1. 서 론

철도 역사는 열차 주행 시 발생하는 제동 마찰 분진과 승객 이동에 따른 비산먼지, 그리고 제한된 환기 구조로 인해 미세먼지가 실내에 축적되기 쉬운 공간이며, 이는 승객과 근무자의 건강에 영향을 미칠 수 있다 ^{[1]- [4]}. 이를 저감하기 위해 환기 설비의 최적 운전과 기계학습 기반 농도 예측을 활용하는 연구가 지속적으로 이루어져 왔다 ^{[5]- [10]}. 그러나 공조 및 환기 설비의 적극적인 운전은 전력 소비 증가로 이어질 수 있으므로, 실내 공기질 개선과 에너지 비용 절감을 동시에 달성할 수 있는 지능형 운전 전략이 요구된다. 이러한 요구에 대응하기 위해 지도학습 기반 인공신경망(Artificial Neural Network, ANN) 전이모델과 심층강화학습(Deep Q-Network, DQN)을 결합하고, 태양광(PV) 발전과 회생제동 전력을 상태변수로 통합한 에너지관리시스템(Energy Management System, EMS)이 제안되었으며, 이를 통해 미세먼지 저감과 계통 수전량 및 전력비용 절감 측면에서 우수한 제어 성능이 확인된 바 있다 ^{[11]- [13]}.

그러나 에너지관리시스템의 제어 성능이 우수하다는 결과만으로는 실제 철도 역사에 시스템을 적용하기 위한 의사결정에 필요한 정보를 충분히 제공하기 어렵다. 실제 운영기관에서는 시스템의 성능뿐만 아니라 초기 구축에 필요한 투자비, 운영 및 유지관리 비용, 그리고 시스템 도입 이후 기대되는 에너지 절감 효과를 종합적으로 고려하여 경제성을 판단하게 된다. 따라서 AI 기반 에너지관리시스템의 실질적인 활용 가능성을 평가하기 위해서는 에너지 절감 성능과 함께 투자 대비 경제적 효과를 정량적으로 분석하는 기술경제성(Techno-Economic) 평가가 필요하다.

본 논문에서는 AI 기반 철도 역사 에너지관리시스템을 대상으로 시스템 구축에 필요한 초기 투자비(CAPEX)와 연간 운영비(OPEX)를 산정하고, 기존 에너지관리 알고리즘의 운영 결과로부터 계산되는 전력사용량, ESS 충·방전량 및 전력요금 정보를 이용하여 연간 절감편익을 분석하였다. 또한 이를 기반으로 투자회수기간(Payback Period), 순현재가치(Net Present Value, NPV), 내부수익률(Internal Rate of Return, IRR), 편익비용비(Benefit-Cost Ratio, B/C) 등의 대표적인 경제성 평가 지표를 산정하였으며, 주요 설계 변수의 변화에 따른 민감도 분석을 수행하여 시스템의 경제적 적용 가능성을 종합적으로 평가하였다. 이를 통해 AI 기반 철도 역사 에너지관리시스템의 도입 효과를 기술적 성능뿐만 아니라 경제적 관점에서도 정량적으로 검토하고자 한다.

2. AI 기반 철도 역사 에너지관리시스템

본 연구의 경제성 평가 대상은 선행연구에서 개발된 AI 기반 철도 역사 에너지관리시스템(EMS)이다 ^{[11]- [13]}. 본 시스템은 철도 역사의 실내 공기질을 유지하면서 에너지 소비를 최소화하기 위해 공조·환기설비와 에너지저장장치(ESS)를 통합적으로 운영하도록 설계되었다. 환경센서와 전력계측기로부터 수집된 운전 정보를 기반으로 EMS가 최적 운전 전략을 생성하며, 이를 통해 공조기 및 ESS를 제어한다.

그림 1 AI 기반 철도 역사 에너지관리시스템 개념도

Fig. 1 AI-based railway station energy management system

EMS의 최적 운전은 ANN(Artificial Neural Network) 기반 전이모델과 DQN(Deep Q-Network) 기반 강화학습 알고리즘을 이용하여 수행된다. ANN은 현재 운전 상태에 따른 다음 시점의 환경 및 에너지 상태를 예측하며, DQN은 이를 이용하여 공기질을 유지하면서 전력비용을 최소화하는 최적의 운전 정책을 결정한다. 알고리즘의 상세한 구성과 학습 과정은 참고문헌 ^{[11]- [13]}에 제시되어 있으며, 본 논문에서는 이를 경제성 평가의 대상으로 활용하였다.

