1. 서 론
최근, 대규모 송전선로 및 발전소 건설 시 발생하는 비용과 사회적 갈등 문제로 인해, 수요지 인근에서 생산하는 분산 에너지 공급에 대한 요구가 늘어나고
있다. 특히, 국내‧외 전력 공급모델은 청정에너지 자원에 대한 전반적인 사회의 인식 제고와 요구 증가에 따라 다양한 신재생 에너지 발전자원 등의 분산
자원을 수용하는 모델로 급속히 변화하고 있다. 전력거래소에서 제공하는 발전설비현황 보고서에 의하면 2022년도 기준 총발전 용량 138,193 MW
중 신재생 에너지 설비를 통한 발전 용량은 28,137MW로 약 20%의 비중을 차지하고 있다. 국내의 경우 기획재정부에서 발간한 2023년 예산안에
따르면 친환경·탄소중립 설비 등의 대규모·안정적 투자를 위한 녹색 채권 3.9조 원 신규 발행 지원 및 저탄소 공정혁신 투자 확대를 통해 녹색금융을
3.8조 → 9.4조 원으로 확대하며, 전 세계적인 탄소중립 논의에 적극적으로 대응하고 있다. 이에 따라, 송배전 계통의 효율적인 운영방안을 수립하여,
예측되는 신재생 에너지 발전설비의 증설에 대응할 필요가 있다. 자연을 기반으로 하는 재생에너지의 특성상 급격한 발전 출력 변동과 발전량 예측이 어려운
문제로 인해 아무런 대책 없이 재생에너지 설비를 대량 도입할 경우, 기존 수급 및 배전 제어로는 전력 계통 품질 유지가 어려워 이에 대응하는 기술도입이
필요하다[1, 2].
신재생 발전량 연계량이 증가함에 따라 소비전력이 발전전력을 밑돌게 되면 배전 계통에서의 전압상승이 발생한다. 이에 따라 태양광발전 설치 부분에서 배전
계통으로 전기가 역방향으로 흘러 배전 계통 말단부의 전압이 상승하는 문제가 발생한다. 또한, 태양광·풍력 발전 등 재생에너지 연계량이 증가하면서 일사
및 풍향의 변동으로 단기적인 발전전력과 소비전력의 수급 균형이 붕괴하여 주파수 적정값 범위를 일탈하는 문제가 발생한다.
특히, 현재 제주도는 신재생 에너지 발전설비의 확대로 인한 전력 과잉 공급 해소방안이 새로운 전력 계통 문제로 대두되고 있다. 신재생 발전의 출력을
제한하는 전력거래소의 ‘출력 제한 명령’의 시행 횟수가 전력 과잉 공급을 해결하기 위해 점진적으로 증가하고 있다. 전력 과잉 공급 문제를 해결하기
위한 대표적인 방법의 하나는 마이크로그리드(Microgrid, MG)이다. 마이크로그리드는 도서 및 오지의 전력공급의 안정성 확보를 위한 상시 독립형
마이크로그리드와 신재생 에너지 수용성 증대 및 에너지 요금 절감 등을 목적으로 하는 상시 연계형 마이크로그리드로 구분할 수 있다.
상시 연계형 마이크로그리드의 경우, 단일 건물 등에 구성되는 상업용 마이크로그리드와 다수개의 건물을 묶어서 1개의 마이크로그리드로 구성하는 커뮤니티
마이크로그리드로 구분할 수 있으며 상시 운전상황에서는 전력회사의 망과 연결하여 운전하고 전력회사 망의 고장 등 외란이 발생하면 분리하여 독립적으로
운전한다. 연계형 마이크로그리드의 운전 목적은 전력회사 계통의 외란 발생 시 독립 운전 전환을 통한 영속성 확보와 내부 신재생 에너지를 비롯한 분산
에너지자원 및 조정할 수 있는 부하 자원 등을 활용한 전력 요금의 감소이다. 또한, 최근에는 소규모 분산 자원 거래 시장의 참여와 전력회사 배전 계통
운영을 위한 자원 활용 측면이 고려되며, 이를 통해 신재생 에너지 수용성을 증대시킬 수 있다는 장점이 있다[3].
본 논문에서는 지속가능한 주민 참여형 에너지자립 마이크로그리드 구축 및 실증 연구의 실증대상지인 제주특별자치도 서귀포시 표선면에 있는 성읍 1리에
적용된 상시 연계형 마이크로그리드에 통합 관제 시스템과 이종 신재생 발전설비 및 전기차 충전기를 구축함으로써 에너지 수익 분배를 통해 지역 주민과
마이크로그리드가 상호작용하는 지속가능한 마이크로그리드 시스템의 구축 및 운영에 관한 실증적인 연구 내용을 다룬다. 특히, 기존에 수행된 계통 연계형
마이크로그리드 연구에 신재생 발전량 예측, 수요 반응(Demand Response, DR) 및 전기차 충전 서비스를 결합할 뿐만 아니라 실증까지 병행하여
진행된 연구는 식별되지 않았다[4, 5].
