정부는 기후변화의 적극적인 대응을 위해 저탄소 발전원인 재생에너지 및 원자력 발전을 확대할 계획이다. 이에 따라 변동성 재생에너지원의 급증으로 전력수요 변동성은 확대대고, 경직성 전원인 원자력의 증대로 전력수급 불균형 발생이 가능하므로 전력수급 균형을 위한 전력수요 예측이 더욱 더 중요할 것이다.
과거는 기상변동 등으로 인한 전력수요 재예측 수준이었으나 현재는 재생에너지 변동 발전력(BTM)까지 참고해야 하므로 고려해야 할 요소가 많아졌다. 결국 더 어려워진 전력수요 예측을 더 빈번하게 해야 되는 상황인 것이다. 이에 따라 실시간으로 변동되는 전력수요, 기상실적 및 기상예보를 바탕으로 전력수요를 재예측하는 플랫폼을 연구하여 관제원의 실시간 의사결정을 지원하고자 한다. 여기에는 최근 발전하고 있는 예측 관련 머신러닝 공개 SW와 클라우드 GPU 등의 HW를 이용하였다.
본 연구의 기여는 1) 예측 대상의 확대 및 통합, 2) 실시간 모델 학습 및 예측, 3) 적은 개발 비용 및 쉬운 유지 보수이다.
본 논문에서는 순전력수요(Net-Load)를 전력수요(Load)에서 태양광, 풍력 등의 비중앙 발전력(Gennon.)을 제외한 값으로 정의하며, 계통운영자(관제원)는 본 순전력수요에 맞춰 중앙급전발전기 등을 기동정지 하여 전력수급 균형을 유지한다.
본 연구에 적용하는 예측 알고리즘은 다음 두 종류이다. 1) ANN(Artificial Neural Networks) : 인간 두뇌의 구조와 기능을 모델로 한 일종의 머신러닝 알고리즘이며 입력과 출력의 연관 특성을 명확하게 학습할 수 있다. 2) LSTM(Long Short-Term Memory) : 오랜 기간 동안 정보를 유지하고 예측과 관련되지 않은 정보를 선택적으로 잊어버릴 수 있는, 연속된 시계열의 특성(Sequence to sequence)을 학습할 수 있는 알고리즘이다.
순전력수요 예측 모델 구성은 1) 데이터 입력, 2) 데이터 전처리, 3) 알고리즘별 다중케이스 생성, 4) Mode별 훈련 및 예측, 5) 데이터 병합, 6) 알고리즘별 대표 예측값 출력으로 이루어진다.
제안 모델의 예측 정확도 평가를 위해 2020년~2023년 2월 예측시점 까지 약 3년간의 발전 및 기상 실적 데이터를 학습하여, 2023년 1,2월 일별 09시부터 24시까지의 15시간(Time step)의 순전력수요를 예측 후 정확도를 평가(MAPE)하였다.
예측 정확도 분석 결과 1) 실시간 계통운영시 참고가능 수준의 순전력수요 예측 정확도 달성, 2) 상황에 따른 모델 적합성 존재, 3) 실시간 예측에 필요한 빠른 수행 속도 달성, 4) 더 많은 발전 및 기상 빅데이터 축적 필요성, 5) 순전력수요 직접 예측 정확도 향상 등을 확인하였다.
향후 본 예측 모델의 실시간 활용을 위해선 1) 실시간 예측을 위한 기상 수치 모델 정보 분석 및 연계, 2) 실시간 예측 환경의 모델 튜닝 연구가 필요하다.