[논문]전기부하 패턴분류를 위한 신호처리 기법에 관한 연구

임용배; 김동우; 진상민; 조성원

doi:10.5391/jkiis.2016.26.5.409

전기부하 패턴분류를 위한 신호처리 기법에 관한 연구
A Study on the Signal Processing Techiques for Pattern Classification of Electrical Loads 원문보기

한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, v.26 no.5, 2016년, pp.409 - 415

임용배 (한국전기안전공사 전기안전연구원) , 김동우 (한국전기안전공사 전기안전연구원) , 진상민 (홍익대학교 전자전기공학부) , 조성원 (홍익대학교 전자전기공학부)

초록
AI-Helper

최근 사물인터넷 기반의 재해예방 기술이 개발되고 있다. 본 논문에서는 사물인터넷기반의 공동주택용 자율전기안전관리 기술 개발을 위하여 부하 전류 파형을 FFT와 MFCC를 이용하여 신호변환 후 신경회로망 모델에 적용하여 정확도가 개선된 전기 부하 패턴분류 시스템을 제안한다. 오실로스코프와 CT를 이용하여 측정한 전기 부하의 전류 파형을 FFT 알고리즘을 적용한 후 신경회로망을 이용하여 단일부하패턴 분류 실험을 하였다. 본 연구를 통하여 부하의 특성을 파악함으로서 고장에 대해 보다 신속하고 정확하게 대처할 수 있을 것으로 예측된다.

Abstract ▼ AI-Helper

Recently several techniques for disaster prevention based on IoT(Internet of Things) are being developed. In this paper, a new smart pattern classification method for electric loads is proposed. CT(Current Transformer) data are extracted from electric loads, and then the sampled CT data are converted using FFT and MFCC. FFT and FMCC data are used for the input data of neural networks. Experiments were conducted using FFT and MFCC data for 7 kinds of electric loads. Experiments results indicate the superiority of MFCC in comparison to FFT.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문의 목적은 전기 부하 패턴 분류에 최적의 신호처리 방법을 분석하는 것이다. 이를 위한 가장 일반적인 방법은 학습에 사용된 자료와는 별도로 다른 테스트 데이터를 이용하여 부하 분류 정확도를 평가하는 것이다.

제안 방법

그러나 아크고장 등의 재해요소 판정에 있어서, 재해요소 감지 및 판단의 정확성을 높이기 위해서는 부하의 동작상태 및 종류를 구별할 수 있도록 측정된 데이터를 사물인터넷 기반으로 전송할 수 있는 기술 개발이 필요하다. 이에 본 논문에서는 공동주택용 단위 고객별 자율전기안전관리 기술 개발을 위한 부하별 전류파형을 이용한 부하패턴 분류 알고리즘을 제안한다. 특히, 단일 부하 전류파형으로부터 데이터를 추출하여 신호처리 기법인 FFT와 MFCC를 이용한 신호변환 후 신경회로망 모델에 적용함으로써 정확도가 높은 시스템을 구현하는 방법을 제안한다.
이에 본 논문에서는 공동주택용 단위 고객별 자율전기안전관리 기술 개발을 위한 부하별 전류파형을 이용한 부하패턴 분류 알고리즘을 제안한다. 특히, 단일 부하 전류파형으로부터 데이터를 추출하여 신호처리 기법인 FFT와 MFCC를 이용한 신호변환 후 신경회로망 모델에 적용함으로써 정확도가 높은 시스템을 구현하는 방법을 제안한다.

대상 데이터

본 논문에서는 전기 부하 전류 DATA를 취득하기 위해 TELEDYNE LECROY 640zi 오실로스코프(Oscilloscope)와 전기부하 전류를 측정할 수 있는 CT를 이용하여 실험에 사용하였다(그림 4 참조). 표 1에 있는 패턴분류대상 부하 총 7개의 전류파형을 취득하였고 그림 5부터 그림 11까지는 오실로스코프를 이용해 실험에 사용된 전류 파형들이다.

성능/효과

신호처리 알고리즘으로 가장 많이 사용되는 FFT와 음성인식에서 자주 사용되는 알고리즘인 MFCC를 비교하여 실험을 하였다. FFT와 MFCC를 적용하지 않은 데이터로 실험을 한 경우와 FFT를 적용한 경우보다 MFCC를 적용하여 신호변환한 데이터를 이용한 부하분류가 보다 향상된 정확도를 보여주었다. 데이터 크기를 128 에서 512개로 확대하여는 경우, 처리 시간은 좀 더 길어지지만, 분류 정확도는 향상 될 수 있음을 알 수 있었다.
FFT와 MFCC를 적용하지 않은 데이터로 실험을 한 경우와 FFT를 적용한 경우보다 MFCC를 적용하여 신호변환한 데이터를 이용한 부하분류가 보다 향상된 정확도를 보여주었다. 데이터 크기를 128 에서 512개로 확대하여는 경우, 처리 시간은 좀 더 길어지지만, 분류 정확도는 향상 될 수 있음을 알 수 있었다.

