동향 다이제스트
제목 | 미국) 전력 시스템 애플리케이션의 인공 지능/기계 학습 기술 | ||
---|---|---|---|
국가 | [미국] | 출처 | PNNL |
산업구분 | [스마트그리드] | 등록일 | 2024.08.28 |
제목 : 미국) 전력 시스템 애플리케이션의 인공 지능/기계 학습 기술 (Artificial Intelligence/Machine Learning Technology in Power System Applications) Machine learning(ML) 기술의 간단한 예시
전력시스템은 탈탄소화 추구로 인한 역학관계와과 불확실성 증가로 복잡성이 증가하고 있다. 현재 기술로는 미래의 복잡성을 처리하기에 충분하지 않으며, 인공 지능 및 기계학습(AI/ML) 기술은 이러한 문제를 해결하는 혁신적인 힘으로 등장하여 효율성, 신뢰성 및 혁신의 새로운 시대를 예고하고 있다.
이 보고서는 에너지부(DOE), 전기국(OE)의 고급 그리드 모델링(AGM) 프로그램을 통해 지원받고 있으며, 전력 시스템에서 AI/ML의 혁신적 역할을 이해하기 위한 기반을 제공하고 이 분야에서 추가 연구 개발을 촉진하는 것을 목표로 한다.
머신 러닝(Machine learning) 기술 머신 러닝 기술은 지도 학습(조건부 확률 분포, 생성모델), 비지도 학습(클러스터링, 연관 규칙 분석), 강화 학습(전력 시스템 제어 등 다양한 응용분야)의 크게 3가지 주요 유형으로 분류할 수 있다.
현대적 환경에서 머신 러닝(ML)의 성공을 촉진한 핵심적인 측면 중 하나는 방대하고 다양한 데이터 세트에 대한 전례 없는 액세스로, 정교한 모델을 훈련하는 데 중요한 요소이다.
AI가 모든 응용 분야와 일반인의 삶에 큰 영향을 미치기 시작한 것은 2016년 ‘AlphaGo’ 등장으로, 그 이후 가장 큰 성공은 딥 러닝 분야이다. 성공의 원인은 다음과 같이 4가지 주요 요인이 있다. ① 연산 능력 향상(지난 60년 동안 1조배 증가), ② 더 큰 데이터 가용성, ③ 혁신적인 알고리즘(CNN, ResNet, DenseNet 등), ④ 고급 도구(대부분 오픈 소스, 예: Tensorflow, Pytorch, Scikit-learn)
전력 시스템, AI/ML 어플리케이션 최근 몇 년 동안 수많은 전력 시스템 애플리케이션이 AI/ML 통합을 통해 향상되었으며, 본 보고서에서는 AI와 ML의 혁신적 역량으로 향상된 전력 시스템 애플리케이션의 엄선된 선택을 보여준다. 이러한 애플리케이션은 주로 송전 시스템에 초점을 맞추고 있으며, 그리드 모니터링, 관리 및 계획을 다룬다.
AI/ML 어플리케이션으로는 오류 감지/보호, 상태 추정, 자산 관리, 예측 유지 관리 및 상태 모니터링, 과도 안정성 분석, 비상 분석, 재생 에너지 및 부하 예측, 부하 프로파일링 및 비침입적 부하 모니터링, 진동 감지 등이 있다.
AI/ML 기술은 전력 시스템 애플리케이션을 개선하는 데 상당한 잠재력을 가지고 있지만 전능하지는 않다. 한계를 인정하고 전력 시스템 도메인의 모든 과제를 해결할 수 없을 수도 있다는 점을 이해하는 것이 중요하다.
전력 시스템, AI/ML 기회 및 과제 전력 시스템에 AI/ML을 적용하는 것은 다양한 기회를 제공한다. 고급 AI 모델 구축은 향상된 시스템 인텔리전스를 약속하며, 자체 검증 메커니즘과 human-in-the-loop 접근 방식, 물리 인식 ML 기술 통합이 모델의 견고성과 안정성을 높일 수 있다.
GCN(Graph Convolutional Networks) 도입은 새로운 애플리케이션 패턴을 가능하게 하고 복잡한 그리드 분석을 용이하게 만든다. 시간 제약 시나리오에서는 대리 모델을 사용하여 속도와 정확성의 균형을 맞출 수 있으며, ML 기반 최적화, 연합 학습, IoT와 ML의 시너지는 스마트한 그리드 관리로 이어진다.
전력망 시스템에서 AI(인공지능)와 ML(기계 학습)을 안전하고 신뢰할 수 있게 구현하는 것은 에너지 인프라에서 매우 중요한 과제이며, 이러한 기술은 그리드 운영, 예측 유지 관리 및 오류 감지를 최적화하는 데 점점 더 중요한 역할을 한다.
과제의 예로는 특히 극단적이거나 예상치 못한 이벤트가 포함된 시나리오에서 대용량 데이터 세트를 처리하는 것이 있다. 또한 다양한 소스에서의 데이터 형식과 호환성을 보장하는 것이 중요하다.
유틸리티가 AI/ML의 중요성을 인정하지만 더 많은 리소스를 투입하기 전에 설득력 있는 결과를 기다리기 때문에 전략적 관점과 명확한 로드맵이 부족하다.
AI/ML 기술의 잠재력을 활용하려면 과학자, 연구자, 실무자, 정책 입안자, 규정 준수 및 법 집행 기관 간의 합의를 개발, 테스트 및 개선하는 것이 중요하다.
AI/ML 기술의 지속적인 발전은 전력 시스템 운영, 관리, 최적화 및 제어를 향상시키는 데 중요한 역할을 할 것이다. |
|||
원문 링크 | https://www.pnnl.gov/main/publications/external/technical_reports/PNNL-35735.pdf |