2.1 부분방전 탐지 및 PRPD 기반 패턴 분류

PRPD 기반 패턴 분류는 부분방전 신호를 위상 정보와 방전 크기 정보를 기준으로 이미지화하고, 방전 유형별 패턴 차이를 분석하는 방식이다. PRPD 이미지는 방전 발생 위상, 방전 크기, 발생 빈도 정보를 함께 포함하므로 보이드 방전, 표면 방전, 코로나 방전 등 방전 유형별 분포 특성을 시각적으로 표현한다. 이러한 특성은 이미지 기반 딥러닝 모델이 방전 유형별 공간적 패턴을 학습하는 데 활용된다^{[2], [3]}.

PRPS는 부분방전 신호의 크기, 위상, 시간 주기 정보를 포함하여 신호의 시간적 변화를 함께 표현하는 방식이며, PRPD는 전체 주기 동안 발생한 방전 신호를 위상과 방전 크기 기준으로 누적하여 방전 발생 빈도를 나타내는 방식이다. PRPD와 PRPS는 모두 부분방전 신호를 패턴 기반으로 해석하기 위한 표현 방식이며, 전기설비 부분방전 진단에서 이미지 기반 분류 모델의 입력 데이터로 활용된다^[3].

기존 연구에서는 PRPD 또는 PRPS 이미지를 CNN 기반 분류기에 적용하여 부분방전 패턴을 분류하였다. 이 방식은 방전 유형별 위상 분포와 패턴 특성을 학습하는 데 효과적이다. 주변 환경 노이즈가 포함되거나 일부 방전 유형의 패턴이 유사하게 나타나는 경우에는 이미지 기반 단일 데이터만으로 충분한 식별 정보를 확보하기 어렵다^[3]. 이러한 한계로 인해 PRPD 이미지 전처리, 노이즈에 강건한 특징 추출, 추가 데이터 활용 기반 탐지 모델의 필요성이 강조되고 있다.

2.2 단일모달 기반 부분방전 탐지 모델

단일모달 기반 부분방전 탐지 모델은 하나의 데이터 유형을 활용하여 부분방전 여부 또는 방전 유형을 분류하는 방식이다. PRPD 이미지 기반 모델은 방전 신호를 2차원 이미지로 변환한 뒤, CNN 계열 모델을 이용하여 방전 유형별 공간적 패턴을 학습한다. 시계열 신호 기반 모델은 부분방전 측정 과정에서 취득되는 전류 또는 전압 파형을 시간 순서에 따라 분석하고, 신호의 시간적 변화와 파형 특성을 학습한다.

PRPD 이미지 기반 모델에서 ResNet 계열 모델은 이미지의 국소적 특징과 공간적 패턴을 추출하는 대표적인 CNN 계열 구조이다. ResNet은 층 수에 따라 ResNet-18, ResNet-34, ResNet-50 등으로 구분되며, 네트워크가 깊어질수록 표현 능력은 증가하는 반면 파라미터 수와 연산량도 함께 증가한다^[6]. ResNet-18은 상대적으로 얕은 구조이면서도 잔차 연결을 통해 안정적인 특징 학습이 가능하므로, PRPD 이미지 기반 부분방전 분류에서 기준 모델로 활용하기에 적합하다. PRPD 이미지에 적용할 경우 방전 유형별 위상 분포, 발생 밀도, 패턴 형태를 학습하는 데 활용된다. 시계열 신호 기반 모델에서 LSTM-AE(Long Short-Term Memory Autoencoder)는 시계열 데이터의 순차적 특성을 학습하고, 입력 신호와 재구성 신호 간의 차이를 이용하여 이상 특성을 분석하는 모델이다^{[7], [8]}. LSTM-AE는 시간에 따른 신호 변화와 파형의 연속성을 반영하므로, 부분방전 신호의 시간적 특성을 학습하는 데 활용된다. 정상 패턴을 기준으로 재구성 오차를 계산하는 구조는 시계열 이상탐지 모델에서 주요한 접근으로 사용된다^[8].

