2.1 자연재난에 따른 전력설비 고장 영향 인자 분석 및 데이터 수집

2.1.1 국민안전처 기상특보 데이터

국민안전처는 태풍, 강풍, 호우, 폭설, 한파, 폭염에 대하여 경보/주의보의 형태로 발령 기간과 대상지역이 포함하는 기상특보를 발표한다. 피해지역과 피해규모 및 피해시간에 대한 학습과 예측을 위해 “기상특보 데이터”를 활용하였다.

2.1.2 기상청 기상관측 데이터

학습 입력데이터 세트를 구성하는 과거 기상데이터는 기상청의 기상관측시스템(Automatic Weather System, AWS)에서 수집하였다. 기상관측 데이터는 관측일시, 지점(경위도 및 고도), 날씨, 기온, 풍향, 풍속, 강우량, 적설량, 습도 등을 포함하고 있으며, 본 연구에서는 기상청의 1시간 기상관측 데이터를 활용하였다.

2.1.3 기상청 동네예보 데이터

예측에 사용되는 미래 기상데이터는 기상청의 동네예보 데이터를 활용하여 수집한다. 동네예보 데이터는 예측일시, 지점(동/읍/면), 날씨, 기온, 풍향, 풍속, 강우량, 적설량, 습도 등을 포함하고 있다. 동네예보 데이터는 그림 1과 같이 3시간 단위로 예보된다.

본 연구에서는 기상청의 3시간 단위 예보를 예측 입력데이터로 사용하기 위하여, 1시간 기상관측 데이터를 그에 상응하는 3시간 단위로 변경하는 전처리 작업을 수행하였다. 전처리 작업은 3시간 단위의 시간간격 윈도우를 1시간 단위로 슬라이딩 이동하는 방식(0시-3시, 1시-4시, ... ,23시-익일2시)을 사용하였다. 표 1과 같은 1시간 단위의 풍속데이터를 이용하여 표 2와 같은 3시간 윈도우를 활용하여 3시간 단위의 평균풍속을 구하였고, 이를 통해 예측 입력데이터와 같은 3시간 단위의 학습 입력데이터를 구축하였다.

2.2 전력설비 고장 데이터 분석

위의 전처리 과정을 통해 기상재해 종류 및 발생시각을 파악하고 설비고장 시각과 비교함으로써 그 고장의 원인을 매칭하였다. 그 결과는 표 3과 같다.

2.3. 기상과 설비고장 데이터 상관관계 분석

2.3.1 상관관계 분석 개요

본 연구에서는 예측모델 출력(전력설비 고장건수, 정전고객수)에 영향을 미치는 주요 입력변수(기상 요소) 선정을 위해 피어슨 상관관계 분석법을 사용하였고, 기상 요소는 평균 기온, 최소 온도, 최대 온도, 평균 강수량, 최소 강수량, 최대 강수량, 평균 풍속, 최소 풍속, 최대 풍속, 평균 풍향, 최소 풍향, 최대 풍향을 사용하였다. 피어슨 상관계수는 다음 방정식으로 계산할 수 있다.

수식(1)에서 $R_{m}$은 기상 데이터 m에 대한 피어슨 상관계수를 나타낸다. $n$은 데이터 수이며, $X_{m}$은 기상 데이터이다. $Y$는 전력설비 고장 수를 나타낸다.

피어슨 상관계수($R_{m}$)은 $-1$과 $1$사이의 값을 갖는다. 입력변수를 선정하기 위해서는 임계값이 필요하며 이는 $0$과 $1$ 사이의 범위여야 한다. 본 연구에서는 기본 임계값을 $0.2$로 적용하였다. 전력설비는 기상 악화 상황에서도 정상으로 운영될 수 있도록 강화된 설계 기준에 따라 관리되는 관계로 자연재난 상황에서도 고장이 드물게 발생하기 때문에 일반적으로 $0.5$보다 낮은 $0.2$를 적용할 수 있다.

