KOREA ENERGY ECONOMICS INSTITUTE

www.keei.re.kr

전 우 영

기본연구 보고서

15-15

확률적 전력계통망 최적화 모형 구축 연구

확률적 전력계통망 최적화 모형 구축 연구

KOREA ENERGY ECONOMICS INSTITUTE

www.keei.re.kr

전 우 영

기본연구 보고서

15-15

확률적 전력계통망 최적화 모형 구축 연구

참여연구진

연구책임자 : 부연구위원 전우영

연구참여자 : 선임연구위원 박정순

연구위원 이철용

요약 i

<요 약>

1. 연구필요성 및 목적

최근 전력시스템은 많은 변화와 도전에 직면해있다. 기존에 화석연

료를 사용하던 수송과 난방과 같은 서비스들이 전력화를 통해서 전력

수요가 빠르게 증가하고 있고, 화석연료발전소에서 발생되는 온실가

스에 대한 규제와 비용이 점점 강화되는 추세는 전력시스템 운영자에

게 더 이상 참고사항이 아닌 결정적 제약조건(binding constraint)이

되고 있다. 또한 전통적인 전력생산설비인 원자력 발전소나 송전망 시

설에 대한 주민 수용성이 급격히 악화되면서 사회적 비용이 급증하고

있는 실정이다.

이런 문제점에 대한 해결책으로 온실가스 배출 저감에 기여할 수

있고, 사회적 수용성이 높으며, 큰 보급 잠재력을 가지고 있는 재생에

너지가 주목을 받고 있다. 대표적 재생에너지인 태양광과 풍력의 경우

에너지균등화비용(Levelized Cost of Energy, LCOE)이 각각 $0.16/kWh,

$0.07/kWh 수준으로 화력발전의 LCOE 수준에 거의 근접했으며, 우

리나라에서도 2029년까지 태양광 16.6GW, 풍력 8.1GW의 높은 보급

이 계획되어 있다.

하지만 태양광, 풍력과 같은 변동성 재생에너지(Variable Renewable

Energy, VRE)는 대규모로 전력시스템에 도입이 될 경우 높은 변동성

과 간헐성, 불확실성으로 인해 전력시스템의 안정성에 문제를 일으킬

수 있다. 그렇기 때문에 변동성 재생에너지가 전력시스템에 미치는 영

ii

향을 선제적으로 분석하고 이에 대한 대응방안을 마련하는 것이 중요

하다.

하지만 변동성 재생에너지와 이와 연계되어서 운영되는 에너지저장

장치(Energy Storage System, ESS) 등 전력시스템에 도입이 검토 중

인 새로운 기술들의 특징을 포괄할 수 있는 전력시스템 분석 툴은 국

내에 아직 미비한 상황이다. 기존의 WASP과 M-Core는 결정론적

(deterministic) 정보를 이용해 거시적인 관점에서의 수급 분석에 초점

이 맞춰져 있기 때문에 확률적(stochastic) 특성을 띄는 변동성 재생에

너지와 ESS의 운용에 대한 미시적인 분석에는 한계를 가지고 있다.

본 연구에서는 변동성 재생에너지와 이에 연계된 ESS가 전력시스

템에 미치는 영향에 대한 분석이 가능한 확률적 전력계통망 최적화

모형을 제안하고, 제주도 전력계통망을 시범 연구 모형(Test-Bed)으로

이용해 본 모형으로 분석 가능한 다양한 요소들에 대한 탐색과 추가

적 활용가능성에 대해서 살펴보고자 한다.

구축된 제주도 전력계통망 모형을 기반으로 하여, 정책시나리오 분

석을 통해 풍력과 ESS가 전력시스템의 안정성과 경제성에 미치는 영

향을 입체적으로 분석하였다. ‘제4차 신재생에너지 기본계획’과 제주

도 지역 에너지 개발 계획 등을 바탕으로 시나리오를 산정해서, 높은

수준의 풍력과 ESS가 향후 전력시스템에 도입되었을 때 어떤 영향을

미치는지에 대해서, 시간별 발전 Mix, 시스템 안정성 유지위한 필요

예비력, 풍력 효율성, 계통한계가격(System Marginal Price, SMP), 지

역별 한계가격(Locational Marginal Price, LMP), 송전망 혼잡, 최적

ESS 운용 등을 포함한 종합적인 분석을 수행하였다.

요약 iii

2. 연구내용

본 연구의 체계는 크게 네 단계로 구성되어 있다.

첫 번째 단계에서는 이 연구에서 사용된 전력계통망 최적화 모형인

MPSOPF(Multi-Period Super Optimal Power Flow)의 구조와 특징에

대해서 살펴보았다. MPSOPF는 미국 전력시스템 운영 및 감시기관인

ISO(Independent System Operator)들이 실제 전력시스템 운용에 사용

하는 모형인 SCOPF에 개념적 근간을 둔 모형으로, 변동성 재생에너

지와 ESS가 전력시스템에 미치는 영향에 대한 분석을 위해 더욱 개선

된 모형이다.

기존 SCOPF(Security-Constraint Optimal Power Flow, 안전도 제약

최적조류모형)와 차별되는 MPSOPF의 특징은, 1) 기존의 일반적

SCOPF는 특정시간에 snapshot적인 전력시스템 분석만이 가능했던 데

에 비해, MPSOPF는 특정 기간(time horizon)동안 연속적인 전력시스템

분석이 가능하고, 2) MPSOPF는 입력값으로 결정론적(deterministic) 정

보뿐만 아니라 확률분포를 따르거나 확률적 값을 가지는(stochastic)

정보도 처리가 가능하며, 3) MPSOPF는 전력시스템의 안정성을 유지

하는 데 필요한 예비력(reserve)의 양을 모형 내부적으로 결정해준다.

MPSOPF 모형을 통해서 수행할 수 있는 분석내용으로는, 발전원별

믹스분석, 네트워크 효과분석(송전망혼잡 분석), 변동성 재생에너지

영향분석, ESS 영향 분석, 전력시스템 운용비용 분석, 수요자원, 전기

차 등 전력시장 신기술에 대한 영향 분석, 전력시장 새로운 정책, 요

금구조변화 등 스마크그리드 기술과 새로운 전력정책에 대한 종합적

인 영향 분석이 가능하다.

두 번째 단계에서는 MPSOPF 모형을 이용하여 제주도 전력계통망

iv

모형을 구축하였다. 제주도 전력계통망은 한라산을 중심에 둔 환상형

형태의 전력계통망 구조를 가지고 있는데, 크게 세 가지의 발전원, 기

저로 사용되는 육지에서 들어오는 2기의 HVDC(350MW, High

Voltage DC), 전통적인 화석연료발전소(590MW), 그리고 풍력

(156.3MW)이 주가 되는 신재생에너지 발전이 그 세 가지이다. 제주

도는 2020년까지 풍력보급을 해상풍력을 중심으로 597MW까지 확충

할 계획을 가지고 있으며, 이는 2014년 제주도 피크수요대비 84%수

준으로 본격적인 계통안정성 분석과 관리가 필요할 것으로 예상된다.

세 번째 단계에서는 풍력이 전력시스템에 미치는 영향 분석을 위해

MPSOPF에 하부모듈로 들어가게 되는 풍력 확률 모형을 개발하였다.

풍력확률모형 개발은 다시 다음과 같이 네 부분으로 나누어 설명할

수 있다.

1) 풍속예측모형을 2-스테이지 ARMAX 모형 (Autoregressive-Moving-

Average model with Exogenous Inputs)을 이용하여 구축하였다.

2-스테이지 중 첫 번째 스테이지에서는 결정론적(deterministic)

정보인 계절별 주기, 일간 주기 등의 정보와 기온정보를 설명변수로 이

용해 정보를 추출하였고, 두 번째 스테이지에서는 ARMA(Autoregressive

-Moving -Average model) 모형을 적용하여 첫 번째 스테이지의

residual 속에 녹아있는 정보를 추출하는 통계작업을 수행하였다.

2) 위 1)에서 도출된 풍속예측모형을 기반으로, Monte Carlo Simulation

방법론을 적용하여 풍속 profile 1000개 샘플을 생성하였다.

3) 2)에서 생성된 풍속 샘플 profile을 풍력 profile로 변환하는 작업을 수

행하였다. 국제전기표준회의(International Electrotechnical Commission,

IEC)에서 기준으로 정한 풍력 변환 power curve중 IEC-3 커브를

요약 v

이용하여 풍력 변환을 하였다.

4) 3)에서 얻은 풍력 예측 profile 1000개 샘플에서 패턴, 변동성, 불

확실성을 대표할 수 있는 5개의 풍력 시나리오 profile을 추출하

였다. 5개의 시나리오 profile은 샘플 profile의 95% 신뢰수준에

서 변동성을 대표할 수 있는 범위로 선정이 되었다. 그리고 5개

시나리오 profile가 t에서 t+1으로 이동할 때의 확률값을 정의해

줄 수 있는 markov transition probability 을 도출하였다. 그래서

이 지역별 풍력 예측값을 대표해주는 5개의 시나리오 profile과

markov transition probability를 입력값으로 이용해서 MPSOPF

상에 풍력을 모델링하였다.

마지막으로 본 연구 추진체계의 네 번째 단계에서는 구성된 MPSOPF

제주도 전력계통망과 풍력확률모형을 이용해서, 정책시나리오 분석을

통해 풍력과 ESS가 전력시스템의 안정성과 경제성에 대한 영향성을

종합적으로 분석하였다. ‘제4차 신재생에너지 기본계획’과 제주도 지

역 에너지 개발 계획 등을 바탕으로 시나리오를 산정하여, 높은 수준

의 풍력과 ESS 용량이 향후 제주도 전력시스템에 도입되었을 때 어떤

영향을 미치는지에 대해서, 시간별 발전 Mix, 시스템 안정성 유지위한 필

요예비력, 풍력 효율성, SMP(System Marginal Price), LMP (Locational

Marginal Price), 송전망 혼잡, 최적 ESS운용 등을 포함한 종합적인

분석을 수행하였다.

종합적인 전력시스템 영향분석과 더불어 보다 핵심적인 분석으로,

재생에너지 용량별 계통 영향, 제주도 계통 내 필요 송전망 규모, 적

정 ESS 용량 탐색 등에 대한 분석도 추가적으로 수행하였다. 특히 적

정 ESS 용량 탐색에서는 기존의 ESS 편익분석 시 대표적으로 고려되

vi

는 시세차익거래(price arbitrage trade)를 통한 수익만으로 ESS의 경

제성을 달성하기는 힘들며, ESS가 실제 전력시스템의 효율성 개선에

기여하는 모든 부분, 1) 값비싼 피크수요를 값싼 비피크시간대로 옮겨

줌으로써 발전비용을 낮추고, 2) 피크발전용량을 경감시켜 용량비용을

낮추고, 3) 풍력의 변동성을 경감시켜 예비력 비용을 낮추는 부분에

대한 기여를 모두 합리적으로 보상받을 때 충분한 경제성이 확보되는

것으로 나타났다. 마지막으로는 본 전력계통망 모형의 확장적 활용가

능성과 국가 National 모형으로의 구축 가능성을 모색하였다.

3. 연구의 의의

본 연구의 학술적·정책적 의의는 다음과 같다.

첫째, 보다 과학적이고 실제 전력시스템 운용관점에 근접한 전력시

스템 최적화 모형을 구축함으로써 전력계통망에 새로 도입될 기술과

정책에 대한 사전 영향분석을 할 수 있는 플랫폼을 구축했다는 것이

다. 풍력과 태양광과 같은 변동성 신재생에너지와 ESS 보급을 포함해

서 최근에 도입된 수요자원시장, 실시간 전력요금제, 전기자동차 보급

확산, 탄소배출비용 등 새로운 기술, 정책, 제도가 전력시스템에 미치

는 영향을 선제적으로 분석하고 개선방안을 모색할 수 있는 분석툴을

가짐으로써 기술과 정책을 구현하는 데 드는 시간적, 경제적 시행착오

를 줄이는 데 기여할 수 있을 것이다.

둘째, 풍력의 높은 변동성과 불확실성이 전력시스템에 가져오는 안

정성 저하문제에 대해서 분석하였다. “바람은 공짜이지만, 풍력을 전

력시스템에서 사용하는 것은 공짜가 아니다”라고 전력시스템 운용자

들은 말한다. 이 풍력을 전력시스템에서 사용할 때 발생하는 계통안정

요약 vii

성문제를 해결하기 위해서 발생하는 추가적인 예비력 비용의 규모에

대해서 체계적인 분석을 하였다.

셋째, 풍력과 연계되어 사용되는 ESS가 풍력의 변동성을 얼마나 효

율적으로 개선시키고, 전력시스템 운용에 어떤 경제적인 기여를 하는

지에 대해서 분석하였다. 일반적으로 알려진 ESS의 경제성 평가요소

인 시세차익거래(Price Arbitrage Trade)는 ESS 경제성의 일부분일 뿐

이며, ESS 경제성의 상당한 부분이 풍력 변동성 경감에 따른 예비력

비용 절감과 피크부하 감소에 따른 피크발전용량 비용 경감에서 기인

하는 것임을 도출하였다.

넷째, 제주도 풍력단지의 풍력을 예측할 수 있는 풍력확률모형을 개

발하고, 이를 바탕으로 실제 전력시스템 운용관점에서 참고할 수 있는

풍력 시나리오를 도출했다는 것이다. 풍력의 변동성과 불확실성이 전

력시스템에 미치는 영향을 연구하는 데 있어서 실제 풍력의 특성을

잘 포괄할 수 있는 풍력시나리오를 도출하는 것이 아주 중요한데, 본

연구에서는 과학적 체계를 갖춘 풍력확률모형을 이용해서 설득력 있

는 풍력시나리오를 도출 하였다.

마지막으로 “모든 시장참여자는 사용하는 서비스에 대해서 비용을

지불하고, 제공하는 서비스에 대해서 보상을 받아야 한다”는 기본적인

경제학 원리가 있다. 본 연구에서는 이 경제학 원리가 전력시장에 효

과적으로 적용됐다는 가정을 바탕으로, ESS가 전력시스템 운영에 기

여하는 모든 요소들, 즉 발전비용, 예비력비용, 용량비용 경감에 대한

객관적인 경제성 평가를 수행하였다. 그러면서 이러한 기여에 대한 평

가와 보상이 투명하고 합리적으로 이루어질 때, 시장에서 ESS와 신재

생에너지의 원활한 보급이 이루어질 것임을 보여주고 있다.

Abstract i

ABSTRACT

1. Background and Issues

Recently, power systems have witnessed many changes and

challenges. The demand for electric power is increasing rapidly for

services, such as transportation and heating, which once used fossil

fuels. As regulation on greenhouse gases emitted from fossil fuel

power plants have tightened, their costs have increased. Further, these

regulations are no longer merely guidelines for the power system

operator to reference, but are becoming crucial binding constraints.

Furthermore, as the social acceptance of traditional power generation

facilities (i.e., nuclear power plants and transmission network facilities)

is decreasing rapidly, social costs are significantly increasing.

The solution to this is renewable energy. It contributes to the

reduction of greenhouse gas emissions, has high social acceptance, and

(given its large supply potential) has received much attention. The

Levelized Cost of Energy (LCOE) of solar pv and wind generation,

the representative renewable energies, are $0.16/kWh, $0.07/kWh,

respectively. This almost approaches the LCOE of traditional thermal

power generation. By 2029, an abundant supply of 16.6 GW of solar

power and 8.1 GW of wind power is projected for South Korea.

However, when Variable Renewable Energies (VRE), such as solar

ii

pv and wind generation are introduced to the power system in large

scales, power systems safety issues can arise due to high variability

and intermittency, as well as uncertainty. Therefore, it is important to

proactively analyze the effects of VRE on the power system and

provide countermeasures.

However, the power system analysis tools that can analyze the

impact of VREs and Energy Storage Systems (ESS) in the realistic

perspective of the system operator are lacking in South Korea. The

exiting WASP and M-Core use deterministic information and focuses

on supply and demand analysis in a long-term macroscopic point of

view. Therefore, there are limitations on the microscopic analysis of

VRE and ESS operations that have stochastic characteristics.

This research will provide a stochastic power system network

optimization model that has the ability to analyze the effects of VRE

and ESS on power systems. Jeju Island’s power system network will

be used as the test-bed for research. We will detect various factors to

analyze, as well as investigate additional utilities for the model.

Based on Jeju Island’s power system network, the effects of wind

power and ESS on the safety and economic feasibility of the power

system were analyzed in diverse perspectives using policy scenario

analysis. The scenario was set up using the “Fourth Renewable Energy

Plan” and “Jeju’s regional energy development plan ,” to observe the

effects of high-level wind generation and ESS on the power system. A

comprehensive analysis was conducted that included hourly generation

Abstract iii

mix, the reserve needed to maintain system reliability, wind power

efficiency, System Marginal Price (SMP), Locational Marginal Price

(LMP), transmission network congestion, and optimal ESS operation.

2. Research Methodology and Results

This research is largely composed of four levels:

In the first level, the structure and characteristics of the Multi-

Period Super Optimal Power Flow (MPSOPF), the power system

optimization model used in this research, were observed. MPSOPF is

an improved model that is conceptually based on the Security-

Constraint Optimal Power Flow (SCOPF) model used for actual power

system operation by Independent System Operators (ISO), a US power

system operation and monitoring agency. MPSOPF analyzes the effects

of VRE and ESS on the power system.

Characteristics of MPSOPF that differentiate it from the SCOPF

are as follows. (1) The existing general SCOPF was only able to

analyze the power system at the specific time snapshots. With

MPSOPF, continuous power system analysis is possible during a time

horizon, for instance, 24-hour horizon. (2) for the model input values,

MPSOPF can take not only deterministic information but also

stochastic information with a probability distribution. (3) MPSOPF

determines the required reserve amount in the model to maintain the

reliability of the power system.

iv

An various contents which can be obtained using the MPSOPF

model makes a comprehensive effect analysis possible. Examples of

this are generation mix, network effects (transmission network

congestion analysis), VRE effects, ESS effects, power system cost, and

so on. In addition, the impact of new smart grid technologies and

policies in the electricity market can be also analyzed by MPSOPF

such as electric vehicle, demand response, rate structure changes.

In the second level, a model of Jeju’s power system network was

constructed using the MPSOPF model. Jeju’s power system network

has an annular shape with the Hallasan mountain situated in the

middle. There are mainly three types of power supply sources in Jeju:

dual HVDC (350 MW, High Voltage DC) coming in from main land

(which is used for the base load), traditional fossil fuel plants (590

MW), and wind power (156.3 MW). Jeju Island plans to increase

wind power capacity to 597 MW by 2020. This wind capacity level

corresponds to 84% of peak system load in jeju, which is very high

penetration level, so this requires a full-scale power system analysis

for reliability and efficiency in order to maintain stable power system

operation.

In the third level, a wind probability model will be used as a

subordinate model for MPSOPF to analyze the effects of wind

generation on the power system. The development of the wind

probability model is laid out in four parts:

1) A wind forecast model was built using a 2-stage ARMAX

model (Autoregressive-Moving-Average model with Exogenous

Abstract v

Inputs). In the first stage, deterministic information were

captured using seasonal and daily cycles and temperature as

explanatory variables. In the second stage, the Autoregressive-

Moving-Average (ARMA) model was used to conduct

statistical work to extract information from residual acquired

from the first stage.

2) Based on the wind forecast model derived from part one

above, 1,000 sample wind speed profiles were generated using

the Monte Carlo Simulation method.

3) The wind speed sample profiles generated from part two

above, were converted into wind power profiles using the

IEC-3 curve, a power conversion curve standardized by the

International Electrotechnical Commission (IEC).

4) Based on the 1,000 samples of wind power forecast profiles in

part three above, Five wind power scenario profiles were

selected that can represent the overall variability and uncertainty

of wind generation. The representative five scenario profiles

were selected so that it can cover the 95% confidence level of

total wind generation variability of sample profiles. A Markov

transition probability was derived that can determine the

probability value when the five scenario profiles move from t

to t + 1. Therefore, the five scenario profiles that represent the

regional wind power forecast value and the Markov transition

probability were used as input values to model wind power

vi

into the MPSOPF.

Lastly, in the fourth stage of research, the effect of wind power

and ESS on the power system’s reliability and economic feasibility

was analyzed using the constructed MPSOPF Jeju power system

network and wind power probability model. Scenarios were created

based on the Fourth Renewable Energy Plan and Jeju regional energy

development plan, to identify the effects of high penetration level of

wind power and ESS on the Jeju power system. A comprehensive

analysis was conducted that included the hourly generation mix, the

reserve needed to maintain system reliability, wind power efficiency,

System Marginal Price (SMP), Locational Marginal Price (LMP),

transmission network congestion, and optimal ESS operation.

For further comprehensive analysis of system effects, I analyzed

the impact of different levels of wind generation capacity in the

system, the required size of transmission capacity in the network, and

economically optimal level of ESS capacity. In particular, for the

optimal ESS size, this research is showing that it is difficult to justify

the installation cost of ESS with only the profit from price arbitrage

trade, which is a component primarily used for ESS benefit analysis

so far. Results show that contributions of ESS to improvements in

power system effectiveness include: (1) a reduction in generation costs

by moving the expensive peak demand to the inexpensive off-peak

period, (2) a reduction in capacity costs by lowering peak demand,

and (3) a reduction in reserve costs by mitigating the wind variability.

Abstract vii

I also investigated the applicability and possibility of building a

national model using this power system network model.

3. Significance

The academic and policy significances of this research are as

follows:

First, we have built a platform where effect analysis of

technologies and policies of power system networks can be conducted

beforehand by constructing a power system optimization model from

scientific and operational viewpoints. Using an analysis tool that can

preemptively analyze and seek improvement methods for the effects of

VRE and ESS—such as wind power and solar energy—as well as

new technologies and policies—such as demand response, real-time

prices, electric vehicles, and carbon emission costs—we need to reduce

the time taken and errors made in planning and realizing technologies

and policies.

Second, we analyzed the reliability issues that wind power, which

has high variability and uncertainties, can bring to the power system.

Power system operators say, “wind is free, but it is not free to use

wind in power systems.” To solve the system reliability issues caused

by wind variability, systematic analysis on the size of additional

reserve costs was conducted.

Third, we analyzed how efficiently ESS, which is used linked to

wind power, improves the variability of wind generation and what kind

viii

of economic contributions consequently arise. The analysis showed that

the Price Arbitrage Trade, which is generally known as a main

component when evaluating the value of ESS is only a part of it, and

a large part of the economic feasibility of ESS comes from its

contribution in reducing reserve costs by mitigating wind variability and

reducing peak generation capacity costs by lowering peak system load.

