전력망 결함 탐지를 위한 컨볼루션 자동인코더 기반 이상 탐지

본 논문은 전력 배전망에서 발생하는 고장을 효과적으로 탐지하기 위해, 정상 상태 전류 시계열만을 이용해 학습하는 비지도 학습 모델인 컨볼루션 자동인코더(CAE)를 제안한다. 기존의 지도 학습 기반 결함 탐지 방법은 라벨링된 고장 데이터가 필요하고, 새로운 고장 유형이 등장하면 재학습이 요구되는 한계가 있다. 이에 저자들은 정상 전류 파형을 학습시켜 재구성 오차가 크게 발생하는 구간을 이상(고장)으로 판단하는 이상 탐지 방식을 채택하였다. **1. 연구 배경 및 관련 연구** 전력 시스템은 점점 복잡해지고 분산형 에너지 자원이 증가함에 따라 전통적인 보호 계통이 한계에 봉착하고 있다. 기존 연구에서는 파형 변환(웨이블릿, 푸리에) 기반 특징 추출 후 SVM, ANN 등 지도 학습 모델을 적용했으며, 최근에는 딥러닝 기반의 CNN, LSTM 등을 활용한 고장 분류가 시도되고 있다. 그러나 이러한 방법은 충분한 라벨링 데이터와 고장 시나리오가 필요하고, 실시간 적용 시 연산량이 부담이 된다. **2. 제안 방법** 제안된 프레임워크는 다음과 같은 흐름으로 구성된다. - **데이터 전처리**: 전체 전류 신호를 고정 길이(T)로 오버래핑 윈도우를 적용해 N‑T+1개의 샘플을 생성한다. - **CAE 구조**: 인코더와 디코더 모두 2~3개의 1‑D Convolution 레이어와 풀링/업샘플링 레이어로 구성되며, 인코더 출력은 저차원 잠재 공간(바틀넥)으로 압축된다. - **학습**: 정상 상태(고장 없음) 전류 샘플만을 사용해 재구성 손실(L2‑norm)을 최소화하도록 학습한다. - **임계값 설정**: 학습 데이터에 대한 재구성 오차 중 최대값을 임계값 α로 정의한다. - **고장 탐지**: 테스트 단계에서 결함이 포함된 전류 샘플을 입력하고, 각 샘플의 재구성 오차가 α를 초과하면 해당 구간을 고장 구간으로 판정한다. **3. 실험 설정** - **시뮬레이션 데이터**: MATLAB/Simulink 기반 배전망 모델(400 kW PV‑펜스, 2개의 피더, 3개의 부하)에서 4가지 고장 유형(LG, LLG, TLG, LL)을 1 km 거리, 0.01 Ω 저항으로 100 ms 동안 시뮬레이션하였다. 샘플링 주기는 5e‑5 s(60 Hz 기준 320 샘플/사이클)이며, 각 고장은 2000 샘플로 기록되었다. - **공개 데이터**: Kaggle에서 제공된 전력 시스템 고장 데이터(약 7,600 샘플)로, 동일한 CAE 구조와 학습/테스트 프로세스를 적용하였다. **4. 평가 지표 및 결과** 혼동 행렬 기반으로 정확도, 정밀도, 재현율, 특이도, F1‑score를 계산하였다. 시뮬레이션 데이터에서는 정확도 97.62%, 정밀도 96.85%, 재현율 91.35%, 특이도 99.23%, F1‑score 94.02%를 기록했으며, 공개 데이터에서는 정확도 99.92%, 정밀도 99.89%, 재현율 100%, 특이도 99.74%, F1‑score 99.94%를 달성하였다. 이는 기존 전통적인 머신러닝 모델(예: SVM, RF) 대비 현저히 높은 성능을 보여준다. **5. 논의** 제안 방법의 강점은 라벨링 비용이 거의 필요 없으며, 모델이 정상 패턴을 학습함으로써 새로운 고장 유형에도 일반화 가능하다는 점이다. 또한, CAE는 파라미터 수가 적어 학습 시간이 짧고, 실시간 적용에 유리하다. 그러나 임계값을 단순히 최대 재구성 오차로 설정하는 것은 노이즈에 민감할 수 있으며, 실제 현장에서는 전압·전류 동시 입력, 비정상적인 부하 변동, 통신 지연 등 다양한 변수가 존재한다. 따라서 임계값을 통계적 방법으로 보정하거나, 적응형 임계값을 도입하는 것이 필요하다. 또한, 현재는 고장 여부만을 판단하고 고장 종류·위치를 구분하지 않으므로, 추가적인 분류 레이어나 다중 채널 입력을 통해 세부 고장 진단으로 확장할 여지가 있다. **6. 결론 및 향후 연구** 본 연구는 전력 시스템 고장 탐지를 위한 비지도 학습 기반 CAE 프레임워크를 제시하고, 시뮬레이션 및 공개 데이터에서 높은 정확도를 입증하였다. 향후 실제 현장 데이터 수집을 통한 검증, 다중 센서(전압·전류·주파수) 융합, LSTM·GRU와 같은 시계열 전용 모델과의 하이브리드, 온라인 학습 및 임계값 자동 조정 메커니즘을 연구함으로써 실시간 보호 시스템에 직접 적용 가능한 수준으로 발전시킬 계획이다.