후속연구

본 연구결과는 부하패턴 분류 기술을 이용한 고장부하 검출을 위한 부하확인 판단오류를 최소화하는 기술연구에 활용 될 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	DFT 를 실시간 처리하기에 어려운 이유는 무엇인가?	일반적으로 시간축상의 N개의 이산 신호로부터 DFT(Discrete Fourier Transform)스펙트럼을 얻기 위해서는 N의 제곱의 연산량이 필요하다. 이는 DFT의 N개의 요소마다 N번의 합과 복수의 곱셈이 필요하기 때문이다. 만약 N이 128이라면 16384번의 합산과 복소수의 곱셈이 필요하며, N이 256이라면 65536번의 합산과 복소수의 곱셈이 필요하다. 따라서 N 제곱의 연산량이 필요한 DFT 를 실시간 처리하기에는 어려움이 있다[4].
	특징 추출 처리란 무엇인가?	하나의 프레임에 MFCC 를 적용할 경우 필터뱅크의 개수만큼 특징벡터 값이 나오게 된다. 특징 추출 처리는 필터뱅크 수만큼 나온 특징차수에서 작은 차수부터 필요한 개수만큼 선택하는 것이다[6].
	역전파 학습 알고리즘은 어떻게 유도될 수 있는가?	역전파 학습 알고리즘은 미분의 반복 규칙을 여러번 반복적으로 적용하여 확률 근사치 프레임 워크와 관련지음으로써 유도해낼수 있다. Rumlhart 등이 일반화 델타규칙(Generalzied delta rule) 이라고 불리는 역전파 학습 알고리즘을 제안하였다.

참고문헌 (11)

D. S. Moon and S. H. Kim, "Study on Artificial Neural Network Based Fault Detection Schemes for Wind Turbine System", Journal of Korean Institute of Intelligent Systems, Vol. 22, No. 5, pp. 603-609, October 2012.

원문보기 상세보기
H. W. Moon, Y. B. Lim, D. W. Kim, S. Lee, and M. Choi, "A Study on Standardization of Smart Distribution Board for Electrical Safety", The Transactions of The Korean Institute of Electrical Engineers, Vol 65, No1, pp. 227-231, 2016.

원문보기 상세보기
W. S. Ko and H. J. Lee, "A Plan for Construction of the National Electrical Safety Network to Prevent Electrical Disasters", Proceedings of Spring Conference of The Korean Institute of Electrical Engineers, pp. 216-218, April 2009.
S. Soliman and M. Srinath, Continuous and Discrete Signals and System", Prentice Hall, 1998.
L. Muda, M. Begam and I. Elamvazuthi, "Voice Recognition Algorithms using Mel Frequency Cepstral Coefficient (MFCC) and Dynamic Time Warping (DTW) Techniques", JOURAL OF COMPUTING, Vol. 2, ISSUE 3, MARCH 2010.
N. Dave, "Feature Extraction Methods LPC, PLP and MFCC in Speech Recognition", International Journal for Advance Research in Engineering and Technology, Vol. 1, ISSUE VI, July 2013.
X. Yu, M.O. Efe, O. Kaynak, "A general backpropagation algorithm for feedforward neural networks learning," IEEE Trans Neural Network. Vol. 13, No.1 , pp 251-254, 2002

상세보기
O. Jesus and M. Hagan, "Backpropagation Algorithms for a Broad Class of Dynamic Networks, IEEE Transactions on Neural Networks, Vol. 18, No. 1, January 2007.

상세보기
V. Joseph, Rajapandian, N. Gunaseeli, "Modified Standard Backprogation Algorithm with Optimum Initialization for Feedforward Neural Networks", JISE, GA, USA. Vol. 1, No. 3, July 2007.
W. D. Kim and S. K. Oh, "Design of Optimized Radial Basis Function Neural Networks Classifier with the Aid of Principal Component Analysis and Linear Discriminant Analysis", Journal of Korean Institute of Intelligent Systems, Vol. 22, No. 6, pp. 735-740, December 2012.

원문보기 상세보기
S. Kosbatwar and S. Pathan, "Pattern Association for Character Recognition by Backprogation Algorithm Using Neural Networks", IJCSES, Vol. 3, No. 1, February 2012.

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증