2.1 그래프 신경망 이론

그래프 신경망은 노드와 엣지로 구성된 그래프 구조 데이터를 처리하기 위한 딥러닝 모델이다^[24],[25]. 전력계통은 각 버스가 송전선로를 통해 연결된 네트워크 형태를 가지므로, 이를 노드와 엣지로 구성된 그래프로 표현하는 것이 효율적이다. 특히 계통 이벤트는 특정 설비에서 국소적으로 발생하더라도 전력 흐름을 따라 인접 설비로 전파되며, 계통의 물리적 연결 구조에 의해 동적 응답이 결정된다. 따라서, 전력계통을 그래프로 모델링하고 연결 관계를 학습에 직접 반영할 수 있는 GNN은 PMU 기반 계통 이벤트 분석에 적합하다. 또한 실제 계통에서는 모든 버스에 PMU를 설치하기 어렵기 때문에, 일부 측정 정보가 제한적인 환경에서도 인접 노드 간 연결 구조를 활용하여 정보를 보완할 수 있다는 점에서 GNN은 효과적인 대안이 된다. GNN은 message passing 기반 연산을 통해 각 노드가 이웃 노드의 정보를 집계하고 이를 기반으로 노드 표현을 갱신하는 과정을 반복하며, 다중 레이어를 거치면서 다중 이웃 노드의 정보까지 통합할 수 있다. 이러한 구조는 계통 전체의 구조적 특성과 상호작용을 반영한 표현 학습을 가능하게 한다.

대표적인 GCN(Graph Convolutional Network)은 이웃 노드의 정보를 동일하거나 고정된 방식으로 집계하는 경향이 있어, 계통 내 모든 연결 관계가 동일한 중요도를 갖는다고 가정하는 한계가 있다. 그러나 전력 계통에서는 송전선로의 임피던스, 발전기 위치, 부하 분포, 이벤트 전파 경로 등에 따라 노드 간 영향도가 비균질하게 나타나므로, 이웃 노드의 중요도를 학습적으로 반영하는 attention 기반 구조가 더욱 적합하다. 이에 본 연구에서는 다양한 GNN 모델 중에서도 GAT(Graph Attention Network)를 채택하였다. 그림 1과 같이 GAT는 self-attention을 통해 인접 노드별 기여도를 가중치로 학습함으로써 중요한 전파 경로를 강조하고, 이벤트 발생 시 나타나는 변화가 계통 전반에 미치는 영향을 효과적으로 반영할 수 있다^[26].

그림 1 GAT 구조의 message-passing 구조

Fig. 1 Overview of the message-passing framework

GAT 구조에서 노드 i의 출력 표현은 attention 가중치 $\alpha_{ij}$를 기반으로 다음과 같이 계산된다.

여기서 $h_j$는 이웃 노드의 입력 특징 벡터, W는 학습 가능한 선형 변환 행렬, $\sigma(\cdot)$는 활성화 함수이다. 또한 multi-head attention 구조를 적용하면 여러 attention 결과를 병렬적으로 학습할 수 있어 모델의 안정성과 표현력이 향상되며, 전력 계통처럼 복잡한 상호작용이 존재하는 환경에서 더욱 강건한 특징 추출이 가능하다.

2.2 이산 웨이블릿 변환 이론

PMU는 전압 및 주파수 시계열 데이터를 제공하며, 해당 신호는 정상 상태의 기본 주파수 성분과 외란·고장 발생 시 나타나는 정상 상태의 완만한 거동에 외란·고장 발생 시 나타나는 국부적이고 급격한 변화가 중첩된 특성을 가진다. 이러한 상황에 적합한 분석 방법으로 이산 웨이블릿 변환(DWT)이 있으며, DWT는 다중 해상도 분석 기반으로 시간과 주파수 정보를 동시에 고려하여 신호를 효율적으로 분해한다^{[27- 29]}. DWT는 모 웨이블릿의 스케일링 및 이동을 통해 생성된 기저 함수를 이용하여 신호를 서로 다른 해상도의 성분으로 분해한다. 이때 PMU 신호 x(n)를 이산 신호로 간주하면, DWT는 다음과 같이 표현된다^[30].

DWT는 필터뱅크 구조를 기반으로 신호를 반복적으로 저주파 통과 필터와 고주파 통과 필터에 통과시켜 근 성분과 세부성분으로 분해한다. j번째 분해 레벨에서 근사 계수 $A_j(k)$ 및 세부 계수 $D_j(k)$는 다음과 같이 정의된다.

