다중 마이크로그리드 연계 및 지능형 자율 운영

대표적인 재생 에너지 중심의 분산 전원에는 태양광, 풍력, 에너지 저장장치(ESS: Energy Storage System), 연료 전지가 있다. 태양광 발전과 풍력 발전은 재생 가능한 에너지원의 광전효과나 가변 풍력으로부터 얻은 에너지를 인버터를 통해 교류 전기로 변환시켜 전력망에 공급한다. 이들 에너지원을 사용한 발전 및 송전은 전통적인 발전과 다른 특징이 있다. 수력, 화력을 사용해 온 전통적 발전소는 동기 발전기의 거대한 회전체 운동으로 자기장을 형성해 전기를 생성하고 주전력망으로 송전하기 위해 주파수를 동기화한다는 점이다.

전 세계적인 에너지원의 변화 추세를 살펴보면, 화석연료 발전기가 줄고 인버터 기반의 재생 에너지 발전 자원이 급증하고 있다. 국내 또한 탄소 중립 정책과 분산형 전원 확대에 따라 재생 에너지 비중이 빠르게 성장하고 있다. 2024년 기준 국내 전력 계통의 전체 발전 설비 용량 중 재생 에너지 설비 비중은 약 20~23%이다. 전체 발전량의 10~11% 수준이다[1]. 제주도의 경우, 타 지역보다 재생 에너지 발전 비중이 높은데 20%를 상회한다. 그러나 약 32%를 차지하는 OECD 평균에 비해 낮은 수준이다.

기후에너지환경부는 2030년까지 재생 에너지 100GW 보급을 목표로 공표했다. 이를 위해 재생 에너지 확대 수용을 위한 전력망을 확충할 계획이다[2].

재생 에너지 보급으로 마이크로그리드라는 새로운 소규모 전력망이 등장했고 전력 계통에 변화를 가져왔다. 용어를 정의하고 이를 바탕으로 마이크로그리드 이해에 필요한 추가 개념을 설명한다.

단일 마이크로그리드(MG: Microgrid)[3]는 재생에너지 자원의 증가로 특정 지역 내에서 전력을 자급자족하기 위해 갖춰진 지역 단위 전력망이다. 태양광, 풍력 등 분산 자원, ESS, 단일 에너지관리시스템(EMS: Energy Management System), 부하가 연결된 형태이며 계통 연계형 또는 독립형으로 운영된다. 독립형 MG의 경우, 외부의 대규모 전력망과의 연결 없이 분리되어 자체적으로 분산 전원을 활용해 전력을 생산, 분배, 저장한다. MG는 에너지 수요 특성과 목적에 따라 산업 단지, 대학 캠퍼스, 도서 지역, 병원, 주택 단지 등으로 분류되고 설치된다.

독립된 MG들을 연계해 MG 집합체로 운전하면 단일 MG가 갖는 미흡한 점을 보완한 전력 계통을 구축할 수 있다. 이를 다중 마이크로그리드(MMG: Multi-microgrid)라고 부른다.

다중 마이크로그리드[3]는 다수의 개별 MG와 지역 단위 EMS가 결합한 확장된 형태의 전력 계통이다. MG 집합체는 인접 MG를 상호 연계하여 에너지 효율과 전력망 안정성을 극대화할 수 있다. 이상의 용어 정의와 개념은 단순히 시스템 규모를 구분하는 것을 넘어, 향후 논의될 재생 에너지 확산에 따른 계통의 물리적 변화를 이해하는 핵심 단위가된다.

특히 MMG로의 연계와 자율 운영 기술 필요성에 대해 살펴보기 위해 다음 절에서 재생 에너지 자원과 MG 확산으로 인해 어떤 문제가 발생하는지, 독립된 단일 MG가 어떤 문제들을 겪는지 상세히 살펴본다.

전력망에서 주파수는 발전기에서 만드는 전기 발전량과 전기 사용자가 쓰는 소비량이 정확하게 일치할 때 유지되는 중요한 균형 지표이다.

재생 에너지로 발전하는 태양광과 풍력 발전기는 기상 조건에 의존하여 전력을 생산하므로 일조량이 줄거나 바람이 잦아들면 발전량이 수 초 내에 급격히 감소한다. 이는 전력망에 즉각적인 주파수 하락을 가져오는데 태양광과 풍력 발전 자원의 이런 특성을 발전 변동성(Intermittency)이라고 부른다.

MG는 전력 자급자족을 위해 태양광, 풍력, ESS와 같은 분산 전원을 연결해 소규모 전력망을 구축해 운영한다. 태양광이나 풍력 같은 재생 에너지 전원은 MG 구축에 필수 발전 자원이다.

그러나 기상 조건이나 시간대에 따른 일조량 변화와 같은 자연 현상은 인간이 통제할 수 없으므로 자연 현상에 의존하여 발생하는 불규칙한 발전량은 화력 발전과 같이 연료 투입량을 즉시 늘려 발전 출력을 높이는 임의적 조절이나 물리적 제어는 불가능하다. 그럼에도 재생 에너지 자원이 확산함에 따라 전체 전력망에 주파수 변동을 유발하는 발전 자원들의 영향은 커질 수밖에 없다. 따라서 주파수 변동을 줄이고 일정하게 유지하는 기술은 필수이다.

