대규모 자연재해 전력 중단 지속시간 예측을 위한 게이트형 그래프 어텐션 네트워크

본 논문은 기후 변화로 빈도가 증가하고 있는 허리케인·폭설·산불 등 자연재해가 초래하는 대규모 전력 중단의 복구 시간을 예측하는 새로운 머신러닝 프레임워크를 제시한다. 연구 배경으로는 전력 인프라의 복원력 강화가 에너지 산업과 정책 입안자에게 핵심 과제로 대두되고 있으며, 특히 정전 지속시간을 정확히 예측하면 비상 대응, 인력·자원 배치, 고객 보상 등에 큰 도움이 된다는 점을 강조한다. 기존 연구는 주로 통계적 회귀나 트리 기반 모델을 사용했지만, 공간적 상관관계와 지역별 이질성을 충분히 반영하지 못한다는 한계를 지적한다. 데이터는 2017~2021년 사이 미국 동남부에 상륙한 6대 허리케인(Florence, Irma, Laura, Michael, Sally, Zeta)으로부터 수집했으며, 총 557개 카운티와 1,500만 명 이상의 고객을 포함한다. 각 카운티는 시간에 따라 변하는 정전 고객 수, 허리케인 풍속 구역(34‑49, 50‑63, 64+ knots), 인구·면적·사회취약지수(SVI) 등 11개의 정량적 특성을 갖는다. 정전 지속시간은 최대 정전 고객 수 시점부터 5% 이하로 감소할 때까지의 시간으로 정의하고, DOE 복구 가이드라인에 따라 <2일, 2‑6일, >6일의 세 등급으로 라벨링하였다. 문제 정의는 그래프 기반 노드 수준 다중 클래스 분류로, 각 카운티를 그래프의 노드로, 인접 카운티 관계를 엣지로 표현한다. 공간 의존성은 n‑hop 이웃까지 고려하며, n은 Moran’s I 통계량을 통해 데이터에 내재된 상관성을 정량화해 결정한다. 본 연구에서는 최소 2‑hop까지 유의미한 양의 상관이 발견돼 n=2를 채택하였다. 제안 모델인 Bimodal Gated Graph Attention Network(BiGGA​T)는 두 핵심 모듈로 구성된다. 첫 번째 모듈인 Bimodal Embedding은 K‑means 클러스터링을 이용해 풍속 구역과 정전 지속시간을 기반으로 두 개(또는 다수)의 이질적 군집을 만든다. 각 군집마다 별도의 선형 변환 행렬 β(lᵥ)를 학습해 초기 메시지 mᵥ,₀=β(lᵥ)xᵥ를 생성한다. 이는 지역별 특성 차이를 사전에 구분함으로써 이후 그래프 연산에서 과도한 평균화를 방지한다. 두 번째 모듈인 Gated Graph Attention은 기존 Graph Attention Network(GAT)의 어텐션 기반 이웃 집계와 Gated Recurrent Unit(GRU)의 순환 메커니즘을 결합한다. 구체적으로, 현재 노드의 이전 메시지 mᵥ,ₖ₋₁와 이웃 Nᵥ의 메시지를 어텐션 가중치로 가중합해 중간 표현 hᵥ,ₖ를 만든 뒤, GRU 셀에 (mᵥ,ₖ₋₁, hᵥ,ₖ)를 입력해 새로운 메시지 mᵥ,ₖ를 생성한다. 이 과정을 kₘₐₓ(논문에서는 2)번 반복함으로써 2‑hop 이상의 고차 공간 의존성을 효과적으로 전파한다. GRU의 메모리 구조는 시간적·공간적 정보를 동시에 보존해, 특히 샘플이 적은 중·장기 정전 클래스에 대한 학습 안정성을 높인다. 최종 메시지는 선형 읽기 레이어를 거쳐 3개의 클래스 확률로 변환된다. 실험은 유도 학습(inductive) 설정으로 진행하였다. 6개의 허리케인 중 하나를 테스트 셋으로 남기고 나머지 5개로 모델을 학습했으며, 이 과정을 6번 반복해 각 사건별 성능을 평가했다. 비교 대상은 XGBoost, Random Forest, 순수 GAT, Bimodal GAT(BiGA​T) 등이다. 성능 지표는 전체 정확도, Macro‑F1, Balanced Accuracy이며, BiGGA​T는 평균 정확도 85.9%, Macro‑F1 78.3%, Balanced Accuracy 0.762를 기록해 모든 비교 모델을 앞섰다. 특히 BiGA​T와 비교했을 때 GRU를 도입함으로써 고차 이웃 전파가 강화돼 중·장기 정전 클래스의 정확도가 크게 개선되었다. 추가 분석으로는 테스트 카운티를 지리적 겹침 여부에 따라 “overlap”와 “absolute disjointed” 두 그룹으로 나누어 일반화 능력을 검증했다. 절대 비연결군(265개 카운티)에서도 82.4%의 정확도를 유지했으며, 전체 오류 중 27.3%만을 차지해 모델이 새로운 지역에서도 견고하게 작동함을 보여준다. 논문의 한계는 데이터가 카운티 수준으로 집계돼 전력망 내부의 상세 토폴로지(변전소·배전선) 정보를 활용하지 못한다는 점, 풍속 외에 강수량·홍수 등 다중 재해 요인을 포함하지 않아 확장성이 제한될 수 있다는 점, 그리고 GRU와 어텐션 결합으로 인한 계산 비용 증가가 실시간 적용에 제약이 될 수 있다는 점이다. 향후 연구에서는 더 미세한 전력망 그래프, 다중 재해 변수 통합, 경량화 모델 설계 등을 통해 실용성을 높일 수 있을 것으로 기대한다.