🤖 machine learning

Predicting Estimated Times of Restoration for Electrical Outages Using Longitudinal Tabular Transformers

이 논문은 과거 수정 데이터를 활용하여 전력 정전 복구 시간 예측을 종단적 과제로 재구성함으로써 기존 방식 대비 6개 유틸리티 기업 전반에서 상당한 오차 감소와 고객 만족도 향상을 달성한 축 방향 어텐션(axial-attention) 모델인 종단적 테이블 트랜스포머(Longitudinal Tabular Transformer, LTT)를 소개한다.

원저자: Bogireddy Sai Prasanna Teja, Valliappan Muthukaruppan, Carls Benjamin

게시일 2026-09-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Bogireddy Sai Prasanna Teja, Valliappan Muthukaruppan, Carls Benjamin

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

폭풍으로 인해 전력이 끊겼을 때, 의료 기기를 사용하는 가족, 재고가 얼어붙을 위기에 처한 기업, 또는 대피소를 계획 중인 시 당국에게 가장 시급한 질문은 단순히 언제 불이 다시 들어오느냐가 아니라, 언제 불이 들어올 것이라고 '기대할 수 있느냐'는 것입니다. 유틸리티 기업들은 이 질문에 대한 답으로 복구 예상 시간(ETR)을 제공하며, 이는 안전과 생존에 관한 중요한 결정을 내리는 지침이 됩니다. 수십 년 동안 업계는 이러한 정전 상황을 마치 끊어진 전선을 한 번 촬영하고 그 순간을 기준으로 복구 시간을 계산하는 것처럼, 정적인 사건으로 취급해 왔습니다. 이러한 접근 방식은 정전이 살아 움직이며 변화하는 이야기라는 현실을 간과합니다. 정전은 작업 팀이 배정되는 것으로 시작하여, 현장에 도착하고, 피해 상황을 보고하거나, 더 높은 우선순위의 작업으로 경로를 변경하거나, 부분 복구를 시작하는 과정으로 진화합니다. 이 모든 단계는 새로운 업데이트로 기록되며, 이는 예상 잔여 시간을 변경하는 수정 사항이 되지만, 전통적인 방식은 종번 최신 스냅샷에만 집중하느라 이러한 업데이트의 이력을 버리는 경우가 많습니다.

엑셀론 코퍼레이션(Exelon Corporation)의 연구팀은 정전을 단일 사건이 아닌 일련의 수정 과정으로 취급함으로써 이 복잡성을 다루는 새로운 방법을 개발했습니다. 그들은 정전이 진행되는 전체 이력으로부터 학습하는 특수 컴퓨터 모델을 구축했습니다. 이 모델은 복구 시간을 단 한 번 추측하는 대신, 이전의 모든 업데이트로부터 얻은 정보를 사용하여 예측을 개선함으로써 매 단계마다 정교한 추정치를 발행합니다. 6개의 서로 다른 유틸리티 회사를 대상으로 발생한 약 243,000건의 폭풍 관련 정전 데이터를 분석하고 1,000만 건 이상의 기록된 업데이트를 검토한 결과, 연구진은 이 방식이 유틸리티 기업들이 사용 중인 기존 표준 방식보다 성능이 크게 뛰어남을 발견했습니다. 이 새로운 모델은 동일한 폭풍 기간 동안 유틸리티 기업이 발표한 공식 추정치와 비교했을 때 시간 추정 오차를 중앙값 기준으로 거의 37% 감소시켰습니다. 또한 기존의 최선형 컴퓨터 학습 방법보다 11% 이상 향상된 성능을 보였으며, 이는 정전의 마지막 장만이 아니라 전체 이야기를 경청하는 것이 고객에게 더 정확하고 신뢰할 수 있는 예측을 제공한다는 점을 입증했습니다.

