기술 요약: 머신러닝을 활용한 인버터 중심 전력망의 고장 통과 확률 예측

문제 제기

전력망이 100% 재생에너지원 (RES) 으로 전환됨에 따라, 관성 감소, 분산형 발전, 그리고 변동성 있는 생산으로 특징지어지는 중대한 안정성 문제에 직면하고 있습니다. 이러한 시스템은 전력 전자 인버터에 크게 의존하므로, 기존 동기 발전에서 그리드 포밍 인버터로의 전환이 필요합니다. 이러한 미래 전력망의 운영 및 계획에서 중요한 과제는 방대한 수의 고장 시나리오를 포함하는 포괄적인 위험 평가의 필요성입니다.

전통적인 동적 시뮬레이션은 정확하지만 계산 비용이 매우 높습니다. 확률론적 안정성 분석의 비용은 버스 (bus) 수에 따라 최소 2 차 함수적으로 증가하므로, 대규모 실제 전력망의 모든 관련 구성을 분석하는 것은 불가능합니다. 결과적으로, 전력망 운영자는 종종 보수적인 가정에 의존하거나 제한된 수의 고장 시나리오만 분석하여 중요한 고장 모드를 놓칠 수 있습니다. 본 논문은 포괄적인 동적 시뮬레이션의 prohibitive 한 계산 비용을 들이지 않고도 고장 통과 확률 ($p_{frt}$)—고장 제거 후 전력망 구성 요소가 운영용 통과 곡선 내에 머무를 확률—을 예측하기 위한 효율적인 방법의 필요성에 대응합니다.

방법론

1. 데이터셋 생성

동적 안정성을 위한 훈련 데이터 부족을 극복하기 위해, 저자들은 새로운 대규모 합성 전력망 데이터셋을 생성했습니다:

• 그리드 토폴로지: 무작위 성장 알고리즘을 사용하여 1,000 개의 합성 전력망을 생성했으며, 크기는 70 에서 80 개의 버스로 다양합니다. 이 크기는 계산적으로 처리 가능한 범위 내에서 토폴로지 효과를 포착하도록 선택되었습니다.
• 구성 요소 모델링: 그리드는 100% RES 통합을 모델링합니다.
  • 그리드 포밍 인버터: 세 가지 서로 다른 매개변수 세트 (NF1, NF2, NF3) 를 사용하여 '정상형 (normal form)' (기술 중립적 동적 모델) 으로 모델링되었으며, 이는 다양한 수준의 가상 관성을 나타냅니다.
  • 그리드 팔로잉 인버터: PQ-버스로 모델링되었습니다.
  • 송전선: dena 표준에 기반한 매개변수를 가진 Pi-모델로 모델링되었습니다.
• 고장 시뮬레이션: 각 그리드의 모든 버스에서, 대수적 제약 조건이 충족되도록 Sobol 시퀀스 (준-몬테카를로 샘플링) 와 환경 강제 알고리즘을 사용하여 1,000 개의 제거 후 상태가 생성되었습니다.
• 목표 계산: 시스템 과도 현상이 정의된 전압 및 주파수 통과 곡선 내에 유지되는지 여부를 결정하기 위해 동적 시뮬레이션이 수행되었습니다. 목표 변수인 $p_{frt}$는 각 버스에 대해 조사된 상태의 총 수 대비 성공적인 통과 횟수의 비율로 계산되었습니다.
• 검증 세트: 일반화를 평가하기 위해 그리드 포밍 기능을 포함하도록 수정되고 업데이트된 선로 매개변수를 적용한 업데이트된 IEEE 96-RTS 테스트 시스템이 홀드아웃 테스트 세트로 사용되었습니다.

2. 머신러닝 접근법

이 연구는 $p_{frt}$를 예측하기 위해 두 가지 범주의 머신러닝 (ML) 모델을 비교합니다:

• 비-그래프 ML: 전체 그리드 토폴로지를 고려하지 않고 노드 특성 (예: 활성/무효 전력, 국부 선로 매개변수, 버스 유형) 만 의존하는 방법. 테스트된 모델에는 선형 회귀 (linreg) 와 경사 부스팅 트리 (GBT) 가 포함됩니다.
• 그래프 신경망 (GNN): 전체 그래프 구조 (버스 특성, 선로 특성, 토폴로지) 를 입력으로 받는 모델. 구체적으로, 저자들은 표준 그래프 합성곱 네트워크 (GCN) 보다 더 큰 이웃에서 정보를 집계하는 위상 적응형 그래프 (TAG) 합성곱 계층을 활용했습니다.

