🤖 machine learning

Revisiting data-driven dynamic security assessment with a tabular foundation model

본 논문은 최소한의 레이블된 데이터로 여러 전력 계통의 사고를 높은 정확도로 평가하기 위해 인컨텍스트 학습(in-context learning)을 활용함으로써, 기존 머신러닝 방식의 확장성 및 일반화 한계를 극복하는 데이터 기반 동적 보안 평가를 위한 테이블형 파운데이션 모델을 제안한다.

원저자: Olayiwola Arowolo, Maosheng Yang, Jochen Cremer

게시일 2026-07-20

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Olayiwola Arowolo, Maosheng Yang, Jochen Cremer

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

전력망을 대륙 전체에 뻗어 있는 거대한 보이지 않는 신경계라고 상상해 보십시오. 이 신경계는 구리 혈관을 통해 번개와 같은 전기를 운반합니다. 인체와 마찬가지로, 이 시스템은 안정성을 유지해야 합니다. 만약 나무가 전선 위로 쓰러지거나 폭풍이 변전소를 강타하는 것과 같은 갑작스러운 충격이 가해진다면, 시스템 전체가 발작을 일으켜 대규모 정전으로 이어질 수 있습니다. 이를 방방하기 위해 전력망 운영자들은 "만약 ~한다면(what if)"이라는 고도의 심리전을 벌입니다. 그들은 끊임없이 질문합니다. "만약 이 특정 선로가 끊어진다면, 시스템이 살아남을 수 있을까?"

전통적으로 이 질문에 답하는 것은 모든 가능한 폭풍 시나리오에 대해 슈퍼컴퓨터 시뮬레이션을 실행하여 날씨를 예측하려는 것과 같습니다. 이는 정확하지만, 답을 얻었을 때쯤이면 이미 폭풍이 지나가 버릴 정도로 오래 걸립니다. 그래서 과학자들은 컴퓨터가 패턴을 인식하도록 가르치는 방식인 "머신러닝"을 사용하기 시작했습니다. 매번 느린 시뮬레이션을 실행하는 대신, 컴퓨터는 과거의 사례로부터 학습하여 상황이 안전한지 위험한지를 즉각적으로 추측합니다. 하지만 기존의 컴퓨터 학습 방식은 투박했습니다. 모든 유형의 사고마다 별도의 "학생"을 가르쳐야 했고, 만약 이전에 본 적 없는 생소하고 이상한 사고가 발생하면 이 학생들은 어떻게 대처해야 할지 몰랐습니다. 이 새로운 논문은 이 컴퓨터들을 더 똑똑하게 가르치는 방법, 즉 단 몇 개의 사례만으로도 학습할 수 있고 다시 학교에 갈 필요 없이 어떤 비상 상황도 처리할 수 있는 "파운데이션 모델(foundation model)"을 사용하는 방법을 탐구합니다.

문제점: 너무 많은 학생, 부족한 시간

전력망의 세계에서 "동적 보안 평가(Dynamic Security Assessment, DSA)"는 전력망이 갑작스러운 충격을 견딜 수 있는지 확인하는 과정입니다. 기존 방식은 마치 모든 교사가 오직 한 가지 종류의 재난만을 다룰 줄 아는 학교와 같았습니다. 불이 나면 화재 전문가 교사를 부르고, 홍수가 나면 홍수 전문가 교사를 불러야 했습니다. 하지만 실제 전력망에서는 수백 가지의 다양한 문제가 발생할 수 있습니다. 모든 가능성에 대해 별도의 컴퓨터 모델을 훈련시키는 데는 엄청난 시간과 데이터가 소모됩니다.

설상가상으로, 만약 이전에 본 적 없는 새로운 유형의 사고가 발생하면, 이 전문가들은 얼어붙어 버립니다. 그들은 자신이 암기한 특정 재난에 대해서만 학습했기 때문에 예측을 할 수 없습니다. 전력망이 빠르게 변화하고 있는 상황에서, 새로운 문제가 나타날 때마다 컴퓨터가 새로운 레슨을 학습하기를 기다릴 여유는 없습니다.

