분배망 이상 분류를 위한 몫 기울기 시스템 기반 신경망 학습

초록

**
본 논문은 마이크로‑PMU 데이터를 제약 만족 문제로 변환하고, 몫 기울기 시스템(QGS)으로 두 단계 부분 재귀 신경망을 학습시켜 전력 배전망의 이상 현상을 고정밀도로 구분한다. 시뮬레이션 결과, 기존 신경망 대비 분류 정확도가 크게 향상되었으며, PMU 수, 보고 주기, 잡음 수준 등에 대한 민감도 분석도 수행하였다.

**

상세 분석

**
본 연구는 전력 배전망에서 발생하는 다양한 이상(고장, 비정상적인 부하 변동 등)과 정상적인 스위칭 동작을 구분하는 문제에 초점을 맞추었다. 기존의 데이터‑드리븐 접근법은 고차원·고속 샘플링된 PMU 데이터의 비선형성을 충분히 반영하지 못하거나, 학습 과정에서 지역 최적해에 머무르는 경우가 많았다. 이를 극복하기 위해 저자들은 먼저 PMU에서 수집된 전압·전류 위상 데이터를 시간‑주파수 도메인 특징으로 변환하고, 각 특징을 제약식으로 표현하여 제약 만족 문제(CSP) 형태로 재구성한다.

몫 기울기 시스템(QGS)은 CSP의 해를 찾기 위한 연속적인 동역학 시스템으로, 시스템 상태가 제약 위반을 최소화하도록 흐르게 만든다. QGS는 전통적인 경사 하강법과 달리 전역적인 탐색 능력을 갖추고 있어, 복잡한 비선형 제약에서도 안정적인 수렴을 보장한다. 논문에서는 QGS를 이용해 신경망 가중치를 직접 최적화한다는 새로운 학습 프레임워크를 제시한다. 구체적으로, 두 단계(partially recurrent) 신경망을 설계했는데, 1단계는 짧은 시간 창에서의 순간적인 변화를 포착하고, 2단계는 장기적인 시간 의존성을 모델링한다. 두 단계 모두 QGS에 의해 정의된 목적함수(제약 위반 정도와 분류 손실의 가중합)를 최소화하도록 훈련된다.

실험에서는 IEEE 13‑node 배전망 모델에 고해상도 마이크로‑PMU를 가상으로 배치하고, 다양한 고장·부하 변동 시나리오를 시뮬레이션했다. 제안된 QGS‑학습 신경망은 전통적인 BP, Adam, RMSProp 등으로 학습된 동일 구조의 신경망에 비해 평균 정확도가 6~9%p 상승했으며, 특히 잡음 레벨이 5% 이하일 때 98.7% 이상의 분류 정확도를 달성했다. 또한, PMU 수를 2개에서 8개로 늘릴 경우 정확도 향상이 포화되는 지점을 확인했으며, 보고 주기가 20 ms 이하일 때 실시간 적용이 가능함을 보였다.

민감도 분석에서는 (1) PMU 배치 위치, (2) 데이터 융합 시점(early fusion vs. late fusion), (3) 측정 잡음, (4) 데이터 스트림 길이 등을 변수로 설정했다. 결과적으로, early fusion 방식이 시간적 연속성을 더 잘 보존해 전체 정확도를 1.3%p 정도 개선했으며, 잡음이 10%까지 증가해도 QGS‑학습 모델은 94% 이상의 안정적인 성능을 유지했다.

이와 같이 QGS를 활용한 제약 기반 학습은 전력 시스템의 비선형·다중 제약 환경에 적합한 전역 최적화 메커니즘을 제공한다는 점에서 학술적·실무적 의의가 크다. 다만, QGS의 수치적 구현에 필요한 연산량이 기존 SGD 기반 학습보다 상대적으로 크며, 대규모 실시간 시스템에 적용하기 위해서는 하드웨어 가속기와 병렬화 전략이 필요하다는 한계점도 언급된다.

**