End-to-End Learning of Correlated Operating Reserve Requirements in Security-Constrained Economic Dispatch

논문 요약: 보안 제약 하의 경제급전 (SCED) 을 위한 상관성 있는 예비력 요구사항의 엔드 - 투 - 엔드 학습

1. 문제 정의 (Problem Statement)

전력 시장에서는 풍력 및 태양광과 같은 재생에너지의 높은 보급으로 인해 예측 오차로 인한 불확실성이 심화되고 있습니다. 이러한 재생에너지 예측 오차는 기상 패턴의 공통성으로 인해 공간적 및 시간적 상관관계 (Spatial and Temporal Correlations) 를 강하게 띠고 있습니다.

기존의 보안 제약 하 경제급전 (SCED, Security-Constrained Economic Dispatch) 모델링에서는 이러한 상관관계를 고려하지 않거나, 외부에서 임의로 지정된 (exogenously specified) 불확실성 집합 (Uncertainty Set) 을 사용합니다. 이는 다음과 같은 문제를 야기합니다.

• 비효율적인 예비력 배분: 상관관계를 무시하면 불필요하게 많은 예비력을 확보하게 되어 비용이 증가하고, 가격 신호가 왜곡됩니다.
• 학습되지 않은 설계: 불확실성 집합의 모양 (기하학적 구조) 이 하류의 급전 (Dispatch) 비용 최소화와 직접적으로 연결되어 학습되지 않습니다.

이 논문은 상관관계를 고려한 예비력 집합 (Reserve Set) 의 설계를 하류의 급전 비용 최소화와 신뢰성 요구사항 (Coverage) 을 동시에 만족하도록 엔드 - 투 - 엔드 (End-to-End) 학습 가능한 문제로 재정의합니다.

2. 방법론 (Methodology)

이 논문은 불확실성 집합의 모양 (Shape, $\theta$) 과 크기 (Size, $\rho$) 를 분리하여 접근합니다. 모양은 학습 대상이며, 크기는 학습된 모양에 맞춰 신뢰성 목표를 달성하도록 보정됩니다.

가. 문제 재형성 (Reformulation)

• 이중 레벨 문제 (Bilevel Problem) 에서 단일 단계로: 원래 문제는 불확실성 집합 모양을 최적화하면서 (상위 레벨), SCED 비용을 최소화하고 신뢰성 제약 (하위 레벨) 을 만족하는 이중 구조였습니다.
• 프로파일링 (Profiling): 신뢰성 제약 조건을 모양에 의존하는 반지름 $\rho_P(\theta)$로 표현 (Profile) 하여, 원래의 이중 문제를 단일 단계의 미분 가능한 목적 함수로 변환했습니다.
  • 목적 함수: $J_P(\theta) = V(\theta, \rho_P(\theta))$ (여기서 $V$는 SCED 비용 함수).

나. 그래디언트 추정 및 최적화 (Gradient Estimation & Optimization)

• 솔버 미분 회피 (No Solver Differentiation): SCED 솔버를 통과하는 미분 (Backpropagation) 을 수행하지 않고, KKT 조건 및 듀얼 (Dual) 정보를 활용합니다.
  • SCED 해를 구하면 얻어지는 라그랑주 승수 (Shadow Prices, $\mu^*$) 를 사용하여 목적 함수의 모양 ($\theta$) 및 반지름 ($\rho$) 에 대한 민감도 (Gradient) 를 직접 계산합니다.
  • 이는 계산 효율성을 높이고 수치적 안정성을 보장합니다.
• 부드러운 양분수 민감도 (Smoothed Quantile Sensitivity): 알려지지 않은 분포에 대해 학습 시, 매끄러운 커널을 사용하여 양분수 (Quantile) 반지름의 민감도를 추정합니다.

