PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.30173v2eess.SY

GridSFM: 교류 최적 조류 계산 해결을 위한 파운데이션 모델

GridSFM: A Foundation Model for Solving AC Optimal Power Flow

본 논문에서는 다양한 전력망 토폴로지에 걸쳐 사전학습된 파운데이션 모델과 물리 정보 기반 미세조정(fine-tuning)을 결합하여 대규모 교류 최적 조류 계산(AC-OPF)을 해결하는 프레임워크인 GridSFM을 소개합니다. 이 모델은 500개에서 4,000개 모선(bus) 규모의 54개 토폴로지에서 사전학습된 1,500만 개 매개변수 규모의 물리 영감 그래프 신경망(GNN)입니다. 본 모델은 홀드아웃된 운전 조건의 10,000개 모선 사례에서 제로샷(zero-shot) 발전 비용 오차 2.45%를 달성하며, 시스템 규모가 커져도 성능 저하가 발생하지 않습니다. 이를 바탕으로 사전학습된 백본을 조류 계산용 뉴턴 방법(Newton's method) 기반의 물리 정보 미세조정 설계와 결합합니다. GridSFM은 단 100개의 풀이된 인스턴스만으로도 최대 10,000개 모선 규모의 미확인 전력망에 적응합니다. 또한 웜 스타트(warm start) 지점으로 활용될 때, 더 많은 데이터로 학습된 단일 토폴로지 전용 신경망 모델보다 비용과 솔버 반복 횟수 측면 모두에서 우수한 성능을 보임을 입증합니다. 이러한 파운데이션 모델을 설계하는 과정에서, 연속 신경망이 해 매핑을 근사하는 것을 가로막는 장애 요소인 AC-OPF의 실행 가능 집합이 비연결(disconnected)될 수 있다는 문제를 극복합니다. 이를 위해 문제를 리프팅하고 로그 페널티 슬랙 변수를 적용하여 제약 조건을 완화합니다. 그 결과로 얻어지는 탄성 실행 가능 집합이 가축소(contractible)임을 증명하고, 명시적인 페널티 임계값 이상에서는 AC-OPF 최소화해가 탄성 문제의 최소화해로 유지되며, 근사해를 AC-OPF 실행 가능 집합으로 다시 투영하는 것이 잘 정의됨(well-posed)을 증명합니다. 커뮤니티가 AC-OPF의 공유된 출발점을 기반으로 연구할 수 있도록 모든 모델, 데이터 및 코드를 공개합니다.

arXiv:2609.28149v1eess.SY

EvEMTBench: 전력 시스템 보호를 위한 머신러닝 오픈 벤치마크

EvEMTBench: An Open Benchmark for Machine Learning in Power System Protection

머신러닝 기반 전력 시스템 보호에 관한 연구들은 과업 정의, 측정값 접근성, 데이터 분할, 평가 지표 및 일반화 조건이 서로 다른 경우가 많아 직접 비교하기 어렵습니다. EvEMTBench는 모델 설계는 자유롭게 유지하면서 이러한 평가 기준들을 고정한 공개적이고 실행 가능하며 버전 관리가 지원되는 벤치마크(benchmark)를 통해 이러한 간극을 해소합니다. 20~345 kV 범위에 걸친 4개 전력망을 대상으로, 24개의 점수 산정 과업으로 구체화된 12개의 보호 및 이벤트 분석 기능을 정의하며, 관측 가능성 조건, 사전 정의된 분포 변화(distribution shift), 제로샷(zero-shot) 및 파인튜닝(fine-tuning) 기반의 전력망 간 전이(cross-grid transfer) 전반에 걸친 구조화된 평가를 지원합니다. 확정된 데이터 분할, 데이터 누출(leakage) 제어, 재현 가능한 보고 체계는 향후 방법론들을 비교하기 위한 공통의 기준을 제공합니다. 기초적 베이스라인, 전통적 방식, 특징(feature) 기반 방식, 딥러닝 베이스라인을 아우르는 기준 평가 결과는 관측 가능성이 넓어진다고 해서 항상 유리한 것은 아니며, 분포가 변화된 조건에서는 내부 분포(in-distribution)에서 드러나지 않던 오류가 나타날 수 있고, 전력망 간 전이 성능은 고장 위치 추정보다 고장 감지에서 실질적으로 훨씬 더 강건하다는 점을 보여줍니다. 또한 보호 시스템 관점의 진단을 통해 주요 평가 지표만으로는 드러나지 않는 실패 모드를 식별합니다. 따라서 EvEMTBench는 머신러닝 기반 보호 분야의 일반화를 명시적이고 재현 가능한 평가 문제로 정립합니다.

