[논문]자동검침 고객의 부하패턴을 이용한 일일 대표 부하패턴 생성

김영일; 신진호; 이봉재; 양일권

자동검침 고객의 부하패턴을 이용한 일일 대표 부하패턴 생성
Typical Daily Load Profile Generation using Load Profile of Automatic Meter Reading Customer 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.57 no.9, 2008년, pp.1516 - 1521

김영일 (한국전력공사 전력연구원) , 신진호 (한국전력공사 전력연구원) , 이봉재 (한국전력공사 전력연구원) , 양일권 (한국전력공사 전력연구원)

Abstract ▼ AI-Helper

Recently, distribution load analysis using AMR (Automatic Meter Reading) data is researched in electric utilities. Load analysis method based on AMR system generates the typical load profile using load data of AMR customers, estimates the load profile of non-AMR customers, and analyzes the peak load and load profile of the distribution circuits and sectors per every 15 minutes/hour/day/week/month. Typical load profile is generated by the algorithm calculating the average amount of power consumption of each groups having similar load patterns. Traditional customer clustering mechanism uses only contract type code as a key. This mechanism has low accuracy because many customers having same contract code have different load patterns. In this research, We propose a customer clustring mechanism using k-means algorithm with contract type code and AMR data.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 고객의 계약종별 코드만을 이용하여 고객을 분류하고 대표 부하패턴을 생성하여 부하분석을 수행하는 방식의 오류를 줄이기 위해 각 계약종별로 고객을 분류하고 해당 분류 내에 존재하는 고객의 자동검침 부하 패턴을 이용하여 클러스터링 알고리즘을 통해 고객을 분류하고 대표 부하패턴을 생성하는 방식을 개발하였다. 본 연구에서는 강남지역의 고객에 대한 15분 단위 자동검침 데이터를 이용하여 그림 4와 같이 k-means[8] 알고리즘을 적용하고 대표 부하 패턴을 생성하였다.
최근에는 부하분석을 위해 자동검침 고객의 15분 단위 사용량을 이용하여 대표 부하패턴을 생성하고, 이 패턴에 미검침 고객의 월 검침량을 대입하여 미검침 고객에 대한 가상 부하패턴을 생성하는 방식으로 전체 배전선로의 15분 단위의 최대부하 및 부하패턴 등을 분석하는 방법이 많이 연구되고 있다. 본 연구에서는 동일한 계약코드를 갖는 고객들을 k-means 알고리즘을 이용하여 k개의 그룹으로 분류하는 방식을 제안하였다. 또한 기존의 계약종별 대표 부하 패턴을 생성하는 방식과 본 연구에서 제안한 방식의 최대오차율 및 평균 오차율을 계산하고 이를 비교하였다.
각 계약코드에 대한 최대 k값은 9로 선정하였는데, 한전의 경우 익, 3()여개의 계약 종별 코드를 갖고 있으며, 각각의 계약종별 코드에 대하여 하위에 10개 이상의 분류를 생성할 경우 총 300여개가 넘는 대표 부하패턴을 갖게 된다. 이 경우 지나치게 세분화 된 대표 부하패턴으로 인해 배전선로에 대한 부하분석시 과도한 연산 비용이 발생하게 되므로 본 연구에서는 하나의 계약 종별에 대하여 최대 9가지 분류만 생성하도록 제안을 두었다.

제안 방법

그러나 k값이 증가할 수록 연산 시간이 증가하게 되므로., 본 연구에서는 최대 k값을 9로 정하고 제한된 범위 내에서 평균 오차의 감소 폭이 수렴하는 지점을 찾아서 k값을 결정하는 방식을 사용하였다.
또한 기존의 계약종별 대표 부하 패턴을 생성하는 방식과 본 연구에서 제안한 방식의 최대오차율 및 평균 오차율을 계산하고 이를 비교하였다. 그룹의 수를 결정하는 k값을 선정하기 위해, 최소 1개에서 최대 9 개의 그룹으로 분류하여 그룹이 증가함에 따른 평균 오차율의 감소 비율이 수렴하는 지점을 찾아내는 방식을 이용하였다.
입력하지 않을 경우 만족할만한 실행 결과를 얻을 수 없게 된다. 본 연구에서는 계약 종별 k 값을 결정하기 위해 k값의 범위를 1에서 9까지 증가시키며 k-means 알고리즘을 반복수행 하였다.
그러나 이러한 방식은 고객정보 입력 과정에서 고객에 대한 정확한 분류가 어렵고, 계약종별 코드만으로 생성한 대표 부하패턴의 오차가 커서 분석에 어려움을 갖게 된다. 본 연구에서는 동일한 계약 종별 코드를 갖는 자동검침 고객의 부하패턴을 이용하여 k-means 기법을 적용하여 고객을 분류하였다. 고객 분류를 위한 클러스터의 개수(k)는 대표 부하패턴의 오차가 수렴하는 지역에 대한 값으로 선정하였다.
본 연구에서는 이러한 k-means 알고리즘을 하나의 점이 아닌 15분 단위의 사용량에 대한 연속적인 데이터에 확장하여 적용하였다. 하나의 계약종별 코드에 존재하는 모든 고객의 15분 단위 부하량 데이터를 이용하여 k개의 그룹으로 분할하고 각각의 그룹에서의 일일 대표 부하패턴 을계 산하였다.
본 연구에서는 최소한의 설비에 검침장비를 설치하고 수집된 데이터를 바탕으로 데이터 분석을 통해 각 설비에 대한 대표 부하패턴을 생성하고 검침장비가 설치되지 않은 설비의 월 사용량을 대표 부하패턴에 적용하여 가상의 15분 단위 부하패턴을 생성하였다. 현재 한전에서는 신규 고객을 등록할 때 계약종별, 전기사용용도, 고객의 산업종류 및 계약전력량 등과 같은 정보를 입력하여 고객을 분류하고 있으며, 계약종별에 따라 고객의 대표 부하패턴을 생성하여 배전선로의 부하분석 자료로 사용하고 있다.
수행하게 된다. 우선 대표 부하패턴 생성을 위해 고객의 계약종별 데이터와 자동검침 데이터를 추출하고, 전처리 과정을 통해 통선오류 등으로 15분 단위 사용량이 완벽하게 검침되지 않은 부정확한 데이터들을 제거한다. 전처리된 데이터는 각 고객별로 15분 단위 부하량의 합이 1이 되도록 정규화 한다.
적용하였다. 하나의 계약종별 코드에 존재하는 모든 고객의 15분 단위 부하량 데이터를 이용하여 k개의 그룹으로 분할하고 각각의 그룹에서의 일일 대표 부하패턴 을계 산하였다. 각 그룹의 대표 부하패턴을 구성하는 15분 단위의 대표 부하량(#)은 해당 그룹에 속한 고객의 15분 단위부하량(#)의 중심값이 된다.

대상 데이터

K-means 알고리즘을 이용한 계약코드에 따른 고객 분류를 위해 한전 강남지점 3093명의 고객에 대한 자동검침 데이터를 이용하였다. 분류를 위해 k 값을 1부터 9까지 1씩 증가하면서 실험을 수행하였으며, 그 결과는 표 1과 같다.

데이터처리

다양한 k값 적용을 통해 얻어진 분류결과에서 최적의 k 값을 선택하기 위해 계약종별 평균 오차를 이용하여 k 값을 결정하였다.일반적으로 k값이 높아질수록 각 그룹 내에서의 평균 오차는 작아지게 된다.
본 연구에서는 동일한 계약코드를 갖는 고객들을 k-means 알고리즘을 이용하여 k개의 그룹으로 분류하는 방식을 제안하였다. 또한 기존의 계약종별 대표 부하 패턴을 생성하는 방식과 본 연구에서 제안한 방식의 최대오차율 및 평균 오차율을 계산하고 이를 비교하였다. 그룹의 수를 결정하는 k값을 선정하기 위해, 최소 1개에서 최대 9 개의 그룹으로 분류하여 그룹이 증가함에 따른 평균 오차율의 감소 비율이 수렴하는 지점을 찾아내는 방식을 이용하였다.

이론/모형

부하패턴을 생성하는 방식을 개발하였다. 본 연구에서는 강남지역의 고객에 대한 15분 단위 자동검침 데이터를 이용하여 그림 4와 같이 k-means[8] 알고리즘을 적용하고 대표 부하 패턴을 생성하였다.

후속연구

자동검침은 배전설비에 15분 단위로 전력량을 계량할 수 있는 장비를 부착하고 이를 PLC와 같은 유선망이나 CDMA와 같은 무선망을 이용하여 중앙 서버로 전송하는 방식으로 운영된다. 15분 단위의 데이터를 활용할 경우 시간대 별로 회선 및 구간에 대한 사용량 및 피크 로드 등의 분석이 가능하게 되며 배전선로의 재구성 및 추후 배전망의 확충을 위한 분석 자료로 활용이 가능하게 된다.
향후에는 미검침 고객의 정보를 이용하여 선정된 대표 부하 패턴에 효과적으로 매핑할 수 있는 의사결정 기법에 대한 연구를 진행할 예정이며, 전력 사용량과 밀접한 관계가 있는 날씨 및 온도 등에 상관관계를 반영하여 보다 정확하게 가상 부하패턴을 생성하는 연구를 진행할 예정이다.

참고문헌 (8)

손학식, 김인수, 박용욱, 임상국, 김재철, "수용가 부하 곡선을 이용한 국제분쟁시 전력사용 행태분석", 대한전 기학회 하계학술대회, pp. 165-167, 2004, 7월
Koo-Hyung Chung, Chan-Joo Lee, Jin-Ho Kim, Don Hur, Balho H. Kim, and Jong-Bae Park, "Development of Customer Oriented Load Management Software for Saving on Utility Bills in the Electricity Market", Journal of Electrical Engineering & Technology, Vol. 2, No. 1, pp. 42-49, 2007

원문보기 상세보기
하복남, 한용희, 한병성, 이흥호, "배전자동화 투자비대 경제적 효과분석에 관한 연구", 대한전기학회논문지 전력기술부문A, 2003, pp. 407-413, 제52권 7호

원문보기 상세보기
Chongqing Kang, Xu Cheng, Qing Xia, Yonghao Huang, and Feng Gao, "Novel approach considering load-relative factors in short-term load forecasting", Electric Power Systems Research, Vol. 70, Issue 2, pp. 99-107, July 2004

상세보기
신진호, 김영일, 송재주, 이봉재, 이정일, "지리정보와 검침데이터를 이용한 배전계통 부하분석모델 개발", 대한전기학회 하계학술대회, pp. 2124-2125, 2006, 7월
G. W. Chang, S. Y. Chu, and H. L. Wang, "A Simplified Forward and Backward Sweep Approach for Distribution System Load Flow Analysis," 2006 International Conference on Power System Technology, pp. 1-5
윤상윤, 김재철, "수용가 전력 소비 패턴을 고려한 배전용 변압기 과부하 판정기준", 대한전기학회논문지 전력기술부문A, 2004, pp. 513-520, 제53권 9호

원문보기 상세보기
Jain A. K. and Dubes R.C., 1988. "Algorithms for Clustering Data," Englewood Cliffs, NJ: Prentice-Hall

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증