지역 축소(Local Reduction)를 이용한 불확실성 하 마이크로그리드 최적 제어를 위한 효율적 방법

재생에너지 기반 마이크로그리드는 불확실성 때문에 설계·운영 시나리오 수가 기하급수적으로 늘어나며, 기존의 시나리오 접근은 계산·메모리 비용이 매우 크다. 본 연구는 불확실성 집합에서 실제로 '문제를 유발하는' 소수의 시나리오만 생성해 최적화 문제 크기를 크게 줄이고, 설비용량(배터리·PV)과 스케줄링을 동시에 결정한다.

제어 문제의 출발점은 마이크로그리드의 물리 모델(ESS 에너지 균형, 그리드 수지 방정식)과 불확실성(수요, PV 발전, 전력가격, 배터리 효율)이다. ESS의 '충전과 방전은 동시에 불가'와 '그리드 구매와 판매는 동시 불가' 같은 논리 제약은 연속 최적화에서는 불연속성을 야기하므로, 이를 그대로 두면 무한불확실성 대응 최적화에서 해를 찾기 어렵다.

전통적 해결책은 이진 변수를 도입해 big-M 제약으로 논리를 선형화하는 MILP였으며, MILP는 전역 최적화를 제공하지만 이산성 때문에 문제 규모가 급격히 커진다. 대안으로 논리 변수를 연속 λ∈[0,1]로 치환해 식을 비선형(비볼록) 제약으로 바꾸면 변수 차원이 작아지고 연속 최적화 기법을 적용할 수 있으나, 이 경우 비선형성 때문에 전역 최적성 보장이 어려워 지역해에 머무를 수 있다.

불확실성 처리는 '모든 w∈W에 대해 어떤 보조변수(z_g,z_l)가 존재해야 한다'는 존재 제약(∃)을 포함하는 반무한문제로 표현된다. 이 논문은 존재(∃)를 내부 min 연산으로 치환하고, 외부의 '모든 불확실성'은 local reduction으로 근사한다. 구체적으로 마스터 문제(유한 시나리오 집합에 대한 최적화)를 풀고, 그 해에 대해 최악의 위반 시나리오를 찾는 최대화 문제(어드버서리)를 풀어 새로운 시나리오를 추가한다. 이 과정을 중첩(nested)하여 존재 제약 때문에 발생하는 내부 구조까지 처리한다.

이 방식은 전체 불확실성의 모서리 수(예: 논문에서 언급한 2^{570} 극단 경우)를 모두 열거하는 대신, 실질적으로 문제가 되는 소수의 시나리오만 생성해 계산·메모리 요구를 크게 낮춘다. 논문 실험에서는 알고리즘이 최대 10개의 상위 루프·하위 루프 시나리오 수로도 수렴 가능함을 보고했고, MILP는 전역해를, NLP는 로컬해를 산출하는 특성 차이가 나타났다.

전체 접근은 다음 블록으로 구성된다. (1) 마이크로그리드 연속-시간 모델을 15분 간격으로 이산화(Forward Euler)해 상태 및 제어 변수 벡터를 구성하고, 초기 SoC 및 설비 배수 변수 b,s를 포함한 설계+운영 결합 최적화 문제를 세운다. (2) 논리 제약은 두 방식으로 포뮬레이션한다: 이진 변수 x와 big-M를 쓴 MILP, λ∈[0,1] 연속 변수로 매끄럽게 표현한 비볼록 NLP. (3) 불확실성 집합 W는 시계열별 상·하한을 갖는 박스형(polyhedral)으로 정의한다.

알고리즘 핵심은 중첩된 local reduction이다. 상위 루프: 유한한 시나리오 집합 W_k에 대해 마스터 문제(min_{θ,γ} γ s.t. 모든 시나리오에서 존재조건 만족)를 푼다. 하위 루프: 현재 해에 대해 최대화 문제(max_{w∈W,z_p∈Z_p(θ^,w)} min_{z_g,z_l} max_j ar{g}_j(...))를 풀어 위반 시나리오(w^)와 그에 대응하는 보조변수 후보(z_g,z_l)를 찾는다. 이 최대화 문제는 존재(∃)를 다시 내포해 추가적인 nested local reduction을 수행한다.

수치적 구현은 Julia + JuMP로 작성했고, MILP는 Gurobi, NLP는 Ipopt를 사용했다. 문제 이산화: 하루(00:00–24:00), Δt=15min, N=96(0..95)이고 상태는 piecewise-affine, 제어는 piecewise-constant로 파라미터화했다. 비용은 초기투자(b·c_ESS·E_ESS + s·c_PV·P̄_PV)와 시점별 구매/판매 비용 합(Σ( C_buy·P_G^+ − C_sell·P_G^- )Δt)으로 구성했다.

수렴 및 실험 설정: 상위/하위 루프 최대 반복 k1_max=k2_max=10, 공차 tol1=tol2=1e-6, NLP의 (24) 문제는 해 탐색 민감도를 낮추기 위해 5번 랜덤 초기화했다. 최종 해는 100,000개의 균등 랜덤 시나리오로 몬테카를로 검증해 물리 타당성(SoC 경계, 그리드 한계, 논리 제약)을 평가했다.

