전력 품질 이상을 0.02초 만에 찾아내는 AI, 복잡한 전기 이상 신호 29종을 구분했다
재생에너지와 전력전자 장치가 늘어난 시대에 전력망 이상을 실시간으로 감지하는 새로운 CNN 구조가 등장했다
전력망은 단순히 전기를 공급하는 인프라가 아니다. 공장 설비, 데이터센터, 병원, 반도체 생산라인까지 모두 안정적인 전력 품질에 의존한다. 문제는 최근 태양광과 풍력 같은 재생에너지, 인버터, 전기차 충전기 등 전력전자 장치가 급격히 늘어나면서 전압 강하, 고조파, 깜빡임(flicker), 과도현상 같은 전력 품질 이상(Power Quality Disturbance, PQD) 이 훨씬 복잡해지고 있다는 점이다.
2026년 발표된 연구에서는 이러한 문제를 해결하기 위해 다단계 계층형 CNN(Multi-Stage Hierarchical CNN) 모델을 개발했다. 연구진은 단순한 전압 강하뿐 아니라 여러 이상 현상이 동시에 발생하는 복합 사고까지 포함해 총 29종의 전력 품질 이상을 분류할 수 있는 AI를 구축했다.
특히 이 모델은 별도의 신호 전처리 없이 원시 전압 파형만 입력받아 분석하며, 단 3주기(cycle)의 전압 신호만으로도 F1 점수 97.8%를 기록했다. 입력 구간을 5주기로 늘리면 정확도는 98.86%까지 상승했다.
전력 품질 이상은 왜 점점 복잡해지고 있는가
과거 전력망은 발전소에서 생산한 전기를 소비자에게 일방향으로 공급하는 구조였다. 하지만 최근에는 상황이 달라졌다.
태양광과 풍력 발전은 날씨에 따라 출력이 계속 변한다. 여기에 전기차 충전기와 각종 전력전자 장치는 비선형 부하를 발생시킨다. 그 결과 전압과 전류 파형이 이상적인 사인파 형태를 유지하지 못하게 된다.
더 큰 문제는 여러 이상 현상이 동시에 발생한다는 점이다. 예를 들어 전압 강하(Sag)가 발생하는 순간 고조파(Harmonics)가 함께 나타날 수 있다. 또는 전압 변동과 깜빡임 현상이 동시에 발생할 수도 있다.
기존 전력 품질 분석 방식은 사람이 설계한 특징에 의존했다
전통적인 전력 품질 분석은 푸리에 변환(FFT), 웨이블릿 변환(WT), S-Transform 같은 신호처리 기법을 사용했다.
이 방법들은 먼저 사람이 특정 특징을 추출한 뒤 기계학습 모델이 분류하는 구조였다. 즉 AI가 스스로 특징을 찾는 것이 아니라 연구자가 어떤 특징이 중요한지 미리 정의해야 했다.
연구진은 네 개의 전문 AI를 협력시키는 구조를 만들었다
이번 연구의 핵심은 하나의 거대한 AI를 만드는 대신 여러 전문가 AI를 계층적으로 결합한 것이다.
연구진은 먼저 네 개의 CNN 모델을 각각 따로 학습시켰다. 첫 번째 모델은 단일 이상 현상, 두 번째 모델은 두 개의 동시 이상, 세 번째 모델은 세 개의 복합 이상, 네 번째 모델은 네 개의 동시 이상을 학습했다.
이후 이 네 모델을 하나로 연결했다. 각각의 전문 지식을 가진 AI들이 동시에 입력 신호를 분석하고, 최종 단계에서 결과를 종합해 29개 클래스로 분류하도록 설계했다.
AI는 전압 파형을 직접 보고 특징을 스스로 학습했다
이 연구에서 사용된 CNN은 전압 파형 자체를 입력받는다. 연구진은 별도의 필터링이나 특징 추출 과정을 넣지 않았다.
대신 CNN 내부의 합성곱 필터가 자동으로 의미 있는 패턴을 학습하도록 했다. 이 방식의 장점은 사람이 어떤 특징이 중요한지 미리 가정할 필요가 없다는 점이다.
총 29종의 전력 품질 이상을 분류했다
연구진은 IEEE 1159 표준을 기반으로 총 29개 클래스를 구성했다. 여기에는 전압 강하, 전압 상승, 순간 정전, 임펄스, 과도 진동, 고조파, 플리커, 노치가 포함됐다.
뿐만 아니라 이들 현상이 두 개, 세 개, 네 개씩 동시에 발생하는 복합 사건도 포함됐다.
3주기만 분석해도 97.8% 정확도를 달성했다
전력 품질 감지에서는 속도가 중요하다. 이상 현상이 발생한 뒤 수 초 후에 결과가 나오는 것은 실시간 대응에 도움이 되지 않는다.
연구진은 입력 신호 길이를 1주기부터 10주기까지 변화시키며 성능을 비교했다. 그 결과 3주기 분석에서 F1 점수 97.8%를 기록했다. 5주기에서는 98.86%까지 상승했지만 계산량이 증가했다.
연구진은 실시간 적용을 고려해 3주기 모델을 주력 모델로 선택했다. 3주기 모델은 신호 1개를 약 0.024초 만에 예측할 수 있었다.
전이학습과 미세조정이 성능 향상에 기여했다
연구진은 먼저 네 개의 전문 모델을 학습한 뒤 전이학습을 수행했다. 전이학습 단계에서는 기존 모델의 핵심 가중치를 고정한 상태로 새로운 29개 분류 문제를 학습했다.
그 다음 미세조정을 수행했다. 이 단계에서는 기존에 고정했던 층 일부를 다시 학습시켰다. 그 결과 F1 점수는 97.80%로 상승했다.
다른 딥러닝 모델보다 훨씬 높은 성능을 보였다
- BiLSTM: 15.44%
- 일반 1D CNN: 68.44%
- Transformer: 74.62%
- 계층형 CNN: 97.80%
일반 CNN과 내부 구조가 유사했음에도 계층형 구조가 훨씬 우수한 성능을 보였다. 이는 복합적인 이상 현상을 하나의 모델이 모두 처리하는 것보다, 전문 모델들이 협력하는 구조가 더 효과적이라는 의미다.
실제 전력망 데이터에서도 복합 이상을 찾아냈다
연구진은 합성 데이터뿐 아니라 실제 전력망에서 수집된 전압 강하 데이터도 분석했다. 실제 데이터에는 잡음과 고조파가 포함돼 있었다.
모델은 단순히 전압 강하만 검출한 것이 아니라 고조파와 전압 강하가 동시에 존재하는 구간까지 구별했다. 일부 구간에서는 고조파·전압강하·플리커가 함께 존재하는 복합 사건도 탐지했다.
복합 전력 이상을 빠르게 구분하는 계층형 AI 구조가 실시간 전력망 감시에 가까워졌다
이번 연구는 전력 품질 이상을 단순히 탐지하는 수준을 넘어 여러 이상 현상이 동시에 발생하는 상황까지 구분할 수 있는 AI 구조를 제시했다.
특히 네 개의 전문 CNN을 결합한 계층형 구조를 통해 복잡한 이상 신호를 효과적으로 분석했으며, 전처리 없이 원시 전압 파형만으로 최대 98.86%의 분류 성능을 달성했다.
출처
Juarez, M. G., Cerda, J., Zamora-Mendez, A., Ortiz-Bejar, J., & Silva-Chavez, J. C. (2026). Multi-Stage Hierarchical CNN Model for Power Quality Disturbance Detection and Classification. AI, 7(6), 220. https://doi.org/10.3390/ai7060220