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

  1. (Dept. of Electrical Engineering, Pukyong National University, Korea.)
  2. (Dept. of Energy ICT Convergence Research, Korea Institute of Energy Research, Korea.)



Distribution system, Network topology estimation, Parameter estimation, Pearson's correlation coefficient, Sliding window algorithm

1. 서 론

전 세계적인 저탄소 녹색성장 기조와 다양한 정책으로 인해 신재생 에너지원의 계통 연계는 지속적으로 증가하고 있다 (1), (2). 그러나 태양광 및 풍력과 같은 출력 변동성이 큰 가변 재생 에너지원(variable renewable energy: VRE)의 발전 비율이 증가할수록 공급의 불확실성, 과전압 및 역조류 등의 여러 문제가 발생할 수 있다 (3). 이러한 문제를 해결하기 위해 지속적인 계통 감시 시스템을 비롯해 다양한 전압제어 기술에 대한 연구가 수행되고 있다 (4)-(6). 보다 고도화된 전압제어 기술 확보를 위해서는 상세한 계통 정보가 요구되나 고압 계통과 달리 저압 배전계통의 경우 계통 파라미터에 대한 정보가 한정적이며 계통 정보를 구축하는 데 많은 인력과 시간이 요구되는 어려움이 있다 (7). 이에 배전계통 파라미터 및 토폴로지 추정 관련 연구들이 활발히 이루어지고 있다 (8)-(10). 참고문헌 (8)에서는 마이크로 PMU 측정 데이터와 상태 추정 알고리즘에 기반한 계통 토폴로지 추정 방법이 소개되었다. 그러나 해당 방법은 별도의 계측 시스템의 구축이 필요하고 계측 장비의 구성에 따라 부분적인 계통 토폴로지 추정만 가능한 한계가 있다. 최근에는 AMI (advanced measurement infrastructure, 양방향 검침 인프라)와 같은 스마트 미터 보급 확대에 따라 계측 데이터를 활용한 계통 토폴로지 및 선로 파라미터 추정 방법들이 소개되고 있다 (9), (10). 해당 방법에서는 조합 가능한 직, 병렬 회로 방정식에 대해 AMI 계측 데이터와 선형 회귀 알고리즘(linear regression algorithm)을 이용하여 선로 파라미터를 추정하고 피어슨의 상관계수(Pearson’s correlation coefficient)로부터 토폴로지를 결정하게 된다. 정책적으로 확대 보급되고 있는 AMI와 같은 스마트 미터의 계측 데이터를 활용하는 방법이라는 측면에서 큰 장점을 가지는 방법이다. 그러나 피어슨의 상관계수는 AMI 측정 전압과 회로 선형 모델로부터 추정된 전압과의 선형성만을 평가하는 값으로 회로 모델에 대한 선로 파라미터의 정확도에 따라 연결성이 없는 경우에도 상관계수가 매우 높게 나올 수 있기 때문에 토폴로지 추정에 오류가 발생할 수 있다.

이에 본 논문에서는 슬라이딩 윈도우 알고리즘(sliding window algorithm) 기반의 새로운 계통 토폴로지 추정 방법을 제안한다. 선형 상관계수에 따른 토폴로지 결정법의 단점을 극복한 방법으로 설정한 데이터 창(data window)의 연속적인 슬라이딩(sliding) 구간에 대해 파라미터를 추정하고 각 구간의 결과로부터 토폴로지를 결정하게 된다. 전체 데이터 셋에 대한 단일 값의 상관계수보다 분할 구간에서의 반복적인 추정 결과를 기반으로 함으로써 보다 정확한 추정 결과를 얻을 수 있다. PSCAD/EMTDC를 이용한 다양한 조건의 사례연구를 통해 제안 방법의 성능을 검증하였다.

2. 상관계수를 이용한 계통 토폴로지 추정

2.1 회로 방정식 및 선로 파라미터 추정

배전계통 토폴로지 및 파라미터 추정을 위해서는 그림 1과 같이 모든 말단부에서의 전압(V) 및 전력(P, Q)의 계측이 필요하며 또한 계측 지점간의 직, 병렬 조합에 따른 회로 방정식의 수립이 필요하다. AMI와 같은 스마트 미터를 통해 필요데이터의 취득이 가능하며 기본적으로 계측 포인트가 많을수록 신뢰도 높은 추정이 가능하다.

