🤖 machine learning

Neural Controlled Differential Equations for EMT-Level Surrogate Modeling of Grid-Forming Inverters

이 논문은 전자기 과도 현상 시뮬레이션에서의 다중 시간 척도 분석 및 물리적 일관성 문제를 극복하기 위해, 이중 느림/빠름 경로와 물리 기반 정규화를 갖춘 신경 제어 미분 방정식 프레임워크를 제안하여 그리드 형성 인버터의 정확한 연속 시간 대리 모델을 생성한다.

원저자: Jiagang Qu, Yong Tao, Dan Wang, Enyi Li, Jingjing Qi, Ding Wang

게시일 2026-07-21

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jiagang Qu, Yong Tao, Dan Wang, Enyi Li, Jingjing Qi, Ding Wang

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 보이지 않는 바다라고 상상해 보세요. 지난 한 세기 동안 이 바다는 동기 발전기라고 불리는 거대하고 회전하는 배들에 의해 안정적으로 유지되어 왔습니다. 이 배들은 육중하고 예측 가능하며, 전력망의 심장 박동 역할을 합니다. 하지만 오늘날 우리는 이 무거운 배들을 태양광과 풍력으로 움직이는 수천 대의 작고 민첩한 스피드보트인 인버터로 교체하고 있습니다. 이 스피드보트들은 녹색 미래를 위해 필수적입니다. 하지만 문제가 하나 있습니다. 커다란 배 한 척은 조종하기 쉽지만, 수천 대의 작은 보트 함대를 조종하는 것은 악몽과 같습니다. 만약 이 보트들이 서로 완벽하게 소통하지 못한다면, 바다 전체가 요동치게 되어 정전으로 이어질 수 있습니다.

바다를 안전하게 지키기 위해 엔지니어들은 이 보트들이 어떻게 행동할지 시뮬레이션하기 위해 슈퍼컴퓨터를 사용합니다. 이것을 전자기 과도 현상(EMT) 시뮬레이션이라고 합니다. 이것은 모든 잔물결과 파도를 예측하려고 노력하는 비디오 게임과 같습니다. 문제는 게임이 너무나 상세하고 함대의 규모가 너무 커서, 컴퓨터가 단 몇 초의 시간을 계산하는 데조차 시간이 너무 오래 걸려 멈춰버린다는 점입니다. 이는 마치 조수의 흐름을 예측하기 위해 해변의 모래알 하나하나를 다 세려고 하는 것과 같습니다. 우리는 모든 모래알을 세지 않고도 결과를 똑똑하게 추측할 수 있는 방법이 필요합니다. 여기서 '대리 모델(surrogate models)'이 등장합니다. 이들은 게임의 규칙을 매우 빠르게 학습하여 눈 깜짝할 사이에 미래를 예측하는 치트키나 지름길 같은 존재입니다. 하지만 이 지름길을 이토록 복잡하고 빠르게 움직이는 시스템에 충분히 정확하게 만드는 것은 믿기 힘들 정도로 어려운 일이었습니다.

이 논문은 그리드 포밍(grid-forming) 인버터를 모델링하기 위한 '신경 제어 미분 방정식(Neural Controlled Differential Equation, Neural CDE)'이라는 영리하고 새로운 지름길을 소개합니다. 인버터의 동작을 무용수라고 생각해 보세요. 전통적인 AI 모델은 일련의 정지된 사진들(이산적 스냅샷)을 보고 무용수의 다음 동작을 추측하려고 합니다. 만약 사진이 너무 느리게 찍히거나 이상한 타이밍에 찍힌다면, AI는 혼란에 빠지고 무용수는 비틀거리게 됩니다. 저자들은 무용수가 단순히 사진에 반응하는 것이 아니라, 서로 다른 속도로 변하는 연속적인 음악과 지시 사항(제어 신호)에 반응한다는 사실을 깨달았습니다. 어떤 지시는 "왼쪽으로 춤추세요"와 같이 느리고, 어떤 지시는 "지금 회전하세요!"와 같이 빠릅니다.