여기서 $h(n)$은 저주파 통과 필터 계수, $g(n)$은 고주파 통과 필터 계수를 의미하며, j는 웨이블릿 분해 레벨을 나타낸다. 분해가 반복될수록 근사 계수 $A_j(k)$는 점차 더 낮은 주파수 대역의 에너지 변화를 강조하고, 세부 계수 $D_j(k)$는 고주파 영역에서 발생하는 급격한 변화를 반영한다. 특히 세부 계수는 이벤트 발생 시점에서 급격히 증가하는 특징을 보이므로, 이를 분석함으로써 이벤트 발생 여부 및 시점을 정밀하게 탐지할 수 있다. 따라서 DWT는 PMU RMS 시계열에서 이벤트 개시 시점의 급격한 국부 변화를 효과적으로 포착할 수 있으며, 이벤트 탐지뿐 아니라 주파수 대역별 특징 기반 분류, 잡음 제거 및 전처리에도 유용한 분석 기법이다.

3.1 이벤트 분류 모델 프레임워크

본 연구에서는 전력계통 상시 모니터링 환경에서 발생하는 이벤트를 분류함과 동시에, 학습되지 않은 미지 이벤트를 판별할 수 있는 GAT 기반 오픈셋 이벤트 분류 기법을 제안한다. 기존 폐집합 기반 이벤트 분류 모델은 Softmax 확률 출력에 기반하여 입력 데이터를 사전에 정의된 클래스 중 하나로 강제 분류한다. 그러나 실제 계통 운영 환경에서는 학습 데이터에 포함되지 않은 다양한 형태의 이벤트가 발생할 수 있으며, 이 경우 Softmax 기반 모델은 미지 이벤트를 기존 이벤트로 오분류할 가능성이 있어 신뢰성을 저하시킬 수 있다. 이에 본 연구에서는 그림 2와 같이 모델 학습 과정에서 생성되는 Logit 벡터의 분포 특성을 직접 분석하여 이벤트 판별을 수행하는 오픈셋 분류 프레임워크를 설계하였다. Logit 벡터는 GNN 내부에서 학습된 잠재 표현으로서, 이벤트별 특징이 고차원 공간에서 군집 형태로 나타나는 특성을 갖는다. 따라서 logit 공간에서의 구조적 특성을 이용하면, 입력 신호가 기존 학습된 이벤트 클래스에 속하는지 또는 미지 이벤트인지 판별할 수 있는 결정 경계를 구성할 수 있다.

그림 2 상시적용 가능한 Logit 벡터 기반 오픈셋 분류 모델의 프레임워크

Fig. 2 Overall framework of the proposed method

본 논문에서 제안한 오픈셋 이벤트 분류 프레임워크는 그림 2의 구성이며, 크게 세 단계로 구성된다. 첫째, DWT 기반 다중 해상도 특징과 축소된 계통 토폴로지를 결합하여 그래프 입력 데이터를 구성하는 데이터 구조화 단계이다. 둘째, GAT 기반 표현 학습을 통해 logit 벡터를 생성하고, synthetic negative class를 포함한 학습을 수행하는 표현 학습 단계이다. 셋째, logit 벡터 분포를 기반으로 다단계 판별 알고리즘을 적용하여 미지 이벤트를 탐지하는 오픈셋 분류 단계이다. 이러한 구조를 통해 제안 기법은 상시 감시 환경에서도 안정적으로 이벤트를 식별하고, 미지 이벤트의 강제 분류를 효과적으로 억제할 수 있다.

3.2 축소 그래프 구성 및 데이터 전처리 단계

본 연구에서 전처리 과정은 PMU 관측 노드 기반 그래프 축소 과정과 DWT 기반 다중 해상도 특징 추출 과정으로 구성된다. 전력계통에서 이벤트 발생 시 신호의 변화는 계통 토폴로지를 따라 전파되는 특성을 보인다. 따라서 그래프 신경망 모델이 전력계통의 광역 거동을 학습하기 위해서는 노드 간 연결 관계를 물리적 구조에 기반하여 정의해야 한다. 그러나 실제 환경에서는 모든 노드에 PMU가 설치되지 않기 때문에 전체 계통 토폴로지를 그대로 모델에 적용할 경우, 관측되지 않는 노드까지 포함되어 계산 복잡도가 증가하며 불필요한 노이즈가 포함될 수 있다. 이를 해결하기 위해 본 연구에서는 PMU가 설치된 노드 집합만을 고려하여 축소 그래프를 구성하였다. 축소 그래프는 원 계통 그래프에서 정의되는 최단 경로 거리를 기반으로 생성된다. 즉, 그림 3과 같이 PMU가 설치된 두 노드 사이의 최단 경로 거리가 특정 임계값 이하일 경우에만 두 노드 간 연결을 생성하며 임계값을 초과하는 연결은 제거한다.

