2.1 Chronology 데이터 축약 기법

본 연구에서는 전력 계통 분석 및 시뮬레이션 소프트웨어인 PLEXOS에서 정의된 세 가지 데이터 축약 기법인 Partial, Fitted, Sampled Chronology를 검토하고^[10], 각 기법의 특성과 한계점을 분석한다. 이러한 기법들은 전력계통 운영 및 계획 모델의 계산 복잡도를 낮추기 위해 제안되었으며, 문헌에 따라 다양한 명칭으로 정의되어 왔다.

Partial Chronology는 연간 8,760시간의 부하 시계열 데이터를 시간 순서보다 통계적 분포에 기초하여 대표 구간들로 축약하는 방식이다^[11]. 연간 부하 곡선을 월별 또는 주별 등의 특정 기간(Period)으로 구분한 뒤, 해당 기간의 자료를 부하 지속 곡선(Load Duration Curve, LDC)으로 변환하고 이를 다시 일정 개수의 블록(Block)으로 분할한다^[10]. 이를 통해 방대한 시계열 데이터를 소수의 대표 구간으로 압축하여 연간 부하 변동을 근사한다.

가중최소자승(Weighted Least-Squares, WLS) 기법은 LDC에 계단 함수(Step function)를 적합시키는 방식으로, 원래의 곡선과 계단 근사치 간의 제곱 오차 합을 최소화한다. 이때 오차 항은 가중 함수에 기반하여 계산되며, 기본적으로 입력 부하값을 사용하나 사용자 정의에 따라 3차 다항식 $f(x) = ax^3 + bx^2 + cx + d$ 형태의 가중치를 적용해 특정 구간의 정밀도를 조절할 수 있다^[12]. 반면, Off-peak 기법은 LDC의 최상단(Peak)과 최하단(Bottom) 값을 블록에 포함하지 않고 고정(Pin)하는 방식이다^[13]. PLEXOS에서는 LDC Pin Top, LDC Pin Bottom 파라미터를 통해 피크 부하를 정확히 유지함으로써 설비 예비력 분석의 신뢰성을 확보한다^[14].

Partial Chronology는 시간적 선후 관계를 상실하므로 발전기 기동 및 정지에 관한 제약이나 저장장치의 연속적인 충·방전 거동을 명시적으로 모의하는 데 한계가 있다^[15]. W.-G. Fruh(2019)는 잔여 부하 지속 곡선(rLDC)을 통해 저장 기술의 영향을 해석하였으나, 시간 연속성을 고려하지 못하는 LDC 방식의 한계를 지적한 바 있다^[16].

Fitted Chronology는 Partial Chronology와 달리 시간의 흐름을 부분적으로 유지하면서 시계열 데이터를 근사하는 기법이다^[17]. 연간 시계열 데이터를 가중최소자승 회귀를 통해 계단형 함수로 근사하되, 사용자가 지정한 연속된 시간 블록들로 분할한다. 각 블록 내의 평균값은 실제 시계열과 오차가 최소화되도록 산출되며, 오직 인접한 시계열 데이터만이 하나의 블록으로 묶이기 때문에 블록 내부에서 실제 시간 순서가 유지된다^[13]. Ferrari 등(2014)은 전력계통의 유연성 자원 계획 시 하루를 여러 블록으로 세분화하는 Fitted Chronology를 적용함으로써 연산 효율성과 분석 정밀도 사이의 균형을 확보할 것을 제안하였다^[18].

Sampled Chronology는 시계열 전체를 근사하는 대신, 대표성이 있는 특정 기간만을 추출하여 상세 모의하는 기법이다^[14]. 연간 8,760시간 중 대표적인 일 또는 주를 선별하여 해당 기간에 대해서만 1시간 단위의 고해상도 시뮬레이션을 수행하고, 나머지 기간은 생략한다. Levin 등(2024)은 대표 기간의 개수가 발전설비 최적 계획 결과에 미치는 영향을 분석하였다^[10]. ERCOT 계통 사례 연구 결과, 대표일 수가 부족할 경우 태양광 및 저장설비의 투자 규모가 왜곡될 수 있으며, 약 104개의 대표일을 확보해야 365일 전수 모의 결과와 거의 유사하게 수렴함을 정량적으로 입증하였다^[19].

