손영건
(Yeong-Geon Son)
1
김성열
(Sung-Yul Kim)
†iD
-
(Dept. of Electrical Energy Engineering, Keimyung University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Economic dispatch, Power to Gas, Columns and constraint generations, Mixed integer linear programming, Two-stage Taylor series
1. 서 론
전력 시스템은 지역마다 발전소와 송전 시스템이 넓게 분포되어 복잡한 특성을 가지므로, 전력망 운영자(Independent system operator,
ISO)는 경제적인 발전량 최적화를 위해 경제급전(Economic dispatch, ED)를 활용해오고 있다. 한국의 전력시장 체제(Cost based
pool, CBP)시장을 기준으로 ISO는 Day-ahead 시장에서 ED를 통해 총 발전비용을 최소화하며, 안정적이고 효율적인 전력 공급 전략을
계획한다(1). 한국의 전력 거래 시스템은 실시간 시장이 운영되지 않으므로 Day-ahead 시장에서 수행되는 ED가 매우 중요하다(2). 한국의 ED는 기본적으로 Conventional generation의 사업자인 독립 전력 공급자(Independent power producer,
IPP)의 발전 입찰을 통해 진행되며, IPP가 입찰한 발전량을 토대로 ISO는 통상적인 발전기(Conventional generators, CG)의
연료비용 및 한계비용을 고려하여 ED를 계획한다. 한국의 전력시장은 CBP기반으로 운영되고 있으므로 발전에 기여한 모든 IPP는 한계비용을 기준으로
발전량에 따른 비용을 정산 받는다(3). 따라서 한계비용이 높으면 입찰에 참여한 모든 IPP의 편익이 증가한다.
전통적인 ED의 경우 ISO는 부하의 예측, 발전기의 용량 제한, 송전 선로의 제한 등을 중점적으로 고려해왔지만, 최근 탄소중립 정책에 의해 재생에너지
공급원(Renewable energy sources, RES)가 급격하게 증가함에 따라 ED 계획의 주요 요인으로 RES가 차지하는 비중이 커지고
있다. RES는 풍력 발전 설비(Wind turbine, WT) 및 태양광 발전 설비(Photovoltaic, PV)가 차지하는 비중이 크며, 이들은
까다로운 출력 예측 및 제어 특성에 의해 전력수요균형을 초래하여 전력 시스템의 안정성을 손상시킬 우려가 있다(4). RES비중이 급격히 증가하고 있는 상황에서 이러한 우려는 전 세계적으로 심화되는 추세이다. 한국의 10차 전력 수급 계획에 따르면 2022년 기준
WT 및 PV의 용량이 각각 22,100 MW와 1,851 MW에서 2030년까지 46,500 MW와 19,300 MW로 증가할 예정이며, 이는 8년
동안 각각 110%와 943%의 증가를 의미한다(5). RES에 내재되는 출력 불확실성과 빠르게 증가하는 RES 용량은 최적 ED의 수립에 큰 영향을 미치는 요인이 될 것으로 판단되며, 이에 따라 ISO는
RES의 불확실성을 충분히 고려하여 ED를 수립해야 한다(6).
(7)에서는 가상 발전소를 사용하여 RES의 불확실성을 보완하는 ED 모델을 제안했다. (8)에서는 WT 출력의 불확실성에 대처하기 위해 WT 출력의 통계 데이터를 사용하여 강건설계 최적화(robust optimization)을 적용한 ED
모델을 제안했다. 이 방법은 WT 출력의 불확실성을 고려하며, WT 출력이 예측보다 크거나 작더라도 최적의 해를 찾는 것을 보장한다. (9)에서도 분포적 기회제약 최적화 (distributionally robust chance-constrained optimization)를 사용하여 WT
출력의 불확실성을 고려했으며 발전기의 출력 제약을 위반할 확률도 고려했다. (10)에서는 RES의 불확실성을 고려하기 위해 robust optimization을 적용하고 가스 시스템에서 공급되는 가스를 사용하여 예비 전력을 보완했다.
RES는 종종 불확실하고 변동하는 출력을 갖는데, 이는 다양한 방식으로 전력 시스템에 부정적인 영향을 미칠 수 있다. RES의 불확실성으로 인해 전력
불균형이 예측될 때 한국의 재생에너지 공급자(Renewable Energy Provider, REP)는 재생에너지법(11)에 따라 감축 명령을 따라야 한다. RES의 감축으로 인한 거래 전기량의 감소는 REP에게 경제적 손실을 가져다주며, 전력 시장의 불확실성이 증가함에
따라 그들의 전력 시스템 참여를 권장하기 어렵게 만든다. RES의 감축은 전력 불균형뿐만 아니라 PV 출력의 집중으로 인한 Duck-curve 효과로도
발생할 수 있으며, 이는 CG의 종료를 유발하고 시작 및 전력 거래 손실로 인해 IPP에게 경제적 손실을 가져다줄 수 있다. 이로 인해 IPP들은
최소 발전량을 유지하고 CG의 기동 비용을 피하기 위해 ISO에게 일정 금액을 지불하는 음의 가격 효과(negative price effect)효과가
발생할 수 있다. negative price효과는 IPP에게 경제적 손실을 가져다주는 것뿐만 아니라 전기 시장의 불안정성을 증가시켜, 이는 ISO의
관점에서 줄여야 할 요소이다. 또한 RES의 용량이 빠르게 증가함에 따라 RES의 수용률은 포화 상태에 도달할 수 있다(12). 따라서 정책 결정자로서 한국의 ISO는 RES의 수용률을 향상시키는 의무가 있으며 이 문제를 해결하기 위한 필요한 조치를 개발해야 한다. 전통적인
ED 모델은 일반적으로 ISO의 관점에서 적용되며, REP와 IPP의 경제적 손실은 고려되지 않는다. 따라서 RES의 비율이 증가함에 따라 ISO는
전력 시스템 내 이해관계자와의 원활한 협력을 유지하기 위해 개선된 ED 모델을 적용해야 한다. 이 연구에서는 한국의 확장되는 수소 인프라에서 Power
to Gas (P2G) 기술을 결합하여 개선된 ED 모델을 개발하는 P2G 통합 ED 모델을 제안한다.
