김준혁
(Jun-Hyeok Kim)
†iD
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
Change point, Load Transfer detection, Wavelet-Pelt, Isolation forest
1. 서 론
최근 전력계통의 상태를 진단하고 예측하기 위한 데이터 기반 기법들이 다양한 분야에서 활발히 개발되고 있으며, 배전계통에서도 이러한 시도가 점차 확대되고
있다. 그러나 배전계통의 구조적 특성과 운용상의 불확실성으로 인해 일부 적용 분야에서는 여전히 기술적 제약이 존재한다. 대표적인 예로, 부하전환(load
transfer)에 의해 계통 구성이 불규칙적으로 변경된다는 점을 들 수 있다. 부하전환은 고장 복구, 설비 점검, 부하 분산 등의 목적으로 수행되며,
자동 또는 수동으로 스위치가 동작함에 따라 계통의 구성(topology)이 일시적이고 비정형적으로 변경된다. 이러한 변경이 부하 데이터에 반영된 상태에서
외부 정보 없이 예측, 추정, 또는 기타 의사결정을 수행하게 되면 시스템의 실제 상태와 괴리가 발생할 수 있으며, 이는 판단 오류로 이어질 가능성이
높다[1].
그럼에도 불구하고 부하전환을 직접 탐지한 연구는 매우 제한적이다. [2]는 부하 시계열 예측과 로그 확률 기반 이상 판별을 통해 부하전환을 감지하였고, [3]은 스마트미터 데이터를 활용해 피더 간 부하 이동을 벡터화하고 탐색 기반 매칭을 통해 시점과 위치를 추정하였다. 그러나 이러한 방식은 부하 외부의
로그 정보나 추가 데이터를 필요로 하므로, 데이터 취합과 처리에 시간이 소요되어 실시간·자동화된 활용에는 본질적 한계가 있다. 따라서 로그나 외부
정보에 의존하지 않고, 부하 시계열 데이터 자체로부터 전환 이벤트를 직접 탐지할 수 있는 방법이 필요하다. 특히 운영 환경에서는 이러한 탐지가 실시간으로
이루어져야 하며, 이를 놓칠 경우 부하전환에 따른 급격한 부하 변화를 정상 부하 패턴으로 잘못 인식하게 된다. 그 결과 부하 데이터를 이용하여 예측이라는
행위를 수행할 때에도 모델은 피크 부하 추정, 단기 예측 정확도, 잔차 기반 이상 해석 등에서 성능이 왜곡될 수 있다. 이는 곧 보호 로직 설정,
재폐로 판단, 신뢰도 지표 산정 등 핵심 의사결정의 오류로 이어진다. 반대로 부하전환을 정확히 탐지하면 예측 모델 입력을 보정하여 성능을 안정화할
수 있고, 예측 결과를 기반으로 한 운영 판단의 신뢰성도 함께 향상된다. 따라서 부하전환 탐지는 실시간성·자동화·예측 정확도 보정·운영 의사결정 지원이라는
다층적인 측면에서 높은 실질적 필요성을 갖는다. 이처럼 기존 연구는 적용 사례와 방법론 모두 한정적이다. 이에 본 연구는 범위를 확장하여 이상 부하
패턴 및 계통 이벤트 탐지 관련 연구들을 함께 고찰하였다. 분석 결과, 대부분의 연구는 LSTM 또는 Transformer 기반 예측 모델로 정상
부하를 추정하고, 예측값과 실측값 간의 차이를 기반으로 이상 여부를 판단하는 구조를 따른다[4–5]. 후속 처리에는 K-Means 클러스터링[5], 웨이블릿 변환과 강인 회귀[6], Autoencoder 및 Variational Autoencoder 계열[9–10], 대조 학습 기반 비지도 탐지[7], 구조화 프레임워크 통합 기법[8] 등이 활용되었다. 또한 PMU 또는 μPMU 데이터를 활용한 전력계통 이벤트 탐지 연구도 활발히 수행되었으며, Autoencoder[11–12],
확률 밀도 비교[12], 클러스터링 기반 전압 이상 탐지[13], Spectral GNN[14], 지도학습 기반 고장 분류[15], SVD 기반 이벤트 감지[18] 등의 방법론이 제안되었다. [17]은 머신러닝 기반 고장 진단 기법을 종합 정리하였고, [16]은 예측과 이상 탐지를 통합한 프레임워크를 제안하였다.