Fourth, we have developed a wind power probability model that

can predict the wind generation profiles of wind farms in Jeju. Using

this model, wind power scenarios were created that can be used for

actual power system operations. It is very important to draw wind

power scenarios that include actual wind power characteristics when

researching the effects of the variability and uncertainty of wind power

on the power system. Persuasive wind power scenarios were created

using an empirical wind power probability model.

Last, there is a basic economic principle that states, “all market

participants should pay for the services that they use and get paid for

the services that they provide.” Based on the assumption that this

principle is effectively applied to the electricity market, this study

conducted objective economic feasibility assessment for all the factors

that ESS contributes to the operation of the power system. These

include the reduction of generation cost, reserve cost, and capacity

cost. When the evaluations and compensation of these contributions are

occurring rationally and transparently, the effective deployment of ESS

and renewable energy will be possible in the market.

차례 i

제목 차례

제1장 서 론 ················································································· 1

제2장 세계 재생에너지 전력 부문 전망 및 변동성 재생에너지

도입의 문제점 ·································································· 7

1. 세계 재생에너지 전력 부문 전망 ··················································· 7

2. 변동성 재생에너지의 문제점 ························································ 14

제3장 기존 전력계통망 모형 연구 ·············································· 19

1. 전력계통망 모형의 개요와 효용 ··················································· 19

2. 미국 전력 계통망 모형 사례 ························································ 21

3. 전력계통망 모형 이용한 선행 연구 분석 ···································· 26

제4장 MPSOPF 모형 분석 ······················································ 29

1. MPSOPF 개요 및 특성 ······························································· 29

2. MPSOPF 목적함수 및 제약식 구조 ············································· 30

3. MPSOPF 핵심 구조 개념 분석 ···················································· 36

4. MPSOPF 활용가능성 분석 ·························································· 40

제5장 제주도 전력계통망 모형 구축 ·········································· 43

1. 제주도 전력계통망 모형 구축 ······················································· 44

2. 제주도 전력수요 구조 ···································································· 46

3. 제주도 풍력발전 보급 현황 및 계획 ··········································· 49

ii

제6장 풍력 확률 모형 개발 ························································ 53

1. 풍속 예측 모형 구축 ····································································· 55

2. Monte Carlo 시뮬레이션 적용한 풍속예측 profile 생성 ··········· 56

3. 풍력 profile로 변환 ········································································ 58

4. 풍력 Scenario Profile 추출 ··························································· 60

가. Markov Transition Probability 생성 ······································· 61

제7장 정책 시나리오 분석 ························································· 65

1. 정책 시나리오 구축 ······································································· 65

2. 정책 시나리오 분석 ······································································· 67

가. 계절별 대표일 시나리오 결과 분석 ········································ 67

1) 최적 발전믹스 분석 ······························································· 67

2) 전력시스템 최적화 결과요약 ················································ 71

3) 계절별 풍력발전 패턴 분석 ·················································· 74

4) 전력시스템 운용비용 분석 ···················································· 75

나. 지역별 계통한계가격(SMP) 및 송전망 혼잡 분석 ················ 77

1) 지역별 계통한계가격 분석(SMP) ········································· 77

2) 잠재적인 송전망 혼잡 효과 분석 ········································· 80

다. ESS 최적 운용 패턴 분석 ······················································· 82

1) ESS 충방전 패턴 분석 ·························································· 82

2) ESS 저장 에너지량 패턴 분석 ············································· 84

3. 연간 계통운영비용 분석 ································································ 86

가. 연간 전력수요 패턴 ·································································· 86

나. Interpolation 기법 이용한 연간계통운용비용 분석 ··············· 88

1) PCHIP 보간법 이용한 연간계통운용비용 패턴 ·················· 88

차례 iii

2) 연간계통운용비용 분석 ·························································· 90

3) 풍력규모와 ESS 효용의 상관관계 분석 ······························ 93

4. 최적 ESS 용량 분석 ······································································ 95

가. Li-Ion ESS 비용 구조 및 전망 ·············································· 95

나. 최적 ESS 용량 탐색 ································································ 97

제8장 결론 및 시사점 ······························································ 101

참고 문헌 ·················································································· 105

부 록 ························································································ 109

iv

표 차례

<표 3-1> SCOPF를 통한 전력시스템 효율성 제고로 인한

비용 절감 ··············································································· 21

<표 3-2> 일일전시장(DAM) 계획 수립 시 미국 ISO별

현재 방법론 및 앞으로 계획 ················································ 25

<표 3-3> 실시간시장(RTM) 계획 수립 시 미국 ISO별

현재 방법론 및 앞으로 계획 ·············································· 25

<표 3-4> 용량시장(Capacity Market) 계획 수립 시 미국 ISO별

현재 방법론 및 미래 계획 ··················································· 26

<표 4-1> MPSOPF를 이용한 분석 가능 항목 ···································· 41

<표 5-1> 제주 전력계통망 모형, 버스 및 발전기 정보 ··················· 46

<표 5-2> 제주 전력수요 위치 정보 ····················································· 47

<표 5-3> 제주도 풍력 보급 현황(2015년 3월 기준) ·························· 50

<표 5-4> 제주도 풍력 보급 계획(2020년까지) ··································· 50

<표 5-5> 제주도 풍력단지별 보급용량(2015년 vs 2020년) ·············· 51

<표 6-1> 풍속 예측 모형 Estimation 결과 ········································· 56

<표 7-1> 5개 시나리오 정의 ································································ 67

<표 7-2> 시스템 운용 결과 요약 – 계절별 대표일 ························· 73

<표 7-3> 전력계통 운용비용 분석 - 계절별 대표일 ·························· 76

<표 7-4> Case 별 연간 계통운영비용 분석 ········································ 91

<표 7-5> 2012년 미국 발전기별 설비비용 ········································· 92

<표 7-6> 전력공급용 ESS 설비비용 세부 구성 요소 ························ 96

차례 v

그림 차례

[그림 2-1] 2014~2040년 세계 발전원별 용량증설 전망(GW, %) ······· 7

[그림 2-2] 세계 발전 원별 발전량 과거 추이 및 전망 ······················· 8

[그림 2-3] 2010년~2014년 재생에너지 원별 LCOE 변화 추이 ·········· 9

[그림 2-4] 2030년 해외 주요국 변동성 재생에너지 비율 전망 ········· 11

[그림 2-5] 2040년 EU 원별 발전량 및 CO2 intensity 전망 ··········· 12

[그림 2-6] ‘London Array’ 630MW 해상풍력 단지 ························ 13

[그림 2-7] ‘London Array’ 해상 풍력단지 지도 ································ 14

[그림 2-8] 2050년 독일 원별 발전 비중 ············································· 15

[그림 2-9] 독일 2050년 예상 전력수요 곡선과 발전믹스,

Week 42 ··············································································· 16

[그림 2-10] 대규모 풍력 계통 산입 하에 일일전 발전계획 수립

(Day-Ahead Planning) 시의 문제 ···································· 18

[그림 3-1] 미국 내 지역별 독립계통운영자(ISO) 지도 ······················ 22

[그림 4-1] MPSOPF 시간 간 부하추종 예비력(Load-Following

Ramp Reserve) 결정 메커니즘 ·········································· 37

[그림 4-2] MPSOPF 상정사고 예비력(Contingency Reserve)

결정 메커니즘 ···································································· 38

[그림 4-3] MPSOPF 구조도 ·································································· 39

[그림 5-1] 제주도 전력계통망 개념도 ·················································· 44

[그림 5-2] 제주도 전력계통망 모형, 버스, 발전기 및

송전선 정보 ········································································ 45

[그림 5-3] 제주도 2014년 여름철·겨울철 피크일 전력수요 패턴 ····· 48

vi

[그림 6-1] 기상청 제주 AWS 지점 및 풍력단지 위치 ······················ 54

[그림 6-2] Monte Carlo Simulation 이용한 여름철 피크일 예측

풍속 Profile 1000개 샘플 (m/s) ········································ 57

[그림 6-3] IEC 기준별 풍력 변환 곡선 ··············································· 58

[그림 6-4] 여름철 피크일 예측 풍력 Profile 1000개 샘플

(풍력용량대비 비율 (%)) ······················································ 59

[그림 6-5] 여름철 피크일 지역별 5개 풍력 시나리오 Profile

(풍력용량대비 비율 (%)) ···················································· 60

[그림 6-6] Markov Transition Probability의 구조도 ··························· 62

[그림 6-7] 시간별 시나리오 Transition Probability Matrix ··············· 62

[그림 7-1] 발전원별 24시간 평균 발전패턴, 여름철 피크일 ············· 69

[그림 7-2] 발전원별 24시간 평균 발전패턴, 겨울철 피크일 ············· 71

[그림 7-3] 4개 사이트별 24시간 풍력 발전 Profile,

Case 3b-계절별 대표일 ······················································· 75

[그림 7-4] 지역별 24시간 계통한계가격(SMP), 여름철 대표일 ········ 79

[그림 7-5] 24시간 지역별 계통한계가격(LMP) 송전망 혼잡에

따른 변화, 여름 피크일 ······················································ 81

[그림 7-6] 시간별 ESS 충방전 에너지량, 낮은 풍력용량 vs.

높은 풍력용량 ······································································ 83

[그림 7-7] 시간별 ESS 저장 에너지량, 낮은 풍력용량 vs.

높은 풍력용량 ···································································· 85

[그림 7-8] 우리나라 연간 최대전력수요 및 평균전력수요 패턴 ······· 86

[그림 7-9] 제주도 2014년 일 피크 전력수요패턴과 PCHIP

보간법 이용한 연간 피크수요 패턴 비교 ························· 87

[그림 7-10] PCHIP 보간법 이용한 연간 전력계통운영비용 추정 ····· 89

차례 vii

[그림 7-11] ESS도입에 따른 연간계통운영비용 절감효과 분석,

낮은 풍력 vs 높은 풍력 ··················································· 94

[그림 7-12] Li-Ion 배터리 팩 비용과 생산량 전망, 2010~30 ··········· 95

[그림 7-13] ESS 용량별 단위 ESS용량당 Operating Cost and

Total System Cost 절감 효과 분석, 2015년 vs

2020년 ESS 비용 기준 ····················································· 99

제1장 서론 1

제1장 서론

최근 전력시스템은 전 세계적으로 많은 변화와 새로운 도전에 직면

해있다. 기존에 화석연료를 사용하던 자동차, 난방, 철도등과 같은 많

은 서비스들이 전력 사용으로 전환되면서 전력 사용량이 빠르게 증가

하고 있고, Post2020으로 대변되는 기후변화에 대한 세계적인 대응기

조가 강화되면서 화석연료발전에서 발생되는 온실가스에 대한 규제와

비용이 늘어나고 있다. 실제로 우리나라에서도 올해부터 탄소배출권

거래제가 시행이 되면서 이 비용이 구체화되고 있다. 그리고 밀양 송

전탑 사태나 고리1호기 계속운전 논란 등과 같이 송전망 시설이나 원

자력 발전소 등 전통적인 전력시설 건설에 대한 주민 수용성 문제가

심화되면서 사회적비용이 급등하는 추세를 보이고 있다. 특히 원자력

발전소의 경우 사회적 비용에 더해서 발전소 폐로비용, 폐기물 처리비

용, 잠재적 사고위험에 대한 사회적 비용 등이 최근에 주목받으면서

시설 확충이 더욱 어려워지고 있는 모습이다.

이런 문제점들에 대한 해결책으로 친환경적이고, 사회적 수용성이

높으며, 큰 보급 잠재력을 가지고 있는 재생에너지가 주목을 받고 있

다. 최근 10여 년 사이 빠른 기술발전으로 에너지균등화비용(Levelized

Cost of Energy, LCOE)이 급격히 낮아지면서 재생에너지 발전비용이

화석연료발전 수준에 근접한 그리드 패리티(Grid Parity)에 빠르게 접

근해 가고 있다. 2014년 기준 세계적으로 LCOE가 태양광 발전의 경

우 평균 $0.16/kWh, 육상풍력은 $0.07/kWh, 해상풍력은 0.15/kWh 수

준으로 화력발전의 LCOE $0.045/kWh ~ 0.14/kWh 수준에 거의 접근

2

을 했고, 일부 입지조건이 좋은 지역은 이미 안정적으로 진입을 했

다.1) 이런 경제성을 바탕으로 덴마크, 독일, 영국을 중심으로 한 유럽

국가들과 미국, 중국 등에서 대규모로 풍력과 태양광 발전 도입이 이

미 이루어졌거나, 계획되고 있으며 우리나라에서도 올해 7월 발표된

‘제7차 전력수급계획’에 따르면 2029년까지 풍력과 태양광이 각각

8.1GW와 16.6GW 수준의 높은 보급이 계획되어있다.

하지만 풍력과 태양광 발전으로 대변되는 변동성 재생에너지(VRE,

Variable Renewable Energy)는 필요할 때 필요한 만큼 만들어 쓸 수

없고, 간헐성, 불확실성이 높기 때문에 높은 수준으로 보급이 되었을

때 기존 전력시스템의 운용과 안정성에 영향을 미치게 된다. 전력시스

템의 안정성(Reliability)은 실시간 수급안정성(Security)과 공급의 적정

성(Adequacy) 이렇게 크게 두 가지 관점에서 평가를 한다. 전자는 미

시적인 관점에서 계통운영자가 시간, 분 단위에서 연속적으로 전력 수

요와 공급을 일치시켜야 하는 문제를 의미하고, 후자는 거시적인 관점

에서 장기적인 수요전망을 통해 발전설비용량을 적정 수준으로 확보

해 나가는 것을 의미한다. 변동성 재생에너지가 전력시스템에 미치는

안정성 문제는 전자인 실시간 수급안정성의 문제이다. 기존의 실시간

수급안정성 문제는 변동성을 가지는 전력 수요를 제어가능한 발전 설

비를 이용해 맞춰주는 형태였는데, 변동성 재생에너지가 전력시스템

에 들어오면 변동성 있는 전력 수요를 변동성 있는 발전설비로 맞추

어야 하는 문제가 생기는 것이다.

“바람은 공짜이지만, 풍력을 전력시스템에서 사용하는 것은 공짜가

아니다”라는 말을 전력시스템 운용의 입장에 있는 사람들은 하곤 한

1) 국제재생에너지기구(IRENA) 2014년 보고서, “Renewable Power Generation Costs”

제1장 서론 3

다. 변동성 재생에너지 중 특히 풍력이 높은 변동성과 간헐성을 보이

는데, 풍력은 바람 자체는 연료비용이 발생하지 않는 무료이지만, 풍

력이 유발하는 높은 불확실성과 변동을 제어하기 위해 추가적인 예비

역(Reserve)을 확보해야하기 때문에 계통운용상에 비용이 발생하게

되는 것이다. 이렇게 풍력이 도입되는 보급 수준에 따라서 요구되는

계통운용상의 모든 비용이 체계적이고 포괄적으로 산정할 수 있어야

객관적인 풍력의 경제성과 편익을 추정할 수 있을 것이다.

변동성 재생에너지와 ESS(Energy Storage System)의 결합이 계통

운영상에 가져오는 영향과 경제성에 대한 연구도 중요성이 높아지고

있다. ESS의 가격이 빠르게 하락하면서, 변동성 재생에너지의 계통내

안정성을 개선시키는 데에 효과적인 방안으로 부각되고 있으며, 우리

나라에서도 정책적으로 RPS(Renewable Portfolio Standard)에서 해상

풍력과 ESS가 함께 설치되었을 경우 REC(Renewable Electricity

Certificate) 5.52)를 주는 지원책을 시행하고 있다. 이는 현재 RPS제도

하에서 지원되는 신재생에너지 기술 중 가장 높은 REC가중치이다.

이렇듯 기존에 사업자 관점에서 ESS 설치를 통해 밤 시간 저렴한 에

너지를 저장해뒀다가 낮 피크시간 에너지를 되파는 시세차익매매

(Price Arbitrage)에서 오는 효용뿐만 아니라, 계통운영자 관점에서 예

비력을 대체하고 계통안정성에 기여하는 측면 등을 종합적으로 고려

한 ESS의 경제성 분석이 필요하다.

하지만 변동성 재생에너지와 ESS의 특징을 잘 포괄할 수 있는 전력

시스템 분석 모형이 아직 국내에는 미비한 실정이다. WASP이나

M-Core와 같은 기존 분석모형들은 결정론적(Deterministic) 정보를 이

2) 풍력설비와 연계된 ESS설비는 ’15년 5.5 REC, ’16년 5 REC, ’17년 4.5 REC로 조정될 예정임

4

용한 거시적 관점에서의 수급 분석에 초점이 맞춰져있다. 즉 앞서 언

급한 전력시스템 안정성(Reliability)의 두 가지 관점 중 후자인 거시적

인 공급의 적정성 부분(Adequacy)의 분석에 초점이 맞춰져있는 모형

들인 것이다. 때문에 확률적(Stochastic) 특성을 띄는 변동성 재생에너

지와 ESS 운용이 전력계통에 미치는 실시간 수급안정성(Security) 영

향 분석에는 한계를 가지고 있다. 변동성 재생에너지의 계통 안정성에

대한 분석은 실시간 수급안정성(Security) 유지를 위한 예비력 확보와

이를 위한 비용 분석이 핵심이기 때문에, 풍력과 태양광 발전을 우리

나라에 본격적으로 보급하기 위해서는 변동성 재생에너지의 계통영향

에 대한 분석을 선제적으로 할 수 있는 전력시스템 분석 모형이 필수

적이라 할 수 있다.

본 연구에서는 변동성 재생에너지와 연계된 ESS 최적 운용이 전력

시스템에 미치는 영향에 대한 분석이 가능한 확률적 전력계통망 최적

화 모형을 제안하고, 제주도 전력계통망을 시범 연구 모형(Test-Bed)

으로 이용해 본 모형의 활용 방법과 추가적 활용가능성에 대해서 탐

색해 보고자 한다. 연구에서 사용하는 확률적 전력계통망 최적화 모형

은 Multi-Period SuperOPF(MPSOPF)라는 모형으로, 이 모형은 미국

연방에너지규제청(FERC) 산하에 있는 CERTS와 PSERC3)의 지원하

에, Cornell University에서 개발된 전력시스템 분석 모형이다. 이

MPSOPF는 PJM, NYISO, CAISO등 미국 지역단위 전력시스템 운영

기구인 ISO(Independent System Operator)4)들이 전력운용계획수립을

3) CERTS(Consortium for Electric Reliability Technology Solutions), PSERC( Power System Engineering Research Center)

4) ISO는 미국 연방에너지규제청(Federal Energy Regulatory Commission, FERC)의 명령으로 지역별로 전력시스템의 건설, 운용, 감시를 전담하는 기관으로 PJM은 미 동부 14개 주(Delaware, Illinois, Indiana, Kentucky, Maryland, Michigan,

제1장 서론 5

위해 사용하는 일반적 모형인 안전도제약 최적조류모형(Security-

Constraint Optimal Power Flow, SCOPF)의 일종으로써 변동성 재생

에너지와 ESS 분석으로 진화된 모형이다. 이 모형은 2009년 본격적인

개발이후 계속해서 업데이트 및 개선이 이루어지고 있으며, 1,500회가

넘는 피인용5)을 현재 기록하고 있다. 본 저자도 2012년부터 2014년까

지 이 모형의 테스트와 풍력모형 개발부 분에 연구진으로 참여했다.

본 연구에서는 이 확률적 전력계통망 최적화 모형(MPSOPF)을 이

용해서 제주 전력계통망 모형을 구축하여 풍력과 ESS가 전력시스템

의 안정성과 경제성에 미치는 영향을 입체적으로 분석하였다. ‘제4차

신재생에너지 기본계획’과 제주도 지역 에너지 개발 계획 등을 바탕

으로 시나리오를 산정해서, 높은 수준의 풍력과 ESS 용량이 향후 전력

시스템에 도입되었을 때 어떤 영향을 미치는지에 대해서, 시간별 발전

Mix, 시스템 안정성 유지위한 필요예비력, 풍력 효율성, SMP(System

Marginal Price), LMP(Locational Marginal Price), 송전망 혼잡, 최적

ESS운용 등을 포함한 종합적인 분석을 수행하였다.

본 모형을 이용한 선제적 분석을 통해 풍력과 ESS가 계통 안정성

및 경제성에 미치는 영향 분석과 더불어, 재생에너지 용량별 영향, 제

주도 계통 내 필요 송전망 규모, 적정 ESS 용량 등에 대한 분석도 추

가적으로 수행하였다. 특히 적정 ESS 용량 탐색에서는 기존의 ESS

New Jersey, North Carolina, Ohio, Pennsylvania, Tennessee, Virginia, West Virginia, the District of Columbia), NYISO는 New York 주, ISONE는 New England 6개 주(Connecticut, Maine, Massachusetts, New Hampshire, Rhode Island, Vermont), 그리고 CAISO는 California 주를 관할하고 있다

5) Zimmerman(2011) “MATPOWER: Steady-state operations, planning, and analysis tools for power systems research and education” 논문이 2015년 7월 기준 879회 인용된 것을 비롯해 MPSOPF모형 관련 연구 실적이 1500회가 넘는 피인용을 현재 기록중이다.(2015년 7월 기준)

6

편익분석 시 대표적으로 고려되는 시세차익거래(price arbitrage)를 통

한 수익만으로 ESS의 경제성을 달성하기는 힘들며, ESS가 실제 전력

시스템의 효율성 개선에 기여하는 모든 부분, 1) 값비싼 피크수요를

값싼 비피크시간대로 옮겨줌으로써 발전비용을 낮추고, 2) 피크발전용

량을 경감시켜 용량비용을 낮추고, 3) 풍력의 변동성을 경감시켜 예비

력 비용을 낮추는 부분에 대한 기여를 모두 합리적으로 보상받을 때

충분한 경제성이 확보되는 것으로 나타났다. 마지막으로는 본 전력계

통망 모형의 확장적 활용가능성과 국가 National 모형으로의 구축 가

능성을 모색하였다.

본 연구보고서의 구성은 다음과 같다. 제2장에서는 세계 재생에너

지 전력부문 전망과 변동성 재생에너지의 전력시스템 도입증가에 따

른 문제점에 대해서 살펴보고, 제3장에서는 체계적인 전력계통망 모

형을 이용한 연구의 필요성을 살펴보고, 전력계통망 최적화 모형을 실

제 운용에 이용하고 있는 사례와 본 모형을 이용한 선행연구에 대한

조사를 하였다. 제4장에서는 이 연구에서 사용된 전력계통망 최적화

모형인 MPSOPF의 구조와 특징에 대해서 살펴보았고, 제5장에서는

MPSOPF를 이용하여 제주 전력계통망 모형을 구축하였다. 제6장에서

는 풍력이 전력시스템에 미치는 영향 분석을 위해 MPSOPF에 하부모

듈로 들어가게 되는 풍력 확률 모형을 개발하였고, 제7장에서는 시나

리오 분석을 통해서 구축된 제주 전력계통망 모형에서 풍력과 ESS가

전력시스템의 안정성과 경제성에 어떤 영향을 미치는지 종합적으로

분석하였다. 끝으로 제8장에서는 결론과 시사점에 대해서 논의하였다.

