1. 서 론

국내 전력 수용가의 전기 소비 패턴 변화로 인하여 평균 전력 수요 증가율에 비해 최대 전력 수요 증가율이 최근 급격히 증가하고 있다⁽¹⁾. 제 9차 전력 수급 계획에 의하면 최대 전력 수요는 전력소비량보다 상대적으로 높은 증가율을 보이고 있으며, 2017년 대비 8.6% 증가하였다⁽²⁾. 최대 전력 수요는 전력요금 중 기본요금에 영향을 미치며, 산업부문의 전력 소비의 비중은 주요 선진국에 비해 높고, 전력 소비 또한 지속적으로 증가하고 있는 경향을 보이고 있다.

산업용 수용가의 전력 수요는 국가 전체수요에 55% 이상에 이르고 있으며, 산업 부문의 전력 소비의 증가를 완화하기 위한 전력 수요 관리 대책이 강하게 요구되고 있다⁽³⁾. 특히 혹한기와 혹서기에 집중되는 전력 수요로 인해 전력 예비율의 부족, 대규모 정전사태등 여러 문제점이 전력계통에서 발생하면서 효율적인 부하관리와 최대 전력 수요 저감에 대한 중요성이 대두되고 있다.

이와 관련하여 ⁽⁵⁾에서는 ESS를 사용하여 경부하 시간대에 충전을 하고, 최대 부하 시간에 방전을 하는 부하 이동 타입의 장점을 결합한 운영기법을 제안하였다. ⁽⁶⁾에서는 전력 사용 패턴을 분석하여 중간부하 및 최대부하 시간대에 발생하는 최대 전력 수요 시간대를 결정하고, 해당 시간대에 ESS에서 전력을 방전하여 최대 전력 수요를 줄이는 기법을 제안하였다. ⁽⁷⁾에서는 ESS의 충·방전 성능 한계를 고려하여 최대 전력 수요를 최소화하는 ESS 충·방전 운영 스케줄링 기법을 제안하였다. 이와 같이 앞서 언급한 연구들은 ESS연동을 기반으로 최대 전력 수요 저감 방안을 제시하였고, 실제 부하 이동 알고리즘을 기반으로 한 최대 전력 수요 저감 방안은 언급되지 않았다. 이에 본 논문에서는 실제 산업용 수용가의 공정을 고려하여, 산업용 수용가의 부하 데이터를 수집하고 이를 기반으로 최대 전력 수요 및 기본요금을 저감하기 위한 부하 이동 알고리즘을 제시한다. 평균 부하 데이터를 통해 부하 이동 알고리즘을 적용하였고 실제 공장의 운영상황을 고려하여 이동 가능한 부하패턴을 분석하였다. 분석한 부하패턴을 통하여 부하 이동을 진행한 후 부하 이동 결과를 통해 본 논문에서 제시하는 알고리즘의 타당성을 검증하고자한다.

본 논문의 구성은 다음과 같다. 2장에서 산업용 전기요금 및 기본요금 분석을 통해 3장에서는 최대 전력 수요 저감 기반 부하 이동 알고리즘을 제안한다. 4장에서는 제안한 부하 이동 알고리즘을 실제 데이터에 적용하여 사례별 최적의 부하 이동 결과를 도출한다.

2. 산업용 전기요금 및 부하패턴 분석

2.3 부하 데이터 분석

그림 1은 최대 전력 수요가 발생하는 2월과 8월의 한 달 평균 부하 데이터를 시간대별로 나타낸 그래프이다.

그림. 1. 8월, 2월 평균 부하 데이터 그래프

Fig. 1. August and February average load data graph

사용량 요금을 최소화하기 위해 부하 이동을 고려할 경우 수용가의 생산 공정에 따라 부하 이동이 불가능한 고정부하와 부하 이동이 가능한 부하로 나눌 수 있다. 본 논문에서는 대구시 산업체 조사결과를 바탕으로 부하 이동이 가능한 부하로 냉난방 부하, 공압기 부하를 선정하였다.

그림. 2. 냉난방부하, 공압기 부하 데이터

Fig. 2. Heating and cooling load, pneumatic load data

3. 전기요금 최소화를 위한 부하 이동 알고리즘

산업용 전기요금을 최소화하기 위해서는 크게 사용량 요금 및 기본요금 최소화로 나눌 수 있다.

3.4 제약조건

사용량 요금을 최소화하기에 앞서 실제 공정 상황을 고려하여 여러 가지 제약조건들을 설정하였다. 실제 공정에서는 부하를 사용하는 시간대는 출퇴근시간대에 한정되어있다. 따라서 부하 이동 가능 범위를 설정하지 않고 부하 이동을 진행할 경우, 가격이 낮은 경부하 시간대로 부하가 몰리는 것을 방지하기 위하여 부하 이동이 가능한 시간대를 설정하여 (4)와 같이 정의하였다.

