이 글은 두 가지 예시를 통해, 시뮬레이션과 최적화 기술을 활용하여 에너지 스토리지를 포함한 가변 발전 시스템을 주어진 운영 프로파일에 맞춰 운용할 때 요구되는 특성을 연구하는 방법을 소개한다. 이 글은 현물시장 참여를 다루지만 해당 기술은 부수적인 시장에서도 적용 가능하다.



글 | 그램 더전(Graham Dudgeon)
에너지 산업 매니저
매스웍스(MathWorks)

가변 발전 시스템의 운용에 대한 불확실성을 이해하면 서비스 제공에 따른 리스크 수준을 관리하는데 도움이 된다. 또한 적절한 운영 관리와 함께 에너지 저장장치의 등급과 충전/방전 특성을 잘 선택하면, 특정 시장에 진입하기 위한 가변 발전 시스템의 성능을 향상시킬 수 있다. 예를 들어 특정 기간 동안 안정적인 전력을 제공하도록 하기 위해서 에너지 스토리지를 활용함으로써 가변 발전 시스템 성능을 높여 Frequency response market에 출시할 수 있다.
이 글은 두 가지 예시를 통해, 시뮬레이션과 최적화 기술을 활용하여 에너지 스토리지를 포함한 가변 발전 시스템을 주어진 운영 프로파일에 맞춰 운용할 때 요구되는 특성을 연구하는 방법을 소개한다. 첫 번째 예제에서는 최적화 기술을 사용하여 현물시장에서 수익을 극대화하기 위한 가변 발전 시스템의 등급과 충전/방전 특성을 결정한다. 해당 연구는 전력 출력과 시장 가격에 대한 기록 데이터를 바탕으로 하며 자세한 기술 선택을 고려할 필요가 없다.
두 번째 예시는 시뮬레이션을 사용하여 가변 발전 시스템과 에너지 스토리지를 결합하는 시스템의 운영 특성 제어를 살펴보고 다양한 에너지 스토리지 인터페이스 구성이 그리드 응답에 미치는 영향을 평가한다. 처음에는 전체적인 거동만을 표현하는 에너지 저장장치 모델이 사용되고, 연구가 진행될수록 다양한 기술에 대한 더욱 상세한 모델이 시뮬레이션 프레임워크에 사용된다.



리스크 관리를 위한 최적화 활용
전력 출력과 시장 가격에 대한 기록 데이터를 사용해 에너지 저장장치가 특정 시장 출시를 위한 가변 에너지 발전 시스템의 성능을 높일 수 있는지 결정할 수 있다. 이 글은 현물시장 참여를 다루지만 해당 기술은 부수적인 시장에서도 적용 가능하다.
그림 1은 최적화 프레임워크에서 고려되는 에너지 플로의 도식이다. 가변 에너지 소스의 에너지가 그리드와 에너지 저장장치 사이에 분배된다. 에너지 저장장치는 가변 에너지 소스와 그리드에서 모두 충전할 수 있다. 최적화 문제는 특정 기간 동안 에너지 저장장치의 충전/방전 프로파일을 결정하는 것은 물론, 특정 시간에 에너지 저장장치를 충전하고 에너지를 그리드로 공급하기 위한 최적의 에너지 혼합을 결정하는 데에도 사용된다. 최적화는 수익을 극대화하는 한편, 에너지 저장장치의 운영에 따른 물리적 제약을 위반하지 않도록 보장하기 위한 것이다.
그림 2는 이틀간의 최적화를 통해 얻은 결과 예시이다. 이는 추정치와 비슷한 결과로, 에너지 저장장치가 시장 가격이 낮을 때 충전되고 시장 가격이 높을 때 방전되었음을 보여준다. 이 예제는 설명을 위해 실제 시나리오보다 상대적으로 단순하게 구성됐다.
그림 3은 에너지 저장장치의 동작을 보여준다. 이 예제에서는 스토리지 용량이 1,200 kWhr로 제한되었고 충전/방전율은 200 kW로 제한됐다.
최적화 공식화에서 사용하는 기록 데이터의 양이 증가할수록 최적화 결과가 잘못 산출될 가능성이 낮아진다. 최적화는 대규모 문제의 연산 시간을 줄이는 데 유리한 선형 프로그래밍으로 공식화할 수 있다.



