On Approximating the Dynamic Response of Synchronous Generators via Operator Learning: A Step Towards Building Deep Operator-based Power Grid Simulators

본 논문은 전력망 시뮬레이터로의 통합을 위해 동기 발전기의 동적 과도 응답을 정확하게 근사하고 시뮬레이션하고자 잔차 학습(residual learning)과 데이터 집계 전략으로 강화된 딥 오퍼레이터 네트워크(DeepONet) 프레임워크를 제안한다.

핵심

전력망을 거대하고 복잡한 오케스트라라고 상상해 보십시오. 이 오케스트라에서 동기 발전기(전기를 만들기 위해 회전하는 거대한 기계들)는 주선율을 연주하는 핵심 연주자들입니다. 음악이 끊기지 않고 매끄럽게 연주되도록 하기 위해, 특히 갑작스러운 "소음"이나 교란(폭풍이나 전선 단선 등)이 발생했을 때, 엔지니어들은 이 연주자들이 다음 몇 초 동안 어떻게 반응할지를 정확하게 예측해야 합니다.

전통적으로 이러한 반응을 예측하는 것은 슈퍼컴퓨터를 사용하여 허리케인 속의 모든 입자의 궤적을 계산하려는 것과 같습니다. 매우 정확하지만, 실시간 의사결정을 하기에는 너무 많은 시간과 계산 능력이 소요되어 너무 느린 경우가 많습니다.

이 논문은 **딥 오퍼레이터 러닝(DeepONet)**이라는 유형의 인공지능을 사용하여 이러한 예측을 수행하는 새로운 방법을 제안합니다. 저자들의 접근 방식은 다음과 같이 간단한 개념으로 나누어 설명할 수 있습니다.

1. "스마트 예측기" (DeepONet)

매번 복잡한 물리 방정식을 처음부터 풀려고 하는 대신, 저자들은 특수한 AI가 악보를 읽는 법을 배우도록 훈련시켰습니다.

• 기존 방식: 만약 AI에게 "다음에 무슨 일이 일어날까?"라고 묻는다면, 보통은 다음 음표를 추측하기 위해 전체 미래 악보를 다 봐야 합니다. 하지만 미래를 알 수 없는 상황에서는 실시간 예측에 적합하지 않습니다.
• 새로운 방식: 저자들은 "로컬(local)" 예측기를 구축했습니다. 마치 마지막 몇 개의 음표와 현재의 리듬만 듣고도 다음 몇 초간의 멜로디를 완벽하게 예측하는 연주자를 상상해 보십시오. 이 AI는 발전기의 현재 상태와 현재 받고 있는 즉각적인 전기 신호를 살펴본 뒤, 짧은 시간 범위 내의 미래 상태를 예측합니다. 미래 전체를 알 필요는 없습니다. 그저 "지금"과 "방금 일어난 일"만 있으면 됩니다.

2. "재귀적 단계" (연쇄 반응)

AI가 짧은 시간 범위(예: 5초)만 예측한다면, 어떻게 한 시간을 예측할 수 있을까요?

• 비유: 이것은 징검다리를 건너 강을 건너는 것과 같습니다. AI는 다음 징검다리(다음 5초)를 예측합니다. 일단 그곳에 착지하면, 그 새로운 지점을 시작점으로 삼아 다음 5초를 예측합니다. 이 과정을 반복하며 앞으로 나아가며 긴 여정을 시뮬레이션합니다.
• 혁신: 저자들은 이 '홉핑(hopping)' 과정이 자동으로, 그리고 효율적으로 이루어지도록 설계하여, 시뮬레이션이 오류를 쌓아 올려 물에 빠지는 일이 없도록 정확성을 유지했습니다.

3. "하이브리드 코치" (Residual DeepONet)

때때로 우리는 이미 발전기가 작동하는 방식에 대한 대략적인 매뉴얼이나 단순화된 교과서 모델을 가지고 있지만, 그것이 완벽하지는 않습니다.

