전력망 동적 연구를 위한 인버터 모델 학습
본 연구는 전력망 동적 시뮬레이션의 정확도를 높이기 위해 인버터의 독점적인 동역학을 모방하는 새로운 물리 정보 기반 신경 상미분 방정식 프레임워크를 개발합니다. 현재 산업계에서는 원제조사(OEM)가 인버터의 정확한 내부 제어 및 매개변수를 공개하지 않아, 안정성 분석 및 제어를 위한 게인 튜닝과 같은 정확한 동적 시뮬레이션 및 관련 연구 수행에 상당한 어려움이 있습니다. 이러한 문제를 해결하기 위해, 우리는 시스템 물리학과 신경 학습 레이어를 통합하여 독점 장치의 모델링되지 않은 동작을 포착하는 물리 정보 잠재 신경 ODE 모델(PI-LNM)을 제안합니다. 이 모델은 물리 기반 지침 없이 데이터 기반 학습에만 의존하는 접근 방식보다 우수한 성능을 보입니다. 제안된 방법은 계통 형성 인버터(GFM) 사례 연구를 통해 검증되었으며, 기존 데이터 기반 학습 방식 대비 동적 시뮬레이션 정확도가 향상됨을 입증했습니다. 이는 물리적 원리를 학습 과정에 통합함으로써 미공개 인버터 모델의 복잡한 동적 특성을 보다 효과적으로 포착할 수 있음을 시사합니다. 본 연구는 독점 인버터 모델의 정확한 동적 시뮬레이션 문제를 해결하여, 전력망의 안정성 분석 및 제어 최적화에 기여할 수 있습니다. 이는 전력 시스템의 신뢰성과 효율성을 높이는 데 중요한 역할을 할 것으로 기대됩니다.