2.2.1 고정 PCS 용량에 따른 분할

PCS 용량은 ESS의 총 저장 에너지와는 별개로 시간당 충방전 가능한 최대 전력을 결정한다. 따라서 시간별 순 태양광 발전량 분석과 같이 단위 시간당 전력 변화를 파악하는 데에는 PCS 용량이 핵심적인 분석 기준이 된다. 지역별 시장거래 태양광과 비계량 태양광의 발전량은 그림 2와 같으며, 지역별 태양광 연계 ESS의 PCS 용량은 그림 3와 같다^[17].

그림 2에서 확인할 수 있듯이, 지역별로 시장거래 태양광과 비계량 태양광 발전량에 상당한 차이가 존재한다. 특히 전라남도의 경우 시장거래 태양광이 전체 발전량의 약 34%를 차지하는 반면, 비계량 태양광 발전량은 약 15% 수준에 그치는 것으로 나타났다. 또한 그림 3와 같이, 태양광 연계 ESS의 PCS 용량도 지역별 차이가 큰데, 전라남도의 경우 전체 용량의 약 50%에 해당하는 설비를 보유하고 있다. 이러한 설비용량의 격차는 각 지역의 ESS 충방전 전력량에도 직접적인 영향을 미치며, 결과적으로 시장거래 태양광의 발전 실적에도 영향을 준다.

이러한 지역별 발전량과 PCS 용량의 차이로 인해 전국 발전 실적을 통합하여 비계량 태양광을 산정할 경우 실제 발전량과 오차가 발생할 수 있다. 따라서 정확한 비계량 태양광 발전량을 산정하기 위해서는 지역별 실적과 발전 특성을 고려한 접근이 필요하며, 이와 관련된 내용은 다음 (3)-(7)과 같다.

그림 2. 2023년 지역별 누적 태양광 발전량

Fig. 2. Regional Cumulative Photovoltaic Generation in 2023

그림 3. 2023년 지역별 태양광 연계 ESS의 PCS 용량

Fig. 3. Regional Photovoltaic-linked ESS PCS Capacity in 2023

전체 ESS의 충방전 전력량을 (3)-(4)와 같이 z 지역의 PCS 용량 $PCS_{z}^{max}$와 전체 PCS 용량 $PCS_{total}$의 비율 고려해 z 지역 d 일 t 시간의 ESS 충방전 전력량 $P_{z,\: d,\: t}^{char}$, $P_{z,\: d,\: t}^{dis}$을 산정한다. 이를 식 (5)과 같이 z 지역 d 일 t 시간의 시장거래 태양광 발전량 $P_{z,\: d,\: t}^{KPX}$에 ESS 효율 $\eta$을 고려하여 z 지역 d 일 t 시간의 순 태양광 발전량 $P_{z,\: d,\: t}^{KPX'}$을 산정한다. 그 후, 식 (6)과 같이 $P_{z,\: d,\: t}^{KPX'}$을 z 지역 비계량 태양광과 시장거래 태양광의 총발전량인 $SG_{z}^{BTM}$ $SG_{z}^{KPX}$의 비율을 곱하여 z 지역 d 일 t 시간의 비계량 태양광 발전량 $P_{z,\: d,\: t}^{BTM}$을 산정한다. 마지막으로 이를 식 (7)과 같이 지역에 대해 합산하여 d 일 t 시간의 비계량 태양광 발전량 $P_{d,\: t}^{BTM}$을 산정한다.

2.2.2 가변 PCS 용량에 따른 분할

앞서 언급한 바와 같이, 지역별로 태양광 발전량과 PCS 용량에 큰 차이가 존재하여 전국 발전 실적을 통합하여 비계량 태양광을 산정할 경우 오차가 생길 수 있다. 이와 함께, 지역별 기상 조건이 서로 다르기에 발전량 및 특성에 차이가 존재한다. 이러한 기상 차이는 태양광 발전량의 변동을 일으키며, 이는 태양광 연계 ESS의 충방전 전력량에도 직접적인 영향을 미친다^[18]. 따라서 본 절에서는 일별 기상 조건에 따른 ESS 충방전 전력량을 고려하기 위해, 일별 총발전량을 기준으로 비계량 태양광 발전량을 산정한다. 지역별 ESS의 PCS 용량 비율을 일별 시장거래 태양광의 총발전량에 따라 가변적으로 조정하여, 지역별 일별 기상에 따른 ESS 충방전 전력량을 고려하여 비계량 태양광 발전량을 산정한다. 이와 관련된 내용은 다음 (8)-(13)과 같다.

