1. 서 론

재생에너지 3020 이행계획, 제9차 전력수급기본계획, 제3차 에너지기본계획 등 정부정책에 따르면 국내 재생에너지 발전량의 비중은 전체 발전량의 20%인 132TWh를 목표로 하고 있으며, 설비용량 기준으로는 63.8GW에 달할 것으로 전망된다^(1-3). 이 중 풍력은 28%, 태양광은 57%로 두 자원이 전체 재생에너지의 85%를 차지할 것으로 보인다.

태양광발전, 풍력발전과 같은 신재생발전원은 기상 상황에 따라 간헐적으로 변동하는 특성을 가진다. 이러한 특성으로 인해 신재생발전이 연계된 계통은 불확실성이 증가하며, 수급 혹은 안정도 문제 발생을 사전에 예측하고 대응하는 데 어려움이 증가한다. 따라서 전력계통 운영자의 입장에서 신재생발전의 출력예측은 안정적인 계통운영을 위해 필수적이다.

전력계통의 불확실성을 야기하는 신재생발전의 비중이 급격하게 증가하는 상황에서 신재생발전 관제기술에 대한 다양한 연구가 이루어지고 있다⁽⁴⁾, ⁽⁵⁾. 신재생발전 관제기술이란, 전력계통의 안정적인 운영을 위해 신재생발전원들의 발전출력을 감시하고, 변화를 예측하여 이를 기반으로 신재생발전원의 발전출력을 제어하는 기술이다.

해외에서는 스페인의 신재생에너지 제어센터(Control Centre for Renewable Energies, CECRE), Duke Energy의 신재생에너지 모니터링센터(Renewable Energy Monitoring Center, REMS) 등과 같이 재생에너지 관제 시스템을 구축 및 운영함으로써 높은 재생에너지의 보급률에 대응하고 있다⁽⁶⁾, ⁽⁷⁾.

국내에서는 한국전력공사에서 제주도 내의 신재생에너지의 발전출력을 감시하고 예측하여 전력계통의 안정도를 평가하는 제주 신재생에너지 감시운영시스템을 개발하여 운영 중이다⁽⁸⁾. 전력거래소에서는 신재생통합관제시스템을 구축해 운영 중이며, 신재생 발전기의 출력제어와 발전량 그리고 제주 전체 수요량 등을 예측하는 시스템을 개발 중이다⁽⁹⁾.

본 논문에서는 한국전력공사에서 지역 전력계통의 안정적인 운영을 위해 개발 중인 신재생발전 지역 관제시스템(Local Renewable Management System, LRMS)를 간략하게 소개하고, LRMS를 구성하는 시스템 중 하나인 신재생발전 출력예측 시스템에 대하여 설명한다⁽¹⁰⁾.

신재생발전 출력예측 시스템은 신재생발전 설비정보와 기상 및 발전실적 데이터를 입력으로 하며, 크게 기상자료 처리단계와 신재생 발전출력 예측 단계로 구분된다. 본 논문에서는 각 단계를 기상자료 보간 및 보정과 발전출력 예측모델 구축 및 예측수행으로 구분하고 있다. 또한, 신재생발전단지가 연계된 선로(전용선로, 공용선로 등)에 따라 활용 가능한 데이터가 달라지며, 이를 고려한 예측 방법을 설명한다. 마지막으로 앞서 설명한 각 단계에 대하여 실제 데이터들을 활용한 사례연구 결과를 정리한다.

2. 신재생발전 지역 관제시스템(LRMS)

재생에너지의 출력제어는 발전원이 연계된 전압에 따라 그 주체가 달라진다⁽¹¹⁾. 그림 1과 같이 154kV 이상 1MW 이상 대규모 재생에너지는 전력거래소의 제어 대상이며, 그 이하 70kV와 22.9kV 전용선로에 연계된 중규모 재생에너지는 송전사업자가 제어 권한을 가진다. 22.9kV 공용선로에 접속된 소규모 재생에너지는 배전사업자가 제어 권한을 가지는데, 국내의 경우 송·배전 사업자의 구분 없이 한국전력공사에서 제어 권한을 가진다.

그림. 1. 신재생에너지 출력제어 체계 구성

Fig. 1. Renewable Energy Output Control System

‘신재생발전 지역 관제시스템(Local Renewable Management System, LRMS)’는 한국전력공사에서 70kV 이하에 연계되는 중·소규모 신재생발전을 감시하고 제어하기 위한 시스템으로, 신재생발전의 출력을 감시·예측하고, 이를 반영해 전력계통 안정도를 분석한 후, 출력제어 필요량을 산정하고 수행하는 기능을 가진다.

