Comparative Analysis of Machine Learning Models for Predicting Grid Stability Using Tabular and Transformer Architectures

기술 요약: 그리드 안정성 예측을 위한 머신러닝 모델의 비교 분석

문제 정의
재생 가능 에너지 자원, 전기 자동차, 그리고 분산형 에너지 자원(DER)의 통합 증가는 현대 전력 시스템에 상당한 불확실성과 비선형성을 초래했습니다. 전통적인 규칙 기반 및 물리 기반 모니터링 방식은 동적인 부하 조건, 양방향 전력 흐 flow, 간헐적 발전량을 처리하는 데 필요한 적응성이 부족한 경우가 많습니다. 머신러닝(ML)이 안정성 평가를 위한 유망한 대안으로 부상했으나, 기존 문헌은 종종 고립된 응용 분야(예: 특정 고장 탐지)에 집중하거나, 통일된 프레임워크 내에서 고전적 ML, 앙상블 학습, 그리고 딥러닝 아키텍처 간의 포괄적인 비교가 부족합니다. 또한, 많은 연구가 정확도를 우선시하면서도 실제 스마트 그리드 배포를 위한 계산 가능성이나 해석 가능성을 충분히 다루지 못하고 있습니다.

방법론
본 연구는 10,000개의 시뮬레이션 샘플로 구성된 벤치마크 데이터셋을 사용하여 전기 그리드 안정성을 예측하기 위한 고전적, 앙상블 및 딥러닝 모델을 평가하는 비교 프레임워크를 제시합니다. 데이터셋은 13개의 운영 특성(토크 파라미터, 유효 전력 값, 조속기 파라미터 및 주파수 관련 지표 포함)을 포함하며 두 가지 작업을 대상으로 합니다:

1. 이진 분류: 그리드 안정 상태 예측 (안정/불안정, stabf로 라벨링).
2. 회귀: 연속적인 안정성 점수 예측 (label stab).

데이터 전처리:
데이터셋은 z-score 표준화를 거쳤습니다. 누락된 값이나 범주형 인코딩은 필요하지 않았습니다. 데이터는 클래스 분포를 보존하기 위해 층화 추출(stratified sampling)을 사용하여 80%의 훈련 세트와 20%의 테스트 세트로 분할되었습니다.

평가된 모델:
다양한 알고리즘 세트가 GridSearchCV와 5-겹 교차 검증(5-fold cross-validation)을 통해 엄격하게 튜닝되었습니다:

• 고전적 ML: 로지스틱 회귀(LogReg), 서포트 벡터 분류기(SVC), K-최근접 이웃(KNN).
• 앙상블 방법: 랜덤 포레스트(RF), XGBoost, 그리고 (RF, SVC, KNN, XGBoost를 로지스틱 회귀 메타 분류기와 결합한) 스태킹 분류기(Stacking Classifier).
• 딥러닝: PyTorch로 구현된 트랜스포머(Transformer) 기반 아키텍처로, 마스크드 위치 인코딩(masked positional encoding)과 셀프 어텐션(self-attention) 메커니즘을 사용하여 정형 데이터에 맞게 커스텀되었습니다.

평가 지표:

• 분류: 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-Score, ROC-AUC.
• 회귀: R² 점수(결정 계수) 및 평균 제곱 오차(MSE).
• 통계적 검증: 관찰된 성능 차이가 통계적으로 유의미한지 확인하기 위해 교차 검증된 F1-score에 대해 대응 표본 t-검정(Paired t-tests)을 수행했습니다.

주요 결과

• 분류 성능: 트랜스포머 기반 아키텍처가 모든 지표에서 가장 높은 성능을 달립, 정확도 97.96%, F1-score 97.95%, 교차 검증 평균 점수 **97.67%**를 기록했습니다. 이는 서포트 벡터 분류기(SVC)를 유의미하게 능가하였으며(p-value < 0.01), 스태킹 분류기와 XGBoost 또한 강력한 성능(F1-score > 0.97)을 보였습니다. 반면 로지스틱 회귀는 가장 낮은 능력(정확도 ~81.95%)을 보여 비선형 그리드 역학을 포착하는 데 한계가 있음을 드러냈습니다.
• 회귀 성능: 연속적인 안정성 지수를 예측하는 데 있어 랜덤 포레스트 회귀 모델이 가장 높은 R² 점수인 0.89를 달성하여 강력한 예측 능력을 입증했습니다. 트랜스포머와 XGBoost 모델 또한 회귀 작업에서 전통적인 선형 모델보다 우수한 성능을 보였습니다.
• 특성 중요도: 트리 기반 모델(RF 및 XGBoost) 분석 결과, g3(발전기 관련 안정성 지표), tau1(시상수), p1(유효 전력)이 가장 영향력 있는 특성으로 식별되었습니다. 상관 행렬은 특성 간 낮은 다중공선성을 나타내어 모델의 해석 가능성을 뒷받침했습니다.
• 계산 효율성: 정확도와 훈련 시간 사이의 트레이드오프가 관찰되었습니다. 트랜스포머 모델은 경량 모델인 로지스틱 회귀(1.8초) 및 KNN(2.0초)에 비해 훨씬 긴 훈련 시간(~39.6초)이 소요되었습니다. 그러나 저자들은 우수한 예측 정확도가 고위험 그리드 모니터링을 위한 계산 비용을 정당화한다고 주장합니다.

주요 기여 및 의의
본 논문은 그리드 안정성 예측을 위해 고전적, 앙상블 및 트랜스포머 기반 모델을 제공하는 통합 비교 분석을 통해 문헌의 공백을 메운다고 주장합니다. 주요 기여는 다음과 같습니다:

1. 트랜스포머의 우월성 입증: 본 연구는 원래 시퀀스 설계를 위해 만들어진 트랜스포머 아키텍처가 복잡한 특성 상호작용을 포착하는 데 있어 전통적인 ML 방법을 능가하며, 구조화된 정형 그리드 데이터에 효과적으로 적응될 수 있다는 경험적 근証을 제공합니다.
2. 엄격한 벤치마킹: 모든 모델에 동일한 전처리, 하이퍼파라미터 최적화 및 교차 검증 프로토콜을 적용함으로써 예측 정확도, 견고성 및 일반화에 대한 공정한 비교를 보장합니다.
3. 지속 가능성 목표와의 정렬: 제안된 데이터 기반 프레임워크는 그리드 회복 탄력성과 운영 효율성을 향상시킴으로써 UN 지속가능발전목표인 SDG 7(저렴하고 깨끗한 에너지), SDG 9(산업, 혁신 및 인프라), SDG 13(기후 행동)을 지원합니다.
4. 실질적 실현 가능성: 결과는 트랜스포머와 같은 고급 모델이 더 높은 계산 비용을 수반하지만, 그 정확도와 견고함이 실시간 그리드 모니터링 시스템 및 엣지 환경로의 통합을 위한 실행 가능한 후보임을 확인시켜 줍니다.

향 향후 연구 방향
저자들은 향-후 연구가 이러한 모델을 SCADA/EMS 시스템과 통합하여 근실시간 모니터링을 수행하고, SHAP 또는 LIME과 같은 설명 가능한 AI(XAI) 기술을 채택하여 해석 가능성을 더욱 높이며, 그리드 데이터의 시간적 맥락을 더 잘 포착하기 위해 트랜스포머와 LSTM을 결합한 하이브리드 아키텍처를 탐색하는 데 집중해야 한다고 제안합니다.