1.1 연구의 배경

안정적이고 경제적인 전력계통의 운영을 위해 정확한 전력수요예측은 중요하다. 전력수요는 국내총생산, 기상인자, 요일, 사회적 이벤트 등 여러 요인들에 의해 변동한다. 따라서 정확한 전력수요예측을 위해 전력수요에 영향을 미치는 요인에 대해 체계적인 분석이 필요하다. 여러 요인 중 기상 인자는 단기 전력수요예측에 주로 고려되는 요인 중 하나이다. 특히 기온은 다른 기상 인자에 비해 측정 및 예보의 정확성이 높으며, 냉․난방부하의 사용에 가장 큰 영향을 미치기 때문에 전력수요예측과 관련된 많은 문헌들은 전력수요 예측을 위해 기온과 전력수요의 관계를 고려한다^(1,2). 최근 태양광 발전기 보급이 증가함에 따라 발전량이 계측되지 않는 BTM(Behind-The-Meter) 발전기가 증가하고 있다. 국내 BTM 발전기의 대부분은 1MW 이하의 소용량 태양광 발전기이며, 태양광 발전량은 날씨의 맑고, 흐림에 따라 변동한다. BTM 발전량에 대한 정확한 추정이 어려우며, 이로 인해 BTM 발전량에 의해 전력수요예측의 불확실성이 증가되고 있다. 따라서 BTM 발전량을 고려한 전력수요예측 기법의 개발이 필요하다^(3-6).

태양광 발전기의 발전량은 일사량과 밀접한 관계가 있다^(7-9). BTM 발전량의 영향을 전력수요예측에 반영하기 위해서는 일사에 대한 기상 예보가 필요하다. 하지만 현재 기상청에서는 일사에 대한 기상 예보를 하고 있지 않기 때문에 일사와 상관도가 높은 운량을 이용한다. 선행연구에서는 BTM 발전량에 의한 전력수요의 변동성을 반영하기 위해 운량에 대한 전력수요 민감도 산출 방법을 제안한다⁽⁶⁾. 운량에 대한 전력수요 민감도를 산출하기 위해 참고문헌⁽⁶⁾에서는 기온이 전력수요에 미치는 영향이 상대적으로 작은 4월과 10월의 단위 운량 당 전력수요의 변동량을 계산하며, 계산된 과거 단위 운량 당 전력수요 변동량의 선형회귀분석을 통해 월별 운량에 대한 전력수요 민감도를 산출한다. 이때, 운량에 대한 전력수요 민감도는 선형 회귀분석으로 산출되었기 때문에 월별로 운량에 대한 전력수요 민감도가 증가하는 형태를 갖는다. 하지만, 참고문헌⁽⁶⁾은 지구의 공전으로 인해 월별로 달라지는 일사량과 이에 따라 변하는 BTM 발전량을 반영하지 못한다는 한계가 있다. 이러한 점을 보완하기 위해 월별 일사 가중치를 적용한 운량에 대한 전력수요 민감도를 산출 방법을 제안한다. 과거 일사량과 태양광 발전량의 분석을 통해 월별로 다른 일사량으로 인해 태양광 발전량의 변화를 분석하고, 이를 통해 월별 운량에 대한 전력수요 민감도 산출을 위한 월별 일사량 가중치를 산출한다. 사례연구를 통해 기온에 대한 전력수요 민감도와 월별 일사 가중치를 적용한 운량에 대한 전력수요 민감도를 이용하여 평일의 전력수요를 예측 한 뒤 예측결과를 기온에 대한 전력수요 민감도만을 고려한 전력수요 예측결과와 비교한다.

2.1 일사량과 태양광 발전량의 관계 분석

국내의 BTM 발전량의 대부분은 1MW 이하의 소용량 태양광 발전량이다^(3,4). 태양광 발전기는 일사량에 의해 발전량이 변화하므로 BTM 발전량 또한 일사량의 변화에 의해 변동한다. 일사량과 BTM 발전량의 관계를 분석하기 위해 국내 일사량의 특징에 대해 분석한다. 태양과 지면과의 거리, 고도, 하루 중 태양이 비추는 시간 등은 지구의 공전으로 인해 1년을 주기로 변화한다. 일사량은 태양과의 거리와 일사 시간에 큰 영향을 받기 때문에 일사량 또한 1년을 주기로 변화하게 된다. 일사량의 주기적인 특징을 분석하기 위해 기상청에서 제공하는 30년 평년 일사 합 데이터를 사용한다. Fig. 1은 과거 30년의 월별 일평균 일사 합을 나타낸다⁽¹⁰⁾.

