기술 요약: 학습 증강 전력 시스템 운영 (LAPSO)

1. 문제 정의

전통적인 전력 시스템 운영(PSO)은 물리 기반 모델과 예측, 운영, 제어로 구성된 순차적 의사결정 프레임워크에 의존합니다. 그러나 재생 에너지와 인버터 기반 자원(IBR)의 비중이 증가함에 따라, 이러한 전통적인 방식은 경제적 효율성, 안정성 및 강건성을 저해하는 상당한 불확실성과 복잡한 동역학적 특성에 직면하고 있습니다.

현재의 솔루션들은 흔히 다음과 같은 "사일로(siloed)" 설계 패러다임의 문제를 겪고 있습니다:

• 고립된 과업: 예측, 운영, 제어가 독립적으로 설계됩니다. 예를 들어, 재생 에너지 예측은 일반적으로 정확도 중심적으로 이루어지며, 이것이 하류(downstream)의 운영 경제성에 미치는 연쇄적인 영향은 무시됩니다. 반대로, 경제 중심의 운영은 제어 단계에서의 안정성 제약 조건을 간과하기도 합니다.
• 단절된 학습: 머신러닝(ML) 모델이 최종적으로 지원하게 될 최적화 프레임워크와 분리되어 독립적으로 학습됩니다. 하류의 물리 기반 최적화가 가진 목적 함수가 ML 학습 과정에 반영되지 않으며, ML의 불확실성과 최적화 파라미터 사이의 상호작용은 불투명한 상태로 남습니다.
• 통합 프레임워크의 부재: 데이터 기반 ML과 물리 기반 최적화를 체계적으로 통합하거나, 모델의 정확도와 운영 성능 간의 트레이드오프를 정량화하거나, 다양한 출처(예: 블랙박스 모델 vs. 미지의 시스템 파라미터)로부터 발생하는 불확실성을 추적할 수 있는 일반적인 프레임워크가 존재하지 않습니다.

2. 방법론: LAPSO 프레임워크

본 논문은 "데이터-물리 결합(data-physics nexus)"을 체계적으로 모델링하기 위해 운영 단계를 중심으로 하는 통합 프레임워크인 **학습 증강 전력 시스템 운영(LAPSO)**을 제안합니다.

핵심 수학적 정식화

LAPSO는 매개변수적 ML 모델을 내재적 구성 요소로 인코딩함으로써 기본 전력 시스템 운영 문제($P_{basic}$)를 재정의합니다.

• 기본 문제 ($P_{basic}$): $\min_z f(z; y)$ s.t. $g(z; y) \le 0$, 여기서 $z$는 결정 변수이고 $y$는 파라미터(예: 부하, 재생 에너지 프로파일)입니다.
• LAPSO 문제 ($P_{lapso}$): 이 프레임워크는 입력 $x$와 결정 $z$를 바탕으로 파라미터 $\hat{y}_2$를 예측하는 학습 가능한 구성 요소 $v(\cdot; \theta)$를 도입합니다. 증강된 문제는 다음과 같이 정식화됩니다:
  $$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$$
  $$\text{s.t. } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$$
  여기서 $\theta^*$는 학습된 모델 파라미터를 나타냅니다. 결정적으로, ML 모델은 최적화의 학습 가능한 구성 요소로 취급됩니다. 즉, 학습 과정은 $\theta$가 $P_{lapso}$의 최적성, 효율성 및 보수성에 미치는 영향을 반드시 고려해야 합니다.

설계 원칙 및 지표

프레임워크는 세 가지 차원의 균형을 맞추는 "설계 삼각형(Design Triangle)"을 도입합니다:

1. 모델링 대상: 학습할 물리적 동역학 또는 지표 (예: 안정성 지표, 재생 에너지 동역학).
2. ML 기법: 알고리즘 선택 (예: 선형 회귀, 신경망).
3. PSO의 종류: 기저 최적화의 구조 (예: MILP, 볼록(convex), 비볼록(non-convex)).

트레이드오프를 정량화하기 위해 다음과 같은 주요 설계 지표가 설정됩니다:

• 정확도 vs. 운영 영향: 예측 정확도와 그 결과로 발생하는 최적화의 계산 부하 및 경제적 비용 사이의 균형을 맞춥니다.
• 최적성 및 보수성: ML이 증강된 문제가 원래의 물리 기반 문제의 해법 클래스(예: 볼록성 유지) 내에 머물도록 하여 전역 최적성을 보장합니다.

대표적 응용 분야

논문은 두 가지 구체적인 응용을 통해 LAPSO를 입증합니다:

1. 안정성 제약 최적화 (SCO): ML 모델이 운영 단계 내에서 안정성 평가자(제약 조건) 역할을 수행합니다. 본 프레임워크는 과도한 계산 부하나 잘못된 보수성을 피하기 위해, 정확도와 최적화 클래스 유지(예: 볼록 또는 혼합 정수 선형 근사 사용) 사이의 균형을 맞추는 "중간 복잡도"의 평가자를 권장합니다.
2. 목적 기반 예측 (OBF): 예측 오차(예: MSE)를 최소화하는 대신, ML 예측기가 하류 최적화의 운영 비용을 최소화하도록 학습됩니다. 이는 상위 레벨에서 예측기 파라미터 $\theta_h$를 최적화하여 하위 레벨의 운영 비용으로부터 유도된 손실 $\ell$을 최소화하는 이부 최적화(bi-level optimization, Stackelberg game)로 정식화됩니다.

