2.1 소규모 태양광 발전이 전력수요에 미치는 영향
전력시장에 참여하여 실시간으로 전력계통 운영자에게 관제되는 발전기의 발전량을 합쳐서 산출된 전력수요는 시스템 전력수요이다[5]. 시스템 전력수요에 한국전력 PPA (Power Purchase Agreement), BTM (Behind-the-Meter) 태양광 등 소규모
태양광의 발전량을 합산하여 산출한 전력수요는 총전력수요이다. 본 논문에서 최저 전력수요는 봄철, 가을철의 일요일 또는 특수일에 발생하는 시스템 전력수요의
최저값이다. 봄철에는 4월, 5월의 일요일에 발생하며 가을철에는 추석 연휴가 포함된 9월, 10월에 최저전력수요가 발생하고 특수일을 제외한 경우 10월의
일요일에 발생한다. 신재생 발전원의 보급률이 낮았던 과거에는 최저 전력수요가 새벽 4시경에 발생하였으나, 전력시장에 참여하지 않는 한전 PPA 태양광,
BTM 태양광의 발전량이 증가하면서 시스템 전력수요가 감소하여 최근에는 태양광 발전량이 가장 높은 13시에 최저 전력수요가 발생하고 있다. Fig. 1은 봄과 가을의 최저 전력수요의 변화이다.
Fig. 1. Changes in minimum electric power load patterns in Spring and Autumn
봄철과 가을철 전력수요가 낮고 소규모 태양광 발전량이 높은 날의 낮 시간대에 최저 전력수요가 발생하면 전력수급 균형을 유지하기 위해 출력을 유연하게
조정 가능한 석탄·LNG 발전이 없는 경우 원자력발전 출력감발, 태양광발전 출력제어 등의 수행이 필요하다. 계통운영 측면에서의 조치를 최소화하기 위해서는
수개월 이전에 중기 최저 전력수요예측을 통해 최저 전력수요가 발생하는 시기에 대한 합리적인 전력계통 운영방안을 수립해야 하며, 해당 시기에 근접했을
때에는 정밀한 단기 전력수요예측을 통해 최소한의 계통운영 조치를 수행해야 한다. 따라서, 봄과 가을에 대한 선제적인 전력계통 운영방안을 수립하기 위해
활용할 수 있는 향후 12개월 최저 전력수요예측 기법을 제안한다.
2.2 기본 전력수요 산정
전력수요는 계절적 특징을 가지고 있으며, 중장기적으로 사회, 경제적인 요인과 상관관계를 갖고 있다. 봄과 가을의 전력수요는 기온의 영향이 적으며,
일사량 또는 운량과의 상관관계가 높은 태양광 발전기의 영향으로 인해 전력수요가 변동한다. 제안 예측 기법에서는 중기 최저 전력수요를 예측하기 위해
기본 전력수요를 이용한다. 기본 전력수요는 전력수요에 영향을 미치는 국내총생산, 계절, 기상, 요일 및 사회적 특성 등 여러 요인 중 국내총생산의
성장분에 따른 전력수요의 변동량을 반영하고 기온의 영향으로 작동하는 냉·난방부하의 변동량, 소규모 태양광발전의 수요 감축효과를 제거한 전력수요이다[6]. Fig. 2는 월별 기본 전력수요의 산정 절차이다.
Fig. 2. Calculation process for basic electricity load demand per month
한전 PPA, BTM 태양광 등 소규모 태양광발전의 발전량을 시스템 전력수요와 합산하여 총전력수요를 산출한다. 기본 전력수요 산정 시 사회적 이벤트,
기상적 요인의 영향 등을 제외하기 위하여 4월과 10월의 특수일, 토요일, 일요일을 제외한 평일 데이터를 추출한다. 그리고 월별로 시간대별 기온의
정규분포에서 신뢰도 68.3% 이내에 포함되는 일자의 전력수요를 시간대별로 평균하여 4월과 10월의 기본 전력수요를 산출한다. 그리고 스플라인 보간법을
이용하여 나머지 월의 24시간 기본 전력수요를 산출한다. Fig. 3은 13시의 월별 기본 전력수요와 월별 평균 전력수요이다.
