2.1 제안 부하절체 탐지 방법
본 연구에서 제안하는 방법은 시계열 데이터를 분석하여 이상 데이터를 탐지하는 것이다. 이 방법은 크게 두 단계로 나뉜다. 먼저, 시계열 분해를 통해
부하 데이터를 추세(trend), 계절성(seasonality), 잔차(residual) 성분으로 분해한다. 그런 다음, 잔차 성분에 이동 평균과
이동 표준편차를 적용하여 부하절체를 탐지한다.
1) 시계열 분해
시계열 분해는 복잡한 시계열 데이터를 트렌드, 계절성, 잔차로 나누어 분석하는 방법이다. 또한, 데이터의 주요 패턴을 명확하게 구분할 수 있도록 잔차
성분을 분석 대상으로 설정하였다. 시계열 분해에서 잔차 성분을 분석하는 것은 여러 가지 장점이 있다. 잔차는 시계열 데이터를 구성하는 세 가지 주요
성분인 추세, 계절성, 그리고 불규칙성 중에서 추세와 계절성을 제거한 나머지 부분이다. 이를 통해 데이터의 본질적인 특성을 보다 명확하게 이해할 수
있다. 즉, 잔차는 데이터에서 추세와 계절성이 제거된 후 남은 부분이므로, 데이터에 존재하는 잡음이나 예측할 수 없는 비정상적인 패턴을 탐지하는 데
유리하다. 특히, 부하절체와 같은 데이터의 이상치나 예기치 않은 변화를 감지하는 데 효과적이다[9-10]. 요약하자면, 잔차를 분석함으로써, 데이터의 복잡한 패턴을 단순화할 수 있다. 이는 분석을 더 쉽게 만들며, 데이터에서의 미세한 변화나 예기치 않은
변동을 이해하는 데 도움이 된다. 따라서 본 연구에서는 시계열 데이터 자체가 아닌 시계열 데이터의 분해 후 잔차 성분을 대상으로 분석을 수행하였다.
본 연구에서는 사용한 시계열 분해는 식 (1)과 같다.
여기서, $Y(t) $: 시점 $t $에서의 추세 성분, $N$: 이동 평균 윈도우 크기($2k+1$), $m$: 계절 주기, $T(t)$: $t$에서
추세성분, $R(t)$: $t$에서 잔차 성분
2) 이동 평균 및 이동 표준편차
이동 평균과 이동 표준편차를 사용하는 데는 여러 가지 중요한 장점이 있다. 먼저, 이동 평균은 시계열 데이터에서 단기적인 변동성을 완화시켜 데이터의
전반적인 추세를 더 명확하게 볼 수 있도록 돕는다. 이를 통해 시계열 부하데이터의 "노이즈"를 제거하고, 데이터의 기본적인 패턴을 드러내도록 하는
데 유리하다. 예를 들어, 이동 평균을 사용하면 부하데이터 중 노이즈 데이터와 부하절체 등의 이상데이터를 구분하여 파악하는 데 유용하다. 둘째, 이동
표준편차는 데이터의 변동성을 측정하여 평균으로부터 얼마나 벗어나는지를 평가할 수 있게 해준다. 이를 통해 특정 시점에서의 값이 정상 범주를 벗어나는지(이상치)를
쉽게 탐지할 수 있다. 이를 활용하면, 부하절체와 같은 형상에 대하여 즉각적으로 검출 및 판단할 수 있다는 장점을 제공한다. 셋째, 이동 평균과 이동
표준편차는 다양한 시계열 데이터에 유연하게 적용할 수 있다. 윈도우 크기나 계산 방법을 조정함으로써 특정 데이터 세트에 최적화된 분석을 수행할 수
있다. 이는 데이터 분석 도구로서 이동 평균과 이동 표준편차가 갖는 큰 장점 중 하나이다. 마지막으로, 이동 평균과 이동 표준편차는 실시간 데이터
분석에 매우 유용하다. 새롭게 들어오는 데이터에 대해 실시간으로 업데이트할 수 있어, 시간의 흐름에 따른 데이터 변화를 지속적으로 추적하고 분석하는
데 도움을 준다[9], [11-12]. 본 연구에서는 이동 평균과 이동 표준편차를 사용하였으며, 이는 식 (2) 및 식 (3)으로 나타낼 수 있다.
