태양광 발전량 예보기술 동향
2019-11-25
org.kosen.entty.User@6af06e77
김현구(windflow)
태양광 발전량 예보기술 동향
김현구, hyungoo@kier.re.kr
한국에너지기술연구원, 신재생에너지자원정책센터
Key words
Photovoltaic, Variable renewable energy, Curtailment, Power system flexibility
태양광발전, 가변재생에너지, 출력제약, 전력계통 유연성
1. 태양광 예보의 필요성
가변재생에너지(VRE; variable renewable energy)인 태양광 발전은 주로 구름에 의한 태양복사의 차단으로 인하여 발전량의 변동성이 크기 때문에 발전량을 임의로 제어하기가 매우 어렵다. 따라서 태양광 발전의 공급 비중이 증가할수록 전력계통의 불안정성이 커지게 되며, 이를 예비력으로 해결하는 경우 전력가격의 상승으로 이어진다.
구름이 없는 상황이라면 어느 지점의 일사량은 위경도와 일시에 따라 정확하게 예측할 수 있으며 일출에서 일몰까지 사인곡선(sine curve)의 형태를 보인다. 그러나 실제로는 구름에 의해 Figure 1과 같이 급격한 일사량의 변동이 발생하며 이는 출력의 변동으로 이어진다. 물론 많은 가변재생에너지 발전소가 전력계통에 연계될 경우 국소적인 변동성이 지역적으로 융합되면서 변동폭이 상당히 상쇄되기는 하지만 전력계통 운영 측면에서 여전히 예측 불확실성이 크다.
Figure 1. 태양광 발전의 변동성 [1]
재생에너지의 변동성은 전력공급 및 전력거래에 부정적인 영향을 끼치기 때문에, 이를 해결하기 위한 극단적 방법인 출력제약(curtailment)으로부터 에너지저장장치(ESS; energy storage system)의 활용, 예비력 시장도입 등 전력계통의 유연성을 증가시키는 방법과 태양광 발전량 예보에 근거한 단시간 전력거래에 의한 변동성 최소화 방법 등이 매우 활발하게 연구되고 있다.
우리나라는 최근에 1 MW 이하의 소규모 분산전원 발전전력의 중개서비스 시장이 개방됨에 따라 태양광, ESS 등 분산자원을 연결(aggregation), 제어하여 하나의 가상발전소(VPP; Virtual Power Plant) 형태로 전력거래 시장에 참여할 수 있게 되었다. 중개거래사업자는 사전에 전력거래소와 전력판매 계약을 맺고 해당 시간에 계약된 전력량을 공급하여야 하므로 필연적으로 전력중개거래를 위해서는 정확한 태양광 발전량 예보정보가 필요하다. 해외에서는 태양광 발전량 예보자료를 판매하는 서비스가 활발하게 전개되고 있으나 우리나라는 대기업을 포함한 몇몇 업체가 예보 서비스 제공을 준비하고 있는 초기단계이다.
2. 태양광 예보기술 분류
일사량 또는 태양광 발전량 예보모델은 예보 시간범위에 따라서 단기간(1시간 이내), 중기간(3-6시간), 장기간(24-48시간)으로 구분된다. 이러한 구분은 예보모델의 특성에 의한 것으로, Figure 2와 같이 단기간은 지상측정 기반의 통계모델, 중기간은 위성영상 기반의 물리모델, 장기간은 수치기상예측(NWP; Numerical Weather Prediction) 기반의 수치모델의 정확도가 가장 높기 때문이다.
Figure 2. 예보시간에 따른 예보모델의 예측정확도 (Source: SolarGIS)
2.1. 단기간 예보 통계모델
가장 일반적인 통계모델은 과거 기상변수와 일사량 간의 상관관계를 시계열 통계분석으로 재구성하고 미래시점의 예보된 예보변수로 일사량을 추정하는 방법이며, 다양한 수학적인 분석모델이 학술논문으로 발표되고 있다 [2]. 즉, 인공신경망(ANN; Artificial Neural Network), 서포트벡터머신(SVM; Support Vector Machine), 자기회귀 이동평균 모형(ARMA; Autoregressive Moving Average Model) 등이 있다. 통계모델의 기본 가정은 단기간 내의 변동은 통계적인 특성을 따른다는 것으로, 중장기간에 걸쳐 기상상황이 바뀜에 따라 나타나는 현상을 통계적으로 설명하기에는 한계가 따른다.
