동적 전력계통 주파수 응답을 위한 순열 등변 학습 기반 실시간 보안 평가

초록

본 논문은 시스템 고유 모드와 고유벡터를 활용한 모달 기반 주파수 응답 모델에 딥셋스(Deep Sets) 영감을 받은 순열 등변 신경망을 결합하여, 실시간으로 전력계통의 주파수 나디어와 발생 시점을 정확히 예측하는 하이브리드 모델‑AI 프레임워크를 제안한다. 사전 계산된 모달 구조를 재사용하고 교란별 복소 모달 계수만을 신경망으로 추정함으로써, 대규모 IEEE 39‑bus와 118‑bus 시스템에서 기존 데이터‑주도 방법보다 높은 정확도와 계산 효율성을 입증한다.

상세 분석

이 연구는 전통적인 동적 보안 평가(DSA)가 온라인·오프라인으로 구분되는 한계점을 인식하고, 주파수 안정성을 사전 예측 가능한 형태로 전환하려는 시도이다. 핵심은 시스템 선형화 후 얻어지는 축소 야코비안 Aₛ의 고유값·고유벡터를 이용해 주파수 응답을 복소 지수함수의 합으로 표현하는 모달 기반 SFR 모델이다. 이 모델은 고유값 집합 Λₘ이 단위 커밋(unit commitment) 변화에 대해 거의 불변임을 보이며, 따라서 Λₘ을 오프라인에서 미리 계산해 데이터베이스화할 수 있다. 반면 교란별 초기 상태 Δx₀와 단위 커밋에 따라 달라지는 복소 모달 계수 γᵢ는 매 교란마다 재계산이 필요하다. 기존 방법은 Δx₀를 직접 계산하고 식(11)을 적용해 γᵢ를 구했지만, 이는 실시간성에 제약이 된다.

논문은 이러한 계산 병목을 딥셋스 구조의 신경망으로 대체한다. 딥셋스는 입력이 순열에 무관한 집합일 때 동일한 출력(순열 등변성)을 보장하도록 설계된 모델로, 교란 집합 X를 가변 길이의 unordered set으로 취급한다. 네트워크는 각 교란에 대한 특징(교란 규모, 유형, 대상 인덱스)과 전역 시스템 상태(단위 커밋, 사전 고정된 Λₘ)를 입력받아, 교란별 복소 모달 계수 벡터 ˆγᵢ를 직접 예측한다. 학습 단계에서는 대규모 시뮬레이션 데이터를 이용해 실제 γᵢ와 ˆγᵢ 사이의 L2 손실을 최소화한다. 결과적으로, 실시간 평가 단계에서는 복잡한 선형 방정식 풀이 없이 신경망 한 번 호출만으로 모든 교란에 대한 γᵢ를 얻을 수 있다.

예측된 γᵢ를 식(10)에 대입하면 주파수 응답 Δω₍ₜ₎가 즉시 계산되고, 다항식 근사와 미분을 통해 나디어 시점 tₙₐₙᵢᵣ와 나디어 크기 fₙₐₙᵢᵣ를 구한다. 이 과정은 전통적인 시간 영역 시뮬레이션에 비해 수십 배 빠르며, 고정된 Λₘ과 재학습 없는 신경망으로도 다양한 부하·발전 조건에 대해 높은 일반화 성능을 보인다.

실험에서는 IEEE 39‑bus와 118‑bus 시스템에 대해 10⁴개 이상의 교란 시나리오를 생성, 기존 데이터‑주도 딥러닝 모델과 전통적인 해석법을 비교하였다. 제안 방법은 평균 절대 오차가 0.02 Hz 이하로, 기존 모델 대비 5배 이상 빠른 추론 시간을 기록했다. 또한, PMU와 같은 광범위한 실시간 측정 장비가 필요 없으며, 단위 커밋 정보만으로도 충분히 정확한 예측이 가능함을 입증하였다.

이러한 설계는 모달 기반 물리 모델의 해석 가능성을 유지하면서, 딥러닝의 고속 추론 능력을 활용한다는 점에서 하이브리드 AI‑물리 모델링의 좋은 사례가 된다. 특히 순열 등변 학습을 통해 교란 집합의 크기와 순서에 무관하게 일관된 성능을 제공한다는 점은 전력계통과 같이 규모가 크고 교란 유형이 다양하게 발생하는 시스템에 매우 유용하다.