토폴로지 인식 GGNN 기반 전력 흐름 추정

동적이고 인버터 중심의 전력 시스템에서 실시간 계통 모니터링, 비상 분석 및 의사결정 지원을 위해서는 정확하고 확장 가능한 교류 전력 흐름(AC power flow) 대리 모델이 필수적입니다. 그러나 기존 대리 모델들은 메시형 송전망의 장거리 비선형 의존성을 포착하는 능력과 물리 법칙 준수 측면에서 한계를 보이며, 토폴로지 변화나 부하 변동에 대한 일반화 성능이 부족하고 불확실성 정량화 및 확장성이 미흡합니다. 본 논문은 이러한 문제 해결을 위해 토폴로지 불확실성 하의 AC 전력 흐름 추정을 위한 게이티드 그래프 신경망(GGNN) 대리 모델을 제안합니다. 다양한 크기 및 복잡도의 IEEE 벤치마크 네트워크에 대해 무작위 선로 고장과 최대 40%의 부하 변동을 포함하여 모델을 훈련시켰습니다. 강건성과 일반화 성능 향상을 위해 기존의 지도 학습과 물리 정보 기반 자기 지도 학습 전략을 모두 탐색했습니다. 비교 평가 결과, 제안된 GGNN은 기존 GNN 기반 대리 모델들을 일관되게 능가하며, Newton-Raphson 해법과 매우 유사한 예측 결과를 달성했습니다. 모델 아키텍처와 손실 함수에 운영 제약 조건을 직접 반영함으로써 물리적 일관성을 보장합니다. 이 모델은 실시간 계통 운영을 위한 경량, 고정확도, 확장 가능한 도구를 제공하며, 동적 전력 시스템의 안정적이고 효율적인 운영에 기여할 수 있습니다.