함정모
(Jung-Mo Ham)
1iD
박철원
(Chul-Won Park)
†iD
-
(M.S. Course, Dept. of Biomedical Convergence Engineering, Gangneung-Wonju National
University, Korea)
Copyright © The Korean Institute of Illuminating and Electrical Engineers(KIIEE)
Key words
AI, DNN, Fault recovery support system, HMI, Standard recovery procedure, Substation
1. 서 론
한전은 IEC 61850 국제표준규격 기반의 변전소 자동화 (SA : Substation Automation) 시스템을 구축하기 위하여 2013년부터
154kV 신규 변전소를 디지털 변전소로 변환하면서 개선하고 있다. 2020년 기준, 전체 변전소 877개소 중에서 154kV 변전소는 85% (747개)를,
154kV 변전소 전체 용량은 변전소 전체 용량의 45%인 153GVA를 차지한다. 변전소는 전력 송·배전에 있어 중추적인 역할을 수행하기에 변전소의
고장은 계통간 전력공급 중단으로 사회적 손실이 수반되기 때문에 고장발생시 신속하고 정확하게 고장을 파악한 후, 고장복구 시간이 단축되어야 한다[1]. 변전소 설비들의 현대화로 인하여 고장이 자주 발생되지 않지만 표준복구절차 (Standard Recovery Procedure) 및 교육훈련 프로그램
운영을 통하여 고장복구에 대비해야 한다. 미래 변전소 고장복구는 계통의 복잡성을 고려한 다양한 고장원인과 새로운 고장유형을 검출하기 위하여 다양한
솔루션들이 접목되어야 한다. 최근 인공지능기법 (AI Technique)을 이용한 고장복구가 시도되고 있다[1-3]. 전력연구원에서는 지능형 디지털변전소에 대한 운영계획 및 추진전략을 발표하였으며, 자동고장복구 등 변전소 지능화, 유연성 향상을 통하여 최종적으로
자가 치유 (self-healing) 시스템 호환까지 지속적인 연구 추진전략을 세웠다[4].
국내에서는 1990년대 초부터 전력설비에 AI 기법을 적용하려는 시도가 있었다. 관련 연구로는 고도화된 자동화 변전소의 사고복구 지원을 위한 지식학습능력을
갖는 전문가 시스템 개발[5], 변전소 고장사례 분석을 통한 표준복구절차에 관한 연구[6] 등이 발표되었다. 최근에는 복구지식을 계층적으로 분석하여 확장된 토폴로지를 갖는 배전 변전소의 지능형 고장복구 알고리즘이 연구되었다[7]. 하지만, 근래, 주로 배전 분야 연구에 집중되었고, 하드웨어 및 소프트웨어 플랫폼이 구성되기 이전의 연구들이 대부분이기에 실 계통에 적용하는데
어려움이 많다. 2020년 전력연구원에서는 전문가 지식 기반 변전소 복구를 위한 지원시스템 개발을 수행하였다[8].
해외에서는 인공 신경망을 적용한 변전소의 고장위치판별[9], GA (Genetic Algorithm)을 사용한 배전망의 고장 진단 기법[10], GA를 이용한 정전 복구 시스템 개발[11], 자동화 배전 변전소의 고장 위치 추정[12], 변전소의 보호, 모니터링, 진단, 자동복구에 의한 정전감소[13] 논문이 발표되었다. 또한, 스마트 그리드 고장복구 프로토콜 분석[14], 심층 신경망 (DNN : Deep Neural Network) 기반 스마트 변전소에서 프로세스 수준 통신 네트워크의 고장 위치에 대한 연구[15], IEC 61850 변전소용 사이버 시스템 복구[16] 등이 제시되었다.
본 논문에서는 Python 언어를 이용한 154kV 변전소 고장복구 지원시스템의 HMI 설계를 제안한다. 먼저, 규칙 기반 전문가 시스템 (Rule-based
Expert System)의 설계를 위하여 변전소에서 발생하는 고장유형을 분류한다. 고장유형을 판별하기 위해서 변전소 구성요소의 동작상태 정보를 이진데이터
형식으로 변환한 후, DNN에서 훈련할 수 있도록 훈련 데이터 패턴을 구성한다. 15가지의 고장유형을 DNN에서 훈련시킨 후, 새로운 테스트 데이터
패턴에 의한 고장유형이 판별되면, 전문가 시스템을 통하여, 규칙에 따라 추론하고 고장복구 방안을 도출한다. 최종적으로 시뮬레이션을 통해 설계된 HMI를
검증한다.
