1. 서 론

현대 전력시스템의 발전은 증가하는 전력수요를 충족시키는 과정에서 발생하는 대규모화와 복잡성 증가의 문제를 해결하며 구성되고 있으며, 이에 따라 전력 시스템의 안정성을 향상시키는 운영기술의 발전이 더 중요한 과제가 된다. 특히, 송전 전력계통의 안정성을 향상시키고 유연성을 극대화하기 위한 체계로 광역감시시스템(WAMS, wide area monitoring system)이 도입되었으며, 더 나아가 이상상태를 실시간으로 감시하고 적절한 보호제어를 수행하는 감시보호제어(WAMPAC, wide area monitoring, protection and control) 기반의 지능형 전력계통이 구현되고 있다.

지능형 전력망의 구현과 광역감시 및 보호제어의 핵심설비 중 하나는 PMU(phasor measurement unit) 인프라이며, 이는 다양한 시각 동기화된 synchrophasor 상태정보를 이용하여 광역의 전력망을 실시간으로 감시하고, 전력망의 상황인지를 통해 필요시 전력망을 보호 제어함으로써 안정적인 시스템 운영을 도모하기 위한 인프라이다. 이러한 PMU 체계는 현재 전세계적으로 확대 설치되어 전력 빅데이터를 구축하는데 활용되고 있으나, 실질적으로 PMU 설계시 기대했던 자동 계통보호, 광역정전 방지, 고장정보 검출 등의 응용기술이 아직 상용화 단계에 이르지 못하고 있다. 이에 PMU 인프라 활용을 통한 이벤트 기반의 전력계통 상황인지 방법의 개선을 본 연구에서 제안하고자 한다.

전력계통의 안정적 운영과 관련하여 본 연구에서 다루고자 하는 전력계통의 이벤트 상황인지는 상시적으로 발생 가능한 이벤트 카테고리를 인지하여 심각한 파급효과를 갖는 이벤트로부터 실시간에 가깝게 인지하여 보호하는 기술이다. 고장 혹은 이벤트로부터 발생한 외란이 적절한 제어가 신속하게 이루어지지 않을 경우 계통의 불균형이 발생할 수 있으며, 이는 연쇄 고장, 정전 심지어는 광역 정전과 같은 심각한 상황을 초래할 수도 있게 된다⁽¹⁾. 따라서, 이벤트 현상의 인지와 빠른 예측과 판단을 통해 전력계통 운영의 안정성과 효율성 향상을 기대할 수 있다. PMU는 광역 전력시스템에서 시간 동기화된 전압, 전류 및 주파수 위상 데이터 형태로 동적 이벤트 현상을 측정하여 전력시스템 모니터링에 활용할 수 있다. 이러한 PMU의 최신 응용분야로 계통의 상태 추정, 안정성, 보호 및 고장 감지 등에 활용되고 있다.

계통의 해석방법 중 모델 기반 방식을 통해 운영자는 시스템 동작을 미리 시뮬레이션하고 예측할 수 있다. 대표적으로 시스템의 동적 구성 요소를 모델링하고 시간영역 시뮬레이션을 수행하여 신뢰할 수 있는 안정도 평가를 이룰 수 있다⁽²⁾. 그러나, 대규모 그리드에서 다양한 운전 조건과 시스템 모델과 실제 전력계통 간의 격차로 인해 과도 상태에서의 신호 변동을 예측하는 것은 점점 복잡해지고 있다. 따라서, 과도 신호의 모델 분석을 PMU 데이터 학습으로 대체할 수 있는 데이터 기반 분석방법이 연구되고 있다. 특히, 이벤트 신호 분석을 위해 머신러닝 기반 분석을 PMU 데이터에 적용한 연구가 진행되고 있으며, 그 예로 전통적인 신호처리 방법의 특징을 기반으로 한 이벤트 분류 ^(3-5), 컨볼루션 신경망(CNN, convolutional neural network) 기반 안정성 예측 및 상태 특징 분석 ^(6,7), 실제 전력시스템에서 이벤트의 포괄적 클러스터링 ⁽⁸⁾ 등이 수행되었다. 이러한 연구들은 PMU 데이터에서 이벤트 신호를 식별하고 머신러닝 기법을 통해 정의된 이벤트 범주에 따라 이벤트를 분류하여 이벤트 분류 및 위치에서 높은 정확도의 추정을 달성하고 있다. 그러나, 머신러닝 기법의 개발과 더불어 데이터 기반 모델은 PMU 인프라의 구성, 이벤트 검출 시간 오류, 불량 데이터 문제와 같은 다양한 환경에 대한 강건성을 가져야 한다.

