그래프 신경망과 흐름 매칭을 활용한 제약 보장 DC 최적 전력 흐름 예측

초록

**
본 논문은 물리‑정보를 내재한 그래프 신경망(GNN)과 연속 흐름 매칭(CFM) 기법을 결합한 2단계 학습 프레임워크를 제안한다. 1단계에서는 전력망 토폴로지를 이용해 물리‑기반 손실함수(경제적 파견, KKT 보완조건, 전력 균형 등)로 GNN을 학습시켜 100 % 제약 만족 초기 해를 만든다. 2단계에서는 CFM을 통해 초기 해를 연속적인 벡터 필드로 정제하여 최적 비용에 근접하도록 한다. IEEE‑30버스 시스템의 5가지 부하 시나리오에서 정상 부하에서는 비용 오차 0.1 % 이하, 극한 부하에서는 3 % 이하를 달성하면서 실시간 수준의 추론 속도를 유지한다.

**

상세 분석

**
이 연구는 DC‑OPF 문제의 두 가지 핵심 난제—제약 위반과 비용 최적성—를 동시에 해결하려는 시도로서, 기존의 순수 데이터‑드리븐 접근법과 전통적인 수치 최적화 사이의 격차를 메우는 새로운 방법론을 제시한다. 첫 번째 단계에서 사용된 물리‑정보 기반 손실함수는 총 6가지 구성요소로 이루어져 있다. (1) 비용 격차 손실은 예측 비용과 최적 비용의 상대 오차를 직접 최소화하고, (2) 경제적 파견 손실은 모든 가동 중인 발전기의 한계 비용(마진) 분산을 최소화함으로써 라그랑지 승수 λ와의 일치를 강제한다. (3) KKT 보완 손실은 하한·상한에 바인딩된 발전기에 대해 라그랑지 승수와 비용 미분값의 부호 일치를 ReLU 형태로 penalize한다. (4) 전력 균형 손실은 전체 발전량과 부하량의 차이를 L2‑norm으로 최소화하고, (5) 발전기 한계 손실은 하한·상한 초과를 직접 제재한다. (6) 직접 비용 손실은 예측된 파워 플로우의 총 비용 자체를 최소화한다. 이러한 다중 손실을 단계별 커리큘럼 스케줄링(초기에는 제약 만족에 집중, 중간에는 물리적 최적성, 마지막에는 비용 최적화)과 결합함으로써 네트워크가 점진적으로 복잡한 물리적 관계를 학습하도록 설계하였다.

GNN 구조는 두 개의 Graph Convolutional Layer와 128 차원의 은닉 표현을 사용하고, 각 버스에 대한 부하 정보를 임베딩한 뒤 메시지 패싱을 수행한다. 발전기 버스에 해당하는 노드 특징을 추출해 두 층 MLP(128→64→1)로 변환, 초기 발전량 p⁽⁰⁾_g 를 출력한다. 여기서 중요한 점은 ‘소프트 클램프’와 ‘하드 프로젝션’이라는 두 종류의 투영 연산을 도입했다는 것이다. 학습 단계에서는 미분 가능하도록 온도 파라미터 τ=0.05를 가진 소프트 클램프를 사용해 제약 위반에 대한 그래디언트를 유지하고, 추론 단계에서는 반복적인 하드 프로젝션 알고리즘(Algorithm 1)을 적용해 전력 균형과 발전기 한계를 정확히 만족한다.

두 번째 단계인 CFM은 연속 정규화 흐름(CNF)의 한 형태로, 초기 해와 최적 해 사이를 선형 보간한 확률 경로 p_g(t) = (1‑t)·p⁽⁰⁾_g + t·p* _g 를 정의하고, 해당 경로의 속도 u_t = p* _g – p⁽⁰⁾_g 를 목표 벡터 필드 v_t 로 학습한다. 손실은 ‖v_t(p_g(t)) – u_t‖² 를 최소화하는 흐름 매칭 손실(L_FM)과, 비용 감소, 물리적 제약(전력 균형·한계) 위반 방지를 위한 추가 손실을 가중치 커리큘럼과 함께 결합한다. 벡터 필드 네트워크는 시간 임베딩(sin, cos 다중 주파수)과 정규화된 파워 플로우를 입력으로 하는 ResNet(256‑dim hidden) 구조이며, 출력은 스케일링을 통해 실제 발전량 변화량으로 변환된다. 추론 시에는 Euler 방법으로 30 단계 통합하고, 각 단계마다 하드 프로젝션을 적용해 제약 위반을 완전히 차단한다.

실험 결과는 IEEE‑30버스 시스템에 5가지 부하 비율(70 %130 %)을 적용했을 때, 정상 부하에서는 평균 비용 격차 0.07 % (최대 0.12 %), 극한 부하에서는 2.6 % 이하를 기록하였다. 제약 위반률은 0 %로, 기존 딥러닝 기반 OPF 방법이 종종 보이는 위반을 완전히 해소한다. 추론 시간은 약 3 ms 수준으로, 전통적인 interior‑point 솔버(수 초수십 초)와 비교해 2~3 orders of magnitude 가속을 달성한다.

이 논문의 주요 기여는 다음과 같다. (1) 전력 시스템 물리법칙과 KKT 최적성 조건을 손실에 직접 통합한 물리‑정보 GNN 설계, (2) 연속 흐름 매칭을 이용한 비용 정제 메커니즘 도입, (3) 소프트·하드 투영 연산을 결합해 학습과 추론 모두에서 제약 만족을 보장, (4) 커리큘럼 기반 다중 손실 스케줄링을 통해 학습 안정성과 성능을 동시에 향상, (5) 공개 코드와 사전 학습 모델 제공으로 재현 가능성 확보.

**