본 논문은 물리 법칙을 직접 학습 프레임워크에 통합하는 Physics-Informed Neural Networks (PINNs)를 스마트 그리드 모델링에 적용하여 데이터 부족 및 물리적 일관성 문제를 해결하는 방법을 평가합니다. 세 가지 실험(보간, 교차 검증, 에피소드 경로 예측)을 통해 PINNs의 성능을 XGBoost, Random Forest, 선형 회귀와 비교 분석합니다. 물리 기반 손실 함수(전력 균형, 운영 제약, 그리드 안정성 강화)를 사용하여 PINNs를 훈련시킨 결과, 데이터 기반 모델보다 오류 감소 측면에서 우수한 일반화 성능을 보였습니다. 특히, PINNs는 동적 그리드 운영에서 낮은 MAE를 유지하며, 무작위 및 전문가 주도 제어 시나리오 모두에서 상태 전이를 안정적으로 포착하는 반면, 기존 모델은 불안정한 성능을 보였습니다. 극한 운영 조건에서는 약간의 성능 저하가 있었지만, PINNs는 지속적으로 물리적 타당성을 유지하여 안전 중요 응용 프로그램에 필수적임을 입증했습니다. 본 연구는 PINNs를 데이터 기반 유연성과 제1원칙 엄격성을 결합하는 스마트 그리드 대체 모델링 도구로서 확립하는 데 기여하며, 실시간 그리드 제어 및 확장 가능한 디지털 트윈을 발전시키고, 임무 중요 에너지 시스템에서 물리 인식 아키텍처의 필요성을 강조합니다.
