Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

  1. (Dept. of Electrical Eng., Gyeonsang National University, Korea)
  2. (Dept. of Electricity, VISION College of Jeonju, Korea)
  3. (Korea South-East Power Co. Ltd, Korea)



Probabilistic Simulation of WTG, Probabilistic Generation Energy, Probabilistic Production Cost, Average Production Cost Unit, CO2 Emission

1. 서 론

현재 미세먼지의 주범으로 지목되는 석탄발전을 줄이기 위해 원자력발전과 석탄발전을 단계적으로 감축하는 방침인 에너지기본계획이 시행되고 있다. 2014년 발표된 제2차 에너지기본계획에서는 신재생에너지 발전 비중을 2025년에는 7.5[%]로, 2035년에는 11[%]로 제시했으며 원자력발전소 비중을 26[%]에서 29[%]로 높이기 위해 7[GW]의 신규 원전의 추가 건설이 필요하다는 내용이 포함되었다. 그러나 제3차 에너지기본계획에 따르면 온실가스 감축을 위하여 미세먼지 대책으로 국내 배출량의 30[%] 이상을 감축하기로 하고 재생에너지 발전량을 2030년까지 20[%]로, 2040년까지 30~35[%]로 확대하기로 하였다. 또한 노후화된 원자력발전소의 수명을 연장하지 않고 새로운 원자력발전소를 건설하지 않는 등 그 비중을 줄이는 방침 등이 포함되었다. 이처럼 깨끗하고 안전한 에너지전환을 위한 계획 및 연구를 진행함으로서 새로운 에너지전환 세대를 맞이하고 있다 (1-2).

특히 재생에너지분야에서 풍력발전기는 최근에 기술의 발달로 발전단가가 하락하여 기존의 화석연료를 이용한 발전방식과 경쟁이 가능한 수준까지 낮아졌다. 또한 좁은 면적에서도 많은 양의 에너지 생산이 가능하여 타 대체에너지에 비해 상대적으로 높은 에너지밀도를 가진다. 이에 가장 널리 상용화되고 단위기기의 발전용량 및 해양풍력단지 조성 등 규모의 대형화가 빠르게 진행되고 있다. 하지만 풍속을 정확하게 예측하기란 거의 불가능하여 순간적인 전력생산량의 급변에 의한 계통전력 주파수 유지의 악영향적 요소와 매우 큰 불확실성 때문에 신뢰성 있는 발전계획을 세우기가 쉽지 않다. 이에 전력계통의 신뢰성과 안전성을 위해 불확실성을 갖는 발전원의 실질적인 공급능력의 정량적 평가를 위한 국내외 연구가 끊임없이 이어져 오고 있다 (3).

본 논문은 본 연구진들이 개발한 확률론적 시뮬레이션 시스템인 “PRAWIN”을 이용하여 해상풍력발전단지인 제주도 탐라해상풍력발전단지(총 용량: 30[MW], 1기당 3[MW], 총 10기)가 설치된 후의 평균풍속 변화에 따른 첨두부하(Peak Load, L)가 860[MW]일 때 제주계통모델에 대한 경제성 및 환경성 기여도를 평가하였다. 본 연구는 앞서 연구하여 발표한 용량신용도(Capacity Credit)에 관한 신뢰도 기여도 평가연구에 이어서 연구한 후속 연구이다 (4). 여기서는 풍속의 변화에 따른 확률론적 발전 비용과 CO2 배출량의 변동 감도계수를 기여도 평가함수로 설정하고 이를 정식화하고 제안하였다. 나아가 본 연구에서는 개발하고 제안한 기여도 함수를 이용하여 탐라해상풍력발전단지의 평균풍속에 따라 총 확률론적 발전비용, 평균 확률론적 발전비용 단가 및 CO2 배출량의 결과를 비교분석함으로써 탐라해상풍력발전단지가 연간 경제성과 환경성에 얼마나 기여를 하는가를 살펴보았다. 또한 이러한 사례연구를 통하여 제안하는 방법이 실용적이고 효과적임을 검증하였다. 본 연구는 앞으로 신설하는 풍력발전단지가 경제성 및 환경성 축면에서 풍속의 변화에 따라 얼마나 기여하는가를 평가하는 매우 유용한 방법으로 사용될 것으로 기대된다.

2. 풍력발전기의 출력특성 및 확률론적 풍속모형

2.1 풍력발전원의 출력특성

그림. 1. 풍력발전기의 출력특성곡선

Fig. 1. The power output model of wind turbine generator

../../Resources/kiee/KIEE.2020.69.7.955/fig1.png

풍력발전기의 출력은 풍속에 따라 크게 변하기 때문에 전력을 원하는 만큼 생산하기에는 어려움이 있다. 풍력발전기의 출력특성은 풍력발전기의 출력을 내기 시작하는 출력시작점 풍속($V_{c i}$, The Cut-in Speed), 정격출력이 발생하는 정격출력풍속($V_{R}$, The Rated Speed), 기기보호를 위해 전력을 발생하지 않는 출력종단점 풍속($V_{c o}$, The Cut-out Speed)으로 결정된다. 이를 그림으로 보이면 그림 1과 같고, 출력식을 나타내면 식 (1)과 같다, 여기서 $P$는 풍력발전기의 출력[kW]을 나타낸다 (5-8).

