본 논문은 독립형 마이크로그리드의 취약성 평가를 위한 빠르고 설명 가능한 프레임워크를 제안한다. 기존의 Monte Carlo Simulation (MCS) 방법의 계산 비용과 시간 소모 문제 및 기존 머신러닝 기반 접근법의 정확성 및 설명 가능성 부족 문제를 해결하기 위해, MCS와 Self-attention Pooling이 강화된 Graph Attention Network (GAT-S)를 통합하는 프레임워크를 제시한다. MCS는 훈련 데이터를 생성하고, GAT-S 모델은 마이크로그리드의 구조적, 전기적 특성을 학습하여 취약성을 지능적으로 평가한다. GAT-S는 중요 노드에 동적으로 가중치를 할당하여 설명 가능성과 계산 효율성을 향상시킨다. 다양한 마이크로그리드 구성에 대한 실험 결과, 제안된 프레임워크는 0.001의 평균 제곱 오차, 1초 이내의 실시간 응답성, 그리고 설명 가능한 결과를 제공함을 보여준다.