2. 변전소 고장복구 지원시스템
Fig. 1은 변전소 고장복구 지원시스템의 개략도이다. Fig. 1과 같이 고장복구 지원시스템은 크게 DNN과 전문가 시스템으로 구성된다. 동작 상태 정보를 이용한 DNN에서는 15가지 고장유형의 훈련 데이터를 통해
훈련시킨 후, 새로운 테스트 데이터에 의해 고장유형을 판별한다. 전문가 시스템에서는 판별된 고장유형 및 Fact를 이용하여 고장복구 지원절차를 출력하고,
계통운영자는 출력된 고장복구절차와 각 주변압기 (M.Tr)의 부하공급 우선순위를 고려하여 고장복구를 수행하게 된다[1].
Fig. 1. Schematic diagram of fault recovery support system for substation
3. HMI 설계 및 사례연구
3.1 표준복구절차 분석
한전의 송·변전 표준복구절차에는 15가지의 고장유형에 대하여 복구절차가 명시되어 있으며, 중대고장/복합고장일 경우 5가지 단계, 단일고장일 경우 6가지
단계로 구분하여 고장발생에 대처한다[1, 2, 6]. 지면의 한계를 고려하여 T/L, M.Tr 및 D/L의 고장복구에 관한 표준복구절차 분석의 일부만
기술하였다.
Fig. 2는 고장유형 1인 T/L 주보호 단(지)락, 후비보호 단(지)락시 응급복구 운전 단계이다. 고장이 발생한 선로의 43RC를 OFF 시키고, DS616,
DS611을 개방하여 무압기기 상태로 만든 후, 현장 순시 결과 이상이 없고 고장이 해소되면, DS616, DS611, CB617를 차례대로 투입하고
43RC를 ON시켜 선로를 가압하게 된다.
Fig. 2. Emergency recovery operation steps of T/L fault
Fig. 3은 고장유형 4인 M.Tr CB B/F M.Tr 87, 96Relay 고장시 응급복구 운전 단계이다. 고장이 발생한 M.Tr의 부하에 대해 건전 M.Tr의
적정전압 유지여부를 확인한 후, 부하를 전환하고 고장난 M.Tr의 1차, 2차측 DS를 개방하여 계통에서 분리하게 된다.
Fig. 4는 고장유형 12인 M.Tr 51SN(51S, 51P), ⒶD/L OC(G)R 고장시 응급복구 운전 단계이다. 고장이 발생한 D/L을 분리하기 위하여
배전센터 및 고객과 협의한 후, 영구고장인 경우 해당 선로의 DS를 개방하여 고장기기를 계통에서 분리하게 된다.
Fig. 3. Emergency recovery operation steps of M.Tr fault
Fig. 4. Emergency recovery operation steps of D/L fault
3.2 전문가 시스템에 의한 고장복구
제시한 전문가 시스템에 의한 고장복구는 변전소 구성요소의 모든 Relay, CB, DS의 동작상태 정보를 포함한 이벤트 정보와 DNN을 이용한 고장유형
판별 결과를 Fact 형태로 받아들인다. 이 Fact와 추론엔진을 이용하여 고장복구 지원절차가 출력된다.
Table 1은 T/L 고장 시 고장복구 절차 패턴을 나타낸다. 고장복구를 위하여 DS를 개방(1)시키며, 복구 완료 후, 이를 다시 투입(0)으로 바꾸는 절차가
있다.
Table 1. Pattern of fault recovery procedure of T/L fault
|
Relay, CB, DS
|
Step
|
|
1
|
2
|
3
|
4
|
|
무압기기 개방
|
|
43RC
|
0→1
|
|
|
|
|
DS 626
|
|
0→1
|
|
|
|
DS 621
|
|
0→1
|
|
|
|
선로가압
|
|
DS 626
|
1→0
|
|
|
|
|
DS 621
|
|
1→0
|
|
|
|
CB 627
|
|
|
1→0
|
|
|
43RC
|
|
|
|
1→0
|
Fig. 5는 T/L 고장 시 고장복구 규칙이다. ①, ②는 서로 상충 되는 규칙이다. 사용자에게 고장복구를 위한 개방 절차인지, 또는 해당 선로를 가압하기
위한 절차 여부를 알려 줄 수 있는 Fact가 필요하며, 별도의 Flag를 선언하여 해결할 수 있다. Fig. 5에서 고장복구를 위한 개방 절차로서, Flag로는 TLDS라는 Fact에 1이란 값을 설정하였다.
