현석우
(Seok-Woo Hyun)
1iD
최윤혁
(Yun-Hyuk Choi)
†iD
-
(Dept. of Electrical Engineering, Daegu Catholic University, Korea.)
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
Distribution System, Renewable Energy, VPP Aggregation, Distributed Energy Resources(DER)
1. 서 론
기후 변화로 인한 환경 문제와 에너지 안정성을 고려하여, 화석연료 기반에서 신재생에너지를 중심으로 에너지 전환을 촉진하는 움직임이 가속화되고 있다.
이러한 추세에 따라 산업통상자원부의 ‘제10차 전력수급기본계획’에 따르면 2030년까지 기존의 화석연료 기반 발전 설비를 축소하고, 신재생에너지의
용량을 32.8GW에서 108.3GW까지 증가시킬 계획이다[1]. 그러나 재생에너지 발전 설비가 확대될 경우, 재생에너지의 변동성 및 간헐성과 기상 조건 변동에 따른 발전량의 불안정성으로 인해 계통 운영 측면에
영향을 미치게 된다[2]. 이러한 문제점의 대안으로 최근 전력 거래 시장에서는 가상 발전소(VPP, Virtual Power Plant)라는 개념을 도입하고 있다[3].
가상 발전소는 태양광(PV), 에너지 저장 장치(ESS), 수요 반응(DR)과 같은 다양한 분산 자원들을 ICT 기술을 활용하여 소규모로 집합화한
발전소를 의미하며 이는 전력 생산과 소비를 효율적으로 조율함으로써 에너지 효율성을 극대화하고 전력 네트워크를 안정적으로 유지한다[4]. 이후 중개사업자(Aggregator)는 이러한 가상 발전소에서 발생한 에너지를 효과적으로 수집하고 전력시장에 제공함으로써 전력 생산과 소비 간의
조율을 총괄적으로 수행한다.
해외사례로 독일에서는 EEG 2차 개정을 기반으로 중개사업자의 도매시장 참여를 허용하고 있으며, 일본은 수급 조정시장을 개설하여 중개사업자의 경매
입찰 참여를 허용하였다[5]. 한편, 국내에서는 2019년 2월 소규모 중개 시장, 즉 한국형 VPP 제도가 도입되어 소규모 분산 자원의 효율적인 운영을 목표로 하고 있다[6-7].
현재 가상 발전소와 관련된 선행 연구는 많이 진행되고 있으며, 해외에서는 TSO가 계통에 대한 가상 발전소의 영향을 평가하기 위해 주파수 및 전압
안정화 기능을 갖춘 분산 자원들을 통합하여 계통 안정성을 분석하는 모델을 제안하고 있다. 이 밖에도 혼합 정수 선형 계획법을 적용하여 전력 거래 비용까지
고려한 가상 발전소 급전 모델을 제안하는 연구도 있다[8-9]. 그러나 국내 가상 발전소는 아직 초기 단계에 있어 전력 시장제도의 도입을 위해 주로 가상 발전소 사업자의 시장참여수익을 최대화하기 위한 연구가
주로 진행되고 있으며 재생에너지의 불확실성과 변동성에 의해 발생할 수 있는 문제를 관리하기 위해 최소 출력 변동성을 갖는 분산 자원의 최적 조합을
찾는 방법론을 제안하고 있다[10-11]. 이에 본 논문에서는 발전형 자원과 수요형 자원을 통합하여 가상 발전소가 배전망에 미치는 영향을 분석하기 위한 가상 발전소 해석 집합(Aggregation)
모델을 개발하였으며 모델을 통해 계통 안정성 문제를 해소하는데 기여하고자 한다. 이를 위해 자원별로 세부 모델링을 수행하고, 이들을 집합 모델로 통합하여
가상 발전소의 종합적인 특성을 고려한 모델을 개발하였다. 가상 발전소 모델은 OpenDSS- Matlab 연동시스템을 기반으로 구현하였으며, 발전형
자원과 수요형 자원이 배전망에 미치는 영향을 전압 관점으로 검토하여 정확성을 검증하였다.
