배동진
(Dong-Jin Bae)
1iD
권보성
(Bo-Sung Kwon)
2iD
문찬호
(Chan-Ho Moon)
1iD
우수화
(Su-Hwa Woo)
1iD
송경빈
(Kyung-Bin Song)
†iD
-
(Master degree, Dept. of Electrical Engineering, Soongsil University, Korea.)
-
(Ph.D Course, Dept. of Electrical Engineering, Soongsil University, Korea.)
Copyright © The Korean Institute of Illuminating and Electrical Engineers(KIIEE)
Key words
Short-term Load Forecasting, Behind-the-Meter Generation, Reconstituted Load Method
1. 서 론
전력수요예측은 예측기간에 따라서 초단기, 단기, 중기, 장기로 구분되며, 이 중 단기 전력수요예측은 익일의 전력수요예측을 통하여 전력시장가격결정 및
운영발전계획을 위해 사용된다(1). 따라서 경제적이고 안정적인 전력계통 운영을 위하여 정확한 전력수요예측이 필요하다.
최근 기후온난화로 인하여 세계적으로 온실가스 감축노력의 일환으로 신재생에너지에 대한 투자가 늘어나고 있다. 우리나라의 경우 재생에너지 3020 이행계획에
따라 2030년까지 재생에너지 발전설비 용량을 63.8GW까지 보급할 계획을 하고 있고, 이 중 태양광 발전기 보급용량은 36.5GW로 계획되어있다(2).
우리나라 태양광 발전기의 경우 대부분 1MW 이하의 소용량 발전기로써 실시간으로 발전량이 계측되지 않는 BTM(Behind-the-Meter)으로
분류된다. 우리나라 발전단 전력수요는 발전기 출력단자에서 측정하기 때문에 발전량이 계측되지 않는 BTM 발전량은 전력수요를 감소시키는 형태로 나타난다.
BTM 발전량의 증가는 맑은 날과 흐린 날의 전력수요 변동성을 증가시켜 전력수요예측의 불확실성을 높이는 요인 중 하나이다. 재생에너지 보급용량 증가에
따라 BTM 발전량은 계속해서 증가하고 있으며, 이는 전력수요예측에 대한 불확실성을 높이고 있다(3-4).
기존의 전력수요예측기법은 크게 주기적 특성을 이용한 시계열 분석기법과 전력수요와 연관성이 높은 외부 인자를 이용한 통계적 분석기법, 인공지능 기반
예측 기법 등 다양한 기법들이 사용되고 있다(5-7). 전력거래소에서 실제 전력계통 운영을 위한 수요예측 프로그램(KSLF, KPX Short-term Load Forecaster)에서는 전력수요예측을
수행할 때 최대 기온과 최저 기온의 영향을 반영한 지수평활화모델을 사용하여 최대, 최소 전력수요를 예측하고 24시간 전력수요 패턴을 반영하는 방법을
사용한다(1). 이는 기상에 따라 달라지는 BTM 발전량의 영향을 반영하지 못하는 한계가 있다. 따라서 BTM 발전의 영향을 반영하기 위해 수요 재구축 방법을
활용하여 BTM 발전량을 고려한 전력수요예측 알고리즘을 제안한다.
2. BTM 발전을 고려한 전력수요예측
BTM 발전량은 실시간 계량이 되지 않기 때문에 전력수요를 감소시키는 형태로 나타난다. BTM 발전량의 증가로 전력수요 변동성이 증가되고 있고, 이에
따라 국내 계통운영에 사용되는 KSLF의 연도별 전력수요예측 오차가 증가하는 추세인 것을 확인할 수 있다. 연도별 KSLF 평일 전력수요예측 평균
오차는 그림 1과 같다. 이러한 BTM 발전의 영향을 전력수요예측에 반영하기 위해 수요 재구축 방법을 활용하여 BTM 발전을 고려한 전력수요예측을 제안한다.
