이정범
(Jeong-Beom Lee)
1iD
김지형
(Ji-Hyoung Kim)
1
김규태
(Kyu-Tae Kim)
1
최은호
(Eun-Ho Choi)
1
강동주
(Dong-Joo Kang)
†iD
-
(Dept. of Service Development, HAEZOOM Inc., Republic of Korea.)
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
curtailment, Jeju electricity market, NWP, prediction, XGBoost
1. 서 론
기후변화에 대응하고자 전 세계 195개 당사국들은 2015년 파리협정을 체결하였고, 국가 온실가스 감축 목표를 달성하기 위해 정책 및 조치를 계획하여
이행하고 있다. 이에 따라 국제적으로 온실가스 배출을 줄이고 탄소중립을 실현하기 위한 에너지 정책의 전환이 요구되고 있다. 우리나라는 목표로 세운
2050년 탄소중립 달성을 위한 온실가스 감축 방안을 발표하였고, 이 중에는 재생에너지의 발전 비중을 상향하는 내용을 포함하고 있다[1]. 이러한 상황 속에서 제주도 도내의 에너지 전력 수요를 신재생에너지로 100% 대응하는 것을 목표로 하는 Carbon Free Island (CFI2030)
정책은 중요한 의미를 지니고 있다. 제주도의 재생에너지 발전설비는 지속해서 증가하는 추세이며, 전력정보통계시스템 (https://epsis.kpx.or.kr/)의
연도별 재생에너지 발전설비 데이터에 따르면, 2021년 820MW, 2022년 875MW, 2023년 977MW로 나타났다. 다만, 재생에너지의 증가는
기후변화 대응에 있어서는 긍정적인 영향을 주지만, 전기 공급과 수요의 균형이 중요한 전력시스템 측면에서는 불확실성과 변동성이 증가함에 따라 안정성을
보장할 수 없으며 이에 대한 대응책이 있어야 한다[2].
국외에서는 오래전부터 재생에너지원이 증가함에 따라 발생하는 전력망의 변동성에 대한 대응책을 포함하고 수급 균형 과정에서 전력의 가치를 정확히 반영하기
위해 전력 시장을 운영하고 있다. 대표적인 사례로는 미국의 CAISO (California Independent System Operator), ERCOT
(Electric Reliability Council of Texas, Inc), 유럽의 Nord Pool 등이 있다[3-5]. 선행으로 운영되어온 해외 전력시장과 마찬가지로 국내에서도 화력발전기가 변동성 완화를 전담해오던 기존의 시장 구조에서 재생에너지가 책임을 분담하여
자체적으로 변동성을 조절할 수 있도록 시장을 개편하였다. 개편된 시장 제도는 2024년 6월에 재생에너지 비중이 높은 제주도에서 ‘제주 전력시장 시범사업’
(이하 제주 전력시장)이라는 이름으로 도입되었다.
제주 전력시장에 참여하는 재생에너지 발전사업자는 입찰계획을 수립하여 하루전 및 실시간 예측 발전량을 입찰해야 한다. 이는 재생에너지라 해서 반드시
낙찰되는 것은 아니라는 점과 음(-)의 시장가격이 발생할 수 있다는 점을 내포하고 있다. 음(-)의 가격이 발생하는 근본적인 원인은 전력 공급이 수요를
초과하는 시점에서 재생에너지를 포함한 모든 발전기의 출력이 제한되고, 이에 따라 입찰가가 저렴한 재생에너지가 도매시장 가격을 결정하기 때문이다[6]. 이러한 음(-)의 가격이 발생하면 재생에너지 발전사업자는 REC (Renewable Energy Certifiates)와 같은 보조금을 받는다
해도 경우에 따라선 잠재적 손실을 입게 된다. 따라서, 변화하는 전력 시장의 제도 속에서 재생에너지 발전사업자는 추가적인 수익을 생각해야 하고, 이에
대한 일환으로 출력제어를 통해 발생하는 잉여 전력을 ESS (Energy Storage System) 및 플러스 DR (Demand Response)
같은 신자원을 통해 운용하기 위해서는 미래의 출력제어에 대한 예측이 필요하다[7-8].
국외의 전력시장을 대상으로 출력제어량을 예측하는 연구는 다양하다. 캘리포니아 전력망을 대상으로 향후 재생에너지 시스템의 성능과 효율성을 개선하기 위한
출력제어량 예측 모델의 필요성을 강조하고 개발한 연구가 있다[9]. 해당 연구에서는 2015년에서 2020년까지 CAISO의 부하 수요, 태양광, 풍력, 원자력, 화력 등의 전력 교환 데이터를 활용하여 8가지의
ML (Machine Learning) 및 DL (Deep Learning) 모델을 개발하였고, 1시간 간격의 태양광 및 풍력의 출력제어량을 예측하였다.
