개요
EV(전기차)의 주요 환경적 이점은 배기관 배출량을 줄여, 운송 분야의 전반적인 온실가스 배출량을 절감하는 데 도움이 된다는 점입니다. 새롭게 부상하는 2차적 이점은 EV 배터리를 에너지 저장 자산으로 사용하여 건물 에너지 관리와 전력망 수요반응을 개선하는 것으로, 이를 각각 V2B(Vehicle-to-Building)와 V1G 및 V2G(Vehicle-to-Grid)라고 합니다.
V2B와 V2G에 EV 배터리를 사용하는 데 따른 구체적인 이점은 시스템 공급을 위해 더 많은 배기가스를 배출하는 발전소의 필요성을 줄이고 더 유연하고 효율적인 운전을 제공하는 것입니다. V2B의 경우, PV(태양광 발전 시스템)와 같은 지역 DER(분산 에너지 자원)에서 생산되는 에너지 소비를 늘려 전력망 전력에 대한 의존도를 줄일 수 있습니다. 또한, 주요 계통 연계에서 자율적인 운전(소위 독립 운전)을 제공할 수 있는 기회가 있어 계통 정전 시에도 공급 안정성을 향상할 수 있습니다.
이 백서에서는 전력망 효율성 개선을 위해 전기차 충전을 최적화할 때의 이점과 그 중요성에 대해 알아볼 수 있습니다. 이 리포트에서는 스마트 충전 방법이 전체 전력 시스템 반응에 어떻게 도움이 될 수 있는지 설명하고 최적화 모범 사례를 검토하며 모델링과 시뮬레이션을 통해 충전 인프라 개발을 개선할 수 있는 방법 등을 다룹니다.
양방향 충전
EV 배터리가 더 큰 시스템 내에서 급전가능 자산으로 기능하려면, 건물 전력 시스템이나 전력망에 배터리의 충전 및 방전을 허용하는 양방향 충전기를 통해 연결되어야 합니다. 이러한 양방향 충전기는 디지털 제어기를 통해 작동하는 전력 컨버터입니다. 이러한 제어기의 설계는 모델링과 시뮬레이션을 사용해 수행할 수 있습니다. 이 접근법을 사용하면 전력 컨버터 제어기의 세부 운전뿐만 아니라 전압 및 전류 제한과 같은 운전 제약 조건과 전력 전자 스위치 고장과 같은 결함 상태 측면에서 전체 시스템의 반응을 검증할 수 있습니다.
양방향 충전은 IGBT 또는 MOSFET과 같은 제어 가능한 전력 전자 스위치를 포함하는 양방향 전력 컨버터를 통해 활성화됩니다. 디지털 제어는 전력 전자 스위치를 켜고 끄도록 명령하는 PWM(펄스 폭 변조)의 듀티 사이클을 생성하는 데 사용됩니다. EV 충전에 사용되는 전력 컨버터 토폴로지는 여러 가지가 있지만, 운전 유연성과 효율성으로 인해 DAB(이중 능동 브리지)가 널리 선택되고 있습니다. 그림 1은 Simscape Electrical™을 사용해 모델링된 DAB의 토폴로지를 보여줍니다.
그림 1. DAB 토폴로지.
DAB는 절연 변압기를 통해 연결된 두 개의 H-브리지로 구성됩니다. 각 H-브리지는 원하는 전체 운전 프로파일을 달성하기 위해 개별적으로 제어됩니다.
아래의 그림 2는 Simscape Electrical의 시뮬레이션에서 생성되는 MATLAB®의 그래픽을 보여줍니다. 이 그림은 위상 변위 제어를 사용한 DAB 운전을 보여주는데, 1차 및 2차 H-브리지 전압의 위상은 서로에 대해 상대적으로 이동하여 주어진 전력 흐름의 크기와 방향을 달성합니다. 시각화를 보면 1차 AC 전압(VACp)이 2차 AC 전압(VACs)보다 앞서므로 전력이 1차측에서 2차측으로 흐르는 것을 볼 수 있습니다. 역방향 전력 흐름의 경우, VACp가 VACs보다 늦습니다. 시뮬레이션은 제어 시스템 설계뿐만 아니라 운전 요구사항을 충족하는 적절한 정격의 전기 컴포넌트를 선택하는 데도 사용됩니다.
