2.1 시스템의 정의 및 구성

HUE 시스템은 UPS와 ESS를 통합한 하이브리드 전원 장치이며, PV, 부하, 전력망 등과 연계되어 통합 제어가 이루어진다. 기존 시스템은 UPS와 ESS를 분리하여 UPS는 비상 전원용, ESS는 첨두 부하 저감용으로 사용하는 이원화된 구조를 채택하는 경우가 일반적이다. 이러한 방식은 UPS 활용률 저하, ESS의 과도한 대기 용량 유지, 연계 운용의 어려움 등으로 인해 배터리 자원의 실질적인 활용 용량이 제한되는 문제를 초래하였다.

정밀 장비 운용을 하는 산업체에서는 전력 중단이 없어야 하는 조건을 고려하여, UPS 출력이 항상 부하에 연결되어 있는 On-line UPS 방식을 사용한다. On-line UPS는 정전 발생 시 전환 시간 없이 즉시 전력을 공급할 수 있는 방식이다. 제안하는 시스템에서는 그림 1과 같이 기존의 UPS를 ESS와 단일 제어 대상으로 결합한 HUE로 대체하였다. 또한, PV를 추가하여 전력원으로 배터리를 충전하며, 부하 크기에 따라 전력망을 보조한다. 이 구조는 예측 기반 운용 전략이 반영될 수 있도록 설계되었으며, 부하 및 PV의 시점별 예측값에 따라 운전 조건이 동적으로 조정되는 형태로 구현된다^[7].

그림 1. On-line 방식의 하이브리드 UPS-ESS 시스템 구성도

Fig. 1. Configuration of Hybrid UPS–ESS system based on on-line topology

2.2 시스템 모델링 및 상태 변수 정의

HUE 시스템의 운전 제어를 위해서는 구성 요소들의 에너지 흐름을 수식적으로 모델링하고, 각각의 상태 변수 및 제약 조건을 정의해야 한다. 특히 ESS는 부하 예측 정보를 기반으로 충·방전을 조정함으로써 전체 시스템의 에너지 효율을 높일 수 있다. 이는 향후 예측 기반 운용 전략에 적용될 수 있는 기초가 된다.

HUE 시스템의 구성 요소인 UPS+ESS를 통합하여 하나의 연계 단위로 간주하여 HUE로 나타낼 수 있다. HUE 시스템의 에너지 흐름은 point of common coupling(PCC)을 기준으로 특정 시점 t에서 전력과 수요 전력이 균형을 이루도록 다음 식 (1)과 같은 에너지 균형식으로 정의한다^[8]. HUE의 충·방전 전력을 별도로 분리하면, 배터리에 유입되는 전력과 유출되는 전력으로 식 (2)으로 표현된다^[9]. 이때의 전체 부하는 식 (3)과 같이 정리된다.

여기서 $P_{Grid}(t)$ : 외부 전력망으로부터 공급되는 전력

$P_{PV}(t)$ : 태양광 발전 전력

$P_{Load}(t)$ : 전체 Critical 부하 전력

$P_{HUE}(t)$ : UPS + ESS 전력

$P_{ch}(t)$, $P_{dis}(t)$ : 충전, 방전 전력

HUE의 SOC는 단위 시간 동안의 충·방전 전력에 따라서 식 (4)와 같이 나타낸다. 현재 시점의 SOC를 기준으로, 충전 전력($P_{ch}(t)$)와 방전 전력($P_{dis}(t)$)에 각각의 효율($\eta_{ch}$, $\eta_{dis}$)을 적용하고 시간 단위($\triangle t$)를 곱하여 반영함으로 다음 시점의 SOC를 계산한다^[10].

2.3 운용 제약 조건

HUE의 예측 기반 운용 전략을 효과적으로 구현하기 위해서는 구성 요소의 운전 상태를 제어하기 위한 제약 조건이 사전에 정의되어야 한다.