개발된 출력제어량 예측 모델들의 RMSE (Root Mean Square Error) 성능은 0.052~0.072 범위로 나타났다. 마찬가지로, 캘리포니아
전력망의 운영자 관점에서 출력제어량을 예측하고 이를 통한 ESS 및 AWE (Alkaline Water Electrolyzer) 운영을 제안하는 연구도
있다[10]. 해당 연구에서는 5년 동안에 발생한 CAISO의 재생에너지 출력제어량 데이터를 활용하여 1시간 간격의 출력제어량을 예측하는 3가지의 DL 모델을
개발하였고, 이를 통해 가장 수익을 많이 창출하는 ESS 및 AWE 운영 방안에 대한 시나리오를 작성하였다. 출력제어 예측 모델의 RMSE 성능은
198MW~346MW로 나타났고, ESS 및 AWE의 하이브리드 운영 시나리오가 가장 많은 수익을 창출하는 것으로 나타났다. 그리드 형태의 전력망을
운영하는 독일을 대상으로 출력제어량을 예측하고 이를 통해 재생에너지의 분배 및 주입을 예측하는 연구도 있다[11]. 해당 연구에서는 시간, 기상 예측, 변압기 전력 데이터를 활용하여 수직 전력 예측, 풍력 예측, 그리드 부하 예측을 위한 3가지 ANN (Artificial
Neural Network) 모델을 개발하였고 이를 통해 15분 간격의 재생에너지 출력제어량을 예측하였다. 이외에도 출력제어를 예측하는 선행 연구는
다양하게 존재한다[12-13].
앞선 선행 연구들을 통해 출력제어를 예측하는 것은 전력시장에서 추가적인 수익성 창출 및 잉여 전력의 활용성 증가에 있어서 중요한 역할을 한다. 다만,
대부분의 선행으로 연구된 출력제어 예측은 전력 계통 운영자의 관점에서 실시간으로 예측을 수행한다. 하지만, 시장 참여자가 출력제어량을 활용하는 데
있어서 더 많은 기회와 선택지를 갖기 위해서는 실시간 시장과 더불어 하루전 시장을 통한 계획 수립도 필요하다[14]. 따라서, 본 논문은 출력제어에 있어서 유연한 시장 대응을 할 수 있도록 ML을 활용하여 1시간 간격의 하루전 출력제어량 예측 모델을 개발하였다.
해당 모델은 새롭게 개편된 제주 전력시장을 중심으로 출력제어량 예측을 수행하였고, 이를 위해 제주도의 기상 예측 데이터를 기반으로 전력 수요량, 풍력
및 태양광 공급량을 예측하였다. 제시한 출력제어량 예측 모델은 기상 특성을 기반으로 개발하였으므로 제주 전력시장을 넘어 향후 있을 육지 전력시장에도
충분히 활용할 수 있으며 실제 데이터를 활용했다는 것에 차별점이 있다. 본 논문은 시장 참여자에게 하루전 출력제어량을 제공함으로써 잉여 전력에 대한
계획을 수립하는 데 기여할 수 있다.
본 논문은 대한전기학회의 추계학술대회에서 우수논문으로 선정된 “제주 전력시장에서 출력제어 예측을 위한 최적화 모델 개발”을 기반으로 발전시킨 논문이다.
2. 방법론
본 논문의 ML을 활용한 제주도 출력제어량 예측 모델은 1) 제주도의 재생에너지 (풍력 및 태양광) 공급량 예측 모델 학습 및 전력 수요량 예측 모델
학습 2) 이를 통해 생산된 예측 데이터들을 기반으로 전처리 수행 3) 출력제어량 예측 모델 학습의 3단계 절차를 통해 개발되었다. 그림 1에 개발한 출력제어 예측 모델의 모식도를 나타내었다. 본 절에서는 2.1에서 학습 데이터로 사용된 기상 예측 모델 데이터와 공공데이터에 대하여 설명하였고,
2.2에서 재생에너지 공급 및 전력 수요 예측의 학습 방법에 대하여 설명하였다. 2.3에서 출력제어량 예측 모델에 대하여 설명하였고, 마지막 2.4에서는
성능 평가 지표에 관해 설명하였다.
그림 1. 출력제어 예측 모델 모식도
Fig. 1. Schematic diagram of the curtailment prediction model
2.1 학습 데이터
2.1.1 기상 예측 데이터
기상 조건은 전력 수요량 및 재생에너지 발전량에 큰 영향을 미친다[15-18]. 따라서, 본 논문은 NWP (Numerical Weather Prediction) 모델의 기상 예측 데이터를 공통으로 사용하여 예측 모델을 개발하였다.
NWP 데이터는 미국 해양대기청 (NOAA)의 전지구모델인 GFS (Global Forecast System) 및 한국기상청의 지역 규모 모델인 LDAPS
(Local Data Assimilation and Prediction System)를 사용하였다. GFS 데이터는 http://www.nco.ncep.noaa.gov/에
존재하는 NCEP products inventory 를 통해 수집하였고, LDAPS 데이터는 한국기상산업진흥원으로부터 수집하였다. GFS 데이터는
3시간 간격의 시간 해상도를 가지며, 약 50km 간격의 수평 해상도를 가진다. GFS 데이터는 1시간 간격 예측을 위해서 선형 내삽 방법을 통해
1시간 간격 데이터로 재생산하였다. LDAPS 데이터는 1시간 간격의 시간 해상도를 가지며, 약 1.5 km 간격의 수평 해상도를 가진다. 본 논문에서는
제주도를 중심으로 예측 모델을 개발하였으므로, 각각의 NWP 데이터를 제주도에 해당하는 격자들의 평균값으로 사용하였다. 풍력 및 태양광 발전량과 관련성이
높을 것으로 추정되는 변수들로 학습 데이터를 구성하였다.
2.1.2 추가 학습 변수
전력 수요량의 경우 기상 데이터 이외에 휴일의 여부, 냉방 기기 사용 여부에 따라 일별 및 계절별 수요량에서 차이가 발생한다. 따라서, 휴일 및 냉방
기기 사용에 대한 변수를 생산하여 학습시키고자 하였다. 휴일과 평일을 구분하기 위해 평일에 0, 토요일에 0.5, 휴일에 1로 값을 생산하여 학습
변수로 사용하였고, 여름철과 여름철 이외의 계절을 구분하기 위해 기온과 습도를 활용해 불쾌지수 값을 생산하여 변수로 사용하였다. 불쾌지수 계산식은
식 (1)과 같다. 식 (1)의 Ta (℃)는 기온, RH (%)는 습도를 의미한다. 표 1에 학습 데이터를 정리하여 나타내었다.