2. 가상 발전소 해석 모델링
2.1 재생e 개별 모델
2.1.1 PV 모델
가상 발전소에서 발전자원의 핵심인 PV 모델은 주로 일사량과 인버터 효율에 의해 시스템의 출력이 결정된다. 이 모델은 일사량의 변동을 시간 단위로
고려하여 출력량을 결정하고, 이를 인버터 효율을 적용하여 교류 전력으로 변환하는 과정을 포함한다. 먼저, 수식 (1)과 같이 일사량 변화에 따라 PV의 출력량을 결정할 수 있다.
여기서 $P_{rated}^{PV}$는 PV의 정격 출력, $\% Irrad$는 해당 시간대의 일사량 백분율, $\eta_{temperature}$는
PV 패널의 온도에 따른 효율, 그리고 $P_{DC}^{PV}$는 PV의 최종 직류 전력을 의미한다. 더불어, 실제 운영에서는 발전된 직류 전력을
교류 전력으로 변환하는 인버터가 사용되며, 이 과정에서 수식 (2)에 나타낸 것처럼 인버터 효율을 고려한다. $P_{AC}^{PV}$는 PV의 최종 교류 전력, $\eta_{i n v}$는 인버터 효율을 의미한다.
따라서, PV 시스템의 발전량은 일사량, 패널 및 인버터 효율 등의 종합적인 영향을 받아 시간 단위로 결정되며, 가상 발전소 모델의 에너지 공급에
있어서 핵심적인 역할을 수행하게 된다. PV 모델에 대해 도식화한 것은 그림 1에 나타내었으며, 본 논문은 개별 분산 자원 모델에 대한 집합 모델 개발이 주목적이기에 PV 경우 mppt 제어를 수행하지 않고 일사량 데이터에 따라
100% 출력한다고 가정하였다.
그림 1. PV 모델 구조
Fig. 1. PV Model Structure
2.1.2 ESS 및 EV 모델
ESS는 가상 발전소에서 에너지 저장과 방출을 효율적으로 조절하여 계통의 안정성을 높이고 에너지 효율을 최적화한다. 이 모델은 충전 및 방전의 특성을
고려하여 설계되었으며, PV 발전의 예측 오차에 따른 불안정성을 감소시키고 계통의 안정화에 기여한다. 예를 들어, 전압안정도를 기준으로 보았을 때
과부하 상태에서는 ESS가 방전되어 추가 전력을 공급함으로써 전압을 안정화시키며, 반대로 공급 부족 시에는 저장된 에너지를 방출하여 전압을 유지한다.
ESS의 충·방전 상태의 모델링은 수식 (3)과 수식 (4)에 나타내었다.
여기서 $P_{DC}^{ESS}$는 ESS의 직류 전력을 나타내고, $\eta_{ch}$와 $\eta_{dch}$는 ESS의 충·방전 효율, $\eta_{i
nv}$는 인버터 효율을 의미한다. $P_{AC}^{ESS,\: ch}$와 $P_{AC}^{ESS,\: dch}$는 ESS 충·방전 상태의 계통 측
교류 전력을 나타내는데 ESS 상태가 충전일 경우는 계통 측에서 ESS로 전력이 들어가는 것이기에 충전효율과 인버터 효율을 방전상태와 반대로 고려한다.
이에 대한 ESS 충·방전 모델을 그림 2와 그림 3에 나타내었다.
그림 2. ESS 충전상태 구조
Fig. 2. ESS Charging State Structure
그림 3. ESS 방전상태 구조
Fig. 3. ESS Discharging State Structure
ESS의 SOC와 전압 제어 효과는 수식 (5)~(7)과 같이 정의하였다. $SOC(t)$는 ESS의 현재 용량 백분율, $SOC(t_{0})$는 ESS의 초기 용량 백분율, $E_{\max}$는 ESS의
최대 용량, $P_{AC}^{ESS,\: idl}$은 ESS의 대기상태의 전력량, $V_{grid}$와 $V_{0}$는 계통 측 최종 전압과 초기전압을
나타낸다.
