Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

  1. (Dept. of Electrical Engineering, Kyungnam University)
  2. (School of Electrical and Electronic Engineering, Hongik University, Korea.)



Distribution Automation, Machine Learning, Neural Network, Voltage Compensation, Renewable Energy

1. 서 론

신재생에너지 전원의 보급이 확대됨에 따라 배전계통 운영에서 전압관리의 중요성이 증가하고 있다. 전압을 관리하기 위해서는 계통을 실시간으로 감시하고 규정범위 이내로 유지해야 한다. 분산전원 계통연계 인버터의 무효전력을 제어하거나 OLTC의 탭을 제어함으로써 배전계통 전압을 규정전압 이내로 관리할 수 있다. 기존 제어방법의 대부분은 전압 측정치 기반으로 동작하므로 효과적인 제어를 위해서는 정확한 계측치가 필요하다.

그러나 일반적으로 1차측 특고압 배전계통은 계기용변성기를 이용한 전압 측정방식 자체적인 문제로 전압 계측 시 오차가 높다(1). 설치공간의 제약으로 인해 붓싱 전압을 측정하므로 1[%] 이상의 계측 오차를 포함하고 있다. 실무적으로 생각되는 전압 규정범위가 1~3[%] 이기 때문에 1차측 전압 측정치를 이용해서는 전압을 관리할 수 없다.

본 논문에서는 이를 해결하는 방안으로 머신러닝을 이용한 전압보정 방법을 연구하였다. 저압 분산전원이 설치된 배전변압기 2차측의 정확한 측정전압을 전압관리 대상인 1차측 22.9[kV] 특고압으로 환산하는 방법을 사용하였다. 이 과정에서 발생하는 배전변압기 탭, 전압강하, 철심 특성으로 인한 오차를 해소하기 위해 신경망을 이용한 추정방식을 제시하였다.

딥러닝은 이미지 및 음성 인식, 자연어 처리 등 여러 분야에 적용된다. 전력 분야에 딥러닝 기법을 적용하기 위한 연구 또한 활발히 이루어지고 있다. 국내에서는 과거의 일사량과 부하 데이터를 바탕으로 RNN(Recurrent Neural Network)-LSTM (Long-Short Term Memory)과 FFNN(Feed Forward Neural Network)을 통해 부하 및 일사량을 예측하여 OLTC(On-Load Tap Changer)의 동작 스케줄링을 결정하는 기법이 제안되었다(2). 참고문헌 (3)에서는 빅데이터를 바탕으로 의사결정트리와 인공신경망을 통해 전력수요 및 기상정보와 환율 및 유가와 같은 기상외 데이터까지 신경망에 학습하여 전력수요를 예측하는 B-ANN(Bigdata- based Artificial Neural Network) 모델이 제안되었다. 국외에서는 스마트미터 등에서 취득된 데이터를 바탕으로 FFNN 기반 부하예측 기법(4), LSTM을 이용한 한시간 간격의 부하 예측기법(5)이 제안되었다. 부하의 Flexibility을 보장하고 수요 반응 Reference를 도출하는 방안(6), LSTM을 이용한 날씨기반 발전량 예측기법(7)도 제안되었다. 하지만 기존의 연구에서 제안된 기법들은 최소 수 시간 전에 부하 및 발전량을 예측하고 OLTC의 동작이나 수요 반응과 같은 하루 단위 이상의 계획을 세우기 위한 것이므로 현장의 실시간 전압감시에 활용할 수 없다. 따라서 분산전원 설치점 전압을 규정범위 내로 정확히 유지하기 위해 현장의 실시간 계측에 기반한 기술이 필요하다.

본 논문에서는 배전변압기 전압변환 특성을 학습한 신경회로망을 이용해 2차측 전압으로 1차측 특고압 전압을 실시간으로 정확히 추정해내는 방법을 제안한다. 저압-특고압 전압변환 시 오차가 발생하는 원인에 대해 분석하고 오차를 보정하기 위해 구성한 신경회로망을 제시하였다. 전압 추정방안을 검증하기 위한 환경을 구축하였으며 사례연구를 통해 본 논문에서 제안된 방법의 유용성을 검증하였다.

