2.1 장기계통계획 DB 구성안

한국전력공사는 2년 단위로 시행되는 전력수급기본계획을 기반으로 미래 전력계통을 해석하고, 안정적인 계통 운영 및 망 보강 계획을 수립한다. 2020년 수립된 제9차 전력수급기본계획은 2030년 온실가스 배출량 목표 달성 이행을 주목적으로 수립되었고, 한국전력공사에서는 이를 바탕으로 중장기 계통 해석 목적의 DB를 구성하여 사용하고 있다. 기존의 DB는 그림 1과 같이 수요 수준별로 구성되는데, 첨두부하(100%) 조건을 기준으로 중간부하(80%), 경부하(60%)의 형태로 구성된다. 여기에 전력수급기본계획상에 명시된 15개년도 중 앞선 9개년도를 중장기 계통 해석, 그리고 마지막 1개년도를 초장기 계통 해석 목적으로 구성하여 총 10개년도에 대한 DB를 구성한다.

그림. 1. 기존의 전력계통 해석용 DB 구성

Fig. 1. Conventional DB for power system analysis

계통 해석 DB에 대하여 재생에너지원의 반영은 8차부터 수행되었다. 하지만 재생에너지원 이용률이 전국적으로 동일하여 재생에너지 출력의 지역적 특성이 제대로 반영되지는 못하였다. 또한 춘계나 추계의 낮시간과 같이 경부하 조건에서 재생에너지 출력이 높아 문제가 발생할 수 있는 조건 역시 기존의 DB에서는 확인하기 어려워 수요 수준별 DB의 한계가 명확해진 상황이다.

이러한 문제를 극복하기 위하여 재생에너지의 변동성과 불확실성, 수요의 시간적 특성 등을 계통 해석에 반영해야 하는 필요성이 증가하게 되고, 이에 따라 기존의 결정론적(deterministic)인 전력계통 해석의 한계를 넘어 확률론적(probabilistic) 계통 해석에 대한 연구가 진행되고 있다. 하지만 대규모 전력계통을 해석하는 입장에서 모든 케이스를 확률론적 해석으로 검토하기에는 무리가 있다. 이에 대한 해법으로 한국전력공사에서는 기존의 수요 수준별 DB의 한계를 극복하기 위하여 계절별/시간별 DB를 구성하기 위한 방안을 연구 및 적용 중에 있다. ERCOT(Electric Reliability Council of Texas)이나 NREL(National Renewable Energy Laboratory) 등과 같은 해외 전력사 및 미국국립재생에너지 연구소에서는 재생에너지의 지리적, 공간적 특성과 수요의 시간적 특성을 반영할 수 있는 해석 모델을 수립하는데 4개의 계절과 4개의 시간 특성을 반영하여 수요나 재생에너지 출력 특성을 반영하고, 지역별로 재생에너지의 출력 조건을 달리하여 지역적 특성까지 고려하고 있다. 이에 한국전력공사도 표 1과 그림 2와 같이 봄, 여름, 가을 겨울 4계절과 아침, 점심, 저녁, 야간 4개 시간으로 구분하여 2~5년간의 수요 및 재생에너지 발전실적을 반영하여 시간적, 공간적 특성을 반영한 계통 해석용 DB를 준비 중이다.

그림. 2. 개선된 전력계통 해석용 DB 구성 (계시별 DB)

Fig. 2. Advanced DB by season and time

이러한 DB 구성을 통해 기존의 수요 수준별 DB에서는 검토하지 못하는 시나리오를 확인할 수 있는데, 예를 들어, 춘계 주간의 경우에는 수요가 낮고 재생에너지 출력이 높은 호남지역에 대한 상세 검토가 가능하고, 반대로 최대 부하 시에는 수요가 많고, 융통 조류량도 많은 수도권 중심으로 계통 검토가 가능하다. 이러한 계시별 DB 구성은 미래 전력계통에 대한 정밀 검토를 가능토록 하지만, 계통 해석자 입장에서는 검토해야 할 DB가 6배 수준으로 증가하기 때문에 부담이 가중된다. 따라서 전력계통 해석용 DB의 안정성 향상은 원활한 계통해석을 위하여 필수적인 문제이다.

