⚡ electrical engineering

Power Reserve Capacity from Virtual Power Plants with Reliability and Cost Guarantees

이 논문은 불확실성 정량화를 위한 서브셋 시뮬레이션(subset simulation)을 명시적 및 기회비용 분석과 결합하여 가상 발전소의 신뢰할 수 있는 예비 전력 용량과 가격을 정확하게 평가하는 새로운 방법을 제안하며, 제품 요구 사항과 기회비용이 가상 발전소의 시장 잠재력에 어떻게 상당한 영향을 미치는지 입증한다.

원저자: Lorenzo Zapparoli, Blazhe Gjorgiev, Giovanni Sansavini

게시일 2026-02-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Lorenzo Zapparoli, Blazhe Gjorgiev, Giovanni Sansavini

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

전력망을 거대하고 북적이는 도시라고 상상해 보십시오. 과거에 이 도시는 전등을 밝히기 위해 몇 개의 거대하고 안정적인 발전소(마치 대형 공장과 같은)에 의존했습니다. 하지만 이제 이 도시는 수천 개의 작고 예측 불가능한 전력원들—예를 들어 가정용 태양광 패널나 풍력 터빈 같은 것들—로 전환하고 있습니다. 이것들은 훌륭하지만, 변덕스럽습니다. 해가 구름 뒤로 숨을 수도 있고, 바람이 멈출 수도 있기 때문입니다.

이러한 새로운 전력원들은 예측 불가능하기 때문에, 도시는 **전력 예비력(Power Reserves)**이라는 "안전망"이 필요합니다. 이것은 주 전력이 떨어질 경우 즉시 가동될 준비가 되어 있어야 하는 비상 발전기 팀이라고 생각하면 됩니다. 문제는 이 안전망을 누가 제공하느냐는 것입니다. 전통적으로 이는 대형 공장들이 담당했습니다. 하지만 그들이 문을 닫아감에 따라, 우리는 새로운 해결책을 찾아야 합니다.

이 논문은 **가상 발전소(Virtual Power Plants, VPP)**를 사용하는 방안을 제안합니다. VPP를 물리적인 건물이 아니라, 수백 개의 흩어진 자원들—예를 들어 수천 개의 가정용 배터리, 전기차, 히트 펌프 등—을 모아 하나의 거대하고 신뢰할 수 있는 발전소처럼 작동하도록 지시하는 "디지털 지휘자"라고 상상해 보십시오.

이 논문의 저자들은 두 가지 큰 질문에 답하고자 했습니다:

이 디지털 지휘자가 실패 없이 실제로 약속할 수 있는 비상 전력의 양은 얼마나 되는가?
그 약속을 제공하는 데 드는 비용은 얼마인가?

과제: "날씨" 문제

까다로운 점은 VPP 관리자가 실제 전력이 필요하기 전에(마치 내일 탈 택시를 미리 예약하는 것처럼) 이 약속을 해야 한다는 것입니다. 예약하는 시점에는 해가 얼마나 비칠지, 혹은 얼마나 많은 사람들이 전기차를 몰고 집으로 돌아올지 정확히 알 수 없습니다. 이것이 바로 "예측 불정성(forecasting uncertainty)"입니다.

만약 VPP가 너무 많은 전력을 약속했는데 해가 사라져 버린다면, 도시는 정전 사태에 직면할 수 있습니다. 반대로 너무 적게 약속한다면, 그들은 돈을 잃게 됩니다. 이 논문은 이를 계산하는 기존 방식들이 너무 위험하거나(잘못된 추측), 혹은 지나치게 조심스러워(과도한 방어) 비용이 많이 든다고 주장합니다.

해결책: 2단계 "스트레스 테스트"

저자들은 VPP의 강도를 테스트하는 새로운 방법인 두 단계의 과정을 만들었습니다.

1단계: "최악의 상황은 무엇인가?" 테스트 (한계점 찾기)
VPP가 안전하게 약속할 수 있는 전력량을 알아내기 위해, 그들은 **부분 시뮬레이션(Subset Simulation)**이라는 영리한 수학적 기법을 사용했습니다.

