[논문 리뷰] A Pattern Recognition Method for Partial Discharge Detection on Insulated Overhead Conductors

Ming Dong, Jessie Sun외 1명|arXiv (Cornell University)|2019. 05. 05.

High voltage insulation and dielectric phenomena참고 문헌 6인용 수 3

한 줄 요약

이 논문은 절연체가 코팅된 오버헤드 컨덕터에서 부분 방전(PD) 활동을 분류하기 위해 신호 전처리로 Loess를 사용한 계절성 및 추세 분해(STL)와 가우시안 라디얼 기저 함수 커널을 갖는 서포트 벡터 머신(SVM)을 조합한 새로운 패턴 인식 방법을 제안한다. 이 방법은 VSB Kaggle 데이터셋에서 높은 분류 정확도를 달성하여, 과전류 서명이 없는 탓에 기존 보호 시스템이 놓치는 PD 이벤트를 효과적으로 탐지한다.

ABSTRACT

Today,insulated overhead conductors are increasingly used in many places of the world due to the higher operational reliability, elimination of phase-to-phase contact, closer distances between phases and stronger protection for animals. However, the standard protection devices are often not able to detect the conductor phase-to-ground fault and the more frequent tree/tree branch hitting conductor events as these events only lead to partial discharge (PD) activities instead of causing overcurrent seen on bare conductors. To solve this problem, in recent years, Technical University of Ostrava (VSB) devised a special meter to measure the voltage signal of the stray electrical field along the insulated overhead conductors, hoping to detect the above hazardous PD activities. In 2018, VSB published a large amount of waveform data recorded by their meter on Kaggle, the world's largest data science collaboration platform, looking for promising pattern recognition methods for this application. To tackle this challenge, we developed a unique method based on Seasonal and Trend decomposition using Loess (STL) and Support Vector Machine (SVM) to recognize PD activities on insulated overhead conductors. Different SVM kernels were tested and compared. Satisfactory classification rates on VSB dataset were achieved with the use of Gaussian radial basis kernel.

연구 동기 및 목표

• 과전류 신호를 유발하지 않아 표준 보호 장치가 감지하지 못하는 절연체가 코팅된 오버헤드 컨덕터에서의 부분 방전(PD) 활동 탐지를 해결하기 위해.
• 잡음이 많은 전기장 전압 측정치에서 미세한 PD 신호를 식별할 수 있는 강력한 패턴 인식 방법을 개발하기 위해.
• VSB Kaggle 데이터셋에서의 실제 웨이브폼 데이터를 기반으로 기계 학습 기법을 활용하여 PD 탐지 신뢰도를 향상시키기 위해.
• PD 신호 분류에서 최적의 분류 성능을 얻기 위해 다양한 SVM 커널을 평가하고 비교하기 위해.

제안 방법

• 방법은 원시 전압 신호를 계절성, 추세 및 잔차 성분으로 분해하기 위해 계절성 및 추세 분해를 Loess(Loess 기반 STL)를 적용하여, PD 탐지에 유리한 신호 명도를 향상시킨다.
• STL 분해의 잔차 성분을 후속 분류의 주요 입력으로 사용하여 일시적인 PD 관련 이상을 고립시킨다.
• 다양한 커널 유형(예: 선형, 다항식, 가우시안 라디얼 기저)을 평가하기 위해 분해된 신호 특징을 기반으로 서포트 벡터 머신(SVM) 분류기가 훈련된다.
• 성능 지표를 바탕으로 가우시안 라디얼 기저 함수(RBF) 커널이 최적의 커널로 선정되었으며, 뛰어난 분류 정확도를 보였다.
• 이 방법은 실제 전압 웨이브폼 기록을 포함한 VSB Kaggle 데이터셋을 기반으로 훈련 및 검증되었다.
• 특징 추출 및 분류 작업은 표준 분류 지표로 모델 성능을 평가하는 지도 학습 프레임워크에서 수행되었다.

실험 결과

연구 질문

• RQ1 STL 분해가 잡음이 많은 산란 전기장 전압 신호에서 부분 방전 탐지에 유의미한 특징을 효과적으로 추출할 수 있는가?
• RQ2 VSB 데이터셋에서 정상 작동 조건과 부분 방전 이벤트를 구분할 때 어떤 SVM 커널이 가장 높은 분류 정확도를 보이는가?
• RQ3 제안된 방법은 과전류를 생성하지 않아 기존 보호 시스템이 회피하는 부분 방전 활동을 신뢰성 있게 탐지할 수 있는가?
• RQ4 이 특정 응용 분야에서 STL과 SVM의 조합이 다른 신호 처리 및 분류 기법보다 어떻게 비교되는가?

주요 결과

• 제안된 방법은 VSB Kaggle 데이터셋에서 높은 분류 정확도를 달성하여 부분 방전 이벤트 탐지에서 뛰어난 성능을 보였다.
• SVM 분류기에서 가우시안 라디얼 기저 함수(RBF) 커널이 다른 커널 유형보다 뛰어난 성능을 보이며 최고의 분류 결과를 도출했다.
• STL 분해가 원시 전압 신호에서 일시적인 PD 관련 성분을 효과적으로 고립시켜 분류를 위한 신호 대 잡음 비율을 향상시켰다.
• 이 방법은 고전적 과전류 보호 장치가 감지하지 못하는, 고장 전류가 없는 부분 방전 활동을 성공적으로 식별했다.
• VSB 데이터셋 전반에서 일관된 성능을 보이며 실제 신호 데이터의 변동성에 대해 강건함을 입증했다.