AI 축전지 충방전 최적화 소프트웨어 철저 비교: Autobidder / Mosaic / GEMS / Tensor Cloud / KrakenFlex / REopt / PyPSA / 에네가에루(Enegayer) API까지

AI 축전지 충방전 최적화에서 가장 먼저 실수해서는 안 되는 것은, "어떤 AI가 뛰어난가"가 아니라, 무엇을 최적화하고 있는가이다.

축전지 제어 실무는 대체로 다음의 4개 계층으로 나뉜다.

여기서 중요한 점은, 에네가에루(Enegayer)는 제어 엔진이 아니다라는 점이다.

다만, 제어 AI의 전 단계인 "도입 여부 판단" "용량 설계" "요금제 비교" "PPA·EV/V2H·축전지의 경제 효과 시산" "API 연동을 통한 제안 업무 자동화" 측면에서는 오히려 강력한 연결점이 있다. 제어 AI가 "운용 후의 최적화 엔진"이라면, 에네가에루(Enegayer)는 "도입 전의 의사결정 엔진"으로 위치시키면 이해하기 쉽다.

축전지는 세계적으로도 급격히 확대되고 있다. IEA는 축전지가 EV, 히트펌프, 데이터 센터 등 새로운 전력 수요를 계통에 통합하는 데 중요한 역할을 한다고 보며, 2024년에는 배터리 비용이 약 40% 하락하여 계통용 축전지 추가량이 63GW, 누적 설비 용량이 124GW에 달했다고 정리하고 있다. ([IEA][1])

다만, IEA는 동시에 축전지의 "설비 용량"과 "실제로 사용할 수 있는 유연성"은 같지 않다고도 지적한다. 축전지는 항상 만충전 상태인 것은 아니며, 방전 시간도 제한적이고, 보조 서비스(Ancillary Service)용으로 용량이 구속되는 경우도 있기 때문이다. ([IEA][1])

즉, 축전지 AI 최적화의 본질은 다음과 같다.

축전지 AI 최적화란 kW·kWh·SOC·열화·가격·수요·발전·시장 규칙·제어 제약 조건을 동시에 다루며, 어느 시간에 충전하고 어느 시간에 방전하며 어떤 가치를 취할지를 결정하는 제약 조건부 의사결정 기술이다.

이 기사에서는 미국, 유럽, 북유럽, 동유럽, 호주, 아시아, 일본, 중동까지를 시야에 넣고, 저명한 소프트웨어, API, 제어 기술, OSS, 표준 프로토콜을 비교한다. Qiita 독자들을 위해 마지막에는 Python 구현의 최소 모델과 API 설계까지 다룬다.

이 기사는 다음과 같은 사람들에게 적합하다.

• 축전지 EMS, VPP, DR, DERMS, PPA, 전력 시장 연동에 관련된 엔지니어
• 태양광·축전지·EV/V2H·PPA 서비스를 개발하는 PdM, 사업 개발 담당자
• JEPX, 수급 조정 시장, 용량 시장, FIP, 코퍼레이트 PPA를 다루는 재생 에너지 사업자
• 에네가에루(Enegayer) API나 자사 시스템을 조합하여 제안·시산·운용 연동을 고도화하고 싶은 사람
• 축전지 제어 AI를 "마법의 AI"가 아니라 수리 최적화(Mathematical Optimization)·시계열 예측(Time Series Forecasting)·제약 제어(Constraint Control)로서 이해하고 싶은 사람

대상 외인 사람은 "축전지만 설치하면 반드시 돈을 번다"와 같은 막연한 결론을 찾는 사람이다. 축전지는 조건이 조금만 바뀌어도 채산성도 제어 방침도 반전된다. 이 부분은 피하지 말고 직시할 필요가 있다.

축전지 AI 제어라는 말은 화려하지만, 실무적인 내용은 상당히 고된 작업이다.

주요 구성 요소는 다음과 같다.