z 지역 d 일의 ESS의 PCS 용량 $PCS_{z,\: d}$는 식 (8)에 따라, z 지역 d 일의 발전량 $SG_{z,\: d}^{KPX}$과 z 지역의 최대 발전일의 발전량 $SG_{z}^{KPX,\: \max}$의 비율에 PCS 용량 $PCS_{z}^{max}$을 곱한 값으로 결정된다. 이를 통해 산정된 $PCS_{z,\: d}$를 (9)-(10)과 같이 d 일의 전체 PCS 용량 $PCS_{d,\: }$에 대한 비율을 고려하여 ESS의 충방전 전력량 $P_{z,\: d,\: t}^{char}$, $P_{z,\: d,\: t}^{dis}$을 산정한다. 이후, 시장거래 태양광 발전량 $P_{z,\: d,\: t}^{KPX}$에 ESS 효율 $\eta$을 고려하여 충방전 전력량 $P_{z,\: d,\: t}^{char}$, $P_{z,\: d,\: t}^{dis}$을 합산하여 순 태양광 발전량 $P_{z,\: d,\: t}^{KPX'}$을 산정한다. $P_{z,\: d,\: t}^{KPX'}$을 지역별 비계량 태양광과 시장거래 태양광의 총발전량 $SG_{z}^{BTM}$, $SG_{z}^{KPX}$의 비율에 따라 조정 후, 마지막으로 지역별로 합산하여 전체 시간대별 비계량 태양광 발전량 $P_{d,\: t}^{BTM}$을 산정한다. 이는 (11)-(13)으로 표기된다.

3.2.1 전체 통계 및 분석

표 3은 앞서 설명한 조건들을 바탕으로 산정된 사례별 비계량 태양광 발전량이다.

분석 결과, 최대 발전량이 발생하는 일에 대해 차이가 존재한다. Case 1과 Case 2의 경우 2023년 3월 27일 13시에 최대로 발전했으며, Case 3의 경우 2023년 10월 5일 13시에 최대로 발전했다.

그림 5. 지역별 일별 발전량 비율 및 지역별 시장거래와 비계량 태양광 총비율

Fig. 5. Regional Daily Generation Ratio and Total Ratio of Market-traded and Behind-the-Meter Photovoltaic by Region

그림 6. 지역별 ESS의 PCS 용량

Fig. 6. Regional ESS PCS Capacity

3월 27일은 전국적으로 비교적 안정적인 일사량이 분포해 여러 지역에서 태양광 발전이 활발히 이루어졌던 것으로 추정된다. 이에 따라 3월 27일 시장거래 태양광의 누적 발전량은 1년 중 13번째로 높은 값을 보였고, ESS 충전 전력량은 24번째에 해당했다. 반면 10월 5일의 시장거래 태양광 누적 발전량은 31번째로 많았으나, ESS 충전 전력량은 99번째로 크게 떨어져 두 날짜 간 발전 및 충방전 실적에 차이가 존재함을 알 수 있다.

이러한 최대 발전일의 차이는 지역별 발전량 및 ESS 충방전 전력량 분배 방식에서 비롯된다. Case 1과 Case 2는 전국 통합 산정과 고정 PCS 용량 배분을 적용하기 때문에, 발전량 및 PCS 용량이 전국 최고 수준인 전라남도의 비중이 상대적으로 크게 반영되어 3월 27일이 최대 발전일로 도출된다. 실제로 전라남도의 3월 27일 발전량은 전라남도에서 10번째로 많아, ESS 충방전 전력량 고려 시 해당 지역의 비중이 더욱 커진다. 그러나 Case 3에서 일별 지역별 발전량에 따라 가변적으로 PCS 용량을 할당한 결과, 전라남도의 상대적 비중이 작아지고 다른 지역의 발전량 비중이 증가함에 따라 10월 5일이 최대 발전일로 나타났다. 이는 그림 6에서 확인할 수 있듯이, 전라남도의 경우 10월 5일의 PCS 용량이 감소하지만, 충청남도의 경우 PCS 용량이 증가하는 것을 알 수 있다. 또한 그림 5에서 확인할 수 있듯이, 비계량 태양광은 시장거래 태양광처럼 전라남도에 집중되지 않고 지역 편중 현상이 적어, 가변 PCS 용량의 영향이 더욱 두드러지는 결과를 보인다.

