본 논문은 이산웨이블렛 변환, 푸리에 변환 및 실효값의 연산 결과를 이용하여 전력품질을 진단하는 인공지능형 진단기법을 제안한다. 제안된 진단기법을 채택한 인공지능형 전력품질 진단기는 과도현상, 순간전압강하, 순간전압상승, 순간정전 및 전고조파 외형률의 진단 및 분류가 가능하다. 신호처리를 위한 데이터 샘플링주파수는 15.36[kHz]가 사용되었으며 샘플링된 이산데이터는 이산웨이블렛변환, 고속푸리에변환, 실효값의 연산에 사용되어진다. 효율적인 인공지능형 전력품질 진단을 위해서, 진단하고자 하는 전력품질 요소에 맞추어 간단한 다층구조의 인공신경망을 설계하였다. 제안된 인공신경망은 C++ 언어로 프로그램되어 PSIM 시뮬레이션 연구에 사용되었으며, TI DSP 320C6713 마이크로프로세서를 사용한 MP PQ+256 하드웨어에서 검증하였다.
본 논문은 이산웨이블렛 변환, 푸리에 변환 및 실효값의 연산 결과를 이용하여 전력품질을 진단하는 인공지능형 진단기법을 제안한다. 제안된 진단기법을 채택한 인공지능형 전력품질 진단기는 과도현상, 순간전압강하, 순간전압상승, 순간정전 및 전고조파 외형률의 진단 및 분류가 가능하다. 신호처리를 위한 데이터 샘플링주파수는 15.36[kHz]가 사용되었으며 샘플링된 이산데이터는 이산웨이블렛변환, 고속푸리에변환, 실효값의 연산에 사용되어진다. 효율적인 인공지능형 전력품질 진단을 위해서, 진단하고자 하는 전력품질 요소에 맞추어 간단한 다층구조의 인공신경망을 설계하였다. 제안된 인공신경망은 C++ 언어로 프로그램되어 PSIM 시뮬레이션 연구에 사용되었으며, TI DSP 320C6713 마이크로프로세서를 사용한 MP PQ+256 하드웨어에서 검증하였다.
This paper proposes a new Artificial-Intelligent(AI) Power Quality(PQ) diagnosis algorithm using Discrete Wavelet Transform(DWT), Fast Fourier Transform(FFT), Root-Mean-Square(RMS) value. The developed algorithm is able to detect and classify the PQ problems such as the transient, the voltage sag, t...
This paper proposes a new Artificial-Intelligent(AI) Power Quality(PQ) diagnosis algorithm using Discrete Wavelet Transform(DWT), Fast Fourier Transform(FFT), Root-Mean-Square(RMS) value. The developed algorithm is able to detect and classify the PQ problems such as the transient, the voltage sag, the voltage swell, the voltage interruption and the total harmonics distortion. The 15.36[kHz] sampling frequency is used to measure the voltages in a power system. The measured signals are used for DWT, FFT, RMS calculation. For AI diagnosis of the PQ problems, a simple multi-layered Artificial Neural Network(ANN) with the back-propagation algorithm is adopted, programmed in C++ and tested in PSIM simulation studies. Finally, the algorithm, which is installed in MP PQ+256 with TI DSP320C6713, is proved to diagnose the PQ problems efficiently.
This paper proposes a new Artificial-Intelligent(AI) Power Quality(PQ) diagnosis algorithm using Discrete Wavelet Transform(DWT), Fast Fourier Transform(FFT), Root-Mean-Square(RMS) value. The developed algorithm is able to detect and classify the PQ problems such as the transient, the voltage sag, the voltage swell, the voltage interruption and the total harmonics distortion. The 15.36[kHz] sampling frequency is used to measure the voltages in a power system. The measured signals are used for DWT, FFT, RMS calculation. For AI diagnosis of the PQ problems, a simple multi-layered Artificial Neural Network(ANN) with the back-propagation algorithm is adopted, programmed in C++ and tested in PSIM simulation studies. Finally, the algorithm, which is installed in MP PQ+256 with TI DSP320C6713, is proved to diagnose the PQ problems efficiently.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 DSP를 이용한 인공신경망 기반의 전력 품질 진단기법을 제안하였다. 인공신경망의 입력 벡터로는 이산웨이블렛 변환, 이산푸리에 변환을 이용한 전고조파왜 형율 및 실효값을 사용하여 측정하고자 하는 전력품질 특성 에 맞도록 인공신경 망의 구조를 설계하였다.
