김동석
(Dong-Seok Kim)
1iD
박철원
(Chul-Won Park)
†iD
-
(Dept. of Electrical Engineering, Gangneung-Wonju National University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
ACF, F/R, GPS, Large-capacity data, PMU, Python, RPGs, Stable operation, WAMS
1. 서 론
탄소 감축을 위한 방안으로써 국내 전력망은 변동성 재생에너지 발전원 (RPGs : Renewable Power Generation sources)
위주로 증가하고, T/P 등은 점차 감소하고 있다. 기존의 전력망은 감시 및 출력제어를 위하여 SCADA 시스템을 구축하고 있지만, RPGs 기반
전력망은 빠른 출력변화와 환경적 요인에 따른 출력예측이 어려워서, 출력의 변동성을 신속하게 수용하고, 동특성을 실시간으로 감시하기 위하여 동기화된
높은 정밀도의 데이터가 요구된다(1,2). PMU (Phasor Measurement Unit)는 고속 샘플링 및 GPS의 연동을 통하여 시각 동기화된 대용량 데이터 취득이 가능하며, 동시에
발생한 이벤트를 일원화된 시계열 데이터로 받을 수 있다. 특히, SCADA 보다 약 300배 정도의 고분해능의 데이터를 취득하므로, 감시 맹점 구간을
축소할 수 있고 시각 동기 페이저 등에 의한 전력망 감시 오차를 감소시킨다(3,4). 그러므로 기존에 분석하기 어려웠던 순간적인 전력망의 변화를 정밀하게 분석할 수 있는 PMU 기반 시스템은 신재생 발전설비의 감시, 분석, 보호
및 제어를 위하여 그 설치 및 운영이 확대되고 있다. 하지만 우선 방대한 데이터를 실시간으로 분석할 수 있는 분석기법이 필요하고, PMU와 PDC
(Phasor Data Concentrator)의 통신 간에 동기 정확도가 0.5 [μs] 이내의 안정적인 통신상태를 유지하고 데이터의 신뢰성이 보장되어야
된다(5,6).
근래 국내에서는 PMU 도입을 위한 기술개발과 PMU를 통해 수집된 빅 데이터를 활용한 연구가 동시에 진행되고 있다. PMU의 데이터 부족 문제점을
해결하기 위한 PMU 기반 이벤트 위치 추정 (ELE : Event Location Estimation) 알고리즘(7), 지수 Window 기능을 갖는 DFT Filter를 활용한 계통 과도현상 파형을 식별하는 기법(8) 및 전력망을 기준으로 지역 분할을 통한 이벤트 및 데이터 분류기법이 제시되었다(9).
해외에서는 불량 PMU 데이터를 사용할 수 있는 강인한 구조의 이벤트 분류기법(10), 대용량의 PMU 데이터를 효율적으로 처리하는 기법(11), μPMU와 Smart Meter의 데이터를 활용한 배전망의 상태추정 기법(12) 및 PMU 데이터와 전력수요 데이터 기반의 선형회귀법을 활용한 풍력발전 확충계획 예측 기법(13) 등이 연구되었다.
본 논문에서는 재생 발전설비 기반 전력망의 신뢰성 향상 및 안정적 운영을 위하여, PMU 대용량 데이터를 이용한 영향을 분석하고자 한다. 먼저, 신재생
발전설비와 연계된 횡계 S/S 와 영월 S/S 등에 설치된 F/R (Fault Recorder)과 PMU에서 PDC로 수집된 대용량 데이터를 취득한다.
전처리 후, 순간 전압 변동률 (Instantaneous voltage change rate) 계산을 기반으로 박스 플롯 (Boxplot), Pearson
상관 관계 지수, 자기 상관 함수 (ACF : Auto Correlation Function), 커널 밀도 (Kernel density) 및 회귀
분석 (Regression) 등의 데이터 분석기법들을 Python을 사용하여 구현한다. 끝으로 재생발전원이 전력망에 미치는 영향을 논한다.