광역 전력계통의 PMU 인프라 설치 환경에서 계통의 규모를 고려하였을 때, 모든 노드를 감시하는 것이 어려우며, 이벤트 분석 시에 인접한 PMU 설치 환경을 보장할 수 없다. 이러한 환경에서 본 연구의 핵심은 실제 전력계통 모니터링 상황을 가정하여 최소한의 PMU로 이벤트 분류가 가능한 분류기를 제시하는 것이다. 데이터 기반 이벤트 분류 연구에서 분석대상은 이벤트 시점의 미소구간의 전력정보로 이미지화를 통해 특성을 도출하고 연속적 이미지 형태의 전력정보 분석을 위해 CNN- LSTM 기반의 분류기 네트워크를 설계하였다. 최종적으로 병렬 분류기 구조와 스트리밍 환경에서 이벤트 분류 기반의 상황인지와 그 성능평가를 제시하였다. 본 논문의 구성으로 우선 딥러닝 기반의 이벤트 분류 문제개요를 제시하였으며, 웨이브렛 기반의 시계열 데이터 이미지화와 이를 분석하기 위한 다중채널 CNN-LSTM 구조를 제시하였다. 최종적으로 시뮬레이션 분석 결과에서는 IEEE 표준 모델에서 분석한 분류기의 성능을 제시하였다.

2. 문제 개요

광역 PMU 측정의 데이터 취득환경은 주로 전력시스템의 주요 발전소 및 노드에 위치하여 시계열 위상 데이터 형태의 전압, 전류 및 주파수 정보를 수집한다. 전압 및 주파수 정보를 활용한 이벤트 분류의 이론적 배경은 유효전력의 변화는 주파수에 영향을 미치고 무효전력의 변화는 전압에 영향을 미친다는 원리를 기반으로 한다. 즉, 전력시스템 이벤트 또는 고장이 발생하면 이벤트의 유형과 위치 특성에 따라 동적 특성이 PMU 신호에 나타나게 된다. 그림 1, 2는 여러 PMU를 통해 측정된 부하 및 발전 손실의 일반적인 이벤트 신호의 예시를 나타낸 것으로, 그림 1의 이벤트 발생위치(E1, E2) 및 측정위치(M1, M2, M3)에 따라 선로고장 동일 이벤트에 대해서 그림 2의 신호와 같이 변동성이 나타난다. 즉, PMU 설비가 공간에 분산되어 있기 때문에 측정 신호는 이벤트 유형과 위치에 따라 서로 다른 패턴 특성을 나타낸다. 따라서, 공간에 분포된 시계열 신호들을 통합하여 이벤트 분류를 위한 연구들 또한 진행되고 있다⁽⁹⁾.

반면에 광역 전력계통에서 모든 노드를 감시하는 것은 어려움이 있으며, 이벤트 발생위치와 측정위치 간의 근접성과 상관성을 보장할 수 없다. 따라서, 최소화 PMU를 사용하여 이벤트 분류를 수행하는 것은 다양한 계통구조에 대해 범용성을 향상시킬 수 있다. 또한, 전력계통이 복잡해질수록 모델 기반의 예측 방법은 적용이 어려워진다.

