2.1 계통 구성

본 연구에서 사용한 확장형 계통은 RTS-24를 기반으로 24개 버스, 34개 송전선로, 12기의 발전기로 구성되며, 계통도는 그림 1과 같다.

그림 1. 재생에너지 및 ESS 반영 IEEE RTS-24 계통도

Fig. 1. IEEE RTS-24 system diagram with renewable energy and ESS integration

재생에너지는 계통 전역에 분산 배치하였으며, ESS는 제5장의 위치 선정 절차에 따라 1번 버스에 설치하였다. 수요는 RTS-24의 기준 피크부하를 기준으로, RTS 계열 신뢰도 평가에서 사용되는 주별 피크비율, 요일별 피크비율, 계절·주중/주말·시간대별 부하비율을 조합하여 8,760시간 시계열로 생성하였다^[15]. 이를 통해 계절별·요일별·시간대별 수요 특성을 반영하였다. 시스템 총부하 $P_{L}^{sys}(t)$는 수식 (1)을 통해 계산된다.

여기서 $P_{L}^{peak}$는 RTS-24의 기준 피크부하, $W_{w}(t)$는 연간 피크 대비 주별 피크비율, $D_{d}(t)$는 주별 피크 대비 요일별 피크비율, $H_{s(t),a(t),h(t)}$는 계절 $s(t)$, 주중/주말 구분 $a(t)$, 시간대 $h(t)$에 따른 시간별 부하 비율이다. 시스템 총부하는 RTS-24의 버스별 부하분담률에 따라 각 부하 버스에 배분하였으며, 계절별 시간대별 부하 프로파일은 그림 2와 같다.

그림 2. 계절별 시간대별 시스템 부하 프로파일

Fig. 2. Seasonal hourly system load profiles

송전선로의 리액턴스와 선로용량 등 계통 정수는 RTS-24 데이터를 기준으로 설정하였다. 발전기 및 송전선은 가용 상태와 고장 상태를 가지는 이진 상태 모형으로 표현하였다. 각 설비의 고장 특성은 강제정지율(FOR: Forced Outage Rate)과 평균수리시간(MTTR: Mean Time To Repair)으로 정의하며, 고장률과 수리율은 이들로부터 표준 방식으로 계산된다^[14]. 발전기 및 송전선의 FOR, MTTR 값은 RTS-24 표준 데이터를 적용하였다.

2.2 ESS 모델

ESS는 시간별 충전 및 방전이 가능한 저장 자원으로 모델링하였으며, 에너지 상태는 다음 수식 (2)로 표현된다.

여기서 $P_{c}(t)$와 $P_{d}(t)$는 각각 충전 전력과 방전 전력, $\eta_{c}$와 $\eta_{d}$는 충전 및 방전 효율이다. ESS의 상태충전율(SOC: State of Charge)은 저장에너지와 정격 에너지 용량의 비로 정의되며, 다음 수식 (3)으로 표현된다.

여기서 $E_{max}$는 ESS의 정격 에너지 용량(MWh)이다. 또한 ESS는 수식 (4)~(5)의 운전제약을 만족해야 한다.

ESS의 정격 출력, 에너지 용량, 충·방전 효율 및 초기 SOC는 사례연구용 모의조건으로 설정하였다. 본 연구에서는 ESS를 200MW / 600MWh의 3시간 지속 방전형 저장장치로 가정하였으며, ESS의 주요 파라미터는 표 1에 정리하였다.

