3.1 데이터 취득

토지 데이터는 국가공간정보포털⁽¹⁰⁾에서 취득한다. 토지 데이터는 크게 토지의 주소를 나타내는 고유코드와 토지와 관련된 데이터를 나타내는 토지 특성으로 구분할 수 있다. 이때, 토지 특성은 9가지 종류로 구성되어 있으며, 데이터가 의미하는 항목은 아래 표와 같다. 이때, 각 토지 특성은 9가지 종류 아래 카테고리로 구성되어 있다. 태양광 데이터의 경우, 공공데이터포털⁽¹¹⁾의 2종류 중 주소를 포함하고 있는 데이터 형식을 취득한다.

3.2 데이터 전처리

태양광 입지 예측을 위해서는 대상 지역 내 토지의 지리적 상관성과 특성을 알아야 하고 이를 위해서는 각 토지 데이터의 좌표가 필요하다. 본 연구에서는 GIS(Geographic Information System) 좌표계를 사용하였다. 토지 데이터의 주소를 통해 좌표를 부여함으로써, 토지 데이터의 전처리 과정이 완료된다.

태양광 데이터의 전처리는 지번 주소, 도로명 주소 등 다양한 양식의 주소를 통일시킨 후, 토지 특성을 가지는 토지 데이터와 매칭을 위해 주소를 나타내는 고유코드인 PNU(Parcel Number)로 변환한다. 이 후, 토지 데이터와 매칭하여 토지 데이터의 좌표를 부여함으로써 태양광 데이터 전처리 과정이 완료된다.

그림. 2. 태양광 데이터 전처리 프로세스

Fig. 2. Preprocessing process of PV data

3.3 태양광-토지 통합 데이터베이스

태양광-토지 통합 데이터를 구축하기 위해 태양광 입지 예측을 수행할 대상 지역을 선정한다. 구분된 지역 내 태양광 입지 예측을 위해 대상 지역을 3km × 3km 등으로 격자화 한다. 그림 3은 김제시를 대상으로 격자화한 예시이다.

각 격자를 좌표계로 변환 후 격자 중심좌표를 추출한다. 이 후, 대상 지역의 토지 데이터들의 좌표와 격자 중심좌표의 거리를 계산하여 가장 가까운 중심좌표의 격자로 대상 지역의 토지 데이터를 배정한다. 태양광 데이터의 경우도 토지 데이터와 동일하게 태양광 데이터들의 좌표와 격자 중심좌표의 거리를 계산하여 가장 가까운 격자로 할당한다. 최종적으로 대상 지역의 각 격자는 토지와 태양광 데이터를 포함하게 되며, 태양광 입지 예측을 위한 격자 내 태양광 입지 토지의 특성을 파악할 수 있다.

그림. 3. 김제시 지역구분 단위 격자화 예시

Fig. 3. Example of the unit district grids in Gimje city

그림. 4. 태양광-토지 통합 데이터 구축 개념도

Fig. 4. Diagram of integrated PV-land data

그림. 5. 태양광-토지 통합 데이터 구축 프로세스

Fig. 5. Integration data process of PV-land

4.1 태양광 적합도 점수 산출

그림 5와 같이 태양광-토지 통합 데이터를 통해 대상 지역의 격자에 토지가 할당되면, 각 격자에 있는 토지들이 어떤 특성과 그 특성에 따른 어떤 카테고리를 가지고 있는지 분류할 수 있다. 즉, 격자의 해당 토지 특성 카테코리를 가지는 데이터가 몇 개 있는지는 분석하고 분류하는 것이다. 격자 내 모든 특성에 해당하는 카테고리 수의 합은 그 격자 내 총 토지 데이터의 개수가 된다.

태양광 적합도는 선정된 지역의 태양광 현황을 기반으로 태양광이 설치된 토지의 토지 특성 빈도를 산출하는 것으로 아래 식과 같다. 즉, I번째 특성의 J번째 카테고리의 태양광 적합도는 대상 지역 전체에 기존 태양광이 설치된 토지 데이터 중 I번째 특성의 J번째 카테고리 해당하는 총개수의 비율이다.

예를 들어, 김제시에 2006년 ~ 2017년도 태양광이 설치된 토지의 토지 데이터가 9,523개이고, 이 중 ‘지목’ 특성에 ‘전’ 카테고리를 갖는 태양광이 설치된 토지 데이터가 200개라고 하면 ‘지목’ 특성에 ‘전’ 카테고리의 태양광 적합도는 200/9523= 0.0021이 되는 것이다. 이때, 토지 특성은 표 2와 같이 9종류이다. 토지 특성 ‘지목’의 카테고리가 전, 답, 과수원, 목장용지, 임야 등과 같이 토지 특성 종류에 따라 카테고리가 다양하다.

태양광 적합도가 산출되면 이를 통해 각 격자에 적합도 점수(fitness score)를 산출할 수 있다. 적합도 점수는 각 격자에 대해 토지 특성 카테고리별 태양광 적합도와 토지 카테고리 수를 곱하여 나온 결과를 합한 값이며, 아래 식과 같다.

\begin{align*} i= 1,\:2,\:3...6(토지 특성)\\ j=1,\:2,\:3,\:...(i번째 토지특성의 카테고리 수)\\ n=1,\:2,\:3,\:...,\:(격자 수) \end{align*}

$n$은 격자의 수를 의미하며, $n$의 마지막 값은 일정 크기의 격자로 나누어졌을 때, 총 격자의 개수이다. $i$는 토지 특성 수를 나타내며, $j$는 $i$번째 특성에 해당하는 카테고리의 수를 나타낸다.

