저관성 전력망을 위한 차분가능 모델링: SMIB 시스템에서 PINN·NODE·DP 비교 분석

초록

본 논문은 저관성 전력망의 안정적 제어를 위해 SMIB(단일 기계 무한버스) 모델을 대상으로 물리‑정보 신경망(PINN), 신경형 상미분방정식(NODE), 차분가능 프로그래밍(DP) 세 가지 차분가능 학습 프레임워크를 체계적으로 비교한다. 예측 외삽, 파라미터 식별, LQR 제어 설계 측면에서 NODE는 벡터필드를 직접 학습해 장기 외삽에 강점을 보이며, PINN은 시간‑의존 솔루션 맵에 머물러 일반화가 제한된다. DP는 물리 방정식을 하드 제약으로 삽입해 파라미터 수렴 속도가 가장 빠르고, 제어 설계 시 얻은 피드백 이득이 이론적 최적에 근접한다. 결과적으로 저관성 그리드에서 물리적 민감도와 제어 안정성을 확보하려면 DP가 가장 적합하다는 결론을 제시한다.

상세 분석

본 연구는 저관성 전력계통에서 요구되는 ‘정확한 상태 예측’과 ‘물리적으로 일관된 민감도(야코비안)’를 동시에 제공할 수 있는 차분가능 모델링 기법을 탐구한다. SMIB 시스템을 기준으로 세 가지 접근법을 구현했는데, 첫째 PINN은 시간 t를 입력으로 받아 상태 x(t)를 직접 출력한다. 물리 방정식 잔차를 손실에 포함시키는 소프트 제약 방식은 데이터가 충분히 풍부할 때는 괜찮지만, 시간‑의존 솔루션 맵을 학습하기 때문에 외삽 구간에서 벡터필드 자체를 재현하지 못한다. 둘째 NODE는 상태 x를 입력으로 받아 미분값 ẋ=ƒ̂(x;θ)를 학습한다. 이때 ẋ을 직접 파라미터화함으로써 근본적인 동적 구조를 포착하고, 수치 적분을 통해 장기 궤적을 생성한다. 따라서 물리적 구조가 알려지지 않은 경우에도 데이터‑드리븐 서러게이트로 활용 가능하지만, 파라미터 식별이나 제어 설계에 필요한 물리적 해석 가능성은 제한된다. 셋째 DP는 전통적인 ODE 솔버를 미분가능 레이어로 감싸고, 물리 방정식을 하드 제약으로 삽입한다. 자동 미분을 통해 정확한 야코비안과 파라미터에 대한 그래디언트를 얻을 수 있어, 파라미터 추정 시 수렴 속도가 크게 향상되고, LQR 설계에 필요한 선형화 행렬 A, B를 직접 계산한다. 실험 결과는 다음과 같다. (1) 외삽 정확도: NODE > DP ≈ PINN(제한적). (2) 파라미터 식별: DP가 가장 빠른 수렴을 보이며, PINN도 정확히 복원하지만 학습 시간이 오래 걸린다. (3) 제어 성능: DP 기반 LQR은 이론적 최적 이득과 거의 동일한 폐루프 안정성을 제공하고, NODE는 파라미터가 없으므로 근사 제어기로서 활용 가능하지만 안정성 마진이 감소한다. 또한, 노이즈와 관측 제한이 있는 상황에서도 DP는 강인한 성능을 유지한다. 이러한 결과는 저관성 그리드에서 ‘물리적 일관성’과 ‘학습 유연성’ 사이의 트레이드오프를 명확히 보여준다. DP는 물리적 제약을 강제함으로써 모델의 해석 가능성과 제어 적용성을 동시에 확보하고, NODE는 물리식이 불명확한 경우 데이터‑드리븐 서러게이트로 유용하다.