해결책: "슈퍼 튜터" (Tabular Foundation Model)

이 논문의 저자들은 **표 형식 파운데이션 모델(Tabular Foundation Model, TFM)**이라는 새로운 접근 방식을 제안합니다. 이것을 단순히 정답을 암기하는 학생이 아니라, 시스템이 어떻게 작동하는지에 대한 수백만 권의 책을 읽은 "슈퍼 천재 튜터"라고 생각하십시오. 이 튜터는 새로운 질문이 나올 때마다 다시 훈련될 필요가 없습니다. 대신, 이 모델은 **"인컨텍스트 러닝(in-context learning, 문맥 내 학습)"**이라는 기술을 사용합니다.

시험을 치르고 있다고 상상해 보십시오. 기존 방식에서는 시험을 보기 전 몇 주 동안 공부를 해야 했습니다. 하지만 이 새로운 튜터와 함께라면, 시험 직전에 몇 가지 예시 문제만 건네주면 됩니다. 튜터는 그 예시들을 보고 패턴을 파악한 뒤, 즉시 새로운 문제들을 풀어냅니다. 무언가를 "다시 배울" 필요 없이, 이미 가진 지적 능력을 사용하여 즉각적으로 적응하는 것입니다.

연구 내용 및 결과

연구진은 이 아이디어를 IEEE 68-bus 시스템이라는 표준 컴퓨터 전력망 모델을 통해 테스트했습니다. 그들은 이 "슈퍼 튜터"가 특히 데이터가 많지 않은 상황에서도 기존 방식보다 전력망의 안전을 더 잘 예측할 수 있는지 확인하고자 했습니다.

1. 적은 데이터, 더 나은 결과
가장 놀라운 발견은 이 튜터가 얼마나 적은 데이터를 필요로 하는가 하는 점입니다. 과거에는 각 재난에 대한 모델을 훈련시키기 위해 수천 개의 사례가 필요하다고 생각했습니다. 그러나 연구진은 이 새로운 TFM이 재난당 단 120개의 레이블된 사례(labeled examples)만으로도 약 **90%**의 평균 정확도(Macro F1 score)를 달ей할 수 있다는 것을 발견했습니다. 이는 통상적으로 필요하다고 생각되는 사례보다 약 **두 자릿수(100배)**나 적은 양입니다. 더욱 인상적인 점은, 재학습이나 설정 변경 없이도 이 성과를 냈다는 것입니다. 그냥도 작동했습니다.

2. 하나로 다스리는 모델
연구진은 22개의 서로 다른 재난을 처리하기 위해 22개의 모델을 따로 훈련시키는 대신, 단 하나의 TFM을 사용하여 모든 상황을 동시에 처리했습니다. 이 단일 모델은 동일한 작업을 수행하려는 기존의 가장 우수한 방법들을 능가했습니다. 특히 이 모델은 훈련 데이터에서 위험한 상황(insecure cases)이 매우 드물게 발생하는 경우에도 이를 포착하는 데 탁ла 뛰어났는데, 이는 실제 세계에서 블랙아웃이 드물지만 매번 반드시 잡아내야 하는 문제를 반영한 것입니다.

3. 보지 못한 것을 예측하기
진정한 마법은 모델이 한 번도 본 적 없는 재난을 테스트했을 때 일어났습니다.