비유: 당신이 안개 낀 바다에서 가장 깊은 지점을 찾으려고 한다고 상상해 보십시오. 만약 단순히 무작위로 부표를 몇 개 던진다면(표준 컴퓨터 시뮬레이션), 그 깊은 지점을 완전히 놓칠 수도 있습니다.
기술: 이 방법은 무작위로 부표를 던지는 대신, 먼저 "어느 정도 깊은" 지점들을 찾는 것부터 시작합니다. 일단 그곳들을 찾으면, 오직 그보다 더 깊은 영역만을 집중적으로 탐색하고, 다시 그보다 더 깊은 곳을 찾는 식으로 나아갑니다. 즉, 전통적인 방식보다 훨씬 빠르게 극단적이고 드문 사건(예: 거대한 폭풍)을 찾아냅니다.
결과: 이를 통해 그들은 기존 방식보다 69% 적은 컴퓨터 계산량을 사용하여 99.9%의 신뢰도(즉, 1,000번 중 단 1번만 실패하는 수준)로 VPP가 약속할 수 있는 최대 전력을 계산해 냈습니다.

2단계: "가격표" 테스트 (비용 찾기)
한계를 파악한 후, 그들은 비용을 계산했습니다.

비유: 당신이 배송 트럭 함대를 소유하고 있다고 상상해 보십시오. 당신의 주요 업무는 물건을 배달하는 것(전력을 시장에 판매하는 것)입니다. 하지만 도시에서 비상 호출이 올 경우를 대비해, 당신은 일부 트럭을 대기 상태로 유지해야 합니다.
비용: 비용은 단순히 트럭을 운행하는 데 드는 연료비(명시적 비용)만이 아닙니다. 진짜 비용은 기회비 비용(Opportunity Cost), 즉 가장 비싼 시간대에 물건을 배달하지 못함으로써 잃게 된 수익입니다.
발견: 연구 결과, 예비력의 가격은 배터리나 발전기 자체의 비용이 아니라, 이러한 "잃어버린 기회"에 의해 주로 결정된다는 것을 발견했습니다.

발견한 내용

스위스의 한 실제 지역 네트워크를 대상으로 테스트한 결과, 다음과 같은 사실을 발견했습니다:

신뢰도는 절충 관계에 있다: 만약 당신이 "완벽한" 보증(99.9% 신뢰도)을 요구한다면, VPP는 더 적은 전력을 약속해야 합니다. 만약 약간의 위험을 감수할 용의가 있다면, VPP는 훨씬 더 많은 전력을 약속할 수 있습니다.
속도가 중요하다: VPP는 매우 빠르게(5분 이내) 대응할 수 있지만, 이는 태양광 패널이 충분히 빠르게 출력을 높이거나 낮출 수 있을 때만 가능합니다. 현재의 규칙들은 때때로 불필요하게 속도를 늦추곤 합니다.
시간대에 따라 다르다: 낮 시간대에는 해가 떠 있기 때문에 많은 전력을 제공할 수 있습니다(비상시를 대비해 태양광 패널의 출력을 줄여 전력을 아낄 수 있음). 밤에는 해가 없기 때문에, 배터리와 전기차에 의존해야 하며 이들의 한계로 인해 가용 전력이 크게 떨어집니다.
지속 시간이 중요하다: 만약 4시간 동안의 예비력을 요구한다면 낮 동안 찾기가 쉽습니다. 하지만 24시간 동안의 예비력을 요구한다면, VPP는 밤을 위해 전력을 저장해 두어야 하므로 오히려 낮 동안 약속할 수 있는 전력량이 줄어듭니다.

결론

이 논문은 VPP 관리자를 위한 새로운 "계산기"를 제공합니다. 이 도구는 VFF 관리자가 약속을 어기지 않으면서 얼마나 많은 비상 전력을 그리드에 안전하게 팔 수 있는지, 그리고 그 잃어버린 기회들을 보전하기 위해 얼마를 청구해야 하는지를 파악하도록 돕습니다. 또한, 적절한 도구만 있다면 이러한 작고 흩어진 자원들이 미래의 전력망을 위한 신뢰할 수 있는 안전망이 될 수 있음을 보여줍니다.

