딥러닝 기반 원자력 발전소 낙뢰보호계통 설계용 낙뢰전류 예측 모델 연구 = Development of a Deep Learning?Based Lightning Current Prediction Model for Lightning Protection System Design in Nuclear Power Plants

국문 초록 (Abstract)

본 연구는 최근 기후변화로 인한 낙뢰 현상 증가에 대응하여, 원자력 발전소 낙뢰보호계통 설계에 필요한 설계 입력값인 낙뢰전류 강도(kA)를 정량적으로 예측하는 딥러닝 모델을 개발하였다. 이를 위해 대한민국 기상청의 5개년 ASOS 관측데이터와 LINET 낙뢰 관측데이터를 활용하여 총 17개의 주요 기상변수를 입력변수로 구성하고, 기존 통계적 회귀모델의 한계를 보완하기 위해 GRU, Transformer, TimesNet 등 시계열 딥러닝 모델을 적용하였다.
예측 결과, GRU는 단기 예측에서 우수한 정확도를 보였으며, Transformer는 장기 의존성 학습에서 강점을 나타냈다. 또한 TimesNet은 극한 낙뢰전류 강도와 같은 피크값 예측에서 상대적으로 높은 성능을 보여, 세 모델이 서로 다른 영역에서 강점을 가지는 것으로 확인되었다. 이를 통해 시계열 기반 딥러닝 기법이 기존 경험적 설계방식을 보완하여 원자력 발전소 낙뢰보호설비 설계의 정확성과 효율성을 향상시킬 수 있음을 확인하였다. 더불어 지역 특성을 반영한 설계 적용과 규제 기관에 제시할 수 있는 정량적 근거를 확보하는 데에도 실무적 의미를 가질 것으로 판단된다. 이는 향후, GRU, Transformer, TimesNet 모델의 다중 작업 학습과 과거 입력정보의 최적화를 통해 예측 성능을 더욱 향상시키고, 발전소 운영기간 동안 발생 가능한 낙뢰전류 강도를 예측하여 낙뢰보호설계에 적용할 수 있을 것으로 예상된다.

목차 (Table of Contents)

• This study developed a deep learning model to quantitatively predict lightning current intensity(kA), a key design input for lightning protection system design at nuclear power plants, in response to the recent increase in lightning phenomena due to climate change.
• Utilizing 5 years of Automated Synoptic Observing System(ASOS) observation data and LINET lightning observation data from the Korea Meteorological Administration(KMA), 17 key meteorological variables were input. To overcome the limitations of existing statistical regression models, time-series deep learning models such as GRU, Transformer, and TimesNet were applied.
• The results confirmed the effectiveness of combining the three models: GRU excelled in short-term prediction accuracy, Transformer in learning long-term dependencies, and TimesNet in predicting extreme lightning current intensity.
• This study demonstrates that such data-driven deep learning prediction models can complement existing empirical design methods, contributing to improved accuracy and efficiency in designing lightning protection systems for nuclear power plants.
• It also holds practical significance by enabling customized designs reflecting regional characteristics and providing reliable evidence for regulatory authorities.
• Future work aims to enhance performance through multi-task learning of GRU, Transformer, and TimesNet, along with optimization of past input data. It is anticipated that predicted possible lightning current intensity during the operational period of nuclear power plants can be applied to lightning protection system design.