기호 및 약어 설명

P : Prediction of electric power [kW]

Y : Total generation of electric power [kW]

f : efficiency [-]

G : Global solar radiation [W/m²]

T : Temperature [℃]

V : Wind Speed [m/s]

U : Parameter [-]

그리스 기호 설명

𝛼 : Temperature efficiency coefficient [-0.48%/℃]

하첨자 설명

PV : Photovoltaic

ST : Standard

am : Ambiance

1. 서 론

우리나라의 전력 생산의 90% 이상은 화석연료와 원자력을 통해 생산하고 있고(석탄 33%, 원자력 27%, LNG 30% 등) 이를 대체하기 위하여 신재생에너지 보급 확대 및 에너지 기술개발이 적극적으로 추진되고 있으나 아직 선진국에 비해 많이 부족한 실정이다¹⁾. 정부는 2030년까지 발전량의 20%를 신재생에너지로 공급 목표로 설정하였고 핵심에는 태양광 보급 확대에 있다²⁾.

태양에너지는 무한히 사용할 수 있는 자연에너지로서 태양광 패널을 이용하여 전기에너지로 변환한다. 태양광 패널의 효율은 20% 이하로 실제 발전량은 더 낮은 수준이다. 태양광 패널의 효율은 태양광 패널의 소재에 따라 차이는 있으나 주변 환경의 기온, 풍속 및 일사량 등에 의하여 변화한다. 태양광 패널의 재질에 따라 온도 효율이 달라지기 때문에 이에 알맞은 효율을 적용하여야 한다. 발전소 주변 기상자료 또는 실험실 측정자료를 활용하여 태양광 패널의 온도를 모의하는 다양한 연구가 진행되었다^3),4),5). Kaplani and Kaplanis (2014)⁶⁾는 강제 열 대류 계수 및 실험실 측정에 대한 이론을 이용해 모듈 기울기 및 바람 입사각이 모듈 온도에 미치는 영향을 분석하였다. 그리고 Barykina and Hammer (2017)⁷⁾는 태양광 패널의 온도는 무엇보다도 모듈면의 태양 복사와 기온 및 풍속에 영향을 받는다고 분석하였다. Faiman (2008)⁸⁾ 계산연구 결과를 토대로 Crystalline 태양 패널은 기온과 태양광 패널 온도 차이로 인해 -0.41%/℃의 에너지 효율이 감소한다고 밝혔다.

지표면에 도달하는 일사량은 기상모델, 위성 및 관측을 통하여 생산가능하고 지상 관측이 비교적 정확하지만 공간적인 한계점이 있어 위성자료를 이용한 일사량 계산이 광범위하게 이용되고 있다⁹⁾. 또한 기상모델에서 예측된 연직 자료(구름, 가강수량 (liquid and ice water concentration), 온도, 습도 등)를 복사모델 입력자료로 활용하여 태양광 발전량을 예측하는 스마트그리드 네트워크 시스템도 활용되고 있다^10),11),12). 태양광 예측의 시간해상도 상승을 위해 태양 천정각에 따른 지표면 일사량을 구름 예측모델과 접합하여 시간 및 분 단위의 태양광 발전량 예측 연구도 진행되고 있다¹³⁾.

본 연구에서는 태양광 발전량 예측에 있어 중요한 변수로 사용하는 태양광 패널 온도를 모의하고 일사량을 이용하여 전력량을 모의하는 알고리즘을 구축하였다. 이를 검증하기 위하여 춘천기상관측소에 설치된 태양광 패널 온도 측정센서를 부착하여 집중관측을 수행하였고 측정된 자료를 이용하여 태양광 패널의 온도를 모의하였으며 관측일사량, 위성계산 일사량 및 모델 일사량을 활용하여 전력량을 모의하여 비교 분석하였다. 또한, 기상관측자료를 이용한 모의과 모델 예측정보는 일정 수준 이상의 불확실성이 내포하고 있기 때문에 태양광 패널 온도와 발전량 측정자료를 이용하여 비교 평가하고 계산알고리즘의 문제점과 추가분석 등에 대하여 논하였다. 이 연구 결과는 통해 기온, 풍속, 일사량 등의 기상관측 및 모델예측 자료를 이용하여 정확도 높은 태양광 발전단지의 전력량 예측 및 예보에 도움이 될 것으로 사료된다.

