지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 홍충선
- 발행연도
- 2022
- 저작권
- 경희대학교 논문은 저작권에 의해 보호받습니다.
이용수60
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
전력품질은 전압, 전류, 주파수의 파형 등이 얼마나 안정되어 있는 지표이며 전력품질에 이상 발생 시 전력으로 작동하는 기기는 오작동, 생산품 품질저하 고장이 발생한다. 과거 대부분 전력기기들은 전력품질의 영향을 크게 받지 않았지만, 현대에는 미세공정, 공장의 자동화 및 고도화로 인해 순간적인 전력품질의 변화에도 민감한 전력기기들의 사용이 증가하고 있어 전력품질 이상 모니터링의 중요성이 증대되고 있다. 이런 관점에서 본 논문은 전력품질 이상 탐지 감지를 위해 LSTM(Long Short Term Memory)-VAE(Variational Autoencoder) 결합모델을 활용한 전력품질 이상 상황 탐지 기법을 제안한다. 이 모델은 VAE의 Encoder와 Decoder를 LSTM으로 대체한 모델로 전력품질 데이터의 시계열적 특성을 반영하기 위해 LSTM 모델과 데이터의 분포를 학습하여 유사한 데이터로 복원하는 VAE 모델을 결합하여 사용한다. 이 모델은 LSTM-VAE에 입력된 데이터로 재구성한 데이터의 평균 절대 오차(Mean Absolute Error)가 임계치(Threshold)를 초과하는 이상 점수를 가질 시 전력품질 이상으로 판단한다. 시뮬레이터로 생성한 전력품질 이상 데이터에 이상 탐지 결과에 따르면, LSTM-VAE 결합모델은 Baseline methods인 LOF(Local Outlier Factor), LSTM, 그리고 VAE 대비 우수한 전력품질 이상 탐지 성능을 가지는 것으로 나타났다.
목차
Ⅰ. 서론 1Ⅱ. 이론적 배경 32.1 LOF(Local Outlier Factor) 32.2 LSTM(Long Short Term Memory) 42.3 VAE(Variational Autoencoder) 9Ⅲ. 제안 방안 153.1 제안 내용 153.2 제안 알고리즘 16Ⅳ. 실험 및 분석 174.1 데이터수집 및 전처리 174.2 실험 방법 184.3 실험 결과 224.4 실험 결과 분석 27Ⅴ. 결론 및 향후 연구 28참고 문헌 29Abstract 32
최근 본 자료
댓글(0)
0