⚡ electrical engineering

A Dynamic Phasor Framework for Analysis of Subsynchronous Oscillations in Multi-Machine Systems with IBRs and Large Loads

이 논문은 AI 데이터 센터 부하를 포함한 대규모 다기계 시스템에서의 차하 주파수 진동에 대한 확장 가능한 고유값 기반 분석 및 제어 설계를 가능하게 하기 위해, 인버터 기반 자원을 위한 dq-프레임 모델링과 동기 발전기 및 부하를 위한 pnz-프레임 모델링을 결합한 일반화된 동적 페이저 프레임워크를 제안한다.

원저자: Fiaz Hossain, Nilanjan Ray Chaudhuri, Constantino M. Lagoa, Alok Sinha, ai Gopal Vennelaganti, Mohammed E. Nassar

게시일 2026-07-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Fiaz Hossain, Nilanjan Ray Chaudhuri, Constantino M. Lagoa, Alok Sinha, ai Gopal Vennelaganti, Mohammed E. Nassar

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전력망을 거대하고 복잡한 오케스트라라고 상상해 보십시오. 오랫동안 음악가들(전통적인 발전소)은 완벽하게 조화를 이루며 연주해 왔습니다. 하지만 최근에는 새로운 디지털 음악가들(인버터를 사용하는 태양광 및 풍력 발전소)이 밴드에 합류했습니다. 이들은 효율적이긴 하지만, 때때로 약간 다른 리듬으로 연주하여 전체 오케스트라를 **차동조파 진동(Subsynchronous Oscillation, SSO)**이라는 위험한 방식으로 흔들리거나 요동치게 만듭니다.

동시에, 콘서트 홀에는 새로운 '열혈 팬'인 AI 데이터 센터가 등장했습니다. 이들은 전기를 엄청나고 갑작스러운 폭발적 형태로 소비하는데, 이는 마치 관객들이 한꺼번에 일제히 제자리에서 점프하는 것과 같습니다. 이는 오케케스트라의 리듬을 비틀거리게 만들 수 있으며, 진동이 너무 심할 경우 물리적인 악기(터빈 축)에 손상을 입힐 수도 있습니다.

문제점: "슬로우 모션" 카메라 이슈

이러한 흔들림과 도약을 연구하기 위해 엔지니어들은 보통 EMT(전자기 과도 현상) 시뮬레이션이라는 도구를 사용합니다. 이것은 마치 매 마이크로초마다 사진을 찍는 카메라로 벌새의 날갯짓을 촬영하려는 것과 같습니다. 모든 미세한 디테일을 완벽하게 포착하지만, 너무 느리고 계산량이 방대하여 컴퓨터가 다운되거나 완료하는 데 며칠이 걸리기 때문에 전체 교향곡(대규모 전력망)을 다 찍어낼 수는 없습니다.

해결책: "다이내믹 페이저(Dynamic Phasor)" 프레임워크

이 논문의 저자들은 오케스트라를 촬영하는 새로운 방법인 다이내믹 페이저(DP) 프레임워크를 발명했습니다.

모든 미세한 움직임을 다 찍는 대신, 이 새로운 방식은 "스마트 스냅샷"을 찍습니다. 중요한 리듬과 핵심적인 흔들림만을 포착하고, 중요하지 않은 사소한 진동은 무시합니다.

비유: 춤을 관찰한다고 상상해 보십시오. EMT 방식은 모든 무용수의 근육 하나하나의 떨림까지 추적하려고 합니다. 반면 DP 방식은 무용수의 전체적인 스텝과 음악의 리듬을 추적합니다.
이점: 사소한 디테일을 무시하기 때문에, 기존 방식보다 12배 더 빠르게 실행됩니다. 즉, 엔지니어들이 전체 전력망(새로운 AI 데이터 센터와 새로운 디지털 음악가들을 포함하여)을 며칠이 아닌 몇 분 만에 시뮬레이션할 수 있게 해줍니다.

작동 원리: 서로 다른 언어 구사하기

전력망에는 서로 다른 언어를 사용하는 부분들이 있습니다:

인버터 (태양광/풍력): 이들은 "dq-frame"(특정 디지털 언어)을 사용합니다.
대형 터빈 및 송전선: 이들은 "pnz-frame"(물리적 회전과 파동을 위한 언어)을 사용합니다.

