1. 서 론

급격히 변화하는 기후 환경은 전력설비의 안정성을 심각하게 위협하고 있다. 기후변화로 인해 발생하는 예측 불가능한 자연재해는 설비 고장뿐만 아니라 사회적 피해를 증가시키는 주요 원인으로 작용하고 있다. 특히, 대부분의 전력 인프라는 외부에 노출된 구조적 특성으로 인해 태풍, 고온, 폭우, 홍수, 폭설 등과 같은 자연재해에 취약하다. 이러한 상황은 전력망 복원력과 안정적 설비 운영에 있어 큰 도전 과제가 되고 있다. 2020년 한반도 기후변화 전망 보고서^[1]에 따르면 향후 온난화, 해수면 온도 상승, 온실가스 증가, 이상 고온 등 이상 기후 현상 및 기후변화가 예상된다. 그림 1과 같은 기온 상승으로 대기 불안정성 및 수증기 증가, 강한 대류 활동 등의 변화를 유발하고 극한 기상 현상 발생 가능성을 높일 수 있다. 이처럼 다양한 기후조건들의 급격한 변화가 예상되는 상황에서 기후 변화 대비 전력설비 영향 분석^[2], ^[3]의 필요성이 더욱 커지고 있다. 특히 가공송전설비는 대부분 외부에 노출되어 있어 기후 변화의 영향을 직접적으로 받으며, 그중에서도 풍속 변화는 설비의 안정성과 운영에 중요한 영향을 미친다. 따라서, 정략적인 분석 결과에 기반한 설계 기준 및 구매규격, 운영 절차, 시공기준, 보강 기준 등의 다양한 검토가 필요한 실정이다. 이에 따라 본 연구에서는 제6차 IPCC(Intergovernmental Panel on Climate Change) 평가 보고서^[4] 기반의 기후변화 시나리오 데이터를 활용하여 격자 기반 데이터^[5]를 구축하고, 가공송전설비 위치별 풍속 변화를 분석해 가공송전설비 설계 기준서 재정립을 위한 연구 자료로 활용하고자 한다.

그림 1. 기온변화 장기(~2100) 예측 그래프

Fig. 1. Long-term temperature change prediction graph(~2100)

가공송전설비는 주로 산악지대를 관통하거나 고도가 높은 지역에 위치하며, 접근이 어려운 지역에 설치되는 경우가 많다. 이러한 지역적 특성으로 인해 송전설비는 일반적인 평지에 비해 극한 환경에서의 하중과 기후 영향에 더욱 민감하게 반응할 수밖에 없다. 그러나 일반적인 저해상도 기후 데이터를 활용할 경우, 신규 설비 계획 및 기존 설비 보강 과정에서 여러 한계와 문제가 발생할 수 있다. 한국전력공사의 가공송전용 철탑 설계 기준서인 DS-1111^[6]는 345kV 이하 가공송전 선로에 적용되며, 2011년 4월 29일 5차 개정 이후 현재까지 사용되고 있다, 이 기준서는 2005년까지의 풍속 관측 데이터를 바탕으로 읍·면·동 단위의 풍속 등급(표 1)을 제작하여 활용하고 있으며, 최대 순간 풍속 데이터로 풍속 등급이 결정된다. 풍속 등급표를 기반으로 송전 선로의 각종 지지물, 가섭선, 애자 및 금구류 등의 풍하중 크기를 계산하여 설계를 수행하기 때문에, 풍속 등급 표는 설계 기준서에서 매우 중요한 역할을 한다. 그러나 DS-1111의 읍·면·동 단위의 풍속 등급 적용 방식은 지형적 환경 조건을 충분히 반영하지 못하는 한계를 갖고 있다. 강원도의 경우 지역을 시·군·구 단위로 구분 시 18개 지역으로, 법·정·리 단위로 구분 시 그림 2와 같이 299개 지역으로 좀 더 세밀한 구분이 가능하다. 그림 2에서 빨간색 점은 기상 데이터를 수집하는 기상청의 종간기상관측소(ASOS, Automated Synoptic Observing System)가 설치된 위치를 나타낸다. 강원도와 같이 넓은 지역을 단 15개의 ASOS 만으로 커버하기에는 한계가 분명하다. 강원도 동해시 지흥동을 살펴보면, 기존 방식에서는 지흥동 전체가 동일한 풍속 등급을 갖게 되지만, 그림 3과 그림 4처럼 지흥동을 1km x 1km 격자로 세분화하면 14개, 100m × 100m 격자로 세분화하면 약 500개의 서로 다른 풍속 등급을 적용할 수 있게 된다. 동해시의 경우, 면적이 작은 지흥동에만 60개의 철탑이 설치해 있으며, 철탑은 연속적으로 설치되어 표준 경간(철탑 간 간격)이 약 400m에 달한다는 점을 고려할 때, 고해상도 데이터 확보는 필수적이다. 하지만, 기상청 데이터가 저해상도로 제공되기 때문에 이를 고해상도로 다운스케일링^[7-10] 하는 기법의 적용이 필요하다. 특히, 지역별 풍속 차이가 클수록 각 철탑 위치별로 정밀한 고해상도 풍속 데이터를 확보하는 것이 더욱 중요하다.