2.2. 중기간 예보 위성영상모델
위성영상 기반의 해석 모델은 물리모델에 포함되며, 기상위성과 같은 정지궤도 인공위성에서 촬영된 위성영상을 이용하여 대기이동벡터(AMV; Atmospheric Motion Vector)를 산출하여 구름의 이동을 예측함으로써 일사량을 예보하는 기술이다 [3]. 구름의 이동을 예측한 후 지상의 일사량을 예측하기 위해서는 복사에너지가 대기를 투과하며 구름과 에어로졸에 의해 반사, 산란, 투과되는 정도를 산정하여야 한다. 우리나라의 경우 국립기상과학원에서는 단층태양복사모델을 이용하여 위성영상으로부터 지면 일사량을 예측하는 반면 [4], 한국에너지기술연구원에서 제공하는 대한민국 태양자원지도(www.kier-solar.org)는 다층복사모델로 구름을 탐지하고 분류하여 룩업테이블로 일사량을 산정하는 진보된 방법을 사용한 결과물이다 [5].
2.3. 장기간 예보 물리모델
대기상태와 강수과정 등을 물리적으로 모사하여 수치해석적으로 예측하는 방법을 수치기상예측이라고 한다. NWP는 전지구(global) 모델로부터 중규모(mesoscale) 모델, 미시규모(microscale) 모델 등으로 세분화된다. 전지구 모델로는 미국해양대기청의 GFS(Global Forecast System)와 유럽중장기예보센터의 ECMWF(European Centre for Medium-Range Weather Forecasts)가 대표적이며, 우리나라 기상청에서 운영하는 전지구 예보모델로 영국 모델인 UM N1280L70과 중규모 모델인 UM 1.5kmL70 등이 있다. 이들 예보모델은 지구 표면을 격자와 층으로 나누어 물리방정식을 수치적으로 적분하여 미래시점의 기상요소를 해석하는 방식이다.
Table 1. 대한민국 기상청 수치예보모델 (Source: 기상청)
3. 태양광 예보의 시장동향
태양광 발전량 예보는 전력시장의 요구사항에 맞추어 기술개발이 진행되고 있다. 독일, 프랑스, ？？영국, 네덜란드, 벨기에, 오스트리아, 스위스 및 룩셈부르크 등의 유럽전력교환(EPEX SPOT; European Power Exchange)의 경우 Figure 3과 같이 국가별로 하루 전 시장 및 당일 시장(intra-day market) 등 다양한 전력거래 시장이 운영 중이며, 따라서 국가간 전력거래를 비롯하여 다양한 거래시간, 거래단위 등이 활성화 되어있는 유연한 전력계통을 구축하고 있기 때문에 가변재생에너지의 변동성을 충분히 상쇄할 수 있는 구조가 이미 구축되어 있다.
기본적인 재생에너지 전력거래는 하루 전, 하루 내, 밸런싱 시장으로 구분되며, 하루 전 시장은 거래 전일 오루 12시에 입찰이 마감되며, 당일 시장은 15분 단위, 30분 단위, 1시간 단위로 급전 1-2시간 전까지 입찰 갱신이 가능하다. 따라서 이러한 재생에너지 전력거래 시장 중 하루 전 시장에 참여하기 위해서는 40시간 예보정보가 필요하고 당일 시장에 참여하기 위해서는 최소 20분에서 수 시간의 예보 정보가 실시간으로 요구된다.
Figure 3. 유럽국가별 재생에너지 전력거래 스케줄 (Source: EPEX SPOT)
최근 우리나라도 시작한 소규모 전력중개시장 운영규칙에 따르면, 국내 전력중개거래는 전일 19시부터 거래 다음일 5시까지 총 34시간 동안 시간별 발전 예측량을 전일 10시에 입찰하도록 되어 있다. 즉, 제출시각으로부터 43시간 후의 발전량에 대한 시간 단위의 예보정보가 있어야 한다. 따라서 기본적으로 우리나라의 예보시장은 장기간 예보시장이며, 유럽전력시장에 비하여 탄력성과 유연성은 매우 부족한 초기상태임을 알 수 있다.
4. 결론
우리나라는 재생에너지 3020 이행계획에 의해 2030년까지 전력공급량의 20%를 태양광과 풍력을 위주로 한 가변재생에너지가 담당하게 되고, 그 이후는 제3차 에너지기본계획에 의해 재생에너지 공급비중을 30% 이상으로 지속적으로 증가시켜가게 될 예정이다. 따라서 필연적으로 단시간, 중기간 전력거래시장 확대를 통한 전력계통의 유연성 향상을 비롯한 다양한 전력계통 안정화 방법이 적용될 것으로 예상된다.
태양광 발전량 예보기술의 동향을 종합적으로 정리한다면 다음과 같다.
