1. 서 론

에너지저장장치(ESS, Energy Storage System)는 신재생에너지의 간헐성을 보완하고 전력수급 안정성을 향상시키기 위한 핵심 설비로서 피크저감, 주파수 조정 및 재생에너지 연계 등 다양한 용도로 활용되고 있다. 그러나 ESS는 다수의 배터리 셀이 직·병렬로 구성된 복잡한 전기화학 시스템으로, 운영 과정에서 셀 간 불균형, 배터리 열화 및 온도 상승 등이 누적될 경우 성능 저하뿐만 아니라 화재 등의 안전사고로 이어질 가능성이 있다. 실제 국내에서는 2017년 최초 ESS 화재 발생 이후 최근까지도 지속적으로 화재가 발생하고 있다. 이에 대응하여 정부와 관련 기관에서는 화재원인 조사와 함께 제품·설치·운영 전주기에 걸친 안전기준 및 관리체계를 지속적으로 강화해 왔다^[1],[2]. 그러나 이후에도 ESS 관련 화재가 지속적으로 발생함에 따라 운영데이터 기반의 상태진단과 이상징후 예측을 통한 예방적 안전관리의 중요성이 증가하고 있다. 이에 ESS 안전성 평가센터에서는 실제 운영환경과 유사한 조건에서 ESS의 충·방전을 수행하면서 전압, 전류, 온도 및 State of Charge(SOC) 등의 운영데이터를 취득하고 이를 기반으로 안전성 평가를 수행하고 있다^[3]. ESS의 상태는 전압, 전류, 온도 및 충전상태 등 다양한 변수들이 시간에 따라 변화하는 시계열 데이터로 표현된다. 배터리의 열화, 이상징후 및 잔존수명 등은 특정 시점의 순간값만으로 판단하기 어렵기 때문에 장기간 축적된 시계열 데이터의 분석이 필요하다. 또한 ESS는 배터리관리시스템(BMS, Battery Management System), 전력변환시스템(PCS, Power Conversion System), 에너지관리시스템(EMS, Energy Management System) 등 복수의 구성요소가 상호 연계되어 운용되므로, 설비 간 정보연계 및 통합관리체계가 충분히 확보되지 않을 경우 복합적인 이상상태를 종합적으로 진단하는 데 한계가 있을 수 있다^[1],[2]. 특히 개별 ESS 사이트가 독립적으로 운영·관리되는 경우 장기간 운전데이터를 활용한 통합적 예측 유지보수 체계를 구축하는데 어려움이 있다. 따라서 ESS의 안전한 운영을 위해서는 현장에서 지속적으로 수집되는 운영데이터를 활용하여 현재 상태를 진단하고, 향후 상태 변화를 예측·시뮬레이션할 수 있는 기술이 요구된다. 디지털트윈(Digital Twin)은 물리적 시스템과 가상모델을 데이터 기반으로 연계하여 실제 설비의 상태를 모사하고, 상태 모니터링, 진단 및 시나리오 기반 시뮬레이션을 수행할 수 있는 기술이다. ESS의 설비정보와 운영데이터를 기반으로 디지털트윈을 구축할 경우 가상환경에서 다양한 운전조건에 따른 시뮬레이션을 수행할 수 있으며, 실제 현장에서는 실시간 데이터 연계를 통해 원격 모니터링, 상태진단 및 수명예측 등에 활용할 수 있다^[4],[5]. ESS의 안정적 운영을 위한 기존 연구는 크게 ① 배터리 충전상태(SOC) 추정, ② 배터리 열화상태(SOH, State of Health) 및 잔존수명(RUL, Remaining Useful Life) 예측, ③ ESS 안전성 및 화재예방에 관한 연구로 구분할 수 있다. 