김경민
(Gyeong-Min Kim)
1iD
정솔영
(Sol-Young Jung)
2iD
오승찬
(Seung-Chan Oh)
2iD
이재걸
(Jae-Gul Lee)
2iD
신훈영
(Hun-Young Shin)
3iD
허진
(Jin Hur)
†iD
-
(Dept. of Climate and Energy Systems Engineering, Ewha Womans University, Korea.)
-
(Korea Electric Power Corporation Research Institute, Korea.)
-
(Dept. of Electrical Engineering, Sangmyung University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Probabilistic security analysis, Renewable energy scenario modeling, Monte Carlo Simulation, Augmented power flow calculation, AC Contingency Solution
1. 서 론
기존 화석연료원의 환경오염 유발 및 고갈로 인해 재생에너지원에 대한 관심이 높아지고 있으며, 전 세계 전기생산량에서 재생에너지원이 차지하는 비중은
점점 증가하고 있다. International Renewable Energy Agency(IRENA)에 따르면 지난 10년간 전 세계 재생에너지원의
누적 설비용량은 2010년 1,226,853(MW)에서 2019년 2,536,853(MW)로 증가하였다 (1), (2). IRENA의 2019년 재생에너지원 누적 설비용량 데이터를 분석한 결과, 전체 누적 설비용량 대비 수력발전은 약 49.3%, 풍력발전은 약 23.4%,
태양광발전은 약 22.1% 비중을 차지하였다. 또한 각 발전원의 연도별 평균 증가율을 분석한 결과, 수력발전은 약 2.8%, 풍력발전은 약 14.8%,
태양광발전은 약 35.0%로 나타났다. 그림 1은 연도별 재생에너지원의 누적 설비용량 통계를 나타낸다 (1), (2). 제9차 전력수급기본계획에 따르면 우리나라의 재생에너지원은 2034년까지 약 77.8GW(설비용량 기준)로 대폭 확대될 것으로 전망된다 (3). 요약하자면 탄소저감정책 및 여러 환경정책에 따라 기존 석유 및 석탄, 원자력 중심의 발전방식에서 풍력 및 태양광 중심의 재생에너지원으로 전력 생산방식이
확대되고 있어 앞으로 전력 생산에서 재생에너지원이 차지하는 비중은 더욱 증가할 것으로 전망된다.
그림. 1. 전 세계 재생에너지원 누적 설비용량
Fig. 1. Renewable energy capacity statistics from 2010 to 2019
풍력 및 태양광 중심의 재생에너지원은 환경변수에 따라 출력 변동성(variability) 및 불확실성(uncertainty)이 발생한다
(4). 이러한 특성에 따라 재생에너지원이 전력시스템에 대규모로 투입될 경우, 전력계통의 불안정성이 높아지며 선로 과부하 발생 또는 모선 전압유지기준범위
초과 등의 문제가 발생할 수 있다
(5), (6). 기존 계통 계획은 결정론적 접근법 기반의 계통 안정도 분석과 상정고장을 반영한 시나리오 분석을 통해 계통 불확실성을 고려한다
(7). 그러나 이러한 방법은 계통 신뢰도를 유지하기위한 해석 절차가 간단하나 지속적으로 증가하고 있는 재생에너지원의 출력 특성을 고려할 수 없다. 따라서
미래 계통 계획을 수립하기위해서는 재생에너지 및 기타 계통요소의 확률론적 특성을 포함하는 확률론적 접근법의 도입이 필요하다
(8)-(10).
본 논문에서는 과거 재생에너지 출력 데이터를 분석하여 Monte Carlo Simulation 기반 재생에너지 출력 시나리오 모델링을 수행하였다.
생성된 시나리오를 통해 다양한 재생에너지 발전조건에 따른 선로 과부하 및 모선 전압유지기준범위 위반 여부 등을 검토하고, 송·변전 설비계획 의사결정
수립을 위한 확률론적 정태 안정도 평가 해석 알고리즘을 제안하였다. 제안된 알고리즘은 재생에너지 특성을 고려하지 않는 기존 결정론적 접근법 기반 전력계통
운영 및 계획의 한계를 개선하고 향후 계통요소(예: 재생에너지, 전기자동차 충전수요 등)의 불확실성을 고려한 전력시스템의 안정성 평가 및 적기 설비확충을
위한 대규모 송·변전설비 투자 계획 수립에 활용 가능하다. 또한 시간적·공간적 특성을 반영한 재생에너지 출력을 확률론적으로 모델링하고, 국내 계통환경에
적합한 재생에너지원의 정태 안정도 모델링을 수행함으로써 계통운영자의 합리적인 의사결정을 위한 확률론적 정태 안정도 해석 결과를 제공할 수 있다.