(1)
$$P=\dfrac{1}{2}C_{p}\rho V^{3}A \enspace [kW]$$

단, $C_{p}$: 출력계수

$\rho$: 공기밀도[1.225 kg/m$^{3}$]

$V$: 풍속[m/s]

$A$: 날개의 회전면적[m$^{2}$]

2.2 풍력발전원의 풍속모형

풍력발전원을 포함한 전력계통에서 풍속의 불확실성을 고려한 확률론적 신뢰도 및 경제성을 평가하기 위해 풍력발전원의 출력 모델이 필요하다. 일반적으로 풍속은 공간과 시간에 따라 크게 변하므로 에너지원의 공급의 불확실성이 매우 크다. 따라서 풍력발전원의 모형을 모델링하여 풍력발전원의 출력모형과 결합하여 다개상태로 된 사고용량확률분포함수를 이용하여 평가하는 것이 합리적이다 (9).

전술한 바와 같이 사고용량확률분포함수는 그림 2처럼 풍력발전원의 출력특성 모델과 풍속 확률밀도함수(PDF, Probability Density Function) 모델을 결합하여 얻을 수 있다. 여기서 ($P_{SWbi}$, $P_{SWbi}$)는 $i$번째 풍속밴드의 풍속인 $SW_{bi}$일 때의 풍력발전기의 출력 및 풍속 확률을 의미한다. 여기서 풍속은 불확실성이 크기 때문에 다중상태 모델로 나타낼 수 있다 (10).

그림. 2. 풍력발전기의 사고용량확률분포함수를 얻기 위한 확률론적 풍속모형과 출력특성곡선과의 결합모습

Fig. 2. The outage capacity PDF from the probabilistic wind speed model combined with the wind turbine generator power output model

../../Resources/kiee/KIEE.2020.69.7.955/fig2.png

2.3 풍력발전원 사고용량확률분포함수의 선형분할법

원래의 다중상태 모델을 그대로 사용하면 비효율적인 단계적 크기와 계산시간 때문에 모의연구(시뮬레이션)를 수행하기 어렵다. 따라서 실용적이고 합리적인 연구를 위해 모델의 적절한 단순화가 필요하다. 본 논문에서는 확률의 비율을 선형분할법으로 사용하여 원래 다중상태 모델을 보다 단순화 하였다. 여기서 사용된 선형분할법은 그림 3과 같으며, 계산식은 식 (2-3)과 같다 (11).

그림. 3. 선형분할법의 그림

Fig. 3. Illustration of the proposed rounding method

../../Resources/kiee/KIEE.2020.69.7.955/fig3.png

(2)
$$PB_{k}=\left(\dfrac{P_{k+1}-P_{SW_{b i}}}{\triangle P}\right)\times PB_{SW_{bi}}$$

(3)
$$PB_{k+1}=\left(\dfrac{P_{SW_{b i}}-P_{k}}{\triangle P}\right)\times PB_{SW_{b i}}$$

단, $\triangle P=P_{k+1}-P_{k}$[MW]

$P_{k}$: 선형분할법을 이용한 설정용량[MW] 번호

$k$: 미리 설정한 상태공간모형의 상태번호

$i$: 풍속의 밴드 번호

3. 풍력발전원을 포함한 전력계통 시뮬레이션

3.1 PRAWIN Simulation System

PRAWIN(Probabilistic Reliability Assessment Wind)은 경상대학교 전력계통 연구진들이 개발한 확률론적 신뢰도 및 경제성 분석 모의 시스템이다. 이 시스템은 언제 어디서나 원하는 정보를 얻기 위하여 개발한 클라우딩형(Clouding Type)이다. 메인 엔진 프로그램 언어는 비주얼 포트란이 사용되었다. 웹 사이트에 접속하고 주어진 입력데이터를 포맷에 맞게 입력하면 원하는 발전계통의 신뢰도 및 경제성을 쉽게 평가할 수 있다 (12).

3.2 풍력발전기의 확률론적 모의

확률적인 신뢰도 지수인 공급지장시간기대치(LOLE, Loss of Load Expectation) 및 공급지장에너지기대치(EENS, Expected Energy Not Served)는 확률론적인 불확실성을 갖는 발전원의 공급능력을 평가하기 위하여 널리 사용되고 있다. 이 지수는 식 (4)와 같은 유효부하지속곡선인 $\Phi_{i}$(ELDC, Effective Load Duration Curve)를 이용하여 계산할 수 있다 (10).

