이경민
(Kyung-Min Lee)
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
Data Analysis, Fault Analysis, Instantaneous Voltage Fluctuation Rate, PMU Big Data, Pre-processing, Snapshot, S/S, WAMAC
1. 서 론
최근, 제3차 지능형전력망 기본계획에 의하면, 안정적인 전력계통 운영 시스템 구축을 위하여, PMU (Phasor Measurement Unit)의
단계적 설치 확대 및 전력망 광역 관리 시스템 기능 강화를 추진한다. 전국 변전소 (S/S, Substation) 및 정밀 감시 필요 시설을 선별하여,
2027년까지 PMU를 총 200개 이상 설치함으로써, 안정적 계통 운영과 제약비용 절감을 위해 PMU 데이터 분석 시스템 개발 및 한국형 WAMAC
(Wide Area Monitoring And Control) 기술을 구축할 예정이다 (1).
현재 사용 중인 SCADA/EMS (Supervisory Control and Data Acquisition/Energy Management System)와
PQMS (Power Quality Monitoring System)는 전류, 전압 등을 3~4초 주기로 분석하고 계통 감시 구간의 시각 오차가 발생하기
때문에, 정확성이 감소된다. 하지만, PMU는 주기당 최대 256회의 고속 샘플링이 가능하고 GPS (Global Positioning System)
신호를 기반으로 시각 동기화된 빅 데이터를 수집하기 때문에, 계통의 감시 맹점 구간을 줄이고, 정밀한 실시간 상태감시 시스템을 구축할 수 있다. 그런데,
PMU에서 수집되는 Raw 빅 데이터는 상용소프트웨어를 이용한 활용성이 용이하지 않다. 따라서 가치 있는 정보로 사용될 수 있도록 전처리가 필요하다.
더불어 PMU 시각동기 고정밀 빅 데이터를 이용하여 다양한 상태분석과 AI 등을 적용한 새로운 활용성에 관심이 커지고 있다 [1~4].
근래, 국내에서는 PMU 정보를 활용한 상황인지를 위하여, 전압안정도 감시지수와 비선형진동 감시지수 개발 (5), PMU 데이터를 사용하여 FRT (Fault Ride Through) 위반 여부를 검출하는 시스템이 개발되었다 (6). 또한, 변압기의 1차측 및 2차측에서 측정한 PMU 데이터를 이용하여 % 임피던스로 환산해 정확도를 검증하는 방안이 발표되었으며 (7), 계통의 안정도를 직관적으로 판단할 수 있는 시각화 방안 (8) 및 다양한 인버터 기반 전력설비가 연계된 제주계통에서 발생할 수 있는 진동 현상 감시시스템이 제시되었다 (9).
해외에서는 FFT 기반의 PMU를 사용하여 이중 송전선로 (T/L)의 다양한 고장을 검출하고 분류하는 기법이 제안되었으며 (10), PMU를 이용한 전 세계 주전원 계통의 주파수 관측 및 통계분석이 발표되었고 (11), 반복 해법을 이용한 전력계통 상태추정용 PMU 응용 알고리즘이 논의되었다 (12). 또한, PMU 데이터 기반 전력계통의 고장유형 분류 및 위치 예측을 위하여, AI 기법이 비교분석되었고 (13), 이벤트 식별을 위한 학습 잠재 상호 (Learning Latent Interactions)을 제안하고, 1개 PMU의 이벤트 식별 (Event
Identification)에 비해 분류 정확도가 높아진 것이 확인되었다 (14).
상기와 같이, 국내외 연구들은 계통의 안정성을 위한 여러 가지 감시지수, 정확도, 안정도, 상태추정, 고장유형 예측, 이벤트 식별이 주를 이루고 있다.
그러나, 변전소 자체를 대상으로 다수의 PMU를 설치한 후, 빅 데이터를 처리한 연구는 거의 전무한 실정이다. 한전에서는 2019년 6월에 시작한
신재생발전 지역 및 통합관제시스템 구축 및 실증 사업을 통하여 ○○ S/S에 35대의 PMU를 설치하였으며, 계통운영기술 개발 로드맵에서는 차세대
지능형 송전망 운영시스템 구축 및 활용을 목표로 하고 있다. 더불어 지역단위에서 전국단위로 WAMS 구축을 확대하고, WAMS-SCADA-RTDS
시스템을 연계할 예정에 있다. 따라서, 장기적으로 시각 동기 고정밀 빅 데이터 활용 기술 연구가 절실하게 요구되고 있다 (2,15).