2. 자료 및 방법

2.1 자료

태양광 패널 온도 변화에 따른 영향은 패널의 재질과 종류에 따라 달라지기 때문에 일괄적으로 동일한 효율을 적용하기는 어렵다. 본 연구에서는 기상관측과 태양광 발전(발전용량 33 kW)이 되고 있는 춘천기상대에서 태양광 패널 온도를 측정할 수 있는 온도센서를 설치하여 집중관측을 수행하였다. Fig. 1은 춘천기상대 관측 노장과 태양광 패널이 설치된 건물 옥상 전경이다. 일사량 관측은 관측노장의 중심부에 설치되어 있고 태양광 패널과의 거리는 약 50 m 이다. 태양광 패널 온도 관측은 2018년 5월 1일 설치하여 110일 동안 수행되었고 태양광 발전량 및 기상청 관측 태양 복사량과 동일하게 1시간 간격으로 관측하였다.

태양광 패널의 온도를 관측하기 위해 설치된 온도센서의 규격은 Table 1과 같고 Fig. 2와 같이 춘천기상대 옥상에 설치된 태양광 패널의 후면부에 설치하였다. 태양광 패널의 온도는 최대 100℃ 이상 상승하기 때문에 이 연구에서 활용되는 온도계는 태양광 패널의 온도관측에 적합한 고성능 장비이다. 또한 온도센서의 밀착을 위하여 은박형 테이프로 고정하였으며 자료 수집 장치 운영을 위한 전력은 태양광 패널과 배터리를 이용하였다.

Table 1

Specification of temperature sensor measured by photovoltaic panel

Parameter	Specification
Product name	110 PV (Campbell Scientific)
Measurement range	-50°C ~ 140°C
Uncertainty	> ±0.2°C (-40°C ~ 70°C) > ±0.5°C (71°C ~ 105°C) > ±1.0°C (106°C ~ 135°C)
Sensor size	2.54 cm
Weight	90.7 g
Appearance

Fig. 1.

Photo of solar radiation instrument on observation field and photovoltaic panel installed on rooftop at Chuncheon meteorological station

Fig. 2.

Photo of temperature sensor installed behind the photovoltaic panel

일사량 모의는 일사계를 이용하여 춘천기상대에서 관측된 일사량(KMA (Korea Meteorological Administration))¹⁴⁾, 위성자료(COMS (Communication Ocean and Meteorological Satellite))¹⁵⁾를 이용하여 모의된 일사량 그리고 기상청 고해상도 국지수치모델(LDAPS (Local Data Analysis and Prediction))¹⁶⁾을 이용하여 예측된 일사량자료를 이용하였다. 또한 태양광 패널 온도를 예측하기 위해 일사량 이외에 기온과 풍속은 춘천기상대 관측소와 LDAPS모델 예측자료를 활용하였다. 그리고 태양광 예측성능 평가를 위한 검증자료는 춘천기상대 옥상에 설치된 33 kW급 태양광 발전량 자료를 활용하였다.

2.2 방법

태양광 패널의 온도 및 발전량 효율 분석을 위한 다양한 연구 중 Fig. 3은 다양한 태양광 패널 온도에서 전류와 전압 곡선의 변화를 분석한 결과이다. 즉 패널의 온도가 증가할 경우 생산할 수 있는 전류의 양이 급격히 줄어든다는 것을 확인할 수 있다. 또한 패널의 에너지 효율의 감쇄는 기온과 태양광 패널의 온도 차가 크면 클수록 증가하게 된다⁸⁾. 태양광 패널의 재질에 따라 온도 효율이 달라지기 때문에 이에 알맞은 효율 값을 활용하여야 한다. 단결정 실리콘(Monocrystalline silicon)은 200 μm 정도의 얇은 단결정 실리콘 기판을 이용하는 것으로 성능이 뛰어나나 가격이 비싸다는 단점을 가진다. 이에 비해 다결정 실리콘(Polycrystalline silicon)은 작은 결정들이 집합된 기판으로 단결정 실리콘보다 효율성은 떨어지지만 저렴하다는 장점을 가지고 있어 가장 많이 활용되고 있다. 이외에도 단결정/비정질 실리콘(Monocrystalline/amorphous silicon hybrid), 박막계 비정질 실리콘(Thin film amorphous silicon), 박막계 CIS (Thin film Cu, In, Se) 등의 재질이 있다.

Fig. 3.

Change of current and voltage with photovoltaic panel temperature (0, 25, 50 and 75°C) (source: www.literoflightusa.org)

태양광 발전량의 효율은 기상 현상에 의해 시간적으로 변화하며 특히 태양광 패널은 대기의 온도와 패널의 온도 차로 효율이 달라진다. 태양광 패널의 온도 효율이 적용된 전력량 예측식은 Brihmat and Mekhtoub (2014)¹⁷⁾을 이용하였다.