기술 요약: 신뢰성 및 비용 보증을 갖춘 가상 발전소(VPP)의 예비력 용량

문제 정의
재생 에너지원(RES) 및 분산 에너지 자원(DER)의 침투율 증가로 인해 전력 시스템이 변화하면서, 그리드 보안을 확보하기 위한 전력 예비력 보조 서비스에 대한 수요가 높아지고 있습니다. 가상 발전소(VPP)는 소규모 DER을 통합하여 이러한 서비스를 제공하는 해결책을 제시하지만, 기존의 평가 방법들은 두 가지 주요 한계점을 가집니다:

불충분한 불확실성 처리: 기존 방식은 예비력 가용성을 결정할 때 예측 불확실성(예: 발전량, 부하, EV 가용성 등)을 충분히 고려하지 못하는 경우가 많습니다. 이는 가용 용량을 과다 산정하게 만들어, 엄격한 신뢰도 요구사항(통상 >99%)을 충족하지 못하거나 부정확한 비용 산출로 이어질 수 있습니다.
시장 제품과의 불일치: 많은 연구가 예비력 용량의 대리 지표로 운전 가능 영역(Feasible Operating Region, FOR)을 활용합니다. 그러나 FOR는 표준화된 보조 서비스 제품의 기술적 요구사항(지속 시간, 램프 타임, 신뢰도)을 반영하지 못하며, 예비력 확보에 따른 비용 함의를 적절히 다루지 못합니다.

기존의 불확실성 모델링 기법(몬테카를로, 강건 최적화, 확률 제약 등)은 고신뢰도 분위수(quantile) 추정에 있어 계산적으로 지나치게 비용이 많이 들거나, 지나치게 보수적인 해를 도출하는 경향이 있습니다. 또한, 문헌상에는 최대 예비력 수량과 그와 관련된 기회비용을 포함한 공급 곡선을 동시에 정량화하는 포괄적인 프레임워크가 부족한 실정입니다.

방법론
저자들은 불확실성 하에서 VPP의 전력 예비력 제공 능력을 평가하고, 제품 공급 곡선(수량 대비 비용)을 특성화하는 새로운 2단계 방법을 제로합니다.

1단계: 최대 유연성 평가 (수량)
첫 번째 단계는 네트워크 제약, DER 운영 한계 및 제품 기술 요구사항(신뢰도, 램프 타임, 지속 시간)을 만족하면서 VPP가 제공할 수 있는 최대 예비 용량( $q_{p,max}$ )을 결정합니다.

최적화 모델: 혼합 정수 선형 계획법(MILP)을 사용하여 주어진 불확실한 파라미터 $z$ (예: 용량 계수, 주변 온도, EV 존재 여부, 부하)의 실현값에 대해 예비 용량 $g(z)$ 를 최대화합니다. 이 모델은 분산 발전기(DG), 히트 펌프(HP), 배터리 에너지 저장 장치(BESS), 전기차(EV)에 대한 제약을 적용하여 세 가지 상태(급전, 상향 예비력 활성화, 하향 예비력 활성화)를 시뮬레이션합니다.
불확실성 정량화: 고신뢰도 분위수(예: 0.1% ~ 1% 실패 확률) 추정에 필요한 계산적 어려움을 해결하기 위해, 저자들은 서브셋 시뮬레이션(Subset Simulation, SS) 기반의 분위수 추정기를 도입합니다. 직접 몬테카를로(Direct Monte Carlo, DMC) 방식과 달리, SS는 문제를 일련의 중첩된 조건부 분위수 추정 단계로 분해함으로써 희귀 사건에 대한 방대한 샘플 크스가 필요함에도 불구하고 계산 부하를 크게 줄이면서 정확도를 유지합니다.

2단계: 유연성 비용 평가 (공급 곡선)
두 번째 단계는 목표 수량에 따른 예비 제품의 비용을 특성화하여 공급 곡선을 생성합니다.

