Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 전력 분배 그리드에서 고장 위치를 정확히 파악하는 것은 신뢰성 유지 및 정전 시간 단축에 필수적입니다. 그러나 현대 그리드는 분산 에너지 자원 (DER) 의 통합과 수요 전기화로 인해 복잡해지고 있으며, 비용 제한으로 인해 측정 장치 (μPMU 등) 가 제한적으로 설치되어 부분 관측성 (Partial Observability) 문제가 발생합니다.
• 기존 방법의 한계:
  • 모델 기반 접근: 높은 관측성과 정적 가정 (토폴로지, 운영 조건 등) 에 의존하여 동적 환경에서 오작동이나 오경보가 발생하기 쉽습니다.
  • 기존 데이터 기반 (RNN/CNN): 시계열 패턴은 잘 포착하지만, 그리드의 위상적 연결성 (Bus 간 비균일한 전기적 연결) 을 고려하지 못해 성능이 제한적입니다.
  • 기존 GNN 연구: 대부분 3 상 센서가 밀집된 가정 하에 수행되었으며, 실제 측정 가능한 버스만 노드로 사용하는 부분 관측성을 반영한 그래프 구성 전략을 탐구하지 못했습니다. 또한, 다양한 최신 GNN 아키텍처에 대한 체계적인 비교 연구가 부족했습니다.

2. 제안된 방법론 (Methodology)

저자들은 시공간 그래프 신경망 (STGNN) 파이프라인을 제안하며, 시간적 의존성과 공간적 위상 정보를 동시에 학습합니다.

가. 시공간 아키텍처 (STGNN Pipeline)

1. 시간적 특징 추출 (Temporal): 각 측정 노드 (μPMU) 의 시계열 데이터 (RMS 전압) 를 GRU (Gated Recurrent Unit) 를 통해 처리하여 시간적 특징 벡터를 생성합니다.
2. 공간적 특징 추출 (Spatial): 생성된 GRU 임베딩을 GNN (Graph Neural Network) 레이어에 입력하여 노드 간의 위상적 관계를 학습합니다.
3. 최종 예측: 노드별 예측 확률을 Soft Voting 방식으로 집계하여 전체 그리드의 고장 위치를 판단합니다.

나. 제안된 GNN 아키텍처

기존 연구에서 분배 그리드 고장 탐지에 적용되지 않았던 두 가지 모델을 도입했습니다.

• RGSAGE (Recurrent GraphSAGE): 이웃 노드 정보를 집계할 때 고정된 정규화 대신 학습 가능한 집계 함수 (Mean/Max Pooling) 를 사용하여 구조 변화에 유연하게 대응합니다.
• RGATv2 (Recurrent GATv2): 기존 GAT 의 한계를 개선한 GATv2를 적용하여, 비대칭적인 이웃 기여도를 학습할 수 있는 어텐션 메커니즘을 도입했습니다.

다. 그래프 구성 전략 (Graph Construction)

• 전체 토폴로지 (Full-topology): 실제 그리드의 모든 버스 (측정/비측정 포함) 를 노드로 포함. 비측정 노드는 0 값 특징을 가지며, 이는 노이즈 전파를 유발할 수 있음.
• 측정 전용 토폴로지 (Measured-only, 제안): 실제 설치된 μPMU 노드만을 그래프 노드로 정의하고, 물리적 연결성을 기반으로 이들 간의 간접 연결을 매핑하는 알고리즘을 제안합니다. 이는 실제 부분 관측 환경을 반영합니다.

3. 실험 설정 (Experimental Setup)

• 데이터셋: IEEE 123-bus 피더를 기반으로 OpenDSS 시뮬레이션을 수행.
  • 고장 유형: 11 가지 고장 유형 (LG, LL, LLG, 3 상 등) 및 다양한 고장 저항 (0.1~10Ω).
  • 측정: 25 개의 μPMU 가 설치된 시나리오 (부분 관측성 반영).
  • 데이터 생성: 부하 변동 (0.5~1.3 p.u.) 및 고장 저항을 다양화하여 250 만 개의 슬라이딩 윈도우 생성.
• 비교 대상:
  • Baseline: 순수 RNN (GRU) 모델.
  • GNN Baseline: 기존 RGCN (Graph Convolutional Network).
  • 제안 모델: RGSAGE, RGATv2.
• 평가 시나리오:
  1. Default Configuration: 표준 IEEE 123-bus 구성.
  2. Green Configuration: 스위치 재구성 (Tie-switch 조작) 을 통해 전력 흐름이 우회되는 환경으로, 고장 신호가 더 미묘하고 탐지가 어려운 조건.