2.3.2 상관관계 분석 결과

표 4는 태풍 발생 시 제주지역 서귀포지사의 기상요소와 배전설비 고장에 대한 상관분석 결과를 보여준다. 상관계수의 절대 값이 0.2 이상인 경우는 표 4에 음영으로 표시하였다. 상관계수가 0.2 이상인 경우 두 변수는 약한 선형관계 이상임을 나타낸다. 해당 표에서 전주 고장에 대해서는 평균강수량이 0.303으로 가장 큰 상관계수를 가지는 것을 볼 수 있다. 즉, 전주 고장은 평균강수량이 가장 큰 영향을 미칠 것으로 예상된다. 전주 고장으로 인한 정전고객수의 경우도 마찬가지로 평균강수량이 가장 큰 상관계수를 가진다.

상관계수가 기준치를 초과하는 기상요소들은 해당 지역의 인공신경망 기계학습 알고리즘의 학습과 예측과정에서 입력 요소로 사용된다. 예를 들어 전선의 고장을 학습·예측하는 경우에는 기상요소에서 {평균풍속, 최소풍속, 최대풍속, 평균강수량, 최소강수량, 최대강수량}을 사용하며, CoS의 고장건수와 정전고객수를 학습·예측하는 경우에는 전선과 다르게 {최소풍속}이 제외된 {평균풍속, 최대풍속, 평균강수량, 최소강수량, 최대강수량}을 기상요소의 입력으로 사용한다.

3.1 개발 모델 개요

3.1.1 인공신경망(Artificial Neural Network, ANN) 모델

ANN은 인간 또는 동물의 두뇌를 만드는 생물학적 신경 네트워크에서 영감을 얻은 컴퓨터 시스템이다. ANN은 데이터와 그 상관관계를 학습하여 결과를 추정한다. 비선형적인 종속성을 해결하고 데이터 세트에 포함된 노이즈를 제거하기 위해서 데이터를 학습한다. ANN은 뉴런이라 불리는 연결 단위 모음으로 구성된다. 하나의 기본 뉴런은 최소한 입력, 출력 및 가중 입력을 출력에 매핑하는 활성화 함수가 있어야한다. 이 기능을 활성화 기능 또는 전달 기능이라고 한다. 본 연구에서는 활성화함수로 softplus 함수를 사용하였다. 또한, 전력설비 고장 예측과 같은 선형 예측을 위해 ANN은 다중 입력 및 활성화 함수 및 단일 출력으로 구성할 수 있다. 그림 2는 ANN의 구조를 보여준다.

본 연구에서는 일반적으로 가장 많은 분야에서 사용되는 Gradient descent를 사용하여 비용 함수를 최소화하였다.

ANN 모델 개발 과정에서 결정해야하는 세 가지 설정이 있다. 이 설정은 히든 레이어의 노드 수, 정규화 파라미터($\lambda$) 및 임의 초기화 파라미터($\epsilon$)이다. 본 연구에서 얻어진 ANN 설정 집합 중 히든 레이어는 3개의 노드로 설정하였다. 히든 레이어를 4개 이상으로 증가시키는 경우 기계 학습 시간과 예측 시간이 증가되었으며, 테스트 데이터 집합을 대상으로 Test Error의 정확도가 낮아지는 현상이 발생하였다. 초기화 파라미터($\epsilon$), 정규화 파라미터($\lambda$)는 지수적으로 증가하는 값을 사용하여 결정한다. 지수적으로 증가하는 값은 수식(2)와 수식(3)을 사용하여 계산한다. ANN 모델 기계학습 과정에서 초기화 파라미터($\epsilon$), 정규화 파라미터($\lambda$)는 지역별, 설비별 학습 과정에서 아래의 값들 중에서 최적의 값으로 자동으로 선정하여 관리한다.

