PSCAD에서 AI, Deep Learning에 필요한 비 정형 고장 데이터 수집 노하우

PSCAD에서 딥러닝에 필요한 0과 1의 디지털 값, 전압과 전류의 순시값, 및 rms값, 전압과 전류를 이용한 2차 가공데이터(유효전력, 무효전력, 역율, 임피던스 등), 비정형 고장 데이터를 다양한 전력 시스템 데이터를 수집하고

이를 AI 기반 보호계전기 및 모니터링 시스템에 활용하는 방법을 정리해보겠습니다.

1. PSCAD 데이터 수집 노하우

PSCAD에서는 디지털 신호(0과 1), 순시값, RMS값, 유효전력 및 무효전력, 임피던스, 고조파 등의 데이터를 수집할 수 있습니다. 데이터 수집 시 유의해야 할 몇 가지 핵심 포인트를 설명드리겠습니다.

(1) 고해상도 샘플링 유지 : 보호 계전기 및 AI 분석을 위해서는 "고속 샘플링(예: 10kHz 이상)"이 필요, 너무 낮은 샘플링 속도에서는 과도 현상이 충분히 반영되지 않아 보호 알고리즘 성능이 저하될 수 있습니다.

(2) 아날로그 및 디지털 신호 분리 : 디지털 신호(0,1)는 트리거 이벤트(차단기 개폐, 보호 계전기 작동 등)를 기록, 아날로그 신호(전압, 전류, 유효전력, 무효전력 등)는 실시간 분석 및 예측 모델에서 활용됩니다.

(3) 노이즈 제거 및 필터링 : 측정값이 노이즈에 민감할 수 있으므로 Moving Average, Butterworth 필터 등을 적용, FFT(고속 푸리에 변환)를 사용하여 불필요한 고조파 성분을 제거하는 것도 고려해야 합니다.

(4) 동기화 및 타임스탬핑 : 모든 데이터는 "시간 동기화(GPS 동기화 포함)"는 계통 사고 분석 및 AI 모델 학습 시 중요함, 실시간 데이터(순시값)와 통합 데이터(RMS, 유효전력 등)를 동일한 타임스탬프로 저장해야 합니다.

(5) COMTRADE 및 CSV 활용 : 보호 계전기에서 COMTRADE(.cfg, .dat) 형식으로 데이터를 저장하면 실시간 계전기 작동 분석이 가능, CSV 또는 MATLAB .mat 형식은 AI 모델 학습을 위해 Python과 연동하기 쉽습니다.

2. AI 기반 보호 계전기에 필요한 데이터

AI를 보호 계전기에 적용할 때는 주요 보호 동작(과전류, 거리계전, 고조파 보호 등)을 학습할 수 있도록 관련 데이터를 수집해야 합니다.

(1) 기본 계전기 보호를 위한 데이터

보호 기능 필요한 데이터
과전류 보호 전류 순시값, 전류 RMS값, 계전기 트리거 신호
거리 보호 전압 RMS, 전류 RMS, 계통 임피던스, 위상각
차단기 보호 차단기 개폐 상태(디지털 신호), 개폐 시간, 전압/전류
고조파 보호 3~50차 고조파 성분, THD(Total Harmonic Distortion)
역상 보호 3상 전류 불평형, 역상 전류 RMS
  • 과전류 보호: 일정 시간 이상 설정된 전류 값을 초과하면 동작.
  • 거리 보호: 임피던스가 임계값 이하로 떨어지면 보호 동작.
  • 고조파 보호: 특정 고조파 성분이 증가하면 트립 발생.

(2) AI 적용 시 추가적인 데이터

AI 기반 보호 계전기를 개발할 때는 기존 보호 계전기와 다른 추론 및 예측 기능을 강화하기 위해 다음 데이터를 추가로 활용할 수 있습니다.