• 비유: 자전거 타기를 배우고 있다고 상상해 보십시오. 당신에게는 균형을 잡는 법을 알려주는 매뉴얼(수학 모델)이 있지만, 약간 구식일 수 있습니다. 매뉴얼을 무시하는 대신, 당신은 코치(AI)를 고용합니다. 이 코치의 유일한 임무는 매뉴얼이 틀린 부분을 알려주는 것입니다.
• 작동 방식: 시스템은 먼저 대략적인 매뉴얼을 실행합니다. 그런 다음, AI는 매뉴얼이 예측한 결과와 실제로 일어난 일 사이의 "차이(residual)"를 계산합니다. 최종 예측값은 [매뉴얼의 예측]에 [AI의 수정 사항]을 더한 값이 됩니다. 이를 통해 기존의 공학적 지식을 활용하면서도 데이터로부터 복잡한 실제 세부 사항을 학습할 수 있습니다.

4. "연습 게임" (DAgger 알고리즘)

AI의 흔한 문제 중 하나는 특정 사례들로 훈련되었지만, 실제 세상에 나갔을 때 본 적 없는 상황에 직면한다는 것입니다. 이로 인해 실수를 하게 되고, 그 실수가 다시 더 큰 실수로 이어져 결국 실패하게 됩니다.

• 비유: 완벽한 날씨에서만 비행 연습을 한 학생 조종사를 상상해 보십시오. 만약 갑자기 폭풍우 속으로 보내진다면, 그는 당황할 수 있습니다.
• 해결책: 저자들은 DAgger(데이터 집계)라고 불리는 전략을 사용했습니다. 이것은 마치 "좋아요, 당신이 비행기를 조종했고 예상치 못한 이상한 위치에 도달했군요. 그 이상한 지점을 가져와서, 거기서 실제로 어떤 일이 일어났어야 했는지 시뮬레이션해 봅시다. 그리고 그 데이터를 당신의 훈련 매뉴얼에 추가하겠습니다"라고 말하는 비행 시뮬레이터와 같습니다.
• AI는 시뮬레이션을 실행하고, 경로에서 벗어난 지점을 확인한 뒤, 그 "벗어난" 데이터를 수집하여 다시 훈련합니다. 이 루프를 반복함으로써, AI는 실제 환경에서 마주칠 가능성이 높은 구체적인 상황들을 스스로 다루는 법을 배웁니다.

결과

저자들은 "무한 모선(infinite bus, 거대한 전력망을 단순화한 형태)"에 연결된 발전기 모델을 대상으로 테스트를 진행했습니다.

• 정확도: 저자들의 AI 모델은 전력망에 갑작스러운 고장이나 교란이 발생했을 때도 매우 높은 정확도(종종 오차 1% 미만)로 발전기의 동작을 예측할 수 있었습니다.
• 속도 및 효율성: "하이브리드 코치" 방식을 사용함으로써 더 적은 데이터로도 훨씬 더 나은 결과를 얻었습니다. 또한 "연습 게임(DAgger)" 방식을 통해 AI가 까다로운 새로운 시나리오를 마주했을 때 혼란에 빠지지 않도록 보장했습니다.

요약하자면: 이 논문은 전력 발전기를 시뮬레이션하는 더 스마트한 새로운 방법을 제시합니다. 복잡한 수학을 무작정 밀어붙이는 대신, 격리(grid)의 "음악을 읽는" 법을 배우고, 기존의 물리 지식을 사용하여 스스로의 실수를 바로잡으며, 가장 마주치기 쉬운 특정 시나리오를 대상으로 연습하는 AI를 구축했습니다. 이는 더 빠르고 신뢰할 수 있는 전력망 시뮬레이터를 구축하기 위한 강력한 도구가 됩니다.

