Leakage-Safe K-Means-Assisted Multi-Objective Energy Management for a Solar and Wind–Battery Micro-grid

독립형 전력망인 마이크로그리드는 메인 전력망에 의존하지 않고 지역 사회나 원격 시설을 운영하는 작고 자급자족이 가능한 전력 시스템입니다. 이 시스템은 태양광과 풍력으로 생성되는 전기, 대형 배터리에 저장된 전기, 그리고 백업 발전기로 생산되는 전기라는 세 가지 움직이는 요소를 균형 있게 조절하려고 노력합니다. 문제는 태양이 항상 빛나는 것은 아니고, 바람이 항상 부는 것도 아니며, 사람들이 항상 같은 시기에 전력을 사용하는 것도 아니라는 점입니다. 불을 계속 켜두면서도 연료를 낭비하거나 배터리를 방전시키지 않기 위해, 컴퓨터 시스템은 언제 배터리를 충전할지, 언제 발전기를 가동할지, 그리고 언제 재생 에너지를 나중을 위해 저장할지를 끊임없이 결정해야 합니다. 이 의사 결정 과정을 에너지 관리라고 합니다. 만약 시스템이 예측에 실패하면, 전력이 부족해지거나 태양광을 이용할 수 있음에도 불구하고 비싼 연료를 써서 발전기를 돌리는 낭비를 초래할 수 있습니다.

터키 코카엘리 대학교의 연구진은 이러한 결정을 내리는 더 똑똑한 방법을 구축하고자 했습니다. 그들은 태양광 및 풍력 기반의 마이크로그리드와 배터리를 관리하기 위해 과거를 살펴보고 즉각적인 미래를 예측할 수 있는 시스템을 만들고자 했습니다. 그들의 접근 방식에는 두 가지 주요 아이디어가 포함되었습니다. 첫째, 그들은 과거의 데이터를 통해 학습하여 한 시간 후의 전력 수요를 예측하는 머신러닝의 일종인 랜덤 포레스트(Random Forest)라는 컴퓨터 기법을 사용했습니다. 둘째, 유사한 날씨 및 사용 패턴을 함께 묶기 위해 K-평균 군집화(K-Means clustering) 기법을 사용했습니다. 이 그룹들을 시스템이 처할 수 있는 '모드'로 생각할 수 있는데, 예를 들어 전력 사용량이 적은 맑은 날이나 전력 수요가 높은 바람 부는 밤 등이 있습니다. 목표는 어떤 '모드'에 있는지 아는 것이 배터리를 사용할지 발전기를 가동할지에 대해 컴퓨터가 더 나은 선택을 하는 데 도움이 되는지 확인하는 것이었습니다.

연구진은 컴퓨터 과학에서 흔히 발생하는 실수인 데이터 누수(data leakage)를 피하기 위해 매우 주의를 기울였습니다. 데이터 누수는 컴퓨터가 현재를 예측하면서 미래로부터 학습할 때 발생하며, 이는 결과가 완벽해 보이게 만들지만 실제 세계에서는 쓸모없게 만듭니다. 이를 방지하기 위해 그들은 서로 겹치지 않는 세 개의 뚜렷한 시간대로 데이터를 나누었습니다. 그들은 첫 번째 기간을 사용하여 컴퓨터가 전력 수요를 예측하고 작동 모드를 식별하는 법을 가르쳤습니다. 두 번째 기간은 컴퓨터가 따를 규칙을 조정하는 데 사용되었으며, 이를 통해 시스템이 전력이 부족해지거나 배터리가 너무 많이 방전되지 않도록 보장했습니다. 마지막으로, 그들은 시스템 설정을 고정하고 컴퓨터가 한 번도 본 적 없는 세 번째 기간에 대해 테스트했습니다. 이러한 엄격한 분리는 결과가 단순히 과거의 데이터를 암기한 것이 아니라, 실제 세계에서 어떻게 작동할지를 반영하도록 보장했습니다.

