A study on the effect of weather factors leading to the failure of power distribution facilities and on the development of power grid fault prediction system based on big data

2018, 29

6)

1615–1627

빅데이터 기반 전력계통 고장예측시스템 구축을 위한 기상요인 및 배전설비 고장에 관한 연구

이

ᆷ청원

¹

²

1한국전력공사 인천지역본부 ·²연세대학교 전기전자공학과

ᄌ ᅥ

ᆸᄉ ᅮ 2018ᄂ ᅧ ᆫ 10ᄋ ᅯ ᆯ 15ᄋ ᅵ ᆯ, ᄉ ᅮᄌ ᅥ ᆼ 2018ᄂ ᅧ ᆫ 11ᄋ ᅯ ᆯ 5ᄋ ᅵ ᆯ, ᄀ ᅦᄌ ᅢ ᄒ ᅪ ᆨᄌ ᅥ ᆼ 2018ᄂ ᅧ ᆫ 11ᄋ ᅯ ᆯ 5ᄋ ᅵ ᆯ

요 약

ᄎ

ᅬ ᄀ ᅳ ᆫ ᄆ ᅩᄃ ᅳ ᆫ ᄉ ᅡ ᆫᄋ ᅥ ᆸᄇ ᅮ ᆫ ᄋ ᅣᄋ ᅦᄉ ᅥ ᄇ ᅵ ᆨᄃ ᅦᄋ ᅵᄐ ᅥ ᄀ ᅵᄇ ᅡ ᆫ ᄉ ᅵ ᆫᄅ ᅬᄉ ᅥ ᆼᄇ ᅮ ᆫᄉ ᅥ ᆨᄋ ᅳ ᆯ ᄋ ᅵᄋ ᅭ ᆼ ᄒ ᅡ ᆫ RCM (reliability centered mainte- nance) ᄋ ᅧ ᆫᄀ ᅮᄀ ᅡ ᄒ ᅪ ᆯ ᄇ ᅡ ᆯᄒ ᅵ ᄌ ᅵ ᆫᄒ ᅢ ᆼᄃ ᅬᄀ ᅩ ᄋ ᅵ ᆻᄋ ᅳᄆ ᅧ, ᄌ ᅥ ᆫᄅ ᅧ ᆨᄇ ᅮ ᆫ ᄋ ᅣᄋ ᅦᄉ ᅥᄃ ᅩ ᄇ ᅵ ᆨᄃ ᅦᄋ ᅵᄐ ᅥ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄋ ᅳ ᆯ ᄐ ᅩ ᆼ ᄒ ᅡ ᆫ ᄀ ᅩᄌ ᅡ ᆼᄋ ᅨᄎ ᅳ ᆨ ᄇ ᅡ ᆼᄇ ᅥ ᆸᄅ ᅩ ᆫ ᄋ ᅵ ᄆ ᅡ ᆭ ᄋ

ᅵ ᄋ ᅧ ᆫᄀ ᅮᄃ ᅬᄀ ᅩ ᄋ ᅵ ᆻᄃ ᅡ. ᄇ ᅢᄌ ᅥ ᆫᄉ ᅥ ᆯᄇ ᅵᄂ ᅳ ᆫ ᄀ ᅵᄋ ᅩ ᆫ, ᄀ ᅡ ᆼᄉ ᅮ, ᄑ ᅮ ᆼᄉ ᅩ ᆨ, ᄉ ᅳ ᆸ ᄃ ᅩ ᄃ ᅳ ᆼ ᄋ ᅬᄇ ᅮ ᄒ ᅪ ᆫᄀ ᅧ ᆼᄋ ᅦ ᄂ ᅩᄎ ᅮ ᆯ ᄃ ᅬᄋ ᅥ ᄒ ᅪ ᆫᄀ ᅧ ᆼᄋ ᅭᄋ ᅵ ᆫᄋ ᅵ ᄉ ᅥ ᆯᄇ ᅵ ᄀ ᅩᄌ ᅡ ᆼ ᄋ

ᅦ ᄆ ᅡ ᆭᄋ ᅳ ᆫ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ ᅵᄎ ᅵᄀ ᅩ ᄋ ᅵ ᆻᄋ ᅳᄅ ᅵᄅ ᅡ ᄋ ᅨᄉ ᅡ ᆼᄃ ᅬᄆ ᅧ, ᄀ ᅵᄉ ᅡ ᆼᄋ ᅭᄋ ᅵ ᆫᄋ ᅵ ᄇ ᅢᄌ ᅥ ᆫᄉ ᅥ ᆯᄇ ᅵᄋ ᅴ ᄀ ᅩᄌ ᅡ ᆼᄋ ᅦ ᄋ ᅥᄄ ᅥ ᆫ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ ᅵᄎ ᅵᄂ ᅳ ᆫ ᄌ ᅵᄋ ᅦ ᄃ ᅢ ᄒ ᅡ

ᆫ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄃ ᅩ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄋ ᅵ ᄇ ᅵ ᆨᄃ ᅦᄋ ᅵᄐ ᅥ ᄉ ᅮᄒ ᅢ ᆼᄋ ᅦ ᄉ ᅥ ᆫᄒ ᅢ ᆼᄃ ᅬᄋ ᅥᄋ ᅣ ᄒ ᅡ ᆯ ᄑ ᅵ ᆯᄉ ᅮ ᄋ ᅭᄀ ᅥ ᆫᄋ ᅵᄃ ᅡ. ᄇ ᅩ ᆫ ᄋ ᅧ ᆫᄀ ᅮᄋ ᅦᄉ ᅥᄂ ᅳ ᆫ ᄒ ᅡ ᆫᄀ ᅮ ᆨᄌ ᅥ ᆫᄅ ᅧ ᆨ ᄋ ᅵ ᆫᄎ ᅥ ᆫᄇ ᅩ ᆫ ᄇ ᅮ ᄋ

ᅦᄉ ᅥ ᄀ ᅪ ᆫ ᄅ ᅵᄒ ᅡᄀ ᅩ ᄋ ᅵ ᆻᄂ ᅳ ᆫ ᄇ ᅢᄌ ᅥ ᆫᄉ ᅥ ᆯᄇ ᅵᄅ ᅳ ᆯ ᄃ ᅢᄉ ᅡ ᆼᄋ ᅳᄅ ᅩ ᄀ ᅵᄉ ᅡ ᆼᄋ ᅭᄋ ᅵ ᆫᄋ ᅵ ᄉ ᅥ ᆯᄇ ᅵᄋ ᅴ ᄀ ᅩᄌ ᅡ ᆼ ᄇ ᅡ ᆯᄉ ᅢ ᆼᄋ ᅦ ᄋ ᅥᄂ ᅳ ᄌ ᅥ ᆼᄃ ᅩ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ ᅵᄎ ᅵᄂ ᅳ ᆫ ᄌ ᅵ ᄃ