P2G 기술은 수전해설비(Electrolyzer, ELZ)를 통해 물을 전기분해하여 수소를 생산하는 과정을 나타낸다. 이는 재생 가능 에너지 원처에서의
과잉 에너지를 활용하여 RES 포화 문제를 방지할 수 있다. ELZ를 통해 생성된 수소는 연료전지(Fuel Cell, FC)를 통해 소비자에게 전력과
열로 제공된다. P2G 기술의 개발은 RES의 수용률을 개선하고 전력 그리드를 안정화하는 데 기여할 수 있다. 이를 통해, 재생 에너지의 위에서 언급된
불확실성을 고려한 ED를 설계할 수 있다. 대한민국은 수소법의 제정 및 수소 경제 활성화를 위한 로드맵 발표를 통해 수소 인프라를 구축할 계획이며,
추가 장비 비용 없이 ISO와 가스 시스템 운영자(Gas System Operator, GSO)간의 합의를 통해 에너지 결합이 이루어질 것으로 예상된다.
이 연구는 기존의 ISO 중심의 ED 최적화 문제를 수정하여 IPP와 REP의 목표 이익을 고려하도록 제안한다. ISO의 목표 이익에는 최대 순수요
전력(net-load peak)를 줄이고 RES의 수용률을 향상시키는 것이 포함된다. net-load peak를 줄이면 전력 시스템의 안정성을 향상시키고
CG의 한계 비용과 결산 비용을 줄여 경제적 이익을 제공할 수 있다. IPP와 REP의 목표 이익은 경제적 이익을 향상시키는 데 중점을 둔다. 수정된
최적화 문제는 혼합정수계획법(Minxed Integer Linear Programming, MILP) 문제로 정식화되며, 모든 이해관계자의 목표 이익을
만족시키기 위해 주요 및 부 문제로 목적 함수를 분리하는 열, 제약 생성 알고리즘 (Columns and Constraint, C&CG)을 사용하여
해결된다. C&CG 알고리즘은 MILP 문제를 해결하기 위한 강력한 반복 최적화 기술로, (13)에서 수학적으로 설명되어 있다. 이 연구의 맥락에서 C&CG 알고리즘은 ISO, IPP, REP의 목표 이익을 달성하기 위한 적절한 최적화 접근법으로
입증된다. 이것은 최적화 문제 내의 모든 사용자 정의 목적 함수를 충족시키기 위해 특별히 설계되었다. (14)는 C&CG 알고리즘을 사용하여 전력 시스템의 시장 분석을 해석하며, (15)은 C&CG 알고리즘을 사용하여 재생 에너지 원천의 확장을 분석한다. 이 연구에서 제안된 P2G 통합 ED는 모든 이해관계자의 목표 이익을 만족시키기
위한 복잡한 최적화 문제를 가지며, C&CG 알고리즘은 문제를 해결하기 위해 적용된다.
2. 설비 모델링
2.1 재생에너지 발전 설비
이 연구에서는 RES 부문 내에서 중요한 비중을 차지하기 때문에 WT, PV, 수력발전원(Hydropower, HY)를 대표적인 RES로 고려한다.
(16)에서 참조한 바와 같이 이 풍력터빈 출력의 선형 형식은 수식(1)에 주어진다. 더욱이, 이 연구는 풍력터빈의 고유한 운영 특성을 정확하게 나타내기 위해 시동속도(cut-in), 정격속도(rated), 및 종단속도(cut-off)
를 포함한다. 수식(2), (3)은 각각 PV, HY의 출력 수식을 의미한다.
수식(1)에서 $P_{W T, t}$, $v_{t}$는 각각 WT의 출력과 풍속을 의미한다. $v_{rate}$, $v_{cutin}$은 각각 정격풍속과 시동풍속을
의미한다. 수식(2)에서 $P_{PV,t}$, $C_{PV}$, $f$, $G_{t}$, $p$, $T_{cell}$은 각각 PV의 출력, 용량 감쇄계수, 일사량, 온도계수,
셀의 온도를 의미한다. 수식(3)에서 $P_{HY,t}$, $Q_{hy,t}$, $G_{hy}$, $H_{hy}$, $\eta_T$, $\eta_G$는 각각 수력발전의 출력, 댐의
유량, 중력 가속도, 댐의 높이, 설비 효율, 발전기 효율을 의미한다.