여기서, $MA(t)$: $t$에서 이동 평균값, $Y(t-i)$: $t-i$시점에서 원 시계열 데이터 값, $N$: 이동 평균 계산하는 기간
여기서, $MSD(t)$: $t$에서 이동 표준편차값, $Y(t-i)$: $t-i$시점에서 원 시계열 데이터 값, $N$: 이동 평균 계산하는 기간,
$MA(t)$: $t$에서 이동 평균값
3) 제안 부하절체 탐지 방법
그림 1. 부하절체 발생일 및 부하절체 탐지 결과 예시
Fig. 1. Example of load transfer occurrence date and detection results
전술한 시계열 분해와 이동 평균 및 이동 표준편차를 기반으로 본 연구에서 제안하는 부하절체 탐지 방법은 다음과 같다. 먼저, 시계열 분해를 활용하여
부하데이터를 처리한 후, 시계열 분해의 산출물인 잔차를 대상으로 이동 평균과 이동 표준편차를 계산하였다. 다음 단계로 계산된 잔차를 대상으로 하여
식 (4)와 같이 이동 평균과 이동 표준편차를 기준으로 부하절체를 탐지할 수 있도록 하였다. 아울러, 그림 1에 이해를 돕기 위한 예시를 첨부하였다. 또한, 그림 2 및 표 1에 제안 방법의 도식도 및 단계별 개요를 나타내었다.
여기서, $R(t)$: $t$에서 잔차 성분, $MA(t)$: $t$에서 이동 평균값, $MSD(t)$: $t$에서 이동 표준편차값, $Treshold$:
임계값(휴리스틱 분석을 통해 1.5로 설정)
그림 2. 제안 방법의 도식도
Fig. 2. Diagram of the Proposed Method
표 1 제안 방법의 단계별 개요
Table 1 Step-by-step overview of the proposed method
|
단계
|
과정
|
설명
|
|
1
|
Load Data Acquisition
|
부하 데이터를 수집하는 초기 단계
|
|
2
|
Time Series Decomposition
|
수집된 데이터에서 시계열 분해를 수행하여 추세, 계절성 등을 분리(식 (1))
|
|
3
|
Residual Acquisition
|
분해 과정 후 잔차 데이터 획득
|
|
4
|
Moving Average (MA)
& Moving Standard Deviation (MSD)
|
잔차 데이터에 대해 이동 평균과 이동 표준편차 계산(식 (2), (3))
|
|
5
|
Load Transfer Detection
|
계산된 MA와 MSD를 사용하여 부하 이전 여부를 판단(식 (4))
|
2.2 제안 방법의 검증
1) 활용 부하데이터
본 연구에서 활용된 부하데이터는 한국전력공사의 Substation Operation Management System(SOMAS)에서 수집된 것이다.
이 데이터는 변전소 인출부에 설치된 Circuit Breaker(CB)에 부착된 디바이스로부터 취득되며, 배전선로 전체의 부하를 대표한다. 수집된
데이터는 강원도의 김화 배전선로를 대상으로 하며, 2015년 1월 5일부터 2019년 12월 31일까지의 기간 동안 매 시간마다 기록된 부하 값을
포함하고 있다. 이러한 시간별 부하 데이터는 배전선로의 부하 패턴 분석 및 부하 절체 탐지를 위한 중요한 기초 자료로 활용된다. 데이터의 시간적 해상도가
높아 부하의 변동성을 세밀하게 분석할 수 있으며, 이를 통해 모델의 학습에 필요한 고품질 데이터를 제공할 수 있다. 특히, 이 데이터는 배전 계획의
효율성을 향상시키기 위해 부하 절체와 같은 비정상적인 부하 변동을 탐지하고 예측하는 데 필수적인 역할을 한다.
2) 제안 부하절체 탐지 방법의 검증 결과
제안 방법의 검증을 위하여 실제 배전선로에서 발생한 부하절체 데이터와 제안 방법의 결과로 도출된 부하절체 검출 결과를 비교분석 하였다. 다만, 배전선로에서
발생하는 부하절체는 운영상의 목적으로 실시간으로 발생하는 소위 ‘운영 부하절체’와 운영을 위한 유지보수 등의 목적으로 계획하에 발생하는 ‘계획 부하절체’로
구분된다. ‘운영 부하절체’와 ‘계획 부하절체’ 모두 운영상의 필요에 의해 발생하는 부하절체이지만, ‘계획 부하절체’의 경우 별도로 그 이력을 관리하고
있으므로, 본 연구에서는 검증 목적으로 ‘계획 부하절체’ 데이터를 활용하여 제안된 방법의 성능을 검증했음을 명시한다. 아래의 표 2에 계획 부하절체 결과와 실제 제안 방법을 통해 검출한 부하절체 결과를 비교하였다.
표 2 제안 방법의 부하절체 탐지 검증 결과
Table 2 Verification results of load transfer detection for the proposed method
|
계획 부하절체
|
부하절체 탐지결과
|
|
2019.04.30.
|
탐지
|
|
2019.05.24.
|
-
|
|
2019.06.05.
|
탐지
|
|
2019.06.07.
|
탐지
|
|
2019.08.18.
|
탐지
|
|
2019.08.23.
|
탐지
|
|
2019.11.29.
|
탐지
|
|
2019.12.11.
|
탐지
|
|
2019.12.30.
|
탐지
|
표 2의 내용을 통해 계획 부하절체 총 9건 중 8건에 대하여 약 89\% 정확도의 안정적인 검출을 확인할 수 있다. 다만, 제안 방법은 2019.05.24.일에
발생한 계획 부하절체는 탐지하지 못하는 것을 확인하였으며, 총 계획 부하절체인 9건보다 더 많은 부하절체를 탐지하였음을 확인할 수 있다. 이는 제안된
방법을 통해 계획 부하절체뿐 아니라 실시간으로 이루어진 운영 부하절체도 탐지하였기 때문임을 명시한다. 제안 방법의 적정성을 검증하기 위하여 아래의
그림 3~그림 4 그리고 표 2에 전체 부하데이터에 대한 부하절체 검출 결과 및 각 검출 시점에 대한 상세한 검출 결과를 첨부하였다.
