Closed-Loop Active Sampling Method for Static Voltage Stability Region Characterization in Multi-Terminal HVDC Systems

전력망은 실시간으로 공급과 수요의 균형을 맞춰야 하는 거대하고 복잡한 네트워크입니다. 현대에 들어서면서, 이 시스템들은 해상 풍력 발전소와 같이 도시에서 멀리 떨어진 곳에 위치한 재생 에너지원을 통합함에 따라 점점 더 복잡해지고 있습니다. 이 전력을 효율적으로 이동시키기 위해 엔지니어들은 넓은 지역의 여러 지점을 연결할 수 있는 고압 직류 송전 선로를 사용하며, 이는 소위 다단자 시스템(multi-terminal systems)이라 불리는 형태를 구축합니다. 이러한 네트워크는 유연하고 강력하지만, 동시에 매우 섬세합니다. 마치 다리가 무너지기 전 견딜 수 있는 최대 무게가 있는 것처럼, 전력망에도 안정적인 전압을 유지하면서 운반할 수 있는 전력량의 한계가 있습니다. 만약 한쪽 끝에서의 수요가 너무 빠르게 변하거나 과도하게 변하면, 전체 시스템이 균형을 잃고 갑작스럽고 광범위한 블랙아웃으로 이어질 수 있습니다. 엔지니어들의 과제는 그 한계에 도달하기 전에 정확히 그 지점이 어디인지 파악하는 것입니다.

수십 년 동안 이러한 안전 한계를 찾는 표준적인 방법은 수천 번의 컴퓨터 시뮬레이션을 실행하여, 어떤 조합이 작동하고 어떤 조합이 시스템을 실패하게 만드는지 확인하기 위해 전력 수준의 무작위 조합을 테스트하는 것이었습니다. 이 접근 방식은 들판을 무작위로 가로질러 걸으며 절벽의 가장자리를 지도화하려는 것과 같습니다. 결국에는 낭떠러지를 찾을 수도 있겠지만, 시간이 너무 오래 걸리고 가장 위험한 지점들을 놓칠 수도 있습니다. 다른 방법들은 단순한 도형을 이용해 절벽의 모양을 추측하려고 시도하지만, 이러한 추측은 종-종 너무 조심스러워서 운영자들에게 실제로는 안전하게 더 가까이 갈 수 있음에도 불구하고 가장자리에서 멀리 떨어져 있으라고 지시하곤 합니다. 두 방법 모두 결함이 있습니다. 하나는 너무 느리고, 다른 하나는 너무 보수적입니다.

중국 국가전망공사(State Grid Corporation of China)의 연구진은 이러한 안전 구역을 지도화하는 더 스마트한 방법을 개발했습니다. 무작위로 추측하거나 거친 근사치에 의존하는 대신, 그들은 마치 절벽의 가장자리로 가는 가장 효율적인 경로를 찾기 위해 지형을 연구하는 등산객처럼, 진행하면서 학습하는 방법을 만들었습니다. 최근 연구에서 설명된 그들의 접근 방식은 "폐쇄 루프(closed-loop)" 프로세스를 사용합니다. 이는 시스템이 끊임없이 자신의 지도를 점검하고, 가장 불확실한 영역을 식별한 다음, 그 특정하고 불확실한 지점들을 테스트하는 데 계산 능력을 집중한다는 것을 의미합니다. 이렇게 함으로써, 그들은 모든 가능성을 테스트할 필요 없이 정밀한 안전 운용 영역의 그림을 그려낼 수 있습니다.

연구진은 먼저 복잡한 전력망의 물리학을 정상 상태 모델(steady-state model)로 단순화했습니다. 그들은 전력원을 고정 전압 지점으로, 전력 수요를 일정한 부하로 취급하여 전체 시스템을 연결된 노드들의 네트워크로 바라보았습니다. 이 단순화된 관점에서, 안정성은 네트워크를 통해 흐르는 전력에 대한 수학적 해가 존재하는지의 문제입니다. 해가 존재하면 시스템은 안정적이며, 존재하지 않으면 붕괴 직전인 상태입니다. 목표는 시스템을 안정적으로 유지하는 모든 전력 조합의 정확한 경계를 정의하는 것이었습니다.

