웨이블릿 분해 및 PCA 클러스터링과 시계열 LSTM 패턴인식 알고리즘을 이용한 HVDC 케이블 시스템의 부분방전 진단기술 :Partial Discharge Diagnosis Technique in HVDC Cable Systems using PCA Clustering through Wavelet Decomposition and Pattern Recognition using Time Series LSTM Algorithm

윤성호

추천

검색

자료유형: 학위논문

저자정보: 윤성호 (대진대학교, 대진대학교 일반대학원)

지도교수: 김정태

발행연도: 2023

저작권: 대진대학교 논문은 저작권에 의해 보호받습니다.

이용수12

이 논문의 연구 히스토리 (2)

2023

웨이블릿 분해 및 PCA 클러스터링과 시계열 LSTM 패턴인식 알고리즘을 이용한 HVDC 케이블 시스템의 부분방전 진단기술

윤성호 전기공학과 2023.01 학위논문

2022

시계열 분석기법을 이용한 DC 부분방전 패턴인식

윤성호 , 박건혁 , 이찬영 외 1명 대한전기학회 학술대회 논문집 2022.07 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 연구에서는 DC 부분방전(PD : Partial Discharge)을 진단하기 위한 클러스터링 및 패턴인식 기법을 연구하였다. 노이즈 제거를 위한 클러스터링 기법으로 기존의 연구들에서는 웨이블릿 분해기법이나 T-F map 등을 사용하였으나, 활용된 특징들의 정보가 부족하여 클러스터링 결과가 명확하지 않았다. 또한 결함 종류 구분을 위한 기존 DC 부분방전 연구들에서는 패턴인식 시 주로 펄스와 펄스간의 시간 차이 및 방전량 차이를 대표하는 특징으로서 PSA(Pulse sequence Analysis) 기법을 활용하였지만, AC 부분방전과는 달리 대량의 데이터를 얻기 힘든 DC 부분방전의 특징으로 인해 PSA 기법의 효과성이 불분명하다. 이에 따라 본 연구에서는 웨이블릿 분해 및 PCA 클러스터링 기법과 시계열 데이터에 대한 LSTM 패턴인식 기법을 적용하여 효과적인 DC 부분방전 해석을 수행하였고, 타 기법과의 비교를 통해 우월성을 확인하였다.
본 연구에서 개발한 클러스터링 및 패턴인식 알고리즘의 검증을 위해 배전급 전력케이블과 접속재를 이용한 DC 부분방전 실험시스템을 구축하였고, 보이드 방전 결함, 표면방전 결함, 코로나방전 결함 등 3종의 모의결함을 제작하였다. 각 부분방전 결함의 물리적 특징을 가지는 시계열 이벤트 및 펄스 파형에 대한 데이터베이스를 구축하였다. 더불어 현장 노이즈로서 전력변환장치 스위칭 노이즈를 선정하여 데이터베이스를 구축하였다. DC 부분방전 펄스 파형 데이터는 100MS/s의 분해능으로 측정하였기 때문에 2㎲ 정도의 범위(200 포인트)로 구성되며, 1,000개의 펄스 파형을 하나의 파일로 기록하였다. 아울러 부분방전 시계열 이벤트 데이터로는 시간에 따라 측정된 1,000개의 부분방전 이벤트 데이터를 하나의 파일로 기록하였다.
DC 부분방전 펄스의 클러스터링부터 패턴인식까지 3단계 알고리즘을 구성하였다. DC 부분방전 펄스의 클러스터링에서는 하나의 측정된 파형으로부터 보다 많은 정보를 추출하기 위하여, 웨이블릿 분해 기법을 이용하여 총 7개 세부 파형으로 분해한 후 각 파형의 특징을 14개씩 추출하였고, 하나의 파형으로부터 추출한 총 98개 특징에 대해 PCA 클러스터링 기법을 활용해 군집화 하는 알고리즘을 개발하였다. 본 연구에서 개발한 클러스터링 알고리즘을 이용하여 다중방전 및 케이블 거리별 펄스 데이터들에 대한 클러스터링 정도를 정량적으로 확인하였으며, 기존 T-F 클러스터링 기법은 클러스터 간에 중첩이 발생하여 본 연구에서 제안한 방법에 비해 비효과적인 것으로 나타났다. 분류된 클러스터들에 대해 PRPD 구성으로 AC특성을 갖는 노이즈를 배제한 후, DC 부분방전 특성을 갖는 클러스터들에 대해 시계열 데이터에 대한 LSTM 기법과 PSA 이용 랜덤 포레스트 기법 및 CNN 기법을 적용하여 패턴인식을 수행하였다. 그 결과, LSTM 시계열 패턴인식은 99% 이상, PSA 이용 랜덤 포레스트 패턴인식은 81% 이상의 인식률을 얻었으며, CNN은 데이터 부족으로 인식률이 10% 미만에 불과하여, DC 부분방전 해석으로는 시계열 데이터를 이용한 LSTM 패턴인식 기법이 가장 적절한 것으로 판단된다.
이상과 같이 본 연구에서 제안한 웨이블릿 분해 및 PCA를 이용한 펄스 파형 클러스터링 기법과 LSTM을 이용한 패턴인식 기법은 실험실 뿐 아니라 노이즈가 많은 현장에서도 적용가능한 DC 부분방전 해석 기법으로 판단된다.

