Discovering Unknown Inverter Governing Equations via Physics-Informed Sparse Machine Learning

논문 제목: 물리 정보 기반 희소 머신러닝을 통한 미지의 인버터 지배 방정식 발견

저자: Jialin Zheng, Ruhaan Batta, Zhong Liu, Xiaonan Lu (IEEE TRANSACTIONS ON POWER ELECTRONICS 게재 예정)

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 현대 전력 시스템은 동기 발전기 대신 인버터 기반 자원 (IBR) 이 주를 이루고 있으며, 특히 그리드 포밍 (GFM) 및 그리드 팔로우 (GFL) 인버터의 제어 로직이 시스템 동역학을 지배합니다.
• 문제점:
  • 블랙박스화: 인버터 제조사의 제어 로직은 독점적이고 폐쇄되어 있어, 계통 운영자에게는 블랙박스 상태입니다.
  • 기존 방법의 한계:
    • 임피던스 식별: 국소 선형 (LTI) 가정만 가능하여 대신호 (Large-signal) 과도 안정성 분석에 부적합합니다.
    • 심볼릭 리그레이션: 사전 정의된 함수 라이브러리에 의존하여 복잡한 제어 로직 (예: PLL, 포화) 을 포착하기 어렵고 노이즈에 민감합니다.
    • 순수 신경망 (Neural ODE): 데이터 피팅은 우수하지만 물리적 일관성 (Physical Consistency) 이 부족하여 해석이 불가능하고, 고유값 (Eigenvalue) 분석 등 안정성 해석에 사용할 수 없습니다.
• 목표: 외부 측정 데이터로부터 인버터의 명시적 (Explicit) 인 제어 방정식을 발견하여, 블랙박스 장치를 해석 가능한 수학적 모델로 변환하고, 이를 통해 시스템 안정성을 정밀하게 분석하는 것입니다.

2. 제안 방법론: PISML (Physics-Informed Sparse Machine Learning)

논문은 물리 정보 기반 희소 머신러닝 (PISML) 프레임워크를 제안하며, 이는 다음과 같은 3 단계 구조로 구성됩니다.

가. 하이브리드 신경 - 심볼릭 아키텍처 (Hybrid Neural-Symbolic Architecture)

• 희소 심볼릭 백본 (Sparse Symbolic Backbone):
  • 전력 시스템의 물리 법칙 (키르히호프 법칙 등) 과 제어 구조 (PI 제어, 전력 계산 등) 를 기반으로 도메인 특화 물리 라이브러리를 구성합니다.
  • $\ell_1$ 정규화를 통해 지배적인 물리 항들만 선택하여 해석 가능한 "모델의 뼈대"를 추출합니다.
• 신경 잔차 분지 (Neural Residual Branch):
  • 백본이 포착하지 못하는 복잡한 비선형성 (예: 미지의 제어 로직, 하드 포화, PLL 동작) 을 모델링하기 위해 Neural ODE를 사용합니다.
  • 이는 백본의 오차를 보정하는 역할만 수행하도록 설계되어, 신경망이 물리적 구조를 왜곡하는 것을 방지합니다.

나. 다중 스케일 물리 정보 학습 메커니즘 (Multi-Scale Physics-Informed Training)

• 자코비안 정규화 (Jacobian Regularization):
  • 단순히 궤적 (Trajectory) 오차만 최소화하는 것을 넘어, 시스템의 소신호 (Small-signal) 응답을 물리적으로 일치시킵니다.
  • 학습된 모델의 자코비안 행렬 (Jacobian) 이 실제 시스템의 고유값 분포와 일치하도록 제약 조건 ($L_{pert}$) 을 추가합니다.
  • 이를 통해 신경망이 물리적으로 불가능한 동작 (예: 불안정한 극점 생성) 을 학습하는 것을 방지하고, 대/소신호 동역학의 일관성을 보장합니다.