그림. 1. 데이터 측정 및 계통 토폴로지 추정

Fig. 1. Data measurement and network topology estimation

../../Resources/kiee/KIEE.2021.70.11.1655/fig1.png

그림 2와 같은 회로에서 양단의 전압과 전력이 계측될 경우 선로에서의 전압강하 근사식은 식(1)과 같다.

그림. 2. 선로에서의 전압강하

Fig. 2. Voltage drop on a line

../../Resources/kiee/KIEE.2021.70.11.1655/fig2.png

(1)
$V_{drop}=\left | V_{\mathrm{s}}\right | -\left | V_{\mathrm{r}}\right |\approx(RP+XQ)/\left | V_{\mathrm{r}}\right | =RI_{R}+X I_{X}$

여기서 $V_{\mathrm{s}}$는 송전단 전압, $V_{\mathrm{r}}$는 수전단 전압, $P$, $Q$, $I_{R}$ 및 $I_{X}$는 각각 유효전력, 무효전력, 실수부 전류($I_{R}=I(PF)$) 및 허수부 전류($I_{X}=I\sqrt{1-(PF)^{2}}$)이다 (11), (12).

이를 바탕으로 계측 지점간의 연결 가능한 직, 병렬 조합에 대한 전압 강하식은 식(2)와 (3)과 같이 나타낼 수 있다. 그림 3과 같이 직렬 조합은 하나의 선로를 통해 분기점에 연결된 형태이며 병렬 조합은 계측 지점이 분기점에 2개의 선로로 연결되어 있는 형태를 나타낸다.

(2)
$\left | V_{1}\right | -\left | V_{2}\right | = I_{R1}R_{1}+ I_{X1}X_{1}+I_{R2}R_{2}+ I_{X2}X_{2}+\epsilon$

(3)
$\left | V_{1}\right | -\left | V_{2}\right | = I_{R}R + I_{X}X +\epsilon$

그림. 3. 선로 연결 형태에 따른 토폴로지 구성

Fig. 3. Topology configuration for line connection types

../../Resources/kiee/KIEE.2021.70.11.1655/fig3.png

다음으로 직, 병렬 조합에 따른 회로 방정식과 전압 및 전력의 계측 데이터를 이용하여 선로 파라미터(R, X)를 선형 회귀법을 이용하여 산출하게 된다. 식(2)와 (3)을 행렬 형태의 선형 방정식으로 나타내면 식(4)와 같다. 식(4)에 대해 최소 제곱법(least square method)을 적용하여 식(5)와 같이 선로 파라미터의 추정 해($\hat\theta$)를 구할 수 있다.

(4)
$Y =\beta\theta +\epsilon$

(5)
$\hat\theta =\left(\beta^{T}\beta\right)^{-1}\beta^{T}Y$

여기서, $Y =\left | V_{1}\right | -\left | V_{2}\right |$, $\epsilon$는 오차(bias error), 병렬인 경우 $\beta =[I_{R1}I_{X1}I_{R2}I_{X2}]$, $\theta =\left[R_{1}X_{1}R_{2}X_{2}\right]^{T}$이며, 직렬인 경우 $\beta =[I_{R}I_{X}]$, $\theta =[R X]^{T}$이다.

2.2 상관계수에 기반한 토폴로지 결정

추정된 선로 파라미터와 측정 지점간의 연결 가능한 직, 병렬 조합에 대해 피어슨의 상관계수를 도출한다. 피어슨의 상관계수($\rho$)는 식(6)과 같이 계산되며, 두 계측 지점간의 측정 전압의 차와 추정된 회로 모델에 대한 전압 차의 선형 관계성을 나타낸다. 상관계수가 1에 가까운 값을 가질수록 선형 관계가 뚜렷함을 의미한다. 따라서 기존의 토폴로지 추정 방법에서는 측정 지점간의 상관계수가 가장 높은 조합으로 토폴로지를 결정하게 된다 (9).

