[논문 리뷰] Typical models of the distribution system restoration process

Arslan Ahmad, Ian Dobson|arXiv (Cornell University)|2026. 03. 17.

Optimal Power Flow Distribution인용 수 0

한 줄 요약

논문은 데이터 기반 확률 모델을 개발하여 배전 시스템 복구를 다루며, (i) Beta/Uniform 적합으로 정규화된 복구 시간 진행, (ii) 이벤트 규모에 비례하며 초과이분산을 가지는 로그정규 분포로서의 총 복구 기간, (iii) 합리적/대규모 이벤트에 대해 Gamma 모델로 설명되는 최초 복구 시간으로 엔드 투 엔드 확률적 시뮬레이션을 가능하게 한다.

ABSTRACT

Accurate probabilistic modeling of the power system restoration process is essential for resilience planning, operational decision-making, and realistic simulation of resilience events. In this work, we develop data-driven probabilistic models of the restoration process using outage data from four distribution utilities. We decompose restoration into three components: normalized restore time progression, total restoration duration, and the time to first restore. The Beta distribution provides the best-pooled fit for restore time progression, and the Uniform distribution is a defensible, parsimonious approximation for many events. Total duration is modeled as a heteroskedastic Lognormal process that scales superlinearly with event size. The time to first restore is well described by a Gamma model for moderate and large events. Together, these models provide an end-to-end stochastic model for Monte Carlo simulation, probabilistic duration forecasting, and resilience planning that moves beyond summary statistics, enabling uncertainty-aware decision support grounded in utility data.

연구 동기 및 목표

• 회복 모델링의 확률적, 데이터 기반 접근 방식을 동기화하여 회복력 계획과 의사결정 지원을 개선한다.
• 복구를 정규화된 진행, 총 기간, 최초 복구 시간의 세 구성 요소로 분해한다.
• 일관된 이벤트 정의 하에서 여러 유틸리티에 걸쳐 강건한 최적적합 분포를 식별한다.
• 몬테카를로 시뮬레이션 및 불확실성 인지 계획에 적합한 엔드투엔드 확률 모델을 제공한다.

제안 방법

• 4개의 배전 유틸리티의 outage 데이터를 사용하고 outage를 이벤트로 그룹화한다.
• 정규화된 복구 시간을 후보 분포(Lognormal, Exponential, Uniform, Beta)로 모델링한다.
• 전역(풀링) 모델과 개별 이벤트 모델을 최대우도법, KS 거리, AICc, 그리고 가능도비(Likelihood Ratio) 테스트를 사용하여 적합시킨다.
• D를 혼합으로 모델링: 본체는 평균 mu(n)와 분산 sigma(n)^2를 가지는 로그정규 분포이며, mu(n)은 log(n)의 이차식이고 분산은 이분산성 sigma(n)을 갖는다.
• 최초 복구 시간 Dr1을 감마(Gamma)로 모델링한다(발생건수 >=10인 사건의 경우) 및 더 작은 사건에 대해서는 로그정규/감마를 고려한다; 매개변수는 ML로 도출한다.
• D의 주변 분포를 사건 크기에 대한 혼합으로 도출하여 heavy tails를 포착한다.

실험 결과

연구 질문

• RQ1 일관된 이벤트 정의 하에 여러 유틸리티에서 배전 사고 이벤트의 복구 시간에 가장 잘 부합하는 확률적 모델 클래스는 무엇인가?
• RQ2 복구 시간 행동의 어떤 측면이 안정적이며 유틸리티별로 차이가 있는가?
• RQ3 최적적합 모델은 평균/중위수나 지수 가정 이상의 어떤 것을 가능하게 하는가, 복구 역학에 대해?

주요 결과

• 정규화된 복구 시간은 Beta(alpha, beta) 분포(alpha ≈ 1–1.5, beta ≥ alpha)로 가장 잘 설명되며 로그정규/지수보다 우수하고 일부 사례에서 Uniform(0,1)과는 비슷한 성능을 보인다.
• 개별 이벤트의 경우 Uniform(0,1)이 종종 충분하지만 단일 매개변수 베타가 부족할 때 Beta(alpha, alpha)가 적합도를 개선하며, 많은 경우 Likelihood-ratio 테스트는 Beta(alpha,beta)를 Beta(alpha,alpha)보다 선호한다.
• 총 복구 기간 D는 조건부 로그정규 모델 D|N=n으로 mu(n)와 sigma(n)가 사건 규모 n에 따라 달라지며, D가 n에 대해 초과선형으로 스케일링한다(beta1 > 1)하고 이분산성이 나타나 n이 커질수록 분산이 감소한다.
• D 분포의 꼬리는 사건 크기 혼합으로 인해 무거워지며, CCDF의 Pareto 유사 꼬리를 나타내는 오른쪽 꼬리 매개변수(Dcutoff 및 alpha_p)가 유틸리티 간 분포의 CCDF에서 나타난다.
• 최초 복구 시간 Dr1은 사건의 outage 수가 10개 이상인 경우 감마 분포이며 중간에서 긴 시간(theta가 약 32–104분, k가 유틸리티에 따라 약 1.2–3.4로 구성); 작은 사건은 더 높은 변동성과 레짐 변화가 나타난다.
• 유틸리티 간에 진행 형상은 비교적 안정적이지만 최초 복구 시간은 더 유틸리티에 특이적이다.