainly described.

일반적인 RNN 구조의 경우, 경사도 기법으로 기울기를 구할 때, 롱-텀 의존도(long-term dependences)에 의해 기울기 값이 기하급수적으로 작아지기 때문에 네트워크의 비용 함수를 최소화하는데 어려움이 있다. In the case of a general RNN structure, it is difficult to minimize the cost function of the network because the slope value decreases exponentially due to long-term dependences when obtaining the slope using the slope technique.

본 발명의 일 실시예에 따른 RNN 구조는 다-대-일(many-to-one) 모델이며 LSTM 기반으로 딥러닝의 표현 학습을 수행할 수 있다. The RNN structure according to an embodiment of the present invention is a many-to-one model, and expression learning of deep learning may be performed based on LSTM.

LSTM 모듈의 구조는 도 3에 도시되어 있다. The structure of the LSTM module is shown in FIG. 3.

l번째 계층의 m-번째 LSTM 모듈의 입력은

Figure pat00008
로 구성된다. 여기서,
Figure pat00009
는 이전 레이어(l-1)의 m번째 LSTM 모듈의 출력이며,
Figure pat00010
과
Figure pat00011
은 계층 l번째 계층의 (m-1)번째 LSTM 모듈의 출력이다. The input of the m-th LSTM module of the lth layer is
Figure pat00008
Consists of here,
Figure pat00009
Is the output of the m-th LSTM module of the previous layer (l-1),
Figure pat00010
and
Figure pat00011
Is the output of the (m-1)th LSTM module of the lth layer.

계층 l의 m번째 LSTM 모듈의 히든 상태(hidden states)는 수학식 2 내지 수학식 7과 같이 나타낼 수 있다. Hidden states of the m-th LSTM module of layer l can be expressed as Equations 2 to 7.

Figure pat00012
Figure pat00012

Figure pat00013
Figure pat00013

Figure pat00014
Figure pat00014

Figure pat00015
Figure pat00015

Figure pat00016
Figure pat00016

Figure pat00017
Figure pat00017

여기서,

Figure pat00018
는 N x N 가중치 행렬을 나타내고,
Figure pat00019
는 N x 1 바이어스 벡터를 나타내며,
Figure pat00020
는 각 요소별 곱을 나타내고,
Figure pat00021
는 시그모이드 활성화 함수를 나타내며,
Figure pat00022
는 하이퍼볼릭 탄젠트 활성화 함수를 나타내고,
Figure pat00023
는 합성(concatenation) 함수를 나타낸다. here,
Figure pat00018
Denotes an N x N weight matrix,
Figure pat00019
Represents an N x 1 bias vector,
Figure pat00020
Represents the product of each element,
Figure pat00021
Represents the sigmoid activation function,
Figure pat00022
Denotes the hyperbolic tangent activation function,
Figure pat00023
Denotes a concatenation function.

첫 번째 레이어의 경우 LSTM 블록의 입력은

Figure pat00024
과 같은 PRPD 벡터이다. 여기서,
Figure pat00025
이다. LSTM 모델은 4개의 히든 레이어(
Figure pat00026
)를 사용하여 정보 흐름을 조정함으로써 롱-텀 의존성 문제를 피할 수 있다. 여기서, 각 게이트는 셀 상태(
Figure pat00027
) 내의 정보 흐름을 제어할 수 있다. For the first layer, the input of the LSTM block is
Figure pat00024
Is the same PRPD vector. here,
Figure pat00025
to be. LSTM models have 4 hidden layers (
Figure pat00026
) To adjust the information flow to avoid the long-term dependency problem. Here, each gate has a cell state (
Figure pat00027
) Can control the flow of information.

Figure pat00028
는 셀 상태로부터 불필요한 정보가 무언인지 결정할 수 있는 지움 게이트(forget gate)이다.
Figure pat00028
Is a forget gate that can determine what unnecessary information is from the cell state.

Figure pat00029
는 셀 상태의 값이 갱신되어야 할지를 결정할 수 있는 입력 게이트이다.
Figure pat00029
Is an input gate that can determine whether the value of the cell state should be updated.

Figure pat00030
는 외부 상태에 추가될 수 있는 새로운 후보값을 출력하는 출력 게이트이다.
Figure pat00030
Is an output gate that outputs a new candidate value that can be added to the external state.

