[논문 리뷰] Condition Monitoring of HV Bushings in the Presence of Missing Data Using Evolutionary Computing

Sizwe M. Dhlamini, Fulufhelo V. Nelwamondo외 1명|arXiv (Cornell University)|2007. 05. 17.

Energy Load and Power Forecasting참고 문헌 10인용 수 17

한 줄 요약

이 논문은 고전압(HV) 부싱의 조건 모니터링을 향상시키기 위해 산란가스 분석(DGA) 데이터의 누락을 보정하기 위해 유전 알고리즘(GA)과 입자군집최적화(PSO)를 사용하는 것을 제안한다. GA는 PSO보다 뛰어난 성능을 보였으며, 두 개의 변수가 누락된 경우 84%의 정확도를 달성했고, PSO는 66%로 떨어졌으며, 이는 IEEE C57.104, IEC 599 및 IEEE 생산률 방법을 사용한 부싱 조건 분류에 있어 GA의 더 뛰어난 강건성을 입증한다.

ABSTRACT

The work proposes the application of neural networks with particle swarm optimisation (PSO) and genetic algorithms (GA) to compensate for missing data in classifying high voltage bushings. The classification is done using DGA data from 60966 bushings based on IEEEc57.104, IEC599 and IEEE production rates methods for oil impregnated paper (OIP) bushings. PSO and GA were compared in terms of accuracy and computational efficiency. Both GA and PSO simulations were able to estimate missing data values to an average 95% accuracy when only one variable was missing. However PSO rapidly deteriorated to 66% accuracy with two variables missing simultaneously, compared to 84% for GA. The data estimated using GA was found to classify the conditions of bushings than the PSO.

연구 동기 및 목표

• 고전압 부싱 조건 모니터링에서 산란가스 분석(DGA) 데이터의 누락 문제를 해결하기 위해.
• 특히 유전 알고리즘(GA)과 입자군집최적화(PSO)를 포함한 진화 계산 기법이 누락된 DGA 변수를 추정하는 데의 효과성을 평가하기 위해.
• HV 부싱 분류에서 데이터 보정의 정확도와 계산 효율성 측면에서 GA와 PSO를 비교하기 위해.
• 유성포화지질(ОIP) 부싱의 조건 분류 신뢰도를 보완된 DGA 데이터를 통해 향상시키기 위해.
• 다양한 누락 데이터 조건 하에서 더 정확하고 안정적인 데이터 추정을 제공하는 진화 알고리즘을 규명하기 위해.

제안 방법

• 본 연구는 고전압 부싱 데이터에서 누락된 DGA 값을 보정하기 위해 신경망을 입자군집최적화(PSO) 및 유전 알고리즘(GA)과 통합하여 사용한다.
• PSO와 GA는 총 60,966개의 오일포화지질(OIP) 부싱 데이터셋에서 누락된 데이터 포인트의 보정을 최적화하기 위해 적용된다.
• 부싱 조건의 분류는 표준 기반 방법을 사용하여 수행되며, IEEE C57.104, IEC 599 및 IEEE 생산률 방법이 사용된다.
• 보정 정확도는 추정된 값과 실제 값 간의 비교를 통해 평가되며, 한 개 또는 두 개의 변수가 누락된 경우에 성능을 측정한다.
• 신경망 모델은 보정된 데이터를 사용하여 훈련되어 부싱 조건을 분류하며, 다양한 누락 데이터 시나리오에서 정확도가 평가된다.
• GA와 PSO의 계산 효율성과 수렴 속도를 비교하여 실용적 구현 가능성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 PSO와 GA는 고전압 부싱에서 누락된 DGA 데이터를 얼마나 정확하게 추정할 수 있는가?
• RQ2 두 개의 DGA 변수가 동시에 누락되었을 때 PSO와 GA의 성능은 어떻게 저하되는가?
• RQ3 HV 부싱 조건 분류에 있어 더 신뢰할 수 있는 데이터 보정을 제공하는 알고리즘은 PSO인지 GA인가?
• RQ4 누락된 데이터 추정 맥락에서 PSO와 GA 간의 계산 효율성 차이는 무엇인가?
• RQ5 GA로 보정된 데이터가 PSO로 보정된 데이터보다 부싱 조건 분류 정확도에서 더 우수한가?

주요 결과

• 한 개의 DGA 변수만 누락된 경우, GA와 PSO 모두 평균 95%의 정확도로 누락된 값을 추정했다.
• 두 개의 변수가 동시에 누락된 경우, PSO의 정확도는 66%로 떨어졌고, GA는 84%의 정확도를 유지하여 GA의 더 뛰어난 강건성을 입증했다.
• GA로 추정된 데이터는 PSO로 추정된 데이터보다 더 정확한 부싱 조건 분류를 이끌어냈다.
• 다중 누락 변수 상황에서 GA는 더 뛰어난 안정성과 신뢰성을 보였다.
• PSO는 더 빠른 수렴 속도를 보였지만, 누락 데이터의 복잡도가 증가할수록 성능이 떨어져 속도와 정확도 사이의 상충 관계를 드러냈다.
• 본 연구는 GA가 HV 부싱 조건 모니터링 시스템에서 누락된 DGA 데이터 보정에 더 적합하다는 것을 확인했다.