단일모달 기반 모델은 특정 데이터 유형의 특징을 효과적으로 학습한다는 장점이 있다. PRPD 이미지는 위상과 방전 크기 중심의 공간적 패턴을 표현하는 데 적합하며, 시계열 데이터는 시간에 따른 파형 변화와 순간적인 신호 특성을 반영하는 데 적합하다. 각 데이터는 부분방전 현상의 일부 특성을 잘 표현하지만, 하나의 데이터 유형만으로 공간적 패턴 정보와 시간적 신호 정보를 동시에 반영하기에는 한계가 있다.

2.3 멀티모달 기반 부분방전 탐지 모델

멀티모달 기반 부분방전 탐지 모델은 서로 다른 형태의 데이터를 함께 활용하여 부분방전의 다양한 특성을 종합적으로 학습하는 방식이다. 멀티모달 학습은 서로 다른 모달리티의 정보를 결합하여 단일 데이터 기반 접근에서 놓칠 수 있는 보완적 특징을 활용하는 방법이다^[5]. 부분방전 탐지에서 PRPD 이미지와 시계열 신호는 대표적인 결합 대상이다. PRPD 이미지는 방전 신호를 위상과 방전 크기 기준으로 누적하여 공간적 패턴으로 표현하며, 방전 유형별 위상 분포, 발생 빈도, 패턴 밀도 정보를 제공한다. 시계열 신호는 부분방전 발생 순간의 파형 변화, 시간적 변동, 신호 강도의 변화를 직접적으로 반영한다. 두 데이터는 동일한 부분방전 현상을 서로 다른 관점에서 표현하므로, 함께 활용할 경우 공간적 패턴 정보와 시간적 신호 정보를 동시에 반영한다.

멀티모달 융합 방식은 데이터 결합 시점과 방법에 따라 구분된다. 각 모달리티별 특징을 독립적으로 추출한 뒤 결합하는 Late Fusion 방식은 이미지와 시계열처럼 데이터 구조가 다른 경우에 적합하다. Late Fusion은 모달리티별 특징 추출 과정을 분리하므로, PRPD 이미지의 공간적 특징과 시계열 신호의 시간적 특징을 각각 학습한 뒤 결합하는 구조에 활용된다^[5]. 모달리티 간 상호 관계를 학습하는 Cross-Attention Transformer는 한 모달리티의 특징이 다른 모달리티의 특징을 참조하도록 구성되는 방식이다^[9]. 이 구조는 PRPD 이미지와 시계열 신호 간의 연관성을 학습하고, 각 모달리티가 분류 과정에서 갖는 중요도를 반영하는 데 활용된다. Attention 기반 융합 방식은 모달리티 간 상호작용을 세밀하게 반영할 수 있으며, 모델 구조와 데이터 규모에 따라 성능과 계산 복잡도 측면에서 차이가 발생할 수 있다.

최근 전기설비 부분방전 분류 분야에서도 PRPD 이미지와 시계열 데이터를 결합하는 멀티모달 연구가 보고되고 있다. 시계열 데이터와 PRPD 이미지 데이터를 함께 활용한 연구에서는 CNN과 LSTM 기반 특징 추출기를 결합하여 부분방전 분류 모델을 구성하고, 단일모달 모델과의 성능 차이를 비교하였다^[10]. 이러한 연구 흐름은 부분방전 탐지에서 모달리티별 데이터 품질과 특징 결합 방식이 모델 성능에 중요한 영향을 미친다는 점을 나타낸다. 멀티모달 기반 부분방전 탐지에서는 모달리티별 특징을 효과적으로 추출하고, 서로 다른 데이터 구조를 적절히 결합하는 방식이 중요하다. PRPD 이미지는 공간적 패턴 정보를 제공하고 시계열 신호는 시간적 변화 정보를 제공하므로, 두 데이터의 결합 방식은 부분방전 유형 분류 성능을 결정하는 주요 요소로 작용한다.

3.1 데이터셋 구성 및 전처리

전기설비 부분방전 탐지에는 AI Hub의 산업 설비 전기 화재 사고 예방 부분방전 데이터를 활용하였다^[11]. 본 논문에서는 고체 절연체의 ACSR-OC와 액체 절연체의 전력용 유입변압기를 대상으로 정상, 노이즈, 보이드 방전, 표면 방전, 코로나 방전 데이터를 사용하였다. 선정한 두 전기설비의 부분방전 신호는 HFCT(High Frequency Current Transformer) 센서를 이용하여 실제 설비 현장에서 취득되었으며, 원천데이터는 PRPD 이미지와 시계열 신호로 구성된다. 하나의 PRPD 이미지와 이에 대응하는 하나의 시계열 신호를 하나의 멀티모달 샘플로 구성하였다.