ᅦᄋ ᅵᄐ ᅥᄆ ᅡᄋ ᅵᄂ ᅵ ᆼ ᄀ ᅵᄇ ᅥ ᆸᄋ ᅳ ᆯ ᄋ ᅵᄋ ᅭ ᆼ ᄒ ᅡᄋ ᅧ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡᄀ ᅩ, ᄒ ᅣ ᆼᄒ ᅮ ᄇ ᅩ ᆫ ᄋ ᅧ ᆫᄀ ᅮ ᄀ ᅧ ᆯᄀ ᅪᄀ ᅡ ᄇ ᅵ ᆨᄃ ᅦᄋ ᅵᄐ ᅥ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄋ ᅳ ᆯ ᄐ ᅩ ᆼ ᄒ ᅡ ᆫ ᄉ ᅥ ᆯᄇ ᅵ ᄀ ᅪ ᆫ ᄅ ᅵᄋ ᅦ ᄋ ᅥᄄ ᅥ ᇂ ᄀ

ᅦ ᄒ ᅪ ᆯᄋ ᅭ ᆼᄃ ᅬ ᆯ ᄉ ᅮ ᄋ ᅵ ᆻᄂ ᅳ ᆫ ᄌ ᅵᄅ ᅳ ᆯ ᄌ ᅥ ᆼᄅ ᅵᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ.

ᄌ

ᅮᄋ ᅭᄋ ᅭ ᆼ ᄋ ᅥ: ᄀ ᅵᄉ ᅡ ᆼᄋ ᅭᄋ ᅵ ᆫ, ᄇ ᅢᄌ ᅥ ᆫᄉ ᅥ ᆯᄇ ᅵ, ᄇ ᅵ ᆨᄃ ᅦᄋ ᅵᄐ ᅥ, ᄉ ᅵ ᆫᄅ ᅬᄉ ᅥ ᆼ ᄇ ᅮ ᆫᄉ ᅥ ᆨ, ᄎ ᅬᄌ ᅥ ᆨᄋ ᅲᄌ ᅵᄇ ᅩᄉ ᅮᄌ ᅥ ᆼᄎ ᅢ ᆨ.

1. 머리말 ᄇ

ᅢ전설비는주로 실외에 설치되어 있어 배전설비의 고장으로 인해 발생되는정전은기상상황 등환경 ᄌ

ᅥᆨ 요인에 크게 영향을받는다. 배전설비의 효율적 유지보수를위해서 외부환경적 요인에 대한 분석이 ᄆ

ᅢ우 중요하기 때문에 최근 들어서 전기설비와관련한 RCM 수행연구가활발하게 진행되고 있는상황 ᄋ

ᅵ다. 이에 대한 연구결과를요약하면 아래와 같다.

ᄇ

ᅢ전계통의 신뢰도 향상을위해서는많은유지보수 비용이 필요하며, 이는계통 운영의 총비용이 증 ᄀ

ᅡ됨을의미한다. 점검 및 유지보수에 필요한 비용과 정전 비용간의 trade-off를고려하여 비용이 최소 ᄀ

ᅡ 되는유지보수 계획을세우는것이 필요함에 따라서 Park 등 (2007)은배전계통유지보수 계획을수 리

ᆸ하는데 필요한 전반적인 사항 및 절차에 대한 연구를하였다. Lim과 Han (2018)은 빅데이터 기반 전 ᄅ

ᅧᆨ계통배전설비 고장예측시스템 구축 및 최적투자비 산출을위해 선행되어야 할 사항들을정리하고, 문 ᄌ

ᅦ 해결을위한 방안을연구함으로써 배전설비관리에 빅데이터 기술 및 RCM 기술을적용한 최적의관 ᄅ

ᅵ 시스템을구축할 수 있는방안을제시하고 한국전력 인천본부 배전설비관리 현황을 분석하여 제시하 ᄋ

ᅧᆻ다.

ᄀ ᅮ

ᆨ내 전력 사용량은 국내 산업의 고도성장과 기후 변화로 인하여 과거에 비해 크게 증가하였으며, 특 ᄒ

ᅵ 최근에는 폭염, 열대야, 한파와 같은외부요인으로 인해 하루 또는시간단위 변동 폭이 커지고 있다

1

ᄀ ᅭᄉ ᅵ ᆫᄌ ᅥᄌ ᅡ: (21330) ᄋ ᅵ ᆫᄎ ᅥ ᆫᄀ ᅪ ᆼᄋ ᅧ ᆨᄉ ᅵ ᄇ ᅮᄑ ᅧ ᆼᄀ ᅮ ᄌ ᅮᄇ ᅮᄐ ᅩᄅ ᅩ 246, ᄒ ᅡ ᆫᄀ ᅮ ᆨᄌ ᅥ ᆫᄅ ᅧ ᆨᄀ ᅩ ᆼ ᄉ ᅡ ᄋ ᅵ ᆫᄎ ᅥ ᆫᄌ ᅵᄋ ᅧ ᆨᄇ ᅩ ᆫ ᄇ ᅮᄌ ᅡ ᆼ.

E-mail: [email protected]

2

(03722) ᄉ ᅥᄋ ᅮ ᆯᄐ ᅳ ᆨᄇ ᅧ ᆯᄉ ᅵ ᄉ ᅥᄃ ᅢᄆ ᅮ ᆫ ᄀ ᅮ ᄋ ᅧ ᆫᄉ ᅦᄅ ᅩ 50, ᄋ ᅧ ᆫᄉ ᅦᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄀ ᅩ ᆼ ᄀ ᅪᄃ ᅢᄒ ᅡ ᆨ ᄌ ᅥ ᆫᄀ ᅵᄌ ᅥ ᆫᄌ ᅡᄀ ᅩ ᆼ ᄒ ᅡ ᆨᄀ ᅪ, ᄀ ᅭᄉ ᅮ.

