기호 정의

1. 서 론

최근 기후온난화로 인한 다양한 이상기상 현상이 발생함에 따라 온실가스 감축노력의 일환으로 전 세계적인 신재생에너지에 대한 투자가 늘어나고 있다. 우리나라 신재생에너지 발전설비의 경우, 총 누적 설비용량이 2007년 5,400MW에서 2017년 15,703MW로 10년간 191% 증가하였으며, 같은 기간 중 풍력은 492%, 태양광은 7,104% 각각 증가하였다⁽¹⁾.

태양광 발전설비의 경우 가장 중요한 부품인 태양광 모듈 가격이 지속적으로 하락하고 있으며, 정한경(2013)에 따르면 국내 사업용 태양광 발전설비 초기투자비용이 2002년 18,709원/w에서 2030년 2,091원/w까지 하락할 것으로 전망되며⁽²⁾, 정부 역시 2030년까지 재생에너지 발전비중을 총 발전량의 20% 수준으로 정하고, 태양광 설비를 36.5GW까지 보급할 목표를 수립하였다⁽³⁾. 또한 국내 태양광 발전설비 설치규모가 증가함에 따라 전력거래소가 운영하는 도매전력시장에 참여하고 있는 대규모 태양광 발전설비용량도 2004년 0.2MW에서 2018년 2,626MW로 그 규모가 계속 늘어나고 있다⁽⁴⁾.

이와 같은 태양광 발전설비를 중심으로 하는 신재생에너지 설비의 증가현상은 향후 우리나라 실시간 전력계통 운영에 큰 영향을 미칠 것으로 예상된다. 대부분의 풍력과 태양광과 같은 자연에너지를 사용하는 신재생에너지 발전설비의 경우, 출력을 중앙전력관제센터에서 제어할 수 없는 비중앙 발전설비로서, 현 전력시장에서는 이러한 비중앙 발전설비로부터의 발전량을 모두 인정해주고 시장가격에 따라 정산해주는 형태를 취하고 있다. 또한 비중앙 신재생발전설비의 발전예상량을 다음 날의 가격 및 운영발전계획에 반영하기 위하여 최근 7일간 동시간대의 발전량 또는 거래량의 평균값을 지역별 구분하여 발전계획에 반영하는 형태로 처리하고 있다⁽⁵⁾.

하지만 풍력과 태양광과 같은 자연에너지를 사용하는 발전설비의 경우, 풍향과 풍속, 일사량과 일조시간 등 기상요소 변화에 따라 발전출력이 변동하므로 현재의 발전계획 적용방식으로는 날씨변화에 따른 발전량 예측오차를 피할 수 없다. 이중 태양광 발전설비의 경우 타 신재생발전설비에 비하여 설치가 용이하고 지속적으로 태양광 패널의 가격이 하락하고 있어 이에 따른 설비용량이 급격하게 증가하고 있다. 이러한 태양광 발전설비의 급격한 증가는 하늘상태 변화에 따른 태양광 발전량 변화규모가 증가하는 것으로 나타나게 되어, 이로 인한 전력시장에서의 가격 및 운영발전계획의 불확실성 증가 및 추가적인 운영예비력 확보 필요, 타 발전설비의 제약발전량/제약비발전량 증가 등을 피할 수 없게 된다. 이러한 추가적인 제약은 전력시장과 전력계통 운영에 대하여 안정성 및 경제성 하락으로 나타나게 되어 이에 대한 선제적 대응이 필요하다.

본 논문에서는 비중앙 발전설비로 전력시장에 참여하고 있는 태양광 발전설비 예측을 위하여 기존의 실험을 통하여 제안된 물리모형을 실제 자료에 기반을 둔 물리모형으로 변환하고 다양한 통계모형과 예측력을 비교하여 대한민국 계통운영자 입장에서의 적절한 형태로 제시하고자 한다. 대부분의 기존 연구는 단일 태양광발전패널 또는 일정지역의 발전기에 국한됨에 따라 보다 전국단위의 계통운영자에게 적합하도록 모형을 재구성하여 제시하고자 하였다.