PRPD 이미지는 부분방전 신호의 발생 위상, 방전 크기 및 발생 빈도를 2차원 공간에 표현한 데이터이다. 원시 부분방전 신호는 그림 2와 같이 교류 전압의 위상과 대응되며, 각 위상 구간에서 측정된 방전 크기와 발생 빈도를 누적하여 PRPD 패턴으로 변환된다. PRPD 이미지는 20초 이상 취득된 부분방전 신호를 한 주기의 위상 기준으로 누적하여 표현한다. 시계열 데이터는 20행 × 7,680열의 CSV 파일로 구성되며, 각 행은 1초 동안 취득된 7,680개의 센서값을 나타내어 하나의 파일에 총 20초 구간의 153,600개 측정값이 포함된다. PRPD 이미지는 위상에 따른 방전 분포와 발생 빈도를 공간적 패턴으로 나타내고, 시계열 신호는 시간에 따른 신호 변화와 순간적인 파형 특성을 제공하므로 두 모달리티를 함께 모델 입력으로 활용하였다.

그림 2 PRPD 기반 부분방전 패턴 표현 개념도

Fig. 2 Conceptual diagram of PRPD-based partial discharge pattern representation

부분방전 유형별 멀티모달 입력 데이터는 그림 3과 같이 ACSR-OC와 전력용 유입변압기에 대해 정상, 노이즈, 보이드 방전, 표면 방전, 코로나 방전으로 구성하였다. 그림 3의 PRPD는 실제 입력 이미지의 예를 제시하였으며, 시계열 그래프는 각 PRPD 이미지에 대응하는 CSV 데이터를 본 논문에서 적용한 전처리 방식에 따라 2,048개의 시계열 값으로 변환한 후 해당 값을 직접 도시하여 모델에 입력되는 시계열 형태를 나타내었다. 이를 통해 두 전기설비의 5개 상태에 대한 PRPD 이미지와 대응 시계열 신호의 특성을 함께 확인할 수 있도록 구성하였다.

그림 3 전기설비 및 부분방전 유형별 멀티모달 입력 데이터

Fig. 3 Multimodal input data by electrical equipment and partial discharge type

데이터셋은 액체 절연체와 고체 절연체를 대상으로 구성하였으며, 부분방전 유형은 정상, 노이즈, 보이드 방전, 표면 방전, 코로나 방전으로 구분하였다. 표 1과 같이 절연체 종류 2종과 부분방전 유형 5종을 조합하여 전체 분류 클래스를 10개로 구성하였다. 각 클래스는 6,000개의 멀티모달 샘플로 구성하고, 학습 데이터 4,800개, 검증 데이터 600개, 시험 데이터 600개로 분할하였다. 전체 데이터는 총 60,000개이며, 학습 데이터 48,000개, 검증 데이터 6,000개, 시험 데이터 6,000개로 구성하였다. 학습·검증·시험 데이터 간 동일한 파일이 중복되지 않도록 데이터셋을 구성하였다.

PRPD 이미지와 시계열 신호는 서로 다른 데이터 형식을 가지므로 각 모달리티의 구조에 적합한 전처리를 적용하였다. 동일한 측정 조건에서 취득된 파일의 이름과 라벨 정보를 기준으로 두 데이터의 대응 관계를 확인하였다. PRPD 이미지는 224 × 224 크기로 조정한 후 Tensor 형태로 변환하였다. 시계열 신호는 20초 구간의 153,600개 측정값을 시간 순서에 따라 일차원으로 배열하고, 연속된 75개 측정값의 평균을 계산하여 입력 길이를 2,048로 축소하였다. 이후 Z-score 정규화를 적용하여 최종 입력 형태를 2,048 × 1로 구성하였다. 전처리가 완료된 데이터에는 절연체 종류와 상태 유형을 조합한 클래스 라벨을 부여하였다. 전체 데이터 전처리 과정은 그림 4와 같다.

