1. 서 론

재생에너지 발전원은 친환경적이기 때문에 기후위기 상황에 대처하고 2050 탄소 중립을 달성하기 위해 중요하게 인식된다. 우리나라는 W/P (Wind Power) 및 PV (Photovoltaic) 같은 변동성 재생에너지 (VRE : Variable Renewable Energy) 전력망을 지속해서 확대하고 있다^(1,2). VRE의 변동성과 불확실성에 따른 계통연계 시 신뢰도 저하 및 비-동기성으로 인한 인버터 전원 비중의 증가는 전력망의 강건성 저하를 초래할 수 있다. 이미 해외 선진국에서는 VRE의 비중을 증가시키면서 발생하는 Weak Grid 문제로 어려움을 겪고 있다⁽³⁾. 이에 따라 국내에서는 에너지 저장장치 (ESS)의 활용, 예비력 시장 도입 그리고 출력 제약 (Curtailment) 및 HVDC 연계선로 등 전력계통의 유연성을 증가시키는 방법을 활발하게 연구하고 있다.

기존의 전력망을 위하여 도입된 SCADA/EMS (Supervisory Control and Data Acquisition/Energy Management System) 기반의 운영시스템은 데이터수집 샘플링이 4~5초당 1회로 낮고, 데이터의 시각 동기가 되지 않아서 수집된 데이터의 오차가 염려된다⁽⁴⁾. 하지만, PMU (Phasor Measurement Unit)는 주기당 256회의 고속 샘플링 및 GPS (Global Positioning System) 신호로 시각 동기화된 빅 데이터의 제공이 가능하다. 이는 VRE의 특성을 고려하였을 때 SCADA/EMS보다 정교한 계통의 감시 및 분석을 할 수 있고, 더욱 풍부한 빅 데이터를 활용하여 다양한 적용성을 기대할 수 있다⁽⁵⁾.

국내의 관련된 연구로는 PMU 설치를 통한 광역계통 감시 및 운영 시스템 (WAMS) 적용 및 PMU 빅 데이터를 활용한 CNN (Convolution Neural Network) 기반의 계통 고장 분류 모델 개발 연구^(6,7), D-PMU (Distribution Phasor Measurement Unit)의 빅 데이터를 활용한 DCGAN (Deep Convolutional Generative Adversarial Network) 기반 이벤트 감지 기법⁽⁸⁾, PMU 이용률 향상을 통한 WAMS의 감시영역 확장 및 전력계통 상황인지 기술이 개발되었다⁽⁹⁾. 최근에는 DCGAN 기반의 D-PMU 데이터를 활용한 배전계통 발생이벤트 모델 개발⁽¹⁰⁾, 테브난 임피던스 추정기법 연구⁽¹¹⁾, 통계기법 기반의 VRE와 연계된 변전소의 변동성 및 불확실성 해석⁽¹²⁾ 등의 논문이 발표되었다.

해외에서는 최대 함량 에너지와 평균 에너지 함량의 제곱근을 비교하는 알고리즘을 활용한 이벤트 감지 모델과 SVM (Support Vector Machine)과 PCA (Principal Component Analysis) 알고리즘을 활용한 배전계통 손상식별 모델이 제안되었고^(13,14), 5가지 머신러닝 모델을 활용한 배전계통 고장분류 기법 및 비교⁽¹⁵⁾ 등의 논문이 발표되었다. 최근에는 PMU의 불량 데이터와 고장데이터를 식별하는 UTCN-DAE (Univariate Temporal Convolutional Denoising Autoencoder) 기반의 특징 추출 기법⁽¹⁶⁾, PMU 빅 데이터를 활용한 SVM 기반의 전력계통 고장유형 분류 및 고장점 표정 분석법을 제안⁽¹⁷⁾ 등의 연구가 수행되었다. 상기 연구들은 주로 배전망이 대상이며, 그 내용은 여러 가지 알고리즘을 사용한 데이터의 불량 유무, 임피던스 추정, 이벤트 감지, 상황인지, 고장 유형 분류, 변동성 및 불확실성 해석 등에 대해 식별하는 내용이다. 하지만, 최근 확대되고 있는 VRE 연계 전력망에 대한 해석이 부족하며, 상태를 판별할 수 있는 연구가 진행되고 있지 않았다. 따라서, VRE 연계 변전소에 적용하는 연구로서, 수집된 빅 데이터를 이용하여 DNN (Deep Neural Network) 및 SVM 기법을 기반으로 전력망의 상태를 판별할 수 있는 기법을 제안한다.

