[논문 리뷰] Topology-Aware Spatio-Temporal Graph Transformer for Predicting Smart Grid Failures

A. Lê, Phat K. Huynh외 4명|arXiv (Cornell University)|2026. 01. 06.

Smart Grid Security and Resilience인용 수 0

한 줄 요약

토폴로지 인지 스파시오-템포럴 그래프 트랜스포머(ST-GT)를 도입하여 물리적 전송 토폴로지, 정적 특성(descriptors), 및 PMU 시퀀스를 통합해 스마트 그리드 실패를 예측하고 완벽한 재현율과 강한 F1 점수로 XGBoost 기준선을 능가한다.

ABSTRACT

Smart grid infrastructure needs improved resilience and preventive maintenance through more accurate predictions. Current methodologies lack accurate representation of spatio-temporal-causal interdependencies and class imbalance in failure prediction tasks. This study introduces a Topology-Aware Spatio-Temporal Graph Transformer (ST-GT) architecture that overcomes existing limitations by using three main innovations: (1) directly incorporating physical transmission network topology into the transformer attention mechanism to identify spatial failure propagation patterns; (2) unified processing of static topological descriptors and (3) temporal Phasor Measurement Units (PMU) sequences in an end-to-end framework. The ST-GT model exhibited outstanding performance in five-fold cross-validation across 10 substations, attaining perfect recall (1.000 $\pm$ 0.001) and an F1-score of 0.858 $\pm$ 0.009, markedly surpassing XGBoost baselines (0.683 accuracy/F1). Perfect recall guarantees that no critical failures are overlooked, which is essential for grid safety; however, it may lead to an increase in false alarm rates. This framework integrates temporal dynamics modeling with spatial graph awareness for critical infrastructure monitoring. It offers interpretable insights into failure propagation pathways and enhances maintenance strategies. Future research focuses on developing cost-weighted loss functions for precision-recall trade-off enhancement, implementing real-time monitoring systems with uncertainty quantification, and creating cost-sensitive frameworks balancing false alarm expenditures with failure consequences. The methodology success suggests its potential for wider application in critical infrastructure areas requiring spatial temporal failure prediction.

연구 동기 및 목표

• 정확한 고장 예측을 통해 스마트 그리드의 회복력 향상과 예방 유지보수를 촉진한다.
• 공간-시간-인과 상호 의존성 및 클래스 불균형을 표현하는 기존 방법의 한계를 다룬다.
• 토폴로지, 정적 특성(descriptors), 그리고 시간적 PMU 데이터를 융합하는 단일한 엔드투엔드 모델을 개발한다.
• 유지보수 전략 수립을 위한 고장 전파 경로에 대한 해석 가능한 통찰을 제공한다.

제안 방법

• 물리적 전송 네트워크 토폴로지를 트랜스포머 어텐션 메커니즘에 직접 포함시켜 공간적 고장 전파 패턴을 식별한다.
• 정적 토폴로지 특성(descriptors)과 시간적 PMU 시퀀스를 엔드투엔드 프레임워크 내에서 통합적으로 처리한다.
• ST-GT 아키텍처를 사용하여 10개 변전소에 걸친 다이나믹스를 다섯 폴드 교차 검증으로 모델링한다.
• 재현율과 F1 점수와 같은 지표를 사용하여 기저 모델(예: XGBoost)과의 성능을 분석한다.
• 비용 가중 손실, 불확실성 정량화를 통한 실시간 모니터링 및 비용 민감 프레임워크 등 잠재적 확장에 대해 논의한다.

실험 결과

연구 질문

• RQ1 토폴로지가 트랜스포머에 어떻게 통합되어 격자 고장의 공간 확산 패턴을 포착할 수 있는가?
• RQ2 정적 토폴로지 특성(descriptors)과 시간적 PMU 데이터를 활용하는 단일 모델이 고장 예측을 향상시킬 수 있는가?
• RQ3 제안된 ST-GT 접근법이 스마트 그리드 고장 작업에서 기존 기준선과 비교하여 어떤 성능을 보이는가?

주요 결과

• ST-GT는 10개 변전소에 걸친 다섯 폴드 교차 검증에서 재현율 1.000 ± 0.001 및 F1-score 0.858 ± 0.009를 달성한다.
• 모델은 XGBoost 기준선(0.683 정확도/F1)보다 현저히 우수하다.
• 이 접근법은 고장 전파 경로에 대한 해석 가능한 통찰을 제공하고 예방 유지보수 의사결정을 지원한다.
• 완벽한 재현율은 중요한 고장을 놓치지 않도록 보장하지만, 경보율에서의 잠재적 trade-off가 있다.
• 향후 연구에는 비용 가중 손실, 불확실성 인식 실시간 모니터링, 비용 민감 배포가 포함된다.