전력망에서 관성이란 전력 수요공급 불균형으로 주파수가 급격히 변하려고 할 때, 즉각적으로 에너지를 방출하거나 흡수하여 주파수 급변동에 저항하는 힘이다. 급격하게 변동하는 주파수 변동 속도와 정도를 완만하게 하고 일정 범위에 머물 수 있도록 완충 작용을 한다.

관성 측면에서 살펴보면 재생 에너지 발전 자원은 전통적인 발전 자원과 큰 차이점이 있다. 전통적인 수력, 화력 발전기는 물리적인 회전 질량을 갖는 발전기이다. 발전기 터빈과 회전체는 거대 질량체로서 고속 회전할 때 막대한 회전 운동 에너지를 저장하게 된다. 저장된 운동 에너지는 전력망에서 관성으로 작동한다.

이에 반해 태양광 발전기는 회전 질량이 없고 인버터를 통해 주전력망과 연결된다. 풍력 발전기 경우 회전 터빈과 엄청난 운동 에너지를 갖고 있지만 인버터를 통해 주전력망과 직접 연결되지 않기 때문에 단절이 일어난다.

풍력 발전기의 전력 전자 소자인 인버터는 전력망과 발전기 사이를 전기적으로 분리하며 간접적으로 연결된다. 이에 따라 주전력망의 주파수 감소에도 풍력 발전기와 같은 인버터 기반 전원은 물리적 회전 에너지가 계통과 분리되어 있어 계통 주파수 하락 시에도 터빈의 회전 에너지를 즉각적으로 방출하지 않고 설정된 출력만을 고수하게 된다. 결과적으로는 계통에 대한 관성에 대응하지 못해 저관성 발전 기기로 동작한다. 이런 상황은 재생 에너지 자원이 증가하면 할수록 전력 계통에 회전 관성을 감소시킨다.

관성이 낮은 상태에서는 작은 전력 불균형에도 전력망의 주파수 변동이 더 빨라지기 때문에 저관성 전력 계통에 관성을 유지하기 위한 관성 보완[4] 및 고급 제어[5] 기술에 관한 연구는 지속되고 있다.

태양광, 풍력 등 재생 에너지 변동성 문제를 해결하기 위해 단일 MG 구축에 ESS 구축은 필수적인 대안이다. 그 외에 복합 발전 전원 구성, AI 기반 예측 에너지 제어, 계통 연계형 MG 도입을 고려할 수 있다.

MMG는 재생 에너지 변동성 문제에 MG 간의 상호 연계, 에너지 공유, 분산형 ESS 구축, MMG 차원의 에너지 관리 시스템, 분산형 부하 관리 시스템, 고도화된 부하 관리가 핵심적인 대응 기술이 된다.

또한, MG에서 저관성 전력망 문제 해결에는 가상 관성 제공, ESS 활용, 물리적 관성 보강, 부하 차단, 동기 발전기 병행 운영 방법 등이 있다. MMG 연계 환경과 예측 기술을 활용하여 특정 MG의 급격한 부하 증가나 주파수 하락과 같은 이상을 감지하고 제어하는 기술은 하락 시 필요한 관성을 제공하여 계통 안정성을 확보하는 효과가 있다.

관성을 물리적 고정 상태로 보지 않는다면 부족한 관성을 물리적 설비 증설이 아닌 인접 MG에 잉여 관성으로 대응할 수 있다. 먼저 인접 MG에 대응 여력이 있는지 데이터 기반으로 인지할 수 있고 인접 MG의 인버터 출력을 조절하여 가상으로 관성을 투입할 수 있기 때문이다.

개별 MG가 서로 연결되어 MG 집합체를 구성한 MMG를 통해 에너지 효율 향상 및 사고 발생 시 필요한 복원력 강화를 위한 방법을 기대해 볼 수 있다. 또한, 전력 공급 신뢰성 향상, 재생 에너지 수용성 증대, 재생 에너지 활용 향상을 통한 전력망 안정화에 이바지할 수 있다. 하지만 MMG 기술은 MG 대응 수준보다 상향된 시스템 수준으로 운영되며 이를 위한 해결 과제가 존재한다.

본고에서 Ⅱ장은 하드웨어 기반 MMG 물리적 연계, Ⅲ장은 디지털 트윈 기반 전력망 모델링 프레임워크, Ⅳ장은 MMG 디지털 시뮬레이션과 AI 확대에 관해 설명하고, Ⅴ장에서 결론을 맺는다.

MMG 연계 기술은 여러 개의 독립적인 MG를 상호 연결하여 하나의 통합된 전력망으로 운영하는 기술이다. MMG를 통해 하나의 통합된 전력망의 전력 흐름을 제어하는 것을 최종 목표로 한다.

먼저 기존 단일 MG 중심으로 운영되던 기구축 인프라에 물리적 선로나 전력 전자기기를 추가하여 필요한 물리적 인프라를 재구성함으로써 전력이 물리적으로 흐를 수 있는 통로를 우선 마련한다. 다음절에 MMG 연계를 위한 하드웨어 기반 물리적 연계 매개체에 관해 설명한다.

