Lost Opportunity Costs Under Ramp Stress: A Comparison of Ramp-Product Dispatch and Look-Ahead Economic Dispatch

전력망을 결코 멈추지 않는 거대하고 고속인 기차 시스템이라고 상상해 보십시오. 승객은 여러분의 집 안의 전등, 휴대폰의 서버, 그리고 주방의 커피 메이커입니다. 기차 칸은 발전소이며, 선로는 전선입니다. 이제 승객의 수가 매분마다 급격하게 변한다고 상상해 보십시오. 때로는 인파가 한꺼번에 몰려들기도 하고, 때로는 한꺼번에 모두 내리기도 합니다. 이것이 현대 전력의 과제입니다. 태양광과 풍력 발전(날씨에 의존하는)이 늘어남에 따라, "순 부하(net load)"는 울퉁불퉁하고 예측 불가능한 여정이 됩니다.

문제는 단순히 전력이 충분하냐의 문제가 아닙니다. 그것은 얼마나 빨리 기차 칸이 속도를 높이거나 줄일 수 있느냐의 문제입니다. 모든 발전소에는 "램프 제한(ramp limit)"이라는 규칙이 있는데, 이는 "나는 즉각적으로 제로에서 풀 스피드로 갈 수 없으며, 가동하는 데 몇 분이 필요하다"라고 말하는 것과 같습니다. 수요가 기차가 가속할 수 있는 속도보다 빠르게 치솟을 때, 시스템은 "램프 스트레스(ramp stressed)" 상태가 됩니다. 전기를 계속 공급하기 위해, 전력 계통 운영자들은 기차들이 빠르게 움직을 준비를 하도록 비용을 지불해야 합니다. 하지만 까다로운 점은, 만약 기차가 시스템을 돕기 위해 특정 방식으로 기다리거나 속도를 바꿔야 하는 상황에 처했을 때, 더 수익성이 높은 다른 여정을 놓칠 수도 있다는 것입니다. 이 놓친 이익을 "기회비용 손실(Lost Opportunity Cost, LOC)"이라고 부릅니다. 이는 마치 택시 기사가 친구를 돕기 위해 교통 체증 속에 대기하라는 지시를 받았지만, 그 사이 다른 곳에서 큰 요금을 받을 기회를 놓친 것과 같습니다. 전력 시장을 설계하는 사람들의 큰 질문은 이것입니다: "우리는 이 운전자들이 단지 도움을 주기 위해 돈을 잃지 않도록 어떻게 공정하게 보상할 것인가?"

하버드 연구진이 작성한 이 논문은 이 문제를 해결하기 위한 구체적인 논쟁을 다룹니다. 그들은 스트레스 상황에서의 전력 시장을 운영하는 두 가지 서로 다른 방법을 비교합니다. 첫 번째 방법인 **램프-제품 배정(Ramp-Product Dispatch)**은 바로 앞의 교차로만 바라보는 교통 경찰과 같습니다. 그들은 기차들이 빠르게 움직일 수 있도록 특별한 "램프 제품"(속도를 위한 티켓)을 구매하지만, 전체 여정을 진정으로 계획하지는 않습니다. 두 번째 방법인 **예측 경제 배정(Look-Ahead Economic Dispatch)**은 향후 한 시간 동안의 전체 도로를 보는 GPS와 같습니다. 그것은 어디에 굴곡이 있는지 정확히 알면서 전체 경로를 미리 계획하고, 기차들에게 그 굴곡을 피하기 위해 어떻게 움직여야 할지 알려줍니다.

연구진은 어떤 방법이 발전소에 더 많은 "기회비용 손실"을 남기는지 확인하기 위해 컴퓨터 시뮬레이션을 실행했습니다. 그들은 10개의 발전기가 있는 작고 단순화된 시스템과, 실제 그리드 모델을 기반으로 한 더 크고 현실적인 시스템, 두 가지 테스트 시스템을 사용했습니다. 그들은 예측이 100% 정확한 "완벽한 세상"을 시뮬레이션한 다음, "안개"(예측 오차)를 추가하여 시스템이 실수를 어떻게 처리하는지 살펴보았습니다.

