1. 서 론

전력계통은 설비 고장 및 송전선로 고장과 같은 다양한 외부 요인에 의해 과도 안정도 문제가 발생할 수 있다. 과도 안정도 평가(TSA, Transient Stability Assessment)는 동기발전기가 외란에 대해 안정적으로 전력 공급의 지속성을 판단하는 것이며 전력계통의 안정적 운영을 위한 중요한 문제 중의 하나이다. 동기발전기가 과도 안정도 한계점을 초과하게 되면 탈조하게 되며 이로 인해 주파수와 전압이 불안정해지고, 부하차단 또는 광역 정전을 초래하므로 안정적인 계통 운영을 위해서는 실시간 과도안정도 해석이 필수적이다⁽¹⁾. 과도 안정도 평가는 오랜 기간 동안 많은 연구가 진행되어 왔으며, 고차원 비선형 미분방정식을 Runge-Kutta법을 기반으로 하는 수치 적분법을 통해 반복적으로 연산해기 때문에 막대한 계산시간이 소요된다. 실시간으로 과도 안정도를 평가하고 후속 조치를 취해야 하는 전력계통 운영에 실제 적용이 어려웠지만⁽²⁾, 최근 인공지능 기술의 발전과 컴퓨터 성능 향상으로 딥 러닝 기반의 접근 방법을 통해 실시간으로 과도 안정도를 예측하는 연구가 활발하게 진행되고 있다^(4-11). 전력계통의 상태 데이터로부터 모델을 구성하는 인공지능 기술 기반의 신경망 모델은 추론(Inference)을 위한 연산구조가 매우 간단하므로 전력계통 실시간 상태 분석에 활용하기 적합한 시스템이다. 실시간으로 전력계통 과도 상태 분석이 가능하게 되면 전력계통에서 발생하는 외란에 대해 보다 적절한 대응이 가능해진다.

전력계통에서 고속 샘플링(Sampling)이 되는 PMU(Phasor Measurement Unit)의 보급이 확대되면서 계통의 동적 데이터를 취득할 수 있는 환경이 구축되어 딥 러닝 기반의 실시간 전력계통 과도 안정도 평가의 기반이 마련되었다. PMU를 통해 얻어진 동적 데이터는 계측기기 내의 오차 범위와 데이터 통신 중에 발생하는 미세한 노이즈 정도의 오차 범위를 지니며 이는 합하여 약 1%미만의 아주 작은 오차를 지니고 있어 실제 전력계통의 상태변수를 실시간으로 정확하게 취득할 수 있다⁽³⁾. 이런 방대한 데이터와 인공지능 기법을 결합하여 과도 안정도를 분석하기 위해, 분류 성능이 뛰어난 서포트 벡터 머신(SVM: Support Vector Machine)을 활용한 방법, 인공 신경망(ANN: Artificial Neural Networks)을 활용한 방법 그리고 다양한 인공지능 모델의 결합을 통해 보다 높은 정확도를 지닌 모델을 제안하는 등 다양한 연구들이 발표되어 왔다^(4-6). 최근에 발표된 연구 결과로는 뛰어난 시각적 인식 성능을 보여주는 컨볼루션 신경망(CNN: Convolutional Neural Network)^(7-8), 데이터의 시간적 특성 분석에 효과적인 순환신경망(RNN: Recurrent Neural Network) ⁽⁹⁾ 그리고 RNN의 단점인 장기의존성 문제를 보완한 장단기메모리(LSTM: Long-short Term Memory)⁽¹⁰⁾가 사용되어 과도 안정도 평가에 높은 정확도를 보여주고 있으며, CNN과 LSTM모델을 결합하여 정확도를 향상시킨 연구 결과도 발표되고 있다⁽¹¹⁾. CNN 모델은 몇 개의 컨볼루션 계층(Convolution layer)을 사용하는지, 최적화 파라미터는 어떤 값을 사용하는지에 따라 연산속도와 정확도에 영향을 미치지만 이와 같은 내용은 다양한 연구결과를 통해 주로 사용되는 특정 값들이 정해져 있으며 컨볼루션 계층의 경우 계층의 수가 많아질수록 과적합(Over- fitting) 될 가능성이 높아지며 특정 입력 이미지에 대해서만 높은 정확도를 지닐 수 있다. 이와 같이 모델의 세부적인 구조와 파라미터의 값으로 정확도를 높이기에는 다소 부적합하다. 이를 해소하기 위해 본 논문에서는 CNN모델에 Saliency map을 이용하여 보다 높은 과도 안정도 판별 정확도를 가진 모델을 제안한다. Saliency map은 이미지를 구성하는 픽셀에서 대조되는 색, 밝기 등을 인지하여 픽셀에서 급격한 변화가 있는 부분을 찾아 강조하는 방법으로 이미지 분석 성능에 큰 도움을 주는 방법으로 컴퓨터 비전, 사물인식, 이상객체 감지 등 이미지와 관련된 분야에서 각광받는 이미지 분석 방법으로 사용되고 있으며^(12-15), 최근 전력계통 분야에서는 부하예측에 Saliency map을 사용한 연구가 발표되어 지고 있다^(16-17).