1.1 전력 전자 설비를 통한 매개 방식의 개념

전력 전자 설비를 개방 지점(SOP: Soft Open Point)에 두면 MG 간 연계가 가능하도록 서로 다른 위상과 전압 특성을 가진 MG를 연결하고 MG 간의 양 방향 전력 흐름을 제어할 수 있다. 특성이 다른 MG 사이에 설치되어 연계 시 과도한 전력 충격을 전력 전자제어를 통해 차단하고, 한쪽 MG에 부하가 집중될 때 다른 쪽 MG로 전력을 우회하는 전력 인터페이스 역할을 능동적으로 한다.

MG 연결 구조에 따라 교류(AC) 전력을 직류(DC)로 변환 후 다시 AC로 변환하여 공급하거나, 양측 위상차에도 전류 충격 없이 유연하게 전력을 주고 받을 수 있어 유연한 에너지 공유를 가능하게 하는 중간자적 도구가 물리적 연계에 필요하다.

1.2 BTB 매개 방식

SOP가 운영상의 개념이라면 이를 물리적으로 구현한 실체가 BTB(Back-to-Back) 컨버터이다. BTB 컨버터는 두 개의 AC/DC 컨버터 사이에 직류 선로를 두고 맞물린 구조로 연결되거나 전압은 같으나 서로 다른 배전 선로를 연결하는 구조를 갖는다.

물리적으로 직접 연결하기 어려운 두 선로 사이에서 전력 흐름을 자유롭게 조절함으로써 서로 다른 주파수와 전압을 갖는 이기종 MG를 연결한다. 전력을 전송할 때 안정적인 전력 교환을 보장하며 한쪽 MG에서 사고가 발생해 전압 강하나 주파수 변동이 발생해도 직류 선로가 이를 흡수해 MMG의 계통 붕괴를 차단하는 역할을 한다.

1.3 SST 매개 방식

전통적 변압기는 AC 전압만 변환하지만 반도체 변압기(SST: Solid State Transformer)는 전력 선로와 그리드를 연결하는 게이트웨이로서 교류와 직류를 모두 수용하는 전력 허브 역할을 한다.

개별 MG들이 중압 직류 송전 선로에 SST를 통해 접속하고, 내부 직류 선로를 활용해 중압 교류와 저압 직류 계통을 탄력적으로 수용해 MMG에서 유연하게 에너지를 주고받는 것이 가능하다. 교류 전기를 직류로 변환하며 다양한 수준으로 전압 수준(예: MVAC, LVAC, MVDC, LVDC)을 바꾸고 전력 품질을 보정해 정밀하게 최적의 전력 흐름을 가능하게 한다.

고속 스위칭 기반 고속 전압 변환은 MMG 운영의 유연성과 동시에 신뢰성을 확보한다.

MG는 AC형과 DC형 두 가지 유형이 있다. AC MG는 기존 AC 전력망에 통합되어 사용되지만, 동기화 및 전력 시스템의 안정성 유지를 위해 정교한 제어 기술 구현이 필수적이다. 반면, DC MG는 단락 보호기능 향상과 효율성 측면에서 상당한 개선을 제공한다[4].

그림 1[6]은 SST를 포함한 AC/DC 전력망 구조를 물리 모델링한 형태이다. 그림 속 MVAC, LVAC, MVDC, LVDC의 의미와 함께 연결 아키텍처를 살펴본다.

그림 1

SST 연결 아키텍처

출처 Reprinted from A. Bineshaq et al., “Design and control of two-stage DC-AC solid-state transformer for remote area and microgrid applications,” Sustainability, vol. 15, no. 9, 2023, 7345. doi: 10.3390/su15097345[6].

• 중압 교류(MVAC: Medium Voltage AC)

일반적으로 1kV부터 35kV 범위의 교류 전압으로 대한민국에서는 배전 계통에서 22.9kV 전압이 사용된다.

• 저압 교류(LVAC: Low Voltage AC)

1kV 미만의 220V/380V 전압 범위에서 일반 수용가의 가전제품 또는 상업 설비가 연결된다.

• 중압 직류(MVDC: Medium Voltage DC)

수 kV부터 수십 kV 범위의 직류 전압 범위로 MG 간 장거리 연계 또는 대용량 재생 에너지 단지와 연결된다.

• 저압 직류(LVDC: Low Voltage DC)

1.5kV 미만의 직류 전압으로 전기차, 태양광 발전기, ESS가 직접 접속된다.

2.1 SST 연결 아키텍처: 연결 (a)

SST 기반 연결 아키텍처에서 그림 1(a)는 고주파 교류 AC로 직접 변환하며 직류 선로가 없어 재생 에너지 자원의 직접적인 접속은 불가하다.

2.2 SST 연결 아키텍처: 연결 (b)

그림 1(b)는 정류기 접속단(MVAC-MVDC)과 인버터 접속단(MVDC-LVAC)이 직류 선로를 공유하며 결합한다. MMG 환경에서 두 접속단 사이의 공유 직류 선로에 여러 MG의 직류 기반 자원(예: 태양광 발전기, ESS 등)이 직접 접속하고 이들 자원을 하나로 묶는 에너지 허브가 된다.

2.3 SST 연결 아키텍처: 연결 (c)

그림 1(c)는 MVAC(22.9kV)에서 상위 계통 전력을 수용하며 LVDC에 직접적으로 태양광, ESS, EV 충전기가 접속되어 효율적인 에너지 저장과 분배가 가능하다. SST의 LVDC 버스 전력을 인버터를 통해 LVAC로 변환하여 AC 부하에게 안정적으로 공급한다.

