Power flow and optimal power flow using quantum and digital annealers: a computational scalability analysis

본 논문은 전력 흐름 (PF) 및 최적 전력 흐름 (OPF) 문제를 이징 머신에서 실행 가능한 이산 조합 최적화 문제로 재구성한 새로운 알고리즘 (AQPF, AQOPF) 을 제안하고, D-Wave 양자 어닐러 및 후지쓰 디지털 어닐러 등 다양한 하드웨어에서 4~1354 버스 시스템에 대한 확장성과 견고성을 검증했습니다.

핵심

🌟 핵심 아이디어: "전력망 문제를 퍼즐 게임으로 바꾸기"

전력 회사에서는 매일 **전력 흐름 (PF)**과 **최적의 전력 흐름 (OPF)**을 계산합니다.

• 전력 흐름 (PF): "지금 전기가 어디서 얼마나 흐르고 있는지"를 계산하는 것.
• 최적 전력 흐름 (OPF): "전기를 가장 싸게, 가장 안정적으로 보내려면 어떻게 해야 할지"를 계산하는 것.

기존에는 이 문제를 뉴턴 - 라프슨 (NR) 방법이라는 복잡한 수학 공식으로 풀었습니다. 이는 마치 정교한 미로 찾기처럼, 한 번 틀리면 다시 시작해야 하거나, 미로가 너무 복잡하면 (전력망이 크거나 문제가 생겼을 때) 길을 잃고 헤매는 단점이 있습니다.

이 논문은 **"이 미로 찾기를 '레고 블록'이나 '퍼즐'로 바꿔보자"**고 제안합니다.

• 기존 방식: 연속된 숫자로 미로를 계산 (복잡하고 계산량이 많음).
• 새로운 방식 (이 논문): 전압과 전력을 '0'과 '1'로만 이루어진 작은 블록 (비트) 들로 쪼개서, 이 블록들을 어떻게 배치해야 퍼즐이 맞는지 찾는 조합 최적화 게임으로 바꿉니다.

---

🧩 주요 내용 3 가지

1. 양자/디지털 어닐러 (Annealer) 라는 '초고속 퍼즐 해결사'

이 연구에서는 **D-Wave(양자 어닐러)**와 후지쓰의 디지털 어닐러라는 특수 장비를 사용했습니다.

• 비유: 일반적인 컴퓨터가 미로를 하나하나 꼼꼼히 찾아다니는 '탐험가'라면, 이 어닐러들은 **미로 전체를 한눈에 훑어보며 가장 빠른 출구를 찾아내는 '비행기'**와 같습니다.
• 이 장들은 'Ising Machine'이라고 불리는데, 복잡한 수식을 **에너지가 가장 낮은 상태 (가장 안정적인 퍼즐 배치)**를 찾는 방식으로 해결합니다.

2. 두 가지 새로운 알고리즘 개발

저자는 기존에 제안했던 '전력 흐름 (AQPF)' 알고리즘을 발전시켜, '최적 전력 흐름 (AQOPF)' 알고리즘도 만들었습니다.

• AQPF: 전기가 잘 흐르는지 확인하는 게임.
• AQOPF: 전기를 가장 효율적으로 보내는 방법을 찾는 게임.
  이 두 게임 모두 양자/디지털 어닐러가 풀 수 있도록 'QUBO(이진수 최적화)'라는 특수한 언어로 번역되었습니다.

3. "조각조각 나누기" (Partitioned Formulation)

전력망이 너무 크면 (예: 1,354 개의 전봇대가 있는 경우), 퍼즐 조각이 너무 많아 한 번에 풀 수 없습니다.

• 해결책: 큰 퍼즐을 작은 조각으로 나누어 한 번에 몇 조각씩만 풀고, 그 결과를 합치는 방식을 도입했습니다.
• 효과: 계산 속도가 빨라졌고, 기존 방식이 실패하는 **어려운 상황 (전압이 불안정하거나 선로가 오래된 경우)**에서도 성공적으로 해결책을 찾아냈습니다.

---

📊 실험 결과: 얼마나 잘했을까요?

연구진은 4 개에서 1,354 개까지 다양한 크기의 전력망 테스트를 해보았습니다.

1. 작은 문제: 기존 방식 (NR) 과 거의 똑같은 정답을 냈습니다.
2. 어려운 문제 (Ill-conditioned): 전기가 부족하거나 선로가 망가진 '위급 상황'에서는 기존 방식이 **계산을 멈추고 포기 (수렴 실패)**했지만, 이 새로운 방식은 계속해서 정답을 찾아냈습니다.
3. 확장성: 후지쓰의 최신 소프트웨어 (QIIO) 를 사용하면 10 만 개 이상의 변수를 가진 거대한 문제도 처리할 수 있음을 증명했습니다.

