1. 서 론

국내 재생에너지 확대정책은 태양광과 풍력을 중심으로 수립되고 있으며, 해당 전원은 기상환경에 직접적인 영향을 받아 간헐적인 출력 특성을 갖는다. 이러한 전원을 변동성 재생에너지원이라고 하며, 변동성 재생에너지원의 비중이 확대됨에 따라 계통 내 변동성이 증가하고 있다. 재생에너지 변동성에 대응하기 위해서는 계통 내 유연성이 요구된다. LNG 발전기, 가스터빈, 에너지저장장치와 같은 유연성 자원은 석탄이나 원전과 같은 전통적인 자원에 비해 비용이 크기 때문에 경제적인 계통 계획을 위해서는 변동성을 완화하는 방안이 마련되어야 한다. 변동성 완화 방안 마련에 앞서, 향후 재생에너지로 인해 발생 가능한 변동성을 추정하는 과정이 선행되어야 한다. 기존에 기상데이터 및 머신러닝 기법을 활용하여 태양광 발전량을 추정한 연구가 다수 수행되었다^(1-5). 일사, 기압, 기온 등의 데이터와 여러 가지 머신러닝 기법을 활용한 모델을 통해 발전량을 추정하고 모델간 정확도를 비교한 연구가 수행되었다⁽²⁾. 또한, 위도와 경도 데이터를 이용하여 추정모형을 모델링하여 발전량을 추정한 연구가 수행되었다⁽³⁾. 해당 연구들은 기상데이터와 다양한 학습변수를 활용하여 추정모형을 모델링하고 추정 성능이 우수한 모델을 소개하였다. 재생에너지 변동성에 관한 연구로는 계통 전체의 태양광 발전 실적을 통해 다양한 시간 단위에서 변동성을 검토한 연구가 수행되었다⁽⁶⁾. 기상데이터와 머신러닝 기법을 활용한 태양광 발전량 추정 연구에서는 발전량에 대한 분석은 수행했지만, 변동성에 관한 분석은 수행되지 않았다. 변동성과 관련한 연구에서는 계통 전체의 태양광 실적을 기반으로 변동성을 분석했기 때문에 개별 태양광 발전소의 발전량을 추정하기 어렵다는 한계를 지니고 있으며, 추후 신규 태양광 발전소가 투입되었을 경우 해당 발전소의 발전량을 고려하여 변동성을 추정하기 어렵다는 한계를 갖는다.

본 논문에서는 기상데이터와 머신러닝 기법을 활용하여 태양광 발전의 변동성을 추정하는 기법을 제시하였다. 또한, 지역별 신규 태양광 발전소 투입을 고려한 변동성 추정기법을 제시하였다. 사례 연구에서는 국내 16개 행정 지역에 신규 태양광 설비 투입을 모의하여 태양광 발전소의 지역별 분포에 따른 변동성 완화 효과를 분석하였다.

2. 기상데이터를 활용한 태양광 변동성 추정기법

2.1 태양광 변동성 추정기법

2.1.1 학습 데이터 전처리

머신러닝 기반의 변동성 추정모형을 모델링하기 위해 학습 데이터 가공단계를 거치게 된다. 먼저, 동일한 기간 및 시간 단위의 기상데이터와 태양광 발전소 데이터를 취득한다. 기상관측지점별 기상데이터 및 태양광 발전소 데이터 취득 후에는 기상관측지점과 태양광 발전소의 주소를 위도와 경도로 변환한다. 변환한 위치 정보를 통해 태양광 발전소별 가장 가까운 기상관측지점을 탐색하고 해당 관측지점의 기상데이터를 취득한다.

그림. 1. 학습 데이터 전처리

Fig. 1. Training data pre-processing

따라서 태양광 발전소마다 설비용량 $C ap_{i,\:t}$, 발전량 $G en_{i,\:t}$, 일사 $Radi_{i,\:t}$, 기온 $Temp_{i,\:t}$ 등의 정보를 얻게 된다. 이때, $i$는 $i$번째 태양광 발전소, $j$는 $j$번째 기상관측지점, $t$는 $t$번째 시점을 의미한다. 위 정보를 통해 태양광 발전소마다 시점별 이용률 $CF_{i,\:t}$을 산정한다.