Figure pat00031
는 수학식 2와 같이 각 단계 사이에서 셀 상태를 수정하는데 사용될 수 있다.
Figure pat00031
May be used to modify the cell state between each step as shown in Equation 2.

Figure pat00032
는 출력 게이트로, 현재 셀 상태의 어느 부분이 출력되어야 할지를 결정하는 필터 역할을 한다.
Figure pat00032
Is an output gate, and acts as a filter to determine which part of the current cell state should be output.

셀 상태는

Figure pat00033
를 통해 입력되고, 수학식 3과 같이 현재 단계의 히든 상태(
Figure pat00034
)이 되도록
Figure pat00035
를 통해 필터될 수 있다. Cell state is
Figure pat00033
Is input through, and the hidden state of the current stage as shown in Equation 3 (
Figure pat00034
) To be
Figure pat00035
Can be filtered through.

K 클래스에 대한 출력 y는 수학식 8과 같이 마지막 LSTM 계층의 z와 관련된다. The output y for class K is related to z of the last LSTM layer as shown in Equation 8.

Figure pat00036
Figure pat00036

여기서,

Figure pat00037
는 K x N 가중치 행렬이며,
Figure pat00038
는 K x 1 바이어스 벡터이고,
Figure pat00039
는 소프트맥스 함수를 나타낸다. here,
Figure pat00037
Is a K x N weight matrix,
Figure pat00038
Is K x 1 bias vector,
Figure pat00039
Represents the softmax function.

수학식 8에서 출력 y의 j번째 요소는 결함이 K인 클래스에서 j번째 카테고리로 인식될 확률을 나타내며, 수학식 9와 같이 정의될 수 있다. In Equation 8, the j-th element of the output y represents the probability of being recognized as the j-th category in the class having a defect of K, and may be defined as in Equation 9.

Figure pat00040
Figure pat00040

본 발명의 일 실시예에 따른 LSTM RNN의 파라미터는 수학식 10과 같은 비용 함수를 최소화하기 위한 학습 데이터를 통해 학습될 수 있다. The parameters of the LSTM RNN according to an embodiment of the present invention may be learned through training data for minimizing a cost function such as Equation 10.

Figure pat00041
Figure pat00041

여기서,

Figure pat00042
는 집합의 크기를 나타내고,
Figure pat00043
는 g번째 학습 데이터의 손실 값을 나타낸다. 수학식 10에서
Figure pat00044
는 본 발명의 일 실시예에 따른 LSTM RNN 모델이 얼마나 정확하게 학습 데이터의
Figure pat00045
라벨 벡터를 예측했는지를 측정한다. here,
Figure pat00042
Represents the size of the set,
Figure pat00043
Represents the loss value of the g-th training data. In Equation 10
Figure pat00044
Is how accurately the LSTM RNN model according to an embodiment of the present invention is
Figure pat00045
It is determined whether the label vector is predicted.

손실 함수를 최소화하기 위해, AdaGrad, AdaDelta 및 Adam 옵티 마이저와 같은 구배 하강법의 많은 변형이 연구되어 왔다. 이러한 옵티마이저는 학습 기능을 적응적으로 변경하여 손실 함수를 적절히 최소화할 수 있다. 본 발명의 일 실시예에서는 Adam 최적화 알고리즘이 딥러닝 모델을 훈련하기 위한 손실 함수로서 이용될 수 있다. In order to minimize the loss function, many variations of gradient descent methods such as AdaGrad, AdaDelta and Adam optimizer have been studied. These optimizers can appropriately minimize the loss function by adaptively changing the learning function. In an embodiment of the present invention, the Adam optimization algorithm may be used as a loss function for training a deep learning model.

도 4는 본 발명의 일 실시예에 따른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치의 내부 구성을 개략적으로 도시한 블록도이다. 4 is a block diagram schematically showing an internal configuration of a deep learning-based partial discharge diagnosis apparatus for a gas insulated switchgear according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시예에 다른 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치(100)는 획득부(410), 부분방전 진단부(420), 메모리(430) 및 프로세서(440)를 포함하여 구성된다. 4, a deep learning-based partial discharge diagnosis apparatus 100 for a gas insulated switchgear according to an embodiment of the present invention includes an acquisition unit 410, a partial discharge diagnosis unit 420, a memory 430, and It is configured to include a processor 440.