배터리 SOC 추정 분야에서는 등가회로모델(ECM, Equivalent Circuit Model)과 같은 물리기반 모델을 이용한 연구가 활발히 수행되고 있으며^[6], 축적된 운전데이터를 활용한 머신러닝 및 딥러닝 기반 SOC·SOH 추정기법도 지속적으로 연구되고 있다^[7]. 특히 등가회로모델은 배터리의 전기적 동특성을 비교적 단순한 회로구조로 표현할 수 있고 계산부하가 상대적으로 낮아 배터리 상태추정에 널리 활용되고 있다^[6]. 배터리 열화 및 수명예측 분야에서는 용량감소와 내부저항 증가 등의 특성을 기반으로 열화상태를 추정하고, 충·방전 사이클, 온도, C-rate 및 운전이력 등의 데이터를 활용하여 잔존수명을 예측하는 연구가 수행되고 있다^[7],[8]. 최근에는 머신러닝 및 딥러닝 기법을 이용하여 배터리 운전데이터에서 열화특징을 추출하고 SOH 및 RUL을 추정·예측하는 데이터 기반 방법이 주요 연구 분야로 확대되고 있다^[7],[8]. 안전성 측면에서는 국내 ESS 화재사고를 계기로 배터리 시스템 결함, 전기적 충격에 대한 보호체계, 운영환경 및 설치상태, ESS 통합관리체계 등 다양한 위험요인이 조사되었으며, 이를 바탕으로 관련 안전기준과 관리제도가 강화되어 왔다^[1],[2]. 그러나 기존 연구들은 배터리 셀 또는 모듈 단위의 상태추정, 열화예측이나 화재사고 원인분석 등 개별 기능을 중심으로 수행된 경우가 많으며, 실제 ESS 운영현장에서 지속적으로 축적되는 시계열 데이터를 이용하여 상태진단과 미래예측을 동시에 수행하는 통합적 관리체계에 관한 연구는 상대적으로 제한적이다. 이러한 한계를 보완하기 위한 방법으로 최근 ESS 분야에서도 디지털트윈을 적용하려는 연구가 활발히 이루어지고 있다. BMS와 배터리 디지털트윈을 이용하여 SOC 및 SOH를 온라인으로 추정하는 방법을 제시하였으며^[9], 실제 운전데이터를 이용해 학습된 디지털트윈 모델로 가상실험을 이용하여 배터리 SOH 및 잔존용량을 추정하는 방법을 제안하였다^[10]. 그러나 기존 연구는 주로 배터리 셀·모듈 수준의 모델링이나 SOC/SOH와 같은 특정 상태변수의 추정, 또는 디지털트윈 아키텍처 설계 및 모델 검증에 집중되어 있다. 따라서 본 연구에서는 시스템 단위로 디지털트윈에 구현하고, 상태진단 및 예측 방법을 제안한다. 제안된 디지털트윈은 배터리 등가회로모델과 같은 물리기반 모델과 실제 ESS에서 수집되는 운영데이터를 연계하고, 실측 데이터를 기반으로 모델 파라미터를 보정함으로써 실제 설비의 동적 특성을 반영하도록 구성하였다. 또한 실제 ESS를 가상환경에 구현하고 운영데이터와 연계하여 현재 상태를 모사하며, 이를 기반으로 배터리 상태 변화를 시뮬레이션할 수 있도록 하였다. 본 논문에서 수행하는 시뮬레이션은 총 4가지로 수명예측, 고장모의, 계통연계, 통합제어이다. ESS 운영 시 안전성에 직접적인 영향을 미치는 요인은 배터리 전압·온도 이상, 열화, PCS 사고, 설비 운영조건 등이 있다. 그래서 배터리 열화에 해당하는 가속열화 수명예측 시뮬레이션과, 전압·온도 이상에 해당하는 고장모의, PCS 사고 발생 시 미치는 영향을 분석하기 위한 계통연계, 태양광-수소-ESS 연계 운전을 종합적으로 분석하는 통합제어 시뮬레이션을 통해 이를 통해 단순 모니터링을 넘어 실제 설비의 시계열 특성을 반영한 ESS 상태진단 및 예측을 수행하고자 한다.

