이경민
(Kyung-Min Lee)
1iD
권대윤
(Dae-Yun Kwon)
2iD
박철원
(Chul-Won Park)
†iD
-
(Dept. of Electrical Engineering, Gangneung-Wonju National University, Korea. )
-
(R&D Center, AMITEK, Korea. )
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
Bad data, Correction, Identification, PMU, RESs, Substation, WAMS
1. 서 론
최근, PMU(Phasor Measurement Unit)는 정부의 제3차 지능형전력망 기본계획과 한전의 송전망 운영플랫폼 구축의 로드맵에 따라,
점차적으로 확대, 적용되고 있다. 2019년, 한전은 28개소의 주요 변전소에 40대의 PMU를 설치하였으며, 2022년, 수도권을 중심으로 36개소의
변전소에 51대의 PMU를 설치, 운영하고 있다. 작년에는, 제주지역 전체 변전소와 HVDC 연계 지점인 해남·진도 변환소 등 18개소에 19대의
PMU를 설치하여, 제주 전력망 감시시스템(J-WAMS, Jeju Wide Area Monitoring System)을 구축하여 고정밀 감시를 하고
있다. 향후, 송전망 운영 및 정밀진단을 기반으로 전력계통의 미래 수용성을 확대하기 위하여, 2027년까지 200대 이상의 PMU를 설치될 예정이다.
특히, PMU 분석시스템을 국산화함으로써 한국형 WAMAC(Wide Area Monitoring And Control)을 구축할 것이다[1,2].
PMU는 GPS에 의해 시각 동기화된 전압, 전류 및 주파수를 측정할 수 있는 설비로, 주기당 최대 256회로 전력망에서 얻을 수 있는 고 정밀도의
빅 데이터를 수집한다. 현재 육상계통에서는 1초에 60개, 2022년 개정된 한전 일반구매규격(GS, General Technical Specifications
Of KEPCO)의 전력동요 기록기능부 고장기록 장치반에 따라 제주계통에는 1초에 120개의 데이터를 수집, 저장하는 전력계통 동요현상 계측(Synchro-phasor
Measurement) 및 고장기록(Fault Recorder) 장치이다[3].
그런데, PMU 데이터는 통신장애, 외란 및 동기화 불안정 등의 현장의 복잡한 요인으로 인해 쉽게 손상될 수 있다. 이는 PMU 데이터 품질 문제로
이어지며, PMU 기반 응용 기술에 직접적인 영향을 미쳐서 전력망의 안전성 운영을 위협할 수 있기에 PMU 오류 데이터(bad data) 식별이 요구된다[4,5].
관련된 국내 연구로는 SCADA 및 PMU 데이터를 이용한 상태추정을 위하여, 불량 데이터 처리 방안[6]이 수행되었으며, 대형화된 계통을 대상으로 상태추정의 연산 시간 단축과 불량데이터 검출 시간을 단축하기 위해 소규모 계통으로 구분하여 사용하는 방법이
제안되었다[7]. 또한, 배전계통 마이크로 PMU 데이터 수집 및 관리 시스템에 대한 설계방안[8], PMU 활용 계통분석 사례 및 데이터 정확도 검증 방안[9]이 발표되었다.
관련된 해외 연구로는 스펙트럼 클러스터링 기반 PMU의 오류성 데이터 검출 기법[10], 기계학습(Machine Learning) 기술 중 일반 신경망을 이용한 오류성 PMU 데이터 검출기법[11]이 제시되었다. 또한, LSTM(Long Short-Term Memory) 기반 PMU 오류성 데이터 검출기법[12], 데이터 마이닝(Data Mining) 기술 기반 소규모 PMU 오류성 데이터 검출기법이 제안되었다[13]. 최근에는 사이버-물리 실증단지(Cyber-Physical Testbed)에서 PMU 오류성 데이터 실시간 검출 및 순차적 오류성 데이터 분류[14]와 전력망의 PMU 데이터의 Fisher 매트릭스 기반 사고 감지에 관한 연구가 진행되었다[15].
