이경민
(Kyung-Min Lee)
1iD
박철원
(Chul-Won Park)
†iD
-
(Ph.D. course, Dept. of Electrical Engineering, Gangneung-Wonju National University,
Korea)
Copyright © The Korean Institute of Illuminating and Electrical Engineers(KIIEE)
Key words
Big data, F/R, PMU, Renewable Energy, RESs, Statistical analysis
1. 서 론
전 세계적으로 기후변화에 대응하기 위하여, 그린뉴딜기반 저탄소 재생에너지원 (RES : Renewable Energy Sources)이 확대되어,
에너지 전환이 가속화되고 있다. 국내 재생에너지원의 설비용량은 2021년 20.1GW가 설치되어있으며, 재생에너지 3020, 수소경제활성화 로드맵,
그린뉴딜 계획 등을 반영하여 2034년에는 58GW가 추가 설치될 예정이다. 향후, 급격한 재생에너지원 비중이 확대되어, 특히 전남, 전북 및 영남
등 일부 지역에 편중이 심화될 것으로 예상된다. 이에 따라, 전력수급 불균형에 대응한 안정적인 계통 운영을 위해 HVDC (High Voltage
Direct Current), FACTS (Flexible AC Transmission System) 등 전력 인버터 기반의 특수설비가 대규모로 계통에
도입되고 있다[1].
재생에너지원은 변동성이 큰 경직성 전원으로, 출력조정이 용이하지 않고, 전압 및 주파수의 안정적인 제어가 어렵다. 따라서, 변동성과 불확실성을 수반하는
신재생에너지원의 증가는 전력계통 운영에 대한 변화를 요구하고 있다. 다수의 재생에너지원을 보유한 제주도에서는, 재생에너지원의 간헐적 과잉발전으로 2020년
77회, 2021년 64회의 출력제한을 하였다. 한전에서는 2022년 4월 7일∼8일 양일에 걸쳐 재생에너지 수용력 증대를 위한 CFI (Control,
Flexibility, Inertia) 실증과제 통합 착수회의 및 전력 토론회를 개최하는 등 재생에너지의 안정적 운영 및 확장을 위한 방안을 모색중에
있다. 또한, 신재생에너지원이 연결된 계통의 안정적 운영을 위해, 고정밀 데이터를 통한 실시간 감시 및 분석이 가능한 uPMU (micro-Phasor
Measurement Unit)의 보급이 확대되고 있다. 비동기 측정 데이터를 제공하는 기존의 전력계통 감시 시스템 SCADA (Supervisory
Control And Data Acquisition)와 다르게, uPMU는 GPS (Global Positioning System) 신호를 통해 시각
동기화된 측정 빅 데이터를 제공하고, 초당 60회 이상의 방대한 고정밀 데이터 수집이 가능하다[1-5].
근래에는 이 PMU로부터 얻어지는 데이터를 전력계통에 활용하는 연구들이 시도되고 있다. 관련된 연구로는 PMU 데이터를 이용한 전력계통 상황인지 기술이
개발되었고[6], 배전망에 대한 PMU를 이용한 고장 위치 분석 및 비상상황 분석[7], 통계분석을 이용한 고임피던스 고장 검출을 위한 PMU 적용[8], 스마트 그리드 전력 PMU 데이터 빅 데이터 분석[9]이 발표되었다. 또한, 실제 PMU 기반에서 획득한 노이즈 요소의 통계모델[10], PMU 데이터 이벤트 감지를 위한 주성분 분석 기법 비교[11], 머신러닝 기법을 이용한 불량 PMU 데이터 탐지[12], 빅 데이터 기능을 통한 실시간 광역 모니터링 시스템[13], 대규모 uPMU 스트리밍 데이터를 통한 실시간 배전 상태 추정 기법[14], 강력한 WAMS (Wide Area Monitoring System) 기반 분석을 위한 PMU 고장의 통계적 특성화[15]가 연구되었다.
