허리케인 이후의 신속한 피해 식별 및 복구 일정 수립을 위한 통합 2단계 딥러닝 도구
요약
허리케인 발생 후 신속한 피해 식별과 복구 일정 수립을 위한 통합 2단계 딥러닝 도구를 제안하는 연구입니다. ResMLP와 Set Transformer를 결합한 파이프라인을 통해 높은 정확도로 손상 선로를 식별하고 복구 시간을 예측합니다.
핵심 포인트
- MLP, GraphSAGE, Set Transformer 등 다양한 모델 벤치마킹 수행
- ResMLP-Set Transformer 파이프라인으로 높은 F1-score(0.920) 달성
- 복구 시작 및 종료 시간의 평균 절대 오차를 최소화하여 의사결정 지원
- 1,700개의 허리케인 시나리오를 포함한 오프라인 합성 데이터셋 활용
허리케인 이후의 피해 평가 및 복구 일정 수립은 계산 집약적인 시뮬레이션과 최적화를 요구할 수 있습니다. 본 논문은 신속한 손상 선로 식별 및 복구 일정 계산을 위한 통합된 2단계 딥러닝 (Deep-Learning) 도구를 제시합니다. IEEE 9500-노드 테스트 피더 (test feeder)를 위한 사용 가능한 오프라인 합성 데이터셋에는 노출 특성, 그리드 메타데이터, 취약성 파라미터 (fragility parameters), OpenDSS 출력, 손상 선로 라벨, 그리고 적응형 대규모 이웃 탐색 (Adaptive Large Neighborhood Search) 참조 일정이 포함된 1,700개의 허리케인 시나리오가 포함되어 있습니다. 1단계에서는 MLP, ResMLP, GraphSAGE를 벤치마킹하며, 2단계에서는 MLP, DeepSets, Set Transformer를 비교합니다. 선택된 ResMLP-Set Transformer 파이프라인은 1단계의 오류를 2단계로 전파하며, 손상 작업 F1-score 0.920, 쌍별 순서 일치도 (pairwise order agreement) 0.854, 그리고 시작 및 종료 시간의 평균 절대 오차 (mean absolute errors) 각각 4.349분 및 4.486분을 달성합니다. 이 도구는 새로운 허리케인 사례에 대해 신속한 초기 복구 로그 의사결정 지원을 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기