(1)

$CF_{i,\:t}=\dfrac{G en_{i,\:t}}{C ap_{i,\:t}}$

추정모형이 정상적인 범주를 벗어난 데이터를 학습하지 않도록 이상치 제거 단계를 거친다. 발전소별 설비용량이 다르기 때문에 이용률 $CF_{i,\:t}$를 기준으로 이상치를 제거하였다. 발전량 추정과 같이 평상시 이용률 추정이 목적인 경우, IQR (Interquartile range) 등과 같은 방식을 고려할 수 있으나, 본 논문에서는 이용률이 급격히 감소하는 하방 변동을 추정하는데 목적이 있으므로 100%를 초과하는 $CF_{i,\:t}$을 이상치로 고려하였으며 해당 시점의 데이터를 학습 데이터에서 제외하였다.

2.1.2 머신러닝 기법을 활용한 추정모형 모델링

추정모형에는 머신러닝 기법 중, 단일트리 기반의 회귀모델인 Decision tree와 다수의 트리로부터 도출된 결과를 앙상블하여 결과를 도출하는 Random forest 및 XGBoost를 활용하였다. 단일트리 모델의 학습 과정에서 학습변수가 $x_{1}$,$x_{2}$라고 할 때, 데이터를 분류해가며 학습하는 방식은 그림 2와 같다.

그림. 2. Decision tree의 분류를 통한 학습방식

Fig. 2. Classification based learning method of Decision tree

단일트리 기반의 Decision tree 기법은 데이터를 분류하는 노드가 많아질수록 분류성능이 좋아지지만, 학습 데이터에 지나치게 들어맞게 되는 과적합(Overfitting) 발생 가능성이 있다. 이러한 과적합 문제를 회피하기 위해 노드가 적은 여러 개의 트리를 조합하는 앙상블 기법을 사용하게 된다. Random forest와 XGBoost은 트리 기반의 앙상블 기법에 해당하며 각각 Bagging 방식과 Boosting 방식으로 분류된다. 학습 모델의 오류는 크게 Variance와 Bias로 이루어지며, 트리 모델의 앙상블을 통해 오류를 줄일 수 있다. Bagging 방식을 사용하는 Random forest은 노드가 적은 여러 개의 트리 모델을 사용하며 각 트리 모델은 서로 독립적(Random sampling)이다. Random forest는 트리별 결과의 평균값을 사용하기 때문에 노드가 많은 단일트리 모델에 비해 일반화된 결과를 얻을 수 있다. 따라서 Random forest 기법을 사용하면 모델 간 예측 결과의 Variance를 낮출 수 있다. 앙상블 방식 중 Boosting 방식을 사용하는 XGBoost는 이전 모델의 오류를 고려하여 트리 모델을 생성한다. 이는 앞선 모델이 예측하지 못한 데이터에 가중치를 부여해서 정확도를 높여나가는 방식으로 모델 간 예측 결과의 Bias를 낮출 수 있다. 위 세 가지 머신러닝 기법을 활용하여 개별 태양광 발전소의 이용률을 추정한다. 추정연도 직전 K개년의 태양광 발전소 데이터 및 기상데이터를 학습하며, 월별 모델링을 통해 추정연도의 이용률을 월별로 추정한다. 월별 학습 시, 기상 요인과 같은 N개의 학습변수를 벡터 $X$로 표현하고 이용률인 종속변수를 $Y$로 표현하면 아래 수식과 같다.

(2)

$X =(x_{1},\: x_{2},\:\ldots ,\: x_{N})^{T},\: X\in R^{N}$

(3)

$Y\in R$

월별로 발전소별 및 시점별 데이터를 모두 학습하기 때문에 학습하는 데이터셋은 아래 식으로 표현할 수 있다.