그림. 1. 이벤트 분류 분석을 위한 IEEE 68 bus model 구성 및 이벤트/측정 위치 예시

Fig. 1. IEEE Standard 68 bus model for event classification analysis including event and measurement locations

그림. 2. 이벤트 위치에 따른 전압, 주파수 측정신호 예시 (a)/(b): E1 이벤트, (c)/(d): E2 이벤트

Fig. 2. Example of voltage and frequency signals following event location

이런 점에서 몇몇 연구들은 데이터 분석을 통해 복잡한 전력계통에 적용가능한 이벤트 감시방안을 제시하고 있으며, 본 논문에서는 딥러닝 기법을 활용하여 취득되는 전력신호를 학습하여 이벤트 카테고리를 실시간에 가깝게 추정하는 알고리즘을 제안하였다. 즉, 데이터 기반 이벤트 분류 방안은 모델정보 외에 PMU 학습데이터를 통하여 외란 정보가 들어왔을 때, 이 외란의 종류를 출력하는 추정방안이다. 데이터 취득시간을 결정하는 요소는 이벤트 발생 시간 후 이벤트 분류를 위해 필요한 윈도우 프레임 길이에 해당하며, 윈도우 길이를 설계하여 학습 및 스트리밍 환경에 적용한다. 최종적으로 이벤트 신호 구간을 사용하여 미리 학습하며, 스트리밍 환경에서는 이벤트 검출상황을 가정하여 분류를 수행한다.

3. 전처리 과정

3.2 CWT (continuous Wavelet Transform)

웨이블릿 분석은 시간-주파수 국소화를 기반으로 하기 때문에 PMU 신호와 같은 non-stationary 신호를 분석하는 데 효율적인 기법으로 사용된다. 비고정 신호 분석의 핵심은 시간에 따라 변화하는 주파수 성분을 포착하고 신호에 대한 유용한 설명을 얻기 위해 시간-주파수 영역에서 지역화하는 것이다. 웨이블릿 변환은 연속 웨이블릿 변환(CWT)과 이산 웨이블릿 변환이라는 서로 다른 두 가지 유형으로 나뉘며, 가장 큰 차이점은 스케일과 변환 계수에 이산값의 사용여부이다.

본 연구에서 활용하는 CWT는 시계열 데이터를 주파수와 시간에 대한 2차원 시각화를 수행한다. 그림 3과 같은 CWT 변환을 통해 데이터의 주기성, 트렌드, 변동 등을 파악한다. 즉, 이미지로 변환된 데이터는 시간-주파수 정보가 시각적으로 표현되므로 이벤트 이미지화 분석에 활용이 가능하다.

그림. 3. CWT 기반 시계열 데이터 이미지화 예시

Fig. 3. Example of images following PMU signal

CWT의 주요 동작은 웨이블릿 함수를 시계열 데이터와 슬라이딩하면서 원본 데이터와 웨이블릿 함수의 유사도를 계산하는 것이다. 이렇게 유사도가 높은 부분은 해당 주파수 성분이 높은 확률로 존재한다고 추론할 수 있으며, CWT 변환 기본식은 다음과 같다.

(1)

$$ X_w(a, b)=\frac{1}{|a|^{1 / 2}} \int_{-\infty}^{\infty} x(t) \psi\left(\frac{t-b}{a}\right) d t $$

식(1)에서 $\psi(t)$는 연속적인 모 웨이브렛으로, $a$ 인수만큼 스케일링되고 $b$ 인수만큼 변환된다. 스케일링 및 변환 계수의 값은 연속적으로 나타나며 이미지 형태로 구성된다. CWT에 따라 생성된 이미지의 예시는 그림 3에 표기되어 있으며, 그림 1,2에서 나타낸 E1, E2 이벤트 위치에 따라 측정한 M1, M2, M3에서의 이미지 패턴을 확인할 수 있다. 단순 시계열 데이터와 다르게 M1, M2, M3에서 유사한 패턴을 확인할 수 있다.

