1.1 연구의 배경

최근 전 세계적으로 에너지 수요 증가, 에너지 가격 상승 및 전력 생산에 따른 환경 문제가 나타남에 따라 정부는 공급 중심의 전력수급 정책에서 수요 중심의 전력수급 정책으로 눈을 돌리고 있다. 이에 따라 수요반응(Demand Response, DR), 행동기반 에너지 효율화 프로그램(Behavior based Energy Efficiency Program) 등의 수요 관리 프로그램에 대한 많은 연구가 진행 중에 있다. 수요관리 중심의 전력수급 정책은 프로그램 참여자가 감축한 에너지 감축량을 정확하게 산정하는 데에 그 성패가 달려있다. 수요관리 프로그램에 참여한 고객이 에너지 감축에 따른 보상을 받고자 하는 경우 감축량의 산정이 정확하게 이루어져야 그에 대한 보상도 명확해지기 때문이다. 에너지 감축량이 과소 산정되는 경우 인센티브가 적게 책정된 고객으로부터 항의를 받을 수 있고, 반대로 과대 산정되는 경우에는 해당 프로그램을 운영하는 사업 주체가 고객들에게 보상금을 과도하게 지급함으로써 경제적 손실을 볼 수 있다.

1.2 연구의 목적 및 방법

본 논문에서는 행동기반 에너지 효율화 프로그램의 시행 효과를 측정하기 위한 고객기준부하(Customer Baseline Load, CBL)의 산정 기법을 제시할 것이다. CBL이란 수요관리 프로그램의 효과를 분석하기 위해 사용하는 기준 값으로써, 해당 프로그램을 시행하지 않았을 경우 평소에 사용했을 전력 사용량의 추정치를 의미한다. 에너지 효율화 프로그램을 통한 고객의 에너지 감축량은 해당 월의 CBL과 실제 에너지 사용량의 차이로 산정된다. 따라서 고객의 정확한 에너지 감축량을 산정하기 위해서는 정확한 CBL의 산정이 반드시 필요하다.

본 논문의 2장에서는 행동기반 에너지 효율화 프로그램의 종류에 대해 설명한 뒤 기존에 이루어진 연구들을 확인하고 각 연구에 대한 시사점을 제시할 것이다. 그리고 본 연구를 위해 시행한 행동기반 에너지 효율화 프로그램과 프로그램이 시행된 연구 대상 고객에 대해 설명할 것이다. 3장에서는 과거 데이터의 온도 조건을 현재 시점의 온도 수준으로 보정하기 위한 난방도일(HDD)과 냉방도일(CDD)에 대해 정의하고 과거 데이터를 사용하는 시계열 예측 방법으로 CBL을 산정하는 기법을 제시할 것이다. 4장에서는 3장에서 제시한 시계열 예측 기법을 각각의 모델별로 오차율을 계산하여 그 정확성을 평가할 것이다. 5장에서는 시계열 예측 기법의 한계점을 분석하고 한계점을 개선하기 위한 방안에 대해 논할 것이다.

2.1 행동기반 에너지 효율화 프로그램

행동기반 에너지 효율화 프로그램이란 고객에게 에너지사용량 정보를 다양한 채널을 통해 피드백으로 제공한 후 고객의 에너지 사용 행동 변화를 통해 에너지를 절감하는 목적을 가지고 있는 행동기반 에너지 효율성 (Behavior based Energy Efficiency) 전략 중 하나의 방법이다. 고객은 여러 채널을 통해 현재 또는 과거의 에너지사용량, 이웃과의 에너지사용량 비교 등의 정보를 제공받는다. 이와 같은 정보의 피드백을 통해 고객은 사용하지 않는 전구를 끄는 간단한 방법부터 에너지 효율적인 가전제품 구매 등의 행동을 통해 에너지를 절감하게 된다. 유틸리티는 고객 행동 변화에서 기인하여 절감한 에너지사용량을 계산하고 분석하여 분석보고서, 요금청구서 등을 통해 고객에게 에너지 사용 결과를 전송한다⁽¹⁾.