본 논문에서는 154kV 변전소에 설치된 35대 μPMU의 Raw 데이터를 효율적으로 분석하고, 정확하게 활용하기 위하여, μPMU Raw 데이터의
오류 데이터를 식별하고 보정하는 알고리즘을 제안한다. 먼저, 대상 변전소의 μPMU 데이터 기반 감시시스템을 약술하고, 수신된 Raw 데이터의 기울기와
횟수를 이용한 오류, 중복 및 Spike 데이터의 식별 기법과 평균치 기반의 오류 보정 기법을 제안한다. 제시한 알고리즘을 Python 언어를 이용하여
구현한 후, 2024년 7월의 11일 동안 μPMU Raw 데이터를 대상으로 오류 데이터를 식별하고 보정하여, 그 성능을 검증하고자 한다.
2. 변전소의 WAMS
2.1 변전소의 감시시스템
154kV 영광변전소에 총 35대의 μPMU를 설치하여 고 정밀 감시를 한다. 154kV 영광변전소는 T/L 구역, M.Tr 구역, D/L 구역 총
3개의 구역으로 구분되는데, T/L 구역에는 백수 풍력, 재원 태양광, 함구미 태양광이 연계되어 있으며, D/L 구역에는 호남 풍력, DSE(태양광),
전남 T/P(태양광)이 연계되어 있다[4,5].
2.2 전처리
μPMU에서 수집된 Raw 데이터는 PDC(Phasor Data Concentrator)를 통해 저장되며, 내부 연산 과정을 거쳐 CSV 파일 형식으로
변환된다. 각 μPMU는 24시간 동안 3상 전압ㆍ전류의 동기페이저, 주파수, 주파수 변화율, μPMU ID 및 μPMU 상태 등의 23가지 데이터를
초당 60개의 주기로 수집하여, 총 5,184,000개의 데이터를 저장한다. 즉, μPMU 데이터 기반 감시시스템을 통해 5,184,000 × 23의
크기의 1차 Raw 데이터는 CSV 파일로 매일 35개씩 저장된다. 이렇게 수집된 데이터는 데이터 크기가 매우 크기 때문에, 상용 프로그램으로 직접
다루기가 어렵다. 또한, 계통 운영자가 분석하여 필요한 정보를 얻기 위해 35대의 μPMU 각각의 CSV 파일을 개별적으로 처리, 분석하는데, 많은
시간과 노력이 소요된다. 따라서, 본 논문에서는 Python 언어를 이용한 데이터 전처리 프로그램을 구현하였다. 전처리 프로그램은 먼저, 각 μPMU에서
수집된 데이터를 시간 단위로 병합하여, 24시간 1차 Raw 데이터를 Timetag를 기준으로 스냅샷 형태의 데이터 구조로 변환한다. 이를 통해,
35대의 μPMU에서 수집된 총 5,184,000 × 23의 크기의 1차 Raw 데이터는 매일 6개의 CSV 파일로 통합된다. 이 파일들은 각각 전압의
크기, 전압의 위상, 전류의 크기, 전류의 위상, 주파수로 구분하여 저장된다. 이 전처리 과정을 통해 계통 운영자는 μPMU 데이터를 보다 효율적으로
확인하고 분석할 수 있게 되었다[4,5].
3. 오류 데이터 식별과 보정 알고리즘
3.1 오류 데이터와 이벤트의 식별 및 보정
μPMU 데이터의 전반적인 품질은 측정을 수행하는 장비, 통신 인프라, 데이터 처리 및 저장 장치의 영향을 받는다. 특히, 오류 데이터가 포함된 경우,
분석 결과에 문제가 발생할 수 있기 때문에, 데이터의 신뢰성을 확보하기 위해 오류 데이터를 검출하고 보정하는 기법이 요구된다.
μPMU Raw 데이터는 정상상태일 때 작은 기울기를 갖는다. 그러나, 고장, 탭변환, 발전, 정지 등의 이벤트가 발생할 경우 또는 오류 데이터일
때, 높은 기울기를 갖는다. 또한, 오류 데이터는 대부분 단독으로 존재하고, 연속된 오류 데이터의 개수는 3개 이하인 특성을 갖는다. 따라서, 각
Raw 데이터의 기울기($k_{i}$)는 식 (1)에 의해 계산할 수 있다.
