안종복
(Jong-Bok Ahn)
1
강태원
(Tae-Won Kang)
2
박철원
(Chul-Won Park)
3†
-
(Dept. of Biomedical Convergence Engineering, GangneungWonju National University, Korea)
-
(Dept. of Computer Science & Engineering, GangneungWonju National University, Korea)
-
(Dept. of Electrical Engineering, GangneungWonju National University, Korea)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Artificial intelligence technique, Fault location, Neural network, Substations, Weka software
1. 서론
전력설비 중에서 변전소는 전기 에너지를 변환하고 제어하여 2차 변전소와 수용가에 전력을 공급하고 배분해주는 중요한 역할을 한다
(1). 한전은 2005년부터 시범사업을 거쳐 IEC 61850 국제표준규격 기반의 변전소자동화시스템(SAS : Substation Automation
System)을 구축하고 있다. 2011년 기준 154kV 변전소의 전기고장은 변전설비가 45.27%로 가장 많은 비중을 차지하며, 전체 변전소중
85%를 차지하는 154kV 변전소의 경우, 2006년부터 2009년까지 변전소내 고장은 평균 61건이 발생하고 있다. 변전소에서 고장이 발생할 경우
고장 위치를 가능한 신속하게 판별하여 정전 복구 시간을 최소화하여야 한다
(2,3). 이에 한전은 표준복구절차(SOP : Standard Operation Procedure)를 수립하였는데, 고장복구는 이 매뉴얼에 따라 시행하고
있으나 아직은 다양한 운전상황과 고장원인에 따른 고장유형을 반영하지 못하고 있기에 지금도 보완이 계속되고 있다
(4-6).
최근 컴퓨터의 플랫폼이 개선되면서, 인공지능(AI : Artificial Intelligence) 기법을 산업 전반에 적용하여 성능을 개선하려는 분위기가
조성되고 있다. 특히 알파고 이후 AI 고도화, 자기학습(Self Learning) 등을 변전소 고장판단 시스템 실증 과정을 걸쳐 자동고장복구 시스템으로
전환하려는 추진로드맵이 제시되었다
(7,8).
변전소의 고장 복구 및 신뢰성 개선을 위하여 중부전력소 관내 4개의 전원측으로부터 공급되는 13개 변전소 계통을 대상으로 신경회로망(NN : Neural
Network)을 이용한 변전소의 모선분리 방안 연구가 수행되었고
(9), 정전파급효과를 최소화하기 위하여 패턴인식 기법에 기반한 실시간 모선 재구성 전략이 제안되었다
(10). 또한, IED의 고장정보와 진단기능을 IEC 61850 PMS(Power Management System)에 의한 이중화 구성에 관한 연구가 있었고
(11), SCADA 시스템을 이용한 GIS 고장 판정시스템이 개발되었다
(12).
해외에 발표된 유사 연구로, 배전 변전소를 위한 전문가시스템에 의한 고장 복구
(13), 변전소의 고장 판별을 위한 신경회로망
(14), 배전 시스템 서비스 복원을 위한 규칙 기반 전문가 시스템
(15), 웨이브릿 기반 신경회로망을 이용한 변전소의 고장 인식 등이 발표되었다
(16).
본 논문에서는 신경회로망을 2모선 4뱅크 표준 154kV 변전소의 고장 위치 판별(Fault location)에 적용하고자 한다. 차단기, 단로기,
IED 등의 동작 상태를 기반으로 훈련 행렬을 구성하였으며, 특히, Data Mining 및 Machine Learning 전용 Weka 프로그램을
변전소 고장점 표정에 첫 적용하는 시도를 하고자 한다. 본 논문은 기초전력연구센터의 지능기법을 이용한 자동화 디지털변전소 고장복구방안의 기초 연구과제의
일부분이다. 본 고는 심층 신경망(DNN : Deep Neural Network)을 적용하기 위한 사전연구로서 일반 신경회로망을 이용한 국내 154kV
표준 변전소의 고장 위치 판별기법을 제시하고자 한다
(7,8,17,18). 먼저, 154kV 변전소의 선로, 모선, 변압기 등 각 구성 요소의 고장 위치를 판별할 수 있도록, CB, DS 및 IED의 동작 상태를 기반으로
훈련 행렬을 구성하였다. 다음으로 Weka 소프트웨어를 이용하여 고장 위치 판별을 위한 신경회로망을 설계하였다. 이 신경회로망에서 고장 위치 판별을
위한 훈련을 수행한 후, 다양한 시뮬레이션을 통하여 제시한 신경회로망을 이용한 154kV 변전소의 고장 위치 판별 기법의 고장 위치 판별의 성능을
확인하고자 한다.
