2.1 직도입 발전사 현황

LNG 직도입 제도는 기존에 한국가스공사가 독점해오던 LNG 수입 및 공급 구조에 민간기업의 참여를 허용하기 위해 도입된 제도이다. 직도입은 자가소비 목적으로만 허용되며, 사용 용도는 ｢도시가스사업법 시행령｣ 제1조의 4에 따라 발전용, 산업용, 열병합용 및 열 전용 설비용으로 한정되어 있다. 구체적으로 발전용은 전력 생산을 위한 용도이며, 산업용은 제조업 공정에서 원료 또는 연료로 사용되거나 제조 부대시설운영에 필요한 연료를 공급하는 경우를 말한다. 열병합용은 전기와 열을 동시에 생산하는 용도이며, 열 전용 설비용은 열만을 생산하는 용도로 제한된다. 민간기업이 자가소비용 LNG직수입을 추진하기 위해서는 일정한 법적 요건을 충족해야 한다. ｢도시가스사업법 시행규칙｣ 제2조 제2항에 따라 직수입자는 사업개시 연도의 천연가스 자가소비 계획량 중 30일분에 해당하는 양을 저장할 수 있는 저장시설을 보유해야 하며, 산업통상자원부로부터 천연가스 수출입업에 대한 인허가를 받아 등록을 완료해야 한다.

2023년 말 기준으로 우리나라에는 총 88기, 1,409만 kl 규모의 LNG 저장탱크가 운영 중이며, 추가로 23기, 536만 kl의 저장탱크가 건설 중이다. 이 중 민간은 11기, 193만 kl 규모의 저장탱크를 운영하고 있어 전체 운영 중 저장탱크 용량의 약 13.7%를 차지하고 있으며, 건설 중인 저장탱크 용량에서는 약 49.6%를 점유하고 있다.

그림 3. LNG직도입 흐름^[4]

Fig. 3. Process of Direct LNG Import

민간 부문의 LNG 저장 인프라 투자는 지속적으로 확장되고 있다. 현재 운영 중인 주요 민간 LNG 터미널은 보령 LNG 터미널(6기, 120만 kl)과 광양 LNG 터미널(5기, 73만 kl)이며, 각 터미널은 각각 1기(20만 kl)와 3기(60만 kl)의 추가 저장탱크를 건설하고 있다. 또한, 코리아에너지터미널(울산, 4기 86만 kl), 동북아 LNG 허브터미널(여수, 4기 80만 kl), 통영에코파워 LNG 터미널(통영, 1기 20만 kl) 등의 민간 LNG 터미널도 건설 중이다. 이 같은 민간 설비 확장에 따라 전체 LNG 저장탱크 용량 중 민간 설비가 차지하는 비중은 향후 13.7%에서 23.6%로 확대될 전망이다.

그림 4. 국내 LNG 도입 물량 및 직수입 비중

Fig. 4. Domestic LNG Import Volume and Direct Import Ratio

최근 18년간 우리나라의 LNG 총 도입량은 꾸준한 증가세를 나타낸다. 연간 LNG 도입량은 2005년 약 22,317천 톤에서 2023년 약 44,117천 톤으로 증가하여, 이 기간 동안 약 98%의 성장률을 기록했다. 같은 기간 민간 직수입 LNG 물량은 2005년 329천 톤에서 2023년 7,727천 톤으로 약 23배나 급증하였다. 이에 따라 전체 LNG 도입량에서 직수입 물량이 차지하는 비중은 2006년 4% 수준에서 2024년에는 약 26%까지 확대되었다^[6].

이러한 LNG 직수입량은 지속적으로 증가하고 있는 추세이며, 앞으로 민간 주도의 LNG 직수입이 국내 천연가스 수급 구조에서 더욱 중요한 위치를 차지할 것으로 전망된다.

그림 5. 연도별 LNG 도입단가

Fig. 5. Trend of LNG Import Price by Year

2005년부터 2023년까지의 직수입 LNG 평균 도입단가는 KOGAS 대비 약 50% 수준으로 나타났다. 또한 직수입 LNG의 물량과 가격을 고려한 가중평균 방식으로 전체 LNG 도입단가 인하 효과를 추정한 결과, 2020년 약 5.3%, 2021년 3.7%, 2022년 5.8%, 2023년에는 6.4%의 단가 인하 효과가 있었던 것으로 분석되었다. 이와 같은 결과는 직수입 LNG의 상대적으로 낮은 도입단가뿐만 아니라 각 연도별 직수입 물량 비중이 전체 도입단가 인하율에 큰 영향을 미쳤음을 보여준다.

