장기 시계열 LSTM을 활용한 전압 불안정 예측

초록

**
본 논문은 장기 시계열 정보를 활용하는 LSTM 기반 순환신경망을 설계하여, 실시간 전압 불안정을 몇 분 앞까지 예측하는 방법을 제시한다. Nordic‑32 테스트 시스템에서 N‑1 및 N‑1‑1 사고 시나리오를 이용해 학습·검증했으며, 긴 입력 시퀀스를 사용한 경우 기존 피드포워드 NN보다 높은 정확도를 달성하였다.

**

상세 분석

**
이 연구는 전압 불안정 예측(VIP) 분야에서 기존의 “순간 상태”만을 입력으로 사용하던 접근법의 한계를 극복하고자 한다. 전통적인 머신러닝 기반 DSA는 정적 측정값을 바로 입력해 즉시 판단하지만, 전력계통의 동적 거동은 발전기 회전속도, 변압기 탭 위치, 유도전동기 슬립 등 관측되지 않는 내부 변수에 크게 의존한다. 이러한 비마코프적 특성을 반영하기 위해 저자는 장기 의존성을 학습할 수 있는 LSTM(Long Short‑Term Memory) 구조를 채택하였다.

LSTM 블록은 입력 게이트·망각 게이트·출력 게이트로 구성돼, 셀 상태(c_t)를 시간축을 따라 전달하면서 중요한 과거 정보를 보존하고 불필요한 정보를 제거한다. 논문에서는 3계층 깊이의 LSTM을 쌓고, 최종 은닉 상태를 소프트맥스 레이어에 연결해 5가지 클래스(Stable, Alert‑C1, Alert‑C2, Alert‑C3, Emergency) 중 하나를 예측한다.

데이터 생성 단계는 매우 정교하게 설계되었다. 초기 운영조건(OC)은 부하를 80120 % 범위의 균등분포로 무작위 생성하고, 전력 흐름 해석을 통해 수렴 여부를 확인한다. 이후 65 s 동안 N‑0 상태를 기록한 뒤, 주요 라인 또는 대형 발전기를 대상으로 첫 번째 N‑1 사고를 가한다. N‑1‑1 시나리오는 첫 사고 후 1030 s 사이에 두 번째 라인 차단을 추가함으로써 연속 사고 상황을 재현한다. 시뮬레이션은 PSS®E 34.2.0 기반으로 560 s까지 진행하거나 전압 붕괴가 조기에 발생하면 중단한다.

입력 피처는 모든 버스 전압, 위상각, 유효·무효 전력 흐름을 1 Hz 간격으로 샘플링한 𝑥_t 벡터이며, 사고 종류·위치와 같은 메타데이터는 제공하지 않는다. 이는 LSTM이 자체적으로 “전압 강하 → 라인 차단”과 같은 패턴을 학습하도록 설계된 것이다. 목표 레이블 𝑦_t는 시뮬레이션 종료 시점(560 s)까지 시스템이 도달할 최종 상태를 원‑핫 인코딩으로 표현한다.

학습 결과는 두 가지 주요 지표에서 기존 방법을 크게 앞선다. 첫째, N‑1 사고에 대해서는 거의 100 %에 가까운 정확도를 기록했으며, N‑1‑1 사고에서도 93 % 이상의 정확도를 달성했다. 둘째, 입력 시퀀스 길이를 60 s(=60 step)로 늘린 경우, 20 s 정도의 짧은 시퀀스를 사용한 피드포워드 NN 대비 정확도가 10~15 % 상승했다. 이는 전압 불안정이 발생하기 전의 미세한 전압·전류 변동을 장기적으로 포착함으로써 사전 경보가 가능함을 의미한다.

또한, 모델은 온라인 평가 방식으로 설계돼, 새로운 측정값이 들어올 때마다 은닉 상태를 업데이트하고 실시간으로 예측을 갱신한다. 이는 운영자가 사고 발생 직후부터 몇 초 이내에 위험 수준을 파악하고, 적절한 보상 조치를 취할 수 있게 한다.

한계점으로는(1) 훈련 데이터가 Nordic‑32 시스템에 한정돼 실제 대규모 전력망에 바로 적용하기 위해서는 추가적인 일반화 검증이 필요하고, (2) 시뮬레이션 기반 데이터이므로 실제 측정 노이즈와 통신 지연을 반영한 테스트가 부족하다는 점을 들 수 있다. 향후 연구에서는 다양한 전력망 모델·실시간 PMU 데이터와 결합하고, 전압 복구·재구성 전략까지 포함하는 종합 DSA 프레임워크로 확장하는 것이 기대된다.

**