KR100987168B1 - 원격계측 전력 부하패턴의 분류 및 예측 방법 - Google Patents

Abstract

본 발명은 원격계측 전력 부하패턴의 분류 및 예측 방법에 관한 것으로서, 특히 계기의 원격검침이나 배전 변압기 무선부하감시와 같이 원격계측되어 전력설비의 부하패턴이 주기적으로 생성되는 데이터를 군집화 및 분류하여 연속적인 시간대별 부하의 특성을 분석하고 설비 구분방식에 의한 부하패턴의 분류 규칙을 생성하고, 분류된 대표 부하패턴과 설비 속성을 이용하여 계측이 시행되지 않고 있는(이하 미계측) 설비의 부하패턴을 예측할 수 있다. 이를 통해 전력수요 그룹별 부하특성 및 전력사용행태 분석이 가능하게 되며, 부하예측의 정확성 향상, 외부요인 민감도 분석, 설비의 교체기준 수립 및 수명평가 기술개발을 위한 핵심지식을 제공할 수 있다. 본 발명은 원격검침, 변압기 무선부하감시 뿐만 아니라 배전 개폐기나 송변전 설비 부하감시와 같이 원격계측되는 전력설비의 부하패턴 데이터에 전반적으로 활용이 가능하다.

원격계측 전력 부하패턴, 원격검침, 전력수요.

Description

원격계측 전력 부하패턴의 분류 및 예측 방법{METHOD FOR CLASSIFICATION AND FORECAST OF REMOTE MEASURING POWER LOAD PATTERNS}

본 발명은 원격 계측 전력 부하패턴의 분류 및 예측 방법에 관한 것이다.

전력산업의 특성상 전력설비와 고객 계기는 전국적으로 산재되어 있으며, 설비의 과부하, 저전압 등 전력 품질의 감시, 안정적 전력공급을 위한 전력 설비의 제어, 전력 사용량 취득을 위한 원격검침 등 원격계측이 유·무선 통신망을 통해 시행되고 있다. 이러한 설비의 원격계측이 확대되면서 부하 프로파일(Profile)에 관한 기술개발이 활발히 추진되고 있다. 특히 원격검침 데이터의 부하 분석을 통해 요금제도의 개선, 고객 서비스 혁신과 부가가치 제공, 영업전략 수립, 전력수급 및 에너지 정책 개발, 설비 투자 계획 수립 등에 활용하기 위한 목적으로 다양한 연구가 시도되고 있다.

그러나 기존의 부하 프로파일 분석기술은 평일과 휴일만을 구분하고 하루 단위의 전력 사용량 벡터를 구성하여 계절별 연도별 분석함으로써 전반적인 부하형태만을 파악하는데 그쳤으며, 이럴 경우 월초나 월말의 평일의 부하가 동일하게 생성되기 때문에 매일 매일 변화하는 부하패턴을 분석하거나 연속적인 시간대별 부하분 석이나 예측은 불가능하다. 또한 대부분의 부하분석은 군집화하여 대표 부하패턴을 추출하는데 그치고 있고, 예측에 있어서도 기존 계측된 부하가 향후 어떻게 변화할 것인가에 초점을 맞춘 미래 예측 기술이 주류를 이루고 있다. 즉, 계측 설비의 속성을 이용한 분류와 미계측 설비에 대한 부하패턴 예측 기술이나 방법론은 찾아보기 어렵다.

본 발명은 상기의 문제점을 해결하기 위한 것으로서, 원격계측되는 전력 부하의 시간대별 연속적인 패턴의 군집화와 분류, 미계측 설비의 예측 방법을 제공하고자 하는 것이다.

본 발명은 원격계측 전력 부하패턴의 분류 및 예측 방법에 관한 것으로서, 특히 원격검침이나 변압기 무선부하감시와 같이 원격계측되어 전력설비의 부하패턴이 주기적으로 생성되는 데이터를 군집화 및 분류하여 부하 특성을 분석하고 전력 공급 및 수요 계획에 반영할 수 있도록 하며, 분류된 대표 부하패턴과 설비 속성을 이용하여 고객의 설치 회피나 계측장치의 설치 곤란, 설치비용 부담 등으로 미계측되고 있는 전력설비의 부하패턴을 예측하고 계측 비용을 절감하는데 목적이 있다.

