3.1 전력거래소 전국 실시간 수급 데이터

본 연구에서 구축하는 수요 데이터는 배전계통 내 분산형 태양광의 자가소비가 차감된 계통 대면 수요(grid-facing demand)이다. KPX의 "현재수요"에는 한전 PPA 태양광 발전량이 배전단에서 부하를 감소시킨 효과가 포함되어 있으므로, 이를 복원하여 송전단 PPA-보정 수요 $Gross(t)$를 구성하였다. 따라서 본 연구의 최종 수요는 순수한 계통 대면 수요나 완전한 총소비(gross consumption)가 아니라, KPX 현재수요를 기준으로 한전 PPA 태양광만 복원하고 자가용 BTM 태양광은 제외한 'PPA-보정 계통 대면 수요(PPA-adjusted grid-facing demand)'이다. 최종 데이터의 연간 에너지는 판매단(KEPCO 판매량)에 정합되므로, 엄밀히는 계통 대면 형상을 반영한 판매단 기준 수요 프로파일이다.

자가용(BTM) 태양광(연간 약 7.6 TWh, 전체의 1.3%)은 추계치만 존재하여 시간별 분해의 불확실성이 크므로 본 연구에서는 포함하지 않았다. 이에 따라 주간 시간대에 부하가 상대적으로 낮게 나타나는 덕커브(duck curve) 현상이 관측되나, 이는 분산형 태양광 확대의 영향이 반영된 결과이며, 송전계통 계획의 관점에서 실제 공급 대상 부하에 해당한다.

전력수급현황 추계정보시스템에서 제공하는 월별 한전 PPA 태양광 발전 실적(연간 21.3 TWh)을 시간별로 분해하였다. 월별 일출·일몰 시간(서울 기준)에 기반한 $\cos^2$ bell curve 형상을 적용하고, 월별 총량이 한전 PPA 실적과 정확히 일치하도록 스케일링하였다. 이 분해는 월별 총량 정합과 시간대 분포의 근사를 목적으로 하며, 서울 기준의 월별 일출·일몰 시간과 단순한 $\cos^2$ 형태의 일중 발전 패턴을 가정하므로 지역별 기상·설비 분포 차이와 일별 기상 변동은 반영하지 못한다(제5장의 KPX 추정치 대조 참조). 이 송전단 PPA-보정 수요 $Gross(t)$의 연간 에너지 총량은 588.3 TWh이다. 수요 성분별 처리 방식은 표 1에 요약하였다.

한편 전력거래소는 2024년 11월부터 발전원별 실시간 수급현황을 공개하기 시작하였다. 다만 PPA·BTM 태양광은 공식 계량치가 아니라 전력시장 자료 기반의 실시간 추정값이므로, 향후 이를 활용하면 PPA 시간별 분해의 불확실성을 완화·검증할 수 있다.

3.2 한국전력공사 시군구별 전력판매량

공간적·업종별 에너지 총량의 기준이 되는 데이터로서, 한국전력공사가 발간하는 2024년 시군구별 전력판매량 통계^[13]를 활용하였다. 이 통계는 전국 17개 시도, 229개 시군구에 대해 38개 용도업종별 월간 전력판매량(kWh)을 제공한다. 2024년 전체 전력판매량은 549.8 TWh(판매단 기준)로 집계된다.

광역자치단체별로는 경기도가 143.3 TWh(26.1%)로 최대 비중을 차지하며, 서울특별시 50.4 TWh(9.2%), 충청남도 50.0 TWh(9.1%) 순이다. 시군구 수준에서는 경기도 평택시(21.8 TWh, 4.0%), 경기도 화성시(21.4 TWh, 3.9%) 등 반도체·석유화학 산업단지가 위치한 시군구가 최대 판매량을 기록하였다. 광역자치단체별 전력판매량 비중은 그림 1에, 기초자치단체 중 판매량 상위 5개 시군구는 표 2에 제시하였다.

