n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RI 0.00 0.52 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 1.48 1.56 1.57 1.59
<표 3> 역수행렬 차원 n 행렬에 따른 RI값
2.4 상대가중치의 종합화
가중치의 종합화 단계에서는 계층의 최상위에 있는 의사결정의 목적을 달 성하기 위하여 최하위에 있는 대안들과 평가기준의 우선순위 및 가중치를 도 출한다. 도출된 평가기준에 대한 가중치에 대한 행렬과 평가기준에 대한 대안 의 가중치의 행렬을 행렬 곱하여 각 대안에 대한 최종 가중치를 구한다. 각 대안에 대한 최종 가중치는 최종목표를 달성하기 위한 우선순위의 값과 같으 므로 의사결정을 내릴 때 중요한 지침이 된다.
위하여 대기청정이라는 예상요인을 추가하였다. 또한 동일한 태양광 모듈이나 인버터를 사용하더라도 설치 환경이나 설계시공에 따라 발전성능은 다양하게 변화한다(So Jung-Hun, Yu Byung-Gyu, Hwang Hye-mi, Yu Gwon-Jong.
2008). 따라서 본 연구는 설치 환경에 따라 변하는 태양광 발전량을 보정하기 위하여 태양광 에너지 부존잠재량 중 기술적 효율을 현재 기술수준에 따라 동일하게 가정하고 얻은 기술적 부존잠재량 데이터로 독립변수를 선정하였다.
1.1 기상 데이터 수집 및 분류
태양광 에너지 부존잠재량 중 현재의 기술수준(에너지 효율계수, 가동율, 에너지 손실요인 등을 고려)으로 산출될 수 있는 에너지 생산량, 즉 기술적 부존 잠재량(Ministry of Trade, Industry and Energy et al., 2016)에 대한 기상 요인 데이터를 수집하고 독립변수로 설정하였다.
‘기상자료개방포털’에서 제공되는 전천/직달/산란 일사량 자료는 위도, 경도 기준으로 측정 되어있다. 본 연구에서는 지역별 기상데이터를 분석하기 위하 여 Python과 Naver API를 활용하여 전천/직달/산란 일사량에 대한 위도 및 경도 데이터를 7개의 특별시를 포함하여 전국 270개의 시/군 데이터로 분류 하였다. 일사량 및 이에 따른 기상요인은 태양의 자연스러운 활동 변화에 의 해 약 10년을 주기로 변화하고(Korea Meteorological Administration. 2008) 태양광 발전소의 특성상 한번 설립되면 수명이 최소한 수십 년임을 감안한다 면 태양광 발전소의 발전 효율에는 유의미한 변화는 없다. 따라서 현재 ‘기상 자료개방포털’에서 제공하는 2010년도의 전천/직달/산란 일사량에 대한 데이 터를 사용하는 것에 문제가 없다. 또한 ‘에너지경제연구원’에서 제공하는 태양 광 에너지 생산량과 ‘기상청’에서 제공받은 여러 기상 요인들을 270개의 시/군 데이터로 분류 했다. 그러나 ‘기상청’에서 제공하는 대기오염도에 관한 데이터 의 부족으로 77개의 지역의 데이터로 압축하였다. 본 논문에서 다룬 77개의
지역은 [그림 3]에 나타나있다. 협소하게 진행되었던 태양광 발전소 입지에 대한 분석을 전국적으로 확대했다.
[그림 3] 대기오염도를 측정하는 기상청의 관측소 위치
1.2 예상 기상요인 선정
최적의 태양광 발전소의 입지조건을 선정하기 위하여 입지조건에 영향을 미치는 기후적 요인을 다음 [그림 4]와 같이 선정한다.
[그림 4] 태양광 발전소 입지 최적화를 위한 예상 기상요인
1.3 예상 기상요인 간 상관관계분석
기술적 부존잠재량순위 대기청정 순위 전천일사량 순위 직달일사량 순위 대기청정순위
0.628
Spearman 상관계수 P-Value
0.000 전천일사량
순위
0.731 0.535
0.000 0.000
직달일사량
순위 0.418 0.479 0.474
0.000 0.000 0.000
산란일사량
순위 0.382
0.001 0.052
0.653 0.634
0.000 -0.307 0.007
<표 4> 기상요인에 대한 Spearman 상관관계분석표
본 연구에서는 기술적 요인을 배제하기 위하여 독립변수(설비 단위 당 생 산량)을 현재의 기술적 효율을 동일하게 적용한 기술적 부존잠재량(기술 수준 을 고려할 때 얻어낼 수 있는 에너지 발전량)으로 설정하였다. 이에 따라 변 수의 단위가 일치하지 않고 분포가 정규성을 따르지 않기에 Spearman 순위 상관분석을 시행하였다.
