선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 부하를 한눈에 파악하기는 불편한 점이 있다. 따라서 회선별 단선도를 통해 회선과 구간에 대한 시간대별 부하 분석이 가능하도록 개발하였다. 그림 5는 하나의 회선을 3진 트리로 구성된 단선도에서 회선과 구간에 대한 부하(전류' 전압강하, 손실, 전력)를 선택적으로 표현하고, 시간이동 버튼을 이용하여 15분전, 15분후, 어제 같은 시분, 내일 같은 시분으로 쉽게 시간을 이동하면서 부하를 분석할 수 있는 특징이 있다' 그리고 회선과 특정 구간에 대해 당일의 15분 단위 부하패턴, 특정시분에 대한 월간 부하패턴, 일 최대부하를 이용한 월간 부하패턴, 월 최대부하를 이용한 연간 부하 패턴을 분석할 수 있다.
- 본 논문에서는 대규모의 모든 전력설비에 계측장치를 설치하지 않고도 전력사용자로부터 주기적으로 취득되는 검침 데이터를 이용하여 순간순간 변화하는 배전계통의 회선 이하 설비의 트-하를 분석할 수 있는 모델을 개발하였다. 이 모델의 개발을 위해 운영계 시스템에서 부하계산에 필요한 데이터를 연졔하고 데이터마이닝 기법을 적용하여 미 AMR 고객의 부하패턴을 계산하고 조류계산을 수행한 다음 연터넷 GIS, 회선별 단선도, 부하 표와 그래프, 시뮬레이션 등 다양한 방식으로 회선, 구간, 변압기의 부하를 분석할 수 있도록 개발하였다.
- 본 논문에서는 대규모의 전력설비에 계측장치를 설치하지 않고도 모든 전력사용자(고객)로부터 15분 또는 월 단위로 취득되는 검침데이터를 이용하여 순간순간 변화하는 회선 이하 설비의 부하를 15분 단위로 분석할 수 있는 새로운 모델을 제시하고자 한다. 먼저 부하계산 및 검증에 필요한 여러운영계 시스템을 연계하여 배전설비 지리정보, 원격검침, 월 검침, 고객, 변압기 무선부하, 변전소 회선 계측 데이터를 추출하고 부하분석모델 데이터 웨어하우즈를 구축하였다.
- 이 절에서는 미AMR 고압고객의 부하패턴 생성 과정에서 군집 수 결정과 분류 모델의 평가, 회선에 대한 조류계산 데이터와 변전소에서 계측한 회선 부하 데이터의 비교 실험 결과를 기술한다. 서울시의 강남구와 서초구에 전력을 공급하는 한국전력공사 강남지점의 2007년 1월부터 10월까지의 3, 349 AMR 고객, 792 미AMR 고압고객, 27만 저압 고객을 대상으로 시험하였다.
제안 방법
- 그다음 배전설비와 고객과의 관계를 설정하고 AMR 미시행고객의 부하패턴을 예측한 다음 회선별 단선도를 생성하고 조류계산을 수행하였다. AMR 미시행 고객은 고압과 저압으로 구분하고 고압고객은 AMR 데이터를, 저압고객은 변압기 무선 부하감시 데이터를 기반으로 군집화(Clustering) 및 분류(Classification) 데이터마이닝 알고리즘을 적용하여 15분 단위의 부하패턴을 예측하였다. 이렇게 계산 처리된 결과를 사용자가 다양한 방법으로 효과적으로 분석할 수 있도록 인터넷 GIS 부하분석, 회선별 단선도 부하부석, 온라인분석처리 기법을 이용한 계통 및 설비 부하분석, 현황/통계, 시뮬레이션 등 시공간 부하분석모델을 개발하였다.
- 검침 주기와 방법에 따라 실질적인 전력소비자인 고객을 표 2와 같이 AMR 고객, 未AMR 고압고객, 저압 고객으로 구분하였다. 여기에서 고압의 구분은 공급방식이 단상2선식 3.
