2.1 계기용 변성기의 소손원인 및 진단 방법

계기용 변성기(MOF)는 고전압·대전류를 계량 가능 범위의 저전압·소전류로 변성하는 핵심 설비이나, 장기 운용에 따른 물리적, 환경적 요인으로 인해 다양한 고장이 발생한다. 주요 소손 원인으로는 과전류 및 단락 사고에 의한 전기적 스트레스, 접촉 불량으로 인한 국부 발열 등의 열적 요인, 그리고 수분 및 분진 유입에 따른 절연 파괴 등의 환경적 요인이 복합적으로 작용한다^[3]. 계기용 변성기의 진단 방법은 절연 저항 측정, 운전 전압 및 전류의 정상 범위 이탈 여부, 전압 변환비 산출, 열화상 진단 등 물리적인 수치 측정에 기반한 상태 평가에 집중해 왔다^[4]. 특히, 측정을 위해 필수적으로 수반되는 정전 작업은 수용가의 불편과 경제적 손실을 초래한다^[5]. 계기용 변성기의 소손은 단발성 사고에 의한 소손보다는 다양한 요인들에 기인한 미세 열화(Incipient Fault)가 장기적으로 누적됨에 따라 발생하는 경우가 많다. 이러한 소손은 외함의 변형이나 절연유 유출과 같은 가시적인 결함을 동반하지 않는 경우가 많아 기존 진단 방법으로는 식별에 한계가 존재한다.

2.2 AMI 데이터를 활용한 고장탐지

AMI의 보급 확대는 전력 계통 운영의 패러다임을 사후 점검 중심에서 데이터 기반의 예방 진단 체계로 전환하는 계기가 되었다. AMI를 통해 수집되는 15분 단위의 고정밀 시계열 데이터를 바탕으로 설비의 상태변화를 정밀하게 식별할 수 있는 유의미한 지표를 제공한다. 초기에는 AMI 데이터를 활용한 고장 탐지 연구들이 주로 부하 예측 모델의 잔차(Residual) 분석이나 임계값(Threshold)을 활용한 규칙 기반 고장 탐지에 집중해 왔다^[6],[7]. 이러한 방식은 명확한 이상 상태 식별에는 효과적이나, 앞서 언급한 미세 열화와 같이 서서히 진행되는 고장을 조기에 포착하기에는 한계가 있다. 최근에는 이러한 한계를 극복하기 위해 오토인코더(Autoencoder) 등의 비지도 학습을 활용하여 정상 범주를 모델링하고, 이를 벗어나는 이상치를 탐지하는 연구가 진행 중이다^[8]. 하지만 대규모 AMI 데이터셋에서 발생하는 노이즈와 결측값, 태양광 발전원 유입에 따른 양방향 전력 흐름 등의 복합적인 현상은 오탐율(False positive)을 높이는 주요 원인이 되고 있다. 따라서 기기 내부의 다양한 상태변화를 반영할 수 있는 강건한(Robust) 특징 추출 및 분류 모델에 관한 연구가 시급한 실정이다.

2.3 데이터 전처리 및 모델 평가 기법

AI 기반 진단 모델의 신뢰성은 학습에 투입되는 데이터의 품질에 의해 크게 좌우된다. 특히 AMI와 같은 실측 기반 대규모 데이터셋은 통신 장애나 계측 오류에 따른 결측치, 이상치 등을 포함하고 있어, 이를 정제하는 전처리 기법에 관한 연구가 활발히 이루어지고 있다^[9]. 평균, 표준편차 같은 통계적 특성을 반영한 파생 변수를 생성하고, 이렇게 추출된 변수에 최소-최대 정규화(Min-Max Normalization)를 적용함으로써 모델의 학습 안정성과 일반화 성능을 높일 수 있다.

고장 탐지 문제는 정상 데이터에 비해 고장 데이터의 수가 현저히 적은 클래스 불균형(Class Imbalance)이 발생한다. 이를 보완하기 위해 소수 클래스 샘플 간의 보간을 통해 인공 데이터를 생성하는 SMOTE(Synthetic Minority Over-sampling Technique) 기법과, 학습 및 검증 데이터의 클래스 비율을 원본 데이터와 동일하게 유지하는 계층화된 K-겹 교차검증(Stratified K-Fold Cross Validation) 기법이 불균형 데이터 기반 진단 모델의 평가 신뢰도를 높이는 방법으로 폭넓게 활용되고 있다^{[10- 12]}. 이와 더불어, 정밀도(Precision)와 재현율(Recall) 간의 상충 관계(Trade-off)를 고려하여 분류 임계값을 실험적으로 조정함으로써 F1-Score가 최적화되는 지점을 탐색하는 임계값 최적화 기법 또한 모델의 실무 적용 가능성을 검증하는 핵심적인 평가 수단으로 제시되고 있다^[13].