(4)
$$ \begin{aligned} \Phi_{i}&=\Phi_{i-1}\otimes f_{oi}\\ &=(1-\sum_{j=1}^{NS}q_{ij})\Phi_{i-1}(x)+\sum_{j=1}^{NS}q_{ij}\Phi_{i-1}(x-C_{ij}) \end{aligned} $$

단, $\otimes$: 상승적분 연산자

$\Phi_{0}$: 원래의 부하지속곡선(LDC, Load Duration Curve)

$\Phi_{i-1}$: 1에서 $i$-1 발전기까지 고려한 유효부하지속곡선

$f_{oi}$: $i$번째 풍력발전기의 사고용량확률분포함수

$NS$: 풍력발전기의 상태의 수

$x$: $\Phi$의 랜덤 변수

$q_{ij}$: $i$번째 풍력발전기의 $j$번째 상태의 고장률

$C_{ij}$: $i$번째 풍력발전기의 $j$번째 상태의 사고용량

위와 같이 상승적분하여 얻어진 유효부하확률분포함수 $\Phi_{i}$를 이용하여 $i$발전기까지 투입된 공급지장시간기대치(LOLEi, 식 (5)), $i$발전기까지 투입된 공급지장에너지기대치(EENSi, 식 (6)), EIR(Energy Index of Reliability, 식 (7)), $i$발전기의 확률론적 발전 에너지(∆Ei, Probabilistic Production Energy, 식 (8)), $i$발전기까지 투입된 확률론적 발전비용(PCi, Production Cost, 식 (9)), 총 확률론적 발전비용(TPC, Total Production Cost, 식 (10)), $i$발전기의 CO2 배출량(식 (11)), 그리고 총 CO2 배출량(TCO2, Total CO2 Emission, 식 (12))을 각각 식 (5-12)처럼 구할 수 있다.

(5)
$$LOLE_{i}=\Phi_{NG}(x)\vert _{x=I_{C}} \enspace \text{[hours/year]}$$

(6)
$$EENS_{i}=\int_{IC_{i}}^{IC_{i}+L_{P}}\Phi_{NG}(x)dx \enspace \text{[MWh/year]}$$

(7)
$$EIR=1-\dfrac{EENS}{ED} \enspace \text{[pu]} $$

(8)
$$\Delta E_{i}=EENS_{i-1}-EENS_{i} \enspace \text{[MWh/year]} $$

(9)
$$PC_{i}=F_{i}(\Delta E_{i},\:LOLE_{i-1}) \enspace \text{[kWon/year]} $$

(10)
$$TPC=\sum_{i=1}^{NG}PC_{i} \enspace \text{[kWon/year]} $$

(11)
$$CO_{2 i}=\sum_{n=1}^{NT}\xi_{i}\Delta E_{i n} \enspace \text{[Ton/year]} $$

(12)
$$TCO_{2}=\sum_{i=1}^{NG}CO_{2 i} \enspace \text{[Ton/year]} $$

단, $\Phi_{NG}$: 최종 유효부하지속곡선

$L_{P}$: 최대부하[MW]

$IC_{i}$: 총 설비용량 (=$\sum_{k=1}^{i}C_{k}$)[MW]

$C_{i}$: $k$번째 발전기의 용량[MW]

$ED$: 총 부하에너지[MWh]

$NG$: 전체 발전기 수

$\xi_{i}$: $i$번째 발전기의 CO2 배출계수

그러므로 단위 평균풍속[m/s]의 변화에 따른 총 확률론적 발전비용, 평균 확률론적 발전비용 단가 및 CO2 배출량의 계산식을 정식화하면 식 (13-15)와 같다. 이는 평균풍속 변화에 따른 비용 및 경제성 및 환경성의 변화분을 나타낸 것으로서 풍속의 기여도를 의미한다. 본 연구에서는 경제성과 환경성의 기여도를 평가할 수 있는 방안으로 기여도 함수를 새롭게 제안하였다.

(13)
$$\triangle Cost_{A}=\dfrac{\triangle TPC}{\triangle Wind Speed} \enspace \text{[Wonㆍsec/yearㆍm]}$$

(14)
$$\triangle Cost_{B}=\dfrac{\triangle APC}{\triangle Wind Speed} \enspace \text{[Wonㆍsec/Whㆍm]}$$

(15)
$$\triangle(CO_{2})_{A}=\dfrac{\triangle TCO_{2}}{\triangle Wind Speed} \enspace \text{[Tonㆍsec/yearㆍm]}$$

단, $APC$: Average Production Cost Unit

4. 사례연구

4.1 사례연구

4.1.1 제주도 전력계통과 유사한 모델계통

본 논문에서는 행원풍력발전단지(HWN), 성산풍력발전단지(SSN), 한림풍력발전단지(HLM)가 있는 제주도 전력계통과 유사한 모델계통으로 설정한 후, 탐라풍력발전단지(TAML)를 추가한 모델계통을 대상으로 설정한 사례를 연구하였다. 사례연구를 위한 제주도 전력계통의 모델은 그림 4와 같다.

