1. 서 론

IPCC 제6차 평가보고서(AR6)에 따르면, 인간이 배출한 온실가스는 산업화 이전 대비 일부 극한 기상현상의 빈도와 강도를 증가시켰다^[1]. 고영향·저확률(High Impact, Low Probability; HILP) 사건으로 간주되는 극한 기상 현상은 전력 계통에 막대한 영향을 끼치며, 결과적으로 광범위한 정전을 초래한다^[2]. 최근 전력망에 연계되는 재생에너지가 증가함에 따라 전력망에 더욱 큰 변동성과 불확실성이 발생하고 있다. 이러한 전력망에 HILP 사건이 발생하면, 더욱 큰 운영상 리스크와 잠재적인 대규모 정전으로 이어질 수 있다^[3]. 이러한 계통 상황에서 복원력을 강화하기 위해서는 복원력을 평가하고 정량화하는 과정이 필수적이다.

전통적인 신뢰도 지표는 단지 계통이 얼마나 지속적이고 안정적으로 전력을 공급할 수 있는지에만 초점을 맞추었다. 반면, 극한 사건으로 인한 주요 외란을 대비하고 견디며 빠르게 회복하는 능력을 일컫는 전력계통 복원력(Resilience)은 HILP 사건의 위험을 고려할 수 있다^[4]. 복원력은 강건성(Robustness), 대처능력(Resourcefulness), 신속한 복구(Rapid Recovery), 적응력(Adaptability)의 네 가지 요소로 구성된다. 강건성은 극한 사건을 견뎌내어 운영상 고장을 최소화하는 능력이고, 대처능력은 가용 자원을 활용하여 비상 대응을 수행하고 장애를 효과적으로 관리하는 능력이다. 신속한 복구는 시스템이 정상 상태로 빠르게 복귀하는 속도이고 적응력은 과거의 사고로부터 학습하여 미래 대비를 강화하는 능력이다^{[4- 5]}. 이러한 복원력의 개념은 각 구성 요소를 극한 사건, 연쇄사고, 사고 복구 과정으로 모델링하여 분석이 가능하다. 그림 1은 극한 사건이 발생함에 따라 복원력이 어떻게 변화하는지를 표현한 복원력 곡선을 나타낸다. 복원력 있는 계통에서는 검은색 실선으로 표시된 기존 계통과 달리, 복원력이 있는 계통에서는 극한 사건에 대해 강건하고, 빠른 비상 대응과 복구로 시스템을 기존의 이상적인 상태로 되돌려 놓는다.

이러한 복원력 정량화 연구는 ^[6]에서 제안된 ΦΛΕΠ 지표 및 복원력 곡선을 기반으로 발전되어 왔다. 이러한 프레임워크는 복원력을 시간 기반 성능함수로 모델링하는 정량적 해석의 기초를 제공하였다. 이후 실제 고장 데이터 기반의 데이터 기반 방법론으로 확장되었다. ^[7]에서는 유틸리티 고장 및 운영 데이터를 활용하여 복원력을 실증적으로 계산하고, 특정 투자가 과거 정전에 미쳤을 효과를 정량화하는 방법을 제시하였다. 또한 ^[8]는 고장 이력 데이터 및 기상 데이터 등을 통합적으로 처리하기 위해 Scientific Machine Learning (SciML)을 활용한 복원력 평가의 틀을 제시하였다. 이처럼 복원력 정량화 연구는 개념적 지표에서 시작하여 실제 데이터 및 AI 기반의 방법론으로 고도화되고 있다.

