전력계통 기반 모델 신뢰성 층: N‑k 사고 평가를 위한 적응형 불확실성 구간

초록

본 논문은 전력계통용 파운데이션 모델(GridFM)에 층화 컨포멀 프레딕션을 적용해 각 출력에 통계적으로 보장된 신뢰구간을 제공한다. 회귀에서는 불확실성 추정치를, 사고 스크리닝에서는 거짓 음성 최소화를 위한 보수적 판단을 가능하게 한다. N‑k 사고 평가 실험에서 제안 방법은 DC 전력흐름보다 2‑3배 높은 정밀도와 AC 전력흐름 대비 18배 빠른 속도를 보이며, N‑1·N‑2 학습으로 N‑5까지의 고차 사고에 대한 일반화 능력도 검증한다.

상세 분석

이 연구는 파운데이션 모델(FM)의 ‘블랙박스’ 특성 때문에 전력계통 운영에서 발생할 수 있는 신뢰성 문제를 두 가지 핵심 관점에서 해결한다. 첫 번째는 모델 출력에 대한 정량적 불확실성 정보를 제공하는 것이다. 저자는 층화 컨포멀 프레딕션(stratified conformal prediction, SCP)을 도입해, 각 버스 전압·각도와 라인 부하와 같은 연속형 출력에 대해 사전 정의된 커버리지(예: 95%)를 만족하는 예측 구간을 실시간으로 생성한다. SCP는 데이터의 조건부 분포에 대한 가정 없이 비정규성, 이질성, 시계열 의존성을 모두 포괄할 수 있어 전력계통의 복잡한 토폴로지 변화에도 적용 가능하다. 특히, 컨틴전시 스크리닝과 같이 이진 판단이 요구되는 경우, 구간의 상한을 이용해 ‘안전’ 판정을 보수적으로 내림으로써 거짓 음성(false‑negative) 위험을 최소화한다는 점이 실용적이다.

두 번째는 고차 N‑k 사고에 대한 일반화 능력이다. 기존 연구는 주로 N‑1 혹은 N‑2 데이터에만 모델을 학습시켜, 더 높은 차수의 사고에 대해 성능이 급격히 저하되는 문제를 안고 있었다. 본 논문은 GridFM을 N‑1·N‑2 데이터로 학습한 뒤, N‑3·N‑5까지의 미보인 사고에 대해 예측 정확도와 커버리지 유지 여부를 체계적으로 평가한다. 결과는 SCP 기반 불확실성 구간이 높은 차수 사고에서도 과소평가를 방지하고, 물리적 제약을 위반하는 경우를 효과적으로 탐지함을 보여준다.

기술적으로는 GridFM의 그래프 트랜스포머 구조를 그대로 유지하면서, 물리‑일관성(line flow 계산)과 결합된 파인튜닝을 수행한다. 버스 전압과 각도를 복원한 뒤 π‑등가 회로 모델을 이용해 복소 전류를 계산하고, 이를 라인 부하 비율(L)로 변환한다. 이 과정에서 비선형 물리 법칙을 직접 적용함으로써 모델이 ‘물리적 불일치’를 최소화하도록 유도한다.

실험에서는 IEEE 118버스 시스템을 기준으로, AC 전력흐름(ACPF)과 DC 전력흐름(DCPF) 대비 정확도·속도·신뢰성을 비교한다. 신뢰성 층을 적용한 GridFM은 전압·각도 RMSE가 DCPF 대비 2‑3배 낮으며, 전체 시뮬레이션 시간은 AC PF 대비 최대 18배 단축된다. 또한, 고차 사고에 대한 커버리지(95% 수준)가 유지되는 것을 확인해, 실제 운영 환경에서의 적용 가능성을 높인다.

이 논문의 주요 기여는 (1) 파운데이션 모델에 통계적 보장을 부여한 최초의 신뢰성 층 제안, (2) 컨틴전시 스크리닝에서 거짓 음성을 최소화하는 보수적 판단 프레임워크, (3) 고차 N‑k 사고에 대한 일반화 성능을 정량적으로 평가한 점이다. 향후 연구는 실시간 디지털 트윈과 연계한 온라인 업데이트, 그리고 사이버 보안·프라이버시 보호를 위한 프라이버시‑보존 컨포멀 프레딕션 등으로 확장될 수 있다.