활용 사례 연구
Data-Optimized Contingency Screening: A Machine Learning Approach to Power System Security
ARarXiv
전력 시스템의 안정성 확보를 위해, 본 연구는 머신러닝을 활용하여 발생 가능한 사고(contingency)를 안전/보통/심각 세 단계로 분류하는 방법을 제시했습니다.
세 줄 요약
- 랜덤 포레스트(RF)가 가장 높은 성능을 보였으며, 특히 데이터 차원 축소에 기여한 PCA 전처리 과정이 모델의 예측 정확도를 높이는 핵심 요인으로 분석되었습니다.
- 본 기술은 기존 전통적 방식보다 확장성이 뛰어나, 전력 시스템 운영자가 보안 상태를 실시간으로 정밀하게 평가하고 선제적으로 대응할 수 있게 합니다.
- 데이터 불균형 해소에 도움을 주는 SMOTE 기법은 재현율(recall) 개선에 효과적이나 오탐지 위험이 있어, 정확도와 균형점 확보가 중요한 과제로 남아있습니다.
전력 시스템의 안정성 확보를 위해, 본 연구는 머신러닝을 활용하여 발생 가능한 사고(contingency)를 안전/보통/심각 세 단계로 분류하는 방법을 제시했습니다.