본 절에서는 제2장에서 정리한 국제유가 전망에 대한 선행 연구를 바탕으로 인공신경망 모형에 투입 변수로 사용될 불확실성 변수를 설 정하였다. 앞서 살펴보았듯이 국제 유가는 매우 다양한 경제․사회적 변 수로부터 영향을 받는다. 이러한 변수들을 종합적으로 고려할 수 있는 모형을 수립하여 중․장기 유가를 전망하는 것이 가장 이상적이라고 할 수 있으며, IEA의 WEM이나 에너지경제연구원의 KEEI-EGMS6)가 여 기에 해당된다. 그런데 비교적 적은 자료로 분석이 가능하고 통계적인 함의를 도출할 수 있는 등의 장점으로 인하여 시계열 분석 방법론을 활용한 장기 전망 연구도 여전히 활발하게 이루어지고 있다.
서론에서 기술하였듯이 본 연구에서는 거시경제 모형과 시계열 분 석을 이용한 전통적인 접근법에서 벗어나 인공신경망(artificial neural n etwork, ANN) 모형을 사용하여 중․장기 국제유가를 전망해 보았다. AN N은 기계학습 방법론의 하나로 GPU 병렬연산과 같은 계산 능력(comp uting power)의 향상과 딥러닝(deep learning)7)에 대한 새로운 알고리즘
받고 있는 모형이다. ANN 이론과 모형 개요는 2절에 간략하게 정리하
nd You, 2014)를 참조하여 중국과 인도의 GDP 성장률의 영향을 추가
연도 매장량
연도 매장량
3) 유가에 영향을 미치는 사건
망하고 추정된 원유 가격을 또 다른 투입 변수로 천연가스 가격과 유
여), 저수요 시나리오는 2016년과 2017년에 유가 하락 요인이 발생하
컴퓨터에게 있어서 경험(E)은 자료를 의미한다. 결국 많은 자료를 투입하여 “학습(learning)”을 시켜서 보다 개선된 결과물을 도출하는 것 이 기계 학습의 목적이라고 할 수 있다. ANN 또한 대표적인 기계학습 방법론인데, 그 기원은 1943년까지 거슬러 올라간다(McCulloch and Pitt s, 1943). 이후 이속적인 이론과 알고리듬의 개발과 계산 능력의 향상 으로 ANN은 다양한 분야에 적용되어 왔다.
ANN은 문자 그대로 우리의 뇌(신경)에서 벌어지는 현상을 모사하기 위한 모형이다.10) 뇌의 신경세포(뉴런, neuron)와 신경세포 사이의 연 결(시냅스, synapse)을 모사하여 입력단, 출력단, 뉴런, 연결관계를 설정 하여 [그림 3-1]과 같이 ANN 모형을 설계한다.
[그림 3-1] ANN 개념도
지금까지 ANN이 활용되어 온 분야는 인공지능을 비롯하여, 자동차, 금융, 전자, 제조업(공정), 의학, 석유탐사, 통신, 운송, 음성인식 등 광 범위하다. 그러나 에너지경제 분야에서의 적용 사례는 거의 찾아보기 어렵다. 상대적으로 매우 적은 수의 사례도 대부분 단기 가격 예측이 나 전력 수요 예측에 국한되어 있다(Moazzami et al., 2013; Jin and Ki m, 2016). 따라서 본 연구에서 시도한 ANN을 활용한 장기 에너지 가 격 전망은 선도적인 연구라고 할 수 있다.
일반적인 시계열 예측 모형과 마찬가지로 ANN도 단기 예측에 매우 강하다. 특히 잡음(noise)이 많은 시계열일 경우 웨이블릿 분해(wavelet decomposition)로 전처리 후에 ANN을 적용할 경우 매우 우수한 예측력 이 보이기도 한다(Jin and Kim, 2015). 앞서 기술하였듯이 ANN을 사용 하여 에너지 분야의 장기 전망을 수행한 연구는 거의 없으며, Al-Saba and El-Amin(1999)는 ANN을 사용하여 2개 연도의 전력 부하를 예측한 사례 정도가 관찰된다. 에너지 분야는 아니지만 장기 전망을 위한 AN N 모형에는 Grey Model과 결합한 이른바 Grey Neural Network(GNN) 모형이 고려된 사례도 있으며(Yang et al., 1995), 박성준․김진수(2016)는 [그림 3-2]와 같이 GNN 모형을 구성하여 한국의 천연가스 단기 소비 량을 예측한 바 있다.
