Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

The Transactions of the Korean Institute of Electrical Engineers

ISO Journal TitleTrans. Korean. Inst. Elect. Eng.

Main Menu

Journal Search

[

Research article

]

The Transactions of the Korean Institute of Electrical Engineers

KIEE Vol. 74, No. 01, p.7-14

ISSN (print) :

1975-8359

ISSN (online) :

2287-4364

Received : 14 Aug. 2024Revised : 06 Dec. 2024Accepted : 13 Dec. 2024

DOI :

https://doi.org/10.5370/KIEE.2025.74.1.7

머신러닝 기반 배전계통의 SVR 전압제어 예측 및 정확도 향상에 관한 연구

A Study on Prediction and Accuracy Improvement of SVR Voltage Control in Distribution System Based on Machine Learning

유병찬 (Byungchan Yoo) ¹iD 최원나 (Wonna Choi) ¹iD 정승민 (Seungmin Jung) ^†iD

(Dept. of Electrical and Computer Engineering, University of Seoul, Republic of Korea.)

^†Corresponding Author : Dept. of Electrical and Computer Engineering, University of Seoul, Republic of Korea. E-mail : seungminj@uos.ac.kr

License :

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0)which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Translated Abstract

The proportion of distributed energy sources in the distribution network is rapidly increasing. Along with this, voltage management is becoming more difficult, and stability issues in the power system are being reported. Until recently, the voltage of distribution lines has generally been regulated using voltage regulators, predominantly deployed in sections where rapid voltage drops occur. However, as the characteristics of distributed energy sources are reflected, the efficiency of the voltage regulator diminishes. Therefore, cooperation with substations is necessary for stable operation of the distribution network. This paper aims to predict the operation of a machine learning-based voltage regulator to evaluate voltage fluctuations occurring in distribution lines and the corresponding control operations in advance. Long Short-Term Memory is capable of prediction on time scales. Therefore, the output characteristics of distributed energy sources can be considered. Additionally, to improve prediction accuracy, cases are generated in the OpenDSS-Python environment and additional training is performed on the LSTM model. As a result, it was confirmed that the prediction accuracy improved when the proposed method was applied. The machine learning model was verified using four evaluation indices.

Key words

Distribution system, Reverse power flow, Step voltage regulator, Machine learning

1. 서 론

탄소중립 정책에 따라 신재생에너지에 대한 관심이 증가하고 있으며, 재생에너지 기반의 설비 보급률이 증가하고 있다. 기후변화에 대응하기 위해 화석연료에 대한 감축이 전망되고, 단일화된 신재생에너지 발전설비를 활용하기보다 무탄소 전원인 원전과 재생에너지의 복합적인 구성을 통해 환경에 의한 계통 영향을 줄임으로써 안정적인 계통 운영을 위한 방안이 주목받고 있다. 국내에서도 재생에너지 공급 가속화를 이루고자 재생에너지 3020과 같은 정책을 공표하고 있다^[1]. 제 11차 전력수급기본계획(실무안)에 따르면, 전력수요의 증가로 인해 2038년 최대 전력수요는 128.9 GW로 전망되어 2023년 최대수요 대비 30.6 GW가 증가할 것으로 예상된다. 적정예비율 22%를 감안할 때 2038년까지 필요한 발전설비 용량은 157.8 GW이며, 이에 따라 재생에너지는 120 GW가 보급될 전망이다. 특히, 무탄소에너지 발전 비중이 70%에 도달하여, 전체 비중 측면에서 태양광 및 풍력발전의 활용 비중이 증가할 것으로 기대된다^[2]. 이러한 발전원 비율의 변화와 재생에너지 비율의 증가는 전력계통 관리 및 운영 문제의 가능성을 내포하고 있어, 변화된 전력계통 운영방안에 대한 연구와 신재생발전원 관리에 대한 노력이 필요할 것으로 판단된다.

한편, 태양광 발전원은 날씨 및 기후 등 외부요인의 영향을 받아 출력 변동성이 큰 발전원이다. 일부 배전계통에 위치한 분산형 전원에서 이러한 특성이 심화적으로 발생하고, 분산형 전원의 용량이 급증하면서, 저압 배전계통에서 허용 전원의 고밀도로 인한 전압 상승 문제로 인해 분산형 전원의 설치 용량이 제한되고 있다. 기존의 배전계통은 소규모의 분산형 전원과 부하로 구성되어 있었고, 전압강하의 경우, 배전용 변전소로부터 수용가로 흐르는 단방향 조류에 의해 발생하였으나, 대용량 분산형 전원이 배전선로에 연계되면서 양방향 조류의 영향을 받게 되었다. 이로 인해 배전계통 말단 지점에서의 전압 상승, 전력품질 저하 등 다양한 문제 발생 가능성이 존재하게 되었다. 이와 관련하여, 한국전력공사는 재생에너지 공급 가속화가 이루어지는 지역에서 배전계통 접속 대기가 장기간 발생함을 인식하고, 신규 변전소 및 배전선로 건설을 위한 보강을 진행하고 있다.