2. 저압-특고압 전압 변환오차

2차측에서 정확한 전압을 측정할 수 있지만 궁극적으로 관리되어야 하는 것은 1차측의 전압이다. 단순하게 생각하면 배전변압기 2차측에서 측정된 전압에 권수비를 곱하면 1차측 전압으로 환산할 수 있다. 하지만 배전변압기의 탭, 전압강하, 철심 자화특성의 비선형성 등으로 권수비를 곱하는 단순한 방법으로는 2차측 전압으로부터 1차측 전압을 계산할 수 없다.

2.1 2차측 전압변환 필요성

일반적으로는 배전변압기 2차측에서 저압을 측정하고 이를 기반으로 1차측의 특고압 전압을 추정해야 한다. 배전선로의 규정전압을 유지하기 위해 분산전원의 무효전력을 제어하기 위해서는 전압을 정확히 알 수 있어야 한다. 그림 1에서 보는 바와 같이 저압 분산전원은 배전변압기 2차측의 저압선로에 설치된다. 설치점에서 저압 전압을 측정하고 이를 기반으로 무효전력 제어량을 결정한다. 그러나 배전운영자의 전압제어 목표는 배전변압기 1차측의 특고압 전압이다. 2차측에서 측정된 전압에 권수비를 곱하는 방법으로는 1차측의 전압을 계산할 수 없다. 배전변압기는 계기용변성기가 아니므로 전압 크기의 정밀한 변성을 기대할 수 없다.

그림. 1. 분산전원 연계 배전시스템 구성

Fig. 1. Distribution system with DGs

../../Resources/kiee/KIEE.2021.70.11.1617/fig1.png

그림 2는 전형적인 전압측정치 기반의 무효전력 제어 특성곡선을 나타내고 있다. 그림에서 1.03[pu]는 1차측의 정확한 전압이고, 1.02[pu]는 2차측 측정전압으로부터 환산된 0.01[pu]의 오차를 포함한 추정전압을 나타내고 있다. 정확한 전압이 1.03[pu]이므로 분산전원 용량의 50[%]에 해당하는 무효전력을 흡수해야 하지만, 1.02[pu]가 기준전압이 되었다면 25[%]의 무효전력만 흡수하게 되어 정확한 제어가 불가능하다.

그림. 2. 전압 기반 무효전력 제어곡선

Fig. 2. Q control based on V measurement

../../Resources/kiee/KIEE.2021.70.11.1617/fig2.png

2.2 전압 변환오차의 원인

배전용변압기는 계기용변성기와 달리 전압의 크기를 정확히 변환할 목적으로 설계된 것이 아니므로, 2차측에서 측정된 전압을 1차측 특고압 전압으로 정확히 환산하는 것은 불가능하다. 내부 전압강하, 철심 비선형성, 탭 포지션 등의 표면적인 원인 외에도 배전용변압기 제작과정을 살펴보면 정확한 전압의 변환은 기대하기 어렵다.

전력용 변압기는 권선저항과 누설 리액턴스로 구성되는 내부 임피던스에 의하여 전압강하가 발생한다. 부하량 및 역률에 따라 달라지지만 22.9[kV] 배전용변압기의 경우 최대 6[%]의 전압강하가 발생하는 것으로 알려져 있다. 변압기 전압강하는 2차측에서 측정된 전압을 1차측 전압으로 환산하는데 오차로 작용한다.

그림. 3. 주상변압기 등가회로

Fig. 3. Equivalent circuit of distribution transformer

../../Resources/kiee/KIEE.2021.70.11.1617/fig3.png

그림 4에서 보는 바와 같이 변압기를 구성하는 철심은 고유한 재료의 성질에 따라 비선형적인 자화 특성을 가진다. 특히 배전용변압기는 철심의 크기를 줄이기 위하여 최대 자속밀도가 Knee point 근처에서 운전되도록 설계되기 때문에 전압 크기의 정확한 변환의 관점에서 비선형성의 영향이 크다고 볼 수 있다.

