Power Demand Forecasting in the DC Urban Railway Substation

직류 도시철도 변전소 수요전력 예측

Abstract

Power demand forecasting is an important factor of the peak management. This paper deals with the 15 minutes ahead load forecasting problem in a DC urban railway system. Since supplied power lines to trains are connected with parallel, the load characteristics are too complex and highly non-linear. The main idea of the proposed method for the 15 minutes ahead prediction is to use the daily load similarity accounting for the load nonlinearity. An Euclidean norm with weighted factors including loads of the neighbor substation is used for the similar load selection. The prediction value is determinated by the sum of the similar load and the correction value. The correction has applied the neural network model. The feasibility of the proposed method is exemplified through some simulations applied to the actual load data of Incheon subway system.

1. 서 론

최근 예비전력 부족사태로 인해 정부와 전력공급사는 최대전력을 억제하기 위한 여러 가지 제도를 시행하고 있으며, 이러한 제도의 초점은 수용가의 참여를 유도하는 방향으로 설계되어 있다. 기본요금 피크연동제는 연중 최대전력을 기준으로 기본요금을 부과함으로써 수용가에 최대수요를 억제 하도록 유도하는 요금제이다. 도시철도에서 전기요금이 차지하는 비율은 영업비용 대비 5% 정도이며, 전기요금에서 기본요금은 15% 정도 차지한다. 최근 급격한 전기요금 상승은 도시철도 운영에 큰 부담이 되고 있으며, 최대전력 관리의 중요성이 더욱더 부각되고 있다. 이러한 추세에 따라 최근 도시철도에서도 ESS 장치나 배터리를 열차 또는 변전소에 설치하여 최대전력을 줄이는 연구가 활발히 진행되고 있는데[1-3], 수용가의 효율적인 최대전력 관리를 위해서는 부하 분석을 통한 정확한 수요전력 예측이 필수적이다.

일반적인 전력계통에서의 장기 또는 중, 단기 부하예측 방법에는 ARIMA (Box and Jenkins) 모델이나 온도, 불쾌지수와 같은 환경변수를 모델에 포함한 ARMAX 모델들이 많이 소개되었으며[4-5], 1990년대 이후로는 부하의 비선형적인 특성을 고려한 신경망 또는 퍼지 시스템과 같은 모델을 복합적으로 이용하는 방법이 많이 사용되고 있다[6-7]. 전자의 경우 선형모델에 기반을 두기 때문에 부하가 비선형적으로 바뀌는 구간에서 상당한 오차를 발생시키며, 이러한 단점을 보완하고자 후자의 방법이 소개되고 있지만 부하특성이 바뀔 때마다 복잡한 학습 및 모델링 과정을 거쳐야 하기 때문에 현장 실시간 적용에는 어려움이 있다. 따라서 실시간 처리가 요구되는 최대수요전력 예측 및 제어기의 경우 대부분 전력사용량의 미분값을 이용하거나 지수가중함수를 이용한 예측을 사용하고 있다[8-9]. 그런데 도시철도 시스템에서는 가장 큰 부하인 전동차는 특성상 순간적인 전력변동이 크고, 이동부하이며, 변전소에서 병렬급전을 받는다. 이러한 특성으로 부하 예측이 매우 난해하기 때문에 기존의 방법을 적용할 경우 오차가 매우 크게 나타나므로 적용하기가 어렵다. 따라서 도시철도의 특성에 맞는 예측방법이 제시되어야 하나 관련 연구는 미비한 실정이다.