추가 데이터 설명
고장 이력 데이터 과거 고장 발생 시의 전압/전류/임피던스 데이터
기온 및 환경 데이터 날씨 변화가 계통에 미치는 영향 분석
부하 패턴 데이터 피크 부하, 비정상 부하 변화 탐지
주파수 데이터 전력 품질 문제(주파수 변동 감시)

3. 모니터링 시스템에서 AI 적용 시 필요한 데이터

모니터링 시스템에서는 실시간으로 계통 상태를 감시하고, 이상 상태를 조기에 탐지하는 것이 중요합니다. 이를 위해 다음과 같은 데이터를 수집해야 합니다.

(1) 실시간 모니터링을 위한 핵심 데이터

모니터링 항목 필요한 데이터
전력 품질 분석 전압, 전류, 주파수, 고조파
부하 예측 유효전력, 무효전력, 피크 부하
고장 탐지 전압 Dip/Swell, 전류 스파이크
설비 상태 분석 변압기 온도, 절연 저항, 유중가스 분석
  • 전력 품질 모니터링: 고조파, 주파수 변동을 분석하여 전력 품질 저하를 감지.
  • 부하 예측 및 이상 감지: AI 기반 수요 예측을 통해 과부하 예방.
  • 고장 탐지: PSCAD에서 고장 발생 시의 데이터를 학습하여 AI 모델이 실시간 고장 탐지를 수행할 수 있도록 설계.

(2) AI 기반 이상 탐지 및 예측에 필요한 데이터

AI를 활용하여 계통 이상 상태를 조기에 감지하려면, 현실에서는 시간 제어가 불가능하기 때문에 PSCAD 모델링을 통해 100년을 1분이내로 시간을 축소 모델링하여 다음과 같은 데이터를 추가해야 합니다.

데이터 종류 활용 목적
장기 데이터 (수년치) 변압기, 모터 등 주요 설비의 수명 예측
주기적 패턴 데이터 정기적인 부하 변화 및 계통 이벤트 분석
순간적 이상 신호 보호 계전기 동작 전의 이상 신호 감지
기온, 습도, 환경 변수 외부 요인이 전력 품질에 미치는 영향 분석

(3) AI 기반 이상 탐지 모델 적용 예시

다음은 AI를 활용하여 이상 상태를 탐지하는 방법의 예시입니다.

  1. 변압기 이상 예측: 입력 데이터(변압기 온도, 부하, 전압 불평형, 유중가스 분석), AI 모델(시계열 예측->LSTM, GRU), 결과(이상 징후 감지 및 예방 정비 추천)

  2. 고조파 분석 및 이상 감지: 입력 데이터( 고조파 성분 (3~50차), THD 등), AI 모델( 이상 탐지->Autoencoder, Isolation Forest), 결과(정상/비정상 패턴 구분하여 보호 계전기 조기 동작 가능)

  3. 지중 전력 케이블 고장 예측: 입력 데이터(절연 저항, 부분방전 데이터, 온도 변화), AI 모델(머신러닝 -> Random Forest, XGBoost), 결과( 케이블 열화 예측 및 유지보수 시점 결정)

결론

  1. PSCAD 데이터 수집 노하우 : 고속 샘플링 유지, 노이즈 제거, 데이터 동기화 필수. COMTRADE 및 CSV 파일 활용.

  2. 보호 계전기 AI 적용 시 필요한 데이터 : 기본 계전 보호 데이터(전류, 전압, 임피던스 등) + AI 학습을 위한 부가 데이터(환경 변수, 부하 패턴 등) 필요.

  3. 모니터링 시스템 AI 적용 시 필요한 데이터 : 전압, 전류, 주파수, 부하 패턴, 변압기 온도, 절연 저항 등 이상 상태 감지를 위한 다양한 데이터 수집 필요.

  4. AI 활용 방안 : 변압기 상태 예측, 고조파 분석, 지중 전력 케이블 고장 예측 등 다양한 영역에 AI를 적용 가능.

by sdy1882