Mobile QR Code QR CODE : Journal of the Korean Institute of Illuminating and Electrical Installation Engineers

Journal of the Korean Institute of Illuminating and Electrical Installation Engineers

ISO Journal TitleJ Korean Inst. IIIum. Electr. Install. Eng.

  1. (Ph.D. course, Dept. of Electrical Engineering, Soongsil University, Korea)
  2. (Ph.D., Dept. of Power Trade & Compliance, KEPCO, Korea)
  3. (Master's course, Dept. of Convergence of Energy Policy and Technology, Soongsil University, Korea)



Basic electric power load, Minimum electric power load forecasting, Relative coefficient method, Small-scale solar power generation

1. 서 론

전력계통의 유지보수와 봄철과 가을철의 수급계획 그리고 안정적인 전력계통 운영을 위해서 정확한 중기 전력수요예측이 필요하다. 우리나라는 연중 최대 전력수요가 발생하는 동·하계 기간에 전력수급 대책을 수립하여 적극적으로 대응해 왔으며, 이를 위해 중기 최대 전력수요예측의 중요성은 강조되어 왔다. 한편, 연중 최저 전력수요가 발생하는 시기에는 전력계통 운영자가 전력수요에 따라 조정이 가능한 석탄·LNG 발전기 등을 최소로 운전하여 전력수급을 안정적으로 유지할 수 있었기 때문에 중기 최저 전력수요예측의 중요성은 상대적으로 주목받지 못했다.

탄소중립과 기후변화 위기에 대응하기 위해 소규모 태양광발전이 급격히 증가하여 산업체의 조업률과 냉난방 부하의 영향이 적은 봄철과 가을철의 일요일 새벽에 발생하던 최저 전력수요가 봄철과 가을철의 연휴 또는 주말의 낮 시간대에 발생하면서 연중 최저 전력수요에 대한 이슈가 주목받고 있다. 봄·가을철에 최저 전력수요가 발생하면 출력조정이 어려운 태양광발전, 원자력발전이 대부분의 발전 비중을 차지하게 되면서 전력수급 균형 유지에 어려움이 발생하기 때문이다. 국내 소규모 태양광발전 총 설비용량은 2023년 기준 28.9GW이며, 소규모 태양광발전에 의한 봄철의 맑은 날과 흐린 날의 시스템 전력수요 변동량은 20.5GW 수준이다[1]. 향후 소규모 태양광발전이 더욱 증가하면 봄철과 가을철에 제어 가능한 발전자원이 부족하여 재생에너지의 출력제어 조치가 증가하고 전력계통의 안정성에도 부정적 영향이 확대될 것으로 전망된다.

정부는 2023년부터 봄철과 가을철의 안정적인 전력수급 관리를 위해 해당 시기에 대한 최저 전력수요 전망을 발표하고 전력수급 대책을 수립하여 대응하고 있다[1-3]. 봄철과 가을철에 대한 체계적인 전력수급 대책 수립을 위해서는 정확한 중기 최저 전력수요예측 기법 개발이 필요한 상황이다. 현재 국내 최저 전력수요예측 연구는 단기 전력수요예측[4]의 일환으로 일부 진행되었으나, 중기 최저 전력수요를 예측하는 연구는 부재한 실정이다. 해외에서도 장기적으로 기저발전을 결정하기 위해 수급계획 수립 시 최저 전력수요예측을 수행하고 있지만 예측 기법에 대한 상세한 사항은 공표하고 있지는 않다.

기본 전력수요와 상대계수법을 이용한 봄과 가을의 중기 최저 전력수요예측 기법을 제안한다. 시스템 전력수요에 소규모 태양광 발전량을 합산한 평일의 총전력수요를 이용하여 GDP의 영향이 포함되고 기온의 영향은 제외된 월별 기본 전력수요를 산정한다. 월별 기본 전력수요와 해당 월의 일요일 전력수요와의 상대계수를 산정한 후 선형회귀를 이용하여 예측한 월별 기본 전력수요에 산정한 상대계수를 적용하여 일요일의 전력수요를 예측한다. 그리고 소규모 태양광발전의 발전량을 예측하기 위해 통계적으로 봄철과 가을철의 이용률을 분석하여 월별 태양광발전의 이용률을 산정한다. 기본 전력수요로부터 산정한 일요일의 전력수요에서 소규모 태양광발전의 설비용량과 태양광발전의 이용률을 이용하여 추정한 월별 발전량을 차감하여 봄과 가을의 최저 전력수요를 예측한다.

