Adversarially and Distributionally Robust Virtual Energy Storage Systems via the Scenario Approach

이 논문은 "Adversarially and Distributionally Robust Virtual Energy Storage Systems via the Scenario Approach" (시나리오 접근법을 통한 적대적 및 분포 강건한 가상 에너지 저장 시스템) 라는 제목으로, 주차장에 주차된 전기차 (EV) 배터리를 집합하여 가상 에너지 저장 시스템 (VESS) 으로 운영하는 문제를 다룹니다. 저자들은 불확실한 EV 의 도착/출발 패턴과 상태 충전량 (SoC) 한계를 고려하여, 데이터 기반의 강건한 스케줄링 프레임워크를 제안합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Formulation)

• 배경: 주차장 관리자가 (PLM) 주차된 EV 배터리를 집합하여 프로슈머 (Prosumer) 커뮤니티에 가상 저장 서비스를 제공하고, 소매업자 (Retailer) 와 에너지 거래를 수행하는 시나리오를 가정합니다.
• 핵심 과제:
  1. 불확실성: EV 의 도착/출발 시간, 충전량 손실, 그리고 사용자 행동은 매일 변동성이 크며 확률 분포를 정확히 알기 어렵습니다.
  2. 경제성 vs 안전성: PLM 은 수익을 극대화하면서도 운영 안전 (충전량 제약 위반 방지) 을 보장해야 하는 트레이드오프를 관리해야 합니다.
  3. 데이터 신뢰도: 훈련 데이터는 노이즈, 적대적 공격 (Adversarial Perturbations), 또는 배포 시의 분포 변화 (Distributional Shift) 로 인해 왜곡될 수 있어 기존 확률론적 방법만으로는 신뢰할 수 없습니다.
• 수학적 모델: PLM 은 소매업자와의 에너지 거래 ($r_k$) 와 가상 배터리 충전량 ($b_k$) 을 결정하여 비용을 최소화 (수익 극대화) 하되, EV 의 예상 손실 ($\ell_k$) 과 용량 한계 ($\beta_k$) 를 만족해야 합니다. 이는 불확실한 파라미터를 가진 볼록 최적화 문제로 정의됩니다.

2. 제안된 방법론 (Methodology)

저자들은 시나리오 최적화 (Scenario Optimization) 를 기반으로 한 데이터 기반 접근법을 제시하며, 이를 세 단계로 확장합니다.

1. 기본 시나리오 기반 접근 (Data-Driven Scenario Approach):

   • 과거 데이터 샘플을 사용하여 제약 조건을 근사화합니다.
   • 유한 표본 보장 (Finite-sample Guarantees): 분포에 무관하게 (Distribution-free), 제약 조건 위반 확률이 특정 수준 이하일 것이라는 사전 (A-priori) 및 사후 (A-posteriori) 보장을 제공합니다.
   • 프로필 - 리스크 트레이드오프: 제약 조건 위반을 허용하는 완화 변수 ($\xi$) 와 페널티 가중치 ($\rho$) 를 도입하여, PLM 이 경제적 성과와 운영 안전성 사이의 균형을 명시적으로 조절할 수 있게 합니다.

2. 적대적 강건성 (Adversarial Robustness):

   • 훈련 데이터가 노이즈나 적대적 공격으로 오염되었을 경우를 대비합니다.
   • 각 데이터 샘플 주변에 신뢰 영역 (Trust-region, $A_{\ell, \beta}$) 을 정의하고, 이 영역 내의 모든 가능한 왜곡된 데이터에 대해 제약 조건이 만족되도록 최적화합니다.
   • 이를 통해 데이터가 약간 변형되더라도 최적 해가 유효하도록 보장합니다.

3. 분포 강건성 (Distributional Robustness):

   • 훈련 데이터 분포와 실제 운영 데이터 분포가 다를 수 있는 분포 이동 (Distributional Shift) 문제를 해결합니다.
   • Wasserstein 거리를 사용하여 분포 간의 유사성을 측정하고, 이를 기반으로 불확실성 집합 (Ambiguity Set) 을 정의합니다.
   • 이 집합 내의 모든 가능한 분포에 대해 제약 위반 확률이 보장되도록 합니다.