3.1 데이터 수집 및 구성

분석 대상 데이터는 한국전력공사 내 다양한 시스템에서 수집된 데이터를 활용하였다. 데이터 수집은 대구본부 관내 특고압 수용가 21,107호를 대상으로 수행되었으며, 2023년 1월 한 달간의 실측 전력 데이터이다. 연구의 목적이 실시간 탐지가 아닌 고장 발생 여부의 진단에 있으므로, 한 달간의 누적 데이터를 통해 고객별 전력 사용 패턴을 충분히 반영하였다.

핵심 분석 데이터로는 계량기 측에서 15분 주기로 기록된 3상 (A, B, C상) 순시값의 전압 정보를 활용하였으며, 이는 고객당 일일 96건, 월간 약 3,000건 이상의 고정밀 정보를 제공한다. MOF 내부의 물리적 열화는 사용자의 부하 변동보다 전압 변환비 오차에 직접적인 영향을 미치므로, 전압 성분을 핵심 분석 변수로 설정하였다. 또한 데이터의 다각적 분석을 위하여 표 2와 같이 고객정보, 계량기정보, 선로정보 등을 통합하여 데이터를 구성하였으며, 모델의 일반화 성능을 높이기 위해 일반용, 산업용 등 다양한 계약 종별을 포함하였다. 한편, 표 2의 고장정보 약 2.9만 건 중 대상 수용가의 MOF 저전압 고장은 319건이며, 이는 4.2절에서 비지도 학습 모델의 임계값 검증을 위한 실제값(Ground Truth)으로 활용하였다.

3.2 탐색적 데이터 분석

고장 탐지 모델의 진단 성능을 제고하기 위해, 수집된 전력 데이터의 분포, 변수 간 상관관계 및 시계열 패턴을 심층적으로 분석하는 탐색적 데이터 분석(EDA)을 수행하였다. 그 결과, 데이터 내 이상 패턴은 크게 세 가지 유형으로 구분되었다. 저전압 고장이 실제로 발생한 상태, 태양광 발전 연계 지점에서 나타나는 특이 사례, 그리고 공장 밀집 지역과 같은 대용량 부하 수용가에서 발생하는 일시적인 전압 강하 사례가 이에 해당한다. 이렇게 파악된 유형별 특성은 이후 데이터 전처리 및 특징 추출 단계에서 각 경우를 식별할 수 있는 파생 변수와 지표를 설계하는 데 활용되었다. 이는 모델 학습을 위한 데이터셋 구축의 토대가 되었으며, 향후 고장 탐지 모델의 신뢰성 확보에도 기여할 것으로 기대된다.

그림 1 상태별 전압 시계열 분포 특성 비교: (a) 정상 상태, (b) 저전압 고장 발생 상태

Fig. 1 Comparison of voltage time-series distribution characteristics by state: (a) Normal state, (b) Low-voltage fault state

계기용 변성기(MOF)는 설계 구조상 각 상의 전압을 동일한 비율로 변성하여 출력하므로, 그림 1 (a)와 같이 정상 운전 상태에서는 A, B, C 각 상의 전압값이 높은 상관성을 유지하며 정합되는 양상을 보인다. 시계열 그래프 분석 결과, 정상 구간에서 관찰되는 미세한 상전압 차이는 배전 계통의 부하 변동이나 전압 리플(Voltage ripple)에 기인한 정상 범위 내의 변동임을 확인하였다. 반면, 비정상 상태의 MOF에서는 그림 1 (b)와 같이 3상 전압 중 특정 상의 전압만이 타 상에 비해 유의미하게 감쇄되거나 상승하는 불평형 패턴이 관찰되었다. 이러한 현상은 계통 전체의 전력 저하와는 달리 특정 상에 국한되어 지속적으로 나타나는 특성을 가지며, 이는 MOF 내부의 절연 열화나 회로 결함 등 설비 자체의 고장 가능성을 시사한다.