메인 벤치마크는 100,000개의 균등 랜덤 시나리오에 대한 물리적 타당성 평가와 계산시간 비교다. 표 2 결과: MILP의 평균 실행시간 38.34 s(최대 282.244 s), NLP의 평균 실행시간 1410.15 s(최대 2438.50 s). 두 포뮬레이션의 평균 타당성 비율은 MILP 90.91%, NLP 90.65%로 유사했다.

제약 위반 통계에서 차이가 나타났다. MILP는 평균 위반 제약 비율 0.56%였고, 위반 유형 중 비용 관련 위반이 다수를 차지(평균 Violated Cost 72.86%)했다. 반면 NLP는 평균 위반 비율 0.099%로 낮았으나 SoC 경계 위반이 평균 12.45%로 나타나 물리적 상태 경계 보존에서 취약점이 있었다. 그리드 바운드 위반은 MILP 8.96% vs NLP 62.54%로 NLP에서 높게 관찰되었고, MILP의 최대 위반은 주로 비용 측면에서 크게 나타났다(평균 최대 위반 336.83), NLP의 평균 최대 위반은 1.54였다.

설비 규모 결정에서는 MILP가 더 넓은 파라미터 그리드에서 실현가능한 정수 해를 반환했고, NLP는 연속 최적 해를 천장(ceiling) 취해 정수로 맵핑했을 때 일부 파라미터 조합에서 불가능 사례가 많았다. MILP는 배터리 수를 더 크게 배치하는 경향을 보였고, NLP는 보다 균형잡힌 배터리/태양광 조합을 산출하는 경향이 관찰되었다. 알고리즘 자체는 MILP 기반 루프가 비교적 빠르게 수렴했으나 NLP 기반 루프는 시나리오 수 최대치에 도달하는 경우가 있었다.

전체 문제는 결정변수(설계 변수 b,s 포함) θ와 불확실성 w에 대한 epigraph 형태의 min-max 존재 제약으로 표현된 ECSIP이다. 존재 제약(∃(z_g,z_l): ar{g}(θ,w,z_g,z_l,γ) ≤ 0)을 내부 min 연산으로 치환하고, 벡터 함수 ar{g}의 요소별 최대(max_j ar{g}_j) ≤ 0 조건으로 스칼라화해 외부 ∀w 제약으로 정리했다.

논리 제약 포뮬레이션: MILP는 x_{1,n}, x_{2,n} ∈{0,1}과 M_c,M_d,M_g^± 값으로 0≤P_c≤M_c x_1, 0≤P_d≤M_d(1-x_1) 등을 도입한다. M 값은 상한 b_max·P_ESS,max 또는 g·P_G,max로 설정된다. NLP는 λ_{1,n},λ_{2,n}∈[0,1]로 치환해 λ_1 P_c + (1-λ_1) P_d ≤ 0 형태의 비선형 제약으로 매끄럽게 표현한다. 이들 제약은 시간 이산화와 함께 (4)–(7) 같은 경계 제약을 유지한다.

중첩 local reduction 수학: 상위 최대화 문제(22)는 max_{w∈W,z_p∈Z_p(θ^*,w)} min_{(z_g,z_l)} max_j ar{g}_j(...) 형태다. 에피그래프화 후 ∀→∃ 변환과 분해(disjunction)를 처리하기 위해 보조 변수 y∈Δ(단순체)를 도입해 Σ_j y_j(σ - ar{g}_j) ≤ 0 형태로 표현하거나 정수 y를 사용한 big-M 분해(식 25)를 사용한다. 이렇게 얻은 하위 문제(24)는 다시 local reduction(원래 문제와 동일한 루틴)으로 풀린다.

수치 구현/해석: 문제 이산화는 Forward Euler로 이루어졌고 비용 적분은 Left Riemann sum을 사용했다. MILP 시퀀스는 Gurobi로 전역 최적화(문서에 따라 전역성 가정)를 수행했고, NLP 시퀀스는 Ipopt로 내적점법 기반 로컬 최적화를 수행했다. NLP의 민감도를 낮추기 위해 (24)를 5회 랜덤 초기화했다. 계산 자원: 논문 실험은 13세대 i7, 16GB RAM 환경에서 수행되었다.

논문에 명시된 한계만 기술함: (1) NLP 포뮬레이션은 비선형·비볼록 문제이므로 로컬 최적해만 보장된다. (2) MILP 해의 강건성(robustness) 문제가 남아 있어 추가 연구 필요성이 보고되었다. (3) 본 실험은 하루(24시간) 수평선과 선형 ESS 모델을 사용했으며, 장기 수평선·비선형 배터리 모델 및 초기 SoC 최적화는 향후 과제로 명시되었다. (4) NLP 효율 개선을 위해 문제 구조에 특화된 내적점 솔버 개발이 필요하다고 명시되었다.