이경민
(Kyung-Min Lee)
1iD
홍재영
(Jae-Young Hong)
1iD
강태원
(Tae-Won Kang)
2iD
박철원
(Chul-Won Park)
†iD
-
(Dept. of Electrical Engineering, Gangneung-Wonju National University, Korea.)
-
(Dept. of Computer Science & Engineering, Gangneung-Wonju National University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Artificial intelligence technology, Deep neural network, Expert system, Fault restoration, Fault type identification, Substation
1. 서 론
전력통계정보시스템에 따르면, 2019년 국내에서 운영 중인 변전소는 864개이며, 그중 154kV 변전소의 비율은 85.2%에 해당한다. 전력계통에서
변전소의 고장비중은 180건중 57건으로 약 31.7% 로서, 154kV 변전소의 고장은 약 75.4%인 43건을 차지한다(1). 변전소 고장의 주요 원인은 설비 결함, 보수불량, 고장파급, 인적실수(human error) 등이 있다. 이 변전소의 사고 파급은 사회적 손실을
수반하므로 변전소 고장시 신속한 복구시스템이 지속적으로 요구되고 있다. 그런데, 전력설비가 노후화 되고, 계통운전원의 업무지식과 경험적 판단에 의존하고
있어 인적실수 발생가능성이 상존한다. 한전에서는 신속한 고장복구와 고장파급방지를 위하여 표준복구절차(SOP : Standard Operation Procedure)를
수립, 시행하고 있으며 변전소 종합 예방진단 시스템을 적용하여 전력계통의 신뢰성을 높이고 있다(1~5).
최근, 4차 산업혁명이 산업 및 사회 전반에 지대한 영향을 미치고 있다. 이에 따라 컴퓨터 플랫폼이 개선되고, 기술이 고도화 되면서 전력설비의 지능화
필요성이 제기되었다. 특히, AlphaGo 이후 인공지능(AI : Artificial Intelligence) 기법 등 신기술을 변전설비 및 전력망의
자율 지능화를 위해 활용함으로서 국가 경쟁력을 향상시키려고 계획하고 있다(1~7).
국내에서는 1990년대 초부터 인공지능을 전력설비에 적용하려고 시도하였다. 논리기반 전문가시스템(Logic Based Expert System)을
이용하여 전력계통 고장진단용 하드웨어 시스템이 발표되었고(8), 중부전력소 관내 4개의 전원측으로부터 공급되는 13개 변전소 계통에 대해 신경회로망을 이용한 변전소의 모선분리 방안 연구가 수행되었으며(9), 패턴인식기법에 의한 자동화 변전소의 주변압기 사고복구를 위한 모선재구성 전략이 제안되었다(10). 또한, 자동화 변전소의 안정성과 효율성을 개선하기 위하여 지식학습능력을 갖는 전문가시스템을 활용한 변전소의 사고복구 지원 시스템이 개발되었다(11). 최근에는 복구지식을 계층적으로 분석하여 확장된 토폴로지를 갖는 배전변전소의 지능형 고장복구 알고리즘이 논문지에 게재되었다(12). 하지만 이런 연구들은 주로 배전측에 집중되어 있고, 하드웨어 및 소프트웨어 플랫폼이 구성되기 이전의 연구들이 많아 현재 실 계통에 적용하는데 어려움이
많다.
해외에서는 인공지능기법을 적용한 변전소 복구가 연구되었다(13). 또한, 웨이브릿과 인공신경망을 응용한 새로운 고장인식 기법을 제안하였고(14), 최근에는 지능형 변전소의 현장 운영 및 유지보수를 위한 자동 테스트 기술에 대한 연구가 진행되었으며(15), 스마트 변전소를 기반으로 한 전력계통의 고장 진단 방법(16), 지능형 에이전트 구조를 기반으로 한 배전계통 서비스 복구에 대한 연구(17)가 발표되었다.