2. ESS 안전관리 시스템 구조 설계

ESS의 안전성을 확보하기 위해서는 배터리의 상태를 실시간으로 확인하고 운영 데이터를 기반으로 지속적인 상태 파악과 고장 발생을 예측하는 관리가 필요하다. 현재 배터리를 전주기로 관리하는 것은 사업주, 검사기관, 제조사 등 분산되어 관리하고 있어 유지보수 이력파악 등을 제공하고 관리하기가 어렵다, 이를 개선하기 위해 전주기로 ESS 관리에 기여한다.

본 논문에서는 현장 운영데이터를 기반으로 디지털트윈 모델을 구축하여 ESS의 안전관리를 수행하고자 한다. 구현 방안을 디지털트윈 단계에 맞게 제시한다. 1단계 모사로, 배터리 LiDAR 촬영을 통해 배터리, PCS, 변압기 등 3D 모델을 생성하고, 객체 라이브러리화를 통해 원하는 배터리 내부 구성으로 3D 가시화가 가능하도록 구성하였다. 또한 배터리 내부 엔진은 배터리 등가회로 모델의 물리방정식을 적용하였으며, 현장 운영 데이터를 가지고 AI 학습을 통해 파라미터를 추출하여 배터리와 동일한 동작이 가능한 알고리즘을 적용시켰다. 2단계는 모니터링으로, 실시간 운영 데이터를 3D 모델에 매칭시켜 실시간 상태 모니터링과 가시화 작업을 수행한다. 또한 내부 배터리 모델에 운영데이터를 기반 학습으로 실제 현장과 동일하게 동기화시킨다. 3단계는 시뮬레이션으로, 실시간 동기화된 모델로 다양한 시뮬레이션을 수행하여 수명예측, 고장발생 등 결과를 제공한다. 4단계는 연합으로, 시뮬레이션 수행 시 다른 tool과 연계하여, 디지털트윈 환경에서 일부 제어를 수행할 수 있다. 그림 1은 ESS 안전관리를 수행하기 위한 시스템의 구성도를 나타낸 것이다. 현장 데이터를 수집하고 관리하는 종합 에너지 관제 시스템, 평가설비 데이터를 받는 ESS 성능평가시스템, 디지털트윈으로 시뮬레이션을 수행하는 시스템으로 구성되어있다. 종합에너지관제시스템에서는 현장 데이터 수집, 설비 실시간 모니터링, 설비 제어 등을 수행하며, 성능평가시스템은 평가설비 연계, 성능평가 모니터링, 결과보고서 제공 등의 기능이 있으며, 디지털트윈은 3D 모니터링, 시뮬레이션 기반 상태 예측 등을 수행한다.

그림 1 디지털트윈 기반 ESS 안전관리시스템 구성도

Fig. 1 Configuration of the Digital Twin-Based ESS Safety Management System

2.1 시스템 구조 설계

본 논문에서 제안하는 디지털트윈 ESS 안전관리 시스템은 물리모델과 가상모델이 실시간으로 동기화하여 ESS 다양한 시뮬레이션이 가능하도록 설계하였다. 수집되는 데이터를 기반으로 가상 모델에 현재 상태를 업데이트 한다. 수집되는 현장 운영데이터는 BMS, EMS, PCS, 기타 센서 설비들의 데이터 등으로 정의된다. 주요 데이터 항목은 셀 전압, 온도, Min/Max/average 등이 있다. 그림 2는 디지털트윈 기반 ESS 안전관리시스템의 계층 구조를 나타낸 것이다. 물리계층은 ESS 현장설비, 평가설비, 태양광, 연료전지로 구성되어 있어 설비에서 취득한 데이터는 데이터 계층으로 전달된다.

그림 2 디지털트윈 기반 ESS 안전관리시스템 계층 구조

Fig. 2 Hierarchical Structure of the Digital Twin-Based ESS Safety Management System

데이터 계층은 통합 DBMS로 서버에 데이터가 수집되고 저장되며 3D 생성을 위한 데이터도 수집되고 저장된다. 이러한 데이터 정보는 플랫폼 계층으로 전달해주어 디지털트윈 시뮬레이션을 수행하기 위한 내부 구조를 만들어준다. 표 1은 수집된 데이터가 기능별로 어떻게 활용되는지 분류하였다. 3D 가시화를 위해서 설비 정보, 내부 배터리 배치 정보 등을 가지고 가상에 현실과 동일하게 배치하여 표출한다. 모니터링에는 배터리의 BMS, 공조기, PCS 운영 정보등이 사용되며, 3D 모델의 해당 위치에 매핑되어 표출되고, 실시간 그래프로 가시화하여 표시된다. 시뮬레이션에 활용되는 데이터는 온도, 전압, SOC 등이 있다.