현재 배전계통에서 전압을 관리하기 위한 방안으로, 배전용 변전소의 OLTC(On Load Tap Changer)를 활용하여 LDC(Line Drop Compensator) 운전을 통해 송출 전압을 제어하고 있으며, 고압 배전선로에 위치한 주상변압기의 탭 조정이 활용되고 있다^[3]. 하지만 대규모의 분산 전원이 연계된 배전선로에서는 부하전류의 크기가 지속적으로 변동됨에 따라, 기존의 제어 방식에 대한 어려움이 보고되고 있다.

한편, 장거리의 고압 배전 선로나 10% 이상의 전압강하가 발생하는 구간에서는 전압조정장치인 SVR(Step Voltage Regulator)을 설치하여 규정 전압을 유지하기 위한 노력이 요구되고 있다^[4]. 일반적으로 SVR은 배전선로에 의한 전압강하 문제를 해결하고자 활용되었지만, 일부 배전용 변전소에 위치한 OLTC와 상호 종속적으로 활용하지 못하는 점에서 효율성이 저하되는 현상이 있었다. 특히, 재생에너지 기반의 분산형 전원의 간헐적인 출력특성으로 인해 부하전류의 변동이 유발되어 SVR의 과도한 탭 조정이 발생한다. SVR의 기계적 측면에서 볼 때, 이는 수명 단축을 초래할 수 있으며, 이로 인해 수용가 측 전압 품질에 부정적인 영향을 미칠 우려가 있다. 이러한 문제를 해결하기 위해 분산형 전원의 발전 특성과 부하량을 고려하여 정밀한 전압제어가 필요하며, 머신러닝을 활용한 다양한 예측 기법이 활용되고 있다^[5]. 전압조정장치의 경우, 변압기 탭 동작 횟수를 줄이기 위해 머신러닝을 활용하여 사전에 전압관리를 위한 계획 수립이 가능하다. ANN(Artificial Neural Network), RNN(Recurrent Neural Network) 등 다양한 기법의 활용이 가능하며, 전압조정장치의 예측에서 LSTM(Long Short-Term Memory)은 효과적으로 활용된다^[6-^8]. 따라서 SVR 동작 예측은 단기간 내에 증가했다 감소하는 불필요한 동작이 발생할 가능성을 사전에 평가가 가능하고, 이를 기반으로 OLTC와 SVR 간의 협조제어를 통해 동작 횟수 저감이 가능할 것으로 판단된다^[9-^10].

본 논문에서는 태양광 발전원이 포함된 배전계통에서 과도한 출력변동으로 인해 배전선로의 전압이 불안정한 경우, 변전소 OLTC와의 합리적인 전압제어를 위해 사전 영향 평가가 수행될 수 있도록, 기계학습 기반의 SVR 탭 동작을 예측하고자 한다. 불확실한 특성을 지닌 시계열 데이터를 활용하기 위해 머신러닝을 기반으로 시계열 데이터의 부하 및 발전량 변화를 적용한 예측모델을 제시하였다. 또한, SVR의 운전 지점을 변경하여 여러 시나리오를 취득하고, 추가 학습을 통해 예측의 정확도를 향상하고자 한다.

2. SVR의 운영 구조

2.1 배전계통에서 전압조정장치 운영

신재생에너지원과 같은 분산형 전원이 배전계통에 연계되는 경우, 일일 부하변동이 큰 선로말단 또는 장거리 배전선로에서의 전압이 안정범위를 크게 벗어나는 현상이 다수 발생한다. 이러한 현상을 방지하고 수용가측에 전력을 안정적으로 공급하기 위해, 현재 배전계통에서는 부하단으로 향하는 선로 상에 SVR과 같은 전압조정장치를 설치하여 운영 중에 있다. SVR의 구조는 단권 변압기와 탭 절환 장치로 구성되어 있으며, 전압제어의 경우 탭 변환 작동으로 인해 조정된다. 일반적인 SVR의 경우 총 32개의 탭으로 구성되어 있으며, 탭 간격은 약 0.625%로 이는 기준전압의 ±10%에 해당한다.

SVR이 선로 상 전압을 조정하기 위해 탭 제어를 수행하는데, 이는 일반적으로 변압기를 대상으로 탭을 조정하는 과정을 거치게 되며, 설치 지점의 2차 측 송출전압을 조정하여 이후 부하단의 전압을 조정한다^[11]. 일반적인 탭 전환 장치의 구조를 포함하여 적절한 탭 위치를 선정하기 위한 SVR 내부 작동 다이어그램을 나타내면 그림 1과 같다.

SVR의 주요 운용 방식으로는 배전선로에 연계된 부하 변동량에 상응하여 부하전류로부터 선로단의 최적송출전압을 계산함으로써 탭 조정상태를 변경하는 LDC 방식, 부하 변동량과 상관없이 최적송출전압을 고정함으로써 탭을 조정하는 일정송출방식, 이외에도 계통에 연계된 분산전원의 출력이 증가할 것으로 판단되는 시간대에 사전에 고정된 송출전압에 따라 탭을 조정하는 프로그래밍 방식이 있다.

