딥러닝 기반 정전 복구 예상 시간 예측 모델: 고객 만족도 향상의 혁신

기후 변화로 인한 정전 증가에 대응하여 개발된 LTT 모델은 기존 방식보다 고객 만족도 지표를 19.08% 향상시켰으며, 고객 중심의 평가 및 모델 해석 기법을 통해 신뢰도를 높였습니다.

기후 변화의 심화로 인해 극심한 기상 현상이 빈번해지면서, 전력 공급 중단 사태가 늘어나고 있습니다. 이러한 상황에서 정확한 정전 복구 예상 시간(ETR: Estimated Time of Restoration)을 제공하는 것은 단순한 기술적 문제를 넘어, 고객의 안전과 사회적 안정에 직결되는 매우 중요한 문제로 대두되었습니다.

기존의 전력 회사들은 주로 수동 평가나 전통적인 통계 방식에 의존해 왔습니다. 하지만 이러한 방법들은 정확성이 떨어져, 고객들에게 불편과 불신을 야기하는 경우가 많았습니다.

Bogireddy Sai Prasanna Teja 박사를 비롯한 연구팀은 이러한 문제점을 해결하기 위해 Longitudinal Tabular Transformer (LTT) 라는 혁신적인 딥러닝 모델을 개발했습니다. LTT 모델은 과거 정전 데이터뿐만 아니라, 정전 발생 이후 시간에 따른 상황 변화를 순차적으로 반영하는 업데이트 정보까지 활용하여 ETR 예측의 정확도를 크게 향상시켰습니다.

연구팀은 3개 주요 전력 회사의 2년간 데이터, 즉 300만 명 이상의 고객에게 영향을 미친 34,000건 이상의 폭풍 관련 정전 사건 데이터를 분석했습니다. 그 결과, LTT 모델이 기존 방식에 비해 고객 만족도 지표(CSI: Customer Satisfaction Impact) 를 평균 19.08% 향상시킨 것으로 나타났습니다 (p > 0.001). 이는 통계적으로 매우 유의미한 결과입니다.

더 나아가, 연구팀은 실제 고객 만족도를 반영하는 고객 중심의 회귀 지표를 도입하여 모델 평가의 신뢰성을 높였습니다. 또한, 모델의 예측 과정을 투명하게 보여주는 해석 가능성 기법을 활용하여, 순차적 업데이트의 중요성과 각 예측 변수의 기여도를 분석했습니다. 이러한 접근 방식은 예측 정확도 향상 뿐만 아니라, 모델에 대한 고객의 신뢰도를 높이는 데에도 크게 기여할 것으로 기대됩니다.

이 연구는 단순한 기술적 진보를 넘어, 더욱 안전하고 효율적인 전력 시스템 구축과 고객 만족도 향상에 크게 기여할 획기적인 성과로 평가될 수 있습니다. 앞으로 이 기술이 전 세계 전력 회사들에 널리 적용되어, 더 나은 미래를 만드는 데 기여하기를 기대합니다.