그림 4 멀티모달 부분방전 데이터 전처리 흐름

Fig. 4 Preprocessing flow of multimodal partial discharge data

3.2 Late Fusion 기반 제안 모델

제안 모델은 PRPD 이미지의 공간적 특징과 시계열 신호의 시간적 특징을 독립적으로 추출한 뒤, 두 특징을 Late Fusion 방식으로 결합하여 부분방전 유형을 분류하도록 구성하였다. 서로 다른 데이터 구조를 하나의 입력 형태로 변환하지 않고 각 모달리티에 적합한 특징 추출기를 적용함으로써 PRPD 이미지와 시계열 신호에 포함된 고유한 정보를 유지하였다.

그림 5와 같이 PRPD 이미지는 이미지 특징 추출기에 입력하여 방전 위상 분포, 방전 크기 및 발생 밀도에 관한 공간적 특징을 추출하였다. 이미지 특징 추출기에는 ResNet-18을 적용하였으며, 최종 분류층을 제외한 네트워크를 통해 512차원의 이미지 특징 벡터를 생성하였다. 이미지 특징 추출기는 여러 개의 특징 추출 블록을 통과하면서 PRPD 패턴의 국부적인 분포와 전체적인 형태를 단계적으로 학습하고, 최종 단계에서 고차원의 이미지 특징 벡터를 생성한다.

시계열 신호는 LSTM-AE 기반 특징 추출기에 입력하여 시간에 따른 신호 변화와 순차적 패턴을 학습하였다. LSTM 인코더는 입력 시계열 신호를 잠재 특징으로 압축하고, 디코더는 잠재 특징을 기반으로 입력 신호를 복원한다. 시계열 특징 추출기는 2계층 LSTM 인코더를 기반으로 구성하였으며, 인코더의 최종 은닉 상태를 이용하여 128차원의 시계열 특징 벡터를 생성하였다. 이 과정에서 생성된 잠재 특징은 시계열 신호의 시간적 변화를 압축한 특징 표현으로 활용하였다. 시계열 신호의 복원 과정은 특징 추출기가 입력 신호의 주요 패턴을 학습하도록 하며, 최종 분류 단계에서는 인코더에서 생성된 잠재 특징을 사용하였다.

그림 5는 PRPD 이미지와 시계열 신호가 각각 ResNet-18과 LSTM-AE를 통해 특징으로 변환된 후 Late Fusion 방식으로 결합되고, 최종적으로 액체 및 고체 절연체의 정상, 노이즈, 보이드 방전, 표면 방전, 코로나 방전을 조합한 10개 클래스 중 하나로 분류되는 전체 과정을 나타낸다.

그림 5 Late Fusion 기반 제안 모델 구조

Fig. 5 Architecture of the proposed Late Fusion-based model

이미지 특징 추출기에서 생성된 공간적 특징 벡터 $z_{\text{img}}$와 시계열 특징 추출기에서 생성된 시간적 특징 벡터 $z_{\text{ts}}$는 Late Fusion 단계에서 연결되어 통합 특징 벡터를 구성한다. 두 모달리티의 특징을 결합하는 과정은 식 (1)과 같이 표현하였다.

512차원의 이미지 특징과 128차원의 시계열 특징을 연결하여 640차원의 통합 특징 벡터를 구성하였다. 통합 특징 벡터 $z_{\text{fusion}}$은 PRPD 이미지에서 추출된 위상 분포와 발생 밀도에 관한 공간적 특징 및 시계열 신호에서 추출된 시간적 변화 특성을 함께 포함한다. 생성된 통합 특징 벡터는 완전연결층, ReLU 활성화 함수 및 Dropout을 거쳐 10개 클래스에 대한 출력값으로 변환된다. Softmax 함수를 적용하여 식 (2)와 같이 최종 예측 확률을 산출한다.

식 (2)에서 $f_{\text{cls}}$는 통합 특징 벡터를 10개 클래스의 출력값으로 변환하는 분류기를 의미하며, $\hat{y}$는 절연체 종류와 상태 유형을 조합한 10개 클래스에 대한 예측 확률을 나타낸다. 최종 분류 결과는 예측 확률이 가장 높은 클래스로 결정하였다.