최근에는 PMU를 이용한 고장 검출에 대한 관심이 높아지고 있다. PMU 데이터의 주성분 분석을 사용한 실시간 교란 탐지 및 분류[16], FFT (Fast Fourier Transform) 및 PMU 기반 이중회로 송전선로의 고장분석[17], 송전선로 고장에 대한 PMU 기반 실시간 고장 감지 알고리즘[18], 동기페이저 측정에서의 무작위 오류의 통계적 특성 분석[19], PMU 데이터 품질 문제에 강력한 전력계통 방해 성분 분류 방법[20] 등의 연구가 수행되었다. 주로 연구의 대상은 송전선로와 전력계통이었으나, 본 논문은 재생에너지원이 연계된 변전소로서, 고장 감지, 고장분석, 분류,
식별 등이 아닌 재생에너지원이 연계된 변전소의 변동성 및 불확실성을 분석하기 위하여, 통계적 해석을 수행하였다.
본 논문에서는 재생에너지원의 실시간 상태감시를 위하여, 재생에너지원과 연계된 변전소에 설치된 PMU와 F/R (Fault Recorder)로부터 수집한
PMU 빅 데이터를 Python 언어로 Boxplot, Kernel Density 등의 통계기법을 통해 연계 전력망에 미치는 영향을 알아보고자 한다.
먼저, 수집된 PMU 데이터의 형식을 알아보고 통계기법 해석에 적합한 전처리를 진행한다. PMU 데이터는 양이 방대하여 엑셀들의 상용 도구를 분석이
불가하기에 간결한 문법과 다양한 라이브러리를 활용할 수 있는 Python으로 통계기법을 구현하며, 연계 전력망에서 재생에너지원이 미치는 영향을 효과적으로
해석한다.
2. 재생에너지원의 PMU 빅 데이터 수집
재생에너지원과 연계된 변전소에 PMU와 F/R를 설치하여 PMU 빅 데이터를 수집하였다. Fig. 1은 변전소의 PMU와 모니터링 시스템 구축 개요도를 나타낸다. 재생발전원, 분산전원, 345kV 계통 등으로부터 획득된 PMU 빅 데이터를 PDC를
통하여 수집되며, 서버의 DB에 1초에 60회가 저장된다. PMU 관련 국제 표준으로는 대표적으로 IEEE C37.118.1과 IEEE C37.118.2가
있다. IEEE C37.118.1에서는 uPMU의 동기페이저와 주파수의 계측 방법 및 계측 검증을 위한 요구사항이 명시되어 있으며, IEEE C37.118.2에서는
시각 동기화된 페이저 계측 데이터의 실시간 교환을 위한 방법에 대하여 정의되어 있다. 2018년도에 IEC/IEEE 60255-118-1로 개정하면서
정의 및 시험 방법 변경 등이 재정립되었다[11]. PMU에 의해 계측된 데이터는 단상, 3상, 대칭 성분에 대한 직교 좌표형 또는 극 좌표형 페이저 데이터, 주파수, 주파수 변화율 같은 계측 데이터와
매핑되어진 상태에 대한 정보를 기록한다. 각 변전소에 설치된 PMU로부터 수집된 PMU 빅 데이터는 CSV 파일 형식으로 수집되며, 전압 및 전류의
페이저, 주파수, 주파수 편차 등이 저장된다[5]. 본 논문에서는 먼저 PMU의 빅 데이터를 통계기법 해석에 적합하도록 유효전력, 무효전력, 순간전압변동률 계산 등의 전처리를 수행하였다.
Fig. 1. Schematic diagram of PMU Data Acquisition
3. Python에 의한 빅 데이터의 통계 해석
3.1 24시간 PMU 빅 데이터 해석
98MW의 강원풍력, 20MW의 영월솔라 #1에서의 7월 21일부터 27일까지의 데이터를 24시간 별로 해석하였다. Fig. 2는 7월 21일 0시부터 24시까지의 강원풍력 3상 순간전압변동률을 나타낸다. 순간전압변동률은 낮 시간에 높게 나타났으며, 최대 2.635% (2,343
V)의 순간전압변동률이 발생하였다. A상은 1.064% (946 V), B상은 0.967% (860 V), C상은 0.863% (767 V)에서 순간전압변동률의
평균이 나타난 것을 알 수 있다. Fig. 3은 7월 21일 0시부터 24시까지의 강원풍력 전력을 나타낸다. 유효전력이 최대 57.382MW 까지였으며, 무효전력은 10Mvar 이하로 나타났다.
주로 밤, 새벽 시간대에 발전하였음을 알 수 있다.
Fig. 4는 7월 21일 0시부터 24시까지의 영월솔라 #1 3상 순간전압변동률을 나타낸다. 순간전압변동률이 전체적으로 낮게 나타났으며, 최대 1.356%
(180V)의 순간전압변동률이 발생하였다. A상은 0.119% (15V), B상은 0.121% (16V), C상은 0.127% (17V)에서 평균이
나타난 것을 알 수 있다.