Fig. 1. The annual MAPE of weekday load forecasting by KSLF
2.1 BTM 발전을 고려한 전력수요예측 국외 사례
온실가스 감축을 위하여 세계적으로 재생에너지 설비용량이 늘어나고 있다. 국외의 경우에도 태양광 발전기 보급용량 증가에 따라 낮 시간 전력수요가 급격히
감소하는 덕커브 현상이 나타나 전력수요예측 오차를 증가시키고 있다(8).
CAISO(California ISO)와 PJM은 단기 전력수요예측 성능 개선을 위하여 BTM을 고려한 3가지 전력수요예측 방법을 사용하였다. 기존
방법의 전력수요 예측값에 BTM 발전량을 이용하여 사후 조정하는 오류 수정(Error Correction) 방법, 과거 BTM 발전량과 전력수요를
더하여 새로운 전력수요 데이터를 생성하여 입력으로 사용하는 수요 재구축(Reconstituted Load) 방법, BTM 발전량을 인공신경망의 입력
인자로 사용하여 직접 예측하는 직접 모델(Model Direct) 방법이 존재한다. 3가지 방법을 각각 적용 시, 모두 이전보다 수요예측 정확도가
향상되었으며, 이 중 수요 재구축 방법이 가장 우수한 성능을 나타내었다(8-10).
2.2 BTM 태양광 발전량 및 설비용량 추정
BTM 발전을 고려한 전력수요예측을 위해 BTM 태양광의 발전량 및 설비용량을 추정한다. 태양광 발전기의 경우 계약 형태에 따라 KPX(Korea
Power Exchange) 태양광 설비, 한전 PPA(Power Purchase Agreement) 태양광 설비, 기타 태양광 설비로 분류할수 있다.
KPX는 생산된 전력을 전력시장에서 거래하는 태양광 설비, 한전 PPA는 생산된 전력을 한국전력공사와 거래하는 태양광 설비, 기타는 KPX와 한전
PPA를 제외한 나머지 태양광 설비를 의미한다(11).
계약 형태에 따른 태양광 설비 분류는 표 1과 같다.
Table 1. The classification of solar PV generators by contract type
|
분류
|
설비용량 취득여부
|
실시간 발전량 취득여부
|
|
KPX
|
o
|
o
|
|
한전 PPA
|
o
|
x
|
|
기타
|
x
|
x
|
BTM 발전기는 실시간으로 발전량이 계량되지 않는 발전기를 의미한다. KPX 태양광 설비는 설비용량 정보가 존재하며, 발전량을 실시간으로 계량하여
전력수요에 반영되기 때문에 BTM 태양광 설비로 분류되지 않는다. 한전 PPA 태양광 설비의 경우 설비용량 정보는 존재하지만, 기타 태양광 설비와
같이 발전량이 실시간으로 계량되지 않아 전력수요를 감소시키는 효과를 가지고 있어 BTM 태양광 설비로 분류한다. BTM 태양광 설비용량 산출 방법은
식 (1)과 같다.
여기서 $SC^{BTM}$은 BTM 태양광 설비용량 추정치, $SC^{PPA}$는 한전 PPA 태양광 설비용량, $SC^{etc}$는 기타 태양광
설비용량 추정치를 의미한다.
BTM 태양광 발전기의 경우 실시간 발전량 데이터가 존재하지 않으며 발전기 효율에 관한 체계적인 정보가 필요한 실정이다. 따라서 BTM 태양광 발전량
추정을 위해 KPX 태양광 발전량 데이터를 이용한다. BTM 태양광 설비의 효율과 KPX 태양광 설비의 효율이 유사하다고 가정하고, BTM 태양광
설비용량과 KPX 태양광의 설비용량 비례식을 이용하여 BTM 태양광 발전량을 추정한다. BTM 태양광 발전량 추정 방법은 식 (2)와 같다.