다. 해석 가능한 명시적 방정식 발견 (Interpretable Explicit Discovery)

• 심볼릭 증류 (Symbolic Distillation):
  • 학습된 신경 잔차 모델을 다시 희소 심볼릭 리그레이션에 입력합니다.
  • 신경망이 학습한 복잡한 비선형성을 고차 다항식, 삼각함수, 유리식 등으로 변환하여 명시적인 폐쇄형 (Closed-form) 방정식으로 추출합니다.
  • 최종적으로 "물리 백본 + 증류된 잔차"를 결합하여 전체 시스템의 지배 방정식을 완성합니다.

3. 주요 기여 (Key Contributions)

1. 하이브리드 아키텍처 설계: 해석 가능성 (Symbolic) 과 표현력 (Neural) 을 동시에 확보하여, 물리 법칙과 미지의 비선형성을 분리하여 모델링합니다.
2. 다중 스케일 일관성 보장: 궤적 재구성뿐만 아니라 자코비안 기반의 소신호 안정성까지 보장하는 물리 정보 학습 전략을 도입했습니다.
3. 해석 가능한 명시적 발견: 블랙박스 신경망을 경량화된 명시적 수식 (Explicit Equation) 으로 변환하여, 이론적 안정성 분석 (고유값 분석 등) 이 가능하게 했습니다.

4. 실험 결과 (Results)

하드웨어 인 더 루프 (HIL) 플랫폼을 활용한 고충실도 실험을 통해 검증되었습니다.

• 궤적 재구성 및 일반화:
  • 대신호 오차: 기존 방법 (Standard SINDy, Mod-SINDy, Pure NODE) 대비 340 배 이상의 오차 감소 (상대 오차 0.59% ~ 2.95% 수준).
  • OOD (Out-of-Distribution) 성능: 훈련 데이터 범위를 벗어난 심한 전압 강하 (0.4 p.u.) 및 제어 포화 상황에서도 높은 정확도를 유지했습니다.
• 데이터 효율성 및 노이즈 강건성:
  • 기존 신경망 모델이 64 개의 궤적 데이터가 필요한 반면, PISML 은 12 개의 궤적만으로도 동등 이상의 정확도를 달성했습니다.
  • 노이즈가 포함된 데이터에서도 자코비안 정규화와 희소성 제약이 노이즈 항을 효과적으로 필터링하여 안정성을 유지했습니다.
• 소신호 물리적 일관성:
  • Wasserstein 거리: 기존 방법 대비 340 배 이상 개선된 고유값 분포 정확도를 보였습니다.
  • 학습된 모델의 고유값이 실제 시스템의 안정성 영역 (Left-half plane) 에 정확히 위치함을 확인했습니다.
• 모델 압축 및 해석성:
  • 수천 개의 신경망 파라미터를 50 개 미만의 계수로 압축 (250 배 이상).
  • 추출된 명시적 방정식이 실제 시스템의 동역학과 구조적으로 동형 (Isomorphic) 임을 확인했습니다.
• 시스템 통합 검증:
  • 3 버스 마이크로그리드 시뮬레이션에서, PISML 로 발견된 모델을 다른 알려진 인버터와 결합하여 과도 응답 및 고유값 궤적 분석을 수행한 결과, 실제 HIL 측정값과 높은 일치도를 보였습니다.

5. 의의 및 결론 (Significance)

• 모델링 격차 해소: 인버터 제조사의 독점 제어 로직을 외부 데이터만으로 해석 가능한 수학적 모델로 복원하여, 전력 시스템 운영자가 "블랙박스" 장치를 안전하게 통합하고 분석할 수 있는 길을 열었습니다.
• 안정성 분석 가능: 기존에는 불가능했던 블랙박스 인버터에 대한 고유값 기반의 정밀한 안정성 분석을 가능하게 하여, 계통 설계 및 제어 최적화에 기여합니다.
• 실용성: 계산 복잡도를 획기적으로 낮추어 임베디드 DSP 제어기나 실시간 시뮬레이션에도 적용 가능한 경량 모델을 제공합니다.

이 논문은 데이터 기반 모델링과 물리 기반 모델링의 장점을 융합하여, 복잡한 전력 전자 시스템의 동역학을 정확하고 해석 가능하게 발견하는 새로운 패러다임을 제시했습니다.