#연속학습

전력망 시뮬레이션-실계통 모델 오차를 학습으로 보정·적응시키는 방법

연구진은 계통 운영자의 물리 기반 시뮬레이션 모델에 AI가 학습한 잔차 모델(residual model)을 더하는 하이브리드 접근을 제안했다. PMU(위상측정장치)/PoW(point-on-wave) 계측 궤적 데이터를 이용해, 인버터 기반 자원(IBR) 도입·대규모 부하·미모델링 동특성·파라미터 드리프트 등에서 생기는 모델 불일치를 잔차가 포착하도록 하고, 이종 계통 채널을 다루기 위해 백본 인코더와 다중 헤드 디코더 구조를 사용했다. 또한 실제 계통이 바뀔 때 기준 잔차 모델을 갱신할 수 있도록 연속학습(continual learning) 기반 적응 프레임워크를 구성했다. 검증은 IEEE 68버스 벤치마크 모델에서 다양한 외란 조건의 수치 시뮬레이션으로 이루어졌으며, 순환신경망·잠재 신경 ODE(latent neural ODE)·트랜스포머 등 여러 예측 구조를 비교했다. 초록에는 구체적인 정량 성능 수치나 실계통 적용 결과가 제시되어 있지 않고 벤치마크 시뮬레이션 범위에 머문다는 점이 한계로 보인다.

9월 18일