전국에 약 2백3십만대의 배전용 변압기가 설치되어 고객에게 전기를 공급 하고 있다. 변압기 용량이 공급 부하에 비하여 너무 높거나 낮으면 많은 경제 적 손실과 비용이 발생하게 된다. 그러므로 국내외 많은 전력회사들이 적정 용량의 변압기를 설치하기 위한 기준을 만들어 적용하고 있으나, 현재의 다양 해진 전력수요 패턴을 반영하지 못하고, 설계자의 경험에 많이 의존하는 등 부하에 적정한 변압기 용량 산정에 어려움을 겪고 있다. 이러한 문제점을 분 석하고 고객 정보와 ...
전국에 약 2백3십만대의 배전용 변압기가 설치되어 고객에게 전기를 공급 하고 있다. 변압기 용량이 공급 부하에 비하여 너무 높거나 낮으면 많은 경제 적 손실과 비용이 발생하게 된다. 그러므로 국내외 많은 전력회사들이 적정 용량의 변압기를 설치하기 위한 기준을 만들어 적용하고 있으나, 현재의 다양 해진 전력수요 패턴을 반영하지 못하고, 설계자의 경험에 많이 의존하는 등 부하에 적정한 변압기 용량 산정에 어려움을 겪고 있다. 이러한 문제점을 분 석하고 고객 정보와 공공데이터를 활용하여 변압기에 대한 과학적이고 합리적 인 용량 산정 방법을 제안하고자 본 연구를 수행한다. 우선, 신배전정보시스템(NDIS)과 지능형 계량 인프라(AMI)의 전력사용량 데 이터를 이용해 설치된 변압기 이용률을 계산하고 비교하였는데, 두 방식 모두 필요 이상 용량의 변압기가 현장에 설치되어 있음을 보여주고 있다. 이는 고 객의 부하특성을 제대로 반영하지 못하는 지역구분 수용률을 일괄적으로 적용 하고, 미래 부하증가율을 설계자가 임의 판단함에 따른 것으로 판단된다. 본 연구에서는 이러한 문제점을 극복하고 합리적인 변압기용량을 산정하기 위하여 AMI 시스템에서 취득되는 실시간 전력 사용량과 지적, 인구 등 공공 데이터를 병합한 후, XGBoost를 이용하여 최대수요전력을 예측하는 AI 모델 을 개발한다. 연구를 위해 수집한 전력사용량 등 고객정보와 공공 데이터를 전처리하여 병합한 후 특정지역에 대한 변압기 수용률을 계산한 결과 번화가, 주택가, 농 어촌으로 구분하는 현재의 지역구분에 의한 수용률이 부하의 패턴변화를 반영 하지 못함을 알 수 있고, 전기사용 패턴을 나타내는 계약종별(일반용, 주택용 등) 구분에 따른 수용률이 유의미하였다. 이에 따라, 머신러닝 기법을 적용하여 수요예측 AI 알고리즘을 개발 할 것 을 제안한다. 수요예측 모델 적용시 개별 변압기가 공급하는 고객정보 데이터 의 부정확성을 최소화하고 지역 특성을 반영하기 위하여 지역을 일정 크기로 분할한 후 최대수요전력을 산출하는 구역별 에너지밀도 개념을 도입하였다. 즉, 우리나라 특정 지역을 500m×500m로 분할하여 구역별로 에너지밀도와 수 용률을 계산하고, 이를 고, 중, 저 세 단계로 구분한 후 향후 5년간 최대부하 를 예측한다. 이를 바탕으로 적정 변압기 용량을 산정한 결과, 현재 필요 용량 이상의 변압기가 90%가 넘는 것을 확인하여 과다한 투자가 이루어짐을 알 수 있다. 또한, 본 논문에서 제시한 최대수요예측 모델에 대한 정확도 검증을 위해 k-겹 교차 검증을 시행하여 제시한 모델이 타당함을 확인하고, 최대수요예측 에 영향을 미치는 변수의 중요도를 살펴본다. 이 후 최대부하예측 모델 개발 을 통해 계산한 수용률과 미래 부하 증가율을 적용하는 신설 변압기 용량 산 정방식에 대한 개선방안을 제시한다. 마지막으로, 본 연구에서 개발한 최대부하예측 모델을 배전용 변압기 용량 산정 방법 개선 외에도 송배전 설비계획 수립방법 개선, 전력MAP을 통한 신 재생에너지 통합관제 등에 확대하여 활용할 수 있도록 기술정책방안을 제안하 였다.