본 논문은 IEEE 1159에서 규정한 과도현상, 크기와 지속시간에 따른 순간 전압변동 및 왜형 율 등 13 가지의 전력품질의 이상 요소를 진단하는 인공지능형 전력품질 진단기를 위한 알고리즘 개발 연구를 수행한다. 이를 위하여 13가지 전력 품질 문제의 특징이 명확한 실측데이타를 이용하여 실효 값 연산, 이산웨이블렛변환 및 고속 푸리에변환을 시행하여 4가지 종류의 인공신경망 입력 벡터를 추출한다.
제안 방법
曲변환기는 분해능과 10[侬]의 샘플링 성능을 가진 Analog Devices AD976이 사용되었다. 전력 품질을 진단한 결과를 보여주는 LCD 모듈은, 8(XM80[dots]의 해상도와 RS32 Interface를 가진, 진영콘택 7 " TFT LCD 모듈을 채택하여 휴대가 가능한 진단 장치로 개발하였다. PSIM 프로그램에서 시뮬레이션하여 학습 완료한 가중치를 헤더 파일로 첨부하여 장비 사용 시에 학습 시간을 대폭 축소하여 장비의 초기 부팅 속도를 향상하였다.
신호의 고속부동소수점 연산이 가능한 TI KP3a)C6713 프로세서가 내장되어있는 NDtech PM6713 모듈이 내장되어있으며, 3OO0W 의 명령 처리 주파수를 사용하고 HMByte]의 플레쉬메모리가 내장되어 있다. C코드컴파일러는 NDtech Code Builder프로그램을 이용하여 에뮬레이터 및 ROM 다운로드를 실행하였다. 曲변환기는 분해능과 10[侬]의 샘플링 성능을 가진 Analog Devices AD976이 사용되었다.
진단 알고리즘의 효용성을 검증하기 위해서, 제안된 인공지능신경망을 Visual C++ DLL 파일로 구현하여 PSIM프로그램을사용한 시뮬레이션 연구를 수행하였다. PSIM 시뮬레이션 연구를 통해 검증된 인공신경망의 하드웨어구현을 위 해, NDtech의 C컴 파일러를 사용하여 신호처리 및 인공지능을 구현하였으며, DSP320C6713프로세서를 내장한 MP 사의 PQ+256장비를 이용하여 제안된 진단 알고리즘을 실험을 통해 그 성능을 입증하였다.
웨이블렛의결과는 같은 크기의 과도현상 파형이라도 실효 값의 크기와 고조파왜형율에 따라 차이를 보이므로 전체입력 벡터를 이용한 진단이 이루어져야 한다. 본 논문에서 제안한 전력 품질 진단알고리즘은 순간 전압변동은 실효값만을 학습하고 고조파왜형율은 전고조파왜형율을 학습하고, 과도현상은 복합적인 데이터로 학습하도록 인공신경망 모델을 그림 2와 같이 설계하여 학습속도와 인공신경망의 오류 가능성을 줄였으며 출력층에는 Fuzzy-Count< 제안하여 순간 전압변동의 지속시간에 따라 순간 전압변동, 짧은 'Duratian_cyde'를 사용하여 지속시간 선택이 가능하도록 설계하였다. 'FFT_Wavelet_MODULE'에서는 신호 발생 단에서 입력되어진 신호를 기준신호 대비 단위법을 사용하여 15.
시험 입력 파형은 순간 전압변동, 과도현상, 고조파 왜곡 및 2가지 이상의 복합적인 전력품질 문제 파형을 시험하였으며 순간 전압변동 시험은 전압변동 지속 시간을 변동하여 시험하였다. 표 2는 순간 전압변동의 실험결과를 나타내었다.