배전용변압기는 +5[%], 0[%], -5[%]의 3탭 변압기가 다수 사용되고 있다. 선로 인출단 근방에서는 부하가 많은 경우에 주변압기 ULTC 동작으로 인해 과전압이 발생 될 수 있으므로 –5[%] 탭을 사용하고, 말단에서는 저전압의 우려가 있으므로 +5[%] 탭이 적용된다. 배전용변압기의 탭 포지션을 확인하거나 변경하기 위해서는 전원을 차단해야 하므로 실계통 운영에서는 정확한 탭 포지션 확인이 어려워 전압환산에 적용하기가 어렵다.

그림. 4. 변압기 철심의 자화 특성

Fig. 4. Magnetizing characteristics of iron core

../../Resources/kiee/KIEE.2021.70.11.1617/fig4.png

3. 머신러닝 기반 전압보정 방안

2장에서 살펴본 바와 같이 배전용변압기 2차측에서 측정된 전압을 1차측으로 변환하는 과정에서 여러 가지 요인에 의한 오차가 포함된다. 각각의 요인에는 매우 비선형적인 특성이 포함되어 있어 정식화되기가 어렵다. 본 논문에서는 각 배전용변압기에 대하여 전압변성 특성을 머신러닝으로 학습하고, 학습된 신경회로망을 이용하여 2차측에서 측정된 전압으로부터 1차측의 전압을 추정하고자 한다.

그림 5는 신경회로망을 이용한 전압보정방법을 나타내고 있다. 중앙제어장치에서 수행하는 상태추정 결과와 2차측 분산전원에서 측정된 전압은 비교적 정확하다. 양측 전압의 관계를 신경회로망에 학습시키면 배전변압기의 변성특성을 학습하게 되어 정확한 추정이 가능하다. 신경회로망의 입력은 2차측에서 측정된 전압이고 출력은 추정된 1차측 전압이다. 학습데이터의 입력은 분산전원에서 측정된 전압이고, 출력은 배전자동화시스템 중앙제어장치의 상태추정값이다.

그림. 5. 신경회로망 전압보정 방식

Fig. 5. Voltage calibration by Neural network

../../Resources/kiee/KIEE.2021.70.11.1617/fig5.png

3.1 전압보정 시스템 구성

전압보정 시스템은 그림 6에서 보는 바와 같이 중앙제어장치, AI 기반 분산전원 연계장치 및 다수의 단말장치로 구성된다. 중앙제어장치는 상태추정 기능, 전압 취득/저장 기능 및 신경회로망 학습기능으로 구성되어 있다. 배전계통 상태추정 기능은 배전선로에 설치된 다수의 단말장치로부터 주기적으로 전압, 전류, 역률을 측정하고 상태추정 방법을 적용하여 각 노드의 전압과 위상을 정확히 계산한다. 전압 취득 및 저장 기능은 AI 기반 분산전원 연계장치로부터 하루에 대한 전압 측정치를 입력받고 저장한다. 신경회로망 학습기능은 상태추정값과 전압측정치를 바탕으로 다층 퍼셉트론으로 구성된 신경회로망 학습을 수행한다.

AI 기반 분산전원 연계장치는 전압을 측정하고 중앙제어장치로 전달하는 기능과 학습된 신경회로망의 Weight와 Bias를 입력으로 동작하는 기능으로 구성되어 있다. 하루에 대해 일정한 간격으로 전압을 취득하고 중앙제어장치로 전달하면 중앙제어장치에서 학습된 Weight와 Bias를 입력으로 전압을 보정할 수 있다.

그림. 6. 전압보정 시스템

Fig. 6. Voltage calibration system

../../Resources/kiee/KIEE.2021.70.11.1617/fig6.png

전압보정 시스템 동작 절차는 크게 4가지 단계로 구성된다. 먼저 전압을 측정하고 상태추정치를 취합하는 단계, 데이터를 보정하는 단계, 신경회로망 학습 단계, 신경회로망 구성 전달 및 운영 단계로 이루어진다. 첫 번째 단계에서는 분산전원 연계장치에서 중앙제어장치로 2차측 측정치를 하루에 대해 일정한 간격으로 전달한다. 중앙제어장치에서는 분산전원 연계장치에서 전달된 2차측 측정치를 취합한다. 또한, 단말장치에서 계측되는 전압과 전류를 이용하여 상태추정을 수행한 후 결과를 저장한다.