그림 3 그래프 축소 수행 예시

Fig. 3 Example of graph reduction

이를 통해 이벤트 전파에 필요한 국부적 및 중간 범위 상호작용을 유지하면서도, 불필요하게 멀리 떨어진 노드 간 연결을 제한하여 모델의 효율성을 확보할 수 있다. 또한 그래프 축소 과정에서는 모든 PMU 노드가 단절되지 않도록 연결성을 유지하는 최소 임계값을 선택하였다. 즉, 각 PMU 노드가 최소 하나 이상의 연결을 갖도록 하는 최소 임계값을 선정함으로써, 그래프가 분리되는 현상을 방지하였다. 해당 과정은 GAT 학습 시 불필요한 Attention 분산을 억제하고, 핵심적인 계통 상호작용 구조만을 반영할 수 있도록 한다. 여기서 최단 경로 거리는 축소 그래프의 연결 구조를 결정하기 위한 기준으로, 이벤트가 토폴로지를 따라 전파되는 특성을 반영한 전기적 인접성의 1차 근사이다. 연결된 노드 간 실제 전파 중요도는 균일하다고 가정하지 않으며, 후술하는 GAT의 attention 메커니즘이 데이터로부터 선로별 중요도를 학습하여 반영한다.

이후 본 연구에서는 이벤트 특징을 효과적으로 추출하기 위해 DWT 기반의 다중 해상도 분석과 전처리 단계를 수행하였다. DWT는 입력 신호를 저주파 근사 계수와 상세 계수로 분해한다. 근사 계수는 정상 상태의 저주파 거동과 계통 진동 특성을 반영하며, 상세 계수는 고장 및 스위칭 이벤트로 인한 급격한 과도 변화에 민감하게 반응한다. 본 연구에서는 높은 시간 해상도를 유지하면서 RMS 시계열의 급격한 국부 변화를 효과적으로 포착하기 위해 DB3 Level 1 웨이블릿을 적용하였다. 또한 주파수 대역별 스케일 불균형 문제를 해결하기 위해 RMS 정규화를 수행하였다. 최종적으로 정규화된 근사 계수와 상세 계수는 노드별 2차원 행렬 형태로 구성되어 모델 입력으로 활용되며, 이를 통해 전력계통 위상 구조를 유지한 상태에서 균형 잡힌 다중 해상도 특징 학습이 가능하도록 하였다.

PMU가 제공하는 전압·주파수 신호는 RMS 기반 시계열로서 본 연구에서 DWT는 고주파 성분을 검출하기 위한 것이 아니라 RMS 시계열을 다중 해상도로 분해하여 이벤트 발생 시 나타나는 국부적 변화와 시간 패턴을 표현하기 위한 특징 추출 기법으로 활용된다. 이는 PMU RMS 시계열로부터 시간 패턴 기반 특징을 추출한 기존 연구 ^[13]–^[17]와 동일한 관점이다. 본 연구에서 PMU 샘플링은 60 Hz으로, DWT Level-1 분해는 Nyquist 대역 [0, 30] Hz를 근사계수 A1 $\approx$ [0, 15] Hz와 상세계수 D1 $\approx$ [15, 30] Hz로 분리한다. 이때 D1은 전기적 고조파가 아니라 RMS 포락선의 빠른 변동 성분으로 이벤트 개시 시점의 급격한 변화가 상세계수에 큰 값으로 나타난다. 즉 상세계수는 이벤트 개시 과도를 효과적으로 포착하며, 근사계수는 이벤트의 전체적인 동적 추세를 유지한다.