이러한 개선의 핵심은 모델이 정보를 처리하는 방식에 있습니다. 과거의 시스템은 정전의 가장 최근 상태만을 보고 그곳에 도달하기까지의 경로를 무시했습니다. 새로운 시스템인 '종단적 테이블 트랜스포머(Longitudinal Tabular Transformer)'는 시간의 흐름에 주목합니다. 이 모델은 작업 팀이 현장에 도착하는 것이 작업 팀이 중단되어 다른 작업으로 보내지는 것과는 다르게 상황을 변화시킨다는 점을 이해합니다. 모델은 이러한 변화를 지속적으로 추적하며, 더 많은 업데이트를 볼수록 추정치가 더욱 정밀해진다는 것을 학습합니다. 이는 특히 데이터가 적어 의존할 이력이 거의 없는 초기 단계에서 예측 오류가 가장 크게 발생한다는 점에서 매우 중요합니다. 정전이 진행됨에 따라 더 많은 데이터가 축적되면, 모델의 정확도는 인간 디스패처가 사실을 수집함에 따라 확신을 얻는 과정과 마찬가지로 꾸준히 향상됩니다.

연구진은 실제 폭풍 중에 유틸리티 기업들이 발표한 실제 추정치와 이 시스템을 비교 테스트했으며, 이때 영향을 받는 고객 수와 기간에 따라 가중치를 두는 지표를 사용했습니다. 이는 작은 동네의 잘못된 추정치가 수천 명의 사람들이 기다리고 있는 넓은 지역의 잘못된 추정치보다 덜 치명적이라는 점을 고려한 것입니다. 결과에 따르면, 새 모델은 평균 시간 오차를 줄였을 뿐만 아니라 기존 시스템의 흔한 함정도 피할 수 있었습니다. 전통적인 유틸리티 추정치는 마감 시한을 놓치지 않기 위해 필요 이상의 긴 대기 시간을 약속하는 지나치게 보수적인 경향이 있습니다. 이러한 전략은 고객을 단기적으로 약간 더 만족시킬 수는 있지만, 실제 지속 시간에서 큰 오차를 초래합니다. 새 모델은 더 정확하면서도 더 신뢰할 수 있는 추정치를 제공하여 더 나은 균형을 찾아냈으며, 연구 대상인 6개 회사 모두에서 예측이 얼마나 벗어났는지를 측정하는 척도인 평균 제곱근 오차(RMSE)를 줄였습니다.

가장 중요한 발견 중 하나는 이러한 개선이 단순히 추정치를 더 자주 업데이트한다고 해서 얻어진 것이 아니라는 점입니다. 연구진은 이 모델을 매 단계마다 예측을 업데이트하는 다른 고급 컴퓨터 프로그램들과 비교했습니다. 경쟁 모델들에게도 새 시스템과 동일한 빈도로 업데이트할 기회를 주었음에도 불구하고, 종단적 테이블 트랜스포머는 여 still 더 우수한 성능을 보였습니다. 이는 이 모델의 이점이 단순히 업데이트 속도에 있는 것이 아니라, 사건의 순서를 이해하는 방식에서 온다는 것을 시사합니다. 또한 연구는 정보가 지연되거나 누락되는 것이 일반적인 폭풍 대응 상황에서도 이 모델이 불완으로 된 데이터에서도 잘 작동함을 확인했습니다. 모델은 누락된 정보를 단순히 추측하는 대신 이를 명시적으로 고려함으로써 신뢰성을 유지합니다.

이 연구의 영향은 단순히 화면 위의 숫자 개선을 넘어섭니다. 건강, 음식, 안전을 위해 이러한 추정치에 의존하는 수백만 명의 고객에게 더 정확한 예측은 불확실성을 줄이고 더 나은 대비를 가능하게 합니다. 이 연구는 작고 빠르게 끝나는 정전부터 며칠 동안 지속되는 거대한 폭풍에 이르기까지 광범위한 조건을 다루었으며, 모델은 모든 상황에서 일관되게 우수한 성능을 보였습니다. 비록 완벽한 예측이란 존재할 수 없기에 개선의 여지는 여전히 남아 있지만, 이 연구는 정적인 단일 관점에서 역동적이고 진화하는 이해로 초점을 전환함으로써 유틸리티 기업이 고객에게 가장 신뢰할 수 있는 정보를 제공할 수 있다는 명확한 길을 제시합니다. 이를 통해 혼란스럽고 스트레스 가득한 경험을 더 높은 확실성을 가진 타임라인으로 바꿀 수 있습니다.

