일차원 합성곱 신경망을 이용한 전력선 부분 방전 탐지

Abstract

전력선의 유지·관리는 매년 증가하는 전력 사용량에 따라 점차 대두되는 문제 중 하나이다. 전력선의 손상은 부분 방전 (partial discharge)으로 이어지며, 잦은 부분 방전은 전력선 전체의 정전 또는 화재 등을 유발할 수 있다. 본 논문에서는 체코의 오스트라바 VSB Technical University의 ENET Centre에서 제공한 전력선의 전기 신호 데이터를 분석하여 부분 방전을 탐지하였으며, 신호 데이터에서 특징을 추출하는데 뛰어난 성능을 보이는 일차원 합성곱 신경망을 분석에 이용하였다. 그러나 합성곱 신경망은 활성화 함수로 쓰이는 ReLU 함수와 최대 풀링으로 인해 음의 정보가 손실되는 문제가 있다. 따라서 음의 정보의 손실을 막고 이를 학습하기 위해 일차원 합성곱 신경망을 병렬적 구조로 학습하는 병렬 최대-최소 합성곱 신경망을 제안하여 기존 방법과 F1-Score와 MCC (Matthews Correlation Coefficient)값을 통해 성능을 비교하였으며, 병렬 최대-최소 합성곱 신경망은 학습해야하는 모수를 크게 증가시키지 않으면서 성능을 향상시킨 것을 확인하였다.; Maintaining and managing power lines is one of the problems that is gradually emerging with increasing power usage each year. Damage to the power line leads to partial discharge, and frequent partial discharge can cause power failure on the entire power line or fire. In this paper, the electrical signal data from the power line provided by ENET Centre in VSB Technical University in Ostrava, Czech Republic was analyzed to detect partial discharge using a one-dimensional convolutional neural network that is excellent performance in extracting characteristics from the signal data. However, the convolutional neural network has the problem of losing negative information due to the ReLU function as an activation function and maximum pooling. To prevent loss of negative information and to learn it, we proposed a Parallel Maximum-Minimum Convolutional Neural Network that learns in a parallel structure, comparing performance with existing methods using F1-Score and MCC (Matthews Correlation Coefficient) values, and confirming that parallel maximum-minimal neural networks increased performance without greatly increasing learning parameters.