(4)

$Tra\in\in g set =\left\{(X_{1},\:Y_{1}),\:\cdots ,\:(X_{m},\:Y_{m})\right\} $ $s.t. m =\sum_{k=1}^{K}\sum_{i=1}^{I}(i_{k}\times t_{i,\:k})$

$k$는 추정연도 직전 $K$개년 중, $k$번째 연도를 의미하고 $i$는 $i$번째 태양광 발전소를 의미한다. 따라서 $m$은 k번째 연도에 운영 중인 태양광 발전소 $i_{k}$와 $k$번째 연도 및 $i$번째 태양광 발전소의 시간 단위 데이터인 $t_{i,\:k}$의 곱으로 표현할 수 있다. 이는 $k$번째 연도의 발전소 개소와 해당 발전소가 보유하고 있는 시점별 데이터의 수의 곱을 의미한다.

학습변수로는 기상데이터와 위치, 시간 등 6가지 변수를 검토하며 추정 성능이 가장 우수한 학습변수 조합을 통해 변동성 추정모형을 모델링한다.

그림. 3. 태양광 변동성 추정 시 검토 변수

Fig. 3. Learning variables that can be used to estimate solar variability

고도를 제외한 변수는 데이터 전처리 과정에서 취득할 수 있지만, 고도의 경우 기존에 취득한 위도 $L$$(^{\circ})$, 1년 365일 중 몇 번째 날인지를 통해 얻을 수 있는 적위 $\delta$$(^{\circ})$, 정오로부터의 시간 차이를 통해 얻을 수 있는 시간각 $h$$(^{\circ})$을 활용하여 생성하는 2차 변수에 해당한다⁽⁷⁾.

2.1.3 태양광 발전량 및 변동성 추정

변동성 추정 성능 검토를 통해 학습변수가 결정되면 해당 변수를 학습하여 월별 추정모형을 모델링하고, 추정연도의 데이터를 모델에 넣어 태양광 이용률과 변동률을 추정한다. 해당 과정을 통해 모델별로 태양광 발전소별 이용률 $CF_{i,\:t}$을 추정한다. 변동성을 추정하기 위해서는 개별 태양광 발전소의 이용률 $CF_{i,\:t}$을 계통 전체 태양광의 이용률 $CF_{t}$로 변환하는 과정이 필요하다. $CF_{t}$은 시점별 발전량 $G en_{t}$과 시점별 설비용량 $C ap_{t}$을 통해 산정할 수 있다. 이는 아래 수식과 같다.

(5)

$CF_{t}=\dfrac{G en_{t}}{C ap_{t}} $ $s.t. G en_{t}=\sum_{i=1}^{I}CF_{i,\:t}\times C ap_{i,\:t} $ $C ap_{t}=\sum_{i=1}^{I}C ap_{i,\:t}$

추정연도의 시점별 변동률 $Var_{t}$은 시점별 이용률 $CF_{t}$을 통해 산정하며 아래 수식으로 표현할 수 있다.

(6)

$Var_{t}=\left | CF_{t}- CF_{t-1}\right | $ $s.t. CF_{t}- CF_{t-1}<0$

본 논문에서는 최대 수준의 변동을 검토하기 위해 월별 2$\sigma$ 변동률을 산정하였으며, 월별 2$\sigma$ 변동률 산정 시에는 $CF_{t}- CF_{t-1}<0$인 하방 변동률을 대상으로 하였다. 또한, 넓은 시간 단위에서의 변동률은 아래와 같이 정의하였다.

(7)

$Var_{t}=\left |\max(CF_{t}- CF_{t-1},\:\cdots ,\:CF_{t}- CF_{t-N})\right | $ $s.t. CF_{t}- CF_{t-n}<0 ,\: n=1,\:2,\:\cdots ,\:N$

예를 들어, 시점의 단위가 1시간이고 12시에서의 2시간 변동률을 산정하면 10시에서 12시까지 하락한 이용률과 11시에서 12시까지 하락한 이용률 중 큰 값을 취하게 된다. 위 수식을 통해 넓은 시간 단위에서의 변동률을 산정할 수 있으며, 동일하게 $CF_{t}- CF_{t-n}<0$인 하방 변동률을 대상으로 월별 $2\sigma$ 변동률을 산정한다.