위의 <표 4>를 살펴보면 독립변수인(기술적 부존잠재량) 순위와 대기청정 순위는 양의 강한 상관관계를 가지고 전천일사 순위 또한 강한 양의 상관관 계를 가짐을 확인하였다. 직달일사와 산란일사는 기술적 부존잠재량과는 강한 상관관계를 갖지는 못하였지만 기술적 부존잠재량에 영향을 미치는 대기청정 과 전천일사량과의 강한 상관관계를 발견하였다. 이러한 결과를 종합하면 전 천일사와 직달일사는 대기청정에 영향을 주며 대기청정이 높으면 높을수록 전천일사량이 많으면 많을수록 기술적 부존잠재량은 많아짐을 확인하였다.
1.4 AHP를 활용한 기상요인의 입지순위 분석 1.4.1 계층구조 설정
AHP 분석을 사용하기 위하여 먼저 시행한 상관관계 분석에서 유의미한 상 관관계를 가지는 부존잠재량과 대기청정 그리고 전천일사를 평가기준으로 선 정하였다. 또한 높은 상관관계는 아니지만 대기청정과 유의미한 관계에 있는 직달일사와 전천일사량과 유의미한 관계에 있는 산란일사 또한 평가 기준으 로 선정하였다. 각 대안에는 우리나라의 약 270여 개의 시/군중에 ‘기상청’에 서 대기청정도를 제공하는 77개의 시/군지역으로 배치하고 가장 높은 1계층 의 목적에는 “효율적인 태양광 발전소의 입지”를 배치하였다. 이상의 내용은 아래 [그림 5]와 같다.
[그림 5] 태양광 발전소 입지 최적화를 위한 기상요인의 계층 설정
1.4.2 평가 기준의 가중치
기술적 부존잠재량 대기청정 전천일사 직달일사 산란일사 가중치
기술적부존잠재량 1 0.5 0.333 1 1 0.134
대기청정 2 1 0.5 1 1 0.190
전천일사 3 2 1 1 2 0.318
직달일사 1 1 1 1 1 0.195
산란일사 1 1 0.5 1 1 0.163
CR = 0.0307
<표 5> 기상요인에 대한 평가 기준의 가중치
전 단계에서 도출된 상관관계계수는 변수들 간의 상관관계를 나타내 주고, 이는 한 변수의 증감에 따라 다른 변수가 얼마나 탄력적으로 변화하는지를 나타내어 준다. 이때, 주의해야 할 점은 두 평가기준에 대한 가중치 설정에만 상관계수를 사용해야 한다는 것이다. 예를 들어 전천일사와 산란일사간의 상 관계수가 높다고 하여 산란일사가 전천일사에 영향을 주고 전천일사가 부존 잠재량에 영향을 주는 것 같은 연관성을 고려하지 않는다. 쌍대비교 행렬은 두 평가기준만을 비교해야 한다. 본 논문에서 <표 4>에 언급된 상관관계계수 를 따라서 위의 <표 5>와 같이 가중치 행렬을 작성하였다.
<표 5>를 살펴보면 평가 기준의 가중치는 전천일사(0.318), 직달일사(0.195), 대기청정(0.190), 산란일사(0.163) 그리고 기술적 부존잠재량(0.134) 순으로 나 타났고 CR 값이 0.0307(0.1 미만)이므로 일관성 또한 검증됐다.
1.4.3 각 평가 기준에 대한 대안의 가중치
<표 6~10>은 각 평가 기준에 대한 대안의 가중치를 각각 나타낸 것이다.
대안에 대한 가중치를 계산하기 위하여 각 평가기준에 대한 대안의 순위를 비교하고, 순위의 차이를 기반으로 9점척도표를 사용하여 가중치를 부여하였다.
