기후 변화는 재생 에너지원(RES) 예측에 상당한 영향을 미칩니다. 코로나19 팬데믹으로 인해 전 세계 날씨는 정상적인 데이터와 다른 양상을 보였습니다. 이러한 상황에서는 RES의 출력을 예측하는 것이 매우 어려워졌습니다. 불확실성의 수준과 그 영향을 예측하는 것 또한 매우 어렵습니다. 이 문제를 해결하기 위한 확률적 및 통계적 접근 방식은 전력 시스템 내 발전원의 예측 및 계획을 위해 방대한 양의 데이터를 필요로 합니다. 정보 격차 의사 결정 이론(IGDT)은 불확실성을 처리하는 더 나은 효율적인 대안을 발견했습니다. 따라서 불확실성을 다루기 위해 이용 가능한 데이터로만 모델링하였으며 알려지지 않은 데이터는 예측을 통해 구성하였습니다. 인구의 급속한 증가와 그로 전력 수요가 크게 증가하였으며 부하량도 불확실성을 지니게 되고 예상되는 변화를 예측해야 합니다. 전력 시스템의 전압을 안정도 계수로 고려한다면, 공간적 및 시간적 기반에서 RES 출력 전원의 영향을 찾아야 합니다.

불확실성 모델링과 예상 RES 및 부하 값의 예측이 첫 번째 목표로 고려됩니다. RES 및 부하의 계획 및 스케줄링과 관련하여 민감도 분석(SA) 기법을 사용하여 RES 및 부하의 영향을 찾는 것이 두 번째 주요 목표로 설정하는 것이 좋습니다. 이 연구에서 불확실성 수준 예측은 IGDT의 견고성 및 기회 개념을 기반으로 관찰된 불확실성의 클래스를 만들어 달성합니다. 인공신경망(ANN) 기법은 훈련 단계에서 제공되는 많은 데이터를 기반으로 불확실성의 클래스를 찾는 데 유용합니다. 많은 SA 기법이 발견되었지만, 로젠블라트 기반의 다변량 글로벌 민감도 분석(RMV-GSA)은 사용이 간편하여 그 효과는 상당히 다른 것으로 밝혀졌습니다. 적용을 위해 전압 안정성 한계를 고려한 RMV-GSA 입력 및 출력 상관관계와 영향 데이터를 ANN의 학습에도 사용합니다. 그런 다음 IGDT와 RMV-GSA에서 얻은 결과 집합을 ANN을 통해 결정하여 의사결정 모델을 개발합니다. 이 의사 결정 모델은 IGDT의 공감적 영향 개념을 기반으로 구축되었기 때문에 공감적 의사 결정 모델(SDM)이라고 명명되었습니다. SDM은 전력 시스템 및 부하 연결에 대한 RES 입력 전력을 예약하거나 다시 예약하는 데 도움이 됩니다.

먼저 제안된 모델은 불확실성 모델링 분류 및 정량화를 위해 IEEE 30 및 IEEE 123 버스 테스트 시스템에 적용되어 부하 스케줄링과 함께 RES의 침투를 지원했습니다. 제안된 SDM 모델은 위에서 언급한 목표를 달성하지 못했지만 RES 통합을 위한 IEEE 1547 전압 표준에 따라 전압 불균형을 완화하는 매우 만족스러운 방식으로 수행되었습니다. 또한, 제안된 SDM 모델은 IEEE 30 버스 테스트 시스템의 경제적인 디스패치 및 유닛 커밋을 처리하는 데에도 적용되었습니다. 성공적인 구현을 위해 제안된 SDM 모델에는 강화 학습(RL) 알고리즘이 SDM-RL 에이전트로 내장되어 있습니다. 여기서는 심층 결정론적 정책 그라데이션(DDPG) 에이전트가 RL 에이전트로 선택되었습니다. RL 에이전트는 RES 통합 전력 시스템 애플리케이션에 대한 제안된 SDM의 영향을 더욱 개선했습니다.

제안 방법론은 크게 5가지로 1) IGDT를 이용한 불확실성 분류, 2) RMV-GSA를 이용한 RES 및 부하의 영향 분석, 3) 1)과 2)의 결과를 바탕으로 ANN을 학습, 4) 의사결정 모델 형성: IGDT와 RMV-GSA에서 얻은 결과를 DNN을 통해 의사결정 세트 파라미터를 만들고, RES 및 부하의 스케줄링 또는 재스케줄링을 결정 5) UCED 사례 적용을 위해 내장된 SDM 모델 제안으로 구성됩니다. 제안한 방법론을 적용하여 전압 안정화, RES 보급, 부하조정 화력 경제급전에 큰 효과를 보였습니다.