본 논문에서는 위와 같은 장점을 가진 Saliency map과 CNN 모델을 결합하여 전력계통 과도 안정도를 평가하는 방법을 제안한다. 이 방법은 CNN 모델의 입력 이미지를 이미지 프로세싱 기법 중 하나인 Saliency map을 이용하여 이미지 전 처리과정을 수행하여 CNN 모델의 입력으로 사용하기 때문에 CNN 모델 훈련과정을 보다 용이하게 해주어서 학습시간을 줄여주고 보다 높은 정확도를 가진 모델로 구성할 수 있게 된다. 이 방법은 기존 연구에서 부족했던 입력 이미지 전 처리에 따른 모델 성능 개선을 나타내줄 수 있어 보다 진보적인 연구라 할 수 있다. 또한 Saliency map을 이용하면 이미지 내에서 전력계통 과도안정도와 관련성이 높은 부분을 찾을 수 있어 과도 안정도 평가 정확도를 높이는 방법이 될 수 있다. 제안한 방법은 IEEE 39 bus system에서 다양한 고장을 통해 얻어진 동적 데이터를 RGB 변환을 통해 이미지로 구성하여 제안한 모델의 유효성을 검증하였다.

2. 딥 러닝을 이용한 전력계통 과도 안정도 평가

전력 계통의 과도 안정도 평가는 전력계통 운영 측면에서 매우 중요한 분야로 이는 대형 발전기나 전력 계통이 운전 중 급격한 부하 변동, 선로 고장 등 다양한 고장이나 외란이 발생한 후 정상적으로 전력계통이 운영될 수 있는지를 판단하는 것이다. 전력 시스템이 이러한 상황에서 안정적으로 운영되기 위해서는 발전기의 회전자 속도, 전압, 주파수, 각 모선의 전압과 위상각 등 급격한 변동을 겪은 뒤에도 빠르게 안정 상태로 돌아와야 하며, 이를 안정한 상태라 말한다. 이는 전력계통이 큰 외란을 겪은 후 안정적으로 전력을 공급할 수 있음을 의미한다^(1-2). 그림 1은 과도 안정도를 평가하는 방법 중 하나인 동기발전기의 유효전력과 전력각 곡선에 대해 나타낸 것으로 발전기의 기계적 입력($P_{m}$)과 전기적 출력($P_{e}$)이 균형을 이루며 $\delta_{o}$에서 안정적으로 운영 중일 때, 고장이 발생하면 발전기는 가속을 하게 되고 가속운전 하던 중 차단기가 동작하여 고장영역을 제거하면 발전기의 전기적 출력은 $P_{m}$보다 증가하여 발전기는 감속하며 새로운 균형점에 수렴하여 안정운전을 하게 된다. 이는 유효전력과 전력각 곡선의 면적을 통해 판단 할 수 있다. A면적을 가속면적, B면적을 감속면적, C면적을 과도안정도 마진이라고 하며 면적의 크기를 기준으로 A<(B+C) 인 경우 안정상태를 나타내며 A>(B+C)인 경우 불안정상태로 평가된다.

고장 중인 상황에서 차단기의 동작이 늦어질 경우 A면적이 커지게 되며 발전기는 과속운전시간이 길어지게 되고 이는 발전기가 새로운 안정도 전력각을 찾지 못하고 탈조하는 현상이 발생하게 되어 과도적으로 불안정한 상태를 야기하여 안정적인 전력 공급이 어려워지게 된다. 이처럼 빠르고 정확한 전력계통 과도 안정도 평가는 안정적인 전력계통에 필수적이나 수학적으로 해석하기엔 상당한 계산시간이 중요하여 적절한 후속제어 조치를 취하기 어렵다.