전국에 약 2백3십만대의 배전용 변압기가 설치되어 고객에게 전기를 공급 하고 있다. 변압기 용량이 공급 부하에 비하여 너무 높거나 낮으면 많은 경제 적 손실과 비용이 발생하게 된다. 그러므로 국내외 많은 전력회사들이 적정 용량의 변압기를 설치하기 위한 기준을 만들어 적용하고 있으나, 현재의 다양 해진 전력수요 패턴을 반영하지 못하고, 설계자의 경험에 많이 의존하는 등 부하에 적정한 변압기 용량 산정에 어려움을 겪고 있다. 이러한 문제점을 분 석하고 고객 정보와 공공데이터를 활용하여 변압기에 대한 과학적이고 합리적 인 용량 산정 방법을 제안하고자 본 연구를 수행한다. 우선, 신배전정보시스템(NDIS)과 지능형 계량 인프라(AMI)의 전력사용량 데 이터를 이용해 설치된 변압기 이용률을 계산하고 비교하였는데, 두 방식 모두 필요 이상 용량의 변압기가 현장에 설치되어 있음을 보여주고 있다. 이는 고 객의 부하특성을 제대로 반영하지 못하는 지역구분 수용률을 일괄적으로 적용 하고, 미래 부하증가율을 설계자가 임의 판단함에 따른 것으로 판단된다. 본 연구에서는 이러한 문제점을 극복하고 합리적인 변압기용량을 산정하기 위하여 AMI 시스템에서 취득되는 실시간 전력 사용량과 지적, 인구 등 공공 데이터를 병합한 후, XGBoost를 이용하여 최대수요전력을 예측하는 AI 모델 을 개발한다. 연구를 위해 수집한 전력사용량 등 고객정보와 공공 데이터를 전처리하여 병합한 후 특정지역에 대한 변압기 수용률을 계산한 결과 번화가, 주택가, 농 어촌으로 구분하는 현재의 지역구분에 의한 수용률이 부하의 패턴변화를 반영 하지 못함을 알 수 있고, 전기사용 패턴을 나타내는 계약종별(일반용, 주택용 등) 구분에 따른 수용률이 유의미하였다. 이에 따라, 머신러닝 기법을 적용하여 수요예측 AI 알고리즘을 개발 할 것 을 제안한다. 수요예측 모델 적용시 개별 변압기가 공급하는 고객정보 데이터 의 부정확성을 최소화하고 지역 특성을 반영하기 위하여 지역을 일정 크기로 분할한 후 최대수요전력을 산출하는 구역별 에너지밀도 개념을 도입하였다. 즉, 우리나라 특정 지역을 500m×500m로 분할하여 구역별로 에너지밀도와 수 용률을 계산하고, 이를 고, 중, 저 세 단계로 구분한 후 향후 5년간 최대부하 를 예측한다. 이를 바탕으로 적정 변압기 용량을 산정한 결과, 현재 필요 용량 이상의 변압기가 90%가 넘는 것을 확인하여 과다한 투자가 이루어짐을 알 수 있다. 또한, 본 논문에서 제시한 최대수요예측 모델에 대한 정확도 검증을 위해 k-겹 교차 검증을 시행하여 제시한 모델이 타당함을 확인하고, 최대수요예측 에 영향을 미치는 변수의 중요도를 살펴본다. 이 후 최대부하예측 모델 개발 을 통해 계산한 수용률과 미래 부하 증가율을 적용하는 신설 변압기 용량 산 정방식에 대한 개선방안을 제시한다. 마지막으로, 본 연구에서 개발한 최대부하예측 모델을 배전용 변압기 용량 산정 방법 개선 외에도 송배전 설비계획 수립방법 개선, 전력MAP을 통한 신 재생에너지 통합관제 등에 확대하여 활용할 수 있도록 기술정책방안을 제안하 였다.
About 2.3 million transformers are in service nationwide to supply electricity to customers. If the capacity of a transformer is higher or lower than the load, it may lead to economic losses. Therefore, utilities use their own standards to gauge transformers to be installed to acquire appropriate ca...
