확률 전력 흐름 계산을 위한 저차원 및 희소 텐서 복구

본 논문은 전력 시스템에서 불확실성을 고려한 확률 전력 흐름(Probabilistic Power Flow, PPF) 문제를 효율적으로 해결하기 위해, 고차원 텐서 회복과 일반화 다항 혼돈(Generalized Polynomial Chaos, gPC) 전개를 결합한 새로운 수치 프레임워크를 제안한다. 전통적인 PPF 해법은 Monte‑Carlo 시뮬레이션이나 전역 사각점(quadrature) 기반 적분을 사용한다. 그러나 불확실 변수의 차원이 증가하면 사각점 수가 급격히 늘어나 차원의 저주(curse of dimensionality) 문제에 봉착한다. 특히, 5~6 차원을 넘어서는 경우 전체 사각점 수가 수천에서 수만에 달해 계산 비용이 비현실적이다. 논문은 먼저 시스템의 불확실성을 d 차원의 독립 확률 변수 ξ=(ξ₁,…,ξ_d) 로 모델링한다. 전력 흐름 방정식(1)을 통해 얻은 출력 y=g(ξ)는 매끄러운 함수라 가정하고, 차수 p 로 제한한 gPC 전개 y≈∑_{|α|≤p} c_α Ψ_α(ξ) 로 근사한다. 여기서 Ψ_α는 각 차원별 직교 다항식 φ_{k,α_k}(ξ_k)의 외적이며, 총 K=(p+d)!/(p!d!) 개의 기저함수를 가진다. 전통적인 방법은 모든 사각점에서 g(·)를 평가해 계수 c_α를 계산하지만, 차원이 커질수록 K가 기하급수적으로 증가한다. 이를 해결하기 위해 저자들은 고차원 데이터 배열을 텐서 G∈ℝ^{m×…×m} 로 정의한다. 각 차원별 사각점 수를 m이라 하면, G(i₁,…,i_d)=g(ξ_{i₁}¹,…,ξ_{i_d}^d) 로 표현된다. G 전체를 직접 계산하는 것은 불가능하므로, 인덱스 집합 Ω⊂I (I는 전체 인덱스 집합, |I|=m^d) 에서만 실제 전력 흐름을 시뮬레이션하고, 나머지 원소를 텐서 회복을 통해 추정한다. 텐서 회복 모델은 두 가지 핵심 제약을 포함한다. 첫째, 고차원 gPC 전개에서 대부분의 계수 c_α가 0에 가깝다는 경험적 사실을 반영해 ℓ₁ 정규화(λ‖c‖₁) 로 희소성을 강제한다. 둘째, 실제 전력 흐름 결과를 담은 텐서 G는 낮은 텐서 랭크 r 로 근사될 수 있다는 가정 하에, G≈∑_{j=1}^r u^{(1)}_j⊗…⊗u^{(d)}_j 로 표현한다. 여기서 u^{(k)}_j∈ℝ^m 은 각 차원별 랭크‑1 텐서의 구성 요소이며, 전체 텐서는 d개의 행렬 U^{(k)}∈ℝ^{m×r} 로 압축 저장된다. 최적화 문제는 다음과 같이 정의된다. min_{U^{(1)},…,U^{(d)}} ½‖P_Ω(T(U^{(1)},…,U^{(d)})−G)‖_F² + λ∑_{|α|≤p}|⟨T(U^{(1)},…,U^{(d)}),W_α⟩|, 여기서 P_Ω는 Ω에 해당하는 원소만 선택하는 선형 연산자이며, T(·)는 텐서 랭크‑r 합성, W_α는 계수 계산에 필요한 외적 텐서이다. 이 문제는 비선형이며 전역 최적성을 보장할 수 없지만, 교대 최소화(Alternating Minimization)와 ADMM(Alternating Direction Method of Multipliers) 기반 내부 솔버를 사용해 지역 최소점을 효율적으로 찾는다. 교대 최소화 과정에서 각 단계는 하나의 행렬 U^{(k)}만을 변수로 두고 나머지는 고정해 선형(또는 LASSO 형태) 문제로 변환한다. 알고리즘 흐름은 크게 세 단계로 구성된다. 1) 시뮬레이션 단계: Ω에 속한 소수의 인덱스에 대해 전력 흐름 방정식을 실제로 시뮬레이션해 G(i) 값을 얻는다. 2) 최적화 단계: (15)식의 목적함수를 최소화해 저차원 텐서 요인 U^{(k)}들을 추정한다. 3) 모델 생성 단계: 추정된 텐서 ˆG를 이용해 (9)식에 따라 gPC 계수 c_α를 계산한다. 이때 계수 계산은 텐서 요인과 사전 정의된 벡터 w(k)α_k의 내적만 필요하므로 매우 저렴하다. 실험에서는 MATPOWER 5.1 기반 6‑bus, 30‑bus, 118‑bus 시스템을 대상으로 검증하였다. 6‑bus 사례에서는 d=3, p=3, m=4 로 설정해 전체 64개의 사각점 중 18개만을 사용해 텐서 회복을 수행했으며, 랭크 r=3, λ=0.25 로 설정해 0.2% 수준의 예측 오차를 달성했다. 30‑bus와 118‑bus 사례에서는 d를 20~50까지 확대했으며, 각각 2차 혹은 3차 gPC 전개를 사용했다. 전체 사각점 대비 10⁶~10¹⁰ 배 적은 샘플만으로도 평균, 분산, 확률밀도함수(PDF) 등 주요 통계량을 높은 정확도로 복원했다. 특히, 시뮬레이션 시간은 전통적인 전역 사각점 적분 대비 최대 9×10²⁰ 배 가량 단축되었다(이론적 최대치이며 실제 하드웨어 한계에 따라 다소 차이 존재). 논문의 제한점으로는 (i) 비선형 최적화의 전역 최적성을 보장할 수 없으며, (ii) 정규화 파라미터 λ와 텐서 랭크 r 선택이 경험적이고 자동화되지 않았다는 점을 들었다. 또한, 텐서 회복의 예측 정확도를 검증하기 위해 추가적인 검증 샘플 집합 Ω′를 필요로 하는데, 이는 추가 비용을 초래한다. 그럼에도 불구하고, 저차원·희소 텐서 회복 기반 gPC 전개는 고차원 확률 전력 흐름 문제에 실용적인 해결책을 제공한다는 점에서 큰 의의를 가진다.