2.1 디지털 트윈

디지털 트윈은 가상공간에서 시스템 분석, 최적화, 시뮬레이션 등을 수행할 수 있으므로, 실제 공간에서의 비용과 시간을 절약할 수 있고, 위험성을 줄일 수 있다. ESS 운영에 필요한 최적 충방전 계획을 수립하기 위한 모델을 다양하게 적용하여 시뮬레이션 할 수 있으며, 실험 조건에 따라 결과가 어떻게 바뀌는지 실시간으로 확인이 가능하다. 가상공간에서의 시뮬레이션으로 통찰력을 향상시켜 의사결정을 수립하고 이를 현실에 반영할 경우 시스템의 불안정성 및 불확실성을 줄일 수 있으며 더욱 효율적으로 운영할 수 있다. 그림 1은 마이크로그리드에서의 디지털 트윈을 나타낸다. 각각의 자원들의 운영 데이터를 가상 공간에 동일하게 구현하여 실시간으로 데이터를 받아 운영할 수 있으며, 이를 통해 실제 시스템에 피드백을 할 수 있다.

2.2 디지털 트윈을 위한 실증 데이터 분석

실제로 구축되어 있는 마이크로그리드의 구성 자원 중 실증 ESS를 대상으로 연구를 수행하였으며, 실증 ESS는 배터리 용량 500kWh, PCS 용량 250kW로 구성되어 있다. 2019년 1월부터 2019년 11월까지는 정부의 지침에 따라 ESS 운영을 중단하였으므로, 재가동이 된 후 운영의 안정화가 된 시기인 2020년 1월부터 2020년 12월까지의 ESS 운영 데이터를 EMS (Energy Management System)로부터 수집하였다. 그림 2는 수집된 데이터 중 2020년 실제 운영 기간 동안의 실증 ESS 충·방전량을 나타내며, EMS로부터 수집된 실증 ESS의 운영 데이터 간 상관관계는 그림 3과 같다. ESS의 충·방전량은 SOC(State of Charge), SOH(State of Health), 전기요금의 계시별 요금 단가와 시간에 비교적 상관관계가 높은 것을 확인할 수 있다. 계시별 요금제 적용으로 인해 계절별로 ESS 충·방전 스케줄과 충·방전량이 상이하므로 그림 4와 같이 계절별로 데이터를 분류하여 분석하였다.

3.1 인공지능을 적용한 ESS 최적 운영 계획 모델

최적화 기반 운영 계획 모델은 시스템에 대한 이해가 정확해야 시스템이 안정적으로 동작할 수 있도록 구현 가능하지만, 다수의 자원과 복잡한 시스템 구조에서는 비선형성과 연산 부담, 정보의 부재 등으로 인해 정확한 모델링이 어렵다. 또한 기존의 추가 자원 발생 또는 기존 자원 제거 등과 같이 시스템의 변화가 있을 경우는 모델의 구조적인 수정이 불가피하다. 최적화 기반의 운영에서는 다수의 자원을 고려하는 과정에서 결정 변수의 증가, 시스템 복잡성의 증가로 인한 연산 시간 증가, 수렴성 감소 등의 연산 문제가 발생할 수 있다⁽³⁾.

비선형 고려, 연산 문제, 시스템 확장 또는 변경 시 수학적 모델링의 재구성, 빅데이터 처리의 어려움 등으로 인해 최적화 기반의 마이크로그리드 운영 기술이 가지는 한계를 극복할 수 있는 새로운 운영기법이 필요하다. 본 연구에서는 해당 문제점을 극복하기 위하여 인공지능 기술을 도입하여 운영 모델을 구축하였다. 제안한 운영 모델은 데이터 기반 모델로 설계하였기에, 목적함수와 제약조건 등을 따로 설정하지 않으므로 기존 계산과정을 축소시킬 수 있다. 시스템의 물리적 정보를 수식화하여 모델에 반영하지 않고, 과거의 운영 데이터만으로 모델을 학습시키는 기계학습 모델과 선형회귀 모델을 사용하여 ESS의 최적 운영 계획을 수립하였으며, 그 과정은 그림 5와 같다.