Fitted Chronology는 Partial 방식보다 기간 내 연속성을 잘 보존하여 일 주기 변동 표현에 유리하나, 블록 개수가 지나치게 적을 경우 장기 저장 장치의 거동을 왜곡할 위험이 있다^[20]. Sampled Chronology는 대표 기간 내에서는 완전한 연대기를 유지하면서 전체 계산 복잡도를 획기적으로 낮출 수 있다는 장점이 있다^[10]. 따라서 본 연구에서는 이러한 기법들의 장단점을 결합하고 제주 계통에서의 기법 별 정확도를 검증하여, 저장장치 및 재생에너지의 세부 운영 특성을 반영함과 동시에 연산 효율성을 극대화할 수 있는 프레임워크를 고찰하고자 한다.

2.2 제주 지역 전원 계획 시나리오

전력계통 최적화 분석 도구인 PLEXOS를 활용하여 2025년부터 2035년까지의 중장기 전원개발계획 시뮬레이션을 수행하였다. 전력 수급의 변동성을 정밀하게 반영하기 위해 모든 입력 및 출력 데이터는 1시간 단위로 처리했으며, 분석에 사용된 주요 파라미터인 발전기 정격 용량, 총 부하, 그리고 HVDC 관련 자료는 국내 공공데이터포털 및 미국 에너지정보청(EIA)에서 발표한 '2023년 발전원별 건설 비용 데이터'를 준용하였다^{[21, 22]}. 이를 제주도 전력 계통의 실제 현황과 유사하도록 조정하여 분석의 실무적 타당성을 확보하였다. 또한, 재생에너지 출력 시계열은 PLEXOS 내에서 제공되는 가상의 표준 데이터를 활용하여 변동성 재생에너지(VRE) 시나리오를 구성하였다.

본 연구에서 제안하는 데이터 축약 프레임워크의 연산 효율성을 평가하기 위해 모든 실험은 동일한 전산 환경에서 수행되었다. 상세한 시스템 사양은 다음과 같다. 중앙처리장치는 8코어 기반의 Intel(R) Core(TM) Ultra 7 258V를 사용하였으며, 32.0GB의 RAM과 Windows 운영체제 환경에서 시뮬레이션을 진행하였다. 모델링 및 연산 엔진으로는 PLEXOS® Version 11.000을 활용하여 전원개발계획 최적화 문제를 도출하고 해를 산출하였다. 데이터 축약 수준에 따른 정확도 비교를 위해 일부 고해상도 실험(예: 일간 12개 블록 구성)에서는 'Multiple Step' 기법을 적용하여 최적 전원 믹스 도출의 정밀도를 제고하였다.

본 연구에서는 전원개발계획의 기준점이 되는 Base Case를 설정함에 있어, 연산 자원(RAM)의 한계로 인한 병목현상을 방지하기 위해 Fitted Chronology 기반의 1일 12블록 시나리오를 채택하였다. 이론적으로 1일 24블록 설정이 모든 시계열 데이터 포인트를 완벽히 반영하여 가장 높은 정확도를 확보할 수 있으나, 해당 방안은 본 연구의 전산 환경 내에서 대규모 장기 최적화 문제를 해결하기 위한 현실적인 대안이 된다. 따라서 제시된 평가지표는 원본 고해상도 시나리오를 통해 도출한 시뮬레이션 결과가 아닌 1일 12블록 시나리오 기반으로 산출된 상대적 수치이며, 서술된 우수성은 Base Case에 가장 근접한 재현력을 가졌음을 의미하는 상대적 최적성을 뜻한다.

