KR20210132502A

KR20210132502A - Method and apparatus for estimating the power status of bus in which data is not measured in the power distribution system

Info

Publication number: KR20210132502A
Application number: KR1020200050983A
Authority: KR
Inventors: 김윤수; 홍광표
Original assignee: 광주과학기술원
Priority date: 2020-04-27
Filing date: 2020-04-27
Publication date: 2021-11-04
Also published as: KR102388741B1; WO2021221420A1

Abstract

The present disclosure relates to a method of estimating a power state of an unmeasured busbar in a power distribution system, and an apparatus thereof. According to one embodiment, the method of estimating a power state of an unmeasured busbar in a power distribution system includes the following steps of: generating power patterns of client loads connected with each busbar in a power distribution system based on a representative load pattern measured from a substation in the power distribution system; performing load flow calculation based on the generated power patterns of the client loads and power distribution line information about the power distribution system, thereby generating learning data about power states of all the busbars in the power distribution system; and instructing a learning model outputting power state information of an unmeasured busbar in the power distribution system, when power state information of at least some measured busbars in the power distribution system is inputted, based on the generated learning data.

Description

Method and device for estimating the power status of unmeasured busbars in the distribution system

본 개시는 배전계통 내 모선의 전력 상태를 추정하는 방법 및 장치에 관한 것이다. 보다 상세하게는, 계측 데이터가 측정되지 않는 모선의 전력 상태를 나타내는 데이터를 추정하는 방법 및 장치에 관한 것이다.The present disclosure relates to a method and apparatus for estimating the power state of a bus in a distribution system. More particularly, it relates to a method and apparatus for estimating data indicative of the power state of a bus in which the metrology data is not measured.

배전계통(Electric Power Distribution System)은 배전용 변전소에서 전기수용설비까지 분산 및 배분되는 전선로 및 관련 설비를 의미한다. 배전계통은 배전용 변전소 주 변압기에서 출력되는 고압 배전 선로에서 수용가측에 위치한 주상변압기에 이르는 고압배전계통과, 주상변압기 2차측에서 수용가까지의 저압배전계통으로 구분될 수 있다.Electric Power Distribution System refers to electric lines and related facilities distributed and distributed from substations for distribution to electricity receiving facilities. The distribution system can be divided into a high-voltage distribution system from the high-voltage distribution line output from the main transformer of the distribution substation to the pole transformer located on the customer side, and a low-voltage distribution system from the secondary side of the pole-phase transformer to the customer.

일반적으로 고압 배전 계통의 경우, 네트워크 및 전압 측정 센서를 포함하는 계측 장비들이 설치되어, 지속적으로 고압 배전 계통 내 전력 상태가 모니터링되고 있다. 그러나, 저압 배전 계통의 경우, 데이터 계측 지점이 많은 점 및 데이터 계측 지점의 수가 많음으로 인한 계측 장비 설치 비용의 증가 문제로, 데이터 계측이 잘되지 않는 문제점이 있다.In general, in the case of a high voltage distribution system, measuring equipment including a network and a voltage measuring sensor is installed, and the power state in the high voltage distribution system is continuously monitored. However, in the case of a low voltage power distribution system, there is a problem in that data measurement is not well due to an increase in measurement equipment installation cost due to a large number of data measurement points and a large number of data measurement points.

또한, 최근 소규모 신 재생에너지를 생산하는 에너지 생산자들이 증가추세에 있으며, 소규모의 신 재생에너지 생산자 및 에너지공급 사업자 사이에 상계거래 역시 활발하게 진행되고 있다.In addition, recently, energy producers producing small-scale renewable energy are on the rise, and offsetting transactions between small-scale renewable energy producers and energy supply companies are also being actively conducted.

그러나, 상술한 저압 배전 계통에 대한 모니터링이 잘 이루어지지 않기 때문에, 변압기 용량 대비 상계 거래 용량이 과다해지거나, 수용가의 부하가 낮음에도 재생 에너지의 발전량 과다로 인하여 전압이 상승하고, 상승된 전압으로 인한 인버터 차단이 지속적으로 발생하는 문제들이 발생하고 있다. However, since the above-described low-voltage distribution system is not monitored well, the offsetting transaction capacity is excessive compared to the transformer capacity, or the voltage rises due to the excessive amount of generation of renewable energy even when the customer's load is low, and the voltage rises. There are problems in which inverter cut-off due to continuous occurrence occurs.

따라서, 배전 계통 내에서 전력 상태가 계측되지 않는 미계측 상태의 모선의 전력 상태를 추정하기 위한 기술 개발이 요구되고 있다.Accordingly, there is a demand for technology development for estimating the power state of a bus in an unmeasured state in which the power state is not measured in the distribution system.

한국등록특허 제1997439호Korea Registered Patent No. 1997439

일 실시 예에 따르면, 미리 학습되는 학습 모델을 이용하여, 배전계통 내 모선의 전력 상태를 추정하는 방법 및 장치가 제공될 수 있다.According to an embodiment, a method and apparatus for estimating the power state of a bus in a distribution system by using a pre-trained learning model may be provided.

또한, 일 실시 예에 의하면, 조류계산을 통하여 학습 데이터를 생성하고, 생성된 학습 데이터에 기초하여, 배전 계통 내 모선의 전력 상태를 추정하기 위한 학습 모델을 학습시키는 방법 및 장치가 제공될 수 있다.In addition, according to an embodiment, a method and apparatus for generating learning data through tidal current calculation and learning a learning model for estimating the power state of a bus in a distribution system based on the generated learning data may be provided. .

상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법은, 상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계; 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계; 및 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는 단계; 를 포함할 수 있다.According to an embodiment of the present disclosure for achieving the above-described technical problem, a method for estimating the power state of a bus in an unmeasured state in a distribution system is a representative load pattern measured from a substation in the distribution system. ) based on, generating a power pattern of customer loads connected to each bus in the distribution system; generating learning data on the power state of all busbars in the distribution system by performing a tidal current calculation based on the generated power patterns of customer loads and distribution line information for the distribution system; And, based on the generated learning data, when the power state information of at least some buses in the measured state in the distribution system is input, learning a learning model that outputs the power state information of the bus in the unmeasured state in the distribution system making; may include.

일 실시 예에 의하면, 상기 방법은 상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는 단계; 를 더 포함할 수 있다.According to one embodiment, the method is based on the output value of the learning model output from the learning model by inputting the power state information of the bus in the measurement state in the distribution system to the learned learning model, the unmeasured estimating the power state information of the bus in the state; may further include.

또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 하나의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하고, 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하고, 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는, 장치가 제공될 수 있다.In addition, according to another embodiment of the present disclosure for solving the above technical problem, a memory for storing one instruction; and at least one processor executing the one or more instructions. Including, wherein the at least one processor executes the one or more instructions, based on a representative load pattern measured from a substation in the distribution system, the customer loads connected to each bus in the distribution system. By generating a power pattern and performing a tidal current calculation based on the generated power pattern of customer loads and distribution line information for the distribution system, learning data about the power state of all busbars in the distribution system is generated, and the Based on the generated learning data, when the power state information of at least some buses in the measured state in the distribution system is input, learning a learning model that outputs the power state information of the bus in the unmeasured state in the distribution system, A device may be provided.

일 실시 예에 의하면, 상기 프로세서는 상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정할 수 있다.According to an embodiment, the processor inputs the power state information of the bus in the measurement state in the distribution system to the learned learning model, and based on the output value of the learning model output from the learning model, the unmeasured It is possible to estimate the power state information of the bus in the state.

또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계; 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계; 및 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력되는 학습 모델을 학습시키는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.In addition, according to another embodiment of the present disclosure for solving the technical problem, based on a representative load pattern measured from a substation in the distribution system, the customer loads connected to each bus in the distribution system are generating a power pattern; generating learning data on the power state of all busbars in the distribution system by performing a tidal current calculation based on the generated power patterns of customer loads and distribution line information for the distribution system; And based on the generated learning data, when the power state information of at least some busbars in the measured state in the distribution system is input, learning a learning model that outputs the power state information of the bus in the unmeasured state in the distribution system making; A computer-readable recording medium recording a program for executing the method on a computer, including a computer-readable recording medium, may be provided.

도 1은 일반적인 배전계통에 있어, 모니터링 범위의 증가에 따른 데이터 계측 지점이 증가하는 문제 및 배전계통 내 동일 지점에서 측정된 전압 센서의 오차를 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.
도 3은 일 실시 예에 따른, 배전 계통 내 변전소가 연결되는 모선으로부터 계측되는 대표 부하 패턴(Representative Load Pattern)을 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 나타내는 흐름도이다.
도 5는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 조류 계산을 통하여, 학습 모델을 학습시키기 위한 학습 데이터를 생성하는 방법을 나타내는 흐름도이다.
도 7은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 조류 계산을 통하여 학습 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 조류 계산을 수행하는 과정을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 학습 데이터에 기초하여 학습 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 10은 또 다른 실시 예에 따라, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.
도 11은 일 실시 예에 따라 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 타겟 모선의 전력 상태를 추정하는 방법을 설명하기 위한 도면이다.
도 12는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.
도 13은 또 다른 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.
도 14는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치와 연결되는 서버의 블록도이다.
도 15는 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 16은 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 17은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 18은 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 19는 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.
도 20은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.1 is a view for explaining the problem of increasing the data measurement point according to the increase of the monitoring range in a general distribution system and the error of the voltage sensor measured at the same point in the distribution system.
2 is a flowchart illustrating a method for an apparatus for estimating a power state of a bus bar to estimate a power state of a bus in an unmeasured state in a distribution system, according to an embodiment.
FIG. 3 is a view for explaining a representative load pattern measured from a bus bar to which a substation within a distribution system is connected, according to an exemplary embodiment.
4 is a flowchart illustrating a method of generating, by an apparatus for estimating a power state of a busbar, individual power patterns of customer loads in a distribution system, according to an embodiment.
FIG. 5 is a view for explaining a method of generating an individual power pattern of customer loads in a distribution system by an apparatus for estimating a power state of a bus bar according to an embodiment.
6 is a flowchart illustrating a method of generating, by an apparatus for estimating the power state of a mother ship, learning data for learning a learning model through tidal current calculation, according to an embodiment.
7 is a diagram for describing a process in which an apparatus for estimating a power state of a mother ship generates learning data through a current calculation, according to an embodiment.
8 is a view for explaining a process in which an apparatus for estimating a power state of a mother ship according to an embodiment performs a current calculation in a power distribution system.
9 is a diagram for describing a process in which an apparatus for estimating a power state of a mother ship learns a learning model based on learning data according to an embodiment.
10 is a flowchart illustrating a method for an apparatus for estimating the power state of a bus bar to estimate the power state of a bus in an unmeasured state in a distribution system, according to another embodiment.
11 is a diagram for describing a method for an apparatus for estimating the power state of a bus bar, according to an embodiment, for estimating the power state of a target bus in a distribution system.
12 is a block diagram of an apparatus for estimating a power state of a bus according to an embodiment.
13 is a block diagram of an apparatus for estimating a power state of a bus according to another embodiment.
14 is a block diagram of a server connected to an apparatus for estimating a power state of a bus according to an embodiment.
15 is a diagram illustrating an error rate of an output value of a feed forward neural network (FFNN) learning model learned based on a preset uncertainty parameter.
16 is a diagram illustrating an error rate of an output value of a linear regression learning model learned based on a preset uncertainty parameter.
17 is a diagram illustrating an error rate of an output value of a support vector machine (SVM) learning model trained based on a preset uncertainty parameter.
18 is a diagram illustrating an error rate of an output value of a feed forward neural network (FFNN) learning model learned based on a preset uncertainty parameter.
19 is a diagram illustrating an error rate of an output value of a linear regression learning model learned based on a preset uncertainty parameter.
20 is a diagram illustrating an error rate of an output value of a support vector machine (SVM) learning model trained based on a preset uncertainty parameter.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.Terms used in this specification will be briefly described, and the present disclosure will be described in detail.