2.3 재생에너지 출력, 예측오차 모델 및 순부하 모델

기본 RTS-24 계통은 시간별 재생에너지 출력 정보를 포함하지 않으므로, 본 연구에서는 재생에너지 확대 계통을 구현하기 위해 재생에너지 설비비중을 기존 화력 설비용량과 추가 재생에너지 설비용량의 합 대비 30%로 설정하였다. 이에 따라 기존 화력 설비용량 3,375MW를 기준으로 총 1,446.4MW의 재생에너지 설비를 추가하였으며, 태양광과 풍력의 설비비중은 각각 60%와 40%로 설정하였다. 이 재생에너지 설비 추가는 공급측 자원 구성을 확장하기 위한 모의조건이며, 부하 증가나 수요 패턴 변화는 별도로 모델링하지 않았다. 재생에너지 출력은 시간별 순부하 산정에서 공급측 입력으로 반영하였고, 수요는 앞서 정의한 8,760시간 부하 시계열을 사용하였다. 시간 $t$에서 총 재생에너지 출력은 태양광과 풍력 출력의 합으로 정의하며, 이를 수식 (6)으로 나타낼 수 있다.

여기서 $P_{PV}(t)$는 태양광 출력, $P_{W}(t)$는 풍력 출력이다. 본 연구에서는 계절별 출력 특성과 단기 시간상관성을 반영하기 위한 사례연구용 모의조건으로 재생에너지 출력 시계열을 생성하였다. 풍력 출력은 계절 평균 풍속을 중심으로 한 AR(1) 풍속 시계열($\phi = 0.90$)을 생성한 뒤, cut-in 3m/s, 정격 12m/s, cut-out 25m/s의 3차 터빈 출력 곡선을 적용하여 산출하였다. 태양광 출력은 계절별 일조시간 변화와 정현파 기반 일중 일사 패턴에 AR(1) 구름 계수($\phi = 0.94$)를 결합하여 생성하였다. 이를 통해 시간별 태양광 및 풍력 출력을 8,760시간 합성 시계열로 구성하였다.

본 연구에서는 위험도 지수 계산과 ESS 운전계획 수립을 위하여 시간 $t$에서의 실제 재생에너지 출력 $P_{RE}(t)$, 예측 출력 $P_{RE}^{fc}(t)$, 예측오차 표준편차 $\sigma_{RE}(t)$를 함께 정의하였다. 재생에너지 예측오차 $\epsilon_{RE}(t)$는 실제 출력과 예측 출력의 차로 수식 (7)로 나타낸다.

예측오차는 평균 0, 시간별 표준편차 $\sigma_{RE}(t)$인 정규분포를 따른다^[16]. 이러한 절차를 통해 생성된 태양광 및 풍력 출력의 계절별 시간대 평균 프로파일은 그림 3과 같다.

그림 3. 태양광 및 풍력 출력의 계절별 시간대 평균 프로파일

Fig. 3. Seasonal hourly mean profiles of photovoltaic and wind power generation

시스템 부하 시계열과 재생에너지 출력 시계열을 이용하여 실제 출력 기준 순부하 $L_{net}(t)$와 예측 출력 기준 순부하 $L_{net}^{fc}(t)$를 각각 수식 (8), 수식 (9)와 같이 정의한다.

실제 순부하는 공급부족 여부와 ESS의 실제 방전 필요성을 판단하는 데 사용되며, 예측 순부하는 위험도 지수 산정과 사전 운전전략 수립에 활용된다.

2.4 전력가격 모델

본 연구에서는 ESS의 경제적 운전 성능을 평가하기 위하여 단순화된 시간대별 전력가격 시계열 $p(t)$를 정의하였다. 해당 가격 시계열은 실제 정산가격 재현이 아니라, 낮 시간대 저가격, 저녁 시간대 고가격, 공급부족 시 페널티 가격을 반영한 사례연구용 모의조건이다. 구간별 기준가격은 다음 표 2와 같다.

공급부족 발생 구간의 $520/MWh는 피크 시간대 기준가격의 4배 수준으로 설정한 페널티 가격이며, 전략별 경제성 비교의 공통 기준으로 사용하였다.