그림 1. 제주 전원 Mix Base Case 시계열 그래프 (上:발전, 下:예비력)

Fig. 1. Jeju Renewable Energy Modeling Base Case Time Series Graph (Top: Generation, Bottom: Reserve)

그림 1은 2025년부터 2035년까지의 전체 분석 기간에 대한 Base Case의 발전량과 예비력 시계열 추이를 나타낸다. 그래프 상단 패널을 통해 HVDC와 기저부하 담당 화력발전의 안정적인 출력 특성을 확인할 수 있으며, 뚜렷한 계절성이 반영된 발전원의 변동 추세가 관측된다. 재생에너지의 경우, 본 실험에 사용된 가상 데이터의 특성상 풍력 발전량이 태양광에 비해 상대적으로 적게 산정되어 그 기여도가 낮게 나타났다. 이는 실제 우리나라의 풍력 발전의 계절적 특성 및 제주 지역의 지리적 특성이 완벽히 반영된 결과라기보다, 데이터 축약 기법 검증을 위한 표준 데이터 적용의 결과이다. 마지막으로 예비력 추이를 살펴보면, 초기 연도인 2025년까지는 설비 확충에 따라 상승하는 양상을 보이나, 이후 전력 수요의 지속적인 증가에 맞춰 운영 예비력이 조정됨에 따라 점차 축소되는 경향을 보였다.

2.3 데이터 축약 방식에 따른 정확도 비교 분석

그림 2. 전원 Mix 계획 시나리오 간 정확도 비교

Fig. 2. Accuracy Comparison among Jeju Renewable Energy Generation Modeling Scenarios (Top: Base Case, Bottom: Monthly 1-day Sampled Chronology)

본 연구에서는 앞서 기술한 세 가지 데이터 축약 기법의 성능을 정량적으로 평가하기 위해, Fitted Chronology 기반의 1일 12블록 시나리오를 통해 도출된 2025년부터 2035년까지의 연간 발전량 및 부하 시계열 데이터를 벤치마크로 활용하였다. 각 축약 시나리오별 결과물 전체 기간과의 편차를 바탕으로 평균제곱오차(Mean Squared Error, MSE)를 산출하여 정확도를 분석하였다.

Partial Chronology 기법에 대해 총 7개의 시나리오를 구성하여 평가한 결과, 계산 자원의 효율적 활용 측면에서는 뚜렷한 장점이 확인되었으나 정확도 개선에는 구조적 한계가 나타났다. 표 1에 따르면, 블록 수를 최소 3개에서 최대 24개까지 확대하더라도 MSE는 0.0547에서 0.0521 수준으로 약 4.7% 개선되는 데 그쳤다. 이는 부하의 시간적 순서를 재배열하여 LDC를 사용하는 기법의 특성상, 단주기 변동성이나 계절적 신호를 완벽히 복원하기 어렵다는 구조적 제약에 기인한다. 따라서 본 기법은 정밀한 운영 모의보다는 대안 시나리오의 신속한 스크리닝이나 정책 변화에 따른 거시적 추세 탐색 단계에서의 기준점으로 활용하는 것이 타당할 것으로 판단된다.

Fitted Chronology는 4개 시나리오 전반에서 Partial Chronology 대비 우수한 오차 특성을 보였다. 대부분의 설정에서 MSE 0.035 내외의 안정적인 수치를 기록하며 시계열의 선후 관계를 고려한 근사 방식의 이점을 입증하였다.

다만, 이러한 수렴 특성이 모든 데이터 포인트를 반영한 1일 24블록 모델과 비교했을 때 어느 정도의 절대적 오차를 내포하고 있는지에 대해서는 추가적인 검토가 요구된다. 본 연구에서는 전산 자원의 병목 현상 및 RAM 용량의 한계로 인해 1일 24블록 전체에 대한 시뮬레이션 수행에 제약이 있었으며, 이는 향후 고성능 연산 환경을 활용한 비교 검증을 통해 보완되어야 할 과제이다.