본 논문에서는 전남지역 154kV ○○ S/S에 설치된 35대의 PMU로부터 Raw 빅 데이터를 수집한다. 또한, 변전소 자체를 대상으로 PMU 빅
데이터를 효율적으로 분석하고 활용하기 위하여, 전처리 및 사고 분석을 제안한다. 먼저, ○○ S/S의 PMU 설치 개소 및 데이터 구조를 파악한다.
Raw 데이터를 전처리하기 위하여, 35대의 별도 Raw 데이터의 Timetag를 기준으로 전압과 전류 등을 병합하여 Snapshot 형태로 변환한다.
사고 구간의 전압 실효치를 분석하고, 전력 차이를 비교한다. 또한, 계통 변화 감시를 위하여, 순시 전압 변동률 (IVFR, Instantaneous
Voltage Fluctuation Rate)의 분석을 수행한다. 전처리 및 사고 분석은 Python 3.7 버전으로 구현한다.
2. ○○ S/S 및 PMU 빅 데이터
2.1 ○○ S/S의 PMU 소개
154kV ○○ S/S 전체에 35대의 PMU를 설치되어 있다. 그림 1은 ○○ S/S의 단선도를 나타낸다. 그림 1과 같이, ① T/L 구역은 장성-○○ #1 T/L, 장성-○○ #2 T/L, 고창-○○ T/L, ○○-홍농 T/L, 백수풍력 T/L, 재원태양광
T/L, 함구미태양광 T/L, #1 Sh.C로 구성된다. ② 154kV Bus 구역은 ① T/L 구역에 연계되는 Bus로 #60과 #61로 구성된다.
M.Tr은 총4대로 각각 ③ M.Tr 1차 측 (154kV) 구역과 ④ M.Tr 2차 측 (23kV) 구역으로 구성된다. ⑤ 23kV Bus 구역은
⑥ D/L 구역에 연계되는 Bus로 #40∼#43, #45∼#48으로 구성된다. ⑥ D/L 구역은 부하, 발전소, STR, Sh.C와 연계된 25개의
D/L로 구성된다.
그림. 1. ○○ S/S의 단선도
Fig. 1. Single line diagram of Yeonggwang S/S
표 1은 ○○ S/S의 감시 포인트를 나타낸다. 표 1과 같이, PMU는 신설 D/L 일부를 제외하고 모든 감시 포인트에 설치되어있다. 주요 감시 대상으로는, 154kV Bus 측 W/P 연계 T/L
1개소, PV 연계 T/L 2개소와 23kV Bus 측 W/P 연계 D/L 2개소, PV 연계 D/L 1개소가 있다 (2).
표 1. ○○ S/S의 감시 포인트
Table 1. Monitoring point of Yeonggwang S/S
|
ID
|
감시 포인트
|
모선 (사용전압)
|
|
#1 PMU
|
장성-○○#2 T/L
|
#60/#61 (154kV)
|
|
#2 PMU
|
장성-○○#1 T/L
|
|
#3 PMU
|
고창-○○ T/L
|
|
#4 PMU
|
○○-홍농 T/L
|
|
#5 PMU
|
백수풍력 T/L
|
|
#6 PMU
|
재원태양광 T/L
|
|
#7 PMU
|
함구미태양광 T/L
|
|
#8 PMU
|
#1 Sh.C
|
|
#9 PMU
|
#1 M.Tr 1차
|
|
#10 PMU
|
#2 M.Tr 1차
|
|
#11 PMU
|
#3 M.Tr 1차
|
|
#12 PMU
|
#4 M.Tr 1차
|
|
#13 PMU
|
#3 M.Tr 2차
|
#42/#47 (23kV)
|
|
#14 PMU
|
#2 STR
|
|
#15 PMU
|
호남풍력 D/L
|
#41/#46 (23kV)
|
|
#16 PMU
|
성산 D/L
|
|
#17 PMU
|
묘량 D/L
|
#42/#47 (23kV)
|
|
#18 PMU
|
하사 D/L
|
|
#19 PMU
|
#1 M.Tr 2차
|
#40/#45 (23kV)
|
|
#20 PMU
|
전남T/P D/L
|
|
#21 PMU
|
군남 D/L
|
|
#22 PMU
|
백수 D/L
|
|
#23 PMU
|
DSE D/L
|
|
#24 PMU
|
#1-1Sh.C
|
|
#25 PMU
|
#1-2Sh.C
|
|
#26 PMU
|
#1 STR