본 논문의 구성은 다음과 같다. 2장에서는 Monte Carlo Simulation 기반 재생에너지 시나리오 모델링 기법을 설명하고, 3장에서는 확률론적
정태 안정도 해석 알고리즘을 제안한다. 4장에서는 제안한 알고리즘을 검토하기위해 모의 계통을 대상으로 확률론적 정태 안정도 해석을 수행한 사례 연구
결과를 보여준다.
2. Monte Carlo Simulation 기반 재생에너지 시나리오 모델링
2.1 개요
Monte Carlo Simulation은 반복적인 무작위 샘플링 및 통계적 분석을 통해 데이터를 추출하는 수학적 기법으로 확률론적 분석을 제공하는데
유용하다 (11), (12). Monte Carlo Simulation 기반 확률론적 재생에너지 시나리오 모델링을 위해서는 과거 재생에너지 출력 데이터 분석이 필요하다. 본
논문에서는 Monte Carlo Simulation을 통해 과거 재생에너지 출력 데이터를 확률 적합하여 추출한 매개변수(parameter)를 기반으로
확률론적 정태 안정도 해석을 위한 재생에너지 시나리오를 추출하였다. 과거 2017년 1월 1일 0시 ~ 2018년 12월 31일 23시(24개월)
전국 풍력발전 출력 데이터를 활용하여 풍력발전 출력 특성을 분석하였으며, 그 결과는 그림 2와 같다.
그림. 2. 2017년, 2018년 풍력발전 출력 특성 분석
Fig. 2. Analysis of the characteristics of wind power generation output in 2017 and
2018
태양광발전 출력 특성 분석은 과거 2020년 1월 1일 0시 ~ 2020년 12월 31일 23시(12개월) 제주 태양광발전 출력 데이터를 활용하였으며,
그림 3는 2020년 6월 1일 0시 ~ 2020년 7월 31일 23시의 태양광발전 출력 및 환경변수(습도, 기온, 일사) 추세를 분석한 결과이다.
그림. 3. 2020년 태양광발전 출력 및 환경변수 특성 분석
Fig. 3. Analysis of the characteristics of solar power generation output and environmental
variables in 2020
풍력 및 태양광발전 출력 특성을 분석한 결과 풍력발전 출력 데이터는 계절 주기(계절성)를 가지며, 태양광발전 출력은 습도, 기온, 일사 등 환경변수에
따른 시간적 특성이 나타남을 분석하였다. 과거 풍력 및 태양광발전 출력 분석을 통해 도출한 풍력발전의 계절적 특성 및 태양광발전의 시간적 특성을 기반으로
본 논문에서 제안하는 확률론적 정태 안정도 해석을 위한 시나리오 기준을 설정하였다.
표 1은 재생에너지 시나리오 구분 기준을 나타낸다.
표 1. 재생에너지 시나리오 구분 기준
Table 1. Classification criteria for renewable energy scenarios
|
계절
|
비고
|
시간
|
비고
|
|
봄
|
3월~5월
|
일출
|
07:00~18:59
|
|
여름
|
6월~8월
|
|
가을
|
9월~11월
|
일몰
|
19:00~
익일 06:59
|
|
겨울
|
1월~2월, 12월
|
계절 및 시간을 기반으로 분류된 8가지 시나리오는 재생에너지 발전단지/지역별로 그룹화 하였으며, 풍력 및 태양광발전의 그룹별 평균 출력 및 표준편차를
산출하였다. 과거 재생에너지 발전량 데이터 분석을 통해 산출된 평균 및 표준편차는 발전단지별 확률분포 적합을 위한 매개변수로 사용되며, 본 논문에서는
정규분포(normal distribution or gaussian distribution) 및 베이불 분포(weibull distribution)를
확률분포 모델로 활용하여 Monte Carlo Simulation 기반 재생에너지 시나리오를 모델링하였다.
식(1),
식(2)는 각각 정규분포 및 베이불 분포의 확률밀도 함수 식이다
(13), (14).
