KR102388741B1 - 배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치 - Google Patents

배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치 Download PDF

Info

Publication number
KR102388741B1
KR102388741B1 KR1020200050983A KR20200050983A KR102388741B1 KR 102388741 B1 KR102388741 B1 KR 102388741B1 KR 1020200050983 A KR1020200050983 A KR 1020200050983A KR 20200050983 A KR20200050983 A KR 20200050983A KR 102388741 B1 KR102388741 B1 KR 102388741B1
Authority
KR
South Korea
Prior art keywords
distribution system
pattern
power
bus
customer
Prior art date
Application number
KR1020200050983A
Other languages
English (en)
Other versions
KR20210132502A (ko
Inventor
김윤수
홍광표
Original Assignee
광주과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020200050983A priority Critical patent/KR102388741B1/ko
Priority to PCT/KR2021/005282 priority patent/WO2021221420A1/ko
Publication of KR20210132502A publication Critical patent/KR20210132502A/ko
Application granted granted Critical
Publication of KR102388741B1 publication Critical patent/KR102388741B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2516—Modular arrangements for computer based systems; using personal computers (PC's), e.g. "virtual instruments"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

본 개시는 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법 및 장치에 관한 것이다. 일 실시 예에 의하면, 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법은 상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계; 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계; 및 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는 단계; 를 포함할 수 있다.