그림 1. 배전계통에서 SVR 구조 및 작동 다이어그램

Fig. 1. SVR structure and operation diagram in the distribution system

LDC 방식의 경우 분산전원이 연계에 따른 배전선로 내 출력변동 및 부하전류 변동이 심화될 때, SVR로부터의 최적송출전압이 연속적으로 전환된다. 하지만 이는 계통 내 조류가 배전 변전소에서 부하단 방향의 순방향일 경우에 해당하며, 분산형 전원에 의한 역조류가 발생하는 경우, SVR 전압제어 방식에 따라 정상적인 탭 작동 수행이 불가한 경우가 있어, 선로 전압이 전압 안정 범위를 위반하는 현상이 발생한다.

SVR은 일반적으로 배전 변전소 후단에 설치되며, 이를 반영하여 SVR의 전압 조정 여부 및 조정범위의 기준이 되는 내부 제어기준점은 변전소와 반대 지점에 위치하게 된다. 배전계통 내 분산형 전원 도입이 증가함에 따라 배전선로에서 발생하는 역조류 현상이 원인인 경우, 부하전환 뿐만 아니라 대규모 분산형 전원 연계 또한 해당되며, 따라서 SVR 운용 시 선로 내 적절한 전압관리를 위해서는 SVR이 설치된 선로의 분산형 전원 연계, 부하량과 같은 현황에 따라 적절한 제어방법을 선정하여야 한다. 현재 국내에서 SVR에 적용하는 전압제어 방식으로는 Forward, Reverse, Bi-directional 및 Co-generational 등이 있으며, 각 제어모드는 SVR의 순방향 또는 역방향으로의 전압제어 여부를 결정한다. 그림 2는 각 전압제어 방식을 도시하고 있다^[12].

LOCKFWD(Locked Forward) 방식 및 LOCKREV(Locked Reverse) 방식은 선로 내 조류 방향이 고정되어 있음을 가정하고 운영되는 방식이다. 배전계통 운영 중 선로 상에서 부하단 측으로 향하는 순방향 조류 또는 배전 변전소 측으로 향하는 역방향 조류가 흐를 것임을 예상하고 이에 따라 전압제어를 수행한다. 이는 간단하고 효과적인 방식이나, 부하단 사용전력 또는 분산형 전원 출력이 급증할 경우, 선로 상 설치된 SVR에서의 즉각적인 전압제어를 실패할 가능성이 있다. BIDIR(Bidirectional) 방식은 사전에 정해진 조류방향 없이 배전계통에 연계된 다수 기기에 의해 조류 방향이 변동되는 경우, 이에 따라 전압제어 방향을 SVR의 1차 및 2차 측 방향으로 즉각 전환해가면서 수행하는 방식이다. 이를 COGEN(Co-generation) 방식과 비교하는 경우, 계통 내 부하측에 연계된 분산전원의 출력변동에 실시간으로 대응한다는 점에서 BIDIR 방식과 유사하나, COGEN 방식은 선로 내 배전 변전소 방향으로 역조류가 흐르는 상황에서도, 부하 측에 해당하는 SVR의 2차 측에서 전압제어를 수행한다는 점에서 차이를 보인다. 따라서, SVR 내부에서 최적의 송출 전압을 산정함으로써 배전계통의 전압 안정을 확보하고, 과도한 탭 조정 동작을 방지하기 위해서는 SVR의 적절한 파라미터 설정이 필요하다. SVR에서 적절한 세부 파라미터를 설정하는 것은 매우 중요한데, 적합도가 다소 낮은 파라미터를 설정하는 경우 이는 선로에서 발생하는 전압변동을 억제하지 못해 배전계통의 효율성을 저하시킬 수 있고, 또한 빈번한 탭 조정 동작으로 인해 SVR의 기계적 수명을 단축시킬 수 있다.

그림 2. SVR의 모드 별 전압 제어영역

Fig. 2. The voltage control regions by modes of SVR

2.2 OpenDSS 상 전압조정장치 운영 구조

본 논문에서는 배전계통 해석 프로그램인 OpenDSS(Open Source Distribution System Simulator) 상에 분산전원이 연계된 배전계통을 모델링하고 SVR의 운용특성을 반영함으로써, 일일 부하 및 분산전원 발전 패턴에 따른 탭 동작을 확인하고자 한다. OpenDSS 상에서 제공하는 SVR 모델의 경우, 변압기와 이를 조정하는 제어기로 구성되어 있다. SVR 상에서 변경 및 제어 가능한 주요 파라미터는 표 1

과 같다^[13]. 시뮬레이션 상에서 SVR 설치된 선로의 전압 유지를 위해, 변전소 2차측 및 선로 단에서 유지하고자 하는 전압을 Vreg로 입력한다. 이때, PTratio를 Vreg에 곱해 줌으로써 실제 전압으로 변환 가능하다. 이때 전압 안정 범위의 경우 Vreg를 기준으로 전압제어 불감대의 범위를 Bandwidth로 정의하며, 이를 절반으로 나눈 값이 Vreg를 기준으로 하는 전압 불감대, 즉 SVR이 전압안정화 상태를 판단하는 범위로 정의된다. OpenDSS 상에서 SVR의 전압제어 동작 구간을 모델링하기 위한 개념과 파라미터 설정 예를 도시하면 그림 3과 같다.