2.4 SST 연결 아키텍처: 연결 (d)

그림 1(d)는 MMG의 가장 표준적인 접속 방식으로 전압 변환, 절연, 다양한 포트를 제공한다. 상위 계통(MVAC-MVDC)은 정류기를 통해 변환된 중압 직류를 하위 계통(LVAC-LVDC)과 결합한다. MVDC는 다른 MG나 SST 간을 연결하는 공유 직류 선로로서 대용량 에너지 이동에 활용된다. LVDC는 MG 내 개별 에너지자원을 제어한다. LVAC에는 가전제품, 상업 설비, 모터 부하가 연결된다. MMG 환경에서 이 아키텍처는 SST를 매개로 이기종 그리드의 원활한 동기화를 지원하고, 양쪽 계통의 유연한 병렬 운전 및 에너지 라우팅을 가능하게 한다.

그리드 포밍 인버터(GFMI: Grid ForMing Inverter)는 MMG 환경에서 전압과 주파수의 안정적 유지를 담당하는 소프트웨어 정의 기반 발전기 역할을 수행한다.

LVDC의 에너지를 사용하여 동기 발전기 없이 스스로 LVAC의 기준 전압(220V/380V)과 주파수(60Hz)와 같은 계통의 기준점을 형성한다. 확립된 안정적인 기준 전압과 주파수 신호는 연계된 상위 계통 또는 타 MG로 전달하는 통로가 되어 동기 발전기가 부재한 환경에서도 타 분산 발전 자원들을 동기화할 수 있다.

저관성 환경에서는 주된 동력원으로 LVDC 기반의 ESS를 활용해 MMG가 단일 계통과 유사한 관성을 유지하도록 물리적으로 뒷받침한다. GFMI는 외부 전원 없이도 스스로 기준 전압과 주파수를 형성하기에 MG 간에 순차적으로 연쇄 복구를 가능하게 한다. 이로써 다수의 MG를 하나의 안정된 통합 계통, 즉 MMG로 묶어 연계하는 핵심적 역할을 한다.

MMG의 물리적 연계 구조는 유연한 에너지 융통에 필수적인 물리적 기반을 제공한다. 하지만 하드웨어 기반의 단순한 물리적 연계는 계층적 제어 체계와 자율적 운용을 위한 전환에 필요한 몇 가지 한계를 갖는다[7].

첫째, 전력 흐름을 위한 자원 공유 통로를 마련하면서도 변동 감지에 대한 출력 응답 사이의 물리적 지연으로 고장 발생 시 사고 전이의 통로가 되어 전체 계통의 안정성을 저해한다는 이중성을 내포한다.

예를 들면, SST나 차단기 등의 하드웨어는 연산 처리 및 기계적 구동에 따른 물리적 응답 지연 가능성이 있다. 주파수 변동 감지 시점과 실제 출력 신호 변경 시점 사이에 응답 지연은 제어 공백을 가져오고 계통 안정성을 저해한다. 이러한 하드웨어의 물리적 임계점은 설비의 고도화만으로는 극복하기 어렵다.

둘째, MMG에서 기상 조건이나 부하 변동에 따른 재생 에너지 변동성은 하드웨어적 지연 시간보다 빠른 불확실성이 있어 사람이 인지하거나 하드웨어의 물리적 반응 전에 계통은 변한다.

셋째, 물리적 설비는 설치된 후 수정하기 어렵고, 실제 설비를 대상으로 반복적 실험과 검증을 수행하기에 위험이 크고 비용적 문제가 있다.

이와 같은 한계에 대해 본고의 Ⅲ장과 Ⅳ장에서 소프트웨어 중심의 지능형 자율 운영 체계로 전환하는 데 필요한 핵심 기술에 관해 설명한다.

Ⅲ장은 물리적 불확실성을 제어하기 위한 디지털 기반의 핵심 기술과 MMG 자율 운영을 위한 소프트웨어 기반 계층적 모델링에 대해 설명한다. Ⅳ장에서는 디지털 시뮬레이션과 AI 확대에 관해 살펴본다.

MMG에서 물리적 한계를 설비의 고도화를 통해 해결하더라도 운영 환경에서 설비 용량과 같은 제약으로 전력 전송 경로의 유연성이 제한되고 최적의 운영 조건을 찾는 계산 복잡도는 기하급수적으로 증가한다.

이런 이유로 물리적 구조의 경직성을 극복하며 최적해 도출 시 발생하는 비효율적 조합 생성과 복잡한 계통 문제를 세부 단위로 나눠 관리하는 소프트웨어 정의 제어 방식을 도입하여 보완한다[8,9].

특정 전력 설비의 운영을 넘어 MMG 전체의 운영을 위한 유연성의 고점에는 자율 운영이 존재한다. 결국 물리적 통합 시스템인 MMG를 실시간 데이터와 동기화하고 가상 모델로 투영할 수 있는 핵심인 디지털 트윈(DT: Digital Twin)으로 모델링하는 것이 요구된다[10].

소프트웨어 중심의 DT 기반 지능형 자율 운영 기술은 물리적 실체를 가상 세계로 투영하여 미래 상황을 예측하고, 선제적으로 대응하기 위한 제어 시나리오 산출에 기반을 둔다.

