2.1 ESS 연계 태양광 발전량 개요

신재생에너지 공급의무화 제도에 따르면 태양광의 출력 변동성을 완화하기 위해 태양광 발전량을 저장할 수 있는 ESS를 설치할 경우 REC를 5배까지 지급 받을 수 있어, ESS를 연결하여 신재생 에너지를 최적 운영하기 위한 연구를 많은 곳에서 진행하고 있다^[9]. 다만 국내의 경우 ESS 연계 태양광이 ESS에 대한 인센티브를 받기 위해서는 10시부터 16시까지만 충전을 해야 하며, 그 외 시간대에는 방전하는 방식으로 운영해야만 하는 제약사항이 있다.

그림 2. ESS 연계 태양광 발전량(분홍선)

Fig. 2. PV power generation with ESS(pink line)

그림 2는 논문 ^[10]에서 분석한 ESS 최적운영 스케줄링 사례로, 분홍색 선은 계통으로 공급되는 ESS 연계 태양광의 발전량을 나타내며, 검은색 선은 ESS가 없는 순수 태양광의 발전량을 나타낸다. ESS 연계 태양광의 발전량을 살펴보면, 10시 전까지는 태양광 발전량을 ESS 충전 없이 계통으로 모두 보내고 있고, ESS 충전이 허용되는 10시부터 ESS가 완충되는 14시 30분까지 ESS를 충전하며, 17시부터 19시 30분까지 약 2시간 30분 동안 방전하는 것을 알 수 있다.

그림 3은 일사량의 변화에 따른 ESS 미연계 태양광과 ESS 연계 태양광의 발전량을 비교하는 그래프이다. 태양광만으로 발전하는 경우에는 발전량이 일사량에 비례하여 변하기 때문에 예측이 쉬운 반면에, ESS가 연계된 태양광의 경우에는 일사량 외에도 발전소의 위치나 태양광/ESS의 설비용량, 발전사의 ESS 충방전 운영방식에 따라 달라지므로 발전량 예측이 어렵게 된다. 특히 태양광 발전의 경우 14시 이후로 발전량이 일사량에 비례하여 지속적으로 줄어드는 반면에, ESS 연계 태양광의 경우 16시 이후로 일사량과 관계없이 예측하기 어려운 형태로 출력이 증가 또는 감소하게 되어 ESS 연계 태양광이 지속적으로 늘어날 경우 전력계통을 안정적으로 운영하는데 많은 어려움을 겪게 된다.

그림 3. 일사량에 따른 태양광(ESS 미연계/연계) 발전량

Fig. 3. PV generation based on solar irradiance (without/with ESS)

2.2 주변압기 신재생 유연접속 가능용량 분석 사례

변전소에서 신재생 에너지원을 수용하기 위해서는 주변압기 별로 접속 가능한 신재생 용량을 결정하여 운영해야 한다. 일반적인 산정방식은 주변압기별 정격용량에 안전마진을 고려하여 접속허용 용량을 산정하고 해당 용량 만큼의 신재생을 연계하여 운영하게 된다. 그러나 최근 들어 신재생 발전원이 급격히 증가하고 있으나 변전설비 증설이 이를 따라가지 못해 계통 접속을 대기하고 있는 에너지원이 증가하고 있다. 이를 해결하기 위해 주변압기 별로 고객 부하를 고려하여 신재생 접속용량을 다르게 가져가는 유연접속 방식을 고려하고 있다.

