Demand Response Under Stochastic, Price-Dependent User Behavior

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 전력 계통의 안정성 유지를 위해 전력회사 (Utility) 는 피크 부하 시나 전압 위반과 같은 극한 운영 조건을 관리하기 위해 수요 반응 (DR, Demand Response) 프로그램을 활용합니다. 특히 간접적 부하 제어 (Indirect Load Control) 방식인 실시간 가격 기반 DR 이 주목받고 있습니다.
• 기존 접근법의 한계:
  • 기존의 DR 모델은 가격과 소비량 간의 관계를 **결정론적 (Deterministic)**이고 합리적인 사용자 행동으로 가정합니다.
  • 그러나 실제 사용자 반응은 날씨, 거주 패턴, 가전제품 가용성 등 다양한 외부 요인과 개인의 심리적 요인에 의해 영향을 받으며, 본질적으로 **불확실성 (Uncertainty)**을 내포합니다.
  • 기존 확률론적 모델은 단순히 고정된 노이즈를 추가하는 방식을 사용했으나, 이는 가격이 변함에 따라 사용자의 반응 민감도 (탄력성) 가 변한다는 사실 (가격 의존적) 을 반영하지 못했습니다.
• 핵심 문제:
  • 사용자 반응에 대한 **인지적 불확실성 (Epistemic Uncertainty)**이 존재하여, 정확한 민감도 파라미터 ($\beta$) 를 사전에 추정하기 어렵습니다.
  • 이로 인해 개방 루프 (Open-loop) 방식의 모델 기반 DR 전략은 실제 적용 시 제약 조건 위반이나 비효율적인 결과를 초래할 수 있습니다.

2. 제안된 방법론 (Methodology)

이 논문은 **의사결정 의존적 분포 (Decision-Dependent Distributions)**를 가진 확률론적 최적화 이론을 기반으로 한 새로운 프레임워크를 제안합니다.

A. 모델링

• 가격 의존적 확률 변수: 사용자 반응 ($w_n$) 을 고정된 노이즈가 아닌, 가격 조정 ($x_n$) 에 따라 분포가 변하는 확률 변수로 모델링합니다 ($w_n \sim D_n(x_n)$).
• 선형화된 평균 모델: 작은 가격 변화에 대해 사용자의 평균 반응은 선형적으로 감소한다고 가정합니다 ($\mu_n(x_n) = \delta_n - \beta_n x_n$). 여기서 $\beta_n$은 가격 민감도입니다.
• 최적화 문제: 유틸리티의 비용 최소화 및 전력 흐름 제약 조건 ($p_0 \le p_{ref}$) 만족을 목표로 하는 확률론적 최적화 문제를 설정합니다.

B. 알고리즘: Stochastic Inexact Performative Optimum (Stochastic InPO)

기존의 모델 기반 알고리즘 (PO, InPO, PS) 의 한계를 극복하기 위해 실시간 피드백 기반 알고리즘을 제안합니다.