Description

배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치 {METHOD AND APPARATUS FOR ESTIMATING THE POWER STATUS OF BUS IN WHICH DATA IS NOT MEASURED IN THE POWER DISTRIBUTION SYSTEM}
본 개시는 배전계통 내 모선의 전력 상태를 추정하는 방법 및 장치에 관한 것이다. 보다 상세하게는, 계측 데이터가 측정되지 않는 모선의 전력 상태를 나타내는 데이터를 추정하는 방법 및 장치에 관한 것이다.
배전계통(Electric Power Distribution System)은 배전용 변전소에서 전기수용설비까지 분산 및 배분되는 전선로 및 관련 설비를 의미한다. 배전계통은 배전용 변전소 주 변압기에서 출력되는 고압 배전 선로에서 수용가측에 위치한 주상변압기에 이르는 고압배전계통과, 주상변압기 2차측에서 수용가까지의 저압배전계통으로 구분될 수 있다.
일반적으로 고압 배전 계통의 경우, 네트워크 및 전압 측정 센서를 포함하는 계측 장비들이 설치되어, 지속적으로 고압 배전 계통 내 전력 상태가 모니터링되고 있다. 그러나, 저압 배전 계통의 경우, 데이터 계측 지점이 많은 점 및 데이터 계측 지점의 수가 많음으로 인한 계측 장비 설치 비용의 증가 문제로, 데이터 계측이 잘되지 않는 문제점이 있다.
또한, 최근 소규모 신 재생에너지를 생산하는 에너지 생산자들이 증가추세에 있으며, 소규모의 신 재생에너지 생산자 및 에너지공급 사업자 사이에 상계거래 역시 활발하게 진행되고 있다.
그러나, 상술한 저압 배전 계통에 대한 모니터링이 잘 이루어지지 않기 때문에, 변압기 용량 대비 상계 거래 용량이 과다해지거나, 수용가의 부하가 낮음에도 재생 에너지의 발전량 과다로 인하여 전압이 상승하고, 상승된 전압으로 인한 인버터 차단이 지속적으로 발생하는 문제들이 발생하고 있다.
따라서, 배전 계통 내에서 전력 상태가 계측되지 않는 미계측 상태의 모선의 전력 상태를 추정하기 위한 기술 개발이 요구되고 있다.
한국등록특허 제1997439호
일 실시 예에 따르면, 미리 학습되는 학습 모델을 이용하여, 배전계통 내 모선의 전력 상태를 추정하는 방법 및 장치가 제공될 수 있다.
또한, 일 실시 예에 의하면, 조류계산을 통하여 학습 데이터를 생성하고, 생성된 학습 데이터에 기초하여, 배전 계통 내 모선의 전력 상태를 추정하기 위한 학습 모델을 학습시키는 방법 및 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법은, 상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계; 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계; 및 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는 단계; 를 포함할 수 있다.
일 실시 예에 의하면, 상기 방법은 상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는 단계; 를 더 포함할 수 있다.
또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 하나의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하고, 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하고, 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는, 장치가 제공될 수 있다.
일 실시 예에 의하면, 상기 프로세서는 상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정할 수 있다.
또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계; 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계; 및 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력되는 학습 모델을 학습시키는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
도 1은 일반적인 배전계통에 있어, 모니터링 범위의 증가에 따른 데이터 계측 지점이 증가하는 문제 및 배전계통 내 동일 지점에서 측정된 전압 센서의 오차를 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.
도 3은 일 실시 예에 따른, 배전 계통 내 변전소가 연결되는 모선으로부터 계측되는 대표 부하 패턴(Representative Load Pattern)을 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 나타내는 흐름도이다.
도 5는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 조류 계산을 통하여, 학습 모델을 학습시키기 위한 학습 데이터를 생성하는 방법을 나타내는 흐름도이다.
도 7은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 조류 계산을 통하여 학습 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 조류 계산을 수행하는 과정을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 학습 데이터에 기초하여 학습 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 10은 또 다른 실시 예에 따라, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.
도 11은 일 실시 예에 따라 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 타겟 모선의 전력 상태를 추정하는 방법을 설명하기 위한 도면이다.
도 12는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.
도 13은 또 다른 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.
도 14는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치와 연결되는 서버의 블록도이다.
도 15는 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 16은 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 17은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 18은 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 19는 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 20은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일반적인 배전계통에 있어, 모니터링 범위의 증가에 따른 데이터 계측 지점이 증가하는 문제 및 배전계통 내 동일 지점에서 측정된 전압 센서의 오차를 설명하기 위한 도면이다.
도 1을 참조하면, 모니터링 범위(102)가 1차 변전소(Primary substations)에서 최종 사용자의 계측 설비(End-customer meters)까지 확대됨에 따라, 전력 상태를 나타내는 데이터를 측정하기 위한 지점 수(104)가 급격하게 증가하는 것을 알 수 있다. 따라서, 계측 장비들이 설치됨으로써, 지속적으로 전력 상태가 계측되는 고압 배전 계통과 달리, 저압 배전 계통의 경우, 데이터 계측 장비의 설치가 용이하지 않고, 모니터링을 위해 많은 비용이 소모되는 문제점이 있다.
더불어, 도 1의 하부 표를 참조하면, 배전계통(Electric Power Distribution System)내 소정의 지점에 설치된 계측 장비(예컨대 전압 센서)로부터 전압 값을 측정하더라도, 다양한 전압 값(106)이 서로 다른 빈도수(108)로 측정되는 것을 알 수 있다. 따라서, 저압 배전 계통의 경우, 데이터 측정을 위한 계측 장비의 설치의 어려움, 계측 장비로부터 측정되는 데이터 값의 오차 등으로 인하여 정확하게 배전 계통 내 전력 관리가 어려운 한계가 있다.
그러나, 본 개시에 따른 배전계통 내 미계측 상태에 잇는 모선의 전력 상태를 추정하는 방법에 따르면, 조류 계산을 통하여 생성되는 학습 데이터에 기초하여, 학습 모델을 학습시킴으로써, 배전계통 내 미계측 모선의 전력 상태에 관한 데이터를 정확하게 추정할 수 있다. 후술하는 도 2를 참조하여, 모선의 전력 상태를 추정하는 장치가 수행하는 배전계통 내 미계측 상태에 있는 모선의 전력 상태를 식별하는 방법을 구체적으로 설명하기로 한다.
도 2는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.
S220에서, 모선의 전력 상태를 추정하는 장치(1000)는, 배전 계통 내 변전소(또는 변압기)가 연결되는 모선으로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 배전 계통 내 각 모선에 연결되는 고객 부하들(Customer Load)의 전력 패턴을 생성할 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치(1000)는 배전 계통 내, 미리 설치된 계측 설비들을 이용하여, 변전소에서 측정 가능한, 부하 데이터 전체를 대표하는 대표 부하 패턴(Representative Load Pattern, RLP)을 획득할 수 있다.
일 실시 예에 의하면, 대표 부하 패턴은 변전소를 노드로 할 때, 상기 노드에 연결되는 모든 부하들의 등가(equivalent) 부하에 대응될 수 있다. 또한, 일 실시 예에 의하면, 대표 부하 패턴은, 변전소와 연결되는 모든 부하들에서 시간의 흐름에 따라 소비되는 전력(power) 패턴으로 나타날 수 있다.