이어서 Sampled Chronology는 대표일(Representative days) 수의 증가에 따라 MSE가 0.3297에서 0.0568로 대폭 감소하며 뚜렷한 수렴 양상을 보였다. 연간 30일 대표일 설정(MSE 0.1249)이 월간 10일 설정(MSE 0.1219)보다 오히려 오차가 다소 높게 나타났다. 이는 단순히 표본의 양을 늘리는 것보다, 계절성 및 극값(Peak/Off-peak)을 포함하는 표본의 질적 대표성이 정확도 확보에 더 중요한 변수임을 시사한다. 대표일 수가 불충분할 경우 계절적 특성 유실로 인한 구조적 정보 손실이 발생하므로, 본 기법 적용 시에는 기상 및 부하의 최소 대표일 상/하한선 설정이 병행되어야 한다.

그림 2는 정확도가 가장 낮았던 '월 1일 대표일' 기반 Sampled Chronology 방식과 Base Case 간의 발전량 분포를 히스토그램으로 비교한 결과이다. 분석 결과, 상단 패널에서 확인할 수 있듯이 축약 모델은 실제 계절적 변동성을 재현하지 못한 채 특정 구간에서 발전량이 과대 산정되는 편향(Bias)을 보였다. Base Case가 계절에 따른 발전원별 출력 양상을 유연하게 반영하는 것과 달리, 월 1일 대표일 시나리오는 연간 데이터를 단 12일의 표본으로 대표함에 따라 계절적 특성이 소멸되고 부하 증감에 따른 발전량의 단순 선형적 증가 양상만을 나타냈다. 이러한 시계열 왜곡은 재생에너지 변동성이 큰 제주 계통에서 설비 계획의 신뢰도에 직접적인 영향을 미칠 수 있으며, 축약 기법 선정 시 변동성 대응 능력이 과소평가될 위험이 있음을 보여준다.

앞선 표 1~3에서 제시한 정량적 오차 분석 결과를 시각적으로 확인하기 위해, 그림 3과 4에서는 가장 낮은 정확도를 보였던 '월 1일 대표일' 기반 Sampled Chronology와 '일간 6블록' 기반 Fitted Chronology의 시뮬레이션 결과를 대조하였다. 이는 데이터 축약 기법의 선택이 재생에너지의 핵심적 특성인 변동성과 계절성을 구현하는 데 어떠한 실질적 차이를 만드는지 보여준다.

시각적 분석 결과, Sampled Chronology 방식은 극단적인 시간 해상도 축약으로 인해 태양광 발전의 고유한 계절적 종형 곡선(Bell-curve) 및 월별 추세를 거의 재현하지 못하는 것으로 나타났다. 특히 연도별로 일관되지 않은 출력 편향을 보이며, 풍력 발전의 경우에도 풍력 발전의 급격한 변동성을 단순화함으로써 발전량의 통계적 특성을 왜곡하는 정보 손실의 양상을 보였다. 이는 표본으로 선택된 단 12일의 데이터가 1년 365일의 확률적 분포를 대변하기에는 구조적으로 불충분함을 의미한다.

반면, Fitted Chronology 기법은 일간 6개의 블록을 사용하였을 때 1일 12블록 Base Case와 91.85%의 데이터 포인트가 완전히 동일하였으며, 연도별 총 발전량 또한 10개년 전 기간에 걸쳐 차이가 0%로 확인되었다. 이는 시간적 순서를 유지하며 가중 회귀를 통해 근사하는 방식이, 세부 변동성과 계절적 흐름을 일정 수준 이상 보존하는 데에 훨씬 효과적임을 시사한다. 결과적으로 이러한 비교는 재생에너지 중심의 전원계획 수립 시, 단순한 연산 시간 단축보다는 계통의 계절적 변동성을 보존할 수 있는 적정 블록 수와 추출 전략의 병행이 필수적이라는 점을 시각적으로 입증한다.