스마트 충전
여러 대의 EV가 V2B 또는 V1G/V2G 시스템에 연결되어 있으면 스마트 충전을 적용할 수 있는 기회가 생깁니다. V1G는 단방향 충전을 의미하고 V2G는 양방향 충전을 의미합니다. 스마트 충전은 최적화 기법을 사용해 개별 배터리의 개별 충전 프로파일을 조정함으로써 시스템 수준의 이점을 얻는 것입니다.
예를 들어, 아래의 시각화(그림 3)는 4대의 EV가 전력망에 연결되어 있는 V2G 시스템을 보여줍니다. 4대의 EV가 서로 다른 시간에 연결되고 연결 해제되며 연결이 종료되는 시점에 각 EV가 완전히 충전된다고 가정할 수 있습니다. 또한 연결 및 연결 해제 시간을 미리 알고 있다고 가정할 수도 있는데, 이는 순전히 설명을 위해 가정을 단순화한 것입니다. EV를 어떤 일정한 속도(비스마트)로 충전한다면 빨간색으로 표시된 충전 패턴을 예상할 수 있으며, 여기서는 충전 사이클의 끝에서 각 EV가 완전히 충전되는 것을 볼 수 있습니다. 그러나 이 시나리오에서는 전력망 전력의 피크가 상당히 크다는 점을 알 수 있습니다. 대신 최적화 방법을 적용하여 각 EV가 연결이 해제될 때 완전히 충전되도록 하면서 최대수요전력을 최소화하는 제약 조건을 가하면, 녹색으로 표시된 충전 패턴을 예상할 수 있습니다. 연결되어 있는 동안 배터리는 충전 및 방전을 통해 에너지를 제 때 이전하여 최대수요전력을 줄일 수 있습니다. 스마트 충전의 잠재적인 단점은 EV 배터리가 정전력 충전보다 더 많이 순환하여 잔여 수명이 줄어들 수 있다는 점입니다. 최적화 프레임워크는 각 배터리의 사이클 횟수를 최소화하는 등 다른 기술적 제약 조건을 고려하도록 개선될 수 있습니다.
충전소의 기술경제성 최적화
TEA(기술경제성 분석)은 전반적인 시스템 크기 설정 및 운전에서 중요한 부분으로, 일반적으로 간단한 에너지 균형 모델에 적용되는 최적화 방법을 사용하여 수행됩니다. TEA의 목적은 개별 EV 배터리의 충전 사이클 최소화 및/또는 전력망 수요반응 충족을 위한 충분한 저장 공간 제공 등 몇 가지 기준에 맞는 최적화된 운전을 파악하고 운전 제한이 위반되지 않도록 하는 것입니다. TEA가 수행된 후에는 에너지 관리 시스템 개발의 기술적인 면을 포착하는 상세 모델링을 추가하고 TEA를 참조하여 상세 설계가 의도한 운전 요구사항을 충족하는지 검사할 수 있습니다.
아래의 그림 4에서는 EV 충전소와 일부 산업 부하를 공급하는 공공 전력망 연계와 더불어, 재생 에너지와 그리드 수준 저장 장치를 포함하는 마이크로그리드 시스템 구조를 가정하고 있습니다. 이 시나리오에서는 EV 충전소에서는 재생 에너지만 사용할 수 있지만, 산업 부하는 재생 에너지와 공공 전력망을 모두 사용할 수 있다고 가정합니다. 이 경우 그리드 수준 저장 장치는 재생 에너지가 있을 때만 충전될 수 있고, EV 충전소는 재생 에너지와 그리드 수준 저장 장치로부터만 에너지를 가져올 수 있다는 기술적인 제약 조건이 있습니다.
에너지 흐름과 관련된 기술적인 제약 조건 외에도, 기술경제성 최적화는 시스템 컴포넌트의 크기를 결정하여 시스템의 예상 수명 기간 동안 자본 비용과 운영 비용을 최소화하는 것을 목표로 합니다. 기술경제성 분석 및 최적화는 일반적으로 1시간 간격으로 1년을 보게 되며, 이를 8760 시뮬레이션(표준 1년은 8,760시간)이라고 합니다. 아래에 시각화된 그림 5는 각 시간당 각 컴포넌트의 전력을 보여주는 것으로, 공급과 수요 간의 에너지 균형을 보장하는 기술경제성 최적화의 결과를 보여줍니다.