본 논문 중 2장에서는 태양광예측모형 관련 기존 방법론에 대하여 개략적으로 살펴보았으며, 3장에서는 전력거래소에 계량되고 있는 시장참여 태양광발전기 자료에 기반을 둔 출력모형을 제시하고 이에 대한 예측력에 대하여 비교·검토하였다. 마지막으로 4장에서 본 연구에 대한 종합의견과 향후 추가연구가 필요한 부문에 대하여 의견을 제시하였다.

2. 관련 선행연구

태양광 발전량 예측방법은 연구자에 따라 다양한 형태로 분류가 가능한데, 배성우(2018)는 이러한 방법론을 일사량 예측을 통한 간접 예측방법과 출력 분류를 통한 클러스터링 방법, 과거자료에 기반을 둔 직접예측법 등으로 구분하였다⁽⁶⁾. M. Q. Raza외(2016)에서는 예측기법을 persistence/naive method, physical approach, statistical approaches, new techniques, hybrid structures로 구분하였으며⁽⁷⁾, U. K. Das외(2018)는 과거자료 기반으로 하는 예측기법 대상으로 persistence method, statistical approaches, machine learning approaches, hybrid technologies로 나누었다⁽⁸⁾.

이러한 분류에 대한 연구를 전반적으로 검토해보면 기존 연구에서 예측방법론으로 제시한 방법론 중 간접 예측방법과 physical approach는 물리모형으로 정의할 수 있다. 이 방법론은 이미 정해져있는 태양광패널 사양에 따른 정격효율을 일사량 예측치에 반영하는 형태로 구성되며, 따라서 주요 방법론이 기상예보에 중심을 두는 형태로 나타난다. 또한 물리모형에서 중요한 parameter인 효율계수와 관련하여 W. Zhou(2007)은 기존의 제조사 사양에 따른 효율이 아닌 실험 자료를 토대로 한 태양광 모듈 또는 패널별 효율계수 모형을 구축하고 이를 통하여 계수추정을 하는 연구를 수행하였다⁽⁹⁾. 이와 같은 물리모형에서 사용되는 효율계수는 표준실험환경 하에서의 태양광패널 출력커브(I-V커브 등)에 기반을 둔 특성계수를 기반으로 하며, 예측방법론은 이러한 결정된 출력모형에 기상예보를 결합시키는 방법을 사용한다. 따라서 별도의 효율계수를 추정하지 않는다 하더라도 설비제조사에서 제시하는 자료가 존재한다면 새롭게 설치되는 신규설비에 대해서도 적용 가능하므로 실제 business 환경에서 많이 사용되는 장점이 있다. 또한 타 모형과 달리 공학적 특성을 갖는 태양광 설비 관련 이론들에 기반을 둔 모형이므로 기상자료 및 효율계수에 대한 적정한 정확도만 담보된다면 가장 이상적인 모형이라고 할 수 있다. 이러한 물리모형의 정확도는 기존 연구 중 G. Graditi외(2016)에 따르면 RMSE/A기준 연간오차로 7.64～13.22% 수준을 언급하고 있으며⁽¹⁰⁾, E. Ogliari외(2017) 연구결과에서는 별도로 구성된 물리모형의 NMAE기준 하루 전 예측오차로 8.56% 및 9.05% 수준을 제시하였다⁽¹¹⁾.

또 다른 방법론인 persistence/naive method는 전일의 실적을 당일의 예측치로 사용하는 방법으로 상당히 많은 연구에서 reference 모형으로 사용되는데, 이모형은 사실 statistical models 중 AR 모델의 특별한 케이스로 볼 수 있다. 대부분의 연구에서 persistence 모형의 예측력은 상대적으로 낮게 나타나며, L. A. Fernandez-Jimenez외(2012)에서는 nRMSE 기준 21.18%로⁽¹²⁾, C. Monteiro외(2013)에서는 nRMSE 기준 15.91%⁽¹³⁾, Y. Zhang외(2015)에서는 nRMSE 기준 12.55～14.49%, nMAE 기준 8.98～10.60%를⁽¹⁴⁾, J. R. Trapero외(2015)에서는 rRMSE 기준 83.65% 및 94.58%⁽¹⁵⁾ 등으로 나타났다.

