youngji-cho.github.io

임피던스(Impendence)

재생에너지 발전소 계통연계를 검토할때 종종 리액터 설치를 권고받는 경우가 있는데, 이는 발전소에서 계통연계점까지 발생하는 패런티 현상(Ferranti Effect) 때문이다.

교류병렬회로와 리엑턴스

임피던스는 Z의 공식은 저항과 리엑턴스를 통해 도출되고, 임피던스, 저항, 리엑턴스는 모두 $\Omega$를 쓴다.

앞선 포스팅에서 교류회로에서 R에 의한 기존저항 뿐만 아니라, L,C에 의해 일어서나는 위상차이(phase lag)로 인해서 일종의 허수저항인 리엑턴스(Reactance)가 발생한다. 인덕턴스(L)에서 발생하는 리엑턴스를 유도형 리엑턴스라고 하며, 캐파시턴스(C)에서 발생하는 용량형 리엑턴스라고 한다. 임피던스와 유도형 리엑턴스, 용량형 리엑턴스와의 관계는 아래와 같다.

RLC회로의 저항

RLC 회로는 교류회로의 가장 기본이 되는 회로다. 교류회로에서의 차이점은 L(인덕턴스),C(컨덴서)에 따라서 저항에 일종의 ‘복소수 저항’이 추가된다는 점이다. 이 저항을 임피던스(impedance)라고 한다.

RLC회로의 구성요소

교류회로에서 기본은 RLC회로이다. RLC회로는 저항(R,Resistance)와 인덕턴스(L, Inductance),케파시턴스(C,Capacitance)로 구성된 회로다.

임피던스와 리액턴스

임피던스(Impendance) 임피던스란, 전기회로에서 전기를 방해하는 요소다. 임피던스는 저항∙인덕턴스∙캐파시턴스로 구성된다. 직류에서는 오직 저항만이 전기를 방해하는 요소이나, 교류에서는 저항∙인덕턴스∙캐파시턴스가 모두 전기를 방행하는 요소다.

머신러닝의 정의

머신러닝은 일종의 소프트웨어다.기존의 소프트웨어는 규칙을 프로그래머가 입력을 해준다. 스팸필터로 예를 들면, 특정단어가 발견되면 스팸처리를 할수 있다. 하지만, 현실의 스팸의 종류는 너무 다양하고 계속 발전한다. 프로그래머가 일일이 규칙을 정하는 것이 비효율적이다. 머신러닝은 컴퓨터가 스스로 배우면서 이러한 ‘판단’을 할수 있게 만드는 소프트웨어다.

나이브 베이즈 분류 기본모형

널리 알려진 데이터인 Iris를 활용해서 베이즈 추론을 해볼 것이다. Iris 데이터는 꽃잎과 꽃받침의 길이/넓이를 통해서 개화되는 꽃의 종류(setosa,versicolor,virginica)를 예측한다. 우선 Train Set에서 다음과 같은 결과 값이 나왔다고 가정해보자.

베이즈 정리의 기초

베이즈 정리는 특정 사건 B가 발생했을 때, 사건 A가 일어날 조건부 확률의 변화를 나타내는 정리이다. 수식은 아래와 같다.

벡터와 행렬

파이썬 Numpy를 활용해서 선형대수학에서 기초가 되는 벡터와 행렬에 대해서 살펴보겠다.

최소제곱법 및 최근접 이웃법

최소제곱법은 회귀분석에 기초한 정형화된 예측을 수행하는 반면에, 최근접 이웃법은 비정형 데이터 분석에 유리하다. 개인적으로 최근접이웃법은 특정한 값을 예측하는 것이 아니라, 분류(category)를 정하는데 더 요긴하게 쓰일 수 있다고 생각한다.

다변량 정규분포

티스토리 블로거 R프렌드님의 포스팅을 토대로 다변량 정규분포에 대해서 살펴보겠다.고등학교때 배운 정규분포는 1개의 변수를 가진다. 트럼프가 선거에서 이길확률과 같이, 단일변수를 가지고 정규분포를 그리며, 모수를 추정한다. 하지만, 때로는 여러가지의 변수를 가지고 확률을 추론 및 분석해야 할 수가 있다.이때 쓰이는 것이 다변량 정규분포이다. 다변량 정규분포에서는 확률 변수 X는 세부 확률변수 $X_1 \dots X_n$을 갖고 이 확률변수는 각각이 하나의 확률분포를 갖는다.

자기상관함수

시계열분석은 T시점의 값이 그 이전의 값들과 구조적인 연관을 맺고 있다는 가정에서 부터 시작한다. 이것을 구체적으로 자기상관(Auto-Correlation)이라고 한다. 우선, 시계열의 확률과정을 이해할 필요가 있다. 시계열 변수 $y_t,y_{t-1},y_{t-2} \dots y_{t-s}$가 있다고 가정을 하자.

다변량 시계열의 기본개념

다변량 시계열은 하나의 변수가 아닌 여러개의 변수의 상관관계가 있을 경우 쓰인다. N개의 변수를 각각 과거의 N개의 변수의 관계를 통해서 파악해볼 수 있다. 다변량시계열간의 공분산을 구한 다음, 행렬을 통해서 관계식을 도출할 수 있다.

SMP 월간 가격 시계열 예측 연습

본 글에서는 VAR모형(Vector Autoregressive Model)을 통해서 계통한계가격(System Marginal Price)을 예측해 보겠다. 아래의 그림을 보면 알겠지만,전력수요와 달리 전력가격은 안정적이지 않다. 따라서 단순 ARIMA로 예측하기에는 한계가 있다. SMP가격은 끊임없이 변화하는 반면, ARIMA예측(1,0,0)은 고정적인 예측만 한다. 국제유가, 첨두전력의 비중과 같은 외부변수를 도입하여서 구조화된 모형으로 예측할 필요가 있다.

ARIMA를 통한 월간 전력수요 예측

전력수요예측은 전력가격예측에서 필수적인 요소이다. 다른 변수(발전소 건설계획, 유가)에 비해서는 상당히 안정적인 시계열을 가지고 있기 때문에, 비교적 쉽게 분석할 수 있다. 본글에서는 전력 젼력거래소 EPSIS의 전력수급현황에서 공개되는 1960년~2016년 월별 데이터를 토대로 분석을 해볼 것이다.