그림 1. 복원력 곡선 예시

Fig. 1. An Example of Resilience Curve

연쇄사고 모델링은 복원력 평가의 핵심 요소로, Manchester 모델과 Interaction 모델로 대표된다. Manchester 모델은 AC 조류 계산을 통해 사고의 물리적 전파 과정을 정밀하게 모의하나, 계산 부담이 크고 확률적 분석이 제한적이다^[9]. 한편, Interaction 모델의 일종인 Influence Graph (IG)는 고장 이력으로부터 사고 전파 패턴을 학습하여 주요 시나리오를 효율적으로 식별할 수 있다^{[9- 10]}. ^[11]은 이를 Markov Chain으로 확장한 Markovian Influence Graph (MIG)를 제안하여 전이 확률 기반 시나리오 생성을 가능케 하였다. 이러한 모델은 계통 요소의 고장 확률에 크게 의존하고 물리적 기작을 모니터링하지 못하는 측면이 있어 두 방법론의 통합이 요구된다^[9].

복구 과정은 MTTR (Mean Time to Repair, 평균 복구 시간)과 같은 정보를 기반으로 확률론적으로 복구 시간의 불확실성을 반영하기도 하였으나 실제 복구 순서 결정에는 한계가 있다^[12]. 또한 ^[13]은 발전기 특성과 계통 제약을 고려하여 혼합정수선형계획법(MILP, Mixed-Integer Linear Programming) 기반 복구 순서 최적화를 제시하였으며, 이는 계통 운영자의 의사결정을 직접 지원할 수 있다는 장점이 있다. 이에 따라, 확률적으로 생성된 연쇄사고 시나리오에 따라 서로 다른 복구 전략을 탐색하는 접근이 요구된다.

따라서 본 논문에서는 앞서 언급한 복원력의 요소들을 고려하여 극한 기상 상황에서 발생하는 연쇄사고와 복구 과정을 함께 모델링하여 이를 복원력 지표로 정량화하였다. Manchester 모델과 MIG를 통합함으로써 연쇄사고를 확률적으로 분석하는 동시에 물리적인 반응을 검증 및 모의하여 연쇄사고 모델링의 정확도와 효율성을 동시에 확보하였다. 또한 이러한 시나리오를 기반으로 복구 과정을 최적화하고 시뮬레이션하여 사고-복구의 통합적 분석을 가능케 하고 복원력 평가를 위한 정량적 지표를 도출할 수 있었다. 더불어, Redispatch, islanding, UVLS (Under Voltage Load Shedding) 등 실제 운영 조치를 반영하고 발전기 기동 시간 및 복구 자원 제약 등 현실적인 제약조건을 고려하여 운영자의 실무 활용 가능성을 높였다. 이를 통해 HILP 사건에 대한 계통 복원력을 다각도로 평가하고 최적 복구 전략을 도출할 수 있는 의사결정 지원 도구를 제시한다.

2. 연쇄사고 시나리오 생성

본 연구는 MIG를 활용하여 연쇄사고 시나리오를 확률적으로 모델링한다. IG는 사고가 발생한 계통 요소를 노드(Node)로, 연쇄사고를 전파하는 관계성은 엣지(Edge)로 표현한 그래프로, 특정 사고와 파급된 사고 간의 상호작용을 통계적으로 설명한다. 엣지의 두께는 상태 A에서 상태 B로의 전이 확률로 대표된다^[11]. MIG는 상태 A가 상태 B로 전이될 확률을 설명하는 Markov Chain 확률 모델에 기반한 IG를 의미한다.

2.1 DC Power Flow 기반 연쇄사고 시퀀스 생성

IG와 MIG는 실제 계통의 고장 실적 데이터를 기반으로 생성이 가능하나, 국내에서는 데이터 보안상 상세한 데이터에 접근하기 어려운 현실적 제약이 있다. 이에 따라 본 연구에서는 DC Power Flow (DCPF)를 기반으로 다량의 다양한 연쇄사고 시퀀스 데이터를 임의 생성하여 MIG를 구현하는 방법론을 제안하였다^[10].

