불완전 계통 정보 대응형 머신러닝 기반 DER 기여도 추정 기법 = A Machine Learning-Based Method for DER Contribution Estimationunder Incomplete System Information

다국어 초록 (Multilingual Abstract)

With the increasing penetration of DERs and flexible resources in distribution systems, power flow patterns have become more complex, making quantitative power contribution analysis increasingly important for system operation and planning. Conventional power flow and power tracing methods provide high physical accuracy but require repetitive calculations for various scenarios, resulting in significant computational burden. To address this limitation, this study proposes a data-driven approach using a machine learning model trained on datasets generated through power tracing under various DER output conditions and connection configurations. In addition, a system impact-based screening technique is applied to reduce the training dataset size. To validate the proposed method, scenarios with a single DER connected to multiple buses were considered. The screening-based model was compared with a full-scale data-based model and conventional power tracing results. The results show that the proposed model maintains comparable prediction accuracy while significantly reducing computational time. Therefore, the proposed approach combines physics-based analysis and data-driven modeling, enabling accurate and efficient power contribution estimation for distribution system operation and flexible resource management.

목차 (Table of Contents)

• (Abstract)
• Ⅰ. 서론 1
• 1.1 연구 배경 1
• 1.2 연구의 필요성 3
• 1.3 연구 방법 및 구성 5
• 1.3.1 머신러닝 기법 개요 5
• 1.3.2 머신러닝 모델 분류 및 특성 7
• Ⅱ. 머신러닝 기반 DER 기여도 추정 12
• 2.1 Power Tracing 기반 기여도 산정 12
• 2.2 데이터셋 구성 17
• 2.3 머신러닝 기반 기여도 추정 모델 21
• 2.4 Full-Scale 기여도 추정 알고리즘 24
• Ⅲ. 영향 지수 기반 데이터 스크리닝 29
• 3.1 영향 지수 정의 29
• 3.2 데이터 스크리닝 방법 31
• 3.3 스크리닝 기반 모델 적용 33
• Ⅵ. 시뮬레이션 36
• 4.1 시뮬레이션 환경 36
• 4.2 시뮬레이션 대상 계통 38
• 4.3 시뮬레이션 시나리오 39
• 4.4 시뮬레이션 결과 40
• 4.4.1 시나리오 1 결과 41
• 4.4.2 시나리오 2 결과 45
• 4.4.3 시나리오 3 결과 48
• 4.4.4 머신러닝 모델 성능 평가 결과 51
• Ⅴ. 결론 53
• 참고 문헌 54