Optimal design of solar-battery hybrid resources considering multi-market participation under weather and price uncertainty

기술 요약: 기상 및 가격 불확실성 하의 다중 시장 참여를 고려한 태양광 - 배터리 하이브리드 자원의 최적 설계

문제 제기
변동성 재생에너지 (VRE) 의 급속한 통합은 동시에 여러 전력 시장에 참여할 수 있는 유연하고 조정된 자원을 필요로 합니다. 단일 시장 주체 내에서 재생에너지 발전과 배터리 저장을 통합한 하이브리드 자원은 공동 입찰 (별도 입찰) 되는 공터 (co-located) 자원보다 상당한 운영 및 재정적 이점을 제공하지만, 이들의 최적 설계는 여전히 복잡한 과제로 남아 있습니다. 핵심적인 어려움은 장기적인 투자 결정 (시스템 크기 결정) 을 확률적 조건 (재생에너지 발전량 및 시장 가격 불확실성) 하의 단기 운영 최적화와 결합하는 데 있습니다.

기존의 최적화 접근법은 종종 결정론적 예측이나 단순화된 불확실성 모델에 의존하는데, 이는 에너지, 보조서비스, 용량 시장 등 다중 시장 참여에 내재된 비선형 동역학 및 운영 제약을 포착하지 못할 수 있습니다. furthermore, 기존 문헌은 시스템 설계와 운영 전략을 별도의 문제로 다루거나 주로 에너지 시장에 초점을 맞추어, 보조서비스 (AS) 제공과 관련된 미묘한 트레이드오프와 직류 (DC) 결합 하이브리드 아키텍처의 특정 이점 (예: 컷트된 태양광 (PV) 에너지의 회수) 을 간과하는 경우가 많습니다.

방법론
이러한 과제를 해결하기 위해 저자들은 딥 강화 학습 (DRL) 기반의 공동 최적화 프레임워크를 제안합니다. 이 접근법은 시스템 설계 변수를 정책 학습 과정에 직접 통합하여, 통합된 확률적 공식 내에서 하이브리드 시스템 크기 결정과 조정된 다중 시장 입찰 전략을 동시에 최적화할 수 있도록 합니다.

• 프레임워크 아키텍처: 이 방법은 다중 시장 참여를 포함함으로써 이전의 DRL 기반 공동 최적화 작업을 확장합니다. 프레임워크는 시장 및 재생에너지 변수의 부분 관측성을 처리하기 위해 장단기 메모리 (LSTM) 네트워크를 활용하여 PV 발전량 및 시장 가격의 시계열 데이터를 처리합니다. 에이전트는 운영 정책을 학습하기 위해 딥 결정론적 정책 경사 (DDPG) 알고리즘을 사용합니다.
• 설계 최적화: 설계와 운영을 분리하는 전통적인 2 단계 접근법과 달리, 이 프레임워크는 시스템 설계 벡터 (PV 용량, 배터리 에너지 용량, 배터리 정격 출력) 를 확률적 정책의 매개변수로 취급합니다. 설계 매개변수의 분포는 학습 에피소드 동안 관찰된 누적 경제적 수익 (수익에서 비용을 뺀 값) 을 기반으로 정책 경사 방법을 통해 업데이트됩니다.
• 제약 조건 처리: 방법론의 핵심 구성 요소는 "직렬 용량 할당" 전략입니다. 불확실성 하의 실현 가능성을 보장하기 위해 에이전트의 행동은 순차 할당 과정을 통해 실현 가능한 입찰로 변환됩니다:
  1. 비상 예비력: 주로 방전 능력에서 할당되며, 충전 상태 (SOC) 한계 및 지속 시간 요구 사항을 준수합니다.
  2. 조정 서비스: 상향 및 하향 조정 용량은 남은 배터리 여유분과 PV 발전량 예측에 대한 신뢰성 요인을 고려하여 할당됩니다.
  3. 에너지 시장 입찰: 나머지 실현 가능한 운영 범위가 선진 에너지 시장 입찰을 결정하며, 잠재적인 불균형을 명시적으로 고려합니다.
• 시장 모델: 이 연구는 선진 에너지 시장, 비상 예비력, 조정 서비스, 그리고 용량 시장 참여를 모델링합니다. 실시간 차익거래 가정에 의존하는 대신 PV 예측 오차를 명시적으로 고려하여 에너지 불균형을 벌금 비용으로 모델링합니다. 또한 프레임워크는 단일 주체 및 공유 인버터를 사용하는 직류 (DC) 결합 하이브리드 자원과 별도의 주체를 사용하는 교류 (AC) 결합 공터 자원을 구분합니다.