모델 학습 과정에서는 10개 클래스 분류를 위한 분류 손실과 시계열 신호 복원을 위한 재구성 손실을 함께 적용하였다. 분류 손실 $L_{\text{cls}}$에는 Cross-Entropy Loss를 적용하고, 재구성 손실 $L_{\text{rec}}$에는 입력 시계열 신호와 복원된 시계열 신호 간의 평균제곱오차(Mean Squared Error, MSE)를 적용하였다. 두 손실을 결합한 최종 학습 손실은 식 (3)과 같이 구성하였다.

여기서 $L$은 최종 학습 손실, $L_{\text{cls}}$는 분류 손실, $L_{\text{rec}}$는 재구성 손실을 의미한다. 재구성 손실에는 0.5의 가중치를 적용하였다. 분류 손실은 통합 특징 벡터가 10개 클래스를 구분하는 데 필요한 특징을 학습하도록 하며, 재구성 손실은 LSTM-AE의 잠재 특징이 입력 시계열 신호의 시간적 특성을 반영하도록 한다.

제안한 Late Fusion 구조는 PRPD 이미지와 시계열 신호에서 특징을 독립적으로 추출한 후 최종 분류 단계에서 결합한다. 이미지 특징은 부분방전 유형별 위상 분포와 발생 밀도를 반영하며, 시계열 특징은 순간적인 신호 변화와 시간적 연속성을 반영한다. 두 모달리티의 특징을 함께 활용하여 단일모달 데이터만으로 구분하기 어려운 부분방전 패턴을 보완하도록 구성하였다.

3.3 비교 모델 구성

제안 모델의 성능을 검증하기 위해 단일모달 기반 ResNet-18과 LSTM-AE, 멀티모달 기반 Cross-Attention Transformer를 비교 모델로 구성하였다. ResNet-18은 PRPD 이미지만을 활용한 분류 성능을 확인하고, LSTM-AE는 시계열 신호만을 활용한 특징 표현 및 탐지 성능을 확인하기 위해 적용하였다. Cross-Attention Transformer는 제안 모델과 동일한 두 모달리티를 사용하되, 특징 간 상호작용을 학습하는 융합 방식과 Late Fusion 방식의 성능 차이를 확인하기 위해 적용하였다.

그림 6 비교 모델 구조

Fig. 6 Architectures of comparison models

그림 6과 같이 ResNet-18은 PRPD 이미지에서 공간적 특징을 추출한 후 완전연결층과 Softmax 함수를 통해 분류 결과를 산출한다. LSTM-AE는 시계열 신호를 잠재 특징으로 압축하고 복원하는 과정에서 시간적 패턴을 학습하며, 인코더에서 추출된 특징을 이용하여 10개 클래스에 대한 분류를 수행한다. Cross-Attention Transformer는 PRPD 이미지 특징과 시계열 특징 간의 상호작용을 반영한 융합 특징을 이용하여 최종 분류를 수행한다.

ResNet-18은 PRPD 이미지를 입력으로 사용하는 단일모달 비교 모델이다. 잔차 연결 기반의 CNN 구조를 통해 부분방전 유형에 따른 위상 분포와 발생 밀도를 공간적 특징으로 추출하고, 절연체 종류와 부분방전 유형을 조합한 10개 클래스를 분류한다^[6]. 이를 통해 PRPD 이미지가 부분방전 분류에 제공하는 정보와 시계열 신호 결합에 따른 성능 변화를 확인하였다.

LSTM-AE는 시계열 신호를 입력으로 사용하는 단일모달 비교 모델이다. LSTM 인코더는 입력 신호를 잠재 특징으로 압축하고, 디코더는 잠재 특징을 이용하여 입력 신호를 복원한다^{[7], [8]}. 인코더에서 생성된 잠재 특징은 분류기에 입력하여 절연체 종류와 상태 유형을 조합한 10개 클래스를 구분하도록 구성하였다. 입력 신호의 순차적인 변화와 시간적 패턴을 학습하는 구조를 적용하여 시계열 신호만을 활용했을 때의 탐지 성능을 확인하였다.