(Shin과 Yoon, 2016a). 또한 Shin과 Yoon (2016b)은시간단위 전력수요 예측성능을향상시키기 위해 ᄉ

ᅵ간단위 기상정보를이용하여 2007년 1월 1일부터 2012년 12월 31일까지 전력수요량 자료에 삼중계 저

ᆯ성 지수평활모형인 TBATS 모형을적합 시켜 예측오차를계산하였다. 2010년 1월 1일부터 2012년 12월 31일까지 삼중 계절성 지수평활모형의 예측값에 추정된 회귀모형으로 편의 보정하여 전력수요량 ᄋ

ᅨ측향상도를평가하였다.

Kim 등 (2015)은자연재해 영역에서 텍스트 데이터 외의 빅데이터 분석이 어떻게 이루어지고 있는지 ᄋ

ᅪ 기상관련 분야에서 활용되고 있는데이터 마이닝과 기계 학습기술들을정리하였다. 빅데이터가 이 ᄉ

ᅲ화 되면서 데이터의 규모에만관심이 집중된반면 데이터에서 의미를찾아내는도구인 분석 기술에 대 ᄒ

ᅢ서는 충분한 논의가 부족했던 것이 사실이다. 따라서 기상 분야에서의 마이닝 사례를 정리하는것이 ᄒ

ᅧᆫ재 시작되고 있는자연재해 빅데이터 분석 연구에 도움이된다고 설명하고 있다.

ᄀ

ᅩ압고객은전기설비 관련 사업주의 상대적관심도 부족으로 고장발생 전까지는유지보수 및 투자에 ᄉ

ᅩ극적이며, 고객설비의 현재 상태 및 변동에 대한 전력회사의 이력관리 부재로 잠재적인 정전원인 설비 ᄋ

ᅴ 체계적이고 효과적인 고장감소 추진이 곤란하므로 고객 수전설비관리 시스템 구축이 필요하며 이는 RCM시스템이 왜 필요한지를알려주는내용이다 (Lee와 Jo, 2009).

ᄀ

ᅩ장을예측하기 위한 선행연구들이 많이 이루어져왔으며, 본연구와 연관이 있는 내용들을정리하 ᄆ

ᅧᆫ 아래와 같다. 배전계통의 주상변압기 고장사례를데이터마이닝 기법으로 분석하여 고장유형을 분석 ᄒ

ᅡ고 고장을예측하는방안을제시하였고 (Hwang, 2008), 데이터마이닝기법을이용하여 28개의 예측변 ᄉ

ᅮ로 배전고장을유발할 가능성이 있는 특별 고압고객을예측하고 이를시스템으로 실제 구현하여 해당 ᄀ

ᅩ객을찾아내서 점검 및 집중보수함으로써 배전 파급고장을예방하고자 하였다 (Bae, 2010).

Oh와 Jang (2017)은최근 8년간 전국의 기상데이터 (기온,강수, 풍속, 습도, 대기오염 등)와 배전설 ᄇ

ᅵ의 고장데이터를매핑하고, 어떤 기상조건이 배전설비의 고장에 영향을많이 미치는지를 분석하였으 ᄆ

ᅧ, 그 영향의 정도를확인하기 위하여 한국전력 인천본부의 배전설비 중에서 가장 중요하다고 판단되는 ᄀ

ᅡ공변압기를대상으로 데이터마이닝 기법을이용하여 분석하였다.

ᄉ

ᅡᆼ기 연구결과들은배전설비의 고장패턴과 기상기후, 자연재해 등외부환경 요인과의 상관성을 분석 ᄒ

ᅡ지 못하고, 주로 RCM 기술들에 초점이 맞춰져 있기 때문에환경적인 요인을 직접해석 하지 못하고 이

ᆻ다. 따라서 배전설비 고장을사전 예측하기 위한 기술개발이 필요한 현실이다. 이를이용하여 기상재 ᄒ

ᅢ 예보 시 효과적인 대응체계 수립을 통해 신속한 재해복구를위한 기술개발이 필요하고, 기상 및 재해 ᄋ

ᅪ 배전설비의 고장과의 연관성을 분석하여 통계적 모델링 (예측지수)을만들고, 이를바탕으로 유지보 ᄉ

ᅮ에활용하여 효율적 유지보수를추진하여야 한다.

ᄄ

ᅡ라서 본연구에서는최근 8년간 (2008년 1월부터 2015년 12월까지) 전국의 기상데이터 (기온, 강 ᄉ

ᅮ, 풍속, 습도, 대기오염 등)와 배전설비의 고장데이터를전수 조사하여 배전설비와 가장근접한 위치 ᄋ

ᅦ서 관측한 기상데이터를 매핑하고, 어떤 기상조건이 배전설비의 고장에 영향을많이 미치는지를 분 ᄉ

ᅥᆨ하였고, 그 정도가 어느 정도인지를 확인하기 위하여 데이터마이닝 기법을 이용하여 모델링 하였다.

보

ᆫ연구에서는많은배전설비 중에서 환경적인 요인의 영향이 높다고 판단되는피뢰기와 애자 및 COS (cut-out switch)의 모형에 대하여 분석하였다.

2. 배전설비의 고장자료 기초분석

2.1. 분석에 활용된 데이터 현황 부

ᆫ석에 사용된 데이터는 크게 배전설비 데이터와 기상데이터로 구분된다. 배전설비 데이터는 아래 Table 2.1과 같이 15개 지역본부에서관리하고 있는설치정보와 고장정보로서 8개 설비 (COS, 가공변 ᄋ

ᅡ

ᆸ기, 개폐기, 피뢰기, 애자, 가공지선, 고압전선, 전주)에 대한 데이터를 수집하여 분석하였다. 기상

ᄃ

ᅦ이터는 기상청에서 제공받은 90여개 종관기상관측소에서 측정한 기상자료 (automated surface ob- serving system; ASOS)와 480여개 방재기상관측소에서 측정한 기상자료 (automatic weather system;

AWS) 및 한국환경공단에서 제공받은 317여개관측소에서관측한 대기환경기준물질 측정 자료를활용 ᄒ

ᅡ였다. 이를 종합하여 기상자료의 변인으로는 40여개 기상 요인에 대한 배전설비 고장의 영향을 분석 ᄒ

ᅡ였다.