본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in the present disclosure are selected as currently widely used general terms as possible while considering the functions in the present disclosure, which may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, and the like. In addition, in a specific case, there is a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the corresponding invention. Therefore, the terms used in the present disclosure should be defined based on the meaning of the term and the contents of the present disclosure, rather than the simple name of the term.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.When a part "includes" a certain element throughout the specification, this means that other elements may be further included, rather than excluding other elements, unless otherwise stated. In addition, terms such as "...unit" and "module" described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software, or a combination of hardware and software. .

아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present disclosure will be described in detail so that those of ordinary skill in the art to which the present disclosure pertains can easily implement them. However, the present disclosure may be implemented in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present disclosure in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

도 1은 일반적인 배전계통에 있어, 모니터링 범위의 증가에 따른 데이터 계측 지점이 증가하는 문제 및 배전계통 내 동일 지점에서 측정된 전압 센서의 오차를 설명하기 위한 도면이다.1 is a view for explaining the problem of increasing the data measurement point according to the increase of the monitoring range in a general distribution system and the error of the voltage sensor measured at the same point in the distribution system.

도 1을 참조하면, 모니터링 범위(102)가 1차 변전소(Primary substations)에서 최종 사용자의 계측 설비(End-customer meters)까지 확대됨에 따라, 전력 상태를 나타내는 데이터를 측정하기 위한 지점 수(104)가 급격하게 증가하는 것을 알 수 있다. 따라서, 계측 장비들이 설치됨으로써, 지속적으로 전력 상태가 계측되는 고압 배전 계통과 달리, 저압 배전 계통의 경우, 데이터 계측 장비의 설치가 용이하지 않고, 모니터링을 위해 많은 비용이 소모되는 문제점이 있다.Referring to FIG. 1 , as the monitoring range 102 is extended from Primary substations to End-customer meters, the number of points 104 for measuring data representing the power state. It can be seen that increases rapidly. Therefore, unlike the high voltage distribution system in which the power state is continuously measured by the installation of measuring equipment, in the case of the low voltage distribution system, it is not easy to install the data measuring equipment, and there is a problem that a lot of money is consumed for monitoring.

더불어, 도 1의 하부 표를 참조하면, 배전계통(Electric Power Distribution System)내 소정의 지점에 설치된 계측 장비(예컨대 전압 센서)로부터 전압 값을 측정하더라도, 다양한 전압 값(106)이 서로 다른 빈도수(108)로 측정되는 것을 알 수 있다. 따라서, 저압 배전 계통의 경우, 데이터 측정을 위한 계측 장비의 설치의 어려움, 계측 장비로부터 측정되는 데이터 값의 오차 등으로 인하여 정확하게 배전 계통 내 전력 관리가 어려운 한계가 있다.In addition, referring to the lower table of FIG. 1 , even if the voltage value is measured from a measuring device (eg, a voltage sensor) installed at a predetermined point in the Electric Power Distribution System, various voltage values 106 have different frequencies ( 108) can be seen. Therefore, in the case of a low voltage distribution system, there is a limit in that it is difficult to accurately manage power in the distribution system due to the difficulty of installing a measuring device for data measurement, an error in data values measured from the measuring device, and the like.

그러나, 본 개시에 따른 배전계통 내 미계측 상태에 잇는 모선의 전력 상태를 추정하는 방법에 따르면, 조류 계산을 통하여 생성되는 학습 데이터에 기초하여, 학습 모델을 학습시킴으로써, 배전계통 내 미계측 모선의 전력 상태에 관한 데이터를 정확하게 추정할 수 있다. 후술하는 도 2를 참조하여, 모선의 전력 상태를 추정하는 장치가 수행하는 배전계통 내 미계측 상태에 있는 모선의 전력 상태를 식별하는 방법을 구체적으로 설명하기로 한다.However, according to the method of estimating the power state of the bus in the unmeasured state in the distribution system according to the present disclosure, by learning the learning model based on the learning data generated through the tidal current calculation, Data about the power state can be accurately estimated. A method of identifying the power state of the bus in an unmeasured state in the distribution system performed by the apparatus for estimating the power state of the bus bar will be described in detail with reference to FIG. 2 to be described later.

도 2는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.2 is a flowchart illustrating a method for an apparatus for estimating a power state of a bus bar to estimate a power state of a bus in an unmeasured state in a distribution system, according to an embodiment.

S220에서, 모선의 전력 상태를 추정하는 장치(1000)는, 배전 계통 내 변전소(또는 변압기)가 연결되는 모선으로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 배전 계통 내 각 모선에 연결되는 고객 부하들(Customer Load)의 전력 패턴을 생성할 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치(1000)는 배전 계통 내, 미리 설치된 계측 설비들을 이용하여, 변전소에서 측정 가능한, 부하 데이터 전체를 대표하는 대표 부하 패턴(Representative Load Pattern, RLP)을 획득할 수 있다.In S220, the device 1000 for estimating the power state of the busbar is connected to each bus in the distribution system based on a representative load pattern measured from the bus to which the substation (or transformer) in the distribution system is connected. It is possible to create a power pattern of the customer loads. For example, the apparatus 1000 for estimating the power state of the busbar is a representative load pattern (RLP) representing the entire load data that can be measured in a substation using measurement facilities installed in advance in the distribution system. can be obtained

일 실시 예에 의하면, 대표 부하 패턴은 변전소를 노드로 할 때, 상기 노드에 연결되는 모든 부하들의 등가(equivalent) 부하에 대응될 수 있다. 또한, 일 실시 예에 의하면, 대표 부하 패턴은, 변전소와 연결되는 모든 부하들에서 시간의 흐름에 따라 소비되는 전력(power) 패턴으로 나타날 수 있다.According to an embodiment, when a substation is a node, the representative load pattern may correspond to an equivalent load of all loads connected to the node. Also, according to an embodiment, the representative load pattern may appear as a power pattern consumed over time in all loads connected to the substation.

본 개시의 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치는 변전소로부터 측정된 대표 부하 패턴(RLP)을 변형함으로써, 고객 부하들의 전력 패턴을 생성할 수 있다. 모선의 전력 상태를 추정하는 장치가 대표 부하 패턴(RLP)를 이용하여 고객 부하 별로 전력 패턴을 생성하는 방법은 후술하는 도 4 내지 도 5를 참조하여 구체적으로 설명하기로 한다.According to an embodiment of the present disclosure, an apparatus for estimating a power state of a bus may generate a power pattern of customer loads by modifying a representative load pattern (RLP) measured from a substation. A method in which the device for estimating the power state of the bus generates a power pattern for each customer load using a representative load pattern (RLP) will be described in detail with reference to FIGS. 4 to 5 to be described later.

S240에서, 모선의 전력 상태를 추정하는 장치는 고객 부하들의 전력 패턴 및 배전 계통에 대한 배전 선로 정보에 기초하여, 조류(Power flow) 계산을 수행함으로써, 배전 계통 내 모든 모선에 대한 전력 상태에 관한 학습 데이터를 생성할 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치는 배전 계통 내 모든 모선의 일부 정보(예컨대 유효 전력 및 무효 전력 또는 유효 전력 및 전압 크기)를 이용하여 배전 계통 전체의 모선의 전력 상태(예컨대 유효 전력, 무효전력, 전압 크기 및 전압 위상각)에 관한 정보를 결정할 수 있다.In S240, the device for estimating the power state of the busbar is based on the power pattern of customer loads and the distribution line information for the distribution system, by performing a power flow calculation, the power state for all the busbars in the distribution system. You can create training data. For example, a device for estimating the power state of a busbar uses some information (eg, active power and reactive power or active power and voltage magnitude) of all busbars in the distribution system to determine the power state of the entire busbar (eg, active power) , reactive power, voltage magnitude and voltage phase angle) can be determined.

일 실시 예에 의하면, 모선의 전력 상태에 관한 전력 상태 정보는, 해당 모선에서의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를 포함할 수 있다. 본 개시에 따른 모선의 전력 상태를 추정하는 장치는, 배전계통 전체의 모선에 대한 유효 전력, 무효 전력, 전압 크기, 및 전압 위상각에 대한 정보를 이용하여, 학습 데이터를 생성할 수 있다. 모선의 전력 상태를 추정하는 장치가 학습 데이터를 생성하는 방법은 후술하는 도 6 내지 8을 참조하여 더 구체적으로 설명하기로 한다.According to an embodiment, the power state information on the power state of the bus may include information on active power, reactive power, voltage magnitude and voltage phase angle in the corresponding bus. The apparatus for estimating the power state of a bus bar according to the present disclosure may generate learning data by using information about active power, reactive power, voltage magnitude, and voltage phase angle for the entire bus bar of a distribution system. A method for generating the learning data by the apparatus for estimating the power state of the bus will be described in more detail with reference to FIGS. 6 to 8 to be described later.

S260에서, 모선의 전력 상태를 추정하는 장치는 학습 데이터에 기초하여, 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보가 출력되도록, 학습 모델을 학습시킬 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치는, S240에서 생성된 학습 데이터에 대하여, 지도 학습(Supervised learning) 을 수행함으로써 학습 모델을 학습시킬 수 있다.In S260, the device for estimating the power state of the busbar is based on the learning data, when the power state information of at least some busbars in the measurement state in the distribution system is input, the power state information of the busbars in the unmeasured state in the distribution system is It is possible to train the learning model so that it is output. For example, the apparatus for estimating the power state of the mother ship may train the learning model by performing supervised learning on the training data generated in S240.

본 개시의 일 실시 예에 따르면, 모선의 전력 상태를 추정하는 장치가 학습 시키는 학습 모델은 피드 포워드 신경망(Feedforward neural network) 모델, 서포트 벡터 머신(Support vector machine) 모델, 선형 회귀(Linear regression) 모델 중 하나일 수 있다. 그러나, 이에 한정되는 것은 아니며, 기타 인공지능 학습 알고리즘에 따라 학습될 수 있는 기타 인공 지능(Artificial intelligence) 모델을 포함할 수 있다.According to an embodiment of the present disclosure, the learning model trained by the apparatus for estimating the power state of the mothership is a feedforward neural network model, a support vector machine model, a linear regression model. can be one of However, the present invention is not limited thereto, and may include other artificial intelligence (Artificial intelligence) models that may be learned according to other artificial intelligence learning algorithms.

예를 들어, 인공 지능 모델의 일 실시 예로써, 인공 신경망은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values, weights)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 신경망의 학습 결과에 의해 최적화될 수 있다.For example, as an embodiment of the artificial intelligence model, the artificial neural network may be composed of a plurality of neural network layers. Each of the plurality of neural network layers has a plurality of weight values (weights), and a neural network operation is performed through an operation between an operation result of a previous layer and a plurality of weights. The plurality of weights of the plurality of neural network layers may be optimized by the learning result of the artificial neural network.

예를 들어, 학습 과정 동안 신경망 모델에서 획득한 손실(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 수정 및 갱신될 수 있다. 본 개시에 따른 신경망 모델은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 역시 이에 한정되는 것은 아니다.For example, a plurality of weights may be modified and updated so that a loss value or a cost value obtained from the neural network model during the learning process is reduced or minimized. The neural network model according to the present disclosure may include a deep neural network (DNN), for example, a Convolutional Neural Network (CNN), a Deep Neural Network (DNN), a Recurrent Neural Network (RNN), Restricted (RBM) Boltzmann Machine), DBN (Deep Belief Network), BRDNN (Bidirectional Recurrent Deep Neural Network), or deep Q-Networks, etc., but are also not limited thereto.

