메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

박준용 (수원대학교, 수원대학교 대학원)

지도교수
오성권
발행연도
2021
저작권
수원대학교 논문은 저작권에 의해 보호받습니다.

이용수23

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (6)

초록· 키워드

오류제보하기
In this study, two problems that can occur in designing a CNN(Convolutional Neural Network)?based partial discharge pattern classifier are presented and a solution to each is proposed.
It is difficult to distinguish between noise and discharge through a CNN-based pattern classifier because information about noise in the image of partial discharge data processed through the conventional preprocessing method is more prominent than information about the discharge signal. We analyzed that the cause of this reason lies in the conventional partial discharge data preprocessing method that stores the number of occurrences of the signal as the pixel value of the image. In order to highlight the information on the discharge signal on the image, we propose a new preprocessing method for partial discharge data that stores the average value of the signal size in the pixel value of the image by applying the orthogonal projection technique.
Through GIS simulation, partial discharge data for 5 cases of free conductor discharge, insulator discharge, corona discharge, floating discharge, and noise that can occur inside and outside of GIS are acquired. Then design three of CNN-based partial discharge pattern classifiers using images obtained by applying the conventional pre-processing method PRPS (Phase Resolved Pulse Sequence), PRPD (Phase Resolved Partial Discharge), and proposed pre-processing methods, respectively. Finally through a comparative analysis of each model''s feature map and results, the superiority of the proposed preprocessing method is proved.
In order to solve the problem of generalization performance degradation and unstable model design that can occur by using partial discharge data significantly less than the amount of data normally used to learn the CNN structure, we propose a method to design a model by adding fake partial discharge data generated from DCGAN(Deep Convolutional Generative Adversarial Network) to the training data.
The real image data used to generate the fake data is the image data obtained through the PRPS method, Lastly through a comparative analysis of the result of a model designed only with real PRPS image data and the result of a model designed by adding fake data to the real training data, the potential of proposed method for improving the problem of data shortage is confirmed.

목차

1. 서 론 1
1.1. 연구 배경 및 목적 1
1.2. 연구 내용 및 방법 3
2. 부분방전 모의실험 과정 및 실험환경 5
3. 전처리 기법에 따른 부분방전 데이터 가공 8
3.1. PRPS기법을 통한 데이터 가공 8
3.2. PRPD기법을 통한 데이터 가공 12
3.3. 제안된 AVG_Proj기법을 통한 데이터 가공 14
4. 부분방전 패턴 분류기를 위한 CNN의 구조 및 설계 22
5. 가짜 데이터 생성을 위한 DCGAN설계 31
5.1. 적대적 생성 신경망(Generative Adversarial Network)의 개념 31
5.2. DCGAN의 구조 및 설계 34
6. 실험 및 결과 고찰 38
6.1. 부분방전 데이터 및 CNN기반 패턴 분류기의 구성 38
6.2. 실험 1 : 데이터 전처리 기법에 따른 패턴 분류기 설계 및 결과 비교 40
6.2.1. 전처리 기법에 따른 데이터 획득 40
6.2.2. 각 층별로 추출되는 특징맵을 통한 특징 비교 40
6.2.3. 부분방전 패턴분류기의 분류성능을 통한 결과 비교 48
6.3. 실험 2 : 가짜 데이터를 이용한 부분방전 패턴 분류기 학습 531) DCGAN을 통한 가짜 데이터 생성 및 특징 비교 532) 가짜 데이터의 활용 및 결과 비교 58
7. 결 론 62
참고문헌 64
ABSTRACT 69

최근 본 자료

전체보기

댓글(0)

0