전력배전망 결함 탐지를 위한 딥 오토인코더 기반 이상 탐지 기법

초록

본 논문은 전력배전 시스템에서 발생하는 결함을 자동으로 탐지하기 위해 딥러닝 기반 오토인코더와 컨볼루션 오토인코더(CAE)를 활용한 이상 탐지 모델을 제안한다. 시뮬레이션 데이터와 공개 데이터셋을 이용해 학습·검증한 결과, 결함 탐지 정확도가 각각 97.62%와 99.92%에 달해 기존 방법보다 우수함을 입증하였다.

상세 분석

본 연구는 전력배전망의 결함 탐지를 확률적 관점에서 접근하고, 데이터 부족 문제를 딥러닝의 비지도 학습 특성으로 보완한다는 점에서 의미가 크다. 제안된 모델은 먼저 컨볼루션 오토인코더(CAE)를 이용해 전압·전류 시계열 데이터를 저차원 특성 공간으로 압축한다. CAE는 전통적인 완전 연결형 오토인코더에 비해 파라미터 수가 적고 지역적 패턴을 효율적으로 포착하므로 학습 속도가 빠르고 과적합 위험이 낮다. 압축된 특징은 이후 다층 심층 오토인코더에 입력되어 재구성 오류(reconstruction error)를 계산한다. 정상 상태에서 학습된 오토인코더는 입력을 높은 정확도로 복원하지만, 결함이 발생하면 재구성 오류가 급격히 증가한다. 논문은 이 오류를 임계값(threshold)과 비교해 결함 여부를 판별하는 이상 탐지 메커니즘을 구현한다.

실험에서는 IEEE 33‑bus 시스템을 기반으로 한 시뮬레이션 데이터와, 실제 전력계통에서 수집된 공개 데이터셋 두 가지를 사용하였다. 데이터 전처리 단계에서 잡음 제거와 정규화를 수행했으며, 결함 유형(단락, 개방, 과전류 등)별 라벨은 모델 학습에 사용되지 않아 완전한 비지도 학습 환경을 유지한다. 결과는 정확도, 정밀도, 재현율, F1‑score 등 다중 지표에서 기존 SVM, 랜덤 포레스트, 전통적인 신경망 기반 방법들을 크게 앞섰다. 특히, CAE를 통한 차원 축소가 학습 시간 30% 이상 단축시키면서도 성능 저하를 일으키지 않은 점이 주목할 만하다.

한계점으로는 임계값 설정이 데이터 분포에 민감하고, 실시간 적용을 위한 스트리밍 데이터 처리에 대한 논의가 부족하다는 점을 들 수 있다. 또한, 시뮬레이션 환경과 실제 현장 간의 도메인 차이를 완전히 해소하지 못했으며, 다양한 전압 등급·배전 구조에 대한 일반화 검증이 추가로 필요하다. 향후 연구에서는 적응형 임계값 기법, 온라인 학습 프레임워크, 그리고 멀티모달 센서 데이터를 통합한 하이브리드 모델을 탐색함으로써 실운용 가능성을 높일 수 있을 것이다.