Dynamic threshold hybrid supervised multiscale convolutional autoencoder via distance metric learning for distribution system fault diagnosis

전력망은 현대 생활의 보이지 않는 혈관 시스템으로, 거대한 발전소에서 전력을 전달받아 이를 필요로 하는 가정과 기업에 전기를 공급합니다. 과거에 이러한 네트워크는 전기가 한 방향으로만 흐르는 단순한 방사형 선 구조였습니다. 그러나 오늘날의 전력망은 특히 지역 사회에 서비스를 제공하는 배전 네트워크를 중심으로 복잡한 그물망 형태가 되었습니다. 현대적인 그리드는 태양광 패널이나 풍력 터빈과 같은 재생 에너지원을 포함하고 있으며, 이는 높은 불확실성을 불러옵니다. 결함(단락 또는 선로 단선)이 발생하면 네트워크를 통해 전기적 파동이 퍼져 나갑니다. 엔지니어들의 과제는 정확히 어디에서 문제가 시작되었는지 찾아내는 것입니다. 밀집된 네트워크에서는 한 지점의 결함이 가진 전기적 신호가 인접한 위치의 결함과 거의 동일하게 보일 수 있어, 서로 구별하기 어려운 혼란스러운 중첩 현상을 만들어냅니다. 만약 시스템이 이러한 유사한 사건들을 구별하지 못한다면, 수리 팀을 엉뚱한 곳으로 보내거나 위험 요소를 격리하지 못해 더 넓은 범위의 정전을 초래할 수 있습니다.

이를 해결하기 위해 연구자들은 엄격하게 미리 작성된 규칙을 따르는 대신, 방대한 양의 데이터를 학습하여 패턴을 인식하는 일종의 컴퓨터 지능인 딥러닝에 주목했습니다. 목표는 컴퓨터가 그리드에서 흘러 들어오는 전압 및 전류 데이터를 살펴보고, 신호가 지저분하거나 결함이 이웃 지점과 매우 유사한 곳에서 발생하더라도 즉각적으로 특정 위치를 식별하도록 가르치는 것입니다. 중국의 여러 대학 연구진은 이러한 혼란스럽고 중첩된 신호 문제를 해결하기 위한 새로운 방법을 개발했습니다. 그들은 단순히 결함을 찾아낼 뿐만 아니라, 데이터가 너무 불분clear하여 추측을 하기에는 부적절한 시점까지도 알아차려 위험한 실수를 방지할 수 있는 고도로 훈련된 전문가처럼 작동하는 시스템을 만들었습니다.

그들 솔루션의 핵심은 실제 전력망의 노이즈와 혼란을 처리하기 위해 설계된 3단계 과정입니다. 첫째, 그들은 딥 피처 추출기(deep feature extractor) 역할을 하는 디지털 모델을 구축했습니다. 이 모델을 다양한 렌즈를 통해 전기 데이터를 동시에 관찰할 수 있는 필터 세트라고 상상해 보십시오. 어떤 렌즈는 전압의 매우 빠르고 갑작스러운 변화에 집중하는 반면, 다른 렌즈는 시간에 따라 서서히 변화하는 추세에 주목합니다. 이러한 다양한 관점을 결합함으로써, 모델은 결함의 가장 중요한 세부 사항을 추출하고, 보통 진실을 가려버리는 배경 잡음과 노이즈를 제거할 수 있습니다. 이 모델은 두 단계 접근 방식으로 훈련되었습니다. 먼저 데이터의 일반적인 형태를 스스로 학습한 다음, 특정 결함 사례를 통해 무엇을 찾아야 하는지 정밀하게 미세 조정(fine-tuning)되었습니다. 이러한 하이브리드 훈련 방식은 시스템이 배경의 번잡함을 무시하고 특정 노드에서의 문제만이 가진 고유한 특징에 집중할 수 있도록 돕습니다.