2. PMU 설치 및 구축
강원지역 98MW의 WP가 연계 운전되는 횡계 S/S에 8개소, 40MW의 PV가 연계 운전되는 영월 S/S에 5개소, PV가 연계 운전되는 양구
D/L에 2개소, 이외 동해, 철원, 화천, 북원주, 횡성 등 각 S/S에 1개소씩 총 20개소에 PMU 및 PMU 기능이 있는 F/R을 운영하고
있다. 이 PMU와 F/R로 수집된 시각동기 페이저는 PDC와 데이터 서버를 통하여 재생에너지원의 계통연계 상태를 실시간으로 감시하고 분석한다. 그림 1은 재생에너지원의 실시간 감시, 분석시스템의 구성도이다. RPGs 기반 345kV 전력망 등에서 수집된 PMU 대용량 데이터를 PDC를 통하여 수집되며,
1초에 60회 취득, 저장된다(1).
그림. 1. 재생에너지원의 실시간 감시, 분석시스템의 구성도
Fig. 1. Schematic diagram of real-time monitoring and analysis system of RPGs
3. PMU 표준 및 계측 대용량 데이터
3.1 PMU 표준
PMU 국제 표준 IEEE 1344는 1995년에 발표되었다. 이는 전력계통의 동기 페이저에 대한 매개변수를 정의하는 표준으로, 연도, 시간 품질,
현지시간, 오프셋 등에 대한 정보가 담겨있다. 이후 2005년에 IEEE C37.118로 대체되었으며, 2011년에 개정되었다. IEEE C37.118은
동기 페이저, 주파수, 주파수 변화율 (ROCOF : Rate of Change of Frequency) 측정 방법 등을 정의하고, 세 가지 매개변수에
대한 시간 태그 및 동기화 요구사항에 대해 설명되어 있다. 또한, IEEE C37.118.2에서는 시각 동기화된 페이저 계측 데이터의 실시간 교환을
위한 방법에 대하여 정의되어 있다. 이 국제 표준은 IEC 60255-118-1로 통합, 개정되면서 정의 및 요구사항, 시험 방법 등이 2019년도에
재정립되었다(14).
2019년 산업통상자원부 고시 “전력계통 신뢰도 및 전기품질 유지기준”에 “제18조 시각동기 위상측정 기술의 적용 확대”로 PMU 기술 적용이 신설되었으며,
전력거래소와 전기사업자는 시각동기 기반의 위상측정 기술을 정밀 계통감시, 고장분석 및 전력설비 특성자료 검증에 적극 활용하고 기술개발을 위해 상호
협력하도록 되어있다. 또한, 재생발전원의 신뢰도 관련하여 제8장에, “제55조 신재생발전기의 순시전압저하 시 유지성능” 관련하여 신재생발전기는 인근
계통 고장 시 순시전압저하에도 연계운전을 유지할 수 있는 성능을 갖추도록 되어있다(2).
3.2 계측 대용량 데이터
PMU의 대용량 데이터는 단상, 3상, 극좌표형 페이저 데이터, 주파수, 주파수 변화율 같은 계측 데이터와 매핑되어진 상태에 대한 정보가 기록된다.
각 S/S에 설치된 PMU의 대용량 데이터는 CSV 파일 형식으로 수집되며, 전압, 전류의 크기, 위상각, 주파수, 주파수 변화율 등이 저장된다(1).
4. 대용량 데이터의 영향 분석
4.1 순간 전압 변동률
분산형전원 배전계통 연계 기술기준에 따르면 재생에너지원의 연계로 인한 순간 전압 변동률은 발전원의 계통 투입, 탈락 및 출력 변동 빈도에 따라 허용기준을
초과하지 않아야 한다. 표 1은 순간 전압 변동률의 허용기준이다. 단, 해당 재생에너지원의 변동 빈도를 정의하기 어렵다고 판단되는 경우에는 순간 전압 변동률 3%를 적용한다(15).
