오병찬
( Byeong-Chan)
1iD
김성열
(OhSung-Yul Kim)
†iD
-
(Dept. of Electronic and Electrical Engineering, Keimyung University, Korea)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Distribution Network, Reliability, ENS, ECOST, V2G, Electric Vehicle, Time Space Network
1. 서 론
신뢰도는 수용가에게 제공되는 서비스 품질을 결정하는 중요한 지표이며, 지속적인 전력수요 증가와 함께 수용가의 고품질 전력을 안정하게 공급하고자 전력계통
계획과 운영관점에서신뢰도 평가는 필수적 요소이다(1-2). 배전계통에서 신뢰도는 일반적으로 확률론적 방법론을 통해 계산된다(3). 설비 및 시스템의 동작 및 기능이 적절한 상황에 수행할 수 있는 정도를 통해 계통 신뢰도를 평가하며 특히 한전(KEPCO)은 2020년까지 배전계통
신뢰도 지수 중 하나인 호당정전시간(SAIDI, System Average Interruption Duration Index)을 6.64로 목표로
하고 있다(4). 이에 최근 몇 년간 신재생에너지, ESS(Energy Storage System), 분산전원(DG, Distributed Generation)
등을 통해 신뢰도 향상방안에 대한 연구가 진행되고 있다(5-7). 계통 계획단계에서는 고장 발생 시 전력수급 안정화를 위해 DG 연계를 통한 전력공급이 대표적인 방법이다(8).
하지만 위 언급된 연구들은 계통 계획관점에서 신뢰도 향상방안에 대한 연구이며 계통 내 고장 발생 시 고장 구간에 따라 전력공급이 유연하지 못할 수
있다. 이런 문제점을 보완하고자 최근 계통 재구성(Reconfiguration)기법이나 EV(Electric Vehicle)를 통해 계통 신뢰도 및
복원력 개선에 대한 대책이 거론되고 있는 실정이다(9-10).
특히 EV는 V2G(Vehicle to Grid)기술을 활용하여 MG(Microgrid)와 계통 안정화 작업과 더불어 신뢰도 평가에 대한 연구가 활발히
이루어지고 있는 추세이다(11-12).
EV는 고장 발생 시 원하는 위치에 전력을 공급할 수 있는 특징을 가지고 있으며 이는 기존 DG나 ESS보다 좀 더 유연한 운영이 가능하며 효과적으로
전력공급을 가능할 수 있게 한다. 따라서 V2G를 통한 배전계통 신뢰도 향상방안을 구체적이고 계통 운영관점에서의 해결안을 제공할 수 있으며, 이에
본 논문에서는 배전계통 신뢰도 향상에 기여할 수 있는 방안을 제시하고자 이동형 ESS와 같은 개념으로 EV를 활용하였다.
고장 발생 시 고장 구간에 존재하는 모든 부하의 정전비용(ECOST, Expected Customer Outage Cost) 비교를 통해 부하우선순위를
고려하여 EV 최적 연계위치를 산정하며 이때 V2G 스케줄링을 이용하여 전력공급을 함으로써 배전계통 신뢰도를 향상시키는 개선안을 제시한다.
2. V2G를 활용한 배전계통 신뢰도 평가
계통 내 선로 고장이 발생할 경우 차단기, 리클로저와 같은 보호장치와 제어시스템에 의한 동작 책무로 메인그리드와 격리되며 전력수급이 불가능한 상태에
대해 모의하며 V2G 스케줄링을 이용한 고장복구 개선방안을 제안한다.
고장기간동안 각 부하에 존재하는 EV를 이용하여 고장지점에 이동함으로써 전력을 공급하며 이때 EV 연계위치는 고립구간에 존재하는 부하들의 ECOST를
분석하여 시간별 ECOST가 최대가 되는 지점에 EV연계를 산정한다.
일반적인 전력계통에서 발전, 송전계통보다 수용가와 근접해 있는 배전설비에서의 상태가 수용가의 전력공급에 훨씬 더 큰 영향을 끼친다. 따라서 배전계통을
대상으로 하는 신뢰도를 분석해야 하며 이에 해당하는 신뢰도 지수는 (13)에 정의되어 있다.