이때, 출력제어 필요량은 전력거래소의 EMS를 통해 전달받은 제어 요구량과 지역계통 안정도 분석결과(신재생 수용한계량), 출력제어 현황을 활용하며, 변전소, 주변압기, 발전소 단위의 신재생발전 출력제어량을 산정한다.

LRMS는 신재생 출력 감시시스템, 발전출력 예측 시스템, 전력계통 안정도평가 시스템, 출력제어 시스템으로 구성되며, 각 시스템의 관계는 그림 2와 같다.

그림. 2. 신재생발전 지역 관제시스템 구성도

Fig. 2. LRMS System Architecture

신재생 출력 감시 시스템은 전남지역에 접속되어 운영 중인 5.2GW의 신재생에너지의 발전출력을 감시한다. 송변전 전력설비를 감시, 제어하기 위한 시스템인 원격감시제어시스템(Supervisory Control And Data Acquisition, SCADA)를 통해 송전연계 신재생 발전출력 데이터를 취득하며, 배전연계 신재생의 발전출력데이터는 배전계통 운영시스템인 DAS (Distribution Automation System)을 통해 취득한다. 이 외에도 송전연계 신재생 중 22.9kV 전용선로에 연계된 발전기에 대해서는 개별 단말장치를 통해 실시간으로 발전출력을 감시할 수 있다. 표 1은 전남지역의 신재생에너지 연계현황으로, 접속전압별 설비용량과 데이터 취득단위, 취득주기 등을 정리하였다. LRMS의 신재생 출력감시 시스템은 전남지역에 연계된 모든 신재생에너지의 발전출력을 실시간으로 운영자에게 제공하는 것을 목적으로 한다.

지역계통 안정도 평가 시스템은 SCADA에서 취득된 데이터와 신재생발전예측 데이터를 기반으로 지역 전력계통의 변화를 예측하고, 이 결과를 활용해 지역 계통의 전압, 주파수, 과도 안정도 등을 분석하여 재생에너지 수용 한계량을 도출한다. 신재생 출력제어 시스템은 안정도 평가 결과를 바탕으로 하루 전 혹은 실시간으로 지역계통에 연계된 신재생발전기들의 제어량을 산정하고, SCADA를 통해 발전소에 제어지령을 전송한다.

3. 신재생발전 출력예측 시스템

본 절에서는 LRMS를 구성하는 시스템 중 출력예측 시스템에 대하여 설명한다.

예측대상 발전원은 신재생발전원 중 가장 큰 비중을 차지하는 태양광발전과 풍력발전이며, 발전단지가 연계된 선로의 특성에 따라 감시 발전소, 공용선로, 전용선로로 구분된다.

신재생발전 출력예측 시스템은 신재생발전 출력 감시 시스템을 통해 취득되는 데이터들을 활용한다. 따라서 표 1의 접속전압과 데이터 취득단위에 따라 출력예측에 활용할 수 있는 데이터가 달라진다. 이를 고려하여 출력예측 시스템의 예측대상을 그림 3과 같이 감시 발전소, 공용선로, 전용선로로 구분하였다. 감시 발전소는 단말장치가 설치되어 개별 신재생발전단지 발전출력이 취득되는 개소를 의미한다. 공용선로는 일반 수용가가 연계된 선로에 함께 연계된 신재생발전들로, 실시간으로 활용할 수 있는 데이터가 없는 개소를 의미한다. 전용선로는 신재생발전원들만 연계돼 있으나, 여러 개의 발전단지가 함께 연계된 선로로, 개별 발전단지의 발전실적은 없는 개소를 의미한다. 감시 발전소는 전용선로에 연계된 발전소 중 일부라는 특징이 있다.

3.1 신재생발전 출력예측 절차

신재생발전 출력예측 절차는 그림 4와 같다. 크게 기상자료 처리단계와 발전출력 예측단계로 나뉘며, 세부적으로는 데이터입력, 기상자료 보간 및 보정, 예측모델 구축 및 예측 수행단계로 나뉜다.

