1. 서 론

전력수요 예측은 전력 시스템 계획과 운영의 핵심 요소로, 효율적인 자원 배분과 안정적인 전력 공급을 위해 필수적일 뿐만 아니라 전력계통 및 전력시장 운영의 근간을 이루는 핵심 기술이다. 정확한 전력수요 예측은 가격 결정 계획, 운영 발전 계획 수립, 안정적인 발전설비 및 송배전 설비 운영에 결정적인 역할을 하며, 전체 전기에너지 생산 비용 최소화와 제약 발전 정산금 감소에 기여한다.

최근 한국의 전력시장 제도 개선으로 인해 육지와 분리된 제주도에서 실시간시장, 예비력시장, 재생에너지 입찰시장과 같은 새로운 전력시장의 시범사업을 진행하고 있다. 이러한 전력시장 다변화에 따라 각 시장의 특성에 맞는 정교한 전력수요 예측 기술의 필요성이 더욱 높아지고 있다. 특히 재생에너지의 급격한 증가로 인한 출력 변동성 증가와 새로운 시장 구조에 대응하기 위해, 보다 정확하고 신뢰성 높은 전력수요 예측 기술의 개발과 적용이 시급해지고 있다.

제주도는 높은 재생에너지 보급률과 육지와는 다른 특화된 산업구조를 가지고 있어 전력수요 예측의 어려움을 겪고 있다. 재생에너지의 변동성은 전력 수급의 불확실성을 증가시키며, 제주도의 주요 산업은 관광업과 농업 중심으로 이루어져 있어 계절성과 이벤트에 따른 전력소비 패턴이 뚜렷하게 나타난다. 이는 기존에 육지 계통을 대상으로 사용된 전력수요 예측 모형을 제주도 상황에 그대로 적용하기 어려운 이유를 설명한다.

특수일 전력수요 예측은 기존의 어려움에 더해 예측 난이도가 한층 높아진다. 특수일에는 관광객의 유입 및 유출, 지역 내 이벤트, 기상 조건 등 다양한 요인이 복합적으로 작용해 전력 소비 패턴이 평소와 크게 달라진다. 또한, 특수일 데이터를 학습 데이터로 사용할 수 있는 사례가 제한적이어서, 모델 훈련에 필요한 충분한 데이터를 확보하기 어렵다. 이로 인해 특수일 전력수요 예측은 제주도에서 더욱 도전적인 과제가 되고 있다. 특히, 설날 연휴와 추석 연휴와 같은 명절 기간은 특수일로 분류되는 비수기임에도 불구하고, 일반적인 수요 패턴과 다른 특이성을 보인다. 제주도는 관광지로서의 특성과 도서 지역이라는 점에서, 명절 기간의 전력수요 예측이 더욱 난해한 문제로 작용한다.

특수경부하기간에는 전력 수요 패턴이 명절 특성과 관광객의 유입 등으로 인해 평소와 다르게 나타난다. 설날과 추석은 1년에 한 번씩 발생하며, 매년 음력에 따라 날짜와 요일이 달라지기 때문에 과거 데이터 수집과 분석이 복잡하다. 한국 전력시장운영규칙에서는 특수 경부하 기간을 “명절 연휴 및 기타 국가 지정 공휴일로, 전력수요가 일반적 패턴과 현저히 다른 기간”으로 정의하고 있어, 해당 기간 동안의 전력 수요 관리 및 예측에 있어 별도의 접근이 필요함을 나타낸다^[1].

특수일 전력수요 예측은 평상일 예측과 비교할 때 다음과 같은 차이점으로 인해 예측 정확성을 확보하기 어렵다. 첫째, 특수일의 전력수요는 일반적인 날에 비해 변동성이 매우 크다. 특히, 특수경부하기간은 연휴가 길어 연휴 시작일의 요일 특성이 전력수요에 크게 반영되며, 이로 인해 정확한 예측이 어렵다. 둘째, 특수일은 연중 한 번 발생하는 이벤트이기 때문에 과거 데이터가 희소하여 유사일을 찾는 것이 어렵다. 이로 인해 데이터 기반 예측 모델의 학습이 제한적이며, 예측 정확도에 부정적인 영향을 미친다. 셋째, 산업용 기업체의 조업률 변동도 주요 과제이다. 특수경부하기간에는 산업용 소비자의 조업률 변화에 따라 전력수요가 크게 달라지며, 이를 정확히 파악하고 예측에 반영하는 것이 중요하지만, 현실적으로 매우 어렵다. 이러한 요인들로 인해 특수일 전력수요 예측의 오차율은 평상일 대비 매우 높을 수 있으며, 이에 따라 예측 정확도 향상이 필수적이다. 이러한 어려움을 극복하기 위해 기존 연구에서는 과거 데이터 분석, 산업용 소비자의 조업률 조사, 예측값 보정 방법 등 다양한 접근 방식을 시도하고 있다.

