⚡ electrical engineering

Ageing-aware Energy Management for Residential Multi-Carrier Energy Systems

이 논문은 물리 기반 배터리 노화 모델을 통합한 비선형 경제 모델 예측 제어를 통해 건물의 다중 에너지 시스템 운영 비용을 최소화하고 배터리 수명을 연장하는 효율적인 에너지 관리 전략을 제시합니다.

원저자: Darío Slaifstein (Delft University of Technology), Gautham Ram Chandra Mouli (Delft University of Technology), Laura Ramirez-Elizondo (Delft University of Technology), Pavol Bauer (Delft University of

게시일 2026-04-20

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Darío Slaifstein (Delft University of Technology), Gautham Ram Chandra Mouli (Delft University of Technology), Laura Ramirez-Elizondo (Delft University of Technology), Pavol Bauer (Delft University of Technology)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 집에 있는 에너지 시스템 (전기, 난방, 전기차) 을 더 똑똑하게 관리하는 새로운 방법을 소개합니다.

기존의 에너지 관리 시스템이 "전기 요금이 쌀 때 전기를 사고, 비쌀 때 쓰는" 단순한 계산만 했다면, 이 논문은 **"배터리가 늙어가는 속도를 고려해서, 장기적으로 가장 이득이 되는 전략"**을 세우는 것을 목표로 합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

🏠 1. 상황: 우리 집은 에너지의 '작은 도시'입니다

현대 집에는 세 가지 주요 에너지가 오갑니다.

전기: 조명, 가전제품, 전기차.
난방: 히트펌프, 온수 탱크.
이동: 전기차가 출퇴근할 때 쓰이는 에너지.

이 모든 것을 한곳에서 관리하는 것이 **에너지 관리 시스템 (EMS)**입니다. 예전에는 이 시스템이 "오늘 전기 요금이 얼마냐?"만 보고 결정을 내렸습니다. 마치 배터리라는 '생물'이 있다는 사실을 잊고, 그냥 '배터리'라는 기계 부품처럼만 다뤘던 것입니다.

⚡ 2. 문제: "배터리를 너무 혹사시켰어요"

기존 시스템은 전기 요금이 쌀 때 배터리를 무작정 충전하고, 비쌀 때 방전했습니다. 하지만 문제는 배터리도 사람처럼 피로해지고 늙는다는 점입니다.

과도한 사용: 배터리를 너무 자주 깊게 방전하거나, 너무 빨리 충전하면 수명이 짧아집니다.
잘못된 판단: "배터리가 새것이니 상관없다"라고 생각하다가, 실제로는 배터리가 이미 낡아있을 때에도 같은 방식으로 쓰면 배터리가 일찍 죽게 됩니다.

이 논문은 **"배터리가 지금 얼마나 피곤한지 (노화 상태), 그리고 어떤 종류의 배터리인지 (리튬이온의 종류)"**를 정확히 알고, 그에 맞춰 관리하는 시스템을 제안합니다.

🧠 3. 해결책: "배터리 의사를 둔 똑똑한管家 (집사)"

저자들은 **물리 법칙 (Physics-based)**을 기반으로 한 새로운 알고리즘을 만들었습니다. 이를 쉽게 비유하자면 다음과 같습니다.

🩺 비유 1: "배터리 의사 (Physics-based Model)"

기존 시스템은 배터리를 단순한 물통처럼 생각했습니다. "물이 차면 쓰고, 비면 채운다"는 식이죠.
하지만 이 새로운 시스템은 배터리를 살아있는 사람처럼 봅니다.

"오늘 배터리가 너무 많이 움직였으니, 오늘은 좀 쉬게 해줘."
"배터리가 늙어서 (노화) 힘이 약해졌으니, 무거운 짐은 덜어줘."
이처럼 배터리의 내부 상태 (화학 반응, 열화 등) 를 정확히 계산해서, 배터리가 오래 살면서도 전기 요금도 아끼는 최적의 방법을 찾아냅니다.

🧪 비유 2: "유연한 재료 (LFP vs NMC)"

배터리에는 **NMC(니켈·망간·코발트)**와 **LFP(리튬·인산철)**라는 두 가지 주요 재료가 있습니다.

NMC: 성능은 좋지만 예민하고, 노화가 빠릅니다. (고급 스포츠카)
LFP: 조금 무겁지만 튼튼하고, 오래 갑니다. (견고한 트럭)

이 논문은 이 두 재료를 똑같은 배터리로 취급하지 않습니다. 시스템이 "아, 이건 LFP 배터리구나. 좀 더 깊게 방전해도 괜찮겠네!"라고 판단하여, LFP 배터리를 사용할 때 전기 요금을 10% 더 아끼고 배터리 수명도 20% 더 늘리는 성과를 냈습니다.

