3.1 태양광 관련 자료

우리나라에서 설치되고 있는 태양광설비는 계통운영자 측면에서 FTM(Front The Meter)와 BTM(Behind The Meter)로 나누어볼 수 있다. FTM의 경우는 도매전력시장에 참여하고 있는 태양광 발전설비로서 매 시간별 발전현황을 계량설비를 통하여 알 수 있으므로 이를 고려한 계통운영이 가능한 반면 BTM은 실시간 발전현황을 알 수 없는 설비들로 계통운영자 차원에서는 전력수요의 차감형태로 나타나게 된다.

그러나 대부분의 연구는 FTM, 그것도 개별 모듈단위 또는 패널 및 발전기별로 이루어지고 있다. BTM의 경우 그 특성 상 모형구축에 필요한 실적자체가 존재하지 않고 추정 및 가정을 통해 검토가 필요하므로 최근 연구가 진행되고 있다^[46-48]. 본 연구에서는 전력거래소가 개설한 전력시장에 비중앙발전기로 참여하고 있는 태양광 설비를 대상으로 하였다.

검토대상 자료로는 2015년부터 2018년까지 전력거래소에서 계량되고 있는 8개 지역(수도권, 강원, 충북, 충남, 전북, 전남, 경북, 경남)으로 Grouping 된 시간대별 태양광출력 실적자료 및 기상청 기상측정지점별 실적자료를 이용하였다. 2014년 이전의 경우는 상대적으로 전력거래소에 참여하는 태양광규모가 미미하고 자료의 quality도 높지 않아, 본격적으로 대규모 태양광설비가 계량되는 2015년 이후자료만을 연구대상으로 삼았다.

검토결과로 구성된 태양광 출력모형의 예측력 검토를 위하여 예측시점 기준 이전 3년간 자료를 바탕으로 모형을 추정하고 이를 이용하여 익일 24시간에 대한 표본외 예측을 수행하였다.

3.2 기상측정지점 및 자료적용 방안 재검토

3.2.1 기존 연구결과의 한계

김완수외(2019)에서는 B. Marion(2008)이 제시한바 있는 물리모형^[49]을 한국의 전력계통운영자에게 적용 가능한 형태로 수정하기 위하여 다음의 수식(1)을 제시하였다^[50].

또한 모형에 반영하기 위한 기상정보의 경우 태양광설비의 설치지점의 기상자료가 없어, 기상청 기상측정지점과 태양광 설비지점과의 공간격차 보정을 위해 지역별 기상측정지점의 해당시간대(T)와 인근 시간대(T-1, T+1) 기상수치를 동일가중치로 평균하여 반영하였다. 예측력 비교지표로는 nRMSE (Normalized Root Mean Square Error)를 사용하였다.

모형추정 및 예측을 위한 지역별 기상측정지점은 전력거래소에서 활용하고 있는 지역중심지 8개 지점을 사용하였다.

제시된 수식(1)과 시간별 평균기상자료를 이용하여 비교모형인 Persistence 모형과 K. Ding외(2012)의 경험식 모형^[51] 보다 높은 예측정확도를 확보하였다. 다만 경남의 경우는 타지역과 달리 부산의 기상자료를 사용한 예측결과가 비교모형인 persistent 모형보다 정확도가 낮게 나타나 기상관측지점에 대한 재평가가 필요한 것으로 나타났다.

또한 태양광설비지점과 기상관측지점간의 공간격차 보정을 위해 인근 시간대 기상요소의 동일가중 평균치를 사용하는 것은 지역 내 태양광설비 분포지점들과 기상측정지점 간 거리의 불균일함을 충분히 반영하지 못하므로 이에 대응하기 위한 다른 형태의 가중치 선정에 대한 고려가 필요하다.

3.2.2 지점 간 공간보정위한 가중치 재평가

태양광 발전설비 설치지역과 기상측정지점 간 위치불일치 문제는 태양광 발전모형의 추정오차 분포를 증가시키고 이로 인하여 예측정확도 확보에 한계가 발생한다. 기존 연구들에서는 이를 태양광설치지점 인근자료를 활용하거나 지점간 거리비중을 고려한 가중치를 사용하는 방법으로 보완하였다^[29-35].

현재 우리나라 태양광설비의 가장 큰 문제는 태양광설치지점에 대한 정확한 위치정보가 없다는 것이다. 실제로 지역별 태양광사업 인허가 자료를 확인해보면 태양광설비에 대한 주소지는 존재하나 대부분 태양광사업자 또는 본사소재지 주소로 나타났다^[7]. 전력거래소에서는 이렇게 불명확한 재생에너지에 대한 정보 확보를 위하여 2019년부터 재생에너지 설비위치 및 접속점, 설비특성정보 등을 포함하는 “재생에너지 정보공유시스템”을 개발하기 위하여 연구개발과제를 통하여 이를 추진하기 위한 장기전략을 수립하고 있다^[52].

