모듈형 동적 가상 발전소의 그리드 형성 제어 설계 및 성능 검증

แนวคิดหลัก

본 논문에서는 다양한 분산 에너지 자원(DER)을 통합하는 모듈형 동적 가상 발전소(DVPP)의 그리드 형성 제어 설계 방식을 제안하고 시뮬레이션을 통해 그 성능을 검증합니다.

บทคัดย่อ

모듈형 동적 가상 발전소의 그리드 형성 제어

본 연구 논문은 다양한 분산 에너지 자원(DER)을 하나의 시스템으로 통합하여 그리드에 안정적인 전력을 공급하는 것을 목표로 하는 모듈형 동적 가상 발전소(DVPP)의 그리드 형성 제어 설계에 대해 다룹니다.

DVPP의 필요성 및 기존 연구의 한계

• 재생에너지 사용 증가로 인해 분산 에너지 자원(DER)의 통합 및 제어 필요성이 증대되고 있습니다.
• 기존 마이크로그리드 제어 방식은 계통 코드 요구 사항 및 DVPP가 가능하게 하는 유연한 제어 목표를 충족하는 데 어려움을 겪고 있습니다.
• 특히, 기존 방식은 (1) 계통 코드 요구 사항 또는 최적 사양에 의해 결정되는 원하는 응답을 제공하는 유연성 부족, (2) AC/DC 하이브리드 시스템을 수용하도록 쉽게 확장할 수 없는 맞춤형 제어 설계라는 두 가지 중요한 차이점을 가지고 있습니다.

본 연구의 주요 내용

• AC-결합, DC-결합, AC-출력 및 DC-출력 구성을 포함한 광범위한 DVPP 구성을 소개합니다.
• 각 구성에 대한 제어 목표를 공식화하고, DER 집계 조건, 원하는 동작의 분산 제어, 개별 컨버터에 대한 로컬 제어 전략을 포함하는 제어 설계를 제안합니다.
• 체계적인 하향식 설계 방식을 통해 모듈형 AC/DC 하이브리드 DVPP를 포괄하도록 제어 설계를 확장하여 높은 유연성과 확장성을 갖춘 모듈형 DVPP 솔루션을 제공합니다.

주요 기여

• 현재 DER 통합 실무에서 네 가지 일반적인 토폴로지 배열을 나타내는 네 가지 기본 DVPP 구성/모듈을 제시하고, 각각에 대해 원하는 상호 운용 가능한 제어 목표를 공식화합니다.
• 각 기본 DVPP 모듈에 대한 제어 설계를 제안합니다.
• 체계적인 하향식 설계 방식을 통해 모듈형 AC/DC 하이브리드 DVPP를 포괄하도록 이 제어 설계를 확장하여 높은 유연성과 확장성을 갖춘 모듈형 DVPP 솔루션을 제공합니다.

시뮬레이션 검증

• 제안된 제어 설계의 성능을 검증하기 위해 다양한 시나리오(무한 버스 시스템 연결, IEEE 13-버스 배전 시스템 연결, 다중 DC 버스 DVPP 성능, AC/DC 하이브리드 DVPP 성능)에서 시뮬레이션을 수행합니다.
• 시뮬레이션 결과, 제안된 제어 설계가 다양한 DVPP 구성에서 원하는 동적 응답을 달성하고 계통 안정성을 향상시키는 데 효과적임을 확인했습니다.

결론

본 연구는 모듈형 DVPP의 그리드 형성 제어 설계를 위한 포괄적인 프레임워크를 제공하며, 이는 미래의 AC/DC 하이브리드 전력 계통을 구축하고 운영하기 위한 확장 가능하고 표준화된 고급 계통 인터페이스(AGI)를 제공합니다.

สถิติ

본 논문에서는 DVPP의 관성 시간 상수를 5초, 주파수 드룹 기울기를 4%, 전압 드룹 기울기를 20%로 설정하여 시뮬레이션을 진행했습니다.
DVPP는 슈퍼커패시터, 배터리 에너지 저장 시스템, 태양광 발전 시스템으로 구성되며, 각각의 전력 설정점은 0.0pu, 0.0pu, 0.5pu입니다.
슈퍼커패시터의 전력 응답은 Tsc = -τscs/(0.01s+1)로 설정하고, τsc 값을 변경하며 시뮬레이션을 수행했습니다.
태양광 발전 시스템의 전력 응답은 Tpv = ηpv/(0.5s+1)Tbess&pv로 설정하고, ηpv 값을 변경하며 시뮬레이션을 수행했습니다.
시뮬레이션 결과, 슈퍼커패시터의 τsc 값이 작을수록, 즉 슈퍼커패시터가 관성 전력을 덜 제공할수록 배터리 에너지 저장 시스템은 더 많은 관성 전력을 제공하는 것을 확인했습니다.
또한, 태양광 발전 시스템의 ηpv 값이 클수록 태양광 발전 시스템은 더 많은 정적 전력을 제공하는 것을 확인했습니다.