상기 목적을 달성하기 위한 본 발명은, 대용량 데이터의 수집과 처리 기술, 시간 데이터 마이닝 기술, 고기능 통계처리 기술, 부하 시뮬레이션 및 해석 기술을 적용한다. 시간대별 연속적인 부하패턴의 군집화를 통해 군집별 대표 부하패턴을 생성하고, 원격계측되는 설비의 속성정보와 대표 부하패턴을 이용하여 분류하며, 미계측 설비 속성을 분류 모델에 적용하여 부하패턴을 예측할 수 있도록 한다.

본 발명에 따른 목적은, 원격 계측 데이터 수집단계; 상기 원격계측 데이터에서 층화표본을 추출하고 표본 데이터에서 오류 및 이상치를 제외 처리하는 절차를 포함하는 데이터 전처리 단계; 상기 전처리된 데이터를 분석하고자 하는 주기 단위로 벡터를 구성하고 원격계측값이 특정 범위 내에 분포하도록 원격계측값 데이터의 정규화 작업을 행하는 정규화 단계; 상기 정규화 단계에서 정규화된 원격계측값 데이터를 군집화하여 대표 부하패턴을 생성하는 군집화 단계; 계측 설비 속성정보에 기초하여 분류하는 단계; 미계측 설비 속성에 기초하여 군집을 할당하고 미계측 설비 부하패턴을 예측하는 단계를 포함하는, 원격계측 전력 부하패턴의 분류 및 예측 방법에 의해 달성될 수 있다.

본 발명의 바람직한 실시예에 따라서, 상기 군집화 단계는 정규화 데이터를 훈련 데이터와 시험 데이터로 분할하고 휴리스틱 방법론에 따라 예상 k값(여기서, k값은 군집의 수를 의미함)을 입력한 다음 군집화 모델을 적용하여 교차분류표를 생성하고 최적의 k값을 결정하는 재현성 평가 방법으로 군집분석을 처리한다.

본 발명의 바람직한 실시예에 따라서, 상기 분류 단계는 군집화 결과와 계측 설비 정보를 이용하여 의사결정나무 구조의 분류를 포함할 수 있다.

본 발명의 바람직한 실시예에 따라서, 상기 계측 설비 속성은 원격검침 데이터의 경우 고객 특성정보로서 계약종별, 계약전력, 전기사용용도, 산업분류, 공급방식, 지역구분, 월검침량을 포함하고, 변압기 무선부하감시 데이터의 경우는 변압기 특성정보로서 용량, 전등수용호수, 동력수용호수, 부하지역특성과 해당 변압기에서 공급하고 있는 고객의 계약종별, 계약전력, 전기사용용도, 고압 또는 저압 구분, 그리고 월사용량을 포함할 수 있다.

본 발명의 바람직한 실시예에 따라서, 상기 미계측 설비 부하패턴의 예측은 군집화 결과와 계측 설비 속성과 동일한 형태로 미계측 설비 속성을 분류 모델의 결과인 의사결정나무에 군집을 할당하고, 할당된 군집의 정규화된 대표 부하패턴을 원래의 부하량으로 복원하여 미계측 설비의 부하패턴을 예측할 수 있다.

상술한 바와 같이 본 발명에 따르면, 시간대별 연속적인 부하패턴의 군집화를 통해 군집별 대표 부하패턴을 생성하게 되면 원격검침 데이터의 경우 고객의 대표 부하패턴을 통해 부하특성 및 전력사용행태 분석이 가능하게 되며, 부하예측의 정확성 향상, 전력수요 그룹별 외부요인(날씨, 경제성장률 등) 민감도 분석, 가격체제 시뮬레이션 및 개선, 부하패턴에 따라 차별화된 고객 서비스 제공 및 영업전략 수립 등을 위한 핵심지식을 제공하게 된다. 변압기 무선부하감시 데이터의 경우 변압기 부하패턴의 특성분석이 가능하며, 부하특성에 따른 변압기 교체기준 수립 및 수명평가 연구에 활용할 수 있다.