PSIM 프로그램에서 시뮬레이션하여 학습 완료한 가중치를 헤더 파일로 첨부하여 장비 사용 시에 학습 시간을 대폭 축소하여 장비의 초기 부팅 속도를 향상하였다. 실시간 연산 처리에 따른 하드웨어의 부담을 줄여주기 위하여 4 주기 동안 샘플링하여 다음 4주기 동안 신호처리와 인공 신경망 연산을 시행하여 2초에 한 번씩 TFT LQD를 갱신하여 전력 품질 진단 결과를 출력한다. 그림 6은 아날로그 보드, 디지털 보드 및 LQD의 신호 처리 흐름도를 도식하여 나타내었디.
이를 위하여 13가지 전력 품질 문제의 특징이 명확한 실측데이타를 이용하여 실효 값 연산, 이산웨이블렛변환 및 고속 푸리에변환을 시행하여 4가지 종류의 인공신경망 입력 벡터를 추출한다. 이 입력 벡터를 사용하여, 순간 전압변동, 전압과도현상 및 고조파 왜형율을 확률적으로 판단할 수 있는 간결한 인공신경망을 설계하였다. 진단 알고리즘의 효용성을 검증하기 위해서, 제안된 인공지능신경망을 Visual C++ DLL 파일로 구현하여 PSIM프로그램을사용한 시뮬레이션 연구를 수행하였다.
이를 위하여 13가지 전력 품질 문제의 특징이 명확한 실측데이타를 이용하여 실효 값 연산, 이산웨이블렛변환 및 고속 푸리에변환을 시행하여 4가지 종류의 인공신경망 입력 벡터를 추출한다. 이 입력 벡터를 사용하여, 순간 전압변동, 전압과도현상 및 고조파 왜형율을 확률적으로 판단할 수 있는 간결한 인공신경망을 설계하였다.
진단기법을 제안하였다. 인공신경망의 입력 벡터로는 이산웨이블렛 변환, 이산푸리에 변환을 이용한 전고조파왜 형율 및 실효값을 사용하여 측정하고자 하는 전력품질 특성 에 맞도록 인공신경 망의 구조를 설계하였다. 일반적인 인공신경망 구조에 비해 본 논문에서 제안한 구조는 원하는 전력 품질 요소에 맞추어 입력층의 구조를 최소화하여 설계하였으며 출력층에 Fuzzy-Count를 제안하여 지속시간에 따른 전력 품질 분류를 시행하였고 PSIM 시뮬레이션과 DSP를 사용한 전력품질 진단기를 이용하여 실험을 통해 증명하였다.
인공신경망의 입력 벡터로는 이산웨이블렛 변환, 이산푸리에 변환을 이용한 전고조파왜 형율 및 실효값을 사용하여 측정하고자 하는 전력품질 특성 에 맞도록 인공신경 망의 구조를 설계하였다. 일반적인 인공신경망 구조에 비해 본 논문에서 제안한 구조는 원하는 전력 품질 요소에 맞추어 입력층의 구조를 최소화하여 설계하였으며 출력층에 Fuzzy-Count를 제안하여 지속시간에 따른 전력 품질 분류를 시행하였고 PSIM 시뮬레이션과 DSP를 사용한 전력품질 진단기를 이용하여 실험을 통해 증명하였다. 2개 이상의 복합적인 전력 품질 문제에 대하여도 분석이 가능하다는 장점이 있으며 더욱 세분화된 학습 데이터의 추가로 전력 품질진단의 정확도는 향상될 것으로 보인다
이 입력 벡터를 사용하여, 순간 전압변동, 전압과도현상 및 고조파 왜형율을 확률적으로 판단할 수 있는 간결한 인공신경망을 설계하였다. 진단 알고리즘의 효용성을 검증하기 위해서, 제안된 인공지능신경망을 Visual C++ DLL 파일로 구현하여 PSIM프로그램을사용한 시뮬레이션 연구를 수행하였다. PSIM 시뮬레이션 연구를 통해 검증된 인공신경망의 하드웨어구현을 위 해, NDtech의 C컴 파일러를 사용하여 신호처리 및 인공지능을 구현하였으며, DSP320C6713프로세서를 내장한 MP 사의 PQ+256장비를 이용하여 제안된 진단 알고리즘을 실험을 통해 그 성능을 입증하였다.
