전력계통 고장진단용 실데이터 분류·증강 연구

Fault Diagnosis for Real Power System Data: Classification and Data Augmentation Research

연구 내용

실계측 고장 데이터의 잡음·불확실성 차이를 반영해 LSTM 기반 분류와 규칙·학습 결합의 2단계 알고리즘을 구성하고, GAN 기반 데이터 증강으로 분류 성능을 보강하는 연구

실제 전력선 고장 신호는 시뮬레이션 데이터와 잡음과 파라미터 불확실성 특성이 달라 기존 학습 기반 분류 성능이 저하될 수 있습니다. 이를 해결하기 위해 시계열 특성과 비시계열 특성을 동시에 활용하는 LSTM+FC 기반 모델로 실데이터에 적합한 분류 체계를 구축합니다. 또한 단일 단계 방식의 한계를 완화하기 위해 규칙 기반 강점과 머신러닝 기반 강점을 결합한 two-stage 분류 알고리즘을 제안합니다. 더불어 고장 발생이 희소한 문제를 고려해 WGAN-GP 기반 생성과 품질 필터링·분포 검증을 포함한 GAN 데이터 증강 기법을 적용하여 학습 데이터 다양성을 확보합니다.

관련 프로젝트

0건

연구 흐름

2024년에는 먼저 시뮬레이션 대비 성능 저하가 발생하는 원인을 실데이터 관점에서 확인하고, LSTM과 FC를 결합하여 서로 다른 입력 특성을 함께 학습하는 분류 모델을 제시했습니다. 이어서 같은 해에 단일 단계 분류의 제약을 줄이기 위해 규칙 기반과 머신러닝 기반을 결합한 two-stage 알고리즘으로 확장하여 실제 고장 데이터에서의 분류 정확도를 개선하는 방향으로 발전했습니다. 동시에 데이터가 충분하지 않은 환경을 보완하기 위해 WGAN-GP 기반 생성과 품질 평가 절차를 포함한 GAN 증강 기법을 연구하여 희소 고장 데이터 문제를 완화하는 흐름을 구성했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

실계측 기반 고장 유형 분류
거리계전 연계 진단 로직
잡음 환경 강건 분류기
희소 고장 데이터 증강 파이프라인
데이터-기반 계통 신뢰도 분석
고장 신호 특성 차이 적응
two-stage 진단 모델 설계
품질 검증 포함 생성 모델 운영
원격 감시용 실시간 분류 모듈
고장 예측을 위한 학습 데이터 확보