본 논문에서는 SCADA/EMS보다 정교하게 분석할 수 있는 PMU 빅 데이터를 이용하여 VRE 전력망의 상태를 판별할 수 있는 DNN과 SVM 기법을 적용하고 비교한다. 먼저, VRE 전력망에 운용 중인 PMU로부터 실시간 PMU 빅 데이터를 수집한다. 상태 판별 알고리즘에 적용하기 위하여, 데이터 구조 기반 전처리를 수행한다. VRE 전력망의 상태를 판별할 수 있는 기법을 DNN 및 SVM을 이용하여 각각 설계한 후, Python 도구를 사용하여 구현한다. 끝으로 정상상태, 고장상태, 출력변동, 병입, 병해, 탭 상승, 탭 하강, 발전정지 등의 8가지 VRE 전력망 상태에 대해 제안된 두 기법의 상태 판별 성능을 비교한다.

2. 변전소의 PMU 빅 데이터 구조 및 전처리

WP가 연계된 00 S/S에 8개소, PV가 연계된 00 S/S에 5개소에 PMU와 F/R을 각각 설치하였다. 이 PMU 데이터는 PDC를 통해 수집되어 한전 강원본부에 보관되는데, RAW 데이터에서 CSV 파일 형식으로 빅 데이터를 추출한다. 이 빅 데이터는 TimeTag, IDCode, Frequency, DFrequency, Va, ∠Va, Vb, ∠Vb, Vc, ∠Vc, Ia, ∠Ia, Ib, ∠Ib, Ic, ∠Ic, P, Q, PF 및 DIModule 등으로 구성된다. 1개의 PMU는 주기당 1개의 표본을 기록하는데, 하루에 5,184,000개의 데이터, 1주일의 36,288,000개의 빅 데이터가 저장된다⁽¹⁾.

각 계통 상태의 이벤트 전후 20 cycle 씩, 총 40 cycle의 데이터를 추출하였으며, 3상 전압 및 3상 전류를 한 행으로 240개 데이터가 된다. 즉, 데이터의 구조는 248 × 240인 2차원 배열로서 그림 1과 같이 전처리된 빅 데이터의 구조와 같다. X축은 3상 전압 120개, 3상 전류 120개, 계통 상태를 나타내는 Label 8개로 구성되어 총 248개이며, Y축은 정상상태, 고장상태, 출력변동, 병입, 병해, 탭 상승, 탭 강하, 발전정지 등의 VRE 전력망의 여러 가지 상태를 30개씩 포함한 240개가 된다. 데이터의 정규화를 통하여 0과 1 사이의 값으로 변환하여 전처리를 수행하였다.

그림. 1. 전처리된 데이터의 구조

Fig. 1. Structure of pre-processed data

3. DNN 및 SVM을 이용한 계통 상태 판별 기법

4. 구현 및 성능 비교

4.1 구현

제안된 두 기법은 Python 도구를 사용하여 구현하였다. DNN은 Tensorflow 라이브러리를, SVM은 Scikit-learn 라이브러리를 각각 사용하였다. 각 모델의 학습은 i7-10700, 2.90GHz, 32GB RAM이 장착된 컴퓨터에서 수행되었다. 그림 3은 DNN 모델의 구조를 나타낸다. Tensorflow의 sequential 모델을 이용하여 5개의 레이어로 구성하였으며, dropout을 통하여 과적합에 내성이 있는 모델을 생성하였다. 하나의 레이어는 dense 함수와 dropout 함수로 조합되어 구성하였다.

