2.1 전력수요의 특징

전력수요는 그림 1과 같이 시장수요(Market Load), 계통수요(System Load), 총수요(Gross Load)로 구분할 수 있다. 시장수요는 전력시장에 참여하는 발전량의 합을 의미하고, 계통수요는 한전 PPA 발전량을 포함한 전력수요를 의미한다. 총수요는 자가소비와 BTM 발전량을 포함한 국가 총 발전전력을 의미한다.

그림 1. 전력수요의 구분

Fig. 1. Classification of Electricity Load

시장수요는 한전 PPA와 같은 BTM 태양광 정보가 반영되지 않기 때문에, 일사량 변화에 민감하게 반응하는 특징을 보인다. 반면 총수요는 실질적인 전기 사용량을 중심으로 구성되어 과거와 마찬가지로 온도 변화에 따른 냉난방 부하의 영향이 뚜렷하게 나타나는 특징이 있다^[2].

2.2 태양광 발전량 데이터의 특징

태양광 발전은 거래유형에 따라 크게 시장거래, 한전 PPA, BTM(상계거래 및 자가소비)으로 구분할 수 있다. 시장거래 태양광은 전력거래소를 통해 시간 단위로 정산이 이루어지며 대부분 대용량 설비로 구성되어 정확한 계량이 이루어지고 있으므로 발전량과 설비용량 정보를 신뢰할 수 있다. 한전 PPA의 경우 설비용량 정보는 비교적 정확하게 관리되고 있으나, 발전량 데이터는 AMI(Advanced Metering Infrastructure)가 설치된 경우에만 활용할 수 있다. BTM 자원 중 상계거래 태양광은 설비용량 정보만 확인할 수 있다. 상계거래 태양광 발전량 계량값은 고객이 사용하고 남아 계통으로 유입된 전력량이기 때문에 계량값이 실제 발전량을 의미하지 않는다. 자가소비형 태양광은 설비용량과 발전량 모두 확인이 불가능하므로 별도의 추정이 필요하다. 한편, 계통운영자가 관리하는 시장거래 데이터와 한전 PPA 데이터는 기관 간 데이터 공유의 제약으로 상호 연계되지 않아 종합적인 계통 수요 분석을 위해 발전량 추정이 불가피하다. 표 1은 거래유형별 태양광 발전 데이터에 대한 설명을 정리하여 보여준다.

3.1 태양광 발전량 데이터 수집

총수요를 재현하기 위해서는 시장수요와 태양광 발전량에 대한 정보가 필요하다. 그러나 모든 태양광 발전량 데이터를 확보하는 데는 한계가 있으므로 제안된 방법에서는 태양광 발전량 대표패턴을 기반으로 발전량을 추정하는 방식을 적용하였다. 이를 위해서는 먼저 신뢰할 수 있는 기초 발전량 데이터를 수집해야 한다.

태양광 발전의 거래유형에 따라 시장거래 태양광의 데이터는 한전의 차세대 전력시장 분석시스템(NPTS)을 통해 확보하였으며, PPA 태양광의 경우에는 AMI가 설치되어 시간 단위 계량이 가능한 설비만 계량데이터 관리시스템(MDMS)을 통해 데이터를 수집하였다. 설비용량은 영업정보시스템(SDIS)을 활용하였다.

3.2 태양광 거래유형별 발전량 대표패턴 생성

수집된 태양광 발전량 데이터는 15억 건 이상으로 매우 방대한 규모이다. 이 중 고압 PPA 고객의 데이터는 상대적으로 품질이 양호한 편이나 저압 PPA 데이터에는 누락값과 이상치가 다수 포함되어 있다. 이러한 특성으로 인해 전체 데이터를 일괄적으로 보정하는 데에는 한계가 있으며, 보정된 결과의 신뢰성 또한 확보하기 어렵다. 이에 따라 고압 PPA 데이터는 2시간 이내의 누락 값이나 이상치는 선형 보간법을 적용하여 보정하고, 2시간 이상 연속된 누락 구간에 대해서는 일사량과 이력 데이터를 기반으로 발전량을 추정하였다. 반면, 저압 PPA의 경우 누락이 없고 발전량이 신뢰구간 내에서 안정적으로 변동하는 발전설비를 선별하여 분석 대상으로 삼았다. 이를 위해 전국을 14개 지역으로 구분하고, 100kW 단위 설비용량 구간을 기준으로 대표 발전설비를 선정하였다. 이들의 계량데이터를 기반으로 거래유형별 대표 발전패턴을 생성할 수 있다.

