1. 서 론

정부의 에너지전환 정책에 따라 재생에너지의 보급이 증가하고 있다. 에너지전환 정책의 일환으로 산업통상자원부는 신재생에너지 정책심의회에서 ‘제5차 신ᐧ재생에너지 기술개발 및 이용ᐧ보급 기본계획’을 확정하며 오는 2034년까지 태양광, 풍력 등 신재생에너지 발전 비중을 25.8[%]까지 증가시킨다고 밝혔다⁽¹⁾. 이는 상위 계획인 제 3차 에너지기본계획 및 그린뉴딜 목표 시나리오와 제9차 전력수급 기본계획에 따른 신재생에너지 설비 전망 등을 적용한 수치이다. 또한, 재생에너지 발전비용은 지난 10년간 기술 개선, 규모의 경제, 공급망 경쟁력 향상, 개발자들의 경험 증가를 통해 꾸준하게 절감되어왔다. 19년 유틸리티 급 재생에너지 발전비용(달러/kWh)은 10년 대비 태양광 82[%] (0.378→0.068), 집광형 태양열발전 47[%] (0.346→0.182), 육상풍력 39[%] (0.086→0.053), 해상풍력 29[%] (0.161→0.115) 하락하였다⁽²⁾. 19년 신규 설치된 유틸리티 급 재생에너지 설비의 절반 이상이(56[%]) 가장 저렴한 신규 화력발전소보다 더 낮은 발전비용을 기록하고 있으며 이러한 추세는 앞으로도 지속할 것임을 보여준다.

이러한 재생에너지원의 꾸준한 가격 하락은 가격경쟁력을 갖춘 재생에너지원의 지속적인 연계량 증가와 단기적인 경제적 필요 그리고 중장기 지속 가능 개발목표를 함께 달성할 수 있도록 해주는 비용 효율적인 기후 탈 탄소 솔루션임을 확인할 수 있다. 또한, 전력계통 내 재생에너지원의 확대 및 도입은 화력발전 에너지 의존의 감소 및 발전비용 최소화 등의 긍정적인 효과를 보인다. 그러나 현 전력계통의 운영은 실시간으로 변화하는 전력수요의 변동성에 어떻게 전력공급량을 충족시킬 것인가에 초점이 맞춰져 있으며 비교적 비용함수 모델링이 쉬운 화력 발전소 등에만 행해지고 있다⁽³⁾.

전원의 다양성은 계통의 최적 운영 문제 해법을 위한 수식의 정식화를 복잡하게 하며 주변 환경에 의해 간헐성을 가지는 재생에너지원은 정확한 발전량의 출력 모델링에 있어 어려움이 있다. 따라서 재생에너지원을 활용한 마이크로그리드의 보급 및 확대를 만족시키기 위해서는 계통의 운영/계획 수립을 위한 기본 기술로써 재생에너지원 출력에 대한 예측 기술 및 재생에너지원의 출력 변동성을 고려한 경제급전이 필요하다.

본 논문에서는 태양광 발전의 발전량을 예측하는 데 있어 딥 러닝 기법의 하나인 Long Short Term Memory (LSTM)를 활용한다. 이를 통해 일사량을 예측하며 재생에너지원의 간헐성 및 불확실성을 고려한 경제급전을 수행하기 위해 확률론적 방법의 하나인 몬테카를로 방법과 확률분포 모델을 사용한다. 경제급전 시 디젤 발전기의 입출력 특성을 고려하기 위해 Particle Swarm Optimization (PSO) 알고리즘이 적용되었으며 시뮬레이션에는 MATLAB과 Python Jupyter Notebook이 사용되었다.