[그림 3-2] 천연가스 소비량 예측을 위한 GNN 모형
자료: 박성준·․김진수(2016), p. 81.
나. NARX 모형
ANN 모형은 범용성이 높기 때문에 적용 분야에 따라 다양한 형태 의 모형이 개발되어 왔다. 그 중에서 NARX(Nonlinear AutoRegressive n etwork with eXogenous inputs) 모형은 시계열 분석에 특화된 모형이다.
NARX 모형은 다음의 수식에서 출발한다.
⋯ ⋯
(1)다. NARX 모형은 수식 (1)의 입․출력 변수를 [그림 3-3]과 같은 위상(to pology)으로 구성한다.
[그림 3-3] NARX 모형의 Topology
즉, 시차(Time Delay, TD) 노드를 통하여 분석 목표(target) 시계열의 과거 값이 은닉층(hidden layer)으로 투입되며, 외생 변수 입력 값도 동 일한 시차로 투입된다. 또한 닫힌 고리(closed loop)로 모형을 구성할 경우 예측 값을 다음 기 예측을 위하여 투입하는 일종의 동적 모형화 (dynamic modeling)가 가능하다. 이러한 특징으로 인하여 NARX 모형 은 시계열의 단기 예측뿐만 아니라 장기 전망에도 활용이 가능한 모형 이다(Menezes and Barreto, 2008).
NARX 신경망의 학습을 위하여 일반적으로 많이 사용되는 알고리즘
은 빠르게 수렴하는 특성을 지닌 Levenberg-Marquardt 알고리즘이다. 오차의 자기상관도(error autocorrealtion diagram)를 통하여 자기상관 문 제, 즉 예측 오차가 시간에 따라 상관관계가 존재하는지를 확인해 볼
수에 대한 시차를 증가시켜 문제가 해결되는지 살펴본다.
ANN 분석에는 종종 현재 자료에만 최적화된 모형으로 학습이 완료 되어 학습 오차(training error)는 매우 작은데 시험 집합(test set)에 대한 오차는 상대적으로 크게 추정되는 “과적합(over-fitting)” 문제가 발생한 다. 과적합이 발생했을 경우 노드나 레이어(layer)의 수를 줄이는 것이 도움이 된다.
NARX 신경망을 사용하여 추정을 수행할 경우, 학습과 검증(validatio n), 시험 집합 모두 열린 고리(open loop)로 추정하는 것이 예측의 정확 도 차원에서 더 바람직하다. 만약 한 시점 예측(one-step-ahead predictio n)이라면 열린 고리로 예측까지 수행할 수 있다. 그러나 다 시점 예측 (multi step-ahead prediction)은 예측된 값을 다음 시점의 예측을 위하여 사용해야하기 때문에 닫힌 고리(closed loop) 모형을 적용해야 한다. 이 경우, 학습과 검증, 시험은 열린 고리 모형으로 진행하고, 예측을 진행 할 때만 닫힌 고리 모형을 사용하는 것이 예측력 향상에 도움이 된다.
본 연구에서 구성한 닫힌 고리 NARX 신경망 모형의 도해는 [그림 3-4]와 같다.
[그림 3-4] 구성한 NARX 모형(시차: 2, 노드: 7)
다. 추정 결과
본 연구에서는 앞서 소개한 NARX 신경망 모형에 1절에서 정리한 시나리오를 대입하여 학습을 진행하였다. 최적 모형을 결정하기 위하 여 NARX 신경망 모형의 노드 수를 2에서 10까지, 시차를 2에서 5까 지11) 변화시켜 가며 평균제곱오차(Mean Squared Error, MSE)를 계산하 였다. 일종의 out-of-sample forecasting 개념을 학습 집합이 아닌 목표 집합의 MSE를 최소로 만드는 노드 수와 시차를 최적 모형을 선정하였 다.12) 기준 시나리오에 대한 예측 성능(performance), 회귀분석, 시계열 반응(time series response), 자기상관도는 [그림 3-5~8]과 같으며, 시나리 오 별 중․장기 유가 전망 결과는 <표 3-4>~<표 3-9>와 같다.