저자들은 이 두 집단이 서로 원활하게 소통할 수 있도록 하는 범용 번역기(DP 프레임워크)를 구축했습니다. 이를 통해 다음을 모델링할 수 있습니다:

그리드 팔로잉(Grid-Following, GFL): 전력망의 리듬을 단순히 따르는 인버터.
그리드 포밍(Grid-Forming, GFM): 리듬을 주도하려고 노력하는 인버터.
멀티 매스 터빈(Multi-Mass Turbines): 서로 다른 무게를 가진 무거운 금속 축을 가지고 있어, 긴 고무줄처럼 뒤틀리고 휘어질 수 있는 실제 세계의 터빈.

발견한 내용 (실험)

새로운 빠른 카메라를 사용하여, 팀은 대규모 전력 시스템 모델(IEEE 68-bus 시스템)로 여러 테스트를 수행했습니다.

흔들림 해결: 그들은 태양광/풍력 인버터로 인해 발생하는 특정 "흔들림"(불안정한 SSO 모드)을 발견했습니다.
- 해결책 A: 스마트 알고리즘을 사용한 특수 "댐핑 컨트롤러"(충격 흡수 장치와 같은 역할)를 구축했습니다. 이 컨트롤러는 흔들림을 빠르게 진정시켰습니다.
- 해결 B: "팔로워" 인버터 중 하나를 "리더"(Grid-Forming) 인버터로 교체했습니다. 이 변화는 위험한 흔들림을 완전히 사라지게 만들었습니다.
AI 데이터 센터의 영향: 그들은 AI 데이터 센터가 전력 사용량을 높였다 낮췄다 하는 상황(마치 대규모 학습 작업을 시작하는 클러스터와 같은 상황)을 시뮬레이션했습니다.
- 결과: 이러한 갑작스러운 변화는 단순히 전력망의 속도에만 영향을 주는 것이 아니라, 터빈 내부의 무거운 금속 축을 뒤틀리게 하고 스트레스를 주었습니다.
- 위험성: 만약 AI의 전력 사용 리듬이 터빈 축의 자연스러운 "뒤틀림 주파수"와 일치한다면, 이는 **피로(fatigue)**를 유발하여 시간이 지남에 따라 축을 파손시킬 수 있습니다. 새로운 프레임워크를 통해 그들은 이러한 AI 부하가 터빈에 가하는 스트레스를 정확하게 계산할 수 있었습니다.

결론

이 논문은 단순히 "우리는 더 빠른 컴퓨터를 가지고 있다"라고 말하는 것이 아닙니다. "우리는 새로운 디지털 전력원과 거대한 AI 컴퓨터가 기존의 전통적인 발전소와 어떻게 상호작용하는지 이해할 수 있게 해주는 빠르고, 정확하며, 유연한 도구를 가지고 있다"라고 말하는 것입니다.

이 도구가 매우 빠르기 때문에, 엔지니어들은 이제 "만약 AI 데이터 센터가 갑자기 켜진다면?" 또는 "만약 전력선이 끊어진다면?"과 같은 "만약(what-if)" 시나리오를 테스트하고, 컴퓨터가 수학 계산을 끝내기 위해 며칠을 기다릴 필요 없이 불을 밝히고 터빈이 부서지는 것을 막기 위한 더 나은 컨트롤러를 설계할 수 있습니다.

기술 요약: IBR 및 대규모 부하를 포함한 다중 기계 시스템의 하위 동기 진동 분석을 위한 동적 페이저 프레임워크

1. 문제 정의

현대 전력망은 시계열 및 주파수 영역 분석의 확장성 측면에서 전례 없는 과제에 직면해 있다. 특히, 그리드 팔로잉(Grid-Following, GFL) 인버터 기반 자원(IBR)의 통합 증가로 인해 하위 동기 진동(Subsynchronous Oscillations, SSO)이 증가하고 있다. 동시에, 인공지능(AI) 데이터 센터(DC) 부하의 급격한 확장은 급격한 전력 램프(ramp)와 동기화된 학습 사이클을 유발하여 고진폭 변동을 일으키는 등 새로운 신뢰성 문제를 야기한다. 이러한 변동은 터빈-발전기 축의 피로 수명을 위협하고 1차 주파수 응답에 영향을 미친다.

전자기 과도 현상(Electromagnetic Transient, EMT) 시뮬레이션 도구는 이러한 현상을 모델링할 수 있지만, 높은 계산 요구량으로 인해 확장성이 떨어진다. 또한, EMT 모델은 고유값 분석, 원인 규명 및 체계적인 제어기 설계를 위해 필요한 선형 시불변(Linear Time-Invariant, LTI) 모델을 개발하는 데 적합하지 않다. 기존의 동적 페이저(Dynamic Phasor, DP) 프레임워크는 주로 단일 기계 또는 단일 IBR 시스템에 국한되어 왔으며, 불평형 조건 하의 IBR을 포함한 다중 기계 시스템을 충분히 다루지 못했다.

