이경민
(Kyung-Min Lee)
1iD
박철원
(Chul-Won Park)
†iD
-
(Dept. of Electrical Engineering, Gangneung-Wonju National University, Korea, )
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
IED, Loss of Excitation, Machine Learning, Pattern Recognition, Power Swing
1. 서 론
발전기 제어 시스템에서 사고 및 외란이 발생을 하면 많은 문제가 야기된다. 이에 국내에서는 대형 발전기 내부사고 보호를 위한 다기능 IED(Intelligent
Electronic Device) 시제품 기술 개발과 IEC61850 기반 보성강 수력발전기 보호용 갑종보호계전기(A Class Protection
Relay) 국산화를 달성하였다. 이는 신규 수력양수 발전소와 노후화된 수력발전소의 현대화에 적용되고 있다[1~2]. 최근, 10차 전력수급기본계획에 따라 영동, 홍천, 포천의 신규 양수 건설 추진의 확정은 국내 수력산업 생태계에 활력이 되고 있다. 더불어 발전설비의
교체시기가 도래함에 따라 수력 7개소와 양수 12개소의 현대화 사업이 추진되고 있다[3]. 또한, 수력 및 양수 분야의 주기기 및 보조기기의 핵심 기술 국산화를 통하여 산업경쟁력을 확보가 진행중에 있다. 즉, 주기기 및 보조기기 국산화
개발 로드맵에 의거하여, 기술 자립을 위한 30MW급 수차발전기 국산화 및 WESS(Water ESS) 개발 및 실증을 하고 있다[4~5]. 한편, 차세대 수력 및 양수발전의 성능 향상과 신기술 개발을 통한 해외 신시장 개척 및 에너지 신산업 창출을 위해, AI(Artificial Intelligence)
기술을 적극적으로 적용하는 것이 필요하다[6~7].
국내에서는 보호계전기 동특성 테스트를 위한 임피던스 궤적 모델 개발[8], 발전기 보호 기본 알고리즘을 적용한 보호계전 연구[9]가 발표되었다. 또한, 발전기에 AI를 적용한 연구로, 발전소 중전기기의 Chaotic 패턴 분석에 의한 고장징후 예측진단[10], 최근에는 AI 기반의 가상 동기 발전기를 이용한 전력계통의 주파수 제어 기법이 제시되었다[11].
해외에서는 IEEE PES(Power Engineering Society)는 AC 발전기 보호에 대한 표준(Standards)을 발표하였으며[12], 빠른 패턴 분류 기법을 사용한 전력동요(Power Swing)에서의 발전기 계자 상실 식별[13], 전력동요로 인한 사고 구분 및 거리계전기에 의한 HIF(High Impedance Fault) 검출[14] 논문이 출판되었다. 또한, 데이터 마이닝 기술 기반 동기 발전기의 계자 상실 보호(Loss of Excitation)[15]가 발표되었고, 최근에는 전력동요 차단 계전기의 실용적인 시험이 수행되었다[16].
본 논문에서는 지능형 IED의 선도적 적용을 위하여, 기계학습(Machine Learning)을 이용한 계자상실 및 전력동요의 패턴인식(Pattern
Recognition) 기법을 제안하고자 한다. 먼저, 계자상실 및 전력동요의 이론을 약술한 후, 선행 연구에서 PSCAD 플랫폼을 이용한 발전기
시스템 모델링과 정상상태의 유효성 검증을 거친, 수집된 사고 시뮬레이션 데이터를 이용하여 전처리를 수행한다. AI 모델 기반 패턴인식 기법의 학습
및 시험 데이터 셋을 구성한다. 기계학습의 일종인 SVM(Support Vector Machine), LSTM(Long Short-Term Memory)의
AI 모델을 적용한 패턴인식 기법을 설계한 후, Python 언어를 이용하여 구현한다. 최종적으로, 두 가지 AI 기법의 패턴인식 기법의 결과를 비교하여
성능을 검증하고자 한다.
