Data-Efficient Physics-Informed Learning to Model Synchro-Waveform Dynamics of Grid-Integrated Inverter-Based Resources

기술 요약: 그리드 통합 인버터 기반 자원(IBR)의 동기 파형 역학 모델링을 위한 데이터 효율적 물리 정보 학습

문제 정의
인버터 기반 자원(IBR)의 침투율 증가로 인해 전력 계통이 동기 발전기 중심에서 전력 전자 기반 생성 방식으로 변화하고 있습니다. 전통적인 발전기와 달리, IBR은 네트워크 교란 발생 시 제어에 의해 구동되는 빠른 과도 현상을 나타내며, 여기에는 상당한 수준의 서브 사이클(sub-cycle) 과도 특성이 포함될 수 있습니다. 이러한 역학은 전통적인 페이저 및 SCADA 측정 방식으로는 포착하기 어렵습니다. 파형 측정 장치(WMU)는 고해상도의 시간 동기화된 원시 전압 및 전류 샘플을 제공하지만, 이 데이터로부터 정확한 과도 모델을 학습하는 것은 여전히 도전적인 과제입니다. 물리 기반 모델은 서브 사이클 시간 척도에서 계산 부하가 클 수 있으며, 순수 데이터 기반 모델은 희소한 네트워크 교란 데이터를 대량으로 필요로 한다는 단점이 있습니다.

방법론
저자들은 제한된 수의 교란 시그니처를 사용하여 IBR 단자 전류 응답을 추정하는 물리 정보 기계 학습(PIML) 프레임워크를 제안합니다. 이 접근 방식은 두 위치의 시간 동기화된 파형 측정을 활용합니다: IBR 단자(전압 $v_1(t)$ 및 전류 $i_1(t)$ 측정)와 연결 선로의 그리드 측(전압 $v_2(t)$ 측정).

원시 파형을 직접 모델링하는 대신, 이 방법은 교란 전의 정상 상태로부터 과도 교란 시그니처를 분리해내는 1차 미분 파형($\Delta x(t)$)을 대상으로 동작합니다. 핵심 방법론은 미분 단자 전압을 미분 단자 전류($\Delta i_1 = f(\Delta v_1)$)로 매핑하는 미지의 비선형 함수 $f(\cdot)$를 학습하는 것입니다.

본 프레임웨는 다음의 그리드 측 회로 관계식을 강제함으로써 물리 법칙을 통합합니다:
$$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$$
여기서 $R$과 $L$은 선로의 저항과 인덕턴스를 나타냅니다. 학습 과정은 다음의 조합으로 구성된 손실 함수를 최소화하도록 정식화됩니다:

1. 데이터 기반 손실: 예측된 미분 전류와 관측된 미분 전류 사이의 평균 제곱 오차(MSE).
2. 물리 정보 손실: 식 (2)의 회로 방정식으로부터의 편차를 벌칙(penalty)으로 부여하는 정규화 항.

논문은 두 가지 특정 시나리오를 다룹니다:

• 매개변수를 알고 있는 경우: $R$과 $L$이 기지(known)라고 가정합니다. 이 모델은 전류 응답을 예측하기 위한 하나의 신경망과 회로 방정식 제약을 강제하기 위한 두 번째 신경망, 총 두 개의 신경망을 사용합니다.
• 매개변수를 모르는 경우: $R$과 $L$을 학습 가능한 스칼라 값으로 취급하며(softplus 활성화 함수를 통해 비음수 제약 적용), 프레임워크는 경사 하강법 최적화를 통해 과도 역학 맵 $f(\cdot)$와 회로 매개변수인 $R, L$을 동시에 학습합니다.

주요 기여

1. 새로운 PIML 프레임워크: 본 논문은 IBR의 동기 파형 분석에 PIML을 적용한 첫 사례를 소개합니다. 이는 그리드 측 파형 측정값과 회로 방정식을 통합하여 학습 과정을 제약합니다.
2. 데이터 효율성: 제안된 방법은 순수 데이터 기반 베이스라인과 비교했을 때, 정확한 모델을 달성하는 데 필요한 레이블링된 교란 데이터의 양을 크게 줄여줍니다.
3. 결합 매개변수 추정: 본 프레임워크는 불확실할 수 있는 선로 매개변수($R, L$)를 IBR 과도 역학 모델링과 동시에 추정할 수 있게 하여 실질적인 한계를 해결합니다.
4. 샘플링 속도에 대한 강건성: 제안된 방법은 다양한 샘플링 속도(60 Hz당 32, 64, 128 샘플)에 대해 검증되었으며, 낮은 해상도에서도 일관된 성능을 입증했습니다.

실험 결과
저자들은 80개의 교란 이벤트 데이터셋을 사용하여, 학습 이벤트 수를 3개에서 50개까지 변화시키며 접근 방식을 평가했습니다.

• 매개변수를 아는 경우의 성능: 모든 샘플링 속도에서 PIML 모델은 데이터 전용 베이스라인보다 일관되게 낮은 테스트 MSE를 달성했습니다. 예를 들어, 128 샘플/사이클의 샘플링 속도에서 학습 이벤트가 3개뿐일 때, PIML 모델은 데이터 전용 모델 대비 오차를 약 58% 감소시켰습니다.
• 데이터 효율성 이득: 매개변수를 알고 있을 때, PML 방식은 데이터 전용 모델과 유사한 오차 수준에 도달하기 위해 약 7배에서 9배 적은 학습 이벤트만 필요했습니다. 매개변수를 모르는 경우 효율성 이득은 다소 낮았으나(약 2.3배 ~ 5.7배), 여전히 유의미했습니다.
• 매개변수 식별: 매개변수를 모르는 경우, 모델은 학습 과정 중 $R$ (10 $\Omega$)과 $L$ (0.2 mH)의 실제 값으로 성공적으로 수렴하였으며, 이는 수렴 플롯을 통해 확인되었습니다.
• 낮은 샘플링 속도: PIML 모델은 데이터 전용 베이스라인이 어려움을 겪었던 가장 낮은 샘플링 속도(32 샘플/사이클)에서도 견고한 성능과 낮은 오차율을 유지했습니다.

의의 및 주장
본 논문은 이 연구가 IBR을 위한 물리 기반 모델링과 데이터 기반 모델링 사이의 간극을 메운다고 주장합니다. 기존에 활용되지 못하던 그리드 측 파형 측정을 활용함으로써, 제안된 PIML 프레임워크는 훨씬 적은 수의 교란 이벤트만으로도 빠른 서브 사이클 IBR 역학을 정확하게 모델링할 수 있습니다. 이는 대규모 레이블 데이터 수집이 불가능한 실제 환경에서 특히 중요합니다. 회로 매개변수를 동시에 식별할 수 있는 능력은 선로 매개변수가 불확실한 실제 환경에서의 활용도를 더욱 높여줍니다. 저자들은 이 접근 방식이 동기 파형 역학 모델링을 위한 데이터 효율적인 경로를 제공한다고 결론지으며, 향후 복잡한 네트워크 토폴로지, 노이즈 및 불평형 조건을 다루기 위한 후속 연구를 계획하고 있습니다.