4. 다중채널 CNN-LSTM

전력계통 이벤트 분류의 문제는 시공간적으로 분포하는 데이터의 종합적인 고려가 필요한 것으로 딥러닝 방법 중 하나의 예측모델에만 의존하지 않고 여러 예측모델을 결합한 모델을 통해 성능을 향상시킬 수 있다. 따라서, 본 연구에서는 딥러닝 방법인 CNN과 LSTM(long-short term memory)을 결합하는 CNN-LSTM 활용한 인터페이스 구조를 구성하는 것을 제안한다. 이는 시퀀스 데이터를 처리하는데 매우 유용한 모델로서, 주로 이미지와 같은 2D 데이터와 시계열 데이터와 같은 1D 데이터를 함께 다룰 때 사용된다.

세부적으로 CNN의 경우 이미지 분류에 주로 사용되는 딥러닝 기법이며, 공간분포 데이터의 입력 데이터를 학습하고 패턴을 분석하며 데이터를 필터링하고 특징을 추출하는 Feature Extraction 역할을 수행할 수 있다. 본 연구에서는 공간분포 이미지가 아닌 시계열 데이터의 이미지화를 수행한 2D 데이터에 적용한다. 이후 시계열 데이터 분석에 적합한 LSTM 모델에 적용하여 연속적으로 이어지는 이미지 데이터로부터 TSP를 수행하는 모델을 구성한다. LSTM은 시계열 데이터와 같이 순차적인 데이터를 처리하는데 특화된 recurrent 신경망의 한 종류로

그림. 4. 다중채널 CNN-LSTM 구조

Fig. 4. Structure of multi-channel CNN-LSTM

LSTM은 시간적인 패턴과 의존 관계를 학습하기 위해 설계되었으며, 데이터 내의 중요한 시퀀스 정보를 기억하는 데 강점을 가지고 있기 때문에 시계열 변동 시퀀스를 분석하도록 한다. 즉, CNN-LSTM은 이러한 두 가지 모델의 장점을 결합하여, 이미지의 공간적 특징과 시계열 데이터의 시간적 패턴을 동시에 처리할 수 있다. CNN과 LSTM의 결합방법은 layer 수준에서 결합하는 방법과 각각 독립적인 모델로 구성하여 CNN의 결과로 도출된 데이터를 LSTM에서 활용하는 방법이 있다.

본 연구에서는 layer 레벨에서 결합된 CNN-LSTM 구조를 그림 4와 같이 제안하였다. 취득된 시계열 데이터는 각 PMU별 전압, 주파수에 대하여 이미지로 구성이 되며, N개 PMU의 경우 2N개의 이미지가 형성된다. 2개의 이미지를 CNN module에서 받아드릴 수 있도록 입력 채널은 2N개의 다중채널로 구성된다. 잘 알려진 CNN 알고리즘의 반복되는 convolution layer, maxpooling layer를 통해 추출한 출력정보를 flatten 기능을 사용하여 차원을 변환시킨 데이터를 LSTM에 적용함으로써 데이터의 특징을 추출하고 시간적 추세를 반영한 CNN-LSTM 모델을 구성하였다.

5. 시뮬레이션 분석

딥러닝 기반 분석 기법을 전력계통에 활용하기 위해서는 데이터베이스 확보가 필수적이지만, 실제 전력계통을 대상으로 무작위 테스트를 수행하기는 어렵다. 이에 대한 대안으로 IEEE 표준 모델을 이용하여 이상 신호 데이터베이스를 구축하고, CNN- LSTM 기반의 이벤트 분류 연구를 수행하였다. IEEE 표준 모델은 New York 전력계통과 연계된 New England 시험 계통을 축소한 그림 1의 IEEE standard 68 bus model을 대상으로 한다. 시뮬레이션으로 다양한 이벤트를 구성하며, 네트워크, 기기, 파라미터 등 16개 기기, 5개 영역으로 구성된 모델 정보에 대한 자세한 내용은 ⁽¹⁰⁾에서 확인할 수 있다.

