“분산형 밸런싱 모델에서의 무리 행동: 벨기에 사례를 통해 본 암묵적 밸런싱의 함정과 기회”

📝 Abstract

In a decentralized balancing model, Balance Responsible Parties (BRPs) are encouraged by the Transmission System Operator (TSO) to deviate from their schedule to help the system restore balance, also referred to as implicit balancing. This could reduce balancing costs for the grid operator and lower the entry barrier for flexible assets compared to explicit balancing services. However, these implicit reactions may overshoot when their total capacity is high, potentially requiring more explicit activations. This study analyses the effect of increased participation in the decentralized balancing model in Belgium. To this end, we develop a market simulator that produces price signals on minute-level and simulate the implicit reactions for battery assets with different risk profiles. Besides the current price formula, we also study two potential candidates for the near-term presented by the TSO. A simulation study is conducted using Belgian market data for the year 2023. The findings indicate that, while having a significant positive effect on the balancing costs at first, the risk of overshoots can outweigh the potential benefits when the total capacity of the implicit reactions becomes too large. Furthermore, even when the balancing costs start to increase for the TSO, BRPs were still found to benefit from implicit balancing.

💡 Analysis

**

1. 연구 배경 및 의의

• 재생에너지 급증과 그에 따른 전력계통의 불균형 위험이 커짐에 따라, 전통적인 주파수 복구 예비(FRR)보다 저비용·저진입 장벽을 가진 분산형 밸런싱이 주목받고 있다.
• 기존 연구는 주로 단일 참여자의 최적 제어(예: MPC, 강화학습)와 15분 granularity에 초점을 맞췄으나, 벨기에와 같이 1분 실시간 가격이 제공되는 시장에서는 미세한 시간대의 상호작용을 고려해야 함을 지적한다.

2. 방법론

3. 주요 결과

1. 비용 절감 vs. 오버슈트

   • 암묵적 반응 용량이 ~30 % 수준까지 증가하면 TSO의 총 밸런싱 비용이 최대 12 % 감소.
   • 용량이 **~60 %**를 초과하면 오버슈트가 빈번해 명시적 FRR 활성화가 급증, 비용이 다시 상승 (역전점).

2. 가격 공식별 성능

   • WADW: 평균 RMSE가 낮아 극단 가격에 강인하지만, 중위값이 다소 높아 극단 상황에서는 여전히 변동성 존재.
   • MMSD: dead‑band을 부드럽게 처리해 작은 불균형에서도 가격 변동을 유도, 오버슈트 위험을 약간 완화.
   • Current: dead‑band이 고정돼 가격 변동이 적어 초기 비용 절감에 유리하지만, 오버슈트 시 급격한 가격 상승을 초래.

3. BRP 입장

   • TSO 비용이 증가해도 암묵적 밸런싱을 통해 수익성을 유지(특히 위험 중립·위험 회피 그룹).
   • 이는 시장 구조적 비대칭(TSO는 비용 최소화, BRP는 수익 최대화)으로 인한 정책적 딜레마를 시사한다.

4. 강점

• 분산형 전체 시스템 관점: 모든 BRP가 동시에 가격에 반응하는 상황을 시뮬레이션해 실제 시장 메커니즘을 재현.
• 1분 수준 데이터 활용: 기존 15분 모델 대비 미세한 동적 효과(oscillation, dead‑band 경계)를 포착.
• 가격 공식 비교: 정책 입안자가 향후 가격 설계 시 고려해야 할 구체적 근거 제공.

5. 한계 및 개선점

6. 정책·산업적 시사점

1. 가격 설계: ‘smoothed deadband’ 혹은 ‘weighted average’와 같은 완화된 가격 공식이 오버슈트 위험을 감소시켜, 장기적인 용량 확대에 보다 안전한 환경을 제공한다.
2. 인센티브 구조: BRP가 시장 충격을 고려한 고급 제어를 채택하도록 보조금·보상 메커니즘을 설계할 필요가 있다(예: ‘시장 영향력 보상’).
3. 용량 한계 설정: 시뮬레이션 결과를 토대로 암묵적 반응 총 용량 상한(예: 전체 용량의 40 % 이하) 정책을 검토할 수 있다.

7. 향후 연구 방향

• 가격 충격을 포함한 다중 참여자 게임 모델 구축
• 다중 시간대(4 s) 시뮬레이션을 통한 초고해상도 동적 분석
• **다양한 유연성 자산(수소, 전기차, 수요 반응)**을 포함한 통합 유연성 포트폴리오 연구
• 실제 TSO와의 파일럿 테스트를 통해 시뮬레이션 모델을 현장 검증

**

📄 Content

글로벌 재생에너지 용량은 연도별로 급격히 증가하고 있습니다[1]. 이는 화석연료 소비와 전 세계 배출량을 감소시키는 데 기여하지만, 재생에너지의 간헐성은 전력망이 균형을 유지하는 데 어려움을 초래합니다. 따라서 **송전 시스템 운영자(TSO)**는 전력 시스템의 안정성을 확보하기 위해 **그리드 예비력(Reserve)**을 활성화해야 합니다. 이러한 서비스에 드는 비용은 **밸런스 책임 당사자(Balance Responsible Parties, BRP)**에게 전가되며, BRP는 자신이 보유한 발전기와 수요자(오프테이커)의 포트폴리오를 불균형 정산(imbalance settlement) 절차를 통해 균형 있게 유지할 책임이 있습니다.