참고문헌^[2,3]에서 제안하는 조업률 기반 예측 방법은 기업체의 조업률 변동을 사전에 조사하여 이를 전력수요 예측에 반영하는 방식이다. 예를 들어, 산업용 기업체의 조업률 데이터를 활용하여 산업용 전력수요를 예측하고, 이를 전체 전력수요 예측에 반영함으로써 예측 성능을 개선한 바 있다. K-평균 군집화 기법을 활용하여 특수일과 평일 간 부하 변동 비율을 비교하고, 유사한 부하 변동 비율을 갖는 특수일을 군집화하여 예측의 정확도를 높인 데이터 마이닝 기법을 적용한 연구가 이루어졌다^[4]. 딥러닝 기반 예측 연구에서는 DNN과 LSTM을 활용하여 특수일 데이터를 분석하고, 이를 통해 전력수요를 효과적으로 예측하고자 하였다. 참고문헌에서는 기상 데이터와 환경 요소를 포함한 딥러닝 모형을 설계하여 특수일 예측 오차를 감소시키는 결과를 도출하였다^[5]. 참고문헌^[6,7]에서는 특수일의 전력수요 패턴을 분석하고 퍼지 전문가 시스템과 퍼지 선형 회귀 모형을 활용하여 과거 데이터에 기인한 특수일의 불확실성을 반영한 전력수요 예측 모형을 제시하였다.

이와 같은 연구들은 기상 요소, 요일 효과, 기업체 조업률 등 다양한 변수를 통합적으로 고려하여 특수일 전력수요 예측의 정확도를 향상시키는 데 기여하고 있다. 각 접근법의 성과는 연구 대상 및 데이터의 특성에 따라 차이를 보이지만, 전반적으로 특수일 수요 예측의 중요성과 이를 해결하기 위한 다양한 방법론의 필요성을 잘 보여준다. 다만 국내 육지 계통을 위한 실증이 대부분이며, 제주도의 특성을 반영한 모델을 제안하고 있지는 않다.

본 연구는 제주도의 특수일을 육지와 구분하기 위해 제주도 특수일 전력수요의 특성을 분석하고, 해당 특성에 적합한 과거 데이터 선정 방법을 제안함으로써 특수일 전력수요 예측 정확도를 개선하는 유사일 기반 통계적 예측 방법을 제안한다. 아울러, 실적 데이터를 활용하여 제안된 방법의 유효성을 검증하였다.

2. 제주도 특수일 전력수요 특성

전력계통 운영을 위해 하루전 전력수요예측에서는 예측일의 특성에 따라 다른 예측 알고리즘을 적용한다. 전력계퉁 운영기관에서는 공휴일, 명절, 기념일 등 평상시와 다른 전력 수요 패턴을 보이는 특수일의 경우, 평상일과 다른 별도의 예측 알고리즘을 적용한다. 국내의 경우 특수일과 특수일의 영향을 받는 날(특수일 전·후일, 대체 공휴일 등)이 이에 해당된다.