마을 단위 마이크로그리드에 설치된 다양한 분산 자원을 통합 관리하기 위해 데이터 수집·분석 시스템 기술이 적용된 통합 관제 시스템을 구축하였다[6, 7]. 이를 통해, 정량적 목표 항목인 에너지 소비 대체율, 태양광발전 예측 오차율 및 수요 반응 참여율을 각각 50%, 8% 및 50%를 달성함으로써
전기요금을 15% 절감할 수 있음을 확인하였다.
본 논문의 2장에서 지속가능한 마이크로그리드 시스템 설계를 위한 방법을 설명한다. 3장에서 마이크로그리드 통합 관제 시스템 개발 및 구축에 관련된
전반적인 내용에 관해 설명한다. 4장과 5장에서 신재생 발전량 인센티브 확보 및 에너지 수익 분배를 위한 발전량 예측 시스템과 수요 반응 및 스마트
전기차 충전 서비스 내용을 설명한다. 6장에서 정량적 목표 항목에 따른 평가 결과를 요약하였으며, 7장에서 결론 및 향후 연구 방향성을 제시하였다.
2. 마이크로그리드 시스템 설계
Fig. 1은 마을 단위 에너지 생산·소비·판매 특성을 고려한 마이크로그리드 에너지커뮤니티를 조성하고 활성화하기 위해 다양한 분산 전원을 연결한 마이크로그리드
통합 운영 플랫폼 시스템 개념도이다.
Fig. 1. Schematic diagram of a microgrid system
실증대상지에 마이크로그리드를 개발·운영하여 정량적 목표 항목을 달성하기 위해 실증대상지의 산책로를 따라 공용 태양광 250kW급 태양광 발전설비를
구축하고, 에너지 취약계층을 대상으로 가정용 태양광 설비(3kW, 30개소)를 구축하여 전기요금 절감 및 잉여 전력을 판매하고, 관광시설과 공공시설에
태양열 설비를 설치함으로써 온수 및 난방 공급으로 에너지 비용을 절감할 수 있는 시스템을 구축하였다. 가정용 태양광의 발전을 통해 절감된 전기요금은
전력시장 운영규칙에 따라 식(1)과 같이 정의된다.
식(1)에서 $MGO_{i}$는 계량 설비로부터 취득한 거래 시간별 발전전력량을 나타내고, $SMP_{t}$는 거래시간 계통 한계 가격이므로, $MEP_{i}$는
발전기의 거래 시간별 발전전력량에 대한 정산금액의 합산이다. 또한, 예측제도 참여에 따른 인센티브 계산식은 식(2)과 같이 정의된다.
식(2)에서 $MGOM_{i,\: t}$는 예측제도 대상자원의 거래 시간대별 전력 거래량이고, $FP_{i,\: t}$는 예측제도 대상자원의 시간대별 예측
오차율에 따라 전력 거래량에 적용되는 시간대별 단가로써 8% 이내의 오차율일 경우 3원/kWh, 6% 이내의 오차율일 경우 4원/kWh의 정산금이
산정된다. $JFPF_{i}$는 제주 시범사업 중 재생에너지 입찰제도에 참여하는 자원에 적용하는 예측제도 정산단가 계수로써 제주지역은 0.5, 육지는
1의 가중치가 적용된다.
에너지 나눔 이익 공유 모델의 수립을 위하여 전기차 충전기를 활용한 국민 DR, 플러스 DR 응동 및 계시별 요금제를 통한 에너지 절감 서비스를
제공할 수 있는 50kW급 급속 충전기 2기를 실증대상지 주차장에 설치하였으며, 7kW급 완속 충전기 4기를 공공시설 또는 가정에 설치하였다. 마을
단위 주택 또는 점포 상가 고객의 국민 DR 참여를 통한 미세먼지 저감 및 전력피크 회피 등의 효과 극대화를 위해 실증대상지 가정 270세대 및 70여
개의 상업시설을 대상으로 지능형 전력 계량 인프라(Advanced Metering Infrastructure, AMI)를 구축하였다.
