2.1 Deep Learning 기반 태양광 발전량 예측

예측 불확실성을 확인하기 위해 발전량 예측이 우선으로 수행되어야 한다. 그에 따라 본 논문에서는 Deep Learning(DL)의 인공신경망을 이용하여 발전량 예측을 진행하였다. 이때 데이터 전처리 및 전체 시뮬레이션을 위해 Python을 사용하였으며 인공신경망의 경우 오픈 소스 소프트웨어 라이브러리인 TensorFlow를 통해 구현하였다. DL의 인공신경망은 연산 과정이 나타나지 않아 설명력은 부족하나 성능이 우수하고 비선형적 특성을 효과적으로 반영할 수 있어 국방, 의료, 보안 및 공학 계열에 있어 활발히 사용되고 있다⁽¹¹⁾.

2.2 데이터 전처리

DL의 인공신경망을 통한 예측 수행 전, 데이터 전처리 과정은 추가적인 독립변수를 생성하거나 상관성이 높은 독립변수를 제거함으로써 과적합(Overfitting)을 방지하고 우수한 예측성능을 가질 수 있도록 하는 인공신경망의 최적 입력 변수 선정을 위해 사용되었다. 본 논문에서는 그림 1과 같이 데이터 전처리를 진행하였으며 각 단계에 따른 설명은 다음과 같다.

Load Dataset 단계에서는 종속변수 및 독립변수를 불러온 뒤 하나의 Dataset으로 통합하게 된다. 본 논문에 사용된 종속변수는 공공데이터 포털을 통해 제공되는 남동발전의 제3 태양광(350 [kW]) 발전설비 출력 데이터를 사용하였으며 초기 독립변수로는 기상청의 기상자료개방 포털을 통해 제공되는 경상남도 고성군 방재기상관측 자료를 활용하였다. 방재기상관측 자료의 항목으로는 표 1과 같다.

Fill Missing Value 단계에서 기록 또는 측정되지 않은 결측값을 채우는 단계로 본 논문에서는 1시간만 누락된 경우 측정되지 않은 시간의 전후 값의 평균을 취하여 대체하였으며 1시간 이상 측정되지 않았을 경우 고성군과 가까운 사량도의 방재기상관측 자료로 대체하였다. 고성군과 사량도의 방재기상관측 자료 모두 누락된 경우 누락된 시간의 다른 연도 값들을 평균하여 대체하였다.

Data Split 및 Feature Engineering 단계에서는 다시 독립변수와 종속변수로 구분한 뒤 초기에 구성된 독립변수 외에 태양광 발전량의 1시간, 2시간 단위 지연값 및 시계열 데이터의 특성을 반영하기 위한 태양광 발전량의 경향(Trend) 및 계절성(Seasonality), 시(Hour), 일(Day), 주(Week), 월(Month), 연도(Year)를 독립변수로 추가 생성하였다.

Apply Variance Inflation Factor(VIF) 단계에서는 이전 과정을 통해 추가 생성된 독립변수를 포함한 변수 간의 상관 계수를 파악하는 단계이며 결과는 그림 2와 같다.

이후, Sort by Variables with low Correlation 단계를 통해 변수 간 상관성이 낮은 순으로 독립변수를 정렬한 뒤 Apply to Ordinary Least Squares(OLS) from the Variable with low correlation 단계에서 정렬된 독립변수를 순차적으로 증가시키며 최소 자승법(OLS)을 적용하였다.

MSE and MAE measurement of train set and test set 단계에서 독립변수 증가에 따른 최소자승법 성능을 Mean Absolute Error(MAE)와 Mean Square Error(MSE)를 사용하여 측정하였으며 식(1)과 식(2)로 정의된다. 해당 단계의 최종적인 결과는 그림 3이다.

여기서 $Y$: 측정값, $\hat Y$: 예측값, $N$: 데이터의 수

Decision Optimal Input Variables 단계에선 이전 단계들의 결과를 통해 DL 인공신경망에 입력으로 사용될 최적 변수를 선정하게 된다. 그림 3의 Test Set에선 13개의 독립변수가 OLS에 적용될 경우 14개를 적용한 것에 비해 가장 낮은 MAE, MSE를 보이며 가장 우수한 OLS 성능을 나타냈다. 그에 따라 DL 인공신경망 입력으로 사용될 독립변수는 총 13개로 결정된다.