2. 방법론

저자들은 GFL 및 그리드 포밍(Grid-Forming, GFM) IBR, 다중 질량(multi-mass) 동기 발전기, 그리고 대규모 부하(특히 AI DC)를 포함하는 균형 및 불평형 조건 하의 다중 기계 시스템 내 SSO를 분석하기 위해 설계된 일반화된 동적 페이저(DP) 프레임워크를 제안한다.

핵심 모델링 전략

본 프레임워크는 서로 다른 참조 좌표계의 장점을 활용하기 위해 하이브리드 좌표계를 사용한다.

IBRs (GFL 및 GFM): 동적 페이저를 사용하는 dq-frame에서 모델링된다. 이는 표준 벡터 제어 구현과 일치한다. 모델은 불평형 역학을 포착하기 위해 $k=0$ $k = 0$ (정상분) 및 $k=\pm2$ $k = \pm 2$ (역상분)에 대한 DP 계수를 유지한다.
- GFM IBRs: 드룹(droop) 메커니즘, 외곽 전압 루프, 내부 전압/전류 루프 및 출력 필터 역학으로 분해된다. 전류 제한 전략(정상 각도 및 $i_q$ -우선순위)이 명시적으로 모델링된다.
- GFL IBRs: 위상 고정 루프(PLL) 역학, 외곽 유효/무효 전력 제어 루프, 내부 전류 제어 루프 및 플랜트(직렬 R-L 필터)로 모델링된다.
네트워크 및 SG: pnz-frame(정상, 역상, 영상분)에서 모델링된다.
- 송전선로: 집중 정수 $\pi$ -섹션 모델로 표현된다.
- 동기 발전기(SGs): 상세한 다중 질량 터빈-발전기 모델(HP, IP, LPA, LPB 터빈, 발전기 및 여자 시스템 포함)이 표현된다. 기계적 역학은 $k=0$ 성분을 사용하여 포착되는 반면, 전기적 과도 현상은 $k=0, \pm2$ 성분을 사용한다.
- 부하: AI DC 부하는 상수 전력 수요(정상분만 존재)로 모델링된다.
결합(Coupling): 인터페이스 변수(단자 전압 및 전류)는 특정 변환 방정식을 사용하여 dq-frame(IBR)과 pnz-frame(네트워크/SG) 사이에서 변환된다.

주요 특성

시불변성(Time-Invariance): 이 공식은 고유값 분해를 가능하게 하는 시불변 시스템을 생성한다.
선형화 가능성(Linearizability): 모델은 SSO 모드를 식별하고, 원인 분석을 수행하며, 댐핑 제어기를 설계할 수 있도록 선형화될 수 있다.
확장성(Scalability): 지배적인 계수로 푸리에 급수를 절단함으로써, EMT보다 빠른 시간 영역 시뮬레이션을 지원한다.

3. 주요 기여

본 논문은 다음과 같은 구체적인 기여를 주장한다:

일반화된 프레임워크: 다중 질량 터빈, GFL 및 GFM IBR, 그리고 균형 및 불평형 조건 하의 송전선로 역학을 포함하는 시스템의 하위 동기 현상을 분석할 수 있는 DP 기반 모델링 프레임워크 제시.
벤치마킹: 다중 기계 시스템에서 EMT 모델 대비 본 프레임워크의 속도 향상을 입증.
제어 설계 적용: 프레임워크의 시불변성 및 선형화 가능성을 활용하여, 수정된 IEEE 68-bus 시스템에서 댐핑이 부족한 SSO 모드를 억제하기 위한 보조 저차 분산 제어기 설계.
GFM vs. GFL 분석: 시계열 및 주파수 영역 분석을 통해, GFL IBR을 GFM IBR로 교체하면 특정 댐핑이 부족한 SSO 모드가 제거됨을 입증.
AI 부하 영향 연구: AI DC 부하가 1차 주파수 응답 및 다중 질량 터빈-발전기 축의 비틀림 진동(전단 응력)에 미치는 영향을 분석하여, 피로 수명 위험을 평가하는 방법을 제공.