모선의 전력 상태를 추정하는 장치가 학습 데이터에 기초하여 학습 모델을 학습 시키는 과정은 후술하는 도 9 내지 10을 참조하여 더 구체적으로 설명하기로 한다.A process in which the apparatus for estimating the power state of the mother ship learns the learning model based on the learning data will be described in more detail with reference to FIGS. 9 to 10 to be described later.

도 3은 일 실시 예에 따른, 배전 계통 내 변전소가 연결되는 모선으로부터 계측되는 대표 부하 패턴(Representative Load Pattern)을 설명하기 위한 도면이다.FIG. 3 is a view for explaining a representative load pattern measured from a bus bar to which a substation within a distribution system is connected, according to an exemplary embodiment.

본 개시에 따른 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 변전소 또는 변전소가 연결되는 모선을 통하여 대표 부하 패턴(310)을 식별할 수 있다. 예를 들어, 도 3을 참조하면, 모선의 전력 상태를 추정하는 장치가 식별하는 대표 부하 패턴은, 시간(302)의 흐름에 따라, 변전소에 연결되는 모든 부하들의 등가(equivalent) 부하의 변동 패턴에 대응될 수 있다. 일 실시 예에 의하면, 대표 부하 패턴(310)은 등가 부하에서 시간의 흐름에 따라 소모될 수 있는 전력(Power, 304)으로 나타날 수 있다. The apparatus for estimating the power state of a bus bar according to the present disclosure may identify a representative load pattern 310 through a substation within a distribution system or a bus bar to which the substation is connected. For example, referring to FIG. 3 , the representative load pattern identified by the device for estimating the power state of the busbar is a variation pattern of the equivalent load of all loads connected to the substation over time 302 . can correspond to According to an embodiment, the representative load pattern 310 may be represented by power 304 that may be consumed over time in an equivalent load.

도 4는 일 실시 예에 따른, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 나타내는 흐름도이다.4 is a flowchart illustrating a method of generating, by an apparatus for estimating a power state of a busbar, individual power patterns of customer loads in a distribution system, according to an embodiment.

도 5는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 배전 계통 내 고객 부하들의 개별 전력 패턴을 생성하는 방법을 설명하기 위한 도면이다.FIG. 5 is a view for explaining a method of generating an individual power pattern of customer loads in a distribution system by an apparatus for estimating a power state of a bus bar according to an embodiment.

이하에서는, 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 고객 부하들의 각 개별 전력 패턴을 생성하는 방법을 도 5를 참조하여 구체적으로 설명하기로 한다.Hereinafter, a method in which the apparatus for estimating the power state of the bus bar generates each individual power pattern of customer loads in the distribution system will be described in detail with reference to FIG. 5 .

S420에서, 모선의 전력 상태를 추정하는 장치는 미리 설정된 불확실성(Uncertainty) 파라미터에 기초하여 대표 부하 패턴을 포함하는 패턴 범위를 결정할 수 있다. 예를 들어, 모선의 전력 상태를 추정하는 장치는 변전소로부터 대표 부하 패턴(502)를 측정할 수 있다. 모선의 전력 상태를 추정하는 장치는 측정된 대표 부하 패턴에 불확실성(504)를 반영하기 위해, 불확실성 파라미터를 적용함으로써, 대표 부하 패턴을 포함하는 패턴 범위(506, 508)를 설정할 수 있다.In S420 , the apparatus for estimating the power state of the busbar may determine a pattern range including a representative load pattern based on a preset uncertainty parameter. For example, a device for estimating the power state of a bus may measure a representative load pattern 502 from a substation. In order to reflect the uncertainty 504 in the measured representative load pattern, the apparatus for estimating the power state of the bus may set the pattern ranges 506 and 508 including the representative load pattern by applying the uncertainty parameter.

일 실시 예에 의하면 패턴 범위들은 대표 부하 패턴 내 패턴 값보다 큰 패턴 값을 포함하는 제1 패턴 범위(506) 및 대표 부하 패턴 내 패턴 값 보다 작은 패턴 값을 포함하는 제2 패턴 범위(508)를 포함할 수 있다. 일 실시 예에 의하면 제1 패턴 범위(506) 및 제2 패턴 범위(508)가 대표 부하 패턴으로부터 이격 되는 거리는 불확실성 파라미터에 기초하여 결정될 수 있다. 예를 들어, 불확실성이 커지도록 불확실성 파라미터가 결정되는 경우, 제1 패턴 범위(506) 및 제2 패턴 범위(508)는 대표 부하 패턴으로부터 소정의 거리만큼 더 이격될 수 있다.According to an embodiment, the pattern ranges include a first pattern range 506 including a pattern value greater than a pattern value in the representative load pattern and a second pattern range 508 including a pattern value smaller than a pattern value in the representative load pattern. may include According to an embodiment, a distance at which the first pattern range 506 and the second pattern range 508 are separated from the representative load pattern may be determined based on the uncertainty parameter. For example, when the uncertainty parameter is determined such that the uncertainty increases, the first pattern range 506 and the second pattern range 508 may be further spaced apart from the representative load pattern by a predetermined distance.

S440에서, 모선의 전력 상태를 추정하는 장치는, 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 대표 부하 패턴(502)을 변형할 수 있다. 또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, S420에서 결정된 패턴 범위 내에서 시간 대 별 및 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 대표 부하 패턴(502)을 변형할 수도 있다. In S440 , the apparatus for estimating the power state of the bus may transform the representative load pattern 502 using a random variable randomly set for each customer load. According to another embodiment, the apparatus for estimating the power state of the busbar may transform the representative load pattern 502 by using a random variable that is randomly set for each time and customer load within the pattern range determined in S420. have.

예를 들어, 모선의 전력 상태를 추정하는 장치는, 랜덤 변수(random variable)을 생성하고, 생성된 랜덤 변수들 각각을 고객 부하(customer load) 별 및 시간 대 별로 서로 다르게 할당할 수 있다. 모선의 전력 상태를 추정하는 장치는, 고객 부하 별 및 시간 대 별로 서로 다르게 할당되는 랜덤 변수를 대표 부하 패턴에 적용함으로써, 제1 변형 부하 패턴(510), 제2 변형 부하 패턴(512) 및 제n변형 부하 패턴(514)을 생성할 수 있다.For example, the apparatus for estimating the power state of the bus may generate a random variable and allocate each of the generated random variables differently for each customer load and each time period. The apparatus for estimating the power state of the busbar applies a random variable that is differently allocated for each customer load and for each time period to the representative load pattern, so that the first deformed load pattern 510, the second deformed load pattern 512 and the second An n-strain load pattern 514 may be generated.

S460에서, 모선의 전력 상태를 추정하는 장치는, 상기 변형된 대표 부하 패턴(예컨대, 제1 변형 부하 패턴, 제2 변형 부하 패턴 등)을 고객 부하 별로 계측되는 전기 요금(522, 524, 526, 528)에 기초하여 스케일링함으로써 고객 부하들 별로 전력 패턴(532, 534, 536, 538)을 생성할 수 있다. 보다 상세하게는, 모선의 전력 상태를 추정하는 장치는 고객 부하들 별로 전기 요금에 대한 정보를 획득할 수 있다. 일 실시 예에 의하면, 고객 부하들 별 전기 요금은 월별로 측정될 수 있다.In S460, the apparatus for estimating the power state of the bus bar calculates the modified representative load pattern (eg, the first modified load pattern, the second modified load pattern, etc.) for the electricity bills 522, 524, 526, Scaling based on 528 may generate power patterns 532 , 534 , 536 , 538 per customer loads. In more detail, the apparatus for estimating the power state of the bus may obtain information on the electricity bill for each customer load. According to an embodiment, the electricity rate for each customer load may be measured on a monthly basis.

모선의 전력 상태를 추정하는 장치는, 상기 측정된 고객 부하 별 월별 전기 요금에 기초하여, 상기 고객 부하 별 일별 전기 요금을 결정할 수 있다. 모선의 전력 상태를 추정하는 장치는, 결정된 고객 부하 별 일별 전기 요금에 기초하여, 고객 부하 별 전력 패턴의 절대적 크기를 산정할 수 있다. 모선의 전력 상태를 추정하는 장치는 고객 부하 별 전력 패턴의 절대적 크기에 기초하여, 상기 고객 부하 별로 다르게 변형된 대표 부하 패턴을 스케일링함으로써, 고객 부하 별 전력 패턴(532, 534, 536, 538)을 생성할 수 있다. 상술한 방식에 따라 배전 계통 내 모선의 전력 상태를 추정하는 장치는, 고객 부하들이 연결되는, 배전 계통 내 모든 모선에 대하여 일별 시간의 흐름에 따라, 전력 패턴을 생성할 수 있다.The apparatus for estimating the power state of the busbar may determine the daily electricity rate for each customer load, based on the measured monthly electricity rate for each customer load. The apparatus for estimating the power state of the busbar may calculate the absolute size of the power pattern for each customer load, based on the determined daily electricity rate for each customer load. The device for estimating the power state of the busbar is based on the absolute size of the power pattern for each customer load, and by scaling the representative load pattern differently modified for each customer load, the power patterns 532, 534, 536, and 538 for each customer load. can create The apparatus for estimating the power state of the busbars in the distribution system according to the above-described method may generate a power pattern according to the passage of time per day for all the busbars in the distribution system to which customer loads are connected.

일 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는 기 설정된 불확실성 파라미터에 따라 결정되는 패턴 범위 내에서, 고객 부하 별 및 시간 대별 서로 다른 랜덤 변수들을 대표 부하 패턴(502)에 적용함으로써, 고객 부하들 별로 서로 다른 전력 패턴들을 생성할 수 있다. 모선의 전력 상태를 추정하는 장치는 고객 부하들 별로 서로 다르게 생성된 전력 패턴들을 제1 전력 패턴 세트(542)로 생성할 수 있다.According to an embodiment, the apparatus for estimating the power state of the busbar applies different random variables for each customer load and for each time period to the representative load pattern 502 within a pattern range determined according to a preset uncertainty parameter, so that the customer Different power patterns can be generated for each load. The apparatus for estimating the power state of the busbar may generate differently generated power patterns for each customer load as the first power pattern set 542 .

또한, 일 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, 제1 전력 패턴 세트(542)를 생성하기 위해 이용된 랜덤 변수들과 다른 랜덤 변수들을 생성하고, 생성된 랜덤 변수들을 대표 부하 패턴(502)에 적용함으로써, 고객 부하들 별로 생성된 전력 패턴들을 이용하여 제2 전력 패턴 세트(544)를 생성할 수 있다. 상술한 바와 동일한 방식으로 모선의 전력 상태를 추정하는 장치는, 고객 부하들 별 및 시간 대별로 생성되는 전력 패턴들을 포함하는 제3 전력 패턴 세트 (546) 및 제N 전력 패턴 세트(548)를 생성할 수 있다.In addition, according to an embodiment, the apparatus for estimating the power state of the bus generates random variables different from the random variables used to generate the first power pattern set 542 , and uses the generated random variables as a representative load. By applying the pattern 502 , the second power pattern set 544 may be generated using the power patterns generated for each customer load. The apparatus for estimating the power state of the busbar in the same manner as described above generates a third power pattern set 546 and an Nth power pattern set 548 including power patterns generated for each customer load and each time period. can do.