다만, 이러한 예측 기반 이상 탐지 방식은 급격한 부하 변화, 정전, 과부하 등 다양한 상황에 대해 유효한 성능을 보이지만, 부하전환처럼 데이터 내부에
구조적으로 반영된 변화에 대해서는 한계가 존재한다. 정상 상태를 학습한 후 오차를 기반으로 이상을 판별하는 접근은 본질적으로 부하전환 탐지에는 적합하지
않다. 이를 해결하기 위해, 본 연구는 정상 상태 추정을 전제로 하지 않고, 시계열 데이터의 구조적 특성에 기반하여 부하전환을 탐지하는 새로운 프레임워크를
제안한다. 구체적으로는 Haar 웨이브릿 기반의 다중 해상도 변환과 PELT 알고리즘을 통해 부하 시계열 내의 급격한 변화 시점(Change Point)을
탐지하고, 시점 전후 구간에서 도메인 해석에 기반한 15개의 통계적 특성(feature)을 구성하여 Isolation Forest 모델의 입력으로
활용하였다. 이 구조는 외부 센서나 추가 가공 없이도, 단일 부하 데이터에서 생성된 정량적 피처만으로 고신뢰 탐지가 가능함을 보이며, 실용성과 확장성이
높고 기존 방식과의 실질적인 차별성을 갖는다.
2. 웨이블릿 기반 변곡점 분석과 Isolation Forest를 이용한 부하전환 이벤트 탐지 방법
2.1 활용 데이터
본 연구에서는 실제 전력 계통 운용 환경에서 수집된 데이터를 기반으로 하여, 부하전환 탐지 기법의 실효성을 검증하고자 하였다. 이를 통해 시뮬레이션
기반 접근이 아닌, 현실적인 조건 하에서의 적용 가능성과 제안 기법의 유효성을 보다 정밀하게 평가할 수 있도록 하였다. 분석에 활용된 데이터는 한국전력공사에서
운영 중인 Substation Operation Management System(SOMAS)를 통해 취득한 배전선로 부하데이터이며, 변전소의 배전선로
인출부에 설치된 차단기(Circuit Breaker, CB)를 통해 계측된 실제 부하 정보를 포함하고 있다. 해당 데이터는 시각 해상도 1시간으로
구성되어 있으며, 2019년 한 해 동안의 데이터를 중심으로 분석을 수행하였다.
또한, 본 연구에서 활용한 부하데이터는 시계열 데이터로서 몇 가지 구조적 특성을 지닌다. 첫째, 시간 순서에 따른 자기상관성이 강하게 나타나며, 일
단위 및 주 단위의 반복적 패턴과 계절적 변동성이 존재한다. 둘째, 부하전환과 같은 계통 운영 이벤트 발생 시 시계열 상에서 불연속적인 급변 현상이
나타나는데, 이는 일반적인 수요 변동과 구분되는 특성이며, 본 연구에서 제안하는 탐지 기법이 집중적으로 식별하고자 하는 주요 대상이다. 이러한 구조적
특성을 명확히 반영함으로써 제안 기법의 필요성과 유효성을 논리적으로 뒷받침할 수 있다.
2.2 Haar Wavelet–PELT 기반 변곡점 탐지
본 연구에서는 STL(Seasonal-Trend decomposition using Loess) 기반 잔차 시계열로부터 비정상적 구간을 탐지하기 위해
Haar Wavelet 기반 다중 해상도 분석(Multi-resolution analysis, MRA)과 PELT(Pruned Exact Linear
Time) 알고리즘을 결합한 변곡점 탐지 기법을 적용하였다. 이 접근은 신호 내의 급격한 변화(discontinuity)나 에너지 급등 구간을 다양한
스케일에서 정밀하게 검출할 수 있는 장점이 있다[19-20].
Haar Wavelet–PELT의 동작방식은 Robust STL을 통해 도출된 $R_{t}$에 대하여 Haar Wavelet을 기반으로 하는 SWT
(Stationary Wavelet Transform)을 수행하여 구동된다. SWT는 이산 웨이블릿 변환(DWT)과 달리 시계열의 길이에 따른 다운샘플링
없이, 모든 시점에 대해 각 해상도의 변환 계수(coefficient)를 유지하므로 변곡점 검출에 있어 위치 정밀도가 높다는 장점이 있다[21-22]. Haar Wavelet을 사용할 경우, 세부 계수(detail coefficient)는 식 (1)과 같이 계산된다.