2. 마이크로그리드

3. 경제급전

경제급전(Economic Load Dispatch, ELD)은 전체 발전비용을 최소화하도록 각 발전기가 출력하는 유효전력을 결정하는 방법이다. 일반적으로 재생에너지원, 디젤, ESS로 구성된 마이크로그리드의 경우 디젤 발전기가 주파수와 전압을 제어하는 역할을 하고, ESS는 변동하는 전압 및 주파수를 보상하는 역할을 수행하는 것이 일반적이다⁽⁷⁾. 이 경우, 디젤 발전기의 용량이 크고 상시 운전되어야 하기 때문에 연료소비가 많다.

본 논문에서는 디젤 발전기의 연료소비를 최소화하기 위해 태양광 발전의 발전량을 상시 최대 출력으로 운전한다. 태양광 발전의 최대 출력을 위해 발전량 예측을 진행한다. 또한, 디젤 발전기의 입출력 특성을 고려하기 위해 Valve Point 효과를 적용한 뒤 확률분포 모델을 통해 재생에너지원의 출력 불확실성을 고려한 경제급전 방법을 제안한다.

3.1 일사량 예측

태양광 발전량을 예측하기 위해 LSTM을 사용하여 일사량을 예측한 후 물리적 예측 모델에 적용한다. 그림 1은 태양광 발전량을 계산하기 위한 일사량 예측 알고리즘을 나타낸다. 예측을 위해 기상청에서 제공하는 2015~2020년의 종관기상관측 자료 및 방재기상관측 자료를 사용하였다. 입력한 데이터의 초기 독립변수는 온도, 풍향, 풍속, 강수량, 습도가 사용되었으며 데이터 입력 후 알고리즘의 동작 순서도는 다음과 같다.

데이터 전처리 과정을 통해 결측치를 탐색하고 보상한다. 또한, 독립변수와 종속변수를 재구분하며 시간 현실 반영, 변수 간 스케일 조정을 진행하였다. 이후 일사량의 추세와 계절성, 시간, 일, 주, 월, 연도 등의 데이터를 추가 독립변수로 생성한 후 다중공선성 제거를 위해 상관성이 높은 독립변수를 제거하였다. 이를 통해 과적합을 방지하고 최적의 입력변수가 선정된다. 상기 과정을 통해 14개의 독립변수가 선정되었으며 2020년 1월 1일을 기준으로 Training Set과 Test Set을 분리하여 LSTM을 진행하였다.

그림. 1. 태양광 발전량 예측 과정

Fig. 1. Photovoltaic power forecasting flowchart

예측된 일사량의 성능 평가 방법으로는 Mean Absolute Error (MAE)와 Mean Square Error (MSE)를 사용하였으며 관계식은 다음 식(9), (10)과 같다.

(9)

$MAE=\dfrac{1}{N}\sum_{i=1}^{N}| Y-\hat Y |$

(10)

$MSE=\dfrac{1}{N}\sum_{i=1}^{N}(Y-\hat Y)^{2}$

여기서, $Y$는 측정값, $\hat Y$는 예측값이며 $N$은 데이터의 수이다.

3.2 Valve Point 효과를 고려한 경제 급전

기존 화석연료 발전비용 모델의 비용함수는 일반적으로 2차 함수로 근사화하여 표현한다. 그러나 발전기의 실제 출력 곡선은 터빈의 증기 흡입밸브가 열리기 시작할 때 발생하는 손실의 급작스러운 증가로 인해 매우 비 선형적이며 많은 지역 해를 가진다^(8,9). 이를 Valve Point 효과라 하며 다음 그림 2와 같다. 따라서 본 논문에서는 발전기의 실질적 제약인 Vale Point 효과를 고려하였으며 관계 식은 다음 식(11)과 같다.

(11)

$F_{i}(P_{DG,\:i})=$$c P_{DG,\:i}^{2}+b P_{DG,\:i}+a$ $+\left | e\sin\left(f\left(P_{DG,\:i}^{\min}-P_{DG,\:i}\right)\right)\right |$

여기서, $e$와 $f$는 발전기 특성에 따른 계수이다.

