1.1 연구의 배경

에너지전환 정책 및 ESG(Environmental, Social, Gover -nance) 경영 방식의 확산에 따라 국내 태양광 발전 시장은 지속적인 상승세를 보이고 있다. Fig. 1에서와 같이 2019년에 약 8,960MW 규모였던 국내 태양광 누적 설치 용량은 2024년 26,035MW 규모로 증가하였다^[1]. 이에 따라 태양광 발전 시스템의 운영 및 유지 관리(Operation & Maintenance, O&M)에 대한 관심과 수요 또한 증가하고 있다. 태양광 O&M은 발전 시스템의 효율적인 운영과 수명 연장을 목적으로 하며, 시스템에 대한 모니터링, 고장 진단, 그리고 예방적 유지보수 기술을 포함하는 종합적인 관리 활동을 포함한다^[1].

Fig. 1. Cumulative PV system capacity in Korea^[1]

국내 태양광 O&M 시장은 태양광 발전 시장과 함께 성장하여, 2025년 4.2조원 규모로 확대 될 것으로 전망된다^[2]. 이러한 배경에는 태양광 발전 시스템의 안정성과 경제성을 확보하기 위한 효율적인 관리 기술의 필요성이 자리하고 있다.

더불어, 최근 디지털 O&M 기술로 주목받는 머신러닝과 대량의 데이터를 활용한 분석 기법은 태양광 발전 시스템의 유지관리 효율성을 높이는 데 핵심적인 역할을 하고 있다. 태양광 발전 시스템에서 수집되는 기상 데이터, 발전 출력 데이터, 모듈 온도, 전류, 전압 등의 다양한 정보는 머신러닝(machine learning) 모델에 의해 학습되어 시스템 성능 분석과 이상 탐지, 발전량 예측 등의 정교한 유지보수 전략을 도출하는 데 활용된다.

대량의 데이터는 머신러닝 모델의 학습 과정을 강화하여 더 높은 예측 정확도를 가능하게 한다. 예를 들어, 기상 조건 변화와 발전량 간의 관계를 학습한 모델은 발전량 감소의 주요 원인을 진단하고, 지속적인 음영 문제나 모듈 손상 여부를 조기에 발견하여 유지보수 시점을 최적화한다. 이를 통해 유지보수 비용을 줄이는 동시에 발전 손실을 최소화할 수 있다.

머신러닝을 통해 발전 시스템의 정상 상태와 이상 상태를 자동으로 구분함으로써, 기존의 현장 검증 유지보수 방식에서 원격 모니터링 유지보수 방식으로 전환이 이루어지고 있다. 따라서 수많은 데이터로 학습된 모델은 시스템의 출력 저하 패턴을 파악하고, 고장 발생 가능성을 즉시 경고함으로써 운영 효율성과 빠른 시스템의 복구 방식을 동시에 확보할 수 있다.

1.2 연구의 목적

본 연구에서는 태양광 발전 설비의 고장 진단을 위한 머신러닝 기법으로 랜덤포레스트(Random Forest), k-최근접 이웃(k-Nearest Neighbor, kNN), 나이브 베이즈(Naive Bayes) 모델을 비교 분석하였다. 이러한 모델의 학습과 검증을 위한 데이터의 취득 방법을 설명하고, 정상/고장 데이터를 8개의 클래스로 분류한다. 또한, 모델의 성능을 평가하고 분석하기 위하여 혼동 행렬 및 관련 평가 지표를 소개하고, 각 모델의 다중 클래스 혼동 행렬을 통한 클래스별 성능 평가를 수행함으로써 태양광 디지털 O&M에 적합한 고장 진단 모델을 제안하는 것을 목적으로 한다.

본 연구를 통해 얻어진 최적의 모델은 실제 태양광 발전 시스템의 고장 진단에 적용함으로써 발전 설비의 안정성을 높이고 유지관리 비용을 절감하는 데 기여할 수 있으며, 태양광 발전 설비의 장기적인 운영 효용성을 개선하는 데 중요한 역할을 할 것이다.

