Evolutionary Learning Based Optimization for Solving Non-convex Optimal Power Flow Problems: A Modern Teaching–Learning-Based Optimization Algorithm

전력망은 전등 스위치를 켜는 순간 공급과 수요의 균형을 맞춰야 하는 거대하고 섬세한 기계입니다. 이 시스템을 안전하고 저렴하게 운영하기 위해서는 최적 조류 계산(optimal power flow)이라고 알려진 복잡한 퍼즐을 풀어야 합니다. 엔지니어들은 각 발전소가 정확히 얼마만큼의 전력을 생산해야 하는지, 선로에 어떤 전압을 유지해야 하는지, 그리고 변압기를 어떻게 조정해야 하는지를 결정해야 하며, 이 모든 과정에서 시스템이 스스로의 무게를 견디지 못해 붕괴되지 않도록 보장해야 합니다. 문제는 전력을 생성하는 비용이 결코 직선적인 형태가 아니라는 점입니다. 연료를 태우는 물리적 현실과 장비의 기계적 한계로 인해 발생하는 울퉁불퉁하고 불규칙한 지형과 같습니다. 전통적인 수학적 도구들은 이러한 거친 지형을 탐색하는 데 어려움을 겪으며, 국소적인 골짜기에 빠져 시스템이 가장 효율적으로 작동하는 진정한 최저점을 놓치곤 합니다.

이 어려운 지형을 헤쳐 나가기 위해 연구자들은 자연과 인간의 행동에서 영감을 얻은 방법들에 주목해 왔습니다. '교수-학습 기반 최적화(teaching-learning-based optimization)'라고 불리는 한 가지 방법은 교사가 지식을 공유하여 학생들의 평균 점수를 높이고 학생들이 서로에게 배우는 교실의 모습을 모방합니다. 이 접근 방식은 강력하지만, 때때로 너무 빨리 괜찮은 해답에 안주하여 탐색 공간 더 깊은 곳에 숨겨진 최선의 해답을 놓칠 수 있습니다. 최근 연구에서 요르단, 이라크, 이란의 연구진은 '진화 학습 기반 최적화(evolutionary learning based optimization)'라는 더 견고한 알고리즘을 제안했습니다. 그들은 교실 모델에 진화 전략이라는 층을 추가했는데, 이는 탐색을 활발하게 유지하고 시스템이 정체되는 것을 방지하기 위해 무작위적이고 계산된 변이를 도입하는 기술입니다. 교실의 구조화된 학습과 진화의 적응형 무작위성을 결와함으로써, 그들은 문제가 뒤틀리고 매끄럽지 않을 때조차 전력망의 절대적인 최적 설정을 찾아내도록 설계된 도구를 만들어냈습니다.

연구진은 이 새로운 알고리즘을 어렵고 기만적인 것으로 설계된 'CEC2014 벤치마크'라는 일련의 표준 수학적 과제들을 통해 테스트했습니다. 이 시뮬레이션에서 새로운 방식은 기존의 교수-학습 기반 알고리즘 및 다른 인기 있는 최적화 기법들을 지속적으로 능가했습니다. 이 방법은 더 나은 해답을 더 빠르게, 그리고 더 높은 안정성을 가지고 찾아냈으며, 진화 단계의 추가가 시스템이 국소적인 함정에서 벗어나 전체 탐색 공간을 더 철저하게 탐색하는 데 도움이 되었음을 입증했습니다. 연구팀은 이 도구를 실제 전력망 모델, 특히 소규모 및 중규모 전기 시스템을 나타내는 IEEE 30-버스 및 57-버스 테스트 네트워크에 적용했습니다. 그들은 알고리즘에 연료 비용 절감, 유해 배출량 감소, 송전 중 열로 손실되는 전력 최소화, 전압 수준 유지라는 몇 가지 핵심 문제를 동시에 해결하도록 요청했습니다.

테스트된 모든 시나리오에서 30-버스 네트워크에 대한 새로운 알고리즘은 탁월한 결과를 보여주었습니다. 연료 비용을 최소화하는 과제를 수행했을 때, 이 알고리즘은 시간당 800.4791달러라는 비용을 달로 달성했는데, 이는 기존의 교수-학습 방식이나 다른 확립된 알고리즘들이 도달할 수 있는 수치보다 낮은 금액입니다. 문제가 여러 종류의 연료원을 포함하거나 비용과 배출량 및 전력 손실 사이의 균형을 맞추어야 하는 등 더 복잡해졌을 때도, 새로운 방식은 계속해서 가장 효율적인 설정을 찾아냈습니다. 예를 들어, 연료 비용과 전력 손실을 동시에 줄이는 것이 목표인 테스트에서, 이 알고리즘은 시스템을 안정적으로 유지하면서 돈을 절약하는 해답을 찾아냈습니다. 연구진은 또한 7개의 발전기와 훨씬 더 많은 변수를 포함하는 더 큰 규모의 57-버스 네트워크에 대해서도 이 알고리즘을 테스트했습니다. 논문은 이 더 큰 네트워크에 대한 최적의 해답이 도출되어 이전 논문들과 비교되었다고 명시하고 있으나, 제공된 텍스트에는 57-버스 연료 비용에 대한 구체적인 수치는 포함되지 않았습니다.

연구는 또한 알고리즘이 시간에 따라 어떻게 작동하는지도 살펴보았습니다. 시뮬레이션에서 새로운 방식은 오차가 꾸준하고 빠르게 감소하는 모습을 보였는데, 이는 좋은 해답을 빠르게 찾은 다음 이를 완벽에 가깝게 정교화한다는 것을 의미합니다. 급격하게 변동하거나 최적의 답에 도달하기 전에 멈춰버릴 수 있는 다른 방식들과 달리, 이 알고리즘은 최적점을 향해 일관된 경로를 유지했습니다. 연구진은 결과가 단순히 운이 좋았던 것이 아님을 확인하기 위해 각 문제에 대해 시뮬레이션을 30번씩 반복 실행하여 결과를 검증했습니다. 데이터에 따르면 새로운 접근 방식은 더 정확할 뿐만 아니라 더 신뢰할 수 있었으며, 전력망 변수의 최적 설정을 일관되게 찾아냈습니다.

사회적 학습과 진화적 변이의 힘을 결합함으로써, 연구진은 기존의 많은 방식보다 전력 시스템의 복잡하고 비선형적인 현실을 더 잘 다룰 수 있는 도구를 만들어냈습니다. 이 연구는 새로운 가능성을 탐색해야 하는 필요성과 이미 알려진 좋은 해답을 정교화해야 하는 필요성 사이의 균형을 세심하게 맞춤으로써, 엔지니어가 전력망을 더 저렴하고 깨끗하게 운영할 수 있는 방법을 찾을 수 있음을 보여줍니다. 결과는 이러한 하이브리드 접근 방식이 미래의 전력 시스템 계획에 귀중한 자산이 될 수 있음을 시사하며, 문제의 수학적 거칠기 속에서 길을 잃지 않고 비용, 효율성, 환경적 영향 사이의 복잡한 절충안을 헤쳐 나갈 수 있는 방법을 제시합니다.