2. 154kV 표준 변전소 및 신경회로망의 개념
2.1 신경회로망
그림. 1은 일반 신경회로망을 나타낸다.
그림. 1과 같이 일반 신경회로망은 입력층, 은닉층, 출력층으로 구성된다. 역전파(BP : Backpropagation) 학습 알고리즘은 입력층의 각 유닛에
입력패턴을 주면 이 신호는 각 유닛에서 변환되어 중간층에 전달되고 최후에 출력층에서 신호를 출력하게 된다. 이 출력값과 기대값을 비교하여 차이를 줄여나가는
방향으로 연결강도를 조절하고 상위층에서 역전파하여 하위층에서는 이를 근거로 다시 자기층의 연결강도를 조정해 나간다
(15,17,18). 여기서, X
1~X
n은 입력의 개수, Out
1~Out
n은 출력의 개수를 나타낸다.
그림. 1. 일반 신경회로망
Fig. 1. General neural network
2.2 154kV 표준 변전소
그림. 2는 국내 154kV 표준 변전소의 단선도를 나타낸다
(4-6).
그림. 2와 같이, 변전소는 송전선로(T/L) 및 송전용 모선(Bus), 주 변압기(M.Tr.), 배전용 모선 및 배전선로(D/L) 및 LS, DS, CB
등으로 구성된다. 그런데, T/L, Bus, M.Tr 등 다양한 위치에서 여러 가지 고장의 유형이 존재하게 때문에 고장 위치 판별이 용이하지 않다.
그림. 2. 154kV 변전소의 단선도
Fig. 2. Single line diagram of 154kV substation
2.3 고장 유형의 사례
한전의 SOP 고장 유형의 사례를 살펴보면 고장 유형 1의 경우,
그림. 2에서 교육-개발#1 T/L 주보호 단(지)락, 후비보호 단(지)락 고장이 발생하여, 차단기 617번이 개방(0→1)된다. 이때 정지기기는 교육-개발#1
송전선로이며, 정전부하는 30MW이다. 즉, 교육-개발#1 송전선로로 공급 중이던 30MW의 전력이 끊김을 의미한다. 이때, 차단기, IED의 동작
상태를 통하여 송전선로의 단락 또는 지락고장을 판단할 수 있다.
3. 신경회로망에 의한 154kV 변전소의 고장 위치 판별
3.1 훈련 데이터
신경회로망을 위한 훈련 데이터 패턴은 Excel을 이용해 CSV (Comma Separated Value) 형식으로 작성되었다.
그림. 3은 17×181 행렬로 구성된 훈련 데이터 패턴을 나타낸다.
그림. 3은
그림. 2의 CB, DS, IED의 수와 같이, 첫 번째 행에는 51개의 CB, 96개의 DS, 33개의 IED 및 1개의 고장위치 판별 객체가 입력된다.
그림. 3에는, 입력 객체의 수가 너무 많아 모두 표시하지는 못하였다. 두 번째 행부터 정상상태를 나타내는 객체의 이진 데이터가 입력되고 3번째 행부터 17번째
행까지 15가지 고장유형 이진 데이터가 입력된다.