---

💡 결론: 왜 이 연구가 중요할까요?

이 논문은 **"양자 컴퓨터가 전기를 아끼는 데 쓰일 수 있다"**는 가능성을 보여줍니다.

• 기존 방식: 이미 잘 돌아가는 엔진이지만, 너무 복잡해지면 멈춥니다.
• 이 연구: 완전히 새로운 엔진 (양자/디지털 어닐러) 을 개발했습니다. 아직은 초기 단계라 속도가 빠르지는 않지만, **복잡하고 엉킨 문제 (위급 상황, 대규모 전력망)**를 해결하는 데 훨씬 강력한 잠재력을 가지고 있습니다.

한 줄 요약:

"복잡한 전력망 문제를 '퍼즐 게임'으로 바꿔서, 양자와 디지털 기술을 이용해 기존 컴퓨터가 포기하는 어려운 상황에서도 정답을 찾아내는 새로운 방법을 개발했습니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

전력 시스템 운영에서 전력 흐름 (Power Flow, PF) 및 최적 전력 흐름 (Optimal Power Flow, OPF) 분석은 핵심적인 과제입니다.

• 기존 방법의 한계: 현재 널리 사용되는 뉴턴 - 라프슨 (Newton-Raphson, NR) 방법은 소규모 및 중규모 시스템에서는 빠르고 강력하지만, 수천 개의 버스를 가진 대규모 시스템이나 악조건 (ill-conditioned) 상황 (예: 높은 R/X 비율, 약한 연결성, 전압 붕괴 위기 등) 에서는 수렴 실패나 수치적 불안정성을 겪습니다. 이는 자코비안 행렬의 반복 계산 및 역행렬 연산의 복잡성 때문입니다.
• 대안의 필요성: 기존 수치 해법의 한계를 극복하고, 특히 악조건에서 견고한 해를 구할 수 있는 새로운 접근법이 요구됩니다. 최근 양자 컴퓨팅과 디지털 어닐링 기술이 조합 최적화 문제 해결에 유망한 대안으로 부상하고 있습니다.

2. 방법론 (Methodology)

이 연구는 저자의 이전 연구 (AQPF) 를 확장하여, PF 및 OPF 문제를 이산 조합 최적화 (Discrete Combinatorial Optimization) 문제로 재형성 (Reformulation) 하는 새로운 알고리즘을 제안합니다.

• 핵심 아이디어:

  • 전력 시스템의 연속적인 방정식 (전압, 전류, 전력) 을 이산화하여 **이진 변수 (Binary Variables)**로 표현합니다.
  • 이를 QUBO (Quadratic Unconstrained Binary Optimization) 모델 또는 Ising 모델로 변환하여, 양자 어닐러 (Quantum Annealer) 나 디지털 어닐러 (Digital Annealer) 와 같은 Ising 머신에서 해결할 수 있도록 합니다.
  • AQPF (Adiabatic Quantum Power Flow): PF 문제를 해결하기 위해 제안된 알고리즘.
  • AQOPF (Adiabatic Quantum Optimal Power Flow): OPF 문제를 해결하기 위해 제안된 알고리즘. 비용 함수 (발전 비용 최소화) 와 부등식 제약 조건 (전압, 전류, 발전량 한계) 을 페널티 항으로 QUBO 모델에 통합합니다.

• 구현 기술:

  • 이산화 전략: 전압의 실수부 ($\mu$) 와 허수부 ($\omega$) 를 기준값과 스케일링된 이진 변수의 합으로 표현합니다.
  • 고차항 처리: QUBO 는 2 차 항까지만 지원하므로, 3 차 및 4 차 항을 포함하는 원래 방정식을 보조 변수 (Auxiliary Variables) 와 페널티 항을 사용하여 2 차 형태로 축소 (Quadratization) 합니다.
  • 반복적 해법: 초기 전압 추정치를 기반으로 QUBO 문제를 풀고, 얻어진 이진 해를 통해 전압을 업데이트하는 반복 과정을 수행합니다.
  • 분할 형식 (Partitioned Formulation): 대규모 문제를 해결하기 위해 전체 버스 집합에서 일부 버스를 제외하고 부분 문제를 반복적으로 푸는 기법을 도입하여 계산 부하를 줄입니다.

