중전압 배전망(medium-voltage feeders)은 실시간 측정 데이터가 부족하여 전력 시스템 운영자들이 정확한 시스템 상태를 파악하기 어렵습니다. 이러한 문제 해결을 위해 이차 변전소(secondary substations)의 가상 측정치(pseudo-measurements)에 의존하는 배전 시스템 상태 추정(DSSE, Distribution System State Estimation) 방식이 주로 사용되어 왔습니다. 최근 아르카이브(arXiv)에 발표된 연구는 이 문제를 해결하기 위한 새로운 베이즈(Bayesian) 기반 모델인 PoSE(Posterior Sampling for State Estimation)를 제안했습니다.
기존의 가중 최소 제곱(Weighted Least Squares) 방식은 전력 흐름(power flow)을 정확하게 유지하지만, 베이즈 사전 분포(prior)를 평균과 분산으로만 단순화하는 한계가 있었습니다. 또한, 지도 학습(supervised deep learning) 기반 추정기들은 전력 흐름까지 학습해야 하며 특정 측정 세트에 종속되는 단점이 있었습니다. PoSE는 이러한 한계를 극복하기 위해 베이즈 구조를 유지하면서, 배전 시스템 운영자가 알지 못하는 변전소 주입량(substation injections)의 분포만을 신경망(neural network)으로 학습합니다. 이 신경망은 플로우 매칭(flow matching) 기법을 사용하여 과거 데이터로 훈련되며, 전력 흐름 방정식, 그리드 토폴로지(grid topology), 측정치는 샘플링(sampling) 단계에서 노이즈를 고려한 칼만(Kalman) 유형 보정(correction)을 통해 적용됩니다. 따라서 신경망이 전력 흐름을 직접 근사할 필요 없이, 모든 사후 샘플(posterior sample)은 물리적으로 일관된 운영 지점이 됩니다.
이 새로운 접근 방식은 IEEE 33-버스 피더(feeder) 테스트에서 기존 가우시안 사전 분포(Gaussian prior) 대비 확률적 주입량 오차(CRPS)를 6.7~7.5% 감소시켰습니다. 특히, PoSE는 90% 신뢰 구간(confidence intervals) 내에 실제 주입량을 거의 정확히 포함하여 신뢰할 수 있는 불확실성(uncertainty) 추정 능력을 보여주었습니다. 이는 지도 학습 기반 추정기들이 37~78%의 경우에만 실제값을 포함하는 것과 대조적입니다. 또한, 240-버스 불균형 3상 아이오와 피더(Iowa feeder)에서는 주입량, 전압, 분기 전류(branch-current) 오차에서 모든 추정기 중 가장 낮은 성능을 기록했습니다. 이러한 결과는 PoSE가 다양한 측정 세트, 노이즈 수준, 토폴로지(topology) 변화에도 강건하게 작동하며, 전력망의 안정적인 운영과 효율적인 관리에 크게 기여할 수 있음을 시사합니다.