2.1 2차측 전압변환 필요성

일반적으로는 배전변압기 2차측에서 저압을 측정하고 이를 기반으로 1차측의 특고압 전압을 추정해야 한다. 배전선로의 규정전압을 유지하기 위해 분산전원의 무효전력을 제어하기 위해서는 전압을 정확히 알 수 있어야 한다. 그림 1에서 보는 바와 같이 저압 분산전원은 배전변압기 2차측의 저압선로에 설치된다. 설치점에서 저압 전압을 측정하고 이를 기반으로 무효전력 제어량을 결정한다. 그러나 배전운영자의 전압제어 목표는 배전변압기 1차측의 특고압 전압이다. 2차측에서 측정된 전압에 권수비를 곱하는 방법으로는 1차측의 전압을 계산할 수 없다. 배전변압기는 계기용변성기가 아니므로 전압 크기의 정밀한 변성을 기대할 수 없다.

그림 2는 전형적인 전압측정치 기반의 무효전력 제어 특성곡선을 나타내고 있다. 그림에서 1.03[pu]는 1차측의 정확한 전압이고, 1.02[pu]는 2차측 측정전압으로부터 환산된 0.01[pu]의 오차를 포함한 추정전압을 나타내고 있다. 정확한 전압이 1.03[pu]이므로 분산전원 용량의 50[%]에 해당하는 무효전력을 흡수해야 하지만, 1.02[pu]가 기준전압이 되었다면 25[%]의 무효전력만 흡수하게 되어 정확한 제어가 불가능하다.

2.2 전압 변환오차의 원인

배전용변압기는 계기용변성기와 달리 전압의 크기를 정확히 변환할 목적으로 설계된 것이 아니므로, 2차측에서 측정된 전압을 1차측 특고압 전압으로 정확히 환산하는 것은 불가능하다. 내부 전압강하, 철심 비선형성, 탭 포지션 등의 표면적인 원인 외에도 배전용변압기 제작과정을 살펴보면 정확한 전압의 변환은 기대하기 어렵다.

전력용 변압기는 권선저항과 누설 리액턴스로 구성되는 내부 임피던스에 의하여 전압강하가 발생한다. 부하량 및 역률에 따라 달라지지만 22.9[kV] 배전용변압기의 경우 최대 6[%]의 전압강하가 발생하는 것으로 알려져 있다. 변압기 전압강하는 2차측에서 측정된 전압을 1차측 전압으로 환산하는데 오차로 작용한다.

그림 4에서 보는 바와 같이 변압기를 구성하는 철심은 고유한 재료의 성질에 따라 비선형적인 자화 특성을 가진다. 특히 배전용변압기는 철심의 크기를 줄이기 위하여 최대 자속밀도가 Knee point 근처에서 운전되도록 설계되기 때문에 전압 크기의 정확한 변환의 관점에서 비선형성의 영향이 크다고 볼 수 있다.

배전용변압기는 +5[%], 0[%], -5[%]의 3탭 변압기가 다수 사용되고 있다. 선로 인출단 근방에서는 부하가 많은 경우에 주변압기 ULTC 동작으로 인해 과전압이 발생 될 수 있으므로 –5[%] 탭을 사용하고, 말단에서는 저전압의 우려가 있으므로 +5[%] 탭이 적용된다. 배전용변압기의 탭 포지션을 확인하거나 변경하기 위해서는 전원을 차단해야 하므로 실계통 운영에서는 정확한 탭 포지션 확인이 어려워 전압환산에 적용하기가 어렵다.

3.1 전압보정 시스템 구성

전압보정 시스템은 그림 6에서 보는 바와 같이 중앙제어장치, AI 기반 분산전원 연계장치 및 다수의 단말장치로 구성된다. 중앙제어장치는 상태추정 기능, 전압 취득/저장 기능 및 신경회로망 학습기능으로 구성되어 있다. 배전계통 상태추정 기능은 배전선로에 설치된 다수의 단말장치로부터 주기적으로 전압, 전류, 역률을 측정하고 상태추정 방법을 적용하여 각 노드의 전압과 위상을 정확히 계산한다. 전압 취득 및 저장 기능은 AI 기반 분산전원 연계장치로부터 하루에 대한 전압 측정치를 입력받고 저장한다. 신경회로망 학습기능은 상태추정값과 전압측정치를 바탕으로 다층 퍼셉트론으로 구성된 신경회로망 학습을 수행한다.

