Current Issue

수시로 변하는 기후 데이터를 적용하는 방법으로 표준기상년(TMY; Typical Meteorological Year) 데이터를 이용할 수 있다. 단순 평균값으로 수치를 적용한다면, 변동성이 적은 온화한 경향만을 반영하므로 실제의 데이터를 이어붙인 데이터셋을 구축하여 표준데이터로 이용하는 것이다.

일반적인 표준기상년 추출방법은 장기 기상데이터를 월 단위로 구분하고, 평균에 가장 가까운 연도의 월 데이터를 대표기상월(TMM; Typical Meteorological Month)로 정하는 방식이다.^[1] 각 월별로 적합한 연도의 데이터를 선정하고, 총 12개의 월 데이터를 결합하여 전체 표준기상년 데이터셋을 구성하게 된다.

현재 한국에너지기술연구원에서 공개하는 표준기상년 데이터는 Sandia method(1978)를 이용하여 제작하였다.^[2] 대표기상월을 선정하는 과정에는 일반적으로 FS(Finkelstein-Schafer) 통계방법을 이용하게 된다.^[3]

Sandia method를 기준으로 한다면, 먼저 Table 1의 10개 기상요소별로 누적밀도함수(CDF; Cumulative Distribution Function)를 제작한다. 그리고 가중치를 고려했을 때, 전체 기간의 누적밀도함수와 가장 가까운 연도의 데이터를 해당 월의 대표기상월로 정하게 된다. 각 기상요소별 가중치는 균등하지 않다. 특히 일사량의 가중치가 50%로 기상요소들 중에서 차지하는 비중이 가장 크기 때문에 태양광과 태양열에 관한 분석에서 중요한 지표로 활용될 수 있다.

표준기상년 데이터의 일사량 데이터는 일반적으로 GHI(Global Horizontal Irradiance)라고 부르는 수평면 전일사량이다. 고정형 태양광 설비를 설치할 경우에는 일반적으로 해당지점의 위도값을 활용하여 태양광 패널에 설치각을 부여하기 때문에 태양전지에 도달하는 일사량 수치는 수평면 전일사량과 달라지게 된다.

일반적인 설치방법에 따라 남향을 향하고, 위도값을 활용한 최적 설치각을 적용한다면, 태양광패널 입사면에 도달하는 일사량의 분포는 표준기상년의 일사량의 분포와 차이가 발생할 수 있다.

표준기상년의 대표기상월을 선정하는 방식으로 태양광 패널에 도달하는 일사량(이하 POA(Plane of Array) 일사량)에 대해서도 FS 통계를 적용한다면, 새로운 대표기상월이 등장하는지 의구심이 발생한다. 보통 각 표준월이 적용된 표준기상년 데이터를 활용하여 POA 일사량을 연산하기 때문에 일사데이터 분포형태를 분석하는 과정에서 오류가 발생할 수 있다.

본 연구에서는 고정식 태양광 설비를 가정한 POA 일사량과 기존 수평면 전일사량의 분포특성을 비교하고, FS 통계에 의한 표준데이터 추출결과를 비교하여 그 차이를 분석하였다. 기존의 다수 연구들이 수평면 전일사량을 이용하여 특정 조건에서의 POA 일사량을 추출하는 모델 정확도에 치중하였다면, 본 연구에서는 수평면 전일사량 데이터 분포와 이에 상응하는 POA 일사량 데이터 분포를 비교하고, 대표년(Typical Year) 데이터셋을 새로 선정하였다.

대표기상월을 선정하는 방식에 따라 각기 다른 결과가 도출된 많은 사례가 존재한다. Habte et al.(2014; 2023)의 경우, 대표기상월을 선정하기 위한 가중치를 법선면 직달일사량에 100% 부여한 TDY(Typical Direct(normal irradiance) Year), 수평면 전일사량에 100%에 부여한 TGY(Typical Global(horizontal irradiance) Year) 데이터셋을 생성하여 TMY, TDY, TGY 데이터셋 간의 분포 특성과 그 차이를 비교하였다.^[4] 이후에도 태양광 패널 배열면(POA) 수치를 이용하여 TPY(Typical POA Year) 데이터셋을 생성하고 평가하였다. 새로운 TPY와 기존 TMY를 비교한 결과, 일반적인 태양광 시스템을 가정할 경우, 약 ±5% 가량의 에너지 생산량을 오차 발생을 확인하였다.^[5]

문제는 새로운 POA 일사량을 얻기 위해서는 추가적인 모델식과 입력인자가 요구된다는 것이다. 이에 POA 일사량 산정에 적합한 모델식을 평가하고 실제의 데이터를 활용하여 그 성능을 평가하는 논문이 다수 존재한다.