표 1 OpenDSS에서 설정 가능한 SVR 파라미터

Table 1 The SVR parameters in OpenDSS

SVR (Regcontrol) in OpenDSS
PTratio	제어 대상 측 전압을 SVR 제어 운용 전압으로 변환하기 위한 PT ratio
(rev)Vreg	SVR 상 전압 불감대의 기준 전압으로, PTratio와 곱함으로써 SVR 내 전압을 도출
(rev)band	SVR 전압제어 불감대, 전압 안정 범위
(rev)delay	SVR이 설치된 지점의 전압이 안정범위를 초과하는 경우 탭 작동이 시작되기까지의 지연 시간, 단위는 초[sec]
(rev)R	SVR이 설치된 선로 상 전압 강하 보상 시 R 설정값
(rev)X	SVR이 설치된 선로 상 전압 강하 보상 시 X 설정값

그림 3. SVR 전압제어 구간 설정

Fig. 3. SVR voltage control range settings

이때 배전계통 선로에서 유지하고자 하는 전압을, 국내 송·배전용 전기설비 규정에 따라 13,200 [V]로 설정하는 경우, 이에 따른 설정 파라미터를 Vreg는 120, PTratio는 110으로 설정 가능하다. 전압 불감대 영역을 13,200 [V]의 0.95 [p.u.]에서 1.05 [p.u.]로 지정 시 Deadband는 ±330 [V]를 적용하여 6으로 설정하여야 한다. 이에 따라 SVR은 2차측 전압이 12,870 [V] 와 13,530 [V] 사이에 해당하는 경우 작동하지 않으며, 지정된 Deadband 이내로 전압을 유지하도록 전압제어를 수행하게 된다. 하지만 band 범위를 Vreg 기준으로 불필요하게 넓게 설정하거나, 전압 안정 범위에 여유도를 주지 않고 좁게 설정하는 경우, SVR의 전압제어 시 불필요한 탭 동작을 발생시킬 수 있기 때문에, 오히려 계통 안정도가 하락할 수 있다. 따라서 본 논문에서는 SVR의 전압 안정 범위를 다양화하여 전압제어 예측 시, 안정성 측면의 최적 제어 결과를 얻고자 한다.

3. 기계학습 기반의 SVR 전압제어 예측 알고리즘

배전계통 운영을 해석하는 과정에서 불확실한 특성을 함께 고려하는 경우, 배전망 운영의 안정성을 높이기 위해 복잡한 환경 변수에 의존하는 분산형 전원에 대하여 머신러닝 기반의 해석 기법을 활용하는 추세이다. 또한 최근 다양한 최적화 및 예측 알고리즘을 이용하여 전력수요 및 발전량 예측을 수행하여 효율적으로 탭 동작을 제어하려는 연구가 진행되고 있다^[10-^11]. 본 논문에서는 변동하는 분산형 전원의 출력 특성을 고려하여 SVR의 이용률을 높이기 위해 기계학습을 적용한 전압제어 예측 시스템을 제안하고자 한다.

3.1 Long Short-Term Memory 기반 예측 모델

LSTM은 RNN의 한 종류이며, 알고리즘 내부에 기억셀을 가지고 있어, 과거의 데이터를 기억하고 다음 학습 때 사용이 가능하다. 또한 기억셀로 인해 입력되는 데이터의 시계열 특성을 반영할 수 있어, 긴 기간의 시계열 데이터를 학습하고 예측하는 데 최적의 알고리즘이다. LSTM 알고리즘의 구조는 여러 개의 레이어가 연속된 구조이며, 그림 4와 같다. 본 논문에서는 기본적인 LSTM 구조는 동일하나, 입력하는 값에 특정 변수를 추가하여 학습시키는 양을 증가시켰다.

그림 4. LSTM 구조

Fig. 4. LSTM structure

LSTM은 크게 Cell state와 Hidden state로 구분되며, gate의 경우 Forget gate, Input gate 및 Output gate로 구성된다. Forget gate는 state로부터 정보의 보존 여부를 Sigmoid layer에 의해 결정한다.

(1)

$f_{t}=\sigma(W_{f}\bullet\left[h_{t-1},\: x_{t}\right]+b_{f})$

Input gate는 입력 데이터에 대해 Cell state에 저장 여부를 결정하게 된다. 다음으로 Sigmoid layer를 거쳐 마찬가지로 저장 상태를 판단하고, 이후 Tanh layer에서 새로운 vector를 생성한다. 앞선 과정이 완료된 후에 Cell state에 업데이트를 진행한다.

