Comparative Analysis of the Similarity of Solar Irradiance Across Domestic Meteorological Datasets for Short-term Solar Power Generation Forecasting

Geonwoo Lee; Jangwon Suh

doi:10.32390/ksmer.2026.63.4.425

Preview

Research Paper

Journal of the Korean Society of Mineral and Energy Resources Engineers. 31 August 2026. 425-440
https://doi.org/10.32390/ksmer.2026.63.4.425

Comparative Analysis of the Similarity of Solar Irradiance Across Domestic Meteorological Datasets for Short-term Solar Power Generation Forecasting

단기 태양광 발전량 예측을 위한 국내 기상자료별 일사량의 유사성 비교 분석

Geonwoo Lee¹

Jangwon Suh²^*

이 건우¹

서 장원²^*

¹Department of Energy and Mineral Resources Engineering, Kangwon National University, Samcheok, Korea

²Department of Green Energy Engineering, Kangwon National University, Samcheok, Korea

¹강원대학교 에너지자원융합공학과

²강원대학교 공학대학 그린에너지공학과

^{*Corresponding Author}

License (open-access, https://creativecommons.org/licenses/by-nc/4.0/):

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

Photovoltaic power generation varies depending on the weather conditions. The selection of meteorological data is important for securing reliable short-term forecasts. This study analyzed errors in forecasting global horizontal irradiance (GHI) and PVWatts model-based power generation for 11 sites in Korea. Automated synoptic observing system (ASOS) 2025 data were used as reference against which past ASOS data (2021–2024), a typical meteorological year, and the local data assimilation and prediction system (LDAPS) 2025 were compared. Errors were evaluated for all periods as well as sunshine periods using the mean absolute percentage error (MAPE) and R². The comparisons revealed that the predictive performance of the LDAPS 2025 is the best. In the case of sunshine periods, for GHI and power generation, the R² values were 0.832 and 0.829, and the MAPE values were 15.9% and 14.8%, respectively. These results show that the LDAPS 2025 accurately estimates weather variability at the time of forecasting . Overall, the results can be used as a basis for selecting meteorological input data for short-term photovoltaic power generation forecasting.

Keywords

photovoltaic power generation forecasting

solar-powered electric vehicle

LDAPS

TMY

ASOS

태양광 발전량은 기상조건에 따라 크게 변동하므로, 단기 예측의 신뢰도 확보를 위해서는 적절한 기상 데이터의 선정이 중요하다. 이에 본 연구에서는 2025년 종관기상관측자료를 참값으로 설정하고, 2021~2024년 종관기상관측자료, 표준기상자료, 2025년 국지예보모델을 대상으로 국내 11개 지점의 전천일사량 및 PVWatts 모델 기반의 발전량 오차를 분석하였다. 오차 평가는 전체 시간대와 일조 시간대로 구분하여 수행되었으며, 지표로는 평균절대백분율오차와 결정계수를 적용하였다. 분석 결과, 국지예보모델 자료는 일조 시간대 기준 결정계수가 전천일사량 0.832, 발전량 0.829였고, 평균절대백분율오차가 전천일사량 15.9%, 발전량 14.8%로 나타나 비교 대상 중 가장 높은 예측 성능을 보였다. 이는 3종의 기상 데이터 중 국지예보모델이 예측 시점의 기상 변동성을 더 정확하게 추정함을 보여준다. 본 연구결과는 태양광 발전 단기 예보 또는 태양광 전기차 등 이동형 태양광 응용 분야에서 단기 발전량 예측을 위한 입력 기상 데이터 선정의 기초 자료로 활용될 수 있을 것으로 기대된다.

키워드

태양광 발전량 예측

태양광 전기차

국지예보모델

표준기상자료

종관기상관측자료

MAIN

서 론
연구방법
연구지역
기상 데이터 유형, 취득 및 전처리
기상 데이터 유형별 GHI 오차 평가 방법
기상 데이터 유형별 발전량 오차 평가 방법
연구 결과
기상 데이터 유형별 GHI 오차 분석 결과
기상 데이터 유형별 태양광 발전량 예측 오차 분석 결과
토 의
단기 태양광 발전량 예측을 위한 기상 데이터 선택 전략
LDAPS 데이터 취득 주기 확대에 따른 정확도 향상 가능성
결 론

서 론

전 세계적인 탄소중립 정책과 재생에너지 확대 흐름에 따라 태양광 발전은 전력계통 내 비중이 지속적으로 증가하고 있다(IEA, 2024). 그러나 태양광 발전량은 일사량, 기온, 운량 등 기상조건의 영향을 직접적으로 받기 때문에 시간에 따라 변동성이 크게 나타난다. 이러한 변동성은 태양광 발전의 계통 연계와 운영 안정성 확보 측면에서 제약 요인으로 작용하며, 발전량을 사전에 예측하는 기술의 필요성을 높이고 있다(Antonanzas et al., 2016). 특히 기존의 월간 또는 연간 발전량 평가뿐만 아니라, 하루 또는 수 시간 이후의 발전량을 예측하는 단기 예측의 중요성이 점차 확대되고 있다.

국내에서도 재생에너지 발전량 예측의 중요성은 제도적으로 확대되고 있다. 산업통상자원부와 한국전력거래소는 재생에너지 확대에 따른 출력 변동성에 대응하기 위해 재생에너지 발전량 예측제도를 도입하였다. 이 제도에서는 태양광 및 풍력 발전사업자 또는 집합전력자원 운영자가 하루 전 발전량을 예측하여 제출하고, 실제 발전량과의 오차가 일정 범위 이내일 경우 정산금을 지급한다(MOTIE, 2020). 따라서 일반 육상 태양광 발전에서는 익일 또는 근시일 내 시간별 발전량 예측이 전력계통 운영과 전력시장 참여 측면에서 중요한 의미를 가진다.

단기 발전량 예측의 필요성은 고정식 육상 태양광 발전뿐만 아니라 이동형 태양광 응용 분야에서도 나타난다. 태양광 전기차(solar-powered electric vehicle, SEV)는 차량 외장재에 태양광 패널을 탑재하여 주행 및 주차 중 전력을 생산하는 기술로, 외부 충전 인프라에 대한 의존도를 낮추고 차량의 에너지 자립도를 높일 수 있다는 점에서 주목받고 있다(IEA-PVPS, 2021; Choi et al., 2025). SEV는 고정식 태양광 발전소와 달리 차량 위치, 주행 경로, 주차 위치, 시간대 및 주변 음영 조건이 계속 변하므로, 운용 시점의 기상조건을 반영한 예상 발전량 산정이 요구된다(Ku et al., 2024; Hong and Choi, 2025).

태양광 발전량 예측과 관련해서는 다양한 방법론이 제안되어 왔다. Antonanzas et al.(2016)은 태양광 발전량 예측 연구를 종합적으로 검토하고, 예측 시간 범위에 따라 초단기, 단기, 중기 및 장기 예측으로 구분하여 각 예측 범위의 활용성을 논의하였다. Sobri et al.(2018)은 태양광 발전량 예측 방법론을 입력 데이터와 모델 유형에 따라 분류하고, 각 예측기법의 특성과 성능을 비교하였다. 최근에는 수치예보자료(numerical weather prediction, NWP)와 머신러닝 및 딥러닝 기법을 결합한 연구도 활발히 수행되고 있다. Markovics and Mayer(2022)는 수치예보자료를 기반으로 24개 머신러닝 모델의 익일(day-ahead) 태양광 발전량 예측 성능을 비교하였으며, Yu et al.(2024)은 딥러닝 기반 태양광 발전량 예측 연구를 검토하고 다양한 인경신공망 모델 구조가 발전량 예측에 활용되고 있음을 제시하였다.