두 번째 단계에서는 상태추정치와 2차측 측정치를 신경회로망으로 학습하기 전 데이터를 동기화시키기 위해 측정 데이터에 보간법을 적용하여 1분 간격의 전압을 계산한다. 그림 7에서 (a)는 측정된 전압에 대한 그래프를 나타내고 있으며 (b)와 (c)는 전압 측정치에 보간법을 적용하여 등간격의 데이터를 추출하는 그래프를 나타내고 있다.

그림. 7. 보간법에 의한 데이터 보정

Fig. 7. Data correction by interpolation method

../../Resources/kiee/KIEE.2021.70.11.1617/fig7.png

세 번째 단계에서는 2차측 계측치와 상태추정치에 대한 신경회로망을 구성하고 학습한다. 중앙제어장치에서는 상태추정 모듈과 2차측 전압 취득 및 저장 모듈을 이용하여 만들어진 데이터를 바탕으로 지도학습을 수행한다. 주상변압기에 의한 전압강하도 전압보정 시 영향을 미치기 때문에 전류와 역률도 고려되어야 한다. 신경회로망은 다중 입력 변수를 고려하기 위해 다층 퍼셉트론으로 구성하였다.

마지막 단계에서는 중앙제어장치에서 학습된 신경회로망에 대한 Weight와 Bias를 AI 기반 분산전원 연계장치로 전달한다. 분산전원 연계장치에서는 2차측 측정전압과 상태추정치의 상관관계가 학습된 신경회로망을 이용하여 전압을 보정할 수 있다. 분산전원은 AI 기반 분산전원 연계장치로부터 보정된 전압을 입력으로 무효전력 제어 로직을 동작할 수 있다.

3.2 신경회로망 기반 학습

제안하는 방법의 목적은 분산전원 2차측 전압을 이용하여 1차측 전압을 추정하는 것이다. 분산전원으로 인한 과전압을 해소하기 위해서는 전압 계측치를 기준으로 무효전력을 제어해야 한다. 1차측 전압 측정치는 오차를 포함하고 있어 부정확하지만 2차측 전압 측정치는 정확하다. 궁극적으로 배전 운영자가 관리하고자 하는 것은 1차측의 특고압 전압이므로 저압 전압을 특고압으로 정확히 변환해야 한다. 주상변압기 전압강하, 철심 포화특성 등의 이유로 저압을 특고압으로 변환하는 특성이 비선형적이다. 본 논문에서 제안하는 전압보정방법은 2차측과 상태추정으로 정확히 계산한 1차측 전압의 관계를 학습하여 저압 측정전압을 바탕으로 특고압 전압을 정확히 도출하는 것이다.

머신러닝은 일반적으로 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 강화 학습(Reinforcement Learning)으로 구성되며 지도학습은 분류(Classification)와 회귀(Regression)로 나누어진다. 지도학습방법 중 하나인 회귀방식은 학습되는 데이터의 형태에 따라 선형 회귀(Linear Regression)와 비선형 회귀(Nonlinear Regression)로 분류된다.

본 논문에서는 시뮬레이터를 통해 데이터를 추출하고 지도학습인 비선형 회귀분석(Nonlinear Regression) 기법을 적용하였다. 제안하는 방법은 비선형적인 특성을 가지므로 다층 퍼셉트론(MLP: Multi-Layer Perceptron)을 사용하여 신경회로망을 구성하였다. 퍼셉트론은 신경망을 이루는 가장 기본이 되는 단위로 입력값과 활성화 함수를 이용한 출력값을 다음 스텝으로 전달한다. 다층 퍼셉트론은 단층과 달리 입력층과 출력층 사이에 은닉층(Hidden Layer)을 두고 학습할 수 있다. 각 층에서의 Weight와 Bias를 임의의 값으로 설정하고 역전파(Backpropagation)를 적용하여 출력층의 결과값과 실제값의 오차가 허용범위 이내가 되도록 각 층의 가중치를 업데이트하며 학습을 수행한다.