(2)

$i_{t}=\sigma(W_{i}\bullet\left[h_{t-1},\: x_{t}\right]+b_{i})$

(3)

$\overline {C}_{t}=\tan h(W_{C}\bullet\left[h_{t-1},\: x_{t}\right]+b_{C})$

(4)

$C_{t}=f_{t}\times C_{t-1}+i_{t}\times\overline {C_{t}}$

최종적으로 Tanh layer와 Sigmoid layer의 과정을 거쳐 정보를 선택하고, Output gate로 내보내게 된다.

(5)

$o_{t}=\sigma(W_{o}\bullet\left[h_{t-1},\: x_{t}\right]+b_{o})$

(6)

$h_{t}=o_{t}\times\tan h(C_{t})$

본 논문에서는 LSTM을 활용하여 시계열 데이터의 부하량, 태양광 발전량, 모선의 전압, 유효 및 무효전력의 데이터를 학습하고, 이를 기반으로 SVR의 동작을 예측하고자 한다. 그러나 태양광의 불확실한 발전량을 뒷받침하는 데이터가 부족하여, 예측의 정확도를 향상하기에 어려움이 존재할 수 있다. 따라서 데이터의 전처리 및 추가적인 시나리오의 데이터를 모델에 적용시키는 것이 중요하다고 판단된다.

3.2 OpenDSS 기반 머신러닝 예측 알고리즘

EPRI에서 개발한 OpenDSS는 배전계통 조류해석 프로그램으로, 해당 프로그램을 통해 배전계통 계획 및 분석 수행이 가능하다. 실효치 기반의 정상상태 분석과 동적 모의가 가능하며, 특히 배전계통 내 분산형 전원에 대한 해석을 수행하기에 적합하다. 또한 프로그램 내 DLL(Dynamic Library Link)에 구현되어 있는 COM(Component Object Model) 인터페이스를 통해 외부 프로그램에서 수행이 가능하다는 장점이 존재한다. 따라서 본 논문에서는 OpenDSS 프로그램을 통해 분산전원이 연계된 배전계통을 구성하였으며, 시계열 데이터의 부하량과 태양광 발전량 데이터를 활용하여 조류계산을 수행하였다. 해당 조류결과를 기반으로 SVR의 동작을 예측하고자 한다. 또한, 예측 정확도를 높이는 방안으로, SVR의 전압제어 구간 재설정하여, 다양한 시나리오를 생성하고, 추가 학습을 진행하고자 하며, 제안된 SVR 예측 알고리즘은 그림 5와 같다. 앞에서 예측된 데이터의 정확성을 평가하기 위해 4가지 회귀지표를 활용하여 오차 산출 및 정확도 평가를 수행하였다. 연속 시계열 데이터를 평가하기 위해 MSE(Mean squared error), RMSE(Root mean squared error), MAPE(Mean absolute percentage error) 및 WAPE(Weighted absolute percentage error)를 평가 지표로써 선정하였으며, 수식은 다음과 같다^[14].

(7)

$MSE=\dfrac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^{2}$

(8)

${SE}=\sqrt{\dfrac{1}{{n}}\sum_{{i}=1}^{{n}}({y}_{{i}}-\hat{{y}}_{{i}})^{2}}$

(9)

$MAPE=\dfrac{1}{n}\sum_{i=1}^{n}\left |\dfrac{y_{i}-\hat{y}_{i}}{y_{i}}\right |\times 100$

(10)

$WAPE=\dfrac{\sum_{i=1}^{n}\left | y_{i}-\hat{y}_{i}\right |}{\sum_{i=1}^{n}\left | y_{i}\right |}\times 100$

그림 5. 머신러닝 기반 예측 알고리즘

Fig. 5. Machine learning based prediction algorithm

4. 시뮬레이션

4.1 시뮬레이션 모델 구성

OpenDSS 상에서 시뮬레이션을 수행하기 위해 IEEE-33 Bus 배전계통 모델을 사용하였으며, 그림 6과 같다. 총 6개의 태양광 발전원을 그림과 같이 분산 배치하였으며, SVR은 각각 11번 모선과 12번 모선, 27번과 28번 모선 사이에 배치하였다. 해당 계통에 따라 SVR의 전압은 12,660 [V]로 설정하였으며, 전압 불감대 영역은 0.95 [p.u.]에서 1.05 [p.u.]로 가정하였다.

그림 6. IEEE-33 Bus 배전계통 모델

Fig. 6. IEEE-33 Bus distribution system

본 논문에서 배전계통에 사용한 태양광 발전원의 출력 및 각 구역 별 부하 데이터는 공공데이터 포털에서 제공하는 2020년도 제주도 데이터를 활용하였다. 부하 데이터의 경우, 일정 area 단위로 나누어진 구역에서의 평균 출력량을 사용하였다. 모든 데이터는 60분 간격으로 제공되고 있어, 본 논문에서는 시뮬레이션을 위해 데이터를 1분 간격으로 스케일링하였으며, 적용된 부하 데이터는 그림 7과 같으며, 부하용량은 표 2와 같다. 각 구역 별 데이터는 각각 11월, 4월, 6월, 9월 평균 부하 데이터이며, 제주 지역 특성상 저녁 시간에 부하 사용량이 증가하고, 또한 계절에 따라 전체 평균 부하량의 크기가 달라짐을 확인할 수 있다.

