현대 전력 시스템의 영역에서 풍력 터빈(WTs)은 중요한 환경적 이점을 확보함으로써 풍력 발전의 확장되는 지형에서 핵심적인 위치를 차지하게 되었다. 풍력 단지 시스템의 안정성을 위해 풍력 터빈의 효율적인 모니터링 및 고장 분류를 보장하는 일이 무엇보다도 필수적이다. 그러나 소규모 고장 데이터 샘플로부터 더 많은 고장 정보를 확보해야 한다는 요구로 인해 데이터의 불충분과 불균형 문제가 발생한다는 점에서 중대한 과제가 대두된다. 이러한 불균형이 고장 검출 정확도에 미치는 결과적 영향은 풍력 터빈 고장 진단에서 이 문제의 중요성을 부각시킨다. 특히, 고장 유형 간 데이터셋 크기의 불일치와 고장 클래스의 불균등한 분포는 풍력 터빈 고장 검출 분야에서 실질적인 장애물로 작용한다. 이 문제는 충분한 고장 데이터를 수집하는 데 소요되는 시간 집약적 과정에 의해 더욱 심화되며, 풍력 터빈 분야의 보다 전형적인 시나리오와는 차별화된다. 본 논문은 이러한 과제를 효과적으로 해결하기 위해 합성 고장 데이터를 생성하는 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 활용하는 혁신적인 접근법을 제안한다. 본 논문은 CGAN에서 KL 발산(KL divergence)을 Wasserstein 거리(Wasserstein distance)로 대체하여, 풍력 터빈 고장 분류를 위한 합성 고장 샘플을 생성함으로써 데이터 불균형을 바로잡는 Wasserstein Conditional Generative Adversarial Network(WC-GAN)를 사용한다. 이러한 전략적 조치로 클래스 분포의 균형이 유지되며 고장 분류 정확도가 향상된다. 조건부 데이터 생성을 통합함으로써 학습 안정성과 샘플 품질을 개선하는 한편, wasserstein 거리를 활용함으로써 더 빠른 수렴 속도를 보장한다. 풍력 터빈의 고장 분류를 위한 Supervisory Control and Data Acquisition(SCADA) 데이터에 대해 수행한 실험적 검증은, 조건부로 생성된 샘플의 품질에 주로 기인하여 다른 접근법에 비해 본 방법의 우수성을 입증한다. 요컨대, 제안된 접근법은 고품질의 합성 고장 데이터를 생성함으로써 불균형 샘플의 문제를 효과적으로 해결하여 풍력 터빈 고장 분류의 효율을 높인다. • 본 연구는 WT 고장 분류를 위한 합성 고장 데이터를 생성하는 방법을 제안한다. • 향상된 고장 샘플 생성을 위해 SCADA 데이터에 맞춘 Conditional GAN을 적용한다. • 제안하는 GAN은 서로 다른 클래스 레이블을 갖는 특정 고장 샘플의 생성을 가능하게 한다. • 실제 고장 샘플과 합성 고장 샘플을 혼합하여 고장 검출 모델을 학습하였다. • 실제 데이터와 결합 데이터에 대한 실험을 통해 프레임워크의 효능을 검증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.