제로샷 (Zero-Shot, 새로운 데이터 없음): 모델에게 새로운 재난에 대한 예시를 전혀 주지 않았을 때, 모델은 **전기적 거리 좌표(Electrical Distance Coordinates, EDC)**라는 특수한 "지도"를 사용했습니다. 이 지도는 재난이 전력망의 어디에서 발생했는지를 설명합니다. 이 지도를 사용하여 모델은 어느 정도 합리적인 예측을 할 수 있었지만, 완벽하지는 않았습니다.
퓨샷 (Few-Shot, 약간의 예시): 연구진은 모델에게 보지 못한 재난의 예시를 단 10개만 제공해 보았습니다. 이 아주 작은 힌트만으로도 모델의 성능은 해당 재난에 대해 모든 것을 알고 있는 이론적인 최적의 모델("오라클", oracle) 수준까지 급상승했습니다. 이는 실제 세계에서 새로운 재난에 대한 수천 개의 사례를 수집할 때까지 기다릴 수 없으며, 아주 적은 정보만으로도 빠르게 행동해야 한다는 점에서 매우 중요한 성과입니다.

한계와 미래

이 논문은 이것이 컴퓨터 모델을 이용한 시뮬레이션임을 명시하며 주의를 기울이고 있습니다. "슈퍼 튜터"가 모든 것을 즉시 해결하는 마법 지팡이는 아닙니다. 연구진은 매우 큰 규모의 전력망의 경우 모델이 너무 무거워져 실행 속도가 느려질 수 있으며, 생사가 걸린 결정을 내리기 전에는 여전히 인간 운영자의 검토가 필요하다고 지적합니다.

그럼에도 불구하고, 이 연구는 우리가 전력망을 보호하는 방식에 있어 중대한 변화를 예고합니다. 수천 개의 특정 모델을 구축하는 대신, 우리는 곧 몇 가지 예시만으로 학습하고 거의 모든 비상 상황을 처리할 수 있는 유연하고 똑똑한 하나의 모델에 의존하게 될지도 모릅니다. 이 연구는 전력망의 안전을 예측하는 어려운 과업을 느리고 데이터 집약적인 과정에서, 빠르고 효율적이며 놀라울 정도로 적응력이 뛰어난 과정으로 바꾸어 놓았습니다.

기술 요약: 표 형식 파운데이션 모델을 통한 데이터 기반 동적 보안 평가의 재고

1. 문제 정의

데이터 기반의 사전 고장(pre-fault) 동적 보안 평가(DSA)는 머신러닝(ML)을 사용하여 신뢰할 수 있는 사고(contingency) 하에서 전력 계통의 안정성을 신속하게 평가하는 것을 목표로 하며, 이는 기존의 계산 집약적인 시계열 시뮬레이션(TDS) 과정을 우회합니다. 그러나 기존의 데이터 기반 접근 방식은 두 가지 결정적인 한계에 직면해 있습니다:

모델 확산 및 비용: 전통적인 워크플로우는 잠재적으로 긴 목록에 있는 모든 개별 사고에 대해 별도의 분류기를 학습, 튜닝 및 유지 관리해야 합니다. 이는 각 모델에 필요한 대규모 레이블링 데이터베이스를 생성하는 데 상당한 계산적 부담을 초고합니다.
낮은 일반화 성능: 학습된 모델은 본 적 없는 사고(새로운 고장 위치 또는 토폴로지)나 변화하는 계통 조건에 제대로 대응하지 못하는 경우가 많습니다. 새로운 사고에 적응하려면 일반적으로 TDS를 통해 새로운 레이블링 데이터를 생성하고 새로운 분류기를 재학습해야 하는데, 이 과정은 느리고 자원 집약적입니다.

핵심 과제는 데이터 생성에 대한 계산 예산을 제한하면서도, 지속적인 모델 재학습 없이도 예기치 못한 시나리오에 대해 견고한 일반화 성능을 보장하며 높은 정확도의 DSA를 달고 달성하는 방법입니다.

2. 방법론

저자들은 이러한 한계를 해결하기 위해 TabPFN을 채택한 **표 형식 파운데이션 모델(Tabular Foundation Model, TFM)**을 활용하는 새로운 워크플로우를 제안합니다.

