PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.22476v1cs.SE

송전망 운영자 제어실 의사결정 지원을 위한 거버넌스 인식 대규모 언어 모델 오케스트레이션 에이전틱 디지털 트윈

A Governance-Aware Large Language Model Orchestrated Agentic Digital Twin for Transmission System Operator Control Room Decision Support

송전망 운영자(TSO)는 재생에너지 연계, 관성 감소, 더욱 엄격해진 보안 여유도로 인해 증가하는 복잡성에 직면해 있습니다. 대규모 언어 모델(LLM)은 자연어 기반 의사결정 지원을 제공하지만, 환각(hallucination), 통제되지 않는 도구 사용, 미흡한 추적성은 제어실의 요구사항과 상충합니다. 본 논문에서는 송전망 제어실을 위한 거버넌스 인식 에이전틱 디지털 트윈을 제시합니다. 대규모 언어 모델은 화이트리스트에 등록된 분석 도구만 선택하고 파라미터를 지정하며, 제안된 모든 동작은 모델이 우회할 수 없는 거버넌스 층을 통과합니다. 이 층은 매 실행마다 네 가지 규칙을 강제합니다. 화이트리스트에 등록된 도구만 실행됩니다. 어떤 실행도 단계 예산(step budget)을 초과하지 않습니다. 부작용(side effect)이 있는 동작은 운영자의 명시적 승인 없이는 실행되지 않습니다. 답변의 모든 숫자는 단위, 변수, 시점과 함께 백엔드 결과로부터 해당 층에 의해 렌더링됩니다. 이 규칙들은 그리스 송전망의 디지털 트윈 상에서 분석, 시뮬레이션, 다단계 워크플로, 12개 계열의 적대적 입력을 다루는 공개된 118개 작업 벤치마크의 모든 실행에 대해 영구 감사 추적(audit trail)을 통해 검증됩니다. 기본 모델의 590회 실행 전반에서 도구 선택은 96.5%, 작업 성공률은 93.7%에 달했으며, 네 가지 규칙 모두 예외 없이 유지되었습니다. 4개의 대규모 언어 모델에 걸쳐 총 1,416회 실행된 별도의 3회 반복 연구에서도 해당 규칙들은 매 실행마다 유지되었으며, 약 95% 하한은 99.8%였습니다. 해당 층을 제거하자 동일한 모델이 승인이 필요한 45회의 실행을 모두 승인 없이 실행했으며, 백엔드 기반 숫자를 포함한 답변은 39.2%에 불과했습니다. 규칙 강제에 소요되는 비용은 요청당 12~16밀리초입니다.