비용 최소화: 목표 수량 집합에 대해, 총 VPP 비용을 최소화하는 운영 최적화 문제를 수행합니다. 여기에는 명시적 비용(발전의 한계 비용, 배터리 열화, 온도 불편 페널티)과 에너지 시장 비용이 포함됩니다.
기회비용: 모델은 예비력 가용성을 보장하기 위해 최적의 에너지 시장 스케줄에서 벗어나야 함으로써 발생하는 기회비용을 명시적으로 고려합니다.
리스크 조정 가격 결정: 최종 제품 비용은 라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling)을 사용하여 비용 분포의 특정 분위수로 결정되며, 이를 통해 VPP 관리자가 가격 결정에 리스크 태도를 반영할 수 있도록 합니다.

사례 연구
본 방법론은 북부 스위스의 합성 저압 네트워크(97개 버스)를 기반으로 한 VPP에 적용되었습니다. 포트폴리오는 옥상 태양광(PV), 히트 펌프, BESS, EV를 포함하며, 2030년 예상 침투율을 반영합니다. 연구에서는 5분 램프 타임과 99.9% 신뢰도 요구사항을 가진 대칭형 4시간 예비 제품을 평가합니다.

주요 결과

신뢰할 수 있는 예비력 제공: 지정된 신뢰도 제약 조건 하에서 VPP는 최대 가능한 수량인 56.0 kW를 신뢰성 있게 제공할 수 있습니다.
계산 효율성: 서브셋 시뮬레이션 접근 방식은 동일한 분위수 추정기의 변동 계수(COV)를 달성하기 위해 직접 몬테카를로 방식보다 함수 호출 횟수를 69% 감소시켰습니다 (2,800개 샘플 vs 9,000개 샘플).
비용 동인: 공급 곡선은 단조 증가하며, 비용은 0.34에서 0.40 CHF/kW 사이입니다. 기회비용(최적의 에너지 시장 스케줄에서 벗어남에 따른 수익 손실)이 주요 비용 동인으로 식별되었으며, 명시적 DER 비용은 부차적인 역할을 합니다. 곡선은 제품 전달 기간 동안의 서로 다른 전기 가격 수준에 따라 뚜렷한 단계적 변화를 보입니다.
기술적 요구사항의 영향:
- 신뢰도: 더 엄격한 신뢰도 요구사항은 가용 예비량 수량을 크게 감소시킵니다.
- 램프 타임: 짧은 램프 타임(<4분)은 인버터 제한보다는 저압 네트워크 연결 규칙에 의해 용량이 제한됩니다.
- 지속 시간: 제품 지속 시간이 길어질수록 최대 가용 수량이 감소하는데, 이는 야간(저-PV 기간)에도 예비력을 필요로 하기 때문에 가용성이 낮에서 밤으로 이동하기 때문입니다.
- 시간대: 예비력 가용성은 PV 잉여 전력을 활용할 수 있는 낮 시간대에 가장 높습니다.

의의 및 주장
본 논문은 VPP 관리자가 시장 입찰 전략을 개발하고, 정책 입안자가 DER 중심의 보조 서비스 제품을 설계할 수 있도록 하는 실용적인 프레임워크를 제공한다고 주장합니다. 불확실성 하에서 네트워크 제약, 다양한 DER 포트폴리오, 엄격한 제품 사양을 통합함으로써, 본 방법론은 기존 방식보다 더 정확한 예비력 잠재력 평가를 제공합니다. 저자들은 이 접근 방식이 강건 최적화의 과도한 보수성과 표준 몬테카를로 방식의 계산 불가능성을 모두 피할 수 있음을 강조합니다. 연구는 제품 요구사항이 VPP의 예비력 제공 능력에 강력한 영향을 미친다는 결론을 내리며, 이는 시장 설계가 분산 자원의 특정 역량과 제약 조건에 맞게 조정되어야 함을 시사합니다.

과제: "날씨" 문제

해결책: 2단계 "스트레스 테스트"

발견한 내용

결론

유사한 논문