그림 4 Synthetic class 구현을 통한 성능 향상

Fig. 4 Synthetic negative-class based decision

3.3 GAT 기반 학습 및 Logit 추출

본 단계에서는 전력계통 이벤트의 시공간적 패턴을 학습하고, 오픈셋 분류에 활용될 logit 표현을 생성하는 것을 목적으로 한다. 이를 위해 본 연구에서는 병렬 구조의 GAT 모델을 설계하였으며, 그림 4와 같이 negative class 학습을 결합하여 분류 모델의 클래스 간 결정 경계를 강화하였다.

전압 및 주파수 시계열 신호는 DWT를 통해 근사 계수와 상세 계수로 분해되며, 이를 기반으로 전압-근사, 주파수-근사, 전압-상세, 주파수-상세의 총 4개 입력 채널을 구성하였다. 각 채널은 독립적으로 처리되나 동일한 축소 그래프 구조를 공유하여 계통 연결 구조를 일관되게 반영한다. 각 채널에는 3개의 GAT 층을 적용하여 노드 임베딩을 학습하며, 이후 max pooling을 통해 그래프 임베딩을 생성하였다. 이는 이벤트 발생 시 나타나는 지배적 과도 특징을 강조하기 위한 구조이다. 이후 4개 채널에서 생성된 그래프 임베딩을 결합하고 완전 연결층에 입력하여 최종 logit 벡터 출력 메커니즘은 다음과 같이 요약된다.

또한, 본 연구에서는 정상 상태 영역을 명시적으로 모델링하기 위해 그림 4의 과정에서 synthetic negative class 데이터를 생성하여 negative class로 학습에 포함하였다. 본 연구에서 synthetic negative class는 미지 이벤트를 직접 모사하기 위한 데이터가 아니라, 정상 운전 상태에서 발생 가능한 측정 오차와 환경 변동을 표현하기 위한 데이터이다. 이를 위해 정상 운전 기준값에 Gaussian noise를 주입하여 synthetic negative class를 생성하였다. 이때 노이즈의 표준편차는 단일 값으로 고정하지 않고 정상상태 변동 범위 내에서 임의로 변동시켜, 다양한 수준의 정상상태 변동을 폭넓게 포함하는 표본을 생성하였다. 생성된 표본 수는 학습 데이터의 클래스 불균형을 방지하기 위해 각 이벤트 클래스와 동일한 개수로 구성하였다. 학습 과정에서 synthetic negative class는 정상 상태와 이벤트 과도 구간을 구분하는 기준 역할을 수행하며, 모델이 정상 상태의 작은 변동을 이벤트로 잘못 판단하는 것을 예방한다. 또한 이벤트 클래스의 logit 분포를 보다 밀집되게 형성하여 클래스 간 결정 경계를 명확하게 만든다. 그림 4와 같이 synthetic negative class의 도입은 학습되지 않은 미지 이벤트가 기존 이벤트 클래스로 잘못 분류되는 현상을 감소시키며, 실제 미지의 이벤트를 학습하는 것이 아니라 정상 상태 영역을 명확히 정의함으로써 결과적으로 open-set 환경에서 미지의 이벤트에 대한 거부 성능을 향상 시키는 역할을 한다.

3.4 Logit 벡터 기반 다단계 판별 알고리즘

본 연구에서는 오픈셋 분류를 수행하기 위해 Softmax 기반 확률 출력이 아닌 logit 벡터의 기하학적 분포 특성을 직접 분석하였다. Softmax 기반 분류는 출력이 상대 확률로 정규화되기 때문에 입력 데이터가 미지 이벤트일 경우에도 반드시 기존 클래스 중 하나로 분류되는 문제가 발생한다. 이에 본 연구에서는 logit 공간에서 학습된 이벤트 클래스와의 거리 기반 유사도를 이용하여 미지 이벤트 여부를 판별할 수 있도록 표 1과 같이 알고리즘을 구현하였다.

