기존 연구는 전력 시스템 효율성 평가에서 고정 총량 산출물의 영향을 간과했으며, 디지털 산업 집적(DIA) 연구는 지리적 집중에만 초점을 맞추고 가상 집적의 역할을 소홀히 다루었습니다. 본 연구는 이러한 간극을 해소하고자 합니다.
이를 위해 고정 총량 산출물을 고려한 새로운 2단계 DEA 모델을 개발하고, DIA를 디지털 산업 지리적 집적(DIGA)과 디지털 산업 가상 집적(DIVA)으로 분해하여 분석했습니다.
연구 결과, 전력 시스템의 총 환경 효율(PSEE)과 발전 환경 효율(EGEE)은 하락 추세를 보인 반면, 송배전 환경 효율(TDEE)은 소폭 상승했습니다. DIGA는 PSEE와 TDEE를 유의미하게 개선했으며, DIVA는 PSEE, EGEE, TDEE 모두를 유의미하게 향상시키는 것으로 나타났습니다. 또한, DIGA와 DIVA가 PSEE에 미치는 영향은 지역별로 상당한 이질성을 보였습니다.
이러한 결과는 정책 입안자들이 디지털 산업 집적을 활용하여 전력 시스템 환경 효율을 높이기 위한 차별화된 전략을 수립하는 데 귀중한 통찰력을 제공합니다.
분산형 태양광 발전 시스템의 높은 보급률은 저압 배전망에서 전압 위반, 태양광 수용 한계, 인접 배전 변압기 간 불균형 부하 등의 문제를 야기합니다. 본 연구는 이러한 문제를 해결하기 위해 배전 변압기 클러스터(DTC)로 구성된 저압 배전망을 위한 엣지 컴퓨팅 기반 최적 제어 방법을 제안합니다.
제안하는 방법은 지능형 융합 터미널을 엣지 컴퓨팅 플랫폼으로 활용하여 측정값 수집, 익일 스케줄 생성, 당일 실시간 보정, 안전성 검증 및 제어 명령 발행을 수행합니다. 익일 단계에서는 태양광 발전 예측 시나리오를 식별하고, 시나리오별 에너지 저장장치(ESS) SOC 예약 규칙과 소프트 개방점(SOP) 유효 전력 균형 스케줄을 생성합니다. 당일 단계에서는 실시간 측정값을 기반으로 태양광 인버터 무효 전력, ESS 충방전, 필요한 태양광 유효 전력 감축, SOP 전력 전송을 조율합니다. 복잡한 최적화 모델을 반복적으로 풀지 않고도 전압 보안 및 장치 실행 가능성을 보장하기 위해 안전 스케일링 및 경계 검증 메커니즘도 도입되었습니다.
3개 배전 변압기 시스템에 대한 사례 연구 결과, 제안된 방법은 TQ1의 과전압 발생을 81.0% 감소시키고 4가지 태양광 시나리오에서 저전압 발생을 제거했습니다. SOP 기반 균형 제어를 통해 DTC 내 총 과전압 및 저전압 발생은 각각 4.35% 및 88.99% 감소했으며, 태양광 활용률과 부하율 균형이 향상되었습니다. 당일 제어 시간은 약 20ms로, 자원 제약적인 엣지 컴퓨팅 플랫폼에서의 실시간 롤링 제어 가능성을 입증했습니다.
이 연구는 분산형 태양광 발전이 통합된 저압 배전망의 안정성과 효율성을 향상시키는 실용적인 제어 솔루션을 제공하며, 엣지 컴퓨팅 기술을 활용한 전력망 관리의 새로운 가능성을 제시합니다.
경제 성장과 전력 기술 및 수요 패턴 변화에 따라 전력 부문의 규모, 중요성, 복잡성이 전 세계적으로 증가하고 있습니다. 특히 새로운 성장 산업과 가변 재생에너지 기술의 확산은 전력 수요 및 공급의 시간적 프로파일에 큰 변동성을 야기할 수 있습니다. 이러한 맥락에서 모듈형의 유연한 전력 저장 기술의 등장은 전력 시스템의 구조와 운영에 지대한 영향을 미칠 것으로 예상됩니다.
본 연구는 다중 부문 동적 모델의 한계를 보완하기 위해 GCAM-USA(Global Change Analysis Model-USA)의 전력 부문 동학에 계통 기반 전력 저장장치 투자 및 운영을 통합하는 방법론을 제시합니다.
분석 결과, 미국 전력 시스템에서 저장 기술이 미래에 중요한 역할을 할 수 있음을 확인했습니다. 다양한 기술-경제 시나리오에서 2050년에는 196.1~372.4 GW(전체 용량의 5.0~10.6%), 2100년에는 352.1~802.6 GW(6.0~9.0%)의 저장 용량이 필요할 것으로 예측됩니다.
저장장치는 진화하는 전력 수요와 높은 비중의 가변 재생에너지 도입으로 발생하는 잔여 부하의 변동성을 완화하는 데 기여합니다. 이는 고비용 피크 발전기 의존도를 줄이고, 기저 부하 기술의 활용도를 높이며, 시스템 전반의 용량 계수를 향상시키고, 재생에너지 발전의 출력 제한을 줄이는 효과를 가져옵니다.