연구 측면에서는 AI·수리 최적화·모델링을 결합한 BESS 운용 기법 정리가 진행되고 있으며, 축전지 운용 최적화는 단순한 가격 차익 거래(Arbitrage)가 아니라 운용 모델, 열화, 전력 시장, 제약 조건을 통합하는 문제로 다뤄지고 있다. ([ScienceDirect][2])

조금 더 현장 용어로 말하자면, AI는 다음 질문에 답한다.

• 지금 충전해야 하는가, 방전해야 하는가, 아니면 기다려야 하는가
• 내일의 고가 시간대에 대비하여 SOC를 보존해야 하는가
• 피크 컷(Peak Cut)을 우선할 것인가, 시장 수익을 우선할 것인가
• 축전지의 열화 비용을 고려했을 때, 몇 번 사이클을 돌려야 하는가
• 수급 조정 시장에 내놓을 용량과 자가 소비·BCP용으로 남겨둘 용량을 어떻게 나눌 것인가
• PPA 계약 및 수요가의 전기 요금 절감과 시장 거래 수익을 어떻게 양립시킬 것인가

여기서 AI가 어려워지는 이유는 "목적 함수(Objective Function)가 하나가 아니기" 때문이다.

전기 요금 절감, 발전 수익, 피크 컷, 수급 조정 시장, 용량 시장, BCP, CO2 절감, 열화 억제. 이 모든 것을 동시에 최대화할 수는 없다. 대부분의 경우, 하나를 우선시하면 다른 하나를 희생하게 된다.

이러한 트레이드오프(Trade-off)를 현장에서 설명할 수 있는 형태로 만드는 것이 축전지 AI 최적화의 진정한 업무이다.

축전지 사업에서 자주 사용되는 용어에 "밸류 스태킹 (Value Stacking)"이 있다.

즉, 여러 수익원을 쌓아 올린다는 개념이다.

대표적으로 다음과 같은 것들이 있다.

언뜻 보기에는 모든 가치를 다 취할 수 있을 것처럼 보인다.

하지만 실제로는 SOC(State of Charge)와 kW/kWh는 유한하다. 특정 시간대에 수요-공급 조정 시장(Balancing Market)에 용량을 공급한다면, 그 용량은 자가 소비나 BCP(Business Continuity Planning)에 사용할 수 없는 경우가 있다. 시장에 커밋(Commit)한 응동 의무가 있다면, 수요가의 편의에 따라 임의로 방전할 수도 없다.

IEA가 지적하듯이, 축전지의 설비 용량이 곧바로 유연성(Flexibility)으로 사용될 수 있는 것은 아니다. 축전지가 만충전 상태가 아니거나, 방전 시간이 짧거나, 보조 서비스(Ancillary Service)에 구속되어 있는 등의 조건이 있기 때문이다. ([IEA][1])

따라서, 밸류 스태킹 (Value Stacking)의 구현은 "수익을 더하기 하는 작업"이 아니라, 동일한 kW·kWh를 어떤 가치에 예약할지를 결정하는 배분 문제이다.

이를 API나 시스템으로 다룬다면, 적어도 다음과 같은 설계가 필요하게 된다.

{
"battery": {
"power_kw": 500,
...

이 JSON에서 중요한 것은 reserved_capacity이다.

축전지 최적화는 "최대화"뿐만 아니라, "사용하지 않고 남겨두는 것"도 최적화의 일부가 된다.

축전지 관련 소프트웨어를 비교할 때 흔히 하는 실수는, 모든 것을 "축전지 소프트웨어"라는 이름으로 나란히 놓고 비교하는 것이다.

실제로는 Tesla Autobidder, Fluence Mosaic, Wärtsilä GEMS, KrakenFlex, Tensor Cloud, REopt, PyPSA, HOMER, 에네가에루(Enegayer)는 같은 선상에 있는 것처럼 보여도 역할이 다르다.

다음은 실무를 위한 정리이다.