시뮬레이션을 활용한 엔지니어링 의사결정
에너지 저장장치의 등급이 결정되면 시뮬레이션 연구를 수행하여 결합된 에너지 스토리지/가변 에너지 시스템을 위한 적절한 피드백 제어 및 감독 제어 서브시스템 개발과 기술 선택을 전달할 수 있다.
피드백 제어 및 감독 제어 시스템 개발은 복잡도가 낮은 에너지 저장장치 모델에서 진행할 수 있다. 복잡도가 낮은 모델은 상세한 전력전자 디바이스 표현을 생략하기 때문에 실행 속도가 빠르므로 설계 중 신속한 시뮬레이션과 반복이 가능하다. 이 접근방식은 피드백 제어 및 감독 제어 시스템의 대역폭이 전력전자 스위칭 알고리즘의 대역폭보다 충분히 낮아, 전력전자를 포함하더라도 시스템 시뮬레이션에서 RMS 작동에 주는 영향이 거의 없기 때문에 효과적이다.
그림 4는 그리드 POC(Point-of-Connection)에서 안정적인 전력을 제공하도록 설계된 시스템의 응답을 보여준다. 이 시스템은 풍력발전 모델에 연결된 낮은 복잡도의 에너지 저장장치 모델을 사용해 시뮬레이션 되었다. 테스트에서는 저장된 에너지양을 모니터링하는 단순한 감독 제어 시스템을 사용한다. 저장된 에너지가 용량의 10% 보다 많으면 피드백 제어 시스템이 그리드 POC에서 유효전력을 유닛당 0.6으로 조절한다. 저장된 에너지가 용량의 10% 미만으로 감소하면 POC에서 다시 조정될 때까지 에너지 스토리지 시스템이 고정된 속도로 충전된다. 그림 4는 필수적인 그리드 전력을 공급하기 위한 풍력이 부족하여 발생한 단기 사이클링 현상을 보여준다. 이 예제를 통해 지정된 에너지 스토리지 용량의 낮은 풍속에서는 유닛당 0.6으로 조정하기 위해 더 높은 운영 리스크가 발생함을 알 수 있다.
피드백 및 감독 제어 시스템을 개발한 후에는 일반적으로 다양한 기술에 대한 상세 설명을 포함하도록 시뮬레이션 모델을 개선한다. 복잡도가 낮은 모델과 상세한 모델에서 가장 큰 그리드 응답 차이는 에너지 스토리지 시스템을 그리드와 연결하는 전력전자 컨버터에서 생성된 고조파이다. 



그림 5는 에너지 스토리지 시스템에 대한 인터페이스로 표준 6-디바이스 IGBT 브리지와 6-cell 및 24-cell(per-phase) IGBT MMC(Modal Multilevel Converter)를 비교하는 시뮬레이션 연구에서 유효 및 무효전력 출력을 보여준다. 해당 시스템은 0.4초에 유닛당 유효전력 0.3에서 유닛당 유효전력 1.0으로 이동하는 한편, 무효전력을 0으로 조절하도록 지시되었다. 그림 5의 시뮬레이션 결과를 통해 서로 다른 전력 전자 아키텍처 포함으로 피드백 시스템의 참조 추적 기능이 손상되지 않음을 분명히 알 수 있다. 그림 6은 각 아키텍처에 대한 컨버터의 출력에서 전압 파형을 표시한다. 그림 6에서는 또한 전압 파형의 THD(Total Harmonic Dis-
tortion)를 볼 수 있다. 예상대로 브리지 아키텍처의 전력 전자 디바이스 수가 증가할수록 THD는 감소한다. 상세한 연구는 고조파 왜곡 요구사항 충족을 위해 필요한 전력전자 아키텍처, 필터링 아키텍처 또는 이 둘의 조합을 결정하는 데 도움이 된다.

결론
이 글은 가변 에너지/에너지 스토리지 시스템 개발 정보를 제공함으로써 리스크를 줄이기 위한 최적화, 모델링 및 시뮬레이션 활용에 대해 알아봤다. 최적화 기술을 기존의 이력 데이터에 적용하면 현물시장에서 사업자의 입지 개선 또는 주파수 제어를 포함한 부수 서비스 제공과 같은 특정한 목적을 위한 에너지 스토리지 시스템의 에너지 용량과 충전/방전 특성을 결정할 수 있다.
모델링과 시뮬레이션은 적절한 피드백 및 감독 제어 시스템을 개발하고 시스템을 그리드로 통합하는 과정을 간소화하는 기술 선택을 평가하는 데 있어서 매우 중요하다.  ES