그림. 2. Valve Point 효과

Fig. 2. Valve Point Loading effect

3.2.1 Particle Swarm Optimization

PSO 알고리즘은 자연의 생명체들이 군집을 이루어 이동하거나 먹이를 찾을 때 보이는 특징을 관찰하여 군집 내의 객체들이 경험을 공유하며 최적 경로를 탐색하는 과정을 최적화 기법으로 모델링한 것이다. PSO 알고리즘은 다른 통계적 방법보다 안정적으로 수렴하는 특징을 지니며 경제급전을 위해 각 발전기의 비용함수를 목적함수로 사용한다.

Valve Point 효과와 같은 입출력 특성은 부하에 따른 비선형성과 불연속성으로 인해 경험적, 확률론적 탐색에 기반을 두고 있는 PSO 알고리즘을 활용해 경제급전을 수행한다⁽¹⁰⁾.

3.3 제안하는 경제급전 알고리즘

기존 재생에너지원을 포함한 마이크로그리드의 경제급전은 계통 내 재생에너지원들의 발전량을 예측하여 순 부하에 대한 경제급전을 수행한다. 그러나 재생에너지원의 출력 간헐성과 변동성에 의해 정확한 발전량의 예측이 불가능하며 이에 따라 출력제한에 의한 비용과 예비력을 포함한 보조 서비스가 필요하다. 그림 3은 태양광 발전의 간헐성 및 변동성을 고려한 경제급전 알고리즘을 나타내며 동작 순서도는 다음과 같다.

우선 태양광 발전량을 계산하기 위해 LSTM을 통한 일사량 예측을 수행한다. 계산된 태양광 발전량과 실측 데이터의 오차를 통해 각 시간의 발전량에 대한 평균과 분산이 정의되고 이를 활용해 확률분포 모델을 구성한다^(11,12). 확률분포 모델을 사용함으로써 기존 경제급전에서 고려할 수 없던 태양광 발전의 간헐성 및 변동성에 의한 기댓값을 고려할 수 있게 되는 장점이 있다. 몬테카를로 시뮬레이션을 수행하기 위해 예측 발전량을 평균으로 가지는 임의의 태양광 발전 데이터를 1,000개 생성한다. 따라서 확률분포를 통해 생성된 각각의 태양광 발전량에 의해 1,000개의 순 부하가 생성된다. 생성된 순 부하에는 출력제한 비용과 예비력 비용이 추가되며 이를 통하여 태양광 발전의 변동성에 따른 발전비용 기댓값을 산정한다. 몬테카를로 시뮬레이션을 통해 결정된 각 시간에 대한 발전비용 기댓값과 PSO 알고리즘을 이용하여 최적의 발전량이 선정된다.

그림. 3. 제안하는 경제급전 알고리즘

Fig. 3. Proposed ELD algorithm flowchart

4. 시뮬레이션 및 결과분석

제안하는 경제급전의 효용성을 분석하기 위해 두 가지의 시나리오를 수행한다. 시나리오 1은 확률론적 방법을 통해 태양광 발전의 간헐성 및 불확실성을 고려한 경제급전 방법이며 시나리오 2의 경우 태양광 발전의 간헐성 및 불확실성을 고려하지 않은 기존의 경제급전 방법이다. 시나리오 수행을 위해 그림 4와 같은 수정된 IEEE 13 모선 계통도의 632번 노드에 태양광 발전기를 1400$[MW]$ 설치하였으며 디젤 발전기 4대의 데이터는 표 1과 같다.

그림. 4. 수정된 IEEE 13 모선 계통도

Fig. 4. Modified IEEE 13 bus system

시나리오 1은 딥 러닝 기법 중 하나인 LSTM을 활용해 일사량을 예측하였으며 그 결과는 그림 4와 같다.

