태양광 패널 노후화 기반 전력 생산량 예측 모델 사업계획서

EXECUTIVE SUMMARY

왜 노후화 모델이 필요한가

태양광 패널은 설치 첫 해 LID(Light Induced Degradation)로 약 3% 효율이 감소하고, 이후 매년 0.6%씩 추가 감소합니다. 이 노후화를 반영하지 않은 발전량 예측은 실제 발전량 대비 평균 8~15% 과대 추정되며, 사업성 분석과 SMP 입찰에 직접적인 손실을 초래합니다.

①

예측 정확도 향상

설치 연도별 노후화 곡선을 반영하여 발전량 예측 MAPE를 15% → 7% 이하로 개선

②

SMP 입찰 최적화

실제 효율 기반 발전량 예측으로 입찰 미달성 페널티 회피 및 수익 극대화

③

자산 가치 평가

노후 발전소의 잔존 가치 산정과 리파워링 의사결정을 위한 정량적 근거 제공

④

O&M 비용 절감

효율 저하 패턴 모니터링으로 비정상 노후화 조기 감지 및 점검 우선순위 결정

PROBLEM

업계가 놓치고 있는 노후화 변수

현재 대부분의 발전량 예측 시스템은 설치 시점의 정격 용량(kW)을 그대로 사용하여, 시간이 지날수록 예측 오차가 누적됩니다.

설치 1년차 LID 손실

0.6%/년

2년차 이후 연간 효율 감소

~20%

설치 30년 후 누적 효율 손실

80%

제조사 20년 보증 최저 효율

MODEL

물리 정보 기반 노후화 모델

NREL, IEC 61215 표준과 국내 태양광 발전소 실측 데이터를 근거로 한 2단계 노후화(LID + 연간 감쇠) 수식

η(t) = max(0.80, 1 − D(t) / 100)

D(t) = 3 (t ≤ 1)
D(t) = 3 + (t − 1) × 0.6 (t > 1)
η = 효율, t = 설치 후 경과 연수, D = 누적 감쇠율(%)

실측 검증 가능한 단순한 수식

// web-v7/src/utils/powerPlantUtils.ts (line 49)
export function calculateEfficiency(installDate: string): number {
  const totalYears = yearDiff + (monthDiff / 12);
  if (totalYears <= 0) return 1.0;

  // 1년차: 3% LID 감소 / 2년차+: 매년 0.6% 감소
  const degradation = totalYears <= 1
    ? totalYears * 3
    : 3 + (totalYears - 1) * 0.6;

  // 최저 효율 80% (제조사 20년 보증)
  return Math.max(0.8, (100 - degradation) / 100);
}
    

설치 후 경과 연수별 효율 곡선

설치 연도별 효율 비교 (2026년 기준)

설치 연도	경과 연수	누적 감쇠	현재 효율 η	상태 등급
2026	0년	0.0%	100.0%	신규
2025	1년	3.0%	97.0%	우수
2021	5년	5.4%	94.6%	우수
2016	10년	8.4%	91.6%	양호
2011	15년	11.4%	88.6%	보통
2006	20년	14.4%	85.6%	점검 필요
1996	30년	20.4%	80.0%	리파워링 검토

ARCHITECTURE

발전량 예측 통합 수식

노후화 효율을 BiLSTM 기반 SMP 예측 모델의 핵심 피처로 통합

E_daily = C × PSH × η(t) × W × D

E = 일일 발전량(kWh), C = 정격 용량(kW), PSH = 일조 시간(시간),
η(t) = 노후화 효율, W = 기상 보정 계수, D = 방위각 보정 계수

PSH

계절별 일조 시간

제주 기준: 봄·가을 4.0h, 여름 3.5h, 겨울 3.0h (KMA 단기예보 API 연동)

η(t)

노후화 효율

설치일 기반 동적 계산 (LID 3% + 연간 0.6%, 최저 80% 보장)

기상 보정 계수

맑음 1.0, 부분 구름 0.7, 흐림 0.4, 비 0.15 (실시간 KMA 데이터 연동)

방위각 보정

남향 1.0, 동·서향 0.85, 평지 0.92 (NREL 실측 기준)

ROADMAP

R² 0.9+ 달성 단계별 로드맵

현재 v3.2 Optuna 모델(R² 0.760)에서 노후화 데이터 통합으로 R² 0.9+ 목표

설치 메타데이터 수집

전국 태양광 발전소의 설치일·정격용량·방위각·패널 모델 정보를 data.go.kr 및 KEPCO API에서 통합

노후화 피처 엔지니어링

η(t) 효율값을 BiLSTM 입력 시퀀스의 추가 채널로 통합 (45개 → 46개 피처)

실측 데이터 캘리브레이션

EPSIS 시간별 발전량과 모델 예측값을 비교하여 LID·연간감쇠 계수 보정 (제주 특화 0.5~0.7%)

비정상 노후화 탐지

예측 효율 대비 실측 효율 편차가 −10% 이상 발생한 발전소를 자동 플래깅 (점검 우선순위)

리파워링 의사결정 모델

효율 80% 도달 시점 + SMP 추세 예측을 결합하여 교체 시점 NPV 분석 자동화

EXPECTED IMPACT

기대 효과

노후화 모델 도입 시 정량적 효과 (10MW 규모 발전소 기준 추산)

−52%

예측 오차 감소

MAPE 15% → 7.2%, 입찰 페널티 대폭 축소

+₩4.2억

연간 추가 수익

SMP 입찰 정확도 개선에 따른 인센티브 확보

−30%

O&M 점검 비용

비정상 노후화 조기 탐지로 선제적 점검

+18%

자산 평가 정확도

잔존가치 산정 정확도 개선, 매각·재투자 의사결정 지원

DIFFERENTIATION

경쟁 솔루션과의 차별점

비교 항목	일반 발전량 예측	본 모델 (노후화 통합)
노후화 반영	정격 용량 고정	설치일 기반 동적 효율
LID 손실	미반영	1년차 3% 자동 적용
예측 정확도(MAPE)	~15%	7.42% (v3.2 Optuna 검증)
R² 결정계수	~0.55	0.760 (목표 0.9+)
실시간 기상 연동	일부 지원	KMA + 제주시범사업 API 이중화
이상 노후화 탐지	미지원	편차 −10% 자동 알림

데이터로 검증된 노후화 모델

이미 web-v7, web-v6, mobile 3개 플랫폼에서 검증된 calculateEfficiency() 알고리즘을 SMP 발전량 예측 파이프라인에 통합하여 즉시 적용 가능합니다.

다음 단계: 설치 메타데이터 API 연동 → BiLSTM 피처 통합 → R² 0.9+ 검증