제주도 특수일의 전력수요 패턴은 육지와 다른 경향을 보이기 때문에 특수일 구분이 다를 필요가 있다. 예를 들어, 그림 1은 2019년 1월 1일 신정과 신정 전일의 육지와 제주도의 전력수요 패턴 비교를 보여준다. 그림의 붉은 실선은 특수일일의 전력수요이며, 파란 실선과 영역은 특수일 인근 동일 요일의 실적 평균 및 신뢰구간 95%를 의미한다. 그림에서 확인할 수 있듯이 육지와 달리 제주도의 신정 전·후일의 전력수요 패턴은 기존의 평상일과 차이가 없다. 신정 전일인 12월 31일은 한 해의 마지막 날이기 때문에 기업과 공장이 운영을 중단하거나 단축근무를 하는 경우가 많아 오후의 전력수요가 평상 시 대비 낮아지는 경향이 나타나는데 육지의 전력수요 패턴에는 그 특성이 나타나나 제주도의 전력수요 패턴에는 나타나지 않는다. 이는 산업 구조와 같은 전력수요 구성의 차이로 판단된다.

제주도의 신정 전력수요 패턴은 육지와 달리 인근 주말과 유사한 양상을 보임을 그림 2에서 확인할 수 있다. 이는 육지와는 다른 제주도의 특성을 나타내며, 하루 전 전력수요를 예측할 때 과거 데이터 선택에 이러한 특성이 반영되어야 한다. 아울러, 제주도의 경우 특수일이 주변 다른 날의 전력수요 패턴에 미치는 영향이 육지에 비해 상대적으로 적다는 점도 확인할 수 있다.

그림 3에서는 2022년 제주도의 하루 평균기온과 최대/최소 전력수요 그래프를 보여준다. 제주도 특수일의 최대 전력수요는 동일 기온에서 평일 보다는 낮은 수준을 보이는 주말과는 유사한 특성을 보여주며, 최소 전력수요는 평상일과 차이가 없음을 확인할 수 있다. 이러한 특성은 특수일 전력수요 예측에 있어 과거 데이터 부족 문제를 해결할 수 있게 해준다.

주말과 평일의 최대전력수요를 온도와 선형회귀분석을 진행하면 민감도인 선형계수는 유사하고 절편의 수준만 차이가 나는 것을 그림 4에서 확인할 수 있다. 이러한 점은 특수일의 최대전력수요 예측에서 평일의 최대전력수요를 절편의 비율로 보정하여 사용할 수 있으며, 이로 인해 특수일 전력수요예측의 어려움 중에 하나인 과거데이터 부족을 해결할 수 있다.

전력시장운영규칙 상에 특수경부하기간은 설날 및 추석 연휴기간, 하계휴가집중기간으로 정의되어 있다. 특수경부하기간은 연휴가 길기 때문에 전력수요가 평소보다 크게 감소하는 경향이 있다. 제주도는 휴가 기간에 입도객이 늘어나기 때문에 육지와 달리 하계휴가집중기간으로 정의되는 7월말에서 8월 초 전력수요가 평소와 다름 없음을 그림 5을 통해서 확인할 수 있다. 육지의 경우, 하계휴가집중기간에는 인근 평일대비 낮은 수준의 일별 최대전력수요를 보인다. 따라서 제주도의 경우 특수경부하기간으로는 설날과 추석 연휴만을 고려하여 별도의 전력수요 예측 알고리즘을 개발해야 한다.

설날 및 추석 연휴의 경우, 육지의 전력수요는 특수일 당일 기준 ±3일 총 7일에 대해서 전력수요 패턴이 평상일과 비교 시 낮은 전력수요 수준을 보이며 이는 기존 연구에서도 확인할 수 있다^[2,3]. 제주도는 앞 선 신정 예와 같이 특수일 당일을 제외한 연휴 기간에 대해서는 평상일과 차이가 없다. 다만 설날과 추석은 다른 특수일과 다르게 전력수요의 수준이 주말 수요와 비교 시 더 낮다. 그림 6에서는 설날의 최대전력수요가 설날 인근 주말의 최대전력수요 대비 낮은 것을 확인할 수 있다. 다른 특수일과 다르게 주말 실적을 사용할 때는 추가적인 보정이 필요하다.

3. 제주도 특수일 전력수요 예측 모형

본 장에서는 2장의 제주도 특수일 전력수요 특성 분석을 기반으로 특수일 전력수요 예측 모형을 제안한다. 그림 7은 제안된 예측 알고리즘의 다이어그램이다.