- 먼저 부하계산에 필요한 데이터를 기존의 운영계 시스템을 연계하여 추출한다. 고객의 특성을 나타내는 고객 기본 정보와 월 단위의 검침정보, 고압고객으로부터 15분 단위로 유효전력과 무효전력을 취득한 원격검침정보를 추출한다. 그리고 공간 분석을 위한 배전계통 및 설비 정보와 일부 중요 변압기에서 계측한 상별 전압, 전류 데이터를 연계한다.
- 군집분석에서는 최적의 k값(군집 수) 결정이 가장 중요한 요소로서, AMR 대표 부하패턴의 군집 수 결정은 재현성 평가 방법을 사용하였다. 재현성 평가 모델은 신경망이나 결정 트리 분류 및 회귀와 같은 지도학습 모델링에서 사용되는 데이터 분할 기법을 활용한 것이다.
- 작업이 필요하다. 군집화와 분류 데이터 마이닝 기법을 적용하여 월검침 데이터를 15분 단위의 부하 프로파일을 생성하는 알고리즘을 개발하였다. 미AMR 고압고객은 AMR 데이터를 기반으로, 저압고객은 변압기 무선 부하감시시스템 데이터 기반으로 부하패턴을 생성한다.
- 각 고객의 15 분 단위 부하패턴이 생성되면 배전계통 구간 단위의 단선 도를 생성하고 각 구간에 전력을 공급하는 고객의 부하를 집계한다. 그 다음 조류계산을 수행하여 회선과 구간의 피상전력, 전류, 전압, 손실을 구하고 통계정보를 산출한다. 이러한 부하계산 과정을 도시하면 그림 2과 같고, 다음 절부터 각과 정의 상세한 계산 방법을 기술한다.
- 먼저 부하계산 및 검증에 필요한 여러운영계 시스템을 연계하여 배전설비 지리정보, 원격검침, 월 검침, 고객, 변압기 무선부하, 변전소 회선 계측 데이터를 추출하고 부하분석모델 데이터 웨어하우즈를 구축하였다. 그다음 배전설비와 고객과의 관계를 설정하고 AMR 미시행고객의 부하패턴을 예측한 다음 회선별 단선도를 생성하고 조류계산을 수행하였다. AMR 미시행 고객은 고압과 저압으로 구분하고 고압고객은 AMR 데이터를, 저압고객은 변압기 무선 부하감시 데이터를 기반으로 군집화(Clustering) 및 분류(Classification) 데이터마이닝 알고리즘을 적용하여 15분 단위의 부하패턴을 예측하였다.
- 고객의 특성을 나타내는 고객 기본 정보와 월 단위의 검침정보, 고압고객으로부터 15분 단위로 유효전력과 무효전력을 취득한 원격검침정보를 추출한다. 그리고 공간 분석을 위한 배전계통 및 설비 정보와 일부 중요 변압기에서 계측한 상별 전압, 전류 데이터를 연계한다. 변전소 회선 인출단의 계측 정보는 부하분석모델에서 계산한 값을 비교 검증하기 위해 추출한다.
- 그리고 테스트 데이터의 각 객체를 훈련 데이터로부터 생성된 군집화 모델에 적용하여 분리한다. 즉 테스트 데이터를 가장 가까운 중심의 군집에 할당한다.
- 따라서 본 논문에서는 30분 단위로 계측되고 있는 변압기 무선 부하감시시스템의 데이터를 이용하고 해당 변압기에서 공급하고 있는 저압고객의 특성정보를 사용하여 뱅크 단위로 부하 패턴을 생성하였다. 뱅크 부하패턴의 생성은 미AMR 고압 고객의 부파패턴 생성 과정과 유사하게 수행하는데, 변압기 무선 부하감시시스템의 전류 데이터를 사용하여 뱅크의 대표 부하 패턴을 생성하고 계측되지 않은 뱅크에 대해 부하를 예측한다.
- 분포에 따라 형성된다. 따라서 위 식의 고객별 벡터의 최대값이 1이 되도록 정규화한 다음 군집분석을 수행하였다. 많은 군집화 알고리즘 중에서 본 논문에서는 대용량데이터에서 빠른 군집 구성, 사용자 기반의 군집 수 결정방식, 군집의 적합성을 판단하는 재현율 적용 용이성 등을 고려하여 k-means 알고리즘(3)을 적용하였다.
