KR101958903B1 - PARTIAL DISCHARGE CLASSIFICATION SYSTEM USING RBFNNs(RADIAL BASIS FUNCTION Neural NETWORKS) MODEL - Google Patents
PARTIAL DISCHARGE CLASSIFICATION SYSTEM USING RBFNNs(RADIAL BASIS FUNCTION Neural NETWORKS) MODEL Download PDFInfo
- Publication number
- KR101958903B1 KR101958903B1 KR1020180062299A KR20180062299A KR101958903B1 KR 101958903 B1 KR101958903 B1 KR 101958903B1 KR 1020180062299 A KR1020180062299 A KR 1020180062299A KR 20180062299 A KR20180062299 A KR 20180062299A KR 101958903 B1 KR101958903 B1 KR 101958903B1
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- partial discharge
- model
- rbfnns
- unit
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
본 발명은 부분 방전 분류 시스템에 관한 것으로서, 특히 RBFNNs(Radial Basis Function Neural Networks) 모델을 이용한 부분 방전 분류 시스템에 관한 것이다.The present invention relates to a partial discharge classification system, and more particularly, to a partial discharge classification system using a RBFNNs (Radial Basis Function Neural Networks) model.
부분 방전은 전기장치에서 전극과 전극 사이를 완전히 교락하지 않는 불완전한 절연파괴 현상을 말한다. 이는 일종의 방전을 일컫거나 전계분포가 불평등한 절연물에 인가전압을 서서히 상승키시면 전계가 집중된 보이드나 크랙 등에서 부분적으로 발생한다. 부분 방전이 일어날 때, 발열, 하전입자의 충돌, 분자와 이온에 의한 화학작용으로 주변의 고체 절연체에 손상을 입히게 된다.
Partial discharge is an incomplete breakdown phenomenon that does not completely intertwine between electrodes and electrodes in an electric device. This is a kind of discharge, or if the applied voltage is gradually increased to an unequal insulation, the electric field will partially occur in a concentrated void or crack. When a partial discharge occurs, heat, collision of charged particles, and chemical action by molecules and ions damage the surrounding solid insulator.
부분 방전의 종류는 고체 절연체 내부의 보이드나 공극에서 발생하는 내부방전, 기체 절연체에서 주로 첨점에 발생하는 코로나와 절연체 표면에서 일어나는 표면방전 그리고 고체 절연체 내부에서 전기트리 진전 시 발생하는 전기트리 방전 등으로 분류할 수 있다. 열화진전의 원인이 되는 부분 방전의 발생 빈도가 잦아질수록 절연재료의 절연파괴를 초래하게 된다.
The types of partial discharge include internal discharges generated in the voids and voids inside the solid insulator, corona generated mainly at the apex of the gas insulator, surface discharge occurring at the surface of the insulator, and electric tree discharge occurring in the inside of the solid insulator Can be classified. As the frequency of occurrence of partial discharge, which causes deterioration progress, becomes smaller, insulation breakdown of insulating material is caused.
부분 방전이 일어나면서 나타나는 수많은 방전 수, 방전의 크기, 방전의 패턴 등과 같은 정보는 전기적 절연파괴를 평가하는데 매우 중요한 역할을 한다. 이처럼 유용한 정보를 담고 있는 부분 방전은 기계적 또는 전기적 스트레스 등 열화로 인한 이상을 조기에 발견하도록 도와준다.
The information such as the number of discharge, the size of the discharge, the pattern of the discharge, etc. appearing during the partial discharge plays a very important role in evaluating the electrical insulation breakdown. Partial discharge, which contains this useful information, helps to detect early abnormalities such as mechanical or electrical stress.
발전설비 사고로부터 사회적 재산 및 인명의 피해를 최소화하기 위해 현재까지 다양한 알고리즘을 이용하여 On-line 부분방전 진단 방법들이 제안되었다. 하지만, 아직까지 제안된 방법들은 파라미터와 같은 다양한 조건들이 만족되어야만 현장에 적용이 가능하다.
On-line partial discharge diagnosis methods using various algorithms have been proposed so far to minimize damage of social property and human life from generation facility accident. However, the proposed methods can be applied to the field only when various conditions such as parameters are satisfied.
대표적으로 부분 방전 진단 방법에 사용된 모델로는 Neural Networks(NN)와 Support Vector Machine(SVM) 등이 있다. 신경회로망은 모멘텀 계수, 반복 수, 학습률, 노드 수 등 많은 파라미터 설정이 필요하고, 파라미터의 변화에 따라 성능이 크게 달라질 수 있다. 즉, 파라미터 변화에 민감하기 때문에 현장 적용에 있어서 제한적이다. 그리고 SVM은 비교적 우수한 성능을 나타내지만, 부분 방전을 진단하는 속도에 한계를 갖고 있기 때문에 현장 적용에 있어 어려움을 갖는다. 또한 실용적인 관점에서 볼 때, SVM의 가장 심각한 문제는 알고리즘이 복잡하고, 이에 따른 프로그래밍의 메모리가 광범위하게 요구된다는 것이다.
Neural networks (NN) and Support Vector Machine (SVM) are some of the models used for partial discharge diagnosis. The neural network requires many parameter settings such as the momentum coefficient, the number of iterations, the learning rate, the number of nodes, etc., and the performance may vary greatly depending on the parameter changes. In other words, it is sensitive to parameter changes and therefore limited in field applications. And SVM shows relatively good performance, but it has difficulty in field application because it has limit of speed of diagnosis of partial discharge. Also from a practical point of view, the most serious problem of SVM is that the algorithm is complex, and therefore the memory of programming is widespread.