Table 2.1 High-voltage equipment data

Equipment Nos. of target equipment Nos. of failure equipment

COS 941,753 4,638

Overhead Transformer 941,753 9,378

Switch 363,321 1,107

Arrester 522,399 9,001

Insulator 11,931,456 4,801

Overhead Earth Wire 4,014,750 578

High-tension Wire 3,392,090 14,048

Electric Pole 9,015,885 559

2.2. 고장원인 분석

2.1절에서와 같이 수집된데이터를토대로 고압설비별 고장분포를보면, 전선이 전체의 31.8%로 가장 ᄆ

ᅡ

ᆭ고 가공변압기가 21.3%를차지하고 있으며 피뢰기가 20.4%, 애자가 10.9%, COS가 10.5%를차지하 ᄀ

ᅩ 있다. 그러나 전선의 경우에는 고장 빈도가 가장 많으나 주로 외부 요인에 의한 단락이 많아 본 분 ᄉ

ᅥᆨ에서는제외하였다. 본연구에서는고압설비 중에서 외부에 노출되어환경적인 요인의 영향이 높으며 ᄀ

ᅩ장 빈도도 상대적으로 높은피뢰기와 애자 및 COS에 대하여 분석하였다.

ᄑ

ᅵ뢰기와 애자 및 COS의 고장원인별 현황은각각 아래 Table 2.2와 같다. 외부에 노출되어 있는설 ᄇ

ᅵ의 특성 상 대체로 가장 많은비중을차지하는것이 조류접촉으로 나타났으며, 자연열화와 이물접촉으 ᄅ

ᅩ 인한 고장이 그 다음을차지한다. 자연열화 및 외부접촉으로 인한 고장을제외하면 기상과관련된 풍 ᄋ

ᅮ와 뇌해로 인한 고장 비율이 높은것으로 보여 피뢰기와 애자 및 COS의 고장원인으로 중요한 비중을 ᄎ

ᅡ지하고 있다. 따라서 풍우와 뇌해를제대로 예측하여관리한다면 피뢰기와 애자 및 COS로 인한 정전 ᄋ

ᅵ나 기타 피해를상당수 사전에 방지할 수 있으리라 판단된다. 따라서 피뢰기와 애자 및 COS를관리 ᄒ

ᅡᆷ에 있어서 기상상황에 따른설비의관리가 얼마나 중요한지를알려주는것으로서 세부적인 분석이 필 ᄋ

ᅭ함을알 수 있다.

Table 2.2 Failure causes for each equipment

Equipment Failure Causes

Contact Natural Contact Lightning Rainstorm Corrosion Contact etc.

with degradation with alien disaster disaster with

birds substance trees

Arrester 57.70% 23.42% 3.82% 5.75% 3.93% 2.73% 0.81% 1.82%

Insulator 36.64% 27.27% 11.12% 16.27% 6.21% 0.00% 1.00% 1.50%

COS 39.44% 9.85% 18.67% 10.61% 12.16% 3.82% 2.70% 2.76%

2.3. 기상현황별 고장현황분석 ᄀ

ᅵ온,강수량 및 풍속 등의 40여개 기상요인에 대하여 각 배전설비에 대한 기상현상별 고장현황을 분 ᄉ

ᅥᆨ하였다. 아래 Figure 2.1의 예시와 같이 기온, 풍속 및 지면온도와관련된기상현상에 대해서는 특정 ᄇ

ᅥᆷ위의 조건을기준으로 각 기상요인이 증가할수록각 설비의 고장 발생이 점차 증가하다가 감소하는경 ᄒ

ᅣᆼ을보이고 있다. 이러한 고장현황 분석을 통해 피뢰기와 애자 및 COS의 고장 발생에 영향이 있을것 ᄋ

ᅳ로 추정되는기상현상은최고기온, 최저기온, 최대순간풍속, 최대풍속, 10분최다강수량, 1시간 최다 ᄀ

ᅡᆼ수량, 이산화황, 일산화탄소, 오존,이산화질소, 미세먼지, 초미세먼지, 평균해면기압, 평균증기압, 일 ᄎ

ᅬ심신적설, 일최심적설, 합계 3시간적설, 평균상대습도, 평균이슬점온도 및 평균지면온도의 총 20개의 ᄀ

ᅵ상요인을확인할 수 있었으며, 이들기상요인을피뢰기와 애자 및 COS 고장에 대한 세부적인 분석에 ᄌ

ᅥ

ᆨ용할 기상 변수로 선정하였다.

Figure 2.1 Examples of analysis results for failure effect factors

ᄋ

ᅵ에 반해, Figure 2.2의 예시와 같이 전운량, 일조시간 및 일사량 등과 같은기상현상에 대해서는고 ᄌ

ᅡᆼ 분포가 특별한 경향이 없이 어느 한쪽으로 치우쳐 있거나 불규칙적으로 분포하고 있기 때문에, 이들 ᄀ

ᅵ상요인들이 피뢰기와 애자 및 COS 고장에는 특별한 영향력이 없을 것으로 판단하여 기상 변수에서

ᄌ

ᅦ외하였다.

Table 2.3 Results of variable selection for analysis

Classification Weather variable

Temperature Max. temperature / Min. temperature

Precipitation Max. precipitation (10 min) / Max. precipitation (1 hour) Other temperature. Average dew point temperature / Average ground surface

temperature

Special weather Heat wave / Cold wave / Heavy rain / Strong wind / Heavy snow report

Wind speed Max. instantaneous wind speed / Max. wind speed

Snow cover Daily max. depth of new snowfall / Daily max. depth of snow cover / Total depth of snow cover (3 hours)

Difference variable Daily temperature difference / Amount of change

Figure 2.2 Examples of analysis results for failure non-effect factors

3. 기상데이터를 이용한 고장발생 모델링 분석 보

ᆫ 연구에서는피뢰기와 애자 및 COS의 고장과 기상요인과의 연관성을 분석하기 위하여 여러 가지 ᄀ

ᅩ장 원인들 중에서 기상에 의한 직접적인 피해를 입은설비 고장에 초점을맞추어 분석을수행하였다.

ᄌ

ᅥᆫ체 고장 데이터 중에서 직접적인 고장 데이터를대상으로 추출하였고, 고장발생 모델링을수행하기 위 ᄒ

ᅡ여 고장 데이터의 약 2배수의 정상 데이터를무작위추출법 (random sampling)을 통해 추출하여 분석 ᄋ

ᅦ활용하였다. 분석에활용된데이터는 분석용데이터 (70%)와 검증용데이터 (30%)로 구분하였으며, ᄇ

ᅮᆫ석용데이터는고장발생 모델링에활용되었고, 검증용데이터는모델링 결과의 검증에활용되었다.

