실데이터를 활용한 기계학습 기반의 배전선로 부하예측에 관한 연구

국문 초록 (Abstract)

근래 분산전원과 전기자동차의 등장으로 인하여 전력계통의 해석난이도가 급증하여 전통적인 계통해석 방법으로는 활용 측면의 한계가 명확해짐에 따라, 기계학습을 활용한 계통의 부하예측 및 해석이 필수적으로 고려되고 있다.
특히, 배전계획 업무의 경우 미래부하 예측값을 기준으로 업무 의사결정이 수립되므로, 높은 활용성이 기대된다. 만일 기계학습을 활용하여 배전계통의 부하예측이 수행된다면, 정밀한 부하예측으로 배전계획의 신뢰도와 정확도를 개선할 수 있을 것이다. 또한, 현행 방식과는 달리 시계열로 예측된 부하 값 분석을 통하여 최대부하를 산정한다면, 이 과정에서 경제성 및 정책 등의 고려사항들을 반영할 수 있으므로 배전계획을 포함한 여러 업무의 효율을 향상할 수 있을 것으로 기대된다.
다만, 이처럼 기계학습을 접목하여 배전계통의 부하를 예측 및 활용하기 위해서는 두 가지가 전제되어야 한다. 첫 번째로 기계학습을 위한 고품질의 학습 데이터가 필요하다. 기계학습은 비정상 데이터로 학습 데이터가 오염되는 경우, 예측 부하 값의 정확도를 보장할 수 없다는 문제점을 가진다. 이러한 이유로 배전계통에서 운영상의 목적으로 빈번하게 발생하는 부하절체를 적절히 탐지하여야 한다. 이는 부하절체에 의한 배전선로 부하의 일시적인 급증 또는 급감이 부하예측에 반영되는 경우 예측결과의 정확도 및 신뢰도에 악영향을 줄 수 있기 때문이다.
둘째는 합리적인 모델의 개발이 필요하다. 실제 활용을 염두하여 부하예측 모델을 개발하는 경우, 우리나라의 모든 배전선로가 대상이므로 특성이 상이한 어떤 배전선로에 적용하더라도 신뢰할 수 있는 예측결과를 도출할 수 있어야 한다. 즉, 단일 예측모델을 모든 선로에 적용할 수 있으면서도 그 예측결과가 적정한 신뢰도 및 정확도를 가져야 한다.
기존의 연구들은 부하예측의 측면에서 배전계통 운영상의 목적으로 발생하는 부하절체를 고려하는 데 한계를 보이는 실정이며, 예측의 측면에서도 고품질 데이터가 전제되는 스마트 홈, 스마트 빌딩 등 작은 규모 또는 데이터 정밀도에 대한 중요도가 희석될 수 있는 도시 및 국가 등 대규모 단위의 예측이 주를 이루고 있다.
본 연구에서는 앞서 기술한 바와 같이 전처리 측면에서 부하예측의 정확도에 큰 영향을 미칠 수 있는 부하절체를 기계학습 기반으로 탐지하는 방법을 개발하였고, 대표성을 지니는 데이터를 구축하기 위하여 군집화(Clustering) 기법을 적용하였으며, 확보된 데이터를 기반으로 대규모 배전선로의 부하예측에 적합한 하이브리드 예측모델을 제시 및 검증하였다.
제안한 기계학습 기반의 전처리 및 부하예측 방법을 통하여 기계학습을 이용한 부하예측, 더 나아가 배전계통 관련 주요 업무 중 하나인 배전계획 측면에서의 활용 타당성을 분석하였으며, 그 결과 기존 방식에 의하여 야기될 수 있는 인적오류 등의 문제를 최소화하면서 배전계통 투자계획의 효율성을 개선하는 합리적 의사결정에 활용될 수 있음을 확인하였다.
또한, 본 연구의 경우 기존의 연구들과는 달리 실제 활용성을 염두에 두어 대규모 배전선로를 대상으로 부하절체를 탐지하고 부하예측을 수행하였으며, 그 결과를 실제 업무에 적용하여 제안 방법의 타당성을 검증하였기에, 향후 배전계획을 위시한 전력 현장에서 기계학습 기법의 활용성 및 적정성을 검토하기 위한 토대로 활용될 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