MG 실체에 대응하는 가상 모델과 데이터의 동기화를 통해 물리 계통의 상태 인식 정밀도를 극대화하고 데이터를 토대로 가상 모델에서 도출된 의사결정 결과는 다시 가상 모델로 피드백되게 구성함으로써 물리 계통의 변화에 맞춰 지능형 제어를 사전에 검증하는 통합 운영 체계를 마련한다[11].

다중 마이크로그리드 디지털 트윈(MMG-DT) 프레임워크[12]는 물리적 전력망을 가상화하는 것에 그치지 않고 복잡한 계통을 통합 관리하고, 시뮬레이션을 통해 최적 제어를 위한 시행착오를 안전하게 거침으로써 지능형 운영을 실현하는 실시간 상호작용—즉, 연산, 예측, 제어값 전송—과 상호 정보 교환 기반 제어 체계를 확립한다.

그림 2에서 상단은 DT 프레임워크의 현재 모습이다. 그림 하단에 향후 목표에 대한 아키텍처를 간략히 표현한다[13].

그림 2

전력망 디지털 트윈 프레임워크 현재와 미래

출처 Reprinted from Z. Song et al., “Digital twins for the future power system: An overview and a future perspective,” Sustainability, vol. 15, no. 6, 2023, 5259. doi: 10.3390/su15065259[13].

MMG-DT 모델링은 MG의 계층적 연계와 DT를 통합하는 과정이다. 그림 3[13]은 DT 프레임워크 내에 서로 돕는 에너지 생태계인 MMG가 동작하도록 MG를 구성하는 단위인 부품(Component), 장치(Unit), 발전소(Plant), 전력망/계통(Grid)의 모델링 계층을 표현하며 전력 생산에서 소비에 이르는 관계를 나타낸다.

그림 3

MMG DT 모델링에 필요한 물리적 구성

출처 Reprinted from Z. Song et al., “Digital twins for the future power system: An overview and a future perspective,” Sustainability, vol. 15, no. 6, 2023, 5259. doi: 10.3390/su15065259[13].

MMG 체계에서는 그리드, 발전소, 장치가 동일 용어로 표현되더라도 관리 범위에 따라 그 명칭과 역할이 계층화된다. 또한, 어떤 단계 간의 연계인지에 따라 시스템에 제공하는 자율 운영 수준이 달라진다.

계층적 안정성과 경제성을 동시에 확보하기 위한 세 가지 SDTS(Systems of Digital Twin System) 유형을 살펴본다.

첫째, 연계 유형 1은 그리드-발전소 연계 계층(Grid-Plant Level)으로서 상위 송전망에서 내려온 전력이 변전소와 배전 선로를 거쳐 여러 개의 MG가 군집되어 있는 배전망의 공유 모선(Common Bus)에 접속된다. 공급된 전력은 공유 모선에서 공통접속점(PCC: Point of Common Coupling)을 통과해 각 MG 내부로 유입되거나 다른 MG나 상위 계통에 판매된다. 상위 전력망 사고 시, PCC 개방을 통해 MMG는 자립 운전(Islanded) 모드로 전환된다.

또한, 이 모델은 MMG 환경에서 가상발전소 운영을 위한 핵심 구조가 된다. 일례로 여러 MG(발전소)에서 올라온 데이터를 취합하여 실제 팔고 살 수 있는 전력량을 결정하고 이를 위해 발전소는 물리적 전력 설비나 장치에서 발생하는 실시간 데이터를 결합한다.

둘째, 연계 유형 2는 발전소-전력 설비가 연계된 계층(Plant-Unit Level)으로서 발전소나 발전단지 수준의 최적 전략을 달성할 수 있게 디지털 트윈 운영 방식을 관리하는 데 의의가 있다. 이를 위해 개별 전력 설비가 발전소와 물리적 상태를 결합하고 설비의 발전 효율이나 노화로 인한 피로 손상을 모델로 반영하여 전력 설비 최적화에 가장 적합한 설정값을 계산하는 형식으로 연계 운영한다.

셋째, 연계 유형 3은 구성 요소-전력 설비(Unit-Component Level)가 연계된 계층을 나타낸다. 구성 요소(예: 반도체 소자)의 이상 또는 건전성 상태는 디지털 트윈 모델의 동특성 파라미터에 즉시 반영된다. 이를 통해 전력 설비는 고장 감지 시 설비(예: 전력 변환기/발전기) 운영에 고장 요인의 영향을 차단할 수 있는 제어 모드로 전환되며 계층적 제어 연계를 수행한다.

부품-설비 수준의 전력망 하위 계층은 물리적 법칙에 따른 정해진 반응을 부품 수준으로 모델링하는 반면, 그리드 수준의 상위 계층으로 올라갈수록 부하 변동성과 기상 예측에 따른 확률적 분포를 모델링한다. 하위 계층에서 데이터 모델링은 물리적 변수를 있는 그대로 표현하는 반면, 그리드에서는 하위 장치들의 입출력 특성을 요약한 등가 모델(Equivalent Model)로 추상화한 데이터로 모델링한다. SDTS는 최적의 선택을 상위 가상 모델이 내릴 수 있도록 부품 수준의 하위 가상 모델의 데이터를 상위 물리 모델(예: SCADA와 EMS)이 생성하도록 돕는다. 이를 통해 물리적 한계 내에서 최적의 운영 결과를 생산하도록 자율 운영 체계를 구축한다.