제2장 세계 재생에너지 전력 부문 전망 및 변동성 재생에너지 도입의 문제점 7

제2장 세계 재생에너지 전력 부문 전망 및변동성 재생에너지 도입의 문제점

1. 세계 재생에너지 전력 부문 전망

가. 세계 재생에너지 전력 보급 전망

세계 재생에너지 보급이 풍력과 태양광을 중심으로 가속화되고 있

는 추세이다. [그림 2-1]에 나타난 IEA 전망에 따르면 2040년까지 증

설되는 전체 발전용량(7,207GW)의 절반 이상인 52%가 재생에너지일

것으로 전망이 됐다. 이는 같은 기간 증설되는 원자력 발전의 10배 수

준이고, 석탄발전의 2.7배, LNG발전의 2.3배 수준으로 다른 발전원을

압도하는 용량증설과 투자가 예상이 된다. 재생에너지 중 풍력이 가장

높은 38%, 다음으로 태양광 발전이 27%를 차지할 것으로 전망되면

서, 변동성 재생에너지가 전체의 65%를 차지하는 것으로 나타났다.

[그림 2-1] 2014~2040년 세계 발전원별 용량증설 전망(GW, %)

(a) 전체 발전원 (b) 신재생에너지 발전원자료: IEA 2014, World Energy Outlook

8

[그림 2-2]에서 보는바와 같이 IEA의 전망에 따르면, 2014년 기준

재생에너지의 발전량은 원자력과 LNG발전의 발전량을 추월했으며,

2035년 석탄발전량 마저 추월할 것으로 보인다. 그래서 재생에너지는

2040년에 약 13,000TWh을 생산하면서 세계 발전량 중 약 1/3을 점유

하는 최대 발전원으로 자리매김 할 것으로 전망되고 있다.

[그림 2-2] 세계 발전 원별 발전량 과거 추이 및 전망

자료: IEA(2014), World Energy Outlook 2014

나. 재생에너지 원별 LCOE 변화 추이

앞서 살펴본 재생에너지의 빠른 보급 전망은 기술발전에 따른 재생

에너지 원별 LCOE의 가파른 하락 추세에서 기인한다. [그림 2-3]에

나타난 IRENA 보고서에 따르면, 태양광발전은 LCOE가 2010년

$0.27/kWh에서 $0.18/kWh 수준으로 하향 안정화 되면서, 화석연료발

전의 LCOE인 $0.045/kWh ~ 0.14/kWh 범위에 일부 일사조건이 좋은

지역의 태양광은 도달을 한 상태이며, 육상풍력은 LCOE가 $0.07/kWh

제2장 세계 재생에너지 전력 부문 전망 및 변동성 재생에너지 도입의 문제점 9

수준으로 발전비용이 안정적인 화석연료발전 수준에 도달하면서 거의

그리드 패리티(Grid Parity)에 도달했음을 알 수 있다. 잠재량이 어마

어마한 해상풍력은 2014년 LCOE가 $0.14/kWh 수준으로 빠르게 하

향 안정화되면서 그리드 패리티에 근접해 가고 있다.

현재의 추세라면 2020년경을 기점으로 태양광과 해상풍력이 안정적

인 그리드패리티에 도달하면서 전 세계적으로 폭발적인 보급이 이루

어 질것으로 전망된다. Post2020 발표를 통한 세계적인 기후변화대응

기조 강화 속에 탄소거래제등 환경오염물질에 대한 비용이 높아지면,

재생에너지는 화석연료발전에 비해 상대적으로 더욱 경제성을 확보하

게 되고, 더 강한 보급의 모멘텀으로 작용할 것으로 전망된다.

[그림 2-3] 2010년~2014년 재생에너지 원별 LCOE 변화 추이

자료: IRENA(2015), Renewable Power Generation Costs in 2014 주: 원의 크기는 각 프로젝트의 규모를 나타낸다. 각 원의 중심이 각 프로젝트의

LCOE값을 y축상에 보여주고 있다. 금융비용에 대한 가중평균치의 기준은 OECD국가와 중국의 경우엔 7.5%, 그 외의 국가엔 10%를 가정하였다.

10

다. 해외 주요국 변동성 재생에너지 보급 전망

전력부문에서 재생에너지의 핵심적인 원은 수력이었지만, 풍력과

태양광이 기술력과 경제성이 갖춰지면서 빠르게 증가하고 있다. 세계

적으로 현재 풍력과 태양광의 발전용량은 전체 발전용량 중 2.5%에

그치고 있지만, 2030년에는 15%까지 증가할 것으로 전망되고 있다.6)

[그림2-4]에 나타난 IRENA 전망에 따르면, 2030년 발전용량 기준으

로 변동성 재생에너지가 전체 발전용량에서 차지하는 비중이 덴마크

는 약 86%, 독일은 74%, 영국은 61%에 이를 것으로 전망됐다.

‘Danish Wind’로 상징되는 덴마크의 경우 2013년에 전체 전력소비

량의 33%, 2014년에 39%를 풍력으로 공급했다. 이런 높은 풍력용량

수준을 덴마크가 감당할 수 있었던 주요 이유는 Nordic Power

Exchange라는 독일, 스웨덴, 노르웨이, 덴마크를 아우르는 국가 간 그

리드로 연결이 되면서, 스웨덴의 원자력, 노르웨이의 양수발전(pumped

hydro)를 이용해 풍력의 변동성에서 기인하는 계통의 안정성문제를

해결할 수 있었기 때문이다. 덴마크의 경우 이미 과거 10여 년간 풍력

변동성에서 기인하는 계통안정성문제를 해결하기 위한 방안들을 피크

용 발전설비, 예비력 용량, 정교한 수요전망, 양수발전, 수요자원이용

등을 이용한 복합적인 해결책을 강구해오고 있지만, 가장 이 문제 해

결에 크게 기여하는 부분이 이 Nordic Power Exchange라는 국가 간

그리드를 이용한 계통 안정성 제어 및 안정적인 전력 공급이었다.

6) IRENA(2014b). REmap 2030

제2장 세계 재생에너지 전력 부문 전망 및 변동성 재생에너지 도입의 문제점 11

[그림 2-4] 2030년 해외 주요국 변동성 재생에너지 비율 전망

자료: IRENA(2014), REmapp 2030

이런 지정학적인 어드밴티지와 높은 사회적 수용성을 바탕으로 유

럽에서는 빠른 재생에너지의 보급이 전망되고 있으며, [그림 2-5]에서

볼 수 있듯이, 2040년 기준으로 전체 발전량의 50% 이상을 재생에너

지로 충원할 계획을 가지고 있다. 이 전망을 달성하게 되면, 2012년

현재 단위 kWh 발전당 CO2배출량이 약 320 gCO2/kWh에서 2040년

약 130 gCO2/kWh로 감소할 것으로 전망되고 있다. [그림 2-5]에서

보다시피, 재생에너지 발전량이 늘어나는 만큼 석탄발전량이 감소하

면서, 2040년에는 석탄발전이 전체의 10% 미만으로 감소할 정도로

재생에너지가 석탄발전을 효과적으로 대체하고 있음을 알 수 있다. 이

12

는 Post2020에서 강조한 세계적인 기후변화대응기조에 있어서 재생에

너지의 중요한 역할을 잘 보여주는 예라 하겠다.

[그림 2-5] 2040년 EU 원별 발전량 및 CO2 intensity 전망

자료: IEA(2014), World Energy Outlook

라. 풍력 발전의 특성 및 보급 현황

2013년 중반 기준, 전 세계적으로 300GW의 풍력발전이 도입되었

고 최적입지조건에서는 육상풍력의 LCOE가 $0.05/kWh까지 도달 가

능한 것으로 나타났다.7) 육상 풍력은 소형풍력부터 대형풍력까지 입

지 조건과 수요처의 조건에 맞게 개발되면서 10kW급의 소형 풍력부

터 3MW급까지 다양하게 개발되었다. 해상풍력은 송전망 연결 등에

서 오는 높은 비용으로 인해 규모의 경제를 이루기 위해 대규모단지

로 조성되는 경향이 있다. 최근까지 조성된 해상풍력 단지의 평균 규

모는 200MW이며 세계에서 가장 큰 해상풍력 단지는 2013년에 지어

진 ‘London Array’로 630MW 규모로 조성이 됐다. 해상풍력은 주민

7) 낮은 LCOE는 풍속자원 조건과 노동비용등 지리적, 사회적 환경 요인에 의해서 결정된다

제2장 세계 재생에너지 전력 부문 전망 및 변동성 재생에너지 도입의 문제점 13

수용성 문제에서 자유로워서 자원 잠재량이 무궁무진하고, 인구가 밀

집된 도시들이 바다에 인접한 곳에 많이 분포하고 있기 때문에 수요

처로 연결하기에 용이한 측면이 있다. 하지만 여전히 육상풍력의

LCOE인 $0.07/kWh보다 두 배 높은 $0.14/kWh를 보이고 있다.

해상풍력 터빈의 크기는 육상풍력보다 커서, 5~7MW급이 주를 이

루고 있고, 10MW급도 최근 들어 개발되어 도입되고 있다. 2020년까

지 유럽에서 해상풍력이 40GW 규모까지 보급될 전망이다.

영국은 가장 큰 해상풍력의 도입 국가 중 하나로 해상풍력의 효율이

40~50%에 이르기 때문에 baseload에 근접한 발전량을 보여주고 있다.

[그림2-7]에서 보듯이 Kent와 Essex 해안의 연안바다에 245 km2 면적

에 걸쳐 조성된 ‘London Array’ 사업은 1단계 630MW 규모로 2009년

에 프로젝트가 승인되고 2년여간의 건설 끝에 2013년 4월부터 가동

중에 있다. 2단계 사업은 240MW급으로 현재 계획 중에 있다.

[그림 2-6] ‘London Array’ 630MW 해상풍력 단지

자료: http://forum.xcitefun.net/world-biggest-offshore-wind-farm-london-array-t92212.html, 검색일: 2015-08-02

14

[그림 2-7] ‘London Array’ 해상 풍력단지 지도

자료: www.siemens.com/press/photo/soew201203-01e, 검색일:2015-09-03

2. 변동성 재생에너지의 문제점

덴마크를 비롯한 유럽 여러 국가에서 이미 상당한 수준의 변동성

재생에너지가 전력계통에 도입이 됐고, 앞서 언급했듯이 계통안정성

문제해결을 위해서 인접국가 그리드 연계, 피크용 발전설비, 예비력

용량, 정교한 수요전망, 양수발전, 수요자원이용 등을 이용한 복합적

인 해결책을 강구하고 있다.

독일은 현재 25% 수준의 재생에너지를, [그림 2-7]에 나타난 Fraunhofer

전망에 따르면 2050년까지 전체 발전량의 92% 수준까지 증가시킬 것

으로 전망되고 있다. 이 중 풍력이 50%, 태양광이 10% 차지할 것으

로 전망되어서, 전체 전력공급량 중 60%가 변동성 재생에너지에 의해

서 공급되는 것으로 나타났다.

제2장 세계 재생에너지 전력 부문 전망 및 변동성 재생에너지 도입의 문제점 15

[그림 2-8] 2050년 독일 원별 발전 비중

자료: Fraunhofer ISI(2014), “Transition of The German and European Electricity System – The Inpact of Renewable Energies on the Electricity Market” 발표자료

[그림 2-9] 2050년 42번째 주에 독일의 예상전력수요와 발전 믹스

를 보여주고 있다. 빨간 선이 전력수요 패턴을 보여주고 있고, 아래

기저발전으로 들어가고 있는 것들이 변동성 재생에너지인, 육상풍력,

해상풍력, 태양광 발전이다. 이 Fraunhofer 보고서에서는 변동성 재생

에너지의 변동성을 통제가능한 발전기(Dispatchable Generator)와 ESS

그리고 수요자원을 유연하게 이용해서 계통안정성을 유지해야 한다고

강조하고 있다.

16

[그림 2-9] 독일 2050년 예상 전력수요 곡선과 발전믹스, Week 42

자료: Fraunhofer ISI(2014), “Transition of The German and European Electricity System – The Inpact of Renewable Energies on the Electricity Market” 발표자료

가. 변동성 신재생에너지가 계통 운영에 미치는 문제

기존의 변동성 신재생에너지, 특히 풍력이 없는 전력계통의 경우에

는, [그림 2-10]의 (a)와 같이 계통운영자(System Operator)는 24시간

예상전력수요에 기반하여 일일전 발전계획(Day-Ahead Planning,

DAP)을 수립하였다. 하지만 계통에 대규모로 풍력이 도입되게 되면,

(b)와 같이 24시간 예측 풍력 시나리오를 산정해서, 기존 전력수요에

서 예측 풍력값을 뺀 Net Load((a)-(b))를 기준으로 일일전 전력운용

계획을 수립해야 한다.

Net Load는 [그림 2-10]의 (c)와 같이 풍력의 변동성과 불확실성으

로 인해 확률값을 가지는 여러 개의 시나리오로 표현 되어질 수 있다.

제2장 세계 재생에너지 전력 부문 전망 및 변동성 재생에너지 도입의 문제점 17

이렇게 가능한 모든 시나리오를 고려해서, 예상 발전계획 수립(시간별

수평선)과 함께 계통안정성을 유지하기 위해서 필요한 적정 예비력을

산정하고 확보해야 한다. 노란색으로 하이라이트된 상자는 9시와 10

시에 계통안정성 유지를 위해 확보되어야하는 시간 내 변동성 제어를

위한 사고상정 예비력(Contingency Reserve)의 예시를 보여 준다. 또

한 9시 상자 바닥에서 10시 상자 천장으로 이동할 수 있는 부하추종

예비력(Load-Following Ramp Reserve) 또한 확보가 되어야 시간간

풍력의 변동성을 제어할 수 있게 된다. 이 두 종류의 예비력을 체계적

으로 산정하고 경제적으로 확보하는 것이 확률적 전력계통망 최적화

모형을 통해서 해결해야 하는 풍력이 전력시스템운영에 미치는 본질

적인 문제라 할 수 있다.

18

(a) 24시간 예상전력수요 (b) 24시간 풍력 예측 시나리오

(c) 일일 Net Load 예측 시나리오

[그림 2-10] 대규모 풍력 계통 산입 하에 일일전 발전계획 수립(Day-Ahead

Planning) 시의 문제

제3장 기존 전력계통망 모형 연구 19

제3장 기존 전력계통망 모형 연구

1. 전력계통망 모형의 개요와 효용

가. 전력계통망 모형의 개요

전력시스템 운용자는 여러 지역에 분산되어 있는 발전자원들과 수

요처들 사이를 송전제약과 기타 전력시스템의 물리적, 기계적 제약을

모두 만족시키면서 전력 수요와 공급을 실시간으로 끊임없이 일치시

켜야하는 복잡한 작업을 매시간, 매분 해내야 한다. 이 전력의 수요와

공급을 일치시키는 작업이 수초라도 어긋나면 대규모 블랙아웃이라는

대참사로 이어질 수도 있고, 그렇다고 무작정 전력공급을 과도하게 늘

리게 되면 전력은 기본적으로 저장이 힘든 제품이기 때문에 과잉되는

전력은 버려지게 되는데 이때 큰 비효율과 비용이 발생하게 된다. 이

렇듯 전력시스템이 사회전반에 미치는 중요성과 천문학적인 운영비용

을 생각할 때, 안정성과 효율성이라는 두 마리 토끼를 잡도록 시스템

운용자를 도와주는 전력시스템최적화 모형의 중요성은 매우 크다 할

수 있겠다.

일반적으로 전력시스템을 감시/제어하고 시스템 운용을 최적화하는

툴을 통칭해서 EMS(Energy Management System)라 한다. 미국 PJM,

CAISO 등의 대표적 전력시스템 운용기관들은 각 지역의 상황과 여건

에 맞는 EMS를 도입하여 운용하고 있으며, 우리나라의 전력거래소에

서도 한국형 EMS를 운영하는 것으로 알려져 있다. 이 EMS의 핵심적

인 부분이 최적조류모형(Optimal Power Flow, 이하 OPF)이라는 것으

20

로 전력수요를 만족시킬 수 있는 최적발전계획을 이 OPF모형에서 도

출을 한다. 여기에서 더 나아가 발전기 고장, 송전선 고장 등의 상정

사고 분석이 가능하도록 진화된 모형을 안전도 제약 최적조류모형

(Security-Constraint Optimal Power Flow, 이하 SCOPF)이라 하며, 현

재 대부분의 전력시스템 운용자들을 이 SCOPF 형태의 최적조류모형

을 대부분 사용하고 있다. 이 SCOPF의 주요 기능으로는 앞서 언급한

연료비최소화 발전계획도출, 적정예비력 산정으로 안전도 관리, 송전

망 혼잡 관리 등이 있다.

나. 전력계통망 모형의 효용

이 SCOPF를 통해 얻을 수 있는 대략적 효용은 <표 3-1>에 나타나

있다. 미국 EIA(Energy Information Agency)에서 2012년 발표한 자료

에 따르면, 2009년 미국의 총 전력 생산량은 약 3.724,000 GWh였고,

MWh당 $100의 전력생산 비용을 가정하면, 연간 약 $3,720억 불의

전력생산비용이 발생하는데 효과적인 SCOPF를 도입해서 이 중에 5%

의 비용절감을 달성하면 연간 약 $190억 불이라는 천문학적인 비용이

감축되는 것을 알 수 있다. 먼 미국의 예를 살펴볼 것도 없이 우리나

라의 예를 보면, 2014년 기준 총 전력시스템 정산금액은 약 44.4조

원8)으로 효과적인 SCOPF 도입을 통해 5%의 비용절감을 하면 연간

약 2.2조 원의 편익이 발생되게 된다.

8) 한국전력거래소, 2014년도 전력시장 통계. 2015.7.

제3장 기존 전력계통망 모형 연구 21

　

2009 gross electricity production

(GWh)

Production Cost($Bil/yr),

$30/MWh energy price

Savings, 5% efficiency increase

Production Cost($Bil/yr), $100/MWh

Savings, 5% efficiency increase

U.S. 3,724,000 112 6 372 19

World 17,314,000 519 26 1731 87

<표 3-1> SCOPF를 통한 전력시스템 효율성 제고로 인한 비용 절감

자료: EIA 2012, Cain et al 2012 재인용

이 연구에서 소개되고 사용된 확률적 전력계통망 최적화 모형

(Multi-Period SuperOPF, 이하 MPSOPF)은 이 SCOPF에 개념적인 근

간을 두고 있다. 그러면서 신재생에너지 발전자원 도입, 에너지저장장

치(ESS) 도입, 수요자원시장 도입 등 날로 복잡해지고 새로운 기술이

접목이 되는 전력시스템 분석을 위해서, 변동성 신재생에너지 도입으

로 인한 확률적 정보 처리, ESS의 최적 운용 및 분석, 수요자원시장

분석 등이 가능하도록 진화된 모형으로 이해하면 될 것이다.

2. 미국 전력 계통망 모형 사례9)

미국 FERC의 자료에 따르면 미국은 현재 [그림 3-1]에서 볼 수 있는

바와 같이 미국전체 전력시장의 60%가량이 독립계통운영자(Independent

System Operator, 이하 ISO)에 의해서 운영되고 나머지는 양자 간 송

전요금 시장으로 운영이 된다.

ISO들은 다양한 시장 메커니즘과 서비스를 도입하고 있는데, 예를

들어 PJM, New York ISO(NYISO), ISO New England(ISO-NE),

9) 이 챕터는 FERC(2011)와 Cain et al(2012)을 일부 참고하여 작성하였다.

22

Midwast ISO(MISO), California ISO(CAISO)는 지역한계가격(Locational

Marginal Price, 이하 LMP)를 근간으로 정산한다는 원칙아래, 발전부

분과 보조서비스 부분을 분리하여, 일일전(Day-Ahead), 한시간전

(Hour-Ahead), 실시간(Real-time) 시장을 운영하고 있다. 또한 PJM,

NYISO, ISO-NE는 용량시장을 운영하고 있지만, CAISO와 Southwest

Power Pool(SPP)은 용량시장을 운영하고 있지 않다.

[그림 3-1] 미국 내 지역별 독립계통운영자(ISO) 지도

자료: FERC 2011

이렇듯 미국내 지역별 전력계통 운영자는 각각이 채택한 시장 매커

니즘과 서비스에 따라 상이한 OPF 모형의 방법론을 채택하고 있다.

지역별 ISO에서 채택한 방법론과 앞으로 계획, 그리고 도입한 SCOPF

모형에서 얻는 연간 효용을 다음의 표에서 자세히 설명되어 있다.

제3장 기존 전력계통망 모형 연구 23

과거 1960년대에 Carpentier(1962)에서 전력시스템의 발전계획을 최

적화 해주는 본격적인 OPF 모형이 처음 소개되고 제안된 지 50여 년

이 지났지만, 현재에도 OPF모형은 수학적으로, 공학적으로 풀기가 아

주 어려운 문제로 인식되고 있다. 초기의 OPF모형은 목적함수와 제약

조건들을 선형함수로 제한해서 선형계획법(Linear Programming, 이하

LP)을 이용하여 접근하였다. 이 LP방법론은 비선형계획법(Non-Linear

Programming)이 가지는 문제점들, global optimum을 보장하지 못하

고, 연산시간이 너무 길어질 수 있으며, 강건성이 보장이 안 된다는

문제를 피하기 위해서 사용이 되었다.

OPF 모형을 위한 또 다른 방법론으로 Lagrangian Relaxation (LR)

이 사용되기도 한다. 이 LR방법론은 복잡한 형태를 띄는 최적화 모형

을 좀 더 간소화된 형태로 완화한 모형으로, 이 완화된 모형을 통해

구한 솔루션은 실제 모형의 솔루션에 대해 유용한 근사치 정보를 제

공해준다. 이 LR 방법론은 최적화 모형에 포함되어 있는 부등 제약식

에 라그란지안 승수(lagrangian multiplier)를 적용해서, 이 부등 제약

식(inequality constraint)이 위반될 때마다 라그란지안 승수만큼의 cost

penalty를 부과해서 이 값의 총량을 최적화 수행에 반영하는 것을 의

미한다. 이 LR방법론을 통해 완화된 모형은 부등제약식을 엄격히 적

용하는 원래 모형보다 더 쉽고 빠르게 최적화의 해를 찾아주게 된다.