Fig. 5. A part of fault recovery rule of T/L fault
3.3 DNN에 의한 고장유형 판별
제시한 DNN은 변전소에서 발생할 수 있는 15가지의 고장유형을 판별하게 된다. 종래의 고장유형들을 훈련하기에 적합한 형태로 변환하고, 변환된 데이터를
저장하는 데이터베이스를 구축한다. 이 변환된 데이터 패턴을 이용하여 DNN을 훈련 시켰으며, 훈련된 DNN 모델은 테스트 DNN으로 저장된다. 훈련이
완료된 DNN 모델은 테스트 패턴을 읽어온 후 실행할 수 있도록 구성하였다. 훈련 데이터는 72 × 268, 테스트 데이터는 66 × 253이다.
데이터의 행은 고장유형 1∼15로 훈련 데이터는 72개, 테스트 데이터는 66개로 구성되며, 열은 변전소를 구성하는 Relay, CB, DS의 동작상태
정보 데이터로 253개로 구성된다. 또한, 훈련 데이터에는 고장유형 검증요소 15가지가 포함되어 있어 268개로 구성된다. 학습 완료된 DNN 모델의
정확도는 95.3%로 나타났다. Fig. 6은 DNN에 의한 고장유형의 판별 결과이다. array([0], dtype=int64)가 나온 것을 확인할 수 있는데, array[0]∼[14]는
각각 고장유형 1∼15에 해당된다[1].
Fig. 6. Identified result of DNN
3.4 HMI 설계
Fig. 7은 고장복구 지원시스템을 위한 HMI 설계를 위한 시퀀스 다이어그램이다. HMI는 총 6개의 클래스로 구성하였으며, main은 프로그램의 시작점으로
프로그램의 시작부터 종료까지 동시에 수행한다. Sub_WiringInfos는 변전소의 요소인 Relay, CB, DS에 대한 동작상태 정보를 갖고,
이를 전체 프로그램에 제공하는 역할을 수행한다. InterfaceMain은 프로그램의 HMI 기능을 전담하며, Object는 클래스로서 변전소 요소에
대한 가상 속성을 제공하고 관련 기능을 담당한다. Sub_DNN은 고장유형의 판별을 위한 DNN에 관한 기능을 제공하며, DNN의 생성, 학습, 로드,
판별 등의 기능을 수행하기 위한 명령어들로 구성하였다. 끝으로 Sub_Expert는 전문가 시스템의 기능과 그 기능을 원활하게 수행하기 위한 명령어들로
이루어진다. 앞서 정의된 제반 기능들은 Sub_Expert를 통해 수행된다.
Fig. 7. Sequence diagram of fault recovery support system
3.5 사례연구
Fig. 8은 고장유형 2인 송전선단선 고장복구 시뮬레이션 결과이다. 먼저, DNN에 의한 고장유형 판별 결과를 Fig. 8의 하단 윈도우 좌측에 Fault Type = 2로 표시된다. 좌측 단선도에서 고장상황을 입력한 후, Recoverying 버튼을 클릭하면 전문가
시스템에 의한 고장복구 결과, Relay 동작사항 윈도우에는 송전선단선 경보가 각각 표시되며, 차단CB 윈도우에는 아무것도 표시되지 않는다. 시뮬레이션
결과, 급전지시에 따라 고장난 T/L의 CB617을 개방시킨 후, 43RC를 OFF시킨다. T/L 순시 결과 이상이 없고, 고장이 해소되면 선로 가압을
위하여 CB617을 투입하고 43RC를 ON시킨다.
Fig. 8. Simulation result of fault type 2
Fig. 9는 고장유형 10인 M.Tr 59GT의 고장복구 시뮬레이션 결과이다. 먼저, DNN에 의한 고장유형 판별 결과를 Fig. 9의 하단 윈도우 좌측에 Fault Type = 10으로 표시된다. Relay 동작사항 윈도우에는 #1 M.Tr 59GT, 27T가, 차단CB 윈도우에는
CB6133, CB477, CB4144가 각각 표시되었다. 시뮬레이션 결과, #2 M.Tr의 적정전압 유지 여부를 판단하고, #1 M.Tr의 부하를
#2 M.Tr로 전환하기 위하여 CB45-46-0, CB4100을 투입한다. 고장기기를 계통에서 분리하기 위하여 DS6131, DS4141을 개방하여
복구시킨다.
Fig. 9. Simulation result of fault type 10
4. 결 론
변전소의 고장파급은 정전에 의한 사회적 손실을 수반하기 때문에 신속하고 정확하게 고장을 판별한 후, 고장복구 시간이 단축되도록 적절한 솔루션들이 개발되어야
한다.