2.2 Python 기반의 제어기 모듈화 방안 도입 필요성

해석용 DB 개수가 증가하는 이러한 환경에서 Python 언어 기반의 제어기 모듈화 방안이 요구되는 이유는 다음과 같다. 첫 번째, UDM 모델의 경우 Fortran 기반의 언어로 컴파일되어 dll 형태로 계통 운영자에게 제공되는데, 제조사에서 직접 설비 특성과 제어기 구성을 반영하여 코드를 작성한다. 이에 따라 과도 모의 시 발생하는 초기값 동요 문제나 Initialization error 문제에 대해 적극적인 대응이 어렵다. 초기값이 흔들리게 되면 오차가 누적되어 계통이 발산하는 결과가 관찰되는데 이를 해결하기 위해 제조사와의 주기적인 협의를 통해 UDM 모델 코드 수정하거나 시뮬레이션 timestep을 임의로 작게 바꿔주면서 적분값을 작게 만들어 모의를 수행한다. 그러나 이는 많은 시뮬레이션 시간을 야기하며 장기 동적 모의가 불가능하고 지속적으로 변하는 계통 DB에 대해 코드를 매번 수정하는 작업도 비효율적이다. 두 번째, IEEE-1547 standard에 따라 계통 운영자는 신재생에너지 사업자에게 개선된 인버터 모델을 요구할 가능성이 크고, UDM 모델도 그에 맞춰 지속적으로 개선되어야 한다. 결국 인버터의 제어 구조에 따른 각기 다른 UDM 모델이 요구된다. 실제로 2021년 5월 9일 미국 Odessa Event 사례⁽⁴⁾를 살펴보면 1선 지락 사고 이후 1,112 MW의 태양광 연쇄 탈락으로 인해 주파수가 59.8 Hz까지 떨어졌는데, 원인을 분석해본 결과 계통 운영자(NERC)가 모델링한 인버터 모델과 실제 제조사 간의 성능 차이가 매우 컸다. 이에 따라 고신뢰성이 보장된 계통 운영 및 계획을 위해서는 인버터 성능에 따른 각기 다른 UDM 모델이 요구된다. 하지만 앞서 언급했듯이 인버터 제조사 및 그리드 코드에 따라 다양한 flag 기능이 포함된 UDM 모델이 포함된 검토 DB의 개수가 증가함에 따라 UDM의 출력 특성을 반영하면서 신속한 계통 검토를 수행할 수 있는 또 하나의 대안이 필요하다. 세 번째, 근래에는 재생에너지 출력 특성을 반영한 PSS/e의 준동적 모의 연구 혹은 PSS/e의 실시간 동적 모의 연구가 제안되고 있는데, 이러한 준동적 해석을 위해 모든 설비를 상세 모델링을 하는 방안은 바람직하지 않다. 간단한 계통의 유연성 평가, 가상 관성 평가, 주파수 평가 등은 간단한 등가 모델로 신속한 결과를 내는 것이 바람직하므로 본 논문에서 제안한 방법이 활용될 수 있다. 특히 DB 안정화에 큰 시간 소요가 발생하는 경우 본 논문에서 제안한 방안이 하나의 적용 가능한 대안이 될 수 있다는 점을 분명히 하고자 한다.

3.1 Python 기반의 제어기 모듈화 방안 소개 및 적용 방안

3.1.1 Python 기반의 제어기 모듈화 방안 적용 방법

본 논문에서 제안하는 Python 기반의 제어기 모델은 ANDES 프로젝트(National Science Foundation 후원)에서 공개한 Github (https://github.com/cuihantao/andes) 자료를 참고하였으며, Python 코드로 구성되어있는 미분 방정식 수식을 참고하였다. 본 연구에서는 외부 제어기 목적에 맞는 PI(proportional-integral) 제어기, Lag 제어기, Lead-Lag 제어기, Second-order 시스템 제어기에 대해 개발 완료하였으며 오차에 대해 제한을 두는 windup-limiter를 포함하였다. 각 제어기가 모듈화되어있으므로, 2개의 제어기에 대한 연계 코드를 쉽게 작성할 수 있으며 해당 내용은 뒤에서 다루도록 한다.

