[논문 리뷰] Transfer Learning for Fault Diagnosis of Transmission Lines

Fatemeh Mohammadi Shakiba, Milad Shojaee외 2명|arXiv (Cornell University)|2022. 01. 20.

Power Systems Fault Detection인용 수 10

한 줄 요약

이 논문은 다양한 길이의 송전선로에서 고장 진단 및 고장을 정확히 위치 추정하기 위해 사전 훈련된 LeNet-5 CNN을 사용하는 전이학습 프레임워크를 제안한다. 이 방법은 광범위한 재훈련 없이도 작동하며, 100 km 선로에서 훈련된 소스 모델의 지식을 다른 선로 길이에 맞는 타겟 모델로 이전함으로써 훈련 시간을 최대 4배 단축시키면서도 전용 모델과 유사한 분류 정확도와 위치 추정 오차를 유지한다.

ABSTRACT

Recent artificial intelligence-based methods have shown great promise in the use of neural networks for real-time sensing and detection of transmission line faults and estimation of their locations. The expansion of power systems including transmission lines with various lengths have made a fault detection, classification, and location estimation process more challenging. Transmission line datasets are stream data which are continuously collected by various sensors and hence, require generalized and fast fault diagnosis approaches. Newly collected datasets including voltages and currents might not have enough and accurate labels (fault and no fault) that are useful to train neural networks. In this paper, a novel transfer learning framework based on a pre-trained LeNet-5 convolutional neural network is proposed. This method is able to diagnose faults for different transmission line lengths and impedances by transferring the knowledge from a source convolutional neural network to predict a dissimilar target dataset. By transferring this knowledge, faults from various transmission lines, without having enough labels, can be diagnosed faster and more efficiently compared to the existing methods. To prove the feasibility and effectiveness of this methodology, seven different datasets that include various lengths of transmission lines are used. The robustness of the proposed methodology against generator voltage fluctuation, variation in fault distance, fault inception angle, fault resistance, and phase difference between the two generators are well shown, thus proving its practical values in the fault diagnosis of transmission lines.

연구 동기 및 목표

• 제한된 레이블 데이터를 바탕으로 다양한 길이와 임피던스를 가진 송전선로의 고장 진단 문제를 해결한다.
• 스트림 기반 실시간 전력 시스템 데이터에서 고장 진단을 위한 훈련 시간과 계산 비용을 줄인다.
• 완전한 재훈련 없이도 다양한 송전선로 구성에 재사용 가능한 일반화된 딥러닝 모델을 개발한다.
• 고장 발생 각도, 저항, 발전기 전압, 발전기 간 위상 차이 등의 변동에 대해 강건성을 향상시킨다.
• 고변동성이고 스트림 기반인 전력 시스템 데이터에서 전이학습의 고장 진단 적용 가능성을 입증한다.

제안 방법

• 100 km 선로의 레이블이 부여된 고장 데이터로 구성된 소스 데이터셋에서 LeNet-5 합성곱 신경망을 사전 훈련한다.
• 학습된 모델의 특징 추출 레이어를 동결하여 학습된 표현을 유지한다.
• 새로운 타겟 선로 길이에 맞게 조정된 새로운 CNN 아키텍처에 동결된 특징 추출기로 이전한다.
• 새로운 선로 길이에 특화된 레이블 데이터를 사용하여 타겟 네트워크의 완전히 연결된 레이어만 재훈련한다.
• 타겟 데이터셋에서 성능을 향상시키기 위해 피니팅(fine-tuning)을 적용하여 오차를 최소화하면서 훈련 시간을 줄인다.
• 입력으로 전압 및 전류 신호를 사용하며, CNN 입력 호환성을 확보하기 위해 시계열 이미지 변환을 수행한다.

실험 결과

연구 질문

• RQ1 전이학습이 다양한 길이의 송전선로에서 고장 진단을 위한 훈련 시간을 단축시키면서도 정확도를 유지할 수 있는가?
• RQ2 다른 선로 길이에 대해 전이학습의 성능가 전용 CNN을 처음부터 훈련한 것과 비교해 볼 때 어떻게 다른가?
• RQ3 고장 저항, 발생 각도, 발전기 전압, 위상 차이 등의 변동에 대해 이 방법은 어느 정도 강건한가?
• RQ4 소스 선로 길이와 타겟 선로 길이 간의 차이가 커질수록 성능은 어떻게 저하되는가?
• RQ5 이 방법은 IEEE 표준이 정한 실시간 고장 위치 추정 요구사항을 충족하는 실시간 추론 속도를 달성할 수 있는가?

주요 결과

• 전이학습 기반 방법은 전용 CNN에 비해 고장 위치 추정을 위한 훈련 시간을 4분의 1 이하로 줄여 75%의 훈련 시간 감소를 달성했다.
• 모든 시험 선로 길이(12.5 km ~ 800 km)에서 고장 위치 추정의 평균제곱오차(MSE)는 전용 CNN 기준선과 0.1 m² 이내로 유지되었으며, 400 km 선로에서 최고 성능인 6.79×10⁻² m²를 기록했다.
• 고장 탐지, 분류, 위치 추정의 누적 테스트 시간은 6 μs 이하였으며, 실시간 응용을 위한 IEEE 기준을 충족했다.
• 피니팅을 통해 비피니팅 전이학습 방법 대비 MSE가 50% 이상 감소하여, 정확도 향상에 효과적임을 입증했다.
• 고장 저항, 발생 각도, 발전기 전압 변동 등 모든 시험 조건에서 높은 정확도를 유지하여 강건성을 입증했다.
• 소스와 타겟 선로 길이 간의 차이가 커질수록 MSE는 약간 증가했으며, 기대되는 특징 분포 이탈을 확인했지만, 모든 길이에서 성능는 여전히 수용 가능했다.