이와 같이 발전량 예측 연구는 예측모델의 고도화를 중심으로 발전해 왔으나, 동일한 모델을 적용하더라도 입력 기상 데이터의 시간적 특성과 대표성에 따라 산출 결과는 달라질 수 있다. 태양광 발전량 산정 및 장기 발전 잠재량 평가에서는 표준기상데이터(typical meteorological year, TMY)가 널리 활용되어 왔으며(Wilcox and Marion, 2008; Dobos et al., 2012), 국내에서도 태양에너지 시스템 평가를 위한 표준기상데이터의 생성 및 구축 연구가 수행되어 왔으며(Lee et al., 2017; Uwineza et al., 2020; Kim et al., 2024), TMY 데이터의 태양광 시스템 적용 정확도에 대한 검토도 이루어져 왔다(Uwineza et al., 2021). TMY는 장기간의 기상 관측값을 통계적으로 처리하여 해당 지역의 평균적인 기후 특성을 대표하는 1년 단위의 시계열 데이터로 구성되므로, 월간 또는 연간 발전량 평가에는 유용하게 활용될 수 있다.

이러한 TMY 기반 평가 방법론은 SEV 분야에서도 적용되어, 태양광 패널을 장착한 전기차 또는 이동체의 연간 발전량, 배터리 충전량, 주행거리 연장 효과 등을 평가하는 데 활용되어 왔다(Mallon et al., 2017; Suh, 2024). 그러나 TMY는 장기 평균적 기상특성을 반영하는 데이터이므로, 특정 연도의 시간별 기상 변동성을 반영해야 하는 단기 발전량 예측에 그대로 적용하기에는 한계가 있다. 이에 따라 이동형 태양광 응용 분야에서는 연간 발전량 평가를 넘어 실제 주행 및 주차 환경을 고려한 발전량 예측 연구도 수행되고 있다.

Choi et al.(2025)은 국내 연구자들에 의해 발표된 태양광 전기차 관련 논문 19편을 수집·분석하고, 국내 SEV 연구 동향을 정리하였다. 해당 연구에서는 수집된 논문을 차량 일체형 태양광 시스템, 시스템 통합, 제어 전략, 성능 추정, 시장 및 환경 평가로 분류하였으며, 이 중 제어 전략과 성능 추정 분야에서는 주차 공간 최적화, 경로 계획, 지리정보시스템 기반 태양광 잠재량 평가 등이 주요하게 다루어졌다. Oh et al.(2020)은 서울 관악구 도시지역의 마을버스 노선을 대상으로 차량 지붕 태양광 모듈의 발전 잠재량을 산정하고 모바일 센서 기반 실험을 통해 이를 검증하였다. Ku et al.(2024)은 도로 주변 건물 및 수목에 의한 음영 조건과 에너지 소비를 고려하여 SEV의 경로를 안내하는 내비게이션 알고리즘을 제안하였다. Hong and Choi(2025)는 기상청 수치예보 기반 일사량 예측자료와 360°가상현실 영상을 활용하고, 현장 조건을 반영한 보정계수를 적용하여 SEV의 주차 위치별 태양광 발전량을 예측하는 주차 보조 시스템을 제안하였다.

이상의 선행연구들은 태양광 발전량 예측에서 예측모델뿐만 아니라 입력 데이터의 특성, 시간별 일사 조건 및 주변 환경 정보가 중요함을 보여준다. 그러나 국내에서 활용 가능한 ASOS, TMY, LDAPS 기상 데이터를 동일한 조건에서 비교하고, 단기 태양광 발전량 예측을 위한 입력자료로서의 적합성을 정량적으로 평가한 연구는 충분히 이루어지지 않았다.

이에 본 연구에서는 국내에서 활용 가능한 기상 데이터 유형을 대상으로 단기 태양광 발전량 예측을 위한 입력자료로서의 적합성을 정량적으로 비교·분석하고자 하였다.

이를 위해 기상 데이터별로 동일한 분석 절차를 적용하여 시간별 전천일사량(global horizontal irradiance, GHI)과 PVWatts 모델(Dobos, 2014) 기반 발전량을 산정하였다.

2025년 ASOS 실측 데이터를 참값(ground truth)으로 설정하고, 과거 4개년(2021~2024년) ASOS 데이터, TMY 데이터, 2025년 국지예보모델(local data assimilation and prediction system, LDAPS) 데이터를 비교 대상으로 선정하였다. 이후 전국 11개 지점을 대상으로 시간별 GHI 및 PVWatts 모델 기반 태양광 발전량을 산출하고, MAE, MAPE 및 R²를 평가지표로 사용하여 기상 데이터 유형별 예측 성능을 정량적으로 분석하였다. 이를 통해 일반 육상 태양광 발전의 근시일 내 시간별 발전량 예측뿐만 아니라, SEV와 같은 이동형 태양광 응용 분야의 발전량 예측 알고리즘 개발을 위한 기초 자료를 제공하고자 한다.

연구방법

본 연구에서는 단기 태양광 발전량 예측에 적합한 기상 데이터를 비교분석하기 위하여 국내 11개 지역에 대한 ASOS, TMY, LDAPS 3종의 기상 데이터를 수집 및 전처리하였다. 이를 바탕으로 기상 데이터 간 GHI 및 태양광 발전량 예측 오차를 통계적으로 분석하였다. 본 연구의 전체적인 연구 흐름과 데이터 처리 절차는 Fig. 1과 같다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F1.jpg

Fig. 1.

Flowchart showing the steps of the overall procedure.

연구지역

본 연구에서는 기상 데이터 유형에 따른 GHI 및 발전량 예측 오차를 전국 규모에서 평가하기 위해 지리적 위도에 따른 일사량 편차와 해안 및 내륙의 기후적 특성을 고루 반영할 수 있는 전국 11개 주요 관측 지점(대구, 목포, 부산, 서울, 서산, 원주, 인천, 전주, 청주, 포항, 제주)을 연구 대상지로 선정하였다. 데이터 수집 초기 과정에서는 전국 16개 지점을 후보지로 선정하였으나, 시계열 자료의 연속성과 완결성을 검토하는 과정에서 결측 데이터 비율이 5% 또는 연속 결측 데이터 개수가 48개를 초과하는 5개 지점(광주, 강릉, 대전, 진주, 춘천)은 최종 분석 대상에서 제외하였다. 본 연구에서 선정된 기상관측소의 지리적 분포는 Fig. 2에 나타내었으며, 세부 위치 및 경위도 좌표는 Table 1에 나타내었다.

Table 1.

Location of 11 meteorological observation sites considered in this study

Station ID	City (Province)	Latitude (∘)	Longitude (∘)
108	Seoul	37.5714	126.9658
112	Incheon	37.4777	126.6249
114	Wonju (Gangwon)	37.3375	127.9466
129	Seosan (Chungnam)	36.7766	126.4939
131	Cheongju (Chungbuk)	36.6394	127.4409
138	Pohang (Gyeongbuk)	36.0320	129.3800
143	Daegu	35.8780	128.6530
146	Jeonju (Jeonbuk)	35.8409	127.1172
159	Busan	35.1047	129.0320
165	Mokpo (Jeonnam)	34.8173	126.3815
184	Jeju	33.5141	126.5297

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F2.jpg

Fig. 2.

Distribution of the study sites across Korea (base map source: GADM, 2026).

기상 데이터 유형, 취득 및 전처리

단기 태양광 발전량 예측 모델에 입력될 8,760시간(1년) 단위의 시계열 데이터의 적합성을 평가하기 위하여 3종의 기상 데이터를 수집하였으며(Table 2), 수집된 데이터에 대한 전처리를 수행하였다.

Table 2.

Types and characteristics of meteorological data considered in this study

Data Type	Source	Period	Characteristics	Utilization
ASOS	KMA	2021–2025	Historical observation	2025 data used as Ground Truth
TMY	KIER	-	Statistical typical year	Used for long-term potential
LDAPS	KMA	2025	Numerical weather prediction	Short-term forecast data

Note: KMA: Korea Meteorological Administration (data.kma.go.kr); KIER: Korea Institute of Energy Research (kier-solar.org).

ASOS

ASOS는 기상청(korea meteorological administration, KMA)에서 운영하는 종관기상관측망으로, 전국 주요 지점의 대기 상태 및 기상 요소를 정해진 시각에 동시 관측하여 생산되는 고정밀 지상 실측 자료이다. 본 연구에서는 기상청 기상자료개방포털(https://data.kma.go.kr/data/grnd/selectAsosRltmList.do)을 통해 최근 5개년(2021~2025) ASOS 자료를 취득하였다. 어떤 미래 시점의 GHI 및 발전량을 예측하는 상황을 가정하기 위해 2025년의 GHI 실측값을 예측 목표이자 검증을 위해 참값(ground truth)으로 설정하였고, 비교군으로서 과거 4개년(2021~2024) 데이터를 각각 개별적으로 활용하였다.