여기서, $d^{l_{t}}$ : 레벨 $l$에서 세부 계수, $t$ : 시계열 시간 인덱스
본 연구에서는 잔차 시계열에 대해 3개 레벨(Level 1~3)로 SWT를 수행하였다. 레벨 수는 시계열의 이상 변동이 단기(high-frequency)와
중기(mid-frequency) 구간에서 발생할 가능성을 모두 포착할 수 있도록 설정하였으며, 3 이상에서는 저주파 성분이 주를 이루어 부하 급변
탐지에 효과적이지 않은 것으로 확인되었다. 따라서 고주파 노이즈 민감도와 저주파 안정성 간의 균형을 고려하여 3레벨 구성을 채택하였다. 이처럼 3개
레벨에 대한 SWT를 수행하여 각 레벨의 세부 계수 $c D^{l}$을 얻고, 이를 정규화된 절댓값 형태로 변환한 후 식 (2)와 같이 정의된 점수 시계열 $z^{l_{t}}$을 생성한다.
이러한 $z^{l_{t}}$는 급격한 이상 구간에서 값이 뚜렷하게 증가하는 특징을 가지며, 이를 PELT 알고리즘의 입력으로 활용한다. 아울러, Haar
Wavelet–PELT 기반 탐지 기법은 계절성과 추세를 제거한 잔차 시계열에 대해 다중 스케일의 이상성을 감지하고, 이를 분산 기반으로 통계적으로
유의한 변곡점으로 변환함으로써 과도한 오탐을 줄이고 실제 이상 발생 시점을 효과적으로 포착할 수 있다. 또한, SWT 기반 다중 해상도 분석은 시계열의
국지적인 이상뿐만 아니라 장기적인 변동도 함께 고려할 수 있어, 단일 해상도 기반 탐지 기법보다 더 정밀한 탐지가 가능하다.
2.3 Isolation Forest 기반 부하전환 탐지
2.3.1 변수 설계 및 구성
본 연구에서는 변곡점 후보 시점의 이상 여부를 정량적으로 평가하기 위해 부하 시계열 및 잔차 시계열에 대해 총 15개의 통계적 및 구조적 특성 변수를
정의하였다. 이들 변수는 특정 변곡점 시점에서 국지적인 변화의 강도, 패턴의 일관성, 잔차의 집중도 등을 반영할 수 있도록 설계되었다.
본 연구에서 정의한 15개 변수는 네 개의 그룹으로 나누어 설정하였다. 부하 변화 기반 변수(Load Change-based Features)는 실제
부하전환이 발생할 때 나타나는 급격한 부하 변화 패턴을 민감하게 포착할 수 있도록 설계되었고, 잔차 기반 변수(Residual-based Features)는
계절성과 추세가 제거된 이상 변화 패턴을 정량화하며, 고주파 급변 구간을 효과적으로 식별하기 위한 목적으로 설계되었다. 아울러, 비율 및 구조 기반
변수 (Ratio/Structure Features)는 변화량 자체보다 변화의 일관성이나 구조적 특성을 반영하며, 완만한 이상 패턴 탐지에 기여할
수 있도록 설계하였고, 시계열 위치 변수 (Time Positional Features)는 반복적으로 발생하는 이상 패턴을 식별하거나, 특정 시간대에만
발생하는 현상을 감지하기 위한 목적으로 설계하였다. 각 그룹 내의 변수들은 표 1에 나타내었다. 정의된 15개 변수는 모두 수치형으로 구성되며, 이후 정규화(StandardScaler)를 거쳐 Isolation Forest 모델의
입력으로 활용된다. 이 구조는 탐지 성능을 높이는 데 필요한 정보적 다양성과 해석 가능성을 모두 갖추도록 설계되었다.