전력망 통합 연구
이전 분석에 사용된 단순화된 에너지 균형식은 최적화 기법을 적용하는 데는 유용하지만, 공학적 인사이트를 제공하는 데는 한계가 있습니다. EV 충전이 전력망 반응에 미치는 영향을 평가하려면 보다 세부적인 전력 시스템 시뮬레이션 연구를 수행해야 합니다. 전력 시스템 시뮬레이션은 크게 페이저와 EMT(전자기 과도)의 두 가지 유형으로 분류됩니다. 그림 6은 EMT와 페이저 시뮬레이션의 주요 차이점을 보여줍니다. EMT는 세부 파형을 시뮬레이션하는 반면, 페이저는 RMS 값을 사용하여 시뮬레이션을 단순화하므로 시뮬레이션 스텝 시간을 늘릴 수 있습니다. 페이저 시뮬레이션은 파형 과도를 수집하지 않지만, 정상 상태 동작 조건은 수집합니다.
그림 6. 전력 시스템 시뮬레이션 방법.
페이저 시뮬레이션은 더 큰 시간 스텝과 더 긴 기간 동안 준정적 시뮬레이션을 수행할 수 있으므로 EV 충전의 장기 전력망 영향 연구에 더 적합합니다. 준정적 시뮬레이션에서는 상세한 동적 반응을 시뮬레이션할 필요가 없습니다. 대신, 몇 분에서 한 시간에 이르는 시간 스텝과 몇 시간에서 1년 이상에 이를 수 있는 연구 기간 범위로 수많은 운전 지점을 이동하는 데 중점을 둡니다.
그림 7은 준정적 페이저 시뮬레이션을 사용하여 24시간 동안 10분 시간 스텝으로 표시된 대표적인 배전 시스템 모델의 노드 전압을 보여줍니다. 왼쪽은 각 기간의 전압 크기를 보여주고, 오른쪽은 전체 24시간 동안의 전압 크기 히스토그램을 보여줍니다. 통계 분석은 여러 시나리오에서 운전 패턴에 대한 추가적인 인사이트를 얻기 위해 시간 영역 분석을 보완하는 데 유용합니다.
그림 7. 시간 경과에 따른 노드 전압 변화 및 분포 프로파일 시각화.
전력망 영향 연구에서는 일반적으로 수천 개에 달하는 수많은 운전 시나리오를 고려해야 합니다. 다수의 운전 시나리오를 효율적으로 시뮬레이션하려면, 병렬 연산을 사용해 여러 코어에 걸쳐 시나리오를 분산할 수 있습니다. 아래 예시에서는 4개의 코어를 사용하여 여러 시나리오를 분산시킴으로써 속도가 3.5배 향상되었습니다. 사용 가능한 코어가 많을수록 속도가 더 빨라집니다.
EMT 연구는 전력전자 스위칭 고조파가 전력 시스템에 미치는 영향을 평가할 때와 같이 특정 기술의 운전에 대한 보다 자세한 정보가 요구될 때 필요합니다. EV 충전소는 일반적으로 디지털 제어를 통해 운영되는 전력 컨버터인 IBR(인버터 기반 발전원)을 통해 전력망에 연계됩니다. IBR 시뮬레이션에는 전력전자 스위칭의 효과를 수집하기 위해 마이크로초 또는 나노초 단위의 작은 시간 스텝이 필요하며, 상세한 전력 컨버터 토폴로지 및 제어 시스템의 모델링 작업도 필요합니다. 아래의 동적 시각화는 PWM(펄스 폭 변조)을 사용해 제어되는 3상 인버터의 반응을 보여줍니다. 전력전자 스위칭으로 인해 발생하는 고주파 고조파를 주목하십시오.
결론
모델링과 시뮬레이션은 최적화와 같은 다른 연산 툴과 함께 기술 개발의 초기 단계에서 시스템 설계자에게 정보를 제공할 수 있습니다. 따라서 설계 오류를 완화할 수 있으며 개발 중인 시스템이 의도된 운전 범위에서 탄력적이고 효율적인 방식으로 성능을 발휘할 것이라는 확신을 심어줄 수 있습니다.