전처리 과정에서는 시간축 자체가 누락된 구간을 복원하여 연간 8,760시간의 타임라인을 재구축하였다. 이후 각 지점의 월별 가조 시간(일사 발생 구간)을 산출하여, 해당 구간 외의 야간 결측치는 단순 기록 누락으로 간주하여 0으로 할당하였다. 주간 결측 구간의 경우 2시간 이하의 단기 결측에 한하여 시계열 선형 보간을 수행하였다. 반면, 2시간을 초과하는 연속 결측(최대 48시간) 및 일사량 최대 시간대(증가-최대-감소)의 결측 구간은 단순 선형 보간 적용에 의한 오차를 방지하기 위해 인접 일자의 동일 시간대 데이터를 활용하여 보간하였다. 다만, ASOS GHI 데이터에서 장시간 연속 결측으로 인해 상기 보간 절차만으로는 시계열의 신뢰성 확보가 어렵다고 판단되는 5개 지점은 최종 분석 대상에서 제외하였다. 또한, 발전량 산출에 요구되는 건구온도의 결측은 1~3시간의 단기 구간은 선형 보간을, 4시간 이상의 장기 구간은 인접 일자의 동일 시간대 데이터를 적용하여 복원하였다. 이러한 과정을 통해 무결점 시계열 데이터를 확보한 후, 원시 데이터의 GHI 단위(MJ/m²)를 발전량 산출 모델의 입력 표준 단위(W/m²)로 변환하여 분석에 활용하였다.

TMY

TMY는 장기간의 과거 기상 관측 자료를 통계적으로 분석하여, 해당 지역의 장기적인 기후 특성을 대표하는 전형적인 월들을 선정하고, 이를 조합하여 1년(8,760시간) 단위의 연속된 시계열로 재구성한 표준기상자료이다(Wilcox and Marion, 2008). 이러한 TMY는 태양광 발전 시설의 중·장기 발전량 평가에 널리 활용되어 왔다(Dobos et al., 2012; Uwineza et al., 2021). 본 연구에 사용된 TMY 데이터는 한국에너지기술연구원(Korea institute of energy research, KIER) 국가신재생에너지데이터센터의 국가참조표준 데이터베이스(https://kier-solar.org/user/nrs/list)에서 취득하였다.

전처리 과정에서 일부 지역의 건구온도와 이슬점온도가 동일하게 입력된 데이터 오류를 확인하였다. 이에 따라 기상청의 지상기상관측지침에 제시된 포화수증기압(Goff and Gratch, 1945) 및 상대습도 산정식과 정의를 적용하여 건구온도, 이슬점온도 및 상대습도 간의 정합성을 검토하였으며, 오기입된 것으로 판단되는 건구온도 값을 보정하였다(KMA, 2026a). 보정된 건구온도 데이터는 발전량 산출 모델의 입력 인자로 활용하였다.

LDAPS

LDAPS는 기상청에서 운영하는 수치예보모델 중 하나인 국지예보모델로 한반도 및 주변 해역을 대상으로 1.5 km의 고해상도 격자 체계를 기반으로 특정 분석 시각의 단기 미래 기상 상태를 예측하여 생산하는 자료이다. 본 연구에서는 2025년 1년간의 완전한 시계열(8,760시간) 데이터셋을 구축하기 위해 2024년 12월 31일부터 2025년 12월 31일까지 기상청에서 생산한 GRIB2(.gb2) 포맷의 원시 예보 데이터를 수집하였다(KMA, 2026b).

LDAPS는 연속적인 시계열 형태로 제공되는 관측 자료와 달리 특정 분석 시각마다 독립된 예보가 생산되므로, 이를 8,760시간의 연속된 시계열로 병합하는 전처리 과정이 요구된다. 단기 예보의 특성을 반영하고자 매일 협정세계시(coordinated universal time, UTC) 00시(한국표준시 09시) 분석 기준 시각의 예측 시간 h001~h024(당일 10시~익일 09시) 자료를 일 단위로 추출하여 순차적으로 연계하였다. 2025년 1월 1일 00시부터 09시까지의 초기 공백 구간은 2024년 12월 31일 자 예보 데이터의 후반부 예측 구간을 활용하여 시간적 연속성을 확보하였다. 해당 데이터는 격자 형태로 제공되므로 별도의 공간 보간 없이 11개 지점의 위·경도 좌표와 가장 인접한 격자점의 GHI 및 건구온도 데이터를 추출하여 분석의 입력 자료로 활용하였다.

기상 데이터 유형별 GHI 오차 평가 방법

각 기상 데이터가 근시일 내의 시간별 GHI를 얼마나 정확하게 반영하는지 평가하기 위하여 ASOS 2025년 실측 데이터를 참값이자 예측 목표로 설정하고 총 6개 자료(ASOS 2021, 2022, 2023, 2024, TMY, LDAPS 2025)와 비교하여 오차를 분석하였다. 즉, 전국 11개 지점에 6종의 기상 데이터 등 총 66개의 시나리오에 대해 GHI 예측 오차를 산정하였다.

예측 성능 평가 지표로는 평균절대오차(mean absolute error, MAE), 평균절대백분율오차(mean absolute percentage error, MAPE), 결정계수(coefficient of determination, R²)를 사용하였다. 분석 범위는 연간 전체 시간대와 일조 시간대의 두 조건으로 구분하였다. MAE와 R²는 전체 시간대와 일조 시간대에 대해 각각 산출하였으며, MAPE는 참값이 0 또는 0에 가까운 시간대에서 분모의 영향으로 오차율이 비정상적으로 커질 수 있으므로 일조 시간대에 대해서만 산출하였다.

세계기상기구(world meteorological organization, WMO)는 일조시간을 직달일사량(direct normal irradiance, DNI)이 120 W/m²를 초과하는 시간의 합으로 정의하고 있으며, 해당 임계값은 일조가 유효한 시간대를 구분하는 기준으로 활용된다(Suh and Brownson, 2016; WMO, 2024). 이에 본 연구에서는 참값인 ASOS 2025 데이터로부터 산정된 DNI가 120 W/m²를 초과하는 시간대를 일조 시간대로 정의하고, 해당 시간 샘플을 모든 비교군에 동일하게 적용하였다. 일조 시간대 조건을 적용하기 위해서는 각 기상 데이터에 대한 DNI 산정이 필요하였다. ASOS와 TMY 데이터에는 DNI 항목이 직접 포함되어 있지 않다. LDAPS의 경우 직달 단파복사속을 통해 DNI에 상응하는 변수를 제공하나, 자료원 간 DNI 산출 절차의 일관성을 확보하기 위해 모든 기상 데이터에 동일한 DIRINT 모델을 적용하여 DNI를 산정하였다. DIRINT는 GHI를 기반으로 DNI를 추정하는 직산분리 모델로, 본 연구에서는 pvlib Python 라이브러리에 구현된 DIRINT 함수를 이용하였다(Perez et al., 1992; Holmgren et al., 2018). DIRINT 함수는 GHI, 태양천정각, 자료 시각을 주요 입력값으로 사용한다. 이에 따라 각 기상 데이터의 GHI와 자료 시각을 입력하였으며, 태양천정각은 지점별 위·경도 좌표와 자료 시각을 이용하여 산출한 뒤 입력하였다. 이와 함께 이슬점온도 자료를 보조 입력값으로 반영하였고, 대기압을 포함한 그 외 선택 입력값은 모델의 기본 설정을 적용하였다. 또한 기본 설정에 따라 태양천정각이 87°를 초과하는 시간대의 DNI는 0으로 처리하였다. 이러한 과정을 통해 모든 기상 데이터에 대해 동일한 산출 절차에 기반한 DNI를 도출하였다. 상기 분석 조건 및 DNI 산정 절차를 바탕으로 각 평가지표를 산출하였으며, 각 지표의 정의와 산정 방법은 다음과 같다.

