Learning to Pursue AC Optimal Power Flow Solutions with Feasibility Guarantees

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 분산형 에너지 자원 (DERs) 이 포함된 배전 계통에서 실시간 제어 전략과 계산 방법론의 발전이 요구됩니다. 특히, 재생 에너지와 부하의 변동성에 대응하기 위해 교류 최적 전력 흐름 (AC OPF) 문제를 실시간으로 해결해야 합니다.
• 기존 방법의 한계:
  • 피드백 최적화 (Feedback Optimization): 실시간 측정 데이터를 활용하지만, 계산 부하가 크거나 수렴 보장이 어려울 수 있습니다.
  • 딥러닝 기반 접근법 (Direct Learning): 신경망 (NN) 을 사용하여 AC OPF 의 해를 직접 예측하는 방법들이 제안되었습니다. 그러나 AC OPF 는 비볼록 (nonconvex) 문제이며 해가 다중일 수 있어 (Set-valued mapping), 단일 값 함수인 신경망으로 근사하기 어렵습니다.
  • 주요 결함: 기존 NN 기반 방법들은 실현 가능성 (Feasibility) 보장이 없습니다. 즉, 신경망이 출력한 해가 전압이나 전류 제약 조건을 위반할 수 있으며, 이를 보정하기 위한 후처리 (Post-processing) 는 계산 비용을 증가시키거나 여전히 보장이 없습니다.

2. 제안된 방법론 (Methodology)

저자들은 **안전한 기울기 흐름 (Safe Gradient Flow, SGF)**을 기반으로 한 새로운 프레임워크를 제안하며, 이를 신경망으로 근사하여 계산 효율성을 높였습니다.

A. 안전한 기울기 흐름 (Safe Gradient Flow, SGF)

• 개념: 제어 장벽 함수 (Control Barrier Functions, CBF) 를 활용한 제약된 기울기 흐름의 연속 근사입니다.
• 동작 원리:
  • 실시간 측정 (전압, 전류) 또는 전력 흐름 계산 (Power Flow Computation) 을 통해 얻은 정보를 피드백으로 사용합니다.
  • 매 시간 단계에서 **볼록 2 차 계획법 (Convex Quadratic Program, QP)**을 풀어 업데이트 방향을 결정합니다.
  • 이 QP 는 목적 함수 (비용 최소화) 와 제약 조건 (전압, 전류, DER 한계) 을 동시에 만족하도록 설계되어, **실행 가능한 영역 (Feasible Set) 이 앞으로 불변 (Forward Invariant)**하도록 보장합니다.

B. 신경망 기반 근사 (Neural Network Approximation)

• 학습 대상: SGF 의 핵심인 QP 의 최적 해 맵 (Optimal Solution Map) 을 신경망 (NN) 으로 학습합니다.
  • 입력: 현재 DER 설정값 ($u$), 측정된 전압/전류 크기 ($\xi = |v|, |i|$), 문제 파라미터 ($\theta$).
  • 출력: QP 를 통해 계산된 최적 업데이트 방향 ($\dot{u}$).
• 학습의 타당성: AC OPF 의 해 자체는 다중일 수 있으나, QP 의 최적 해는 유일하고 연속적인 함수이므로 신경망으로 근사하기 적합합니다 (Well-posed learning task).
• 선형화 기법: 학습 복잡도를 낮추기 위해 전력 흐름 방정식을 선형 근사 (Linear Approximation) 하여 QP 의 자코비안 행렬을 대체합니다.

C. 구현 방식

1. 온라인 피드백 구현: 실시간 측정 데이터를 사용하여 NN 을 통해 DER 설정값을 즉시 업데이트합니다.
2. 오프라인 구현: 전력 흐름 솔버와 NN 을 결합하여 반복적으로 해를 구합니다.

