물리 기반 머신러닝으로 전력망 상태 예측 및 불확실성 정량화

본 논문은 풍력 발전기가 포함된 전력망에서 제한된 측정 데이터만으로도 시스템의 주요 상태 변수인 위상각(θ), 각속도(ω), 풍력 기계출력(P_m)을 정확히 예측하고, 그 불확실성을 정량화할 수 있는 물리‑정보 기반 가우시안 프로세스 회귀(GPR) 모델을 제안한다. 전통적인 데이터‑주도 GPR은 관측 데이터로부터 커널 형태와 하이퍼파라미터를 추정한다. 그러나 이는 대량의 고주파 데이터가 필요하고, 노이즈에 취약하며, 관측되지 않은 상태를 예측할 수 없는 구조적 한계가 있다. 이를 극복하기 위해 저자들은 다음과 같은 접근을 채택한다. 첫째, 풍력 기계출력 P_m(t)을 평균값 hP_m^i와 지수형 상관함수를 갖는 오르니츠‑우렌벨크(OU) 과정으로 모델링한다. OU 과정은 확률 미분 방정식 dP_0^m = -(1/λ)P_0^m dt + (σ√(2/λ)) dW 로 기술되며, 여기서 λ는 상관시간, σ는 변동성이다. 둘째, 이러한 확률 입력을 전통적인 스윙 방정식(θ와 ω의 동역학)과 결합하여 확률 미분 방정식 형태의 전력망 모델을 만든다. 이 확률 방정식은 강안정성 보존 Runge‑Kutta(SSP‑RK) 2차 스킴을 이용해 다수(N=1000) 의 샘플 경로를 시뮬레이션한다. 각 경로에서 얻은 θ(t), ω(t), P_0^m(t) 시계열을 이용해 시간별 평균과 공분산을 직접 계산한다. 즉, GPR의 사전 평균 \(\bar{x}(t)\)와 공분산 행렬 C(t_j,t_k) 를 물리 모델 자체가 제공하는 통계적 특성으로부터 추정한다. 이렇게 하면 커널 함수를 가정할 필요가 없으며, 물리적 상관관계가 그대로 반영된다. 예측 단계에서는 관측된 변수들의 과거 시계열 x_o 를 입력으로 사용하고, 사후 평균 \(\hat{x}_f = C_{fo} C_{oo}^{-1} x_o\) 와 사후 공분산 \(\hat{C}_{ff}=C_{ff} - C_{fo} C_{oo}^{-1} C_{of}\) 를 계산한다. 여기서 C_{fo}, C_{oo} 등은 앞서 물리‑기반으로 얻은 공분산 행렬의 부분 행렬이다. 이 과정은 관측되지 않은 변수에 대한 예측도 자연스럽게 가능하게 만든다. 논문은 세 가지 실험 시나리오를 통해 제안 방법의 유효성을 검증한다. 1) **Case 1**: θ와 ω를 일정 시점(t=8 s)까지 관측하고, 이후 시점에서 두 변수 모두를 예측한다. 물리‑기반 GPR은 평균 예측이 최소 2 s(≈50 λ)까지 실제 값과 거의 일치하고, 4 s(≈80 λ)까지 실제 값이 2σ 불확실성 구간 안에 포함된다. 반면 데이터‑주도 GPR은 5 λ 이하에서만 평균이 정확하고, 20 λ 이하에서만 불확실성 구간이 유효했다. 2) **Case 2**: θ만 관측하고, ω와 P_0^m을 예측한다. 물리‑기반 GPR은 관측된 θ와 강한 상관관계를 갖는 ω와 P_0^m을 높은 정확도로 복원한다. 특히 t>8 s 구간에서도 평균 예측이 거의 오차 없이 유지되며, 불확실성 구간 역시 실제 값을 포괄한다. 3) **Case 3**: ω만 관측하고, θ와 P_0^m을 예측한다. 결과는 Case 2와 유사하게, 관측된 ω를 통해 θ와 P_0^m을 정확히 추정한다. 추가 실험에서는 t>8 s 구간에 소수(333개)의 ω 측정값을 삽입하면, θ와 P_0^m에 대한 예측 정확도가 크게 향상되는 것을 확인했다. 또한, θ 기반 예측이 ω 기반보다 P_0^m에 대해 더 높은 정확도를 보였으며, 이는 θ와 P_0^m 사이의 상관성이 더 강함을 의미한다. 논문의 주요 기여와 시사점은 다음과 같다. - **물리‑기반 공분산 추정**: 전력망과 같이 물리 법칙이 명확히 정의된 시스템에서는 확률 모델의 공분산을 직접 물리 방정식으로부터 계산함으로써, 데이터‑주도 방법보다 적은 데이터로도 신뢰성 높은 예측이 가능하다. - **불확실성 정량화**: GPR의 사후 공분산을 활용해 예측값에 대한 신뢰 구간을 제공함으로써, 실시간 운영(시장 정산, 제어 액션)에서 위험 관리와 이상 탐지에 직접 활용할 수 있다. - **관측되지 않은 변수 복원**: 관측된 변수와 강한 상관관계를 갖는 미관측 변수를 정확히 추정할 수 있어, 측정 비용이 높은 변수(예: 풍력 기계출력)를 간접적으로 모니터링할 수 있다. - **예측 가능 시간 범위**: 예측 가능한 시간 길이는 입력(풍력, 부하) 상관시간 λ와 시스템 고유 이완시간(관성 H, 감쇠 D) 사이의 비율에 의해 결정된다. 물리 파라미터를 조정하거나 입력 상관시간을 파악함으로써 단기·중기 예측 범위를 설계할 수 있다. 결론적으로, 이 연구는 물리‑기반 확률 모델링과 머신러닝을 결합한 새로운 프레임워크를 제시함으로써, 전력망 실시간 모니터링 및 단기·중기 예측 분야에 중요한 방법론적 기여를 한다. 향후 연구에서는 다중 발전기, 복합 부하, 비선형 전압·전류 동역학 등을 포함한 보다 복잡한 전력망 모델에 적용하고, 실제 현장 데이터와의 검증을 통해 실용성을 높이는 방향이 제시된다.