우선 logit 벡터의 크기 차이에 의해 거리 계산이 왜곡되는 문제를 방지하기 위해, 각 logit 벡터를 자신의 L2 norm으로 나누어 단위벡터로 정규화하였다. 정규화된 단위벡터 간의 거리는 유클리드(L2) 거리로 측정하였다. 단위벡터 공간에서 유클리드 거리는 코사인 유사도와 단조 관계를 가지므로, logit 벡터의 크기가 아닌 방향적 유사도를 반영한다. 이를 통해 logit 공간에서의 거리 계산이 스케일에 독립적으로 수행되며, 보다 안정적인 유사도 평가가 가능해진다. 이후 각 이벤트 클래스별로 k-NN 거리 분포를 산출하였다. 이때 학습 표본은 자기 자신이 거리 0으로 최근접이 되므로, 자기 자신을 제외한 실제 최근접 이웃을 사용하기 위해 k=2로 설정하였다. 산출된 거리 값을 오름차순으로 정렬한 후 KneeLocator를 이용해 elbow point를 클래스별 임계값으로 설정하였으며, 이를 통해 클래스의 밀집도에 따라 서로 다른 적응형 임계값을 적용하였다. 즉, 학습된 이벤트 클래스의 logit 분포가 조밀하게 형성된 경우 임계값은 작게 설정되며, 분포가 넓은 경우 상대적으로 큰 임계값이 도출된다.

최종적으로 본 연구에서는 예측 결과의 신뢰성을 강화하기 위해 다단계 의사결정 알고리즘을 적용하였다. 제안된 알고리즘은 총 3단계 검증 절차를 수행한다. 첫째, 모델 출력이 synthetic class로 판별될 경우 해당 입력은 미지 이벤트로 판단한다. 둘째, 입력 데이터의 최근접 이웃 샘플을 탐색하여 해당 샘플의 클래스와 모델 예측 클래스가 불일치할 경우 미지 이벤트로 판별한다. 셋째, 입력 logit 벡터와 최근접 이웃 logit 벡터 간 거리 값이 해당 클래스의 임계값을 초과할 경우 미지 이벤트로 판별한다.

즉, 제안 기법은 negative class 기반 거절, 최근접 이웃 기반 클래스 일관성 검증, 클래스별 거리 임계값 검증을 모두 만족할 경우에만 이벤트 클래스를 최종 결정한다. 이를 통해 불확실한 입력 데이터에 대한 강제 분류를 억제하고, 오픈셋 환경에서의 오분류 가능성을 효과적으로 감소시킬 수 있다. 입력 신호에 대한 최종 판별의 신뢰성을 확보하기 위해 다단계 판정 조건을 제안한다. 또한 제안된 다단계 검증 방식은 단일 스코어 기반 판별 방식에 비해 다차원적 일관성 평가를 수행하므로, 상시 모니터링 환경에서 발생가능한 이벤트 외 정상 동작신호에 대해 더욱 강건한 판별 성능을 제공할 수 있다.

4.1 데이터 구성 및 실험 절차

본 연구에서는 제안한 오픈셋 이벤트 분류 프레임워크의 성능을 검증하기 위해 IEEE 68-bus 테스트 시스템 기반 시뮬레이션 데이터를 구축하였다. 모든 시뮬레이션 시나리오는 PSS/E-Python 환경을 활용하여 생성하였다. 해당 계통의 구조를 기반으로 본 연구에서는 전력계통에서 대표적으로 발생 가능한 5가지 이벤트를 이벤트 클래스로 정의하였다. 이벤트 클래스는 (1) 발전기 탈락 및 손실 (Generator Loss, GL), (2) 선로 개방 사고 (Branch Trip, BT), (3) 무효전력 부하 손실 (Shunt Loss, SL), (4) 선로 단락 고장 (Line Fault, LF), (5) 유효전력 부하 손실 (Load Loss, LL)로 구성하였다. 각 이벤트는 고장 위치, 고장 임피던스, 부하 변동 수준 등 주요 변수를 임의 변화시키며 총 4,268개의 시나리오가 생성되었다.

각 시나리오에 대해 계통 전반에 배치된 PMU를 통해 전압 및 주파수 시계열 데이터를 수집하였다. 수집된 데이터는 정상 상태부터 이벤트 발생 이후 과도 응답 구간까지의 계통 거동을 포함하도록 구성하였다. 또한 분류 신뢰도를 향상시키기 위해 과도 특성이 명확히 나타나는 구간을 중심으로 신호를 추출하는 전처리 과정을 적용하였다. 이를 통해 정상 상태에서 발생하는 미세한 변동보다 이벤트로 인한 동특성이 강조되도록 하였으며, 상시 모니터링 환경에서 안정적인 이벤트 분류가 가능하도록 데이터를 구성하였다. 모델 학습을 위한 하이퍼파라미터는 grid search 방식으로 탐색하였으며, 최종적으로 학습률 0.001, 배치 크기 64, dropout 0.2를 선정하였다. 해당 설정은 모든 실험에서 동일하게 적용하였다.