คำพูด

"DVPPs are distinguished by their focus on the collective response to fulfill a desired response to the output-terminal grid, as opposed to the localized operation of individual DERs in a microgrid."
"A modular DVPP introduces a flexible and scalable approach to building AC/DC hybrid power grids."
"This approach is more systematic and standardized than the conventional fragmented and self-contained integration paradigm of DERs."

ข้อมูลเชิงลึกที่สำคัญจาก

Grid-Forming Control of Modular Dynamic Virtual Power Plants

by Xiuq... ที่ arxiv.org 10-22-2024

https://arxiv.org/pdf/2410.14912.pdf

สอบถามเพิ่มเติม

본 논문에서 제안된 제어 방식을 실제 전력 시스템에 적용할 경우 발생할 수 있는 문제점은 무엇이며, 이를 해결하기 위한 방안은 무엇일까요?

본 논문에서 제안된 모듈형 동적 가상 발전소 (DVPP) 제어 방식은 계통 형성 제어 (GFM) 개념을 기반으로 하여 다양한 **분산 에너지 자원 (DER)**을 효율적으로 통합하고 계통 안정성을 향상시키는 데 기여할 수 있습니다. 하지만 실제 전력 시스템에 적용할 경우 다음과 같은 문제점들이 발생할 수 있습니다.

통신 문제: 본 논문의 제어 방식은 중앙 제어기와 각 DER 간의 실시간 통신을 기반으로 합니다. 하지만 실제 계통에서는 통신 지연, 데이터 손실, 사이버 공격 등 다양한 통신 문제가 발생할 수 있으며, 이는 시스템의 성능 저하 및 불안정성을 야기할 수 있습니다.

해결 방안:

견고한 통신 프로토콜: IEC 61850, DNP3와 같은 표준 통신 프로토콜을 활용하고, 데이터 패킷 손실 및 지연을 최소화하는 통신 기술을 적용해야 합니다.
분산 제어: 중앙 집중식 제어 방식의 단점을 보완하기 위해 분산 제어 방식을 적용할 수 있습니다. 각 DER에 제어 기능을 분산시켜 통신 의존성을 줄이고, 특정 노드의 고장에도 시스템 전체의 안정성을 유지할 수 있도록 설계해야 합니다.
통신 장애 대비: 통신 장애 발생 시에도 시스템이 안전하게 동작할 수 있도록 백업 제어 시스템 구축 및 자율 운전 모드 전환 기능 등을 고려해야 합니다.

모델링 오차: 본 논문의 제어 방식은 DER의 정확한 모델 파라미터를 기반으로 설계되었습니다. 하지만 실제 DER의 특성은 제조사, 운전 환경, 노후화 등에 따라 달라질 수 있으며, 이러한 모델링 오차는 제어 성능 저하로 이어질 수 있습니다.

해결 방안:

적응 제어: 실시간으로 DER의 동작 특성을 학습하고 모델 파라미터를 업데이트하는 적응 제어 기법을 적용하여 모델링 오차를 최소화할 수 있습니다.
강인 제어: 모델링 오차나 외란에 강인한 제어 기법을 적용하여 시스템의 안정적인 동작을 보장해야 합니다. 예를 들어, H∞ 제어, 슬라이딩 모드 제어 등을 고려할 수 있습니다.

계통 운영과의 연동: 본 논문에서는 DVPP 단독 운전을 가정하고 제어 방식을 제시했습니다. 하지만 실제 계통에서는 DVPP가 기존 계통 운영 시스템과 연동되어야 하며, 이 과정에서 다양한 기술적, 제도적 문제가 발생할 수 있습니다.

해결 방안:

표준화된 인터페이스: DVPP와 기존 계통 운영 시스템 간의 원활한 데이터 교환 및 제어 신호 전달을 위해 표준화된 인터페이스 및 통신 프로토콜을 적용해야 합니다.
계통 운영자 참여: DVPP의 계통 참여를 위한 기술적 요구사항 및 운영 규칙을 정의하고, 계통 운영자의 경험과 노하우를 설계 단계부터 반영해야 합니다.

경제성 확보: 본 논문에서는 제어 성능 향상에 초점을 맞추었지만, 실제 적용을 위해서는 경제성 확보 또한 중요한 문제입니다.

해결 방안:

비용-편익 분석: DVPP 구축 및 운영에 소요되는 비용과 계통 안정성 향상, 에너지 효율 증대 등 예상되는 편익을 정량적으로 분석하여 경제성을 확보해야 합니다.
정책 지원: DVPP 기술 개발 및 보급 확대를 위한 정책 지원 및 시장 인센티브 제공을 통해 경제성을 확보할 수 있습니다.

본 논문에서는 중앙 집중식 제어 방식을 사용하는데, 분산 제어 방식을 적용할 경우 시스템의 성능 및 안정성에 미치는 영향은 무엇일까요?

본 논문에서 제안된 중앙 집중식 제어 방식은 단일 제어기가 모든 DER 정보를 기반으로 전체 시스템을 제어하는 방식입니다. 이는 최적화된 제어 성능을 제공할 수 있다는 장점이 있지만, 통신 부담 증가, 단일 장애점 발생, 확장성 제한 등의 단점 또한 존재합니다. 반면, 분산 제어 방식은 각 DER이 자신의 정보만을 이용하여 자율적으로 제어 결정을 내리는 방식으로, 다음과 같은 장점을 제공합니다.