DCPF는 무효전력, 전압 제약, 전력 손실 등을 무시하고 위상각과 유효전력만을 계산하는 반면 AC Power Flow (ACPF)는 모든 조건을 고려하여 비선형 전력조류 방정식을 반복적으로 해결하는 복잡한 계산 과정을 포함한다. 따라서 ACPF를 통해 수천회 이상의 연쇄사고 시퀀스를 생성하는 것은 막대한 시간과 계산 자원을 필요로하며, 대규모 계통일수록 그 자원이 막대하게 늘어나게 된다. 이러한 이유로 DCPF는 과부하 기반의 연쇄사고 파급 가능성을 신속히 평가할 수 있어 MIG 구축에 필요한 대량의 사고 시퀀스 확보에 적합하며 비용 효율적이다. 단, DCPF는 전압 붕괴 메커니즘을 직접 모의하지 못하므로, 실제 물리적 파급 과정은 2.2절에서 ACPF 기반으로 모의하여 운영 특성을 반영하였다.

본 연구에서는 무작위 고장을 입력으로 반복 시뮬레이션을 수행하여 1,000개의 DCPF 기반 연쇄사고 시나리오를 생성하였다. 활용한 계통 데이터는 RTS-GMLC Hooman 예제 계통으로, 73개 모선, 120개의 선로와 160개의 발전기가 포함되어 있으며 그림 2와 같은 형태로 표현될 수 있다. 극한 기상 이벤트 발생 하의 연쇄사고 시퀀스를 구축하기 위해 선로의 정격용량을 10%로 줄이고, 부하를 120%로 증가시켜 폭염으로 인한 계통 스트레스 상황을 가정하였다^{[14- 15]}. 또한 초기사고로 N-2 다중고장을 상정하여 그에 따른 연쇄사고 파급 시퀀스를 산출하였다. 과부하 판정은 정격 용량의 100%를 기준으로 하였으며, 탈락이 파급되는 신규 선로가 없거나, 파급 단계가 15단계를 넘어서면 연쇄사고 파급이 종료되었다. 이러한 방식으로 동시다발적인 사고 파급을 포함하여 세대 단위의 상태 집합 $\{S_0, S_1, \dots\}$을 기록하여 연쇄사고 시퀀스 집합을 생성하였다.

그림 2. RTS-GMLC Hooman 계통

Fig. 2. RTS-GMLC Hooman Power System

생성된 연쇄사고 시퀀스를 바탕으로 한 세대에서 동시에 트립된 선로 상태 집합 $S$에 대해 모든 시퀀스의 인접 쌍 $(S_t, S_{t+1})$의 전이 횟수를 계산한다. 또한 상태전이 행렬을 정규화하여 전이확률을 식 (1)과 같이 정의하였다^[11]. 이를 기반으로 흡수상태 $\emptyset$를 제외한 전이행렬의 좌고유벡터를 추정하여 사고 파급 종료 이전까지 자주 출현하는 핵심설비를 정의할 수 있다.

(1)

$P(S \rightarrow S') = \frac{N(S \rightarrow S')}{\sum_U N(S \rightarrow U)}$

NetworkX 라이브러리를 활용해 유향 그래프를 구성하여 MIG를 시각화한 결과는 그림 3과 표 1과 같으며, 핵심 설비 상위 25개의 상태 노드와 27개의 엣지로 구성된다. 상태 노드는 파란색 원형으로, 전이 확률은 엣지로 표현되며 그 확률이 높을수록 더 진하고 두꺼운 빨간색으로 그려진다.

이러한 전이 확률 모형을 활용하여 핵심적인 연쇄사고 시나리오를 생성하였다. 무작위로 샘플링된 1,000개의 연쇄사고 시나리오 중 최고 확률 시나리오와 가장 긴 파급 단계를 가진 최대 규모 시나리오를 대표 시나리오로 선정하여 복구 과정 모델링 및 복원력 평가를 적용하였다. 선정된 시나리오는 표 2와 같으며, Case 1은 가장 높은 확률을 가지는 ‘High-Probability Scenario’를 의미하고, Case 2는 연쇄사고 파급 단계가 가장 긴 ‘Longest’ 시나리오를 가리킨다. 이때 사고 시퀀스에서 0세대에 자주 나온 상태는 더 높은 확률로 초기사고로서 샘플링되고, 전이행렬의 확률에 따라 다음 상태를 무작위로 선택하게 된다.