그림 7. Area 별 부하 데이터

Fig. 7. Load data from each area

그림 8은 4월 한 달간의 평균 발전량이며, 태양광 발전원 특성상, 일사량이 크게 증가하는 낮 시간대에 비교적 저녁 시간보다 높은 발전량이 출력됨을 확인할 수 있다. 개별 태양광 발전원의 설비용량과 배치되어 있는 모선 번호는 표 3과 같다.

그림 8. 태양광 발전원의 전체 출력량

Fig. 8. Total PV generation output

표 2 배전계통 부하용량

Table 2 Load capacity in distribution system

Area		1	2	3	4
부하용량	유효전력 [MW]	1.595	0.36	0.90	0.86
부하용량	무효전력 [MVar]	0.78	0.17	0.425	0.925

표 3 태양광 발전원 설비용량

Table 3 PV generation capacity

PV	1	2	3	4	5	6
Bus	15	18	20	24	30	33
설비용량 [MW]	0.8	0.75	0.5	0.35	0.7	0.55

OpenDSS의 조류계산 결과는 그림 9와 같으며, SVR 2차측에서 측정한 전력조류를 나타낸다. 태양광 발전원에 입사되는 일사량이 급증하는 낮 시간대에 계통 측 방향으로 Over supply가 발생하여 역조류가 발생하였음을 확인할 수 있으며, 해당 시간에 과도한 전압변동이 발생하였다. 그림 10은 SVR의 탭 조정 결과를 나타내며, 역조류가 발생하는 경우, 과전압으로 인해 탭이 감소한 것을 확인할 수 있다. 이후 저녁 시간에 태양광 발전원의 출력이 급격히 감소하여, 저전압 상황이 발생하며, SVR은 탭을 증가시켜 전압을 유지하게 된다.

그림 9. SVR 2차측 전력조류

Fig. 9. Power flow on the secondary side of the SVR

그림 10. SVR 탭 동작 결과

Fig. 10. SVR tap operation results

4.2 시뮬레이션 예측 결과

도출된 OpenDSS 결과를 중심으로 SVR의 탭 동작에 대한 예측 결과는 그림 11과 같다. 학습모델의 경우, 발전량과 부하량을 포함하여, SVR의 2차측 전압, 유효 및 무효전력의 데이터로 학습을 진행하였다. 데이터셋은 5개의 항목이 1분 데이터로 존재하며, 전체 43,200개의 데이터의 90% 학습 데이터로 활용되고, 10%는 예측을 통해 결과로서 확인할 수 있다. 적용한 LSTM 모델의 경우, 예측의 과적합을 방지하기 위해 Epoch는 50으로 선정하였으며, Batch size는 데이터 학습의 제한으로 인해, 개수를 나눠주는 변수로써, 데이터의 개수를 고려하여 512로 선정하였다. 또한, overfitting을 방지하기 위해 dropout을 사용함으로써, 훈련 과정에서 무작위로 일부 뉴런을 제거하고, 일반화 능력을 향상시켰다. 초기값은 0.5로 설정하였으며, 모델에 적합한 수치를 선정하기 위해 일련의 과정을 여러 차례 반복 수행하였다.

그림 11. SVR 탭 동작 예측 결과

Fig. 11. SVR tap operation prediction results

예측된 결과를 확인하였을 때, SVR 동작의 추세는 유사하지만 1번 SVR의 경우, 과도한 동작으로 이어지고 있으며, 상위 탭 동작에서 오차가 크게 발생함을 확인할 수 있다. 2번 SVR의 경우, 동작 시점과 탭 위치의 오차가 발생하게 된다. 또한, OpenDSS 모의 결과에서 탭 조정 시 한 스텝에서 여러 개의 탭 동작이 발생할 수 있으나, 실제로는 시간 지연으로 인해 한 단계에서 여러 개의 탭 동작이 불가능하며, 이는 오차 발생의 주요 원인이 된다. 따라서 예측 정확도를 향상하기 위해, 본 논문에서 제안하는 방안을 적용하고자 하며, Case를 3가지로 나눠 시뮬레이션 및 예측을 수행하고자 한다. 3가지 Case의 경우, OpenDSS 상에서 SVR의 전압제어 구간을 재설정하였으며, 각각의 조류계산 결과를 기반으로 LSTM 모델에 추가 학습을 진행하였다. Case 별 예측 결과는 그림 12와 같다. 시뮬레이션 결과, 회귀지표평가를 기준으로 Case 별 예측값에 대한 오차를 각각 표 4와 5에 나타내었다. Case 3의 경우, 추가 학습 데이터의 셋이 상대적으로 높으며, 누적 학습된 데이터양이 높게 적용하여 정확도가 향상된 것으로 판단된다. 또한, 1번 SVR과 2번 SVR 성능평가에서 4가지 지표 모두 오차율이 점차 감소함을 확인할 수 있으며, 이를 통해 본 논문에서 제안하는 방법을 활용할 경우, 상대적으로 적은 오차가 발생함을 검증하였다.