예를 들면, 대기청정을 평가기준으로 각각의 대안의 순위를 비교한다. 대기청 정은 대기 중 오염의 정도에 따라 지역별 청정도를 나타내준 평가기준이며, 1 위는 경주시이다. 서울특별시의 대기청정 순위는 42위, 안양시의 순위는 52위, 김포시의 순위는 76위이다. 서울특별시 – 안양시, 서울특별시 – 김포시, 김포시 – 안양시에 대한 순위의 차는 –10, -34, 24 이며 부여된 가중치는 1, 3, 0.5 이다. 위의 예와 같이 지역별 차이를 이용하여 가중치를 계산할 경우 AHP의 가장 본질적인 문제점인 전문가들의 주관성에 의하여 판단되는 객관성의 부 족을 해결 할 수 있다. 이에 대한 과정은 위 [그림 2]에 pseudocode로 나타나 있다. 각 평가 기준에 대한 대안의 가중치를 살펴보면 기술적 부존잠재량은 진주시(0.0277)가 가장 높고, 대기청정은 경주시(0.0274), 전천일사는 양산시 (0.0275), 직달일사는 양산시(0.0276), 산란일사는 부안군(0.0277)으로 가장 높 은 수치를 기록한 지역들이다. 앞서 식 (3)에서 도출된 수식을 통해 도출된 일관성을 평가하는 기준인 CI의 결과값이 0.1 미만의 일관성이 유지된 결과를 얻었다. 본 논문에서 다루어지는 대안의 수는 77개이다(‘기상청’에서 제공하는 시/군 단위의 대기청정도의 수, 77개). 따라서 본 연구의 대안의 수에 따른 임 의지수(RI)는 <표 3>의 대안의 수가 15일 때 (RI=1.59)보다 크므로. 식 (4) 에 의해 도출된 CR의 값 또한 0.1 미만의 값을 얻어 일관성이 검증 가능하다.
서울 고양 과천 광명 구리 부천 안양 ⋯ 부산 가중치
서울 1 1 1 1 1 1 1 ⋯ 0.333 0.0046
고양 1 1 1 1 1 1 1 ⋯ 0.333 0.0046
과천 1 1 1 1 1 1 1 ⋯ 0.333 0.0047
광명 1 1 1 1 1 1 1 ⋯ 0.333 0.0048
구리 1 1 1 1 1 1 1 ⋯ 0.333 0.0049
부천 1 1 1 1 1 1 1 ⋯ 0.333 0.005
안양 1 1 1 1 1 1 1 ⋯ 0.333 0.005
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
부안 3 3 3 3 3 3 3 ⋯ 1 0.0174
CI=0.02285
<표 6> 기술적 부존잠재량에 대한 가중치
서울 고양 과천 광명 구리 부천 안양 ⋯ 부산 가중치
서울 1 2 1 2 3 3 1 ⋯ 1 0.0103
고양 0.5 1 0.5 0.5 1 1 0.5 ⋯ 0.333 0.0055
과천 1 2 1 2 3 3 2 ⋯ 1 0.0108
광명 0.5 2 0.5 1 2 2 1 ⋯ 0.5 0.0073
구리 0.333 1 0.333 0.5 1 1 0.5 ⋯ 0.333 0.0047
부천 0.333 1 0.333 0.5 1 1 0.5 ⋯ 0.333 0.0048
안양 1 2 0.5 1 2 2 1 ⋯ 0.5 0.0079
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
부안 1 3 1 2 3 3 2 ⋯ 1 0.0124
CI=0.02406
<표 7> 대기청정에 대한 가중치
서울 고양 과천 광명 구리 부천 안양 ⋯ 부산 가중치
서울 1 1 1 0.333 2 0.5 1 ⋯ 0.333 0.0046
고양 1 1 1 0.5 2 0.5 2 ⋯ 0.333 0.0046
과천 1 1 1 0.333 2 0.5 1 ⋯ 0.333 0.0047
광명 3 2 3 1 3 2 3 ⋯ 0.333 0.0048
구리 0.5 0.5 0.5 0.333 1 0.333 1 ⋯ 0.333 0.0049
부천 2 2 2 0.5 3 1 2 ⋯ 0.333 0.005
안양 1 0.5 1 0.333 1 0.5 1 ⋯ 0.333 0.005
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
부안 3 3 3 3 3 3 3 ⋯ 1 0.0174
CI=0.03049
<표 8> 전천일사에 대한 가중치
서울 고양 과천 광명 구리 부천 안양 ⋯ 부산 가중치
서울 1 2 0.5 1 1 1 1 ⋯ 0.333 0.0077
고양 0.5 1 0.333 0.5 0.5 0.5 0.5 ⋯ 0.333 0.0048
과천 2 3 1 2 2 2 1 ⋯ 0.333 0.0119
광명 1 2 0.5 1 2 2 1 ⋯ 0.333 0.0086
구리 1 2 0.5 0.5 1 1 0.5 ⋯ 0.333 0.0067
부천 1 2 0.5 0.5 1 1 0.5 ⋯ 0.333 0.0064
안양 1 2 1 1 2 2 1 ⋯ 0.333 0.0091
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
부안 0.5 1 0.333 0.5 0.5 0.5 0.5 ⋯ 1 0.0047
CI=0.02591
<표 9> 직달일사에 대한 가중치
서울 고양 과천 광명 구리 부천 안양 ⋯ 부산 가중치 서울 1 0.5 2 0.333 2 0.333 2 ⋯ 0.333 0.0097
고양 2 1 3 1 3 1 3 ⋯ 0.5 0.0201
과천 0.5 0.333 1 0.333 1 0.333 1 ⋯ 0.25 0.0054
광명 3 1 3 1 3 1 3 ⋯ 0.5 0.0218
구리 0.5 0.333 1 0.333 1 0.333 1 ⋯ 0.25 0.0061
부천 3 1 3 1 3 1 3 ⋯ 1 0.0246
안양 0.5 0.333 1 0.333 1 0.333 1 ⋯ 0.25 0.0062
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
부안 3 2 4 2 4 1 1 ⋯ 1 0.0277
CI=0.02291
<표 10> 산란일사에 대한 가중치
다음 <표 11>은 각 지역별로 평가 기준 5개에 대한 각각의 대안의 가중치를 나타낸 것이고 <표 12>는 각 평가기준에 대한 가중치를 나타낸 것이다.
