A Data-Driven Optimal Control Architecture for Grid-Connected Power Converters

이 논문은 복잡한 전력망 환경에서 기존 PID 제어의 한계를 극복하기 위해 측정 데이터를 기반으로 최적, 강인, 적응형 제어를 수행하는 'DeePConverter'라는 데이터 기반 예측 제어 아키텍처를 제안하고, 시뮬레이션 및 하드웨어-in-the-루프 실험을 통해 그 유효성을 입증합니다.

핵심

🚗 1. 문제: "오래된 지도"로 운전하는 자동차

전력 변환기는 태양광이나 풍력 같은 재생에너지를 전력망에 연결해 주는 '문지기' 역할을 합니다.

• 기존 방식 (구식 내비게이션):
  예전에는 이 문지기가 PID 제어기라는 오래된 내비게이션을 썼습니다. 이 내비게이션은 "전력망은 항상 완벽하고 예측 가능하다"는 가상의 지도를 기반으로 작동했습니다.
  • 문제점: 하지만 실제 전력망은 날씨, 수요, 다른 발전소들의 상태에 따라 끊임없이 변하는 복잡한 생체와 같습니다. 고정된 지도로 변덕스러운 도로를 운전하면 차가 흔들리거나 (진동), 심지어 길을 잃고 멈추는 (정지) 사고가 날 수 있습니다.

🧠 2. 해결책: "실시간 데이터"로 배우는 DeePConverter

이 논문은 **"DeePConverter"**라는 새로운 시스템을 제안합니다. 이는 "데이터 기반 예측 제어 (DeePC)" 기술을 적용한 변환기입니다.

• 비유: 유능한 요리사 vs 레시피 책
  • 기존 방식: 요리사가 **레시피 책 (수학적 모델)**을 보고 재료를 넣습니다. 하지만 손님이 갑자기 "더 짜게 해줘"라고 하거나 재료가 조금 다르면, 레시피 책대로만 하다가 실패합니다.
  • DeePConverter 방식: 이 변환기는 레시피 책을 보지 않습니다. 대신 **실제 맛 (데이터)**을 계속 맛보며 배웁니다. "어제 이 정도 소금을 넣었더니 맛이 좋았어, 오늘 비가 와서 습도가 달라졌으니 소금을 조금 더 줄여야겠어"라고 실시간으로 스스로 판단합니다.

✨ 3. DeePConverter 의 핵심 특징

이 새로운 변환기는 다음과 같은 놀라운 능력을 가집니다.

① "모듈형" 설계 (레고 블록처럼)

기존의 복잡한 제어 시스템을 통째로 갈아치울 필요도, 일부만 갈아치울 필요도 있습니다.

• 비유: 자동차의 엔진, 조향장치, 브레이크를 각각 교체할 수 있는 레고 블록처럼 설계되었습니다.
  • 동기화 (방향 잡기) 만 새로 만들고 싶다면 그 부분만,
  • 전력 조절만 더 똑똑하게 만들고 싶다면 그 부분만
  • DeePConverter로 교체할 수 있어 기존 설비에도 쉽게 적용 가능합니다.

② "오류 수정" 기능 (적분 작용)

기존 방식은 시간이 지나면 목표치와 실제 값 사이에 미세한 오차가 쌓여 문제가 생길 수 있습니다.

• 비유: 에코 (ECHO) 기능이 있는 마이크처럼, "아까보다 조금 더 높게, 조금 더 낮게"라고 과거의 실수를 기억하고 보정해 줍니다. 그래서 장기적으로도 목표한 전력이나 전압을 정확히 유지합니다.

③ "자율 적응" 능력 (온라인 학습)

전력망의 상태가 급변하면 (예: 태풍으로 풍력 발전량이 급감하거나, 배선 문제가 생기는 경우) 기존 시스템은 당황합니다.

• 비유: DeePConverter 는 스마트폰의 자동 업데이트처럼 작동합니다.
  • 재귀 업데이트: 매초마다 새로운 데이터를 받아 즉시 학습합니다.
  • 배치 재구성: 큰 변화가 감지되면, 잠시 집중해서 새로운 데이터를 모으고 전체 지도를 다시 그립니다.
  • 결과적으로 전력망이 어떻게 변하든 스스로 적응하여 안정적으로 운전합니다.

🛡️ 4. 왜 이것이 중요한가요? (실험 결과)

연구진은 이 시스템을 시뮬레이션과 실제 하드웨어 (HIL) 테스트로 검증했습니다.