arXiv:2607.13763v2cs.LG

MxGPS: 전력망 파운데이션 모델을 위한 멀티플렉스 그래프 트랜스포머

MxGPS: Multiplex Graph Transformers for a Power Grid Foundation Model

전력망 문제를 위한 그래프 신경망(GNN)의 단일 과제 미세조정은 체계적인 실패 양상을 보인다. 분포 내(in-distribution) 오차가 가장 낮은 모델일수록 토폴로지 변화(topology shift) 하에서 가장 크게 성능이 저하된다. 이를 토폴로지 과적합(topology overfitting)이라 부른다. 과제 특화 그래디언트 신호가 기본 물리학(underlying physics)보다는 학습 토폴로지에 특화된 관계 구조를 인코딩하는 경향으로, 분포 내 성능이 우수함에도 불구하고 모델이 보지 못한 전력망에서 실패하게 만든다. 이 실패 양상을 드러내고 해결하기 위해, 공유 노드 인코더 위에서 K개의 과제 특화 GPS 분기를 실행하는 멀티플렉스 그래프 트랜스포머인 MxGPS(Multiplex GPS)를 제안한다. 이는 자기지도 사전학습 및 다중 과제 미세조정 프로토콜을 통해 정적 상태 추정(Static State Estimation, SSE)과 교류 전력 조류(AC Power Flow, PF)에 공동 학습되며, 교차 분기 어텐션 모듈은 ablation에서 평가되었다. SSE+PF 공동 목적 함수는 공유 인코더가 상보적인 그래디언트 신호를 동시에 만족하도록 강제하여, 토폴로지 특화 관계 구조에 대한 과적합을 방지한다. 3-fold 슬라이딩 윈도우 교차 검증(sliding-window cross-validation)으로 네 가지 보지 못한 토폴로지(14-, 24-, 162-, 300-bus)를 아우르는 실험에서, MxGPS는 네 가지 제로샷 Power Flow 토폴로지 모두에서 0% 경계 위반률(boundary violation rate, BVR)을 달성한다. 중요하게도, 분포 내 PF 오차가 실질적으로 더 낮은 모델들은 토폴로지 변화 하에서 190%에서 1400%까지 성능이 저하되는 반면, MxGPS는 39%에 불과하다. 이러한 역전 현상은 실패 메커니즘이 모델 용량 부족이 아니라 토폴로지 과적합임을 직접적으로 시사한다. 매개변수 160만 개(GridFM 참조 기준선 대비 12배 적음)만으로 MxGPS는 다중 과제 공동 학습이 전력망 파운데이션 모델에서 토폴로지 독립적(topology-agnostic) 일반화를 위한 원칙적이고 매개변수 효율적인 메커니즘임을 보여준다.

arXiv:2606.21352v1cs.LG

개방 데이터 기반 도시 전력망 토폴로지 및 계층 구조 식별

Urban Power Grid Topology and Hierarchy Identification from Open Data

도시 전력망의 복잡한 토폴로지와 계층 구조를 이해하는 것은 에너지 예측, 전력 흐름 관리, 시스템 복원력 분석에 매우 중요하다. 그러나 상세한 전력망 정보는 대부분 독점적이다. 이는 연구와 혁신에 상당한 장벽을 만들며, 특히 개별 건물을 연결하는 라스트마일(last-mile) 배전망을 분석할 때 더욱 그렇다. 본 논문은 개방 데이터 기반 프레임워크를 개발하여 고압 송전망부터 개별 건물 연결까지 도시 전력망 토폴로지의 완전한 식별을 수행함으로써 이 과제를 해결한다. 특히 공공 인프라 데이터(전력선, 변전소, 변압기, 전주)를 융합하여 그래프 기반 알고리즘으로 고압 및 중압 골격을 매핑한다. 이어 OpenStreetMap 건물 데이터에 지리공간 머신러닝(geospatial machine learning)을 적용하여 전력 수요 클러스터를 그룹화하고, 클러스터링된 건물을 연결하는 최종 배전선의 물리적 토폴로지를 추론한다. 개발한 프레임워크를 노르웨이 오슬로의 Alna 지구에 적용하여 7,330개 건물과 모든 주요 전력 인프라 자산을 연결하는 완전한 전력망 토폴로지를 재구성한다. 본 연구를 통해 전력 흐름 최적화, 연쇄 고장 시뮬레이션, 분산형 재생에너지 발전 침투에 대한 전력망 복원력 분석 등 전력 시스템 분석을 촉진하는 핵심 도구를 제공한다.

arXiv:2301.12538v2cs.LG

연산자 학습을 통한 동기 발전기 동적 응답 근사: 심층 연산자 기반 전력망 시뮬레이터 구축을 향한 한 걸음

On Approximating the Dynamic Response of Synchronous Generators via Operator Learning: A Step Towards Building Deep Operator-based Power Grid Simulators

동기 발전기의 동적 응답을 근사하기 위해 Deep Operator Network(DeepONet) 기반 프레임워크를 개발하고, 잔차 기반 수치 기법과 DAgger 전략을 통해 전력망 시뮬레이터와의 상호작용을 지원한다. 실험 결과 제안된 프레임워크가 동기 발전기의 과도 모델을 효과적으로 근사함을 확인했다.