유사일-클러스터링 방식은 예측된 기상요소와 유사한 기간의 태양광 출력을 활용하기 위한 방법으로 유사기간을 찾기 위해 다양한 클러스터링 기법을 적용하여 예측에 활용하는 연구가 진행되고 있다^(16,28). 클러스터링 방식은 대부분 다른 방식과 연결시켜 사용하는데 최근에는 머신러닝 또는 ANN과 함께 사용되는 경향이 있다. 정확도 부문에서는 R. Azimi외(2016)에서 여러 형태의 K-mean 클러스터링을 이용하여 하루 전 nRMSE 기준 22.15%와 28.91%를 기록하였으며⁽¹⁶⁾, 조현덕 외(2016)에서는 단일 발전기 기준으로 MAPE 기준 17.78%의 오차를 기록하였다⁽¹⁷⁾. 반면 X. Yang외(2017)에서는 유사 운량을 고려할 경우 날씨상태에 따라 다르기는 하나 NMAE기준으로 0.88～4.78%의 오차율을 보여 유사 운량을 고려하지 않을 경우의 2.0～8.62% 대비 정확도를 향상시킬 수 있음을 보였다⁽²⁰⁾.

통계적 방식으로는 크게 회귀분석 및 AR, MA, ARMA, ARX, ARMAX, ARIMA, ARIMAX 등 다양한 시계열 기반 방식이 연구되고 있으며, 이러한 모형은 주로 경험식을 이용하거나 새로운 형태의 모형을 구축하는 연구가 주류를 이루고 있다^(29,40). 통계적 방식을 방법론도 다수이며, 물리모형을 제외한 대부분의 전통적인 접근방식이므로 예측정확도에 대한 결과도 다양하다. E. Kardakos외(2013)에서는 ANN과 persistence 모형, SARIMA 모형간의 정확도를 비교하였으며, 검토결과 외생변수를 고려한 SARIMA의 연간 nRMSE가 11.12%로 가장 낮게 나타났다⁽³⁵⁾. M. Bouzerdoum외(2013)에서는 Hybrid모델의 한 부분으로 SARIMA를 사용하였으며 모형오차는 nRMSE 기준으로 9.57%로 나타났다⁽³⁶⁾. 또한 Y. Li외(2014)에서는 다양한 시계열 모형의 예측력을 MAPE 기준 82.69～127.05%으로 나타냈으며, 이중 ARMAX가 MAPE 기준 in-sample에서는 38.88%, out-of-sample에서는 82.69%로 시계열모형 중 가장 예측력이 좋은 것으로 나타났다⁽³⁷⁾.

머신러닝은 최근 각광을 받고 있는 연구방식으로 ANN 또는 Support Vector Regression 등을 기반으로 다양한 모형들이 개발되고 있으며 기존의 통계적 방식과 융합되어 hybrid 형태로 연구되고 있다^(41,51). 이강혁 외(2016)에서는 SVR을 예측에 활용하였으며 운량에 따라서 MAPE기준 14.9～45.9%의 예측오차를 기록하였다⁽⁴¹⁾. A. Mellit외(2010)에서는 ANN 기법을 이용하여 맑은 날 기준으로 RMSE 32.98～75.40%를 기록하였다⁽⁴⁵⁾. H. T. Yang외(2014)에서는 ANN과 SVR의 hybrid 모형을 제시하였으며 MRE 기준으로 3.295%로 5.412%의 ANN과 4.017%의 SVR보다 우수한 것으로 나타났다⁽⁴⁸⁾. W. Zhang외(2018)에서는 다양한 형태의 ANN을 조합·이용하여 계절별로 NMAPE 기준 2.43～9.12%의 오차를 나타났다⁽⁵¹⁾.

