고임피던스 고장 탐지를 위한 SVM 기반 고속 진단 기법

본 논문은 전력 배전망에서 고임피던스 고장(HIF)을 신속하고 정확하게 탐지·식별·격리하기 위한 데이터 기반 방법론을 제시한다. 서론에서는 HIF가 전압·전류 비선형·비대칭·간헐적 특성을 가지며, 전류 크기가 일반 부하 전류와 유사해 기존 과전류 보호로는 검출이 어려운 현실을 강조한다. 또한 기존 연구들을 시간·주파수·하이브리드·지식 기반 등으로 분류하고, 각 방법의 한계(신호 주입에 의한 전력 품질 저하, 고가의 PMU 필요, 높은 연산 복잡도 등)를 지적한다. 2절에서는 HIF의 물리적 특성을 정리하고, 시뮬레이션을 위한 HIF 모델을 상세히 설명한다. 모델은 두 개의 가변 DC 전압원(Vp, Vn)과 가변 저항(Rp, Rn)으로 구성되어 아크 재점화·소멸, 비대칭 전류, 랜덤 저항 변동을 재현한다. 파라미터는 Vp = 1 kV ± 10 %, Vn = 0.5 kV ± 10 %, Rp,Rn = 1‑1.5 kΩ 로 설정하고, 60 Hz 사인파와 결합해 실제 고장 전류 파형을 생성한다. 시뮬레이션 결과는 전류가 낮고 불규칙하며, 전압‑전류(V‑I) 특성이 비선형 곡선을 그리는 것을 보여준다. 3절에서는 데이터 기반 진단 기법의 이론적 배경을 제시한다. PCA는 정상 데이터의 공분산 행렬을 SVD로 분해해 주요 성분을 추출하고, Hotelling T² 통계량을 이용해 이상을 감지한다. 그러나 클래스 구분력이 약하므로 FDA를 도입한다. FDA는 클래스 간 평균 차이를 최대화하고 클래스 내 분산을 최소화하는 변환 벡터를 계산해, 고장·정상 데이터를 보다 명확히 구분한다. 마지막으로 서포트 벡터 머신(SVM)은 이진 분류와 다중 클래스 분류로 나뉘며, 커널 함수(주로 RBF)를 사용해 비선형 경계를 학습한다. 이진 SVM은 HIF 존재 여부를 판단하고, 다중 클래스 SVM은 고장 유형(파손·비파손) 및 고장 위치(노드 번호)를 동시에 예측한다. 4절에서는 IEEE 13‑node 배전망에 제안된 알고리즘을 적용한 실험 결과를 제시한다. 시뮬레이션은 다양한 부하 조건(0.5‑1.5 pu)과 12개 노드에서의 HIF 발생을 포함한다. 각 알고리즘별 정확도, 탐지 지연, 오탐률을 비교했으며, 다중 클래스 SVM이 98 % 이상의 정확도와 평균 2.5 ms 이하의 탐지 지연을 기록, PCA와 FDA는 각각 85 %·90 % 수준에 머물렀다. 부하 변동에 대한 민감도 시험에서도 다중 클래스 SVM은 성능 저하가 미미했으며, 이는 고장 특성이 부하와 독립적으로 학습된 모델 덕분으로 해석된다. 또한, 제안된 흐름을 임베디드 시스템에 구현할 경우, 연산량이 비교적 낮아 실시간 보호 장치에 적용 가능함을 논의한다. 5절에서는 연구의 결론과 향후 과제를 제시한다. 데이터 기반 접근법이 HIF 탐지에 높은 신뢰성을 제공함을 확인했으며, 특히 다중 클래스 SVM이 고장 위치까지 식별하는 데 효과적임을 강조한다. 그러나 현재는 시뮬레이션 데이터에 의존하고 있어 현장 실험이 필요하고, PMU·스마트 미터와 같은 고해상도 데이터와 온라인 학습을 결합한 적응형 모델 개발이 향후 연구 방향으로 제시된다.