전력망 주파수 동역학 예측을 위한 가역 쿠프만 기반 신경망 설계

본 논문은 전력 시스템의 주파수 동역학을 정확히 예측하기 위한 새로운 데이터‑드리븐 프레임워크를 제시한다. 전통적인 쿠프만 연산자 기반 모델은 비가역적인 자동인코더를 사용해 관측 데이터를 선형화하려 하지만, 매핑 과정에서 정보 손실이 발생해 고유값·고유함수·모드 복원에 오류가 생긴다. 이를 해결하고자 저자들은 가역 신경망(Invertible Neural Networks, INN)과 쿠프만 연산자를 결합한 구조를 탐구한다. **연구 배경 및 동기** 전력망은 재생에너지 비중이 증가하면서 관성 감소와 급격한 부하 변동에 취약해졌다. 시스템 주파수는 이러한 변동을 실시간으로 반영하는 핵심 지표이며, 정확한 예측은 안정적인 전력 공급에 필수적이다. 쿠프만 연산자는 비선형 동역학을 선형 연산자로 변환하는 강력한 이론적 도구이지만, 실제 적용 시 관측 공간에서 적절한 관측함수(Observable)를 학습해야 한다. 기존 자동인코더는 비가역적이어서 잠재공간으로의 매핑에서 일부 정보를 영구히 손실시킨다. **가역 신경망의 필요성** INN은 입력과 잠재공간 사이에 일대일(bijective) 매핑을 보장한다. 따라서 모든 물리적 정보를 완전하게 보존하면서도, 학습된 잠재공간에서 선형 쿠프만 연산자를 적용할 수 있다. 그러나 INN은 입력·출력 차원을 동일하게 유지해야 하는 제약과, 표현력 제한이라는 두 가지 구조적 난점을 가진다. 차원 상승(lifting)이 필요한 쿠프만 모델링에 INN을 그대로 적용하면 차원 부족 문제가 발생한다. **제안된 아키텍처** 논문은 세 가지 주요 INN 설계 패턴을 검토한다. 1. **커플링‑플로우 INN(CF‑INN)**: 입력을 두 부분으로 분할하고, 한 부분은 그대로 두고 다른 부분에 가역 변환을 적용한다. Additive, Affine, 그리고 Scale‑Shift 형태가 있다. 블록‑삼각형 Jacobian 덕분에 역전파와 행렬식 계산이 효율적이며, 여러 층을 겹쳐 전체 차원을 순차적으로 변환한다. RealNVP, Glow, HINT, NICE 등이 해당한다. 2. **잔차‑플로우 INN**: \(x \mapsto x + F(x)\) 형태의 잔차 연결을 사용한다. iResNet은 Lipschitz 상수를 1 미만으로 제한해 가역성을 보장하지만, 이 제한이 표현력을 크게 억제한다. 고정점 반복을 통해 역변환을 근사한다. 3. **ODE‑기반 INN**: 연속적인 시간 흐름을 ODE 솔버로 구현한다. 메모리 효율성이 뛰어나지만, 쿠프만 연산자는 이산 시간 매핑을 필요로 하므로, ODE‑INN은 시간 샘플링을 강제해야 하며, 이는 고주파 동역학을 포착하는 데 한계가 있다. **하이브리드 구조** INN의 차원 제한을 극복하기 위해, 저자들은 비가역 확장 네트워크를 병렬로 연결하는 하이브리드 설계를 도입한다. 확장 네트워크는 (i) 다중 스케일 CNN, (ii) RBF 커널 매핑, (iii) 깊은 잔차망(멀티타임스케일)으로 구성된다. 두 네트워크의 출력은 잠재공간에서 연결(concatenate)되어 쿠프만 연산자에 입력된다. 