이를 해결하기 위해 연구진은 단순히 스냅샷을 보는 것이 아니라 제어 신호의 연속적인 음악을 듣는 모델을 구축했습니다. 그들은 특별한 '이중 경로(dual-pathway)' 시스템을 설계했습니다. 한 경로는 음악의 느리고 꾸준한 리듬(감독 명령)을 듣고, 다른 경로는 빠르고 날카로운 비트(빠른 스위칭 신호)를 포착합니다. 이 두 가지를 분리함으로써, 모델은 이전보다 훨씬 더 잘 무용수의 복잡한 움직임을 이해할 수 있게 되었습니다. 또한, 무용수가 공중에 떠 있거나 지치지도 않고 영원히 회전하는 것과 같이 불가능한 행동을 하지 않도록 '물리 법칙 체크'를 추가했습니다.

이 새로운 모델을 테스트했을 때, 결과는 매우 성공적이었습니다. 시뮬레이션에서 이 모델은 느리고 무거운 컴퓨터 시뮬레이션과 일치하면서도 훨씬 빠르게 인버터의 동작을 높은 정확도로 예측해 냈습니다. 또한 시스템이 교란 후에 흔들리다가 진정되는 방식인 '감쇠 진동(damped oscillations)'을 균형을 잃거나 혼돈 속으로 표류하지 않고 성공적으로 재현했습니다. 저자들은 제어 신호를 단계적인 과정이 아닌 연속적인 흐름으로 취급하고, 신호의 빠르고 느린 부분을 분리함으로써 모델이 훨씬 더 안정적이고 신뢰할 수 있게 되었다는 것을 발견했습니다. 이는 우리가 곧 수천 대의 인버터가 있는 거대한 전력망을 현재보다 훨씬 짧은 시간 안에 시뮬레이션할 수 있음을 시사하며, 이를 통해 엔지니어들이 느린 컴퓨터에 발목 잡히지 않고 더 안전하고 친환경적인 에너지 시스템을 설계할 수 있도록 도울 수 있습니다.

기술 요약: EMT 수준의 GFM 인버터 대리 모델링을 위한 신경 제어 미분 방정식(Neural Controlled Differential Equations)

1. 문제 정의

재생 에너지 및 에너지 저장 시스템의 통합은 그리드 강성을 높이기 위해 동기 발전기를 모사하는 그리드 형성(Grid-Forming, GFM) 인버터의 급증을 초래했습니다. 그러나 이러한 컨버터의 막대한 양(전통적인 발전기는 수백 대인 반면 GFM은 수천 대에 달함)은 수십 대의 장치 이상의 확장이 어려운 전통적인 전자기 과도 현상(Electromagnetic Transient, EMT) 시뮬레이션에 계산적 병목 현상을 일으킵니다. 또한, EMT 시뮬레이션은 제조사로부터 제공받기 어려운 상세한 내부 파라미터와 제어 로직을 필요로 하므로, "블랙박스" 모델링 접근 방식이 필수적입니다.

기존의 데이터 기반 솔루션은 다음과 같은 세 가지 주요 한계점에 직면해 있습니다:

샘플링 속도의 경직성: 많은 학습 기반 과도 모델은 특정 샘플링 속도에 밀접하게 결합되어 있어, EMT 타임 스텝이나 제어 업데이트 속도가 변경될 경우 일반화 성능이 저하됩니다.
제어 계층 구조의 상실: 실제 GFM은 다중 속도 제어 신호(빠른 내부 루프 변조 vs 느린 감독 명령)를 활용합니다. 이를 단순한 구간 상수(piecewise-constant) 입력으로 취급하면 이러한 계층 구조를 가리게 되어, 다중 스케일 폐루프 동작을 포착하기 어려워집니다.
안정성 및 물리적 일관성: 제약이 없는 신경 역학은 딱딱한(stiff) EMT 환경에서 긴 호라이즌(long-horizon) 롤아웃 중에 가짜 진동이나 에너지 드리프트(energy drift)를 나타낼 수 있습니다. 또한, 물리 기반 평가 기준이 부족하면 학습된 대리 모델이 감쇠(damping) 및 안정성과 같은 중요한 과도 특성을 보존하는지 검증하기 어렵습니다.