혼합정수계획법(Mixed Integer Programming, 이하 MIP)은 기존 LP

나 LR 방법론에서 한발 더 나아가 기존 연속함수최적화(continuous

optimization)에 정수계획법(integer programming)을 혼합한 형태의 최

적화 모형을 뜻한다. 전력시스템을 모형화 할 때 이 MIP가 중요한 이

유는 최적 발전계획을 도출함에 있어서 중요한 결정요소는 특정 발전

24

기의 발전량을 도출하는 것과 함께 이 발전기를 사용할지 안 할지를

결정하는 것 또한 매우 중요한 문제이기 때문이다. 예를 들어 원자력

발전기 한기를 멈추는 결정을 하게 되면 다시 구동할 시에 추가적인

비용과 일정출력량까지 도달하는 데 시간이 걸리기 때문에, 이런 모든

제약조건을 반영한 on-off 결정은 전력시스템을 운용하는 데 중요한

부분이다. 이렇듯 전자의 발전량 도출은 기존의 연속함수최적화에 해

당하는 부분이고, 후자의 발전기 on-off의 문제는 정수계획법에 해당

하는 문제이기 때문에 이 두 문제를 동시에 풀 수 있는 MIP 방법론이

최근 미국 내 여러 지역의 ISO에서 채택되어 쓰이고 있다.

아래 <표 3-2>, <표 3-3>, <표 3-4>는 미국 주요 ISO들이 전력시스

템 운용에 있어서 가장 핵심적인 시장인, 일일전 시장(Day-Ahead

Market, 이하 DAM), 실시간 시장(Real-Time Market, RTM), 그리고

용량 시장(Capacity Market)의 계획을 수립할 때 어떤 최적화 방법론

을 사용하는지를 보여주고 있다. 전반적인 추세는 MIP를 사용하고 있

는 가운데, NYISO를 포함한 몇몇 ISO들은 여전히 LP나 LR을 이용

하고 있는 것으로 나타났다.

특히 이 자료를 조사한 미국연방에너지규제청(FERC)에서는 몇몇

ISO에 대해서 MIP를 전력시스템 운영방법론으로 도입하는데서 오는

경제적인 효용도 추정하였다. PJM의 경우 MIP를 도입하였을 때 얻는

연간 효용이 일일전시장에서 연간 60~100 백만USD, 실시간시장에서

연간 90~130 백만USD에 이르는 것으로 나타났다. 이는 한화로 약

2,500억 원에 해당하는 금액이다. 고도화된 최적화 모형을 이용해서

전력시스템을 효율적으로 운영할 때 얻는 효용이 상당히 큼을 잘 알

수 있다.

제3장 기존 전력계통망 모형 연구 25

현재 방법론앞으로 계획

MIP에서 얻는 연간효용LR MIP LP

CAISO O 현재 MIP 방법론을 바꿀 계획 없음 $52 MilISO-NE O - -MISO O - -

NYISO O -

PJM OMIP가 현재 잘 작동하고있기 때문에 추가적인 알고리즘 업그레이 계획없음

$60-$100 Mil

SPPDAM에서 UC부분은 MIP를 사용하고, 발전계획과 Pricing부분에는 LP사용

-

<표 3-2> 일일전시장(DAM) 계획 수립 시 미국 ISO별 현재 방법론 및

앞으로 계획

자료: FERC 2011

현재 방법론앞으로 계획

MIP에서 얻는 연간효용LR MIP LP

CAISO O 현재 MIP 방법론을 바꿀 계획 없음 -

ISO-NE O O

실시간 계통운전의 위험도 관리를 강화하기 위해 2~4시간 발전계획수립부분의 MIP에 대한 모형의 타당성을 조사중.

-

MISO 현재 실시간시장 계획수립에 있어서 MIP 방법론 적용을 검토중임

-

NYISO O

NYISO는 MIP 방법론을 DAM에 가장 먼저 접목한 ISO이며 빠른시일안에 모든 최적화수행에 MIP 적용을 목표로 하고 있음

-

PJM O MIP 기반 모형을 이용하여 효과적인 발전계획도출이 이루어지고 있음

$90-$130 Mil

SPP O 향후 MIP 도입 계획 -

<표 3-3> 실시간시장(RTM) 계획 수립 시 미국 ISO별 현재 방법론 및

앞으로 계획

자료: FERC 2011

26

현재 방법론

앞으로 계획MIP에서 얻는

연간효용LR MIP LP

CAISO 용량시장을 도입할 계획 현재 없음 -

ISO-NE O기존용량시장의 구조가 재조정되었으며, 향후 용량시장정산에 있어서 MIP 방법론 적용가능성 있음

-

MISO O 지역별 용량시장 요구사항에 기반한 방법론에 대한 조사중임

-

NYISO O LP 방법론 계속 사용할 계획이며 현재 문제없음

-

PJM O MIP이 잘 작동하고 있기 때문에 현재로써 특별한 변화의 필요성 못느낌

-

SPP 용량 시장에 대한 도입 계획 없음 -

<표 3-4> 용량시장(Capacity Market) 계획 수립 시 미국 ISO별 현재 방법론 및

미래 계획

자료: FERC 2011

3. 전력계통망 모형 이용 선행 연구 분석

전력계통망 모형을 이용해 상대적으로 최근에 수행된 선행 연구들

중 주목할 만한 연구는 다음과 같다.

Condren et al(2006)에서는 ESCOPF(Expected-Security-Cost Optimal

Power Flow)를 제안하고, 전력시스템의 물리적 제약, 안전도 유지를

위한 비용, 확률값을 가지는 상정사고 이벤트 등을 고려한 전력시스템

운영비용의 기댓값(expected cost of system operation)을 최소화 하는

최적화를 수행하였다. 추가적으로 이 논문에서는 예측범위를 넘어서

는 전력수요에 대한 비용과 발전기 출력변화에 대한 비용(ramping

cost)도 포함하여 분석하였다.

Bouffard and Galiana(2008)에서는 SCOPF의 기본 개념인 안전도

제3장 기존 전력계통망 모형 연구 27

제약의 개념을 적용해서 풍력발전이 도입되었을 때 불확실성을 띄는

확률적 풍력 상황하에서 안전도 제약을 만족시키는 시스템 운용계획

수립에 대한 연구를 수행하였다. 일반적으로 전력수요의 10~20%를

풍력이 넘어서기 시작하면 전력시스템의 안전도를 해칠 수 있다고 보

는데, 이런 보급 수준까지 풍력이 도입됐을 때의 상황을 가정하고 확

률적 풍력값의 전력시스템에 대한 영향을 분석하였다. 이 연구는 결론

에서 최악의 상황을 가정한 결정론적 풍력값을 이용한 계통운용계획

수립 방법론보다 확률적 풍력을 가정한 계통운용 방법론이 더 많은

풍력을 계통 안전도에 대한 희생 없이 전력시스템에서 수용할 수 있

다는 것을 보여주었다.

Papavasiliou et al(2011)에서는 대규모 풍력이 전력시스템에 산입된

환경에서 시스템이 요구하는 안전도 수준을 유지하기 위해 필요한 예

비력을 2-스테이지 확률적 방법론을 이용해 도출하는 연구를 수행하

였다. 이 연구에서는 MIP 방법론을 적용하여서, 확률적 최적화 방법

론을 통한 계통운영이 일반적인 예비력 산정 방식을 따르는 방법론보

다 우수하다는 것을 보여주었다.

Lamadrid et al(2014)에서는 SCOPF 방법론을 이용해서, 소비자 에

너지저장장치 중에 하나인 thermal storage(냉매용 저장장치)의 보급이

송전용량확대에 대한 투자를 일부 대체 할 수 있다는 결과를 보여주

었다. 이 결과의 핵심 이유는 송전망 혼잡은 주로 전력수요가 높은 여

름철 낮 시간에 주로 발생하는데, thermal storage는 낮 시간 전력수요

를 상당 부분 낮춰주기 때문에 송전망 혼잡을 경감시켜주고, 그 결과

송전용량 증설에 대한 필요성을 일부 해소해 주기 때문이다. 이는 기

존 공급위주의 전력시스템 운용 관점에서 수요관리 관점으로 변화하

28

였을 때 얻어질 수 있는 효용 중 하나로 고려될 수 있는 부분이다.

Jeon et al(2015)에서는 SCOPF 방법론을 기반으로 한 전력시스템

최적화 모형을 이용해서, 풍력의 불확실성 정도가 달라질 때 전력시스

템 운용비용에 어떠한 영향을 미치는지를 분석하였다. 일반적으로

DAM은 일일전 저녁 6시에 이루어지는데, 이 시점에서 다음날 24시

간동안의 풍력예측오차(forecasting error)와 직전, 즉 밤 11시에 수행

한 풍력예측에 대한 오차는 상당히 다르다. 이 연구에서는 이렇게 6시

간 전에 이루어진 높은 오차 수준을 가진 풍력값과 1시간 전에 이루

어진 낮은 오차 수준을 가진 풍력값 각각을 기반으로 전력시스템운용

계획을 수립할 때, 세부적인 운용방법과 운영비용에 어떠한 영향을 미

치는지를 살펴보았다.

제4장 MPSOPF 모형 분석 29

제4장 MPSOPF 모형 분석

1. MPSOPF 개요 및 특성

본 연구에서 제안해서 사용하는 확률적 전력계통망 최적화 모형인

Multi-Period SuperOPF(MPSOPF)는 앞장에서 설명한 SCOPF에 개념

적인 근간을 두고 있다. 이 SCOPF는 PJM, NYISO 등과 같이 미국

지역별 전력시스템 운영 및 감시 기관인 ISO(Independent System

Operator)가 실제 전력시스템 운용을 위해 사용하는 모형이다. 이

SCOPF는 일반적으로 전력수요 제약, 계통안전도 제약, 송전망 제약,

상정사고 제약, 전력시스템의 물리적 제약(voltage, angle 등) 등을 모

두 고려하여 계통망 운영비용(System Operating Cost)을 최소화 해주

는 발전 계획을 도출해주는 모형을 말한다. 이 MPSOPF는 SCOPF를

개념적인 근간으로 하여 변동성 신재생에너지와 에너지저장장치가 전

력시스템에 미치는 영향에 대한 분석을 위해 더욱 개선된 모형으로

이해될 수 있다.

MPSOPF가 기존의 일반적 SCOPF 모델과 구분되는 특징은 크게

세 가지 부분으로 설명될 수 있다. 첫째, 기존의 일반적 SCOPF는 특

정시간에 snapshot적인 전력시스템 분석만이 가능했던 데에 비해,

MPSOPF는 특정 기간(time horizon)동안 연속적인 전력시스템 분석이

가능하다. 이는 일일전시장(DAM) 전력계획수립 최적화를 함에 있어

서 실제 시스템 운영자의 관점에서 다음날 24시간의 연속적인 전력계

30

획수립을 가능하게 해준다. 또한 신재생에너지의 24시간 동안의 불확

실성을 반영하거나, 이에 기초한 최적 ESS 운영 계획을 수립함에 있

어서도 특정 기간 동안 연속적인 전력시스템 분석은 아주 중요한 기

능이다. 둘째, MPSOPF는 입력값으로 결정론적(deterministic) 정보뿐

만 아니라 확률분포를 따르거나 확률적 값을 가지는(stochastic) 정보

도 처리가 가능하다. 그래서 높은 변동성과 불확실성으로 인해 확률적

특성을 띄는 변동성 신재생에너지 분석이 가능하고, 이에 연계된 최적

ESS 운영 계획 수립 및 전력시스템에 미치는 영향 분석이 가능하다.

셋째, MPSOPF는 전력시스템의 안전도(Security)를 유지하는 데 필요

한 예비력(reserve)의 양을 모형 내부적으로 결정해 준다. 이 적정 예

비력 산정 및 확보는 전력시스템을 안정적으로 운영함에 있어서 핵심

적인 부분으로 이 특성은 MPSOPF가 실제 전력시스템 운용에 준하는

최적화 모형으로서의 핵심적 기능을 갖추고 있다는 것을 보여준다. 전

력시스템 안전도 유지를 위한 적정 예비력 산정 부분의 메커니즘과

그 중요성은 이 장 3절에서 좀 더 살펴보도록 하겠다.

2. MPSOPF 목적함수 및 제약식 구조10)

MPSOPF의 목적함수와 제약식의 구조는 다음에 설명된 바와 같다.

MPSOPF User’s Manual(Zimmerman et al(2013))에 설명된 MPSOPF

의 구조와 개념을 보다 정확히 전달하기 위하여, 각 목적함수와 제약

식 명칭에 대한 부분은 원문표현과 함께 병행하여 표기하였다.

10) Zimmerman et al. ‘Multi-Period SuperOPF(SuperOPF 2.0) User’s Manual’, 2013. 제4장 MPSOPF 모형 분석 부분은 Zimmerman et al(2013)을 기반으로 작성하였다.

제4장 MPSOPF 모형 분석 31

가. MPSOPF 목적함수

목적함수는 전체 전력시스템 운영비용을 최소화하는 형태를 가지며,

다음과 같이 크게 6개 부분, 1) 발전기별 발전계획 수립 비용, 2) 사고

대비 예비력 비용, 3) 발전출력변환으로 인한 스트레스 비용, 4) 부하

추종 예비력 비용, 5) ESS 저장에너지 관련 비용, 6) 기동 및 정지 비

용으로 구성되어 있다. 각 목적함수 부분별 함수 형태와 제어변수

(control variable) 형태는 다음과 같다.

min

1) 발전기별 발전계획 수립 및 재수립에 관한 비용(Cost of active

power dispatch and redispatch)

- 기본적으로 발전기별 출력량 결정으로 인한 발전기 운영비용과

관련된 비용을 나타내는 부분이다.

∈

∈

∈

∈

2) 사고대비 예비력 관련 비용(Cost of Contingency Reserve)

- SCOPF는 발전기 고장이나 송전선로 고장 등과 같은 예기치 못한

사고 이벤트에 대한 분석인 상정사고 분석(Contingency Analysis)이

가능한데, 이런 상정사고를 대비할 수 있는 예비력을 확보하는

데 대한 비용을 나타내는 부분이다.

32

∈

∈

3) 시간 간 발전출력변환으로 인한 스트레스 비용(Cost of Load-

Following Ramping (Wear-and-Tear))

- 시간사이에 특정발전기는 빠르게 발전량 조정을 해야 하는 상황

이 발생하는데 이럴 경우 발전기의 수명을 단축시키는 물리적인

스트레스가 가해진다. 특히 풍력이 많이 도입되면 특정발전기는

풍력의 높은 변동성에 맞추어 출력변화가 심하게 일어날 수 있

는데 이런 물리적 스트레스에 대한 비용을 나타내는 부분이다.

∈

∈

∈

∈

4) 시간 간 부하추종 예비력 관련 비용(Cost of Load-Following

Ramp Reserves)

- 시간 간 전력시스템 부하가 빠르게 변할 경우 이에 대비한 부하

추종 예비력이 준비되어야 하는데 이에 대한 비용을 나타내는

부분이다. 이 또한 풍력이 많이 도입되면 풍력의 변동성으로 인

해 전력시스템에서 요구하는 예비력의 양이 많아지게 된다.

∈

∈

5) ESS 초기저장 에너지 비용과 최종 스테이트(terminal state)에 남

은 에너지 가치 관련 정산 비용(Cost of initial stored energy and

Value of terminal energy)

제4장 MPSOPF 모형 분석 33

- ESS에 저장되어 있는 초기에너지와 마지막 기에 남은 에너지에

대한 정산에 관련된 비용을 나타내는 부분이다.

⊤

⊤ ⊤

⊤

6) 기동 및 정지 비용(Startup and Shutdown Cost)

- 발전기 기동 및 정지 시에 추가적인 비용이 발생하게 되는데 이

에 관련된 비용을 나타내는 부분이다.

∈

∈

나. MPSOPF 제약식

위 목적함수는 아래에 정의된 모든 제약조건을 만족시켜야 한다. 제

약식은 다음과 같이 크게 4부분, 1) 기본 최적조류모형 제약, 2) 상정

사고 제약, 3) 시간 간 변동성 제어 관련 제약, 4) 발전기 운영 계획

관련 제약으로 구성되어 있다.

1) 기본 최적조류모형 제약(Standard OPF Constraints)

- 비선형 AC 전력 균형 방정식(Nonlinear AC power balance

equations)

- 비선형 송전망 제약, 전압 제약 및 기타 부등식 제약함수

(Nonlinear transmission flow limits, voltage limits, any other

OPF inequality constraints)

≤

34

2) 상정사고 제약(Contingency Constraints)

- 예비력, 발전계획재수립 및 계약 발전량 관련 제약(Reserve,

redispatch and contract variable)

≤ ≤

≤ m ax

≤ ≤

≤ m ax

- 상정사고 스테이트로 전환 시 Ramping 제한 관련 제약(Ramping

limits on transitions from base to contingency Cases)

∆ ≤ ≤ ∆

≠

3) 시간 간 변동성 제어 관련 제약(Intertemporal Constraints)

- 시간 간 변동성에 관한 ramping 제한 및 예비력 관련 제약

(Load-Following Ramping Limit and Reserves)

≤ ≤ m ax

≤ ≤ m ax

for ∈ ∈ ∈ ∈

≤

≤

- 저장장치 제약(Storage Constraints)

≤

≥

제4장 MPSOPF 모형 분석 35

≥ m in

≤ m ax

Ÿ 저장장치 내 에너지 총량의 변환관련 방정식

∆ ≡ ∆

Ÿ 저장장치의 총 저장량 및 시간별 충·방전량 관련 제약

≤

∆

≥

∆

m in ≤

∆

∆ ≠

m ax ≥

∆

∆ ≠

4) 발전기 운영 계획 관련 제약(Unit Commitment)

- 발전기 운영 관련 제약(Injections and Commitment)

m in ≤ ≤ m ax

m in ≤ ≤ m ax

- 기동 및 정지 관련 제약(Startup and Shutdown Events)

- 최소 기동 및 정지 시간 제약(Minimum Up and Down Times)

≤

≤

36

- 정수 제약(Integrality Constraint)

∈ ∈ ∈

3. MPSOPF 핵심 구조 개념 분석

앞서 언급했듯이 MPSOPF가 기존의 SCOPF와 구분되는 가장 큰

특징은 특정기간(time horizon)동안 연속적인 계통망 분석이 가능하다

는 점과 계통안정성을 유지하기 위해 필요한 적정 예비력을 모형 내

부적으로 결정해준다는 점이다. 이 두 가지 특징이 MPSOPF가 확률

적 값을 띄는 신재생에너지 분석에 강점을 가질 수 있는 이유이기도

하다. 그 이유는 계통운영자(System Operator)가 일일전 시장에서

(Day-Ahead Market)에서 24시간 동안 신재생에너지의 불확실성과 변

동성을 예측해서 급전계획을 수립할 때, 이 두 가지 특징적 기능 때문

에 계통안정성을 유지하는 데 필요한 예비력의 양을 24시간 동안 연

속적으로 결정해 줄 수 있기 때문이다. 풍력 등의 변동성 신재생에너

지가 계통 안정성에 끼치는 문제는 이 필요 예비력의 양으로 정량화

할 수 있다. 그리고 이 예비력 유지비용은 변동성 신재생에너지의 경

제성 분석에 중요 요인으로 고려되어야 한다. 이렇듯 예비력은 계통안

정성을 유지하는 데 핵심적인 요소이며, MPSOPF는 이 예비력을 아

래와 같이 크게 두 가지 종류로 구분하여 산정한다.

가. 시간 간 부하추종 예비력(Load-Following Ramp Reserve)

[그림 4-1]는 풍력의 변동성을 전력시스템에서 만족시키기 위해서

필요한 부하추종 예비력이 MPSOPF에서 어떻게 정의되는지를 보여주

제4장 MPSOPF 모형 분석 37

고 있다. [그림 4-1]에서 검은색 점은 풍력의 출력량이며 이 양은 각

시간별로 확률분포를 가지는 시나리오 값으로 정의가 되어 있다. 즉

t+1에서 풍력 출력은 총 네 가지 값으로 존재하는데 각각의 값이 발

생할 확률이 산정되어 있는 것이다. 이때, t+1에서 t+2로 이동할 때, 4

개의 시나리오가 4개의 시나리오로 이동하기 때문에, 옅은 회색으로

표현된 16개의 트랜지션이 발생하는데 계통안정성을 유지하기 위해서

는 이 16개의 트랜지션을 모두 만족시킬 수 있어야 한다. 이때 노란색

으로 표현된 낮은 풍력에서 높은 풍력으로 이동하는 트랜지션이 가장

큰 스트레스를 유발하는데, 이 트랜지션이 t+1에서 t+2로 이동시의 시

간 간 부하추종 예비력(Load-Following Ramp Reserve)을 결정짓는다.

이렇듯 시간 간 부하추종 예비력은 풍력의 불확실성로 인해 시간 간

변동성에 대한 계통안정성을 유지시켜주기 위해 필요한 예비력으로

이해할 수 있다.

[그림 4-1] MPSOPF 시간 간 부하추종 예비력(Load-Following Ramp

Reserve) 결정 메커니즘

자료: Lamadrid et al.(2015)

38

나. 상정사고 예비력(Contingency Reserve)

상정사고 예비력은 전력시스템 사고상황(발전기 고장, 송전망 고장

등) 발생 시에 순간적으로 부족한 발전량을 충당하기 위해 요구되는

예비력이다. 자세한 결정 메커니즘을 살펴보면, [그림 4-2]에서 x-축은

발전기 고장, 송전망 고장 등과 같은 각 상정사고 이벤트(Contingency

Event)를 나타내고, y-축은 각 상정사고별 출력량의 변동을 나타낸다.

각 상정사고 상황별로 발생 확률값이 산정이 되어 있다. 계통운영자는

각 상정사고 이벤트별 발생 확률과 출력량을 반영해서 모든 사고상황

에 효과적으로 대응할 수 있는 계약 출력량(Contracted Power, Pc)을

정해서 일차적인 계획을 하고, 이 계약 출력량에서 최대로 변동하는

출력과의 차이를 고장변동성 제어 예비력으로 확보해야 한다. 즉 계약

출력량에서 최대로 벗어나는 고장 이벤트를 수용할 수 있는 수준의

예비력이 확보가 되어야 계통 안정성이 유지가 되는 것이다.