2.3 DL 인공신경망

본 논문에서 태양광 발전량 예측을 위해 Multi Layered Perceptron(MLP)과 Recurrent Neural Network(RNN), Long Short Term Memory (LSTM), Gate Recurrent Unit(GRU)을 사용하였다. 각 인공신경망의 구성은 그림 4와 같으며 이를 통해 1시간 이후 태양광 발전량을 예측하였다.

2.4 Hyperparameter 최적화

DL의 인공신경망은 종류에 따라 사용자가 직접 설정하는 parameter가 존재하며 이를 Hyperparameter(HP)라 한다. HP의 최적화는 인공신경망의 예측성능을 향상에 기여함으로 본 논문에서는 Sequence Size, Batchsize, Dropout 및 Epoch 항목에 대해 최적화를 진행하였다. HP의 최적화는 parameter 값을 일정하게 증가시키며 최적의 HP 값을 찾는 방식인 Grid Search를 사용하였으며 그림 5의 순서로 진행된다⁽¹²⁾. 그림 5를 통한 각 인공신경망의 HP 선정 결과는 그림 6과 표 2를 통해 나타냈다.

HP 최적화가 적용된 인공신경망의 성능은 표 3을 통해 나타냈으며 특히 재귀회로 기반의 인공신경망인 RNN, LSTM 및 GRU는 MLP에 비해 우수한 성능을 보였다. 이는 재귀회로 기반의 인공신경망이 태양광 발전량과 같은 시계열 데이터에 적합한 예측 모델임을 의미한다. HP 최적화 후 RNN이 가장 낮은 오차를 보여 본 논문에 사용된 인공신경망 중 가장 효과적인 것을 알 수 있다.

위 과정을 통해 최종적으로 선정된 RNN을 태양광 발전량 예측에 적용할 경우 그 결과는 그림 7과 같으며 그림 8을 통해 예측 초기 7일간의 결과를 확대하여 나타냈다. 이러한 결과는 DL의 인공신경망을 통한 예측 또한 불확실성이 존재함을 나타낸다.

3.1 태양광 발전량 간헐성 적용

RNN을 통해 출력된 Test Set의 결과 중 음의 값을 가지는 발전량과 태양광 발전설비가 전력을 생산할 수 없는 시간에 생산된 발전량을 0 [kW]로 처리하였다. 이후 BESS 적용 시 가장 극단적인 상황을 고려하기 위해 예측 초기 7일 중 가장 큰 오차가 발생한 날을 기준으로 간헐성을 적용하였다. 표 4를 통해 예측 초기 7일간의 성능을 나타냈으며 그 결과 예측 초기 첫날(1/2)이 가장 큰 오차를 보였다.

본 논문에서는 표 4의 결과를 바탕으로 예측 초기 첫날을 간헐성 적용 대상으로 선정하였으며 적용 방식은 다음과 같다. 1시간 단위의 실제 태양광 발전량 데이터를 선형 보간법을 통해 1분 단위 태양광 발전량 데이터로 변경하였다. 이후, 1분 단위로 변경된 실제 태양광 발전량 데이터값에 평균이 1이고 표준편차가 0.2인 가우시안 분포를 따르는 랜덤 값을 곱하여 간헐성을 적용하였다. 그 결과 그림 9와 같이 실제 태양광 발전량에 간헐성이 적용되었음을 알 수 있다.

3.2 Ramp Rate

태양광 발전의 간헐성이 높다는 뜻은 태양광 발전의 출력이 급격하게 변동하는 것을 의미한다. 그러한 간헐성을 수치로 나타내기 위해 Ramp Rate(RR)를 사용하였으며 이를 통해 이전 출력 대비 현재 출력의 변동을 나타낼 수 있다. RR의 수식적 표현은 식(3)으로 정의된다.