그림. 2. 계통 상태 판별 기법의 개략도

Fig. 2. Diagram of State Identification

그림. 3. DNN 모델의 구조

Fig. 3. Structure of DNN model

제안된 모델의 성능 (Precision), 재현율 (Recall), F1-Score를 통하여 평가하였다. TP (true positive)는 실제로 positive인데 예측도 positive로 잘된 경우를 나타내고, FN (false negative)는 실제로는 positive인데 예측은 negative로 잘못된 경우, FP (false positive)는 실제로는 negative인데 예측이 positive로 잘못된 경우, TN (true negative)는 실제로도 negative인데 예측도 negative로 잘된 경우를 각각 나타낸다.

정확도는 식(1)과 같이 계산할 수 있다⁽¹⁰⁾.

(1)

Accuracy $=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FP}+\mathrm{FN}}$

정밀도와 재현율은 식(2), 식(3)과 같이 계산할 수 있다.

(2)

Precision $=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}$

(3)

Recall $=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}$

F1-Score는 정밀도와 재현율의 조화 평균값으로, 두 가지를 고려하는 지표이다. 식(4)와 같이 계산할 수 있으며, 최종 성능평가에 사용된다.

(4)

F $1-$ Score $=2 \times \frac{\text { Precision } \times \text { Recall }}{\text { Precision }+\text { Recall }}$

표 2는 DNN을 사용한 모델의 성능평가 결과를 나타낸다. 병입의 경우 F1-Score 1.00으로 잘 판별한 것을 볼 수 있으며, 탭 상승, 탭 하강에서 0.69, 0.50으로 낮은 것을 볼 수 있다. 정밀도, 재현율, F1-Score의 평균이 0.86으로 나타났다.

표 2. DNN을 사용한 모델의 성능평가 결과

Table 2. Result of performance evaluation using DNN

	Precision	Recall	F1-Score
정상상태	0.85	1.00	0.92
고장상태	0.83	0.83	0.83
출력변동	0.97	1.00	0.98
병입	1.00	1.00	1.00
병해	0.97	1.00	0.98
탭 상승	0.70	0.68	0.69
탭 하강	0.79	0.37	0.50
발전정지	0.75	1.00	0.86
평균	0.86	0.86	0.86

표 3은 SVM을 사용한 모델의 성능평가 결과를 나타낸다. 병입, 출력변동, 탭 상승에 대하여 각각 F1-Score 1.00, 0.95, 0.95로 잘 판별한 것을 볼 수 있으며, 정상상태에서 0.00으로 판별을 못하였다. 정밀도, 재현율, F1-Score의 평균이 각각 0.69, 0.77, 0.73으로 나타났다. 학습데이터 양이 작을 경우에는 (240×80) F1-Score의 평균이 0.95이상으로 나타났으나, 학습데이터가 많아질수록 F1-Score의 평균이 작아지고, 정확도가 떨어졌다.

표 3. SVM을 사용한 모델의 성능평가 결과

Table 3. Result of performance evaluation using SVM

	Precision	Recall	F1-Score
정상상태	0.00	0.00	0.00
고장상태	0.69	0.90	0.78
출력변동	0.91	1.00	0.95
병입	1.00	1.00	1.00
병해	0.89	0.80	0.84
탭 상승	0.91	1.00	0.95
탭 하강	0.42	0.50	0.45
발전정지	0.71	1.00	0.83
평균	0.69	0.77	0.73

4.2 성능 비교

그림 4는 DNN을 사용한 모델의 혼동 행렬 (Confusion matrix)를 나타낸다. 그림 4와 같이, 정상상태, 출력변동, 병입, 병해, 발전정지에서 모두 100%의 정확도를 보인 것을 알 수 있다. 고장상태를 고장상태로 분류한 경우는 83.3%이며, 고장상태를 정상상태로 분류한 경우가 10%, 고장상태를 발전정지상태로 분류한 경우가 6.7%이었다. 또한, 탭 상승을 정확하게 탭 상승으로 분류한 경우는 67.7%이며, 탭 상승을 고장상태, 출력변동으로 분류한 경우가 3.2%, 탭 상승을 탭 하강으로 분류한 경우가 9.7%, 탭 상승을 발전정지로 분류한 경우가 16.1%이었다. 또한, 탭 하강을 정확하게 탭 하강으로 분류한 경우는 36.7%이며, 탭 하강을 탭 상승으로 분류한 경우가 30%, 탭 하강을 정상상태로 분류한 경우가 6.7%, 고장상태로 분류한 경우가 13.3%, 발전정지로 분류한 경우가 10%이었다.