배터리 수명 보호와 안정적인 시스템 운영을 보장하기 위한 배터리 SOC 상·하한치 조건을 식 (5)와 같이 정의 한다. 충·방전 상태는 배터리 전체 용량의 10% 이상, 90% 이하의 범위 내에서 운용한다^[11].

일반적으로 SOC는 퍼센트(%) 단위로 표현되나, 본 연구에서는 실제 데이터를 기반으로 한 시뮬레이션을 수행하기 위해 kWh 단위로 정규화하여 사용하였다. 충·방전 과정에서의 에너지 손실을 고려한 효율은 산업통상자원부의 “공공기관 ESS 설치 가이드 라인 (2016)”에서 요구하는 에너지 저장 장치의 효율 최소 기준인 𝜂=0.95로 설정하였으며, 효율 수치가 높을수록 입력 전력 대비하여 저장이나 부하에 전달되는 에너지의 양이 늘어 나게 된다. 전력 제어 주기(Δ𝑡)는 국내 산업체에서 운용하는 주기와 국내외 시장에서 채택하고 있는 15분 단위를 기준으로 하여 SOC 계산에 반영하였다. 제어 주기가 15분보다 짧으면 민감도와 정확성이 증가하지만, 시간당 용량의 편차가 크지 않다. 그리고, 연산량 증가에 따라 데이터 증가 및 처리에 대한 부하가 커지게 된다. 반대로 제어 주기가 길어지게 되면 연산 효율은 좋아지지만, 부하 변동에 대한 응답성이 떨어지게 되어 신뢰도를 낮추게 된다.

UPS는 정전 발생 시 중요 부하에 순간적인 끊김이 없이 전력을 공급해야 하므로, 해당 시점에서 최소한의 에너지 보유량을 유지해야 한다. 본 연구에서는 1년 중 최대 부하를 기준으로 UPS가 최소 30분 이상 동작이 가능한 에너지 용량을 확보하도록 설정하였다.

본 연구에서는 평가 모델 구성을 위해 PV 시스템의 용량을 200kW로 설정하였으며, ESS 용량은 기존 문헌^[12]에서 제시한 최소 기준인 PV 용량의 2.5배로 설정하였다.

BESS 설치 및 운영 관련하여 국내외 안전 관리 기준과 산업통상자원부의 안전 대책을 통해 BESS의 상·하한을 10%씩 여유를 두었다. 이에 따라 충·방전을 할 수 있는 용량이 전체 사용 배터리 용량의 80% 수준이기에$C_{UPS}+C_{ESS}=0. 8C_{HUE}$ 를 이용하여 계산한 결과는 총용량은 $1MWh$로 산출되며, 이는 $C_{HUE}$로 나타낸다.

3.1 LSTM 데이터 전처리 및 입력 구성

본 연구에서는 LSTM 기반 예측 모델의 입력 변수로 공장 부하와 PV 발전량 데이터를 활용하였다. 공장 부하 데이터는 경기도 평택 지역의 실제 산업 현장에서 15분 간격으로 측정된 실측 데이터를 기반으로 하며, 모델 학습에 활용하였다. PV 발전량 데이터는 충청남도 당진 지역에 설치된 PV 시스템의 2023년 1년치 실측 데이터를 사용하였다. 해당 데이터는 원시적으로 1시간 간격으로 제공되었으며, 예측 모델의 해상도에 맞추기 위해 선형 보간법을 적용하여 15분 간격으로 변환하였다. 1시간 단위로 수집된 PV 출력 데이터를 고해상도로 변환 시, 실제 단기 기상 변화에 따른 출력 변동성이 충분히 반영되지 않는 한계가 있다. 이에 따라, 예측 모델이 현실적인 출력 변동성에 적응할 수 있도록, 표준편차 0.2의 가우시안 노이즈를 추가하여 시계열상의 불확실성을 보완하였다^[13]. 최종적으로, 시뮬레이션 환경에 적합하도록 PV 출력은 200 kW 기준으로 정규화하여 모델 입력에 활용하였다.

