인버터용 신경망 예측 제어기 기반 가상 동기 발전기

초록

**
본 논문은 전통적인 PI 기반 가상 동기 발전기(VSG)의 한계를 극복하기 위해, 삼상 인버터에 적용 가능한 신경망 예측 제어기(NNPC)를 제안한다. 훈련된 NNPC는 그리드 임피던스 각도에 관계없이 유효·무효 전력을 정확히 추적하며, 유도성 및 비유도성 그리드 모두에서 안정적인 동작을 보인다. 시뮬레이션 결과는 기존 PI‑VSG 대비 향상된 추적 성능과 넓은 적용 범위를 입증한다.

**

상세 분석

**
이 논문은 전력 전자 변환기 분야에서 가상 관성 제어(VSG)의 적용성을 재조명한다. 기존의 PI 기반 VSG는 그리드가 비유도성(예: 저전압·고전류 배전망)일 경우 전압·전류 위상 차이가 크게 변하면서 전력 추적 오차가 급증한다는 문제점을 가지고 있다. 저자는 이러한 문제를 해결하기 위해, 인버터의 동적 모델과 그리드 임피던스 변화를 입력으로 받아 미래 전력 흐름을 예측하고 최적 제어 신호를 산출하는 신경망 예측 제어기(NNPC)를 설계하였다. NNPC는 다층 퍼셉트론(MLP) 구조를 채택했으며, 입력층에는 실시간 측정된 전압·전류 위상, 전압 크기, 목표 유효·무효 전력, 그리고 그리드 임피던스 각도가 포함된다. 출력층은 인버터의 PWM 듀티비(또는 직접 전압 명령)를 제공한다. 학습은 대규모 시뮬레이션 데이터를 이용해 오프라인으로 수행했으며, 손실 함수는 예측된 전력과 목표 전력 사이의 제곱 오차와 제어 입력의 급격한 변화를 억제하는 정규화 항을 포함한다. 예측 호라이즌은 23 사이클(2030ms)로 설정되어, 실시간 제어에 필요한 계산량을 최소화하면서도 충분한 미래 정보를 반영한다.

시뮬레이션 환경은 MATLAB/Simulink 기반이며, 인버터는 3kVA 등급, 전압 레벨은 400V(피크)로 설정하였다. 그리드 임피던스는 0.1∠0°, 0.1∠30°, 0.1∠-30° 등 다양한 각도로 변조되었고, 부하 변동도 급격히 적용하였다. 결과는 NNPC가 모든 경우에서 전압 위상과 전류 위상을 빠르게 보정하여 목표 전력을 ±1% 이내로 유지함을 보여준다. 반면, 전통적인 PI‑VSG는 비유도성 그리드에서 전력 오차가 10% 이상까지 확대되고, 제어 신호의 진동으로 인해 시스템 안정성이 저하된다. 또한 NNPC는 제어 신호의 스무딩 효과가 뛰어나, 인버터의 스위칭 손실을 최소화한다.

한계점으로는 오프라인 학습 데이터의 범위가 실제 현장 상황을 완전히 포괄하지 못할 경우, 제어 성능이 저하될 가능성이 있다는 점이다. 또한 실시간 구현을 위해서는 고성능 DSP 혹은 FPGA가 필요하며, 계산 지연이 1ms 이하로 유지되어야 한다는 제약이 있다. 향후 연구에서는 온라인 적응 학습, 강화학습 기반 정책 최적화, 그리고 하드웨어‑인‑루프(HIL) 검증을 통해 이러한 문제를 보완하고, 대규모 전력 시스템에 적용 가능한 분산 제어 프레임워크를 구축할 수 있을 것으로 기대된다.

**