2.1 국내 ESS 고장 또는 화재조사

한국전기안전공사 전기안전연구원이 국내 에너지저장장치 고장 및 화재 파급에 대한 전수 정밀조사한 결과에 의하면, 국내 에너지저장장치의 고장 또는 화재로 이르는 사고는 2017년을 기점으로 발생하기 시작하여 현재도 진행 중이다. 그림 1은 ESS 고장 발생을 나타낸 것으로 연도별로 보면, 에너지저장장치의 고장 또는 화재는 2018년에 16건이 발생하였으며, 2023년에도 13건이 발생하여 안전에 대한 특별한 변화는 없는 듯 보인다. 그럼에도 불구하고 실제 화재가 발생한 건이 아니라 고장 또는 부분 소실로 사고가 파급되지 않은 건수는 2022년을 기점으로 큰 폭으로 증가하는 추세이다.

이러한 원인으로는 전체 소화시스템의 개선보다는 배터리 자체 소화시스템이 설치 운영되는 과정에서 지속적인 고장 처리 체계를 고도화한 이유가 큰 것으로 파악된다. 또한 배터리 측면에서 보면, 다수 생산되는 배터리의 제조일을 기준으로 대량 생산시기에 고장이 주로 발생하였으며, 이후 생산된 부분에서는 간헐적으로 영향을 받은 것으로 파악된다.

그림 1. 연도별 ESS 고장 발생 건 비교 ^[4]

Fig. 1. Comparison of ESS failures by year

그림 2는 전기설비의 초기고장을 설명하는 욕조곡선에서 알 수 있듯이 제조, 설치시공과 초기운영에 대한 미숙 등으로 나타날 수 있는 초기 고장 가능성을 파악하는데 도움을 줄 수 있다. 고장분석을 통한 원인 조사에서도 배터리의 초기 제조 또는 설치시공이나 운영 미숙 등에 관한 것으로 확인된다. 안정화된 시기는 각 배터리 제조사마다 달라질 수 있으나 국내에서 설치되는 배터리의 경우에는 2020년 5월 이후인 것으로 추정된다. 따라서 안전에 대한 기술은 이전 설치된 배터리에 더욱 집중할 필요가 있으며, 2020년 5월 이후의 배터리에 대해서는 폭넓게 운용할 수 있는 방법을 개발할 필요가 있는 것으로 판단된다. 배터리는 환경에 의한 영향을 일부 받는 것으로 추정된다.

그림 2. 배터리 제조 날짜에 따른 ESS 고장 발생 수

Fig. 2. Number of ESS failures by battery manufacturing data

그림 3은 계절에 따른 배터리 고장 및 화재 발생 현황을 나타낸 것으로 일교차가 심한 환경이나 습도가 많을 때 배터리의 고장 가능성이 높은 것으로 파악된다. 배터리의 자체 성능과 에너지밀도는 안전과 상관성이 있으며, 다수는 배터리 절연성을 견고하게 하는 것만으로도 안전을 확보하는 것이 가능하게 되었다. 따라서, 배터리의 안전성을 파악하는 데이터는 배터리 셀 전압과 온도에 한정된다. 배터리 환경은 외부 온습도 환경과 서지, 지진과 같은 환경을 모니터링하는 것이다. 다양한 데이터가 필요할 수 있으나 최근 화재 조사에서 보면, 서지와 지진에 대한 모니터링에 대한 효용성은 매우 미미할 것으로 판단된다.

그림 3. 계절별 배터리 고장 및 화재 발생 현황 ^[4]

Fig. 3. Seasonal Battery Failures and Fires

그림 4는 에너지저장장치의 고장원인을 구분하여 심각도와 고장 발생 가능시간을 정리한 것이다. 심각도가 높은 설치 후 5년 이내에 발생하는 치명적 고장으로는 배터리 내부의 마이크로쇼트, 잘못된 회로 구성과 2선 지락에 의한 단락, 충전과 방전 운영 상태 등으로 확인된다.

그림 4. ESS 고장원인에 따른 심각도와 고장 발생 가능 시간

Fig. 4. Severity and possible failure time according to ESS failure cause

2.2 EPRI (Electric Power Research Institute) 화재조사

그림 5는 미국 EPRI에서 2024 ESSRF(Energy Storage Safety and Reliability Forum)에 발표한 에너지저장장치 72건의 고장과 화재 현황을 나타낸다.

그림 5. EPRI의 ESS 고장 통계 ^[6]

Fig. 5. Statistics of ESS failure by EPRI

연도별 화재 동향을 보면, 국내 화재와 유사하게 2020년과 21년에 상대적으로 고장과 화재 발생률이 적은 것으로 조사되고 있다. 이후 에너지저장장치의 고장이 증가하는 추세로 국내와 유사한 특징을 가진다.