본 논문에서는 직류 도시철도 변전소의 부하분석을 통해 최대전력 수요시한인 15분 단위의 초단기 평균전력을 예측하는 새로운 방법을 제시한다. 부하 유사성을 이용한 기존의 전력계통 부하 예측법에서는 개별 변전소들에 대한 상관성 고려보다는 전체 부하에 대한 과거 패턴만을 사용하여 유사성을 판별한다[10-11]. 하지만, 직류 도시철도 변전소는 이동부하인 전동차 부하를 병렬 급전하기 있기 때문에 강한 상관성이 존재하며, 이러한 특성을 고려하지 않는 기존의 방법은 적용하기 곤란하다. 따라서 본 논문에서는 예측 대상 변전소와 주변 변전소 전력패턴을 유사성 판별에 사용하며, 부하패턴의 특성이 바뀌는 주중과 주말을 포함하는 공휴일 그리고, 전동차의 운행시간과 비운행시간을 구분하여 예측 성능을 높이고자 한다. 선택된 유사부하의 결과와 인자 오차에 따른 보정치를 합하여 최종적인 부하 예측을 수행하며, 보정치 계산에는 신경망 모델(neural network model)을 사용한다. 기존의 신경망 모델을 이용한 부하예측의 경우 과거의 모든 유사 부하 패턴을 이용하기 때문에 학습과정이 복잡해지는 단점이 있으나, 이 논문에서 사용하는 유사성을 이용한 방법은 선택된 유사부하만을 가지고 신경망 모델을 세우기 때문에 학습과정을 단순화 하여 단시간에 처리하는 이점이 있다[11]. 제시된 기법의 유용성을 판별하기 위해 인천지하철 1호선의 7개 변전소 실측 데이터를 기반으로 적용 모의실험을 수행하고 예측오차를 비교 도시하여 성능을 예시한다.

 

2. 도시철도 부하 특성

직류 도시철도 시스템에서는 전압강하를 방지하기 위해 2∼3[km] 구간마다 변전소가 설치되어 있으며, 각각의 변전소는5∼6개 역사에 전기를 공급하고 있다. 그림 1은 도시철도 전력계통도의 간략도를 나타낸다. A, C 변전소는 한국전력으로부터 전력을 공급받는 수전변전소이고, B변전소는 C변전소로부터 전력을 공급받는 연락변전소이다. 따라서 C변전소의 경우 다른 변전소보다 더 큰 수전 전력량을 나타낸다. 도시철도의 부하는 크게 열차에 공급되는 차량 부하와 역사의 편의 시설과 설비에 공급되는 고배용 부하로 나눌 수 있다.

그림 1도시철도 시스템 간략도 Fig. 1 Simple diagram of the urban railway system

그림 2는 인천지하철 변전소의 2013년 10월 3째주 주간부하 곡선을 나타내며, SCADA에 저장된 부하 곡선의 15분 평균값을 표시하고 있다. 상단 그림은 전체변전소 부하의 합에 대한 부하곡선이며, 월요일부터 금요일까지는 오전, 오후 혼잡 시간대에 사용량이 늘어나는 비슷한 패턴을 보이며, 주말에는 혼잡 시간대에도 사용량이 늘지 않음을 보인다. 평일 혼잡 시간대 (오전 7∼9시, 오후 17시∼19시)에는 승객들의 증가에 따라 운행되는 열차의 시간 간격도 좁아지게되며, 이러한 열차부하의 증가는 부하 증가로 나타나게 된다. 이러한 사용패턴은 거의 유사하며 계절별 온도차에 의한 냉∙난방 부하 가동에 따른 고, 저의 차이만 있을 뿐 전체적인 패턴은 바뀌지 않는다. 하단 그림은 A변전소 하나만의 부하곡선을 나타낸 것으로, 상대적으로 같은 평일 또는 주말이라 할지라도 매우 큰 변화 패턴을 보인다.