여기서, $X_{i},\: X_{i-1}$은 i번째, i-1번째 μPMU Raw 데이터, $t_{i},\: t_{i-1}$은 i번째, i-1번째
시간을 나타낸다.
제시한 μPMU Raw 데이터의 오류 검출 및 보정 알고리즘을 요약하면 다음과 같다.
Step 1 (데이터 읽기) : μPMU Raw 데이터를 읽는다.
Step 2 (기울기 계산) : 각 데이터의 기울기를 계산한다.
Step 3 (중복 데이터 확인) : 각 데이터의 기울기가 0인 경우, 중복 Count를 증가한다.
Step 4 (Spike 데이터 확인) : 각 데이터의 기울기가 임계치 이상일 경우, Spike Count를 증가한다.
Step 5 (중복 데이터 검출 및 보정) : 중복 Count가 4개 이상일 경우, 중복 데이터로 판단한 후, 해당 시간대의 동일한 모선의 데이터의
평균을 계산하여 중복 데이터를 교체하고 보정한다.
Step 6 (Spike 데이터 검출) : Spike Count가 1개 또는 4개 이상일 경우, Step 7로 이동한다. Spike Count가 2개,
3개일 경우, 기울기를 계산한 후, 임계치를 이상일 경우, Step 8로, 임계치 미만일 경우, Step 7로 이동한다.
Step 7 (이벤트 데이터 식별) : 이벤트 데이터로 판단한 후, AI 모델로 각 이벤트를 식별한다[4].
Step 8 (Spike 데이터 보정) : Spike 데이터 오류로 판단한 후, 동일 μPMU의 정상적인 전·후 데이터의 평균값을 계산하여 Spike
데이터를 교체하고 보정한다[4,5].
3.2 Python 언어에 의한 구현
그림 1은 오류 데이터의 식별 및 보정 알고리즘을 위하여 Python 언어로 구현한 코드의 일부를 나타낸다. 그림 1과 같이, 코드의 상단부에는 os, pandas, numpy 등 라이브러리를 활용하여 데이터 처리 및 분석 등을 수행한다. 사용자 정의 함수를 통해
35대의 μPMU에서 수집된 Raw 데이터를 읽어드리고, μPMU Raw 데이터에서 중복 데이터와 Spike 데이터를 기울기와 횟수를 이용하여 식별한
후, 보정하고 해당 데이터를 별도의 파일에 저장한다.
그림 1. 오류 데이터의 식별 및 보정 알고리즘을 위하여 Python 언어로 구현한 코드의 일부
Fig. 1. Part of the code implemented in Python for the identification and correction
algorithm of bad data.
4. 사례연구 및 결과
본 논문에서는 2024년 7월 1일부터 10일까지의 11일 동안의 μPMU Raw 데이터를 이용하여 오류 데이터 식별 및 보정을 i7-10700,
2.90GHz, 32GB RAM이 장착된 컴퓨터 환경에서 수행되었다.
4.1 중복 오류 데이터의 식별 및 보정
그림 2는 2024년 7월 2일 μPMU 5번(홍농 T/L)에서 수집한 중복 오류 데이터와 제시한 기법에 따른 보정 후 데이터를 나타낸다. 그림 2(a)와 같이, A, B, C상 전압의 32번 샘플부터 중복 오류가 발생하여 각각 91456.52V, 91455.84V, 91227.19V로 변하지 않고
일정하게 반복되었다. 그림 2(b)와 같이, A, B, C상 전압의 32번 샘플부터 동일한 모선 데이터의 평균값을 계산하여 중복 오류 데이터를 보정하였다.
