• 대한전기학회
Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers
  • COPE
  • kcse
  • 한국과학기술단체총연합회
  • 한국학술지인용색인
  • Scopus
  • crossref
  • orcid

  1. (Dept. of Climate and Energy Systems Engineering, Ewha Womans University, Republic of Korea.)



Cascade failure, Extreme temperature, Climate Resilience, Power system vulnerability

1. 서 론

최근 기후변화로 인해 극한 기상 현상의 발생 빈도 및 강도가 증가함에 따라 전력계통 계획 및 운영에 전례없는 불확실성이 가중되고 있다. 특히 극한 기온 현상은 전력설비의 정격 운전 조건을 초과하는 열적·기계적 스트레스를 유발하여 계통 안정성 확보에 어려움을 초래할 수 있다. 물리적 관점에서 고온은 전도체의 저항 증가 및 열팽창에 따른 기계적 응력 변화를 초래하고, 절연재의 유전 특성 저하 및 열화 가속을 유발한다. 운영 측면에서는 온도 상승에 따라 부하 패턴이 변동되며, 유효전력 및 무효전력 수급 균형에 영향을 미친다. 특히 고온 시 냉방 부하의 급증은 계통의 전압 안정도를 조기에 한계점에 도달하게 하여 전압붕괴 위험을 가속화시킬 수 있다.

전력계통에 영향을 미치는 기상현상은 크게 두 가지 범주로 구분된다. 첫째는 폭염, 한파, 열대성 저기압과 같은 고영향 이벤트(High Impact Events)로, 물리적 인프라에 직접적인 손상을 가해 순간적인 공급 중단부터 광역 정전에 이르는 심각한 결과를 초래할 수 있다. 둘째는 높은 부하 시 재생에너지 출력 부족, 낮은 부하 시 전력 과잉 등과 같이 중장기 운영 계획 수립에 어려움을 초래하는 이벤트(Events Posing Planning Challenges)이다[1]. 전자의 경우, 발생 확률은 낮으나 발생 시 피해 규모가 크므로 전력계통의 구조적 취약성을 진단하고, 이에 대한 리스크 관리 전략을 수립하기 위한 체계적인 연구가 요구된다.

연쇄사고를 시뮬레이션하고 분석하기 위해 다양한 모델이 개발되었다. 대표적으로는 Manchester model[2], hidden failure model[3], CASCADE model[4], optimal power allocation (OPA) model[5], AC OPA model[6], 동적 모의 (Dynamic) 모델[7], branching process model[8], multi-type branching process model[9], interaction model[10], Markovian influence graph[11] 등이 있다. 그러나 기존 모델은 대부분 전력계통 구성요소 간의 상호작용을 중점적으로 다루고, 다양한 외부 요인과의 상호작용을 충분히 반영하지 못한다. 극한 기상 등 실제로 외부 기상요인은 연쇄사고의 유발 및 확산 경로에 결정적인 역할을 할 수 있으므로, 이를 고려한 분석이 필요하다.

1996년 미국 서부에서는 고온으로 인한 송전선 이도(sag)가 수목 접촉을 유발하였고, 이로 인해 여러 송전선이 과부하 및 보호계전기의 작동으로 차단되면서 전압 불안정성과 위상각 불안정이 연쇄적으로 발생하여 광역 정전으로 이어졌다. 2003년 미·캐나다 대정전 당시에도 31°C를 초과하는 고온이 FirstEnergy 지역 내 부하 급증을 야기하였으며, 송전선의 나뭇가지 접촉 및 무효전력 과부하에 따른 발전기 탈락이 연쇄적으로 발생하였다[12]. 또 다른 예로, 1996년 7월 2일 미국 남아이다호 및 유타 주에서 약 38°C의 고온으로 인해 부하가 급증하고 송전선이 과부하되어 정전을 유발한 바 있다[13]. 이처럼 고온 조건에서의 전력계통 사고는 전통적인 N-1 또는 N-2 고장 시나리오와는 다른 메커니즘을 가지며, 이에 대한 별도의 분석 프레임워크가 필요하다.

본 논문의 주요 기여는 다음과 같다.

1) 일반화 파레토 분포를 활용하여 기상관측소 실측 데이터 기반의 통계적으로 유의한 극한 기온 분포를 구축하고, 각 지역에 대해 신뢰도 높은 극한 온도 시나리오를 확률론적으로 생성하였다. 선행연구[14-16]에서는 확률적 기상 분포에 기반하지 않고 고정된 온도 증가를 가정한 시나리오로 연쇄사고를 분석한 반면, 본 연구에서는 실제 기상학적 정의 및 통계적 검정에 기반하여 극한 기온 시나리오를 생성하였다.

2) 선행연구의 상태변수 모델 수식을 기반으로 하되, 이를 극한 기온 시나리오와 통합하여 실제 온도 상승 조건 하에서의 부하 증가, 역률 저하, 동적 송전용량 감소 등을 정량적으로 반영하였다. 극한 온도 발생 시 연쇄사고 파급 경로를 체계적으로 모의할 수 있는 시뮬레이션 프레임워크를 구축함으로써, 기후변화에 따른 복합 리스크 평가에 실질적인 분석 도구를 제시하였다.

3) GPD 분포로부터 Monte Carlo 시뮬레이션을 통해 극한 기온 시나리오를 확률적으로 생성하고, 각 시나리오별 연쇄사고 발생 확률을 정량화하여 계통 내 취약 선로 및 발전기를 체계적으로 식별하였다.

본 논문의 구성은 다음과 같다. 2절 극한 기온 시나리오 모델링에서는 일반화 파레토 분포(GPD)를 기반으로 극한 기온 시나리오 생성 및 검증 과정을 제시한다. 3절 온도 변화를 반영한 상태변수 모델링에서는 부하, 역률, 동적 송전용량(DLR) 등 주요 상태변수의 온도에 따른 특성을 수식적으로 모델링하는 방법을 기술한다. 4절 연쇄사고 시뮬레이션 프레임워크에서는 확률론적 선로 및 발전기 탈락 모델, 저전압 부하 차단(UVLS), 발전기 재급전 로직 등을 포함한 연쇄사고 시뮬레이션 알고리즘을 설명한다. 본 연구는 극한 기온 조건에서의 전력계통 연쇄사고 리스크를 정량적으로 평가할 수 있는 분석 체계를 제공함으로써, 기후변화 대응 계통 보강 및 운영 전략 수립에 기여할 수 있다. 또한 계통 내 취약 설비 식별 및 보호·제어 조치의 효과 분석을 통해 극한 기상 대비 비상계획 수립 및 계통 리스크관리를 위한 의사결정에 기여할 것으로 기대된다. 정책적 측면에서는, 극한 기온에 따른 지역별 계통 취약도 분석 결과를 바탕으로 기후 복원력 강화를 위한 우선 투자 대상 지역 및 주요 설비 선정이 가능하며, 기후변화를 반영한 송배전 설비 설계 기준 설계 및 재생에너지 확대와의 연계를 고려한 계통 계획 및 운영 정책 개발에도 기여할 수 있을 것으로 기대된다.

