[논문정리] 전력계통 유연성 증가를 위한 앙상블 기법의 태양광 발전 출력 예측 모델링에 관한 연구 - 4

4. 태양광 발전 출력 예측 값을 활용한 전력계통 영향 분석

본 장에서는 출력 예측으로 얻은 값을 통해 전력계통의 송전선로 제약 영향을 검토하였다. 검토에 사용된 계통은 IEEE 39 bus system이며, IEEE 39 bus system은 전력 계통의 다양한 측면에 관한 연구에 많이 사용되는 인위적으로 만들어진 시험용 시스템이다.

 

태양광 발전 설비의 투입 비율이 높아짐에 따라 계통에 주는 영향을 파악해보기 위해 두 가지 시나리오를 구성하고 시나리오별 정상상태, N-1상정고장 경우를 살펴보았다.

1. 태양광 설비가 없는 경우
2. 태양광 발전이 전체 발전 설비의 10%를 차지하는 경우

시나리오 2는 35번 버스에 전체 발전 설비의 10% 정도 되는 용량의 태양광 설비를 추가하였으며, 태양광 설비의 출력은 앞서 예측을 통해 나온 결과 중 임의로 하루를 선택하여 입력하였다. 본 연구에서는 N-1 상정고장은 다음과 같이 정의하였다.

• 태양광 발전 설비가 들어가는 위치 중 Critical한 선로를 선정하여 탈락시킴
• 변압기 선로를 포함하여 모든 송전선로의 부하율이 100% 이상인 경우를 선로에 과부하가 걸린 것으로 간주함
• 모든 모선 전압에 대해 0.95-1.05 p.u. 범위를 벗어나는 경우 모선 전압의 위반으로 간주함

 

4.1 시나리오 1 - 태양광 설비가 없는 계통 분석

시나리오 1은 계통에 태양광 설비가 없는 경우로 발전 설비의 변동성이나 간헐성이 없는 안정적인 상태이다.

 

정상상태의 경우 송전선로의 부하율은 모두 정상범위 내에 있으나, 모선 전압의 경우 26번, 28번, 29번, 36번, 38번 버스가 기준 범위인 0.95p.u.~1.05p.u.를 벗어 나는 것을 확인할 수 있었다. 이 모선들은 변압기 Tap과 조상설비를 통해 무효전력을 조정하여 전압을 기준 범위 내로 맞추어야 한다고 판단할 수 있다. 정상상태 조류해석 이후, 앞서 지정한 선 (Bus 23 - Bus 24)를 탈락시켜 N-1 상정고장을 가정한 계통에서 power flow에 대한 선로 부하율과 모선 전압을 살펴보았다. 상정고장의 경우 Bus 35, 36에 붙어있는 발전기에서 나오는 출력이 23-24로 흘러가지 못하면서 22-23에 가장 큰 과부하가 걸리고 주변 선로인 16-24에서도 과부하가 걸리는 것을 확인할 수 있었다. 모선 전압의 경우 정상상태와 같이 26번, 28번, 29번, 36번, 38번 버스가 기준 범위인 0.95p.u.~1.05p.u.를 벗어나는 것을 확인할 수 있었다.

 

4.2 시나리오 2 - 10%의 태양광 설비가 추가된 계통 분석

시나리오 2는 기존 전력계통 발전 설비의 10%의 크기를 가진 태양광 설비가 추가된 경우로, 본 계통에서는 35번 버스에 태양광 발전 설비를 추가하였다. 4장에서 예측한 결과 중 하루인 2017년 2월 24일 예측값을 전체 발전 설비의 10% 용량인 약 615MW에 맞게 확대한 후 Power world 의 Time Step Simulation을 통해 시간대별 출력량을 입력하였다.

 

 

표 23, 24는 35번 버스에 태양광 발전 설비를 추가하고 예측 결과를 입력하여 나온 시간대별 송전선로와 모선 전압의 결과표이다. 계통에 태양광 발전 설비가 투입되면서 태양광 발전이 나오는 10시~16시에 태양광 설비 주변 선로에서 과부하가 생기는 것을 확인할 수 있었다. 모선 전압의 경우 태양광 발전 설비가 없는 시나리오와 마찬가지로 26번, 28번, 29번, 36번, 38번 버스가 기준 전압 범위에서 벗어난 것을 확인할 수 있었다.

