(국문)

  수도권 전력망은 수요 집중, 외부 전력 의존도, 방사형 구조 등의 특징으로 인해 구조적 취약성을 내포하고 있다. 이는 송전 설비를 증설했음에도 불구하고 오히려 전체 계통의 효율이 저하되는 '브라에스 역설'의 발생 가능성을 높인다. 본 연구는 네트워크 과학 이론을 바탕으로 수도권 전력망의 위상 구조를 분석하여 브라에스 역설 발생 위험이 높은 취약 구간을 식별하고, 인공지능(AI)을 이용해 신규 송전선 추가 시 발생할 수 있는 병목 현상을 예측하는 모델을 개발하는 것을 목표로 한다.  

대한민국 변전소 및 송전선 데이터를 기반으로 60개의 노드를 포함하는 전력망 그래프를 구축하고 , 차수 중심성(Degree Centrality), 군집 계수(Clustering Coefficient), 매개 중심성(Betweenness Centrality) 등 주요 지표를 산출했다. 분석 결과, 소수의 허브 노드에 연결성이 집중되어 있고, 이들 중 일부는 군집 계수가 낮아 대체 경로가 부족한 구조적 특징을 확인했다. 특히 '차수 중심성 0.08 이상 및 군집 계수 0.20 미만' 조건으로 1개의 위험 노드를 특정했으며 , 매개 중심성 상위 5%에 해당하는 4개의 간선이 병목 발생의 핵심 경로임을 규명했다.

 이러한 분석을 바탕으로, 신규 송전선 연결 시 병목 유발 여부를 예측하는 랜덤 포레스트(Random Forest) 분류 모델을 개발했다. DC 부하 흐름(DCPF) 시뮬레이션을 통해 생성된 1,200개의 학습 데이터를 활용했으며 , 모델은 정확도 94%, F1-Score 0.89의 높은 성능을 보였다. 본 연구는 전력망 계획 단계에서 브라에스 역설의 위험을 사전에 필터링하여 계통 안정성과 투자 효율성을 높이는 실용적인 방법론을 제시했다는 점에서 의의를 가진다.

(영문)

 The metropolitan power grid possesses inherent structural vulnerabilities due to factors such as high demand concentration, dependency on external power sources, and a radial network topology. These characteristics increase the likelihood of Braess's Paradox, a phenomenon where adding new transmission infrastructure paradoxically degrades the overall efficiency of the system. This study aims to identify vulnerable sections of the power grid susceptible to Braess's Paradox by analyzing its topological structure based on network science theory, and to develop an Artificial Intelligence (AI) model to predict potential bottlenecks resulting from the addition of new transmission lines.

 We constructed a power grid graph with 60 nodes based on public data of substations and transmission lines in South Korea. Key metrics, including Degree Centrality, Clustering Coefficient, and Betweenness Centrality, were calculated to analyze the network's properties. The analysis revealed a structure heavily reliant on a few hub nodes, some of which exhibited low clustering coefficients, indicating a lack of alternative routes. Specifically, one 'risk node' was identified using the criteria of 'Degree Centrality > 0.08 and Clustering Coefficient < 0.20' , and four edges in the top 5% of betweenness centrality were identified as critical paths for potential bottlenecks.

 Based on this analysis, a Random Forest classification model was developed to predict whether a new transmission line would induce a bottleneck. The model was trained on a dataset of 1,200 samples generated through DC Power Flow (DCPF) simulations and achieved high performance with an accuracy of 94% and an F1-Score of 0.89. The significance of this study lies in its proposal of a practical methodology to pre-emptively filter the risks associated with Braess's Paradox during the power grid planning stage, thereby enhancing system stability and investment efficiency.