대상 데이터
C코드컴파일러는 NDtech Code Builder프로그램을 이용하여 에뮬레이터 및 ROM 다운로드를 실행하였다. 曲변환기는 분해능과 10[侬]의 샘플링 성능을 가진 Analog Devices AD976이 사용되었다. 전력 품질을 진단한 결과를 보여주는 LCD 모듈은, 8(XM80[dots]의 해상도와 RS32 Interface를 가진, 진영콘택 7 " TFT LCD 모듈을 채택하여 휴대가 가능한 진단 장치로 개발하였다.
모 함수는 Daubechies 웨이블렛을 사용하였으며 식 ⑼와 같은 4개의 웨이블렛 계수와 4개의 스케일 계수를 사용하였다.
이론/모형
본 논문에 사용된 인공 신경망은 지도학습계열의 다층 퍼셉트론 이론을 사용하였다. 퍼셉트론은 입력 벡터와 가중치를 연산한 값의 합이 전달함수를 통하여 출력하는 형태로 되어있으며 선형분리 가능한 패턴만이 학습가능하다는 단점이 있다.
본 논문에서 제안한 전력 품질 진단기법은 MP PQ+256 모델을 사용하여 구현하였다. 신호의 고속부동소수점 연산이 가능한 TI KP3a)C6713 프로세서가 내장되어있는 NDtech PM6713 모듈이 내장되어있으며, 3OO0W 의 명령 처리 주파수를 사용하고 HMByte]의 플레쉬메모리가 내장되어 있다.
학습의 진행에 따라 오차를 줄이기 위해 델타 룰의 연쇄 법칙인 역 전파이론을 사용하여 학습하였으며 새로운 가중치는 식 (14) 와 같이 기존의 가중치에 에러 출력을 가중치로 미분한 양을 합산하여 학습이 진행된다.
성능/효과
표 2는 순간 전압변동의 실험결과를 나타내었다. 20번의 실험 결과 순간 전압강하와 고조파함유율은 정확한 진단 결과를 보였으나 순간 전압상승은 정상상태에서 순간 전압상승상태로 변화하는 과도시 점 에서 과도현상으로 진단하기도 하였다. 표 3 (a)는 과도현상과 1아:%]의 순간전압강하의 복합적인 전력 품질 이상 현상이다.
전력 품질을 진단한 결과를 보여주는 LCD 모듈은, 8(XM80[dots]의 해상도와 RS32 Interface를 가진, 진영콘택 7 " TFT LCD 모듈을 채택하여 휴대가 가능한 진단 장치로 개발하였다. PSIM 프로그램에서 시뮬레이션하여 학습 완료한 가중치를 헤더 파일로 첨부하여 장비 사용 시에 학습 시간을 대폭 축소하여 장비의 초기 부팅 속도를 향상하였다. 실시간 연산 처리에 따른 하드웨어의 부담을 줄여주기 위하여 4 주기 동안 샘플링하여 다음 4주기 동안 신호처리와 인공 신경망 연산을 시행하여 2초에 한 번씩 TFT LQD를 갱신하여 전력 품질 진단 결과를 출력한다.
표 3 (a)는 과도현상과 1아:%]의 순간전압강하의 복합적인 전력 품질 이상 현상이다. 진단 결과는 과도현상 99.9E%], 순간 전압강하(Instantaneous) 99.9[%]의 정상적인 진단 결과를 보여주었다. (b)와 같은 진동형 과도현상은 과도현상 99.