본 개시에 따른 모선의 전력 상태를 추정하는 장치가 생성한 제1 전력 패턴 세트(542), 제2 전력 패턴 세트(544), 제3 전력 패턴 세트(546) 내지 제N 전력 패턴 세트(548)는, 각 전력 패턴 세트 내 각 고객 부하 별 전력 패턴들이 동일한 시간대에 같은 전력 패턴 값을 갖지 않도록 생성될 수 있다. 또한, 본 개시에 따른 모선의 전력 상태를 추정하는 장치가 생성한 고객 부하 별 전력 패턴들은 각 고객 부하 별 유효 전력 패턴 및 무효 전력 패턴을 포함할 수 있다.The first power pattern set 542 , the second power pattern set 544 , the third power pattern set 546 to the Nth power pattern set 548 generated by the apparatus for estimating the power state of the bus according to the present disclosure , may be generated so that power patterns for each customer load in each power pattern set do not have the same power pattern value in the same time period. In addition, the power patterns for each customer load generated by the apparatus for estimating the power state of the bus according to the present disclosure may include an active power pattern and a reactive power pattern for each customer load.

도 6은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 조류 계산을 통하여, 학습 모델을 학습시키기 위한 학습 데이터를 생성하는 방법을 나타내는 흐름도이다.6 is a flowchart illustrating a method of generating, by an apparatus for estimating the power state of a mother ship, learning data for learning a learning model through tidal current calculation, according to an embodiment.

도 7은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 조류 계산을 통하여 학습 데이터를 생성하는 과정을 설명하기 위한 도면이다.7 is a view for explaining a process of generating, by an apparatus for estimating the power state of a mother ship, learning data through tidal current calculation, according to an embodiment.

도 6 내지 7을 참조하여 모선의 전력 상태를 추정하는 장치가, 조류 계산을 통하여 학습 데이터를 생성하는 과정을 구체적으로 설명하기로 한다. S620에서, 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보에 기초하여, 배전 계통 내 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴 및 무효 전력 패턴에 대해 조류 계산을 수행함으로써, 배전 계통 내 모든 모선의 전압 크기 및 전압의 위상각을 결정할 수 있다. A process in which the device for estimating the power state of the mother ship generates the learning data through the current calculation will be described in detail with reference to FIGS. 6 to 7 . In S620, the device for estimating the power state of the busbar, based on the distribution line information, performs a current calculation on the active power pattern and reactive power pattern for all busbars to which customer loads in the distribution system are connected, so that within the distribution system It is possible to determine the voltage magnitude of all busbars and the phase angle of the voltage.

예를 들어, 도 4 내지 도 5에서 상술한 바와 같이, 모선의 전력 상태를 추정하는 장치는, 대표 부하 패턴을 변형함으로써, 배전 계통 내 모든 모선에 대하여, 고객 부하 별 및 시간 대별 서로 다른 전력 패턴들을 포함하는 N개의 전력 패턴 세트를 획득할 수 있다. 따라서, 모선의 전력 상태를 추정하는 장치는 N개의 전력 패턴 세트 내 N개의 유효 전력 패턴 및 무효 전력 패턴을 획득할 수 있다.For example, as described above in FIGS. 4 to 5 , the device for estimating the power state of the busbar changes the representative load pattern, so that for all busbars in the distribution system, different power patterns for each customer load and time period It is possible to obtain a set of N power patterns including Accordingly, the apparatus for estimating the power state of the bus can obtain N active power patterns and reactive power patterns in the N power pattern sets.

본 개시에 따른 모선의 전력 상태를 추정하는 장치는 배전 선로 정보(702)를 획득할 수 있다. 일 실시 예에 의하면, 배전 선로 정보(702)는 배전 계통 내 모선의 연결 관계 정보, 모선의 임피던스 정보, 모선의 길이 정보를 포함할 수 있다. 모선의 전력 상태를 추정하는 장치는 조류 계산부(710)를 이용하여 배전 선로 정보(702) 및 N개의 유효 전력 패턴 및 무효 전력 패턴을 포함하는 전력 패턴 세트에 대해 조류 계산을 수행함으로써, N개의 전압 크기 및 전압 위상각 세트(706)를 결정할 수 있다.The apparatus for estimating the power state of the bus bar according to the present disclosure may acquire the distribution line information 702 . According to an embodiment, the distribution line information 702 may include connection relationship information of busbars in the distribution system, impedance information of busbars, and length information of busbars. The device for estimating the power state of the mother ship performs the current calculation on the power pattern set including the distribution line information 702 and N active power patterns and reactive power patterns by using the current calculation unit 710, so that N A voltage magnitude and voltage phase angle set 706 may be determined.

예를 들어, 모선의 전력 상태를 추정하는 장치는 배전 계통 내 모선의 유효 전력 패턴 및 무효 전력 패턴에 기초하여, 해당 모선의 전압 크기 및 전압 위상각을 결정할 수 있다. 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보가 나타내는 배전 계통 내 모선의 연결 관계 정보, 모선의 임피던스 정보, 모선의 길이 정보에 기초하여, 배전 계통 내 모든 모선에 대하여 생성된 N개의 전력 패턴 세트에 조류 계산을 수행함으로써, 배전 계통 내 모든 모선에 대한 N개의 전압 크기 및 전압 위상각 세트(706)를 획득할 수 있다.For example, the apparatus for estimating the power state of the bus bar may determine the voltage magnitude and the voltage phase angle of the bus bar based on the active power pattern and the reactive power pattern of the bus bar in the distribution system. The apparatus for estimating the power state of the busbar includes N power patterns generated for all the busbars in the distribution system based on the connection relationship information of the busbars in the distribution system indicated by the distribution line information, the impedance information of the busbars, and the length information of the busbars. By performing the tidal current calculation on the set, it is possible to obtain a set of N voltage magnitudes and voltage phase angles 706 for all busbars in the distribution grid.

보다 상세하게는, 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보(702)에 기초하여, 제1 전력 패턴 세트(542)에 조류 계산을 수행함으로써, 제1 전압 크기 세트 및 제1 전압 위상각 세트를 결정하고, 상기 제1 전력 패턴 세트(542), 상기 제1 전압 크기 세트 및 제1 전압 위상각 세트를 포함하는, 제1 학습 데이터(722)를 생성할 수 있다. 마찬가지로, 모선의 전력 상태를 추정하는 장치는, 배전 선로 정보(702)에 기초하여, 제2 전력 패턴 세트(544), 제3 전력 패턴 세트(546), 제N 전력 패턴 세트(548)각각에 조류 계산을 수행함으로써, 제2 학습 데이터(724), 제3 학습 데이터(726) 및 제N 학습 데이터(728)를 각각 생성할 수 있다. 본 개시에 따른 모선의 전력 상태를 추정하는 장치가 생성한 학습 데이터는, 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라 생성될 수 있다.More specifically, the apparatus for estimating the power state of the bus bar performs a current flow calculation on the first power pattern set 542 based on the distribution line information 702, whereby the first voltage magnitude set and the first voltage phase Each set may be determined, and first training data 722 including the first power pattern set 542 , the first voltage magnitude set and the first voltage phase angle set may be generated. Similarly, the apparatus for estimating the power state of the bus is configured to, based on the distribution line information 702 , each of the second power pattern set 544 , the third power pattern set 546 , and the Nth power pattern set 548 . By performing the current calculation, the second learning data 724 , the third learning data 726 , and the N-th learning data 728 may be generated, respectively. The learning data generated by the apparatus for estimating the power state of a bus according to the present disclosure is generated according to the passage of time for each customer load connected to the bus and daily time used by the customer load for all busbars in the distribution system. can

도 8은 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 조류 계산을 수행하는 과정을 설명하기 위한 도면이다.8 is a diagram for describing a process in which an apparatus for estimating a power state of a mother ship performs calculation of a current in a distribution system according to an exemplary embodiment.

도 8을 참조하면, 1번 모선(812)에서 33번 모선(814)까지 차례대로 넘버링된 33개의 모선을 포함하는 배전 계통이 도시된다. 모선의 전력 상태를 추정하는 장치는 모든 모선의 일부 정보(예컨대 무효 전력 및 유효 전력 또는 유효 전력 및 전압 크기)를 이용하여 조류 계산을 수행함으로써, 배전 계통 내 전체 모선의 전력 상태를 나타내는 전력 상태 정보를 결정할 수 있다. Referring to FIG. 8 , a distribution system including 33 busbars numbered sequentially from the first busbar 812 to the 33rd busbar 814 is shown. The device for estimating the power state of the busbar performs a current calculation using some information (eg, reactive power and active power or active power and voltage magnitude) of all busbars, so that the power state information indicating the power state of all busbars in the distribution system can be decided

일 실시 예에 의하면, 모선의 전력 상태를 나타내는 전력 상태 정보는, 유효 전력(822, 826), 무효 전력(824, 828), 전압의 크기(832) 및 전압의 위상각(834)에 대한 정보를 포함할 수 있다. 또한, 일 실시 예에 의하면 유효 전력은 발전기 모선의 유효 전력(822) 및 부하 모선의 유효 전력(826)을 포함할 수 있고, 무효 전력은 발전기 모선의 무효 전력(824) 및 부하 모선의 무효 전력(828)을 포함할 수 있다.According to one embodiment, the power state information indicating the power state of the bus, active power (822, 826), reactive power (824, 828), the magnitude of the voltage (832), and information on the phase angle of the voltage (834) may include. In addition, according to an embodiment, the active power may include the active power 822 of the generator bus and the active power 826 of the load bus, and the reactive power is the reactive power 824 of the generator bus and the reactive power of the load bus. (828).

도 9는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치가 학습 데이터에 기초하여 학습 모델을 학습시키는 과정을 설명하기 위한 도면이다.9 is a view for explaining a process in which an apparatus for estimating a power state of a mother ship learns a learning model based on learning data according to an embodiment.

모선의 전력 상태를 추정하는 장치는, 배전 계통 내 모든 모선에 대하여 생성된 학습 데이터에 대해 지도 학습(Supervised Learning)을 수행함으로써, 학습 모델(960)을 학습시킬 수 있다. 일 실시 예에 의하면, 학습 모델(960)은 인공 지능 학습 알고리즘에 따라 학습되는 인공지능 모델일 수 있다. 예를 들어, 학습 모델(960)은 피드 포워드 신경망(Feedforward neural network) 모델(952), 서포트 벡터 머신(Support vector machine) 모델(954), 선형 회귀(Linear regression) 모델(956) 중 하나일 수 있다.The apparatus for estimating the power state of the busbar may train the learning model 960 by performing supervised learning on the learning data generated for all the busbars in the distribution system. According to an embodiment, the learning model 960 may be an artificial intelligence model learned according to an artificial intelligence learning algorithm. For example, the training model 960 may be one of a feedforward neural network model 952 , a support vector machine model 954 , and a linear regression model 956 . have.

예를 들어, 모선의 전력 상태를 추정하는 장치는 도 6 내지 8에서 상술한 방법에 따라 생성된 학습 데이터 중, 배전 계통 내 일 계측 지점의 유효 전력 패턴, 무효 전력 패턴 또는 상기 일 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나와, 상기 배전 계통 내 선택되는 타 계측 지점의 유효 전력 패턴 및 무효 전력 패턴 또는 상기 타 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나가 학습 모델에 입력 시, 배전 계통 내 일 계측 지점 및 타 계측 지점을 제외한, 모든 모선의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각이 출력되도록 학습 모델을 학습시킬 수 있다.For example, the apparatus for estimating the power state of the busbar may include an active power pattern, a reactive power pattern, or a voltage of one measurement point in the distribution system among the learning data generated according to the method described above in FIGS. 6 to 8 . When at least one of the magnitude and the phase angle of the voltage and at least one of the active power pattern and reactive power pattern of another measurement point selected within the distribution system or the voltage magnitude and the phase angle of the voltage of the other measurement point are input to the learning model , it is possible to train the learning model to output the active power pattern, reactive power pattern, voltage magnitude and phase angle of all busbars except for one measurement point and another measurement point in the distribution system.