2.2 통상적인 발전기
이 연구에서 CG는 원자력 발전기, 석탄 발전기, 액화 천연가스(LNG) 발전기 및 유류 발전기로 분류된다. 각 발전기들의 출력 식은 (17)를 참조하여 아래와 같이 정식화 된다.
이 연구에서 원자력 발전기의 출력 방정식은 수식(4)로 표시된다. $\eta_N$, $V_{c}$는 각각 발전기 효율 유입 원자로 연료를 의미한다. 수식(5)는 석탄 발전, LNG, 및 유류 발전기의 출력 방정식을 통합한다. $Q_{G}$, $H_{rG}$는 각각 유입 연료, 발열량을 의미한다. 각 발전기
유형의 ramp-rate 제약 조건은 수식(6) 및 (7)로 표시되며, 수식(8) 및 (9)는 각각 용량 제약 조건과 최소 발전 제약 조건을 설명한다. $m_{G}$는 최소발전비율을 의미한다. 수식(9) 에서 이진 변수 $b_{G,t}$는 각 발전기의 운영 상태를 나타낸다: 값 0은 종료를 나타내며 1은 활성 운영을 나타낸다. RES 출력으로 인해
수식(9)가 위반되면 IPP는 negative price를 지불함으로써 제약 조건을 유지한다.
2.3 수전해설비 및 연료전지
이 연구에서는 완전히 개발된 수소 인프라 하에서 작동하며, P2G 프레임워크 내에서 ELZ와 FC 시설만을 중점으로 한다. 또한, P2G 통합 ED
모델에서 FC에 공급되는 수소의 양은 절대 ELZ의 수소 생산을 초과하지 않는다.
ELZ는 특정 촉매에 기반한 다양한 모듈을 활용할 수 있지만, 이 연구에서는 그 우수한 조작성 때문에 알칼라인 수전해(Alkaline electrolyzer,
AELZ) 모듈을 사용한다(18). ELZ의 출력식은 아래에 같다.
수식(10)은 수소의 고위발열량(Higher Heating Value, HHV)를 고려하여 킬로그램 단위의 수소의 힘을 나타낸다. $H_{ELZ,t}$, $P_{ELZ,t}$는
각각 출력 수소의 양과 입력 전력량을 의미한다. 수식(11)은 ELZ의 전력 범위를 설명한다. $C$는 설비의 용량을 의미한다. 고체산화물연료전지(solid oxide fuel cell, SOFC) 모듈을
사용하는 FC 시스템의 출력은 다음 형식화[19]에 따라 출력식을 정식화 한다.
수식(12)와 (13)은 각각 FC의 전력 및 열 출력을 나타낸다. $P_{FC,t}$, $T_{FC,t}$, $H_{FC,t}$, 는 각각 FC의 전력출력, 열 출력,
입력 수소량을 의미한다. 한편, 수식(14)와 (15)는 FC의 전력 및 열 출력 범위를 각각 설명한다. 이 연구에서는 열 에너지를 고려하지 않으므로 FC에서의 열 출력은 폐열로 취급된다.
3. P2G연계형 경제급전 모델
이 장에서는 한국 CBP 시장에 맞춤화된 ED 모델을 개발한다. 또한, 이 연구에서 제시된 각 이해관계자의 목표 이익 구조를 수학적 방정식으로 형식화한다.
3.1 시스템 제약조건
아래의 방정식들은 이 연구에서 제안된 ED 모델의 제약 조건을 나타낸다.
수식(16)은 CG의 통합 출력 방정식을 나타내며, 수식(17)은 전력 공급 원천과 전력 소비 원천을 고려한 전력 균형 방정식을 나타낸다. $b_{WT,w,t}$와 $b_{PV,p,t}$는 WT와 PV의 운영
상태를 나타내는 이진 변수로, 0은 출력제약을 나타내고 1은 WT와 PV의 정상 운영을 각각 나타낸다. 수식(18)과 (19)는 각각 RES와 net-load 의 통합 출력 방정식을 나타내며, 수식(20)는 RES의 잉여 에너지를 나타낸다. 이 연구에서는 CG의 ramp rate 제약 조건 및 negative price 효과로 인한 RES 출력제약을
고려한 두 가지 유형의 RES 출력제약이 있다. 각각에 대한 조건 표현식은 수식(21) 및 (22)에 주어진다. 변수 $b_{C U R, t}^{\text {ramp }}$ 와 $b_{C U R, t}^{\text {negative }}$는 각각
수식(21) 및 (22)의 조건이 충족되는지 여부를 나타내며, 1은 ramp rate 제약 조건 또는 negative price 효과로 인한 출력제약을 나타내고, 0은 RES의
정상 운영을 나타낸다. 즉, CG의 출력 곡선의 기울기가 net-load의 기울기를 따라갈 수 없는 경우, net-load의 기울기를 늘리는 RES
전력 공급이 감소된다. 이 맥락에서 '기울기'는 전력 출력의 변화율을 나타낸다. CG의 최소 발전 제약 조건이 충족되지 않으면, IPP는 negative
price 가격으로 보상함으로써 발전기의 최소 발전을 보장하며, 이로 인해 해당 RES 전력이 감소된다. 두 조건이 동시에 발생하면 감축된 에너지가
중복되므로 수식(20)의 총 잉여에너지는 에너지는 2로 나누어진다.