정규분포는 가장 기본적인 확률분포로 표본 데이터의 평균($\mu$) 및 표준편차($\sigma$)를 매개변수로 활용한다. 베이불 분포는 재생에너지의
특성을 반영할 수 있는 분포로 표본 데이터의 평균 및 표준편차를 기반으로 산출할 수 있는 형상 모수(shape parameter, k) 및 척도 모수(scale
parameter, c)를 매개변수로 활용한다. 발전단지별로 산출된 대표 매개변수를 통해 Monte Carlo Simulation 기반 재생에너지
출력 시나리오를 샘플링 하였으며, 샘플링 횟수는 최소 1,000번 이상으로 설정하였다. 샘플링된 시나리오는 향후 계통요소의 불확실성 모델링 및 전력시스템의
확률론적 정태 안정도 평가를 위한 입력데이터로 활용된다
(15).
그림 4는 Monte Carlo Simulation 기반 재생에너지 시나리오 모델링 알고리즘이다.
그림. 4. Monte Carlo Simulation 기반 재생에너지 시나리오 모델링 알고리즘
Fig. 4. Proposed algorithm to predict probabilistic renewable energy scenarios based
on Monte Carlo Simulation
2.2 Monte Carlo Simulation 기반 재생에너지 시나리오 모델링
본 장에서는 제안한 재생에너지 시나리오 모델링 알고리즘을 검토하기위해 Monte Carlo Simulation 기반 재생에너지 시나리오를 생성하였다.
시나리오 생성을 위해 가정한 재생에너지원의 설비용량 및 평균 출력, 표준편차는 다음과 같다.
- 설비용량: 200MW
- 평균 출력: 70MW (이용률 35%)
- 표준 편차(출력 변동성): 20%
위와 같은 조건을 기반으로 Monte Carlo Simulation (16)을 통해 모델링한 재생에너지 출력 시나리오의 평균 출력은 약 72.7MW이다. 그림 5는 제안한 알고리즘을 기반으로 생성된 재생에너지 출력 전체 시나리오의 히스토그램이다.
그림. 5. Monte Carlo Simulation 기반 재생에너지 시나리오 모델링 결과
Fig. 5. Renewable energy scenario modeling results based on Monte Carlo Simulation
3. 확률론적 정태 안정도 해석
전력시스템 내 재생에너지 발전비중이 일정 수준 이상이 되는 경우, 출력 변동성 및 불확실성에 의해 전력시스템 운영에 불안정성이 야기된다. 본 장에서는
“2. Monte Carlo Simulation 기반 재생에너지 시나리오 모델링”을 통해 생성된 시나리오를 입력데이터로 활용하여 전력조류계산(power
flow analysis)을 수천에서 수만 회 반복적으로 수행하였다.
3.1 확률론적 정태 안정도 해석 알고리즘 개요
확률론적 정태 안정도 해석을 위한 입력데이터는 총 4가지로 다음과 같이 구분된다.
① Monte Carlo Simulation 모델링을 통해 생성한 재생에너지 시나리오
② 재생에너지 투입 증·감발량에 따른 기존 동기발전기 및 슬랙발전기(slack) 출력을 조정하기위한 Merit Order
③ 초기 계통 DB
④ 수렴 시나리오를 대상으로 N-1 상정고장을 수행하기위한 상정고장 입력파일(*.sub, *.mon, *.con)
그림 6은 본 논문에서 제안하는 확률론적 정태 안정도 해석 전체 알고리즘이다.
그림. 6. 확률론적 정태 안정도 해석 알고리즘
Fig. 6. Augmented power flow calculation for probabilistic steadystate analysis
3.2 송·변전 설비계획 의사결정 수립을 위한 확률론적 정태 안정도 해석 절차
확률론적 정태 안정도 해석은 크게 4단계로 구분되며, 각 단계에 대한 설명은 아래와 같다.