그림 2. μPMU 5번의 중복 오류 데이터와 제시한 기법에 의한 보정 후 데이터 (2024년 7월 2일)
Fig. 2. Duplicate bad data and data after correction by the proposed technique forμPMU
5 (2 July 2024)
그림 3은 이때, 수집한 중복 오류 데이터와 보정 후 데이터의 3상 전압 신호를 나타낸다. 그림 3(a)와 같이, A, B, C상의 전압이 10시 25분 42.367초부터 25분 44.367초까지 총 121개의 샘플에서 중복 오류가 발생하였다. 그림 3(b)와 같이, 10시 25분 42.367초부터 25분 44.367초까지 A, B, C상의 전압이 154kV 모선에 연결된 1번 ~ 8번 T/L의 전압
데이터의 평균값으로 보정되어, 3상 전압의 정상적인 경향을 보이도록 하였다.
그림 3. 중복된 오류 데이터와 보정된 3상 전압 신호 (2024년 7월 2일)
Fig. 3. Duplicate bad data and correction three-phase voltage signals (2 July 2024)
4.2 Spike 오류 데이터의 보정
그림 4는 2024년 7월 1일 μPMU 35번(#4 M.Tr 2차측)에서 수집한 Spike 오류 데이터와 제시한 기법에 따른 보정 후 데이터를 나타낸다.
그림 4(a)와 같이, A상 전압의 한 샘플(1841)이 순간적으로 5167.84V로 대폭 감소하였다. 그림 4(b)와 같이, A상 전압의 Spike 오류 데이터(1841)의 전·후 데이터(1840, 1842)의 평균값을 계산하여, 13468.18V로 보정하였다.
그림 4. μPMU 35번의 Spike 오류 데이터와 제시한 기법에 따른 보정 후 데이터 (2024년 7월 1일)
Fig. 4. Spike bad data and data after correction by the proposed technique for μPMU
35 (1 July 2024)
그림 5는 이때, 수집한 Spike 오류 데이터와 보정 후 데이터의 3상 전압 신호를 나타낸다. 그림 5(a)와 같이, A상 전압의 한 샘플이 5167.84V로 대폭 감소하였다. 그림 5(b)와 같이, 10시 19분 30.605초 시점의 A상 전압이 Spike 오류 전·후 데이터의 평균값으로 보정되어 A상 전압이 13468.18V로 정상적인
경향을 보이도록 하였다.
그림 5. Spike 오류 데이터와 보정된 3상 전압 신호 (2024년 7월 1일)
Fig. 5. Spike bad data and correction three-phase voltage signals (1 July 2024)
그림 6은 2024년 7월 7일 μPMU 1번(장성 #2 T/L)에서 수집한 Spike 오류 데이터와 제시한 기법에 따른 보정 후 데이터를 나타낸다. 그림 6(a)와 같이, A상 전압의 27번 샘플과 31번 샘플이 순간적으로 94732.05V로 대폭 증가하였다. 그림 6(b)와 같이, A상 전압의 Spike 오류 데이터(27)의 전·후 데이터(26, 28)의 평균값을 계산하여 91014.18V로, A상 전압의 Spike
오류 데이터(31)의 전·후 데이터(30, 32)의 평균값을 계산하여 91018.23V로 각각 보정하였다.
그림 6. μPMU 1번의 Spike 오류 데이터와 제시한 기법에 따른 보정 후 데이터 (2024년 7월 7일)
Fig. 6. Spike bad data and data after correction by the proposed technique for μPMU
1 (7 July 2024)
그림 7은 이때, 수집한 Spike 오류 데이터와 보정 후 데이터의 3상 전압 신호를 나타낸다. 그림 7(a)와 같이, A상 전압의 21시 43분 48.033초, 48.100초에서 각각 94732.05V로 대폭 증가하였다. 그림 7(b)와 같이, 21시 43분 48.033초, 48.100초 시점의 A상 전압이 Spike 오류 전·후 데이터의 평균값으로 보정되어 A상 전압이 각각 91014.18V,
91018.23V로 정상적인 경향을 보이도록 하였다.
그림 7. Spike 오류 데이터와 보정된 3상 전압 신호 (2024년 7월 7일)
Fig. 7. Spike bad data and correction three-phase voltage signals (7 July 2024)
표 1은 2024년 7월 1일부터 10일까지 총 11일 동안의 Spike 오류 데이터 식별 결과를 나타낸다. 표 1과 같이, 11일 동안 해당 μPMU에서 총 19회의 Spike 오류 데이터가 식별되었다. 제시된 기울기와 횟수에 따른 보정 기법에 따라, 오류 데이터를
보정하여 고정밀 분석을 수행할 수 있도록 하였다.