3.2 이해관계자들의 개별 목표 편익
정책 결정자로서 한국의 ISO는 전력 시스템의 안정성을 보장하면서 RES 수용률을 높이고 net-load peak를 줄여 탄소 중립 목표를 지원하도록
의무화되어 있다. ISO의 관점에서 주요 목표는 RES 수용률을 개선하고 net-load peak를 줄이는 것이다. 수식(23)은 RES의 수용률을 형식화하며, 수요를 만족시키기 위해 필요한 총 에너지에 대한 RES의 유효 에너지 비율을 나타낸다.
IPP의 주요 목표 또는 목표 이익 은 CG 발전에서 정산 수수료를 수급하는 것을 보장하는 것이다. CBP 시장에서는 변동 비용이 증가함에 따라 IPP의
CG 발전에 연결된 정산 수수료가 증가한다. 이로 인해 IPP와 ISO의 목표 이익 사이에 이해상충 관계가 발생한다. 이러한 경쟁적인 이익을 균형잡는
것은 복잡한 작업이다. 그러나 이 연구는 이러한 이해관계를 조화롭게 만들기 위한 프레임워크를 도입한다. RES 출력이 높아지는 기간 동안 P2G 기술을
사용함으로써, 이 구조는 전기 거래의 양을 유지함으로써 IPP의 목표 이익을 보장하고, net-load peak를 감소시킴으로써 ISO의 목표 이익을
확보한다. 다음 방정식은 IPP의 목표 이익의 정확한 형식화를 설명한다.
이 연구는 연료 비용과 negative price 현상의 개념을 설명하기 위해 수식(24)와 (25)를 포함한다. 특히, 수식(25)는 발전된 전력과 관련된 연료 비용과 negative price 을 모두 고려하여 IPP의 경제적 이점을 분해한다. 그러나 수식(24)를 적용하는 것은 그것의 비선형적 특성 때문에 해석이 까다롭다. 최적화 목적으로 이 방정식을 선형 문제로 변환하는 것이 필수적이다. 많은 연구에서
연료 비용 함수를 선형화하기 위해 분할 선형화를 선택한다. 하지만 CG의 넓은 출력 변수 범위를 고려할 때 이 접근법은 비효율적일 수 있다. 이 방법은
시뮬레이션 시간을 연장하거나 계산 메모리를 소모할 수 있으며, 사용되는 분할 수가 부족하면 상당한 오류가 발생할 위험이 있다. 이러한 우려를 해결하기
위해, 이 연구는 2단계 테일러 확장급숫(Two- stage Taylor Series) 방법을 사용한다. 이 방법은 임의로 입력된 알려지지 않은 것에
대한 표준 테일러 시리즈 공식에서 실제 변수에 아주 가까운 값을 유도함으로써 선형화 과정을 최적화한다. 아래 수식들은 Two-stage Taylor
Series를 나타낸다.
수식(27)은 일반적인 테일러 급수 방정식을 나타내며, 수식(28)은 선형화를 위해 수식(27)에서 첫 번째 항만을 사용하는 방정식을 나타낸다. $a_{0}$은 사용자가 임의로 선택하는 초기값이며, 이 값이 실제 변수에 매우 가까울 때 근사
오차는 0에 접근한다. 변수의 값은 알려져 있지 않기 때문에, $a_{0}$는 초기에 임의의 값으로 선택되고 최적화가 수행된다. 그런 다음, 최적화
문제에 따라 얻어진 변수와 매우 유사한 값 이 $a_{1}$생성되고, 수식(28)에 $a_{0}$ 대신 $a_{1}$ 을 입력하여 다시 최적화를 수행한다. 이 방법은 반복 횟수가 증가함에 따라 오류를 줄이지만, 두 번의 최적화만으로
수렴할 수 있으므로 시뮬레이션 시간을 고려하여 Two-stage로 사용하는 것이 매우 합리적이다. 다음 방정식은 테일러 급수를 통해 선형화된 연료
비용 함수이다.
REP의 관점에서 목표 이익은 전력 거래에서 정산금을 확보하는 것이다. 다음 수식은 RES 전력 거래를 통해 받는 이익을 정식화한다.
이 연구의 목표 지역은 한국이므로, RES 목표 이익에는 신재생에너지 비율 할당제(Renewable Portfolio Standards, RPS)에
의해 지불되는 신재생에너지 공급인증서(Renewable Energy Credits, REC)가 포함된다.
4. 최적화 알고리즘
4.1 첫 번째 단계: 한계 발전기 선정
이 연구에서 제안된 ED 모델은 변동 비용과 연료 비용을 모두 최소화하기 위한 명확한 목적 함수를 포함하므로, 최적화 단계의 명확한 분류가 필요하다.