3.2 LSTM 구조 및 학습 설정

LSTM은 시계열 데이터를 효과적으로 학습할 수 있는 순환 신경망(Recurrent Neural Network, RNN)의 확장형이다. LSTM 구조는 그림 2와 같이 3개의 게이트(망각, 입력, 출력)와 1개의 셀 스테이트로 이루어져 있다. 망각 게이트에서는 이전 셀 상태에서의 버릴 정보를 선택하고, 입력 게이트에서는 현재 입력에서 중요한 정보를 선택한다. 셀 스테이트는 장기 기억이 저장되어 있는 내부 상태를 말하고, 출력 게이트에서 다음 시점으로 보낼 정보를 결정하게 된다.

그림 2. LSTM 구조

Fig. 2. Structure of LSTM

본 연구에서는 1년간의 장기 실측 데이터를 학습하여, 향후 1일 이내의 단기 예측 성능을 확보하는 데 활용되었다. 예측 모델은 PV 및 부하에 대해 각각 독립적으로 구성되며, 입력 변수는 PV, 부하, 온도, 습도, 풍속, 일사량 그리고 구름양 등으로 총 7개 항목으로 구성된다. 모델의 하이퍼파라미터는 Random Search 기법으로 최적화하였다. 모든 모델 구현은 Python 기반으로 수행되었다^[14].

3.3 예측 정확도 및 평가 지표

예측 성능 평가는 일반적으로 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Square Error, RMSE), 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE), 결정 계수(R² Score)등의 지표를 활용한다. 제안하는 휴리스틱 수식이 절대값에 민감하게 반응하지 않도록, 데이터의 스케일에 독립적인 지표인 MAPE를 성능 평가 기준으로 사용하였다. 해당 지표는 다음 식 (6)과 같이 정의된다.

여기서 $Y$ : 실제값

$\hat{Y}$ : 예측값

ϵ : 분모의 0값 방지를 위한 소수점 상수

$N$ : 데이터의 수

그림 3는 LSTM을 통해 산출한 PV 발전량과 부하의 예측값을 실제 측정값과 비교한 그래프이며, 표 1은 이를 바탕으로 10일간의 예측 성능을 평가 지표로 정리한 것이다. PV 발전량 예측 곡선은 부하 예측 곡선보다 실제 측정값의 추세를 더 정밀하게 따르고 있으며, 이는 PV의 R² 값이 0.9994로 부하 예측의 0.8897보다 높은 수치를 기록한 것에서 확인된다. 그러나 출력 변동성이 큰 PV의 특성에 따라서, 일부 구간에서는 실제값과 예측값 간의 차이가 크게 발생하였다. 해당 오차는 MAPE 지표를 통해서 확인되며, PV 발전량 예측의 MAPE는 12.24%로 부하 예측의 8.59%에 비해 상대적으로 높은 수치를 나타낸다.

그림 3. LSTM을 통한 PV 발전량 및 부하의 실제값과 예측값 비교

Fig. 3. Comparison of Actual and Predicted PV Generation and Load using LSTM

3.4 예측 기반 휴리스틱 운용 전략 구성

제안하는 예측 기반 휴리스틱 운용 전략은 수치 최적화 방식이 아닌, 조건 기반(rule-based)의 제어 규칙에 따라 HUE 시스템을 운용하는 방식이다. 본 절에서는 예측값을 활용하여 설정한 동적 제약 조건과 해당 조건을 이용한 제어 로직을 정리하며, 이는 다음의 두 가지 제약 조건을 중심으로 한다. 첫째, 정전 발생 시 UPS가 즉시 대응할 수 있도록 일정 수준의 SOC를 확보해야 하며, 둘째, 정상 운전 시에는 PV 발전량과 부하의 예측값을 기반으로 ESS를 유연하게 운용해야 한다. UPS 동작을 위한 최소 전력량으로 $SOC_{HUE-\min}$ 을 두었으며 식 (7)으로 표현하였다. 이는 HUE 전체 SOC 범위에서 UPS 동작을 하기 위한 최소 전력량을 확보하는 것으로 구성하였다.