표 1 15개 변수의 정의 및 구분
Table 1 Definition and Classification of 15 Variables
|
구분
|
Features
|
|
Load Change
based Features
|
max_diff_load
|
시간창 내 부하 변화량의 최대값
|
|
mean_diff_load
|
후보시점 기준 앞뒤 평균 부하 차이
|
|
sum_diff_load
|
구간 내 부하 변화량의 총합
|
|
var_load
|
부하의 분산
|
|
Residual
based Features
|
max_abs_resid
|
잔차 절댓값 중 최대값
|
|
mean_diff_resid
|
앞뒤 구간의 잔차 평균 차이
|
|
sum_abs_resid
|
잔차의 절댓값 총합
|
|
var_resid
|
잔차의 분산
|
|
energy_density
|
잔차의 에너지밀도
|
|
delta_energy
|
앞뒤 잔차의 에너지 차이
|
|
Other Features
|
ratio_small_diff
_load
|
소규모 부하 변화(5%이하) 비율
|
|
sign_consistency
_count
|
후보시점과 같은 부호 잔차 개수
|
|
Time Positional Features
|
hour_norm
|
하루 중 시점 위치(0:1시∼1:24시)
|
|
weekday_norm
|
요일 정보 (0:월요일∼1:일요일)
|
|
dayofyear_norm
|
연간 위치 정보(0:1일∼1:365일)
|
2.3.2 Isolation Forest 기반 부하전환 탐지 방법
Isolation Forest(Isolation-Based Anomaly Detection, IF)는 고차원 시계열이나 구조적 이상 패턴 탐지에 적합한
경량 비지도 학습 기반 이상 탐지 기법으로, Liu et al.에 의해 2008년에 제안되었다[23]. 본 연구에서는 부하전환 이벤트가 일반적인 부하 변화와는 다른 급변성, 불균일성, 국소적 특성을 나타낸다는 점에 착안하여, 해당 이상 패턴을 효과적으로
식별할 수 있는 탐지기로 IF를 채택하였다. IF의 핵심 아이디어는 이상치는 정상 데이터에 비해 더 적은 분할로 쉽게 고립될 수 있다는 점이다. IF는
무작위로 선택된 속성과 임계값을 기준으로 관측값을 반복 분할하는 다수의 랜덤 트리(isolation tree)를 구성하고, 각 샘플이 트리에서 고립되는
데까지 필요한 평균 경로 길이를 이상도 점수로 변환한다. 평균 경로 길이가 짧을수록, 즉 보다 적은 분할로 고립되는 샘플일수록 이상으로 간주된다.
Isolation Forest의 이상도(anomaly score)는 다음 식 (3)으로 정의되며, 표준화 계수 $c(n)$은 식 (4)와 식 (5)를 통해 근사화된다.
여기서, $h(x)$ : 샘플 $x$가 isolation tree에서 분리되기까지의 평균 경로 길이, $n$ : 샘플 수, $c(n)$ : $n$에
대한 표준화 계수, $H(n)$ : $n$에 대한 정규화 계수의 근사기반으로 사용되는 조화수
아울러, 모델 성능 평가는 Precision과 Recall 간의 균형을 반영한 조화 평균 기반의 지표를 기준으로 수행하였다. Isolation Forest는
기본적으로 이상도(score)를 출력하지만, 이를 실질적인 판단 확률로 활용하기 위해 본 연구에서는 결정 함숫값을 sigmoid 함수로 변환하는 후처리
과정을 도입하였다. 이 확률 기반 이상도는 식 (6)과 같이 계산된다.
여기서, $f(x)$ : isolation forest의 결정함수 출력값, $\tau$ : 이상 판단을 위한 기준 임계값, $\alpha$ : 변환
곡선의 기울기 조절 계수
본 연구에서는 계통 특성에 대한 사전 분석을 통해 적절한 임계값과 기울기를 설정하였으며, 최종적으로 $p(x)>0.5$를 만족하는 후보 시점을 부하전환으로
판정하였다. 이와 같은 구조는 부하전환에 대한 사전 라벨 없이도 이상 탐지가 가능하며, 다양한 형태의 급변 패턴을 효과적으로 포착할 수 있다는 점에서
계통 운영 환경에서의 실용성이 높다. 또한 sigmoid 변환을 통해 이상 판단에 대한 불확실성을 확률적 관점에서 제시함으로써, 해석 가능성과 정책적
의사결정 측면에서도 활용도가 높다.
2.3.3 제안 방법의 검증
본 절에서는 이러한 내부 구조에 대한 정밀한 성능 분석을 수행하여, 제안 기법이 부하전환 탐지에 효과적인 이유를 탐색한다. 특히, 단순 이진 판단을
넘어 sigmoid 기반 확률 점수의 분포, 임계값 변화에 따른 탐지 민감도 변화, 그리고 실제 탐지 시점의 의미 정합성 등을 중심으로 평가를 수행한다.