그림 2. 강원도 읍·면·동 구분 및 ASOS 위치

Fig. 2. Gangwon-do province eup·myeon·dong divisions and ASOS locations

그림 3. 동해시 지흥동 1km × 1km 격자

Fig. 3. 1km × 1km grid in jiheung-dong, donghae-si

그림 4. 동해시 지흥동 100m × 100m 격자

Fig. 4. 100m × 100m grid in jiheung-dong, donghae-si

기존의 연구들은 주로 지형 특성이 반영되지 않는 단순 거리 기반의 다운스케일링 기법^[11-13]이 사용되었다. 그러나 이러한 방법론은 한반도의 지형적 특성을 충분히 반영하지 못하며, 소수의 기상관측소로 넓은 지역을 커버할 경우 모델의 정확도와 신뢰성이 저하될 수 있다. 특히, 강원도는 복잡한 지형적 특성으로 인해 지역별 최대 순간 풍속의 차이가 극심하게 나타난다. 해안과 내륙, 고지대와 평지 사이에서는 양간지풍과 같은 지역 특유의 바람과 높은 고도 차이 때문이다.

그림 5의 강원도 지역 ASOS의 최대 순간 풍속 데이터를 살펴보면, 강원도 일부 지역에서는 최대 60m/s 이상의 강풍이 기록된 반면, 다른 지역에서는 20m/s 정도의 비교적 낮은 풍속이 관측되었다. 이는 강원도의 복잡한 기후 및 지형적 특성이 작용한 결과라 할 수 있다. 강원도에 내 가공송전설비는 대부분 산악지대를 관통하거나 고도가 높은 지역에 위치하며, 약 5,200개의 송전설비가 운영되고 있다. 그러나 기상청 관측소를 기반으로 제공되는 저해상도 풍속 데이터는 개별 송전설비의 환경 조건을 충분히 반영하지 못하는 한계가 있다. 동일한 읍면동 내에서도 송전탑이 위치한 고도, 지형 형태, 해안으로부터의 거리 등에 따라 그림 5처럼 풍속이 크게 달라질 수 있기 때문이다. 이러한 저해상도 데이터의 한계는 설비의 설계 기준 수립 및 보강 계획 수립 시 신뢰성을 저하시킬 수 있으며, 심할 경우 설비의 구조적 안정성에도 영향을 미칠 수 있다. 따라서, 복잡한 기후 및 지형적 특성을 반영한 고해상도 풍속 데이터 확보가 필수적이다. 이는 송전설비의 국지적 환경에 적합한 설계 및 보강 계획 수립에 중요한 역할을 하며, 결과적으로 송전설비의 안정성, 경제성, 신뢰성을 크게 향상시킬 수 있다. 또한, 고해상도 풍속 데이터는 송전설비 설계 및 보강 효율성을 높이는 새로운 패러다임을 제시할 뿐만 아니라, 기후변화에 대응하기 위한 필수적인 기술적 기반이 될 것이다. 따라서, 한반도의 지형적 특성을 반영한 다운스케일링 연구가 필요하다.

