기상기후 기반 배전 개폐기 고장예측에 관한 연구
오 도 은
*, 김 현 수
†*한전 전력연구원, 에너지신산업연구소
†충남대학교, 컴퓨터공학과
A Study on the Failure Prediction of a Power Distributing Switch Based on Weather
Do-Eun Oh
*, Hyun-Soo Kim
†*
Energy New Business Lab, KEPCO Research Institute, Daejeon, Korea
†
Department of Computer Science & Engineering, Chungnam University, Daejeon, Korea
(Received : Feb. 15, 2017, Revised : Mar. 21, 2017, Accepted : Mar. 24, 2017)Abstract : Power distributing switches are very important equipment for distribution automation. Power distributing switches are mostly installed in the outdoor facilities. And more and more power distributing switches are influenced by weather. Even if the same kind of power distributing switches is estimated for extracting the time-varing failure rate, the failure rate could be different depending on weather. In this paper, we analyse the failure patterns of power distributing switches and the influence of weather on the power distributing switches.
With this consequence, we suggest the failure prediction method of power distributing switches based on weather.
Keyword : Power Distributing Switch, Failure Prediction, Weather, Logistic Regression, Outage
1. 서 론
1)
전력은 발전에서 송변전, 배전 그리고 소비자에 이르 기까지 수많은 설비들로 구성된 거대한 시스템으로 이 루어져 있다. 그 가운데 배전은 발전소에서 생산된 전 기를 전기소비자들이 사용할 수 있는 전압으로 변환하 여 전송하는 역할을 하며, 통신망처럼 복잡한 네트워크 를 이루고 있다. 배전망은 가공 및 지중 변압기, 전주, 고압전선, 배전 개폐기, 애자 등 다양한 설비들로 구성 되어 있으며, 배전 개폐기는 원격에서 정전을 복구하기 위한 중요한 역할을 담당하는 설비이다. 배전망에서의 설비의 고장은 정전으로 이어지고 작은 규모의 정전이 라도 사회적, 경제적으로 많은 피해를 야기한다. 따라서 설비의 고장예방은 정전으로 인한 피해를 줄이기 위한
†Corresponding Author 성 명 : 김 현 수
소 속 : 충남대학교 컴퓨터공학과
주 소 : 대전 유성구 대학로 99 충남대학교 전 화 : 042-821-7725
E-mail : bskim401@cnu.ac.kr
중요한 수단이다. 배전설비에 대한 고장예방을 위해 신 뢰도 기반 유지보수 기법에 대한 연구 사례가 많이 있 었으나, 배전설비의 단순 고장 혹은 사용기간 만을 이 용한 분석으로 환경적인 요인이 고장에 미치는 영향을 파악하여 분석하지 못하고 있는 것이 현실이다. 신뢰도 분석을 통한 설비 유지보수 관리 외에도 고장을 예측하 기 위한 선행연구들이 많이 이루어져 왔다, 배전계통의 주상변압기 고장사례를 데이터마이닝기법으로 분석하여 고장유형을 분석하고 고장을 예측하는 방안을 제시한 사례도 있고[1], 데이터마이닝기법을 이용하여 28개의 예측변수로 배전고장을 유발할 가능성이 있는 특별 고 압고객을 예측하고 이를 시스템으로 실제 구현하여 해 당 고객을 찾아내서 점검 및 집중 보수함으로써 배전 파급고장을 예방하고자 한 연구도 있다[2].
