그래프 신경망 기반 AC 전력 흐름 모델의 적대적 입력 생성 및 평가

본 논문은 전력 시스템 분야에서 급증하고 있는 신경망 기반 AC 전력 흐름(AC‑PF) 서브스티튜트 모델의 신뢰성을 평가하기 위해, 그래프 신경망(GNN) 구조를 갖는 CANOS‑PF 모델에 대한 적대적 입력 생성 방법을 제안하고 실험적으로 검증한다. 연구는 크게 네 부분으로 구성된다. 1. **배경 및 동기** 최근 물리‑인포메드 신경망(PINN)과 GNN을 활용한 AC‑PF 근사 모델이 빠른 온라인 추론 속도와 비교적 낮은 근사 오차 덕분에 전력 운영에 적용되고 있다. 그러나 딥러닝 모델은 작은 입력 변동에도 출력이 크게 변하는 ‘적대적 취약성’이 알려져 있다. 전력 시스템은 안전‑중요 분야이므로, 이러한 취약성을 정량적으로 파악하고 완화 방안을 모색하는 것이 필수적이다. 2. **문제 정의** 두 종류의 최적화 문제를 수학적으로 정식화한다. - **Maximum‑Error Problem (Problem 1)**: 입력 x 에 대해 신경망 출력 y_NN 과 실제 AC‑PF 해 y_PF 의 특정 성분 i 차이를 최대(또는 최소)화한다. 제약은 입력 변수의 물리적 범위 L ≤ x ≤ U 와 AC‑PF 방정식 자체를 포함한다. - **Constrained‑Error Problem (Problem 2)**: 기준 학습점 x₀ 으로부터 L1 거리 ‖x‑x₀‖₁을 최소화하면서, 신경망이 제시하는 출력 y_NN,i 는 사전에 정의된 하한 l_i 이상(예: 전압 하한)으로 보이지만, 실제 AC‑PF 해 y_PF,i 는 l_i‑δ 이하가 되도록 만든다. 즉, 신경망은 ‘안전’하게 보이지만 물리적 제약을 위반한다는 의미다. 3. **실험 설정** - **데이터 및 모델**: PFΔ 벤치마크의 CANOS‑PF GNN을 사용. 14버스 IEEE 테스트망(PGLib‑OPF) 기반이며, 입력 변수는 PV 버스 전압 크기·활성 전력, PQ 버스의 활성·무효 전력, 기준 버스 전압 각·크기이다. 모델은 128 차원 은닉층, 15 단계 메시 패싱, 약 7.5 M 파라미터를 갖는다. - **학습**: 48,600개의 전력 흐름 샘플(전체 토폴로지)로 50 epoch, 학습률 5×10⁻⁴ 으로 훈련. MSE와 전력 균형 손실(PBL) 기준으로 기존 보고값과 일치함을 확인. - **최적화 구현**: JuMP와 MathProgIncidence.jl을 이용해 회색‑상자 방식으로 신경망을 제약식에 삽입하고, AC‑PF 방정식은 PowerModels.jl이 제공한다. 비선형 프로그램은 IPOPT(MA57)으로 해결했으며, 허용 오차 10⁻⁶, 최대 500 iteration을 설정하였다. 4. **결과** - **Maximum‑Error**: PQ 버스 전압 크기와 PV·기준 버스 무효 전력에 대해 양·음 방향 모두 최적화. 전압 크기 오차는 최대 0.08 p.u., 무효 전력 오차는 최대 3.4 p.u.를 기록. 전압이 낮은 구간에서 오차가 크게 나타나 신경망이 비선형 특성을 충분히 학습하지 못했음을 시사한다. 또한, 해당 적대적 샘플들의 전력 균형 손실이 훈련 데이터 대비 10배 이상 높아 실제 물리적 불일치가 존재함을 확인했다. - **Constrained‑Error**: 9개의 PQ 버스 전압 하한 0.94 p.u.에 대해 δ = 0.04 p.u. (즉 y_PF,i ≤ 0.90 p.u.)를 강제. 90건 중 65건이 수렴했으며, 필요한 L1 변동량은 평균 0.15 p.u., 최대 0.30 p.u. 수준. 대부분 두 개 이하의 입력 변수만 조정하면 목표를 달성했으며, 조정된 변수는 주로 PV 버스 전압 크기로, 하한값에 가깝게 설정되는 경향을 보였다. 이는 학습 데이터에 전압 하한 근처 사례가 부족함을 암시한다. - **계산 효율성**: 모든 실험은 M1 맥북(Pro) 32 GB RAM 환경에서 수초 내에 해결되었으며, 문제 규모가 작음에도 불구하고 비선형 최적화가 안정적으로 수행됨을 보여준다. 5. **논의 및 향후 과제** - **스케일링**: IPOPT 기반 내부점법은 대규모 전력망에서도 적용 가능하므로, 14버스 외에 수백 버스 시스템에도 동일한 적대적 탐색이 가능할 것으로 기대된다. - **입력 자유도 확대**: 현재 연구는 부하를 고정하고 전압·전력 주입만을 조정했지만, 부하·라인 파라미터까지 포함하면 더 심각한 적대적 사례가 생성될 수 있다. - **강인 학습 및 검증**: 적대적 샘플이 전압 하한 근처에 집중되는 점을 고려해, 학습 데이터에 이러한 경계 사례를 추가하거나, 적대적 훈련(Adversarial Training) 및 형식 검증(Formal Verification) 기법을 도입해야 한다. - **해의 유일성**: AC‑PF 해가 다중해를 가질 수 있기에, 큰 오차가 반드시 모델 오류를 의미하지 않을 수 있다. 따라서 해의 유일성을 보장하는 추가 제약이나, 다중해 탐색 기법과 결합한 평가가 필요하다. 결론적으로, 본 연구는 그래프 신경망 기반 AC‑PF 서브스티튜트 모델에 대해 체계적인 적대적 입력 생성 방법을 제시하고, 실제 14버스 시스템에서 의미 있는 오차와 최소 변동량을 확인함으로써, 이러한 모델을 전력 시스템에 적용하기 전 반드시 강인성 검증과 개선이 필요함을 강조한다.