온라인 변압기 부시 상태 모니터링을 위한 인공지능 기반 프레임워크

초록

본 논문은 다층 퍼셉트론(MLP), 방사형 기저 함수(RBF) 및 서포트 벡터 머신(SVM) 분류기를 활용한 부시 상태 모니터링 프레임워크를 제시한다. 1단계에서는 부시가 정상인지 결함이 있는지를 판단하고, 2단계에서는 결함 유형을 구분한다. 부시 내부의 용해 가스 분석을 통해 진단 가스를 평가한다. 실험 결과, MLP가 정확도와 학습 시간 측면에서 SVM과 RBF보다 우수한 성능을 보였다. 또한, 새로운 데이터를 지속적으로 학습할 수 있는 온라인 모니터링 방식을 제안했으며, 이는 MLP 기반 증분 학습 알고리즘을 이용한다. 새로운 데이터가 추가될 때 테스트 정확도가 67.5 %에서 95.8 %로, 새로운 결함 조건이 도입될 때 60 %에서 95.3 %로 향상되었다. 평균 신뢰도는 0.92로 나타났다.

상세 요약

이 연구는 전력 시스템에서 변압기 부시의 고장을 조기에 탐지하고 정확히 분류하기 위한 실용적인 솔루션을 제시한다는 점에서 큰 의미를 가진다. 먼저, 부시 내부에 축적되는 용해 가스를 분석하는 DGA(Dissolved Gas Analysis) 데이터를 활용한다는 점은 기존의 전통적인 진동이나 온도 기반 모니터링과 차별화된다. 가스 성분은 결함 메커니즘에 따라 특유의 패턴을 보이므로, 이를 머신러닝 모델에 입력하면 결함 유형을 높은 정밀도로 구분할 수 있다.

논문에서 비교한 세 가지 분류기 중 MLP가 가장 우수한 성능을 보인 이유는 다음과 같이 해석할 수 있다. 첫째, MLP는 비선형 관계를 다층 구조로 학습함으로써 가스 농도와 결함 사이의 복잡한 상호작용을 효과적으로 모델링한다. 둘째, 학습 과정에서 적절한 가중치 초기화와 학습률 스케줄링을 적용했을 가능성이 높으며, 이는 과적합을 방지하고 빠른 수렴을 가능하게 한다. 반면, SVM은 커널 선택과 하이퍼파라미터 튜닝에 민감하고, 대규모 데이터셋에서는 학습 시간이 급증한다. RBF 네트워크는 중심점 선정이 핵심인데, 본 연구에서는 최적의 중심점 탐색이 충분히 이루어지지 않아 성능이 제한된 것으로 보인다.

특히 주목할 점은 증분 학습(incremental learning) 메커니즘을 도입하여 시스템이 새로운 데이터와 새로운 결함 클래스를 실시간으로 받아들일 수 있다는 것이다. 이는 전력 설비가 운영되는 현장에서 데이터가 지속적으로 축적되는 상황에 매우 적합하다. 실험 결과에서 테스트 정확도가 67.5 %에서 95.8 %로, 새로운 조건 도입 시 60 %에서 95.3 %로 크게 향상된 것은 모델이 기존 학습된 지식을 보존하면서도 새로운 패턴을 빠르게 적응한다는 것을 입증한다. 평균 신뢰도 0.92는 의사결정 지원 시스템으로서 충분히 신뢰할 만한 수준이다.

하지만 몇 가지 한계점도 존재한다. 첫째, 데이터셋 규모와 다양성에 대한 상세 정보가 부족해 일반화 가능성을 평가하기 어렵다. 둘째, MLP의 구조(층 수, 뉴런 수)와 하이퍼파라미터 설정이 논문에 명시되지 않아 재현성이 떨어진다. 셋째, 온라인 학습 과정에서 발생할 수 있는 클래스 불균형 문제와 메모리 제한에 대한 논의가 부족하다. 향후 연구에서는 보다 큰 규모의 실운영 데이터와 다양한 부시 종류를 포함한 데이터베이스를 구축하고, 모델 압축 및 경량화 기법을 적용해 현장 임베디드 시스템에 직접 탑재할 수 있는 방안을 모색해야 한다. 또한, 설명가능 인공지능(XAI) 기법을 도입해 각 가스 성분이 결함 판단에 미치는 영향을 시각화한다면, 현장 엔지니어의 신뢰도를 더욱 높일 수 있을 것이다.