Fig. 5는 7월 21일 0시부터 24시까지의 영월솔라 #1 전력을 나타낸다. 유효전력이 최대 14.231MW 까지였으며, 무효전력은 3.6Mvar 이하로
나타났다. 주로 낮에 발전하며, 순간적으로 4.482MW, 6.735MW로 감소하는 구간이 발생한 것을 알 수 있다.
Fig. 2. Instantaneous voltage change rate of Gangwon WP
Fig. 3. Power of Gangwon WP
Fig. 4. Instantaneous voltage change rate of Yeongwol PV #1
Fig. 5. Power of Yeongwol PV #1
3.2 Kernel Density
커널 밀도 추정 (Kernel Density Estimation)은 non-parametric 밀도추정 방법 중 하나로서 커널함수를 이용하여 히스토그램
방법의 문제점을 개선한 방법이다. 수학적으로 커널함수는 원점을 중심으로 대칭이면서 적분값이 1인 non-negative 함수로 정의되는데, 본 논문에서는
Gaussian 함수를 사용하였다[4]. Fig. 6은 7월 21일 0시부터 24시까지의 강원풍력 순간전압변동률의 커널 밀도를 나타낸다. 커널 밀도는 A상 1.035%에서 1.110, B상 0.894%에서
1.305, C상은 0.816%에서 1.574로 가장 높게 나타났다. 3상의 순간전압변동률이 주로 1% 정도에서 나타나는 것을 알 수 있다.
Fig. 6. Kernel density of instantaneous voltage change rate of Gangwon WP
Fig. 7은 7월 21일 0시부터 24시까지의 영월솔라 #1 순간전압변동률의 커널밀도를 나타낸다. 커널밀도는 A상 0.112%에서 10.781, B상 0.111%에서
10.259, C상은 0.121%에서 10.190으로 가장 높게 나타났다. 3상의 순간전압변동률이 주로 0.12% 정도에서 나타나는 것을 알 수 있다.
Fig. 7. Kernel density of instantaneous voltage change rate of Yeongwol PV #1
3.3 Boxplot
Boxplot은 연속형 변수에 대해서 최소값 (min), 제 1사분위수 (Q1), 중앙값 (Q2, median), 제 3사분위수 (Q3), 최대값
(max)의 요약통계량을 알 수 있다. 또한, 제 1사분위수와 제 3사분위수보다 1.5IQR (Interquartile Range) 초과된 값을 이상점
(Outlier)로 분류하여 검출할 수 있다. 이 방법을 통해 정상범위에서 벗어나는 Outlier 값의 유무를 확인할 수 있고, 계통 전압이 어느
수준에서 유지되고 있는지 알 수 있다[4]. Fig. 8은 7월 21일 0시부터 24시까지의 강원풍력 순간전압변동률의 Boxplot을 나타낸다. 각 상의 최대치는 2.635%, 2.352%, 1.964%이며,
제 3사분위수는 1.379%, 1.287%, 1.078%, 중앙값은 1.064%, 0.967%, 0.863%로 나타났다.
Fig. 8. Boxplot of instantaneous voltage change rate of Gangwon WP
Fig. 9는 7월 21일 0시부터 24시까지의 영월솔라 #1 순간전압변동률의 Boxplot을 나타낸다. 각 상의 최대치는 1.287%, 1.358%, 1.316%이며,
제 3사분위수는 0.149%, 0.153%, 0.159%, 중앙값은 0.119%, 0.121%, 0.127%로 나타났다.
Fig. 9. Boxplot of instantaneous voltage change rate of Yeongwol PV #1
Table 1은 7월 21일부터 27일까지의 강원풍력 순간전압변동률의 결과를 나타낸다. 순간전압변동률이 7월 25일 B상에서 4.331%로 가장 높게 나타났으며,
중앙값으로는 A상이 1.276%로 가장 크게 변동한 것을 알 수 있다. 전체적으로 가장 큰 변동은 7월 24일 이었으며, 이때의 중앙값은 1.635%,
1.590%, 1.360%로 나타났다.