EV 모델은 ESS 모델과 동일한 알고리즘을 기반으로 하되, EV의 충·방전 시간대 및 이동 거리를 고려한 시간 스케줄링을 적용하여 모델링하였다.
즉, EV는 지정한 충·방전 스케줄링에 따라 충·방전을 수행한다.
2.1.3 DR 모델
DR은 전력 수요의 예측과 관리를 통해 계통의 효율을 높이고, 전력 수요 조절을 최적화하여 계통의 안정성을 향상시킨다. 예를 들어, 계통이 과부하
상태일 때 DR은 가동 중인 부하 장치들의 일시적 중단이나 에너지 소비 패턴의 조정을 통해 부하를 관리하여 계통에 대한 부담을 완화한다. DR 모델에
의한 전압 제어 효과는 수식 (8)~(9)로 나타내었다. 여기서, $P_{Load}$는 부하 측 정격, $\% n$은 제어량 백분율, $\triangle P_{DR}$은 DR 적용 시 유효전력
변화량을 의미한다.
2.1.4 Sector Coupling 모델
Sector Coupling 모델은 전력을 다른 에너지 형태로 변환하는 과정을 나타낸다. 전력을 수소 생산, 열 등으로 변환하기에 P2X(Power-to-X
Energy)로 표현할 수 있으며, 이를 통해 계통의 전력 요구량이 줄어들어 과전압 문제를 해결할 수 있다. 따라서 본 모델에서는 부하량 조절로 Sector
Coupling 모델을 구현하였고, 이에 대한 전압 제어 효과는 수식 (10)~(11)에 나타내었다. 여기서, $P_{Load}$는 부하 측 정격, $\% n$은 제어량 백분율, $\triangle P_{P 2X}$은 Sector Coupling
적용 시 유효전력 변화량을 의미한다.
2.2 집합 모델
집합 모델은 분산된 에너지 자원을 통합하여 전체적인 효율성을 극대화하는 중요한 개념으로, 가상 발전소 및 에너지 관리 시스템에서 핵심적인 역할을 한다.
이 모델은 다수의 에너지 자원을 하나로 묶어 통합적으로 운영함으로써 에너지 생산, 저장, 및 소비를 최적화한다. 집합 모델은 PV, ESS, EV
등 다양한 에너지 자원들을 효율적으로 조합하여 전체적으로 안정된 계통 운영 및 에너지 공급을 가능케 한다. 집합 모델은 발전형과 수요형으로 나누어
적용할 수 있으며 발전형 자원과 수요형 자원의 구성은 표 1에 나타내었다. 본 모델에서는 모니터링 대상 모선을 기준으로 수식 (12)와 같이 발전자원 출력 변화량에 따른 전압 변화량을 기준으로 발전자원의 감도를 구하여 계통 상황에 맞게 Grouping하는 시스템을 구현하였다. Grouping의
경우 감도가 큰 순서로 목표 전압값에 도달할 수 있는 자원을 선정하여 우선 출력할 수 있도록 한다.
표 1 자원 구성
Table 1 Resource Configuration
|
|
발전형
|
수요형
|
|
자원
|
PV, ESS, EV
|
DR, Sector Coupling
|
2.3 가상 발전소 해석 모델 검증 알고리즘
본 논문에서는 구성한 유연 자원의 정합성을 검증하기 위해 발전형, 수요형, 혼합형으로 나누어 알고리즘을 정리하였다. 그림 4에 도식한 발전형 검증 알고리즘의 경우, 유연 자원으로는 EV와 ESS로 구성하였다. PV와 EV는 주어진 24시간 스케줄링 데이터를 기반으로 출력제어가
이루어지며, 이에 따른 전압 크기를 기준으로 ESS가 충·방전 제어를 수행한다. 이때, 전압 크기 기준은 Dead-band로 지정한다.
