본 연구에서는 2030년 태양광과 풍력발전 예측을 위해서 8차전력수급계획과 2018년 시점 기준 가장 높은 수준으로 태양광과 풍력이 보급된 지점 16곳을 선정해서 확률모형을 추정하였다. Table 1, Fig. 1과 Table 2, Fig. 2가 선택된 태양광과 풍력단지의 정보를 보여주고 있다. 태양광은 특정지역에 대규모 태양광 단지가 조성되기보다는 소규모 태양광이 여러 곳에 분산되있는 특성 때문에 전국 16개시도지역을 대표지역으로 선택하고 확률모형에 구축에 필요한 기상자료를 수집하였다.

Fig. 1. 
Location of 16 solar PV farms

Fig. 2. 
Location of 16 wind farms

풍력은 8차전력수급계획에 기반해서 주요 16개 풍력단지를 선정해서 해당지역의 확률모형을 추정하였다. 2030년 해상풍력의 규모가 약12 GW까지 증가하는 것을 반영해서 5개 지점은 해상풍력 지점(w12~w16)으로 선정하였다. 지점별 2030년 재생에너지 용량은 2018년 풍력 용량대비 2030년 풍력 용량에 비례하여 증가한다고 가정하였다. 각 풍력과 태양광 단지의 기상정보는 기상자료개방포털에서 2015~2017년 자료를 이용하여 분석하였다^[10,11].

Fig. 3은 태양광 16개 지점의 일사량과 기온과의 상관관계를 보여준다. 본 그래프는 지점간의 상관관계가 1에 가까울수록 빨간색을, -1에 가까울수록 파란색을, 상관관계가 0에 가까울수록 녹색을 띄는 구조이다. 일사량과 기온간의 상관관계는 0.4~0.5 수준으로 유의미한 양의 상관관계를 보여주고 있으며 이는 일사량 추정에 기온이 상당한 역할을 할 수 있음을 보여준다.

Fig. 3. 
Radiation-temperature correlation table, 16 solar farms

Fig. 4는 풍력단지 16개의 풍속과 기온과의 상관관계를 보여준다. 풍속과 기온간의 상관관계는 -0.4~-0.2 수준의 음의 상관관계를 보여준다. 일반적으로 기온이 낮을 때 풍속이 빠르다는 상식에 부합하는 결과이다. 일사량과 기온의 상관관계 강도에는 미치지 못하지만 역시 풍속을 설명하는데 일정부분 기온이 설명할 수 있음을 보여준다.

Fig. 4. 
Wind speed-temperature correlation table, 16 wind farms

Fig. 5는 16개 태양광단지의 일사량과, 16개 풍력단지의 풍속간의 상관관계를 보여준다. 육상풍속(w1~w11)은 전반적으로 일사량과 양의 상관관계를, 해상 풍속(w12~w16)은 음의 상관관계를 보여주는 것으로 나타났다. 이 결과는 중요한 시사점을 제시한다. 2030년 재생에너지가 유발하는 가장 큰 문제는 낮 시간대에 집중되는 태양광발전으로 인한 순수요 덕커브 현상이다. 이를 완화시키기 위해서는 태양광의 변동성을 감소시켜줄 수 있는 재생에너지 믹스를 가져가는 바람직할 것이다. 이런 관점에서 본다면 우리나라에서는 해상풍력이 육상풍력보다 태양광의 변동성 경감에 기여할 수 있는 좋은 대안이 될 수 있다. 육상풍력은 태양광과 양의 상관관계를 가져서 덕커브를 증폭시키지만, 해상풍력은 음의 상관관계를 가져서 덕커브를 상쇄시켜주기 때문이다. 이런 관점에서 본다면 3020 계획에서 육상풍력(약 5 GW) 보다 해상풍력(약 12 GW)의 목표를 높게 설정한 것은 전력시스템 운영 측면에서 바람직한 재생에너지 믹스 전략임을 알 수 있다.