배전설비는 주로 실외에 설치되어 있어 외부 자연현 상에 많은 영향을 받으며, 최근 3개년 주요 고장사례를 분석한 결과에서도 전체 고장 가운데 풍우해 등의 자 연현상에 의해 발생한 비율이 약 17%의 점유율을 차지 할 만큼 영향이 크다[3]. 그러나 기상기후 데이터를 이 용하여 기상이 배전설비에 영향을 미치는 정도를 분석 한 연구는 사례를 찾아보기 힘든 정도이다. 국내에서는
기상기후 인자를 고려해서 배전설비의 고장률을 추정하 는 연구를 수행한 사례는 있으나, 실제 기상 데이터를 이용하여 분석한 것이 아니라 기상기후 특성분석을 위 하여 한전의 전국 지점을 대상으로 기후특성을 구분하 여 설문조사를 통해 기상기후 특성에 따른 영향도를 분 석하고 그 결과를 이용하여 고장률을 추정하는 내용을 제안하였다[4]. 해외에서는 기상기후 요인을 고려한 배 전설비 고장 예측이 아닌, 허리케인이라는 특정 기상재 해에 대한 정전 규모와 위치 예측을 통한 피해를 예방 하고자 하는 사례가 대부분이다[5].
따라서 배전설비의 고장패턴과 기상기후 요인과의 상 관성을 분석하여, 배전설비 고장을 사전 예측하기 위한 기술개발이 필요한 현실이다. 기상기후와 배전설비의 고장과의 연관성을 분석하여 통계적 모델링을 만들고, 이를 바탕으로 유지보수에 활용하여 효율적 유지보수를 추진하여야 한다. 본 논문에서는 배전설비 가운데 배전 자동화에 중요한 역할을 담당하는 배전 개폐기에 대하 여 기상기후와 설비 고장데이터를 전수 조사하여 어떤 기상조건이 배전 개폐기의 고장에 영향을 많이 미치는 지를 분석하였고, 그 정도가 어느 정도인지를 확인하기 위하여 통계적 기법을 이용하여 2가지 모형에 대한 모 델링을 하였다. 또한 제안된 각각의 모형에 대한 시뮬 레이션을 통한 정확도와 예측 결과를 제시하였다.
2. 고장 데이터 분석 2.1 분석에 활용한 데이터
분석에 사용된 데이터는 크게 배전 개폐기 데이터와 기상데이터로 구분된다. 배전 개폐기 데이터는 한전에 서 관리하고 있는 설비위치 정보와 고장정보로서 이 가 운데 2008년 1월부터 2015년 12월까지의 기간에 대 한 고장 데이터를 수집하여 분석하였다[6]. 기상데이터 또한 같은 기간 동안의 기상청에서 수집한 90여개 종관 기상관측소에서 측정한 기상자료(ASOS) 및 480여개 방재기상관측자료(AWS)에서 관측한 자료를 활용하였 다[7]. 이를 종합하여 기상기후의 변인으로는 37개 기 상요인에 대한 배전 개폐기 고장의 영향을 분석하였다.
설비명 설비 자료수 고장 자료수
배전 개폐기 363,321 1,107 Table 1. Power Distributing Switch Data
구분 자료 수 주요 항목 비고
ASOS 261,259 기온, 강수량, 풍속, 기압, 습도, 적설 등 93개
관측지점 AWS 1,396,612 기온, 강수량, 풍속 493개
관측지점 Table 2. Weather Data
2.2 배전 개폐기 고장 분석
수집된 배전 개폐기 고장 정보를 기반으로 배전 개폐 기의 고장원인을 분석하면 Fig. 1과 같다. 가장 많은
비중을 차지하는 것이 노후화에 따른 자연열화로 약 48%에 달하며, 기상과 직접적으로 관련된 것으로 풍우 해, 염진해, 빙설해, 뇌해가 약 16%를 차지하고, 간접 적인 영향이 있을 것으로 추정되는 침수, 부식, 수목접 촉이 약 7% 정도를 차지하고 있다.
Figure 1. Analysis of Power Distributing Switch Failure
2.3 배전 개폐기 고장과 기상요인 연관성 분석 기온, 강수량 및 풍속 등의 37개 기상요인에 대하여 각 기상요인별 배전 개폐기 고장과의 연관성을 분석하 였다.