2.1 머신러닝 모델

랜덤포레스트는 Breiman(2001)이 제안한 앙상블 학습 기법으로, 여러 개의 결정트리(Decision Tree)를 결합하여 높은 일반화 성능을 제공하는 모델이다. 각 트리는 개별적으로 학습되며, 예측 결과는 다수결 원칙 또는 평균을 통해 결합된다. 이러한 방식은 데이터의 과적합(Overfitting)을 방지하고, 분류(Classification) 문제와 회귀(Regression) 문제 모두에서 강력한 성능을 보인다^[3].

랜덤포레스트는 배깅(Bootstrap Aggregating)과 랜덤 변수 선택(Random Feature Selection)의 두 가지 주요 개념에 기반한다. 배깅은 학습 데이터로부터 복원 추출(Bootstrap sampling)을 통해 여러 샘플을 생성하고, 각 샘플을 사용하여 독립적인 트리를 학습하는 기법이다^[3].

랜덤 변수 선택은 각 노드에서 전체 변수 집합 중 일부를 무작위로 선택하여 최적의 분할(Split)을 수행하는 방법으로, 트리 간 상관성을 줄이고 모델의 다양성을 증가시킨다^{[4, 5]}.

분류 문제에서 랜덤포레스트 최종 예측값은 다음과 같이 정의된다^[5]:

여기서 $H(x)$는 랜덤포레스트의 최종 예측값, $h_{k}(x)$는 번째 트리의 예측값, 는 $I(x)$지시함수이다. 이 수식은 개별 트리의 결과를 투표 방식으로 결합하여 최빈값을 예측하는 과정을 나타낸다^[5].

이 때 각 트리는 복원 추출로 생성된 학습 데이터와 무작위로 선택된 변수들로 학습되므로, 데이터의 일부 이상치나 노이즈에 민감하지 않으며 안정적인 성능을 보장한다.

랜덤포레스트의 성능은 트리 개수 $K$, 분할 시 고려할 변수 개수, 노드 크기 등 다양한 하이퍼 파라미터에 영향을 받는다. 트리 개수 $K$는 충분히 큰 값을 설정하면 일반화 오류가 수렴하여 안정적인 성능을 보이지만, 불필요하게 많은 트리는 계산 비용을 증가시킬 뿐 성능 향상에는 기여하지 않는 것으로 알려져 있다^{[1, 6]}. 랜덤포레스트는 여러 장점을 가진다. 노이즈와 이상치에 변동이 적고 과적합의 위험이 낮다. 변수 중요도(Variable Importance)를 평가할 수 있어, 변수의 선택 및 모델의 해석에도 활용이 가능하다. 다수의 변수와 복잡한 관계를 처리할 수 있는 비선형 모델로, 고차원 데이터에 효과적이다^[7].

kNN은 데이터의 비선형 분포를 처리할 수 있는 비모수적(Non-Parametric) 학습 기법으로, 새로운 데이터와 학습 데이터 간 거리를 계산하여 가장 가까운 개의 데이터를 활용해 예측을 수행한다. 이 모델은 분류와 회귀 문제에 주로 사용되며, 간단하면서도 강력한 성능을 보이는 것이 특징이다^{[8, 9]}.

kNN에서 가장 널리 사용되는 거리 계산 방식은 유클리드 거리(Euclidean Distance)이며, 이는 다음과 같이 나타낼 수 있다^[10]:

유클리드 거리 수식을 활용한 kNN 모델은 입력 데이터와 학습 데이터 간의 거리를 계산하여 가장 가까운 $k$개의 데이터를 선택하는 방식으로 작동한다^[11]. 이 모델은 데이터의 분포나 형태에 대한 사전 가정 없이 동작하므로, 비모수적 학습 기법으로 분류된다^[12]. 새로운 데이터 포인트가 주어지면, 모델은 선택된 이웃들의 정보를 활용하여 해당 데이터의 분류 또는 회귀 값을 예측한다^[9]. 분류 문제에서 kNN은 다수결 원칙을 적용하여 가장 많이 등장하는 이웃 데이터의 클래스를 새로운 데이터에 할당한다. 이러한 접근법은 데이터가 균일하게 분포하고 노이즈가 적을 때 높은 정확도를 보인다. 회귀 문제에서는 이웃 데이터의 값의 평균을 사용하여 예측값을 산출하며, 이는 데이터 값 간의 연속적인 관계를 반영하는데 유리하다^[11].