예측결과는 초단기, 단기, 중기, 장기로 생성된다. 각각의 예측범위와 시간 간격은 표 2와 같다. 초단기와 단기는 실시간 계통운영을 목적으로 하며, 초단기의 경우 기상관측자료를 활용하여 짧은 시간 동안 발생하는 급변동을 예측한다. 중기와 장기는 설비의 유지보수와 계통운영 목적으로 활용되며, 기반이 되는 자료가 다르다는 차이점이 있다. 중기는 1일 3회 48시간 후까지의 기상을 예측한 국지예모델을, 장기는 1일 4회 288시간 후까지 예측한 지역예보모델을 기반자료로 활용한다⁽¹²⁾.

그림. 3. 신재생발전 출력예측 시스템 예측대상

Fig. 3. The category of forecasting

표 2. 예측주기 분류

Table 2. Classification of Forecasting Cycle

분류	예측범위	시간간격	활용목적
초단기	6시간 후	5분	실시간 계통운영
단기	24시간 후	15분
중기	48시간 후	1시간	설비계획, 계통운영
장기	1주일 후	1시간

그림. 4. 신재생발전 출력예측 프로세스

Fig. 4. Renewable Energy Forecasting Process

3.3 기상자료 보간 및 보정

기상자료의 위치와 신재생 발전단지 위치가 지리적으로 멀 경우, 기상자료와 발전출력의 상관성이 떨어질 수 있다. 이러한 상관성의 저하는 예측 정확도에 악영향을 미칠 수 있기 때문에 신재생발전단지 위치의 기상을 추정할 필요가 있다. 따라서 기상자료의 특성과 발전단지의 위치 등을 고려해 이중선형보간법, 최근린법, 역거리가중법, 크리깅 등 다양한 공간보간기법을 적용해 발전단지 위의 기상을 추정한다⁽¹³⁾.

기상예보는 예보가 발표된 시점으로부터 시간이 멀어질수록 정확도가 떨어지며, 6시간 간격으로 예보가 생성된다. 따라서 그림 5와 같이 임의의 시점에 예보가 생성된 이후, 다음 예보가 생성되기 전까지 실시간으로 취득된 기상관측정보를 활용해 예보를 보정한다. 예측에 활용하는 기상정보는 일사량, 풍속, 풍향, 온도, 습도, 기압 등이 있다.

그림. 5. 기상자료 보정 예시

Fig. 5. Example of Weather Data Correction

기상자료 보간 및 보정 절차는 그림 6과 같다. 기상청의 관측 및 예보자료의 시·공간 보간을 통해 발전단지 위치의 기상자료를 생성한다. 다음, 기상 관측 지점의 관측 및 예보자료의 편차를 분석하여 편차가 일정값 이상일 경우 해당 지역의 발전단지 기상예보를 보정한다. 보정방법으로는 스케일 조정과 유사일 기상관측 활용 방법 두 가지가 있다. 스케일 조정은 단일 조정계수를 산정하거나 시간대별 예측 오차 편차를 계산하여 조정하는 방법 등이 있다. 유사일 기상관측 활용 방법은 실시간 기상 관측값과 예보의 오차가 일정 값을 초과할 경우 유사한 기상 패턴을 가지는 과거의 기상 관측값을 현재 시점의 기상예측 결과로 활용하는 방법이다.

그림. 6. 기상자료 보간 및 보정절차

Fig. 6. Weather Data Interpolation and Correction

3.4 예측모델 구축 및 예측수행

신재생발전 출력예측 방법은 감시 발전소, 공용선로, 전용선로와 등 예측대상에 따라 달라진다. 예측대상별로 활용 가능 데이터가 달라지며, 이를 고려한 예측방법을 제안한다.

3.4.1 감시 발전소

감시 발전소는 실시간으로 취득되는 개별 발전단지의 발전출력 데이터를 활용할 수 있다. 따라서 기계학습 중 지도학습 기법들을 적용할 수 있으며, 학습된 모델의 정확도를 실시간으로 판단하여 개선하는 방법을 적용할 수 있다.