MMG를 모델링한 SDTS는 AI 기반 지능형 에이전트 소프트웨어를 통합 검증하기 위한 물리적 토대를 마련한다. 하지만 DT의 성패는 물리적 실체와 가상 모델이 일관된 상태를 유지하는지에 따른다.

이를 위한 이상적인 동기화는 데이터 수집과 모델로 반영하는데 지연이 없어야 하며, 센서 데이터의 노이즈와 누락이 없어야 한다. 주파수 변동을 정밀하게 모사하기 위해서는 고해상도 물리 모델이 필요하나 이 경우 연산 부하가 높다. 실제 수행 시 실시간성 확보와 모델의 단순화 사이에 정밀도 손실 차원의 상충 관계가 존재한다.

실시간 동기화는 모든 데이터를 실시간으로 반영하기보다는 제어 목적의 사건(Event) 발생 시 가상 모델의 파라미터를 업데이트하는 방식으로 SDTS를 업데이트한다. 설계된 모델과 실제 MMG 상태 동기화에는 여러 연구 격차 및 이론적 개발과 실제 구현 사이의 간극이 존재한다.

MMG는 다수의 MG가 동시에 의사 결정을 내리는 복잡성을 갖는다. 저관성 계통의 붕괴 직전의 극한 상황을 실제 설비를 대상으로 테스트하기에 위험이 크고 비용적 문제가 있어 자율 운영 시뮬레이션 시스템 구축을 통한 수행 및 검증 없이는 신뢰성 있는 자율 운영 시스템 구축은 불가능하다. 그래서 MMG-DT를 위한 개발과 테스트 체계를 정의함으로써 MMG 시스템의 복잡성을 단계적으로 해결해 나가고자 한다. 단계적 시뮬레이션, 즉 가상화할 대상의 단계적 테스트 수준과 특징을 이어서 설명한다.

테스트는 개발된 운영 제어 알고리즘의 정상 기능 수행 확인과 오류 탐지를 위해 실행한다. 추후, 시스템의 운영 환경 부합성, 안정성 충족, 신뢰성 확보를 위한 검증으로 확대된다. 더불어 개발된 MMG-DT는 구현된 제어기의 응답 시차 및 통신 지연에 대한 검증을 수행한다. 먼저 시뮬레이션(Simulation) 개발은 필수이다.

MMG-DT 프레임워크는 여러 시뮬레이션 환경을 결합하여 하나의 통합된 시스템처럼 동작하게 만드는 코시뮬레이션(Co-Simulation) 기술이자 실증 프레임워크이다. 프레임워크 내 SW 모듈을 HW로 대체해 나감으로써 CHIL에서 PHIL 환경으로 단계적 확장이 가능하다[14]. 본 절의 약어는 아래 세부절을 참고하기 바란다.

HW와 SW의 결합 정도, 서로 다른 제어 주체와 제어 대상을 테스트 및 검증하기 위해 5가지 개별 방법을 구분해 본다. AI 적용을 위해 AI-VSIL을 포함했다[15].

1.1 SIL 범주의 테스트

먼저 가상 환경 중심의 개발 및 테스트 중심으로 SIL, VSIL, AI-VSIL을 살펴본다.

• SIL 테스트

SIL(Software-in-the-Loop)은 수식 기반의 알고리즘이 제어 논리를 테스트하여 타당한지와 초기 AI 모델 구현이 의도한 대로 제어값을 산출하는지 테스트한다.

• VSIL 테스트

VSIL(Virtual SIL)은 하위 타겟 HW용 바이너리를 하드웨어 장치의 동작을 모사하는 에뮬레이터에서 구동하여 상위 제어 SW 로직의 명령이 가상 타겟 HW 바이너리와 일관된 방식으로 제어할 수 있는지 테스트한다. 물리적 HW 없이 실제 HW용 바이너리와 통신할 수 있어 SIL의 유연함과 HIL의 정밀함을 함께 갖는다.

• AI-VSIL 테스트

AI-VSIL(AI-embedded VSIL)은 AI 예측이 제어 코드와 함께 가상 타겟 HW의 바이너리에 반영된 임베디드 AI 테스트 기술이다.

1.2 HIL 범주의 테스트

HW 중심으로 HIL(Hardware-in-the-Loop)[16]은 하드웨어 제어기와 가상 모델링 된 MMG 환경을 실시간으로 연결하여 제어 알고리즘을 현실적으로 테스트함으로써 실제 물리 설비는 보호하면서 검증할 수 있는 특징을 갖는다. HIL 범주에 CHIL, PHIL이 포함된다.

• CHIL 검증

CHIL(Controller HIL)[17]에서 MG의 전력망을 가상으로 구현한 모델(즉, MG 전력망 가상 모델 또는 실시간 시뮬레이터 엔진)과 실제 제어기(즉, MG EMS, SOP/SST 제어 회로, 지능형 에이전트 HW)를 상호 연동한다. 실시간 시뮬레이션 환경과 연결하여 실제 환경을 구성하지 않고 제어기의 알고리즘을 조기에 검증한다.