① Monte Carlo Simulation을 통해 모델링된 재생에너지 시나리오 입력 및 Merit Order에 따른 동기발전기 출력 조정
② 정상상태 조류계산 및 수렴 여부 확인
③ 수렴 시나리오 대상 N-1 상정고장 수행
④ 확률론적 정태 안정도 결과 해석
3.2.1 확률론적 재생에너지 시나리오 입력 및 Merit Order 기반 동기발전기 출력 조정
Monte Carlo Simulation 통해 모델링된 확률론적 재생에너지 시나리오가 초기 계통에 투입되면 재생에너지 출력 증·감발량에 따라 전력수급
균형을 유지하기위한 기존 동기발전기 출력 조정이 필요하다 (17). 본 논문에서는 초기 계통을 기준으로 재생에너지 출력 증·감발량을 산출하였으며, 기존 동기발전기는 산출된 재생에너지 출력 증·감발량 및 Merit
Order에 따라 출력이 조정된다. 동기발전기 출력 조정 절차는 크게 2가지로 다음과 같이 구분된다.
① 재생에너지 출력 감소에 따른 동기발전기 출력 증가
확률론적 재생에너지 시나리오에 의해 재생에너지 발전량이 초기 계통에 비해 감소하였을 경우, Merit Order에 따라 기존 계통에 연계되어있는 동기발전기(In-service
ON)는 최대 유효전력 발전량($P_{\max}$)이 되도록 출력을 조정하고, 계통에 연계되어있지 않은 동기발전기(In-service OFF)는 발전기를
가동하여(In-service ON) 설정된 초기 유효전력 발전량($P_{"\ge n"}$)으로 출력을 조정한다.
② 재생에너지 출력 증가에 따른 동기발전기 출력 감소
확률론적 재생에너지 시나리오에 의해 재생에너지 발전량이 초기 계통에 비해 증가하였을 경우, Merit Order에 따라 기존 계통에 연계되어있는 동기발전기(In-service
ON)를 최소 유효전력 발전량($P_{\min}$)으로 출력을 조정한다. 이 과정에서 최소 유효전력 발전량이 0MW인 경우에는 동기발전기를 In-service
OFF 상태로 조정한다.
위와 같이 재생에너지 시나리오에 따른 기존 동기발전량 출력 조정이 완료되면 정상상태 조류계산을 수행한다. 정상상태 조류계산 결과 슬랙발전기 출력이
최대 유효전력 발전량($P_{\max}$) 또는 최소 유효전력 발전량($P_{\min}$) 범위를 벗어난 경우 위의 과정을 반복하여 동기발전기 출력을
재조정하였다.
3.2.2 정상상태 조류계산 및 수렴 여부 확인
재생에너지 시나리오 기반 동기발전기 및 슬랙발전기 출력 조정이 완료되면 최종 계통 DB를 대상으로 정상상태 조류계산이 수행된다. 본 논문에서는 Full
Newton Raphson(FNSL) 기법을 적용하여 조류계산을 하였다. 뉴턴-랩슨 기법(Newton-Raphson method)은 초기 값과 목적함수의
미분을 통해 함수의 최솟값을 계산하며, 벡터 행렬 비선형방정식의 해를 찾기 위해 선형 근사를 적용한다. 식(3)은 뉴턴-랩슨 함수식이다.
정상상태 조류계산 수렴성 향상을 위해 변압기 및 DC Tap, 조상설비 투입량이 자동적으로 조정되어 지정된 모선을 제한전압 이내로 유지할 수 있도록
설정하였다. 재생에너지 시나리오를 기반으로 정상상태 조류계산을 수행한 결과 수렴된 시나리오는 다음 단계인 상정고장이 수행되지만, 발산한 시나리오는
별도의 상정고장을 수행하지 않고 다음 시나리오로 넘어간다. 본 논문에서 가정한 발산 기준은 다음과 같다.
- Blown up 또는 Iteration 30(회) 이상
- System Total Absolute Mismatch 10.0(MVA) 이상
3.2.3 상정고장
대부분의 경우 정상상태에서는 선로 과부하 및 모선 전압문제가 발생하지 않기 때문에 상정고장을 통해 정태 안정도 해석 과정이 필요하다 (18). 본 논문에서는 정상상태 조류계산에서 수렴된 시나리오를 대상으로 N-1 상정고장을 실시하였으며, 상정고장은 PSS/E의 AC 상정고장 자동계산(AC
Contingency Solution, ACCC) 기능을 활용하였다.
3.2.4 확률론적 정태 안정도 해석 (결과 저장)
재생에너지 시나리오에 대한 정상상태 및 상정고장 수행 후, 확률론적 정태 안정도 해석을 위해서는 결과 저장이 필요하다. 제안된 알고리즘에서는 검토
계통의 전체 선로 부하율(%) 및 모선 전압(PU) 결과 값이 저장된다. 표 2는 확률론적 정태 안정도 해석을 위해 저장되는 결과 파일이다.