|
|
#27 PMU
|
#2 M.Tr 2차
|
#41/#46 (23kV)
|
|
#28 PMU
|
법성 D/L
|
#42/#47 (23kV)
|
|
#29 PMU
|
영상 D/L
|
#41/#46 (23kV)
|
|
#30 PMU
|
대마 D/L
|
|
#31 PMU
|
읍내 D/L
|
|
#32 PMU
|
신하 D/L
|
|
#33 PMU
|
#2-1Sh.C
|
|
#34 PMU
|
#2-2Sh.C
|
|
#35 PMU
|
#4 M.Tr 2차
|
#43/#48 (23kV)
|
2.2 PMU 빅 데이터
변전소에서 저장된 PMU Raw 빅 데이터는 PMU의 내부연산 과정을 통해서 CSV (Comma Separated Value) 형식의 파일로 저장된다.
그림 2는 ○○ S/S 1차 Raw 데이터의 구조를 나타낸다. 그림 2와 같이, 35대의 PMU에서 저장된 파일들은 모두 동일한 주기의 Timetag를 기반으로 당일 24시간 60s/c 주기로 각각 3상 전압ㆍ전류의
동기 페이저, 주파수, 주파수 변화율, PMU ID 및 PMU 상태 등의 23가지 데이터를 수집한다. 즉, 상태감시 시스템을 통해 1차 Raw 데이터는
5,184,000 × 23의 크기로 매일 35개씩 저장된다.
그림. 2. PMU 데이터의 구조
Fig. 2. Structure of PMU data
3. ○○ S/S의 전처리 및 사고 분석
3.1 전압 및 전류의 Snapshot 전처리
1차 Raw 데이터는 크기가 방대하고 PMU 1대의 모든 정보가 나열되어 있으므로, 운영자가 원하는 정보를 분석하고 비교하기 위해서는 해당 파일을
일일이 읽어야 하는 번거로움이 있다. 또한, 엑셀과 같은 기존의 상용 Tool로는 24시간의 빅 데이터 (5,184,000 × 23)를 읽을 수가
없다. 따라서, 시간을 기준으로 동시에 35대의 PMU 빅 데이터를 활용성을 증대하기 위하여, 35대의 별도 데이터를 병합한 후, Snapshot
형식의 데이터 구조로 변환하는 전처리를 수행하였다. 우선 24시간 데이터를 Timetag를 기준으로, 35대의 PMU에서 3상 전압의 크기, 3상
전압의 위상각, 3상 전류의 크기, 3상 전류의 위상각, 주파수, 주파수 변화율을 추출하여 6개의 파일 (5,184,000 × 106 × 6)로 재구성하였다.
여기서, 106은 Timetag 기준의 35대의 3상 전압의 크기, 3상 전압의 위상각, 3상 전류의 크기, 3상 전류의 위상각, 주파수, 주파수
변화율을, 6은 6개의 파일을 나타낸다.
○월 ○일 11시 ∼ 11시 5분간의 1차 Raw 데이터는 Snapshot으로 전처리되어 변전소 관점에서 35대의 PMU 실효치 전압 및 전류의 크기를
동시에 확인할 수 있었다. 즉, 154kV 측 각 상의 실효치 최소ㆍ최대 전압은 각각 88.514kV, 93.342kV, 88.042kV, 93.176kV,
87.447kV, 92.963kV이었고, 23kV 측 각 상의 실효치 최소ㆍ최대 전압은 각각 10.468kV, 13.883kV, 12.976kV,
13.750kV, 12.949kV, 13.697kV이었다. 또한, 154kV 측 각 상의 실효치 최소ㆍ최대 전류는 각각 0.011kA, 0.585kA,
0.010kA, 0.584kA, 0.011kA, 0.594kA이었고, 23kV 측 각 상의 실효치 최소ㆍ최대 전류는 각각 0.005kA, 0.837kA,
0.005kA, 0.870kA, 0.005kA, 0.872kA이었다. 사고 시 변압기의 양단 실효치 전압 및 전류 분석을 수행하였다. 5분 데이터의
경우, 정상상태 3상 전압의 평균은 91.136kV, 91.651kV, 91.577kV이었으나, 사고 구간의 3상 전압의 평균은 87.940kV,
88.529kV, 89.369kV로 각각 3.507%, 3.407%, 2.411%의 오차가 나타났다.