제주도 특수일 전력수요 예측 알고리즘은 총 네 단계로 구성되어 있다. 첫 번째 단계는 데이터 취득 및 정제 과정으로, 전력수요 예측에 필요한 다양한 데이터를 수집하고 이를 정제하는 작업을 포함한다. 이 단계에서는 제주도의 전력수요, 기상 정보, 태양광 설비 용량, 특수일 정보 등의 원시 데이터를 확보하며, 수집된 데이터에 존재할 수 있는 결측치나 이상치를 선형보간(Linear Interpolation)이나 핫 덱 보간법(Hot Deck Imputation)을 적용하여 신뢰할 수 있는 데이터셋을 구성한다^[8,9]. 또한, BTM 태양광의 영향을 반영하기 위해 전력수요 복원과정을 수행하고, 이를 통해 전력계통 수요에 영향을 미치는 기상 요소의 영향성을 평가한다. 복원하는 수식은 다음과 같으며, BTM 태양광 설비용량을 한국전력공사의 PPA 계약 용량과 기타자가를 포함한 용량으로 한국전력거래소의 추정치를 사용한다.

여기서 $P_{BTM,\: t}$와 $CF_{t}$는 $t$시간의 추정된 BTM 태양광의 발전량과 전력시장 내 태양광 발전의 이용률이다. $C_{BTM}$은 BTM 태양광의 설비용량이다.

두 번째 단계는 유사일을 선정하는 과정이다. 전력수요 패턴은 요일, 기온, 특수일 여부 등 다양한 요인에 영향을 받기 때문에 예측 정확도를 높이기 위해 과거의 유사한 날을 찾는 것이 중요하다. 이를 위해 먼저 예측일과 유사할 가능성이 있는 과거 날짜들을 후보군으로 지정한 후, 기온, 습도, 일사량 등의 주요 외생 변수들을 기반으로 유사도를 평가한다. 이 과정을 통해 예측일과 가장 유사한 특성을 가진 날들을 최종적으로 선택한다. 유클리디안 거리를 이용한 유사도를 평가하는 수식은 다음과 같다.

여기서 $x_{i}$와 $y_{i}$의 $i$ 변수의 예측일과 유사일 후보일의 값이며, $s_{i}$는 $i$ 변수의 정규화 계수이다.

세 번째 단계는 전력계통 수요 예측으로, 앞서 선정된 유사일의 데이터를 기반으로 예측일의 시간별 총수요를 예측한다. 이 과정에서는 먼저 예측일의 24시간 부하 패턴을 추정하고, 하루 중 예상되는 최대전력수요와 최소전력수요를 예측한다.

최대전력수요와 최소전력수요 예측의 경우, 예측일과 유사일 기온 차이에 대해서는 기상민감도를 적용하여 수식 (3)와 같이 유사일의 전력수요 값을 사전 보정한다. 제안된 방법에서는 냉난방도일을 이용하여 보정을 한다. 보정 과정은 기존 전력수요에서 냉난방 부하를 차감한 후, 추정된 민감도를 이용하여 냉·난방도일 수준에 맞는 냉·난방 부하를 가산한다. 이 과정에서 냉·난방도일 기준 온도($T_{ref}^{C},\: T_{ref}^{H}$)가 필요한데 이는 과거 제주도 일별 최대/최소 전력수요와 온도 데이터를 기준으로 선형회구분석을 통해 추정한다. 냉·난방도일 기준 온도 범위 내에서는 보정을 진행하지 않고 기준수요($\beta$)를 사용한다.

여기서 $P^{S}$와 $\hat{P}^{S}$는 유사일의 보상 전·후의 전력수요값이다. $T_{d}^{Target}$와 $T_{d}^{S}$는 예측일 대상일과 유사일의 냉·난방도일 값이다. $f(T_{d})$는 냉난방도일 값이 $T_{d}$일 때의 보정값을 계산하는 함수이다. $\alpha^{C}$와 $\beta^{C}$는 냉방도일에 의한 전력수요 민감도 선형계수이며, $\alpha^{H}$와 $\beta^{H}$는 난방도일에 의한 전력수요 민감도 선형계수이다.

24시간 패턴, 최대전력수요, 최소전력수요는 각각 유사일을 선정하고 통계적 방법인 가중평균과 지수평활법을 이용하여 예측한다. 이를 통해 최종적으로 예측일의 24시간 총수요를 산출하게 된다. 가중평균과 지수평활법 수식은 다음과 같다.