5.2 분석 결과

PMU 개수에 따른 성능분석 결과는 윈도우 프레임 길이 변경을 포함하여 5-fold cross validation으로 그림 5에 나타내었다. 경향성을 분석하였을 때, 3개 미만의 PMU 세트 구성은 정확성을 보장할 수 없으며 3개 이상의 PMU 세트 사용 시 높은 정확성 도출이 가능하다. PMU 개수에 따른 정확도 분석의 경우 경향성 분석을 위하여 동일하게 설계된 CNN-LSTM 상에 입력채널 개수를 변경하여 사용하였기 때문에 각 단계에서 최적화를 통해 정확도 향상이 가능하다.

PMU 개수와 더불어 정확도 향상에 중요한 요인은 이벤트 발생 후 데이터 취득시간으로 데이터 취득 윈도우 프레임이 길어질 경우 많은 데이터 취득으로 정확도 향상이 기대되나 이벤트 분류 판단시간에 지연이 발생하는 tradeoff 관계를 갖는다. 윈도우 프레임 길이와 정확도 분석은 그림 6에 PMU 세트 개수를 포함하여 분석하였으며, PMU 개수 증가, 윈도우 프레임 증가에 따른 정확도 향상의 경향성을 보인다. 즉, 이 분석을 통해 대상 계통에서 최적의 감시 인프라를 결정할 수 있다.

그림. 5. 측정 PMU 개수에 따른 정확도 분석 결과

Fig. 5. Accuracy analysis results via number of PMUs

그림. 6. 측정 PMU 개수 및 윈도우 프레임 길이에 따른 정확도 성능평가

Fig. 6. Evaluate accuracy performance as a function of the number of PMUs measured and window frame length

그림. 7. PMU 측정개수 윈도우 프레임 길이별 confusion matrix 예시 (a):1 PMU, 3 window, (b) 3 PMU, 1 window

Fig. 7. Confusion matrix example by PMU measurement count window frame length (a):1 PMU, 3 window, (b) 3 PMU, 1 window

PMU 설치 및 윈도우 취득시간에 따른 성능변화의 추가 분석으로 [1개 PMU, 3x5샘플 윈도우], [3개 PMU, 1x5샘플 윈도우] 케이스에 대한 confusion matrix를 그림 7에 구성하였다. 두 케이스의 경우 최적 감시지점에 도달하지 못하였기 때문에 잘못 판정된 사례가 존재한다. 이 때, PMU 설치 미흡, 윈도우 시간 미흡에 따른 오판정의 사례가 confusion matrix 상에서 다르게 나타남을 확인할 수 있다. 즉, 각 케이스의 보완을 위해서 PMU나 윈도우 개수를 각각 늘리기보다는 최적의 감시지점을 찾는 것이 중요하다.

6. 결 론

본 연구에서는 전력계통의 PMU 측정 신호을 활용한 딥러닝 기반의 이벤트 분류 기법을 제안하였다. 전력계통에서 PMU는 광역 전력계통에 설치되어 시각 동기화된 전압, 전류, 주파수 정보를 측정하는 설비로 복잡한 모델 정보를 사용하지 않고 취득된 데이터를 활용하여 이벤트 분류가 가능하다. 제안한 알고리즘은 특히 최적화된 PMU 세트와 윈도우 구성을 사용하여 광역 전력계통에서 활용가능한 알고리즘의 형태로 구성하였다. 최적화된 PMU 세트를 활용하기 위한 핵심은 측정된 각 시계열 데이터를 CWT 기반으로 이미지화하여 CNN 기반의 알고리즘이 효율적으로 동작할 수 있도록 구현하였다. 최종적으로 제안한 CNN-LSTM 기반의 이벤트 분류 기법은 전력계통에서 구현한 이벤트 카테고리를 분류할 수 있도록 하였으며, 최적의 PMU, 윈도우 프레임을 설정할 수 있도록 한다. 향후 연구 결과를 바탕으로 대상 계통에 대한 최적의 PMU 인프라와 윈도우 프레임을 설계하고 최적화를 통해 개선점을 찾을 수 있을 것으로 기대된다.