PowerSINDy: Identifying Nonlinear Time-Dependent Dynamics in Power Grid Frequency

기술 요약: 전력망 주파수 역학을 위한 PowerSINDy

문제 제기
현대 전력 시스템의 안정적 운영은 발전과 수요 간의 균형을 반영하는 그리드 주파수 역학의 정확한 특성화에 크게 의존합니다. 집합적 스윙 방정식과 같은 전통적 모델링 접근법은 종종 선형 가정과 단순화된 물리 매개변수에 의존하는데, 이는 높은 재생에너지 수용과 확률적 변동으로 인해 도입된 복잡하고 비선형적이며 시간 의존적인 행동을 포착하기에 부족합니다. 비선형 역학의 희소 식별 (Sparse Identification of Nonlinear Dynamics, SINDy) 과 같은 시스템 식별 방법은 지배 방정식을 발견하기 위한 데이터 기반 대안을 제공하지만, 실제 전력망 데이터에 대한 적용은 여전히 제한적입니다. 기존 연구는 주로 합성 데이터에 초점을 맞추어 왔으며, 노이즈가 많고 복잡한 실증 데이터셋에서 SINDy 의 성능과 다양한 희소성 장려 회귀 전략 간의 트레이드오프에 관한 질문은 여전히 열려 있습니다.

방법론: PowerSINDy 프레임워크
저자들은 전력 시스템 주파수 데이터에서 비선형적이고 시간 의존적인 역학을 식별하기 위해 맞춤화된 PowerSINDy 프레임워크를 제안합니다. 이 방법론은 세 가지 주요 단계를 포함합니다:

1. 데이터 전처리 및 평활화:
   대륙 유럽 (CE) 그리드 (50 Hz) 와 대한민국 (SK) 그리드 (60 Hz) 의 두 가지 서로 다른 동기식 그리드에서 수집된 고해상도 주파수 데이터 (1 초 해상도) 를 분석했습니다. 확률적 노이즈로부터 결정론적 역학을 분리하기 위해 가우시안 필터를 적용했습니다. 최적의 평활화 매개변수 ($\sigma$) 는 SINDy 시뮬레이션 궤적과 원래 실증 데이터 간의 제곱근 평균 오차 (RMSE) 를 최소화하여 결정되었습니다. 연구는 노이즈 억제와 특징 보존 사이의 최적 균형을 이루는 $\sigma = 60$(60 초 윈도우) 을 최적값으로 확인했습니다.

2. 후보 라이브러리 구성:
   다항식에만 의존하는 표준 SINDy 구현과 달리, PowerSINDy 는 전력망 역학을 더 잘 표현하기 위해 후보 함수 라이브러리를 확장합니다. 라이브러리에는 다음이 포함됩니다:

   • 다항식 항: 비선형 결합을 포착하기 위해 2 차 ($p2$) 및 3 차 ($p3$) 차수까지.
   • 푸리에 항: 동기식 그리드에 내재된 진동 행동을 표현하기 위한 1 차 사인 및 코사인 함수 ($p2f1$).
   • 시간 의존적 항: 부하 곡선과 발전 일정에 의해 구동되는 결정론적 신호를 고려하기 위해 명시적인 시간 ($T$) 과 시간을 포함하는 상호작용 항.

3. 희소 회귀 전략:
   이 프레임워크는 희소 회귀 문제 $\dot{X} = \Theta(X)\Xi$를 해결하기 위해 세 가지 서로 다른 최적화 전략을 벤치마크합니다:

   • 순차적 임계값 최소제곱법 (STLSQ): 최소제곱법을 반복적으로 풀고 작은 계수를 임계값 처리합니다.
   • LASSO (Least Absolute Shrinkage and Selection Operator): 계수를 0 으로 축소하기 위해 $L1$ 페널티를 사용합니다.
   • 희소 완화 정규화 회귀 (SR3): 데이터 적합과 희소성 강제를 분리하기 위해 보조 변수와 완화 매개변수를 도입하며, $L0$, $L1$, $L2$ 노름으로 테스트됩니다.

주요 결과
이 연구는 CE 및 SK 데이터셋의 15 분 궤적에 걸쳐 프레임워크를 평가하여 모델 정확도 (안정적 RMSE), 안정성 비율 (발산하지 않는 궤적의 비율), 그리고 구조적 복잡성 (활성 특징의 수) 을 비교했습니다.