3.1 위험도 구성요소 정의

본 연구에서는 계통 운영위험을 서로 다른 측면에서 반영하기 위하여 수급여유 지수 $SM(t)$, 설비 신뢰도 지수 $SR(t)$, 재생에너지 불확실성 지수 $SU(t)$, 예상 부족에너지 지수 $SP(t)$를 정의하였다. 이 지수들은 이후 정규화와 가중합을 통해 통합 위험도 지수로 결합된다.

3.2 통합 위험도 지수

네 위험 구성요소는 단위와 범위가 다르므로, 각 지수 $X(t) \in \{SM(t), SR(t), SU(t), SP(t)\}$에 대해 극단값 배제를 위한 1st–99th percentile clipping 후, min-max 정규화를 적용하였다. 각 지수의 정규화는 다음 수식 (16)을 통해 이루어진다.

여기서 $X(t)$는 정규화 이전의 원시 지수값, $X_{min}$과 $X_{max}$는 clipping 이후의 최소값과 최대값이다. $X_{n}(t)$는 정규화된 지수값을 의미한다. 정규화된 네 지수를 가중합하여 시간 $t$의 통합 위험도 지수 $R(t)$를 다음과 수식 (17)과 같이 정의한다.

가중치의 합은 1로 설정하였으며 $R(t)$가 클수록 해당 시간대의 계통 운영위험이 높음을 의미한다. 본 연구에서는 공급부족 발생에 직접 작용하는 수급여유 지수와 설비 신뢰도 지수에 각각 0.30, 향후 위험 증가 가능성을 보완하는 재생에너지 불확실성 지수와 예상 부족에너지 지수에 각각 0.20의 기준 가중치를 부여하였다. 또한 가중치 설정의 강건성을 확인하기 위해 3개 표본 연도에 대해 8,760시간 연간 시뮬레이션을 수행하였다. 각 기준 가중치는 ±10%~±30% 범위에서 변화시켰으며, 나머지 가중치는 합이 1이 되도록 비례 재배분하였다. 민감도 분석 결과는 표 3에 정리하였다.

표 3과 같이, 동일한 표본 연도 집합 내에서 가중치를 변화시켜도 LOLE와 EENS는 동일하게 유지되었고 총 운전수익만 제한적으로 변동하였다. 이는 가중치 변화가 일부 충·방전 시점에는 영향을 주었으나, 공급부족 사건의 발생 여부와 규모를 바꿀 정도로 위험구간 판별을 변화시키지는 않았기 때문이다. 따라서 본 연구에서는 공급부족과의 물리적 관련성을 반영한 기준 가중치 구성을 유지하였다.

4.1 전략 개요

위험도 기반 ESS 스케줄링 전략의 전체 절차는 그림 4와 같다. 먼저 부하, 재생에너지 출력, 설비 가용상태 및 전력가격 정보를 입력으로 사용하여 시간별 위험도 구성요소를 계산한다. 이후 각 구성요소를 정규화하고 가중합하여 통합 위험도 지수를 산정한 뒤, 24시간 선행 예측을 통해 향후 위험구간을 판별한다. 마지막으로 예측된 위험구간과 실제 공급부족 발생 여부를 함께 고려하여 SOC 하한, ESS 운전 모드 및 충·방전 명령을 결정한다. 본 전략은 저위험 구간에서는 가격 기반 충·방전을 허용하고, 중·고위험 구간에서는 SOC 하한을 상향하여 예비에너지 보유를 강화하며, 공급부족이 실제로 발생한 경우에는 위험구간과 무관하게 비상방전을 우선 수행한다. 이를 통해 제안 전략은 사전 예비에너지 확보와 실시간 공급부족 대응을 하나의 운전 로직 안에서 연계한다.

그림 4. 위험도 기반 ESS 스케줄링 절차

Fig. 4. Procedure of risk-based ESS scheduling

이러한 24시간 선행 예측을 구현하기 위하여 1차 자기회귀 모델(AR(1))을 적용하였다. 시간 $t$에서 $h$시간 이후의 예측 위험도 $R^{fc}(t+h)$는 수식 (18)과 같이 정의한다.

