1. 서 론

전력 계통 현상에 대한 분석은 계통 신뢰성 및 안정성을 확보하기 위해 필수적인 요소이다. 빠르고 정확한 이벤트 검출, 고장점 파악 및 현상 분류를 통해 계통 고장의 근본적인 원인을 보다 정확하게 분석되어야 한다. 또한, 고장 및 정전이후 계통 복원이 신속해 져야 하고, 전력 손실 및 품질 저하로 인한 사회적, 경제적 국가 안보 영향이 감소하고 에너지의 공공성이 향상될 수 있다⁽¹⁾.

PMU(Phasor Measurement Unit)는 고속 샘플링 속도로 동기화된 측정요소를 제공하여 단시간의 과도 상태를 정밀하게 기록할 수 있다. 이는 기존 SCADA 시스템에서 감지하기 힘든 유의한 과도 상태를 감지, 분석할 수 있다. 따라서 변동성이 심한 재생에너지원(RES)의 출현은 차세대 SCADA 및 PMU 기반 실시간 감시 및 제어가 각광을 받게 되었다⁽¹⁾. 한편, PMU를 활용한 광역 전력계통 감시 및 운영기술인 WAMS(Wide Area Measurement Systems)는 넓은 지역에 대한 시각 동기화 데이터를 취득하고 방대한 양의 데이터가 쌓이고 있다. 이에 빅 데이터를 가공하여 계통 운전원에게 활용성이 크고 가치 있는 계통상황인지 정보를 전달하는 것이 앞으로 해결해야할 문제로 부상하는 것은 당연하다고 하겠다^(1,2,12).

최근 방대한 양의 PMU 데이터를 활용하기 위하여 많은 연구들이 수행되고 있다. ⁽²⁾에서는 PMU 빅 데이터를 바탕으로 최신의 AI 기술을 도입하여 계통고장분류 모델 개발에 대한 연구가 진행되었다. ⁽³⁾에서는 PMU를 기반으로 확률적 분석을 통해 스마트 그리드의 송전선로 고장에 대한 고장발생 가능성을 추정하고, 완전한 고장을 피하기 위해 시정 조치 및 유지보수를 수행하여 사전 예방하는 확률 모델이 제시되었다. ⁽⁴⁾에서는 방대한 양의 실시간 PMU 데이터를 통해 이벤트를 검출하기 위하여 압축 알고리즘인 SDT(Swinging Door Trending)를 사용하여 새로운 이벤트 검출 방법이 제안되었다. ⁽⁵⁾에서는 이미지 임베딩 기술을 적용하여 이벤트 데이터를 각 시계열 학습을 위한 2차원 이미지로 변환하고 딥러닝(Deep Learning)에 의한 전력계통 과도상태 고장 분류에 대한 연구를, ⁽⁶⁾에서는 배전계통에 설치된 PMU의 데이터를 사용하여 기계 학습을 통해 단락 고장을 분류하는 연구를, ⁽⁷⁾에서는 고정밀 측정장치의 데이터를 기반으로 전력망에서의 이벤트 원인 분석을 위한 새로운 데이터 기반 체제 구축에 관한 연구를, ⁽⁸⁾에서는 데이터 기반 대화형 그래프 추론방법을 사용한 이벤트 식별 방법에 대한 연구 등이 각각 진행되었다.

본 논문에서는 재생에너지원에 설치된 PMU를 통한 빅 데이터와 심층 신경망(Deep Neural Network)을 이용한 새로운 계통 현상 판별 알고리즘을 제안한다. 먼저, 강원지역의 변전소 재생에너지원에 설치된 PMU와 출력되는 데이터 구조를 파악한다. 다음, PMU 데이터로부터 정상상태, 탭 상승, 탭 하강, 병입, 병해 등 총 8가지로 계통 현상을 분석한다. 심층 신경망을 이용하여 8가지 계통 현상에 대한 학습 데이터를 구축하여 지도학습을 진행한 후, 시험 데이터를 통해 학습된 심층 신경망 모델에 대한 검증을 수행한다. 최종적으로, 새로운 PMU 빅 데이터가 들어 왔을 경우 전력계통 현상을 판별할 수 있는 새로운 알고리즘을 설계, 구현, 평가하고자 한다.