기술 요약

기술 요약: 연산자 학습을 통한 동기 발전기의 동적 응답 근사

문제 정의
본 논문은 전력망 내 동기 발전기(Synchronous Generators, SGs)의 동적 응답을 시뮬레이션하는 데 따르는 계산적 과제를 다룹니다. 분할 솔루션 접근 방식이나 암시적 적분법과 같은 전통적인 수치 시뮬레이션 기법은, 특히 미래의 스마트 그리드에서 제어 및 최적화 작업을 위해 다수의 순방향 시뮬레이션이 요구될 때 높은 계산 비용을 발생시키는 경우가 많습니다. 딥러닝이 대안으로서 잠재력을 제공하고 있으나, 기존 방법론들은 미지의 운전 조건에 대한 일반화 성능이 떨어지거나, 과적합을 방지하기 위해 대규모 데이터셋을 필요로 하며, 이러한 동적 시스템을 지배하는 해 연산자(solution operators)의 무한 차원적 특성을 반영하지 못하는 한계가 있습니다. 또한, 순수 데이터 기반 모델은 수십 년간 전력 시스템 커뮤니티에서 확립된 수학적 모델링이 제공하는 물리적 일관성을 결여할 수 있습니다.

방법론
저자들은 전력망 또는 수치 시뮬레이터와 상호작용하는 동기 발전기의 해 연산자를 근사하기 위해 딥오퍼레이터 네트워크(Deep Operator Networks, DeepONet)에 기반한 연산자 학습 프레임워크를 제안합니다. 이 방법론은 세 가지 주요 구성 요소로 구조화되어 있습니다:

1. 데이터 기반 DeepONet: 저자들은 임의의 시간 간격 $[t_n, t_n + h_n]$에 대해 동기 발전기의 국부 해 연산자를 근사하는 DeepONet을 설계했습니다. 전체 궤적을 입력으로 요구하는 기존의 DeepONet 응용 방식과 달리, 이 프레임워크는 현재 상태 $x(t_n)$, 상호작용 변수들의 이산화된 시퀀스(예: 고정자 전류 및 단자 전압) $\tilde{y}_m^n$, 그리고 유연한 예측 타임스텝 $h_n$을 입력으로 받습니다. 네트워크는 브랜치 네트워크(Branch Net, 상태 및 상호작용 변수 처리)와 트렁크 네트워크(Trunk Net, 타임스텝 처리)로 구성되며, 훈련 가능한 계수와 기저 함수의 선형 결합을 통해 미래 상태를 출력합니다. 이 국부 근사는 장기적인 호라이즌에 걸쳐 발전기의 응답을 시뮬레이션하기 위해 재귀적으로 사용됩니다.

2. 잔차(Residual) DeepONet: 기존의 수학적 지식을 통합하기 위해, 저자들은 잔차 학습 기법을 제래합니다. 이 방식은 전체 해 연산자를 직접 학습하는 대신, 알려진 수학적 모델(예: 단순화된 미분-대수 방정식 또는 물리 정보 신경망)로부터 도출된 근사 연산자와 실제 솔루션 연산자 사이의 "잔차" 또는 오차 보정을 학습합니다. 최종 예측값은 근사 모델의 출력과 잔차 DeepONet의 보정값의 합으로 산출됩니다. 본 논문은 이 기법에 대한 누적 오차의 이론적 추정치를 제공하며, 오차 축적의 원인을 입력 근사와 신경망 근사 오차 모두에 기인한다고 설명합니다.

3. 데이터 집계(DAgger) 전략: DeepONet이 시뮬레이터와 상호작용할 때 발생하는 분포 드리프트(distributional drift)와 오차 축적을 완화하기 위해, 저자들은 DAgger 알고리즘을 도입합니다. 이 반복적 전략은 초기 데이터셋으로 DeepONet을 훈련시킨 후, 훈련된 모델을 사용하여 시뮬레이션을 실행(roll out)하고 모델이 상호작용 중에 마주칠 가능성이 높은 새로운 입력 데이터를 수집합니다. 이 새로운 데이터는 실제 솔루션 연산자를 사용하여 레이블링되며, 원래의 훈련 세트와 결합되어 미세 조정(fine-tuning)에 사용됩니다. 이 과정은 모델이 상호작용 시뮬레이션 중에 마주하게 될 특정 상태 분포에 효과적으로 일반화될 수 있도록 반복됩니다.