본 논문은 디지털변전소를 위한 지능기법을 이용한 고장복구방안의 기초 연구 결과의 일부로서, 인공지능기법인 심층신경망과 전문가시스템을 이용하여 154kV
변전소의 새로운 고장유형 판별 및 고장복구 시각화를 제안한다. 먼저, 고장유형을 판별하기 위해서 변전소의 구성요소의 CB, Relay 동작상태 정보를
이진데이터 형식으로 변환한 후, 심층신경망에서 학습할 수 있도록 데이터 패턴을 구성하였다. 15가지의 고장유형을 심층신경망에서 학습시킨 후, 새로운
시험패턴에 의한 고장유형이 판별되면, 규칙기반(Rule-based) 전문가 시스템을 통하여, 고장복구 절차를 출력한다. 15가지의 고장유형 판별 시뮬레이션과
각 변전소 구성요소 별 4가지의 고장복구 시각화 시뮬레이션을 통해 제안기법의 성능을 검증하고자 한다.
2. 고장유형 판별과 고장복구 설계
2.1 심층신경망에 의한 고장유형 판별 설계
심층신경망을 이용하여 변전소에서 발생할 수 있는 고장유형을 판별할 수 있도록 설계, 구현하였다. 그림 1은 심층신경망을 이용한 고장유형 판별 알고리즘의 구조를 나타낸다. 그림 1에서와 같이 학습 데이터로는 SOP를 이용하여 유형화된 변전소 상태를 구성하고 이를 학습에 사용할 수 있도록 전처리를 한 후, 학습 신경망에서 훈련하였다.
학습된 심층신경망 모델은 파일로 저장하여, 동작 신경망으로 사용할 때, 저장된 파일을 읽어온 후 동작 신경망으로 실행할 수 있도록 하였다. 새로운
이벤트 정보인 시험데이터가 발생하면, 시험데이터를 심층신경망에 적합한 형태로 변환한 후, 동작 신경망을 통해 최종 고장유형을 판별하게 된다.
그림. 1. 고장유형 판별 알고리즘 구조
Fig. 1. Structure of fault type identification algorithm
2.1.1 데이터 구성
그림 2는 학습데이터의 구조를 나타낸다. 그림 2와 같이 심층신경망의 데이터들은 SOP를 기준으로 변전소의 구성요소인 송전선로, 변압기, 모선, 배전선로 등의 CB와 Relay의 정보를 이용하여
구성하였다. 학습데이터는 253 × 72의 형태로 변전소의 CB, Relay 총수의 합인 253개의 행으로, 각 고장유형과 발생가능한 고장위치를 총
72개의 열로 각각 구성하였다. 시험데이터는 고장유형 별로 1개씩 고장데이터를 추출하여 253 × 1의 형태로 구성하였으며, 고장유형 1부터 고장유형
15까지 모든 고장유형의 판별여부를 시험하였다(2).
그림. 2. 심층신경망 데이터의 구조
Fig. 2. Structure of deep neural network data
2.1.2 심층신경망 구조
본 논문에서는 입력층, 은닉층 3개, 출력층으로 총 5개의 층을 사용한 심층신경망으로서, 입력층과 은닉층의 활성함수는 x가 0보다 크면 기울기가 1인
직선이고, x가 0보다 작으면 0이 되는 함수인 ReLU(Rectified Linear Unit) 함수를 사용하였다. 출력층은 분류기법에서 자주 사용되는
softmax 함수를 사용하였으며, 이는 입력받은 값을 출력으로 0~1사이의 값으로 모두 정규화하며 출력 값들의 총합은 항상 1이 되는 특성을 가진
함수이다. 따라서 가장 큰 출력 값을 부여받은 뉴런이 확률이 가장 높은 것으로 이용된다. 고장유형 판별을 위해 사용한 알고리즘은 역전파 알고리즘(BP
: Back Propagation)이다. 입력층과 은닉층의 뉴런 수는 154kV 변전소의 CB, Relay 수의 합인 253개로 설정하였으며, 출력
층의 뉴런수는 15개의 고장유형을 표시 할 수 있도록 15개로 설정하였다(2).
2.2 전문가 시스템에 의한 고장복구 설계 및 구현
그림 3은 제안된 고장유형 판별 및 고장복구 개략도를 나타낸다. 고장복구는 심층신경망과 규칙기반의 전문가 시스템으로 구성된다(2). 규칙기반 전문가 시스템에서는 판별 완료된 고장유형 및 fact를 이용하여 고장복구절차를 출력하고, 계통운영자는 출력된 고장복구절차와 각 M.Tr의
부하공급우선순위에 따라 고장복구를 시행하게 된다(3).
