NEO-Grid: A Neural Approximation Framework for Optimization and Control in Distribution Grids

기술 요약: NEO-Grid

문제 제기
태양광 발전 및 배터리 저장 장치와 같은 분산 에너지 자원 (DER) 의 급증은 배전망을 변혁시키고 있으며, 전압 안정성을 위협하는 상당한 변동성과 이질성을 초래하고 있습니다. 효과적인 관리를 위해서는 전력 주입과 전압 크기 간의 비선형 관계 (전력 흐름 또는 PF 모델) 를 정확하게 모델링해야 합니다. 전통적인 접근 방식은 선형화된 근사 (예: LinDistFlow) 에 의존하는데, 이는 과부하 상태나 고저항 피더 하에서 중요한 비선형성을 포착하지 못하는 경우가 많습니다. 또한, 전압 - 무효전력 최적화 (VVO) 는 중앙 집중식 해법을 추구하는 반면, 전압 - 무효전력 제어 (VVC) 는 지역적 자율 정책을 추구하지만, 둘 다 비선형 PF 방정식을 풀고자 하는 계산적 복잡성과 VVC 동역학의 재귀적 폐루프 특성으로 인해 제약을 받습니다. 기존 VVC 방법인 언롤된 순환 신경망 (RNN) 은 메모리 부담과 기울기 소실 문제에 시달립니다.

방법론
본 논문은 최적화 및 제어 모두를 위해 전통적인 선형 근사를 신경망 대리 모델로 대체하는 통합 학습 기반 프레임워크인 NEO-Grid를 제안합니다.

1. 신경 전력 흐름 대리 모델 (NEO-Grid 모델):

   • 저자들은 비선형 AC 전력 흐름 매핑 $v = f(p, q)$을 근사하기 위해 신경망 (특히 ReLU 활성화 함수를 가진 단일 은닉층 네트워크) 을 구축합니다.
   • 이 대리 모델은 무효전력 보상 시나리오를 포함한 다양한 운전 조건 하에서 정밀한 AC-PF 시뮬레이션으로 생성된 데이터를 기반으로 훈련됩니다.
   • ReLU 네트워크는 조각별 선형 (PWL) 함수를 생성하므로, 이 대리 모델은 혼합 정수 선형 (MIL) 또는 혼합 정수 2 차 (MIQP) 형식에 내장되어 비선형 물리를 표준 솔버가 처리할 수 있게 합니다.

2. 혼합 정수 프로그래밍을 통한 VVO:

   • 전압 - 무효전력 최적화 (VVO) 의 경우, 훈련된 신경 대리 모델이 최적화 문제의 비선형 PF 제약 조건을 대체합니다.
   • 목적은 명목 1.0 p.u. 프로파일로부터의 전압 편차를 최소화하는 것입니다. 네트워크의 PWL 특성을 통해 문제를 혼합 정수 2 차 계획 (MIQP) 으로 해결하거나 혼합 정수 선형 계획 (MILP) 으로 완화하여 풀 수 있습니다.

3. 심층 균형 모델 (DEQ) 을 통한 VVC:

   • 전압 - 무효전력 제어 (VVC) 의 경우, 저자들은 폐루프에서 작동하는 지역 제어 규칙 $q_i = g(v_i)$을 설계하는 과제를 다룹니다.
   • RNN 과 같이 시스템 동역학을 시간적으로 언롤하는 대신, NEO-Grid 는 시스템을 **심층 균형 모델 (DEQ)**로 모델링합니다.
   • 제어 규칙은 IEEE 1547 표준의 조각별 선형 드롭 (droop) 곡선을 모방하는 구조화된 ReLU 기반 함수로 매개변수화됩니다.
   • 시스템 상태는 신경 PF 대리 모델과 VVC 규칙을 구성하는 $F_\phi$에 대해 고정점 $v^* = F_\phi(v^*)$로 정의됩니다.
   • 훈련은 평형점에서 제어 매개변수 $\phi$에 대한 기울기를 직접 계산하기 위해 암시적 미분과 근 찾기 알고리즘 (예: 앤더슨 가속) 을 활용합니다. 이는 긴 궤적을 저장할 필요성을 제거하여 메모리 사용량과 계산 비용을 크게 줄입니다.

주요 기여
본 논문은 세 가지 주요 기여를 제시합니다:

1. 통합 PF 설계: 중앙 집중식 최적화 (VVO) 와 분산 제어 (VVC) 모두를 위한 처리 가능한 "뉴로 - 시뮬레이터"로 기능하는 단일 신경 전력 흐름 대리 모델의 구축.
2. 일반화 능력: 배전 시스템 내 데이터 융합, 예측 분석, 디지털 트윈 애플리케이션 등 다양한 작업을 지원할 수 있는 "범용" 뉴로 - 시뮬레이터로 설계된 프레임워크.
3. 균형 기반 VVC 학습: DEQ 기반 암시적 미분을 통해 최적화된 NEO-Grid 대리 모델과 PWL 제어 규칙 표현의 통합. 이 접근법은 언롤된 재귀 아키텍처의 계산 오버헤드 없이 폐루프 제어 성능을 효율적으로 최적화할 수 있게 합니다.

실험 결과
본 프레임워크는 IEEE 33 버스 방사상 배전 시스템에서 평가되었습니다.

• 전력 흐름 근사: NEO-Grid 신경 대리 모델은 테스트 세트에서 평균 제곱 오차 (MSE) 가 $1.81 \times 10^{-6}$를 기록했습니다. 이는 선형 회귀 ($3.16 \times 10^{-5}$) 보다 한 자릿수 더 우수하며, LinDistFlow 모델 ($1.95 \times 10^{-4}$) 보다 100 배 이상 정확합니다.
• VVO 성능: 전압 조절 작업에서 NEO-Grid 기반 최적화는 선형 회귀 및 LinDistFlow 기준 대비 가장 낮은 평균 전압 편차 (0.94%) 와 가장 적은 대규모 위반 (>3% 편차) 을 달성했습니다.
• VVC 성능: DEQ 로 훈련된 NEO-Grid 제어기는 평균 전압 편차 3.63% 를 달성하여 선형 및 휴리스틱 기준을 능가했습니다. 특히, 다른 최적화 기반 방법들이 여전히 상당한 대규모 편차를 보인 반면, 이 방법은 7% 를 초과하는 편차를 보이는 모든 전압 진입을 제거했습니다.
• 비교: VVO(중앙 집중식) 는 더 큰 유연성으로 인해 자연적으로 VVC(분산) 보다 나은 조절을 달성했지만, NEO-Grid VVC 접근 방식은 기존 선형/RNN 기반 방법보다 우수한 견고성과 일관성을 보여주었습니다.

의의 및 주장
저자들은 NEO-Grid 가 학습 기반 전압 조절을 위한 확장 가능하고 정확하며 해석 가능한 솔루션을 확립한다고 주장합니다. 비선형 물리의 정확성과 최적화 및 제어에 필요한 처리 가능성 사이의 간극을 해소함으로써, 이 프레임워크는 선형 근사에 대한 실용적인 대안을 제공합니다. DEQ 의 사용은 특히 폐루프 제어 설계의 계산 병목 현상을 해결하여 궤적 언롤의 메모리 부담 없이 단일 층 정책의 효율적인 훈련을 가능하게 합니다. 본 논문은 NEO-Grid 를 단순한 제어 알고리즘이 아닌, 배전망의 더 넓은 디지털 트윈 사용 사례, 민감도 분석 및 "what-if" 연구로 확장될 수 있는 기초적인 "뉴로 - 시뮬레이터"로 위치시킵니다.