(4)

$[t_{s,\:}t_{e}]\in T$

여기서, $T$: 부하 이동이 가능한 시간대, $t_{s}$: 부하 이동이 시작하는 시점, $t_{e}$: 부하 이동이 끝나는 시점을 의미한다.

그림. 3. 부하 알고리즘 예측 절차

Fig. 3. Load Algorithm Prediction Procedure

다음으로 최대 전력 수요는 기본요금에 영향을 미치며, 사용량 요금 최소화의 목적함수만을 가지고 부하 이동을 진행할 경우, 부하 이동 후 최대 전력 수요가 기존 최대 전력 수요보다 높아지는 현상이 발생할 수 있다. 따라서 이를 방지하기 위하여 부하 이동된 데이터는 부하 이동 전 최대 전력 수요 값을 넘지 못하게 설정하였다.

(5)

$P_{d,\:old}^{\max}<P_{d,\:sh\mathrm{if}t}^{\max}$

여기서, $P_{d,\:old}^{\max}$와 $P_{d,\:sh\mathrm{if}t}^{\max}$는 각각 부하 이동 전 d일에 해당하는 최대 전력 수요 값, 부하 이동 후 d일에 해당하는 최대 전력 수요 값을 의미한다. 앞서 언급한 바와 같이 부하 이동 시, 실제 공정에서는 부하 이동이 불가능한 고정부하와 부하 이동이 가능한 부하가 존재하고, 따라서 본 연구에서는 이동 가능한 부하를 상정하여 부하 이동을 진행하였다.

(6)

$\sum_{\forall t}P_{d,\: t}=\sum_{\forall t}\left(P_{d,\: t}^{i}+P_{d,\: t}^{j}\right)$

여기서, i와 j는 수용가의 모든 전력부하설비 중에서 타시간대로 이동이 가능한 설비와 이동이 불가능한 설비를 나타낸다. 이 때, 부하 이동 후 전력의 총합은 아래 식과 같이 부하 이동 전 전력의 총합과 같다고 가정하였다.

(7)

\begin{align*} \sum_{t=1}^{96}P_{d,\: t}=\sum_{t=1}^{96}P_{d,\: t}^{\begin{aligned}\\ i,\:N\end{aligned}}+\sum_{t=1}^{96}P_{d,\: t}^{\begin{aligned}\\ j\end{aligned}} \end{align*}

여기서, $\sum_{t=1}^{96}P_{d,\: t}^{\begin{aligned}\\ i,\: N\end{aligned}}$,$\sum_{t=1}^{96}P_{d,\: t}^{\begin{aligned}\\ j\end{aligned}}$는 각각 부하 이동이 가능한 설비 i를 대상으로 부하 이동 알고리즘 적용 후의 부하량, 이동이 불가능한 설비 j의 부하량을 나타낸다. 한국전력공사의 실시간 전력계측기인 iSmart의 시간단위가 15분인 점을 감안하여 본 연구에서 t를 15분 단위로 설정하였다.

실제 수용가의 생산 공정을 반영하기 위해 이동 가능한 부하의 전력사용패턴은 변하지 않는다고 가정하였다.

(8)

$P_{d,\: t-k}^{i,\:N}=P_{d,\: t}^{i}$

이 때, k는 부하가 이동된 시간을 의미한다.

4. 사례연구

본 절에서는 제안한 부하 이동 알고리즘을 적용하여 사례별 사용량 요금, 최대 전력 수요의 감소 성능을 비교한다. 본 논문에서는 사례연구를 Case1과 Case2로 구분하여 진행하였다. 두 가지 Case 모두 (3)과 같은 목적함수를 만족하지만 Case1의 경우 공정 상황을 고려하지 않은 상태에서 부하 이동을 진행하였고, Case 2의 경우 실제 공정 상황을 고려하여 제약조건 (8)을 추가해 부하 이동을 진행하였다. 부하의 이동 가능 시간범위는 공장의 출퇴근 시간을 고려하여 오전 6시부터 오후 8시사이로 설정하였다. 또한 부하 이동 알고리즘 적용 후 일일 최대 전력 수요는 부하 이동 전 최대 전력 수요를 넘지 않도록 설정하였다. 대상 산업용 수용가는 사용량 요금과 기본요금 산정 시 표 2의 고압 C, 선택3 요금제로 적용하는 것으로 가정하였다.

4.1 Case 1: 공정을 고려하지 않은 부하 이동

(3)의 목적함수를 만족하기 위하여 실제 공정 상황을 고려하지 않고 (5)-(7)의 제약조건을 만족하도록 설정하였다. 부하 데이터는 8월 및 2월의 평균 부하 데이터를 통하여 부하 이동을 진행하였다.