표 1. 순간 전압 변동률의 허용기준
Table 1. Acceptance criteria of instantaneous voltage change rate
|
변동 빈도
|
순간 전압 변동률[%]
|
|
1시간에 2회 초과 10회 이하
|
3
|
|
1일 4회 초과 1시간에 2회 이하
|
4
|
|
1일에 4회 이하
|
5
|
순간 전압 변동률은 급격한 전압변동을 수 주기에 걸친 기본파 전압 실효값의 변동으로 정의된다. 이동 윈도우 기법을 이용하여 12 주기 이내 전압의
최대값과 최소값의 차이를 계통의 공칭전압($V_{n}$)에 대한 백분율로 표현되는 순간 전압 변동률($V_{change}$)은 식(1)과 같이 계산할 수 있다.
여기서, $V_{\max}(k_{n-11},\:\cdots ,\:k_{n})$는 12주기 이내 전압의 최대값, $V_{\min}(k_{n-11},\:\cdots
,\:k_{n})$은 전압의 최소값이다.
그림 2는 WP가 연계된 횡계 S/S PMU와 PV가 연계된 영월 S/S PMU를 통해 수집된 2019년 8월 10일 24시간의 PMU 대용량 데이터를 이용하여
계산된 순간 전압 변동률이다. 그림 2 (a), (b)는 각각 WP, PV의 순간 전압 변동률으로서 왼쪽부터 시간, A상, B상, C상 전압, A상, B상, C상 순간 전압 변동률을 표시한다. 총 1일
데이터는 5,184,000개가 된다.
그림. 2. 재생에너지원의 순간 전압 변동률
Fig. 2. Instantaneous voltage change rate of RPGs
4.2 박스 플롯
박스 플롯은 정상범위에서 벗어나는 Outlier 값의 유무 확인과 계통 전압이 어느 수준에서의 유지 여부를 확인한다. 그림 3은 횡계 S/S에 설치된 WP의 2019년 8월 10일 24시간 PMU 대용량 데이터의 각 상 순간 전압 변동률에 대한 Boxplot이다. 그림 3으로부터, WP의 24시간 순간 전압 변동률의 이상치를 확인할 수 있는데, 각 상의 최대치는 23.751%, 22.642%, 20.684%이며, 중앙값은
1.025%, 0.965%, 0.945%이었다.
그림 4는 PV의 2019년 8월 10일 24시간 PMU 대용량 데이터의 각 상 순간 전압 변동률에 대한 Boxplot이다. 그림 4로부터, PV의 24시간 순간 전압 변동률의 이상치를 확인할 수 있는데, 각 상의 최대치는 0.421%, 0.454%, 0.401%이며, 중앙값은
0.043%, 0.043%, 0.046%이었다.
4.3 Pearson 상관 관계 지수
상관 관계는 연속하는 형태의 두 변수를 일대일로 대응하여 변수의 변화에 따른 또 다른 변수의 변화 정도와 방향을 예측하는 분석기법으로 Pearson
상관 관계 지수 (r)는 식(2)와 같이 계산할 수 있다.
여기서, $z_{x_{i}}$와 $z_{y_{i}}$는 각각 $(x_{i}-\overline{x})/\sqrt{\sum_{i}(x_{i}-\overline{x})^{2}/n}$과
$(y_{i}-\overline{y})/\sqrt{\sum_{i}(y_{i}-\overline{y})^{2}/n}$이며, 두 변수의 공분산을 각각의
표준 편차의 곱으로 나눈 값, $x$와 $y$는 두 변수이다.