2.2 지역별 신규 태양광 설비분포에 따른 변동성 추정기법

제주지역을 제외한 국내 16개 지역을 기준으로 신규 태양광 투입을 모의하며, 흐름은 아래와 같다.

그림. 4. 지역별 신규 태양광을 고려한 변동성 추정 흐름도

Fig. 4. Variability estimation flowchart considering new solar power plants by region

신규로 투입되는 태양광 발전소의 총 설비용량 $C ap_{region,\:all}$을 결정한 뒤, 지역별 투입 비중을 결정한다. 태양광 발전소별 설비용량 $C ap_{region,\:\det e\in\mathrm{ed}}$이 정해지면 지역별 발전소의 개수가 $N_{region}$로 결정된다. 지역별 태양광 발전소 설비용량은 아래 수식과 같다.

(8)

$C ap_{region,\:i}=\begin{cases} C ap_{region,\:\det e\in\mathrm{ed}},\:&i=1,\:2,\:3,\:\cdots ,\:N_{region}-1\\ \bmod(\dfrac{C ap_{region,\:all}}{N_{region}}),\:&i=N_{region} \end{cases}$

$\bmod(\dfrac{C ap_{region.all}}{N_{region}})$는 $C ap_{region,\:all}$를 $N_{region}$로 나눈 값의 나머지를 의미한다. 지역별 태양광 발전소 대수 $N_{region}$가 정해지면 $N_{region}$개의 위도와 경도를 생성하여 해당 위치에 신규 태양광을 투입한다. Python geopandas 라이브러리는 특정 지점이 경계 내에 존재하는지 판별하는 기능을 제공한다. 해당 기능을 통해 지역별로 $N_{region}$개의 위도 경도 조합을 생성하고 $N_{region}$개 모두 지역 경계 내에 존재하는 경우의 위도 및 경도 리스트를 가져와 해당 지역의 신규 태양광 발전소 위치로 사용하였다. 신규 태양광의 위치를 기반으로 기상데이터를 취득하고 발전량과 변동성을 추정하였다. 지리적으로 경기도 안에 위치하는 서울의 경우, 경기도 및 서울의 $C ap_{region,\:all}$을 합산하고 경기도 경계를 기준으로 위도와 경도를 생성한 뒤 신규 태양광을 투입하였다. 전남 안에 위치하는 광주도 같은 방식으로 신규 태양광을 투입하였다.

3. 사례 연구

본 장에서는 2장에서 소개한 변동성 추정기법을 활용하여 2017년의 태양광 발전량 및 변동성을 추정한다. 그리고 2017년 기상데이터를 기반으로 신규 태양광 투입을 모의하여 태양광 설비의 지역별 분포에 따른 변동성을 비교 분석한다.

3.2 태양광 변동성 추정결과

3.2.1 태양광 발전량 추정결과

태양광 발전량은 학습변수 조합을 바꾸어가며 추정하였다. 피어슨 상관계수를 기준으로 태양광 이용률과 상관관계를 갖는 일사, 고도, 기온을 기본 학습변수로 두고 시간, 위도, 경도 변수를 추가해가며 성능을 검토하였다. 추정 성능은 월별 발전량 오차율(%, NMAE)을 통해 검토하였다.

(9)

$$ \operatorname{NMAE}(\%)=\frac{1}{T} \sum_{t=1}^{T} \frac{\mid \text { Gen }_{t, \text { real }}-\text { Gen }_{t, \text { estimation }} \mid}{\text { Cap }_{t}} \times 100(\%) $$

NMAE(Normalized Mean Absolute Error)는 절대 오차(Absolute Error)를 설비용량으로 나눈 값의 평균을 의미한다. 학습변수 조합에 따른 추정 성능을 검토한 결과, 검토한 6가지 변수를 모두 학습한 모델이 추정 성능이 가장 우수했으며 이때의 월별 발전량 오차율(%, NMAE)은 아래와 같다.