본 개시의 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치는 변전소로부터 측정된 대표 부하 패턴(RLP)을 변형함으로써, 고객 부하들의 전력 패턴을 생성할 수 있다. 모선의 전력 상태를 추정하는 장치가 대표 부하 패턴(RLP)를 이용하여 고객 부하 별로 전력 패턴을 생성하는 방법은 후술하는 도 4 내지 도 5를 참조하여 구체적으로 설명하기로 한다.
S240에서, 모선의 전력 상태를 추정하는 장치는 고객 부하들의 전력 패턴 및 배전 계통에 대한 배전 선로 정보에 기초하여, 조류(Power flow) 계산을 수행함으로써, 배전 계통 내 모든 모선에 대한 전력 상태에 관한 학습 데이터를 생성할 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치는 배전 계통 내 모든 모선의 일부 정보(예컨대 유효 전력 및 무효 전력 또는 유효 전력 및 전압 크기)를 이용하여 배전 계통 전체의 모선의 전력 상태(예컨대 유효 전력, 무효전력, 전압 크기 및 전압 위상각)에 관한 정보를 결정할 수 있다.
일 실시 예에 의하면, 모선의 전력 상태에 관한 전력 상태 정보는, 해당 모선에서의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를 포함할 수 있다. 본 개시에 따른 모선의 전력 상태를 추정하는 장치는, 배전계통 전체의 모선에 대한 유효 전력, 무효 전력, 전압 크기, 및 전압 위상각에 대한 정보를 이용하여, 학습 데이터를 생성할 수 있다. 모선의 전력 상태를 추정하는 장치가 학습 데이터를 생성하는 방법은 후술하는 도 6 내지 8을 참조하여 더 구체적으로 설명하기로 한다.
S260에서, 모선의 전력 상태를 추정하는 장치는 학습 데이터에 기초하여, 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보가 출력되도록, 학습 모델을 학습시킬 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치는, S240에서 생성된 학습 데이터에 대하여, 지도 학습(Supervised learning) 을 수행함으로써 학습 모델을 학습시킬 수 있다.
본 개시의 일 실시 예에 따르면, 모선의 전력 상태를 추정하는 장치가 학습 시키는 학습 모델은 피드 포워드 신경망(Feedforward neural network) 모델, 서포트 벡터 머신(Support vector machine) 모델, 선형 회귀(Linear regression) 모델 중 하나일 수 있다. 그러나, 이에 한정되는 것은 아니며, 기타 인공지능 학습 알고리즘에 따라 학습될 수 있는 기타 인공 지능(Artificial intelligence) 모델을 포함할 수 있다.
예를 들어, 인공 지능 모델의 일 실시 예로써, 인공 신경망은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values, weights)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 신경망의 학습 결과에 의해 최적화될 수 있다.
예를 들어, 학습 과정 동안 신경망 모델에서 획득한 손실(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 수정 및 갱신될 수 있다. 본 개시에 따른 신경망 모델은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 역시 이에 한정되는 것은 아니다.
모선의 전력 상태를 추정하는 장치가 학습 데이터에 기초하여 학습 모델을 학습 시키는 과정은 후술하는 도 9 내지 10을 참조하여 더 구체적으로 설명하기로 한다.
도 3은 일 실시 예에 따른, 배전 계통 내 변전소가 연결되는 모선으로부터 계측되는 대표 부하 패턴(Representative Load Pattern)을 설명하기 위한 도면이다.
본 개시에 따른 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 변전소 또는 변전소가 연결되는 모선을 통하여 대표 부하 패턴(310)을 식별할 수 있다. 예를 들어, 도 3을 참조하면, 모선의 전력 상태를 추정하는 장치가 식별하는 대표 부하 패턴은, 시간(302)의 흐름에 따라, 변전소에 연결되는 모든 부하들의 등가(equivalent) 부하의 변동 패턴에 대응될 수 있다. 일 실시 예에 의하면, 대표 부하 패턴(310)은 등가 부하에서 시간의 흐름에 따라 소모될 수 있는 전력(Power, 304)으로 나타날 수 있다.
도 4는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 나타내는 흐름도이다.
도 5는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 설명하기 위한 도면이다.
이하에서는, 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 고객 부하들의 각 개별 전력 패턴을 생성하는 방법을 도 5를 참조하여 구체적으로 설명하기로 한다.
S420에서, 모선의 전력 상태를 추정하는 장치는 미리 설정된 불확실성(Uncertainty) 파라미터에 기초하여 대표 부하 패턴을 포함하는 패턴 범위를 결정할 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치는 변전소로부터 대표 부하 패턴(502)를 측정할 수 있다. 모선의 전력 상태를 추정하는 장치는 측정된 대표 부하 패턴에 불확실성(504)를 반영하기 위해, 불확실성 파라미터를 적용함으로써, 대표 부하 패턴을 포함하는 패턴 범위(506, 508)를 설정할 수 있다.
일 실시 예에 의하면 패턴 범위들은 대표 부하 패턴 내 패턴 값보다 큰 패턴 값을 포함하는 제1 패턴 범위(506) 및 대표 부하 패턴 내 패턴 값 보다 작은 패턴 값을 포함하는 제2 패턴 범위(508)를 포함할 수 있다. 일 실시 예에 의하면 제1 패턴 범위(506) 및 제2 패턴 범위(508)가 대표 부하 패턴으로부터 이격 되는 거리는 불확실성 파라미터에 기초하여 결정될 수 있다. 예를 들어, 불확실성이 커지도록 불확실성 파라미터가 결정되는 경우, 제1 패턴 범위(506) 및 제2 패턴 범위(508)는 대표 부하 패턴으로부터 소정의 거리만큼 더 이격될 수 있다.
S440에서, 모선의 전력 상태를 추정하는 장치는, 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 대표 부하 패턴(502)을 변형할 수 있다. 또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, S420에서 결정된 패턴 범위 내에서 시간 대 별 및 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 대표 부하 패턴(502)을 변형할 수도 있다.
예를 들어, 모선의 전력 상태를 추정하는 장치는, 랜덤 변수(random variable)을 생성하고, 생성된 랜덤 변수들 각각을 고객 부하(customer load) 별 및 시간 대 별로 서로 다르게 할당할 수 있다. 모선의 전력 상태를 추정하는 장치는, 고객 부하 별 및 시간 대 별로 서로 다르게 할당되는 랜덤 변수를 대표 부하 패턴에 적용함으로써, 제1 변형 부하 패턴(510), 제2 변형 부하 패턴(512) 및 제n변형 부하 패턴(514)을 생성할 수 있다.
S460에서, 모선의 전력 상태를 추정하는 장치는, 상기 변형된 대표 부하 패턴(예컨대, 제1 변형 부하 패턴, 제2 변형 부하 패턴 등)을 고객 부하 별로 계측되는 전기 요금(522, 524, 526, 528)에 기초하여 스케일링함으로써 고객 부하들 별로 전력 패턴(532, 534, 536, 538)을 생성할 수 있다. 보다 상세하게는, 모선의 전력 상태를 추정하는 장치는 고객 부하들 별로 전기 요금에 대한 정보를 획득할 수 있다. 일 실시 예에 의하면, 고객 부하들 별 전기 요금은 월별로 측정될 수 있다.
모선의 전력 상태를 추정하는 장치는, 상기 측정된 고객 부하 별 월별 전기 요금에 기초하여, 상기 고객 부하 별 일별 전기 요금을 결정할 수 있다. 모선의 전력 상태를 추정하는 장치는, 결정된 고객 부하 별 일별 전기 요금에 기초하여, 고객 부하 별 전력 패턴의 절대적 크기를 산정할 수 있다. 모선의 전력 상태를 추정하는 장치는 고객 부하 별 전력 패턴의 절대적 크기에 기초하여, 상기 고객 부하 별로 다르게 변형된 대표 부하 패턴을 스케일링함으로써, 고객 부하 별 전력 패턴(532, 534, 536, 538)을 생성할 수 있다. 상술한 방식에 따라 배전 계통 내 모선의 전력 상태를 추정하는 장치는, 고객 부하들이 연결되는, 배전 계통 내 모든 모선에 대하여 일별 시간의 흐름에 따라, 전력 패턴을 생성할 수 있다.
일 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는 기 설정된 불확실성 파라미터에 따라 결정되는 패턴 범위 내에서, 고객 부하 별 및 시간 대별 서로 다른 랜덤 변수들을 대표 부하 패턴(502)에 적용함으로써, 고객 부하들 별로 서로 다른 전력 패턴들을 생성할 수 있다. 모선의 전력 상태를 추정하는 장치는 고객 부하들 별로 서로 다르게 생성된 전력 패턴들을 제1 전력 패턴 세트(542)로 생성할 수 있다.
또한, 일 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, 제1 전력 패턴 세트(542)를 생성하기 위해 이용된 랜덤 변수들과 다른 랜덤 변수들을 생성하고, 생성된 랜덤 변수들을 대표 부하 패턴(502)에 적용함으로써, 고객 부하들 별로 생성된 전력 패턴들을 이용하여 제2 전력 패턴 세트(544)를 생성할 수 있다. 상술한 바와 동일한 방식으로 모선의 전력 상태를 추정하는 장치는, 고객 부하들 별 및 시간 대별로 생성되는 전력 패턴들을 포함하는 제3 전력 패턴 세트 (546) 및 제N 전력 패턴 세트(548)를 생성할 수 있다.
본 개시에 따른 모선의 전력 상태를 추정하는 장치가 생성한 제1 전력 패턴 세트(542), 제2 전력 패턴 세트(544), 제3 전력 패턴 세트(546) 내지 제N 전력 패턴 세트(548)는, 각 전력 패턴 세트 내 각 고객 부하 별 전력 패턴들이 동일한 시간대에 같은 전력 패턴 값을 갖지 않도록 생성될 수 있다. 또한, 본 개시에 따른 모선의 전력 상태를 추정하는 장치가 생성한 고객 부하 별 전력 패턴들은 각 고객 부하 별 유효 전력 패턴 및 무효 전력 패턴을 포함할 수 있다.
