REC 가격예측 분석 2018. 01. 11 발표자: 김주철.

Presentation on theme: "REC 가격예측 분석 2018. 01. 11 발표자: 김주철."— Presentation transcript:

1 REC 가격예측 분석 발표자: 김주철

2 목 차 - 연구 배경 - 연구 목적 - 연구 방법 - 데이터 수집 - 탐색적 자료분석 - 모델링 - 한계점/보완점

3 연구 배경 발전원별 전력거래량 비중 석탄 40.6% 원자력 30.3% 석탄 발전은 미세먼지 증가의 주범
석탄 40.6% 원자력 30.3% 석탄 발전은 미세먼지 증가의 주범 원자력 발전은 환경 재앙의 위험 존재

4 연구 배경 “파리 협정을 계기로 화석연료의 종언이 분명해지고 있는 가운데, 신재생에너지가 온실감축을 위한 핵심적인 수단으로 각광받고 있다. 국내 신재생에너지 목표를 2030년까지 전체 발전량의 20% 수준까지 높일 경우, 에너지 안보 강화, 온실가스 감축, 지역경제 활성화 등 다양한 효과를 기대할 수 있다.” 이상훈 박사(녹색에너지전략연구소) -

5 연구 배경 한국에너지공단은 태양광 발전사업자들에게 전력판매가격(SMP) 변동에 따른 가격 안정성을 확보하고, 안정적인 투자환경을 제공받을 수 있도록 올해 고정가격계약 입찰제도 도입 REC 장기고정가격 입찰제도 태양광∙풍력 사업자들이 전력판매가격(SMP)과 신재생 에너지공급인증서(REC)를 합산한 고정가격으로 발전사 업자와 장기계약을 체결하도록 의무화하는 제도 #계약기간 20년 #연2회 입찰 #저가낙찰방식 #SMP+REC 합산가격으로 입찰

6 연구 목적 기대치보다 낮은 입찰가, 20년이라는 긴 계약기간으로 사업자들로부터 외면 사업자들은 현물거래 시장으로 이탈
신재생에너지 시장 안정화를 통해 에너지 공급 안전망을 구축하려 했던 정부는 난처한 입장에 처함 목 적 고정가격계약 경쟁입찰 시장의 합리적 상한가 산출로 안정적인 수급체계 마련 시급 합리적 상한가 산출을 위해 REC 가격 변동을 가장 잘 예측할 수 있는 모형 구축

7 연구 방법 변수 설명 변수 설명 출처 일시∙장소 날짜, 매년의 마지막 달(12월), type(육지(in)/제주(out)
신재생 에너지 센터 정책의 변화 유무 - 현 시점 전 체결수량 예측하는 시점에서 예측할 REC 거래에 대한 체결수량을 모르기 때문에 한 시점 전 체결수량을 사용 전력시장 가격(SMP] 전력통계정보시스템 물가지수∙물가지수 상승률 생활물가지수, 식품, 식품이외, 전월세, 전월세 포함 생활물가지수 서울 열린데이터 광장 원유가격 Dubai, Brent, WTI 한국석유공사 연속형 날씨변수 전남 최저온도, 최고온도, 강수량, 적설량 케이웨더 비연속형 날씨변수 전남 비, 눈, 구름 등 날씨

8 데이터 수집

9 탐색적 자료 분석(EDA) 정책 변화 REC 가격 date energy location 구 분 2016년 2017년
~ ~ General/Sun Total In/Out energy location date ~ 일시∙장소 계약 기간 12년 REC + SMP 합산 가격 입찰 20년 2016년 2017년 구 분 REC 가격 입찰

10 탐색적 자료 분석(EDA) 원유 추이 Type별 REC 가격 추이 물가지수 추이 기상 추이 날씨 추이
Type별 SMP 가격 추이 물가지수 상승률 추이 체결수량 추이

11 모델링(Modeling)

12 모델링(Modeling) 다중회귀모형(Multiple Regression) 능형회귀모형(Ridge Regression)
변수의 선형결합을 통해 식을 추정 > 수치적으로 변수의 영향 파악 용이, 회귀식을 통해 직관적 해석 가능 (ML에 비해 예측능력이 떨어짐) 능형회귀모형(Ridge Regression) 회귀식의 계수에 대해 일정한 패널티를 부과한 모형, 다중회귀 모형에 비해 높은 예측력을 보임 인공신경망(Nuralnet) 다중회귀모형과 유사하게 선형결합을 통해 식을 추정하는 모형 > 활성함수와 은닉층을 통해 변수간 비선형 관계를 추정 (타모델 대비 가진 장점) 앙상블 기법(Bagging/Boosting) 랜덤포레스트(random forest) 및 부스팅(Gradient Boosted Model) > 여러 모형의 결과를 바탕으로 예측하는 앙상블 기법 (단일 모형보다 우수한 예측력을 가짐)

13 모델링(Modeling) Linear regression Ridge regression Random forest
Neuralnet Gradient boosting

14 모델링(Modeling) Model RMSE (Training set) RMSE (Test set) 다중회귀모형
능형회귀모형 인공신경망 랜덤 포레스트 그레디언트 부스팅 2016년 3월 ~ 2017년 11월까지 데이터를 7:3 으로 한달씩 옮겨가면서 분석한 결과의 평균값.

15 한계점/보완점 데이터 수집의 어려움 잦은 정책 변화
> 정부 3.0 을 통해 공공데이터 요청을 하였으나 2017년 3월 부터의 데이터만 얻을 수 있었음 > ODF를 통해서 2012년 부터의 데이터를 요청했으나 정보가 손실된 데이터를 얻었음 > 결국은 PDF 자료를 csv 화 하는 수작업을 진행하였음 > 데이터를 정제하지 않고 raw데이터를 제공해주는 것이 필요함 잦은 정책 변화 > 정책이 바뀔 때마다 옵션이 달라짐. (예를 들어, 태양광/비태양광, 육지/제주 구분) > 2012년-2017년 5개년 데이터를 가지고 있었지만 결국은 2016년-2017년 데이터만을 사용할 수 밖에 없었음 > 더 나은 분석 결과를 얻기 위해서는 양질의 데이터가 필요함

16 Thank you!