표 1 기능 별 활용 데이터

Table 1 Data Used for Each Function

Item	Target	Data
Digital Twin	3D Visualization	Equipment Information, Capacity, Manufacturer, Number of Cells/Modules/Racks, etc.
	Monitoring	Battery BMS Data (Temperature/Humidity, Cell Voltage, SOC, SOH, Insulation Resistance, etc.), Air Conditioner (Temperature/Humidity), Dehumidifier (Internal Resistance), PCS (Active Power, etc.), Event Data (Abnormality status, Faults)
	Simulation	Voltage, Temperature, SOC, etc.

3. 디지털트윈 기반 ESS 안전관리 방법론

3.1 디지털트윈 모델 생성

디지털트윈 모델은 3D 가시화 모델과 내부 배터리 모델로 구성되어 있다. 3D 모델 생성은 LiDAR 장비를 활용하여 모델링할 수 있으며, 촬영할 수 없는 경우 시스템 내 라이브러리에 있는 모델을 조합하여 생성할 수 있다. 그림 3은 제안한 시스템 내 3D 모델 생성 예시를 나타낸 것이다. 3D 가시화 모델은 배터리 컨테이너, 내부 모듈, 랙, PCS 등이 있으며 현장과 동일한 구성으로 구현한다.

그림 3 디지털트윈 3D 라이브러리 예시

Fig. 3 Example of a Digital Twin 3D Library

디지털트윈에서 3D 모델은 대상 설비의 물리적 구조와 공간적 배치를 표출해주는 핵심요소이다. 본 시스템에서는 3D 객체에 BMS 등 센서의 실시간 운전데이터를 실제 위치에 연계하여 시각화함으로써 ESS, PCS, 기타 센서들 중 고장이 난 부분이 어떤 설비인지, 배터리의 충전·방전 상태, 온도와 전압이 가장 높고 낮은 모듈이 어디인지를 직관적으로 표시하여 실시간으로 이상이 있는 부분을 확인할 수 있다. 배터리 내부 모델은 리튬이온배터리 등가회로 모델과 AI 모델이 결합해 배터리 동작을 수행한다. 배터리 등가회로모델은 배터리의 전기적 거동을 저항, 커패시터 및 전압원 등의 회로소자로 표현한 모델이다. 일반적으로 개방회로전압(OCV, Open Circuit Voltage), 내부저항 및 RC 회로를 이용하여 충·방전 시 발생하는 전압 변화와 동적 특성을 모사한다. 여기에 추가적으로 AI 모델을 결합하여 파라미터 보정을 수행하여 물리적 특성의 한계를 보완하였다. 등가회로 모델은 배터리 내부의 복잡한 전기화학적 특성을 RC 소자로 근사하여 추정하므로 실제와 오차가 발생할 수 있으며, 설치 현장별 운전 패턴과 환경조건에 따라 배터리 특성이 다르게 나타나므로, 본 연구에서는 등가회로 모델에 잔차보정 AI 알고리즘을 결합하여 오차를 보정하고, 현장데이터를 반영한 현장 맞춤형 디지털트윈 모델을 생성하였다.