계통 신뢰도 지수를 계산하기 위해서는 선로, 케이블, 차당기, 퓨즈, 리클로저와 같은 보호장치들의 고장에 따른 수용가 상태를 분석해야한다. 이때 모든
설비들을 고려할 필요없이 각 부하지점에 영향을 끼치는 구성요소들의 상태를 고려하여 신뢰도 지수를 계산할 수 있다.
부하지점과 연결된 구성요소들의 평균운전지속시간(MTTF, Mean Time To Failure), 평균고장지속시간(MTTR, Mean Time To
Repair)을 이용하여 신뢰도 평가에 필요한 지수를 산출한다(11). 일반적으로 방사형 계통인 경우, 부하지점 $i$ 에서의 평균 고장률($\lambda_{i}$)과 평균 고장시간($r_{i}$), 연간 평균 정전시간($U_{i}$)시간은
식(1)~(3)을 이용하여 계산할 수 있다.
$N_{j}$ 는 부하지점 $i$ 에 영향을 끼치는 구성요소의 개수, $\lambda_{j}$, $r_{j}$는 구성요소 $j$ 의 평균 고장률 및
평균 고장시간을 의미한다.
계통 평가를 위한 지수인 공급지장에너지(ENS, Energy Not Supplied), 계통 정전비용(ECOST)을 이용하여 신뢰도 평가를 진행할
예정이며 식 (4)~(5)와 같이 나타낼 수 있다.
여기서 $N_{L}$ 는 계통에 존재하는 수용가 개수, $L_{i}$는 $i$ 에서의 전력량, $C_{i}$는 $i$ 에서의 정전비용을 의미한다.
3. 신뢰도 개선을 위한 EV 운영 방안
3.1 TSN 모델을 활용한 EV 가용용량 계산
고장 발생 시 고장구간에 도착하기까지의 EV 주행시간에 따라 가용용량이 달라질 수 있다. 따라서 주어진 허용시간 안에 EV 도착시간에 따른 가용용량을
파악해야할 필요가 있으며 이는 시공간 형태의 네트워크 통한 모델링이 필요하다. 본 절에서는 EV를 통한 전력공급량을 계산하기 위해 TSN(Time
Space Network)를 이용하여 각 부하별 EV 도착시간을 모델링 한다.
TSN은 배차 스케줄링 또는 열차 경합 해소를 위한 모델로 주로 사용된다(14). 혼합정수 선형계획법으로 수식화 시킬 수 있기 때문에 간단하고 효과적으로 시공간 형태의 네트워크를 모델링 할 수 있다.
그림. 1. TSN 모델링 예시
Fig. 1. Example of TSN modeling
그림 1은 임의의 계통에서 각 부하별 EV 도착시간을 TSN으로 모델링한 그림이며 도착시간을 세로축으로, 노드를 가로축으로 표현하고 있다. TSN은 출발
및 도착을 표한하기 위해 검은색 지점은 노드와 EV 주행 및 정차를 의미하는 빨강색 점선으로 표현되는 아크로 구성된다. $t=0$ 에서 고장이 발생했을
경우, TSN을 이용한 일반적인 배차 스케줄링 경합 방지 모델과는 다르게 다수의 EV가 한 노드에 도착할 수 있다고 볼 수 있다. 이를 통해 EV
가용용량을 구할 수 있게 된다.
이때 각 노드별 EV 도착시간이 왼쪽 그림의 숫자와 같을 때, 노드와 EV 아크를 이용하여 TSN 모델을 다음과 같이 구성한다.
TSN모델 구성에 대해 $G$는 시공간 네트워크, $V$는 노드집합, $A$는 아크 집합을 의미한다. 아크 $a_{n,\:i}$는 노드 $n$에서의
EV 대수와 $n$에서 $i$까지의 도착시간으로 이루어진다.
