시스템 변동성과 측정오차를 고려한 머신러닝 기반 온라인 동적 보안 평가

초록

본 논문은 PMU(Phasor Measurement Unit) 데이터를 활용해 실시간 동적 보안 평가(DSA)를 수행하는 머신러닝 프레임워크를 제안한다. 계절별 부하 프로파일, 재생에너지 침투율 변화, 그리고 PMU 측정에 포함되는 현실적인 잡음·오차를 동시에 고려하여 IEEE‑118 버스 시스템에 적용하였다. 여러 ML 알고리즘(SVM, Random Forest, Gradient Boosting, Deep Neural Network 등)의 정확도를 비교한 결과, 오류가 포함된 상황에서도 일부 알고리즘이 높은 예측 성능을 유지함을 확인하였다. 연구는 변동성이 큰 전력계통에서 실시간 보안 예측의 신뢰성을 높이는 방안을 제시한다.

상세 분석

이 연구는 기존 동적 보안 평가가 정적 조건이나 이상적인 측정값에 의존하는 한계를 극복하고자, 실제 운영 환경에서 발생할 수 있는 두 가지 주요 변수를 동시에 모델링한다. 첫 번째는 계절별 부하 변동이다. 여름·겨울 등 기후에 따라 부하 패턴이 크게 달라지며, 이는 전압·주파수 동특성뿐 아니라 전력 흐름 경로에도 영향을 미친다. 논문은 IEEE‑118 버스 시스템에 대해 4계절(봄·여름·가을·겨울) 각각의 평균 부하 프로파일을 생성하고, 이를 시뮬레이션 입력으로 사용한다. 두 번째는 재생에너지(풍력·태양광)의 침투율 변화이다. 재생에너지는 출력 변동성이 크고, 전력계통에 비선형적인 동적 영향을 미친다. 연구자는 0 %·20 %·40 %·60 % 네 단계의 재생에너지 비율을 설정하고, 각 단계마다 시스템 안정성 한계(예: 전압 붕괴, 진동 모드) 를 평가한다.

측정오차 측면에서는 PMU가 제공하는 전압·전류 위상·주파수 데이터에 가우시안 백색 잡음(N(0,σ²))을 추가하여 현실적인 센서 오류를 모사한다. σ 값은 IEEE 표준에 따라 0.01 pu 수준으로 설정했으며, 이는 실제 현장에서 보고된 최대 오차 범위와 일치한다. 이렇게 생성된 ‘오염된’ 데이터와 ‘청정’ 데이터를 각각 학습·검증에 활용함으로써, 오류에 대한 알고리즘의 내성을 정량적으로 평가한다.

머신러닝 모델은 크게 두 그룹으로 나뉜다. 첫 번째는 전통적인 트리 기반 모델인 Random Forest(RF)와 Gradient Boosting Machine(GBM)이며, 두 번째는 커널 기반 Support Vector Machine(SVM)과 심층 신경망(Deep Neural Network, DNN)이다. 각 모델은 동일한 입력 피처(버스 전압, 전류, 주파수, 위상 차 등 30여 개)와 동일한 학습/테스트 분할(70 %/30 %)을 사용한다. 성능 평가는 정확도, 정밀도, 재현율, F1‑score 및 ROC‑AUC 등 다중 지표로 수행한다.

실험 결과, 오염되지 않은 데이터에서는 모든 모델이 96 % 이상 높은 정확도를 보였으며, 특히 GBM이 99.2 %의 최고 정확도를 기록했다. 그러나 측정오차가 포함된 경우, SVM과 DNN의 성능이 급격히 저하되어 각각 88 %·85 % 수준으로 떨어졌다. 반면 RF와 GBM은 비교적 강인한 특성을 보여, 오염된 데이터에서도 93 %·92 %의 정확도를 유지했다. 이는 트리 기반 모델이 비선형 피처와 잡음에 대해 자연스럽게 회복력을 갖는 구조적 장점을 가지고 있기 때문이다.

또한, 계절별·재생에너지 비율별 분석에서, 여름 고부하·고재생 비율(60 %) 상황이 가장 낮은 정확도(≈90 %)를 보였으며, 이는 전압 변동과 주파수 변동이 동시에 크게 발생해 피처 간 상관관계가 복잡해지기 때문이다. 반대로 겨울 저부하·저재생(0 %) 상황에서는 모든 모델이 98 % 이상의 정확도를 유지했다. 이러한 결과는 DSA 시스템 설계 시, 최악의 운영 시나리오를 별도로 고려해야 함을 시사한다.

마지막으로, 논문은 실시간 적용 가능성을 검증하기 위해 모델 추론 시간을 측정했다. 트리 기반 모델은 1 ms 이하의 응답 시간을 보였으며, DNN은 GPU 가속 시 2 ms 수준으로 실시간 요구사항을 충족했다. 따라서 정확도와 응답 시간 사이의 트레이드오프를 고려해, 실제 전력망 운영자는 상황에 따라 모델을 선택하거나 앙상블 방식을 적용할 수 있다.

요약하면, 이 연구는 (1) 계절·재생에너지 변동을 반영한 다변량 부하 시나리오, (2) PMU 측정오차를 명시적으로 모델링, (3) 다양한 ML 알고리즘의 내성 및 성능을 정량적으로 비교함으로써, 실시간 온라인 DSA 구현에 필요한 실용적인 설계 지침을 제공한다. 특히 트리 기반 모델의 강인성이 강조되며, 향후 연구에서는 오류 모델링을 더욱 정교화하고, 온라인 학습(online learning) 및 앙상블 최적화를 통해 시스템 전반의 신뢰성을 높이는 방향이 제시된다.