데이터 최적화 위기 대응 검토: 기계 학습 접근법을 통한 전력 시스템 안정성

전력 시스템의 안정성과 신뢰성을 보장하는 것은 특히 장애가 발생했을 때 필수적입니다. 전력 시스템의 위기 상황을 효과적으로 분류하면 적극적인 판단을 내릴 수 있고 대규모 장애와 실패를 미연에 방지할 수 있습니다. 이 연구에서는 대규모 언어 모델(LLM)에서 사용되는 기계 학습 알고리즘을 이용하여 전력 시스템의 위기 상황의 안전성 수준을 분류하는 safe, moderate, severe 세 가지 클래스로 분류하는 방법을 탐구합니다. 이 접근법에서 뉴턴-라프슨 로드 플로우 방법은 위기 시나리오에서 시스템 데이터를 추출하고, 안전성을 측정하는 Overall Performance Index (OPI) 사용합니다. 데이터 전처리에서, Minority Synthetic Oversampling Technique (SMOTE)과 Principal Component Analysis (PCA)는 클래스 불균형을 해결하고 차원 축소를 수행하기 위해 사용됩니다. K-가장 가까운 이웃(K-Nearest Neighbors, KNN), Random Forest (RF), Support Vector Machines (SVM)는 N-k 위기 시나리오를 통해 생성된 IEEE-14 및 IEEE-30 노드 시스템의 데이터셋에 대해 학습하고 평가합니다. 위기 상황의 중증도에 따라 우선순위를 둡니다. 중증도 위기 상황에 대한 정확도를 우선시합니다. RF는 IEEE-30에서 0.97, IEEE-14에서 0.86의 F1 점수를 달성했습니다. SVM은 PCA의 도움을 받아 정확도를 향상시키지만 KNN은 SMOTE와 PCA 변환에 적합합니다. 연구 결과, PCA는 모델의 전체 성능에 더 큰 기여를 하는 반면 SMOTE는 recalls를 개선하지만 false positives를 유발할 수 있으므로 정확도를 희생해야 합니다. 이 연구는 기존의 위기 분석에 대비하여 전력 시스템의 안정성 평가를 실시간으로 개선하는 대규모 언어 모델(LLM)의 가용성과 강력성을 강조합니다.