그림 4 디지털트윈 모델 구조

Fig. 4 Digital Twin Model Structure

생성된 모델을 가지고 디지털트윈 환경에서 다양한 시뮬레이션 서비스를 제공한다. 디지털트윈 모델 구조를 그림 4에 나타냈다. 전압, 온도, SOC, 배터리 수명 등 데이터를 받아서 배터리 내부 모델인 등가회로 모델과 AI 학습을 통해 등가회로 파라미터를 도출한다. 도출된 파라미터를 가지고 전압, 온도, SOC 값을 도출하여 현장 데이터와 비교하여 정확도를 검증한 후 디지털트윈 시뮬레이션에 활용된다. 현장에서 취득된 데이터의 구간을 학습구간과 검증구간으로 분할하여 학습 완료 후 실제값과 예측값을 비교하여 MAPE (Mean Absolute Percentage Error, 평균 절대 백분율 오차) 값으로 정확도를 판단한다. 본 연구에서는 85%를 기준으로 설정하여 만족하는 경우 디지털트윈 모델로 배포하여 ESS 모델 생성하여 시뮬레이션을 수행한다. 이는 현실과 85% 이상 동기화 되었다고 할 수 있다. 그림 5는 디지털트윈 모델의 검증을 위해 실제값과 예측값을 비교한 결과를 나타내는 그래프이다. 온도, 전압, SOC의 예측구간에서 실제값과 예측값을 나타내었다. 전압은 5.16%, 온도는 8.02%, SOC는 11.54%의 정확도를 확인하였다.

(1)

$MAPE = \dfrac{100}{n}\sum_{i=1}^{n}\left|\dfrac{y_{i}-\hat{y}_{i}}{y_{i}}\right|$

$y_{i}$는 실제값 $\hat{y}_{i}$는 예측값 $n$은 전체 데이터 수이다.

그림 5 디지털트윈 모델 검증 결과

Fig. 5 Validation Results of the Digital Twin Model

3.2 디지털트윈 시뮬레이션

디지털트윈 시뮬레이션의 구성은 수명예측, 고장모의, 계통연계, 통합제어 시뮬레이션이다. 수명예측 시뮬레이션은 디지털트윈 환경에서 배터리를 원하는 기간만큼 충·방전을 수행하며, 이때 배터리 수명을 예측해준다. 고장모의 시뮬레이션은 디지털트윈 배터리 모델 온도 및 전압 관련 고장을 원하는 시간대에 주입하여 변화를 확인한다. 계통연계 시뮬레이션은 현장 계통을 연계하여 PCS 지락, 단락이 발생하는 경우 CMV, 주파수, 전압, 온도 등 배터리에 어떤 영향을 미치는지 결과를 제공한다. 통합제어 시뮬레이션은 공사에서 ESS 안전성 평가를 수행하기 전 시험설비 정보(용량, 효율 등)와 센터의 설비 정보(PV 발전량, 부하, 배터리 잔량 등)을 고려하여 에너지 자립률, 운영 안전성 등 시뮬레이션 결과를 제공한다.

3.2.1 수명예측 시뮬레이션

ESS가 충·방전을 수행함에 따라 열화가 발생하지만, 운영자는 배터리가 앞으로 사용 가능한 기간, 성능 등을 외관상으로 확인할 수 없다. 또한 제조사에서 SOH를 보증해주지만 현장의 운영 환경이나, 충·방전 횟수에 따라 사용 기간과 SOH 변화가 각각 다르다. 따라서 수명예측 시뮬레이션을 통해 해당 지역, 충·방전 횟수 등에 따라 SOH가 어떻게 변화하는지를 확인하여 운영자에게 설비 운영 정보 제공과 열화 도달 전 미리 예측을 통한 설비 보호 등 고장 예방에 대해 제시해준다. 시뮬레이션은 연계된 현장 설비를 기반으로 Cycle 횟수, 충전 C-rate, 방전 C-rate, DoD, 초기 SOH, 일일 사이클 횟수, 주변 온도 등의 정보를 입력하여 운전조건을 설정하고 운영데이터를 생성하여 시나리오를 주입하게 된다. 시나리오를 기반으로 충·방전 수행에 따른 SOH를 제공한다. 그림 6은 수명예측 시뮬레이션을 위한 구조를 나타내었다. PyBaMM 기반 배터리 모델을 활용하여 수명예측 시뮬레이션을 구성하였다. 먼저 기본 배터리 모델에 셀 전압, 셀 크기, 초기 내부저항 등 현장 배터리의 물리적 특성 정보를 반영하여 대상 배터리에 대한 모델을 생성하였다. 이후 온도, SOC, 충·방전율 등 다양한 운전조건에 따른 열화 시뮬레이션을 수행하여 조건별 전 수명 열화곡선을 도출한다. 현장 운영데이터로부터 현재 배터리의 내부저항을 추정하고, 사전에 도출된 열화곡선 중 현재 열화상태와 유사한 수명곡선을 선정하였다. 이후 GPR(Gaussian Process Regression, 가우시안 프로세스 회귀)을 적용하여 시뮬레이션 결과와 현장 운전데이터 간의 차이를 보정하고, 실제 배터리의 열화 특성이 반영된 SOH(State of Health) 및 RUL(Remaining Useful Life)을 추정하도록 구성하였다.

