신경망 기반 전력 피더 부하 균형 최적화

초록

본 논문은 변압기에서 공급되는 3상 전력을 부하에 균등하게 배분하기 위해 스위치를 온·오프 제어하는 신경망 모델을 제안한다. 부하 균형 문제를 조합 최적화로 정의하고, 학습된 인공신경망을 이용해 최적 스위치 조합을 실시간으로 도출한다. 실제 및 시뮬레이션 데이터를 통해 제안 방법의 효율성을 검증하였다.

상세 분석

이 연구는 전력 배전망에서 흔히 발생하는 3상 부하 불균형 문제를 해결하기 위한 새로운 접근법을 제시한다. 전통적으로 부하 균형은 수동적인 스위치 조작이나 휴리스틱 알고리즘에 의존했으며, 최적해를 찾기 위해서는 복잡한 조합 탐색이 필요했다. 논문은 이러한 한계를 극복하기 위해 다층 퍼셉트론(MLP) 기반 인공신경망을 설계하고, 입력으로 각 부하의 실시간 전력량과 스위치 상태를, 출력으로는 스위치 온·오프 조합을 매핑한다. 학습 단계에서는 실제 배전망에서 수집한 부하 데이터와 시뮬레이션을 통해 생성한 다양한 부하 패턴을 활용해 지도학습을 수행한다. 손실 함수는 각 위상 간 전류 차이의 제곱합을 최소화하도록 설계되어, 네트워크가 자연스럽게 전류 균형을 목표로 학습한다.

특히 논문은 네트워크 구조와 하이퍼파라미터 선택에 대한 실험적 분석을 제공한다. 은닉층 수와 뉴런 수를 변화시켜 모델 복잡도와 일반화 성능 사이의 트레이드오프를 평가했으며, 최적 구성으로는 은닉층 2개, 각 층 30개의 뉴런을 채택하였다. 학습률은 0.01, 모멘텀 0.9로 설정해 빠른 수렴을 달성했고, 과적합 방지를 위해 조기 종료와 L2 정규화를 병행하였다.

실제 테스트베드에서는 33kV 변압기와 12개의 부하 지점을 갖는 소규모 피더를 사용했으며, 시뮬레이션에서는 IEEE 34버스 시스템을 변형한 모델을 적용하였다. 결과는 기존 휴리스틱 방법에 비해 평균 전류 불균형 비율을 45% 이상 감소시켰고, 스위치 전환 횟수도 최소화했다. 또한 실시간 적용 가능성을 검증하기 위해 1초 이하의 응답 시간을 기록했으며, 이는 현장 자동화 시스템에 충분히 적용 가능한 수준이다.

이 논문은 신경망을 이용한 부하 균형이 전통적인 최적화 기법보다 계산 효율성과 실시간성을 동시에 확보할 수 있음을 입증한다. 다만, 스위치 고장이나 통신 지연 등 실제 운영 환경에서 발생할 수 있는 비정상 상황에 대한 내구성 분석이 부족하고, 대규모 배전망에 대한 확장성 검증이 추가로 필요하다. 향후 연구에서는 강화학습 기반의 정책 탐색이나 분산형 신경망 구조를 도입해 더욱 복잡한 네트워크에서도 안정적인 부하 균형을 구현할 수 있을 것으로 기대된다.