또한 현재 전력거래소에서 일간 수요예측에 활용되고 있는 태양광발전 정보는 개별 발전기 정보가 아닌 행정구역별 합계자료로, 태양광설비지점과 기상측정지점 간 공간보정 방법을 사용하는 것이 사실상 불가능하다. 이를 해결하기 위하여 김완수외(2019)에서는 일중 태양움직임과 기상변화가 기상측정지점 중심으로 시간흐름에 따라 진행되므로 이를 통하여 주변 태양광에 대한 영향을 반영할 수 있을 것이라는 가정 하에 인근 시간대의 기상자료의 산술평균값을 사용하는 형태로 이를 해결하려고 하였다^[50]. 하지만 3.2.1절에서 언급된바와 같이 태양광 설비지점과 기상측정지점 간 거리분포가 불균질할수 있으므로 이를 가중치에 반영할 필요가 있다.

본 연구에서는 기상요소에 대한 시간대별 가중치부여가 아닌 인근 시간대를 포함한 각각 시간별 기상요소를 반영하여 추정된 예측모형 결과를 선형방정식 형태로 결합하면서 가중치를 부여하는 형태로 진행하였다.

식(3)에서의 계수인 β는 가중치가 된다. 다만 이와 같이 추정할 경우, 계수의 합이 1이 되는 것에 대한 보장이 없으므로 이를 보정할 필요가 있다. 이를 위해 H. Theil외(1961)에서 외부정보를 활용한 추정계수 조정방법으로 제시한 Restricted regression 모형을 계수추정에 반영하였다^[53].

Restricted regression을 통한 예측결합 시 정확도는 산술평균 대비 최소 0.09%p에서 최대 0.60%p까지 향상되는 것으로 나타났다. 또한 모든 지역에서 해당시간대(t)의 기상요소의 영향력이 가장 크게 나타나고 있으며, 해당 시간대 이후 시간대(t+1)에 대한 가중치는 전반적으로 가장 작게 나타나 영향력이 가장 낮은 것으로 판단된다. 다만 이 방법 역시 경남지역의 예측정확도가 0.10%p 개선되기는 하였으나, 비교모형인 Persistence 모형보다 아직도 예측력이 낮게 나타났다.

3.2.3 대표 기상측정지점에 대한 재선정

3.2.2절의 표 3에서와 같이 경남의 경우 기상자료 적용결과가 기상자료를 사용하지 않는 비교모형보다 낮게 나타나 기상측정지점으로의 부산에 대한 재검토가 필요하다.

기존 기상측정지점에 대한 재검토를 위하여 지점별 기상자료를 예측모형에 반영하고 각 예측결과별 정확도를 기준으로 지역별로 적합한 기상측정지점을 선정하였다. 검토대상지점은 태양광발전모형에 적용되는 주요 기상요소인 일사량, 기온, 풍속자료가 존재하는 기상청 측정지점을 대상으로 하였다.

다만 백령도나 흑산도 등 도서지역과 북춘천과 북강릉, 북창원 등 인근지역이 존재하는 경우는 검토에서 제외하였다.

지점선정을 위한 예측정확도는 매 24시간 단위로 3.2.2절에서 제시한 Restricted regression 형태로 모형을 추정하고 익일 24시간에 대한 2018년 한해 동안으로 표본외 예측결과를 적용하였다. 모형추정 기간은 2015년부터 2018년까지의 자료를 대상으로 예측일 기준 최근 3년간으로 선정하였다.

검토결과 표 5와 같이 강원, 충북, 전북, 경북 등 4개 지역에서 기존지점이 타 지점보다 예측정확도가 우수한 것으로 나타났다. 나머지 지역인 수도권, 충남, 전남, 경남에서는 각각 수원, 홍성, 광양, 창원의 기상자료가 보다 태양광발전예측 자료로서 효과적임을 알 수 있다. 특히 비교모형인 Persistence model보다 예측정확도가 낮게 나타났던 경남의 경우는 부산 대신 창원 기상자료를 활용할 경우 Persistence model 대비 예측정확도가 10.14%p 향상되는 것으로 나타났다. 수도권, 충남, 전남의 경우도 기존 기상측정지점 대비 각각 0.25%p, 2.93%p, 0.06%p 예측정확도가 개선되는 것으로 나타났다. 따라서 기상측정지점을 단순히 대도시 위주로 선정하지 않고, 예측력에 기반하여 선정하는 것이 태양광발전 예측정확도 향상에 기여하는 것을 알 수 있다.