표 1 예측 모델을 개발하기 위해 수집한 학습 데이터 목록
Table 1 List of the training data gathered for developing the curtailment prediction
model
|
Model
|
Data
|
Variable
|
Unit
|
|
Demand,
Wind,
Solar,
Curtail
-ment
|
GFS
|
Temperature at surface
|
K
|
|
Pressure at surface
|
hPa
|
|
Relative humidity at 2m
|
%
|
|
U-Component of wind at 10m
|
m/s
|
|
V-Component of wind at 10m
|
m/s
|
|
Sunshine duration
|
s
|
|
Total cloud cover
|
%
|
|
Downward short-wave radiation flux at surface
|
W/m2
|
|
LDAPS
|
Temperature at surface
|
K
|
|
Pressure at surface
|
hPa
|
|
Relative humidity at 2m
|
%
|
|
U-Component of wind at 10m
|
m/s
|
|
V-Component of wind at 10m
|
m/s
|
|
Low cloud cover
|
-
|
|
Middle cloud cover
|
-
|
|
High cloud cover
|
-
|
|
Downward short-wave radiation flux at surface
|
W/m2
|
|
Demand
|
Holiday
|
Distinguish between weekdays and holidays
|
-
|
|
Dis-
comfort
index
|
The level of discomfort a peroson feels depending on the weather
|
-
|
|
Solar
|
Pvlib
|
Predicted photovoltaic power
using the pvlib model
|
MW
|
|
Azimuth
|
Mean solar azimuth for Jeju island
|
degrees
|
|
Tilte
|
Mean solar tilte for Jeju island
|
degrees
|
하루전 태양광 공급량 모델을 개발하는 데 있어서, LDAPS와 GFS 데이터 각각의 일사량 변수 평균값을 기반으로 태양광 발전량 변수를 생산하였다.
일사량을 발전량으로 변환하기 위해 Sandia National Lab에서 만든 pvlib 모델을 사용하였다[19]. 또한, 시간별 태양의 고도 및 방위각을 학습 변수로 사용하였다.
2.1.3 제주도의 실제 재생에너지 발전량, 수요량, 출력제어량
본 논문에서는 공공데이터포털 (data.go.kr), 전력통계정보시스템을 통해 제주도의 실제 재생에너지 발전량, 수요량, 출력제어량을 수집하였다.
공공데이터포털에서 “한국전력거래소 제주 연료원별 전력거래량”를 활용하여 제주도 재생에너지원별 시간별 발전량을 수집하였다. 또한 “한국전력거래소 시간별
제주전력수요”를 활용하여 제주도의 전력 수요량 데이터를 수집하였고 “한국전력거래소 시간별 제주 태양광 풍력 제어량 및 제어 횟수”를 활용하여 제주도의
출력제어 데이터를 수집하였다. 전력통계정보시스템의 “시장참여설비용량 (전력시장PPA)”을 통해 시간별 설비 용량 데이터를 수집하였다. 설비 용량 데이터를
수집한 이유는 재생에너지 공급량을 학습할 때 시간별 이용률을 목표 (Target) 변수로 사용하였기 때문이다. 발전량이 아닌 이용률을 목표 변수로
학습할 경우, 향후 재생에너지 설치 용량 변동에도 유연하게 대체할 수 있다는 장점이 있다.
본 논문은 2.1에 제시한 데이터를 활용하여 2021년 1월부터 2022년 12월까지 학습 데이터를 구축하였다.
2.2 전력 수요량 및 재생에너지 공급량 예측 모델
본 논문에서 제시하는 전력 수요량 예측 모델, 재생에너지 공급량 예측 모델은 Machine Learning 중 XGBoost (Extreme Gradient
Boosting)을 활용하였다. XGBoost 알고리즘은 CART (Classification and Regression Trees)라는 tree
기반의 의사결정과 boosting 방식으로 학습을 수행하며, 학습 과정 중 목적 함수(Objective)에서 loss function 과의 비교를
통해 산출되는 잔차를 최소화하는 것으로 모델을 최적화한다[20]. 본 논문에서는 loss function으로 MSE (Mean Squared Error)를 사용하였고 이에 따른 목적 함수는 식 (2)와 같다.
위의 식 (2)에서 $y_{i}$는 target을 나타내고, $\hat{y}_{i}^{(t-1)}$는 t-1 시점의 예측값을 나타낸다. $f_{t}(x_{i})$는
t 시점에서 CART의 함수이다. $Ω(f_{i})$은 XGBoost 모델이 학습 과정에서 과적합을 방지하는 정규화 항이다.
2.3 출력제어 예측 모델
앞서 설명한 전력 수요 예측 모델, 재생에너지 공급 예측 모델의 산출물과 NWP 데이터를 기반으로 하루 전 출력제어 예측 모델을 개발하였다. 본 논문에서는
필수 운전 발전기 및 시장 미참여 발전원에 대해 고려하지 않았으나, 모델의 학습 과정을 통해 자체적으로 반영될 것이라고 가정하였다. 출력제어 예측
모델은 세 가지 단계의 절차를 통해 개발하였다.
첫 번째 단계에서는 차원 축소와 변수 추출 기법으로 사용되는 주성분 분석 (Principal Component Analysis, PCA)을 수행하였다.