그림 6은 2024 ESSRF에서 발표된 EPRI 연도별 ESS 고장 분류를 비교한 것이다. 이 자료에 의하면, 그 원인이 파악된 고장과 화재를 카테고리로 하여 설계 (design), 제조 (manufacturing), 시스템 탑재와 시공 (integration, assembly & construction), 운용 (operation)으로 구분하였으며, 총 28건에 대해 설계 미숙에 의한 부분이 21.4%, 제조 불량 의심건이 14.3%, 시스템과 설치 미숙건이 28.0%, 운영 미숙이 28.6% 등으로 확인되었다.

그림 6. 2024 ESSRF에서 발표된 EPRI 연도별 ESS 고장 분류 비교^[6]

Fig. 6. Comparison of EPRI’s annual ESS failure classifications presented at the 2024 ESSRF

에너지저장장치의 고장 초기에는 운전미숙에 의한 건이 다수 발생하다가 최근에는 설계 미숙으로 바뀌는 경향을 보인다. 제조 불량은 간헐적으로 분포되어 있고 시스템 설치에 대한 미숙이 전반적인 원인으로 지목된다. 국내 전기설비 규정과 달리 해외에는 아직 단일 규정에 의해 설치되고 있지 않을 것으로 조사되고 있어서 이에 대한 불안정이 아직 남아 있는 것으로 추정된다. 조사된 자료를 재분류하여 보면, 배터리 자체의 상태에 대한 부분, 배터리 설치시공 등 환경에 의한 부분, 운영에 대한 부분 등 3개의 카테고리로 분류할 수 있다.

따라서, 국내 고장 통계와 EPRI에서 조사된 자료를 근거로 하여 고장을 파악할 수 있는 입력데이터를 분류하는 것이 가장 효과적일 것으로 판단된다.

4.1 Basic Structure

현재 설치된 에너지저장장치는 한국전기안전공사 ESS 통합관리시스템을 통해 운영 데이터를 수집하여 현재 상태를 파악하고 있다. 그러나 고장 또는 수명 예측과 같은 사전 알림 서비스 제공에는 고장 인지 실패, 고장에서 사고 파급으로 이어지는 단계의 안전성 확보 실패 등 한계가 있는 것으로 파악된다. 따라서 좀 더 실시간 감시체계가 가능한 디지털트윈을 활용하여 안전진단과 수명예측을 수행하는 시스템을 개발할 필요성이 있다. 디지털트윈은 배터리 자체에 대한 고장인지뿐만 아니라 배터리 사용환경에 대한 분석을 통해 고장 예측이 가능하게 되며, 현재와 달리 다양한 에너지 사용환경을 구축하기 위한 자율운전에도 도움을 줄 수 있다. 디지털트윈 기반 프레임워크는 수집 데이터의 최적화와 이를 이용하는 다양한 알고리즘에 의해 나타낼 수 있다.

그림 8은 에너지저장장치의 디지털트윈 기반 프레임워크 구조를 나타낸다. 먼저, 데이터 관리는 데이터 수집부, 데이터 분석부, 데이터 저장부로 구성하고, 디지털 트윈에서는 3D 모델링, 안전진단 서비스, 수명예측 등의 서비스를 제공한다. 시뮬레이션을 통해 안전진단과 수명예측을 수행하는 서비스부로 구성하였다. 따라서 디지털 트윈 환경에서 서비스를 제공하기 위해서는 다음절과 같은 설계가 필요하다.

그림 8. 디지털트윈 기반 프레임워크 구조 예시

Fig. 8. Digital twin based framework structure Example

4.2 DTw1,2: Mirroring & Monitoring

에너지저장장치의 데이터 환경은 매우 단순하면서 그 기능을 분류하는 것은 복잡하다. 대부분 현장에서 수집되는 데이터는 많지 않으나 1초 간격으로 수집하는 체계이며, 이 데이터를 효과적으로 운용하기 위해서는 데이터 운용기준에 맞는지에 대한 판단 단계, 각 데이터간 분석을 통한 열화 판단단계, 인공지능 알고리즘을 도입하여 장기간 데이터의 열화를 판단하는 단계 등으로 구분된다.

우선 디지털트윈 환경과 실제 물리모델의 실시간 연동을 위해서 가장 중요한 데이터는 시스템의 서버 용량과 성능을 결정하기 위해서도 수집하고자 하는 데이터 항목과 양이 중요하므로 수집되는 데이터의 조건에 따라 배터리, 전력변환장치 등에 요구되는 계통 데이터, 배터리가 설치된 환경 데이터, 수요관리용인지, 계통 연계용인지 등에 따른 배터리 운영환경을 확인할 수 있는 데이터로 구분한다. 디지털트윈에서 데이터 수집체계는 매우 중요하다. 모든 데이터는 분석이 가능하여야 하며, 제어되어야 한다.

