현재 전력거래소가 운영하는 소규모 전력중개시장에서는 예측의 정확성 기반으로 중개사업자에게 보상을 해주는 예측재고정산금 제도를 운영하고 있다. (사진=유토이미지)
현재 전력거래소가 운영하는 소규모 전력중개시장에서는 예측의 정확성 기반으로 중개사업자에게 보상을 해주는 예측재고정산금 제도를 운영하고 있다. (사진=유토이미지)

[해줌 강동주 연구소장] 기후변화와 탄소중립 이슈에 대한 대응 전략이 강조됨에 따라 재생에너지의 중요성은 날로 증가하고 있다. 특히, ESG와 RE100의 구체적인 실행 프레임워크가 도입됨에 따라 재생에너지 수요는 급증하고 있고 주요 기업들도 자체 설치 혹은 도입 예정인 전력구매계약(PPA)을 통한 재생에너지 공급자 확보를 위해 분주히 움직이고 있다.

현재 전력거래소가 운영하는 소규모 전력중개시장에서는 예측의 정확성 기반으로 중개사업자에게 보상을 해주는 예측재고정산금 제도를 운영하고 있다. 예측재고정산금은 예측의 정확성에 대한 인센티브로 오차율이 8% 이하면 kWh당 3원, 오차율이 6% 이하면 kWh당 4원을 지급하는 방식이다. 그리고 3개월간 평균 오차율이 10% 이상이면, 중개시장 참여가 제한되는 페널티도 부여받게 된다. 이를 고려할 때, 재생에너지 발전소를 사업 용도로 설치하는 경우 예측의 정확성은 수익성과 직결되므로 매우 중요하다.
 

주식에서도 필요한 건 예측이다

사실 예측은 모든 분야에서 중요한 이슈다. 주식시장에서 주가예측은 가장 대중적으로 알려진 분야로 차트 분석법, 내재적 가치평가법, 현금흐름법 등 매우 다양한 방법들이 개발돼왔다. 복권의 번호를 예측할 수 있다면 그 수익률은 엄청날 것이고, 모든 사람들이 기대하지만 매우 적중률이 낮은 예측 행위로 볼 수 있다.

재생에너지 분야뿐만 아니라 날씨에 대한 예측, 입시에서 학과별 경쟁률에 대한 예측, 사람들이 사주를 보는 행위까지 삶의 모든 행위와 수익 활동들이 예측 행위와 연계돼있다.

요즘 가장 화두가 되고있는 인공지능(AI)도 결국은 예측 엔진이라는 책도 출간된 바 있다. 인공지능이 상업적으로 가장 활발히 적용되고 있는 자율주행차 분야도 각종 센서를 통해 입력되는 데이터를 분석해 다른 차들의 경로나 도로 상황을 예측하여 자신의 운전 의사결정을 수행하는 것이다.

결국 예측 행위란 불확실한 세상에서 주변 환경의 미래 컨텍스트(맥락)를 예측하는 것이고, 이를 기반으로 의사결정을 수행하게 되는 것이므로 예측은 의사결정 과정에서 필수 불가결한 요소이다.
 

제어가 아닌 예측을 통한 전력계통 안정성 확보

전통적인 전력산업은 예측보다는 제어에 초점을 두고 있었다. 주 발전원이 원자력과 화력이었고 석탄과 LNG로 구성돼있는 화력발전소는 변화하는 수요와 예측 오차에 응동할 수 있는 제어력(유연성)이 있었고, 이는 예측 정확성의 엄격함을 상대적으로 완화시켜 주는 기능을 했다.

물론, 전통적인 전력계통 운영에서도 우리나라 전체 수요를 예측하는 기능이 요구됐으나 예측 표본의 사이즈가 증가하게 되면 통계학적인 대수의 법칙에 의해 그 불확실성이 상대적으로 완화되는 효과가 있어 예측 오차는 일정 수준 이하로 수렴하게 된다. 그러나 최근 재생에너지 보급이 급속도로 증가하고 화력발전 용량의 점진적 퇴출 추이가 가속화됨에 따라 이러한 접근은 더 이상 유효하지 않을 전망이다.