그림 12. Case 별 예측 결과, SVR 1 : (a), (c), (e), SVR 2 : (b), (d), (f)

Fig. 12. Prediction results by case, SVR 1 : (a), (c), (e), SVR 2 : (b), (d), (f)

표 4 탭 예측 성능평가 (SVR 1)

Table 4 Tap prediction performance evaluation (SVR 1)

	MSE	RMSE	MAPE	WAPE
Case 1	0.00026	0.01628	1.36046	1.37021
Case 2	0.00026	0.01640	1.39005	1.40100
Case 3	0.00024	0.01556	1.29291	1.29957

표 5 탭 예측 성능평가 (SVR 2)

Table 5 Tap prediction performance evaluation (SVR 2)

	MSE	RMSE	MAPE	WAPE
Case 1	0.00016	0.01271	1.02711	1.02021
Case 2	0.00017	0.01334	0.99282	0.96763
Case 3	0.00015	0.01258	0.96555	0.98526

5. Conclusion

본 논문에서는 배전계통 내 역조류와 과전압 현상에 주목하여, 배전선로에 위치한 전압조정장치인 SVR을 활용함으로써 전압변동으로부터 보호하고, 변전소에 위치한 OLTC와의 합리적인 전압제어를 위해 머신러닝 기반의 전압제어 예측에 관한 연구를 수행하였다. 분산전원이 포함된 배전계통의 특성상, 선로 말단에서의 전압이 안정범위를 크게 벗어나는 현상이 다수 발생하고, 이를 위해 변전소에 위치한 OLTC와 협조제어를 통해 높은 안정성과 효율성을 요구한다. 따라서 변전소 측에서 SVR 동작에 대해 사전 영향 평가가 수행될 수 있도록, 기계학습 기반의 SVR 탭 동작을 예측하고자 한다. 이 과정에서 OpenDSS 시뮬레이션 상 IEEE-33 bus 배전계통 모델에서 역조류로 인한 SVR의 영향을 평가하고, 해당 결과를 기반으로 LSTM 학습모델을 구성, SVR 탭 동작에 대한 예측을 진행하였다. SVR의 운전 특성상, 전압제어 방식에 따라 정상적인 탭 작동 수행이 불가한 경우가 있어, 정확한 예측의 어려움이 존재한다. 본 논문에서는 예측의 정확도 향상을 위해 SVR의 전압제어 구간을 재설정하여, 다양한 시나리오를 생성하고, 추가 학습을 진행하였다. 제시한 방안을 적용하였을 때, 예측 정확도 측면에서 향상 효과를 확인하였다. 향후 SVR 인근에 위치한 변전소 OLTC와 연계 시 사전에 SVR의 영향 평가를 수행한다면, 배전망을 효과적으로 운영될 것으로 판단되며, SVR의 효율성은 증가할 것으로 예상된다.

Acknowledgements

This work was supported by Korea Institute of Energy Technology Evaluation and Planning (KETEP, MOTIE) and Korea Electric Power Corporation Grant funded by the Korean government (RS-2023-00232017), (R23XO05-07).

References

Son, Insung, et al., “Evaluation of Greenhouse Gas Reduction Potential of the Korean Green New Deal: Focusing on the Support Programs of New and Renewable Energy Deployment,” Journal of Climate Change Research, vol. 13, no. 3, pp. 325~338, 2023.

KEPCO, The transmission, and distribution configuration plan based on the 11 Implementation plan for long-term electricity supply and demand, 2024.

Lee, Hyun-Ok, et al., “Improvement method of SVR control in power distribution system interconnected distributed generator,” The Transactions of the Korean Institute of Electrical Engineers, vol. 63, no. 2, pp. 224-229, 2014.

Salih, Shemsedin Nursebo, and Peiyuan Chen, “On coordinated control of OLTC and reactive power compensation for voltage regulation in distribution systems with wind power,” IEEE Transactions on Power Systems, vol. 31, no. 5, pp. 4026-4035, 2015.

Park, Rae-Jin, et al., “Verification of Prediction Method Based on Machine Learning under Wake Effect Using Real-Time Digital Simulator,” Energies, vol. 15, no. 24, pp. 9475, 2024.

Oyando, Harold Chisano, Kahoro Wachira, and Henry Pwani Likare, “Optimal OLTC Control Using ML Algorithms for Synchronous Generator Integration with Off-Grid Renewable Energy in Kenya,” 2023 IEEE AFRICON, IEEE, pp. 01-06, 2023.