그림 5. 강원도 지역 ~2023년 ASOS 관측치 최대 순간 풍속

Fig. 5. Maximum instantaneous wind speed observed by ASOS in gangwon-do region(~2023)

본 논문의 구성은 다음과 같다. 2장에서는 풍속 정의와 SSP(Shared Socioeconomic Pathways) 시나리오에 대해 설명하고, 3장에서는 고도와 해안 거리 같은 지리적 특성을 반영한 고해상도 풍속 다운스케일링 모델과 평균풍속 데이터를 최대 순간 풍속으로 추정하는 모델에 대해 서술한다. 4장에서는 DS-1111에서 사용하고 있는 풍속도 비교를 위해 최신 기상 데이터 기반 신규 풍속도 제작을 서술한다.

2. 풍속 정의와 SSP 기후변화 시나리오

2.1 풍속 정의

풍속 데이터는 다양한 기관에서 각 목적에 맞게, 크게 평균 풍속, 최대 풍속, 최대 순간 풍속으로 제공하고 있다. 각각의 풍속은 특정 시간 단위에 따라 측정되고, 정의 및 활용 목적에 차이가 있다. 이 중 최대 풍속과 최대 순간 풍속은 임의로 측정하는 시간 간격(time-stamp) 차이로 해석되며, 이러한 개념을 나타내는 것이 그림 6의 Durst curve이다.

그림 6. Durst curve

Fig. 6. Durst curve

가공송전설비 설계 기준(DS-1111)에서 풍속 관련 기준(표 1)에서 다루고 있는 “돌풍률”의 개념이 이 Durst curve 상에 에 해당하는 계수이다. 즉, Durst curve는 ‘순간적’인 측정 시간차에 따른 풍속 값의 증가 곡선 형태를 기록한 곡선이며, 미국 및 한국의 건축설계 기준 등 다양한 설계 기준에서 최대 풍속을 최대 순간 풍속으로 변환하고자 할 때 쓰인다.

평균 풍속은 분당 측정된 풍속 데이터를 평균하여 시간 단위로 표현되며, 전반적인 풍속 상태를 평가하는 데 사용된다. 평균 풍속은 풍력 발전 잠재력 평가 및 장기적인 기후 변화 경향 분석에서 중요한 역할을 한다. 최대 풍속은 특정 기간 동안(10분 이동평균) 평균적으로 가장 강하게 기록된 풍속을 의미한다. 이는 풍하중이나 구조물 설계 기준에 중요한 지표로 활용되고, 풍속 변화의 경향을 평가하는데 활용된다. 최대 순간 풍속은 특정 기간(3초 이동평균) 동안 순간적으로 기록된 가장 강한 풍속이다. 철탑과 같은 구조물에 순간적으로 강하게 가해지는 하중을 평가할 때 중요한 기준이 된다.

2.2 SSP 기후변화 시나리오

SSP 시나리오는 기후변화 연구와 미래 예측을 위해 개발된 공통사회 경제 경로를 나타낸다. SSP는 기후변화에 관한 정부 간 협의체 IPCC가 미래의 기후변화와 이에 따른 사회적, 경제적 영향을 연구하기 위해 제시한 기후 시나리오이다. 2100년 기준 복사 강제력 강도와 함께 미래 기후변화 대비 수준에 따라 인구, 경제, 에너지 사용 등의 미래 사회경제 시스템 변화를 적용해 시뮬레이션하여 기후변화 영향성을 분석한다. 2023년에 발표된 기후변화 시나리오이며, 사회경제 시스템의 변화 종류에 따라 총 4종류의 시나리오가 있으며 상세 내용은 그림 7, 표 2와 같다. 본 연구에서는 SSP 2-4.5 시나리오 데이터를 활용했고, 추후 다른 시나리오와도 비교 분석할 예정이다. SSP 2-4.5 시나리오는 “middle-of-the-road” 경로로, 현재의 사회·경제적 흐름이 크게 변동 없이 지속될 것을 전제로 한 중간 수준의 시나리오이다. 기상청 및 국립기상과학원의 기상학 전문위원들의 자문 결과를 바탕으로 향후 기후변화 전망에 가장 현실적인 시나리오로 평가되어, 본 연구에서 사용되었다.