Fig. 5. 
Radiation-wind speed correlation table, 16 solar PV farms and 16 wind farms

일사량과 풍속 확률모형은 전우영^[12]과 조상민 외(2018)^[13]에서 제시된 방법론을 기반으로 구축하였다. eq 1.과 eq 2.는 각각 일사량과 풍속의 확률모형 구조를 보여주고 있다. 기본적인 확률모형 방법론은 2-stage ARMAX¹⁾로, stage 1에서는 기온정보나 연간 cycle정보와 같은 결정론적 정보를 이용해서 일사량이나 풍속을 설명하고, stage 2에서는 stage 1의 오차항에 ARMA모형을 적용해서 추가적인 시계열 추정을 해주는 2단계 구조로 되어있다. 본 모형에서 일사량과 풍속자료를 변환하여 사용하는데, 해당값이 0일 경우 log 변환값은 음의 무한대 값을 가지기 때문에 이 문제를 해결하기 위해 1을 더해줘서 log 변환하였다.

Eq 1. 2-stage ARMAX: Radiation

Stage 1: OLS part

log(radiation_t,i +1) = β₀+β₁dc_t +β₂cdd_t,i +β₃hdd_t,i +υ_i,t

Stage 2: ARMA part

υi,t:1-∑j=1pαjLjυt,i=1+∑j=1qθjLjϵi,t

where, dc :일간 주기, cdd: 냉방도일, hdd: 난방도일

Eq 2. 2-stage ARMAX: Wind Speed

Stage 1: OLS part

log(wind_t,i +1) = β₀+β₁cy_t +β₂sy_t +β₃cy2_t +β₄sy2_t+β₅cd_t +β₆sd_t +β₇cd2_t +β₈sd2_t+β₉cdd_i,t +β₁₀hdd_t,i +υ_i,t

Stage 2: ARMA part

υi,t:1-∑j=1pαjLjυt,i=1+∑j=1qθjLjϵi,t

where, cy : 연간 코사인주기, sy: 연간 사인주기, cy2 : 반년 코사인주기, sy2: 반년 사인주기, cd: 일간 코사인주기, sd: 일간 사인주기, cd2: 반일 코사인주기, sd2: 반일 사인주기, cdd: 냉방도일, hdd :난방도일

본 단계에서는 앞서 추정된 각 지점별 일사량과 풍속 확률모형을 기반으로 몬테카를로 시뮬레이션 방법론을 적용해서 태양광과 풍력 예측 프로파일을 도출한다.

재생에너지 예측 프로파일 추정을 위한 몬테카를로 시뮬레이션은 크게 3단계로 구성되어 있다. 첫 번째는 앞서 통계모형의 stage 2에서 도출된 백색잡음잔차의 평균과 공분산행렬을 기반으로 정규분포를 가정해서 각 32개 지점의 백색잡음잔차를 랜덤하게 1,000개 생성하는 것이다. 두 번째는 생성된 1,000개의 백색잡음잔차를 기반으로 앞서 확률모형의 stage 2에서 추정된 ARMA 식을 이용해서 stage 1의 잔차항을 도출하는 것이다. 세번째는 도출된 잔차항을 이용해서 stage 1의 추정 모형을 바탕으로 일사량과 풍속예측값을 구하는 것이다.

이렇게 도출된 일사량 및 풍속 예측 프로파일은 각각 태양광 및 풍력 변환식을 적용해서 태양광과 풍력 프로파일로 변환한다. 태양광과 풍력으로 변환된 1,000개 예측 프로파일은 Fig. 6과 Fig. 8에 제시되어 있다.

Fig. 6. 
1000 Forecasting profiles of solar PV generation

변환된 태양광 및 풍력 예측 프로파일에서 변동성과 불확실성을 명확하게 표현하기 위해 1,000개 프로파일 중 중위값, ±1 표준편차, ±2 표준편차의 5개 대표 프로파일을 추출하였는데 해당 프로파일은 Fig. 7과 Fig. 9에 제시되어 있다.

