Home Energy Management under Tiered Peak Power Charges

이 논문은 노르웨이 트론헤임의 가정 데이터를 기반으로, 계단식 피크 전력 요금을 고려한 가정용 에너지 관리 시스템에서 모델 예측 제어 (MPC) 기반 배터리 운영 전략이 완벽한 미래 정보에 기반한 최적 비용 대비 1.7% 이내의 비용 효율을 달성함을 보여줍니다.

핵심

1. 문제 상황: "전기세 폭탄"을 피하는 게임

상상해 보세요. 여러분은 전기세 폭탄을 맞지 않기 위해 노력하는 집주인입니다.

• 기본 요금 (에너지 요금): 물을 얼마나 썼는지 (전기를 얼마나 썼는지) 에 따라 비싸집니다.
• 최대 요금 (피크 요금): 하지만 여기서 함정이 있습니다. **"한 달 동안 가장 물을 많이 쓴 날 3 개를 평균내서, 그 양이 많으면 추가 요금을 내세요"**라는 규칙이 있습니다.

예를 들어, 한 달 내내 물을 조금씩 쓰다가, 딱 하루에 욕조 10 개를 동시에 채우는 날이 생기면? 그날의 사용량이 평균에 반영되어 한 달 내내 비싼 요금을 내야 할 수도 있습니다.

이때 집에 **배터리 (저장탱크)**가 있다면 어떨까요?

• 전기세가 쌀 때 (밤이나 한낮) 배터리에 전기를 저장해 둡니다.
• 전기세가 비싸거나 전기를 많이 쓸 때 (아침, 저녁) 배터리에서 전기를 꺼내서 씁니다.
• 이렇게 하면 **그날의 최대 사용량 (피크)**을 낮추고, 전기세 폭탄을 피할 수 있습니다.

2. 해결책: "예지력" vs "현실적인 예측"

논문의 저자들은 이 문제를 두 가지 방식으로 접근합니다.

A. "예지력"이 있는 경우 (Prescient Policy)

비유: "미래를 볼 수 있는 수정구슬"을 가진 경우.

만약 내일, 모레, 다음 달의 날씨, 사람들의 생활 패턴, 전기세 가격이 정확히 미리 안다면 어떻게 해야 할까요?

• "다음 주 월요일 저녁 7 시에 전기가 가장 많이 필요할 테니, 그전까지 배터리를 꽉 채워둬야지."
• "다음 달 3 일, 5 일, 10 일 이 세 날이 피크가 될 것 같으니, 그날들만 조심해서 배터리를 아껴써야지."

이렇게 완벽한 미래를 알고 최적의 계획을 세우면 가장 낮은 비용을 낼 수 있습니다. 하지만 현실에서는 미래를 정확히 알 수 없으니, 이 결과는 **"이론상 가능한 최저선 (하한선)"**일 뿐입니다.

B. "현실적인 예측"을 하는 경우 (MPC - 모델 예측 제어)

비유: "유능한 운전기사"가 내비게이션을 보며 운전하는 경우.

우리는 미래를 정확히 알 수 없지만, 과거의 패턴을 보고 대략적인 예측은 할 수 있습니다.

• "평일 저녁엔 TV 와 조명을 많이 쓰겠지."
• "내일 날씨가 추우면 난방을 많이 쓰겠지."

논문의 핵심은 **MPC(Model Predictive Control)**라는 방법입니다. 이는 마치 유능한 운전기사가 다음과 같이 운전하는 것과 같습니다:

1. 현재 상황 파악: 지금 배터리가 얼마나 차 있는지, 지금 전기세는 얼마인지 확인.
2. 단기 예측: "앞으로 30 일 동안은 대략 이런 패턴일 거야"라고 예측.
3. 최적 계획 수립: "그렇다면 앞으로 30 일 동안 배터리를 이렇게 쓰고 저렇게 쓰면 가장 저렴하겠다"라고 계산.
4. 실행 및 재계산: 첫 시간 (1 시간) 만큼만 그 계획을 실행합니다. 그리고 1 시간이 지나면 새로운 정보가 들어오니, 다시 30 일 뒤까지의 계획을 새로 짜서 첫 시간만 실행합니다.

이 과정을 매시간 반복하면, 미래가 완벽하지 않아도 매우 똑똑하게 배터리를 운영할 수 있습니다.

3. 실험 결과: 얼마나 잘할까?

논문의 저자들은 노르웨이 트론드하임의 실제 가정 데이터를 가지고 이 방법을 테스트했습니다.

• 배터리 없음: 전기세 25,052 크로네 (약 330 만 원).
• 미래를 다 아는 경우 (이상적): 21,204 크로네 (약 15.4% 절약).
• 논문의 MPC 방법 (현실적): 21,568 크로네 (약 13.9% 절약).