(1) 단기간 통계보델의 경우 인공신경망회로 기법이 모든 시간영역대에서 가장 많이 사용되고 있으며 태양광 발전량의 빅데이터가 확보됨에 따라 단순한 통계모델에서 진화하여 기계학습을 이용하여 다양한 물리변수에 의한 영향을 예보모델에 반영함으로써 예보 정확도를 향상시키려는 노력이 활발하게 진행되고 있다.
(2) 예보오차는 예보시간이 길어지면 그에 따라 오차가 누적되어 정확도가 떨어지는 경향을 보인다. 시간 내 예보와 하루 내 예보의 경계시간인 중기간(1-3시간)에서 예보오차가 가장 크게 증가하였기 때문에 향후 위성영상을 이용한 물리모델이 이 부분의 정확도를 향상시키는 중요한 역할을 할 것으로 예상된다.
(3) 발전량 에보의 주요 독립변수로는 일사량 또는 발전량이 사용되는데, 평균적으로 발전량 예보는 일사량 예보보다 낮은 오차를 보인다. 이는 일사량을 예측한 후 태양전지의 변환효율 등을 고려한 발전량을 산출하는 과정에서 추가적인 오차가 포함되기 때문이다. 또한 전일사량 예보에 비하여 구름의 영향에 민감한 직달일사량 예보의 정확도가 낮은 것으로 파악되었다.
(4) 단기간, 중기간, 장기간 등 전력거래시장의 입찰요건에 적합한 예보모형을 선택할 수 있디만, 또는 다양한 예보시점의 예보정보가 필요한 경우에는 독립적인 예보모델보다 여러 예보기법을 혼합한 예보모델이 필요하다. 실제로 물리모델과 통계모델을 기계학습을 이용하여 혼합할 경우 물리모델 단독으로 활용할 경우보다 뚜렷한 예보정확도의 향상을 기대할 수 있다.
References
김현구, hyungoo@kier.re.kr
한국에너지기술연구원, 신재생에너지자원정책센터
Key words
Photovoltaic, Variable renewable energy, Curtailment, Power system flexibility
태양광발전, 가변재생에너지, 출력제약, 전력계통 유연성
1. 태양광 예보의 필요성
가변재생에너지(VRE; variable renewable energy)인 태양광 발전은 주로 구름에 의한 태양복사의 차단으로 인하여 발전량의 변동성이 크기 때문에 발전량을 임의로 제어하기가 매우 어렵다. 따라서 태양광 발전의 공급 비중이 증가할수록 전력계통의 불안정성이 커지게 되며, 이를 예비력으로 해결하는 경우 전력가격의 상승으로 이어진다.
구름이 없는 상황이라면 어느 지점의 일사량은 위경도와 일시에 따라 정확하게 예측할 수 있으며 일출에서 일몰까지 사인곡선(sine curve)의 형태를 보인다. 그러나 실제로는 구름에 의해 Figure 1과 같이 급격한 일사량의 변동이 발생하며 이는 출력의 변동으로 이어진다. 물론 많은 가변재생에너지 발전소가 전력계통에 연계될 경우 국소적인 변동성이 지역적으로 융합되면서 변동폭이 상당히 상쇄되기는 하지만 전력계통 운영 측면에서 여전히 예측 불확실성이 크다.
Figure 1. 태양광 발전의 변동성 [1]
재생에너지의 변동성은 전력공급 및 전력거래에 부정적인 영향을 끼치기 때문에, 이를 해결하기 위한 극단적 방법인 출력제약(curtailment)으로부터 에너지저장장치(ESS; energy storage system)의 활용, 예비력 시장도입 등 전력계통의 유연성을 증가시키는 방법과 태양광 발전량 예보에 근거한 단시간 전력거래에 의한 변동성 최소화 방법 등이 매우 활발하게 연구되고 있다.
우리나라는 최근에 1 MW 이하의 소규모 분산전원 발전전력의 중개서비스 시장이 개방됨에 따라 태양광, ESS 등 분산자원을 연결(aggregation), 제어하여 하나의 가상발전소(VPP; Virtual Power Plant) 형태로 전력거래 시장에 참여할 수 있게 되었다. 중개거래사업자는 사전에 전력거래소와 전력판매 계약을 맺고 해당 시간에 계약된 전력량을 공급하여야 하므로 필연적으로 전력중개거래를 위해서는 정확한 태양광 발전량 예보정보가 필요하다. 해외에서는 태양광 발전량 예보자료를 판매하는 서비스가 활발하게 전개되고 있으나 우리나라는 대기업을 포함한 몇몇 업체가 예보 서비스 제공을 준비하고 있는 초기단계이다.