Fig. 2. Sustainable microgrid development and demonstration consortium
지속가능한 주민 참여형 에너지자립 마이크로그리드 구축 및 실증을 성공적으로 달성하기 위해서는 연구과제의 진행 방향을 상호 보완적인 협력체제로 구성할
필요가 있으며, Fig. 2와 같은 기술개발 추진전략으로 실증 및 구축을 수행하였다. 주관기관인 주식회사 그리드위즈는 과제 최종 목표를 달성할 수 있도록 연차별 개발 목표의
추진 현황을 주기적으로 파악하여 연구개발이 원활하게 진행될 수 있도록 과제를 운영하고자 하였다. 분산 자원 구축 및 제주도 충전 인프라 연동을 위하여
제주도 전문 기업(대륜엔지니어링, 진우소프트이노베이션)과 에너지 플랫폼 전문기업(그리드위즈, 파란에너지)으로 컨소시엄을 구성하였으며, 제주도 내 마이크로그리드
구축 및 에너지 서비스를 위하여 에너지 유관 기관의 지원이 필수적임에 따라, 아래와 같이 한국전력공사, 전력거래소, 제주테크노파크, 제주 에너지 공사가
본 컨소시엄의 실증 지원을 수행하였다.
본 논문에서 제시하는 마이크로그리드 통합 관제 시스템은 마이크로그리드 실증대상지의 에너지 생산, 소비 및 거래를 통합 모니터링 및 관리할 수 있는
관제시스템들로 구성된다. 에너지의 수요, 공급 및 예측을 표현할 수 있는 분산 자원 통합 모니터링 시스템, 에너지별 발전량 및 사용량 등을 확인할
수 있는 에너지 이력 관리 시스템 및 수요 반응 등 전력 거래 내역을 확인할 수 있는 전력 거래 이력 관리 시스템 및 시스템 간 연동을 위한 서비스
연계 시스템이 포함된다. 여기서 통합이란 개별적으로 구성된 휴먼 머신 인터페이스(Human Machine Interface, HMI)에서 수집된 데이터와
데이터베이스들을 하나의 관제 시스템에서 관리하는 것을 의미한다.
마이크로그리드 기기 간의 통신 시 주요 메시지에 대한 위변조 공격 및 정보 유출을 방지하기 위한 공개 키 기반 구조(Public Key Infrastructure,
PKI)의 기기 보안인증 운영시스템을 적용하였다. 신뢰성 및 정합성이 보장된 데이터를 기반으로 통합 모니터링 시스템과 에너지별 이력 관리 시스템 및
전력 거래 이력 관리 시스템은 통합 관제 시스템에 연결되어 운전 및 이력 데이터를 사용자에게 제공하게 된다. 수집된 운전 및 이력 데이터를 기반으로
국민 DR 및 플러스 DR 참여, 신재생 발전량 예측 등 다양한 에너지 신사업에 참여하여 발생한 경제적 수익을 에너지공동체에 분배함으로써 지속가능한
마이크로그리드 시스템의 구축이 가능하다[8].
3. 마이크로그리드 통합 관제 시스템 개발
마이크로그리드 실증대상지에 적용되는 복합 분산 전원(태양광, 태양열 및 전기차 충전기 등)을 개발·운영하여 실증사이트 내 에너지 소비 대체율 50%를
달성하기 위해서는 개별 분산 자원에서 수집되는 데이터의 수집 속도와 신뢰성을 보장하는 방안이 필요하다. 특히, 신재생 발전원의 출력 변동 제어와 발전량
예측 요구사항을 충족시키기 위해 데이터 수집 정합성 및 신뢰성 보장을 위해 관계형 데이터베이스를 구축하였다[9]. 마이크로그리드 운영을 위해 구축·설치된 다양한 하드웨어를 연계하면서 하나의 데이터베이스 스키마 안에 공통으로 사용하는 테이블을 정의하여, 분산
전원 설비 데이터, 이력 데이터, 계통 관련 데이터, 기상 데이터 연계 및 사용자 정보 관련 사항을 모두 포함할 수 있도록 설계하였다.
Fig. 3. Schematic diagram of microgrid with hierarchical control structure
마이크로그리드 통합 관제 시스템의 구성은 Fig. 3과 같이 구성된다. 특히, 상용 데이터베이스 및 서버와 UI를 통합함으로써, 시스템 구조의 단순화를 통해 시스템의 고도화 및 구축 비용을 최소화할
뿐만 아니라 확장성을 고려할 수 있도록 설계하였다.
마이크로그리드 통합 관제 시스템은 태양광 관리 시스템(Photo Voltaic Management System, PVMS), 전기차 충전기 관리 시스템(Electric
Vehicle Charger Management System, EVCMS), 수요 반응 관리 시스템(Demand Response Management
System, DRMS) 및 머신러닝(Machine Learning, ML) 모듈로부터 복합 분산 전원 로우 데이터, DR 발령정보 및 머신러닝 기반
발전량 예측 데이터를 수집한다.