(6)
$\rho =\dfrac{\sum_{i=1}^{n}\left(V_{i}^{m}-\overline{V^{m}}\right)\left(V_{i}^{p}-\overline{V^{p}}\right)}{\sqrt{\sum_{i=1}^{n}\left(V_{i}^{m}-\overline{V^{m}}\right)^{2}}\sqrt{\sum_{i=1}^{n}\left(V_{i}^{p}-\overline{V^{p}}\right)^{2}}}$

여기서, $n$은 전체 측정 데이터 수, $V_{i}^{m}$은 $i$번째 측정된 두 지점 간의 전압 차이며, $\overline{V^{m}}$은 전체 $n$개에 대한 $V_{i}^{m}$의 평균값이다. $V_{i}^{p}$는 $i$번째 추정된 전압 차이며, $\overline{V^{p}}$은 전체 $n$개에 대한 $V_{i}^{p}$의 평균값을 나타낸다.

그림. 4. 상관계수에 기반한 계통 토폴로지 결정 방법

Fig. 4. Estimation method of network topology based on Pearson’s correlation coefficient

../../Resources/kiee/KIEE.2021.70.11.1655/fig4.png

그림 4는 상관계수에 기반한 계통 토폴로지 결정 절차를 나타낸 것으로 먼저 가장 말단 측점 지점간의 연결조합에 대해 상관계수가 높은 순으로 토폴로지를 결정한다. 다음으로 결정되지 않은 분기점과의 연결 가능 조합에 대해 반복적으로 상관계수를 산출하여 최종 토폴로지를 결정하게 된다. 그러나 해당 방법은 토폴로지 결정에 있어 측정 전압과 추정 전압의 선형성만을 고려하기 때문에 선로 파라미터 추정 정확도에 따라 결과가 크게 달라지는 문제가 있다.

3. 슬라이딩 윈도우 알고리즘 기반의 토폴로지 추정

본 논문에서는 피어슨 상관계수에 기반한 기존 토폴로지 결정법의 문제점을 개선하기 위해 슬라이딩 윈도우 알고리즘(sliding window algorithm)을 이용한 토폴로지 및 파라미터 추정 방법을 제안한다. 제안 방법에서는 일정 크기의 데이터 창(data window: DW)의 연속적인 슬라이딩(sliding) 구간에 대해 선로 파라미터를 산출하고 전체 구간에 대한 추정 결과와의 비교를 통해 파라미터 추정의 유효성을 평가하고 최종 토폴로지를 결정한다. 먼저 측정 지점간의 모든 연결조합에 대한 회로 방정식을 수립하고 전체 데이터 구간에 대해 선로 파라미터를 추정한다. 다음으로 그림 5(a)와 같이 일정 크기의 DW를 설정한 후 슬라이딩을 하여 각 DW에 대한 선로 파라미터를 추정한다. 그림 5(b)와 같이 전체 데이터 구간에 대한 추정 결과와 각 DW에 대한 추정 결과의 변화율이 설정한 임계값 이내일 경우 파라미터 추정 결과를 신뢰하여 계통의 토폴로지를 결정하게 된다. 선로 파라미터 추정(line parameter estimation: LPE)의 변화율은 식(7)과 같이 계산된다.

(7)
$\triangle\mathrm{LPE}(n)=\dfrac{\sum_{\mathrm{i}=1}^{k}\left(\left |\dfrac{\mathrm{LPE}_{\mathrm{t otal}}(n)-\mathrm{LPE}_{\mathrm{i}}(n)}{\mathrm{LPE}_{\mathrm{t otal}}(n)}\right |\right)}{k}\times 100\%$

여기서, $k$는 전체 DW의 수, $\triangle\mathrm{LPE}(n)$는 $n$개의 연결조합에 대한 LPE 변화율의 평균값이며, $\mathrm{LPE}_{\mathrm{t otal}}(n)$과 $\mathrm{LPE}_{\mathrm{i}}(n)$은 전체 데이터 구간에 대한 추정과 DW $i$의 추정 결과를 나타낸다. $n$은 $\alpha$개의 측정 지점에 대해 모든 연결 가능한 두 지점간의 조합 수로 식(8)과 같다.

(8)
$n= LSUB\alpha\mathrm{C}_{2}$

반면 $\triangle\mathrm{LPE}(n)$가 임계값을 벗어날 경우에는 해당 계측 지점간 연결성이 약하거나 없는 것으로 판단하게 된다. 측정 지점간 실제 선로가 존재할 경우에는 전체 구간에 대한 추정 결과와 슬라이딩 윈도우 구간에 대한 파라미터 추정 결과가 상당히 유사한 값을 가지게 되지만 연결성이 없는 경우에는 데이터 구간별 추정 결과가 현실적이지 못한 값을 나타내거나 구간별 변화 폭이 크게 나타난다.

