배전망 상태 추정을 위한 과거 인식 앙상블 칼만 필터 방법

** 본 논문은 전력 배전망에서 실시간 상태 추정을 수행하기 위한 새로운 방법론인 Past‑Aware State Estimation(PASE)를 제안한다. 배전망은 전송망에 비해 버스 수가 많고 측정 장치가 제한적이며, 기존의 스냅샷 기반 가중 최소제곱(WLS) 방식은 충분한 PMU 데이터가 없을 경우 해의 유일성이 보장되지 않는다. 이러한 문제를 해결하고자 저자들은 두 가지 핵심 요소를 결합한다. 첫 번째는 과거에 추정된 상태 정보를 현재 추정에 반영하는 ‘과거 인식’ 개념이다. 이는 시간 연속성을 활용해 부하 변동을 보다 정확히 예측하게 한다. 두 번째는 앙상블 칼만 필터(EnKF)를 이용한 데이터 동화이다. EnKF는 상태 공분산을 직접 계산하지 않고, 다수의 샘플(ensemble)로 확률분포를 근사함으로써 비선형 시스템에 강인하고, 측정 데이터와 예측 모델을 순차적으로 결합한다. 논문은 먼저 배전망의 기본 가정과 시스템 모델을 정의한다. 배전망은 3상 균형, 라디얼 토폴로지를 갖는 것으로 가정하고, 변압기 버스 집합 I와 브랜치 집합 B로 표현한다. 측정은 두 종류로 구분한다. (1) PMU 측정: 선택된 버스 S에 설치된 PMU가 전압 크기와 위상을 실시간(ΔT)으로 제공한다. (2) 가짜 측정(pseudo‑measurement): 모든 버스에 대해 일일 예측된 활성·무효 전력(P, Q)을 제공한다. 가짜 측정은 시간 간격 ΔT′(≫ΔT)으로 업데이트되며, 오차는 평균 0, 분산이 알려진 정규분포로 가정한다. 다음으로 기존의 SoA 방법인 WLS 기반 DSSE를 설명한다. WLS는 비선형 목적함수 J(y) = (z − f(y))ᵀ Σ⁻¹ (z − f(y))을 최소화한다. 여기서 z는 PMU와 가짜 측정값을 포함한 관측 벡터, f(y)는 상태 y와 관측 사이의 비선형 매핑, Σ는 관측 오차 공분산이다. 이 방법은 측정이 충분히 풍부할 때 최적 성능을 보이지만, 배전망에서는 측정이 희소하고 가짜 측정의 품질이 낮아 성능이 제한된다. PASE는 이러한 한계를 극복하기 위해 부하 진화 모델을 도입한다. 각 버스 i에 대해 활성 전력 Lₚᵢ(t)와 무효 전력 L_qᵢ(t)의 시간 차 ΔLₚᵢ(t)=Lₚᵢ(t)−Lₚᵢ(t−ΔT), ΔL_qᵢ(t)=L_qᵢ(t)−L_qᵢ(t−ΔT)를 정규분포(평균 0, 분산 σₚᵢ², σ_qᵢ²)로 모델링한다. 이 모델은 실제 가구 전력 사용 데이터를 통해 경험적으로 추정되며, 부하 변화의 통계적 특성을 EnKF의 예측 단계에 반영한다. EnKF 기반 PASE의 알고리즘은 다음과 같다. (1) 초기 ensemble X₀를 ‘베스트‑guess’ 상태 추정값에 오차 잡음을 추가해 생성한다. (2) 예측 단계: 각 ensemble 멤버를 부하 진화 모델에 따라 시간 전진한다(Equation 3). (3) 동화 단계①: 가짜 측정(예측 부하)과의 차이를 이용해 ensemble을 업데이트한다(Equation 11). (4) 동화 단계②: PMU 실측값과의 차이를 이용해 최종 업데이트를 수행한다(Equation 13). (5) 현재 시간 단계의 상태 추정값은 ensemble 평균 ˜xₖ=E