측정한 전압의 크기가 Dead-band 안에 수렴하게 된다면 ESS는 충·방전 제어를 수행하지 않는 유휴상태로 유지하게 되고, 그 외 구간은 ESS
충·방전 제어가 이루어지게 된다. 측정한 전압의 크기가 Dead-band보다 크다고 결과가 나온다면 ESS는 측정하는 모선을 기준으로 여러 ESS의
충전 감도를 계산하여 우선 제어를 수행할 ESS를 Grouping하고 충전 제어가 이루어지게 된다. 반대로, 측정한 전압의 크기가 Dead-band보다
작을 경우, ESS는 충전 제어 알고리즘처럼 ESS의 방전 감도를 계산하여 우선 제어를 수행할 ESS를 Grouping하고 방전 제어가 이루어지도록
한다.
그림 4. 발전형 검증 알고리즘
Fig. 4. Generation Type Verification Algorithm
그림 5에 도식한 수요형 검증 알고리즘의 경우, 유연 자원으로는 DR과 Sector Coupling으로 구성하였다. DR과 Sector Coupling 제어는
24시간 동안의 PV 데이터 출력에 따라 측정된 전압의 크기가 Dead-band 내에 수렴하지 않을 때 작동하게 된다. DR은 측정된 전압이 Dead-band보다
작을 때 제어되며, Sector Coupling은 측정된 전압이 Dead-band보다 클 때 제어된다. 이 과정은 24시간 동안 반복되어 하루 동안의
전압 변화량을 측정할 수 있다.
혼합형 검증 알고리즘은 발전형과 수요형 검증 알고리즘에 사용된 유연 자원들로 구성하였으며 그림 6에 도식하였다. 혼합형 검증 알고리즘의 핵심은 발전형 검증 알고리즘을 수행한 후에 수요형 검증 알고리즘을 적용하는 것이다. 발전형 검증 알고리즘을
먼저 수행하였을 때, 발전형만으로는 전압이 Dead-band에 수렴하지 않을 수 있다. 따라서, 발전형 검증 알고리즘 이후에 측정된 전압이 Dead-band에
수렴하지 않을 경우, 추가적으로 수요형 검증 알고리즘이 활성화된다. 이를 통해 수요형 자원이 발전형의 부족한 부분을 보완하여 전체적인 제어 효율성을
높이게 된다.
그림 5. 수요형 검증 알고리즘
Fig. 5. Demand Type Verification Algorithm
그림 6. 혼합형 검증 알고리즘
Fig. 6. Hybrid Type Verification Algorithm
3. 실 계통 적용 검토
3.1 실 계통 개요
그림 7. 정주SS 정읍DL 계통도
Fig. 7. Jeongju SS Jeongeup DL Single Line Diagram
그림 7은 가상 발전소 모델의 정합성을 검증하기 위해 사용한 정주SS 정읍DL 계통을 나타낸다. 정주SS 정읍DL은 787개의 모선과 562개의 부하로 이루어져
있으며, 유연 자원의 계통 영향도가 말단에서 가장 명확하게 나타나기에 유연 자원들을 계통의 말단에 적용하여 시뮬레이션을 수행하였다. EV는 이동하면서
충·방전을 수행하기에 4개의 Station으로 구성하였으며, 개별 발전자원들의 용량은 계통의 저전압 및 과전압 상태를 고려하여 표 2와 같이 적용하였다. 모니터링 모선은 ESS의 Grouping 차이를 보여주기 위해 01635번 모선과 01643번 모선으로 지정하였다.
표 2 발전자원 구성
Table 2 Generation Resources Configuration
|
구분
|
모선 번호
|
정격 용량[kW]
|
|
PV1
|
07124
|
1,600
|
|
PV2
|
07125
|
1,200
|
|
PV3
|
07104
|
1,400
|
|
PV4
|
07105
|
1,000
|
|
ESS1
|
07122
|
1,500
|
|
ESS2
|
07102
|
1,500
|
|
ESS3
|
10668
|
1,500
|
|
EV1 Station
|
09625 / 01641
|
1,000
|
|
EV2 Station
|
11446 / 10669
|
1,000
|
3.2 모의 시나리오
본 논문에서 개발한 가상 발전소 모델의 정합성을 검증하기 위해 표 3과 같이 시나리오를 구성하였다. 시뮬레이션을 수행한 정주SS 정읍DL 계통은 실계통 데이터를 기반으로 구성되었으며, 정주SS 정읍DL의 부하 패턴과
PV 일사량 데이터는 기본적으로 실제 데이터를 기반으로 적용하였다. 부하 패턴과 일사량 데이터는 그림 8에 도식하였다.
