분산전원 연계 배전계통의 양방향 조류 특성을 고려한 머신러닝 기반 동적 선로전압강하보상 파라미터 최적화

국문 초록 (Abstract)

전 세계적인 탄소 중립 정책과 신재생 에너지 확대 기조에 따라 태양광 발전을 포함한 다양한 분산전원의 배전계통 연계가 급격히 증가하고 있다. 이러한 환경 변화로 인해 기존의 단방향 계통은 양방향 조류가 공존하는 환경으로 전환되었으며 발전량이 부하 수요를 초과할 경우 전력이 역송되는 역조류 현상이 빈번하게 발생한다. 특히 분산전원의 발전 전류가 실제 부하 전류를 상쇄하는 경우에 변전소에서 계측되는 전류 정보만으로는 실제 부하 변동과 발전량 변화를 명확히 구분할 수 없게 된다. 결과적으로 고정된 선로 임피던스 파라미터(R_set, X_set)와 단방향 조류를 전제로 설계된 기존 선로전압강하보상(LDC) 기법은 원격지 전압을 정확히 추정하는 데 한계를 드러내며 이는 불필요한 탭 동작을 유발하여 부하시 탭 절환기(OLTC) 등 핵심 설비의 기계적 마모와 수명 단축을 초래한다.
이러한 물리적 한계를 극복하기 위해 머신러닝 알고리즘인 CatBoost를 활용하여 LDC 제어 정밀도를 결정하는 핵심 변수인 R_set과 X_set을 실시간으로 최적화하는 기법을 제안하였다. 변전소에서 획득 가능한 SCADA 데이터와 기상 데이터를 입력 변수로 활용하여 양방향 조류 상황에 부합하는 최적 파라미터를 동적으로 추론한다. 특히 기존 제어 로직은 유지하면서 파라미터만을 동적으로 갱신하는 구조를 채택함으로써 인공지능 모델의 블랙박스 특성으로 인한 운영 불확실성을 배제하고 제어 신뢰성을 확보하였다.
제주 지역의 12년 치(2013~2024년) 전력 수요 및 기상 실측 데이터를 기반으로 시나리오를 구축하여 실효성을 입증하였다. 10개년(2013~2022년) 데이터는 모델 학습에 활용하였으며 2개년(2023~2024년) 데이터를 대상으로 시뮬레이션을 수행하여 제어 성능을 검증하였다. 실험 결과, 기존 기법 대비 전압 추정의 평균 절대 오차(MAE)를 85.57% 개선하였으며 오차의 표준편차를 약 71% 감소시켜 탁월한 제어 안정성을 입증하였다.
또한 실제 설비 운영 측면에서 OLTC의 탭 동작 횟수를 24.8% 절감함과 동시에 전압 상태 오판에 따른 오동작 빈도를 82.4% 감소시키는 성과를 거두었다. 이는 별도의 고가 하드웨어 인프라 구축 없이 소프트웨어 알고리즘 고도화만으로 전압 품질 확보와 전력 설비 수명 연장이 가능함을 시사한다.

다국어 초록 (Multilingual Abstract)

Driven by global carbon neutrality policies and the expansion of renewable energy, the integration of diverse distributed energy resources (DERs), including photovoltaics, into distribution systems is increasing rapidly. This environmental shift has transformed traditionally passive unidirectional grids into active environments where bidirectional power flows coexist, leading to frequent reverse power flow when generation exceeds load demand. Particularly, when the generation current of DERs cancels out the actual load current, it becomes impossible to clearly distinguish between actual load fluctuations and changes in generation based solely on the current measured at the substation. Consequently, conventional line drop compensation (LDC) methods—designed for unidirectional flow with fixed line impedance parameters (R_set, X_set)—fail to estimate the remote voltage accurately, leading to unnecessary tap operations that cause mechanical wear and shorten the lifespan of critical equipment such as on-load tap changers (OLTC).
To overcome these physical limitations, a technique to optimize R_set and X_set—core variables determining LDC control precision—in real-time using the CatBoost machine learning algorithm is proposed. SCADA and meteorological data obtainable at the substation are utilized as input variables to dynamically infer optimal parameters suited for bidirectional flow conditions. By adopting a control structure that maintains existing control logic while updating only the parameters, operational uncertainties associated with the black-box nature of artificial intelligence models are eliminated, ensuring high control reliability.
The effectiveness was demonstrated through scenarios based on 12 years (2013–2024) of actual electricity demand and meteorological data from the Jeju region. Ten years of data (2013–2022) were used for model training, and simulations were performed on the remaining two years (2023–2024) to verify performance. The results showed that the proposed method improved the mean absolute error (MAE) of voltage estimation by 85.57% and reduced the standard deviation of estimation errors by approximately 71% compared to conventional methods.
Furthermore, regarding equipment operation, the number of OLTC tap operations was reduced by 24.8%, and the frequency of malfunctions caused by misjudging the voltage state decreased by 82.4%. These findings suggest that both voltage quality assurance and equipment longevity can be achieved solely through software algorithm enhancement without the need for expensive hardware infrastructure.

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 1 절 연구 배경 1
• 제 2 절 연구 필요성 및 기존 기술의 한계 2
• 1.2.1 양방향 조류 환경에서의 전압제어 상태 인지 오류 2
• 1.2.2 전압 변동에 따른 전압조정장치의 물리적 마모 3
• 1.2.3 기존 제어 전략의 실용적 제약 4
• 제 3 절 연구 목적 및 독창성 5
• 제 2 장 본론 6
• 제 1 절 배전계통 전압제어 원리 및 양방향 조류에 따른 영향 6
• 2.1.1 선로전압강하보상(LDC) 기법의 운용 메커니즘 6
• 2.1.2 역조류 발생 시 LDC 전압 추정 왜곡 분석 8
• 제 2 절 머신러닝 기반 LDC 파라미터 최적화 모델링 10
• 2.2.1 학습 데이터 구축 및 최적 파라미터 역산 알고리즘 10
• 2.2.2 머신러닝 알고리즘 선정 및 하이퍼파라미터 최적화 12
• 제 3 절 Python-OpenDSS 연동 기반 제어 시스템 구현 14
• 2.3.1 시계열 폐루프 제어를 위한 인터페이스 설계 14
• 2.3.2 OLTC와 SVR의 지능형 협조 제어 로직 구현 16
• 제 3 장 사례 연구 19
• 제 1 절 시뮬레이션 환경 및 데이터 시나리오 구축 19
• 3.1.1 연구 계통 모델링 및 전압제어 설비 배치 19
• 3.1.2 전력 수요 및 기상 실측 데이터 전처리 22
• 제 2 절 기존 LDC 기법의 운용 한계 검증 24
• 3.2.1 분산전원 연계 유무에 따른 전압 추정 정밀도 분석 24
• 3.2.2 역조류 발생에 따른 제어 판단 오류 및 탭 동작 빈도 분석 27
• 제 3 절 제안한 동적 LDC 기법의 성능 및 신뢰성 평가 30
• 3.3.1 최적 모델 선정 및 시뮬레이션 기반 성능 검증 30
• 3.3.2 전압 제어 안정성 및 목표 전압 추종 성능 분석 32
• 3.3.3 탭 동작 효율화 및 제어 신뢰성 검증 결과 35
• 제 4 절 고찰 37
• 제 4 장 결론 38
• 참고문헌 39
• Abstract 42