| 1 |
1
배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 방법에 있어서,상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계;상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계; 및상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는 단계; 를 포함하는, 방법
|
| 2 |
2
제1항에 있어서, 상기 방법은상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는 단계; 를 더 포함하는, 방법
|
| 3 |
3
제1항에 있어서, 상기 고객 부하들의 전력 패턴을 생성하는 단계는기 설정된 불확실성 파라미터에 기초하여, 상기 대표 부하 패턴을 포함하는 패턴 범위를 결정하는 단계;상기 결정된 패턴 범위 내에서, 시간 대 별 및 상기 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 상기 대표 부하 패턴을 변형하는 단계; 및상기 변형된 대표 부하 패턴을 상기 고객 부하 별로 계측되는 전기 요금에 기초하여 스케일링함으로써, 상기 고객 부하들 별로 전력 패턴을 생성하는 단계; 를 포함하는, 방법
|
| 4 |
4
제3항에 있어서, 상기 고객 부하들의 전력 패턴을 생성하는 단계는상기 고객 부하 별 월별 전기 요금을 측정하는 단계;상기 측정된 고객 부하 별 월별 전기 요금에 기초하여 상기 고객 부하 별 일별 전기 요금을 결정하는 단계;상기 결정된 고객 부하 별 일별 전기 요금에 기초하여 상기 고객 부하 별 전력 패턴의 절대적 크기를 산정하는 단계; 및상기 산정된 고객 부하 별 전력 패턴의 절대적 크기에 기초하여 상기 변형된 대표 부하 패턴을 스케일링하는 단계; 를 더 포함하는, 방법
|
| 5 |
5
제3항에 있어서, 상기 고객 부하들의 전력 패턴을 생성하는 단계는상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대하여 일별 시간의 흐름에 따라 상기 고객 부하들의 전력 패턴을 생성하는 단계; 를 더 포함하고, 상기 생성된 전력 패턴은 유효 전력 패턴 및 무효 전력 패턴을 포함하는 것을 특징으로 하는, 방법
|
| 6 |
6
제5항에 있어서, 상기 학습 데이터를 생성하는 단계는상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴 및 상기 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전압 크기 및 상기 전압의 위상각을 결정하는 단계; 및상기 결정된 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각에 의해 결정되는 전력 상태에 관한 정보를 상기 학습 데이터로써 생성하는 단계; 를 포함하는, 방법
|
| 7 |
7
제1항에 있어서, 상기 학습 데이터를 생성하는 단계는상기 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라, 상기 학습 데이터를 생성하는 단계; 를 더 포함하는 것을 특징으로 하는, 방법
|
| 8 |
8
제1항에 있어서, 상기 학습 모델을 학습시키는 단계는상기 배전 계통 내 모든 모선에 대하여 생성된 학습 데이터에 대해 지도 학습(Supervised Learning)을 수행함으로써 상기 학습 모델을 학습시키는 단계; 를 포함하는, 방법
|
| 9 |
9
제8항에 있어서, 상기 학습 모델은,피드 포워드 신경망(Feedforward neural network) 모델, 서포트 벡터 머신(Support vector machine) 모델, 선형 회귀(Linear regression) 모델 중 하나인 것을 특징으로 하는, 방법
|
| 10 |
10
제1항에 있어서, 상기 학습 모델을 학습 시키는 단계는상기 학습 데이터 중, 상기 배전 계통 내 변전소의 유효 전력 패턴 및 무효 전력 패턴과, 상기 배전 계통 내 선택되는 말단 모선의 전압 크기 및 상기 전압의 위상각이 상기 학습 모델에 입력되면, 상기 변전소가 및 상기 선택된 모선을 제외한 상기 배전 계통 내 모든 모선의 유효 전력, 무효 전력, 전압 크기 및 전압의 위상각이 출력되도록, 상기 학습 모델을 학습시키는 단계; 를 포함하는, 방법
|
| 11 |
11
제1항에 있어서, 상기 학습 모델을 학습 시키는 단계는상기 학습 데이터 중, 상기 배전 계통 내 변전소의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각과, 상기 배전 계통 내 선택되는 말단 모선의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각이 상기 학습 모델에 입력되면,상기 변전소가 연결되는 모선 및 상기 선택된 모선을 제외한 상기 배전 계통 내 모든 모선의 유효 전력, 무효 전력, 전압 크기 및 상기 전압 크기의 위상각이 출력되도록, 상기 학습 모델을 학습시키는 단계; 를 포함하는, 방법
