Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

  1. (Dept. of Electrical Engineering, Gangneung-Wonju National University, Korea)



AI, ANN, BP, Fault recovery system, Fault type identification, Learning, SOP, Substation

1. 서 론

변전소는 발전소의 고전압 전력을 수용가에 저전압 전력으로 변환시켜 안정적으로 공급하는 전력계통의 구성요소 중의 하나이다. 전력계통의 대규모 정전을 대비하여 변전소는 중앙에서 실시간으로 계통에 관한 중요한 정보들을 얻고, 계통을 제어할 수 있는 능력이 부가되면서 소비자에게 다양한 서비스를 해줄 수 있도록 변화하고 있다. 세계적으로 IEC 61850 국제표준규격 기반의 변전소자동화시스템(SAS : Substation Automation System)이 운영 중에 있는 바, 국내에서도 IED를 기반으로 기존 변전소 및 신설 변전소를 SAS로 구축하고 있다[1,2].

변전분야 고장사례집에 근거하면 2012년 주요 고장에 대한 100[MVA] 고장률은 0.0066, 271,247[MVA]에 달하고 있다[3]. 전력설비에 고장이 발생했을 경우 신속한 고장복구와 고장파급방지를 위하여 한전에서는 표준복구절차(SOP : Standard Operation Procedure)를 수립, 시행하고 있다[4]. 그러나 새로운 전력설비의 운전에 따른 기존과 다른 고장유형이 발생했을 경우 고장복구에 많은 어려움이 내포하고 있다. 이에 변전소의 고장은 전력공급 중단과 비상사태를 일으키기 때문에 가능한 신속하게 고장을 찾아내어 정전복구시간과 경제적인 손실을 최소화해야 한다[5,6].

최근, 컴퓨터 하드웨어 및 소프트웨어 플랫폼의 발전으로 스마트한 장점이 있는 인공신경회로망(ANN : Artificial Neural Network)에 대한 관심이 부상하고 있다. 특히, 알파고 이후, AI 고도화, 자기학습(Self Learning) 등을 변전소 고장판단 시스템에 적용함으로서 자동고장복구 시스템으로 전환하려는 움직임이 제기되었다. 그런데, 신속한 고장복구를 위해서는 고장유형 식별과 고장점 표정 판단이 선행되어야 한다[7,8].

해외의 고장점 표정에 관한 연구로, 변전소의 고장점 표정을 위한 인공신경회로망이 적용·제시된 이후, 근래에는, 인공신경회로망을 이용한 분산전원의 고장점 표정과 변전소의 고장인식을 위한 웨이브릿기반 신경회로망이 발표되었다[9∼12].

국내에서는 고장표정 알고리즘에 적합한 원형 웨이브릿 변환이 발표된 이후, 송전선로용 디지털 표정장치(Fault Locator)가 개발되었고, 근래에는 Weka 소프트웨어를 이용한 변전소의 고장점 표정이 제시되었다[13~15]. 또한, 배전 변전소를 위한 전문가시스템 기반의 복구와 SCADA 시스템에 의한 GIS 고장위치검출에 관한 연구도 진행되었다[16,17]. 현재 AI 등 지능기법을 이용한 자동화 디지털변전소 고장복구방안의 기초 연구과제가 진행 중에 있다[18~21].

본 연구에서는, 이 과제의 일부 산출물로서 ANN을 변전소의 고장유형 식별(Fault Type Identification)에 적용하고자 한다. 먼저, 해당 변전소의 구성요소인 CB, DS, IED 등의 동작상태와 SOP의 고장유형을 이용하여 인공신경회로망의 구조를 설계하였다. 학습패턴은 정상상태와 SOP에 규정된 15가지의 고장유형을 고려하여 포함시켰다. 역전파 (BP : Back Propagation)를 통해 제시한 인공신경회로망을 학습한 후, 시험패턴으로 변전소의 고장유형 식별 여부를 시험하였다. 끝으로 제시한 기법을 다양한 시뮬레이션 조건에서 성능을 평가하고자 한다.