여기서 $\mu$는 최근 위험도 시계열의 평균, $\Phi$는 자기회귀계수, $\epsilon_{h}$는 평균이 0인 예측 오차항을 의미한다. 자기회귀계수는 최근 24시간 위험도 시계열로부터 추정하였으며, 예측오차항의 표준편차는 사전 실험에서 관측된 1시간 잔차 분포를 바탕으로 0.02로 설정하였다. 이러한 선행 예측을 통해 ESS는 위험도가 높아지기 전에 SOC 하한과 운전 모드를 조정할 수 있다.

4.2 위험도 구간별 SOC 하한 정책

위험도 기반 ESS 스케줄링 전략의 핵심은 위험 수준에 따라 서로 다른 SOC 하한을 적용하는 데 있다. 본 연구에서는 두 개의 위험 임계값 $\tau_{1}$, $\tau_{2}$와 이에 따른 두 개의 SOC 하한값 $s_{1}$, $s_{2}$를 정의하였다. 이를 통해 위험도를 저위험, 중위험, 고위험의 세 구간으로 구분하고, 각 구간에 대응하는 SOC 하한을 차등 적용한다. 위험도 구간별 ESS 운전 규칙은 표 4에 정리하였다.

표 4와 같이, 본 전략은 위험 수준이 높아질수록 경제운전 가능 범위를 축소하고 예비에너지 보유 수준을 단계적으로 강화하도록 설계하였다.

4.3 파라미터 최적화 방법

위험도 기반 ESS 스케줄링 전략의 핵심 정책 변수는 $\tau_{1}, \tau_{2}, s_{1}, s_{2}$이다. 본 연구에서는 이들 파라미터의 값을 Bayesian optimization을 이용하여 최적화하였다^[17]. 목적함수 $J$는 수식 (19)와 같은 형태로 구성한다.

여기서 $T_{def}$는 공급부족 발생 시간, $Profit$은 차익거래 수익, $FA$는 위험도 지수가 경보를 발생시킨 구간 중, 실제 공급부족이 발생하지 않은 경보 구간의 누적 시간, $Viol$은 위험 구간에서 SOC가 해당 구간의 SOC 하한 미만으로 떨어진 시간의 합을 의미한다. 각 항의 가중치는 신뢰도 확보를 최우선으로 하되 경제성과 운영 안정성도 함께 반영하도록 설정하였다. 탐색 범위는 $\tau_{2} > \tau_{1}$, $s_{2} > s_{1}$ 조건을 부과하여 중위험·고위험 구간의 계층 구조가 유지되도록 하였다. Surrogate 모델은 random forest 기반 sequential optimizer를 사용하였으며, acquisition function은 expected improvement를 적용하였다. 총 40회 반복 중 처음 10회는 초기 탐색으로 수행하였다. 각 후보 파라미터는 복수의 난수 시드와 시나리오에 대해 720시간 시뮬레이션으로 평가하였고, 이를 연간 기준으로 환산한 목적함수 값의 평균을 최적화에 사용하였다.

5.1 ESS 위치 선정 방법

ESS의 설치 위치는 상정사고에 따른 계통 취약도 완화 효과를 기준으로 결정하였다^[18]. 이를 위해 RTS-24 계통 내 후보 버스를 대상으로 Grid Vulnerability Index(GVI)를 산정하고, ESS 설치에 따른 GVI 감소량을 비교하였다. GVI는 각 버스에서 발전기 및 송전선 상정사고 발생 시 DC-OPF 기반으로 산정한 미공급 전력량을 고장 확률로 가중 합산한 계통 취약도 지표이다. 버스 $b$의 취약도 개선 효과는 수식 (20)을 통해 계산된다.