현장에서는 On-line으로 부분 방전을 진단하는 방법보다 Off-line 진단 방법을 중요시 하는데, 그 이유로는 Off-line 진단이 On-line 진단에 비해 진단 결과가 우수하기 때문이다. 그러나 Off-line 진단의 가장 큰 단점은 현장 설비에 대한 지식을 갖춘 전문가만이 진단할 수 있고, 가동 중인 발전설비들을 정지한 상태로 진단을 수행해야만하기 때문에 시간 및 재정적인 부분에서 경제적 손실이 크다.
Off-line diagnostic method is more important than on-line diagnostic method for on-line diagnosis because off-line diagnosis is superior to on-line diagnosis. However, the biggest disadvantage of off-line diagnostics is that it can only be diagnosed by a specialist with knowledge of the field facilities, and must be diagnosed with the power plants being shut down, resulting in economic and financial losses .
반면에 On-line은 방법은 발전설비가 가동 중인 상황에서도 진단이 가능하기 때문에 경제적 손실을 줄일 수 있고, 전문가의 도움 없이도 컴퓨터가 이를 진단하고 판단하여 사고를 사전에 예측 및 방지 할 수 있기 때문에 On-line 진단 방법의 개발이 요구된다.
On the other hand, the on-line method can reduce the economic loss because the diagnosis can be made even when the power generation facility is in operation, and the computer can diagnose and judge it without the help of the expert, -line diagnostic method is required.
한편, 본 발명과 관련된 선행기술로서, 공개번호 제10-2014-0067653(발명의 명칭: 부분방전 감지장치의 진단을 위한 부분방전 분석장치 및 방법) 등이 개시된 바 있다.As a prior art related to the present invention, Publication No. 10-2014-0067653 (entitled " Partial discharge analysis apparatus and method for diagnosing partial discharge detection apparatus ") has been disclosed.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 기존의 알고리즘에 비해 구조가 단순하고, 많은 파라미터를 요구하지 않으며, 외부요건의 변화에도 유연하게 대처할 수 있는, RBFNNs 모델을 이용한 부분 방전 분류 시스템을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed in order to solve the above-mentioned problems of the previously proposed methods. The present invention provides a RBFNNs, which is simple in structure compared to existing algorithms, does not require many parameters, and can flexibly cope with changes in external requirements And to provide a partial discharge classification system using the model.
또한, 본 발명은, POS(Particle Swarm Optimization)를 이용한 FCM(Fuzzy C-Means) 기반 RBFNNs 모델을 사용하고, 진폭 크기의 최댓값을 입력 데이터로 사용하여, 높은 분류 성능을 가지는 부분 방전 분류 시스템을 구현할 수 있는, RBFNNs 모델을 이용한 부분 방전 분류 시스템을 제공하는 것을 또 다른 목적으로 한다.In addition, the present invention uses a fuzzy C-Means (FCM) based RBFNNs model using POS (Particle Swarm Optimization) and uses a maximum value of amplitude magnitude as input data to implement a partial discharge classification system having high classification performance Another object of the present invention is to provide a partial discharge classification system using the RBFNNs model.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템은,According to an aspect of the present invention, there is provided a partial discharge classification system using an RBFNNs model,
부분 방전 분류 시스템으로서,A partial discharge classification system comprising:
신호를 검출하는 신호 검출부;A signal detector for detecting a signal;
상기 신호 검출부로부터 상기 검출된 신호를 입력받아 미리 설정된 주기를 중첩하여 위상에 따른 데이터를 출력하는 신호 전처리부;A signal preprocessing unit receiving the detected signal from the signal detecting unit and superimposing a predetermined period to output data according to a phase;
상기 신호 전처리부로부터 전처리된 데이터를 입력받아 신경 회로망을 이용하는 RBFNNs 모델을 이용한 학습 모델을 생성하는 모델 생성부; 및A model generating unit for generating a learning model using RBFNNs model using neural network by receiving pre-processed data from the signal preprocessing unit; And
상기 모델 생성부에서 생성된 학습 모델을 이용하여 패턴 인식을 통해 부분 방전을 분류하는 신호 분류부를 포함하는 것을 그 구성상의 특징으로 한다.
And a signal classifying unit for classifying the partial discharge by pattern recognition using the learning model generated by the model generating unit.
바람직하게는, 상기 신호 검출부는,Preferably, the signal detecting unit includes:
EMC(Epoxy Mica Coupling) 센서를 이용하여 신호를 검출할 수 있다.
Signal can be detected using EMC (Epoxy Mica Coupling) sensor.
바람직하게는, 상기 신호 전처리부는,Preferably, the signal pre-
PRPDA(Phase Resolved Partial Discharge Analysis) 기법을 이용하여 상기 신호 검출부로부터 입력받은 신호에 대해 전처리를 수행할 수 있다.
It is possible to perform preprocessing on a signal received from the signal detecting unit using a PRPDA (Phase Resolved Partial Discharge Analysis) technique.
바람직하게는, 상기 신호 전처리부의 출력 데이터는,Preferably, the output data of the signal pre-
상기 중첩된 신호에서 위상이 360도인 신호를 2도 간격으로 쪼개어 180개의 간격으로 분할된 진폭 크기 데이터 및 초당 진동수 데이터를 포함할 수 있다.
A signal having a phase of 360 degrees in the superimposed signal may be divided at intervals of 2 degrees to include amplitude magnitude data divided into 180 intervals and frequency data per second.
바람직하게는, 상기 신경 회로망은,Advantageously, the neural network comprises:
상기 신호 전처리부로부터 전처리된 신호를 입력받는 입력층;An input layer for receiving a signal preprocessed from the signal preprocessing unit;
부분 방전을 분류하여 출력하는 출력층; 및An output layer for classifying and outputting the partial discharge; And
상기 입력층과 출력층 사이의 은닉층;을 포함할 수 있다.
And a hidden layer between the input layer and the output layer.
바람직하게는, 상기 RBFNNs 모델은,Preferably, the RBFNNs model comprises:
POS(Particle Swarm Optimization)를 이용한 FCM(Fuzzy C-Means)을 기반으로 한 네트워크 구조를 가지며, 조건부, 결론부 및 추론부로 나뉘어 동작할 수 있다.
It has a network structure based on FCM (Fuzzy C-Means) using POS (Particle Swarm Optimization) and can be divided into conditional part, conclusion part and reason part.
바람직하게는, 상기 RBFNNs 모델은,Preferably, the RBFNNs model comprises:
상기 전처리된 데이터에서 진폭 크기의 최댓값을 입력 데이터로 할 수 있다.The maximum value of the amplitude magnitude in the preprocessed data may be input data.
본 발명에서 제안하고 있는 RBFNNs 모델을 이용한 부분 방전 분류 시스템에 따르면, 기존의 알고리즘에 비해 구조가 단순하고, 많은 파라미터를 요구하지 않으며, 외부요건의 변화에도 유연하게 대처할 수 있다.
According to the partial discharge classification system using the RBFNNs model proposed in the present invention, the structure is simpler than that of the conventional algorithm, does not require many parameters, and can cope flexibly with changes in external requirements.
또한, 본 발명에 따르면, POS(Particle Swarm Optimization)를 이용한 FCM(Fuzzy C-Means) 기반 RBFNNs 모델을 사용하고, 진폭 크기의 최댓값을 입력 데이터로 사용하여, 높은 분류 성능을 가지는 부분 방전 분류 시스템을 구현할 수 있다.Further, according to the present invention, a partial discharge classification system having a high classification performance can be realized by using a Fuzzy C-Means (RBFNNs) model based on POS (Particle Swarm Optimization) and using the maximum value of amplitude magnitude as input data Can be implemented.
도 1은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템의 구성을 블록도로 도시한 도면.
도 2는 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템에서 부분 방전을 측정하기 위한 실험 장치의 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템의 신호 전처리부에서 미리 설정된 주기를 중첩하는 모습을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템에서 PRPDA 기법으로 구축된 부분 방전 데이터 집합을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템의 모델 생성부에서 생성된 POS를 이용한 Fuzzy C-Means 기반 RBFNNs 모델의 알고리즘을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템에서 (a) RBFNNs 모델에 진폭 크기의 평균값을 입력 데이터로 한 경우, (b) BP-NN에 진폭 크기의 평균값을 입력 데이터로 한 경우, (c) SVM에 진폭 크기의 평균값을 입력 데이터로 한 경우의 실험 결과를 도시한 도면.
도 7은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템에서 (a) RBFNNs 모델에 진폭 크기의 최댓값을 입력 데이터로 한 경우, (b) BP-NN에 진폭 크기의 최댓값을 입력 데이터로 한 경우, (c) SVM에 진폭 크기의 최댓값을 입력 데이터로 한 경우의 실험 결과를 도시한 도면.1 is a block diagram of a partial discharge classification system using an RBFNNs model according to an embodiment of the present invention.
BACKGROUND OF THE INVENTION Field of the Invention [0001] The present invention relates to a partial discharge classification system using an RBFNNs model.
FIG. 3 is a diagram illustrating a signal pre-processing unit of a partial discharge classification system using a RBFNNs model according to an embodiment of the present invention to overlap predetermined cycles. FIG.
FIG. 4 illustrates a partial discharge data set constructed by a PRPDA technique in a partial discharge classification system using an RBFNNs model according to an embodiment of the present invention; FIG.
5 is a diagram illustrating an algorithm of a Fuzzy C-Means based RBFNNs model using a POS generated in a model generation unit of a partial discharge classification system using an RBFNNs model according to an embodiment of the present invention.
FIG. 6 is a graph illustrating the results of a partial discharge classification system using an RBFNNs model according to an embodiment of the present invention when (a) an average value of amplitude magnitudes is input to an RBFNNs model, (b) (C) an experimental result in the case where an average value of amplitude magnitudes is used as input data in the SVM. Fig.
FIG. 7 is a graph showing the relationship between the maximum amplitude value and the maximum amplitude value of the RBFNNs model in a partial discharge classification system using an RBFNNs model according to an embodiment of the present invention. (C) shows the experimental result when the maximum value of the amplitude magnitude is used as the input data in the SVM.
이하에서는 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일 또는 유사한 부호를 사용한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. The same or similar reference numerals are used throughout the drawings for portions having similar functions and functions.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . Also, to "include" an element means that it may include other elements, rather than excluding other elements, unless specifically stated otherwise.
도 1은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 구성을 블록도로 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)은, 신호 검출부(100), 신호 전처리부(200), 모델 생성부(300) 및 신호 분류부(400)를 포함하여 구성될 수 있다. 이하에서는, 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 각각의 구성에 대하여 상세히 설명하기로 한다.
1 is a block diagram illustrating a configuration of a partial
도 2는 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서 부분 방전을 측정하기 위한 실험 장치의 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명에서는 변압기를 이용하여 2.8kV ~ 6.8kV 사이로 전압을 인가하고, 현장 부분 방전 측정에 사용되는 여러 센서 중 EMC 센서를 이용하여 부분 방전을 측정할 수 있다.
2 is a diagram illustrating a configuration of an experimental apparatus for measuring a partial discharge in the partial
신호 검출부(100)는, 부분 방전 신호를 검출할 수 있다. 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 신호 검출부(100)에서는 EMC 센서를 이용하여 부분 방전의 전기적 신호를 검출할 수 있다. 이때, EMC 센서는 개폐기, 모터, 발전기, 변압기와 다른 보조 고전압 장치와 같은 AC 고전압의 전기적 절연에 대한 부분 방전의 민감한 부분을 감지하기 위한 센서로서, 잡음을 감쇄시키기 위해서 권선에 근접하여 설치하는 것이 좋으나 센서의 위치는 장비에 따라 달리 설치될 수 있다.
The
신호 전처리부(200)는, 신호 검출부(100)로부터 검출된 신호를 입력받아 전처리를 수행하여 위상에 따른 데이터를 출력할 수 있다. 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 신호 전처리부(200)는, PRPDA(Phase Resolved Partial Discharge Analysis) 기법을 이용하여 신호 검출부(100)로부터 입력받은 신호에 대해 전처리를 수행할 수 있다.
The
도 3은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 신호 전처리부(200)에서 미리 설정된 주기를 중첩하는 모습을 도시한 도면이고, 도 4는 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서 PRPDA 기법으로 구축된 부분 방전 데이터 집합을 도시한 도면이다. 도 3 및 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 신호 전처리부(200)는, 신호 검출부(100)로부터 입력받은 신호에 대해 미리 설정된 주기를 중첩하여 위상에 따른 데이터를 출력할 수 있다. 예를 들어, 한 주기에 대한 신호 즉, 파형의 길이가 16.66ms인 부분 방전 신호를 15초 동안 측정하여 900번의 신호를 중첩시킨 후, 이 중첩된 신호에서 위상이 360도인 신호를 2도 간격으로 쪼개어 180개의 간격으로 분할하고 분할된 각 구역에는 진폭 크기(AMP) 및 초당 진동수(PPS)에 대한 데이터를 출력할 수 있다. 본 발명에서는 이와 같은 과정을 반복적으로 수행하여 보이드에 대한 250개, 코로나에 대한 435개, 표면에 대한 270개, 슬롯 방전에 대한 245개의 부분 방전 데이터를 사용하여 실험을 수행하였다.
FIG. 3 is a diagram illustrating a state where a predetermined period is overlapped by a
모델 생성부(300)는, 신호 전처리부(200)로부터 전처리된 데이터를 입력받아 신경 회로망을 이용하는 RBFNNs 모델을 이용한 학습 모델을 생성할 수 있다. 신경 회로망은 패턴학습을 반복하여 스스로 지식을 습득할 뿐만 아니라 규칙을 알 수 없는 상황에서의 특징과 패턴을 찾아가기 위해 많은 양의 데이터를 분석할 수 있는 능력을 가진다. 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 신경 회로망은, 상기 신호 전처리부(200)로부터 전처리된 신호를 입력받는 입력층, 부분 방전을 분류하여 출력하는 출력층 및 입력층과 출력층 사이의 은닉층을 포함하여 구성될 수 있다.
The
도 5는 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)의 모델 생성부(300)에서 생성된 POS를 이용한 Fuzzy C-Means 기반 RBFNNs 모델의 알고리즘을 도시한 도면이다. 도 5에 도시된 바와 같이, POS를 이용한 Fuzzy C-Means 기반 RBFNNs 모델은 신경 회로망을 기반으로 구성될 수 있고, 조건부, 결론부, 추론부로 나뉘어 동작할 수 있다. 이때, 조건부에 각 규칙들은 가우시안과 같은 방사형 기저 함수를 활성함수로 갖는데, 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서는, FCM을 사용하고 조건부에서 변환된 활성함수로 각 규칙마다의 적합도는 연결가중치 값과 곱해져 무게중심법을 통해 추론부에서는 최종 출력으로 나오게 되며, 이때 연결가중치의 값은 상수항과 같은 간략추론 말고도 1차식, 2차식과 같은 선형추론과 이것을 변형한 선형추론을 사용할 수 있다.
FIG. 5 is a diagram illustrating an algorithm of a Fuzzy C-Means-based RBFNNs model using a POS generated in the
본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서는 PSO를 이용한 FCM 기반 RBFNNs 모델을 사용할 수 있고, 주성분 분석법을 통해서 부분 방전의 특징을 추출하여 데이터의 360차원에서 데이터의 정보 및 특징을 잃지 않은 범위내로 축소된 데이터를 생성할 수 있다. 생성된 특징데이터가 입력층에 입력되고, 은닉층으로 들어온 특징데이터는 FCM을 통하여 소속행렬의 소속정도를 계산할 수 있다. 이때, 은닉층의 노드수는 클러스터 개수만큼 나오게 되고 소속정도는 기존의 조건부의 가우시안 함수를 통한 활성함수의 적합도 개념과 동일하게 사용할 수 있다. FCM을 통해 계산된 적합도와 연결가중치를 이용하여 각 클래스 별로 출력을 계산할 수 있다. 사용되는 연결가중치는 1차 선형 추론(Linear), 2차 선형 추론(Quadratic), 변형된 2차 선형 추론(Modified Quadratic)이 있으며 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서는 1차식을 사용할 수 있다. 다항식 형태의 연결가중치를 사용함으로써 아래 수학식 1의 퍼지 규칙 표현과 같은 언어적 관점에서의 해석이 가능할 수 있다.In the partial
여기서 xji는 입력벡터, Aji는 FCM에 의한 i(i=1,…,c)번째 그룹의 소속 함수, fji(x)는 i(i=1,…,s)번째 출력에 대한 j번째 퍼지 규칙의 다항식이다. FCM을 사용함으로써, 네트워크 측면에서는 활성 함수를 언어적 측면에서는 소속 함수의 기능을 수행할 수 있다. 수학식 (1)의 ‘then’이후 결론부의 다항식은 네트워크 연결가중치로, 퍼지 규칙의 로컬 모델로 동작될 수 있다. 추론부에서 네트워크의 최종출력은 퍼지 규칙의 추론 결과로서 구해질 수 있다. 이와 같이 개선된 RBFNNs 모델은 퍼지 규칙을 기반으로 한 네트워크 구조를 가지며 조건부, 결론부, 추론부로 나뉘어 동작할 수 있다.
Where j j is the input vector, A ji is the membership function of the i (i = 1, ..., c) th group by FCM, f ji (x) Is the polynomial of the third fuzzy rule. By using the FCM, it is possible to perform the function of the affiliation function in terms of network and the function of affiliation in the language aspect. The polynomial of the conclusion after 'then' in equation (1) is the network connection weight, which can be operated as a local model of the fuzzy rule. The final output of the network at the inference section can be obtained as the inference result of the fuzzy rule. The improved RBFNNs model has a network structure based on fuzzy rules and can be divided into conditional, conclusion, and reasoning sections.
신호 분류부(400)는, 모델 생성부(300)에서 생성된 학습 모델을 이용하여 패턴 인식을 통해 부분 방전을 분류할 수 있다. 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서 제안된 FCM기반 RBFNNs 모델을 통해 패턴 분류 실험을 수행하였다. 부분방전 특징 중 진폭 크기(AMP)의 최댓값 데이터와 평균값 데이터를 입력 데이터로 하여 패턴 및 성능과 분류율을 비교하고, 최적화 알고리즘을 사용하여 파라미터를 탐색하여 나온 값과 임의로 파라미터를 설정하여 패턴 분류율을 확인하였다.
The
제안된 FCM기반 RBFNNs 모델을 구현하기 위해서 신경망의 입력으로는 360개의 입력변수를 최적화알고리즘을 통하여 [40 80] 차원 영역을 탐색 및 축소해가며 특징데이터를 사용하였다. 또한 은닉층 노드의 개수와 FCM의 퍼지화 계수도 최적화 알고리즘을 통해 각각 [2 4], [1.1 3.0] 값 중 가장 좋은 성능을 탐색하였다. 각 출력 클래스 당 데이터를 50%는 학습하였고, 30%는 검증, 나머지 20%는 테스트 데이터로 사용하였다. 또한, 최적화를 사용했을 때와 하지 않았을 때를 비교하기 위해 최적화를 사용하지 않았을 경우, 은닉층의 노드 수 [2 4] 영역에서 퍼지화 계수 2.0일 때, 입력벡터(차원수)는 PCA를 사용하여 임의로 선정하였고 나머지 모든 파라미터 조건을 동일하게 하여 실험하였다. RBFNNs 모델뿐만 아니라 신경회로망 모델(BP-NN)과 SVM(Support Vector Machine) 모델도 함께 실험하여 패턴 분류율을 비교하였다. 그리고 데이터를 부분방전 진폭 크기(AMP)의 최댓값 데이터와 평균값 데이터 두 가지로 나누어서도 비교해 보았다.
In order to implement the proposed FCM - based RBFNNs model, 360 input variables are used as inputs to the neural network, and the feature data is used by searching and reducing the [40 80] dimensional region through the optimization algorithm. In addition, the number of hidden nodes and the fuzzy number of FCM are also found to be the best among [2 4] and [1.1 3.0] through the optimization algorithm, respectively. 50% of the data per output class was learned, 30% was used for verification and the remaining 20% was used for test data. In addition, when the optimization is not used to compare between when the optimization is used and when it is not, the input vector (number of dimensions) is PCA when the fuzzification coefficient is 2.0 in the number of hidden nodes [2 4] Were selected randomly and all the other parameter conditions were the same. In addition to the RBFNNs model, the neural network model (BP-NN) and the SVM (Support Vector Machine) model were also tested to compare pattern classification rates. We also compared the data by dividing it by the maximum value data of the partial discharge amplitude magnitude (AMP) and the average value data.
도 6은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서 (a) RBFNNs 모델에 진폭 크기의 평균값을 입력 데이터로 한 경우, (b) BP-NN에 진폭 크기의 평균값을 입력 데이터로 한 경우, (c) SVM에 진폭 크기의 평균값을 입력 데이터로 한 경우의 실험 결과를 도시한 도면이고, 도 7은 본 발명의 일실시예에 따른 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에서 (a) RBFNNs 모델에 진폭 크기의 최댓값을 입력 데이터로 한 경우, (b) BP-NN에 진폭 크기의 최댓값을 입력 데이터로 한 경우, (c) SVM에 진폭 크기의 최댓값을 입력 데이터로 한 경우의 실험 결과를 도시한 도면이다.
FIG. 6 is a graph showing the relationship between the amplitude of the amplitude magnitude and the magnitude of the amplitude of the BP-NN when the mean value of amplitude magnitudes is used as the input data in the RBFNNs model in the partial
도 6 및 도 7에서의 단어들은 각각 Optimization(Opt), Number of rules(NR), Fuzzification coefficient(FC), Number of dimensions(Di), Number of reduced dimensions using PCA(PCA), Training data for classification rate(TR_CR), Test data for classification rate(TE_CR), Number of Hidden Nodes(NH), Learning Rate(LR), Momentum Coefficient(MC), Number of Iteration(NI), linear(l), quadratic(q), polynomial function(p), rbf function(r)을 의미한다.
The words in FIGS. 6 and 7 are referred to as optimization (Opt), number of rules (NR), fuzzification coefficient (FC), number of dimensions (Di), number of reduced dimensions using PCA (TR_CR), Test data for classification rate (TE_CR), Number of Hidden Nodes (NH), Learning Rate (LR), Momentum Coefficient (MC), Number of Iteration (NI), linear (l), quadratic (q), polynomial function (p), and rbf function (r).
도 6 및 도 7에 도시된 바와 같이, 실험을 수행한 세 가지 모델 모두 진폭 크기의 평균값보다 최댓값을 입력 데이터로 사용한 경우 데이터의 패턴 분류율이 더 높은 것을 확인할 수 있다.
As shown in FIGS. 6 and 7, it can be seen that the pattern classification rate of the data is higher when the maximum value is used as the input data than the average value of the amplitude magnitudes in all of the three models in which the experiments are performed.
또한, 도 7의 (a), (b) 및 (c)에 도시된 바와 같이, POS(Particle Swarm Optimization)를 이용한 FCM(Fuzzy C-Means) 기반 RBFNNs 모델에서 최적화 알고리즘을 사용하고 PCA를 이용한 경우, 같은 조건에서 BP-NN과 SVM 모델을 사용한 경우보다 좋은 분류 성능을 가지는 것을 확인할 수 있다. 그리고 최적화 알고리즘을 통한 Fuzzy C-Means기반 RBFNNs 모델에서 최적의 위치 정보를 탐색하여 PCA를 75개로 입력변수를 선택 및 은닉층의 규칙수가 3개이고 퍼지화 계수가 2.468일 때가 테스트 데이터의 목적함수 패턴 분류율이 98.95%로 가장 우수함을 확인할 수 있다.
7 (a), 7 (b) and 7 (c), when the optimization algorithm is used in the RBFNNs model based on FCM (Fuzzy C-Means) using POS (Particle Swarm Optimization) , It can be confirmed that the classification performance is better than that in the case of using the BP-NN and the SVM model under the same conditions. In the RBFNNs model based on the Fuzzy C-Means based on the optimization algorithm, the optimal location information is searched and the PCA is input to 75. When the rule number of the input variable and the hidden layer are 3 and the fuzzy coefficient is 2.468, And 98.95%, respectively.
전술한 바와 같이, 본 발명에서 제안하고 있는 RBFNNs 모델을 이용한 부분 방전 분류 시스템(10)에 따르면, 기존의 알고리즘에 비해 구조가 단순하고, 많은 파라미터를 요구하지 않으며, 외부요건의 변화에도 유연하게 대처할 수 있다. 또한, 본 발명에 따르면, POS(Particle Swarm Optimization)를 이용한 FCM(Fuzzy C-Means) 기반 RBFNNs 모델을 사용하고, 진폭 크기의 최댓값을 입력 데이터로 사용하여, 높은 분류 성능을 가지는 부분 방전 분류 시스템(10)을 구현할 수 있다.
As described above, according to the partial
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics and scope of the invention.
10: 부분 방전 분류 시스템
100: 신호 검출부
200: 신호 전처리부
300: 모델 생성부
400: 신호 분류부10: Partial discharge classification system
100: Signal detector
200: signal preprocessing section
300:
400: Signal classifier
Claims (7)
신호를 검출하는 신호 검출부(100);
상기 신호 검출부(100)로부터 검출된 신호를 입력받아 미리 설정된 주기를 중첩하여 위상에 따른 데이터를 출력하는 신호 전처리부(200);
상기 신호 전처리부(200)로부터 전처리된 데이터를 입력받아 신경 회로망을 이용하는 RBFNNs 모델을 이용한 학습 모델을 생성하는 모델 생성부(300); 및
상기 모델 생성부(300)에서 생성된 학습 모델을 이용하여 패턴 인식을 통해 부분 방전을 분류하는 신호 분류부(400)를 포함하되,
상기 신호 검출부(100)는,
EMC(Epoxy Mica Coupling) 센서를 이용하여 신호를 검출하며,
상기 신경 회로망은,
상기 신호 전처리부(200)로부터 전처리된 데이터를 입력받는 입력층;
부분 방전을 분류하여 출력하는 출력층; 및
상기 입력층과 출력층 사이의 은닉층을 포함하며,
상기 RBFNNs 모델은,
PSO(Particle Swarm Optimization)를 이용한 FCM(Fuzzy C-Means)을 기반으로 한 네트워크 구조를 가지며, 조건부, 결론부 및 추론부로 나뉘어 동작하고,
상기 신호 분류부(400)는,
부분 방전 특징 중 진폭 크기(AMP)의 최댓값 데이터 및 평균값 데이터를 입력 데이터로 하여 성능과 분류율을 비교하고, 최적화 알고리즘을 사용하여 파라미터를 탐색하여 나온 값을 이용하여 패턴 인식을 통해 부분 방전을 분류하는 것을 특징으로 하는, RBFNNs 모델을 이용한 부분 방전 분류 시스템(10).
A partial discharge classification system (10) comprising:
A signal detector (100) for detecting a signal;
A signal preprocessing unit 200 receiving signals detected from the signal detecting unit 100 and outputting data according to a phase by superimposing a predetermined period;
A model generating unit 300 for generating a learning model using RBFNNs model using neural network by receiving pre-processed data from the signal preprocessing unit 200; And
And a signal classifying unit (400) for classifying the partial discharge by pattern recognition using the learning model generated by the model generating unit (300)
The signal detecting unit 100 detects a signal,
It detects signals by using EMC (Epoxy Mica Coupling) sensor,
The neural network includes:
An input layer for receiving pre-processed data from the signal preprocessing unit 200;
An output layer for classifying and outputting the partial discharge; And
And a hidden layer between the input layer and the output layer,
In the RBFNNs model,
It has a network structure based on FCM (Fuzzy C-Means) using PSO (Particle Swarm Optimization), operates in conditional part, conclusion part and inference part,
The signal classifying unit (400)
We compare the performance and the classification rate of the maximum value data and the average value data of the amplitude magnitude (AMP) among the partial discharge characteristics and classify the partial discharge by pattern recognition using the value obtained by searching the parameter using the optimization algorithm (10) using the RBFNNs model.
PRPDA(Phase Resolved Partial Discharge Analysis) 기법을 이용하여 상기 신호 검출부(100)로부터 입력받은 신호에 대해 전처리를 수행하는 것을 특징으로 하는, RBFNNs 모델을 이용한 부분 방전 분류 시스템(10).
The signal processing apparatus according to claim 1, wherein the signal preprocessing unit (200)
A partial discharge classification system (10) using a RBFNNs model, wherein a pre-processing is performed on a signal received from the signal detection unit (100) using a PRPDA (Phase Resolved Partial Discharge Analysis) technique.
상기 중첩된 신호에서 위상이 360도인 신호를 2도 간격으로 쪼개어 180개의 간격으로 분할된 진폭 크기 데이터 및 초당 진동수 데이터를 포함하는 것을 특징으로 하는, RBFNNs 모델을 이용한 부분 방전 분류 시스템(10).
2. The apparatus of claim 1, wherein the output data of the signal preprocessing unit (200)
And a frequency divider for dividing the signal having the phase of 360 degrees at intervals of 2 degrees in the superimposed signal, the amplitude magnitude data and the frequency-per-second data divided by 180 intervals.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180062299A KR101958903B1 (en) | 2018-05-31 | 2018-05-31 | PARTIAL DISCHARGE CLASSIFICATION SYSTEM USING RBFNNs(RADIAL BASIS FUNCTION Neural NETWORKS) MODEL |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180062299A KR101958903B1 (en) | 2018-05-31 | 2018-05-31 | PARTIAL DISCHARGE CLASSIFICATION SYSTEM USING RBFNNs(RADIAL BASIS FUNCTION Neural NETWORKS) MODEL |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101958903B1 true KR101958903B1 (en) | 2019-03-15 |
Family
ID=65762426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180062299A KR101958903B1 (en) | 2018-05-31 | 2018-05-31 | PARTIAL DISCHARGE CLASSIFICATION SYSTEM USING RBFNNs(RADIAL BASIS FUNCTION Neural NETWORKS) MODEL |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101958903B1 (en) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837028A (en) * | 2019-09-27 | 2020-02-25 | 中国船舶重工集团公司第七一九研究所 | Method for rapidly identifying partial discharge mode |
CN110988631A (en) * | 2019-12-16 | 2020-04-10 | 深圳江行联加智能科技有限公司 | Partial discharge positioning detection method and device, readable storage medium and electrical equipment |
CN111290275A (en) * | 2020-02-23 | 2020-06-16 | 浙江科技学院 | Sewage treatment optimization control method based on reinforcement learning particle swarm algorithm |
CN111366820A (en) * | 2020-03-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | Pattern recognition method, device, equipment and storage medium for partial discharge signal |
CN111783533A (en) * | 2020-05-28 | 2020-10-16 | 宁波大学 | Ion mobility overlapping signal peak separation method based on particle swarm optimization |
CN111798062A (en) * | 2020-07-08 | 2020-10-20 | 洋浦美诺安电子科技有限责任公司 | Financial data prediction system based on block chain and big data |
CN111929548A (en) * | 2020-08-13 | 2020-11-13 | 广东电网有限责任公司 | Method for generating discharge and interference signal samples, computer device and storage medium |
CN112595944A (en) * | 2020-12-31 | 2021-04-02 | 广东电网有限责任公司电力科学研究院 | Partial discharge mode identification method and system |
CN113376483A (en) * | 2021-06-10 | 2021-09-10 | 云南电网有限责任公司电力科学研究院 | XLPE cable insulation state evaluation method |
CN114065824A (en) * | 2022-01-17 | 2022-02-18 | 陕西公众电气股份有限公司 | Method for quickly identifying type of partial discharge signal |
CN115267462A (en) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | Partial discharge type identification method based on self-adaptive label generation |
KR102571411B1 (en) * | 2023-05-16 | 2023-08-28 | 주식회사 솔라리치 | Partial discharge monitoring and diagnosis system for distribution board based on ai using uhf-sensor |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101574615B1 (en) * | 2015-06-18 | 2015-12-11 | 지투파워(주) | A partial discharge monitoring and diagnosis system for power devices by using signal detection based on statistical phase-angle patterns |
-
2018
- 2018-05-31 KR KR1020180062299A patent/KR101958903B1/en active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101574615B1 (en) * | 2015-06-18 | 2015-12-11 | 지투파워(주) | A partial discharge monitoring and diagnosis system for power devices by using signal detection based on statistical phase-angle patterns |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837028A (en) * | 2019-09-27 | 2020-02-25 | 中国船舶重工集团公司第七一九研究所 | Method for rapidly identifying partial discharge mode |
CN110837028B (en) * | 2019-09-27 | 2021-08-31 | 中国船舶重工集团公司第七一九研究所 | Method for rapidly identifying partial discharge mode |
CN110988631A (en) * | 2019-12-16 | 2020-04-10 | 深圳江行联加智能科技有限公司 | Partial discharge positioning detection method and device, readable storage medium and electrical equipment |
CN111290275A (en) * | 2020-02-23 | 2020-06-16 | 浙江科技学院 | Sewage treatment optimization control method based on reinforcement learning particle swarm algorithm |
CN111366820A (en) * | 2020-03-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | Pattern recognition method, device, equipment and storage medium for partial discharge signal |
CN111783533A (en) * | 2020-05-28 | 2020-10-16 | 宁波大学 | Ion mobility overlapping signal peak separation method based on particle swarm optimization |
CN111783533B (en) * | 2020-05-28 | 2023-10-24 | 宁波大学 | Ion mobility overlapping signal peak separation method based on particle swarm optimization |
CN111798062A (en) * | 2020-07-08 | 2020-10-20 | 洋浦美诺安电子科技有限责任公司 | Financial data prediction system based on block chain and big data |
CN111798062B (en) * | 2020-07-08 | 2021-04-02 | 中信消费金融有限公司 | Financial data prediction system based on block chain and big data |
CN111929548B (en) * | 2020-08-13 | 2021-09-21 | 广东电网有限责任公司 | Method for generating discharge and interference signal samples, computer device and storage medium |
CN111929548A (en) * | 2020-08-13 | 2020-11-13 | 广东电网有限责任公司 | Method for generating discharge and interference signal samples, computer device and storage medium |
CN112595944A (en) * | 2020-12-31 | 2021-04-02 | 广东电网有限责任公司电力科学研究院 | Partial discharge mode identification method and system |
CN113376483A (en) * | 2021-06-10 | 2021-09-10 | 云南电网有限责任公司电力科学研究院 | XLPE cable insulation state evaluation method |
CN114065824A (en) * | 2022-01-17 | 2022-02-18 | 陕西公众电气股份有限公司 | Method for quickly identifying type of partial discharge signal |
CN115267462A (en) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | Partial discharge type identification method based on self-adaptive label generation |
KR102571411B1 (en) * | 2023-05-16 | 2023-08-28 | 주식회사 솔라리치 | Partial discharge monitoring and diagnosis system for distribution board based on ai using uhf-sensor |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101958903B1 (en) | PARTIAL DISCHARGE CLASSIFICATION SYSTEM USING RBFNNs(RADIAL BASIS FUNCTION Neural NETWORKS) MODEL | |
Firuzi et al. | Partial discharges pattern recognition of transformer defect model by LBP & HOG features | |
Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
Strachan et al. | Knowledge-based diagnosis of partial discharges in power transformers | |
Mazroua et al. | PD pattern recognition with neural networks using the multilayer perceptron technique | |
Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
Xu et al. | Data-driven inter-turn short circuit fault detection in induction machines | |
Jee Keen Raymond et al. | Classification of partial discharge measured under different levels of noise contamination | |
Lu et al. | Lightweight transfer nets and adversarial data augmentation for photovoltaic series arc fault detection with limited fault data | |
Kordestani et al. | Data fusion for fault diagnosis in smart grid power systems | |
Abbasi et al. | A novel hyperbolic fuzzy entropy measure for discrimination and taxonomy of transformer winding faults | |
Fang et al. | Adaptive multiscale and dual subnet convolutional auto-encoder for intermittent fault detection of analog circuits in noise environment | |
Tarimoradi et al. | Sensitivity analysis of different components of transfer function for detection and classification of type, location and extent of transformer faults | |
Dey et al. | Rough-granular approach for impulse fault classification of transformers using cross-wavelet transform | |
Mitiche et al. | Classification of EMI discharge sources using time–frequency features and multi-class support vector machine | |
Lu et al. | Fault diagnosis of power capacitors using a convolutional neural network combined with the chaotic synchronisation method and the empirical mode decomposition method | |
Thi et al. | Anomaly detection for partial discharge in gas-insulated switchgears using autoencoder | |
Yang et al. | Vibration signature extraction of high-voltage circuit breaker by frequency and chaotic analysis | |
Faisal et al. | Prediction of incipient faults in underground power cables utilizing S-transform and support vector regression | |
Alshumayri et al. | Distribution grid fault diagnostic employing Hilbert-Huang transform and neural networks | |
ÖZGÖNENEL et al. | A complete motor protection algorithm based on PCA and ANN: a real time study | |
Mishra et al. | Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method | |
Rajamany et al. | An artificial neural networks application for the automatic detection of severity of stator inter coil fault in three phase induction motor | |
CN111160383A (en) | Self-adaptive fire disaster model early warning detection method for oil-immersed transformer | |
Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |