$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

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

초록

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

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 fault current from the normal load current. FRTU shows FI(Fault Indicator) when the fault current is over pickup value or inrush current. STFT(Short Time Fourier Transform) analysis provides the frequency and time Information. FCM(Fuzzy C-Mean clustering) algorithm extracts characteristics of harmonics. The neural network system as a fault detector was trained to distinguish the inruih current from the fault status by a gradient descent method. In this paper, fault detection is improved by using FCM and neural network. The result data were measured in actual 22.9kV distribution power system.

저자의 다른 논문

참고문헌 (8)

  1. 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 
  2. 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 
  3. 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 
  4. 도경훈, 현기호, '역전파 신경회로망을 이용한 고임피던스 고장 검출', Trans. KIEE, Vol. 45, No. 11, pp.1534-1541, Nov. 1996 
  5. 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 
  6. 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 
  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 
  8. Martin T. Haugan 'Neural Network Design' PWS Publishing Company, 1996 

이 논문을 인용한 문헌 (2)

  1. Lim, Il-Hyung ; Choi, Myeon-Song ; Yun, Jun-Seok ; An, Tae-Pung 2010. "Application of Algorithm for Improving FI Error in DAS" 전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, 59(6): 1025~1033 
  2. Kim, Seong-Jun ; Choe, Byung Hak ; Kim, Woosik 2014. "A Prediction Method of the Gas Pipeline Failure Using In-line Inspection and Corrosion Defect Clustering" 한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, 24(6): 651~656 

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일