기술적 부존잠재량 대기청정 전천일사 직달일사 산란일사
서울 0.0046 0.0103 0.0065 0.0077 0.0097
고양 0.0046 0.0055 0.0074 0.0048 0.0201
과천 0.0047 0.0108 0.0059 0.0119 0.0054
광명 0.0048 0.0073 0.015 0.0086 0.0218
구리 0.0049 0.0047 0.0046 0.0067 0.0061
부천 0.005 0.0048 0.0102 0.0064 0.0246
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
부안 0.0174 0.0124 0.0184 0.0047 0.0277
<표 11> 기상요인에 대한 대안의 가중치
기상요인 요소별 가중치
기술적 부존잠재량 0.134
대기청정 0.190
전천일사 0.318
직달일사 0.195
산란일사 0.163
<표 12> 각 기상요인에 대한 평가 기준의 가중치
두 개의 행렬 곱을 통하여 얻은 종합가중치는 다음 <표 13>에 나타나 있다.
종합가중치에서 가장 높은 가중치 즉, 가장 높은 우선순위를 가지는 1순위 대 안은 거제시(0.02384)이고 2순위는 순천시(0.023779)이고 가장 낮은 중요도를 가진 지역은 구리시(0.005313)이다.
지역 거제 순천 김해 광주광역 양산 포항 ⋯ 양주 구리
가중치 0.0238 0.0238 0.0232 0.0231 0.0221 0.0220 ⋯ 0.0058 0.0053
<표 13> 기상요인에 대한 종합 가중치
2. 토지가격 요인 분석
2.1 토지 데이터 가공 및 상관관계 분석
태양광 발전소의 최적의 입지를 선정하는 데 있어서 실제로 소요되는 비용 은 무시할 수 없는 중요한 변수이다. 그 중 건설부지 매입을 위한 토지비용은 초기비용의 많은 부분을 차지한다. 즉, 발전소의 입지에 따라 건설비용이 크 게 차이 난다. 토지의 가격을 측정하는데 있어 여러 가지 변수가 존재한다.
그 대표적인 예는 임야의 유무이다. 태양광 발전의 특성상 태양에너지를 받아 들이지 않으면 발전을 할 수 없다. 임야 지역은 그 경사각 때문에 이러한 태 양광 발전의 효율을 저하시킬 수 있다(Lee Seunghwan. 2017). 또한 임야 지 역이 많으면 주변의 토지가격 또한 감소한다(Lee, Dong-Yun. 2013). 이러한
관점에서 태양광 발전소를 설치할 지역의 토지가격과 임야비율은 반드시 고 려가 되어야 한다. 따라서 본 연구에서는 ‘한국감정원’에서 제공하는 전국 시/
군 77개의 2017년 거래된 토지가격에 대하여 평균치를 도출하여 정리하였다.
또한 ‘산림청’에서 제공하는 지역별 임야면적비율을 같은 수의 시/군 데이터로 정리하였다. 이러한 자료를 바탕으로 토지가격에 대한 가중치를 구하기 위하 여 앞서 실시했던 상관계수분석과 AHP분석을 실시하여 다음과 같은 가중치 를 도출하였다. 다음 <표 14>는 토지가격과 각 지역별 임야비율(임야면적/
전체면적)의 Spearman 상관계수를 나타낸 것이다. 상관관계분석결과 토지가 격과 임야의 비율은 음의 상관관계를 갖는다.
토지 가격 순위
임야 비율 순위 -0.480
0.000 Spearman 상관계수 P-Value
<표 14> 토지가격과 임야비율에 대한 상관관계분석
2.2 AHP를 활용한 토지요소의 입지 순위 분석 2.2.1 계층구조 설정
[그림 6] 태양광 발전소 입지의 최적화를 위한 토지요인 계층 설정