2. 극한 기온 시나리오 모델링

본 절에서는 일반화 파레토 분포(Generalized Pareto Distribution, GPD)를 활용하여 극한 기온 현상을 정량적으로 분석하고 모델링하는 방법론을 제시한다.

2.1 극한 기온 정의

극한기후현상은 기온 및 강수량 등이 통계적 평년값 대비 비정상적으로 큰 편차를 보이는 현상으로, 사전 정의된 기준값(상대적·절대적 임계치)를 초과하거나 미달하는 기상학적 현상을 의미한다. 국가별 기준이 상이하나, 국제적으로는 주로 상·하위 퍼센타일 기반의 통계적 경계값을 기준으로 정의된다. 예를 들어, 한국 기상청은 평년 대비 현저히 높은 또는 낮은 값을 보이는 이상 현상을 극한기후로 분류하며, 이상고온은 일최고·최저기온이 90퍼센타일 초과, 이상저온은 10퍼센타일 미만일 경우로 정의하고 있다.

표 1 극한기온현상 정의 및 제공 현황

Table 1 Definitions for extreme temperature events

Source

Definition

IPCC

An event in which values fall below the 10th percentile or exceed the 90th percentile of the distribution

WMO

An event corresponding to values located in the tail of the probability distribution, typically occurring once every 20 years

Bureau of Meteorlogy

An event in which values fall below the 1st or 3rd percentile, or exceed the 97th or 99th percentile

Météo-France

An event in which values fall below the 20th percentile or exceed the 80th percentile

JMA

An event in which values deviate beyond 1.83 standard deviations from the climatological mean

2.2 일반화 파레토 분포(GPD)

일반화 파레토 분포(GPD)는 특정 임계치(threshold)를 넘는 극단치들의 극한분포로 정의된다. 서로 동일하고 독립적인 극단치 $X_{1},\: X_{2},\: .... ,\: X_{n}$이 특정 분포 $F$에서 추출되었다고 할 때, $y=X-u$는 특정 임계치($u$)를 넘는 값으로 정의한다면, $y$의 조건부 확률분포는 식 (1)과 같이 나타낼 수 있다. 식 (1)에 나타난 $F_{u}(y)$는 Balkema-de Hann-Pickands 정리에 따라 식 (2)와 같은 GPD 분포함수로 수렴하게 된다. 여기서 $\beta$는 규모 매개변수(scale parameter), $\xi$는 형상 매개변수(shape parameter)이다. 만약, $\xi >0$이면 Type Ⅰ파레토분포(Pareto, Cauchy, t-분포 등), 이면 Type Ⅱ파레토분포(Uniform, Beta 분포 등), $\xi =0$이면 지수분포 형태를 가진다[17].

(1)
+$F_{u}(y)=P(X-u\le y|X>u)=\dfrac{F(u+y)-F(u)}{1- F(u)},\: 0\le y<∞$
(2)
$F_{\xi ,\: \sigma}(x)=\begin{cases} 1-\left\{1+\xi\dfrac{(x-u)}{\sigma}\right\}^{-\dfrac{1}{\xi}},\: \xi ≠ 0\\ 1-\exp(\dfrac{x-u}{\sigma})\xi = 0 \end{cases}$

GPD는 특정 임계치를 초과하는 극단값의 확률분포이므로 임계치 설정에 따라 초과치 표본 수가 결정되며, 이는 모수 추정 결과에 직접적인 영향을 미친다. 본 연구에서는 90퍼센타일 값을 임계치로 선정하였으며, 이는 IPCC 및 한국 기상청의 극한 기온 현상 정의에 기반한 것이다. 일반적으로 임계치는 MEF-그래프 및 Hill-그래프 등을 통해 최적값을 탐색하여 결정하나, 본 연구에서는 기상학적 정의에 따라 90퍼센타일을 사용하고 사후적으로 Kolmogorov-Smirnov 검정과 AIC 기준을 통해 모델 적합도를 검증하였다. GPD에서 각 모수는 임계치 를 초과하는 자료들로부터 최대우도추정 방법(Maximum Likelihood, ML)을 적용하여 추정하였다. ML 추정에 필요한 로그우도함수는 식 (3)과 같다[17].

(3)
$\log L(\xi ,\:\sigma)=\begin{cases} -n\log\sigma -(1+\dfrac{1}{\xi})\sum_{i=1}^{n}\log(1+\dfrac{\xi}{\sigma}(x_{i}-u))\\ -n\log\sigma -\dfrac{1}{\sigma}\sum_{i=1}^{n}(x_{i}-u) \end{cases}$

2.3 대표 기상관측소 선정 및 데이터베이스 구축

본 연구는 RTS GMLC 계통을 분석 대상으로 선정함에 따라, 각 Area의 대표 위·경도 지점을 기준으로 대표 기상관측소를 매핑하였다. 기온 정보는 미국 국립해양대기청(NOAA)에서 제공하는 Integrated Surface Database(ISD)의 Global Hourly 관측 자료를 활용하였으며, 다음 두 가지 기준을 적용하여 대표 기상관측소를 선정하였다. 첫째, 각 Area의 대표 지점으로부터 공간적 거리가 가장 인접한 관측소를 선정하였다. 둘째, 극한 기온 통계 추정의 신뢰성 확보를 위해 1990-2024년 기간 중 최소 30년 이상의 연속적 관측 데이터가 확보된 관측소를 선별하였다. 각 지역별 최종 선정된 대표 관측소의 세부 정보는 표 2에 정리하였다.

선정된 관측소의 원시 데이터는 관측소별 상이한 관측 시각을 가지므로, 00분 기준 1시간 간격 시계열로 재구성하였으며, 결측 구간에 대해서는 선형 보간법을 적용하였다.

표 2 RTS GMLC 계통의 지역별 대표 기상관측소 정보

Table 2 Summary of representative NOAA ISD stations for each area

Area

Station Name

Data Period

Longitude (Degree)

Latitude (Degree)

Area 1

BLYTHE ASOS, CA US

1990.01.01 - 2024.12.31

-114.7142

33.6186

Area 2

BOULDER CITY MUNICIPAL AIRPORT, NV US

1990.01.01 - 2024.12.31

-114.861

35.947

Area 3

EDWARDS AFB, CA US

1990.01.01 - 2024.12.31

-117.8667

34.9

이후 POT(Peak Over Threshold) 방법의 핵심 가정인 초과치 간의 통계적 독립성을 충족하기 위해, 전처리된 시간별 데이터로부터 일별 최고기온을 산출하고, 임계값을 연속적으로 초과하는 구간을 하나의 클러스터(cluster)로 정의한 후, 각 클러스터 내에서 최대값만을 추출하도록 하였다. 이를 통해 동일한 기상 이벤트로 인한 연속적인 고온 현상을 하나의 독립적인 극값 사건으로 처리하여 자기상관에 의한 종속성 문제를 제거하고, GPD 기반 통계 분석의 전제 조건인 초과치 간의 독립성을 강화하고자 하였다. 그 결과, Area 1의 초과값 개수는 427개에서 153개(35.8%)로, Area 2는 318개에서 125개(39.3%)로, Area 3은 379개에서 136개(35.9%)로 축소되어 통계적으로 독립적인 극값 집합이 도출되었다.

