전력계통 회전각 안정성을 위한 신경망 기반 기계학습 리뷰

초록

본 논문은 전력계통의 회전각(로터 앵글) 안정성 확보를 위해 신경망(NN)과 기계학습 기법을 적용한 최신 연구들을 종합적으로 검토한다. 특히 강화학습(RL)과 지도학습(SL) 기반의 광역제어(WAC) 및 과도안정성 평가(TSA) 방법을 중점적으로 분석하고, 각 알고리즘의 구조·성능·제한점을 비교한다. 또한 전통적인 제어 계층(국부·2차·3차)과 NN 기반 제어의 연계 방안을 제시한다.

상세 분석

논문은 먼저 전력계통이 재생에너지와 부하 증가로 인해 비선형·시간변동성이 심화된 상황에서, 기존의 선형화 기반 제어가 적용 범위에 한계를 갖는다는 점을 강조한다. 이러한 배경에서 측정 기반 기술, 특히 신경망이 시스템의 비선형 특성을 모델링하고 실시간으로 파라미터를 적응시킬 수 있는 대안으로 부상한다. 저자는 신경망을 정적(MLP, RBF, FNL)과 동적(RNN, SRN, TDL)으로 구분하고, 각각이 회전각 안정성 문제에 어떻게 활용되는지를 상세히 설명한다. 정적 NN은 입력‑출력 매핑이 명확한 TSA와 같은 과제에 적합하며, RBF가 분류·패턴 인식에, MLP가 함수 근사에 강점을 보인다. 반면 동적 NN은 시스템의 연속적인 상태 변화를 포착해 연속 제어나 예측 제어에 유리하다.

지도학습(SL)은 충분히 라벨링된 데이터가 확보된 경우에 사용되며, 회전각 편차와 전압·주파수와 같은 변수들의 정적 매핑을 학습한다. 저자는 회귀와 분류 두 가지 형태로 SL을 적용한 사례들을 제시하고, 특히 과거 사고 데이터를 활용한 임계 클리어링 타임 예측 모델이 실시간 TSA에 기여함을 언급한다.

강화학습(RL)은 순차적 의사결정과 최적 제어에 초점을 맞추며, 액터‑크리틱(Adaptive Critic Design) 구조가 전력계통의 광역제어(WAC)에서 널리 사용된다. RL 에이전트는 실시간 측정(PMU)과 통신 인프라를 통해 상태를 관찰하고, 보상함수는 전압·주파수 안정성, 전력 흐름 최소화, 제어 신호 제한 등을 포함한다. 논문은 RL 기반 제어가 전통적인 PSS·AGC와 비교해 더 넓은 작동 영역과 비선형 억제 능력을 제공하지만, 학습 안정성·수렴성·시뮬레이션 비용 등 실용적 과제가 남아 있음을 지적한다.

또한 비지도학습은 고장 발생 시 코히런트 영역을 자동으로 식별하는 데 활용된다. 클러스터링 기법이 전통적인 모드 해석을 보완해, 실시간으로 인터에어 모드와 로컬 모드를 구분하고, 이를 기반으로 위계적 제어 전략을 설계할 수 있다.

제어 계층 관점에서, 논문은 국부 제어(빠른 응답), 2차(AGC)·3차(최적화) 제어와 NN 기반 광역제어를 병합한 하이브리드 구조를 제안한다. 특히, NN이 제공하는 비선형 모델을 기존 PID·LQR·H∞와 결합해, 안정성 마진을 확대하고 제어 신호의 과도 진동을 감소시키는 사례를 제시한다.

마지막으로 저자는 차원 저주, 데이터 품질, 실시간 구현 비용, 신뢰성 검증 등의 한계를 강조하고, 하드웨어 가속기(FPGA·GPU)와 클라우드 기반 학습 파이프라인, 안전 검증 프레임워크(형식 검증·시뮬레이션‑인‑더‑루프) 등을 향후 연구 방향으로 제시한다.