Data-Optimized Contingency Screening: A Machine Learning Approach to Power System Security
작성자
카테고리
Empty
저자
Joshua Salako, Folajimi Osikomaiya, Olakorede Olamiju
💡 개요
본 연구는 전력 시스템의 안정성과 신뢰성 확보를 위해 사전에 장애(contingency)의 위험 수준을 안전, 보통, 심각으로 분류하는 머신러닝 기법을 제안합니다. 뉴턴-랩슨 부하 흐름 분석과 전체 성능 지수(OPI)를 활용하여 장애 시나리오로부터 데이터를 추출하고, SMOTE와 PCA를 통해 데이터 불균형을 해소하고 차원을 축소했습니다. 결과적으로 Random Forest(RF)가 가장 우수한 성능을 보였으며, PCA가 SMOTE보다 모델 성능 향상에 더 효과적인 것으로 나타났습니다.
🔑 시사점 및 한계
•
머신러닝은 전통적인 장애 분석 기법을 대체할 수 있는 확장 가능하고 강력한 대안을 제공하며, 실시간으로 전력 시스템의 보안 평가를 향상시킬 수 있습니다.
•
PCA 전처리는 모델의 전반적인 성능 향상에 더 크게 기여하며, SVM과 같은 알고리즘의 정확도 개선에 유의미한 효과를 보였습니다.
•
SMOTE는 재현율(recall)을 높이는 데 기여하지만, 위양성(false positive)을 유발할 수 있어 정확도와의 상충 관계가 존재합니다.