2. 계자상실 및 전력동요
2.1 계자상실
계자상실은 발전기의 계자전원이 전체적으로 또는 부분적으로 공급되지 않을 때 발생한다. 또한, 발전기 자체뿐만 아니라 전력계통에도 심각한 문제를 야기할
수 있다. 계자상실은 전력계통 운영에서 중요한 문제로서, 전력계통의 영향을 완화하고 안정성과 신뢰성을 보장하기 위한 효과적인 모니터링, 제어 및 보호
조치가 필요하다. 계자상실 검출 기법은 Negative Mho 특성을 이용하여 2개의 Zone으로 보호하는 것이 많이 사용된다. Zone 1은 발전기
과도 임피던스의 50%에서 정정하고 0.06초의 정한시로 판단한다. Zone 2는 발전기 동기 임피던스 및 과도 임피던스의 50%에서 정정하고 0.5초의
정한시로 판단한다. 식 (1)과 식 (2)는 대상 모델에 관한 두 개의 Zone 설정값 계산을 나타낸다[2,12].
여기서, $X_{d}$는 동기 리액턴스, $X'_{d}$는 과도 리액턴스이다.
2.2 전력동요
전력동요는 전력계통에서 고장이 발생하거나 급격한 부하변동 등으로 인해 전압 및 주파수가 일정 범위를 벗어날 때, 발전기의 가속, 감속에 의하여 발생된다.
이 경우, 전기적 중성점 부근에 위치한 IED는 전압을 최소, 전류는 최대로 인식하는 경우가 발생하여, 3상 단락사고로 인지하여 오동작할 수 있다.
따라서 전력계통의 IED의 오동작을 방지하기 위하여 정확한 전력동요 판별이 요구된다[2,12].
3. 기계학습을 이용한 패턴인식 기법
3.1 SVM
SVM은 분류 및 회귀 분석에 사용되는 강력한 지도 학습 알고리즘이다. 주어진 데이터 집합을 바탕으로 새로운 데이터가 어느 카테고리에 속하는지 판단하는
비확률적 이진 선형 분류 모델을 생성한다. 본 패턴인식을 위한 사고 분류 SVM 모델은 비선형 분류에도 사용할 수 있는 커널 함수인 방사 기저 함수(RBF,
Radial Basis Function) 커널을 사용하였다. 식 (3)은 RBF의 정의를 나타낸다.
여기서, $x$, $x'$은 입력 벡터, $∥ x-x'∥$은 입력 벡터 $x$와 $x'$ 사이의 유클리드 거리, $\gamma$는 결정 경계에 미치는
영향을 제어하는 매개변수이다.
최적의 SVM 모델을 선정하기 위하여 경계를 결정하는 거리 스케일링 값인 gamma와 SVM의 규제 강도를 결정하는 C 값을 1에서 10까지 1 간격으로
가변하였다. 선행 연구를 통해 최적의 SVM 모델은 gamma 값이 9, C값이 7인 경우로 결정되었다[13].
3.2 LSTM
LSTM은 Vanishing Gradient 문제를 해결하기 위해 설계된 일종의 순환 신경망(RNN) 구조이다. LSTM은 메모리 셀을 사용하여 순차
데이터의 장기적인 종속성을 캡처할 수 있으며, 순차 입력 또는 시계열 예측을 처리하는데 탁월한 효율성이 있다. 그림 1은 LSTM 모델의 구조를 나타낸다. 그림 1과 같이, LSTM에는 망각 게이트, 입력 게이트, 출력 게이트의 세 가지 종류의 게이트로 구성된다. 입력 게이트는 다음 셀에 어떤 정보가 들어갈지
결정하고, 망각 게이트는 잊어야 할 정보를 제어하며, 출력 게이트는 최종적으로 이전 정보를 다음 셀에 출력한다[18].
그림 1. LSTM 모델의 구조
Fig. 1. Structure of LSTM model
식 (4)~식 (9)는 LSTM의 각 게이트 계산을 나타낸다.
여기서, $x_{t},\: c_{t},\: h_{t}$는 각각 input, cell, hidden 상태 벡터, $W_{i},\: U_{i},\:
W_{o},\: U_{o},\: W_{f},\: U_{f},\: W_{c},\: U_{c}$는 각각 입력, 출력, 망각 게이트와 메모리 셀의
가중치, $b_{i}$, $b_{o}$, $b_{f}$, $b_{c}$는 bias terms이다.
그림 2는 LSTM 모델의 상세 구조를 나타낸다. 그림 2와 같이, 각 LSTM 셀은 단방향으로 정보를 전달하며, 6개의 셀이 하나의 층으로 이루어졌기에 many-to-one의 구조가 된다[18,19].