이러한 문제를 해결하기 위해 현재는 딥 러닝 기법들을 사용하여 빠르고 정확하게 전력계통 과도안정도 평가를 수행하는 연구들이 활발하게 발표되고 있다. 딥 러닝 모델을 전력계통의 과도안정도 평가에 적용하기 위해서는 전력계통 과도 안정도에 영향을 미치는 여러 가지 요소들을 입력 데이터로 사용한다. 입력 데이터들은 전력계통에서 취득할 수 있는 모든 동적 데이터를 고려할 수 있으며 이런 데이터를 사용하여 딥 러닝 모델을 학습시킨 후 전력계통의 과도 상태를 예측하고 평가한다. 딥 러닝을 사용할 경우 기존의 방법인 수학적 모델을 기반으로 한 방법 보다 빠르게 전력계통 과도 안정도를 평가 할 수 있으며 적절한 후속 제어가 가능하므로 안정적인 전력계통 운영에 큰 도움을 줄 수 있다.

현재 딥 러닝을 사용하여 전력계통 과도 안정도 부분을 평가하는 많은 연구들이 발표되어 왔으며 그 중에서도 CNN을 사용한 연구 결과가 높은 정확도를 보여 주고 있다^(4-8), ⁽¹¹⁾. 이를 기반으로 본 논문에서도 CNN모델을 기반으로 전력계통 과도 안정도 평가 방법을 제안 하였으며 기존의 이미지 생성 방식이 아닌 Saliency map이라는 이미지 생성 알고리즘 방법을 추가하여 보다 높은 정확도를 가진 모델을 제시하였다.

그림. 1. 동기 발전기의 유효전력과 전력각 곡선을 이용한 안정도 평가

Fig. 1. Transient stability assessment using active power-angle curve of synchronous generator

3. 전력계통 과도안정도 평가를 위한 컨볼루션 신경망

본 논문에서는 전력계통에서 취득되는 동적 데이터의 물리적 특성을 효과적으로 분석하기 위해 그림 2와 같이 CNN모델을 사용하여 전력계통 과도 안정도를 평가하고자 한다. 운영 중에 있는 계통에서 취득되는 동적 데이터들은 데이터베이스(Data Base)에 3차원 텐서(Tensor)로 저장되는데 이때, 데이터베이스에 동적 데이터가 저장될 때 관측시점(OW, Observation Window)은 고장 기간 동안의 (고장 발생 시간($T_{F}$)~고장 제거 시간($T_{C}$))의 데이터만을 사용한다. 고장 기간 동안의 데이터만 사용하기에 고장이 제거 된 이후 바로 TSA가 수행되어 추가적인 제어 동작을 수행 할 수 있는 장점이 있어 보다 안정적인 계통운영이 가능하다. 이 기간 동안 취득된 데이터를 통해 각 차원의 상태값 들은 정규화 되어 대응하는 적(R), 녹(G), 청(B)의 채도로 할당되어 RGB map이 구성된다⁽¹¹⁾. 예를들어, 관측시점 기간 동안의 각 모선 전압의 크기는 3차원 텐서로 데이터 베이스에 저장되며 이 값은 “R” 채도로 맵핑 되는데 이때 각 3차원 텐서로 구성된 데이터의 크기는 색을 나타낼 수 있는 채도, 명암 등의 값으로 변환되어 구성 된다. 구성된 RGB map은 Saliency map으로 변환되고 각각 CNN의 입력으로 사용되어 전력계통 과도 안정도 평가를 위한 학습을 수행한다. Convolution layer, Pooling layer를 거쳐 과도 안정도 특징을 지닌 벡터로 구성되고 마지막 FC layer를 통해 특징들을 종합하여 Softmax분류기를 통하여 과도적으로 안정 상태와 불안정 상태를 판정한다⁽¹¹⁾.

컨볼루션 신경망을 구성하고 있는 각 Layer에 대한 간략한 설명과 본 논문에서 적용한 세부항목은 다음과 같다.

1) Convolution layer: 이미지의 픽셀 데이터를 받아 사용자가 설정한 커널(n x n 크기의 필터, 본 논문에서는 3 x 3크기의 필터를 사용)을 이미지 위에서 슬라이딩하면서 적용한다. 이 커널은 일종의 필터로 작동하며, 이미지의 다양한 특성 예를 들어, 가장자리, 색상, 텍스처 등을 감지하는 데 사용된다. 이 과정은 여러 개의 필터를 통해 동시에 수행되어, 각 필터가 서로 다른 특성을 학습하게 되며, Convolution layer의 출력은 특성 맵(Feature map)이라고 하며, 이는 입력 이미지의 각 부분이 각 필터를 통해 어떤 특성을 지니게 되었는지 나타내준다. 즉, 각 이미지의 픽셀값을 필터를 통해 분석하여 이미지 내에서 중요한 부분을 특성 맵을 통해 나타내게 해주며 이를 통해 이미지 분석을 수행하게 된다.