3.1.2 비교 평가를 위한 선형회귀분석(Linear Regression Analysis, REG) 모델

비교를 위한 REG 모델은 주어진 데이터 집합 {$y_{i},\: x_{i},\: ...,\: x_{ip}$}에 대해, 종속 변수 $y_{i}$와 p 개의 독립변수 $x_{i}$ 사이의 선형관계를 모델링 한다. REG 모델은 수식 다음과 같은 형태를 갖는다.

수식(4)에서 $\beta_{i}$는 각 독립변수의 계수이며, $p$는 선형회귀로 추정되는 모수의 개수이다. T는 전치를 의미하며 $X_{i}^{T}\beta$는 $X_{i}$와 $\beta$의 내적을 의미한다. $e_{i}$는 오차항으로 관찰되지 않은 확률변수이며 종속변수와 독립변수사이에 오차를 의미한다. 본 연구에서 독립변수는 해당 재난 발생 시의 날씨변수들을 사용하였고 예측변수는 각 설비에 대한 고장건수 및 정전고객수를 적용하였다. 최소제곱법은 가장 단순하고 많이 쓰이는 추정 방법이다. 이는 개념적으로 단순하고, 계산이 간단하다. 최소제곱법 추정은 일반적으로 실험이나 관측치에 적용하고자 할 때 사용한다. 최소제곱법은 오차의 제곱의 합을 최소화하는 기법으로, 추정하고자 하는 파라미터 β에 대한 표현식을 수식(5)와 같이 구할 수 있다.

3.2 재난피해 예측 모델 개발

기상 정보는 여러 기상관측센터에서 수집되는 반면 전력설비 고장정보는 한전지사에서 관리하고 있다. 하나의 지사 영역 내에 여러 기상관측센터가 존재하기 때문에 모든 AWS에서 수집한 기상 정보를 반영할 필요가 있다. 이를 위해 입력변수로 기상 변수의 평균값, 최솟값, 최댓값을 사용하였으며, 기상 변수 사용에 따라 평균값만을 사용한 평균모델, 최소 및 최댓값만을 사용한 극한모델, 모든 기상 변수를 사용한 통합모델을 각각 개발하고 검증하였다. 실험 결과 평균모델, 극한모델, 통합모델 중에서 기상 변수의 평균값을 적용한 평균모델의 정확도가 가장 우수하였다.

그림 3은 기상관측센터와 지사관리 영역의 예시를 보여준다. 타원은 기상청의 기상관측센터(AWS)를 나타내며 검정색 점선은 사업소영역을 나타낸다. 파란색 실선은 기상청 동네예보 구역을 의미한다.

본 논문의 재난피해 예측 알고리즘은 지역(지사) 단위로 학습과 예측을 수행한다. 그림 3과 같이 서대전지역의 학습 단계에서는 AWS 101에서 104까지 4개의 AWS 데이터와 서대전지사에서 발생한 전력설비 피해 정보를 이용한 학습 입력데이터 세트를 활용한다. 예측 단계에서는 동네예보 데이터인 도마동, 괴정동, 변동, 대흥동, 문화동의 5개 예보데이터를 이용하여 예측 입력데이터 세트를 활용한다. 같은 방식으로 대덕유성지역의 학습에는 AWS 201에서 203까지 3개의 기상관측데이터와 대덕유성지사에서 발생한 전력설비 피해 정보를 이용한 학습 입력데이터 세트를 활용하며, 예측 단계에서는 동네예보 데이터인 전민동, 문지동, 관평동의 3개 예보데이터를 이용하여 예측 입력데이터 세트를 활용한다.

여기서, 지역(지사)단위보다 큰 지역(전국 또는 특별시, 도 영역)의 넓은 지역을 대상으로 하는 광범위한 영역에 대한 학습과 예측은 지역별 특성을 정확히 반영하는데 한계가 있기 때문에 낮은 예측 정확도를 나타낸다. 본 논문에서는 이를 해결하기 위해 넓은 지역을 좁은 지역으로 한정하는 지역 단위의 알고리즘을 개발하였으며, 제주지역 서귀포지사를 대상으로 알고리즘 개발·검증·적용 결과를 기술한다.