그림 8에서는 본 논문에서 사용한 다층 퍼셉트론의 일반적 구조를 제시하고 있다. 입력은 2차측 전압, 전류 및 역률이고 출력은 1차측 전압이다. 변환 과정에서 주상변압기에서 발생하는 전압강하가 미치는 영향을 고려하기 위해 전류와 역률 또한 신경회로망 입력으로 처리하였다.

그림. 8. 다층 퍼셉트론 구조

Fig. 8. Structure of Multi-Layer perceptron

../../Resources/kiee/KIEE.2021.70.11.1617/fig8.png

3.3 전압보정 검증환경 구축

지도학습은 정답이 주어진 데이터를 이용하여 학습하는 방법으로써 학습하고자 하는 데이터는 연속성을 가지기 때문에 데이터의 특징을 토대로 값을 예측할 수 있다. 학습을 수행하기 위한 데이터인 Training Set이 매우 중요하며 데이터가 있어야 지도학습을 적용할 수 있다. 본 논문에서는 제안하는 방법을 적용하기 위해 가상배전계통을 이용하여 신경회로망 학습에 필요한 데이터를 생성하였다. 학습데이터를 생성하기 위해 설계된 예제계통에 대한 시간대별 부하량을 변경하고 계측 오차를 적용하였다.

그림 9는 본 논문에서 제시하는 전압 보정방안을 검증하기 위한 시험환경을 나타내고 있다. 시험환경은 그림에서 보는 바와 같이 배전계통 시뮬레이션 도구인 ‘가상배전계통’과 중앙제어장치인 ‘KU_DMS’로 구성된다. ‘가상배전계통’은 한전에서 개발하고 있는 차세대배전지능화시스템(ADMS)의 성능검증을 위한 실시간 시뮬레이터이다. 한전의 실계통 운전 데이터를 기반으로 배전선로를 시뮬레이션하여 각 노드의 전압, 전류 및 위상을 계산한다. 실계통 FRTU에서 사용하는 DNP 3.0 프로토콜을 이용하여 데이터를 중앙제어장치로 전송한다. 중앙제어장치로 전송되는 데이터에는 실계통과 동일한 수준의 계측오차를 인위적으로 첨가하였다.

그림. 9. 시험환경 구성도

Fig. 9. Configuration of Test-Bed

../../Resources/kiee/KIEE.2021.70.11.1617/fig9.png

‘가상배전계통’은 ‘배전계통 해석모듈’, ‘FRTU 확장모듈’, ‘배전용변압기 확장모듈’, ‘저압계측 확장모듈’, ‘신경회로망 전압보정 모듈’으로 구성되어 있다. ‘배전계통 해석모듈’은 실시간으로 계통을 해석하고 ‘FRTU 확장모듈’은 개폐기별 전압, 전류, 위상을 ‘KU_DMS’로 전달한다. ‘배전용변압기 확장모듈’ 은 ‘배전계통 해석모듈’이 계산한 각 노드의 전압에 랜덤 파라미터에 기반한 내부 전압강하, 철심 비선형성, 탭 포지션을 적용하여 배전용변압기 2차측 전압을 계산한다. ‘저압계측 확장모듈’은 ‘배전용 변압기 확장모듈’ 이 계산한 배전용변압기 2차측 저압 전압을 임의의 주기로 저장하고 ‘KU_DMS’로 전송한다. ‘신경회로망 전압보정 모듈’은 ‘KU_DMS’로부터 전달받은 Weight와 Bias를 입력으로 전압을 보정한다.