태양광 관리 시스템과 전기차 충전기 관리 시스템은 데이터 계측이 가능한 다기능 단말 장치(Remote Terminal Unit, RTU) 및 미터
등의 하드웨어 연계를 통해 계측된 로우 데이터에 대한 신뢰성을 보장한다. 수요 반응 관리 시스템은 OpenADR을 통해 전달된 수요 반응 발령정보를
제공한다. 또한, 머신러닝 모듈은 기상정보시스템에서 수집된 기상정보와 태양광 관리 시스템에서 수집된 발전량 데이터 간의 연계를 통해 태양광 패널의
지정학적 정보를 고려할 뿐만 아니라 태양광 발전량 특성 분석을 통해 예측된 발전량 정보를 제공한다.
어댑터 인터페이스를 통해 데이터 컬렉터에서 수집된 데이터는 마이크로그리드 운영에 필요한 데이터를 데이터베이스에 저장하고, 분석 데이터 처리를 위해
배치 프로세스로 데이터를 전달한다. 배치 프로세스에서 분산 전원 관련 통계(태양광 발전량, 태양열 발전량 및 전기차 충전패턴 등)를 계산하여 데이터베이스에
저장한다. 데이터베이스에 저장된 데이터는 애플리케이션 프로그램 인터페이스(Application Programming Interface, API) 서버를
통해 사용자 애플리케이션으로 제공되어 마이크로그리드 모니터링 및 운영제어를 할 수 있도록 기능을 제공할 수 있도록 설계되었다.
4. 신재생 발전량 예측
태양광발전의 출력은 날씨, 온도 및 태양의 위치와 같은 여러 요인에 영향을 크게 받으며, 특히 마이크로그리드는 부하의 규모가 상대적으로 작아 태양광발전의
출력량 변동에 큰 영향을 받으므로 발전량 예측이 중요하다. Fig. 4는 태양광 발전량 예측 정보를 마이크로그리드에 제공하기 위한 기계학습 모델 학습과 예측 흐름도를 보여준다. 데이터 준비 단계는 모델에 입력 및 학습하기
위한 데이터를 데이터베이스에서 추출하는 단계이다. 고객사 정보를 입력받으면 인접한 기상대의 시간 단위 단기예보 데이터와 실제 태양광 발전량 정보를
추출한다. 데이터 전처리 단계는 이전 단계에서 추출된 데이터를 전처리하는 과정을 나타낸다. 데이터 테이블에 존재하는 결측치 데이터를 제거한 후 단기예보
시간별 태양고도 변수와 시간 변수를 추가한다. 기계학습 모델의 학습 및 검증을 위해 데이터를 8:1:1로 나누어 학습 데이터, 검증데이터 그리고 테스트
데이터 셋으로 나눈다. 학습 데이터는 태양광 발전량 오차를 줄이는 방향으로 기계학습 모델을 학습시키기 위해 사용된다. 검증데이터는 학습 데이터로 학습된
기계학습 모델의 하이퍼파라미터를 미세조정하고 재검증하여 모델의 과적합을 방지하는 용도로 사용된다. 테스트 데이터는 학습된 기계학습 모델의 평가를 위해
사용된다. 모델 학습 단계는 학습, 검증 및 테스트 데이터로 다양한 회귀 모델(CatBoost Regressor, Extra Trees Regressor,
Random Forest, Light gradient Boosting…. etc)의 하이퍼파라미터 최적화를 수행하며 학습시키는 단계이다. 학습된 회귀
모델은 테스트 데이터 검증 결과에 따라 평균 제곱 오차 기준으로 가장 우수한 성능을 보인 상위 5개의 모델에 앙상블 기법을 적용하여 최종모델을 구성한다.
학습된 최고성능의 모델은 예측 단계에서 발전량 예측 서비스를 애플리케이션 프로그램 인터페이스 형태로 제공한다. 본 논문에서 제안된 발전량 예측 기법에
따라 전력거래소 재생에너지 발전량 예측제도 인센티브 기준을 충족시켰다.
Fig. 4. Schematic diagram of photo-voltaic power forecasting
5. 수요 반응 및 스마트 전기차 충전 서비스
국민 DR 관련 서비스 제공을 위한 AMI 설치, 통신장치의 구성 및 앱 서비스 개발 및 서비스 운영이 실증되었다. 가구, 마을 단위 또는 일반소비자에게
직관적인 사용자 친화적 인터페이스를 구현한 결과를 Fig. 5에서 확인할 수 있다. 국민 DR 참여고객을 위한 예상 전기요금, 전력 사용량 확인, 전기요금 확인, 최대수요전력 확인, 국민 DR 발령 여부 확인
및 국민 DR 이행 결과 확인 서비스를 제공한다. 국민 DR 앱 서비스를 기반으로 계통 안정화에 기여하고 수요반응 참여로 발생한 인센티브를 소비자에게
제공하는 것을 실증하였다.