3.1. Decision tree 분석법을 이용한 고장발생 모델링 ᄑ

ᅵ뢰기에 대하여 총 490개 (고장 163개, 정상 327개)의 데이터를활용하여 Decision Tree 분석을수 ᄒ

ᅢᆼ하였으며, 피뢰기의 고장에 영향을끼치는주요영향 인자로는 Figure 3.1과 같이 최대순간풍속, 최대 푸

ᆼ속 변화량, 1시간 최다강수량으로 정리되고 있다 ([MAXWS INS]: 최대순간풍속, [MAXWS C]: 최 ᄃ

ᅢ풍속변화량, [MAXRAIN 60]: 1시간 최다강수량).

Figure 3.1 Flow chart of failure scenario for Arrester based on decision tree analysis

부

ᆫ석 결과를 상세히 살펴보면, ① 전체 피뢰기 데이터의 27%가 바람이 강하게 불고 (최대순간풍속 11.2m/s이상 & 전날대비 최대풍속 3.4m/s이상 증가), 당일 비가 다소 내리는경우(1시간 최다강수량 2.8mm이상)에 해당되며 이 중에서 89%가 고장으로 분류되어 전체의 24.03%가 이러한 조건에서 고장 ᄋ

ᅳ로 판명되었다. 또한 ② 전체 피뢰기 데이터의 4%는전날부터 연이어 계속강풍이 몰아치는경우 (최 ᄃ

ᅢ순간풍속 18m/s이상 & 전날대비 최대풍속차이 3.4m/s 미만)에 해당되며 이 중에서 70%가 고장으 ᄅ

ᅩ 분류되어 전체의 2.80%가 이러한 조건에서 고장으로 판명되었다. 마지막으로 ③ 전체 피뢰기 데이 ᄐ

ᅥ의 2%는전날부터 바람이 강하게 부는경우 (최대순간풍속 11.2m/s이상 11.5m/s 미만 & 전날대비 ᄎ

ᅬ대풍속차이 3.4m/s 미만)에 해당되며 이 중에서 100%가 고장으로 분류되어 전체의 2.00%가 이러한 ᄌ

ᅩ건에서 고장으로 판명되었다.

ᄑ

ᅵ뢰기에 대한 decision tree 분석 결과의 모델링 정확도를평가하기 위하여 총 212개 (고장 71개, 정 ᄉ

ᅡᆼ 141개)의 검증용데이터를활용하였으며, 실제 검증용데이터의 고장발생 결과와 decision tree를 통 ᄒ

ᅢ 예측한 결과를비교하면 아래 Table 3.1과 같이 약 86.3%의 정확도를보이고 있다.

Table 3.1 Accuracy evaluation of decision tree model for Arrester Reference

Prediction Fail Normal

Fail 60 18

Normal 11 123

ᄌ

ᅳᆨ, 전체 212개의 표본 중에서 실제 고장을고장으로 예측한 결과 (60개)와 실제 정상을정상으로 예 ᄎ

ᅳ

ᆨ한 결과 (123개)가 총 183개로서 모델링 검증을 통해 정분류된 경우가 전체의 86.3%를차지하여 매 ᄋ

ᅮ 높은정확도를보이고 있다.

ᄃ

ᅡ음으로 애자에 대하여 총 539개 (고장 180개, 정상 359개)의 데이터를활용하여 decision tree 분 ᄉ

ᅥ

ᆨ을 수행하였으며, 애자의 고장에 영향을 끼치는 주요영향 인자로는 Figure 3.2와 같이 최대순간풍 ᄉ

ᅩᆨ, 1시간 최다강수량, 최저기온 변화량, 일최심적설로 정리되고 있다 ([MAXWS INS]: 최대순간풍속, [MAXRAIN 60]: 1시간 최다강수량, [MINT C]: 최저기온변화량,[SNOW DAY]: 일최심적설).

Figure 3.2 Flow chart of failure scenario for Insulator based on decision tree analysis

부

ᆫ석 결과를 상세히 살펴보면, ① 전체 애자 데이터의 28%가 바람이 강하게 불고 (최대순간풍속 12m/s 이상), 당일 비가 다소 내리는 경우 (1시간 최다강수량 3.2mm 이상)에 해당되며 이 중에서 86%가 고장으로 분류되어 전체의 24.08%가 이러한 조건에서 고장으로 판명되었다. 또한 ② 전체 애 ᄌ

ᅡ 데이터의 4%는바람이 강하게 불고 (최대순간풍속 12m/s이상), 당일 비가 내리며 (1시간 최다강수 랴

ᆼ 3.2mm 미만), 전날에 비해 기온이 내려간 경우 (전날대비 최저기온 0.85℃미만으로 감소)에 해당되 ᄆ

ᅧ 이 중에서 86%가 고장으로 분류되어 전체의 3.44%가 이러한 조건에서 고장으로 판명되었다. 마지 ᄆ

ᅡ

ᆨ으로 ③ 전체 애자 데이터의 3%는바람이 다소 강하게 불면서 (최대순간풍속 12m/s미만), 전날부터 ᄂ

ᅮᆫ이 내리는경우 (일 최대 누적 적설량 4.5cm 이상)에 해당되며 이 중에서 88%가 고장으로 분류되어 ᄌ

ᅥᆫ체의 2.64%가 이러한 조건에서 고장으로 판명되었다.

ᄋ

ᅢ자에 대한 decision tree 분석 결과의 모델링 정확도를평가하기 위하여 총 233개 (고장 78개, 정상 155개)의 검증용데이터를 활용하였으며, 실제 검증용 데이터의 고장발생 결과와 decision tree를 통해 ᄋ

ᅨ측한 결과를비교하면 아래 Table 3.2와 같이 약 87.6%의 정확도를보이고 있다.

ᄌ

ᅳᆨ, 전체 233개의 표본 중에서 실제 고장을고장으로 예측한 결과 (64개)와 실제 정상을정상으로 예 ᄎ

ᅳ

ᆨ한 결과 (140개)가 총 204개로서 모델링 검증을 통해 정분류된 경우가 전체의 87.6%를차지하여 매

Table 3.2 Accuracy evaluation of decision tree model for Insulator Reference

Prediction Fail Normal

Fail 64 15

Normal 14 140

ᄋ

ᅮ 높은정확도를보이고 있다.