우선, 변곡점 후보 시점들에 대해 Isolation Forest의 결정 함수 출력을 sigmoid 함수로 변환한 확률 점수를 분석하였다. 이 확률
분포는 부하전환이 발생한 시점(True Positive)과 발생하지 않은 시점(False Positive) 간에 명확한 분리 경향을 보였으며, 이는
확률 기반 이상 판단이 정성적으로 타당함을 시사한다. 제안 방법을 통해 검증한 실제 부하전환이 발생한 전체 시점의 탐지 결과를 표 2에 나타내었으며, 2019.08.23과 2019.11.29의 부하전환 탐지결과를 그림 1 및 그림 2에 나타내었다.
표 2 제안방법을 통한 부하전환 탐지 결과
Table 2 Detection Results of Load Transfer Events Using the Proposed Method
|
부하전환 발생일
|
탐지여부
|
비고
|
|
2019.04.30
|
◯
|
|
|
2019.05.24
|
X
|
유의한 부하 변동 없음
|
|
2019.06.05
|
◯
|
|
|
2019.06.07
|
◯
|
|
|
2019.08.18
|
◯
|
|
|
2019.08.23
|
◯
|
|
|
2019.11.29
|
X
|
유의한 부하 변동 없음
|
|
2019.12.11
|
◯
|
|
|
2019.12.30
|
◯
|
|
그림 1. 제안방법을 통한 부하전환 탐지 결과 및 확률(2019.08.23)
Fig. 1. Results and Probabilities of Load Transfer Detection by the Proposed Method
(2019.08.23)
그림 2. 제안방법을 통한 부하전환 탐지 결과 및 확률(2019.11.29)
Fig. 2. Results and Probabilities of Load Transfer Detection by the Proposed Method
(2019.11.29)
분석결과 2019.04.30, 2019.05.24, 2019.06.05, 2019.08.18, 2019.08.23, 2019.11.29, 2019.12.30의
경우 실제 부하전환 발생 시점 ±1시간 이내에서 높은 이상 확률을 가지는 탐지 결과가 존재하였다. 이는 PELT 기반 탐지의 시점 민감도와 IF 기반
정량화 모델의 정합성이 함께 작동한 결과로 해석된다. 특히 2019-08-23은 다수의 변곡점 중 하나가 0.693의 이상 확률을 보여 대표적인 고신뢰
탐지 사례로 분류된다. 반면, 2019-06-07, 2019-12-11의 경우 변곡점 탐지 단계에서 실제 부하전환 시점을 완전히 포착하지 못하였음을
확인하였다. 이는 부하전환이 발생했음에도 불구하고 급격한 부하 변동이 수반되지 않았기 때문이다. 그러나 이는 오히려 본 연구의 탐지 목적과 정합성을
이룬다. 본 연구는 급격한 부하 변화로 인한 이상 시점을 선별하고 이를 기반으로 예측 모델의 성능 저하 원인 분석이나 시스템 대응 로직 설계에 활용하는
것을 주요 목적으로 한다. 따라서 급격한 부하 변동이 관측되지 않은 부하전환은, 실질적인 시스템 영향이 제한적이라는 점에서 탐지 누락이 반드시 문제로
간주되지는 않는다. 다만, 그럼에도 불구하고 해당 날짜의 일부 탐지점에서는 상대적으로 높은 이상 확률(2019-11-29 11시경 0.475 등)이
부여되어 있어, 사후 확률 기반 평가를 통해 잠재적인 부하전환 가능성을 포착하는 데는 여전히 유의미한 해석이 가능함을 확인할 수 있다.
3. 결 론
본 논문에서는 전력계통 내 부하전환 이벤트를 외부 로그나 사전 라벨 없이 탐지할 수 있는 비지도 기반의 이상 탐지 프레임워크를 제안하였다. 제안된
기법은 다중 해상도 Wavelet 기반의 변곡점 탐지와 Isolation Forest 분류기를 결합하고, 부하 시계열로부터 도메인 해석에 기반한 파생
피처를 설계함으로써, 추가 센서나 복잡한 라벨링 없이도 고신뢰의 탐지 성능을 확보할 수 있도록 구성되었다.