PCA는 고차원 데이터 간의 공분산을 계산하여 해당 데이터의 방향성을 벡터와 고유값을 통해 추론할 수 있는 기법이다. 이를 통해 기존의 데이터 차원이
줄어들면서 새로운 특징을 가진 변수를 생성한다. 따라서, PCA를 활용하여 전력 수요 예측, 재생에너지 공급량 예측, 기상 예측 데이터의 기존 정보를
보존하면서 출력제어 예측에 중요한 변수를 생성했다. 이때 새롭게 생성된 변수의 개수는 scree plot을 통해 3개로 결정하였다.
두 번째 단계에서는 MLR (Multi Linear Regression) 모델을 활용하여 일차적으로 출력제어량을 예측한다. MLR은 여러 다중공선성을
제거하는 것이 중요하기 때문에 선행으로 PCA를 수행하였다. MLR의 수식은 식 (3)과 같다.
위의 식 (3)에서 $Y_{i}$는 종속변수 $Y$의 $i$번째 실제값이고, $X_{ji}$는 $j$번째 독립변수의 $i$번째 값이다. $B_{0}$는 MLR 함수의
전체적인 절편을 나타내며, $B_{j}$는 $j$번째 독립변수의 계수를 나타낸다. $e_{i}$는 $i$번째 오차항을 나타내며, $p$는 독립변수의
수, $n$은 MLR에 사용된 표본 수를 나타낸다.
세 번째 단계에서는 PCA와 MLR을 통해 산출된 출력제어량 예측 데이터를 활용하여 XGBoost 모델을 통해 최종 출력제어량 예측을 수행하였다.
PCA와 MLR의 산출 데이터를 사용함으로써 변수 간의 특징이 중첩되어 모델의 학습 과정에서 과적합하는 문제를 줄이고자 하였다. 특히, 일차로 예측된
출력제어량 결과를 활용하여 XGBoost가 출력제어에 대한 특징을 추출할 수 있도록 설계하였다. 세 단계의 과정을 거쳐서 개발된 최종 출력제어량 예측
모델을 DR-XGB (Dimension Reduction XGBoost) 라고 하였다. DR-XGB 모델의 학습 기간은 2021년 1월부터 2022년
12월까지이며, 검증 기간은 2023년으로 하였다. 실제 DR-XGB 모델의 성능은 2024년 1월에서 2024년 6월까지를 대상으로 평가하였다.
2.4 성능 평가 지표
본 논문에서는 개발한 모델의 출력제어량 예측 성능을 파악하기 위해 R2 (Coefficient of Determination), RMSE (Root
Mean Square Error)를 사용하였다. R2는 개발한 모델이 실제값을 얼마나 잘 설명하는지 알려주고, RMSE는 모델의 예측값과 실제값 사이에
오류를 나타낸다[21-22]. 또한, 분류의 관점으로 출력제어의 발생 여부에 대한 예측 성능을 파악하기 위해 모델의 정확도를 파악해 보았다.
3. 결 과
본 논문에서는 DR-XGB 모델의 출력제어량 예측 성능을 파악함과 동시에 출력제어의 발생 여부 예측 성능도 파악하여 결과를 제시하였다. 또한, 예측
성능 비교를 위해 AutoML을 활용하여 다양한 ML 모델의 출력제어량 예측을 수행하였다. 본 논문에서는 AutoML 구축을 위해 python의 pycaret
라이브러리를 사용하였다(https://pycaret.gitbook.io/docs/). 본 논문에서는 pycaret를 활용하여 출력제어량을 예측하는
15개의 ML 모델을 구축하였고, 이 중에서 CB (CatBoost), KNN (K-Neighbor Regressor), RF (RandomForest)
모델의 RMSE 성능이 상위 3개의 모델인 것을 확인하였다. 따라서, DR-XGB, CB, KNN, RF 모델의 출력제어량 예측 성능과 출력제어 발생
유무에 대한 성능을 비교하였다. 그러나, 태양광 출력제어에 관한 내용은 횟수만을 제공함으로 풍력 출력제어량에 대해서만 평가를 수행하였다.
3.1 모델별 출력제어량 예측 성능 평가
성능 평가 기간의 예측 경향을 살펴보기 위해, 그림 2에 제주도의 시간별 실제 출력제어량과 DR-XGB, CB, KNN, RF 모델의 시간별 예측 출력제어량을 나타내었다. 실제 출력제어 발생량은 월별로
각각 1월에 815MWh, 2월에 58MWh, 3월에 4,126MWh, 4월에 806MWh, 5월에 3,568, 6월에 0MWh로 나타났다. 모델별로
R2 기준의 성능은 각각 DR-XGB가 0.41, CB가 0.39, KNN이 0.34, RF가 0.35로 나타났으며, RMSE 기준의 성능은 각각
DR-XGB가 11MWh, CB가 13MWh, KNN이 14MWh, RF가 15MWh로 나타났다. R2과 RMSE의 성능 평가에서 DR-XGB 모델이
실제 출력제어량과 상관성이 높고, 오차가 가장 작은 것으로 나타났다.
월별로 출력제어가 발생한 경우와 출력제어가 발생하지 않은 경우를 나누어 모델의 성능을 확인해 보았다. 월별 실제 출력제어량과 모델별로 예측한 출력제어량
사이의 편차에 대해 실제 출력제어가 발생한 경우에 대해서는 그림 3, 발생하지 않은 경우에 대해서는 그림 4에 나타내었다. 또한, 표 2에 전체 예측 기간 및 월별에 대한 모델별 예측 성능을 제시하였다. 그림 3의 1월을 보았을 때, CB 모델을 제외한 모델에서 이상값이 존재하는 것으로 나타났다.