그림. 3. 제안 방법 개념도

Fig. 3. Overview of proposed methodology

제안하는 방법론은 그림 3과 같이 크게 3가지로 단계로 이뤄진다. 우선 Python 언어로 s-domain 형태의 다양한 제어기들을 class 구조로 모듈화하여 drag & drop을 할 수 있도록 코드를 구성한다. 두 번째는 모듈화된 제어기들을 가져와 원하는 출력 특성을 만들 수 있도록 외부 제어기 구조를 설계한다. 구성한 외부 제어기 출력은 PSS/e 상에서 그대로 반영되므로 미리 출력값을 코드 결과로 확인해본다.

조금 더 자세히 서술하자면 Step 2의 경우 2가지 방향으로 모델링이 가능한데 ① 만약 문제가 발생하는 특정 UDM 모델을 대체하는 것이 목적이라면 최대한 유사하게 제어 블락 다이어그램을 Python 기반의 제어기로 설계해서 반영시키는 방안을 적용한다. 이 경우 Initialization 단계에서는 해당 모델이 포함되지 않기 때문에 모델로 기인한 불안정 문제는 발생하지 않고, 과도 모의가 시작하는 $t=0$부터 부하 모델을 통해 전력이 주입된다. 전류를 주입하는 UDM 모델과는 차이가 있으나, 최종적으로 주입되는 UDM 모델의 유효 및 무효전력의 특성을 그대로 모방하는 제어기를 설계함으로써 UDM 모델 특성을 반영할 수 있다.

UDM 모델을 대체하는 것이 아니라 본 논문의 주요 목적인 특정 외부 제어기를 기존 모델에 추가해서 다양한 계통 해석을 하고자 한다면 ② 내장된 다양한 generic 모델의 지령치를 Python 기반의 제어기로 signal을 생성해 주입하는 방안이 있다. 이 방안의 경우 PSS/e 모델 내에 PLBVFU1 모델 개념을 참고하였는데, 해당 모델은 사용자가 원하는 전압과 주파수 signal을 발전기 모델에 넣어줄 수 있다. 원하는 signal 데이터를 메모장 형태로 적용하면 과도 모의 시 그 값이 시간에 따라 그대로 반영된다. 쉽게 말해 지정 발전기가 원하는 파형대로 주파수/전압 제어를 수행하며, 두 번째 방안은 이와 동일한 개념이라고 말할 수 있다. 해당 방안은 특수설비나 신재생에너지 인버터에 대해 특수한 목적을 가지는 외부 제어기(Inertia emulation 제어, Remedial action 제어, Corrective 제어 등)를 설계해 결과를 검증해보는 용도로 적합하다.

마지막 Step 3에서는 모델링하고자 하는 설비의 특성에 따라 운전 제약, 전압 제약 등 대수방정식을 설계한다. 언급한 부분은 간단한 예시를 통해 자세히 설명하고자 한다. 예를 들어 아래 그림과 같이 PSS/e generic ESS 모델인 CBEST를 제어기 모듈을 통해 설계한다고 가정했을 때 그림 4의 첫 번째 제어 블락도에 해당하는 $T_{1},\:T_{2},\:T_{3},\:T_{4}$ 파라미터 부분은 그림 5의 2개의 Lead-Lag 제어기로 치환할 수 있고, 그 뒤의 부분은 지연기와 드룹 계수를 활용해 유효전력 및 전압 제어를 수행하는 ESS 모델을 구성할 수 있다. 즉 총 3개의 제어기 모듈을 가져와 출력 부분을 각 모듈의 입력 부분에 연계해준다면 아래 제어 블락도와 동일하게 설계가 가능하다.