2. 변전소 표준복구절차

2.1 변전소

변전소는 전압의 변성, 전력의 집중 및 배분, 조상설비와 전압조정장치에 의한 전압조정, 전력조류의 제어와 송배전선 및 변전소를 보호하는 기능을 한다. IEC 61850은 주로 미국에서 사용되던 UCA 2.0에 유럽의 요구사항을 함께 고려하여 국제 표준으로 개발된 프로토콜이다. 그림 1은 IEC 61850 기반 SAS의 구조를 나타낸다. 그림 1과 같이 SAS는 3단계 레벨(Station/Bay/Process Level)과 각 레벨을 연계하기 위해 두 가지의 통신 네트워크(Station/Process Bus)로 구성된다[1].

그림. 1. 변전소자동화 시스템의 구조

Fig. 1. Structure of SAS

../../Resources/kiee/KIEE.2019.68.9.1039/fig1.png

그림 2는 154kV 표준 변전소의 단선도를 나타낸다[1,4,5,18]. 그림 2와 같이 송전선로(T/L), 배전선로(D/L), 2개의 송전모선(TBUS), 배전모선(DBUS), 4개의 주변압기(M.Tr), 51개의 차단기 및 96개의 단로기 등으로 구성된다. T/L, D/L, TBus, DBUS, M.Tr, 등으로 구획되어 있고 계절 등에 따라 다양하게 운영되기 때문에 고장이 발생할 경우 고장점 표정과 고장유형 식별이 용이하지 않다.

그림. 2. 154kV 표준 변전소의 단선도

Fig. 2. Single line diagram of 154kV standard substation

../../Resources/kiee/KIEE.2019.68.9.1039/fig2.png

2.2 표준복구절차

표준복구절차는 변전소에서 발생하는 정전 및 무정전 고장에 대한 SOP를 규정하여, 정전시간 최소화 및 안정적 전력공급을 도모함을 목적으로 한다.

이 절차서에는 변전소 고장발생시 대처흐름도와 아래와 같은 15가지 고장유형에 대한 표준복구절차를 수록하고 있다[1, 4, 5, 18].

$\quad\quad$- 유형1 : T/L 주보호 단(지)락, 후비보호 단(지)락

$\quad\quad$- 유형2 : T/L 송전선단선

$\quad\quad$- 유형3 : BUSPRO 87B1

$\quad\quad$- 유형4 : M.Tr CB B/F, M.Tr 87, 96Ry

$\quad\quad$- 유형5 : T/L CB B/F, 주보호 단(지)락, 후비보호 단(지)락

$\quad\quad$- 유형6 : BUSPRO 87B1, 87B2

$\quad\quad$- 유형7 : BUSPRO 87B1, 87B2(154kV 양DS ON시)

$\quad\quad$- 유형8 : M.Tr 87, 96P(D,T)

$\quad\quad$- 유형9 : M.Tr 59GA

$\quad\quad$- 유형10: M.Tr 59GT

$\quad\quad$- 유형11: M.Tr 51SN(51S, 51P)

$\quad\quad$- 유형12: M.Tr 51SN(51S, 51P), ⒶD/L OC(G)R

$\quad\quad$- 유형13: #1 M.Tr 51SN(51S, 51P) 다중모선운전시

$\quad\quad$- 유형14: #1,2 M.Tr 51SN(51S, 51P) 다중모선운전시

$\quad\quad$- 유형15: UFR 동작

3. 인공신경회로망

인공신경회로망은 1943년 Warren McCulloch과 Walter Pitts의 “Artificial Neural Network 모델” 제안 이후 지속적인 기술 개발을 통하여 발전해왔고, 최근 AlphaGo를 통해 제2의 인공지능 부흥기를 불러온 기계학습 방법이다. ANN은 BP이라는 단계를 통하여 학습을 수행하며, 학습할 데이터를 제공하여 학습 시키는 지도학습(Supervised Learning) 방법을 이용하여 학습을 수행한다.

