강성범
(Sung-Bum Kang)
†iD
고백경
(Baek-Kyeong Ko)
1
남수철
(Su-Chul NAM)
1
최영도
(Yong-Do Choi)
1
김용학
(Yong-Hak Kim)
1
전동훈
(Dong-Hoon Jeon)
1
-
(Co-Author : Next Generation Transmission&Substation Laboratory, KEPCO Research Institute,
Korea. )
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
WAMS, PMU, Big-Data, CNN, Fault Classification
1. 서 론
최근 신재생발전원과 특수설비(HVDC, FACTS)의 확대로 전력계통의 불확실성의 증가하고 대규모 발전단지의 추가와 전력설비의 증설이 어려움에 봉착하여
기존의 기술로는 전력계통의 해석과 이에 대한 해결이 어려운 상황이다. 이에 따라 시각동기위상정보를 활용하는 광역계통 감시 및 운영 기술(WAMS,
Wide Area Monitoring System)이 해결책으로 대두되고 있는 상황이다. WAMS는 시각동기위상측정장치(PMU)를 통하여 취득되는
전력시스템의 다양한 상태정보를 이용하여 광역의 전력망을 실시간으로 모니터링하고, 계통의 정적/동적 안정도 등을 진단하여 필요시 전력망을 보호/제어함으로써
안정적인 시스템 운영을 도모하는 기술이다. 사물인터넷, 빅데이터, 머신러닝을 융합하여 전력계통의 이상상태를 사전 예지하고 실시간 운전능력 평가 및
그 대책을 수립하는 기술을 포함하고 있으며, 이를 통해 전력계통의 신뢰성과 안정성을 확보할 수 있다. 미국의 경우 약 1,700여개의 PMU를 설치하여
WAMS를 운영하며 전력계통의 감시를 시행하고 있으며 NASPI(North American Synchro Phasor Initiative)를 중심으로
각 계통 운영기관 및 연구기관을 중심으로 한 PMU 기반 계통 감시 및 분석기술에 대한 연구가 진행 중에 있다[1-3,9].
최근에는 PMU로부터 WAMS로 전달되는 방대한 양의 빅데이터를 효율적으로 처리하기 위해 머신러닝과 같은 인공지능 분야의 혁신적인 기법들이 등장하고
있으며, 원시데이터의 가공 및 빅데이터 분석을 통하여 계통 운영자에게 활용성이 높고 가치 있는 계통상황인지 정보들을 전달하고 있다. 머신러닝의 종류는
사용용도에 따라 다양하지만 전력계통 내의 사후 분석 및 고장예측을 위해서 합성곱신경망(CNN : Convolution Neural Network)
모델이 주로 사용되고 있으며, 송전선로 절연체 분류, 확률론적 방식에 기반한 풍력 예측 등에 쓰이고 있다[4-5]. CNN을 이용하여 고장분류를 수행한 논문에는 [6]이 있지만 분류한 고장 종류가 단일 선로 고장(단상 지락고장, 선간 단락고장)에 대해서만 분류를 수행한 논문이고, 실계통 데이터가 아닌 시뮬레이션
데이터에 기초한 고장분류를 수행한 결과를 나타내고 있다.
본 논문에서는 PMU 빅데이터를 바탕으로 최신기술인 AI 기술을 도입하여 계통고장분류 모델 개발에 대한 연구를 진행하였다. KERAS 기반의 합성곱신경망모델을
이용하여 각각의 고장에 대한 DB를 구축하여 지도학습을 진행시키고, 테스트 데이터로 학습된 모델에 대한 검증을 진행하였다. 대다수의 고장인 선로고장
뿐만 아니라 다양한 고장에 대해서 학습된 모델에 대해서 실 계통 고장 데이터를 입력함으로써 모델에 대한 타당성에 대하여 검증하였다.