주요 기여

• 전력망을 위한 연산자 학습: 본 논문은 DeepONet을 사용하여 동기 발전기의 해 연산자를 근사하는 첫 번째 사례를 제시하며, 특히 문제의 무한 차원적 특성과 재귀적, 다단계 예측의 필요성을 해결합니다.
• 재귀적 수치 기법: 훈련된 DeepONet을 사용하여 임의의 타임스텝으로 단기 및 중기 시간 호라이즌 동안 발전기 응답을 시뮬레이션하는 새로운 재귀적 수치 기법을 개발했습니다.
• 하이브리드 모델링: 데이터 기반 학습과 확립된 수학적 모델을 효과적으로 결합하여, 모델의 부정확성을 보정하면서도 사전 물리 지식을 활용할 수 있는 잔차 DeepONet 프레임워크를 도입했습니다.
• 오차 분석: 입력 이산화와 신경망 근사로부터 발생하는 오차를 구분하여, 잔차 DeepONet 기법의 누적 오차에 대한 이론적 경계값을 도출했습니다.
• 상호작용 시뮬레이션을 위한 DAgger: 모델이 시뮬레이터 내의 다른 그리드 구성 요소와 상호작용할 때 발생하는 오차 전파를 줄이기 위해, 집계된 훈련 데이터를 사용하여 DeepONet을 미세 조정하는 데이터 집계 알고리즘을 제안했습니다.

실험 결과
제안된 프레임워크는 Power Systems Toolbox(PST)를 통해 무한 모선(infinite bus)과 상호작용하는 2축 과도 현상 발전기 모델을 사용하여 검증되었습니다.

• 지도 학습 훈련: 지도 학습 실험에서, 잔차 DeepONet은 순수 데이터 기반 DeepONet 및 표준 완전 연결 신경망(FNN)보다 우수한 성능을 보였습니다. 잔차 DeepONet은 발전기 상태 및 네트워크 입력에 대해 일관되게 1% 미만의 평균 L2 상대 오차를 달 기록했습니다. 반면, FNN은 상당한 오차 축적(평균 오차 최대 37.8%)을 보였습니다. 데이터 기반 DeepONet은 5% 미만의 오차를 유지했습니다.
• 민감도 분석: 훈련 샘플 수를 늘릴수록 두 프레임워크 모두 오차 축적이 감소함을 입증하였으며, 잔차 DeepONet은 데이터셋 크기와 관계없이 일관되게 더 우수한 일반화 능력과 낮은 오차 축적을 보여주었습니다.
• DAgger 성능: 100개의 샘플로 제한된 데이터로 훈련되고 DAgger 알고리즘을 통해 미세 조정되었을 때, 잔차 DeepONet은 미지의 교란 궤적에 성공적으로 일반화되었습니다. 모든 상태 및 네트워크 입력에 대한 평균 L2 상대 오차는 0.01% 미만으로 유지되었으며, 이는 DAgemann 전략이 분포 드리프트와 오차 전파를 효과적으로 완화했음을 나타냅니다.

의의 및 주장
본 논문은 제안된 DeepONet 프레임워크가 딥 연산자 기반의 전력망 시뮬레이터 및 디지털 트윈을 구축하기 위한 실행 가능한 경로를 제공한다고 주장합니다. 단순히 다음 상태만을 예측하는 것이 아니라 솔루션 연산자를 근사함으로써, 이 프레임워크는 유연한 타임스텝 설정과 그리드 시뮬레이터와의 상호작용을 가능하게 합니다. 저자들은 잔차 접근 방식이 수십 년간의 전력 시스템 모델링 전문 지식을 통합할 수 있게 하여, 제한된 데이터에서도 일반화 성능을 향상시킨다는 점을 강조합니다. 또한, DAgger 전략은 상호작용 환경에서 딥러닝을 배포할 때의 핵심 과제인 분포 드리프트로 인한 오차 축적 문제를 해결합니다. 저자들은 본 연구를 재생 에너지 침투율이 높은 미래의 스마트 그리드를 최적화하고 제어할 수 있는 결합 가능한 대규모 시뮬레이터를 향한 단계로 규정하며, 향후 연구 과제로 온라인 캘리브레이션, 개인정보 보호를 위한 연합 학습(federated learning), 그리고 대규모 네트워크로의 확장을 꼽았습니다.