2.1 국내 신재생에너지 보급정책

2002년 발전차액지원제도(FIT, Feed-in Tariff)를 통해 시작된 국내 신재생에너지 보급정책은 화석연료의 사용을 줄이고 신·재생에너지원 사용을 늘려 온실가스를 감축하고자 하는 시도에서 출발했다. 신·재생에너지는 화석연료의 사용에 비해 온실가스 배출과 관련해선 장점을 가지나, 발전비용이 상대적으로 높다는 단점을 갖는다. 따라서 전력 혹은 열 공급/판매자에게 신·재생에너지 사용을 의무화하면서 초과 비용은 정부가 지원하는 제도로 도입되었다. 하지만 정부는 경제정책조정회의를 통해 지나친 재정 부담을 최소화하기 위해 기준가격을 인하하고, 발전차액지원제도를 2011년까지만 시행하기로 결정 함에 따라 2001년 10월에 도입된 이후 2011년 말까지 시행되었으며, 2012년에 종료되었다⁽⁷⁾.

2006년엔 신·재생에너지 RPS제도가 도입되기 전에 자발적 협약제도(RPA, Renewable Portfolio Agreement)를 활용하여 RPS제도로의 전환을 준비했다. 이에 따라 에너지 관련 9개 공기업은 정부와의 신․재생에너지 개발공급협약을 맺어 2006년부터 2008년까지 3년간 1조 2,613억 원의 투자를 계획했다. 이 투자로 인해 전기설비 348MW와 열 설비 106.8 Gcal/h의 보급을 계획했으며, 신재생에너지 연구개발 및 복지사업 등도 활발히 추진되었다⁽⁸⁾.

2012년부터는 RPS제도가 발전차액지원제도를 대체하게 되었다⁽⁹⁾. 따라서 일정 규모 이상의 발전 사업자들은 일정 비율 이상을 신·재생에너지로 의무적으로 공급하게 되었다. 정부는 해당 제도의 도입으로, 가격을 기반으로 하되 보급목표 달성의 불확실성을 내포하는 FIT 제도의 한계를 보완하고 의무목표 부여 및 시장을 통해 가격결정이 이루어지게 함으로써 기존 도입 국가와 같이, 신재생에너지 보급목표 달성의 확정성을 제시하고자 하였다. RPS제도 운영방식으로는 REC 거래제도를 통해서도 운영하도록 결정되었다. 따라서 RPS 대상 사업자는 할당 의무를 충족하기 위해 신·재생에너지 생산을 위한 발전설비를 직접 도입하거나 다른 발전사업자로부터 REC를 구매하는 방안을 택할 수 있다.

연도별 RPS 의무공급비율은 2021년 2%에서 시작하여 2030년 이후로는 25%까지 계획되어있다⁽¹⁰⁾. RPS제도에서 공급의무자는 신재생에너지를 조달하기 위해 신재생에너지 설비를 직접 짓는 방안을 생각해볼 수 있다. 하지만 의무 공급량은 지속적으로 늘어나는 추세이며 이에 맞추어 설비를 추가 건설하기에 여러 물리적 그리고 시간적 제약으로 인해 현실적인 한계가 있다. 따라서, 외부의 신재생에너지 발전소를 통해 의무 공급량을 충족하는 방안이 필요하다. 즉, 외부 조달을 사용하는 것으로, 이를 증명하는 인증서가 REC이며. 공급의무자는 REC 구매를 통해 해당 구매량을 통해 신재생에너지 공급 실적을 인정받을 수 있다.

2.2 REC 거래량 및 가격 추세

RPS제도에서 REC 현물시장은 공급의무자의 원활한 의무 이행을 위해 도입됐으며 현재 주 2회 운영되고 있다. RPS제도가 시행된 2012년 초에는 REC 현물시장이 태양광과 비 태양광으로 나뉘었고, 이후 2016년에는 두 시장이 통합 운영되었다.

현물시장은 2017년까지 일방적 입찰 시장으로 운영되어왔으나 2017년 3월 현물시장 개편을 통해 매수자와 매도자가 공모와 입찰을 통해 거래하는 쌍방향 입찰 시장 형태로 거래가 이뤄지고 있다. 그림 3을 통해 현물시장의 가격 동향을 살펴보면 2019년 이후 REC 현물가격이 3만 원대까지 크게 하락한 뒤 REC당 3만~4만 원대의 횡보를 보이고 있다⁽¹¹⁾. 이후 2021년 하반기 RPS 공급의무 확대 예상에 따라 시장 수요가 증가하며 현물시장 가격이 상승세를 보이며 REC당 5만 원대에 진입했다. 2022년을 기점으로 REC 공급사보다 유리한 시장이 형성되었음에도 현물시장 가격은 6만 원대에 진입해 단기적으로 현재 수준을 유지할 것으로 전망된다. 한편 최근 3년간 연간 전체 이행물량의 30% 이상이 현물시장을 통해 이행됐으며 의무비율의 점진적인 증가와 향후 신·재생 사업 시행 지연 등을 고려할 때 당분간 현 수준은 유지될 것으로 전망된다.