발전단지 위치의 기상자료를 $DB_{wthr'}$, 발전단지 설비정보를 $DB_{gen'}$, 발전단지의 발전실적을 $DB_{power}$라 할 때, $i$의 번째 발전단지의 기상자료($W_{obs,\:i}$, $W_{fcst,\:i}$)와 발전실적($P_{i}$) 자료를 $DB_{wthr'}$과 $DB_{power}$에서 뽑아낼 수 있다. 이렇게 뽑아낸 $W_{obs,\:i}$, $W_{fcst,\:i}$, $P_{i}$를 활용해 예측을 위한 특성(Feature, $X_{i}$)를 생성한다. 이렇게 생성된 특성과 발전단지의 출력값($P_{i}$)를 활용해 다양한 알고리즘들에 대한 모델($M_{ij}$)를 구축하고, 구축된 모델과 보정된 기상예보($W_{fcst,\:i,\:new}$)를 활용해 예측을 수행한다. 이때, 최근 2주 예측값($P_{fcst,\:ijt}$)과 실적값($P_{it}$)의 오차가 특정값을 넘어설 경우 모델을 다시 학습하는 과정을 거친다. 마지막으로, 최근 2주간의 각 모델의 예측결과와 실적값의 오차를 활용해 각 모델의 가중치를 구하고 이를 적용해 최종 예측결과를 도출한다. 이에 대한 절차는 아래 표 3, 4와 같다.

이때 적용되는 알고리즘들은 ARIMAX, 실증 파워커브 추정 기법, SVR, XGBoost 등이 있다. ARIMAX 는 전통적인 자기회귀이동평균(ARIMA) 모델에 외부변수를 선형회귀모델로 통합시킨 다변수 시계열 예측모델로, 외부변수로는 풍속이 적용된다. 실증 파워커브 모델링 기법은 풍력발전의 출력 성능 특성인 파워커브를 실제 데이터를 통해 추정하는 기법으로, 풍속과 풍력발전 출력의 관계를 하나의 함수로 표현하는 방법이다. SCADA를 통해 취득된 선로의 유효전력값을 독립변수로, 기상청의 풍속관측 값을 종속변수로 하며, 로지스틱함수를 활용해 실증 파워커브를 모델링하고 있다.

태양광 발전예측에는 SVR(Support Vector Regression) 모델과 GBM(Gradient Boosting Machine)을 개선한 XGBoost(eXtreme

표 3. 예측모델 구축 프로세스

Table 3. Model Development

Gradient Boosting) 등을 활용하고 있다.

SVR은 서포트 벡터 머신을 활용한 회귀모델로, 데이터들 간의 거리가 최소가 되는 초평면을 찾는 방법이다. 오류 데이터의 영향이 적고 적은 양의 데이터로도 학습이 가능하다는 장점이 있다. LRMS 신재생 출력예측 시스템은 기상변수를 다양하게 조합하여 SVR 모델을 학습하여 활용하고 있다. XGBoost는 여러 개의 의사결정나무를 연결하며 이전 나무의 오차를 보완하는 부스팅방식으로 모델을 형성하며, 과적합을 규제하는 기능이 있어 기존 GBM에 비해 과적합에 강하고 학습속도가 빠르다는 장점이 있다^(14-18).

3.4.2 공용선로

공용선로에 연계되 신재생발전원들은 실시간으로 발전출력을 알 수 없는 경우가 많다. 이러한 한계점을 고려하여 공용선로 발전출력 예측은 기상변수와 발전출력의 관계를 수학적으로 모델링한 수식을 활용한다. 각 발전단지의 기상예측 결과에 (1) 또는 (2)를 적용하여 각 발전단지의 발전출력을 예측한 후, 이를 합해 공용선로 신재생발전 출력 예측결과를 생성한다. 이때 (1)은 태양광 발전, (2)는 풍력발전에 해당된다 ^(19-21).

표 4. 예측수행 및 최종 예측결과 도출절차

Table 4. Forecasting Process with developed model

(1)

$P_{PV}=Y_{PV}f_{PV}\left(\dfrac{\overline{G_{T}}}{\overline{G_{T,\:STC}}}\right)[1+\alpha_{P}(T_{C}-T_{c,\:STC})]$

(2)

$P_{wp}=\dfrac{1}{2}\rho v^{3}$

(1)에서 $P_{PV}$는 태양광발전 출력, $Y_{PV}$는 태양광발전 정격용량, $f_{PV}$는 조정계수, $\overline{G_{T}}$는 전일사량, $\overline{G_{T,\: STC}}$는 표준시험조건의 일사량, $\alpha_{P}$는 온도에 따른 출력계수, $T_{C}$는 샐온도, $T_{C,\:STC}$는 표준시험조건의 샐온도를 의미한다. (2)에서 $P_{wp}$는 풍력발전 출력, $\rho$는 공기밀도, $v$는 풍속을 의미한다.

3.4.3 전용선로

전용선로는 여러 개의 신재생발전단지의 발전출력이 합쳐진 데이터가 취득되므로 전용선로에 연계된 발전원을 분석하여 선로에 연계된 발전원이 모두 동일한 경우와 다양한 발전원이 혼합된 경우를 구분한다.

