[논문]고속 푸리에 변환 및 심층 신경망을 사용한 전력 품질 외란 감지 및 분류

첸센폰; 임창균

doi:10.13067/jkiecs.2023.18.1.115

고속 푸리에 변환 및 심층 신경망을 사용한 전력 품질 외란 감지 및 분류
Power Quality Disturbances Detection and Classification using Fast Fourier Transform and Deep Neural Network 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.18 no.1, 2023년, pp.115 - 126

첸센폰 (전남대학교 대학원 컴퓨터공학과) , 임창균 (전남대학교 컴퓨터공학과)

초록
AI-Helper

무작위 및 주기적인 변동하는 재생에너지 발전 전력 품질 교란으로 인해 발전 변환 송전 및 배전에서 더 자주 발생하게 된다. 전력 품질 교란은 장비 손상 또는 정전으로 이어질 수 있다. 따라서 서로 다른 전력 품질 외란을 실시간으로 자동감지하고 분류하는 것이 필요하다. 전통적인 PQD 식별 방법은 특징 추출 특징 선택 및 분류의 세 단계로 구성된다. 그러나 수동으로 생성한 특징은 선택 단계에서 정확성을 보장하기 힘들어서 분류 정확도를 향상하는 데에는 한계가 있다. 본 논문에서는 16가지 종류의 전력 품질 신호를 인식하기 위해 CNN(Convolution Neural Networ)과 LSTM(Long Short Term Memory)을 기반으로 시간 영역과 주파수 영역의 특징을 결합한 심층 신경망 구조를 제안하였다. 주파수 영역 데이터는 주파수 영역 특징을 효율적으로 추출할 수 있는 FFT(Fast Fourier Transform)로 얻었다. 합성 데이터와 실제 6kV 전력 시스템 데이터의 성능은 본 연구에서 제안한 방법이 다른 딥러닝 방법보다 일반화되었음을 보여주었다.

Abstract ▼ AI-Helper

Due to the fluctuating random and periodical nature of renewable energy generation power quality disturbances occurred more frequently in power generation transformation transmission and distribution. Various power quality disturbances may lead to equipment damage or even power outages. Therefore it is essential to detect and classify different power quality disturbances in real time automatically. The traditional PQD identification method consists of three steps: feature extraction feature selection and classification. However, the handcrafted features are imprecise in the feature selection stage, resulting in low classification accuracy. This paper proposes a deep neural architecture based on Convolution Neural Network and Long Short Term Memory combining the time and frequency domain features to recognize 16 types of Power Quality signals. The frequency-domain data were obtained from the Fast Fourier Transform which could efficiently extract the frequency-domain features. The performance in synthetic data and real 6kV power system data indicate that our proposed method generalizes well compared with other deep learning methods.

주제어

표/그림 (11)

표 표 1. PQD의 다양한 수학적 모델 Table 1. Mathematical models in different PQDs
그림 그림 1. 다양한 PQD 유형의 파형 Fig. 1 Different types of PQDs waveforms
그림 그림 2. 다양한 PQD 유형의 주파수 영역 특징 Fig. 2 Frequency domain features in different PQDs types
그림 그림 3. 본 논문에서 제안한 모델의 구조 Fig. 3 The architecture of our proposed method
그림 그림 4. 전형적인 LSTM 구조 Fig. 4 The architecture of LSTM
표 표 2. 제안한 방법에서 사용한 매개변수들 Table 2. The parameters in our proposed method
그림 그림 5. 테스트 세트를 적용한 혼동 행렬 Fig. 5 Confusion matrix of our method in the test set
그림 그림 6. 실제 데이터를 적용한 혼동 행렬 Fig. 6 Confusion matrix of our method in real data
표 표 3. 제안한 방법의 세부 성능 Table 3. The detailed performances of our method
표 표 5. 학습된 모델의 주요 성능 비교 Table 5. Key Performance Comparison of Trained Models
표 표 4. 제안한 방법의 세부 성능 평가를 위한 구조 Table 4. Structure for detailed performance evaluation of the proposed method

참고문헌 (18)