• 최적화기 성능:

  • LASSO는 모든 구성에서 일관되게 가장 낮은 안정적 RMSE를 달성했습니다. 3 차 다항식 ($p3$) 을 사용한 CE 데이터셋의 경우, LASSO 는 0.0101의 최소 RMSE 에 도달했습니다. 또한 특히 저차 구성에서 가장 희소한 모델을 생성했습니다.
  • STLSQ는 가장 높은 안정성을 보여주었으며, 2 차 ($p2$) 설정에서 안정성 비율이 종종 0.79 를 초과했습니다. 이는 LASSO 보다 약간 높은 RMSE 를 보였지만 정확도와 신뢰성 사이의 최상의 균형을 제공했습니다.
  • SR3는 가장 높은 변동성과 하이퍼파라미터 및 데이터셋 특성에 대한 민감성을 보였습니다. 특히 SR3 의 $L0$ 및 $L1$ 노름은 RMSE 와 안정성 측면에서 거의 구별되지 않는 결과를 산출했습니다. SR3 의 성능은 3 차 ($p3$) 구성, 특히 SK 데이터셋에서 현저히 저하되어 안정성 비율이 0.52 미만으로 떨어졌습니다.

• 모델 복잡성 및 라이브러리 선택:

  • 2 차 ($p2$) 모델은 두 데이터셋 모두에서 낮은 RMSE(~0.016) 와 함께 안정적인 해를 제공했습니다.
  • 3 차 ($p3$) 모델은 CE 데이터셋의 정확도를 향상시켰지만 (RMSE 0.0101), 안정성을 저하시켜 더 빠른 궤적 발산을 초래했습니다.
  • **푸리에 증강 모델 ($p2f1$)**은 중간 지점을 제공하여 고차 다항식과 관련된 불안정성 없이 두 데이터셋 모두에서 견고한 성능 (RMSE ~0.016) 과 안정성을 유지했습니다.
  • 특징 분석: LASSO 는 일관되게 가장 간명한 표현을 강제했습니다 ($p2$의 경우 약 6 개의 활성 특징), 반면 SR3 는 더 밀집된 모델을 선택하는 경향이 있었습니다 ($p3$의 경우 약 14 개의 활성 특징).

• 데이터셋 차이:
  높은 관성과 상호 연결성을 특징으로 하는 CE 그리드는 일반적으로 더 낮은 관성과 더 컴팩트한 위상을 가진 SK 그리드에 비해 더 낮은 RMSE 와 더 높은 안정성 비율을 산출했습니다. 이는 내재적 데이터 특성이 알고리즘적 불안정성보다 모델 회복 가능성에 더 큰 영향을 미친다는 것을 시사합니다.

의의 및 주장
이 논문은 PowerSINDy 가 전통적 선형 모델의 한계를 극복하고 복잡하고 실제적인 전력망 주파수 데이터에 대한 지배 방정식을 성공적으로 식별한다고 주장합니다. 이 연구는 다음을 보여줍니다:

1. 데이터 기반 식별은 확률적 통합 기준 (Euler–Maruyama) 보다 우수한 성능을 발휘할 수 있으며, 더 낮은 RMSE 값을 달성합니다 (예: CE 기준 0.0101 대 0.0282).
2. 최적화기 선택은 결정적입니다: LASSO 는 정확도와 희소성에 우수하며, STLSQ 는 복잡한 구성에서 안정성을 위해 선호됩니다.
3. 라이브러리 설계가 중요합니다: 푸리에 항의 포함은 고차 다항식과 관련된 과적합 위험 없이 진동 역학을 견고하게 표현할 수 있게 합니다.
4. 물리적 통찰력: 식별된 모델은 시스템 역학을 포착하는 데 특정 비선형 상호작용 (예: $\theta\omega$ 및 $\theta\omega^2$) 의 중요성을 강조하여 그리드 주파수 행동을 이끄는 메커니즘에 대한 해석 가능한 통찰력을 제공합니다.

저자들은 프레임워크가 유망한 결과를 보이지만, 모델 표현력 (고차 항) 과 안정성 간의 트레이드오프가 여전히 주요 과제라고 결론지었습니다. 향후 연구는 시간 가변 매개변수, 실시간 모니터링을 위한 적응형 공식, 그리고 하이브리드 모델을 만들기 위한 물리적 사전 지식의 통합을 탐구할 것을 제안합니다.