기술 요약: 전력 시장 내 소비자 에너지 자원 어그리게이터의 문맥 인식형 확률론적 모델링

1. 문제 정의

태양광 발전(PV) 및 배터리 에너지 저장 장치(BES)와 같은 소비자 에너지 자원(CER)을 관리하는 어그리게이터는 발전 및 부하 예측의 내재된 불확실성으로 인해 상당한 어려움에 직면해 있습니다. 이러한 불확실성은 적절히 관리되지 않을 경우, 전력 시장(특히 호주 국가 전력 시장, NEM) 참여 시 실행 불가능한 급전 결정이나 상당한 수익 손실로 이어질 수 있습니다.

핵심 문제는 어그리게이터를 위한 에너지 및 조절 주파수 제어 예비력(FCAS) 입찰 전략을 최적화하는 것입니다. 어그리게이터는 불확실성이 실현되기 전("here-and-now" 단계, 전일 단계)에 입찰을 확정해야 하며, 동시에 예측 오차를 보상할 수 있는 실시간 조정("wait-and-see" 단계)이 시장 약속을 위반하지 않도록 보장해야 합니다. 주요 과제는 다음과 같습니다:

• 확장성(Scalability): BES를 포함한 확률론적 최적화 문제를 해결하는 것은 시간적 결합 제약, 상보성 제약(충전과 방전의 상호 배타성), 그리고 다중 서비스의 공동 최적화 필요성으로 인해 계산적으로 매우 어렵습니다.
• 문맥 민감성(Context Sensitivity): 기존 문헌은 특정 운영 설정, 불확실성 특성 또는 의사결정 선호도에 근거한 정당화 없이 확률론적 방법(위험 중립, 강건 또는 확률 제약)을 적용하는 경우가 많으며, 이는 잠재적으로 하위 최적의 결과를 초래할 수 있습니다.
• 급전 준수(Adherence to Dispatch): 어그리게이터는 금융 패널티를 피하고 특히 FCAS 약속에 대한 계약 해지를 방지하기 위해 총괄 급전 일치성(Aggregate Dispatch Conformance, ADC)을 유지해야 합니다.

2. 방법론

본 논문은 이러한 과제를 해결하기 위해 2단계 확률적 최적화 프레임워크를 제안합니다. 어그리게이터는 유연한 자산(PV, BES, 부하)을 제어하며 에너지 및 조절 FCAS(상승/하강) 시장에 참여하는 소매업자이자 공급자 역할을 수행합니다.

A. 최적화 정식화

세 가지 뚜렷한 2단계 확률적 접근 방식이 혼합 정수 선형 계획법(MILP) 또는 선형 계획법(LP)으로 모델링됩니다:

1. 위험 중립 확률적 최적화(Risk-Neutral Stochastic Optimization): 불확실한 매개변수(PV 및 부하 예측 오차)의 확률 분포에 대해 기대 이익을 최대화합니다. 여기에는 실시간 ADC 위반에 대한 패널티 항이 포함됩니다.
2. 강건 최적화(Robust Optimization): 확률 분포를 요구하지 않고, 정의된 불확실성 집합(box uncertainty) 내에서 최악의 실현 사례에 대해 이익을 최대화합니다. 이는 집합 내의 모든 시나리오에 대해 실행 가능성을 보장합니다.
3. 확률 제약 확률적 최적화(Chance-Constrained Stochastic Optimization): 축소된 불확실성 집합에 대해 최적화하며, 작은 사전 정의된 확률($\epsilon$)의 제약 위반을 허용합니다. 이는 수익성과 리스크 사이의 균형을 맞춥니다.

B. 솔루션 접근 방식 및 확장성

연속적 불확실성의 무한 차원성과 대규모 시나리오 세트를 처리하기 위해 저자들은 다음을 채택합니다:

• 시나리오 생성: 예측 오차는 자기회귀(AR) 모델을 사용하여 모델링되며, 시간적 상관관계를 포착하기 위해 마르코프 연쇄 몬테카를로(MCMC) 방법을 통해 생성됩니다.
• 아핀 리코스 정책(Affine Recourse Policies): 계산 복잡성을 줄이기 위해, 2단계 결정은 1단계 결정 및 불확실한 매개변수의 선형 함수($y_\xi = y + d^\top \xi$)로 근사됩니다.
• 상보성 제약 처리: 비선형 조건인 $P_{c} \cdot P_{d} = 0$ (충전과 방전은 동시에 발생할 수 없음)은 다음과 같이 처리됩니다:
  • Fortuny-Amat 변환: 이진 변수를 사용하여 MILP로 재정식화합니다 (정확하지만 대규모 시나리오 세트에서 계산량이 많음).
  • LP 완화(LP Relaxation): 이진 변수를 제거하고, 목적 함수에 충전/방전 동시 발생을 억제하는 패널티 항을 추가합니다.
  • McCormick 포락선(McCormick Envelopes): 보조 변수를 사용하는 볼록 완화 접근 방식입니다.
• 확률 제약 처리: 샘플링된 시나리오의 수를 줄여 유도된 최소 부피 불확실성 집합에 대한 강건 제약으로 확률 제약을 재정식화하는 "확률적 강건(probabilistically robust)" 접근 방식이 사용됩니다.