그림 2. LSTM 모델의 상세 구조
Fig. 2. Detailed structure of LSTM model
3.3 패턴인식 기법
그림 3은 제안하는 패턴인식 기법의 흐름도를 나타낸다. 그림 3과 같이, 제안하는 기법은 발전기 시스템의 계자상실 및 전력동요 시뮬레이션 데이터를 수집한 후, 전처리를 통해 학습 데이터 셋 (4,320×6×2×60)
및 시험 데이터 셋 (4,320×6×2×20)을 구축한다. SVM, LSTM 모델을 설계하고 구축한 후, 학습 데이터 셋으로 기계학습을 수행한다.
기계학습이 완료된 패턴인식 기법을 위한 모델은 시험 데이터를 이용하여 성능을 검증한다. 최종적으로, 수력발전기의 계자상실 및 전력동요 현상을 식별하게
된다.
그림 3. 패턴인식 기법의 흐름도
Fig. 3. Flowchart of pattern recognition technique
4. 학습 고려사항
4.1 발전기 제어 시스템의 모델링
청평 수력발전시스템을 대상으로 발전기, 여자기, 수력터빈 및 조속기 등의 모델을 설계하였다. 발전기 제어 시스템 모델링과 계자상실 및 전력동요 현상을
모의하기 위하여 PSCAD 플랫폼이 사용되었다. PSS/E의 Dynamic data에 근거한 파라미터를 모델링시 사용하였고, 부족한 데이터는 IEEE
Std. C37-102에 따라 용량에 맞는 평균 수치로 적용하였다. 그림 4는 발전기 제어 시스템을 포함한 대상 모델로서, 32MVA, 6.65kV의 발전기, 11kV/154kV 2권선 변압기, 총 30MW의 부하 및 선로로
구성된다. 샘플링 비는 16s/c, 총 시뮬레이션 시간은 20초, 사고 발생 시각은 초기 과도상태가 지나고 안정된 정상상태인 10초로 설정하였다.
먼저 정상상태의 유효성을 검증한 후, 경부하 및 중부하 계자상실, ABC상 단락사고, AB상 단락사고 및 A상 지락사고의 전력동요 현상을 시뮬레이션하였다.
그림 4. 발전기 제어 시스템을 포함한 대상 모델
Fig. 4. Target model including generator control system
4.2 발전기 시스템의 시뮬레이션
4.2.1 계자상실
계자상실 현상은, 여자기에서 발전기로 유입되는 여자전압의 값을 0으로 설정함으로 시뮬레이션을 수행하였다. 그림 5는 경부하 및 중부하 계자상실시 발전기의 RX 궤적을 나타낸다. 그림 5(a) 경부하의 경우, 정상상태시 7.604-j0.764Ω에서 운전하다가, 13.54초에 -1.454-j1.429Ω에서 Zone 1으로 진입하며, 약 0.242-0.171Ω으로
이동함을 알 수 있었다. 그림 5(b) 중부하의 경우, 정상상태시 4.630+j0.496Ω에서 운전하다가, 계자상실 사고 발생 이후, 보호영역으로 접근하여 11.87초에 2.879-j3.255Ω에서
Zone 1으로 진입하며, 12초 이후에는 1.283-j1.717Ω으로 이동함을 알 수 있었다.
그림 5. 계자상실시 RX 궤적
Fig. 5. RX trajectory during loss of excitation
4.2.2 전력동요
전력동요 현상은, 10초에 여러 가지 사고를 발생하고 0.2초 이후 사고가 제거된 경우의 시뮬레이션을 수행하였다. 그림 6은 3상 단락사고, AB상 단락사고 및 A상지락사고를 0.2초간 진행된 경우의 발전기의 RX 궤적을 나타낸다. 그림 6(a) 3상 단락사고의 경우, 정상상태시 6.313-j0.066Ω에서 사고 발생 이후, 보호영역으로 접근하여 10.27초에 0.987-j2.054Ω에서
Zone 1으로 진입함을 알 수 있었다. 그림 6(b) AB상 단락사고의 경우, 정상상태시 6.313-j0.066Ω에서 사고 발생 이후, 보호영역으로 접근하여 10.26초에 1.313-j1. 185Ω에서
Zone 1으로 진입함을 알 수 있었다. 그림 6(c) A상 지락사고의 경우, 정상상태시 6.313-j0.066Ω에서 사고 발생 이후, 보호영역으로 접근하여 10.02초에 1.189-j1.058Ω에서
Zone 1으로 진입함을 알 수 있었다.