[그림 4-2] MPSOPF 상정사고 예비력(Contingency Reserve) 결정 메커니즘

자료: Zimmerman et al.(2013), Multi-Period SuperOPF(SuperOPF 2.0) User’s Manual, 2013

제4장 MPSOPF 모형 분석 39

이렇듯 MPSOPF에서는 계통안정성을 유지하는데 필요한 적정 수준

의 시간 간 부하추종 예비력(Load-Following Ramp Reserve)과 상정

사고 예비력(Contingency Reserve)을 매 시간 최적화 모형의 결정값

중 하나로 출력하게 된다.

[그림 4-3]은 위에서 설명한 두 종류의 예비력이 적용된 상황에서

어떻게 MPSOPF의 흐름과 구조가 이루어져 있는지를 보여주고 있다.

먼저 점선으로 된 상자는 각 시간별로 발생되는 이벤트를 보여주는데,

각 시간별로 풍력 변동성과 고장상황 변동성은 고장 변동성 제어 예

비력(Contingency Reserve, )에 의해서 제어가 된다. 그리고 한 시

점에서 다음 시점으로 이동할 때 발생하는 시간 간 풍력 변동성은 시

간 간 변동성 제어 예비력(Load-Following Ramp Reserve, )에

의해서 제어가 된다. 그리고 저장장치 변수( )가 각 시간별로 들어

와서 계통운영자의 의해서 활용되어 전체 전력시스템운용비용을 최소

화시키는 방향으로 의사결정이 이루어지게 된다.

[그림 4-3] MPSOPF 구조도

자료: Zimmerman et al.(2013), Multi-Period SuperOPF(SuperOPF 2.0) User’s Manual, 2013

40

4. MPSOPF 활용가능성 분석

MPSOPF을 통해 활용 가능한 분석요소는 <표 4-1>에 정리된 바와

같다.

MPSOPF의 최적화에 있어서 결정변수(control)는 각 단위시간별(일

반적으로 일일전시장(DAM) 계획 관점에서의 시간단위인 한 시간),

전력시스템운영비용을 최소화하는 각 발전기의 발전계획이다. 이 발전

계획은 일반 발전량과 예비력 양을 구분할 수 있기 때문에 MPSOPF

는 시간별 발전기별 발전 믹스 분석 및 시간별 예비력양 분석이 가능

하다.

또한 MPSOPF는 송전망제약(transmission constraint)을 반영하기

때문에 전력계통망 네트워크 효과 분석이 가능하다. 이 기능을 통해서

어떤 송전망이 어떤 시간대에 혼잡이 발생하는지 분석이 가능하고, 송

전망 혼잡에 의해서 발생되는 지역별 계통한계가격(SMP) 괴리현상,

즉 LMP(Locational Marginal Price) 분석이 가능하다. 그래서 이 분석

을 통해 향후 대규모 발전소나 신재생에너지 발전 보급이 이루어질

때 어떤 송전망의 용량을 우선적으로 증설해야 하는지에 대한 분석이

가능하다.

그리고 앞서 설명했듯이, MPSOPF는 확률적 형태를 띄는 입력값을

시나리오형태로 수용하는 것이 가능하기 때문에, 풍력이나 태양광과

같은 변동성 신재생에너지가 계통안정성에 미치는 종합적인 영향에

대한 보다 사실적인 분석이 가능하다.

또한, MPSOPF는 에너지저장장치(ESS) 모델링이 가능해서, 전체

전력계통망 상황과 신재생에너지 등의 확률적 입력값을 고려한 ESS

의 최적화 운용계획을 수립을 최적화 해준다. 그래서 이 최적운용계획

제4장 MPSOPF 모형 분석 41

에 기반한, ESS의 경제성, 계통안정성 개선효과, 변동성 신재생에너지

와 연계되었을 떄 시너지효과 등의 분석이 가능하다.

또한 MPSOPF의 목적함수는 발전비용, 예비력비용 등을 포함한 전

체 계통운영비용을 최소화하는 발전계획을 수립하는 것이기 때문에

기본적으로 전력시스템 운영비용 분석이 가능하다.

이외에도 MPSOPF는 확장적인 기능을 지원해주기 때문에, 이미 국

내전력시장에 도입된 수요자원에 대한 모델링이나, 전기자동차등과

같은 새로운 형태의 소비자 저장장치, 그리고 추후 스마트그리드가 보

급되면 나타나게 될 새로운 형태의 전력수요 등에 대한 모델링과 분

석이 가능하다.

마지막으로 전력시장에 대한 새로운 정책이나 요금구조변화 그리고

탄소비용 등으로 인한 새로운 외부비용이 전력시스템 운용에 대한 의

사결정을 어떻게 변화시키고 전력시장 전체적으로 어떤 변화를 불러

오는지에 대한 분석이 가능하다.

분석 가능 항목 세부 활용가능성

1) 발전원별 믹스 분석시간별 발전기별 출력 분석시간별 예비력 분석

2) 네트워크(송전망제약) 효과분석

시간별 지역별 송전망 혼잡 분석지역별 LMP 분석

3) 변동성 신재생에너지가 계통에 미치는 종합적이고 사실적인 영향 분석

변동성 신재생에너지가 전력시스템의 경제성과 안정성에 미치는 영향 분석 변동성 신재생에너지 도입 용량에 따른 영향 및 문제점 분석

<표 4-1> MPSOPF를 이용한 분석 가능 항목

42

분석 가능 항목 세부 활용가능성

4) ESS가 전력시스템에 미치는 영향 분석

변동성 재생에너지와 연계 운용되었을 때의 시너지 효과 분석 ESS의 최적운용계획 분석경제성, 계통안정성 개선효과 분석

5) 전력시스템 운영 비용 분석발전비용 분석예비력 비용 분석

6) 전력시장 신기술에 대한 확장적인 기능 지원

수요자원 모델링 및 분석전기자동차 등 새로운 형태의 소비자 저장장치 모델링 및 분석스마트그리드 보급으로 인한 새로운 형태의 전력수요에 대한 모델링 및 분석

7) 전력시장 새로운 정책, 요금구조변화, 외부요인에 의한 영향 분석 가능

전력시장에 대한 새로운 정책의 영향성 분석요금구조변화 등에 대한 영향성 분석탄소비용 등 외부요인에 의한 전력시장 영향 분석

제5장 제주 전력계통망 모형 구축 43

제5장 제주 전력계통망 모형 구축

제주도는 [그림 5-1]에서 보는바와 같이, 한라산을 중심에 둔 환상

형 형태의 전력계통망 구조를 가지고 있는데, 크게 세 가지의 발전원

에 의해서 운영이 된다. 첫 번째 기저로 이용되는 발전원은 해남

(HVDC1, 150MW)과 진도(HVDC2, 200MW)와 연결되어 있는 두 회

선의 HVDC(High Voltage DC)를 통해서 충원하게 되고, 두 번째는

285MW 규모의 중부발전과 305MW규모의 남부발전에서 중유를 주

연료로 해서 만들어지는 발전원, 그리고 마지막으로 2015년 기준

156.3MW가 보급이 되어 있는 풍력이 주가 되는 신재생에너지 발전

이 그 세 가지이다.

전체적인 발전시설은 전력수요가 집중되는 제주시와 서귀포시 중심

으로 위치하고 있다. 두 개의 HVDC와 중부발전은 제주시 인근에 위

치해 있고, 남부발전은 서귀포와 한림에 위치해 있다. 제주시 인근에

위치한 중부 발전은 총 5기의 발전기를 보유하고 있는데, 75MW급

기력발전이 2기, 40MW급 디젤발전이 2기, 그리고 55MW급 가스터

빈발전이 1기가 있다. 남제주와 한림에 위치한 중부발전은 3기의 발

전기를 보유하고 있고, 100MW급 기력발전이 2기, 105MW급 복합화

력이 1기가 있다. 풍력은 2015년 3월 기준으로 크게 3지역에 대규모

단지가 조성되어 있는데, 제주도 중심으로 북동쪽인 행원(조천), 동쪽

인 성산, 서쪽인 한림에 풍력단지가 조성이 되어 있다.

전력공급의 흐름은 [그림 5-1]에서 보는바와 같이 제주도 북쪽인 제

주시에 두기의 HVDC선을 통한 350MW급 전원, 그리고 중부발전에

44

의한 285MW급 발전 시설이 집중되어 있기 때문에, 북쪽에서 생산된

전력이 서귀포나 성산 등으로 송전되어 사용되는 남하조류의 특징을

띄고 있다.

[그림 5-1] 제주도 전력계통망 개념도

자료: 김영환, 2014

1. 제주도 전력계통망 모형 구축

[그림 5-2]은 제주 전력거래소로부터 수집한 제주 전력시스템 자료

를 이용하여 MPSOPF상에 구축할 전력시스템 지도를 그린 것이다.

이 연구에서 구축한 제주 전력시스템 모형의 전체적인 구성은, 16개

제5장 제주 전력계통망 모형 구축 45

의 버스(Bus), 29개의 송전선로, 8기의 전통적 발전기, 4곳의 풍력발

전단지로 구성되어 있는 계통망이다. 버스15와 버스16은 육지에 위치

한 각각 해남과 진도로 송전선로 26, 27은 HVDC1, 송전선로 28, 29

는 HVDC2를 나타낸다. 전통적 발전기는 빨간원으로 표시되어 있고,

TP는 기력발전기, DP는 디젤발전기, GT는 가스터빈발전기, CC는 복

합화력발전기를 나타낸다. 풍력발전단지는 파란색 원으로 표시되어

있다.

<표 5-1>는 구축한 제주 전력계통망의 16개 버스 이름과 각 버스에

연계되어 있는 발전기 정보를 요약해서 보여주고 있다.

[그림 5-2] 제주도 전력계통망 모형, 버스, 발전기 및 송전선 정보

46

버스 번호 버스 이름 발전기 정보(용량, MW)

1 제주 TP1(75), TP2(75), DP1(40), DP2(40), GT1(55)

2 동제주

3 산지

4 신제주

5 서제주

6 한림 CC1(105), 풍력1

7 금악

8 안덕 풍력2

9 남제주 TP3(100), TP4(100)

10 신서귀

11 한라

12 표선

13 성산 풍력3

14 조천 풍력4

15 HVDC1(해남) HVDC1(150)

16 HVDC2(진도) HVDC2(200)

<표 5-1> 제주 전력계통망 모형, 버스 및 발전기 정보

2. 제주도 전력수요 구조

제주 전력수요는 <표 5-2>에서 보는바와 같이 총 7개의 주요 전력

수요 발생지역에서 발생하고 있는 것으로 모델링하였다. 2014년 기준

제주도 총 전력의 여름철 피크수요는 689MW, 겨울철 피크수요는

714MW 수준이다. 지역별 전력수요는 제주 전체 전력수요 패턴에 비

례한 형태로 발생한다고 가정하고, 7개 지역의 전력

제5장 제주 전력계통망 모형 구축 47

수요발생량 비율에 근거해서 전력수요 패턴을 도출했다. [그림 5-3]

은 2014년 제주 7지역에 대한 여름철 피크일(2014/7/25) 24시간 전력

수요와 겨울철 피크일(2014/12/17) 24시간 전력수요를 보여주고 있다.

그림에서 보는 바와 같이 전체적인 전력수요의 패턴은 여름철은 냉방

수요로 인해 낮 시간과 밤 시간의 전력수요차가 명확히 발생하는 구

조를 보여주고 있고, 겨울철은 난방수요로 인해 낮 시간과 밤 시간의

전력수요차가 크지 않은 비교적 평평한 구조를 보여주고 있다. 지역별

전력수요의 규모를 살펴보면, L3 서제주, L1 동제주, L5 신서귀에서

전체 전력수요의 64%에 이르는 대부분의 전력수요가 발생하고 있는

것을 알 수 있다.

버스 번호 버스 이름 수요 번호

2 동제주 Load1

3 산지 Load2

5 서제주 Load3

6 한림 Load4

10 신서귀 Load5

11 한라 Load6

13 성산 Load7

<표 5-2> 제주 전력수요 위치 정보

48

(a) 여름철 피크일

(b) 겨울철 피크일

[그림 5-3] 제주도 2014년 여름철·겨울철 피크일 전력수요 패턴

제5장 제주 전력계통망 모형 구축 49

3. 제주도 풍력발전 보급 현황 및 계획

제주도는 <표 5-3>에서 보는바와 같이, 2015년 3월 기준으로 18개

의 소규모 단지에서 156.3MW의 풍력이 보급되어 있다. 2020년까지

는 <표 5-4>에서 정리된 바와 같이 9개의 프로젝트에서 441MW의 추

가적인 풍력 보급 계획이 세워져 있는 실정이다. 2015년 풍력 보급 현

황과 2020년 풍력보급 계획을 종합하여, 위에서 구축한 MPSOPF 제

주 전력계통망 상에 위치한 4개의 풍력단지와 연계하면, 2015년 기준

으로 성산 98MW, 조천 33.6MW, 한림 24.7MW에 보급되어있고, 안

덕에는 아직 보급량이 없다. 2020년 기준으로는 순서대로 119MW,

93.6MW, 216.7MW, 168MW가 보급될 예정이다. 특히 2020년 계획

상에 탐라해상, 대정해상, 한림해상 등 298MW에 이르는 해상풍력의

높은 보급이 눈에 띄는 대목이다. 앞서 제2장 세계 현황부분에서 설명

했듯이, 영국등과 같은 국가에서도 해상풍력의 경제성이 확보되면서

공격적으로 보급을 늘리고 있고, 우리나라에서도 풍력단지 입지에 대

한 주민수용성 문제를 피할 수 있고, 풍부한 풍량을 통한 높은 풍력효

율로 인해‘제4차 신재생에너지 기본계획’상에도 높은 해상풍력의 보

급을 계획하고 있는 실정이다.

2015년 기준 156.3MW, 2020년 기준 597.3MW는 2014년 제주도

피크수요 대비 각각 22%, 84% 수준으로 전력시스템 규모대비 상당한

양의 풍력보급이 계획되어 있는 것을 알 수 있다. 이는 일반적으로 풍

력이 전력시스템 안정성에 영향을 미치는 수준이라고 이야기하는 피

크수요대비 10%를 훨씬 초과하는 수준이기 때문에, 풍력이 계통에 미

치는 영향을 면밀히 분석할 필요가 있다고 할 수 있겠다. 제주도는

2030년까지 해상풍력을 2GW까지 도입할 계획을 가지고 있고, 궁극

50

적으로 2030년까지 도내 모든 에너지를 신재생에너지로 공급할 계획

을 가지고 있기 때문에 풍력의 영향성에 대한 고려와 대비를 더욱 심

도 있게 할 필요가 있다.

장소 용량(MW) 장소 용량(MW)삼달 33 행원16 1.65한경 21 행원17 3성산 20 월령 2가시리 15 행원마을 2김녕실증 10.5 신창 1.7가시리(SK) 30 김녕 1.5

행원1 6.3 월정 1.5행원2 2 행원3 0.66행원5 1.5 월정마을 3총합 156.3

<표 5-3> 제주도 풍력 보급 현황(2015년 3월 기준)

장소 용량(MW) 　추진시기 추진상황

한경(탐라해상) 30 2017.06

사업허가김녕육상 30 2015.06상명육상 21 2017.01동복육상 30 2015.06월령 21 2018

지구지정추진수망 21 2018대정해상 168 2018-2020어음 20 2017

사업허가추진한림해상 100 2018-2020총합 441

<표 5-4> 제주도 풍력 보급 계획(2020년까지)

제5장 제주 전력계통망 모형 구축 51

풍력단지 번호 버스 번호 버스이름 2015년 용량(MW) 2020년 용량(MW)

풍력1 6 한림 24.7 216.7

풍력2 8 안덕(모슬포) 0 168

풍력3 13 성산 98 119

풍력4 14 조천 33.6 93.6

총합 156.3 597.3

<표 5-5> 제주도 풍력단지별 보급용량(2015년 vs 2020년)

제6장 풍력 확률 모형 개발 53

제6장 풍력 확률 모형 개발

이 장에서는 MPSOPF 모형에 모듈로 들어가게 될 풍력 확률 모형

의 개발과 풍력 시나리오 도출의 방법론에 대해서 살펴보도록 하겠다.

풍력확률모형을 만들기 위해 필요한 기상데이터는 기상청을 통하여

수집을 하였다. 현재 제주도내에 기상청에서 자동으로 기상정보를 수

집하고 있는 지역(Automatic Weather Station, 이하 AWS)은 총 17개

지역으로, [그림 6-1]에서 노란색 핀으로 표시된 지역이 이 AWS를 보

여주고 있다. 이 17개 AWS 지역에 대해서, 2012년부터 2014년까지

10분-평균값을 측정한 시간별 풍속(m/s)과 기온자료를 지역별로 수집

하였다. 보다 정확한 풍력산정을 위해서는 고도 80m에서의 풍속데이

터가 필요한데, 기상청에서는 고도를 달리한 풍속데이터는 지원을 하

지 않기 때문에, 지상에서 관측된 기상청 풍속자료를 바탕으로 기상청

에서 제공하는 지역별 80m-고도 연평균 풍속자료를 적용하여 추정하

였다.

[그림 6-1]에서 주황색으로 표시된 3개 지역이 2015년 기준 풍력단

지가 운영되고 있는, 행원, 성산, 한림지역이고, 초록색으로 표시된 지

역은 2020년 기준으로 추가적으로 운영될 예정인 안덕(모슬포) 풍력

단지이다.

54

[그림 6-1] 기상청 제주 AWS 지점 및 풍력단지 위치

자료: Google Earth map 기반으로 작성

풍력확률모형 도출을 위한 방법론은 크게 네 단계의 과정으로 이루

어져있다. 첫 번째 단계에서는 풍속예측모형을 통계모형을 이용해서

개발하고, 두 번째 단계에서는 풍속예측모형을 이용해 Monte Carlo

시뮬레이션 방법론을 통해서 샘플 풍속 profile을 생산한다. 세 번째

단계에서는 풍력 터빈의 power curve를 이용해 풍속 Profile을 풍력

Profile로 변환시키고, 그리고 마지막 네 번째 단계에서는 풍력 Profile

샘플에서 대표성을 지니는 시나리오 Profile을 추출하게 된다. 풍력 확

률 모형의 방법론은 Jeon et al(2015)11)에서 사용된 방법을 적용하였

으며, 아래에서 각 단계에 대해서 자세하게 살펴보도록 하겠다.

11) Jeon et al “Using deferrable demand in a smart grid to reduce the cost of electricity for customers” Journal of Regulatory Economics, 2015. 이 논문은 연구책임자가 주저자로 저술한 논문으로, 본 연구의 풍력확률모형을 도출하는데 있어서 이 논문의 공동저자의 도움을 일부 받았다.

제6장 풍력 확률 모형 개발 55

1. 풍속 예측 모형 개발

풍속 예측 모형은 2-스테이지 ARMAX 모형 (Autoregressive-Moving-

Average model with Exogenous Inputs)을 이용하였다. 2-스테이지 중

첫 번째 스테이지에서는 결정론적 (deterministic) 정보인 계절별 주기,

일간 주기 등의 정보와 기온정보를 설명변수로 이용해 정보를 추출하

였다. 두 번째 스테이지에서는 첫 번째 스테이지의 residual( )을 가

져와서 ARMA (Autoregressive-Moving-Average model) 모형을 적용

하여 1-스테이지의 residual 속에 녹아있는 정보를 추출하는 통계작업

을 수행하였다. 본 모형에서 전통적인 VAR(Vector Auto Regression)

을 사용하지 않은 이유는 결정론적 정보 부분이 너무 복잡한 형태를

띠고 있기 때문에, 두 단계로 분리한 추정모형이 더 안정적이고 실현

가능한 솔루션을 제공해 주기 때문이다. 2-스테이지 ARMAX 모형의

개념적인 수식형태는 다음과 같다.

<Stage 1 : Deterministic Part>

<Stage 2: ARMA Part>

:

- Deterministic Cyclest,i : 1년, 반년, 24시간, 12시간이 주기인

sine과 cosine 커브

- : 첫 번째 단계 OLS 추정식의 잔차(residual)

56

- : 두 번째 단계 ARMA 추정식의 백색잡음잔차(White noise

residual)

<표 6-1>에 4개 풍력단지가 위치한 지역의 풍속 데이터를 이용해

각 지역별로 2-Stage ARMAX모형을 적용하여 나온 모형의 결과가

정리되어 있다. Adjusted R2는 Stage 1인 Deterministic part의 설명력

을 보여주고 있고, Pseudo R2는 Stage 1과 Stage 2를 모두 포함한 모

형의 설명력을 보여주고 있다.

풍속 지역

Adjusted R2 Pseudo R2(1-B/A) A(Dependant Variable분산)

B(WNR분산)

1. 한림 0.2033 0.7603 0.0702 0.0168

2. 안덕 0.1613 0.7916 0.0572 0.0119

3. 성산 0.1867 0.7118 0.0477 0.0137

4. 조천 0.1919 0.7585 0.0575 0.0139

<표 6-1> 풍속 예측 모형 Estimation 결과

2. Monte Carlo 시뮬레이션 적용한 풍속예측 profile 생성

두 번째 단계에서는 첫 번째 단계에서 나온 각 모형의 백색잡음잔

차(White Noise Residual, WNR)의 mean과 covariance정보를 이용해

Monte Carlo Simulation 방법론을 적용하여 풍속 profile 샘플을 생성

하였다.

[그림 6-2]의 그래프는 모형상에 풍력단지가 들어와 있는 4개 지역

제6장 풍력 확률 모형 개발 57

모형을 이용해서 여름철 피크일에 24시간동안의 풍속 예측 샘플을

1000개 생성한 모습이다. 특징적인 점은 예측시점으로부터 약 8시간

이후까지는 예측오차(Forecasting Error)가 서서히 증가하다가, 8시간

이후부터는 풍속 샘플 profile의 예측 폭이 일정하게 유지된다는 점

이다. 이 사실은 현재의 정보는 8시간 이후의 풍속을 예측하는 데에는

크게 도움이 되지 않는다는 점을 시사해 준다.

(c) 성산 (d) 조천

(a) 한림 (b) 안덕

[그림 6-2] Monte Carlo Simulation 이용한 여름철 피크일 예측 풍속 Profile

1000개 샘플 (m/s)

58

3. 풍력 profile로 변환

세 번째 단계에서는 두 번째 단계에서 생성된 풍속 샘플 profile을 풍력

profile로 변환하는 작업을 수행하였다. 국제전기표준회의(International

Electrotechnical Commission, IEC)에서 기준으로 정한 풍력 변환

power curve는 [그림 6-3]에서 보는바와 같이 크게 4종류로 존재한다.

