BOOST: Microgrid Sizing using Ordinal Optimization

논문 요약: BOOST (배터리 - 태양광 순서 최적화 설계 기법)

1. 문제 정의 (Problem Statement)

• 배경: 기후 변화 대응과 전력망의 불안정성으로 인해 주거용 마이크로그리드 (태양광, 배터리, 디젤 발전기, 계통 연계) 의 설계가 중요해지고 있습니다.
• 핵심 난제: 마이크로그리드의 **설계 (Capacity Sizing)**와 **운영 (Operation/Dispatch)**은 밀접하게 연관되어 있습니다. 배터리와 태양광 (PV) 용량을 단순히 투자 비용만 고려하여 결정하는 것이 아니라, 시간이 지남에 따라 시스템이 실제로 어떻게 운영될지 (경제적 디스패치) 를 반영해야 합니다.
• 기존 방법의 한계:
  • 정확한 모델 (MILP): 혼합 정수 선형 계획법 (MILP) 을 사용하여 모든 설계 후보에 대해 정밀한 운영 비용을 계산하면 정확하지만, 설계 공간이 크면 계산 비용이 매우 높아 비효율적입니다.
  • 휴리스틱/메타휴리스틱: 확장성은 좋지만 많은 평가가 필요하며 최적해에 대한 보장이 부족합니다.
  • 기존 순서 최적화 (OO) 적용: 기존 OO 기반 연구들은 내부 운영 문제를 그리디 (Greedy) 또는 동적 계획법 (DP) 으로 해결했는데, 이는 배터리 상태 (SOC) 를 이산화하여 메모리 부담이 크거나 디스패치 품질을 저하시킬 수 있습니다.

2. 제안된 방법론: BOOST (Methodology)

저자들은 **BOOST(Battery-solar Ordinal Optimization Sizing Technique)**라는 새로운 기법을 제안합니다. 이는 **순서 최적화 (Ordinal Optimization, OO)**와 **혼합 정수 선형 계획법 (MILP)**을 결합한 2 단계 접근법입니다.

• 핵심 아이디어: 모든 설계 후보에 대해 정밀한 계산을 수행하는 대신, "정확한 값"보다는 "우수한 설계의 순위 (Order)"를 보존하는 데 집중합니다. 순위 정보는 정확한 값 정보보다 훨씬 저렴하게 얻을 수 있다는 OO 의 원리를 적용합니다.

• 2 단계 프로세스:

  1. 1 단계 (간단한 모델로 대규모 선별):
     • 선형 계획법 (LP) 을 사용하여 많은 수의 후보 설계 ($N$개) 에 대한 운영 비용을 빠르게 계산합니다.
     • 이 모델은 디젤 발전기의 최소 출력 임계값 같은 복잡한 논리를 생략하여 계산 속도가 빠릅니다.
     • 총비용 (운영비 + 연감 투자비) 을 기준으로 $N$개 설계를 순위 매깁니다.
  2. 2 단계 (정확한 모델로 재평가):
     • 1 단계에서 선정된 상위 $s$개 설계만 추출합니다.
     • 이 $s$개 설계에 대해 MILP를 사용하여 정밀한 운영 비용을 재계산합니다.
     • MILP 는 디젤 발전기의 최소 출력 제약 ($P^{min}_D$) 을 이진 변수 ($u_D$) 로 모델링하여 실제 운영 로직을 정확히 반영합니다.
     • 최종적으로 비용이 가장 낮은 설계를 최적해로 선정합니다.

• 매개변수 설정:

  • $N$: 선별할 전체 설계 수 (확률 $P$로 최상위 $\alpha\%$ 내에 최소 1 개가 포함되도록 계산).
  • $s$: 정밀 재평가할 상위 설계 수 (원하는 정렬 확률 $AP(k)$를 달성하는 최소값).