그림 2도시철도 변전소 주간부하 곡선 Fig. 2 Weekly load curve in the urban railway substation

그림 3과 4는 A변전소의 차량 부하와 고배용 부하를 평일과 주말로 구분하여 2013년도의 일일부하곡선을 나타낸 것이다. 분석결과 일반적인 부하와 마찬가지로 전차선과 고배용 부하 모두 겨울과 여름 냉, 난방 설비의 가동률 증가로 인해 부하 증가를 확인할 수 있었으며, 차량 부하의 경우 온도 이외에 수전전압과 관계가 깊음을 알 수 있고, 고배용의 경우 지하환경 공기질 유지를 위한 환기설비의 가동에 따라 그 변동폭이 크게 변함을 확인할 수 있다. 고배용 부하에서 9시에서 10시 사이 비정상적으로 부하사용량이 줄어드는 부분이 생기는데 그 원인은 최대전력 관리를 위해 해당시간에는 고배용 환기설비의 가동을 임의로 조정하기 때문이다. 또한 고배용 부하의 새벽시간대 비정상적으로 부하가 줄어드는 부분은 정기검사를 위한 단전의 영향으로 나타난 것이다. 시간대별로 차이는 있지만 차량 부하 및 고배용 모두 대략 500[㎾]정도의 변동폭을 가짐을 볼 수 있는데, 이러한 커다란 변동폭은 부하예측오차를 크게 만드는 요인이 된다.

그림 3변전소 차량용 일일부하 곡선 Fig. 3 Daily load curve of the train power in a substation

그림 4변전소 고배용 일일부하 곡선 Fig. 4 Daily load curve of the facility in a substation

그림 5는 변전소간의 전압차와 차량 부하와의 관계를 산점도(scatter plot)로 표시한 것이다. 그림 5의 상단그림은 차량 부하에서 평균값을 뺀 변동값과 왼쪽편에 있는 변전소와의 전압차 관계를 나타낸 것으로 상관계수가 0.65로 나오며, 아래 그림은 오른쪽 변전소와의 전압차 관계를 나타내며 상관계수가 0.72로 높게 나온다. 이러한 특성이 나타나는 원인은 변전소의 수전전압이 상대적으로 주변변전소보다 높아지면 직류로 공급되는 차량 부하 전력은 증가하고 그 반대의 경우는 줄어들기 때문이다. 이웃하는 변전소 외에 다른 변전소의 경우 상관계수의 차이는 있지만 차량 부하의 경우 전체적으로 수전전압에 영향을 받음을 확인 할 수 있다.

그림 5부하와 수전전압간의 산점도 Fig. 5 The scatter plot between the load and the received voltage

장기 또는 단기 부하예측에 있어서 환경변수 중 온도는 중요한 입력요소로 쓰인다. 그림 6은 온도와 부하와의 관계를 나타낸다. 왼쪽의 그림의 경우 전체 부하의 일간 평균 부하값과 온도와의 산점도를 나타낸다. 일정온도를 기준으로 양의 상관 관계와 부의 상관관계를 나타내는 V자 형태를 띠고 있다. 오른쪽 그림은 15분 간격의 온도와 변전소 부하와의 산점도를 나타내는데, 그림에서 알 수 있듯이 15분 단위 온도와 부하와의 관계는 상관관계가 거의 없음을 확인할 수 있다. 이러한 이유는 첫째, 초단기 예측의 경우 온도의 시정수가 부하 변화보다 느리기 때문이며, 두 번째는 도시철도의 경우 순간순간 바뀌는 변전소의 수전전압에 의해 부하 공급 전력이 크게 바뀌기 때문이다[12]. 따라서 이러한 특성을 고려하여 온도 변수는 본 연구의 입력변수에서 생략 하기로 한다.

그림 6온도와 부하간의 산점도 Fig. 6 The scatter plot between the load and the temperature

 

3. 부하 예측모델

기존의 신경망 모델을 기초로 하는 부하예측은 식 (1)과 같이 나타낼 수 있다[12].

여기서 t는 시간을 나타내며, Lt, ωt는 t 시점에서 관찰된 과거 부하와 온도와 같은 환경변수를 나타내며, 은 예측된 환경변수를 표현하며, εt+1은 불확정 부하(random load)를 의미한다. 비선형 함수 f는 신경망 모델에 의해 만들어지는 근사화 함수이며, 식 (1)에서 부하와 환경변수의 상관성이 거의 없어서 무시해도 될 경우에는 식 (2)와 같이 간략화 할 수 있다.

본 연구에서 제안하는 모델은 식 (3)과 같이 나타낼 수 있다.

