다중 분산에너지자원에서의 아크 고장 분류를 위한 도메인 융합 딥러닝 기법에 관한 연구 = Study on Domain Fusion-based Deep Learning Method for Arc-Fault Classification in Distributed Energy Resources

다국어 초록 (Multilingual Abstract)

Recent advancements in sustainable energy technologies, driven by growing concerns over climate change, have accelerated the deployment of distributed energy resources(DERs) such as photovoltaic(PV) systems and energy storage systems(ESS). However, the complex operating conditions and harsh installation environments associated with DERs significantly increase the likelihood of DC series arc-faults, posing substantial risks to system stability and safety. Accordingly, the early detection and prompt mitigation of DC series arc-faults are critical to ensuring the reliable operation of DER-integrated systems. To address these challenges, this paper proposes a deep learning-based method termed the domain fusion-based temporal adaptive arc-fault classification network(DF-TACarcNet) for accurate DC series arc-fault classification in multi-DER environments. The proposed approach applies a dual-channel preprocessing(DCP) technique to normalize current signals while preserving domain-specific characteristics in both the time and frequency domains. Subsequently, a temporal convolutional network(TCN) is employed to extract sequential features, which are integrated through a feature fusion module. The fused features are further refined by a transformer encoder that captures inter-feature dependencies, thereby enhancing the discriminative capability of the model. Experimental validation demonstrates that the proposed DF-TACarcNet achieves an arc-fault classification accuracy of 96.62% across multiple DERs. In addition, model compression techniques are applied to enable deployment on an embedded device, achieving real-time inference with an average detection latency of 38.5 ms. These results confirm that the proposed method offers a reliable and efficient solution for real-time DC series arc-fault detection in DER-integrated environments.

국문 초록 (Abstract)

최근 기후변화로 인해 지속 가능한 에너지원에 대한 관심이 증가하면서, 태양광 (PV) 시스템과 에너지저장시스템(ESS)을 포함한 분산에너지자원(DER)의 활용이 확대되고 있다. 그러나, 복잡한 운영 조건과 험지 설치 환경의 특성상 DC 직렬 아크 고장 발생 가능성이 높아지고 있으며, 이는 시스템의 안정성과 안전성에 심각한 위협을 초래할 수 있다. 따라서, DC 직렬 아크 고장을 조기에 감지하고 효과적으로 대응하기 위한 기술 개발이 필수적이다. 본 연구는 이러한 문제를 해결하기 위해 다중 DER 환경에서의 DC 직렬 아크 고장 부류를 위한 딥러닝 기반 방법론인 도메인 융합 기반 시간 적응형 아크 고장 분류 네트워크(Domain Fusion-based Temporal Adaptive Arc-fault Classification Network, DF-TACarcNet) 모델을 제안한다. 제안 모델은 시간-주파수 도메인에서의 고유 신호 특성을 반영하기 위해 듀얼 채널 전처리(Dual Channel Preprocessing, DCP) 기법을 적용하여 신호를 정규화하였으며, 이후 시간적 합성곱 네트워크(Temporal Convolutional Network, TCN)을 활용하여 시간 및 주파수 도메인으로부터 특징을 추출하였다. 추출된 특징은 특징 융합 과정을 거쳐 통합되며, 트랜스포머 인코더를 통해 융합 특징 간 관계를 정밀하게 학습하여 아크 고장 분류 성능을 극대화하였다. 또한, DF-TACarcNet 모델은 다중 DER 환경에서 96.62%의 높은 아크 분류 정확도를 기록하였으며, 실시간 추론을 위해 모델 경량화 기법을 적용하여 임베디드 장치에 배포하였다. 이를 통해 PV, ESS 및 DC 부하 환경에서 평균 38.5 ms 이내에 분류하며 신뢰성 높은 아크 고장 분류가 가능함을 실험적으로 확인할 수 있었다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구 배경 1
• 1.2 연구 개요 3
• Ⅱ. 관련 연구 4
• 2.1 신호처리 및 통계적 특성 기반 아크 고장 감지 연구 4
• 2.2 머신러닝 및 딥러닝 기반 아크 고장 감지 연구 6
• Ⅲ. 데이터 수집 및 분석 9
• 3.1 데이터 수집 환경 10
• 3.2 분산에너지자원 정상 및 고장 전류 특성 10
• Ⅳ. DC 직렬 아크 고장 분류 아키텍처 설계 14
• 4.1 DCP 데이터 전처리 15
• 4.2 제안 DC 직렬 아크 고장 분류 모델 18
• Ⅴ. 실험 결과 및 분석 27
• 5.1 수집 데이터 활용 실험 결과 27
• 5.2 실시간 실험 결과 34
• Ⅵ. 결론 및 향후 연구 39
• 참고문헌 40