그림 3. 전원 Mix 계획 시나리오 간 태양광 데이터 축약 정확도 비교 (상:Fitted chronology, 하:Sampled chronology)

Fig. 3. Comparison of Solar Data Aggregation Accuracy among Renewable Energy Modeling Scenarios (Top: Fitted chronology, Bottom: Sampled chronology)

그림 4. 전원 Mix 계획 시나리오 간 풍력 데이터 축약 정확도 비교 (상:Fitted chronology, 하:Sampled chronology)

Fig. 4. Comparison of Wind Data Aggregation Accuracy among Renewable Energy Modeling Scenarios (Top: Fitted chronology, Bottom: Sampled chronology)

4.1 축약 데이터 분석

본 연구에서는 제안한 축약 기법의 객관적인 신뢰도를 검증하기 위해, $k$-means 클러스터링과 계층적 클러스터링을 대상으로 10회 반복 실험을 수행하였다. 분석 결과, $k$-means 기반 방식이 계층적 클러스터링 대비 평균 오차율이 낮았을 뿐만 아니라, 95% 신뢰구간의 폭이 좁게 형성되어 높은 통계적 안정성을 입증하였다. 특히 풍력과 같이 변동성이 큰 자원을 포함할 때 $k$-means는 반복 시행 간 결과의 편차가 적어 최종 전원개발계획 모델링을 위한 표준 기법으로 선정되었다.

그림 6과 7은 본 연구에서 적용한 $k$-means 기반 패턴 도출 결과를 비교한 것이다. $k=91$에서는 대표일 수가 많아 연간 데이터의 다양성이 잘 보존되었으며, 아침·저녁의 수요 상승 구간과 정오 무렵의 수요 하강 구간 등 세부 부하 구조가 선명하게 유지되었다. 반면 $k=45$ 설정 시에는 평균적 형태는 유사하나 대표일 간 미세 차이가 일부 희석되어 시간대별 세분 패턴의 표현력이 감소하였다. 풍력 출력의 경우, 본래 변동성이 크기 때문에 $k=91$은 다양한 출력 양상을 비교적 충실히 반영했으나, $k=45$에서는 변동 특성이 과도하게 단순화되어 표현력과 정밀도가 뚜렷이 저하되었다.

그림 6. ($k=91$) $k$-means 클러스터링 기반 부하 및 풍력 데이터 sampled chronology 패턴

Fig. 6. ($k=91$) $k$-means Clustering-based Load and Wind Power Data sampled chronology Patterns

그림 7. ($k=45$) $k$-means 클러스터링 기반 부하 및 풍력 데이터 sampled chronology 패턴

Fig. 7. ($k=91$) $k$-means Clustering-based Load and Wind Power Data sampled chronology Patterns

그림 8. $k$-means 클러스터링 기반 태양광 일간 패턴 추출 결과 ($k=90$)

Fig. 8. $k$-means Clustering-based Daily Solar Pattern Extraction Results ($k=90$)

그림 8은 태양광을 포함한 통합 대표 패턴의 추출 결과를 보여준다. 분석 결과, 결정계수 $R^2$는 전력 수요 0.8926, 풍력 발전 0.7803, 태양광 발전 0.9285로 나타났다. 태양광은 계절적 발전량 차이는 존재하나 일중 패턴의 형태가 일정하여 높은 정합성을 보인 반면, 풍력은 일간 변동성이 두드러져 군집별 급등·급락 양상이 상이하게 나타났다. 이는 풍력 비중이 높은 계통일수록 추가적인 보정 모형의 필요성이 큼을 시사한다