Table 1. Results of instantaneous voltage change rate of Gangwon WP
|
Phase
|
A
|
B
|
C
|
|
Date
|
Max
|
Median
|
Max
|
Median
|
Max
|
Median
|
|
7월 21일
|
2.636
|
1.064
|
2.353
|
0.968
|
1.964
|
0.863
|
|
7월 22일
|
3.778
|
1.101
|
2.682
|
1.127
|
2.703
|
1.075
|
|
7월 23일
|
3.849
|
1.198
|
3.086
|
1.228
|
2.532
|
1.061
|
|
7월 24일
|
3.745
|
1.635
|
3.263
|
1.590
|
2.925
|
1.360
|
|
7월 25일
|
3.844
|
1.322
|
4.331
|
1.301
|
2.773
|
1.174
|
|
7월 26일
|
3.610
|
1.218
|
3.031
|
1.248
|
2.676
|
1.139
|
|
7월 27일
|
3.326
|
1.397
|
2.921
|
1.376
|
2.622
|
1.236
|
|
Average
|
3.541
|
1.276
|
3.095
|
1.263
|
2.599
|
1.130
|
Table 2는 7월 21일부터 27일까지의 영월솔라 #1 순간전압변동률의 결과를 나타낸다. 순간전압변동률이 7월 27일 C상에서 2.142%로 가장 높게 나타났으며,
중앙값으로는 B상이 0.127%로 가장 크게 변동한 것을 알 수 있다. 전체적으로 중앙값의 평균이 0.118%, 0.127%, 0.122%로 낮게
나타난 것을 알 수 있다.
Table 2. Results of instantaneous voltage change rate of Yeongwol PV #1
|
Phase
|
A
|
B
|
C
|
|
Date
|
Max
|
Median
|
Max
|
Median
|
Max
|
Median
|
|
7월 21일
|
1.287
|
0.121
|
1.357
|
0.124
|
1.316
|
0.130
|
|
7월 22일
|
1.499
|
0.119
|
1.383
|
0.125
|
1.404
|
0.120
|
|
7월 23일
|
1.397
|
0.106
|
1.373
|
0.115
|
1.437
|
0.119
|
|
7월 24일
|
1.371
|
0.117
|
1.467
|
0.132
|
1.485
|
0.116
|
|
7월 25일
|
1.470
|
0.128
|
1.576
|
0.128
|
1.511
|
0.128
|
|
7월 26일
|
1.384
|
0.116
|
1.510
|
0.138
|
1.385
|
0.118
|
|
7월 27일
|
2.056
|
0.118
|
2.030
|
0.130
|
2.142
|
0.125
|
|
Average
|
1.495
|
0.118
|
1.528
|
0.127
|
1.526
|
0.122
|
3.4 THD 해석
전압 또는 전류 고조파 파형의 왜곡된 정도는 종합고조파왜형률 (THD : Total Harmonic Distortion)가 많이 사용된다. THD는
기본파 주파수 성분의 실효값에 대한 특정 차수 (H차)까지의 모든 고조파 성분에 대한 실효값 총합의 비율로 계산된다. 한전 송전계통 고조파 관리기준
및 분산형전원 연계기술 기준에서는 THD를 5% 이내에서 관리하도록 되어있다[4]. Fig. 10은 8월 10일 0시부터 24시까지의 영월솔라 #1 THD의 Boxplot을 나타낸다. 각 상의 최대치는 6.331%, 6.092%, 6.602%이며,
제 3사분위수는 1.549%, 1.473%, 1.485%, 중앙값은 1.286%, 1.219%, 1.234%로 나타났다.
Fig. 10. Boxplot of THD of Yeongwol PV #1
Fig. 11은 8월 10일 0시부터 24시까지 대기리풍력 #1 THD의 Boxplot을 나타낸다. 각 상의 최대치는 6.154%, 6.332%, 6.528%,
제3사분위수는 1.901%, 1.789%, 1.746%, 중앙값은 1.626%, 1.495%, 1.474%였다.
Fig. 11. Boxplot of THD of Daegi-ri WP #1
3.5 결과 및 고찰
간결한 문법과 다양한 라이브러리를 활용할 수 있는 Python 언어를 사용하여 수집된 PMU 빅 데이터를 통계기법으로 재생에너지원이 연계 전력망에
미치는 영향을 해석하였다. 통계함수는 Boxplot과 Kernel Density로서 98MW의 강원풍력, 20MW의 영월솔라 #1, 20MW의 대기리풍력
#1에서의 7월 21일부터 27일까지의 데이터를 24시간 별 빅 데이터를 대상으로 하였다.
