1. 서 론

풍력발전은 대규모 발전이 가능한 재생에너지 발전원으로, 전력계통 내 투입(penetration) 비중이 점진적으로 증가하고 있다. 풍력발전의 계통연계 증가에 따라 송전선로의 열용량 한계로 인한 송전혼잡, 즉 송전운영 제약이 발생할 가능성이 높아지고 있다^[1]. 본 논문에서 송전운영 제약은 송전선로의 열용량 한계를 초과하여 선로제약이 발생하는 경우로 한정한다. 특히 제주도의 경우, 송전운영 제약으로 인해 수요가 많은 지역으로 생산된 전기를 전달하지 못하고 출력제한(curtailment)을 시행하고 있으며, 재생에너지의 비중이 증가함에 따라 출력제한 횟수가 증가하고 있다. 본 논문에서는 제주 실계통을 대상으로 풍력발전 연계 시나리오를 구축하고, 주요 송전운영 제약 예측(critical transmission operating constraints forecasting, COCF)을 수행하고자 한다^[2]. 송전선로의 운영제약 분석을 통해 전력계통 내 잠재된 위험성을 분석하고, 계통 운영자가 계통 안정도 유지를 위한 사전 대응방안 마련 및 의사결정에 도움을 주는 것을 주목적으로 한다.

2. 주요 송전운영 제약 예측(COCF) 방법론

본 장에서는 월·시간대별 풍력발전 출력 및 최대부하 시나리오에 대해 주요 송전선로(critical line)의 운영제약 예측 방법론을 제안한다. 주요 송전선로 운영제약 예측 방법론의 절차는 크게 4단계로 구성된다. 제안된 방법론의 절차는 그림 1의 흐름도로 나타낼 수 있으며, 각 단계에 대한 상세한 설명은 다음과 같다.

① 월·시간별 최대부하 및 발전 시나리오 입력

② 정상상태 조류계산 수행

③ 슬랙 발전기 출력범위 초과 여부 확인 및 수정조치 (동기발전기 출력 조정) 수행

④ 주요 송전운영 제약 예측(COCF) 수행 및 결과 분석

본 연구에서는 시간(1~24시)과 월(1~12월)을 기준으로 생성한 총 288개의 최대부하 및 발전기 출력 시나리오를 입력데이터로 활용하였다. 이는 시간과 월에 따른 부하와 풍력발전 출력의 뚜렷한 패턴을 반영하기 위함이며, 시나리오 생성 개요는 그림 2에 나타나 있다.

이때 수급균형을 유지하기 위해 전력수요와 공급이 동일하다고 가정하여, 순부하가 동기발전기의 총 발전량이 되도록 동기발전기의 발전량을 조정한다. 동기발전기의 발전량 조정은 제주지역의 필수운전 발전기(must-run)와 발전기 기동 우선순위(merit order)를 고려하여 단계적으로 조정하였다. 즉, 동기발전기 중 필수운전 발전기를 제외하고, 발전기 기동 우선순위와 출력 제약조건에 따라 우선순위가 높은 동기발전기를 차례로 운전하여 수급균형을 유지하고자 하였다.

그림 1. 주요 송전운영 제약 예측(COCF) 방법론

Fig. 1. Methodology of Critical Transmission Operation Constraint Forecasting(COCF)

그림 2. 주요 송전운영 제약 예측(COCF)을 위한 시나리오 구성

Fig. 2. Scenarios for Critical Operating Constraint Forecasting(COCF)

부하와 발전에 대한 시나리오 입력한 후 정상상태 조류계산을 수행한다. 조류계산 수행 및 수렴여부를 확인하고, 슬랙 발전기의 출력범위 초과 여부를 판별하였다. 만일 슬랙 발전기의 출력이 상·하한을 벗어나는 경우 HVDC를 포함한 동기발전기의 발전력 재분배(re-dispatch)를 통해 슬랙 발전기의 출력이 정상범위에 위치하도록 수정조치를 수행한다. 발전기 기동 우선순위, 출력 제약조건에 따라 발전력 재분배 후 조류계산을 수행하여 슬랙 발전기의 출력을 검토한다. 슬랙 발전기의 출력범위를 초과하는 경우, 슬랙 발전기의 발전량이 정상범위에 도달할 때까지 동기발전기의 발전기 재분배를 반복적으로 수행한다. 슬랙 발전기의 출력이 정상범위 내 위치할 경우, 주요 송전운영 제약 예측을 수행한 후 선로 부하율(%)을 저장하였다.