3. 주요 기여 (Key Contributions)

1. 통합 볼록 모델 제안: PLM 이 EV 배터리 집합을 통해 프로슈머에게 서비스를 제공하고 소매업자와 거래하는 통합적인 볼록 최적화 모델을 수립했습니다. 이 모델은 불확실한 EV 출발 손실과 시간별 충전량 상한을 모두 포괄합니다.
2. 데이터 기반의 조절 가능한 안전성 보장: 시나리오 최적화와 완화 (Relaxation) 기법을 결합하여, PLM 이 $\rho$ (페널티 가중치) 를 조절함으로써 수익과 위험 (제약 위반) 사이의 균형을 명시적으로 취할 수 있는 메커니즘을 개발했습니다. 이는 유한 표본에 대한 이론적 보장을 제공합니다.
3. 적대적 및 분포 강건성 확장: 최근 연구 [23] 를 바탕으로, 훈련 데이터의 적대적 교란과 Wasserstein 분포 이동을 모두 고려한 모델을 확장했습니다. 이는 배포 환경에서 데이터가 훈련 데이터와 다르거나 손상되었을 때도 시스템의 안전성을 보장하는 강건성 증명서 (Robustness Certificates) 를 제공합니다.

4. 수치 실험 및 결과 (Numerical Results)

• 시나리오: 다양한 샘플 수 ($N=500, 1000, 2000$) 와 신뢰 반경 ($R$), 분포 이동 파라미터 ($\mu$) 를 사용하여 시뮬레이션 수행.
• 결과:
  • 수익 - 위험 트레이드오프: 가중치 $\rho$ 를 조절하여 PLM 이 원하는 수준의 안전성을 확보하면서도 수익을 최적화할 수 있음을 확인했습니다.
  • 이론적 보장과 실제 위반율의 일치: 제안된 이론적 위반 한계 (Theoretical Bound) 와 실제 테스트 데이터에서 관측된 위반율이 잘 일치함을 보였습니다.
  • OOD (Out-of-Distribution) 성능: 분포 이동이 있는 테스트 데이터에서, 적대적 훈련을 거친 강건 정책 (Robust Policy) 은 기존 비강건 정책 (Nominal Policy) 보다 훨씬 낮은 위반율을 보였습니다. 특히 $N=2000$ 일 때 강건 정책은 이론적 위험 수준을 유지했으나, 비강건 정책은 이를 크게 초과했습니다.
  • 신뢰 반경 ($R$) 의 영향: 데이터에 대한 불신 ($R$) 이 커질수록 위반 확률은 감소하지만 비용은 증가하는 경향을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 가치: 이 연구는 EV 충전 인프라를 활용한 가상 저장소 운영에 있어, 데이터의 불확실성과 잠재적 위협 (노이즈, 공격, 분포 변화) 에 대해 이론적으로 검증된 안전성을 제공하는 최초의 체계적인 프레임워크 중 하나입니다.
• 운영자 지원: 주차장 관리자가 데이터의 품질과 미래의 불확실성에 따라 안전성과 수익성 사이의 균형을 과학적으로 조절할 수 있는 도구를 제공합니다.
• 미래 전망: 향후 연구에서는 사용자 중심의 EV 배터리 수명 고려, 대규모 주차장 간 상호작용 모델링, 그리고 실제 현장 배포를 위한 온라인 파라미터 조정 (Recalibration) 등을 포함할 계획입니다.

요약하자면, 이 논문은 시나리오 최적화를 기반으로 하여 불확실성, 적대적 공격, 분포 변화에 모두 강건한 가상 에너지 저장 시스템을 설계하는 방법을 제시하며, 이를 통해 이론적 보장 하에 운영 리스크를 정량화하고 조절할 수 있음을 증명했습니다.