2. 기본 전력수요와 상대계수법을 이용한 봄과 가을의 중기 최저 전력수요예측

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

../../Resources/kiiee/JIEIE.2025.39.2.141/fig1.png

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

../../Resources/kiiee/JIEIE.2025.39.2.141/fig2.png

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

../../Resources/kiiee/JIEIE.2025.39.2.141/fig3.png

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

../../Resources/kiiee/JIEIE.2025.39.2.141/fig4.png

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]

../../Resources/kiiee/JIEIE.2025.39.2.141/fig5.png

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)

../../Resources/kiiee/JIEIE.2025.39.2.141/fig6.png

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

../../Resources/kiiee/JIEIE.2025.39.2.141/fig7.png

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

../../Resources/kiiee/JIEIE.2025.39.2.141/fig8.png

중기 최저 전력수요예측 기법은 기본 전력수요예측 프로세스와 소규모 태양광발전량 예측 프로세스로 구분하여 예측을 진행하고 최종적으로 예측된 결과를 이용하여 최저 전력수요를 예측한다.

(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.

(1)
$x_{y,\: m}^{basic}=\beta_{0}+\beta_{1}x_{GDP,\: y,\: m}+\epsilon_{y,\: m}$

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.

(2)는 과거 월별 기본 전력수요와 해당 월의 일요일 전력수요와의 상대계수를 추정하는 방법이다.

(2)
$C_{y,\: m}=\dfrac{1}{5}\sum_{k=y-4}^{y}(\dfrac{1}{n}(\sum_{w=1}^{n}\dfrac{y_{k,\: m,\: w}}{x_{k,\: m}^{basic}}))$

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.

(3)
$\hat{y}_{y,\: m}^{sun}=\hat{x}_{y,\: m}^{basic}\times C_{y,\: m}$

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.

(4)는 소규모 태양광 발전량을 예측하기 위한 방법이다.

(4)
$\hat{x}_{y,\: m}^{PV}=x_{y,\: m}^{c apac y}\times x_{y,\: m}^{u}$

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.

(5)
$\hat{y}_{y,\: m}^{system}=\hat{y}_{y,\: m}^{sun}-\hat{x}_{y,\: m}^{PV}$

여기서, $\hat{y}_{y,\: m}^{system}$는 $y$년 $m$월의 예측된 시스템 전력수요이다.

3. 사례연구

정확한 봄철과 가을철의 최저 전력수요예측을 위해 기본 전력수요를 기반으로 한 최저 전력수요예측 기법을 이용하여 2021년부터 2023년까지의 기간을 대상으로 최저 전력수요를 예측한다. 기본 전력수요를 학습하기 위해서 과거 월별 GDP를 이용하였으며, 예측을 위해서는 매년 5월과 11월에 발표하는 한국개발연구원(KDI)의 경제전망을 활용하여 산출한 GDP 데이터를 이용하였다. 태양광 발전량 추정을 위해서는 한전 PPA, BTM 설비용량 데이터와 한전 PPA 태양광발전의 시간대별 이용률 데이터를 이용하였다. 예측 수행시점은 매년 1월과 7월이며, 예측 수행 시점으로부터 가까운 봄과 가을의 최저전력수요를 예측한다. Fig. 9는 최저 전력수요예측 수행시점에 따른 예측 대상기간이다.

Fig. 9. Forecasting period according to the time of minimum load forecasting

../../Resources/kiiee/JIEIE.2025.39.2.141/fig9.png

추석, 추석과 인접한 공휴일 등의 특수일은 조합이 다양하며 특수일 당일 기상상태가 맑은 경우에만 최저 전력수요가 발생하므로 사례연구에서는 특수일을 제외한 날에 대해서 분석한다. 최저 전력수요예측 오차 계산을 위해 식 (6)의 평균 절대 백분율 오차(MAPE, Mean Absolute Percentage Error)를 이용한다.