[평균기온]
[평균 상대습도]
[최대 풍속]
Figure 2. Correlation analysis of power distributing switch failure and weather
Fig. 2와 같이 기온, 습도, 풍속 등과 관련된 기상요 인에 대해서는 특정 범위의 조건을 기준으로 각 기상요 인이 증가할수록 배전 개폐기의 고장 발생이 점차 증가 하다가 감소하는 경향을 보이고 있다. 이를 통해 배전 개폐기의 고장 발생에 영향이 있을 것으로 짐작되는 기 상요인을 확인할 수 있으며, 어떤 기상요인이 배전 개 폐기 고장과 관련이 있는지에 대한 세부적인 분석이 필 요함을 알 수 있다.
배전 개폐기 고장과 기상요인별 연관성 분석에 따른 고장에 영향이 있을 것으로 보이는 기온, 습도, 풍속 등 의 기상변수들을 추출하였다. 한편, 기상기후에 따른 배 전 개폐기의 고장영향 분석에 대한 기상변수들은 현장 운영자들의 입장에서 그 영향도가 실제 체감될 수 있는 요인들을 대상으로 분석이 이루어질 필요성이 있다. 이 를 위해 기상요인에 대한 측정 데이터 이외에 일교차 등의 변량과 폭염, 한파, 호우, 대설 및 강풍 등의 기상 특보 상황 또한 고려할 필요가 있다. 따라서 최종적으 로 분석에 적용될 기상 변수는 Table 3과 같이 선정되 었다.
구분 기상변수
기온 최고기온, 최저기온
풍속 최대순간풍속, 최대풍속
강수 10분 최다강수량, 1시간 최다강수량 적설 일최심 신적설, 일최심 적설, 합계3시간 적설 기타온도 평균이슬점온도, 평균지면온도
변량 일교차, 변화량*
기상특보 폭염, 한파, 호우, 강풍, 대설
*변화량 : 최고기온, 최저기온, 최대순간풍속, 최대풍속, 일최심 신적설
Table 3. weather variable
3. 고장 예측 모델링 3.1 모델링 방법
대용량의 데이터를 탐구하고 분석하여 의미 있는 패 턴이나 규칙들을 찾아내는 과정을 데이터마이닝이라고 한다. 데이터마이닝의 과정은 지식발견, 혹은 데이터베 이스로부터의 지식발견으로도 정의되지만 일반적으로 지식창조라고 많이 사용한다. 데이터마이닝의 특징은 직관적이지 않고, 사전에 가설되어지지 않았던 정보를 찾는 과정을 전반적으로 지칭하는 것이다. 데이터마이 닝 기법들은 많이 알려져 있으나 본 연구에서는 배전 개폐기에 대한 고장예측 모형을 설정하기 위해 데이터 마이닝 기법 가운데 로지스틱 회귀분석(Logistic Regression)과 의사결정나무(Decision Tree)를 각각 이용하였다.
로지스틱 회귀분석은 설비의 고장에 관련이 있는 여 러 요인들을 이용하여 향후 발생 가능한 설비의 고장을 예측하려는 시도에 적용이 가능한 통계적 분석방법이다.
예측하려는 변수 즉, 설비의 고장 발생 가능성을 종속 변수라 하고, 설비고장을 예측하기 위해 사용하는 다른 요인을 독립변수라 한다. 로지스틱 회귀분석은 고장의
발생 또는 미발생이라는 단지 두 개의 값만을 가지는 종속변수와 다양한 값을 갖는 독립 변수들 사이의 관련 성을 분석하는 통계기법이다. 또한, 로지스틱 회귀분석 모형은 설비고장이 발생할 경우와 발생하지 않을 경우 를 예측하기 보다는 설비가 고장이 발생할 확률을 계산 해 준다는 점에서 향후 이를 이용한 설비 관리에 활용 될 수 있는 이상적인 통계 분석방법이라 할 수 있다.