표 1. 월별 태양광 발전량 오차율(%, NMAE)

Table 1. Monthly solar power generation error(%,NMAE)

	Decision Tree	Random Forest	XGBoost
Jan	1.2	1.2	1.2
Feb	1.5	1.4	1.3
Mar	1.2	1.2	1.1
Apr	1.3	1.1	1.1
May	0.9	0.8	0.9
Jun	1.5	1.3	1.3
Jul	1.9	1.6	1.6
Aug	1.5	1.4	1.4
Sep	1.5	1.3	1.2
Oct	1.4	1.3	1.3
Nov	1.6	1.5	1.6
Dec	2.0	1.9	1.9
avg	1.5	1.3	1.3

표 1의 결과를 통해 시간, 위도, 경도가 이용률과 선형적인 상관관계는 없으나 트리 기반 회귀모델의 성능을 개선한 것을 확인하였다. 또한, XGBoost의 연간 평균 오차가 가장 작은 것을 확인하였다. Decision tree, Random forest, XGBoost의 연평균 오차율은 각각 1.461%, 1.328%, 1.326%로 Random forest와 XGBoost가 Decision tree에 비해 우수한 추정 성능을 보였으며, XGBoost의 연간 평균 오차가 가장 작은 것을 확인하였다. XGBoost 기준, 5월에 가장 작은 오차율 0.9%의 성능을 보였으며 12월에 가장 큰 오차율 1.9%를 보였다.

3.2.2 태양광 변동성 추정결과

태양광 변동성 추정 시, 3.2.1의 결과를 토대로 검토한 6가지 변수를 모두 학습한 모델을 사용하였다. 월별 $2\sigma$ 변동률을 추정하였으며, 해당 값은 월별로 하나의 값이기 때문에 절대 오차(Absolute Error)를 기준으로 추정 성능을 검토하였다.

(10)

$\epsilon_{month}=\left | Var_{real,\:month}- Var_{estimation,\:month}\right |$

표 2. 월별 2$\sigma$ 변동률 절대 오차

Table 2. Monthly absolute error of 2$\sigma$ variability

	Decision Tree	Random Forest	XGBoost
Jan	1.3%	2.7%	4.6%
Feb	1.4%	2.2%	2.1%
Mar	0.3%	0.6%	2.0%
Apr	0.1%	1.3%	1.8%
May	1.3%	0.2%	0.6%
Jun	0.0%	0.9%	0.8%
Jul	0.8%	0.7%	1.3%
Aug	0.3%	0.3%	1.0%
Sep	0.5%	1.1%	2.1%
Oct	1.8%	0.1%	1.0%
Nov	0.6%	1.7%	4.0%
Dec	1.9%	3.1%	4.6%
avg	0.9%	1.2%	2.2%

표 2는 머신러닝 기법에 따른 월별 2$\sigma$ 변동률 절대 오차를 나타내며, Decision tree, Random forest, XGBoost의 연평균 2$\sigma$ 변동률 절대 오차가 각각 0.9%, 1.2%, 2.2%로 세 가지 모델 중 Decision tree의 성능이 가장 우수한 것을 확인할 수 있다. 표 1과 표 2를 통해 평상시 이용률 추정 시에는 XGBoost 기법을 이용한 모델이 우수한 성능을 보이지만, 급격한 변동이 발생하는 경우의 이용률 추정에는 Decision tree 모델의 성능이 우수하다는 것을 확인할 수 있다. Decision tree 기준, 6월에 가장 작은 오차 0.049%의 성능을 보였으며 12월에 가장 큰 오차 1.896%를 보였다. 그림 5의 상단은 추정연도 11월 1달 동안의 변동률을 보여주며 하단은 11월 중 발생한 최대 수준의 하방 변동을 확대하여 보여준다. 실제로 발생한 하방 변동이 가장 컸으며, XGBoost보다는 Decision tree 모델이 해당 변동을 잘 추정하는 것을 확인할 수 있다.