여기서 θt는 t시점에서 대상변전소의 부하와 주변변전소의 부하를 나타내는 벡터이며, f1은 과거 부하에 대해 유사성을 판별하여 유사 부하값()을 결정하는 비선형 모델이며, f2는 신경망 모델에 의해 근사화하는 보정 모델식으로 θt의 오차에 기인하는 출력오차(ΔCt+1 )를 보정한다.

부하 유사성을 활용한 방법들은 대개 과거 부하패턴 이외에 환경변수인 온, 습도 또는 불쾌지수를 유사성을 판별하는 요소로 활용하는 반면에, 본 연구에서는 예측 대상변전소의 주변변전소 전력패턴을 유사성 판별요소로 활용하여 부하의 예측 능력을 높이고자 한다. 그림 5에서 확인한 바와 같이, 차량 부하의 경우 수전전압에 의해 서로 영향을 미치고 있으므로, 이러한 관계를 예측모델에 포함하기 위해 주변변전소의 전력 사용량 변화를 유사성 판별요소로 활용한다.

그림 7은 본 논문에서 제시하는 부하예측 방법에 대한 전체 흐름도를 보인다. 예측 시점에서 과거 p시점까지의 대상변전소와 주변변전소의 부하패턴을 과거의 같은 시점 부하 패턴과 비교하여 가장 유사한 부하들을 선택하는데, 본 연구에서는 가중치를 가진 유클리드 놈을 사용한다. 이때 유사판별의 기준값으로 D를 계산하며, 계산된 결과에서 가장 작은 값들을 선택하여 유사부하를 결정한다. 이렇게 결정된 유사부하는 좋은 예측값 이지만 조건들의 차이에 인해 기인하는 결과 오차를 보정하면 더 좋은 예측값을 얻을 수 있다. 유사부하와 보정값을 더하면 구하려고 하는 최종 예측값을 얻을 수 있다. D의 계산과 보정치 계산에 관한 것들은 3-1, 3-3절에서 설명한다.

그림 7예측 모델 흐름도 Fig. 7 Flowchart of the forecasting model

3.1 유사부하 선택

유사 부하를 선택하기 위한 입력 변수 선정은 크게 3가지 과정을 거친다[12]. 첫째, 입력변수와 출력변수와의 모수 상관계수 계산하여 상관성이 많은 변수를 선택한다. 둘째, 이상치 분해(Singular Value Decomposition)를 활용하여 선택된 변수들 사이에 중복여부를 검출한다. 셋째, 중복변수 제거를 위해 QR분해를 활용하여 중복 변수를 제거하고 최적의 입력 집합을 선정하였다.

시계열 분석에서 과거 데이터는 미래를 예측하기 위한 기본 자료로 사용된다. 일일부하가 비슷한 패턴을 보이는 부하의 경우, 현재 시점에서 바로 다음 시점을 예측하기 위해 참고하는 과거 부하는 일반적으로 가정 가까운 이전 시점 부하를 참조하게 되는데, 예를 들어 바로 전날의 부하나 일주일 전의 부하를 선택하면 어느 정도의 유사한 부하를 선택할 수 있을 것이다. 그러나 이처럼 단순히 하루 전이나 일주일 전의 부하를 선택하는 것은 엄밀성이 떨어지는 방법이다. 본 연구에서는 부하예측의 신뢰성을 높이기 위해 유사 부하로서 과거 같은 시점의 조건들과 현재의 조건을 비교하여 가장 유사한 부하를 선택한다. 이러한 유사성 판별을 위해 본 논문에서는 식 (4)와 같이 조건들에 대해 가중치를 가진 유클리드 놈을 활용한다.

여기서, d는 과거의 같은 시점을 나타내며, 는 현재 t 시점의 예측대상 변전소의 부하이며, 은 예측하려고 하는 변전소에서 공간적으로 오른쪽 n번째에 위치한 변전소의 부하이고, 는 왼쪽 m번째에 위치한 변전소 부하를 표현한 것이다. p는 시간지연을 Wi는 가중치를 나타낸 것이며, 예측하려고 하는 변전소의 부하와 이웃한 변전소의 부하들의 패턴을 인자로 하여 일정한 가중치를 곱하여 유클리드 놈을 계산한다. 이때 가장 유사한 부하일수록 D값이 작아지며, 가장 작은 D값에 해당하는 날짜의 t+1 시점의 부하를 유사부하로 선택하여 부하예측을 수행한다.