2.4 GPD 기반 극한 기온 시나리오 생성 및 검증

일반화 파레토 분포(GPD)를 기반으로 극한 기온 시나리오를 개발하고 그 적합성을 통계적으로 검증하였다. 본 연구에서는 2.3절의 전처리 과정을 바탕으로 여름철(6-9월) 기간에 대해 90 퍼센타일 임계치 기반의 POT 기법을 적용하였다. 여름철을 분석 대상으로 선정한 근거는 냉방 수요 급증에 따른 전력 부하 증가 및 고온에 의한 전력 설비의 열적 취약성이 동시에 발생하는 시기이기 때문이다. 실제로 2003년 8월 14일 북미 대정전 사태(U.S.-Canadian blackout)와 1996년 7월 2일 미국 남부 아이다호 및 유타주 과부하 사례 등 주요 정전 사례들이 여름철에 집중되어 발생한 바 있다.

모델의 신뢰성 검증을 위해 실측 누적분포함수(Empirical CDF) 및 추정된 GPD 누적분포함수 간 비교 분석을 수행한 결과는 그림 1에 제시하였다. 분포 적합도의 통계적 유의성 평가를 위한 Kolmogorov-Smirnov 검정 결과, Area 1의 p-value는 0.732, Area 2는 0.612, Area 3은 0.725로 산정되었다. 모든 지역에서 유의수준 $\alpha =0.05$ 기준을 상회하는 p-value를 나타내어, 추정된 GPD 모델이 실측 극한 기온 데이터의 분포 특성을 통계적으로 유의하게 재현함을 확인하였다. 추가적으로 지수분포, 감마분포, Webihull 분포 등 다른 확률분포와의 AIC(Akaike Information Criterion) 기준 비교 분석 결과, GPD 분포가 가장 낮은 수치를 보여 극한값 모델링에 최적임을 확인하였다.

그림 1. 지역별 실측 CDF 및 GPD의 CDF 비교 결과

Fig. 1. Comparison of empirical and GPD cumulative distribution functions by area

../../Resources/kiee/KIEE.2025.74.9.1466/fig1.png

3. 온도 변화를 반영한 상태변수 모델링

본 절에서는 극한 기온에 따른 전력계통 연쇄사고 위험도를 분석하기 위해, 온도 변화가 주요 상태변수에 미치는 영향을 수식적으로 모델링하였다. 본 연구의 목적은 실제 계통 거동을 정밀하게 재현하는 데 있지 않으며, 온도 변화에 따른 부하, 역률, 동적 송전용량(DLR) 등 주요 상태변수의 변화를 파악하고, 각 변수의 민감도가 연쇄사고 리스크에 미치는 영향을 정량적으로 분석하는 데 있다.

3.1 온도 변화에 따른 부하 및 역률 변화 모델링

전력 시스템에서 외기온도는 부하 패턴에 직접적인 영향을 미치는 주요 요인 중 하나이다. 본 연구에서는 2020년 1월부터 12월까지의 시간별 부하 데이터 및 기온 데이터를 활용하여 각 지역별 정규화 부하-기온 간의 상관관계를 정량적으로 분석하였다. 온도에 따른 부하 변화는 식 (4)와 같은 3차 다항식 회귀모델로 모델링하였다. 정규화된 부하는 온도 변화에 따른 상대적인 부하 민감도를 정량적으로 비교하기 위해 사용되었으며, 각 시점의 부하를 해당 지역의 평균 부하로 나누어 표준화한 값이다. 외기온도가 변화할 경우, 부하 버스 $i$의 유효전력 $P_{i}$은 식 (5)와 같이 초기 온도에서의 기준 부하 $P_{0,\: i}$에 온도 변화에 따른 부하 증가율을 곱하여 온도 변화 시의 실제 유효전력을 모델링하였다.

(4)
$L(T_{i})=a_{3}T_{i}^{3}+a_{2}T_{i}^{2}+a_{1}T_{i}+a_{0"}$
(5)
$P_{i}=\dfrac{L(T_{i})}{L(T_{0})}\times P_{0,\: i}$

고온에서 냉방 부하가 증가하며, 냉방 부하는 일반적인 부하에 비해 무효전력 소비가 크고 역률이 낮은 특성을 갖는다. 본 연구에서는 온도 상승에 따른 역률 변화는 선형적 감소 관계로 가정하여 식 (6)과 같이 모델링하였으며, 이에 따른 무효전력은 식 (7)과 같이 가정하였다. 이때, $pf_{i}$는 버스 $i$의 역률, $pf_{0,\: i}$는 초기 온도에서의 역률, $k_{i}^{pf}$는 온도에 따른 역률 변화 계수를 의미한다.

(6)
$pf_{i}=pf_{0,\: i}-k_{i}^{pf}(T_{i}-T_{0})\quad when\quad T_{0}=T_{0,\: high}$
(7)
$Q_{i}=P_{i}\tan({arc}\cos({pf}_{{i}}))$

3.2 온도 변화에 따른 동적 송전용량(DLR) 산정

송전선로의 허용전류는 대기온도를 비롯한 기상조건에 따라 차등 적용이 가능하다. 본 연구에서는 온도 조건을 고려한 송전선로 허용전류 산정을 통해 온도 변화에 따른 계통 구성요소의 취약도를 모델링하고자 하였다. 도체 주변의 기상요소 모니터링을 통해 기온, 풍속, 풍향 및 일사량을 측정하고, IEEE Std 738에 기반한 열평형 방정식을 적용하여 허용전류를 산정할 수 있다. 복잡한 대기온도 예측기술을 통해 송전용량을 정밀하게 차등화하려는 다양한 연구가 진행되고 있으나, 본 연구에서는 온도 변화에 따른 송전용량 변화를 선로 온도 증가 시 DLR이 선형적으로 감소하는 관계로 단순화하여 식 (8)과 같이 모델링하였다[14]. 이때, $V_{ij}^{rated}$ 및 $V_{ij}$는 송전선로 정격전압(kV) 및 per unit 전압이며, $k_{ij}$는 도체 종류에 따라 결정되는 기울기 계수이다. 단순화를 위해 모든 송전선로에 동일한 $k_{ij}=0.02k A/℃$를 적용하였으며, $c_{ij}$는 식 (9)과 같이 산정된다. 송전선로 $l:i→j$의 초기 정격용량은 $T_{0,\: ij}=(T_{0,\: i}+T_{0,\: j})/2$을 기준으로 결정된다고 가정하였다.