그림 1 2024년 17개 광역자치단체별 전력판매량 비중

Fig. 1 Share of electricity sales by regions in 2024

38개 용도업종별로는 순수써비스가 151.2 TWh(27%)로 단일 업종 최대 비중을 차지하며, 가정용부문 84.4 TWh(15%), 영상·음향(반도체 포함) 57.1 TWh(10%), 화학제품 41.4 TWh(8%), 1차금속 30.1 TWh(5%) 순이다. 한전의 4대 구분 기준으로 집계하면 생산부문(제조업·광업·농림어업)이 47%, 서비스업이 29%, 가정용이 15%, 공공용이 9%이다. 38개 용도업종별 판매량 구성은 그림 2와 같다.

그림 2 2024년 38개 용도업종별 전력판매 비중

Fig. 2 Share of electricity sales by 38 use-sector categories in 2024

이상의 시도별·업종별 분포를 포함하는 전체 판매량 데이터를 본 연구에서는 $E(r,u,m)$으로 정의하며($r$: 시군구, $u$: 용도업종, $m$: 월), 이후 모든 합성 과정에서 이 총량의 보존을 절대 제약으로 설정하였다. $Gross(t)$(588.3 TWh, 송전단)와 $E$(549.8 TWh, 판매단)의 차이 38.5 TWh(6.5%)는 송전단–판매단 연간 에너지 경계 차이(주로 송배전 손실)에 해당하며, 정합계수 $\alpha$로 반영된다.

3.3 산업분류별 대표 부하패턴

업종별 시간 패턴의 기초가 되는 데이터로서, 한국전력공사 경영연구원이 제공하는 77개 산업분류(표준산업분류 10차 중분류 기준)에 대한 월별 24시간 대표 정규화 패턴^[14]을 활용하였다. 각 패턴은 24시간 평균값 1,000을 기준으로 1시간 단위 수요 비율을 표현한 무차원 지수이며, 12개월 × 24시간의 행렬로 제공된다. 주택용에 대해서는 월별 월평균/월요일/화~금/토요일/일요일 5종의 패턴이 별도 제공되며, 본 연구에서는 월평균 패턴을 사용하였다.

77개 산업분류의 24시간 패턴은 업종의 전력 소비 특성에 따라 뚜렷한 차이를 보인다. 한국 전력시장에서 대표적인 5개 업종의 1월(겨울)과 8월(여름) 패턴을 비교하면 다음과 같은 유형으로 구분할 수 있다. 대표 5개 업종의 1월 및 8월 24시간 정규화 부하패턴은 그림 3에 비교하였다.

그림 3 한국 대표 5개 업종의 월별 24시간 정규화 부하패턴 비교 (1월, 8월)

Fig. 3 Representative 24-hour normalized load profiles for five major sectors in January and August

첫째, 기저부하형(baseload type)으로 반도체를 포함하는 전자부품·컴퓨터·영상·음향 및 통신장비 제조업이 대표적이다. 24시간 피크/저점 비가 1월 1.13, 8월 1.11로 상대적으로 균일한 부하를 나타내며, 계절 간 형상 변화도 거의 없다. 이는 반도체 팹(FAB) 등 24시간 연속 공정의 특성을 반영한 것이다.

둘째, 주간 조업형으로 자동차 및 트레일러 제조업이 해당된다. 8~17시에 걸쳐 뚜렷한 주간 피크를 보이며(피크/저점 비 약 1.85), 야간에는 급격히 감소한다.

셋째, 상업형으로 소매업(자동차 제외)이 대표적이다. 변동폭이 가장 크며(피크/저점 비 약 2.7), 대형마트·백화점 등의 영업시간이 반영된 패턴이다.

넷째, 숙박업은 계절별 패턴 변화를 보인다. 1월에는 비교적 평탄한 형상(피크/저점 비 1.25)이나, 8월에는 냉방 수요의 영향으로 오후~저녁 피크가 뚜렷해진다(피크/저점 비 1.55).

다섯째, 주택용은 가장 뚜렷한 계절별 형상 변화를 나타낸다. 1월에는 저녁 18~20시에 난방 피크가, 8월에는 오후 14~16시에 냉방 피크가 형성되어, 피크 시간대 자체가 계절에 따라 이동한다. 피크/저점 비도 1월 1.70에서 8월 2.02로 확대되어, 기후 변화에 가장 민감한 부하 유형임을 보여준다. 17개 광역자치단체별 용도구분 판매 비중은 그림 4에 나타내었다.

