BOOST-RPF: Boosted Sequential Trees for Radial Power Flow

1. 연구 배경 및 문제 정의 (Problem)

현대 배전 시스템은 분산 에너지 자원 (DER) 의 증가와 실시간 제어 요구사항으로 인해 정확하고 확장 가능한 전력 흐름 (Power Flow) 분석이 필수적입니다. 그러나 기존 방법론들은 다음과 같은 한계를 가지고 있습니다.

• 전통적 해석적 솔버 (Newton-Raphson 등): 높은 정확도를 제공하지만, 계산 비용이 높고 대규모 네트워크나 실시간 응용 분야에서 수렴성 문제가 발생할 수 있습니다.
• 기존 데이터 기반 모델 (MLP, GNN 등): 대부분의 머신러닝 기반 전력 흐름 솔버는 전체 네트워크를 하나의 그래프 회귀 문제로 취급하여 모든 버스 (Bus) 의 전압을 동시에 예측합니다. 이러한 접근법은 훈련 데이터 분포와 다른 조건 (Out-of-Distribution, OOD) 이나 네트워크 토폴로지 변화에 대해 일반화 능력이 떨어지는 경향이 있습니다.

핵심 문제: 기존 ML 모델들이 배전망의 물리적 특성 (방사형 구조에서의 국소적 전압 강하의 반복적 성질) 을 반영하지 못하고, 네트워크 크기와 토폴로지에 종속적인 글로벌 예측을 수행하여 OOD 환경에서 성능이 급격히 저하된다는 점입니다.

2. 제안 방법론: BOOST-RPF (Methodology)

이 논문은 전압 예측을 전체 그래프 회귀 문제에서 순차적 경로 기반 학습 문제 (Sequential Path-based Learning) 로 재정의하는 BOOST-RPF를 제안합니다.

• 개념적 전환: 방사형 배전망을 루트 (송전선) 에서 리프 (부하) 까지의 경로로 분해합니다. 각 노드의 전압은 상류 부모 노드의 상태와 지선 임피던스, 그리고 하류 부하에 의해 결정된다는 물리적 인과관계를 학습합니다.
• 특징 공학 (Feature Engineering):
  • 역방향 전력 집계: LinDistFlow 와 유사하게 리프에서 루트로 이동하며 하류의 총 부하 (P, Q) 를 집계하여 전압 강하의 원인을 반영합니다.
  • 물리 기반 잔차 학습: 모델이 전압 자체를 예측하는 대신, 선형화된 물리 모델 (LinDistFlow) 의 오차 (잔차) 나 부모 노드에서의 전압 강하 (Voltage Drop) 를 예측하도록 설계하여 학습 효율성을 높입니다.
• 아키텍처: XGBoost(Gradient-Boosted Decision Trees) 를 순차 학습 모델로 활용합니다.
  • Variant A (Absolute): 전압 값을 직접 예측.
  • Variant B (Parent Residual): 부모 노드에서의 전압 강하를 예측 (가장 우수한 성능).
  • Variant C (Physics-Informed Residual): LinDistFlow 기반 선형 모델의 오차를 예측.
• 추론 (Inference): 너비 우선 탐색 (BFS) 을 기반으로 루트에서 시작하여 자식 노드로 순차적으로 전압을 계산합니다. 이는 $O(N)$의 선형 계산 복잡도를 가지며, 기존 솔버의 $O(N^3)$보다 효율적입니다.

3. 주요 기여 (Key Contributions)

1. 순차적 학습 패러다임 도입: 전력 흐름 문제를 그래프 수준이 아닌 엣지 (Edge) 수준의 순차적 학습 문제로 변환하여, XGBoost 와 같은 간단한 ML 모델을 배전망 물리 법칙에 부합하도록 적용했습니다.
2. 물리 정렬 인덕티브 바이어스 (Physics-aligned Inductive Bias): 국소적 전압 강하 규칙성을 학습함으로써 네트워크 크기와 토폴로지에 무관한 (Size-agnostic) 일반화 능력을 확보했습니다.
3. 뛰어난 일반화 성능: 훈련되지 않은 새로운 피더 (Feeder) 와 토폴로지 (OOD) 에서 기존 GNN 및 MLP 기반 모델보다 월등히 높은 정확도와 견고성을 입증했습니다.
4. 샘플 효율성 및 확장성: 전체 그리드를 하나의 샘플로 보는 대신, 경로 기반 학습을 통해 데이터를 $N$배 증가시켜 학습 효율을 극대화하고, 선형 시간 복잡도 ($O(N)$) 를 달성했습니다.

4. 실험 결과 (Results)

Kerber Dorfnetz 그리드와 ENGAGE 데이터셋 (다양한 LV 배전망) 을 사용하여 평가했습니다.

• 정확도 (Accuracy):
  • Experiment 1 (단일 그리드): XGB-Parent 변형이 전압 크기 (RMSE $8.42 \times 10^{-4}$ p.u.) 와 위상각 (RMSE $7.34 \times 10^{-3}$ deg) 모두에서 가장 낮은 오차를 보이며, 기존 GNN 및 MLP 보다 10 배 이상 정확한 성능을 발휘했습니다.
  • Experiment 2 (이질적 그리드): 다양한 네트워크를 혼합하여 학습했을 때에도 XGB-Parent 가 가장 우수한 성능을 유지했습니다.
• 일반화 능력 (OOD Generalization):
  • Experiment 3 (미시적 그리드): 훈련 데이터에 포함되지 않은 새로운 네트워크 구조에 대한 테스트에서 GlobalMLP 는 완전히 실패 (RMSE 급증) 했습니다. 반면, BOOST-RPF (특히 XGB-Parent) 는 높은 정확도를 유지하며 강력한 일반화 능력을 입증했습니다.
  • 기존 GNN 모델 (ARMA-GNN) 도 성능이 저하되었으나, BOOST-RPF 는 상대적으로 안정적인 성능을 보였습니다.
• 계산 효율성:
  • 학습 시간: XGBoost 모델은 CPU 에서 수 초 (약 1114 초) 내에 학습 완료되었으며, 신경망 모델 (수백 초수천 초) 보다 훨씬 빠릅니다.
  • 추론 시간: 네트워크 노드 수에 비례하는 선형 ($O(N)$) 스케일링을 보이며, 실시간 운영에 적합한 속도를 제공합니다.

5. 의의 및 결론 (Significance)

• 실시간 운영 시스템 (DSO) 적용 가능성: BOOST-RPF 는 높은 정확도와 빠른 추론 속도를 동시에 제공하여, 실시간 전압 제어, 수용 능력 (Hosting Capacity) 분석, 몬테카를로 기반 contingencies 스크리닝 등 실시간 배전망 관리에 이상적인 솔루션이 됩니다.
• 해석 가능성 (Interpretability): 딥러닝의 '블랙박스' 문제와 달리, 트리 기반 모델은 전압 강하의 물리적 원인을 더 직관적으로 해석할 수 있게 합니다.
• 미래 지향성: 현재는 방사형 (Radial) 네트워크에 최적화되어 있으나, 메쉬형 (Meshed) 네트워크 확장 및 C++ 기반 병렬화를 통해 추론 지연 시간을 $O(\log N)$으로 줄이는 등 향후 연구 방향이 제시되었습니다.

결론적으로, BOOST-RPF 는 기계 학습의 유연성과 고전적 해석적 솔버의 물리적 견고함을 결합하여, 기존 데이터 기반 전력 흐름 솔버의 일반화 한계를 극복하고 차세대 분산형 전력 시스템 관리를 위한 확장 가능한 프레임워크를 제시했습니다.