그림. 4. 사례연구의 모델계통도

Fig. 4. The model power system for case study

../../Resources/kiee/KIEE.2020.69.7.955/fig4.png

4.1.2 탐라해상풍력발전단지

제주시 한경면 두모리에 있는 탐라해상풍력발전단지는 한국남동발전과 두산중공업이 설치한 국내 최초이자 최대의 상업용 해상풍력단지이다. 해상풍력발전기의 제작과 시공 및 운영에 있어 100[%] 국산기술을 적용하였으며 이 단지는 3[MW] 용량의 해상풍력발전기가 10기가 설치되어 있다. 탐라해상풍력단지의 건설 및 운영과정에서 지역인재의 고용 창출과 지역과의 연계사업을 통하여 소득 창출의 효과를 달성하였다. 그리고 해상풍력발전은 육상풍력발전의 소음, 환경성, 건설 제한성의 문제를 해결해 주며 탄소 없는 섬 제주, 신재생에너지개발에 중추적인 역할을 하고 있다. 탐라해상풍력발전단지의 사양은 표 1과 같다.

표 1. 탐라해상풍력발전단지의 사양

Table 1. The specifications of Tamla offshore wind farm

모델

WinDS3000(1A)

설비용량

30[MW](3[MW]×10기)

위치

제주 한경면 두모리~금등리 공유수면 일원

육지간 이격거리

500[m]~1200[m]

착공일/준공일

2015. 04 / 2017. 09

직접점용면적

81.062[m2]

정격출력

3.0[MW]

시동풍속

5[m/sec]

정지풍속

25[m/sec]

조터 직경

91.3[m]

허브높이

80[m]

4.2 PRAWIN의 입력데이터

전술한 바와 같이 제주도 전력계통과 유사한 모델계틍으로 산정하기 위해 행원풍력발전단지(HWN), 성산풍력발전단지(SSN), 한림풍력발전단지(HLM), 탐라풍력발전단지(TAML)로 유사한 4개의 단지로 나누었다. 이때 여러 풍력발전단지를 각각 하나의 풍력발전기로 등가화하여 사례연구를 실시하였다. 그리고 PRAWIN의 입력데이터는 표 2와 같이 설정하였다. 여기서 표 2는 모델계통의 발전기 특성 데이터를 나타내며, 표 3은 풍력발전단지의 특성을 나타낸다.

표 2. 사례연구 모델계통의 발전기 특성 데이터

Table 2. The generators data of case study power system

Name

Type

Capacity

[MW]

Num.

α

[Gcal/

MW2h]

β

[Gcal/

MWh]

γ

[Gcal/

hour]

Fuel cost

[$/Gcal]

FOR

1

HWN

WTG

50

1

-

-

-

-

-

2

SSN

WTG

30

1

-

-

-

-

-

3

HLM

WTG

20

1

-

-

-

-

-

4*

TAML

WTG

30

1

-

-

-

-

-

5

HVDC

HDC

150

2

0.004

1.512

45.207

43.300

0.028

6

HVDC

HDC

200

2

0.004

1.512

45.207

43.300

0.028

7

NMJ3

T/P

100

2

0.004

1.512

45.207

43.300

0.012

8

JJU1

T/P

10

1

0.062

2.100

5.971

43.599

0.015

9

JJU2

T/P

75

2

0.003

1.832

30.231

43.599

0.012

10

HNM1

G/T

35

2

0.004

2.401

20.320

77.909

0.013

11

HNM1

S/T

35

1

0.004

2.401

20.320

77.909

0.013

12

JJU3

D/P

40

1

0.025

0.364

28.484

43.599

0.018

13

NMJ1

D/P

10

4

0.006

1.999

1.360

43.300

0.018

Total

1375

21

-

-

-

-

-

단, WTG : Wind Turbine Generator

HDC : HVDC (High Voltage Direct Current)

T/P : Thermal Power Plant

G/T : Gas Turbine

S/T : Steam Turbine

D/P : Diesel Power Plant

표 3. 사례연구 모델계통의 풍력발전단지특성

Table 3. The data of wind speed and offshore wind farm

Wind Speed Data

Wind farm

HWN

SSN

HLM

TAML

α(Scale Parameter)[m/s]

3.42

3.42

3.42

3.42

β(Shape Parameter)[m/s]

1.85

1.85

1.85

1.85

WTG Data

Capacity[MW]

50

30

20

30

Cut-in speed (Vci)[m/s]

5

5

5

5

Rated speed (VR)[m/s]

10

10

10

10

Cut-out speed (Vco)[m/s]

25

25

25

25

표 3에서 α 및 β는 풍속의 와이블(Weibull) 확률분포함수에서 각각 척도모수(Scale Parameter) 및 형상모수(Shape Para- meter)를 의미한다. 그리고 그림 5는 사례연구 모델계통의 2007년도의 부하 변동 곡선 모양(Pattern)을 보인 것이며 그림 6은 제주도에서의 1998 ~ 2007년도까지의 실제 평균풍속 변동 곡선을 표시한 것이다.

그림. 5. 사례연구 전력계통의 부하 변동 곡선 모양 (2007)

Fig. 5. The load variation curve (pattern) of case study power system (2007)

../../Resources/kiee/KIEE.2020.69.7.955/fig5.png

그림. 6. 사례연구 모델계통의 풍속 변동 곡선 (1998 ~ 2007)

Fig. 6. The wind speed variation curve of case study power system (1998 ~ 2007)

../../Resources/kiee/KIEE.2020.69.7.955/fig6.png

참고로 그림 5그림 6에 대하여 부하지속곡선의 패턴 및 확률밀도함수(PDF) 보이면 각각 그림 7그림 8과 같다.