그림 6. 전력동요시 RX 궤적
Fig. 6. RX trajectory during loss of excitation
표 1은 계자상실 및 전력동요의 RX 궤적 시뮬레이션 결과를 나타낸다. 표 1과 같이, 계자상실의 경우, Zone 1 진입시간이 13.54, 11.87초로 전력동요보다 약 1.6~2.28초 늦게 나타났으며, 모든 사례에서 Zone
1에 진입하였으므로, 계자상실 IED의 오동작 우려가 있음을 알 수 있었다.
표 1 계자상실 및 전력동요의 RX 궤적 시뮬레이션 결과
Table 1 RX trajectory simulation results of loss of excitation and power swing
|
조건
|
정상상태시
임피던스[Ω]
|
Zone1
진입시간 [초]
|
Zone 1
진입 시 임피던스[Ω]
|
|
경부하시 계자상실
|
7.604-j0.764
|
13.54
|
-1.454-j1.429
|
|
중부하시 계자상실
|
4.630+j0.496
|
11.87
|
2.879-j3.255
|
|
3상 단락사고
|
6.313-j0.066
|
10.27
|
0.987-j2.054
|
|
AB상 단락사고
|
6.313-j0.066
|
10.26
|
1.313-j1.185
|
|
A상
지락사고
|
6.313-j0.066
|
10.02
|
1.189-j1.058
|
4.3 데이터셋 구축
발전기 시스템은 정상상태로부터 계자상실 및 전력동요 현상을 대상으로 사고 시뮬레이션을 수행하여 데이터를 수집하였다. 수집된 시뮬레이션 데이터는 3상
전압 및 전류로 구성되어 있는데, 사고 전 30cycle, 사고 후 240cycle, 총 4.5초를 CSV(Comma Separated Value)
파일 형식으로 추출하였다. 그림 7은 추출된 CSV 파일의 구조를 나타낸다. 파일 1개의 구조는 4,320×6 크기로서, 유형별로 시간을 가변하면서 각 80개의 파일이므로, 총 400개의
파일로 구성하였다. 즉, 추출된 데이터는 학습 데이터 셋 (4,320×6) 및 시험 데이터 셋 (4,320×6)으로 나누어 구축하였다. 여기서, 4,320은
16s/c의 270cycle, 6은 3상 전압 및 전류를 나타낸다.
그림 7. 추출된 CSV 파일의 구조
Fig. 7. Structure of extracted CSV file
5. 사례연구 및 결과
두 가지 AI 모델 기반의 패턴인식 기법은 Python 도구를 사용하여 구현하였으며, SVM은 scikit-learn 라이브러리를, LSTM은 tensorflow
라이브러리를 각각 사용하였다. 각 모델의 학습 및 시험은 i7-10700, 2.90GHz, 32GB RAM이 장착된 컴퓨터에서 수행되었다. 지면의
제약으로, 사례연구의 일부 결과를 기술하였다.
5.1 SVM에 의한 패턴인식
그림 8은 SVM 모델의 혼동행렬을 나타낸다. 그림 8에서 LOE-light는 경부하 계자상실, LOE-heavy는 중부하 계자상실, ABC Short는 3상 단락사고, AB Short는 AB상 단락사고,
A Ground는 A상 지락사고이다. 그림 8과 같이, AB상 단락사고는 패턴인식에 따라 정확하게 분류하였으며, 중부하 계자상실, 3상 단락사고는 모두 오분류하였다. 최종적으로, SVM 모델의
정확도는 36%임을 알 수 있었다.
그림 8. SVM 모델의 혼동행렬
Fig. 8. Confusion matrix of SVM model
표 2는 SVM 모델의 성능평가 결과를 나타낸다. 표 2와 같이, 정밀도는 경부하 계자상실에서 1.00, 재현율은 AB상 단락사고에서 1,00, 그리고 F1-Score는 경부하 계자상실에서 0.86으로
가장 높았다. 정밀도, 재현율, F1-Score의 평균은 각각 0.45, 0.36, 0.30임을 알 수 있었다.