3.2 사고 구간의 전압 분석
154kV ○○ S/S 인근 T/L에서 ○월 ○일 13시 19분 및 ○월 ○일 14시 24분에 사고가 자연발생적으로 발생하여 재폐로가 동작하였다.
따라서 시간대별로 변환된 사고 전후 5초 구간의 전압 크기를 상세하게 분석하였다. 그림 3은 ○월 ○일 11시 2분 15초 ~ 24초 #1 T/L에서의 154kV측 전압의 크기를 나타낸다. 그림 3과 같이, 154kV 전압의 최소값은 각각 86.453kV, 88.494kV, 87.969kV이다. A상 기준 전압강하 시점은 19.267초로 나타났다.
그림. 3. T/L에서의 154kV측 전압의 크기 (○일 11시 2분)
Fig. 3. The magnitude of voltage on 154kV side of T/L
그림 4는 ○월 ○일 11시 2분 15초 ~ 24초 #1 M.Tr에서의 22.9kV측 전압의 크기를 나타낸다. 그림 4와 같이, 22.9kV 전압의 최소값은 각각 13.008kV, 13.188kV, 13.344kV이다. A상 기준 전압강하 시점은 19.250초로 나타났다.
사고 시점이 ○월 ○일 11시 2분 18초 경임을 알 수 있으며, #1 T/L에서 5.53%의 전압강하가 일어났지만, M.Tr 2차측에서 3.73%로
1.80% 더 낮은 전압강하가 나타났고, 2차측이 0.017초 빠르게 나타났다.
그림. 4. M.Tr에서의 22.9kV측 전압의 크기 (○일 11시 2분)
Fig. 4. The magnitude of voltage on 22.9kV side of M.Tr
그림 5는 ○월 ○일 13시 39분 32초 ~ 42초 #1 T/L에서의 154kV측 전압의 크기를 나타낸다. 그림 5와 같이, 154kV 전압의 최소값은 각각 86.453kV, 88.494kV, 87.969kV이다. A상 기준 전압강하 시점은 36.767초로 나타났다.
그림. 5. T/L에서의 154kV측 전압의 크기 (○일 13시 39분)
Fig. 5. The magnitude of voltage on 154kV side of T/L
그림 6은 ○월 ○일 13시 39분 32초 ~ 42초 #1 M.Tr에서의 22.9kV측 전압의 크기를 나타낸다. 그림 6과 같이, 22.9kV 전압의 최소값은 각각 12.548kV, 13.118kV, 12.966kV이다. A상 기준 전압강하 시점은 36.817초로 나타났다.
사고 시점이 ○월 ○일 13시 39분 36초경임을 알 수 있으며, #1 T/L에서 5.00%의 전압강하가 일어났지만, M.Tr 2차측에서 5.84%로
0.84% 더 큰 전압강하가 나타났고, 2차측이 0.050초 느리게 나타났다.
그림. 6. M.Tr에서의 22.9kV측 전압의 크기 (○일 13시 39분)
Fig. 6. The magnitude of voltage on 22.9kV side of M.Tr
그림 7은 ○월 ○일 14시 24분 34초 ~ 54초 #1 T/L에서의 154kV측 전압의 크기를 나타낸다. 그림 7과 같이, 154kV 전압의 최소값은 각각 83.396kV, 89.493kV, 86.642kV이다. A상 기준 전압강하 시점은 44.250초로 나타났다.
그림. 7. T/L에서의 154kV측 전압의 크기 (○일 14시 24분)
Fig. 7. The magnitude of voltage on 154kV side of T/L
그림 8은 ○월 ○일 14시 24분 34초 ~ 54초 #1 M.Tr에서의 22.9kV측 전압의 크기를 나타낸다. 그림 8과 같이, 22.9kV 전압의 최소값은 각각 12.172kV, 12.823kV, 12.399kV이다. A상 기준 전압강하 시점은 44.667초로 나타났다.