4.2 모델 성능 평가

본 연구에서는 이벤트 발생 시점을 사전에 알 수 없는 실제 계통 운영 환경을 모사하기 위해 이벤트 신호 간의 분류 외에 장기간 과도 구간 신호에 대한 분류 성능 평가를 구성하였다. 학습 단계에서는 이벤트 발생 직후의 짧은 과도 구간 데이터인 이벤트 신호만을 활용하며, 테스트 단계에서는 연속적인 시계열 데이터를 입력하여 상시 모니터링 환경에서의 분류 성능을 평가하였다. 테스트 데이터는 이벤트 발생 이전 정상 상태 구간, 이벤트 발생 구간, 이벤트 이후 과도 응답 구간을 포함하도록 moving-window 형태로 구성하였다. 이를 통해 이벤트 탐지와 분류 정확도와 오알람 방지 성능을 동시에 평가할 수 있도록 하였다.

그림 5 구간별 이벤트 감지 비율

Fig. 5 Event Detection Ratio Over Time

본 연구의 open-set 평가는 두 가지 설정으로 구성된다. 상시 모니터링 평가에서는 정의된 5가지 이벤트(GL, BT, SL, LF, LL)를 모두 known class로 학습하고, 이벤트 발생 구간 이외의 정상 상태 및 과도 구간 신호를 unknown으로 간주하여 모델의 거부 성능을 평가한다. 데이터셋은 학습·검증용 80%, 시험용 20%로 분할하였으며, 학습에는 이벤트 발생 직후의 짧은 과도 구간만을, 시험에는 정상상태–이벤트–이후 과도 구간을 포함한 연속 시계열을 moving-window 형태로 사용하였다. 이때 unknown은 별도의 합성 신호로 생성하지 않고, 상시 모니터링 평가에서는 이벤트 외 구간의 실제 동적 응답을 사용한다. 시뮬레이션 결과 그림 5의 결과에서 제안한 모델은 정상 상태 및 과도 구간을 포함한 전체 구간에서 오픈셋 탐지 정확도 99.85%를 달성하였다. 세부적으로 0초 시점에 발생한 이벤트 지점에서는 높은 이벤트 검출 성능과 이후 구간에서는 강제 분류를 효과적으로 억제함으로써 false alarm 발생을 크게 줄일 수 있음을 의미한다. 즉, 이벤트 발생 전후의 과도 전환 구간에서도 안정적인 판별 성능을 유지하여 상시 운영 환경에서 신뢰성 있는 이벤트 감시가 가능함을 확인하였다. 이는 제안한 모델이 상시적용 가능한 모델로서 안정적인 동작을 유지하면서도, 이벤트 발생 시 즉각적으로 탐지할 수 있음을 보여준다.

위의 표 2는 클래스별 분류 성능을 정리한 결과이다. 제안한 프레임워크는 이벤트 탐지와 분류를 통합적으로 수행할 수 있으며, 5개 이벤트 클래스에 대해 평균 recall 95.55%를 달성하였다. 또한 오픈셋 판별 메커니즘을 통해 학습되지 않은 이벤트가 기존 이벤트 클래스로 오분류되는 문제를 효과적으로 억제함으로써, 상시 모니터링 환경에서의 신뢰성 있는 이벤트 감시 성능을 확보하였다. 또한 학습되지 않은 새로운 이벤트 유형에 대한 일반화 성능을 검증하기 위해, 5개 클래스 중 하나를 학습에서 제외하고 이를 미지(Unknown) 이벤트로 간주하는 교차검증을 수행한다. 관련 결과는 표 3에 제시하였다.

다만 이 교차검증은 제외된 클래스 역시 동일 계통의 이벤트로서 나머지 클래스와 특성을 부분적으로 공유하므로, 적합한 클래스가 부재할 때 모델이 강제 분류를 억제하는 능력을 검증한 것으로 해석된다. 학습 분포와 이질적인 정상·과도 구간 신호에 대한 거부는 앞선 상시 모니터링 평가에서 별도로 확인하였다. 한편 강제 진동, 삼상 단락과 같이 학습에 없는 새로운 외란 유형에 대한 거부 성능의 정량적 평가는 향후 실측 및 추가 시뮬레이션 연구로 수행될 수 있다.