그림 2. 2024년 1월에서 6월을 대상으로 실제 제주도 출력제어량과 DR-XGB, CB, KNN, RF 모델의 예측 출력제어량의 시계열 그래프
Fig. 2. Time-series graph showing the actual Jeju island curtailment and the predicted
curtailment by the DR-XGB, CB, KNN, and RF models from January to June 2024
그림 3. 월별로 출력제어가 발생한 경우의 모델별 편차 (실제 출력제어 – 예측 출력제어) 분포를 나타낸 box 그래프
Fig. 3. A box plot showing the distribution of model deviations (actual curtailment
– predicted curtailment) by month when curtailment occurs
그림 4. 월별로 출력제어가 발생하지 않은 경우의 모델별 편차 (실제 출력제어 – 예측 출력제어) 분포를 나타낸 box 그래프
Fig. 4. A box plot showing the distribution of model deviations (actual curtailment
– predicted curtailment) by month when no curtailment occurs
다만, DR-XGB 모델의 편차 중앙값이 다른 모델에 비해 0MWh에 가장 가까운 9MWh로 나타나면서 과대 및 과소 모의에 대한 편향이 적은 것으로
나타났다. 또한, 그림 4의 1월에서 DR-XGB 모델의 실제 출력제어가 발생하지 않은 경우에 대한 예측 편차가 가장 적게 나타나는 것을 확인할 수 있었다. 그림 3의 2월을 보았을 때, 6월을 제외하고 출력제어가 가장 적게 발생했기 때문에 모든 모델의 오차 범위가 다른 월에 비해 작은 것으로 나타났다. 2월의
경우 DR-XGB 모델의 편차 중앙값이 1MWh로 대부분의 편차가 0MWh를 중심으로 분포해 있는 것으로 나타났다. 그림 4의 2월에서도 DR-XGB 모델이 출력제어가 발생하지 않은 경우를 잘 모사하는 것으로 나타났다. 출력제어가 가장 많았던 3월은 그림 3에 나타나 있듯이 다른 월에 비해 편차의 범위가 가장 크게 나타났다. 3월의 경우 DR-XGB 모델의 편차 중앙값이 11MWh로 가장 큰 것으로 나타났고,
KNN 모델의 편차 중앙값이 1MWh로 예측 편차가 0MWh에 가깝고 균등하게 분포되어 있는 것으로 나타났다. 다만, 그림 4의 3월을 보면 DR-XGB 모델을 제외한 나머지 모델의 예측 편차값이 다수 존재하는 것으로 나타났다. 4월과 5월의 경우 발생한 출력제어량이 각각
1월, 2월과 유사한 수준으로 나타났으며, 모델별로 예측 경향도 유사한 것으로 나타났다. 6월의 경우 출력제어가 한 번도 발생하지 않았으므로 그림 3에는 표출되지 않았다. 그림 4의 6월에서는 DR-XGB 모델의 예측 편차가 가장 적게 나타남으로써 출력제어가 발생하지 않은 경우를 가장 잘 모사하는 것으로 나타났다.
표 2 전체 기간 (Jan. ~ Jun.)과 월별에 대한 모델별 RMSE 및 R2 값. 6월의 경우 실제 출력제어가 발생하지 않았으므로 R2 결과값을
‘-’로 표기
Table 2 RMSE and R2 values for each model for the entire period (Jan.~Jun.) and each
month. Since there was no actual curtailment in June, the R2 value is marked with
‘-’
|
Index
|
Model
|
Jan.~
Jun.
|
Jan.
|
Feb.
|
Mar.
|
Apr.
|
May.
|
Jun.
|
|
RMSE
(MWh)
|
DR-XGB
|
11
|
6
|
6
|
18
|
9
|
14
|
5
|
|
CB
|
13
|
9
|
10
|
20
|
10
|
16
|
6
|
|
KNN
|
14
|
7
|
8
|
21
|
12
|
16
|
14
|
|
RF
|
15
|
10
|
12
|
20
|
14
|
20
|
8
|
|
R2
|
DR-XGB
|
0.41
|
0.5
|
0.22
|
0.46
|
0.32
|
0.55
|
-
|
|
CB
|
0.39
|
0.48
|
0.14
|
0.43
|
0.24
|
0.46
|
-
|
|
KNN
|
0.34
|
0.42
|
0.09
|
0.35
|
0.21
|
0.5
|
-
|
|
RF
|
0.35
|
0.31
|
0.19
|
0.41
|
0.15
|
0.41
|
-
|
월별 성능 평가 결과를 분석한 결과, 출력제어가 발생했을 때를 예측한 경우 1월, 2월, 4월에서는 DR-XGB 모델이 예측 편차의 중앙값이 0MWh에
가깝게 나타나면서 실제값과 매우 유사한 분포를 가지는 것으로 판단된다. 3월과 5월에 있어서는 DR-XGB 모델이 실제 출력제어량에 과소 모의하는
경향이 큰 것으로 판단된다, 다만, 출력제어가 발생한지 않았을 때를 예측한 경우 월별로 가장 우수한 성능을 보이는 것으로 나타났다. 또한, 표 2에 제시된 월별 RMSE, R2에서도 가장 우수한 성능을 보였으므로 DR-XGB 모델이 가장 우수한 예측 성능을 보이는 것으로 판단된다.