도 6은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 조류 계산을 통하여, 학습 모델을 학습시키기 위한 학습 데이터를 생성하는 방법을 나타내는 흐름도이다.
도 7은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 조류 계산을 통하여 학습 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 6 내지 7을 참조하여 모선의 전력 상태를 추정하는 장치가, 조류 계산을 통하여 학습 데이터를 생성하는 과정을 구체적으로 설명하기로 한다. S620에서, 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보에 기초하여, 배전 계통 내 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴 및 무효 전력 패턴에 대해 조류 계산을 수행함으로써, 배전 계통 내 모든 모선의 전압 크기 및 전압의 위상각을 결정할 수 있다.
예를 들어, 도 4 내지 도 5에서 상술한 바와 같이, 모선의 전력 상태를 추정하는 장치는, 대표 부하 패턴을 변형함으로써, 배전 계통 내 모든 모선에 대하여, 고객 부하 별 및 시간 대별 서로 다른 전력 패턴들을 포함하는 N개의 전력 패턴 세트를 획득할 수 있다. 따라서, 모선의 전력 상태를 추정하는 장치는 N개의 전력 패턴 세트 내 N개의 유효 전력 패턴 및 무효 전력 패턴을 획득할 수 있다.
본 개시에 따른 모선의 전력 상태를 추정하는 장치는 배전 선로 정보(702)를 획득할 수 있다. 일 실시 예에 의하면, 배전 선로 정보(702)는 배전 계통 내 모선의 연결 관계 정보, 모선의 임피던스 정보, 모선의 길이 정보를 포함할 수 있다. 모선의 전력 상태를 추정하는 장치는 조류 계산부(710)를 이용하여 배전 선로 정보(702) 및 N개의 유효 전력 패턴 및 무효 전력 패턴을 포함하는 전력 패턴 세트에 대해 조류 계산을 수행함으로써, N개의 전압 크기 및 전압 위상각 세트(706)를 결정할 수 있다.
예를 들어, 모선의 전력 상태를 추정하는 장치는 배전 계통 내 모선의 유효 전력 패턴 및 무효 전력 패턴에 기초하여, 해당 모선의 전압 크기 및 전압 위상각을 결정할 수 있다. 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보가 나타내는 배전 계통 내 모선의 연결 관계 정보, 모선의 임피던스 정보, 모선의 길이 정보에 기초하여, 배전 계통 내 모든 모선에 대하여 생성된 N개의 전력 패턴 세트에 조류 계산을 수행함으로써, 배전 계통 내 모든 모선에 대한 N개의 전압 크기 및 전압 위상각 세트(706)를 획득할 수 있다.
보다 상세하게는, 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보(702)에 기초하여, 제1 전력 패턴 세트(542)에 조류 계산을 수행함으로써, 제1 전압 크기 세트 및 제1 전압 위상각 세트를 결정하고, 상기 제1 전력 패턴 세트(542), 상기 제1 전압 크기 세트 및 제1 전압 위상각 세트를 포함하는, 제1 학습 데이터(722)를 생성할 수 있다. 마찬가지로, 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보(702)에 기초하여, 제2 전력 패턴 세트(544), 제3 전력 패턴 세트(546), 제N 전력 패턴 세트(548)각각에 조류 계산을 수행함으로써, 제2 학습 데이터(724), 제3 학습 데이터(726) 및 제N 학습 데이터(728)를 각각 생성할 수 있다. 본 개시에 따른 모선의 전력 상태를 추정하는 장치가 생성한 학습 데이터는, 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라 생성될 수 있다.
도 8은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 조류 계산을 수행하는 과정을 설명하기 위한 도면이다.
도 8을 참조하면, 1번 모선(812)에서 33번 모선(814)까지 차례대로 넘버링된 33개의 모선을 포함하는 배전 계통이 도시된다. 모선의 전력 상태를 추정하는 장치는 모든 모선의 일부 정보(예컨대 무효 전력 및 유효 전력 또는 유효 전력 및 전압 크기)를 이용하여 조류 계산을 수행함으로써, 배전 계통 내 전체 모선의 전력 상태를 나타내는 전력 상태 정보를 결정할 수 있다.
일 실시 예에 의하면, 모선의 전력 상태를 나타내는 전력 상태 정보는, 유효 전력(822, 826), 무효 전력(824, 828), 전압의 크기(832) 및 전압의 위상각(834)에 대한 정보를 포함할 수 있다. 또한, 일 실시 예에 의하면 유효 전력은 발전기 모선의 유효 전력(822) 및 부하 모선의 유효 전력(826)을 포함할 수 있고, 무효 전력은 발전기 모선의 무효 전력(824) 및 부하 모선의 무효 전력(828)을 포함할 수 있다.
도 9는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 학습 데이터에 기초하여 학습 모델을 학습시키는 과정을 설명하기 위한 도면이다.
모선의 전력 상태를 추정하는 장치는, 배전 계통 내 모든 모선에 대하여 생성된 학습 데이터에 대해 지도 학습(Supervised Learning)을 수행함으로써, 학습 모델(960)을 학습시킬 수 있다. 일 실시 예에 의하면, 학습 모델(960)은 인공 지능 학습 알고리즘에 따라 학습되는 인공지능 모델일 수 있다. 예를 들어, 학습 모델(960)은 피드 포워드 신경망(Feedforward neural network) 모델(952), 서포트 벡터 머신(Support vector machine) 모델(954), 선형 회귀(Linear regression) 모델(956) 중 하나일 수 있다.
예를 들어, 모선의 전력 상태를 추정하는 장치는 도 6 내지 8에서 상술한 방법에 따라 생성된 학습 데이터 중, 배전 계통 내 일 계측 지점의 유효 전력 패턴, 무효 전력 패턴 또는 상기 일 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나와, 상기 배전 계통 내 선택되는 타 계측 지점의 유효 전력 패턴 및 무효 전력 패턴 또는 상기 타 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나가 학습 모델에 입력 시, 배전 계통 내 일 계측 지점 및 타 계측 지점을 제외한, 모든 모선의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각이 출력되도록 학습 모델을 학습시킬 수 있다.
또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, 학습 데이터 중, 배전 계통 내 변전소의 유효 전력 패턴 및 무효 전력 패턴(942), 상기 변전소의 전압 크기 및 전압 위상각(944), 배전 계통 내 선택된 말단 모선의 유효 전력 패턴 및 무효 전력 패턴(946) 및 상기 말단 모선의 전압 크기 및 전압 위상각(948)이 학습 모델(960)에 입력되면, 상기 학습 모델(960)로부터, 배전 계통 내 선택된 말단 모선을 제외한 모든 모선의 유효 전력 및 무효 전력(962), 전압 크기 및 각도(964)가 출력되도록 학습 모델(960)을 학습시킬 수 있다.
또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는 상기 학습 데이터 중, 상기 배전 계통 내 변전소의 유효 전력 패턴 및 무효 전력 패턴(942)과, 상기 배전 계통 내 선택되는 말단 모선의 전압 크기 및 상기 전압의 위상각(948)이 상기 학습 모델에 입력되면, 상기 변전소가 및 상기 선택된 모선을 제외한 상기 배전 계통 내 모든 모선의 유효 전력 및 무효 전력(962), 전압 크기 및 전압 위상각(964)이 출력되도록, 상기 학습 모델을 학습 시킬 수 있다.
또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는 학습 모델(960)에 시간 정보(949)를 더 입력할 수 있고, 시간의 흐름에 따른 학습 데이터에 지도 학습을 수행함으로써, 시간의 흐름에 따라 나타나는, 선택 말단 모선을 제외한 배전 계통 내 모든 모선에 대한 전력 상태 정보를 추정할 수 있다.
도 10은 또 다른 실시 예에 따라, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.
S910 내지 S930은 도 2의 S220 내지 S260에 각각 대응될 수 있으므로 구체적인 설명은 생략하기로 한다. S940에서, 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 S930에서 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 미 계측 상태에 있는 모선의 전력 상태 정보를 출력할 수 있다.
예를 들어, 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 계측 설비가 설치된, 변전소(또는 변압기) 및 일부 말단 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각을 획득할 수 있다. 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 계측 상태에 있는, 변전소(또는 변압기) 및 일부 말단 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를 학습 모델에 입력하고, 학습 모델로부터 출력되는, 선택 모선(계측 설비가 설치되어 전력 상태가 측정되고 있는 모선)을 제외한 배전 계통 내 모든 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각을 이용하여, 미계측 상태에 있는 모선의 전력 상태를 결정할 수 있다.
일 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, 상술한 바와 같이, 배전 계통 내 변전소 및 일부 말단 모선의 전력 상태 정보가 아닌, 배전 계통 내 계측 상태에 있는 적어도 2개의 계측 지점의 전력 상태 정보를 이용하여, 미계측 상태에 있는 배전 계통 내 모든 모선의 전력 상태 정보를 결정할 수도 있음은 물론이다.