초기 최적화 단계에서는 입찰 과정에 참여하는 전통적인 발전기들이 가장 낮은 비용 기준에 따라 변동 발전기로 선택된다. 이 연구의 목적으로, 모든 CG가
최적으로 작동한다는 가정 하에 운영된다. 각 발전기는 유지 보수 기간을 고려하지 않고 제약 위반 없이 그 평가 용량에서 연속적으로 작동한다고 가정된다.
아래의 방정식은 이 초기 단계의 최적화 목적 함수를 설명한다.
수식(31)은 각 특정 시간 간격에 대한 변동 비용을 최소화하는 데 사용된다. 따라서 ISO는 연료 비용과 관계없이 가장 낮은 입찰 비용을 기반으로 발전기를
우선 순위에 두고 CG의 운영 행렬을 결정한다. 이 절차는 다음 방정식에서 자세히 설명된다.
수식(32)는 개별 시간 및 발전기에 대한 행렬을 제시한다. 이 행렬 내에서 0의 값은 해당 발전기가 대기 중임을 나타내며, 1의 값은 발전기가 활성 작동 중임을
나타낸다.
4.2 두 번째 단계: C&CG algorithm 수행
두 번째 단계에서는 이전 단계에서 얻은 발전기의 운영 행렬을 활용하여 RES의 침투율을 동시에 최대화하고 연료 비용을 최소화한다. 해당 목적 함수는
다음과 같이 설명된다.
앞서 언급한 방정식은 최소화와 최대화 목적을 모두 포함하는 혼합 최적화 문제를 제시한다. C&CG 알고리즘을 사용하여 이 문제는 마스터와 서브 문제로
각각 재구성된다. 이는 다음 방정식에서 설명된다.
마스터 문제에서 유도된 전력 발전 변수의 해결책은 서브 문제의 등식 제약 조건으로 사용된다. 그런 다음, 서브 문제 최적화를 통해 결정된 RES 운영
변수는 마스터 문제의 등식 제약 조건으로 다시 도입된다. 이 반복 과정은 최적의 해결책에 수렴할 때까지 계속된다. 수식(36)은 마스터 문제의 해석에서 유도된 서브 문제의 등식 제약 조건을 나타낸다. 반면, 수식(37)과 (38)는 서브 문제의 해석에 의해 형성된 마스터 문제의 등식 제약 조건을 나타낸다.
5. 사례연구
5.1 기본 데이터 및 시나리오 생성
이 연구의 주요 목표는 P2G 기술을 통합한 향상된 ED 모델을 소개하여 ISO, IPP, 및 REP의 목표 이익을 개선하는 것이다. 따라서 우리의
시뮬레이션을 위한 시나리오 행렬은 Table 1에 자세히 설명된 것처럼 RES와 P2G 시설의 용량을 모두 포함하도록 제작되었다. 또한, Table 2는 각 RES의 용량과 각 연도의 최대 부하를 의미한다.
표 1. 시나리오 행렬
Table 1. Scenario matrix
|
|
Capacity of P2G facility [MW]
|
|
Non-P2G
|
1,000
|
2,000
|
3,000
|
|
2022
|
S#(1,1)
|
S#(1,2)
|
S#(1,3)
|
S#(1,4)
|
|
2030
|
S#(2,1)
|
S#(2,2)
|
S#(2,3)
|
S#(2,4)
|
표 2. RES용량 및 peak부하
Table 2. Capacity of RES and peak load for each year
|
|
Capacity of RES [MW]
|
Peak load
[MW]
|
|
WT
|
PV
|
HY
|
|
2022
|
1,851
|
22,100
|
1,851
|
96,620
|
|
2030
|
19,300
|
46,500
|
1,976
|
108,220
|
표 1에서 S# (1, 1~4)의 경우 2022년의 국내 RES설비 용량이 적용되었을 경우 연계되는 P2G의 용량을 의미하며, S#(2, 1~4)의 경우
2030년의 국내 RES설비 용량이 적용되었을 경우의 연계되는 P2G의 용량을 의미한다. 표 1에 나타난 시나리오 행렬은 RES와 P2G 시설의 용량을 고려한다. 이 설계의 목적은 P2G를 통합한 세련된 ED 모델을 도입하여 ISO, IPP,
및 REP의 목표 이익을 최적화하는 것이다. 이 행렬은 한국의 제10차 장기 전기 공급 및 수요 기본 계획을 기반으로 한다. 이것의 주요 목적은 P2G와
RES의 용량의 변동에 대한 P2G 통합 ED 모델의 영향을 평가하는 것이다. 표 3은 이 연구에서 사용된 CG에 대한 자세한 정보를 제공한다.
표 3. 일반 발전기 정보
Table 3. Information of conventional generators
|
Type
|
Number
|
$\alpha$
[$/MW2]
|
$\beta$
[$/MW]
|
$\gamma$
[$]
|
|
Nuclear
|
#1
|
0.00105
|
0
|
0
|
|
$\vdots$
|
$\vdots$
|
|
#11
|
0.00150
|
0
|
0
|
|
Coal-
fired
|
#12
|
0.00319
|
2.10
|
31.5
|
|
$\vdots$
|
$\vdots$
|
|
#47
|
0.00446
|
3.00
|
45.00
|
|
LNG
|
#48
|
0.01050
|
6.34
|
73.5
|
|
$\vdots$
|
$\vdots$
|
|
#115
|
0.01500
|
9.00
|
157.5
|
|
Oil
|
#116
|
0.0255
|
15.30
|
191.25
|
|
$\vdots$
|
$\vdots$
|
|
#118
|
0.0300
|
18.00
|
225.00
|
이 연구에서는 다양한 발전기를 사용한다: 원자력(11대), 석탄 발전(36대), LNG(68대), 그리고 기름(3대), 총 118대의 전통적인 발전기로
구성된다. 각 발전기 유형은 (20)에서 자세히 설명된 대로 구별되는 변동 비용과 연료 비용을 가지고 있다.
