단위 운영 확정(Unit Commitment)을 위한 다단계 워밍업 딥러닝 프레임워크

전력 공급과 수요 간의 순간적인 균형 유지는 신뢰성과 계통 안정성(grid stability)에 매우 중요합니다. 시스템 운영자들은 이 과제를 해결하기 위해 단위 운영 확정(Unit Commitment, UC) 문제를 풀어야 합니다. 이는 그리드 물리적 제약 조건(grid physical constraints)에 의해 엄격하고 크게 지배되는 고차원 대규모 혼합 정수 선형 계획법(Mixed-integer Linear Programming, MILP) 문제입니다. 계통이 변동성 재생 에너지원(variable renewable sources)과 장기 저장 시스템(long duration storage) 같은 새로운 기술을 통합함에 따라, UC는 다일(multi-day) 범위의 수평적 해결이 필요하며 잠재적으로 더 높은 빈도로 수행되어야 합니다. 따라서 전통적인 MILP 솔버들은 이러한 시간이 점점 짧아지는 운영 시간 제한 내에서 해답을 계산하는 데 어려움을 겪고 있습니다.

이러한 계산 병목 현상을 우회하기 위해, 본 논문은 트랜스포머 기반 아키텍처를 활용하여 72시간 범위에 걸친 발전기 가동 스케줄(generator commitment schedules)을 예측하는 새로운 프레임워크를 제안합니다. 또한, 고차원 공간에서의 원시 예측값들은 종종 물리적으로 실현 불가능한 결과를 초래하기 때문에, 이 파이프라인은 자기 주의 네트워크(self-attention network)와 결정론적 후처리 휴리스틱(deterministic post-processing heuristics)을 통합하여 최소 가동/정지 시간(minimum up/down times)을 체계적으로 강제하고 여유 용량(excess capacity)을 최소화합니다. 마지막으로, 이러한 정제된 예측값들은 다운스트림 MILP 솔버를 위한 워밍업 시작점(warm start)으로 활용되며, 조합 탐색 공간(combinatorial search space)을 획기적으로 줄이기 위해 신뢰도 기반 변수 고정 전략(confidence-based variable fixation strategy)이 사용됩니다.

단일 버스 테스트 시스템에서 검증된 이 전체 다단계 파이프라인은 100%의 실현 가능성(feasibility)을 달성하고 계산 시간을 크게 단축합니다. 특히, 테스트 인스턴스의 약 20%에서 제안된 모델은 솔버에만 의존하는 것보다 낮은 전체 시스템 비용으로 실현 가능한 운영 스케줄에 도달했습니다.