Fig. 7. 
5 Representative profiles of solar PV generation

Fig. 8. 
1000 Forecasting profiles of wind generation

Fig. 9. 
5 Representative profiles of wind generation

Table 3과 Table 4는 각각 16개 태양광 및 풍력 지점 확률모형의 설명력을 보여준다. Stage 1의 설명력(Adjusted R²)과 stage 2까지 포함한 설명력(Pseudo R²)²⁾ 두 가지를 표시하였다. 일사량 확률모형에서 stage 1의 설명력은 평균적으로 75%~80% 수준이고, stage 2의 설명력은 95% 안팎이다.

Table 4에서 나타난 풍속 확률모형의 설명력은 일사량 모형보다 훨씬 낮다. Stage 1의 설명력은 약 30% 수준이고, stage 2까지의 설명력은 약 75% 수준이다. 이는 풍속의 변동성과 일관성이 일사량보다 훨씬 낮아서 확률모형으로 풍속의 패턴을 체계화하는 것이 일사량보다 어려움을 보여준다.

Table 5는 태양광 지점 중 첫 번째 지점인 서울지역의 일사량 확률모형 추정 결과값을 보여준다. 일사량 모형에서 ARMA 식의 MA 항은 1, 2, 3 항을 채택했고, AR항은 1, 23, 24항을 채택했다. Stage 1과 stage 2의 모든 설명변수들이 통계적으로 유의함을 알 수 있다.

Table 6은 풍력 지점 중 첫 번째인 고성지역의 풍속 확률모형 추정 결과값을 보여주고 있다. 풍력모형은 다양한 연간, 일간 패턴을 설명하기 위해 여러 종류의 사이클 항이 stage 1에 포함되었다. 그리고 MA항은 1, 2, 3, 4, 5 항을, AR항은 1, 24항을 채택하였다. 풍력모형역시 stage 1과 stage 2의 모든 설명변수들이 통계적으로 유의함을 알 수 있다.

Fig. 10은 2030년 재생에너지 목표가 달성되었을 경우 여름철 대표일의 시스템 전체 풍력발전과 태양광 발전 변동성과 불확실성을 보여주고 있다. 전력시스템 전체 풍력발전은 Fig. 9에서의 개별 풍력발전패턴과는 달리 24시간 일정한 패턴을 보여주는데 이는 전국 16개 풍력단지의 풍력패턴이 상이해 이를 합했을 때는 서로의 변동성이 상쇄되기 때문이다. 전체 전력시스템 풍력패턴이 일정하기 때문에 전력수요에서 전력시스템의 풍력발전량만 차감한 풍력 순수요 패턴도 기존의 수요패턴과 유사한 형태를 보여준다.

Fig. 10. 
Estimated net demand of wind generation and solar PV generation

반면 태양광발전은 16개 모든 지점에서 해가뜰 때 발전량이 증가했다가 해가질 때 발전량이 감소하는 동일한 패턴을 가지기 때문에 전력시스템의 전체 태양광 발전패턴도 Fig. 10과 같이 낮시간에 집중된 형태를 보여준다. 그 결과 전력수요에서 태양광 발전만 차감한 태양광 순수요는 뚜렷한 덕커브 현상을 보여준다.

불확실성 관점에서는 일별 풍력의 최대 출력 불확실성 규모는 약 4,550 MWh 수준이고 태양광의 최대 출력 불확실성 규모는 약 4,450 MWh 수준이다. 2030년 태양광 설비용량이 풍력 설비용량의 두 배 수준임에도 불구하고 24시간 예측 불확실성의 크기는 두 재생에너지원이 비슷한 규모로 나타난 것이다. 이것은 풍력의 예측오차가 태양광의 예측오차보다 평균 두 배가량 높기 때문인 것으로 해석될 수 있다.