표 2. 확률론적 정태 안정도 해석 결과 파일
Table 2. List of probabilistic steadystate analysis report
|
구분
|
세부항목
|
|
선로 부하율
|
선로 부하율(%)
|
|
모선 전압
|
모선 전압(PU)
|
|
수렴 여부 확인
|
발산 시나리오 번호, 발산 Flag, Iteration, Mismatch
|
|
PSS/E 계통
|
수렴 및 발산 시나리오 PSS/E 계통 DB
|
|
상정고장 결과
|
상정고장 종류 및 고장별 조류계산 수렴여부 검토, 상정고장별 과부하 및 전압 검토
|
4. 사례 연구
4.1 확률론적 정태 안정도 해석 개요
본 장에서는 제안한 확률론적 정태 안정도 해석 알고리즘 검증을 위해 약 17GW의 재생에너지원이 투입된 계통을 대상으로 사례 연구를 실시하였다. 확률론적
정태 안정도 해석은 크게 2가지(선로 부하율 및 모선 전압)로 구분하여 분석하였다. 또한 제안된 알고리즘을 통해 도출한 확률론적 분석 결과를 기존
결정론적 분석 결과 값과 비교하기위해 산출된 결과를 확률밀도함수로 나타냈다. 다음은 본 논문에서 확률론적 정태 안정도 해석을 위해 가정한 선로 과부하
및 모선 전압유지기준범위 정의이다.
- 선로 과부하: 부하율 100(%) 초과
- 모선 전압유지기준범위 초과: 저전압 0.95(PU) 미만,
과전압 1.05(PU) 초과
4.2 확률론적 정태 안정도 해석 I (선로 부하율)
그림 7은 선로 A(상정고장 A)의 확률론적 정태 안정도 확률밀도함수로, 파란색 실선은 결정론적 분석 결과를 의미하고 검은색 곡선은 검토 대상 선로 및 상정고장에
대한 확률론적 분석 결과를 의미한다. 검토 대상으로 선정한 선로 A(상정고장 A)의 결정론적 분석 결과는 선로 부하율이 약 14%인 반면, 확률론적
분석으로는 해당 선로에 과부하가 발생하는 비율은 전체 시나리오 대비 약 1.4(%), 최대 부하율은 약 112.5(%)임을 분석하였다.
그림. 7. 확률론적 정태 안정도 결과 I (선로 부하율)
Fig. 7. Probability density function of probabilistic steadystate analysis I (branch
flow)
그림 7의 각 영역은 백분위수가 0%~25%(초록), 25%~50%(연두), 50%~75%(노랑), 75%~100%(주황)임을 의미한다. 만약 선로 부하율이
설정한 기준(부하율 100%)을 초과하는 경우에는 위험(risk) 상태
(19)로 분류되어 백분위수 영역과 관계없이 해당 영역은 빨간색으로 나타난다.
표 3은 백분위수에 따른 선로 부하율 결과 값을 나타낸다.
표 3. 확률론적 정태 안정도 백분위수 I (선로 부하율)
Table 3. Percentile of probabilistic steadystate analysis I (branch flow)
|
백분위수
|
선로 부하율(%)
|
|
0%
|
11.1
|
|
25%
|
42.25
|
|
50%
|
55.80
|
|
75%
|
70.83
|
|
100%
|
112.50
|
4.3 확률론적 정태 안정도 해석 II (모선 전압)
그림 8은 모선 A(상정고장 B)의 확률론적 정태 안정도 확률밀도함수이다. 선로 부하율 결과 값과 동일하게 파란색 실선은 결정론적 분석 결과를 의미하며,
검은색 곡선은 검토 대상 모선 및 상정고장에 대한 확률론적 분석 결과를 의미한다. 검토 대상으로 선정한 모선 A(상정고장 B)의 결정론적 분석 결과는
모선 전압이 약 1.036(PU)인 반면, 확률론적 분석으로는 해당 모선에서 전압유지기준범위를 초과하는 비율이 전체 시나리오 대비 약 37.1(%),
최대 전압은 약 1.057(PU)임을 분석하였다.