3.1 Machine Learning

머신러닝(Machine Learning) 분석의 재추정 기간은 2005년부터 2023년까지이며, 머신러닝 기법은 비선형 데이터 패턴 분석에 강점을 가지고 있다. 또한 데이터 학습 및 모델 비교를 자동화할 수 있으며, 다양한 학습 알고리즘 간 성능 비교를 통해 최적의 모델 조합을 탐색할 수 있다는 장점이 있다.

본 논문에서는 실계통기반 하루전시장 도입 전후로 구분하여 여러 모델을 통해 모델학습을 진행했을 시 분석 결과, 실계통기반 하루전시장 도입 전 기간에는 Extra Trees Regressor, CatBoost Regressor, Gradient Boosting Regressor 모델이 가장 우수한 성능을 보였으며, 실계통기반 하루전시장 도입 이후 기간에는 Bayesian Ridge, Orthogonal Matching Pursuit, AdaBoost Regressor 모델이 가장 우수한 성능을 나타냈다. 이러한 방식으로 학습을 구분하는 이유는 실계통기반 하루전시장이 도입됨에 따라 전력시장운영의 방식에 변화가 크게 바뀌었기 때문에 이에 대한 영향을 반영하기 위함이다. 한편 하이퍼파라미터 튜닝은 머신러닝 모델의 성능을 최적화하기 위해 가장 적합한 하이퍼파리미터 조합을 탐색하는 과정으로, 본 연구에서는 랜덤서치(Random Search) 방식을 사용하여 최적의 파리미터 조합을 도출하였으며 입력변수로는 각 연료원(원자력, 석탄, 유류, LNG)의 월별 열량단가, 발전량 및 SMP를 활용했다.

그림 6. 머신러닝 기법을 통한 분석 순서도

Fig. 6. Analysis Flow Chart Using Machine Learning Method

$N$ : 데이터 개수

$y_{i}$ : 실제값

$\hat{y_{i}}$ : 예측값

2005년 1월부터 2023년 12월까지의 월별 SMP를 머신러닝을 통해 재추정한 결과, 전반적으로 우수한 예측 성능이 확인되었다. 예측 오차 분석을 위해 평균제곱근오차(RMSE, Root Mean Squared Error)와 평균절대백분율오차(MAPE, Mean Absolute Percentage Error)를 활용하였다. 분석 결과, 실계통기반 하루전시장 도입 이전 기간의 RMSE는 2.6, MAPE는 1.1%였으며, 도입 이후 기간의 RMSE는 5.4, MAPE는 2.7%로 나타나, 두 기간 모두 안정적인 예측 성능을 유지한 것으로 평가된다. 이는 머신러닝 기반의 SMP 재추정 모델이 높은 정밀도와 신뢰성을 갖추었음을 보여주는 결과이다.

그림 7. 머신러닝 시뮬레이션을 통한 SMP 재추정

Fig. 7. Re-Estimating SMP Through Machine Learning Simulation

3.2 PLEXOS

PLEXOS는 호주, 북미, 유럽 등 주요국에서 널리 활용되는 상용 전력시장 시뮬레이션 프로그램이다. 이 프로그램은 발전기 특성의 현실적 모델링이 가능하며, 다양한 제약조건 구현을 통해 정확한 시뮬레이션을 수행할 수 있다. 또한 통합에너지 계획(Integrated Energy Planning) 모듈을 통해 발전기 기동·정지 계획과 경제급전 최적화 분석이 가능하다^[8]. 본 논문에서는 이러한 장점을 가진 PLEXOS를 활용하여 LNG 직수입이 국내 전력시장 SMP에 미치는 영향을 분석하였다. 이를 위해 2023년 월별 SMP를 재추정하고, LNG 직도입 여부에 따른 SMP 변화를 비교 분석하였다.

그림 8. PLEXOS 시뮬레이션 결과(2023년)

Fig. 8. PLEXOS Simulation Result(2023)

2023년 1월부터 12월까지 월별 SMP를 PLEXOS 시뮬레이터로 재추정한 결과, 예측 오차는 MAPE 2.0%, RMSE 3.2로 나타나 우수한 예측 성능을 보였다. 이에 따라 LNG 직수입이 없는 가상 시나리오에 대해서도 동일한 시뮬레이션을 수행하였으며, 두 시나리오 간의 SMP 비교 결과는 표 6에 정리하였다.

