AWA-CNN 프레임워크를 이용한 스위칭 전압 하에서의 단일 및 혼합 부분 방전 분류
요약
본 연구는 고속 스위칭 전력 전자 기기 환경에서 발생하는 부분 방전(PD)을 효과적으로 분류하기 위해 진폭, 폭, 면적을 활용한 AWA(Amplitude-Width-Area) 패턴 표현법을 제안합니다. 시간 영역의 PD 펄스를 시각적 패턴으로 변환하여 6가지의 단일 및 혼합 PD 소스를 구분하며, CNN 모델을 통해 높은 분류 정확도를 입증했습니다.
핵심 포인트
- 스위칭 전압 조건에서의 복잡한 부분 방전(PD) 분석을 위한 새로운 AWA 패턴 표현법 제시
- PD 펄스의 진폭, 폭, 면적을 시각적 데이터로 매핑하여 소스별 구별 가능한 분포 생성
- InceptionV3 및 ResNet-18과 같은 CNN 모델을 활용하여 96% 이상의 높은 분류 정확도 달성
- 기존 Random Forest 방식(73.33%) 대비 월등한 성능을 보이며 다중 클래스 분류에 적합함을 증명
고속 스위칭 전력 전자 기기(fast-switching power electronics)의 사용이 증가함에 따라, 스위칭 전압(switching-voltage) 여자 조건에서의 부분 방전 (Partial Discharge, PD) 분석이 점점 더 중요해지고 있습니다. 그러나 전압 전이(voltage transitions) 시점에 활동이 집중되기 때문에 정현파(sinusoidal) 조건에서의 분석보다 더 까다롭습니다. 본 연구는 스위칭 전압 여자 조건에서 소스 지향적 (source-oriented) PD 분석을 위한 진폭-폭-면적 (Amplitude-Width-Area, AWA) 패턴 표현법을 제시합니다. 제안된 방법에서는 시간 영역 (time domain) PD 펄스를 펄스 진폭 (amplitude), 폭 (width), 면적 (area)을 사용하여 특성화하며, 이를 진폭과 면적이 좌표축을 정의하고 폭이 색상으로 인코딩되는 시각적 패턴으로 매핑합니다. 생성된 AWA 패턴은 코로나 (corona), 내부 (internal), 표면 (surface), 코로나+내부 (corona+internal), 코로나+표면 (corona+surface), 그리고 내부+표면 (internal+surface)의 6가지 단일 및 혼합 PD 소스 조건을 구별하는 데 사용됩니다. 제안된 표현법의 분류 능력을 평가하기 위해, Random Forest 베이스라인과 두 가지 합성곱 신경망 (Convolutional Neural Network, CNN) 모델인 InceptionV3 및 ResNet-18을 비교하였습니다. AWA 패턴은 소스에 따라 구별 가능한 분포를 보여주며, CNN 기반 분류는 Random Forest의 73.33%와 비교하여 96% 이상의 테스트 정확도를 달성했습니다. 이러한 결과는 AWA 패턴이 스위칭 전압 여자 조건에서 다중 클래스 (multi-class) PD 소스 분류에 적합한 PD 펄스의 시각적 표현을 제공함을 나타냅니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기