[논문]빅데이터분석을 통한 도시철도 역사부하 패턴 분석

박종영

doi:10.5370/kiee.2018.67.3.460

문제 정의

그런데 이러한 정보를 얻기 위해 계측기 등을 추가 설치하는 것은 비용이나 유지관리 면에서 비효율적일 수 있다. 따라서 이미 측정하고 있는 철도 변전소 데이터를 활용하여 부하별 전력사용량을 추정하는 방법을 알아보고자 한다.
본 논문에서는 도시철도 변전소에서 실제로 측정한 부하 데이터를 분석하여 도시철도 부하의 특성을 파악하였다. 분석 내용은 차량부하에 비해 역사부하의 크기가 어떻게 되는지, 역사부하 중 조명이나 공조 등 각 용도별 부하량이 어떻게 되는지 분석하였다.
본 논문에서는 용도별 전력부하 중에서 용량이 크고 하루 중 시간대별로 사용량이 변하는 조명, 공조, 상가 부하에 대해서 그 값을 추정할 수 있는 방법을 알아보았다. 현재 변전소에서 소비되는 전력의 양이 집계되고 있고, 전동차 운행 스케줄을 알기 때문에 역사부하 전체량이 하루 중 어떻게 변하는지 알 수 있다.
본 논문에서는 지역 도시철도공사 역사 중 변전소가 설치되어 있는 역사의 실제 부하를 분석하였다.
지금까지 도시철도에서 사용되는 전력부하를 효율적으로 관리하기 위하여 도시철도변전소의 전력부하에 대한 특성을 알아보았다. 일반적인 전력부하와 다르게 도시철도의 전력부하는 출퇴근 시간에 해당하는 오전 8시나 오후 7시에 첨두부하가 나타난다.
서론에서 언급한 것처럼 용도별 부하량을 파악함으로써 첨두부하를 관리하거나 부하를 효율적으로 소비할 수 있다. 현재 변전소별로 역사부하의 총량이 측정되고 있으며, 본 논문에서 역사부하의 총량과 다른 공공데이터 데이터를 활용하여 용도별 부하량을 추정하는 방법을 알아보겠다.