그림. 7. 제주도 부하지속곡선 패턴 (2007)

Fig. 7. The load duration curve pattern of Jeju island (2007)

../../Resources/kiee/KIEE.2020.69.7.955/fig7.png

그림. 8. 제주도 풍속의 확률밀도함수 (1998~2007)

Fig. 8. PDF for the wind speed of Jeju island (1998~2007)

../../Resources/kiee/KIEE.2020.69.7.955/fig8.png

4.3 제주도전력계통 경제성 및 환경성 측면에서의 기여도 평가

PRAWIN에 전술한 데이터를 입력 후 시뮬레이션을 하였다. LP를 860[MW]로 고정하고 탐라해상풍력발전단지의 평균풍속의 변화에 따른 경제성(확률론적 발전비용) 및 환경성(CO2 배출량) 측면에서 기여도를 평가하였다. 표 4는 LOLE, EENS의 결과를 보인 것이며, 표 5는 총 확률론적 발전비용, 평균 확률론적 발전비용 단가 및 CO2 배출량의 결과를 나타낸 것이다.

표 4. 평균풍속의 변화에 따른 LOLE와 EENS

Table 4. The LOLE and EENS according to changing of Tamla wind speed

Tamla Wind Farm Wind Speed[m/s]

LOLE

[Hours/Year]

EENS

[MWh/Year]

5

0.10

4.22

6

0.09

4.12

7

0.09

3.97

8

0.09

3.79

9

0.08

3.56

10

0.08

3.31

11

0.07

3.05

12

0.07

2.79

13

0.06

2.56

14

0.06

2.38

15

0.05

2.27

단, Demand Energy = 5,261,684.52[MWh]

LP = 860[MW]

표 5. 평균풍속 변화에 따른 총 확률론적 발전비용, 평균 확률론적 발전비용 단가 및 CO2 배출량

Table 5. The total production cost, average production cost unit and CO2 emission according to changing of Tamla wind speed

Tamla Wind Farm Wind Speed[m/s]

Total Production Cost [GWon/Year]

Average Production Cost Unit

[Won/kWh]

CO2 Emission [kTon/Year]

5

540.868

102.79

3,334.317

6

539.834

102.60

3,328.054

7

538.306

102.31

3,318.791

8

536.247

101.92

3,306.323

9

533.664

101.42

3,290.688

10

530.602

100.84

3,272.173

11

527.179

100.19

3,251.496

12

523.630

99.52

3,230.075

13

520.305

98.89

3,210.026

14

517.573

98.37

3,193.568

15

515.858

98.04

3,183.237

단, Demand Energy = 5,261,684.52[MWh]

LP = 860[MW]

그림. 9. 평균풍속 변화에 따른 총 확률론적 발전비용, 평균 확률론적 발전비용 단가 및 CO2 배출량

Fig. 9. The variation of total production cost, average production cost unit and CO2 emission according to changing of Tamla wind speed

../../Resources/kiee/KIEE.2020.69.7.955/fig9_1.png

../../Resources/kiee/KIEE.2020.69.7.955/fig9_2.png

../../Resources/kiee/KIEE.2020.69.7.955/fig9_3.png

탐라해상풍력단지가 설치된 후 풍속이 증가함에 따라 그림 9와 같이 발전비용이 절감됨을 알 수 있다. 그림 9는 탐라해상풍력발전단지의 평균풍속에 변화에 따른 총 확률론적 비용(a), 평균 확률론적 발전비용 단가(b) 및 CO2 배출량(c)에 대한 시뮬레이션 결과를 보인 것이다.

그림 9처럼 탐라풍력발전단지의 평균풍속이 5[m/s]에서 15[m/s]로 증가할 때 총 확률론적 발전비용은 25[GWon/Year]로 연간 약 250억 원이 감소하였고, 평균 확률론적 발전비용 단가는 4.75[Won/kWh]로 감소하였으며, CO2 배출량은 151.08 [kTon/Year]로 연간 약 151,080[Ton]이 감소하였다.

따라서 평균풍속이 1[m/s] 증가할 때 총 확률론적 발전비용의 변화분인 $\triangle Cost_{A}$($\dfrac{\triangle TPC}{\triangle Wind Speed}$)는 식 (13)에 따라 2.5[GWonㆍs/Yearㆍm]로 연간 약 25억 원이 감소하였고, 평균 확률론적 발전비용의 단가 변화분인 $\triangle Cost_{B}$($\dfrac{\triangle APC}{\triangle Wind Speed}$)는 식 (14)에 따라 평균적으로 0.475[Wonㆍs/kWhㆍm]로 감소였으며, CO2 배출량의 변화분인 $\triangle(CO_{2})_{A}$($\dfrac{\triangle TCO_{2}}{\triangle Wind Speed}$)는 식 (15)에 따라 15.108[kTonㆍs/Yearㆍm]로 연간 15,108[Ton]이 감소함을 알 수 있다. 이는 탐라해상풍력발전단지의 경제성 및 환경성의 기여도를 의미한다. 위 시뮬레이션 결과를 정리하면 표 6과 같다.