2) Pooling layer: Pooling layer는 특성 맵의 차원을 줄이는 데 사용된다(Down sampling). 이는 계산의 복잡도를 줄이고, 모델의 과적합(Over-fitting)을 방지하는 역할을 수행한다. 가장 일반적인 Pooling 방법은 Max-pooling(각 특성 맵에서 가장 큰 값만을 선택하는 방식), Average pooling(각 특성 맵의 평균값을 사용)이있다. 본 논문에서는 Max- pooling 방법을 사용하였다.

3) Fully-connected layer: 일반적인 인공 신경망과 동일하게 동작하며, 모든 Input node는 모든 Output node와 연결되어 있다. Fully-connected layer는 주로 네트워크의 마지막 부분에 위치하며, 각 Layer를 통해 얻어진 특성을 종합하여 판단하는 역할을 하며 본 논문에서는 과도 안정도의 안정 여부를 판단하는 “분류”를 수행하기 때문에 분류기 중 하나인 Softmax를 사용 하여 실시간으로 입력되는 특성 맵, Saliency map의 과도 안정도 상태를 평가 할 수 있다.

그림. 2. 과도 안정도 평가를 위한 컨볼루션 신경망의 구조

Fig. 2. The structure of a convolution neural network for transient stability assessment

4. Saliency Map을 이용한 컨볼루션 신경망 모델

Saliency map은 이미지 프로세싱의 한 방법으로 이미지 내의 각 픽셀 값을 인지하여 인접한 픽셀간의 밝기, 색 등의 값을 파악하여 그 값이 크게 변화하는 부분을 찾아 부각 시킬 수 있다⁽¹⁹⁾. 이미지는 기본적으로 R, G, B 색상으로 구성되며, 각 색상에는 고유한 주파수 값이 있기에 푸리에 변환(FT, Fourier Transform)알고리즘을 사용하여 주파수 영역에서 이미지를 분석할 수 있다. FT을 통해 이미지 내에서 소형 표적과 같이 작고 비정형적인 패턴을 강조하고, 반복되는 패턴을 제거하여 강조가 필요한 영역, 인접한 픽셀의 변화 등을 밝게 표시해주어 이미지 분석에 높은 성능을 보이고 있다. 본 논문에서 사용한 FT 알고리즘을 통해 RGB map을 Saliency map으로 변환하는 과정은 다음과 같다⁽¹²⁾.

1) Image preprocessing

- 입력 이미지를 각각 R, G, B 성분으로 변환한다.

- Gaussian filter를 통해 픽셀 값을 계산 한다

- FT 알고리즘을 통해 Saliency map 성분을 추정한다. (이미지 내에서 강조되는 부분을 추정)

2) Detect outlier

- 각 픽셀의 통계적 파라미터 값(평균, 분산)을 구한다.

- 사분범위(IQR, Inter Quartile Range)을 통해 outlier의 위치를 파악한다.

3) Postprocessing

- IQR을 통해 찾은 초기 outlier 위치의 픽셀 값을 이진화(binarization) 값으로 변경한다.

- Morphology 연산을 수행하여 outlier를 제거한다.(이미지 내에서 강조하고 싶은 영역과 분리하는 과정)

위의 방법을 수행하면 기본 이미지에서 outlier 영역을 제거하여 이미지 내에서 강조하고 싶은 영역만 나타낼 수 있는 Saliency map이 구성이 되며 Flow chart로 나타내면 그림 3과 같다.

그림. 3. Saliency map 구성 순서도

Fig. 3. Flow chart for constructing saliency map

그림 4는 일반적인 이미지를 Saliency map으로 변환한 예시를 나타낸 것으로 기본 이미지(a)에서 인접한 픽셀의 밝기와 색의 차이가 크게 발생하는 부분들을 확인하여 (b)의 Saliency map으로 구성됨을 확인 할 수 있다. 즉, 기본 이미지에서의 중요한 정보와 인식에 필요한 부분만 강조하여 나타 낼 수 있다.