군집화된 부하패턴을 설비 속성에 따라 분류하게 되면 기존에는 설비 구분방식에 대해 부하패턴이 어떻게 분류되는지 파악할 수 있다. 원격검침 데이터의 경우 고객의 계약종별, 계약전력, 산업분류, 전기사용용도, 월검침량 등의 구분에 따라 부하패턴이 분류되며, 변압기 무선부하감시 데이터의 경우 변압기 용량, 지역특성, 공급하는 고객의 특성정보 구분에 따라 부하패턴이 분류된다. 이를 통해 미계측 전력설비의 부하패턴의 예측이 가능하며, 미래의 연속성 있는 시간대별 부하예측에도 활용될 수 있다. 본 발명은 원격검침, 변압기 무선부하감시 뿐만 아니라 배전자동화, 송변전 설비 부하감시와 같이 원격계측되는 전력설비의 부하패턴 데이터에 전반적으로 적용이 가능한 방법으로 활용 범위는 넓다고 할 수 있다.

도 1은 본 발명에 따른 원격계측 전력 부하패턴의 분류 및 예측 방법의 순서도이다.

도 1을 참조하면, 본 발명은 먼저 단계1에서 원격계측 데이터를 데이터베이스나 파일로 연계하고 단계2에서 전처리를 수행한다. 여기서, 원격계측 데이터는 고객 원격검침 데이터, 변압기 무선부하감시 데이터, 자동화 개폐기 전력품질감시 데이터, 송변전설비 부하감시 데이터가 해당될 수 있다. 전처리 작업은 표본 추출과 이상치 제외 처리를 포함할 수 있다. 표본 추출은 관심 항목에 대해 상이한 빈도를 수용할 수 있도록 층화표본(Stratified Sample) 추출 기법을 적용한다. 층화 표본은 대용량 데이터 집합 D가 층(Strata)이라 불리는 서로 상호배반적인 부분들로 분할되어 있다면, 각 층에서 하나의 단순무작위표본(Simple Random Sample)을 얻음으로써 D의 층화표본을 생성할 수 있다. 예를 들어, 원격검침 데이터의 경우 관심 항목인 계약종별 및 계약전력에 대해 데이터의 빈도가 비대칭이므로 모집단의 빈도에 따라 표본을 추출한다.

수집된 데이터에 포함된 오류 및 이상치(Outlier) 데이터는 군집분석의 성능을 크게 저하시킬 수 있기 때문에 데이터 정제를 위한 전처리 작업은 필수적이다. 원시 원격검침 데이터의 경우 하루 96개 데이터가 존재하지 않거나, 하루 유효전력의 합이 1보다 작은 당일 데이터는 제외한다. 15분 단위에서 최소 검침량은 계약전력이 가로등으로 0.08로 1이하는 정상적으로 검침되지 않은 것으로 간주한다. 또한 이상치 처리를 위하여 데이터 정제 기법 중 SOM(Self-Organizing feature Map) 군집화 알고리즘을 적용한다. 구성 매트릭스는 10 by 10 (100 군집)으로 한 클러스터 에 포함된 데이터 객체가 1개 이하인 군집 결과는 이상치로 간주하여 제외한다.

전처리가 완료되면 단계3에서 정규화 작업을 수행하는데, 전처리된 데이터를 분석하고자 하는 주기, 이를테면 월, 주, 일, 시간 등의 단위로 벡터를 구성하고 원격계측값이 특정 범위 내에 분포하도록 정규화 작업을 처리한다. 원격검침 데이터는 예측하고자 하는 미계측 고객이 월검침을 시행하고 있으므로 월 단위로 15분 원격검침 데이터를 고객별로 하나의 벡터로 구성한다. 변압기 무선부하감시 데이터는 월 단위로 부하패턴의 특성을 분석을 하고 미계측 설비를 예측하기 위해 월 단위로 30분 계측 데이터를 설비별로 하나의 벡터로 구성한다. 이때 원시 계측 데이터를 그대로 사용하게 되면 군집화가 전력사용량의 분포에 따라 형성된다. 따라서 벡터의 최대값이 1이 되도록 정규화한다.