그림. 3. 풍력발전의 순간 전압 변동률에 대한 Boxplot
Fig. 3. Boxplot of instantaneous voltage change rate of WP
그림. 4. PV의 순간 전압 변동률에 대한 Boxplot
Fig. 4. Boxplot of instantaneous voltage change rate of PV
그림 5는 WP의 2019년 8월 10일 24시간 PMU 대용량 데이터의 각 상 전압 및 전류에 대한 상관 관계 지수이다. 그림 5로부터, 각 상 전압 및 전류의 자기 (self) 상관 관계 지수는 1로 강한 양의 상관 관계, 이외의 A상, B상, C상 전압 및 전류의 상관 관계
지수는 각각 –0.01, 0.08, 0.05로 상관 관계 없음으로 전력망에 영향이 적은 것을 알 수 있다.
그림. 5. WP의 각 상 전압 및 전류에 대한 상관관계 지수
Fig. 5. Correlation index of each phase voltage and current of WP
그림 6은 PV의 2019년 8월 10일 24시간 PMU 대용량 데이터의 각 상 전압 및 전류에 대한 상관 관계 지수이다. 그림 6으로 부터, 각 상 전압 및 전류의 자기 상관 관계 지수는 1로 강한 양의 상관 관계, A상, B상, C상 전압 및 전류의 상관 관계 지수는 각각
–0.56, -0.62, -0.67로 음의 상관 관계로 전력망에 영향을 미치는 것을 알 수 있다.
그림. 6. PV의 각 상 전압 및 전류에 대한 상관관계 지수
Fig. 6. Correlation index of each phase voltage and current of PV
4.4 자기 상관 함수
자기 상관 함수 (ACF)는 k 시간 단위로 구분된 시계열 관측치 간의 $y_{t}$와 $y_{t+k}$간 상관관계를 나타낸다. ACF의 반환값의
절대값이 커질수록 시차 시계열 데이터의 상관성이 크다고 할 수 있다. 시차(lag)에 대한 ACF는 식(3)과 같이 계산할 수 있다.
여기서, N은 전체 데이터 개수이다.
그림 7은 WP의 2019년 8월 10일 24시간 PMU 대용량 데이터의 A상 전압에 대한 ACF이다. 그림 7로부터, 1분 데이터 (3600개)를 이용하여, ACF 상관관계에 의하여 244개부터 정상성 데이터임을 확인할 수 있다. 즉, 이는 AR 모델로서
이전 관측값의 오차항이 이후 관측값에 영향을 주기 때문에 미래 예측이 용이하다.
그림. 7. WP의 A상 전압에 대한 ACF
Fig. 7. ACF of A phase voltage of WP
그림 8은 PV의 2019년 8월 10일 24시간 PMU 대용량 데이터의 A상 전압에 대한 ACF이다. 그림 8로부터, 1분 데이터 (3600개)를 이용하여, ACF 상관관계에 의하여 152개부터 정상성 데이터임을 확인할 수 있다. 즉, 이는 AR 모델로서
이전 관측값의 오차항이 이후 관측값에 영향을 주기 때문에 미래 예측이 용이하다.
그림. 8. PV의 A상 전압에 대한 ACF
Fig. 8. ACF of A phase voltage of PV
4.5 커널 밀도
커널 밀도는 커널 함수를 이용하여 히스토그램 방법의 문제점을 개선한 방법이다. 그림 9는 WP의 2019년 8월 10일 24시간 PMU 대용량 데이터의 각 상 순간 전압 변동률에 대한 커널밀도이다. 그림 9로부터, 빨간색은 A상, 초록색은 B상, 파란색은 C상 순간 전압 변동률을 나타낸다. A상 순간 전압 변동률 0.92%에서 밀도가 1.193, B상
순간 전압 변동률 0.77%에서 밀도가 1.191, C상 순간 전압 변동률은 0.80%에서 밀도가 1.282이다. B상 순간 전압 변동률이 가장 작으며,
C상 순간 전압 변동률에서 밀도가 가장 컸다. 또한, 각 상의 순간 전압 변동률 데이터의 범위와 확률분포 특성을 알 수 있다.