Tesla Autobidder는 공식적으로 실시간 거래·제어 플랫폼으로 설명되며, 축전지 등의 자산을 자율적으로 수익화하는 시장 입찰·디스패치 (Dispatch) 제어 메커니즘을 제공한다. ([Tesla][3])

Fluence Mosaic는 태양광·풍력·축전지용 AI 입찰 소프트웨어로서, CAISO, ERCOT, MISO, 일본, 호주 NEM 등 여러 시장에 대한 대응을 내세우며, 머신러닝 (Machine Learning) 예측, 확률 예측, 최적화, 시뮬레이션 환경을 결합하고 있다. ([Fluence][4])

Wärtsilä GEMS는 그리드 스케일 (Grid-scale) 축전지, 하이브리드 발전, 데이터 센터, 도서 지역 계통 등을 대상으로 전 시스템 제어와 실시간 최적화를 수행하는 EMS (Energy Management System)로 자리매김하고 있다. ([Wärtsilä][5])

KrakenFlex는 머신러닝 (Machine Learning)과 AI를 사용하여 분산형 에너지 자산을 제어하며, 축전지, EV 충전기, UPS, 냉난방 등을 연결하는 클라우드형 플랫폼으로 설명된다. ([Octopus Energy][6])

Tensor Energy는 일본 시장을 대상으로 JEPX 및 OCCTO와의 통합, 축전지 프로젝트 시뮬레이션, AI 기반의 거래·최적화를 전면에 내세우고 있다. ([텐서에너지][7])

이 비교를 통해 알 수 있는 것은, 세계의 첨단 플레이어일수록 "제어"뿐만 아니라 "시장·제도·데이터·제약"을 통합적으로 보고 있다는 점이다.

Tesla Autobidder는 축전지를 실시간 시장 거래·제어 대상으로 다루는 플랫폼이다. 공식 정보에 따르면 가격 기반의 자산 관리, 포트폴리오 최적화, 실시간 거래, 디스패치 (Dispatch) 제어가 설명되어 있다. ([Tesla][3])

기술적으로는 다음과 같은 구성이 상정된다.

시장 가격 예측
↓
SOC·열화·계약 제약
...

Autobidder 방식의 시스템에서 중요한 것은 단순히 "쌀 때 사고 비쌀 때 파는 것"만이 아니다.

축전지는 용량이 유한하고, 충방전 횟수에 따른 열화 비용이 있으며, 인버터 출력에도 상한이 있다. 나아가 시장에 응찰하면 응동 의무나 페널티(Penalty)도 따른다.

즉, Autobidder의 가치는 다음과 같은 복수의 제약 조건을 동시에 처리한다는 점에 있다.

• 가격 차익 거래 (Price Arbitrage)
• 시장 입찰 (Market Bidding)
• 응동 의무 (Response Obligation)
• SOC (State of Charge) 관리
• 축전지 열화 (Battery Degradation)
• 포트폴리오 전체의 수익
• 운영 리스크 (Operational Risk)

엔지니어 관점에서 이는 「시계열 최적화 (Time-series Optimization) + 시장 입찰 + 실시간 제어 + 리스크 관리」가 통합된 시스템이다.

Fluence Mosaic는 태양광, 풍력, 축전지를 대상으로 하는 AI 입찰 소프트웨어이다. 공식 정보에 따르면 CAISO, ERCOT, MISO, 일본, 호주 NEM 등 복수 시장에 대한 대응, 16GW 이상의 도입·수주 실적, 머신러닝 예측, 확률 예측, 최적화, 시뮬레이션 환경이 제시되어 있다. ([Fluence][4])

특히 흥미로운 점은 Mosaic가 「예측」과 「입찰」 그리고 「제약」을 강력하게 결합하고 있다는 점이다.

태양광이나 풍력은 발전량이 불확실하다. 축전지는 그 불확실성을 흡수할 수 있지만 용량에는 한계가 있다. 따라서 단순한 결정론적 스케줄(Deterministic Schedule)이 아니라, 확률적인 가격·발전·제약을 전제로 입찰을 구성할 필요가 있다.

Fluence는 Mosaic에 대해 예측, 가격·발전·제약을 고려한 최적화, 시뮬레이션 환경을 설명하고 있다. ([Fluence][4])

Qiita 독자들을 위해 추상화하면, Mosaic형 아키텍처는 다음과 유사하다.