수집된 데이터는 요일별 특성을 고려하여 근무일, 토요일, 공휴일로 분류한 후 근무일만을 사용하였으며, 2월, 5월, 8월, 10월을 겨울, 봄, 여름, 가을을 나타내는 테스트 월로 설정하였다. 계절별로 각각 9종의 720개 데이터를 사용하였고, 트레이닝 셋과 테스트 셋은 7:3으로 구성하였으며, 수집된 데이터의 크기가 다르므로 (0,1) 사이로 정규화(Normalization)하여 활용하였다.

EMS로부터 수집된 ESS 운영 데이터는 전처리 과정을 거친다. 데이터 전처리는 특징을 분석하기 적합하게 데이터를 가공하는 작업을 말한다. 수집된 데이터에는 의미 없는 값이나 널(Null) 값이 존재하는 등으로 인해 수많은 변수들이 데이터의 품질을 떨어뜨리기 때문에 이를 방지하기 위해서 해당 작업을 수행한다. 데이터 분석에 부적합한 구조, 누락된 항목, 결측값 존재 등으로 인해 전처리 과정을 필수적이며, 노이즈(Noise) 제거, 중복값 제거, 결측값 보정, 이상치(Outlier) 검출 등으로 원본 데이터와 보정된 데이터와의 관계를 고려하여 목적에 알맞은 데이터 전처리 과정을 수행한다. 그 이후 운영 데이터를 운영 특성에 맞게 분류하고 분석한다. 과거 데이터를 기반으로 모델을 개발하는 데 있어 이상치나 노이즈 등은 모델의 성능을 저하시키기 때문에 모델의 성능 개선을 위해서는 데이터의 전처리 과정이 필수적이다.

전처리 과정을 거친 데이터를 학습, 검증, 테스트 데이터 셋(Dataset)으로 구성하고 개발된 모델을 선택하여 최종적으로 ESS 운전계획을 수립한다. 인공지능을 적용한 ESS 최적 운영 계획은 일반적인 선형회귀 기법인 최소자승법(Least Square Estimation, LSE)과 기계학습 기법인 NARX 네트워크를 적용하여 모델을 구현하였다. 반복적인 학습으로 모델의 성능을 높인 핏 모델(Fit model)을 이용하여 최적의 운영 계획 수립을 위한 ESS 충방전량을 도출한다.

선형회귀분석 중 하나인 LSE는 선형회귀 방적식의 계수를 계산하는데 일반적으로 사용된다. LSE는 회귀방정식을 사용하여 예측한 값과 실제 값의 오차 제곱이 최소가 되도록 오차 계수를 결정하며 아래의 식(1)-(3)과 같이 계산한다^(8,9).

일반적인 신경망 네트워크와는 다르게 출력 뉴런에서 피드백 구조를 통해 외생적인 입력을 갖는 비선형 자기회귀(Nonlinear autoregressive with external input, NARX) 네트워크는 그림 6과 같다.

NARX 네트워크는 외생변수인 u(t)와 내생변수인 y(t)가 존재하는 피드백 딜레이(Feed back delay)를 가진 재순환 동적 네트워크로, 피드백 연결이 여러 계층을 포함하고 있으며 이는 식(4)와 같다^(5,6). 한 시계열의 이전값, 피드백 입력값, 외부 시계열인 두 번째 시계열을 사용하여 원래 시계열을 예측하도록 학습한다.

3.2 ESS 최적 운영 모델 성능평가

인공지능을 적용한 ESS 최적 운영 계획 모델의 성능은 평가지표를 통해 정확성을 평가하였다. ESS 운영에 필요한 익일 1시간 단위 최적 충방전 계획 모델의 성능평가지표인 평균제곱근오차(Root Mean Square Error, RMSE)와 평균절대오차(Mean Absolute Error, MAE)를 사용하여 정량적으로 정확성을 평가하였다. RMSE와 MAE는 값이 적을수록 모델의 정확성을 높이 평가한다.