Fig. 1과 같이 12월, 1월과 같은 겨울철에는 태양의 고도가 낮아 일사량이 상대적으로 다른 월에 비해 낮게 나타난다. 이에 비하여 5월, 6월의 경우는 태양의 고도가 높아 일사량이 상대적으로 높게 나타난다. 이를 통해 일사량이 지구의 공전으로 인해 월별로 다르게 나타나는 것을 확인할 수 있다. 태양광 발전기는 일사량의 변화에 의해 발전량이 변화하기 때문에 태양광 발전량 또한 1년을 주기로 변화한다. Fig. 2는 Fig. 1의 과거 30년 월별 일평균 일사 합과 2015년부터 2018년까지 발전량을 태양광 보급 용량으로 정규화한 하루 평균 발전시간을 나타낸다⁽¹⁰⁾.

Fig. 2와 같이 월별 일사량 패턴과 월별 태양광 발전시간의 패턴이 유사하게 나타나는 것을 확인할 수 있다. 월별로 다른 태양광 발전량의 특징을 운량에 대한 전력수요 민감도 산출에 반영하기 위해 월별 일사량 가중치를 산출하여 적용한다.

2.2 월별 일사량 가중치 선정 및 운량에 대한 전력수요 민감도 산출

운량에 대한 전력수요 민감도는 단위 운량 당 전력수요 변동량을 통해 산출된다. 이때, 국내총생산(GDP, Gross Domestic Product)의 영향으로 인해 연도별로 변화하는 전력수요의 변화를 반영하기 위해 기본전력수요로 전력수요를 정규화 한다. 여기서, 기본전력수요는 기온과 기타인자의 영향을 제외하고 국내총생산의 영향만을 고려한 전력수요이며, 참고문헌⁽⁶⁾의 방법을 통해 산출된다. 기본전력수요로 정규화 된 전력수요를 사용하여 운량에 대한 전력수요 민감도를 산출 하는 과정은 Fig. 3과 같다⁽⁶⁾.

월요일 오전 전력수요의 경우 화요일부터 금요일의 오전 전력수요와 비교했을 때 상대적으로 전력수요가 낮게 나타난다^(2,6). 따라서 운량에 대한 전력수요 민감도는 화요일부터 금요일까지의 전력수요를 이용해 산출한다. 운량에 대한 전력수요 민감도 산출을 위해서는 기온에 대한 전력수요 변화를 최소화해야 한다. 우리나라의 경우 냉난방부하를 사용하지 않는 기온 구간을 14.7℃∼26℃로 설정할 수 있다⁽¹¹⁾. 4월, 5월, 9월, 10월의 기온이 이 구간에 해당한다. 이때, 5월, 9월, 10월의 경우 어린이날, 석가탄신일, 개천절, 추석연휴와 같은 공휴일이 많아 사용 가능한 평일 데이터 수가 적기 때문에 4월의 운량에 대한 전력수요 변동량을 이용하여 월별 운량에 대한 전력수요 민감도를 산출한다. 기온이 전력수요에 미치는 영향을 최소화하기 위해 4월의 전력수요 중 냉․난방 부하의 영향이 적은 날의 전력수요를 선별한다. 이를 위해 4월의 기온 정규분포에서 특정 신뢰 구간의 데이터를 선별한다. 여기서, 신뢰도 구간이 95% 또는 99%에 포함되는 데이터를 사용할 경우 4월의 평균기온과 기온차이가 큰 날의 데이터가 선별될 수 있다. 그럴 경우에 기온의 영향을 최소화하기 어렵기 때문에 신뢰도 구간이 68%에 포함되는 데이터를 사용한다. 선별된 데이터 중 운량 차이가 6 이상 차이 나는 연속된 두 날을 선별한다. 선별된 두 날의 단위 운량 당 전력수요 변동량의 연도별 평균값을 계산한다⁽⁶⁾. 예측일이 속한 월이 4월 또는 4월 이전일 경우 예측일이 속한 연도 4월의 단위 운량 당 전력수요 변동량을 산출할 수 없다. 따라서 과거 연도별 4월의 단위 운량 당 전력수요 변동량의 선형 회귀 분석을 통해 예측일이 속한 연도 4월의 운량에 대한 전력수요 민감도를 추정한 후 월별 일사량 가중치를 적용하여 예측일이 속한 연도 4월 이전의 운량에 대한 전력수요 민감도를 산출한다⁽¹²⁾. 예측일이 속한 달이 4월 이후일 경우 예측일이 속한 연도 4월의 실적데이터를 이용하여 단위 운량 당 전력수요 변동량을 산출할 수 있으므로 이를 사용한다. 예측일이 속한 연도 4월의 단위 운량 당 전력수요 변동량에 월별 일사량 가중치를 적용하여 예측일이 속한 연도 4월 이후의 운량에 대한 전력수요 민감도를 산출한다. 월별 태양광 발전량의 패턴은 월별 일사량 패턴과 유사하기 때문에 이러한 특징을 반영하기 위해 월별 일사량 가중치를 적용한 운량에 대한 전력수요 민감도를 산출한다. 월별 일사량 가중치는 과거 30년 월별 일평균 일사 합의 비율을 이용해 계산된다. 월별 일사량 가중치는 식(1)을 통해 계산된다⁽⁸⁾.