그림. 5. 슬라이딩 윈도우 알고리즘에 기반한 계통 토폴로지 결정

Fig. 5. Network topology estimation based on the sliding window algorithm

../../Resources/kiee/KIEE.2021.70.11.1655/fig5.png

제안 방법의 전체적인 상세 절차는 그림 6과 같다. 먼저 알고리즘 적용을 위한 설정값들을 초기화하고 모든 측정 지점에 대한 전압(V), 유효전력(P) 및 무효전력(Q) 데이터를 획득한다. 다음으로 두 측정 지점에 대해 직, 병렬연결의 모든 조합 수 $n$을 결정한다. 측정 지점에 대한 연결조합 $n$쌍에 대해 식(2)와 (3)을 이용하여 직, 병렬 회로 방정식을 도출한다. 해당 회로 방정식을 식(5)의 최소 제곱법을 이용하여 전체 데이터 구간과 DW에 대한 선로 파라미터의 최적 해를 구한다. 다음으로 전체 데이터 구간과 각 DW에 대한 $\triangle\mathrm{LPE}(n)$을 계산한 후 임계값 $\triangle\mathrm{LPE}_{\mathrm{th}}$이내인 경우 연결된 계통 토폴로지로 결정한다. 결정된 토폴로지에 대해 새로운 분기점과 선로 파라미터를 구한 후 분기점 전압과 전류를 계산한다. 새로운 분기점과 미결정된 측정 지점에 대해 새로운 연결조합 수 $n$을 결정한다. 이러한 절차를 하나의 분기점이 존재할 때까지 반복하여 계통 전체의 토폴로지 및 선로 파라미터를 추정한다.

그림. 6. 슬라이딩 윈도우 알고리즘을 이용한 계통 토폴로지 추정 절차

Fig. 6. Network topology estimation procedure using the sliding window algorithm

../../Resources/kiee/KIEE.2021.70.11.1655/fig6.png

4. 사례연구

4.1 모의 계통 및 데이터

제안 방법을 이용하여 그림 7의 PSCAD/EMTDC 모의 계통에 대해 토폴로지 및 선로 파라미터 추정을 수행하였다. 해당 계통은 총 9개의 선로 구간과 서로 다른 형태의 6개의 수용가로 구성되고 각 인입점 a1~a6에서 전압 및 유, 무효전력의 계측이 이루어진다.

그림. 7. PSCAD/EMTDC 모의 계통

Fig. 7. PSCAD/EMTDC test system

../../Resources/kiee/KIEE.2021.70.11.1655/fig7.png

계통의 선로 파라미터는 표 1과 같으며 전원 및 수용가 파라미터는 1초마다 변화하도록 구성하였고 총 시뮬레이션 시간은 10초로 6개 인입점에서의 전압, 전력 데이터를 추출하여 제안 방법을 적용하였다. DW의 크기는 3초로 설정하였으며, 1초 단위로 슬라이딩 되어 선로 파라미터를 추정하였다. 본 사례연구에서는 전압, 전류에 포함된 노이즈 정도를 고려하여 $\triangle\mathrm{LPE}_{\mathrm{th}}$를 3%로 설정하였다. 제안 방법의 성능을 검증하기 위해 동일한 조건에서 피어슨 상관계수를 이용하는 기존 추정 방법과의 비교 분석을 수행하였다.

표 1. 모의 계통의 선로 파라미터

Table 1. Line parameters of the simulation system

선로 정보

파라미터[Ω]

Line A

1.000+j2.262

Line B

1.000+j2.262

Line C

1.000+j2.262

Line 1

0.250+j0.565

Line 2

1.500+j3.393

Line 3

0.750+j1.697

Line 4

0.500+j1.131

Line 5

2.000+j4.524

Line 6

1.250+j2.827

4.2 기존의 상관계수를 이용한 토폴로지 추정 결과

총 6개의 측정 지점 a1~a6에 대한 연결 가능한 모든 조합에 대해 직, 병렬 회로 방정식을 수립하여 선로 파라미터를 추정하였다. 기존 방법에서는 추정 파라미터를 포함한 회로 방정식과 측정 전압과의 피어슨 상관계수를 산출하여 가장 큰 값을 가지는 조합에 대해 토폴로지를 결정하게 된다. 표 2는 측정 지점 a1을 기준으로 나머지(a2, a3, a4, a5, a6) 지점과의 병렬 조합에 대한 선로 파라미터 추정 결과와 피어슨 상관계수 계산 결과를 나타낸다. a1과 a2 및 a1과 a3의 상관계수가 각각 0.9907과 0.9924로 높게 나타났으며, 수치가 가장 높은 a1과 a3의 병렬 연결로 최종 결정되게 된다.

