계층형 공동 최적화 프레임워크를 통한 컴퓨팅 파워 네트워크 작업 스케줄링 및 전력 디스패치

초록

본 논문은 대규모 AI·데이터 중심 서비스의 에너지 문제와 재생에너지 변동성을 동시에 해결하기 위해, 하루 전 사전 계획 단계와 실시간 운영 단계를 결합한 두 단계 공동 최적화(TSCO) 체계를 제안한다. 하루 전 단계에서는 Benders 분해를 이용해 확률적 발전기 계획을 수행하고, 실시간 단계에서는 딥 강화학습(DRL) 기반의 CPN 작업 스케줄러가 전력 가격·탄소 강도에 따라 탄소‑친화적 결정을 내린다. 시뮬레이션 결과, 탄소 배출 16.2 % 감소, 운영비 12.7 % 절감, 재생에너지 차단 60 % 이상 감소, 작업 성공률 98.5 % 및 평균 지연 12.3 s 달성하였다.

상세 분석

본 연구는 컴퓨팅 파워 네트워크(CPN)와 전력 시스템을 하나의 최적화 대상으로 통합하는 최초 수준의 시도 중 하나로, 두 도메인의 물리적 제약과 stochastic 특성을 동시에 고려한다는 점에서 학술적·실용적 의의가 크다. 먼저, CPN 노드의 전력 소비를 하드웨어별 비선형(이차) 모델로 정밀히 표현하고, 작업을 DAG 형태로 모델링함으로써 종속성·자원 요구조건을 수학적으로 포착한다. 전력 시스템 측면에서는 전통적 열발전기, 풍·태양 등 확률적 재생에너지, 배터리 ESS를 포함한 통합 운영 모델을 구축하고, 전력 가격·탄소 강도 시계열을 외생 변수로 두지 않고, CPN의 부하 변동이 이들 변수에 역피드백한다는 가정을 반영한다.

문제는 크게 두 단계로 분할된다. 하루 전 단계는 확률적 단위 커밋(SUC) 문제로, 이산형 발전기 가동·정지 결정과 연속형 디스패치를 분리하기 위해 Benders 분해를 적용한다. 마스터 문제는 이산형 커밋 변수만을 다루고, 서브문제는 각 시나리오별 연속형 디스패치를 해결한다. 이 구조는 시나리오 수가 수백에 달해도 계산 시간을 크게 줄여 대규모 전력망에도 적용 가능하게 만든다.

실시간 단계에서는 전력 시스템이 제공하는 실시간 전력 가격·탄소 강도 정보를 상태로 받아, DRL 에이전트가 작업 할당·시작 시점을 동적으로 결정한다. 정책은 정책 그래디언트 기반의 Actor‑Critic 구조를 사용하며, 보상 함수는 (1) 작업 성공률·지연 최소화, (2) 전력 비용·탄소 배출량 감소, (3) 재생에너지 활용 극대화를 동시에 반영한다. 이렇게 하면 전통적인 최적화가 다루기 어려운 고차원·비선형·불확실성 문제를 모델‑프리 방식으로 해결하면서도, 전력 시스템의 물리적 제약을 위반하지 않도록 Benders‑derived 라그랑주 승수를 보상에 포함시켜 안전성을 확보한다.

실험에서는 118버스 IEEE 전력망과 20개의 CPN 노드를 연계한 시나리오를 구성했으며, 베이스라인으로는 (i) 전력 시스템만 최적화하고 CPN을 고정, (ii) CPN만 탄소‑인식 스케줄링을 적용한 경우, (iii) 기존 연구