‘KU_DMS’ 는 저자 등이 개발한 배전자동화시스템(DMS: Distribution Management System)의 중앙제어장치로써 FEP 모듈, 상태추정 모듈, 신경회로망 학습모듈으로 구성되어 있다. ‘KU_DMS’는 ‘FEP 모듈’을 이용하여 ‘가상배전계통’으로부터 각 개폐기 설치점의 전압, 전류, 위상을 주기적으로 계측하고 ‘상태추정 모듈’을 이용하여 배전계통 각 노드의 전압을 계산한다. ‘저압계측 확장모듈’으로부터 배전변압기 2차측 저압 전압을 취득하여 신경회로망 학습을 수행하고 학습결과를 전달한다. ‘신경회로망 학습모듈’을 통해 신경회로망 학습을 수행하여 Weight와 Bias를 생성한다. 생성된 Weight와 Bias는 ‘저압계측 확장모듈’로 다운로드 되고, 신경회로망을 이용한 전압보정은 ‘가상 배전계통’의 ‘신경회로망 전압보정 모듈’에서 수행된다.

4. 사례연구

본 논문에서 제안된 머신러닝 기반 전압보정방안의 유용성을 검증하기 위하여 검증환경을 구축하였다. 검증환경은 3.3장에서 언급한 바와 같이 중앙제어장치와 가상배전계통으로 구성되어 있다. 가상배전계통에서 학습에 필요한 데이터를 생성하면 중앙제어장치를 통해 신경회로망을 학습하였다. 학습된 결과를 신경회로망 전압보정 모듈에 전달하여 사례연구를 수행하였다. 그림 10에서 제시된 예제선로는 한국전력공사 정읍지사의 태농선로를 바탕으로 설계하였으며 총 11개의 개폐기와 1개의 분산전원으로 구성된다.

그림. 10. 예제선로

Fig. 10. Example distribution line

../../Resources/kiee/KIEE.2021.70.11.1617/fig10.png

표 1은 예제선로의 구간별 선종과 긍장을 나타내고 있으며 분산전원의 발전량은 100[kW]이다.

표 1. 예제선로의 선종 및 긍장

Table 1. Type and length in example distribution line

시작

노드

노드

전력선

중성선

긍장

(km)

S/S

SW1

TR-CNCV

TR-CNCV

0.38

SW1

SW2

AWOC-058

ACSR-058

2.85

SW2

SW3

AWOC-160

ACSR-095

2.8

SW3

SW4

AWOC-095

ACSR-095

3.1

SW4

SW5

AWOC-095

ACSR-095

2.79

SW5

SW6

AWOC-160

ACSR-095

0.95

SW6

SW7

AWOC-160

ACSR-095

2.8

SW2

SW8

AWOC-095

ACSR-058

0.25

SW4

SW9

AWOC-240

WO-100

0.01

SW6

SW10

AWOC-058

ACSR-032

0.4

SW3

SW11

AWOC-058

ACSR-058

0.05

SW10

DG

AWOC-160

ACSR-095

0.02

4.1 학습횟수에 따른 오차율 비교

그림 11표 2는 2차측과 1차측 전압의 상관관계를 학습하기 위한 신경회로망을 나타내고 있다. 그림과 표를 통해 알 수 있는 것처럼 신경회로망은 다층 퍼셉트론으로 구성되었으며 입력층, 은닉층 5개 및 출력층으로 분류된다. 입력층, 은닉층 및 출력층별 뉴런 개수는 각각 3개, 128개, 128개, 64개, 32개, 32개 및 1개로 이루어진다.

그림. 11. 신경회로망 구조

Fig. 11. Structure of neural network

../../Resources/kiee/KIEE.2021.70.11.1617/fig11.png

표 2. 신경회로망 파라미터

Table 2. Parameters of neural network

구분

뉴런 개수

활성화 함수

Input Layer

3

ReLU

Hidden Layer 1

128

ReLU

Hidden Layer 2

128

ReLU

Hidden Layer 3

64

ReLU

Hidden Layer 4

32

ReLU

Hidden Layer 5

32

Linear

Output Layer

1

-

표 3은 학습을 위한 Training set의 일부를 나타내고 있다. 하나의 배전용변압기에 대해 총 250개의 학습데이터를 입력하였다. 표에서 보는 바와 같이 입력 데이터는 2차측 전압, 전류 및 역률이고 출력 데이터는 1차측 전압이다.