부하에 대해 30분간 대응이 가능한 UPS 동작을 위한 최소 전력량은 부하 예측값을 기준으로 산정할 수 있다. 부하 예측에 대한 불확실성을 고려하기 위하여 해당 예측값에 대한 오차율인 $MAPE_{Load}$을 반영하고, 임의의 여유도를 더하여, 총 10%를 적용하였다^[15]. 정전이 발생하더라도 PV가 동작 중인 경우, 해당 시점의 PV 출력은 UPS 동작을 위한 최소 전력량 확보에 일부 기여할 수 있다. 이에 따라, UPS 대응을 위한 최소 SOC는 PV 발전량을 반영하여 동적으로 조정되며, 이는 식 (8)와 같이 정의된다. 이때, PV에 대한 불확실성을 고려하기 위하여 PV 예측 오차율은 LSTM 기반의 성능인 $MAPE_{PV}$를 반영하고, 임의의 여유도를 추가하여, 총 13%를 보수적으로 적용하였다. 이를 통해 실제 운전 상황에서의 안전 여유를 확보하도록 설계하였다.

PV 및 부하의 MAPE 수치는 최소 SOC 산정에 영향을 미친다. 예측 오차가 커질수록 SOC 하한 설정이 커지게 된다. 이는 PV 발전의 충전 여유를 감소시켜 피크 전력에 대한 대응 전력량을 제한하고, 결과적으로 계통 전력망의 전력 사용량이 증가하게 된다.

여기서 $t$ : 특정 시점

$\triangle t$ : 시간 간격 (샘플링 주기)

$\hat{P}_{PV}(t)$ : 예측된 PV 전력

$\hat{P}_{Load}(t)$ : 예측된 부하 전력

이때, 충·방전 운용 기준을 설정함과 동시에, 전력망으로부터 사용하는 전력이 일정 한도를 초과하지 않도록 제한하는 제약 조건을 추가하였다. 이는 중간 부하 시간부터 최대 부하 시간대까지의 부하 전력 사용량을 줄이고, 부하 곡선을 평준화(load leveling)하여 첨두 부하 전력 소비를 완화하기 위한 운용 전략의 일환으로 적용되었다. 특히, 정전 상황이 아닌 정상 운전 조건에서도 HUE 시스템을 활용하여 전력망 의존도를 일정 수준 이하로 제어함으로써, 전력망 이용에 따른 비용을 절감할 수 있도록 설계되었다. Grid의 사용 한계($P_{Grid Peak L im}$)를 조절하기 위해서 식 (9) 같이 정의하였다.

그림 4은 제안된 예측 기반 휴리스틱 운용 전략의 전체 흐름을 나타낸다. 시스템은 단위 시간마다 실측된 SOC, 부하, PV 발전량과 함께 LSTM 기반 예측 모델로부터 다음 시점의 부하와 PV 예측값을 입력으로 받아들인다. 이 정보를 바탕으로, 정전 대응을 위한 최소 SOC를 계산하고, 현재 시점의 에너지 흐름을 고려하여 외부 전력 수요를 계산한다.

이후 제어기는 PV 발전이 존재하는지, 여부와 현재 SOC가 허용 범위 내에 있는지를 판단하여 충전이 가능한 경우, 전력망 한계를 초과하지 않는 범위 내에서 충전 가능량을 산정한다. 반대로, 방전이 필요한 경우에는 전력망 초과 여부를 확인하고, 동시에 정전을 대비한 UPS 대응을 위한 최소 전력량을 만족하는 조건에서 방전 명령을 수행한다. 전력망의 한계는 부하 전력이 중간 부하에서 최고 부하 시간대까지의 평균값을 기준으로 하였다. 이러한 한계 설정은 전체 부하를 전력망에만 의존하지 않고, 가능한 경우 PV 또는 HUE 시스템의 충전된 전력을 활용함으로써 계통 전력 사용을 최소화하기 위한 목적을 가진다. PV 출력과 충전된 전력이 모두 부족한 경우에는 부하에 따른 전력망으로 전력을 맞춰야 한다. 최종적으로 해당 시점의 SOC와 전력망 사용량을 업데이트한 후, 다음 시점의 제어 단계로 진행한다.