따라서 노드 $n$에서의 EV 대수 및 $n$에서 $i$까지의 도착시간을 $N_{n}$, $\zeta_{n,\:i}$로 표시할 경우 $t=\zeta_{n,\:i}$에서의
EV 가용 용량은 식 (7)과 같이 표현된다.
여기서 $C_{i}^{t}$는 $t$시간 노드 $i$에서의 EV 가용용량, $C_{ev}$는 EV 용량, $k_{f}$는 고장 구간, $T_{f}$는
모든 고장시간을 의미한다. 각 노드별 EV 용량을 50[kWh]라 가정할 경우, 앞서 설명한 식을 이용하여 EV 도착시간에 따라 달라지는 EV 가용용량을
그림 2와 같이 도식화 할 수 있다.
그림. 2. 그림 1에서의 EV 도착시간에 따른 가용용량
Fig. 2. Available EV capacity based on arrival time in Fig. 1
주의할 점은 가용용량을 산정할 때 EV 경합을 고려해야한다. 실제 $i$ 에서 존재하는 EV 충전기 수는 제한되어 있기 때문에 $t=\zeta_{n,\:i}$
도착하는 모든 EV를 수용할 수 없다. 본 논문에서는 V2G를 위해 각 부하에 존재하는 충전기를 통해 EV 전력을 공급한다고 가정하였으며 각 부하에
존재하는 급속 및 완속 충전기 개수를 고려하여 EV 허용 경합을 선정하여 (8)~(9)와 같이 나타낸다.
이때 $N_{i}^{lm}$은 $i$ 에서의 EV 최대 허용 대수, $N_{i}^{fs}$는 $i$에서의 급속충전 개수, $N_{i}^{sl}$는
$i$에서 완속충전 개수를 의미한다.
3.2 주행거리에 따른 EV SOC 분석
고장발생에 따른 EV 전력공급을 분석을 위해서는 TSN 모델링 뿐만 아니라 EV SOC 상태도 함께 분석해야한다(15). 배전계통에서 주행거리에 따른 SOC 및 방전 스케줄링에 의한 SOC는 다음과 같이 나타낸다.
$SOC_{i}^{t}$ 는 $t$시간에 도착했을 때 EV 주행거리에 따른 SOC, $D$는 EV 주행거리($km$), $n_{ev}$는 EV 효율($km/k
Wh$), $SOC_{d,\:i}^{t+1}$ 는 $t+1$시간에 EV 방전에 따른 SOC, $n_{d}$는 방전효율, $SOC_{\min},\:
SOC_{\max}$는 EV 최소 및 최대 SOC를 의미한다. $P_{i}^{t}$는 EV 전력공급량, $P_{L,\:i}^{t}$은 $i$에서 $t$시간전력사용량을
의미한다. 이때 $P_{i}^{t}$는 $P_{L,\:i}^{t}$보다 크거나 같아야 고장을 복구할 수 있기 때문에 (13)과 같은 제약조건을 만족해야한다.
3.3 EV 최적 연계위치 선정
본 절에서는 EV 연계위치를 선정하기 위한 최적화 모델에 대하여 설명한다. 계통 고장 발생 시 V2G 운영에 있어 ECOST가 최대가 되는 부하에
EV를 연계하여 전력을 공급한다. 이때 모든 고장 발생 시간과 고장구간에 따른 최적 연계위치를 선정한다.
$k_{opt}^{t}$는 EV 최적 연계 위치이며, $ECOST_{i}^{t}$ 는 $t$시간에 $i$에서의 정전비용을 의미한다. 따라서 $k_{opt}^{t}$산정을
통해 정전비용이 가장 비싼 부하에 우선적으로 전력을 공급하게끔 EV를 연계한다. EV 최적 위치 선정에 대한 플로우차트는
그림 3과 같으며 다음과 같은 절차를 통해 연계위치 선정 작업을 진행된다.
EV 최적 위치 선정에 따른 계통신뢰도 평가 과정은 다음과 같이 진행된다.
• 계통 신뢰도 평가에 필요한 데이터를 수집하며 고장발생 시간, 고장 발생 구간을 선정한다.