그림 3은 인공신경회로망의 구조를 나타낸다. 그림 3과 같이 입력층, 은닉층, 출력층으로 구성되며 $x_{1},\:x_{2}\sim x_{n}$은 입력의 개수, $y_{1},\:y_{2}\sim y_{m}$는 출력의 개수이며 $w_{1,\:1}^{1},\:w_{2,\:1}^{2}\sim w_{n,\:m}^{p}$는 가중치(Weight)를 나타낸다. 각 층을 구성하고 있는 노드들은 필요에 따라 개수를 조절 할 수 있다. 복수의 은닉층을 가진 인공신경망을 딥러닝(Deep Learning)이라고 부른다. 또한 층과 층을 이어주는 선은 가중치로서 다음 노드로 전달되는 값을 조절하여, 출력 y가 적당한 값으로 출력 될 수 있도록 한다[19,20].

그림. 3. 인공신경회로망의 구조

Fig. 3. Structure of ANN

../../Resources/kiee/KIEE.2019.68.9.1039/fig3.png

4. 인공신경회로망에 의한 변전소의 고장유형 식별

4.1 인공신경망의 구조와 학습패턴

제안하는 변전소의 고장유형 식별을 위한 인공신경회로망의 구조는 154kV 표준 변전소의 CB, DS, IED 수의 합인 253개로 설정하였으며, 출력 층의 뉴런수는 SOP의 15가지의 고장유형을 표시할 수 있도록 15개로 설정하였다[18].

ANN을 위한 학습패턴은 Excel을 이용해 CSV(Comma Separated Value) 형식으로 작성되었다. 그림 4는 $72\times 268$ 행렬로 구성된 학습패턴의 일부를 나타낸다. 학습패턴은 정상상태와 SOP에 규정된 15가지의 고장유형으로 하였다. 이 학습패턴은 BP를 통해 학습된다. 그림 4와 같이 CB와 IED의 동작상태(개:0, 폐:1)를 Excel을 이용하여 보여주는 데이터 파일을 생성하여 콤마로 구분된 텍스트 파일로 저장하였다. 학습패턴에서 열의 수는 268개이며, 이는 50개의 CB, 96개의 DS, 107개의 IED의 총 수인 253개에 고장유형 15가지를 포함한 개수가 된다. 실제로 학습패턴에서 고장유형 1은 6가지, 고장유형 2는 6가지, 고장유형 3은 2가지, 고장유형 4는 4가지, 고장유형 5는 6가지, 고장유형 6은 1가지, 고장유형 7은 고장유형 8과 동일한 패턴을 가지므로 생략하였고, 고장유형 8은 4가지, 고장유형 9는 4가지, 고장유형 10은 4가지, 고장유형 11은 4가지, 고장유형 12는 22가지, 고장유형 13은 4가지, 고장유형 14는 3가지, 그리고 고장유형 15는 1가지로 정하였다.

그림. 4. 학습패턴의 일부

Fig. 4. Part of learning pattern

../../Resources/kiee/KIEE.2019.68.9.1039/fig4.png

4.2 시험패턴

그림 5는 $66\times 268$ 행렬로 구성된 시험패턴의 일부를 나타낸다. 시험패턴은 정상상태와 SOP에 규정된 15가지의 고장유형으로 구성하였다. 실제로 시험패턴에서 고장유형 1은 5가지, 고장유형 2는 4가지, 고장유형 3은 2가지, 고장유형 4는 4가지, 고장유형 5는 6가지, 고장유형 6은 1가지, 고장유형 7은 없고, 고장유형 8은 4가지, 고장유형 9는 4가지, 고장유형 10은 4가지, 고장유형 11은 4가지, 고장유형 12는 17가지, 고장유형 13은 4가지, 고장유형 14는 3가지, 그리고 고장유형 15는 3가지로 정하였다.

그림. 5. 시험패턴의 일부

Fig. 5. Part of test pattern

../../Resources/kiee/KIEE.2019.68.9.1039/fig5.png

4.3 시뮬레이션 및 결과

4.3.1 C 언어에 의한 구현

C 언어를 이용하여 변전소에서 발생할 수 있는 15가지 고장유형과 1가지의 정상상태를 판별할 수 있는 ANN을 설계·구현하였다. createNet 함수를 통하여 ANN을 구성하고, 입력 및 출력 데이터를 불러온 후, for문을 통해 입력데이터의 가중치 업데이트를 통해 학습을 수행하도록 하였다.