그림. 4. PSS/e CBEST ESS 모델 제어 구조

Fig. 4. Control Structure of CBEST Model in PSS/e

그림. 5. 제어 블락도 변환 결과 (2개의 Leag-lag 제어기)

Fig. 5. Transformation result of the first control block diagram

그림 6과 그림 7은 위와 같은 방식으로 특수설비 중 하나인 SVC(Switched Virtual Circuit)를 Python 기반의 제어기로 실제 모델링한 결과이다. 제어 블락도는 CBEST 모델과 유사하며, 2개의 Lead-Lag 제어기와 1개의 지연기, 그리고 드룹 계수로 이루어진다. SVC의 경우 유효전력 혹은 무효전력을 제어하는 것이 아닌 Susceptance 값을 제어하므로 최종적으로 무효전력을 주입하기 위해 $S=GV^{2}-j BV^{2}$의 수식을 활용해 $-BV^{2}$으로 무효전력을 주입하였다. 5초에 3상 선로 사고 발생 이후 SVC의 Susceptance 제어 결과 및 무효전력 출력 결과를 관찰한 것이며, 아래 그림을 통해 제안한 제어기가 실제 모델 결과와 유사함을 확인하였다. SVC 외에도 다양한 특수설비가 등가화되어 모델링이 가능하며, 전류 제약을 전력 제약으로만 변경해 적용 가능하다.

그림. 6. PSS/e SVC 모델 제어 구조

Fig. 6. Control Structure of SVC Model in PSS/e

그림. 7. 사고 시 SVC 모델 출력 결과

Fig. 7. SVC model output results with contingency

위의 모델의 경우 단순한 제어 구조로 이루어져 있어 전달함수 특성을 최대한 모방할 수 있으나 time-domain 상에서 실제 모델의 출력 특성만 알고 있다면 복잡한 전달함수를 모두 반영하지 않고 출력 특성을 PSS/e에 반영시킬 수 있다. 물론 전체 시스템을 간단히 등가화하는 연구는 여러 단점이 있지만 앞서 언급한 것과 같이 PSS/e의 준동적 모의 연구 혹은 실시간 동적 모의, 그리고 신속한 계통 검토용으로는 충분히 적용 가능한 방법론이다. 한 예로 발전기의 조속기의 경우 단순히 1차 지연기 혹은 2개의 지연기 및 드룹 계수로 모델링하여 상태 공간 방정식을 구성하거나 역라플라스 변환을 통해 최저 주파수를 계산하는 연구들이 다수 진행되어왔는데 ⁽⁵⁾, 제안 수식을 활용해 간단히 주파수 제어를 위한 발전기의 조속기 모델을 추가할 수 있다. 다만 실제 제어기 구조로 모델링하지 않는 경우 소신호 해석 측면에서 큰 차이를 보임을 인지해야한다. 그러나 계통계획 측면에서 위상각, 주파수, 전압, 과부하 해석 등은 설비의 상세 제어 구조가 해석 결과에 큰 영향을 끼치지 않기 때문에 이러한 방법론 적용이 가능하다. 이처럼 아래 표 2는 UDM 모델, Python 기반의 제안 모델 그리고 Generic 모델의 특징을 정리한 표이다.

표 2. 주입 모델별 특징

Table 2. Characteristic of injection model in PSS/e

UDM 모델	Python 기반 모델	Generic 모델
전류 주입	전력 주입	전류 주입
Initialization error 문제 발생 가능 (초기 값이 API로 읽히지 않는 문제, DSTATE 값 mismatch 문제 등)	Initialization error 발생 불가	Initialization error 발생 불가
빠른 모델링 불가능	빠른 모델링 가능	빠른 모델링 가능
제조사 모델 구현 가능	제조사 모델 구현 가능	제조사 모델 구현 불가능
특정 외부 제어기 추가 시 전체 모델 설계 필요	특정 외부 제어기 추가 시 해당 제어기만 설계 가능	특정 외부 제어기 추가 불가
PSS/e를 통한 소신호 해석 가능	PSS/e를 통한 소신호 해석 불가능	표준 모델에 대해서만 소신호 해석 가능

