본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

국문요약

목차

제1장 서론 12

1.1. 연구배경 및 목적 12

1.2. 연구방법 및 범위 15

제2장 전력품질 기준 18

2.1. 과도현상(Transient) 23

2.2. 순간 전압변동(Sag, Swell, Interruption) 25

2.3. 전고조파왜형율(Total Harmonic Distortion) 29

제3장 전력품질 분류를 위한 신호처리 31

3.1. 실효값(RMS) 연산 32

3.2. THD연산을 위한 푸리에시리즈 분석 33

3.3. 웨이블렛 변환 38

3.4. 신호의 특성 추출 45

제4장 인공신경망(ANN)을 이용한 전력품질의 분류 48

제5장 Visual C++을 이용한 PSIM 시뮬레이션 59

5.1. 시뮬레이션 모델설계 59

5.2. PSIM 시뮬레이션 결과 63

5.2.1. 학습데이터 학습결과 63

5.2.2. Transient 진단결과 66

5.2.3 Sag 진단결과 69

5.2.4 Interruption 진단 71

제6장 인공지능형 전력품질 진단기 설계 72

제7장 결론 및 향후 연구과제 78

참고문헌 79

부록 83

ABSTRACT 98

감사의 글 100

표목차

표 2-1. IEC 61000. 시리즈 19

표 2-2. 전력품질 관련 표준안 20

표 2-3. IEEE 1159-1995 전력품질 분류 22

표 2-4. IEEE 1159-1995 Waveform distortion 분류 30

표 3-1. 과도신호의 신호처리 결과 46

표 5-1. 모의시험의 입력·출력 62

표 6-1. 전력품질 진단기의 전압변동 분석 결과 76

표 6-2. 전력품질 진단기의 과도현상 분석 결과 77

그림목차

그림 1-1. 전력품질 진단장치의 발달 과정 13

그림 1-2. 전력품질 측정 알고리즘 모델 연구 15

그림 2-1. 단펄스형 과도현상 23

그림 2-2. 진동형 과도현상 24

그림 2-3. Momentary Sag 25

그림 2-4. Momentary Swell 26

그림 2-5. Momentary Interruption 27

그림 2-6. CBEMA 곡선 28

그림 2-7. ITIC 곡선 28

그림 2-8. 고조파 왜곡파형 30

그림 3-1. 고조파 파형 분해도 34

그림 3-2. FFT 신호 흐름도 37

그림 3-3. Daubechies wavelet 스케일함수와 웨이블렛함수 41

그림 3-4. 8레벨 다운 샘플링 이산웨이블렛 변환 42

그림 3-5. 근사계수와 세부계수 분해도 44

그림 4-1. 인공신경망의 분류 49

그림 4-2. 퍼셉트론의 구조 50

그림 4-3. 인공신경망 출력함수 종류 51

그림 4-4. 다층 퍼셉트론 구조 52

그림 4-5. 인공 신경망 구조 56

그람 4-6. Fuzzy-Count의 집합구조 56

그람 4-7. Fuzzy-Count의 카운트 분류 57

그림 4-8. 학습 데이터 57

그림 4-9. 학습 데이터 분류 58

그림 5-1. 모의실험 모델 블록도 59

그림 5-2. PSIM 학습 및 진단 모의시험 61

그림 5-3. 인공신경망 순서도 61

그림 5-4. 학습 전의 학습데이터 진단 결과 63

그림 5-5. 목표 오차 수렴 과정 64

그림 5-6. 학습 후의 학습 데이터 진단 결과 65

그림 5-7(a) 과도현상 진단결과 66

그림 5-7(b) 과도현상 진단결과 66

그림 5-8(a) Instantaneous Swell 진단결과 67

그림 5-8(b) Momentary Swell 진단결과 68

그림 5-8(c) Temporary Swell 진단결과 68

그림 5-9(a) Instantaneous Sag 진단결과 69

그림 5-9(b) Momentary sag 진단결과 70

그림 5-9(c) Temporary Sag 진단결과 70

그림 5-10. Momentary Interruption 진단결과 71

그림 6-1. 하드웨어 구조 73

그림 6-2. 전체 하드웨어 구성 및 화면구성 74

그림 6-3. 캘리포니아 인스트루먼트사의 4500lx AC발생기 75

초록보기

본 논문은, 인공지능기반의 이산 웨이블렛 변환(DWT), 고속푸리에 변환(FFT), 실효값(RMS value)을 이용한 간단한 전력품질 측정 알고리즘을 제안하고 PSIM 프로그램을 이용한 모의실험과 DSP프로세서 기반의 전력품질 진단기를 이용하여 그 성능을 검증하였다. 제안한 알고리즘으로 진단 가능한 전력품질 요소는 순간전압강하(Voltage Sag), 순간전압상승(Voltage Swell), 순간정전(Interruption)과 같은 순간 전압변동과 과도현상(Transient) 및 전고조파 왜형율(THD)이며 크기와 지속시간에 따라 총 13가지의 전력품질요소로 분류 및 진단이 가능하다. 알고리즘의 인공지능 기능의 구현을 위해서 인공신경망 이론인 퍼셉트론 이론을 이용하여 멀티 레이어 구조의 인공신경망을 설계하였다.

인공신경망의 입력벡터로는 입력된 전압신호를 한 주기당 15.36㎑의 샘플링 주파수로 데이터를 검출하여 실효값연산, 고속푸리에 변환을 사용한 50차 고조파연산, 전고조파왜형율 연산, 이산 웨이블렛 변환을 시행하여 인공신경망의 입력벡터로 사용하였다. 일반화된 인공신경망 기반의 전력품질 진단모델은 많은 연산처리 시간으로 인하여 실제 프로세서에서의 적용에는 한계가 있었다. 본 논문에서 제안한 전력품질 진단 알고리즘은, 진단하고자하는 전력품질 요소에 맞추어 최소, 최적의 인공신경망구조를 설계하였으며, 최종 단에 Fuzzy-Count를 제안하여 순간 전압변동의 지속시간에따라 순간전압변동(Instantaneous), 짧은전압변동(Momentary), 일시전압변동(Temporary), Long duration의 네 가지 형태의 전력품질로 분류가 가능하도록 하였다.

인공신경망의 학습데이터는 일반변전소에서 한해(2007년)동안 측정한 데이터와 전력품질 특성이 명확한 180가지 형태의 비정상 파형과 여러 가지 정상상태의 50가지 형태의 파형으로 구성된 총 230가지형태의 신호를 사용하였다. 제안된 알고리즘은 Visual C++의 DLL 파일로 제작하여 PSIM프로그램의 모의실험을 시행하여 학습 및 진단결과를 검증하였으며 학습 완료된 인공신경망 가중치는 MP사의 PQ+256하드웨어모델을 이용하여 인공지능형 전력품질 진단 기능을 구현하였다. 실제 전력품질진단 성능을 검증하기 위해서, California instrument사의 4500lx AC 파워 소스를 사용한 모의실험을 시행하여 전력품질 진단 결과를 확인하였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기