Fig. 5. Example of DR app service
Fig. 6. Schematic diagram of smart charging service
실증대상지에 설치된 충전 인프라는 스마트 충전 서비스 제공을 위한 운영 관리 시스템과 충전소로 구성되어있다. 운영 관리 시스템에서는 충전소 운영 관리
및 상태 감시, 충전단가 정보 제어 및 연동, 충전소 결제 및 과금 정보 취득, 전력 거래 및 수요자원 관리, 부가서비스 제공 등이 수행된다. 충전기는
50kW급 급속 충전기 2기와 7kW급 완속 4기가 설치되어 실증된다. 세부 시험 내용으로는 데이터연동 지연 및 이벤트 데이터 전송 성공률이 포함된다.
Fig. 6은 전기자동차 충전소와 운영 관리 시스템 간의 연계를 보여준다.
6. 정량적 평가항목에 따른 실증 결과
마이크로그리드 통합 관제 시스템을 통한 감시, 제어 기능, 태양광 발전량 예측 시스템을 통한 발전량 예측 오차율, DR 참여율, 전기요금 비용 절감,
전기차 충전기 데이터연동 지연 시간 및 이벤트 데이터 전송 성공률 등이 실증되었다. 평가 완료된 평가항목과 방법은 Table 1에서 확인할 수 있다.
Table 1. Table of evaluation metrics and methods
평가항목
|
평가 방법
|
목표치
|
에너지 소비 대체율
|
태양광 발전설비의 발전량(kWh) 계측
태양열 발전설비의 입수/출수 용량(g), 온도(℃)를 열량(kcal)을 계산하여 발전량(kWh) 산정
|
50%
|
태양광발전 예측 오차율
|
- | 예측발전량 – 실제 발전량 | / 태양광 발전설비 용량
- 태양광 발전설비 용량 * 1/10 > 실제 발전량인 경우에만 오차 측정
|
8%
|
성읍 1리 태양광발전 설비 연동
|
- 기존 태양광 발전설비와 신규 태양광 발전설비의 데이터 수집 여부 평가
|
99%
|
성읍 1리 DR 참여율
|
- 성읍 1리 주택 및 관광·레저 등 상가/점포 단위 에너지 쉼표(국민 DR) 참여신청서, 정보제공동의서 확인
- 참여율 = (에너지 쉼표 참여고객 수/성읍 1리 전체 고객 수) *100
|
50%
|
수요관리 및 거래를 통한 전기요금 비용 절감
|
- 마을 단위 또는 개별 고객별 수요관리 참여 등으로 전기요금 비용 절감 계산
- 절감률 = (수요관리 및 거래 참여 후 전기요금/기존요금) *100
|
15%
|
데이터연동 지연 시간
|
- 충전기-서버 간 충전기 정보에 대해 송신하여 수신하는 데 걸리는 시간 측정
- 충전기에서 발생한 상태 정보 전달 시간 평가
|
3sec
|
이벤트 데이터 전송 성공률
|
- 충전기에 보내는 이벤트 정보에 대한 수신 성공률 측정
- 충전기 상태 변화에 따른 이벤트 정보 전달 정확성 평가
|
95%
|
Fig. 7. Example of microgrid integrated control monitoring screen
마이크로그리드 통합 관제 시스템을 활용한 지속가능한 마이크로그리드 시스템의 실증 시험 내용을 요약하였다. 마이크로그리드 통합관제 모니터링 화면의 예시를
Fig. 7에서 확인할 수 있다. 통합관제 모니터링 화면에서 실증대상지의 운영 현황, 설비현황, 태양광 발전소 현황 및 전기차 충전소 현황을 확인할 수 있다.
Fig. 8. Example of microgrid integrated data processing
Fig. 8에서 설비별 발전기록, 운전 기록, 센싱 기록, 고장 기록, 환경 기록, 설비정보 및 로그 저장을 위한 데이터 전처리 프로세스를 확인할 수 있다.
빅데이터 저장을 위한 설비별 데이터 분류 및 유사 관계 데이터를 그룹으로 하여 데이터 세트를 확인한다. 이를 위해 설비에서 수집되는 장치의 종류에
따라 데이터를 구분하였으며, 분류된 데이터의 결측 및 이상값은 제거한다.