다. 컨포멀 보정 (Conformal Calibration)

• 학습된 모양 ($\hat{\theta}$) 에 대해, 분포에 무관한 (Distribution-free) 신뢰성 보장을 위해 분할 컨포멀 예측 (Split Conformal Prediction) 기법을 적용합니다.
• 데이터 분할 전략: 학습 (Train), 튜닝 (Tune, 그래디언트 추정용), 보정 (Calibrate, 반지름 결정용), 테스트 (Test) 의 4 단계로 데이터를 나누어, 유한 표본에서의 마진 커버리지 (Marginal Coverage) 보장을 달성합니다.

라. 컨텍스트 의존적 확장 (Context-Dependent Extension)

• 운영 조건 (부하, 풍속 등) 에 따라 불확실성 집합의 모양이 변할 수 있도록, 컨텍스트 특징을 입력받아 모양 파라미터를 출력하는 인코더 (Encoder) 를 학습하는 확장 모델도 제시했습니다.

3. 주요 기여 (Key Contributions)

1. 모델링 및 재형성: SCED 내의 상관된 예비력 집합 설계를 엔드 - 투 - 엔드 학습 가능한 강건 최적화 문제로 공식화했습니다. 커버리지 제약을 모양 의존적 반지름으로 프로파일링하여 단일 단계 미분 가능 목적 함수를 도출했습니다.
2. 알고리즘 및 보정: 학습 시 그래디언트 추정을 위한 '스무딩 양분수 민감도 추정기'와 배포 시 신뢰성 보장을 위한 '분할 컨포멀 보정'을 결합한 실용적인 학습 파이프라인을 개발했습니다. 교환성 (Exchangeability) 하에서 유한 표본 커버리지 보장을 증명했습니다.
3. 실증 연구: IEEE 118 버스 시스템과 결합된 SCED (전송 제약 포함) 모델에서 알고리즘을 검증했습니다.

4. 실험 결과 (Results)

IEEE 118 버스 시스템 (10 개 존, 5 개 지역) 을 기반으로 한 실험 결과는 다음과 같습니다.

• 비용 절감: 제안된 학습된 정적 타원체 (Learned Static Ellipsoid) 방법은 기존 표본 공분산 (Sample Covariance) 기반 방법 대비 약 4.8% 의 급전 비용 절감 ($100,496/hr \rightarrow 95,683/hr$) 을 달성했습니다.
• 예비력 효율성: 필요한 예비력 양이 1,572 MW 에서 977 MW 로 크게 감소했습니다.
• 신뢰성 유지: 비용 절감에도 불구하고, 테스트 데이터에서의 경험적 커버리지 (Empirical Coverage) 는 목표치 (95%) 이상인 97.0% 를 유지했습니다.
• 전송 제약 하의 성능: 존 간 전송 제약 (Transfer Constraints) 이 있는 복잡한 환경에서도 학습된 방법이 기존 방법보다 비용 증가폭이 훨씬 작았으며, 전송 여유분 (Headroom) 을 더 효율적으로 활용하여 제약 조건을 덜 위반하는 것을 확인했습니다.
• 비교: 상관관계를 무시한 독립 가정 (Independent) 방법보다도 성능이 우수했으며, 컨텍스트 의존적 방법 (Contextual) 또한 추가적인 개선을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 경제적 정렬 (Economic Alignment): 불확실성 집합의 기하학적 구조를 하류의 경제급전 비용 최소화에 직접적으로 정렬 (Align) 시킴으로써, 불필요한 예비력 확보를 방지하고 전력 시장의 가격 신호를 개선합니다.
• 계산적 효율성: 복잡한 최적화 솔버를 미분하지 않고도 KKT 정보를 활용하여 효율적으로 학습할 수 있는 프레임워크를 제시했습니다.
• 실용성: 학습된 불확실성 집합이 실제 전력 시스템 운영 (SCED) 에서 비용 절감과 신뢰성 보장을 동시에 달성할 수 있음을 실증했습니다.

이 연구는 재생에너지 불확실성을 관리하는 데 있어, 단순한 통계적 추정을 넘어 의사결정 (Dispatch) 과 직접적으로 연결된 학습 기반 접근법의 중요성을 강조하며, 미래 전력 시장 설계에 중요한 통찰을 제공합니다.