이어서, 단계4에서, 정규화된 데이터를 군집화하여 단계5로 진행하여 대표 부하패턴을 생성한다.

또 한편으로 군집분석의 결과로 다수의 군집이 생성되면 단계 7에서 클래스의 분류 모델을 구축한다. 분류는 서로 다른 클래스의 객체들을 구별하기 위한 설명 도구로서의 역할과 알려지지 않는 레코드들의 클래스 레이블을 예측하기 위해 사용된다. 즉, 각 군집을 계측되는 고객이나 설비의 특성에 따라 분류하고 미계측 고객이나 설비가 입력되었을 때 클래스 레이블을 예측한다.

이때, 단계6의 계측 설비 속성이 단계7의 분류단계에 제공될 수 있다. 이에 대해 상술하면, 원격검침 데이터의 경우 고객 특성정보로서 계약종별, 계약전력, 전기사용 용도, 산업분류, 공급방식, 지역구분, 월검침량이 될 수 있으며, 변압기 무선부하감시 데이터의 경우는 변압기 특성정보로서 용량, 전등수용호수, 동력수용호수, 부하지역특성과 해당 변압기에서 공급하고 있는 고객의 계약종별, 계약전력, 전기사용용도, 고압/저압 구분, 그리고 월사용량이 될 수 있다. 이 때 속성정보가 많을 경우 엔트로피(Entropy)를 계산하여 적용 범위를 축소할 수 있다. 엔트로피는 구간의 순도에 대한 척도로서 구간에서 클래스들의 발생 확률(값의 비율)이다. 즉, 주어진 구간이 한 클래스 속한 값들만을 포함하면(완전히 순수하면) 엔트로피는 0, 한 구간에 여러 클래스들의 값들이 동등하게 자주 발생하면(구간이 가능한 불순하면) 엔트로피는 최대가 되므로, 각 속성 값을 하나의 분리 구간으로 시작해서 통계적 시험 결과가 유사한 인접 구간들을 합병해서 더 큰 구간을 생성한다.

단계7의 분류에 사용되는 분류기의 종류로는 의사결정나무(Decision Tree), 베이지안(Bayesian) 분류기, 신경망(Neural Network), SVM(Support Vector Machine), 그리고 규칙기반 분류기 등이 있는데, 본 발명에서는 성능을 평가하여 의사결정나무를 사용한다. 분류 모델의 성능평가는 TP(True Positive), TN(True Negative), FP(False Positive), FN(False Negative)로 표현되는 혼동 행렬(confusion matrix)을 이용하는데, 정확성을 식과 같이 계산하여 최댓값을 생성하는 알고리즘을 선택할 수 있다. 의사결정나무는 의사결정규칙을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다. 이 방법은 분류 또는 예측의 과정이 나무구조에 의한 추론규칙(Induction Rule)에 의해서 표 현되기 때문에, 다른 방법들에 비해서 분석자가 그 과정을 쉽게 이해하고 설명할 수 있다는 장점을 가지고 있다.

미계측 설비에 대한 부하패턴의 예측은 단계6의 계측 설비 속성과 동일한 형태로 단계7의 미계측 설비 속성을 단계7의 분류 모델의 결과인 의사결정나무에서 단계9와 같이 군집 할당을 하는 것이다. 이 때 할당된 군집(즉, 대표 부하패턴)은 0과 1 사이의 정규화된 부하패턴이므로 원래의 부하량으로 복원 되어야 한다. C가 대표 부하패턴(C₁ ~ C_k ~ C_n)이고 T가 월 단위 총 사용량일 때 각 시간대별 미계측 설비 부하패턴(10)은

식으로 계산한다.