평균절대오차(mean absolute error, MAE)

MAE는 예측값과 참값 간의 절대적인 차이를 산술 평균한 값이다. 오차를 절댓값으로 변환하는 과정을 통해 양수와 음수 오차가 서로 상쇄되어 오차가 과소평가되는 현상을 방지한다. 본 연구에서는 MAE를 통해 각 기상 데이터가 ASOS 2025 참값 대비 평균적으로 어느 수준의 오차를 갖는지, 데이터별 전반적인 예측 오차의 절대적 규모를 파악하는 데 활용하였다. 연간 전체 기간(8,760시간)에 대한 계산 수식은 식 (1)이고, 일조시간대에 대한 수식은 식 (2)와 같다.

(1)

M A E = \frac{1}{n} \sum_{i = 1}^{n} |y_{i} - {\hat{y}}_{i}|

(2)

M A E_{D N I > 120} = \frac{1}{m} \sum_{j = 1}^{m} |y_{j} - {\hat{y}}_{j}|

상기 식에서 $n$ 은 전체 분석 시간(8,760시간), $m$ 은 참값인 ASOS 2025 기준 DNI가 120 W/m²를 초과하는 일조 시간대의 시간 데이터 총 개수를 의미한다. $y_{i}$ 와 ${\hat{y}}_{i}$ 는 각각 참값(ASOS 2025 GHI)과 예측값(각 비교군 기상 데이터의 GHI)을 의미하며 $y_{j}$ 와 ${\hat{y}}_{j}$ 는 각각 일조 시간대에서의 참값과 예측값을 의미한다.

평균절대백분율오차(mean absolute percentage error, MAPE)

MAPE는 참값 대비 예측값의 오차 비율을 백분율(%)로 나타낸 지표이다. MAE가 오차의 절대적인 양을 보여준다면, MAPE는 참값의 규모에 비례한 상대적인 오차 수준을 제공하므로 GHI 규모가 상이한 전국 11개 지역 간의 예측 오차를 동일한 척도에서 비교할 수 있다는 장점이 있다. 다만, 참값이 0이거나 0에 가까운 시간대를 포함할 경우 분모의 영향으로 오차율이 비정상적으로 과대 산정될 수 있다. 따라서 본 연구에서는 실효적인 일사량 예측 정확도를 평가하기 위하여 앞서 정의한 일조 시간대에 대해서만을 산출하였으며, 수식은 식 (3)과 같다.

(3)

{MAPE}_{D N I > 120} (%) = \frac{1}{m} \sum_{j = 1}^{m} |\frac{y_{j} - {\hat{y}}_{j}}{y_{j}}| \times 100

상기 식에서 m은 참값인 ASOS 2025 기준 DNI가 120 W/m²를 초과하는 일조 시간대의 시간 데이터 총 개수를 의미한다. $y_{j}$ 는 일조 시간대에서의 참값이며, ${\hat{y}}_{j}$ 는 이에 대응하는 각 비교군 기상 데이터의 예측값을 의미한다.

결정계수(coefficient of determination, R²)

R²는 참값과 예측값 간의 선형적 상관성을 나타내는 통계적 지표이다. 본 연구에서는 Microsoft Excel의 RSQ 함수를 이용하여 R²을 산정하였으며, 이는 참값과 예측값 간 피어슨 상관계수의 제곱에 해당한다. R²값은 0에서 1 사이의 값을 가지며, 1에 가까울수록 비교군 기상 데이터가 참값의 시간별 변동 경향을 잘 추종함을 의미한다. 본 연구에서는 R²을 통해 단순히 오차의 절대적 크기를 넘어, 각 기상 데이터가 일출, 일몰, 남중고도 변화 및 구름 유입 등에 따른 GHI의 시간적 변동 패턴을 얼마나 잘 반영하는지 평가하였다. 연간 전체 시간대에 대한 수식은 식 (4)와 같으며, 일조 시간대에 대한 수식은 식 (5)와 같다.

(4)

R^{2} = 1 - \frac{\sum_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}}{\sum_{i = 1}^{n} {(y_{i} - \bar{y})}^{2}}

(5)

R_{D N I > 120}^{2} = 1 - \frac{\sum_{j = 1}^{m} {(y_{j} - {\hat{y}}_{j})}^{2}}{\sum_{j = 1}^{m} {(y_{j} - {\bar{y}}_{D})}^{2}}

상기 식에서 $n$ 은 전체 분석 시간(8,760시간), $m$ 은 참값인 ASOS 2025 기준 DNI가 120 W/m²를 초과하는 일조 시간대의 시간 데이터 총 개수를 의미한다. $y_{i}$ 와 ${\hat{y}}_{i}$ 는 각각 전체 시간대에서의 참값과 예측값을 의미하며, $y_{j}$ 와 ${\hat{y}}_{j}$ 는 각각 일조 시간대에서의 참값과 예측값을 의미한다. $\bar{y}$ 와 $\bar{\hat{y}}$ 는 각각 전체 시간대에서의 참값과 예측값의 평균을 의미하며, ${\bar{y}}_{D}$ 과 ${\bar{\hat{y}}}_{D}$ 은 각각 일조 시간대 m개 데이터에 대한 참값과 예측값의 평균을 의미한다.

기상 데이터 유형별 발전량 오차 평가 방법

본 절에서는 앞에서 계산된 GHI 오차가 태양광 발전량 산정 결과에 어떠한 영향을 미치는지 알아보고자 하였다. 이를 위해 ASOS 2025 자료에 근거한 태양광 발전량을 참값(예측 목표)이라 가정하고, 6종의 기상 데이터를 이용하여 산출한 각각의 태양광 발전량을 상호 비교 분석하였다. 이때 태양광 발전량을 산출하기 위해 미국 National Laboratory of the Rockies(NLR)에서 개발한 PVWatts 모델을 적용하였다(Dobos, 2014). 8가지 입력 변수를 통해 태양광 발전 잠재량을 용이하게 추정할 수 있는 이 모델은 다수의 선행 연구에서 활용되어 그 신뢰성이 검증된 바 있다(Seo and Suh, 2023; Suh, 2024; Ku et al., 2024). 본 연구는 태양광 발전 잠재량을 정확하게 평가하는데 목적을 두고 있는 것은 아니므로 이 모델을 채택하는 것은 적절하다고 판단하였다. PVWatts 모델에 의한 시간별 발전량 산출식은 식 (6)과 같으며, 태양전지 온도의 추정식은 식 (7)로 나타낼 수 있다. 또한, 발전량 평가에 적용된 태양광 발전 시스템의 세부 사양은 Table 3과 같다.

(6)

P o w e r G e n e r a t i o n (k W h) = \frac{I}{1000} \times A \times \frac{η_{p}}{100} \times \frac{η_{i}}{100} \times R_{d a} \times \frac{100 - (25 ° - T_{cell}) γ}{100} \times \frac{L}{100}

(7)

T_{cell} = T_{air} + \frac{N O C I - 20}{800} \times I

상기 식에서 사용된 인자의 정의와 단위는 다음과 같다.

$P o w e r G e n e r a t i o n$ : 시간별 태양광 발전량(kWh)

$I$ : 시간별 GHI(W/m²)

$A$ : 태양광 모듈의 유효 면적(m²)

$η_{p}$ : 표준시험조건에서의 태양광 모듈 효율(%)

$η_{i}$ : 인버터의 직류-교류 변환 효율(%)

$R_{d a}$ : 직류-교류 변환비

𝛾 : 모듈 온도 계수

$L$ : 시스템 손실 보정 계수

$T_{c e l l}$ : 외부 기상 조건에 의해 변동하는 태양광 셀 내부 온도(℃)

$T_{a i r}$ : 각 기상 데이터 유형으로부터 취득한 시간별 대기 건구온도(℃)

$N O C T$ : 공칭 동작 셀 온도(℃)

Table 3.