실증 실험에서는 실제 배전선로 데이터를 기반으로 제안 기법을 적용한 결과, 평균 78%의 탐지율을 기록하였다. 즉, 부하 데이터를 기반으로 하더라도
도메인 해석에 따른 피처 설계만으로 탐지 성능을 획기적으로 개선할 수 있음을 실증하였다. 이는 현장 적용 관점에서 매우 실용적이며, 부하 데이터를
중심으로 한 도메인 맞춤형 설계가 기존 탐지 기법의 한계를 보완하는 현실적인 대안이 될 수 있음을 시사한다.
다만, 본 연구는 단일 피더를 대상으로 수행되었으며, 부하전환이 급격한 부하 변동을 수반하지 않는 경우 일부 탐지가 누락될 수 있다는 제한점이 있다.
그러나 본 기법의 목적이 급변 구간을 중심으로 이상 시점을 탐지하여 예측 모델의 오류 해석 또는 보호·운영 로직 설계에 활용하는 데 있다는 점을 감안하면,
해당 사례는 탐지 실패라기보다는 목적 외 범주로 해석될 수 있다. 향후 연구에서는 멀티 피더 확장, 고장·정전·전환 등 복합 이벤트 탐지 적용을 포함하여
제안 기법의 범용성을 검증할 계획이다. 아울러, 실시간 관제 시스템과의 연계 및 운영자 피드백 기반의 성능 검증을 통해, 실제 배전망 운영에서의 활용
가능성과 경제성을 종합적으로 평가할 예정이다. 특히 향후 네트워크 기반 배전방식과 실시간 동적 토폴로지 운영 기법이 도입됨에 따라, 이상 탐지의 대상과
관점이 기존과 달라질 가능성이 크다. 이러한 환경에서는 단순 부하 변동 탐지를 넘어, 토폴로지 재구성과 상태 변화를 동적으로 반영할 수 있는 탐지·해석
기법이 요구될 것이며, 본 연구에서 제안한 프레임워크는 이러한 확장 연구의 기초로서 중요한 역할을 할 수 있을 것이다.
References
J. Han and A. Papavasiliou, “The impacts of transmission topology control on the European
electricity network,” IEEE Transactions on Power Systems, vol. 31, no. 1, pp. 496-507,
2016. DOI:10.1109/TPWRS.2015.2408439
J. H. Kim, B. S. Lee and C. H. Kim, “A study on the development of machine-learning
based load transfer detection algorithm for distribution planning,” Energies, vol.
13, no. 17, Art. 4358, 2020. DOI:10.3390/en13174358
M. Sobhani, P. Wang and T. Hong, “Detecting load transfers,” IEEE Transactions on
Smart Grid, vol. 14, no. 2, pp. 1367-1375, 2023. DOI:10.1109/TSG.2022.3191734
X. Wang and S.H. Ahn, “Real-time prediction and anomaly detection of electrical load
in a residential community,” Applied Energy, vol. 259, Art. 114145, 2020. DOI:10.1016/j.apenergy.2019.114145
J. Zhang, H. Zhang, S. Ding and X. Zhang, “Power consumption predicting and anomaly
detection based on Transformer and K-Means,” Frontiers in Energy Research, vol. 9,
Art. 779587, 2021. DOI:10.3389/fenrg.2021.779587
M. Karkhaneh and S. Ozgoli, “Anomalous load profile detection in power systems using
wavelet transform and robust regression,” Advanced Engineering Informatics, vol. 53,
Art. 101639, 2022. DOI:10.1016/j.aei.2022.101639
M. Choubey, R. K. Chaurasiya and J. S. Yadav, “Contrastive learning for efficient
anomaly detection in electricity load data,” Sustainable Energy, Grids and Networks,
vol. 42, Art. 101639, 2025. DOI:10.1016/j.segan.2025.101639
N. Xiao, “Review of detection methods for abnormal electricity consumption data in
smart grid,” International Journal of Computer Science and Information Technology,
vol. 3, no. 1, pp. 63-72, 2024. DOI:10.62051/ijcsit.v3n1.10
J. Duan, “Deep learning anomaly detection in AI-powered intelligent power distribution
systems,” Frontiers in Energy Research, vol. 12, Art. 1364456, 2024. DOI:10.3389/fenrg.2024.1364456
R. Lin, S. Chen, Z. He, B. Wu, H. Zou, X. Zhao and Q. Li, “Electricity behavior modeling
and anomaly detection services based on a deep variational autoencoder network,” Energies,
vol. 17, no. 16, Art. 3904, 2024. DOI:10.3390/en17163904
S. M. Miraftabzadeh, M. Longo, S. Leva and N. Matera, “Data anomaly detection in photovoltaic
power time-series via unsupervised deep learning with insufficient information,” Sustainable
Energy, Grids and Networks, vol. 43, Art. 101769, 2025. DOI:10.1016/j.segan.2025.101769
A. L. Amutha, R. A. Uthra, J. P. Roselyn and R. G. Brunet, “Anomaly detection in multivariate
