주거 부하 시공간 가시성 향상

본 논문은 배전망에서 급증하는 분산 에너지 자원(DER)과 전기차(EV) 충전 등으로 인해 요구되는 고해상도 부하 정보 확보 문제를 다룬다. 기존의 스마트미터는 거의 모든 가구에 설치돼 있지만 15분~1시간 간격의 평균값만 제공해 급변하는 부하를 포착하지 못한다. 반면, 배전용 동기 위상계측기(D‑PMU)는 초당 수십 회의 고속 전력·위상 데이터를 제공하지만 설치 비용 때문에 몇몇 지점에만 배치된다. 두 센서의 장점을 결합해 부하 행렬 P(N×T)를 복구하고자 한다. 1. **시스템 모델** - 부하 행렬 P는 N개의 가구와 T개의 시간 슬롯(분 단위)으로 구성된다. - 스마트미터 데이터 Y는 시간 평균 연산 행렬 A( T×Ts )를 통해 P·A + 노이즈 EY 로 모델링한다. 여기서 Ts = T/15는 15분 평균 샘플 수이다. - D‑PMU는 전체 부하의 합 z = 1ᵀ·P + 노이즈 Ez 로 측정한다(손실 무시). 다중 D‑PMU가 있을 경우 1ᵀ를 일반 행렬로 대체 가능하다. 스마트미터와 D‑PMU의 관측 수는 N·Ts + T 로, 전체 변수 수 N·T 에 비해 현저히 적다. 따라서 추가적인 구조적 가정이 필요하다. 2. **부하 행렬의 구조적 특성** - **저‑계수(Low‑rank) 특성**: 인근 가구들은 기후·가격 등 외부 요인에 의해 유사한 부하 패턴을 보인다. 특히 PV가 설치된 가구들은 일조량에 따라 비슷한 태양광 출력 곡선을 공유한다. 이러한 상관관계는 행렬 P의 행(가구) 간에 낮은 랭크 구조를 만든다. - **희소 변화(Sparse‑change) 특성**: 대형 가전·EV 충전 등은 시간적으로 급격히 변하는 직사각형 파형을 만든다. 이러한 이벤트는 전체 시간에 걸쳐 드물게 발생하므로 차분 연산을 적용하면 희소 행렬 D가 된다. 구체적으로 S = DU 로 표현하고, 차분 변환 W = U⁻¹(상삼각 행렬) 를 적용하면 X = P·W = K + D 로 저‑계수 K와 희소 D가 동시에 나타난다. 3. **복구 문제의 수학적 정식화** - 저‑계수 성분 K에 대해 핵노름 ‖K‖\* (특이값 합) 를 최소화하고, 희소 성분 D에 대해 L1‑노름 ‖D‖₁ 를 최소화한다. 두 정규화 항을 가중치 λ 로 조절한다. - 관측식은 차분 변환 후 Y = (K + D)·U·A + EY, zᵀ·W = 1ᵀ·(K + D) + Ez·W 로 표현된다. - 최종 최적화 문제는 ``` min_{K,D} ‖K‖* + λ‖D‖₁ s.t. -ξ_y ≤ Y - (K+D)UA ≤ ξ_y -ξ_z ≤ zᵀW - 1ᵀ(K+D) ≤ ξ_z ``` 로 정의되며, ξ_y, ξ_z 는 계측 정확도에 기반한 허용 오차이다. - 이 문제는 볼록이며, SDP, ADMM, 혹은 가속형 교대 최소화(Alternating Minimization) 등으로 해결 가능하다. 4. **편향 보정 사후 처리** L1 정규화는 D의 비영 원소를 정확히 식별하지만, 절대값을 축소시켜 편향을 만든다. 특히 여름철 주기적 HVAC 부하는 저‑계수에 일부 포함돼 D의 크기가 더 작게 추정된다. 이를 해결하기 위해: - (7) 로부터 비영 위치 집합 M = {(n,t) | |Ď_{n,t}|>0} 를 추출한다. - M 외의 원소를 0으로 고정하고 핵노름만 최소화하는 제약식(8) 로 재최적화한다. - 이렇게 하면 D의 비영 위치는 유지하면서 크기 편향을 크게 감소시킬 수 있다. 5. **이론적 관계와 파라미터 설정** - RPCA(robust PCA)와 유사하지만, 본 문제는 행·열 모두 차원 축소된 관측을 포함한다. 따라서 RPCA의 복구 조건(저‑계수는 희소하지 않아야 하고, 희소 성분은 저‑계수가 아니어야 함)을 참고해 λ 를 조정한다. - 실험적으로 λ ≈ 1~5 가 좋은 성능을 보이며, ξ_y, ξ_z 는 스마트미터·D‑PMU의 정격 오차(예: 0.5% ~ 1%)에 맞춰 설정한다. 6. **실험 및 결과** - 데이터: 텍사스 오스틴 지역 30가구(절반 PV) 1분 해상도 부하, PecanStreet Dataport 활용. - 시나리오: 겨울·여름 일일 부하, EV 충전 이벤트, HVAC 주기 부하 등. - 평가 지표: 평균 절대 오차(MAE), 이벤트 탐지 정확도, PV 출력 재구성 RMSE. - 주요 결과: * EV 충전 시점 변곡점 탐지 정확도 95% 이상. * PV 출력 재구성 RMSE 0.08 kW (기존 스마트미터 기반 대비 70% 감소). * 사후 처리 후 D의 편향이 30% 이상 감소, 특히 HVAC가 많은 여름날에서 큰 개선을 보임. - 파라미터 민감도 분석을 통해 스마트미터 비율, D‑PMU 설치 위치, 노이즈 수준에 따른 복구 성능 변화를 제시한다. 7. **한계점 및 향후 연구** - 주기적 HVAC 부하가 저‑계수와 희소성 사이 경계를 흐리게 하여 복구 정확도가 떨어지는 점. - 현재는 전압·전류·무효 전력 등 추가적인 측정 정보를 활용하지 않아 복구 한계가 존재한다. - 실시간 적용을 위한 알고리즘 가속화(예: 온라인 ADMM, 서브스페이스 추적)와 다중 센서 융합을 통한 성능 향상이 필요하다. **결론** 본 연구는 차분 변환을 통한 저‑계수+희소 구조 모델링, 핵노름·L1 정규화 기반 볼록 최적화, 그리고 비영 위치 기반 편향 보정 사후 처리라는 세 단계 접근법을 제시한다. 이를 통해 제한된 고속 센서와 저해상도 스마트미터 데이터를 동시에 활용해 주거 부하의 시공간 가시성을 크게 향상시킬 수 있음을 실험적으로 입증한다.