2.2 기존 시계열 부하 추정 사례

EPRI (Electric Power Research Institute)에서는 에너지 효율화 프로그램의 효과 측정 방법을 제안하였다⁽²⁾. EPRI의 보고서에서는 기상 요소와 같이 전력 소비의 잠재적인 원인을 설명함으로써 단순히 평균값의 차이로 에너지 절감량을 산정하는 방법을 제안하였다. 이 방법을 위해서는 회귀 분석 모델을 사용해야 한다. 회귀모델은 설명변수 X를 사용하여 종속변수 Y의 변동을 설명하는 것이다. 따라서 이 모델에서는 종속변수 Y를 에너지 사용량, 설명변수 X를 기상 요소로 가지는 회귀모델을 가정하였다.

위의 식에서 α는 상수를 나타내고, β₁과 β₂는 각각 HDD (Heating Degree Days)와 CDD(Cooling Degree Days)의 계수를 나타낸다. 모델이 생성되면 장시간 동안의 평균 HDD 및 CDD 값을 회귀 식에 입력 값으로 대입한다. 이 과정에 따라 날씨에 대해 표준화 된 연간 전력사용량 (Normalized Annual Consumption)을 구할 수 있다. 여기서 기상요소를 보정해주는 목적은 프로그램 시행 이전과 이후의 서로 다른 기상 요인을 제거해주는 것이므로 표준화된 전력 사용량을 구하기 위해 프로그램 이전과 이후의 전력사용량 및 기상 요인에 대해 각각 회귀식을 구해야 한다. 그 다음, 프로그램 시행 이전과 이후에 대해 각각 생성된 두 개의 모델에 동일한 HDD, CDD 평균값을 대입하여 기상요소에 대해 표준화된 전력사용량을 구한다.

미국 DOE (Department of Energy) 보고서에서는 RCT (Randomized Control Trial) 실험 방식을 사용한 에너지 효율화 프로그램 평가 방식을 제안하였다.⁽³⁾ RCT 방식에서는 실험집단과 통제집단 사이의 통계적인 유사성을 확보하기 위한 장치로 무작위 표본 추출 방법이 사용된다. 그 중 D-in-D Method는 Difference in Difference Method의 줄임말로써 프로그램 시행 이전과 이후를 비교하여 자연절감분을 차감하는 방법이다. 자연절감분은 프로그램 시행 시점을 기준으로 프로그램 이전과 프로그램 이후의 통제집단 에너지 사용량 변화를 가리킨다. 따라서 실험집단의 순 에너지 절감량은 실험진단의 에너지 절감량에서 자연절감분(통제집단의 에너지 절감량)을 차감하여 계산될 수 있다.

EPRI 보고서에서 제안한 방법은 프로그램 시행 이전, 이후의 서로 다른 기상 요인을 제거해주는 것에서 그 장점을 찾을 수 있다. 그러나 이 방법은 프로그램 시행 시점을 기준으로 시행 이전, 이후 각각 최소 1년의 데이터가 필요한 방법이다. 프로그램 시행 이후 곧바로 시행 효과를 월별로 분석하기 위해서는 시행 이후의 데이터가 축적되지 않았으므로 사용될 수 없다. DOE 보고서에서 제안한 방법은 실험집단과 통제집단 사이의 통계적인 유사성을 확보하여 프로그램 효과 추정을 더 정확하게 만들 수 있다는 점에서 그 장점을 찾을 수 있다. 그러나 이 방법 또한 프로그램 시행 시점을 기준으로 시행 이전, 이후 각각 최소 1년의 데이터가 필요하며 전체 모집단 중에서 실험집단과 통제집단을 무작위로 나눈 뒤 실험집단 내에서만 프로그램 참가자를 받아야하기 때문에 한정된 집단 내에서 프로그램 참가자를 뽑아야 하는 현실적인 제약 하에서는 어려운 방법일 수 있다.

위에서 살펴본 두 방법 모두 프로그램 평가 사업의 예산, 기간 등의 현실적인 여건이 부족할 때에 즉각적으로 효과 평가를 하는 상황에서는 적합하지 않은 방법이라 할 수 있다. 따라서 본 연구에서는 프로그램 시행 이전, 이후 모든 기간의 데이터 축적과, RCT 방법을 사용한 프로그램 참가자 모집과 같은 현실적인 상황에 제약이 주어질 때 시계열 예측 방법을 사용한 CBL 산정을 통해 에너지 효율화 프로그램의 효과를 평가하는 것에 초점을 맞출 것이다.

2.3 프로그램 시행 대상

한전에서는 2012년부터 AMI의 보급을 추진하고 있으며 2020년까지 계약고객 전체를 대상으로 보급하는 것을 목표로 하고 있다.

