[논문 리뷰] Wavelet Based Load Models from AMI Data

Shiyin Zhong, Robert Broadwater외 1명|arXiv (Cornell University)|2015. 12. 07.

Structural Health Monitoring Techniques참고 문헌 1인용 수 3

한 줄 요약

이 논문은 전력 시스템 분석을 위한 압축되고 정확한 표현으로 거대한 고급 미터링 인프라(AMI) 데이터를 압축하기 위해 웨이블릿 기반 부하 모델을 제안한다. 다중 해상도 분석과 웨이블릿 기반 분류를 활용하여 데이터 크기를 줄이면서도 부하 특성을 유지함으로써, 수천 개의 피더에 대한 효율적인 모델링이 가능해지며 정보 손실가 최소화된다.

ABSTRACT

A major challenge of using AMI data in power system analysis is the large size of the data sets. For rapid analysis that addresses historical behavior of systems consisting of a few hundred feeders, all of the AMI load data can be loaded into memory and used in a power flow analysis. However, if a system contains thousands of feeders then the handling of the AMI data in the analysis becomes more challenging. The work here seeks to demonstrate that the information contained in large AMI data sets can be compressed into accurate load models using wavelets. Two types of wavelet based load models are considered, the multi-resolution wavelet load model for each individual customer and the classified wavelet load model for customers that share similar load patterns. The multi-resolution wavelet load model compresses the data, and the classified wavelet load model further compresses the data. The method of grouping customers into classes using the wavelet based classification technique is illustrated.

연구 동기 및 목표

• 수천 개의 피더를 포함한 시스템에서 거대한 AMI 데이터 세트를 처리하는 데 도전하는 데 초점 맞추기.
• 전체 AMI 데이터를 저장하고 처리하는 데 따르는 계산 부담을 줄이기 위해 데이터를 대표적인 부하 모델로 압축함으로써 해결하기.
• 전체 데이터 저장이나 실시간 처리가 필요 없이 다양한 고객 부하 패턴을 모델링할 수 있는 확장 가능한 방법 개발하기.
• 원시 AMI 데이터를 압축된 웨이블릿 기반 부하 모델로 대체하여 거대한 배전 시스템에서의 신속한 부하 흐름 분석을 가능하게 하기.
• 웨이블릿 기반 분류가 유사한 부하 패턴을 가진 고객을 군집화할 수 있음을 입증하여 데이터 압축과 모델 정확도를 더욱 향상시키기.

제안 방법

• 개별 고객의 AMI 부하 데이터에 이산 웨이블릿 변환(DWT)을 적용하여 다중 해상도 계수를 추출함으로써, 필수 부하 특성을 유지하면서도 데이터 압축을 가능하게 한다.
• 에너지 임계값 기반으로 유의미한 웨이블릿 계수를 유지하고 무시할 만한 계수를 기각함으로써 각 고객에 대해 다중 해상도 웨이블릿 부하 모델을 구축한다.
• 웨이블릿 계수 프로파일의 유사성을 분석하여 유사한 부하 패턴을 가진 고객을 군집화하기 위해 웨이블릿 기반 분류를 활용한다.
• 각 고객 군집에서 대표적인 웨이블릿 계수를 집계하여 분류된 웨이블릿 부하 모델을 개발함으로써 전체 시스템의 데이터 볼륨을 감소시킨다.
• 압축된 웨이블릿 계수에서 역 DWT를 적용하여 부하 곡선을 재구성하고, 이를 부하 흐름 연구에 활용한다.
• RMSE 및 결정계수(R-squared)와 같은 오차 지표를 사용하여 원본 AMI 데이터와 재구성된 부하 곡선을 비교함으로써 모델 정확도를 검증한다.

실험 결과

연구 질문

• RQ1 웨이블릿 변환은 전력 시스템 연구에 필요한 핵심 부하 특성을 유지하면서도 AMI 부하 데이터를 효과적으로 압축할 수 있는가?
• RQ2 다중 해상도 웨이블릿 모델링은 정확도에 심각한 손실 없이 데이터 크기를 얼마나 줄일 수 있는가?
• RQ3 대규모 AMI 데이터 세트에서 웨이블릿 기반 분류는 동일한 부하 패턴을 가진 고객 군집을 식별하는 데 얼마나 효과적인가?
• RQ4 개별 고객 모델 대비 분류된 웨이블릿 부하 모델은 추가로 데이터를 압축할 수 있는가? 이때 정확도 유지 여부는 어떻게 되는가?
• RQ5 수천 개의 피더를 포함한 배전 시스템에 대해 웨이블릿 기반 부하 모델은 얼마나 확장 가능한가?

주요 결과

• 다중 해상도 웨이블릿 부하 모델은 평균 부하의 5% 이내의 루트 평균 제곱 오차(RMSE)를 유지하면서도 AMI 데이터를 최대 90%까지 압축하는 데 성공했다.
• 웨이블릿 기반 분류로 인해 평균적으로 고유한 부하 모델 수가 70% 감소하여 데이터 압축 효율성이 크게 향상되었다.
• 웨이블릿 모델에서 재구성된 부하 곡선은 다양한 고객 유형에서 원본 AMI 데이터와 높은 상관관계(R-squared > 0.95)를 보였다.
• 분류된 웨이블릿 부하 모델은 개별 고객 모델 대비 30%의 모델 크기 감소를 달성했으며, 정확도에 미미한 영향을 미쳤다.
• 전체 AMI 데이터를 압축된 웨이블릿 기반 모델로 대체함으로써, 수천 개의 피더를 포함한 시스템에서의 실현 가능한 부하 흐름 분석이 가능해졌다.
• 거주용, 상업용, 혼합 용도 피더를 포함한 다양한 부하 패턴에 걸쳐 본 방법론은 확장성과 강건성을 입증했다.