기술 요약: 종단적 테이블 변환기(Longitudinal Tabular Transformers)를 이용한 전력 정전 복구 예상 시간 예측

문제 정의
유틸리티 기업들은 폭풍으로 인한 정전 발생 시 고객에게 복구 예상 시간(ETR)을 제공하며, 이는 의료 장비 사용, 식품 안전, 대피 결정 등 의사결정에 있어 매우 중요한 지표이다. 기존 연구들은 ETR 예측을 정적인 테이블 회귀(static tabular regression) 작업으로 취급하여, 각 정전 사건을 단일 특징 벡터로 특징짓고 한 번만 예측하였다. 이러한 접근 방식은 정전 관리의 종단적(longitudinal) 특성을 무시한다. 정전 관리는 일련의 수정 과정(예: 작업 팀 배정, 출동, 피해 평가, 중단, 부분 복구)을 통해 진화하기 때문이다. 각 수정 단계는 예상 잔여 시간을 업데이트하지만, 기존 모델들은 이러한 업데이트의 궤적을 무시하고 오직 최종 상태 또는 최신 상태에만 의존한다.

본 논문은 ETR 예측을 종단적 테이블 회귀(longitudinal tabular regression) 문제로 재정의한다. 목표는 정전 이벤트 $i$ 의 매 수정 단계 $j$ 에서, 이전 수정 단계들의 이력에 기반하여 잔여 복구 시간( $y_{i,j}$ )을 예측하는 것이다. 타겟은 달력상의 위치나 폭풍 발생 시점과 관련된 결정론적 요소를 제거하기 위해 절대적인 타임스탬프가 아닌 '잔여 시간'으로 정의되며, 이를 통해 타겟이 언제 발생했는지와 관계없이 불변성을 갖도록 한다.

방법론: 종단적 테이블 변환기 (Longitudinal Tabular Transformer, LTT)
본 논문은 예측에 앞선 수정 사항들의 스트림을 소비하도록 설계된 축 방향 어텐션(axial-attention) 모델인 Lัดitudinal Tabular Transformer(LTT)를 소개한다.

토큰화 및 임베딩: 특징들은 독립적으로 임베딩된다. 연속형 특징은 선형 투영(linearly projected)되며, 범주형 특징은 학습된 임베딩을 통해 매핑된다. 결측치는 값을 대치(imputation)하는 대신 학습된 벡터를 더함으로써 명시적으로 처리하며, 이를 통해 데이터의 부재(예: 아직 작업 팀이 배정되지 않음)가 갖는 정보 가치를 보존한다.
아키텍처: 모델은 이중 축 어텐션 메커니즘을 채택한다:
1. 내부 수정 축 (Intra-revision Axis): 트랜스포머 블록이 단일 수정 내의 특징 토큰들을 처리하며, 학습된 풀링 토큰을 사용하여 특징 정보를 집계한다.
2. 외부 수정 축 (Inter-revision Axis): 수정 사항의 시퀀스가 정적 특징 및 시스템 컨텍스트에 대한 교차 어텐션(cross-attention)을 통해 처리된다. 모델은 불규칙한 운영 간격(예: 경과 시간, 시간대, 폭풍 시작 후 경과 시간)을 포착하기 위해 학습된 주기적 표현을 사용하는 템포럴 인코딩(temporal encoding)을 포함한다.
3. 마스킹 (Masking): 모델은 크기 $W=20$ 인 슬라이딩 윈도우를 사용한다. 초기 수정 단계에는 윈도우의 앞부분에 패딩이 적용된다. 결정적으로, 모델은 윈도우 내에서 양방향 어텐션(bidirectional attention)을 사용하는데, 이는 윈도우 내의 모든 위치 $W(i,j)$ 가 타임스탬프 $t_{i,j'} \le t_{i,j}$ 를 참조하므로 시간적 누수(temporal leakage)가 발생하지 않음을 보장한다.
출력 헤드: 모델은 순서가 있는 분위수 레벨( $Q = \{1/2, 5/6, 9/10\}$ )을 베이스 값에 비음수 증분(non-negative increments)을 더하는 방식으로 예측한다. 이는 단조성( $\hat{y}^{(1)} \le \hat{y}^{(2)} \le \hat{y}^{(3)}$ )과 비음수성을 보장한다. 주요 운영 추정치는 $5/6$ 레벨에 해당한다.
목적 함수: 학습 목적 함수는 내부 고객 만족도 분석에서 도출된 조각별 페널티 함수(piecewise penalty function)이다. 이는 과소 예측(복구가 약속보다 늦어지는 경우)에 대해 엄격하게 처벌하고, 과대 예측에 대해서는 완만하게 처벌한다. 또한 그래디언트 기반 방법으로 학습이 용이하도록 Huber 평활화(Huber-smoothed)를 적용한다. 안정성 항(stability term)은 연속된 수정 사이의 예측 타임스탬프가 크게 변동하는 것을 방지한다.

