전력연구원 신재생에너지 예측·계통 안정도 연구 수행

한국전력공사 전력연구원 위촉연구원으로 지역 신재생 관제 시스템(LRMS)의 예측·감시·안정도 평가 기술을 연구했습니다. 데이터 취득 장애를 해결하고 예측 모델을 고도화한 뒤, 실제 계통 데이터를 활용한 DSA 시나리오와 전압 안정도 분석으로 연결했습니다.

신재생에너지 출력예측 정확도 향상

기상 API 연계와 데이터 취득 문제 해결

• Python으로 HTTP GET 기반 기상 API 호출 코드를 작성하고 API Gateway를 거쳐 응답 데이터를 파싱·적재했습니다.
• 취득 변수에 맞춰 DB 테이블을 설계하고, 위·경도별 ID를 Primary Key로 부여해 호출 시간을 16초 이상에서 1초 미만으로 단축했습니다.
• SCADA 취득 상태와 통신 구간을 점검해 발전량 누락 원인을 해결하고, 발전소 위치정보를 보정해 실제 위치에 맞는 기상정보를 활용하도록 개선했습니다.
• 일부 발전소에서 야간에 발전량이 계측되는 이상치를 발견했습니다. 원인은 하나로 닫히지 않았습니다. 계측기 오류로 재부팅을 요청한 건이 있었고, 달빛에 의한 미세 발전 가능성도 제기됐으나 확인되지 않았습니다. 이상치를 포함한 자료와 제외한 자료로 같은 모델을 학습해 검증 구간 nMAE를 비교한 뒤, 야간 구간은 기상 자료 기반 보정값으로 학습하는 규칙을 정했습니다. 이 규칙은 같은 과제의 다른 예측 대상 발전소에도 적용됐습니다.

신규 머신러닝 예측 모델 도입

• 기존 SVR·NBC·XGBoost 모델과 비교할 수 있도록 LSTM 출력예측 알고리즘을 개발하고 동일 데이터로 학습·검증했습니다.
• 보유 모델 대비 평균 오차율(nMAE)을 1~2% 개선해 신규 알고리즘의 적용 가능성을 확인했습니다.
• 기존 SVR·XGBoost 모델은 R로 작성돼 있었고, 학습 기간 갱신과 결측 처리를 중심으로 개선·유지보수했습니다. 필요할 때 파라미터를 조정했습니다.
• LSTM 출력예측 모델은 Python으로 직접 설계·구현했습니다. 발전소별 최소 2년 데이터로 학습했고, 창 길이·유닛 수·층 수·학습률을 GridSearch로 탐색하되 탐색 범위는 데이터 크기를 보고 정했습니다. 선택 기준은 nMAE입니다.
• 데이터 구성: 입력은 일사량·기온·습도·풍속·풍향·운량·과거 발전량·시각 변수(sin·cos 인코딩)입니다. 기상 예보는 기상청 국지예보(LDAPS), 실적은 ASOS입니다. 하루 전에 다음 48시간을 1시간 단위로 예측했고, 필요할 때 보간으로 5분 단위까지 해상도를 올렸습니다. MinMax 스케일링과 연·월·일 단위 학습/검증 분할을 적용했습니다.
• 후처리: 물리 상한 클리핑, 야간 0 처리, 편향 보정을 모델 밖 규칙으로 적용했습니다.

PV·ESS 하이브리드 선로 예측 알고리즘 개발

• PCS·ESS 용량과 충·방전 패턴을 이용해 ESS 실적을 분리 추정하고, 일사량 기반 PV 최대출력과 결합하는 하이브리드 예측 절차를 설계했습니다.
• 선로 통합예측 정확도(1−nMAE)를 88%에서 92%로 향상했으며, 154kV 9개소와 22.9kV 5개소에 2023년 9월부터 운영 적용했습니다.
• 「에너지 저장 장치가 연계된 태양광 발전 장치의 발전량 출력에서 에너지 저장 장치의 충방전 실적 분리 및 최적화 시스템 및 그 방법」을 공동 발명해 2023년 12월 15일 특허 출원을 완료했습니다.