EMS 운전 결과로부터 시간대별 계통 수전 전력량, ESS 충·방전량, 태양광 발전 및 회생제동 전력의 활용량, 그리고 시간대별 전력요금을 산출할 수 있다. 본 연구에서는 이러한 운영 결과를 이용하여 시스템 구축에 필요한 초기 투자비(CAPEX), 연간 운영비(OPEX) 및 에너지 절감에 따른 경제적 편익을 분석하였으며, 이를 바탕으로 AI 기반 철도 역사 에너지관리시스템의 기술경제성을 평가하였다.

3. 기술경제성 평가 방법론

기술경제성 평가는 시스템의 생애주기에 걸친 비용과 편익을 현재가치로 비교하여 수행한다. 본 연구는 태양광(PV)·ESS·EMS를 신규로 통합 구축하는 시나리오를 대상으로 하며, 이에 따라 비용 경계에 발전설비와 저장장치를 포함한다. 기존 역사에 PV·ESS가 이미 설치된 경우에는 표 1의 'EMS·계측·통신·공사 소계'만을 투자비로 적용하여 개조 시나리오로 평가할 수 있다. 비용 수치는 상용 설비의 일반적인 가격 수준과 EMS 구축 시 필요한 구성요소를 고려하여 설정한 기준 시나리오 값이며, 단위는 백만원이다.

3.3 연간 절감편익 산정 모델

연간 절감편익 S는 지능형 EMS를 적용하지 않은 기준 운영(baseline)의 연간 전력비용에서 AI 기반 EMS 적용 시의 연간 전력비용을 차감하여 정의한다.

(1)

$S = C_{base} - C_{EMS}$

절감편익은 선행연구에서 확인된 EMS의 제어 특성과 전력비용 절감효과를 기반으로 구성하였다. 구체적으로는 기준 운영 대비 수전전력 및 전력비용의 감소를 사용량 요금 절감, 피크전력 절감, ESS 시간대 차익거래 및 환기설비 최적운전 효과로 구분하여 기준 시나리오의 연간 절감편익을 산정하였다. 절감효과는 (i) 태양광·회생전력의 자가소비 확대에 따른 사용량 요금 절감, (ii) ESS·부하 최적운전을 통한 최대수요전력(피크) 저감에 따른 기본요금 절감, (iii) ESS 시간대 차익거래 절감, (iv) 환기설비 최적운전 절감의 네 성분으로 구성되며, 각 성분의 크기는 선행연구의 운영 결과에 따라 결정되는 기준 시나리오 값으로서 표 3에 정리하였다.

표 3 연간 절감편익(S) 구성 – 기준 시나리오 (단위: 백만원/년)

Table 3 Composition of annual cost savings (S) for the base case (unit: 1M KRW/year)

항목	세부 내용	가정 비용
사용량 요금 절감	PV·회생전력 자가소비 확대	4.8
피크전력 절감	최대수요전력 저감(기본요금)	1.8
ESS 시간대 차익거래	저요금 충전·고요금 방전	1.4
환기설비 최적운전	동일 공기질의 저비용 달성	1.0
연간 절감편익 합계		9.0

주) 각 편익 성분은 선행연구의 운영 결과를 기반으로 구성하였으며, 실제 적용 시에는 대상 시스템의 제어 전후 전력비용 차이를 적용할 수 있다.

그림 2 투자비(CAPEX) 및 연간 절감편익 구성 (기준 시나리오)

Fig. 2 Composition of capital expenditure (CAPEX) and annual cost savings (representative assumptions)

4. 사례 분석 결과

기준 시나리오에서 연간 절감편익 9.0백만원에서 연간 운영비 3.2백만원을 차감한 순연간편익은 5.8백만원이며, 이에 따른 단순회수기간은 약 8.6년이다. 한편 실질 할인율 4.5%를 적용하여 연도별 순편익을 현재가치로 환산한 경우, 누적 할인 순현금흐름이 양(+)으로 전환되는 할인회수기간은 약 11.2년으로 나타났다. 두 지표의 차이는 할인회수기간이 미래에 발생하는 편익의 현재가치를 반영하기 때문이다.