획득부(410)는 각 전력주기내의 PRPD 신호를 획득하기 위한 신호이다.The acquisition unit 410 is a signal for acquiring a PRPD signal within each power cycle.

예를 들어, 획득부(410)는 각 전력주기내에서 전력신호를 샘플링하여 PRPD 신호를 획득할 수 있다. 이때, 획득부(410)는 1/60초 샘플링을 수행할 수 있으며, 이로 인해 128 샘플을 가지는 PRPD 신호를 획득할 수 있다. For example, the acquisition unit 410 may obtain a PRPD signal by sampling the power signal within each power period. In this case, the acquisition unit 410 may perform sampling for 1/60 second, thereby obtaining a PRPD signal having 128 samples.

부분방전 진단부(420)는 PRPD 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고, 고장진단을 위한 분류를 통해 고장 여부를 판단할 수 있다. The partial discharge diagnosis unit 420 may apply the PRPD signal to the learned deep learning model to extract signal feature values, and determine whether a failure occurs through classification for failure diagnosis.

이에 대해서는 도 1에서 설명한 바와 동일하므로 중복되는 설명은 생략하기로 한다.This is the same as that described in FIG. 1, and thus a duplicate description will be omitted.

메모리(430)는 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법을 수행하기 위한 프로그램 코드(또는 명령어들)을 저장하기 위한 수단이다. The memory 430 is a means for storing program code (or instructions) for performing a deep learning-based partial discharge diagnosis method for a switch insulated switchgear according to an embodiment of the present invention.

프로세서(440)는 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치(100)의 내부 구성 요소들(예를 들어, 획득부(410), 부분방전 진단부(420), 메모리(430) 등)을 제어하기 위한 수단이다. The processor 440 includes internal components (for example, the acquisition unit 410, the partial discharge diagnosis unit) of the deep learning-based partial discharge diagnosis apparatus 100 for a switch insulation switchgear according to an embodiment of the present invention. 420), the memory 430, etc.).

도 5는 종래와 본 발명의 일 실시예에 따른 스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법의 분류 성능을 비교한 결과이다. FIG. 5 is a result of comparing classification performance of a method for diagnosing partial discharge based on deep learning for a switch insulated switchgear according to an exemplary embodiment of the present invention.

본 발명의 일 실시예에 따른 부분 방전 진단 장치가 종래 기술과 비교할 때 가장 높은 전체 분류 정확도 성능(96.23%)을 달성한 것을 알 수 있다. It can be seen that the partial discharge diagnosis apparatus according to an embodiment of the present invention achieves the highest overall classification accuracy performance (96.23%) compared with the prior art.

본 발명의 실시 예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.The apparatus and method according to an embodiment of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the computer-readable medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in the computer software field. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes magneto-optical media and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of the program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The above-described hardware device may be configured to operate as one or more software modules to perform the operation of the present invention, and vice versa.

이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.So far, the present invention has been looked at around the embodiments. Those of ordinary skill in the art to which the present invention pertains will be able to understand that the present invention can be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments should be considered from an illustrative point of view rather than a limiting point of view. The scope of the present invention is shown in the claims rather than the foregoing description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.

100: 부분 방전 진단 장치
410: 획득부
420: 부분방전 진단부
430: 메모리
440: 프로세서100: partial discharge diagnostic device
410: acquisition unit
420: partial discharge diagnosis unit
430: memory
440: processor

Claims (7)