ᄆ

ᅡ지막으로 COS에 대하여 총 597개 (고장 201개, 정상 396개)의 데이터를활용하여 decision tree 분 ᄉ

ᅥ

ᆨ을 수행하였으며, COS의 고장에 영향을끼치는주요영향 인자로는 Figure 3.3과 같이 최대순간풍속 ᄇ

ᅧᆫ화량, 일교차, 1시간 최다강수량, 최대풍속, 최고기온변화량으로 정리되고 있다 ([MAXWS INS C]:

ᄎ

ᅬ대순간풍속 변화량, [DTD]: 일교차, [MAXRAIN 60]: 1시간 최다강수량, [MAXWS]: 최대풍속, [MAXT C]:최고기온변화량).

Figure 3.3 Flow chart of failure scenario for COS based on decision tree analysis

ᄇ

ᅮᆫ석 결과를 상세히 살펴보면, ① 전체 COS 데이터의 28%가 전날에 비해 바람이 강하게 불고 (전 ᄂ

ᅡ

ᆯ대비 최대순간풍속 8.8m/s이상 증가), 일교차가 1.9℃ 이상인 경우에 해당되며 이 중에서 96%가 고 ᄌ

ᅡᆼ으로 분류되어 전체의 26.88%가 이러한 조건에서 고장으로 판명되었다. 또한 ② 전체 COS 데이터 ᄋ

ᅴ 3%는 전날에 비해 바람이 강하게 불면서 (전날대비 최대순간풍속 6m/s 이상 8.8m/s 미만 증가), ᄃ

ᅡᆼ일 집중호우가 내리는경우 (1시간 최다강수량 9.2mm 이상)에 해당되며 이 중에서 95%가 고장으로 부

ᆫ류되어 전체의 2.85%가 이러한 조건에서 고장으로 판명되었다. 마지막으로 ③ 전체 COS 데이터의 2%는전날에 비해 바람이 다소 강하게 불면서 (전날대비 최대순간풍속 6m/s 미만 증가 & 당일 최대풍 ᄉ

ᅩᆨ 11m/s이상), 기온변화가 심한 경우 (전날대비 최고기온 -3.1℃이상 변화)에 해당되며 이 중에서 100%가 고장으로 분류되어 전체의 2.00%가 이러한 조건에서 고장으로 판명되었다.

COS에 대한 decision tree 분석 결과의 모델링 정확도를평가하기 위하여 총 258개 (고장 87개, 정상 171개)의 검증용데이터를 활용하였으며, 실제 검증용 데이터의 고장발생 결과와 decision tree를 통해 ᄋ

ᅨ측한 결과를비교하면 아래 Table 3.3과 같이 약 92.2%의 정확도를보이고 있다.

Table 3.3 Accuracy evaluation of decision tree model for COS Reference

Prediction Fail Normal

Fail 73 6

Normal 14 165

ᄌ

ᅳᆨ, 전체 258개의 표본 중에서 실제 고장을고장으로 예측한 결과 (73개)와 실제 정상을정상으로 예 ᄎ

ᅳ

ᆨ한 결과(165개)가 총 238개로서 모델링 검증을 통해 정분류된 경우가 전체의 92.2%를차지하여 매우 노

ᇁ은정확도를보이고 있다.

3.2. Logistic regression 분석법을 이용한 고장발생 모델링 ᄑ

ᅵ뢰기에 대한 총 490개 (고장 163개, 정상 327개)의 데이터를활용하여 logistic regression 분석을 ᄉ

ᅮ행하였으며, logistic regression에 사용되는주요 영향인자로는최고기온, 1시간 최다강수량, 최대순 ᄀ

ᅡᆫ풍속, 평균지면온도, 최고기온변화량, 최대풍속변화량, 일최심신적설 변화량이 최종적으로 의미 있 느

ᆫ 독립변수로 추출되었다. 총 22개의 독립변수 (기상요인) 중에서 단계적 변수 선택법 을 통해 7개의 ᄇ

ᅧᆫ수가 선택되었고, 각 변수에 대한 회귀계수의 값은최대우도추정법을 통해 추정되었다.

ᄌ

ᅳᆨ, 피뢰기 고장발생확률에 대한 추정치를 ˆp이라고 하면 ([MAXT]: 최고기온, [MAXRAIN 60]: 1시 ᄀ

ᅡᆫ 최다강수량, [MAXWS INS]: 최대순간풍속, [MEANGNDT]: 평균지면온도, [MAXT C]: 최고기온 ᄇ

ᅧᆫ화량, [MAXWS C]: 최대풍속변화량, [FRSNOW DAY C]: 일최심신적설 변화량),

log

 pˆ 1 − ˆp



= − 4.33998 + 0.18999[MAXT] + 0.04300[MAXRAIN 60] + 0.17522[MAXWS INS]

− 0.19939[MEANGNDT] − 0.39292[MAXT C] − 0.10757[MAXWS C]

− 0.21622[FRSNOW DAY C]

ᄅ

ᅩ서 최고기온, 1시간 최다강수량 및 최대순간풍속이 피뢰기 고장에 높은영향을주는것으로 판단되었 ᄃ

ᅡ. 이를 뒷받침 해줄수 있는결과로 1시간 최다강수량과 최대순간풍속이 증가할수록 피뢰기 고장발 새

ᆼ확률이 증가하는경향을보이고 있다. 1시간 최다강수량이 약 3mm 이상인 구간에서, 또한 최대순간 푸

ᆼ속이 약 11m/s 이상인 구간에서 피뢰기의 고장발생확률이 급격히 증가할 것으로 추정되었으며, 이는 decision tree와 유사한 결과로 도출되고 있다.

ᄑ

ᅵ뢰기에 대한 logistic regression 분석 결과의 모델링 정확도를 평가하기 위하여 총 212개 (고장 71개, 정상 141개)의 검증용 데이터를 활용하였으며, 실제 검증용 데이터의 고장발생 결과와 logistic regression을 통해 예측한 결과 예측한 결과를비교하면 아래 Table 3.4과 같이 약 79.2%의 정확도를보 ᄋ

ᅵ고 있다.

