딥러닝 기반 전력 시스템 복원력 평가 방법

초록

본 논문은 과거 정전·기상 데이터를 활용해 딥러닝 모델을 학습시키고, 이를 통해 복원력 트라페조이드 지표를 예측한다. 모델은 지역별 기후 벤치마크와 선택적 사회·인구 가중치를 결합해 물리적·사회적 복원력을 동시에 정량화한다.

상세 분석

이 연구는 전력 시스템 복원력 평가에 두 가지 전통적 접근법—통계 기반 회고적 분석과 물리 기반 시뮬레이션—의 한계를 극복하고자 딥러닝을 핵심 엔진으로 채택하였다. 입력 변수는 정전 기록, 기상 관측치(풍속, 강수량, 온도 등)와 시스템 규모(고객 수, 설비 용량)이며, 필요 시 미국 인구조사와 HHS emPOWER 데이터에서 추출한 15개의 사회·인구 지표를 가중치로 추가한다. 모델은 인코더‑디코더 구조를 사용해 복잡한 비선형 관계를 학습하고, 각 위험 사건에 대한 성능 곡선 f(t)를 재구성한다. 이후 복원력 트라페조이드 공식 R = ∫_{T1}^{T2}f(t)dt / (T2‑T1) 를 적용해 사건별 복원력 Rs,i,k를 산출한다.

핵심 기여는 (1) 동일한 벤치마크 기상 데이터셋을 정의함으로써 지역 간 비교 가능성을 확보한 점, (2) 물리적 복원력(Ru)과 사회적 취약성 가중치(λ·∑Wj,k)를 결합한 가중 복원력(Rw) 모델을 제시한 점이다. 가중식은 λ = 1/3을 기본값으로 두고, 각 요인의 정규화된 값이 클수록 Rw가 감소하도록 설계돼, 취약계층이 더 큰 영향을 받는 현실을 반영한다.

실험은 두 단계로 진행된다. 첫 번째는 시뮬레이션된 정전 데이터(다중 Monte‑Carlo 시나리오)로 모델을 검증해, 예측된 Rs와 실제 시뮬레이션 결과 간의 평균 절대 오차가 3 % 이하임을 보였다. 두 번째는 2002‑2023년 DOE 417 데이터와 NOAA 기상 기록을 결합한 실제 사례에 적용해, 지역별 Ru와 Rw를 도출하고, 사회적 취약성이 높은 지역이 동일한 물리적 복원력에도 불구하고 낮은 Rw 값을 보임을 확인했다.

한계점으로는 (i) 학습 데이터의 품질·양에 크게 의존한다는 점, (ii) 기상 이벤트가 복합적으로 발생할 경우 개별 이벤트별 독립 가정이 부정확할 수 있다는 점, (iii) 현재 모델이 배전망 토폴로지를 직접 활용하지 않으므로, 설비 고장 메커니즘을 세밀히 반영하기 어렵다는 점을 들었다. 향후 연구에서는 그래프 신경망을 도입해 토폴로지 정보를 통합하고, 멀티모달 기상·인프라 데이터를 활용한 전이 학습을 모색한다.