3. 주요 기여

본 논문은 두 가지 주요 기여를 합니다:

1. 문맥 인식형 방법 선택(Context-Aware Method Selection): NEM 내 CER 어그리게이터를 위한 위험 중립, 강건, 확률 제약 방법 간의 종합적인 비교를 제공합니다. 이는 최적의 방법 선택을 운영 설정(BES 용량, 시장 가격), 불확식성 특성(예측 오차 수준), 의사결정 선호도(리스크 허용도)를 포함한 특정 문맥과 연결합니다.
2. 확장 가능한 모델링 전략(Scalable Modeling Strategies): 다음을 통해 확률적 정식화의 확장성을 향상시킵니다:
   • 정밀한 충전 상태(SoC) 역학 및 상보성 제약을 통한 BES 유연성 포착.
   • 대규모 CER 집합에 대한 차원 축소.
   • LP 완화 및 아핀 리코스 정책이 정확도와 계산 시간 사이의 실질적인 트레이드오프를 제공함을 입증.

4. 실험 결과 및 검증

방법론은 Ausgrid 네트워크(PV, 부하, BES가 있는 300가구)의 실제 데이터와 2012년 7월 1일의 NEM 시장 데이터를 사용하여 검증되었습니다. 실험은 세 가지 문맥에서 수행되었습니다:

• 운영 및 시장 설정:

  • 불확실성이 정확히 포착되고 BES 용량이 충분할 때, 위험 중립 방법이 기대 실현치를 최적화함으로써 다른 방법들보다 일관되게 우수한 성능을 보입니다.
  • 제한된 BES 용량 하에서는 보수적인 방법들(강건 및 확률 제약)이 극단적인 시나리오를 위해 유연성을 유보하기 때문에 수익 감소(때로는 음수)를 겪습니다. 위험 중립 방법은 이러한 시나리오에서도 더 높은 수익성을 유지합니다.
  • 에너지 및 FCAS 시장의 공동 참여는 모든 방법에서 수익을 크게 증가시킵니다.

• 불확실성 특성:

  • 실제 전력 미스매치가 작을 때(불확실성이 정확히 포착되었을 때), 위험 중립 방법이 가장 우수합니다.
  • 불확실성이 부정확하게 포착되거나 미스매치가 클 때(예: 실제 부하가 예측보다 훨씬 높을 때), 강건 및 확률 제약 방법이 위험 중립 접근 방식보다 우수한 성능을 보입니다. 이는 극단적인 편차를 처리하고 심각한 패널티를 피하는 능력이 있기 때문입니다.
  • 강건 방법은 높은 위반에 대해 가장 강력한 보호를 제공하는 반면, 확률 제약 방법은 수익성과 제약 위반의 통제된 리스크 사이의 균형을 제공하며, 패널티 비용이 낮을 때 종종 강건 방법보다 우수한 성과를 보입니다.

• 의사결정 선호도:

  • 아핀 리코스 정책의 사용은 훈련 및 테스트 단계 모두에서 계산 시간을 크게 단로하면서도 이익에 미치는 영향은 미미하여, 빠른 솔루션 시간이 필요한 시나리오에 적합함을 보여줍니다.

• 확장성 결과:

  • BES 상보성 제약에 대한 패널티 기반 LP 완화는 정확한 MILP 정식화와 거의 동일한 수익을 달면서도 계산 시간을 크게 단축하여 가장 실용적인 트레이드오프를 제공하며, 상호 배타성 위반은 무시할 만한 수준입니다.

5. 의의 및 주장

본 논문은 CER 어그리게이터를 위한 확률적 최적화 방법의 선택이 반드시 **문맥 인식적(context-aware)**이어야 한다고 주장합니다. 단 하나의 "최선의" 방법은 없으며, 최적의 선택은 특정 운영 환경과 리스크 프로필에 따라 달라집로:

• 위험 중립 방법은 일반적인 시장 조건 하에서 불확실성이 정확하게 모델링될 때 권장되며, 이는 기대 이익을 최대화합니다.
• 강건 방법은 불확실성이 높거나 부정확하게 모델링되어 큰 전력 미스매치가 발생할 가능성이 높을 때 적합하며, 강력한 패널티 방어력을 제공합니다.
• 확률 제약 방법은 수익성과 제약 위반의 통제된 리스크 사이의 균형을 원할 때 선호됩니다.

본 연구는 사용 사례의 문맥을 무시하는 것이 실행 불가능한 문제나 수익 손실을 초래할 수 있음을 강조합니다. 또한, 제안된 확장 가능한 모델링 전략(LP 완화 및 아핀 리코스)은 이러한 복잡한 확률론적 모델을 대규모 집합에 실시간 시장에서 실제로 적용할 수 있게 합니다.