kNN 모델의 성능은 $k$값에 크게 의존하며, $k$값이 작을 경우 모델이 노이즈에 민감해질 수 있는 반면, $k$값이 크면 과소적합의 문제가 발생할 수 있다. 이를 해결하기 위해 교차검증 방법이 자주 사용되며, 이를 통해 데이터에 가장 적합한 $k$값을 찾는다^{[11, 12]}. 고차원 데이터의 경우, 차원의 저주(The Curse of Dimensionality)가 발생할 수 있다. 이는 고차원 공간에서 모든 데이터 포인트가 거의 동일한 거리에 위치하게 되는 문제로, kNN의 거리 기반 계산 방식의 유효성을 저하시킨다. 이를 해결하기 위해 주성분 분석(Principal Components Analysis, PCA)과 같은 차원 축소 기법이 적용된 데이터 구조가 사용된다^[9]. kNN은 단순성과 유연성으로 인해 다양한 응용 분야에서 활용되고 있다. 이상탐지, 결측값 대체, 이미지 분류 등에서 성공적으로 적용된 바 있다^[11]. 이러한 특성은 kNN이 비선형적 데이터 분포에서도 일관된 성능을 보이며 데이터의 특성과 문제 유형에 맞는 다양한 변형 모델으로 확장될 수 있음을 보여준다.

나이브 베이즈 모델은 베이즈 정리를 기반으로 한 확률적 분류 모델로, 데이터의 각 Feature가 주어진 Class에 대해 조건부로 독립적이라는 가정을 전제로 작동한다^[13]. 이 가정은 현실적으로 충족되지 않는 경우가 많지만, 나이브 베이즈는 여전히 다양한 실제 응용 분야에서 효과적인 성능을 보이며, 계산 효율성과 구현의 단순성으로 인해 널리 사용되고 있다^{[13, 14]}. 나이브 베이즈는 베이즈 정리를 기반으로 확률 $P(C \vert X)$를 계산하여, 주어진 입력 데이터 $X$가 속할 가능성이 가장 높은 Class $C$를 예측한다. 이는 다음과 같이 나타낼 수 있다^[13]:

$P(C)$는 클래스의 사전 확률, $P(X \vert C)$는 클래스 $C$에서 데이터 $X$가 발생할 조건부 확률, $P(X)$는 데이터 $X$의 총 확률이다^[13].

나이브 베이즈 모델의 핵심 가정은 Feature들이 클래스에 대해 조건부로 독립적이라는 것이다. 이로 인해 $P(X \vert C)$는 다음과 같이 계산된다^[13]:

$X_{i}$는 입력 데이터 $X$의 구성 요소를 나타낸다.

나이브 베이즈는 강력한 분류기이지만, 독립성 가정이 위반되는 경우 성능이 저하될 수 있다. 그러나 독립성 가정이 위반되더라도 낮은 엔트로피(Entropy) 분포를 가진 데이터에서 뛰어난 성능을 유지할 수 있다^[15].

이는 데이터의 분포가 클래스 예측에 필요한 정보를 충분히 제공하는 경우, 독립성 가정의 여부와 관계없이 모델이 작동할 수 있음을 나타낸다^[15].

2.2 성능 평가 지표

혼동 행렬(Confusion Matrix)과 그에 기반한 성능 지표인 정확도(Accuracy), 정밀도(Precision), 재현도(Recall), F1 스코어(F1 Score) 등을 통하여 모델의 성능을 정량적으로 측정할 수 있다^{[15, 20]}.

혼동 행렬은 판단 결과와 실제 결과 간의 상관관계를 Fig. 2와 같이 시각적으로 나타내며, 모델의 분류 정확도 및 오류 패턴을 명확히 이해하는 데 도움을 준다.

Fig. 2. Confusion matrix^[20]

혼동 행렬의 주요 구성 요소는 다음과 같다.

TP(True Positive)는 실제로 양성인 사례를 모델이 바르게 판단한 경우, TN(Trun Negative)은 실제로 음성인 사례를 모델이 바르게 판단한 경우, FP(False Positive)는 실제로 음성인 사례를 모델이 양성으로 잘못 판단한 경우, FN(False Negative)은 실제로 양성인 사례를 모델이 음성으로 잘못 판단한 경우를 뜻한다^[20].