2. WAMS
2.1 WAMS 개요
WAMS는 GPS 등의 표준 시각정보를 사용하여 매우 정밀한 측정주기(1μs)를 통해 IEEE C37.118 규격에 따라 광역계통의 시각동기화된 전압,
전류, 위상각 정보를 측정하는 기술이다. 기존의 EMS, SCADA가 RTU를 통해 수 초 단위의 낮은 해상도로 취득되는 상태정보를 이용하여 전력망을
감시/제어하는 반면 WAMS는 PMU를 통해 밀리 초 단위로 취득되는 계통 상태정보를 이용할 수 있어 보다 정밀하고 정확하게 감시 제어하는 것이 가능하다는
장점을 갖고 있다. 기존 SCADA가 가지고 있는 감시해상도보다 300배 정도의 고해상도의 데이터를 취득함으로써 감시 맹점구간에서의 중대한 변화를
인지할 수 있어 전력계통의 과도 특성을 감시할 수 있고, 시각동기된 계통정보를 취득하여 전력계통 감시 오차를 감소시킬 수 있다. WAMS로 취득되는
데이터를 바탕으로 전력계통의 실시간 기기 이상 현상 감시 등이 가능하고, 전력설비와 부하의 계통 모델 검증 등이 가능하여 불확실한 전력계통 해석 모델을
개선하고 계통해석의 신뢰도를 향상시킬 수 있다[7-9].
표 1. 감시 상태정보의 비교(SCADA와 WAMS)
Table 1. Comparison of Monitor- ing status Information(SCADA vs. WAMS)
|
구 분
|
SCADA
|
WAMS
|
|
측정주기
|
4 ~ 5초
|
1/60초(300배)
|
|
측정요소
|
전압, 전류, 주파수
|
전압, 전류, 주파수, 위상각
|
|
시각동기
|
불가능
|
가능
|
2.2 국내 WAMS 소개
국내에서는 우리나라 수도권을 중심으로 345kV 이상 전력계통의 운영 상태와 주요 6개 융통선로 인근의 중요 모선의 상태를 감시하기 위한 광역계통
감시시스템(WAMS)을 구축하여 운영하고 있다. 또한 특수설비(HVDC, FACTS 등)의 감시를 위해 PMU를 설치함으로써 특수설비의 운전 상태감시와
특수설비 간 협조제어 전략을 수립하는데 이용되고 있다. 35개의 주요 345kV 이상 변전소(일부 765kV 변전소 포함)에 총 50기의 PMU를
설치하여 실시간으로 시각동기된 상태정보를 취득하고 있으며 이는 우리나라 수도권 제약운전현황 감시, 전압안정도감시, 계통사고 분석, 계통 모델 정확성
개선 등에 활용되고 있다.
또한 강원지역의 태양광, 풍력에너지원 등의 신재생발전원을 효과적으로 감시할 수 있는 신재생발전원 감시시스템을 구축 시범 운영 중에 있으며 강원지역
154kV 변전소에 총 15기의 PMU를 설치하여 실시간으로 상태정보를 취득하고 이를 이용하여 신재생발전원이 인근 계통의 전기품질에 미치는 영향을
정밀 감시하고 있다[10].
그림. 1. 실제 국내 운영 중인 WAMS의 캡쳐 화면
Fig. 1. Screen capture of actual running WAMS at KOREA
그림. 2. 국내 PMU 설치현황도
Fig. 2. PMU Installation Status at KOREA
3. CNN을 이용한 고장패턴인식
CNN은 합성곱(Convolution) 연산을 사용하는 인공신경망 학습 알고리즘의 하나로 파라미터의 개수나 연상량을 줄일수 있고, 특히 이미지 인식
분야에서 널리 사용되고 있고 음성인식이나 자연어 처리 같은 분야에서도 활용되어지고 있다.
3.1 CNN
CNN은 심층신경망(DNN: Deep Neural Network)의 하나로서 컨볼루션 필터(합성곱)를 갖는 층을 이용하는 인공신경망이다.
그림. 3. CNN 개요도[11]
Fig. 3. CNN Overview
여기에서 Convolution Layer는 필터를 통해 입력데이터로부터 특징을 추출하는 역할을 담당하며 특징(높이, 너비)을 갖는 필터(Filter,
kernel)를 일정 간격(Stride)으로 이동해가며 입력데이터에 적용한다. Pooling Layer는 추출된 특징들의 서브 샘플링 과정을 통해
사이즈를 줄이는 역할을 수행하며 인접한 유닛들을 이용하여 큰 값 또는 평균값을 내보내는 방법으로 인접한 값들을 표현하기 위한 방법으로 이 과정을 통해
신경망은 파라미터의 개수나 연산량을 줄일 수 있고, 학습하지 않은 이미지에 대한 성능이 향상하게 한다. 그림 3의 Connected Layer는 추출된 특징을 통해 분류를 수행하는 인공신경망으로 본 논문에서는 CNN을 통해 추출된 특징을 통해 고장분류를 진행하는
인공신경망을 사용한다[12-13].