• PHIL 검증

PHIL(Power HIL)은 SOP/SST 전체, ESS, 핵심 전력 설비(예: 인버터)를 실시간 전력 증폭기로 가상 전력망 모델과 연결하여 실제 전력을 송수신하며 안정성을 확인하는 테스트 기술이다.

다중 에이전트 기반 지능형 MMG-DT 구현을 위해 SIL, VSIL, AI-VSIL, CHIL, PHIL 환경 내의 독립된 시뮬레이션 주체, 즉 다중 판단 주체들을 에이전트로 모델링해야 한다.

HIL/SIL 기반의 개발 및 테스트에서 자율 운영(Autonomous Operation)으로의 기술 전환은 단순히 HW/SW의 기능이 잘 동작하는지를 검증하는 수준을 넘어, 가상 환경에서 학습한 모델을 실제 환경에 적용하고 스스로 상황을 판단하여 제어하는 능동적인 시스템으로의 진화를 의미한다. HW를 동작시키는 도구 차원에서 HW를 제어하는 의사결정 주체(Agent)로 검증 대상이 확장됨을 강조한다.

지금까지의 제어 접근법은 수학적 모델에 기반하여 고정된 답을 수행하는 결정론적 제어였다. MG의 불확실성에 대해 앞으로는 스스로 판단하고 대안을 찾게 하는 자율 추론형 제어(Agentic AI) 시스템을 요구한다.

3.1 다양한 MG 제어 방식 및 기능 계층

그림 4에서 MG 기반 제어 방식은 중앙집중식(Centralized), 탈중앙형(Decentralized), 분산형(Distributed) 및 계층형(Hierarchical) 프레임워크로 분류된다. 특정 MG에 특유한 단일 제어 메커니즘은 존재하지 않는다는 점에 주목해야 한다.

그림 4

다양한 MG 제어 방식

출처 Reprinted from A.S. Satapathy et al., “Emerging technologies, opportunities and challenges for microgrid stability and control,” Energy Rep., vol. 11, 2024, pp. 3562-3580. doi: 10.1016/j.egyr.2024.03.026[4].

일반적으로 MG는 주로 중앙집중식 또는 탈중앙형으로 운영될 수 있다[3,4,19].

• 중앙집중식 제어(Centralized Control)

소규모 MG에는 중앙집중식 제어 방식이 일반적으로 권장된다. MGCC(MG Central type Controller)는 중앙집중식 제어 모드에서 주로 MG 최적화를 위해 운영되는 제어기이다. 중앙집중식 제어 전략은 구성 요소의 규모와 관련 영역에 따라 분류된다.

• 탈중앙형 제어(Decentralized Control)

탈중앙형 제어는 개별 구성 요소 수준에서 동작을 결정한다. 이 접근 방식은 단일 위치로 공통 연결지점(PCC)에서 방대한 양의 데이터를 수집하고 처리하는데 속도가 느린 중앙집중식 제어에 대한 대안이며, 많은 구성 요소로 이루어진 복잡한 MG에 적용된다. 이 방식은 주로 상위 및 하위 수준 컨트롤러를 모두 포함하는 2단계 설계로 구성된다.

• 분산형 제어(Decentralized Control)

분산형 제어는 탈중앙형 제어의 향상된 제어 방식으로서 로컬 컨트롤러가 인근 장치와 저대역폭 채널을 사용해 통신함으로써 MG 전체에 적용되는 중앙집중식 설계의 이점을 활용한다. 각 장치가 인접 장치의 응답을 고려해 로컬 측정값을 기반으로 제어됨을 의미한다.

• 계층적 제어(Hierarchical Control)

계층적 제어 구조는 세 가지 범주로 분류된다. 1차 제어(Primary Local Control)는 전력 시스템의 전압 및 주파수를 안정화하고, 전력 설비에서 발생하는 과전류 사고를 유발하는 고장을 완화한다.

2차 제어(Secondary MG Control)는 광범위하게 상호 연결된 전력망에서 주파수 변동에 대응하여 발전기의 설정값과 출력을 수정함으로써 전력 공급과 수요 간의 균형을 유지한다. 독립적으로 동작하는 더 작고 자립적인 환경에서 안정성과 신뢰성을 유지하는 것을 목표로 한다.

3차 제어(Tertiary Global Control)는 MG와 주전력망 간 원활한 에너지 전송, 전력망 요금 책정, 재정적 절감 효과를 도출하는 작업을 주로 담당한다.

그림 5는 전력 전자 인터페이스와 여러 가지 분산 자원을 통합한 하이브리드 AC/DC MMG 시스템을 나타낸다[4]. 주류를 이루는 AC 전력망을 ESS나 태양광 등의 DC 전력망과 컨버터로 연계해 다양한 발전자원과 부하를 연동하고 변환으로 인한 전력 손실을 줄인다[18].

그림 5

MMG의 운영과 관리

출처 Reprinted from A.S. Satapathy et al., “Emerging technologies, opportunities and challenges for microgrid stability and control,” Energy Rep., vol. 11, 2024, pp. 3562-3580. doi: 10.1016/j.egyr.2024.03.026[4].

3.2 다중 에이전트 시스템 기반 제어의 장점

앞 절에서 도출된 다양한 MG 제어 방식은 특정 상황에 고정된 제어 로직으로 대응하게 되면 변동성이 발생하는 다양한 상황에서 자율적으로 대응하는데 제한이 생긴다.