🕰️ 비유 3: "시간을 아는 관리"

새 배터리: 젊을 때는 조금 더 과감하게 움직여도 됩니다.
낡은 배터리 (노화 10%): 나이가 들면 더 조심해야 합니다.

기존 시스템은 배터리가 낡아도 "아직 새것이야"라고 착각하며 계속 혹사시켰습니다. 하지만 이 새로운 시스템은 배터리의 나이를 정확히 알아차리고, 노화가 진행될수록 배터리 수명을 보호하는 전략으로 전환합니다. 그 결과, 낡은 배터리를 쓸 때도 전기 요금을 6% 더 아끼면서 배터리 수명도 지켜냈습니다.

📊 4. 결론: "단순한 '요금 절감'이 아닌 '총 소유 비용 (TCO)'의 승리"

이 연구의 핵심 메시지는 다음과 같습니다.

"전기 요금만 보고 배터리를 혹사시키면, 나중에 배터리 교체 비용으로 더 큰 돈을 잃게 됩니다."

이 새로운 시스템은 배터리가 늙어가는 과정 (노화) 을 계산에 포함시킵니다.

결과: 배터리가 더 오래 가고 (수명 연장), 결국 집주인의 지갑을 더 지켜줍니다.
비유: 마치 "오늘 맛있는 걸 먹어서 배가 고프다"라고 생각해서 무작정 먹지 않고, "내일 중요한 회의가 있으니 건강을 챙겨서 적당히 먹자"고 생각하는 것과 같습니다.

💡 요약

이 논문은 **"배터리도 사람처럼 늙고 피곤해진다"**는 사실을 인정하고, 그 상태를 정확히 파악하여 전기 요금도 아끼고 배터리도 오래 쓰게 해주는 똑똑한 집사를 개발했다는 것입니다. 특히 LFP 배터리를 사용하면 더 큰 이득을 볼 수 있으며, 배터리가 낡아갈수록 이 시스템의 효과가 더 커진다는 것을 증명했습니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 탄소 중립을 위한 건물 전기화 (전기, 열, 이동성) 가 가속화되면서, 다양한 에너지 캐리어 (전기, 열, 이동 수단) 를 통합한 주거용 다중 에너지 시스템 (MCES) 의 운영이 중요해졌습니다.
문제점:
- 기존 에너지 관리 시스템 (EMS) 은 주로 선형화된 단순 모델이나 경험적 (Empirical) 배터리 노화 모델을 사용하여, 실제 비선형 동역학과 노화 메커니즘을 정확히 반영하지 못합니다.
- 특히 경험적 모델은 특정 조건에 과적합 (Overfitting) 되기 쉽고, 화학적 특성 (양극재 등) 이나 배터리 수명 상태 (SoH) 에 따른 변화를 구분하지 못해 최적 운영 결정에 오류를 초래합니다.
- 열 시스템 (TESS) 과 전기 시스템 간의 상호작용을 고려하되, 각 시스템의 고유한 동역학과 노화 특성을 통합적으로 최적화하는 접근법이 부족했습니다.
목표: 그리드 비용 절감과 배터리 수명 연장 사이의 트레이드오프를 정량화하고, 물리 기반 (Physics-based) 노화 모델을 통합하여 주거용 MCES 의 장기적 운영 효율성을 극대화하는 EMS 를 개발하는 것입니다.

2. 방법론 (Methodology)

이 논문은 경제적 비선형 모델 예측 제어 (Economic Nonlinear MPC) 프레임워크를 기반으로 한 노화 인식 에너지 관리 알고리즘을 제안합니다.

통합 제어 프레임워크:
- 목표 함수: 그리드 전력 비용 ( $C_{grid}$ ), 배터리 용량 감소 비용 ( $C_{loss}$ ), 전기차 (EV) 충전 부족 패널티 ( $p_{SoC}$ ) 를 최소화합니다.
- 시스템 구성: 태양광 (SPV), 배터리 저장 시스템 (BESS), 전기차 (EV), 열펌프 (HP), 태양열 (ST), 열 에너지 저장 시스템 (TESS) 을 통합하여 전기 및 열 부하를 관리합니다.
물리 기반 축소 모델 (Physics-Based Reduced Order Model, PBROM) 통합:
- 기존 경험적 모델 대신 PBROM을 사용하여 배터리 노화를 모델링합니다.
- 노화 메커니즘: 고체 전해질 계면 (SEI) 층 성장과 활성 물질 손실 (AM) 두 가지 주요 메커니즘을 명시적으로 고려합니다.
- 동적 파라미터: 배터리 상태 (SoC, 전압) 와 제어 동작 (전류) 이 노화 (용량 감소 $Q_{loss}$ , 내부 저항 증가 $R_0$ ) 에 미치는 영향을 실시간으로 업데이트하며, 이를 최적화 문제에 직접 반영합니다.
다양한 배터리 특성 반영:
- 화학적 차이: NMC(니켈 망간 코발트 산화물) 와 LFP(리튬 철 인산) 양극재의 물리적 특성을 구분하여 모델링합니다.
- 수명 상태 (SoH) 적응: 새 배터리와 노화된 배터리 (SoH 90%) 의 파라미터 변화를 인식하여 운영 전략을 조정합니다.
하이브리드 저장 시스템 (HESS) 최적화:
- BESS, EV, TESS 의 서로 다른 응답 속도와 효율을 고려한 **혼합 종단 조건 (Mixed Terminal Sets)**을 설계하여 비볼록 (Non-convex) 최적화 문제의 수렴성을 보장합니다.