그림 9. ($k=91$) Agglomerative 클러스터링 기반 부하 및 풍력 데이터 sampled chronology 패턴

Fig. 9. ($k=91$) Agglomerative Clustering-based Load and Wind Power Data sampled chronology Patterns

그림 10. ($k=45$) Agglomerative 클러스터링 기반 부하 및 풍력 데이터 sampled chronology 패턴

Fig. 10. ($k=45$) Agglomerative Clustering-based Load and Wind Power Data sampled chronology Patterns

그림 9와 10은 계층적 클러스터링을 이용해 대표일을 추출하고, $k=91$ 및 $k=45$를 적용했을 때의 부하·풍력 시계열 sampled chronology 결과를 비교한 것이다. 먼저 $k=91$에서는 대표일 수가 충분하여 계절별 부하 특성과 일중 수요 변화가 비교적 정밀하게 재현되었고, 특히 여름철 피크 부하 구간의 수준과 추세가 원자료와 유사하게 유지되었다. 반면 $k=45$의 계층적 클러스터링 기반 sampled chronology에서는 평균 부하 곡선은 일정 수준 유지되지만, 대표일 간 패턴 다양성이 축소되며 세부 변동성의 복원력이 떨어지는 한계가 나타났다. 풍력 출력의 경우에는 고변동 시계열 특성에도 불구하고 다수 구간이 평탄화되어 표현되었고, 그에 따라 $R^2$가 크게 하락하였다. 이를 통해 풍력 비중이 높은 시나리오에서 해당 축약 방식이 풍력의 동적 특성 왜곡을 초래할 수 있음을 확인할 수 있다.

그림 11. Agglomerative Hierarchical 클러스터링 기반 sampled chronology 일간 패턴 추출 결과 ($k=91$)

Fig. 11. Agglomerative Hierarchical Clustering -based Daily sampled chronology Pattern Extraction Results ($k=91$)

그림 12. 계층적 클러스터링과 $k$-means 클러스터링 데이터 10회 축약 결과 (Top: $k=91$, Bottom:$k=45$)

Fig. 12. 10-Iteration Temporal Aggregation Results between Hierarchical and $k$-means Clustering (Top: $k=91$, Bottom:$k=45$)

그림 13. 태양광을 포함한 계층적 클러스터링과 $k$-means 클러스터링 데이터 축약 10회 결과 ($k=90$)

Fig. 13. 10-Iteration Temporal Aggregation Results between Hierarchical and K-means Clustering with Solar Power Integration ($k=90$)

그림 11은 계층적 클러스터링으로 전체 시계열에 매핑하여 복원한 결과를 보여준다. 시계열 전반의 추세 보존 측면에서 $k$-means와 유사한 수준의 결정계수 $R^2$를 보였으나, 풍력 출력이 낮은 구간에서는 $k$-means가 값을 0으로 대체하는 경향이 있는 반면, 계층적 클러스터링 방식은 유사 형태의 패턴을 보다 충실히 유지하여 자연스러운 출력 분포를 보존했다는 차별점이 관찰되었다.

분석 결과, $k$-means 기반 일간 대표일($k=91$)은 전력수요에서 $R^2$=0.9359, 풍력 발전량에서 $R^2$=0.9146을 기록하여 전체 시계열 재현력이 매우 높은 것으로 확인되었다. 같은 조건에서 Agglomerative 클러스터링은 전력수요 $R^2$=0.9363, $R^2$=풍력 0.9123으로 유사한 성능을 보였으나, $k$ 감소 시 정확도 저하가 더 가파르게 나타나는 경향이 관측되었다.

특히 $k=45$로 대표일 수를 축소할 경우, $k$-means는 풍력 발전량에서 $R^2$=0.8414를 유지한 반면 Agglomerative는 $R^2$=0.8337로 상대적으로 더 큰 성능 손실이 발생했다. 주간 패턴 축약에서는 격차가 더욱 뚜렷하여, 풍력의 $R^2$가 $k$-means 0.2923, Agglomerative 0.2421로 집계되었으며, 고주기 변동성이 큰 풍력 시계열에 대해 Agglomerative의 표현력이 상대적으로 낮음을 시사한다.