예측 알고리즘은 기본적으로 ANN 모델로 개발하였으며 REG 모델과 비교 검증하였다. 알고리즘 개발을 위한 주요 데이터는 그림 4와 같은 형태로 구성된 통합 데이터베이스이다. 예측 알고리즘은 재난특보 지역의 동네예보를 입력데이터로 각 전력 설비의 고장 수를 예측한다.

위 그림 4에서 “X”로 표시한 입력변수는 통합 데이터베이스의 기상 변수이다. 이 기상 변수는 평균 온도, 최소 온도, 최대 온도, 최대 풍속, 평균 풍속 및 최대 풍향, 평균 강수량, 최소 강수량, 최대 강수량, 평균 적설량, 최소 적설량, 최대 적설량이다. 반면, “Y”로 표시한 출력 데이터는 통합 데이터베이스의 전력 설비 고장 수 및 정전고객수이다. 레코드는 재난 현상 발생 일을 나타낸다.

통합 데이터베이스는 기상 데이터 (기상청 제공), 전력 설비 데이터베이스 및 고장 데이터베이스로 구성한다. 재난 현상의 각 유형은 태풍, 폭염, 한파, 호우, 강풍, 폭설로 각각의 데이터베이스가 존재한다. 따라서 각 유형의 재난 현상에 대해 재난피해 예측 알고리즘을 개발하여 각 전력 설비의 고장 수를 예측한다. 그림 5는 전제 재난피해 예측 알고리즘의 구성 및 동작 흐름을 보여준다.

재난피해 예측을 위해 알고리즘은 통합 데이터베이스에서 데이터 검색을 시작한다. 이때 새로운 학습 입력데이터가 있는 경우 새로운 학습을 통해 신규 모델을 개발하거나, 개발된 모델을 사용하는 두 방식중 하나를 선택하여 수행한다. 학습된 모델은 ANN 파라미터{$\Theta^{(1)}$(기상요소), $\Theta^{(2)}$(정전고장수, 정전고객수)}, 피쳐 스케일링 파라미터{p1(기상요소 보정), p2(정전피해 보정)}, 그리고 새로운 ANN 설정(노드 수, 임의 초기화 파라미터($\epsilon$), 정규화 파라미터($\lambda$)로 구성된다. 선형회귀분석 모델도 마찬가지로 각각의 파라미터와 설정 값을 모델에 저장한다.

4.1 재난피해 예측 알고리즘 시뮬레이션 및 성능 최적화

개발한 재난피해 예측 알고리즘의 성능 최적화를 위해 실제 데이터를 사용하여 시뮬레이션을 수행하였다. 알고리즘은 설비 고장 수, 설비 고장에 따른 정전고객수를 예측하기 위해 사용한다. 시뮬레이션을 위해 훈련 데이터, 교차검증 데이터, 테스트 데이터 세 가지 데이터 집합을 구성한다. 훈련 데이터(교차검증 데이터 포함)는 전체 데이터의 80%, 테스트 데이터는 나머지 20%를 사용한다. 각 모델의 파라미터는 각 재난 유형 및 각 전력 설비 유형에 따라 최적화된 값을 사용한다. 또한, 예측 정확도 평가를 위해 평균 절대 오차(Mean Absolute Error, MAE)를 사용한다. MAE 방정식은 다음과 같다.

수식(6)에서, MAE는 평균 절대 오차, m은 데이터 수, $Y_{i}$는 실제 데이터, $H_{i}$ 예측한 출력을 나타낸다.

4.1.1 시뮬레이션 데이터

본 논문에서는 6가지 재난 중 태풍에 대해서 수행한 재난피해 예측 알고리즘 개발 결과를 기술하였다.

태풍 시뮬레이션은 태풍이 일어났을 때의 상황으로 정의한다. 태풍의 기간은 수 시간에서 수 일 동안 발생할 수 있으며 태풍 시 가장 중요한 요소는 풍속과 강수량이다. 날씨변수에 대해서는 기상 변수의 평균값만 사용하는 평균모델을 적용하였다.