• 결과: 기존 방식 (GFL, GFM) 이 전압이 떨어지거나 주파수가 흔들릴 때 진동하거나 불안정해진 반면, DeePConverter 는 흔들림 없이 부드럽게 대응했습니다.
• 장점:
  1. 모델 불필요: 복잡한 전력망 수식을 몰라도 됩니다. 데이터만 있으면 됩니다.
  2. 강인함: 잡음이나 오차가 있어도 제어 성능이 떨어지지 않습니다.
  3. 유연성: 전력망의 상황에 맞춰 '전력 조절 모드'나 '전압 조절 모드'를 자유롭게 바꿀 수 있습니다.

📝 요약

이 논문은 **"전력 변환기가 더 이상 고정된 레시피 (모델) 에 의존하지 않고, 실시간 데이터로 스스로 배우고 적응하는 똑똑한 AI 운전자가 되게 했다"**는 내용입니다.

이는 기후 변화로 인해 재생에너지가 급격히 늘어나는 미래 전력망에서, 전력망이 흔들리지 않고 안전하게 유지될 수 있는 핵심 열쇠가 될 것입니다. 마치 자율주행차가 복잡한 도시 교통을 스스로 학습하며 안전하게 운전하듯, 전력 변환기도 변덕스러운 전력망을 스스로 이해하며 안정적으로 전력을 공급하는 시대가 온 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 기후 변화 대응을 위해 재생에너지 (풍력, 태양광 등) 의 전력계통 연계가 급격히 증가하고 있습니다. 기존 화력 발전소의 동기 발전기 (SG) 와 달리, 재생에너지는 전력 전자 변환기 (Power Converters) 를 통해 계통에 연결됩니다.
• 문제점:
  • 모델 불일치 (Model Mismatch): 기존 변환기 제어는 PID 기반의 중첩 루프 (동기화, 전류 제어, 전력/전압 제어) 를 사용하며, 파라미터는 단순화된 무한버스 (Infinite Bus) 모델을 기반으로 조정됩니다. 그러나 실제 전력계통은 복잡하고 시변적 (Time-varying)이며 불확실성이 많아 단순 모델과 실제 환경 간의 불일치가 발생합니다.
  • 안정성 저하: 모델 불일치로 인해 제어 성능이 저하되거나, 실제 풍력 단지 등에서 관측된 것과 같은 진동 (소신호 불안정) 이 발생할 수 있습니다.
  • 기존 대안의 한계: 강인 제어 (Robust Control) 나 적응 제어, 모델 예측 제어 (MPC) 등은 정확한 계통 모델과 지속적인 재조정 (Retuning) 이 필요하지만, 계통 임피던스의 불확실성과 복잡한 상호작용으로 인해 이를 유지하는 것이 비용이 많이 들고 실시간 대응이 어렵습니다.

2. 제안 방법론 (Methodology)

저자들은 **DeePConverter (Data-enabled Predictive Converter)**라는 새로운 제어 아키텍처를 제안합니다. 이는 시스템의 명시적 수학적 모델을 필요로 하지 않고, 측정된 입력/출력 데이터 (Trajectories) 만을 기반으로 최적 제어를 수행하는 **데이터 기반 예측 제어 (DeePC)**를 전력 변환기에 적용한 것입니다.

• 핵심 원리:

  • 행동 시스템 이론 (Behavioral Systems Theory): 선형 시불변 (LTI) 시스템의 동역학은 충분히 풍부한 (Persistently Exciting) 입력/출력 데이터로 완전히 표현될 수 있다는 'Fundamental Lemma'를 기반으로 합니다.
  • DeePC 적용: 변환기와 계통의 폐루프 동역학을 데이터 (전압, 전류, 전력 등) 에 내재된 정보로 간주하고, 이를 Hankel 행렬을 통해 미래 동작을 예측하여 최적 제어 입력을 계산합니다.

• 주요 기술적 구성 요소:

  1. 모듈형 아키텍처 (Modular Architecture): 기존 제어 루프 (동기화, 외부 루프, 내부 전류 루프) 중 일부를 선택적으로 DeePC 로 교체하는 5 가지 구성 (Full, Power&Voltage-regulated, Current-regulated, Self-synchronized, Hybrid-synchronized) 을 지원합니다. 이를 통해 기존 시스템과의 호환성을 유지하며 점진적 도입이 가능합니다.
  2. 적분형 DeePC (Integral DeePC): 비선형성으로 인한 정상 상태 오차 (Steady-state error) 를 제거하기 위해 제어 입력의 차분 ($\Delta u$) 을 최적화하는 적분 동작을 도입했습니다.
  3. 일반화된 제어 구조 (Generalized Structure): 하나의 DeePConverter 프레임워크 내에서 **그리드 팔로우 (GFL)**와 그리드 포밍 (GFM) 두 가지 모드를 비용 함수 (Cost Function) 설계 (가중치 및 결합 행렬 조정) 만으로 구현할 수 있습니다.
     • GFL: PLL 기반 동기화 및 전력 추종.
     • GFM: 관성 및 댐핑 특성을 가진 가상 동기 발전기 (VSM) 동작 모방.
  4. 강인성 (Robustness): 측정 노이즈, 센서 편차, 통신 지연 등에 대해 슬랙 변수 (Slack variables) 와 정규화 (Regularization) 항을 도입하여 데이터 왜곡에 강인한 제어를 보장합니다.
  5. 온라인 적응 (Online Adaptation): 계통 조건 변화 (부하 변동, 파라미터 드리프트) 에 대응하기 위해 Hankel 행렬을 실시간으로 업데이트하는 재귀적 업데이트 (Recursive Update) 및 배치 재구성 (Batch Reconstruction) 전략을 제안했습니다.

