학습 강화 전력 시스템 운영 통합 최적화 프레임워크

초록

**
본 논문은 재생에너지 확대와 IBR(인버터 기반 자원) 증가로 인한 전력 시스템 운영의 불확실성을 머신러닝(ML)과 전통적 물리 기반 최적화를 동시에 고려하는 통합 프레임워크인 LAPSO(Learning‑Augmented Power System Operations)를 제안한다. LAPSO는 운영 단계에서 예측·운영·제어를 하나의 최적화 문제에 결합하고, ML 모델을 파라미터화된 제약·목표 함수로 삽입한다. 설계 지표를 통해 ML 정확도와 최적해의 최적성·계산 효율·보수성 간의 트레이드오프를 정량화하고, SCO(안정성 제약 최적화)와 OBF(목표 기반 예측) 등 기존 사례를 일관된 수학적 형태로 재해석한다. 또한 불확실성을 베이지안 관점에서 추적하고, 다단계·다레벨 학습 알고리즘을 제시한다. 마지막으로 파이썬 패키지 lapso와 pso를 공개하여 연구 재현성을 높였다.

**

상세 분석

**
LAPSO는 전력 시스템 운영을 “예측 → 운영 → 제어”라는 연속적인 의사결정 흐름으로 보고, 각 단계에서 발생하는 불확실성을 동일한 최적화 모델 안에 내재시킨다. 핵심 아이디어는 기존의 물리 기반 최적화 (P_{\text{basic}})에 학습된 함수 (v(\cdot;\theta^*))를 파라미터화된 변수 (\hat y_2) 로 삽입하고, 이를 제약 (g_v(\cdot)\le \tau)와 목적항 (f_v(\cdot))으로 제어함으로써 ML 모델이 최적화 구조를 파괴하지 않도록 보장한다. 이때 (y)를 예측 가능한 (y_2)와 예측 불가능한 (y_1) 로 구분하고, 학습 데이터 ({(x,z,y_1),y_2})를 활용해 지도학습을 수행한다.

설계 지표 삼각형(정확도, 일반화, 계산 효율·최적성·보수성)은 기존 ML 설계와 달리 “전력 시스템 최적화와의 상호작용”을 추가 차원으로 도입한다. 예를 들어, 높은 예측 정확도가 반드시 최적해의 비용 절감으로 이어지지 않을 수 있음을 보여주며, 보수적인 제약 설정이 시스템 안정성을 확보하지만 계산 복잡도를 증가시키는 트레이드오프를 정량화한다.

SCO와 OBF를 동일한 수학적 틀 안에 매핑함으로써 두 접근법 사이의 근본적인 차이를 명확히 한다. SCO에서는 ML 기반 안정성 지표를 제약식에 직접 삽입해 전통적 경제 최적화와 결합하고, OBF에서는 최적화 문제 자체를 손실 함수로 활용해 예측 모델을 역전파한다. 두 경우 모두 자동 미분과 암시적 함수 정리를 이용해 민감도 분석을 수행하고, 베이지안 불확실성 전파를 통해 최악‑사례와 확률적 위험을 동시에 평가한다.

LAPSO는 또한 다단계·다레벨 학습 알고리즘을 제안한다. 첫 단계에서는 전통적 데이터‑물리 모델을 학습하고, 두 번째 단계에서는 최적화 결과를 피드백으로 받아 ML 파라미터를 재조정한다. 이 과정은 컬럼‑제약 생성(C&CG) 기법으로 효율적으로 해결되며, 실시간 운영에 필요한 계산 시간을 크게 단축한다.

마지막으로 저자들은 두 개의 오픈소스 파이썬 패키지를 제공한다. pso는 대규모 전력 시스템 테스트베드와 시공간 데이터를 자동 생성하고, lapso는 기존 최적화 모델에 학습 가능한 컴포넌트를 삽입·관리하는 인터페이스를 제공한다. 코드와 데이터셋을 공개함으로써 연구 재현성과 확장성을 확보한다.

**