그림 4 17개 광역자치단체별 용도구분 전력판매 비중

Fig. 4 Electricity sales composition by use category across 17 metropolitan/provincial regions

한전 전력판매량 통계에 따르면, 17개 광역자치단체의 용도별 판매 구성은 현저한 차이를 보인다. 서울특별시는 서비스업 비중이 59%로 전국에서 가장 높으며, 제조업은 5%에 불과하다. 반면 울산광역시는 제조업 비중이 81%에 달하며, 이는 자동차 및 석유화학 산업의 영향에 기인한다. 충청남도 역시 제조업 비중이 69%로, 당진(철강), 서산(석유화학), 아산(반도체·자동차) 등의 대규모 산업단지가 집중되어 있다.

이러한 산업구조의 지역별 편차는 곧 시간 패턴의 지역별 차이로 이어진다. 제조업 비중이 높은 울산의 부하는 기저부하형 패턴이 지배적이어서 비교적 평탄한 형상을 띠게 되며, 서비스업 비중이 높은 서울은 상업형의 주간 피크가 지배적인 형상을 보이게 된다. 본 연구의 방법론은 이러한 지역별 산업구조 비중을 가중치로 반영하여 시군구마다 상이한 24시간 패턴을 생성한다.

3.4 읍면동 단위 산업분류별 전력판매량

시군구별 산업구조 비중 $w(r,i,m)$을 산출하기 위해, 한국전력공사가 공개하는 읍면동 단위 산업분류별 분기 전력판매량 데이터를 활용하였다. 이 데이터^[15]는 78개 산업분류별 판매량을 읍면동 단위·분기별로 제공하며, 시군구 단위로 집계하여 사용하였다. 분기 자료이므로 해당 분기 3개월에 동일한 산업구조 비중을 적용하였다(즉 $w(r,i,m)$는 동일 분기 내 월에 대해 일정). 다만 산업분류 체계 기반이므로 가정용(주택용) 전력소비가 포함되지 않는 구조적 한계가 있다.

3.5 분류체계 매핑

KEPCO의 38개 용도업종은 표준산업분류의 단일 수준에 대응하지 않으며, 대분류(예: 농업·임업), 중분류(예: 식료품제조), 소분류(예: 유리, 시멘트) 수준의 항목이 혼재되어 있다. 또한 "순수써비스", "사업자용", "관공용" 등은 표준산업분류와 무관한 한전 과금체계 기반의 독자 분류이다. 특히 "순수써비스"는 전국 판매량의 27%를 차지하는 최대 단일 업종임에도, 가정용·공공용·생산부문·수도·전철·전기사업자 이외의 모든 고객을 포괄하는 잔여 분류로서 29개 표준산업분류 중분류가 이에 해당한다.

이러한 비정합성을 해소하기 위해, 국세청 업종코드-10차 표준산업분류 연계표(2022.4.19)^[16]와 한국전력공사 한국전력통계 통계정보보고서(2019.12)^[17]의 용도별 판매 기준 정의, 국회입법조사처의 업종별 전기사용량 분석 보고서^[12]를 참조하여 38개 용도업종과 77개 산업분류 간의 표준 매핑표(82행)를 구축하였다.

매핑의 기본 원칙은 다음과 같다.

(1) 연계표에서 1:1 대응이 가능한 경우 직접 적용(24개)

(2) 복수의 중분류를 포괄하는 경우 모두 매핑(7개)

(3) 동일 중분류 내 소분류 항목은 동일 패턴 적용 (예: 유리, 시멘트 → 비금속 광물제품 제조업)

(4) 한전 독자 분류는 통계정보보고서 정의에 따라 배정

매핑표를 실제 데이터에 적용하는 과정에서 세 유형의 전처리를 수행하였다. 첫째, 읍면동 데이터와 패턴 데이터 간 산업분류명의 표기 차이(공백, 구분기호 등)를 정규화하여 66개 산업분류에 대해 문자열 매칭을 수행하였다. 둘째, 시도명 차이를 정규화하였다. 셋째, 읍면동 데이터의 시군구 세분화를 KEPCO 기준 시 단위로 통합하여 총 35개 구를 해당 시로 합산하고 산업구조 비중을 재산출하였다.