5.2 시나리오에 따른 시뮬레이션 결과
이 연구에서 모든 RES 중 PV가 시나리오에서 최대 용량을 차지한다. 그것은 특정 간격 동안 집중적인 출력 때문에 ED 계획에 큰 영향을 미친다.
따라서 이 연구의 결과를 재생에너지 집중 기간(Renewable concentration period, RCP)과 부하 피크 기간(Load peak
period, LPP)으로 구분하여 설명하는 것이 중요하다. RCP와 LPP는 각각 오후 10시-15시와 오후 18시-21시로 정의된다. RCP 동안에는
RES가 제한되며, LPP 동안에는 net-load peak와 최대 변동 비용이 나타난다.
P2G 기술의 최적 통합을 통해, ELZ는 RCP 동안 작동하여 RES 출력을 수소로 변환한다. 이는 RES의 출력제약을 줄이고 negative price
영향을 완화하는 데 도움이 된다. 반대로, LPP 동안에는 FC가 활동을 시작하여 수소를 다시 전기로 변환하여 net-load peak를 줄이고 변동
비용을 줄인다.
표 4는 이 연구에서 설명된 모든 시나리오 행렬 결과에 대한 각 이해 관계자의 암시적 목표 이익을 제시한다.
표 4. 시나리오에 따른 시뮬레이션 결과
Table 4. Results of simulations for all of scenarios
|
Scenarios
|
Target benefits
|
|
ISO
|
IPP
|
REP
|
|
PR [%]
|
NP [GW]
|
Benefit [$1e3]
|
Benefit [$1e3]
|
CE [MWh]
|
|
(1, 1)
|
13.18
|
93.5
|
286,626
|
23,172
|
0
|
|
(1, 2)
|
13.26
|
92.0
|
290,047
|
23,172
|
0
|
|
(1, 3)
|
13.33
|
90.8
|
290,403
|
23,172
|
0
|
|
(1, 4)
|
13.41
|
90.3
|
290,685
|
23,172
|
0
|
|
(2, 1)
|
27.95
|
102.9
|
265,733
|
56,981
|
47,296
|
|
(2, 2)
|
28.22
|
101.6
|
268,380
|
57,409
|
42,602
|
|
(2, 3)
|
28.92
|
100.4
|
271,745
|
58,698
|
28,457
|
|
(2, 4)
|
29.68
|
99.5
|
276,735
|
60,084
|
13,222
|
*PR: Penetration Rate, NP: Peak-Net Load, CE: Curtailed Energy
표 4는 선택된 시나리오를 기반으로 각 이해 관계자의 암시적 목표 이익을 나타낸다. 눈에 띄게도, 2022년부터 2030년까지 RES의 비율이 증가함에
따라 IPP의 목표 이익이 감소한다. 동시에, 특히 P2G가 통합되지 않은 시나리오 (1, 1) 및 (2, 1)에서 RES의 수용률과 경제적 이익이
증가한다. 이 변화는 전기 수요의 소폭 성장에 비해 RES의 점유율이 두드러지게 증가함을 나타낸다. 그럼에도 불구하고 시나리오 (2, 1)에서는 도전이
생긴다: 잉여전력에 의해RES 수용률이 포화 지점에 도달한다. 이로 인해 RES로부터의 전기 판매가 감소하고 IPP는 negative price를
직면해야하므로 ISO, IPP 및 REP 이해 관계자의 목표 이익에 영향을 미친다.
시나리오 (2, 1)에서는 RCP 동안의 12-14 [h] 기간이 negative price영향을 받았다. 따라서 석탄 발전기의 최소 생산을 유지하기
위해 IPP는 발전 출력에 대한 결제금을 받지 못하는 것뿐만 아니라 보상해야 하는 (실질적으로 negative price를 지불해야 하는) 특이한
상황에 직면했다. 이 불리한 결과는 표 4에서 P2G 통합이 없는 경우 IPP의 목표 이익이 크게 감소한다는 것을 확인시켜 준다.
앞서 언급했듯이, RES 제한은 RES로부터의 전기 거래량을 감소시켜 REP에게 축적된 결제 금액을 줄인다. 또한, RES의 효과적인 발전 용량이
감소하면 입력 용량에 비해 그 침투율도 감소한다. 이러한 역학을 고려하면, 시나리오 (1, 2)는 RES 확장을 통한 ISO, IPP, 및 RES
운영자에 대한 ED의 잠재적 향상을 강조한다.