모델이 데이터를 정제하고 명확한 특징을 추출하고 나면, 시스템의 두 번째 부분이 제어권을 이어받아 결정을 내립니다. 데이터 포인트 간의 거리를 단순히 직선으로 측정하는 방식은 데이터가 복잡할 때 오해를 불러일킬 수 있으므로, 이 시스템은 더 정교한 거리 측정 방식을 사용합니다. 이는 마치 지형이 울퉁불퉁할 때 북쪽으로 1마일 가는 것과 동쪽으로 1마일 가는 것이 같지 않다는 것을 아는 지도 제작자처럼, 데이터의 각 부분이 서로 어떻게 연관되어 있는지를 고려합니다. 이를 통해 시스템은 네트워크 내에서 매우 가까운 이웃이라 할지라도 유사한 결함들을 더 정확하게 그룹화하고 다른 결함들과 분리할 수 있습니다.

세 번째이자 아마도 가장 중요한 부분은 불확실성을 다루기 위해 설계된 안전 밸브입니다. 현실 세계의 전기 신호는 고조파 노이즈나 진동과 같은 무작위 간섭에 의해 왜곡되는 경우가 많으며, 이는 명확한 신호를 엉망으로 만들 수 있습니다. 표준적인 시스템이 지저분한 신호를 접하면, 이를 강제로 분류하려고 시도하여 무해한 변동을 주요 결함으로 오인하거나 실제 위험을 놓칠 수도 있습니다. 이 새로운 방법은 확신 검사 역할을 하는 동적 임계값(dynamic threshold)을 도입합니다. 만약 시스템이 어떤 신호가 알려진 패턴으로부터 너무 멀다고 계산하면, 강제로 분류를 수행하지 않습니다. 대신, 해당 이벤트를 불확실한 것으로 표시하고 인간 운영자가 검토할 수 있도록 남겨둡니다. 이러한 보수적인 접근 방식은 시스템이 실제로는 노이즈일 뿐인 상황에서 결함이라고 자신 있게 선언하는 일을 방지하여, 허위 경보의 위험을 효과적으로 줄여줍니다.

연구진은 실제 피더 라인(feeder line)을 모방한 표준 배전 네트워크 시뮬레이션인 IEEE 34 노드 시스템을 사용하여 그들의 방법을 테스트했습니다. 그들은 인접한 노드에서 발생하는 결함, 즉 전기적 신호가 거의 동일한 가장 까다로운 시나리오에 집중했습니다. 테스트 결과, 이 시스템은 평균 99.2%의 진단 정확도를 달려냈으며, 이는 더 단순한 구조나 표준 측정 기술에 의존하는 다른 딥러닝 모델들을 크게 상회하는 성과입니다. 또한 무작위 정적(static)인 가우시안 노이즈와 리드미컬한 간섭인 고조파 노이즈 등 다양한 유형의 노이즈를 시뮬레이션에 도입했을 때도, 다른 모델들의 성능이 떨어지는 것과 달리 이 방법은 높은 정확도를 유지했습니다.

아마도 가장 결정적인 결과는 안전 밸브 메커니즘을 테스트했을 때 나타났습니다. 연구진이 불확실한 샘플을 표시하도록 동적 임계값을 활성화했을 때, 시스템의 전체적인 정확도가 실제로 향상되었습니다. 가장 혼란스러운 데이터에 대해 추측하기를 거부함으로써, 시스템은 평균 성능을 깎아먹을 수 있는 오류들을 피할 수 있었습니다. 심한 노이즈가 있는 시뮬레이션에서 이 안전 기능을 갖춘 시스템은 이 기능이 없을 때의 98.12%와 비교하여 98.53%의 평균 정확도에 도달했습니다. 이는 결정을 내리지 않는 법을 아는 것이 결정을 내리는 법을 아는 것만큼 중요하다는 것을 입증합니다. 이 연구는 데이터에 대한 다각적 관점, 유사성을 측정하는 더 스마트한 방식, 그리고 불확실성에 대한 신중한 접근 방식을 결합함으로써, 현대 전력망의 복잡하고 노이즈가 많은 환경에서도 매우 정확하고 신뢰할 수 있는 결함 진단 도구를 만드는 것이 가능하다는 것을 확인시켜 줍니다.