1 |
1
변압기의 고장 진단 장치에 있어서,상기 변압기로부터 획득되는 유중 가스 분석 데이터를 스케일링하는 데이터 스케일링부;상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터를 가표지 데이터로 변환하여 획득하는 가표지 데이터 획득부;상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터 및 상기 가표지 데이터에 대해 사전 학습을 수행하는 사전 학습부; 및상기 사전 학습 수행에 의해 최적화된 파라미터의 전이를 통해 표지 데이터에 대해 재 학습을 수행하는 재 학습부;를 포함하는 것을 특징으로 하는 변압기의 고장 진단 장치
|
2 |
2
제 1항에 있어서,상기 데이터 스케일링부는,상기 유중 가스 분석 데이터를 로그화하는 데이터 로그화부 및상기 로그화된 유중 가스 분석 데이터를 정규화하는 데이터 정규화부를 포함하는 것을 특징으로 하는 변압기의 고장 진단 장치
|
3 |
3
제 1항에 있어서,상기 가표지 데이터 획득부는,상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터를 이용하여 상기 변압기의 정상 상태와 고장 상태를 분류하는 변압기 상태 분류부와,세 개의 가연성 가스를 선택하여 각각의 가연성 가스의 농도로부터 가스 조성비를 도출하는 가스 조성비 도출부와,상기 도출된 가스 조성비를 듀발 삼각형 방법에 적용하여 상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터를 가표지 데이터로 변환하는 가표지 데이터 변환부 및상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터 및 상기 가표지 데이터를 준비하는 사전 학습 준비부를 포함하는 것을 특징으로 하는 변압기의 고장 진단 장치
|
4 |
4
제 3항에 있어서,상기 세 개의 가연성 가스는, , , 인 것을 특징으로 하는 변압기의 고장 진단 장치
|
5 |
5
제 1항에 있어서,상기 사전 학습부는,딥 뉴럴 네트워크의 손실함수 를 정의하는 손실함수 정의부와,상기 손실함수의 우측항에서의 첫 번째 항()과 두 번째 항()을 조절하는 하이퍼 파라미터 를 선택하는 하이퍼 파라미터 선택부 및상기 손실함수를 최적화하도록 역전파 방법을 사용하여 최적의 파라미터를 획득하는 제 1 최적 파라미터 획득부를 포함하는 것을 특징으로 하는 변압기의 고장 진단 장치
|
6 |
6
제 5항에 있어서,상기 손실함수에서, 는 듀발 삼각형 방법을 통해 획득된 가표지 데이터 와 상기 딥 뉴럴 네트워크의 은닉층 중 마지막 층에서의 추정된 가표지 데이터 간의 차이를 나타내는 것을 특징으로 하는 변압기의 고장 진단 장치
|
7 |
7
제 5항에 있어서,상기 손실함수에서,는 상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터 와 상기 딥 뉴럴 네트워크의 은닉층 중 마지막 층에서의 추정된 유중 가스 분석 데이터 간의 차이를 나타내는 것을 특징으로 하는 변압기의 고장 진단 장치
|
8 |
8
제 5항에 있어서,상기 재 학습부는,상기 표지 데이터의 학습을 준비하는 재 학습 준비부와,상기 딥 뉴럴 네트워크의 일부 은닉층을 고정하는 은닉층 고정부와,상기 고정된 은닉층을 제외한 마지막 은닉층에 대해서만 학습을 수행하는 은닉층 학습부 및상기 손실함수를 최적화하도록 역전파 방법을 사용하여 최적의 파라미터를 획득하는 제 2 최적 파라미터 획득부를 포함하는 것을 특징으로 하는 변압기의 고장 진단 장치
|
9 |
9
제 8항에 있어서,상기 은닉층 고정부는,상기 마지막 은닉층을 제외한 나머지 은닉층을 고정시키는 것을 특징으로 하는 변압기의 고장 진단 장치
|
10 |
10