• 고장 발생구간에 존재하는 모든 부하에 대해서 $ECOST_{i}^{t}$ 계산한다.
• 계산된 $ECOST_{i}^{t}$를 통해 EV 연계위치 $k_{opt}^{t}$를 선정한다.
• TSN 모델을 이용하여 연계위치 $k_{opt}^{t}$에서의 EV 가용용량 $C_{i}^{t}$를 계산한다.
• 여기서 부하지점 $i$에서의 전력수요량이 EV통해 공급받는 전력보다 많을 경우 $i$에서의 전력수요를 충족시킬 수 없기 때문에 EV를 통해 전력을
공급하더라도 고장상태가 유지된다고 가정한다. 따라서 다음 정전비용이 비싼 연계위치를 다시 산정한다.
• 모든 고장 구간, 고장시간에 EV 연계위치 분석 및 신뢰도 평가를 진행한다.
그림. 3. 신뢰도평가를 위한 제안된 방법의 플로우차트
Fig. 3. Flowchart of Proposed Method for Reliability Assessment
4. 사례연구
제안하는 알고리즘을 적용하기 위해 그림 4와 같은 방사형 모의계통을 구성하였으며 설비 신뢰도 데이터는 RBTS 2 Bus 데이터를 참조하였다.
그림. 4. 신뢰도 평가를 위한 방사형 계통
Fig. 4. Radial system for reliability evaluation
선로 $l1$~$l4$에서 고장발생을 모의하며 고장파급 효과가 가장 큰 3상 단락고장에 대해서 분석한다. 이때 고장발생 시 차단기, 리클로저와 같은
보호장치들은 정상적으로 동작한다고 가정하며 신뢰도 산출 시 반영하지 않는다. 또한 고장이 발생한 선로에 따라 발생하는 고립구역 내 존재하는 모든 부하가
정전을 경험하고 있다고 가정한다.
계통 내 존재하는 부하 유형은 주거용, 산업용, 상업용으로 구분하였으며 부하크기 및 패턴은 통계청자료를 활용하였다. 부하 형태에 따른 부하패턴은 그림 5와 같다.
그림. 5. 부하 유형에 따른 부하패턴
Fig. 5. Load pattern by customer type
수용가별 EV 대수 및 EV 충전기 개수는 제주도 전체 인구대비 EV 보급계획을 토대로 각 부하별 EV 대수와 충전기 개수를 산정하였다. 하지만 급속충전기
같은 경우 제주도내 설치수가 적고 완속 충전기를 통한 EV 전력공급 만으로는 고장복구가 힘든 실정이다. 따라서 본 논문에서는 완속 충전기 개수의 절반이상으로
존재했을 경우를 모의하여 신뢰도 분석을 진행하였다. 본 사례연구를 진행하기 위한 수용가 정보 및 설비 신뢰도 데이터는 다음과 같다.
표 1. 사례연구를 위한 부하정보
Table 1. Load information for case study
|
Type
|
LP
|
Number of customers
|
Number of EVs
|
EV chargers
(fast / slow)
|
|
R
|
1
3
|
350
200
|
33
17
|
7 / 19
6 / 12
|
|
I
|
2
|
2
|
2
|
2 / 0
|
|
C
|
4
|
10
|
7
|
3 / 4
|
Note : R = Residential, I = Industrial, C = Commercial
표 2. 사례연구를 위한 신뢰도 지수
Table 2. Reliability parameters for case study
|
Type
|
Length
[km]
|
ECOST
[￦/kWh]
|
Failure rate
[f/yr km]
|
Repair time
[h]
|
|
$l1$
|
1
|
6,193
|
0.046
|
4
|
|
$l2$
|
2
|
174,493
|
|
$l3$
|
4
|
6,193
|
|
$l4$
|
3
|
20,427
|
그림. 6. 고장 구간별 부하 우선순위
Fig. 6. Load priority according to the failure section
급속 및 완속 충전을 통해 공급하는 EV 전력량은 각각 50, 7[kWh/h]로 가정하였다. 표 2의 선로 길이와 방사형 모의 계통을 토대로 TSN 모델을 구성하였으며 고장 구간별, 고장 발생시간별 EV 주행 아크에 따른 전력공급량을 산출하여 신뢰도
평가를 진행하였다. 이때 V2G 스케줄링을 위해 필요한 EV 파라미터 값들은 표 3과 같이 나타낸다.