강원풍력을 해석한 결과, 순간전압변동률의 평균은 1.223%로 나타났으며, 4.331%까지 최대치를 보였다. 한전 분산형전원 연계기술 기준인 5%
이하를 만족하였으나, 전반적으로 높게 나타난 것을 알 수 있었다. 영월솔라 #1의 경우, 순간전압변동률의 평균은 0.122%로 나타났으며, 2.142%까지
최대치를 보여, 한전 분산형전원 연계기술 기준인 5% 이하를 만족하였다. PV의 경우, 전력변환장치가 연계되어 전압을 안정적으로 제어할 수 있다.
WP의 순간전압변동률이 PV보다 약 1.1% 높게 보였으며, PV가 더 많은 이상치를 보였으나 순간전압변동률은 높지 않았다. 또한, Kernel
Density의 경우 WP가 PV 보다 넓은 영역에서 나타났으며, PV의 Kernel Density는 아주 높게 나타난 것을 확인할 수 있었다. 이
결과, WP가 PV 보다 출력 전압의 불안정성을 보여주고 있음을 알 수 있었다.
재생에너지원의 THD를 해석한 결과, 영월솔라 #1의 경우, 1.246%의 평균치로 안정적으로 보여졌으나, THD 기준인 5%를 벗어나는 경우가 보였다.
대기리풍력 #1의 경우, 1.531%의 평균치로 안정적으로 나타났으나, 영월솔라 #1과 마찬가지로 THD 기준인 5%를 벗어나는 경우가 보였다. 특히,
재생에너지원이 병입, 병해되거나, 출력변동이 심한 경우 THD가 크게 나타난 것을 알 수 있었다.
4. 결 론
본 논문에서는 재생에너지원의 변동성을 실시간으로 상태감시하고 해석하기 위하여, Boxplot, Kernel Density 등의 통계기법을 Python으로
구현하여 재생에너지원과 연계된 변전소의 PMU와 F/R로부터 수집한 PMU의 24시간 빅 데이터를 통해 재생에너지원의 영향을 해석하였다. DB로부터
가져온 빅 데이터를 전처리하여 유효전력, 무효전력, 순간전압변동률을 계산하였으며, Boxplot, Kernel Density 및 THD를 산정하여
해석하였다.
해석 결과, WP가 PV 보다 출력 전압의 불안정성을 보였으며, WP의 순간전압변동률이 PV 보다 약 1.1% 높게 나타났다. THD의 경우, 평균적으로
1.246%, 1.531%로 안정적으로 나타났으나, THD 기준인 5%를 벗어나 최대 6.602%까지 나타난 것을 볼 수 있었다. 특히, 재생에너지원이
병입, 병해되거나, 출력변동이 심한 경우 THD가 크게 나타난 것을 알 수 있었다. 재생에너지원의 발전이 고조파에 영향을 미치는 것은 추후, 대규모의
재생에너지원이 연계될 경우, 계통의 고조파 영향에 크게 미칠 수 있으므로 대책 마련이 필요하다고 생각된다.