출력제어가 가장 많이 발생한 3월과 한 번도 발생하지 않은 6월을 대상으로 모델별 시계열 그래프를 그림 5와 그림 6에 나타내었다. 그림 5에서 3월 1일에서 3월 6일까지 DR-XGB 모델은 다른 모델에 비해 출력제어가 발생하지 않은 것을 0으로 잘 예측한 것을 확인할 수 있다, 또한,
CB, KNN, RF 모델은 실제 출력제어량에 과대 모의하는 경향이 있는 반면 DR-XGB 모델은 과소 모의하는 경향이 있는 것을 확인 할 수 있다.
그림 6에서도 DR-XGB 모델의 경우 출력제어가 발생하지 않은 경우를 다른 모델에 비해 우수하게 예측하는 것을 확인할 수 있다.
그림 5. 예측 기간 중 출력제어가 가장 많이 발생한 2024년 3월에 대한 실제 출력제어량과 DR-XGB, CB, KNN, RF 모델의 예측 출력제어량을
나타낸 시계열 그래프
Fig. 5. Time-series graph showing the actual curtailment amount and the predicted
curtailment amounts by the DR-XGB, CB, KNN, and RF models on March 2024, when the
highest curtailment occurred during the forecast period
그림 6. 예측 기간 중 출력제어가 한 번도 발생하지 않은 2024년 6월에 대한 DR-XGB, CB, KNN, RF 모델의 예측 출력제어량을 나타낸
시계열 그래프
Fig. 6. Time-series graph showing the predicted curtailment amounts by the DR-XGB,
CB, KNN, and RF models for June 2024, when no curtailment occurred during the forecast
period
3.2 모델별 출력제어 유무 예측 성능 평가
출력제어량을 예측하는 것과 함께 출력제어 발생 유무에 대한 예측도 중요하다. 따라서, 분류의 관점으로 개발한 모델의 성능을 평가하였다. 그림 7에 월별 모델별로 출력제어가 발생한 경우와 발생하지 않은 경우를 맞춘 횟수를 막대그래프로 나타내었다. 1월에는 DR-XGB 모델이 97.8(728/744)%의
정확도를 보였으며 CB 모델보다 5.2%p, KNN 모델보다 3.0%p, RF 모델보다 26.6%p 높아 가장 우수한 것으로 나타났다. 2월에는 DR-XGB
모델의 정확도가 98.4(685/696)%로 CB 모델보다 6.8%p, KNN 모델보다 5.7%p, RF 모델보다 33.3%p 우수한 것으로 나타났다.
3월에는 DR-XGB 모델의 정확도가 94.0(699/744)%로 CB 모델보다 9.3%p, KNN 모델보다 3.8%p, RF 모델보다 22.4%p
우수한 것으로 나타났다. 4월에는 DR-XGB 모델의 정확도가 96.0(691/720)%로 CB 모델보다 7.6%p, KNN 모델보다 3.5%p,
RF 모델보다 24.4%p 우수한 것으로 나타났다. 5월에는 DR-XGB 모델의 정확도가 93.7(697/744)%로 CB 모델보다 5.6%p, KNN
모델보다 9.5%p, RF 모델보다 29.6%p 우수한 것으로 나타났다. 6월에는 DR-XGB 모델의 정확도가 99.1(690/696)%로 CB 모델보다
5.2%p, KNN 모델보다 9.5%p, RF 모델보다 26.7%p 우수한 것으로 나타났다.
그림 7. 월별 실제 출력제어 발생 유무에 대해 DR-XGB, CB, KNN, RF 모델의 예측이 맞춘 횟수를 나타낸 막대 그래프
Fig. 7. A bar graph showing, by month, the number of times the DR-XGB, CB, KNN, and
RF models correctly predicted actual curtailment events
3.3 모델별 성능 평가 비교 결과
출력제어량 및 출력제어 유무에 대한 예측 성능을 보았을 때 DR-XGB 모델이 다른 모델에 비해 우수한 것으로 판단된다. DR-XGB 모델은 PCA와
MLR을 통해 가공된 데이터를 사용함으로써 변수 간의 특징이 중첩되어 발생하는 학습 과정에서의 과적합 문제를 방지하였다. 특히, MLR을 통해 1차
적으로 출력제어량 예측을 수행함으로써 출력제어 여부에 대한 유사 특징을 생성하여 XGBoost의 학습에서 출력제어에 대한 특징을 추출할 수 있도록
설계하였다. 이러한 알고리즘 과정으로 인해 AutoML로 개발한 모델에 비해 우수한 것으로 판단된다.
4. 결 론
기후변화에 대응하고자 우리나라는 2050년 탄소중립을 달성하기 위한 일환으로 재생에너지 발전 비중을 높이고 있다. 재생에너지 발전 비중이 증가함에
따라 전력망의 불안정, 불확실성이 높아지면서 대응책이 필요해졌다. 우리나라는 늘어나는 재생에너지 비중에 따른 전력망 안정화를 위해 2024년 제주도를
대상으로 전력시장을 시범적으로 도입하였고, 전력시장에서 재생에너지 발전사업자는 입찰제도에 참여하게 된다. 이에 따라 발전사업자는 전력 과잉 공급으로
발생하는 출력제어로 인해 잠재적인 손실을 얻는다. 이러한 출력제어에 대응하기 위해 출력제어가 언제 일어나는지 예측할 수 있다면 재생에너지의 활용성을
증대시킬 수 있다[23]. 따라서, 본 논문은 재생에너지 발전사업자가 선제적으로 출력제어에 대응하고 잉여 전력 운용 계획을 수립하는 데 필요한 하루전 출력제어량 예측 모델을,
올해 새롭게 전력시장이 도입된 제주도를 중심으로 개발하였다.