여기서 $BTMSG_{t}$는 $t$시점의 BTM 태양광 발전량 추정치, $KPXSG_{t}$는 $t$시점의 KPX 태양광 발전량, $SC_{t}^{KPX}$는
KPX 태양광 설비용량을 의미한다.
기타 태양광 설비의 경우 설비용량 정보가 존재하지 않기 때문에 추정이 필요하다. 기타 태양광 설비용량 추정을 위하여 실수요를 이용한다. 실수요란 전력수요에
BTM 태양광 발전량을 더하여 BTM에 의한 전력수요 변동을 제거한 전력수요를 의미한다. 전력수요에 미치는 기온의 영향을 최소화 시킨다면 낮 시간
전력수요 변동의 주 원인은 BTM 발전량으로 가정할 수 있다. 여기에 BTM 발전량을 더하여 BTM의 영향을 제거한다면 전력수요 간 변동성이 최소로
나타난다. 기온이 전력수요에 미치는 영향이 적은 봄, 가을 전력수요를 이용하여 기온에 의한 영향을 최소화 한 후, 기타 태양광 설비용량을 한전 PPA
태양광 설비용량 대비 비율로 설정하여 비율을 변경하며 실수요를 추정한다. 태양광 발전량이 최대로 나타나는 13시의 실수요가 가장 유사해지는 지점의
비율을 기타 태양광 설비용량 비율로 추정한다(12). 13시의 최대 최소 전력수요편차가 가장 작아질 때의 전력수요 곡선과 실수요 곡선은 그림 2와 같으며, 기타 태양광 설비용량 추정 방법은 식 (3)과 같다.
Fig. 2. Load curve and minimum deviation real-load
여기서 $ETC_{Ratio}$는 한전 PPA 태양광 설비용량 대비 기타 태양광 설비용량의 비율을 의미하며 추정치인 0.5를 사용한다.
이를 이용하여 추정된 연도별 태양광 설비용량 추정치은 그림 3과 같다.
Fig. 3. The annual estimation of solar PV capacity by contract type[12]
2.3 BTM 발전량을 고려한 평일 단기 전력 수요예측 알고리즘
태양광 설비용량 보급에 따라 증가하는 BTM 발전량을 전력수요예측에 반영하면 전력수요예측의 정확성을 개선 할 수 있다. 이를 반영하기 위해 수요 재구축
방법을 활용하여 BTM 발전량을 고려한 전력수요예측 알고리즘을 제안한다.
제안하는 전력수요예측 알고리즘에서는 전력수요, 기온, 태양광 설비용량 및 KPX 태양광 발전량 데이터를 이용하여 전력수요예측을 진행한다. 월요일 오전
전력수요의 경우 다른 평일에 비하여 상대적으로 전력수요가 낮기 때문에 화요일부터 금요일까지의 전력수요를 이용하여 예측을 진행한다(1,4).
수요 재구축 방법은 과거 전력수요 데이터에 과거 BTM 태양광 발전량 추정치를 더해 BTM 태양광 발전량의 영향을 제거한 재구축 전력수요 생성한 후,
이를 이용하여 전력수요예측을 진행하고 결과값에 예측일의 BTM 태양광 발전량 예측치를 빼 예측하는 방법이다(8). 수요 재구축 방법을 이용한 전력수요예측 방법은 그림 4와 같고, 제안 알고리즘의 전력수요예측 과정은 그림 5와 같다.
Fig. 4. The process of reconstituted load method
Fig. 5. The load forecasting process
재구축 전력수요 생성 방법은 식 (4)와 같다.
여기서 $RL_{t}$는 $t$시점의 재구축 전력수요, $L_{t}$는 $t$시점의 전력수요, $BTMSG_{t}$는 $t$시점의 BTM 태양광 발전량
추정치를 의미한다.