3.2 Python 기반의 제어기 모듈 검증

본 절에서는 Python 기반으로 구성한 제어기 모듈의 출력을 보이고, 기존 UDM 모델과의 차이점을 설명하고자 한다. 각 제어기 모듈의 출력은 그림 8, 9, 10과 같으며, 최종값으로 20을 입력했을 때의 결과이다. UDM 모델의 경우 state variable을 의미하는 STATE(미분 방정식에 의해 결정되는 순시치)와 state variable time derivatives에 해당하는 DSTATE, 그리고 출력 대수 변수를 의미하는 VAR로 제어기를 구성한다. 이후 제어기들의 출력값이 대수방정식으로 구성된 모드로 넘어가 반복적으로 계통에 전류를 주입한다. 정상상태에 필요한 초기값을 정해주는 모드에서는 상태변수의 초기값을 설정해야하는데, 설정한 제어기 초기값과 $t=0$에서 읽어온 초기값이 맞지 않는 경우 혹은 초기 변화량 값이 0이 아닌 경우에 Initialization error가 발생할 수 있다.

그림. 8. 파라미터 변화에 따른 Lag 제어기 출력 결과

Fig. 8. Output result of lag controller

그림. 9. 파라미터 변화에 따른 Lead-Lag 제어기 출력 결과

Fig. 9. Output result of lead-lag controller

그림. 10. 파라미터 변화에 따른 PI 제어기 출력 결과

Fig. 10. Output result of PI controller

제안하는 Python 기반의 제어기 경우 PSS/e에서 Initialization을 모두 끝내고, 동적 모의가 시작되는 $t=0$ 시점에서의 모든 출력값을 읽어온다. 그리고 UDM 모델과 동일하게 3개의 변수(STATE, DSTATE, VAR)로 제어기가 구성되지만 식(1)~(3)과 같은 Modified Euler 적분법을 직접 적용해줘야하므로 time derivatives에 대한 적분값을 반영하기 위해 사용자가 설정하는 simulation timestep 값과 DSTATE를 곱해주는 문구가 추가된다. 식(4)의 simulation timestep 값은 가장 제어기의 작은 시정수(time constant)보다 작은 적분 스텝값을 요구한다. 이와 같은 과정으로 모델링 된 각 제어기의 출력은 위의 그림과 같으며, 지령치를 변경했을 때의 출력 파형을 볼 수 있다.

4.1 제어기 모듈을 활용한 주파수 제어용 조속기 모델링

본 절에서는 제안한 제어기 모듈을 활용한 PSS/e의 과도 모의 과정을 상세히 설명하고자 한다. 목적은 주파수 제어용 발전기의 조속기를 간단히 모델링하는 것이며, UDM 모델을 사용하지 않고 외부 제어기와 부하 모델만으로 원하는 signal을 계통에 주입하여 결과를 관찰하고자 한다. 우선 Full 모델로 구성되어있는 조속기의 응답 특성을 확인하기 위해 사전 모의를 수행하였다. 모의는 PSS/e의 perform governor response simulation 기능을 통해 수행하였으며, 그림 11은 가스터빈과 화력발전기에 부착된 조속기 모델에 대해 step response (load step = 0.1 pu)를 수행한 결과이다.

그림. 11. PSS/e를 통한 가스터빈 및 화력발전기 조속기 step response (0.1 pu 변화)

Fig. 11. Step response of the governor of gas and thermal plant via PSS/e

위의 그림에서 볼 수 있듯이 1차 지연기 형태의 응답 특성을 보임을 확인할 수 있다. 참고문헌에도 비슷한 결과가 제시되었는데, 한 예로 DEGOV1 조속기 모델에 대해 같은 드룹 계수($K$)를 갖는 25차 모델과 선형 1차 모델의 step response 가 상당히 비슷한 것을 알 수 있다 ⁽⁵⁾. 과도 모의 시간에 따라 오차가 증가할 수 있지만 30초 내외로는 큰 차이를 보이지 않았다. 이에 따라 조속기 모델은 식(5)와 같이 2개의 지연기와 1개의 PI 제어기로 이루어진 전달함수로 등가화하여 제어기를 설계하고자 한다.

