Towards time-variant scenario reduction for energy system optimization modeling under uncertainty

기술 요약: 불확실성 하의 에너지 시스템 최적화 모델링을 위한 시변 시나리오 축소 방안 연구

문제 정의
장기 2단계 확률론적 에너지 시스템 최적화 모델(ESOM)은 특히 간헐적인 재생 에너지 발전과 관련하여 불확실성을 고려한 의사결정에 있어 매우 중요합니다. 그러나 이러한 모델들은 확장성 문제에 직면해 있습니다. 즉, 2060년의 시간 지평을 다루면서 여러 시나리오(예: 1040개의 과거 기상 연도)로 불확실성을 표현할 경우 모델의 크기가 급격히 증가합니다. 기존의 "시변 불가능(time-invariant)" 시나리오 축소(SR) 방법들은 이러한 맥락에서 비효요율적인 경우가 많습니다. 이 방법들은 시나리오 확률이 시간에 따라 일정하다고 가정하며, 주로 단기 시간 지평(예: 단일 시간 단계 또는 24시간 창)에 초점을 맞춥니다. 가용 가능한 시나리오가 제한적인(예: 약 40개의 과거 연도) 장기 계획에 이를 적용할 경우, 시간 경과에 따른 한계 분포를 조정할 수 없으므로, 최적해를 왜곡하거나 1단계 투자 결정에 영향을 미치는 핵심 시나리오의 실현값 및 확률을 정확하게 포착하는 데 실패할 수 있습니다.

방법론
저자들은 시나리오 집합이 시간에 따라 변화할 수 있도록 명시적으로 허용하는 새로운 시변 시나리오 축소 프레임워크를 제안합니다. 이 방법론은 다음 단계들을 포함합니다:

1. 시간적 분해 (Temporal Decomposition): 전체 시간 지평에 걸쳐 시나리오를 동시에 클러스터링하는 기존 방식과 달리, 제안된 접근 방식은 확률 과정의 시간적 연대기를 분해합니다.
2. 시간 단계별 클러스터링 (Time-Step Clustering): 각 시간 단계 $t \in T$에 대하여, 변수(PV 및 풍력 발전량의 결합 실현값)의 시나리오 벡터 $w_{t,i}$에 k-means 클러스터링 알고리즘을 개별적으로 적용합니다.
3. 시간 간 전이 할당 (Intertemporal Assignment): 축소된 시나리오 집합 $J$에 대한 연대기적 일관성을 복원하기 위해, 각 시간 단계 전이($t$에서 $t+1$로)에 대해 선형 시간 간 전이 할당 문제를 해결합니다. 이는 연속적인 시간 단계에서의 값 사이의 제곱 유클리드 거리를 사용하여 축소된 시나리오 간의 전이 비용을 최소화합니다.
4. 시변 확률 (Time-Variant Probabilities): 이 절차는 특정 시간 단계 $t$에서 결합되는 원본 시나리오의 부분 집합 $I_{j,t}$를 생성합니다. 결과적으로 시나리오 확률 $\pi_{t,j}$는 해당 특정 시간 단계에서의 집합된 원본 시나리오들의 확률 합으로 계산되어 시변하게 됩니다:
   $$\pi_{t,j} = \sum_{i \in I_{j,t}} \pi_i$$
   이는 $\pi_{t,j} = \pi_j$인 시변 불가능(time-invariant) 방법과 대조됩니다.

주요 기여

• 새로운 프레임워크: 시나리오 집합화를 고정된 시간 구조로부터 분리하여 확률이 시간에 따라 진화할 수 있도록 하는 시변 SR 방법을 도입했습니다.
• 향상된 유연성: 이 방법은 전통적인 시변 불가능 방식에는 없는 기능인, 1단계 투자 결정을 주도하는 특정 시간 단계에서의 시나리오 실현값과 그 확률을 정확하게 포착할 수 있게 합니다.
• 개념 증명: 불확실한 재생 에너지 생산과 배터리 저장 장치 투자를 포함하는 2단계 확률론적 발전 확장 계획(SGEP) 문제에 이 프레임워크를 적용했습니다.

결과
제안된 방법은 96시간의 범위 동안 PV 및 풍력 발전에 대한 20개의 등확률 시나리오에 대한 결합 확률 예측을 사용하여 평가되었습니다. 전체 20개 시나리오 솔루션에 대한 상대적 근사 오차(RAE)를 기준으로 측정한 결과는 다음과 같습니다:

• 적은 시나리오로 우수한 정확도 달성: 시변 SR 방법은 단 4개의 축소된 시나리오만을 사용하여 **3.06%**의 RAE를 달s했습니다. 반면, 시변 불가능 방법은 동일한 4개의 시나리오를 사용했을 때 **18.71%**의 RAE를 나타냈습니다.
• 투자 결정의 질: 4개의 시나리오를 사용한 시변 불가능 방법은 열 발전 용량 투자($x^*$)를 크게 과소평가하고 저장 장치 투자($s^*$)를 과대평가하여, 예상 미공급 에너지(EENS)를 113.9 MWh에서 2815.8 MWh로 대폭 증가시켰습니다. 시변 방법은 최적 투자를 정확하게 재현하여 712.9 MWh의 EENS를 기록했습니다.
• 효율성: 시변 접근 방식은 최소 11개의 시나리오를 사용한 시변 불가능 방법과 대등한 성능을 달성하였으며, 이는 동일한 정확도를 위해 모델 크기(변수 수)를 약 80% 감소시킨 것입니다.
• 수렴성: 시변 방법은 축소된 시나리오 수가 증가함에 따라 전체 시나리오 집합 솔루션에 훨씬 더 빠르고 견고하게 수렴했습니다.

의의 및 주장
본 논문은 제안된 시변 프레임워크가 전통적인 시변 불가능 방식에 비해 실질적으로 높은 유연성을 제공한다고 주장합니다. 시나리오 집합과 확률이 시간에 따라 변하도록 허용함으로써, 이 방법은 제한된 역사적 데이터를 사용하는 대규모 장기 계획 ESOM에 적용될 때 발생하는 기존 SR 기술의 비효율성을 극복합니다. 저자들은 이 접근 방식이 모델의 복잡성을 줄이면서도 중요한 투자 주도 시나리오의 정확도를 유지할 수 있는 능력을 열어준다고 단언합니다.

논문은 현재의 2단계 절차(클러스터링 후 할당)를 피하기 위해 적절한 시변 시나리오 거리 메트릭과 알고리즘을 도출하는 추가 연구가 필요함을 언급하며 겸허하게 결론을 맺습니다. 또한, 공식적인 성능 보장을 제공하기 위해 시변 사례에 대한 수학적 안정성 결과를 확장하는 것이 필요한 향후 연구 방향임을 명시했습니다.