Journal of the Korean Institute of Intelligent Systems (한국지능시스템학회논문지)

Korean Institute of Intelligent Systems (한국지능시스템학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on the Improvement of Fault Detection Capability for Fault Indicator using Fuzzy Clustering and Neural Network

퍼지클러스터링 기법과 신경회로망을 이용한 고장표시기의 고장검출 능력 개선에 관한 연구

  • 홍대승 (광운대학교 제어계측공학과) ;
  • 임화영 (광운대학교 제어계측공학과)
  • Published : 2007.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

This paper focuses on the improvement of fault detection algorithm in FRTU(feeder remote terminal unit) on the feeder of distribution power system. FRTU is applied to fault detection schemes for phase fault and ground fault. Especially, cold load pickup and inrush restraint functions distinguish the fault current from the normal load current. FRTU shows FI(Fault Indicator) when the fault current is over pickup value or inrush current. STFT(Short Time Fourier Transform) analysis provides the frequency and time Information. FCM(Fuzzy C-Mean clustering) algorithm extracts characteristics of harmonics. The neural network system as a fault detector was trained to distinguish the inruih current from the fault status by a gradient descent method. In this paper, fault detection is improved by using FCM and neural network. The result data were measured in actual 22.9kV distribution power system.

본 논문은 전력계통의 배전계통시스템에서 FRTU(Feeder remote terminal unit)의 고장검출 알고리즘의 개선에 관한 연구이다. FRTU는 상과 지락에 관한 고장검출을 할 수 있다. 특히 고장픽업 기능과 돌입억제기능은 일반적인 부하전류로부터 고장전류를 구별할 수 있다. FRTU는 돌입전류 또는 설정값을 초과한 고장전류가 발생하면 고장표시기(FI)로 고장을 발생한다. 짧은 시간 푸리에 변환(STFT) 분석은 주파수와 시간에 관한 정보론 제공하고, 퍼지 중심 평균 클러스터링(FCM) 알고리즘은 고조파의 특성을 추출한다. 고장 검출기의 신경회로망 시스템은 최급강하법을 이용하여 고장상태로부터 돌입전류를 구별하도록 학습된다. 본 논문에서는 FCM과 신경회로망을 이용하여 고장검출기법을 개선하였다. 검증에 사용된 데이터는 22.9KV 배전계통 시스템에서 실제 측정된 데이터이다.

Keywords

References

  1. Castro, C. H., J. B. Bunch, and T. M. Topka, 'General Algorithms for Distribution Feeder Deployment and Sectionalizing,' IEEE Trans. on Power Apparetus and Systems, Vol. PAS-99, pp.549-557 March/April 1980 https://doi.org/10.1109/TPAS.1980.319700
  2. J. J. Rico., E. Acha., M. Madrigal. 'The Study of Inrush Current Phenomenon Using Operational Matrices', IEEE Trans. on Power Delivery, Vol. 16, No.2, April, 2001
  3. Russel, B. D., Chinchali, R. P. 'A digital signal processing algorithm for detecting arcing faults on power distribution feeders', IEEE Trans. on Power Delivery, Vol.4, No.1, Jan, 1989
  4. Aucoin B.M., Russell B.D., 'Distribution High Impedance Fault Detection Utilizing High Frequency Current Components', IEEE Trans. on Power Apparatus and Systems Vol. PAS-101, No. 6, pp.1596-1606, June 1982 https://doi.org/10.1109/TPAS.1982.317209
  5. 도경훈, 현기호, '역전파 신경회로망을 이용한 고임피던스 고장 검출', Trans. KIEE, Vol. 45, No. 11, pp.1534-1541, Nov. 1996
  6. Martin T. Haugan 'Neural Network Design' PWS Publishing Company, 1996
  7. Youssef, O.A.S., 'A wavelet-based technique for discrimination between faults and magnetizing inrush currents in transformers' Power Delivery, IEEE Trans. on Volume 18, Issue 1, pp.170-176, Jan 2003 https://doi.org/10.1109/TPWRD.2002.803797
  8. Xusheng Chen, Venkata, S.S.A., 'three-phase three-winding core-type transformer model for low-frequency transient studies', Power Delivery, IEEE Trans. on Vol.12, Issue 2, pp.775 - 782, April 1997 https://doi.org/10.1109/61.584369

Cited by

  1. A Prediction Method of the Gas Pipeline Failure Using In-line Inspection and Corrosion Defect Clustering vol.24, pp.6, 2014, https://doi.org/10.5391/JKIIS.2014.24.6.651