그림 7. SSP 기후변화 시나리오

Fig. 7. SSP climate change scenario

표 2 SSP 기후변화 시나리오

Table 2 SSP climate change scenario

종류	의미	전지구 기온 (21세기말)
SSP 1-2.6	사회 불균형의 감소와 친환경 기술의 빠른 발달로 기후변화 완화, 적응능력이 좋은 지속성장가능 사회경제 구조의 저탄소 시나리오	+1.9°C
SSP 2-4.5	중도성장의 사회경제 시나리오로 기후변화 완화 및 사회경제 발정 정도가 중간 단계 가정	3.0°C
SSP 3-7.0	사회경제 발전의 불균형과 제도적 제한으로 인해 기후변화에 취약한 상태에 놓이는 사회경제 구조의 시나리오	4.3°C
SSP 5-8.5	기후정책 부재, 화석연료 기반 성장과 높은 인적 투자로 기후변화 적응능력은 좋지만, 완화능력이 낮은 사회경제 구조의 고탄소 시나리오	5.2°C

3. 고해상도 다운스케일링 모델 및 최대 순간 풍속 추정 모델

그림 8은 고해상도 다운스케일링 모델과 최대 순간 풍속 추정 모델 두 가지가 왜 필요한지를 보여준다. 서론에서 설명한 바와 같이, 결론적으로는 고해상도 최대 순간 풍속 데이터 확보가 중요하다. 하지만, 본 연구에서 활용하는 SSP 기후변화 시나리오 데이터는 1km 해상도의 평균 풍속만을 제공하므로, 먼저 1km 해상도의 평균 풍속 데이터를 100m 해상도로 다운스케일링하는 모델을 개발하고, 이어서 100m 해상도로 다운스케일링 된 평균 풍속 데이터를 최대 순간 풍속 데이터로 추정하는 모델을 추가로 개발해 고해상도 최대 순간 풍속 데이터를 확보했다. 본 3장에서는 각각의 모델에 사용된 데이터, 평가 지표, 검증 방법 및 모델 구성에 대해 서술한다.

그림 8. 풍속 데이터 현황 및 모델 개발 순서

Fig. 8. Wind speed data status and model development sequence

3.1 데이터 구성

행정안전부는 2014년부터 격자 체계를 도입했으며, 국토지리 정보원에서는 지역을 세밀하게 구분하고 정보를 반영하기 위해 표 3, 그림 9과 같이 여러 해상도 격자를 제작하였다. 본 연구에서는 기후변화 시나리오 기반의 풍속 변화를 정밀하게 분석하기 위해 풍속과 관련된 여러 데이터를 100m 격자 형식으로 제작해 활용한다.

표 3 국토정보 맵의 서비스 통계 구역 단위

Table 3 Service statistical units of the national geographic information map

격자	100km	10km		1km	500m	250m		100m
법정경계	시·도		시·군·구		읍·면·동		리

그림 9. 격자 체계(국토지리정보원)

Fig. 9. Grid System(National geographic information institute)

활용된 데이터 목록은 표 4와 같으며, 데이터명, 내용, 보유기관은 아래와 같다. 기상청의 대표적인 기상 관측 정보인 종관기상관측(ASOS), 방재기상관측(AWS, Automatic Weather System) 데이터는 풍향, 풍속, 기온, 강수량 등의 데이터를 포함한다. 종관기상관측이란 종관 규모의 날씨를 파악하기 위하여 정해진 시각에 모든 관측소에서 같은 시각에 실시하는 지상관측을 말하며, 1904년부터 수집되었다. 종관 규모는 일기도에 표현되어 있는 보통의 고기압이나 저기압의 공간적 크기 및 수명을 말하며, 주로 매일의 날씨 현상을 뜻한다. 방재기상관측이란 지진·태풍·홍수·가뭄 등 기상현상에 따른 자연재해를 막기 위해 실시하는 지상관측을 말하며, 1997년부터 수집되었다. 관측 공백 해소 및 국지적인 기상 현상을 파악하기 위하여 전국 약 510여 지점에 설치하여 자동으로 관측을 수행하고 있다. 그림 10은 전국의 AWS, ASOS 위치를 보여준다

