본 논문은 독립형 마이크로그리드의 취약성 평가를 위한 빠르고 설명 가능한 프레임워크를 제안합니다. 기존의 Monte Carlo Simulation (MCS)의 계산 비용 및 시간 소모 문제와 기존 머신러닝 기반 접근 방식의 정확성 및 설명력 부족 문제를 해결하기 위해, MCS와 Self-attention Pooling이 적용된 Graph Attention Network (GAT-S)를 통합하는 프레임워크를 제시합니다. MCS는 훈련 데이터를 생성하고, GAT-S 모델은 마이크로그리드의 구조적 및 전기적 특성을 학습하여 취약성을 지능적으로 평가합니다. GAT-S는 중요한 노드에 동적으로 가중치를 할당하여 설명력과 계산 효율성을 향상시킵니다. 다양한 마이크로그리드 구성에 대한 실험 결과, 제안된 프레임워크는 0.001의 평균 제곱 오차, 1초 이내의 실시간 응답성 및 설명 가능한 결과를 제공하여 정확한 취약성 평가를 수행함을 보여줍니다.