3.3 통계모델

통계적 분석을 위해 다중선형회귀모형을 적용하였으며, 분석 기간을 기본 시장 모형(2005년 1월 ~ 2022년 8월)과 실계통기반 하루전시장 적용 모형(2022년 9월 ~ 2023년 12월)으로 구분하여 진행하였다. 분석에 사용한 변수로는 원별(LNG, 유류, 원자력, 석탄) 열량단가[EPSIS]와 발전량[한전통계월보]을 활용하였으며, 본 연구에서 최종적으로 적용한 다중선형회귀모형은 수식 (3)과 같다.

$k$: 실계통기반 하루전시장 적용 여부를 나타내는 첨자

$t$: 년월을 나타내는 첨자

($k=1$: 2005년 1월 ~ 2022년 8월,

$k=2$: 2022년 9월 ~ 2023년 2월)

다중선형회귀모형을 통해 SMP를 가장 잘 설명하는 최적의 변수 조합을 탐색하였으며, 모형의 설명력은 수정결정계수(Adjusted R-squared)를 기준으로 평가하였다. 특히 직수입 가격과 물량을 포함한 입력변수 조합 중 수정결정계수가 최대가 되는 모형을 최종적으로 선정하였다.

분석 결과, 실계통기반 하루전시장 도입 이전 기간의 수정결정계수는 0.9720, RMSE는 5.706원, MAPE는 4.15%로 나타났으며, 실계통기반 하루전시장 도입 이후 기간에는 수정결정 계수가 0.9873, RMSE는 6.027원, MAPE는 2.46%로 나타났다. 두 모형 모두 LNG 열량단가와 LNG 발전량이 공통적인 유의변수로 도출되었다. 따라서 실계통기반 하루전시장 도입 전·후 기간에 대한 모형의 적합성과 일반성을 종합적으로 고려하여, 최종적으로 실계통기반 하루전시장 도입 이전 모형의 설명력과 예측 성능을 개선하였다.

<적용이전 : 2005~2022.08>

<적용이후: 2022.09 ~ 2023.12>

4.1 분석 방안

본 논문에서는 한국전력의 전력구입비 감소효과를 분석하기 위해, 한국전력이 구매한 전력을 다음과 같이 세 가지 유형으로 구분하여 계산하였다.

① 정산조정계수 적용 전력거래량 : 원자력 및 석탄 발전과 같이 정산조정계수를 적용받는 전력거래량으로, 한전자회사 발전량을 기준으로 산정하였다.

② 정산조정계수 미적용 전력거래랑 : LNG, 유류 발전 등과 같이 SMP와 발전량을 곱한 금액으로 정산받는 전력거래량이다.

③ 신재생 전력거래량 : 사전계약 가격으로 정산받는 신재생 발전량으로, 현물시장에 참여하는 신재생 발전량은 본 분석에서 제외하였다.

$\Delta\cos t_{purchase}$ : 전력구입비 감소량

$\Delta SMP$ : SMP 감소량

$P_{all}$ : 전체 발전량

$P_{2}$ : 한전 자회사 발전량

$P_{3}$ : 신재생 전력거래량

4.2 분석 결과

먼저 머신러닝 기법을 활용하여 분석한 2005년부터 2023년까지의 SMP 영향과 그로 인한 전력구입비 변화는 표 14와 같다.

머신러닝 기법을 활용한 2005년부터 2023년까지의 전력시장 시뮬레이션 결과, LNG 직수입은 분석 기간 동안 평균 2.7원/kWh의 SMP 인하 효과를 나타냈다. 특히, LNG 직수입 물량 비중이 증가함에 따라 SMP 인하 효과는 점차 확대되는 추세를 보였다. 또한 이러한 SMP 하락은 한국전력의 전력구입비 절감으로 이어져, 2021년에는 4,441억 원, 2022년에는 9,003억 원, 2023년에는 10,198억 원의 비용 절감 효과를 가져온 것으로 추정된다.

한편, PLEXOS 시뮬레이션을 활용한 2023년 전력시장 분석 결과, LNG 직수입으로 인한 SMP 인하 효과는 약 10원/kWh으로 나타났으며, 이에 따른 한국전력의 전력구입비 절감효과는 약 14,179억 원으로 추정되었다.

통계적 분석기법을 이용한 2021년, 2022년, 2023년의 전력시장 시뮬레이션 결과, LNG 직수입으로 인한 SMP 인하 효과는 각각 약 3.6원/kWh, 10원/kWh, 9원/kWh으로 추정되었다. 이에 따른 한국전력의 전력구입비 절감효과는 2021년 4,653억 원, 2022년 13,410억 원, 2023년 12,601억 원 수준인 것으로 나타났다.