2.1 인공신경망 (ANN)

인공신경망(ANN : Artificial Neural Network)이란 기계학습, 인지과학에서 생물학의 신경망 개념으로부터 영감을 얻은 통계학적 학습 알고리즘을 뜻하며, 시냅스의 결합 과정을 거쳐 네트워크를 형성한 인공 뉴런이 학습 과정을 통해 결합 세기를 변화하며 문제 해결 능력을 갖추게 되는 모델을 가리킨다. 인공신경망이 등장하게 되면서 이미지, 음성, 텍스트 분야 등에서 높은 성능을 보여줌에 따라 기존 머신러닝 알고리즘의 한계를 극복하였다. 인공신경망은 아래 그림 1과 같이 총 3개의 계층인 입력층, 은닉층, 결과를 예측 결과를 표시하는 출력층으로 구성되어 있다. 본 논문에서는 태양광 발전 예측을 위해 ANN을 이용하며 입력층에 대해 노드 6개(과거 PV 데이터 노드 4개, 기온, 일사량 노드)와 은닉층에서는 노드 7개로 구성을 하였으며, 기상청으로부터 받은 기상 데이터와 ASHRAE Clear SKY 모델을 통해 추정된 일사량 데이터를 이용한다.

클래스별 예측 모델을 생성하기 위해 전운량을 기준으로 4개의 클래스(맑음, 구름 조금, 구름 많음, 흐림)를 분류하고 발전량과 기상 변수 간 상관관계 분석을 통해 얻은 상관관계 계수가 높은 기상 변수를 기반으로 학습에 활용한다. 발전량과 상관관계 분석을 진행하기 위해 아래 수식 1을 이용한다.

상관관계 계수가 높은 기상 변수를 이용하여 학습을 진행하며, 그림 2와 같이 클래스별 최적화된 ANN 파라미터를 구하게 된다. 그림 1과 같이 본 논문에서는 각 은닉층과 출력층에 대해 $\Theta_{nj}^{(1)}$와 $\Theta_{j}^{(2)}$ 의 가중치를 설정하며, 아래 수식과 같이 은닉층에서는 수식 2와 같이 가중치 $\Theta_{nj}^{(1)}$와 입력층 변수를 사용하며, 수식 3과 같이 활성화 함수 sigmoid를 이용, 마지막 출력층에서는 수식 4에서와 같이 가중치 $\Theta_{j}^{(2)}$를 이용한다.

2.2 BESS 운영 알고리즘

본 논문에서는 운영 안정성 향상 및 예측 보상 운영이 가능하도록 BESS 운영 스케쥴링 알고리즘을 제안한다. BESS는 주로 리튬이온 전지가 많이 사용되며 최근에는 리튬이온의 문제점으로 언급되는 화재 또는 폭발 위험이 상대적으로 낮은 VRFB가 사용되고 있다. 본 실험은 리튬이온의 BESS로 사용한다는 가정하여 진행한다. 태양광 발전 예측을 통해 얻은 기준값을 토대로 BESS 운영을 한다. BESS 운영을 위해서 아래와 같은 단계를 진행한다.

- 계량된 발전량($P_{act}$)과 해당 시간대의 예측 발전량($P_{{for}e}$)간 대소비교를 진행, 오차를 계산한다.

- BESS의 베터리와 PCS의 용량 제약을 설정함으로써 충전량을 계산한다. 특정 시간대에 BESS에 충전할 수 있는 용량의 경우 아래 수식 6과 같이 결정할 수 있다.

$P_{PCS}$는 PCS의 용량을 의미하며, $E_{Upper}$는 SOC(State of Charge)의 상한선을 고려한 BESS의 최대 용량, $E_{Current}$는 현재 BESS의 충전 전력량을 의미한다.

- 앞서 오차 계산 시 $P_{D{if}}$의 값이 음수일 경우, 실제 발전량 < 예측 발전량의 결과를 의미한다. 이 때 BESS는 방전 운영을 시작하며, 방전용량은 아래와 같이 계산된다.

