전력 품질 모니터링에서 머신러닝 기반 이상 탐지 고도화 = Advancing Machine Learning Based Anomaly Detection in Power Quality Monitoring

국문 초록 (Abstract)

본 연구는 전력 품질 모니터링 시스템에서 조기 이상 탐지를 위한 다양한 머신러닝 알고리즘의 실시간성과 성능 측면에서 적용 가능성을 평가하였다. 또한 SVM, K-평균 클러스터링, K-최근접 이웃, DT, ANN, ReLU, Swish와 같 은 활성화 함수를 포함한 여러 모델을 분석하였다. 분석 결과에 따르면 Swish 함수를 적용한 ANN 모델은 Raspberry Pi 와 같은 엣지 디바이스 환경에서 100ms 미만의 실시간 추론 성능을 유지하면서 가장 높은 정확도(96.8%)와 민감도 (95.5%)를 보였다. 이러한 결과는 자원이 제한된 환경에서도 신뢰성 높은 이상 탐지가 효과적으로 가능함을 보여주었다. 향후 연구에서는 전력 이상 유형에 대한 탐지 성능을 확장하고 엣지 디바이스를 강화하는 방향으로 확대되어야 할 것 이다

다국어 초록 (Multilingual Abstract)

This study evaluated the applicability of various machine learning algorithms for early anomaly detection in power quality monitoring systems in terms of real-time and performance. We also analyzed several models including Support Vector Machine (SVM), K-Means Clustering (K-MC), K-Nearest Neighbor (K-NN), Decision Tree (DT), Artificial Neural Network (ANN), ReLU, and Swish activation functions. According to the analysis results, the ANN model applying the Swish function showed the highest accuracy(96.8%) and sensitivity(95.5%) while maintaining real-time inference performance of less than 100 ms in an edge device environment such as Raspberry Pi. These results demonstrate that reliable anomaly detection is effectively possible even in resource-constrained environments. Future research should focus on expanding detection performance for power anomaly types and strengthening edge devices