A. 표 형식 파운데이션 모델 (TFM)

특정 학습 데이터에 대해 경사 하강법(gradient descent)을 통해 파라미터를 학습하는 전통적인 분류기와 달리, TFM은 1억 개의 합성 데이터셋으로 사전 학습된 트랜스포머 기반 모델입니다. 이는 **인-컨텍스트 학습(In-Context Learning, ICL)**을 통해 작동합니다:

재학습 없음: 모델은 새로운 태스크를 위해 파라미터 업데이트나 하이퍼파라미터 튜닝을 필요로 하지 않습니다.
추론 메커칙: 레이블링된 학습 샘플 세트(컨텍스트)와 레이블이 없는 쿼리가 주어지면, TFM은 컨텍스트를 "어텐드(attend)"함으로써 단 한 번의 순전파(forward pass)를 통해 레이블을 예측합니다. 이는 베이지안 사후 예측 분포 $P(Y_{test}|X_{test}, X_{train}, Y_{train})$ 를 근사합니다.
샘플 효율성: 이 모델은 매우 작은 학습 데이터셋에서도 정확하게 작동하도록 설계되었습니다.

B. 제안된 워크플로우

이 워크플로우는 TFM을 사전 고장 DSA에 통합합니다:

오프라인 단계: 신뢰할 수 있는 사고들에 대해 TDS를 사용하여 훈련 데이터베이스를 생성합니다.
온라인 단계:
- 단일/다중 사고 평가: 단일 TFM이 여러 사고를 동시에 평가할 수 있습니다. 특정 사고의 경우, 해당 사고의 레이블링된 학습 데이터가 새로운 운전 조건(OCs)에 대한 TFM의 예측을 위한 "컨텍스트" 역할을 합니다.
- 미보지 사고(Unseen Contingencies): 학습 세트에 없는 새로운 사고를 처리하기 위해, 저자들은 사고 시나리오를 입력 특성으로 인코딩하는 방법을 조사합니다.

C. 시나리오 인코딩: EDC 및 mod-EDC

미보지 사고에 대한 일반화를 가능하게 하기 위해, 저자들은 고장 시나리오의 연속적 표현을 연구합니다:

전기적 거리 좌표 (Electrical Distance Coordinates, EDC): 고장 버스에서 일련의 기준 노드까지의 전기적 거리를 나타내는 연속 벡터입니다. 이는 이산적인 고장 인덱스를 대체하여, 모델이 유사한 고장 위치 사이를 보간(interpolate)할 수 있게 합니다.
수정된 EDC (mod-EDC): EDC만으로는 동일한 위치에서 서로 다른 선로에 의해 제거되는 고장을 구분할 수 없다는 점을 인식하여, 저자들은 **사고 후 토폴로지(post-fault topology)**를 포함하는 수정된 방식을 제안합니다.
- $Q_k = EDC^{pre}_k - EDC^{post}_k$
- 최종 인코딩 $M_k$ 는 사전 고장 EDC와 차분 좌표 $Q_k$ 를 결합합니다. 이는 고장 제거 동작에 의한 동기화 전력의 변화를 포착하며, 토폴로지 변화의 심각도를 나타내는 레이블이 없는 프록시 역할을 합니다.

3. 주요 기여

TFM의 사전 고장 DSA 최초 적용: 본 논문은 TFM이 (전통적으로 가정되는 것보다 두 자릿수 더 작은, 예: 12,000개 대비 120개) 학습 데이터베이스만으로도 재학습이나 하이퍼파라미터 최적화 없이 정확한 DSA 예측을 달성할 수 있음을 입증했습니다.
통합 다중 사고 분류기: 저자들은 단일 TFM이 여러 사고를 평가하는 워크플로우를 제안하며, 이는 사고당 하나의 분류기를 만드는 필요성을 제거합니다. 이 방식은 특히 클래스 불균형이 심한 시나리오에서 최신 다중 레이블 학습 베이스라인(MDSA-S)보다 우수한 성능을 보입니다.
일반화 특성 규명: 본 연구는 EDC 인코딩이 미보지 사고에 대한 일반화를 가능하게 하는 조건을 규명합니다. EDC가 제로샷 학습(zero-shot learning)에 효과적임을 보여주는 동시에, 제안된 mod-EDC 인코딩이 몇 개의 레이블된 샘플(예: 10개)이 있는 퓨샷 적응(few-shot adaptation) 상황에서 일반화 성능을 크게 향축시킨다는 것을 입증합니다.