1. 개념: 퍼포머티브 최적화 (Performative Optimization) 와 정규화된 라그랑주 승수법, 그리고 피드백 기반 원 - 쌍대 (Primal-Dual) 알고리즘을 결합합니다.
2. 동작 원리:
   • 개방 루프 의존성 제거: 정확한 민감도 ($\beta$) 를 알 필요 없이, 계통의 실제 측정값 (전력 흐름 $p_0(t)$) 을 피드백으로 활용합니다.
   • 반복 업데이트:
     • 가격 업데이트 ($x$): 추정된 민감도 ($\hat{\beta}$) 를 사용하여 그래디언트 하강법을 수행하되, 제약 조건 위반에 대한 라그랑주 승수 ($\lambda$) 를 통해 보정합니다.
     • 승수 업데이트 ($\lambda$): 실제 측정된 전력 오차 ($p_0(t) - p_{ref}$) 를 사용하여 라그랑주 승수를 실시간으로 조정합니다.
3. 특징: 계통의 비선형성이나 불완전한 모델 정보를 실시간 측정 데이터로 보정하여, 불확실성 하에서도 제약 조건을 만족하도록 유도합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 모델링 프레임워크: 사용자 반응을 가격에 의존하는 확률 변수로 모델링하여, 기존 결정론적 모델의 단순함을 극복하고 불확실성을 체계적으로 다룹니다.
2. 강건한 피드백 제어 전략: 민감도 파라미터 ($\beta$) 의 추정 오차가 있더라도, 실시간 계통 측정 데이터를 활용한 피드백 메커니즘을 통해 운영 제약 조건 (전력 흐름 제한) 을 만족시키는 알고리즘을 개발했습니다.
3. 이론적 증명: 제안된 알고리즘의 **수렴성 (Convergence)**과 **근사 최적성 (Near-optimality)**을 수학적으로 증명했습니다.
   • 정적 부하 환경과 동적 부하 환경 (시간에 따라 변하는 비조절 가능 부하) 모두에서 오차 한계를 규명했습니다.
   • 민감도 추정 오차와 확률론적 노이즈가 알고리즘 성능에 미치는 영향을 정량화했습니다.

4. 실험 결과 (Results)

IEEE 37 버스 계통을 기반으로 한 수치 시뮬레이션 (300 회 몬테카를로 시뮬레이션) 을 통해 알고리즘을 검증했습니다.

• 비교 대상:
  • PO (Performative Optimum): 완벽한 분포 정보를 가정 (이상적 기준).
  • InPO (Inexact PO): 추정된 민감도 사용 (개방 루프).
  • PS (Performative Stable): 균형점 수렴 (제약 조건 고려 부재).
  • Stochastic InPO (제안): 추정 민감도 + 실시간 피드백.
• 결과 분석:
  • 제약 조건 만족: PS 와 InPO 는 민감도 오차나 제약 조건 미반영으로 인해 목표 전력 ($p_{ref}$) 을 달성하지 못했습니다. 반면, Stochastic InPO 는 민감도 추정치가 부정확하더라도 피드백을 통해 목표 전력에 근접하게 조절하여 제약 조건을 성공적으로 만족시켰습니다.
  • 운영 비용: PS 와 InPO 는 제약 조건을 위반하여 비용이 낮게 나타났으나, 이는 시스템 안정성을 해친 결과입니다. Stochastic InPO 는 PO 에 비해 약간 높은 비용을 보였으나, 제약 조건을 만족하는 범위 내에서 근사 최적 (Near-optimal) 성능을 발휘했습니다.
  • 동적 부하 환경: 부하가 시간에 따라 변하는 시나리오에서도 Stochastic InPO 는 다른 알고리즘들보다 뛰어난 강건성 (Robustness) 을 보여주며 전력 흐름을 안정적으로 제어했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 이 연구는 실제 전력 계통에서 사용자 행동의 불확실성과 모델 오차가 존재하는 상황에서도, 완벽한 정보 없이도 실시간 피드백을 통해 DR 을 성공적으로 구현할 수 있음을 입증했습니다.
• 기술적 전환: 기존의 "모델 기반 예측 (Model-based Prediction)" 중심의 DR 에서 "데이터 기반 피드백 (Data-driven Feedback)" 중심의 DR 로의 패러다임 전환을 제안합니다.
• 미래 전망: 분산 에너지 자원의 증가와 전력 계통의 복잡성이 심화되는 상황에서, 제안된 확률론적 피드백 제어 전략은 더욱 유연하고 안정적인 스마트 그리드 운영을 위한 핵심 기술로 평가됩니다.

요약하자면, 이 논문은 불확실한 사용자 반응을 확률론적으로 모델링하고, 실시간 계통 피드백을 활용하여 민감도 추정 오차에도 불구하고 전력 계통의 안전 제약 조건을 만족시키는 DR 알고리즘을 제안하고 이론적·실험적으로 검증한 연구입니다.