현실감 있는 합성 PMU 데이터 생성을 위한 핵심 특징 분석

초록

본 논문은 실제 현장 PMU 측정값과 유사한 합성 데이터를 만들기 위해 반드시 포함해야 할 주요 특성들을 규명한다. 전력계통의 무작위 동작, 진동 성분, 그리고 결함 데이터(패킷 손실·이상값)의 통계적 분포를 분석하고, 이러한 요소들을 합성 데이터에 반영함으로써 연구 결과의 현실성을 크게 향상시킬 수 있음을 제시한다.

상세 분석

논문은 먼저 PMU(Phasor Measurement Unit) 데이터가 갖는 고유한 통계적 특성을 정량화한다. 전력계통 운영 중 발생하는 무작위 부하 변동과 발전기 출력 변동은 위상각·전압·주파수 등 기본 파라미터에 비정상적인 변동성을 부여한다. 이러한 변동성은 일반적인 가우시안 잡음 모델로는 충분히 설명되지 않으며, 실제 데이터에서는 멀티모달 분포와 장기적인 트렌드 변화가 관찰된다. 또한, 전력계통 고유의 저주파·고주파 진동(예: 전압·전류의 서브시스템 간 상호작용에 기인한 동기 진동, 비동기 진동)은 스펙트럼 상에서 뚜렷한 피크를 형성한다. 논문은 이러한 진동 성분을 파라메트릭하게 모델링하기 위해 ARMA 기반의 스펙트럼 합성 기법과, 실제 측정된 진동 모드의 확률적 매개변수를 활용한다.

데이터 결함 측면에서는 패킷 손실, 센서 고장, 통신 지연 등으로 인한 결측값과 이상값이 실제 PMU 스트림에 빈번히 나타난다. 저자들은 결측 데이터가 단순히 무작위가 아니라 특정 시간대(예: 부하 급증 시점)와 연관된 패턴을 보임을 통계적으로 입증한다. 따라서 합성 데이터 생성 시 이러한 결함을 무작위 삽입이 아니라, 실제 운영 상황과 연계된 확률 모델을 통해 재현해야 한다는 점을 강조한다.

마지막으로, 대규모 합성 데이터셋을 구축할 때는 위에서 언급한 무작위 동적 변동, 진동 스펙트럼, 결함 패턴을 각각 독립적으로 혹은 상호 연관성을 고려하여 조합한다. 이를 통해 생성된 데이터는 기존 연구에서 사용된 이상적인 ‘깨끗한’ 데이터와는 달리, 실제 전력계통 분석에서 마주치는 복합적인 불확실성을 포함한다. 이러한 접근은 머신러닝 기반 전력계통 상태 추정, 이상 탐지, 제어 전략 검증 등에 있어 과대평가된 성능을 방지하고, 실용적인 알고리즘 개발을 촉진한다.