그림. 4. 8월의 부하 이동 결과

Fig. 4. Load movement results in August

그림. 5. 2월의 부하 이동 결과

Fig. 5. Load movement results in February

표 3. 8월 부하 이동 후 요금 비교

Table 3. Comparison of rates after load shift in August

부하 이동 전 Cost	부하 이동 후 Cost
4,606,160	4,567,201
부하 이동대비 요금 절감 효과
0.8%
부하 이동 전 peak load	부하 이동 후 peak load
610.89	531.248
최대 전력 수요 저감률
13.04%

표 4. 2월 부하 이동 후 요금 비교

Table 4. Fee comparison after load shift in February

부하 이동 전 Cost	부하 이동 후 Cost
3,628,866	3,602,096
부하 이동대비 요금 절감 효과
0.7%
부하 이동 전 peak load	부하 이동 후 peak load
658.449	428.521
최대 전력 수요 저감률
34.9%

그림 4, 5의 그래프를 보면 8월 및 2월의 평균 부하 데이터를 이용하여 기존 부하 데이터에서 부하 이동을 통하여 부하가 이동된 것을 확인할 수 있다. 마찬가지로 최대 전력 수요 또한 기존 부하 데이터보다 저감된 것을 확인할 수 있다. 기존 부하에서 표 1, 2를 통하여 산업용 전기요금을 계산한 금액과 부하이동 후, 산업용 전기요금을 계산한 금액은 표 3, 4와 같이 나타내었다.

4.2 Case 2 : 공정을 고려한 부하 이동

Case 2는 Case 1과 같은 목적함수를 사용하였지만, 실제 공정 상황을 고려하여 제약조건 (8)을 추가하였다. 부하 데이터는 8월 및 2월의 평균 부하 데이터를 통하여 부하 이동을 진행하였다.

그림. 6. 8월의 부하 이동 결과

Fig. 6. Load movement results in August

그림. 7. 2월의 부하 이동 결과

Fig. 7. Load movement results in February

표 5. 8월 부하 이동 후 요금 비교

Table 5. Comparison of rates after load shift in August

부하 이동 전 Cost	부하 이동 후 Cost
138,184,800	137,318,010
부하 이동대비 요금 절감 효과
0.6%
부하 이동 전 peak load	부하 이동 후 peak load
610.89	608.808
최대 전력 수요 저감률
0.34%

표 6. 2월 부하 이동 후 요금 비교

Table 6. Fee comparison after load shift in February

부하 이동 전 Cost	부하 이동 후 Cost
108,865,980	106,716,330
부하 이동대비 요금 절감 효과
1.9%
부하 이동 전 peak load	부하 이동 후 peak load
658.449	646.954
최대 전력 수요 저감률
1.75%

그림 6, 7의 그래프를 보면 8월 및 2월의 평균 부하 데이터를 통해 기존 부하 데이터에서 부하 이동을 통하여 부하가 이동된 것을 확인할 수 있으며, 최대 전력 수요 또한 기존 부하 데이터보다 저감된 것을 확인할 수 있다. 기존 부하에서 표 1,2를 통하여 산업용 전기요금을 계산한 금액과 부하 이동 후, 산업용 전기요금을 계산한 금액은 표 5,6 와 같이 나타내었다.

5. 결 론

본 논문에서는 8월 및 2월의 평균 부하 데이터를 이용하여 최대 전력 수요 및 사용량 요금 저감을 위한 부하 이동 알고리즘을 제안하였다. 제안하는 알고리즘을 사용할 경우, Case 1의 경우 8월 및 2월의 사용량 요금은 각각 0.8%, 0.7% 저감하였으며, 최대 전력 수요는 각각 13.04%, 34.9% 저감하였다. Case 2의 경우 8월 및 2월의 사용량 요금은 각각 0.6%, 1.9%, 최대 전력 수요는 각각 0.34%, 1.75% 저감하였다. Case 1과 대비하여 Case 2는 8월 기준 사용량 요금과 최대 전력 수요에서 0.2%, 12.7%정도 낮은 저감률을 보이지만, 실제 산업용 부하에서 본 알고리즘을 적용할 경우 Case 1보다 실제 공정 상황을 고려한 Case 2가 보다 현실적인 대안이 될 것으로 사료된다. 향후 SVR(Support Vector Regression), LSTM(Long Short Term Memory)과 같은 AI 예측 모델⁽¹⁴⁾을 통해 수용가의 일일 부하를 예측한 후 본 연구에서 제안한 부하 이동 알고리즘을 적용하여 추가적인 타당성을 검증하고자 한다.