그림. 4. 기본 이미지 (a)와 Saliency map으로 변환된 이미지(b)

Fig. 4. The original Image(a) and the image transformed into a Saliency map

그림 5는 본 논문에서 제안하는 Saliency map의 사용 방법으로 그림 2와 동일하게 취득한 데이터를 통해 RGB map을 구현하고 이를 Saliency map으로 추가 변환하여 CNN 모델의 학습에 사용한다. RGB map에서 과도 안정도 평가에 중요하지 않는 부분은 음영처리가 되고 중요한 부분은 부각시켜 Saliency map을 생성하고 이를 CNN 모델이 분류하기 때문에 보다 높은 정확도를 가진 모델을 구현할 수 있다.

그림. 5. 과도 안정도 평가를 위한 Saliency map 적용 방법

Fig. 5. Application method of saliency map for transient stability assessment

5. 사례연구

사례연구에서는 본 논문에서 제안한 Saliency map의 성능을 전력계통 시뮬레이션 데이터를 통해 학습하고 성능을 검증하였다.

5.1 시뮬레이션 모델 및 데이터 베이스 생성

제안된 방법의 성능을 검증하기 위해 MATLAB/Simulink를 통해 그림 6과 같이 IEEE 39 bus system 모델을 구현하였다.

전력 시스템의 과도안정도와 관련된 다양한 유형의 데이터를 포함시키기 위해 모든 고장 시뮬레이션을 통해 데이터를 취득하면 제안한 모델에서의 완벽한 데이터베이스를 생성 할 수 있지만 계통내의 모든 고장을 고려하여 수행하는 것은 현실적

그림. 6. IEEE-39 모선 모델

Fig. 6. IEEE-39 bus benchmark model

으로 많은 시간이 소요되며 불가능에 가깝기 때문에 계통 내에서 발생 할 수 있는 고장 중 계통에 가장 큰 영향을 미치는 송전선로, 모선고장(3상 단락)에 대한 데이터를 16.6ms(60Hz 주기)로 취득하였다. 부하의 크기가 90~110%로 변하는 상태에서 0.2초에서 0.6초의 지속시간을 갖는 3상 단락고장에 대해 10초간의 시뮬레이션을 수행한다. 총 3,567사례의 시간영역 시뮬레이션을 수행하였으며 이 중 과도적으로 안정한 사례는 2,816개 그리고 불안정한 사례는 751개이다. 각 사례별로 취득되는 데이터 의 수는 각 동적 데이터마다 601개가 취득되어 총 3,005개의 데이터가 취득 되며 이 중 CNN 모델에 학습에 사용되는 데이터는 각 시뮬레이션 사례에 따른 입력데이터 구성과 관측 시점의 시간에 따라 정해진다.

표 1. 시뮬레이션 조건

Table 1. Simulation conditions

고장 종류	3상단락(송전선로, 모선)
데이터 취득 주기	16.6ms (60Hz)
부하 변동	90~110%
시뮬레이션 시간	10s
고장 지속 시간	0.2~0.6s
입력 데이터 종류	각 모선(39개)의 전압의 크기, 위상각, 위상각의 변화량 각 발전기(10개) 회전자 각속도, 위상각
고장 사례 수	3,567사례 (과도 안정 상태: 2,816사례, 과도 불안정 상태:751사례)

취득된 데이터는 과도 안정도 지표(TSI, Transient Stability Index)를 사용하여 시뮬레이션 데이터에 안정여부 즉 정답 레이블에 활용하며 다음과 같이 정의된다⁽²⁰⁾.

(1)

$TSI=\dfrac{360^{\circ}-\left |\theta_{\max}\right |}{360^{\circ}+\left |\theta_{\max}\right |}$

여기서 $\theta_{\max}$는 발전기 회전자들간 최대 위상차로, 전력계통의 상태는 $TSI>0$이면 과도적으로 안정하고, $TSI\le 0$인 경우는 불안정한 경우로 분류할 수 있다.

표 2. CNN모델 구조와 학습 파라미터

Table 2. CNN model structure and training parameters

	CNN모델 구조		시뮬레이션 파라미터
Input	RGB image map, Saliency map	Optimizer	SGDM1
Hidden	Convolution layer-64, max-pooling	Initial learning rate	1e-2
	Convolution layer-16, max-pooling	Momentum	0.95
	Convolution layer-4, max-pooling	Mini batch size	16
	Flattern-64	Maximum epochs	40
Output	Softmax-2

SGDM : Stochastic Gradient Descent with Momentum

CNN모델을 통해 과도 안정도 평가를 수행하기 위해 CNN모델의 구조와 학습파라미터 선정을 해야 한다. 따라서 본 연구에서는 선행연구⁽⁷⁾에서 제안된 모델과 본 연구에서 활용된 학습데이터의 규모를 고려하여 표 2와 같이 구성하였다.