4. 주요 결과 (Key Results)

가. 아키텍처 성능 비교 (STGNN vs RNN)

• 성능 향상: 모든 STGNN 모델이 순수 RNN (GRU) 보다 월등히 높은 성능을 보였습니다.
  • 기본 구성 (Default): STGNN(F1 ≈ 0.95) vs GRU(F1 ≈ 0.86) → 약 9%p 향상.
  • 어려운 조건 (Green): STGNN(F1 ≈ 0.86~0.88) vs GRU(F1 ≈ 0.755) → 약 11%p 향상.
• 강건성 (Robustness):
  • STGNN 모델들은 실행 간 신뢰 구간 (Confidence Interval) 이 매우 좁음 (±1.4% 이내).
  • 반면, GRU 는 신호가 약한 환경에서 신뢰 구간이 크게 넓어짐 (±7.5% 까지). 이는 GNN 이 위상적 정보를 통해 더 안정적인 예측을 함을 의미합니다.
• 모델 간 차이: 기본 조건에서는 RGATv2 가 약간 우세했으나, 신호가 미묘한 Green 조건에서는 RGSAGE-Max가 가장 좋은 성능을 보였습니다. 이는 Max Pooling 이 미세한 고장 신호 (피크) 를 포착하는 데 더 효과적임을 시사합니다.

나. 그래프 토폴로지 비교 (Measured-only vs Full-topology)

• 성능:
  • 기본 조건에서는 두 토폴로지 간 성능 차이가 미미함.
  • Green 조건 (어려운 환경): 전체 토폴로지는 성능이 급격히 하락 (F1 ≈ 0.71) 했지만, 측정 전용 토폴로지는 F1 0.86~0.88 을 유지했습니다.
  • 이유: 전체 토폴로지에서 비측정 노드의 0 값 특징이 메시지 전달 (Message Passing) 과정에서 측정된 노드의 정보를 희석시키고 노이즈를 전파하기 때문입니다.
• 효율성:
  • 측정 전용 토폴로지는 그래프 크기가 작아 학습 시간이 전체 토폴로지 대비 약 6 배 단축되었습니다.

5. 기여 및 의의 (Contributions & Significance)

1. 체계적인 벤치마킹: 분배 그리드 고장 탐지를 위해 GraphSAGE 와 GATv2 기반의 새로운 STGNN 아키텍처를 처음 제안하고, 기존 RNN 및 RGCN 과 체계적으로 비교 평가했습니다.
2. 부분 관측성 해결 전략: 실제 측정 장비의 제한을 반영한 '측정 전용 (Measured-only)' 그래프 구성 알고리즘을 제안했습니다. 이는 기존에 1:1 매핑 (전체 토폴로지) 에만 의존하던 관행을 탈피하여, 노이즈 전파를 방지하고 계산 효율성을 극대화합니다.
3. 실용적 통찰:
   • GNN 기반 모델이 단순 RNN 보다 정확도뿐만 아니라 예측 안정성 (Robustness) 면에서 우월함을 입증했습니다.
   • 특히 고장 신호가 약하거나 그리드 구성이 변경되는 환경에서도 측정 전용 그래프가 더 높은 성능과 효율성을 제공함을 확인했습니다.
4. 미래 지향성: 제안된 모델들이 다양한 그리드 구성에 대한 일반화 (Generalization) 능력을 가질 가능성을 제시하며, 향후 더 복잡한 고장 진단 작업으로 확장할 수 있는 기반을 마련했습니다.

결론

이 논문은 부분 관측성 분배 그리드에서 고장 위치 탐지를 위해 STGNN이 강력한 도구임을 입증했습니다. 특히, 측정된 데이터만을 기반으로 한 그래프 구성은 계산 비용을 획기적으로 줄이면서도, 노이즈에 덜 민감하고 더 강건한 성능을 제공하여 실제 전력망 운영에 적용 가능한 효율적인 프레임워크를 제시했습니다.