표 1 총 11일 동안의 Spike 오류 데이터의 식별 결과
Table 1 Identification results of spike bad data for a total of 11 days
|
No.
|
Date
|
μPMU No.
|
|
1
|
2024년 7월 1일 10시 19분 30.650초
|
35
|
|
2
|
2024년 7월 1일 12시 6분 56.867초
|
35
|
|
3
|
2024년 7월 1일 17시 36분 42.517초
|
8
|
|
4
|
2024년 7월 2일 2시 4분 22.483초
|
5
|
|
5
|
2024년 7월 2일 2시 7분 2.117초
|
17
|
|
6
|
2024년 7월 3일 6시 48분 10.667초
|
6
|
|
7
|
2024년 7월 3일 19시 31분 53.200초
|
4
|
|
8
|
2024년 7월 3일 23시 0분 55.300초
|
11
|
|
9
|
2024년 7월 5일 17시 26분 30.217초
|
1
|
|
10
|
2024년 7월 5일 22시 28분 12.050초
|
34
|
|
11
|
2024년 7월 6일 23시 27분 25.817초
|
14
|
|
12
|
2024년 7월 7일 21시 43분 48.033초
|
1
|
|
13
|
2024년 7월 7일 23시 22분 33.550초
|
5
|
|
14
|
2024년 7월 7일 0시 40분 26.317초
|
18
|
|
15
|
2024년 7월 8일 4시 56분 14.950초
|
18
|
|
16
|
2024년 7월 8일 19시 47분 18.033초
|
6
|
|
17
|
2024년 7월 9일 1시 43분 40.367초
|
1
|
|
18
|
2024년 7월 9일 7시 25분 00.933초
|
6
|
|
19
|
2024년 7월 10일 9시 40분 23.533초
|
26
|
5. 결 론
RESs 연계 전력망의 운영 및 정밀진단을 위하여 μPMU는 점차적으로 확대, 적용되고 있다. 그러나, μPMU Raw 데이터는 통신장애, 외란 및
동기화 불안정 등의 다양한 원인에 따라 손상될 수 있기에 식별 및 보정이 필요하다.
본 논문에서는 154kV 변전소에 설치된 35대의 μPMU Raw 데이터의 기울기와 횟수에 따른 오류 데이터의 식별을 제안하였다. 특히, 구현이 용이하도록
해당 모선의 평균 및 이벤트 전후 데이터의 평균을 통한 보정 알고리즘을 제안한 후, 사용자 함수를 정의하여 Python 언어로 구현하였다. 2024년
7월 1일부터 10일까지의 총 11일 동안의 영광변전소 μPMU Raw 데이터를 활용한 사례연구를 통하여, 제시한 오류 데이터 식별 및 보정 알고리즘의
성능을 평가하였다. 실 계통 사례연구결과, 중복 오류 데이터는 하루에 다수가 식별되었으며, Spike 오류 데이터는 총 19회가 판별되었다. 따라서,
제안된 기법은 중복 및 Spike 오류 데이터를 정확하게 보정 함으로써 신뢰성을 개선하여 고정밀 분석을 효율적으로 수행할 수 있을 것이다.
Acknowledgements
This research was supported by Korea Electric Power Corporation. (Grant number: R22XO05-04)
References
Ministry of Trade, Industry, and Energy, “The 3rd Intelligent Power Grid Basic Plan
(2023∼2027),” pp. 1∼27, 2023. 2.
S. Y. Yun, J. S. Hong, “Technical Trends of PMU Applications in Power Distribution
Networks,” The Transactions of the Korean Institute of Electrical Engineers, vol.
69, no. 6, pp. 29∼33, 2020. 6.
KEPCO, “Power Swing Disturbance Recorder(PSDR),” General Technical Specifications
Of KEPCO, GS-6110-0264, pp. 1∼19, 2022. 9.