그림 6은 C 언어를 구현한 프로그램의 일부를 나타낸다. 그림 6에서 볼 수 있듯이 ANN의 학습패턴의 과정 및 결과 등을 설정할 수 있다. 전체적으로 C 언어 코드는 함수의 정의 및 선언, if문과 for문을 통해 반복학습을 수행하며 학습을 진행하도록 하였다[18].

그림. 6. C 언어로 구현한 프로그램의 일부

Fig. 6. Part of a program implemented in C language

../../Resources/kiee/KIEE.2019.68.9.1039/fig6.png

4.3.2 시뮬레이션 결과

본 논문에서 제시한 고장유형 식별을 위한 ANN 입력층의 뉴런 수는 253개, 출력층의 뉴런 수는 15개, 은닉층의 층수 1개, 은닉층의 뉴런 수는 입력의 개수와 동일한 253개이다. 시뮬레이션의 조건은, 두 가지의 학습반복횟수(1,000,000회, 2,000,000회)에 대하여 학습률(Learning Rate)을 0.01, 0.1로 가변하였고 관성항(Momentum)을 0.1부터 0.9까지 0.2간격으로 설정하였다. $72\times 268$의 학습패턴으로 학습시켰으며, $66\times 268$의 시험패턴으로 시험하였다.

그림 7은 학습률과 관성항이 0.1 일때 학습반복횟수에 따 른 정상상태 몇 가지 고장유형의 학습결과를 나타낸다. 그림 7(a)과 같이 정상상태의 경우 모든 예측값은 0에 가깝게 나타났으며, 고장유형 2를 나타내는 두 번째 행의 예측값은 0.2079 및 0.1446로 크기가 작기 때문에 고장으로 판별할 수 없으며, 각각의 학습반복횟수에서 MSE는 0.003095와 0.001453 임을 나타냈다. 그림 7(b)와 같이 고장유형 1을 나타내는 첫 번째 행의 예측값이 각각 0.9458 및 0.9638로 나타났으며, 예측값이 크기 때문에 고장유형 1로 판단 할 수 있다. 두 결과를 비교하면 학습반복횟수가 2,000,000회일 때 예측값이 0.018만큼 크기 때문에 좀 더 안정적이라고 할 수 있으며, 각각의 학습반복횟수에서 MSE는 0.000272와 0.000117 임을 나타냈다. 그림 7(c)와 같이 고장유형 15를 나타내는 열다섯 번째 행의 예측값이 각각 0.8304 및 0.8997로 나타났으며, 예측값이 크기 때문에 고장유형 15로 판단 할 수 있다. 두 결과를 비교하면 학습반복횟수가 2,000,000회일 때 예측값이 0.693만큼 크기 때문에 좀 더 안정적이라고 할 수 있으며, 각각의 학습반복횟수에서 MSE는 0.001979와 0.000699 임을 나타냈다.

표 1은 학습반복횟수가 1,000,000과 2,000,000일 때 시뮬레이션의 성능을 나타낸다. 표 1로부터 15가지 고장 유형에 대하여 학습반복 횟수가 2,000,000번, 학습률이 0.1, 관성항이 0.7 일때 고장유형 식별개수가 65개로서 고장유형 13인 경우의 1가지 테스트 패턴을 제외하고 모든 고장점 표정을 정확하게 찾았음을 알 수 있었다. 전체적으로 학습반복 횟수를 늘릴수록 고장유형 식별의 성능이 더 좋아졌으며, 학습반복횟수가 적을 때는, 학습률은 0.1 일때 가장 좋은 것으로 나타났다. 또한, 관성항이 커질수록 고장유형 식별의 정확도가 높아졌으나 너무 큰 관성항은 오차가 심하여 정확도가 떨어진다는 것을 알 수 있었다. 학습반복 횟수를 늘리고, 학습률과 관성항을 각각 0.1, 0.7로 설정하면 좀 더 정확하게 모든 고장점 표정을 할 수 있을 것으로 예상된다.