(8)
$\overline{F_{jj}^{d}}=V_{ij}^{rated}V_{ij}(-k_{ij}T_{ij}+ c_{ij})$
(9)
$c_{ij}=\overline{F_{0,\: ij}}/(V_{ij}^{rated}V_{0,\: ij})+k_{ij}T_{0,\: ij}$

3.3 시뮬레이션 초기 조건 및 계통 상태 설정

전력계통 연쇄사고 시뮬레이션에서는 여름철 평균 온도 조건을 가정하여 유효전력, 무효전력, 역률, 송전용량 등의 상태변수에 대한 초기 조건을 설정하였다. 극한 기온 시나리오 생성 시에는 각 지역의 GPD 분포로부터 상위 10% 이상의 확률 구간에서 온도 증가분을 샘플링하고, 무작위로 선택된 부하 버스를 중심으로 반경 50km 내의 모든 버스에 동일한 온도 증가를 적용하여 Temperature Disturbance Area를 정의하였다. 각 지역의 GPD 분포를 통해 산출된 극한 기온 분위값 및 초기 온도 대비 온도 증가분에 대한 정량적 분석 결과는 표 3표 4에 제시하였다. 반경 50km는 실제 기상 현상의 국지적 영향 범위를 고려하여 설정되었으며, 이에 대한 적용 예시는 그림 2에 나타냈다. 정의된 영역 내 모든 버스에 대해 온도 증가로 인한 냉방 부하 증가, 송전용량(DLR) 저하, 역률 감소에 따른 무효전력 증가, 설비 탈락 확률 증가 등의 영향을 종합적으로 반영하였다.

표 3 지역별 극한 기온 분위값

Table 3 Regional extreme temperature quantiles

Area

$T_{0}$

90%

95%

99%

99.9%

Area 1

33.8°C

37.8°C

40.9°C

41.6°C

42.1°C

Area 2

27.8°C

32.0°C

35.4°C

36.6°C

38.0°C

Area 3

25.2°C

31.0°C

35.1°C

37.5°C

40.9°C

표 4 초기온도($T_{0}$) 대비 기온 상승분 ($\triangle T$ )

Table 4 Extreme temperature increases ($\triangle T$ ) above initial temperature ($T_{0}$)

Area

$\triangle T_{90\%}$ $\triangle T_{99.9\%}$

Area 1

+4°C

+8.3°C

Area 2

+4.2°C

+10.2°C

Area 3

+5.8°C

+15.7°C

그림 2. RTS-GMLC 계통에서 무작위로 선택된 부하 모선을 중심으로 한 극한 기온 발생 지역(반경 50km)

Fig. 2. Extreme temperature impact regions based on random load bus centroids within the RTS-GMLC system

../../Resources/kiee/KIEE.2025.74.9.1466/fig2.png

4. 연쇄사고 시뮬레이션 프레임워크

본 절에서는 극한 기온 조건 하에서 전력계통의 연쇄사고 메커니즘을 분석하기 위한 시뮬레이션 프레임워크를 제시한다.

4.1 연쇄사고 시뮬레이션 알고리즘

연쇄사고 시뮬레이션 알고리즘은 그림 3과 같다. Monte Carlo 방법을 통해 지역별 극한 기온 분포로부터 샘플링된 기온 상승분($\triangle T$)을 특정 지역의 부하 모선에 적용하고, 초기 시점에서 온도 상승에 따른 유효전력 부하 증가, 무효전력 증가, 역률 저하 및 동적송전용량 감소를 동시에 반영하였다. 선로 및 발전기 탈락 확률은 각각 과부하율 및 무효전력 초과 시간 누적량에 기반한 수학적 확률모델을 통해 계산하였으며, 보호 및 제어 조치로는 저전압 부하 차단 및 발전기 재급전을 적용하였다. 해당 로직은 [14]의 연구를 바탕으로 구현하였다.

그림 3. 연쇄사고 시뮬레이션 flowchart

Fig. 3. Flowchart of the cascading failure simulation

../../Resources/kiee/KIEE.2025.74.9.1466/fig3.png

4.2 선로 탈락 확률 모델링

본 연구에서 선로 탈락은 (1) 과부하율에 따라 정의된 확률함수 기반으로 Uniform 난수와 비교하여 발생하도록 하였으며, (2) 한계 용량 초과 시 즉시 차단되는 방식이 아니라 동적 송전용량을 초과하여 운전될 때의 과부하 상태를 시간에 따라 누적하여 열적 한계에 도달하면 탈락하도록 하였다. 먼저, 송전선로 $l:i→j$에 대하여 과부하율 $R_{ij(T)}= F_{ij}(T_{s_{L}})/\overline{F_{ij}^{d}}(T_{ij})$라고 할 때, 과부하율에 따른 송전선로 탈락 확률 함수 $P_{ij}^{trip}$는 식 (10)과 같이 표현된다.

(10)
$P_{ij}^{trip}=f_{t}(R_{ij}(T))$

여기서 $f_{t}$는 식 (11)과 같이 구간별로 정의된다. 이때, $b_{1}=(\ln p_{1}-\ln p_{2})/(-ε)$, $a_{1}= p_{1}/e^{b_{1}}$, $b_{2}=(\ln p_{2}-\ln p_{3})/(1+ε-K)$, $a_{2}= p_{2}/e^{b_{2}(1+ε)}$이다. 또한, $ε=0.01$, $K=1.5$, $p_{1}=0.001$, $p_{2}=0.3$, $p_{3}=1$로 가정한다.

(11)
$f_{t}=\begin{cases} p_{1} \; \quad R_{ij}\le 1 \\ a_{1}e^{b_{1}R_{ij}}\;1 <R_{ij}\le 1+ε \\ a_{12}e^{b_{2}R_{ij}}\;1+ε <R_{ij}\le K\\ p_{3} \; \quad R_{ij}>K \end{cases}$

다음으로, 선로가 동적 송전용량을 초과하여 운전될 때 시뮬레이션 반복 $k+1$에서 선로 $l:i → j$의 과부하에 따른 탈락 시간 $Δt_{ij,\: k+1}$은 식 (12)와 같이 계산된다. 여기서 $\overline{o_{ij}}$는 열적 한계로서 정격용량의 150% 과부하를 20초간 지속할 수 있는 한계값을 의미하며, $\sum_{m=0}^{k}\triangle o_{ij,\: m}$는 누적된 부하량, $F_{ij}(t_{k})$는 $k$번째 반복에서의 선로 조류, $\overline{F_{ij}^{d}}(t_{k})$는 동적 송전용량을 의미한다. 해당 식은 과부하 상태에서 열적 한계에 도달하기까지 남은 시간을 계산하는 것으로, 누적 과부하 지속시간이 열적 한계 $\overline{o_{ij}}$에 도달하면 선로가 열적 손상으로 인해 탈락하게 된다고 가정한다.