3.3 전력수요 재현 분석

먼저 $t$시간에서의 총수요($L_{t}^{gross}$)를 구하기 위하여 시장수요($L_{t}^{market}$)와 태양광 발전량의 합으로 식 (2)과 같이 나타낼 수 있다.

여기서, $PV_{t}^{obs}$는 계량되어 알고있는 $t$시간의 태양광 발전량으로, 시장거래 $PV_{t}$는 단위용량당 태양광 대표 발전량 패턴이고, $C$는 추정할 태양광 용량을 의미한다.

만약 적정한 $C$를 얻어 모든 태양광 발전량의 영향이 제거된 총수요를 생성한다면 해당 수요는 주로 기온에 의한 냉난방 부하의 영향성만 나타나게 된다. 본 논문에서는 이를 판단하기 위해 식 (3)과 같은 기온설명력 평가를 제안한다. 기온설명력 평가는 과거의 총수요 데이터와 기온 데이터를 활용한 시계열 모델을 구성하고 모델을 통해 얻은 값이 $L_{t}^{gross}$와 얼마나 유사한지 판단하는 방법이다. 특정 태양광 용량 $C$에서 모델을 통해 얻은 값과 $L_{t}^{gross}$이 유사하다면, 이는 태양광 발전량의 영향이 가장 효과적으로 제거되다고 생각할 수 있다. 그러므로 이때의 태양광 용량 $C$를 전체 태양광 설비용량으로 추정한다.

여기서, $e_{d,\: t}$는 $d$일 $t$시간의 기온설명력 지표로 1에 가까울수록 정확한 것으로 해석한다. $N$은 기준이 되는 $d$로부터 선정되는 과거 데이터의 개수이고, $\alpha^{n}$는 $n$번째 과거 데이터의 가중차를 의미한다. $s_{t}^{p}$는 계절구간 $p$에서 $t$시간 전력수요의 기온민감도이고, $T_{d,\: t}$는 $d$일 $t$시간의 기온이다.

전력수요의 기온민감도는 계절에 따라 다르게 나타난다. 하계에는 기온이 상승하면 냉방부하가 증가하면서 전력수요가 증가하지만, 동계에는 기온이 상승하면 난방부하가 감소하여 전력수요가 감소한다. 이러한 계절적 특성을 반영하기 위해 전력수요 분석 시 기온민감도를 계절 구간별로 구분하여 적용할 필요가 있다. 기온민감도는 식 (4)와 같이 총수요와 기온 간의 선형회귀분석을 통해 산출되며, 회귀식에서 1차 항의 계수를 민감도 지표로 활용한다^[4].

여기서, $s_{t}^{p}$는 $t$시간의 전력수요와 기온사이의 선형회귀분석의 1차항의 계수로 기온민감도를 의미하며, $\beta$는 상수항을 의미한다.

3.4 태양광 설비용량 및 발전량 산정

분석대상 기간에 대하여 얻어진 $e$의 평균이 가장 커지는 지점의 태양광 용량을 산정한다. 이때의 태양광 용량을 전국 태양광 설비용량이라고 할 수 있으며, 기존에 알고 있는 거래유형별 설비용량과의 비교를 통해서 BTM 태양광의 설비용량을 추정할 수 있다. 또한 거래유형별 발전량 데이터와 산정된 용량을 활용하여 발전량도 산정이 가능하다. 발전량 산정은 식 (5)를 통하여 얻을 수 있다.