표 6. 기여도: 평균 풍속이 1[m/s] 증가할 때 총 확률론적 발전비용, 평균 확률론적 발전비용 단가 및 CO2 배출량의 변화분

Table 6. Contribution: variation of the total production cost, average production cost unit and CO2 emission when the average wind speed increases by 1[m/s]

Category

Reduction Amount

$\triangle Cost_{A}$

2.5[GWon/Year/m/s]

$\triangle Cost_{B}$

0.475[Won/kWh/m/s]

$\triangle(CO_{2})_{A}$

15.108[kTon/Year/m/s]

단, LP = 860[MW]

그리고 탐라해상풍력발전단지의 풍속이 5[m/s], 15[m/s] 일 때 각 발전원의 확률론적 발전 에너지, 확률론적 발전비용 및 CO2 배출량을 표시하면 표 7과 같다.

표 7. 평균풍속 변화에 따른 각 발전원의 확률론적 발전 에너지, 확률론적 발전비용 및 CO2 배출량

Table 7. The probabilistic production energies, production costs and CO2 emissions of individual power generator according to changing of Tamla wind speed

Name

Generation Energy [GWh]

Production Cost [GWon/Year]

CO2 Emission

[kTon/Year]

5[m/s]

15[m/s]

5[m/s]

15[m/s]

5[m/s]

15[m/s]

HWN1

69.350

69.350

SSN2

35.813

35.813

HLM3

16.948

16.948

TAML

10.681

244.671

HVDC

2,541.275

2,541.261

265,389.9

265,387.0

1,651.829

1,651.820

HVDC

2,477.990

2,276.694

265,274.4

243,382.5

1,610.693

1,480.910

NMJ3

104.269

73.577

9,609.730

6,715.520

67.775

47.960

JJU1

0.826

0.559

117.823

79.937

0.793

0.538

JJU2

4.267

2.654

419.278

259.790

2.987

1.865

HNM1

0.201

0.123

46.374

28.293

0.191

0.117

HNM1

0.035

0.018

8.062

4.291

0.034

0.018

JJU3

0.017

0.009

1.312

0.683

0.010

0.005

NMJ1

0.006

0.003

0.610

0.323

0.004

0.002a

그리고 그림 10은 위의 표 7을 알기 쉽게 그림으로 나타낸 것이다.

그림. 10. 평균풍속 변화에 따른 각 발전원의 확률론적 발전 에너지, 확률론적 발전비용 및 CO2 배출량

Fig. 10. The probabilistic production energies, production costs and CO2 emissions of individual power generator according to changing of Tamla wind speed

../../Resources/kiee/KIEE.2020.69.7.955/fig10_1.png

../../Resources/kiee/KIEE.2020.69.7.955/fig10_2.png

../../Resources/kiee/KIEE.2020.69.7.955/fig10_3.png

탐라해상풍력발전단지의 평균풍속이 5[m/s]에서 15[m/s]로 증가하면, 행원풍력발전단지(HWN1), 성산풍력발전단지(SSN2), 한림풍력발전단지(HLM3)의 발전에너지는 변함이 없지만 탐라해상풍력발전단지의 발전 에너지는 약 234[GWh]가 증가하였다. 그러나 HVDC와 나머지 화력발전원의 발전 에너지는 감소함을 알 수 있다.

즉, 근래 미세먼지 발생에 연관된 화력 발전기의 발전 에너지가 감소함을 알 수 있다. 참고로 표 8은 탐라해상풍력발전단지의 평균 풍속이 5[m/s]에서 15[m/s]로 증가에 따른 각 발전기의 확률론적 발전 에너지, 확률론적 발전비용 및 CO2 배출량의 변화를 보인 것이다. 여기서 (-)는 감소를 의미한다.

표 8. 평균풍속 변화에 따른 각 발전원의 확률론적 발전 에너지, 확률론적 발전비용 및 CO2 배출량의 변화량

Table 8. The variation amount of probabilistic production energies, production costs and CO2 emissions of individual power generator according to changing of Tamla wind speed

Name

Generation Energy [GWh]

Production Cost [GWon/Year]

CO2 Emission

[kTon/Year]

HWN1

SSN2

HLM3

TAML

233.990

HVDC

-0.014

-2.959

-0.009

HVDC

-201.296

-21,891.921

-129.784

NMJ3

-30.692

-2,894.210

-19.815

JJU1

-0.267

-37.886

-0.255

JJU2

-1.613

-159.488

-1.122

HNM1

-0.079

-18.081

-0.0741

HNM1

-0.017

-3.771

-0.016

JJU3

-0.008

-0.629

-0.005

NMJ1

-0.003

-0.287

-0.002

단, LP = 860[MW]