Parameters and specifications of the photovoltaic (PV) system applied in this study

PV system	Item	Value
Module	Type	mono-Si
	Area	6.8 m²
	Efficiency	24%
	Temperature coefficient	–0.5%/℃
Inverter	Efficiency	96%
Inverter	DC to AC	1.1
Others	Losses	20%
Others	NOCT (nominal operating cell temperature)	50℃

기상 데이터 유형별로 산출된 발전량 결과값에 대해서도 GHI 분석과 동일한 방법론을 바탕으로 MAE, MAPE, R²의 3가지 통계 지표를 적용하여 발전량 오차를 평가하였다. 연간 전체 기간(8,760시간)에 대한 분석과 더불어, 앞서 정의한 일조 시간대(DNI > 120 W/m²) 기준을 동일하게 적용하였다. 이론적으로 태양광 발전이 발생하지 않거나 매우 제한적인 구간을 포함할 경우 오차 지표가 과대 산정될 수 있으므로, 전체 시간대와 일조 시간대를 구분하여 발전량 예측 오차를 비교하였다.

연구 결과

기상 데이터 유형별 GHI 오차 분석 결과

국내 11개 지점별 ASOS 2025년도 GHI를 참값으로 가정하고, 6종의 기상 데이터 GHI에 대하여 앞서 정의한 3가지 통계 지표(MAE, MAPE, R²)를 산출하여 각 비교군별로 요약한 결과는 Fig. 3과 같다. MAE와 R²는 전체 시간대와 일조 시간대(DNI > 120 W/m²)에 대해 각각 산출하였으며, MAPE는 일조 시간대에 대해서만 산출하였다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F3.jpg

Fig. 3.

Bar charts of global horizontal irradiance (GHI) error analysis for various meteorological data sources averaged across all locations.

분석 결과, 모든 지표에서 수치예보 기반의 LDAPS 2025 데이터가 가장 낮은 오차와 높은 상관성을 보였다. 전체 시간대 기준 MAE는 LDAPS 2025가 38.21 W/m²로 가장 낮았으며, 과거 4개년 ASOS 데이터와 TMY는 각각 82.75~88.66 W/m² 및 84.77 W/m² 수준으로 나타났다. R² 또한 LDAPS 2025가 0.908로 가장 높아, 과거 4개년 ASOS 데이터(0.560~0.593) 및 TMY(0.586)보다 월등히 높은 상관성을 보였다.

일조 시간대(DNI > 120 W/m²)로 분석 범위를 제한할 경우 이러한 차이는 더욱 뚜렷하게 나타났다. MAE_DNI>120는 LDAPS 2025가 69.07 W/m²로 가장 낮았으며, 과거 4개년 ASOS 데이터는 164.80~180.34 W/m², TMY는 183.72 W/m²로 나타났다. MAPE_DNI>120 역시 LDAPS 2025가 15.94%로 가장 낮았고, 과거 4개년 ASOS 데이터와 TMY는 각각 33.24%~36.46% 및 36.61% 수준을 보였다. 특히 R²_DNI>120는 LDAPS 2025가 0.832로 산출되어, 과거 4개년 ASOS 데이터(0.352~0.403) 및 TMY(0.396)보다 2배 이상 높은 값을 보였다. 이는 전체 시간대 R²에서 나타난 차이보다 상대적 격차가 확대된 결과로, 일조 시간대 조건에서 기상 데이터 간 GHI 예측 성능의 차이가 더 명확하게 드러났음을 의미한다. 과거 ASOS 데이터 중에서는 예측 목표 연도(2025년)의 직전 연도인 2024년 데이터가 대체로 가장 큰 오차를 보였는데, 이는 특정 시기의 GHI를 예측하기 위해 단순히 직전 연도의 관측값을 사용하는 것이 유효하지 않음을 보여준다. 결론적으로 과거 실측 데이터 또는 중·장기적 통계값은 가까운 미래의 기상 특성의 단기적 변동성을 반영하는 데 한계가 존재함을 시사하며, LDAPS가 근시일 내의 GHI 변동 특성을 가장 정밀하게 추정함을 의미한다.

이러한 경향성은 GHI 산점도(scatter plot)를 통해서도 확인된다. Fig. 4는 국내 11개 지점의 연간 시간별 GHI 자료를 통합한 산점도로, ASOS 2025 대비 각 비교군 기상 데이터의 분포 특성을 비교한 결과이다. 각 산점도에서 회색 점선은 참조선(reference line, y = x)을, 흑색 실선은 추세선(trend line)을 나타낸다. 참값 대비 예측값의 분포를 살펴보면, 과거 4개년 ASOS와 TMY 데이터는 참조선을 기준으로 폭넓게 산포되어 있는 반면, LDAPS 2025는 데이터 분포가 밀집되어 있고 추세선(trend line)이 참조선에 근접하게 도출되어(R²= 0.907) 추정 정밀도가 높음을 시각적으로 확인할 수 있다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F4.jpg

Fig. 4.

Scatterplot for the comparison of hourly global horizontal irradiance (GHI) values from the automated synoptic observing system (ASOS) data (2021–2024), a typical meteorological year (TMY), and the local data assimilation and prediction system (LDAPS 2025).

Fig. 5는 ASOS 2025 기준 DNI가 120 W/m²를 초과하는 일조 시간대만을 대상으로, 국내 11개 지점의 시간별 GHI 자료를 통합하여 재구성한 산점도이다. 전체 시간대 산점도에서 확인되던 ASOS 2025 GHI가 0에 가까운 자료가 제외됨에 따라, 좌측 상단 영역에 집중되던 산점 밀도가 크게 감소하였다. 이는 일조 시간대 조건이 야간 및 극저일사 구간을 제거함으로써, 참값이 거의 0에 가까운 시간대에서 발생하는 오차 사례를 상당 부분 배제했기 때문이다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F5.jpg

Fig. 5.

Scatterplot for the comparison of hourly global horizontal irradiance (GHI) values from the automated synoptic observing system (ASOS) data (2021–2024), a typical meteorological year (TMY), and the local data assimilation and prediction system (LDAPS 2025) during sunshine periods.

다만 참값이 높은 일조 시간대에서 비교군 GHI가 낮게 산정되는 과소예측 영역은 여전히 남아 있으며, 이는 과거 4개년 ASOS 및 TMY 자료가 2025년의 실제 구름 분포와 시간별 기상 변동을 충분히 반영하지 못한 결과로 해석된다. 이러한 조건에서도 과거 4개년 ASOS 데이터와 TMY는 참조선을 기준으로 넓은 산포를 보였으며, 추세선 역시 참조선과 차이를 보였다. 반면 LDAPS 2025는 일조 시간대에서도 산점 분포가 참조선 주변에 비교적 밀집되어 나타났고, 추세선 또한 참조선에 가장 근접하였다. 이는 일조 시간대 조건에서도 LDAPS 2025가 다른 기상 데이터에 비해 ASOS 2025 GHI와 상대적으로 높은 일치도를 유지하고 있음을 보여준다(R²= 0.830).

Fig. 6은 ASOS 2025 GHI 대비 LDAPS 2025 GHI의 지역별 R² 분석 결과를 보여준다. Fig. 6(a)은 전체 시간대 기준 결과이며, Fig. 6(b)은 ASOS 2025 기준 DNI가 120 W/m²를 초과하는 일조 시간대 기준 결과이다. 두 분석 조건 모두에서 내륙 및 대부분의 해안 지점은 전반적으로 평균과 유사한 수준의 예측 성능을 보였으나, 제주 지점에서는 오차가 증가하는 특이성이 확인되었다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F6.jpg

Fig. 6.

Coefficient of determination between predicted and actual global horizontal irradiance (GHI) by location for (a) all periods and (b) sunshine periods.

전체 시간대 기준에서 제주 지점의 R²는 0.875로, 전국 11개 지점 평균인 0.908 대비 낮게 나타났다. 일조 시간대 기준에서도 제주 지점의 R²_DNI>120는 0.781로, 전국 11개 지점 평균인 0.832 대비 낮게 나타났다. 이는 제주가 타 지점 대비 해양성 기후의 영향을 받아 국지적인 구름 발생과 기상 변동성이 높기 때문에 LDAPS의 예측 오차 또한 상대적으로 높게 산출된 것으로 사료된다.