도 11은 일 실시 예에 따라 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 타겟 모선의 전력 상태를 추정하는 방법을 설명하기 위한 도면이다.
일 실시 예에 의하면 모선의 전력 상태를 추정하는 장치는, 계측 상태에 있는 입력 모선(902, 904, 906)과, 미계측 상태에 있는 타겟 모선(908)을 결정할 수 있다.
일 실시 예에 의하면 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 입력 모선(902, 904, 906)의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를, 미리 학습된 모델에 입력하고, 학습 모델로부터 출력되는 타겟 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를 이용하여, 타겟 모선의 전력 상태를 결정할 수 있다.
도 12는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.
도 13은 또 다른 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.
도 12에 도시된 바와 같이, 모선의 전력 상태를 추정하는 장치(1000)는 프로세서(1300) 및 메모리(1700)를 포함할 수 있다. 그러나, 도시된 구성 요소 모두가 필수 구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 모선의 전력 상태를 추정하는 장치(1000)가 구현될 수도 있고, 그 보다 적은 구성 요소에 의해서도 모선의 전력 상태를 추정하는 장치(1000)가 구현될 수도 있다.
예를 들어, 도 13에 도시된 바와 같이, 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치(1000)는 프로세서(1300) 및 메모리(1700)외에, 사용자 입력 인터페이스(1100), 출력부(1200), 조류 계산부(1400) 및 네트워크 인터페이스(1500)를 더 포함할 수도 있다.
사용자 입력 인터페이스(1100)는, 사용자가 모선의 전력 상태를 추정하는 장치(1000)를 제어하기 위한 시퀀스를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 사용자 입력 인터페이스(1100)는 모선의 전력 상태를 추정하는 장치(1000)가 디스플레이 상에 출력한 화면에 대한 사용자의 입력 시퀀스를 수신할 수 있다. 또한, 사용자 입력 인터페이스(1100)는 디스플레이를 터치하는 사용자의 터치 입력 또는 디스플레이상 그래픽 사용자 인터페이스를 통한 키 입력을 수신할 수도 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 모선의 전력 상태를 추정하는 장치(1000)에서 처리되는 정보를 표시 출력하기 위한 화면을 포함한다. 또한, 화면은 모선의 전력 상태를 추정하는 장치(1000)가 배전 계통 내 모선들의 상태를 표시하기 위한 이미지를 출력하는데 사용될 수 있다.
음향 출력부(1220)는 네트워크 인터페이스 (1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 모선의 전력 상태를 추정하는 장치(1000)에서 수행되는 기능과 관련된 음향 신호를 출력한다. 예를 들어, 음향 출력부(1200)는 모선의 상태를 추정하는 장치(1000)가 관리하는 배전 계통 내에서 상계거래 용량 과다 또는 발전량 과다로 인한 전압 상승이 발생하는 경우 경고음을 출력할 수도 있다.
프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 통상적으로 모선의 전력 상태를 추정하는 장치(1000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 사용자 입력 인터페이스(1100), 출력부(1200), 조류 계산부(1400), 네트워크 인터페이스(1500)의 동작을 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 인스트럭션들을 실행함으로써, 도 1 내지 11에 기재된 모선의 전력 상태를 추정하는 장치(1000)의 기능을 수행할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하고, 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하며, 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시킬 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정할 수 있다.
일 실시 예에 의하면, 기 설정된 불확실성 파라미터에 기초하여, 상기 대표 부하 패턴을 포함하는 패턴 범위를 결정하고, 상기 결정된 패턴 범위 내에서, 시간 대 별 및 상기 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 상기 대표 부하 패턴을 변형하며, 상기 변형된 대표 부하 패턴을 상기 고객 부하 별로 계측되는 전기 요금에 기초하여 스케일링함으로써, 상기 고객 부하들 별로 전력 패턴을 생성할 수 있다.
일 실시 예에 의하면, 상기 프로세서(1300)는 상기 고객 부하 별 월별 전기 요금을 측정하고, 상기 측정된 고객 부하 별 월별 전기 요금에 기초하여 상기 고객 부하 별 일별 전기 요금을 결정하며, 상기 결정된 고객 부하 별 일별 전기 요금에 기초하여 상기 고객 부하 별 전력 패턴의 절대적 크기를 산정하고, 상기 산정된 고객 부하 별 전력 패턴의 절대적 크기에 기초하여 상기 변형된 대표 부하 패턴을 스케일링할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대하여 일별 시간의 흐름에 따라 상기 고객 부하들의 전력 패턴을 생성할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴 및 상기 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전압 크기 및 상기 전압의 위상각을 결정하고, 상기 결정된 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각에 의해 결정되는 전력 상태에 관한 정보를 상기 학습 데이터로써 생성할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라, 상기 학습 데이터를 생성할 수 있다.
조류 계산부(1400)는 배전선로 정보에 기초하여, 배전 계통 내 모든 모선에 대하여 시간의 흐름에 따라 생성된 고객 부하들의 전력 패턴에 조류 계산을 수행할 수 있다. 예를 들어, 조류 계산부(1400)는 모선의 기지값인 유효 전력 및 모선 전압의 크기에 대해 조류 계산을 수행함으로써, 해당 모선의 미지값인 무효 전력 및 모선 전압의 위상각을 계산할 수 있다. 또한, 일 실시 예에 의하면, 조류 계산부(1400)는 기지값인 모선의 유효 전력 및 무효 전력에 대해 조류 계산을 수행함으로써 미지값인 모선 전압의 크기 및 모선 전압의 위상각을 결정할 수도 있다.
또 다른 실시 예에 의하면, 조류 계산부(1400)는 기지값인 배전 계통 내 모선의 전압의 크기 및 전압의 위상각에 대해 조류 계산을 수행함으로써, 미지값인 해당 모선의 유효 전력 및 무효 전력을 결정할 수도 있다. 조류 계산부(1400)는 배전 계통 내 모든 모선에 대하여 상술한 조류 계산을 수행함으로써, 각 모선의 유효 전력, 무효 전력, 전압 크기 및 전압의 위상각을 결정할 수 있다.
일 실시 예에 의하면, 조류 계산부(1400)가 수행하는 기능들은, 컴퓨터에서 조류 계산을 수행하기 위한 하나 이상의 인스트럭션으로 메모리(1700)에 저장될 수 있다. 프로세서(1300)는 메모리에 저장된 조류 계산과 관련된 하나 이상의 인스트럭션을 실행함으로써, 배전 계통 내 모든 모선에 대하여 생성된 전력 패턴들에 조류 계산을 수행함으로써, 배전 계통 내 모든 모선에 대한 전압 크기 및 전압의 위상각을 결정할 수 있다.
네트워크 인터페이스(1500)는, 모선의 전력 상태를 추정하는 장치(1000)가 적어도 하나의 모선들이 연결된 배전 계통, 상기 배전 계통을 관리하는 다른 전자 장치(미도시) 및 서버(2000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 모선의 전력 상태를 추정하는 장치(1000)이거나, 배전 계통에 연결되어 배전 계통 내 전력 상태를 관리할 수 있는 컴퓨팅 장치일 수 있다.
예를 들어, 네트워크 인터페이스(1500)는, 무선 통신 인터페이스(1510), 유선 통신 인터페이스(1520) 및 이동 통신부(530)를 포함할 수 있다. 무선 통신 인터페이스(1510)는 근거리 통신부(short-range wireless communication unit), 블루투스 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 유선 통신 인터페이스(1520)는 서버(2000)또는 모선의 전력 상태를 추정하는 장치(1000)를 유선으로 연결 할 수 있다.
이동 통신부(1530)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 신호, 화상 통화 신호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 일 실시 예에 의하면, 네트워크 인터페이스(1500)는 프로세서의 제어에 의하여, 모선의 전력 상태를 추정하는 장치가 연결되는 배전 계통으로부터 각 모선의 전력 상태에 관한 정보, 대표 부하 패턴 값 또는 배전 선로 정보 중 적어도 하나를 수신할 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 모선의 전력 상태를 추정하는 장치(1000)로 입력되거나 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 모선의 전력 상태를 추정하는 장치(1000)가 배전 계통 내 모선을 관리하고, 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는데 필요한 다양한 인스트럭션(Instruction)을 저장할 수 있다.