또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, 학습 데이터 중, 배전 계통 내 변전소의 유효 전력 패턴 및 무효 전력 패턴(942), 상기 변전소의 전압 크기 및 전압 위상각(944), 배전 계통 내 선택된 말단 모선의 유효 전력 패턴 및 무효 전력 패턴(946) 및 상기 말단 모선의 전압 크기 및 전압 위상각(948)이 학습 모델(960)에 입력되면, 상기 학습 모델(960)로부터, 배전 계통 내 선택된 말단 모선을 제외한 모든 모선의 유효 전력 및 무효 전력(962), 전압 크기 및 각도(964)가 출력되도록 학습 모델(960)을 학습시킬 수 있다.According to another embodiment, the apparatus for estimating the power state of the busbar includes, among the learning data, an active power pattern and a reactive power pattern 942 of a substation in a distribution system, a voltage magnitude and a voltage phase angle 944 of the substation, When the active power pattern and reactive power pattern 946 of the terminal bus selected in the distribution system and the voltage magnitude and voltage phase angle 948 of the terminal bus are input to the learning model 960, from the learning model 960, the distribution The learning model 960 may be trained so that the active power and reactive power 962, voltage magnitude, and angle 964 of all busbars except for the selected terminal busbar in the system are output.

또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는 상기 학습 데이터 중, 상기 배전 계통 내 변전소의 유효 전력 패턴 및 무효 전력 패턴(942)과, 상기 배전 계통 내 선택되는 말단 모선의 전압 크기 및 상기 전압의 위상각(948)이 상기 학습 모델에 입력되면, 상기 변전소가 및 상기 선택된 모선을 제외한 상기 배전 계통 내 모든 모선의 유효 전력 및 무효 전력(962), 전압 크기 및 전압 위상각(964)이 출력되도록, 상기 학습 모델을 학습 시킬 수 있다.According to another embodiment, the apparatus for estimating the power state of the bus includes an active power pattern and a reactive power pattern 942 of a substation within the distribution system among the learning data, and a voltage level of the terminal bus selected in the distribution system. and when the phase angle 948 of the voltage is input to the learning model, the active power and reactive power 962, voltage magnitude and voltage phase angle 964 of all busbars in the distribution system except for the substation and the selected busbar. ) to be output, the learning model may be trained.

또 다른 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는 학습 모델(960)에 시간 정보(949)를 더 입력할 수 있고, 시간의 흐름에 따른 학습 데이터에 지도 학습을 수행함으로써, 시간의 흐름에 따라 나타나는, 선택 말단 모선을 제외한 배전 계통 내 모든 모선에 대한 전력 상태 정보를 추정할 수 있다.According to another embodiment, the apparatus for estimating the power state of the mother ship may further input the time information 949 to the learning model 960, and by performing supervised learning on the learning data according to the passage of time, It is possible to estimate the power state information for all busbars in the distribution system except for the selected terminal busbars, which appear along the flow.

도 10은 또 다른 실시 예에 따라, 모선의 전력 상태를 추정하는 장치가 배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법을 나타내는 흐름도이다.10 is a flowchart illustrating a method for an apparatus for estimating the power state of a bus bar to estimate the power state of a bus in an unmeasured state in a distribution system, according to another embodiment.

S910 내지 S930은 도 2의 S220 내지 S260에 각각 대응될 수 있으므로 구체적인 설명은 생략하기로 한다. S940에서, 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 S930에서 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 미 계측 상태에 있는 모선의 전력 상태 정보를 출력할 수 있다.Since S910 to S930 may respectively correspond to S220 to S260 of FIG. 2 , a detailed description thereof will be omitted. In S940, the apparatus for estimating the power state of the bus is based on the output value of the learning model output from the learning model by inputting the power state information of the bus in the measurement state in the distribution system to the learning model learned in S930. , it is possible to output the power status information of the bus in the unmeasured state.

예를 들어, 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 계측 설비가 설치된, 변전소(또는 변압기) 및 일부 말단 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각을 획득할 수 있다. 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 계측 상태에 있는, 변전소(또는 변압기) 및 일부 말단 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를 학습 모델에 입력하고, 학습 모델로부터 출력되는, 선택 모선(계측 설비가 설치되어 전력 상태가 측정되고 있는 모선)을 제외한 배전 계통 내 모든 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각을 이용하여, 미계측 상태에 있는 모선의 전력 상태를 결정할 수 있다.For example, an apparatus for estimating the power state of a bus bar may acquire active power, reactive power, voltage magnitude, and voltage phase angle of a substation (or transformer) and some terminal busbars in which the measuring equipment in the distribution system is installed. The device for estimating the power state of the busbar inputs information about the active power, reactive power, voltage magnitude and voltage phase angle of the substation (or transformer) and some terminal busbars, which are in the measurement state in the distribution system, to the learning model, Using the active power, reactive power, voltage magnitude, and voltage phase angle of all busbars in the distribution system except for the selected busbar (the busbar where the measuring equipment is installed and the power state is being measured) output from the learning model, It is possible to determine the power state of the busbar.

일 실시 예에 의하면, 모선의 전력 상태를 추정하는 장치는, 상술한 바와 같이, 배전 계통 내 변전소 및 일부 말단 모선의 전력 상태 정보가 아닌, 배전 계통 내 계측 상태에 있는 적어도 2개의 계측 지점의 전력 상태 정보를 이용하여, 미계측 상태에 있는 배전 계통 내 모든 모선의 전력 상태 정보를 결정할 수도 있음은 물론이다.According to an embodiment, the apparatus for estimating the power state of the busbar, as described above, is not the power state information of substations and some terminal busbars in the distribution system, but the power of at least two measurement points in the measurement state in the distribution system Of course, it is also possible to determine the power state information of all busbars in the distribution system in an unmeasured state by using the state information.

도 11은 일 실시 예에 따라 모선의 전력 상태를 추정하는 장치가, 배전 계통 내 타겟 모선의 전력 상태를 추정하는 방법을 설명하기 위한 도면이다.11 is a diagram for explaining a method for an apparatus for estimating the power state of a bus bar, according to an embodiment, for estimating the power state of a target bus in a distribution system.

일 실시 예에 의하면 모선의 전력 상태를 추정하는 장치는, 계측 상태에 있는 입력 모선(902, 904, 906)과, 미계측 상태에 있는 타겟 모선(908)을 결정할 수 있다.According to an embodiment, the apparatus for estimating the power state of the busbar may determine the input busbars 902 , 904 and 906 in the measurement state and the target busbar 908 in the unmeasured state.

일 실시 예에 의하면 모선의 전력 상태를 추정하는 장치는, 배전 계통 내 입력 모선(902, 904, 906)의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를, 미리 학습된 모델에 입력하고, 학습 모델로부터 출력되는 타겟 모선의 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 정보를 이용하여, 타겟 모선의 전력 상태를 결정할 수 있다.According to an embodiment, the apparatus for estimating the power state of the busbar provides information about the active power, reactive power, voltage magnitude and voltage phase angle of the input busbars 902, 904, 906 in the distribution system to a pre-trained model. It is possible to determine the power state of the target bus by using the input and information on the active power, reactive power, voltage magnitude, and voltage phase angle of the target bus output from the learning model.

도 12는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.12 is a block diagram of an apparatus for estimating a power state of a bus according to an embodiment.

도 13은 또 다른 실시 예에 따른 모선의 전력 상태를 추정하는 장치의 블록도이다.13 is a block diagram of an apparatus for estimating a power state of a bus according to another embodiment.

도 12에 도시된 바와 같이, 모선의 전력 상태를 추정하는 장치(1000)는 프로세서(1300) 및 메모리(1700)를 포함할 수 있다. 그러나, 도시된 구성 요소 모두가 필수 구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 모선의 전력 상태를 추정하는 장치(1000)가 구현될 수도 있고, 그 보다 적은 구성 요소에 의해서도 모선의 전력 상태를 추정하는 장치(1000)가 구현될 수도 있다.As shown in FIG. 12 , the apparatus 1000 for estimating the power state of the bus may include a processor 1300 and a memory 1700 . However, not all illustrated components are essential components. The apparatus 1000 for estimating the power state of the busbar may be implemented by more components than the illustrated components, and the apparatus 1000 for estimating the power state of the busbar may be implemented by using fewer components. .

예를 들어, 도 13에 도시된 바와 같이, 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치(1000)는 프로세서(1300) 및 메모리(1700)외에, 사용자 입력 인터페이스(1100), 출력부(1200), 조류 계산부(1400) 및 네트워크 인터페이스(1500)를 더 포함할 수도 있다.For example, as shown in FIG. 13 , the apparatus 1000 for estimating the power state of a bus according to an embodiment includes a user input interface 1100, an output unit ( 1200), the current calculator 1400, and may further include a network interface (1500).

사용자 입력 인터페이스(1100)는, 사용자가 모선의 전력 상태를 추정하는 장치(1000)를 제어하기 위한 시퀀스를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 사용자 입력 인터페이스(1100)는 모선의 전력 상태를 추정하는 장치(1000)가 디스플레이 상에 출력한 화면에 대한 사용자의 입력 시퀀스를 수신할 수 있다. 또한, 사용자 입력 인터페이스(1100)는 디스플레이를 터치하는 사용자의 터치 입력 또는 디스플레이상 그래픽 사용자 인터페이스를 통한 키 입력을 수신할 수도 있다.The user input interface 1100 means a means for the user to input a sequence for controlling the apparatus 1000 for estimating the power state of the bus. For example, the user input interface 1100 includes a key pad, a dome switch, and a touch pad (contact capacitive method, pressure resistance film method, infrared sensing method, surface ultrasonic conduction method, red There may be a mechanical tension measurement method, a piezo effect method, etc.), a jog wheel, a jog switch, and the like, but is not limited thereto. The user input interface 1100 may receive a user input sequence for a screen output on a display by the apparatus 1000 for estimating the power state of the busbar. Also, the user input interface 1100 may receive a touch input of a user who touches the display or a key input through a graphic user interface on the display.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.The output unit 1200 may output an audio signal, a video signal, or a vibration signal, and the output unit 1200 may include a display unit 1210 , a sound output unit 1220 , and a vibration motor 1230 . have.

디스플레이부(1210)는 모선의 전력 상태를 추정하는 장치(1000)에서 처리되는 정보를 표시 출력하기 위한 화면을 포함한다. 또한, 화면은 모선의 전력 상태를 추정하는 장치(1000)가 배전 계통 내 모선들의 상태를 표시하기 위한 이미지를 출력하는데 사용될 수 있다.The display unit 1210 includes a screen for displaying and outputting information processed by the apparatus 1000 for estimating the power state of the bus. Also, the screen may be used by the apparatus 1000 for estimating the power state of the busbar to output an image for displaying the state of the busbars in the distribution system.

음향 출력부(1220)는 네트워크 인터페이스 (1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 모선의 전력 상태를 추정하는 장치(1000)에서 수행되는 기능과 관련된 음향 신호를 출력한다. 예를 들어, 음향 출력부(1200)는 모선의 상태를 추정하는 장치(1000)가 관리하는 배전 계통 내에서 상계거래 용량 과다 또는 발전량 과다로 인한 전압 상승이 발생하는 경우 경고음을 출력할 수도 있다.The sound output unit 1220 outputs audio data received from the network interface 1500 or stored in the memory 1700 . In addition, the sound output unit 1220 outputs a sound signal related to a function performed by the apparatus 1000 for estimating the power state of the bus. For example, the sound output unit 1200 may output a warning sound when a voltage rise occurs due to excessive offsetting capacity or excessive generation in the distribution system managed by the device 1000 for estimating the state of the busbar.