1시간 변동률을 토대로 2시간부터 4시간까지 변동률을 산정한 결과는 표 3과 같다. 1시간 변동률 결과를 기반으로 산정했기 때문에 Decision tree 기법을 활용한 모델의 성능이 우수했으며, 표 3은 Decision tree 기반 모델로 추정했을 때 결과이다. Decision tree 기반 모델의 연평균 2$\sigma$ 변동률 절대 오차는 2시간, 3시간, 4시간에서 각각 2.3%, 2.6%, 3.3%의 오차를 보였다. 1시간일 때의 연평균 절대 오차가 0.9%인 것을 고려했을 때, 시간 단위가 커질수록 절대 오차도 함께 증가하는 것을 확인할 수 있다.

그림. 5. 최대 수준 변동 추정 성능 비교

Fig. 5. Estimation performance comparison of maximum level variability

표 3. 넓은 시간 단위에서 월별 2$\sigma$ 변동률 절대 오차(Decision tree)

Table 3. Monthly absolute error of 2$\sigma$ variability in a wide time scales (Decision tree)

	2hr	3hr	4hr
Jan	4.4%	4.7%	6.3%
Feb	3.4%	4.9%	4.3%
Mar	1.7%	2.2%	2.6%
Apr	2.0%	1.8%	1.7%
May	0.7%	0.5%	1.4%
Jun	1.0%	1.1%	2.2%
Jul	0.5%	0.8%	0.3%
Aug	0.2%	1.2%	3.3%
Sep	3.2%	2.7%	3.5%
Oct	0.8%	0.8%	2.8%
Nov	4.6%	4.0%	3.5%
Dec	4.9%	7.1%	7.7%
avg	2.3%	2.6%	3.3%

3.3 태양광 설비의 지역별 분포에 따른 변동성 추정결과

본 절에서는 제주지역을 제외한 국내 16개 지역에 신규 태양광을 투입하여 변동성을 추정하였으며, 지역별 분포에 따른 변동성 추정결과를 비교하기 위해 두 가지 시나리오를 구성하였고, 시나리오에 따른 모의 결과를 비교하였다. 시나리오1의 경우, 2019년까지 국내 16개 행정 지역의 태양광 설비용량 누적비율을 준용하여 신규 태양광 설비를 투입하는 시나리오이다. 시나리오2는 신규 태양광을 지역별로 균등하게 배분하여 투입하는 시나리오이다. 지역별 태양광 설비용량 비율은 표 4와 같다. 시나리오2는 표 4의 지역별 비율을 모두 6.25%로 적용하는 것과 같다.

표 4. 시나리오에 따른 국내 지역별 태양광 설비용량 비율(%)

Table 4. Proportion of solar power plants capacity by region by scenario(%)

Scenario	Seoul	Busan	$\cdots$	Gyeong-buk	Gyeong-nam	Total
Scenario1	0.3%	0.9%	$\cdots$	12.8%	7.2%	100%
Scenario2	6.25%	6.25%	$\cdots$	6.25%	6.25%	100%

두 시나리오의 모의 전제는 동일하다. 6가지 학습변수와 Decision tree 기반의 모델을 사용하였으며, 2017년의 기상환경을 적용하였다. 또한, 9차 전력수급계획의 신재생에너지 설비계획을 준용하여 태양광 설비가 보급된 상황의 변동성을 추정하였으며, 지역별 신규 태양광 발전소의 설비용량 $C ap_{region,\:\det e\in\mathrm{ed}}$는 10MW로 설정하였다⁽¹¹⁾. 두 시나리오 모두 2021년 보급전망인 17,894MW까지 사전에 투입한 상태에서 2024년, 2027년, 2030년까지의 설비계획용량을 3년 단위로 추가 투입하였다. 그림 6의 좌측은 시나리오1에 따라 신규 태양광 발전소를 투입한 경우이며, 우측은 시나리오2에 따라 투입한 경우이다.