여기서 $w_{j}$와 $X_{j}$는 $j$ 번째 유사일의 가중치와 데이터 값이며, $m$은 데이터의 총 개수이다.

여기서 $ES_{t}$와 $ES_{t-1}$은 $t$와 $t-1$ 시점에서의 평활값이다. $X_{t}$는 $t$ 시점의 관측값이며, $\alpha$는 평활계수이다.

제주도 특수일의 최대전력수요와 최소전력수요를 지수평활법으로 예측을 진행 후, 과거 동일 특수일과 인근 주말의 전력수요와 비율을 추정하여 최종적으로 보정하여 예측을 완료하다. 비율 추정과 보정 수식은 다음과 같다.

여기서 $R^{\max or\min}$은 최대/최소 전력수요 비율 보정값이며, $\hat{P}_{T_{-}Special}^{\max or\min}$는 최종 특수일 예측 최대/최소 전력수요이다. $P_{Special}^{\max or\min}$와 $P_{Weekend,\: k}^{\max or\min}$는 과거 동일 특수일의 최대/최소 전력수요 실적과 과거 동일 특수일 인근 주말의 $k$ 번째 최대/최소 전력수요 실적이다.

마지막 단계는 전력시장 수요 예측으로, 총수요에서 BTM 태양광 발전량을 반영하여 실제 전력망에서 요구되는 전력수요를 계산하는 과정이다. 이 단계에서는 먼저 예측일의 태양광 발전량을 예측하기 위해 예측일과 기상적 특성이 유사한 과거 날짜를 선정한다. 여기서도 수식 (2)을 이용하여 유사도를 평가하고 선정된 유사일에 대해서 수식 (3)을 적용하여 BTM 태양광 발전량을 추정한다. 최종적으로는 아래 수식과 같이 전력계통수요($\hat{P}_{System,\: t}$)에서 BTM 태양광 발전 추정량($\hat{P}_{BTM,\: t}$)을 차감하여 시간대별 전력시장 수요($\hat{P}_{Market,\: t}$)를 산출한다.

4. 사례 연구

본 장에서는 앞 장에서 설명한 전력수요예측 모형의 실효성을 검증하기 위해 제주도 특수일 전력수요 예측을 진행하였다. 사례연구를 위해 2년(2022년 6월 ~ 2024년 5월) 제주도 전력수요 및 기상 데이터를 사용하였으며, 특수일을 대상으로 예측을 수행하여 결과를 분석하였다. 또한 특수일의 기상 데이터 경우, 예보값이 아닌 실적값을 사용하였으며, 사용된 기상 요소는 현재 기상청에서 예보를 하는 기상요소만 사용하였다.

본 논문에서 제안된 예측 모형의 예측 정확성을 평가하기 위한 지표로는 평균절대백분율오차(MAPE, Mean Absolute Percentage Error)를 사용하였다.

여기서 $P_{i}$와 $\hat{P_{i}}$는 $i$번째 실제값과 예측값을 의미하며, $n$은 예측 시간의 합이다.

제안된 모형은 하루전 전력수요예측을 위해 24시간 패턴, 최대전력수요, 최소전력수요를 각각 예측한 후, 최종적으로 하루전 특수일 24시간 전력수요예측을 진행한다. 예측 시점은 예측일 하루 전 오전으로 예측을 진행하는 당일의 데이터는 사용하지 않는다.

제안된 모형에서 예측일의 유사일 선정을 위한 매개변수 설정 정보는 표 1과 같다. 매개변수는 1년(2022년 6월 ~ 2023년 5월) 특수일 데이터를 이용하여 그리드 서치를 통해 도출된 수치이며, 선정 기준은 오차율의 평균과 분산을 적용하였다. 그리드 서치 결과, 24시간 패턴 예측을 위한 유사일 선정 기준은 기온과 일사량을 적용하며, 일별 최대전력수요와 최소전력수요는 예측일과의 시간적 거리, 기온을 적용하였다. BTM 태양광 발전량을 추정하기 위해서는 일사량, 강설량, 강우량을 기준으로 유사일을 선정하였다.