전력계통 실시간 안정도 평가

역할 경계

• 정적 N-1 상정사고 평가는 운영 기준을 적용해 직접 수행했습니다. 재생에너지 출력이 높은 조건의 P-V/Q-V 전압안정도 평가도 직접 구성·실행했습니다. 과도안정도 평가는 부서 책임자가 고장 조건을 설정할 때 보조하고 결과 정리를 맡았습니다.
• 자동 해석 흐름(SCADA 자료 취득 → PSS/E·DSA 실행 → 결과 파일 파싱 → DB 적재 → 화면 표시) 중, SCADA 취득은 협력사와 공동, PSS/E 실행 스크립트(Python)는 부서 책임자와 공동 작성, 결과 파싱·DB 적재·화면은 협력사가 담당했습니다. DSA는 엔진 내 설정으로 시나리오를 실행했습니다. 실행 환경 스크립트에 장애가 생기면 수정했습니다.
• 예측 발전량은 미래 계통 시나리오의 재생에너지 출력 조건으로 입력해, 현재 계통 안정도 평가를 미래 시점으로 확장하는 구조였습니다.

Online DSA 연동 장애 해결

• 지역 내 고장을 가정한 전압 안정도 평가를 5분 주기로 수행하고, 고장 시나리오별 재생에너지 발전량을 증가시켜 수용한계량을 산출하는 흐름을 운영했습니다.
• Online DSA가 반복적으로 실패하는 현상을 분석해, 상태추정 파일 변환이 끝나기 전에 dsa_ready.txt가 생성되는 순서 경쟁을 원인으로 확인했습니다.
• 파일 변환 완료 후 준비 신호를 생성하도록 코드를 수정해 DCP–DSA 연동 흐름을 정상화했습니다.

상정사고·재생에너지 증가 시나리오 구성

• 민감도가 높거나 계통 파급효과가 큰 핵심 설비의 고장을 조합해 Contingency(.ctg) 시나리오를 구성했습니다.
• 재생에너지 발전량 최대 등 취약 운전조건을 모의하도록 Transfer(.trf)의 Source와 Source별 Limit을 설정하고 시나리오별 결과를 비교했습니다.

전압 안정도 사례 분석

• 부하와 신재생 발전 여건이 유사한 봄철 두 날짜를 선정하고, 동일한 154kV 송전선로 2회선 탈락 상정고장을 적용해 출력제어 시행일(Case A)과 미시행일(Case B)을 비교했습니다.
• DSA 분석에서 Case A는 안정 상태와 907MW 수용한계, Case B는 특정 상정고장 시 전압붕괴와 1,353MW 수용한계가 산출되어, 발전량 규모만이 아니라 고장 조건에 대한 계통 강건성 평가가 필요함을 확인했습니다. 두 수용한계는 「지역 신재생 발전 관제 시스템에서의 계통 전압 안정도 평가에 관한 연구」(대한전기학회논문지 74(11), 1844–1849, 2025, DOI 10.5370/KIEE.2025.74.11.1844)에 실린 값입니다.
• 분석 방법과 실제 광주·전남 계통 사례를 「지역 신재생 발전 관제 시스템에서의 계통 전압 안정도 평가에 관한 연구」(대한전기학회논문지 74(11), 1844–1849, 2025, DOI 10.5370/KIEE.2025.74.11.1844, 제1저자)로 정리해 게재했습니다.

연구 역량

Python, R, MATLAB, Oracle, MariaDB, MySQL, SCADA, PSS/E, DSA Tools를 활용해 데이터 취득·정제·저장, 예측 모델 학습, 시나리오 구성, 계통 안정도 평가를 하나의 연구 흐름으로 연결했습니다. 이 경험은 설비 데이터 업데이트 → 출력예측 → 안정도평가 → 출력제어로 이어지는 통합 관제·제어 자동화의 기반이 되었습니다. 관제시스템 DB는 지역에 따라 Oracle과 MariaDB를 썼습니다. 둘 다 사전 지식 없이 시작해 자료를 찾고 직접 DB를 구성해 돌려 보며 운영 방식을 익혔고, 협력사 엔지니어에게 질문하며 기본키·파티션 설계처럼 되돌리기 어려운 결정을 배웠습니다.