그림. 6. 시나리오별 신규 태양광 지역 분포

Fig. 6. Distribution of new solar power plants by scenario

전북, 전남, 충남, 경북 등에 태양광 발전소가 집중되어 있는 시나리오1에 비해 시나리오2는 비교적 균등하게 투입된 것을 확인할 수 있다. 시나리오1에 따라 신규 태양광 발전소를 투입한 경우, 2030년의 변동률 추정결과는 표 5와 같다. 여름철(6월~8월)의 변동률이 낮고 늦겨울(1월~2월)의 변동률이 높은 것을 확인할 수 있으며 시간 단위가 바뀌어도 해당 추세가 유지되는 것을 확인할 수 있다.

표 5. 시나리오1의 2030년 변동률 추정결과

Table 5. Estimation result of variability in 2030 of the Scenario 1

	$2\sigma$
	1hr	2hr	3hr	4hr
Jan	21.20	36.54	47.94	53.89
Feb	22.21	41.21	53.01	61.72
Mar	21.82	37.35	50.63	58.16
Apr	19.36	34.49	45.74	55.09
May	17.97	32.66	43.07	53.36
Jun	14.76	28.48	39.29	48.25
Jul	14.54	25.18	34.25	42.2
Aug	15.64	27.84	36.37	45.01
Sep	17.44	30.03	42.1	49.78
Oct	17.12	32.65	42.89	49.39
Nov	20.55	32.38	46.14	51.76
Dec	18.6	31.05	41.51	46.69

시나리오2에 따라 신규 태양광 발전소를 투입한 경우 2030년의 변동률 추정결과는 표 6과 같다.

표 6. 시나리오2의 2030년 변동률 추정결과

Table 6. Estimation result of variability in 2030 of the Scenario 2

	$2\sigma$
	1hr	2hr	3hr	4hr
Jan	21.20	36.54	47.94	53.89
Feb	22.21	41.21	53.01	61.72
Mar	21.82	37.35	50.63	58.16
Apr	19.36	34.49	45.74	55.09
May	17.97	32.66	43.07	53.36
Jun	14.76	28.48	39.29	48.25
Jul	14.54	25.18	34.25	42.2
Aug	15.64	27.84	36.37	45.01
Sep	17.44	30.03	42.1	49.78
Oct	17.12	32.65	42.89	49.39
Nov	20.55	32.38	46.14	51.76
Dec	18.6	31.05	41.51	46.69

시나리오2 역시 여름철(6월~8월)의 변동률이 낮고 늦겨울(1월~2월)의 변동률이 높은 것을 확인할 수 있으며, 시간 단위가 바뀌어도 해당 추세가 유지되는 것을 확인할 수 있다. 표 5와 표 6의 결과를 통해 시나리오에 따른 변동률의 차이를 확인할 수 있다. 시나리오1 대비 시나리오2의 시간 단위 변동률 증감은 표 7과 같다.

표 7. 시나리오1 대비 시나리오2의 시간 단위 변동률 변화

Table 7. Change in variability of the Scenario 2 compared to the Scenario 1

	$2\sigma$
	1hr	2hr	3hr	4hr
Jan	-1.81	-1.22	-1.83	0.86
Feb	-0.95	-1.75	-2.19	-1.42
Mar	-1.28	0.37	-0.39	1.26
Apr	-0.34	-0.66	0.72	-0.13
May	-0.34	-0.35	-0.28	0.89
Jun	0.22	-0.43	-0.29	-0.32
Jul	-1.32	-1.53	-0.80	0.03
Aug	-0.53	-1.23	0.08	0.01
Sep	0.05	-0.26	0.25	-1.20
Oct	0.14	-2.46	-3.31	-1.45
Nov	-2.58	-1.78	-3.06	-2.22
Dec	-0.10	1.16	-0.38	-0.66

표 7을 통해 시나리오2에 따라 신규 태양광을 투입하였을 때, 시나리오1 대비 $2\sigma$ 변동률이 대체로 감소하는 것을 확인할 수 있다. 2030년 시나리오별 변동률은 그림 7과 같다.