3.2 고장 분류를 위한 CNN 설정
그림 4는 CNN을 이용한 고장 분류의 개략도를 나타낸다. 본 눈문에서는 WAMS로부터의 추출되는 방대한 양의 데이터를 CNN 학습모델이 학습하기에 적합한
형태로 변환된 데이터를 저장하기 위하여 MySQL 서버 데이터베이스를 구축하였다. 이는 향후 새로운 입력 데이터를 추가 시 기존의 입력 데이터 Set에
추가적으로 축적이 가능하고 수동으로 데이터를 저장할 필요가 없다는 장점을 갖는다. 구축된 데이터베이스로부터 읽어온 입력 데이터는 데이터 셔플링(Data
Shuffling)의 과정을 거치게 된다. 머신 러닝을 위한 학습 및 테스트 데이터의 비중을 분할하고, 테스트 데이터 중 일부분은 검증데이터로 사용하였다.
학습, 테스트, 검증 데이터에는 고장 분류 6가지 레이블을 골고루 분포 시켜야하며 이는 한 가지 레이블에 대해 검증 데이터 대부분을 사용하게 되면
학습능력이 떨어져 학습 정확도가 현저히 감소되기 때문이다. 각 사고 유형에 대하여 각 모선을 일정한 Time stamp 구간으로 묶고 3차원 배열
상에서 데이터를 수행한 후, 레이블 인코딩을 수행한다. 레이블 값을 모델이 인식할 수 있는 값으로 변환시키는 인코딩 과정을 수행한 후 모델 최적화를
위한 데이터 정규화를 수행하였다. 과적합(Over-fitting)을 방지하고 학습 및 검증 데이터의 손실을 줄이기 위하여 전체 데이터의 최댓값으로
기존 데이터 값을 나눔으로써 0부터 1사이의 값으로 변환시키는 과정을 거쳐 고장 분류를 위한 CNN 설정을 수행하였다.
그림. 4. CNN을 이용한 고장 분류 개략도
Fig. 4. Fault Classification Schematic Using CNN
4. 계통 데이터를 이용한 모델 학습
본 논문에서는 CNN을 이용한 고장분류기술 개발을 위하여, 먼저 IEEE 68 Bus system을 이용하여 PSS/E 시뮬레이션을 통해 6가지 상정고장을
발생시켜 결과파형을 CNN 모델에 학습시키고 검증을 하였다. CNN 모델을 학습시키기 위한 고정된 모양(Fixed Shape)을 갖는 입력 이미지를
형성하기 위해 입력 Shape는 (2,1000)으로 설정하였다. 여기에서 2 Row는 Feature 값으로 모선의 전압, 주파수 값이고, 1,000
Column은 Time stamp 값을 나타낸다. 각 타임 세그먼트 간의 격차를 100 Time stamp로 설정하여 타임 세그먼트 간에 겹치는 구간을
900 Time stamp로 두고 계통 고장 발생 시간에 대한 유연한 사고 유형 판별이 가능하도록 설정하였다. CNN 학습 모델을 구성하는데 있어
예측 정확도를 결정하는 하이퍼파라미터 튜닝의 경우 Batch Size는 200~300, Epoch는 20으로 설정하였으며, Early Stopping
method를 적용하여 Epoch의 정확도가 낮을 경우 학습을 중단시키도록 설정하였다. 또한 분류 작업에 자주 사용하는 Softmax 활성화 함수를
출력 층에 적용하였다.
