Large Language Model-Assisted Zoning for Heterogeneous Automatic Voltage Control in Renewable-Rich Regional Power Grids

현대 전력망은 더 이상 거대한 석탄이나 가스 발전소에서 가정과 공장으로 전력이 꾸준히 흐르는 일방통행로가 아닙니다. 오늘날의 전력망은 풍력 터빈과 태양광 패널으로부터 전력을 공급받는 역동적인 양방향 네트워크로 변모하고 있습니다. 이러한 재생 에너지원은 깨끗하고 필수적이지만, 변덕스럽기도 합니다. 바람이 멈추고 구름이 태양광 단지를 지나가면 전력 생산량이 급격히 변동하기 때문입니다. 이러한 예측 불가능성은 전력망 운영자에게 특정 과제를 안겨주는데, 바로 전압을 안정적으로 유지하는 것입니다. 전압은 전선에 전류를 밀어내는 전기적 압력입니다. 전압이 너무 높으면 장비가 손상될 수 있고, 너무 낮으면 불이 깜빡거리거나 모터가 멈출 수 있습니다. 전통적인 전력망에서 운영자들은 출력량을 조절하여 이러한 변동을 완만하게 해주는 대규모의 안정적인 발전소에 의존할 수 있었습니다. 하지만 수천 개의 흩어진 풍력 및 태양광 발전소가 생기면서, 전력망은 한 지역의 전력이 너무 많거나 적어지면 다른 지역의 전압을 위험한 수준으로 요동치게 만드는 복잡한 그물망이 되었습니다. 이를 관리하려면 어떤 전력원이 출력을 얼마나 조절해야 할지 즉각적으로 결정할 수 있는 시스템이 필요하며, 이는 표준화된 일률적인 규칙만으로는 처리하기 너무 어려운 작업이 되었습니다.

최근 연구에서 중국 산시 전력 그리드 회사의 연구진은 대규모 언어 모델(LLM)로 알려진 인공지능 도구를 활용하여, 전력망의 각 부분을 다르게 취급함으로써 이 복잡성을 관리하는 새로운 방법을 제안했습니다. 모든 태양광 발전소와 풍력 터빈이 정확히 동일한 지침을 따르도록 강요하는 대신, 연구팀은 먼저 전력망의 국지적 조건을 살펴보고 어떤 전략이 각 특정 지역에 가장 적합한지 결정하는 시스템을 개발했습니다. 그들은 전력원이 국지적 전압과 어떻게 상호작작용하는지에 따라 전력망을 구역별로 나누었습니다. 전압이 자연적으로 안정적인 일부 지역에서는 시스템이 단순히 발전소들에게 일정한 양의 무효 전력(전력은 실제로 가정에 전달하지 않으면서 전압을 유지하는 데 도움을 주는 유형의 전기적 지원)을 일정하게 유지하도록 요청합니다. 반면 전압 변동이 더 눈에 띄는 다른 지역에서는, 시스템은 마치 온도를 일정하게 유지하기 위해 히터를 조절하는 온도 조절기처럼, 발전소가 전압을 능동적으로 추적하고 교정하는 모드로 전환합니다.

그러나 전력망에서 가장 복잡한 부분은 많은 다양한 발전소가 서로 긴밀하게 연결되어 강력하게 영향을 주고받는 구역입니다. 이곳에서는 모든 발전소가 각자 스스로 전압을 해결하려고 시도할 경우, 서로 맞서 싸우며 에너지를 낭비하고 장비에 무리를 주는 혼란스러운 줄다리기를 유발할 수 있습니다. 이를 해결하기 위해 연구진은 멀티 에이전트 심층 결정론적 정책 경사(multi-agent deep deterministic policy gradient)라고 불리는 유형의 인공지능을 사용하여 정교한 조정 방법을 도입했습니다. 이 설정에서 중앙 컨트롤러는 전체 그룹에 필요한 총 전압 지원량을 결정하고, AI는 공정한 심판 역할을 하여 목표를 달나기 위해 각 개별 발전소가 정확히 어느 정도의 일을 해야 하는지 결정합니다. 이를 통해 부담이 균등하게 분산되도록 보장하며, 특정 발전소가 과부하되는 동안 다른 발전소는 놀고 있는 일이 없도록 합니다.