그림 3 누적 할인 순현금흐름과 회수기간 (기준 시나리오)

Fig. 3 Cumulative discounted net cash flow and discounted payback period (base case)

그림 3은 분석기간에 걸친 누적 할인 순현금흐름을 나타낸다. 초기 투자 이후 순연간편익이 누적되어 누적 현금흐름이 양(+)으로 전환되며, 할인을 반영한 회수시점은 약 11.2년으로 분석기간(15년) 이내에 위치한다. 다만 이 결과는 기준 시나리오에 근거한 것으로, 특히 소프트웨어·시스템 통합비, ESS 가격, 전력단가, 회생전력 활용률 등 핵심 변수의 불확실성에 민감하다. 따라서 다음 장에서 주요 변수에 대한 민감도 분석을 수행하여 경제성의 강건성을 검토한다.

5. 민감도 분석

경제성 분석 결과의 강건성과 주요 영향요인을 검토하기 위해 ESS 가격, 전기요금 상승률 및 회생전력 활용률을 민감도 분석 변수로 선정하였다. ESS 가격은 초기 투자비에 직접적인 영향을 미치는 설비비용 요인을 대표하며, 전기요금 상승률은 시스템 운용에 따른 장기 절감편익을 변화시키는 외부 경제조건을 나타낸다. 회생전력 활용률은 EMS 운전전략에 따른 에너지 활용 효과를 나타내는 주요 운전조건으로 선정하였다. 따라서 본 연구에서는 투자비용, 외부 경제조건 및 시스템 운전조건을 대표하는 세 변수의 변화에 따른 경제성 지표의 변화를 분석하였으며, 각 변수의 민감도 분석 시 나머지 조건은 기준 시나리오와 동일하게 유지하였다.

5.1 ESS 가격 민감도

ESS는 투자비에서 큰 비중을 차지하며 시장가격 변동성이 크다. 기준 ESS 가격(12백만원)을 50%~150%로 변화시켰을 때의 회수기간과 NPV를 표 6에 제시한다.

표 6 ESS 가격 수준에 따른 경제성 변화

Table 6 Economic sensitivity to ESS price level

ESS 가격	총 투자비(백만원)	단순회수기간(년)	NPV(백만원)
50 %	44.0	7.6	+18.29
70 %	46.4	8.0	+15.89
100 % (기준)	50.0	8.6	+12.29
120 %	52.4	9.0	+9.89
150 %	56.0	9.7	+6.29

그림 4 ESS 가격 수준에 따른 NPV 및 단순회수기간 변화

Fig. 4 Changes in NPV and simple payback period with ESS price level

ESS 가격이 기준의 절반 수준으로 하락하면 회수기간이 약 7.6년으로 단축되고 NPV가 약 +18.29백만원으로 개선된다. 반대로 1.5배로 상승하더라도 회수기간 9.7년, NPV +6.29백만원으로 경제성은 유지된다. 이는 배터리 가격 하락 추세가 본 시스템의 경제성을 지속적으로 개선하는 방향으로 작용함을 시사한다.

5.2 전기요금 상승률 민감도

절감편익은 전력단가에 비례하므로, 향후 전기요금 상승은 편익의 실질 가치를 증대시킨다. 기준 시나리오에서는 전기요금의 실질 상승률을 0%로 설정하였다. 장기적인 전력단가 변화가 경제성에 미치는 영향을 검토하기 위해 연간 상승률을 0%, 3%, 5%, 8%로 단계적으로 변화시키고, 이에 따라 연간 절감편익이 동일한 비율로 변화하는 것으로 가정하여 NPV와 B/C를 산정한 결과를 표 7에 제시한다.