그림 8. (a)부하 패턴, (b)일사량 데이터
Fig. 8. (a)Load Pattern, (b)Irradiance Data
집합 모델 시나리오의 첫 번째 시나리오는 Basecase로 24시간 일사량 변화에 따른 PV 출력 변동을 나타낸 것이며 집합 모델의 정합성 검증을
위한 기준 시나리오이다. 시나리오 1과 시나리오 2는 발전형과 수요형으로 나누어 시뮬레이션을 수행하며 발전형의 경우는 Basecase에 EV와 ESS를
적용하여 전압 변동을 검토하고, 수요형의 경우에는 Basecase에 DR과 Sector Coupling을 적용하여 전압 변동을 검토한다. 시나리오
3은 발전형과 수요형을 합친 혼합형 시나리오로 발전자원과 수요자원을 함께 적용하고 Basecase와 전압 크기를 비교한다.
표 3 집합 모델 시나리오
Table 3 Scenario of Aggregation Model
|
시나리오
|
자원
|
|
PV
|
EV
|
ESS
|
DR
|
Sector Coupling
|
|
Basecase
|
○
|
-
|
-
|
-
|
-
|
|
시나리오 1
|
○
|
○
|
○
|
-
|
-
|
|
시나리오 2
|
○
|
-
|
-
|
○
|
○
|
|
시나리오 3
|
○
|
-
|
○
|
○
|
-
|
각 시나리오의 제어 조건은 Dead-band(0.98~1.02[p.u])를 기준으로 하며, 과전압은 Dead-band보다 클 때를 의미하고, 저전압은
Dead-band보다 작을 때를 의미한다. ESS와 EV는 SOC 범위를 유지하며 제어할 수 있도록 한다. 시뮬레이션 파라미터값은 표 4에 정리하였다.
표 4 시뮬레이션 파라미터
Table 4 Simulation Parameters
|
구분
|
내용
|
|
Step Size
|
1시간
|
|
Simulation Time
|
24시간
|
|
Solver
|
OpenDSS 조류해석 모듈
|
|
Dead-band
|
0.98~1.02[p.u]
|
3.3 모의 결과
Basecase 시나리오에서 저전압과 과전압을 구현하기 위해 그림 8의 (a)와 같은 24시간 부하 패턴을 적용하였고, PV는 그림 8의 (b)에 나타낸 일사량 데이터에 따라 출력할 수 있도록 하였다. 이에 그림 9에서 4~8시 구간은 전압이 Dead-band를 초과하고, 12~15시와 20~22시 구간은 Dead-band보다 낮게 나오는 것을 확인할 수 있다.
그림 9. Basecase 전압 결과
Fig. 9. Basecase Voltage Results
그림 10은 시나리오 1의 EV 충·방전 스케줄링 데이터를 나타낸다. EV는 24시간 스케줄링 데이터에 따라 충·방전을 수행하고 그에 따른 전압 상태에 따라
ESS가 작동한다.
그림 10. EV 충·방전 스케줄링 데이터
Fig. 10. EV Charging and Discharging Scheduling Data
ESS의 경우 모니터링 모선을 기준으로 감도를 측정하여 제어 순서를 결정하고 충·방전을 수행하였으며, 그림 11에서 감도에 의해 제어되는 ESS가 다름을 확인할 수 있다. 그림 12에서는 PV만 출력하였을 때의 저전압 구간과 과전압 구간에서 ESS의 충·방전 제어가 이루어진 것을 확인할 수 있다. 4~8시에는 ESS가 충전하고
12~15시와 20~22시에는 ESS가 방전하여 전압 크기가 Dead-band 안으로 수렴하였다.