3.2.4 인근지역 기상측정지점과의 예측력 비교

그림 1의 기상청 태양광 기상자원 지도에서 지표면에 도달하는 일사량인 직달일사와 산란복사를 포함한 전천일사 모두 에너지가 높은 붉은 색으로 표현된 남부지역이 보다 태양광발전에 유리하다^[54]. 또한 태양광설비 설치를 위한 대지구입 비용 역시 중심지보다는 외곽지역이 더 낮은 것으로 알려져 있다.

그림. 1. 연누적 태양광 기상자원 지도

Fig. 1. Map of Korean annual accumulated solar resources

정부에서는 도심 내 태양광설치 유도를 위하여 1장의 표 1과 같이 기존 건물 이용 시 REC 가중치를 더 많이 제공하고 있으나, 설비설치의 용이성, 주민 민원, 계통연결을 위한 추가적인 변전·송배전설비 확보 등으로 도심지보다는 도시 외곽의 남부지역으로 설치가 집중될 가능성이 높다. 태양광설비 위치가 지역 외곽에 위치할 경우 행정구역내 기상측정지점 대비 인근지역 기상측정지점이 상대적으로 가까울 수 있다. 이 경우 지역 내 기상자료보다는 인근 지역 기상자료를 활용하는 것이 예측정확도 확보에 효과적으로 판단되며, 이를 검토하기 위해 행정구역과 경계를 접하고 있는 지역의 기상측정지점 자료를 예측모형에 반영하고 예측정확도를 서로 비교할 필요가 있다.

이를 위하여 지역별로 인근지역을 표 6과 같이 정의하고 인근지역 내의 기상자료를 모형에 반영한 후 지역 내 기상자료 반영결과와 예측정확도를 비교하였다.

비교결과 대부분 지역은 태양광설비 지역 내의 기상측정지점 수치적용 결과가 인근지역 기상측정지점 수치적용 결과 대비 정확도가 높은 것으로 나타났으나, 전남과 경북의 경우 지역 내 기상자료보다 각각 전북과 충북 지역 기상측정지점인 고창과 추풍령의 기상자료를 예측에 적용할 경우 정확도가 0.26%p 및 0.31%p 향상되는 것으로 나타났다.

이러한 결과는 토지비용 및 태양광설치에 용이한 지역분포 등 다양한 사회적 요건에 의하여 설비위치가 결정되기 때문에 지역 내에서 위치별로 태양광설비 분포가 차이가 나는 것에 기인한 것으로 추정된다. 다만 본 연구는 계량적 방법을 통한 효과적인 기상측정지점 선정에 초점을 맞추고 있어 사회적 요인에 따른 질적 영향 검토는 연구범위를 넘어서므로 다른 연구에 역할을 넘기고자 한다.

3.3 예측결합을 통한 정확도 제고

기존연구에서 예측결합은 안정적인 예측력 확보에 도움이 된다는 점을 지적하고 있으며^[37][39], 3.2.3절과 3.2.4절에서 검토하였던 기상측정지점의 기상정보를 태양광발전예측에 모두 적용하기 위하여 예측결합을 수행하였다. 예측결합 관련 방법론은 다양하게 존재하는데^[38-45], 본 연구에서는 기상측정지점 정보반영 예측결과들을 선형결합 형태의 추정식을 통하여 결합하는 형태로 적용하였다.

보다 적절한 수준의 예측결합을 비교하기 위하여 해당지역내의 기상정보만을 활용한 결과와 인근지역 정보까지 활용한 예측결합 결과를 표 8 및 그림 2와 같이 비교하였다.

그림. 2. 표본외 예측결과 예측정확도 비교 (2018년)

Fig. 2. The comparison of accuracy on out-of-sample forecasting (year 2018)

예측결합 결과에 따르면 충남을 제외한 모든 지역에서 예측결합 결과가 단일지점 적용결과에 비하여 정확도가 높게 나타나 예측결합방법론의 상대적 우위를 확인할 수 있었다. 또한 해당지역만의 기상정보를 적용한 예측결합 결과와 인근지역도 함께 적용한 예측결합 결과간의 예측력을 비교하였을 때, 모든 지역을 포함한 결과가 보다 예측력이 높게 났다. 따라서 대부분의 경우 가능한 많은 정보를 예측에 적용하는 것이 예측력 확보에 보다 유리하다는 것을 알 수 있다.