물리 정보 신경망으로 전력망 과도 안정성 평가 가속화

초록

본 논문은 계산 집약적인 전자기 과도(EMT) 시뮬레이션의 속도를 높이기 위한 새로운 프레임워크를 제안한다. 핵심 아이디어는 시뮬레이션 알고리즘 내에서 가장 계산 비용이 높은 구성 요소(예: 제어 블록)를 사전 훈련된 물리 정보 신경망(PINN)으로 대체하는 것이다. 타입-4 풍력 터빈 EMT 모델의 위상 고정 루프(PLL)를 PINN으로 모델링한 결과, PSCAD 검증을 통해 4~6배의 시뮬레이션 속도 향상을 달성했으며, 이 접근법은 모듈식이고 확장 가능한 통합을 가능하게 한다.

상세 분석

이 논문의 핵심 기술적 통찰은 기존의 모노리식(monolithic) 시뮬레이션 접근법을 탈피하여, ‘병목 현상을 식별하고 PINN으로 대체’하는 모듈식 최적화 전략을 채택했다는 점이다. 저자들은 EMT 시뮬레이션의 계산 부하가 네트워크 방정식(선형, 효율적)이 아닌 제어 시스템(비선형, 폐루프)의 해석에 집중되어 있음을 명확히 인식했다. 기존의 폐루프 제어 시스템 해법은 정확성을 위해 반복적 솔버(느림)를 사용하거나, 안정성 문제를 초래할 수 있는 시간 지연 도입(정확도 저하)을 필요로 했다.

제안된 PINN 솔루션은 이 딜레마를 근본적으로 해결한다. PINN은 비선형 폐루프 시스템의 근사적 ‘폐형 해(closed-form solution)‘를 제공하여, 각 시간 단계에서 명시적이고 순차적인 계산만으로도 정확한 출력을 산출한다. 이는 반복적 계산이나 인위적 지연을 완전히 제거함으로써 속도 향상을 이끈다. 특히 PINN의 입력 영역을 기존 블록 다이어그램의 입력과 동일하게 정의하고, 출력 레이어에 시간 단계(Δt)를 곱하여 초기 조건을 강제하는 방식은 기존 시뮬레이션 통합 체계(예: 사다리꼴 법칙)와의 호환성을 보장하는 중요한 설계 선택이다.

이러한 모듈성은 실용성 측면에서 매우 중요하다. 전체 시뮬레이션 엔진을 교체할 필요 없이, 계산 집약적인 특정 컴포넌트(본 논문에서는 PLL)만을 PINN ‘서로게이트(surrogate)‘로 교체할 수 있어 기존 상용 소프트웨어(PSCAD 등)와의 연동 및 점진적 도입이 용이하다. 또한, 한 번 광범위한 입력 범위에 대해 훈련된 PINN은 다양한 시나리오와 시스템에서 재사용 가능하여 확장성을 제공한다. 향후 연구 방향으로는 다양한 IBR 제어 블록(예: 전류 제어기, 잠금 루프)에 대한 PINN 적용 및 더 큰 시스템 규모에서의 성능 검증이 자연스럽게 제기될 수 있다.