불균형 정산의 주요 목적은 BRP가 일일 및 실시간(인트라데이) 거래에 참여함으로써 포트폴리오 균형을 유지하도록 유인하는 것입니다. 계약된 스케줄에서 벗어나는 경우, **불균형 가격(imbalance price)**에 따라 벌점이 부과됩니다. 그러나 유럽에서 **단일 불균형 가격제(single imbalance pricing)**가 보편화되면서[2], BRP가 시스템 균형 회복에 기여할 경우 보상을 받을 수도 있게 되었습니다. 탈중앙화된 균형 모델에서는 TSO가 실시간으로 그리드 균형을 돕기 위해 BRP가 스케줄을 의도적으로 벗어나도록 장려합니다[3]. 여기서 우리는 계약된 전력량에서 의도적으로 벗어나는 행위를 **암시적 균형(implicit balancing)**이라고 부릅니다. BRP를 유인하기 위해 TSO는 **(중간) 실시간 가격 신호(real‑time price signal)**를 발표하고, 이는 BRP가 어떻게 반응할지를 안내합니다. 이 모델은 전통적인 주파수 복구 예비력(FRR) 대비 그리드 균형 비용을 낮추고 유연 자산의 진입 장벽을 완화할 수 있지만, TSO가 균형 행동에 대한 명시적 제어를 포기해야 한다는 대가가 있습니다. 탈중앙화 균형 모델의 중요한 단점은 **암시적 반응이 필요량보다 크게 발생할 경우 시스템에 단기 진동(short‑term oscillations)**이 발생한다는 점입니다. 생산량 차단이 가능한 그리드 규모 배터리, 재생에너지 등 유연 자산이 늘어날수록 이 문제는 더욱 두드러질 가능성이 높습니다. 따라서 TSO는 실시간 가격 신호를 신중히 설계하여 참여자의 행동이 시스템 균형 요구와 일치하도록 해야 합니다.

기존 연구와 한계

암시적 균형에 관한 기존 연구는 BRP의 운영 이익을 높이는 제어 전략 개발에 초점을 맞추었습니다. 이러한 전략이 불균형 가격에 미치는 영향을 반영하기 위해 모델 예측 제어(Model Predictive Control)[4][5], 강화 학습(Reinforcement Learning)[6], 혹은 두 방법을 결합한 접근[7]이 제안되었습니다. 그러나 [7]을 제외한 대부분은 15분 단위의 시간 해상도만을 고려했으며, 벨기에에서는 1분마다 중간 가격이 발표되고 분당(quarter‑hour) 동역학도 중요한데 이를 무시했습니다[8]. 또한 기존 연구는 단일 시장 참여자를 대상으로 최신 예측·최적화 기법을 적용해 포지션을 최적화하는 데 집중했으며, TSO가 제공하는 신호에 따라 행동하는 모든 시장 참여자를 포괄적으로 다루지는 못했습니다.

연구 목표 및 방법론

본 연구에서는 벨기에 전력망에서 암시적 균형에 참여하는 유연 자산이 증가함에 따른 전체 시스템 영향을 보다 포괄적으로 분석하고자 합니다. 이를 위해 분당 가격 신호를 출력하고, 해당 신호에 대한 추가적인 암시적 반응을 시뮬레이션하는 피드백 루프를 포함한 시장 시뮬레이션 모델을 개발했습니다.

1. 명시적 활성화 결정: 시뮬레이터는 역사적 개별 균형 입찰 데이터에 기반해 **혼합 정수 선형 프로그램(Mixed‑Integer Linear Program, MILP)**을 적용, TSO가 실제로 수행한 자동·수동 주파수 복구 예비력(aFRR, mFRR) 활성화를 재현합니다.
2. 불균형 가격 산출: 각 시점의 불균형 가격 공식과 불균형 정산 기간(imbalance settlement period, ISP) 동안 활성화된 예비력 정보를 이용해 분당 불균형 가격을 계산합니다. 현재 사용 중인 공식 외에도 벨기에 TSO(Elia)가 제안한 두 가지 후보 공식을 함께 적용합니다[9].
3. 암시적 반응 모델링: 암시적 반응은 다양한 특성·위험 선호도를 가진 배터리 에너지 저장 시스템(BESS) 자산들의 집합으로 모델링합니다. 이들 자산은 가격 임계값에 기반한 Bang‑Bang 제어를 사용해 TSO가 제공한 가격 신호에 직접 반응하도록 가정합니다(가격 예측에 기반한 포지션 설정은 하지 않음).