표 3을 통해 확인할 수 있는 것처럼, 제안 방법을 통해 김화 배전전로의 평균 부하변동율인 37.5\%를 초과하는 부하변동율을 가지는 부하절체는 모두 탐지하였다.
특히 그림 4(a)에 나타낸 것처럼 부하변동율 96.4\%를 가지는 부하절체를 유의하게 탐지함을 확인할 수 있다. 또한, 평균 부하변동율인 37.5\%에 미치지 못하는
부하변동율을 수반하는 부하절체라도 최대부하가 높기에 중요도가 높은 시점의 부하절체는 모두 탐지하는 것을 확인할 수 있었다. 그림 4(c)에 나타낸 것과 같이 부하변동율이 14.3\%를 가지는 부하절체라도 최대부하가 6MW인 중요 시점인 경우 부하절체를 적절히 탐지함을 확인할 수 있다.
다만, 그림 4(b)와 같이 일부 검출 결과에서 데이터의 누락으로 인해 데이터가 정상적으로 들어오지 않는 경우, 급격한 부하 패턴의 변동과 부하값의 변동이 발생하므로
이를 부하절체로 인식하는 것을 확인할 수 있다. 이는 제안된 방법이 운영상의 효율을 최대화하기 위해 기존의 데이터 수집 장치를 그대로 사용하고, 별도의
전처리를 수행하지 않았기 때문이다. 데이터 보정 등의 전처리는 특정 운영 상황을 가정하여 데이터를 수정하거나 보정하는 작업이므로 데이터의 패턴을 기반으로
부하절체를 탐지하는 제안 방법에서는 별도로 전처리를 수행하지 않았음을 명시한다. 따라서, 향후에는 제안 방법을 통해 데이터 수집 장치의 오류를 파악하고,
이에 대한 보고나 조치를 수행할 수 있을 것으로 기대한다. 아울러, 전술한 것처럼 2019.05.24.에 발생한 계획 부하절체는 탐지하지 못함을 확인하였는데,
이는 그림 5를 통해 확인할 수 있는 것처럼, 계획된 부하절체가 수행되었음에도 유의미한 부하 패턴의 변화가 발생하지 않았기 때문이다. 따라서 부하변동을 기반으로
부하절체를 탐지하는 제안 방법은 별도의 부하절체를 인식하지 않았음을 알 수 있다.
그림 3. 전체 부하절체 탐지 결과(강원 김화 배전선로)
Fig. 3. Load transfer detection results (Gangwon Kimhwa D/L)
표 3 부하절체일의 부하변동, 부하정보, 부하절체 탐지 결과
Table 3 Load variation, load information, and load transfer detection results
|
부하
절체일
|
부하변동
[MW]
|
부하
변동율
|
최소부하[MW]
|
최대부하[MW]
|
평균부하[MW]
|
부하절체탐지결과
|
|
2019.04.30
|
2.3→0.1
|
95.7%
|
0.1
|
3.1
|
2.2
|
O
|
|
2019.05.24
|
2.2→2.7
|
22.7%
|
1.6
|
3
|
2.4
|
X
|
|
2019.06.05
|
2.8→1.5
|
46.4%
|
0.2
|
3.1
|
2
|
O
|
|
2019.06.07
|
2.8→0.1
|
96.4%
|
0.1
|
2.9
|
2.2
|
O
|
|
2019.08.17
|
3.5→3.5
|
0%
|
3.5
|
3.5
|
3.5
|
O
|
|
2019.08.23
|
3.3→0.5
|
84.8%
|
0.3
|
3.8
|
2.2
|
O
|
|
2019.11.29
|
3.8→3.1
|
18.4%
|
2.3
|
4.3
|
3.4
|
O
|
|
2019.12.11
|
4.5→6.0
|
33.3%
|
2.9
|
6
|
3.6
|
O
|
|
2019.12.30
|
5.6→6.4
|
14.3%
|
4
|
7
|
4.7
|
O
|
|
2019.01.01.∼12.31. 전체 기간의 평균 부하변동율: 37.5%
|
그림 4. 부하데이터 및 부하절체 탐지내용별 상세 결과
Fig. 4. Detailed results by load data and load transfer detection
그림 5. 강원 김화 배전선로의 부하데이터(2019.05.24)
Fig. 5. Load data of the Gangwon Kimhwa D/L(2019.05.24)