그림. 3. 제안된 고장유형 판별 및 고장복구 개략도
Fig. 3. Schematic diagram of the proposed fault type identification and fault restoration
2.2.1 고장복구절차 분석
SOP에는 변전소에서 발생할 수 있는 고장유형을, 고장유형 1인 T/L 주·후비보호 단(지)락부터 고장유형 15인 UFR 고장까지 총 15가지로 분류되었으며,
계통운영자는 이를 참고하여 복구방안을 협의한다[2~4,18]. 그림 4는 고장복구절차 분석결과, 송전선로 고장시 고장복구절차를 나타낸다. 즉, T/L 주·후비보호 단(지)락과 T/L 단선고장에 대한 분석 복구절차인데,
고장난 선로의 43RC를 off 시키고, DS 616, DS 611을 개방하여 무압기기 상태로 만든 후, 현장순시 결과 이상이 없고 고장이 해소되면,
DS 616, DS 611, CB 617를 차례대로 투입하고 43RC를 on시켜 선로를 가압하게 된다. 한편, CB 617을 개방하고 43RC를 off시켜
고장 T/L의 CB를 개방한 후, 현장순시 결과 이상이 없고 고장이 해소되면, CB 617을 투입하고 43RC를 on시켜 선로를 가압하게 된다.
그림. 4. 송전선로 고장시 고장복구절차
Fig. 4. Fault restoration procedure of T/L fault
그림 5는 고장복구절차 분석결과, 모선 고장시 고장복구절차를 나타낸다. 즉, BUSPRO 87B1, 87B2에 대한 분석 복구절차로서, 계전기 87B, 87B1,
87B2가 동작시 소내전원 확보요청을 하고, M.Tr 2차측 CB를 개방한다. 이후 154kV 모선측 DS를 절체하며, 각 #1 모선과 #2 모선의
건전성을 확인한 후, 건정성이 확인된 모선을 가압하게 된다.
그림. 5. 모선 고장시 고장복구절차
Fig. 5. Fault restoration procedure of Bus fault
그림 6은 고장복구절차 분석결과, 변압기 고장시 고장복구절차를 나타낸다. 즉, M.Tr 87, 96Ry에 대한 분석 복구절차로서, 고장난 M.Tr의 부하를
건전 M.Tr의 적정전압 유지여부를 확인한 후, 부하전환하고 고장 M.Tr의 1차, 2차측 DS를 개방하여 계통에서 분리하게 된다.
그림. 6. 변압기 고장시 고장복구절차
Fig. 6. Fault restoration procedure of M.Tr fault
그림 7은 고장복구절차 분석결과, 배전선로 고장시 고장복구절차를 나타낸다. 즉, M.Tr 51SN, D/L OC(G)R에 대한 복구절차로서, D/L의 OC(G)R이
동작하였을 경우, 해당 D/L의 CB를 개방하고 고장난 선로의 무압기기 개방을 위하여, DS를 개방한 후, 건전상의 M.Tr 1차, 2차측 CB를
다시 투입한다. 이후 D/L 점검 및 고장해소를 하게 된다.
그림. 7. 배전선로 고장시 고장복구절차
Fig. 7. Fault restoration procedure of D/L fault
2.2.2 인터페이스 설계 및 구성
그림 8은 파이썬을 이용하여 총 6개의 클래스로 설계한 고장복구 시각화의 시퀀스 다이어그램을 나타낸다. main은 프로그램의 시작점으로 SS_WiringInfos,
InterfaceMain과 연계되어 변전소 정보를 읽고 GUI에 대한 기능을 수행한다. SS_WiringInfos는 변전소의 요소인 CB, DS,
Relay 등의 정보를 가지고 있으며 프로그램에 제공하는 역할을 수행한다. InterfaceMain은 프로그램의 GUI에 대한 기능을 하며, Units,
ExpertSSNN, ExpertSS와 연계되어 고장복구 시각화의 모든 기능을 전담한다. Units은 변전소의 요소인 CB, DS, Relay 등에
대한 가상 속성을 제공한다. ExpertSSNN은 고장유형 판별을 위한 심층신경망에 관한 기능을 제공하며, 심층신경망의 생성, 학습, 시험 등의 기능을,
ExpertSS는 rule-base 전문가 시스템의 기능을 각각 수행한다. 파이썬을 이용하여 SOP를 전문가 시스템에 의한 if-then 구조의 rule-base로
구현하였다(2~4).