디지털 트윈 기술을 적용하여 가상공간에 실제 ESS를 모사한 가상 ESS 모델의 최적 운영모델 성능을 실제 시스템 운영 결과와 비교·분석한 결과를 표 1~2로 확인할 수 있다. RMSE와 MAE 지표 모두 기계학습을 적용한 모델이 가장 적은 수치로 모델의 성능이 가장 우수하고 실제 운영 모델과 가장 유사함을 확인할 수 있다. 모델의 성능평가지표인 RMSE와 MAE를 구하는 방법은 각각 식(5),(6)과 같다⁽⁷⁾.

그림 7은 실제 ESS 최적 운영 결과와 가상 ESS 모델을 통해 도출한 최적 운영 결과의 오차를 보여주며 가로축은 실제 ESS 운영 결과를 나타내고, 세로축은 시뮬레이션을 통해 도출한 ESS 최적 운영 결과를 나타낸다.

그림 8은 계절별 실제 ESS 운영 결과와 시뮬레이션을 통해 도출한 ESS 운영 결과의 패턴이 유사함을 확인할 수 있다.

그림 9~12는 봄, 여름, 가을, 겨울에 대한 일간 ESS 최적 운영 스케줄링 결과를 보여준다. 계절별로 요금제가 다르고 경부하, 중간부하, 최대부하의 시간대가 다르기 때문에 데이터를 계절별로 분류하여 학습하였고, 이에 따라 계절별 특성을 반영한 결과를 도출하였다.

3.3 ESS 최적 운영 모델 경제성 분석

실증 ESS가 설치된 산업용 수용가는 경부하, 중간부하, 최대부하의 시간대를 가지는 계시별 요금제를 사용한다. 계시별 요금제를 반영하여 경부하, 중간부하, 최대부하 구간 안에서 충전 또는 방전하는 규칙 기반의 특징이 있다. 이를 사례 연구 결과와 실증 ESS를 비교하여 유사함을 확인하였고 산업용 수용가의 계시별 요금제 정보를 활용하여 요금 절감액을 산출하였다.

표 3은 ESS를 운영하였을 경우 절감되는 전력량 요금을 나타내며, 전기요금 중 기본요금은 고려하지 않은 금액이다. 계절별로 9일씩 총 36일에 대한 전력량 요금 절감액이며 Optimal은 실증 ESS를 운영하여 실제로 절감된 전력량 요금이고, Linear Regression과 Machine Learning은 각각 선형회귀 모델과 기계학습 모델을 실증 ESS에 적용하여 최적 운영 계획을 수립하여 산출한 전력량 요금 절감액을 나타낸다.

Optimal의 전력량 요금 절감액을 분석하였을 때 전력 사용량이 많고 요금 단가가 비교적 비싼 여름과 겨울에 전력량 요금이 많이 절감되었으며, 실증 ESS를 실제로 운영하여 1,435,134원의 전력량 요금이 절감되었다. 선형회귀 모델을 활용하여 ESS 최적 운영 계획을 수립하였을 때 모델의 성능은 기계학습 모델보다 떨어졌지만, 산출된 전력량 요금 절감액은 총 1,456,805원으로 다른 모델보다 가장 많이 절감되었다. 실증 ESS에 적용된 최적화 기반의 모델과 가장 유사한 모델은 기계학습 모델이지만, 경제성 분석 결과 산출된 요금 절감액은 1,420,387원으로 가장 적게 절감되었다. 다만, 실제로 ESS를 운영하여 얻은 전력량 요금 절감액과 각 모델의 활용하여 산출한 전력량 요금 절감액을 비교하였을 때 선형회귀 모델은 21,671원이고, 기계학습을 적용했을 경우에는 14,747원으로 선형회귀 모델보다 절감액의 차이가 적었다.

각 모델별로 산출한 전력량 요금 절감액과 실제 전력량 요금 절감액의 차이는 운영 계획 모델의 유사함을 나타내므로, 전력량 요금이 가장 많이 절감되었더라도 실제 전력량 요금 절감액과 차이가 많이 난다는 것은 실증 ESS 운영 계획 모델과 상이한 운영 계획 모델임을 확인할 수 있다. 이를 다르게 해석하면 실증 ESS 운영 시 적용하고 있는 최적화기법 기반 운영 계획 모델과 가장 유사한 모델이 기계학습 기법을 적용한 모델임을 뜻한다.