3. 주요 기여 (Key Contributions)

1. 모듈형 플러그 - 앤 - 플레이 아키텍처: 데이터 기반 최적 제어를 전력 변환기에 적용하기 위한 모듈형 설계를 제안하여, 특정 제어 계층 (동기화, 전력/전압 제어 등) 을 유연하게 교체하거나 전체 제어 구조를 대체할 수 있게 했습니다.
2. 적분 및 적응형 DeePC 공식화: 정상 상태 오차를 제거하기 위한 적분 동작과 시변 조건에 대한 적응력을 높이기 위한 Hankel 행렬의 온라인 업데이트 전략을 통합했습니다.
3. 비용 함수 기반 행동 설계: GFL 과 GFM 의 제어 행동을 명시적인 모델 없이 비용 함수의 가중치와 결합 행렬 설계만으로 체계적으로 구현하고, PQ/PV 모드 등을 유연하게 구성할 수 있음을 증명했습니다.

4. 실험 결과 (Results)

고충실도 시뮬레이션 및 하드웨어 인 더 루프 (HIL) 실험을 통해 제안된 방법의 유효성을 검증했습니다.

• 성능 비교:
  • GFL/GFM 모방: DeePConverter 는 기존 GFL/GFM 변환기의 동적 거동 (주파수 응답, 임피던스 특성 등) 을 정확히 모방하면서도, 더 빠른 전력 추적, 향상된 외란 제거 능력, 더 나은 안정성을 보였습니다.
  • 전압 강하 (Voltage Sag) 테스트: 심각한 전압 강하 (0.5 p.u.) 상황에서 기존 GFL 변환기는 동기화 손실로 불안정해졌고, GFM 도 일시적 동기화 손실을 겪었으나, DeePConverter 는 전체 과정 동안 안정적으로 운전하며 빠른 회복을 보였습니다.
  • 주파수 변동: 관성 및 댐핑 파라미터를 유연하게 조정하여 주파수 변동에 대한 관성 지원 및 1 차 주파수 응답을 효과적으로 제공했습니다.
• 적응성 검증: 계통 전압 불균형이나 PLL 대역폭 변화와 같은 환경 변화 시, 재귀적 업데이트 또는 배치 재구성 전략을 통해 Hankel 행렬을 갱신함으로써 제어 성능을 유지하고 진동을 억제했습니다.
• 다중 변환기 시스템: 약한 계통에서 PLL 간 상호작용으로 인한 진동이 발생하는 2 지역 계통 테스트에서, DeePConverter 를 적용한 경우 진동이 효과적으로 억제되었고 기존 GFM 보다 더 작은 전력 변동을 보였습니다.
• 실시간성: OSQP 솔버 및 폐형 해 (Closed-form solution) 를 활용하여 1ms 제어 주기 내에서 계산이 가능함을 확인했습니다.

5. 의의 및 결론 (Significance)

• 모델 불일치 문제 해결: 복잡한 전력계통의 정확한 수학적 모델을 구축할 필요 없이, 측정 데이터만으로 최적적이고 강인한 제어를 가능하게 하여 모델 불일치로 인한 불안정성을 근본적으로 해결합니다.
• 유연성과 확장성: 하나의 아키텍처로 GFL 과 GFM 을 모두 지원하며, 모듈형 설계를 통해 기존 설비와의 호환성 및 점진적 도입이 가능합니다.
• 미래 전력계통의 핵심 기술: 재생에너지 비중이 높아지고 계통이 약화 (Weak Grid) 되는 환경에서, 변환기가 스스로 계통 특성을 인지하고 적응하여 안정성을 확보할 수 있는 데이터 기반 제어 패러다임을 제시했습니다.

이 논문은 전력 전자 변환기 제어 분야에서 모델 기반 접근법의 한계를 극복하고, 데이터 중심의 지능형 제어 솔루션이 실제 전력계통 안정성에 기여할 수 있음을 실증적으로 증명한 중요한 연구입니다.