AI 기반 분산전원 연계장치는 전압을 측정하고 중앙제어장치로 전달하는 기능과 학습된 신경회로망의 Weight와 Bias를 입력으로 동작하는 기능으로 구성되어 있다. 하루에 대해 일정한 간격으로 전압을 취득하고 중앙제어장치로 전달하면 중앙제어장치에서 학습된 Weight와 Bias를 입력으로 전압을 보정할 수 있다.

전압보정 시스템 동작 절차는 크게 4가지 단계로 구성된다. 먼저 전압을 측정하고 상태추정치를 취합하는 단계, 데이터를 보정하는 단계, 신경회로망 학습 단계, 신경회로망 구성 전달 및 운영 단계로 이루어진다. 첫 번째 단계에서는 분산전원 연계장치에서 중앙제어장치로 2차측 측정치를 하루에 대해 일정한 간격으로 전달한다. 중앙제어장치에서는 분산전원 연계장치에서 전달된 2차측 측정치를 취합한다. 또한, 단말장치에서 계측되는 전압과 전류를 이용하여 상태추정을 수행한 후 결과를 저장한다.

두 번째 단계에서는 상태추정치와 2차측 측정치를 신경회로망으로 학습하기 전 데이터를 동기화시키기 위해 측정 데이터에 보간법을 적용하여 1분 간격의 전압을 계산한다. 그림 7에서 (a)는 측정된 전압에 대한 그래프를 나타내고 있으며 (b)와 (c)는 전압 측정치에 보간법을 적용하여 등간격의 데이터를 추출하는 그래프를 나타내고 있다.

세 번째 단계에서는 2차측 계측치와 상태추정치에 대한 신경회로망을 구성하고 학습한다. 중앙제어장치에서는 상태추정 모듈과 2차측 전압 취득 및 저장 모듈을 이용하여 만들어진 데이터를 바탕으로 지도학습을 수행한다. 주상변압기에 의한 전압강하도 전압보정 시 영향을 미치기 때문에 전류와 역률도 고려되어야 한다. 신경회로망은 다중 입력 변수를 고려하기 위해 다층 퍼셉트론으로 구성하였다.

마지막 단계에서는 중앙제어장치에서 학습된 신경회로망에 대한 Weight와 Bias를 AI 기반 분산전원 연계장치로 전달한다. 분산전원 연계장치에서는 2차측 측정전압과 상태추정치의 상관관계가 학습된 신경회로망을 이용하여 전압을 보정할 수 있다. 분산전원은 AI 기반 분산전원 연계장치로부터 보정된 전압을 입력으로 무효전력 제어 로직을 동작할 수 있다.

3.2 신경회로망 기반 학습

제안하는 방법의 목적은 분산전원 2차측 전압을 이용하여 1차측 전압을 추정하는 것이다. 분산전원으로 인한 과전압을 해소하기 위해서는 전압 계측치를 기준으로 무효전력을 제어해야 한다. 1차측 전압 측정치는 오차를 포함하고 있어 부정확하지만 2차측 전압 측정치는 정확하다. 궁극적으로 배전 운영자가 관리하고자 하는 것은 1차측의 특고압 전압이므로 저압 전압을 특고압으로 정확히 변환해야 한다. 주상변압기 전압강하, 철심 포화특성 등의 이유로 저압을 특고압으로 변환하는 특성이 비선형적이다. 본 논문에서 제안하는 전압보정방법은 2차측과 상태추정으로 정확히 계산한 1차측 전압의 관계를 학습하여 저압 측정전압을 바탕으로 특고압 전압을 정확히 도출하는 것이다.

