본 문서는 전력 시스템 분석을 위한 Python 기반 오픈소스 프레임워크인 PyPSA의 최신 버전(v1.2.1) 주요 변경사항 및 개선점을 다룬다. PyPSA는 전력망 모델링, 최적화 및 시뮬레이션에 널리 활용되며, 지속적인 업데이트를 통해 사용자 편의성과 기능적 안정성을 강화하고 있다.
이번 업데이트는 주로 기존 기능의 안정성을 높이고 새로운 모델 및 사용자 지원을 추가하는 데 중점을 두었다. 특히, `n.statistics.transmission` 기능의 회귀 오류 수정과 `n.add(overwrite=True)` 시 발생하는 동적 속성 문제 해결 등 여러 버그 수정이 이루어졌다. 또한, `mypy` 타입 검사를 통해 코드의 견고성을 향상시켰다.
주요 개선 사항으로는 새로운 사용자 및 모델 데이터셋(ftdt py psa ar, canmet energy pypsa canada) 추가와 AI 기여 가이드라인 도입이 포함된다. 이는 PyPSA의 활용 범위를 넓히고 커뮤니티 참여를 독려하기 위함이다. 릴리스 파이프라인의 경쟁 조건 방지 및 램프 제한 제약 조건 관련 오류 수정 등 시스템 안정성 강화 노력도 병행되었다.
이러한 업데이트는 PyPSA가 전력 시스템 연구 및 분석 분야에서 더욱 신뢰성 높고 확장 가능한 도구로 자리매김하는 데 기여할 것이다. 연구자들은 개선된 기능을 통해 보다 정확하고 효율적인 전력 시스템 모델링 및 시뮬레이션을 수행할 수 있을 것으로 기대된다.
분산전원(DG)을 배전망에 통합하는 것은 전압 제어를 통해 시스템 성능을 향상하고 전력 품질 및 신뢰성을 높이는 핵심 전략입니다. 본 논문은 수정된 회색 늑대 최적화(MGWO) 알고리즘과 ETAP 소프트웨어를 결합한 하이브리드 기법을 제안하여, 보호 시스템 적응성을 고려한 DG 장치의 최적 위치 및 용량 산정을 목표로 합니다.
제안된 기법은 유효 및 무효 전력 손실을 최소화하고 전압 안정성을 개선하며, DG 통합 시 보호 시스템의 적응성을 보장하기 위해 고장 전류 변화의 영향을 분석합니다. MGWO 알고리즘은 기존 GWO를 개선하여 적응형 가중치와 동적 순환 메커니즘을 추가함으로써 탐색과 활용의 균형을 향상하고 조기 수렴 및 지역 최적해 문제를 회피합니다. 이는 복잡하고 다중 모드 최적화 문제 해결에 있어 더 빠른 수렴 시간, 높은 정확도, 그리고 향상된 견고성을 제공합니다.
제안된 접근 방식의 효과는 IEEE 33-모선 테스트 시스템과 대규모 114-모선 배전망 시뮬레이션을 통해 검증되었습니다. 연구 결과에 따르면, 33-모선 시스템에서 DG의 최적 배치는 평균 전력 손실을 69.7% 감소시키고 전압 안정성을 69.6% 향상하는 것으로 나타났습니다.
본 연구는 다양한 네트워크 규모에서 DG 통합의 신뢰성을 입증하며, 전력 시스템의 성능 향상 및 보호 시스템 적응에 기여할 수 있는 실용적인 방법론을 제시합니다. 이는 향후 스마트 그리드 환경에서 분산 에너지 자원의 효율적인 활용을 위한 중요한 기반이 될 것입니다.