연계된 발전원이 모두 동일한 경우, 전용선로 연계 발전단지들을 하나의 대규모 발전단지로 처리하여 ‘3.4.1 감시 발전소’의 절차로 발전출력을 예측한다. 이때, 선로에 연계된 각 발전단지의 기상 값에 용량에 따른 가중치를 적용해 평균하여 선로의 기상자료를 생성해 활용한다. 다양한 발전원이 혼합된 경우, ‘3.4.2 공용선로’ 예측방법을 적용해 선로에 연계된 모든 발전단지의 출력을 예측한 후, 이 값을 합해 전용선로의 발전출력을 생성한다. 다음 합한 예측결과와 선로의 전체 발전출력 값을 특성에 추가하여 예측모델을 구축해 발전출력을 예측할 수 있다.

이와 같은 방법으로 단말장치가 설치된 감시 발전소, 154kV 및 22.9kV 전용선로 그리고 공용선로에 연계된 신재생발전단지의 발전출력을 예측할 수 있다. 신재생 발전출력 예측결과는 예측 전력계통의 154kV/22.9kV 변압기 2차 측에 각각 한 개의 선로로 모델링 되어 안정도 평가와 출력제어량 산정에 활용된다.

4. 사례연구

신재생발전 출력예측의 각 단계에 대하여 실제 기상 및 발전출력 데이터를 활용하여 사례연구를 진행하였다. 예측 정확도는 RMSE(Root Mean Square Error)와 RMSE를 신재생 설비용량으로 나누어 정규화 한 NRMSE(Normalized Root Mean Square Error), IOA(Index of Agreement), NMAE (Normalized Mean Absolute Error)를 활용하여 분석하였다.

각 지표는 (3)-(5)와 같이 계산되며, $y_{i}$는 실제값, $\hat y_{i}$은 예측값으로, RMSE와 NMAE는 작을수록, IOA는 1에 가까울수록 예측 정확도가 높음을 의미한다. 태양광발전의 경우, 발전출력이 설비용량의 10% 이상인 시점에 대하여 예측 정확도 평가를 수행하였다.

4.2 기상 보간 및 보정

그림 7은 2022년 1월 7일 일사량 데이터를 활용해 기상보간 및 보정 한 결과이다. 당일 9시에 예측한 하루 최대 일사량은 384.77W/㎡였다. 그러나 실제 시간이 지나며 관측값과 예측값의 오차가 커지기 시작해 10시에 58W/㎡, 11시에 75W/㎡의 차이가 발생했다. 12시에는 예측오차율이 RMSE 값을 기준으로 90W/㎡ 이상이 되었고, 패턴이 유사했던 2022년 1월 1일의 일사량값이 기상예측값으로 대체되었다. 그 결과, 12시~15시까지의 RMSE, 값 기준으로 296.03W/㎡에서 50.33W/㎡으로 감소하였으며, IOA 값은 0.22에서 0.98로 증가하여 기상 보정 효과를 확인 할 수 있다.

그림. 7. 기상예측 보정 결과

Fig. 7. Result of Weather Correction

4.3 예측대상별 발전출력 예측

4.3.1 감시 발전단지 예측

대규모 풍력발전 및 태양광발전 단지를 대상으로 재생에너지 발전출력 예측 알고리즘의 정확도를 분석하였다. 풍력발전 예측결과 분석을 위하여 설비용량이 33MW인 풍력발전단지의 2021년 1월 1일 ~ 2021년 12월 31일 데이터를 활용하였다. 신재생발전설비의 최근 발전특성을 반영하기 위해 2021년 9월 1일부터 11월 30일까지 총 3개월의 데이터를 활용한 실증파워커브 모델링 결과는 그림 8과 같다.

그림. 8. 실증 파워커브 모델링 결과

Fig. 8. Empirical Power Curve Modeling Results

그림 9는 2021년 1월 1일부터 11월 30일까지의 데이터와 2021년 12월 1일부터 12월 31일까지의 기상관측 보간값을 활용해 예측한 최종 풍력발전 출력예측 결과이다. 예측 정확도 평가 결과, NMAE 8.98%, NRMSE 0.124로 계산되었다.

