딥러닝 기반 주파수 제약 최적 전력 흐름

초록

본 논문은 시스템 주파수 보안을 위해 RoCoF와 주파수 나디어(FN)를 실시간 최적 전력 흐름(FCOPF)에 직접 반영하는 방법을 제안한다. 고충실도 EMT 시뮬레이션으로 만든 데이터셋을 이용해 DNN 기반 주파수 예측 모델(DNN‑FP)을 학습하고, 이를 MILP 형태로 변환해 FCOPF에 제약식으로 삽입한다. 기존 선형화 모델과 비교해 계산 속도와 정확도 모두 향상됨을 PSCAD/EMTDC 시뮬레이션으로 검증한다.

상세 분석

이 연구는 전통적인 주파수 제약 최적 전력 흐름(FCOPF)에서 가장 큰 난관인 비선형 미분‑대수 방정식(DAE) 기반 주파수 동역학 모델을 대체할 수 있는 딥러닝 접근법을 제시한다. 저자들은 먼저 발전기 출력과 부하 수요를 입력으로, RoCoF와 FN을 출력으로 하는 완전 연결 신경망을 설계하였다. 핵심은 고해상도 EMT 시뮬레이션(PSCAD/EMTDC)으로부터 수천 개의 시나리오를 생성해 학습 데이터셋을 구축한 점이다. 이 과정에서 각 시뮬레이션은 발전기 트립 위치, 부하 수준, 초기 출력 등 다양한 운영 조건을 변동시켜 다중 거버너 동역학을 포괄한다. 학습된 DNN은 ReLU 활성화와 다중 은닉층을 사용해 비선형 매핑을 정확히 포착했으며, 테스트 셋에서 평균 절대 오차가 수십 밀리헐츠 수준으로 매우 낮았다.

다음 단계는 DNN을 MILP 형태로 변환하는데, 이는 기존 연구에서 제시된 “piecewise‑linear approximation” 기법을 활용한다. 각 뉴런의 활성화 구간을 이진 변수와 큰‑M 제약식으로 표현함으로써, 원래 비선형 DNN를 선형 제약식 집합으로 전환한다. 이렇게 얻어진 MILP 제약은 기존 OPF 모델에 그대로 삽입될 수 있어, 전체 최적화 문제는 표준 혼합정수선형계획(MILP) 형태를 유지한다. 따라서 상용 MILP 솔버를 이용해 실시간 수준의 계산이 가능해진다.

성능 평가에서는 9‑bus와 39‑bus 테스트 시스템을 대상으로 세 가지 모델을 비교하였다. 첫 번째는 주파수 제약이 전혀 없는 전통적 OPF(T‑OPF), 두 번째는 RoCoF와 FN을 각각 선형식으로 근사한 L‑FCOPF, 마지막이 제안된 DNN‑FCOPF이다. 시뮬레이션 결과, L‑FCOPF는 FN을 과소평가해 보호 동작을 초과하는 경우가 빈번했으며, RoCoF 제약 역시 보수적인 상한값을 사용해 비용이 상승했다. 반면 DNN‑FCOPF는 실제 EMT 시뮬레이션과 거의 일치하는 FN·RoCoF 값을 제공하면서도, 계산 시간은 T‑OPF와 비슷한 수준으로 유지되었다. 특히, 고부하·고출력 상황에서 DNN‑FCOPF는 비용 절감 3~5%와 동시에 주파수 보안 위반을 0%로 만든 점이 주목할 만하다.

이 논문의 주요 기여는 (1) 고충실도 EMT 데이터를 활용한 DNN‑FP 구축, (2) DNN을 MILP 제약으로 변환해 기존 OPF에 무리 없이 통합, (3) 실제 전력계통 시뮬레이션을 통한 정확도·효율성 검증이다. 다만, DNN을 MILP로 변환할 때 발생하는 이진 변수 수가 시스템 규모에 따라 급증할 가능성이 있어, 대규모 전력망 적용 시 추가적인 차원 축소 기법이나 고급 분해 알고리즘이 필요할 것으로 보인다. 또한, 학습 데이터가 특정 시뮬레이션 환경(PSCAD)과 파라미터에 의존하므로, 다른 시뮬레이터나 실제 계통 데이터에 대한 일반화 검증이 향후 과제로 남는다.