사고 시점이 ○월 ○일 14시 24분 44초경임을 알 수 있으며, #1 T/L에서 9.89%의 전압강하가 일어났지만, M.Tr 2차측에서 8.85%로
1.04% 더 낮은 전압강하가 나타났고, 2차측이 0.417초 느리게 나타났다.
그림. 8. M.Tr에서의 22.9kV측 전압의 크기 (○일 14시 24분)
Fig. 8. The magnitude of voltage on 22.9kV side of M.Tr
사고 구간의 전압을 상세하게 확인한 결과, #1 T/L에서의 154kV측 전압과 #1 M.Tr에서의 22.9kV측 전압이 유사하게 감소하는 것을 볼
수 있었으며, 상대적으로 22.9kV측 전압이 0.22%~1.80% 더 작게 감소하는 것을 알 수 있었다.
3.3 사고 구간의 전력 차이 비교
시간대별로 변환된 데이터를 기반으로 전압과 전류의 크기, 위상을 이용하여 전력을 계산하여 분석을 수행하였다. 그림 9는 T/L과 M.Tr 2차측의 전력 비교 유형을 나타낸다. 이 유형을 선택한 이유는 그림 9에서 당시 ○○ S/S의 M.Tr 1차측에서 CT 설치가 안되어, 전류를 측정하지 못하였기 때문이었다. 이에 송전 모선의 손실이 작을 것으로 생각되어,
T/L과 M.Tr 2차측 전력 차이를 비교하였다.
그림. 9. T/L과 M.Tr 2차측의 전력 비교 유형
Fig. 9. Power comparison type of T/L and M.Tr sec. side
그림 10은 ○월 ○일 11시 ~ 11시 5분의 전력 차이 비교를 나타낸다. 그림 10과 같이, T/L의 유효전력 평균은 -53.17MW, M.Tr 2차측의 유효전력 평균은 57.28MW, 유효전력 차이의 평균은 4.11MW이다. 유효전력
차이는 20.083초에서 43.92MW로 가장 크게 나타났다.
그림. 10. T/L과 M.Tr 2차측의 전력 차이 비교 (○일 11시 2분)
Fig. 10. Comparison of power difference between T/L and M.Tr sec. side
그림 11은 ○월 ○일 13시 35분 ~ 13시 45분의 전력 차이 비교를 나타낸다. 그림 11과 같이, T/L의 유효전력 평균은 -45.66MW, M.Tr 2차측의 유효전력 평균은 48.82MW, 유효전력 차이의 평균은 3.17MW이다. 유효전력
차이는 36.767초에서 16.16MW로 가장 크게 나타났다.
그림. 11. T/L과 M.Tr 2차측의 전력 차이 비교 (○일 13시 39분)
Fig. 11. Comparison of power difference between T/L and M.Tr sec. side
그림 12는 ○월 ○일 14시 24분 34초 ~ 54초의 전력 차이 비교를 나타낸다. 그림 12와 같이, T/L의 유효전력 평균은 3.21MW, M.Tr 2차측의 유효전력 평균은 13.49MW, 유효전력 차이의 평균은 16.70MW이다. 유효전력
차이는 46.367초에서 23.99MW로 가장 크게 나타났다.
그림. 12. T/L과 M.Tr 2차측의 전력 차이 비교 (○일 14시 24분)
Fig. 12. Comparison of power difference between T/L and M.Tr sec. side
사고 구간의 유효전력 차이를 비교한 결과, 정상상태 시 4개 M.Tr의 손실은 약 3.17MW~ 4.11MW (1.32%~1.71%)이며, 사고 발생
시 최대 유효전력 차이는 43.92MW로서, T/L과 M.Tr의 영향을 검토하였다.
3.4 순시 전압 변동률 분석
시간대별로 변환된 데이터를 기반으로 사고 구간을 대상으로 식(1)의 IVFR을 사용하여 순시 전압 변동률을 분석하였다. IVFR은 12주기 크기의 이동창 (Moving Window)을 이용하여 전압의 최대값과 최소값의
차이를 계통의 공칭전압에 대한 백분율로 계산한다.