2. 태양광 예보기술 분류
일사량 또는 태양광 발전량 예보모델은 예보 시간범위에 따라서 단기간(1시간 이내), 중기간(3-6시간), 장기간(24-48시간)으로 구분된다. 이러한 구분은 예보모델의 특성에 의한 것으로, Figure 2와 같이 단기간은 지상측정 기반의 통계모델, 중기간은 위성영상 기반의 물리모델, 장기간은 수치기상예측(NWP; Numerical Weather Prediction) 기반의 수치모델의 정확도가 가장 높기 때문이다.
Figure 2. 예보시간에 따른 예보모델의 예측정확도 (Source: SolarGIS)
2.1. 단기간 예보 통계모델
가장 일반적인 통계모델은 과거 기상변수와 일사량 간의 상관관계를 시계열 통계분석으로 재구성하고 미래시점의 예보된 예보변수로 일사량을 추정하는 방법이며, 다양한 수학적인 분석모델이 학술논문으로 발표되고 있다 [2]. 즉, 인공신경망(ANN; Artificial Neural Network), 서포트벡터머신(SVM; Support Vector Machine), 자기회귀 이동평균 모형(ARMA; Autoregressive Moving Average Model) 등이 있다. 통계모델의 기본 가정은 단기간 내의 변동은 통계적인 특성을 따른다는 것으로, 중장기간에 걸쳐 기상상황이 바뀜에 따라 나타나는 현상을 통계적으로 설명하기에는 한계가 따른다.
2.2. 중기간 예보 위성영상모델
위성영상 기반의 해석 모델은 물리모델에 포함되며, 기상위성과 같은 정지궤도 인공위성에서 촬영된 위성영상을 이용하여 대기이동벡터(AMV; Atmospheric Motion Vector)를 산출하여 구름의 이동을 예측함으로써 일사량을 예보하는 기술이다 [3]. 구름의 이동을 예측한 후 지상의 일사량을 예측하기 위해서는 복사에너지가 대기를 투과하며 구름과 에어로졸에 의해 반사, 산란, 투과되는 정도를 산정하여야 한다. 우리나라의 경우 국립기상과학원에서는 단층태양복사모델을 이용하여 위성영상으로부터 지면 일사량을 예측하는 반면 [4], 한국에너지기술연구원에서 제공하는 대한민국 태양자원지도(www.kier-solar.org)는 다층복사모델로 구름을 탐지하고 분류하여 룩업테이블로 일사량을 산정하는 진보된 방법을 사용한 결과물이다 [5].
2.3. 장기간 예보 물리모델
대기상태와 강수과정 등을 물리적으로 모사하여 수치해석적으로 예측하는 방법을 수치기상예측이라고 한다. NWP는 전지구(global) 모델로부터 중규모(mesoscale) 모델, 미시규모(microscale) 모델 등으로 세분화된다. 전지구 모델로는 미국해양대기청의 GFS(Global Forecast System)와 유럽중장기예보센터의 ECMWF(European Centre for Medium-Range Weather Forecasts)가 대표적이며, 우리나라 기상청에서 운영하는 전지구 예보모델로 영국 모델인 UM N1280L70과 중규모 모델인 UM 1.5kmL70 등이 있다. 이들 예보모델은 지구 표면을 격자와 층으로 나누어 물리방정식을 수치적으로 적분하여 미래시점의 기상요소를 해석하는 방식이다.
Table 1. 대한민국 기상청 수치예보모델 (Source: 기상청)
3. 태양광 예보의 시장동향
태양광 발전량 예보는 전력시장의 요구사항에 맞추어 기술개발이 진행되고 있다. 독일, 프랑스, ？？영국, 네덜란드, 벨기에, 오스트리아, 스위스 및 룩셈부르크 등의 유럽전력교환(EPEX SPOT; European Power Exchange)의 경우 Figure 3과 같이 국가별로 하루 전 시장 및 당일 시장(intra-day market) 등 다양한 전력거래 시장이 운영 중이며, 따라서 국가간 전력거래를 비롯하여 다양한 거래시간, 거래단위 등이 활성화 되어있는 유연한 전력계통을 구축하고 있기 때문에 가변재생에너지의 변동성을 충분히 상쇄할 수 있는 구조가 이미 구축되어 있다.