그림 3. 생성된 Markovian Influence Graph

Fig. 3. Generated Markovian Influence Graph

표 1. 생성된 Markovian Influence Graph의 노드 ID와 트립된 선로

Table 1. Node ID and tripped line of Produced Markovian Influence Graph

Node ID	Tripped Lines	Count
S1	111-113	522
S2	112-113	415
S3	107-108, 113-123, 113-215, 215-216	284
S4	107-108	64
S5	111-113, 214-216	62
S6	113-123	48
S7	112-113, 113-215	42
S8	107-203, 201-203, 203-209, 203-224, 215-224	41
S9	107-108, 113-123, 113-215	41
S10	113-123, 113-215, 215-216	32
S11	107-108, 113-123, 113-215, 116-119, 215-216	28
S12	111-113, 314-316	25
S13	107-108, 112-123, 113-123, 113-215, 114-116, 215-216	24
S15	112-113, 120-123	22
S16	112-113, 311-313, 312-323, 313-323, 316-319	22
S14	112-113, 116-119, 119-120, 120-123, 203-209, 203-224, 215-224, 323-325, 325-121	22
S17	107-108, 109-112, 110-112, 112-123, 113-123, 123-217, 214-216, 216-217, 216-219, 316-317, 318-223	20
S18	107-108, 107-203, 108-109, 108-110, 109-112, 110-112, 112-123, 113-123, 123-217, 201-202, 201-203, 201-205, 202-204, 202-206, 204-209, 205-210, 206-210, 316-317, 318-223	20
S19	111-113, 216-217	19
S20	112-123, 113-123, 116-119, 120-123, 123-217, 216-217	18
S21	112-113, 113-215, 119-120	17
S22	111-113, 203-209, 203-224, 323-325, 325-121	17
S23	107-203, 111-113	15
S24	113-215, 123-217, 215-221, 217-218	14
S25	112-113, 216-219	14

2.2 AC Power Flow 기반 연쇄사고 시뮬레이션

더욱 정확하고 세밀한 시스템 성능을 정량화하기 위해, DCPF 기반 MIG에서 선별된 두 가지 연쇄사고 시나리오에 ACPF 기반 시뮬레이션을 적용하여 분석하였다. 기존 MIG는 연쇄사고 파급에 대한 통계적 패턴을 제공하는 한편, ACPF 기반 시뮬레이션은 그러한 사고 파급이 실제로 어떻게 전압 붕괴를 일으키고 얼마나 많은 부하를 차단시키는지를 검증한다.

PSS/E를 활용하여 그림 4와 같이 사고 파급 단계별로 Redispatch를 진행하였고, Islanding, UVLS와 같은 연쇄사고 완화 조치를 취하였다. 이 과정에서 파급 단계별 고장 선로 목록과 미공급 부하(Unserved Load)를 기록하였다.

Islanding은 슬랙 모선과 연결되지 않은 계통을 island로 보았으며, 본 연구에서는 대규모 계통에 집중하기 위해 island 내 모든 설비를 out-of-service로 간주하였다^[16]. Redispatch는 슬랙 발전기가 출력 범위를 벗어날 경우 수행되었다. 먼저 슬랙 모선의 초과 및 부족 전력을 계산하고 각 발전기의 여유 용량(headroom)을 계산하여 균등하게 증·감발한 이후 남은 용량은 여유 용량이 큰 발전기부터 조정하였다. UVLS는 모선 전압이 0.9 p.u. 이하로 떨어질 경우 작동하며, 부하의 5%씩 차단을 반복하여 최대 25%까지 차단하도록 설계하였다 ^[17].