4.1 지역별 산업구조 가중평균 패턴 생성

동일한 용도업종이라 하더라도 시군구별 산업구조에 따라 시간 패턴이 달라질 수 있다. 이를 반영하기 위해, 제3.4절의 읍면동 데이터로부터 시군구별 산업구조 비중 $w(r,i,m)$을 산출하고, 이를 가중치로 사용하여 제3.3절의 산업분류별 대표 패턴의 가중평균을 구한다. 시군구 $r$에서 용도업종 $u$에 매핑되는 산업분류 집합을 $I(u)$라 하면, 시군구별 가중평균 패턴은 다음과 같이 정의된다. 여기서 $w(r,i,m)$은 시군구·월의 산업분류별 판매량 비중($\sum_i w = 1$로 정규화)이며, 식 (2)의 패턴은 이후 월 내 24시간 합이 1이 되도록 재정규화된다.

패턴 할당에는 다음의 우선순위를 적용하였다. (1) 해당 시군구의 읍면동 데이터에서 산업구조 비중을 산출할 수 있는 경우 지역별 가중평균 패턴(local)을 사용한다. (2) 해당 시군구에 데이터가 없으나 다른 시군구에서 동일 용도업종의 패턴이 존재하는 경우 전국 판매량 가중 평균 패턴(national)을 사용한다. (3) 가정용부문은 읍면동 산업분류 데이터에 주택용이 포함되지 않으므로, 경영연구원의 주택용 월평균 24시간 패턴을 직접 할당한다. (4) 어떤 패턴도 확보되지 않는 경우 균등 분포(1/24)를 적용한다.

패턴 할당 결과, 시군구·업종·월 조합 수 기준으로 지역별 가중평균(local) 70.7%, 전국 가중평균(national) 26.1%, 주택용 직접 3.2%이며 균등분포(uniform)는 0%이다(표 3). 판매량(에너지) 가중 기준으로는 local 82.1%, national 2.5%, 주택용 15.4%로, 전력 소비의 대부분에 지역별 산업구조가 반영된 고유 패턴이 부여된다. national로 배분된 부하(에너지 기준 2.5%)는 해당 시군구의 읍면동 자료에 대응 산업 활동이 없는 경우로, 전국 판매량 가중 평균 패턴이 적용된다.

전국 판매량의 27%를 차지하는 최대 업종인 순수써비스는 29개 산업분류에 포괄 대응되지만, 읍면동 산업구조 데이터를 통해 지역별 가중평균(local) 패턴이 부여되어 시군구별로 상이한 오후 피크 형상(8월 피크/저점 비 1.6~2.4, 시군구간 표준편차 0.16)을 가진다. 즉 최대 업종이 균등 분포로 처리된 것이 아니라 지역 간 차이를 적극적으로 형성한다. 결과적으로 주요 제조업·가정용(약 56%)에 더해 순수써비스(27%)까지 지역 또는 업종 고유 패턴이 반영되어, 제5장에서 확인하는 바와 같이 광역 단위 및 KPG 193 주요 모선 간의 차별적 패턴이 유의미하게 나타났다.

4.2 초기 시계열 $L^0$ 생성

위에서 구한 24시간 패턴을 2024년 8,784시간의 실제 캘린더에 펼쳐 초기 시계열을 생성한다. 월 $m$에 속하는 각 날짜에 대해 24시간 패턴을 복제하고, 월 내에서 정규화한 할당 비율 $q(t,m,u)$를 적용하여 다음과 같이 정의한다.

각 $(r,u,m)$ 조합의 월별 에너지 총량은 정확히 보존된다. 그러나 전국 합산 시계열 $\sum_{r,u} L^0(t,r,u)$는 $Gross(t)$에 기반한 표준부하패턴과 일치하지 않으므로, 다음 단계에서 이를 정합시킨다.

4.3 2단계 비례 정합(Two-stage Proportional Scaling)

초기 시계열 $L^0$를 (1) 전국 실부하의 시간 패턴과 (2) 시군구·업종·월별 판매량이라는 두 제약에 정합시키기 위해 2단계 비례 정합을 적용한다. 이때 월별 판매량 제약은 정확히 만족시키고, 송전단 시간 형상은 근사적으로 보존한다.

먼저 시간축 스케일링(Step A)에서는, $Gross(t)$를 판매량 총합에 맞춰 스케일링한 표준 부하패턴 $L_{TD}(t)$를 기준으로 시간별 스케일러 $\beta(t)$를 산출하여 전국 합산의 시간 형상을 정합시킨다.