그림. 8. 고장복구 시각화의 시퀀스 다이어그램
Fig. 8. Sequence diagram of fault restoration visualization
2.2.4 구현 프로그램의 구성 및 운용
그림. 9. 고장복구 시각화 프로그램의 전체 화면
Fig. 9. Full screen of fault restoration visualizaion program
그림 9는 파이썬으로 구현된 고장복구 시각화 프로그램의 전체 화면을 나타낸다. 그림 9와 같이 화면 좌측 윈도우에는 변전소의 단선도가 출력 된다. 단선도에서 마우스 좌측 클릭을 하여 개폐기의 on/off와 마우스 우측 클릭을 하여 계전기의
on/off를 선택할 수 있다. 단선도내 원형은 DS를 나타내며, 사각형은 CB를 나타낸다. 각 DS와 CB의 상태정보가 on인 경우 연두색으로,
off인 경우 회색으로, 적색은 고장으로 표시된다. 화면 우측에는 Ry 동작사항, 차단CB, 복구 절차를 나타내는 3가지의 윈도우가 있으며, Recoverying
버튼이 있다. Ry 동작사항, 차단CB 윈도우에는 좌측 단선도에서 입력한 계전기의 상태 정보와 차단된 CB 정보가 즉시 표시된다. 즉, Relay와
CB의 고장상황정보가 모두 입력된 후, Recoverying 버튼을 클릭하면 전문가 시스템에 의해 복구 절차 윈도우내에 구현된 rule-base에
따라 고장복구절차가 출력되도록 설계, 구현하였다.
3. 시뮬레이션 및 결과 고찰
3.1 사례연구 1
그림 10은 제시한 알고리즘에 의한 고장유형 판별 결과를 나타낸다. 그림 10(a)의 경우 고장유형 1을 나타내는 첫 번째 뉴런 값이 0.999로 1에 가장 가깝고, 다른 고장유형을 나타내는 뉴런 값들이 0에 근사하므로, 이는 고장유형
1로 판단되었음을 알 수 있다. 이와 유사하게 그림 10(d)의 경우 고장유형 12를 나타내는 12번째 뉴런 값이 0.999로 1에 가장 가깝고, 다른 고장유형을 나타내는 뉴런 값들이 0에 근사하기 때문에 고장유형
12로 판단되었다. 최종적으로 제안된 새로운 고장유형 판별 알고리즘은 고장유형 1인 송전선로 고장부터 고장유형 15 저주파수 계전기 동작사항까지 모든
고장상황에 대해 정확한 고장유형을 판단할 수 있었다.
그림. 10. 제시된 고장유형 판별 결과
Fig. 10. Result of proposed fault type identification
3.2 사례연구 2
고장유형 1인 송전선로 고장부터 고장유형 15인 저주파수 계전기 동작사항까지의 고장유형을 판별한 후, 전술한 고장복구 시각화 유효성을 위하여 고장복구절차를
출력하는 시뮬레이션을 진행하였다. 지면의 제약으로 일부 결과는 아래와 같다.
3.2.1 송전선로 단락 및 지락고장의 고장복구
그림 11은 고장유형 1인 교육-개발 #1 송전선로 단락 및 지락고장의 고장복구 시뮬레이션 결과를 나타낸다(2~4). 먼저, 심층신경망에 의한 고장유형 판별 결과가 그림 11의 하단 윈도우 좌측에 Fault Type = 1로 표시되었다. 좌측 단선도에서 고장상황을 입력한 후, Recoverying 버튼을 클릭하면 전문가
시스템에 의한 고장복구 결과, 단락주보호, 지락주보호, 단락후비보호, 지락후비보호 계전기(or IED)의 트립이 Ry 동작사항 윈도우와 동작한 차단기
CB 617이 차단CB 윈도우에 표시되었다. 시뮬레이션 결과, 43RC를 off시키고, DS 616과 DS 611을 차례대로 개방한 후, 선로순시
결과 이상이 없고, 고장이 해소되면 DS 616과 DS 611, CB 617을 차례대로 투입하며, 43RC를 on시키도록 최적의 스위칭 경로 정보가
복구 절차 윈도우에 표시되었다.