그림 4. HUE 시스템을 위한 예측 기반 휴리스틱 운용 순서도

Fig. 4. Flowchart of the Prediction-Based Heuristic Operation for the HUE System

결과적으로, 제안된 운용 전략은 복잡한 수치 최적화 없이 예측값 기반의 동적 조건식을 활용하여 시점별 제어 결정을 수행할 수 있도록 구성되었다. 본 연구의 예측 기반 휴리스틱 운용 전략은 LSTM 예측값과 오차 보정 계수를 기반으로, UPS 대응 조건, ESS 충·방전 조건, 전력망 사용 한계 등을 명시적으로 수치화한 제약 조건을 중심으로 구성되며, 조건 기반(rule-based) 구조를 갖는 제어 방식이다.

4.1 시뮬레이션 설정

LSTM을 통해 PV 및 부하 예측 Data를 확보하였으며, 이를 활용하여 HUE 시스템 내에서 UPS 동작을 위한 최소 전력량을 확인하였다.

그림 5는 해당 시점에서 식 (8)에 기반한 운용 전략 중 일부 항목의 동작 예시를 시각적으로 나타낸 것으로, 현재값과 미래 예측값을 더하여 정전 발생 시점에서 30분간 대응이 가능한 PV 발전량과 부하를 표시하였다. 이때, 평가 오차율인 $MAPE_{Load}$, $MAPE_{PV}$를 활용하여 부하는 상향 보정하고 PV는 하향 보정함으로써, 실제 상황에서 에너지 부족의 위험을 방지하도록 설계하였다.

그림 5. 백업 조건을 고려한 PV 및 부하 예측 용량

Fig. 5. Forecasted PV Generation and Load Capacity Considering Backup Requirements

이를 바탕으로 식 (8)에 따라 UPS 동작을 위한 최소 SOC를 계산하면 그림 6과 같이 정적인 UPS 대응 범위인 400kWh보다 낮은 수준에서 동적으로 조정된 UPS 대응용 SOC 범위를 확인하게 된다. 여기서 400kWh는 시뮬레이션 평가를 위한 실제 부하 중 연간 최대 부하를 기준으로 30분 이상 동작이 가능한 에너지 용량과 배터리의 안정적인 동작을 위한 최소($SOC_{\min}$) 용량을 더하여 산출된 값이다. 이는 제안하는 휴리스틱 운용 전략에서 비교 및 평가를 위한 기준값으로 활용된다.

그림 6. 예측 기반의 UPS 대응 최소 SOC

Fig. 6. Minimum SOC for UPS Support Based on Forecasting

4.2 시뮬레이션 및 결과

시뮬레이션은 3가지 방식으로 평가 및 분석 비교하였다. Case 1은 정적인 UPS 용량을 설정하고, PV 발전량에 따라 충·방전을 수행하는 기본(Basic) 제어 방식이다. Case 2는 UPS 대응을 위한 최소 SOC 제약 조건을 반영한 휴리스틱 제어 방식이며, Case 3은 Case 2에 전력망 사용량에 대하여 상한 제한을 추가한 휴리스틱+피크 제어 방식이다.

각 Case별 SOC 결과는 그림 7을 통해 확인이 가능하다. 기본 제어 방식(Case 1)에서는 정적인 UPS 용량 기준에 따라 방전 한계가 400kWh로 고정되어, 해당 용량 이하로 방전되지 않음을 확인하였다. 반면에 휴리스틱 기반 제어 방식(Case 2 및 Case 3)에서는 UPS 대응을 위한 최소 SOC 기준인 UPS Threshold에 따라 보다 유연하게 용량 활용이 가능하였다. 이러한 제어 방식은 UPS 대응을 위한 용량을 축소하고, 이를 ESS 충·방전에 활용이 가능한 용량으로 전환하여 PV 발전 전력의 충전 가능 용량을 증가시키는 효과를 나타냈다.