변압기의 고장 진단 방법에 있어서,상기 변압기로부터 획득되는 유중 가스 분석 데이터를 스케일링하는 단계;상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터를 가표지 데이터로 변환하여 획득하는 단계;상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터 및 상기 가표지 데이터에 대해 사전 학습을 수행하는 단계; 및상기 사전 학습 수행에 의해 최적화된 파라미터의 전이를 통해 표지 데이터에 대해 재 학습을 수행하는 단계;를 포함하는 것을 특징으로 하는 변압기의 고장 진단 방법
|
11 |
11
제 10항에 있어서,상기 유중 가스 분석 데이터를 스케일링하는 단계는,상기 유중 가스 분석 데이터를 로그화하는 단계 및상기 로그화된 유중 가스 분석 데이터를 정규화하는 단계를 포함하는 것을 특징으로 하는 변압기의 고장 진단 방법
|
12 |
12
제 10항에 있어서,상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터를 가표지 데이터로 변환하여 획득하는 단계는,상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터를 이용하여 상기 변압기의 정상 상태와 고장 상태를 분류하는 단계와,세 개의 가연성 가스를 선택하여 각각의 가연성 가스의 농도로부터 가스 조성비를 도출하는 단계와,상기 도출된 가스 조성비를 듀발 삼각형 방법에 적용하여 상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터를 가표지 데이터로 변환하는 단계 및상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터 및 상기 가표지 데이터를 준비하는 단계를 포함하는 것을 특징으로 하는 변압기의 고장 진단 방법
|
13 |
13
제 12항에 있어서,상기 세 개의 가연성 가스는, , , 인 것을 특징으로 하는 변압기의 고장 진단 방법
|
14 |
14
제 10항에 있어서,상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터 및 상기 가표지 데이터에 대해 사전 학습을 수행하는 단계는,딥 뉴럴 네트워크의 손실함수 를 정의하는 단계와,상기 손실함수의 우측항에서의 첫 번째 항()과 두 번째 항()을 조절하는 하이퍼 파라미터 를 선택하는 단계 및상기 손실함수를 최적화하도록 역전파 방법을 사용하여 최적의 파라미터를 획득하는 단계를 포함하는 것을 특징으로 하는 변압기의 고장 진단 방법
|
15 |
15
제 14항에 있어서,상기 손실함수에서, 는 듀발 삼각형 방법을 통해 획득된 가표지 데이터 와 상기 딥 뉴럴 네트워크의 은닉층 중 마지막 층에서의 추정된 가표지 데이터 간의 차이를 나타내는 것을 특징으로 하는 변압기의 고장 진단 방법
|
16 |
16
제 14항에 있어서,상기 손실함수에서,는 상기 스케일링된 유중 가스 분석 데이터 중 비표지 데이터 와 상기 딥 뉴럴 네트워크의 은닉층 중 마지막 층에서의 추정된 유중 가스 분석 데이터 간의 차이를 나타내는 것을 특징으로 하는 변압기의 고장 진단 방법
|
17 |
17
제 14항에 있어서,상기 사전 학습 수행에 의해 최적화된 파라미터의 전이를 통해 표지 데이터에 대해 재 학습을 수행하는 단계는,상기 표지 데이터의 학습을 준비하는 단계와,상기 딥 뉴럴 네트워크의 일부 은닉층을 고정하는 단계와,상기 고정된 은닉층을 제외한 마지막 은닉층에 대해서만 학습을 수행하는 단계 및상기 손실함수를 최적화하도록 역전파 방법을 사용하여 최적의 파라미터를 획득하는 단계를 포함하는 것을 특징으로 하는 변압기의 고장 진단 방법
|
18 |
18
제 17항에 있어서,상기 딥 뉴럴 네트워크의 일부 은닉층을 고정하는 단계에서,상기 마지막 은닉층을 제외한 나머지 은닉층을 고정시키는 것을 특징으로 하는 변압기의 고장 진단 방법
|