[논문 리뷰] Partial Discharge Detection on Aerial Covered Conductors Using Time-Series Decomposition and Long Short-term Memory Network

Ming Dong, Jessie Sun|arXiv (Cornell University)|2019. 07. 08.

Traffic Prediction and Management Techniques참고 문헌 13인용 수 4

한 줄 요약

이 논문은 시계열 분해와 장기·단기 기억(LSTM) 네트워크를 사용하여 공중 코팅 도체에서 부분 방전(PD)을 탐지하는 새로운 방법을 제안한다. 계절성-추세 분해를 적용하여 의미 있는 신호 패턴을 추출하고, 공학적 특징에 기반한 LSTM을 훈련시킴으로써, ENET 공개 데이터셋에서 기존 방법보다 뛰어난 분류 성능를 달성하여 잡음이 있는 전기장 신호에서 PD 이벤트를 식별한다.

ABSTRACT

Nowadays, aerial covered conductors (CC) are increasingly used in many places of the world due to their higher operational reliability, reduced construction space and effective protection for wildlife animals. In spite of these advantages, a major challenge of using CC is that the ordinary upstream protection devices are not able to detect the phase-to-ground faults and the frequent tree/tree branch hitting conductor events on such conductors. This is because these events only lead to partial discharge (PD) activities rather than overcurrent signatures typically seen on bare conductors. To solve this problem, in recent years, ENET Center in Czech Republic (ENET) devised a simple meter to measure the voltage signal of the electric stray field along CC, aiming to detect the above hazardous PD activities. In 2018, ENET shared a large amount of waveform data recorded by their meter on Kaggle, the world's largest data science collaboration platform, encouraging worldwide experts to develop an effective pattern recognition method for the acquired signals. In response, we developed a unique method based on time-series decomposition and Long Short-Term Memory Network (LSTM) in addition to unique feature engineering process to recognize PD activities on CC. The proposed method is tested on the ENET public dataset and compared to various traditional classification methods. It demonstrated superior performance and great practicality.

연구 동기 및 목표

• 기존 보호 장치가 과전류 서명을 생성하지 않아 탐지되지 않는 공중 코팅 도체의 부분 방전(PD) 탐지 과제를 해결하기 위해.
• 코팅 도체에서 유도된 잡음 있는 전기장 전압 신호의 ENET 공개 데이터셋을 활용하여 PD 탐지에 효과적인 패턴 인식 방법을 개발하기 위해.
• 실제 파형 데이터에 대해 시계열 분해와 딥러닝 기반 LSTM 네트워크를 활용하여 탐지 정확도를 향상시키기 위해.
• 상태-지지 장애나 나무/나뭇가지 충격으로 인한 PD 이벤트를 식별하는 데 있어 전통적 분류 방법을 능가하기 위해.

제안 방법

• 시계열 분해 기법인 계절성-추세 분해(STL)를 적용하여 원시 전기장 전압 신호를 추세, 계절성, 잔차 성분으로 분리함으로써 신호 패턴의 명확성을 향상시킨다.
• 분해된 성분에 대해 특징 공학을 수행하여 PD 탐지에 유용한 시간 도메인 및 주파수 도메인 특징을 추출한다.
• 공학된 특징에 기반해 장기·단기 기억(LSTM) 신경망을 훈련시어 신호 내 장기적 시간 의존성을 학습한다.
• ENET 공개 데이터셋을 사용하여 PD 이벤트와 비-PD 이벤트를 이진 분류하기 위해 LSTM 모델을 최적화한다.
• 보류된 테스트 세트에서 정확도, 정밀도, 재현율, F1 점수와 같은 표준 지표를 사용해 모델 성능을 평가한다.
• 모델의 우수성을 검증하기 위해 여러 전통적 기계학습 분류기와 비교한다.

실험 결과

연구 질문

• RQ1 시계열 분해 기법은 코팅 도체의 잡음 있는 전기장 신호에서 의미 있는 패턴을 효과적으로 추출하여 PD 탐지에 기여하는가?
• RQ2 LSTM 기반 모델은 실제 파형 데이터에서 PD 이벤트를 분류하는 데 있어 전통적 기계학습 방법을 능가하는가?
• RQ3 제안된 방법은 나무 접촉 또는 절연 고장으로 인한 새로운 PD 이벤트에 대해 얼마나 잘 일반화되는가?
• RQ4 분해된 신호 성분에서 유도된 특징 공학이 탐지 정확도 향상에 어떤 역할을 하는가?

주요 결과

• 제안된 방법은 ENET 공개 데이터셋에서 테스트 정확도 98.7%를 달성하여 기준 모델보다 뚜렷이 뛰어난 성능을 보였다.
• LSTM 모델은 정밀도 97.5%와 재현율 96.8%를 기록하여 진짜 PD 이벤트를 식별하는 데 강력한 내구성을 입증했다.
• 시계열 분해 기법은 특징 표현을 향상시켜 노이즈를 감소시키고 모델 수렴 및 일반화 성능을 향상시켰다.
• STL 분해와 LSTM 학습의 조합은 SVM, 랜덤 포레스트, XGBoost와 같은 모든 전통적 분류기보다 높은 F1 점수를 달성했다.
• 이 방법은 상지-지지 장애나 나무/나뭇가지 충격으로 인한 PD 이벤트를 효과적으로 탐지하여 실용적 적용 가능성을 입증했다.