Cross-Attention Transformer는 PRPD 이미지와 시계열 신호에서 추출된 특징 간의 관계를 학습하는 멀티모달 비교 모델이다^[9]. PRPD 이미지 특징과 시계열 특징을 공통 특징 공간으로 변환한 후 Attention 연산을 적용하고, 변환된 두 특징을 결합하여 10개 클래스에 대한 최종 분류를 수행하였다. 한 모달리티의 특징이 다른 모달리티의 정보를 참조하도록 구성하여 두 특징 간 상호작용을 융합 특징에 반영하였다. Attention 연산을 적용하는 구조는 Late Fusion보다 복잡하므로, 두 모델의 비교를 통해 특징 간 상호작용을 직접 학습하는 방식과 독립적으로 추출한 특징을 결합하는 방식의 성능 차이를 검증하였다.

4.1 학습 설정 및 평가 지표

모델 간 성능을 동일한 조건에서 비교하기 위해 각 학습 데이터 조건에서 모든 모델에 동일한 데이터 구성을 적용하였다. 또한 표 2와 같이 주요 학습 조건을 동일하게 설정하여 모델 구조와 입력 모달리티 및 특징 결합 방식에 따른 성능 차이를 비교할 수 있도록 하였다. 모델의 초기화와 학습 과정에서 발생하는 무작위성에 따른 결과 변동을 확인하기 위해 Random seed를 42, 43, 44, 45, 46으로 설정하고 각 모델에 대해 5회 반복실험을 수행하였다.

각 반복실험에서는 Validation 데이터의 Macro F1-score가 가장 높은 시점의 모델을 선택하고, Test 데이터는 학습 및 모델 선택 과정에 사용하지 않은 상태에서 최종 성능 평가에만 활용하였다. 이를 통해 특정 학습 결과에 의존하지 않고 반복실험에서 나타나는 모델의 평균적인 성능과 변동성을 함께 비교하였다. 모델별 최종 성능은 5회 Test 결과의 평균과 표준편차(mean ± SD)로 제시하였다.

모델의 분류 성능은 Accuracy와 Macro F1-score를 주요 평가 지표로 사용하였다. Accuracy는 전체 시험 데이터 중 실제 클래스와 예측 클래스가 일치한 데이터의 비율로 식 (4)과 같이 산출하였다.

전체 시험 데이터 수를 $N$, 실제 클래스를 $y_i$, 예측 클래스를 $\hat{y}_i$로 나타내었다. 클래스별 F1-score는 Precision과 Recall의 조화평균으로 식 (5)와 같이 산출하였다.

여기서 $P_c$와 $R_c$는 클래스 c에 대한 Precision과 Recall을 나타낸다. Macro F1-score는 각 클래스의 F1-score를 동일한 비중으로 평균하여 식 (6)과 같이 계산하였다.

전체 클래스 수 C는 절연체 종류와 부분방전 유형을 조합한 10개 클래스로 설정하였다. Accuracy는 전체 시험 데이터에 대한 분류 성능을 나타내고, Macro F1-score는 각 클래스의 성능을 동일한 비중으로 반영하므로 10개 클래스에 대한 분류 성능을 균형 있게 평가할 수 있다. 특히 모델 간 성능 차이가 작은 경우 단일 실험의 결과만으로 성능 우위를 판단하기 어려울 수 있으므로, 본 논문에서는 5회 반복실험의 평균과 표준편차를 함께 비교하였다.

전체 성능과 함께 각 클래스의 시험 데이터 수, 정분류 수, 오분류 수, 분류 정확도를 산출하였다. 또한 Confusion matrix를 통해 클래스 간 오분류가 발생한 유형을 확인하여 ACSR-OC와 전력용 유입변압기의 정상, 노이즈, 보이드 방전, 표면 방전, 코로나 방전에 대한 모델의 세부 분류 특성을 분석하였다.

4.2 모델별 성능 비교

앞서 설정한 동일한 학습 조건에서 각 모델의 입력 모달리티와 특징 결합 방식에 따른 부분방전 분류 성능을 비교하였다. 단일모달 기반 ResNet-18과 LSTM-AE를 통해 PRPD 이미지와 시계열 신호를 각각 단독으로 활용했을 때의 성능을 확인하고, Cross-Attention Transformer와 Late Fusion을 통해 두 모달리티를 함께 활용했을 때의 성능을 비교하였다. 모델별 결과는 5회 반복실험에서 산출된 Accuracy와 Macro F1-score의 평균과 표준편차로 표 3에 제시하였다.