5. 결 론

본 논문은 제주도에 설치된 탐라해상풍력발전단지가 이미 연구한 신뢰도 가치 평가에 이어서 경제성 및 환경성의 측면에서 어느 정도 기여하는가를 정량적으로 평가 및 분석할 수 있는 방법을 사례연구를 통하여 처음으로 제시하였다. 그리고 본 연구에서는 제주도계통의 모델계통을 대상으로 모의하여 이를 검증하였으며, 풍속 변화에서 임의의 조건하에서 풍력발전기의 가치를 평가하였다. 여기서는 본 연구진에 의해서 기개발된 “PRAWIN”이라는 클라우딩 시스템을 이용하여 사례연구를 수행하였다. 첨두부하가 860[MW]이고 평균 풍속이 5[m/s]에서 15[m/s]로 증가한다고 가정하여, 경제성(확률론적 발전비용) 및 환경적 측면(CO)에서 보면 풍속이 1[m/s] 증가할 때 총 확률론적 발전비용은 2.5[Gwonㆍm/Yearㆍs]로 연간 약 25억 원이 감소하고, 평균 확률론적 발전비용 단가는 0.475[Wonㆍm/kWhㆍs]로 감소하며, CO2 배출량은 15.108[kTonㆍm/Yearㆍs]로 연간 15,108[Ton]이 감소함을 알 수 있었다. 따라서 탐라해상풍력발전단지의 기여도를 평가할 수 있었다.

본 연구에서는 이를 위하여 풍속의 변화에 따른 경제성 및 환경성 기여도 평가식인 식 (13-15)를 개발하고 정식화 하였으며 이를 새롭게 제안하였다. 이 방법은 앞으로 신재생에너지 사업자들이 경제성 및 환경성 측면에서 얼마나 기여하는가를 정량적으로 분석할 수 있는 토대가 될 것으로 기대된다.

Acknowledgements

This work was supported by the Human Resources Development of the Korea Institute of Energy Technology Evaluation and Planning (KETEP) grant funded by the Ministry of Trade, Industry and Energy. (No.20194030202430, No.20194010000150).

References

1 
Ministry of Trade Industry and Energy(Korea), Jun. 2019, The 3rd Basic Energy Planning, ReportGoogle Search
2 
Ministry of Trade Industry and Energy(Korea), Jun. 2017, The 8th Basic Planning for Power Supply and Demand, Report, No. 611Google Search
3 
S. S. Ko, Jun 2007, Analysis and Research on case of domestic system-connected wind power, master’s degree thesis, Yonsei Graduated School of EngineeringGoogle Search
4 
S. M. Jeong, U. J. Oh, Yeonchan Lee, Jaeseok Choi, Jintaek Lim, Kibaek Lee, Feb 2019, Capacity Credit Evaluation of Tamla Offshore Wind Farm by Using of Probability Simulation Method, Journal of KIEE, Vol. 68, No. 2, pp. 228-234Google Search
5 
C. Singh, A. Lago-Gonzalez, May 1985, Reliability Modeling of Generation Systems Including Unconventional Energy Sources, IEEE Transactions on Power Apparatus and Systems, Vol. PAS-104, No. 5DOI
6 
Y. M. Park, K. Y. Lee, L. T. O. Youn, Feb 1985, New Analytical Approach For Long-Term Generation Expansion Planning based on Maximum Principle and Gaussian Distribution Function, IEEE Transactions on Power Apparatus and Systems, Vol. PAS-104, No. 2DOI
7 
R. Karki, P. Hu, R. Billinton, June 2006, A Simplified Wind Power Generation Model for Reliability Evaluation, IEEE Transactions on Energy Conversion, Vol. 21, No. 2DOI
8 
C. D’Annunzio, S. Santoso, , Analysis of a Wind Farm’s Capacity Value using a Non-iterative Method, IEEE, GM2008, Pittsburg, PA, USADOI
9 
J. G. Park, W. Liang, J. S. Choi, J. M. Cha, Nov 2008, Pro- babilistic Production Cost Credit Evaluation of Wind Turbine Generators, Journal of KIEE, pp. 312-314Google Search
10 
R. Billinton, L. Gan, 2000, Wind Power Modeling and Application in Generating Adequacy Assessment, Proceedings, the 14th Power Systems Computation Conference, Sevilla, SpainDOI
11 
Roy Billinton, W. Li, 1994, Reliability Assessment of Electric Power Systems Using Monte Carlo Methods, pp. 24-30Google Search
12 
J. S. Choi, 2013, Power System Reliability Evaluation Engineering, G&U Press(written by Korean, ISBN 978-89-6257-060-1)Google Search
13 
Y. C. Lee, U. J. Oh, J. S. Choi, J. M. Cha, H. S. Choi, D. H. Jeon, Mar 2017, Conversion Function and Relationship of Loss of Load Expectation Indices on Two Kinds of Load Duration Curve, Journal of KIEE, Vol. 66, No. 3, pp. 475-485DOI
14 
W. Wangdee, R. Billinton, Sep 2006, Considering Load-Carrying Capability and Wind Speed Correlation of WECS in Generation Adequacy Assessment, IEEE Transactions on Energy Conversion, Vol. 21, No. 3DOI
15 
A. Keane, M. Milligan, C. J. Dent, B. Hasche, C. D’Annunzio, K. Dragoon, H. Holttinen, N. Samaan, L. Soder, M. O’Malley, May 2011, Capacity Value of Wind Power, IEEE Transactions on Power Systems, Vol. 26, No. 2, pp. 564-572DOI
16 
K. S. Cho, C. H. Rhee, Jul 2006, A Study on Methodologies of Feed-in Tariffs for Renewable Energy Generation, 2006 KIEE Summer Conference, pp. 1175-1476Google Search
17 
J. J. Park, J. S. Choi, Jan 2010, Development of Methodology of New Effective Installed Reserve Rate considering Renewable Energy Generators, Journal of KIEE, Vol. 59, No. 1, pp. 26-32DOI
18 
C. Ensslin, M. Milligan, H. Holttinen, M. Malley, A. Keane, Jul 2008, Current Method to Calculate Credit of Wind Power, IEA Collaboration, IEEE GM2008, Pittsburgh, PA, USAGoogle Search
19 
I. S. Bae, J. O Kim, May 2007, Reliability Evaluation of Distributed Generation and Distribution System Using Load Duration Curve, Trans. KIEE, Vol. 56, No. 5, pp. 854-859Google Search
20 
J. J. Park, W. Liang, J. S. Choi, G. Moon, Sep 2008, A Study on Probabilistic Reliability Evaluation of Power System Considering Wind Turbine Generators, Journal of KIEE, Vol. 57, No. 9, pp. 1491-1499Google Search
21 
L. Wu, J. J. Park, J. S. Choi, Dec 2009, Probabilistic Reliability Evaluation of Power Systems Including Wind Turbine Generators Considering Wind Speed Correlation, Journal of Electrical Engineering & Technology, Vol. 4, No. 4, pp. 485-491DOI
22 
J. T. Lim, J. H. Jang, J. S. Choi, K. H. Cho, J. M. Cha, 2012, Probabilistic Production Cost Simulation and Reliability Evaluation of Power System Including Renewable Generators, iitmicrogrid greatlakeGoogle Search
23 
J. J. Park, J. S. Choi, M. Shahidepour, Jan 2010, Assessment of CO2 Reduction by Renewable Energy Generators, IEEE PES Conference on Innovative Smart Grid TechnologiesDOI
24 
P. N. Biskas, N. P. Ziogos, A. Tellidou, C. E. Zoumas, A. G. Bakirtzis, V. Petridis, A. Tsakoumis, Jan 2006, Comparison of two metaheuristics with mathematical programming methods for the solution of OPF, IEE Proceedings Generation- Transmission and Distribution, Vol. 153, No. 1, pp. 16-24DOI