특히 단일 상의 전압 저하가 관찰될 때, 인접 수용가의 전압 분포가 정상임을 교차 확인함으로써 배전 계통의 오류와 설비 내부 결함을 명확히 식별할 수 있는 판단 근거를 마련하였다.

그림 2 태양광 발전 연계 지점의 상별 전압 시계열 분포

Fig. 2 Time-series voltage distribution by phase at the PV system connection point

데이터 전처리 및 라벨링 과정에서 모델의 오탐지(False Positive)를 유발할 수 있는 주요 예외 사례 또한 찾아보았다. 태양광 발전 설비를 보유한 수용가의 경우, 그림 2와 같이 발전량이 집중되는 낮 시간대에 역조류(Reverse power flow) 현상으로 인해 특정 상의 전압이 일시적으로 급등하는 패턴이 확인되었다. 이는 태양광 발전 잉여 전력이 역송되는 과정에서 나타나는 정상적인 현상으로, 설비 결함과는 무관하다. 고장 탐지 알고리즘에서 설비 결함으로 오인하지 않도록 태양광 발전 고객은 데이터셋에서 제외하였다.

그림 3 공업단지 내 전압강하 발생 시점의 상별 전압 시계열 분포

Fig. 3 Time-series voltage distribution by phase at the onset of voltage sag in an industrial complex

그림 3과 같이 공장 밀집 지역의 대용량 부하 수용가에서는 동시다발적인 기기 기동에 따른 전압 강하(Voltage sag) 현상으로 인해 3상 전압이 동시에 하강하는 특이 패턴이 관찰되었다. 이러한 전압 강하는 기동전류가 소멸되면 정상 범위로 회복되는 일시적 현상으로, 지속적인 전압 저하를 유발하는 실제 고장과는 시간적 양상에서도 뚜렷한 차이를 보였다. 이러한 현상은 고장 패턴과 달리 3상 모두 유사한 폭으로 전압이 변동하므로, 전압불평형률을 주요 변수로 채택함으로써 고장 진단 모델의 변별력을 확보하였다.

3.3 데이터 전처리 및 특징 추출

수집된 대규모 전력 데이터의 신뢰도를 높이고 고장 탐지 모델의 분류 성능을 극대화하기 위해 체계적인 데이터 전처리 과정을 수행하였다. 먼저, 한국전력공사의 운영 시스템으로부터 확보한 약 5,514만 건의 전압·전류 순시값 데이터와 2만여 건의 고객정보를 매핑하여, 총 21,107호 고객에 대한 시계열 데이터셋을 통합 구축하였다.

데이터 정제 단계에서는 모델의 학습을 방해하는 노이즈 및 예외 사례를 식별하여 제거하였다. 전력 계통의 일시적 정전으로 전압이 0V로 계측된 데이터는 고장 패턴 분석의 유효성이 낮아 배제하였으며, AMI 수집 과정에서의 통신 장애 및 동기화 오류에 따른 결측치 또한 학습 데이터의 왜곡을 방지하고자 전처리 단계에서 제거하였다. 특히, 앞선 탐색적 분석에서 확인된 태양광 발전 연계 수용가는 주간 시간대 역조류에 의한 전압 급등 현상이 MOF 설비 자체의 결함과 무관하므로, 진단 모델의 오탐지율을 낮추기 위해 해당 수용가 데이터를 삭제하였다.

특징 추출(Feature Engineering) 과정에서는 고객별 시계열 전압 데이터가 지닌 특성을 반영할 수 있도록 변수를 구성하였다. 시계열 데이터는 그 자체로는 고장 탐지를 위한 분류 모델의 입력값으로 활용하기 어려우므로, 표 3과 같이 평균, 분산, 표준편차, 상간 전압 편차, 전압 불평형률, 오차율 등 시계열 특성을 반영한 변수를 생성하였다. 상간 전압 편차는 각 상별의 차이를 절대값으로 표현한 변수이며, 전압 불평형률을 통해 3상 간 전압 차이를 정량화함으로써 3상이 유사한 폭으로 변하는 전압 강하 현상과 특정 상에서만 이상이 발생하는 실제 고장 패턴을 구분할 수 있도록 하였다. 전압 오차율은 전압이 정상 전압 대비 벗어난 정도를 산출한 변수이다. 구간별 분포 변수는 고객별 전압값을 95V 이하, 96~114V(1V 단위), 115V 이상으로 구분하여 각 구간의 데이터 비율을 산출한 변수이다. 고객 1호의 고객정보와 시계열 전압 데이터로부터 산출된 특징 변수들을 하나의 행으로 만들어 1개의 샘플로 구성하였다. 이러한 구조를 전체 고객에 적용하여 총 21,107개의 샘플로 구성된 데이터셋을 구축하였다.

