PE Notes · AI
가상발전소(VPP)와 AI 기술
분산 에너지 자원을 하나의 발전소처럼 묶는 VPP에서, 시계열 딥러닝은 예측, 강화학습은 충·방전·입찰, 그래프신경망은 망 위상을 맡는 역할을 비교합니다.
재생에너지는 날씨와 시간에 흔들립니다. 태양광, 풍력, , EV 충전기, 수요반응을 따로 두면 계통이 버티기 어렵습니다. 는 흩어진 을 ICT로 묶어 하나의 발전소처럼 입찰하고 제어합니다. 규칙만으로는 수백·수천 자원을 실시간으로 못 맞춥니다.
정의
VPP의 손은 셋입니다. 시계열 딥러닝은 수요·발전을 예측하고, 은 충·방전과 거래를 결정하며, 은 변전소–선로 위상을 분석합니다.
| 자원 | 역할 |
|---|---|
| 태양광·풍력 | 변동 발전 |
| ESS | 잉여 저장·방전 |
| EV· | 차량 전력을 망에 되돌림 |
| 부하를 줄이거나 옮김 |
기술별 동작
예측 입력은 기온, 일사, 요일, 과거 부하, 공휴일입니다. 은 일·월 패턴, 는 짧은 발전, Attention 시계열(TFT 등)은 불확실성까지 냅니다.
강화학습은 MDP로 적습니다. 상태는 ·가격·예측, 행동은 충·방전량과 입찰, 보상은 거래 수익에서 열화·불균형 페널티를 뺀 값입니다. 알고리즘은 , SAC, 자원별 다중 에이전트 RL이 자주 붙습니다.
GNN은 노드(발전·변전·수용가)와 엣지(선로)로 조류·고장 위치를 봅니다. 뉴턴–랩슨이 위상 변화마다 다시 푸는 반면, 임베딩을 익혀 실시간 추론에 가깝습니다.
| 비교축 | 시계열 딥러닝 | 강화학습 | 그래프신경망 |
|---|---|---|---|
| 푸는 문제 | 미래 수요·발전 | 최적 제어·입찰 | 위상·조류 |
| 입력 | 시간 시퀀스 | 현재 상태 | 그래프 |
| 출력 | 예측값 | 충·방전 명령 | 노드 상태·이상 |
| VPP 단계 | 사전 계획 | 실시간 제어 | 인프라 분석 |
운영과 한계
IoT가 계측하고, 플랫폼이 명령을 내며, 시장·계통운영자와 입찰로 만납니다. 간헐성은 예측 오차로, 제어 채널은 보안 구멍으로, 제도는 참여 자격으로 남습니다. 참여 세대 데이터는 으로 중앙에 모으지 않을 수 있습니다.
공공 에너지·클라우드 배치 가이드와 거버넌스가 운영 바깥 틀입니다. 제어 실패의 대가는 정전이므로, 사람 감독을 남깁니다.