⚡ electrical engineering

Nonparametric Kernel Regression for Coordinated Energy Storage Peak Shaving with Stacked Services

이 논문은 예측에 의존하지 않고 역사적 데이터를 기반으로 한 비모수 커널 회귀 모델을 통해 상업용 건물의 에너지 저장 시스템이 피크 부하 절감과 에너지 차익 거래를 동시에 최적화하여 비용을 절감하고 배터리 수명을 연장하는 2 단계 제어 프레임워크를 제안합니다.

원저자: Emily Logan, Ning Qi, Bolun Xu

게시일 2026-02-19

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Emily Logan, Ning Qi, Bolun Xu

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

🏢 문제 상황: "전기세 폭탄"과 "배터리라는 작은 창고"

상업용 빌딩은 전기를 많이 쓰는데, 전기요금은 두 가지로 나뉩니다.

사용량 요금: 얼마나 썼는지 (물처럼 쓴 만큼 내는 것).
최대 수요 요금: 한 달 중 가장 많이 쓴 순간의 전력 사용량에 비례해서 내는 거액의 요금입니다. (이게 훨씬 비쌉니다!)

빌딩 주인은 이 '최대 수요 요금'을 피하기 위해 **배터리 (저장고)**를 설치합니다. 전기가 많이 필요할 때 배터리를 꺼내 쓰고, 전기가 적게 필요할 때 배터리를 채워두는 거죠.

하지만 여기서 두 가지 고민이 생깁니다.

고민 1 (피크 쉐이빙): 언제 전기가 많이 필요할지 정확히 모르는데, 배터리가 방전되어 버리면 그 순간에 전기세 폭탄을 맞게 됩니다.
고민 2 (에너지 차익 거래): 배터리가 남는 시간에 전기를 싼 때 사서 비쌀 때 팔아서 돈을 벌고 싶은데, 너무 많이 쓰면 '최대 수요 요금'을 피할 배터리가 부족해집니다.

기존 방법들은 "내일 날씨가 어떨지, 전기 사용량이 어떻게 될지"를 **예측 (Forecast)**해서 배터리를 조절하려 했습니다. 하지만 예측은 틀리기 마련이고, 복잡한 계산을 하느라 배터리를 제대로 활용하지 못하거나, 배터리가 너무 빨리 닳는 문제가 있었습니다.

💡 이 논문의 해결책: "과거의 경험을 바탕으로 한 똑똑한 두 단계 전략"

이 논문은 "예측하지 않고, 과거 데이터를 바탕으로 바로 대응하는" 새로운 방법을 제안합니다. 마치 숙련된 요리사가 레시피를 외운 게 아니라, 손님의 입맛과 과거의 경험을 보고 바로 요리를 조절하는 것과 같습니다.

이 방법은 **두 단계 (2-Stage)**로 나뉩니다.

1 단계: "비상용 식량" 확보하기 (핵심: 커널 회귀)

비유: 배터리를 '비상용 식량 창고'라고 생각하세요.
작동 원리: 이 시스템은 과거 6 년간의 빌딩 전기 사용 데이터를 뒤적여 봅니다. "오늘처럼 날씨가 덥고 월요일인 날에는 보통 오후 2 시에 전기가 많이 쓰였지?"라고 유사한 과거 패턴을 찾아냅니다.
핵심 기술 (커널 회귀): 과거의 비슷한 날들을 찾아내어, "오늘은 이 정도만큼 배터리를 남겨두어야 (SoC Reserve) 나중에 전기세 폭탄을 피할 수 있겠다"는 안전선을 그립니다.
장점: 미래를 예측해서 틀릴 필요 없이, "과거에 비슷한 상황에서 어떻게 했었나?"를 보고 보수적으로 배터리를 확보합니다.

2 단계: "남은 식량"으로 부업하기 (에너지 차익 거래)

비유: 비상용 식량을 확보하고 남은 식량은 '부업'에 씁니다.
작동 원리: 1 단계에서 "최대 수요 요금을 피하기 위해 이만큼은 꼭 남겨둬야 한다"고 정하면, 남은 배터리 용량은 전기 가격이 쌀 때 사서 비쌀 때 파는 '부업 (차익 거래)'에 사용합니다.
결과: 전기세 폭탄은 피하면서, 남는 배터리로 추가 수익도 챙깁니다.

🚀 왜 이 방법이 더 좋은가요?