(12)
$Δt_{ij,\: k+1}=\dfrac{\overline{o_{ij}}-\sum_{m=0}^{k}\triangle o_{ij,\: m}}{F_{ij}(t_{k})-\overline{F_{ij}^{d}}(t_{k})}$

4.3 발전기 탈락 확률 모델링

본 연구에서 발전기 탈락은 (1) 무효전력 출력에 따라 정의된 확률함수 기반으로 발생하는 확률적 탈락과 (2) 무효전력이 허용 한계를 20\% 초과한 상태가 누적 30분 이상 지속될 때 발생하는 과여자 탈락으로 구분된다. 모든 발전기는 AVR을 통해 단자 전압을 제어하나, 무효전력($Q$)이 허용 한계를 초과하거나 임계값에 근접할 경우, 발전기 탈락 확률이 증가한다. 먼저, 발전기 $i$에 대하여 무효전력 출력 $Q_{i}$가 허용 범위 $[\underline{Q_{i}},\: \overline{Q_{i}}]$를 벗어날 때의 탈락 확률 함수 $P_{i}^{trip}$은 식 (13)과 같이 표현된다.

(13)
$P_{i}^{trip}=f_{g}(Q_{i})$

여기서 $f_{g}$는 식 (14)와 같이 구간별로 정의된다. 이때, $b_{3}=(\ln p_{6}-\ln p_{5})/(\underline{K_{Q_{i}}}-\underline{Q_{i}}+\underline{ε})$, $a_{3}=p_{6}/e^{b_{3}\underline{K_{Q_{i}}}}$, $b_{4}=(\ln p_{5}-\ln p_{4})/(-\underline{ε})$, $a_{4}=p_{5}/e^{b_{4}(\underline{Q_{i}}-\underline{\epsilon})}$, $b_{5}=(\ln p_{4}-\ln p_{5})/(-\overline{ε})$, $a_{5}=p_{4}/e^{b_{5}\overline{Q_{i}}}$, $b_{6}=(\ln p_{5}-\ln p_{6})/(\overline{Q_{i}}+\overline{\epsilon}-\overline{K_{Q_{i}}})$, $a_{6}=p_{5}/e^{b_{6}(\overline{Q_{i}}+\overline{\epsilon})}$ 이다. 또한, $\underline{K_{Q_{i}}}=1.5\underline{Q_{i}}(Q_{i}<0)$, $\underline{K_{Q_{i}}}=-0.5(\underline{Q_{i}}=0)$, $\overline{K_{Q_{i}}}=1.5\overline{Q_{i}}$, $p_{4}=0.001$, $p_{5}=0.3$, $p_{6}=1$로 가정한다.

(14)
\[ f_q = \begin{cases} p_6 & Q_i \leq K_Q \\ a_3 e^{b_3 Q_i} & K_Q < Q_i \leq \overline{Q} - \underline\epsilon \\ a_4 e^{b_4 Q_i} & \overline{Q} - \epsilon < Q_i \leq \overline{Q} \\ p_4 & \frac{\overline{Q}}{2} < Q_i \leq \overline{Q} \\ a_5 e^{b_5 Q_i} & \overline{Q} \leq Q_i \leq \overline{Q} + \overline{\epsilon} \\ a_6 e^{b_6 Q_i} & Q_i + \epsilon < Q_i \leq \overline{K}_Q \\ p_6 & Q_i > \overline{K}_Q \end{cases} \]

다음으로, 발전기가 무효전력 허용 한계를 초과하여 운전될 때 시뮬레이션 반복 $k+1$에서 발전기 $i$의 과여자에 따른 탈락 시간 $Δt_{g,\: k+1}$은 식 (15)와 같이 계산된다. 여기서 $\overline{o_{g}}$는 무효전력 허용 한계를 20% 초과한 상태를 30분간 지속할 수 있는 한계값을 의미한다. 해당 식은 무효전력 한계 초과 상태에서 무효전력 운전 한계에 도달하기까지 남은 시간을 계산하는 것으로, 누적 과여자 지속시간이 운전 한계 $\overline{o_{g}}$에 도달하면 과여자 보호장치 동작에 의해 발전기가 탈락하게 된다고 가정한다.

(15)
$\Delta t_{g,\: k+1}=\begin{cases} \dfrac{\overline{o_{g}}-\sum_{m=0}^{k}\triangle o_{g,\: m}}{\underline{Q_{g}}- Q_{g}(t_{k})}Q_{g}<\underline{Q_{g}}\\ \dfrac{\overline{o_{g}}-\sum_{m=0}^{k}\triangle o_{ij,\: m}}{Q_{g}(t_{k})-\overline{Q_{g}}}Q_{g}>\overline{Q_{g}} \end{cases}$

4.4 제어 및 보호 조치(Remedial Action)

사고대응을 위한 수정조치로는 저전압 부하차단(Undervoltage Load Shedding, UVLS) 및 발전기 재급전(Generator Redispatch)을 모델링하였다.

4.4.1 저전압 부하차단(UVLS)

실제 계통에서는 일정 전압 임계값 이하로 떨어질 경우, 자동으로 부하를 블록 단위로 차단하는 UVLS 계전기가 설치되어 있다. 본 연구에서도 연쇄사고 시뮬레이션 시 이러한 보호동작을 반영하기 위해 부하 버스 $i$($P_{i}>0$)에서 전압이 임계값 $V_{th}= 0.9 p.u.$이하로 $\tau$ = 3초간 지속될 때, 식 (16)과 같이 유효전력을 차단하였다. $K_{sh}= 600 MW/p.u.$는 부하차단 계수, $\triangle V_{i}=V_{th}-V_{i}$는 전압 편차, $P_{i}$는 유효전력을 의미한다. 역률을 보존하기 위해 무효전력은 식 (17)과 같이 차단하였다.

(16)
$\triangle P_{sh,\: i}=\min(K_{sh}\triangle V_{i},\: P_{i})$
(17)
$\triangle Q_{sh,\: i}=Q_{i}\dfrac{\triangle P_{sh,\: i}}{P_{i}}$

4.4.2 발전기 재급전(Re-dispatch)

본 연구에서는 운영자가 선로의 정격용량 $\overline{F_{ij}^{0}}$값만 알고 있다는 가정 하에, 선로 조류가 정격용량을 초과하는 경우에 한하여 발전량 분배 계수(Shift Factor) $S$를 기반으로 한 재급전 수행하도록 하였다. 선로 $l:i → j$가 과부하, 즉 $F_{ij}>\overline{F_{ij}^{0}}$일 경우, 해당 선로에 대해 양의 shift factor를 갖는 발전기 $n^{+}$개 $\left.\left\{G_{p_{1}},\: G_{p_{2}},\: ...,\: G_{p_{n^{+}}}\right.\right\}$와 음수인 발전기 $n^{-}$개 $\left.\left\{G_{N_{1}},\: G_{N_{2}},\: ...,\: G_{N_{n^{-}}}\right.\right\}$를 선별한다. 양의 shift factor를 갖는 발전기들에 대해서는 generality를 잃지 않는 범위 내에서 식 (18)과 같이 shift factor가 큰 순서대로 발전기 출력을 감소시키는 방향($G_{P_{1}},\: G_{P_{2}}....,\: G_{P_{n}^{+}}$)으로 재급전을 수행한다.