3. 제주 전력계통 대상 사례연구

본 장에서는 제안한 주요 송전운영 제약 예측(COCF) 시뮬레이션을 수행하였으며, 사례연구를 위한 검토계통으로 제주도 전력계통을 활용하였다. 기존의 제주도 전력계통에 대규모 풍력발전을 연계하고 풍력발전 설비용량이 2배로 증설되었음을 가정하여, 풍력발전 투입 비중이 증가함에 따른 송전운영 제약의 위험성을 분석하고자 하였다. 본 논문에서는 2020년의 최대 전력수요 및 풍력발전 실효용량 데이터에 기반하여 월·시간대별 부하 및 발전 시나리오를 구성하여, 주요 송전운영 제약 예측(COCF)을 수행하였다.

3.1 검토계통 소개

본 연구에서는 제주도 전력계통을 대상으로 주요 송전운영 제약 예측에 대한 사례연구를 진행하였다. 제주 전력계통은 17개의 발전기, 22개의 부하, 61개의 송전선로, 육지계통과 연계된 2기의 HVDC로 구성된다. 대규모 풍력발전 투입 시나리오를 모의하기 위하여 제주계통 내 60 MW의 단일 풍력발전단지의 추가 연계를 가정하였으며, 그림 3은 제주도의 전력계통을 나타낸 것이다.

그림 3. 대규모 풍력발전단지가 연계된 제주도 전력계통

Fig. 3. Modified Jeju Power System with large wind farm

3.2 전력 수급 시나리오 모델링

본 절에서는 주요 송전운영 제약 예측 시 입력데이터로 활용한 시나리오에 대한 모델링 방법을 소개하고자 한다. 본 연구에서는 최대부하와 풍력발전 capacity factor를 시나리오 변수로 선정하였으며, 월·시간대별 시나리오를 수립하여 연구에 반영하였다.

3.2.1 최대부하 시나리오

제주지역의 2020년 전력수요 데이터를 활용하여, 월·시간별 제주도의 최대 전력수요 패턴을 분석하였다. 전력수요 패턴은 그림 4에 정리되어 있으며, 월·시간별 분석 시 2020년 제주도의 최대 전력수요는 1,009 MW로, 8월 18시에 발생하였다.

이후 식 (1)에 따라 월·시간별 최대 전력수요를 산정하였다^[3]. 식 (1)에서 $GL_{m,\: t}$는 월·시간대별 총 전력수요(gross load), $LP_{m,\: t}$은 월·시간대별 최대 전력수요 패턴(peak load pattern)에 해당한다. 또한 $PD$는 검토 대상연도의 최대 전력수요(peak load)로, 본 연구에서는 1,009 MW를 적용하였다.

(1)

$GL_{m,\: t}=LP_{m,\: t}\times PD$

최대부하 시나리오는 월별로 뚜렷한 패턴을 확인할 수 있으며, 계절별 기온에 따른 냉·난방 수요가 높은 여름철(7~9월)과 겨울철(12~2월)의 최대 전력수요가 높은 패턴을 보임을 확인할 수 있다. 시간대별 최대부하 분석 시에는 계절별로 차이가 있으나 전반적으로 경제활동을 수행하는 시간대인 11~20시의 전력수요가 높은 것으로 분석된다. 보다 구체적으로는 봄철(3~5월)에는 20~24시, 가을철(9~11월)에는 18~21시에 높은 전력수요를 보이는 것을 확인할 수 있다. 여름철은 12~20시, 겨울철은 10~12시와 18~21시에 전력수요가 높다.

그림 4. 제주지역 최대부하 시나리오 모델링 (2020년)

Fig. 4. Modeling the Peak Electricity Demand Scenarios in Jeju (2020)

3.2.2 풍력발전 Capacity Factor 시나리오

Capacity factor는 풍력발전 설비용량 대비 실제 풍력발전량을 정규화한 값으로 정의된다. 시간별 제주지역의 풍력발전량 데이터는 공공데이터포탈을 통해 공개되나, 풍력발전단지별 출력 데이터는 부재하므로 capacity factor를 이용하여 풍력발전단지의 월·시간별 실효용량을 산정하였다.

2020년도 제주지역 풍력발전 출력 데이터를 기반으로 산정한 capacity factor를 활용하여 시나리오를 구성하였다. 2020년도의 풍력발전 실증 데이터를 기반으로 식 (2)에 따라 월·시간별 출력패턴을 도출하였으며, 그 결과는 그림 5에 정리되어 있다. 이후 식 (3)에 따라 제주계통 내 연계된 풍력발전기의 각 설비용량에 capacity factor 패턴을 곱하여 월·시간별 실효용량을 산정하였다^[3]. 식 (3)에서 $"\wp "_{m,\: t}$은 월·시간별 풍력발전 출력, $CF_{m,\: t}$은 풍력발전 월·시간별 풍력발전 capacity factor, $N$은 풍력발전단지의 수를 의미한다. 이때 풍력발전의 대규모 연계를 모의하기 위해 모든 풍력발전단지(Wind Farm A~C, New Wind Farm)의 설비용량이 2배가 되었다고 가정한 후 실효용량을 산정하였다.