4. 실험 결과

이 접근 방식은 22개의 신뢰할 수 있는 사고와 사고당 120,000개의 생성된 샘플이 포함된 IEEE 68-bus 시스템에서 평가되었습니다.

샘플 효율성: 사고당 단 120개의 레이블된 샘플만으로, TFM은 평균 **Macro F1 점수 약 90%**를 달성했습니다. 이는 유사한 성능에 도달하기 위해 훨씬 더 많은 데이터를 필요로 했던 베이스라인 모델들(XGBoost, MLP, DT, SVM-RBF)을 능가한 결과입니다.
특이도(Specificity): TFM은 120개의 샘플만으로도 최대 80%의 불안정 케이스를 정확히 분류했습니다(높은 특이도). 이는 DSA에서 매우 중요한 지표입니다.
다중 사고 성능: 풀링된 환경(22개 사고)에서, TFM은 균형 정확도(Balanced Accuracy, 93.86% vs. 83.43%)와 Macro F1(94.59% vs. 85.99%) 모두에서 MDSA-S 베이스라인을 능가했습니다. TFM은 MDSA-S가 다수 클래스를 예측하는 것으로 치우치기 쉬운 희귀한 불안정 케이스가 존재하는 "어려운" 사고 시나리오에서 탁월한 강건성을 보여주었습니다.
미보지 사고에 대한 일반화:
- 제로샷(Zero-Shot): 미보지 사고에 대해 EDC 인코딩이 원-핫 인코딩(one-hot encoding)보다 우수한 성능을 보였습니다.
- 퓨샷(Few-Shot): 새로운 사고에 대해 10개의 추가 레이블된 샘플과 mod-EDC 인코딩을 사용했을 때, TFM은 이론적으로 타겟 도메인의 전체 레이블 데이터를 필요로 하는 "오라클(oracle)" 전이 학습 모델(JDA-best)의 성능과 일치하는 결과를 보였습니다.
- 비교: TFM+10 방식(퓨샷)은 모델 파인튜닝 없이도 공동 도메인 적응(Joint Domain Adaptation, JDA) 방법의 이론적 상한선에 부합하는 0.88의 균형 정확도를 달성했습니다.

5. 의의 및 주장

본 논문은 이 초기 연구가 전력 계통 운영을 위한 파운데이션 모델 개발 및 배포를 위한 길을 열어준다고 주장합니다. 그 의의는 다음과 같습니다:

계산 부담 감소: 레이블링된 샘플 수를 획기적으로 줄임으로써, TDS를 통한 오프라인 데이터베이스 생성의 계산 비용을 크게 낮춥니다.
운영 유연성: 최소한의 데이터(또는 EDC를 통한 제로샷)로 미보지 사고에 대한 일반화가 가능하다는 점은 ML 기반 DSA의 실질적인 도입을 가로막는 핵심 장벽을 해결합니다.
확장성: 모든 사고마다 별도의 모델을 학습시켜야 하는 조합 폭발 문제를 제거하여, 대규모 전력 계통을 위한 확장 가능한 솔루션을 제공합니다.

저자들은 TFM의 현재 입력 크기 제한(100k 샘플, 2k 피처)과 모든 ML 기반 DSA와 마찬가지로 모델이 완벽한 안정성 예측을 보장하지 않으며 운영자의 검증이 필요하다는 점을 한계점으로 언급했습니다. 그러나 결과는 더욱 효율적이고 견고한 동적 보안 평가를 위한 실행 가능한 경로를 제시합니다.