여기서 $GVI_{base}$는 ESS가 없는 기준 계통의 취약도 지수이고, $GVI_{b}^{ESS}$는 버스 b에 ESS를 설치한 경우의 취약도 지수이다. $\Delta GVI_{b}$가 클수록 해당 버스에 ESS를 설치했을 때 계통 취약도 개선 효과가 크다는 것을 의미한다. 위치 선정 과정에서는 동일한 ESS 정격을 각 후보 버스에 단독 설치한 경우를 가정하고, 동일한 발전기 및 송전선 상정사고 집합에 대해 GVI 감소량을 계산하였다. 상위 5개 후보 버스의 계산 결과는 표 5와 같다.

표 5와 같이, 1번 버스가 가장 큰 $\Delta GVI_{b}$를 나타내어 ESS의 설치 위치를 1번 버스로 선정하였다.

5.2 순차 몬테카를로 시뮬레이션 설정

위험도 기반 ESS 스케줄링 전략의 성능평가는 발전기 및 송전선 고장, 부하 변동, 재생에너지 출력 변동을 시간순으로 반영하는 순차 몬테카를로 시뮬레이션(Sequential Monte Carlo Simulation, SMCS)을 통해 수행하였다^[19]. 각 표본 연도에서는 RTS-24의 부하 시계열, 재생에너지 출력 시계열, 발전기 및 송전선의 시간별 고장 상태를 생성하고, 이에 대하여 8,760시간의 시간순 시뮬레이션을 수행하였다. 각 시간 단계마다 RTS-24 네트워크에 대해 송전 제약을 고려한 DC-OPF 기반 운전 가능성 평가를 수행하였으며, 선형계획법 솔버로는 HiGHS를 사용하였다^{[20- 21]}. 공급능력이 수요를 충족하지 못하는 경우의 미공급 전력은 부하차단으로 산정하여 신뢰도 지표 계산에 반영하였다. 최종 성능은 10개 표본 연도에 대해 모든 비교 전략을 동일한 조건에서 평가한 결과의 평균값으로 산정하였다.

5.3 비교군 설정

제안 전략의 효과를 검증하기 위해 표 6과 같이 비교군을 설정하였다.

Rule-Based Arbitrage는 경제성 중심 접근을 다룬 ^[8]의 운전 원칙을 반영한 규칙 기반 차익거래 비교군으로 설정하였다. 해당 전략은 전력가격 분위수를 기준으로 충·방전을 결정하며, SOC에 대한 별도 제약을 두지 않는다. Reserve First는 신뢰도 중심 접근을 다룬 ^[9]의 운전 원칙을 반영한 규칙 기반 신뢰도 중심 비교군으로 설정하였으며, 고정 SOC 하한을 유지하여 공급부족 대응 여력을 확보하도록 구성하였다. 모든 전략은 동일한 RTS-24 계통, 동일한 부하 및 재생에너지 시계열, 동일한 설비 고장 시나리오, 동일한 ESS 정격 조건에서 비교하였다.

5.4 성능평가 지표

제안 전략의 성능은 신뢰도, 경제성, 용량가치 관점에서 평가하였다. 신뢰도는 공급부족의 빈도와 규모를 각각 반영하는 LOLE와 EENS로 평가하였고, 경제성은 ESS의 운전수익으로, 용량가치는 ELCC로 평가하였다.

6.1 위험도 지수 조기경보 성능

본 절에서는 연간 시뮬레이션 결과를 바탕으로 위험도 지수 기반 경보와 실제 공급부족 사건의 대응 관계를 분석하여 Event Precision, Event Recall, F1 score를 산정하였다. Event Precision은 위험도 지수가 경보를 발생시킨 사건 중 실제 공급부족과 연결된 비율을 의미하며, Event Recall은 실제 공급부족 발생 중 사전에 포착된 비율을 의미한다. 조기경보 성능 지표는 표 7에 정리하였다.