후속연구
일반적인 인공신경망 구조에 비해 본 논문에서 제안한 구조는 원하는 전력 품질 요소에 맞추어 입력층의 구조를 최소화하여 설계하였으며 출력층에 Fuzzy-Count를 제안하여 지속시간에 따른 전력 품질 분류를 시행하였고 PSIM 시뮬레이션과 DSP를 사용한 전력품질 진단기를 이용하여 실험을 통해 증명하였다. 2개 이상의 복합적인 전력 품질 문제에 대하여도 분석이 가능하다는 장점이 있으며 더욱 세분화된 학습 데이터의 추가로 전력 품질진단의 정확도는 향상될 것으로 보인다
Wei-Ming Tong1, Xue-Lei Song1, Dong-Zhong Zhang2 "Recognition and Classification of Power Quality Disturbances Based on Self-adaptive Wavelet Neural Network" - ISNN 2006, pg 1386- 1394, May 2006
Liu Hu`a, Wang Yuguo, Zhao Wei, "Power Quality Disturbances Detection and Classification Using Complex Wavelet Transformation and Artificial Neural Network" Control Conference, 2007. CCC 2007. Chinese, pg 208-212, June 2007
J.H. Choi, H.K. Kim, J.M. Lee, G.B. Chung "Power Disturbance Classifier Using Wavelet-Based Neural Network," KIPE, Journal of Power Electronic(JPE), Vol.6, No.4, pp.307-314, Oct. 2006
Anis Ibrahim, W.R. Morcos, M.M. "artificial intelligence and advanced mathematical tools for power quality applications : A Survey" Power Delivery, IEEE Transactions on, Vol 17, pg 668-673, Apr 2002
A. Serdar Yilmaz, Abdulhamit Subasi, Mehmet Bayrak, Vedat M. Karsli, Ergun Ercelebi "Application of lifting based wavelet transforms to characterize power quality events" Energy Conversion and Management 48, pg 112-123 2007
Gaouda, A.M. Salama, M.M.A. Sultan, M.R. Chikhani, A.Y. "Power Quality Detection and Classification Using Wavelet-Multiresolution Signal Decomposition" Power Delivery, IEEE Transactions on, Vol 14, pg 1469-1476, Oct 1999
Godoy, R.B. Pinto, J.O.P. Galotto, L. "Multiple signal processing techniques based power quality disturbance detection, classification, and diagnostic software" Electrical Power Quality and Utilisation, 2007. EPQU 2007. 9th International Conference on, pg 1-6, Oct 2007
"IEEE Recommended Practice for Monitoring Electric Power Quality," IEEE standards Coordinating Committee 22, June. 1995
Gaouda, A.M. Salama, M.M.A. Sultan, M.R. Chikhani, A.Y. "Power Quality Detection and Classification Using Wavelet-Multiresolution Signal Decomposition" Power Delivery, IEEE Transactions on, Vol 14, pg 1469-1476, Oct 1999
Monedero, I, Leon, C, Ropero, J, Garcia, A, Elena, J.M, Montano, J.C. "Classification of Electrical Disturbances in Real Time Using Neural Networks" Power Delivery, IEEE Transactions on, Vol 22, pg 1288-1296, July 2007
Kasula, V.D.K. "Classification of Power Quality Disturbance Signals Using FFT, STFT, Wavelet Transforms and Neural Networks - A Comparative Analysis" Conference on Computational Intelligence and Multimedia Applications, 2007. International Conference on, Vol 1, pg 335-340, Dec 2007
Santoso, S. Powers, E.J.Grady, W.M. Parsons, A.C. "power quality disturbance waveform recognition using wavelet-based neural classifier -part 1: theoreticafoundation" Power Delivery, IEEE Transactions on, Vol 15, pg 222-228, Jan 2000
P. L. Mao and R. K. Aggarwa, "A Novel Approach to the Classification of the Transient Phenomena in Power Transformers Using Combined Wavelet Transform and Neural Network", IEEE Trans.Power Delivery, Issue: 4, Vol. 16, pp. 654 660, 2001, Oct
※ AI-Helper는 부적절한 답변을 할 수 있습니다.