데이터 수집에 있어서 모델링에 필요한 부분과 시스템에 피드백 되어 제어하는 부분은 에너지저장장치의 디지털트윈을 실현하는 중요한 요소가 된다. 그러나 모든 데이터를 실시간으로 수집하고 데이터 저장과 분석, 시뮬레이션 등 다양한 단계를 거치면서 데이터 처리를 위해 많은 서버 용량과 데이터 처리 시간이 필요하게 된다. 이는 프로그램의 성능을 저하시키는 요인으로 최소한으로 필요한 데이터를 선정해서 저장하고 취득해야 한다.

그림 9는 데이터 수집부의 데이터 취득 예시를 나타낸다. 각 설비별로 취득할 데이터 항목을 도출하고 데이터 사전 분석 수행을 통해 데이터 취득 주기를 설정하여 수집하는 현장 데이터를 확인하여 초 단위 데이터는 전력변환장치, 배터리, 온습도, 역전력계전기 등의 정보를 취득하는 중요한 데이터에 한정하며, 분단위 데이터는 초단위 항목 뿐만 아니라 이벤트나 충방전량의 데이터 등으로 운용에 대한 데이터 취득을 의미한다.

그림 9. 데이터 수집부 데이터 취득 예시

Fig. 9. Data Collection Department Data Acquisition Example

데이터 수집부를 통해 수집된 데이터는 저장부에서 수집 주기에 따라 저장한다. 데이터 용량을 설정하기 위해 고려해야 할 사항은 ESS 1 MWh 기준 하루에 수집하는 데이터 용량이다. 이 용량을 기준으로 수집하고자 하는 설비의 규모를 산정하고 데이터 저장주기를 검토하였다. 화재조사를 통해 데이터 분석의 실효성을 높이기 위해서는 최소 3개월 이상의 저장기간이 필요하다. 또한 취득된 데이터가 신뢰성을 저해할 경우에는 추가적인 센서 설치를 통해 신뢰성을 높일 필요가 있다. 안전진단 시스템은 현장과 연계하여 데이터를 수집하기 때문에 방대한 현장 데이터의 저장 기간과 분석을 위해 필수적인 데이터 선정을 통한 용량 산정이 필요하다. 안전진단시스템에서 수집하고자 하는 ESS의 초단위 저장데이터의 용량은 하루에 ESS 1 MWh 기준으로 약 240 MB 정도로 파악된다. 이는 3개월 저장시 약 21.6 GB에 해당한다. 국내 전체 에너지저장장치의 디지털트윈을 산정할 경우에는 매우 심각한 수준인 약 216 TB이며, 장기간 저장할 경우 관리의 한계를 벗어날 수 있으므로 신뢰성 있는 진단 알고리즘을 통해 데이터를 최적화하는 것이 바람직하다. 본 논문에서는 에너지저장장치 20 MWh에 대한 실증형으로 개발 예정이며, 이를 근거로 하여 데이터 최적화를 산정하고 있다. 따라서 3개월간 저장되는 총 데이터량은 약 64.8 GB에 해당한다. 장기간 저장하기 위해서는 압축 기능을 추가하여야 한다. 따라서 실시간 데이터를 모델링에 활용한 후 데이터는 빠르게 분석하여 최적화 시키는 것이 바람직하다. 이를 위해서 데이터 기준점에 대한 판단을 가진 프로텍션맵과 장기간 분석하여 열화상태를 파악하는 인공지능 알고리즘 등 2가지의 방법으로 접근하여야 한다.

그림 10은 ESS 데이터 처리방법 비교를 나타낸다. 현장 데이터를 중심으로 1 MWh 기준 에너지저장장치의 1일 데이터량과 전체 데이터를 분석한 결과 줄어드는 신뢰성 등을 상호 분석한 자료에 의하면, 데이터 신뢰성 부분에서 데이터량을 0.34%까지 줄이면서 50% 정도의 신뢰성을 가진 데이터 처리 B형이 적정한 것으로 판단된다.

그림 10. 신뢰성을 고려한 ESS 데이터 처리 방법 비교 예시

Fig. 10. Example of comparison of ESS data processing methods considering reliability

표 1은 배터리 종류에 따른 고장원인과 관련 데이터를 나타낸다. 데이터는 셀 전압과 배터리 온도, 전류 등에 대한 배터리 데이터가 전부이며, 배터리 실 환경 데이터로는 온습도, 접지시스템에 의해 확인이 가능한 공통모드전압과 절연관련 모니터링, 특수한 환경에서 확인해야 할 진동 등이 있다. 이외에 전력변환과 에너지 흐름에 대한 운용 데이터가 존재한다. 기존 데이터는 총 7개 항목에 의해 수집된다.