2. PMU 기반 빅 데이터의 분석 및 전처리

2.1 PMU 개요

PMU 기술은 1PPS(Pulse Per Second)의 GPS 신호를 기준으로 실시간 전압 및 전류의 크기와 위상각, 주파수에 관한 페이저 정보를 제공한다. 각각의 PMU는 GPS 신호와 PMU 내부 클럭을 통해 계측데이터에 자체적으로 time tag를 부여하기 때문에 동일 시점의 데이터를 계측할 수 있으며, 더 나아가 설치점간의 위상차를 계산할 수 있다. 그림 1은 동기화된 PMU 계통을 나타낸다. 그림 1에서와 같이, PMU는 결국 계통의 서로 다른 지점에서 동기 페이저 및 정현파 신호의 주파수를 추출하여 PDC(Phasor Data Center)로 전송하게 된다^{(2~5, 9~12)}.

그림. 1. 동기화된 PMU 계통의 표현

Fig. 1. Representation of a synchronized PMU system

SCADA를 통한 데이터는 아날로그 형태로 2~10초 주기로 데이터 측정이 이루어지고, 위상각 등의 측정이 불가능하다. 그러나 PMU의 경우 디지털 형태로 데이터가 측정되며, 주기당 60회 이상 측정이 이루어지며 측정 데이터간의 시각 동기를 이용해 위상각 측정이 가능하며, 동적/과도현상에 대한 분석이 가능하다^(9~12).

2.2 PMU 빅 데이터와 전처리

PDC를 통해서 수집한 빅 데이터는 데이터 수집서버에서 전처리를 거쳐서 데이터베이스 또는 파일로 저장이 된다. PMU 빅 데이터는 취득하는 데이터양이 매우 많고 주기가 빠르기 때문에 데이터베이스에 바로 트랜잭션을 하려면 시스템의 부하가 너무 크다. 그러므로 전처리를 위해서 PDC로부터 수신한 데이터 스트림(data stream)을 파일로 일정기간 저장을 하고 이 파일을 batch 방식으로 전력연산을 수행하고 데이터베이스에 순차적으로 저장을 하도록 하였다. 실시간 데이터는 메모리영역에서 따로 분리하여 실시간 화면을 처리하는 기능에서 사용하고 저장 프로세스에서는 안정성이 우선이므로 파일처리 후 데이터베이스로 전송을 한다. RAW 데이터는 향후 빅 데이터 분석을 위해서 따로 저장을 하고 FIFO(First In First Out) 기능을 통해서 자동으로 파일 정리를 하고 데이터 파일은 누구나 활용이 가능한 CSV(comma-separated values)파일로 저장하도록 하였다. 그림 2는 PDC를 통해 수집된 빅 데이터의 CSV파일 형태의 파일 처리 결과를 나타낸다. CSV형태의 빅 데이터 파일을 제안한 알고리즘에 적용하기 위하여 전처리를 진행하였다. 전처리는 특정 계통 현상의 40Cycle의 데이터를 추출하여, 각 상의 전압 및 전류를 한 행으로 배열하였다⁽¹⁾.

그림. 2. PMU 빅 데이터의 CSV파일 처리 결과

Fig. 2. CSV file processing result of PMU Big Data

2.3 빅 데이터 분석

강원지역의 재생에너지원 연계 횡계S/S에는 PMU와 F/R을 8개소에, 영월S/S에는 PMU를 5개소에 각각 설치하였다. 이로부터 동기 페이저 데이터는 PDC를 통해 수집하여 PMU 빅 데이터를 생성하였다⁽¹⁾. PMU 빅 데이터에서 나타나는 계통 현상은 정상상태, 고장상태, 출력변동, 탭 상승, 탭 하강, 병입, 병해, 발전정지 등이다. 고장상태는 송전선로 단락 및 지락고장 등이 포함되며, 출력변동은 순간적으로 출력이 3%이상 변하는 구간, 탭상승 및 탭하강은 OLTC 동작에 의한 것으로 Tap 당 1.25%의 전압이 상승 또는 하강한다⁽¹⁾. 그림 3은 고장상태 계통 현상의 전압 및 전류를 나타낸다. 그림 3로부터 13시 29분 37.776초에 고장이 발생하여 전압은 3,863[V]까지 감소하였고, 전류는 529.06[A]까지 상승하였음을 알 수 있다.