Fig. 3. Monthly basic load and monthly average load at 13:00
최저 전력수요가 발생하는 시간대는 태양광발전의 이용률이 가장 높은 13시이므로, 본 논문에서는 중기 최저 전력수요를 예측하기 위해 13시의 기본 전력수요를
이용한다. Fig. 3과 같이 13시의 월별 기본 전력수요와 월별 GDP는 모두 증가하는 추세이며, 두 인자는 0.9489로 높은 상관관계를 갖는다. 이때, 2020년
3월 22일부터 2022년 4월 17일은 코로나19에 따른 사회적 거리두기 시행으로 13시의 전력수요 패턴 변화가 발생하여, 해당 기간의 영향권에
포함된 기본 전력수요는 2015년부터 2019년의 월별 기본 전력수요와 월별 GDP를 선형회귀 분석을 통해 추정한 값으로 보정한다. Fig. 4는 13시의 기본 전력수요와 보정된 기본 전력수요이다.
Fig. 4. Basic load and corrected basic load at 13:00
2.3 소규모 태양광 발전설비 분석
소규모 태양광 발전설비는 한전 PPA 태양광 발전설비와 자가용 발전설비인 BTM 태양광 발전설비이며, 전력시장에 참여하지 않기 때문에 소규모 태양광
발전의 발전량은 시스템 전력수요를 감소시킨다. Fig. 5는 소규모 태양광 발전설비의 증가 추이이다[7].
Fig. 5. Increasing trend of small-scale solar power generation facilities[7]
정부의 재생에너지 보급 확산 정책으로 태양광발전 설비는 2015년 1,624MW 대비 2022년 18,558MW로 약 11.4배 수준으로 급격하게
증가하였다. 이에 따라 소규모 태양광발전이 전력시장에 참여하는 발전기의 발전량을 감소시키며 시스템 전력수요를 감소시키는 영향은 증가하고 있다. 소규모
태양광 발전설비는 일사량이 높은 13시경에 이용률이 가장 높으며, 해당 시간대에 전력시장의 수요를 감소시켜서 최저 전력수요를 발생시킨다. Fig. 6은 월별 태양광 발전설비의 이용률(13시)이다.
Fig. 6. Monthly utilization rate of solar power generation facilities(13:00)
태양광 발전설비의 이용률은 모든 계절에서 변동성이 크게 나타나며, 봄철(3∼5월)과 가을철(9∼11월)의 이용률은 평균적으로 약 60%, 약 50%
수준으로 여름철과 겨울철보다 높게 나타난다. 일반적으로 단기 태양광 발전량 예측 시에는 전운량, 강수량 등 기상예보를 이용한다. 하지만, 중장기 예측
시 3개월 이내에 대한 기상전망이 있지만 불확실성이 높으며 3개월 이후 기상예보가 부재하므로 과거 태양광의 이용률 데이터를 통계적으로 분석하여 미래의
태양광 발전량 산정 시 이용한다. 최저 전력수요가 발생하는 날은 태양광 발전설비의 이용률이 극단값에 근접할 경우 발생하므로 통계적으로 발생가능한 이용률
채택이 필요하다. 태양광 발전설비의 이용률 데이터에 대한 정규성 검사를 샤피로 윌크 검정(Shapiro-Wilk test)[8]을 사용하여 실시한 결과, p-value가 0.01 미만으로 나타났다. 이는 데이터가 정규분포를 따르지 않음을 의미한다. 따라서, 데이터의 분포 형태와
관계없이 극단적인 값을 포함하기 위하여 상위 10% 값을 선택하는 방식을 채택했다. 구체적으로 최근 5년간 동일한 월에 해당하는 이용률 데이터 중에서
상위 10%에 해당하는 값을 사용한다. Fig. 7은 최근 5년간 이용률 중 상위 10%에 해당하는 값과 최저 전력수요가 발생한 날의 이용률 비교이다.
Fig. 7. The comparison of the value corresponding to the top 10% of he utilization
rates over the past 5 years and the utilization rate on the day when the minimum load
occurred
채택한 이용률이 통계적으로 타당한지 검정하기 위해 비모수 검정 방법인 윌콕슨 순위합 검정(Wilcoxon rank sum test)[9]을 수행하였다. 그 결과, p-value가 0.5476으로 귀무가설인 ‘상위 10%에 해당하는 값과 실적값과의 차이가 없다’를 기각할 수 없어 상위
10%에 해당하는 값과 실적값이 통계적으로 차이가 없음을 확인하였다.
2.4 중기 최저 전력수요예측 기법
연중 최저 전력수요는 명절 연휴기간 등 특수일에 발생하며, 특수일을 제외하면 경부하기인 봄철과 가을철의 일요일에 태양광발전의 이용률이 가장 높은 13시경에
발생한다. Fig. 8은 중기 최저 전력수요예측 절차다.
