효율적인 전압 제어를 위한 토폴로지 변화 적응 정책

초록

본 논문은 배전망의 토폴로지 변동과 부하 변화를 실시간으로 감지하고, 전압‑무효 전력 민감도 행렬을 빠르게 업데이트하여 사전 학습된 강화학습(RL) 기반 전압 제어 정책을 즉시 적응시키는 프레임워크를 제안한다. 라디얼 구조와 토폴로지 스위칭의 희소성을 활용해 15개의 측정 데이터만으로 90% 이상의 라인 식별 정확도를 달성했으며, IEEE‑13버스와 SCE‑56버스 시뮬레이션에서 비적응 정책 대비 전압 조정 비용을 크게 감소시켰다.

상세 분석

이 연구는 배전망 전압 제어에 강화학습(RL) 정책을 적용하면서, 실제 운영 중 발생하는 토폴로지 재구성에 대한 적응 메커니즘이 부재한 기존 접근법의 한계를 극복한다. 핵심 아이디어는 두 단계로 구성된다. 첫째, 라디얼 배전망의 트리 구조와 토폴로지 변동이 동시에 몇 개의 라인에만 영향을 미친다는 ‘희소성 가정’에 기반해, 실시간 전압·제어 입력 데이터를 이용해 변화 감지와 라인 식별을 수행한다. 논문은 선형화된 DistFlow 모델을 이용해 전압 변화 ˜vₜ와 제어 입력 uₜ 사이의 관계 ˜vₜ₊₁ = Xₚ uₜ 를 도출하고, 사전 토폴로지 행렬 Xₜ₋₁ 로 예측한 전압 변화와 실제 측정값의 차이 eₜ를 오류 지표로 정의한다. eₜ가 0이 아니면 토폴로지 또는 부하 변화가 발생했음을 의미하고, eₜ₊₁의 존재 여부로 두 변화를 구분한다. 이 검출 기준은 수학적으로 증명되며, 실제 비선형 DistFlow 시뮬레이션에서도 강인성을 보인다.

두 번째 단계는 감지된 토폴로지 변화를 바탕으로 영향을 받은 라인만을 재추정하는 ‘부분 민감도 업데이트’이다. 전체 민감도 행렬을 다시 계산하는 대신, 변경된 라인에 해당하는 경로 행렬만 수정함으로써 계산 복잡도를 크게 낮춘다. 이렇게 얻은 최신 Xₚ는 온라인 정책 최적화에 바로 투입된다. 정책 최적화는 사전 학습된 신경망 기반 RL 정책 π(v,θ)의 파라미터 θ를 실시간 비용 함수 J(θ)=∑ₜ hₜ (전압 편차와 무효 전력 비용) 최소화 방향으로 경사 하강법 형태로 업데이트한다. 여기서 hₜ는 최신 민감도 행렬을 이용해 계산된 상태‑액션 연관량이며, 정책 파라미터는 매 타임스텝마다 소량의 데이터만으로도 점진적으로 조정된다.

실험 결과는 두 가지 배전망 모델에서 검증되었다. IEEE‑13버스에서는 15개의 데이터 포인트만으로 90% 이상의 라인 식별 정확도를 달성했으며, SCE‑56버스에서는 토폴로지 변동 후 정책 적응을 통해 전압 규제 비용을 25% 감소시켰다. 또한, 전체 민감도 행렬을 재계산할 때 대비해 75% 정도의 추정 오차 감소 효과를 보였다. 비교 대상인 비적응 RL 정책과 회귀 기반 온라인 민감도 추정 방법에 비해 제안 방법은 적응 속도와 정확도 모두에서 우수함을 입증한다.

이 논문의 주요 기여는 (1) 라디얼 배전망의 구조적 특성을 활용한 경량 토폴로지 변화 감지·식별 알고리즘, (2) 부분 민감도 행렬 업데이트를 통한 실시간 정책 적응 프레임워크, (3) 실제 대규모 배전망 시뮬레이션을 통한 성능 검증이다. 특히, 제한된 측정 인프라와 빠른 제어 요구 사항을 동시에 만족시키는 점이 실무 적용 가능성을 크게 높인다. 향후 연구에서는 다중‑상(three‑phase) 비균형 시스템, PMU가 아닌 저비용 전압 센서를 활용한 확장, 그리고 정책 안정성 보장을 위한 이론적 수렴 분석을 추가로 진행할 여지가 있다.