표 3. 학습 데이터

Table 3. Training data

입력 데이터

출력 데이터

2차측 전압

2차측 전류

2차측 역률

1차측 전압

203.07

4.3752

0.9924

12588

203.21

4.3769

0.9925

12596

203.34

4.3784

0.9926

12604

203.50

4.3804

0.9927

12615

203.70

4.3827

0.9928

12627

203.88

4.3848

0.9929

12638

204.06

4.3869

0.9930

12649

204.21

4.3888

0.9931

12659

204.39

4.3909

0.9932

12670

204.60

4.3933

0.9933

12683

204.63

4.3937

0.9933

12685

204.83

4.3961

0.9934

12698

205.00

4.3980

0.9935

12708

205.18

4.4002

0.9936

12720

205.47

4.4036

0.9937

12738

205.70

4.4063

0.9938

12752

205.86

4.4081

0.9939

12762

205.99

4.4097

0.9940

12770

209.08

4.4462

0.9953

12963

그림 12는 상태추정값과 학습횟수가 5회, 20회 및 100회인 경우의 신경회로망 출력값 분포를 비교한 그래프를 나타내고 있다. 그래프를 통해 학습횟수가 많을수록 결과 출력값이 상태추정치와 근사하게 도출되는 것을 알 수 있다.

그림. 12. 학습횟수 증가에 따른 신경망 추정전압 비교

Fig. 12. Comparison of estimated voltage by number of epochs

../../Resources/kiee/KIEE.2021.70.11.1617/fig12.png

표 4는 학습횟수에 따른 신경회로망 결과값과 상태추정치와의 오차를 나타내고 있다. 학습횟수가 5회일 때 최대 오차가 0.18[%]인 것에 비해 100회 학습하였을 때 오차는 최소 0.001[%]로 학습횟수가 늘어날수록 전압 추정의 정확성이 향상됨을 확인할 수 있다.

표 4. 학습횟수에 따른 오차

Table 4. Error according to the number of learning

5회 학습

20회 학습

100회 학습

전압

[V]

오차

[%]

전압

[V]

오차

[%]

전압

[V]

오차

[%]

12701

0.072

12708

0.018

12709

0.013

12720

0.076

12727

0.023

12728

0.014

12739

0.080

12746

0.028

12747

0.017

12767

0.085

12774

0.033

12776

0.013

12795

0.097

12802

0.041

12805

0.014

12831

0.111

12840

0.045

12845

0.009

12850

0.121

12859

0.046

12865

0.007

12877

0.136

12889

0.046

12894

0.004

12886

0.143

12899

0.046

12904

0.004

12904

0.154

12918

0.046

12924

0.001

12922

0.169

12938

0.048

12944

0.002

12939

0.183

12957

0.049

12963

0.001

4.2 하루 시간대별 부하량 변경

시간대별 부하가 변경되는 상황에서 전압보정의 정확성을 검증하기 위한 사례연구를 수행하였다. 신경회로망은 4.1장의 그림 11표 2와 같이 구성하였으며 Training Data는 표 3의 데이터를 사용하였다. 그림 13은 시뮬레이션에 사용된 구간별 부하패턴을 나타내고 있다. 그래프에서 보는 것과 같이 12시에 부하량이 가장 크고 새벽 시간대에 부하량이 작은 부하패턴을 산정하였다. 선로의 최소 및 최대 부하는 각각 3900[kW]과 9700[kW]이다.

그림. 13. 시간대별 부하곡선

Fig. 13. Hourly load pattern

../../Resources/kiee/KIEE.2021.70.11.1617/fig13.png

표 5는 시간에 따른 전압보정결과와 상태추정치를 비교하고 있으며 시간별 부하량이 변경되더라도 오차가 최대 0.025[%]로 매우 작음을 알 수 있다. 시뮬레이션 결과를 통해 시간대별 부하가 변경되더라도 1차측 전압을 정확히 보정할 수 있음을 확인할 수 있다.

