평균장 학습 기반 대규모 저장소 집합 모델링

초록

본 논문은 이산형 에너지 저장 장치를 대규모 집합으로 묶어 단일 서러게이트 모델로 표현하는 평균장(mean‑field) 학습 프레임워크를 제시한다. 인구가 무한대로 커질 때 집합의 평균 행동이 고유하고 볼록한 평균장 한계값으로 수렴함을 증명하고, 이를 기반으로 가격에 반응하는 볼록 서러게이트 모델을 학습한다. 실험을 통해 모델의 정확도, 데이터 효율성 및 경제적 이익을 검증한다.

상세 분석

논문은 먼저 개별 저장 장치의 동적 제약식(상태·전력·이진 충·방전 변수)과 비용 함수를 정의하고, 이를 전력‑비용 2T+1 차원 집합 ⟨P_Ei⟩ 으로 확장한다. 각 장치는 파라미터가 i.i.d. 확률변수로 모델링되어 ‘무작위 집합(random set)’으로 간주된다. 평균장 분석의 핵심은 Aumann 기대와 Shapley‑Folkman 보조정리를 이용해, i.i.d. 무작위 집합들의 평균 Minkowski 합이 Hausdorff 거리 의미에서 볼록 hull의 기대값으로 수렴한다는 강법칙(Lemma 1)을 적용하는 것이다. 이를 통해 저장 장치 수 I→∞ 일 때, 집합 P_MI 과 비용 C_MI 이 각각 볼록 집합 P_L 과 볼록 함수 C_L(p) 으로 수렴함을 정리(Prop. 1)한다. 이 한계는 비볼록성(예: 충·방전 이진 제어)과 이질성(용량·효율·비용 파라미터 차이)을 포함한 실제 장치 모델에서도 적용 가능하므로, 고차원·비선형 제약을 직접 다루지 않아도 된다.

볼록성은 두 가지 실용적 의미를 제공한다. 첫째, 가격 λ와의 선형 결합 형태인 λᵀ(p_C−p_D) 가 평균장 비용에 직접 삽입될 수 있어, 집합 P_L 이 가격에 대한 응답 구간으로 해석된다. 둘째, 볼록 최적화 문제로 변환되므로 전력 시스템 운영·시장 청산에 그대로 삽입 가능하고, 계산 복잡도가 O(T) 정도인 다항시간 알고리즘으로 해결된다. 논문은 또한 평균장 근사 오차를 Hausdorff 거리와 샘플 수 I 에 대한 O(1/√I) 경계로 제시해, 학습 데이터가 충분히 많을 경우 근사 정확도가 보장됨을 증명한다.

학습 단계에서는 역사적 시장 가격‑응답 데이터 {(λ^k, p^k)}_k 를 이용해 서러게이트 파라미터(예: 볼록 집합을 정의하는 중심 c 과 반경 R, 비용 함수의 2차 계수)를 최소화한다. 목적함수는 관측된 집합 p^k 와 서러게이트 집합 P̂(θ) 의 Hausdorff 거리와 비용 차이의 가중합이며, 파라미터 θ는 gradient‑based optimizer(예: Adam)로 업데이트한다. 볼록성 제약은 파라미터화 단계에서 자동으로 만족되도록 설계돼, 학습 과정에서 별도 제약 처리 없이도 최적해가 볼록성을 유지한다.

실험에서는 10 kW1 MW 규모, 1 h24 h 시간창을 갖는 다양한 이질적 저장군을 시뮬레이션하고, 제안된 평균장 서러게이트를 기존 박스·타원·zonotope 기반 근사와 비교한다. 결과는 (1) 평균장 모델이 5 % 이하의 비용 오차와 0.1 MWh 수준의 전력 오차를 보이며, (2) 학습에 필요한 데이터 샘플이 100 ~ 200개 수준으로 기존 딥러닝 기반 방법보다 10배 이상 적음, (3) 시장 청산 시 최적 입찰 전략을 적용했을 때 수익이 8 %~12 % 향상됨을 보여준다. 특히, 비볼록 제어(충·방전 이진 변수)가 포함된 경우에도 평균장 모델은 정확히 집합의 경계를 포착해, 기존 선형 근사보다 월등히 안정적인 가격‑응답 특성을 제공한다.

전반적으로 이 논문은 무작위 집합 이론을 전력 시스템 분야에 성공적으로 적용함으로써, 대규모 이질적 저장 자원의 집합적 행동을 볼록 최적화 형태로 추상화한다는 점에서 학문적·실무적 기여가 크다. 향후 연구는 시간‑연속(동적) 평균장 모델, 다중 에너지(전·열·가스) 연계, 그리고 실시간 학습을 위한 온라인 알고리즘으로 확장될 수 있다.