그림 6 배터리 수명예측 시뮬레이션 구조

Fig. 6 Battery Lifetime Prediction Simulation Structure

3.2.2 고장모의 시뮬레이션

ESS의 주요 고장이 발생하게 되는 원인은 배터리의 전압과 온도 증가이다. 배터리의 온도는 열폭주와도 밀접한 관계가 있어, 고장이 발생하는 경우 배터리가 어떻게 되는지 분석하여 배터리를 안정적으로 운영하고자 한다. 배터리 운영 시 전압과 관련하여 발생할 수 있는 고장은 과전압, 저전압이다. 과전압은 발생은 충전 시 BMS 오류로 인해 정격 전압을 넘어서 까지 계속 전류가 주입되는 과충전이 발생할 수 있으며, 배터리가 열화되어 용량이 감소하여 같은 충전값이여도 과전압이 발생할 수 있다. 디지털트윈 모델을 통해 용량 감소 등으로 시뮬레이션을 수행하여 이때 전압, 온도, SOC 등의 결과값을 제공한다. 저전압은 배터리가 과방전하는 경우 발생하며, 내부저항 증가로 인해 급격한 전압 강하, 셀벨런싱 불균형 등의 이유로도 발생할 수 있으며, 화재 발생의 원인이 된다. 저전압 시뮬레이션은 디지털트윈 모델의 내부저항 파라미터를 활용하여 저전압 발생 모의가 가능하다.

그림 7 고장모의 시뮬레이션 구조

Fig. 7 Fault Simulation Structure

배터리 온도는 내부저항과 공조기 운영에 따라 온도 변화가 발생하며, 내부저항 파라미터 변동을 통해 배터리에 미치는 영향을 분석할 수 있다. 그림 7은 고장모의 시뮬레이션에 대한 구조를 나타낸 것이다.

3.2.3 계통연계 시뮬레이션

계통연계 시뮬레이션은 계통 모델링을 통해 PCS 사고 발생에 따른 ESS의 영향을 확인한다. PCS와 배터리 사이의 CMV로 인해 고장의 발생이 될 수 있으며, PCS 단락, 지락으로 인한 전류가 인입되어 배터리의 퓨즈에도 영향을 미칠 수 있다. 계통연계 시뮬레이션은 디지털트윈 모델과 상용 시뮬레이션 Tool을 연계하여 진행한다. 배터리의 전기적 특성을 정밀하게 모사하는 디지털트윈 모델과 계통 사고 해석에 특화된 상용 계통해석 Tool을 연계한 시뮬레이션 방법을 적용하였다. 디지털트윈 모델은 배터리의 충·방전 거동 및 내부저항 변화 등 전기적 특성을 세밀하게 반영할 수 있으나, 단락·지락과 같은 계통 사고 시 발생하는 과도 현상을 해석하는 데에는 한계가 있어, 계통 사고 모의는 해당 분야에 특화된 상용 Tool을 통해 별도로 수행하였다. 그림 8은 계통연계 시뮬레이션에 대한 구조를 나타낸 것이다. 계통 연계 시뮬레이션 Tool을 활용하여 계통 전압값을 측정하여디지털트윈 모델에 전달하고, 계통 전압값을 반영하여 동작을 수행한 후 도출된 PCS 전류값을 다시 계통연계 시뮬레이션 Tool에 전달해 계통에 주입하며 다시 반복적으로 이러한 과정을 수행하여 시뮬레이션을 진행한다. 이를 통해 PCS 운전상태 및 고장에 따른 계통 운영 시 ESS 영향을 분석한다.