그림. 3. 훈련 데이터 패턴(17×181)
Fig. 3. Training data pattern (17×181)
3.2 시험 데이터
그림. 4는 작성한 시험 데이터 패턴을 나타낸다. 본 논문에서는 유형별 단일 고장상황을 나타내기 위해 시험 데이터 패턴을 2 × 181 행렬로 작성하였다.
그림. 4는 유형 1 고장(주보호 또는 후비보호 단·지락)일 때 CB, DS, IED의 동작 상황을 나타낸다. 여기서, CB617이 동작하여 1값을 갖고 나머지
CB, DS, IED는 정상상태와 동일한 이진 데이터를 갖는다.
그림. 4. 시험 데이터 패턴(2×181)
Fig. 4. Test data pattern (2×181)
3.3 Weka에 의한 신경회로망의 고장 위치 판별
3.3.2 Weka 시뮬레이션
3.3.1 Weka 시뮬레이션을 위한 제약 조건
표 1은 Weka에서 신경회로망을 이용한 고장 위치 판별을 위한 시뮬레이션 조건 및 오차를 나타낸다.
표 1에서와 같이, 은닉층의 층수는 1개로 고정하였고 뉴런 수는 입력의 개수와 동일한 181개로 설정하였으며, 학습 반복 횟수는 1000회로 설정하였다.
시뮬레이션 결과, 154kV 표준 변전소의 경우 객체의 수가 많아서 학습율 및 관성항이 0.5를 초과할 경우 학습이 잘 진행되지 않는 문제점이 발생하였다.
따라서 학습율 및 관성항은 각각 0.1 ~0.5까지 0.2 간격으로 설정하였다. 또한, 시뮬레이션 조건에 따른 오차 관련하여, 학습율 0.5, 관성항
0.5일 경우 오차가 가장 작은 것으로 파악되었는데, 이 조건에 의하여 제시한 신경회로망에서 시험 테스터의 성능을 평가하였다.
표 1. Weka 소프트웨어에 의한 신경회로망을 이용한 고장 위치 판별을 위한 시뮬레이션 조건 및 오차
Table 1. Error and simulation condition for fault location discrimination by neural
network using Weka software
|
은닉층 수
|
은닉층의 뉴런 수
|
학습 반복 횟수
|
학습율
|
관성항
|
반복 횟수당 에러율[%]
|
평균 절대 오차
|
평균 제곱근 오차
|
상대 절대 오차
|
상대 제곱근 오차
|
|
1
|
181
|
1000
|
0.1
|
0.1
|
0.92189
|
0.0294
|
0.0946
|
25.0522
|
39.0762
|
|
0.3
|
0.89432
|
0.0274
|
0.0932
|
23.4119
|
38.4938
|
|
0.5
|
0.87119
|
0.0253
|
0.0920
|
21.5986
|
37.9923
|
|
0.3
|
0.1
|
0.87341
|
0.0229
|
0.0914
|
19.5398
|
37.7612
|
|
0.3
|
0.86640
|
0.0221
|
0.0911
|
18.8659
|
37.6168
|
|
0.5
|
0.85783
|
0.0212
|
0.0907
|
18.1241
|
37.4552
|
|
0.5
|
0.1
|
0.87167
|
0.0215
|
0.0910
|
18.3543
|
37.5931
|
|
0.3
|
0.86685
|
0.0210
|
0.0907
|
17.9008
|
37.479
|
|
0.5
|
0.86073
|
0.0204
|
0.0904
|
17.3990
|
37.3385
|
Weka 소프트웨어 Explorer, Classify의 Classifier에서 MultilayerPerceptron을 클릭하면
그림. 5와 같이 Weka의 신경회로망 구성을 변경할 수 있는 GUI 대화상자가 생성된다.
그림. 5을 통해 배치 크기, 학습율, 관성항, 학습 반복횟수, 은닉층 수 및 은닉층의 뉴런 수를 설정할 수 있다.
그림. 5. GUI 대화상자
Fig. 5. GUI dialog box
그림. 6은
표 1에서의 결과와 같이 오차가 가장 작은 학습율 0.5, 관성항 0.5일 때의 1000회 반복 훈련이 완료된 신경회로망과 시뮬레이션 결과를 나타낸다.
