Identification and Visualization of Correlation Structures in Large-Scale Power Quality Data

1. 문제 제기 (Problem Statement)

• 데이터의 복잡성: 대규모 전력 품질 (PQ) 측정 캠페인은 방대한 양의 다변량 데이터를 생성하지만, 기존 분석 기법으로는 이러한 데이터 내의 체계적인 의존성을 식별하기 어렵습니다.
• 분석의 한계: 수많은 파라미터와 측정 지점의 조합으로 인해, 특정 파라미터 간의 관계나 지점 간의 상관관계를 수동으로 파악하는 것은 비효율적이며, 중요한 패턴을 놓칠 수 있습니다.
• 시간적 변동성: 상관관계가 측정 기간 전체에 걸쳐 일정하다고 가정하는 것은 오해를 불러일으킬 수 있으며, 일별 변동성을 고려한 정교한 분석이 필요합니다.

2. 방법론 (Methodology)

이 논문은 기존 장기 측정용 프레임워크를 단기간 측정 데이터에 적용하고, 집계 및 거리 기반 시각화 기법을 강화한 새로운 방법론을 제시합니다.

• 상관 계수 계산:

  • 스피어만 순위 상관 계수 (Spearman Rank Correlation): 선형 관계뿐만 아니라 단조 증가/감소 관계를 포착하기 위해 비모수적 방법인 스피어만 계수를 사용합니다.
  • 일별 상관 및 피셔 변환 (Fisher's z-transformation): 측정 기간 동안의 상관관계가 일정하지 않을 수 있으므로, 먼저 일별 상관 계수를 계산합니다. 이후 일별 계수들의 평균을 구할 때, 상관 계수 분포의 비선형성을 보정하기 위해 피셔 z-변환을 적용하여 평균화합니다.
  • 위상 및 파라미터 집계: 위상별 (L1-L1, L1-L2 등) 상관 계수를 하나의 대표 계수로 통합하여 파라미터 쌍당 하나의 상관 행렬을 생성합니다.

• 대규모 상관 집합의 집계 (Aggregation):

  • 다수의 측정 지점 (85 개) 에서 생성된 상관 행렬들을 통합하기 위해 **집계 행렬 (Aggregation Matrix)**을 정의합니다.
  • 임계값 ($\tau_r \ge 0.7$) 을 적용하여 유의미한 상관관계가 발생한 빈도 (비율) 를 계산합니다. 이는 특정 파라미터 쌍이 전체 지점에서 얼마나 일관되게 상관관계를 보이는지 나타냅니다.

• 시각화 및 구조 식별:

  • 거리 변환: 상관 행렬을 클러스터링과 시각화에 적합한 거리 행렬 ($D_{ij} = 1 - A_{ij}$) 로 변환합니다.
  • 계층적 클러스터링 (Hierarchical Clustering): 평균 연결 (average-linkage) 기준을 사용하여 파라미터 간의 상관 구조를 덴드로그램 (Dendrogram) 으로 시각화합니다.
  • 다차원 척도법 (Multidimensional Scaling, MDS): 고차원 상관 구조를 2 차원 공간에 투영하여 파라미터 또는 측정 지점 간의 유사성을 기하학적으로 표현합니다.

3. 주요 기여 (Key Contributions)

• 단기간 데이터 분석 프레임워크: 기존 장기 측정용 방법을 단기간 측정 데이터에 적응시키고, 일별 변동성을 고려한 통계적 평균화 기법을 도입했습니다.
• 자동화된 상관 구조 식별: 복잡한 다변량 데이터에서 체계적인 의존성을 자동으로 발견하고 평가하는 체계적인 방법론을 제시했습니다.
• 고급 시각화 기법 적용: 계층적 클러스터링과 MDS 를 결합하여 대규모 상관 행렬을 직관적으로 해석할 수 있는 도구로 변환했습니다.
• 실증 데이터 기반 검증: 독일 송전망 (110kV, 220kV, 380kV) 의 85 개 측정 지점, 50 개 변전소, 30 일간의 실제 데이터를 활용하여 방법론의 유효성을 입증했습니다.

4. 결과 (Results)

• 파라미터 간 상관성:
  • 전압/전류 고조파: 총 고조파 왜곡 (Uthd/Ithc) 은 주로 5 차 (U05/I05) 및 7 차 고조파와 강한 상관관계를 보였습니다.
  • 고차 고조파: 9 차, 15 차 등 고차 고조파는 다른 파라미터와의 체계적인 상관관계가 낮거나 국소적으로만 나타났습니다.
  • 플리커: 전압 플리커 (Upst) 는 전류 품질 파라미터와 강한 상관관계를 보였습니다.
• 측정 지점 간 상관성 (공간적 전파):
  • 그룹화: 85 개 측정 지점은 상관성 패턴에 따라 3 개의 그룹으로 분류되었습니다.
    • 그룹 1: 다른 지점과 상관관계가 거의 없는 지점들.
    • 그룹 2: 220kV 및 380kV 초고압 (EHV) 계통에 위치하며, 상호 간에 20~60% 의 파라미터에서 상관관계를 보이는 지점들.
    • 그룹 3: 110kV 고압 (HV) 계통에 위치하며, 상호 간에 40~75% 의 파라미터에서 강한 상관관계를 보이는 지점들.
  • 전파 현상: 3 차 전압 고조파 (U03) 와 플리커 (Upst) 는 네트워크 전체에 걸쳐 광범위하게 전파되는 경향이 있었습니다 (각각 47%, 33% 의 지점에서 유의미한 상관관계 확인).
  • 시각화: MDS 및 덴드로그램을 통해 전압 레벨별 (110kV, 220kV, 380kV) 군집이 명확하게 구분됨을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 시스템 이해도 향상: 저차 고조파와 플리커가 네트워크 전체에 걸쳐 공간적 상관관계를 가지지만, 고차 고조파는 국소적임을 규명하여 전력 시스템의 동작 특성을 심층적으로 이해하는 데 기여했습니다.
• 측정 캠페인 최적화: 높은 상관관계를 보이는 중복 측정 지점을 식별함으로써, 향후 측정 캠페인의 효율성을 높이고 비용을 절감할 수 있는 근거를 제공합니다.
• 근본 원인 분석 지원: 비정상적인 동작의 근본 원인을 분석하고, 특정 현상이 네트워크를 통해 어떻게 전파되는지 평가하는 데 강력한 도구가 됩니다.
• 향후 연구 방향: 상관 기반 세분화를 통해 시간적 변화, 운영 구간 (operational regimes), 유사한 전력 품질 행동을 보이는 기간을 식별하는 방향으로 연구가 확장될 예정입니다.

이 논문은 대규모 전력 품질 데이터의 복잡성을 해결하기 위해 통계적 집계와 고급 시각화 기법을 결합한 실용적인 프레임워크를 제시함으로써, 전력 시스템 운영 및 계획에 중요한 통찰력을 제공합니다.