학습 입력데이터 집합은 태풍이 발생했던 기간의 고장데이터와 날씨데이터를 통합데이터베이스에서 받아 사용한다. 각각의 전력지사에 따라 모델을 개발하며 해당 지사는 고유의 통합 데이터베이스를 갖는다. 예측에 사용한 데이터 집합은 두 가지로 분류된다.

첫 번째 데이터 집합은 훈련 데이터로 모델 개발에 사용된다. 본 논문에서는 2007년부터 2017년까지 우리나라에 영향을 미친 29개 태풍중에 2007년부터 2016년 중반까지의 28개를 데이터를 학습에 사용하였다. 두 번째 데이터 집합은 테스트 데이터 집합으로 모델을 검증하기 위해 사용한다. 본 연구에서는 제주시 서귀포지사를 대상으로 2016년 10월의 태풍 ‘차바’ 데이터를 테스트 데이터 집합으로 활용하였다.

표 5와 같이 본 시뮬레이션에서 모델 개발에 사용하는 훈련 데이터는 255개이다. 교차검증(Cross Validation) 데이터는 2015-07-11 15:00 ~ 2017-07-04 15:00 이며 63개이다. 테스트 데이터는 태풍 ‘차바’(2016-10-04 15:00 ~ 2016-10-05 15:00)에 대한 9개로서 예측 정확도 평가에 사용하였다. 모델은 배전시스템의 경우 전주, 애자, 전선, 피뢰기, CoS, 변압기의 총 6가지 설비에 대해 개발하였다. 그러나 실제로 태풍 기간에 모든 설비가 고장나는 것이 아니며 고장 발생이 거의 없는 경우가 많아 태풍 ‘차바’ 발생 기간 동안에 고장이 발생한 설비인 전선과 CoS의 시뮬레이션 결과만을 첨부하였다.

4.1.2 ANN 모델 검증결과

그림 6은 태풍 ‘차바’로 인해 발생한 전선 고장건수와 전선 고장으로 인해 발생한 정전고객수에 대한 ANN과 REG을 적용한 모델 검증 결과를 보여준다. 그림 6의 왼쪽 그래프는 전선 고장건수에 대한 실제고장(실선), ANN 예측결과(대쉬 점선), 그리고 REG 예측결과(점선)를 보여준다. 오른쪽 그래프는 전선 고장으로 인한 정전고객수에 대한 예측 결과를 실제 정전고객수, ANN, REG 모델로 예측한 결과를 동시에 보여준다.

‘차바’로 인해 실제 발생한 전선 고장과 그로 인한 정전고객수에 대하여 ANN, REG 모델 모두 실제와 유사한 예측을 수행하는 것을 알 수 있다. ANN 알고리즘으로 예측한 결과치가 실제와 비슷한 패턴을 그리는 것을 볼 수 있다. 각 그래프에서 ‘x’축은 태풍 ‘차바’가 영향을 미치는 시작시간(2016-10-04 15:00) 부터 종료시간(2016-10-05 15:00) 까지를 3시간 간격으로 나타내고 있으며, 좌・우측 그래프의 ‘y’축은 각각 전선 고장건수(건)와 전선고장으로 인한 정전고객수를 나타낸다.