표 7에서 보는 바와 같이, 발생한 경보의 약 87%가 실제 공급부족과 연결되며, 실제 공급부족의 약 76%를 사전에 포착할 수 있는 것으로 나타났다. F1 score는 0.81로, 경보의 정확성과 포착 능력이 전반적으로 균형 있게 확보되었음을 보여준다. 일부 공급부족은 사전에 포착되지 않았으나, 제안한 운전전략은 사전 예비력 확보와 실제 공급부족 발생 시 비상방전을 병행하도록 설계되어 있으므로 조기경보의 한계를 비상방전 로직을 통해 일부 보완할 수 있다.

본 연구에서 최적화된 정책 변수는 $\tau_{1}$=0.481, $\tau_{2}$=0.634, $s_{1}$=35.79%, $s_{2}$=70.99%이며, 그림 5는 이러한 설정에 따라 위험도 상승 이전에 SOC가 확보되고 공급부족 발생 시 비상방전이 수행되는 과정을 보여준다.

그림 5. 대표 주간 부족 전력, 위험도 지수, ESS SOC 시계열

Fig. 5. Representative weekly time series of power deficit, risk index, and ESS SOC

그림 5에서와 같이 위험도 지수는 공급부족 전력 발생 시점에만 반응하는 것이 아니라, 주요 공급부족 구간 이전부터 상승하는 경향을 보인다. 이에 따라 ESS는 위험도 상승 구간에서 SOC 하한을 상향 적용하고, 실제 공급부족이 발생하기 전에 일정 수준 이상의 SOC를 유지하여 방전 여력을 확보한다. 이후 부족전력이 발생하면 확보된 저장에너지가 비상방전에 활용되어 공급부족을 완화한다. 이는 위험도 지수 기반 운전전략이 사전 예비에너지 확보와 실시간 부족 대응을 연계함으로써 계통 신뢰도 향상에 기여할 수 있음을 보여준다.

6.2 신뢰도 성능 비교

전략별 신뢰도 성능은 LOLE와 EENS를 기준으로 비교하였으며, 그 결과는 그림 6에 나타내었다.

그림 6. ESS 운전전략별 LOLE 및 EENS 비교

Fig. 6. LOLE and EENS comparison across different ESS operating strategies

모든 ESS 운전전략은 No ESS 대비 신뢰도를 개선하였으며, 그중 Risk-Based가 가장 우수한 성능을 나타냈다. Risk-Based의 LOLE는 4.50h/year로 모든 전략 중 가장 낮았으며, Rule-Based Arbitrage(6.70h/year) 대비 32.8%, Reserve First(5.10h/year) 대비 11.8% 감소하였다. EENS도 Risk-Based에서 636.73MWh/year로 가장 낮아, 위험도 기반 운전전략이 공급부족의 발생 빈도와 부족 규모를 모두 완화함을 확인하였다. 이러한 차이는 예비에너지 운용 방식의 차이에서 비롯된다. Rule-Based Arbitrage는 가격 신호를 중심으로 운전되므로 공급부족 시점 이전에 충분한 에너지를 확보하지 못할 수 있다. Reserve First는 고정 SOC 하한을 유지하여 일정 수준의 예비에너지를 확보하지만, 시간에 따라 변하는 위험 수준을 반영하여 예비에너지를 추가로 조정하지는 못한다. 반면 Risk-Based는 저위험 시간대에는 경제운전을 허용하고, 고위험 시간대에는 예비에너지를 집중적으로 확보함으로써 공급부족 대응 효과를 높인다.

6.3 경제성–신뢰도 상충관계 분석

본 절에서는 5.4.3절에서 정의한 차익거래 수익과 공급부족 대응 방전가치를 기준으로 ESS 운전전략의 경제성을 비교하였다. 전략별 경제성 비교 결과는 표 8과 같다.

