기계학습을 이용한 신재생에너지 예측기반 에너지저장장치 운영 전략

Abstract

신재생에너지 간헐성은 계통의 안정성을 위협하며 특히 계통과 연결되는 지점에서 전압과 주파수 안정도에 악영향을 미칠 수 있다. 신재생에너지로부터 계통을 보호하고 효율적으로 관리하기 위해 계통운영자는 유입되는 단위 시간당 전력량을 제한할 필요가 있으며 해외에서는 원활한 계통운영을 위해 통상적으로 10%로 제한하고 있다. 하지만 국내에서는 별도의 표준이 정해져 있지 않아 신재생에너지의 유입이 더 늘어난다면 전력계통에 안정도를 위협할 수 있다. 풍력과 태양광의 비율이 점점 높아지고 있는 현재 상황에서 미래에 일어날 수 있는 사고를 대비하기 위해 사전에 Ramp Rate 문제를 해결하기 위한 연구가 필요하다. 간헐성의 문제를 해결하기 위해 다양한 종류의 에너지저장장치에 관한 연구와 개발이 계속되어오고 있다. 이러한 에너지저장장치 중 기술개발단계가 높은 리튬이온 배터리, 플라이휠, 슈퍼커패시터가 설치되어 실제로 사용되고 있다. 본 논문에서는 위 에너지저장장치 중 에너지밀도, 전력밀도, cycle life 측면에서 서로 상호 보완적인 역할을 할 수 있는 리튬이온 배터리와 슈퍼커패시터를 하이브리드로 운영하는 방안을 제안한다. 하이브리드 에너지저장장치를 효과적으로 이용하여 Ramp Rate를 감소하기 위해 신재생에너지 예측이 요구된다. 본 논문에서는 예측을 위해 신경망방법인 ANN(Artificial Neural Network), RNN(Recurrent Neural Network)과 회귀방법인 SVR(Support Vector Regression)을 사용하며 성능을 비교 평가하여 가장 우수한 예측방법을 선정한다. 이후 기계학습을 이용한 정확한 예측을 통하여 Ramp Rate 발생 이전에 에너지저장장치의 충·방전을 지시하여 더 효율적으로 Ramp Rate를 줄이는 방법을 소개한다. 제안하는 방법이 실효성이 있는지 확인하기 위해 실제 데이터를 기반으로 한 발전데이터를 대상으로 사례연구를 진행하여 제시하는 예측을 이용한 운영방법이 효과적인지 확인한다. 또한, 단일 종류의 에너지저장장치를 이용하는 경우와 하이브리드로 운영하는 경우를 비교하여 Ramp Rate 감소에 적합한 방법을 확인한다.