Fig. 8. Calculation process for mid-term minimum load forecasting
중기 최저 전력수요예측 기법은 기본 전력수요예측 프로세스와 소규모 태양광발전량 예측 프로세스로 구분하여 예측을 진행하고 최종적으로 예측된 결과를 이용하여
최저 전력수요를 예측한다.
식 (1)은 미래의 기본 전력수요를 예측하기 위한 선형회귀 모델로 종속변수는 월별 기본 전력수요, 독립변수는 월별 GDP로 구성되며 과거의 월별 기본 전력수요와
월별 GDP를 이용하여 월별 기본 전력수요를 산출한다.
여기서, $x_{y,\: m}^{basic}$는 $y$년 $m$월의 기본 전력수요, $x_{GDP,\: y,\: m}$은 $y$년 $m$월의 월간
GDP, $\epsilon_{y,\: m}$는 오차항, $\beta_{0}$는 상수항, $\beta_{1}$는 회귀계수이다.
과거 데이터는 실험을 통해 예측정확도가 가장 높았던 과거 5개년 데이터를 이용한다.
식 (2)는 과거 월별 기본 전력수요와 해당 월의 일요일 전력수요와의 상대계수를 추정하는 방법이다.
여기서, $C_{y,\: m}$는 $y$년 $m$월의 상대계수, $n$은 $m$월의 마지막 주차, $y_{k,\: m,\: w}$는 $k$년 $m$월
$w$주차의 일요일 전력수요이다. $x_{k,\: m}^{basic}$는 식 (1)을 이용하여 추정된 $k$년 $m$월의 기본 전력수요이다.
상대계수법은 전력수요 사이의 비율을 이용해 전력수요를 예측하는 방법으로 데이터가 부족한 경우에 효과적으로 전력수요를 예측할 수 있으며 일반적으로 주말
또는 휴일의 전력수요를 예측하기 위해 적용된다[10]. 따라서, 기본 전력수요로부터 일요일의 전력수요를 산정하기 위한 방법으로 상대계수법을 이용하며 상대계수는 월별 기본전력수요와 해당 월의 일요일의
전력수요 값들과의 비율을 이용해 추정된다. 상대계수를 추정하기 위해서 많은 과거 데이터를 이용하면 오래된 데이터의 사용으로 예측 오차가 증가할 수
있으며, 적은 과거 데이터가 사용되는 경우 데이터의 변동성이 커서 큰 오차가 발생할 가능성이 있다. 이러한 이유로 상대계수를 추정하기 위해서 과거
5개년의 월별 기본 전력수요와 해당 월의 일요일의 전력수요 값들을 이용한다. 식 (3)은 추정된 월별 기본 전력수요로부터 해당 월의 일요일 전력수요를 산정하기 위한 방법으로, 식 (1)에서 산출한 월별 기본 전력수요와 식 (2)에서 추정된 상대계수를 이용하여 산정한다.
여기서, $\hat{y}_{y,\: m}^{sun}$는 예측된 $y$년 $m$월 기본 전력수요로부터 산정한 $y$년 $m$월의 일요일의 전력수요이다.
$\hat{x}_{y,\: m}^{basic}$는 $y$년 $m$월 예측된 기본 전력수요이다.
식 (4)는 소규모 태양광 발전량을 예측하기 위한 방법이다.
여기서, $\hat{x}_{y,\: m}^{PV}$는 $y$년 $m$월의 추정된 한전 PPA, BTM 태양광발전의 발전량, $x_{y,\: m}^{c
apac y}$는 $y$년 $m$월의 한전 PPA, BTM 태양광발전의 설비용량, $x_{y,\: m}^{u}$는 $y$년의 직년 5년 $m$월의
시간대별 태양광발전의 이용률의 평균값이다.
소규모 태양광 설비용량 보급 추세에 따른 설비용량과 최근 5년간 시간대별 태양광의 이용률 데이터를 동일한 월별로 정리하고 월별로 상위 10%에 해당하는
값을 이용하여 미래의 태양광 발전량을 예측한다. 식 (5)는 기본 전력수요로부터 산정한 일요일의 전력수요에서 추정된 태양광발전의 발전량을 차감하여 월별 최저전력수요를 예측하는 방법이다.
여기서, $\hat{y}_{y,\: m}^{system}$는 $y$년 $m$월의 예측된 시스템 전력수요이다.