제안 방법

이를 위하여 부하 데이터의 70%를 학습데이터로 하여 모델을 구성하고, 구성한 모델을 나머지 30%의 데이터로 평가하였다. 각 종류별 부하에 대하여 독립변수는 그림 9에서 구한 값들을 기준으로 상관관계가 높은 변수들부터 차례대로 정해진 개수만큼 적용하며 모델을 비교하였다.
목표변수(종속변수)는 각 용도별 부하량으로 하였으며, 회귀분석을 위한 독립변수로 역사부하 전체 전력사용량과 그 변동량을 적용하였다. 그 외에 공공데이터로서 기후 데이터(기온, 강수량, 미세먼지 농도(PM10, PM2.5), 일평균기온, 일최고/최저기온, 일강수량), 일시 데이터(시간, 요일, 특수일(공휴일 등인지의 여부))를 적용하였다. 이러한 공공데이터들은 설비를 별도로 설치하지 않고 어렵지 않게 구할 수 있으면서도 전력사용량과 관계가 있을 것으로 판단하여 포함하였다.
분석 내용은 차량부하에 비해 역사부하의 크기가 어떻게 되는지, 역사부하 중 조명이나 공조 등 각 용도별 부하량이 어떻게 되는지 분석하였다. 그리고 빅데이터를 활용한 기계학습을 적용하여, 역사부하의 전체 소비량을 알고 있을 때, 각 용도별 부하 소비량이 어떻게 되는지 추정하였다.
이와 관련된 기술로 전력부하에 대한 빅데이터 분석 방법이 있는데, 신경회로망 기법을 이용하여 풍력발전량과 전력가격에 대한 단기예측을 수행하고 기법 간의 특성을 분석하였다[11]. 또한 도시철도부하에 대해서도 분석이 이루어졌는데, 직류 도시철도부하의 일별 유사성을 이용하여 향후 15분 평균전력을 예측하는 기법을 제시하면서, 주변 변전소의 부하패턴을 고려하여 보정한 신경망 모델을 이용하여 정확도를 높였다[1].
첨두전력이 순간적으로 발생하여 전력 비용이 상승하는 것을 막기 위해 제어 가능한 부하를 선정하고 시뮬레이션을 통하여 제어 효과를 분석하였다[2]. 또한 첨두전력 제어를 위하여 도시철도 변전소의 계절, 시간대에 따른 용도별 부하의 특성을 분석하였으며[3], 도시철도 역사부하에서 차단이 가능한 부하와 불가능한 부하를 측정하여, 부하차단량을 최소로 하면서 수요자원시장과 연계하여 전력요금을 낮출 수 있는 방법을 제안하였다[4].
목표변수(종속변수)는 각 용도별 부하량으로 하였으며, 회귀분석을 위한 독립변수로 역사부하 전체 전력사용량과 그 변동량을 적용하였다. 그 외에 공공데이터로서 기후 데이터(기온, 강수량, 미세먼지 농도(PM10, PM2.
정거장 전기설비는 역사에서 사용하는 조명, 공조, 동력설비 등을 말하며 전차선설비는 전동차에 전기를 공급하는 설비로서 지하부설비와 지상부설비가 있다. 본 논문에서는 정거장전기설비와 전차선설비에서 사용하는 전력을 각각 역사부하와 차량부하로 정의한다. 원방제어설비는 위에서 언급한 모든 전기설비를 제어하는 설비로서 종합관제실에서 통제할 수 있는 설비를 말한다.
본 논문에서는 도시철도 변전소에서 실제로 측정한 부하 데이터를 분석하여 도시철도 부하의 특성을 파악하였다. 분석 내용은 차량부하에 비해 역사부하의 크기가 어떻게 되는지, 역사부하 중 조명이나 공조 등 각 용도별 부하량이 어떻게 되는지 분석하였다. 그리고 빅데이터를 활용한 기계학습을 적용하여, 역사부하의 전체 소비량을 알고 있을 때, 각 용도별 부하 소비량이 어떻게 되는지 추정하였다.
앞 장에서 분석한 결과에 따라서 본 논문에서는 역사부하 중 조명, 공조, 상가 부하에 대해서 분석을 하였다. 용도별 부하의 추정을 위하여 기계학습 모델을 적용하였는데, 추정하고자 하는 데이터가 연속형 수치데이터이므로 그런 데이터에 적합한 회귀분석으로 접근하였다.
우선 용도별 전력사용량과 여러 독립변수들과의 상관계수를 구한 다음, 다항회귀분석기법을 적용하여 용도별 전력사용량을 추정할 수 있는 회귀모델을 구성하였다. 이때 모델을 구성하는 조건에 따라 모델의 유용성을 나타내는 결정계수의 값이 달라졌다.
현재 변전소에서 소비되는 전력의 양이 집계되고 있고, 전동차 운행 스케줄을 알기 때문에 역사부하 전체량이 하루 중 어떻게 변하는지 알 수 있다. 이 역사부하 전체 전력사용량과 구할 수 있는 공공데이터에 빅데이터 분석 기법을 적용하여 각 용도별 전력사용량을 추정하였다.
이러한 이유로 인해 조명, 공조, 상가 각각의 부하량을 추산하기 위한 다항회귀분석을 할 때, 어떤 독립변수들을 가지고 몇 차의 다항회귀분석을 해야 하는지 분석하였다. 이를 위하여 부하 데이터의 70%를 학습데이터로 하여 모델을 구성하고, 구성한 모델을 나머지 30%의 데이터로 평가하였다.
도시철도의 전력부하는 평일과 주말에 다른 패턴을 나타낸다. 이를 분석하기 위해 2017년 1월부터 7월까지의 전력사용량 데이터에 대해 평일과 주말로 구분하여 시간대별 평균값을 조사하였다. 그림 5는 조명, 공조, 상가부하의 평일과 주말 시간대별 평균을 나타내고 있다.
기계학습 모델 학습을 위해 우선 탐색적 데이터 분석(EDA, Exploratory Data Analysis)을 수행하였다. 이를 위하여 데이터의 여러 가지 특성들 간 상관관계를 시각적으로 확인하였다. 각 변수 쌍별로 상관관계를 산점도 그래프로 나타내면 이상치 존재 여부, 데이터 분포, 데이터 간 관계를 시각적으로 탐색할 수 있다.
이와 관련된 기술로 전력부하에 대한 빅데이터 분석 방법이 있는데, 신경회로망 기법을 이용하여 풍력발전량과 전력가격에 대한 단기예측을 수행하고 기법 간의 특성을 분석하였다[11]. 또한 도시철도부하에 대해서도 분석이 이루어졌는데, 직류 도시철도부하의 일별 유사성을 이용하여 향후 15분 평균전력을 예측하는 기법을 제시하면서, 주변 변전소의 부하패턴을 고려하여 보정한 신경망 모델을 이용하여 정확도를 높였다[1].
조건에 따른 모델의 성능을 비교하기 위하여 각 모델에 대하여 결정계수 R²를 구하여 비교하였다. 결정계수(coefficient of determination)는 추정한 선형 모델이 주어진 자료에 적합한 정도를 재는 척도이며, 식 (3)을 통하여 구할 수 있다.
ESS의 설치와 유지에 필요한 비용으로 인하여, ESS 설치 없이 역사부하 차단을 통하여 전력요금을 절감하는 방법들이 제안되고 있다. 첨두전력이 순간적으로 발생하여 전력 비용이 상승하는 것을 막기 위해 제어 가능한 부하를 선정하고 시뮬레이션을 통하여 제어 효과를 분석하였다[2]. 또한 첨두전력 제어를 위하여 도시철도 변전소의 계절, 시간대에 따른 용도별 부하의 특성을 분석하였으며[3], 도시철도 역사부하에서 차단이 가능한 부하와 불가능한 부하를 측정하여, 부하차단량을 최소로 하면서 수요자원시장과 연계하여 전력요금을 낮출 수 있는 방법을 제안하였다[4].

대상 데이터

상가부하는 일반 전력부하와 비슷한 패턴을 보였으며, 통신기계실과 전파기지국에서 사용하는 부하는 변동이 크지 않고 거의 일정한 값을 나타냈다. 본 논문에서는 용량이 큰 부하들 중에서 하루 중 변동량이 작지 않은 조명, 공조, 상가 부하를 대상으로 분석하였다.
이러한 이유로 인해 조명, 공조, 상가 각각의 부하량을 추산하기 위한 다항회귀분석을 할 때, 어떤 독립변수들을 가지고 몇 차의 다항회귀분석을 해야 하는지 분석하였다. 이를 위하여 부하 데이터의 70%를 학습데이터로 하여 모델을 구성하고, 구성한 모델을 나머지 30%의 데이터로 평가하였다. 각 종류별 부하에 대하여 독립변수는 그림 9에서 구한 값들을 기준으로 상관관계가 높은 변수들부터 차례대로 정해진 개수만큼 적용하며 모델을 비교하였다.

데이터처리

기계학습 모델 학습을 위해 우선 탐색적 데이터 분석(EDA, Exploratory Data Analysis)을 수행하였다. 이를 위하여 데이터의 여러 가지 특성들 간 상관관계를 시각적으로 확인하였다.
앞 장에서 분석한 결과에 따라서 본 논문에서는 역사부하 중 조명, 공조, 상가 부하에 대해서 분석을 하였다. 용도별 부하의 추정을 위하여 기계학습 모델을 적용하였는데, 추정하고자 하는 데이터가 연속형 수치데이터이므로 그런 데이터에 적합한 회귀분석으로 접근하였다.

이론/모형

본 논문에서는 독립변수와 목표변수인 용도별 부하량 데이터 간에 다항회귀분석을 적용하기 위해 파이썬(Python) 프로그래밍 언어의 사이킷런(scikit-learn) 라이브러리를 사용하였다[14].
전력요금을 절감하는 방법으로 ESS와 연계하는 방법들도 연구되었는데, 도시철도 전력부하의 첨두 발생 시점이 전력가격의 첨두 시간대와 다르다는 특성을 이용하여 도시철도 변전소에 ESS를 설치하여 전기요금을 낮추는 방법이 제안되었다[5]. 전력요금 절감을 위해서는 ESS의 경제성 분석이 필요한데, ESS를 첨두부하 및 전력사용량 감소에 활용할 때의 경제성을 현재가치법(net present value, NPV)을 사용하여 분석하였다[6]. 그리고 수요자원시장에 도시철도 전력부하가 참여하였을 때 ESS를 이용하여 확보 가능한 용량과 경제성을 연구하였다[7].
선형회귀는 훈련 데이터의 샘플 관측값들에 대하여 최적-피팅 곡선을 찾는 것이라 할 수 있다. 최적-피팅 곡선은 샘플 관측값들과의 수직 거리의 제곱합을 최소화하는 순위형 최소제곱(Ordinary Least Square, OLS) 방법을 사용하였다.

성능/효과

그림 4는 용도별 부하들 중 사용량이 큰 주요 부하들의 전력 사용량이 하루 동안 어떻게 변하는지 보여주고 있다. 가장 용량이 큰 조명부하는 운영시간 동안에는 변화가 거의 없었으며, 이에 비해 공조부하는 시간대별로 변화가 큰 것을 확인할 수 있다. 상가부하는 일반 전력부하와 비슷한 패턴을 보였으며, 통신기계실과 전파기지국에서 사용하는 부하는 변동이 크지 않고 거의 일정한 값을 나타냈다.
역사부하 중에서 큰 비중을 차지하는 용도별 전력부하에는 조명, 공조, 통신, 상가 부하 등이 있었다. 각 용도별 부하들은 다양한 특성을 나타내었는데, 조명 부하는 운영시간 동안에는 큰 변화가 없었으며 공조 부하는 상대적으로 시간대별 변화량이 컸다. 통신 부하는 하루 중 변화량이 거의 없었고, 상가 부하는 일반적인 전력부하와 비슷한 일변화를 나타내었다.
결과를 보면 부하종류에 상관없이 전력사용량과 큰 상관관계를 나타내었다. 하지만 조명과 상가 부하량은 하루 중 시간대와 큰 상관관계를 나타낸데 반해, 공조 부하량은 전력변동량과 큰 상관관계를 나타내었다.
부하의 종류에 따라 각 독립변수와 부하 사이의 상관계수가 다른 값을 보였는데, 예를 들어 미세먼지 농도는 조명, 상가 부하에 비해 공조부하와 상관계수가 상대적으로 높았다. 부하 종류별로 높은 결정계수를 갖는 회귀모델 구성 조건을 구한 결과, 9개 정도의 독립변수에 대하여 3차 다항식으로 회귀모델을 설정했을 때 결정계수가 가장 큰 값을 가졌다. 본 논문에서 살펴본 기법 외에도, 부하의 용도별로 그 사용량을 더 정확하게 추정할 수 있는 기법을 찾는 연구와 적용 사례를 확장하여 추정 모델의 유용성을 검증하는 것이 필요할 것이다.
85 이상의 값을 나타내었다. 세 가지 부하 모두 모델에서 3차 정도의 다항함수로 모델링했을 때 높은 결정계수를 나타내었으며, 변수는 상관계수가 높은 변수부터 순서대로 9개 내지 10개의 변수를 사용하였을 때 높은 결정계수를 나타내었다. 참고로 조명부하의 경우, 3차로 모델링했을 때 9개의 독립변수를 적용하면 0.
세 가지 종류의 부하에 대하여 모델 조건에 따른 결정계수의 경향은 다르게 나타났지만, 결정계수의 최곳값은 0.85 이상의 값을 나타내었다. 세 가지 부하 모두 모델에서 3차 정도의 다항함수로 모델링했을 때 높은 결정계수를 나타내었으며, 변수는 상관계수가 높은 변수부터 순서대로 9개 내지 10개의 변수를 사용하였을 때 높은 결정계수를 나타내었다.

후속연구

부하 종류별로 높은 결정계수를 갖는 회귀모델 구성 조건을 구한 결과, 9개 정도의 독립변수에 대하여 3차 다항식으로 회귀모델을 설정했을 때 결정계수가 가장 큰 값을 가졌다. 본 논문에서 살펴본 기법 외에도, 부하의 용도별로 그 사용량을 더 정확하게 추정할 수 있는 기법을 찾는 연구와 적용 사례를 확장하여 추정 모델의 유용성을 검증하는 것이 필요할 것이다.
이러한 공공데이터들은 설비를 별도로 설치하지 않고 어렵지 않게 구할 수 있으면서도 전력사용량과 관계가 있을 것으로 판단하여 포함하였다. 추후 연구를 통하여 전력사용량에 영향을 미칠 수 있는 독립변수를 추가할 수 있을 것이다.

핵심어	질문	논문에서 추출한 답변
	역사부하에 부하차단을 시행하거나 에너지저장장치(Energy Storage System, ESS)를 연계하여 부하를 운영하는 방법이 제안되는 이유는 무엇인가?	도시철도에서 소비하는 전력부하는 크게 차량부하와 역사부하(고배용 부하)로 나눌 수 있다[1]. 첨두부하 저감 및 소비 전력량 감소를 위하여 도시철도에서 사용하는 전력부하를 제어 또는 조정을 하는 경우, 차량부하는 차량의 운행일정에 따라 결정되기 때문에 변경하는 것이 어렵다. 따라서 역사부하에 부하차단을 시행하거나 에너지저장장치(Energy Storage System, ESS)를 연계하여 부하를 운영하는 방법이 제안되고 있다.
	도시철도의 전기설비에는 무엇이 있나?	도시철도의 전기설비는 수변전설비, 송배전설비, 정거장전기설비, 전차선설비, 원방제어설비로 구분할 수 있다[12]. 수변전설비를 통하여 한국전력공사의 변전소에서 도시철도 변전소까지 연결되며, 송배전설비는 지하철 변전소들 사이를 연결하는 연락송전선로와 각 역사의 전기실을 연결하는 배전선로를 말한다.
	도시철도에서 소비하는 전력부하는 어떻게 분류될 수 있나?	에너지 소비의 효율성 향상이 중요해지면서, 많은 전력을 사용하고 있는 도시철도 전력부하의 중요성도 더 높아졌다. 도시철도에서 소비하는 전력부하는 크게 차량부하와 역사부하(고배용 부하)로 나눌 수 있다[1]. 첨두부하 저감 및 소비 전력량 감소를 위하여 도시철도에서 사용하는 전력부하를 제어 또는 조정을 하는 경우, 차량부하는 차량의 운행일정에 따라 결정되기 때문에 변경하는 것이 어렵다.

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

빅데이터분석을 통한 도시철도 역사부하 패턴 분석
Analysis of Electrical Loads in the Urban Railway Station by Big Data Analysis 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

빅데이터분석을 통한 도시철도 역사부하 패턴 분석 Analysis of Electrical Loads in the Urban Railway Station by Big Data Analysis 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

박종영 (11)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

빅데이터분석을 통한 도시철도 역사부하 패턴 분석
Analysis of Electrical Loads in the Urban Railway Station by Big Data Analysis 원문보기

AI 본문요약
AI-Helper