표 2 SVM 모델의 성능평가 결과
Table 2 Results of performance evaluation of SVM model
|
조건
|
Precision
|
Recall
|
F1-Score
|
|
계자상실
|
경부하
|
1.00
|
0.50
|
0.67
|
|
중부하
|
0.00
|
0.00
|
0.00
|
|
전력동요
|
3상 단락사고
|
0.00
|
0.00
|
0.00
|
|
AB상 단락사고
|
0.24
|
1.00
|
0.38
|
|
A상 지락사고
|
1.00
|
0.30
|
0.46
|
|
Total (Avg.)
|
0.45
|
0.36
|
0.30
|
5.2 LSTM에 의한 패턴인식
그림 9는 LSTM 모델의 혼동행렬을 나타낸다. 그림 9와 같이, 중부하 계자상실의 86.7%는 패턴인식에 따라 정확하게 분류를 하였으며, 13.3%는 경부하 계자상실로 오분류하였다. 전력동요는 모두 정확하게
분류하였다. 최종적으로, LSTM 모델의 정확도는 98%임을 알 수 있었다.
그림 9. LSTM 모델의 혼동행렬
Fig. 9. Confusion matrix of LSTM model
표 3은 LSTM 모델의 성능평가 결과를 나타낸다. 표 3과 같이, 정밀도는 경부하 계자상실을 제외한 경우 1.00, 재현율은 중부하 계자상실을 제외한 경우 1,00, 그리고 F1-Score는 전력동요에서
1.00으로 가장 높았다. 정밀도, 재현율, F1-Score의 평균은 각각 0.98, 0.97, 0.97임을 알 수 있었다.
표 3 LSTM 모델의 성능평가 결과
Table 3 Results of performance evaluation of LSTM model
|
조건
|
Precision
|
Recall
|
F1-Score
|
|
계자상실
|
경부하
|
0.88
|
1.00
|
0.94
|
|
중부하
|
1.00
|
0.87
|
0.93
|
|
전력동요
|
3상 단락사고
|
1.00
|
1.00
|
1.00
|
|
AB상 단락사고
|
1.00
|
1.00
|
1.00
|
|
A상 지락사고
|
1.00
|
1.00
|
1.00
|
|
Total (Avg.)
|
0.98
|
0.97
|
0.97
|
5.3 결과 및 고찰
표 4는 제안된 패턴인식 모델의 성능평가 비교결과를 나타낸다. 표 4와 같이, LSTM 모델의 정밀도, 재현율 및 성능평가 지표는 각각 0.98, 0.97, 0.97, SVM 모델의 정밀도, 재현율, 및 성능평가 지표는
각각 0.45, 0.36, 0.30으로 LSTM 모델이 우수함을 알 수 있었다. 정확도의 경우, LSTM 모델이 SVM 모델보다 62% 높게 나타났다.
따라서, LSTM 모델의 성능이 더 우수한 것을 알 수 있었다.
표 4 SVM 및 LSTM 모델의 성능평가 비교 결과
Table 4 Comparison results of performance evaluation of SVM and LSTM models
|
모델 종류
|
Precision
|
Recall
|
F1-Score
|
정확도
|
|
SVM
|
0.45
|
0.36
|
0.30
|
36%
|
|
LSTM
|
0.98
|
0.97
|
0.97
|
98%
|
6. 결 론
최근, 수력 및 양수발전 시스템의 현대화 사업이 추진되고 있다. 이에 새로운 해외 시장 개척과 차세대 수력발전 분야 기반 에너지신산업을 창출할 수
있도록, AI 기법을 선도적으로 적용하는 것이 요구된다.
본 논문에서는 수력발전기용 지능형 IED의 선도적 적용의 일환으로, 청평수력발전소를 대상으로 PSCAD 모델링과 계자상실 및 전력동요 시뮬레이션을
통하여 데이터를 수집· 활용하여, SVM 및 LSTM을 이용한 패턴인식 기법을 구현하고 성능을 검증하였다. 여러 가지 현상을 비교한 결과, SVM
및 LSTM 모델의 정확도는 각각 36%, 98%이었고, 두 모델 모두 전력동요는 오분류하지 않았다. 또한, 정밀도, 재현율 및 성능평가 지표 측면에서,
LSTM 모델이 SVM 모델보다 우수하다는 것을 입증하였다.
References
C. W. Park, et al., “Development of Prototype Multifuction IED for Internal Fault
Protection of Large Generator,” Ministry of Knowledge Economy, Technology Innovation
Project, Final Report, pp. 1-217, 2013.