프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 통상적으로 모선의 전력 상태를 추정하는 장치(1000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 사용자 입력 인터페이스(1100), 출력부(1200), 조류 계산부(1400), 네트워크 인터페이스(1500)의 동작을 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 인스트럭션들을 실행함으로써, 도 1 내지 11에 기재된 모선의 전력 상태를 추정하는 장치(1000)의 기능을 수행할 수 있다.By executing one or more instructions stored in the memory 1700 , the processor 1300 may control the overall operation of the apparatus 1000 , which typically estimates the power state of the bus. For example, the processor 1300 executes one or more instructions stored in the memory 1700, thereby performing the operation of the user input interface 1100, the output unit 1200, the tide calculator 1400, and the network interface 1500. can be controlled In addition, the processor 1300 may execute the instructions stored in the memory 1700 to perform the function of the apparatus 1000 estimating the power state of the bus illustrated in FIGS. 1 to 11 .

일 실시 예에 의하면, 프로세서(1300)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하고, 상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하며, 상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시킬 수 있다.According to an embodiment, the processor 1300 executes one or more instructions stored in the memory 1700, and based on a representative load pattern measured from a substation in the distribution system, it is applied to each bus in the distribution system. Learning data on the power state of all busbars in the distribution system by generating a power pattern of connected customer loads, and performing a current calculation based on the power pattern of the generated customer loads and distribution line information for the distribution system , and based on the generated learning data, when power state information of at least some busbars in the measured state in the distribution system is input, learning to output the power state information of the busbars in the unmeasured state in the distribution system model can be trained.

일 실시 예에 의하면, 프로세서(1300)는 상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정할 수 있다.According to an embodiment, the processor 1300 inputs the power state information of the bus in the measurement state in the distribution system to the learned learning model, and based on the output value of the learning model output from the learning model, the It is possible to estimate the power state information of the bus in an unmeasured state.

일 실시 예에 의하면, 기 설정된 불확실성 파라미터에 기초하여, 상기 대표 부하 패턴을 포함하는 패턴 범위를 결정하고, 상기 결정된 패턴 범위 내에서, 시간 대 별 및 상기 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 상기 대표 부하 패턴을 변형하며, 상기 변형된 대표 부하 패턴을 상기 고객 부하 별로 계측되는 전기 요금에 기초하여 스케일링함으로써, 상기 고객 부하들 별로 전력 패턴을 생성할 수 있다.According to an embodiment, a pattern range including the representative load pattern is determined based on a preset uncertainty parameter, and within the determined pattern range, a random variable set randomly for each time period and each customer load is used. Thus, the representative load pattern is modified and the modified representative load pattern is scaled based on the electricity rate measured for each customer load, thereby generating a power pattern for each customer load.

일 실시 예에 의하면, 상기 프로세서(1300)는 상기 고객 부하 별 월별 전기 요금을 측정하고, 상기 측정된 고객 부하 별 월별 전기 요금에 기초하여 상기 고객 부하 별 일별 전기 요금을 결정하며, 상기 결정된 고객 부하 별 일별 전기 요금에 기초하여 상기 고객 부하 별 전력 패턴의 절대적 크기를 산정하고, 상기 산정된 고객 부하 별 전력 패턴의 절대적 크기에 기초하여 상기 변형된 대표 부하 패턴을 스케일링할 수 있다.According to an embodiment, the processor 1300 measures the monthly electricity rate for each customer load, and determines the daily electricity rate for each customer load based on the measured monthly electricity rate for each customer load, and the determined customer load The absolute size of the power pattern for each customer load may be calculated based on the daily electricity rate, and the modified representative load pattern may be scaled based on the calculated absolute size of the power pattern for each customer load.

일 실시 예에 의하면, 프로세서(1300)는 상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대하여 일별 시간의 흐름에 따라 상기 고객 부하들의 전력 패턴을 생성할 수 있다.According to an embodiment, the processor 1300 may generate a power pattern of the customer loads according to the passage of time per day for all busbars to which the customer loads in the distribution system are connected.

일 실시 예에 의하면, 프로세서(1300)는 상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴 및 상기 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전압 크기 및 상기 전압의 위상각을 결정하고, 상기 결정된 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각에 의해 결정되는 전력 상태에 관한 정보를 상기 학습 데이터로써 생성할 수 있다.According to an embodiment, the processor 1300 performs a current calculation based on an active power pattern, a reactive power pattern, and the distribution line information for all busbars to which the customer loads in the distribution system are connected, so that within the distribution system Determine the voltage magnitude and phase angle of all bus bars, and use information about the power state determined by the active power pattern, reactive power pattern, voltage magnitude and phase angle of the voltage for all the determined bus bars as the learning data. can create

일 실시 예에 의하면, 프로세서(1300)는 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라, 상기 학습 데이터를 생성할 수 있다.According to an embodiment, the processor 1300 may generate the learning data for all busbars in the distribution system according to the passage of time for each customer load connected to the busbar and a daily time used by the customer load.

조류 계산부(1400)는 배전선로 정보에 기초하여, 배전 계통 내 모든 모선에 대하여 시간의 흐름에 따라 생성된 고객 부하들의 전력 패턴에 조류 계산을 수행할 수 있다. 예를 들어, 조류 계산부(1400)는 모선의 기지값인 유효 전력 및 모선 전압의 크기에 대해 조류 계산을 수행함으로써, 해당 모선의 미지값인 무효 전력 및 모선 전압의 위상각을 계산할 수 있다. 또한, 일 실시 예에 의하면, 조류 계산부(1400)는 기지값인 모선의 유효 전력 및 무효 전력에 대해 조류 계산을 수행함으로써 미지값인 모선 전압의 크기 및 모선 전압의 위상각을 결정할 수도 있다. The current calculation unit 1400 may perform a current calculation on the power patterns of customer loads generated over time for all busbars in the distribution system, based on the distribution line information. For example, the current calculation unit 1400 may calculate the phase angles of reactive power and bus voltage, which are unknown values of the corresponding bus, by performing the current calculation on the magnitudes of active power and bus voltage, which are known values of the bus. Also, according to an embodiment, the current calculation unit 1400 may determine the magnitude of the bus voltage and the phase angle of the bus voltage, which are unknown values, by performing the current calculation on the active power and reactive power of the bus, which are known values.

또 다른 실시 예에 의하면, 조류 계산부(1400)는 기지값인 배전 계통 내 모선의 전압의 크기 및 전압의 위상각에 대해 조류 계산을 수행함으로써, 미지값인 해당 모선의 유효 전력 및 무효 전력을 결정할 수도 있다. 조류 계산부(1400)는 배전 계통 내 모든 모선에 대하여 상술한 조류 계산을 수행함으로써, 각 모선의 유효 전력, 무효 전력, 전압 크기 및 전압의 위상각을 결정할 수 있다.According to another embodiment, the current calculation unit 1400 calculates the current of the voltage magnitude and the phase angle of the voltage of the bus in the distribution system, which are known values, so that the active power and reactive power of the corresponding bus, which are unknown values, are calculated. may decide The current calculation unit 1400 may determine the active power, reactive power, voltage magnitude, and phase angle of voltage of each bus by performing the above-described current calculation for all busbars in the distribution system.

일 실시 예에 의하면, 조류 계산부(1400)가 수행하는 기능들은, 컴퓨터에서 조류 계산을 수행하기 위한 하나 이상의 인스트럭션으로 메모리(1700)에 저장될 수 있다. 프로세서(1300)는 메모리에 저장된 조류 계산과 관련된 하나 이상의 인스트럭션을 실행함으로써, 배전 계통 내 모든 모선에 대하여 생성된 전력 패턴들에 조류 계산을 수행함으로써, 배전 계통 내 모든 모선에 대한 전압 크기 및 전압의 위상각을 결정할 수 있다.According to an embodiment, the functions performed by the tidal current calculator 1400 may be stored in the memory 1700 as one or more instructions for calculating the tidal current in the computer. The processor 1300 executes one or more instructions related to the current calculation stored in the memory, thereby performing the current calculation on the power patterns generated for all the busbars in the distribution system. The phase angle can be determined.

네트워크 인터페이스(1500)는, 모선의 전력 상태를 추정하는 장치(1000)가 적어도 하나의 모선들이 연결된 배전 계통, 상기 배전 계통을 관리하는 다른 전자 장치(미도시) 및 서버(2000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 모선의 전력 상태를 추정하는 장치(1000)이거나, 배전 계통에 연결되어 배전 계통 내 전력 상태를 관리할 수 있는 컴퓨팅 장치일 수 있다. The network interface 1500 allows the device 1000 for estimating the power state of the busbar to communicate with the distribution system to which at least one busbar is connected, another electronic device (not shown) managing the distribution system, and the server 2000 . It may include one or more components that Another device (not shown) may be a device 1000 for estimating the power state of the busbar, or a computing device connected to the distribution system to manage the power state in the distribution system.

예를 들어, 네트워크 인터페이스(1500)는, 무선 통신 인터페이스(1510), 유선 통신 인터페이스(1520) 및 이동 통신부(530)를 포함할 수 있다. 무선 통신 인터페이스(1510)는 근거리 통신부(short-range wireless communication unit), 블루투스 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 유선 통신 인터페이스(1520)는 서버(2000)또는 모선의 전력 상태를 추정하는 장치(1000)를 유선으로 연결 할 수 있다.For example, the network interface 1500 may include a wireless communication interface 1510 , a wired communication interface 1520 , and a mobile communication unit 530 . The wireless communication interface 1510 includes a short-range wireless communication unit, a Bluetooth communication unit, a near field communication unit, a WLAN (Wi-Fi) communication unit, a Zigbee communication unit, and an infrared (IrDA) data association. ) may include a communication unit, a WFD (Wi-Fi Direct) communication unit, and the like, but is not limited thereto. The wired communication interface 1520 may connect the server 2000 or the device 1000 for estimating the power state of the bus through a wire.

이동 통신부(1530)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 신호, 화상 통화 신호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 일 실시 예에 의하면, 네트워크 인터페이스(1500)는 프로세서의 제어에 의하여, 모선의 전력 상태를 추정하는 장치가 연결되는 배전 계통으로부터 각 모선의 전력 상태에 관한 정보, 대표 부하 패턴 값 또는 배전 선로 정보 중 적어도 하나를 수신할 수 있다.The mobile communication unit 1530 transmits/receives wireless signals to and from at least one of a base station, an external terminal, and a server on a mobile communication network. Here, the wireless signal may include various types of data according to transmission and reception of a voice signal, a video call signal signal, or a text/multimedia message. According to an embodiment, the network interface 1500 is, under the control of the processor, from the distribution system to which the device for estimating the power state of the bus is connected, information about the power state of each bus, a representative load pattern value, or distribution line information. At least one may be received.