그림 11. (a)ESS 상태, (b)ESS SOC
Fig. 11. (a)ESS State, (b)ESS SOC
그림 12. 시나리오 1 전압 결과
Fig. 12. Scenario 1 Voltage Results
그림 13에서는 시나리오 1에서 모니터링 모선의 위치가 01635번 모선과 01643번 모선으로 달라짐에 따라 제어되는 ESS가 바뀐 것을 확인할 수 있다.
그림 13. (a)01635 모선 모니터링 ESS 상태 (b)01643 모선 모니터링 ESS 상태
Fig. 13. (a)01635 Bus Monitoring ESS State (b)01643 Bus Monitoring ESS State
시나리오 2는 과전압 구간에서 Sector Coupling이 적용되었으며, 저전압 구간에서는 DR이 적용되었다. 본 논문에서는 전압 제어 관점으로
모델을 구현하였기에 Sector Coupling과 DR은 모두 부하량으로 조절하여 제어하였다. 그림 14의 부하량 곡선과 그림 15의 전압 곡선을 비교해보면 PV만 출력하였을 때의 전압 크기가 Dead-band보다 큰 4~8시에는 Sector Coupling이 적용되어 전압이
낮아졌으며, 12~15시와 20~22시에는 전압의 크기가 Dead-band보다 작기에 DR이 적용되어 전압이 높아졌음을 확인할 수 있다. 시나리오
2의 부하 증가 및 감축량은 표 5에 정리하였다.
그림 14. 시나리오 2 부하 변동 결과
Fig. 14. Scenario 2 Load Variation Results
그림 15. 시나리오 2 전압 결과
Fig. 15. Scenario 2 Voltage Results
표 5 시나리오 2 부하 변화량
Table 5 Scenario 2 Load Change
|
시간
|
증가량[kW]
|
시간
|
감축량[kW]
|
|
4
|
651.96
|
12
|
1282.2
|
|
5
|
380.31
|
13
|
2118.9
|
|
6
|
434.64
|
14
|
1571.9
|
|
7
|
706.29
|
15
|
840.3
|
|
8
|
1086.60
|
20
|
579.5
|
|
-
|
-
|
21
|
1246.0
|
|
-
|
-
|
22
|
134.0
|
시나리오 3은 혼합형 시나리오로 Basecase의 전압 상태에 따라 Dead-band 기준으로 ESS가 먼저 충·방전을 수행하고, 그 이후에 측정되는
전압이 0.99[p.u]보다 낮다면 DR이 적용되도록 하였다.
그림 16의 ESS 상태 그래프와 그림 17의 전압 결과 그래프를 비교해보면 PV만 출력하였을 때 Dead-band를 벗어나는 4~9시, 12~16시 그리고 20~23시에 ESS가 충·방전을
수행하여 전압 크기가 변동되었으며, 그림 18의 부하 변화량을 보면 ESS가 제어된 이후에 전압 크기가 0.99[p.u]보다 작은 구간에서 DR이 적용되어 12~15시와 20시에 전압 크기가
더 증가하였다. 부하 변동량에 대해선 표 6에 정리하였다.
그림 16. (a)ESS 상태, (b)ESS SOC
Fig. 16. (a)ESS State, (b)ESS SOC
그림 17. 시나리오 3 전압 결과
Fig. 17. Scenario 3 Voltage Results
그림 18. 시나리오 3 부하 변동 결과
Fig. 18. Scenario 3 Load Variation Results
표 6 시나리오 3 부하 변화량
Table 6 Scenario 3 Load Change
|
시간
|
증가량[kW]
|
시간
|
감축량[kW]
|
|
4
|
-
|
12
|
427.3
|
|
5
|
-
|
13
|
706.2
|
|
6
|
-
|
14
|
673.6
|
|
7
|
-
|
15
|
840.3
|
|
8
|
-
|
20
|
434.6
|
|
-
|
-
|
21
|
-
|
|
-
|
-
|
22
|
-
|
4. 결 론
본 논문에서는 가상 발전소가 배전망에 미치는 영향을 분석하기 위해 OpenDSS–Matlab 연동시스템을 기반으로 한 가상 발전소 해석 모델을 개발하고
집합 모델을 구성하였다.