본 논문에서는 전문가 시스템과 DNN을 이용한 154kV 변전소 고장복구 지원시스템의 HMI를 설계하고 Python 언어로 구현하였다. 먼저, 변전소의
고장유형을 판별하기 위해서 동작상태 정보를 이진데이터 형식으로 변환한 후, DNN에서 고장유형 15가지를 학습하였다. 새로운 테스트 패턴에 따른 고장유형이
판별되면, 전문가 시스템에 의하여 고장복구 지원절차가 출력되도록 하였다. 다양한 시뮬레이션 결과, 제시된 고장복구 지원시스템의 HMI는 모든 고장유형에
대해 정확한 고장유형을 판단하였고, 적절한 고장복구 절차가 출력되는 것이 확인되었다.
따라서, 본 고장복구 지원시스템의 HMI는 계통운전원에게 빠른 고장판단과 고장복구절차를 제공할 수 있으며, 휴먼 에러 발생가능성을 감소할 수 있을
것이다. 향후, 고장복구의 부담을 줄이고 고장복구 조작 시 신속하고 정확하게 정보를 지원할 수 있는 인터페이스의 보완이 지속적으로 이루어져야 할 것이다.
References
Park C. W., et al., 2020, Fundamental Study of Fault Restoration Plan Using Intelligence
Technique for IEC 61850-based Digital Substation, KEPRI Final Report, pp. 1-155
KEPCO , 2016, Transmission & Substation SOP, KEPCO Transmission & Transformation,
pp. 1-77
INNOPOLIS , 2021, A Promising Market Issue Report (Digital Substation), pp. 1-39
KEPCO , 2021, Digitalization of Substations and Design/Build Technology of Process
Bus Network System, Intelligent Digital Substation Technology Exchange Conf., pp.
1-330
Ko Y. S., Kang T. G., 2004, Development of An Expert System with Knowledge Learning
Capability for Service Restoration of Automated Distribution Substation, Trans. KIEE,
Vol. 53A, No. 12, pp. 637-644
Cho P. H., Kim H. G., 2016, A Study of Standard Operation Procedure based on Analysis
of Substation Fault, 2016 KIEE Summer Conf., pp. 444-445
Lee H. J., Oh J. H., 2020, A Study on the Intelligent Restoration Algorithm for Distribution
Substations with Extended Topology, Trans. KIEE, Vol. 69, No. 6, pp. 846-854
Jang B. T., et al., 2020, Development of Support System for Substation Restoration
based Expert Knowledge, KEPRI, Final Report, pp. 1-487
Alves da Silva A. P., et al., 1996, Neural Networks for Fault Location in Substations,
IEEE Transactions of Power Delivery, Vol. 11, No. 1, pp. 234-239
Wen F., Chang C. S., 1996, A New Approach to Fault Diagnosis in Electrical Distribution
Networks Using a Genetic Algorithm, Artificial Intelligence in Engineering, Vol. 12,
pp. 69-80
Matsumoto Yoku, et al. , 2000, Development of Outage Restoration System Using Genetic
Algorithm, 2000 IEEE Power Engineering Society Winter Meeting Conference Proceedings
(Cat. No.00CH37077), pp. 2775-2779
Leao Fabio Bertequini, et. al. , 2009, Fault Section Estimation in Automated Distribution
Substations, 2009 IEEE Power & Energy Society General Meeting, pp. 1-8
Pickett Bruce , et al. , 2016, Reducing Outages Through Improved Protection, Monitoring,
Diagnostics, and Autorestoration in Transmission Substations—(69 kV and Above), IEEE
Transactions on Power Delivery, Vol. 31, pp. no. 3 1327-1334
Uchoa Luana, et. al. , 2020, Analysis of Smart Grid Fault Recovery Protocols, 2020
IEEE/IFIP Network Operations and Management Symposium (NOMS), pp. 1-8
Ren B., et al., 2020, Research on Fault Location of Process-Level Communication Networks
in Smart Substation Based on Deep Neural Networks, IEEE Access, Vol. 8, pp. 109707-109718
Zhu Ruoxi, et. al. , 2021, Cyber System Recovery for IEC 61850 Substations, 2021 IEEE
Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), pp. 1-5
Biography
He was born in Korea in 1995. He received his B.S. degrees in Electrical Engineering
from Gangneung-Wonju National University, Wonju, Korea, in 2021. At present, he is
studying for a Master’s degree in the Department of Biomedical Convergence Engineering
at Gangneung-Wonju National University. His research interests include LVDC, MVDC,
Hybrid, DERs, modeling & control, and protection of power grid. He is a member of
the KIEE, and KIIEE.
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.