기본적인 재생에너지 전력거래는 하루 전, 하루 내, 밸런싱 시장으로 구분되며, 하루 전 시장은 거래 전일 오루 12시에 입찰이 마감되며, 당일 시장은 15분 단위, 30분 단위, 1시간 단위로 급전 1-2시간 전까지 입찰 갱신이 가능하다. 따라서 이러한 재생에너지 전력거래 시장 중 하루 전 시장에 참여하기 위해서는 40시간 예보정보가 필요하고 당일 시장에 참여하기 위해서는 최소 20분에서 수 시간의 예보 정보가 실시간으로 요구된다.
Figure 3. 유럽국가별 재생에너지 전력거래 스케줄 (Source: EPEX SPOT)
최근 우리나라도 시작한 소규모 전력중개시장 운영규칙에 따르면, 국내 전력중개거래는 전일 19시부터 거래 다음일 5시까지 총 34시간 동안 시간별 발전 예측량을 전일 10시에 입찰하도록 되어 있다. 즉, 제출시각으로부터 43시간 후의 발전량에 대한 시간 단위의 예보정보가 있어야 한다. 따라서 기본적으로 우리나라의 예보시장은 장기간 예보시장이며, 유럽전력시장에 비하여 탄력성과 유연성은 매우 부족한 초기상태임을 알 수 있다.
4. 결론
우리나라는 재생에너지 3020 이행계획에 의해 2030년까지 전력공급량의 20%를 태양광과 풍력을 위주로 한 가변재생에너지가 담당하게 되고, 그 이후는 제3차 에너지기본계획에 의해 재생에너지 공급비중을 30% 이상으로 지속적으로 증가시켜가게 될 예정이다. 따라서 필연적으로 단시간, 중기간 전력거래시장 확대를 통한 전력계통의 유연성 향상을 비롯한 다양한 전력계통 안정화 방법이 적용될 것으로 예상된다.
태양광 발전량 예보기술의 동향을 종합적으로 정리한다면 다음과 같다.
(1) 단기간 통계보델의 경우 인공신경망회로 기법이 모든 시간영역대에서 가장 많이 사용되고 있으며 태양광 발전량의 빅데이터가 확보됨에 따라 단순한 통계모델에서 진화하여 기계학습을 이용하여 다양한 물리변수에 의한 영향을 예보모델에 반영함으로써 예보 정확도를 향상시키려는 노력이 활발하게 진행되고 있다.
(2) 예보오차는 예보시간이 길어지면 그에 따라 오차가 누적되어 정확도가 떨어지는 경향을 보인다. 시간 내 예보와 하루 내 예보의 경계시간인 중기간(1-3시간)에서 예보오차가 가장 크게 증가하였기 때문에 향후 위성영상을 이용한 물리모델이 이 부분의 정확도를 향상시키는 중요한 역할을 할 것으로 예상된다.
(3) 발전량 에보의 주요 독립변수로는 일사량 또는 발전량이 사용되는데, 평균적으로 발전량 예보는 일사량 예보보다 낮은 오차를 보인다. 이는 일사량을 예측한 후 태양전지의 변환효율 등을 고려한 발전량을 산출하는 과정에서 추가적인 오차가 포함되기 때문이다. 또한 전일사량 예보에 비하여 구름의 영향에 민감한 직달일사량 예보의 정확도가 낮은 것으로 파악되었다.
(4) 단기간, 중기간, 장기간 등 전력거래시장의 입찰요건에 적합한 예보모형을 선택할 수 있디만, 또는 다양한 예보시점의 예보정보가 필요한 경우에는 독립적인 예보모델보다 여러 예보기법을 혼합한 예보모델이 필요하다. 실제로 물리모델과 통계모델을 기계학습을 이용하여 혼합할 경우 물리모델 단독으로 활용할 경우보다 뚜렷한 예보정확도의 향상을 기대할 수 있다.
References
- Burtin, A. & Silva, V. Technical and Economic Analysis of the European Electricity System with 60% RES. EFD R&D, 2015.
- Cheon, J. H. et al. Trend Review of Solar Energy Forecasting Technique. J. of the Korean Solar Energy Society, 39(4), 41-54, 2019.
- Jang, H. S. et al. Solar Power Prediction Based on Satellite Images and Support Vector Machine. IEEE Transactions on Sustainable Energy, 7(3), 1255-1263, 2016.
- Jee, J. B. et al. The Character of Distribution of Solar Radiation in Mongolia Based on Meteorological Satellite Data. J. Korean Earth Science Society, 33(2), 139-147, 2012.
- Kim, C. K. et al. Toward Improved Solar Irradiance Forecasts: Comparison of the Global Horizontal Irradiances Derived from the COMS Satellite Imagery Over the Korean Peninsula. Pure Applied Geophysics, 174, 2773–2792, 2017.