메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 모선의 전력 상태를 추정하는 장치(1000)로 입력되거나 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 모선의 전력 상태를 추정하는 장치(1000)가 배전 계통 내 모선을 관리하고, 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는데 필요한 다양한 인스트럭션(Instruction)을 저장할 수 있다. The memory 1700 may store a program for processing and control of the processor 1300 , and may also store data input or output to the apparatus 1000 for estimating the power state of the bus. In addition, the memory 1700 includes various instructions necessary for the apparatus 1000 for estimating the power state of the busbar to manage the busbar in the distribution system and to estimate the power state information of the busbar in an unmeasured state in the distribution system. can be saved

또한, 메모리(1700)는 모선의 전력 상태를 추정하는 장치(1000)가 배전 선로 정보 및 대표 부하 패턴에 기초하여, 고객 별 무작위로 생성된 전력 패턴에 대한 정보를 저장할 수 있다. 또한, 메모리(1700)는 조류 계산을 위한 알고리즘에 대한 정보를 더 저장할 수 있다. 또한, 메모리(1700)는 배전 선로 정보에 기초하여, 고객 별 무작위로 생성된 전력 패턴에 대해 조류 계산을 수행함으로써, 생성되는 배전 계통 내 모든 모선에 대한 유효 전력, 무효 전력, 전압 크기 및 전압 위상각에 대한 학습 데이터를 저장할 수도 있다.In addition, the memory 1700 may store information on a power pattern randomly generated for each customer based on the distribution line information and the representative load pattern by the apparatus 1000 for estimating the power state of the busbar. In addition, the memory 1700 may further store information about an algorithm for calculating a tidal current. In addition, the memory 1700, based on the distribution line information, by performing the current calculation on the power pattern randomly generated for each customer, the active power, reactive power, voltage magnitude and voltage phase for all busbars in the generated distribution system It is also possible to store training data for each.

일 실시 예에 의하면, 메모리(1700)는 학습 데이터에 지도 학습(Supervised learning)을 수행하기 위한 학습 알고리즘, 상기 학습 알고리즘에 기초하여 학습된 학습모델로써, 피드 포워드 신경망 모델, 서포트 벡터 머신 학습 모델, 선형 회귀 학습 모델에 대한 정보를 저장할 수도 있다. 또한, 일 실시 예에 의하면, 메모리(1700)는 학습 모델 내 레이어들 또는 레이어들의 연결 강도에 관한 가중치들(weights)이 수정(revise) 및 갱신(refine)되면, 수정 및 갱신된 가중치들에 대한 정보를 더 저장할 수도 있다.According to an embodiment, the memory 1700 is a learning algorithm for performing supervised learning on learning data, a learning model learned based on the learning algorithm, a feed forward neural network model, a support vector machine learning model, It can also store information about the linear regression learning model. In addition, according to an embodiment, the memory 1700 provides information on the modified and updated weights when the weights related to the layers or the connection strength of the layers in the learning model are revised and refined. You can also store more information.

메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. The memory 1700 may include a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg, SD or XD memory), and a RAM. (RAM, Random Access Memory) SRAM (Static Random Access Memory), ROM (Read-Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), magnetic memory, magnetic disk , may include at least one type of storage medium among optical disks.

메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다. Programs stored in the memory 1700 may be classified into a plurality of modules according to their functions, for example, may be classified into a UI module 1710 , a touch screen module 1720 , a notification module 1730 , and the like. .

UI 모듈(1710)은, 애플리케이션 별로 모선의 전력 상태를 추정하는 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.The UI module 1710 may provide a specialized UI, GUI, etc. that is interlocked with the apparatus 1000 for estimating the power state of the mother ship for each application. The touch screen module 1720 may detect a touch gesture on the user's touch screen and transmit information about the touch gesture to the processor 1300 . The touch screen module 1720 according to some embodiments may recognize and analyze a touch code. The touch screen module 1720 may be configured as separate hardware including a controller.

알림 모듈(1730)은 모선의 전력 상태를 추정하는 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 모선의 전력 상태를 추정하는 장치(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.The notification module 1730 may generate a signal for notifying the occurrence of an event in the apparatus 1000 for estimating the power state of the bus. Examples of events occurring in the apparatus 1000 for estimating the power state of a bus include a call signal reception, a message reception, a key signal input, a schedule notification, and the like. The notification module 1730 may output a notification signal in the form of a video signal through the display unit 1210 , may output a notification signal in the form of an audio signal through the sound output unit 1220 , and the vibration motor 1230 . It is also possible to output a notification signal in the form of a vibration signal through

도 14는 일 실시 예에 따른 모선의 전력 상태를 추정하는 장치와 연결되는 서버의 블록도이다.14 is a block diagram of a server connected to an apparatus for estimating a power state of a bus according to an embodiment.

서버(2000)는 네트워크 인터페이스(2100), 데이터 베이스(2200) 및 프로세서(2300)를 포함할 수 있다. 네트워크 인터페이스(2100)는 도 13에 도시된 모선의 전력 상태를 추정하는 장치(1000)의 네트워크 인터페이스(1500)에 대응될 수 있다. 예를 들어, 네트워크 인터페이스(2100)는 모선의 전력 상태를 추정하는 장치(1000)로부터 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터, 또는 모선의 전력 상태를 추정하는 장치(1000)가 학습 시킨 학습 모델에 대한 정보를 수신할 수 있다.The server 2000 may include a network interface 2100 , a database 2200 , and a processor 2300 . The network interface 2100 may correspond to the network interface 1500 of the apparatus 1000 for estimating the power state of the bus shown in FIG. 13 . For example, the network interface 2100 includes learning data on the power state of all busbars in the distribution system from the device 1000 for estimating the power state of the busbar, or the device 1000 for estimating the power state of the busbar. You can receive information about the learning model.

또한, 일 실시 예에 의하면, 네트워크 인터페이스(2100)는 모선의 전력 상태를 추정하는 장치(1000)로부터 수신된 학습 데이터에 기초하여, 서버(2000)가 학습시킨 학습 모델에 대한 정보를, 모선의 전력 상태를 추정하는 장치(1000)로 전송할 수도 있다.Also, according to an embodiment, the network interface 2100 provides information on the learning model learned by the server 2000 based on the learning data received from the device 1000 for estimating the power state of the mother ship, It may also be transmitted to the apparatus 1000 for estimating the power state.

데이터 베이스(2200)는 도 13에 도시된 모선의 전력 상태를 추정하는 장치(1000)의 메모리(1700)에 대응될 수 있다. 예를 들어, 데이터 베이스(2200)는 모선의 전력 상태를 추정하는 장치(1000)로부터 수신된 학습 데이터, 상기 학습 데이터에 기초하여 학습되는 학습 모델에 대한 정보(예컨대 신경망 모델 레이어들 및 상기 레이어들의 연결 강도에 관한 가중치 값들)들을 저장할 수도 있다.The database 2200 may correspond to the memory 1700 of the apparatus 1000 for estimating the power state of the bus shown in FIG. 13 . For example, the database 2200 includes training data received from the apparatus 1000 for estimating the power state of the mother ship, and information on a learning model learned based on the training data (eg, neural network model layers and the layers of the neural network model). weight values related to connection strength) may be stored.

프로세서(2300)는 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 서버(2000)의 DB(2200)에 저장된 프로그램들을 실행함으로써, DB(2200) 및 네트워크 인터페이스(2100) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(2300)는 DB(2100)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도13에서의 모선의 전력 상태를 추정하는 장치(1000)의 동작의 일부를 수행할 수 있다. 예를 들어, 프로세서(2300)는 모선의 전력 상태를 추정하는 장치(1000)로부터 수신된 학습 데이터에 기초하여, 피드 포워드 신경망 모델, 서포트 벡터 머신 모델, 또는 선형 회귀 모델을 학습 시키고, 학습된 학습 모델을 이용하여, 배전 계통 내 모든 모선에 대한 전력 상태를 추정할 수 있다.The processor 2300 typically controls the overall operation of the server 2000 . For example, the processor 2300 may control the DB 2200 and the network interface 2100 in general by executing programs stored in the DB 2200 of the server 2000 . Also, the processor 2300 may perform a part of the operation of the apparatus 1000 for estimating the power state of the bus in FIGS. 1 to 13 by executing programs stored in the DB 2100 . For example, the processor 2300 trains a feed-forward neural network model, a support vector machine model, or a linear regression model, based on the training data received from the device 1000 for estimating the power state of the mother ship, and learns the learned learning model. Using the model, it is possible to estimate the power state for all busbars in the distribution system.

도 15는 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.15 is a diagram illustrating an error rate of an output value of a feed forward neural network (FFNN) learning model learned based on a preset uncertainty parameter.

도 15를 참조하면, 불확실성이 20%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 피드 포워드 신경망 학습 모델을 학습 시킨 후, 상기 학습된 피드 포워드 신경망 학습 모델(FFNN)을 이용하여, 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2102) 및 전압 위상각(2104)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 피드 포워드 신경망 학습 모델은, 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2102) 및 전압 위상각(2104)을 추정할 수 있고, 추정된 전압 크기(2102)의 오차율은 0.05%내, 전압 위상각(2104)의 오차율은 약 0.8% 이하로 나타남을 관측할 수 있다.Referring to FIG. 15 , a feed-forward neural network learning model is trained using the learning data generated as the uncertainty is set to 20%, and then, using the learned feed-forward neural network learning model (FFNN), within the distribution system The error rate of the estimated voltage magnitude 2102 and voltage phase angle 2104 for each bus is shown. The feed-forward neural network learning model trained according to the method of the present disclosure can estimate the voltage magnitude 2102 and the voltage phase angle 2104 for each bus in the distribution system over time, and the estimated voltage magnitude ( It can be observed that the error rate of 2102 is within 0.05%, and the error rate of the voltage phase angle 2104 is about 0.8% or less.

도 16은 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.16 is a diagram illustrating an error rate of an output value of a linear regression learning model learned based on a preset uncertainty parameter.

도 16을 참조하면, 불확실성이 20%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 선형회귀 학습 모델을 학습 시킨 후, 상기 학습된 선형회귀 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2112) 및 전압 위상각(2114)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 선형회귀(Linear regression) 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2112) 및 전압 위상각(2114)을 추정할 수 있고, 추정된 전압 크기(2112)의 오차율은 0.055%내, 전압 위상각(2104)의 오차율은 0.75% 이하로 나타남을 관측할 수 있다.Referring to FIG. 16 , a linear regression learning model is trained using the training data generated as the uncertainty is set to 20%, and then estimated for each bus in the distribution system using the learned linear regression learning model. The error rates of voltage magnitude 2112 and voltage phase angle 2114 are shown. The linear regression learning model learned according to the method of the present disclosure can estimate the voltage magnitude 2112 and the voltage phase angle 2114 for each bus in the distribution system over time, and the estimated voltage It can be observed that the error rate of the magnitude 2112 is within 0.055%, and the error rate of the voltage phase angle 2104 is 0.75% or less.

도 17은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.17 is a diagram illustrating an error rate of an output value of a support vector machine (SVM) learning model trained based on a preset uncertainty parameter.

도 17을 참조하면, 불확실성이 20%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 서포트 벡터 머신 학습(SVM) 모델을 학습 시킨 후, 상기 학습된 서포트 벡터 머신 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2122) 및 전압 위상각(2124)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 서포트 벡터 머신 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2122) 및 전압 위상각(2124)을 추정할 수 있고, 추정된 전압 크기(2122)의 오차율은 0.13%내, 전압 위상각(2124)의 오차율은 1.3% 이하로 나타남을 관측할 수 있다.Referring to FIG. 17 , a support vector machine learning (SVM) model is trained using the training data generated when the uncertainty is set to 20%, and then each in the distribution system using the learned support vector machine learning model The error rate of the estimated voltage magnitude 2122 and voltage phase angle 2124 for the bus is shown. The support vector machine learning model trained according to the method of the present disclosure can estimate the voltage magnitude 2122 and the voltage phase angle 2124 for each bus in the distribution system over time, and the estimated voltage magnitude 2122 ), it can be observed that the error rate is within 0.13%, and the error rate of the voltage phase angle 2124 is 1.3% or less.

도 18은 기 설정된 불확실성 파라미터에 기초하여 학습된 피드 포워드 신경망(FFNN) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.18 is a diagram illustrating an error rate of an output value of a feed forward neural network (FFNN) learning model learned based on a preset uncertainty parameter.