arXiv:2607.20480v1cs.AI

제약 다중 소스 추론을 통한 배전 시스템의 확장 가능한 토폴로지 추론

Enabling Scalable Topology Inference in Distribution Systems via Constrained Multi-Source Inference

정확한 배전 시스템 토폴로지는 정전 위치 파악, 전압 분석, 배전망 운영에 필수적이지만, 이질적이고 불완전한 전력 유틸리티 데이터로 인해 실무에서 신뢰할 수 있는 연결 기록을 유지하는 것은 여전히 어렵다. 기존 토폴로지 식별 방법은 주로 전기적 유사성 또는 공간 기록만에 의존하는 경우가 많으며, 이는 밀집된 피더와 불일치하는 메타데이터 조건에서 신뢰성을 잃는다. 본 논문은 배전 토폴로지 식별을 제약 추론 문제로 공식화하여, 공간적 실현 가능성과 물리적 운영 제약을 강제하면서 이질적 증거를 사용해 유틸리티가 제공한 기본 토폴로지를 정제한다. 처음부터 연결성을 재구성하는 대신, 제안된 프레임워크는 불일치하는 할당을 탐지하고, 확장성을 보장하기 위해 제약된 이웃 내에서 국소적 재연결을 수행하며, 물리적 실현 가능성을 반복적으로 강제하여 운영상 일관된 토폴로지 추정치를 생성한다. 또한, 반증 기반 신뢰도 지표는 대안적 실현 가능 할당 대비 각 추론된 연결이 얼마나 강하게 뒷받침되는지 평가하여, 유틸리티가 시스템 전체 관측 가능성을 유지하면서 검증 노력의 우선순위를 정할 수 있게 한다. 이 프레임워크는 미국 대형 유틸리티와 협력하여 $8{,}000$개 이상의 AMI(Advanced Metering Infrastructure) 미터로 구성된 세 개 피더의 운영 데이터를 사용해 검증되었다. 결과는 전역 추론 접근법에 비해 계산 노력을 크게 줄이면서 $95\%$ 이상의 토폴로지 재구성 정확도를 보여준다. 연구는 또한 상관관계 기반 방법만으로는 밀집된 도시 피더에서 모호한 할당을 초래하는 반면, 전기 측정과 공간·운영 제약을 결합하면 현실적인 배포 조건에서 강건하고 확장 가능한 토폴로지 복구가 가능함을 보여준다.

arXiv:2607.14158v1cs.AI

멀티 에이전트 AI와 MCP 서버를 활용한 전력망 연구 조율

Orchestrating Power Grid Studies with Multi-Agent AI and MCP Servers

본 입론(position paper)은 에이전트형 AI(Agentic AI)와 Model Context Protocol(MCP)가 송전계통 운영자(TSO) 환경에서 전력망 연구를 어떻게 지원할 수 있는지 탐구한다. 우리는 대규모 언어 모델(LLM)을 수치 시뮬레이션 도구, 구조화된 워크플로, 인간 감독과 통합하는 데 중점을 둔다. 에이전트가 지원하는 전력망 연구를 위한 핵심 산업 요구사항을 식별하고, 시뮬레이션 도구 pypowsybl의 선별된 기능을 AI 에이전트에 노출하는 MCP 기반 인터페이스인 pypowsybl-mcp를 소개한다. 이 첫 단계는 에이전트가 시뮬레이션을 설정하고, 분석을 실행하며, 결과를 검색하고, 표준화된 도구 호출을 통해 전력계통 시뮬레이터와 상호작용할 수 있는 방식을 연구하기 위한 테스트베드(testbed)를 제공한다. 또한 인간-참여(human-in-the-loop), 멀티 에이전트 워크플로에 대한 원칙을 논의하고, 기술 지표와 실무자 피드백을 결합한 평가 전략을 개략적으로 제시한다. 본 논문은 MCP 기반 도구 통합을 보다 상호작용적이고, 감사 가능하며, 확장 가능한 전력망 연구 환경을 향한 한 걸음으로 포지셔닝한다.