기상 데이터 유형별 태양광 발전량 예측 오차 분석 결과

PVWatts 모델을 통해 산출된 기상 데이터 유형별 태양광 발전량에 대하여 앞서 정의한 3가지 통계 지표(MAE, MAPE, R²)를 산출하여 요약한 결과는 Fig. 7과 같다. MAE와 R²는 전체 시간대와 일조 시간대(DNI > 120 W/m²)에 대해 각각 산출하였으며, MAPE는 일조 시간대에 대해서만 산출하였다. 전 지점 평균 발전량 오차를 비교한 결과, 앞선 GHI 오차 분석 결과와 동일하게 LDAPS 2025 데이터가 가장 우수한 발전량 예측 성능을 나타내었다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F7.jpg

Fig. 7.

Bar charts of photovoltaic (PV) generation error analysis for various meteorological data sources averaged across all locations.

전체 시간대 기준 MAE는 LDAPS 2025가 0.0463 kWh로 가장 낮았으며, 이는 TMY(0.1045 kWh) 대비 약 44% 수준의 낮은 오차에 해당한다. 과거 4개년 ASOS 데이터의 MAE는 0.0987~0.1064 kWh 수준으로 나타나 TMY와 유사한 오차 범위를 보였다. R²또한 LDAPS 2025가 0.915로 도출되어, 과거 4개년 ASOS 데이터(0.584~0.626) 및 TMY(0.609)를 크게 상회하였다.

일조 시간대(DNI > 120 W/m²)로 분석 범위를 제한한 경우에도 LDAPS 2025의 예측 우위는 발전량 오차에서 일관되게 확인되었다. MAE_DNI>120는 LDAPS 2025가 0.0799 kWh로 가장 낮았으며, 과거 4개년 ASOS 데이터(0.1922~0.2144 kWh) 및 TMY(0.2125 kWh) 대비 현저히 낮은 수준을 보였다. MAPE_DNI>120에서도 LDAPS 2025는 14.83%로, 과거 4개년 ASOS 데이터(31.49~34.72%) 및 TMY(34.67%)의 절반 이하 수준에 해당하였다. 특히 R²_DNI>120는 LDAPS 2025가 0.829로 산출되어, 과거 4개년 ASOS 데이터(0.344~0.406) 및 TMY(0.386)보다 2배 이상 높은 값을 보였다. 이러한 결과는 태양광 발전량이 GHI(I)와 대기 건구온도(Tcell) 등 기상 인자의 물리적 변환 과정을 거쳐 산출되는 종속 변수인 만큼, 기상 변수에 대한 LDAPS 2025의 상대적으로 높은 추정 정확도가 최종 발전량 예측 성능 향상으로 이어졌음을 보여준다.

발전량 산점도(Figs. 8 and 9)를 통한 추세 분석에서도 LDAPS 2025의 높은 예측 정밀도가 확인된다. 앞선 GHI 분석에서 확인된 바와 같이, TMY와 과거 4개년 ASOS 데이터는 일치도를 나타내는 회색 점선의 참조선(y = x) 주변으로 넓은 산포도를 보이나, LDAPS 2025는 데이터 분포가 좁게 밀집된 형태로 흑색 추세선이 참조선에 근접하게 도출되어, 앞선 GHI 분석과 일관된 경향성을 보여준다. LDAPS 2025의 R²는 전체 시간대 기준 0.915, 일조 시간대 기준 0.828로 산출되었다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F8.jpg

Fig. 8.

Scatterplot for the comparison of hourly photovoltaic (PV) generation from data of the automated synoptic observing system (ASOS) (2021–2024), a typical meteorological year (TMY), and LDAPS 2025.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F9.jpg

Fig. 9.

Scatterplot for the comparison of hourly photovoltaic generation from ASOS data (2021–2024), a typical meteorological year (TMY), and the local data assimilation and prediction system (LDAPS 2025) during sunshine periods.

Fig. 10은 ASOS 2025 발전량 대비 LDAPS 2025 발전량의 지역별 R² 분석 결과를 보여준다. Fig. 10(a)은 전체 시간대 기준 결과이며, Fig. 10(b)는 ASOS 2025 기준 DNI가 120 W/m²를 초과하는 일조 시간대 기준 결과이다. GHI 분석 결과와 마찬가지로 제주 지점의 오차가 타 지점 대비 높게 나타나는 특이성이 재차 확인되었다. 구체적으로 제주 지점의 발전량 예측값에 대한 R²는 전체 시간대 기준 0.881로, 전국 11개 지점 평균인 0.915 대비 낮게 나타났다. 일조 시간대 기준에서도 0.784로 평균 0.829 대비 낮게 나타났다. 이는 앞선 GHI 분석에서 확인된 바와 같이 해양성 기후의 영향으로 인한 GHI 데이터 자체의 높은 불확실성이 물리적 변환 과정을 거쳐 최종 발전량 산출 시에도 지배적인 오차 요인으로 작용했기 때문인 것으로 사료된다.

https://cdn.apub.kr/journalsite/sites/ksmer/2026-063-04/N0330630404/images/ksmer_63_04_04_F10.jpg

Fig. 10.

Coefficient of determination between predicted and actual photovoltaic (PV) generation by location for (a) all periods and (b) sunshine periods.

한편, 시간별 발전량 오차분석 결과와 누적 발전량 총량의 차이는 구분하여 해석할 필요가 있다. 추가 검토로 ASOS 2021~2024, TMY, LDAPS 2025를 이용해 산출한 월간 및 연간 누적 발전량을 ASOS 2025 기준 발전량과 비교한 결과, LDAPS 2025는 시간별 발전량의 변동성은 가장 잘 추종하였으나 누적 발전량 기준에서는 ASOS 2025 대비 발전량을 대체로 높게 산정하는 경향이 확인되었다. 이는 MAE, MAPE 및 R²와 같이 시간별 오차 규모, 상대 오차 수준 및 변동 경향을 평가하는 지표와, 부호를 갖는 오차가 누적된 총량 차이가 서로 다른 정보를 제공함을 의미한다. 따라서 LDAPS 2025는 근시일 내 시간별 발전량 예측자료로서의 적합성이 높게 평가되었으나, 월간 또는 연간 누적 발전량 평가는 별도의 총량 기준 분석으로 구분하여 해석할 필요가 있다.

토 의

3종의 기상 데이터(ASOS, TMY, LDAPS) 기반 GHI 및 태양광 발전량 예측 오차 분석 결과를 바탕으로, 단기 태양광 발전량 예측을 위한 기상 데이터 선택 전략 및 예측 고도화를 위한 기술적 제언을 기술하고자 한다.

단기 태양광 발전량 예측을 위한 기상 데이터 선택 전략

태양광 발전량 예측은 예측 대상 기간과 활용 목적에 따라 적합한 기상 데이터가 달라질 수 있다. 일반 육상 태양광 발전에서는 익일 또는 근시일 내 시간별 발전량 예측이 전력계통 운영과 전력시장 정산에 활용될 수 있으며, SEV와 같은 이동형 태양광 응용에서는 주행 또는 주차 중 예상 발전량을 안내하기 위한 입력자료로 활용될 수 있다. 따라서 단기 태양광 발전량 예측에서는 장기 평균적 기상특성보다 예측 대상 시점의 실제 기상 변동성을 반영할 수 있는 기상 데이터의 활용이 중요하다.

특정 시점 기준 48시간 이내의 시간별 발전량 예측에는 수치예보 기반의 LDAPS 데이터를 활용하는 것이 적절하다. 전술한 바와 같이 LDAPS는 전 지역 및 6종의 데이터 중에서 가장 우수한 예측 성능을 보였으며, 일조 시간대에서도 ASOS 및 TMY 대비 높은 예측 성능을 유지하였다. 따라서 일반 육상 태양광 발전의 익일 발전량 예측이나, SEV와 같은 이동형 태양광 응용에서의 근시일 내 예상 발전량 산정에는 LDAPS 데이터를 우선적으로 활용하는 것이 적절할 것으로 판단된다.