그림 8은 바로 전날의 부하를 유사부하로 선택하였을 때와 본 논문에서 제시하는 방법으로 선택된 유사부하를 비교하기 위해 산점도로 나타낸 것이다. 상단 그림은 바로 전날을 유사부하로 선택하였을 경우로서 실제부하와의 상관계수가 0.83으로 계산되고, 하단 그림은 이 논문에서 제시된 방법을 사용하였을 경우로 상관계수가 0.97로서 유사성이 훨씬 높아짐을 확인할 수 있다.

그림 8유사부하 선택의 산점도 Fig. 8 Scatter plot of the similar load selection

3.2 변전소 가중치 결정

식 (4)에서 인자들에 곱해지는 가중치(W)를 구하기 위해서 회귀법(regression method)을 활용한다. 선택인자의 오차가 적으면 실제부하와 유사부하의 오차가 적어진다는 가정에서 시작하므로 이와 같은 내용을 수식으로 정리하면 식 (5)와 같다.

여기서, Δθ=θ−θd를 나타내며, Lt+1는 예측하려고 하는 변전소의 t+1 시점의 실부하이고 은 유사부하를 나타낸다. n개의 날짜만큼의 자료에 대해 m개의 인자를 가지고 모델링을 한다면 (n−1)×m의 행렬 형태로 정리되므로 식 (6)과 같이 행렬식에 대한 최소자승법의 해로 변전소와 시간에 대한 가중치를 얻을 수 있다.

3.3 예측치 보정

유사부하()는 그 자체로 좋은 예측치가 되지만 유사부하 판별에 사용된 인자들의 차이에서 발생하는 예측 오차를 보정하는 것이 필요하다. 식 (3)의 비선형 모델인 f2를 구하는 과정으로 식 (4)의 가중치를 구하는 과정과 유사한데, 가중치를 구할 때는 과거 모든 같은 시점의 부하를 유사부하로 가정하여 인자들에 곱해지는 가중치를 구한 반면, 본 과정에서는 실제 선택된 유사부하만을 가지고 선택인자 오차와의 관계를 나타내는 모델을 사용하여 예측치 보정을 처리하는 것이다. 이것은 선택인자들의 오차를 입력으로 하고 실제부하와 유사부하와의 차를 출력으로 놓고 입출력 관계를 설명하는 적절한 선형 또는 비선형 모델을 만드는 과정이며 본 연구에서는 입력층-은닉층-출력층을 가지는 피드포워드 신경망 모델을 사용한다. 여기서 입∙출력은 유사부하를 선택하는 과정에서 발생한 입∙출력 오차이다. 기존의 신경망 모델을 이용한 부하예측법의 경우 과거의 모든 유사부하 패턴을 입력으로 하기 때문에 학습 과정에 많은 시간이 필요하고 모델이 복잡해지지만, 이 연구에서는 선택된 유사부하만을 가지고 신경망 모델을 만들기 때문에 모델 훈련시간을 크게 줄일 수 있다.