여기서, $V_{\max}(k_{n-11},\:\cdots ,\: k_{n})$는 12주기 전압의 최대값, $V_{\min}(k_{n-11},\:\cdots
,\: k_{n})$는 12주기 전압의 최소값, $V_{n}$은 공칭전압을 나타낸다.
최근의 분산형전원 배전계통 연계 기술기준에 의하면 재생에너지원의 연계로 인한 IVFR의 허용기준은 변동 빈도에 따라 다르게 적용될 수 있지만, 전반적으로
변동 빈도를 정의하기 어려울 경우 3%를 적용한다 (16). 표 2는 사고 구간의 IVFR 결과를 나타낸다. 표 2와 같이, ○월 ○일 11시 ~ 11시 5분의 3% 이상 측정된 3상 전압의 빈도는 각각 20, 21, 21이다. ○월 ○일 13시 35분 ~ 13시
45분의 3% 이상 측정된 3상 전압의 빈도는 각각 15, 9, 14이다. ○월 ○일 14시 24분 ~ 15시 7분의 3% 이상 측정된 3상 전압의
빈도는 각각 31, 17, 31이다. 따라서, 사고 발생 시 3%를 초과하는 이상치의 비율은 ○월 ○일 11시 ~ 11시 5분에서 각 상별로 0.11%,
0.12%, 0.12%, ○월 ○일 13시 35분 ~ 13시 45분에서 각 상별로 0.04%, 0.03%, 0.04%, ○월 ○일 14시 24분 ~
15시 7분에서 각 상별로, 0.02%, 0.01%, 0.02%임을 확인할 수 있었다.
표 2. 사고 구간의 IVFR 결과
Table 2. Results of IVFR in the fault
|
일시
|
IVFR
[%]
|
A상 전압
[빈도]
|
B상 전압
[빈도]
|
C상 전압
[빈도]
|
|
○월 ○일
11시 0분
~ 11시 5분
|
0~1
|
17966
|
17955
|
17958
|
|
1~2
|
11
|
21
|
19
|
|
2~3
|
3
|
3
|
2
|
|
3 이상
|
20
|
21
|
21
|
|
○월 ○일
13시 35분
~ 13시 45분
|
0~1
|
35983
|
35984
|
35985
|
|
1~2
|
2
|
2
|
1
|
|
2~3
|
0
|
5
|
0
|
|
3 이상
|
15
|
9
|
14
|
|
○월 ○일
14시 24분
~ 15시 7분
|
0~1
|
154766
|
154767
|
154767
|
|
1~2
|
3
|
4
|
2
|
|
2~3
|
0
|
12
|
0
|
|
3 이상
|
31
|
17
|
31
|
4. 결 론
본 논문은 변전소 자체를 대상으로 35대의 PMU를 설치한 후, 수집된 빅 데이터 활용 및 분석에 관한 최초의 연구이다. 먼저, Timetag 시간을
기준으로 35대의 계측 포인트로부터 취득되는 PMU 데이터를 병합하여 Snapshot 형태로 전처리를 수행함으로써, 35대의 PMU 전압 및 전류의
경향을 동시에 원활하게 분석할 수 있도록 하였다. 또한, 시간대별로 변환된 데이터를 기반으로 사고 구간의 전압을 상세하게 확인한 결과, T/L의 154kV측
전압과 M.Tr의 22.9kV측 전압이 유사하게 감소하는 것과 상대적으로 22.9kV측 전압이 0.22%~1.80% 더 작게 감소하는 것을 알 수
있었다. 사고 구간을 대상으로 4개 M.Tr의 전력 손실을 계산, 비교한 결과, 정상 구간보다 사고 구간에서 유효전력 차이가 약 13.85배~10.69배
크게 발생함을 알 수 있었다. 그리고, 사고 구간에서의 IVFR 빈도를 확인한 결과, 사고 발생 시 분산형전원 배전계통 연계 기술기준의 기준치인 3%를
대부분은 초과하지 않았지만, 약 0.01%~0.12%의 이상치의 비율을 새롭게 확인할 수 있었다.
결론적으로, 기존의 상용 Tool로는 분석할 수 없었던 ○○ S/S 각 35대의 PMU 빅 데이터를 Snapshot 전처리를 통하여 변전소 관점에서
동시에 용이하게 활용할 수 있도록 하였으며, Snapshot으로 변환된 데이터를 기반으로 사고 구간의 전압 크기, 전력 차이 비교 및 순간 전압 변동률을
분석함으로써, 그 효용성을 입증하였다.
