초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 정부의 원전 확대 정책에 따라 전기 도매 원가에 미치는 영향을 딥러닝 알고리즘을 통해 확인하였다. 과거 수많은 논문에서 SMP를 예측하기 위해 RNN, MLP, ARIMA 등의 다양한 방법을 제시하여 예측하였으나 장기 예측에 대한 한계를 드러내었고, 이를 보완한 RNN, LSTM이 새로운 방법으로 제시되며, 장기 예측에 대한 희망을 주고 있다. 이에 본 논문에서는 RNN과 ...

본 논문에서는 정부의 원전 확대 정책에 따라 전기 도매 원가에 미치는 영향을 딥러닝 알고리즘을 통해 확인하였다. 과거 수많은 논문에서 SMP를 예측하기 위해 RNN, MLP, ARIMA 등의 다양한 방법을 제시하여 예측하였으나 장기 예측에 대한 한계를 드러내었고, 이를 보완한 RNN, LSTM이 새로운 방법으로 제시되며, 장기 예측에 대한 희망을 주고 있다. 이에 본 논문에서는 RNN과 LSTM 방법을 활용하여 2030년의 SMP를 예측하고 있다.
SMP는 System Marginal Price의 약자로 한시간에 1번씩 말하자면 하루 24번 결정되는 전기 도매 가격이다. 모든 발전기를 원가에 따라 가장 저렴한 발전기부터 가장 비싼 발전기까지 나열을 한다. 그리고 전기 수요와 만나는 지점에서의 발전기가 가격 결정 발전기가 되어 SMP를 결정하게 된다. 한가지 특이한 점은 SMP가 결정된다 하더라도 실제 발전사에 따라 전력을 사들일 때는, 정산조정계수를 통해 수익을 조정할 수 있다. 따라서 단순한 회귀곡선이 아닌 복잡한 상관관계를 보여준다는 것을 알 수 있다.
제9차 전력수급계획과 제10차 전력수급계획의 발전원별 비율을 비교하고 2021년의 실제 발전된 전력거래량과 발전원별 단가를 기반으로 하여 2030년의 전력거래량과 전력거래금액을 산출하였다. 이를 기반으로 2002년 1월~2018년8월(16년 8개월) 까지의 ‘전력거래량(GWh)’, ‘전력거래금액(억원)’으로 SMP(원/kWh)를 예측 모델을 만들어 학습하였고, 2018년 9월~2022년 8월까지 4년간의 ‘전력거래량(GWh)’, ‘전력거래금액(억원)’로 SMP(원/kWh) 데이터로 모델을 검증하였다. 이를 통해 만들어진 모델로 제10차 전력수급계획의 발전원별 비율을 기반으로 2030년의 SMP(계통한계가격)을 예측하였다. 결과적으로 LSTM 모델로 예측하였을 경우 2021년 SMP실적에 비해 2030년 SMP는 22.2 감소하는 것으로 예측되었다. 이는 결코 적은 차이가 아닐 것이다. 이는 20% 이상을 정부 정책의 결정을 통해 절감할 수도 있다는 의미로 지금 한전에 겪고 있는 큰 폭의 적자가 다른 숫자를 나타낼 수도 있었음을 보여주는 것이라고 생각할 수 있다. 또한 에너지 안보 차원에서 원자력, LNG, 석탄, 신재생 발전을 적절히 배분하여 유지하는 것도 중요하다는 것을 우리에게 객관적으로 알려준다고 할 수 있다.
이러한 결과를 통해 본 논문에서는 정부 정책에 따라 국민의 실생활에 미치는 영향을 딥러닝이라는 객관적인 방법으로 정보를 제공하고 있다.

Keyword