$T_{1},\: T_{2}$는 각각 value actuator 및 engine에 대한 부분을 반영하며, PI 제어기를 통해 주파수 제어를 위한 기계적인 출력 $P_{m}$이 생성된다. 제안 방법론을 기반으로 표 3와 같이 가스터빈과 화력발전기에 대해 각각 선정한 파라미터는 아래와 같다. 아래 표의 파라미터를 기반으로 제어 모듈을 가져와 출력 signal을 생성하였고, 그림 12과 같이 주파수 제어를 수행할 수 있는 조속기 모델을 생성하였다. 실제 문헌들에서 산정된 $T_{1},\: T_{2}$ 값보다는 작은 것을 볼 수 있는데 이는 아래 signal을 동일하게 생성하기 위한 값일 뿐이며, 실제 power test에서는 약 3~5 정도의 값을 갖는다.

그림. 12. Python 제어기 모듈 기반의 조속기 등가 모델 step response (0.1 pu 변화)

Fig. 12. Step response of equivalent governor model with python-based control module

마지막으로 전력 주입을 위해 부하 모델을 활용하였으며, 제어기의 timestep과 과도 모의를 위한 시뮬레이션 timestep을 1/1000 cycle로 설정해 제어 지령에 따른 유효전력 출력이 과도 모의 시에 반영될 수 있도록 환경을 구성하였다. 다시 한번 언급하자면 본 모듈의 목적은 신속한 계통 해석이므로 Full 모델과의 출력 response과의 차이는 발생할 수 있으며, 소신호 해석용은 아님을 분명히 한다 ⁽⁶⁾.

그림. 13. IEESGO 모델을 활용한 가상 조속기 모델

Fig. 13. Virtual governor model by using IEEESGO model

실제 과도 모의 상에서의 발전기의 전기적인 유효전력 출력 형태도 관찰해보기 위해 그림 13과 같이 가상 조속기를 모델링하여 발전기의 전기적인 유효전력 출력 결과를 추출하였다. 가상 조속기를 모델링한 이유는 PSS/e에서 발전기가 주파수 변동에 따른 출력이 아닌 지령치 변경을 통한 출력을 보기 위해서는 주파수 변동에 응동하지 않는 가상 조속기 모델 적용이 필요하다. 본 논문에서는 아래 그림과 같이 IEESGO 조속기 모델에서 주요한 파라미터들을 모두 0으로 설정함으로써 사용자가 주입하는 지령치에 기반해 원하는 출력을 낼 수 있도록 모델링하였다.

발전기 지령치 변경을 위해 increment_gref라는 명령어를 통해 변화량에 대한 지령을 주입하였으며, 그림 14과 같이 실제 파형은 그림 11의 step response와는 약간 상이하게 위아래 댐핑이 더 포함되고 있음을 볼 수 있다. 실제 모델의 경우 전류 주입 모델로 생성되어 전압 혹은 타 발전기 출력 변동에 대한 damping 정도가 제안 모델과 다른 것으로 해석되며 이는 선형 2차 시스템 모델 응답과 유사하다. 이를 반영하고 싶다면 Second- order 시스템 제어 모듈을 적용하면 된다. 이 부분은 계통 DB의 성격에 맞게 대응해야 할 필요성이 있으며 본 연구의 주요 목적은 약간의 오차를 감내하더라도 신속하면서 안정적인 동적 모의를 수행하는 것이므로 참고문헌에서 제시한 1차 선형 시스템 모델 수준으로 적용하는 것이 합리적이라고 간주하고 모의를 수행하였다.