4.1 IEEE 68 Bus System에서의 학습 및 적용
그림 5는 설정된 CNN 모델을 학습시키기 위한 입력데이터를 생성하기 위한 모의 계통인 IEEE 68 Bus System을 나타낸다. 해당 모의계통에 대한
자세한 파라미터 값은 [14]에 나타나있다. 실제 전력계통에서 고장 상황을 임의로 발생 시킬 수 없기 때문에 해당 전력계통에서 다양한 이벤트 현상에 대한 시뮬레이션을 수행하여
데이터베이스를 구성하고 MySQL 데이터베이스에 축적하였다. 분석 대상이 되는 고장 카테고리는 아래의 표 2와 같이 6가지 케이스로 구성하였으며, 각 고장은 2초에 발생하였으며, 각 카테고리에서 68개의 모선에서 고장위치 및 부하탈락량 등에 대한 변화를
주어 반복수행을 통해 총 5,712개의 케이스를 구성하였다. 시뮬레이션을 위해 PSS/E 프로그램을 사용하고, Python 프로그램을 통해 반복수행을
구현하였다.
그림. 5. IEEE 68 Bus System[14]
Fig. 5. IEEE 68 Bus System
전처리가 완료된 데이터베이스의 전체 입력 데이터 Set 중 학습데이터 Set과 테스트데이터 Set은 80\%, 20\%로 분할하여 구성하였고, 학습데이터
Set의 20\%를 모델 학습 중 변수 조절 등을 위한 검증 데이터 Set으로 설정하였다. 그림 6은 실제 고장레이블과 예측 레이블 간을 비교한 오차행렬을 시각화한 결과를 나타낸다.
그림 6의 세로축은 테스터 데이터 Set의 실제 레이블이고 가로축은 CNN 모델이 예측한 레이블로써 각 축의 행과 열이 만나는 지점이 모델이 정확하게 예측한
Label을 나타낸다. 테스트데이터에서 구성한 고장 케이스의 수에 비해 오차행렬 안의 값이 큰 이유는 각 이벤트 발생 시간에 대하여 모델이 유연한
사고 유형 판별이 가능하도록 타임 세그먼트 간 100 Time-stamp 간격을 두었기 때문이다. 전체 1,000 Time-stamp의 데이터에 대해
타임 세그먼트 간 100 Time-stamp를 두었기 때문에 각 고장 케이스에 비해 10배의 데이터가 생성되어 전체 시간에 대한 고장 분류를 진행하게
된다.
그림. 6. 실제 레이블과 예측 레이블 간 오차행렬 결과
Fig. 6. Confusion matrix result between actual label and prediction label
그림 6의 오차행렬 결과를 보면 계통에서 가장 빈번하게 발생하는 지락 고장의 경우, 총 1,961개의 데이터에 대하여 학습한 CNN 모델은 1,943개의
데이터를 지락고장으로 예측하였다는 것을 확인 할 수 있다. 전체 테스터 데이터 Set에 대하여 개발한 CNN 학습 모델의 정밀도는 평균 정밀도 90\%인
것을 확인할 수 있다.
4.2 실 계통 PMU 데이터 적용
학습이 완료된 CNN 모델을 통해 실제 계통에서 발생한 고장 데이터인 PMU 데이터를 입력 Set으로 두어 고장분류를 수행하였다. 실제 계통에서의
송전선로 고장(Line Fault)과 발전기 탈락 Case 2가지를 CNN 모델에 적용하여 예측결과를 확인하였다. 표 3은 Case 2에 대한 실제 고장 데이터를 나타낸다.
표 2. 고장 케이스 구성
Table 2. Configuration of Fault case
|
이벤트 카테고리
|
레이블
|
모선
|
총 개수
|
|
Brach trip(선로 트립)
|
0
|
68
|
952
|
|
Gen_ loss(발전기 트립)
|
1
|
1020
|
|
L-G fault(선로 고장)
|
2
|
952
|
|
Load loss(부하 탈락)
|
3
|
952
|
|
Shunt loss(조상설비 탈락)
|
4
|
952
|
|
V reference(발전기 단자 전압 변화)
|
5
|
952
|
표 3. 실제 고장 데이터
Table 3. Fault Data at KOREA Power System
|
분류
|
고장종류
|
측정 변전소
|
원인
|
|
CASE 1
|
발전기 트립
|
345kV 청양변전소
|
발전기 일시 정지
|
|
CASE 2
|
선로 고장
|
청양-신온양 #2T/L B상 아킹혼 섬락
|
Case 1의 경우 보령화력 #1호기의 일시 정지로 인한 Generation Loss Case로, 사고 당시 청양 변전소 모선 전압,주파수는 아래
그림 7과 그림 8과 같다. WAMS로부터 취득된 데이터를 개발한 CNN 모델에 입력하여 고장 분류를 수행하였다.