또한, 메모리(1700)는 모선의 전력 상태를 추정하는 장치(1000)가 배전 선로 정보 및 대표 부하 패턴에 기초하여, 고객 별 무작위로 생성된 전력 패턴에 대한 정보를 저장할 수 있다. 또한, 메모리(1700)는 조류 계산을 위한 알고리즘에 대한 정보를 더 저장할 수 있다. 또한, 메모리(1700)는 배전 선로 정보에 기초하여, 고객 별 무작위로 생성된 전력 패턴에 대해 조류 계산을 수행함으로써, 생성되는 배전 계통 내 모든 모선에 대한 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 학습 데이터를 저장할 수도 있다.
일 실시 예에 의하면, 메모리(1700)는 학습 데이터에 지도 학습(Supervised learning)을 수행하기 위한 학습 알고리즘, 상기 학습 알고리즘에 기초하여 학습된 학습모델로써, 피드 포워드 신경망 모델, 서포트 벡터 머신 학습 모델, 선형 회귀 학습 모델에 대한 정보를 저장할 수도 있다. 또한, 일 실시 예에 의하면, 메모리(1700)는 학습 모델 내 레이어들 또는 레이어들의 연결 강도에 관한 가중치들(weights)이 수정(revise) 및 갱신(refine)되면, 수정 및 갱신된 가중치들에 대한 정보를 더 저장할 수도 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 모선의 전력 상태를 추정하는 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
알림 모듈(1730)은 모선의 전력 상태를 추정하는 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 모선의 전력 상태를 추정하는 장치(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.
도 14는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치와 연결되는 서버의 블록도이다.
서버(2000)는 네트워크 인터페이스(2100), 데이터 베이스(2200) 및 프로세서(2300)를 포함할 수 있다. 네트워크 인터페이스(2100)는 도 13에 도시된 모선의 전력 상태를 추정하는 장치(1000)의 네트워크 인터페이스(1500)에 대응될 수 있다. 예를 들어, 네트워크 인터페이스(2100)는 모선의 전력 상태를 추정하는 장치(1000)로부터 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터, 또는 모선의 전력 상태를 추정하는 장치(1000)가 학습 시킨 학습 모델에 대한 정보를 수신할 수 있다.
또한, 일 실시 예에 의하면, 네트워크 인터페이스(2100)는 모선의 전력 상태를 추정하는 장치(1000)로부터 수신된 학습 데이터에 기초하여, 서버(2000)가 학습시킨 학습 모델에 대한 정보를, 모선의 전력 상태를 추정하는 장치(1000)로 전송할 수도 있다.
데이터 베이스(2200)는 도 13에 도시된 모선의 전력 상태를 추정하는 장치(1000)의 메모리(1700)에 대응될 수 있다. 예를 들어, 데이터 베이스(2200)는 모선의 전력 상태를 추정하는 장치(1000)로부터 수신된 학습 데이터, 상기 학습 데이터에 기초하여 학습되는 학습 모델에 대한 정보(예컨대 신경망 모델 레이어들 및 상기 레이어들의 연결 강도에 관한 가중치 값들)들을 저장할 수도 있다.
프로세서(2300)는 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 서버(2000)의 DB(2200)에 저장된 프로그램들을 실행함으로써, DB(2200) 및 네트워크 인터페이스(2100) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(2300)는 DB(2100)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도13에서의 모선의 전력 상태를 추정하는 장치(1000)의 동작의 일부를 수행할 수 있다. 예를 들어, 프로세서(2300)는 모선의 전력 상태를 추정하는 장치(1000)로부터 수신된 학습 데이터에 기초하여, 피드 포워드 신경망 모델, 서포트 벡터 머신 모델, 또는 선형 회귀 모델을 학습 시키고, 학습된 학습 모델을 이용하여, 배전 계통 내 모든 모선에 대한 전력 상태를 추정할 수 있다.
도 15는 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 15를 참조하면, 불확실성이 20%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 피드 포워드 신경망 학습 모델을 학습 시킨 후, 상기 학습된 피드 포워드 신경망 학습 모델(FFNN)을 이용하여, 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2102) 및 전압 위상각(2104)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 피드 포워드 신경망 학습 모델은, 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2102) 및 전압 위상각(2104)을 추정할 수 있고, 추정된 전압 크기(2102)의 오차율은 0.05%내, 전압 위상각(2104)의 오차율은 약 0.8% 이하로 나타남을 관측할 수 있다.
도 16은 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 16을 참조하면, 불확실성이 20%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 선형회귀 학습 모델을 학습 시킨 후, 상기 학습된 선형회귀 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2112) 및 전압 위상각(2114)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 선형회귀(Linear regression) 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2112) 및 전압 위상각(2114)을 추정할 수 있고, 추정된 전압 크기(2112)의 오차율은 0.055%내, 전압 위상각(2104)의 오차율은 0.75% 이하로 나타남을 관측할 수 있다.
도 17은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 17을 참조하면, 불확실성이 20%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 서포트 벡터 머신 학습(SVM) 모델을 학습 시킨 후, 상기 학습된 서포트 벡터 머신 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2122) 및 전압 위상각(2124)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 서포트 벡터 머신 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2122) 및 전압 위상각(2124)을 추정할 수 있고, 추정된 전압 크기(2122)의 오차율은 0.13%내, 전압 위상각(2124)의 오차율은 1.3% 이하로 나타남을 관측할 수 있다.
도 18은 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 18을 참조하면, 불확실성이 50%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 피드 포워드 신경망 학습 모델을 학습 시킨 후, 상기 학습된 피드 포워드 신경망 학습 모델(FFNN)을 이용하여, 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2132) 및 전압 위상각(2134)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 피드 포워드 신경망 학습 모델은, 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2132) 및 전압 위상각(2134)을 추정할 수 있고, 추정된 전압 크기(2132)의 오차율은 0.55%내, 전압 위상각(2134)의 오차율은 약 2.6%% 이하로 나타남을 관측할 수 있다.
도 19는 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 19를 참조하면, 불확실성이 50%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 선형회귀 학습 모델을 학습 시킨 후, 상기 학습된 선형회귀 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2142) 및 전압 위상각(2144)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 선형회귀(Linear regression) 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2142) 및 전압 위상각(2144)을 추정할 수 있고, 추정된 전압 크기(2142)의 오차율은 약 0.145%내, 전압 위상각(2144)의 오차율은 2.5% 이하로 나타남을 관측할 수 있다.
도 20은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 20을 참조하면, 불확실성이 50%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 서포트 벡터 머신 학습(SVM) 모델을 학습 시킨 후, 상기 학습된 서포트 벡터 머신 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2152) 및 전압 위상각(2154)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 서포트 벡터 머신 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2152) 및 전압 위상각(2154)을 추정할 수 있고, 추정된 전압 크기(2152)의 오차율은 약 0.225%내, 전압 위상각(2154)의 오차율은 3.5% 이하로 나타남을 관측할 수 있다.
일 실시예에 따른 상술한 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (20)

