변전소 구성요소 매핑을 위한 객체 검출 모델 비교
Comparing Object Detection Models for Electrical Substation Component Mapping
전력 변전소는 전력망의 중요한 구성요소이다. 실제로 이러한 변전소의 자산(예: 변압기)은 허리케인, 홍수, 지진, 지자기 유도 전류(GIC)와 같은 위험에 취약하다. 고장은 경제적 피해와 공공 안전에 중대한 영향을 미칠 수 있기 때문에, 취약성을 정량화하려면 주요 변전소 구성요소를 식별하는 것이 필수적이다. 그러나 전통적인 수동 방식의 변전소 인프라 매핑은 시간과 노동력이 많이 소요된다. 따라서 더 큰 편의성과 효율성을 제공하는 컴퓨터 비전 모델 기반의 자율적 해결책이 선호된다. 본 연구에서는 미국 변전소 이미지로 구성된 수동 레이블링 데이터셋에 대해 16개의 모델을 학습시키고 비교하였다. 이 모델들에는 12개의 You Only Look Once(YOLO) 모델, 2개의 Roboflow Detection Transformer(RF-DETR) 모델, 2개의 Cascade R-CNN 모델이 포함된다. RF-DETR-large는 mAP@50 0.881, mAP@50:95 0.632의 점수로 전체 검출 성능 중 가장 높은 성능을 달성하였다. 모든 모델에서 대체 에너지 시스템(alternate energy system)이 가장 정확하게 검출되었으며, 변압기와 리액터는 크기가 작고 시각적 변동성이 커서 식별하기가 더 어려웠다. 성능이 가장 우수한 모델을 전국 단위 이미지에 적용한 결과, 미국 내 11,083개의 고유한 변전소에서 약 22,591건의 구성요소 검출 결과를 얻었다. 이러한 검출 결과는 주(state)별 및 연방에너지규제위원회(Federal Energy Regulatory Commission, FERC) 지역별로 분류되었으며, 각 범주에서 플로리다(2,478건)와 미드컨티넌트 독립계통운영기관(Midcontinent Independent System Operator, MISO; 4,329건)이 가장 많은 검출 건수를 기록하였다.