이를 달utation하기 위해 연구진은 2단계 전략을 도입했습니다. 첫째, 그들은 "라벨 확장(label extension)"이라는 기술을 사용했습니다. 특정 전력 수준의 조합이 안전하다는 것을 확인하면, 시스템의 수학적 특성을 사용하여 유사하고 약간 더 높은 전력 수준의 전체 범위도 안전하다는 것을 증명했습니다. 이를 통해 매 지점마다 새로운 시뮬레이션을 실행하지 않고도 알려진 안전 구역을 즉각적으로 확장할 수 있었습니다. 둘째, 그들은 검증된 안전 지점들을 둘러싸는 기하학적 형상, 구체적으로는 볼록 껍질(convex hull)을 구축했습니다. 이 형상은 검증된 안전한 내부 코어 역할을 하여, 그 내부의 어떤 지점도 확실히 안정적임을 보장합니다.

하지만 몇 개의 점으로 만들어진 도형은 전체를 말해주지 않습니다. 지도를 정교하게 만들기 위해 연구진은 능동 학습(active learning) 구성 요소를 추가했습니다. 그들은 안전과 불안전 사이의 경계를 예측하는 컴퓨터 분류기를 훈련시켰습니다. 이 분류기는 단순히 추측하는 것이 아니라, 격자 내의 모든 지점에 대해 불확실성 수준을 계산합니다. 시스템은 자신이 가장 혼란스러워하는 지점들, 즉 알려진 안전 구역 바로 근처의 영역을 선택하여 엄격한 고충실도(high-fidelity) 시뮬레이션에 보냅니다. 이러한 표적 테스트의 결과는 다시 시스템에 입력되어 지도를 업데이트하고 불확실한 영역을 줄여나갑니다. 이 순환 과정이 반복되면서 시스템은 점점 더 똑똑해지고 지도는 점점 더 상세해집니다.

연구진은 두 개의 전력원과 세 개의 부하 지점을 가진 실제 네트워크를 모사한 5단자 고압 직류 시스템 시뮬레이션에서 이 방법을 테스트했습니다. 결과는 놀라웠습니다. 단 18회의 반복 과정을 통해, 이 방법은 예측된 경계가 실제 물리적 한계와 얼마나 잘 일치하는지를 나타내는 정확도 점수 0.98을 기록하며 안정성 영역을 지도화할 수 있었습니다. 더 중요한 것은, 이 방법이 평균 27초 만에 이 수준의 정확도에 도달했다는 점입니다. 무작위 샘플링에 의존하여 동일한 정확도에 도달하는 데 51초가 걸린 표준 머신러닝 접근 방식과 비교했을 때, 새로운 방법은 거의 두 배 더 빨랐습니다.

이 연구는 수학적 보증과 지능적이고 표적화된 샘플링을 결합함으로써, 엔지니어들이 이전보다 훨씬 더 효율적으로 복잡한 전력망의 안전 한계를 지도화할 수 있음을 보여줍니다. 이 방법은 단순히 안전 구역을 찾는 것이 아니라, 귀중한 송전 용량을 사용하지 못하게 만드는 과도한 주의를 피하면서 그 구역의 진정한 가장자리를 높은 정밀도로 찾아냅니다. 현재의 작업은 특정 네트워크 토폴로지에 대한 컴퓨터 시뮬레이션을 통해 검증되었지만, 결과는 미래의 더욱 복잡한 전력망을 관리하기 위한 강력한 새로운 도구임을 시사합니다. 재생 에너지 통합이 증가하고 전력 시스템이 더욱 상호 연결됨에 따라, 한계가 어디에 있는지 빠르고 정확하게 이해하는 것은 전등을 계속 켜두는 데 필수적일 것입니다.