그림 8 계통연계 시뮬레이션 구조

Fig. 8 Grid-Connected Simulation Structure

3.2.4 통합제어 시뮬레이션

통합제어 시뮬레이션은 공사에서 ESS 안전성 평가 수행 시 설비를 안정적으로 운영하기 위해 미리 사전에 모의를 하는 시뮬레이션이다. 평가설비의 용량, 효율 등의 정보를 가지고 공사 실증설비 운영 개수, 에너지 관리와 관련된 에너지 자립률, 태양광 발전량, 부하 사용량, 에너지 손실 등예측하여 운영 안정성에 대한 종합적인 분석을 수행할 수 있다. 배터리 모델, 부하모델, 신재생에너지 발전 모델을 활용하여 설비 운영 시나리오를 생성하여 평가설비에 따른 실증설비 운영 결과를 제공해준다.

4. 디지털트윈 기반 ESS 안전관리 현장 실증

앞에서 제안한 디지털트윈 기반 시뮬레이션에 대해 현장에 적용하여 설비를 구현하고, 운영데이터를 기반으로 시뮬레이션을 수행하며 디지털트윈 기반 시뮬레이션에 대한 기능과 동작 타당성에 대한 검증을 수행하였다.

4.1 수명예측 시뮬레이션 현장 실증

그림 9는 수명예측 시뮬레이션을 수행한 결과를 나타낸 것이다. 그림 9-(a)는 시뮬레이션을 수행하는 시간에 따라 가장 취약한 셀을 표시하여 온도, SOH, 내부저항, 용량을 표시하였다. 그림 9-(b)는 충·방전 수행에 따른 SOH, 온도, 내부저항, SOH 편차 등 주요 변화항목에 대한 결과를 그래프로 표시하였다. 충·방전 사이클이 증가함에 따라 배터리 SOH가 감소하는 것을 보이며, 내부저항, SOH 편차는 증가하고 있는 경향을 보인다. 특히 2000 cycle 이후부터 SOH 편차가 기울기가 이전보다 증가하여 열화가 가속화되고 있는 특성을 보인다. 내부저항 증가에 따라 배터리 용량 감소, 성능저하 등의 영향을 미치는 것을 확인하였다.

그림 9 수명예측 시뮬레이션 결과

Fig. 9 Results of Lifetime Prediction Simulation

4.2 고장모의 시뮬레이션 현장 실증

그림 10은 고장모의 중 저전압 고장에 대한 시뮬레이션을 수행한 결과를 나타낸 것으로 그림 10-(a)는 시뮬레이션 수행 시 디지털트윈 화면으로 취약 셀의 SOH, 온도, 내부저항, 용량을 나타낸 것이다. 그림 10-(b)는 고장발생 시뮬레이션 수행에 따른 주요 변화 항목들인 SOC, 전압, 온도 등의 결과를 그래프로 나타낸 것이다. 배터리의 용량이 감소한 상태에서 충·방전을 수행하는 경우 정상 배터리보다 방전 속도가 빠르고 변화가 크다.

그림 10 고장모의 시뮬레이션 결과

Fig. 10 Results of Fault Simulation

시뮬레이션을 지속함에 따라 배터리 용량이 감소하며, SOC 변화, 전압 변화 크기가 증가하는 모습을 보이며, 평균 온도가 증가하는 경향을 보인다. 현재 정상이지만 지속적인 충·방전 운영 시 고장의 범위가 커질 것으로 예상된다. 향후 다양한 고장 범위를 적용한 시뮬레이션을 수행해보며 고장 발생 시 설비 내 보호동작, 영향 등을 적용할 예정이다.