결과:
미래를 완벽하게 아는 경우와 비교했을 때, 오차 1.7% 차이밖에 나지 않았습니다. 즉, **"미래를 알지 못해도, 똑똑한 알고리즘을 쓰면 거의 완벽하게 돈을 아낄 수 있다"**는 결론입니다.

4. 왜 이 방법이 특별한가? (핵심 통찰)

1. 단순한 '절전'이 아니다: 단순히 전기를 아끼는 게 아니라, **"언제 쓸지"**를 전략적으로 조절합니다.
2. 복잡한 규칙을 이기는 지능: "한 달 중 가장 많이 쓴 날 3 개 평균"이라는 복잡한 요금제를, 컴퓨터가 **수학적 계산 (혼합 정수 선형 계획법)**으로 풀어냅니다.
3. 실용성: 이론적으로만 가능한 게 아니라, 실제 가정에서도 적용 가능한 빠른 계산을 합니다. (노트북에서 0.2 초 만에 계산 완료)

5. 한 줄 요약

"미래를 알 수 없어도, 과거 데이터를 바탕으로 '지금 당장'과 '앞으로 30 일'을 동시에 고려해 배터리를 지능적으로 충전하고 방전하면, 복잡한 전기세 폭탄을 피하고 거의 완벽하게 돈을 아낄 수 있다."

이 논문은 우리가 가진 배터리를 단순한 저장고가 아니라, 전기세 절감을 위한 지능적인 투자 도구로 바꿔주는 방법을 제시합니다.

기술 요약

1. 문제 정의 (Problem Definition)

이 논문은 노르웨이 트론헤임 (Trondheim) 의 가정용 전력 요금 체계 (에너지 요금 + 단계별 피크 전력 요금) 하에서 배터리를 운영하여 전기 요금을 최소화하는 문제를 다룹니다.

• 배경: 기존 상업/산업용에 적용되던 피크 전력 요금 (수요 요금) 이 주거용으로 확대되고 있습니다. 특히 노르웨이는 2022 년부터 월간 N 개 (일반적으로 N=3) 의 최대 일일 피크 전력 평균값에 대해 **단계별 (Tiered)**로 과금하는 새로운 요금제를 도입했습니다.
• 핵심 과제:
  • 에너지 요금: 시간대별 요금 (ToU) 과 전일제 (Day-ahead) 도매 가격을 기반으로 한 소비량 요금.
  • 피크 전력 요금: 월간 N 개 최대 일일 피크 전력의 평균 ($z_k$) 이 특정 임계값을 초과할 경우, 단계 (Tier) 가 높아질수록 요금이 급격히 증가하는 비볼록 (Non-convex) 구조.
  • 목표: 배터리 충전/방전을 최적화하여 에너지 비용과 피크 전력 비용의 합계를 최소화하는 제어 정책 수립.

2. 방법론 (Methodology)

논문은 이상적인 하한선 (Prescient Bound) 을 구하는 방법과 실시간 적용 가능한 모델 예측 제어 (MPC) 정책을 제안합니다.

2.1 시스템 모델링

• 전력 균형: 그리드 전력 ($p_t$), 배터리 충전 ($c_t$), 방전 ($d_t$), 순 부하 ($l_t$) 간의 균형 방정식.
• 배터리 동역학: 충전/방전 효율, 자기 방전, 용량 제한, 충전/방전 속도 제한을 고려한 상태 방정식.
• 비용 함수: 선형인 에너지 비용과 비볼록인 단계별 피크 전력 비용의 합.

2.2 전지식 (Prescient) 문제 및 하한선 설정

• 가정: 미래의 부하와 전력 가격을 완벽하게 안다고 가정 (Omniscient).
• 수학적 형식화: 혼합 정수 선형 계획법 (MILP) 으로 변환.
  • 피크 전력 비용 함수의 단계별 (Piecewise constant) 특성을 이진 변수 (Binary variables) 를 사용하여 모델링.
  • $z_k$ (월간 N 개 최대 피크 평균) 계산은 $\text{sum-largest}$ 함수를 사용하여 선형 제약으로 표현.
• 의의: 이 MILP 를 풀어 얻은 비용은 실현 가능한 모든 정책의 **이론적 하한선 (Lower Bound)**이 됩니다.

2.3 모델 예측 제어 (MPC) 정책

실제 환경에서는 미래 데이터가 불확실하므로 MPC 를 적용합니다.

• 작동 원리: 각 시간 단계마다 미래 $H$ 시간 (예: 30 일) 동안의 부하와 가격 예측치를 사용하여 최적화 문제를 풀고, 첫 번째 시간 단계의 제어 입력 (충전/방전) 만 적용한 후 다음 단계에서 반복.
• 최적화 문제:
  • 예측된 부하와 가격을 기반으로 MILP 를 매 시간 단계마다 해결.
  • 종단 제약 (Terminal Constraint): 배터리의 최종 충전 상태를 일정 수준 ($Q/2$) 으로 유지하여 배터리를 고갈시키는 단기적 행동을 방지.
• 해법:
  • MILP 솔버 사용: Gurobi 등을 활용.
  • LP 열거법 (LP Enumeration): 월별 단계 (Tier) 할당 조합을 모두 시도하고 각 조합에 대해 선형 계획법 (LP) 을 풀어 최적 해를 찾는 대안적 방법 (단계 수 $L$이 작을 때 효율적).