최종적으로 구축된 변수들에 대해 모델 학습의 안정성을 높이기 위한 최적화 과정을 거쳤다. 왜도(Skewness)가 높은 수치형 변수에는 로그 변환을 적용하여 정규성을 확보하였으며, Scikit-learn의 StandardScaler를 활용하여 모든 변수를 평균 0, 표준편차 1로 표준화함으로써 변수 간 값의 크기 차이로 인한 영향을 최소화하였다. 범주형 변수는 원-핫 인코딩(One-Hot Encoding)을 통해 독립적인 이진 변수로 변환하여 불필요한 서열 관계가 학습될 가능성을 차단하였다. 이후 상관관계 분석을 통해 기여도가 낮은 변수를 제외함으로써 총 47개의 변수로 구성된 최종 학습용 데이터셋을 완성하였다.

4.1 모델 개요 및 구현 전략

계기용 변성기(MOF)의 저전압 고장을 탐지하기 위해 비지도 학습(Unsupervised Learning)과 지도 학습(Supervised Learning)을 사용한 고장 탐지 모델을 제안한다.

그림 4 AMI 데이터 기반의 MOF 고장 탐지를 위한 단계별 프레임워크

Fig. 4 Step-by-step framework for MOF fault detection based on AMI data

그림 4와 같이 비지도 학습 기법을 활용하여 이상 징후를 탐지하고, 이를 기반으로 데이터 라벨링을 수행하여 학습 데이터셋을 구축하였다. 이후, 구축된 데이터셋을 다양한 지도 학습 모델에 최적화하여 적용하는 전략을 수립하였다. 저전압 고장은 정상 범위를 이탈하여 특정 상의 전압이 급격히 하락하는 특성을 보이며, 이를 판별하기 위해 초기 단계에서 마할라노비스 거리(Mahalanobis Distance)와 오토인코더(Autoencoder) 알고리즘을 각각 적용하였다. 마할라노비스 거리 기반 기법은 전압 특성을 고차원 벡터화한 후 강건 평균(Robust Mean)과 최소 공분산 행렬을 이용해 통계적 거리 값을 산출하며, 오토인코더는 정상 패턴의 재구성 오류(Reconstruction Error)를 최소화하도록 학습된다^{[14- 16]}. 두 기법에서 도출된 임계값(Threshold)은 고장 의심 구간을 정하는 기준으로 활용된다.

식별된 이상 탐지 결과는 지도 학습 모델 구성을 위한 데이터 라벨링의 근거가 된다. 일부 데이터에만 고장 이력이 있고 대다수는 고장 여부가 검증되어 있지 않은 환경에서, 비지도 학습으로 고장 가능성이 높은 샘플을 추출하여 데이터 라벨링을 수행하고 이를 지도 학습에 활용하였다. 이러한 방식을 통해 전체 데이터를 일일이 검토하는 데 드는 라벨링 비용을 절감하면서도 라벨의 신뢰성을 확보할 수 있다. 최종 분류 알고리즘으로는 전력 데이터의 비선형적 관계 학습에 적합한 랜덤 포레스트(Random Forest), LightGBM, XGBoost를 선정하였다^{[17- 19]}. 각 모델은 동일한 전처리 데이터를 기반으로 학습되었으며, 교차 검증 및 실제 고장 이력과의 비교를 통해 진단 정확도와 현장 적용 가능성을 종합적으로 검증하였다.

4.2 비지도 학습 기반 이상 탐지 모델 구축 및 최적화

비지도 학습 기반의 이상 탐지 기법을 활용하여 정상 상태를 벗어난 데이터를 식별하고 고장 판별 기준을 수립하였다. 분석에는 다변량 통계 기반의 마할라노비스 거리(Mahalanobis Distance)와 딥러닝 기반의 오토인코더(Autoencoder)를 활용하여 고장 의심 데이터를 정밀하게 선별하였다.