Dash, P.K., Padhee, M. and Panigrahi, T.K., "A hybrid time-frequency approach based fuzzy logic system for power island detection in grid connected distributed generation," International Journal of Electrical Power & Energy Systems, vol. 42, no. 1, 2012, pp. 453-464.？

상세보기
Wang, S. and Chen, H., 2019. "A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network," Applied energy, vol. 235, Feb. 2019, pp. 1126-1140.？

상세보기
Yalcin, T. and Ozdemir, M., "Pattern recognition method for identifying smart grid power quality disturbance," In 2016 IEEE 17th International Conference on Harmonics and Quality of Power (ICHQP), Oct. 2016, pp. 903-907.？
O. P. Mahela, A. G. Shaik, and N. Gupta, "A critical review of detection and classification of power quality events," Renewable and Sustainable Energy Reviews, vol. 41, 2015, pp. 495-505.？

상세보기
IEEE Power and Energy Society, "IEEE Recommended Practice for Monitoring Electric Power Quality," in IEEE Std 1159-2009 (Revision of IEEE Std 1159-1995), June 2009, pp. 1-94.？
Y. Zhao, T. Li, X. Zhang, and C. Zhang, "Artificial intelligence-based fault detection and diagnosis methods for building energy systems: Advantages, challenges and the future," Renewable and Sustainable Energy Reviews, vol. 109, Nov. 2019, pp. 85-101.？

상세보기
Z. Wang, L. Wang, Y. Tan, and J. Yuan, "Fault detection based on Bayesian network and missing data imputation for building energy systems," Applied Thermal Engineering, vol. 182, Jan. 2021, p. 116051.？

상세보기
C. Y. Lee and Y. X. Shen, "Optimal feature selection for power-quality disturbances classification," IEEE Transactions on power delivery, vol. 26, no. 4, 2011, pp. 2342-2351.？

상세보기
S. Santoso, W. M. Grady, E. J. Powers, J. Lamoree, and S. C. Bhatt, "Characterization of Distribution Power Quality Events with Fourier and Wavelet Transforms," IEEE Transactions on Power Delivery, vol. 15, no. 4, 2000, pp. 1344-1345.？

상세보기
G. T. Heydt, P. S. Fjeld, C. C. Liu, D. Pierce, L. Tu, and G. Hensley, "Applications of the windowed FFT to electric power quality assessment," IEEE Transactions on Power Delivery, vol. 14, no. 4, 1999, pp. 1411-1416.？

상세보기
O. P. Mahela and A. G. Shaik, "Recognition of power quality disturbances using S-transform based ruled decision tree and fuzzy C-means clustering classifiers," Applied Soft Computing, vol. 59, 2017, pp. 243-257.？

상세보기
S. Shukla, S. Mishra, and B. Singh, "Power quality event classification under noisy conditions using EMD-based de-noising techniques," IEEE Transactions on industrial informatics, vol. 10, no. 2, 2014, pp. 1044-1054.？

상세보기
P. Kanirajan and V. Suresh Kumar, "Power quality disturbance detection and classification using wavelet and RBFNN," Applied Soft Computing, vol. 35, 2015, pp. 470-481.？

상세보기
F. A. S. Borges, R. A. S. Fernandes, I. N. Silva, and C. B. S. Silva, "Feature Extraction and Power Quality Disturbances Classification Using Smart Meters Signals," IEEE Transactions on Industrial Informatics, vol. 12, no. 2, 2016, pp. 824-833.？

상세보기
J. Wang, Z. Xu, and Y. Che, "Power Quality Disturbance Classification Based on Compressed Sensing and Deep Convolution Neural Networks," IEEE Access, vol. 7, 2019, pp. 78336-78346.？

상세보기
R. Gong and T. Ruan, "A New Convolutional Network Structure for Power Quality Disturbance Identification and Classification in Micro-Grids," IEEE Access, vol. 8, 2020, pp. 88801-88814.？

상세보기
X. Xiao and K. Li, "Multi-Label Classification for Power Quality Disturbances by Integrated Deep Learning," IEEE Access, vol. 9, 2021, pp. 152250-152260.？

상세보기
S. G. K. Patro and K. K. sahu, "Normalization: A Preprocessing Stage," arXiv e-prints, Mar. 2015.

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