컨볼루션 신경망 기반 사후 교란 동적 주파수 특성 예측

초록

본 논문은 전력계통 교란 후 발생하는 동적 주파수 특성을 CNN(Convolutional Neural Network)으로 예측하는 방법을 제안한다. 전압·전류 등 사전·사후 운영 데이터를 전기적 거리 기반으로 2차원 평면에 매핑하고, 이를 텐서 형태로 CNN에 입력한다. 전기적 거리와 t‑SNE 차원 축소를 이용해 노드 간 공간 상관성을 보존하면서 입력을 구성하고, 학습된 CNN은 교란 직후의 최소 주파수(Nadir)와 정상 주파수를 빠르고 정확하게 예측한다. IEEE 39‑bus 시스템과 미국 실제 전력망 사례에서 기존 SVR·ANN·MLP 대비 예측 오차가 현저히 감소함을 확인하였다.

상세 분석

이 연구는 전력계통의 주파수 안정성을 확보하기 위해 교란 직후의 동적 주파수 특성을 실시간으로 예측하는 새로운 데이터‑드리븐 접근법을 제시한다. 기존의 물리‑모델 기반 시뮬레이션은 계산량이 많아 온라인 적용이 어려우며, 선형화·등가 모델은 정확도가 떨어진다. 저자는 이러한 한계를 극복하기 위해 전력계통의 공간적 특성을 활용한다. 전기적 거리는 노드 간 임피던스 기반 상호작용을 정량화한 지표로, 거리값이 작을수록 전압·전류 변동이 강하게 연계된다. 이를 n×n 대칭 행렬로 정의하고, 각 행을 고차원 좌표로 해석한다. 고차원 전기적 거리 정보를 그대로 CNN에 투입하면 차원 저주와 연산 복잡도가 급증하므로, t‑SNE(확률 기반 비선형 차원 축소) 알고리즘을 적용해 2‑D 평면에 매핑한다. t‑SNE는 고차원 유사도(조건부 확률)를 저차원에서도 최대한 보존하도록 최적화하므로, 노드 간 거리 관계가 시각적으로도 유지된다.

2‑D 매핑 결과는 이미지의 픽셀 좌표와 유사하게 해석될 수 있다. 저자는 각 노드의 운영 변수(예: 발전기 불균형 전력, 전압, 주파수 등)를 여러 채널에 할당하고, 이를 겹쳐 3‑채널 텐서(Height×Width×Channel) 형태로 만든다. 이렇게 구성된 텐서는 CNN의 입력으로 사용되며, 공간적 연관성을 로컬 리셉티브 필드와 가중치 공유 메커니즘을 통해 효율적으로 학습한다.

CNN 구조는 LeNet‑5를 기본으로 하여, 여러 개의 컨볼루션‑풀링 레이어와 완전 연결 레이어를 포함한다. 컨볼루션 레이어는 전력계통의 지역적 패턴(예: 특정 지역에서 발생하는 전력 불균형)의 특징을 추출하고, 풀링 레이어는 차원을 축소하면서 중요한 특징을 보존한다. 최종 완전 연결 레이어는 추출된 특징을 기반으로 회귀 출력(최저 주파수(Nadir)와 정상 주파수)을 제공한다. 학습은 평균 제곱 오차(MSE) 손실 함수를 최소화하는 백프로파게이션과 경사 하강법으로 수행되며, 소량의 학습 데이터에도 과적합을 방지하기 위해 정규화와 드롭아웃이 적용될 가능성이 있다.

실험에서는 개선된 IEEE 39‑bus 시스템에 풍력 발전을 추가한 시나리오와 미국 실제 전력망 데이터를 사용하였다. 교란 전후 0.5초 이내의 운영 데이터를 입력으로 사용했으며, 비교 대상으로는 서포트 벡터 회귀(SVR), 인공신경망(ANN), 다층 퍼셉트론(MLP) 등이 있다. 결과는 CNN이 Nadir 예측에서 평균 절대 오차(MAE)를 30 % 이상 감소시켰으며, 예측 속도도 실시간 수준(수십 밀리초)으로 만족스러웠다. 특히, 데이터가 불균형하거나 학습 샘플이 적은 경우에도 CNN은 안정적인 성능을 유지했다.

이 논문의 핵심 기여는 (1) 전기적 거리와 t‑SNE를 결합해 전력계통의 공간적 특성을 이미지 형태로 변환한 입력 설계, (2) CNN의 로컬 연결성을 활용해 전력계통의 복합적인 시공간 상관관계를 효과적으로 학습한 점, (3) 실제 대규모 전력망에 적용 가능한 빠르고 정확한 주파수 특성 예측 모델을 제시한 점이다. 향후 연구에서는 더 높은 차원의 전력계통 데이터(예: 위상·주파수 동기화 정보)를 포함하거나, 그래프 신경망(GNN)과 결합해 전력망 토폴로지를 직접 모델링하는 방안을 탐색할 수 있다.