멀티시스템 전력 흐름을 위한 물리 기반 그래프 어텐션과 지속 학습

본 연구는 전력 시스템 운영에서 핵심적인 AC 전력 흐름(AC‑PF) 문제를 실시간으로 해결하기 위한 새로운 딥러닝 프레임워크인 PowerModelsGAT‑AI를 제시한다. 기존의 Newton‑Raphson 방식은 부하 변동이 크거나 N‑k(특히 N‑2)와 같은 대규모 사고 상황에서 수렴 속도가 저하되는 문제가 있었으며, 최근 그래프 신경망(GNN) 기반 접근법이 등장했지만 대부분 단일 전력망에 특화돼 다른 시스템에 적용하기 어려웠다. 이러한 배경에서 저자들은 다음 네 가지 핵심 기여를 한다. 1. **멀티시스템 통합 학습** 14개의 표준 전력망(버스 수 4~6,470)을 대상으로 각 시스템별 시나리오를 생성하고, 13개 시스템을 동시에 학습시킨 통합 모델을 구축하였다. 데이터 생성 단계에서는 전력 부하와 발전량을 전역·지역·개별 요인으로 계층적 랜덤화하고, 전선·변압기 파라미터를 ±10% 범위 내에서 jitter함으로써 물리적 다양성을 확보했다. 또한 N‑2 사고를 포함한 토폴로지 변화를 반영해 모델이 복잡한 컨틴전시 상황에서도 견고하게 동작하도록 설계하였다. 2. **버스 유형 인식 마스킹 및 다중 타깃 출력** 버스 유형에 따라 알려진 입력과 예측해야 할 출력이 달라지므로, 4차원 상태벡터 yᵢ=