C. W. Park, et al., “Basic Study on Utilization Plan of PMU Data for 154kV Substation,”
KEPCO, 2nd Year Progress Report, pp. 1∼24, 2024. 5.
C. W. Park, et al., “A Study on Bad Data Identification and Correction Technique of
μPMUs,” 2024 KIEE Summer Conf., KO021, 2024. 7.
J. B. Im, Y. J. Kim, “A Study on Bad Data Processing for Hybrid State Estimation using
SCADA and PMU data,” 2019 KIEE PES Conf., pp. 27∼29, 2019. 4.
B. H. Kim, H. R. Kim, “Two-Step State Estimation Using PMU data for Fast Detection
of Bad Data in Power Systems,” The Transactions of the Korean Institute of Electrical
Engineers, vol. 69, no. 7, pp. 993∼1000, 2020.
S. Choi, et al., “A Design of Micro PMU Data Management System for Distribution Network,”
2021 KIEE PES Fall Conf., pp. 537∼538, 2021. 10.
B. H. Yun, et al., “Power system analysis using PMU and validating PMU data,” 2022
KIEE Summer Conf., pp. 495∼496, 2022. 7.
Z. Yang, et al., “Bad Data Detection Algorithm for PMU Based on Spectral Clustering,”
Journal of Modern Power Systems And Clean Energy, vol. 8, no. 3, pp. 473∼483, 2020.
5.
A. Karpilow, S. D’Arco, “Detection of Bad PMU Data using Machine Learning Techniques,”
2020 ISGT, pp. 1∼5, 2020.
W. Xiong, et al., “Method for Identifying PMU Bad Data Based on Long Short-Term Memory
Network,” 2020 SPIES, pp. 583∼588, 2020.
H. Zhao, et al., “Small Magnitude PMU Bad Data Detection Based on Data Mining Technology,”
2020 iSPEC, pp. 2526∼2532, 2020.
I. Khan, V. Centeno, “Realtime Detection of PMU Bad Data and Sequential Bad Data Classifications
in Cyber-Physical Testbed,” IEEE Access, vol. 11, pp. 71235∼71249, 2023.
K. Chen, et al., “Fisher matrix based fault detection for PMUs data in power grids,”
International Journal of Electrical Power and Energy Systems, vol. 159, pp. 1∼8, 2024.
저자소개
He was born in Korea. He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering
from Gangneung-Wonju National University, Wonju, Korea, in 2014, 2017, and 2023, respectively.
He is a post-doctor at Gangneung-Wonju National University, since 2023. He is a lecturer
at Myongji College, since 2024. 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. Dr. Lee was awarded
the Paper Prize of KIIEE in 2020, the Best Paper of the APAP in 2021, and the Best
Paper of KOWEPO in 2021, 2022, and the Best Paper of KHNP in 2023.
Tel : 033-760-8796, Fax : 033-760-8781
E-mail : point2529@gwnu.ac.kr
The author received his bachelor's degree in software engineering and his master's
degree in industrial information systems engineering from Soongsil University in 1999
and 2002, respectively, and his doctorate in electrical engineering from Mokpo National
University in 2022. He is currently the CTO of AMITEK, and his main research interests
are wide area monitoring (WAMS) using PMU in transmission and distribution power systems
and system protection and control. He also first established the concept of GRIDSCOPE
and set research topics to study the stability and reliability of distributed generation
sources (DER) connected to power systems.
E-mail : dykwon75@gmail.com
He was born in Korea. 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
power IT, IED, LVDC, MVDC, Microgrid, Hybrid, RES, PMU, AI application to power grid,
power system modeling & control, and computer application in power system. He is a
member of the KIEE, KIIEE, and IEEE. Dr. Park was awarded the Paper Prize of KIEE
in 2010, 2020, the Paper Prize of the KOFST in 2017, the Best Paper of the APAP in
2021, the Best Paper of KOWEPO in 2021, 2022, and the Best Paper of KHNP in 2023.
Tel : 033-760-8786, Fax : 033-760-8781
E-mail : cwpark1@gwnu.ac.kr