머신러닝은 일반적으로 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning) 및 강화 학습(Reinforcement Learning)으로 구성되며 지도학습은 분류(Classification)와 회귀(Regression)로 나누어진다. 지도학습방법 중 하나인 회귀방식은 학습되는 데이터의 형태에 따라 선형 회귀(Linear Regression)와 비선형 회귀(Nonlinear Regression)로 분류된다.

본 논문에서는 시뮬레이터를 통해 데이터를 추출하고 지도학습인 비선형 회귀분석(Nonlinear Regression) 기법을 적용하였다. 제안하는 방법은 비선형적인 특성을 가지므로 다층 퍼셉트론(MLP: Multi-Layer Perceptron)을 사용하여 신경회로망을 구성하였다. 퍼셉트론은 신경망을 이루는 가장 기본이 되는 단위로 입력값과 활성화 함수를 이용한 출력값을 다음 스텝으로 전달한다. 다층 퍼셉트론은 단층과 달리 입력층과 출력층 사이에 은닉층(Hidden Layer)을 두고 학습할 수 있다. 각 층에서의 Weight와 Bias를 임의의 값으로 설정하고 역전파(Backpropagation)를 적용하여 출력층의 결과값과 실제값의 오차가 허용범위 이내가 되도록 각 층의 가중치를 업데이트하며 학습을 수행한다.

그림 8에서는 본 논문에서 사용한 다층 퍼셉트론의 일반적 구조를 제시하고 있다. 입력은 2차측 전압, 전류 및 역률이고 출력은 1차측 전압이다. 변환 과정에서 주상변압기에서 발생하는 전압강하가 미치는 영향을 고려하기 위해 전류와 역률 또한 신경회로망 입력으로 처리하였다.

3.3 전압보정 검증환경 구축

지도학습은 정답이 주어진 데이터를 이용하여 학습하는 방법으로써 학습하고자 하는 데이터는 연속성을 가지기 때문에 데이터의 특징을 토대로 값을 예측할 수 있다. 학습을 수행하기 위한 데이터인 Training Set이 매우 중요하며 데이터가 있어야 지도학습을 적용할 수 있다. 본 논문에서는 제안하는 방법을 적용하기 위해 가상배전계통을 이용하여 신경회로망 학습에 필요한 데이터를 생성하였다. 학습데이터를 생성하기 위해 설계된 예제계통에 대한 시간대별 부하량을 변경하고 계측 오차를 적용하였다.

그림 9는 본 논문에서 제시하는 전압 보정방안을 검증하기 위한 시험환경을 나타내고 있다. 시험환경은 그림에서 보는 바와 같이 배전계통 시뮬레이션 도구인 ‘가상배전계통’과 중앙제어장치인 ‘KU_DMS’로 구성된다. ‘가상배전계통’은 한전에서 개발하고 있는 차세대배전지능화시스템(ADMS)의 성능검증을 위한 실시간 시뮬레이터이다. 한전의 실계통 운전 데이터를 기반으로 배전선로를 시뮬레이션하여 각 노드의 전압, 전류 및 위상을 계산한다. 실계통 FRTU에서 사용하는 DNP 3.0 프로토콜을 이용하여 데이터를 중앙제어장치로 전송한다. 중앙제어장치로 전송되는 데이터에는 실계통과 동일한 수준의 계측오차를 인위적으로 첨가하였다.

‘가상배전계통’은 ‘배전계통 해석모듈’, ‘FRTU 확장모듈’, ‘배전용변압기 확장모듈’, ‘저압계측 확장모듈’, ‘신경회로망 전압보정 모듈’으로 구성되어 있다. ‘배전계통 해석모듈’은 실시간으로 계통을 해석하고 ‘FRTU 확장모듈’은 개폐기별 전압, 전류, 위상을 ‘KU_DMS’로 전달한다. ‘배전용변압기 확장모듈’ 은 ‘배전계통 해석모듈’이 계산한 각 노드의 전압에 랜덤 파라미터에 기반한 내부 전압강하, 철심 비선형성, 탭 포지션을 적용하여 배전용변압기 2차측 전압을 계산한다. ‘저압계측 확장모듈’은 ‘배전용 변압기 확장모듈’ 이 계산한 배전용변압기 2차측 저압 전압을 임의의 주기로 저장하고 ‘KU_DMS’로 전송한다. ‘신경회로망 전압보정 모듈’은 ‘KU_DMS’로부터 전달받은 Weight와 Bias를 입력으로 전압을 보정한다.

