극한 기후에 대비한 에너지·교통 인프라 위험 평가 및 취약점 탐색

초록

본 논문은 극한 기후가 에너지와 교통 인프라에 미치는 복합적·시공간적 영향을 통합 네트워크 흐름 모델로 정량화하고, 라틴 하이퍼큐브 샘플링 기반 몬테카를로 시뮬레이션과 신경망 대리모델을 활용해 위험 수준을 평가한다. 또한, 프라이버시를 보호하면서 취약 구간을 신속히 식별하는 방법을 제시한다.

상세 분석

이 연구는 기존 에너지·교통 복원력 연구가 단일 시스템 혹은 사후 복구 단계에 국한된 한계를 극복하고자, 극한 기후 사건 전·중·후 전 과정을 포괄하는 통합 위험 평가 프레임워크를 설계하였다. 핵심은 에너지와 교통 네트워크를 시공간‑에너지 증강 그래프로 확장하여, 전력·열·교통 흐름을 하나의 흐름 변수로 통합하고, 각 노드·링크에 시간‑공간‑상태(예: SOC, 도로 가용성, 파손 여부) 정보를 부여한 점이다. 이를 통해 전력 차단이 충전소 가용성을 감소시키거나, 강우에 따른 도로 폐쇄가 전력 복구 인력을 지연시키는 등, 시스템 간 상호작용을 정량적으로 모델링한다.

불확실성 처리를 위해 기상 변수(강수량, 풍속 등)를 파라미터 기반 메타 모델(예: Rankine‑Vortex)로 생성하고, 라틴 하이퍼큐브 샘플링(LHS)으로 고차원 확률 공간을 효율적으로 탐색한다. 각 샘플에 대해 통합 네트워크 흐름 모델을 실행해 시스템 성능 지표(전력 공급량, 열 공급량, 교통 지연 등)를 산출하고, 이를 몬테카를로 시뮬레이션에 반복 적용해 위험‑결과 분포를 얻는다.

복잡한 최적화·시뮬레이션 과정은 계산 비용이 크게 증가할 수 있으므로, 저자들은 신경망 기반 대리모델을 훈련시켜 원본 모델의 입력‑출력 관계를 근사한다. 특히, 대리모델의 정확한 선형화 형태를 활용해 프라이버시 보호를 구현한다. 즉, 각 분야(전력, 열, 교통) 데이터는 대리모델에만 제공되고, 실제 파라미터는 외부에 노출되지 않는다. 대리모델은 원본 모델 대비 수십 배 빠른 추론 속도를 제공하면서, 평균 절대 백분율 오차(MAPE)가 3~5% 수준으로 정확성을 유지한다.

취약점 식별 단계에서는 대리모델을 이용해 각 노드·링크에 대한 민감도 분석을 수행한다. 위험 지표(예: 평균 전력 차단량)의 변화율을 계산해 취약도 곡선을 그리고, 이를 기반으로 취약도 순위를 산출한다. 결과적으로, 고위험 구간(예: 주요 변전소 인근 도로, 재생에너지 연계 라인)과 저위험 구간을 명확히 구분할 수 있다.

전체적으로 이 논문은 (1) 시공간‑에너지 증강 네트워크를 통한 이종 인프라 통합, (2) LHS‑몬테카를로 기반 불확실성 정량화, (3) 신경망 대리모델을 활용한 프라이버시 보존 및 연산 가속, (4) 취약점 정량적 식별이라는 네 가지 핵심 기술을 결합해, 도시 규모의 에너지·교통 시스템에 대한 실시간 위험 관리와 사전 강화 전략 수립을 가능하게 한다.