여기서 $\alpha = 0.935$는 송전단(588.3 TWh) 총량을 판매단(549.8 TWh)에 정합시키는 연간 에너지 정합계수이다(차이 6.5%는 주로 송배전 손실). $\beta(t)$의 범위는 0.552~1.254(평균 1.007)로 나타났다.

이어서 월별 총량 스케일링(Step B)에서는, Step A에서 깨진 $(r,u,m)$별 월별 에너지 총량을 복원하기 위해 스케일러 $\gamma(r,u,m)$를 적용한다.

$\gamma(r,u,m)$의 범위는 0.928~1.103(평균 1.003)으로 나타났다. $\gamma(r,u,m)$은 각 (시군구·업종·월)의 판매단 에너지 $E(r,u,m)$을 정확히 보존하도록 작용한다. 다만 송전단 실부하의 월별 에너지 구성과 판매단 월별 판매량은 검침일 지연·손실률 계절성 등으로 약 3.8%의 체계적 차이를 보이므로, 시간 형상 제약과 월별 에너지 제약을 동시에 정확히 만족하는 해는 존재하지 않는다. 본 연구는 월별 에너지를 판매단($E$)에 정합하고 일중 시간 형상을 송전단 실부하에 정합시키는 2단계 비례 정합을 채택하였으며, $\gamma(r,u,m)$이 지역·업종별로 상이하므로 월 내 업종 구성비 변화가 전국 합산 일중 형상에 영향을 줄 수 있으나, 계산 결과 두 경계의 월별 차이가 주로 월별 레벨 차이(평균 3.8%)로 나타나고 일중 형상에 대한 영향은 매우 제한적이다(월내 MAPE 0.059%). 엄밀한 동시 충족을 위한 반복 비례 보정(RAS/IPF)은 두 제약의 월별 부분합이 일치하지 않아 수렴하지 않으므로 적용하지 않는다. 따라서 본 연구의 최종 데이터베이스는 KEPCO 판매단 월별·연간 판매량(연 549.8 TWh)을 정확히 보존하면서 계통 대면 수요(PPA-보정)의 시간 형상을 반영한, 판매단 기준 수요 프로파일이다.

시간축 스케일러 $\beta(t)$의 균일 적용에 따른 업종별 고유 형상의 변형 정도를 확인하였다. 대부분의 주요 업종에서 $\beta$ 적용 전후의 8월 평균 24시간 형상 상관계수는 0.887~0.999로 나타났으며(순수써비스 0.999, 자동차 0.999, 가정용 0.991, 화학제품 0.887), 피크/저점 비 변화는 ±0.16 이내였다. 영상·음향 업종은 형상 진폭이 매우 작아 상관계수가 0.61로 낮게 나타났으나, 피크/저점 비 변화(1.11→1.06)와 정규화 형상 RMSE(0.04 이하)로 볼 때 절대적 형상 변화는 제한적이었다. 검토한 모든 업종에서 정규화 RMSE는 0.04 이하였다.

5.1 17개 광역자치단체별 수요 패턴 특성

구축된 229개 시군구 수요를 17개 광역자치단체별로 집계하여 시간 패턴의 지역 간 차이를 분석하였다. 계절별 24시간 정규화 패턴을 비교한 결과, 서비스업 중심의 서울특별시는 주간 피크가 뚜렷하고 야간 저점이 깊은 반면, 제조업이 집중된 충청남도·전라남도는 24시간 부하 변동이 상대적으로 완만하였다. 특히 서울의 경우 겨울에는 저녁 난방 피크, 여름에는 오후 냉방 피크로 계절별 형상 자체가 변화하는 반면, 충남은 사계절 비교적 평탄한 형상을 유지하였다.

제3.3절에서 확인한 바와 같이, 주택용과 서비스업(소매업, 숙박업)은 냉난방 수요를 통해 기온에 직접 반응하는 기후 민감 부하이며, 이들이 수도권에 집중되어 있다. 반면 연속공정 산업(반도체, 석유화학)은 기온과 무관한 기저부하형이며, 이들은 남해안·서해안 산업단지에 집중되어 있다. 따라서 기후변화에 따른 수요 패턴 변화는 지역별로 비대칭적으로 발생할 것으로 예상되며, 이는 본 연구의 후속 과제에서 정량적으로 다룰 계획이다.