그림. 9. 풍력발전단지 관측자료 기반 예측결과

Fig. 9. Forecasted results based on observed weather – Wind Farm

2021년 1월 1일부터 2021년 8월 31일까지의 데이터를 통해 학습한 모델과 기상관측데이터를 활용해 예측한 2021년 9월 1일부터 9월 30일까지의 예측결과는 그림 10과 같다. 설비이용률이 10% 이상인 시간대의 예측오차율을 평균한 차이의 절댓값의 산술평균인 NMAE값은 8.82% NRMSE는 0.114로 계산되었다.

4.3.2 공용선로 예측

공용선로의 경우 발전선로의 출력을 실시간으로 감시할 수 없기 때문에 감시가 가능한 태양광 발전단지를 대상으로 공용선로 예측방법을 검증하였다.

그림. 10. 태양광발전단지 관측자료 기반 예측결과

Fig. 10. Forecasted results based on observed weather – Solar Farm

동일 변전소에 연계된 실시간 발전출력 감시가 가능한 태양광 발전단지 3개소의 발전출력을 예측하고, 3개 발전단지의 실제 발전출력 합산 값과 비교하여 예측 정확도를 검증하였다. 3개 발전단지 설비용량의 합은 8.7MW이며, 2022년 2월 1일부터 2월 28일까지 취득·생성된 데이터를 활용하였으며, 당일 9시에 생성된 기상예측 자료를 활용하였다.

예측한 결과는 그림 11과 같으며, 예측 오차율은 NRMSE 0.211, NMAE는 16.46%로 계산되었다.

4.3.3 전용선로 예측

전용선로 예측방법의 검증을 위해 실제 운영 중인 154kV 모하솔라 T/L의 데이터를 활용하였다.

모하솔라 T/L은 70개의 발전소가 연계되어 있으며, 연계된 총 설비용량 약 150MW이다. 분석을 위해 2022년 2월 1일부터 3월 1일까지의 유효전력 취득값을 학습데이터로 활용하였다. 그림 12는 2022년 5월 21일부터 6월 20일까지 매일 전일 17시에 생성된 기상예보를 기반으로 예측한 결과이다. 예측결과 NRMSE 0.139, NMAE 9.91%, 로 계산되었으며, 12시간 선행예측 결과는 7.14%, 24시간 10.47%로 계산되었다.

그림. 11. 공용선로 예측방법 검증결과

Fig. 11. Forecasted results of distribution line

그림. 12. 전용선로 전일 17시 발전출력 예측결과

Fig. 12. Forecasted result of dedicated transmission line

표 5. 예측대상별 예측 정확도 분석 결과

Table 5. Solar generation negative load value

예측대상		실증기간	NRMSE	NMAE	기상자료
감시 발전 단지	풍력 (33MW)	2021.1.1. ～2021.12.31.	0.124	8.98%	관측자료
	태양광 (2MW)	2021.1.1. ～2021.9.30.	0.114	8.82%	관측자료
공용 선로	태양광 (8.7MW)	2022.06.01 ～2022.06.30	0.211	16.46%	당일 09시 기상예측
전용 선로	태양광 (150MW)	2022.05.21 ～2022.06.20	0.139	9.91%	전일 17시 기상예측

5. Conclusion

신재생발전의 비중이 급증함에 따라 전력계통의 안정적인 운영을 위한 신재생발전 관제기술의 필요성이 증가하였다. 신재생발전 관제기술은 신재생발전의 발전출력을 감시하고 예측한 후, 신재생발전이 전력계통에 대한 영향을 평가하여 제어하는 기술이다. 본 논문에서는 한국전력공사에서 개발 중인 신재생발전 지역 관제시스템(LRMS)와 LRMS의 핵심모듈 중 하나인 신재생발전 출력예측 시스템에 대하여 설명하였다.

신재생발전 출력예측 시스템의 예측절차는 크게 기상자료 처리단계와 신재생발전 출력예측 단계로 구분되며, 세부적으로는 데이터 입력, 기상자료 보간 및 보정, 발전출력예측 단계로 구분된다. 발전출력예측 단계에서는 발전단지가 연계된 선로의 전압과 활용 가능한 발전실적 데이터에 따라 감시 발전단지, 공용선로, 전용선로로 구분하고, 각각에 대한 예측방법을 제안하였다. 마지막으로, 각 방법에 대한 사례연구 결과를 분석하였다.

신재생발전 지역 관제시스템은 2025년 개발이 완료될 예정이며, 신재생발전 출력예측 시스템의 예측대상 별 예측기법을 고도화하여 예측정확도를 향상시킬 계획이다.