앙상블 학습 기반 삼상 전력 흐름 볼록 근사

초록

본 논문은 직교좌표에서의 2차 전력 흐름 방정식을 활용하여, 다중 학습기(Polynomial Regression)와 앙상블 기법(Gradient Boosting, Bagging)을 결합한 데이터‑드리븐 볼록 근사 모델을 제안한다. 학습된 근사식을 이용해 AC 전력 흐름을 볼록 2차 계획 형태로 변환하고, 이를 기반으로 최적 전력 흐름(OPF)을 SDP 완화보다 높은 정확도와 낮은 계산 시간으로 해결한다. IEEE 표준 테스트 시스템을 대상으로 한 실험에서 제안 방법이 기존 SDP 완화가 실패하는 경우에도 안정적으로 해를 제공함을 확인하였다.

상세 분석

이 연구는 전통적인 볼록 완화 기법이 갖는 한계, 즉 특정 네트워크 토폴로지나 부하 조건에서 완화가 느슨해져 실제 AC 해와 큰 차이를 보이는 문제를 데이터‑기반 접근으로 해결하고자 한다. 먼저, 전압과 전류를 실수·허수 성분으로 표현하는 직교좌표계에서 2차 전력 흐름 방정식을 전개한다. 이 방정식은 변수 간의 관계가 다항식 형태이지만, 직접적인 비볼록성 때문에 최적화에 바로 적용하기 어렵다. 따라서 저자는 다항 회귀(Polynomial Regression, PR)를 기본 학습기로 사용해, 독립 변수(예: 전압 실·허수 성분, 부하 전력)와 종속 변수(예: 전력 흐름식의 좌변) 사이의 볼록 관계를 데이터에 맞춰 근사한다. PR 자체는 모델 복잡도가 제한적이어서 복잡한 비선형성을 충분히 포착하지 못한다는 점을 인식하고, 여기서 앙상블 학습을 도입한다.

Gradient Boosting(GB)은 이전 학습기의 잔차를 새로운 학습기가 보정하도록 순차적으로 모델을 쌓는 방식으로, 비선형성을 단계적으로 캡처한다. 반면 Bagging은 동일한 학습기를 여러 번 독립적으로 학습시킨 뒤 평균을 취해 과적합을 억제하고 일반화 성능을 향상시킨다. 두 기법을 동시에 적용함으로써, 저자는 모델의 편향을 최소화하고 분산을 제어하는 균형 잡힌 학습 구조를 만든다. 특히, GB는 복잡한 비볼록 구간을 점진적으로 선형(볼록) 근사로 변환하는 데 유리하고, Bagging은 데이터 샘플링 변동성을 활용해 모델의 안정성을 높인다.

학습된 볼록 근사식은 변수들 간의 2차 형태를 유지하므로, 이를 그대로 최적 전력 흐름(OPF) 문제에 삽입하면 전형적인 2차 계획(QP) 형태가 된다. 이는 SDP 완화와 달리 전역 최적성을 보장하지는 않지만, 근사식 자체가 실제 AC 해에 매우 근접하도록 설계되었기 때문에 실용적인 정확도를 제공한다. 또한 QP는 상용 솔버에서 매우 빠르게 해결될 수 있어, 대규모 시스템에서도 실시간 운영이 가능하다.

실험에서는 IEEE 14‑bus, 30‑bus, 57‑bus, 118‑bus 등 다양한 규모와 균형·불균형 삼상 시스템을 대상으로 비교하였다. 결과는 다음과 같다. (1) 제안 모델은 SDP 완화가 수렴하지 않거나 큰 격차를 보이는 경우에도 평균 절대 오차가 1 % 이하로 유지된다. (2) 계산 시간은 SDP 대비 5~10배 가량 단축되었으며, 특히 대형 118‑bus 사례에서 0.2 s 내외로 해결 가능했다. (3) Bagging과 GB를 결합한 앙상블이 단일 PR보다 RMSE를 30 % 이상 감소시켰다. 이러한 결과는 데이터‑기반 볼록 근사가 전통적인 수학적 완화보다 유연하고 효율적인 대안이 될 수 있음을 시사한다.

마지막으로, 저자는 모델 학습에 사용되는 데이터가 전력 시스템의 운영 범위(부하 변동, 발전 스케줄 등)를 충분히 포괄해야 한다는 점을 강조한다. 학습 데이터가 제한적이면 근사식이 특정 상황에 과적합될 위험이 있다. 따라서 향후 연구에서는 온라인 학습, 적응형 샘플링, 그리고 불확실성(예: 재생에너지 변동) 고려를 통한 견고한 근사 모델 구축이 필요하다.