IEC-1, IEC-2, Offshore(해상풍력)은 낮은 풍속 구간(5~12m/s)에서는

같은 풍속대비 풍력 낮으나, 높은 풍속 구간(23~27m/s)에서 유리한 구

조를 가지고 있고, IEC-3는 낮은 풍속 구간에서 가장 높은 풍력 변환

율을 보여준다. 상대적으로 풍속이 낮은 제주지역의 풍력단지 상황을

고려하여 가장 높은 풍력 변환율을 보여줄 수 있는 IEC-3 풍력 커브

를 이용해서 풍력 변환을 하였다.

[그림 6-3] IEC 기준별 풍력 변환 곡선

제6장 풍력 확률 모형 개발 59

풍속에서 풍력으로의 변환은 IEC-3 풍력 커브의 모양에서도 알 수

있듯이 비선형 변환(Non-Linear Transformation)이다. 5~12m/s 구간에

서 풍력으로의 변환이 급격하게 일어난다. 그래서 예측 풍력 profile의

모양도 풍속 profile의 모양보다 10~15시 사이에 급격한 상승과 하락

을 보인다. 풍속의 변동성, 불확실성에 더해서, 풍력 변환 커브의 이런

속성이 풍력이 계통망의 안정성을 더 해치는 요인으로 작용하게 한다.

(a) 한림

(c) 성산 (d) 조천

(b) 안덕

[그림 6-4] 여름철 피크일 예측 풍력 Profile 1000개 샘플(풍력용량대비 비율 (%))

60

4. 풍력 Scenario Profile 추출

네 번째 단계에서는 세 번째 단계에서 얻은 예측 풍력 profile 1000

개 샘플에서 이 샘플을 대표할 수 있는 다섯 개의 풍력 시나리오

profile을 추출하였다. 가운데 빨간 profile이 1000개 샘플 profile 중

중간값(median)에 해당하는 profile이고 한단계 위아래로 있는 profile

은 평균에서 +1 standard deviation(sd)과 –1 sd에 해당하는 샘플을

대표하는 profile이고(67% CI) 가장 높은 profile과 가장 낮은 profile

은 +2 sd와 –2sd에 해당하는 샘플을 대표하는 profile(95% CI)이다.

즉 가장 아래 위치한 풍력 시나리오 profile(Scenario 1)은 하위 2.5%

를 대표하는 profile이고 두 번째 위치한 시나리오 profile(Scenario 2)

는 하위 16.5%를 대표하는 값, Scenario 3은 50%, Scenario 4는

83.5%, Scenario 5는 97.5%를 대표하는 profile이다.

(a) 한림 (b) 안덕

[그림 6-5] 여름철 피크일 지역별 5개 풍력 시나리오 Profile(풍력용량대비 비율 (%))

제6장 풍력 확률 모형 개발 61

(c) 성산 (d) 행원

가. Markov Transition Probability 생성

풍력 시나리오 입력값과 더불어 모형 내에서 시간 t에서 t+1으로 이

동할 때 시나리오의 트랜지션을 정해 줄 수 있는 확률값인 Markov

Transition Probability Matrix가 필요하다. [그림 6-6]은 이 Transition

Probability에 대한 개념을 잘 보여주고 있다. [그림 6-6]에서 보는 바

와 같이 hour1에서 hour2로 시나리오가 이동할 때, 각 시간에 시나리

오 4개가 존재(이 예제 개념도에서는 시나리오가 4개, 본 연구모형상

에는 시나리오가 5개)하기 때문에 4 X 4=16개의 트랜지션에 대한 확

률 값이 필요로 하게 된다. 이 연구에서는 각 시간별로 5개의 풍력 시

나리오가 존재하기 때문에 5 X 5=25개의 트랜지션 확률 값이 필요하

다. 이 확률 값은 각 시간별로 이 연구에서 미리 정해진 5개의 확률값

(2.5%, 16.5%, 50%, 83.5%, 97.5%)의 영역에 속하는 1000개 각각의

샘플이 t에서 t+1로 이동할 때 얼마나 많은 샘플이 Scenario X에서

Scenario Y로 이동하는지 개수를 계산하여 트랜지션에 대한 확률값을

구하게 된다.

62

[그림 6-6] Markov Transition Probability의 구조도

자료: Zimmerman 2013

[그림 6-7] 시간별 시나리오 Transition Probability Matrix

Pij(1,2)=

Pij(2,3)=

..........

제6장 풍력 확률 모형 개발 63

Pij(23,24)=

[그림 6-7]은 네 번째 단계에서 구한 풍력 시나리오들의 시간별

transition probability matrix를 보여준다. Pij(1,2)는 1시에서 2시로 이

동할 때 각 시나리오별 transition probability를 보여준다. S1에서 S1으

로 갈 때는 0.4, S1에서 S2로 갈 때는 0.48, S1에서 S3로 갈 때는

0.12, S1에서 S4로 갈 때는 0, S1에서 S5로 갈 때도 0 과 같은 해석이

가능하다. 즉 행은 S1에서 다음시간 다섯 개의 시나리오로 이동하는

확률이기 때문에 행의 합은 1이 되어야 한다. Pij(2,3)은 다음 시각 2시

에서 3시로 이동할 때의 확률값을 보여주며, 1시에서 24시로 이동하기

위해서는 이런 Transition Probability Matrix가 23개가 필요하게 된다.

[그림 6-7]에서는 해석상의 편의를 위해 확률값이 낮을수록 파란색

을 높을수록 붉은색을 띄도록 표현했는데, 직관적으로 이해할 수 있듯

이 대각선 값들이 높은 확률값을 가지는 것을 알 수 있다. 이 현상은

전 시간에 있었던 시나리오에 다음시간에도 있을 확률이 가장 높은

시나리오의 일관성(Persistency)을 나타내는 것이다. 이 현상은 바람이

약할 때 다음시간에도 바람이 약할 가능성이 높고, 바람이 강할 때 다

음시간에 바람이 가능성이 높은 실제상황과도 일치하는 Transition

Probability의 특성이라고 할 수 있겠다.

제7장 정책 시나리오 분석 65

제7장 정책 시나리오 분석

1. 정책 시나리오 구축

이 장에서는 MPSOPF 모형을 이용해 구축한 제주 전력계통망과 풍

력 확률 모형으로 얻은 풍력 시나리오와 Transition Probability Matrix

를 이용해 풍력과 ESS가 전력계통망에 어떤 영향을 미치는지에 대한

시나리오 분석을 수행했다. 시나리오 구축에 대한 가정과 조건은 다음

과 같다

- 계통운영자가 일일전 발전계획수립(Day-Ahead Planning, DAP)을

하는 관점에서 전력계통망 최적화를 수행하였다. 자정시간 기준으

로 향후 24시간에 대한 발전계획을 수립하였다. 이는 실제 전력시

스템 운용에 근접한 방법이다.

- 2014년 기준 각 계절별 대표성을 띄는 날짜를 선택해서 각 날짜에

대한 24시간 최적화를 수행하였다. 여름철과 겨울철은 각 계절에

피크수요를 가지는 날짜를 선택하였고, 봄철과 가을철은 대조적인

분석을 위해서 평일 중 가장 수요가 낮은 날짜를 선택하였다.

* 계절별 대표일: 겨울(2014-01-09), 봄(2014-06-04), 여름(2014-07-25),

가을(2014-10-09)

- 앞서 구축한 풍력 예측 시나리오와 Transition Matrix를 이용해 모

형 상에 풍력발전 불확실성 구축하였다. 이는 실제 운용의 관점에

서 풍력의 변동성과 불확실성을 고려한 최적화 수행을 가능하게

한다.

66

- 일일전 발전계획 수행 시 풍력 불확실성을 고려하여 발전량과 예

비력(Contingency Reserve, Load-Following Reserve)의 양을 도출

하였다.

- 송전망 제약을 최적화 수행 시 고려하여 전력시스템 네트워크 효

과와 이에 따른 LMP(지역별 한계가격) 영향을 반영한 최적 발전

계획을 수립하였다.

- 부하 차단(Load Shedding)을 MWh당 천만 원의 패널티를 부과하

는 제약조건하에서 허용하였다. (VOLL12) = 10,000천원/MWh)

이는 높은 비용을 감안하고도 일정 수요를 소화하지 않는 것이 계

통운영관점에서 더 합당하다면 전력수요를 모두 만족시키지 않는

것(Load Shedding)을 허용하는 것이다. 이는 아주 낮은 가능성으

로 극단적으로 높은 풍력이 갑자기 계통에 들어오는 등의 이벤트

발생 시 부하차단을 허용하여, 모형의 유연성을 높이고, 최적화의

솔루션 보장해주는 효과를 가지게 된다.

- 리튬 이온 저장장치 (Lithium-Ion ESS)를 각 풍력단지에 풍력용량

에 비례하게 설치하였다. ESS의 용량은 2020년 풍력용량의 50%

크기(총 용량 298.5MWh)로 가정하였다. 최적 ESS 용량 탐색 부

분에서는 이 용량을 단계적으로 증가 및 감소시켰다.

12) Value of Lost Load(VOLL)은 1 MWh의 전력수요를 계통에서 수용하지 못하는 것에 대한 비용을 뜻한다. 일반적으로 적정설비용량을 추정하기 위해 사용되는 정전지속기간(Duration of Blackout)을 계산할 때 사용되는 개념으로, Duration of Blackout= RCC/VOLL 의 관계를 보인다. 여기서 RCC는 Reliability Cost of Capacity로 피크에 사용되는 발전기의 1MW-year당 비용을 나타낸다. 그래서 예를들어, RCC가 80,000천원/MW-year, VOLL이 10,000천원/MWh 이라고 하면 Duration of Blackout이 8시간 수준인 적정설비용량을 이 사회에서 수용하는 것을 뜻한다.

제7장 정책 시나리오 분석 67

위의 가정과 조건을 반영해서 다음과 같은 다섯 가지의 시나리오를

산정하였다.

1) Case 1 : 2015년 기본 제주전력계통(풍력X)

2) Case 2a: Case 1 + 2015년 풍력용량(156MW)3) Case 2b: Case 1 + 2020년 풍력용량(597MW)

4) Case 3a: Case 2a + ESS at 4 wind sites(298.5MW)5) Case 3b: Case 2b + ESS at 4 wind sites(298.5MW)

<표 7-1> 5개 시나리오 정의

위 시나리오를 이용해 풍력의 용량별 계통에 미치는 영향 분석과

ESS의 경제성 분석을 중심으로 정책 시나리오 분석을 수행했다.

2. 정책 시나리오 분석

가. 계절별 대표일 시나리오 결과 분석

1) 최적 발전믹스 분석

a. 여름철 피크일

[그림 7-1]은 앞서 정의된 5가지 Case에 대해서 2014년 여름철 피

크일 24시간 동안의 발전원별 믹스 profile을 보여주고 있다. 본 최적

화 모형의 결과 값은 시간별로 15개 스테이트13) 각각에 대해 다른 출

13) 3가지 상정사고 시나리오와 5가지 풍력 시나리오가 합쳐져서 3 X 5 = 15가지의 스테이트가 시간별로 존재하게 된다.

68

력 값을 가지기 때문에, 여기 나타낸 그래프는 각 스테이트별 발전량

과 그 스테이트가 발생할 확률값을 고려한 평균 발전믹스 profile을

보여주고 있는 것이다.

아래에서부터 빨간색은 육지와 연결된 두 개의 HVDC에 의해서 제

주도로 공급되는 발전량, 파란색은 제주(Bus1)에 있는 두기의 기력발

전(TP1), 노란색은 남제주(Bus9)에 있는 두기의 기력발전(TP2), 하늘

색은 제주에 있는 디젤발전(DP), 옅은 회색은 한림(Bus6)에 있는 복

합화력발전(CC), 그림에는 나오지 않았지만 짙은 회색은 제주에 있는

가스터빈 발전(GT)을 뜻한다.

[그림 7-1]의 (a)는 앞서 정의한 Case 1의 시나리오로 전통적 발전

소만을 이용해서 제주전력계통을 운영했을 때 발생되는 전원믹스

profile을 보여준다. 전체적으로 HVDC와 기력발전이 기저를 담당하

고 복합화력이 피크부하를 그리고 가스터빈발전은 본 전력수요 수준

에서는 가동이 되지 않는 것으로 나타났다.

[그림 7-1]의 (b)와 (c)는 2015년 수준의 풍력(Case 2a, 156MW)과

2020년 수준의 풍력(Case 2b, 597MW)이 도입됐을 때 발전원별 믹스

profile을 보여주고 있다. 초록색으로 표시된 부분이 풍력 발전 부분으

로, Case 2a에서 나타난 2015년 풍력 수준에서는 전체적으로 풍력이

없는 Case 1의 발전 믹스를 유지하면서 풍력이 주로 피크부하를 담당

하는 복합화력을 대체하고 있는 반면, Case 2b에 나타난 2020년 풍력

수준에서는 높은 수준의 풍력 보급이 특정 시간대에는 기저부하의 발

전량까지 대체하는 수준으로 나타나고 있다. Case 2b에서 풍력발전 부

분을 제한 Net Load상으로 피크는 21시경에 발생하고 있으며 이 시간

에 피크부하용인 복합화력발전이 발생하고 있는 것을 확인할 수 있다.

[그림 7-1]의 (d)와 (e)는 4개 풍력단지에 298.5MWh규모의 리튬이

제7장 정책 시나리오 분석 69

온 ESS를 설치했을 때 2015년 풍력 수준과 2020년 풍력 수준에서의

발전원별 믹스 profile을 보여주고 있다. 그림에서 오렌지 선이 기존의

수요를 보여주고 있고, 오렌지 선보다 올라온 부분은 ESS 충전에 의해

서 수요가 증가한 부분이고, 오렌지 선보다 낮은 부분은 ESS 방전에

의해서 수요가 대체된 부분을 뜻한다. ESS에 의해서 Case 3a와 Case

3b 모두에서 풍력발전부분이 미약하게 증가했고, ESS가 주로 피크부

하용인 복합화력의 발전량을 대체하고 있는 것을 확인할 수 있다.

(a) Case 1

(b) Case 2a (c) Case 2b

(d) Case 3a (e) Case 3b

[그림 7-1] 발전원별 24시간 평균 발전패턴, 여름철 피크일

70

b. 겨울철 피크일

[그림 7-2]에서 나타난 바와 같이 겨울철 수요 패턴은 10시, 19시경

에 수요증가가 일어나는 쌍봉의 형태를 보여주고 있다. Case1의 발전

믹스 profile은 여름철과 비슷한 패턴으로 HVDC와 기력이 기저를 복

합화력이 피크부하를 담당하고 있는 것을 알 수 있다.

Case 2b의 경우에는 이른 새벽시간 높은 풍력 생성으로 인해 이를

이용하기 위해, HVDC와 기력이 발전량을 낮췄다가 높여가는 형태를

보여주고 있으며, 높은 풍력이 복합화력과 디젤발전을 대체하고 있는

것을 알 수 있다.

Case 3b에서는 1~4시 사이의 이른 새벽시간 ESS가 풍부한 풍력과

값싼 기저발전을 이용해서 전력을 충전했다가, 전력수요가 높게 나타

나는 쌍봉에서 효과적으로 수요를 낮춰주고 값비싼 피크용 발전기의

사용을 최소화해 주는 것을 알 수 있다.

제7장 정책 시나리오 분석 71

(a) Case 1

(b) Case 2a (c) Case 2b

(d) Case 3a (e) Case 3b

[그림 7-2] 발전원별 24시간 평균 발전패턴, 겨울철 피크일

2) 전력시스템 최적화 결과요약

다음 <표 7-2>는 각 계절별 대표일의 전력계통망 최적화 수행 결과

대표되는 결과값을 정리해서 보여주고 있다.

먼저 2014년 최고 전력수요 피크를 보여준 겨울철 대표일의 결과를

살펴보면, 먼저 전통적 발전소에서 생산되는 발전량(E[Conventional

Generation]14))은 풍력이 전혀 도입되지 않은 Case 1에서 가장 높고,

72

Case 2b에서는 높은 풍력 도입이 전체 발전량을 약 40%가량 대체해

주고 있다. Case 3b에서는 ESS가 풍력의 변동성을 안정적으로 제어해

주면서 실제 계통이 받아들인 풍력발전량도 89MWh가량 증가하였다.

시간 간 변동성(Inter-hour variability)를 제어해주는 Load-Following

Reserve는 Case 1 대비 Case 2a와 Case 2b에서 풍력도입양에 비례하게

상당히 가파르게 증가하였고, 시간 내 변동성(Within-hour variability)을

제어해주는 Contingency Reserve 또한 Load-Following reserve 만큼

은 아니지만, Case 2에서 풍력이 도입되면서 상당부분 증가하였다.

하지만 Case 3에서 나타났듯이, ESS가 풍력의 불안정성에서 기인하

는 시간 간 변동성과 시간 내 변동성을 상당히 효과적으로 제어해주면

서, 계통 안정성을 유지하기 위해 필요한 Load-Following Reserve와

Contingency Reserve량이 매우 효과적으로 줄어든 것을 알 수 있다.

E[Load Shed]는 계통 내에서 소화되지 못한 전력 수요를 보여준다.

앞서 시나리오 가정부분에서 설명했듯이 VOLL(Value of Lost Load)

의 개념을 도입해서 MWh당 10,000천원/MWh 수준의 높은 비용을

감안하고도 일정 수요를 소화하지 않는 것이 계통운영관점에서 더 합

당하다면 전력수요를 모두 만족시키지 않는 것(Load Shed)을 허용하

고 있다. 이는 아주 낮은 가능성으로 극단적으로 높은 풍력이 갑자기

계통에 들어오는 등의 이벤트 발생 시 Load Shed를 허용하여, 모형의

유연성을 높이고, 최적화의 솔루션 보장해주는 효과를 가지게 된다.

E[Load Shed]는 전 Case에서 거의 0에 수렴하는 값을 보여주고 있다.

14) Conventional Generation 과 Wind Generation은 각 스테이트별로 발전량이 다르기 때문에 대표성을 가지는 평균 발전량으로 나타냈고, Load-Following Reserve와 Contingency Reserve는 스테이트별 발전량을 모두 고려한뒤 계통 안정성을 제어하기위해 설정되는 값이기 때문에 일반 값으로 정리했다.

제7장 정책 시나리오 분석 73

이는 VOLL의 페널티를 감당하고도 부하차단을 할 만큼 극단적인 이

상상황은 없다는 것을 보여준다.

타 계절의 대표일 전력계통 운용 결과는 위에서 분석한 겨울철 결

과와 유사한 형태를 보여주고 있다. Case 2에서 풍력의 도입은 화석

연료 발전량을 효과적으로 대체하지만 계통의 안정성을 떨어뜨려 이

를 만회하기 위한 필요 Reserve량이 상당히 증가하였다. Case 3에서

ESS가 도입되면, 풍력의 변동성을 효과적으로 제어해줘서 필요

Reserve량을 상당히 감소시키고, 계통에서 소화할 수 있는 풍력 발전

량을 소량 늘려줘 풍력이 늘어나는 효과를 보여주고 있다.

(E[MWh]/일) c1 c2a c2b c3a c3bE[Conventional

Generation] 15,263 14,623 10,930 14,619 10,880

E[Wind Generation] 0 640 4,333 663 4,422

Load-Following Reserve 389 1,208 5,207 183 2,943

Contingency Reserve 1,755 1,891 2,786 115 1,449

E[Load Shed] 0.0 0.0 0.1 0.0 0.0

<표 7-2> 시스템 운용 결과 요약 – 계절별 대표일

(a) 겨울철

(b) 봄철

(E[MWh]/일) c1 c2a c2b c3a c3bE[Conventional

Generation] 10,850 10,178 7,710 10,138 7,674

E[Wind Generation] 0 672 3,139 730 3,205

Load-Following Reserve 236 1,167 3,923 194 1,702

Contingency Reserve 1,179 1,346 2,086 72 888

E[Load Shed] 0.0 0.0 0.1 0.0 0.0

74

(c) 여름철

(E[MWh]/일) c1 c2a c2b c3a c3bE[Conventional

Generation] 14,284 13,367 11,346 13,378 11,301

E[Wind Generation] 0 917 2,938 928 3,018

Load-Following Reserve 457 1,699 4,045 322 2,181

Contingency Reserve 1,564 1,843 2,297 101 1,121

E[Load Shed] 0.0 0.1 0.1 0.1 0.0 (d) 가을철

(E[MWh]/일) c1 c2a c2b c3a c3bE[Conventional

Generation] 11,073 10,703 8,629 10,695 8,520

E[Wind Generation] 0 370 2,444 394 2,595

Load-Following Reserve 267 835 4,946 79 3,027

Contingency Reserve 1,214 1,258 2,730 15 1,548

E[Load Shed] 0.0 0.0 0.1 0.0 0.0

3) 계절별 풍력발전 패턴 분석

[그림 7-3]은 4개 풍력 사이트별 24시간 풍력 발전 profile을 보여주

고 있다. Wind1은 한림(Bus6), Wind2는 안덕(Bus8), Wind3는 성산

(Bus13), Wind4는 조천(Bus14)의 풍력 발전 패턴을 보여준다. 전체적

인 풍력발전은 12시경 높은 패턴은 보여주는데 이는 전력 수요가 높

은 시간에 풍력도 높은 것으로 전력계통운용에는 도움이 되는 형태를

보여주고 있다. 겨울철은 전체적으로 가장 풍력발전량이 많고, 이른

새벽시간에 높은 발전 패턴을 보이면서 다른 계절과 상이한 패턴을

보이고 있다.

제7장 정책 시나리오 분석 75

(a) 겨울철

(c) 여름철

(b) 봄철

(d) 가을철

[그림 7-3] 4개 사이트별 24시간 풍력 발전 Profile, Case 3b-계절별 대표일

4) 전력시스템 운용비용 분석

<표 7-3>은 전력계통망 최적화 수행 후 전력계통 운용비용을 계절

별로 요약해서 보여주고 있다. 겨울철 대표일을 살펴보면, 발전비용

(Generation Cost)는 Case 1 대비 Case 2b에서 풍력이 효과적으로 화

석연료 발전을 대체해주면서 30%가까이 감소한 반면, 예비력비용

(Reserve Cost)는 5배 이상 증가하였다. Case 3b에서 ESS가 계통에

76

도입되면서 Case 2b대비 Reserve Cost가 절반가까이 감소하였고, 풍

력의 변동성이 효과적으로 제어되면서 계통에서 받아들일 수 있는 풍

력의 량이 소량 증가하면서 Generation Cost도 소량 감소하였다. 그래

서 총운용비용(Total Operating Cost) 기준으로 Case 1 대비 Case 2b

는 약 460백만 원 감소하였고, Case 3b는 505백만 원 감소하였다.