Forecast Layer
- Price forecast
- Load forecast
...

이 타입의 제품은 단일 수요가를 위한 피크 컷(Peak Cut)보다는 발전 사업자, 어그리게이터(Aggregator), 축전소, 재생에너지 포트폴리오 운영자에게 적합하다.

Wärtsilä GEMS는 그리드 스케일(Grid-scale) 축전지, 하이브리드 발전, 도서 지역 계통, 데이터 센터, 마이크로그리드 등을 대상으로 하는 EMS(Energy Management System)이다. 공식 정보에서는 시스템 전체의 제어와 최적화, 실시간 제어, 사이버 인증 등이 제시되어 있다. ([Wärtsilä][5])

Autobidder나 Mosaic가 시장 입찰에 가깝다면, GEMS는 보다 EMS/SCADA에 가깝다.

즉, 다음과 같은 현장에 강점이 있다.

• 재생에너지 + 축전지 + 디젤 발전기의 하이브리드 제어
• 도서 지역·마이크로그리드의 수요 공급 제어
• 데이터 센터의 전원 안정화
• 계통용 축전지의 실시간 모니터링
• 복수의 PCS·BMS·보호 장치 통합

이 타입에서 중요한 것은 AI의 화려함보다, 중단되지 않는 것, 지키는 것, 제약을 위반하지 않는 것이다.

전력 제어에서는 최적화보다 안전이 우선이다.

엔지니어가 GEMS형 EMS를 평가할 때는 다음 관점을 보아야 한다.

KrakenFlex, EnergyHub, Virtual Peaker와 같은 DERMS/VPP 계열 플랫폼은 그리드 스케일 축전지뿐만 아니라 가정용 축전지, EV 충전기, 히트펌프, 공조, 온수기, UPS 등을 하나로 묶는다.

KrakenFlex는 머신러닝과 AI를 사용하여 분산형 에너지 자산을 제어하고, 축전지, EV 충전기, UPS, 냉난방 설비 등을 연결하는 플랫폼이라고 설명하고 있다. ([Octopus Energy][6])

EnergyHub는 VPP를 확장하여 부하 성장 및 재생에너지 통합에 대응하는 유틸리티용 DERMS로 자리매김하고 있다. ([EnergyHub][8])

Virtual Peaker는 VPP, 로컬 디스패치(Local Dispatch), API 연동, AI를 이용한 그리드 엣지(Grid Edge) 최적화를 전면에 내세우고 있다. ([Virtual Peaker][9])

VPP형의 본질은 제어 대상이 제각각이라는 점이다.

가정용 축전지
EV 충전기
V2H
...

이때의 어려움은 대형 축전지와는 다르다.

예를 들어, 도입 전에 「가정용 태양광 + 축전지 + EV + V2H」의 경제 효과를 시산하고, 향후 VPP 참여 시의 추가 가치를 시나리오로 제시한다. 제어는 VPP 플랫폼이, 도입 판단은 에네가에루가 맡는 분담 구조이다.

Tensor Energy의 Tensor Cloud는 일본 시장에 특화된 축전지 최적화·거래 OS로서 주목받고 있다. 공식 정보에 따르면, Tokyo Century와의 협력을 통해 2024년 중반부터 AI 구동 축전지 최적화, 시장 거래, 밸런싱 (Balancing)을 자동화하고 있다고 설명되어 있다. ([テンサーエナジー][7])

또한, Tensor Cloud는 축전지 사이징 (Sizing), 프로젝트 시뮬레이션, JEPX 및 OCCTO와의 통합을 내세우고 있다. ([テンサーエナジー][7])

일본의 축전지 AI 최적화에서는 해외 제품을 그대로 가져오는 것만으로는 불충분하다. 그 이유는 제도가 다르기 때문이다.

일본에서 중요해지는 시장·제도에는 적어도 다음과 같은 것들이 있다.