표 2는 1년간(2023년 6월 ~ 2024년 5월)의 각 특수일에 대한 제주도 전력수요 예측의 오차율을 나타내며, 24시간 패턴, 최대 전력수요, 최소 전력수요, 그리고 24시간 전력수요에 대한 예측 결과를 포함하고 있다.

전반적인 오차율 분석 결과, 최대 전력수요는 2.66%, 최소 전력수요는 3.25%, 24시간 패턴의 평균 오차율은 2.56%, 최종 24시간 전력수요는 3.24%로 나타났다. 이 중 최소 전력수요는 다른 예측들에 비해 상대적으로 높은 평균 오차율을 보였으며, 이는 설날의 높은 오차율 영향으로 판단된다. 또한 분산을 확인했을 때 최소 전력수요 예측이 다른 예측에 비해서 큰 경향성을 가진다. 이러한 현상의 이유는 태양광 발전설비의 영향과 기상 조건에 대한 최소 전력수요의 민감도 때문으로 판단된다. 특히, BTM 태양광 발전설비의 증가는 전력수요 측 변동성을 키워 최소 전력수요 발생 시간의 불확실성을 높인다.

사례연구 결과 중 개천절과 설날의 예측 오차율이 다른 특수일에 비해 높다. 2023년 개천절의 경우, 추석 연휴와 임시공휴일(10월 2일, 월요일)의 영향으로 긴 연휴에 포함되었으며, 개천절 당일 날씨가 매우 흐렸다. 따라서 유사일 데이터 탐색에서 시간적으로 먼 데이터가 선택됨에 따라 유사도가 상대적으로 낮은 날들이 선택된 것으로 확인된다.

그림 9는 설날의 시간대별 전력수요 실적과 예측값을 보여준다. 그림에서 확인할 수 있듯이 낮 시간대에 하루 최소 전력수요가 발생한다. 24시간 패턴의 예측 정확성은 높기 때문에 BTM 태양광 발전량을 차감할 때 사용하는 유사일의 선택이 잘못된 결과로 추정된다. 제안된 모형은 제주도 4개 관측소에서 측정되는 기상데이터를 사용하는데, BTM 발전량 예측을 위해 사용되는 유사일 선택에서 사용되는 일사량 데이터는 제주도의 북쪽과 서쪽에 위치한 2개 관측소(제주시, 고산)만 과거 데이터가 존재한다. 일사량과 유사한 특성을 보이는 일조시간을 확인해보면 제주도 남쪽의 날씨가 다른 지역에 비해 맑은 것을 표 3에서 확인할 수 있다. 이러한 부분은 제안된 모형의 한계점이며, 일조시간을 유사일 선택 변수로 사용하지 않은 이유는 기상청의 예보값이 없기 때문이다. 향후 지역 기상 관측소 확대를 통한 BTM 발전량 예측 정밀화가 필요한 부분이다.

5. 결 론

본 연구에서는 제주도의 특수일 전력수요 예측의 난이도를 고려하여, 기존 육지 계통 예측 모델의 한계를 극복할 수 있는 새로운 접근법을 제안하였다. 제주도는 높은 재생에너지 보급률과 특화된 산업구조로 인해 전력수요 패턴이 육지와 상이하며, 특히 특수일에는 관광객 유입, 지역 이벤트, 기상 조건 등 다양한 요인이 복합적으로 작용하여 전력 소비 패턴이 평소와 크게 달라진다. 이러한 특성으로 인해 특수일 전력수요 예측은 변동성이 크고, 과거 데이터의 희소성 및 산업용 기업체의 조업률 변동과 같은 요인으로 인해 높은 예측 오차율을 보인다. 본 연구는 이러한 문제를 해결하기 위해 제주도 특수일 전력수요의 특성을 분석하고, 이를 기반으로 한 과거 데이터 선정 방법을 제안하여 유사일 기반 통계적 예측 모형의 정확도를 개선하고자 하였다. 실적 데이터를 활용한 검증 결과, 제안된 방법이 특수일 전력수요 예측 정확성 향상에 효과적임을 확인하였으며, 이는 향후 제주도 전력시장 운영 및 계획 수립에 실질적인 기여를 할 수 있을 것으로 기대된다.