Case 1의 경우, 표 2에서와 같이 115-116, 308-310 선로가 탈락하자, 300번대 모선 지역에 집중적으로 UVLS가 발생하였다. 이 단계에서는 106.36 MW의 부하가 UVLS로 차단되었다. 이후로 Step 2에서 사고가 파급됨에도 불구하고 UVLS가 207, 208번 모선을 포함하여 인근 지역으로 UVLS가 확산되며 총 UVLS 양이 116.62 MW가 되었다. 결과적으로 본 케이스에서는 두 단계의 파급만에 시스템이 안정화되며 사고 파급이 종료되었으며 파급 단계별 UVLS 발생 모선은 표 3과 같다.

반면, Case 2의 경우, 표 2에서와 같이 초기사고 이후 200-300번대 모선에서 UVLS가 동시 다발적으로 발생하며, 대규모 부하 차단이 발생한다. 이러한 부하 차단은 Step 2까지 지속되다가, 사고가 파급됨에 따라 300번대 모선은 일부 전압이 복구되었으나 200번대 모선은 여전히 불안정한 경향을 보인다. 이후 100번대 모선으로 불안정성이 전이되다가 최종적으로 시스템이 큰 붕괴 상태에 이르렀으며 Case 2의 파급 단계별 UVLS 발생 모선은 표 4와 같다.

그림 4. 연쇄사고 시뮬레이션 순서도

Fig. 4. Flowchart of Cascading Outage Simulation

표 2. 선정된 연쇄사고 시나리오

Table 2. Selected Representative Cascading Scenarios

Step	Case 1 (High-Prob.)	Case 2 (Longest)
1	115-116, 308-310	211-213, 313-323
2	308-309	214-216, 312-323, 314-316
3	–	210-212, 216-219, 301-302, 301-303, 301-305, 303-309, 303-324, 308-309, 315-316, 315-324, 316-319
4	–	208-209, 209-212
5	–	107-203, 201-203, 201-205, 202-206, 203-209, 203-224, 205-210, 208-210, 215-224
6	–	107-108
7	–	107-203, 114-116
8	–	103-124, 110-112, 112-123
9	–	113-123, 116-119
10	–	113-215
11	–	107-203, 111-113, 323-325, 325-121
12	–	107-108
13	–	108-110, 114-116
14	–	112-123
15	–	101-103, 101-105, 103-109, 103-124, 115-116, 115-124, 116-119
16	–	113-123

표 3. 연쇄사고 파급 단계에 따른 모선별 UVLS 현황 (Case 1)

Table 3. UVLS Status of Buses by Cascading Outage Propagation Steps (Case 1)

Step	Number of Buses with UVLS	Bus ID
1	11	313, 304, 302, 307, 310, 301, 306, 309, 314, 305, 303
2	12	313, 304, 302, 207, 208, 310, 301, 306, 309, 314, 305, 303

표 4. 연쇄사고 파급 단계에 따른 모선별 UVLS 현황 (Case 2)

Table 4. UVLS Status of Buses by Cascading Outage Propagation Steps (Case 2)

Step	Number of Buses with UVLS	Bus ID
1	23	206, 214, 205, 309, 207, 208, 302, 310, 301, 201, 209, 303, 313, 304, 202, 210, 314, 305, 203, 307, 306, 213, 204
2	23	206, 214, 205, 309, 207, 208, 302, 310, 301, 201, 209, 303, 313, 304, 202, 210, 314, 305, 203, 307, 306, 213, 204
3	14	206, 214, 205, 207, 208, 201, 209, 202, 219, 210, 203, 220, 213, 204
4	13	206, 214, 205, 207, 208, 201, 209, 202, 219, 210, 220, 213, 204
7	1	103
8	1	103
9	5	106, 108, 110, 109, 104
10	5	106, 108, 110, 109, 104
11	5	106, 108, 110, 109, 104
12	5	106, 108, 110, 109, 104
13	8	105, 115, 106, 114, 110, 101, 104, 102
14	8	105, 115, 106, 114, 110, 101, 104, 102
15	8	105, 115, 106, 114, 110, 101, 104, 102
16	8	105, 115, 106, 114, 110, 101, 104, 102

시나리오별 연쇄사고 파급에 따른 UVLS와 islanding에 따른 미공급 부하 변화와 선로별 과부하율 및 모선별 전압 변화는 그림 5와 그림 6과 같다.