최적의 신경망 모델의 핵심은 은닉층의 뉴런의 개수를 결정하는 것이다. 은닉층 뉴런의 개수가 너무 작으면 모델의 성능이 저하되고, 이와 반대로 너무 많은 뉴런을 설정하게 되면 데이터의 잡음까지 모델링 되어 다른 입력이 들어올 경우 큰 오차를 유발한다. 또한 뉴런의 개수는 훈련시간에도 많은 영향을 미친다. 기존 연구에서 은닉층의 뉴런의 개수는 입력층 개수의 2/3정도 (또는 70%∼90%) 정도로 설정하는 것을 권하고 있다[13]. 본 연구에서는 최적의 뉴런 개수를 구하기 위해 “K-fold cross-validation” 알고리즘을 사용하여 뉴런 개수를 설정한다[14]. 또한 예측 오차를 줄이기 위해 부하 패턴이 상이한 3가지 시간대를 구분하여 각각 신경망을 구성하며 이렇게 구성된 신경망의 예시로 신연수변전소를 대상으로 구성된 신경망은 표 1과 같다. 평일 운행시간대는 전동차의 시간간격이 짧고 이동열차가 많기 때문에 부하의 변동이 큰 특징이 있고, 주말과 공휴일 운행시간대 경우는 전동차의 시간간격이 길고 이동열차가 상대적으로 적기 때문에 부하의 변동폭이 크지 않다. 비운행시간대에는 전동차의 운행이 정지된 상태이기 때문에 이 기간에는 고배용 부하의 변동이 가장 큰 영향을 미친다.

표 1신경망 설계 파라메터 Table 1 Design Parameter for the neural network

 

4. 실험 및 결과

제안된 모델의 예측성능을 평가하기 위해 3가지 경우에 대하여 시뮬레이션을 시행한다. 사용된 데이터는 2010년 1월부터 2013년도 12월까지 4년간의 인천지하철 7개 수전변전소의 전력량 데이터[15]를 활용하고, 2013년 부하에 대한 예측을 수행하며, 실험환경은 윈도우O/S 기반 인텔 프로세서 i5-2500 CPU(3.3GHz) 조건하에서 Matlab을 활용하여 시뮬레이션을 실시한다.

Case1) 단순 회귀모델 : 기존방법Case2) 시간대 구분 없는 신경망 보정 모델Case2) 시간대 구분 없는 신경망 보정 모델

모델의 예측성능을 수치로 비교하기 위해 식 (7)에 표현된 MAPE(Mean Absolute Percentage Errors)를 지표로 사용한다.

여기서 L(t)는 실부하이고 은 예측값이며, N은 사용된 표본의 개수이다. 예측오차에 대한 정량적 수치를 측정하기 위해 MAE(Maximum Absolute Error)를 사용하며 식 (8)과 같다.

4.1 유사부하 선택 결과

유사일을 선택할 때 단순히 한 개를 설정하는 것보다 다수 개를 설정하는 것이 유리한데 그 이유는 가장 유사한 조건일지라도 예외적인 부분에서의 이상치를 나타내는 경우가 발생하기 때문이다. 본 연구에서는 상관 부하를 12개 선택하여 가장 큰값과 가장 작은 값을 제외한 나머지 값에 대한 평균값을 기준으로 유사부하를 선정하였다. 그림 9는 식 (4)에서 D값이 가장 작은 하나만을 선택한 경우와 다수를 선택하여 평균값을 유사부하로 선택한 경우의 산점도를 나타내며, 상관계수는 0.95에서 0.97로 개선됨을 볼 수 있다.

그림 9유사부하 선택 개수 Fig. 9 Number of the selected similar loads

4.2 실험 결과

표 2는 7개 수전변전소의 각각의 모델에 대한 MAPE 결과값을 표시한다. Case1보다 Case2,3 모델이 모든 변전소에서 예측성능이 개선되며, Case2와 3은 거의 비슷하지만 Case3에서 미세하게 오차가 줄어든다는 것을 확인할 수 있다. *표시가 있는 변전소는 그림 1에서 설명한 C변전소와 같이 연락변전소에 전력을 공급하는 변전소이며, 이러한 변전소에서 더 좋은 결과를 얻을 수 있었다. 그 이유는 공급하는 전력이 크기 때문에 개별 부하(환기설비, E/V, E/S)와 같은 비주기적인 부하의 변동에도 전체 부하의 변동폭은 상대적으로 크지 않기 때문이다. 동춘 변전소의 경우 공급전력이 가장 작은 변전소로 개별 부하의 변동이나 전압변동에 의한 전력변화에 의한 영향을 크게 받기 때문에 예측오차도 크게 나오는 것으로 판단된다. 말단에 위치한 기지변전소와 센트럴변전소의 결과가 상대적으로 좋게 나왔는데 위치상 수전전압의 변동에 의한 부하변동이 상대적으로 작기 때문이라 판단된다. 계산상 이점으로 인해 과거의 평균값을 예측값으로 사용하는 경우도 있는데, 표 2에 이전 3년의 평균값에 대한 MAPE를 나타내었다. 도시철도와 같이 부하 변동성이 큰 경우 과거 평균값과 실제값의 오차가 매우 크게 나타남을 볼 수 있다.