3. 주요 기여 (Key Contributions)

1. 새로운 설계 기법 제안: OO 와 MILP 를 결합하여 마이크로그리드 (PV-배터리) 용량 설계 문제를 효율적으로 해결하는 BOOST 기법 제안.
2. 새로운 벤치마크 데이터셋 구축: 기존 단축판 논문의 수치를 갱신하기 위해, 공개된 깨끗한 재구현 (clean reimplementation) 에서 생성된 **5 가지 합성 연봉 데이터셋 (Base, Cheap Battery, Cheap PV, Expensive Diesel, High Peak Tariff)**을 도입하여 방법론을 검증했습니다.
3. 성능 검증:
   • LP 기반 선별이 정확한 MILP 순위와 거의 일치함을 입증 (상관관계 $\rho = 1.000$).
   • 샘플링된 BOOST 최적해가 전체 그리드 탐색 (Exhaustive Search) 과 동일한 전역 최적해를 찾음을 확인.
4. 운영 솔버 비교: MILP 기반 내부 솔버가 기존 DP 및 그리디 방식보다 더 나은 LCOE (평균 발전 비용) 를 제공함을 수치적으로 증명했습니다.

4. 실험 결과 (Results)

A. Base Synthetic Dataset 기준 결과:

• 최적 설계: 배터리 500 kWh + PV 1833.3 kW.
• 최적 LCOE: 13.169 ¢/kWh.
• 선별 정확도: LP 와 MILP 순위 간 스피어만 순위 상관계수 ($\rho$) 가 1.000으로 완전히 일치했습니다.
• 회수율 (Recall): 상위 $s=18$개만 재평가했을 때, 실제 상위 10 개 설계의 100% 를 포함했습니다.
• 실행 시간 단축:
  • 전체 100 개 설계에 대한 정밀 MILP 평가: 169.9 초.
  • BOOST (90 개 LP + 18 개 MILP): 82.0 초.
  • 실행 시간 51.8% 단축.

B. 운영 방식 비교 (Base Dataset):

• BOOST (MILP): 13.169 ¢/kWh (최저)
• 동적 계획법 (DP): 13.178 ¢/kWh (+0.009 차이)
• 그리디 (Greedy): 13.251 ¢/kWh (+0.082 차이)
• 결론: 정밀한 MILP 기반 운영이 DP 나 그리디 방식보다 더 경제적임을 확인.

C. 민감도 분석 (다른 데이터셋):

• 배터리 비용 저렴: 배터리 용량이 5000 kWh 로 증가.
• PV 비용 저렴: PV 용량이 2500 kW 로 증가.
• 디젤 비용 비쌈 / 피크 요금 높음: 기본 설계 유지되나 달성된 LCOE 가 변화함.
• 의미: 경제 환경 (자산 비용, 요금제) 이 변해도 LP 기반 순위가 안정적으로 유지되어 BOOST 가 다양한 시나리오에서 견고함을 보임.

5. 의의 및 결론 (Significance)

• 방법론적 타당성: 복잡한 마이크로그리드 설계 문제에서, 정밀한 MILP 모델을 모든 후보에 적용하지 않고도, 단순한 LP 모델을 통한 순위 기반 선별 (Screening) 만으로 전역 최적해를 효율적으로 찾을 수 있음을 입증했습니다.
• 실용성: 계산 비용을 절반 이상 줄이면서도 최적의 설계와 운영 전략을 도출할 수 있어, 실제 마이크로그리드 설계 및 의사결정 지원 시스템에 적용 가능한 실용적인 도구입니다.
• 향후 과제: 더 큰 규모의 설계 문제, 불확실성 모델의 정교화, 실제 데이터 소스를 활용한 연구가 필요하다고 제안합니다.

이 논문은 합성 데이터셋을 통해 방법론의 유효성을 엄격하게 검증했다는 점에서, 마이크로그리드 최적화 분야에서 순서 최적화와 정수 계획법의 결합이 가진 잠재력을 잘 보여줍니다.