그림 5. 연쇄사고 파급 단계에 따른 계통 상태 변화(Case 1)

Fig. 5. System Functionality for Each Propagation Step (Case 1)

그림 6. 연쇄사고 파급 단계에 따른 계통 상태 변화(Case 2)

Fig. 6. System Functionality for Each Propagation Step (Case 2)

3. 복구 순서 최적화 및 시뮬레이션

생성된 연쇄사고 시뮬레이션 결과를 바탕으로 MILP로 복구 순서를 최적화함으로써 계통 복원 전략을 제시하였다. 2장과 마찬가지로 이 과정에서 공급된 부하를 정량화하기 위해 최적화된 복구 전략에 따라 ACPF 기반 시뮬레이션을 진행하였다.

4. 복원력 지표 산정

마지막으로 사고 과정 및 복구 과정을 통해 산출된 미공급 부하와 공급 부하를 활용하여 여러 가지 복원력 지표를 산출할 수 있다. 본 연구에서는 복구 전략별로 ENS (Energy Not Served)와 Resilience Curve 기반 AUC (Area Under Curve) 지표를 산출하였고, 각 사고 시나리오별로 EENS (Expected Energy Not Served), 95 백분위수의 VaR (Value at Risk)를 산출하였다. 각 지표의 계산식은 아래 식 (13)-(16)에서 정의된다^[19]. ENS는 미공급된 에너지를, EENS는 ENS의 평균을, VaR은 특정 꼬리 분위수에 해당하는 ENS값을, AUC 기반 지표는 Resilience Curve 아래 면적을 정규화한 것을 의미한다.

복원력 지표 산정을 위해 각 시나리오별로 기록한 시간에 따른 미공급 부하 및 공급 부하를 x축이 파급 및 복구 시간 단계이고, y축이 공급 부하(MW)인 Resilience Curve를 작성하였다. 이를 통해 시스템 성능 변화를 시각화할 수 있었으며 AUC 기반 지표를 통해 시스템 성능을 지표화할 수 있다. 그림 7은 Case 1과 Case 2의 Resilience Curve를 시각화한 결과로, Base Case의 초기 부하 10,260MW에서 사고 파급에 따라 미공급 부하가 발생하고, 복구 과정에 따라 부하가 다시 공급되는 과정을 명시적으로 보여준다.

위 계산식을 통해 산출된 시나리오별 복원력 지수는 표 7과 같다. 사고 규모가 복원력에 미치는 영향을 정량화한 결과, Case 1과 Case 2의 평균 ENS는 212.9배, 평균 AUC는 3.5배, 복구율은 4.9배의 차이를 보였다. 이는 사고 규모가 복원력에 결정적인 영향을 미침을 입증한다.

Crew 수 증가의 효과는 사고 규모와 복구 시간에 따라 비대칭적으로 나타났다. Case 1에서 1 Crew를 4 Crews로 증가시킬 경우 복구 시간이 50% 단축되어 2배 빠른 속도를 보였으나, 최종 복구량은 동일했다. 반면 Case 2에서는 20 steps 기준 ENS가 1.4% 감소에 그쳤으나, 40 steps 기준에서는 33.8% 감소하여 복구 시간이 충분할 때 Crew 효과가 극대화됨을 확인했다. 이는 대규모 사고 대비 시 병렬 복구 능력 확보가 시간 확보보다 중요함을 시사한다.

복구 시간 연장의 효과를 분석한 결과, Case 1에서는 이미 빠른 복구로 인해 시간 연장의 효과가 없었다. 반면 Case 2에서는 4 Crews 전략이 20 steps에서 40 steps로 연장될 때 ENS가 6.5% 악화되었으며, 1 Crew 전략은 58.7% 악화되는 역효과가 나타났다. 이는 복구 자원이 부족한 상황에서 시간만 연장하면 복구 대기 시간 증가로 미공급 에너지가 누적되어 오히려 복원력이 저하됨을 의미한다. 따라서 복원력 개선을 위해서는 복구 시간과 복구 자원 사이의 trade-off가 중요함을 의미한다.