(18)
$S_{P_{1}}\ge S_{P_{2}}.\ge ...\ge S_{P_{n}^{+}}$

구체적으로 발전기 $G_{p_{i}}$의 유효전력은 식 (19)와 같이 선로 조류가 정격용량을 초과한 정도에 비례하며, shift factor로 나누어 계산된다. 이때, $P_{0,\: P_{i}}$는 재급전 이전의 출력이며, $\eta$는 보정계수이다.

(19)
$P_{P_{i}}=P_{0,\: P_{i}}+\dfrac{\eta(\overline{F_{ij}^{0}}-F_{ij})}{S_{P_{i}}}$

만약 양의 shift factor를 갖는 발전기들만으로 과부하 해소가 불가능한 경우, 음의 shift factor를 갖는 발전기들이 재급전에 참여한다. 이들 발전기에 대해서는 generality를 잃지 않는 범위 내에서 식 (20)과 같이 shift factor의 절댓값이 작은 순서부터 고려하여 출력을 증가시키는 방향($G_{N_{1}},\: G_{N_{2}}....,\: G_{N_{n}^{-}}$)으로 재급전을 수행한다.

(20)
$S_{N_{1}}\le S_{N_{2}}.\le ...\le S_{N_{n}^{-}}$

과부하된 선로가 여러 개인 경우, 각 선로에 대한 재급전은 과부하 비율 $F_{ij}/F_{ij}^{0}$에 따라 우선순위를 결정하며, 해당 비율이 높은 선로부터 우선적으로 재급전하여 과부하를 해소한다. 모든 선로의 과부하가 제거되거나 사전에 설정된 최대 반복 횟수에 도달할 때까지 반복 수행한다.

5. 연쇄사고 모의 결과 분석

본 연구에서는 각 Area에 대해 일반화 파레토 분포(GPD)를 기반으로 극한 기온 분포를 구축하고, 이를 바탕으로 총 1,000회의 확률적 극한 기온을 샘플링하여 연쇄사고 시뮬레이션을 수행하였다. 이를 통해 지역별 전력계통 구성 요소의 취약도를 정량적으로 분석하였다. 시뮬레이션 결과, Area 1의 경우 평균 온도 증가는 7.5℃, 최대 연쇄사고 파급 단계는 평균 2.6단계로 나타났으며, Area 2는 평균 온도 증가 8.3℃, 평균 파급 단계 4.1단계, Area 3은 평균 온도 증가 11.31℃, 평균 파급 단계 5.4단계로 분석되었다. 이때, 극한 기온 값은 주로 95~99% 분위수 범위에 집중되어 분포하였다.

지역별 최대 연쇄사고 파급 사례에 대한 상세 분석은 표 5부터 표 7에 제시하였다. Area 1에서는 온도가 7.14℃ 상승하여 40.94℃에 도달했을 때, 최대 15기의 발전기가 연쇄적으로 탈락하였다. 고온으로 인한 부하 증가와 역률 저하로 인해 발전기들이 무효전력 한계에 도달하며, 과여자(Overexcitation)에 의한 탈락이 발생하였다. 첫 번째 발전기(Gen 16) 탈락이 1068.09초에 탈락하였으며, 이후 약 1800초에 걸쳐 도미노처럼 발전기들이 순차적으로 탈락하는 양상을 보였다. Area 2에서는 온도 8.0℃ 증가 시 총 16기의 발전기가 연쇄 탈락하였다. Area 1과 비교해 연쇄사고는 더 짧은 시간 내에 발생하였으며, 671.17초부터 1953.24초까지 약 1280초간 사고가 진행되었다. 특히 Gen 36과 Gen 37이 각각 671.17초, 987.52초에 초기에 연속 탈락한 이후, 무효전력 부족으로 인해 나머지 발전기들이 빠르게 한계에 도달하는 패턴을 보였다. Area 3의 경우 온도 10.1℃ 증가 시 1기의 송전선로와 19기의 발전기가 연쇄적으로 탈락하여 가장 심각한 계통 붕괴 양상을 보였다. 0.29초에 Gen 74가 확률적 고장으로 최초 탈락한 이후, 19기의 발전기가 과여자로 인해 연쇄 탈락하였고, 마지막으로 2792.74초에 Line 89가 열적 과부하(thermal overload)로 탈락하면서 발전기와 송전선로가 동시에 손실되는 복합적 붕괴가 발생하였다. 이는 극한 기온으로 인한 부하 급증 및 동적 송전용량(DLR) 저하가 초기 설비 탈락을 유발하고, 이후 무효전력 한계 초과 및 발전기 Redispatch 실패가 중첩되며 대규모 연쇄사고로 확산된 것으로 분석된다.

표 5 Area 1의 극한기온에 따른 연쇄사고 평균 발생시간

Table 5 Critical Cascading Failure Timeline in Area 1

Time($s$)

Events

$T=0.0s$

Extreme temperature rise of 7.1°C at load bus 19

$T=1068.09s$

Gen 16 trip due to overexcitation

$T=1103.38s$

Gen 14 trip due to overexcitation

$T=1103.65s$

Gen 63 trip due to overexcitation

$T=1120.33s$

Gen 15 trip due to overexcitation

$T=1429.21s$

Gen 17 trip due to overexcitation

$T=2238.43s$

Gen 64 trip due to overexcitation

$T=2238.70s$

Gen 59 trip due to overexcitation

$T=2714.69s$

Gen 65 trip due to overexcitation

$T=2714.95s$

Gen 38 trip due to overexcitation

$T=2781.66s$

Gen 58 trip due to overexcitation

$T=2829.24s$

Gen 60 trip due to overexcitation

$T=2859.47s$

Gen 61 trip due to overexcitation

$T=3180.03s$

Gen 66 trip due to overexcitation

$T=3556.27s$

Gen 36 trip due to overexcitation

표 6 Area 2의 극한기온에 따른 연쇄사고 발생시간

Table 6 Critical Cascading Failure Timeline in Area 2

Time($s$)

Events

$T=0.0s$

Extreme temperature rise of 8°C at load bus 39

$T=671.17s$

Gen 36 trip due to overexcitation

$T=987.52s$

Gen 37 trip due to overexcitation

$T=1161.21s$

Gen 83 trip due to overexcitation

$T=1253.67s$

Gen 84 trip due to overexcitation

$T=1253.93s$

Gen 57 trip due to overexcitation

$T=1285.67s$

Gen 85 trip due to overexcitation

$T=1458.47s$

Gen 38 trip due to overexcitation

$T=1458.71s$

Gen 53 trip due to overexcitation

$T=1729.76s$

Gen 54 trip due to overexcitation

$T=1820.30s$

Gen 51 trip due to overexcitation

$T=1820.55s$

Gen 50 trip due to overexcitation

$T=1856.20s$

Gen 52 trip due to overexcitation

$T=1911.12s$

Gen 49 trip due to overexcitation

$T=1939.88s$

Gen 47 trip due to overexcitation

$T=1953.24s$

Gen 48 trip due to overexcitation

표 7 Area 3의 극한기온에 따른 연쇄사고 평균 발생시간

Table 7 Critical Cascading Failure Timeline in Area 3

Time($s$)