본 논문에서는 기상 데이터를 기반으로 제주도의 전력 수요량, 풍력 및 태양광 공급량을 예측하는 모델을 개발하였다. 개발된 전력 수요 및 공급 예측
모델의 결과를 기반으로 PCA와 MLR 모델을 통해 일차적으로 출력제어량을 예측하였고, 1차 예측 결과를 활용하여 XGBoost 모델로 최종적인 1시간
간격의 하루전 출력제어량을 예측하였다. 추가로, 개발된 DR-XGB 모델의 성능을 다른 모델과 비교하기 위해 AutoML을 활용하여 CB, KNN,
RF 모델을 개발하였다. DR-XGB 모델의 24년 1월에서 6월까지의 예측 성능은 RMSE가 11MWh, R2이 0.41로 가장 우수한 것으로 나타났다.
월별로 성능을 보았을 때는 모든 월에서 RMSE가 가장 우수한 것으로 나타났고, 특히 출력제어가 발생하지 않은 경우에 대한 예측 성능이 다른 모델에
비해 우수한 것으로 나타났다. 또한, 분류의 관점에서 성능을 비교한 결과에서도 DR-XGB 모델이 가장 우수한 것으로 나타났다.
본 논문에서는 제주도를 중심으로 모델을 개발하였지만, 향후 도입될 육지 전력시장에도 충분히 활용할 수 있으며, 출력제어 발생 용량에 대한 예측에 초점을
맞추었으므로 유연성 역량을 평가하는 데 기여할 수 있다. 또한, 재생에너지 비중이 증가할 것이 자명한 가운데, 이러한 하루전 출력제어 예측은 시장
참여자에게 선제적인 계획 수립에 도움을 줌으로써 추가 자원 (ESS, 플러스 DR, 인력 일정 조정 등)의 활용성을 증대하는 데 기여할 수 있을 것으로
판단된다. 다만, 본 논문은 하루전 계획 수립에 기여하기 위해 출력제어량 예측 모델을 개발하였으므로, 실시간 예측을 수행하는데는 한계가 존재하다.
따라서, 향후 국내의 전력 시장을 대상으로 실시간 출력제어량을 예측하는 모델을 개발하고, 실시간 및 하루전 출력제어 모델을 활용하여 시장 참여자를
위한 시나리오를 구성하는 연구를 해보고자 한다.
Acknowledgements
본 연구는 RS-2023-00258014, 2023년도 중소기업 기술혁신 개발사업 민간투자연계과제에 의하여 이루어진 연구로서, 관계부처에 감사 드립니다.
References
N. C. Chung, “Improvements of the Renewable Energy Legislation for the Realization
of 2050 Carbon Neutral,” Justice, vol. 190, pp. 5-27, 2022. DOI : 10.29305/tj.2022.6.190.05
T. Xu, W. Gao, F. Qian, Y. Li, “The implementation limitation of variable renewable
energies and its impacts on the public power grid,” Energy, vol. 239, pp. 1228-1233,
2022. DOI : 10.1016/j.energy.2021.121992
J. Huang, P. Yalla, T. Yong, “New real time market applications at the California
independent system operator (CAISO),” IEEE PES Power Systems Conference and Exposition,
vol. 3, pp. 1228-1233, 2004. DOI : 10.1109/PSCE.2004.1397599
Q. Wang, C. Zhang, Y. Ding, G. Xydis, J. Wang, J. Østergaard, “Review of real-time
electricity markets for integrating Distributed Energy Resources and Demand Response,”
Applied Energy, vol. 138, pp. 695-706, 2015. DOI : 10.1016/j.apenergy.2014.10.048
P. Denholm, M. Hand, “Grid flexibility and storage required to achieve very high penetration
of variable renewable electricity,” Energy Policy, vol. 39, pp. 1817-1830, 2011. DOI
: 10.1016/j.enpol.2011.01.019
S. W. Lee, “Pilot Project of Electricity Market Reform in JEJU Island,” The Korean
Institute of Electrical Engineers, vol. 73, no. 9, pp. 7-14, 2024.
J. Li, C. Wang, H. Wang, “Optimal Energy Storage Scheduling for Wind Curtailment Reduction
and Energy Arbitrage: A Deep Reinforcement Learning Approach,” ArXiv, vol. arXiv:2304.02239,
2023. DOI:10.48550/arXiv.2304.02239
M. Miri & M. McPherson, “Demand response programs: Comparing price signals and direct
load control,” Energy, vol. 288, pp. 1-17, 2024. DOI : 10.1016/j.energy.2023.129673
M. H. Shams, H. Niaz, B. Hashemi, J. J. Liu, P. Siano, A. A. Moghaddam, “Artificial
intelligence-based prediction and analysis of the oversupply of wind and solar energy
in power systems,” Energy Conversion and Management, vol. 250, 2021. DOI : 10.1016/j.enconman.2021.114892
M. H. Shams, H. Niaz, J. Na, A. A. Moghaddam, J. J. Liu, “Machine learning-based utilization
of renewable power curtailments under uncertainty by planning of hydrogen systems
and battery storages,” Journal of Energy Storage, vol. 41, 2021. DOI : 10.1016/j.est.2021.103010.
E. Memmel, T. Steens, S. Schluters, R. Volker, F. Schuldt, K. V. Maydell, “Predicting
Renewable Curtailment in Distribution Grids Using Neural Networks,” IEEE Access, vol.