표 5. 시간대별 전압보정 오차 비교

Table 5. Hourly voltage correction error comparison

시간

[h]

추정전압

[V]

전압보정

[V]

절대오차

[V]

상대오차

[%]

1

12963

12962

1.15

0.009

2

12954

12953

1.13

0.009

3

12944

12943

1.13

0.009

4

12924

12923

0.97

0.007

5

12895

12894

1.18

0.009

6

12846

12844

1.76

0.013

7

12778

12775

2.97

0.022

8

12730

12727

3.33

0.025

9

12711

12708

3.11

0.024

10

12653

12651

2.37

0.018

11

12615

12615

0.21

0.002

12

12587

12587

0.77

0.006

13

12597

12597

0.33

0.003

14

12624

12625

0.51

0.004

15

12653

12651

2.25

0.017

16

12692

12689

2.72

0.021

17

12730

12727

3.27

0.025

18

12749

12746

3.50

0.026

19

12769

12765

3.42

0.026

20

12807

12805

2.64

0.020

21

12866

12864

1.55

0.012

22

12905

12903

1.17

0.009

23

12924

12923

1.03

0.008

24

12963

12962

1.12

0.008

5. 결 론

본 논문에서는 주상변압기 2차측에서 측정된 전압을 1차측의 특고압 전압으로 보정하는 방안을 제시하였다. 상태추정기법을 활용하여 정확히 계산된 1차측 전압과 2차측 측정치의 상관관계를 딥러닝 기법을 이용하여 학습하였다. 가상배전계통을 이용한 사례연구를 통해 제안하는 방법의 유용성을 검증하였다. 최근 분산전원 연계 수용성 확대로 인한 전압 관리의 필요성이 더욱 증가하고 있다. 제안하는 방법을 적용하면 특고압 전압의 측정오차 문제를 해결할 수 있으므로 배전계통의 분산전원 수용성 향상에 기여할 수 있다. 향후 신재생 에너지원이 증가되는 운전상황에서 제안하는 전압보정방안을 적용함으로써 전압을 효율적으로 관리할 수 있을 것으로 기대된다.

Acknowledgements

이 연구결과물은 2020학년도 경남대학교 대학특성화연구비 지원에 의한 것임.

References

1 
KEPCO department of distribution planning division of distribution technology, 2016, Development of high-precision distribution functionalistic equipment, pp. 2Google Search
2 
G. H. Won, I. Y. Chung, H. K. Kang, 2020, Distribution System Voltage Control based on Forecast using Machine Learning to Increase the Hosting Capacity of Renewables, Trans. KIEE, Vol. 69, pp. 1165-1173Google Search
3 
J. W. Lee, H. J. Kim, M. K. Kim, 2020, Design of Short-Term Load Forecasting based on ANN Using Bigdata, Trans. KIEE, Vol. 69, pp. 792-769DOI
4 
L. Voynichka, Machine learning for the smart grid, http:// cs229.stanford.edu/proj2014/Iliana%20Voynichka,%20Machine%20Learning%20for%20the%20Smart%20Grid.pdfGoogle Search
5 
D. L. Marino, K. Amarasinghe, M. Manic, 2016, Building energy load forecasting using deep neural networks, IECON 2016-42nd Annual Conference of the IEEE Industrial Electronics SocietyDOI
6 
Pedro Paulo Marques do Nascimento, 2016, Application of deep learning techniques on NILM, M. S. thesisGoogle Search
7 
A. Gensler, J. Henze, B. Sick, N. Raabe, 2016, Deep learning for solar power forecasting-an approach using AutoEncoder and LSTM neural networks, IEEE International Conference on Systems, Vol. manDOI

저자소개

안재국(Jae-Guk An)
../../Resources/kiee/KIEE.2021.70.11.1617/au1.png

2019년 경남대학교 전기공학과 졸업.

2021년 동 대학원 메카트로닉스공학과 졸업(석사).

현재 동 대학원 메카트로닉스공학과 박사과정.

송진욱(Jin-Wook Song)
../../Resources/kiee/KIEE.2021.70.11.1617/au2.png

2020년 경남대학교 전기공학과 졸업.

현재 동 대학원 메카트로닉스공학과 석사과정.

임성일(Seongil Lim)
../../Resources/kiee/KIEE.2021.70.11.1617/au3.png

1994년 명지대학교 전기공학과 졸업.

1996년 동 대학원 전기공학과 졸업(석사).

2004년 동 대학원 전기공학과 졸업(박사).

현재 경남대학교 전기공학과 교수.