이 연구는 뉴욕의 한 35 층 빌딩을 대상으로 실험했습니다. 결과는 다음과 같습니다.

예측보다 정확함: 미래를 예측하는 기존 AI 방법보다 1.3 배 더 좋은 성능을 보였습니다. 예측이 틀려서 당황할 필요가 없기 때문입니다.
배터리 수명 보호: 무작정 배터리를 많이 쓰지 않고, 필요한 때만 필요한 만큼 쓰므로 배터리가 빨리 닳지 않습니다.
실시간 대응: 날씨가 갑자기 변하거나 예상치 못한 행사로 전기가 많이 쓰여도, 과거의 유사한 패턴을 찾아 바로 대응합니다.

📝 한 줄 요약

**"미래를 예측해서 실수하는 대신, 과거의 똑똑한 경험을 바탕으로 '비상용 배터리'를 먼저 확보하고, 남은 배터리로 부업을 하여 전기세를 아끼고 배터리도 오래 쓰는 방법"**입니다.

이 기술은 복잡한 계산 없이도 빌딩 주인이 전기세를 크게 줄이고, 배터리를 오래 쓸 수 있게 도와주는 현실적이고 경제적인 해결책입니다.

논문 요약: 비모수 커널 회귀를 활용한 계층형 서비스 조정이 있는 에너지 저장장치 (ESS) 피크 컷팅

1. 문제 정의 (Problem Definition)

배경: 상업용 건물의 전기 요금은 실시간 전력 사용량 요금과 월간 피크 수요 요금 (Peak Demand Charge) 으로 구성되며, 후자가 비용의 대부분을 차지합니다. 이를 해결하기 위해 계량기 뒤 (Behind-the-meter) ESS 를 활용한 피크 컷팅 (Peak Shaving) 이 필수적입니다.
도전 과제:
- 피크 컷팅은 월 단위 불확실성 하에서 의사결정을 해야 하므로 예측이 어렵습니다.
- 기존 방법론 (회귀, 신경망, 확률적 제약 모델 등) 은 장기 예측이 필요하거나 계산 비용이 매우 높습니다.
- 피크 컷팅과 에너지 차익 거래 (Arbitrage) 와 같은 여러 서비스 (Stacked Services) 를 동시에 최적화할 때, 목표 간 상충 관계로 인해 제어 전략이 복잡해집니다.
목표: 예측에 의존하지 않으면서도 피크 컷팅과 차익 거래를 조율하여 전기 요금을 절감하고 배터리 수명을 연장하는 경량화된 온라인 제어 프레임워크 개발.

2. 방법론 (Methodology)

저자들은 피크 컷팅과 차익 거래 문제를 **2 단계 최적화 (Two-stage Optimization)**로 분해하는 엔드 - 투 - 엔드 프레임워크를 제안합니다.

2 단계 최적화 분해 (Theoretical Decomposition):
- 피크 수요 요금 ( $\kappa$ ) 이 에너지 비용 ( $\lambda, c$ ) 보다 훨씬 크다는 사실에 기반합니다.
- 1 단계 (피크 컷팅): 피크 수요를 최소화하고, 이를 달성하기 위해 필요한 충전 상태 (SoC) 예비량 (Reserve) 궤적을 결정합니다. 이때 SoC 를 낮게 유지하는 작은 항 ( $\delta$ ) 을 목적 함수에 추가하여 해를 유일하게 만듭니다.
- 2 단계 (차익 거래): 1 단계에서 결정된 피크 목표 ( $p^*$ ) 와 SoC 하한선 ( $e^*$ ) 을 제약 조건으로 사용하여, 남은 배터리 용량으로 에너지 차익 거래 수익을 극대화합니다.
- 정리: 이론적으로 $\kappa \gg \lambda, c$ 일 때, 이 2 단계 접근법은 원래의 결합 최적화 문제와 동치임을 증명했습니다.
비모수 커널 회귀 (Nonparametric Kernel Regression) 기반 예측:
- 데이터 기반 접근: 미래 수요 예측 대신 과거 수요 패턴과 배터리 특성을 학습하여 직접 SoC 예비량 및 피크 목표를 예측합니다.
- 학습 데이터 생성: 과거 데이터에 대해 1 단계 최적화를 수행하여 '사후 최적 (Hindsight-optimal)' SoC 궤적과 피크 목표를 생성합니다.
- 특징 벡터: 최근 $T$ 시간대의 수요 데이터, 시간대 (sin/cos 벡터) 를 입력으로 사용합니다.
- $\alpha$ -신뢰도 커널 회귀: 현재 입력과 가장 유사한 $K$ $K$ 개의 과거 이웃 (KNN) 을 찾은 후, 가중치 평균을 계산합니다.
  - SoC 예비량: 불확실성을 고려하기 위해 신뢰도 수준 ( $\alpha$ ) 을 적용하여 보수적인 (Conservative) SoC 값을 예측합니다.
  - 피크 목표: 단순 가중 평균을 사용하여 예측합니다.
실시간 제어 (Real-Time Control):
- 예측된 SoC 예비량과 피크 목표를 기반으로 배터리의 충전/방전 스케줄을 결정합니다.
- 피크 컷팅을 위한 예비량을 먼저 확보한 후, 남은 용량으로 차익 거래 알고리즘을 실행합니다.