반면, 특정 시점 기준 48시간 이후의 미래나 월간 및 연간 단위의 중장기 발전량 예측 시에는 제한적으로 TMY 데이터를 활용할 수밖에 없다. LDAPS와 같은 수치예보 모델은 물리 방정식 기반의 특성상 예측 리드 타임(lead time)이 길어질수록 불확실성이 증가하며, 현재 기상청에서도 조회 시점 기준 최대 48시간 내의 단기 예보장 범위만을 제공하기 때문이다. 다만 ASOS 2025를 참값으로 한 본 연구의 비교 결과, TMY 기반 발전량 예측은 일조 시간대 기준 MAPE가 34.67%로 나타나 특정 연도의 단기 발전량 예측에 원자료를 그대로 적용하기에는 한계가 있다. 따라서 월 또는 연 단위의 발전량을 평가하거나 운용 계획을 수립할 경우에도 지역별 오차 편차를 반영한 통계적 후처리(bias correction)를 통해 모델을 개선할 필요가 있다.

LDAPS 데이터 취득 주기 확대에 따른 정확도 향상 가능성

본 연구에서는 기상청 LDAPS 데이터셋 추출 시, 시스템의 단순화를 위해 UTC 00시(KST 09시) 기준의 h001~h024 단일 예측장만을 활용하였다. 그러나 수치예보 모델은 최신 관측 자료가 유입되어 데이터 동화(data assimilation)가 새로 수행될 때마다 초기 오차가 급격히 줄어드는 특징을 갖는다. 현재 기상청은 3시간 간격으로 전지구모델로부터 경계장을 제공받아 1일 총 8회(00, 06, 12, 18 UTC: 48시간 예측 / 03, 09, 15, 21 UTC: 3시간 예측)에 걸쳐 국지예보모델을 재초기화하고 예측장을 지속적으로 갱신하고 있다. 따라서 향후 단기 태양광 발전량 예측 시스템 구현 시, 고정된 단일 예측장을 사용하는 대신 최신 LDAPS 예측장을 주기적으로 반영하여 발전량 예측 입력자료를 갱신한다면, 예측 리드 타임이 단축됨에 따라 발전량 예측 오차를 저감할 수 있을 것으로 판단된다. 다만 이는 서버의 데이터 통신 부하와 예측 정밀도 간의 트레이드오프(trade-off) 관계를 고려하여 향후 최적화 알고리즘 등을 적용할 필요가 있다. 이러한 방식은 일반 육상 태양광 발전의 익일 시간대별 발전량 예측뿐만 아니라, SEV와 같은 이동형 태양광 응용에서도 활용 가능하다. 예를 들어 차량의 주행 또는 주차 시점에 맞추어 최신 예보자료를 반영할 경우, 운용 시점별 예상 발전량의 신뢰도를 높일 수 있을 것으로 판단된다. 다만 LDAPS 데이터 취득 주기를 확대할 경우 데이터 수집 및 처리 비용, 서버 통신 부하, 예측 정밀도 간의 트레이드오프(trade-off)가 발생할 수 있으므로, 향후 연구에서는 예측자료 갱신 주기와 정확도 향상 효과를 함께 고려한 최적화가 필요하다. 또한 본 연구는 고정된 관측지점을 기준으로 기상 데이터 유형에 따른 GHI 및 발전량 예측 오차를 비교한 것으로, 실제 SEV 운용 과정에서 발생하는 차량 위치 변화, 주행 경로, 주차 위치, 차량 자세 변화, 주변 건물 및 수목에 의한 음영 조건 등은 직접 반영하지 못하였다. 따라서 본 연구 결과는 단기 태양광 발전량 예측에 적합한 기상 데이터 유형을 선별하기 위한 기초 분석으로 해석할 필요가 있으며, 향후에는 실제 태양광 발전량 계측자료와 이동체 운용 조건을 결합한 검증 연구가 수행될 필요가 있다. 한편, 본 연구에서 활용한 LDAPS 2025 자료는 당시 기상청에서 제공한 국지예보모델 자료를 대상으로 한 것이므로, 향후 기상청 수치예보 체계의 변경에 따라 후속 적용 시 추가적인 검토가 필요할 수 있다. 특히 예보모델 전환에 따라 입력 기상 데이터의 제공 형식, 제공 주기, 예측 리드 타임 및 일사량 예측 성능이 달라질 수 있으므로, 실제 단기 태양광 발전량 예측 시스템 구축 시에는 이러한 운영상 변화를 함께 고려할 필요가 있다.

결 론

본 연구는 단기 태양광 발전량 예측에 적합한 기상 데이터 유형을 평가하기 위해 ASOS 자료(2021~2025), TMY, LDAPS 2025 수치예보 자료 등의 기상 데이터를 수집 및 전처리하였다. 이후 각 데이터셋을 PVWatts 모델에 적용하여 태양광 발전량을 산출하였으며, 2025년 ASOS 실측 데이터를 참값(ground truth)으로 설정하여 GHI와 발전량 각각의 예측 오차 및 결정계수를 정량적으로 비교 평가하였다. 3종의 통계적 지표(MAE, MAPE, R²)를 통해 기상 데이터 유형별 예측 정확도를 비교 분석한 결과 LDAPS 2025는 GHI 및 발전량 측면 모두에서 가장 낮은 오차와 높은 상관성을 보였다. 이는 LDAPS가 근시일 내 시간별 태양광 발전량 예측에 가장 적합한 기상 데이터임을 의미한다.

본 연구는 데이터 전처리와 분석 조건 설정에 있어 개선해야 할 몇 가지 구조적인 한계점을 지닌다. 첫째는 기상 데이터의 결측치 보간 가정의 한계점이다. ASOS 데이터 전처리 과정에서 시간축 복원 후 주간 결측치를 채우기 위해 피크 시간대 제외 선형 보간 및 인접일 동일 시간대 보간을 적용하였으나, 이 과정에서 발생할 수 있는 인위적 오차 가능성을 완전히 배제할 수 없다. 둘째는 본 연구결과에 대한 지리적 대표성의 한계점이다. 본 연구에서는 전국 11개 거점 관측소를 대상으로 분석을 수행하였으나, 기상 특성이 상이할 수 있는 강원 영동권 지역 관측소 자료가 고려되지 못하였다. 따라서 본 연구에서 도출된 결과를 우리나라 전역의 기후 특성으로 일반화하기에는 한계가 존재한다.

본 연구는 국내에서 활용 가능한 ASOS, TMY, LDAPS 기상 데이터를 동일한 조건에서 비교함으로써, 단기 태양광 발전량 예측을 위한 입력 기상 데이터 선택에 정량적 근거를 제시하였다는 점에서 의의가 있다. 특히 LDAPS 데이터의 단기 예측 적합성을 확인함으로써, 일반 육상 태양광 발전의 익일 발전량 예측뿐만 아니라 SEV와 같은 이동형 태양광 응용 분야의 예상 발전량 산정에도 활용 가능한 기초 자료를 제공하였다. 향후 실제 태양광 발전량 계측자료와 운용 조건을 결합한 후속 검증 연구가 수행된다면, 기상 예보자료와 실제 발전 성능 간의 차이를 줄이고 단기 태양광 발전량 예측 모델의 현장 적용성을 높일 수 있을 것으로 사료된다.

Acknowledgements

이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(RS-2024-00395878). 또한, 본 과제(결과물)는 2026년도 교육부 및 강원특별자치도의 재원으로 강원RISE센터의 지원을 받아 수행된 지역혁신중심 대학지원체계(RISE)의 결과입니다(2026-RISE-10-002).

References

Antonanzas, J., Osorio, N., Escobar, R., Urraca, R., Martinez-de-Pison, F.J., and Antonanzas-Torres, F., 2016. Review of photovoltaic power forecasting, Solar Energy, 136, p.78-111.

10.1016/j.solener.2016.06.069

Choi, Y., Suh, J., Kim, S.-M., Ku, J., Hong, J., and Park, H.-D., 2025. Research Trends on Solar Electric Vehicles in Korea, Journal of the Korean Society of Mineral and Energy Resources Engineers, 62(1), p.41-60.

10.32390/ksmer.2025.62.1.041

Dobos, A.P., Gilman, P., and Kasberg, M., 2012. P50/P90 analysis for solar energy systems using the System Advisor Model, Proceedings of the 2012 World Renewable Energy Forum, Denver, Colorado, May 13-17, 2012, NREL/CP-6A20-54488.