의사결정나무는 지도학습 기법으로 각 변수의 영역을 반복적으로 분할함으로써 전체 영역에서의 규칙을 생성 한다. 하나의 의사결정나무 모형은 특정한 목표변수에 대하여 큰 다차원적인 모집단을 더 작고 일차원적인 집 단들로 나누는 규칙들의 집합을 포함한다. 목표변수는 분류에 관련된 것이고 의사결정나무 모형은 주어진 레 코드가 각각의 카테고리에 포함될 확률을 구하거나, 레 코드들을 가장 가능성 높은 카테고리로 구분하는 방식 이다.본 연구에서는 로지스틱 회귀분석 모형과 의사결정나 무 모형을 위한 소프트웨어로 통계 분석 툴인 R을 활용 하였다.
3.2 로지스틱 회귀분석을 이용한 고장예측 모델링 로지스틱 회귀분석을 위해 Table 3의 총 22개의 독 립변수(기상요인)중에서 단계적 변수 선택법(Stepwise Variable Selection)을 통해 최고기온, 최저기온, 최 대풍속, 평균이슬점온도, 최고기온 변화량, 최저기온 변 화량, 최대풍속 변화량, 최대순간풍속 변화량 등 8개의 변수가 선택되었고, 각 변수에 대한 회귀계수의 값은 최대우도추정법(MLE, Maximum Likelihood Estimation)을 통해 추정되었다. 분석결과는 Fig. 3 과 같으며, Coefficient 아래 MINT, MAXT 등이 순 서대로 최저기온부터 최대순간풍속변화량까지 8개의 독 립변수를 가리키며, Estimate 아래 값들이 각 변수에 대한 회귀계수 값이다.
Figure 3. Result of logistic regression analysis 즉, 배전 개폐기 고장 발생 확률에 대한 추정치를
이라고 하면 배전 개폐기의 고장 발생 확률은 식 1과 같고 최대풍속과 최대풍속변화량이 배전 개폐기 고장 에 높은 영향을 주는 것으로 나타났다.
log
⋅최저기온 ⋅최고기온
⋅최대풍속
⋅평균이술점온도
⋅최고기온변화량
⋅최저기온변화량
⋅최대풍속변화량
⋅최대순간풍속변화량
배전 개폐기에 대한 고장예측 모형의 결과를 통해 기 온 및 풍속과 관련된 기상요인들이 주요 영향 인자로 분석되었으며 주요 요인들에 대해 세부적인 분석을 수 행한 결과, Fig 4와 Fig 5와 같이 최대풍속이 높을수 록, 그리고 최대순간풍속 증가량이 클수록 개폐기 고장 발생 확률이 증가하는 경향을 확인할 수 있었다. 좀 더 자세히 결과를 살펴보면 최대풍속은 7m/s 이상인 구간 에서, 최대순간풍속의 증가가 전날대비 3m/s 이상 증 가한 시점을 기준으로 고장발생 확률이 급격히 증가할 것으로 추정되며, 이는 최대풍속이 1m/s 증가할 경우 고장발생 확률이 약 59% 정도 높아지며, 최대순간풍속 이 전날대비 1m/s 증가할 경우 고장발생확률이 약 50% 정도 높아지고 있음을 나타낸다.
Figure 4. Probability of power distributing switch failure by maximum wind velocity
Figure 5. Probability of power distributing switch failure by maximum wind velocity variation
배전 개폐기 고장의 주요 기상요인들에 대한 각각의 영향도를 평가한 결과는 Fig 6과 Table 4와 같다.
Figure 6. Effect evaluation
주요인자 영향도 주요인자 영향도
최대풍속 1.59 최저기온 변화량 1.20 최대순간풍속
변화량 1.50 최고기온 변화량 0.83 최고기온 1.22 최저기온 0.66 평균이슬점온도 1.22 최대풍속 변화량 0.51
Table 4. Result of Effect Evaluation
3.3 의사결정나무를 이용한 고장예측 모델링 의사결정나무를 통해 지도학습을 수행하여 배전 개폐기 에 대한 고장예측 모형을 도출한 결과는 Fig. 7과 같다.