그림 7. 제어 방식에 따른 SOC 변화 비교

Fig. 7. Comparison of SOC Variation Under Different Control Strategies

전력망 사용에 피크 제한을 두지 않은 경우, HUE의 전체 용량 대비 PV 발전량이 많은 시점에는 생산된 전력을 모두 충전하지 못하고 $SOC_{\max}$수준에 정체되는 것을 확인하였다.

그러나 중간 부하와 최대 부하 시간대인 08:00 ∼ 22:00에서 전력망의 평균 사용량을 기준으로 80kWh의 피크 전력 한계를 설정하였을 때, PV 전력은 HUE 충전하는 것에 집중되지 않고, 전력망 전력의 부족한 부분을 HUE가 보조하는 방식으로 동작하는 것을 확인하였다.

그림 8에서는 PV 발전량이 부족하고 HUE 내 저장 에너지가 충분하지 않은 초기 구간에서 전력망의 요구량이 일시적으로 증가하는 양상을 확인할 수 있다. 그러나 이후 시간대에는 PV 발전 증가와 HUE의 충전이 이루어지면서 Grid peak limit에 도달한 상태에서 추가적인 전력망 사용 없이 HUE의 SOC가 안정적으로 제어됨을 확인할 수 있다. 특히, 동일 조건에서 비교한 다른 시나리오에 비해 첨두 부하가 낮게 유지되었으며, 전체 부하 곡선의 분산도 또한 감소하여 효과적인 부하 평준화 성능의 향상을 확인하였다.

그림 8. 제어 방식에 따른 전력망 사용량 변화

Fig. 8. Variation in Grid Power Usage According to Control Strategies

4.3 성능 분석

시뮬레이션 결과를 바탕으로 3가지 Case의 성능을 비교하였다. 그림 9에서 UPS 사용률을 나타내며, 이는 전체 운영 시간 동안 UPS가 실제로 에너지를 공급한 시간의 비율을 기준으로 산출하였다. 분석 결과, 휴리스틱+피크 조건에서는 기본 제어 조건 대비 약 61% 향상된 UPS 사용률을 보였다. 또한, SOC의 안정성 측면에서는 최대 부하 시점 기준으로 SOC 전체 가용 용량의 약 70% 수준까지만 사용되어 과도한 용량 확보 없이도 안정적인 운용이 가능함을 확인하였다. 이 두 항목의 결과는 HUE 시스템을 산업 현장에 적용할 경우, 실제 필요 용량에 따라 배터리 용량을 최적화함으로써 설치 비용을 절감할 수 있음을 시사한다.

그림 9. HUE 운용 전략의 주요 성능 지표 비교

Fig. 9. Comparison of Key Performance Indicators for HUE Operation Strategies

전력 사용 및 경제성 측면에서도 유의미한 차이가 확인되었다. 휴리스틱 조건을 적용한 Case에서는 부하 예측 정보를 기반으로 한 제어 전략을 통해 전력망 사용량이 감소하는 효과가 나타났다. 특히 휴리스틱+피크 제어 조건에서는 기본 제어 조건 대비 약 6%의 전력 사용량이 감소하였다. 전기요금 역시 한전의 산업용(갑) 고압B 선택Ⅱ 요금표 중 여름철 단가를 적용하여 산정한 결과, 약 8%의 비용 절감 효과가 확인되었다. 이러한 결과는 단순한 부하 예측 기반 운용뿐 아니라, Peak Limit 조건을 병행 적용함으로써, 첨두 부하 시간대의 전력망 의존도를 효과적으로 억제한 데 기인한다. 즉, 휴리스틱 제어는 부하 예측 정보를 기반으로 조건 대응에 중점을 두는 반면, 휴리스틱+피크 제어는 일정 시간 구간의 첨두 전력 억제를 고려하여 전력 비용 절감 효과를 더욱 극대화할 수 있다는 점에서 차별성을 갖는다.

