[논문 리뷰] Convolutional Neural Network and Transfer Learning for High Impedance Fault Detection

Rui Fan, Tianzhixi Yin|arXiv (Cornell University)|2019. 04. 18.

Power Systems Fault Detection참고 문헌 9인용 수 8

한 줄 요약

이 논문은 분포계통에서 고임피던스 고장(HIF) 탐지를 위한 전이학습을 적용한 컨볼루션 신경망(CNN)을 제안한다. 공간 패턴 인식과 사전 훈련된 특징을 활용하여 정확도를 향상시키고 데이터 요구량을 줄인다. CNN은 IEEE 34-Bus 시스템에서 99.52%의 정확도를 달성하였고, IEEE 13-Bus 시스템에서는 전이학습을 통해 95.06%의 정확도를 기록하였다. 이는 기존의 MLP 기반 모델을 뛰어넘으며, 훈련 시간을 크게 단축시켰다.

ABSTRACT

This letter presents a novel high impedance fault (HIF) detection approach using a convolutional neural network (CNN). Compared to traditional artificial neural networks, a CNN offers translation invariance and it can accurately detect HIFs in spite of variance and noise in the input data. A transfer learning method is used to address the common challenge of a system with little training data. Extensive studies have demonstrated the accuracy and effectiveness of using a CNNbased approach for HIF detection.

연구 동기 및 목표

• 저류량과 노이즈로 인해 탐지가 어려운 고임피던스 고장(HIF)을 탐지하는 데 도전하는 것.
• 기존의 다층퍼셉트론(MLP) 네트워크의 한계, 즉 낮은 이동 불변성과 높은 데이터 요구량을 극복하는 것.
• 전류 파형의 공간 패턴을 포착하는 1D CNN을 사용하여 탐지 정확도와 강건성을 향상시키는 것.
• 기존에 훈련된 CNN 모델을 활용해 새로운 시스템에 적응하기 위해 전이학습을 적용함으로써 훈련 시간과 데이터 의존도를 감소시키는 것.

제안 방법

• 전류 파형 데이터로부터 계층적 특징을 추출하기 위해 4층의 1D CNN(합성곱, ReLU 활성화, 최대 풀링, 완전 연결층)을 사용한다.
• 합성곱 연산은 (f*g)[n] = Σi f[i] × g[i]로 정의되며, 입력 신호 전역에서 국소 패턴 탐지를 가능하게 한다.
• 반응형 활성화 함수(ReLU)는 r(x) = max(0, x)로 정의되며, 기울기 소실 문제를 완화하고 계산 효율성을 향상시킨다.
• 최대 풀링은 차원을 감소시키고 이동 불변성을 향상시켜 신호 이동과 노이즈에 대한 강건성을 높인다.
• 이진 분류를 위해 시그모이드 출력층과 교차 엔트로피 손실 J = -(1/m)Σ[y(j)log(ŷ(j)) + (1-y(j))log(1-ŷ(j))]를 사용하여 HIF와 정상 전이 현상 간을 구분한다.
• 전이학습은 대규모 데이터셋(예: IEEE 34-Bus)에서 사전 훈련된 CNN 가중치를 재사용하고, 작은 데이터셋(예: IEEE 13-Bus)에서 미세조정하여 새로운 시스템에 적응시킨다.

실험 결과

연구 질문

• RQ1 노이즈와 변동성이 있는 입력 조건 하에서, CNN 기반 모델이 기존의 MLP 네트워크보다 고임피던스 고장을 더 잘 탐지할 수 있는가?
• RQ2 새로운 분포계통에서 훈련 데이터가 제한적일 경우, 전이학습이 HIF 탐지 정확도에 어느 정도 기여하는가?
• RQ3 합성곱층과 풀링의 사용이 HIF 탐지에서 신호 변동성과 노이즈에 대한 강건성을 어떻게 향상시키는가?
• RQ4 저데이터 환경에서 전이학습이 훈련 수렴 속도와 계산 비용에 어떤 영향을 미치는가?

주요 결과

• CNN 기반 접근법은 IEEE 34-Bus 시스템에서 HIF 탐지에 99.52%의 정확도를 달성하였으며, 이는 MLP 기반 모델의 91.13% 정확도를 크게 뛰어넘었다.
• IEEE 13-Bus 시스템에서 약 300건의 측정값만으로도 전이학습을 통해 95.06%의 정확도를 기록하였고, 무작위 초기화에서 훈련한 경우는 74.69%에 그쳤다.
• CNN 전이학습 모델는 20 에포크 이내에 수렴을 달성한 반면, 무작위 초기화에서 훈련한 경우 수백 개의 에포크가 필요했으며, 이는 계산 비용을 크게 감소시켰다.
• IEEE 13-Bus 시스템에서 무작위 초기화로 훈련한 CNN에서는 학습 손실과 검증 손실 간의 큰 격차로 인해 과적합이 발생한 것으로 나타났고, 전이학습은 낮고 안정된 손실을 유지하였다.
• 교차 엔트로피 손실 곡선을 통해 CNN 기반 모델이 항상 MLP 기반 모델보다 낮은 손실을 기록함으로써, 더 나은 일반화 능력과 패턴 구분 능력을 확인할 수 있었다.
• 모델는 2% 백색 노이즈, 고장 발생 각도의 변동, 고장 저항(100–600 Ω), 시스템 부하 조건의 변화에 대해 강건성을 보였다.