전력수요는 연도별로 국내 총생산(GDP, Gross Domestic Product)의 영향을 받아 자연적으로 증가한다. 이를 반영하기 위하여 재구축
전력수요를 기본전력수요로 정규화 한다. 기본전력수요로 정규화 된 재구축 전력수요와 시간별 기온의 산점도를 이용하여 단위 기온에 대한 전력수요 민감도를
산출한다(4). 입력데이터로 사용되는 가까운 3일의 재구축 전력수요 데이터를 기온에 대한 전력수요 민감도를 이용하여 예측일과 과거일의 기온차이만큼 재구축 전력수요를
보정한다(4). 기온에 대한 전력수요 민감도를 이용한 재구축 전력수요 보정 방법은 식 (5)와 같다.
여기서 $RL'_{d-i,\:t}$는 기온에 대한 전력수요 민감도를 이용하여 보정된 예측일 $d$일로부터 최근 $i$번 째 과거 입력일 $t$시점의
재구축 전력수요, $RL_{d-i,\:t}$는 예측일 $d$일로부터 가까운 $i$번째 과거 입력일 $t$시점의 재구축 전력수요, $DNTE_{w[d-i],\:p}$는
예측일 $d$일로부터 가까운 $i$번 째 과거 입력일이 포함된 $w$주 $p$구간의 단위 기온에 대한 전력수요 민감도, $\triangle Temp_{i,\:t}$는
예측일 $d$일 $t$시점과 $d$일로부터 최근 $i$번째 과거 입력일 $t$시점의 기온 차이를 의미한다.
예측일과 과거일의 기온 차이만큼 기온에 대한 전력수요 민감도를 이용해 보정된 재구축 전력수요를 지수평활화 모델에 입력한다. 보정된 재구축 전력수요를
이용한 지수평활화 모델은 식 (6)과 같다.
여기서 $\widehat{R L}_{d, t}$는 지수평활화 모델을 이용해 예측된 예측일 $d$일의 $t$시간의 재구축 전력수요, $\alpha$는
지수평활화 계수로 0과 1 사이의 값, $RL'_{d-1,\:t}$ $RL'_{d-2,\:t}$, $RL'_{d-3,\:t}$는 기온에 대한 전력수요
민감도를 이용하여 보정된 예측일로부터 가까운 1, 2, 3번째 과거의 재구축 전력수요를 의미한다.
지수평활화 모델의 결과값에 예측일의 BTM 태양광 발전량을 빼 전력수요를 예측한다. 최종 전력수요예측 방법은 식 (7)과 같다.
여기서 $\overline{\bar{L}}_{d, t}$는 수요 재구축 방법을 이용해 예측한 예측일 $d$일의 $t$시점 전력수요, $\widehat{R
L}_{d, t}$는 지수평활법을 이용해 예측한 $d$일의 $t$시점 재구축 전력수요, $B \widehat{T M S} G_{d, t}$는 예측일
$d$일의 $t$시점 BTM 태양광 발전량 추정치를 의미한다.
3. 사례연구
BTM 발전을 고려한 전력수요예측 방법을 이용하여 평일 단기 전력수요예측을 진행한다. 제안 알고리즘을 검증하기 위해 2019년 중 특수일기간과 특수경부하기간을
제외한 평상일(화-금)에 대해 사례연구를 수행하였다. 사용한 데이터는 수요관리 전 발전단 전력수요와 8개 도시 기온의 가중 평균값을 사용하였고, KPX
태양광 발전량 데이터와 EPSIS 태양광 설비용량을 사용하였다(13-16). 비교 대상으로 기온에 대한 전력수요 민감도만을 적용한 전력수요예측 알고리즘과 실제 전력계통 운영을 위한 수요예측 프로그램인 KSLF를 이용한다.
전력수요예측 오차율을 계산하기 위해 절대평균 백분율 오차(MAPE, Mean Absolute Percentage Error)를 이용하며 식 (8)과 같다.
여기서 $n$은 시점의 개수, $L_{t}^{\text {Measured}}$는 $t$시점의 계측된 전력수요, $L_{t}^{\text {Forecast}}$는
$t$시점의 예측된 전력수요를 의미한다.