 

표 25, 26는 태양광 설비가 투입된 계통에 시나리오 1과 마찬가지로 미리 지정한 선로(Bus 23 - Bus 24)를 탈락시킨 결과이다. 태양광 발전의 출력이 나오는 시간대에만 과부하가 생기던 정상상태와는 달리 선로가 하나 탈락하면서 선로 16-24, 22-23의 모든 시간대에서 과부하가 발생하는 선로가 생겼으며 이를 위해 선로보강의 필요성을 확인할 수 있었다.

 

 

5. 결론

• 본 연구에서는 변동성 전원의 전력계통 연계 시 전력계통의 신뢰도를 향상시킬 수 있는 방법 중 하나인 신재생에너지 출력 예측 기법을 개발하고 시뮬레이션을 통해 계통에 미치는 영향을 살펴보았다.
• 태양광 발전의 시간적, 공간적 특성을 모두 고려하여 상관관계 감쇠 거리 와 ADW 보간법을 활용한 공간모델링 그리고 머신러닝 앙상블 모델을 활용한 예측 기법을 개발하였다.
• 앞서 제안한 예측 모델로 특정 날의 출력을 예측했으며, 예측값을 활용하여 IEEE 39 Bus Test System에서 전체 발전 설비 용량의 10% 크기를 가진 태양광 발전 설비가 추가된 계통을 분석하였다.
• 태양광 발전은 기상 조건, 시간에 영향을 받는 특징으로 인해 시간대에 따라 발전량의 변동성이 크다. 이로 인해 발전량이 많아지는 시간에 특정 선로에 과부하가 걸리는 것을 확인할 수 있었다. 예측을 통해 태양광 설비 투입이 계통에 어떤 영향을 미칠지 예상해 볼 수 있었으며, 계통 운영자로서는 이를 통해 선로 보강과 같은 안정적 계통 운영을 위한 조치를 취할 수 있을 것이라고 생각한다.
• 본 연구에서 제안하는 공간 모델링과 머신러닝 기법을 활용한 태양광 발전 출력 예측 기법이 우리나라 전력계통의 안정도와 신뢰도 향상을 위한 경제적이고 효율적인 운영 및 계획에 기여할 수 있기를 기대한다.

 