Table 2에서 설비 데이터 저장 및 조회 소요 시간을 확인할 수 있다. 20,000,000 row의 일 단위 설비정보 데이터의 저장 시 약 4분이 소요되며,
이는 운영 사이트의 시스템 구성 형상과 운영시스템에서 감시하는 설비 개수에 따라 상이할 수 있다. 또한, 실증대상지 통합 관제 시스템에서 일 단위로
저장되는 설비별 상태정보 데이터는 2,500,000 row이며, 데이터 조회 시 90초의 조회 시간이 소요됨을 확인하였다. 즉, 단일 이벤트 데이터
전송 및 연동에 발생하는 시간은 데이터 저장 시 240,000 ms / 20,000,000 row = 0.012 ms/row이며, 조회 시 90,000
ms / 2,500,000 row = 0.036 ms/row로써 본 과제의 정량적 평가항목인 데이터연동 지연 시간 및 이벤트 데이터 전송 성공률 정량적
평가항목을 만족시켰다.
Table 2. Table of data storage and retrieval metrics for facility data
측정 지표
|
값
|
일일 설비 데이터 행 수
|
20,000,000 row
|
일일 설비 데이터 저장 소요 시간
|
4분 (240,000 ms)
|
행 당 데이터 저장 소요 시간
|
0.012 ms/row
|
일일 설비 상태정보 데이터 행 수
|
2,500,000 row
|
상태정보 데이터 조회 소요 시간
|
90초 (90,000 ms)
|
데이터 조회 소요 시간
|
0.036 ms/row
|
또한, 2021년 기준 한국전력공사 제주본부에서 제공한 2021년 3월∼9월 하루평균 실증대상지 에너지 사용량 2,947kWh 중 1,600kWh를
신재생 에너지 발전으로 대체하여 에너지 소비 대체율 54.3%를 달성하였다. 그리고 본 논문에서 제안된 태양광 발전량 예측 모듈의 실증을 위해 실증대상지에
설치된 태양광의 실제 발전량과 하루 전 예측된 발전량을 비교하였다. 태양광 발전량 예측 모듈의 오차율 평가에 활용된 지표는 다음과 같다.
식(3)∼(5)에서 $y_{i}$는 실제 태양광 발전량이고, $y_{i}$는 예측발전량 그리고 $c$는 태양광 설비 용량을 나타낸다. ME은 시간대별 태양광
발전량 예측 오차 평균값이고, MAE는 예측 오차 절댓값 평균이며, NMAE는 전력거래소 재생에너지 발전량 예측제도에 따른 평가 지표로써 실제 태양광
발전량이 10%가 넘는 시간대의 오차만 계산하여 오차율에 반영한다.
Fig. 9(a)는 태양광 발전량의 시간별 태양광 발전량 분포를 나타내는 그림이다. 일출하는 시간대인 오전 6시부터 일몰하는 오후 18시까지의 시간별 태양광 발전량
특성을 확인할 수 있다. Fig. 9(b)는 태양광 발전량의 계절적 변화를 확인하기 위해 월별 태양광 발전량 분포를 나타낸 그림이다. 봄, 여름, 가을, 겨울에 따른 태양광 발전량의 시간적
특성과 계절적 특성을 고려하기 위해 시간 변수와 월 변수를 범주형변수로 추가하였다. 시간 변수를 추가함으로써 예측 모델은 시간대별 월별 태양광 발전량의
시계열적 특징을 반영하여 예측 모델을 학습하였다.
Fig. 9. (a) Schematic diagram of hourly photo-voltaic generation profile and (b) Schematic
diagram of photo-voltaic generation monthly profile
Fig. 10. Schematic diagram of correlation coefficient analysis results
Fig. 10은 실증대상지의 실제 태양광 발전량과 변수별 상관계수 분석 결과를 나타낸다. 특히, 태양 방위 및 일사량에 해당하는 Elevation(태양고도)과
GHI(수평면 복사량) 변수가 종속변수인 태양광 발전량과 높은 양의 상관관계를 보이는데, 이상적인 환경의 태양전지는 기상요소를 제외한 일사량에 따라
발전량이 결정되기 때문이다. 변수별 상관계수 분석을 위한 관계식은 식(6)과 같이 정의된다.