여기서, $\hat{PV_{t}}$와 $\hat{C}$는 각각 추정된 태양광 발전량과 발전설비 용량이다.

4.1 2021년 태양광 설비용량 추정

2021년 전력수요 및 태양광 데이터를 활용하여 거래유형별 태양광 설비용량을 월 단위로 추정하였다. 차세대 전력시장 분석시스템의 시장거래 데이터는 정확하다고 가정하여 용량과 발전량정보를 보정없이 사용하였다. PPA는 14개 지역본부와 용량 구간 단위로 선정된 대표 태양광 716개소(245㎿) 데이터를 활용하여 대표패턴을 생성하였다.

표 2는 다양한 태양광 발전 데이터의 특성 분석 결과를 나타낸다. PPA 데이터는 이상데이터의 비중이 높아 이용률과 상관계수가 전반적으로 낮게 나타났다. 상계 데이터의 경우 사용 후 잔여 전력만 측정되기 때문에 이용률이 낮게 나타나는 특성이 있다. 시장거래 데이터에는 ESS가 연계된 태양광 발전소가 포함되어 있다. 이러한 발전소는 주간에 발전된 전력을 ESS에 저장하고 야간에 방전하기 때문에 이 데이터를 포함하면 분석이 왜곡된다^[5]. ESS 연계 태양광 발전량 데이터를 제외한 경우 이용률은 37%, 상관계수는 0.79로 나타났다. 대표 패턴도 이용률 37%로 이와 유사한 경향을 보여 대표 발전패턴이 적절하게 생성되었음을 확인할 수 있다.

기온민감도 산정을 위해 1년을 4개 구간으로 구분하고, 기온은 전국 5대 도시(서울, 대전, 대구, 부산, 광주)의 가중평균 값을 사용하였다. 기온민감도 산정과 기온설명력 평가는 전력수요 패턴이 다른 주말과 특수일을 제외한 평상일 222일을 대상으로 수행하였다^[4]. 표 3은 이러한 과정을 통해 얻어진 계절 구간별 기온민감도이다.

기온설명력 평가는 태양광 발전의 영향이 두드러지는 주간 시간대(09~17시)를 중심으로 이루어졌다. 과거 데이터는 3개를 사용하였고, 가중치는 각각 0.7, 0.21, 0.09이다. 이러한 과정을 통해 얻어진 기온민감도와 기온설명력 지표를 활용하여 2021년 월별 태양광 발전설비 용량 추정 결과는 추정 결과는 표 4와 같다.

2021년 12월 기준으로 설비용량이 20.6GW로 추정되었으며 이때 $e$값은 0.978로 나타났다. 거래유형별로는 시장거래(5.8GW), PPA(12.5GW), BTM(2.3GW)로 추정이 되었다. BTM은 상계거래와 자가소비로 구성되며, 상계거래 태양광 용량은 한전 영업정보시스템을 통해 2.0 GW로 확인된다. 이에 따라 BTM 총 2.3 GW 중 약 0.3 GW는 자가소비분으로 해석할 수 있다. 태양광 BTM 총량은 직접 관측되지 않아 절대적 정확도의 즉시 검증은 어렵지만, 상계거래 2.0GW를 관측할 수 있는 하한으로 둘 때 BTM 추정 결과는 기대할 수 있는 자가소비 규모를 포함한 합리적 범위에 있다. 이를 통해 제안된 기상 기반 전력수요 재현 분석 절차는 BTM 자원의 실질적인 규모를 정량적으로 도출할 수 있음을 확인할 수 있다.