Figure 7. Decision tree model of power distributing switch
주요 영향인자로는 최대순간풍속 변화량, 최대풍속변 화량, 최저기온으로 나타났으며, 최대순간풍속 변화량이 전날대비 4.8m/s 이상일 때 전체 배전 개폐기 고장의 26%를 차지하며, 최대순간풍속 변화량이 전날대비 4.8m/s 미만이고 최대풍속 변화량이 –2.3m/s 미만일 때 최저기온이 18℃ 미만인 경우 전체 고장의 5%를 차지하여 배전 개폐기 고장에 영향을 미치고 있다.
3.4 모형 정확도 평가
로지스틱 회귀분석과 의사결정나무에 의해 도출된 배 전 개폐기 고장예측 모형의 정확도 평가를 위해 모형 개발과 정확도 테스트를 위한 데이터를 7:3의 비율로 분리하여 검증하였다. 테스트 데이터를 적용하여 배전 개폐기 고장예측 모형에 대한 정확도 검증을 수행한 결 과는 Table 5 및 Table 6과 같으며, 로지스틱 회귀분 석 모형의 정확도는 약 83.6%로 평가되었고, 의사결정 나무 모형의 정확도는 약 87.7%로 평가되었다.
실제값
예측값 Fail Normal
Fail 38 9
Normal 19 105
Table 5. Accuracy Evaluation Result of Logistic Regression Model
실제값
예측값 Fail Normal
Fail 46 10
Normal 11 104
Table 6. Accuracy Evaluation Result of Decision Tree Model
4. 고장 예측 4.1 예측 방법
기상기후 기반 배전 개폐기 고장을 예측하는 기법으 로는 Health Index를 사용하였다. Health Index는 고장예측 모형을 활용하여 최종적으로 정해진 기간 안 에 고장날 확률을 예측하는 방법으로 향후 해당 기간 안에 설비의 유지보수 필요성을 평가하는데 활용될 수 있는 지수이다. 예를 들면, Health Index가 얼마 이상 이면 반드시 유지보수를 수행하고, 얼마 이하면 유지보 수 대상에서 제외시키는 등의 방법으로 활용할 수 있다.
지역별 배전 개폐기의 고장을 예측하기 위하여 480 여개 기상관측지점을 기준으로 전국 각 지역의 기상정 보를 적용하였으며, 해당 연도의 지역별 Health Index 는 직전 연도의 1월 1일부터 12월 31일까지의 각 날짜 별 기상정보를 고장예측 모형에 적용하여 Health Index를 산출하고 1년 동안의 평균값을 구해 적용하였 다. 1년에 걸쳐 산출된 값의 평균을 적용한 이유는 각 지역의 시기적 계절적 특성 등을 적정하게 반영할 수
있도록 하기 위함이다. 예를 들면, 2016년의 지역별 Health Index는 직전 연도인 2015년의 Health Index 값의 평균을 구하여 적용한다.
피해 예측에 사용된 Health Index는 0 ~ 1 사이 의 값을 가지고, 예상 피해에 대한 위험 정도는 Table 7과 같이 산정하였으며, 위험 등급 수준은 향후에 현장 경험 및 전문가의 의견을 참고로 변경하여 적용할 수도 있다.
Health Index 점수 위험 등급 0 이상 ~ 0.2 미만 경고 0.2 이상 ~ 0.4 미만 주의 0.4 이상 ~ 0.7 미만 양호
0.7 이상 매우양호
Table 7. Health Index Level
4.2 예측 결과
배전 개폐기에 대한 지역별 고장예측 결과는 Table 8과 같으며 전 지역의 위험 등급이 대체적으로 매우 양 호한 등급으로 분석되었다. 특히 최근 2016년을 기준 으로 보면 강원 지역을 제외하고는 전체적으로 위험 정 도가 매우 양호한 상황임을 확인할 수 있다.