그림. 11. 송전선로 단락 및 지락고장의 시뮬레이션 결과 (고장유형 1)
Fig. 11. Simulation result of T/L short and ground fault (fault type 1)
3.2.2 모선고장의 고장복구
그림 12는 고장유형 6인 모선고장의 고장복구 시뮬레이션 결과를 나타낸다. 먼저, 심층신경망에 의한 고장유형 판별 결과를 그림 12의 하단 윈도우 좌측에 Fault Type = 6으로 표시되었다. 좌측 단선도에서 고장상황을 입력한 후, Recoverying 버튼을 클릭하면 전문가
시스템에 의한 고장복구 결과, 154kV BUSPRO 87B, 154kV BUSPRO 87B1, 154kV BUSPRO 87B2, 154kV BUSPRO
86B1 RESET, 154kV BUSPRO 86B2 RESET 계전기의 트립이 Ry 동작사항 윈도우에 표시되고, 동작한 차단기 CB 6100, CB
617, CB 627, CB 637, CB 647, CB 657, CB 667, CB 6133, CB 6233, CB 6333, CB 6433, CB
477, CB 4F7, CB 4N7, CB 4V7이 차단CB 윈도우에 표시되었다. 시뮬레이션 결과, 먼저 소내전원 확보요청을 하여 소내전원 확보용
D/L에서 역가압하게 된다. 무압기기 개방을 위하여 86B1, 86B2를 리셋시키고, 모든 M.Tr 2차측 CB 4144, CB 4244, CB 4344,
CB 4444를 개방, 모선측 DS 6101, DS6102를 개방한다. 154kV BUS에 연결된 DS 중 투입된 DS는 개방, 개방된 DS는 투입하여
절체시킨다. #1 BUS측 건정성을 확인하기 위하여 #4 T/L의 CB 647을 투입하고, 가압되면 모든 부하를 #1 BUS측으로 전환한다. 만약
가압되지 않고 트립될 경우, #2BUS측 건정성을 확인하기 위하여 #3 T/L의 CB 637을 투입한다. 이후 가압되면 모든 부하를 #2 BUS측으로
전환하도록 최적의 스위칭 경로 정보가 복구 절차 윈도우에 표시되었다.
그림. 12. 모선 고장의 시뮬레이션 결과 (고장유형 6)
Fig. 12. Simulation result of bus fault (fault type 6)
3.2.3 변압기 고장의 고장복구
그림 13은 고장유형 8인 변압기 고장의 고장복구 시뮬레이션 결과를 나타낸다. 먼저, 심층신경망에 의한 고장유형 판별 결과를 그림 13의 하단 윈도우 좌측에 Fault Type = 8로 표시되었다. 좌측 단선도에서 고장상황을 입력한 후, Recoverying 버튼을 클릭하면 전문가
시스템에 의한 고장복구 결과, #1 M.Tr 87, #1 M.Tr 96P(D,T) 계전기의 트립이 Ry 동작사항 윈도우에 표시되고, 동작한 차단기
CB 6133, CB 4144, CB 477이 차단CB 윈도우에 표시되었다. 시뮬레이션 결과, 먼저 #2 M.Tr의 적정전압 유지 여부를 판단하고,
#1 M.Tr의 부하를 #2 M.Tr로 부하전환하기 위하여 CB 45-46-0, CB 4100을 투입한다. 이후 고장기기를 계통에서 분리하기 위하여
DS 6131, DS 4141을 개방하도록 최적의 스위칭 경로 정보가 복구 절차 윈도우에 표시되었다.