앞선 평가에서는 고정된 PMU 배치 조건에서 제안 모델의 성능을 검증하였다. 그러나 실제 전력계통에서는 PMU 설치 위치와 개수가 유지보수, 통신 장애, 계통 확장 등의 요인으로 인해 변화할 수 있다. 따라서 PMU 배치 및 밀도 변화에 대한 모델의 강건성은 실제 적용을 위해 중요한 요소이다. 기존의 PMU 기반 이벤트 분석 연구 ^{[9], [21], [23]}에서 제시한 계통 전체의 동특성을 균형 있게 관측 가능한 방법을 적용하여 PMU 개수에 따라 4가지 배치 시나리오를 정의하였다. Set A는 12개, Set B는 16개, Set C는 18개, Set D는 20개의 PMU를 사용하는 구성으로 설정하였다. 각 PMU 구성에 대해 moving-window 기반 연속 평가를 수행하여 분류 정확도와 오픈셋 탐지 성능을 비교하였다. 그림 6은 서로 다른 PMU 구성에서의 연속 이벤트 탐지 비율을 나타낸다. 모든 구성에서 이벤트 구간에서는 탐지 비율이 급격히 증가하였으며, 정상 상태 구간에서는 탐지 비율이 0에 가깝게 유지되었다. 이는 PMU 개수가 감소하더라도 제안한 모델이 실제 이벤트에 대해서만 선택적으로 반응하며 안정적인 탐지 성능을 유지함을 의미한다.

그림 6 PMU 구성별 이벤트 감지 비율

Fig. 6 Comparison of Event Detection Ratios for Different PMU Configurations

표 4는 PMU 구성별 정량적 성능 결과를 정리한 것이다. 모든 PMU 구성에서 분류 정확도는 90% 이상을 유지하였으며, 오픈셋 탐지 정확도는 99% 이상으로 매우 높은 수준을 나타냈다. 특히 최소 PMU 구성(Set A)에서도 오픈셋 탐지 성능이 크게 저하되지 않았으며, 이는 제안한 모델이 단순한 측정에 의존하지 않고 계통의 본질적인 동특성을 학습하고 있음을 보여준다. 결과적으로 제안 모델은 PMU 배치 및 개수 변화에 대해 높은 강건성을 가지며, 실제 운영 환경에서도 적용 가능성이 높음을 확인하였다.

추가적으로 제안 모델의 이벤트 분류 성능을 객관적으로 검증하기 위해 PMU 기반 이벤트 분류 연구에서 널리 사용되는 CNN 및 GCN과 비교하였다. 모든 설정은 4.1절과 동일한 데이터셋, 학습·테스트 데이터 및 하이퍼파라미터를 기반으로 하였다. 공정한 비교를 위해 CNN과 GCN의 모델에도 제안 기법과 동일한 다단계 판별 절차를 결합하여 신경망 구조만 달리한 상태에서 평가하였으며, classification accuracy와 open-set detection accuracy를 함께 비교한 결과는 표 5와 같다.

표 5에서 볼 수 있듯이 제안 모델은 CNN과 GCN보다 높은 이벤트 분류 정확도를 나타냈다. 이는 GAT의 attention mechanism이 PMU 간 중요 관계를 효과적으로 학습하여 이벤트 발생 시 나타나는 공간적 특성을 보다 정확하게 표현하기 때문으로 판단된다. 또한 정상 상태에서도 99.85%의 높은 정확도를 유지하여 false alarm 발생을 효과적으로 억제하였다.

4.3 Ablation Study

본 연구에서는 제안 모델을 구성하는 핵심 요소들이 성능에 미치는 영향을 분석하기 위해 ablation study를 수행하였다. Baseline 모델을 기준으로 OpenMax, L2 정규화, synthetic class 학습, 그래프 축소 요소를 각각 제거한 후 성능 변화를 비교하였다. 이를 통해 각 구성 요소가 이벤트 탐지 및 오픈셋 판별 성능에 기여하는 정도를 정량적으로 분석하였다.

그림 7 Ablation Study 모델별 이벤트 감지 비율

Fig. 7 Classification and open-set detection performance under different models

그림 7은 각 비교 모델의 연속 이벤트 탐지 비율을 나타낸 결과이다. Baseline 모델은 정상 상태 구간에서는 거의 0에 가까운 반응을 유지하면서 이벤트 구간에서만 탐지 비율이 뚜렷하게 증가하였다. 반면 제안하는 모델의 핵심 구성요소가 제거된 경우 탐지 비율이 불안정하게 증가하는 현상이 나타났으며, 이는 오알람 억제 성능이 저하되었음을 의미한다. 이러한 결과는 제안된 통합 기법이 신뢰성 있는 이벤트 판별과 오알람 억제에 중요한 역할을 수행함을 보여준다.

