Controlled Comparison of Machine Learning Models for Fault Classification and Localization in Power System Protection

작성자

Haebom

카테고리

Empty

저자

Julian Oelhaf, Georg Kordowich, Changhun Kim, Paula Andrea Perez-Toro, Christian Bergler, Andreas Maier, Johann Jager, Siming Bayer

💡 개요

현대 전력 시스템의 복잡성 증가로 인해 기존 보호 방식의 신뢰성에 도전하고 있으며, 기계 학습(ML) 모델의 적용이 중요해지고 있습니다. 본 연구는 동일한 센싱, 타이밍, 검증 조건 하에서 전자기 과도 현상 데이터셋을 활용하여 기계 학습 모델의 고장 분류(FC) 및 고장 위치 파악(FL) 성능을 통제된 방식으로 비교했습니다. 그 결과, 10ms의 짧은 시간 범위에서도 고성능 모델들이 우수한 분류 성능을 보였으며, 고장 위치 파악 성능은 그리드 구간에 따라 변동성을 나타내 토폴로지 의존적인 난이도가 존재함을 시사했습니다.

🔑 시사점 및 한계

•

짧은 시간 범위(10ms)에서도 기계 학습 모델은 고장 유형 정보 획득에 효율적이며, 특히 비선형 모델은 우수한 성능을 보입니다.

•

고장 위치 파악 성능은 시간 정보뿐만 아니라 전력망의 토폴로지 구조에 따라 정확도가 달라질 수 있습니다.

•

본 연구에서 제시된 통제된 비교는 향후 기계 학습 모델 성능 평가를 위한 표준적인 기준점을 제공합니다.

•

다양한 유형의 전력 시스템 환경 및 센서 오류 상황에 대한 추가적인 연구가 필요합니다.

PDF 보기

Made with Slashpage