표 2. a1을 기준으로 한 선로 파라미터 및 상관계수 추정 결과

Table 2. Results of the line parameter estimation and correlation coefficients for a1 based connection combinations

연결조합

파라미터[Ω]

상관계수

a2

Line 1

0.250+j0.565

0.9907

Line 2

1.510+j3.381

a3

Line 1

0.182+j0.620

0.9924

Line 3

1.296+j3.127

a4

Line 1

-0.935-j2.000

0.3340

Line 4

1.006-j0.125

a5

Line 1

-1.041-j2.491

0.4528

Line 5

2.023-j0.301

a6

Line 1

-0.950-j2.339

0.4121

Line 6

1.775-j0.319

그러나 실제 a1은 a2와 병렬 연결되어 있으며 a3과는 직접적인 연결이 존재하지 않는다. 따라서 기존 방법에서는 파라미터 추정 결과에 따라 실제 연결성이 없는 경우에도 높은 상관계수가 나올 수 있기 때문에 신뢰도 높은 토폴로지 추정이 어렵다. 그림 8은 6개 측정 지점의 모든 조합에 대한 상관계수 계산 결과를 나타낸다. a1과 a3, a2와 a3 및 a3과 a4는 서로 직접적인 연결이 없지만, 상관계수가 각각 0.9924, 0.9924, 0.9946으로 매우 높게 나타났다. 따라서 상관계수 값에만 의존하여 판단할 경우 잘못된 토폴로지가 결정될 확률이 높다.

그림. 8. 모든 연결조합에 대한 상관계수

Fig. 8. Correlation coefficients for all connection combinations

../../Resources/kiee/KIEE.2021.70.11.1655/fig8.png

4.3 슬라이딩 윈도우 알고리즘을 이용한 토폴로지 추정 결과

다음으로 제안 방법의 적용을 위해 전체 데이터 구간과 설정한 DW 슬라이딩 구간에 대해 선로 파라미터 추정을 실시하였다. 그림 9는 a1과 a2 조합, a1과 a3 조합에 대한 선로 파라미터 추정 결과를 나타낸다. 실제 병렬 연결이 되어 있는 a1과 a2 조합의 경우는 전체 데이터를 이용한 추정치와 3초 DW 구간에 대한 추정치가 임계범위 내로 큰 변화 없이 일정한 값을 가진다. 그러나 실제 연결이 없는 a1과 a3 조합의 경우는 전체 데이터 구간에 대한 추정치에 대해 각 DW 구간에 대한 추정치가 변동성이 매우 큰 것을 알 수 있다.

그림. 9. 전체 데이터 구간과 각 DW에 대한 파라미터 추정

Fig. 9. Parameter estimation for entire data interval and each DW

../../Resources/kiee/KIEE.2021.70.11.1655/fig9_1.png

../../Resources/kiee/KIEE.2021.70.11.1655/fig9_2.png

해당 조합의 경우 기존 방법의 피어슨 상관계수는 1에 가까운 큰 값을 가졌으나, 실제 선로 파라미터는 거의 일정한 값을 가지므로 DW 구간별 추정치의 변동성이 큰 경우에는 제안 방법에 따라 토폴로지로 결정에서 제외된다. 모든 조합에 대해 각 DW별 파라미터 추정을 실시하여 식(7)의 ΔLPE를 계산하였으며 결과는 표 3과 같다. 임계 범위 이내의 ΔLPE를 가지는 조합은 a1과 a2, a4와 a5, a4와 a6, a5와 a6로 나타났다. 따라서 a1과 a2는 유효한 조합으로 새로운 분기점(P1)을 형성하고 또한 a4, a5, a6도 서로 병렬 연결되어 새로운 분기점(P3)을 형성하게 된다.