정확도는 전체 데이터(TP, TN, FP, FN) 중 모델이 실제 사례와 동일하게 판단한 데이터(TP, TN)의 비율로 정의할 수 있다^{[15, 16]}:

정밀도는 모델이 양성으로 판단한 데이터(TP, FP) 중 실제 사례와 동일하게 판단한 데이터(TP)의 비율을 의미한다^{[15, 17, 18]}:

재현도는 실제 사례에서 양성인 데이터(TP, FN) 중 모델이 올바르게 양성으로 판단한 데이터(TP)의 비율을 의미한다^{[15, 19]}:

F1 스코어는 정밀도와 재현도의 균형을 이용하여 나타낸 지표로서, 정밀도와 재현도의 조화 평균으로 계산되며 클래스 불균형이 존재할 때 유용하다. F1 스코어는 아래와 같이 나타낼 수 있다^[20]:

다중 클래스 혼동 행렬을 사용할 수 있다. 다중 클래스 혼동 행렬은 다중 클래스의 판단 분포를 시각적으로 제공하며, 불균형 데이터의 문제를 해결하기 위해 사용된다. 다중 클래스 혼동 행렬을 통하여 각 클래스의 참/거짓 판단 정보뿐만 아니라, 클래스 간 상호작용을 상세히 분석할 수 있다. 또한, 마이크로(Micro), 매크로(Macro), 가중 평균(Weighted Average) 방식으로 정밀도, 재현도, F1 스코어를 계산하여 모델의 전반적인 성능을 측정할 수 있다. 이러한 성능 평가 지표와 다중 클래스 혼동 행렬은 모델의 강점과 약점을 분석하고, 개선 방향을 도출하는 데 유용한 도구로 사용할 수 있다^[21].

3.1 테스트베드

본 연구는 태양광 발전 설비의 고장 진단을 위한 머신러닝 모델 개발을 목적으로, (주)효한전기의 Fig. 3과 같은 테스트베드 환경에서 데이터를 수집하여 진행되었다.

테스트베드는 500W(HS500WE-GHD30) 6개를 직렬로 연결한 3kW 패널과 인버터(DSP-123K6V1C-OD)로 구성된 태양광 발전 시스템이 구축되어있고, 인버터에서 전압, 전류, 전력, 모듈 후면 온도 데이터를 취득하였다. 그 외 구축된 계측기로는 일사량계(DELTA OHM LPPYTA03 SERIES), 기상 센서(WH65LP) 등으로 구성되어 있어 일사량과 풍속, 외기 온도, 습도의 기상 데이터를 취득하였다. 이들 데이터는 2023년 7월부터 2024년 1월까지, 약 7개월 동안 1분 단위로 취득되었으며, 이중 일몰과 일출 사이의 데이터와 부품 교체 시기 등의 데이터를 제외한 39,622개의 데이터셋을 실험에 사용하였다^[1].

Fig. 3. Test bed

3.2 머신러닝 모델 학습

본 연구에서는 태양광 발전 설비의 고장 진단을 위해 랜덤포레스트, kNN, 나이브 베이즈와 같은 머신러닝 기법을 적용하였으며, 이들 모델의 성능을 비교 분석하였다.

머신러닝 모델의 학습을 위해, 테스트베드에서 취득된 데이터는 전처리 및 규칙 기반(Rule-Based)기법을 기반으로 라벨링 과정을 통해 분석 가능한 형태로 준비되었다. 규칙 기반에 따라 데이터는 태양광 발전 설비의 정상 상태와 고장 상태로 구분되었으며, 고장 상태는 발생 원인에 따라 분류되었다.

먼저, Class 0은 정상 상태로 정의된다. 이 상태는 발전 출력이 최대 전력점 출력의 80% 이상일 때를 의미하며, 시스템이 정상적으로 작동 중임을 나타낸다. 정상 상태에서는 출력이 고장 상태에 해당하지 않으며, 태양광 시스템이 효율적으로 동작하고 있음을 반영한다.