그림 5 마할라노비스 거리를 이용한 전압 데이터의 이상치 탐지

Fig. 5 Anomaly detection of voltage data using Mahalanobis distance

마할라노비스 거리 기반 접근은 변수 간 상관관계를 반영하여 이상치를 식별하는 데 효과적이다. 계산의 정밀도를 높이기 위해 주성분 분석(PCA)을 수행하여 고차원 전압 데이터를 저차원 공간으로 투영하였으며, 이를 통해 변수 간 특성을 유지하면서도 차원의 저주 문제를 해결하였다. 마할라노비스 거리 계산 시 강건 통계 기법을 도입함으로써 극단치에 의한 통계적 왜곡을 억제하고 모델의 강건성을 확보하였다. 그림 5의 결과는 제안 기법이 이상치 영향력을 효과적으로 제어하여 정밀한 거리 산출이 가능함을 보여준다.

그림 6 오토인코더 모델을 사용하여 재구성한 전압 시계열 데이터의 산점도

Fig. 6 Scatter plot of voltage time-series data reconstructed using an Autoencoder model

오토인코더는 정상 상태의 전압 패턴만을 학습한 후, 입력 데이터의 재구성 오류(Reconstruction Error)를 통해 이상 여부를 판단한다. 모델은 손실 함수로 평균제곱오차(MSE)를, 최적화 알고리즘으로 Adam을 사용하였으며, Epoch 100과 Batch Size 32의 조건으로 학습을 진행하였다. 그림 6과 같이 정상 데이터는 낮은 재구성 오류를 보이나, 이상 데이터는 재구성 오류가 급격히 증가하는 특성을 이용하여 이상치를 식별하였다.

두 기법을 비교 분석한 결과, 마할라노비스 거리 기반 방식이 본 연구의 데이터셋에서 전반적으로 우수한 탐지 성능을 나타냈다. 이에 따라 마할라노비스 분석 결과를 라벨링의 주요 근거로 채택하고, 오토인코더의 결과는 보조적 참고 자료로 활용하여 데이터셋의 신뢰도를 보완하였다.

고장 탐지에서는 임계값 설정에 따른 정탐(True Positive)과 오탐(False Positive)의 균형이 중요하다. 임계값이 과도하게 낮으면 불필요한 현장 출동으로 인한 인력 및 비용이 낭비되고, 반대로 너무 높으면 실제 고장을 놓칠 위험이 증가한다. 이에 표준편차 범위를 기준으로 임계값 후보군을 설정하고, 한국전력공사 고장정보로 확인된 실제값(Ground Truth)과 비교하였다. 표 4의 '실제고장'은 고장정보가 존재하는 데이터를, '실제정상'은 고장정보가 존재하지 않는 데이터를 의미한다. 비교 결과, 실제고장 319개를 모두 포함하면서 실제정상 데이터가 20개로 가장 적게 포함된 임계값 3.734를 최적 기준으로 채택하였다.

다만 고장정보가 존재하는 데이터는 319개에 불과하며, 나머지 20,788개는 고장 여부가 검증되지 않았다. 이를 모두 정상으로 간주하면 미발견 고장이 정상으로 잘못 라벨링되어 지도 학습 모델의 성능이 저하될 수 있다. 따라서 미검증 데이터에 대해 비지도 학습 출력값, 상별 전압 데이터, 인접 수용가의 전압 분포를 교차 확인하여 라벨링을 수행하였다. 그 결과 고장정보에 없던 고장 25개소를 추가로 식별하여, 최종적으로 고장 344개와 정상 20,763개로 구성된 데이터셋을 구축하였다.

4.3 지도 학습 기반 고장 탐지 모델 구축 및 최적화

비지도 학습을 통해 확보된 데이터셋을 바탕으로, 계기용 변성기의 고장 여부를 판별하기 위한 지도 학습 모델을 구축한다. 본 단계에서는 전력 데이터의 비선형적 특성을 효과적으로 학습할 수 있는 트리 기반 앙상블 알고리즘인 랜덤 포레스트(Random Forest), XGBoost, LightGBM을 분류기로 선정하였다. 각 모델의 성능을 극대화하기 위해 그리드 탐색(Grid Search)기법을 활용하여 최적의 하이퍼파라미터 조합을 도출하였다.