표 4 데이터 목록

Table 4 Data lists

데이터명	내용				보유기관
기상 관측 정보(ASOS/AWS)	풍속·풍향, 기온, 강수량 등				기상청
	-	일회 수집	스테이션 데이터	-
기후변화 시나리오 SSP 2-4.5	풍속, 기온, 강수량, 상대습도, 일사량 등				기상청 (국립기상과학원)
	2021-2100	일회 수집	1km	-
TOMS Data	가공송전철탑 정보(선로명, 철탑번호, 사업소 등)				한국전력공사
	-	사용자 설정	지점 공간 정보	위·경도
DEM	한반도 수치표고모형(DEM) / 지형의 고도값 수치(m)				국토지리정보원
경사도	한반도 수치표고모형(DEM)으로부터 생성 (경사각, 0~90)				직접제작
경사향	한반도 수치표고모형(DEM)으로부터 생성 (경사향, 0~360)				직접제작
해안가 거리	해안선으로부터의 거리(m)				직접제작

그림 10. AWS / ASOS 관측지점

Fig. 10. AWS and ASOS observation points

SSP 기후변화 시나리오 데이터는 IPCC에서 공표하는 글로벌 시나리오를 기상청이 대한민국 지형으로 고해상도화, 상세화 과정을 거쳐 최종적으로 남한 면적에 대해서 격자 기반 1km 해상도 형태로 제공된다. 2021년부터 2100년까지 기온, 강수량, 습도, 풍속, 일사량, 극한기후지수, 응용 지수를 포함하고 있으며, 시간 해상도는 일, 월, 연이며 공간 해상도는 1km이다. 공간 범위는 광역시도, 시·군·구, 읍·면·동을 포함하고 있다. TOMS(Transmission Operation Management System) 데이터는 한국전력공사 사내 데이터이며, 가공송전철탑 정보인 선로 번호, 철탑 번호, 위치 정보 등을 포함한다. DEM(Digital Eleveation Model)은 수치표고모델의 약어이며, 수치 지면 자료를 이용하여 격자 형태로 제작한 지표 모형을 말한다. 한반도의 지형 고도 정보를 포함하는 디지털 지형 자료이며 고도 데이터로 활용한다. 경사도, 경사향 데이터는 DEM 데이터를 기준으로 자체 제작을 했으며, 해안 거리 또한 100m 해상도를 기준으로 제작하였다.

3.2 평가 지표 및 검증 방법

모델의 성능 평가 지표는 MAPE(Mean Absolute Percentage Error)를 사용하였다. MAPE는 실제 값과 예측값 사이의 차이를 실제값으로 나누어줌으로써 오차가 실제값에서 차지하는 상대적인 비율을 산출한다. 하단의 수식 (1)과 같이 해당 오차값의 비율에 절댓값을 취한 뒤 평균을 구하는 방식으로 전체 시점에 대한 평균 오차비를 계산하며, 는 데이터의 총 개수, 는 실제값 는 예측값을 나타낸다. 오차의 정도를 백분율 값으로 표현하기 때문에 예측값이 여러 개일 경우에 예측값 전체에 대한 모델의 평균적인 성능을 평가하기에 직관적이다.

(1)

$MAPE=\dfrac{1}{n}\sum_{i = 1}^{n}\left |\dfrac{y_{i}-\hat{y}_{i}}{y_{i}}\right |\times 100$

그림 11에 표시된 점들은 1km 간격으로 구성된 SSP 시나리오 데이터이다. SSP 데이터는 미래 값을 다루기 때문에 실제 과거 관측값과 직접 비교가 어려워 일반적인 예측 모델 검증 방식(예측값과 관측값의 비교)은 적용할 수 없다. 따라서 파란색 점(학습 데이터, Training data)만으로 다운스케일링 모델을 학습한 뒤, 주황색 점(테스트 데이터, Test data) 위치에서 다운스케일링된 값과 원본 SSP 데이터(주황색 점)를 비교하여 오차(MAPE)를 측정하였다. 최대 순간 풍속 추정 모델도 동일한 검증 방법을 사용했다. 다만, 다운스케일링 모델과 달리 관측값이 존재하기 때문에 관측값으로 검증하였다. 고해상도 다운스케일링 모델은 학습:검증의 데이터 비율을 7:3으로 설정하였으며, 최대 순간 풍속 추정 모델은 학습 데이터의 양이 충분하지 않아 8:2로 구성하였다. 모델 정확도 평가는 모델 각각 데이터를 개의 데이터 폴드로 분할하고 서로 다른 검증 데이터를 구성하여 평가하는 교차 검증(K-Fold Cross Vaildation)을 통해 이루어졌으며, 폴드 수를 5로 설정한 후 평균적 성능을 산출했다.