구분 2012 2013 2014 2015 2016 강원 0.71 0.69 0.67 0.68 0.69 경기 0.77 0.76 0.75 0.75 0.76 경남 0.77 0.77 0.74 0.75 0.76 경북 0.74 0.74 0.72 0.74 0.73 광주 0.68 0.67 0.67 0.69 0.70 대구 0.86 0.81 0.80 0.81 0.81 대전 0.84 0.82 0.80 0.83 0.84 부산 0.83 0.84 0.84 0.81 0.81 서울 0.92 0.91 0.91 0.90 0.91 세종 0.76 0.73 0.71 0.72 0.72 울산 0.76 0.77 0.76 0.79 0.79 인천 0.84 0.82 0.80 0.82 0.81 전남 0.76 0.76 0.73 0.74 0.75 전북 0.71 0.70 0.69 0.71 0.71 제주 0.70 0.70 0.67 0.71 0.72 충남 0.75 0.73 0.70 0.72 0.72 충북 0.74 0.74 0.73 0.74 0.76 Table 8. Health Index by Failure Prediction
5. 결론
최근 모든 산업분야에서 시설물이나 시스템에 대한 신뢰성 분석을 통한 최적 유지보수 전략인 신뢰도 기반 유지보수에 대한 관심들이 매우 높아지고 있는 추세이 다. 배전설비 분야에서도 고장을 미리 예측하여 유지보
수를 수행하기 위한 연구들이 많이 수행되었고 그 결과 로 데이터마이닝을 통한 모델링을 수행하여, 그 결과를 바탕으로 유지보수를 수행하려고 하는 노력들이 진행되 고 있다. 그러나 이러한 대부분의 연구들은 환경적인 요인을 고려하지 않은 방법들로서 기상기후의 변화가 설비의 고장에 어느 정도 영향을 미치는지 실질적인 데 이터를 이용하여 분석이 이루어지지 않고 있다.
본 연구에서는 배전설비중 기후변화에 따른 고장 빈 도가 높고, 배전설비중 중요도가 높다고 판단되는 배전 개폐기의 고장원인을 분석하고, 기상기후의 변화가 배 전 개폐기에 영향을 미치는 것이 무엇인지를 파악하여 데이터마이닝 기법을 이용하여 모델링하였다. 로지스틱 회귀분석 방법과 의사결정나무 방법을 이용하여 배전 개폐기 고장예측을 위한 모형을 제시하였고, 모형 정확 도 평과 결과 예측의 정확도도 상당히 높은 결과를 얻 었다.배전 개폐기의 유지보수를 수행함에 있어서, 기상청 의 예보 결과와 본 연구에서 제시하는 고장예측 모형을 활용할 경우 우선적으로 관리해야 하는 배전 개폐기를 선별하여 유지보수를 수행할 수 있어서 배전설비 관리 에 많은 도움이 되리라 기대한다.
참고문헌
1. Hwang, W. H. “The construction of fault pattern prediction and IT-based management model in distribution facilities to improve the distribution system reliability”, SEOULTECH (2008).
2. Bae, S. H. “Prediction of medium-voltage customers causing distribution line faults”, SEOULTECH (2009).
3. Analysis of Power Distribution Facility Failure, KEPCO (2013).
4. Kim, J. C. “Measurement of time-varying failure rate for power distribution system equipment considering weather factor”, JIEE, Vol 23, No 8, 14-20 (2009).
5. Han, S. R., Guikema, S. D., Quiring, S. M. and Lee, K. H. “Estimating the spatial distribution of power outages during hurricanes in the Gulf coast region”, Reliability Engineering and System Safety, 94, 199-210 (2009).
6. Distribution Information System, KEPCO
7. http://sts.kma.go.kr/, National Climate Data Service System