수집된 데이터셋은 정상에 비해 고장 데이터의 비중이 현저히 낮은 클래스 불균형(Class Imbalance) 문제를 내포하고 있다. 이러한 불균형 데이터셋으로 학습할 경우 모델이 다수 클래스인 정상 상태로 편향될 우려가 있으므로, 소수 클래스의 특성을 분석하여 인공 데이터를 생성하는 SMOTE(Synthetic Minority Over-sampling Technique) 기법을 적용하였다. 모델의 일반화 성능을 객관적으로 평가하기 위해 계층화된 K-겹 교차검증(Stratified K-Fold Cross Validation)을 수행하였다. 이때 데이터 누수(Data Leakage)를 방지하고자 SMOTE는 훈련 데이터셋에만 한정하여 적용하였으며, 검증 데이터셋은 실제 현장 분포를 반영한 원본 상태를 유지하였다. 또한, 각 부분집합 내의 클래스 비율을 일정하게 유지함으로써 학습 과정에서의 과적합(Overfitting)을 최소화하였다.

그림 7 지도학습 모델의 최적 임계값 탐색 그래프

Fig. 7 Threshold optimization curve for supervised learning-based fault detection

데이터의 불균형 특성상 단순 정확도(Accuracy)만으로는 모델의 실질적인 진단 성능을 대변하기 어렵다. 따라서 정밀도(Precision)와 재현율(Recall)을 주요 지표로 설정하였으며, 두 지표 간의 상충 관계(Trade-off)를 고려하여 분류 임계값을 0.05 단위로 조정하며 분석하였다. 그림 7은 모델별 F1-Score가 극대화되는 최적의 임계값 탐색 과정을 나타낸다.

첫째, 랜덤 포레스트 기반의 진단 모델은 그리드 탐색 결과 트리 개수 100개, 최대 깊이 20에서 최적의 성능을 보였다. 표 5의 비교 분석을 통해 정밀도와 재현율의 균형이 가장 우수한 임계값 0.7을 최종 판정 기준으로 채택하였다.

둘째, LightGBM 모델은 학습률 0.01, 트리 깊이 4를 최적 파라미터로 설정하였다. 해당 모델은 대용량 데이터 처리에 최적화된 구조를 가지며, 표 6에 나타난 바와 같이 임계값 0.9에서 가장 탁월한 분류 성능을 기록하여 이를 최적치로 선정하였다.

셋째, XGBoost 모델은 학습률 0.01, 트리 깊이 6으로 설정하여 학습을 진행하였다. 동일한 교차검증 및 SMOTE 적용 환경에서 분석한 결과, 표 7과 같이 임계값 0.9에서 성능 지표가 최적화됨에 따라 이를 최종 모델의 분류 임계값으로 확정하였다.

5.1 모델 성능 비교 및 분석

전체 데이터를 정상과 고장 클래스별 분포를 고려하여 7:3의 비율로 학습 및 검증 데이터셋으로 분할하였다. 데이터 불균형에 따른 학습 편향을 최소화하고 결과의 객관성을 확보하기 위해 계층화된 K-겹 교차검증(Stratified K-Fold Cross Validation)을 수행하였으며, 이를 통해 각 부분집합(Fold) 내 클래스 비율이 원본 데이터의 대표성을 유지하도록 설계하였다.

특히 검증의 엄격함을 더하기 위해 임계치 인근의 모호한 경계 샘플(Boundary Samples)은 학습 과정에서 배제하고 오직 검증 단계에만 포함하였다. 이는 모델이 실제 현장의 불확실한 상황에서도 안정적인 성능을 발휘하는지 평가하기 위함이다. 해당 데이터는 전체의 1% 미만으로 통계적 유의성은 낮으나, 모델의 실무 적용 가능성을 검토하는 주요 지표로 활용되었다.

제안하는 세 가지 지도 학습 기반 알고리즘의 성능 비교 결과는 표 8에 제시된 바와 같다. 각 모델은 정밀도(Precision), 재현율(Recall), 그리고 두 지표의 조화 평균인 F1-Score를 기준으로 평가되었다. 분석 결과, LightGBM 모델은 0.9155의 정밀도와 0.9420의 재현율을 기록하여 우수한 탐지 성능을 보였다. 이는 고장 징후를 놓치지 않아야 하는 관점, 즉 민감도(Sensitivity)가 우선시되는 운영 환경에 적합한 특성으로 분석된다. 반면, 랜덤 포레스트(Random Forest) 모델은 0.9524로 가장 높은 정밀도를 기록하였다. 이는 정상 상태를 고장으로 오인하는 오탐(False Positive)을 최소화하는 데 탁월한 성능을 보였으나, 재현율이 0.8696로 상대적으로 낮아 실제 고장을 식별하지 못할 가능성이 확인되었다.