여기서, $Weight_{m}$는 $m$월의 일사량 가중치, $Month Rad_{m}$은 과거 30년 $m$월 일평균 일사 합, $Month Rad_{4}$는 과거 30년 4월 일평균 일사 합이다. 여기서, 운량에 대한 전력수요 민감도는 4월을 기준으로 산출되기 때문에 각 월의 30년 일평균 일사 합은 4월을 기준으로 정규화 된다. Table. 1은 운량에 대한 전력수요 민감도 산출을 위한 월별 일사량 가중치다.

4월 운량에 대한 전력수요 민감도를 산출하기 위해서 4월의 단위 운량 당 전력수요 변동량을 식(2)를 통해 산출한다.

여기서, $Un_{-}C_{y,\:4,\:p}$는 $y$년 4월 $p$구간의 단위 운량 당 전력수요 변동량. $y$는 단위 운량 당 전력수요 변동량 산출 년도, $p$는 $p=1$은 10시, 11시, 12시, $p=2$는 13시, 14시, 15시, $p=3$은 16시, 17시, 18시로 3시간 단위 구간을 의미한다. $NL_{cloudy,\:y,\:4,\:p,\:k}$는 $y$년 4월 $p$구간 $k$번째 흐린 날의 정규화 된 전력수요를 의미하고, $NL_{sunny,\:y,\:4,\:p,\:k}$는 $y$년 4월 $p$구간 $k$번째 맑은 날의 정규화 된 전력수요를 의미한다. $Cloud_{cloudy,\:y,\:4,\:p,\:k}$는 $y$년 4월 $p$구간 $k$번째 흐린 날의 운량을 의미하고, $Cloud_{sunny,\:y,\:4,\:p,\:k}$는 $y$년 4월 $p$구간 $k$번째 맑은 날의 운량을 의미한다. $N_{y,\:4,\:p}$은 $y$년도 4월 중 $p$구간의 운량 차이가 6 이상 나는 연속된 두 날의 개수다.

예측일이 속한 월이 4월 또는 4월 이전일 경우 예측일이 속한 연도 4월의 단위 운량 당 전력수요 변동량을 구할 수 없다. 따라서 예측일이 속한 연도 4월의 운량에 대한 전력수요 민감도는 과거 연도별 4월의 단위 운량 당 전력수요 변동량의 선형 회귀 분석을 통해 산출된다. 예측일이 속한 연도 1, 2, 3, 4월의 운량에 대한 전력수요 민감도는 예측일이 속한 연도 4월의 운량에 대한 전력수요 민감도와 1, 2, 3, 4월 일사량 가중치를 통해 산출된다. 예측일이 속한 연도 4월 이전의 운량에 대한 전력수요 민감도는 식(3)을 통해 산출된다.

여기서, $CLSR_{y,\:4,\:p}$는 선형 회귀 분석을 통해 산출된 $y$년 4월 $p$구간의 운량에 대한 전력수요 민감도, $Weight_{m}$은 $m$월의 일사량 가중치이며 $m= 1,\: 2,\: 3$, $4$이다. $CLSR_{y,\:m,\:p}$는 $m$월의 일사량 가중치를 적용한 $y$년 $m$월 $p$구간의 운량에 대한 전력수요 민감도이다. 예측일이 속한 월이 4월 이후일 경우 예측일이 속한 연도 4월의 실적 데이터가 존재하므로 예측일이 속한 연도 4월의 단위 운량 당 전력수요 변동량과 5월, 6월, …, 11월, 12월 일사량 가중치를 통해 예측일이 속한 연도의 월별 운량에 대한 전력수요 민감도가 산출된다. 예측일이 속한 연도 4월 이후의 운량에 대한 전력수요 민감도는 식(4)를 통해 산출된다.

여기서, $Un_{-}C_{y,\:4,\:p}$는 $y$년 4월 $p$구간의 단위 운량 당 전력수요 변동량, $Weight_{m}$은 $m$월의 일사량 가중치이며 $m= 5,\: 6,\:\cdots ,\: 11,\: 12$이다. $CLSR_{y,\:m,\:p}$은 $m$월의 일사량 가중치를 적용한 $y$년 $m$월 $p$구간의 운량에 대한 전력수요 민감도이다.