그림. 9. WP의 순간 전압 변동률에 대한 커널 밀도
Fig. 9. Kernel density of instantaneous voltage change rate of WP
그림 10은 PV의 2019년 8월 10일 24시간 PMU 대용량 데이터의 각 상 순간 전압 변동률에 대한 커널 밀도이다. 그림 10으로부터, 빨간색은 A상, 초록색은 B상, 파란색은 C상 순간 전압 변동률을 나타낸다. A상 순간 전압 변동률 0.037%에서 밀도가 26.08,
B상 순간 전압 변동률 0.036%에서 밀도가 26.59, C상 순간 전압 변동률은 0.040%에서 밀도가 24.56이다. B상 순간 전압 변동률이
가장 작고, 밀도가 가장 컸으며, 각 상의 순간 전압 변동률 데이터의 범위와 확률분포 특성을 알 수 있다.
그림. 10. PV의 순간 전압 변동률에 대한 커널 밀도
Fig. 10. Kernel density of instantaneous voltage change rate of PV
4.6 회귀 분석
회귀 분석은 한 개 또는 그 이상의 독립변수들에 대하여 다른 종속변수 사이의 관계를 설명하고 예측하는 분석기법이다. 그림 11은 WP의 2019년 8월 10일 24시간 PMU 대용량 데이터의 A상 전압과 3상 전류에 대한 회귀 분석 결과이다. 그림 11로부터, Adj. R-squared는 0.457로 45.7%만큼의 설명력 (결정계수)을 가진다고 판단되며, F-statistic (F-검정)이 1.377$e^{6}$으로
0.05보다 크기 때문에 통계적으로 의미가 없다. P-Value는 0.000으로 0.05보다 작기 때문에 두 변수의 관계를 설명하는데 유의함을 알
수 있다.
그림. 11. WP의 회귀 분석 결과
Fig. 11. Results of regression analysis of WP
그림 12는 PV의 2019년 8월 10일 24시간 PMU 대용량 데이터의 A상 전압과 3상 전류에 대한 회귀 분석 결과이다. 그림 12로부터, Adj. R-squared는 0.994로 99.4%만큼의 설명력을 가진다고 판단되며, F-statistic이 2.411$e^{7}$로 0.05보다
크기 때문에 통계적으로 의미가 없다. P-Value는 0.000으로 0.05보다 작기 때문에 두 변수의 관계를 설명하는데 유의함을 알 수 있다.
그림. 12. PV의 회귀 분석 결과
Fig. 12. Results of regression analysis of PV
5. 결 론
본 논문에서는, PMU 대용량 데이터를 이용하여 재생 발전설비 기반 전력망에 미치는 영향을 분석하였다. 순간 전압 변동률의 분석 결과, WP의 경우,
각 상의 순간 전압 변동률 최대치가 각각 23.751%, 22.642%, 20.684%로 분산형전원 배전계통 연계 기술기준의 기준치인 3%를 넘는
이상치가 많이 발생하였다. 반면에 PV의 경우, 각 상의 순간 전압 변동률 최대치가 각각 0.421%, 0.454%, 0.401%로 안정적임을 확인하였다.
그러므로, WP가 PV 보다 출력 전압의 불안정성을 보여주고 있음을 알 수 있었다. 또한, 커널 밀도를 확인하였을 때, WP는 밀도가 최대 1.282,
PV는 최대 26.59로, 약 20.74배 차이가 발생하였음으로, PV가 WP보다 안정적으로 전압을 출력함을 알 수 있었다. 이외의 Pearson
상관 관계 지수, ACF, 회귀 분석 등의 종합적 검토로부터, WP는 평균적인 순간 전압 변동률이 높지만, 전압과 전류가 밀접한 관계가 있지 않았으며,
PV는 전력변환장치를 통해 전력망에 유입되어 안정적인 전압을 출력하지만, 전압과 전류가 밀접한 관계가 있음을 알 수 있었다. 이는 기상악화 등으로
인한 PV의 출력이 변동되었을 경우, 그 영향이 전력망에 크게 미치는 것을 알 수 있었다.