5.2 입력데이터에 따른 시뮬레이션 사례 구성

본 논문에서는 입력 데이터에 따른 과도 안정도의 영향을 분석하고자 3가지 종류의 데이터 셋을 구성하여 CNN 모델에 학습하였으며 각 시뮬레이션 사례에 사용된 데이터의 종류는 표 3과 같다. 각 사례마다 데이터 구성이 다르게 조합하여 어떤 데이터 조합을 사용하는 것이 전력계통 과도 안정도 평가에 적합한지 확인 할 수 있다.

표 3. 시뮬레이션 사례 별 입력 데이터

Table 3. Input data for each case

시뮬레이션	입력데이터
사례 1	모선의 전압 크기, 모선의 위상각, 모선의 위상각의 변화량
사례 2	발전기 회전자 각속도, 발전기 회전자 위상각, 모선의 위상각
사례 3	모선의 전압 크기, 모선의 위상각, 발전기 회전자 각속도

그림 7은 그림 2의 관측 시점을 통해 취득된 데이터를 RGB map과 Saliency map으로 변환한 데이터중 일부를 나타낸 것 이다. (a)와 (b)는 과도 안정 상태의 데이터를 각각 RGB map과 Saliency map으로 나타낸 것이며 (c)와 (d)는 과도 불안정 상태의 데이터를 각각 RGB map과 Saliency map으로 나타낸 것 이다. RGB map의 각 픽셀 값은 3차원 텐서에 해당하는 값이며 이 값들의 크기에 따라 색상의 변화가 생김을 확인 할 수 있다. 각 픽셀이 지닌 색상을 통해 인접한 픽셀과 색상의 차가 클 경우 Saliency map은 이를 인지하고 변화의 크기에 따라 각 픽셀의 밝기의 값이 다르게 표현됨을 알 수 있다. 즉, 밝기가 밝은 곳이 전력계통 과도 안정도 평가에 중요한 부분을 나타내는 것이다. 이를 통해 CNN 학습을 수행 할 경우 기존의 RGB map을 사용한 경우보다 이미지 분석의 영역이 줄어들게 되고 필요한 영역 부분만 학습을 수행하면 되므로 보다 높은 정확도를 가진 모델을 구현할 수 있다.

그림 8은 본 논문에서 제안하는 Saliency map을 이용한 과도 안정도를 평가하는 방법을 나타낸 것이다. 정상운영 중인 계통에서 고장이 발생하면 데이터 샘플 주기를 통해 동적 데이터가 데이터베이스에 저장되며 고장이 해소되는 시점까지 동적 데이터를 취득한다. 이때 각 사례 별로 사용하는 데이터를 분류하여 이렇게 취득된 데이터를 통해 RGB map을 구현하고. 추가적으로 Saliency map을 구성하여 총 두 개의 이미지를 CNN 모델에 각각 학습, 검증 하여 과도 안정도를 평가하게 된다. 과도안정도를 평가 하는 것은 정상 상태 데이터를 정상상태로 불안정 상태 데이터를 불안정 상태로 정확히 분류했는지를 나타내는 지표인 정확도와 불안정 상태 데이터를 안정 상태로 잘못 분류하는 비율인 위양성율을 중점적으로 비교하였으며 이 두 개의 지표는 정확도가 높을수록, 위양성율이 낮을수록 과도 안정도를 정확히 평가한 것으로 할 수 있다. 같은 데이터와 같은 모델을 사용하여 지표를 비교하기 때문에 본 논문에서 제안한 Saliency map의 성능의 유효성을 검증 할 수 있다.

그림. 7. 과도 안정 상태의 RGB map(a)과 Saliency map(b), 과도 불안정 상태의 RGB map(c)과 Saliency map(d)

Fig. 7. RGB map(a) and Saliency map(b) of transient stable state and RGB map(a) and Saliency map(b) of transient unstable state

5.3 컨볼루션 신경망 모델의 검증 결과

딥 러닝 모델에서 분류 문제에 주로 사용되는 혼동행렬(Confusion Matrix)은 각 모델의 성능을 나타내는 지표로 사용되고 있으며 표 4와 같이 나타낼 수 있다. 여기서 TP(True Positive)는 진양성, FN(False Negative)는 위음성, FP(False Positive)는 위양성, TN(True Negative)는 진음성을 나타내며 혼동행렬의 지표를 이용하여 식(2)~(5)의 모델 정확도 지표를 구할 수 있다.