여기서 PPV와 YPV는 각각 태양광 발전량(단위: kW)과 태양광 발전 가능 총량을 의미하여, fPV는 태양광 패널의 효율(=13%)이며 GPV와 GST는 각각 태양광 패널에 도달하는 일사량(단위: W/m²)과 표준 일사량(1,000 W/m²)을 의미한다. 또한 𝛼는 온도효율계수(-0.48%/℃)이고, TPV와 TST는 각각 태양광 패널의 온도(단위: ℃)와 표준기온(25℃)을 의미한다. 즉 태양광 패널의 온도가 25℃ 이상으로 올라갈 경우 태양광 패널의 효율은 감소하게 된다. Table 2에서 제시한 것처럼 다결정 실리콘의 경우 평균적으로 1℃당 0.48%의 효율이 감소하게 된다. 따라서 본 연구에서는 가장 대중적인 재질로 알려진 다결정 실리콘을 기준으로 온도 효율을 계산하였으며 춘천기상대의 태양광 발전용량 (YPVfPV=33kW)을 고려하여 계산하였다.

식(1)의 태양광 패널의 온도를 예측하기 위해서 본 연구에서는 Duffie and Beckman (2013)¹⁸⁾ 방법을 이용하였으며 계산식은 식(2)와 같다.

여기서 TPV와 Tam는 각각 예측된 태양광 패널의 온도(단위: ℃)와 기온(단위: ℃)이고 GPV와 V는 각각 패널의 도달하는 태양 복사량(단위 : W/m²)과 풍속(단위 : m/s)을 의미한다. 또한 U0과 U1는 각각 태양 복사량과 바람의 매개 변수들로 이 연구에서는 각각 35.9와 4.46이 사용되었다.

태양광 패널의 온도와 생산된 전력량의 계산값은 관측된 패널 온도와 전력량 측정값을 이용하여 비교분석하였다. 계산값은 시계열, 편차를 비교하였고 측정자료와의 상관계수, bias, 선형회귀분석을 통하여 정확도를 평가하였다.

3. 결 과

Fig. 4는 2018년 5월 1일부터 2018년 8월 19일까지 총 110일 집중관측 기간동안의 춘천기상대에서 관측된 자료의 시계열로 기온과 태양광 패널 온도(Fig. 4a), 풍속(Fig. 4b)과 일사량(Fig. 4c)을 나타낸다. Fig. 4a에서 검은색 점은 춘천기상대 옥상의 태양광 패널에서 측정된 온도이고, 검은색 원은 기온이다. 태양광 패널은 낮 시간에만 운영되기 때문에 6시부터 20시까지의 자료만을 이용하였다. 일출과 일몰 시간에는 기온과 큰 차이를 보이지 않으나 낮 시간에는 그 차이가 증가되었으며 특히 일사량이 큰 오후 2 ∼ 3시 사이에 가장 큰 차이를 보였다. 집중관측 기간에는 기록적인 폭염의 영향으로 기온은 30℃ 이상 높게 나타났으며 전운량이 작아 태양 복사량은 지속적으로 600 W/m² 이상으로 높게 나타났다. 일부 흐린 날로 구름의 영향으로 태양 에너지가 대부분 차폐되어 일사량이 아주 작았고(200 W/m² 이하) 이에 따라 기온이 낮았으며(약 20℃ 이하) 태양광 패널의 온도와 비슷하게 나타났으며 풍속은 지표면 가열이 적어 풍속도 약하였다(약 2 m/s 이하). 2018년 7월 24일부터 26일까지 일사량 관측기기의 이상으로 관측자료의 부재가 있었다.

Fig. 4.

Air (circle) and PV module (dot) temperature (a), wind speed (b) and solar radiation (c) at Chuncheon observation station during intensive observation period (IOP)