도 2는 본 발명에 따른 군집수 결정과 대표 부하패턴 생성을 위한 군집화 방법을 도시한 것이다. 군집화에서 최적의 k개의 군집 수 결정은 군집화뿐만 아니라 분류 성능에도 큰 영향을 주기 때문에 매우 중요한 요소로서 간주되어야 하며, 과거의 경험적 측면을 도입한 휴리스틱(Heuristic) 방법론을 적용해야 한다. 본 발명에서의 군집 수 결정은 재현성(Reproducibility) 평가 방법을 사용한다. 군집분석의 재현성이란 동일한 메커니즘에서 생성된 독립적인 새 데이터 셋을 동일한 방식으로 군집화한 결과가 기존 군집화 결과와 유사하다면 재현성이 있다고 하는 것이다. 재현성 평가 모델은 신경망이나 의사결정나무 분류 및 회귀분석과 같은 지도학습(Supervised Learning) 모델링에서 사용되는 데이터 분할 기법을 활용한 것이다. 자료 분할은 동일한 군집화 방법의 반복을 가능하게 해주므로 이를 활용하여 재현성 평가를 할 수 있다.

도 2를 참조하면, 단계S1에서 정규화 데이터는 단계S2에서 임의로 2개로 데이터 분할된다. 이중 하나는 단계S3에서 훈련 데이터이고 다른 하나는 단계S4에서 시험 데이터이다. 쉽게 분할하는 방법은 원격계측 설비의 ID를 홀수인 것과 짝수인 것으로 분할하는 것이다. 그 다음 경험적으로 유의하다고 예상되는 k값을 입력(단계S5)하고, 훈련 데이터를 군집화 모델에 적용한다(단계S6). 여기에서, 군집화 모델은 대용량 데이터에서 빠른 군집 구성, 사용자 기반의 군집 수 결정방식, 군집의 적합성을 판단하는 재현율 적용 용이성 등을 고려하여 적용하는데, 본 발명에서는 k-means 알고리즘을 적용한다.

그리고, 시험 데이터의 각 객체를 훈련 데이터로부터 생성된 군집화 모델에 적용하여 분리한다. 즉 시험 데이터를 가장 가까운 중심의 군집에 할당한다. 시험 데이터를 동일한 방식으로 군집화하여 자체 모델을 산출한다. 그리고 시험 데이터의 각 객체를 몇 개의 군집 중 하나로 할당한다. 그 다음 시험 데이터의 두 군집화 결과를 토대로 교차분류표를 생성한다(S7). 이에 대해서는 도 3을 참조하여 후술될 것이다. 적용된 군집화가 최적화된 것이라면 이 표에서 행과 열은 강한 대응성을 보일 것이다. 그렇지 않다면 행과 열의 대응성은 약하게 나타날 것이다.

다음에 단계S8로 진행한다. 교차분류표에서 주 경향에서 벗어난 데이터 수와 비율(%)을 구한다. 입력된 k값에 의해 생성된 교차분류표에서 최초로 최소의 주경향에서 벗어난 비율이 산출되면 최적의 k값으로 결정하고, 그렇지 않으면 다시 단 계S5로 진행하여 다른 k값을 입력하여 다시 교차 분류표를 생성하는 반복 작업을 수행한다. k값이 결정이 되었으면 분할 전의 정규화 데이터(단계S1에서)를 군집화 모델에 적용한다(S9). 그 결과로, 도 4에 도시된 바와 같이(후술함), 각 군집별 대표 부하패턴이 생성된다(S10).

도 3은 원격검침 데이터의 군집화에서 예시 교차분류표를 나타낸 것이다.

도 3을 참조하면, 원격검침 데이터를 군집수를 5개로 설정하여 훈련 데이터와 시험 데이터의 군집으로 군집화하여 교차분류표를 생성한 결과로서, 도 3에서 음영으로 나타낸 해당하는 부분이 주경향에 속하는 데이터의 수이며 음영이 아닌 부분이 주경향에서 벗어난 데이터의 수이다. 주경향에서 벗어난 데이터의 수를 전체 데이터의 수에서 나누게 되면 주경향에서 벗어난 데이터의 비율이 생성된다.

도 4는 원격검침 고객의 대표 부하패턴 생성 결과를 나타낸 예시 그래프이다.

도 4를 참조하면, k값을 31로 군집화하여 31개의 대표 부하패턴을 특정 하루동안에 대해 15분 단위로 표현한 것이다.

도 5는 원격검침 고객의 예시 의사결정나무를 나타낸 것이다.