그림 5 2024년 하계 시스템 피크일(8월 20일) 대표 광역자치단체 평균 24시간 정규화 수요 패턴

Fig. 5 Average 24-hour normalized demand profiles for representative regions on 2024 summer system-peak day (Aug. 20)

그림 6 계절별 대표 광역자치단체 평균 24시간 정규화 수요 패턴

Fig. 6 Seasonal average 24-hour normalized demand profiles for representative regions

그림 5와 그림 6은 각각 하계 시스템 피크일(8월 20일) 및 계절별 평균 24시간 정규화 수요 패턴을 비교하여 나타낸 것이다.

5.2 KPG 193 수요와의 비교

본 절의 비교에 앞서 시군구별 수요를 KPG 193의 193개 모선에 배분하는 방법을 기술한다. KPG 193의 각 모선은 KEPCO 지역본부 위치에 대응하므로, 각 모선과 229개 시군구 대표 좌표 간 거리를 계산하고 역거리 가중법(IDW)으로 각 시군구 수요를 가장 가까운 3개 모선($k=3$)에 거리 제곱의 역수에 비례하여 배분하였다. 각 모선의 수요는 배분된 시군구 수요의 합으로 산출된다. 이 배분은 거리 기반의 기하적 근사로서 실제 전력공급구역이나 계통의 전기적 연결 관계를 반영하지 않으므로, 이하의 분석은 실제 모선별 부하의 정확성 검증이 아니라 모선별 시간 패턴의 이질성을 확인하기 위한 구조적 비교이다.

KPG 193 개발진이 제공하는 기존 모선별 수요 데이터(2022년)^[6]를 분석한 결과, 193개 모선의 시간별 수요 비중이 완전히 동일함을 확인하였다(모선 간 비중의 시간별 표준편차 = 0.000%p). 반면 본 연구의 방법론으로 생성한 수요는 비중의 시간 변동성이 평균 0.039%p로, 시간대에 따라 모선별 비중이 변동한다. 두 데이터의 기준연도는 상이하나, 본 비교의 목적은 모선별 패턴의 다양성 유무를 확인하는 데 있다. 따라서 본 비교는 절대 부하 수준의 우열이 아닌, 시간 패턴 형상(shape)의 이질성 유무에 한정된다.

모선별 패턴 차이를 구체적으로 확인하기 위해, 산업구조가 대비되는 3개 대표 모선을 선정하여 분석하였다(그림 7).

그림 7 KPG 193 합성 전력계통 모선 위치 및 비교 대상 모선

Fig. 7 Bus locations in the KPG 193 synthetic power grid and selected buses for comparison

첫째, 서울 모선(bus_18)은 서비스업 비중이 높은 수도권 중심부에 위치한다. 이 모선의 수요 패턴은 주간 피크가 뚜렷하고 야간 저점이 깊어 피크/저점 비가 가장 크게 나타난다. 이는 소매업, 음식점업, 금융업 등 주간 영업시간에 집중되는 서비스업종의 패턴이 지배적으로 반영된 결과이다.

둘째, 당진 모선(bus_53)은 현대제철 등 철강 산업이 집중된 지역으로, 1차금속이 판매량의 약 56%를 차지한다. 24시간 연속 가동되는 제철 공정의 특성상 야간에도 높은 기저부하를 유지하여, 세 모선 중 가장 평탄한 형상(피크/저점 비 약 1.14)을 보인다.

셋째, 동청주 모선(bus_61)은 반도체(SK하이닉스 청주) 등 첨단 제조업과 서비스·주거 부하가 혼재된 지역이다. 반도체 팹의 연속 공정으로 기저부하 비중이 높으나, 서비스·주거 부하가 더해져 당진보다는 다소 큰 주간 변동(피크/저점 비 약 1.44)을 보인다.