이 중 모델의 성능을 파악하는데 중요한 지표는 정확도와 위양성율 이다. 정확도는 전체 데이터 중 실제 데이터가 양성일 때 예측값이 양성인경우와 음성일 때 예측값이 음성인 비율을

그림. 8. Saliency map을 이용한 전력계통 과도 안정도 평가 모델

Fig. 8. Transient stability assessment model using saliency map

나타내며 위 양성율은 실제 데이터는 음성인데 예측값이 양성을 나타낸 비율을 나타내는 것이다. 과도안정도 평가에서 이 두 지표를 활용하면 정확도가 높다는 것은 과도적으로 안정, 불안정 상태를 정확하게 평가하는 것이며 위양성율이 낮으면 과도 불안정 상태를 안정 상태로 판단하는 비율이 낮음을 의미하기에 정확도가 높을수록, 위양성율이 낮을수록 성능이 뛰어난 모델이라 판단 할 수 있다.

표 4. 혼동행렬

Table 4. Confusion Matrix

		예측값
		과도 안정	과도 불안정
실제값	과도 안정	TP (True Positive)	FN (False Negative)
	과도 불안정	FP (False Positive)	TN (True Negative)

(2)

$정확도( {AC},\: {Accuracy})=\dfrac{TP+TN}{TP+FP+TN+FN}$

(3)

$정밀도( {PR},\: {Precison})=\dfrac{ {TP}}{ {TP}+ {FP}}$

(4)

$위양성율( {FPR},\: {False Pos}ive Rate)=\dfrac{FP}{FP+TN}$

(5)

$위발견율( {FDR},\: {FalseDiscoveryRate})=\dfrac{FP}{TP+FP}$

제안한 방법의 검증을 위해 취득한 데이터를 표 2와 같이 구성하고 이를 RGB map, Saliency map으로 변환하여 표 1의 데이터 셋 비율을 통해 CNN모델 학습을 5번씩 수행한 평균 값을 표 5, 6에 나타내었다.

표 5는 검증데이터를 통한 각 사례의 혼동행렬 평균 결과 값이다. CNN모델의 결과는 입력 이미지를 RGB map을 사용한 평균 결과를 나타내며 CNN+Saliency map은 본 논문에서 제안한 Saliency map을 CNN모델의 입력으로 사용하여 검증된 평균 결과 값이다. 구해진 각 항목 값을 이용해 식(2)~(5)의 과정을 통해 표 6과 같이 각 사례별 주요 성능 지표를 구할 수 있으며 그림 9를 통해 그래프로 나타내었다. 표 6과 그림 9를 통해 Saliency map을 사용한 경우에 정확도는 각 사례 별로 1.31%, 1.13%, 1.03% 향상되었다. 정확도가 향상 되었다는 것은 입력 데이터를 통해 안정, 불안정 상태를 높은 정확도로 분류할 수 있다는 것을 의미하여 올바른 과도안정도 평가가 이루어짐을 의미하고, 위양성율은 0.16%, 1.00%, 0.70% 감소됨을 확인 할 수 있다. 이는 제안한 방법을 통해 불안정 상태의 데이터를 안정하다고 판단하는 확률이 낮다는 것을 의미하는데 만약, 과도 불안정 상태인 경우 적절한 제어 조치를 빠르게 수행해야 안정적인 계통운영이 가능한데 이 확률이 높다는 것은 적절한 제어 조치를 수행할 시간이 줄어들게 됨을 의미하고 이는 곧 동기발전기의 탈조현상을 야기하여 정전에 이르는 사태를 야기할 수 있다. 그렇기 때문에 정확도 증가율과 위양성율의 감소율이 크지 않더라도 성능이 향상되었다는 것은 전력계통 운영에 있어 아주 중요한 부분임을 확인 할 수 있어 본 논문에서 제안한 기법의 유효성이 입증되었다는 것을 의미한다.

각 시뮬레이션 사례별 주요 성능 지표의 정확도에서 사례 2의 경우가 사례 1, 3에 비해 높은 성능을 나타냄을 확인 할 수 있다. 그 이유로는 사례 2에 사용된 발전기의 회전자 위상각 변수가 TSI를 판별하는 변수이기도 하며 과도 안정도 해석에

표 5. 각 사례에 따른 혼돈행렬

Table 5. Confusion matrix results for each simulation case

사례 1
CNN	TP	834	CNN+ Saliency map	TP	840.4
	FP	4.8		FP	4.6
	FN	20.2		FN	6.4
	TN	210		TN	217.6
사례 2
CNN	TP	835.4	CNN+ Saliency map	TP	844.2
	FP	4.8		FP	2.6
	FN	11.2		FN	1.4
	TN	217.6		TN	220.8
사례 3
CNN	TP	836.2	CNN+ Saliency map	TP	844.5
	FP	4.2		FP	2.7
	FN	15.8		FN	6.3
	TN	212.8		TN	215.5

