Core Concepts
물리 기반 신경망을 기존 수치 해법에 통합하여 전력 시스템 동적 시뮬레이션의 속도와 정확도를 향상시킬 수 있다.
Abstract
이 논문은 전력 시스템 동적 시뮬레이션에 물리 기반 신경망(PINN)을 통합하는 새로운 방법을 제안한다.
전력 시스템 동적 시뮬레이션은 전력망 안정성 확보와 정전 방지를 위해 매우 중요하지만, 변환기 기반 자원의 증가로 인해 비선형성과 복잡성이 크게 증가하여 계산 시간이 늘어나고 고려해야 할 임계 시나리오가 많아지는 문제가 있다.
PINN은 기존 수치 해법에 비해 몇 배 빠른 시뮬레이션 속도를 제공할 수 있지만, 기존 수치 해법과의 통합이 어려웠다. 이 논문에서는 PINN을 기존 수치 해법 솔버에 통합하는 새로운 방법을 제안한다.
이를 통해 PINN을 활용하여 시뮬레이션 속도를 크게 높일 수 있고, 모델 공개에 대한 프라이버시 문제를 해결할 수 있으며, 대체 모델 및 집계 모델에 PINN을 적용할 수 있게 된다.
IEEE 9모선 시스템에 대한 수치 실험 결과, PINN을 활용한 하이브리드 솔버가 기존 수치 해법 솔버에 비해 큰 시간 단계에서도 동일한 정확도를 유지하면서 시뮬레이션 속도를 크게 향상시킬 수 있음을 보여준다.
Stats
기존 수치 해법 솔버와 PINN 기반 하이브리드 솔버의 ℓ1-norm 오차 비교:
시간 단계 h = 1 × 10^-2 s에서 오차 차이 미미
시간 단계 h = 4 × 10^-2 s에서 PINN 기반 하이브리드 솔버의 오차가 최대 150배 감소
Quotes
"PINNs can substantially accelerate simulation time, second, the modeling of components with PINNs allows new ways to reduce privacy concerns when sharing models, and last, enhance the applicability of PINN-based surrogate modeling."
"Integrating PINNs into conventional solvers unlocks a wide range of opportunities."