그림. 8. 확률론적 정태 안정도 결과 II (모선 전압)
Fig. 8. Probability density function of probabilistic steadystate analysis II (bus
voltage)
그림 8의 각 영역은 백분위수가 0%~25%(초록), 25%~50%(연두), 50%~75%(노랑), 75%~100%(주황)임을 의미한다. 검토 대상인 모선
A(상정고장 B)은 모선 전압이 설정한 기준(저전압 0.95PU 미만 또는 과전압 1.05PU 초과)을 위반하는 경우가 존재한다. 이에 따라 해당
값은 백분위수 영역과 관계없이 위험(risk) 상태로 분류되어 빨간색으로 나타냈다.
표 4는 백분위수에 따른 모선 전압 결과 값을 나타낸다.
표 4. 확률론적 정태 안정도 백분위수 II (모선 전압)
Table 4. Percentile of probabilistic steadystate analysis II (bus voltage)
|
백분위수
|
모선 전압(PU)
|
|
0%
|
1.030
|
|
25%
|
1.048
|
|
50%
|
1.049
|
|
75%
|
1.051
|
|
100%
|
1.057
|
제안된 정태 안정도 해석 알고리즘을 통해 분석한 선로 부하율 및 모선 전압 결과를 통해 기존 결정론적 분석 결과에 따라 안전하다고 판단되는 선로 또는
모선일지라도 다양한 재생에너지 발전조건을 고려한 확률론적 정태 안정도 해석을 통해 선로 과부하 또는 모선 전압유지기준범위를 초과하는 사례가 발생할
수 있음을 검토하였다.
5. 결 론
대규모 재생에너지원의 발전비중이 확대됨에 따라 전력시스템의 계통 신뢰도 및 유연성 확보가 필요하다. 이는 재생에너지의 특성을 고려한 확률론적 정태
안정도 해석이 필요함을 시사한다. 본 논문에서는 Monte Carlo Simulation 기반 재생에너지 시나리오 모델링을 수행하였으며, 확률론적
정태 안정도 해석 알고리즘을 제안하여 선로 과부하 및 모선 전압유지기준범위 위반 여부를 분석하였다. 기존에는 재생에너지가 가혹하게 반영된 조건에서
주로 계통 검토를 수행하기 때문에 발견하지 못했던 문제를 제안한 알고리즘을 통해 확률적으로 재생에너지 출력 수준을 다양하게 검토함으로써 발생 가능한
문제 및 취약선로 또는 취약모선을 검토하여 적기 설비확충을 위한 송·변전설비계획 의사결정을 수립하는데 활용될 수 있다.
향후 연구에서는 기존 풍력 및 태양광 발전원의 출력 특성을 활용하여 건설예정 또는 신규 발전설비의 출력 및 부하 시나리오를 모델링하고, 생성된 시나리오를
기반으로 수천~수만 회 반복 조류계산 및 8760시간 연속 조류계산을 수행하여 신규 전력설비 투입에 따른 수용한계 분석 및 계통 유연성을 확보하고
계통 안전도를 평가하고자 한다.
Acknowledgements
This work was supported by the Korea Electric Power Corporation (No. R21XO01-1)
References
IRENA, Renewable capacity statistics 2020, 2020, International Renewable Energy Agency(IRENA),
Abu Dhabi, United Arab Emirates: IRENA
IRENA, Statistics Time Series–Available at: < https://irena. org/Statistics/View-Data-by-Topic/Capacity-and-Generation/Statistics-Time-Series>.[accessed
28.6.2021]
Ministry of Trade, Industry and Energy, 2020, The 9th Basic Plan of Long-Term Electricity
Supply and Demand
J. Ahn, , A study on power system flexibility reinforcement in preparation for increased
penetration of renewable energy, Korea Energy Economics Institute - Available at:
<https://www.keei. re.kr/web_keei/d_results.nsf/0/8C29CD0C5FCBBBA449258265002BEBA1>.[accessed
28.7.2021].