표 3. V2G 스케줄링을 위한 EV 파라미터
Table 3. EV parameters for V2G scheduling
|
Parameter
|
Value
|
|
Discharging power
|
50 / 7[kWh/h]
|
|
EV capacity($C_{ev}$)
|
100 [kWh]
|
|
Initial SOC($SOC_{\in i}$)
|
0.7
|
|
$SOC_{\min},\: SOC_{\max}$
|
0.9 / 0.1
|
|
Discharging efficiency($n_{d}$)
|
0.95
|
|
EV efficiency($n_{ev}$)
|
7[km/kWh]
|
EV 허용 도착시간을 1시간으로 가정하였으며 선로 고장이 표 2와 같이 4시간동안 지속 된다는 점을 고려했을 때 각 부하에서의 EV를 통한 전력공급은 다음 그림과 같다.
그림. 7. 방전 시간에 따른 EV 공급 전력
Fig. 7. EV supply power according to discharge time
모든 선로에서의 고장을 모의하였을 때, 고장 발생 구간에 대한 시간별 우선순위는 그림 6과 같이 나타난다. 시간별 우선순위가 첫 번째인 위치가 EV 최적 연계위치인 $k_{opt}^{t}$이며 이때 각 그래프를 통해 알 수 있듯이 우선순위가
시간별로 상이한 것을 알 수 있다.
그림 6에서 고장 구간마다 우선순위가 표시되지 않은 형태를 볼 수 있는데 이는 시간별 전력 수요량이 EV를 통한 전력 공급량보다 크기 때문에 EV를 연계하더라고
고장이 복구되지 않은 것을 의미한다. 특히 LP2와 같은 경우 산업용 부하로 전력소비량이 크기 때문에 모든 고장에 대해서 우선순위 산정에서 제외된
것을 확인할 수 있다.
본 연구에서 제안하는 알고리즘을 적용할 경우, 각 고장구간에 대한 신뢰도 결과는 그림 8과 같다. 가장 가혹한 고장상황이 발생하는 L1 고장에서 ENS 9.64[MWh]에서 8.88[MWh]로 감소하였고 ECOST 또한 1.107억 원에서
1,101억 원으로 감소한 것을 확인할 수 있다. 이는 EV를 통한 전력공급으로 고장이 복구된 것을 의미하며 계통 신뢰도가 향상되었음을 의미한다.
그림. 8. 제안한 이론의 신뢰도 결과
Fig. 8. Reliability result of proposed method
5. 결 론
전 세계적으로 이산화탄소 배출 규제 강화로 인해 EV 보급량은 우리나라를 포함하여 지속적으로 증가하고 있으며 최근 강원도 산불이나 지진과 같은 자연재해로부터
계통 신뢰도 향상 방안을 강구하고 있는 가운데, 본 논문에서는 EV를 활용하여 계통 운영관점에서의 신뢰도 개선방안 제안하였다. 고장발생 시 실제 EV를
통해 전력을 공급할 수 있는 정도를 분석하기 위해 TSN을 이용하여 도착시간을 고려한 EV 가용용량을 산정하였다. 배전계통 신뢰도 향상에 가장 효과적으로
기여하기 위한 EV 연계위치 산정함으로써 EV 최적 운영방안을 모색하였으며 모의계통을 통해 본 논문에서 제안한 기법의 타당성을 검증하였다.
향후 EV 보급과 함께 충전인프라 구축이 충분히 이루어지는 시점에서 본 논문의 결과는 계통 운영 시 신뢰도 개선을 위한 해결방안으로 활용될 것으로
사료된다.