그림 7은 태풍 ‘차바’로 발생한 CoS 고장건수와 CoS 고장으로 인해 발생한 정전고객수에 대한 ANN과 REG을 적용한 모델 검증 결과를 보여준다. 그림 7의 왼쪽 그래프는 CoS 고장건수에 대한 실제고장(실선), ANN 예측결과(대쉬 점선), 그리고 REG 예측결과(점선)를 보여준다. 오른쪽 그래프는 CoS 고장으로 인한 정전고객수에 대한 예측 결과를 실제 정전고객수, ANN, REG 모델로 예측한 결과를 동시에 보여준다. 그러나 정전고객의 경우에는 발생 시간을 정확히 예측하지는 못하였다. 정전고객수 발생 패턴을 시간축을 기준으로 이동하면 예측치가 실제 값을 따라가는 것을 볼 수 있으며 예측한 정전고객수가 실제와 비슷한 것을 볼 수 있다. 이러한 원인은 전력설비 중 CoS 고장발생의 빈도가 전선의 고장발생 빈도에 비해 낮게 나타나고, 상대적으로 적은 수의 학습 입력데이터로 기계학습을 수행하였기 때문으로 분석하였다.

4.1.3 MAE 활용 예측 정확도 평가

표 6은 ANN 모델과 REG 모델을 적용한 전선, COS에 관한 MAE 값을 요약한 것이다. MAE는 그 값이 0에 가까울 수록 모델의 정확도가 좋음을 나타낸다. 이는 모델이 고장인 경우와 그렇지 않은 경우를 잘 구분함을 보여준다. 서귀포지사의 2016년 태풍 ‘차바’에 대해서 평가한 결과로는 전선 피해와 전선 고장으로 인한 정전고객수 분야는 ANN 모델이 REG 모델에 비해 다소 오차율이 적었으며, CoS 피해건수는 REG 모델이 ANN 모델에 비해 우수한 것으로 평가되었으나, CoS로 인한 정전고객수에 대한 예측정확도는 ANN알고리즘이 보다 우수한 것으로 평가되었다. 다만, 학습 입력데이터와 테스트 데이터 모두 전반적으로 CoS의 피해건수가 전선의 피해건수보다 적었기 때문에 학습 입력데이터가 많은 전선에 대한 평가 결과가 CoS에 대한 평가 결과보다 정확도가 좀 더 우수하다고 분석하였다.

4.2 태풍 솔릭에 대한 피해 예측 결과

2018년 태풍 ‘솔릭’이 서귀포 지사에 내습한 기간은 2018-08-22 15:00 ~ 2018-08-24 12:00이며, 내습 기간동안 동네 예보 발효 건수는 3시간 단위의 16개이며, 이 16개의 동네 예보를 입력으로 실제 태풍 내습 이전에 수행된 예측과 실제 고장결과를 비교하였다. ‘솔릭’으로 인해 서귀포지사에서는 총 16개의 예측 기간 동안 9개의 기간에서 고장이 발생하였으며, 전선 이외의 다른 설비피해는 발생하지 않았다.

ANN과 REG 모델 적용 결과는 그림 8과 같다. 각 그래프에서 ‘x’축은 태풍 ‘솔릭’이 영향을 미치는 시작시간(2018-08-22 15:00) 부터 종료시간(2018-08-24 12:00) 까지를 3시간 간격으로 나타내고 있으며, ‘y’축은 전선 고장건수(건)와 전선고장으로 인한 정전고객수를 나타낸다. 예측에서 고장이 발생(미발생)한다고 판정한 경우와 실제 고장이 발생(미발생)한 경우 그 결과를 성공으로 판정하였다. 표 7과 같이 ANN 모델은 16개 시간대에 대하여 9개 시간대의 고장 발생 여부를 판별하는데 성공하였다. MAE를 적용한 정확도는 1.25로 측정되었다. REG 모델도 ANN 모델과 마찬가지로 16개 시간대에 대하여 9개 시간대의 고장 발생 여부를 판별하는데 성공하였으며, MAE를 적용한 예측 정확도는 1.75로 측정되었다.

두 알고리즘 모두 동일한 입력인 서귀포지사의 동네예보 기상 요소(강우량, 풍속)를 입력으로 예측을 수행하였다. 두 알고리즘 모두 고장발생에 대한 판별은 9건씩으로 같은 결과를 나타냈으며, 예측 정확도를 나타내는 MAE 값에 있어서는 ANN 알고리즘이 REG 알고리즘에 비해 우수함을 확인할 수 있었다.