그림. 7. 시뮬레이션 결과

Fig. 7. Simulation result

../../Resources/kiee/KIEE.2019.68.9.1039/fig7_1.png

$\quad\quad\quad\quad\quad$(a) 정상상태 $\quad$ (a) Steady state

../../Resources/kiee/KIEE.2019.68.9.1039/fig7_2.png

$\quad\quad\quad\quad\quad$(b) 고장유형 1 $\quad$ (b) Fault type 1

../../Resources/kiee/KIEE.2019.68.9.1039/fig7_3.png

$\quad\quad\quad\quad\quad$(c) 고장유형 15 $\quad$ (c) Fault type 15

표 1. 시뮬레이션의 성능

Table 1. Simulation performance

학습반복횟수

학습률

관성항

오차 (MSE)

고장유형

식별개수

예측값

1,000,000

0.01

0.1

0.010830

57

0.774372

0.3

0.009486

58

0.798095

0.5

0.008669

58

0.816468

0.7

0.008490

58

0.829183

0.9

0.002635

64

0.914612

0.1

0.1

0.004326

62

0.903698

0.3

0.004293

62

0.905465

0.5

0.003266

63

0.921961

0.7

0.008295

58

0.849640

0.9

0.055557

10

0.150283

2,000,000

0.01

0.1

0.008611

58

0.819974

0.3

0.008519

58

0.826386

0.5

0.008346

58

0.834084

0.7

0.004461

62

0.894233

0.9

0.002206

64

0.937626

0.1

0.1

0.004234

62

0.910383

0.3

0.003239

63

0.926333

0.5

0.003162

63

0.928122

0.7

0.001153

65

0.952971

0.9

0.038486

28

0.403201

5. 결 론

변전소의 고장은 전력공급 중단과 비상사태를 일으키기 때문에 가능한 신속하게 고장을 찾아내어 정전복구시간과 경제적인 손실을 최소화해야 한다. 최근, 스마트한 장점이 있는 ANN의 고장복구와 고장점 표정의 적용에 대한 관심이 부상하고 있다.

본 논문은 수행 중인 지능기법을 이용한 자동화 디지털변전소 고장복구방안의 기초 연구과제의 일부 산출물로서 신속한 고장복구를 위하여 선행되어야 하는 고장유형 식별을 위해 SOP를 고려한 ANN의 적용이다. 먼저, 변전소의 CB, DS, IED 등 구성요소의 동작상태와 SOP의 고장유형을 이용하여 ANN을 설계하였다. 구성한 학습패턴을 BP로 통해 학습한 후, 시험패턴으로 다양한 조건에서 변전소의 고장유형 식별 여부를 시험하였다. 시뮬레이션 결과 2,000,000의 학습반복 횟수, 0.1의 학습률, 0.7의 관성항일때 65개의 고장유형 식별로 100%의 고장점 표정을 나타냄으로서 수행한 조건 중에서의 최적의 ANN 임을 찾을 수 있었다.

현재, 변전소 구성요소의 동작시간과 고장률 등을 고려한 고장점 표정을 기반으로 지능기법에 의한 변전소의 고장복구방안을 모색하고 있다.

Acknowledgements

본 연구는 한국전력공사의 2016년 선정 기초연구개발과제 연구비에 의해 지원되었음 (과제번호 : R17XA05-27)