주요 기여

• 시장 시뮬레이터 개발: 기존 연구[8][10]를 확장해 TSO 행동 ↔ BRP 반응 사이의 피드백 루프를 포함시켰으며, 다양한 시나리오에서 양측의 입장을 동시에 분석할 수 있게 했습니다.
• 세 가지 불균형 가격 공식 비교: 현재 공식과 향후 후보인 “max/min with smoothed deadband”(MMSD), “weighted average with dynamic weights”(WADW) 를 비교 분석했습니다[9].
• 유연 용량 확대가 그리드 안정성에 미치는 영향을 실증적으로 보여줍니다. 2023년 벨기에 시장 데이터를 활용해 유연 용량이 증가할수록 초기에는 균형 비용이 감소하지만, 총 용량이 과도하게 커지면 과도 반응(overshoot) 으로 인해 비용이 다시 상승한다는 점을 확인했습니다. 또한, 암시적 균형이 BRP에게도 수익성을 제공함을 입증했습니다.

피드백 루프와 시뮬레이션 구조

불균형 가격 ↔ BRP 포지션 사이의 피드백 루프를 정확히 분석하려면 다음 과정을 고려해야 합니다.

1. TSO가 시스템 불균형을 관측하고, 자동·수동 FRR을 최소 비용으로 활성화합니다(섹션 II‑A).
2. 해당 시점까지의 모든 활성화 정보를 이용해 1분 불균형 가격을 계산합니다(섹션 II‑B).
3. BRP(또는 시뮬레이션된 BESS)는 발표된 중간 가격에 따라 반응하고, 이 반응량은 시스템 불균형에 다시 기여합니다(섹션 II‑C).

그림 1: 전력 시스템과 TSO 사이의 피드백 루프를 고수준으로 보여주는 시뮬레이션 환경도

위 그림에서 초록색 영역은 불균형 가격 산출을 위한 두 단계, 파란색 영역은 시스템 불균형 및 암시적 반응을 결정하는 단계입니다. 매분마다 TSO는 실제 시스템 불균형을 관측하지만, 전력 시스템(즉, BRP)은 가격 신호를 일정 지연(예: 벨기에에서는 2분) 후에 받게 됩니다.

명시적 활성화 최적화 모델

각 분 t에 대한 최적화 문제는 다음과 같이 정의됩니다.

[ \begin{aligned} \min_{b_{r,t}} \quad & \sum_{r \in R} \mu_{r,t}, b_{r,t} \ \text{s.t.} \quad & \sum_{r \in R^{a+}} b_{r,t} - \sum_{r \in R^{a-}} b_{r,t} \ & \quad + \sum_{r \in R^{m+}} b_{r,t} - \sum_{r \in R^{m-}} b_{r,t} \ & \qquad = \text{SI}_t - V^{\text{BRP}}t \quad\text{(1b)}\ & \text{(제한식 1c–1f: aFRR·mFRR 충분히 활성화)}\ & \text{(제한식 1g–1i: aFRR·mFRR 순서·용량 제한)}\ & 0 \le b{r,t} \le B_r \quad\text{(1j)} \end{aligned} ]

• (R): 모든 개별 균형 입찰 집합
• (\text{SI}_t): 분당 역사적 시스템 불균형
• (V^{\text{BRP}}_t): 시뮬레이션된 총 암시적 반응량
• (b_{r,t}): 입찰 r의 활성화량
• (\mu_{r,t}): 입찰 r의 가격(€/MWh)
• 상단 첨자 (a)·(m)은 각각 aFRR·mFRR, (+)·(-)는 증감 방향을 의미

시뮬레이터는 실제 운영과 차이가 있는 세 가지 단순화를 적용했습니다.

1. 시간 해상도: 벨기에 TSO는 4초 주기로 aFRR 최적화를 수행하지만, 분당 데이터만 이용 가능하므로 1분 해상도로 제한했습니다[12].
2. 국경 간 예비력 공유: 현재 PICASSO·MARI 프로젝트를 통해 이루어지는 국경 간 예비력 교환은 개별 입찰 데이터가 공개되지 않아 반영하지 못했습니다. 2023년 데이터는 해당 프로젝트 도입 이전이므로 영향이 없습니다.
3. 단일 단계 활성화: 실제 TSO는 두 단계(예: 사전·사후) 활성화를 할 수 있지만, 본 연구에서는 단일 단계 모델을 사용했습니다. 향후 연구에서는 이를 보다 현실적으로 개선할 여지가 있습니다.

불균형 가격 공식

불균형 가격 (\lambda^{B}_t)는 다음과 같이 정의됩니다.

[ \lambda^{B}_t = f\bigl(\lambda^{\text{aFRR}}_t,; \lambda^{\text{mFRR}}_t,; \lambda^{\text{spot}}_t;; \theta_t\bigr) ]

• (\theta_t): 각 공식에 특화된 파라미터
• 세 공식은 공통적으로 aFRR 가격 (\lambda^{\text{aFRR}}_t), mFRR 가격 (\lambda^{\text{mFRR}}_t), **스팟 가격 (\

이 글은 AI가 자동 번역 및 요약한 내용입니다.