그림 11. 모델 검증 방법

Fig. 11. Model validation method

3.3 고해상도 다운스케일링 모델

고해상도 다운스케일링 모델에는 SSP 2-4.5 시나리오 1km 해상도의 평균 풍속 데이터를 사용하였다. 연구에서 사용하는 SSP 시나리오 데이터는 한반도 전역에 대해 2100년까지 월 단위로 데이터가 구성되어 있으며, 총 1200개월에 대한 평균 풍속 데이터를 제공한다. 본 연구에서는 저해상도(1km) 데이터를 고해상도(100m)로 다운스케일링하여, 결과적으로 1200개의 고해상도 평균 풍속 데이터가 결과물로 만들어진다. 값으로 1km 해상도를 갖는 평균 풍속 데이터가, 입력(Input) 데이터 에 해당하는 100m 해상도의 고도, 경사향, 경사도, 해안 거리 데이터가 사용된다. 결과적으로는 지형 특성을 가진 입력 데이터에 의해 고해상도 평균 풍속 데이터를 출력하도록 훈련된다. 그림 9의 픽셀과 같은 형태의 1km 해상도 데이터가 보다 정밀한 값을 갖는 고해상도 데이터로 다운스케일링된다. 학습에 사용한 데이터의 복잡한 비선형적 관계를 분석하기 위해 다양한 모델을 앙상블(Ensemble)하였다. 앙상블에 사용된 모델의 종류는 BRT(Boosted Regression Trees), NN(Neural Network), GAM(Generalized Additive Model), MARS(Multivariate Adaptive Regression Splines), SVM(Support Vetctor Machine), RF(Random Forest)^[14-19]이며, 앙상블 방법으로는 각각의 모델에서 산출된 고해상도 다운스케일링 값들을 평균하여 최종 성능을 측정하였다. 최신 딥러닝(Deep Learning) 모델을 사용하지 못한 이유는 연산량에 문제가 있었다. 한반도 전역을 100m 격자 기준으로 구분하면 대략 1,000만 개이다. 이를 한 번에 학습하게 되면 연산에 사용되는 코스트가 너무 크기 때문에 제한이 있었고, 비교적 연산이 복잡하지 않은 머신러닝 모델로도 결과물 산출 시간이 오래 걸리고 컴퓨터 자원의 한계로 아래 표 5와 같이 지역별로 나눈 후 학습을 진행하고 성능을 평가했다. MAPE(100년 평균)는 2100년까지 월단위로 MAPE가 각각 구해지고, 교차 검증을 통해 나온 값들로 평균을 계산했다. 결과적으로 고해상도 다운스케일링 모델의 경우 한반도 전체 평균 4.04의 오차율을 갖는다.

그림 12. 고해상도 다운스케일링 모델 프로세스

Fig. 12. High resolution downscaling model process

표 5 다운스케일링 모델 성능표

Table 5 Downscaling model performance table

지역	MAPE (100년 평균)
서울특별시, 인천광역시, 경기도	3.63
대전광역시, 세종시, 충청남도	5.32
광주광역시, 전라남도	4.51
대구광역시, 경상북도	4.30
부산광역시, 울산광역시, 경상남도	4.09
강원도	4.63
충청북도	3.87
전라북도	3.79
제주도	2.23
전체 평균	4.04

표 5의 결과를 살펴보면 지역별로 정확도의 차이가 발생하는데, 이는 지역별 풍속 크기의 차이와 MAPE 지표 특성을 원인으로 설명할 수 있다. 실제 풍속값과 예측(보간)값 간의 차이는 대부분 지역에서 1.5m/s 이하의 절대 오차 범위 내에 있으나, MAPE는 상대 오차 지표이기 때문에 풍속이 높은 지역일수록 동일한 절대 오차라도 더 낮은 MAPE 값으로 계산된다. 예를 들어 풍속이 20m/s 일 때와 풍속이 40m/s 일 때, 같은 오차의 차이일지라도 MAPE의 차이는 약 2배 발생하게 된다. 따라서, 제주도와 같이 평균 풍속이 높은 지역에서는 상대적으로 모델의 예측 정확도가 높게 평가되는 경향이 있으며, 이는 지역 간 정확도 차이의 주요 원인으로 볼 수 있다.