이어서 그림 12와 13은 본 연구에서 제안한 데이터 축약 기법의 통계적 신뢰성을 검토하기 위해 클러스터 초기값을 변경하여 10회 독립 시행한 것이다. 그림 12는 부하와 풍력발전량을 고려하였으며, 그림 13은 두 변수와 함께 태양광 발전량을 추가로 포함하였다. 두 결과 모두 $k$-means 기반 축약 방식의 오차가 매우 작게 형성되었으며, 이는 본 연구에서 제안한 알고리즘이 입력 데이터의 확률적 특성을 일관되게 포착하고 있음을 의미한다.

4.2 생성 축약 데이터 기반 전원 계획 검토

정량적 비교 결과에 따라, 본 연구에서는 정확도, 추세 보존성, 변동성 재현 측면에서 더 우수한 성능을 보인 $k$-means 클러스터링 기반 대표일 시계열을 활용하여 제주 계통의 전원계획 시나리오를 검토하였다. 검증된 전원 계획은 에너지 저장 시스템에 대해 고려하지 않았으며, 태양광, 풍력, 수요만을 고려하였다.

그림 14는 $k$-means 클러스터링 기반 축약 데이터($k=90$)를 활용한 2025년부터 2040년까지의 발전 계획 모의 결과를 나타낸다. 모의 결과, HVDC를 통한 육지 계통 연계 전력이 약 100GWh 수준의 기저 부하 역할을 수행하며, 태양광과 풍력 발전이 전체 발전량의 대부분을 차지하는 것으로 나타났다. 특히 태양광 발전은 뚜렷한 계절적 변동성을 보이며, 하절기에 최대 발전량을 기록하고 동절기에 상대적으로 감소하는 패턴이 관찰되었다. 전체 발전량은 계획 기간 동안 점진적으로 증가하여, 피크 발전량이 2025년 약 600GWh 수준에서 2040년 약 900GWh 이상으로 상승하는 추세를 보였다.

그림 15의 발전원 건설 용량 모의 결과를 살펴보면, 2032년, 2034년, 2036년에 각각 100MW 규모의 열병합(Thermal) 발전소가 신규 건설되어 계획 기간 동안 총 300MW의 열병합 발전 용량이 추가되는 것으로 도출되었다. 반면, 태양광, 풍력, CCGT, 디젤 발전원의 신규 건설은 발생하지 않았다. 그러나 이러한 결과는 현실의 에너지 전환 정책 방향과 상충되는 측면이 있다. 본 모의에서는 재생에너지 보급 확대를 위한 정부의 정책적 목표, 의무적 신재생에너지 건설 계획, 그리고 태양광 및 풍력 발전의 기술 발달에 따른 발전 단가 하락 추세 등이 반영되지 않았다.

그림 14. 태양광 포함 $k$-means 클러스터링 기반 축약 데이터의 발전 계획 모의 결과 ($k=90$)

Fig. 14. Simulation Results of Generation Planning Based on $k$-means Clustering Data Reduction Including Solar Power ($k=90$)

그림 15. 태양광 포함 $k$-means 클러스터링 기반 축약 데이터의 발전원 건설 용량 모의 결과 ($k=90$)

Fig. 15. Simulation Results of Generation Capacity Expansion Based on $k$-means Clustering Data Reduction Including Solar Power ($k=90$)

따라서 본 연구의 모의 결과는 순수하게 경제적 최적화 관점에서 도출된 것으로, 향후 연구에서는 정책적 제약 조건, 기술 학습 곡선에 따른 비용 변화, 그리고 탄소중립 목표 달성을 위한 재생에너지 의무 비율 등을 추가적으로 반영할 필요가 있다.