• 사용된 하드웨어/솔버:

  • D-Wave Advantage™ (QA): 양자 어닐러.
  • D-Wave Hybrid Solver (HA): 양자 - 고전 하이브리드 솔버.
  • Fujitsu Digital Annealer v3 (DAv3): 디지털 어닐러.
  • Fujitsu QIIO (Quantum-Inspired Integrated Optimization): 최신 디지털 어닐링 소프트웨어 (10 만 개 이상의 이진 변수 지원).

3. 주요 기여 (Key Contributions)

1. AQOPF 알고리즘 제안: 기존 AQPF 알고리즘을 확장하여 OPF 문제를 해결하는 새로운 알고리즘을 개발했습니다.
2. 분할 형식 (Partitioned Formulation) 도입: 정확도를 유지하면서 문제 크기를 줄여 대규모 시스템에 적용 가능한 분할 해법을 제안했습니다.
3. 악조건에서의 견고성 입증: 기존 NR 솔버가 수렴하지 않는 악조건 (고부하, 높은 R/X 비율 등) 에서도 AQPF/AQOPF 가 유효한 해를 찾을 수 있음을 보였습니다. 이는 수치적 선형화 기법에 의존하지 않는 조합 최적화 접근법의 강점입니다.
4. 확장성 분석: 4 버스에서 1354 버스까지의 다양한 테스트 케이스를 통해 알고리즘의 계산 확장성을 평가했습니다.

4. 실험 결과 (Results)

• 솔버 성능 비교:

  • QA 및 HA: 소규모 시스템 (약 100 버스 미만) 에서는 성공적으로 작동했으나, 양자 비트 수 및 임베딩 제약으로 인해 대규모 시스템에는 적용이 제한적이었습니다.
  • DAv3: 약 89 버스까지 처리 가능했으나, 변수 수 제한으로 인해 더 큰 시스템에는 한계가 있었습니다.
  • QIIO (Fujitsu): 최대 10 만 개의 이진 변수를 처리할 수 있어, 1354 버스 시스템 (PF) 및 **300 버스 시스템 (OPF)**까지 성공적으로 해결했습니다. 이는 현재 가장 확장성이 입증된 플랫폼입니다.

• 정확도 및 비교:

  • 118 버스 시스템에서 NR 솔버 (pandapower) 와 비교했을 때, AQPF/AQOPF 는 매우 유사한 전압 크기, 위상각, 전력 흐름 결과를 산출했습니다.
  • 분할 형식은 전체 형식에 비해 계산 시간을 약 20% 단축하면서도 해의 정확도를 크게 저하시키지 않았습니다.

• 악조건 처리:

  • NR 솔버가 발산하거나 실패한 악조건 시나리오 (부하 급증, 선로 저항 증가) 에서 AQPF/AQOPF 는 안정적인 수렴을 보였습니다. 이는 조합 최적화 기반 접근법이 수치적 불안정성에 덜 민감함을 시사합니다.

• 확장성 데이터:

  • QIIO 를 사용하여 1354 버스 시스템의 PF 문제를 해결하는 데 성공했으나, 계산 복잡도로 인해 잔차 (Residual) 허용 오차는 다소 높게 설정 ($10^0$ 수준) 되어 개념 증명 (Proof of Concept) 단계로 수행되었습니다.

5. 의의 및 결론 (Significance)

• 기술적 의의: 이 연구는 전력 시스템 분석을 위한 **대체 수학적 표현 (Alternative Representation)**을 제시했습니다. 기존 수치 해법이 직면한 수치적 불안정성 문제를 피하면서, 양자 및 디지털 어닐러의 조합 최적화 능력을 활용할 수 있는 길을 열었습니다.
• 실용적 가치: 현재로서는 기존 NR 솔버를 대체하기보다는, 양자 하드웨어가 성숙해졌을 때 특히 대규모이거나 악조건인 전력망 문제를 해결하는 데 유용한 보조 도구로 활용될 수 있음을 보여줍니다.
• 미래 전망: Fujitsu 의 QIIO 와 같은 디지털 어닐링 플랫폼은 현재 대규모 전력 시스템 문제를 처리할 수 있는 확장성을 입증했습니다. 향후 하드웨어 성능 향상과 알고리즘 최적화 (업데이트 스키마 개선 등) 를 통해 실시간 운영 및 계획에의 적용 가능성이 기대됩니다.

요약하자면, 본 논문은 전력 흐름 및 최적 전력 흐름 문제를 Ising 머신 (양자/디지털 어닐러) 에서 해결할 수 있도록 재구성한 알고리즘을 제안하고, 다양한 하드웨어에서 그 확장성과 악조건에서의 견고성을 검증함으로써, 차세대 전력 시스템 최적화 기술로서의 가능성을 입증한 연구입니다.