3.4 최대 순간 풍속 추정 모델

최대 순간 풍속 추정 모델은 전국에 분포한 ASOS 및 AWS 651개 관측소에서 2023년까지 수집된 기상 관측 데이터를 사용하였다. 추정에 사용된 모델은 GAM(Generalized Additive Model)^[16]을 적용하였으며, 입력 변수로는 평균 풍속, ASOS, AWS 관측소 위치 정보(위도·경도), 고도, 해안 거리, 경사도, 경사향 등이 학습에 사용되어 최대 순간 풍속을 출력하도록 훈련되었다. 그림 13에서 확인할 수 있듯이, 관측소의 평균 풍속과 최대 순간 풍속 사이에는 선형적(linear) 특성이 존재하며, 이는 모델 결과로 도출된 P-value 값과 산점도 상에서도 두 변수는 대체로 선형적인 관계를 보이는 것을 통해 검증하였다. 추가로, 지형정보 등 부가 데이터를 활용한 최대 순간 풍속 추정 모델은 한반도 전체 기준으로 MAPE 기준 9.82의 오차율을 기록하였다. 이 모델은 평균 풍속 데이터만을 제공하는 SSP 기후변화 시나리오 데이터의 한계를 보안하여, 실제 설계 기준에 중요한 역할을 하는 최대 순간 풍속 데이터를 확보하기 위한 보조 모델로서의 역할을 수행한다.

그림 13. 평균 풍속과 최대 순간 풍속의 선형성

Fig. 13. Linearity of average wind speed and maximum instantaneous wind speed

4. 최신 기상 데이터 기반 신규 풍속도 제작 프로세스

본 연구에서는 기존 풍속도(그림 14)의 단점들을 극복하고자, 그림 15와 같이 GIS 데이터 분석 기법과 기계학습 방법론(ML modeling)을 활용하여 100m 해상도로 이루어진 풍속 지도를 확보함으로써, 설비 위치별 세부 분석이 가능하도록 개선하였다. 기존 풍속도와 비교 분석을 위해, ASOS 관측자료 중 월별 최댓값을 통계적으로 추출하여 전국의 데이터를 확보하는 것까지는 기존 연구와 동일한 프로세스로 진행하였다. 이후 각 관측소의 위·경도 정보를 이용하여 전국의 경사도, 경사향, 고도, 해안으로부터의 거리 정보 이미지에 투영시켜 위치(위도·경도)별 풍속의 상태를 학습하여, 100m 격자 위치정보와 지형정보를 통해 전국의 풍속 데이터를 생성하였다. 결과적으로 전국을 기준으로 100m 해상도의 풍속을 알 수 있도록 구현한 것이 기존 풍속도와의 차별점이다.

그림 14는 최초 제정 당시 전국적으로 동일한 값을 사용했으나, 1987년부터는 지역별 풍속 차이에 따라 차등 적용하기 시작하였다. 이후 몇 차례의 개정 작업을 거쳐 2011년에 현재 기준이 정립되었는데, 이때 반영된 기상관측 데이터는 2005년까지의 데이터만이 반영되었다. 표 6은 DS-1111에서 사용된 2005년도 데이터를 기반으로 제작된 시·군·구·읍·면·동 단위