B. Koo, 2020, The flexibility evaluation method in the future power systems, The Korean
Institute of Electrical Engineers, Vol. 69, No. 6, pp. 11-16
Y. Chang, 2018, Risk assessment of generation and transmission systems considering
wind power penetration, In 2018 International Conference on Power System Technology(POWERCON),
pp. 1169-1176
H. Kim, 2005, Probabilistic Security Analysis in Composite Power System Reliability,
Proceedings of the KIEE Conference. The Korean Institute of Electrical Engineers,
pp. 46-48
Morales., 2007, Point estimate schemes to solve the probabilistic power flow, IEEE
Trans. Power Syst., Vol. 22, pp. 1594-1601
P. Henneaux, 2015, Probabilistic security analysis of optimal transmission switching,
IEEE Trans. Power Syst., Vol. 31, No. 1, pp. 508-517
M. Przygrodzki, 2020, The Use of Probabilistic Approach in Power System Security Analyses,
In 2020 21st International Scientific Conference on Electric Power Engineering(EPE),
pp. 1-5
S. Raychaudhuri, 2008, Introduction to monte carlo simulation, In 2008 Winter simulation
conference, pp. 91-100
C. Singh, 2006, Power system adequacy and security calculations using Monte Carlo
simulation incorporating intelligent system methodology, In 2006 International Conference
on Probabilistic Methods Applied to Power Systems., pp. 1-9
A. Adeyeye, 2020, On probabilities of misclassification related to logit-normal distribution,
African Journal of Mathematics and Statistics Studies, Vol. 3, No. 4, pp. 72-77
F. Mahmood, 2020, Wind characteristic analysis based on Weibull distribution of Al-Salman
site, Iraq. Energy Reports, Vol. 6, pp. 79-87
Agreira., 2006, Probabilistic steady-state security assessment of an electric power
system using a Monte Carlo approach, Proceedings of the 41st International Universities
Power Engineering Conference, Vol. 2, pp. 408-411
D. Min, 2018, Evaluating the effects of Korea’s nuclear & coal phase-out and renewable
energy shift on the power system reliability, Korea Energy Economic Review, Vol. 17,
No. 1, pp. 1-35
S. Lee, 2015, Study on Emergency Generator Capacity Selection(PG3) in the Chemical
Plant, Journal of the Korean Institute of Illuminating and Electrical Installation
Engineers, Vol. 29, No. 12, pp. 55-60
PPS/E(v.33), User Guidebook
R. Billinton, 1988, Criteria used by Canadian utilities in the planning and operation
of generating capacity, IEEE Trans. Power Syst., Vol. 3, No. 4, pp. 1488-1493
저자소개
She received the B.S. degree in electrical engineering from Sangmyung University,
South Korea, in 2020.
She is currently a Graduate Student with the Department of Climate and Energy Systems
Engineering, Ewha Womans University.
Her research interest includes probabilistic estimation of renewable energy resources
for power grid.
She recived her B.S and M.S. degrees in Electrical Engineering from SangMyung Univ,
Seoul, Korea in 2015 and 2017.
At present, she is a researcher in Power Grid Group of KEPCO Research Institute.
Her research interests include power system analysis, renewable energy integration
study and FACTS planning.
He recived his B.S and Ph.D degrees in Electrical Engineering from Korea Univ, Incheon,
Korea in 2011 and 2018.
At present, he is a senior researcher in Power Grid Group of KEPCO Research Institute.
His research interests include power system analysis, HVDC oper- ation strategy.
He recived his B.S and M.S. degrees in Electrical Engineering from Incheon National
Univ, Incheon, Korea in 2002 and 2004.
At present, he is a principal researcher in Power Grid Group of KEPCO Research Institute.
His research interests include power system analy- sis, HVDC and FACTS planning.
He received the B.S. degree in radio and communication engineering and the M.S.
degree in electrical engineering from Korea University, Seoul, South Korea.
He earned his Ph.D. degree in the Electrical and Computer Engineering Department at
The University of Texas at Austin, Austin, TX, USA, in December 2017.
In 2018, he joined LG CNS as a managing consultant and participated in energy storage
system planning projects.
He is currently an Assistant Professor at Sangmyung University, in Seoul, Republic
of Korea.
His research interests are primarily in optimization of power systems, risk-hedging
strategies, and pricing rule in electricity markets.
He received his B.S., M.S. degrees in Electrical Engineering from Korea University,
Seoul, Korea, in 1997 and 1999, respectively, and a Ph.D. degree in Electrical and
Computer Engineering from the University of Texas at Austin in 2012.
He is currently an Associate Professor with the Department of Climate and Energy Systems
Engineering at Ewha Womans University.
His research interests are in all areas related to integrate high level of variable
generating resources into Electric Power Systems.