전력계통 일시불안정성 평가를 위한 지역학습기와 박테리아 군집화 알고리즘

본 논문은 전력계통의 일시불안정성(Transient Stability) 평가 정확도를 향상시키기 위한 새로운 방법론을 제시한다. 서론에서는 기존 ANN, DT, SVM 등 머신러닝 기반 TSA 기법들의 장점과 한계를 논의하고, 특히 파라미터 선택의 경험적 의존성과 과적합 위험을 지적한다. 이를 해결하기 위해 지역학습기(Local Learning Machine, LLM)를 기반 모델로 채택한다. LLM은 대간격 이론에 따라 각 특성에 비음수 가중치 벡터 w를 부여하고, 클래스 간 거리와 클래스 내 거리를 최소화하는 목표 함수를 정의한다. 핵심 파라미터는 정규화 계수 λ와 커널 폭 σ이며, 이들의 적절한 설정이 모델의 학습 성능과 일반화 능력을 결정한다. LLM 파라미터 최적화를 위해 박테리아 군집화 화학주성(Bacterial Colony Chemotaxis, BCC) 알고리즘을 도입한다. 기존 BCC는 전역 탐색 능력과 빠른 수렴을 장점으로 하지만, 감지 범위 설정에 따라 조기 수렴이나 지역 최적점에 머무를 위험이 있다. 논문에서는 두 가지 개선을 적용한다. 첫째, 감지 범위(Sensing Range)를 군집의 적응도 차이(σ²)와 군집 규모(Np)에 따라 동적으로 조정한다. 군집이 고도로 집결될 경우 감지 범위를 축소해 탐색 폭을 넓히고, 군집이 분산될 경우 감지 범위를 확대해 수렴 속도를 높인다. 둘째, 조기 수렴을 감지하면 혼돈 매핑(Chaos Mapping) 전략을 사용한다. 여기서는 Tent 맵을 적용하고, 작은 주기점이나 정지점에 도달하면 무작위 교란을 가해 해 공간을 재탐색한다. 이러한 혼돈 탐색은 전역 최적해를 찾는 확률을 크게 높인다. 파라미터 최적화 과정은 5‑fold 교차 검증 정확도를 적응도 함수로 사용한다. 초기 군집 규모는 20, 최대 진화 세대는 200, 초기·최종 정밀도는 각각 2와 0.00001로 설정하였다. 탐색 변수는 λ와 σ 두 차원이며, 각 세대마다 적응도 함수를 평가하고, 감지 범위와 혼돈 탐색을 통해 군집을 업데이트한다. 실험 결과, 개선된 IBCC는 GA, PSO, 기존 BCC와 비교해 평균 검색 시간은 8.7초(기존 BCC 대비 약 30% 감소)이며, 성공률은 99.39%로 가장 높았다. 또한, 최적 파라미터 λ*와 σ*를 사용한 LLM 모델은 훈련 정확도 96.7%를 달성했고, 테스트 정확도는 99.09%에 이르렀다. 특징 선택 측면에서는 33개의 시스템 레벨 특성을 정의하였다. 이들 특성은 고정된 정적 특성(Tz1 등), 고장 순간 및 고장 제거 후의 동적 특성(Tz2~Tz33 등), 그리고 PMU가 제공하는 실시간 측정값을 포함한다. 특성 가중치 분석 결과, 일부 특성(Tz2, Tz5, Tz14 등)의 가중치가 크게 나타나 실제 안정성에 대한 기여도가 높음을 확인하였다. 또한, 일부 특성을 의도적으로 제외한 실험에서도 제안 방법은 SVM 대비 1~3% 높은 정확도를 유지했으며, 이는 LLM이 특성 가중치를 자동으로 조정하는 메커니즘이 강인함을 보여준다. 다양한 비교 실험도 수행하였다. GA‑LLM, PSO‑LLM, BCC‑LLM, 그리고 제안된 IBCC‑LLM을 동일한 데이터셋(뉴잉글랜드 10기 39버스 시스템, 440개 시뮬레이션 샘플 중 330개 훈련, 110개 테스트)에서 평가하였다. 결과는 표 2와 표 3에 요약되어 있으며, IBCC‑LLM이 가장 높은 테스트 정확도(99.09%)와 가장 짧은 검색 시간을 기록했다. 또한, MLP, SVM, DT, PNN, ELM 등 다른 전통적인 TSA 모델과도 비교했으며, 무관한 특성을 제외한 경우에도 IBCC‑LLM이 98.18%~99.09%의 높은 정확도를 유지했다. 마지막으로 알고리즘의 일반성을 검증하기 위해 두 가지 추가 실험을 설계하였다. 첫 번째는 가중치가 작은 특성을 일부 제거했을 때, 두 번째는 가중치가 큰 특성을 제거했을 때의 성능 변화를 관찰한 것이다. 결과는 가중치가 큰 특성을 제거하면 성능 저하가 현저히 나타나지만, 가중치가 작은 특성을 제거해도 정확도는 크게 변하지 않음을 보여준다. 이는 제안된 방법이 특성 선택에 대한 민감도를 효과적으로 관리한다는 의미이다. 결론적으로, 본 연구는 (1) LLM과 전역 최적화 알고리즘을 결합해 파라미터 선택을 자동화, (2) 감지 범위와 혼돈 탐색을 통한 BCC의 탐색·수렴 균형을 개선, (3) 풍부한 시스템 레벨 특성을 활용해 고성능 TSA 모델을 구축함으로써 기존 머신러닝 기반 TSA 방법보다 뛰어난 정확도와 실시간 적용 가능성을 입증하였다. 향후 연구에서는 대규모 전력망, 다양한 고장 유형, 그리고 실시간 온라인 학습 환경에 대한 확장 적용이 기대된다.