그림 7. 산출된 시나리오별 복원력 곡선

Fig. 7. Produced Resilience Curve for Each Scenario

복원력 지표의 리스크 분포를 분석하기 위해 EENS와 VaR를 비교한 결과, VaR는 EENS보다 평균 32.6% 높게 나타났다. Case 1에서는 34.9%, Case 2에서는 30.3% 높아, 평균 기반 계획은 worst-case 대비에 불충분함을 확인했다. 특히 Case 2의 VaR는 Case 1의 EENS의 277.4배에 달해 HILP 사건의 극단적 리스크를 정량화했다. 따라서 전력계통 복원력 계획 수립 시 EENS 기반 평균값 대신 VaR과 같은 꼬리 위험을 정량화하는 지표를 기준으로 worst-case 시나리오에 대비하는 리스크 관리 전략이 필수적이다.

이러한 복원력 지표는 crew 수뿐만 아니라, crew의 지리적 위치 및 이동 시간 제약이나 repair time의 불확실성에도 영향을 받을 수 있고, SUH나 cranking 제약에도 달라질 수 있다. 이 외에도 특정 계통 요소의 중요도 기반으로 복구하게 되면 그 값이 달라질 수 있다.

5. 결 론

본 연구에서는 극한 기상으로 인한 연쇄사고와 복구 과정을 통합적으로 고려한 전력계통 복원력 평가 프레임워크를 제시하였다. 우선, MIG를 활용하여 DCPF 기반 연쇄사고 시퀀스를 확률적으로 모델링하고, 이를 통해 계통 내에서 파급 영향력이 큰 핵심 선로를 식별하였다. 이후 대표 시나리오를 선정하여 ACPF 기반 시뮬레이션을 수행하였으며, Redispatch, Islanding, UVLS 등 다양한 사고 완화 조치를 반영함으로써 현실적인 사고 파급 과정을 모의할 수 있었다. 또한, MILP를 적용하여 발전기 기동 제약, 선로 복구 제약, 복구 자원 제약 등을 고려한 복구 전략을 최적화하고, 이를 바탕으로 단계별 Action Plan을 도출하였다. 이를 통해 사고 시나리오와 복구 전략별 복원력 지표를 도출하였다.

본 연구는 확률론적 연쇄사고 모델링과 물리적 시뮬레이션을 결합하여 복원력 평가의 효율성과 정밀도를 높일 수 있었다. 또한 최적화 기반 복구 전략 수립 방법론을 제시함으로써 사고 모델링부터 복구 계획 수립까지의 통합적 복원력 평가 프레임워크를 완성하였다. 마지막으로, ENS, EENS, VaR, AUC 등 다양한 복원력 지표를 활용함으로써 시나리오별 복원력 지표를 다각도로 비교할 수 있는 분석 틀을 제공하였다.

본 연구에서 제안한 사고-복구-지수화에 이르는 통합적 복원력 평가 프레임워크를 통해 계통 운영자는 리스크가 큰 사고를 미리 인지하고, 시뮬레이션을 통해 최적의 복구 전략을 수립함으로써 HILP 이벤트에 대응할 수 있다. 또한 산출된 복원력 지표를 활용하여 발생 가능한 정전에 대비하고 취약 선로에 대한 설비 보강과 유연성 자원을 통해 복원력 강화를 이룩할 수 있으며 효과적인 복구 전략 의사결정 도구로서 활용될 수 있다.

향후 연구에서는 HILP 이벤트를 현실적으로 모델링하여 본 프레임워크에 통합하고자 한다. 또한, 복구 순서 최적화 시 공급 부하 최대화와 복구 시간 최소화를 함께 최적화하는 다목적 최적화를 수행하여 보다 개선된 복구 전략을 제안하고자 한다.