그림. 6에서 은닉층 수는 1개, 은닉층의 뉴런 수는 입력의 개수와 동일하게 1:1로 매칭 되어 있는 것을 확인할 수 있다.
그림. 6. 훈련된 신경회로망
Fig. 6. Trained neural networks
그림. 7은 오차 행렬 (Confusion Matrix)을 나타낸다.
그림. 7에서, a=Basic, b=Type1은 유형1 고장...p=Type15는 유형15 고장을 나타내는데, 이를 통해 훈련이 제대로 된 것을 확인할 수
있다.
그림. 7. 훈련 데이터의 시뮬레이션 결과
Fig. 7. Simulation result of training data
그림. 8의 시험 데이터(유형 1 고장)에 의한 훈련된 신경회로망 고장 위치 판별 결과를 나타내고,
그림. 9는 이때의 시험 결과를 나타낸다.
그림. 8. 고장 위치 판별(유형 1 고장)
Fig. 8. Fault location discrimination (Type 1 fault)
그림. 9. 시험 결과(유형 1 고장)
Fig. 9. Test result (Type 1 fault)
그림. 8과
그림. 9로부터, 모델을 빌드하는데 63.26초가 소요되었고 제공된 시험 데이터 세트에서 본 모델은 테스트 하는 데에는 0초가 소요되었음과 정확히 분류된 인스턴스
수는 1개로 고장 판별 정확도는 100%임을 알 수 있다.
같은 방법으로 유형 2 고장부터 유형 15까지 SOP에 나와 있는 단일고장에 관하여 제시한 신경회로망을 시험한 결과, 모두 정확하게 고장 발생 위치를
찾아냄으로서 제시한 신경회로망은 모든 고장 유형을 판별할 수 있음을 알 수 있다.
표 1는 상정한 모든 고장 유형(Type 1~Type 15)에 대한 고장 위치 판별 시험 결과를 나타낸다.
표 1로부터 모델 빌드 소요시간은 8.61~ 11.29초가 걸리는 것을 알 수 있었다.
4. 결 론
최근 컴퓨터의 플랫폼이 개선되면서, 인공지능 기법을 적용한 변전소의 지능화 필요성이 제기되었다.
본 논문에서는 154kV 표준 변전소를 대상으로 신경회로망을 이용한 고장 위치 판별 기법을 제시하였다. 먼저, 154kV 변전소의 CB, DS 및
IED의 동작 상태를 기반으로 훈련 데이터 패턴을 구성하였다. Data Mining 및 Machine Learning 전용 Weka 소프트웨어를 이용하여
고장 위치판별 신경회로망을 설계하였으며, 구성된 훈련 패턴을 설계한 신경회로망에서 학습한 후, 고장 위치 판별의 성능을 평가하였다. 다양한 시뮬레이션
결과, 최적의 신경회로망은 학습율 0.5, 관성항 0.5일 경우 주어진 훈련 반복횟수에 대하여 오차가 가장 작은 것이 확인되었으며 이 조건을 토대로
시험 데이터 성능 평가가 수행되었다. 시뮬레이션 결과, 제시한 신경회로망의 고장위치 판별 성능은 100%로 나타났는데, 이는 단일고장 상황에 대하여
완벽한 고장 표정을 보여주고 있음을 알 수 있었다.
향후 기기의 고장율, 실패율 등을 고려한 고장 위치판별과 SOP를 기반으로 고장 복구용 훈련 데이터 패턴을 정립한 후, Python 도구 및 CNN,
DNN 등을 이용한 고장복구 방안 연구를 진행할 예정이다.
감사의 글
본 연구는 한국전력공사의 2016년 선정 기초연구개발과제 연구비에 의해 지원되었음(과제번호 : R17XA05-27).