표 6은 ablation 실험 결과를 정리한 것으로 OpenMax를 적용한 경우 분류 정확도와 오픈셋 탐지 정확도가 각각 83.95%, 59.31%로 가장 낮게 나타났다. 이는 EVT 기반 접근 방식이 고차원 PMU 특징 공간에서 나타나는 미세한 동특성 차이를 효과적으로 반영하기 어렵다는 점을 시사하며, 실제 PMU 기반 이벤트 환경에서는 적용성이 제한적일 수 있음을 의미한다. 또한 L2 정규화를 제거한 경우 오픈셋 탐지 정확도가 약 14.8% 감소하였다. 이는 logit 벡터 크기 차이에 의해 거리 기반 유사도 계산이 왜곡되어 판별 신뢰성이 저하되었음을 나타낸다. 가장 큰 성능 저하는 synthetic class를 제거했을 때 나타났으며, 오픈셋 탐지 정확도가 71.82%로 28% 이상 감소하였다. 이는 synthetic class 학습이 정상 상태, 미지 이벤트, 학습된 이벤트 상태 간 결정 경계를 안정적으로 형성하는 데 핵심적인 역할을 수행함을 보여준다.

마지막으로 그래프 축소 기법을 제거한 경우 분류 정확도가 약 3.1% 감소하였다. 이는 불필요한 노드 및 엣지가 포함될 경우 토폴로지 기반 표현 학습 과정에서 잡음이 증가하며, 모델이 중요한 상호작용 패턴을 학습하는 데 방해가 될 수 있음을 의미한다. 종합적으로 그래프 축소, logit L2 정규화, synthetic class 학습은 제안 모델의 핵심 구성 요소로서, 선택적 이벤트 반응과 false alarm 억제를 가능하게 하는 주요 기반 기술임을 확인하였다. 이를 통해 제안 프레임워크는 오픈셋 환경에서 신뢰성 있는 전력계통 상시 모니터링을 수행할 수 있다. 또한 제안 기법의 계산 성능을 평가하기 위해 3.23Ghz M1 PRO CPU, RAM 16GB, 14CORE GPU, mac OS 26 환경에서 PyTorch 및 PyTorch Geometric을 이용하여 수행하였다. Window length는 20 samples(약 0.33s), stride 1 sample(약 16.7 ms)로 설정하였을 때 예측하는데 소요 시간은 평균 약 2.14 ms의 처리 시간이 소요되어 실시간 적용 가능성을 확인하였다.

4.4 계측 잡음 강건성 평가

실제 PMU 계측에서는 측정 노이즈가 불가피하게 존재하므로, 이에 대한 모델의 강건성을 정량적으로 검증하였다. DWT 수행 이전의 원신호에 SNR 수준을 달리하여 노이즈를 주입하였으며, 학습에는 노이즈를 포함하지 않고 시험 데이터에만 AWGN(Additive White Gaussian Noise)를 추가하여 배포 환경에서 마주하는 계측 노이즈에 대한 강건성을 평가하였다.

표 7에서 오픈셋 탐지 정확도는 SNR 저하와 무관하게 99% 이상으로 유지되어, 제안 기법의 거부 성능이 계측 노이즈에 강건함을 확인하였다. 이벤트 분류 정확도는 노이즈 증가에 따라 완만하게 저하되나 높은 수준을 유지하였으며, 이러한 결과는 측정 노이즈가 증가할수록 이벤트의 세부적인 특성을 구분하는 분류 성능은 일부 저하될 수 있으나, 학습된 이벤트와 미지 입력을 구분하는 Open-set 판별 성능은 상대적으로 안정적으로 유지됨을 보여준다. 특히 학습 과정에서 노이즈를 별도로 포함하지 않았음에도 20 dB의 비교적 강한 노이즈 환경에서 98.35%의 Open-set Detection Accuracy를 확보한 것은 제안한 프레임워크가 노이즈가 존재하는 환경에서도 미지 입력에 대한 강건한 거부 성능을 유지할 수 있음을 의미한다.