본 연구에서는 AMI가 설치된 공용주택 1개 단지 주민들을 대상으로 프로그램 참가 고객에 한해 과거 1개월 전력사용량, 전기요금, 누진 단계 등의 정보를 포함한 문자 메시지를 발송하였다. 공용주택 단지는 총 1,181 가구로 그 중 120 가구가 프로그램에 참여하였다. 해당 공용주택 단지의 에너지 효율화 프로그램 시행 이전 과거 3개년 전력사용량 정보는 표 1과 같다.

2.4 CBL 산정 주기 및 정확도 평가 방법

에너지 효율화 프로그램의 경우 주로 월 단위로 감축량이 산정되고 그에 따라 고객에게 보상이 주어지기 때문에 본 연구에서는 월 단위로 CBL을 산정하였다. 산정된 CBL의 정확도는 과거 사용량 실적과 산정된 CBL 사이의 절대 오차율(Average Percentage Error, APE)을 사용하여 평가하였다. 절대 오차율 계산에 사용된 계산식은 아래와 같다.

3.1 난방도일(HDD)과 냉방도일(CDD)

전력수요는 기상 요인과 상관관계가 매우 높다. 하계 전력수요는 온도의 상승에 따라 냉방 부하가 급증하고 동계 전력수요는 온도의 하강에 따라 난방 부하가 급증한다.^(4,5) 따라서 과거 데이터를 사용하여 특정 프로그램이 존재하지 않았을 때 미래의 전력수요를 예측하는 CBL 산정의 경우 전력사용에 변동을 주는 요소로 기상 요소를 반드시 고려해야 한다. 본 연구에서는 기상 요소를 표현하기 위한 지표로 난방도일과 냉방도일을 사용하였다.

난방도일(Heating Degree Days, HDD)과 냉방도일(Cooling Degree Days, CDD)은 해당 월이 얼마나 추웠는지 혹은 더웠는지를 알려주는 상징적인 지표이다. HDD는 한 달 동안 일평균기온이 기준 온도(T_SH)보다 낮은 날들의 일평균 기온과 기준 온도와의 차를 구하여 합산한 것이며, CDD는 한 달 동안 일평균기온이 기준 온도(T_SC)보다 높은 날들의 일평균 기온과 기준 온도와의 차를 구하여 합산한 것이다.⁽⁶⁾ 본 연구에서는 HDD와 CDD를 기준으로 과거 전력사용량을 CBL 추정 시점의 온도 조건으로 보정하였다. HDD와 CDD를 구하는 계산식은 아래와 같다.

일반적인 전력수요예측과 CBL 산정의 차이점은 예측을 수행하는 시점에 있다. 전력수요예측은 전력사용이 이루어지기 전 미래의 전력수요를 예측하는 것이기 때문에 예측에 사용되는 기상 요소를 모두 예측된 값으로 사용할 수밖에 없다. 그러나 CBL 산정의 경우 전력사용이 이루어진 이후에 사후적으로 분석을 하는 것이기 때문에 기상 요소를 실적 값으로 사용할 수 있다. 실적 값을 사용한다는 점에서 CBL 산정은 일반적인 전력수요예측과 다르게 기상 요소의 정확성을 확보할 수 있다.

3.2 온도 조건이 보정된 시계열 예측 기법

단순선형회귀로 해당 월의 HDD 또는 CDD 값에 대한 전력사용량의 민감도를 추정하여 과거 데이터를 보정 후 보정된 과거 데이터의 동월 평균값으로 CBL을 추정한다.

이때, 1년을 더운 구간(5-9월)과 추운 구간(나머지) 두 구간으로 나누어 민감도를 계산한다. 5~9월은 냉방수요가 존재하며 나머지 월은 난방수요가 존재한다. 월별로 민감도를 추정한다면 과거 데이터가 부족한 현상이 발생하거나 너무 오래된 과거데이터를 사용하게 된다. 이와 같은 이유로 더운 구간과 추운 구간으로 나누어 민감도를 추정한다. 시계열 예측 기법의 전체 과정은 그림. 1과 같이 나타낼 수 있다.

기간별(추운 구간 – HDD, 더운 기간 – CDD) 데이터를 사용하여 선형회귀분석을 통해 온도민감도(추운 구간 : S_h, 더운 구간 : S_c)를 추정한다. 추운 구간 및 더운 구간의 민감도 추정 수식은 아래와 같다.

