Microgrid 환경에서 시계열 신경망 기반 역송 차단 제어 기법 연구 = A Time-Series Neural Network?Based Technique for Reverse Power Flow Protection in Microgrid Systems

국문 초록 (Abstract)

신재생에너지는 기존 에너지원을 대체함으로써 환경적·경제적 이점을 제공하며 국내에서는 공동주택 및 아파트 단지 내 태양광(photovoltaic, PV) 설비 보급이 확대되고 있다. 자가소비형 PV 시스템에서는 자체 소비 전력을 초과하는 잉여 전력이 계통으로 역류하는 현상이 발생할 수 있으며 이러한 현상은 다수의 분산형 전원이 연계된 마이크로그리드 환경에서 더욱 빈번하게 나타난다. 이에 따라 PV 발전량 예측에 기반한 인버터 제어 전략의 중요성이 증가하고 있다. 본 논문에서는 PV 발전량(power generation, PG)과 전력 소비량(power consumption, PC)을 활용하여 순전력을 예측하고 인버터 제어와 연계하는 시계열 신경망 기반 온디바이스(On-Device) AI 모델을 제안하였다. 또한 순전력 예측 방식으로 개별 예측(Prediction-to-Prediction, P–P) 방식과 통합 예측(Net-Power Prediction, N–P) 방식을 제시하고 다양한 시계열 신경망 모델을 적용하여 여러 성능 지표를 기반으로 학습 및 평가를 수행하였다. 인버터 제어는 평균 절대 오차(MAE)를 반영한 임계값 보정 방식을 적용하였으며 제어 시나리오에 따라 실제 전력 손실과 예측 기반 전력 손실을 비교·분석하고 보정 계수 k 변화에 따른 에너지 절감 효과를 정량적으로 평가하였다. 그 결과 제안된 예측 기반 제어 방식은 모델 구성과 보정 계수 k 값에 따라 실제 에너지 손실 대비 약 50~60%의 안정적인 절감 효과를 나타냈으며 일부 구성에서는 약 80% 수준의 높은 절감률 또는 20% 내외의 낮은 절감률이 나타나 에너지 절감 성능이 모델 정확도와 임계값 설계에 민감하게 영향을 받는 것으로 확인되었다. 따라서 임계값 보정 방식은 스위칭 빈도와 전력 손실 간의 균형을 고려하여 에너지 효율성과 시스템 안정성 사이의 적절한 절충이 필요함을 시사한다.

다국어 초록 (Multilingual Abstract)

Renewable energy provides significant environmental and economic benefits by replacing conventional energy sources, and the deployment of photovoltaic (PV) systems in apartment complexes and multi-unit residential buildings is steadily increasing in Korea. In self-consumption PV environments, surplus power often flows back into the grid when generation exceeds local demand, a phenomenon that becomes more pronounced in microgrid settings where multiple distributed generators are interconnected. Consequently, inverter control strategies based on accurate PV power forecasting have become essential. This study proposes an on-device AI framework that performs net power forecasting and inverter control using PV power generation (PG) and power consumption (PC) data through time-series neural network models. Two net power forecasting approaches are introduced and comparatively analyzed: the Prediction-to-Prediction (P–P) method, which independently predicts PG and PC and calculates their difference, and the Net-Power Prediction (N–P) method, which directly learns the net power time series. Multiple time-series neural network architectures were trained and evaluated using various performance metrics. For inverter control, a threshold compensation method based on the mean absolute error (MAE) was applied, and depending on the control scenario, actual power loss and prediction-based power loss were compared to quantify energy-saving effects according to adjustments in the compensation coefficient k. The proposed forecasting-based control strategy achieved an approximately 50–60% stable reduction in energy loss depending on the model configuration and the value of k, while some configurations showed higher savings of around 80% or lower savings near 20%, indicating that energy-saving performance is highly sensitive to model accuracy and switching threshold design. These results suggest that the threshold compensation mechanism must balance switching frequency and power loss, requiring a practical trade-off between energy efficiency and operational stability.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 배경 및 필요성 1
• 2. 선행연구 2
• II. 연구방법 12
• 1. 실험 환경 12
• 2. 시스템 구성 12
• 3. 데이터 특성 분석 및 전처리 15
• 4. 시계열 예측 모델 설계 20
• III. 실험 결과 분석 25
• 1. 학습 손실함수 분석 25
• 2. 회귀 모델 성능 지표 평가 28
• 3. 혼동행렬과 분류 성능 지표 평가 36
• 4. 에너지 절감 효과 분석 44
• IV. 결론 51