일본의 수요공급 조정 시장은 2021년 4월 1일에 개설되었으며, 이후 상품이 단계적으로 도입되어 축전지나 DR (Demand Response) 등도 요건을 충족하면 참여 가능한 제도로 정리되어 있다. ([EPRX][11])

즉, 일본향 축전지 AI에서는 단순히 최적화 알고리즘이 우수한 것만으로는 부족하다.

제도 데이터, 계획 제출, 응동 요건, 페널티, 회계 처리, 계약 형태를 다룰 수 있는가가 구현상의 승부처가 된다.

Stem은 PowerTrack 스위트와 EMS, SCADA, PPC, 로거, 운용·최적화 서비스를 제공하며, 구 Athena 계열의 AI-driven enterprise software로서 상용 축전지의 운용 최적화를 설명하고 있다. ([Stem][12])

또한, Athena는 축전지 사이트를 관리하고, 그리드 콜 (Grid Call)에 단시간에 응답하며, 요금 제도나 계절적 피크에 따른 최적화를 수행하는 소프트웨어로 설명되어 있다. ([Stem, Inc.][13])

GridBeyond는 일본에서 FCR (Frequency Containment Reserve) 운용을 수행한 사례를 공표하며, FCR에서는 초 단위의 정밀도, 양방향 통신, 실시간 분석이 요구된다고 설명하고 있다. ([GridBeyond][14])

수요가 측 축전지에서 중요한 것은 제어 로직이 시설 운용과 충돌하지 않는 것이다.

예를 들어, 공장에서 피크 컷 (Peak Cut)을 목적으로 축전지를 사용하고 있는데, 시장 가격이 높다는 이유로 임의로 방전해 버리면 저녁 시간대의 디맨드 피크 (Demand Peak)에 대비한 SOC (State of Charge)가 부족해질 수 있다. 병원이나 피난소에서는 BCP (Business Continuity Plan)를 위해 남겨두어야 할 용량을 시장 거래로 다 써버리는 것이 허용되지 않는 경우가 있다.

따라서 수요가 병설 축전지에서는 다음과 같은 우선순위 설계가 필요하다.

dispatch_priority:
- safety_and_bcp_reserve
- facility_peak_cut
...

이 우선순위는 AI가 마음대로 결정해서는 안 된다.

사업자, 수요가, 보안, 계약, 보조금, 보증, 보험의 조건에 따라 결정해야 하는 것이다.

상용 EMS나 AI 입찰 소프트웨어는 강력하지만, 블랙박스 (Black Box)가 되기 쉽다.

반면, REopt, PyPSA, HOMER와 같은 툴은 도입 전 검토나 연구, 검증, PoC (Proof of Concept)에 적합하다.

NREL의 REopt API는 재생 에너지, 기존 전원, 축전지 등 복수 기술의 최적 조합을 MILP (Mixed Integer Linear Programming)로 구하며, NPV (Net Present Value)나 디스패치 (Dispatch) 전략을 평가하는 무상·OSS (Open Source Software) 개발판 API로 설명되어 있다. ([GitHub][15])

PyPSA는 전력 시스템, 송전, 저장 등을 포함하는 에너지 시스템을 시뮬레이션·최적화하는 오픈 소스 Python 프레임워크이다. ([GitHub][16])

HOMER Pro의 Combined Dispatch는 기존의 Cycle Charging나 Load Following을 개선하는 디스패치 전략으로 설명되어 있다. ([HOMER Energy][17])

이러한 툴들은 다음과 같은 용도에 적합하다.

에네가에루와의 접속을 고려하면, OSS는 '모델의 검증'이나 '신기능 개발의 원형'에 적합하다.

한편, 영업이나 제안 현장에서는 에네가에루 Biz나 에네가에루 API와 같이 요금 플랜, 보조금, PV (Photovoltaic), 축전지, EV/V2H, PPA (Power Purchase Agreement) 등을 일본 시장에 맞춰 다룰 수 있는 시산 기반이 필요하다.