표 8에서 Risk-Based 전략은 차익거래 수익과 공급부족 대응 방전가치가 모두 가장 높았으며, 이에 따라 총 운전수익도 비교 전략 중 가장 크게 나타났다. Risk-Based의 차익거래 수익이 Rule-Based Arbitrage보다 높게 나타난 것은 두 전략의 방전 시점 결정 방식이 다르기 때문이다. Rule-Based Arbitrage는 가격 분위수만을 기준으로 충·방전을 결정하므로, 가격이 상위 분위 구간에 진입하면 이후 더 높은 가격 시간대나 공급위험이 큰 시간대의 도래 가능성을 고려하지 않고 방전할 수 있다. 반면 Risk-Based 전략은 24시간 선행 위험도와 동적 SOC 하한을 이용하여 고위험 시간대 이전에는 에너지를 보존하고, 저위험 시간대에는 가격 기반 충·방전을 허용한다. 이로 인해 방전이 단순 고가격 시간대가 아니라 높은 순부하와 높은 가격이 중첩되는 시간대에 더 집중되었으며, 결과적으로 차익거래 수익도 Rule-Based Arbitrage보다 높게 나타났다.

신뢰도와 경제성의 관계를 보다 명확히 파악하기 위해 LOLE와 총 운전수익을 함께 나타낸 그림 7을 제시한다.

그림 7. 전략별 LOLE–총 운전수익 상충관계 비교

Fig. 7. Trade-off between LOLE and total operating revenue across ESS operating strategies

그림 7에서 Risk-Based 전략은 낮은 LOLE와 높은 총 운전수익을 동시에 나타내는 영역에 위치한다. Rule-Based Arbitrage는 총 운전수익은 비교적 높지만 LOLE가 상대적으로 커 신뢰도 측면의 한계가 나타났으며, Reserve First는 LOLE를 개선하였으나 총 운전수익이 크게 감소하였다. 따라서 Risk-Based 전략은 가격 중심 단순 규칙이나 고정 SOC 하한 방식에 비해, 위험 수준에 따라 예비에너지 확보와 경제운전을 조정함으로써 경제성–신뢰도 상충관계를 효과적으로 완화한 것으로 판단된다.

6.4 ELCC 기반 용량가치 분석

ESS의 용량가치는 ELCC를 기준으로 평가하였으며, 전략별 비교 결과는 그림 8에 도시하였다.

그림 8. ESS 운전전략별 ELCC 기반 용량가치 비교

Fig. 8. Comparison of ELCC-based capacity values across different ESS operating strategies

Risk-Based의 ELCC는 169.53MW(정격의 84.8%)로 가장 높았으며, Reserve First 164.06MW(82.0%), Rule-Based Arbitrage 66.41MW(33.2%) 순으로 나타났다. 이는 동일한 설비 조건에서도 운전전략에 따라 실제 용량가치가 달라질 수 있음을 보여준다.

이러한 차이는 앞서 신뢰도 및 경제성 분석에서 확인한 예비에너지 운용 방식의 차이와 일관된다. Risk-Based 전략은 위험도 기반의 동적 SOC 하한을 통해 공급부족 발생 가능성이 높은 시간대에 예비에너지를 효과적으로 유지하였으며, 그 결과 가장 높은 ELCC로 이어진 것으로 해석된다. 즉, ESS의 계통 기여도는 설비 정격만으로 결정되지 않으며, 적용되는 운전전략에 따라 신뢰도 기여, 용량가치, 경제성이 함께 달라질 수 있다.

6.5 시나리오별 동적 SOC 하한 동작 분석

본 절에서는 제안 전략의 핵심인 동적 SOC 하한 정책이 기준 조건 외의 다양한 운영조건에서도 유효하게 작동하는지를 검증한다. 이를 위해 계통 운영위험을 구성하는 주요 요인을 개별적으로 변화시킨 추가 시나리오를 대상으로 분석을 수행하였다. S1은 기준 부하 시계열에 부하 스케일 1.03을 적용하여 부하가 3% 증가한 고부하 조건으로 구성하였고, S2는 재생에너지 예측오차 스케일을 1.5로 설정하여 예측오차가 기준 대비 50% 증가한 조건을 반영하였다. S3는 재생에너지 설비비중을 기준 30%에서 40%로 증가시킨 고재생에너지 침투율 조건으로 구성하였다.

