연결선 특성을 활용한 전력계통 분할과 분산 최적화 가속화

본 논문은 전력계통의 최적 전력 흐름(OPF) 문제를 분산 방식으로 해결할 때, 시스템을 어떻게 분할하느냐가 알고리즘의 수렴 속도와 정확도에 결정적인 영향을 미친다는 점을 출발점으로 한다. 기존 연구들은 주로 영역의 크기를 균등하게 맞추거나, 유전 알고리즘·동적 프로그래밍·하모니 서치 등 메타휴리스틱 기법을 이용해 파티션을 생성했지만, 이러한 방법은 계산 부하를 균등하게 분산시키는 데는 유리하지만, 파티션 간 상호 의존성(특히 타이‑라인)의 특성을 충분히 반영하지 못해 수렴 횟수가 늘어나는 단점을 가지고 있다. 이를 개선하기 위해 저자들은 전력망을 그래프 형태로 모델링한다. 버스는 정점, 전송선은 간선으로 표현하고, 간선 가중치는 세 가지 후보 방식 중 전력 흐름량을 기반으로 정한다. 흐름량은 라인별 실제 전력 흐름을 사용해 정규화(최소 흐름으로 나누기)함으로써, 전력 흐름이 큰 라인이 높은 가중치를 갖게 된다. 이렇게 정의된 가중치는 이후 에지 베트윈니스(Edge Betweenness) 군집화 알고리즘에 입력된다. 에지 베트윈니스 군집화는 모든 정점 쌍 사이의 최단 경로를 계산하고, 각 경로에 포함된 간선에 경로 수에 비례하는 가중치를 부여한다. 가장 높은 베트윈니스 값을 가진 간선을 차례로 제거하면서 그래프를 여러 클러스터로 분할한다. 이 과정은 사용자가 원하는 파티션 수가 될 때까지 반복된다. 결과적으로, 파티션 간 연결이 가장 약한(즉, 베트윈니스가 높은) 간선이 “브릿지” 역할을 하게 되며, 이는 파티션을 분리하는 자연스러운 후보가 된다. 하지만 단순히 베트윈니스만을 기준으로 파티션을 선택하면, 각 파티션 사이에 존재하는 타이‑라인의 수와 전력 교환량이 크게 달라질 수 있다. 따라서 저자들은 각 브릿지(타이‑라인)의 특성을 정량화하는 두 가지 지표를 도입한다. 첫 번째는 전압각 민감도 지표이다. 중앙집중식 DC‑OPF를 풀어 최적 전압각을 얻은 뒤, 특정 타이‑라인 양쪽 버스의 전압각을 ±0.1 % 변동시켜 다시 OPF를 풀어 전체 버스 전압각의 변화를 측정한다. 변동 폭이 클수록 해당 타이‑라인은 시스템 전반에 큰 영향을 미치는 것으로 판단한다. 두 번째는 전력 흐름 중요도 지표로, 타이‑라인의 전력 흐름과 리액턴스 값을 결합해 정의한다. 흐름이 크고 리액턴스가 낮은 라인은 전력 전달에 핵심적인 역할을 하므로 높은 점수를 부여한다. 이 두 지표를 활용해 초기 8개의 클러스터를 다양한 방식으로 재조합한다. 예를 들어, 두 개의 큰 파티션을 만들면서 타이‑라인을 정확히 3개만 남기는 경우를 고려한다. 각 조합별로 타이‑라인 민감도와 흐름 중요도 평균값을 계산하고, 이 값이 낮고 고르게 분포된 조합을 최적 파티션 후보로 선정한다. 분산 OPF 해결 단계에서는 분석적 목표 계단(Analytical Target Cascading, ATC) 방법을 채택한다. ATC는 계층적 구조를 기반으로, 상위 레벨 파티션이 공유 변수(전압각)를 목표값으로 설정하고, 하위 레벨 파티션이 이를 응답값으로 받아들여 각각의 OPF 서브문제를 순차적으로 해결한다. 목표‑응답 일관성을 보장하기 위해 증강 라그랑주(augmented Lagrangian) 방식을 적용하고, 페널티 항을 2차 형태로 설정한다. 또한, AL‑AD(Alternating Direction Method of Multipliers) 전략을 병행해 페널티 승수를 동적으로 업데이트함으로써 수렴 속도를 가속한다. 실험은 IEEE 118‑버스 시스템을 대상으로 수행되었다. 초기 8개의 클러스터를 기반으로 4가지 파티션 시나리오를 구성했으며, 각 시나리오마다 타이‑라인 특성 지표를 계산하고 ATC‑AL‑AD 조합을 적용해 분산 OPF를 실행했다. 결과는 다음과 같다. (1) 타이‑라인 민감도가 낮고 흐름 중요도가 고르게 분포된 파티션은 평균 35 % 적은 반복 횟수와 0.2 % 이하의 비용 오차를 보였다. (2) 타이‑라인을 무시하고 무작위로 파티션을 만든 경우, 반복 횟수가 2배 이상 증가하고 비용 오차가 1 %를 초과했다. (3) 파티션 수를 늘리면(예: 4개 파티션) 각 파티션 내부 연산량은 감소하지만, 타이‑라인 수가 증가해 전체 수렴 속도가 오히려 저하되는 현상이 관찰되었다. 이러한 실험 결과는 파티션 설계 단계에서 전력 흐름과 전압각 민감도를 동시에 고려하면, 분산 최적화 알고리즘의 효율성을 크게 향상시킬 수 있음을 입증한다. 논문은 또한 다음과 같은 시사점을 제공한다. 첫째, 에지 베트윈니스 기반 군집화는 전력망 구조적 특성을 반영한 파티션 후보를 자동으로 생성한다. 둘째, 타이‑라인 특성 지표는 파티션 간 상호 작용을 정량화해 최적 파티션을 선택하는 객관적 기준을 제공한다. 셋째, ATC와 AL‑AD를 결합한 조정 메커니즘은 목표‑응답 일관성을 유지하면서 빠른 수렴을 가능하게 한다. 마지막으로, 본 방법론은 DC‑OPF뿐 아니라 AC‑OPF, 재생 가능 에너지 통합, 마이크로그리드 협조 제어 등 다양한 전력계통 최적화 문제에 확장 적용 가능하다.