Fig. 5는 태양광 패널 온도와 식(2)로 계산되어진 태양광 패널 예측 온도(지상관측 자료, LDAPS 모델 자료) 그리고 이들의 산포도를 나타내었다. 계산과 측정된 태양광 패널의 온도차이는 최대 ±6℃를 보였다. 대체로 태양광 패널 온도가 높아지는 정오를 중심으로 오차는 증가되었다. 태양광 패널 측정온도와 계산된 온도의 산점도에서 태양광 패널 온도에 비해 계산된 온도가 고온에서는 과소모의하였고 저온에서는 과대모의 경향이 있으나 상관계수(R²)는 0.88 이상으로 계산에 활용된 식의 예측성은 비교적 높은 것으로 분석된다. LDAPS 모델과 비교하여 지상관측된 기온과 풍속 및 일사량을 이용하여 계산된 태양광 패널 온도가 측정값과 유사하였다. 지상관측자료기반의 편이는 -0.33℃ 그리고 RMSE는 3.43℃이었으며 LDAPS 모델의 편이는 0.22℃ RMSE는 4.27℃였다. 회귀식의 기울기는 각각 0.894, 0.831로 지상관측기반의 태양광 패널 온도의 과대/과소 모의정도가 심하였다. 이러한 편차는 예측식의 오차뿐만 아니라 기상자료와 태양광 패널 사이의 고도차이로 인한 오차가 포함되어 있기 때문이다. 즉 기상 관측 노장은 낮은 곳에 위치하나 태양광 패널은 건물 옥상(4층 = 약 15 m)에 위치하여 기온과 풍속 관측의 고도차이가 발생하기 때문인 것으로 분석된다. 또한, LDAPS 모델은 1.5 km 해상도로서 지점과 모델 격자사이의 오차 그리고 수치모델의 예측오차에 기인되는 것으로 분석된다.

Fig. 5.

(a) Timeseries of measured (red dot) and calculated (blue dot) temperature of photovoltaic panel and (b) scatterplot of the measured and the calculated temperature of photovoltaic panel

Fig. 6은 지상기상관측자료(KMA (Korea Meteorological Administration)), 모델기반 예측자료(LDAPS (Local Data Analysis and Prediction)) 그리고 천리안 위성기반 모의 일사량자료(COMS (Communication Ocean and Meteorological Satellite)) 및 식(2)을 이용하여 모의된 Fig. 5의 태양광 모듈 온도를 식(1)에 적용하여 계산된 발전량과 춘천기상대 태양광 발전소의 발전량을 비교한 것이다. 앞서 언급한 바와 같이 LDAPS 예측자료보다 기상관측자료를 이용하여 모의된 태양광 패널의 온도가 실측과 유사한 경향을 보였고 그대로 발전량 모의에도 영향을 미치고 있는 것을 확인할 수 있다. 분석결과 비교적 구름량이 실측에 가까운 COMS 발전량 모의치가 LDAPS 발전량 보다 높았다. 따라서, 태양광 발전량 예측결과의 결정계수(R²)을 보면 지상관측(0.91), COMS (0.88), LDAPS (0.84) 순으로 나타났다. 선형 회귀식의 기울기를 보면 KMA의 경우 1.05 그리고 편차(2.24 kWh)와 RMSE (3.38 kWh)가 가장 작아 측정치와 유사한 것을 볼 수 있다. 그러나 COMS의 경우 결정계수의 상관성에 비하여 선형 회귀식의 기울기(1.23)가 가장 컸고 편차(4.77 kWh)와 RMSE (6.23 kWh)가 LDAPS 보다 다소 증가된 것을 확인할 수 있다. 이러한 특징은 COMS의 구름량 모의에 따라 계산되는 일사량이 비교적 변동성이 크기 때문인 것으로 사료된다.

Fig. 6.

Scatterplot of the measured and the calculated PV electric power

이상의 태양광 패널 온도 모의 및 태양광 발전량 모의에 사용된 기상변수(기온, 풍속)와 일사량 그리고 태양광 패널 온도 및 태양광 발전량의 통계값과 검증자료에 대한 선형회귀식의 기울기와 절편을 Table 3에 정리하였다. 입력자료인 기온의 경우 비교적 오차가 그리 크지 않은 변수이나 COMS의 경우 동네예보자료(5 km 해상도)를 활용하기 때문에 편차와 RMSE가 다소 크게 나타나는 것을 볼 수 있다. 풍속은 상대적으로 상관성이 낮은 변수이며 COMS에서 오차가 큰 것을 확인할 수 있다. 이들 기상자료를 이용하여 일사량, 태양광 패널 온도를 모의하였다. 일사량 참고값 (태양광 모듈에서 계산된 값)은 지상관측과 유사성이 가장 높았으며 LDAPS, COMS는 상대적으로 편차와 RMSE가 증가된 것을 확인할 수 있다. 태양광 패널 온도는 이들 입력자료를 기반으로 계산되기 때문에 KMA, COMS, LDAPS 순으로 결정계수가 높았으며 COMS에 의한 편차와 RMSE가 크게 나타난다. 발전량은 일사량과 태양광 패널 온도의 정확도에 기인되기 때문에 유사한 정확도를 나타내고 있다. 즉, 지상관측자료 기반의 발전량 예측 정확도는 가장 높게 나타났고 COMS의 정확도가 LDAPS와 비교하여 높게 나타났으나 반대로 편차와 RMSE의 오차율도 높았다. 이러한 특징은 위성자료의 해상도가 낮고 구름관측 등의 불확실성이 있기 때문에 편차와 RMSE가 높게 나타났다.