3. 주요 기여 (Key Contributions)

물리 기반 노화 모델의 EMS 통합: 주거용 MCES 에서 최초로 PBROM 을 경제적 MPC 에 통합하여, 그리드 비용과 배터리 수명 간의 명확한 트레이드오프를 실현했습니다.
화학적 특성 및 노화 상태 인식 알고리즘:
- LFP 와 NMC 배터리가 서로 다른 노화 메커니즘을 가짐을 인식하고, LFP 가 더 낮은 노화율과 그리드 비용으로 운영될 수 있음을 증명했습니다.
- 배터리가 노화됨에 따라 (SEI 성장 감소, 활성 물질 손실 증가) 지배적인 노화 메커니즘이 변하는 것을 알고리즘이 학습하여, 노화된 배터리에서도 성능을 유지하거나 향상시킵니다.
다중 캐리어 및 저장소 통합 최적화: 전기 (BESS, EV) 와 열 (TESS) 저장소를 하나의 최적화 프레임워크 내에서 각자의 동역학에 맞게 통합하여 운영합니다.
실시간 적용 가능성 검증: PBROM 통합으로 인한 계산 부하가 경미하여 (초당 1~5 초), 실시간 적용이 가능함을 시뮬레이션을 통해 입증했습니다.

4. 실험 결과 (Results)

시뮬레이션은 여름과 겨울의 1 개월 데이터를 기반으로 수행되었으며, 제안된 CPBDeg(PBROM 기반) 제어기는 기존 벤치마크 (BNoDeg: 노화 무시, CEmpDeg: 경험적 모델) 와 비교되었습니다.

성능 비교 (Case Study I):
- 노화 제어: CPBDeg 는 BNoDeg 대비 약 10% 더 적은 용량 감소를 보였으며, 사이클당 노화율 ( $\partial Q_{loss}/\partial FEC$ ) 이 가장 낮았습니다.
- 비용: 그리드 비용은 BNoDeg 와 유사하게 유지하면서 수명을 연장했습니다.
화학적 차이 분석 (Case Study II):
- LFP vs NMC: LFP 배터리를 사용한 경우, NMC 대비 여름철 그리드 비용 10% 감소 및 노화 20% 감소를 달성했습니다. 이는 LFP 의 낮은 SEI 성장 속도와 PBROM 이 이를 정확히 반영했기 때문입니다.
노화 배터리 관리 (Case Study III):
- SoH 90% 배터리: 노화된 배터리를 사용할 때, 기존 선형 모델 (BNoDeg) 은 성능이 저하되었으나, 제안된 CPBDeg 는 여름철 그리드 비용을 6% 추가 절감하고 노화율을 크게 낮췄습니다. 이는 노화 과정에서 지배적인 노화 메커니즘 변화 (SEI $\to$ 활성 물질 손실) 를 알고리즘이 포착했기 때문입니다.
계산 효율성: PBROM 통합으로 인한 계산 시간은 경험적 모델 대비 약간 증가했으나 (평균 0.5~1 초), 실시간 제어에 무리가 없는 수준이었습니다.

5. 의의 및 결론 (Significance)

총 소유 비용 (TCO) 최적화: 단기적인 전기 요금 절감 (BNoDeg 방식) 에만 집중하는 대신, 배터리 수명 연장을 통한 장기적인 자산 가치 보존을 가능하게 합니다.
배터리 기술 선택 가이드: LFP 배터리가 NMC 대비 노화 특성이 우수하여 주거용 ESS 에 더 적합할 수 있음을 물리 모델 기반으로 입증했습니다.
확장성: 이 연구는 주거용 시스템을 넘어 상업용 및 산업용 다중 에너지 시스템으로 확장 가능하며, 복잡한 노화 메커니즘을 고려한 차세대 에너지 관리 시스템의 표준이 될 수 있습니다.
실제 적용: 물리 기반 모델의 통합은 단순한 경험적 보정을 넘어, 배터리의 실제 물리적 상태에 기반한 지능형 의사결정을 가능하게 하여 에너지 시스템의 지속 가능성을 높입니다.

이 논문은 에너지 관리 시스템이 단순한 비용 최적화를 넘어, 자산의 물리적 수명을 고려한 지능형 제어 패러다임으로 전환되어야 함을 강력하게 시사합니다.