3. 태양광 출력모형

4. 결 론

본 연구에서는 회귀식에 기반을 둔 다양한 형태의 태양광 예측모형에 대한 정확도 비교와 예측력에 기반을 둔 지역별 대표기상지점에 대하여 제시하였다.

연구결과에 따르면 예측정확도 측면에서 I-V커브에 기반을 둔 물리모형이 비교모형인 persistence 모형 대비 NMAE기준 수도권의 경우 3.05%p 오차율이 우수하게 나타났으며 다른 통계모형에 대비 비하여도 수도권 기준 0.04%p 정도 우수하게 나타나는 등 전반적으로 물리모형의 예측정확도가 높게 나타났다. 이를 통하여 개별 태양광 패널 대상이 아닌 일반적인 상황에서도 태양광 소자관련 이론과 실험기반의 물리모형이 충분히 활용가능하다는 결론에 도달할 수 있었다.

지금까지 많은 기존 연구가 단일 발전설비에 기반을 두고 있어, 상세한 패널별 모형설정에 용이하고 개별 사업자 측면에서 활용도가 높은데 반하여 전체 계통을 운영해야하는 계통운영자 측면에서 효과적으로 사용할 수 있는 모형에 대한 제시가 제한적인 면이 있었다. 특히 전국에 광범위하게 분포되어 있는 태양광 설비에 대하여 정확한 위치정보가 아직 갖추어지지 않아 이러한 기존 연구를 실 계통상황에서 반영하기 위해서는 선결 작업들이 필요하다. 본 연구는 우리나라 전체 발전기 운영계획 수립에 대한 의무를 가지고 있는 계통운영자 측면에서 태양광 발전설비에 대한 위치 및 제원 등 상세 정보가 미비한 현실에서 사용가능한 대응방안을 제시하여 실질적인 계통운영의 안정성과 효율성 제고에 이바지할 수 있는 점에서 차별점과 기여점이 존재한다.

또한 실험환경에서 벗어난 실제 운영환경 하에서는 공학적 이론기반의 물리모형보다는 실제 통계자료에 기반을 둔 보다 간단한 형태의 통계모형이 보다 적합하다는 의견이 대다수인 점에 대하여 비록 물리모형이라도 이를 실제 자료에 기반을 두도록 수정할 경우 충분히 통계모형 이상의 예측력 담보가 가능하다는 점을 우리나라 전력시장에 참여하고 있는 태양광설비의 실거래 자료를 통하여 보여주었다는데 기여점이 존재한다.

다만 본 연구에서는 기상변수의 측정지점으로 행정구역 중심지를 사용하고 있어, 일반적으로 토지구입비용이 저렴한 도시외곽에 주로 분포되는 상업용 태양광설비 특성을 고려하지 않았으며, 태양광설비 설치지역과 기상측정지점 간의 공간차이를 보정하기 위하여 제시한 기상자료의 smoothing 방법이 너무 단순한 형태로 제시되었다. 또한 복잡한 형태의 비선형식을 선형화하는 과정에서 오차가 발생할 가능성이 있으므로 이에 대한 상세 검토도 필요하다.

향후 본 연구의 확장을 위해서는 다양한 지역자료의 활용 및 일사량과 패널온도 외에 다양한 기상요소를 모형에 반영할 필요가 있다. 또한 ESS 보급에 따른 태양광출력 패턴변화에 대한 연구도 고려할만하다. 마지막으로 거래소에서 계량되지 않고 있는 BTM(Behind The Meter)에 대한 모형구축 방안도 향후 과제로 제시하고자 한다. 특히 본 연구는 태양광 발전량 예측모형의 전반적인 정확도 비교에 기반하고 있어 계절별, 시간대별, 기상조건별로 모형간의 정확도가 다른 형태로 나타날 가능성도 있어 이를 고려한 조건별 모형적합도 판단 및 반영 등도 차기연구에 고려하고자 한다.