Table 3.4 Accuracy evaluation of logistic regression model for Arrester Reference

Prediction Fail Normal

Fail 50 23

Normal 21 118

ᄌ

ᅳᆨ, 전체 212개의 표본 중에서 실제 고장을고장으로 예측한 결과 (50개)와 실제 정상을정상으로 예 ᄎ

ᅳ

ᆨ한 결과 (118개)가 총 168개로서 모델링 검증을 통해 정분류된 경우가 전체의 79.2%를차지하여 높 ᄋ

ᅳ

ᆫ정확도를보이고 있다.

ᄃ

ᅡ음으로 애자에 대한 총 539개 (고장 180개, 정상 359개)의 데이터를활용하여 logistic regression 부

ᆫ석을수행하였으며, logistic regression에 사용되는주요 영향인자로는최대순간풍속,최대풍속, 일최 시

ᆷ신적설, 최고기온변화량, 최대순간풍속 변화량, 최대풍속변화량, 일최심신적설 변화량이 최종적으 ᄅ

ᅩ 의미 있는 독립변수로 추출되다. 총 22개의 독립변수 (기상요인) 중에서 단계적 변수 선택법을 통해 7개의 변수가 선택되었고, 각 변수에 대한 회귀계수의 값은최대우도추정법을 통해 추정되었다.

ᄌ

ᅳᆨ, 애자 고장발생확률에 대한 추정치를 ˆp이라고 하면 ([MAXWS INS]: 최대순간풍속, [MAXWS]:

ᄎ

ᅬ대풍속, [FRSNOW DAY]: 일최심신적설, [MAXT C]: 최고기온 변화량, [MAXWS INS C]: 최대순 ᄀ

ᅡᆫ풍속변화량, [MAXWS C]: 최대풍속변화량, [FRSNOW DAY C]: 일최심신적설 변화량),

log

 pˆ 1 − ˆp



= − 5.46946 + 0.84340[MAXWS INS] − 0.81258[MAXWS] + 0.72590[FRSNOW DAY]

− 0.16589[MAXT C] − 0.49378[MAXWS INS C] + 0.72012[MAXWS C]

− 0.48197[FRSNOW DAY C]

ᄅ

ᅩ서 최대순간풍속, 일최심신적설 및 최대풍속 변화량이 애자 고장에 높은영향을주는것으로 판단되 ᄋ

ᅥᆻ다. 이를 뒷받침 해줄수 있는 결과로 최대순간풍속과 최대풍속변화량이 증가할수록 애자 고장발생 화

ᆨ률이 증가하는경향을보이고 있다. Decision tree 결과와 유사하게 최대순간풍속이 약 12m/s 이상 ᄋ

ᅵᆫ 구간에서 애자의 고장발생확률이 급격히 증가할 것으로 추정되었으며, 또한 전날대비 최대풍속이 약 3m/s이상 증가한 시점을기준으로 애자의 고장발생확률이 급격히 증가할 것으로 추정되었다.

ᄋ

ᅢ자에 대한 logistic regression 분석 결과의 모델링 정확도를평가하기 위하여 총 233개 (고장 78개, 저

ᆼ상 155개)의 검증용데이터를 활용하였으며, 실제 검증용데이터의 고장발생 결과와 logistic regres- sion을 통해 예측한 결과를비교하면 아래 Table 3.5와 같이 약 86.7%의 정확도를보이고 있다.

Table 3.5 Accuracy evaluation of logistic regression model for Insulator Reference

Prediction Fail Normal

Fail 57 10

Normal 21 145

ᄌ

ᅳᆨ, 전체 233개의 표본 중에서 실제 고장을고장으로 예측한 결과 (57개)와 실제 정상을정상으로 예 ᄎ

ᅳ

ᆨ한 결과 (145개)가 총 202개로서 모델링 검증을 통해 정분류된 경우가 전체의 86.7%를차지하여 높 ᄋ

ᅳ

ᆫ정확도를보이고 있다.

ᄆ

ᅡ지막으로 COS에 대한 총 597개 (고장 201개, 정상 396개)의 데이터를활용하여 logistic regression 부

ᆫ석을 수행하였으며, logistic regression에 사용되는 주요 영향인자로는최고기온, 1시간 최다강수량, ᄎ

ᅬ대순간풍속, 최대풍속, 평균지면온도, 최고기온변화량, 최대순간풍속 변화량, 최대풍속변화량이 최 ᄌ

ᅩᆼ적으로 의미 있는 독립변수로 추출되었다. 총 22개의 독립변수 (기상요인) 중에서 단계적 변수 선택 버

ᆸ을 통해 8개의 변수가 선택되었고, 각 변수에 대한 회귀계수의 값은최대우도추정법을 통해 추정되었 ᄃ

ᅡ.

ᄌ

ᅳᆨ, COS 고장발생확률에 대한 추정치를 ˆp이라고 하면 ([MAXT]: 최고기온, [MAXRAIN 60]: 1시 ᄀ

ᅡᆫ 최다강수량, [MAXWS INS]: 최대순간풍속, [MAXWS]:최대풍속, [MEANGNDT]: 평균지면온도,

[MAXT C]:최고기온변화량, [MAXWS INS C]: 최대순간풍속변화량, [MAXWS C]: 최대풍속변화 ᄅ

ᅣᆼ),

log

 pˆ 1 − ˆp



= − 5.05408 + 0.33102[MAXT] + 0.05039[MAXRAIN 60] + 0.54956[MAXWS INS]

− 0.49760[MAXWS] − 0.40887[MEANGNDT] − 0.24781[MAXT C]

− 0.31628[MAXWS INS C] + 0.63809[MAXWS C]

ᄅ

ᅩ서 최고기온, 1시간 최다강수량, 최대순간풍속 및 최대풍속변화량이 COS 고장에 높은영향을주는 거

ᆺ으로 판단되었다. 이를 뒷받침 해줄수 있는결과로 1시간 최다강수량, 최대순간풍속 및 최대풍속변 ᄒ

ᅪ량이 증가할수록 COS고장발생확률이 증가하는경향을보이고 있다. Decision tree 결과와 유사하게 1시간 최다강수량이 약 10mm 이상인 구간에서 COS의 고장발생확률이 증가할 것으로 추정되었다. 또 ᄒ

ᅡᆫ 최대순간풍속이 15m/s 이상인 구간에서 COS의 고장발생확률이 급격히 증가할 것으로 추정되었으 ᄆ

ᅧ, 전날대비 최대풍속이 약 5m/s 이상 증가한 시점을기준으로 COS의 고장발생확률이 급격히 증가할 거

ᆺ으로 추정되었다.