표 3. 연결조합에 대한 ΔLPE 및 토폴로지 결정

Table 3. ΔLPE and topology determination for connection combinations

$a_{i}-a_{j}$

ΔLPE (%)

$\triangle\mathrm{LPE}_{\mathrm{th}}$ 이하

$i$

$j$ $R_{i}$ $X_{i}$ $R_{j}$ $X_{j}$

1

2

0.100

0.300

0.100

0.010

3

6.916

0.993

0.617

10.868

4

31.438

350.781

17.906

5.802

5

20.000

378.810

36.000

46.000

6

129.300

478.130

105.100

34.800

2

3

178.952

31.574

8.917

0.288

4

36.029

51.727

4.148

3.346

5

207.940

1.620

3.900

4.300

6

156.900

87.000

2.400

7.300

3

4

6.642

4.425

4.932

0.351

5

9.951

1.373

2.625

1.126

6

9.015

5.972

2.615

2.275

4

5

0.172

0.301

0.064

0.171

6

0.439

0.287

0.275

0.191

5

6

0.020

0.050

0.020

0.060

다음으로 새로운 분기점 P1, P3와 결정되지 않은 측정 지점 a3에 대해 연결 가능한 조합별 파라미터 추정을 실시하였다.

표 4는 각 조합에 대한 ΔLPE 계산 결과를 나타낸다. 분기점 P3과 a3 조합의 경우 ΔLPE 값이 임계범위 이내로 유효한 연결을 가짐을 알 수 있다. 따라서 최종적으로 P3과 a3의 분기점(P2)과 결정되지 않은 분기점 P1에 대해 직, 병렬 연결조합을 구성하여 전체 계통의 토폴로지 및 파라미터를 결정한다.

표 4. 새로운 분기점(P1&P3)과 a3에 대한 토폴로지 결정

Table 4. Topology determination for new branch points(P1&P3) and measuring point a3

$a_{i}-a_{j}$

ΔLPE (%)

$\triangle\mathrm{LPE}_{\mathrm{th}}$ 이하

$j$ $R_{i}$ $X_{i}$ $R_{j}$ $X_{j}$

P1

3

11.280

95.544

5.240

0.293

P3

16.457

11.701

39.712

46.536

3

P3

0.202

0.677

0.722

0.093

최종 결정된 계통 토폴로지에 대해 실제 파라미터와 추정 선로 파라미터를 표 5에 정리하였다. 전체 선로의 저항 및 리액턴스 추정 오차는 1% 이하로 매우 우수한 성능을 보였다. 사례연구를 통해 기존의 상관계수에 기반한 토폴로지 추정 방법보다 제안 방법을 사용할 경우 보다 명확한 토폴로지 추정이 가능함을 확인하였다.

표 5. 선로 파라미터 추정 결과 및 비교

Table 5. Line parameter estimation results and comparison

선로

실제값

추정값

오차율(%)

$R$ $X$ $R$ $X$ $R$

$X$

Line A

1.000

2.262

0.990

2.262

0.4

0

Line B

1.000

2.262

1.000

2.262

0

0

Line C

1.000

2.262

0.990

2.262

0.2

0

Line 1

0.250

0.565

0.245

0.560

0.8

0

Line 2

1.500

3.393

1.500

3.380

0

0.3

Line 3

0.750

1.697

0.760

1.680

0.4

0.6

Line 4

0.500

1.131

0.500

1.120

0

0.8

Line 5

2.000

4.524

2.000

4.500

0

0.4

Line 6

1.250

2.827

1.126

2.827

0.8

0

5. 결 론

본 논문에서는 윈도우 슬라이딩 알고리즘에 기반한 배전계통 토폴로지 추정 방법을 제안하였다. 제안하는 방법은 실측 전압과 선형 회로 모델 사이의 상관계수를 이용하는 기존 방법의 단점을 극복한 추정법으로 슬라이딩 데이터 구간에서의 연속적인 선로 파라미터 추정 결과의 변화량에 기반하여 토폴로지를 결정하게 된다. 전체 데이터 구간에 대한 단일 상관계수만에 의존한 기존의 방법은 선로 파라미터 추정 결과와 상관없이 측정 전압과 추정 전압과의 선형성만 고려하기 때문에 잘못된 토폴로지 추정의 우려가 있다. PSCAD/EMTDC 모의 계통을 이용한 사례연구를 통해 기존 추정 방법의 문제점을 확인하고 제안하는 방법의 우수성을 검증하였다. AMI와 같은 스마트미터들의 확대 보급과 함께 제안하는 방법을 통해 신뢰도 높은 선로 파라미터 및 토폴로지 추정이 가능하여 고도화된 배전계통 제어 및 관리에 활용될 수 있을 것으로 기대된다.