Oyando, Harold Chisano, Timothy Ngumbi Kanyolo, and Choong-koo Chang, “RNN-based main transformer OLTC control for SMR integration into a high renewable energy penetrated grid,” Journal of Electrical Engineering & Technology, vol. 18, no. 4, pp. 2537-2549, 2023.

Schiessling, Joachim, et al., “Prediction of on-load tap-changer switch time from vibroacoustic measurements by machine learnings,” 23rd International Symposium on High Voltage Engineering, vol. 2023, no. 46, pp. 350-354, 2023.

Saehwan Lim, Gyeong-Hun Kim, “Coordinated Voltage Control for Reducing OLTC Operation in Distribution Network With High PV Penetration,” The Transactions of the Korean Institute of Electrical Engineers, vol. 71, no. 8, pp. 1047~1053, 2022.

Yoon, Kwang-Hoon, et al., “Operation method of on-load tap changer on main transformer considering reverse power flow in distribution system connected with high penetration on photovoltaic system,” Energies, vol. 15, no. 17, pp. 6473, 2022.

Rockwill electric group, “Basic knowledges of step voltage regulator,” 2020.

SCHWETIZER　ENGINEERING LABORATORIES, “SEL-2431 Voltage Regulator Control Instruction Manual,” 2023.

EPRI, “The open distribution system simulator reference guide,” 2022.

Kim, Jeong-Hwan, et al., “A Design of the Real-Time Simulation for Wind Turbine Modeling with Machine Learning,” Journal of Electrical Engineering & Technology, vol. 18, no. 4, pp. 3277-3285, 2023.

저자소개

유병찬(Byungchan Yoo)

He received the B.S. and M.S. degrees in electrical engineering from Hanbat National University, Daejeon, Korea. He is currently pursuing a Ph.D. degree at University of Seoul, Korea. His research interests include power flow analysis and renewable energy resources.

최원나(Wonna Choi)

She received the B.S. and M.S degrees in electrical engineering from Hanbat National University, Daejeon, South Korea. She is currently working as a researcher at University of Seoul, Korea. Her research interests include power flow analysis and distribution system.

정승민(Seungmin Jung)

He received the B.S. and M.S. and Ph.D. degrees in electric engineering from Korea University, Seoul, Korea. He was a Research professor with the School of Electrical Enginnering, Korea University for seven months and was a professor with the Deartment of Electrical Enginneing, Hanbat National University, Daejeon, Korea. Since 2024, he has been with the Department of Electrical and Computer Engineering, University of Seoul, Seoul, Korea. His research interests include IBR resources and Grid-Forming.

KIEEThe Transactions of
the Korean Institute of Electrical Engineers

The Transactions of the Korean Institute of Electrical Engineers

ISO Journal TitleTrans. Korean. Inst. Elect. Eng.

Journal Search

Journal XML

Journal Information

A Study on Prediction and Accuracy Improvement of SVR Voltage Control in Distribution System Based on Machine Learning

Translated Abstract

Key words

1. 서 론

2. SVR의 운영 구조

2.1 배전계통에서 전압조정장치 운영

2.2 OpenDSS 상 전압조정장치 운영 구조

3. 기계학습 기반의 SVR 전압제어 예측 알고리즘

3.1 Long Short-Term Memory 기반 예측 모델

(1)

(2)

(3)

(4)

(5)

(6)

3.2 OpenDSS 기반 머신러닝 예측 알고리즘

(7)

(8)

(9)

(10)

4. 시뮬레이션

4.1 시뮬레이션 모델 구성

4.2 시뮬레이션 예측 결과

5. Conclusion

Acknowledgements

References

저자소개

유병찬(Byungchan Yoo)

최원나(Wonna Choi)

정승민(Seungmin Jung)

Article Information (continued)

Key words

KIEEThe Transactions ofthe Korean Institute of Electrical Engineers

The Transactions of the Korean Institute of Electrical Engineers

ISO Journal TitleTrans. Korean. Inst. Elect. Eng.

Journal Search

Journal XML

Journal Information

A Study on Prediction and Accuracy Improvement of SVR Voltage Control in Distribution System Based on Machine Learning

Translated Abstract

Key words

1. 서 론

2. SVR의 운영 구조

2.1 배전계통에서 전압조정장치 운영

2.2 OpenDSS 상 전압조정장치 운영 구조

3. 기계학습 기반의 SVR 전압제어 예측 알고리즘

3.1 Long Short-Term Memory 기반 예측 모델

(1)

(2)

(3)

(4)

(5)

(6)

3.2 OpenDSS 기반 머신러닝 예측 알고리즘

(7)

(8)

(9)

(10)

4. 시뮬레이션

4.1 시뮬레이션 모델 구성

4.2 시뮬레이션 예측 결과

5. Conclusion

Acknowledgements

References

저자소개

유병찬(Byungchan Yoo)

최원나(Wonna Choi)

정승민(Seungmin Jung)

Article Information (continued)

Key words

KIEEThe Transactions of
the Korean Institute of Electrical Engineers