Acknowledgements
This research was supported by Korea Electric Power Corporation. (Grant number: R22XO05-04)
References
Ministry of Trade, Industry and Energy, 2023. 2, The 3rd Intelligent Power Grid
Basic Plan (2023∼2027), pp. 1-27
C. W. Park, 2022. 10, Basic Study on Utilization Plan of PMU Data for 154kV Substation,
KEPCO, Vol. business plan
S.B. Kang, 2019. 4, Application and Construction of WAMS(Wide Area Measurement System)
in Korea Power System, 2019 KIEE Joint Spring Conference
S.Y. Yun, J.S. Hong, 2020. 6, Technical Trends of PMU Applications in Power Distribution
Networks, The Korean Institute of Electrical Engineers, Vol. 69, No. 6, pp. 29-33
S.C. Nam, B.K. Ko, 2020. 11, Development of Power System Situation Recognition Technology
Using PMU Data, The Trans. of KIEE, Vol. 69, No. 11, pp. 1640-1648
D.Y. Kwon, C.J. Moon, 2021. 8, Analysis and Design of FRT Detection System Using PMU,
Journal of the KIECS, Vol. 16, No. 4, pp. 643-652
B.H. Yun, J.M. Choi, 2022. 7, Power system analysis using PMU and validating PMU data,
2022 KIEE Summer Conference, pp. 495-496
D.B. Son, S.W. Han, 2022. 11, A study on real-time system stability visualization
method using PMU, 2022 KIEE Industrial Electrical Applications Division Fall Conference,
pp. 113-114
N.K. Choi, B.J. Kim, 2023. 7, Monitoring System for Detecting Oscillations using PMU
data in Jeju power systems, 2023 KIEE Summer Conference, pp. 575-576
S. Ghosh, A. Shaw, 2021, FFT and PMU Based Fault Analysis in Double Circuit Transmission
Line, Proceedings of the International Conference on Artificial Intelligence and Smart
Systems, pp. 1607-1611
X. Deng, Y. Liu, 2019. 8, Frequency Observations and Statistic Analysis of Worldwide
Main Power Grids Using FNET/GridEye, 2019 IEEE PESGM, pp. 1-5
D. Zolin, E. Ryzhkova, 2021, Synchronized Phasor Measurements for Power System Digital
Control Applications, 2021 International Conference on Industrial Engineering, Vol.
applications and manufacturing, No. , pp. 42-47
S. Bodda, A. Thawait, P. Agnihotri, 2022, Comparative Analysis of Deep Learning and
Machine Learning Techniques for Power System Fault type Classification and Location
Prediction, 2022 IEEE International IOT, Vol. electronics and mechatronics conference,
No. , pp. 1-9
Y. Yuan, Z. Wang, Y. Wang, 2023. 1, Learning Latent Interactions for Event Classification
via Graph Neural Networks and PMU Data, IEEE Trans. on Power Systems, Vol. 38, No.
1, pp. 617-629
KEPRI, 2023. 3, Intelligent Power Grid Operating System, Basic Electricity Research
Center, pp. 1-24
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., M.S. and Ph.D. degrees in Electrical Engineering
from Gangneung-Wonju National University, Wonju, Korea, in 2014, 2017, and 2022, respectively.
His research interests include Power IT, LVDC, Microgrid, RES, PMU, AI application
of power system, power system modeling & control, and power system protection.
He is a member of the KIEE, KIIEE, and IEEE.
Ph.D. Lee was awarded the Paper Prize of KIIEE in 2020, the Best Paper of the APAP
in 2021.
Tel : 033-760-8796, Fax : 033-760-8781
E-mail : point2529@gwnu.ac.kr
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.
From 1993 to 1996, he was a senior researcher at PROCOM system and lecturer at S.K.K.
University.
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,
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, the Paper Prize of the
KOFST in 2017, the Best Paper of the APAP in 2021, and the Best Paper of KOWEPO in
2021, 2022.
Tel : 033-760-8786, 8200
Fax : 033-760-8781
E-mail : cwpark1@gwnu.ac.kr