Class 1은 발전 출력이 최대 전력점 출력의 110%를 초과하는 상태를 나타낸다. 주변 환경에 의해 반사광이 패널에 집중되었거나, 테스트베드와의 통신 오류 등으로 출력이 비정상적으로 높게 나타난 경우를 의미한다. 본 테스트베드에서 취득된 데이터의 경우 일사량 대비 이론 전압, 전류 중 취득 전류의 수치가 대체로 높아 취득 전력이 이론치 전력보다 10% 이상 높게 나왔다. 이에 따라 본 테스트베드에서 취득된 Class 1의 경우 반사광에 의한 상태로 사료된다.

다음으로, Class 2는 출력 전압이 개방 전압을 초과하거나 출력 전류가 단락 전류를 초과할 때 나타나는 상태이다. 태양광 패널의 물리적인 설계 한계보다 높은 수치가 측정되는 경우로, 데이터 통신 오류 혹은 외부에서의 간섭으로 시스템이 과부화 상태에 놓일 가능성을 반영하여 정의되었다. 테스트베드에서 취득된 데이터의 경우 일사량이 1,015W/m²일 때 1개의 데이터셋만 취득되었다. 이는 반사광에 의해 패널이 최대 전류보다 높은 전류를 출력하였고, 일사량 센서 마저 영향을 준 것으로 사료된다.

Class 3은 개방 회로 상태로, 출력 전압이 개방 전압 근처에 위치하면서 출력 전류가 매우 낮은 경우를 의미한다. 이는 태양광 셀 크랙, 접속 불량 등 물리적 결함으로 인해 발생할 가능성이 있으며, 출력 전류가 사실상 흐르지 않는 상황으로 설명된다. 취득된 데이터셋의 경우 통신 오류 혹은 일시적으로 시스템의 회로가 개방된 상태로 보인다. 보통 5분 이내 개방 상태 이후 정상으로 회복되는 패턴을 보이고 있다.

반대로, Class 4는 단락 상태로 정의된다. 이 상태는 출력 전압이 거의 0에 가까우면서도 출력 전류가 단락 전류의 85% 이상으로 높은 상태이다. 이는 외부 단락이나 전기적 연결 문제로 인해 발생하며, 태양광 모듈의 전기적 문제를 나타낸다. 본 테스트베드에서는 취득되지 않았다.

Class 5는 스트링 음영 상태를 설명하기 위한 분류이다. 이는 일사량이 충분히 높음에도 불구하고 출력 전류가 비정상적으로 낮은 경우를 나타내며, 특정 스트링에 부분적으로 음영이 발생했거나 일부 셀에 결함이 있을 가능성을 가진다. 본 테스트베드에서는 취득되지 않았다. 이는 스트링 음영의 조건이 다른 부분 음영 조건보다 까다롭기 때문으로 사료된다.

Class 6은 정의되지 않은 일반적인 고장 상태를 나타낸다. 이는 위에서 정의된 조건들에 해당하지 않지만 출력이 비정상적으로 나타나는 경우로, 하드웨어 이상이나 데이터 처리 오류와 같은 근본적인 원인을 탐색할 필요가 있다. 본 테스트베드에선 정상 상태를 제외하고 Class 1 다음으로 많은 데이터셋의 수를 가지고 있다. 이는 아직 분류되지 않은 부분 음영과 전압, 전류 미스매치 상태 등이 정의되지 않아 나타난 결과로 사료된다.

마지막으로, Class 7은 일사량 부족 상태로 정의한다. 이는 일사량이 100W/m² 이하로 낮은 환경에서 태양광 발전 시스템이 정상적으로 동작하고 있는 상태를 나타낸다. 출력이 저하되지만 이는 고장이 아닌 정상적인 상태로 간주된다. 본 테스트베드에선 주로 일출 직전과 일몰 직전에 많이 나타나고 있다.

이들은 총 8가지 유형으로, 태양광 발전 설비에서 흔히 발생하는 주요 고장들을 포함한다.

본 데이터는 실제 태양광 발전 설비의 운영 환경에서 자연스레 취득된 데이터로 구성되었다. 이에 따라 본 데이터는 불균형한 분포를 가지며, 이는 테스트베드에서의 고장 발생 빈도를 반영한다.

