비가우시안 측정 잡음에 강인한 전력 시스템 동적 상태 추정기: 구현 및 실험 결과

본 논문은 “Robust Power System Dynamic State Estimator with Non‑Gaussian Measurement Noise: Part II – Implementation and Results”라는 제목의 두 번째 파트에 해당한다. 첫 번째 파트에서 제안된 Generalized Maximum‑Likelihood‑type Robust Unscented Kalman Filter(GM‑UKF)의 이론적 기반을 바탕으로, 실제 전력 시스템에 적용 가능한 구현 절차와 파라미터 튜닝 방법을 상세히 제시한다. 1. **서론 및 배경** 전통적인 DSE는 시스템 동역학과 관측 잡음이 가우시안이라고 가정한다. 그러나 실제 전력망에서는 라플라스·코시와 같은 두꺼운 꼬리 잡음, 관측·혁신 이상치, 통신 장애에 의한 PMU 데이터 손실, 사이버 공격 등 다양한 비정상 현상이 빈번히 발생한다. 기존의 Huber‑type EKF는 관측 이상치에만 어느 정도 강인하지만, 두꺼운 꼬리 잡음이나 혁신 이상치에 취약하다. 이에 따라 GM‑IEKF가 제안되었지만, EKF 기반 구조의 비선형 근사 한계로 인해 강한 비선형 구간에서 발산한다. 2. **GM‑UKF 알고리즘 구현** GM‑UKF는 Unscented Transform을 이용해 비선형 상태·관측 모델을 통계적으로 선형화한다. 구현 흐름은 다음과 같다. - **상태 초기화**: 초기 추정값에 10 % 오차를 부여하고, 초기 공분산을 설정한다. - **예측 단계**: 상태 전이 함수 f(·)와 프로세스 잡음 wₖ를 통해 예측 상태와 공분산을 계산한다. - **관측 선형화**: 관측 함수 h(·)를 Unscented Transform으로 선형화해 예측 측정값과 측정 공분산을 얻는다. - **배치‑모드 회귀 형성**: 예측 상태와 혁신(관측‑예측 차) 벡터를 결합해 회귀 행렬 Z를 만든다. - **Pre‑whitening Statistic(PS) 검정**: Z의 두 시점 데이터를 이용해 χ²₂ 분포 기반 임계값 η = χ²₂,0.975을 적용, 이상치 여부를 판단한다. - **강인 회귀**: Huber ρ‑함수(λ = 1.5)와 가중치 함수 파라미터 d = 1.5를 사용해 IRLS 절차를 수행한다. 첫 번째 반복에서는 가중 최소제곱(WLS)으로 초기값을 빠르게 얻고, 이후 IRLS로 수렴한다. - **오차 공분산 업데이트**: 전체 영향 함수(total influence function)를 이용해 새로운 상태 공분산을 계산한다. 3. **파라미터 튜닝** - **λ (Huber 절단점)**: λ → 0이면 절대값 최소화, λ → ∞이면 최소제곱에 수렴한다. 실험적으로 λ = 1.5가 가우시안·라플라스·코시 모두에서 좋은 효율을 제공한다. - **d (가중치 스케일)**: d를 크게 하면 이상치 억제가 강해지지만, 정상 데이터까지 과도하게 다운웨이트되어 효율이 감소한다. d = 1.5가 적절한 절충점이다. - **IRLS 수렴 허용오차**: 0.01을 기본값으로 두며, 더 작은 값은 연산량을 증가시킨다. 4. **시뮬레이션 설정** IEEE 39‑bus 시스템에 9차 두 축 발전기 모델(DC1A exciter, TGO V1 터빈‑조정기)을 적용하였다. 샘플링 주파수는 50 Hz이며, 전압 각도에 10⁻² 표준편차 가우시안 잡음, 전압 크기에 0.9/0.1 비중의 두 가우시안 혼합 잡음, 실·무효 전력에 라플라스(스케일 0.2) 혹은 코시(α,β) 잡음을 부여하였다. 5. **시험 시나리오 및 결과** - **Case 1 (비가우시안 잡음, 이상치 없음)**: UKF는 라플라스 잡음에 대해 발산하거나 큰 편차를 보였으며, GM‑IEKF와 GM‑UKF는 정상적으로 수렴했다. 그러나 GM‑IEKF는 전압·속도 추정에서 MAE가 크게 증가, 통계 효율이 낮았다. GM‑UKF는 모든 상태 변수에서 MAE가 최소이며, 코시 잡음에서도 안정적으로 수렴했다. - **Case 2 (관측 이상치)**: t = 4–6 s 구간에 실·무효 전력에 20 % 오류를 삽입. UKF는 큰 편향을 보였고, GM‑IEKF는 일시적 편향이 발생했지만 회복되지 못했다. GM‑UKF는 PS 기반 이상치 검출 및 IRLS 가중치 조정으로 이상치를 효과적으로 억제, MAE가 가장 낮았다. - **Case 3 (PMU 데이터 손실·통신 실패)**: 일부 PMU 데이터가 0.5 s 간격으로 누락되는 상황을 시뮬레이션. GM‑UKF는 누락된 데이터를 자동으로 보정하고, 추정 정확도가 크게 저하되지 않았다. 반면 UKF는 데이터 손실 시 발산 위험이 있었다. - **Case 4 (사이버 공격)**: 특정 버스의 전압 위상에 악의적 변조(스파이크) 공격을 가함. GM‑UKF는 PS 검정을 통해 공격 데이터를 이상치로 식별, 가중치를 감소시켜 추정에 미치는 영향을 최소화했다. - **Case 5 (강한 비선형성)**: t = 0.5 s에 라인 15‑16을 차단, 시스템이 급격히 비선형 구간에 진입. GM‑IEKF와 UKF는 수렴하지 못하고 발산했으나, GM‑UKF는 안정적으로 새로운 평형점에 수렴하였다. 6. **논의 및 결론** GM‑UKF는 비가우시안 잡음, 관측·혁신 이상치, 데이터 손실, 사이버 공격, 강한 비선형성 등 복합적인 현실 상황에서도 높은 수렴성 및 통계 효율성을 보인다. 특히 Huber ρ‑함수와 PS 기반 이상치 검출을 결합한 구조는 기존 필터가 취약한 영역을 보완한다. 논문은 향후 실시간 구현을 위한 연산 최적화, 다중 PMU 연동, 그리고 이상치 패턴 기반 사이버 공격 탐지 기법을 연구 과제로 제시한다.