그림. 4. DNN을 사용한 모델의 혼동 행렬

Fig. 4. Confusion matrix of model using DNN

그림 5는 SVM을 사용한 모델의 혼동 행렬을 나타낸다. 그림 5와 같이, 출력변동, 병입, 탭 상승, 발전정지에서 모두 100%의 정확도를 보인 것을 알 수 있다. 정상상태를 정상상태로 분류한 경우는 0%이며, 정상상태를 고장상태로 분류한 경우가 30%, 탭 하강으로 분류한 경우가 70%이었다. 고장상태를 고장상태로 정확하게 분류한 경우는 90%이며, 발전정지로 분류한 경우가 10%이었다. 병해를 병해로 정확하게 분류한 경우는 80%이며, 발전정지로 분류한 경우가 10%이었다. 또한, 탭 하강을 탭 하강으로 정확하게 분류한 경우는 50%이며, 탭 하강을 고장상태, 출력변동, 병해, 탭 상승, 발전정지로 분류한 경우가 10%이었다.

그림. 5. SVM을 사용한 모델의 혼동 행렬

Fig. 5. Confusion matrix of model using SVM

표 4는 DNN 및 SVM 모델을 비교한 결과를 나타낸다. 두 기법을 비교한 결과, DNN을 사용한 모델의 정밀도는 0.86, SVM을 사용한 모델의 정밀도는 0.69로 DNN 모델의 정밀도가 0.17 높게 나타났다. DNN을 사용한 모델의 재현율는 0.86, SVM을 사용한 모델의 재현율는 0.77로 DNN 모델의 재현율이 0.09 높게 나타났다. 또한, DNN을 이용한 모델은 F1-Score가 0.86, SVM을 이용한 모델은 F1-Score가 0.73으로 DNN을 이용한 모델의 F1-Score가 0.13 높게 나타났다.

표 4. DNN 및 SVM 모델의 비교 결과

Table 4. Comparison result of DNN and SVM model

모델종류	Precision	Recall	F1-Score	Accuracy
DNN	0.86	0.86	0.86	86.9%
SVM	0.69	0.77	0.73	77.5%

5. 결 론

본 논문에서는 PMU 빅 데이터를 기반으로 VRE 전력망의 상태 판별을 DNN과 SVM 기법을 이용하여 비교하였다. 성능 비교 결과, DNN을 이용한 모델은 F1-Score가 0.86, SVM을 이용한 모델은 F1-Score가 0.73으로 DNN을 이용한 모델의 성능이 더 높게 나타났다. 혼동 행렬을 확인하여도 DNN 모델의 정확도는 85.96%, SVM 모델의 정확도는 77.5%로 DNN 모델의 성능이 더 높게 나타났다. 하지만, DNN 모델의 경우는 학습하는데 시간이 약 10분이 소요되었으며, SVM 모델은 5초가 소요되었다. 속도 측면에서는 SVM 모델이 우수한 것을 알 수 있었다. 하지만, DNN 모델의 경우도 학습을 완료한 이후 판별에서는 속도가 5초 이내로 나타났다. 따라서, VRE 전력망의 상태 판별을 위한 방법으로는 DNN 모델이 훨씬 높은 정확도로 상태 판별을 할 수 있으며, 안정적이고 효율적으로 여겨진다. 또한, 데이터의 양이 많아질수록 SVM의 정확도는 낮아지며, DNN의 정확도는 높아지는 것을 알 수 있다.

본 논문의 결과를 바탕으로 추후 고장상태를 세분화하고, 상태 판별 요소를 추가하여 VRE 전력망의 다양한 분석이 가능하도록 추가 연구를 진행할 예정이다.