(2)

$CF =\dfrac{Actual\, Wind \,Power \,Outputs(MW)}{Installed \,Capacity(MW)}$

(3)

$WP_{m,t}=\sum_{i=1}^{N}(CF_{m,\: t}\times Installed\, Capacity_{i})$

풍력발전 capacity factor 시나리오에 따르면 겨울철(11~2월)의 출력량이 높고, 5~7월, 9월의 출력량이 낮은 것을 확인할 수 있다. 또한 1월을 제외한 출력량이 높은 달의 경우, 일몰 후인 12~15시 부근에서 가장 낮은 출력을 보이고, 이후로 출력이 증가하다 19~21시에서 최대출력을 보인 후 감소하는 패턴을 보인다.

그림 5. 제주지역 풍력발전 Capacity Factor 시나리오 모델링 (2020년)

Fig. 5. Modeling the Capacity Factor Scenarios in Jeju (2020)

3.3 취약선로(Critical Line) 식별

주요 송전운영 제약 예측(COCF)을 수행하기 위하여 제주계통 내 취약선로(critical line)를 식별하였다. 취약선로란 해당 선로의 탈락 시 전력계통의 극심한 안정도 저하 혹은 연쇄사고를 유발하는 선로를 의미하며^[4], 본 논문에서는 송전선로와 변압기를 대상으로 N-1 상정고장을 수행하였을 때 120% 이상의 선로과부하를 유발하는 송전선로 및 변압기로 정의하였다. 그 결과 대규모 풍력발전단지가 연계된 제주계통에서는 총 5개의 취약선로가 식별되었으며, 그림 3에서 붉은색 선으로 표현된다.

표 1 선로 과부하에 따른 위험도 구분

Table 1 Risk Classification According to Line Overload

Risk	Line Flow (%)
Risk A	80% or more
Risk B	90% or more
Risk C	100% or more

앞서 정의한 시나리오를 적용하여 송전운영 제약 예측을 수행하였다. 그림 6은 제주계통 내 61개의 송전선로 및 변압기 의 부하율을 박스플럿으로 나타낸 것이다. 각 시나리오에 따라 부하율이 80%를 초과하는 송전선로 및 변압기는 총 5개로 파악되며, 이는 앞서 정의한 5개의 취약선로와 일치한다. 식별된 취약선로를 각각 Line A, B, C, D, E로 정의하였으며, 각 선로의 과부하율에 대한 상세 검토를 진행하였다.

그림 6. 제주지역 선로 부하율 결과 (2020년)

Fig. 6. Results of Transmission Line Flow in Jeju (2020)

취약선로에 대한 선로 부하율 위험도를 분석하기 위해 표 1에 따라 Risk A, B, C의 발생 비율을 도출하였으며, 그 결과는 표 2에 정리되어 있다. Line A, B, C의 경우, Risk C의 발생확률이 0%로 송전 운영제약이 발생하지 않은 것으로 파악된다. 하지만 Line A와 Line B의 경우, Risk B의 비중이 높은 것으로 보아 송전 운영제약이 발생할 잠재력이 높다고 판단된다. 다음으로 Line D와 Line E에서는 전체 시나리오 중 약 2.73%, 1.04%의 비율로 송전 운영제약이 발생하였다.

다음으로 순부하, 풍력발전 출력과 각 취약선로의 선로부하율과의 관계를 분석하였으며, 그림 7은 각 선로의 조류량에 대한 그래프이다. Line A, B, D는 일정 수준 이상의 부하수준에서 순부하에 따라 선로 조류량이 변화하는 패턴을 확인할 수 있다. 특히, 겨울철과 여름철의 선로 조류량이 눈에 띄게 높은 추이를 보인다. 이는 전력수요와 발전기 기동 우선순위에 따른 동기발전기의 운전에 기인한 것으로 파악된다. Line A, B, D 모두 동기발전기에 연계된 변압기 선로이므로, 전력수요에 따른 선로 부하율 패턴을 보이는 것이다. Line C는 슬랙발전기와 연계된 변압기 선로로, 순부하와 풍력발전 출력과 독립적인 선로 부하율 추이를 보인다. 따라서 Line C는 발전과 수요의 균형을 유지하기 위한 슬랙 발전기의 출력변화에 따라 선로부하율이 변동됨을 유추할 수 있다. 마지막으로 Line E는 120 MW급의 풍력발전단지와 연계된 선로로, 풍력발전 출력이 증가함에 따라 선로 조류량이 증가하는 경향을 보인다.