에네가에루(Enegayer) API는 주택용·산업용 자가소비형 태양광·축전지, EV/V2H/충전기, 지자체 보조금, 전기 요금 플랜 참조 등을 REST API로 제공하는 서비스로 설명되고 있다. ([KKC][18])

또한, 에네가에루의 서비스 페이지에서는 태양광·축전지 제안을 단시간에 시산할 수 있는 API로 소개되고 있다. ([에네가엘][19])

즉, OSS(Open Source Software)로 로직을 검증하고, 에네가에루 API를 통해 일본 시장용 제안·시산 워크플로우로 연결하며, 상용 EMS(Energy Management System)로 운용 제어하는 3층 구성이 현실적이다.

같은 축전지라도 수익화할 수 있는 시장, 응동 요건, 데이터 연계, 계획 제출, 페널티가 국가마다 다르다.

미국에서는 FERC Order 841이 전력 저장 리소스의 RTO/ISO 시장 참여를 다루는 중요한 제도로, 2018년에 발행되었다. ([Federal Energy Regulatory Commission][20])

또한, FERC Order 2222는 축전지, 지붕형 태양광, 스마트 서모스탯, EV 충전기 등의 분산형 에너지 자원이 어그리게이션 (Aggregation)을 통해 지역 전력 시장에 참여할 수 있도록 하는 것을 목적으로 한다. ([Federal Energy Regulatory Commission][21])

미국에서 축전지 AI가 발전하기 쉬운 이유는 시장 참여 제도 설계와 ISO/RTO별 가격·입찰 데이터가 풍부하기 때문이다.

CAISO, ERCOT, PJM, NYISO 등은 각각 시장 설계가 다르기 때문에, AI 최적화도 시장마다 튜닝(Tuning)된다.

유럽에서는 FCR, aFRR, mFRR, RR 등의 조정력 상품, 재생 에너지 대량 도입, 국가 간 연계, 어그리게이션 (Aggregation)이 중요해진다.

특히 북유럽에서는 유연성 시장 및 고속 조정력, 동유럽에서는 계통 제약 및 시장 성숙도의 차이가 축전지 AI 구현 조건을 변화시킨다.

유럽에서 어려운 점은 국가마다 제도·TSO(Transmission System Operator) 요건·수익 구조가 다르다는 것이다.

따라서 유럽향 축전지 AI에서는 단일 알고리즘보다, 시장 규칙을 교체할 수 있는 설계가 중요해진다.

일본에서는 JEPX, 수급 조정 시장, 용량 시장, FIP (Feed-in Premium), 임밸런스 (Imbalance), OCCTO와의 관계가 중요하다.

JEPX는 스팟 시장, 시간 전 시장, 선도 시장을 제공하며 가격, 거래량, 에리어 프라이스 (Area Price) 등의 데이터를 공표하고 있다. ([JEPX][10])

수급 조정 시장은 2021년에 개설되어 2024년에 모든 상품 거래가 시작되는 등 단계적으로 상품이 도입되고 있다. ([EPRX][11])

일본 시장은 제도 변화가 빠르다.

그렇기 때문에 축전지 AI뿐만 아니라, 도입 전 시산, 보조금, 전기 요금 플랜, 시장 연동 단가, PPA (Power Purchase Agreement) 계약, 수요가 부하 데이터를 계속해서 업데이트하는 메커니즘이 필요하다.

호주는 NEM, FCAS, 대형 축전지 실적, 재생 에너지 대량 도입, 지역별 계통 제약이 특징이다.

Tesla Autobidder나 Fluence Mosaic가 호주 시장에도 대응하고 있다는 점에서도, 축전지의 시장 입찰·제어 선진 지역으로 볼 수 있다. Fluence Mosaic는 호주 NEM 대응을 명시하고 있다. ([Fluence][4])

아시아에서는 국가마다 시장 자유화, 계통 안정화, 재생 에너지 도입 단계가 크게 다르다.

일본은 시장 제도·VPP (Virtual Power Plant)·축전소 사업이 진행 중이며, 한국, 대만, 싱가포르, 인도, 동남아시아에서는 재생 에너지 통합, 마이크로그리드 (Microgrid), 데이터 센터, 산업 수요가용 고객용 EMS가 중요하다.