저자소개

정세민(Semin Jeong)
../../Resources/kiee/KIEE.2020.69.7.955/au1.png

Semin Jeong was born in Ulsan, Korea in 1994.

He received the B.Sc., degree from Gyeongsang National University in 2019.

His research interests include reliability evaluation of power systems under renewable energy conditions.

Now, he is studying as M.Sc., student in Gyeongsang National University, Korea.

오웅진(Ungjin Oh)
../../Resources/kiee/KIEE.2020.69.7.955/au2.png

Ungjin Oh was born in Jinju, Korea in 1985.

He received the B.Sc., and M.Sc., degree from Gyeongsang National University in 2013 and 2016 respectively.

His research interests include reliability evaluation of power systems under renewable energy conditions.

Now, he is studying as Ph.D., student in Gyeongsang National University, Korea.

이연찬(Yeonchan Lee)
../../Resources/kiee/KIEE.2020.69.7.955/au3.png

Yeonchan Lee was born in Gosung, Korea in 1987.

He received the B.Sc., and M.Sc., degree from Gyeongsang National University in 2013 and 2015 respectively.

His research interest includes transmission expansion planning using reliability evaluation of power systems.

Now, he is studying as Ph.D., student in Gyeongsang National University, Korea.

임진택(Jintaek Lim)
../../Resources/kiee/KIEE.2020.69.7.955/au4.png

Jintaek Lim was born in Samchonpo, Korea in 1985.

He received the B.Sc., M.Sc., and Ph.D., degrees from Gyeongsang National University, Jinju, in 2011, 2013 and 2016, respectively.

His research interest includes Outage Cost Assessment and Information System of Electrical Energy.

Currently, he is a assistant professor at VISION College of Jeonju.

이기백(Kibaek Lee)
../../Resources/kiee/KIEE.2020.69.7.955/au5.png

Kibaek Lee was born in Changwon, Korea in 1978.

He received the B.Sc., degrees from the Changwon National University in 2005 and M.Sc., degrees from Gyeongsang National University in 2019, Currently, he is a working at Korea South-East Power Co. Ltd.

최재석(Jaeseok Choi)
../../Resources/kiee/KIEE.2020.69.7.955/au6.png

Jaeseok Choi (S′88, M′91, SM′05) was born in Kyeongju, Korea, in 1958.

He received the B.Sc., M.Sc., and Ph.D., degrees from Korea University, Seoul.

Since 1991, he has been on the faculty of Gyeongsang National University, Jinju, Korea, where he is a professor.

He was a visiting professor at Cornell University, Ithaca, NY, USA, in 2004.

He is also adjunct professor at IIT, IL, USA since 2007.

His research interests include fuzzy applications, probabilistic production cost simulation, reliability.