그림. 7. 시나리오별 시간 단위 변동률 비교

Fig. 7. Comparison of variability by scenario

시나리오2에 따라 신규 태양광을 투입하였을 때, 변동률이 감소하는 효과는 1시간 단위에서 가장 두드러졌으며, 시간 단위가 커질수록 감소하는 폭이 작아짐을 확인할 수 있다. 위 결과를 통해 기존에 전북, 전남, 충남, 경북 등에 집중적으로 설치해오던 추세를 따라 신규 태양광을 투입할 때보다 여러 지역에 신규 태양광을 분산시켜 투입할 때 변동성 완화 효과가 있다는 것을 확인하였다. 표 7과 그림 7의 결과를 통해 태양광 설비를 특정 지역에 집중적으로 설치하는 것보다 분산 설치하는 경우, 극심한 변동성이 완화됨을 확인하였다. 변동성의 증가를 완화하기 위해서는 특정 지역에 변동성 재생에너지원이 집중되지 않도록 지역별 가격체계 혹은 망요금을 통해 입지 신호를 줄 수 있는 제도 등이 마련되어야 할 것이다. 지역별 송전요금이 적용되지 않는 국내와 달리, 영국은 수요가 밀집된 남부지역의 영향을 완화하고자 발전측과 수요측에 각각 상반된 송전요금을 통해 입지 신호를 주고 있다⁽¹²⁾. 국내에도 지역별 송배전요금과 같이 변동성 측면에서 입지 신호를 줄 수 있는 제도가 마련된다면 변동성의 증가를 완화할 수 있을 것이다.

4. 결 론

본 논문에서는 기상데이터와 머신러닝 기법을 활용하여 개별 태양광 발전량 및 변동성을 추정하는 기법을 제시하였으며, 신규 태양광 발전소를 투입했을 때 해당 지역의 기상데이터를 활용하여 변동성을 추정하는 기법을 제시하였다. 또한, 태양광 변동성 추정 성능이 우수한 변수 조합과 머신러닝 기반의 모델을 검토하는 단계를 통해 신규 태양광 설치 시 변동성 추정에 활용할 모델을 결정하였다. 해당 모델을 활용하여 신규 태양광 설치 시나리오의 변동성을 추정하였고 이를 기반으로 태양광의 지역별 분포에 따른 변동성 완화 효과를 확인하였다. 사례 연구에서는 제시한 기법을 활용하여 2017년 태양광 발전량 및 변동성을 추정하였으며 신규 태양광 도입 시, 태양광 설비의 지역별 분포 시나리오에 따른 변동성을 추정하였다. 사례 연구 결과를 통해 기존에 전북, 전남, 충남, 경북 등에 집중적으로 설치해오던 추세를 따라 신규 태양광을 투입할 때보다 여러 지역에 신규 태양광을 분산시켜 투입할 경우 변동성 완화 효과가 있다는 것을 확인하였다.

국내의 경우, 재생에너지 확대정책으로 인해 태양광과 풍력을 중심으로 계통 내 재생에너지원이 빠르게 증가할 것으로 전망된다. 향후 재생에너지의 지역별 분포 시나리오에 따라 계통제약의 규모와 송전망 보강 필요량이 크게 달라질 수 있기 때문에 지역신호 제공을 통한 재생에너지 입지 조정이 필요한 상황이다. 이와 유사하게 특정 지역에 변동성 재생에너지원이 집중되지 않도록 지역별 가격체계 혹은 망요금을 통해 입지 신호를 줄 수 있는 제도가 마련된다면 변동성의 증가를 완화할 수 있을 것이다.

본 논문에서는 최소 시간 단위를 1시간으로 설정하여 분석을 진행하였다. 향후 연구에서는 1시간보다 짧은 단주기의 데이터를 구축하여 변동성을 추정할 필요가 있다. 또한, 다양한 시나리오를 통해 국내 신규 태양광이 투입되었을 때 변동성을 추정하는 연구가 필요하다.