딥러닝 기반 확률적 최적 전력 흐름 빠른 계산

초록

본 논문은 확률적 최적 전력 흐름(POPF) 문제를 해결하기 위해 스택드 디노이징 오토인코더(SDAE)를 활용한 딥러닝 모델을 제안한다. 학습된 SDAE는 시스템 운영 조건과 OPF 해 사이의 비선형 관계를 고차원 특징으로 추출하여, 몬테카를로 시뮬레이션으로 생성된 무작위 샘플에 대해 최적화 없이 즉시 OPF 해를 예측한다. IEEE 118버스 시스템을 기반으로 한 실험에서 기존 방법 대비 계산 속도가 크게 향상되고 정확도는 유지됨을 입증하였다.

상세 분석

확률적 최적 전력 흐름(POPF)은 부하, 재생에너지 출력, 기상 변수 등 불확실성을 고려한 전력계통 최적화 문제로, 전통적으로는 수천에서 수만 건의 샘플에 대해 각각 비선형·비볼록 OPF를 풀어야 한다. 이 과정은 고차원 비선형 방정식과 제약조건을 반복적으로 해결해야 하므로 계산량이 급증하고, 실시간 혹은 대규모 시뮬레이션에 적용하기 어렵다. 논문은 이러한 병목을 해소하기 위해 딥러닝, 특히 스택드 디노이징 오토인코더(SDAE)를 활용한다. SDAE는 입력 데이터에 인위적인 노이즈를 추가한 뒤, 원본을 복원하도록 학습함으로써 강인한 특징 표현을 학습한다. 여기서 입력은 시스템의 운영 상태(부하, 발전량, 전압 등)이고, 출력은 OPF 최적해(발전기 출력, 전압 위상 등)이다.

먼저, 논문은 POPF 문제를 두 단계로 분할한다. ① Monte‑Carlo Simulation(MCS)으로 불확실성 샘플을 생성하고, ② 각 샘플에 대해 전통적인 OPF를 수행해 레이블 데이터를 만든다. 이 레이블 데이터를 이용해 SDAE를 사전 학습(pre‑training)하고, 이후 전체 네트워크를 지도학습(supervised fine‑tuning)한다. 사전 학습 단계에서는 다층 인코더‑디코더 구조가 입력의 고차원 비선형 관계를 압축하고, 디노이징 과정을 통해 잡음에 강인한 잠재 표현을 얻는다. 지도학습 단계에서는 인코더 출력에 직접 회귀 레이어를 연결해 OPF 해를 예측하도록 최적화한다.

핵심 기술적 기여는 다음과 같다. 첫째, SDAE의 재구성 손실과 회귀 손실을 동시에 최소화하는 복합 손실 함수를 설계해, 특징 추출과 최적해 예측을 통합한다. 둘째, 학습 과정에서 배치 정규화와 드롭아웃을 적용해 과적합을 방지하고, 다양한 샘플에 대한 일반화 능력을 확보한다. 셋째, 학습된 모델을 이용해 새로운 MCS 샘플에 대해 즉시 OPF 해를 출력함으로써, 전통적인 수치 최적화 루틴을 완전히 대체한다.

실험에서는 IEEE 118버스 시스템을 변형해 30%의 부하와 재생에너지 변동성을 도입하였다. 10,000개의 MCS 샘플을 생성하고, 기존 Interior‑Point 기반 OPF와 비교했을 때, 제안된 SDAE 모델은 평균 95% 이상의 정확도를 유지하면서 계산 시간을 1~2% 수준으로 크게 단축하였다. 특히, 대규모 샘플링 상황에서 GPU 가속을 활용한 추론 속도는 실시간 운영 의사결정에 충분히 적용 가능함을 보여준다. 또한, 민감도 분석을 통해 입력 변수의 작은 변동에도 모델이 안정적인 출력을 제공함을 확인하였다.

이러한 결과는 POPF 문제에 딥러닝을 적용함으로써, 전통적인 최적화 기반 접근법의 계산 복잡도를 근본적으로 낮출 수 있음을 시사한다. 다만, 학습 데이터 생성에 여전히 고비용 OPF 계산이 필요하고, 모델의 해석 가능성 및 극한 상황(예: 제약 위반)에서의 신뢰성 확보가 향후 연구 과제로 남는다.