재생에너지 분산망 계층 최적화

재생에너지의 급증은 현대 전력 시스템 운영에 다층적 불확실성을 야기하며, 기존의 결정론적 및 확률론적 최적화 방식에 한계를 드러내고 있습니다. 본 연구는 이러한 복잡성을 해결하고 불확실성 하에서 경제적 효율성과 운영 신뢰성을 동시에 향상시키기 위해 딥러닝 기반의 분포론적 강건 최적화(Deep-DRO) 프레임워크를 제안합니다. 제안된 모델은 계층적 조정 아키텍처를 통합합니다. 딥러닝 모듈은 태양 복사량, 풍력 가용성, 부하 변동 등 불확실 변수의 확률적 구조를 추론하며, DRO 계층은 적응적으로 재구성된 모호성 집합을 통해 시스템 전반의 강건성을 확보합니다. 학습 기반 모호성 재구성은 최적화 과정에서 보수성을 동적으로 조절하여 비용, 신뢰성, 재생에너지 활용 간의 균형을 개선합니다. 방법론적으로, 이 프레임워크는 카운티, 피더, 분산 에너지 자원(DER)의 세 가지 의사결정 계층으로 구성된 다중 에이전트 디스패치 구조를 채택하며, 각 계층은 강화 학습 기반 조정을 통해 고유한 정책 매핑을 학습합니다. 고해상도 기상 및 운영 데이터로 훈련된 딥 네트워크는 시나리오 분포를 추정하고, 강건 최적화 코어는 분포적 모호성 하에서 예상 비용 및 신뢰성 페널티를 최소화합니다. 결과적으로 데이터 기반 예측과 모델 기반 최적화를 원활하게 결합하여 예측 지능과 운영 강건성 간의 격차를 해소합니다. 벤치마크 다중 지역 배전망 시뮬레이션 결과, 기존 DRO 대비 총 운영 비용을 11.0~13.5% 절감하는 등 상당한 성능 향상을 입증했습니다.