PRPD 이미지만을 활용한 ResNet-18은 Accuracy 98.8320 ± 2.4720%, Macro F1-score 98.7986 ± 2.4832%를 나타내어 단일모달 모델에서도 높은 평균 분류 성능을 보였다. 이는 PRPD 이미지에 포함된 위상별 방전 분포와 발생 형태가 10개 클래스를 구분하는 데 유효한 정보를 제공하고 있음을 나타낸다. 다만 반복실험에서 Accuracy와 Macro F1-score의 표준편차가 각각 2.4720%와 2.4832%로 나타나 학습 조건의 무작위성에 따른 성능 변동이 확인되었다.

시계열 신호만을 활용한 LSTM-AE는 Accuracy 67.7400 ± 0.7765%, Macro F1-score 67.6431 ± 0.7812%로 비교 모델 중 가장 낮은 성능을 나타냈다. PRPD 이미지 없이 시계열 신호만을 입력으로 사용한 경우 절연체 종류와 상태 유형을 조합한 10개 클래스를 구분하는 성능이 상대적으로 낮았으며, 본 실험조건에서는 시계열 정보만으로 세부 상태를 분류하는 데 한계가 있음을 확인하였다.

PRPD 이미지와 시계열 신호를 함께 활용한 Cross-Attention Transformer는 Accuracy 98.9922 ± 2.0215%, Macro F1-score 98.9706 ± 2.0698%를 나타냈다. ResNet-18보다 평균 성능이 소폭 증가하여 두 모달리티를 함께 활용하는 방식의 효과를 확인할 수 있었으나, 반복실험에 따른 표준편차는 Accuracy 2.0215%, Macro F1-score 2.0698%로 나타났다.

제안한 Late Fusion 모델은 Accuracy 99.4733 ± 0.3301%, Macro F1-score 99.4716 ± 0.3315%로 네 모델 중 가장 높은 평균 성능을 나타냈다. ResNet-18과 비교하면 Accuracy는 0.6413%p, Macro F1-score는 0.6730%p 높았으며, Cross-Attention Transformer와 비교하면 각각 0.4811%p와 0.5010%p 높게 나타났다. 또한 Accuracy와 Macro F1-score의 표준편차가 각각 0.3301%와 0.3315%로 비교 모델 중 가장 낮게 나타나, 5회 반복실험에서 평균 성능뿐만 아니라 결과의 변동성 측면에서도 안정적인 결과를 보였다.

단일 실험의 결과만으로 모델의 우위를 판단할 경우 초기화와 학습 과정의 무작위성에 따른 영향을 배제하기 어렵다. 본 논문에서는 이러한 영향을 확인하기 위해 동일한 데이터 분할과 학습 조건에서 5개의 Random seed를 적용하였으며, 그 결과 Late Fusion이 가장 높은 평균 Accuracy와 Macro F1-score를 나타내면서 동시에 가장 낮은 표준편차를 보였다. 이 결과가 모델 간 통계적 유의성을 의미하는 것은 아니지만, 본 논문의 실험조건에서 Late Fusion이 특정 단일 학습 결과에만 의존하지 않고 상대적으로 높은 성능과 낮은 변동성을 나타냈음을 확인할 수 있다.

4.3 클래스별 분류 결과 분석

제안 모델의 클래스별 분류 성능을 확인하기 위해 전력용 유입변압기와 ACSR-OC의 정상, 노이즈, 보이드 방전, 표면 방전, 코로나 방전에 대한 결과를 분석하였다. 각 클래스는 600개의 Test 데이터로 구성하였으며, 5회 반복실험에서 산출된 정분류 수, 오분류 수, Accuracy를 표 4에 제시하였다. 반복실험에 따라 결과가 변동한 항목은 평균과 표준편차로 나타내었다.

전력용 유입변압기의 정상, 노이즈, 표면 방전은 5회 반복실험에서 모두 100.00%의 Accuracy를 나타냈으며, 보이드 방전과 코로나 방전은 각각 99.97 ± 0.07%, 99.93 ± 0.09%로 나타났다. ACSR-OC의 정상과 노이즈도 모든 반복실험에서 100.00%의 Accuracy를 나타냈으며, 표면 방전은 99.60 ± 0.30%, 코로나 방전은 98.60 ± 1.29%, 보이드 방전은 96.63 ± 2.72%로 나타났다. ACSR-OC 보이드 방전은 10개 클래스 중 가장 낮은 Accuracy와 가장 큰 반복실험 간 변동을 보였다.