  1. 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법에 있어서,
    상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계;
    상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계;
    상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는 단계; 및
    상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는 단계; 를 포함하고,
    상기 고객 부하들의 전력 패턴을 생성하는 단계는
    기 설정된 불확실성 파라미터에 기초하여, 상기 대표 부하 패턴을 포함하는 패턴 범위를 결정하는 단계;
    상기 결정된 패턴 범위 내에서, 시간 대 별 및 상기 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 상기 대표 부하 패턴을 변형하는 단계; 및
    상기 변형된 대표 부하 패턴을 상기 고객 부하 별로 계측되는 전기 요금에 기초하여 스케일링함으로써, 상기 고객 부하들 별로 전력 패턴을 생성하는 단계; 를 포함하며,
    상기 랜덤 변수 각각은 고객 부하 별 및 시간 대 별로 서로 다르게 할당되는, 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서, 상기 고객 부하들의 전력 패턴을 생성하는 단계는
    상기 고객 부하 별 월별 전기 요금을 측정하는 단계;
    상기 측정된 고객 부하 별 월별 전기 요금에 기초하여 상기 고객 부하 별 일별 전기 요금을 결정하는 단계;
    상기 결정된 고객 부하 별 일별 전기 요금에 기초하여 상기 고객 부하 별 전력 패턴의 절대적 크기를 산정하는 단계; 및
    상기 산정된 고객 부하 별 전력 패턴의 절대적 크기에 기초하여 상기 변형된 대표 부하 패턴을 스케일링하는 단계; 를 더 포함하는, 방법.
  5. 제1항에 있어서, 상기 고객 부하들의 전력 패턴을 생성하는 단계는
    상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대하여 일별 시간의 흐름에 따라 상기 고객 부하들의 전력 패턴을 생성하는 단계; 를 더 포함하고, 상기 생성된 전력 패턴은 유효 전력 패턴 및 무효 전력 패턴을 포함하는 것을 특징으로 하는, 방법.
  6. 제5항에 있어서, 상기 학습 데이터를 생성하는 단계는
    상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴 및 상기 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전압 크기 및 상기 전압의 위상각을 결정하는 단계; 및
    상기 결정된 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각에 의해 결정되는 전력 상태에 관한 정보를 상기 학습 데이터로써 생성하는 단계; 를 포함하는, 방법.
  7. 제1항에 있어서, 상기 학습 데이터를 생성하는 단계는
    상기 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라, 상기 학습 데이터를 생성하는 단계; 를 더 포함하는 것을 특징으로 하는, 방법.
  8. 제1항에 있어서, 상기 학습 모델을 학습시키는 단계는
    상기 배전 계통 내 모든 모선에 대하여 생성된 학습 데이터에 대해 지도 학습(Supervised Learning)을 수행함으로써 상기 학습 모델을 학습시키는 단계; 를 포함하는, 방법.
  9. 제8항에 있어서, 상기 학습 모델은,
    피드 포워드 신경망(Feedforward neural network) 모델, 서포트 벡터 머신(Support vector machine) 모델, 선형 회귀(Linear regression) 모델 중 하나인 것을 특징으로 하는, 방법.
  10. 제1항에 있어서, 상기 학습 모델을 학습 시키는 단계는
    상기 학습 데이터 중, 상기 배전 계통 내 변전소의 유효 전력 패턴 및 무효 전력 패턴과, 상기 배전 계통 내 선택되는 말단 모선의 전압 크기 및 상기 전압의 위상각이 상기 학습 모델에 입력되면,
    상기 변전소가 및 상기 선택된 모선을 제외한 상기 배전 계통 내 모든 모선의 유효 전력, 무효 전력, 전압 크기 및 전압의 위상각이 출력되도록, 상기 학습 모델을 학습시키는 단계; 를 포함하는, 방법.
  11. 제1항에 있어서, 상기 학습 모델을 학습 시키는 단계는
    상기 학습 데이터 중, 상기 배전 계통 내 변전소의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각과, 상기 배전 계통 내 선택되는 말단 모선의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각이 상기 학습 모델에 입력되면,
    상기 변전소가 연결되는 모선 및 상기 선택된 모선을 제외한 상기 배전 계통 내 모든 모선의 유효 전력, 무효 전력, 전압 크기 및 상기 전압 크기의 위상각이 출력되도록, 상기 학습 모델을 학습시키는 단계; 를 포함하는, 방법.
  12. 제1항에 있어서, 상기 학습 모델을 학습 시키는 단계는
    상기 학습 데이터 중, 상기 배전 계통 내 일 계측 지점의 유효 전력 패턴 및 무효 전력 패턴 또는 상기 일 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나와, 상기 배전 계통 내 선택되는 타 계측 지점의 유효 전력 패턴 및 무효 전력 패턴 또는 상기 타 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나가 상기 학습 모델에 입력되면,
    상기 배전 계통 내 일 계측 지점 및 타 계측 지점을 제외한, 모든 모선의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각이 출력되도록, 상기 학습 모델을 학습 시키는 단계; 를 포함하는, 방법.
  13. 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 장치에 있어서,
    하나의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하고,
    상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하고,
    상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키고,
    상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정하며,
    상기 프로세서는
    기 설정된 불확실성 파라미터에 기초하여, 상기 대표 부하 패턴을 포함하는 패턴 범위를 결정하고,
    상기 결정된 패턴 범위 내에서, 시간 대 별 및 상기 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 상기 대표 부하 패턴을 변형하고,
    상기 변형된 대표 부하 패턴을 상기 고객 부하 별로 계측되는 전기 요금에 기초하여 스케일링함으로써, 상기 고객 부하들 별로 전력 패턴을 생성하며,
    상기 랜덤 변수 각각은 고객 부하 별 및 시간 대 별로 서로 다르게 할당되는, 장치.
  14. 삭제
  15. 삭제
  16. 제13항에 있어서, 상기 프로세서는
    상기 고객 부하 별 월별 전기 요금을 측정하고,
    상기 측정된 고객 부하 별 월별 전기 요금에 기초하여 상기 고객 부하 별 일별 전기 요금을 결정하고,
    상기 결정된 고객 부하 별 일별 전기 요금에 기초하여 상기 고객 부하 별 전력 패턴의 절대적 크기를 산정하고,
    상기 산정된 고객 부하 별 전력 패턴의 절대적 크기에 기초하여 상기 변형된 대표 부하 패턴을 스케일링하는, 장치.
  17. 제13항에 있어서, 상기 프로세서는
    상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대하여 일별 시간의 흐름에 따라 상기 고객 부하들의 전력 패턴을 생성하고, 상기 생성된 전력 패턴은 유효 전력 패턴 및 무효 전력 패턴을 포함하는 것을 특징으로 하는, 장치.
  18. 제17항에 있어서, 상기 프로세서는
    상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴 및 상기 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전압 크기 및 상기 전압의 위상각을 결정하고,
    상기 결정된 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각에 의해 결정되는 전력 상태에 관한 정보를 상기 학습 데이터로써 생성하는, 장치.
  19. 제13항에 있어서, 상기 프로세서는
    상기 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라, 상기 학습 데이터를 생성하는 것을 특징으로 하는, 장치.
  20. 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법에 있어서,
    상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계;
    상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계;
    상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는 단계; 및
    상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는 단계; 를 포함하고,
    상기 고객 부하들의 전력 패턴을 생성하는 단계는
    기 설정된 불확실성 파라미터에 기초하여, 상기 대표 부하 패턴을 포함하는 패턴 범위를 결정하는 단계;
    상기 결정된 패턴 범위 내에서, 시간 대 별 및 상기 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 상기 대표 부하 패턴을 변형하는 단계; 및
    상기 변형된 대표 부하 패턴을 상기 고객 부하 별로 계측되는 전기 요금에 기초하여 스케일링함으로써, 상기 고객 부하들 별로 전력 패턴을 생성하는 단계; 를 포함하고,
    상기 랜덤 변수 각각은 고객 부하 별 및 시간 대 별로 서로 다르게 할당되는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020200050983A 2020-04-27 2020-04-27 배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치 KR102388741B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200050983A KR102388741B1 (ko) 2020-04-27 2020-04-27 배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치
PCT/KR2021/005282 WO2021221420A1 (ko) 2020-04-27 2021-04-27 배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200050983A KR102388741B1 (ko) 2020-04-27 2020-04-27 배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210132502A KR20210132502A (ko) 2021-11-04
KR102388741B1 true KR102388741B1 (ko) 2022-04-20