3. 주요 기여 (Key Contributions)

분해된 제어 공식화: 피크 컷팅에 필요한 SoC 예비량을 먼저 결정하고, 나머지 용량을 다른 서비스에 할당하는 2 단계 최적화 구조를 제시하여 문제를 단순화했습니다.
커널 회귀 기반 예측: 수요 예측 모델 없이 역사적 데이터와 커널 회귀를 통해 SoC 예비량과 피크 목표를 직접 예측하는 데이터 중심 알고리즘을 개발했습니다.
피크 컷팅과 차익 거래의 통합: 예측된 SoC 궤적을 기반으로 두 서비스를 분리하여 관리함으로써 총 전기 요금을 절감하고 불필요한 배터리 사이클링을 줄였습니다.
실증 평가: 뉴욕시 상업용 빌딩의 6 년간 데이터를 활용한 시뮬레이션을 통해 기존 예측 기반 방법론 대비 성능 우위를 입증했습니다.

4. 실험 결과 (Results)

데이터: 뉴욕시 35 층 상업용 빌딩 (2019~~2023 년 학습, 2024 년 테스트). 배터리 용량은 0.1~~1.0 MW 범위에서 테스트.
성능 비교:
- 비용 절감: 제안된 커널 회귀 기반 제어기는 완벽한 예측 (Perfect Foresight) 기준의 비용 절감 효과의 **38.1% ~ 58.5%**를 달성했습니다.
- 기존 방법 대비 우위: 기존 수요 예측 (XGBoost 기반) 모델은 33.0% ~ 39.8% 의 절감 효과만 보였으며, 제안된 방법은 모든 배터리 크기에서 1.3 배 더 나은 성능을 보였습니다.
- 피크 관리: 커널 회귀 제어기는 대부분의 월간 피크 수요를 효과적으로 낮추었으며, 예측 모델보다 더 안정적인 피크 관리 능력을 입증했습니다.
배터리 사이클링:
- 완벽한 예측 (Deterministic) 은 일일 최대 사이클 (연간 약 346~366 회) 을 사용하여 비용을 극대화했으나, 배터리 마모가 큽니다.
- 제안된 커널 회귀 방법은 연간 약 76~126 회 사이클링으로, 비용 절감과 배터리 수명 연장 사이의 균형을 잘 맞췄습니다.

5. 의의 및 결론 (Significance)

예측 불필요: 고비용의 장기 수요 예측 모델 없이도 역사적 데이터 패턴을 학습하여 실시간으로 적응 가능한 제어가 가능합니다.
계산 효율성: 복잡한 확률적 최적화나 동적 프로그래밍 대신 경량화된 커널 회귀와 2 단계 최적화를 사용하여 실시간 적용이 용이합니다.
실용성: 상업용 건물과 같은 소규모 사업체에서도 비용 효율적인 피크 컷팅과 추가 서비스 (차익 거래 등) 를 동시에 수행할 수 있는 실용적인 솔루션을 제공합니다.
향후 과제: 커널 회귀 모델의 성능 향상 및 주파수 조정 (Frequency Regulation) 과 같은 추가 서비스 통합이 계획되어 있습니다.

이 논문은 불확실성이 높은 환경에서 ESS 를 운영할 때, 예측 오차에 민감한 기존 방법론의 한계를 극복하고 데이터 기반의 견고한 제어 전략을 제시했다는 점에서 의의가 큽니다.