References
Park C. W., Kang T. W. et al., 2017, Fundamental Study of Fault Restoration Plan using
Intelligence Technique for IEC 61850-based Digital Substation, KEPRI Research Proposal,
pp. 1-28
Cho P. H., Kim H. G., Park W. J., 2017, A Study of major fault causes based on analysis
of substation fault, 2017 KIEE Summer Conference, pp. 435-436
Han J. Y., An Y. H., Kim Y. H., Kim B. H., 2010, Establishment of Intelligent Substation
Automation System for Improving Electronic Power System Reliability, 2010 CISI’10,
pp. 179-180
Cho P. H., Lee B. H., Park N. H., 2010, Development of 154kV Substation Fault Simulator
System, 2010 KIEE Summer Conference, pp. 126-127
Im J. H., Kim K. J. et al., 2011, The Research for Improved Standard Operation Procedure
in 154kV Substation, 2011 KIEE Summer Conference, pp. 332-333
Cho P. H., Kim J. Y., Lee B. H., Jeon S. D., 2015, A Study of 154kV Transmission &
Substation Standard Operating Procedures, 2015 KIEE Summer Conference, pp. 443-444
Ahn J. B., Lee K. M., Park C. W. et al., 2016, A Measures of Substation Automatic
Restoration Support System using Artificial Intelligence, 2016 KIEE PES Autumn Conference,
pp. 195-196
Park C. W., Kang T. W. et al., 2017, Fundamental Study of Fault Restoration Plan using
Intelligence Technique for IEC 61850-based Digital Substation, KEPRI 1st year progress
report, pp. 1-58
Lee K. M., Hwang S. Y., Choo J. B., Youn Y. B., Jeon D. H., 1996, Application of Neural
Networks to the Bus Separation in a Substation, 1996 KIEE Summer Conference, pp. 757-759
Ko Y. S., 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
Hee W. C., Lee B. I., 2009, The study on the dual structure composition of IEC 61850
PMS system, 2009 KIEE Industrial Electrical Committee Conference, pp. 100-102
Lee J. H., Lee B. H., Jeon S. D., Kim D. W., 2010, A Study of GIS Fault Area Detection
Algorithm by SCADA System, 2010 KIEE Summer Conference, pp. 1687-1688
Lee H. J., 1996, A Restoration Aid Expert System for Distribution Substations, IEEE
Transactions on Power Delivery, Vol. 11, No. 4, pp. 596-603
da Silva A. P. Alves, Insfran A. H. F., da Silveira P. M., Lambert-Torres G., 1996,
NEURAL NETWORKS FOR FAULT LOCATION IN SUBSTATIONS, IEEE Transactions on Power Delivery,
Vol. 11, No. 1, pp. 234-239
Talaat H. E. A., El-Safty S., Mansour M. M., El-Debeiky S., 1999, A Rule-Based Expert
System for Distribution System Service Restoration, Electric Power Engineering, Power
Tech Budapest International Conference, pp. 184
Nguyen Bon Nhan, Quyen Anh Huy, Nguyen Phuc Huu, Ton Trieu Ngoc, 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
Pao Y. H., 1989, Adaptive Pattern Recognition and Neural Networks, Addison-Wesley
Publishing Company, Inc, pp. 1-309
Witten Ian H., Frank Eibe, Hall Mark A., Pal Christopher J., 2017, Data Mining, Practical
Machine Learning Tools and Techniques, ELSEVIER, Fourth Ed., MORGAN KAUFMANN, pp.
1-656
저자소개
He was born in Korea in 1991.
He received his B.S. degrees from KongJu National University, Chungnam, Korea, in
2016.
Currently he is pursuing an M.S. degree at the Gangneung-Wonju National University,
Wonju, Korea.
He is in Department of Biomedical Convergence Engineering.
His research interests include Power IT, Finite Elements Method, LVDC, HVDC, Microgrid,
and Smartgrid.
He was born in Korea in 1962.
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.
He was born in Korea in 1961.
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, power
system modeling & control, and computer application in power system.
He is a member of the KIEE, 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
Lab : 033-760-8796
Fax : 033-760-8781
E-mail :
cwpark1@gwnu.ac.kr