풍력 발전을 고려한 확률적 경제 디스패치 불확실성 정량화 가우시안 프로세스 에뮬레이터 기반 접근

본 논문은 재생에너지, 특히 풍력 발전의 시공간적 변동성을 전통적인 결정론적 경제 디스패치(ED) 문제에 통합하여 확률적 경제 디스패치(SED) 모델을 구축하고, 그 불확실성을 효율적으로 정량화하는 새로운 방법론을 제시한다. 기존 연구에서는 시나리오 기반 최적화나 전통적인 몬테카를로(MC) 샘플링을 이용해 풍력의 불확실성을 반영했지만, 샘플 수가 급증함에 따라 계산 비용이 비현실적으로 커지는 문제가 있었다. 이를 해결하기 위해 저자들은 두 단계의 핵심 기술을 도입하였다. 첫 번째 단계는 풍력 발전 데이터를 차원 축소하는 카루넨‑루에 확장(Karhunen‑Loève Expansion, KLE)이다. 풍력 발전량을 시공간적 랜덤 필드 p_i(ω,t) 로 모델링하고, 실제 관측 데이터로부터 공분산 행렬을 추정한다. 공분산 행렬의 고유값·고유벡터를 이용해 원래의 고차원 랜덤 필드를 소수의 독립적인 잠재 변수 ξ_i 로 표현한다. 저자들은 전체 분산의 95 % 이상을 보존하는 최소 차원 p 를 선택하고, 이를 각 풍력 발전소·시간 단계에 적용해 입력 차원을 크게 감소시켰다. 이렇게 얻어진 ξ는 서로 독립이며, 이후 확률 밀도 함수를 커널 밀도 추정(KDE)으로 추정한다. 두 번째 단계는 차원 축소된 ξ 공간에서 라틴 하이퍼큐브(Latin Hypercube Sampling, LHS)로 제한된 수의 훈련 샘플을 생성하고, 이를 기반으로 가우시안 프로세스 에뮬레이터(Gaussian Process Emulator, GPE)를 학습하는 것이다. GPE는 베이지안 비선형 회귀 모델로, 평균 함수 m(x)와 커널 함수 k(x,x′)를 통해 입력‑출력 관계를 확률적 응답면으로 근사한다. 평균 함수는 상수 혹은 선형 형태를 취할 수 있으며, 논문에서는 주로 제곱 지수(SE) 커널을 사용한다. 하이퍼파라미터(노이즈 분산 σ², 평균 함수 계수 β, 커널 하이퍼파라미터 θ)는 최대우도 추정(Maximum Likelihood Estimation, MLE)으로 최적화한다. 최적화 과정에서 ‘nugget’ 항을 도입해 수치적 안정성을 확보하고, 그래디언트 기반 최적화기로 전역 최적에 근접하도록 초기값을 0에 가깝게 설정한다. 학습이 완료된 GPE는 새로운 ξ 샘플에 대해 거의 즉시 비용 함수 Q(g, p(ω))와 최적 디스패치 해 g 를 예측한다. GPE는 평균 예측값과 함께 예측 분산을 제공하므로, 불확실성 정량화에 직접 활용할 수 있다. 저자들은 제안 방법을 IEEE 118버스 시스템에 적용해, 24시간 3개 풍력 발전소 시나리오를 테스트하였다. 결과는 다음과 같다. (1) 평균 비용 오차는 1 % 이하로, MC 기반 기준과 거의 동일한 정확도를 보였다. (2) 전체 시뮬레이션 시간은 전통적 MC 대비 10배 이상 단축되었으며, 특히 대규모 시스템에서 그 효율성이 두드러졌다. (3) 예측 분산을 이용해 비용의 신뢰 구간을 제공함으로써 운영자의 의사결정 지원에 기여했다. 논문의 강점은 고차원 입력을 효율적으로 처리하고, 서러게이트 모델을 통해 실시간에 가까운 불확실성 전파가 가능하도록 만든 점이다. KLE를 통한 차원 축소는 입력 변수 간 상관관계를 보존하면서도 샘플링 차원을 크게 줄여 GPE 학습 비용을 최소화한다. 라틴 하이퍼큐브 샘플링은 전통적 MC보다 균등한 탐색성을 제공해 적은 샘플로도 입력 공간을 효과적으로 커버한다. GPE는 베이지안 특성상 예측 분산을 제공하므로, 단순 평균값이 아닌 위험 기반 의사결정에 활용할 수 있다. 하지만 몇 가지 한계도 존재한다. KLE는 공분산 구조가 정규성을 띠고 충분히 긴 데이터가 필요하므로, 비정상적·비계절적 풍력 데이터에 적용할 경우 차원 축소 효율이 떨어질 수 있다. 또한 GPE는 연속적·매끄러운 함수 근사에 강점을 보이지만, 경제 디스패치 문제는 제약조건(발전기 출력 한계, 전력 흐름 제한 등)으로 인해 비연속적 특성을 가질 수 있다. 이러한 경우 서러게이트가 실제 최적해를 정확히 포착하지 못할 위험이 있다. 하이퍼파라미터 최적화가 비선형 문제이므로 지역 최적에 빠질 가능성이 있으며, 보다 견고한 베이지안 최적화 기법이 필요할 수 있다. 마지막으로, 사전 학습 단계가 필요하므로 실시간 변동성이 큰 상황에서는 모델을 주기적으로 업데이트해야 하는 운영상의 부담이 있다. 향후 연구 방향으로는 (1) 비정규 풍력 데이터에 대한 적응형 KLE 또는 비선형 차원 축소 기법(예: 변분 오토인코더) 도입, (2) 제약조건을 직접 반영한 구조화 GPE(예: 제약조건을 포함한 다중 출력 GP) 개발, (3) 온라인 학습 및 순차적 업데이트 메커니즘을 통한 실시간 적용성 강화, (4) 베이지안 최적화와 결합한 하이퍼파라미터 튜닝 자동화 등이 제시된다. 이러한 확장을 통해 제안된 프레임워크는 실제 전력 시스템 운영에서 재생에너지의 불확실성을 정량적으로 관리하고, 비용 효율적인 디스패치를 실현하는 핵심 도구로 자리매김할 수 있을 것이다.