GPU 기반 AC OPF 모델링을 위한 ExaModelsPower.jl: 고성능 비선형 최적화 라이브러리

초록

ExaModelsPower.jl은 Julia 기반의 오픈소스 라이브러리로, AC 최적 전력 흐름(AC‑OPF) 문제를 GPU에서 완전히 실행할 수 있는 비선형 NLP 모델로 자동 변환한다. ExaModels.jl의 SIMD 추상화와 자동 미분을 활용해 목적식·제약식·Jacobian·Hessian에 대한 GPU 커널을 자동 생성하며, 다시간 단계·보안 제약을 포함한 대규모 사례에서도 2 order‑of‑magnitude 수준의 속도 향상을 보인다.

상세 분석

본 논문은 전력계통 최적화 분야에서 GPU 활용을 실현하기 위한 모델링 프레임워크인 ExaModelsPower.jl을 제안한다. 핵심은 기존의 고수준 모델링 인터페이스(예: PowerModels.jl, MATPOWER)와 달리, 모델을 정의하는 순간 자동으로 GPU 친화적인 콜백 함수(목적함수, gradient, Jacobian, Hessian)를 생성한다는 점이다. 이를 가능하게 하는 기반 기술은 ExaModels.jl의 SIMD 추상화이며, 모델 방정식을 “Generator” 형태로 표현해 각 항을 독립적으로 평가·미분하도록 설계한다. 역방향 자동미분을 각 항에 적용하고, 결과를 집계해 전체 스파스 구조를 자동 탐지한다. 이러한 설계는 데이터와 연산이 GPU 메모리 내에 머무르게 하여 호스트‑디바이스 간 전송 오버헤드를 최소화한다.

라이브러리는 정적 AC‑OPF, 다시간 단계(OPF with storage), 보안 제약(OPF‑SC) 등 네 가지 주요 모델을 제공한다. 변수 선언은 variable(core, N; start=…, lvar=…, uvar=…) 형태이며, 제약식과 목적식은 constraint(core, … for i …)와 objective(core, … for i …) 로 간결하게 기술된다. 백엔드 인자를 통해 CPU 혹은 CUDA/AMD GPU를 선택할 수 있으며, 생성된 ExaModel 객체는 NLPModels.jl 인터페이스를 구현하므로 MadNLP, Ipopt, KNITRO 등 기존 NLP 솔버와 바로 연동된다.

성능 평가에서는 20 k 변수 이상, 허용 오차 1e‑4 수준의 대규모 테스트케이스에서 GPU 솔버가 CPU 기반 솔버 대비 최대 100배 가속을 달성했다. 반면, 변수 수가 적거나 더 엄격한 수렴 기준(1e‑6 이하)에서는 GPU 가속 효과가 감소하거나 오히려 성능 저하가 관찰되었다. 이는 현재 GPU용 선형 솔버와 스파스 AD 구현의 한계가 남아 있음을 시사한다. 또한, ExaGo와 같은 기존 GPU‑OPF 프레임워크와 비교했을 때, ExaModelsPower.jl은 완전 GPU‑resident 모델링을 지원한다는 차별점을 갖는다.

논문은 또한 머신러닝 기반 OPF 프록시와의 연계 가능성을 언급하면서, 대규모 데이터셋(pglib‑opf) 전체에 대한 학습·검증 파이프라인 구축을 위한 기반으로 활용될 수 있음을 제시한다. 전체적으로 모델링 편의성, 자동 GPU 커널 생성, 다중 백엔드 지원이라는 세 축을 균형 있게 구현함으로써, 전력계통 연구자와 실무자가 GPU 가속 최적화를 손쉽게 도입하도록 돕는다.