고위험 N‑k 사고 생성 및 보장 기반 전력망 안전 평가

초록

본 논문은 전력계통의 고위험 N‑k 사고를 전통적인 전수조사 없이 현재 운영 상태에 맞춰 직접 생성하는 프레임워크를 제안한다. 조건부 확산 모델을 이용해 심각도 상위 꼬리 분포를 샘플링하고, 토폴로지‑인식 그래프 신경망(EVGNN)으로 사전 위험 점수를 부여한다. 이를 통해 제한된 AC 전력 흐름 계산 예산 하에서도 중요한 사고를 높은 확률로 포착하고, 사용자가 지정한 위험 허용도에 따라 커버리지 보장을 제공한다. IEEE 14‑, 39‑, 57‑, 118‑버스 시스템 실험에서 동일 예산 대비 균일 샘플링보다 높은 심각도 사고를 더 많이 발견함을 입증한다.

상세 분석

이 연구는 전력망 보안 평가에서 N‑k 사고 분석이 계산적으로 불가능해지는 문제를 근본적으로 재구성한다. 기존 방법은 AC 전력 흐름이나 ACOPF를 모든 조합에 적용하거나, LODF·다중감도와 같은 휴리스틱 지표로 사전 선별한다. 그러나 이러한 접근은 여전히 수백만 개의 조합을 평가해야 하며, 심각한 사고를 놓칠 확률을 정량화하기 어렵다. 논문은 “사고 자체를 생성한다”는 관점으로 전환한다. 먼저, 베이스 케이스와 N‑1 결과만을 이용해 토폴로지‑인식 EVGNN을 학습한다. EVGNN은 버스‑브랜치 그래프 구조와 전압·전류 흐름 정보를 통합해, 다중 라인 차단 패턴에 대한 위험 점수를 빠르게 추정한다. 이 점수는 대규모 오프라인 시뮬레이션에서 상위 위험 사고를 샘플링하는 데 사용되어, 확산 모델의 학습 데이터로 활용된다.

조건부 확산 모델은 현재 시스템 상태(부하, 발전량, 전압 등)를 조건으로 받아, 사고 확률 분포의 꼬리 영역을 점진적으로 탐색한다. 확산 과정은 노이즈를 점차 제거하면서 고위험 사고 후보를 생성하므로, 희귀하지만 운영에 치명적인 조합을 효율적으로 복원한다. 또한, 모델은 사후에 95 % 분위수와 같은 확률 임계값을 설정해, 지정된 평가 예산 내에서 “중요 사고를 놓칠 확률 ≤ ε”라는 형식의 커버리지 보장을 제공한다.

이론적 분석에서는 생성된 상위 m 사고가 실제 최악 사고를 포함할 확률을 바운딩하고, EVGNN의 일반화 능력이 단일 라인 차단에서 다중 라인 차단으로 확장되는 근거를 제시한다. 실험 결과는 IEEE 14‑bus에서 N‑3, 39‑bus에서 N‑4 등 다양한 k값에 대해, 동일 AC 흐름 계산 횟수(예산) 대비 평균 심각도 점수가 20 %~35 % 향상됨을 보여준다. 특히, 고부하·고재생 상황에서 기존 휴리스틱 방법이 놓치기 쉬운 복합 사고를 높은 재현율로 포착한다는 점이 강조된다.

이러한 접근은 (1) 사전 학습 비용이 베이스·N‑1 데이터만으로 충분히 낮음, (2) 온라인 단계에서 AC 흐름 계산 없이 위험 후보를 즉시 제공, (3) 운영자가 위험 허용도와 계산 자원을 명시적으로 trade‑off 할 수 있는 실용적 프레임워크를 제공한다는 장점을 가진다.