[그림 3-5] 분석 차수(epoch) 별 예측 성능(기준 시나리오)
[그림 3-6] ANN 추정 결과에 대한 회귀분석(기준 시나리오)
[그림 3-7] 기준 시나리오 시계열 학습 및 시험 결과
[그림 3-8] 자기상관도(기준 시나리오)
연도 기본 시나리오 중국 성장률
고수요 기준수요 저수요 고수요 기준수요 저수요
2016 61.88 61.88 61.88 52.55 52.55 52.55 2017 79.33 72.86 66.54 55.56 50.68 45.52 2018 92.54 80.56 69.57 54.08 47.43 40.98 2019 100.53 85.17 71.24 51.96 44.09 36.99 2020 102.45 86.82 71.93 49.38 40.88 33.60 2021 101.13 86.74 72.03 46.64 37.94 30.73 2022 99.36 86.01 71.81 43.95 35.30 28.29 2023 98.13 85.20 71.41 41.40 32.95 26.20 2024 97.38 84.46 70.94 39.05 30.89 24.40 2025 96.84 83.81 70.44 36.92 29.07 22.85 2026 96.35 83.22 69.92 35.01 27.47 21.51 2027 95.88 82.69 69.42 33.33 26.09 20.35 2028 95.43 82.21 68.93 31.86 24.89 19.36 2029 95.01 81.75 68.46 30.60 23.88 18.53
<표 3-4> 중․장기 유가 전망 1 (명목가격, 단위: $/bbl.)
연도 중국 및 인도 성장률 외부 사건
고수요 기준수요 저수요 고수요 기준수요 저수요
2016 48.73 48.73 48.73 15.91 15.91 15.91 2017 43.03 39.85 37.92 25.69 6.50 – 2018 37.75 34.37 32.96 47.87 3.41 – 2019 33.34 30.49 29.89 53.91 5.25 – 2020 29.91 27.98 28.23 61.55 7.21 – 2021 27.38 26.43 27.38 78.51 8.99 0.79 2022 25.57 25.51 27.01 100.38 10.31 5.61 2023 24.34 25.02 26.91 116.15 11.30 8.66 2024 23.53 24.82 26.96 111.95 12.03 10.38 2025 23.04 24.78 27.10 96.95 12.58 11.50 2026 22.78 24.86 27.28 85.18 13.00 12.24 2027 22.67 25.01 27.47 80.63 13.33 12.77 2028 22.68 25.19 27.67 84.11 13.60 13.17 2029 22.76 25.38 27.85 93.34 13.81 13.47
<표 3-5> 중․장기 유가 전망 2 (명목가격, 단위: $/bbl.)
연도 R/P 비율 기본 시나리오+외부 사건
저비율 기준비율 고비율 고수요 기준수요 저수요
2016 75.82 75.82 75.82 55.58 55.58 55.58 2017 88.33 91.58 92.25 87.27 68.24 35.72 2018 79.69 88.09 89.86 121.74 81.64 16.66 2019 70.72 81.94 84.38 134.93 95.71 19.66 2020 68.75 83.14 86.25 118.75 104.89 18.37 2021 66.99 85.43 89.39 111.22 107.45 18.06 2022 63.69 85.11 89.75 112.04 106.39 17.58 2023 60.21 84.25 89.52 113.17 105.06 17.16 2024 56.96 84.33 90.38 113.08 104.40 16.76 2025 53.72 84.66 91.48 112.56 104.07 16.39 2026 50.37 84.64 92.14 112.12 103.75 16.05 2027 46.84 84.52 92.70 111.82 103.41 15.74 2028 43.00 84.52 93.43 111.57 103.08 15.46 2029 38.70 84.56 94.20 111.32 102.78 15.20
<표 3-6> 중․장기 유가 전망 3 (명목가격, 단위: $/bbl.)
연도
연도 기본 시나리오 원유 분석 결과 반영
고수요 기준수요 저수요 고수요 기준수요 저수요
2016 10.95 10.95 10.95 5.50 5.50 5.50
2017 8.80 8.28 7.82 7.22 7.50 7.85
2018 8.79 7.80 6.56 16.08 14.93 13.59
2019 6.74 5.55 3.96 8.39 8.92 9.49
2020 8.92 5.79 2.26 18.52 16.35 13.68 2021 8.29 4.87 1.03 17.44 14.54 11.63 2022 10.30 4.73 1.15 17.65 15.62 13.23 2023 10.48 4.74 1.69 9.71 10.38 10.73 2024 11.14 4.68 2.41 10.48 11.98 12.30 2025 10.52 4.85 3.05 14.17 13.20 11.55 2026 10.32 5.09 3.49 19.23 16.43 12.82 2027 9.56 5.36 3.76 16.75 14.04 11.45 2028 9.42 5.77 3.85 12.77 11.93 11.70
2029 9.20 6.31 3.81 8.76 9.88 11.06
<표 3-8> 중․장기 천연가스 가격 전망 (명목가격, 단위: $/MMBTU)
연도 기본 시나리오 원유 분석 결과 반영
의 의미로 설정한 고비율일 경우 오히려 유가가 상승하는 것으로 나타 났는데, 이는 R/P 비율에 따라 유가가 영향을 받는 것보다는 유가 상 승에 따른 매장량 확대의 영향이 R/P 비율에 훨씬 큰 영향을 주기 때 문인 것으로 판단된다.