arXiv:2607.13221v1eess.SY

배포 시프트 하 위험 통제 N-1 열 사고 선별을 위한 감사 기반 선택적 검증

Audited Selective Verification for Risk-Controlled N-1 Thermal Contingency Screening under Deployment Shift

에너지 관리 시스템에서의 실시간 N-1 사고(contingency) 선별은 보증과 비용 사이의 트레이드오프를 수반한다. 모든 신뢰 가능한 정전(outage)을 전력조류(power flow)로 완전히 검증하는 것은 너무 느린 반면, 빠른 선형 민감도(linear-sensitivity) 기반 선별은 통계적 보증을 제공하지 않으며, 특히 제어기가 시스템을 낯선 운전 영역으로 유도할 때 불안전한 운전점을 조용히 통과시킬 수 있다. 본 논문은 Audited Selective Verification을 제안하며, 이는 최적화(optimization), 모델 예측(model-predictive), 또는 학습 기반(learned) 제어기 출력에 적용할 수 있는 위험 예산(risk-budgeted) 기반 선별 및 분류(triage) 층이다. 저비용 서로게이트(surrogate)가 건너뛸 정전을 제안하고, 온라인 감사(audit)는 각 윈도우마다 소규모 무작위 표본에 대해 전력조류를 수행하며, 보정된(calibrated) 임계값은 선택된 예산과 신뢰도에서 건너뛴 집합에 대한 열 위반률(thermal-violation-rate) 경계를 인증하고, 미검증 신뢰 부분집합에 대응하는 경계도 제공한다. 타당성은 서로게이트 정확도가 아니라 실제 검증과 감사에 기반하므로 임의의 배포 시프트(deployment shift) 하에서도 성립한다. 이는 위험 예산 기반 선별일 뿐, 정책이 모든 신뢰 가능한 사고를 검증하도록 요구할 때 결정적(deterministic) 검증을 대체하는 것이 아니다. 최대 1354 버스 규모의 3개 공개 송전(transmission) 시스템에서, 실현된 위반률은 예산 내에 유지되고, 표준 결정적 및 보정된 선별 방법은 시프트 하에서 불안전해지며, 본 방법은 실시간 운전점당 전력조류 연구를 29%에서 75%까지 절감한다.

arXiv:2607.12241v1eess.SY

인-컨텍스트 화이트닝을 통한 그래디언트-무관 전력 흐름 대리 모델의 토폴로지 적응

Gradient-Free Topology Adaptation for Power Flow Surrogates via In-Context Whitening

교류 전력 흐름(ACPF) 문제에 대한 머신러닝 기반 대리 모델은 고정된 네트워크에서 반복적인 해법 비용을 상각화하지만, 선로 고장으로 토폴로지가 바뀌면 정확도가 한두 자릿수만큼 떨어진다. 이러한 성능 저하는 연산자 이동(operator shift)에 기인한다. 변경된 어드미턴스 행렬이 입력-출력 사상을 바꾸므로, 동일한 입력이라도 다른 출력 분포를 낳는다. 기존 방법은 목표 토폴로지 데이터와 토폴로지별 그래디언트 단계로 이를 보정한다. 우리는 이 보정을 대신 통계적이고 그래디언트-무관하게 할 수 있는지 묻는다. 우리는 기본 토폴로지의 첫 두 모멘트로 출력 공간을 화이트닝하여 ACPF 대리 모델을 학습하고, 새 토폴로지에서 수백 개의 해법 사례로 그 화이트닝을 재추정함으로써 보이지 않은 N-1 또는 N-2 토폴로지에 적응하는 인-컨텍스트 화이트닝(ICW)을 제안한다. 이 적응은 그래디언트-무관하고, 가중치 갱신이 없으며, 아키텍처에 구애받지 않는다. 우리는 아핀 화이트너 중 물리적 출력 벡터의 좌표별 의미를 보존하는 유일한 선택이 ZCA 화이트닝임을 증명하므로, 효율적인 가역 보정 범위 내에서 두 모멘트면 충분하다. N-1 및 N-2 사고 조건에서 IEEE 30-, 118-, 300-버스 시스템 전반에 걸쳐 ICW는 고정된 대리 모델 대비 전체 오차를 6배에서 28배 줄이고(N-2에서는 물리량별로 최대 54배), 최악 버스의 전력 균형 불일치를 최대 30배 감소시키며, 세 가지 백본에서 일관된 이득을 보인다. 배포 규모에서는 그래디언트 기반 적응과 동등하거나 더 나은 정확도를 달성하면서 적응 속도는 21배에서 34배 빠르며, 비용은 사고마다 GPU 하나를 요구하기보다 상용 CPU 코어에서 병렬화된다.