Table 3. Table of daily prediction error rate of photo-voltaic generation
모델 성능
|
검증일
|
ME
|
MAE
|
NMAE
|
2023-09-28
|
-22.78
|
241.51
|
3.49
|
2023-09-29
|
-306.50
|
332.55
|
4.80
|
2023-09-30
|
260.15
|
276.17
|
3.99
|
2023-10-01
|
365.73
|
561.97
|
8.11
|
2023-10-02
|
-465.80
|
762.35
|
11.00
|
2023-10-03
|
-52.93
|
166.72
|
2.41
|
2023-10-04
|
685.37
|
840.91
|
12.14
|
2023-10-05
|
849.18
|
883.72
|
12.75
|
2023-10-06
|
-270.81
|
686.31
|
9.91
|
2023-10-07
|
895.48
|
895.79
|
12.93
|
2023-10-08
|
876.57
|
876.57
|
12.65
|
2023-10-09
|
-1792.26
|
1792.26
|
25.87
|
2023-10-10
|
-201.15
|
501.21
|
7.23
|
2023-10-11
|
888.17
|
888.17
|
12.82
|
2023-10-12
|
534.62
|
534.62
|
7.72
|
2023-10-13
|
764.93
|
764.93
|
11.04
|
2023-10-14
|
-88.51
|
496.74
|
7.17
|
2023-10-15
|
793.77
|
793.77
|
11.46
|
2023-10-16
|
375.66
|
375.66
|
5.42
|
2023-10-17
|
224.85
|
227.42
|
3.28
|
2023-10-18
|
273.62
|
277.66
|
4.01
|
2023-10-19
|
-226.62
|
418.05
|
6.03
|
2023-10-20
|
865.03
|
865.03
|
12.48
|
2023-10-21
|
115.12
|
284.68
|
4.11
|
2023-10-22
|
141.28
|
200.70
|
2.90
|
2023-10-23
|
332.92
|
332.92
|
4.81
|
2023-10-24
|
-76.31
|
437.32
|
6.31
|
2023-10-25
|
60.87
|
192.19
|
2.77
|
2023-10-26
|
-147.88
|
441.96
|
6.38
|
2023-10-27
|
337.10
|
348.33
|
5.03
|
2023-10-28
|
354.70
|
358.01
|
5.17
|
2023-10-29
|
480.00
|
481.08
|
6.94
|
2023-10-30
|
-214.35
|
543.06
|
7.84
|
평균
|
200.28
|
547.89
|
7.91
|
식(6)에서 $x_{i}$와 $y_{i}$는 변수 $X$와 $Y$의 개별 관찰값을 나타낸다. $\hat{x}$와 $\hat{y}$는 변수 $X$와 $Y$의
평균값을 나타낸다. 피어슨 상관계수는 두 변수 간의 선형 관계를 측정하는 방법의 하나로, -1에서 1까지의 범위를 가진다. 상관계수의 값이 0에 가까울수록
두 변수 간의 선형 관계가 약하거나 없음을 의미하며, 값이 1 또는 –1에 가까울수록 강한 선형 관계가 있음을 나타낸다. 주목할 만한 기상 데이터는
0.1 이상의 상관계수를 보이는 REH(습도), TMP(온도), WSD (풍속), POP(강수량), SKY(구름양) 변수이다. 본 논문에서 제안된
발전량 예측 모듈을 기반으로 실증을 수행한 결과 발전량 예측제도 인센티브 기준인 NMAE 평균 8%를 충족하였음을 Table 3에서 확인할 수 있다.
국민 DR 앱 서비스 개발, 주택용 고객 가전 설비별 원격관리(스마트플러그), 서비스홍보 및 고객모집을 통해 100세대의 국민 DR 자원을 모집하여
참여율 50%를 달성하였다. 가정용 태양광으로 인한 발전 수익은 가정용 태양광 용량 3kW×발전 시간 3.2h×365일×계통 한계 가격 101.54원/kWh=약
35만 원/년으로 나타났으며, 총 350,000원/년×30개소=10,500,000원/년이다. 공용 태양광으로 인한 발전 수익은 공용 태양광 용량 254kW×발전
시간 3.2h×365일×계통 한계 가격 101.54원/kWh=30,100,000원이다. 국민 DR에 의한 인센티브는 국민 DR 시행 횟수 45회×국민
DR 인센티브 단가 1,300원=58,500원/년·세대로 나타났으며, 총 58,500원/년·세대×100세대로 5,850,000원/년으로 나타났다.
즉, 가정용 태양광, 공용 태양광발전 수익 및 국민 DR 참여에 따른 46,450,000원/년의 절감 효과를 얻을 수 있었다. 특히, 2020년 기준으로
계산된 절감 비용과 달리 2021년과 2022년 계통 한계 가격이 각각 127.85 및 252.21원으로 상승함에 따라 절감 비용은 더욱 상승하였다.
또한, 데이터의 신뢰성과 정합성을 보장할 수 있는 통합 데이터베이스와 통합 관제 시스템을 기반으로 정량적 목표 항목 기준인 충전기 데이터연동 시간과
이벤트 데이터연동 시간을 각각 3초 및 95%로 달성할 수 있었다.