Events

$T=0.0s$

Extreme temperature rise of 10.1°C at load bus 63

$T=0.29s$

Gen 74 trip due to stochastic failure

$T=475.67s$

Gen 63 trip due to overexcitation

$T=744.55s$

Gen 64 trip due to overexcitation

$T=1016.85s$

Gen 58 trip due to overexcitation

$T=1257.51s$

Gen 59 trip due to overexcitation

$T=1469.71s$

Gen 60 trip due to overexcitation

$T=1656.18s$

Gen 61 trip due to overexcitation

$T=1656.43s$

Gen 50 trip due to overexcitation

$T=1809.64s$

Gen 62 trip due to overexcitation

$T=1943.18s$

Gen 65 trip due to overexcitation

$T=2114.16s$

Gen 66 trip due to overexcitation

$T=2114.44s$

Gen 37 trip due to overexcitation

$T=2325.42s$

Gen 49 trip due to overexcitation

$T=2407.56s$

Gen 47 trip due to overexcitation

$T=2443.22s$

Gen 48 trip due to overexcitation

$T=2608.28s$

Gen 53 trip due to overexcitation

$T=2677.34s$

Gen 54 trip due to overexcitation

$T=2711.23s$

Gen 51 trip due to overexcitation

$T=2727.01s$

Gen 53 trip due to overexcitation

$T=2792.74s$

Line 89 trip due to thermal overload

극한 기온에 따른 확률론적 시뮬레이션 결과를 바탕으로 취약 선로 및 발전기의 특성을 분석하고자 하였다. 극한 기온에 따른 취약 선로를 분석한 결과는 그림 4그림 5와 같다. 그림 4그림 5에서 시나리오 1, 2, 3은 각각 서로 다른 지역적 특성을 가진 지역을 의미한다. 그림 4는 각 지역에서 연쇄사고 발생 시 송전선로 탈락 확률분포를 나타낸다. 시나리오 1에서는 지역 1의 특정 송전선로(106-110, 107-108, 107-203)에 고장이 집중되어 최대 0.35의 탈락 확률을 보였다. 시나리오 2에서는 탈락 확률이 0.2-0.3 수준으로 상대적으로 낮았으나, 지역 1의 일부 선로에서도 고장이 관찰되는 등 보다 광범위한 영향을 나타냈다. 시나리오 3에서는 해당 지역의 특정 송전선로(302-306, 306-310)에서 주로 탈락이 발생하였으며, 최대 탈락 확률이 약 0.46으로 지역 1보다 약간 높은 수준을 보였다.

그림 4. 극한기온에 따른 지역별 송전선로 탈락 확률 분포

Fig. 4. Transmission Line Failure Probabilities by Area

../../Resources/kiee/KIEE.2025.74.9.1466/fig4.png

그림 5는 각 지역에서 연쇄사고 발생 시 발전기 탈락 확률분포를 나타낸다. 시나리오 1에서는 G14-G17에서 약 0.4의 탈락 확률을 보였으며, 시나리오 2에서는 G31-G40에서 0.07~0.46의 탈락 확률로 탈락이 집중되어 가장 높은 탈락 확률 범위를 나타냈다. 시나리오 3에서는 G47-G67에서 0.02~0.3의 탈락 확률을 갖는 발전기가 가장 많음을 확인하였다. 시나리오 2의 경우 가장 높은 탈락 확률을 보여 해당 지역의 발전기들이 극한 기온에 가장 취약함을 의미하며, 시나리오 3은 상대적으로 낮은 탈락 확률을 보였으나 가장 많은 수의 발전기가 영향을 받아 광범위한 영향 범위를 확인하였다.

그림 5. 극한기온에 따른 지역별 발전기 탈락 확률 분포

Fig. 5. Generator Failure Probabilities by Area

../../Resources/kiee/KIEE.2025.74.9.1466/fig5.png

그림 6-그림 8그림 4-그림 5에서 분석한 송전선로 및 발전기 탈락 확률을 RTS-GMLC 계통의 지리적 배치 상에 시각화한 결과이다. 색상 스케일은 각 설비의 탈락 확률을 나타내며, 송전선로의 경우 붉은색에 가까울수록, 발전기의 경우 파란색에 가까울수록 상대적으로 높은 위험도를 의미한다. 이를 통해 각 지역의 취약 설비가 계통 내 어느 위치에 분포하고 있는지를 직관적으로 파악할 수 있다. 그림 6의 Area 1에서는 탈락 확률이 높은 106-110, 107-108, 107-203 송전선로들에 집중되어 분포하고 있으며, G14-G17 발전기 또한 인접한 위치에 밀집되어 있음을 확인할 수 있다. Area 2(그림 7)는 G36-G40 발전기군이 계통의 한 구역에 밀집 배치된 양상을 보이며, 이로 인해 해당 구역의 탈락 위험이 집중되는 경향이 나타났다. Area 3(그림 8)은 G47-G67 발전기들과 302-306, 306-310 송전선로가 넓은 영역에 걸쳐 분포하고 있음을 알 수 있다.

그림 6. Area 1의 연쇄사고 발생 시 탈락 확률

Fig. 6. Tripping Probability under Cascading Failures

../../Resources/kiee/KIEE.2025.74.9.1466/fig6.png

그림 7. Area 2의 연쇄사고 발생 시 탈락 확률

Fig. 7. Tripping Probability under Cascading Failures

../../Resources/kiee/KIEE.2025.74.9.1466/fig7.png

그림 8. Area 3의 연쇄사고 발생 시 탈락 확률

Fig. 8. Tripping Probability under Cascading Failures

../../Resources/kiee/KIEE.2025.74.9.1466/fig8.png

6. 결 론

본 연구는 극한 기온 조건에서의 연쇄사고 위험을 평가하기 위한 통합 시뮬레이션 프레임워크를 제시하였다. 일반화 파레토 분포(GPD)를 기반으로 실측 기온 데이터를 활용한 극한 기온 시나리오를 생성하고, 이에 따른 부하 증가, 역률 저하, 동적 송전용량(DLR) 감소 등 온도 의존적 계통 특성을 반영하였다. 또한, 과부하율 및 무효전력 초과 시간에 기반한 설비 탈락 모델과 UVLS, 발전기 재급전 로직을 포함한 시뮬레이션을 통해 각 지역의 취약 설비를 식별하고 연쇄사고 시 탈락 확률을 도출함으로써, 취약 선로 및 발전기를 파악하였다.