Fig. 11은 각 계절별 대표일의 2030년 순수요 패턴과 불확실성 추정결과를 보여주고 있다. 여름철과 겨울철의 순수요 패턴은 덕커브가 상대적으로 경미하게 나타났다. 태양광발전이 시작되는 9시~17시 사이를 제외한 최저 순수요 수준 대비 덕커브가 최고치일 때의 순수요간의 비율로 덕커브 현상이 얼마나 심각하게 발생하는지를 가늠할 수 있는데 이를 본 연구에서 덕커브율³⁾이라 명명하였다. 이 덕커브 율이 여름철은 약 87.4% 이고 겨울철은 덕커브 최저수요가 다른 시간 최저수요보다 높아 104.1%로 나타났다. 여름철 덕커브가 경미한 것은 피크시간 높은 냉방수요와 덕커브를 야기하는 태양광발전이 서로 상쇄되기 때문이다. 겨울철 덕커브가 경미한 것은 피크전력수요가 높고 태양광 발전량이 상대적으로 적기 때문이다.

Fig. 11. 
Net demand patterns of four seasons in 2030

반면 봄철과 가을철 덕커브 현상은 상대적으로 심각한 것으로 나타났다. 봄철과 가을철의 덕커브율은 66.4%와 55.9%로 이는 덕커브 최저수요가 다른 시간 최저 순수요의 약 66%와 56% 수준 밖에 되지 않는다는 것으로 전력시스템 운영에 어려움이 발생할 수 있다는 것을 의미한다. 첫번째 문제점은 기저부하 발전기를 효과적으로 사용하지 못하는데서 오는 전력시스템 비용 효율성 하락과 발전단가 상승이고, 두 번째 문제점은 덕커브시간 급격한 발전량 변동을 충족시켜줄 수 있는 유연성 자원들이 대거 필요함을 뜻한다.

하지만 본 연구결과는 2030년 수요가 현재와 같은 전력수요패턴을 유지하며 8차전력수급계획 수준으로 늘어나는 것을 가정했을 때의 결과이기 때문에 정부가 적극적으로 수요자원들을 활용해서 전력사용패턴을 덕커브를 줄이는 방향으로 유도한다면 2030년에 실제로 우리가 마주하게 될 순수요 패턴은 Fig. 11에서 제시한 것보다는 보다 경미한 덕커브를 보일 수 있을 것이다.

순수요의 불확실성은 피크 기준 봄철은 약 8,750 MWh, 여름철은 약 7,540 MWh, 가을철은약 5,320 MWh, 겨울철은 약 6,280 MWh인 것으로 나타났다. 불확실성의 크기는 피크수요 대비 6%~11% 수준으로 덕커브가 초래하는 문제보다 경미하다. 그리고 순수요의 불확실성은 계절성 보다는 재생에너지 발전량이 많은 날에 크게 나타나는 경향성을 보여준다.

Fig. 11은 현재의 전력수요패턴을 유지할 경우 2030년에 계절에 따라 상당한 수준의 덕커브 현상을 마주하게 되고 이는 전력공급의 안정성과 효율성이 훼손될 수 있음을 보여준다. 이에 대응하기 위해서는 선제적으로 덕커브를 완화하는 방향으로 수요패턴을 변화시켜야할 것이다. 최근 들어 수요자원거래시장의 규모가 커지고 있고 스마트미터기 보급이 본격화되면서 수요자원을 탄력적으로 활용하고자 하는 노력이 본격화 되고 있다. 과거의 전력시장은 문제가 발생할 경우 공급측면에서 발전소와 송전망을 추가 건설함으로써 문제를 해결하는 것에 집중해 왔는데, 이제는 수요측면에서의 문제해결방안도 함께 고민하면서 보다 효율적으로 전력시스템 운영을 해나가야 할 필요가 있다. 특히 2030년 변동성 재생에너지가 높은 수준으로 보급될 경우 공급측면만을 이용한 문제해결은 고비용 저효율 구조의 전력시스템을 유발할 수 있다. 따라서 적극적인 수요자원 활용을 통해 2030년 우리가 마주하게 될 덕커브를 완화하는 방향으로 수요패턴을 변화시켜 간다면 지속가능하고 친환경적인 재생에너지 보급이 원활히 이루어 질수 있을 것이다.