그림. 3. 계통 현상의 전압 및 전류 (고장상태)

Fig. 3. Voltage and current of grid phenomenon (fault condition)

그림. 4. 계통 현상의 전압 및 전류 (탭상승)

Fig. 4. Voltage and current of grid phenomenon (tap rise)

그림 4는 탭 상승 계통 현상의 전압 및 전류를 나타낸다. 그림 4로부터 7시 39분 30.226초에 탭 상승이 시작하여 A상 전압 기준으로 13,095[V]에서 13,255[V]로 160[V](1.22[%]) 상승하였고, 탭이 상승하는데 걸리는 시간은 5[cycle](80[ms])임을 알 수 있다. 그림 5는 병입 계통 현상의 전압 및 전류를 나타낸다. 그림 5로부터 19시 00분 23.967초에 병입이 시작하여 A상 전압 기준으로 13,428[V]에서 13,534[V]로 106[V](0.8[%]) 상승하였고 전류의 경우 0[A]에서 13.48[A]로 상승하였다. 병입하는데 걸리는 시간은 16[cycle](256[ms])임을 알 수 있다.

그림. 5. 계통 현상의 전압 및 전류 (병입)

Fig. 5. Voltage and current of grid phenomenon (feed-in)

그림. 6. 새로운 계통 현상 판별 알고리즘의 흐름도

Fig. 6. Flowchart of new grid phenomenon identification algorithm

3. 새로운 계통 현상 판별 알고리즘

그림 6은 새로운 계통 현상 판별 알고리즘의 흐름도를 나타낸다. 먼저, 수집된 PMU 빅 데이터를 입력한다. PMU 빅 데이터를 심층 신경망 학습에 적합한 형태로 전처리를 진행한다. 전처리가 완료된 데이터를 통해 훈련을 하기 위한 학습 데이터와 검증에 사용할 시험 데이터로 구분하여 구축한다. 심층 신경망을 사용하여 학습 데이터를 지도학습 시킨다. 지도학습이 완료된 심층 신경망 모델을 생성하면, 시험 데이터를 통하여 최종적인 심층 신경망 모델을 검증한다. 이후, 새로운 PMU 빅 데이터가 들어 왔을 경우 재생에너지 관련 계통 현상을 판별하여 총 8가지로 분류 된다.

4. 새로운 알고리즘 구현 및 시험

4.1 학습 데이터 구성

그림 7은 학습 데이터의 구성을 나타낸다. 그림 7과 같이 학습 데이터는 36×240의 행렬로 구성된다. 36개의 행은 8가지 계통 현상을 나타내며, 현상별로 4~5개의 데이터를 사용하였다. 240개의 열은 A상, B상, C상 전압, A상, B상, C상 전류 40cycle에 대한 값을 각각 나타낸다.

그림. 7. 학습 데이터의 구성

Fig. 7. Configuration of learning data

4.2 모델 구성

그림 8은 제시한 새로운 알고리즘의 심층 신경망 모델 구성을 나타낸다. 그림 8과 같이 설계된 모델은 Python을 이용하여 구현하였으며, tensorflow의 sequential 모델을 이용하여 5개의 레이어로 구성하였다. 입력층의 뉴런 개수는 240개이며, relu 활성함수를 사용하였다. 은닉층은 3개층으로 구성되며 각각 120, 60, 30개의 뉴런으로 활성함수는 relu 활성함수를 사용하였다. 출력층은 8개의 뉴런으로 분류 작업에 자주 사용되는 softmax 활성함수를 사용하였다.