References
Kang J. W., 2021, Response Strategies for Energy Conversion/Carbon Neutral Era-KEPCO's
R&D Status and Future Countermeasures, KIEE Summer Conf., Panel Session, C, pp. 1-33
Ministry of Trade, Industry and Energy. , 2020, 9th Basic Plan on Electric Demand
and Supply (2020∼2034), pp. 1-109
Lee J. Y., 2022, Start Developing CFI Technology to Expand Renewable Energy Capacity,
Electric Power, Vol. 16, No. 5, pp. 74-74
Yun S. Y., Hong J. S., 2020, Technical Trends of PMU Applications in Power Distribution
Networks, KIEE, Vol. 69, No. 6, pp. 29-33
Park C. W., et al., 2019, Development of Real-time Monitoring, Analysis, and Control
System for New and Renewable Power Plants, KEPCO Field Technology Development Project
Final Report, pp. 1-451
Nam S. C., et al., 2020, Development of Power System Situation Recognition Technology
Using PMU Data, The Trans. of KIEE, Vol. 69, No. 11, pp. 1640-1648
Hong J. S., et al., 2021, Fault Location Method Using Phasor Measurement Units and
Contingency Analysis for Power Distribution Networks, KIEE Spring Conf., pp. 161-162
Sean Kantra , et al. , 2016, Application of PMU to Detect High Impedance Fault Using
Statistical Analysis, 2016 IEEE Power and Energy Society General Meeting (PESGM),
pp. 1-5
Bhuiyan S. M A., Khan J. F., Murphy G. V., 2017, Big Data Analysis of the Electric
Power PMU Data from Smart Grid, SoutheastCon 2017, pp. 1-5
Frigo G., et al., 2019, Statistical Model of Measurement Noise in Real-World PMU-based
Acquisitions, 2019 International Conference on Smart Grid Synchronized Measurements
and Analytics (SGSMA), pp. 1-8
Souto L., Mel’endez J., Herraiz S., 2020, Comparison of Principal Component Analysis
Techniques for PMU Data Event Detection, 2020 IEEE Power & Energy Society General
Meeting (PESGM), pp. 1-5
Karpilow A., et al., 2020, Detection of Bad PMU Data using Machine Learning Techniques,
2020 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT),
pp. 1-5
Chintakindi R., Mitra A., 2020, Execution of Real-time Wide Area Monitoring System
with Big Data Functions and Practices, 2020 IEEE 9th Power India International Conference
(PIICON), pp. 1-6
Basumallik S., Liu Y., Katramatos D., Yoo S. J., 2020, Real-Time Distribution State
Estimation with Massive uPMU Streaming Data, 2020 IEEE Power & Energy Society Innovative
Smart Grid Technologies Conference (ISGT), pp. 1-5
Ahmad T., Senroy N., 2020, Statistical Characterization of PMU Error for Robust WAMS
Based Analytics, IEEE Trans. On Power Systems, Vol. 35, No. 2, pp. 920-928
Pourramezan R., Karimi H., Mahseredjian J., 2020, Real-Time Disturbance Detection
and Classification using Principal Component Analysis of PMU Data, 2020 IEEE Power
& Energy Society General Meeting (PESGM), pp. 1-5
Ghosh S., et al., 2021, FFT and PMU Based Fault Analysis in Double Circuit Transmission
Line, Proceedings of the International Conference on Artificial Intelligence and Smart
Systems (ICAIS-2021), pp. 1607-1611
Vishal V. P., Shenil P. S., 2021, PMU Based Realtime Fault Detection Algorithm for
Transmission Line Faults, 2021 Fourth International Conference on Electrical, Computer
and Communication Technologies (ICECCT), pp. 1-5
Salls D., et al., 2021, Statistical Characterization of Random Errors Present in
Synchrophasor Measurements, 2021 IEEE Power & Energy Society General Meeting (PESGM),
pp. 1-5
Li Z., et al., 2022, A Power System Disturbance Classification Method Robust to PMU
Data Quality Issues, IEEE Trans. on Industrial Informatics, Vol. 18, No. 1, pp. 130-142
Biography
He was born in Korea in 1990. He received his B.S. and M.S. degrees in Electrical
Engineering from Gangneung -Wonju National University, Wonju, Korea, in 2014 and 2017.
At present, he is working on his Ph.D. in the Department of Electrical Engineering
at Gangneung -Wonju National University. He is a teaching assistant at Gangneung-Wonju
National University, since 2018. His research interests include Smartgrid, LVDC, Microgrid,
RES, PMU, AI application of power system, power system modeling & control, and power
system protection. He is a member of the KIEE, KIIEE, and IEEE.
He was born in Korea in 1961. He received his B.S., M.S. and Ph.D. degrees in Electrical
Engineering from Sungkyunkwan University, Seoul, Korea, in 1988, 1990, and 1996, respectively.
From 1989 to 1993 he was an associate researcher at Lucky GoldStar Industrial Systems.
From 1993 to 1996, he was a senior researcher at PROCOM system and lecturer at S.K.K.
University. At present, he is a professor in the Department of Electrical Engineering
at Gangneung-Wonju National University, since 1997. His research interests include
IED, SAS, Hybrid AC-DC power grid, RES, PMU, AI application to power grid, power grid
modeling & control, and computer application in power grid. He is a member of the
KIEE, KIIEE, KIPE, and IEEE. He is president of PSPES since 2018. Dr. Park was awarded
the Paper Prize of KIEE in 2010, 2020, the Paper Prize of the KOFST in 2017, and an
Academic Prize of KIIEE in 2018.