향상된 안정성: 단일 장애점이 제거되어 특정 DER이나 통신 링크에 문제가 발생하더라도 시스템 전체의 안정성을 유지할 수 있습니다.
통신 부담 감소: 각 DER이 자신의 정보만을 사용하기 때문에 중앙 제어기와의 통신량이 줄어들고, 통신 지연이나 데이터 손실의 영향을 최소화할 수 있습니다.
뛰어난 확장성: 새로운 DER이 추가되더라도 기존 시스템에 큰 영향을 미치지 않고 쉽게 통합할 수 있습니다.
하지만 분산 제어 방식을 적용할 경우 다음과 같은 문제점을 고려해야 합니다.

전역 정보 부족: 각 DER은 자신의 정보만을 기반으로 제어하기 때문에 전역적인 시스템 정보 부족으로 인해 최적의 제어 성능을 달성하지 못할 수 있습니다.
복잡한 설계 및 분석: 각 DER의 제어 알고리즘을 설계하고 시스템 전체의 안정성을 분석하는 것이 복잡해질 수 있습니다.
결론적으로 분산 제어 방식은 중앙 집중식 제어 방식의 단점을 보완하고 시스템의 안정성 및 확장성을 향상시킬 수 있는 유 promising한 대안입니다. 하지만 전역 정보 부족 문제를 해결하고 시스템의 안정적인 동작을 보장하기 위한 추가적인 연구가 필요합니다.

인공지능이나 머신러닝 기술을 활용하여 DVPP의 그리드 형성 제어 성능을 향상시킬 수 있는 방안에는 어떤 것들이 있을까요?

인공지능 (AI) 및 머신러닝 (ML) 기술은 DVPP의 그리드 형성 제어 성능을 향상시키는 데 효과적으로 활용될 수 있습니다. 몇 가지 구체적인 방안은 다음과 같습니다.

DER 모델링 및 예측:

AI/ML 기반 DER 모델링: 물리적 모델링의 한계를 극복하고, 다양한 DER의 동적 특성을 정확하게 모델링하는 데 활용될 수 있습니다. 예를 들어, 인공 신경망 (ANN), 서포트 벡터 머신 (SVM) 등의 머신러닝 기법을 활용하여 DER의 출력 특성, 응답 시간, 효율 등을 예측하는 모델을 개발할 수 있습니다.
DER 출력 예측: 날씨, 부하 패턴, 시장 가격 등을 변수로 활용하여 태양광 발전, 풍력 발전 등의 출력 변동성을 예측하는 데 사용될 수 있습니다. 정확한 예측 정보는 DVPP의 안정적인 운영 및 계통 지원 서비스 제공에 활용될 수 있습니다.

실시간 제어 및 최적화:

AI/ML 기반 제어 파라미터 최적화: DVPP의 동작 조건 변화에 따라 제어 파라미터를 실시간으로 최적화하는 데 활용될 수 있습니다. 예를 들어, 강화 학습 (RL) 기법을 활용하여 계통 상황에 따라 DVPP의 전압, 주파수, 출력 등을 조절하는 최적의 제어 정책을 학습할 수 있습니다.
AI/ML 기반 고장 감지 및 진단: 센서 데이터 분석을 통해 DVPP 내 DER의 고장을 조기에 감지하고 진단하는 데 활용될 수 있습니다. 고장 예측 및 진단은 시스템의 안정성 및 신뢰성 향상에 기여할 수 있습니다.

분산 제어 및 자율 운전:

멀티 에이전트 시스템 (MAS): DVPP 내 여러 DER을 에이전트로 모델링하고, 에이전트 간의 협력 및 경쟁을 통해 시스템 전체의 목표를 달성하는 분산 제어 시스템 구축에 활용될 수 있습니다.
자율 운전: AI/ML 기법을 활용하여 계통과 분리된 상황에서도 DVPP가 자율적으로 운전될 수 있도록 하는 데 활용될 수 있습니다. 예를 들어, 심층 강화 학습 (DRL) 기법을 활용하여 DVPP의 자율적인 주파수 및 전압 제어, 부하 관리, 에너지 저장 시스템 운영 등을 위한 알고리즘을 개발할 수 있습니다.

데이터 분석 및 시각화:

빅 데이터 분석: DVPP 운영 데이터 분석을 통해 시스템 성능, DER 특성, 고장 패턴 등에 대한 유용한 정보를 추출하고, 이를 기반으로 시스템 운영 및 제어 전략을 개선하는 데 활용될 수 있습니다.
시각화: DVPP 운영 상태, DER 출력, 계통 정보 등을 효과적으로 시각화하여 운영자의 상황 인식 및 의사 결정을 지원하는 데 활용될 수 있습니다.

AI/ML 기술은 DVPP의 그리드 형성 제어 성능을 향상시키고, 미래 전력 시스템의 핵심 요소인 DER의 안정적이고 효율적인 통합을 가능하게 하는 핵심 동력이 될 것입니다.