예를 들어 더운 구간에서 과거 2개년 데이터로 민감도를 추정할 경우 그림. 2와 같이 과거 2개년의 5, 6, 7, 8, 9월의 CDD에 대응하는 전력사용량(kWh) 총 10개의 점이 존재하게 된다. 여기서 구하는 더운 구간의 민감도(S_c)는 해당되는 10개의 점을 사용하여 만들어진 선형회귀 모델의 기울기이다. 추운 구간 역시 동일한 방법을 사용하여 온도민감도를 계산하게 된다.

위와 같은 방법으로 구해진 구간별 민감도를 사용하여 고객기준부하를 추정하려는 월과 동일한 과거 동월 전력사용량을 고객기준부하 추정 월의 냉난방도일 차이만큼 보정을 진행한다. 즉, 추정 월의 온도 수준에 맞추어 과거 전력사용량을 보정하는 방식이다. 과거 데이터 보정 수식은 아래와 같다.

난방도일차이(ΔHDD)와 냉방도일차이(ΔCDD)는 고객기준부하를 추정하려는 월의 냉난방도일과 과거 동일 월의 냉난방도일 값의 차이로 계산한다.

보정된 과거 데이터의 동월 평균값으로 최종적인 CBL을 산정한다. 모델에 따라 과거 2개년 혹은 3개년 평균을 사용한다.

3.3 예측 모델 생성

본 연구에서 제안하는 온도 조건을 보정하는 시계열 예측 기법은 HDD, CDD의 기준 온도(T_SH, T_SC)를 각각 얼마로 선정할 것인지, 과거 몇 년의 데이터를 사용할 것인지에 따라 여러 가지 예측 모델이 만들어질 수 있다. 그러나 기준 온도를 얼마로 잡느냐에 따라 전체적인 모델의 성능이 달라질 수 있다.⁽⁷⁾ 따라서 본 연구에서는 사례 연구 데이터 자체의 평균 오차율을 낮추는 방향으로 기준 온도를 정하였다. 그러나 최적의 기준 온도는 사용하는 데이터마다 다를 수 있으므로 사용 데이터가 변화할 때마다 기준 온도를 정해주어야 한다. 기준 온도를 정하는 알고리즘은 그림. 3과 같다.

최적 기준 온도 선택 알고리즘에서 T_SH와 T_SC의 범위는 [8]⁽⁸⁾에서 설명한 전 세계 기후의 HDD, CDD 기준 온도 범위 안에서 각각의 최적 기준 온도를 실험해 보기 위해 각각 1℃~20℃, 10℃~30℃로 설정하였다. 과거 데이터를 사용하여 위에서 제시한 기준 온도 설정 알고리즘을 적용해 본 결과 가장 낮은 오차율이 나타나는 HDD, CDD의 기준온도 쌍 (T_SH, T_SC)은 각각 17℃와 26℃로 나타났다. 또한 다양한 모델을 실험하기 위해 대한민국 기후에 대표적으로 사용되고 있는 기준 온도인 18℃, 18℃에 대해 추가적인 모델을 만들기로 결정했다.⁽⁸⁾ 이에 따라 표 2와 같이 4가지 모델을 생성하였다.

이에 더하여, 온도 조건이 보정되지 않았을 때의 상황을 비교하기 위하여 추가적인 모델을 생성하였다. 과거 3개년과 2개년의 데이터를 사용하여 온도 조건을 보정하지 않고 단순히 평균을 구한 모델이다. 온도 조건이 보정되지 않았을 때의 두 가지 모델에 대한 요약은 표 3과 같다.

위의 6개 모델에서 달라지는 변수는 첫 번째로 HDD, CDD를 계산할 때의 기준온도, 두 번째로 과거 데이터의 길이 (2년 혹은 3년), 마지막으로 민감도 추정 여부이다. 본 연구에서 사용한 공용주택 데이터 셋에서 가장 적합한 기준온도는 17℃와 26℃로 나타났지만 데이터 셋의 종류에 따라 가장 적합한 기준온도와 과거데이터의 길이는 달라질 수 있다. 따라서 CBL을 추정하려는 지역마다 과거 데이터 분석을 통해 위의 변수들을 해당 지역에 적합한 변수들로 조정하여 가장 적합한 모델을 선택해야 한다.