본 연구는 극한 기온 조건에서의 계통 취약도를 정량적으로 평가함으로써, 기후 복원력(climate resilience)을 고려한 계통 운영 및 설계 전략 수립에 기여할 수 있다. 향후에는 본 분석 프레임워크를 실제 전력계통에 적용하여 기상 기반 리스크 평가, 취약 구간 선제 식별, 보호·제어 조치의 효과성 검증 등 실효성 있는 기후대응 전략 수립에 활용할 수 있을 것으로 기대된다.

감사의 글

이 논문은 2018년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(2018R1A6A1A08025520) & 본 연구는 한국전력공사 2024년도 착수 사외공모 기초연구(No. R24XO01-1)의 지원을 받아 수행한 연구 과제입니다.

References

1 
J. Novacheck, J. Sharp, M. Schwarz, P. Donohoo-Vallett, Z. Tzavelis, G. Buster and M. Rossol, “The evolving role of extreme weather events in the US power system with high levels of variable renewable energy,” National Renewable Energy Laboratory (NREL), Golden, CO (United States), 2021. DOI:10.2172/1837959DOI
2 
D. P. Nedic, I. Dobson, D. S. Kirschen, B. A. Carreras and V. E. Lynch, “Criticality in a cascading failure blackout model,” International Journal of Electrical Power & Energy Systems, vol. 28, no. 9, pp. 627-633, 2006. DOI: 10.1016/j.ijepes.2006.03.006DOI
3 
M. Rahnamay-Naeini and M. M. Hayat, “Impacts of operating characteristics on sensitivity of power grids to cascading failures,” IEEE Power and Energy Society General Meeting (PESGM), pp. 1-5, 2016. DOI:10.1109/PESGM.2016.7741728DOI
4 
H. Wu and I. Dobson, “Analysis of induction motor cascading stall in a simple system based on the cascade model,” IEEE Transactions on Power Systems, vol. 28, no. 3, pp. 3184-3193, 2013. DOI:10.1109/TPWRS.2013.2244924DOI
5 
B. A. Carreras, D. E. Newman, I. Dobson and N. S. Degala, “Validating OPA with WECC Data,” 2013 46th Hawaii International Conference on System Sciences, pp. 2197-2204, 2013. DOI:10.1109/HICSS.2013.594DOI
6 
S. Mei, Y. Ni, G. Wang and S. Wu, “A study of self-organized criticality of power system under cascading failures based on AC-OPF with voltage stability margin,” IEEE Transactions on Power Systems, vol. 23, no. 4, pp. 1719-1726, 2008. DOI:10.1109/TPWRS.2008.2002295DOI
7 
J. Song, E. Cotilla-Sanchez, G. Ghanavati and P. D. Hines, “Dynamic Modeling of Cascading Failure in Power Systems,” IEEE Transactions on Power Systems, vol. 31, no. 3, pp. 2085-2095, 2016. DOI:10.1109/TPWRS.2015.2439237DOI
8 
J. Qi, I. Dobson and S. Mei, “Towards Estimating the Statistics of Simulated Cascades of Outages With Branching Processes,” IEEE Transactions on Power Systems, vol. 28, no. 3, pp. 3410-3419, 2013. DOI:10.1109/TPWRS.2013.2243479DOI
9 
J. Qi, W. Ju and K. Sun, “Estimating the Propagation of Interdependent Cascading Outages With Multi-Type Branching Processes,” IEEE Transactions on Power Systems, vol. 32, no. 2, pp. 1212-1223, 2017. DOI:10.1109/TPWRS.2016.2577633DOI
10 
J. Qi, K. Sun and S. Mei, “An Interaction Model for Simulation and Mitigation of Cascading Failures,” IEEE Transactions on Power Systems, vol. 30, no. 2, pp. 804-819, 2015. DOI:10.1109/TPWRS.2014.2337284DOI
11 
K. Zhou, I. Dobson, Z. Wang, A. Roitershtein and A. P. Ghosh, “A Markovian Influence Graph Formed From Utility Line Outage Data to Mitigate Large Cascades,” IEEE Transactions on Power Systems, vol. 35, no. 4, pp. 3224-3235, July 202. DOI:10.1109/TPWRS.2020.2970406DOI
12 
B. Liscouski and W. Elliot, “Final report on the August 14, 2003 blackout in the United States and Canada: causes and recommendations,” A Report to US Department of Energy, vol. 40, no. 4, pp. 86, 2004.URL
13 
D. N. Kosterev, C. W. Taylor and W. A. Mittelstadt, “Model validation for the August 10, 1996 WSCC system outage,” IEEE Transactions on Power Systems, vol. 14, no. 3, pp. 967-979, 1999. DOI:10.1109/59.780909DOI
14 
S. R. Khazeiynasab and J. Qi, “Resilience Analysis and Cascading Failure Modeling of Power Systems Under Extreme Temperatures,” Journal of Modern Power Systems and Clean Energy, vol. 9, no. 6, pp. 1446-1457, 2021. DOI:10.35833/MPCE.2020.000016DOI
15 
R. Yao and K. Sun, “Toward Simulation and Risk Assessment of Weather-Related Outages,” IEEE Transactions on Smart Grid, vol. 10, no. 4, pp. 4391-4400, 2019. DOI:10.1109/TSG.2018.2858234DOI
16 
P. Henneaux, P.-E. Labeau and J.-C. Maun, “Blackout Probabilistic Risk Assessment and Thermal Effects: Impacts of Changes in Generation,” IEEE Transactions on Power Systems, vol. 28, no. 4, pp. 4722-4731, 2013. DOI:10.1109/TPWRS.2013.2263851DOI
17 
J. Y. Yoon, J. B. Cho and B. C. Jung, “An Alternative Study of the Determination of the Threshold for the Generalized Pareto Distribution,” The Korean Journal of Applied Statistics, vol. 24, no. 5, pp. 931-939, 2011. DOI:10.5351/KJAS.2011.24.5.931DOI

저자소개

조세빈(Sebin Cho)
../../Resources/kiee/KIEE.2025.74.9.1466/au1.png

She received the B.S. degree in Climate and Energy Systems Engineering from Ewha Womans University, South Korea, 2024. She is currently a graduate student at the Department of Climate and Energy Systems Engineering, Ewha Womans University. Her research interests include short-term wind power forecasting and cascading failure modeling.

허진(Jin Hur)
../../Resources/kiee/KIEE.2025.74.9.1466/au2.png

He received his B.S. and M.S. degrees in Electrical Engineering from Korea University, Seoul, Korea, in 1997 and 1999, respectively, and his Ph.D. degree in Electrical and Computer Engineering from the University of Texas at Austin in 2012. He is currently an Professor with the Department of Climate and Energy Systems Engineering at Ewha Womans University. His research interests are in all areas related to integrating high-level renewable energy into electric power systems.