도 5를 참조하면, 원격검침 데이터의 군집들에 대해 고객 특성정보를 적용하여 의사결정나무 분류기에 의해 생성된 결과의 일부분을 도시한 것으로서, 여기에서 사용된 고객 특성정보는 계약종별코드, 계약전력, 전기사용용도코드, 산업분류코드, 공급방식코드, 지역(동)코드, 월검침량이다. 월검침량 속성정보가 분류기준의 중요한 요소가 됨을 알 수 있다. 이렇게 월 단위로 구성된 의사결정나무를 이용하여 미계측 고객의 특성정보가 입력되면 해당 고객 특성정보를 대입하여 군집을 결정하게 된다. 예를 들어 입력된 미계측 고객의 특성정보에서 월검침량(TOT_KWH)이 1,426,536kWH 보다 크고 계약전력(CNTR_PWR)이 12,500kW보다 크고, 계약종별코드(CNTR_CD)가 228보다 같거나 작고 산업분류코드(INDU_CD)가 67121보다 크면 군집(Cluster) 23을 할당하게 된다.

도 1은 본 발명에 따른 원격계측 전력 부하패턴의 분류 및 예측 방법을 나타낸 순서도.

도 2는 군집화 방법을 나타낸 순서도.

도 3은 원격검침 데이터의 군집화에서 교차분류표를 나타낸 예시도.

도 4는 원격검침 고객의 대표 부하패턴 생성 결과를 나타낸 예시도.

도 5는 원격검침 고객의 의사결정나무 나타낸 예시도.

Claims (5)

1. 원격 계측 데이터 수집단계;

   상기 원격계측 데이터에서 층화표본을 추출하고 표본 데이터에서 오류 및 이상치를 제외 처리하는 절차를 포함하는 데이터 전처리 단계;

   상기 전처리된 데이터를 분석하고자 하는 주기 단위로 벡터를 구성하고 원격계측값이 특정 범위 내에 분포하도록 원격계측값 데이터의 정규화 작업을 행하는 정규화 단계;

   상기 정규화 단계에서 정규화된 원격계측값 데이터를 군집화하여 대표 부하패턴을 생성하는 군집화 단계;

   계측 설비 속성정보에 기초하여 분류하는 단계;

   미계측 설비 속성에 기초하여 군집을 할당하고 미계측 설비 부하패턴을 예측하는 단계를 포함하는, 원격계측 전력 부하패턴의 분류 및 예측 방법.
2. 제1항에 있어서, 상기 군집화 단계는 정규화 데이터를 훈련 데이터와 시험 데이터로 분할하고 휴리스틱 방법론에 따라 예상 k값(여기서, k값은 군집의 수를 의미함)을 입력한 다음 군집화 모델을 적용하여 교차분류표를 생성하고 최적의 k값을 결정하는 재현성 평가 방법으로 군집분석을 처리하는, 원격계측 전력 부하패턴의 분류 및 예측 방법.
3. 제1항에 있어서, 상기 분류 단계는 군집화 결과와 계측 설비 정보를 이용하여 의사결정나무 구조의 분류를 포함하는, 원격계측 전력 부하패턴의 분류 및 예측 방법.
4. 제3항에 있어서, 상기 계측 설비 속성은 원격검침 데이터의 경우 고객 특성정보로서 계약종별, 계약전력, 전기사용용도, 산업분류, 공급방식, 지역구분, 월검침량을 포함하고, 변압기 무선부하감시 데이터의 경우는 변압기 특성정보로서 용량, 전등수용호수, 동력수용호수, 부하지역특성과 해당 변압기에서 공급하고 있는 고객의 계약종별, 계약전력, 전기사용용도, 고압 또는 저압 구분, 그리고 월사용량을 포함하는, 원격계측 전력 부하패턴의 분류 및 예측 방법.
5. 제1항에 있어서, 상기 미계측 설비 부하패턴의 예측은 군집화 결과와 계측 설비 속성과 동일한 형태로 미계측 설비 속성을 분류 모델의 결과인 의사결정나무에 군집을 할당하고, 할당된 군집의 정규화된 대표 부하패턴을 원래의 부하량으로 복원하여 미계측 설비의 부하패턴을 예측하는, 원격계측 전력 부하패턴의 분류 및 예측 방법.

Images