여기서, $P(t)$: 시간 $t$에서의 태양광 발전량, $\triangle t_{R}$: $RR$의 시간 변화

푸에르토리코와 멕시코의 경우 VRE의 간헐성으로부터 전력품질을 유지하기 위해 RR를 각각 ±10, ±1~5 [%/min]로 제한하고 있다⁽¹³⁾. 그림 9와 같은 간헐성이 적용된 실제 태양광 발전량의 RR은 그림 10과 같고 RR ±10 [%/min]를 초과하는 간헐성이 다수 포함된 것을 알 수 있다.

4.1 BESS의 역할

BESS는 생산된 전력을 저장한 후 필요한 시점에 전력을 공급하는 에너지 저장장치로써 주파수 조정용, 재생에너지 연계용, 피크 저감용, 비상 발전기 대체용 등으로 사용되고 있다⁽¹⁴⁾. 재생에너지 발전 비중 증가에 따른 간헐성 문제의 대안으로 BESS가 떠오르고 있어 그 수요도 또한 증가하는 추세이다. 태양광 발전의 예측 불확실성 및 간헐성은 수급 불균형과 기저 발전의 기동정지 및 경제급전 계획의 변화를 야기하며 출력제한 발생 원인이 될 수 있다. 본 논문에서는 기저 발전소 운영 계획의 변화를 최소화하기 위해 예측 불확실성 및 간헐성을 동시에 보상하는 BESS 알고리즘을 제안하였다.

4.2 BESS 동작 알고리즘

본 논문에서 적용된 BESS 알고리즘은 그림 11이며 알고리즘에 대한 설명은 다음과 같다.

간헐성이 적용된 실제 태양광 발전량과 예측된 태양광 발전량을 비교하여 서로 같은 크기일 경우 BESS는 동작하지 않는다. 하지만 예측된 태양광 발전량에 비해 간헐성이 적용된 실제 태양광 발전량이 큰 경우 BESS는 충전 동작을 수행한다. 반대로 간헐성이 적용된 실제 태양광 발전량이 예측된 태양광 발전량이 비해 작은 경우 BESS는 방전 동작을 수행한다. 이후 태양광 발전이 이루어지지 않는 늦은 저녁(23:00시) 시간 이후에는 BESS 동작 알고리즘을 종료하도록 설정하였다.

4.3 BESS 용량 산정

표 4를 통해 가장 큰 오차를 보인 예측 초기 첫날 (그림 9)을 기준으로 BESS 초기 운영 용량을 산정하였으며 그림 11의 BESS 알고리즘을 적용할 경우 BESS의 충･방전 구간은 그림 12와 같다. BESS의 초기 운영 용량 산정은 식(4)이며 1일 동안의 BESS 충･방전에 따른 출력을 적분하여 BESS 초기 운영 용량을 계산하였다. 그 결과 BESS 초기 운영 용량은 21.20 [kWh]으로 계산되었다.

여기서, $BESS_{Operation Ca p}$: BESS 초기 운영 용량, $P_{BESS}(t)$: 시간 $t$에서의 BESS 출력

BESS의 동작 시작 시, 초기 State of Charge(SoC)가 50 [%]일 때를 가정한 후, 완전 방전에 따른 BESS 수명 단축 및 과충전으로 인한 화재 방지를 위해 1일 운전 SoC의 범위를 20~80 [%]로 제한할 경우 BESS의 최소 용량은 46.30 [kWh]로 계산되었다⁽¹⁵⁾. BESS의 1일 운전에 따른 SoC 변화는 그림 13과 같으며 SoC 기준을 만족하는 것을 알 수 있다.

4.4 예측 불확실성 및 간헐성 보상 결과

BESS가 동작 알고리즘에 따라 그림 12와 같은 충･방전 동작을 수행할 경우 예측된 태양광 발전량과 같은 출력을 가지는 태양광 발전이 가능하다. 그림 14와 같이 간헐성의 영향으로 실제 태양광 발전량이 예측된 태양광 발전량($PV_{predict}$)보다 큰 출력을 가지는 경우 BESS는 충전 동작(청색)을 수행하며 실제 태양광 발전량이 예측된 태양광 발전량보다 작은 출력을 나타내는 경우 BESS가 방전 동작(적색)을 수행하며 태양광 발전의 예측 불확실성 및 출력 간헐성을 보상하는 것을 확인할 수 있다.