전력망·수요관리arXiv 전력계통
확률적 능동학습으로 계통연계 인버터의 과도안정도 영역 확장
대규모 인버터 기반 자원(inverter-based resources)이 늘면서 중요해진 과도안정도(transient stability) 해석에서, 기존 해석적 방법과 신경 리아푸노프(neural Lyapunov) 방법이 지나치게 보수적이거나 분포 외(out-of-distribution) 문제로 제한된 영역에 갇히는 한계를 다뤘다. 저자들은 신경 리아푸노프 함수로 인증된 내부 안정영역에서 출발해 가우시안 프로세스(Gaussian process) 대리모델을 구성하고, 불확실성 기반 경계 탐색으로 안정 경계를 바깥으로 밀어내는 확률적 능동학습(probabilistic active learning) 프레임워크를 제안했다. 최대 4대의 그리드포밍(grid-forming) 인버터가 연계된 다기(multi-machine) 벤치마크 실험에서 고전적 기준선 대비 인증 안정영역의 부피가 최대 20배 확대됐고, 시스템당 시간영역 시뮬레이션 질의는 최대 220회로 단일 인버터 벤치마크에서도 1,600회가 필요한 전수 EMT 평가보다 적었다고 보고한다. 다만 검증은 시뮬레이션 기반 벤치마크에 한정되며 최대 4대 인버터 규모까지만 다뤘고, 초록에는 실계통 실증 결과가 제시되지 않았다.
8월 23일