2.4 예측 기법 (Forecasting)

MPC 의 성능을 높이기 위해 기저 - 잔차 (Baseline-Residual) 예측 모델을 사용했습니다.

• 기저 (Baseline): 일별, 주별, 연별 주기성을 포착하기 위해 푸리에 급수 (사인/코사인 합) 를 사용.
• 잔차 (Residual): 기저에서 벗어난 단기 변동을 예측하기 위해 자기 회귀 (AR) 모델을 적용.
• 손실 함수: 이상치에 덜 민감한 핀볼 (Pinball, Quantile) 손실 함수와 $L_2$ 정규화를 사용하여 모델 파라미터를 학습.

3. 주요 기여 (Key Contributions)

1. 새로운 요금제 구조에 대한 최적화 프레임워크: 단일 최대 피크가 아닌 'N 개 최대 피크의 평균'에 기반한 단계별 요금제를 처리할 수 있는 MILP 형식화를 제시.
2. 실시간 제어 정책 개발: 불완전한 정보 하에서도 전지식 하한선에 매우 근접하는 성능을 내는 MPC 정책 제안.
3. 효율적인 알고리즘: MILP 솔버와 LP 열거법을 통한 빠른 해법 제시 및, 단순한 규칙 기반 정책 (Peak Shaving, Energy Arbitrage) 과의 비교를 통해 통합 최적화의 중요성 입증.
4. 실증 데이터 기반 검증: 노르웨이 트론헤임의 실제 가정용 데이터 (2020-2022) 를 사용하여 시뮬레이션 수행.

4. 실험 결과 (Results)

데이터: 40 kWh 배터리 용량, 노르웨이 트론헤임 가정 데이터 (2022 년).

정책 (Policy)	총 비용 (NOK)	에너지 비용	피크 전력 비용	절감률 (No Storage 대비)
저장장치 없음 (Baseline)	25,052	22,028	3,024	-
전지식 (Prescient)	21,204	19,399	1,805	15.4%
MPC (제안)	21,568	19,279	2,289	13.9%
피크 셰이빙 (규칙 기반)	23,745	21,876	1,869	5.2%
에너지 차익거래 (규칙 기반)	25,867	19,987	5,880	-3.3% (비용 증가)

• 성능: 제안된 MPC 정책은 전지식 하한선 (Prescient Bound) 대비 1.7% 이내의 비용으로 운영되었습니다.
• 비교 분석:
  • 단순 피크 셰이빙은 피크 비용을 줄이지만 에너지 차익을 놓쳐 전체 절감률이 낮았습니다 (5.2%).
  • 단순 에너지 차익거래는 에너지 비용은 줄였으나 피크 전력 임계치를 초과하여 피크 비용이 폭증, 오히려 저장장치가 없는 경우보다 비용이 증가했습니다 (-3.3%).
  • 결론: 에너지 비용과 피크 비용을 동시에 최적화하는 것이 필수적입니다.
• 민감도 분석:
  • 예측 기간 (Horizon): 한 달 (720 시간) 정도가 최적이며, 이를 넘어가도 성능 향상은 미미했습니다.
  • 예측 방법: AR 잔차 보정이 피크 전력 비용 감소에 기여하여 전체 비용을 약 0.4% 추가 절감시켰습니다.
  • N 값: N=1(최대값) 과 N=3(평균) 의 차이는 미미했으나, N=3 이 더 유연한 운영을 가능하게 합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 복잡한 단계별 피크 요금제 하에서도 배터리를 통해 상당한 비용 절감 (약 14%) 을 달성할 수 있음을 입증했습니다.
• 계산 효율성: MILP 또는 LP 열거법을 통해 실시간 제어에 필요한 계산 시간이 매우 짧음 (약 0.2 초) 을 확인하여 실제 배포 가능성 제시.
• 정책적 시사점: 단순한 피크 제어나 에너지 차익거래만으로는 최적의 경제성을 달성할 수 없으며, 통합적인 최적화 전략이 필요함을 강조합니다.
• 미래 전망: 이 프레임워크는 다양한 국가의 새로운 주거용 요금제에 적용 가능하며, 재생에너지 통합 및 그리드 안정화에도 기여할 수 있습니다.

요약하자면, 이 논문은 복잡한 비볼록 요금 구조를 MILP 로 모델링하고, 예측 기반 MPC 를 통해 실시간으로 최적화함으로써, 가정용 배터리가 전기 요금을 획기적으로 줄일 수 있음을 실증 데이터로 입증한 연구입니다.