그림 4. 주변압기 신재생 접속허용 방식 비교

Fig. 4. Comparison of method for renewable energy connection to transformer

변전소를 유연접속 방식으로 운영하기 위해서는 복잡한 운전 요건들이 있으나 단순화하여 설명하면, 기존 접속허용 방식은 안정적인 계통 운영을 위해 주변압기의 운전용량이 50MW인 경우 신재생 발전원이 주변압기로 50MW 이상의 전력을 보내지 못하도록 신재생 설비를 50MW까지만 접속하도록 허용하는 방식이다. 이 주변압기에 최소 30MW의 전력을 소모하는 고객이 연결된 경우 실제로 주변압기로 유입되는 신재생 발전량은 발전량 50MW 중에서 고객이 30MW를 소비하고 남은 20MW만 연계되게 된다. 유연접속 방식은 신재생 발전량에서 고객의 부하를 뺀 역송량이 주변압기의 운전용량을 초과하지 않는 범위 내에서 접속을 허용하는 방식으로 유연접속 방식을 사용할 경우 기존보다 많은 신재생 에너지원을 연계할 수 있게 된다. 그러나 이러한 경우에도 변전소 내의 다른 주변압기의 고장에 대응할 수 있는 여유 용량, 고객의 최소부하 감소, 신재생 변동성에 따른 출력제어 등을 고려하여 유연접속 용량을 선정하게 된다. 아래 표는 특정 변전소를 대상으로 기존 접속방식과 유연접속 적용에 따라 예상되는 최대접속용량을 분석한 사례를 보여준다.

3.1 실험데이터

ESS 연계 태양광의 발전량을 예측하기 위해 1시간 단위의 일사량 데이터와 지역정보, 설비용량을 입력받아 ESS 출력을 포함한 1시간 단위의 발전량을 출력하는 MLP 모델을 만들고 성능을 평가하였다. 태양광 발전량을 예측하기 위해서는 일사량과 같은 기상예측 데이터를 정확하게 예측하는 것이 중요하나 본 연구에서는 ESS 연계 태양광의 충방전 패턴을 예측하는 것에 중점을 갖고 있어 기상 데이터는 따로 예측하지 않고 Solcast에서 제공하는 데이터를 사용하였다.

실험에는 2023년 기준 태양광 발전량이 가장 많았던 4월 한 달 동안의 ESS 연계 태양광 발전원 1,424개의 충방전량이 포함된 발전량 데이터(단위 MWh)와 해당 지역의 수평면 일사량(GHI, Global Horizontal Irradiation) 데이터(단위 W/m2), 지역정보, 태양광 및 ESS 설비용량을 사용하였다. 연구에 사용된 태양광 발전원의 설비의 평균용량은 0.8MW이며, 설비용량(GC, Generation Capacity)에 따른 발전원 개수는 표 3과 같다.

3.2 데이터 전처리

태양광 발전량은 일사량과 높은 연관성을 갖고 있으므로, 정확한 실험을 위해 총 42,720개 데이터 중에서 일일 최대 일사량이 800W/m2를 초과하는 22,346개의 데이터를 추출하여 최소값이 0이 되고, 최대값이 1이 되도록 정규화를 수행하였다.

정확한 예측을 위해 일사량 전처리를 통해 정제된 일일 발전량 데이터 중에서 ESS 연계 태양광이 갖는 정상적인 발전패턴을 보이지 않는 데이터를 삭제하는 작업을 수행하였다. 발전량 데이터는 일일 발전량의 최소값이 0이 되고, 최대값이 1이 되도록 정규화 하였다. 정규화된 데이터는 전처리를 통해 6시에서 10시 사이에 발전량이 없거나 10시에서 4시 사이에 ESS 충전을 하지 않는 경우를 제거하여 실험에 사용될 최종 12,530개의 발전량 데이터를 얻었다.

3.3 ESS 연계 태양광 발전량 예측

본 연구에서는 ESS 연계 태양광 발전량 예측을 위해 인공신경망 기반의 MLP 모델을 이용하였다. 입력층은 24개의 1시간 단위 일일 일사량 데이터와 지역정보, 태양광 및 ESS 설비용량으로 구성된 12,530개의 데이터를 사용하였고, 출력층은 24개의 1시간 단위 일일 ESS 연계 태양광 발전량을 갖도록 구성하였다. MLP 모델의 훈련을 위해 전체 데이터의 70%를 사용하였고, 성능 검증을 위해 30%는 테스트용으로 사용하였다. 신경망 실험을 위한 기본 반복횟수(epoch)는 100번으로 설정하였다.