최종적으로 본 연구에서는 정밀도와 재현율 간의 최적 균형을 달성한 XGBoost 모델을 주 진단 알고리즘으로 선정하였다. XGBoost는 0.9343의 F1-Score를 기록하여 탐지의 정확성과 민감도를 동시에 확보하였으며, 이는 실제 현장에서 가장 신뢰성 있는 진단 결과를 제공할 수 있음을 의미한다. 이에 따라 향후 고장 진단 체계에서는 XGBoost를 주 모델로 활용하되, LightGBM과 랜덤 포레스트의 결과를 보조지표로 활용하여, 진단 결과의 해석력과 신뢰도를 보완하고자 한다.

5.2 현장 실측 기반의 모델 유효성 검증

제안하는 고장 탐지 알고리즘의 물리적 타당성을 검토하기 위해, 지도학습 모델이 출력한 고장확률이 가장 높은 상위 3개 지점을 선별하였다. 이후 국제 표준 기반의 정밀 계측 장비인 Omicron사의 CPC100을 활용하여 현장 실측 및 전압변환비(PT Ratio) 분석을 수행하였다. 전압변환비는 입력 전압($V_1$)을 출력 전압($V_2$)으로 나눈 값으로 정의되며, 이는 다음 식 (1)과 같다.

전압변환비의 정상 기준값은 120.5이며, 통상적으로 정격 대비 ±5% 이내를 정상 범위로 본다. 다만 실제 현장에서는 부하 변동 등 운영 조건에 따라 오차 폭이 다소 달라질 수 있다. 본 연구에서는 이러한 물리적 지표를 모델의 판정 결과와 비교함으로써 진단 신뢰성을 확보하였다.

그림 8 MOF 전압 변환비 현장 실측

Fig. 8 Field measurement of MOF voltage transformation ratio

실제 검증은 안전을 위해 정전 후 전력 계통에서 MOF를 분리한 사선(Dead-line) 상태에서 진행되었으며, 그림 8과 같이 CPC100 장비를 연결하여 각 상의 전압변환비를 측정하였다.

표 9의 전압변환비는 고장이 발생한 상에 사선 상태에서 CPC100으로 시험전압을 인가해 얻은 실측값으로, 정상값과 비교해 벗어난 정도를 수치화한 지표가 아니라 전압변환비 산식 그대로 계산된 값이다. 반면 표 9의 상 전압은 MOF가 계통에 연결된 활선 상태에서 전력량계의 전압을 측정한 값이다. 두 측정은 조건이 달라 절대치를 직접 비교할 수는 없으나, 특정 상에서 이상 징후가 나타난다는 판정 방향은 서로 일치하였다. 실제 모델이 고장으로 식별한 (가) 사례를 분석한 결과, 알고리즘 출력값은 0.9981로 임계값 0.9를 초과하였다. 현장 계측 결과, A상과 B상은 정상 범위를 유지하였으나 C상의 전압은 99.4V로 크게 저하되어 내부 회로의 심각한 결함이 있음을 시사하였다. 이외에도 (나) 사례에서는 A상 전압이 103.9V로, (다) 사례에서는 C상 전압이 103.0V로 각각 타 상 대비 뚜렷하게 저하된 패턴이 관측되었으며, 두 사례 모두 0.98 이상의 높은 모델 출력값을 기록하였다. 또한 세 사례 모두 전압 오차율이 2% 이상으로, 정상 샘플에서 나타나는 통계적 분포보다 큰 값을 보였다. 이는 전압 저하가 일시적 변동이 아니라 설비 자체의 이상에서 비롯되었음을 뒷받침하는 결과이다. 전압 오차율이 클수록 모델의 출력값 또한 높게 나타났으며, 이는 제안하는 모델의 판정 결과가 실제 물리적 고장 현상과 일치함을 보여준다. 이러한 실증 사례들은 제안하는 기법이 MOF의 저전압 고장을 높은 신뢰도로 식별할 수 있음을 보여준다. 특히 AMI 데이터 기반의 고장 탐지 결과가 고가의 정밀 계측 장비를 통한 실측 결과와 일치함에 따라, 향후 본 모델이 인력 중심의 현장 점검 체계를 데이터 기반의 자동화 진단 체계로 전환하는 데 핵심적인 역할을 수행할 수 있을 것으로 기대된다.