2. 방법론

본 논문은 EMT 시뮬레이션 루프와 호환 가능한 GFM용 연속 시간 대리 모델을 학습하기 위해 신경 제어 미분 방정식(Neural Controlled Differential Equation, Neural CDE) 프레임워크를 제안합니다.

Neural CDE 정식화: 이산적인 관측값으로부터 구축된 연속적으로 보간된 제어 경로 $X(t)$ 를 통해 잠재 상태 역학을 구동한다는 점에서, 입력을 연속적 또는 구간 상수로 취급하는 표준 Neural ODE와는 다릅니다. 이는 제어 궤적이 상태 진화에 어떻게 의존하는지를 명시적으로 모델링하여, 불규칙한 샘플링과 다중 속도 입력을 자연스럽게 처리합니다.
아핀 제어 분해(Affine-Control Decomposition): 저자들은 다음과 같은 아핀 제어 구조를 제안합니다:
$dx(t) = f_\theta(x(t))dt + \sum g_\theta^{(i)}(x(t))dX_i(t) + h_\theta(x(t), u(t))dt$
이는 고유한 시스템 역학( $f_\theta$ )과 제어 유도 효과( $g_\theta$ )를 분리하여, 인버터의 계층적 제어 구조와 일치시킵니다.
이중 경로 제어 임베딩(Dual-Path Control Embedding): 다중 스케일 동작을 포착하기 위해 제어 경로는 두 채널로 분해됩니다:
- 느린 경로 ( $X_1$ ): 저대역폭 감독 명령(예: droop, VSM)을 나타냅니다.
- 빠른 경로 ( $X_2$ ): 고대역폭 변화(예: $du(t)$)를 포착하여 빠른 스위칭 역학을 모델링합니다.
- 잔차 항 ( $h_\theta$ ): 1차 테일러 전개에서 무시된 고차 비선형성을 모델링하는 선형 레이어입니다.
물리 정보 기반 정규화: 딱딱한(stiff) EMT 환경에서의 안정성을 보장하기 위해 자코비안(Jacobian) 기반 정규화가 적용됩니다. 이는 신경 벡터 필드의 이산 시간 플로우 맵(discrete-time flow map)의 스펙트럼 반경을 근사하여, 이를 단위 원 안에 유지하도록 페널티를 부여함으로써 불안정한 모드와 장기 호라이즌 발산을 억제합니다.
평가 지표: 저자들은 지표의 힐베르트 변환(Hilbert transform) 포락선 감쇠로부터 유도된 감쇠 점수( $S_{damp}$ )를 포함하는 물리적 일관성 지표를 도입하여, 지면 진실(ground-truth) EMT 시뮬레이션과 비교하여 유효한 감쇠가 얼마나 잘 보존되는지 정량화합니다.

3. 주요 기여

통합 Neural CDE 프레임워크: 고정된 솔버 설정 없이도 이산적으로 샘플링된 다중 속도 제어 신호를 수용할 수 있는 GFM용 연속 시간 학습 프레임워크 개발.
아핀 제어 분해: 고유 역학을 제어 효과와 분리하여 다양한 운전 시나리오에 대한 일반화 성능을 향상시키는 새로운 정식화.
이중 제어 경로 전략: 인버터 제어의 계층적 특성을 명시적으로 모델링하기 위해 느린 경로와 빠른 경로를 도입하여 표현력과 안정성을 크게 개선.
물리적 일관성 평가: EMT 수준 배포를 위해 설계된 자코비안 기반 안정성 정규화 및 특정 지표(감쇠 점수, 공진 보존)의 통합을 통해, 대리 모델이 유계된 궤적과 물리적 일관성을 유지하도록 보장.