Acknowledgements
이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. 2019R1H1A1080177)
References
R. Billinton, J. Billinton, 1989, Distribution system reliability indices [J], IEEE
Transactions on Power Delivery, Vol. 4, No. 1, pp. 561-568
R. Allan, R. Billinton, 2000, Probabilistic assessment of power systems, in Proc.
of IEEE, Vol. 88, pp. 140-162
R. Billinton, R. Allan, 1996, Reliability Evaluation of Power Systems, 2nd ed., Plenum,
New York, NY, USA
Yong-Ha Kim, Hye-Seon Lee, Seong-Hee Kim, In-Yong Seo, aSeong-Yeong Heon, Feb 2018,
Development of Optimal Reliability Estimation Algorithm in Power Distribution Systems
Focus on SAIDI(System Average Interruption Duration Index, Vol. 32, No. 2, pp. 77-88
R. E. Brown, S. Gupta, R. D. Christie, S. S. Venkata, R. Fletcher, Oct 1996, Distribution
system reliability assessment using hierarchical Markov modeling, IEEE Transactions
on Power Delivery, Vol. 11, No. 4, pp. 1929-1934
Carmen L. T. Borges, Djalma M. Falcão, 2006, Optimal distributed generation allocation
for reliability, losses, and voltage improvement, International Journal of Electrical
Power & Energy Systems, Vol. 28, No. 6, pp. 413-420
Bong-Gi Choi, Byeong-Chan Oh, Eun-Tae Son, Dong-Min Kim, Sung-Yul Kim, May 2019, A
Study on the Operation Plan of Shelter Using Fuel Cell in Disaster, The Transaction
of The Korean Institute of Electrical Engineers, Vol. 68p, No. 1, pp. 47-52
C. Chen, W. Wu, B. Zhang, C. Singh, June 2015, An Analytical Adequacy Evaluation Method
for Distribution Networks Considering Protection Strategies and Distributed Generators,
IEEE Transactions on Power Delivery, Vol. 30, No. 3, pp. 1392-1400
R. E. Brown, R. Pinkerton, 2019, Distribution Reliability Optimization Using Synthetic
Feeders, Energies, Vol. 12, pp. 3510
S. Yao, P. Wang, T. Zhao, May 2019, Transportable Energy Storage for More Resilient
Distribution Systems With Multiple Microgrids, in IEEE Transactions on Smart Grid,
Vol. 10, No. 3, pp. 3331-3341
A. S. A. Awad, T. H. M. EL-Fouly, M. M. A. Salama, Sept 2014, Optimal ESS Allocation
and Load Shedding for Improving Distribution System Reliability, IEEE Transactions
on Smart Grid, Vol. 5, No. 5, pp. 2339-2349
Jin-Young Choi, Eun-Sung Park, Mar 2014, A Study on The V2G Application using the
Battery of Electric Vehicles under Smart Grid Environment, The Transaction of The
Korean Institute of Electrical Engineers, Vol. 63p, No. 1, pp. 40-45
R. Billinton, R. N. Allan, 1994, Reliability Evaluation of Power Systems, 2nd ed,
Plenum Publishing Corp, New York, pp. 220-248
N. Kliewer, T. Mellouli, L. Suhl, 2006, A time-space network based exact optimization
model for multi-depot bus scheduling, Eur. J. Oper. Res., Vol. 175, No. 3, pp. 1616-1627
G. J. Osorio, M. Shafie-khah, P. D. L. Coimbra, M. Lotfi, J. P. S. Catalao, 2018,
Distribution System Operation with Electric Vehicle Charging Schedules and Renewable
Energy Resources, Energies, Vol. 11, No. 11, pp. 3117
저자소개
2018 계명대학교 전기에너지공학과 졸업.
2018~현재 동 대학원 전기공학과 석사과정.
E-mail : obchan08@naver.com
2007년 한양대학교 전자전기컴퓨터 공학부 졸업.
2012년 동 대학원 전기공학과 졸업(공박).
2012년~2013년 미국 Georgia Institute of Technology, PSCAL 연구원.
현재 계명대학교 전기에너지공학과 부교수