그림. 5. 일사량 예측 결과

Fig. 5. Forecast results of solar irradiation quantity

그림 5에 대한 MAE와 MSE는 각각 0.08과 0.02로 높은 예측성능을 가진다. 예측한 일사량을 물리적 모델에 적용하여 태양광의 발전량을 계산하였고 실측 데이터와 예측 데이터의 오차를 통해 Day-ahead 확률분포 모델을 구성하였으며 해당 결과는 그림 6과 같다.

그림. 6. 태양광 발전 발전량 예측 결과

Fig. 6. Day-ahead foecast results of PV

시간별 운영 발전비용의 기댓값을 확인하기 위해 확률분포 모델을 활용하였고 시간별 태양광 발전 데이터를 생성하였다. 생성된 데이터에 따라 순 부하가 결정되며 순 부하에 따라 디젤 발전기의 발전비용과 함께 출력제한 비용과 예비력 비용이 고려되었다. 출력제한 비용은 180 [원/kWh], 예비력 비용은 125.81 [원/kWh]로 산정되었다⁽¹³⁾.

태양광 발전의 간헐성 및 불확실성을 고려한 발전비용 기댓값 산출을 위해 몬테카를로 시뮬레이션이 사용되었다. 몬테카를로 시뮬레이션을 통해 발전비용에 출력제한 비용과 예비력 비용이 산정되었으며 결과는 다음 표 2와 같다.

시나리오 2는 디젤 발전기의 발전비용을 최소로 하면서 수급균형을 유지한다. 예측된 순 부하에 대한 최적의 디젤 발전기의 발전량을 구하기 위해 PSO 알고리즘을 이용하였으며 결과는 표 3과 같다.

시나리오 1의 효용성을 검증하기 위해 시나리오 2에서 결정된 각 발전기의 발전량을 몬테카를로 시뮬레이션에 대입한다. 이를 통해 기존 경제급전 결과에 대한 확률론적 기댓값을 얻을 수 있다. 시나리오 1의 기댓값과의 비교를 통해 그 효용성을 검증할 수 있다. 시나리오 1과 2의 기댓값의 결과는 표 4와 같으며 태양광 발전기가 동작하는 9시에서 19시 사이의 기대수익을 산정하였다.

표 4의 결과를 통해 제안하는 경제급전 알고리즘을 사용할 경우 기존의 경제급전 방법보다 약 661.7 [천원/일]의 경제적 이익을 얻을 수 있는 것을 확인할 수 있다. 상기 서술한 시뮬레이션의 반복을 통해 1년 동안 얻을 수 있는 경제적 기대수익은 약 2억 3천만 원으로 산정되었다. 해당 결과는 선로 혹은 계통의 추가적인 설비의 설치ᐧ보강 없이 계통 운영 알고리즘을 통한 운영 효율성 증대로 인한 결과이기에 그 효용성이 크다고 할 수 있다.

5. 결 론

전 세계 발전설비 중 재생에너지가 차지하는 비중은 33 [%]까지 증가하였으며, 누적규모 2,378 [GW]를 기록하고 있다. 이러한 추세에 따라 국내 재생에너지 시장 또한 현 정부의 2050 탄소 중립 추진전략과 함께 지속해서 강한 성장세를 보이고 있다. 이에 따라 계통 내 재생에너지원의 연계량 증가에 따른 재생에너지원의 간헐성 및 불확실성을 고려한 경제급전 방법이 요구된다.

본 논문에서는 태양광 발전 출력에 대한 예측 정확도를 높이기 위해 딥 러닝 기법 중 하나인 LSTM을 활용하였다. 경제급전 시 태양광 발전의 간헐성 및 불확실성을 고려하기 위해 확률론적 방법 중 하나인 몬테카를로 시뮬레이션과 확률분포 모델을 적용하였으며 제안하는 경제급전을 수행할 경우, 기존 경제급전 방법과 비교하여 일일 약 66만 원의 운영비용 차이가 발생하였다. 최종적으로 PSO 알고리즘을 통해 최적 발전량을 결정함으로써 기댓값에 따른 경제적 운영 이익을 실현할 수 있다.