streaming PMU data using density estimation technique in wide-area monitoring system,”
Expert Systems with Applications, vol. 175, Art. 114865, 2021. DOI:10.1016/j.eswa.2021.114865
M. Dey, S. P. Rana, C. V. Simmons and S. Dudley, “Solar farm voltage anomaly detection
using high-resolution PMU data-driven unsupervised machine learning,” Applied Energy,
vol. 303, Art. 117656, 2021. DOI:10.1016/j.apenergy.2021.117656
M. M. Lakouraj, M. Gautam, H. Livani and M. Benidris, “A multi-rate sampling PMU-based
event classification in active distribution grids with spectral graph neural network,”
Electric Power Systems Research, vol. 221, Art. 108145, 2022. DOI:10.1016/j.epsr.2022.108145
I. Niazazari and H. Livani, “A PMU-data-driven disruptive event classification in
distribution systems,” Electric Power Systems Research, vol. 157, pp. 251-260, 2018.
DOI:10.1016/j.epsr.2017.12.021
X. Wang, Z. Yao and M. Papaefthymiou, “A real-time electrical load forecasting and
unsupervised anomaly detection framework,” Applied Energy, vol. 330, Art. 120279,
2023. DOI:10.1016/j.apenergy.2022.120279
R. Vaish, U. D. Dwivedi, S. Tewari and S. M. Tripathi, “Machine learning applications
in power system fault diagnosis: Research advancements and perspectives,” Engineering
Applications of Artificial Intelligence, vol. 106, Art. 104504, 2021. DOI:10.1016/j.engappai.2021.104504
R. Pourramezan, H. Karimi and J. Mahseredjian, “Synchrophasor network-based detection
and classification of power system events: A singular value decomposition approach,”
Electric Power Systems Research, vol. 223, Art. 109645, 2023. DOI:10.1016/j.epsr.2023.109645
Y. Taleb and E. A. K. Cohen, “Multiresolution analysis of point processes and statistical
thresholding for Haar wavelet-based intensity estimation,” Annals of the Institute
of Statistical Mathematics, vol. 73, no. 3, pp. 395-423, 2021. DOI:10.1007/s10463-020-00753-4
A. Ukil and R. Živanović, “Adjusted Haar wavelet for application in power systems
disturbance analysis,” Digital Signal Processing, vol. 18, no. 2, pp. 103-115, 2008.
DOI:10.1016/j.dsp.2007.04.001
M. Aqil and A. Jbari, “Electrocardiogram features detection using stationary wavelet
transform,” International Journal of Electrical and Computer Engineering, vol. 15,
no. 1, pp. 374-385, 2025. DOI:10.11591/ijece.v15i1.pp374-385
H. Wang, F. Zhou, C. Jiang, L. Qin and H. Zhang, “Change point detection for piecewise
envelope current signal based on wavelet transform,” Journal of Electrical and Computer
Engineering, vol. 2018, Art. 9529870, 2018. DOI:10.1155/2018/9529870
F. T. Liu, K. M. Ting and Z.-H. Zhou, “Isolation forest,” Proceedings of the IEEE
International Conference on Data Mining (ICDM), Pisa, Italy, pp. 413-422, 2008. DOI:10.1109/ICDM.2008.17
저자소개
He received his B.S., M.S., and Ph.D. degrees from Sungkyunkwan University in 2012,
2014, and 2022, respectively. In 2016, he worked at the Korea Electronics Technology
Institute (KETI). From 2017 to 2024, he was with the Korea Electric Power Corporation
Research Institute(KEPRI). He joined the Department of Electrical and Electronic Engineering
at Hankyong National University in 2024 and has been serving as a professor since
then. His research interests include applying artificial intelligence to power systems
and electrical equipment for condition inference, estimation, and asset management
analysis.