표 2 취약선로의 선로 부하율에 따른 위험도 분석

Table 2 Risk Analysis of Critical Lines Based on Line Flow

Line	Risk Occurrence Frequency (%)
	Risk A	Risk B	Risk C	Total
Line A	5.21	7.99	0.00	13.20
Line B	7.29	17.71	0.00	25.00
Line C	2.08	1.39	0.00	3.47
Line D	1.04	0.69	2.78	4.51
Line E	16.32	5.56	1.04	22.92

결론적으로 모든 발전기가 출력범위 내에서 운전되고 있음에도 불구하고, 부하 수준이 높거나 풍력발전 출력이 높은 경우 발전기와 직접 연계된 선로에서 송전운영 제약이 발생할 수 있음을 분석하였다. 일반 동기발전기의 경우, 최대출력으로 운전할 시 연계된 송전설비에 최대 과부하가 발생한다. 반면 풍력발전의 경우, 11~2월의 고출력 기간에는 송전운영 제약의 발생 가능성이 높은 것으로 확인되나, 만일 현재 모의한 수준 대비 풍력발전단지의 설비용량이 증가하거나 출력수준이 높아지는 경우 극심한 송전운영 제약이 발생할 수 있으므로, 선제적 대응책 마련이 필요할 것으로 사료된다. 또한 풍력발전 출력 변동성이 높을수록 풍력발전기와 연계된 변압기 혹은 선로의 부하율의 변동성이 증가하므로, 출력이 높고 변동성이 큰 시기에 송전운영 제약이 빈번하게 발생할 수 있음을 보여준다.

그림 7. 제주지역 취약선로의 선로 부하율 분석 결과 (2020년)

Fig. 7. Analysis of Line Flow of Critical Lines in Jeju (2020)

본 연구 결과에 따라 주요 송전설비에 대한 월시간별 송전운영 제약의 위험도 분석이 가능할 것으로 시사한다. 또한 본 결과를 통해 국내 전력수요 및 풍력발전 설비용량이 증가함에 따라 더 많은 송변전설비에서 보다 빈번하고 극심한 송전운영 제약이 발생할 수 있을 것으로 추정된다. 따라서 미래 전력계통의 안정적인 운영 및 친환경적 에너지믹스를 수용하기 위하여, 본 연구에서 제안한 주요 송전운영 제약 예측 방법론의 결과에 따라 송전운영 제약 발생의 위험도가 높은 송변전설비에 대해 설비 추가 건설 등의 설비보강을 수행해야 할 것으로 제언한다. 또한 본 연구에서 제안된 방법론은 풍력발전단지 입지 분석 시 계통검토 분석 자료로 활용할 수 있을 것으로 사료된다.

4. 결론 및 시사점

최근 에너지믹스 내 재생에너지 비중 증가와 변동적 특성으로 인한 효율적인 송전망 운영 전략의 중요성이 대두되고 있다. 본 논문에서는 대규모 풍력발전 계통 연계를 모의하여, 월·시간별 최대 전력수요 및 풍력발전 이용률 시나리오에 기반한 취약선로의 송전운영 제약 예측 방법론을 제안하였다. 제안된 방법론은 대규모의 풍력발전 연계를 모의한 제주 전력계통을 대상으로 검토되었다. 시뮬레이션 결과에 따르면 동기발전기와 연계된 선로의 경우, 냉·난방으로 인한 전력수요가 높은 여름철과 겨울철의 경제활동 시간에 취약선로에서 높은 선로 부하율이 예측되었다. 본 연구는 실계통 대상 검토를 수행함으로써 취약선로에 대한 송전운영 제약을 예측하고 잠재된 리스크를 검토함으로써 선제적 대응 체계를 마련하는데 이바지할 수 있을 것으로 시사한다.

본 논문에서는 월·시간에 따른 시나리오에 기반한 대규모 풍력발전 계통연계에 송전운영 제약 리스크를 검토하였으나, 출력변동성이 높은 재생에너지원의 불확실성에 대응하기 위해 확률론적 접근법 기반의 계통검토가 필요하다. 향후 연구에서는 확률론적 조류계산을 적용함으로써 보다 다양한 케이스에서의 송전운영 제약 예측을 수행하고자 한다. 또한 풍력발전을 포함한 다양한 재생에너지원에 대한 전력계통 연계를 모의함으로써 해당 발전원이 전력계통의 신뢰도 및 안정도에 미치는 영향을 분석하는 것으로 연구를 확장하고자 한다.