그림. 7. 사고 당시 청양 변전소 모선 실제 전압파형(Gen Loss)
Fig. 7. Actual voltage waveform of the Cheongyang substation bus-bar at the time of
the Fault(Gen loss)
그림. 8. 사고 당시 청양 변전소 실제 주파수(Gen loss)
Fig. 8. Cheongyang substation actual frequency at the time of the accident(Gen loss)
그림 9는 Case 1의 전압과 주파수를 CNN 모델에 입력하였을 때 나온 결과를 보여준다. 그림 9 결과 하단의 Predict Fault Label : 1과 Predict Fault Name: gen_loss는 학습 모델이 분류한 고장결과로써,
모델은 앞서 정의된 표 2의 고장 레이블 값인 1을 출력하고, Predict Fault Name: gen_loss로 예측한 고장명칭을 발전기 트립 고장으로 표현하면서 모델이
발전기 트립 고장에 대해 정확하게 구분함을 확인할 수 있다.
Case 2의 경우, 청양-신온양 #2 T/L의 B상 아킹혼 섬락으로 인해 발생한 Case로 사고 당시의 청양변전소의 모선 전압과 주파수는 아래 그림 10과 그림 11과 같다.
그림. 9. CNN 모델 결과(GENERATION LOSS)
Fig. 9. The Result of CNN Model(GENERATION LOSS)
그림. 10. 사고 당시 청양 변전소 모선 실제 전압파형(Line Fault)
Fig. 10. Actual voltage waveform of the Cheongyang substation busbar at the time of
the Fault(Line Fault)
그림. 11. 사고 당시 청양 변전소 실제 주파수(Line Fault)
Fig. 11. Chengyang substation actual frequency at the time of the accident
그림 12는 Case 2의 전압과 주파수를 CNN 모델에 입력하였을 때 나온 결과를 보여준다. 그림 12 결과 하단의 Predict Fault Label : 2와 Predict Fault Name: line_fault는 학습 모델이 분류한 고장결과로써,
모델은 앞서 정의된 표 2의 레이블 값 2를 출력하고, Predict Fault Name: line_fault로 예측 고장명칭을 선로 고장으로 표현하면서 모델이 선로 고장에
대해 정확하게 구분함을 확인할 수 있다.
그림. 12. CNN 모델 결과(Line Fault)
Fig. 12. The Result of CNN Model(Line Fault)
고장 종류가 다른 2가지 케이스에 대하여 학습된 CNN 모델은 실제 고장 종류와 같은 종류의 결과를 도출하였으며, 추후 다른 실 계통 고장 데이터에
대한 추가 검증을 진행할 예정이다.
5. 결론
본 논문에서는 학습된 CNN 모델을 기반으로 PMU 빅데이터를 이용하여 고장 분류 기술 개발에 대한 연구를 진행하였다. 현재 국내에 설치되어 있는
WAMS에 대한 소개와 함께 IEEE 68 Bus System의 다양한 상정 고장 케이스를 바탕으로 CNN 모델을 학습시키고, 실 계통 데이터인 PMU
고장 데이터를 통해 학습된 모델의 타당성을 확인하였다. 학습된 CNN 모델은 정밀도 90\%를 갖는 모델로 다양한 상정 고장 케이스에 대하여 정확한
분류를 할 수 있는 모델을 구현하였고, 실제 계통에서 발생한 발전기 탈락(정지)와 선로 고장에 대하여 분류가 됨을 확인하였다.
본 논문의 결과를 바탕으로 추후 상정 고장의 케이스를 세밀하게 나누고, 선로 전류와 같은 Feature를 추가시키며 모의 계통이 아닌 RTDS와 연계한
실제 계통 PMU 고장 사례로 모델을 학습을 시킴으로써, 더 많은 실제 계통 사고를 분류하고 좀 더 정밀도가 높고 다양한 고장에 대한 분류가 이루어지도록
추가연구를 진행할 예정이다.