4. 결과 및 검증

프레임워크는 세 가지 주요 시스템을 통해 검증 및 테스트되었다:

A. EMT 모델과의 검증

SSR을 위한 IEEE First Benchmark Model (FBM): DP 모델의 고유값 및 시간 영역 응답(3상 지락 사고 후)은 EMT 결과 및 문헌 값과 밀접하게 일치하였다.
전류 제한이 있는 GFM IBR: EMTDC/PSCAD 모델과 검증되었다. DP 모델은 정상 각도 및 $i_q$ -우선순위 전류 제한 전략 모두에서 자가 제거(self-clearing) 선간(L-L) 사고에 대한 응답을 정확하게 재현하였다.
수정된 IEEE 4-Machine 시스템: 두 개의 GFL IBR이 동기 발전기를 대체한 시스템이다. DP 모델(선형화 사용)과 EMT 모델(Prony 분석 사용)은 다양한 PLL 대역폭에 대해 SSO 모드 주파수 및 댐핑비에서 높은 일치도를 보였다.
속도 향상: IEEE 4-machine 시스템에서 DP 모델은 EMT 모델 대비 평균 2배의 속도 향상을 달야냈다. IEEE 39-bus 시스템 맥락(이전 연구 참조)에서는 10배의 속도 향상이 관찰되었으나, 본 논문은 68-bus 시스템에 집중한다.

B. 수정된 IEEE 68-Bus 시스템에서의 SSO 댐핑

GFL IBR에 의해 유발된 댐핑이 부족한 SSO 모드(4.76 Hz, 0.2% 댐핑)를 억제하기 위해 두 가지 솔루션이 제안되었다:

분산 제어기: 입자 군집 최적화(PSO)를 사용하여 설계된 5차 제어기이다. 이는 무효 전류 기준값을 변조하기 위해 단자 전압 크기를 피드백으로 사용한다. 시뮬레이션 결과, 다양한 연계선 탈락 및 불평형 사고 상황에서도 SSO 모드를 효과적으로 댐핑함을 보여주었다.
GFM 교체: 동일한 용량의 GFL IBR을 GFM IBR로 교체했을 때, 고유값 분석을 통해 확인된 바와 같이 댐핑이 부족한 SSO 모드가 완전히 사라졌다.

C. AI DC 부하의 영향

주파수 응답: AI DC 부하 램프(컴퓨팅 단계와 휴식 단계 사이의 전환) 시뮬레이션 결과, 상당한 주파수 편차가 나타났으며, 이는 보조 주파수 지원을 트리거하지만 부하 차단(load shedding)까지는 이르지 않았다.
축 응력: AI DC 부하 진동을 비틀림 모드(예: ~7.83 Hz)와 일치하도록 조정함으로써, 축 응력이 확장된 수정된 Goodman 도표에 정의된 한계치에 도달하여 잠재적으로 피로 수명 손실을 초래할 수 있음을 입증하였다.
민감도 분석: AI 부하 진동의 진폭, 주파수 및 위상을 변화시킨 몬테카를로 시뮬레이션(100회 실행)을 통해, 축 응력이 비틀림 모드로부터의 미세한 주파수 편이에 매우 민다는 것을 밝혔다.

D. 계산 성능

(8개의 다중 질량 SG, 8개의 단일 질량 SG, 1개의 GFL, 1개의 GFM, 동적 송전선로를 포함하는) 수정된 IEEE 68-bus 시스템에서:

DP 프레임워크는 7개의 AI DC로부터 발생하는 20초간의 강제 진동 시나리오를 평균 2.5분 만에 시뮬레이션하였다.
이는 EMT 시뮬레이션이 계산적으로 불가능할 수 있는 대규모 시스템에 대한 프레임워크의 확장성을 입증한다.

5. 의의 및 주장

저자들은 SSO 댐핑 제어 자체의 설계나 GFM 제어가 SSO 문제를 해결할 수 있다는 일반적인 사실에 대해서는 독창성을 주장하지 않는다.

본 연구의 주요 의의는 다음과 같은 능력을 갖춘 DP 기반 프레임워크의 역량을 보여주는 것에 있다:

이러한 복잡한 현상(다중 기계 SSO, 불평형 사고, AI 부하 영향)을 최초로 통합되고 확장 가능하며 선형화 가능한 환경에서 포착함.
대규모 시스템에서 순수 시간 영역 EMT 시뮬레이션에서 주파수 영역 분석(고유값 분해)으로의 전환을 가능하게 함.
현대적인 AI 데이터 센터 부하에 의해 유발되는 특정 스트레스 조건 하에서 터빈-발전기 축의 피로 수명을 분석하기 위한 실질적인 도구를 제공함.

본 논문은 제안된 프레임워크가 EMT의 정확성과 선형 모델의 분석적 유용성 사이의 간극을 성공적으로 메우며, 미래 전력망 분석 및 제어를 위한 확장 가능한 솔루션을 제공한다고 결론짓는다.