그림 3은 BESS 운영 알고리즘의 순서도를 보여주고 있다. 충전 부분의 경우, BESS의 용량제약을 검토하며 ESS_TEM PCURRENT를 기반으로 검토한다. ESS_TEMPCURRENT는 알고리즘이 동작하는 첫 번째 시간을 제외할 때에는 그 전 시간의 BESS 잔여 용량을 의미한다. 맨 처음 BESS의 현재 용량이 SOC 상한선을 고려한 BESS의 최대용량보다 작은지를 확인하고, 만약 BESS의 용량 제약을 만족할 경우 BESS의 충전량을 $P_{D}if$와 같은 값을 선정하게 된다. 이후 BESS의 충전량과 PCS의 용량 간 비교를 하며 만약 충전량이 PCS 용량보다 클 경우, ‘ESS_CHDCH’를 PCS 용량과 같게 설정함으로써 PCS 용량제약을 만족시킨다. ‘ESS_CHDCH’가 현재 BESS에 남아있는 충전 가능 용량보다 큰 경우, ‘ESS_CHDCH’를 충전 가능 용량으로 설정하여 BESS의 잔여 용량이 BESS 설치용량보다 커지는 것을 방지한다. 이와 달리 방전의 경우, $P_{D iv}$가 음수인 경우 해당한다. BESS의 용량제약을 검토할 때, BESS의 상한선(‘ESSInfo.SOC_UP’)이 아닌 하한선(‘ESSInfo.SOC_LOW’)을 검토한다. BESS의 용량 하한에 대해 제약조건을 만족한 후, $P_{D}if$의 값을 토대로 BESS의 방전량을 결정한다. 방전 역시 충전일 경우와 마찬가지로 ‘ESS_CHDCH’의 절댓값이 PCS 용량보다 큰 경우에는 PCS 용량을 넘어서는 방전 명령을 한 것이기 때문에, PCS 용량과 같은 값으로 수정하여 PCS 용량제약을 만족시킨다. 이후, 방전을 위한 BESS의 잔여 용량과 사전 설정한 ‘ESS_CHDCH’ 값 간 대소비교를 통해 ‘ESS_CHDCH’에 의한 BESS 용량 제약 위반을 방지한다. 즉, BESS의 잔여 용량보다 ‘ESS_CHDCH’의 값이 큰 경우에는 ‘ESS_CHDCH’의 값을 BESS의 잔여 용량 수치로 설정, 반대의 경우 ‘ESS_CHDCH’의 값을 그대로 적용함으로써 BESS 용량을 업데이트한다. 만약 $P_{D}if$의 값이 0일 경우 BESS 충/방전 운영을 수행하지 않는다.

3.1 PV:Battery:PCS (300:300:300 (KW:KWh:KW))

본 3.1장에서는 위 3일간의 태양광 발전 예측 결과를 기반으로 BESS 운영 알고리즘 성능 검증을 진행한다. 그림 7, 8, 9는 1일 차, PV:Battery:PCS 용량을 300:300:300(KW:KWh:KW)에 대해 실제 발전량과 예측 발전량 간 발생한 오차를 BESS로 보정하였을 때 결과를 보여준다. 아침 시간대 실제 출력값이 예측값에 더 근접하게 조정할 수 있으며, MAPE 값 역시 10.85%의 수치를 기록한 것을 확인하였다. 그림 7에서와 같이 충/방전이 원활하게 일어난 7:00~19:00에서의 결과를 자세히 보면, 7:09~14:00까지 실제 발전량의 값이 예측 발전량보다 높은 수치를 나타낸 것을 확인할 수 있으며, 논리적으로 본 시간대에는 BESS의 충전이 원활하게 동작해야 한다. 그러나 SOC 상/하한 제약 때문에 더 이상 충전하지 못하게 되며 10:59분까지 BESS가 원활하게 충전을 수행하지만 이후 충전 동작이 수행되지 않은 것을 확인할 수 있다. 또한 15:00 이후 실제 값이 예측값보다 작은 값이 측정된 것을 확인할 수 있으며, 해당 시간에 대해서 현재 BESS가 충분히 충전되어 있는 상태이기 때문에 예측값과 실제 값 차이에 대해 방전 작업을 수행한다.

3.2 2~3일차 PV:Battery:PCS 실험 검증

본 3.2장에서는 3.1장에서의 추가 2~3일 차 실험 검증을 보여준다. 아래 그림 10, 11, 12는 2일 차, 300:300:300에 대해서 실제 발전량과 예측 발전량 간 발생한 오차를 BESS로 보정하였을 때 결과를 보여준다. 실제 태양광 발전이 있었던 시간(06:00~19:00)을 중점으로 ESS 운영을 검증한 결과 해당 구간의 예측 오차에 대해 ESS가 충분히 보상하였다는 것을 확인할 수 있다. SOC 상/하한의 제약에 걸려 예측 오차에 대해 보상하지 못한 경우가 없었으며, 급격한 출력의 변화에 큰 예측 오차를 나타내고 있는 13:00 ~ 15:15 구간에 대해서도 예측 오차에 대해 충분한 보상을 했다는 것을 확인하였다. 본 2일 차의 MAPE는 ESS 운영 전 14.25%를 나타내며, ESS 운영 후 0.001%를 나타내는 것을 확인하였다.

그림 13, 14, 15는 3일 차 실험 결과를 보여주고 있다. 3일 차 역시 실제 태양광 발전이 있었던 06:00 ~ 19:00 중점으로 ESS 운영 검증 결과 오전 중 예측 오차의 보상이 원활하게 수행된 것을 확인하였다. 그러나, 오전 10:36 이후 ESS의 충전 용량이 상대적으로 부족하여 ESS를 충분히 활용을 못 하였으며 그로 인해 예측 오차에 대한 보상 작업이 부족한 면을 확인하였다. 3일 차의 경우 ESS 운영 전 MAPE는 15.69%, ESS 운영 후 MAPE는 1.92%를 나타내는 것을 확인하였다.