그림. 8. 심층 신경망 모델 구성

Fig. 8. Model structure of deep neural network

4.3 시험 평가

그림 9는 학습된 심층 신경망 모델의 반복횟수별 정확도를 나타낸다. 반복횟수는 총 5,000번을 반복하였으며, 그림 9와 같이 정확도는 처음 0.0667부터 시작하여 0.9333까지 상승하여, 최종 정확도는 0.9333으로 확인되었다. 그림 10은 학습된 심층 신경망 모델의 반복횟수별 손실을 나타낸다. 그림 10과 같이 손실은 처음 0.1132부터 시작하여 0.0110까지 감소하여, 최종 손실은 0.0110으로 확인되었다.

그림. 9. 심층 신경망 모델의 정확도

Fig. 9. Accuracy of deep neural network model

그림. 10. 심층 신경망 모델의 손실

Fig. 10. Loss of deep neural network model

그림 11은 제시한 계통 현상 판별 알고리즘을 사용하여 계통 현상을 판별한 결과를 나타낸다. 그림 11과 같이 총 8가지로 분류할 수 있도록 뉴런에 대한 값이 나타나 있으며, 뉴런의 값이 1에 가까울수록 해당 계통 현상으로 판별할 수 있었다. 그림 11(a)와 같이 정상상태를 나타내는 첫번째 뉴런의 값이 0.977로 1에 가장 가깝게 나타나 계통 현상이 정상상태로 판별되었다. 그림 11(b)와 같이 고장상태를 나타내는 두번째 뉴런의 값이 1.000으로 1에 가장 가깝게 나타나 계통 현상이 고장상태로 판별되었다. 그림 11(c)와 같이 출력변동 상태를 나타내는 세번째 뉴런의 값이 0.999로 1에 가장 가깝게 나타나 계통 현상이 출력변동 상태로 판별되었다. 그림 11(d)와 같이 병입 상태를 나타내는 네번째 뉴런의 값이 0.798로 1에 가장 가깝게 나타나 계통 현상이 병입 상태로 판별되었다. 그림 11(e)와 같이 병해 상태를 나타내는 다섯번째 뉴런의 값이 0.992로 1에 가장 가깝게 나타나 계통 현상이 병해 상태로 판별되었다. 그림 11(f)와 같이 탭 상승 상태를 나타내는 여섯번째 뉴런의 값이 0.934로 1에 가장 가깝게 나타나 계통 현상이 탭 상승 상태로 판별되었다. 그림 11(g)와 같이 탭 하강 상태를 나타내는 일곱번째 뉴런의 값이 0.743으로 1에 가장 가깝게 나타나 계통 현상이 탭 하강 상태로 판별되었다. 그림 11(h)와 같이 발전정지 상태를 나타내는 여덟번째 뉴런의 값이 0.999로 1에 가장 가깝게 나타나 계통 현상이 발전정지 상태로 판별되었다. 즉, 학습 데이터와 다른 시험 데이터를 통하여 검증되었으며, 시뮬레이션을 통해 모든 시험 데이터가 실제 계통 현상과 같은 종류의 결과를 나타내었다.

그림. 11. 계통 현상 판별 결과

Fig. 11. Results of systematic phenomenon identification

5. 결 론

본 논문에서는 PMU으로 수집한 빅 데이터를 바탕으로 심층 신경망을 사용하여, 계통의 다양한 현상을 판별하는 새로운 모델과 알고리즘을 제시하였다. 각각의 현상에 대한 학습 데이터를 구축하고, 심층 신경망을 이용하여 지도학습을 진행하였다. 시험 데이터를 통해 학습된 심층 신경망 모델에 대한 검증을 진행하였다. 시뮬레이션 결과, 구현된 새로운 알고리즘은 정상상태, 고장상태, 탭 상승, 탭 하강, 병입, 병해 등의 다양한 현상에 대하여 신속하고 정확하게 판별 가능한 심층 신경망 모델로 성능이 평가되었다. 추후, 현상을 세밀하게 나누고, 더 많은 실제 계통 사고 및 과도현상을 분류하여 더 정밀하게 식별이 가능하도록 추가 연구를 진행할 예정이다.