표 7 전기요금 연간 상승률에 따른 경제성 변화

Table 7 Economic sensitivity to annual electricity-price escalation rate

전기요금 상승률	NPV (백만원)	B/C
0 % (기준)	+12.29	1.15
3 %	+36.12	1.43
5 %	+55.92	1.66
8 %	+93.13	2.10

그림 5 전기요금 상승률에 따른 NPV 및 편익비용비 변화

Fig. 5 Changes in NPV and benefit-cost ratio with electricity-price escalation rate

전기요금이 연 3% 상승하면 NPV는 약 +36.12백만원, B/C는 1.43으로 크게 개선되며, 연 8% 상승 시 NPV는 약 +93.13백만원, B/C는 2.10에 이른다. 따라서 향후 전력단가가 상승하는 경우 본 시스템의 경제성은 기준 시나리오보다 향상될 수 있다.

5.3 회생전력 활용률 민감도

회생제동 전력은 무상의 부산물이므로 그 활용률이 높을수록 사용량 요금 절감이 증가한다. 연간 가용 회생전력의 자가소비 이용률을 5%~30%로 변화시킨 경우의 회수기간과 NPV를 표 8에 제시한다.

표 8 회생전력 활용률에 따른 경제성 변화

Table 8 Economic sensitivity to regenerative-energy utilization rate

회생전력 활용률	절감편익 S (백만원/년)	회수기간(년)	NPV (백만원)
5 %	8.34	9.7	+5.20
10 %	8.56	9.3	+7.56
20 % (기준)	9.00	8.6	+12.29
30 %	9.44	8.0	+17.01

그림 6 회생전력 활용률에 따른 NPV 및 단순회수기간 변화

Fig. 6 Changes in NPV and simple payback period with regenerative-energy utilization rate

회생전력 활용률이 5%에서 30%로 증가하면 NPV가 약 +5.20백만원에서 +17.01백만원으로 개선되고 회수기간은 9.7년에서 8.0년으로 단축된다. 이 결과는 회생전력 활용률이 증가할수록 시스템의 경제성이 향상됨을 보여주며, 회생에너지의 효율적인 활용이 EMS의 경제성 확보에 중요한 요인임을 나타낸다.

6. 결 론

본 연구에서는 AI 기반 철도 역사 에너지관리시스템을 대상으로 시스템 구축에 필요한 초기 투자비(CAPEX), 연간 운영비(OPEX) 및 에너지 절감에 따른 경제적 편익을 종합적으로 고려한 기술경제성 평가를 수행하였다. 에너지관리시스템의 운영 결과를 기반으로 투자회수기간(Payback Period), 순현재가치(Net Present Value, NPV), 내부수익률(Internal Rate of Return, IRR), 편익비용비(Benefit-Cost Ratio, B/C)를 산정하였으며, 주요 설계 변수에 대한 민감도 분석을 통해 시스템의 경제성을 분석하였다. 기준 시나리오 분석 결과, 단순회수기간은 약 8.6년, 순현재가치는 약 12.29백만원, 내부수익률은 약 7.9%, 편익비용비는 1.15로 나타나 AI 기반 에너지관리시스템의 경제적 타당성을 확인하였다. 또한 ESS 가격, 전기요금 상승률 및 회생전력 활용률에 대한 민감도 분석 결과, 다양한 조건에서도 경제성이 유지되는 것으로 나타났으며, 특히 전기요금 상승과 회생전력 활용률 증가는 시스템의 경제성을 더욱 향상시키는 주요 요인으로 확인되었다.

본 연구 결과는 AI 기반 철도 역사 에너지관리시스템이 기술적 성능뿐만 아니라 경제적 측면에서도 적용 가능성을 갖추고 있음을 보여준다. 또한 투자비용, 전기요금 및 회생전력 활용조건의 변화에 따른 민감도 분석을 통해 주요 경제성 영향요인을 확인하였다. 본 연구에서 제시한 평가 방법은 철도 역사 EMS의 도입 타당성을 정량적으로 검토하기 위한 기초 자료로 활용될 수 있을 것으로 기대된다. 향후에는 실제 역사에서 확보한 설비 구축비, 전력사용량, 전력요금 및 회생전력 운전 데이터를 적용하여 경제성 평가 결과를 검증하고, 다수 역사에 EMS를 확대 적용할 경우의 비용 절감 효과를 함께 분석할 예정이다.