(6)
$MAPE(\%)=\left |\dfrac{Y^{Forecast}-Y^{Actual}}{Y^{Actual}}\right |\times 100$

여기서, $Y^{Actual}$는 월별 최저 전력수요의 실적값, $Y^{{for}{ec}\ast}$는 월별 최저 전력수요의 예측값이다.

중기 최저 전력수요예측 기법은 선행 연구가 부재하기 때문에 제안된 기법의 성능을 비교하기 위하여 기존에 개발된 LSTM을 이용한 동하계 최대 전력수요예측 알고리즘[11]의 입력·출력데이터 세트를 수정하여 봄철과 가을철의 최저 전력수요를 예측한다. 입력변수는 주 변수, 특수주 코드, 주 GDP, 주 기온, 주 평균 일사량, 소규모 태양광 설비용량, 주 최저 전력수요이며, 출력 데이터는 주 최저전력수요로 하는 모델을 구성한다. 여기에서 주 기온은 평균기온, 최저기온, 최고기온을 이용한 모델을 각각 구성하여 제안된 기법과의 성능을 비교한다. 제안된 방법에 대해 2021년부터 2023년까지 봄철과 가을철의 최저 전력수요의 평균 절대 백분율 오차를 Table 1에 제시한다.

Table 1. Performance of minimum electric load forecasting methods

예측시점

예측

대상

LSTM 예측모형[11]

제안 기법

평균기온모델

최저기온모델

최고기온모델

21년 7월

21년 가을

2.64%

5.39%

4.66%

1.56%

22년 봄

2.05%

3.89%

3.47%

2.25%

22년 1월

22년 봄

1.46%

3.61%

4.97%

0.17%

22년 가을

3.04%

0.77%

2.02%

6.16%

22년 7월

22년 가을

3.55%

1.20%

6.96%

6.79%

23년 봄

3.65%

4.84%

5.11%

1.04%

23년 1월

23년 봄

6.98%

6.74%

8.95%

0.78%

23년 가을

3.39%

10.57%

4.62%

5.73%

평균

3.34%

4.63%

5.10%

3.06%

표준편차

1.55%

2.93%

1.96%

2.53%

제안된 방법은 평균 절대 백분율 오차로 평균 3.06%으로 비교 모델인 LSTM 예측 모형에 비해 높은 예측정확도를 보였다. 특히, 제안한 방법은 봄철에 대해서 우수한 성능을 보여주었다. 정부[2]에서 공식적으로 2023년 3월에 전망한 봄철의 최저 전력수요 전망값의 예측 오차율은 2.14%로 나타났으며, 동일 기간에 대해 본 논문에서 제안한 방법은 예측 오차율이 0.78%로 1.36%p 높은 예측 정확도를 보였다. 한편, 가을철의 경우, 2021년에는 예측 오차율이 1.56%로 나타났으나 2022년 이후부터 예측 오차율이 5% 이상으로 봄철 대비 상대적으로 크게 나타났다. 가을철의 최저 전력수요는 음력 공휴일인 추석의 위치에 따라 10월의 일요일 최저 전력수요에 다양한 영향을 미치기 때문에 예측 오차가 크게 발생한 것으로 판단된다.

4. 결 론

봄철과 가을철 수급계획 그리고 안정적인 전력계통 운영을 위해 봄철과 가을철의 최저 전력수요예측은 중요하며, 기본 전력수요와 상대계수법을 이용한 봄과 가을의 최저 전력수요예측 기법을 제안하였다. 제안된 기법에서는 GDP의 영향이 포함되고 기온의 영향은 제외된 월별 기본 전력수요를 산정하고, 월별 GDP와의 관계를 이용하여 봄철과 가을철의 월별 기본 전력수요를 예측하였다. 그리고 상대계수법을 이용하여 봄철과 가을철의 일요일의 전력수요를 추정하고, 소규모 태양광 발전설비의 영향을 반영하여 최저 전력수요를 예측하였다. 사례연구에서 제안된 기법은 봄철에 특히 우수한 예측성능을 보였으며 정부의 전망값보다 높은 예측정확도를 보였다.