그림 5. MLP 모델 개념도

Fig. 5. Perceptual Diagram of MLP Model

예측 성능을 평가하기 위한 손실함수는 MAE(Mean Absolute Error)를 사용하였다. MAE는 평균 절대 오차로 관측값과 예측값의 차이를 절대값으로 변환한 뒤 합산하여 평균을 구하는 방식으로, 값이 낮을수록 예측 성능이 높게 된다.

은닉층에 입력된 데이터의 가중 합을 출력 신호로 변화하는 활성화 함수의 성능 비교를 위해 가장 일반적으로 사용되는 [0,1]의 범위를 갖고 학습속도가 상대적으로 낮은 logistic과 [-1,1]의 범위를 갖는 tanh(Hyperbolic Tangentn), 선형적인 형태를 갖고 학습속도가 빠른 relu(RectifiedLinearUnit)를 사용하였다.

MLP의 최적화 알고리즘은 손실 함수를 최소화하기 위해 노드의 가중치를 갱신하는 방법으로 가장 일반적인 경사하강법인 sgd(Stochastic Gradient Descent)와 제한된 메모리 공간에서 소량의 데이터를 처리하는데 적합한 lbfgs(Limited-memory Broyden Fletcher Goldfarb Shanno), 대량의 데이터에 적합한 adam(Adaptive Moment Estimation)을 사용하였다.

예측에 적합한 은닉층의 크기를 결정하기 위해 1개의 은닉층을 갖는 경우를 실험하였다. 그림 6은 노드의 개수를 1부터 1000까지 100개씩 증가시키면서 측정한 예측 성능과 연산시간을 나타낸다. 예측 성능을 나타내는 MAE의 경우에는 최적화 알고리즘으로 sgd를 사용할 때 낮은 성능을 보이며, 연산시간의 경우에는 적은 메모리를 사용하는 lbfgs 방식이 오래 걸리는 것을 알 수 있다.

그림 6. 1개의 은닉층을 갖는 경우의 MAE 및 연산시간

Fig. 6. MAE and computation time in case of 1 hidden layer

다층의 은닉층을 갖는 경우에 대한 성능 비교를 위해 예측 성능이 낮은 최적화 알고리즘인 sgd와 연산시간이 오래 걸리는 lbfgs를 제외한 adam만을 사용하여 [n, n/2] 개의 노드를 갖는 2계층 구조와 [n, n/2, n/4] 개의 노드를 갖는 3계층 구조를 실험하였고 결과는 그림 7과 같다. 그래프를 살펴보면 2계층과 3계층을 사용한 경우 모두다 활성화 함수로 relu(초록선)를 사용한 경우에 성능이 좋은 것을 알 수 있다.

그림 7. 다층의 은닉층을 갖는 경우의 MAE

Fig. 7. MAE in case of multiple hidden layer

그림 8. 최소, 평균, 최대 오차를 갖는 예측 사례

Fig. 8. Prediction cases with minimum, average, and maximum errors

그림 8은 본 실험을 통해 얻은 학습 파라미터를 적용한 최소 오차와 평균 오차, 최대 오차를 갖는 경우의 실제 발전량(가는선)과 예측 발전량(굵은선)의 사례를 보여준다. 그림에서 알 수 있듯이 ESS를 충전하는 10시부터 16시까지는 일사량에 비례하여 충전하게 되어 비교적 예측 오차가 적으나, ESS를 방전하는 16시 이후부터는 발전원의 경제성을 고려한 운영방식에 따라 예측 오차가 크게 나타나고 있다. 따라서 항후에는 ESS 방전량을 예측하기 위해 필요한 데이터들을 추가적으로 조사하고 실험에 반영하여 예측 성능을 높일 수 있도록 노력할 예정이다.