그림. 13. 변압기 고장의 시뮬레이션 결과 (고장유형 8)
Fig. 13. Simulation result of M.Tr fault (fault type 8)
3.2.4 배전선로 고장의 고장복구
그림 14는 고장유형 12인 배전선로 고장의 고장복구 시뮬레이션 결과를 나타낸다. 먼저, 심층신경망에 의한 고장유형 판별 결과를 그림 14의 하단 윈도우 좌측에 Fault Type = 12로 표시되었다. 좌측 단선도에서 고장상황을 입력한 후, Recoverying 버튼을 클릭하면 전문가
시스템에 의한 고장복구 결과, #1 M.Tr 51SN, 96P, Gas Low, #1 D/L OCG 순시, OCG 한시 계전기의 트립이 Ry 동작사항
윈도우에 표시되고, 동작한 차단기 CB 6133, CB 4144, CB 477이 차단CB 윈도우에 표시되었다. 시뮬레이션 결과, 먼저 #1 D/L
CB 417을 개방하고, 개방이 되면 DS 4131도 개방한다. 이후 #1 M.Tr 51SN을 리셋하고 #1 M.Tr 1차 2차 CB인 CB 6133,
CB 4144를 투입하며, #1 D/L 배전센터에 부하전환을 요청하도록 최적의 스위칭 경로 정보가 복구 절차 윈도우에 표시되었다.
그림. 14. 배전선로 고장의 시뮬레이션 결과 (고장유형 12)
Fig. 14. Simulation result of D/L fault (fault type 12)
4. 결 론
본 논문에서는 인공지능기법인 심층신경망과 전문가시스템을 이용하여 154kV 변전소의 새로운 고장유형 판별 및 고장복구 시각화를 제안, 구현하였다.
제시된 고장복구 시각화의 통합성능을 검증하기 위하여 SOP의 고장유형 1인 송전선로 고장부터 고장유형 15 저주파수 계전기까지 제반 고장유형 시뮬레이션을
진행하였다. 시뮬레이션 결과, 제시한 새로운 기법은 모든 고장상황에 대해 정확한 고장유형을 판단하였고, 구현된 고장복구 시각화 프로그램을 통하여 최적의
스위칭 경로 정보가 포함된 고장복구결과를 보였다. 그러므로, 본 새로운 고장유형 판별 및 고장복구 시각화를 통해 계통운전원은 고장유형 판단과 고장복구를
보다 용이함을 제공할 수 있으며, 휴먼 에러 발생가능성을 감소할 수 있을 것이다.
Acknowledgements
This research was supported by Korea Electric Power Corporation.(Grant number : R17XA05-27)
References
EPSIS, Electric power statistics information system, 2020. [Online]. Available :
http://epsis.kpx.or.kr/epsisnew/selectMain.do?locale=.
C. W. Park, T. W. Kang, et al., Aug 2020, Fundamental study of fault restoration
plan using intelligence technique for IEC 61850-based digital substation, KEPRI final
report, pp. 1-155
KEPCO, 2016, Transmission & substation standard operation procedure, KEPCO Transmission
& Transformation, pp. 1-77
KEPCO Human Resources Development Institute, 2011, Substation Simulator Training
Class, KEPCO, pp. 1-88
P. H. Cho, H. G. Kim, Jul 2016, A study of standard operation procedure based on analysis
of substation fault, 2016 KIEE Summer Conf., pp. 444-445
M. Negnevitsky, 2005, Artificial intelligence : A guide to intelligent systems, 2nd
Edition, Addison wesley, pp. 1-415
P. Joshi, 2017, Artificial intelligence with Python, 1st Edition, Packt Press, pp.
1-426
Y. M. Park, Q. W. Jung, 1997, Hardware Implementation of Logic Based Expert System
for Power System Fault Diagnosis, 1997 KIEE summer Conf., pp. 930-931
K. M. Lee, S. Y. Hwang, J. B. Choo, Y. B. Youn, D. H. Jeon, Jul 1996, Application
of Neural Networks to the Bus Separation in a Substation, 1996 KIEE Summer Conf.,
pp. 757-759
Y. S. Ko, Nov 2004, Real-Time Bus Reconfiguration Strategy for the Fault Restoration
of Main Transformer Based on Pattern Recognition Method, Trans. KIEE, Vol. 53a, No.