BTM의 영향을 고려한 전력수요예측의 정확도 개선을 확인하기 위하여 시간별 오차 및 월별 오차를 분석한다. 사례 1은 BTM 발전을 고려한 전력수요예측알고리즘이고,
사례 2는 기온에 대한 전력수요 민감도를 적용한 전력수요예측 알고리즘이다. 결과적으로 2019년 평일에 대한 연 평균 예측 오차는 사례 1의 경우
1.66%로 사례 2의 오차 2.06% 대비 0.4% 개선되었으며, KSLF의 오차 1.78% 대비 0.12% 개선되었다.
2019년 평일에 대한 시간별 평균 전력수요예측 오차는 그림 6과 같다. 사례 1의 경우 태양광 발전량이 많은 낮 시간의 오차가 감소하는 것을 확인 할 수 있으며 태양광 발전량이 거의 없는 새벽 시간, 밤 시간의
경우 오차가 변화하지 않은 것을 확인할 수 있다.
Fig. 6. The average of hourly MAPE in 2019
2019년 평일에 대한 월별 평균 전력수요예측 오차는 그림 7과 같다. 모든 월에 대해 사례 1의 경우가 사례 2의 경우보다 정확도가 개선되었으며 상대적으로 일사량이 많아 태양광 발전량이 많이 나타나는 4월의
경우 오차가 가장 많이 개선된 것을 확인 할 수 있다.
Fig. 7. The average of monthly MAPE in 2019
기상 변동으로 인해 BTM 발전에 의한 전력수요 변동이 심한 2019년 4월 2주, 3주 평일에 대하여 오차를 분석하였다. 예측일 8일 중 3일은
낮 시간 평균운량이 6미만인 맑은 날로 분류되고, 5일은 평균운량 6 이상인 흐린 날로 분류된다. 2019년 4월 2주, 3주 시간별 평균 전력수요예측
오차는 그림 8과 같다. KSLF의 경우 전력수요 변동성이 큰 날을 입력데이터로 사용하게 되어 KSLF 4월의 평균오차인 1.87%에 비하여 오차가 크게 나타나고
있으며 태양광 발전량이 많은 낮 시간에 오차가 증가하는 것을 확인할 수 있다. 같은 조건에서 사례 1의 경우 오차가 비교적 일정하고 낮게 나타나는
것을 확인할 수 있다.
Fig. 8. The average of hourly MAPE for the $2^{\text {nd }}$ week and $3^{r d}$ week in April 2019
4. 결 론
전력계통의 안정적인 운영을 위해 정확한 전력수요예측은 필수적이다. 재생에너지 3020 이행계획에 따라 재생에너지 발전량 비중이 높아지고 BTM 발전량
또한 증가하여 단기 전력수요예측의 불확실성이 높아지고 있다. 단기 전력수요예측의 정확도를 개선하기 위해 BTM 발전량을 고려한 전력수요예측 알고리즘을
제안하였다. BTM 태양광 발전을 고려하기 위하여 수요 재구축 방법을 활용하였으며, 이를 평일 단기 전력수요예측에 적용하였다.
BTM 발전량을 고려한 전력수요예측 알고리즘의 성능 검증을 위하여 2019년 평상일에 대하여 전력수요예측을 진행하였다. BTM 발전량을 고려한 전력수요예측의
연 평균 예측 오차는 1.66%로 기온에 대한 전력수요 민감도를 적용한 전력수요예측 알고리즘과 KSLF 대비 정확도가 향상되었으며, 태양광 발전량
변동이 심한 날들의 오차가 개선된 것을 확인하였다. 향후 BTM 태양광 발전량의 실시간 계량이 가능하게 된다면, BTM 발전의 영향을 보다 정확하게
반영하여 전력수요예측의 정확도 개선이 가능할 것으로 기대된다.