|
| 12 |
12
제1항에 있어서, 상기 학습 모델을 학습 시키는 단계는상기 학습 데이터 중, 상기 배전 계통 내 일 계측 지점의 유효 전력 패턴 및 무효 전력 패턴 또는 상기 일 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나와, 상기 배전 계통 내 선택되는 타 계측 지점의 유효 전력 패턴 및 무효 전력 패턴 또는 상기 타 계측 지점의 전압 크기 및 전압의 위상각 중 적어도 하나가 상기 학습 모델에 입력되면,상기 배전 계통 내 일 계측 지점 및 타 계측 지점을 제외한, 모든 모선의 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각이 출력되도록, 상기 학습 모델을 학습 시키는 단계; 를 포함하는, 방법
|
| 13 |
13
배전 계통 내 미계측 상태에 있는 모선의 전력 상태를 추정하는 장치에 있어서,하나의 인스트럭션을 저장하는 메모리; 및상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,상기 배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하고,상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하고,상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력하는 학습 모델을 학습시키는, 장치
|
| 14 |
14
제13항에 있어서, 상기 프로세서는상기 배전 계통 내 계측 상태에 있는 모선의 전력 상태 정보를 상기 학습된 학습 모델에 입력함으로써, 상기 학습 모델로부터 출력되는 학습 모델의 출력 값에 기초하여, 상기 미계측 상태에 있는 모선의 전력 상태 정보를 추정하는, 장치
|
| 15 |
15
제13항에 있어서, 상기 프로세서는기 설정된 불확실성 파라미터에 기초하여, 상기 대표 부하 패턴을 포함하는 패턴 범위를 결정하고,상기 결정된 패턴 범위 내에서, 시간 대 별 및 상기 고객 부하 별로 무작위로 설정되는 랜덤 변수를 이용하여 상기 대표 부하 패턴을 변형하고,상기 변형된 대표 부하 패턴을 상기 고객 부하 별로 계측되는 전기 요금에 기초하여 스케일링함으로써, 상기 고객 부하들 별로 전력 패턴을 생성하는, 장치
|
| 16 |
16
제15항에 있어서, 상기 프로세서는상기 고객 부하 별 월별 전기 요금을 측정하고,상기 측정된 고객 부하 별 월별 전기 요금에 기초하여 상기 고객 부하 별 일별 전기 요금을 결정하고,상기 결정된 고객 부하 별 일별 전기 요금에 기초하여 상기 고객 부하 별 전력 패턴의 절대적 크기를 산정하고,상기 산정된 고객 부하 별 전력 패턴의 절대적 크기에 기초하여 상기 변형된 대표 부하 패턴을 스케일링하는, 장치
|
| 17 |
17
제15항에 있어서, 상기 프로세서는상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대하여 일별 시간의 흐름에 따라 상기 고객 부하들의 전력 패턴을 생성하고, 상기 생성된 전력 패턴은 유효 전력 패턴 및 무효 전력 패턴을 포함하는 것을 특징으로 하는, 장치
|
| 18 |
18
제17항에 있어서, 상기 프로세서는상기 배전 계통 내 상기 고객 부하들이 연결되는 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴 및 상기 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전압 크기 및 상기 전압의 위상각을 결정하고,상기 결정된 모든 모선에 대한 유효 전력 패턴, 무효 전력 패턴, 전압 크기 및 전압의 위상각에 의해 결정되는 전력 상태에 관한 정보를 상기 학습 데이터로써 생성하는, 장치
|
| 19 |
19
제13항에 있어서, 상기 프로세서는상기 배전 계통 내 모든 모선에 대하여, 상기 모선에 연결되는 고객 부하 별 및 상기 고객 부하가 사용하는 일별 시간의 흐름에 따라, 상기 학습 데이터를 생성하는 것을 특징으로 하는, 장치
|
| 20 |
20
배전 계통 내 변전소로부터 계측되는 대표 부하 패턴(Representative Load Pattern)에 기초하여, 상기 배전 계통 내 각 모선에 연결되는 고객 부하들의 전력 패턴을 생성하는 단계;상기 생성된 고객 부하들의 전력 패턴 및 상기 배전 계통에 대한 배전 선로 정보에 기초하여 조류 계산을 수행함으로써, 상기 배전 계통 내 모든 모선의 전력 상태에 관한 학습 데이터를 생성하는 단계; 및상기 생성된 학습 데이터에 기초하여, 상기 배전 계통 내 계측 상태에 있는 적어도 일부 모선의 전력 상태 정보가 입력되면, 상기 배전 계통 내 미계측 상태에 있는 모선의 전력 상태 정보를 출력되는 학습 모델을 학습시키는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체
|