4. 실험 결과

모델은 연결형 ANPC 3레벨 컨버터(100 kHz 시뮬레이션, 학습을 위해 1 kHz로 감소됨)의 상세 EMT 시뮬레이션에서 생성된 90개의 궤적 데이터셋을 통해 평가되었습니다.

절제 연구(Ablation Study):
- Neural ODE에서 Neural CDE로 전환 시 MSE가 $6.07 \times 10^{-5}$ 에서 $3.86 \times 10^{-5}$ 로 감소하고 안정성 점수가 향상되었습니다.
- 아핀 분해를 추가하면 MSE가 $3.54 \times 10^{-5}$ 로 더욱 감소했습니다.
- 이중 제어 경로는 가장 큰 이득을 제공하여 MSE를 $2.77 \times 10^{-5}$ 로 낮추었으며, 단일 구성 변형 중 가장 높은 안정성 점수(0.8463)를 달성했습니다.
- 잔차 모듈은 일관되고 미세한 개선을 제공했습니다.
민감도 분석: 결과는 기본 역학(고유 시스템 동작)에 더 많은 용량을 할당하는 것이 트렁크 인코더(trunk encoder)를 깊게 만드는 것보다 더 나은 성능을 낸다는 것을 나타냈습니다. 빠른 역학은 안정성에 결정적인 것으로 나타난 반면, 잔차 보정은 정확도를 미세 조정했습니다.
물리적 일관성:
- 진동 모드: 모델은 EMT 응답과 일치하는 계통 전류의 지배적인 감쇠 진동 모드를 성공적으로 재현했습니다.
- 감쇠: 대리 모델은 전류 제어기에 의해 도입되는 유효 감쇠를 정확하게 포착하며 0.85의 감쇠 점수를 달성했습니다.
- 장기 호환 안정성: 확장된 롤아웃에서도 일부 베이스라인 모델과 달리 수치적 발산 없이 유계된 상태 궤적을 보여주었습니다.
효율성: 대리 모델은 100 kHz (10 $\mu$ s) 시뮬레이션을 재현하면서 1 kHz 스텝 사이즈 (1 ms)에서 작동하며, 이는 적분 스텝 수를 2단계 규모(two orders of magnitude)로 줄이는 것을 의미합니다.

5. 의의 및 주장

본 논문은 Neural CDE 기반의 컴포넌트 모델링이 EMT 수준의 시뮬레이션 연구에 적합한 물리적으로 일관된 대리 모델링 접근 방식을 제공한다고 주장합니다. 고정된 샘플링 속도의 제약을 완화하고, 계층적이고 다중 속도인 그리드 형성 인버터 제어의 특성을 명시적으로 모델링함으로써, 본 프레임워크는 기존 EMT 방식으로는 도달할 수 없었던 1,000개 이상의 장치를 포함하는 복잡한 시스템의 분석을 가능하게 합니다.

저자들은 자신들의 접근 방식이 데이터 기반의 유연성과 물리적 엄밀성 사이의 간극을 메운다고 강조합니다. 이 모델은 핵심적인 과도 특성(감쇠, 진동 모드)을 보존하고 장기 적분 호라이즌 동안 안정성을 보장하여, 제조사 데이터가 없는 대규모 전력 시스템 연구에서 실행 가능한 후보가 됩니다. 저자들은 현재 프레임워크가 이미 EMT 수준 배포를 위한 안정적이고 정확한 토대를 제공한다고 단언하며, 향-기 연구에서는 직접적인 에너지 일관성 제약을 강제하기 위해 더 풍부한 상태 측정값(예: 전체 LC 전류)을 활용할 수 있음을 언급하며 겸허히 결론을 맺습니다.