이러한 신중한 테스트 결과, 전력 수요를 예측하는 컴퓨터의 능력은 상당히 우수한 것으로 나타났습니다. 랜덤 포레스트 기법을 사용했을 때, 시스템은 다음 한 시간 동안의 전력 수요를 평균 약 2.3킬로와트의 오차로 예측할 수 있었는데, 이는 단순히 다음 시간이 현재와 똑같을 것이라고 가정하는 것보다 훨씬 뛰어난 성과였습니다. 그러나 연구는 그들의 계획 중 두 번째 부분에 대해 놀라운 사실을 발견했습니다. K-평균 군집화를 통한 '모드' 그룹을 추가하는 것이 전력 수요를 예측하는 데 실제로 더 도움이 되지는 않았습니다. 그룹을 추가하지 않아도 예측 정확도는 동일했습니다. 따라서 연구진은 예측 자체를 개선하기 위해 그룹을 사용하지 않기로 결정했습니다. 대신, 그들은 시스템이 전력을 다루는 올바른 전략을 선택하는 데 그룹을 활용했습니다. 예를 들어, 시스템이 '태양광 잉여' 모드를 인식하면 배터리를 충전해야 한다는 것을 알게 되고, '저전력' 모드를 감지하면 발전기를 사용할 준비를 해야 한다는 것을 알게 됩니다.

이 새로운 접근 방식을 기존의 방식들과 비교 테스트했을 때, 명확한 트레이드오프(trade-off) 관계가 나타났습니다. 현재 일어나고 있는 일에만 반응하는 기존 시스템은 발전기 사용을 피하기 위해 배터리를 과도하게 사용하여 빠르게 방전시켰습니다. 예측에만 의존하는 또 다른 시스템은 배터리를 매우 조심스럽게 다루었지만, 결과적으로 발전기를 훨씬 더 자주 사용하여 많은 재생 에너지를 낭비했습니다. 예측된 수요와 작동 모드를 모두 사용하는 새로운 시스템은 구체적인 운영상의 트레이드오프를 보여주었습니다. 이 시스템은 예측 기반 시스템에 비해 발전기 연료 사용량을 거의 60% 줄였고, 재생 에너지 낭비 또한 거의 24% 줄였습니다. 동시에, 반응형 시스템보다는 배터리를 적게 사용하여 배터리의 수명을 연장했습니다. 그러나 이러한 개선에는 비용이 따랐습니다. 반응형 기준 모델과 비교했을 때, 새로운 시스템은 발전기 에너지 사용량을 거의 5,000kWh 증가시켰고 재생 에너지 출력 제한(curtailment)을 거의 6,000kWh 늘렸습니다. 반응형 방식에 비해 발전기 사용과 낭비가 증가했음에도 불구하고, 새로운 시스템은 배터리를 거의 항상 안전한 충전 수준으로 유지하여 배터리가 너무 낮아지는 위험한 상황을 방지했습니다.

하지만 테스트 단계에서 중요한 세부 사항이 드러났습니다. 최적의 시스템 설정을 선택하는 방법이 단 하나의 고유한 '최적' 솔루션을 찾아내지는 못했다는 점입니다. 연구진이 81가지의 서로 다른 실행 가능한 설정 조합을 테스트했을 때, 그 결과들은 모두 동일한 성능 점수를 나타냈습니다. 테스트 데이터가 이 옵션들 사이를 구분할 수 없었기 때문에, 연구진은 최종 시스템을 유일하게 최적화된 솔루션이 아니라 '타당성 검토를 거친 대표 정책(feasibility-screened representative policy)'으로 보고했습니다. 이는 이 시스템이 수학적으로 완벽한 정답은 아닐지라도, 모든 안전 및 신뢰성 요구 사항을 충족하는 유효하고 작동 가능한 예시라는 의미입니다. 연구는 이 접근 방식이 그들이 만든 시뮬레이션 환경 내에서 잘 작동한다고 결론지었습니다. 시스템은 전력 공급을 안정적으로 유지하는 데 성공했으며, 테스트 기간 동안 전력 공급 중단 사례는 단 한 건도 발생하지 않았습니다. 이는 단순히 순간에 반응하거나 단일 예측에 의존하는 것이 아니라, 에너지를 저장할 때와 생성할 때를 더 똑똑하게 결정함으로써 달성되었습니다. 연구진은 결과가 유망하지만, 이는 특정 유형의 배터리와 1년 치의 기상 데이터를 사용한 시뮬레이션에 기반하고 있다는 점을 언급했습니다. 그들은 이 방법의 강점이 엄격한 테스트 규칙에 있으며, 이를 통해 시스템이 미래를 훔쳐보지 않고도 과거로부터 학습할 수 있음을 증명했다고 강조했습니다. 이 연구는 실제 세계에 설치하기 전 동일한 수준의 주의 깊은 테스트를 거친다면, 효율적이면서도 신뢰할 수 있는 에너지 관리 시스템을 구축할 수 있는 견고한 청사진을 제공합니다.