Dobos, A.P., 2014. PVWatts Version 5 Manual, National Renewable Energy Laboratory, NREL/TP-6A20-62641, Golden, CO, USA.

GADM, 2026.05.17., https://gadm.org/download_country.html.

Goff, J.A. and Gratch, S., 1945. Thermodynamic properties of moist air, Transactions of the American Society of Heating and Ventilating Engineers, 51, p.125-157.

Holmgren, W.F., Hansen, C.W., and Mikofski, M.A., 2018. pvlib python: a python package for modeling solar energy systems, Journal of Open Source Software, 3(29), 884.

10.21105/joss.00884

Hong, J. and Choi, Y., 2025. Advanced parking assistance system for solar electric vehicles using 360° virtual reality imaging and real-time solar radiation forecasting, Applied Energy, 397, 126365.

10.1016/j.apenergy.2025.126365

International Energy Agency (IEA), 2024. Renewables 2024: Analysis and Forecast to 2030, International Energy Agency, Paris, France.

International Energy Agency Photovoltaic Power Systems Programme (IEA-PVPS), 2021. State-of-the-Art and Expected Benefits of PV-Powered Vehicles, Report IEA-PVPS T17-01:2021, IEA-PVPS Task 17.

Kim, B., Kim, C.K., Yun, C.Y., Kim, H.-G., and Kang, Y.-H., 2024. System Construction and Data Development of National Standard Reference for Renewable Energy – Model-Based Standard Meteorological Year, New & Renewable Energy, 20(1), p.95-101.

10.7849/ksnre.2024.0008

KMA, 2026a.06.11., https://data.kma.go.kr/data/publication/publicationGlList.do.

KMA, 2026b.04.26., https://data.kma.go.kr/data/rmt/rmtList.do?code=340&pgmNo=65.

Ku, J., Kim, S.-M., and Park, H.-D., 2024. Energy-saving path planning navigation for solar-powered vehicles considering shadows, Renewable Energy, 236, 121424.

10.1016/j.renene.2024.121424

Lee, H.J., Kim, S.Y., and Yun, C.Y., 2017. Generation of Typical Meteorological Year Data Suitable for Solar Energy Systems and Analysis of Solar Irradiance Data, New & Renewable Energy, 13(3), p.24-33.

10.7849/ksnre.2017.9.13.3.024

Mallon, K.R., Assadian, F., and Fu, B., 2017. Analysis of on-board photovoltaics for a battery electric bus and their impact on battery lifespan, Energies, 10(7), 943.

10.3390/en10070943

Markovics, D. and Mayer, M.J., 2022. Comparison of machine learning methods for photovoltaic power forecasting based on numerical weather prediction, Renewable and Sustainable Energy Reviews, 161, 112364.

10.1016/j.rser.2022.112364

Ministry of Trade, Industry and Energy (MOTIE), 2020.09.18., https://eiec.kdi.re.kr/policy/materialView.do?num=205187.

Oh, M., Kim, S.-M., and Park, H.-D., 2020. Estimation of photovoltaic potential of solar bus in an urban area: Case study in Gwanak, Seoul, Korea, Renewable Energy, 160, p.1335-1348.

10.1016/j.renene.2020.07.048

Perez, R., Ineichen, P., Maxwell, E.L., Seals, R.D., and Zelenka, A., 1992. Dynamic global-to-direct irradiance conversion models, ASHRAE Transactions, 98(1), p.354-369.

Seo, H. and Suh, J., 2023. Assessment of Photovoltaic Potential at Gas and LPG Filling Stations in Gangwon-do, Journal of the Korean Society of Mineral and Energy Resources Engineers, 60(1), p.12-20.

10.32390/ksmer.2023.60.1.012

Sobri, S., Koohi-Kamali, S., and Rahim, N.A., 2018. Solar photovoltaic generation forecasting methods: A review, Energy Conversion and Management, 156, p.459-497.

10.1016/j.enconman.2017.11.019

Suh, J. and Brownson, J.R.S., 2016. Solar Farm Suitability Using Geographic Information System Fuzzy Sets and Analytic Hierarchy Processes: Case Study of Ulleung Island, Korea, Energies, 9(8), 648.

10.3390/en9080648

Suh, J., 2024. Estimation of Photovoltaic Potential of Solar-Powered Electric Vehicle: Case Study of Commuters on Donghae Expressway, Korea, Applied Sciences, 14(15), 6574.

10.3390/app14156574

Uwineza, L., Kim, H.-G., Kim, J.-Y., Kim, B., and Kim, C.K., 2020. Multi-Year and Typical Year Data for Solar Energy System in South Korea, Journal of the Korean Solar Energy Society, 40(6), p.135-149.

10.7836/kses.2020.40.6.135

Uwineza, L., Kim, H.-G., Kim, C.K., Kim, B., and Kim, J.-Y., 2021. Accuracy Assessment of Typical Meteorological Year Data for a Photovoltaic System using a Bootstrap Method, Journal of the Korean Solar Energy Society, 41(4), p.115-129.

10.7836/kses.2021.41.4.115

Wilcox, S. and Marion, W., 2008. Users Manual for TMY3 Data Sets, Technical Report NREL/TP-581-43156, National Renewable Energy Laboratory.

10.2172/928611

World Meteorological Organization (WMO), 2024. Guide to Instruments and Methods of Observation (WMO-No. 8), Provisional 2024 edition, Volume I: Measurement of Meteorological Variables, Chapter 8: Measurement of Sunshine Duration, World Meteorological Organization, Geneva.

Yu, J., Li, X., Yang, L., Li, L., Huang, Z., Shen, K., Yang, X., Yang, X., Xu, Z., and Du, S., 2024. Deep Learning Models for PV Power Forecasting: Review, Energies, 17(16), 3973.

10.3390/en17163973

Journal of the Korean Society of Mineral and Energy Resources Engineers ISSN:2288-0291(Print) 2288-2790(Online) 한국자원공학회지

Preview

Comparative Analysis of the Similarity of Solar Irradiance Across Domestic Meteorological Datasets for Short-term Solar Power Generation Forecasting

ABSTRACT

MAIN

Fig. 1.

Flowchart showing the steps of the overall procedure.

Table 1.

Location of 11 meteorological observation sites considered in this study

Fig. 2.

Distribution of the study sites across Korea (base map source: GADM, 2026).

Table 2.

Types and characteristics of meteorological data considered in this study

(1)

(2)

(3)

(4)

(5)

(6)

(7)

Table 3.

Parameters and specifications of the photovoltaic (PV) system applied in this study

Fig. 3.

Bar charts of global horizontal irradiance (GHI) error analysis for various meteorological data sources averaged across all locations.

Fig. 4.

Scatterplot for the comparison of hourly global horizontal irradiance (GHI) values from the automated synoptic observing system (ASOS) data (2021–2024), a typical meteorological year (TMY), and the local data assimilation and prediction system (LDAPS 2025).

Fig. 5.

Scatterplot for the comparison of hourly global horizontal irradiance (GHI) values from the automated synoptic observing system (ASOS) data (2021–2024), a typical meteorological year (TMY), and the local data assimilation and prediction system (LDAPS 2025) during sunshine periods.

Fig. 6.

Coefficient of determination between predicted and actual global horizontal irradiance (GHI) by location for (a) all periods and (b) sunshine periods.

Fig. 7.

Bar charts of photovoltaic (PV) generation error analysis for various meteorological data sources averaged across all locations.

Fig. 8.

Scatterplot for the comparison of hourly photovoltaic (PV) generation from data of the automated synoptic observing system (ASOS) (2021–2024), a typical meteorological year (TMY), and LDAPS 2025.

Fig. 9.

Scatterplot for the comparison of hourly photovoltaic generation from ASOS data (2021–2024), a typical meteorological year (TMY), and the local data assimilation and prediction system (LDAPS 2025) during sunshine periods.

Fig. 10.

Coefficient of determination between predicted and actual photovoltaic (PV) generation by location for (a) all periods and (b) sunshine periods.

Acknowledgements

References