각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 획득부; 및
상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 부분방전 진단부를 포함하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치.
An acquisition unit that acquires a phase resolved partial discharge signal (PRPD) within each power period; And
Deep learning-based partial discharge for gas insulated switchgear including a partial discharge diagnosis unit that applies the phase-decomposition partial discharge signal to a learned deep learning model to extract signal feature values and determines whether a failure occurs through classification for failure diagnosis Diagnostic device.
 제1 항에 있어서,
상기 딥러닝 모델은 복수 계층으로 구성된 장단기 메모리(LSTM: Long Short-Term Memory) 셀을 이용하여 다-대-일(many-to-one) 구조의 RNN 구조로 형성되되,
각각의 LSTM 셀은 지움 게이트(forget gate), 입력 게이트, 외부 출력 게이트 및 출력 게이트로 구성된 4개의 히든 게이트에 의해 이전 단계의 시퀀스를 갱신, 유지 또는 덮어 쓸지 여부를 결정하는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치.
The method of claim 1,
The deep learning model is formed in a many-to-one RNN structure using a long short-term memory (LSTM) cell composed of multiple layers,
Each LSTM cell is gas-insulated, characterized in that it determines whether to update, maintain or overwrite the sequence of the previous step by four hidden gates consisting of a forget gate, an input gate, an external output gate and an output gate. Deep learning based partial discharge diagnosis device for switchgear.
 제1 항에 있어서,
상기 딥러닝 모델은 하기 비용 함수를 최소화하도록 학습되는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치.
Figure pat00046

여기서,
Figure pat00047
는 집합의 크기를 나타내며, G는 학습 데이터를 나타내며,
Figure pat00048
는 g번째 학습 데이터의 손실값을 나타냄.
The method of claim 1,
The deep learning model is a deep learning-based partial discharge diagnosis device for a gas insulated switchgear, characterized in that the learning to minimize the following cost function.
Figure pat00046

here,
Figure pat00047
Represents the size of the set, G represents the training data,
Figure pat00048
Represents the loss value of the g-th training data.
 제1 항에 있어서,
상기 부분방전 진단부는 각 전력 주기의 상 분해 부분 방전 신호를 정해진 크기로 슬라이싱하여 중첩하여 훈련 데이터를 생성한 후 상기 훈련 데이터를 이용하여 상기 딥러닝 모델을 훈련하는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치.
The method of claim 1,
The partial discharge diagnosis unit generates training data by slicing the phase-decomposed partial discharge signals of each power cycle to a predetermined size and overlapping them to generate training data, and then training the deep learning model using the training data. Partial discharge diagnosis device based on deep learning for
 각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 단계; 및
상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 단계를 포함하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법.
Obtaining a phase resolved partial discharge (PRPD) signal within each power period; And
Deep learning-based partial discharge diagnosis method for gas insulated switchgear comprising the step of extracting signal feature values by applying the phase-decomposed partial discharge signal to a learned deep learning model and determining whether there is a failure through classification for failure diagnosis .
 제5 항에 있어서,
상기 딥러닝 모델은 복수 계층으로 구성된 장단기 메모리(LSTM: Long Short-Term Memory) 셀을 이용하여 다-대-일(many-to-one) 구조의 RNN 구조로 형성되되,
각각의 LSTM 셀은 지움 게이트(forget gate), 입력 게이트, 외부 출력 게이트 및 출력 게이트로 구성된 4개의 히든 게이트에 의해 이전 단계의 시퀀스를 갱신, 유지 또는 덮어 쓸지 여부를 결정하는 것을 특징으로 하는 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법.
The method of claim 5,
The deep learning model is formed in a many-to-one RNN structure using a long short-term memory (LSTM) cell composed of multiple layers,
Each LSTM cell is gas-insulated, characterized in that it determines whether to update, maintain or overwrite the sequence of the previous step by four hidden gates consisting of a forget gate, an input gate, an external output gate and an output gate. Deep learning-based partial discharge diagnosis method for switchgear.
 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 방법을 수행하는 프로그램 코드를 기록한 컴퓨터로 판독 가능한 기록매체에 있어서,
각 전력주기내의 상 분해 부분 방전 신호(PRPD: phase resolved partial discharge)를 획득하는 단계; 및
상기 상 분해 부분 방전 신호를 학습된 딥러닝 모델에 적용하여 신호 특징값을 추출하고 고장 진단을 위한 분류를 통해 고장 여부를 판단하는 단계를 수행하는 기록매체.

