연구성과

김홍석 교수 연구팀, 인공지능 응용 분야 국제학술지 IFAC EAAI (JCR 상위 3.3%) 게재 

대규모 국가 전력망 최적화 AI 기술 AltOPF 개발

본교 전자공학과 김홍석 교수 연구팀이 대규모 전력망의 경제적 운영을 돕는 인공지능 기반 최적화 기술 AltOPF를 개발했다. 미국 매사추세츠공과대학교(MIT), 아르곤 국립연구소, 전력거래소(KPX)와 공동으로 수행한 이번 연구는 인공지능 응용 분야 국제학술지 IFAC Engineering Applications of Artificial Intelligence (Impact Factor 9.0, JCR 상위 3.3%)에 게재가 확정되었다.

전력망을 효율적으로 운영하려면 전력 수요를 충족하면서 발전비용을 줄이고, 전압과 송전선 용량 등 다양한 운전 조건을 만족하는 발전량을 계산해야 한다. 이를 교류 최적전력조류(AC-OPF) 문제라고 한다. 재생에너지 확대와 전력망 대형화로 계산 부담이 커지는 가운데, 기존 AI 기술 역시 대량의 정답 데이터 확보와 전력망의 물리적 제약 준수에 어려움이 있었다.

AltOPF의 핵심은 계산 부담을 낮춘 보조 문제의 정답을 배우는 지도학습과, 실제 전력망의 물리 법칙 및 운전 제약을 반영하는 비지도학습을 교대로 수행하는 방식이다. 보조 학습의 효과가 줄어들면 원래 문제에 집중하도록 전환하고, 반복적으로 위반되는 제약에는 더 큰 가중치를 부여한다. 이를 통해 적은 정답 데이터로도 경제성과 제약 준수를 함께 학습할 수 있도록 했다.

연구팀은 IEEE 162, 300, 1,354 모선 표준 시험계통과 국내 KPX 실계통(4,492모선)에서 성능을 검증했다. 국내 계통의 기본 시험 조건에서 AI가 직접 예측한 결과의 발전비용은 기존 최적화 도구 MATPOWER의 기준 해와 평균 0.934%의 차이를 보였다. 또한 전력흐름 보정을 포함한 병렬 처리 실험에서 샘플당 평균 계산시간은 58.63 msec로, 기존 최적화 계산의 4.10초 대비 약 70배 빠른 처리 성능을 기록했다.

학습에 필요한 자원도 줄였다. 1,354모선 계통에서 정답 데이터 생성시간은 완전 지도학습 방식의 18,432초에서 848초로 약 95.4% 감소했다. 같은 계통의 신경망 구조 비교에서는 모델과 학습 상태를 저장하는 용량을 75%, 학습 중 최대 GPU 메모리 사용량을 약 40% 줄여 대규모 전력망에 적용하기 위한 효율성을 높였다.

이번 연구는 실제 국내 전력망 규모에서 AI 기반 최적화의 속도와 데이터 효율을 함께 검증했다는 점에서 의미가 있다. 연구팀은 AI 예측 결과에 제약 검증과 전력흐름 보정을 적용하고, 추가 검증을 통과하지 못한 경우 기존 최적화 계산으로 연결하는 운영 방안도 제시했다. 이러한 접근은 고정된 전력망 구조에서 다양한 운전 후보를 신속하게 검토하는 전력 운영 의사결정 지원 기술로 활용될 수 있다.

‣ 보조 문제와 원래 문제를 교대로 학습한 뒤 원래 문제에 집중하는 AltOPF의 학습 전략. 

논문 정보

논문명 Alternative learning with semi-supervised relaxation for alternating-current optimal power flow

학술지 Engineering Applications of Artificial Intelligence

저자 Hien Thanh Doan, Keunju Song, Sungho Shin, Kibaek Kim, Youngmin Choi, Hongseok Kim

소속 서강대학교, Massachusetts Institute of Technology, Argonne National Laboratory, Korea Power Exchange

교신저자 김홍석 교수 | 서강대학교 전자공학과

게재일 2026년 11월 1일

DOI 10.1016/j.engappai.2026.116099