머신러닝 기반의 전력 흐름 계산은 기존의 수치적 방법보다 계산상의 이점을 제공하지만, 완전한 물리적 일관성을 유지하는 데 어려움을 겪습니다. 본 논문은 추론 시간에 AC 전력 흐름 등식과 운영 제약 조건을 직접 적용하여 머신러닝 기반 전력 흐름 대리 모델의 정확성과 실현 가능성을 향상시키는 물리학 기반 테스트 시간 훈련(PI-TTT) 프레임워크를 소개합니다. 제안된 방법은 레이블된 데이터 없이도 보이지 않는 운영 조건에 로컬 적응을 가능하게 하는, 몇 번의 경사 기반 업데이트를 통해 대리 모델 출력을 경량 자체 지도 방식으로 개선합니다. IEEE 14-, 118-, 300-버스 시스템과 PEGASE 1354-버스 네트워크에 대한 광범위한 실험을 통해 PI-TTT가 순수 머신러닝 기반 모델에 비해 전력 흐름 잔차와 운영 제약 위반을 1~2배 줄이는 동시에 계산상의 이점을 유지함을 보여줍니다. 결과는 PI-TTT가 빠르고 정확하며 물리적으로 신뢰할 수 있는 예측을 제공하여 전력 시스템 분석에서 확장 가능하고 물리적으로 일관된 학습을 위한 유망한 방향을 제시함을 보여줍니다.