In a computer-readable recording medium recording a program code for performing a deep learning-based partial discharge diagnosis method for a gas insulated switchgear,
Obtaining a phase resolved partial discharge (PRPD) signal within each power period; And
A recording medium performing the step of extracting a signal feature value by applying the phase-decomposed partial discharge signal to a learned deep learning model and determining whether a failure has occurred through classification for failure diagnosis.
KR1020200039343A 2019-04-01 2020-03-31 RNN based partial discharge detection apparatus and method in gas-insulated switchgear KR102389439B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190037877 2019-04-01
KR1020190037877 2019-04-01

Publications (2)

Publication Number Publication Date
KR20200116425A true KR20200116425A (en) 2020-10-12
KR102389439B1 KR102389439B1 (en) 2022-04-22

Family

ID=72886422

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200039343A KR102389439B1 (en) 2019-04-01 2020-03-31 RNN based partial discharge detection apparatus and method in gas-insulated switchgear

Country Status (1)

Country Link
KR (1) KR102389439B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023128668A1 (en) * 2021-12-30 2023-07-06 엘에스전선 주식회사 Partial discharge monitoring system and partial discharge monitoring method
WO2023213332A1 (en) * 2022-06-27 2023-11-09 上海格鲁布科技有限公司 Separation and identification method for multi-source hybrid ultra-high frequency partial discharge diagram

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018042588A1 (en) * 2016-09-01 2018-03-08 株式会社 東芝 Partial discharge monitoring system
US20180144248A1 (en) * 2016-11-18 2018-05-24 Salesforce.Com, Inc. SENTINEL LONG SHORT-TERM MEMORY (Sn-LSTM)
KR20180105835A (en) * 2017-03-16 2018-10-01 한국전력공사 Partial discharge diagnosis system and method base on simulation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018042588A1 (en) * 2016-09-01 2018-03-08 株式会社 東芝 Partial discharge monitoring system
US20180144248A1 (en) * 2016-11-18 2018-05-24 Salesforce.Com, Inc. SENTINEL LONG SHORT-TERM MEMORY (Sn-LSTM)
KR20180105835A (en) * 2017-03-16 2018-10-01 한국전력공사 Partial discharge diagnosis system and method base on simulation

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023128668A1 (en) * 2021-12-30 2023-07-06 엘에스전선 주식회사 Partial discharge monitoring system and partial discharge monitoring method
WO2023213332A1 (en) * 2022-06-27 2023-11-09 上海格鲁布科技有限公司 Separation and identification method for multi-source hybrid ultra-high frequency partial discharge diagram

Also Published As

Publication number Publication date
KR102389439B1 (en) 2022-04-22

Similar Documents

Publication Publication Date Title
Mohammadi et al. A fast fault detection and identification approach in power distribution systems
JP6740247B2 (en) Anomaly detection system, anomaly detection method, anomaly detection program and learned model generation method
Schmid et al. Data-driven fault diagnosis in battery systems through cross-cell monitoring
Xiong et al. Incipient fault identification in power distribution systems via human-level concept learning
da Silva et al. A new methodology for multiple incipient fault diagnosis in transmission lines using QTA and Naïve Bayes classifier
KR102389439B1 (en) RNN based partial discharge detection apparatus and method in gas-insulated switchgear
CN109886328B (en) Electric vehicle charging facility fault prediction method and system
Gu et al. An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM
Mustafa et al. Fault identification for photovoltaic systems using a multi-output deep learning approach
CN113850330A (en) Power distribution network fault cause detection method based on short-time Fourier transform and convolutional neural network
CN110263944A (en) A kind of multivariable failure prediction method and device
Lu et al. A novel fault diagnosis method for circuit breakers based on optimized affinity propagation clustering
Fahim et al. An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation
Chen et al. Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform
Gjorgiev et al. Simulation-driven deep learning for locating faulty insulators in a power line
Dwivedi et al. DynamoPMU: A Physics Informed Anomaly Detection, Clustering and Prediction Method using Non-linear Dynamics on μPMU Measurements
Fang et al. A data-driven method for online transient stability monitoring with vision-transformer networks
Wang et al. The cable fault diagnosis for XLPE cable based on 1DCNNs-BiLSTM network
Edelen et al. Anomaly detection in particle accelerators using autoencoders
CN116401532B (en) Method and system for recognizing frequency instability of power system after disturbance
Thi et al. Anomaly detection for partial discharge in gas-insulated switchgears using autoencoder
Bodda et al. Comparative Analysis of Deep Learning and Machine Learning Techniques for Power System Fault type Classification and Location Prediction
Dervilis et al. Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks
US11719727B1 (en) Systems and methods for screening particle source manufacturing and development test data
US20230059561A1 (en) Identification of arcing hazards in power distribution systems

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant