$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

퍼지클러스터링 기법과 신경회로망을 이용한 고장표시기의 고장검출 능력 개선에 관한 연구
A Study on the Improvement of Fault Detection Capability for Fault Indicator using Fuzzy Clustering and Neural Network 원문보기

퍼지 및 지능시스템학회 논문지 = Journal of fuzzy logic and intelligent systems, v.17 no.3, 2007년, pp.374 - 379  

홍대승 (광운대학교 제어계측공학과) ,  임화영 (광운대학교 제어계측공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 전력계통의 배전계통시스템에서 FRTU(Feeder remote terminal unit)의 고장검출 알고리즘의 개선에 관한 연구이다. FRTU는 상과 지락에 관한 고장검출을 할 수 있다. 특히 고장픽업 기능과 돌입억제기능은 일반적인 부하전류로부터 고장전류를 구별할 수 있다. FRTU는 돌입전류 또는 설정값을 초과한 고장전류가 발생하면 고장표시기(FI)로 고장을 발생한다. 짧은 시간 푸리에 변환(STFT) 분석은 주파수와 시간에 관한 정보론 제공하고, 퍼지 중심 평균 클러스터링(FCM) 알고리즘은 고조파의 특성을 추출한다. 고장 검출기의 신경회로망 시스템은 최급강하법을 이용하여 고장상태로부터 돌입전류를 구별하도록 학습된다. 본 논문에서는 FCM과 신경회로망을 이용하여 고장검출기법을 개선하였다. 검증에 사용된 데이터는 22.9KV 배전계통 시스템에서 실제 측정된 데이터이다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper focuses on the improvement of fault detection algorithm in FRTU(feeder remote terminal unit) on the feeder of distribution power system. FRTU is applied to fault detection schemes for phase fault and ground fault. Especially, cold load pickup and inrush restraint functions distinguish the...

주제어

#퍼지클러스터링   #배전계통   #고장표시기   #신경회로망  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 고장판단 오차를 줄이기 위하여 FRTU에저장된 실측된 데이터 중에서 명확하게 돌입파형과 고장 파형으로 구분된 데이터만을 대상으로 정확한 고장판단 알고리즘을 적용하여 FI의 고장판단 능력을 향상시킬 수 있도록 연구하였다.
  • 본 논문에서는 그림 1 과 같이 돌입억제시간에 발생할 수 있는 고장파형에 대한 정확한 검출과 그림 3의 돌입전류 파형을 정확하게 판별하여 고장전류와 돌입전류로 정확하게 분류할 수 있는 알고리즘을 연구하였다.
  • 본 논문에서는 돌입파형과 고장파형의 특징을 추출하고자 STFT와 퍼지 클러스터링 기법을 이용한 고조파 검출을 시도하였으나 실측 고장파형과 돌입파형의 고조파가 유사한 형태를 보이고 있어서 특징을 분류하기가 어려웠다. 따라서 고장 파형과 돌입파형의 주기별 윈도우를 설정하여 각 주기별 고조파의 변화를 보이는 1고조파와 2고조파의 5주기까지의 변화량을 신경회로망의 입력요소로 이용하여 학습에 사용토록 하였다.
  • 본 논문에서는 실측된 고장전류 파형과 돌입전류 파형에 대하여 STFT(Short Time Fourier Transform) 을 이용하여 고장 전류와 돌입전류의 각 주기별 고조파를 추출하고, 추출된 고조파의 특성분류는 퍼지 평균 중심 클러스터링 기법을 이용하여 고조파의 분포도와 중심점을 추출하여 고장 및 돌입전류의 고조파 특징 추출에 관하여 연구하였다. 또한 고장 전류 파형과 돌입전류파형의 중심점이 유사한 데이터 및 각 클러스터를 대표할 수 있는 파형들을 대상으로 4주기동안 특정 고조파의 변화를 신경회로망에 입력하여 돌입 및 고장에 대해 학습한 후, 고장전류 판별에 최적화된 신경망의 가중치와 바이어스를 이용하여 고장판별의 정확도를 높이는 알고리즘을 제안한다.
  • 본 논문에서는 실측된 고장전류와 돌입전류의 특성을 추출하기 위하여 STFT을 이용한 고조파를 추출하였고, 신경회로망의 학습에 사용할 대표적인 고조파 성분을 선별하기 위하여 퍼지 중심 평균 클러스터링 기법을 이용하여 클러스터의 중심값에 유사한 대표적인 데이터를 선정하였다. 또한 돌입 및 고장전류의 고조파를 변화를 이용하기 위하여 고장 파형의 5주기동안 고조파의 변화에 대하여 신경망 학습을 하였다.
  • 본 연구에서는 자동화된 배전계통에 설치 운용되고 있는 FRTU에서 고장검출 알고리즘의 오동작을 개선할 수 있도록 실측된 돌입파형과 고장파형에 대한 고장검출 능력의 개선에 관하여 연구하였다. 현 고장검출 알고리즘에서는 돌입 억제 시간에 고장전류가 발생하여도 고장검출을 할 수 없어 큰 문제가 발생할 수 있다.
  • 푸리에 변환의 대안으로 제시된 STFTe 전력계통의 고장과 스위칭에 관련된 과도현상을 분석하기 위한 방법으로서 설정된 윈도우의 고조파 분석을 위하여 제안된 기법이다. 이 기법은 시도한 연구자는 Garbor로써 시간에 따라 연속적으로 푸리에 변환을 이용하여 시간-주파수 표현을 시도하였다.
본문요약 정보가 도움이 되었나요?

참고문헌 (8)

  1. Castro, C. H., J. B. Bunch, and T. M. Topka, 'General Algorithms for Distribution Feeder Deployment and Sectionalizing,' IEEE Trans. on Power Apparetus and Systems, Vol. PAS-99, pp.549-557 March/April 1980 

    상세보기 crossref

  2. J. J. Rico., E. Acha., M. Madrigal. 'The Study of Inrush Current Phenomenon Using Operational Matrices', IEEE Trans. on Power Delivery, Vol. 16, No.2, April, 2001 

  3. Russel, B. D., Chinchali, R. P. 'A digital signal processing algorithm for detecting arcing faults on power distribution feeders', IEEE Trans. on Power Delivery, Vol.4, No.1, Jan, 1989 

  4. Aucoin B.M., Russell B.D., 'Distribution High Impedance Fault Detection Utilizing High Frequency Current Components', IEEE Trans. on Power Apparatus and Systems Vol. PAS-101, No. 6, pp.1596-1606, June 1982 

    상세보기 crossref

  5. 도경훈, 현기호, '역전파 신경회로망을 이용한 고임피던스 고장 검출', Trans. KIEE, Vol. 45, No. 11, pp.1534-1541, Nov. 1996 

  6. Martin T. Haugan 'Neural Network Design' PWS Publishing Company, 1996 

  7. Youssef, O.A.S., 'A wavelet-based technique for discrimination between faults and magnetizing inrush currents in transformers' Power Delivery, IEEE Trans. on Volume 18, Issue 1, pp.170-176, Jan 2003 

    상세보기 crossref

  8. Xusheng Chen, Venkata, S.S.A., 'three-phase three-winding core-type transformer model for low-frequency transient studies', Power Delivery, IEEE Trans. on Vol.12, Issue 2, pp.775 - 782, April 1997 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로