Family

ID=78373705

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200050983A KR102388741B1 (ko) 2020-04-27 2020-04-27 배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102388741B1 (ko)
WO (1) WO2021221420A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3825173B2 (ja) * 1998-04-06 2006-09-20 関西電力株式会社 配電系統制御システム
KR101221083B1 (ko) * 2011-05-25 2013-01-11 주식회사 파워이십일 배전 시스템의 상태추정 방법
KR20130140237A (ko) * 2012-06-14 2013-12-24 주식회사 파워이십일 배전 계통의 최적 신뢰도 평가 시스템 및 그 방법
KR20140032138A (ko) * 2012-09-06 2014-03-14 한국전력공사 배전계통의 구간부하 추정 장치 및 방법
KR101997439B1 (ko) 2019-06-20 2019-07-08 전남대학교산학협력단 부분 계측 기반 전압 및 무효전력 제어를 위한 모선에서의 전압 예측 방법 및 그 프로그램

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
데이터 마이닝 기법을 이용한 전력설비 부하패턴 분석 모델(신진호. 학위논문(박사) 충북대학교 대학원, 2010. 02.) 1부.*

Also Published As

Publication number Publication date
WO2021221420A1 (ko) 2021-11-04
KR20210132502A (ko) 2021-11-04

Similar Documents

Publication Publication Date Title
AU2022202616B2 (en) Method and apparatus for facilitating the operation of an on-site energy storage system to co-optimize battery dispatch
Su et al. Model predictive control-based power dispatch for distribution system considering plug-in electric vehicle uncertainty
Soares et al. Application-Specific Modified Particle Swarm Optimization for energy resource scheduling considering vehicle-to-grid
Zhukov et al. Ensemble methods of classification for power systems security assessment
US8653968B2 (en) Systems and methods for predictive building energy monitoring
US9577435B2 (en) Method and apparatus for managing demand response resources in a power distribution network
Gao et al. Dynamic load shedding for an islanded microgrid with limited generation resources
Weckx et al. Voltage sensitivity analysis of a laboratory distribution grid with incomplete data
KR101943410B1 (ko) 전력설비의 자산관리 방법
CN107274115A (zh) 基于分布式监测和多源信息融合的主动配电网态势感知***和方法
JP2020501491A (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
US10642237B2 (en) AMI based volt-VAR optimization using online model learning
Chang et al. Hierarchical fuzzy logic system for implementing maintenance schedules of offshore power systems
Sharma et al. Multi‐stage restoration strategy for service restoration in distribution systems considering outage duration uncertainty
Wahdany et al. More than accuracy: end-to-end wind power forecasting that optimises the energy system
Belič et al. GPU-based online optimization of low voltage distribution network operation
Hossen et al. Optimal operation of smart home appliances using deep learning
KR102388741B1 (ko) 배전계통 내 미계측 모선의 전력 상태를 추정하는 방법 및 장치
Liu et al. Data-driven two-step day-ahead electricity price forecasting considering price spikes
EP2400440A1 (en) Systems and methods for predictive building energy monitoring
Sathyan et al. ANN-based energy management system for PV-powered EV charging station with battery backup and vehicle to grid support
Bragatto et al. Near real-time analysis of active distribution networks in a Digital Twin framework: A real case study
JP7257455B2 (ja) コントローラの意思決定論理の性能を監視するための方法および監視システム
Kolokolov et al. Modified bifurcation diagrams in an approach to online pulse system dynamics forecasting
EP3089305A1 (en) Arrangement for operating a smart grid

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right