‘KU_DMS’ 는 저자 등이 개발한 배전자동화시스템(DMS: Distribution Management System)의 중앙제어장치로써 FEP 모듈, 상태추정 모듈, 신경회로망 학습모듈으로 구성되어 있다. ‘KU_DMS’는 ‘FEP 모듈’을 이용하여 ‘가상배전계통’으로부터 각 개폐기 설치점의 전압, 전류, 위상을 주기적으로 계측하고 ‘상태추정 모듈’을 이용하여 배전계통 각 노드의 전압을 계산한다. ‘저압계측 확장모듈’으로부터 배전변압기 2차측 저압 전압을 취득하여 신경회로망 학습을 수행하고 학습결과를 전달한다. ‘신경회로망 학습모듈’을 통해 신경회로망 학습을 수행하여 Weight와 Bias를 생성한다. 생성된 Weight와 Bias는 ‘저압계측 확장모듈’로 다운로드 되고, 신경회로망을 이용한 전압보정은 ‘가상 배전계통’의 ‘신경회로망 전압보정 모듈’에서 수행된다.

4.1 학습횟수에 따른 오차율 비교

그림 11과 표 2는 2차측과 1차측 전압의 상관관계를 학습하기 위한 신경회로망을 나타내고 있다. 그림과 표를 통해 알 수 있는 것처럼 신경회로망은 다층 퍼셉트론으로 구성되었으며 입력층, 은닉층 5개 및 출력층으로 분류된다. 입력층, 은닉층 및 출력층별 뉴런 개수는 각각 3개, 128개, 128개, 64개, 32개, 32개 및 1개로 이루어진다.

표 3은 학습을 위한 Training set의 일부를 나타내고 있다. 하나의 배전용변압기에 대해 총 250개의 학습데이터를 입력하였다. 표에서 보는 바와 같이 입력 데이터는 2차측 전압, 전류 및 역률이고 출력 데이터는 1차측 전압이다.

그림 12는 상태추정값과 학습횟수가 5회, 20회 및 100회인 경우의 신경회로망 출력값 분포를 비교한 그래프를 나타내고 있다. 그래프를 통해 학습횟수가 많을수록 결과 출력값이 상태추정치와 근사하게 도출되는 것을 알 수 있다.

표 4는 학습횟수에 따른 신경회로망 결과값과 상태추정치와의 오차를 나타내고 있다. 학습횟수가 5회일 때 최대 오차가 0.18[%]인 것에 비해 100회 학습하였을 때 오차는 최소 0.001[%]로 학습횟수가 늘어날수록 전압 추정의 정확성이 향상됨을 확인할 수 있다.

4.2 하루 시간대별 부하량 변경

시간대별 부하가 변경되는 상황에서 전압보정의 정확성을 검증하기 위한 사례연구를 수행하였다. 신경회로망은 4.1장의 그림 11 및 표 2와 같이 구성하였으며 Training Data는 표 3의 데이터를 사용하였다. 그림 13은 시뮬레이션에 사용된 구간별 부하패턴을 나타내고 있다. 그래프에서 보는 것과 같이 12시에 부하량이 가장 크고 새벽 시간대에 부하량이 작은 부하패턴을 산정하였다. 선로의 최소 및 최대 부하는 각각 3900[kW]과 9700[kW]이다.

표 5는 시간에 따른 전압보정결과와 상태추정치를 비교하고 있으며 시간별 부하량이 변경되더라도 오차가 최대 0.025[%]로 매우 작음을 알 수 있다. 시뮬레이션 결과를 통해 시간대별 부하가 변경되더라도 1차측 전압을 정확히 보정할 수 있음을 확인할 수 있다.