표 22013년도 MAPE Table 2 MAPE in 2013 Unit[%]

표 3은 주변변전소의 전력패턴을 모델에 포함시켰을 때의 MAPE의 변화를 보여준다. 모든 변전소에서 주변변전소의 전력패턴을 포함하였을 경우 그렇지 않은 경우보다 0.1∼0.4% 정도 오차가 줄어드는 결과를 나타냈다. 말단 변전소 보다는 중간에 위치한 변전소에서 더 큰 영향을 받으며 대상 변전소로부터 좌, 우측으로 2∼3개 정도의 변전소를 입력으로 설정하였을 때 가장 좋은 결과를 보였다.

표 3주변변전소 전력패턴 영향 Table 3 Load pattern effect of neighbor substations Unit[%]

표 4는 최대전력의 적용시간인 9시∼23시의 7개 변전소에 대한 MAE를 나타내었다. 표 2와 마찬가지로 Case2,3에서 Case1보다 작게는 284[kW]부터 많게는 747[kW]까지 MAE를 줄였으며, Case2와 Case3는 거의 비슷한 결과를 보였다.

표 42013년도 MAE Table 4 MAE in 2013 Unit[kW]

그림 10은 신연수 변전소에 대한 시간대별 예측결과를 도시한 것이다. Case1은 부하가 심하게 변하는 시간대에 오차가 커짐을 볼 수 있다. 이에 반해 Case2, 3은 부하의 변동이 심하게 일어나는 지점에서도 상대적으로 좋은 예측 결과를 보이고 있으며 주간시간대에도 굉장히 안정적인 예측치 결과를 보이고 있다.

그림 10시간대별 MAPE Fig. 10 Hourly MAPE

 

5. 결 론

본 논문에서는 직류 도시철도 부하의 일별 유사성을 이용하여 향후 15분 평균전력을 예측하는 기법을 제시하였다. 유사부하를 선정하기 위해 주변변전소의 부하패턴을 사용하여 예측오차를 줄였으며, 선택된 유사 부하값에 대한 보정을 위해 신경망 모델을 이용하여 보정값을 구하였다. 성능개선을 위해 부하패턴이 다른 3가지 시간대를 나누어 각각 보정 모델을 만들었다. 모델의 유용성을 판별하기 위해 인천지하철 1호선의 4년간의 전력데이터를 활용하여 시뮬레이션을 수행하였으며, 간단한 회귀모델과 비교해 본 결과 1.4∼3.4% 오차를 줄일 수 있었다. 보정 모델의 경우, 시간대를 구분하여 각각 모델을 세우는 것이 0.01∼0.19% 예측성능이 개선됨을 확인하였다. 주변변전소의 전력패턴을 포함한 모델은 부하 변동이 급격히 바뀌는 곳에서 단순 회귀모델보다 상대적으로 우수한 성능을 나타냈으며 모델 예측성능이 신뢰성 있게 나타남을 확인할 수 있었다. 본 논문에서 제시된 방법을 적용하는 시뮬레이션을 통해 계통 내 모든 변전소에서 예측성능이 개선됨을 확인하였으며, 주변변전소의 전력패턴을 모델에 이용하는 것이 0.13∼0.41% 오차 감소를 보였다. 본 연구를 활용하면 도시철도의 최대전력 관리를 위한 ESS 장치나 BESS같은 장치의 활용 및 운용에 도움이 될 것으로 기대된다.