그 결과는 다음과 같았습니다. 완벽하고 안개가 없는 시뮬레이션에서는 예측(Look-Ahead) 방식이 명백한 승자였습니다. 이 방식은 램프-제품 방식에 비해 발전소의 총 기회비용 손실을 약 70% 줄였습니다. 하지만 이것이 마법 같은 해결책은 아니었습니다. 예측 방식은 가장 어려움을 겪는 특정 발전소들을 돕는 데는 효과적이었지만, 모든 이들을 완벽하게 돕지는 못했습니다. 어떤 발전소들은 램프-제품 방식 아래에서보다 예측 방식 아래에서 오히려 약간 더 많은 기회비용 손실을 입기도 했습니다. 비록 시스템 전체를 위한 절감액은 엄청났지만 말입니다. 연구진은 가장 큰 타격을 입은 발전소들이 반드시 가장 "유연한"(속도를 쉽게 바꿀 수 있는) 발전소는 아니라는 것을 발견했습니다. 대신, 가장 큰 비용은 유연성 여부와 상관없이 빈번하게 속도 제한에 걸리는(높은 "결합 빈도(binding frequency)") 유닛들에 발생했습니다. 실제로 가장 큰 타격을 입은 발전소 중 일부는 유연성이 매우 낮았는데, 이는 그들이 제약 조건을 피하기 위해 충분히 빠르게 움직일 수 없었음을 의미하며, 이로 인해 놓친 기회의 비용이 특히 컸습니다.

그러나 안개를 추가하면 이야기는 약간 뒤틀립니다. 연구진이 예측 오차(날씨나 수요 예측의 실수)를 도입하자, 예측 방식의 신뢰도가 떨어졌습니다. 예측 방식은 예측을 바탕으로 긴 경로를 계획하기 때문에, 만약 그 예측이 틀리면 전체 계획이 궤도를 벗어날 수 있습니다. 시뮬레이션 결과, 예측 오차가 일정 수준(약 3%에서 5%)에 도달하면, 예측 방식은 오히려 단순한 램프-제품 방식보다 발전소에 더 많은 기회비용 손실을 남기기 시작했습니다. 몇 분 앞만 내다보는 더 단순한 방식이 이러한 장기적인 예측 실수에는 덜 민감했습니다.

논문은 또한 TLMP(시간적 지역 한계 가격제)라고 불리는 세 번째의 더 복잡한 가격 책정 방식도 살펴보았습니다. 이 방식은 택시 기사에게 단순히 운행에 대한 비용을 지불하는 것이 아니라, 기사가 대기하거나 속도를 조절하라고 지시받은 매 초마다 비용을 지불하는 것과 같습니다. 시뮬레이션에서 이 방식은 기회비용 손실을 완전히 제거했지만, 저자들은 이 방식이 매우 복잡하고 차별적(운전자마다 다른 가격을 지불함)이라고 언급했습니다.

그래서 결론은 무엇일까요? 이 논문은 예측하는 것이 스트레스를 받는 그리드를 관리하고 발전소의 돈을 아끼는 데 일반적으로 더 나은 방법이지만, 완벽한 해결책은 아니라는 점을 시사합니다. 그것은 가장 취약한 발전소들로부터 발생하는 손실의 부담을 덜어주지만, 복잡한 가격 체계를 사용하지 않는 한 이를 완전히 없애지는 못합니다. 더욱이, 만약 당신의 예측이 완벽하지 않다면, "스마트한" 장기 계획가가 "근시안적인" 단기 계획가보다 오히려 상황을 더 악화시킬 수 있습니다. 저자들은 우리가 단지 전등을 켤 수 있는지 여부만을 따질 것이 아니라, 발전소들이 강제로 양보해야 하는 유연성에 대해 공정하게 보상하고 있는지를 확인해야 한다고 결론짓습니다.