MMG는 여러 운영 주체가 모인 복합 시스템이므로 개별 MG가 자율 제어 주체가 되는 것이 적합하다. 특정 토폴로지에 최적화되어 있는 고정된 제어 구조를 이종의 자원들이 동적으로 참여 주체가 되어 관리하고, 개별 MG 간의 이해관계 충돌을 피해 서로 다른 목적 달성을 위해서 탈중앙, 분산, 계층형 제어 아키텍처를 보완적으로 사용한다.

MAS(Multi-Agent System)는 실시간 시계열 데이터와 이웃 에이전트의 상태 정보를 입력받아 AI 모델로써 상황을 정량적으로 추론하고 협상을 거쳐 최적화된 제어 설정값을 물리 계층으로 출력하는 시스템이다. MAS를 통한 다중 에이전트 기반 제어는 MG 간의 자율 운영을 실행한다.

MAS 기반 MMG 제어는 개별 MG의 서로 다른 목적을 갖는 각 에이전트가 내부 데이터를 보호하면서도 동시에 데이터의 직접 처리가 가능하고 실시간 응답성이 뛰어난 장점이 있다.

3.3 지역 EMS와 다중 에이전트 간 역할 분담

MAS를 도입하면 운영의 자율성은 확보되지만, 분산 자율 운영 과정에서 발생하는 책임 주체, 최적화 담당, 충돌 발생 해결 과정이 불명확해진다. 이에 따라 MAS 기반 SDTS 운영 책임 주체를 지역 EMS와 MAS로 구분한다.

지역 EMS(Energy Management System)는 기존에 MG를 관리하던 체계이다. EMS는 MMG에서 MG 내부의 상태 감시와 안전 제어의 주체가 된다. MG에 설치된 발전 자원, 부하, ESS의 물리적 상태를 실시간으로 모니터링하고 인버터가 제어 명령을 물리적으로 실행할 수 있게 한다. MG 내부 자립과 안전을 담당하는 지역 EMS와는 별도로 MAS는 MMG 전체의 자원 최적화 및 상호 연계 제어에 집중하도록 역할을 분담한다.

3.4 MAS 기반 MG 간 분산 협력의 필요성

MMG 환경에서 단순한 정보 교환을 넘어 에이전트들 간의 협력으로 극복할 수 있는 해결 과제와 이유를 살펴본다.

첫째, MMG는 동적으로 저관성 전력망에 안정성을 확보한다. 재생 에너지 비중이 높은 MG에서 주파수가 급격히 떨어질 때, 인접 MG의 회전기기나 고속 ESS로 가상 관성을 즉시 지원하면 저관성 MG의 정전 위험을 즉각적으로 방어해 정전을 막을 수 있다. 또한, 저관성 MG가 동적으로 변경될 때 MG 간 상황 공유와 신속한 협력적 제어는 전력 품질을 유지할 수 있게 한다.

둘째, 상위 계통에서 사고 발생 시, 에이전트들 간의 협력으로 MG 집합체를 형성할 수 있다. 단독 운전이 불가능한 MG에게 임시적으로 형성된 MG 집합체로부터 공급되는 전력은 정전 범위를 최소화해 피해를 입은 MG의 회복탄력성을 강화할 수 있다.

셋째, MAS 기반 MMG는 특정 MG에서 남는 전력을 전력이 부족한 다른 MG로 전달할 수 있다. 필요한 전력을 상위 계통으로부터 사오는 대신 인접 MG로부터 P2P(Peer-to-Peer) 거래를 통해 구매함으로써 에너지를 공유할 수 있다.

넷째, MG 간의 상호 협력을 통해 서로 간에 남는 ESS 용량을 공유함으로써 공유 예비력을 확보할 수 있다. 개별 MG가 고가의 ESS를 과다하게 보유하는 대신 공유 예비력을 확보하여 과도한 설비 투자를 줄일 수 있다.

3.5 MAS 기반 AI 모델 추론

AI는 예측 불가능한 상황에 최적 판단을 가능하게 하는 도구가 된다. MMG 운영에서 수많은 분산 자원을 조율하기 위한 최적 판단은 전형적인 NPHard 문제에 속한다. AI 기반 MAS 제어는 기존의 복잡한 최적화 연산을 미리 학습된 AI 모델의 추론 결과로 대체하여 연산 시간의 한계를 극복할 수 있다. MMG DT가 변동적 상황에서 자율적으로 대응하는 방식은 개별 제어를 넘어 MMG-DT 프레임워크에서 MAS를 통한 다중 에이전트 기반 자율 지능 체계로 상황을 추론하고 협력 계획을 수립하여 실행한다.

MAS 기반 AI 모델을 활용한 MMG 자율 운영 기술에 탑재되어야 할 핵심 기술에는 DT 기반 ML(Machine Learning), 의사 결정, 다중 에이전트 강화학습(Multi-Agent Reinforcement Learning), 해석 가능 AI(XAI)가 있다. 개별적 단순 알고리즘의 실행이 아닌 MG 가상 운영자 역할을 동적으로 수행하도록 예측, 이상 감지, 다목적 최적화, 분산 협상과 협력 기능을 탑재할 수 있기 때문이다.