Reference

• Antonanzas, J., Osorio, N., Escobar, R., Urraca, R., Martinez-de-Pison, F. J., Antonanzas Torres, F. “Review of Photovolt Power Forecast.” Sol. Energy, 136, 78-111. 2016.
• Renewable 2018 IEA
• Renewable 2019 IEA
• “The 8th Basic Plan for Long-term Electricity Supply and Demand”, Ministry of Trade, Industry and Trade, Jul. 2018.
• “Implementation plan for renewable energy 3020”, Ministry of Trade, Industry and Trade, Dec. 2017.
• Hugo, T. C., Carlos, P., Coimbra, F. M. “Assessment of Forecasting Techniques for Solar Power Production with no Exogenous Inputs.” Solar Energy, vol. 86, issue 7, pp. 2017-2028, July 2012.
• Joao, G., da Silva, F., Jr., Takashi, O., Takumi, T., Gentarou, K., Yoshihisa, U., Kazuhiko, O., “Use of Support Vector Regression and Numerically Predicted Cloudiness to Forecast Power Output of a Photovoltaic Power Plant in Kitakyushu, Japan.” July 2011.
• Guangye, L. I., “Short-term electricity load forecasting based on the xgboost algorithm.” Smart Grid, 7, 274 285, 2017.
• Xiao, Y., Wu, J., Lin, Z., Zhao, X., “A deep learning- based multi model ensemble method for cancer prediction.” Comput. Methods Programs Biomed. 153, 1-9, 2018.
• Xiao, J., Li, Y., Xie, L., Liu, D., Huang, J., “A hybrid model based on selective ensemble for energy consumption forecasting in China.” Energy, 159, 534-546, 2018.
• Vermont T.,“Forecasting Wind”, NREL, 2016
• Bella Espinar, Jos´e-Luis Aznarte, Robin Girard, Alfred Mbairadjim Moussa, Georges Karinio-takis. “Photovoltaic Forecasting: A state of the art.” 5th European PV-Hybrid and Mini-GridConference, 250-255, Apr 2010.
• Moreno-Munoz, J. J. G., De la Rosa, R., Posadillo, F., “Very short term forecasting of solar radiation.” In Proceedings of the 33rd IEEE Photovoltaic Specialists Conference 2008 PVSC 08, San Diego, CA, USA, 11-16 May 2008.
• Hadja Maïmouna Diagne, Philippe Lauret, Mathieu David. “Solar irradiation forecasting: state-ofthe art and proposition for future developments for small-scale insular grids.” WREF 2012 - World Renewable Energy Forum, May 2012.
• Heinemann, D., Lorenz, E., Lückehe, B., “Short-term forecasting of solar radiation: A statistical approach using satellite data.” Sol. Energy, 67, 139-150, 1999.
• Mills, A, Botterud, A., Wu, J., Zhou, Z., Hodge, B.B., Heaney, M., 2013. “Integrating Solar PV in Utility System Operations”, ANL/DIS -13/18. Argonne National Laboratory
• Cormode, D., Lorenzo, A., Holmgren, W., Chen, S., Cronin, A., 2014. “The economic value of forecasts for optimal curtailment strategies to comply with ramp rate rules. In: IEEE 40th Photovoltaic Specialist Conference (PVSC).” 8 13 June, Denver, Co.
• Brancucci Martinez-Anido, C.B., Florita, A., Hodge, B.M., 2014. “The Impact of Improved Solar Forecasts on Bulk Power System Operations in ISO-NE.” NREL/CP-5D00-628187. National Renewable Energy Laboratory, Golden, CO.
• Zhang, J., Hodge, B.M., Lu, S., Hammann, H., Lehman, B., Simmons, J., Campos, E., Banunarayanan, V., Black, J., Tedesco, J., 2015b. “Baseline and target values for regional and point PV power forecasts: toward improved solar forecating.“ Sol. Energy 122, 804-819.
• Nynke Hofstra, Mark New, "Spatial variability in correlation decay distance and influence on angular distance weighting interpolation of daily precipitation over Europe.”Int. J. Climatol. 29: 1872-1880, 2009.
• Torre, M. C., Poggi, P., Louche, A., “Markovian model for studying wind speed time series in corsica.” Int. J. Renew. Energy Eng, 3, 311-319, 2001.
• 김현철, 한상태, 최종후, 이성건, 김은석, 엄익현, “빅데이터 분석 을 위한 데이터마이닝 방법론.” ㈜자유아카데미, 2014.
• Breiman, L. Bagging predictors. Mach. Learn. 1996, 24, 123–140.
• Park, C., Kim, Y., Kim, J., Song, J. and Choi, H. “Datamining using R”, Kyowoo, Seoul, 2011.
• 이항석, “빅데이터 분석에 의한 요율산정 방법 비교 : 실손의료보험 적용 사례” 보험연구원, 2018
• Zhou, H., Deng, Z., Xia, Y., Fu, M., “A new sampling method in particle filter based on pearson correlation coefficient.” Neurocomputing, 216, 208-215, 2016.
• Petor Liashchynskyi, Pavlo Liashchynskyi, "Grid Search, Random Search, Genetic Algorithm: A Big Comparison for NAS" arXiv preprint arXiv:1912.06059, 2019.
• Alberto Dolara, Francesco Grimaccia, Sonia Leva, Marco Mussetta and Emanuele Ogliari, "Comparison of Training Approaches for Photovoltaic Forecasts by Means of Machine Learning, Appl. Sci. 2018, 8(2), 228
• Y. T. Tan and D. S. Kirschen, "Impact on the Power System of a Large Penetration of Photovoltaic Generation," 2007 IEEE Power Engineering Society General Meeting, Tampa, FL, 2007, pp. 1-8, doi: 10.1109/PES.2007.385563.