3. 훈련 및 평가

• 특성: 입력 특성에는 노드 전력 설정값, 선로 전도도/서셉턴스 합, 버스 카테고리 (슬랙, 부하, 그리드 포밍), 그리고 정상형 매개변수 $R(B_x)$의 실수부가 포함되었습니다.
• 지표: 성능은 결정 계수 ($R^2$) 와 스피어만 순위 상관 계수 ($\rho$) 를 사용하여 평가되었습니다.
• 정규화: 과적합을 해결하고 일반화를 개선하기 위해 드롭아웃을 사용한 정규화된 TAG 모델 (TAGreg) 이 테스트되었습니다.

주요 결과

1. 동역학 및 토폴로지

시뮬레이션의 수치 분석은 안정성 결과가 매우 비선형적임을 밝혔습니다. 유사한 고장 크기 (전력 불일치 $\Delta P, \Delta Q$) 를 가진 시나리오가 상이한 안정성 결과를 초래했습니다. 특히, 이 연구는 $p_{frt}$가 국부 구성 요소 매개변수뿐만 아니라 그리드 토폴로지에 크게 영향을 받음을 입증했습니다. 동일한 기계 매개변수를 가진 버스라도 네트워크 내 위치에 따라 안정성 확률이 크게 달랐습니다.

2. 합성 그리드에서의 ML 성능

합성 데이터셋에서 GNN 기반 TAG 모델은 비-그래프 방법보다 훨씬 우수한 성능을 보였습니다:

• TAG: $R^2$가 **90.36%**이고 스피어만 상관 계수 ($\rho$) 가 **95.05%**를 달성했습니다.
• 비-그래프 모델: GBT 와 선형 회귀는 약 62-63% 의 $R^2$ 값을 달성했습니다.
  이는 인버터 중심 그리드에서 동적 안정성을 정확하게 예측하기 위해 토폴로지 정보를 통합하는 것이 필수적임을 확인시켜 줍니다.

3. IEEE 테스트 시스템으로의 일반화

모델은 훈련 데이터의 일부가 아니며 다른 구조적 특성을 가진 IEEE 96-RTS 시스템에서 테스트되었습니다:

• 초기 일반화: 표준 TAG 모델은 합성 데이터에 비해 IEEE 테스트 사례에서 성능이 저하되어 ($R^2 \approx 60.46\%$), 분포 변화에 어려움을 겪고 있음을 나타냈습니다.
• 정규화 모델: 정규화된 TAG 모델 (TAGreg) 은 일반화를 개선하여 IEEE 테스트 사례에서 $R^2$가 **77.47%**이고 $\rho$가 **87.32%**를 달성했습니다.
• 비교: GBT 는 IEEE 테스트 사례에서 정규화되지 않은 TAG 보다 약간 더 잘 수행되었지만, 정규화된 GNN(TAGreg) 은 합성 및 IEEE 데이터셋 모두에서 GBT 를 능가했습니다. 이는 적절한 정규화를 통해 GNN 이 보지 못한 그리드 구조로 일반화되는 인과적이고 토폴로지 독립적인 패턴을 학습할 수 있음을 시사합니다.

중요성 및 주장

본 논문은 머신러닝, 특히 그래프 신경망이 미래 전력망에서 확률론적 동적 안정성 분석의 계산 병목 현상을 극복할 수 있는 실현 가능한 경로임을 주장합니다.

• 효율성: ML 모델은 거의 즉각적인 시간에 높은 정확도로 고장 통과 확률을 예측할 수 있어, 동적 시뮬레이션으로는 불가능한 수천 개의 구성을 분석할 수 있게 합니다.
• 일반화: 합성 데이터로 훈련된 GNN 이 실제 테스트 사례 (IEEE 96-RTS) 로 일반화될 수 있는 능력은 이러한 모델이 모든 새로운 구성에 대한 포괄적인 시뮬레이션 없이 실제 전력망의 확률론적 안정성을 연구하는 데 배포될 수 있음을 시사합니다.
• 운영적 영향: 광범위한 확률론적 시나리오 전반에 걸쳐 고장에 취약한 주요 구성 요소를 식별함으로써, 이러한 도구는 전력망 운영자가 보수적이고 정적인 계획에서 벗어나도록 도울 수 있습니다. 이는 그리드 확장 계획에 동적 효과를 조기에 통합할 수 있게 하여, 비용이 많이 드는 보상 조치를 방지하고 인버터 중심 시스템의 전반적인 신뢰성을 향상시킬 수 있습니다.

저자들은 연구가 합성 데이터를 사용하지만, IEEE 테스트 사례로의 성공적인 일반화가 현재 계산적으로 prohibitive 한 확률론적 안정성 평가가 필요한 실제 규모의 전력망에 이러한 방법을 적용할 가능성을 강조한다고 덧붙였습니다.