주요 기여
본 논문은 세 가지 구체적인 연구 격차를 식별하고 해결합니다:

1. 하이브리드 보조서비스 제공을 위한 제약 조건 인식 DRL: DRL 이 배터리 저장에 적용된 바 있으나, 본 작업은 경성 운영 제약 조건을 가진 PV-배터리 하이브리드로 프레임워크를 확장합니다. 이는 기존 연구에서 발견되는 연성 제약 조건이나 완벽한 예측 가정을 넘어, 예측 불확실성 하에서 PV 와 배터리의 공동 보조서비스 참여를 가능하게 합니다.
2. 시장 구조의 정량적 비교: 본 논문은 다중 시장 설정 하에서 하이브리드 및 공터 참여 모델 간의 체계적인 정량적 비교를 제공합니다. 운영 유연성, 입찰 전략, 경제적 성과의 차이를 평가하여 시장 구조가 자원 가치에 미치는 영향을 통찰력을 제공합니다.
3. 불확실성 인식 설계 및 운영의 공동 최적화: 주요 기여는 불확실성 하의 PV-배터리 시스템 설계 최적화에 다중 시장 참여를 통합한 것입니다. 크기 결정을 위한 결정론적 예측에 의존하는 이전 작업들과 달리, 이 프레임워크는 확률적 환경에서 장기 경제적 성과를 직접 최적화하면서 최적 용량과 운영 정책을 동시에 학습합니다.

결과
과거 CAISO 데이터를 사용한 수치적 사례 연구는 프레임워크의 유효성을 입증합니다:

• 하이브리드 대 공터: 동일한 시스템 크기 하에서 하이브리드 자원은 일관되게 공터 자원보다 높은 보상을 달성했습니다. 하이브리드 구성은 PV 예측 오차를 내부적으로 완화함으로써 불균형 벌금을 약 40% (샘플 주기의 경우 3,622 달러에서 2,193 달러로) 감소시켰습니다. 또한, DC 결합 아키텍처는 컷트된 PV 에너지를 회수하여 고가 기간으로 이동시킴으로써 에너지 시장 수익을 증가시켰습니다.
• 공동 최적화 결과: 설계와 운영의 공동 최적화는 고정 설계 기준선보다 우수한 구성을 산출했습니다. 예를 들어, 기준 시나리오에서 프레임워크는 4 시간 용량 시장 요구 사항보다 낮은 2.71 시간의 최적 배터리 지속 시간을 식별했는데, 이는 에너지 및 보조서비스 시장 수익으로 인해 여전히 수익성이 있었습니다.
• 정책 민감도: 프레임워크는 가상의 정책 변화에 성공적으로 적응했습니다. 용량 시장 지속 시간 요구 사항이 8 시간으로 증가되었을 때, 최적 설계는 더 큰 PV 용량과 더 작은 배터리 용량 쪽으로 이동하여, 지속 시간 의무만으로는 경제적 타당성과 충돌할 경우 배터리 도입을 보장하지 않음을 나타냈습니다. 반면, 상향 조정에 대한 보조서비스 가격 상승은 더 큰 배터리 정격 출력을 가진 최적 설계로 이끌었습니다.
• 장기 적용성: 1 년 데이터를 사용한 분산 RL 프레임워크를 사용하여, 계절적 변동이 수익 구조와 최적 전략에 상당한 영향을 미친다는 것을 확인했습니다. 분산 접근 방식은 전체 연도 최적화에 대한 훈련 시간을 약 10 시간으로 단축하여 장기 계획에 대한 계산적 실현 가능성을 입증했습니다.

의의 및 주장
본 논문은 제안된 프레임워크가 기상 및 가격 불확실성에 견고한 경제적 합리성 하이브리드 시스템 구성을 식별하는 강력한 도구를 제공한다고 주장합니다. 설계 변수를 학습 과정에 내재시킴으로써, 이 방법은 2 단계 최적화의 계산적 부담을 피하고 시스템 크기 결정과 다중 시장 운영 전략 간의 복잡한 상호작용을 포착합니다.

저자들은 이 작업이 에너지 시장에만 초점을 맞추거나 완벽한 예측을 가정하는 연구들에서 종종 간과되는 컷트된 에너지 회수 및 불균형 완화 능력, 특히 하이브리드 자원의 가치에 대한 새로운 통찰력을 제공한다고 강조합니다. 연구는 하이브리드 자원이 우수한 유연성과 수익성을 제공하지만, 그 최적 설계는 시장 규칙 (예: 용량 지속 시간 요구 사항) 과 가격 신호에 매우 민감하므로, 적응적이고 불확실성을 인식하는 계획 도구가 필요하다고 결론 내립니다. 저자들은 미래 작업이 가상 발전소와 같은 다수 의사결정자가 관련된 설정으로 이 프레임워크를 확장할 수 있음을 겸손하게 언급합니다.