각 추가 시나리오에서는 전략 간 입력조건을 동일하게 유지한 상태에서, 위험도–SOC 하한 상관계수와 공급부족 전 평균 SOC를 분석하였다. 위험도–SOC 하한 상관계수는 위험도와 적용 SOC 하한 수준 간의 연동성을 나타내며, 공급부족 전 평균 SOC는 하한 적용이 공급부족 이전의 방전 여력 확보로 이어졌는지를 보여준다. 이어서 LOLE 및 EENS 감소율을 Rule-Based Arbitrage(RBA) 및 Reserve First(RF)와 비교하여, 동적 SOC 하한 정책이 공급부족의 발생 빈도와 규모 완화에 미치는 효과를 평가하였다. 시나리오별 동적 SOC 하한 동작 및 성능 개선 결과는 표 9에 정리하였다.

표 9에서 각 시나리오의 위험도–SOC 하한 상관계수는 0.813 이상으로 나타났으며, 이는 위험도 변화에 따라 적용 SOC 하한 수준이 일관되게 연동되었음을 의미한다. 또한 공급부족 전 평균 SOC는 84.2–95.8%로 유지되어, 동적 SOC 하한 정책이 위험도가 높은 시간대에 ESS의 방전 여력을 사전에 확보하는 방향으로 작동하였음을 확인할 수 있다. 이러한 연동 특성이 실제 시간대별 운전에 어떻게 반영되는지를 확인하기 위해, 재생에너지 예측 불확실성이 가장 크게 반영된 S2 시나리오의 대표 고위험 주간에 대한 부족전력, 위험도 지수, 적용 SOC 하한 및 SOC 변화를 그림 9에 제시하였다.

그림 9는 S2 시나리오에서 24시간 선행 예측을 반영하여 산정된 위험도 지수에 따라 적용 SOC 하한이 시간대별로 변화하는 과정을 보여준다. 적용 하한은 위험도 변화에 연동되어, 공급부족 구간 이전부터 단계적으로 상향되고 위험도가 낮아지는 구간에서는 다시 하향된다. ESS의 SOC는 이렇게 조정된 하한을 기준으로 운전되며, 이를 통해 실제 시뮬레이션 운전에서도 시간대별 위험 변화에 따라 적용 SOC 하한이 전환됨을 확인할 수 있다.

그림 9. S2 시나리오 대표 고위험 주간의 위험도 기반 SOC 하한 적용 결과

Fig. 9. Risk-based SOC floor application during a representative high-risk week in the S2 scenario

이러한 운전 특성은 신뢰도 성능 개선으로 이어진다. 예측오차가 증가한 S2에서는 위험도가 임계값을 초과하는 고위험 구간에서 적용 SOC 하한이 $s_{2}$ 수준까지 상향되어 공급부족 이전에 더 많은 예비에너지가 확보된다. 그 결과 Risk-Based 전략은 모든 추가 시나리오에서 RBA 및 RF 대비 LOLE와 EENS를 모두 감소시켰으며, 특히 S2에서 가장 큰 개선 효과를 보였다. S2에서 LOLE 감소율은 RBA 대비 56.5%, RF 대비 28.7%였으며, EENS 감소율도 각각 66.1%, 31.6%로 가장 크게 나타났다. 따라서 제안한 동적 SOC 하한 정책은 다양한 운영위험 변화에 대해 위험도에 연동된 SOC 하한 적용과 공급부족 전 방전 여력 확보를 통해, 공급부족의 발생 빈도와 규모를 함께 완화할 수 있음을 확인하였다.