표준편차(Standard Deviation, STD)를 지표로 활용하여 SOC 안정성과 계통 전력 사용량의 변동성을 정량적으로 평가하였다. 그림 10는 표준편차의 평가에 대한 비교이다. SOC의 표준편차(SOC STD)는 HUE 시스템의 충·방전 과정에서의 상태 변화의 안정성을 나타내며, 전력망 사용량의 표준편차(Grid STD)는 시간에 따른 계통 전력 사용의 변동성을 의미한다. 두 지표 모두 STD 값이 작을수록 시스템이 일정하고 안정적으로 운용되었음을 나타내며, 이는 제어 전략 간 운용 안정성의 상대적 우수성을 판단하는 기준으로 활용되었다. 평가 결과는 휴리스틱+피크 제어 조건에서 가장 낮은 변동성을 보여 안정성이 가장 우수한 것으로 나타났다. 기본 제어 조건 대비하여 SOC STD는 48%, Grid STD는 15% 감소하였다.

그림 10. SOC와 전력망 표준편차 비교

Fig. 10. SOC and Grid Power Standard Deviation Comparison

휴리스틱 조건에서 SOC STD가 가장 높게 나타난 이유는, 해당 제어 전략에서 적용된 최소 SOC 기준이 기본 제어 방식보다 낮게 설정되어 있어, PV 발전 전력을 충전할 수 있는 운용 범위가 더 넓어졌기 때문이다. 이로 인해 충·방전 범위가 확대되면서 SOC 값의 시간적 변동성이 증가하였으며, 결과적으로 SOC 표준편차가 상승하게 되었다.

4.4 장기 운용을 위한 배터리 열화 분석

제안 전략이 실제 운용에 적용하기 위해서는 배터리의 장기적인 열화 특성까지 반영한 용량 설계 검토가 필요하다. 일반적으로 리튬이온 ESS는 충·방전 사이클에 따른 사이클 열화와 저장 상태에서의 SOC 및 온도 등에 따른 갤린더 열화를 함께 고려해야 한다.

^[16]에서 제시한 열화의 열화 모델을 기반으로, 본 연구에서 제안 및 평가 진행한 휴리스틱+피크 제어의 결과로 식 (10)에 대입하여 SOH(State of health)를 계산하였다. 해당 모델은 사이클 열화인 $A\ge_{cyc}(t)$와 캘린더 열화인 $A\ge_{cal}(t)$를 각각 계산한 후, 누적 열화를 다음과 같이 확인하였다. 사이클 열화는 EFC(Equivalent Full Cycle) 기준으로 충·방전 횟수에 관한 것이며, 캘린더 열화의 경우 평균 SOC 조건에 따라 시간이 지나면서 자연적으로 열화되는 것을 반영한 것이다.

초기 SOH 100%에서 출발한 배터리가 SOH 80% 수준으로 감소 하기까지 DOD(Depth of Discharge) 45%, 배터리 수명 기준 사이클 8000회, 평균 SOC 37.5% 등을 식 (10)에 적용하였을 때, 약 10년이 소요되는 것을 확인하였다. 또한, SOH가 80% 되었을 때 UPS Threshold도 낮아지고 그에 따라 SOC 레벨도 낮아지는 것을 확인하였다. 그러나 전체 제어 구조는 그대로 유지 되었고, 시스템 운영 결과도 변함없이 안정함을 확인하였다.

그림 11. 10년 후 열화를 반영한 SOC 변화

Fig. 11. SOC reflecting degradation after 10 years

이러한 결과는 제안된 휴리스틱+피크 제어 전략이 초기 설계 단계에서 일정 부분 용량 확보가 되어 있다면, 배터리 열화에 따른 성능 저하를 구조적으로 일부 완화할 수 있음을 보여주었다.