2023년 1월부터 6월까지 월별 REC 거래량과 평균 가격을 그래프로 나타내면 그림 4와 같으며 월평균 가격은 지속적으로 증가한 이후 이전의 가격을 유지함을 확인할 수 있다⁽¹²⁾.

3.1 예측 프로세스

통계적 예측 결과 산출을 목표로 과학적 예측모형의 적용, 수요시장 등의 포괄적 지표 관리, 예측 결과의 타당성 확보를 필요로 한다. 예측 프로세스는 주요 지수 및 관련 자료를 취합하여 현물시장과의 면밀한 분석 이후 대표지표들의 미래치 추정을 통해 인공지능(AI, Artificial Intelligence) 기반 다양한 통계 예측모형을 사용하여 예측치를 산출하고 예측 결과의 타당성을 검증하는 과정을 갖는다.

예측 결과는 여러 예측 모델 집합에 속한 모델들 중 가장 성능이 좋은 모델에서의 결과 값을 앙상블(Ensemble) 하여 산출한다. 예측 모델 유형으로는 머신러닝 선형 회귀(Machine Learning Linear Regression) 모델, 결정 트리 기반 회귀(Tree Based Regression) 모델, 유사성 기반(Similarity Based) 모델, 시계열 기반(Time Series Based) 모델을 사용했다⁽¹³⁾. 머신러닝 선형 회귀 모델로는 Mutiple Linear Regression, Ridge Regression, Lasso Regression, ElasticNet Regression을 활용, 결정 트리 기반 회귀 모델로는 Random Forest, XGBoost Regression, Light GBM Regression⁽¹⁴⁾, 유사성 기반 모델로는 KNN(K-Nearest Neighbor), 시계열 기반 모델로는 TCN(Temporal Convolutional Network)을 활용했다.

3.2 예측 인자

미래 REC가격 추정을 위해 사용하는 인자는 크게 REC 중요 인자, 시나리오 정의 필수 인자, 예측 성능 영향인자로 구분하였다. "REC 현물시장" 관련 뉴스기사들의 Word cloud 분석으로 도출한 키워드로부터 인자를 분류하였다. 먼저 월별 REC가격에 직접적인 영향을 미치는 인자들은 REC 중요 인자로 정의하였고 전력수요, 계통한계가격(SMP, System Marginal Price), 신재생 거래 비중이 해당된다. 전력수요는 전력거래소의 2년간 전망치, SMP는 자체 예측으로 사용, 신재생 거래 비중은 선형모형의 추세를 사용한다. 정부 정책과 같이중장기적으로 영향을 미치는 인자들은 시나리오 정의 필수 인자로 정의하였고 RPS 할당율, 소비자물가 상승률, 경제성장률, 환율, 유가가 해당된다. RPS 할당율은 정책⁽⁵⁾에 기반하여 2023년 13%, 2024년 13.5%를 사용했으며 소비자물가상승률(3%), 경제성장률(1.5%), 환율(1,320원), 유가(76$/bbl)는 한국개발연구원(KDI, Korea Development Institute)의 경기전망을 이용했다. 이외에도 REC가격의 통계적인 특성에 대해서는 예측 성능 영향인자는 REC 현물시장 거래 규모 패턴, 체결가격 패턴, REC 수급 밸런스, 2개의 REC 현물시장의 동태변수를 적용하였다. 거래 규모 패턴, 체결 건수 패턴, 체결가격 패턴은 Prophet Model의 Cyclic Term을 이용하여 사용했으며 REC 수급 밸런스는 2022년 84.8%를 유지하는 것으로 가정하였다. 특히, REC 현물시장 동태변수는 딥러닝의 AutoEncoder의 Embedding Vector를 통해 추출하였다.

REC 현물시장의 거래 패턴을 Cyclic Pattern으로 나타내면 수식(1)과 같으며

$g(t)$는 비주기적 변화를 반영하는 추세 함수, $s(t)$는 주간 혹은 연간과 같은 주기적인 변화, $h(t)$는 불규칙 이벤트인 휴일의 영향력, $\epsilon$는 모형이 설명하지 못하는 나머지 부분을 의미한다. 또한 $s(t)$는 수식(2)와 같이 설명될 수 있다.