표 6. 각 사례별 주요 성능 지표 비교

Table 6. The comparison of performance index for each simulation case

사례 1
	CNN	CNN+saliency map	비교
정확도(AC)	97.66%	98.97%	+1.31%
정밀도(PR)	99.43%	99.46%	+0.03%
위양성율(FPR)	2.23%	2.07%	-0.16%
위발견율(FDR)	0.57%	0.54%	-0.03%
사례 2
	CNN	CNN+saliency map	비교
정확도(AC)	98.50%	99.63%	+1.13%
정밀도(PR)	99.43%	99.69%	+0.26%
위양성율(FPR)	2.16%	1.16%	-1.00%
위발견율(FDR)	0.57%	0.31%	-0.26%
사례 3
	CNN	CNN+saliency map	비교
정확도(AC)	98.13%	99.16%	+1.03%
정밀도(PR)	99.50%	99.68%	+0.18%
위양성율(FPR)	1.94%	1.24%	-0.70%
위발견율(FDR)	0.50%	0.32%	-0.18%

그림. 9. 시뮬레이션 사례에 따른 주요 성능 지표 비교

Fig. 9. Comparison of performance index for each simulation case

표 7. 각 사례별 정확도와 위양성율

Table 7. AC and FPR for each simulation case

사례 1
	CNN	CNN+saliency map
정확도(AC)	97.66%	98.97%
위양성율(FPR)	2.23%	2.07%
사례 2
	CNN	CNN+saliency map
정확도(AC)	98.50%	99.63%
위양성율(FPR)	2.16%	1.16%
사례 3
	CNN	CNN+saliency map
정확도(AC)	98.13%	99.16%
위양성율(FPR)	1.94%	1.24%

그림. 10. 각 사례에 따른 정확도와 위양성율

Fig. 10. AC and FPR for each simulation case

서는 발전기의 탈조현상의 유무에 따라 결정되기 때문에 발전기의 데이터가 많이 사용될수록 그 정확도가 높아진다고 할 수 있다. 위양성율의 경우에도 사례 2의 경우가 사례 1, 2에 비해 낮게 나옴을 확인하여 본 논문에서 제안한 데이터구성 중 사례 2의 경우가 TSA에 가장 적합한 조합이라 판단할 수 있다. 그림 10과 표 7은 각 사례별 모델 성능 지표 중 가장 중요한 부분인 정확도와 위양성율의 결과 값만 따로 나타낸 것 이다. 사례 2의 경우 사례 1과 3에 비해 높은 정확도와 낮은 위양성율을 나타냄을 확인 할 수 있으며 각 사례별 결과 값을 비교해도 Saliency map을 사용하여 과도 안정도를 평가한 경우, 보다 높은 정확도와 낮은 위양성율을 보여 본 논문에서 제안한 방법의 타당성을 검증하였다.

6. 결 론

본 연구에서는 saliency map을 CNN 모델에 결합하여 전력계통 과도 안정도를 평가하는 모델을 제안하였다. RGB image map을 입력으로 사용하는 CNN 모델과 제안한 모델의 결과를 주요 성능지표를 통해 비교, 분석하였으며 그 결과 제안한 모델이 높은 정확도의 결과를 보여주어서 제안한 모델의 유효성을 검증하였다. 또한, 제안한 모델에 적합한 입력 데이터 구성을 위해 3가지 사례로 입력 데이터를 구성하여 전력계통 과도안정도를 평가하였으며, 그 결과 발전기 회전자의 각속도, 발전기 회전자의 위상각, 각 모선의 위상각을 사용하였을 때 정확도가 가장 높은 결과를 보여주어 과도 안정도 평가에 가장 적합한 데이터구성임을 검증하였다.

제안한 방법의 과도 안정도 평가 모델을 기반으로 하여 향후에 인공지능 기술을 접목한 통합 비상 제어 시스템을 구축하면 다양한 외란에 대한 안정 여부 판단, 효과적인 비상 제어 수단의 선택, 적절한 제어 시점, 그리고 제어 동작 시간으로 이어지는 시퀀스가 전력계통의 상황에 맞게 효과적으로 동작하게 되어 전력계통의 안정도 향상에 기여할 수 있을 것 이라 사료된다.