그림 8 주요 모선별 8월 평균 24시간 수요 패턴 비교

Fig. 8 Comparison of average 24-hour demand profiles for selected buses in August

그림 9 계절별 서울, 당진 모선 수요 패턴 비교

Fig. 9 Seasonal comparison of 24-hour demand profiles for the Seoul and Dangjin buses

그림 8은 세 모선의 8월 평균 24시간 수요 패턴을 KPG 193 기존 수요와 비교한 것이다. KPG 193 기존 수요(점선)에서는 세 모선이 동일한 형상을 보이는 반면, 본 연구의 결과(실선)에서는 서울의 강한 주간 피크, 당진의 평탄한 기저부하, 동청주의 중간적 변동이 명확히 구분된다.

그림 9는 서울과 당진 두 모선의 계절별 24시간 패턴을 비교한 것이다. 본 연구의 결과에서 서울은 겨울 저녁 피크(난방), 여름 오후 피크(냉방) 등 계절별 패턴 변화가 뚜렷한 반면, 당진은 사계절 모두 비교적 평탄한 형상을 유지한다. 반면 KPG 193 기존 수요(점선)에서는 두 도시의 패턴이 계절과 무관하게 동일하다.

그림 10 193개 모선 수요 비중의 시간 변동성 분포

Fig. 10 Distribution of temporal variability in demand shares across 193 buses

그림 10은 193개 모선의 수요 비중 시간 변동성을 나타낸다. KPG 193 기존 수요에서는 모든 모선의 변동성이 0인 반면, 본 연구의 결과에서는 모선별로 분산된 변동성을 보인다. 이는 제안한 방법론이 193개 모선에 동일한 시간 패턴을 부여하지 않고, 모선별로 다른 시간 변동성을 반영하고 있음을 보여준다.

그림 11 8월 평균 24시간 수요 패턴 변동성 기준 양극단 모선 비교

Fig. 11 Comparison of buses with the lowest and highest variability in average 24-hour demand profiles in August

그림 11은 8월 평균 24시간 수요 패턴을 기준으로 부하 변동성이 가장 작은 모선군과 가장 큰 모선군의 패턴을 비교한 것이다. 여기서 부하 변동성은 24시간 중 최대 수요와 최소 수요의 비인 피크/저점 비(peak-to-valley ratio, 이하 P/V)로 측정한다. 가장 평탄한 모선 상위 10개는 서산(P/V=1.12), 당진(1.14), 여수(1.14), 서울산(1.16), 광양(1.17), 북포항(1.21), 포항(1.21), 평택(1.22), 울산(1.22), 아산(1.24)으로, 대부분 철강·석유화학·반도체 등 연속공정 산업단지가 위치한 모선이다. 반면 가장 변동이 큰 상위 10개는 서울(P/V=2.08), 서초(2.01), 강남(1.99), 광진성동(1.99), 마포용산(1.93), 강동송파(1.91), 남서울(1.90), 성남(1.86), 경기(1.86), 동대구(1.85)로, 동대구를 제외하면 모두 수도권의 서비스업·주거 밀집 지역에 위치한 모선이다.

그림 12 부하 변동성 양극단 상위 10개 모선의 지리적 분포

Fig. 12 Geographic distribution of the ten buses with the lowest and highest load variability

그림 12는 부하 변동성 기준 양극단에 해당하는 상위 10개 모선의 지리적 분포를 나타낸다. 연속공정 산업단지 모선과 수도권 서비스 모선의 P/V는 약 1.6배의 차이를 보인다(그룹 평균 1.18 대 1.94). 두 방식 모두 시군구 소비량을 기반으로 공간적 수요 배분을 수행하지만, 본 연구는 모선별 산업구조에 따른 시간 형상 차이를 추가로 반영한다. 그 결과 하계 시스템 피크시 수도권 서비스 모선군의 수요 비중은 본 연구에서 10.6%로 기존 전국 단일 시간 형상 방식의 7.6%보다 높게, 산업단지 모선군은 14.1%로 기존 방식의 19.2%보다 낮게 나타났다. 이러한 피크시 비중 차이는 모선별 시간 형상의 차별화가 지역별 수요 배분에 미치는 영향을 보여준다. 다만 본 비교는 실제 지역별 실부하에 대한 검증이 아니라 기존 전국 단일 시간 형상 방식과의 구조적 비교이므로, 정확도의 절대적 향상이라기보다는 지역별 부하 형상의 이질성을 반영하고 기존 방식의 잠재적 편향을 완화할 가능성을 제시하는 것으로 해석하는 것이 타당하다. 이 비교 결과는 표 4에 정리하였다.