본 논문은 AC Optimal Power Flow (ACOPF) 문제의 최적 해를 효율적으로 예측하도록 훈련된 기계 학습 (ML) 모델인 최적화 프록시를 연구한다. 기존 연구의 한계점인 훈련 데이터 품질 문제를 해결하기 위해, 현실적이고 다양한 훈련 데이터를 생성하는 새로운 능동적 샘플링 프레임워크를 제시한다. 이 프레임워크는 다양한 문제 사양을 능동적으로 탐색하며, 최적 해를 도출하는 ACOPF의 중요한 특징을 더 잘 포착하는 최적화 특정 수량(활성 제약 조건 세트)을 사용한다. 수치적 결과는 기존 샘플링 방법보다 우수한 일반화 성능을 보이며, 신뢰할 수 있는 ACOPF 최적화 프록시의 실용적인 발전을 이끌었다.
