조건부 GAN을 활용한 인버터 기반 섬그리드 실시간 안정성 평가

본 논문은 섬그리드와 같은 독립형 전력망에서 droop 제어 파라미터를 실시간으로 조정해 시스템의 작은 신호 안정성을 유지하는 문제에 초점을 맞춘다. 기존의 오프라인 튜닝은 고정된 droop 값을 설계하고 여유 마진을 두어 보수적으로 운영하지만, 재생에너지의 급변하는 출력과 네트워크 토폴로지 변화(스위칭, 탭 체인지, 고장 등)로 인해 실제 운영 시 비효율적인 전력 공유와 과도한 제어 여유가 발생한다. 최근 연구에서는 실시간으로 전체 droop 파라미터 공간(안정성 영역)을 추정해 비보수적인 설정을 가능하게 하는 방법을 제안했지만, 전통적인 eigenvalue 기반 접근은 O(n³) 복잡도로 인해 대규모 시스템에서는 실시간 적용이 어려웠다. 이에 저자는 딥러닝, 특히 조건부 생성적 적대 신경망(cGAN)을 활용해 안정성 영역을 빠르게 생성하는 새로운 프레임워크를 제시한다. cGAN은 두 개의 신경망, Generator와 Discriminator로 구성되며, 입력으로 현재 시스템의 Y‑bus 행렬과 위상(θ)이라는 조건을 제공한다. Generator는 이 조건에 맞는 droop 계수(k_f, k_v) 벡터를 생성하고, Discriminator는 생성된 벡터가 실제 안정적인 데이터와 구별되는지를 학습한다. 학습 과정은 미니배치와 배치 정규화를 사용해 효율성을 높이며, LeakyReLU와 Sigmoid 활성화를 적용한다. 실험은 4.16 kV, 50 Hz의 5노드 링형 배전망을 대상으로 수행된다. 각 노드에 1 MVA 인버터가 연결되고, 기본 droop 값은 k_f = 0.15 %·Hz, k_v = 5 %·pu이다. 네트워크 임피던스는 표 Ⅰ에 제시된 바와 같이 설정하고, 파워 필터 차단 주파수 ω_c = 31.41 rad/s로 잡는다. 데이터셋은 MATLAB에서 Y, θ, k_f, k_v를 각각 정규화해 0‑1 구간으로 변환한 뒤, 16 000개의 샘플을 생성한다. 학습 종료 기준은 Chebyshev 거리 d_c < 0.05이며, 이는 생성된 파라미터가 실제 데이터와 5 % 이내 차이를 보일 때 만족한다. 먼저 단순 GAN을 사용해 첫 번째 인버터의 droop (k_f1, k_v1) 2‑D 영역을 재현한다. 4 000개의 학습 샘플과 배치 크기 100, 학습률 8×10⁻⁶으로 1 130 epoch 이후 d_c 기준을 만족했으며, 20 000개의 샘플을 생성했을 때 이론적 안정성 영역과 99.38 % 일치했다. 추가 학습을 통해 경계 근처 오차를 감소시켰지만, 다양한 토폴로지를 혼합하면 GAN이 전체 영역을 섞어버려 특정 구성에 대한 정확도가 떨어지는 한계를 확인했다. 이를 해결하기 위해 cGAN을 적용한다. 원본 토폴로지 외에 3가지 라인 손실(각 라인 임피던스 절반) 시나리오를 추가해 총 4가지 구성에 대해 학습을 진행했다. 각 구성당 16 000개의 샘플을 균등히 배분하고, 배치 크기 400, 학습률 8×10⁻⁶으로 1 630 epoch에서 d_c 기준을 만족했으며, 추가 300 epoch을 더 진행해 안정성 영역을 충분히 채웠다. 결과적으로 각 구성에 대해 20 000개의 샘플을 생성했을 때 97.5 % 이상의 정확도를 달성했으며, 전통적인 수치 해석에 비해 샘플 생성 시간이 0.02 s 수준으로 크게 단축되었다. 이는 실시간 제어기에 바로 적용할 수 있는 속도이다. 논문은 또한 cGAN 학습이 시스템 구성 수에 비례해 확장 가능함을 강조한다. 오프라인 학습 비용은 증가하지만, 한 번 학습된 모델은 다양한 실시간 상황에 재사용 가능하므로 전체 운영 비용을 절감한다. 또한, 생성된 droop 조합이 경계 근처에서 소량의 불안정점을 포함할 수 있기에, 실제 제어 적용 시 안전 마진을 충분히 확보해야 한다는 실용적인 조언을 제공한다. 결론적으로, 조건부 GAN을 이용한 실시간 안정성 영역 추정은 기존 고복잡도 수치 방법을 대체할 수 있는 효율적인 대안이며, 특히 재생에너지 비중이 높은 섬그리드에서 비보수적인 droop 설정을 통해 전력 공유 성능을 크게 향상시킬 수 있다. 향후 연구에서는 더 복잡한 droop 제어(예: 반대 droop)와 대규모 배전망에 대한 확장, 그리고 온라인 학습을 통한 적응형 모델 업데이트 방안을 탐색할 필요가 있다.