그림. 14. PSS/e를 통한 발전기 전기적 유효전력 출력 변화

Fig. 14. Active power output of generator via PSS/e

4.2 발전기 운전 제약을 위한 대수방정식 설계

제어기 설계를 완료했다면 부하 모델에 signal을 주입하기 전에 대수방정식 설계를 통한 운전 범위 제약 알고리즘을 추가해야 한다. 발전기의 운전 제약을 반영하기 위해 아래 그림과 같이 간단한 알고리즘을 도입하였다. 그림 15을 보면 알 수 있듯이 단순한 주파수 제어가 아닌 발전기 AGC(Automatic Generation Control)를 위한 알고리즘으로 구성하였다. 본 논문에서는 단주기 동적 모의로 사례 연구를 수행하였지만, 향후 연구에서는 장주기 동적 모의 환경에서 제안하는 제어기 모듈을 활용한 AGC 연구를 수행할 예정이다. 그림 15에서 볼 수 있듯이 AGC 수행을 위해 각 발전기가 주파수 변동에 대한 출력값을 계산하는 ACE(Area control error) 식이 포함되어있으며 발전기 운전 점을 고려한 참여 계수 산정식이 추가로 포함되어있다. 사례 연구에서는 단주기 동적 모의 환경인 점을 고려해 주파수 하락 시작 시점에서 참여 발전기가 본인의 참여 계수를 고려해 출력을 내는 것으로 모의를 수행하였다. 고려해야 할 점은 실제 발전기값을 바꾼 이후에 바꾼 값이 변화량 개념으로 반영되어 Raw 파일에 반영되지 않고 과도 상에서만 반영되므로 PSS/e API를 통해 그 값을 읽어오지 못한다. 이에 따라 별도의 변수 처리를 통해 운전점 업데이트를 지속적으로 해줘야 한다. 이를 위한 feedback loop를 포함하였고, 이 loop를 통해 발전기들의 운전점 정보를 업데이트하면서 발전기들이 주파수 제어를 수행한다.

그림. 15. 발전기 주파수 제어를 위한 대수방정식 설계

Fig. 15. Design of algebraic equation for frequency control

4.3 제어기 모듈을 활용한 조속기 모델의 동적 모의 결과

동적 모의는 PSS/e를 통해 총 10초간 수행하였으며, 1초에 1,500 MW 용량의 원자력 발전기가 탈락하는 시나리오를 적용하였다. 계통 DB는 재생에너지 발전 50%로 구성되었으며, 동기발전기 용량은 50 GW 수준이다. 발전기 탈락 시, 잔여 동기발전기는 여유량과 드룹 계수에 따라 유효전력을 계통에 추가 주입하고, Python 기반의 제어기로 모델링 한 조속기는 그림 16과 같이 응동한다. 주파수 제어 참여 여부에 대한 계통 주파수 결과는 그림 17와 같으며, 최저 주파수가 약 0.04 Hz 정도 개선됨을 확인하였다.

본 모의에서는 주파수 제어에 참여하는 조속기를 Python 기반의 제어 모듈을 활용해 동적 모의에 적용해보는 사례 연구를 수행하였다. 본 제어 모듈을 통해 수행할 수 있는 연구를 정리해보자면 ① DC 기반의 설비 (HVDC/FACTS/ESS)에서 계통 운영자가 원하는 상위 제어기를 추가해 계통 영향 평가를 해보고 싶을 경우 ② 실시간 동적 모의 혹은 장주기 동적 모의 환경 하에서 다양한 제어기들을 포함한 모의를 해보고 싶을 경우 ③ 많은 양의 DB를 신속하게 검토하고 싶을 경우이다. 이에 따라 향후 후속 연구에서는 전압형 인버터를 Python 기반의 제어기 모듈로 모델링하고, PSS/e 장주기 모의를 통해 다양한 재생에너지 출력 시나리오를 반영하면서 계통 해석 결과를 도출해볼 예정이다.

그림. 16. 발전기의 조속기 유효전력 출력 signal

Fig. 16. Active power output signal

그림. 17. 원자력 발전기 1기 탈락에 따른 주파수 결과

Fig. 17. Frequency result with generation trip