타 계절도 전체적으로 유사한 결과 값을 보여주고 있지만, 풍력발전

량이 겨울철보다 상대적으로 30~45%가량 낮기 때문에 Generation

Cost 절감효과는 상대적으로 덜한 대신 Reserve Cost 증가효과 또한

상대적으로 낮은 것을 보여준다. Case 3에서 ESS 도입효과 또한 겨울

철과 비슷한 형태로 Total Operating Cost를 감소시켜 주고 있다.

(백만원/일) c1 c2a c2b c3a c3bGeneration Cost 1,473.1 1,391.9 975.5 1,388.7 952.0

Reserve Cost 8.1 13.8 45.0 2.0 24.2 Load-Following Reserve Cost 2.9 8.3 36.8 1.7 19.9

Contingency Reserve Cost 5.1 5.5 8.2 0.3 4.2

Total Operating Cost 1,481.2 1,405.7 1,020.5 1,390.8 976.0

<표 7-3> 전력계통 운용비용 분석 - 계절별 대표일

(a) 겨울철

(b) 봄철

(백만원/일) c1 c2a c2b c3a c3bGeneration Cost 971.7 894.2 677.0 886.9 665.0

Reserve Cost 6.5 12.6 37.4 1.9 15.8 Load-Following Reserve Cost 3.1 8.6 31.3 1.7 13.2

Contingency Reserve Cost 3.5 3.9 6.1 0.2 2.6

Total Operating Cost 978.2 906.8 714.3 889.8 681.6

제7장 정책 시나리오 분석 77

(c) 여름철

(백만원/일) c1 c2a c2b c3a c3bGeneration Cost 1,353.6 1,238.0 1,016.2 1,235.6 995.3

Reserve Cost 9.9 18.2 35.4 3.9 18.4 Load-Following Reserve Cost 5.4 12.8 28.7 3.6 15.1

Contingency Reserve Cost 4.6 5.4 6.7 0.3 3.3

Total Operating Cost 1,363.5 1,256.3 1,051.6 1,239.9 1,013.4

(d) 가을철

(백만원/일) c1 c2a c2b c3a c3bGeneration Cost 997.4 954.7 760.1 951.5 737.6

Reserve Cost 7.1 10.8 46.5 1.4 25.3 Load-Following Reserve Cost 3.6 7.1 38.5 1.3 20.7

Contingency Reserve Cost 3.6 3.7 8.0 0.0 4.5

Total Operating Cost 1,004.5 965.4 806.6 953.4 763.0

나. 지역별 계통한계가격(SMP) 및 송전망 혼잡 분석

1) 지역별 계통한계가격 분석(SMP)

[그림 7-4]는 여름철 대표일의 지역별 24시간 계통한계가격(SMP)의 패

턴을 보여주고 있다. 모든 Case에서 송전망 혼잡(transmission congestion)

이 발생하지 않아서, 모든 지역에서 동일한 SMP를 보여주고 있다. 현

재의 송전망 용량 수준은 2020년 수준(597MW)의 풍력 용량이 도입

되어도 특별한 송전망 혼잡 없이 제주계통을 운용할 수 있는 수준인

것을 보여준다.

Case 1에서는 전력수요가 최저인 5시경에서 전력수요 피크가 발생

하는 15시경까지 꾸준히 SMP가 증가하다가 15시에서 150원/kWh 수

준으로 정점을 형성하는 모습을 보여준다.

78

Case 2에서는 한계비용(marginal cost)이 0인 풍력 도입으로 인해

전체적인 SMP가 Case 1대비 감소한 것을 알 수 있다. 특히 Case 2b

의 경우 이른 새벽시간에 SMP가 큰 하락을 보여주고 있고, 피크시간

대에도 <그림 7-3>에 나타난 높은 이시간대 풍력이 유입되면서 15시

경의 SMP가 120원/kWh 대에서 형성되고 있다. 하지만 밤 시간에는

풍력이 다시 줄어들면서 SMP가 140원/kWh 대까지 오르는 것을 알

수 있다.

Case 3에서는 ESS가 전력수요와 SMP가 낮은 밤 시간대 충전을 위

해서 전력수요를 늘이고, 전력수요가 높은 오후 시간대 방전을 통해

전력수요를 shaving하면서 전체적으로 SMP의 밤 낮 변동이 상당히

줄어든 평평한 형태가 된 것을 확인할 수 있다. Case 3b를 Case 2b와

비교해서 살펴보면, 밤 시간 SMP가 증가하고, 낮 시간 SMP가 감소

하면서 변동성 높은 Case 2b의 SMP 패턴에 반해, 안정적인 패턴을

보여주고 있다.

하지만 ESS 도입으로 인한 변동성이 낮고 평평한 형태의 SMP는

결과적으로 ESS의 차익거래이익(Price Arbitrage Profit)을 줄이는 결

과를 가져오고, 궁극적으로 ESS가 과도하게 도입이 되면 SMP가 수평

선의 형태를 나타내면서 ESS가 차익거래로부터 얻는 경제성은 사라

지게 된다.

제7장 정책 시나리오 분석 79

(a) Case 1

(b) Case 2a (c) Case 2b

(d) Case 3a (e) Case 3b

[그림 7-4] 지역별 24시간 계통한계가격(SMP), 여름철 대표일

80

2) 잠재적인 송전망 혼잡 효과 분석

[그림 7-5]는 여름철 Case 3b에서 제주도 전체 송전용량을 95%와

90% 수준으로 감소시켰을 때 지역별 SMP의 변화를 살펴보았다.

95% 송전 용량 수준에서 피크시간에 송전망 혼잡으로 인한 지역별

SMP의 이격이 발생하기 시작하는 것을 확인 할 수 있다. 95% 송전망

수준에서 SMP의 이격은 지역별로 크지는 않지만, 신서귀(Bus 10)에

서 가장 크게 SMP가 올라가는 것을 알 수 있다.

90% 송전 용량 수준에서는 SMP 이격이 훨씬 뚜렷하게 나타난다.

10시~21시 사이에 전력수요가 높은 시간대에 SMP의 차이가 크게 나

타나는데 신서귀(Bus 10)의 SMP는 11시경 약 180원/kWh까지 증가

하는 반면 조천(Bus 14)는 약 100원/kWh 수준에서 SMP가 결정이 되

고 있다. Bus 15와 Bus 16은 HVDC로 연결되어있는 육지의 해남과

진도 지역으로 값싼 발전원이 위치해 있어서 낮은 SMP가격을 보여주

고 있다.

90% 송전 용량 수준에서의 SMP 패턴으로 판단해보면, HVDC에서

들어오는 값싼 전력이 북쪽 지역의 수요처로는 원활히 공급이 되어서

조천(Bus 14), 산지(Bus 3), 동제주(Bus 2), 제주(Bus 1) 등에서는 상

대적으로 SMP가격이 낮게 형성이 되지만, 이 값싼 전력이 남쪽까지

는 송전이 원활이 이루어지지 않아서 신서귀(Bus 10), 한라(Bus 11)에

서는 높은 SMP가격으로 나타나고 있다. 90% 송전 수준에서 이미 꽤

심각한 송전망 혼잡이 발생하고 있는 것을 봤을 때 효율적인 제주계

통운영을 위해서는 매년 빠르게 증가하는 전력수요를 감안했을 때 신

속하게 송전망 용량 증설이 필요한 것으로 분석된다.

제7장 정책 시나리오 분석 81

(a) Case 3b, 95% 송전 용량

(b) Case 3b, 90% 송전 용량

[그림 7-5] 24시간 지역별 계통한계가격(LMP) 송전망 혼잡에 따른 변화, 여름

피크일

82

다. ESS 최적 운용 패턴 분석

1) ESS 충방전 패턴 분석

[그림 7-6]은 여름철 Case 3에서 ESS1(한림, Bus 6)의 24시간 충방

전 에너지량 패턴을 보여주고 있다. 위아래 분홍색 점선은 ESS의 물

리적인 시간당 충방전 한계용량을 보여주고 있고(Upper Lim, Lower

Lim), 가운데 초록색 점은 시간별로 존재하는 베이스 스테이트(5개

스테이트)와 상정사고 스테이트(10개 스테이트)에 대해서 ESS가 충방

전량을 조정하는 것을 보여준다. 파란색 점선은 스테이트별로 존재하

는 ESS 충방전량 중 최솟값과 최댓값의 경계를 나타낸 것이고(Gmax,

Gmin), 빨간색 점선은 각 시간별 평균 충방전량을 보여준다.(E[Pg]).

전체적으로 낮은 풍력 케이스(Case 3a)와 높은 풍력 케이스(Case

3b)에서 공통되게 나타나는 점은 풍력의 변동성으로 인해 발생하는

각 스테이트별 변동성을 ESS가 적극적으로 효과적으로 제어하는데

기여하고 있다는 점이다. 스테이트별로 상이한 ESS의 충방전량은 풍

력의 변동성에 대응해서 다른 발전기가 출력량을 조정해가며 맞춰야

하는 일을 대신해서 계통 안정성 유지에 기여하고 있다는 의미이다.

이는 <표 7-3>의 Case 3에서 나타난 낮은 reserve cost의 이유를 보다

직접적인 관점에서 보여주는 그래프라고 할 수 있겠다.

낮은 풍력용량(Case 3a)과 높은 풍력용량(Case 3b)의 차이는 ESS가

만족시켜야 하는 변동성의 크기이다. Case 3a는 ESS가 만족시켜야 하

는 변동성의 크기라고 할 수 있는 파란점선으로 이루어진 경계의 폭

이 높은 풍력용량보다 비교적 좁고 일정한 반면, Case 3b는 시작시점

부터 파란점선의 경계가 넓고 시간대별로 불규칙한 패턴을 보여준다.

특히 Case 3a는 일반적으로 이른 새벽시간에는 충전의 패턴(음수의

제7장 정책 시나리오 분석 83

전력 값은 충전, 양수의 전력 값은 방전을 뜻한다)을 그리고 피크시간

인 오후에는 주로 방전의 패턴을 보여주는데 반해, Case 3b는 풍력의

높은 변동성으로 인해 새벽-충전, 오후-방전으로 인한 generation cost

절감효과보다는, 높은 풍력의 변동성을 경감시키는 reserve cost 절감

효과로 좀 더 집중된 모습을 보여주는 것으로 나타났다.

[그림 7-6] 시간별 ESS 충방전 에너지량, 낮은 풍력용량 vs. 높은 풍력용량

(a) c3a, 낮은 풍력용량

(b) c3b, 높은 풍력용량

84

2) ESS 저장 에너지량 패턴 분석

[그림 7-7]은 여름철 Case 3에서 ESS1(한림, Bus 6)의 24시간 저장

에너지량 패턴을 보여주고 있다. 핑크색 점선은 최대 저장가능 에너지

량과 최소 에너지량(Max Stor. L, Min Stor. L)을 보여주고, 초록색과

파란색 점선은 이 ESS가 만족시켜야하는 변동성의 크기를 보여주는

경계선이다.(S+, S-) 그리고 검은색 선은 시간별 평균 저장 에너지량

을 보여준다.

이 그래프의 시사점도 앞의 결과와 유사하게, Case 3a에서는 이른

새벽시간 상대적으로 낮은 변동성으로 ESS 충전에 집중했다가, 거의

ESS 용량의 90% 수준까지 충전한 후, 오후 피크시간대에 가파르게

방전하는 모습을 보여준다. 반면, Case 3b에서는 이른 새벽시간에 상

대적으로 더 큰 변동성(넓은 s+, s- 경계선)속에서 충전을 했다가 높은

변동성에 대응하기 위해 피크시간대에 적극적으로 방전하지 못하고

에너지를 저장해두고, 상대적으로 늦은 20시 경부터 방전하는 형태를

보여주고 있다. 즉 Case 3b는 새벽-충전, 오후-방전보다는 높은 풍력

용량에서 발생하는 큰 변동성을 제어해 주는 쪽에 더 집중을 하는 것

이다.

제7장 정책 시나리오 분석 85

[그림 7-7] 시간별 ESS 저장 에너지량, 낮은 풍력용량 vs. 높은

풍력용량

(a) c3a, 낮은 풍력용량

(b) c3b, 높은 풍력용량

86

3. 연간 계통운영비용 분석

가. 연간 전력수요 패턴

우리나라 연간 최대전력수요 패턴은 [그림 7-8]와 같이 여름철 냉방

수요로 인해 가장 높은 피크를, 그리고 겨울철 난방수요로 인해 두 번

째 높은 피크를 형성하고, 봄과 가을에 저점을 만드는 형태였다. 하지

만 최근 2~3년간 난방수요가 증가하면서 겨울철 피크가 여름철 피크

를 앞지르는 형태를 보여주고 있다.

[그림 7-8] 우리나라 연간 최대전력수요 및 평균전력수요 패턴

자료: 한국 전력거래소 홈페이지, https://www.kpx.or.kr/KOREAN/servlet/action?index=page&menu_idx=131, 최종열람일: 2015-10-13

이런 최근의 추세는 제주도의 전력수요에도 잘 반영이 되어 있다.

[그림 7-9]에서 나타난 2014년 제주도의 일피크 전력수요와 일평균

전력수요를 살펴보면, 1월 9일 겨울 피크를 형성하고 6월 4일 봄 저점

제7장 정책 시나리오 분석 87

을 거쳐, 7월 25일 여름 피크, 그리고 10월 9일 가을 저점을 만드는

패턴을 보여주고 있다. 이 2014년 제주도 피크전력수요의 패턴에 근

거해서, 앞서 정의한 계절별 대표일을 선정하고, 이 계절별 결과를 토

대로 연간 전력계통운영비용을 추정 분석하였다.

계절별 대표일을 토대로 한 연간 전력계통운영비용 추정 분석은

PCHIP 보간법(Interpolation)을 이용하였다. PCHIP은 Piecewise Cubic

Hermite Interpolation Polynomial의 약자로 일반적인 3차 스플라인 보

간법(Cubic Spline Interpolation)을 개선해서 지정된 점에서 변곡이 이

루어져 local min, local max가 될 수 있도록 해주는 보간법을 뜻한다.

[그림 7-10]에서 나타난 바와 같이 PCHIP 보간법을 이용한 연간 피크

수요 패턴은 전체적인 실제 연간패턴을 잘 근사해주고 있는 것을 알

수 있다.

[그림 7-9] 제주도 2014년 일 피크 전력수요패턴과 PCHIP 보간법 이용한 연간

피크수요 패턴 비교

88

나. Interpolation 기법 이용한 연간계통운용비용 분석

1) PCHIP 보간법 이용한 연간계통운용비용 패턴

[그림 7-10]은 5개 Case의 operating cost를 앞서 설명한 PCHIP 보

간법을 이용해서 추정한 그래프를 보여준다. day0 와 day 366은 겨울

철 대표일(1/9)을, 사이 값 세 가지는 순서대로 봄철(6/4), 여름철

(7/25), 가을철(10/9) 대표일을 해당 날짜에 배치하고 PCHIP 보간법을

이용하여 추정하였다. 전체적으로 전력수요가 가장 높은 겨울철에

operating cost가 가장 높으며 봄철과 가을철은 전력수요 수준이 비슷

하지만, 풍력발전량이 상대적으로 높았던 봄철이 가장 낮은 operating

cost를 보여주고 있다. Case 2b 와 Case 3b의 높은 풍력용량 Case에

서는 겨울철이 여름철에 비해 바람이 풍부해서 상대적으로 낮은

operating cost 수준을 보여주고 있다.

제7장 정책 시나리오 분석 89

(a) Case 1

(b) Case 2a (c) Case 2b

(d) Case 3a (e) Case 3b

[그림 7-10] PCHIP 보간법 이용한 연간 전력계통운영비용 추정

90

2)　연간계통운용비용 분석

<표 7-4>는 보간법을 이용하여 Case 별로 연간 계통운용비용을 분

석한 결과를 요약해서 보여주고 있다. 먼저 발전비용(Generation Cost)

를 살펴보면, 낮은 풍력 수준의 Case 2a와 Case 3a는 Case 1대비 각

각 273억 원, 287억 원 경감되었고, 높은 풍력 수준의 Case 2b와

Case 3b는 각각 1193억 원, 1258억 원 경감되었다. 발전비용 경감요

인으로는 풍력발전이 화석연료발전을 효과적으로 대체하는 것이 일차

적인 이유이고, ESS가 도입되었을 경우 Case 3b와 Case 2b의 발전비

용경감효과 개선이 약 66억 원 발생하는데 이는 값비싼 피크부하를

새벽 시간으로 옮기면서 값싼 발전원을 더 이용하는 것과 ESS가 풍력

의 변동성을 개선시키면서 추가적인 풍력이 전력시스템에 들어오는

효과에서 발생하는 비용경감 효과이다.

예비력비용(Reserve Cost)을 살펴보면, 낮은 풍력 수준의 Case 2a와

Case 3a는 Case 1대비 각각 21억 원 증가, 20억 원 경감되었고, 높은

풍력 수준의 Case 2b와 Case 3b는 각각 125억 원, 48억 원 증가하였

다. Case 2b에서 예비력비용은 Case 1 예비력비용의 5.5배에 해당되

는 값으로 높은 풍력 변동성이 계통안정성 저하유발에 대한 해결비용

이 상당히 가파르게 증가하는 것을 알 수 있다. 또한 풍력이 없는

Case 1에서 예비력비용/발전비용의 비율이 0.7%에 불과했지만, 높은

풍력인 Case 2b에서는 이 비율이 5.1%까지 증가하였다. 이는 높은 풍

력이 전력시스템에 도입되면 예비력비용이 전체계통운용비용 중 상당

한 부분을 차지할 것을 보여준다. Case 3b에서는 ESS가 풍력의 변동

성을 상당히 효과적으로 경감시켜주면서 약 77억 원의 예비력비용이

절약된 것으로 나타났다. ESS가 풍력과 연계됐을 때, 풍력변동성 경

제7장 정책 시나리오 분석 91

감효과의 경제성이 상당한 것을 알 수 있다.

발전비용과 예비력비용로 구성되어 있는 Operating Cost는 연간

Case 1의 경우 약 4191억 원 가량 소요되는 것으로 나타났다. Case 2

의 경우 Case 2a와 Case 2b가 각각 Case 1대비 252억 원, 1068억 원

절감되는 것으로 나타났고, Case 3의 경우 Case 3a와 Case 3b가 각각

Case 1대비 307억 원, 1210억 원 절감되는 것으로 나타났다.

(백만원/년) c1 c2a c2b c3a c3b

Generation Cost 416,370 389,094 297,095 387,638 290,527

Reserve Cost 2,755 4,843 15,241 773 7,561 Annual Operating

Cost 419,125 393,937 312,336 388,412 298,088

Operating Cost Saving from Case 1 - 25,188 106,789 30,714 121,038

Capacity Cost Saving - - - 4,257 3,529

Total Annual System Cost Saving - 25,188 106,789 34,971 124,567

c1와의 차이(%) - 6.0% 25.5% 8.3% 29.7%

<표 7-4> Case 별 연간 계통운영비용 분석

여기에 ESS의 피크전력수요 감축효과로 얻을 수 있는 용량비용절

감효과(Capacity Cost Saving Effect) 까지 고려하면 Case 3a와 3b의

경우 각각 약 42.6억 원과 35.3억 원이 이 요인에 의해서 얻어질 수

있는 효용으로 분석되었다. 이 비용은 Case 3a와 3b 각각에 대한 피크

수요 경감효과인 48.5MW, 40.2MW에 <표 7-5>에 나타난 미국 EIA에

서 2012년 기준 피크부하용 LNG발전소의 고정설비비율을 연간비용

으로 계산한 값인 87,780천원/MW-year15)을 적용하여 분석한 값이다.

92

최종적으로 발전비용, 예비력비용, 용량비용 절감효과를 모두 감안

한 비용절감효과를 비율로 살펴보면 ,Case 1대비 Case 2a는 6.0%, Case

3a는 25.5%, Case 3a는 8.3%, Case 3b는 29.7%인 것으로 분석되

었다.

<표 7-5> 2012년 미국 발전기별 설비비용

자료: EIA(2013), Updated Capital Cost Estimates for Utility Scale Electricity Generating Plants

15) 이 연간 피크부하용 NG발전기 capacity cost는 <표 7-5> EIA자료에서 Conventional CC, Natural Gas 발전기의 overnight capital cost($917/kW), Fixed O&M cost ($13.17/kW-yr) 에 발전기수명 30년, 이자율 6%, 환율 1100원/USD를 적용하여 도출한 값이다.

제7장 정책 시나리오 분석 93

3) 풍력규모와 ESS 효용의 상관관계 분석

[그림 7-11]에서는 같은 용량의 ESS가 낮은 풍력과 높은 풍력 상황

하에서 각각 연간계통운영비용 절감에 어떻게 기여하는지를 잘 요약

해서 보여주고 있다. 전체 연간계통운영비용에서 발전비용(Generation

Cost), 예비력비용(Reserve Cost), 용량비용(Capacity Cost)를 구분해

서 각 요소별 절감효과를 보여주고 있는데, 발전비용과 예비력비용에

서 높은 풍력의 경우 ESS의 비용절감효과가 낮은 풍력대비 각각 4.5

배, 1.9배로 상당히 높은 것으로 나타났다. 발전비용절감효과가 상당

히 증가한 것은 앞서 언급했듯이, ESS가 풍력의 높은 변동성과 불확

실성을 제어해주면서, 과도한 변동성으로 인해 기존에 계통에서 소화

할 수 없었던 추가적인 풍력을 사용할 수 있게 되면서 화석연료발전

비용이 줄어들었기 때문이다. 반대로 상대적으로 낮은 풍력상황에서

는 전력시스템에서 감당할 수 있는 변동성 규모이기 때문에 생산되는

풍력 대부분이 계통 내에서 소화된다는 것을 알 수 있다. 예비력비용

절감효과도 높은 풍력에서 1.9배에 이르는 것은, 높은 풍력상황하에서

ESS가 풍력변동성 경감에 기여할 수 있는 여지가 더 많고, ESS가 효

율적으로 계통안정성 제고에 기여하고 있기 때문이다.

용량비용절감효과는 낮은 풍력대비 높은 풍력에서 약 83% 수준으

로 줄어든 것으로 나타났다. 이 이유는 낮은 풍력에서는 풍력의 변동

성이 낮기 때문에 ESS가 피크부하경감에 집중할 수 있는 반면, 높은

풍력에서는 ESS가 피크부하경감보다는 풍력변동성 제어 쪽으로 기능

이 더욱 집중되기 때문에 상대적으로 피크 shaving의 효과는 약해지

기 때문이다.