4.3 계통연계 시뮬레이션 현장 실증

그림 11은 계통연계 시뮬레이션 결과를 나타낸 것으로 PCS의 고장 발생으로 배터리 전력과 주파수에 일시적인 과도응답이 발생하였으며, 이후 정상 운전상태로 수렴하는 것을 확인할 수 있다. 또한 PCS 동작 이후 스위칭에 따른 CMV가 발생하였으며, 배터리 온도 측면에서 큰 변화가 발생하지는 않았다. 이를 통해 PCS 운전상태 변화 발생 시 디지털트윈 모델과 계통 Tool이 연계되어 시뮬레이션 동작을 수행하였으며, 배터리 및 계통 측면에서 전기적인 변수를 동시에 분석할 수 있음을 확인하였다.

그림 11 계통연계 시뮬레이션 수행 결과

Fig. 11 Results of Grid-Connected Simulation

4.4 통합제어 시뮬레이션 현장 실증

그림 12는 통합제어 시뮬레이션 수행에 따른 결과를 나타낸 것이다. ESS 안전성 평가를 수행하기 위해서 실증설비 6대 중 2대를 활용하여 24시간 운전 수행 시 에너지 자립률은 94%로 나타나 PV 발전과 ESS 연계 전력공급이 안전적으로 이루어지는 것을 확인할 수 있다. 또한 ESS의 평균 SOH는 98.2%, 예상 수명 소모량은 0.02%로 나타나 해당 운전조건에서 배터리 열화 영향은 크지 않은 것으로 분석되었다. 전반적으로 본 시뮬레이션은 에너지 자립률, 손실률, 독립운전 지속시간 및 배터리 상태를 종합적으로 평가함으로써 ESS 평가센터의 통합제어 운전 가능성과 에너지 운영 안정성을 확인하였다.

그림 12 통합제어 시뮬레이션 수행 결과

Fig. 12 Results of Integrated Control Simulation

본 논문에서는 개발된 디지털트윈 기반 시뮬레이션 모델에 대해 시나리오별 기능 및 동작 타당성을 검증하였으며, 수명예측, 고장모의, 계통연계, 통합제어 시뮬레이션 과정에서 설정된 운전조건에 따른 주요 상태변수의 변화와 모델의 정상적인 응답을 확인하였다. 향후 실제 ESS 운전 및 실증데이터와의 비교를 통해 예측 정확도를 정량적으로 평가하고, 다양한 운전조건과 반복적인 검증을 통해 모델의 신뢰성을 확보할 예정이다.

5. 결 론

본 논문에서는 디지털트윈 기반 ESS 안전관리 방법을 제안하고, 실제 설비의 구성과 운전 특성을 반영한 디지털트윈 모델을 구축하였다. 구축된 모델을 기반으로 수명예측, 고장모의, 계통연계 및 통합제어 시뮬레이션을 수행하여 운전조건과 고장상태에 따른 ESS 상태 변화를 분석하였다, 수명예측 시뮬레이션에서는 충·방전 사이클 증가에 따라 SOH가 감소하고 내부저항이 증가하는 특성을 확인했으며, 고장모의 시뮬레이션에서는 저전압 고장 시 SOC, 전압, 온도 변화를 분석하였다. 계통연계 시뮬레이션은 PCS 상태변화에 따른 주파수 과도응답을 확인하였으며, 통합제어 시뮬레이션에서는 재생에너지를 사용하여 센터의 에너지자립률, 예상 수명 소모량 등을 분석하였다. 이를 통해 구축된 디지털트윈 모델이 운전조건과 고장조건에 따른 주요 시뮬레이션이 진행되고, 배터리 상태를 통합적으로 분석할 수 있음을 확인하였다.

향후 디지털트윈 모델의 정확도와 신뢰성을 확보하기 위해 다양한 운전조건과 고장 시나리오에 대한 시뮬레이션을 확대 적용하고, 실제 ESS에서 취득한 현장 운영데이터 및 실측값과 시뮬레이션 결과를 비교하여 모델을 지속적으로 검증할 예정이다. 또한 디지털트윈 기반 ESS 안전관리 시스템을 고도화하여 설비의 설치 및 운영 단계부터 실시간 상태감시, 이상진단, 고장예측 및 수명예측에 이르는 ESS 전주기 안전관리에 활용할 수 있을것으로 판단된다.