고전압 유리 절연체 오염 예측 머신러닝
본 연구는 고전압 옥외 유리 절연체의 오염 심각도를 등가염분퇴적밀도(ESDD)를 이용해 예측하는 머신러닝(ML) 모델을 제안한다. Support Vector Machines(SVM), Neural Networks(NN), Extremely Randomized Trees(ERT), Gaussian Process Regression(GPR) 네 가지 ML 모델을 환경 및 작동 관련 15가지 특징을 포함하는 362개 데이터 포인트에 적용하여 훈련시켰다. 모델 성능 향상을 위해 베이지안 최적화(BO)와 랜덤 탐색을 활용한 하이퍼파라미터 최적화가 수행되었다. 모든 최적화 전략에서 GPR이 가장 높은 예측 정확도를 보였으며, SVM, NN, ERT가 그 뒤를 이었다. SHAP(SHapley Additive exPlanations)을 사용하여 훈련 데이터셋 기반으로 모델 성능에 가장 큰 영향을 미치는 특징들을 식별했다. 상위 10개 특징을 사용한 모델은 상위 5개 및 15개 특징을 사용한 모델에 비해 정확도를 크게 향상시키고 복잡도를 줄였다. 특히 GPR 및 ERT 모델에서 이러한 개선이 두드러졌다. SHAP 기반 특징 선택과 하이퍼파라미터 최적화는 고전압 절연체의 오염 심각도를 예측하는 효율적이고 정확하며 해석 가능한 모델 개발로 이어졌다.