복원 단계에서는 오직 INN 부분만 사용하므로 전체 모델의 가역성은 유지된다. **실험 설정** 두 개의 전력 시스템 시뮬레이션을 사용한다. - **IEEE‑14버스**: 빠르게 감쇠되는 동역학을 보이며, 11개의 고장 궤적 중 9개를 학습, 2개를 테스트에 사용한다. - **WECC‑179버스**: 약한 감쇠와 장거리 inter‑area 진동을 특징으로 하며, 99개의 궤적 중 90개를 학습, 9개를 테스트에 사용한다. 각 궤적은 ANDES 파이썬 패키지를 통해 0.1 s 지속의 단락 고장을 가해 생성한다. 모델은 FrEIA 라이브러리 기반으로 구현되었으며, HODMD(High‑Order Dynamic Mode Decomposition) 파이프라인에 통합돼 쿠프만 연산자를 학습한다. 손실 함수는 (1) 예측 손실(실제와 예측 궤적 간 MSE)와 (2) 쿠프만 손실(잠재공간에서 선형 연산자 적용 후 일관성)으로 구성되며, 로그 스케일링을 통해 수치 안정성을 확보한다. 하이퍼파라미터(네트워크 깊이, 은닉 차원, 학습률 등)는 각 INN 별로 최적화했으며, 모델‑레벨 파라미터는 비교 가능하도록 고정하였다. **주요 결과** - **CF‑INN** 계열이 전체적으로 가장 낮은 RRMSE를 기록했다. 특히 Affine 기반 RealNVP와 Glow는 테스트 데이터에서 강한 일반화 능력을 보였다. 이는 커플링 레이어가 입력 차원을 부분적으로만 변환해 안정적인 매핑을 유지하기 때문이다. - **NICE**(덧셈형) INN은 학습 데이터에선 좋은 성능을 보였지만, 복잡한 비선형성을 가진 WECC 데이터에서는 과소적합이 나타났다. - **ODE‑INN**은 가장 높은 오류를 보였으며, 매핑이 지나치게 부드러워 고주파 진동을 놓쳤다. - **iResNet**은 Lipschitz 제한으로 인해 표현력이 억제되어, WECC 데이터에서는 어느 정도 경쟁력을 보였지만 전반적으로 CF‑INN에 뒤처졌다. - **하이브리드** 실험에서, **CNN 확장**은 고주파 성분을 보강해 IEEE 데이터에서 약간의 성능 향상을 제공했으며, **RBF 확장**은 비선형 거리 구조를 강조해 WECC 데이터의 장거리 진동을 부분적으로 개선했다. 반면, **깊은 잔차 확장**은 파라미터 폭증과 학습 불안정성으로 인해 오히려 일반화 성능을 저하시키는 결과를 낳았다. **논의 및 시사점** 가역성 자체가 잠재공간에서 정보 손실을 방지하고, 쿠프만 스펙트럼을 정확히 복원하는 데 핵심적인 역할을 함을 확인했다. 그러나 차원 상승이 필요할 경우, 비가역 확장을 최소화하면서도 표현력을 보강하는 설계가 필요하다. 특히, 커플링‑플로우 기반 INN에 제한된 차원 상승을 위한 작은 규모의 비가역 모듈을 결합하는 것이 현재 전력 주파수 예측 과제에 가장 효율적인 접근법으로 보인다. 향후 연구에서는 (1) 물리 기반 제약을 직접 인코딩한 가역 흐름, (2) 실시간 온라인 학습을 위한 경량화된 하이브리드 구조, (3) 실제 전력망 측정 데이터에 대한 검증 등을 통해 실용성을 확대할 수 있을 것이다. **결론** 본 연구는 다양한 INN 아키텍처와 하이브리드 설계를 체계적으로 비교함으로써, 전력 시스템 주파수 예측에 가장 적합한 가역‑비가역 혼합 구조를 제시한다. 커플링‑플로우 기반 INN이 기본적으로 높은 정확도와 안정성을 제공하고, 필요에 따라 제한된 비가역 확장을 추가하면 복잡한 비선형 동역학을 보다 효과적으로 모델링할 수 있음을 입증하였다.