이러한 결정을 내리기 위해 연구진은 대규모 언어 모델을 최종 명령을 생성하는 용도가 아니라 고차원적인 기획자(planner)로 사용했습니다. 이 AI 도구는 풍력 및 태양광 발전소의 출력, 전력선의 배치, 전압 변동 이력을 포함한 전력망의 현재 상태를 분석했습니다. 이 데이터를 바탕으로 AI는 발전소를 어떻게 그룹화할지, 각 그룹에 어떤 제어 전략을 사용할지, 그리고 어떤 초기 설정을 적용할지를 권고했습니다. 만약 시스템의 초기 계획이 안전 점검(즉, 전압이 안전 범위에서 너무 멀리 벗어나는 경우)을 통과하지 못하면, AI는 결과를 검토하고 실수로부터 학습하여 그룹화 방식이나 설정에 대한 조정을 제 제안합니다. 이러한 계획, 테스트, 개선의 순환 과정을 통해 시스템은 인간의 개입 없이도 변화하는 조건에 적응할 수 있었습니다.

연구팀은 39개의 연결 지점과 8개의 풍력 단지, 8개의 태양광 발전소로 구성된 표준 테스트 시스템을 모델로 한 실제 전력망의 시뮬레이션 버전에서 이 접근 방식을 테스트했습니다. 그들은 이 새로운 유연한 방법과 전력망 전체에 단일 규칙을 적용하는 기존 전략들을 비교했습니다. 결과는 새로운 방법이 전압을 안정적으로 유지하는 데 훨씬 더 효과적임을 보여주었습니다. 이 방법은 아무런 특별한 제어가 없을 때와 비교하여 전압이 안전 범위를 벗어나는 횟수를 거의 88% 감소시켰으며, 가장 우수한 기존의 일률적 방법과 비교했을 때도 이러한 위반 사례를 40% 이상 줄였습니다. 또한, 새 시스템은 작업 부하를 훨씬 더 잘 분산시켰습니다. 기존 방식에서는 일부 발전소가 종종 크고 급격한 변화를 강요받는 반면 다른 발전소는 아무것도 하지 않아 불균형한 마모를 초래했지만, 새로운 방식은 이러한 조정을 완만하게 만들어 각 발전소가 수행해야 하는 변화의 크기를 약 30% 줄였고, 발전소들이 서로의 노력을 무효화하는 상황을 제거했습니다.

이 연구의 핵심 발견은 대규모 언어 모델이 자신의 제안을 개선하는 능력이 측정 가능한 차이를 만들어냈다는 점이었습니다. 연구진이 AI에게 전압 안정성 우선순위와 발전소 간의 작업 부하 균형 사이의 중요도를 조정하도록 허용했을 때, 시스템은 더욱 우수한 성능을 보였습니다. 가장 까다롭고 긴밀하게 연결된 구역에서, AI로 최적화된 시스템은 표준 제어 방식에 비해 전압 오류를 거의 19% 줄였고 작업 부하의 불균형을 70% 이상 줄였습니다. 이는 미래의 전력망 관리가 단일하고 경직된 규칙이 아니라, 전력 발전소들의 독특한 특성을 살펴보고 전등을 계속 켜둘 수 있는 최선의 방법을 결정할 수 있는 지능형 시스템에 달려 있음을 시사합니다. 이 연구는 인간이 설계한 제어 로직과 대규모 언어 모델의 적응형 추론을 결 der 결합함으로써, 저탄소 미래를 위해 요구되는 높은 수준의 재생 에너지를 처리할 수 있는 더 탄력적이고 효율적인 전력망을 구축하는 것이 가능하다는 것을 확인해 줍니다.