클래스별 데이터셋의 개수를 Table 1에 정리하였으며, 주요 클래스와 그 정의가 포함되어있다.

데이터 취득시 일부 Class는 실제 설비에서 발생하지 않아 데이터가 취득되지 않았다.

라벨링된 데이터를 활용하여 머신러닝 모델을 학습시키기 위해 데이터 중 75%를 학습용 데이터로, 25%를 검증용 데이터로 분할하여, 세 가지 모델에 지도 학습을 실시하였다. 각 모델의 학습 및 검증 결과는 혼동 행렬과 F1 스코어를 통해 평가하였다.

4.1 모델별 성능 평가

랜덤포레스트, kNN, 나이브 베이즈 모델의 성능을 평가하기 위한 지표로 정확도, 정밀도, 재현도, F1 스코어를 사용하였다. 각 모델의 성능 분석 결과, 랜덤포레스트가 가장 강력한 성능을 보였으며, kNN과 나이브 베이즈는 상대적으로 저조한 성능을 기록하였다.

Fig. 4는 세 모델의 F1 스코어를 시각화한 결과이다.

랜덤포레스트 모델은 전반적으로 모든 성능 지표에서 매우 우수한 성능을 보였다. Table 2는 랜덤포레스트 모델의 클래스별 성능 지표를 나타낸다. 정확도는 0.9896, 정밀도는 0.9895, 재현도는 0.9896, F1 스코어는 0.9895로 나타났다. F1 스코어는 Class 0과 Class 7에서 각각 0.9910과 1.0000을 기록하며 정상 상태에서 매우 높은 분류 성능을 보였다. 또한, 고장 유형에서도 Class 1에서 0.9302, Class 6에서 0.9611을 기록하여 양호한 성능을 보였다.

Fig. 4. F1 score by model

kNN 모델은 정확도 0.9609, 정밀도 0.9595, 재현도 0.9609, F1 스코어 0.9594를 기록하였으며, 랜덤포레스트보다는 다소 낮은 성능을 보였다. Table 3은 kNN 모델의 성능 지표를 보여준다. F1 스코어는 Class 0에서는 0.9689로 우수한 성능을 나타냈으나, Class 1에서는 0.7221, Class 6에서는 0.8872로 고장 유형에서 성능이 저하되는 모습을 보였다.

나이브 베이즈 모델은 세 모델 중 성능이 가장 저조했다. Table 4는 나이브 베이즈 모델의 성능 지표를 보여준다. 정확도, 정밀도, 재현도, F1 스코어는 각각 0.7716, 0.9224, 0.7716, 0.8281로 나타났다. F1 스코어는 Class 1, Class 3, Class 6에서 각각 0.3963, 0.0196, 0.5868로 고장 유형 진단에서 낮은 성능을 보였으며, 데이터 간의 복잡한 관계를 처리하는 데 한계를 보였다.

4.2 혼동 행렬 분석

본 연구에서 사용한 데이터는 다중 클래스로 분류되므로, 랜덤포레트, kNN, 나이브 베이즈 모델의 성능은 다중 클래스 혼동 행렬로부터 도출되었다.

랜덤포레스트 모델의 F1 스코어는 0.9895를 기록하며, 모든 고장 유형에서 가장 높은 성능을 보였다.

Table 5는 랜덤포레스트의 혼동 행렬 결과들을 나타낸 것이며, 혼동 행렬 결과는 다음과 같다.

Class 0에서 총 5724개의 샘플 중 TP 5700개, FP 79개, FN 24개, TN 4103개로 약 99.58%의 정확도를 보였다. 이는 정상 상태를 매우 높은 수준으로 판단한 결과이다. Class 1의 경우 총 554개의 샘플 중 TP 500개, FP 21개, FN 54개, TN 9331개로 약 90.25%의 정확도를 나타내며, 고장 유형을 효과적으로 분류하였다. 그러나 일부 오분류(FP, FN)가 발생하여 성능이 소폭 감소하였다. Class 3에서는 총 7개의 샘플 중 TP 7개로 100%의 정확도를 기록하였으나, 이는 샘플 수가 매우 적어 나타난 결과로 과대 평가되었을 가능성이 있다. 이러한 결과는 데이터 불균형 문제를 보여주는 사례로 해석된다. Class 6에서는 총 371개의 샘플 중 TP 346개, FP 3개, FN 25개, TN 9532개로 약 93.26%의 정확도를 보였다. 해당 고장 유형의 판단 성능은 높은 편이지만, FN 값으로 인해 일부 고장을 놓치는 사례가 확인되었다. Class 7은 총 3250개의 샘플 중 TP 3250개로 100%의 정확도를 나타냈으며, 이는 정상 상태에서 발전량이 적은 상황을 정확히 판단한 결과이다.