특히 우리나라의 경우는 다른 나라와 전력계통 연계가 돼있지 않음으로 재생에너지에 의한 변동성이 전력계통 운영의 불확실성에 더욱 큰 영향을 줄 수 있다. 결국 재생에너지 발전량 예측의 정확성은 개별 사업자의 수익성뿐 아니라 국가 차원의 전력계통 안정성과도 직결된 문제이다. 예측 정확성이 확보될수록 이러한 변동성에 미리 대응할 수 있고 장기적인 유연성 자원도 최적으로 확보할 수 있기 때문이다.
 

이세돌을 이긴 AI, 알파고가 예측의 문을 열다

인공지능 모델은 다양한 문제들에 대한 예측 및 분류 문제에 적용되는데 데이터의 성격, 알고리즘 특성에 따라 다양한 분류 방법론이 있다. 데이터에 라벨링(표식)이 붙어 있느냐 여부에 따라, 지도학습, 비지도학습, 준지도학습 방법론이 있고, 알고리즘 종류별로 선형회귀, 서포트벡터머신(SVM, Support Vector Machine), K-근접이웃(KNN, K-Nearest Neighbor), 로지스틱회귀, K-평균, 랜덤프레스트, 장단기메모리(LSTM, Long Short-Term Memory), 뉴럴네트워크 등 다양한 모델들이 존재한다. 그리고 이러한 개별 모델들을 조합하여 복잡한 알고리즘 기반의 앙상블 모델을 다양하게 구성할 수도 있다.

기존의 논리적·분석적 모델에서 인공지능 기반의 데이터 기반 예측 모델이 각광을 받기 시작한 계기는 딥마인드의 알파고와 이세돌 간 세기의(기계 vs 인간) 바둑 대결을 들 수 있는데 해당 이벤트에서 딥러닝 기반 인공지능의 가능성과 잠재력이 증명됐기 때문이다.

CPU의 성능 진화와 빅데이터 시대로의 진입은 과거 대비 대규모 데이터 처리와 저장을 보다 짧은 시간 내에 가능하게 했다. 이는 인공지능에 대한 접근 방식이 기존의 연역적 논리 기반 접근 방식에서 데이터와 개별적 사례들의 학습에 근거한 귀납적 추론 방식으로 전환되는 계기가 됐다. 인공지능의 구현 방식이 알고리즘이나 모델 중심에서 데이터로 넘어가게 된 맥락으로 이해할 수 있다.

발전량 예측 플랫폼 체험판. 이미지 왼쪽부터 ‘내일의 발전, 발전소 발전량 예측’,  ‘해줌온, 수요자원 전기사용 예측’ 화면 (이미지=해줌)
발전량 예측 플랫폼 체험판. 이미지 왼쪽부터 ‘내일의 발전, 발전소 발전량 예측’,  ‘해줌온, 수요자원 전기사용 예측’ 화면 (이미지=해줌)

 

예측 정확성의 기본은 빅데이터

이러한 배경에서 오늘날의 인공지능 예측 모델은 대부분 기본적인 단위 모델을 공유하므로 예측 정확성의 차이는 데이터에서 발생한다. 학습 재료로 쓰인 데이터가 얼마나 축적돼 있고 다양성을 확보하고 있느냐에 따라 예측 결과의 정확성이 담보된다.

해줌은 전국 4,000여개 이상의 태양광발전소와 1,000여개 이상의 수요자원에서 데이터를 수집하고 있으며, 이를 기반으로 다년간의 예측 분석과 실측 데이터 비교를 통한 예측 모델 고도화 경험을 보유하고 있다.

또한, 해줌 보유자원의 차별화된 특성은 소규모 발전 및 수요자원의 개소수가 많다는 것인데, 이를 통해 전국의 다양한 지역에 대한 기상 및 지형 조건을 반영한 발전량 실측 및 예측 데이터를 보유하고 있고, 적절한 자원구성 조합을 통해 예측 오차율을 최소화할 수 있는 노하우를 확보하고 있다.

지속적으로 진화하는 전력시장에 대응하기 위해 태양광뿐 아니라 풍력발전 및 전기차에 대한 예측기술 개발 및 자원 확보를 진행하고 있으며, 재생에너지와 수요자원, 전기차 등을 연계한 종합적인 가상발전소(VPP, Virtual Power Plant) 운영 기술과 플랫폼을 구축하고 있다.

저작권자 © 에너지환경신문 무단전재 및 재배포 금지

관련기사