이러한 결과는 지역별 발전 특성을 고려하는 것이 전체 특성에 영향을 미칠 수 있음을 시사한다. Case 2와 Case 3은 지역별 태양광 실적을 반영함으로써 지역 편중 현상을 완화하며, 특히 Case 3의 방식은 일별 발전량까지 고려하여 더욱 정교한 산정이 가능함을 확인하였다. 이를 통해 비계량 태양광 발전량 산정의 지역별 분할 효과가 명확히 드러남을 보여준다.

3.2.2 계절별 발전 특성 분석

태양광 발전원은 기상 조건에 크게 영향을 받는 발전원으로, 사계절이 뚜렷한 국내에서는 계절별 발전 특성에 큰 변동이 있을 것으로 예상된다. 이에 본 절에서는 사례별 계절별 결과를 분석하며, 계절별 분석 대상 일자는 다음 표 4와 같다. 또한, 앞서 확인한 바와 같이 전라남도의 발전량 비중이 큰 경우 전반적인 개형이 유사하게 나타날 수 있음을 고려하여, 본 절에서는 전라남도의 발전량이 상대적으로 낮은 경우를 선정 기준으로 하였다. 계절별 비계량 태양광 발전량은 다음 그림 7과 같으며, 분석 일자별 기상은 표 5와 같다^[21].

계절별 분석 결과, 모든 분석 대상일에서 Case 1의 발전량 산정치가 가장 낮았으며, Case 2와 Case 3의 발전량이 상대적으로 높게 나타났다. 특히 그림 7에서 확인할 수 있듯이, 봄, 겨울에 Case 간 발전량 차이가 더욱 두드러졌으며, 해당 일자들에서 Case 1 대비 Case 2와 Case 3의 발전량 산정치는 각각 평균 약 20%, 22% 더 높게 나타났다. 이는 전라도와 같은 시장거래 태양광 비중이 높은 지역의 기상 상태가 좋지 않았던 날에 Case 1에서 상대적으로 발전량이 감소하는 결과로 이어졌다. 반면 Case 2와 Case 3는 다른 지역의 상대적으로 양호한 기상 조건을 반영하여 더 높은 발전량을 산정한 것으로 분석된다.

실제로 표 5와 같이, 봄과 겨울 분석 대상일의 전라도와 경상도 기상 상태가 좋지 않음을 확인할 수 있다. 이로 인해 시간대별 비계량 태양광 발전량이 지역별 발전 특성을 반영하지 못하는 Case 1 대비 다른 두 Case가 최대 약 28% 높게 산정되는 결과가 나타났다. 특히, 겨울에는 다른 지역이 대체로 맑았으나 전라도 지역의 기상이 상대적으로 좋지 않아, 이로 인해 Case 1과 두 Case의 차이가 가장 크게 나타났다. 또한, 여름과 가을에는 전국적으로 흐린 날씨로 인해 태양광 발전량이 전반적으로 낮게 산정되었고, 결과적으로 전체 Case 간의 차이가 여름과 가을 각각 평균 약 17%와 6% 상대적으로 작게 나타난 것으로 분석된다. 해당 대상일에서 서울 지역은 다른 지역에 비해 기상 조건이 다소 양호하였으나, 서울 비계량 태양광의 절대적인 양이 적어서 영향을 크게 끼치지 못하는 것으로 분석된다.

그림 7. 계절별 시간대별 비계량 태양광 발전량

Fig. 7. Seasonal Hourly Behind-the-Meter Photovoltaic Generation

이러한 결과는 3-2-1절과 마찬가지로 특정 지역에 편중된 발전량이 전체 태양광 발전량 평가에 미치는 영향을 보여주며, Case 2와 Case 3의 방식이 Case 1보다 기상 조건을 더욱 효과적으로 반영할 수 있음을 시사한다. 특히 여름과 겨울처럼 지역 간 기상 차이가 큰 경우, Case 3이 Case 1보다 발전량 산정의 신뢰도를 높이는 데 기여할 수 있으며, 이는 전체 통계 분석에서 확인한 지역별 분할 효과의 중요성을 계절별 특성에서도 재확인하는 결과이다.