중동에서는 태양광 잠재력, 데이터 센터, 마이크로그리드, 해수 담수화, 산업 부하, 대규모 인프라의 안정 전원이 논점이 되기 쉽다.

시장 입찰 AI라기보다는 태양광·축전지·발전기·부하를 통합하는 EMS, 마이크로그리드 제어, 데이터 센터 전원 최적화가 궁합이 좋은 영역이다. Wärtsilä GEMS가 데이터 센터, 도서 지역 계통, 하이브리드 전원을 대상으로 내세우고 있는 것은 이러한 용도와 유사하다. ([Wärtsilä][5])

웹 서비스 개발자는 무심코 REST API나 GraphQL로 생각하기 쉽다.

하지만 축전지 제어 현장에서는 PCS (Power Conversion System), BMS (Battery Management System), EV 충전기, 스마트 인버터, DERMS (Distributed Energy Resource Management System), DR (Demand Response) 신호 등과의 통신이 필요하다.

주요 표준·프로토콜은 다음과 같다.

OCPP는 충전 포인트와 중앙 시스템 간의 통신을 벤더 비의존적(Vendor-independent)으로 만들기 위한 표준으로 설명되며, OCPP 2.1에서는 더욱 스마트하고 효율적인 충전을 지원하는 기능이 확장되었다. ([Open Charge Alliance][22])

SunSpec Modbus는 DER(분산 에너지 자원) 컴포넌트의 상호 운용성을 높이는 표준으로, IEEE 1547-2018에서도 참조되고 있다. ([SunSpec Alliance][23])

IEEE 2030.5는 DER과 DER 관리 시스템 간의 통신 프로토콜을 정의하며, V2G(Vehicle-to-Grid)나 스마트 인버터 구현에서도 사용된다. ([IEEE Standards Association][24])

OpenADR 3.0은 DER, 재생 에너지, 축전지, EV 배터리, 충전 인프라를 지원하는 동적 가격 및 DR (Demand Response) 이벤트 신호의 양방향 통신을 상정하고 있다.

여기서 중요한 것은 API 설계의 계층을 혼동하지 않는 것이다.

업무 API
- 견적
- 시뮬레이션
...

에네가에루(Enegayer) API는 업무 API 및 시뮬레이션 API 레이어에 있다.

반면, OpenADR, IEEE 2030.5, SunSpec, OCPP는 제어 및 DER 연계 레이어에 있다.

이 구분을 이해해 두면 무리한 설계를 피할 수 있다.

축전지 AI 최적화에서는 강화학습 (RL)이 자주 화두가 된다.

하지만 실무에서 가장 먼저 사용해야 하는 것은 아니다.

대표적인 수법을 정리한다.

연구에서는 심층 강화학습 (Deep Reinforcement Learning)을 사용하여 PV(태양광) 및 축전지의 시장 운용을 최적화하고, 인밸런스 페널티 (Imbalance Penalty)를 줄이는 수법도 제안되고 있다. 쓰쿠바 대학의 연구에서는 시장 규칙을 고려한 DRL 수법을 통해 비교 수법 대비 인밸런스 페널티를 최대 47% 및 26% 감소시켰다고 보고되었다. ([쓰쿠바 대학][25])

또한, PNNL의 연구에서는 축전지의 효율이 SOC (State of Charge)나 출력에 따라 변화하는 비선형성 및 열화를 고려한 심층 강화학습 디스패치 (Dispatch)를 통해, 정효율 모델과 비교하여 1.6배의 비용 절감을 보여주었으며, 수명 저하를 피하는 것의 중요성도 보여주었다. ([PNNL][26])

다만, 실무 구현에서는 강화학습을 신중하게 다루어야 한다.

이유는 세 가지가 있다.

• 설명 책임 (Accountability): 왜 해당 충방전을 수행했는지 설명하기 어렵다.
• 안전성 (Safety): 탐색 행동 (Exploration)이 실제 기기 제어에 적합하지 않을 수 있다.
• 제도 적합성 (Compliance): 시장 입찰, 응동 의무, 계약 제약을 위반할 수 있다.