도 18을 참조하면, 불확실성이 50%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 피드 포워드 신경망 학습 모델을 학습 시킨 후, 상기 학습된 피드 포워드 신경망 학습 모델(FFNN)을 이용하여, 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2132) 및 전압 위상각(2134)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 피드 포워드 신경망 학습 모델은, 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2132) 및 전압 위상각(2134)을 추정할 수 있고, 추정된 전압 크기(2132)의 오차율은 0.55%내, 전압 위상각(2134)의 오차율은 약 2.6%% 이하로 나타남을 관측할 수 있다.Referring to FIG. 18 , a feed-forward neural network learning model is trained using the training data generated as the uncertainty is set to 50%, and then, using the learned feed-forward neural network learning model (FFNN), within the distribution system The error rate of the estimated voltage magnitude 2132 and voltage phase angle 2134 for each bus is shown. The feed-forward neural network learning model trained according to the method of the present disclosure can estimate the voltage magnitude 2132 and the voltage phase angle 2134 for each bus in the distribution system over time, and the estimated voltage magnitude ( It can be observed that the error rate of 2132 is within 0.55%, and the error rate of the voltage phase angle 2134 is about 2.6%% or less.

도 19는 기 설정된 불확실성 파라미터에 기초하여 학습된 선형 회귀(Linear regression) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.19 is a diagram illustrating an error rate of an output value of a linear regression learning model learned based on a preset uncertainty parameter.

도 19를 참조하면, 불확실성이 50%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 선형회귀 학습 모델을 학습 시킨 후, 상기 학습된 선형회귀 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2142) 및 전압 위상각(2144)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 선형회귀(Linear regression) 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2142) 및 전압 위상각(2144)을 추정할 수 있고, 추정된 전압 크기(2142)의 오차율은 약 0.145%내, 전압 위상각(2144)의 오차율은 2.5% 이하로 나타남을 관측할 수 있다.Referring to FIG. 19 , a linear regression learning model is trained using the training data generated as the uncertainty is set to 50%, and then estimated for each bus in the distribution system using the learned linear regression learning model. The error rates of voltage magnitude 2142 and voltage phase angle 2144 are shown. The linear regression learning model learned according to the method of the present disclosure can estimate the voltage magnitude 2142 and the voltage phase angle 2144 for each bus in the distribution system over time, and the estimated voltage It can be observed that the error rate of the magnitude 2142 is within about 0.145%, and the error rate of the voltage phase angle 2144 is 2.5% or less.

도 20은 기 설정된 불확실성 파라미터에 기초하여 학습된 서포트 벡터 머신(SVM) 학습 모델의 출력 값의 오차율을 나타내는 도면이다.20 is a diagram illustrating an error rate of an output value of a support vector machine (SVM) learning model trained based on a preset uncertainty parameter.

도 20을 참조하면, 불확실성이 50%로 설정됨에 따라 생성된 학습 데이터를 이용하여, 서포트 벡터 머신 학습(SVM) 모델을 학습 시킨 후, 상기 학습된 서포트 벡터 머신 학습 모델을 이용하여 배전 계통 내 각 모선에 대하여 추정된 전압 크기(2152) 및 전압 위상각(2154)의 오차율이 도시된다. 본 개시의 방법에 따라 학습된 서포트 벡터 머신 학습 모델은 시간의 흐름에 따른 배전 계통 내 각 모선에 대한 전압 크기(2152) 및 전압 위상각(2154)을 추정할 수 있고, 추정된 전압 크기(2152)의 오차율은 약 0.225%내, 전압 위상각(2154)의 오차율은 3.5% 이하로 나타남을 관측할 수 있다.Referring to FIG. 20 , a support vector machine learning (SVM) model is trained using the training data generated as the uncertainty is set to 50%, and then each in the distribution system using the learned support vector machine learning model The error rate of the estimated voltage magnitude 2152 and voltage phase angle 2154 for the bus is shown. The support vector machine learning model trained according to the method of the present disclosure can estimate the voltage magnitude 2152 and the voltage phase angle 2154 for each bus in the distribution system over time, and the estimated voltage magnitude 2152 ), it can be observed that the error rate is within about 0.225%, and the error rate of the voltage phase angle 2154 is 3.5% or less.

일 실시예에 따른 상술한 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. The above-described method according to an embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the present disclosure, or may be known and available to those skilled in the art of computer software.

또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. In addition, according to the embodiment, a computer program apparatus including a recording medium storing a program for performing another method may be provided. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and carry out program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.Although the embodiment of the present disclosure has been described in detail above, the scope of the present disclosure is not limited thereto, and various modifications and improved forms of the present disclosure are also provided by those skilled in the art using the basic concept of the present disclosure as defined in the following claims. belong to the scope of the right.

Claims

A method for estimating the power state of a bus in an unmeasured state in a distribution system, the method comprising:
generating a power pattern of customer loads connected to each bus in the distribution system based on a representative load pattern measured from a substation in the distribution system;
generating learning data on the power state of all busbars in the distribution system by performing a tidal current calculation based on the generated power patterns of customer loads and distribution line information for the distribution system; and
Based on the generated learning data, when the power state information of at least some buses in the measured state in the distribution system is input, learning a learning model that outputs the power state information of the bus in the unmeasured state in the distribution system step; A method comprising

The method of claim 1, wherein the method
By inputting the power state information of the bus in the measured state in the distribution system to the learned learning model, based on the output value of the learning model output from the learning model, the power state information of the bus in the unmeasured state estimating; A method further comprising:

The method of claim 1 , wherein generating a power pattern of the customer loads comprises:
determining a pattern range including the representative load pattern based on a preset uncertainty parameter;
transforming the representative load pattern by using a random variable randomly set for each time period and for each customer load within the determined pattern range; and
generating a power pattern for each customer load by scaling the modified representative load pattern based on an electricity rate measured for each customer load; A method comprising

4. The method of claim 3, wherein generating the power pattern of the customer loads comprises:
measuring the monthly electricity bill for each customer load;
determining a daily electricity rate for each customer load based on the measured monthly electricity rate for each customer load;
calculating an absolute size of the power pattern for each customer load based on the determined daily electricity rate for each customer load; and
scaling the modified representative load pattern based on the calculated absolute size of the power pattern for each customer load; A method further comprising:

4. The method of claim 3, wherein generating the power pattern of the customer loads comprises:
generating a power pattern of the customer loads according to the passage of time per day for all busbars to which the customer loads in the distribution system are connected; further comprising, wherein the generated power pattern comprises an active power pattern and a reactive power pattern.

The method of claim 5, wherein the generating of the training data comprises:
By performing tidal current calculation based on active power pattern, reactive power pattern, and distribution line information for all busbars to which the customer loads in the distribution system are connected, the voltage magnitude of all busbars in the distribution system and the phase angle of the voltage determining; and
generating, as the learning data, information on a power state determined by an active power pattern, a reactive power pattern, a voltage magnitude, and a phase angle of a voltage for all the determined busbars; A method comprising

The method of claim 1, wherein the generating of the training data comprises:
generating the learning data for all busbars in the distribution system according to the passage of time for each customer load connected to the busbar and daily time used by the customer load; The method further comprising a.

According to claim 1, wherein the step of training the learning model
learning the learning model by performing supervised learning on the training data generated for all the busbars in the distribution system; A method comprising

The method of claim 8, wherein the learning model,
A method, characterized in that it is one of a Feedforward neural network model, a Support vector machine model, and a Linear regression model.

According to claim 1, wherein the step of learning the learning model
Among the learning data, when the active power pattern and reactive power pattern of the substation within the distribution system, the voltage magnitude of the terminal bus selected in the distribution system, and the phase angle of the voltage are input to the learning model,
training the learning model so that active power, reactive power, voltage magnitude, and phase angle of voltages of all busbars in the distribution system except for the substation and the selected busbar are output; A method comprising

According to claim 1, wherein the step of learning the learning model
Among the learning data, the active power pattern, reactive power pattern, voltage magnitude and phase angle of the substation in the distribution system, and the active power pattern of the terminal bus selected in the distribution system, reactive power pattern, voltage magnitude and voltage phase When angle is input to the learning model,
training the learning model to output active power, reactive power, voltage magnitude and phase angle of the voltage magnitude of all busbars in the distribution system except for the busbar to which the substation is connected and the selected busbar; A method comprising

According to claim 1, wherein the step of learning the learning model
Among the learning data, at least one of an active power pattern and a reactive power pattern of a measurement point in the distribution system, or a voltage magnitude and a phase angle of the one measurement point, and active power of another measurement point selected in the distribution system When at least one of a pattern and a reactive power pattern or a voltage magnitude and a phase angle of the voltage of the other measurement point is input to the learning model,
learning the learning model so that active power patterns, reactive power patterns, voltage magnitudes, and phase angles of all busbars except for one measurement point and another measurement point in the distribution system are output; A method comprising

An apparatus for estimating the power state of a bus in an unmeasured state in a distribution system, the apparatus comprising:
a memory for storing one instruction; and
at least one processor executing the one or more instructions; including,
The at least one processor by executing the one or more instructions,
Based on a representative load pattern measured from a substation in the distribution system, a power pattern of customer loads connected to each bus in the distribution system is generated,
By performing a tidal current calculation based on the power pattern of the generated customer loads and distribution line information for the distribution system, to generate learning data on the power state of all busbars in the distribution system,
Based on the generated learning data, when the power state information of at least some buses in the measured state in the distribution system is input, learning a learning model that outputs the power state information of the bus in the unmeasured state in the distribution system , Device.

14. The method of claim 13, wherein the processor
By inputting the power state information of the bus in the measured state in the distribution system to the learned learning model, based on the output value of the learning model output from the learning model, the power state information of the bus in the unmeasured state Estimated device.

14. The method of claim 13, wherein the processor
Determining a pattern range including the representative load pattern based on a preset uncertainty parameter,
Within the determined pattern range, the representative load pattern is modified by using a random variable randomly set for each time period and for each customer load,
An apparatus for generating a power pattern for each customer load by scaling the modified representative load pattern based on an electricity rate measured for each customer load.

16. The method of claim 15, wherein the processor
Measure the monthly electricity bill for each customer load,
determining a daily electricity rate for each customer load based on the measured monthly electricity rate for each customer load;
Calculating the absolute size of the power pattern for each customer load based on the determined daily electricity rate for each customer load,
An apparatus for scaling the modified representative load pattern based on the absolute size of the calculated power pattern for each customer load.

16. The method of claim 15, wherein the processor
For all busbars to which the customer loads in the distribution system are connected, a power pattern of the customer loads is generated according to the passage of time per day, and the generated power pattern includes an active power pattern and a reactive power pattern , Device.

18. The method of claim 17, wherein the processor
By performing tidal current calculation based on active power pattern, reactive power pattern, and distribution line information for all busbars to which the customer loads in the distribution system are connected, the voltage magnitude of all busbars in the distribution system and the phase angle of the voltage to decide,
An apparatus for generating, as the learning data, information about a power state determined by an active power pattern, a reactive power pattern, a voltage magnitude and a phase angle of a voltage for all the determined busbars.

14. The method of claim 13, wherein the processor
For all busbars in the distribution system, the learning data is generated according to the passage of time for each customer load connected to the busbar and daily time used by the customer load, the apparatus.

generating a power pattern of customer loads connected to each bus in the distribution system based on a representative load pattern measured from a substation in the distribution system;
generating learning data on the power state of all busbars in the distribution system by performing a tidal current calculation based on the generated power patterns of customer loads and distribution line information for the distribution system; and
Based on the generated learning data, when the power state information of at least some busbars in the measured state in the distribution system is input, learning a learning model that outputs the power state information of the bus in the unmeasured state in the distribution system step; A computer-readable recording medium recording a program for executing the method on a computer, comprising a.