11, pp. 20319-20336, 2023. DOI : 10.1109/ACCESS.2023.3249459
H. Hadian, F. Naderkhani, “Deep Learning-Based Models for Wind and Solar Curtailment
Forecasting,” International Conference on Energy Harvesting, Storage, and Transfer,
vol. 120, 2023. DOI : 10.11159/ehst23.120
A. Bunodiere, H. S. Lee, “Renewable Energy Curtailment: Prediction Using a Logic-Based
Forecasting Method and Mitigation Measures in Kyushu, Japan,” Energy, vol. 13, no.
18, pp. 2-24, 2020. DOI : 10.3390/en13184703
R. Golden, B. Paulos, “Curtailment of Renewable Energy in California and Beyond,”
The Electricity Journal, vol. 28, no. 6, pp. 36-50, 2015. DOI : 10.1016/j.tej.2015.06.008
J. R. Cancelo, A. Espasa, “Modelling and forecasting daily series of electricity demand,”
Investigaciones Economicas, vol. 20, pp. 359-376, 1996.
Y. Y. Yan, “Climate and residential electricity consumption in Hong Kong,” Energy,
vol. 23, no. 1, pp. 17-20, 1998. DOI : 10.1016/S0360-5442(97)00053-4
D. Markovics, M. J. Mayer, “Comparison of machine learning methods for photovoltaic
power forecasting based on numerical weather prediction,” Renewable and Sustainable
Energy Reviews, vol. 161, 2022. DOI : 10.1016/j.rser.2022.112364
C. Liu, X. Zhang, S. Mei, Z. Zhen, M. Jia, Z. Li, H. Tang, “Numerical weather prediction
enhanced wind power forecasting: Rank ensemble and probabilistic fluctuation awareness,”
Applied Energy, vol. 313, 2022. DOI : j.apenergy.2022.118769
J. S. Stein, W. F. Holmgren, J. Forbess, C. W. Hansen, “PVLIB: Open source photovoltaic
performance modeling functions for Matlab and Python,” 2016 IEEE 43rd PVSC, vol. 43,
pp. 3425-3430, 2016. DOI : 10.1109/PVSC.2016.7750303
T. Chen, C. Guestrin, “XGBoost: A Scalable Tree Boosting System,” Association for
Computing Machinery, pp. 785–794, 2016. DOI : 10.1145/2939672.2939785
B. O. Kvalseth, “Cautionary Note about R2,” The American Statistician, vol. 39, no.
4, pp. 279-285, 1985. DOI : 10.2307/2683704
T. Chai, R. R. Draxler, “Root mean square error (RMSE) or mean absolute error (MAE)?,”
Geoscientific Model Development Discussions, vol. 7, pp. 1525-1534, 2014. DOI : 10.5194/gmdd-7-1525-2014
B. Acun, B. Morgan, H. Richardson, N. Steinsultz, C. J. Wu, “Unlocking the Potential
of Renewable Energy Through Curtailment Prediction,” ArXiv, vol. abs/2405.18526, 2024.
DOI : 10.48550/arXiv.2405.18526
저자소개
Jeong-Beom Lee is a researcher at HAEZOOM Inc. and is currently pursuing a Ph.D. in
Environmental Engineering at Anyang University, Korea. He received his B.S. and M.S.
degrees in Environmental Engineering from Anyang University, Korea. He is interested
in data analysis and the development of prediction algorithms related to weather,
fine dust, and renewable energy. Based on his experience at NIER (National Institute
of Environmental Research) and a startup, he aims to develop prediction models that
are practically beneficial to society.
He received the B.S. degree in Electrophysics from Kyonggi University, South Korea,
in 2018, and the M.S. degree in Energy Systems from Ajou University, South Korea,
in 2020. He is currently a Senior Research Engineer at HAEZOOM Inc., working in the
Service Development Division, Data Science Team, South Korea. His research interests
include smart grids, virtual power plant operation, energy storage systems (ESS),
and renewable energy forecasting technologies.
He received the B.S. degree in Naval Architecture and Ocean Engineering from Chungnam
National University, Daejeon, Korea and M.S. degree in Smart Factory Convergence degree
in Sungkyunkwan University, Suwon, Korea. He serves as the researcher at HAEZOOM Inc.
With this interdisciplinary academic background, his research and business interests
focus on renewable energy optimization, particularly solar power generation forecasting
and Energy Storage System (ESS) optimization algorithms. His current work involves
developing advanced prediction models for photovoltaic power output and designing
intelligent control strategies for ESS operation to enhance grid stability and energy
efficiency.
He received the B.S. degree in Atmospheric Sciences from Seoul National University,
Seoul, Korea. He is currently with Haezoom, where he utilizes meteorological data
to forecast solar and wind power generation.
Dong-Joo Kang serves as the R&D Director at HAEZOOM Inc. and an adjunct professor
at Busan National University. He holds B.S., M.S., and Ph.D. degrees in electrical
engineering, as well as an M.S. in Finance Engineering and a Ph.D. in Business. With
this interdisciplinary academic background, his research and business interests focus
on technology management and the development of innovative business models in the
energy sector, particularly in connection with other industries. Dr. Kang has been
actively involved in government-funded research projects in the energy field. His
diverse professional experience includes roles as a senior researcher at the Korea
Electrotechnology Research Institute (KERI), a government-funded research institution;
an analyst at BNK Financial Group's Busan Bank; a research professor at Korea University;
and positions in several startups. He aspires to be a catalyst for connecting experts
across different fields, fostering collaboration and innovation.