동기위상계측을 활용한 최적화 극한학습기 기반 전력계통 과도안정성 예측

초록

본 논문은 동기위상계측기(Phasor Measurement Unit, PMU)에서 얻은 실시간 동기데이터를 입력 특징으로 활용하고, 극한학습기(Extreme Learning Machine, ELM) 분류기를 기반으로 과도안정성 예측 모델을 구축한다. 모델의 은닉층 노드 수와 정규화 파라미터 등 핵심 하이퍼파라미터를 개선된 입자군집 최적화(Improved Particle Swarm Optimization, IPSO) 알고리즘으로 자동 튜닝함으로써 예측 정확도와 연산 속도를 동시에 향상시켰다. IEEE 39‑bus 시스템과 실제 대규모 전력망을 대상으로 한 실험 결과, 기존 ELM‑PSO 혹은 SVM, DT 기반 방법에 비해 높은 정확도(>98 %)와 짧은 예측 시간(≤30 ms)을 달성하여 실시간 운영 적용 가능성을 입증하였다.

상세 분석

이 연구는 전력계통 과도안정성 예측(TSP) 분야에서 두 가지 핵심 기술을 결합한다는 점에서 의미가 크다. 첫 번째는 동기위상계측기(PMU)에서 제공하는 고해상도 동기데이터를 특징 추출에 활용한 점이다. 기존 연구들은 주로 발전기 출력, 전압, 전류 등 전통적인 SCADA 데이터에 의존했지만, PMU는 시간 동기화된 위상·주파수·전압 진폭 정보를 3060 Hz로 제공한다. 논문에서는 전압 위상 차, 주파수 변동률, 전압 진폭 변화율 등 68개의 파라미터를 선택하고, 사건 발생 직후 0.1 s~0.5 s 구간의 평균·표준편차·최대값을 계산해 입력 벡터를 구성한다. 이러한 특징은 과도 현상의 초기 동역학을 효과적으로 포착한다는 장점이 있다.

두 번째는 극한학습기(ELM)의 구조적 특성을 활용한 모델링이다. ELM은 입력‑은닉‑출력 3층 구조의 피드포워드 신경망으로, 은닉층 가중치를 무작위로 초기화하고 출력 가중치만 최소제곱 해를 통해 한 번에 계산한다. 이로 인해 학습 속도가 매우 빠르지만, 은닉층 노드 수(N)와 정규화 파라미터(C) 같은 하이퍼파라미터에 민감하다. 논문에서는 이러한 파라미터를 고정값이 아닌 최적화 대상로 설정하고, 개선된 입자군집 최적화(IPSO)를 적용한다. IPSO는 전통적인 PSO에 관성 가중치와 동적 학습률 조정을 추가해 탐색·수렴 균형을 강화하고, 지역 최적에 빠지는 현상을 완화한다. 구체적으로, 입자 위치와 속도 업데이트 식에 비선형 감쇠 함수를 도입하고, 적응형 인구 다양성 유지 메커니즘을 적용해 전역 최적을 탐색한다.

실험 설계는 IEEE 39‑bus 시스템과 실제 5000버스 규모의 전력망을 대상으로 두 단계로 진행된다. 첫 단계에서는 다양한 고장 시나리오(단상‑접지, 3상‑단락, 라인‑오프 등)와 초기 부하 조건을 무작위로 생성해 2000개의 학습 샘플과 500개의 테스트 샘플을 구축했다. 두 번째 단계에서는 실제 전력망에서 수집한 PMU 데이터와 사고 기록을 매칭해 800개의 실제 사건을 테스트베이스로 사용했다. 성능 평가는 정확도, 정밀도, 재현율, F1‑score 및 예측 지연 시간으로 수행했으며, 비교 대상 모델은 전통적인 SVM, 결정트리(DT), 그리고 PSO‑튜닝 ELM을 포함한다.

결과는 눈에 띄게 우수했다. IPSO‑ELM은 전체 정확도 98.7 %를 기록했으며, 특히 희귀한 대규모 전압 강하 사건에 대한 재현율이 96 %에 달했다. 반면 PSO‑ELM은 96.3 % 수준, SVM은 92.5 %에 머물렀다. 예측 지연 시간은 평균 22 ms로, 실시간 보호 및 자동 재구성(AGC) 시스템에 충분히 적용 가능했다. 또한, 파라미터 민감도 분석 결과, 은닉층 노드 수가 150200 사이일 때 최적 성능을 보였으며, C값은 0.11.0 구간에서 안정적인 결과를 도출했다.

이 논문이 제시한 방법론은 몇 가지 한계점도 가지고 있다. 첫째, PMU 데이터의 품질(노이즈, 데이터 손실)에 대한 강인성 검증이 부족하다. 둘째, IPSO의 파라미터(입자 수, 최대 반복 횟수 등) 자체가 고정값으로 설정돼 있어 다른 시스템에 적용 시 재조정이 필요할 수 있다. 셋째, 과도 현상의 장기 동역학(수초 이상)까지 예측하려면 시계열 모델과의 결합이 요구된다. 그럼에도 불구하고, 고속·고정밀 예측을 위한 실용적인 프레임워크를 제공한다는 점에서 전력계통 실시간 운영 및 스마트 그리드 보안 분야에 큰 기여를 한다.