태풍 위협에 대비한 전력망 복원력 강화: 하이브리드 데이터·모델 기반 접근법

초록

본 장에서는 해안 지역의 전력망이 태풍으로 인한 대규모 정전 위험에 직면한 현황을 짚고, 데이터 기반 기계학습과 물리 기반 모델을 결합한 하이브리드 프레임워크를 제시한다. 풍속·강우·지형 등 다중 요인을 고려한 누적 고장 확률 모델을 구축하고, Gini‑index·OOB‑error·엔트로피 가중치를 활용한 특성 가중치를 AHP‑WAA로 통합한다. IEEE RTS‑79 시스템을 실제 태풍 시나리오에 적용해 시뮬레이션한 결과, 제안 방법이 기존 단일 모델 대비 고장 예측 정확도와 복원력 향상에 있어 우수함을 입증한다.

상세 분석

이 논문은 전력 전송망의 복원력을 정량화하고 향상시키기 위해 두 축의 접근법을 융합한다. 첫 번째 축은 물리‑기반 풍장 모델이다. 저자는 Battes 모델을 기반으로 압력 감소식(1)과 풍속 시간‑변화식(2), 그리고 반경‑풍속 관계식(3·4)을 도입해 태풍 중심에서 각 전송 회선까지의 순간 풍속을 계산한다. 이를 통해 회선 구간별 설계 풍속(v_d)과 실제 풍속(v_t)을 매핑하고, 구간별 고장률 λ_{l}^{m}(i) 를 식(5)로 정의한다. 고장률은 풍속에 대한 지수형 함수 형태를 취하며, 구간·탑별 누적 고장 확률은 시간 적분을 통해 식(7)·(8)로 구한다. 이러한 물리 모델은 풍속·강우·지형 등 다중 요인을 동시에 반영할 수 있으면서도, 파라미터 수가 제한적이어서 대규모 시스템에 적용 가능하도록 설계되었다.

두 번째 축은 데이터‑기반 보정 메커니즘이다. 저자는 전송 회선·탑의 고장에 영향을 미치는 내부 요인(설계 풍속, 연식 등)과 외부 요인(실제 풍속, 강우량, 지형 특성)을 m개의 특성 변수로 정의하고, 이들의 중요도를 세 가지 기법—Random Forest의 Gini index, OOB error, 엔트로피 가중치—로 정량화한다. 각 기법에서 도출된 변수 중요도는 식(9) 등으로 계산되며, 결과는 전문가 판단과 결합해 AHP‑Weighted Arithmetic Averaging(AHP‑WAA) 절차를 통해 최종 가중치 집합으로 통합된다. 이렇게 얻어진 가중치는 물리 모델의 파라미터 γ와 같은 보정 계수에 적용되어, 실제 고장 데이터와의 차이를 최소화한다.

핵심 기여는 (1) 물리 모델과 데이터 모델을 순차적·보정적으로 결합한 하이브리드 고장 확률 프레임워크, (2) 다중 특성 가중치를 객관적(기계학습)과 주관적(AHP) 방법으로 융합한 AHP‑WAA 기법, (3) IEEE RTS‑79 테스트 시스템을 실제 광동성 해안의 태풍 경로와 풍속 데이터를 이용해 시뮬레이션함으로써 제안 방법의 실효성을 검증한 점이다. 시뮬레이션 결과, 하이브리드 모델은 단순 물리 모델 대비 고장 발생 확률 RMSE를 약 15 % 감소시켰으며, 복원력 지표(예: 평균 복구 시간, 서비스 지속율)에서도 유의미한 개선을 보였다. 또한 비용‑효율 분석을 통해 제안된 최적화 전략이 기존 투자‑중심 전략 대비 동일 복원력 수준에서 약 12 % 적은 투자 비용을 요구함을 확인했다.

이 연구는 전력 시스템 복원력 평가에 있어 “정확도 vs. 계산 복잡도” 트레이드오프를 효과적으로 해결한다는 점에서 의의가 크다. 물리 모델은 기본적인 재해 메커니즘을 보장하지만, 현장 데이터의 불확실성과 비선형성을 반영하기엔 한계가 있다. 반면 데이터‑기반 보정은 이러한 비선형성을 학습하지만, 데이터 부족 시 과적합 위험이 있다. 두 접근을 상호 보완적으로 결합함으로써, 저자는 고장 확률 추정의 신뢰성을 크게 향상시켰으며, 실제 운영자에게는 실시간 풍속·강우 관측값을 입력으로 복원력 시뮬레이션을 수행할 수 있는 실용적인 도구를 제공한다. 향후 연구에서는 풍력·태양광 등 분산형 재생에너지와 전력 저장 장치의 동적 연계 효과를 모델에 포함시키고, 다중 재해(지진·홍수) 상황에서도 확장 가능한 프레임워크로 발전시킬 여지가 있다.