클래스 간 주요 오분류 관계는 그림 7의 Confusion matrix를 통해 확인하였다. 그림 7은 각 반복실험의 Confusion matrix를 클래스별 비율로 변환한 후 5회 결과를 평균하여 나타낸 것이다. 주요 오분류는 ACSR-OC의 보이드 방전, 표면 방전, 코로나 방전에서 나타났다. 보이드 방전은 반복실험당 평균 20.20개가 오분류 되었으며, 평균 13.20개가 표면 방전, 6.60개가 코로나 방전으로 분류되었다. 코로나 방전은 평균 8.40개가 오분류 되었으며, 평균 5.20개가 보이드 방전, 2.80개가 정상으로 분류되었다. 표면 방전은 평균 2.40개가 오분류 되었으며, 이 중 평균 2.20개가 보이드 방전으로 분류되었다.

그림 7 Late Fusion 모델의 클래스별 Confusion matrix

Fig. 7 Class-wise confusion matrix of the Late Fusion model

전력용 유입변압기에서는 대부분의 클래스가 100%에 가까운 분류 성능을 나타낸 반면, ACSR-OC에서는 보이드 방전을 중심으로 표면 방전, 코로나 방전과의 오분류가 상대적으로 많이 발생하였다. 클래스별 결과와 Confusion matrix를 통해 전체 Accuracy와 함께 각 전기설비와 부분방전 유형에서 발생한 오분류 특성을 확인하였다.

4.4 비정상 학습 데이터 감소에 따른 성능 분석

비정상 부분방전 학습 데이터가 제한된 조건에서 모델별 성능 변화를 확인하기 위해 보이드 방전, 표면 방전, 코로나 방전의 학습 데이터를 기존의 50%와 25%로 감소시켜 성능을 비교하였다. 정상과 노이즈 학습 데이터는 기존과 동일하게 유지하였으며, Validation과 Test 데이터 및 표 2의 학습 조건도 동일하게 적용하였다.

50% 조건에서는 보이드 방전, 표면 방전, 코로나 방전의 학습 데이터를 클래스별 4,800개에서 2,400개로 감소시켜 전체 Training 데이터를 33,600개로 구성하였다. 25% 조건에서는 해당 데이터를 클래스별 1,200개로 감소시켜 전체 Training 데이터를 26,400개로 구성하였다. 데이터 감소 조건에 따른 모델별 성능은 표 5에 제시하였다.

비정상 부분방전 학습 데이터를 50%로 감소시킨 조건에서 Late Fusion은 Accuracy 99.4327 ± 0.2938%, Macro F1-score 99.4332 ± 0.2913%로 가장 높은 평균 성능을 나타냈다. 25% 조건에서도 Accuracy 98.9863 ± 0.8153%, Macro F1-score 98.9751 ± 0.8348%로 비교 모델 중 가장 높은 성능을 유지하였다.

전체 학습 데이터를 사용한 경우 Late Fusion의 Accuracy와 Macro F1-score는 각각 99.4733%, 99.4716%였으며, 50% 조건에서는 각각 0.0406%p와 0.0384%p, 25% 조건에서는 0.4870%p와 0.4965%p 감소하였다. 비정상 부분방전 학습 데이터를 기존의 25%까지 감소시킨 조건에서도 Accuracy와 Macro F1-score가 약 99% 수준을 유지하였다.

ResNet-18과 Cross-Attention Transformer는 50%와 25% 조건에서 Late Fusion보다 낮은 평균 성능을 나타냈으며, LSTM-AE는 학습 데이터가 감소함에 따라 성능 저하가 상대적으로 크게 나타났다. 이러한 결과를 통해 본 논문의 실험조건에서 Late Fusion은 비정상 부분방전 학습 데이터가 제한된 경우에도 비교 모델보다 높은 평균 분류 성능을 나타내며, 데이터 감소에 따른 성능 저하도 제한적인 것을 확인하였다.