COS에 대한 logistic regression 분석 결과의 모델링 정확도를평가하기 위하여 총 258개 (고장 87개, 저

ᆼ상 171개)의 검증용데이터를 활용하였으며, 실제 검증용데이터의 고장발생 결과와 logistic regres- sion을 통해 예측한 결과를비교하면 아래 Table 3.6과 같이 약 94.6%의 정확도를보이고 있다.

Table 3.6 Accuracy evaluation of logistic regression model for COS Reference

Prediction Fail Normal

Fail 79 6

Normal 8 165

ᄌ

ᅳᆨ, 전체 258개의 표본 중에서 실제 고장을고장으로 예측한 결과(79개)와 실제 정상을정상으로 예 ᄎ

ᅳ

ᆨ한 결과 (165개)가 총 244개로서 모델링 검증을 통해 정분류된 경우가 전체의 94.6%를차지하여 높 ᄋ

ᅳ

ᆫ정확도를보이고 있다.

4. 결론 ᄎ

ᅬ근모든산업분야에서 시설물이나 시스템에 대한 신뢰성분석을 통한 최적 유지보수 전략인 RCM에 ᄃ

ᅢ한 관심들이 매우 높아지고 있는 추세이다. 배전설비 분야에서도 고장을미리 예측하여 유지보수를 ᄉ

ᅮ행하기 위한 연구들이 많이 수행되었고 그 결과로 데이터마이닝을 통한 모델링을수행하여, 그 결과를 ᄇ

ᅡ탕으로 유지보수를수행하려고 하는노력들이 진행되고 있다. 그러나 이러한 대부분의 연구들은환경 ᄌ

ᅥᆨ인 요인을고려하지 않은방법들로서 기후의 변화가 설비의 고장에 어느 정도 영향을미치는지 실질적 ᄋ

ᅵᆫ 데이터를이용하여 분석이 이루어지지 않고 있다.

ᄇ

ᅩᆫ연구에서는배전설비 중외부에 노출되어 기후변화와 같은환경적인 요인의 영향이 높으며 고장 빈 ᄃ

ᅩ도 상대적으로 높은피뢰기와 애자 및 COS에 대하여 고장원인을 분석하고, 기후의 변화가 각 설비에 여

ᆼ향을 미치는것이 무엇인지를 파악하여 데이터마이닝 기법을이용하여 모델링하였다. Decision tree 부

ᆫ석방법과 logistic regression 분석 방법을이용하여 분석한 결과 풍속, 강수 및 적설과관련된기상요 ᄋ

ᅵᆫ이 피뢰기와 애자 및 COS 고장에 많은영향을주고 있음을확인하였으며 예측의 정확도도 상당히 높 ᄋ

ᅳ

ᆫ결과를얻었다.

ᄋ

ᅵ를이용하여 피뢰기와 애자 및 COS의 유지보수를수행함에 있어서 기상청의 예보 결과와 본모델 ᄅ

ᅵᆼ 결과를활용할 경우 우선적으로관리해야 하는설비를선별하여 유지보수를수행할 수 있어서 배전설 ᄇ

ᅵ관리에 많은도움이 되리라 판단된다.

References

Bae, S. H. (2010). Prediction of medium-voltage customers causing distribution line faults, Ph. D. Thesis, Seoul National University of Science and Technology, Seoul.

Hwang, W. H. (2008). The construction of fault pattern prediction and IT-based management model in distribution facilities to improve the distribution system reliability, Ph. D. Thesis, Seoul National University of Science and Technology, Seoul.

Kim, Y. M., Hwang, M. H., Kim, T. H., Jeong, C. H. and Jeong, D. H. (2015). Big data mining for natural disaster analysis. Journal of the Korean Data & Information Science Society, 26, 1105-1115.

Lee, K. S. and An, J. H. (2014). The future of big data. Journal of Electrical Engineering & Technology, 63, 23-28.

Lim, C. W. and Han, S. K. (2018). A study on development of power grid fault prediction system based on big data and preceding activities to calculate optimal investment cost. Journal of the Korean Data

& Information Science Society, 29, 779-794.

Oh, D. E. and Jang, S. M. (2017). A study on the failure effect analysis of overhead transformer considering weather. Journal of Electrical Engineering & Technology, 66, 857-862.

Park, G. P., Moon, J. F., Yoon, Y. T., Lee, S. S. and Kim, J. C. (2007). RCM procedure for mainte- nance schedule of distribution system equipments. The Proceedings of Korean Institute of Electrical Engineers, 18-20.

Shin, Y. R. and Yoon S. H. (2016a). Electricity forecasting model using specific time zone. Journal of the Korean Data & Information Science Society, 27, 275-284.

Shin, Y. R. and Yoon S. H. (2016b). Evaluation of weather information for electricity demand forecasting.

Journal of the Korean Data & Information Science Society, 27, 1601-1607.

Yi, S. M. and Cho, S. H. (2009). Analysis of the power failure in connection with the customer electric

facility. The Proceedings of Korean Institute of Electrical Engineers, 14-17.

2018, 29

6)

1615–1627

A study on the effect of weather factors leading to the failure of power distribution facilities and on the development of power grid fault prediction system

based on big data

Chung-won Lim

¹

²

1Incheon Regional Headquarters, KEPCO

2Department of Electrical and Electronic Engineering, Yonsei University

Received 15 October 2018, revised 5 November 2018, accepted 5 November 2018

Abstract

Nowadays, RCM (reliability centered maintenance) research on the application of Reliability Analysis based on Big Data is actively underway in the field of power grid.

In the case of power distribution facilities, there are many studies on the prediction of power grid fault through big data analysis. Distribution facilities are exposed to the external conditions such as temperature, precipitation, wind speed and humidity, and environmental factors are expected to have a significant impact on power failure.

Especially, the impact of weather factors on the fault of power grid is also a prerequisite for the analysis of big data. This study analyzed the extent to which weather factors affect the failure of distribution systems which are maintained by Incheon regional headquarter of KEPCO with data mining techniques and suggested how the results of this study could be used for power facility management through big data analysis.

Keywords: Big data, data mining, power distribution facility, rcm, reliability analysis.

1

Corresponding author: Vice president, Incheon Regional Headquarters, KEPCO, Incheon 21330, Korea.

E-mail: [email protected]

2

Professor, Department of Electrical and Electronic Engineering, Yonsei University, Seoul 03722, Korea.