베이지안 계층 모델을 활용한 비균형 3상 전력망 합성 생성 기술

초록

본 논문은 실제 전력망 데이터의 접근 제한을 극복하고자, 기존 전력망 데이터를 학습해 비균형 3상 배전망을 자동으로 생성하는 베이지안 계층 모델(BHM)을 제안한다. 입력으로 토폴로지와 집합 수요를 받아, 위상별 부하 비율·활성·무효 전력을 확률적으로 샘플링한다. SMART‑DS 데이터를 기반으로 모델을 학습한 뒤, 유럽 906버스와 IEEE‑123버스 시스템에 전이 학습을 적용해 MAPE 8% 이하, 샘플당 3.1 초의 빠른 생성 속도를 달성하였다.

상세 분석

이 연구는 전력 배전망 시뮬레이션에 필요한 고품질 합성 데이터를 제공하기 위해 베이지안 계층 모델(BHM)을 설계하였다. 모델은 크게 네 단계로 구성된다. 첫 번째 단계에서는 실제 데이터(예: SMART‑DS)에서 3상 부하 존재 확률 p₃Φ(d)와 단상 부하의 위상 선택 확률 pΦ(A/B/C), 각 위상의 평균·표준편차 (μΦ, σΦ), 그리고 3상 부하의 위상 비율 rΦ(A/B/C)를 추정한다. 여기서 p₃Φ(d)는 부하와 피더 사이의 정규화 거리 d에 대한 함수로, 거리 증가에 따라 3상 부하 비율이 감소하는 현상을 정량화한다.

두 번째 단계에서는 이러한 확률들을 베이지안 계층 구조에 매핑한다. 부하 유형(단상/3상)은 베르누이 분포 c₃Φ ~ Bernoulli(p₃Φ(d))로 모델링하고, 단상 부하의 위상 선택은 카테고리 분포 cΦ ~ Categorical(pΦ(A),pΦ(B),pΦ(C))로, 3상 부하의 위상 비율은 디리클레 분포 rΦ(A),rΦ(B),rΦ(C) ~ Dirichlet(·)로 정의한다. 활성 전력은 각 위상별로 절단 정규분포 TruncatedNormal(μΦ,σΦ) 를 사용해 양수값만 허용한다. 이러한 계층적 구조는 상위 레벨(부하 유형·위상 선택)과 하위 레벨(전력값) 간의 의존성을 명시적으로 표현함으로써, 실제 전력망의 복합적인 불균형 특성을 재현한다.

세 번째 단계에서는 추정된 파라미터를 이용해 샘플링을 수행한다. 알고리즘 2는 부하가 3상인지 단상인지에 따라 전력 할당 방식을 다르게 적용한다. 3상 부하는 rΦ 비율에 따라 각 위상에 전력을 분배하고, 단상 부하는 선택된 위상에만 전력을 할당한다. 무효 전력 Q는 전력인자(PF) = {0.85,0.90,0.95} 중 하나를 무작위로 선택해 tan(arccos(PF))를 곱해 계산한다.

마지막으로 위상 일관성(phase consistency)을 보장하기 위해 알고리즘 3이 적용된다. 이는 트리 구조에서 하위 노드가 선택한 위상이 상위 경로 전체에 동일하게 존재하도록 강제하는 규칙 기반 절차이며, 기존 연구에서 제시된 MILP 기반 방법보다 구현이 간단하면서도 실용적이다.

실험 결과는 세 가지 측면에서 검증된다. (1) SMART‑DS 데이터를 이용한 파라미터 추정에서는 p₃Φ(d)가 거리와 반비례하고, 3상 부하의 위상 비율이 거의 균등(≈1/3)함을 확인했다. (2) 사용자 정의 입력(균형·비균형 시나리오)으로 1,000개 샘플을 생성했을 때, 평균값과 최빈값이 입력값과 일치하며, MAPE가 8% 이하로 낮아 실제 부하 분포를 잘 재현한다. (3) 전이 학습 실험에서는 미국 기반 SMART‑DS 모델을 유럽 저압망과 IEEE‑123망에 적용했으며, 실제 데이터와 비교했을 때 전압·전류·전력 손실 등 주요 지표에서 오차가 미미했다. 모델 학습 시간은 20.4 초, 샘플당 생성 시간은 3.1 초로, 대규모 시스템에도 실시간에 가까운 속도를 제공한다.

이 논문의 주요 기여는 (i) 비균형 3상 배전망을 확률적으로 모델링한 베이지안 계층 구조, (ii) 거리 기반 3상 부하 확률 함수와 위상 비율을 데이터 기반으로 추정한 방법, (iii) 전이 학습을 통한 다양한 규모·지역 시스템에 대한 합성 데이터 생성 가능성, (iv) 빠른 샘플링과 규칙 기반 위상 일관성 보장을 결합한 실용적 프레임워크이다. 한계점으로는 디리클레 파라미터가 실제 부하 비율에 따라 민감하게 변할 수 있어, 극단적인 비균형 상황에서는 추가적인 사전 지식이 필요할 수 있다는 점과, 현재는 정적 부하만을 다루어 동적·시간 연속 부하 모델링이 미흡하다는 점을 들 수 있다. 향후 연구에서는 시간‑연속 부하 프로파일, 재생에너지 분산, 그리고 고장 시나리오에 대한 확률적 모델링을 확장할 계획이다.