References
C. W. Park, 2019. 8, Development of real-time monitoring, analysis, and control system
for new and renewable power plants, KEPCO Field Technology Development Project Final
Report
Ministrt of Trade, Industry and Energy, 2022. 5, Power system reliability and electricity
quality maintenance standards, pp. 1-11
D. Y. Kwon, 2022. 2, A study on the synchrophasor-based monitoring system for renewable
energy sources, Ph. D. Dissertation, Vol. mokpo national university, pp. 1-120
D. Y. Kwon, 2022. 11, The PMU’s deploy, operation and recent study issue, Green ENS,
Vol. pmu big data research and utilization technology exchange meeting
S. Choi, 2021. 10, A Design of Micro PMU Data Management System for Distribution Network,
2021 KIEE Conference on Information and Control Systems
S. B. Kang, 2019. 4, Application and Construction of WAMS in Korea Power System, 2021
KIEE Power System Research Group Joint Conference Spring Conference
D. I. Kim, 2018. 11, PMU-Based Event Localization Technique for Wide-Area Power System,
IEEE Transactions on Power Systems, Vol. 33, No. 6, pp. 5875-5883
J. K. Hwang, 2019. 12, DFT-Based Identification of Oscillation Modes from PMU Data
Using an Exponential Window Function, Energies 2019, Vol. 12, No. 22, pp. 1-6
D. I. Kim, 2020. 5, Data Driven Method for Event Classification via Regional Segmentation
of Power Systems, 2020 IEEE Access, Vol. 8, pp. 48195-48204
Y. Liu, 2022. 5, Robust Event Classification Using Imperfect Real-world PMU Data,
IEEE Internet of Things Journal, pp. 1-10
K. Khandeparkar, 2022. 5, Efficient Data Processing and Storage at Phasor Data Concentrators
in Smart Grids, 2022 3rd International Conference on Smart Grid and Renewable Energy
(SGRE), pp. 1-6
Z, Soltani, 2022. 5, Real-Time Topology Detection and State Estimation in Distribution
Systems Using Micro-PMU and Smart Meter Data, IEEE Systems Journal, Vol. 16, No. 3,
pp. 3554-3565
C. Duggan, 2021. 8, Phase Angle Difference Analysis Using PMU Data on grids with Varying
Wind Penetration, 2021 56th International Universities Power Engineering Conference
(UPEC), pp. 1-6
International Electrotechnical Commission, 2018. 12, IEC/IEEE 60255- 118-1 International
Standard, pp. 1-76
KEPCO, 2021. 12, Distribution System Connection Technical Standards of Distributed
Energy Resources, pp. 1-43
저자소개
He was born in Korea. He received his B.S. degrees in Electrical Engineering from
Semyung University, Jecheon, Korea, in 2022.
At present, he is working toward M.S. in the Department of Biomedical Convergence
Engineering at Gangneung-Wonju National University.
His research interests include Power IT, LVDC, Hybrid, PMU based bigdata with VRE,
AI application of power system, power system modeling & control, and protection.
He is a member of the KIEE, and KIIEE.
Tel : 033-760-8796, Fax : 033-760-8781
E-mail : dbtmzp3411@naver.com
He was born in Korea. He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering
from Sungkyunkwan University, Seoul, Korea, in 1988, 1990, and 1996, respectively.
From 1989 to 1993 he was an associate researcher at Lucky GoldStar Industrial Systems.
At present, he is a professor in the Department of Electrical Engineering at Gangneung-Wonju
National University, since 1997.
His research interests include power IT, IED, LVDC, MVDC, Microgrid, Hybrid, RES,
Bigdata with PMU, AI application to power grid, power system modeling & control, and
computer application in power system.
He is a member of the KIEE, KIIEE, and IEEE. Dr. Park was awarded the Paper Prize
of KIEE in 2010, 2020 and the Paper Prize of the KOFST in 2017.
Tel : 033-760-8786, 8796, 8200
Fax : 033-760-8781
E-mail : cwpark1@gwnu.ac.kr