Acknowledgements
본 연구는 2019년도 산업통상자원부의 재원으로 한국에너지기술평가원(KETEP)의 에너지인력양성사업으로 지원받아 수행한 인력양성 성과입니다.(No.20184010201690)
References
Korea Power Exchange , 2011, A Study on Short-term Load Forecasting Technique and
its Application,
Ministry of Trade Industry and Energy , 2017, Renewable Energy 3020 Implementation
plan
Kim K. H., Jo S. W., Park R. J., Song K., 2017, The Effect of Small Photovoltaic Power
Generations and Illumination Intensity in Short-Term Electric Load Forecasting, in
Proceedings of KIEE, pp. 461-462
Jo S. W., Kwon B., Song K., 2019, Day Ahead 24-Hours Load Forecasting Algorithm Using
Latest Weather Forecasting, The transactions of The Korean Institute of Electrical
Engineers, Vol. 68, No. 3, pp. 416-422
Huang S. J., Shih K. R., 2003, Short-term load forecasting via ARMA model identification
including non-Gaussian process considerations, IEEE Trans. Power Systems, Vol. 18,
No. 2, pp. 673-679
Chakhchoukh Y., Panciatici P., Mili L., 2011, Electric load forecasting based on statistical
robust methods, IEEE Trans. Power Systems, Vol. 26, No. 3, pp. 982-991
Kwon B., Song K., 2020, An Ensemble Forecasting Method of Winter and Summer Peak Load
Using Deep Neural Networks, The transactions of The Korean Institute of Electrical
Engineers, Vol. 69, No. 6, pp. 765-771
Itron , 2017, Improving Short-Term Load Forecasts by Incorporating Solar PV Generation
PJM , 2020, Short-Term Load Forecasting
PJM , 2019, Improving Load Forecasting with Behind-the-Meter Solar Forecasting
Korea Electric Power Corporation , 2020, http://home.kepco.co.kr
Korea Power Exchange , 2019, The Behind-the-Meter Solar Capacity Estimation for 2019
Korea Meterological Administration , 2020, http://www.kma.go.kr
Korea Power Exchange , Aug. 2020, http://www.kpx.or.kr
Electric Power Statistics Information System , 2020, http://epsis.kpx.or.kr
Lim J. H., Kwon O. S., Song K., Lim H. W., Park J. D., 2012, A Study on Representative
Temperature Assessment for Short-Term Load Forecasting, in Proceedings of KIEE, pp.
18-20
Biography
He received his B.S. degree in Electrical Engineering from Soongsil University, Seoul,
Korea, in 2020.
Currently, he is pursuing M.S. degree in Electrical Engineering at Soongsil University,
Seoul, Korea.
E-mail : ehdwls7191@naver.com
He received his B.S. degree in Electrical Engineering from Kongju National University,
Cheonan, Korea, in 2018.
Currently, he is pursuing Ph.D. degree at Soongsil University, Seoul, Korea.
E-mail : bosung1994@naver.com
He received his B.S. degree in Electrical Engineering from Soongsil University, Seoul,
Korea, in 2020.
Currently, he is pursuing M.S. degree in Electrical Engineering at Soongsil University,
Seoul, Korea.
E-mail : mch9293@naver.com
She received her B.S. degree in Electrical Engineering from Soongsil University, Seoul,
Korea, in 2020.
Currently, she is pursuing M.S. degree in Electrical Engineering at Soongsil University,
Seoul, Korea.
E-mail : shiningpon@naver.com
He received his B.S. and M.S. degrees in Electrical Engineering from Yonsei University,
Korea, in 1986 and 1988, respectively.
He received his Ph.D. degree in Electrical Engineering from Texas A&M University,
College Station, Texas in 1995.
He is currently a full Professor in Electrical Engineering at Soongsil University,
Seoul, Korea.
His research interests include load forecasting, load modeling, power system operation
and power system economics.
From 2011 to 2012, he was a full-time lecturer for Electrical Engineering at Seoil
University, Seoul, Korea.
E-mail : kbsong@ssu.ac.kr