이전 단계와 마찬가지로 모든 데이터를 불러오는 것이 아닌 필요한 최소한의 데이터로 분석하고자 한다. 그림 11에서는 ESS 고장유형 원인분석을 통해 ESS 고장과 관계가 있는 데이터를 찾고 데이터 사이의 상관관계를 분석하여 서비스를 제공할 수 있는 최적의 데이터를 설정한다. 배터리, 전력변환장치, 환경 데이터 등에서 발생할 수 있는 고장 유형과 위험도를 판단한다. 이때 과거의 사고 데이터와 현재 측정되고 있는 데이터를 통해 고장 패턴을 파악하면 고장 예측이 가능하다. 고장 유형 분석 후 데이터들의 연계 구조를 파악하여 ESS 시뮬레이션을 위한 데이터 운영 기준을 만들고 데이터 분석을 통해 이상진단과 고장 예측을 수행한다.

그림 11. ESS 고장 분석을 통한 데이터 분석 구조 예시

Fig. 11. Example of Data Analysis Structure through ESS Failure Analysis

4.3 DTw3: Modeling & Simulation

모델링에 필요한 프로텍션맵과 인공지능 알고리즘을 통해 마련된 분석툴은 단기 또는 장기 열화에 대한 평가를 하는데 도움을 줄 수 있다.

표 2 ESS 프로텍션 맵과 AI 알고리즘

Table 2 ESS protection map and AI algorithm

표 2에서 3개의 섹션으로 분류된 각 데이터의 프로텍션 맵은 총 8개 항목으로 구분하였으며, 세부적인 상태 기준은 기존 설정해 둔 상태를 따른다. 알고리즘은 총 6개 항목으로 제한하였다. 현재 가장 필요한 제어가능한 데이터를 이용하여 분석한 결과로 정의할 수 있다. 디지털트윈 기반 시스템은 두 가지 기능을 서비스로 제공하고자 한다. 제공 서비스는 단기성을 가진 안전진단과 장기적 배터리의 수명예 해당하는 서비스이다. 따라서 데이터 관리는 원시 데이터 7개, 프로텍션맵에 의한 데이터 8개, 인공지능 알고리즘에 의해 계산된 6개 항목에 의해 정의된다.

4.4 Service

에너지저장장치는 충전과 방전을 수행할수록 SOH가 감소하여 수명에 영향을 미친다. 그러나 같은 충방전을 수행했더라도 설치 환경, 충방전 주기, SOC 상태 등이 영향을 주어 잔여 수명은 설치한 설비마다 다른 특성을 가진다. 배터리는 충방전 수행을 통해 잔여 수명 산정이 가능하다. 일반적으로 수명에 영향을 미치는 인자는 충방전률, 방전심도, 가동온도에 의해 결정된다. 그러나 실제 환경에서 충방전을 지속적으로 수행하기에는 에너지 소모와 시간소요 등 경제적 손실이 크기 때문에 매우 어렵다. 따라서 디지털트윈 환경을 구축하게 되면, 배터리 모델에 따른 열화모드를 예측하는 데 매우 유용하게 이용될 것으로 파악된다.

또한, 현장에 설치된 약 2,900개소의 리튬이온 기반 에너지저장장치를 안정적으로 운영하고 관리하기 위해서는 디지털트윈과 연동하여 운전상태와 이력을 분석함으로써 고장을 예측할 수 있을 것이다. 단기적인 에너지저장장치의 영향과 장기적 열화에 대한 단계적 판단기준을 마련하는 데에도 효과적으로 대응할 수 있을 것으로 기대된다.

에너지저장장치에 대한 안전서비스는 3차원 시각화를 통한 가상현실을 실현함으로써 원격으로 떨어진 현장에 찾아가는 번거로움을 해소할 수 있으며, 자동 또는 전문가에 의한 제어가 다양화되면서 안전을 확보하는 데 도움을 줄 수 있을 것으로 기대된다. 상기 서비스의 적용은 기존 한국전기안전공사에서 구축한 국내 2,000여개소의 에너지저장장치에 대한 모니터링을 좀 더 발전시켜 현장에 가깝도록 구현된 화면을 통해 안전에 대한 서비스를 제공할 수 있을 것이다.

그림 12. ESS 안전진단시스템 가상 모델

Fig. 12. ESS Safety Diganosis System Virual Model

실시간 데이터 수집과 프로텍션맵에 의한 기준점 관리, 인공지능 알고리즘에 의한 안전관리는 국내 59개의 에너지저장장치 고장 또는 화재를 근거로 하여 데이터 신뢰성을 확보하고 있으며, 현장에서 필요한 진단방법과 심각도를 충분히 고려하여 설계되었다. 다만, 향후 운영에 대한 부분은 산업이 발달하면서 다양성을 가지고 있으므로 이에 대응하기 위해 유기적인 프로그램 개발이 필요할 것으로 판단된다.