집합 모델 분석을 위해 발전형 자원으로는 PV, EV, ESS를 구현하였고, 수요형 자원으로는 DR, Sector Coupling을 구현하여 가상
발전소에 적용하였다. 개발한 집합 모델의 정합성을 검증하기 위해 저전압/과전압 상황을 상정하여 발전형 자원과 수요형 자원의 조합으로 전압 제어 효과를
확인하였다. 집합 모델은 모니터링하는 모선을 기준으로 ESS의 출력에 따라 감도를 측정하여 ESS를 효과적으로 운영할 수 있도록 모델링하였다.
가상 발전소를 시장 관점으로 접근하면 전력 거래 비용이 낮은 순서로 발전자원의 출력을 결정하게 되고, 계통 안정성에 문제가 발생할 수 있다. 그러나,
본 논문에서는 다양한 집합 모델 구성을 통해 재생에너지의 출력을 효율적으로 조정하여 배전망의 에너지 변동성을 줄이고 전압 프로파일을 개선하고자 하였다.
향후 가상 발전소가 배전망의 안정성에 미치는 영향을 정밀하게 분석하기 위해서 인버터 기반의 순시치 모델(IBR)을 적용한 가상 발전소의 동적 모델을
개발할 예정이다.
Acknowledgements
This work was supported by research grants from Daegu Catholic University in 2022.
References
Ministry of Trade, Industry and Energy, “The 10th basic plan for electricity supply
and demand,” 2023.
Muhammad Ibrar, et al., “A Machine Learning-Based Model for Stability Prediction of
Decentralized Power Grid Linked with Renewable Energy Resources,” Wireless Communications
and Mobile Computing, vol. 2022, pp. 1-15, 2022.
S.-Y. Park, et al., “Optimal VPP Operation Considering Network Constraint Uncertainty
of DSO,” in IEEE Access, vol. 11, pp. 8523-8530, 2023.
Qiang Li, et al., “A scheduling framework for VPP considering multiple uncertainties
and flexible resources,” Energy, Elsevier, vol. 282, 2023.
Koera Energy Economic Institute, “A Study on the Revitalization of the Supply-type
Virtual Power Plant (VPP): Focusing on the Use of Small-scale Power Brokerage Market,”
2019.
Korea Institute of Science and Technology Information, “ASTI Market Insight 28: VPP,”
2022.
Seok-Woo Hyun, et al., “Development of VPP Analysis Model for Ensuring Distribution
System Flexibility,” KIEE Fall Conference Proceeding, pp. 186-188, 2023.
J. Chen, et al., “Aggregated Model of Virtual Power Plants for Transient Frequency
and Voltage Stability Analysis,” IEEE Transactions on Power Systems, vol. 36, no.
5, pp. 4366-4375, 2021.
N. Naval, et al., “A virtual power plant optimal dispatch model with large and small-scale
distributed renewable generation,” Renewable Energy, vol. 151, pp. 57-69, 2020.
Hye-Yeon Park, et al., “Cost Estimation Model for Introduction to Virtual Power Plants
in Korea,” The Journal of Korea Institute of Information, Electronics, and Communication
Technology, vol. 15, no. 2, pp. 178-188, 2022.
E. Jin Cho, and S. Wan Kim, “Finding optimal combination of distributed renewable
energy sources for virtual power plant with minimum output variance,” CIRED 2020 Berlin
Workshop, Online Conference, pp. 732-734, 2020.
저자소개
He received the B.S. degree in the major of electrical engineering from Daegu Catholic
University in 2023. Since 2023, he has been the M.S. student at Daegu Catholic University.
His research interests are DSO operation planning and VPP model development to improve
the stability of the distribution system.
He received the Ph.D degree from Korea University in 2012. Since 2017, He is currently
an associate professor at Daegu Catholic University. His main subjects are distribution
system analysis, smart inverter control for flexible energy, ESS control schemes,
and DSO operation for VPP.