그림 14. DS-1111 풍속도

Fig. 14. DS-1111 wind speed map

그림 15. 신규 풍속도

Fig. 15. New wind speed map

풍속도와 2023년도 데이터를 기반으로 한 100m 해상도 풍속도 간의 차이를 보여준다. 본 연구에서는 기존에 사용한 관측소 수 60~80개 대비 104개 관측소를 활용하고, 2023년까지의 기상관측 데이터를 반영하여 풍속도를 제작하였다. 표 6은 기존의 풍속도 제작 방식과 본 연구의 차이점이 정리되어 있다. 그림 15의 신규 풍속도는 기상 관측소가 늘어남에 따라 더 많은 데이터를 다루게 되어 세밀한 결과를 얻을 수 있는 장점이 있다. 반면 DS-1111의 기존 풍속도는 구체적인 제작 방법이 명시되지 않아 재현이 어려우며, 소수 관측소로 한반도 전체를 어떻게 산정했는지 알 수 없다. 또한 등고선 형태의 결과물로 인해 시각적인 확인이 어렵다. 하지만, 본 연구에서 제시하는 신규 풍속도는 제작 방식은 데이터만 최신화된 버전으로 업데이트하면 바로 재현이 가능하다. 아울러, 기존의 읍·면·동 분석에 비해 100m의 고해상도 데이터를 바탕으로 세밀한 풍압 지역 등급 구분이 가능하다. 다만 기존의 방법보다 많은 연산량이 필요하다는 단점이있다. 대한민국의 읍면동 개수는 5,055개이며, 대한민국을 100m 해상도로 나누게 되면 약 1,000만개로 구분되고 둘의 연산량 차이는 약 1,978배이다. 현재 DS-1111에서는 지역 구분 기반의 풍속도 사용하고 있지만, 향후 지역이 아닌 송전철탑 위치별로 풍속 등급을 적용함으로써 세밀한 설계 기준과 보강 계획을 수립할 수 있을 것으로 기대된다.

표 7과 8는 풍속도 변경으로 인해 지역이나 철탑이 변경된 결과를 보여주는데, 표 7의 결과를 살펴보면 전체적으로 풍압 지역 등급이 높아진 것을 확인할 수 있다. 표 8은 풍속도 등급 변화에 따른 변경된 지역 수를 표시하고, 등급 변경으로 영향을 받는 철탑을 표시하였다. 풍압 지역 등급이 높아짐에 따라 변경된 등급의 영향을 받는 철탑이 증가한 것을 확인할 수 있다. 2005년과 2023년을 데이터를 비교한 결과만으로도 풍속이 전반적으로 증가하고 있음을 확인할 수 있는데, 이는 기후 변화의 영향이 반영된 결과로 볼 수 있다. 따라서 2100년 까지의 장기 분석을 통해 송전설비 보강 계획과 신규 설비 설계를 더욱 체계적으로 계획해야 할 필요가 있다.

4. 결 론

본 연구에서는 기후변화에 대응하기 위한 가공송전설비의 예방 정비 및 설계, 구축 최적화를 목적으로, 데이터 기반의 고해상도 풍속 다운스케일링 모델과 최대순간 풍속 추정 모델을 개발하고, 이를 활용하여 신규 풍속도를 제작하는 방법을 제안한다. 기존의 저해상도 풍속 데이터가 송전설비의 국지적 특성을 충분히 반영하지 못하는 한계를 극복하기 위해, 100m 해상도의 격자 기반 지형 특성 데이터를 제작하고, 이를 활용하여 보다 정밀한 고해상도 다운스케일링 모델과 최대 순간 풍속 추정 모델을 구축 통해 정밀한 분석이 가능하도록 하였다. 연구 결과, 고해상도 풍속 다운스케일링 모델은 평균 4.04%의 오차율, 최대순간 풍속 추정 모델은 9.82%의 오차율을 기록하여 높은 정확도를 확보하였다. 또한, 최신 기상 데이터를 기반으로 제작된 신규 풍속도는 기존의 풍압 지역 등급 체계보다 더욱 정밀한 지역별 풍속 분석을 가능하게 하여, 송전 철탑의 보강 계획 및 신규 설비 설계에 실질적인 기여를 할 것으로 기대된다. 특히, 본 연구에서 구축한 SSP 기반 2100년까지의 고해상도 풍속 데이터는 향후 기후변화에 따른 송전설비 운영 전략 수립에 중요한 자료로 활용될 수 있다. 나아가, 본 연구에서 개발된 데이터 기반 모델 및 분석 기법은 풍속뿐만 아니라 기온, 강수, 적설과 같은 기후 요소에 의대해서도 적용 가능하며, 이를 통해 보다 세밀한 전력설비 안정성 평가 및 위험도 분석이 이루어질 수 있을 것으로 전망된다. 추후 연구에서는 본 연구에서 제시한 기법을 확장하여 설비별 설계 기준과 설비 위험도를 정밀하게 분석하고, 다양한 기후 데이터를 고려한 종합적인 설비 보강 및 설계 계획 방안을 제시하는 데 중점을 둘 예정이다.