arXiv:2606.20950v1cs.AI

Power Systems Agent Benchmark: 전력 공학에서 AI 에이전트의 실행 가능 평가

Power Systems Agent Benchmark: Executable Evaluation of AI Agents in Electric Power Engineering

실행 가능 평가 — 에이전트 행동의 결과를 서술을 채점하는 대신 프로그램으로 검증하는 방식 — 은 소프트웨어 환경에서 도구 사용 AI 에이전트를 평가하는 주요 방법이 되었다. 전력 공학에는 아직 이에 상응하는 벤치마크가 없다. 언어 모델 사용은 여전히 검색과 텍스트 질의응답에 치우쳐 있으며, 전력 시스템 산출물에 작용하는 에이전트는 대부분 학술적 프로토타입에 머물러 있다. 본 논문은 전력 공학 에이전트를 위한 실행 가능 벤치마크인 Power Systems Agent Benchmark를 제안한다. 에이전트는 구조화된 과제를 받아 구조화된 해법을 반환한다. 결정론적 평가기는 공학적 물량을 재계산하고 운영 제약을 검사하여 실행 가능성 플래그, 정규화 점수, 명시적 위반 항목을 반환한다. 벤치마크는 조류, 보호, 안정성, 마이크로그리드, 신뢰성, 전력 품질, 예측 등 전력 공학 8개 영역에 걸쳐 41개 과제 패밀리를 포함한다. 각 과제는 인용 가능한 출처, 표준, 또는 문서화된 공학적 정식화에 기반한다. 오염(contamination)을 방지하기 위해, 보류(hold-out) 사례는 패밀리별 생성기가 비공개 시드로부터 요청 시 합성한다. 구성 방식은 검사 가능하지만 인스턴스는 비공개로 유지된다. 세 가지 명령줄 에이전트에 대한 참조 평가에서, 가장 강한 모델은 compact tier 상한에 근접한 점수를 기록하고, 더 작은 오픈 모델은 뒤처지며, 공개 분할과 보류 분할 성능은 대체로 일치한다. OpenCode와 Aider를 사용한 별도의 공개 분할 그리드는 하네스(harness) 효과를 탐색한다. 참조 평가는 품질 관리 역할도 한다. 만장일치 실패는 후보 과제 또는 평가기 결함을 표시하고, 자기 일관성 검사가 놓친 잠재적 평가기 버그를 드러냈다. 평가기는 컴팩트한 결정론적 대리(surrogate)이지만, 과제 계약(task contract)을 통해 내부를 시뮬레이터 기반 검사로 업그레이드할 수 있으며, 과제 제시 및 해법 방식은 변경하지 않아도 된다.

arXiv:2606.13338v1cs.LG

안전성-충실도 트레이드오프 탐색: 확률적 시나리오를 통한 전력 시스템의 대규모 다변량 시계열 예측

Navigating the Safety-Fidelity Trade-off: Massive-Variate Time Series Forecasting for Power Systems via Probabilistic Scenarios

대규모 전력 시스템의 물리적 제약 조건을 평가하기 위해 36,000개 이상의 채널을 포함하는 PowerPhase 벤치마크를 제안하고 안전성-충실도(safety-fidelity) 트레이드오프를 분석합니다. 또한 유형별 디코딩 헤드와 인과적 브리지를 활용하는 시나리오 기반 정량 예측 모델인 PowerForge를 제시하여 모든 그리드에서 최고의 평균 순위를 달성했습니다.