이상의 결과를 통하여 유추해 볼 수 있는 특징을 보면 관측자료와 모델 및 위성자료를 활용하여 태양광 패널 온도와 태양광 발전량 모의이 가능한 알고리즘 구현이 가능하다. 또한, 발전소 주변의 지상관측자료를 활용하였을 때 높은 정확도의 모의값을 얻을 수 있다. 그러나 이러한 지상관측기반 자료는 관측소의 위치에 한정적이고 시간적으로 예측이 어렵다는 단점이 있다. 위성자료와 모델자료는 공간적인 제약을 다소 해결할 수 있다는 장점이 있다. 그러나 위성자료는 위성자체의 높은 불확실성의 영향으로 모의값의 정확도가 상대적으로 낮다는 단점이 있고 지상관측과 동일하게 예측의 한계점이 있다. 수치모델은 공간적인 한계점과 예측성의 한계점을 피할 수 있다. 그러나 다른 자료와 달리 예측모델의 운영을 위한 전산자원과 저장공간 등의 제약점이 발생된다. 따라서 이상의 결과와 자료들을 적절히 활용하여 태양광 발전소의 운영 및 모니터링에 적용하여야 한다.

4. 결 론

태양광 발전소의 발전량 모의 및 예측은 발전소 운영 및 모니터링을 위하여 필수적으로 활용될 수 있다. 발전소의 발전량 모의를 위해서는 발전단지의 일사량과 태양광 패널 온도의 정확한 산정이 중요하다. 태양광 패널 온도를 모의하는 방법은 다양하며 본 연구에서는 기상자료(기온과 풍속)와 일사량 관측자료를 이용하여 모의하는 방법을 활용하였다. 그리고 2018년 5월 1일부터 8월 19일까지 춘천기상대에 설치된 태양광 발전소의 태양광 패널에 온도센서를 설치하여 태양광 패널의 온도와 발전량 자료를 수집하였다. 측정된 태양광 패널 온도와 발전량 자료를 검증자료로 활용하여 계산된 기상입력자료, 일사량, 태양광 패널 온도 및 발전량 모의값을 비교 검증하였다.

측정된 태양광 패널 온도와 계산된 태양광 패널 예측 온도(KMA, LDAPS) 차이는 최대 ±6℃를 보였고 정오를 중심으로 오차는 증가되었다. 태양광 패널 측정온도와 계산된 온도의 산점도에서 태양광 패널 온도에 비해 계산된 온도가 고온에서는 과소모의하였고 저온에서는 과대모의 경향이 있으나 결정계수(R²)는 0.88 이상이었다. KMA의 편이는 -0.33℃ 그리고 RMSE는 3.43℃이었으며 LDAPS의 편이는 0.22℃ RMSE는 4.27℃였다. 회귀식의 기울기는 각각 0.894, 0.831로 KMA의 태양광 패널 온도의 과대/과소 모의정도가 증가하였다.

KMA, LDAPS 그리고 COMS 기반 일사량 및 태양광 모듈 온도를 적용하여 계산된 발전량과 춘천기상대 태양광 발전소의 발전량을 비교하였다. 태양광 발전량 예측결과의 결정계수(R2)을 보면 KMA (0.91), COMS (0.88), LDAPS (0.84) 순으로 높은 것을 볼 수 있다. 선형 회귀식의 기울기를 보면 KMA의 경우 1.05 그리고 편차(2.24 kWh)와 RMSE (3.38 kWh)가 가장 작아 측정치와 유사한 것을 볼 수 있다. 그러나 COMS의 경우 결정계수의 상관성에 비하여 선형 회귀식의 기울기(1.23)가 가장 컸고 편차(4.77 kWh)와 RMSE (6.23 kWh)가 LDAPS 보다 다소 증가된 것을 확인할 수 있다.

이상의 결과를 통하여 관측자료와 모델 및 위성자료를 활용하여 태양광 패널 온도와 태양광 발전량 모의이 가능한 알고리즘 구현이 가능하다. 발전소 주변의 지상관측자료를 활용하였을 때 높은 정확도의 모의값을 얻을 수 있으며 위성자료와 모델자료는 공간적인 제약을 다소 해결할 수 있다는 장점이 있다. 또한 장기간의 자료 분석을 통해 정확성 높은 연구 결과를 제시할 수 있다. 따라서 이상의 결과와 자료들을 적절히 활용한다면 적절한 태양광 발전소의 운영 및 모니터링이 가능할 것으로 분석된다.