T. P. Ahn, B. J. Min, C. W. Park, et al., “Localization of A class protection relay
for hydro power generator based on IEC 61850,” KHNP, Final Report, pp. 1-169, 2016.
Ministry of Trade, Industry and Energy, “The 10th Basic Electricity Supply and Demand
Plan,” Ministry of Trade, Industry and Energy Announcement No. 2023-036, pp. 1-110,
2023.
E. S. Kim, “The Present and Future of Pumped Storage Power Plant,” KHA, pp. 1-104,
2023.
C. S. Kwon, “Plan to Revitalize The Hydroelectric Industry,” KHNP, pp. 1-30, 2023.
H. J. Kim, “A Study of Methodology for Reliability Improvement of Pumped Storage Power
Plant by Utilizing Artificial Intelligence,” Master thesis, University of Seoul, pp.
1-90, 2017.
T. Y. Cho, et al., “A Prediction of the Transient Phenomena by the Load Rejection
for a 50MW Francis Hydropower Plant,” The KSFM Journal of Fluid Machinery, vol. 25,
no. 2, pp. 21-28, 2022.
S. N. Kim, et al., “Development of Impedance Locus Model for Protective Relay Dynamic
Test,” Trans. KIEE, vol. 51A, no. 9, pp. 451-459, 2002.
S. H. Kang, et al., “A Study on the Development of Protection Relay applied a Generator
Protection Basic Algorithm,” 2003 KIEE Summer Conf., pp. 326-328, 2003.
H. Y. Yoon, “A study on predictive diagnosis through a chaotic pattern analysis of
power facilities in power plant,” Master thesis, Jeonnam University, pp. 1-90, 2016.
Y. W. Kun, C. H. Song, “The Frequency Control of Power System Using Virtual Synchronous
Generator Based on Artificial Intelligence Controller,” Journal of the Korean Society
of Knowledge and Information Technology, vol. 16, no. 3, pp. 415-422, 2021.
IEEE Power Engineering Society, “IEEE Guide for AC Generator Protection,” IEEE Std.
C37.102-2006, pp. 1-167, 2007.
Gokaraju, R. Pajuelo, E. Mohindar S. Sachdev., “Identification of generator loss-of-excitation
from power-swing conditions using a fast pattern classification method,” The Institution
of Engineering and Technology 2013, pp. 24-36, 2013.
Thakallapelli, A. Mangalvedekar, H.A. Mehra, R., “Differentiation of Faults from Power
Swings and Detection of High Impedance Faults by Distance Relays,” 2013 IEEE 1st International
Conference on Condition Assessment Techniques in Electrical Systems, pp. 374-377,
2013.
Amraee, T. Rasoulpour, M. Sedigh, A.K., “Loss of Field Protection in Synchronous Generators
Based on Data Mining Technique,” 2019 Smart Grid Conference (SGC), pp. 1-6, 2019.
Sajad Ansari, “Practical Test of Power Swing Blocking Relay,” 18th International Conference
on Protection & Automation in Power Systems, pp. 16-21, 2024.
C. W. Park, et al., “Transient Analysis of Cheongpyeong Hydroelectric Power System,”
2023 KIEE Summer Conf., pp. 967-968, 2023.
Ziyi Wen, et al., “Equivalent Modeling Based on Long Short-term Memory Neural Network
for Virtual Synchronous Generator,” 2021 33rd Chinese Control and Decision Conference(CCDC),
pp. 5881-5886, 2021.
C. W. Park, et al., “Pattern Recognition of Loss of Excitation and Power Swing using
Machine Learning,” 2024 KIEE PES Spring Conf., pp. 32, 2024.
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 2023, respectively.
He is a post-doctor at Gangneung-Wonju National University, since 2023. He is a lecturer
at Myongji College, since 2024. His research interests include Smartgrid, 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. Dr. Lee was awarded
the Paper Prize of KIIEE in 2020, the Best Paper of the APAP in 2021, and the Best
Paper of KOWEPO in 2021, 2022, and the Best Paper of KHNP in 2023.
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, the Best Paper of KOWEPO in 2021, 2022, and the Best Paper of KHNP in 2023.
Tel : 033-760-8786, 8200
Fax : 033-760-8781
E-mail : cwpark1@gwnu.ac.kr