ESS도입을 통한 총 연간계통운영비용 절감의 규모는 낮은 풍력일

94

경우 약 97.8억 원, 높은 풍력일 경우 177.8억 원으로, 높은 풍력상황

에서 ESS의 효용이 낮은 풍력대비 약 182%에 이르는 것으로 나타났

다. 이는 높은 풍력이 전력시스템에 유발하는 안정성 유지 비용이 상

당히 높음을 간접적으로 보여주는 결과이며, ESS가 이 풍력에 의해

발생하는 계통안정성유지비용을 효과적으로 대체해주기때문에 풍력과

함께 연계되어 설치될 때 그 효용이 극대화된다는 것을 보여준다.

[그림 7-11] ESS도입에 따른 연간계통운영비용 절감효과 분석, 낮은 풍력 vs

높은 풍력

제7장 정책 시나리오 분석 95

4. 최적 ESS 용량 분석

가. Li-Ion ESS 비용 구조 및 전망

Li-Ion 배터리 가격은 시장의 공급과잉과 Tesla의 공격적인 투자로

가격이 2011년부터 급격한 하락세를 보이고 있다. [그림 7-13]에서 보

는 바와 같이 Li-Ion 배터리 팩의 평균 제조비용이 2011년 $800/kWh

에서 2014년 하반기 $540/kWh로 약 3년간 32.5%의 하락을 보였다.

이는 기존의 배터리팩 가격 전망(보라선)을 넘어서는 가격하락세이다.

[그림 7-12] Li-Ion 배터리 팩 비용과 생산량 전망, 2010~30

자료: BNEF(2014), H2 2014 Electric Vehicle Battery Price Index

이런 Li-Ion 배터리팩의 비용은 배터리 셀 비용과 배터리 팩으로 모

듈화 하는 패키징 비용으로 이루어져있다. 2014년 하반기 비용인

$540/kWh중 약 71%가 배터리 셀 비용이고 약 29%가 패키징 비용인

것으로 나타났다.

96

이외 ESS 장치를 전력공급용으로 사용하기 위해서는 인버터와 제

어기를 포함하는 전력제어부분, 변압기, 화재방지시설 등 그 외 설비

비용, 그리고 토지비 등을 포함하는 ESS 설치비용이 추가로 고려되어

야 한다. BNEF(2014)16) 자료에 따르면 프로젝트마다 ESS 설치비용

은 제반 여건에 따라 차이가 많이 나는데, 이 연구에서는 전체 ESS

비용 중 25%가 ESS 설치비용인 것으로 가정하였다.

이 비용들을 모두 더하면 2014년 하반기 기준 ESS 비용은 $720/kWh

인 것으로 나타난다.

이 연구에서는 [그림 7-12]에서 제시된 최근 관찰된 배터리 가격의

추세와 장기 가격 전망 정보를 이용해서 2015년 하반기와 2020년 하

반기의 ESS 비용을 각각 $636.3/kWh, $456/kWh로 추정하였다. 그리

고 Li-Ion ESS의 수명은 Tesla에서 제공하는 warranty기간을 적용하

여 10년으로 가정하였고, 환율17)을 적용해서 2015년과 2020년 하반

기 각각의 연간 ESS비용은 69.9천원/kWh-year, 50.2천원/kWh-year인

것으로 나타났다.

주요 ESS 비용 구성 요소

세부 ESS 비용 구성 요소2014년 하반기 기준 ESS 비용 구성 ($/kWh)

비용 구성 비율(%)

배터리 팩 비용배터리 셀 비용 383.4 53.3%패키징 비용 156.6 21.7%

전력공급용 ESS 설치 비용

전력제어부분(인버터, 제어기 등)

180 25%기타 설비비용(변압기, 화재방지시설 등)ESS 제반 공사 비용(토지비 등)

<표 7-6> 전력공급용 ESS 설비비용 세부 구성 요소

자료: BNEF(2014) 자료를 기반으로 하여 재구성

16) BNEF(2014) ‘2013 Advanced Energy Storage Cost Outlook’ 17) 적용 환율, 1100KRW/USD

제7장 정책 시나리오 분석 97

나. 최적 ESS 용량 탐색

[그림 7-13]은 Case 3b를 대상으로 ESS 용량을 달리해가면서 최적

화 모형 분석을 했을 때, 각 ESS 용량 규모(x축) 별로 단위 ESS 용량

(MWh)당 얼마나 큰 전력계통운용 비용 절감이 발생하는지를 보여주

고 있다. 파란 선은 MWh당 ESS가 operating cost(발전비용(generation

cost) + 예비력비용(reserve cost))를 얼마나 절감시키는지를 보여주고

있고, 빨간 선은 Total system cost(operating cost + 용량비용(capacity

cost))를 얼마나 절감시키는지를 보여주고 있다. 즉 두 선은 추가되는

MWh ESS에 대한 marginal cost saving 효과를 보여주고 있으며, 빨

간 선과 파란 선의 차이가 capacity cost 절감 효과를 나타낸다.

[그림 7-13]에서 좁은 점선은 앞서 분석한 2015년 하반기 기준

MWh당 연간 ESS비용을 보여주고, 넓은 점선은 2020년 하반기 기준

연간 ESS비용을 보여준다. 그래서 수평선인 MWh당 연간 ESS비용보

다 MWh당 연간 계통운영 비용 절감효과가 크면, 즉 1 MWh의 ESS

도입으로 인한 marginal cost보다 marginal saving이 크면 파란색 혹은

빨간색 선은 수평선 위에 위치하게 되고, marginal cost보다 marginal

saving이 적으면 수평선 아래에 위치하게 된다. 이것을 다르게 해석하

면, marginal saving 선이 수평선을 만나는 시점까지는 ESS 추가 도입

으로 인한 편익이 계속 증가하는 것을 의미하고, 수평선을 지나쳐서

아래로 내려가게 되면 marginal saving이 marginal cost보다 작으므로 편

익이 감소하기 시작함을 의미한다. 즉 수평선을 지나는 점을 초과해서

ESS 용량을 늘이게 되면 계통운영 관점에서 손해라는 것을 보여준다.

먼저 전체적인 marginal cost saving 패턴을 보면, ESS 설치 용량이

증가할수록 비용절감효과가 점차 감소하는 것을 알 수 있다. 즉 ESS

98

용량이 증가할수록, 단위 ESS 용량당 operating cost나 capacity cost

감소효과가 희석되어서 단위 ESS 용량당 비용절감효과가 줄어들게

된다.

ESS의 경제성 부분을 살펴보면, 2015년 현재 ESS 비용 기준(69.9

백만원/MWh-yr)으로는 Generation Cost saving(초록 선)이나 Operating

Cost saving(파란 선)만 감안하면 아직 ESS는 경제성이 없는 것으로

나타난다. 하지만 Capacity Cost saving(빨간 선)까지 고려해서 경제성

을 살펴보면 ESS는 풍력용량대비 25% 수준까지는 편익이 발생되는

것을 알 수 있다.

2020년의 예상 ESS 비용기준으로 살펴보면, 낮아진 ESS 가격(50.2

백만원/MWh-yr)에서도 여전히 Generation Cost saving 효과만 감안

시에는 경제성이 요원한 것으로 나타났다. 하지만 Operating Cost

saving 효과 감안 시에는 풍력용량 대비 약 50%까지는 경제성이 있는

것으로 나타났고, Capacity Cost saving 효과까지 함께 고려하면 풍력

용량 대비 약 100% 수준의 ESS용량 도입까지 편익이 발생하는 것으

로 나타났다.

즉 ESS의 peak shaving 효과로 인해 피크 시 적정설비용량을 줄이

는 것에 대한 기여를 정량화한 capacity cost saving 효과까지 고려하

면, 2015년의 ESS 가격 수준에서도 경제성이 있는 것으로 나타났지

만, capacity cost saving 효과를 고려하지 않으면 ESS의 경제성이 상

당히 제한되는 것을 알 수 있다. ESS가 generation cost, reserve cost,

capacity cost 각각 부분에 있어서 전력계통운영에 기여하는 점을 체

계적이고 합리적으로 분석해서 ESS의 실질적인 경제성과 가치를 추

정할 필요가 있다.

제7장 정책 시나리오 분석 99

[그림 7-13] ESS 용량별 단위 ESS용량당 Operating Cost and Total System

Cost 절감 효과 분석, 2015년 vs 2020년 ESS 비용 기준

<Case 3b에서 ESS용량을 달리해가며 최적화 수행했으며, 기준 풍력 용량은 597MW로 ESS 용량 크기는 이 풍력 용량에 비율형태로 적용하였음>

제8장 결론 및 시사점 101

제8장 결론 및 시사점

본 연구에서는 확률적 전력계통망 최적화 모형인 MPSOPF를 제안

하고, 이 MPSOPF를 이용해 제주도 전력계통망 모형을 구축하여 풍

력과 ESS가 전력시스템의 안정성과 경제성에 미치는 영향에 대한 분

석을 하였다. 일일전시장 발전계획을 수립하는 전력시스템 운영자의

관점에서 전력계통망 최적화를 수행했으며, 풍력확률모형을 이용해

도출된 확률적(stochastic) 특성을 띄는 풍력 시나리오를 적용해서 보

다 실제적인 풍력의 계통에 대한 영향성을 연구하였다.

높은 풍력이 도입됐을 시 화석연료발전을 효과적으로 대체해 발전

비용(Generation Cost)을 경감시키지만, 높은 변동성과 불확실성으로

인해 계통안정성을 심하게 훼손시켜서, 전력시스템이 요구하는 안정

성 수준으로 회복하기 위해 예비력비용( Reserve Cost)을 상당히 증가

시키는 결과를 보였다. 즉 이 계통안정성을 유지하기 위한 추가적인

예비력의 비용이 풍력 변동성에서 기인하는 비용이라 할 수 있다.

연간전력시스템운용비용 관점에서 2015년 수준인 157MW의 풍력

이 도입됐을 때, 273억 원의 연간발전비용이 감소한 반면, 21억 원의

예비력비용이 증가하였다. 2020년 수준의 597MW의 풍력이 도입이

될 경우, 1193억 원의 연간발전비용이 감소한 반면, 예비력 비용은

125억 원이 증가하였다. 기존 풍력이 없는 전력시스템의 연간예비력

비용 수준이 28억 원인 것을 감안하면, 이는 5.5배에 이르는 상당한

증가폭으로 높은 풍력 변동성이 계통안정성 저하유발에 대한 해결비

용이 상당히 가파르게 증가하는 것을 알 수 있다. 또한 풍력이 없는

경우 예비력비용/발전비용의 비율이 0.7%에 불과했지만, 높은 풍력의

102

경우 이 비율이 5.1%까지 증가한 것에서 풍력변동성의 해결비용으로

써 예비력비용의 급격한 증가를 다시 한 번 확인할 수 있다.

ESS의 경제성은 값비싼 피크수요를 비피크시간대로 옮겨줌으로써

발생하는 발전비용경감 효과는 상대적으로 미비하고, 풍력의 변동성을

안정화시키는 데서 오는 예비력비용 경감효과와, 피크 Shaving 효과에

서 오는 용량비용 경감효과가 주된 경제성 요소인 것으로 나타났다.

낮은 풍력과 ESS가 연계된 경우에 연간전체전력시스템비용 절감액

인 98억 원 중 발전비용경감효과가 14억 원, 예비력비용경감효과가

41억 원, 용량비용경감효과가 43억 원으로, ESS가 전체 전력시스템비

용경감에 기여한 부분 중 85%가 예비력비용과 용량비용경감에서 발

생하였다.

높은 풍력과 ESS가 연계된 경우에는 ESS의 경제성이 더욱 증가하

는 것으로 나타났다. 높은 풍력과 ESS가 연계된 경우 연간전체전력시

스템비용 절감액은 178억 원이며 이 중, 발전비용경감효과가 66억 원,

예비력비용경감효과가 77억 원, 그리고 용량비용경감효과가 35억 원

인 것으로 나타났다. 높은 풍력과 ESS가 연계될 경우 발생한 추가적인

비용절감효과의 원인은 풍력의 높은 변동성에서 기인하는 예비력비용

을 ESS가 효과적으로 경감시켜 주는 것과 그럼으로써 풍력의 변동성

이 높을 때 미처 계통에서 흡수하지 못하고 버려졌던 풍력을 추가적으

로 흡수함으로써 발생하는 발전비용경감효과가 그 주된 이유이다.

송전망혼잡 분석 부분에서는 2014년 송전망용량 수준은 2020년까

지 보급이 계획된 풍력 수준을 감당하는 데 전혀 문제가 없는 것으로

나타났다. 하지만 추가적인 스트레스 테스트에서 현재 송전망의 95%

수준에서 송전망 혼잡으로 인한 지역별 SMP 이격이 서귀포시 주변지

역을 중심으로 발생하기 시작하였으며, 90% 수준에서는 서귀포시에

제8장 결론 및 시사점 103

서 기존에 120원/kWh 수준의 SMP가 180원/kWh까지 증가하는 것이

관찰되었다. 이는 HVDC와 대부분의 발전시설이 북제주 인근에 모여

있는 제주전력시스템의 특성상 남하조류에 대한 송전망 용량이 크게

여유가 없는 상황이며 추가적인 용량증설이 필요함을 보여준다.

적정 ESS 용량 분석 부분에서는 크게 세 가지 기준으로 나누어서,

기존 ESS의 경제성평가의 주된 요소인 발전비용절감효과, 발전비용에

예비력비용까지 고려한 운용비용절감효과, 그리고 발전비용, 예비력비

용에 용량비용까지 고려한 전체시스템비용절감효과 관점에서 적정 용

량 분석을 수행하였다. 첫 번째 발전비용절감효과만 고려할 시에는

ESS의 경제성 확보가 전혀 불가능한 것으로 나타났다. 두 번째 운용

비용절감효과를 고려할 시에는 2015년 기준 ESS설비 비용기준으로는

경제성이 없으며, 2020년 기준으로 풍력용량의 50% 수준까지 ESS 설

치로 인한 편익이 발생하는 것으로 나타났다. 세 번째 전체시스템비용

절감효과 관점에서는 2015년 ESS비용기준 풍력용량의 35% 수준,

2020년 ESS비용기준 풍력용량의 100%까지 편익이 발생하는 것으로

분석되었다. 즉 일반적인 ESS의 경제성 평가 요소인 발전비용경감효

과만을 고려했을때는 2020년까지 ESS는 경제성이 전혀 없지만, ESS

가 실제로 전력시스템에 기여하는 예비력비용경감효과, 용량비용경감

효과를 고려하면 현재기준으로도 상당한 경제성이 있는 것으로 나타

났다.

위의 분석결과는 전력시스템 운영과 비용평가에 대한 중요한 시사

점을 제시하고 있다. 우리나라의 전력시스템의 정산은 현재에도 발전

비용, 예비력비용, 용량비용으로 나누어서 하고 있지만, ESS와 같은

새로운 전력시스템 플레이어가 들어와서 운용될 때 이 플레이어가 전

력시스템 운용에 기여하는 부분에 대한 합리적인 보상은 아직 체계적

104

으로 이루어지고 있지 않는 실정이다.

특히 예비력의 경우에는 현재 주파수조정예비력(frequency control),

대기예비력(spinning reserve), 대체예비력(non-spinning reserve) 형태

로 고정된 양을 계속 유지하게 하는 구조이기 때문에, 풍력과 같은 변

동성 재생에너지가 대량으로 보급될 경우 유연하게 계통안정성 유지

를 위해 필요한 예비력을 조정할 수 없게 되어 있다. 변동성 재생에너

지 보급 확대로 변화하는 전력시스템 환경에서 이 예비력 관리 부분

에 대한 조정이 필요하다.

또한 변동성 재생에너지로 인한 안정성저하를 해결하기 위해 가장

중요한 요소인 대기예비력에 대한 정산 비용이 기여도에 비해 너무

낮다. 2006년 기준 대기예비력 정산단가가 시간당 1820원/MW 수준

인데 이는 미국 NYISO의 작년 정산단가 평균 수준인 $10/MW(10-minute

spinning reserve 기준)의 1/7에 해당되는 값이다. 이런 현실적이지 않

은 예비력비용구조는 향후 풍력 보급이 급증할 때, 풍력이 전력시스템

운영비용에 미치는 영향을 왜곡할 수 있다. 풍력변동성을 해결하는 데

드는 비용이 과소평가 되는 것이다. 예비력의 운영구조와 비용 수준이

현실에 맞게 변화되어야 안정적이고 효율적인 풍력보급과 풍력이 전

력시스템에 유발하는 비용에 대한 평가가 정확하게 이루어지고, 따라

서 ESS의 변동성 재생에너지와 연계되어 운영될 때의 경제성이 보다

합리적으로 평가될 수 있을 것이다.

경제학의 기본개념 중에 “모든 시장참여자는 사용하는 서비스에 대

해서 비용을 지불하고, 제공하는 서비스에 대해서 보상을 받아야 한

다.”라는 말이 있다. ESS가 전력계통에 기여하는 모든 요소들에 대한

객관적 평가와 보상이 이루어 질 때, 시장에서 ESS와 신재생에너지의

원활한 보급이 이루어질 것이다.

참고문헌 105

참 고 문 헌

김영창, 유재국, ‘블랙아웃과 전력시스템 운용’, 2015.

김영환, “전력산업의 변화와 미래” 발표자료, 제주전력거래소, 2014.

소진영, ‘계통안정성을 고려한 태양광풍력 발전의 경제성 연구’, 에너지경제

연구원 기본보고서 14-22, 2014.

전영환 외, ‘신재생에너지 설비의 대규모화에 따른 수급계획 수립 방안

연구’, 한국전력거래소, 2014.

한국전력거래소, 2014년도 전력시장 통계, 2015.

BNEF, ‘2013 advanced energy storage cost outlook’, Bloomberg New Energy

Finance, November 2013.

_____, ‘H2 2014 Electric Vehicle Battery Price Index’, Bloomberg New

Energy Finance, August 2014.

Bouffard F., Galiana, F. D., ‘Stochastic Security for Operations Planning With

Significant Wind Power Generation’, IEEE Transactions on Power

Systems, VOL. 23, NO. 2, May 2008.

Cain, M. B., O’Neil, R. P., Castillo, A., ‘History of Optimal Power Flow and

Formulations’, December 2012.

Carpentier J., ‘Contribution a letude du dispatching economique’, Bulletin de

la societe Francaise des Electriciens, ser.8, vol.3, pp. 431-447, 1962.

Condren, J., Gedra, T. W., Damrongkulkamjorn, P., ‘Optimal Power Flow

With Expected Security Costs’, IEEE Transactions on Power Systems,

VOL. 21, NO. 2, May 2006.

106

EIA, ‘Updated Capital Cost Estimates for Utility Scale Electricity Generating

Plants’, Energy Information Association, 2013.

FERC, ‘Recent ISO Software Enhancements and Future Software and

Modeling Plans’, Federal Energy Regulatory Commission, 2011.

Fraunhofer ISI, “Transition of The German and European Electricity System –

The Inpact of Renewable Energies on the Electricity Market” 발표자료,

2014.

IEA, ‘World Energy Outlook 2014’, International Energy Agency, 2014.

IRENA, ‘REmap 2030 : A Reneable Energy Roadmap’, International

Renewable Energy Agency, June 2014.

______, ‘Renewable Power Generation Costs in 2014’, International Renewable

Energy Agency, January 2015.

Jeon, W., Lamadrid, A. J., Mo, J.Y., and Mount, T. D., “Using deferrable

demand in a smart grid to reduce the cost of electricity for customers”

Journal of Regulatory Economics, 2015.

____________________________________________________, “The Controllability

of Real Things-Planning for Wind Integration”, The Electricity Journal,

28 (1), 19-28, 2015.

Joskow, P. L., ‘Comparing the Cost of Intermittent and Dispatchable Electricity

Generating Technologies’, American Economic Review: Papers and

Proceedings 100:238-241, 2010.

Lamadrid, A. J., Maneevitjit, S., Mount, T. D., Murillo-Sanchez, C. E.,

Thomas, R. J., Zimmerman, R. D., “A `SuperOPF' Framework", CERTS

Report, December 2008.

참고문헌 107

Lamadrid, A. J., Mount, T. D., Jeon, W., Lu, H., ‘Is Deferrable Demand an

Effective Alternative to Upgrading Transmission Capacity?’, Journal of

Energy Engineering, B4014005-1, 2014.

Papavasiliou, A., Oren, S., and O’Neil, R. P., “Reserve requirements for wind

power integration: A scenario-based stochastic programming framework,”

IEEE Trans. Power Syst., vol. 26, no. 4, pp. 2197–2206, Nov. 2011.

Zimmerman, R. D., Murillo-Sanchez, C. E., and Thomas, R. J., ‘Matpower:

Steady-State Operations, Planning and Analysis Tools for Power Systems

Research and Education,’ Power Systems, IEEE Transactions on, vol. 26,

no. 1, pp. 12-19, Feb. 2011.

_______________________________________, ‘Multi-Period SuperOPF Problem

Formulation’, March 2013.

________________________________________, ‘MATPOWER 5.1 User’s Manual’,

March 2015.

부록 109

부 록

1. MPSOPF 모형 용어 정의18)

4장에서 설명한 MPSOPF 목적함수와 제약식에서 사용된 각 용어의

정의는 다음과 같다. 의역으로 인한 혼란을 방지하기 위해 부록에서는

MPSOPF 매뉴얼상의 원문 정의를 소개하였다.

18) Zimmerman et al(2013)

110

부록 111

(3.91)—(3.94)

112

전 우 영

現 에너지경제연구원 부연구위원

<주요저서 및 논문>

Developing a Smart Grid that Customers can Afford - The Impact of Deferrable Demand, The Energy Journal, 2015

Using Deferrable Demand in a Smart Grid to Reduce the Cost of Electricity for Customers, Journal of Regulatory Economics, 2015

The Controllability of Real Things - Planning for Wind Integration, The Electricity Journal, 2015

Is Deferrable Demand an Effective Alternative to Upgrading Transmission Capacity?, Journal of Energy Engineering, 2014

기본연구보고서 15-15

확률적 전력계통망 최적화 모형 구축 연구

2015년 12월 30일 인쇄

2015년 12월 31일 발행

저 자 전 우 영

발행인 박 주 헌

발행처 에너지경제연구원 44543, 울산광역시 중구 종가로 405-11 전화: (052)714-2114(代) 팩시밀리: (052)422-2028

등 록 1992년 12월 7일 제7호인 쇄 범신사 (052)245-8737

ⓒ 에너지경제연구원 2015 ISBN 978-89-5504-550-5 93320

* 파본은 교환해 드립니다. <값 7,000원>

KOREA ENERGY ECONOMICS INSTITUTE

울산광역시 중구 종가로 405-11 TEL I 052. 714. 2114 ZIP I 44543 ISBN 978-89-5504-550-5

93320

9 788955 045505

7,000원

기본

15-15

2015

확률

적 전

력계

통망

최적

화 모

형 구

축 연

구