- 그리고 부하율과 피상전력에 대한 최대/평균/최소값과 시간대별로 현황/통계에 대한 표와 그래프도 다차원분석이 가능하다. 또한, 계통과 변압기에 대해 부하를 증가 또는 감소 시켜보는 부하변동 시뮬레이션과 회선에 대한 부하 평준화 시뮬레이션, 변압기에 대해 다른 변압기로 부하를 넘겨 보는 부하전환 시뮬레이션이 가능하도록 개발하였다.
- 제시하고자 한다. 먼저 부하계산 및 검증에 필요한 여러운영계 시스템을 연계하여 배전설비 지리정보, 원격검침, 월 검침, 고객, 변압기 무선부하, 변전소 회선 계측 데이터를 추출하고 부하분석모델 데이터 웨어하우즈를 구축하였다. 그다음 배전설비와 고객과의 관계를 설정하고 AMR 미시행고객의 부하패턴을 예측한 다음 회선별 단선도를 생성하고 조류계산을 수행하였다.
- 생성하였다. 배전계통이 Loop되는 구간과 Isolation되는 구간을 찾아내고 기존 설비도와 고압계통경과도, 회로도와 비교하여 해당 구간을 연결하고 보정한 다음 구간의 전원측과 부하측을 결정하였다. 지중 다회로 개폐기에서 고압고객에게 직접 수전되는 단자는 그 부하를 앞단의 구간에 포함시켜 구간 부하를 집계하도록 하였다.
- 따라서 본 논문에서는 30분 단위로 계측되고 있는 변압기 무선 부하감시시스템의 데이터를 이용하고 해당 변압기에서 공급하고 있는 저압고객의 특성정보를 사용하여 뱅크 단위로 부하 패턴을 생성하였다. 뱅크 부하패턴의 생성은 미AMR 고압 고객의 부파패턴 생성 과정과 유사하게 수행하는데, 변압기 무선 부하감시시스템의 전류 데이터를 사용하여 뱅크의 대표 부하 패턴을 생성하고 계측되지 않은 뱅크에 대해 부하를 예측한다. 분류 모델 구축을 위한 뱅크와 고객 특성정보는 전등수용호수, 동력수용호수, 부하지역특성, 변압기 용량, 고객의 계약전력, 전기사용용도, 고압/고압구분, 월검침량을 사용한다.
- 여기에서 고객 특성 정보는 계약종별, 계약전력, 전기사용용도, 산업분류, 공급방식, 월검침량이며 분류기의 입력변수로 사용된다. 분류기의 종류로는 의사결정트리, 베이지안 분류기, 신경망, SVMCSupport Vector Machine) 그리고 규칙기반 분류기[3] 등이 있는데, 본 논문에서는 성능을 평가하여 의사결정트리 분류기를 사용하였다. 의사결정나무(Decision Tree)는 의사결정 규칙을 나무구조로 도표화하여 분류와 예측을 수행하는 분석 방법이다.
- 다. 시공간 부하분석은 설範, 부하, 표현방식의 선택이 조합되어 설비도 상에 표현도]는데, 회선 분석은 여러 인접 회선에 대해 부하의 현황 파악이 용이하며, 구간 분선은 각 구간에 대한 부하의 분포 특성을 분석함 수 있변압기 분석은 특정 지역내 변압기의 부하를색상彳분이나 객체크기에 따라 표현하여 공간상에서 설비 위치정보와 함께 부하를 분석할 수 있도록 구현하였다. *
- 그림 6은 동월 AMR 고객에 대한 31개 군집의 대표 부하패턴이다. 이 군집화 결과를 미 AMR 고압고객에 적용하기 위해 생성된 Cluster Label과 고객 특성정보를 이용하여 분류 모델을 생성한다. 모델 생성을 위한 알고리즘은 Decision tree(C4.
- 배전계통은 운영 특성상 방사상(Radial)구조로 되어 있기 때문에 트리 구조의 계산방법이 적절하다. 이 논문에서는 Forward Sweeping 기법을 적용하였으며, 입력변수는 각 구간에 합산된 유효진력과 무효진력이고, 출력변수는 회선과 각 구간의 피상전력, 전유, 전압, 전압강하, 손실이다.
- 트-하를 분석할 수 있는 모델을 개발하였다. 이 모델의 개발을 위해 운영계 시스템에서 부하계산에 필요한 데이터를 연졔하고 데이터마이닝 기법을 적용하여 미 AMR 고객의 부하패턴을 계산하고 조류계산을 수행한 다음 연터넷 GIS, 회선별 단선도, 부하 표와 그래프, 시뮬레이션 등 다양한 방식으로 회선, 구간, 변압기의 부하를 분석할 수 있도록 개발하였다. 시공간 분석 기법을 적용하여 이해도 높은 현황과 문제점 파악, 시각적 수요분석 및 부하관리, 공간적 부하분포와 밀도 특성 분석이 가능하고, 고객, 설비, 부하, 꼬장간의 상관관계와 영향성 분석이 가능하다.
- AMR 미시행 고객은 고압과 저압으로 구분하고 고압고객은 AMR 데이터를, 저압고객은 변압기 무선 부하감시 데이터를 기반으로 군집화(Clustering) 및 분류(Classification) 데이터마이닝 알고리즘을 적용하여 15분 단위의 부하패턴을 예측하였다. 이렇게 계산 처리된 결과를 사용자가 다양한 방법으로 효과적으로 분석할 수 있도록 인터넷 GIS 부하분석, 회선별 단선도 부하부석, 온라인분석처리 기법을 이용한 계통 및 설비 부하분석, 현황/통계, 시뮬레이션 등 시공간 부하분석모델을 개발하였다.
- 분류는 서로 다른 클래스의 객체들을 구별하기 위한 설명 도구로서의 역할과 알려지지 않는 레코드들의 클래스 레이블을 예측하기 위해 사용된다. 즉, 각 군집을 AMR 고객특성에 따라 분류하고 미AMR 고압 고객이 입력되었을 때 클래스 레이블을 예측한다. 여기에서 고객 특성 정보는 계약종별, 계약전력, 전기사용용도, 산업분류, 공급방식, 월검침량이며 분류기의 입력변수로 사용된다.
- 배전계통이 Loop되는 구간과 Isolation되는 구간을 찾아내고 기존 설비도와 고압계통경과도, 회로도와 비교하여 해당 구간을 연결하고 보정한 다음 구간의 전원측과 부하측을 결정하였다. 지중 다회로 개폐기에서 고압고객에게 직접 수전되는 단자는 그 부하를 앞단의 구간에 포함시켜 구간 부하를 집계하도록 하였다. 단선도를 생성하는 알고리즘은 3진 Tree 회귀적 (Recursive) 방법으로, 변전소 CB 정보로부터 Root 노드를 생성하고 다회로 개폐기와 분기점에서 구간을 분리하고, 지중뱅크와 개폐기가 개방상태이고 ALTS나 하단의 구간정보가 없으면 상위 전원측 설비로 Pointer를 이동하면서 3진 트리를 생성하게 된다.
- 추출된 설비도 데이터에서 구간을 구성하고 구간 단위의 부하 집계와 조류계산을 위해 희선별 단선도를 생성하였다. 배전계통이 Loop되는 구간과 Isolation되는 구간을 찾아내고 기존 설비도와 고압계통경과도, 회로도와 비교하여 해당 구간을 연결하고 보정한 다음 구간의 전원측과 부하측을 결정하였다.
- 회선, 구간, 변압기에 대해 시간대별(15분, 시간, 일, 주, 월, 같은 시간대, 최신), 부하별(부하율, 피상전력, 유효전력, 무효전력, 전류, 손실, 전압강하)로 표와 그래프를 이용하여 부하패턴을 분석할 수 있도록 구현하였다. 부하 표와 그래프를 가장 요약된 레벨로부터 가장 상세한 레벨까지 차원의 계층에 따라 분석에 필요한 요약 수준을 바꿀 수 있는 Drill Up/Down, 시간대와 부하의 축을 서로 바꾸면서 분석하는 Pivoting, 다차원 배열의 부분집합으로 만들어 분석하는 Slice/Dice, 리포트의 형태와 조건을 바꾸는 Surfing 등의 온라인분석처리 기법을 이용하여 다차원 분석할 수 있다.
- 회선과 구간에 대한 현횡/통계는 고압과 저압, 계약종별 (주택용, 일반용, 교육용, 산업용, 기타)로 부하비율과 피상전력을 분석하고, 변압기에 대해서는 동력과 전등, 계약 종별로 분석한다. 그리고 부하율과 피상전력에 대한 최대/평균/최소값과 시간대별로 현황/통계에 대한 표와 그래프도 다차원분석이 가능하다.
대상 데이터
- 기술한다. 서울시의 강남구와 서초구에 전력을 공급하는 한국전력공사 강남지점의 2007년 1월부터 10월까지의 3, 349 AMR 고객, 792 미AMR 고압고객, 27만 저압 고객을 대상으로 시험하였다.
데이터처리
- 이 논문에서 제안한 부하분석모델의 정확성을 검증하기 위해 회선에 대한 조류계산 결과와 변전소에서 계측한 회선 부하 데이터를 그림 8과 같이 비교 실험하였다.
이론/모형
- 08MM旧로 IkWH 이하는 정상적으로 검침되지 않은 것으로 간주하였다. 또한 Outher 처리를 위하여 데이터 정제 기법 중 SOM(Self-Organizing feature Map) 군집화 알고리즘 (3)을 적용하였다. 구성 매트릭스는 10 by 10 (100 군집)으로 한 클러스터에 포함된 데이터 객체가 1개 이하인 군집 결과는 outher로 간주하여 제외하였다.
- 배전계통이 공간적으로 분포되어 있는 특성이 있으므로지리 정보시스템을 활용하고, 사용자의 편리성을 고려하여 Web 환경에서 이용할 수 있는 인터넷 GIS를 적용한다. 또한 전체 배전 부하의 70%를 차지하는 계약전력 100kW 이상인 고압고객의 15분 단위의 대용량 원격검침 데이터를 연계하고, 15분 단위의 부하를 계산하고 분석하기 위해 데이터웨어하우즈와 온라인분석처리(OLAP) 기법을 적용한다. 데이터 마이닝은 이전에 알려지지 않는 새로운 지식을 발견하는 기법[3]으로 AMR 미시행 고객과 변압기의 부하패턴을예 측 하는 부 이: 에 적용한 다,
- 따라서 위 식의 고객별 벡터의 최대값이 1이 되도록 정규화한 다음 군집분석을 수행하였다. 많은 군집화 알고리즘 중에서 본 논문에서는 대용량데이터에서 빠른 군집 구성, 사용자 기반의 군집 수 결정방식, 군집의 적합성을 판단하는 재현율 적용 용이성 등을 고려하여 k-means 알고리즘(3)을 적용하였다.
- 이 군집화 결과를 미 AMR 고압고객에 적용하기 위해 생성된 Cluster Label과 고객 특성정보를 이용하여 분류 모델을 생성한다. 모델 생성을 위한 알고리즘은 Decision tree(C4.5), Bayesian network, naive Bayesian 그리고 SVM를 사용하였으며, 분류 모델의 평가는 10-fold cross validation 기법을 적용하였다. 분류 모델의 성능평가는 TP(True Positive), TN(True Negative), FP (False Positive), FN(False Negative)로 표현되는 혼동 행렬(Confusion matrix)⑻을 이용하여 아래 식으로 계산하였다.
후속연구
- 선로의 부하상태는 어떠했는지 분석할 수 있다. 또한 특정 시점의 부하를 증감시키거나 다른 설비로 전환하여 시간대별 부하가 어떻게 변화하는지 시뮬레이션을 수행해 봄으로써 설비운영의 효율화를 도모하고 최적화된 부하계통의 운용방안을 수립할 수 있을 것이며, 신규 설비 확충시 기존선로의 부하를 분석하여 보다 정확한 설비 투자 계획을 수립할 수 있을 것이다.
- 시공간 분석 기법을 적용하여 이해도 높은 현황과 문제점 파악, 시각적 수요분석 및 부하관리, 공간적 부하분포와 밀도 특성 분석이 가능하고, 고객, 설비, 부하, 꼬장간의 상관관계와 영향성 분석이 가능하다. 이를 통해 정확하고 신뢰할 수 있는 배전선로의 부하분석과 설비운영의 효율화 및 배선계통의 품질향상에 기여할 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.