불확실성 정량화

LAPSO는 엔드 투 엔드(end-to-end) 불확실성 추적을 위한 베이지안 관점을 제공합니다:

• 출처: ML-불확실성(인식론적 및 통계적 불확실성)과 최적화-불확실성(최적화 구조의 변화 또는 예측 불가능한 파라미터 $y_1$)을 구분합니다.
• 전파: 자동 미분과 내재 함수 정리(KKT 조건을 통한)를 사용하여 ML 파라미터의 불확실성이 최종 결정 변수와 비용으로 어떻게 전파되는지 추적합니다.
• 강건성: 최적화 파라미터의 불확실성에 대비하기 위해, 열주 및 제약 생성(C&CG) 방식을 통해 해결되는 "wait-and-see" 강건 정식화를 제안합니다.

3. 주요 기여

1. 통합 프레임워크: ML을 최적화 문제의 내재적 부분으로 취급함으로써 전통적으로 분리되어 있던 과업들(예측, 운영, 제어)을 통합하는 일반적인 수학적 정식화로서 LAPSO를 제안합니다.
2. 설계 지표: ML 모델의 성능과 기초가 되는 최적화(효율성, 최적성, 보수성)에 미치는 영향 사이의 트레이드오프를 평가하기 위한 체계적인 지표 세트를 도입합니다.
3. 확장성: 예측-운영-제어 루프를 닫고 하이브리드 학습-최적화 과업을 처리할 수 있는 프레임워크의 능력을 입증합니다.
4. 불확실성 추적: 데이터 기반 및 물리 기반 소스 모두로부터 발생하는 불확실성을 식별하고 정량화하는 체계적인 방법을 제공하며, wait-and-see 불확실성을 위한 새로운 강건 학습 알고리즘을 포함합니다.
5. 오픈 소스 도구: 두 가지 Python 패키지를 개발하여 공개합니다:
   • pso: 시공간적 운영 데이터를 포함한 확장 가능한 전력 시스템 테스트베드를 생성합니다.
   • lapso: 기존 최적화 모델(CVXPY 기반)을 학습 가능한 구성 요소로 자동 증강하며, 필요한 경우 신경망을 혼합 정수 선형 제약 조건으로 변환하는 과정을 처리합니다.

4. 결과 및 검증

본 논문은 IEEE 14-, 39-, 57-, 118-, 300-모선(bus) 시스템에 대한 수치 시뮬레이션을 통해 프레임워크를 검증합니다.

• SCO 검증: IEEE 14-모선 시스템을 사용하여, 서로 다른 ML 모델 복잡도(예: 볼록 vs. 비볼록 평가자)가 안정성 평가 정확도와 운영 비용 사이의 뚜렷한 트레이드오프를 초래함을 보여줍니다. 중간 복잡도의 평가자가 경제적 효율성을 저해하는 고복잡도 모델보다 더 나은 균형을 제공함을 입증합니다.
• OBF 검증: 운영 비용과 일치하는 목적 기반 손실 함수로 예측기를 학습시키는 것이 전통적인 정확도 중심 학습에 비해 더 경제적으로 효율적인 결과를 낳는 경우가 많음을 보여줍니다.
• 확장성: 확장성 분석(부록에 상세 기술)을 통해 최대 300-모선까지의 대규모 시스템에 대한 프레임워크의 적용 가능성을 확인합니다.
• 구현: lapso 패키지가 신경망을 최적화 제약 조건으로 통합하는 과정을 성공적으로 자동화하여, 제안된 수학적 변환의 실현 가능성을 검증합니다.

5. 의의 및 주장

본 논문은 LAPSO가 전력 시스템 의사결정의 패러다임을 사일로화된 물리 전용 방식에서 통합된 데이터-물리 결합 방식으로 전환하는 근본적인 변화를 의미한다고 주장합니다.

• 패러다임 전환: ML을 단순히 동적 모델링 도구로 취급하는 것을 넘어, 최적화 자체의 학습 가능한 구성 요소로 보는 관점으로 나아갑니다.
• 투명성: 통합된 수학적 관점을 제공함으로써 ML과 물리 기반 방법 사이의 관계를 투명하게 만들어, 불확실성과 성능을 체계적으로 평가할 수 있게 합니다.
• 실용적 유용성: 데이터 기반 능력을 통해 기존 최적화 문제의 구조와 해법 가능성을 유지하면서도 이를 강화하도록 설계되어, 계통 운영자들에게 수용 가능한 형태를 갖추고 있습니다.
• 미래 대응성: 탈탄소화된 그리드의 복잡성을 해결하기 위해 예측, 운영, 제어의 폐쇄 루프 통합을 요구하는 신흥 패러다임에 본질적으로 확장 가능합니다.

저자들은 본 논문이 SCO와 OBF를 대표적인 예시로 다루고 있지만, LAPSO 프레임워크가 최적화 문제로 정식화될 수 있다면 마이크로그리드 제어나 에너지 저장 장치 차익 거래를 포함한 다양한 전력 시스템 과업에 폭넓게 적용될 수 있음을 강조합니다.