시나리오 별 분석 결과를 종합해 보았을 때, 본 연구에서는 기본 시 나리오에 외부 사건과 R/P 비율을 모두 투입변수로 설정한 모형을 기 준 시나리오로 제시한다. 이 시나리오에 따르면 2029년 유가는 기준수 요일 경우 $114.56, 고수요일 경우 $139.25, 저수요일 경우 $67.05에 도 달할 것으로 분석 되었으며, 각 연도별 유가 변동을 평균한 평균 변화 율은 기준수요 6.88%, 고수요 9.86%, 저수요 3.19%로 추정되었다. 각 시나리오 별 평균 변화율은 부록에 수록하였다.
제4장 발전원별 경제성 분석
1. 연료비 단가 전망
가. 균등화비용법
발전원별 경제성 분석을 실시하기 위해 본 보고서는 균등화비용법(L COE; Levelized Cost of Energy)을 사용하였다. 균등화비용법은 서로 다 른 발전원 및 발전기술 간의 발전 비용을 비교하기 위해 사용하는 정 형화된 방법론이다. 균등화비용법에 의해 산출된 발전원가는 생산 비 용이 확실하고 전기 가격이 일정하다고 가정했을 때 투자자가 지불해 야 하는 비용을 의미한다. 발전원가를 계산하는 과정에서 특정 위험 요소에 대한 고려를 하지 않기 때문에, 가격 규제에 의해 가격 변동이 존재하지 않는 독점 체제하에서의 투자비용을 분석하는데 보다 근접 한 방법론이라 할 수 있다.13)
발전원가는 매 년도의 수익의 합을 현재가치로 환산한 값과 비용을 현재가치로 환산한 값의 등가로부터 계산된다. 이 때, 이자율과 전력 가격은 변하지 않고 일정하다는 가정을 필요로 한다. 이자율을
이라 하고, 전력 가격을
라 하면, 다음과 같은 관계가 성립한다.
×
×
위 식으로부터 발전원가(LCOE)를 유도해낼 수 있는데 구체적으로
구분 원자력
유지비(천 원/kW.월) 13.31 11.37 11.01 3.23 2.78 10.88 연료비(원/백만kcal):
(7차 수급 계획 기준) 1,933 1,933 1,933 18,780 56,870 70,477 실적 연료비(원/백만kcal)
(2015년 실적 기준) 2,150 2,150 2,150 15,790 53,310 47,180 열 소비율(kcal/kWh) 2,314 2,365 2,375 1,978 1,540 2,195
소내 소비율(%) 4.8 4.8 4.8 4.9 2.6 7.5
연도 유연탄 LNG
다. 균등화비용법을 활용한 발전단가 추정
10 318.94 195.68 200.20 479.56
20 161.88 117.37 145.06 323.40
30 109.53 91.27 126.68 271.35
40 83.55 78.22 117.49 245.32
50 67.65 70.38 119.97 229.70
60 57.18 65.16 108.30 219.29
70 49.70 61.43 105.67 211.86
<표 4-3> 전원별 발전 비용 추정 결과
야 하는지에 대한 질문을 던져볼 수 있다. 우선 유연탄과 LNG 모두
10 318.94 191.77 191.20 479.56
20 161.88 113.46 136.07 323.40
30 109.53 87.36 117.69 271.35
40 83.55 74.31 108.50 245.32
50 67.65 66.48 102.98 229.70
60 57.18 61.26 99.31 219.29
70 49.70 57.53 96.68 211.86
<표 4-4> 전원별 발전 비용 추정 결과 : 시나리오 1
는 점을 고려하여, 유연탄과 LNG 발전간의 발전 비용 순위가 역전되 기 위해서는 두 연료간의 열량단가가 얼마나 변화해야 되는지를 살펴 보고자 한다. 이를 위해 아래와 같은 시나리오를 구성 후 각 시나리오 하에서 연료별 발전비용을 추정했다.
시나리오 시나리오 설명
시나리오 1 · 석탄 및 LNG 열량단가 10% 감소
시나리오 1 · 석탄 및 LNG 열량단가 10% 감소