11, pp. 596-603
Y. S. Ko, T. G. Kang, Dec 2004, Development of An Expet System with Knowledge Learning
Capability for Service Restoration of Automated Distribution Substation, Trans. KIEE,
Vol. 53a, No. 12, pp. 637-644
H. J. Lee, J. H. Oh, June 2020, A Study on the Intelligent Restoration Algorithm for
Distribution Substations with Extended Topology, Trans. KIEE, Vol. 69, No. 6, pp.
846-854
G. Lambert-Torres, H. G. Martins, et al., 2009, New Technology Applied to a Restoration
of Electrical Power Substation, IEEE T&D Asia 2009, pp. 1-4
B. N. Nguyen, A. H. Quyen, et al., 2017, Wavelet-Based Neural Network for Recognition
of Faults at NHABE Power Substation of the Vietnam Power System, 2017 International
Conference on System Science and Engineering, pp. 165-168
D. Zhou, Z. Wang, Y. Zhou, et al., Jun 2020, Research on Automatic Test Technology
for Field Operation and Maintenance of Intelligent Substation, 2020 5th Asia Conference
on Power and Electrical Engineering, pp. 11-15
X. Zhang, Y. Liu, et al., Mar 2012, Power Grid Fault Diagnosis Based on Smart Substation,
2012 Asia-Pacific Power and Energy Engineering Conference, pp. 1-4
W. Y. Yu, V. W. Soo, M. S. Tsai, May 2015, Power distribution system service restoration
bases on a committee-based intelligent agent architecture, Engineering Applications
of Artificial Intelligence, Vol. 41, pp. 92-102
KEPCO, 2008, Substation device number assignment criteria, DS-0010, pp. 1-8
저자소개
He was born in Korea.
He received his B.S. and M.S. degrees in Electrical Engineering from Gangneung-Wonju
National University, Wonju, Korea, in 2014 and 2017.
At present, he is working on his Ph.D in the Department of Electrical Engineering
at Gangneung-Wonju National University.
His research interests include Power IT, LVDC, Microgrid, RES, PMU, AI application
of power system, power system modeling & control, and power system protection. He
is a member of the KIEE, KIIEE, and IEEE.
Tel : 033-760-8796, Fax : 033-760-8781
E-mail : point2529@naver.com
He was born in Korea.
He received his B.S. in Math from Yonsei University, Seoul, Korea, in 1985, B.S. in
Computer Science, M.S. in Math and Ph.D. degrees in Computer Science from Korea University,
Seoul, Korea, in 1988, 1991, and 1996, respectively.
He is a professor in the Department of Computer Science & Engineering at Gangneung-Wonju
National University, since 1997.
His research interests include Artificial Life, Artificial Intelligence, Complex Systems,
Soft Computing, Network Theory. and Chaos & Fractals.
Tel : 033-760-8666, Fax : 033-760-8661
E-mail : twkang@gwnu.ac.kr
He was born in Korea.
He received his B.S. degrees in Electrical Engineering from Gangneung-Wonju National
University, Wonju, Korea in 2019, Currently, he is pursuing a M.S. degree at the Gangneung-Wonju
National University.
His research interests include power IT, IED, LVDC, Microgrid, PMU, power system modeling
and control, and AI application in power system.
He is a member of the KIEE, and KIIEE.
Tel : 033-760-8796, Fax : 033-760-8781
E-mail : wodud7766@naver.com
He was born in Korea. He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering
from Sungkyunkwan University, Seoul, Korea, in 1988, 1990, and 1996, respectively.
From 1989 to 1993 he was an associate researcher at Lucky GoldStar Industrial Systems.
From 1993 to 1996, he was a senior researcher at PROCOM system and lecturer at S.K.K.
University. At present, he is a professor in the Department of Electrical Engineering
at Gangneung-Wonju National University, since 1997.
His research interests include power IT, IED, LVDC, HVDC, Microgrid, RES, PMU, AI
application to power grid, power system modeling & control, and computer application
in power system.
He is a member of the KIEE, KIIEE, and IEEE. Dr. Park was awarded the Paper Prize
of KIEE in 2010 and the Paper Prize of the KOFST in 2017.
Tel : 033-760-8786, 033-640-2972, 2749
Fax : 033-760-8781, 033-640-2747
E-mail : cwpark1@gwnu.ac.kr