Acknowledgements

This work was conducted under framework of the research and development program of the Korea Institute of Energy Research(C1-2418).

References

1 
EIA, 2019, International Energy Outlook 2019Google Search
2 
EIA, 2019, “Annual Energy Outlook 2019Google Search
3 
A. E. Han, Y. S. Cho, I. Y. Chung, M. H. Ban, J. B. Sim, S. S. Cho, 2021, Design and Simulation of Distributed Energy Resources Management System for Expansion of Distributed Energy Resource Capacity in Distribution System, The Korean Institute of Electrical EngineersGoogle Search
4 
D. W. Lee, C. H. Han, G. S. Jang, 2020, Application of Soft-Open Point for hosting capacity improvement in distribution network, The Korean Institute of Electrical EngineersGoogle Search
5 
K. H. Yoon, J. W. Shin, W. S. Moon, J. C. Kim, 2021, A Study on Excess the Capacity of Circuit Breaker as Increasing Hosting Capacity in Distribution System, The Korean Institute of Electrical EngineersGoogle Search
6 
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”, Y. U. Kim,, The transactions of The Korean Institute of Electrical Engineers vol. 69, Vol. 69, No. 8, pp. 1165-1173Google Search
7 
H. K. Lee, P. I. Hwang, 2020, A study on topology and parameter estimation method for low-voltage distribution system using AMI data, The Korean Institute of Electrical Engineers, pp. 412-413Google Search
8 
G. Cavraro, R. Arghandeh, G. Barchi, A. von Meier, 2015, Distribution network topology detection with time-series measurements, 2015 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), pp. 1-5DOI
9 
M. Lave, M. J. Reno, J. Peppanen, 2019, Distribution System Parameter and Topology Estimation Applied to Resolve Low-Voltage Circuits on Three Real Distribution Feeders, IEEE Trans. On Sustain. Energy, Vol. 10, No. 3, pp. 1585-1592DOI
10 
J. Peppanen, M. J. Reno, R. Broderick, S. Grijalva, Sep 2015, Distribution System Secondary Circuit Parameter Estimation for Model Calibration, Sandia National Laboratories, SAND, pp. 2015-7477DOI
11 
T. Gonen, 2008, Electric power distribution system engineering,, 2nd ed. Boca Raton: CRC PressGoogle Search
12 
C. W. Brice, 1982, Comparison of Approximate and Exact Voltage Drop Calculations for Distribution Lines, IEEE Trans. Power Appar. Syst., Vol. PAS-101, No. 11, pp. 4428-4431DOI

저자소개

박종일(Jong-Il Park)
../../Resources/kiee/KIEE.2021.70.11.1655/au1.png

He received the B.S. and M.S. degrees in electrical engineering from Pukyong National University, Busan, South Korea, in 2010 and 2012, respectively, where he is currently pursuing the Ph.D. degree in electrical engineering.

His research interests include power quality and the computer simulation of power systems.

오세승(Sea-Seung Oh)
../../Resources/kiee/KIEE.2021.70.11.1655/au2.png

He received the B.E., M.E. and Ph.D degrees in electrical engineering from Korea University, Seoul, South Korea in 2001, 2003 and 2007 respectively.

He is currently a Chief of Energy ICT Convergence Research Department of Korea Institute of Energy Research, Daejeon, South Korea.

His research interests include real-time simulation of distributed energy system.

박창현(Chang-Hyun Park)
../../Resources/kiee/KIEE.2021.70.11.1655/au3.png

He received the B.S. and Ph.D. degrees in electrical engineering from Inha University, in 2001 and Korea University, in 2007, respectively.

He is currently a Professor with the Department of Electrical Engineering, Pukyong National University, Busan, South Korea.

His research interests include power quality assessment, data visualization, and the computer simulation of power systems.