다중 클래스 혼동 행렬 결과를 분석한 결과, 랜덤포레스트 모델은 전반적으로 각 고장 유형에서 높은 정확도를 기록하며, 특히 Class 0(정상 상태)와 Class 7(정상 상태-낮은 일사량)에서 강력한 성능을 보였다. 즉, 정상 상태와 고장 상태 간의 구분에서 뛰어난 판단 성능을 나타냈다. 그러나 일부 Class에서의 데이터 불균형과 오분류는 향후 개선이 필요한 부분으로 사료된다.

Table 6은 kNN 모델의 혼동 행렬 결과이다. kNN 모델의 F1 스코어는 0.9594를 기록하며, 일부 고장 유형에서 랜덤포레스트에 비해 낮은 성능을 보였다. kNN 모델의 혼동 행렬 결과는 다음과 같다.

Class 0에서는 총 5724개의 샘플 중 TP 5615개, FP 252개, FN 109개, TN 3930개로 98.10%의 정확도를 보였다. Class 1에서는 총 554개의 샘플 중 TP 365개, FP 92개, FN 189개, TN 9260개로 65.88%의 정확도를 기록하였으며, 일부 고장 상태에서 오분류 사례가 다소 발생하였다. Class 3에서는 총 7개의 샘플 중 TP 6개, FN 1개로 85.71%의 정확도를 나타냈다. Class 6에서는 총 371개의 샘플 중 TP 299개, FP 4개, FN 72개, TN 9531개로 80.59%의 정확도를 기록했으며, Class 7에서는 총 3250개의 샘플 중 TP 3234개로 99.51%의 정확도를 보였다.

kNN 모델은 랜덤포레스트와 같이 Class 0(정상 상태)와 Class 7(정상 상태-낮은 일사량)에서 높은 정확도를 나타냈으나, Class 1과 Class 6과 같은 고장 유형에서는 다소 낮은 성능을 보였다. 이는 kNN 모델이 고장 유형 간 경계가 모호한 데이터에서 분류 오류를 일으키기 쉽다는 점을 보여준다.

Table 7은 나이브 베이즈 모델의 혼동 행렬 결과를 보여준다.

나이브 베이즈 모델은 평균 F1 스코어 0.8281로, 세 모델 중 가장 낮은 성능을 보였다. 나이브 베이즈 모델의 혼동 행렬 결과는 다음과 같다.

Class 0에서는 79.25%의 정확도를 기록하였으며, TP가 4536개로 양호했지만 FN이 1188개로 높게 나타나 고장의 일부를 놓치는 사례가 빈번히 발생하였다. Class 1에서는 81.77%의 정확도를 보였으며, FN이 101개로 상대적으로 적었으나 FP가 1279개로 매우 높아 고장과 정상 상태 간의 혼동이 다소 많았다. Class 3에서는 100%의 정확도를 기록했으나, FP가 702개로 과대 평가된 결과로 해석되었다. Class 6에서는 51.48%의 정확도로 가장 낮은 성능을 기록하였으며, Class 7에서는 75.57%의 정확도를 보였다.

나이브 베이즈 모델은 Class 0(정상 상태)와 Class 1(고장 유형)에서 일정 수준의 분류 능력을 보였으나, Class 3과 Class 6과 같은 고장 유형에서는 FP와 FN이 높아 분류 성능이 저하되었다. 이는 데이터 간 분포의 복잡성이 나이브 베이즈의 단순한 확률 기반 접근법에서 충분히 반영되지 못한 결과로 사료된다^[1].