동적이고 인버터 중심의 전력 시스템에서 실시간 계통 모니터링, 비상 분석 및 의사결정 지원을 위해서는 정확하고 확장 가능한 교류 전력 흐름(AC power flow) 대리 모델이 필수적입니다. 그러나 기존 대리 모델들은 메시형 송전망의 장거리 비선형 의존성을 포착하는 능력과 물리 법칙 준수 측면에서 한계를 보이며, 토폴로지 변화나 부하 변동에 대한 일반화 성능이 부족하고 불확실성 정량화 및 확장성이 미흡합니다.
본 논문은 이러한 문제 해결을 위해 토폴로지 불확실성 하의 AC 전력 흐름 추정을 위한 게이티드 그래프 신경망(GGNN) 대리 모델을 제안합니다. 다양한 크기 및 복잡도의 IEEE 벤치마크 네트워크에 대해 무작위 선로 고장과 최대 40%의 부하 변동을 포함하여 모델을 훈련시켰습니다. 강건성과 일반화 성능 향상을 위해 기존의 지도 학습과 물리 정보 기반 자기 지도 학습 전략을 모두 탐색했습니다.
비교 평가 결과, 제안된 GGNN은 기존 GNN 기반 대리 모델들을 일관되게 능가하며, Newton-Raphson 해법과 매우 유사한 예측 결과를 달성했습니다. 모델 아키텍처와 손실 함수에 운영 제약 조건을 직접 반영함으로써 물리적 일관성을 보장합니다.
이 모델은 실시간 계통 운영을 위한 경량, 고정확도, 확장 가능한 도구를 제공하며, 동적 전력 시스템의 안정적이고 효율적인 운영에 기여할 수 있습니다.
에이전트 인공지능(AI)은 차세대 스마트 그리드를 위한 새로운 패러다임으로 부상하고 있습니다. 이는 복잡한 사이버 물리 환경에서 자율적인 의사 결정, 적응형 조정 및 탄력적인 제어를 가능하게 합니다. 기존 AI 모델이 정적인 예측기나 오프라인 최적화 도구에 머물렀던 것과 달리, 에이전트 AI 시스템은 그리드 상태를 인지하고, 목표를 추론하며, 다단계 작업을 계획하고, 운영자와 실시간으로 상호작용합니다.
본 연구는 전력 시스템을 위한 에이전트 AI의 최신 발전 동향을 포괄적으로 검토합니다. 아키텍처, 다중 에이전트 제어 전략, 강화 학습 프레임워크, 디지털 트윈 최적화 및 물리 기반 제어 접근 방식을 포함합니다. 전압 및 주파수 제어, 전력 품질 개선, 고장 감지 및 자가 복구, 분산 에너지 자원 조정, 전기차 통합, 수요 반응, 그리드 복구 등 주요 응용 분야에서 가장 효과적인 에이전트 AI 기술을 분석합니다.
안정성, 안전성, 해석 가능성, 인증 준비성, 그리드 코드 상호 운용성, 현장 배포 준비성 등의 기준에 기반한 체계적인 평가 프레임워크를 제안합니다. 이를 통해 연구자와 실무자가 에이전트 AI 솔루션을 종합적으로 평가하고 추가 연구 개발이 필요한 영역을 식별할 수 있도록 돕습니다.
자율 제어의 계층적 아키텍처, 제약 조건 인식 학습 패러다임, 설명 가능한 감독 에이전트와 같은 중요한 기회를 제시하며, 공식 검증 방법론 개발, 벤치마크 데이터 가용성, 불확실성에 대한 견고성, 인간 운영자의 신뢰 구축과 같은 과제를 다룹니다. 본 연구는 에이전트 AI 분야의 공통된 기준점을 제공하는 것을 목표로 합니다.
분산형 에너지 자원(DER)의 확산은 전력 시스템의 수용 용량에 대한 논의를 촉발하고 있습니다. 본 논문은 지난 10년간의 학술 및 산업 연구를 체계적으로 검토하여, 송배전망을 아우르는 수용 용량 분석의 주요 방법론적 과제와 응용 분야를 제시합니다.
기존 연구들이 주로 배전망에 집중했던 것과 달리, 본 논문은 송전 및 배전 수준 모두에서 수용 용량 분석을 다루며, 예측, 정상 상태 및 과도 상태 제약 조건, 그리고 다양한 DER에 대한 응용 지향적 관점을 강조합니다.
주요 연구 방향은 세 가지입니다. 첫째, 수용 용량 한계에서 예측, 시나리오 선택, 성능 요소 및 제어 전략의 역할. 둘째, 위반 확인 시 정상 상태 및 과도 상태 제약 조건의 고려. 셋째, 수용 용량 분석 결과를 계통 계획, 운영 스케줄링, 복원력 강화, 운영 조정 및 시장 참여와 같은 실제 응용 분야로 전환하는 것입니다.
본 연구는 최근 학술 및 산업 동향을 종합하여, 송배전망 운영자에게 실행 가능한 통찰력과 전략적 권고를 제공하고, DER 중심의 계통 인프라에서 수용 용량 분석의 미래 응용을 촉진하는 데 기여할 것입니다.