Gueymard(2009)는 미국 콜로라도의 중위도 지역에 대해 10개의 전치(Transposition) 모델과 다양한 직접/확산 모델을 비교하였다.^[6] Yang et al.(2013)은 이러한 연구를 열대대기조건을 나타내는 적도 지역에 적용하였다.^[7] Lave et al.(2015)의 연구에서도 미국 전역 12지점에 대해 분석을 수행하였으며,모델이 오차를 가지는 원인으로, 알베도, 일사량 성분별 추정치 등을 지적한 바 있다.^[8]

이외에도 많은 논문들이 POA 일사량을 구하는 최적모델을 분석하여 그 결과를 제시하였으나, 공통적인 의견은 기후조건과 시공간적 상황에 따라 모델의 성능은 다르게 나타날 수 있다는 것이다. 따라서 가장 높은 성능의 일사량 추정을 위해서는 대상지역에 대한 장기간의 지상관측데이터를 구하고 이를 이용하여 최적화를 수행하는 과정이 필요하다.

일사량 데이터는 시공간 특성에 따라 그 편차가 크게 나타나고, 경향성 파악이 쉽지 않다. 국내 공개된 직접관측 데이터의 지점 수도 적고, 표준데이터를 직접 추출하기에도 어려움이 따르기에 앞으로 장기 시계열 데이터를 기반으로 하는 표준기상년의 데이터의 활용은 더욱 많아질 것으로 보인다.

일반적인 표준기상년의 일사량은 수평면 전일사량으로, 경사면 태양광 패널 등에 적용하기 위해서는 태양 입사각 등을 고려하여 복잡하게 연산되는 POA 일사량이 필요하다.

하지만 본 논문에서 제시한 바와 같이 수평면 전일사량을 활용하여 구한 대표기상월과 POA 일사량을 기반을 한 대표기상월은 차이가 발생하기에 이를 염두에 두고 활용해야 할 것이다. 본 논문의 주요결과를 요약하면 다음과 같다.

• 1) 국내 16지점의 30년 시간누적 데이터를 이용하여 분석한 결과, 수평면 전일사량을 활용하여 구한 대표기상월과 POA 일사량을 기반을 한 대표기상월은 28% 정도의 차이가 발생하였다.
• 2) 대표기상월을 이용하여 추출된 POA 일사량은 표준기상년의 수평면 일사량과 비교하였을 때, 평균값이 9% 상승하고, 최대, 최소의 편차는 40% 감소하였다.

본 연구에서는 Isotropic 전치모델과 DIRINT 직산분리모델을 적용하여 POA 일사량을 연산하였다. 가용한 전치모델과 직산분리모델의 종류도 매우 다양하고, 시공간적 특성도 세밀하게 적용할 수 있기에 향후 더 정확한 POA 데이터셋이 생성될 수 있을 것이다.

일사량은 동일한 시공간이라고 해도, 설치각, 방위, 그리고 설치조건에 따른 그림자 효과 등, 이용환경에 따라 대상면에 입사되는 일사량이 변화된다. 사업성 평가 등 일사량의 정밀한 분석을 위해서라면, 기존의 수평면 전일사량의 분포만을 그대로 적용하기보다는 본 연구에서와 같이 POA 일사량을 새롭게 연산하고, 이러한 데이터셋을 토대로 새로운 표준일사량을 추출하는 과정이 필요하다.

한국에너지기술연구원에서는 2010년도부터 산업부로부터 신재생에너지 참조표준 데이터센터의 자격을 부여받아 국내 표준기상년 데이터셋을 생산하는 연구를 수행하고 있다. 그리고 새로운 결과물을 국가참조표준 데이터센터에 지속적으로 등재하고 있다.

그 결과, 현재까지 생성된 국내 표준기상년 데이터셋은 1000지점 이상이다. 지상센서를 활용하여 직접 관측된 데이터와 위성영상과 재분석자료를 활용하여 제작된 데이터를 활용하여 데이터셋을 확장해 가고 있다.^[14] 국가참조표준 데이터센터 웹페이지를 통해 공개하고 있으니 보다 많은 활용과 검증이 이루어지길 바란다.