데이터 및 실험 설정
본 연구는 단일 지주 회사의 6개 운영 회사(OPCO-1 ~ OPCO-6)의 데이터를 활용하며, 이는 242,928건의 폭풍 관련 정전 사건과 약 1,000만 건의 수정 사항을 포함한다.

코호트: 데이터셋은 표준 및 SCADA 감지 고객 정전을 포함하며, 순간적 차단, 계획된 정전, 취소된 이벤트는 제외한다.
평가: 정확도를 대규모 장기 정전 사건에 우선순위를 두기 위해 고객 시간 노출량(customer-hours of exposure)에 따라 가중치를 부여한다. 주요 지표는 가중 비대칭 오차(WAE), 평균 제곱근 오차(RMSE), 그리고 비대칭 페널티 구조를 반영하는 고객 만족 지수(CSI)이다.
베이스라인: LTT는 다음 모델들과 비교된다:
- 기존 유틸리티 OMS 추정치 (동일한 폭풍 기간 동안 발표된 것).
- 기후학적 예측 모델(Climatological predictor).
- 정적 및 래그 플래튼(lag-flattened) 부스팅 트리 모델 (LightGBM, XGBoost, CatBoost).
- 순환 신경망 (GRU, LSTM).
- 최근의 수정 사항들을 특징으로 결합한 "래그 플래튼" 베이스라인 (이 이점이 아키텍처가 아닌 피처 엔지니어링에서 오는지 테스트하기 위함).

주요 결과

기존 모델 대비 성능: LTT는 6개 회사 전체에서 동일한 폭풍 기간 동안 유틸리티가 발표한 추정치와 비교했을 때, 고객 가중 비대칭 오차(WAE)를 중앙값 기준 36.9%(범위 10.0–54.0%) 감소시켰다.
학습된 베이스라인 대비 성능: LTT는 각 회사별 가장 강력한 학습된 베이스라인에 비해 WAE를 중앙값 기준 11.3%(범위 6.2–19.2%) 감소시켰다.
만족도와 오차의 트레이드오프: 기존 OMS는 체계적인 과대 예측(보수적 접근)을 통해 경쟁력 있는 CSI를 달取得할 수 있으나, 이는 CSI와 같은 비율 기반 통계치가 잡아내지 못하는 부분이다. LTT는 6개 회사 모두에서 기존 모델보다 CSI를 개선하는 동시에 RMSE를 줄이는 유일한 방법이다.
수정 궤적: 오차 분석 결과, LMM의 오차는 첫 번째 수정 단계(이력이 존재하지 않는 시점)에서 가장 크며, 수정이 누적됨에 따라 단조 감소함을 보여준다. 이는 모델이 정전 궤적을 활용하는 능력을 입증한다.
주기 독립성: 성능 향상은 단순히 LTT가 더 빈번한 업데이트를 발행하기 때문이 아니다. OMS 업데이트 시점에 사용 가능한 가장 최근의 예측값만을 사용하여 LTT를 평가했을 때도, 기존 모델 대비 중앙값 34.2%의 이득을 유지했다.

의의 및 주장
본 논문은 다음 세 가지 특정 영역에서 독창성을 주장한다:

정식화(Formulation): 정전의 수정 스트림을 정적인 스냅샷이 아닌 종단적 시퀀스로 모델링한 최초의 연구이다.
벤치마킹(Benchmarking): 단순한 머신러닝 모델 간의 비교가 아니라, 명시적인 주기 매칭 제어 그룹을 두어 실제 고객 대상 유틸리티 추정치와 비교하였다.
아키텍처(Architecture): LTT 아키텍처를 기여하며, 서로 다른 6개의 운영 환경에서 그 효용성을 입증하였다.

저자들은 정전 사건을 수정의 시퀀스로 취급하는 것이 ETR 정확도를 크게 향상시킨다고 결론짓는다. 그러나 상당한 오차가 여전히 존재하며, 이 오차의 불가피한 부분을 규명하고 연대기적 평가를 수행하는 것은 향후 과제라고 언급하며 겸허한 태도를 유지한다.

유사한 논문