4.2 태양광 추세 점수 산출

다음으로 각 격자의 태양광 설치 개수를 기반으로 해당 격자에 설치될 태양광의 수를 예측한다. 시계열 기반의 딥러닝 모델인 LSTM(Long Shot Term Memory)을 사용하여 학습 및 예측을 수행한다. 그림 6은 대상 지역인 김제시의 격자별 태양광 수에 대한 예측 결과이다.

그림. 6. 김제시 격자별 누적 태양광 예측 결과

Fig. 6. Accumulated PV number forecasting results by grids in Gimje city

격자별로 예측된 태양광 수를 바탕으로 격자별 태양광 추세 점수(trend score)를 산출한다. 해당 식은 아래와 같다.

$t$는 연도를 나타내며, $p$는 예측에 사용되는 시간 주기의 범위를 나타낸다. $n$은 격자 순서를 나타내며, 격자별 태양광 개수 예측은 해당 격자의 이전 연도 태양광 데이터를 LSTM으로 학습하여 얻은 값이 된다. 추세 점수는 각 격자별 태양광 예측 개수를 전체 격자별 태양광 예측 개수의 합산으로 나눈 값을 의미하며, 0 ~ 1까지의 비율로 나타나게 된다.

4.3 태양광 입지 예측 모델

격자별 태양광 적합도 점수와 추세 점수가 완료되면 해당 결과를 이용하여 격자별로 태양광 입지 예측 점수를 계산한다. 해당 입지 예측 점수(grid score)는 지역별 태양광 전망 결과에 곱하여 격자별로 태양광을 분배하는 역할을 한다. 격자별 태양광 설치 여부는 태양광 입지 예측 점수의 비율로 구성되며, 점수가 높을수록 해당 격자에 태양광이 설치될 가능성이 높다는 것을 의미한다.

그림. 7. 대상 지역 태양광 총량 예측 결과

Fig. 7. Forecasting result of total PV capacity

그림. 8. 태양광 입지 예측 모델 프로세스

Fig. 8. Process of PV installation forecasting model

이때, m은 격자의 총수를 나타낸다.

격자별 태양광 입지 예측 점수가 산정되면 대상 지역의 태양광 전망 용량을 산정한다. 본 논문에서는 대상 지역의 태양광 누적 추세를 이용하여, 연도별 태양광 총 누적용량을 예측하였다. 태양광 총량 예측을 위해서는 연도별 전체 격자별 태양광 용량을 합산하여 시계열 기반의 딥러닝 모델인 LSTM을 통해 학습시켰으며, 그 결과는 그림 7에서 보는 것과 같다. 이와 같이 예측된 연도별 태양광 연계 총용량을 격자별 태양광 입지 예측 점수를 통해서 격자별로 분배한다. 이와 같은 태양광 입지 예측 최종 모델은 그림 8에서 보는 것과 같다.

4.4 태양광 입지 예측 결과 분석

태양광 입지 예측의 정확도를 산정하기 위해서 본 논문에서는 F1 Score를 사용하였다. 표 3은 F1 Score의 산정 원리를 나타낸다. 정밀도(Precision)는 모델이 참으로 예측한 데이터 중 실제로 참인 데이터를 말하며, 재현율(Recall)은 실제로 참인 데이터 중 예측 모델이 참으로 예측한 데이터의 비율을 의미한다. 식(9)에서 보는 것과 같이 F1 Score는 정밀도와 재현율의 조화평균을 통해 구할 수 있다. F1 Score는 0부터 1 사이의 값을 가지며, 1에 가까울수록 예측 모델이 정확하다는 것을 의미한다⁽¹²⁾.

본 논문에서는 김제시를 대상으로 2006 ~ 2017년까지의 태양광 데이터를 통해 3km ~ 0.5km까지의 격자를 기준으로 2018, 2019 및 2020의 태양광 설치 위치, 즉 입지를 예측하였고, 그림 9에서 보는 것과 같이 그 결과 산출하였다.

그림. 9. 태양광 입지 예측 결과

Fig. 9. PV intallation forecasting result

표 4에서 보는 것과 같이 태양광 입지 예측 정확도를 산정하였다. 2018 ~ 2019년까지 격자 내 실제 태양광 설치 현황과 예측된 결과를 비교하여 정확도를 계산하였다. 그 결과, 격자의 간격이 클수록 예측 연도가 가까울수록 정확도가 높았다. 대상 지역에서 예측 연도의 태양광이 설치될 것으로 예측한 격자에 실제로 설치되고, 설치되지 않을 것으로 예측한 격자에 실제로 설치되지 않은 정확도가 2018년의 경우, 모든 격자 크기에서 높았으나, 예측 연도가 멀어질수록 격자 크기가 작아질수록 정확도가 떨어지는 것을 확인할 수 있었다.