따라서 현실적으로는 다음과 같은 구성이 다루기 쉽다.

가격 · 수요 · PV 예측: 머신러닝 (Machine Learning)
↓
제약 조건부 최적화: MILP / MPC
...

실무에서는 AI를 하나의 덩어리로 파악하지 않는다.

"예측은 AI, 제어는 최적화, 보안은 룰, 검증은 시뮬레이션"으로 나누는 편이 더 견고하다.

여기서는 Qiita 독자를 위해 최소 모델을 보여준다.

목적은 시장 가격에 따라 충방전하며, SOC 제약과 충방전 상한을 지키는 것이다.

시점 t에 대하여,

• charge[t]: 충전 전력
• discharge[t]: 방전 전력
• soc[t]: 축전지 잔량
• price[t]: 시장 가격
• eta_c: 충전 효율
• eta_d: 방전 효율

을 고려한다.

목적 함수는 단순화하면 다음과 같다.

maximize Σ price[t] * discharge[t] - price[t] * charge[t] - degradation_cost * (charge[t] + discharge[t])

제약 조건은 다음과 같다.

soc[t+1] = soc[t] + eta_c * charge[t] - discharge[t] / eta_d
0 <= soc[t] <= battery_capacity
0 <= charge[t] <= charge_power_limit
...

import pulp
import pandas as pd
# -----------------------------
...

이것은 토이 모델(Toy model)이지만, 사고방식은 실제 운영 모델로 이어진다.

실무에서는 여기에 다음을 추가한다.

• PV 발전량
• 수요 데이터
• 계약 전력
• 기본 요금
• TOU 요금 (Time-of-Use)
• JEPX 가격
• 인밸런스 (Imbalance)
• 수급 조정 시장 예약
• BCP용 SOC 리저브
• 열화 모델
• PCS 효율
• 보조 기기 부하
• 정지율
• 출력 제어
• PPA 계약 조건

모델은 단번에 복잡해진다.

하지만 기본 구조는 같다. SOC라는 “재고”를 가진 자산을 가격, 수요, 제약에 따라 움직인다.

에네가에루(Enegayer)를 Tesla Autobidder나 GEMS의 경쟁자로 이야기하면 관점이 어긋난다.

에네가에루는 PCS에 지시를 내리는 EMS가 아니다. 시장 입찰을 자동으로 수행하는 AI 트레이더도 아니다.

그렇다면, 어디에서 효과를 발휘하는가?

답은 도입 전 단계와 제안 업무에 있다.

에네가에루 API는 주택용·산업용 자가소비형 태양광·축전지, EV/V2H/충전기, 지자체 보조금, 전기 요금 플랜 참조를 REST API로 제공한다고 설명되어 있다. ([KKC][18])

또한, 에네가에루는 100개사·3,000개 이상의 전기 요금 플랜에 대응하며, 요금 플랜을 매월 업데이트한다고 공표하고 있다. ([KKC][18])

이러한 특성을 활용하면, 제어 AI의 전 단계에 다음과 같은 흐름을 만들 수 있다.

1. 에네가에루 API로 도입 전 시뮬레이션
- PV 용량
- 축전지 용량
...

이것이 가능해지면 영업 제안과 운용 제어가 분리되지 않는다.

현재 많은 재생 에너지·축전지 제안에서는 도입 전 시뮬레이션과 도입 후 EMS가 별개로 존재한다.

그 결과, “제안 시에 말했던 효과”와 “실제 제어로 얻을 수 있는 효과”가 연결되기 어렵다.

에네가에루를 도입 전 시뮬레이션의 기준(Single Source of Truth)으로 삼고, EMS/AI 제어 측의 실적 데이터를 피드백하면 다음과 같은 순환 구조를 만들 수 있다.

시뮬레이션
↓
제안
...

이것은 눈에 띄지 않지만, 상당히 큰 차이를 만든다.