7. 결론 및 제언
본 연구는 제주 실증대상지인 성읍 1리를 대상으로 수행된 지속가능한 마이크로그리드 시스템의 구축 및 운영에 관한 실증적인 내용을 다루었다. 본 연구에서
제시한 지속가능한 마이크로그리드 시스템은 마이크로그리드 실증대상지의 에너지 생산, 소비 및 거래를 통합 모니터링 및 관리할 수 있는 통합 관제 시스템과
분산 자원(전기차 충전기 및 태양광발전 등)의 관리 시스템 및 수요 거래 관리 시스템으로 구성된다. 통합 관제 시스템은 통합 데이터베이스를 설계하여
데이터 수집 정합성 및 신뢰성을 보장할 뿐만 아니라 확장성을 고려한 시스템 구조의 단순화를 통해 시스템의 고도화 및 구축 비용을 최소화할 수 있도록
개발되었다. 분산 자원 관리 시스템 및 수요 거래 관리 시스템은 계측된 로우 데이터에 대한 신뢰성을 보장한다. 관리 시스템으로부터 통합 관제 시스템으로
전송된 데이터를 기반으로 태양광 발전량, 태양광 설비 상태, 전기차 충전기 상태, 수요 반응 발령 여부 및 에너지 사용 현황 등을 실시간으로 모니터링하고
수요 반응 및 국민 DR과 같은 서비스를 제공한다. 본 논문에서 제시한 지속가능한 마이크로그리드 시스템을 실증한 결과 정량적 목표 항목인 에너지 소비
대체율, 태양광발전 예측 오차율 및 수요 반응 참여율을 각각 50%, 8% 및 50%를 달성함으로써 전기요금을 15% 절감할 수 있음을 확인하였다.
향후 개발된 마이크로그리드 시스템을 기반으로 지역 단위 주민 참여형 분산 에너지 생산·소비 체계를 확장하여 마을 중심 에너지자립 개방형 플랫폼 최적화
연구를 진행할 예정이다.
Acknowledgement
이 논문은 2021년도 정부(산업통상자원부)의 재원으로 한국에너지기술평가원의 지원을 받아 수행된 연구임. (20213030160 180, 「지속가능한
주민 참여형 에너지 자립 마이크로그리드 구축 및 실증」)
References
Bon-gil Koo, “The flexibility evaluation method in the future power systems,” KEPCO
Research Institute, pp. 11-16, 2020.
![URL](../../Resources/images/icon_url.png)
Kyung-Hwa Kim, et al., “An operation algorithm of community micro-grid considering
self Energy Supply Rate,” Journal of the Korea Academia-Industrial cooperation Society,
vol. 23, no. 11, pp. 885-896, 2022.
![URL](../../Resources/images/icon_url.png)
Hak-Ju Lee, et al., “A study on the development of operation system for campus-type
multi-microgrids,” The Transactions P of the Korean Institute of Electrical Engineers,
vol. 69, no. 3, pp. 161-167, 2020.
![DOI](../../Resources/images/icon_crossref.png)
Yang, Fang, Xianyong Feng, and Zhao Li, “Advanced microgrid energy management system
for future sustainable and resilient power grid,” in IEEE Transactions on Industry
Applications, vol. 55, no. 6, pp. 7251-7260, 2019.
![DOI](../../Resources/images/icon_crossref.png)
M. F. Roslan, et al., “Microgrid control methods toward achieving sustainable energy
management: A bibliometric analysis for future directions,” Journal of Cleaner Production,
vol. 348, pp. 131340, 2022.
![DOI](../../Resources/images/icon_crossref.png)
Mu-Yong Hyun, Yeon-Ju Choi, and Jin-Cheol Kim, “Implementation of smart grid device
security certification operating system and field demonstration,” Review of KIISC,
vol. 27 no. 2, pp. 41-45, 2017.
![URL](../../Resources/images/icon_url.png)
Jeong-Min Park and Eun-Ah Moon, “Operation demonstration of smart farm-type micro-grid
on renewables energy,” Journal of Information Technology and Applied Engineering,
vol. 13, no. 1, pp. 37-46, 2023.
![URL](../../Resources/images/icon_url.png)
Muqeet, et al., “Sustainable solutions for advanced energy management system of campus
microgrids: Model opportunities and future challenges,” Sensors, vol. 22, no. 6, pp.
2345, 2022.
![DOI](../../Resources/images/icon_crossref.png)
Jun-Sung Kim, et al., “Microgrids platform: A design and implementation of common
platform for seamless microgrids operation,” Electric Power Systems Research, vol.
167, pp. 21-38, 2019.
![DOI](../../Resources/images/icon_crossref.png)
Biography
He received his B.S., M.S. degrees in Computer Information and Communication Engineering
from Changwon National University (CWNU) in 2020, 2022. Currently, he works in the
Gridwiz Development Department, specializing in smart grid technology, artificial
intelligence, and renewable energy forecasting.
He received his B.S. degrees from the School of Electrical Engineering, Konkuk
University, Seoul, South Korea, in Feb. 2009. He is interested in Power Trading, Demand
Response (DR) and Photovoltaics(PV).