Interest in machine learning has been increasing rapidly in recent years, and various studies have been conducted to graft machine learning technologies in each industry. In the field of power system, various studies are also carried out in combination with machine-learning based methods, and in particular, a lot of research is carried out to forecast power system electric loads. Especially, the utilization of machine learning-based load forecasting methods can become very important, in terms of distribution system related works, as it is difficult to analyze distribution systems considering the DGs and/or EVs.
If the machine learning method is applied to the load forecasting of the distribution systems, the reliability and accuracy of the distribution system state estimation and investment plan, including distribution system planning, can be improved using precise forecasting electric loads by learning the history of the electric loads and analyzing the pattern of the loads.
However, in order to forecast and utilize the loads of the distribution system by incorporating machine learning, two things must be premised. First, high-quality training data is needed. Since machine learning analyzes patterns through training data and forecasts future loads, the accuracy of forecasted load values cannot be guaranteed if training data is contaminated with abnormal data such as noise, spike, and even load transfers. Second, it is necessary to develop a rational model. Since the distribution planning deals with all the distribution lines in Korea, reliable forecasting results should be produced no matter which distribution lines have different characteristics.
In this study, a method of detecting loads transfer based on machine learning that could have a significant impact on the accuracy of loads forecasting in order to secure high quality data in the aspect of pre-processing was developed. And a clustering technique was applied to build representative data and to develop forecasting model for loads of distribution lines.
Through the proposed pre-processing and loads forecasting methods based on machine learning and statistical-based method, the feasibility of the use of the machine learning models in terms of the actual distribution system related works was analyzed.
The results of this study are expected to be used as a basis for analyzing the usability and appropriateness of machine learning techniques for power systems including distribution planning.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구의 필요성 및 기존연구 1
• 1.2 연구의 목적 및 내용 4
• 1.3 논문의 기여 및 구성 6
• 제2장 능동형 배전계통 투자계획 수립 7
• 2.1 기존 배전계통 투자계획 수립방식 7
• 가. 배전계통 투자계획 수립 일반사항 9
• 나. 단위 사업별 투자계획 수립 방법 10
• 다. 기존 배전계통 투자계획 수립 방법의 문제점 10
• 2.2 기계학습 기반의 배전계통 투자계획 수립방식 11
• 제3장 기계학습 기반의 배전선로 부하예측 13
• 3.1 고품질 데이터 확보를 위한 부하절체 탐지 13
• 가. 전처리(Pre-processing)의 목적 13
• 나. 부하절체 탐지방법 15
• 3.2 기존 부하예측모델 분석 : RNN 기반 방법 37
• 가. RNN 예측모델 37
• 나. Encoder-Decoder LSTM 예측모델 39
• 다. LSTM 예측모델의 구현 및 한계점 41
• 3.3 군집화 기반 하이브리드 배전선로 부하예측모델 44
• 가. 순환신경망 모델 기반 부하예측 방법의 문제점 45
• 나. 군집화 기반 하이브리드 부하예측모델 48
• 3.4 예측결과 검증 및 적정성 분석 74
• 가. 검증을 위한 데이터 구성 75
• 나. 정확도 검증 방법 77
• 다. 배전선로 부하예측 대상 데이터 83
• 라. 군집화 기반 하이브리드 배전선로 부하예측 적정성 검증 86
• 제4장 기존 방법과 기계학습 기반 방법 적용 시 배전계획 비교분석 96
• 4.1 배전선로 과부하 해소를 위한 배전계획 96
• 4.2 배전선로 부하전환 능력 보강용 배전계획 98
• 4.3 기계학습 기반 방식을 적용한 배전계획 비교분석 100
• 가. 기존 방식 기반 배전선로 과부하 해소사업 100
• 나. 기계학습 기반 배전선로 과부하 해소사업 101
• 다. 비교분석 결과 102
• 제5장 결 론 106
• [참 고 문 헌] 109
• [Abstract] 119