References

1 
C. W. Park, T. W. Kang, et. al., July 2018, Fundamental Study of Fault Restoration Plan using Intelligence Technique for IEC 61850-based Digital Substation, KEPCO 1st Year Report, pp. 1-155Google Search
2 
Y. H. Ahn, et. al., 2011, IED (Intelligent Electronic Device) Development, MOTIE Final Report, pp. 1-155Google Search
3 
KEPCO, Transmission Substation Operation Department,Substation Operation Team, August 2013, Breakdown cases of substation Vol. 2, Human Resources Development Center, Engineering education team, pp. 1-517Google Search
4 
KEPCO, 2016, Transmission & Substation Standard Operation Procedure, KEPCO Transmission & Transformation, pp. 1-77Google Search
5 
P. H. Cho, J. Y. Kim, B. H. Lee, S. D. Jeon, 2015, A Study of 154 kV Transmission & Substation Standard Operating Procedures, in Proc. of KIEE Summer Conference, pp. 443-444Google Search
6 
P. H. Cho, H. G. Kim, W. J. Park, 2017, A Study of major fault causes based on analysis of substation fault, in Proc. of KIEE Summer Conference, pp. 435-436Google Search
7 
KEPCO, 2016, Plans to Build Automatic Fault Restoration System for Substation, KEPCO Transmission & Transformation, pp. 1-5Google Search
8 
J. B. Ahn, K. M. Lee, C. W. Park, et. al., 2016, A Measures of Substation Automatic Restoration Support System using Artificial Intelligence, in Proc. of KIEE PES Autumn Conference, pp. 195-196Google Search
9 
A. P. Alves da Silva, A. H. F. Insfran, P. M. da Silveira, G. Lambert-Torres, 1996, Neural networks for fault location in substations, IEEE Transactions on Power Delivery, Vol. 11, No. 1, pp. 234-239DOI
10 
Farzad Dehghani, Hamid Nezami, 2013, A new fault location technique on radial distribution systems using artificial neural network, in Proc. of the 22nd International Conference and Exhibition on Electricity Distribution (CIRED 2013), pp. 375-379DOI
11 
Farzad Dehghani, Fereydoun Khodnia, Esfandiar Dehghan, June 2017, Fault location of unbalanced power distribution feeder with distributed generation using neural networks, in Proc. of the 24th International Conference & Exhibition on Electricity Distribution (CIRED 2017), pp. 1134-1137DOI
12 
Bon Nhan Nguyen, Anh Huy Quyen, Phuc Huu Nguyen, Trieu Ngoc Ton, 2017, Wavelet-based Neural Network for recognition of faults at NHABE power substation of the Vietnam power system, in Proc. of the 2017 International Conference on System Science and Engineering, pp. 165-168DOI
13 
I. D. Park, S. H. Lee, S. K. Kim, July 2009, Mother Wavelet Transform Suitable to Fault Method Algorithm, in Proc. of KIEE Summer Conference, pp. 62-63Google Search
14 
C. W. Park, K. M. Lee, 2015, A Study on Digital Fault Locator for Transmission Line, KIEE, Vol. 64p, No. 4, pp. 291-296DOI
15 
C. W. Park, T. W. Kang, et. al., July 2018, Neural Network Using Weka for Fault Location of Substation, in Proc. of KIEE Summer Conference, pp. 1-58Google Search
16 
H. J. Lee, 1996, A Restoration Aid Expert System for Distribution Substations, IEEE Transactions on Power Delivery, Vol. 11, No. 4, pp. 596-603DOI
17 
J. H. Lee, B. H. Lee, S. D. Jeon, D. W. Kim, July 2010, A Study of GIS Fault Area Detection Algorithm by SCADA System, in Proc. of KIEE Summer Conference, pp. 1687-1688Google Search
18 
C. W. Park, T. W. Kang, et. al., 2018, Fundamental Study of Fault Restoration Plan using Intelligence Technique for IEC 61850-based Digital Substation, KEPRI 2nd Year Report, pp. 1-155Google Search
19 
Aaron Courville, et. al., 2016, Deep Learning, Google Books, pp. 1-785Google Search
20 
Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal, 2017, Data Mining, Practical Machine Learning Tools and Techniques, 4th Ed, ELSEVIER, MORGAN KAUFMANN, pp. 1-656Google Search
21 
I. S. Oh, January 2019, Machine Learning, Hanbit Academy, Inc., pp. 1-664Google Search

저자소개

이경민(Kyung-Min Lee)
../../Resources/kiee/KIEE.2019.68.9.1039/au1.png

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.

Tel : 033-760-8796

Fax : 033-760-8781

E-mail : point2529@naver.com

박철원(Chul-Won Park )
../../Resources/kiee/KIEE.2019.68.9.1039/au2.png

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, the Paper Prize of the KOFST in 2017, and an Academic Prize of KIIEE in 2018.

Tel : 033-760-8786

Lab : 033-760-8796

Fax : 033-760-8781

E-mail : cwpark1@gwnu.ac.kr