표 4는 일관되게 ISO, IPP, 및 REP의 관점에서 RES가 많을수록 P2G 용량이 필요하다는 것을 보여준다. 중간 정도의 RES 존재를 가진 시나리오
(1, 2-4)에서는 제한이 감소함에 따라 P2G 통합 ED 모델을 통해 달성 가능한 목표 이익의 범위가 명확해진다. 여기서 RCP 동안 RES 전기를
수소로 바꾸면 CG는 발전 경로를 찾게 되어, 일부 IPP에게 더 높은 결제 수수료를 가져다 준다. 한편, LPP 단계에서 FC를 사용하여 전력을
공급하면 RES 침투율이 약간 높아지고 net-load peak가 감소하여 ISO의 목표 이익이 약간 향상된다. 그러나 REP에게는 이 시나리오가
이익을 가져다 주지 않는다. 왜냐하면 RES 제한이 없기 때문이다. 그러나 시나리오 (2, 2-4)에서 RES 존재가 확대되면 각 이해 관계자에게
향상의 기회가 더욱 뚜렷해진다. 특히, 더 큰 P2G 용량은 우수한 목표 이익 결과와 관련이 있다.
시나리오 (2,2-4)에서, ELZ의 RCP 동안의 작동은 눈에 띄게 RES를 제한하고 전력 거래를 보장하여 REP와 IPP의 목표 이익을 향상시키며
negative price를 피한다. 이것은 이해 관계자의 목표 이익을 향상시키는 핵심 요소로서 ELZ의 역할을 보여준다.
그러나 FC의 LPP에서의 역할은 양날의 검이다. net-load peak와 관련된 변동 비용을 줄이는 데 도움이 되지만, IPP와 ISO 사이에서
상충되는 이해 관계로 인해 ISO와 IPP 사이에 갈등이 발생할 수도 있다. 그러나 더 깊이 파고 들면, RCP의 RES 집중 출력으로 인한 IPP의
잠재적 경제적 손실은 LPP에서 P2G를 사용하는 데 따른 영향보다 크다는 것을 알 수 있다. 이것은 IPP가 LPP의 변동 비용 감소와 관련하여
ISO와 중간 지점을 찾을 수 있음을 나타낸다. 특히 RCP를 P2G 통합 ED 모델로 정제함으로써 얻는 전반적인 목표 이익이 훨씬 더 설득력 있기
때문이다. REP의 관점에서는, 보상은 주로 ELZ의 RCP 동안의 작동으로 얻어진다. 반면 FC의 LPP 활동은 중립적인 효과를 가진다.
요약하면, 이 연구는 특히 RES 기여도가 증가함에 따라 ED 모델에 P2G를 통합하는 것의 장점을 강조한다. 2030년까지 RES의 우세한 존재하에
P2G 통합 ED 모델을 사용하면 모든 전력 시스템 이해 관계자에 대한 목표 이익을 크게 높일 수 있다.
6. 결 론
이 연구는 새로운 P2G 통합 ED 모델을 도입하고 그 최적화 성능을 검증하기 위한 시뮬레이션을 수행하였으며, 특히 ISO, IPP, 그리고 REP의
목표 이익을 동시에 개선하였다. 결과적으로 P2G 통합 ED 모델은 RES 용량과 함께 P2G 용량의 결합을 특징으로 하는데, RES 용량이 증가함에
따라 성능이 향상되었다는 것을 검증하였다. 이는 전력 시스템 내 이해 관계자에게 큰 이점을 가져다 주었으며, P2G기술과 통합되지 않은 ED 모델에
대비하여 개별적인 이해관계자들의 편익을 향상시켰다. 이러한 결과는 제안된 P2G 통합 ED 모델이 한국의 수소 인프라 개발 계획을 지원하기에 강한
적합성을 갖추고 있음을 강조한다. 따라서, 이 모델의 적극적인 채택이 전력 시스템의 안정성과 경제 효율성에 긍정적인 영향을 미칠 것으로 예상된다.
이 연구는 주로 CBP 시장에 중점을 둔 반면, 다른 전력 시장을 포함하는 추가 분석의 필요성이 명확하다. 시장 특성과 정책에 따라 P2G 기술의
사용 가능성이 다르기 때문에, 향후 연구는 이러한 요소를 고려하여 더 포괄적인 이해를 제공해야 한다. 또한 본 논문에서는 P2G 기술을 활용한 ED의
활용을 통해 RES의 수용성을 향상할 수 있는 잠재적 가능성을 분석하였으나 향후 연구에서는 실질적으로 에너지 저장 설비(Energy Storage
Systems, ESS)가 연계되어 구축되는 RES의 동작 특성을 고려하여 ESS의 동작을 동시에 고려할 예정이다.
이 연구는 주로 조류 해석, 선로 제약, 선로 손실과 같은 전력 시스템 분석 구성 요소를 통합하지 않고 P2G 통합 ED 모델을 사용하여 이해 관계자의
목표 이익을 평가하는 데 중점을 두었다. 그러나 향후 연구에서는 전력 시스템 토폴로지를 포함 시키고 조류해석을 수행하여 정확한 ED 모델을 개발할
계획이다. 이 종합적인 접근 방식은 제안된 모델의 정확성과 실용성을 향상시킬 것으로 예상된다.