$P$는 시계열모델에서의 정규주기로 계절성 모델을 적합하기 위해서는 $2N$만큼의 파라미터인 $\beta =[a1,\: b1,\:\ldots ,\: a N,\: b N]^{t}$를 추정해야 한다. 또한 $N$이 커질수록 모델은 패턴을 더욱 세세하게 감지한다.

REC 거래 규모, 체결 건수(건), 체결가격을 기준으로 Cycle을 도출하여 전체 거래 규모의 월간 추이, REC 거래의 형태, REC 가격의 시계열적인 월간 주기를 파악하는 지수로 활용했으며 이를 그림으로 나타내면 그림 5, 6, 7과 같다. 세 경우 모두 2018년을 100으로 환산하여 지수화했으며, 4년을 주기로 Cycle이 생성됨을 확인했다.

AutoEncoder는 예측인자들의 특징을 요약하기 위해 사용하였다. AutoEncoder는 입력 데이터를 변환하는 인코딩 기능과 인코딩된 표현에서 입력 데이터를 재생성하는 디코딩 기능의 두 가지 기능을 가진다. 일반적으로 차원 축소를 위해 데이터 집합에 대한 효율적인 표현을 학습하게 된다. AutoEncoder는 원본 데이터에서 잠재 벡터로의 인코더와 잠재 벡터에서 출력 데이터로의 디코더로 구성되며 원본 데이터와 출력 데이터 간의 차이가 최소화되도록 인코더와 디코더가 학습된다. 이를 수식으로 나타내면 수식(3)과 같다.

$\phi$는 원본 데이터 $X$를 병목지점의 잠재 벡터 $F$로 매핑하는 인코더 함수, $\psi$는 병목지점의 잠재 벡터 $F$를 출력 데이터에 매핑하는 디코더 함수이다.

그림 8은 예측인자들의 특징을 대표하는 벡터를 추출하는 인코딩과 디코딩 과정을 나타낸 것으로 예측인자들의 종합적인 동태를 2차원 벡터로 요약하는 것을 나타낸. 2차원 벡터는 입력값들과 재현값들 간의 MSE(Mean Squared Error)가 최소화되도록 학습하였다. 미래 가정에 따른 입력값들에 대해 학습된 패턴으로 2개의 특징 벡터를 산출하였다.

4.1 예측모형별 결과

각 모델 유형에 속하는 모형들을 통해 예측한 REC 가격의 정확도를 MAPE(Mean Absolute Percentage Error)로 나타내면 표 1과 같다.

2회 예측(2023년 3월 기준; 2023년 2월 실적으로 예측, 2023년 6월 기준; 2023년 5월 실적으로 예측)을 통해 각각 2022년 12개월 예측결과의 적합도와 2023년 1~2월 예측결과의 적합도를 비교하였다. 표 1의 (1)과 (3)은 2022년의 적합도 결과를 나타낸 것으로 각각 2023년 2월까지 데이터로 학습, 2023년 5월까지 데이터로 학습한 모형의 결과이며 (2)와 (4)는 2023년 1월~2월 적합도 결과, 2023년 1월~5월 적합도 결과를 나타낸 것으로 각각 2023년 2월까지 데이터로 학습한 모형, 2023년 5월까지 데이터로 학습한 모형의 결과이다.

예측적합도 10% 미만이면서 각 모형의 유형별로 적합도가 낮은 모형들(XGBoost Regression, TCN Regression, ElasticNet Regression 모형)을 선정하였다. 모형에 따라 2023년 예측구간의 서로 다른 특성을 가짐에 따라 예측 결과의 안정적인 제시를 위해 3개 모델에서의 결과를 산술 평균하여 최종 예측 결과를 제시한다.

REC 가격에 대해 각 모델의 예측 결과를 나타내면 그림 9와 같으며 XGBoost Regression, TCN Regression, ElasticNet Regression 모형의 결과 값을 산술 평균한 값과 실제 REC 가격을 비교하여 나타내면 그림 10과 같다. 또한 2022년 1월부터 2023년 12월까지 앙상블 과정을 통해 산출한 REC 예측가격과 2023년 5월까지 실제 REC 가격을 비교하여 나타내면 표 2와 같다.

4.2 주요 인자

Permutation Feature Importance를 통해 각 예측모형에서의 예측인자의 중요도를 산출했다. 각 예측모형의 중요도에 대해 상대적 중요도(=중요도/중요도 최대값)를 산출하고 상대적 중요도를 평균하여 종합 중요도를 산출했으며 적용한 모형 중에서 적합도와 예측 정확도가 높은 XGBoost Regression, TCN Regression, ElasticNet Regression 모형에서의 중요도로 산출했다. 최종적으로 예측인자의 중요도를 산출한 결과 신재생에너지 설비의 비중, 환율, 전력수요, RPS 할당률, 소비자 물가 지수(CPI, Customer Price Index), SMP의 순으로 도출되었다.