3. 주요 기여 (Key Contributions)

1. 실현 가능성 보장 (Feasibility Guarantees):
   • 제안된 방법은 수렴 전이라도 (온라인 구현 시) 또는 조기 종료 시에도 실현 가능한 (Practically Feasible) 설정값을 생성합니다.
   • 제약 조건 위반의 상한을 분석적으로 추정하여, 학습 시 제약 조건을 엄격하게 조정 (Constraint Tightening) 함으로써 실제 제약 조건 위반을 방지합니다. 이는 AC OPF 에 대한 NN 기반 알고리즘 중 후처리 없이 실현 가능성을 보장하는 최초의 사례입니다.
2. 수렴성 보장:
   • 제안된 학습 기반 방법이 AC OPF 의 엄격한 국소 최적해 (Strict Local Optimizer) 의 근방으로 지수적으로 빠르게 수렴함을 증명했습니다.
3. 계산 효율성:
   • 매 단계에서 QP 를 푸는 대신 학습된 NN 을 사용하여 추론 (Inference) 만 수행하므로, 기존 최적화 방법보다 훨씬 빠른 속도를 달성합니다.
4. 성능 검증:
   • 93 노드 배전 계통 (Open Power System Data 기반) 에서 재생 에너지가 많은 시나리오를 통해 전압 조절 성능을 검증했습니다.

4. 실험 결과 (Results)

• 데이터셋: 6,000 개의 독립적인 운영 조건에서 생성된 60,000 개의 학습 데이터와 1,000 개의 테스트 데이터.
• 비교 대상:
  • BO (Batch Optimization): 매 10 초마다 IPOPT 솔버로 AC OPF 를 완전히 해결 (기준선).
  • NN-BO: NN 을 사용하여 BO 의 해를 직접 모방하는 기존 방식.
  • NN-SGF (제안): SGF 의 업데이트 방향을 NN 으로 학습한 방식.
• 성능 비교:
  • 전압 규제: NN-SGF 는 전압을 허용 범위 (0.95~1.05 p.u.) 내에 엄격하게 유지했습니다. 반면, NN-BO 는 전압 초과 (Overvoltage) 가 빈번하게 발생했습니다.
  • 계산 시간:
    • NN-SGF 온라인 단계: 약 0.0026 초 (약 297 배 속도 향상, BO 대비).
    • 기존 SGF (QP 풀이 포함): 약 0.1158 초.
  • 비용 (Cost): NN-BO 가 비용은 낮았으나 (과도한 전압 위반으로 인해 컷오프가 적음), 전압 안정성을 해쳤습니다. NN-SGF 는 전압 제약을 준수하면서 합리적인 비용을 달성했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 안전성과 속도의 균형: 이 연구는 신경망의 빠른 계산 속도와 최적화 이론의 엄격한 안전성 (실현 가능성) 보장을 결합했습니다.
• 실용적 적용 가능성: 실시간 제어 시스템에서 전압/전류 제약 조건 위반은 시스템 고장으로 이어질 수 있으므로, "어떤 시점에서도 실현 가능한 해"를 보장하는 것은 배전 계통 제어에 필수적입니다.
• 이론적 기여: 신경망이 비볼록 문제의 해를 직접 예측하는 것이 아니라, **안전한 업데이트 방향 (Safe Update Direction)**을 학습함으로써 비볼록성과 다중 해의 문제를 우회하고 이론적 보장을 달성했습니다.
• 향후 과제: 이산 시간 시스템에서의 점근적 안정성 분석 및 시간 가변적인 AC OPF 문제에 대한 추적 (Tracking) 성능 연구가 필요하다고 언급되었습니다.

요약하자면, 이 논문은 신경망을 사용하여 AC OPF 의 실시간 제어 문제를 해결하되, 기존의 NN 기반 방법들이 가진 '실현 가능성 부재'라는 치명적인 단점을 '안전한 기울기 흐름 (Safe Gradient Flow)'과 '제약 조건 엄격화 (Constraint Tightening)' 기법을 통해 해결하여, 전력 계통의 안전과 효율을 동시에 확보하는 새로운 패러다임을 제시했습니다.