이 연구는 한국 중심의 관점에서 수행되었지만, 향후 연구 노력은 다른 국가에서도 적용할 수 있는 다용도 ED 모델로 변환하는 것을 목표로 한다. 이
확장은 더 넓은 적용 가능성을 가능하게 하고, 다양한 지역에서 직면하는 에너지 문제를 해결하는 데 기여할 것이다.
Acknowledgements
본 연구는 한국연구재단을 통해 과학기술정보통신부의 이공분야기초연구사업의 지원을 받아 수행되었음 (2023R1A2C1007963).
References
X. Xia, Aug 2010, Optimal dynamic economic dispatch of generation: A review, Electric
Power Systems Research, Vol. 80, No. issue 8, pp. 975-986
V. Chaudhary, Sep. 2022, Renewable Energy Integrated Economic Dispatch Using Intelligent
Techniques: An Overview, in Proceedings of International Conference on Communication
and Computational Technologies, Vol. S. Kumar, S. Hiranwal, S. D. Purohit, and M.
Prasad (eds.), Algorithms for Intelligent Systems, Springer, Singapore, No.
J.-B. Park, Feb 2010, An Improved Particle Swarm Optimization for Nonconvex Economic
Dispatch Problems, in IEEE Transactions on Power Systems, Vol. 25, No. 1, pp. 156-166
Y.-G. Son, Dec 2022, Independent Power Producer Approach to Optimal Design and Operation
of IES with Wind Power Plants, Energies, Vol. 16, No. 1, pp. 28
Ministry of Trade, Industry and Energy, Jan. 2023., 10th Basic Meeting on Electricity
Supply and Demand (2022-2036)
S. Surender Reddy, Dec 2015, Real-Time Economic Dispatch Considering Renewable Power
Generation Variability and Uncertainty Over Scheduling Period, in IEEE Systems Journal,
Vol. 9, No. 4, pp. 1440-1451
C. Huang, March 2016, Economic dispatch of power systems with virtual power plant
based interval optimization method, in CSEE Journal of Power and Energy Systems, Vol.
2, No. 1, pp. 74-80
H. Zhang, D. Yue, X. Xie, Oct 2016, Robust Optimization for Dynamic Economic Dispatch
Under Wind Power Uncertainty With Different Levels of Uncertainty Budget, in IEEE
Access, Vol. 4, pp. 7633-7644
X. Fang, B. M. Hodge, F. Li, 2019, Adjustable and distributionally robust chance-constrained
economic dispatch considering wind power uncertainty, Journal of Modern Power Systems
and Clean Energy, Vol. 7, No. 4, pp. 658-664
F. Liu, Z. Bie, X. Wang, Apr 2019, Day-Ahead Dispatch of Integrated Electricity and
Natural Gas System Considering Reserve Scheduling and Renewable Uncertainties, in
IEEE Transactions on Sustainable Energy, Vol. 10, No. 2, pp. 646-658
of South Korea Government, Nov. 2022., Act on the Promotion of the Development, Use,
and Diffusion of New and Renewable Energy
T. G. Hlalele, Feb 2020, Dynamic Economic Dispatch With Maximal Renewable Penetration
Under Renewable Obligation, in IEEE Access, Vol. 8, pp. 38794-38808
B. Zeng, L. Zhao, 2013, Solving two-stage robust optimization problems using a column-and-constraint
generation method, Operations Research Letters, Vol. 41, No. 5, pp. 457-461
B. Fanzeres, Sep 2020, A Column-and-Constraint Generation Algorithm to Find Nash Equilibrium
in Pool-Based Electricity Markets, Electric Power Systems Research, Vol. 189, No.
106806
A. Flores-Quiroz, Jul 2016, A column generation approach for solving generation expansion
planning problems with high renewable energy penetration, Electric Power Systems Research,
Vol. 136, pp. 232-241
J. Yan, F. Li, Mar 2017, Novel Cost Model for Balancing Wind Power Forecasting Uncertainty,
in IEEE Transactions on Energy Conversion, Vol. 32, No. 1, pp. 318-329
H. Saadat, 2010, Power System Analysis, Third Edition, pp. 3-50
A. Buttler, Feb 2018, Current status of water electrolysis for energy storage, grid
balancing and sector coupling via power- to-gas and power-to-liquids: A review, Renewable
and Sustainable Energy Reviews, Vol. 82, No. part 3, pp. 2440-2454
J. I. San Martin, Sep 2010, Hybrid fuel cells technologies for electrical microgrids,
Electric Power Systems Research, Vol. 80, No. issue 9, pp. 993-1005
, [Online]. Available: https://epsis.kpx.or.kr/epsisnew/selectEkma FucUpfChart.do?menuId=04
저자소개
He received B.S degrees in electrical energy engineering from Keimung University,
Daegu, Korea in 2020.
He has been studying as master’s in same university.
His research interests include micro grid, power-to-gas and power system reliability.
He received B.S., and Ph.D. degrees in electrical engineering from Hanyang University,
Seoul, Korea, in 2007 and 2012 respectively.
He was a research assistant at Georgia Institute of Technology from 2012 to 2013.
He has been working as an associate professor in the Dep. of Electrical Energy Engineering
at Keimyung University.
His main research interests include computer aided optimization, multi-energy grid,
sector coupling and power system resilience.