In this study, clustering and pattern recognition techniques for diagnosing DC partial discharge(PD) were studied. Existing studies have used wavelet decomposition techniques or T-F maps as a clustering technique for noise removal. However, the clustering results were not clear due to the lack of information on the utilized features. In addition, existing DC partial discharge studies for defect classification have utilized PSA (Pulse sequence analysis) as a feature representing the time difference between pulses and the discharge amount. However, the effectiveness of the PSA technique is unclear due to the characteristics of DC partial discharge, which is difficult to obtain large amounts of data, unlike AC partial discharge. Accordingly, in this study, effective DC partial discharge analysis was performed by applying wavelet decomposition and PCA clustering techniques, and LSTM pattern recognition techniques for time series data, and its superiority was confirmed through comparison with other techniques.
To verify the clustering and pattern recognition algorithm developed in this study, a DC partial discharge test system was established using distribution-grade power cables and connectors, and three types of simulated defects were produced: void discharge defects, surface discharge defects, and corona discharge defects. A database of time series events and pulse waveforms with physical characteristics of each partial discharge fault was built. In addition, the power converter switching noise was selected as a field noise to build the database. Since the DC partial discharge pulse waveform data was measured with a resolution of 100 MS/s, it consisted of a range of about 2 μs (200 points), and 1,000 pulse waveforms were recorded as one file. In addition, as partial discharge time series data, 1,000 partial discharge event data measured over time were recorded as one file.
A three-step algorithm was constructed from clustering to pattern recognition of DC partial discharge pulses. In the clustering of DC partial discharge pulses, to extract more information from one measured waveform, wavelet decomposition was used to decompose into a total of 7 detailed waveforms, and then 14 characteristics of each waveform were extracted. For a total of 98 extracted features, a clustering algorithm was developed using the PCA clustering technique, and it was confirmed quantitatively that clustering was quite good for multi-discharge and pulse data by cable distance. The clustering algorithm developed in this study was used to quantitatively verify the degree of clustering for multiple discharge and cable distance pulse data, and the existing T-F clustering technique was found to be ineffective compared to the method proposed in this study due to the overlap between clusters. For the classified clusters, noise with AC characteristics was excluded by PRPD configuration. Then pattern recognition was performed by applying the LSTM technique, random forest technique using PSA, and CNN technique to time series data for clusters with DC partial discharge characteristics. As a result, LSTM time series pattern recognition obtained a recognition rate of more than 99%, PSA random forest pattern recognition obtained a recognition rate of more than 81%, and CNN obtained a recognition rate of less than 10% due to a lack of data, so it is judged that LSTM pattern recognition technique using time series data is the most appropriate for DC partial discharge analysis.
As described above, the pulse wave clustering technique using wavelet decomposition and PCA and the pattern recognition technique using LSTM proposed in this study are considered DC partial discharge analysis techniques that can be applied in laboratories and noisy fields.

#클러스터링 #패턴인식 #부분방전 #HVDC 케이블

Ⅰ. 서 론 1
1.1 연구 배경 및 필요성 1
1.1.1 HVDC 케이블의 대두 1
1.1.2 전력설비 진단 및 부분방전 검출의 필요성 4
1.2 관련 연구 현황 및 차별성 9
1.2.1 노이즈 제거(클러스터링) 연구 9
1.2.2 패턴인식 연구 18
1.2.3 본 연구의 차별성 24
1.3 연구 목적과 범위 27
Ⅱ. 클러스터링 및 패턴인식 알고리즘 29
2.1 DC 부분방전 진단 프로세스 29
2.2 펄스 파형 형태 및 전처리 33
2.3 웨이블릿 분해 및 PCA를 이용한 클러스터링 35
2.3.1 웨이블릿 분해 35
2.3.2 웨이블릿 모함수(Mother Function) 선정 38
2.3.3 웨이블릿 분해 레벨 선정 41
2.4 펄스 특징 추출 43
2.4.1 통계적 특징 추출 기법 43
2.4.2 통계적 특징 추출 기법이용 특징 추출 결과 54
2.5 DC 부분방전 클러스터링 기법 55
2.5.1 클러스터링 기법 소개 및 적용 가능성 검토 55
2.5.2 본 연구에서 PCA 클러스터링 알고리즘 적용 60
2.6 DC 부분방전 패턴인식 기법 62
2.6.1 패턴인식 기법 소개 62
2.6.2 패턴인식 기법 적용 가능성 검토 70
2.6.3 LSTM 패턴인식 알고리즘 적용 72
2.7 알고리즘에 사용된 파이썬 및 라이브러리 버전 정보 74
Ⅲ. DC 부분방전 측정 시스템 및 데이터 구축 76
3.1 DC 부분방전 측정 시스템 76
3.2 DC 부분방전 데이터 구축 78
3.2.1 DC 부분방전 모델 결함 78
3.2.2 결함별 부분방전 특성 비교 81
3.2.3 결함별 DC 부분방전 데이터 구축 86
3.2.4 노이즈 검토 및 데이터 구축 93
Ⅳ. DC 부분방전 클러스터링 및 패턴인식 결과 분석 96
4.1 DC 부분방전 클러스터링 96
4.1.1 파형 특징 PCA 적용에 대한 중복성 문제 검토 96
4.1.2 다중 부분방전 PCA 클러스터링 101
4.1.3 거리별 부분방전 PCA 클러스터링 103
4.1.4 다양한 노이즈 환경에서의 PCA 클러스터링 108
4.1.5 AC 특성 펄스(노이즈) 제거 109
4.2 DC PD 패턴인식 112
4.2.1 LSTM 기법 이용 펄스 시계열 패턴인식 결과 112
4.2.2 패턴인식 기법들의 인식률 비교 결과 114
Ⅴ. 결 론 118
참고문헌 121
Abstract 129

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)