본 논문에서 제안한 기법은 봄철, 가을철 등 경부하 기간에 최저 전력수요를 예측하여 원전 정비계획, 양수발전 펌핑 계획, 운영 예비력, 플러스 DR 확보 등 선제적인 전력수급 대책 수립을 위한 기초자료를 제공할 수 있으며, 이를 통해 태양광 출력제어량을 최소화하고 안정적인 전력계통 운영에 기여할 수 있을 것으로 기대한다. 향후 추석, 추석과 인접한 공휴일 등 특수일에 대한 영향을 체계적으로 분석하여 반영하면 가을철의 최저 전력수요예측 정확도를 개선시킬 수 있을 것으로 예상한다.

Acknowledgement

본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구 과제임(No. RS-2024-0039 8166).

References

1 
Ministry of Trade, industry and Energy, “Springtime’s minimum electricity demand expected to renew, thorough response to increasing volatility,” 2024.URL
2 
Ministry of Trade, industry and Energy, “Promoting preemptive measures to manage stable power supply and demand in Spring,” 2023.URL
3 
Ministry of Trade, industry and Energy, “Establishment of measures to stabilize the power system in the Fall,” 2023.URL
4 
Korea Power Exchange, “A Study on Short-term Load Forecasting Technique and its Application,” 2011.URL
5 
Ministry of Trade, Industry and Energy, “The 10th basic plan for long-term electricity supply and demand,” 2023.URL
6 
S. W. Jo, et al., “Sensitivity analysis of temperature on special day electricity demand in Jeju Island,” The Trans. of KIEE, vol. 67, no. 8, pp. 1019-1023, 2018.DOI
7 
Korea Power Exchange, “Annual electricity load forecasting with the volatility of photovoltaic power generation,” 2023.URL
8 
S. S. Shapiro, “An analysis of variance test for normality,” Biometrika, vol. 52, no. 3, pp. 591-611, 1965.URL
9 
F. Wilcoxon, “Individual comparisons by ranking methods,” Biometrics Bulletin, vol. 1, no. 6, pp. 80-83, 1945.URL
10 
B. S. Kwon, C. H. Moon, and K. B. Song, “Short-term load forecasting algorithm for lunar new year’s holidays using the relative coefficient method,” Journal of KIIEE, vol. 36, no. 6, pp. 9-17, 2022.DOI
11 
B. S. Kwon and K. B. Song, “Mid-term load forecasting algorithm for large-scale power systems based on deep learning considering the impact of behind-the-meter solar PV generation,” Journal of Electrical Engineering & Technology, 2024.DOI

Biography

Kyeong-Hwan Kim
../../Resources/kiiee/JIEIE.2025.39.2.141/au1.png

He received his B.S. and M.S. degrees in Electrical Engineering from Soongsil University, Seoul, Korea, in 2016 and 2018, respectively. Currently, he is pursuing Ph.D. degree in Electrical Engineering at Soongsil University, Seoul, Korea. His research interests include load forecasting, power system operation and power system economics.

Bo-Sung Kwon
../../Resources/kiiee/JIEIE.2025.39.2.141/au2.png

He received his B.S. degree in Electrical Engineering from Kongju National University, Cheonan, Korea, in 2018. And he received his Ph.D. degree in Electrical Engineering from Soongsil Univeristy, Seoul, Korea. He is a currently a Senior Manager in Power Trade & Compliance Department at Korea Electric Power Corporation. His research interests include electrical load forecasting, renewable energy forecasting, power trading, power system economics.

Seung-Min Cho
../../Resources/kiiee/JIEIE.2025.39.2.141/au3.png

She received her B.S. degree from the School of Electrical Engineering, Soongsil University, Seoul, South Korea, in 2024. Currently, she is pursuing the master’s degree in Convergence of Energy Policy and Technology at Soongsil University, Seoul, South Korea.

Kyung-Bin Song
../../Resources/kiiee/JIEIE.2025.39.2.141/au4.png

He received his B.S. and M.S. degrees in Electrical Engineering from Yonsei University, Seoul, South 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 at the School of Electrical Engineering, Soongsil University, Seoul, South Korea. His research interests include load forecasting, load modeling, power system operation and power system economics.