추정된 용량을 기반으로 산정한 태양광 발전량과 총 부하는 그림 3에 나타나 있다. 그림 3은 2021년 5월 24일~28일 12시 기준 시장수요와 추정된 태양광 발전량을 보여주며, 두 값을 합산한 결과가 총수요를 형성한다. 이 기간은 냉난방 수요에 따른 부하 변동이 거의 없어 과거에는 시장수요 변화가 크지 않았던 시기이다. 그러나 25일과 비교해 27일에는 시장수요가 6,878㎿(12.0%) 증가한 것으로 나타났다. 이는 25일 흐린 날씨로 태양광 발전량이 적어 수요가 낮게 나타났지만, 27일에는 태양광 발전량 증가로 인한 왜곡된 수요가 반영된 결과이다. 일사량 자료를 보면 27일과 28일은 흐린 날씨로 인해 낮은 값을 보이며, 추정된 태양광 발전량 또한 일사량과 연계되어 맑은 날에는 발전량이 많고 흐린 날에는 적게 나타나는 특성이 확인된다. 복원된 총수요는 이러한 태양광 발전량의 영향을 제거한 결과로, 일정한 수준을 유지하고 있다.

그림 3. 태양광 발전량 추정 결과 (2021.5.24.~28. 12시)

Fig. 3. Estimated PV generation (2021.5.24.~28. 12h)

4.2 태양광 실적 데이터 반영 수준별 총수요 재현 정확성

태양광 발전량 실적 데이터의 보유량은 기관이나 시스템에 따라 상이하며, 이를 총수요 분석에 얼마나 반영하는지에 따라 기온설명력 지표에 차이가 발생한다. 본 절에서는 태양광 실적 데이터 반영 수준에 따른 총수요 재현의 정확성을 분석하였다. 구체적으로 태양광 발전으로 인한 영향을 얼마나 제거했는지에 따라 네 가지 시나리오로 나누어 비교하였으며 분석 결과는 표 5와 같다.

Base Case는 태양광 발전 데이터를 전혀 반영하지 않은 경우이다. 이 경우 태양광에 의한 수요 감소 효과를 제거하지 않고 온도에 의한 수요변동만 고려하므로, 추정된 수요에 대한 기온설명력 값이 가장 낮게 나타났다.

Case 1은 일사량 데이터를 활용하여 태양광 발전량과 설비용량을 추정한 경우이다. 온도 민감도를 반영할 때 일사량 민감도도 함께 고려하여, 식 (6)의 다중회귀분석을 통해 기온민감도와 일사량민감도를 동시에 산정하였다. 이 경우 기온설명력 값이 0.974로 Base Case보다 향상된 값이 얻어졌다. 이는 일사량민감도 반영으로 태양광에 의한 부분이 제거되는 효과가 있었기 때문이다.

여기서, $s_{t}^{T}$는 $t$시간의 온도과 일사량에 대한 다중회귀분석의 기온에 대한 계수로 온도민감도를 의미하며, $s_{t}^{I}$는 일사량에 대한 계수로 일사량민감도를 의미한다. $\beta$는 상수항을 의미한다.

Case 2는 시장거래 태양광 데이터만으로 전체 태양광 발전량을 추정한 경우이다. 전력시장에 거래되는 태양광은 전체 태양광의 약 28% 수준이므로, 전체 태양광 중 일부만 실적 데이터를 포함한 것이다. 이 실적치를 활용하여 총수요를 추정한 후 기온설명력 평가를 수행하였다. 그 결과 기온설명력은 0.971로 Case 1보다 낮게 나타났는데, 일사량 민감도를 이용해 전체 태양광을 추정한 경우(Case 1)가 일부 실적치만 활용(Case 2)하는 경우보다 오히려 설명력이 더 높은 것을 보여준다. 이것은 태양광 실적 데이터의 수가 작으면 분석 정확도가 오히려 떨어질 수 있음을 의미한다.

Case 3은 4.1절에서와 같이 시장거래 태양광에 더하여 일부 AMI가 설치되어 있는 PPA 데이터까지 추가로 포함한 시나리오이다. 그 결과 기온설명력 값은 0.978로 가장 높게 나타났으며, 이를 통해 태양광 실적 데이터의 반영 범위가 넓어질수록 총수요에서 태양광 영향이 효과적으로 제거되어 총수요 재현의 정확성이 개선된다는 것을 알 수 있다.