About 2.3 million transformers are in service nationwide to supply electricity to customers. If the capacity of a transformer is higher or lower than the load, it may lead to economic losses. Therefore, utilities use their own standards to gauge transformers to be installed to acquire appropriate capacity. However, these standards have problems such as inability to reflect various power demand patterns and dependence on designers’ experiences. This study analyzed these problems and proposed a scientific and rational transformer capacity determination method using customer information and public data. First of all, calculation and comparison of the transformer availability rate using the power consumption data of NDIS and AMI has been performed. As a result of this study, it was confirmed that there is trend of installing a transformer in overcapacity than required. This is believed to be due to the application of an demand factor that does not reflect regional characteristics, and the designer's discretionary decision about the future load growth rate. In order to overcome these problems and determine a reasonable transformer capacity, this study has developed an AI model that predicts the maximum power demand using real-time power consumption, public data (population, cadastral data, etc.) and XGBoost algorithm. To diagnose the necessity of AI model development, customer information such as power consumption and public data has been preprocessed and merged, and then the demand factor for a specific area has been calculated. As a result, this study has found that current demand factor classified into downtown areas, residential areas, and rural areas does not reflect changes in the load pattern, but the application of the demand factor according to the types of contract (general use, residential use, etc.) is effective. Accordingly, a demand prediction AI algorithm has been developed in this study by applying machine learning techniques. In addition, in order to minimize the inaccuracy of customer information and reflect regional characteristics when applying the demand prediction model, the concept of energy density for each region was introduced to calculate the maximum power demand by dividing the region into a certain size of units. By applying this, the energy density was calculated for each area by dividing a specific area of Korea into units of 500m×500m, and after dividing them into three stages of high, medium, and low, the maximum load was predicted for the next five years. As a result of calculating the appropriate transformer capacity based on this, it was shown that excessive investment is being made because overcapacity transformers have been installed in over 90% of the area. In addition, to verify the accuracy of the maximum demand prediction model presented in this paper, a k-fold cross-validation was conducted to confirm the validity of the proposed model and to examine the importance of variables that influenced the maximum demand prediction. By applying the demand factor calculated through the development of the maximum load prediction model and the future load increase rate, an improvement plan for the newly established transformer capacity calculation method has been proposed. Finally, this study made a technology policy proposal so the maximum load prediction model developed in this study can be expanded and utilized in the method of establishing a transmission and distribution facility plan as well as the integrated control of renewable energy through the power MAP, in addition to the improvement of the distribution transformer capacity calculation method.
About 2.3 million transformers are in service nationwide to supply electricity to customers. If the capacity of a transformer is higher or lower than the load, it may lead to economic losses. Therefore, utilities use their own standards to gauge transformers to be installed to acquire appropriate capacity. However, these standards have problems such as inability to reflect various power demand patterns and dependence on designers’ experiences. This study analyzed these problems and proposed a scientific and rational transformer capacity determination method using customer information and public data. First of all, calculation and comparison of the transformer availability rate using the power consumption data of NDIS and AMI has been performed. As a result of this study, it was confirmed that there is trend of installing a transformer in overcapacity than required. This is believed to be due to the application of an demand factor that does not reflect regional characteristics, and the designer's discretionary decision about the future load growth rate. In order to overcome these problems and determine a reasonable transformer capacity, this study has developed an AI model that predicts the maximum power demand using real-time power consumption, public data (population, cadastral data, etc.) and XGBoost algorithm. To diagnose the necessity of AI model development, customer information such as power consumption and public data has been preprocessed and merged, and then the demand factor for a specific area has been calculated. As a result, this study has found that current demand factor classified into downtown areas, residential areas, and rural areas does not reflect changes in the load pattern, but the application of the demand factor according to the types of contract (general use, residential use, etc.) is effective. Accordingly, a demand prediction AI algorithm has been developed in this study by applying machine learning techniques. In addition, in order to minimize the inaccuracy of customer information and reflect regional characteristics when applying the demand prediction model, the concept of energy density for each region was introduced to calculate the maximum power demand by dividing the region into a certain size of units. By applying this, the energy density was calculated for each area by dividing a specific area of Korea into units of 500m×500m, and after dividing them into three stages of high, medium, and low, the maximum load was predicted for the next five years. As a result of calculating the appropriate transformer capacity based on this, it was shown that excessive investment is being made because overcapacity transformers have been installed in over 90% of the area. In addition, to verify the accuracy of the maximum demand prediction model presented in this paper, a k-fold cross-validation was conducted to confirm the validity of the proposed model and to examine the importance of variables that influenced the maximum demand prediction. By applying the demand factor calculated through the development of the maximum load prediction model and the future load increase rate, an improvement plan for the newly established transformer capacity calculation method has been proposed. Finally, this study made a technology policy proposal so the maximum load prediction model developed in this study can be expanded and utilized in the method of establishing a transmission and distribution facility plan as well as the integrated control of renewable energy through the power MAP, in addition to the improvement of the distribution transformer capacity calculation method.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.