[전력시장 대전환] 제8회 Chapter 2 · 전력시장 운영 메커니즘 : 전력 수요 예측의 과학— KPX는 내일 전기를 얼마나 쓸지 어떻게 아는가 —

⚡ 전력시장 대전환 제8회 📚 Chapter 2 · 전력시장 운영 메커니즘

전력 수요 예측의 과학
— KPX는 내일 전기를 얼마나 쓸지 어떻게 아는가 —

— 예상 빗나가면 수천억 비용 발생 · 기상 데이터·AI·요일 패턴 3각 분석 · MAPE 2~3%의 의미 · Uplift 비용이 발전사 수익에 미치는 영향 —

전력 수요 예측 · KPX 전력거래소 · 하루 전 시장 · Uplift 비용 · MAPE · 예비력 · 피크 수요 · 수요예측 오차 · AI 수요예측

📅 2026년 6월 ⏱ 읽는 시간 약 10분 🎨 인포그래픽 3개 포함 📚 총 50회 시리즈 · 제8회

◀ 이전 글

제7회 — LNG 직도입의 경제학: 가스공사를 건너뛰면 발전사는 얼마나 이득인가

다음 글 ▶

제9회 — 하루 전 시장과 실시간 시장: 발전 계획이 두 번 짜여지는 이유

KPX 수요 예측 평균 오차율

MAPE 약 2~3%

피크 시즌 5~7%까지 확대

한국 역대 최대 피크 수요

약 100GW+

2026년 여름 기준

MAPE 1% 오차의 전력량

약 700~1,000MW

중형 LNG 발전소 1기 분

예측 실패 시 추가 비용

연간 수천억원

Uplift·예비력 운영비 합산

📌 이번 회 핵심 3줄 요약

✅ KPX(한국전력거래소)는 하루 전 오후 4시에 내일 24시간의 전력 수요를 시간대별로 예측합니다. 이 예측값이 발전 계획의 기준이 됩니다. 예측이 틀리면 수요가 갑자기 증가할 때 발전기를 급히 추가 투입해야 하고, 이 비용은 Uplift라는 이름으로 전력시장 전체에 배분됩니다.

✅ 수요 예측에는 크게 세 가지 변수가 작동합니다. 기상 데이터(기온·습도·일사량)가 가장 강력한 변수이고, 요일·공휴일 패턴이 기저를 형성하며, 경제 활동 수준(산업생산지수·GDP)이 중장기 추세를 만듭니다. 최근에는 AI(머신러닝·딥러닝) 기반 모델이 기존 통계 모델의 정확도를 3~5% 끌어올렸습니다.

✅ 예측 오차가 발전사 수익에 직접 영향을 줍니다. 수요가 예측보다 많이 나오면(예측 부족) 대기 발전기가 고가 SMP를 받으며 급히 가동되고, 예측보다 적으면(예측 과다) 이미 준비된 발전기의 일부가 가동을 취소해 손실을 봅니다. 이 오차가 Uplift 비용으로 쌓입니다.

🌡️ 들어가며 — 일기예보보다 어려운 전기 예보

일기예보는 틀려도 우리가 우산을 하나 더 챙기거나 못 챙기는 정도입니다. 그런데 전기 예보가 틀리면 최악의 경우 정전이 납니다. 한국 전력시스템은 발전량과 소비량을 1초 단위로 정확히 균형시켜야 합니다. 수요가 갑자기 1,000MW(중형 발전소 1기분) 늘면 그 즉시 어딘가에서 1,000MW가 더 생산돼야 합니다. 그 준비를 하루 전날 미리 하는 것이 전력 수요 예측이고, 이 일을 전담하는 기관이 KPX(한국전력거래소)입니다.

KPX가 매일 오후 4시에 확정하는 '내일 24시간 시간대별 예측 수요'는 단순한 숫자가 아닙니다. 이 숫자가 내일의 발전 계획 전체를 결정합니다. 어떤 발전기를 몇 시에 켜고 끌지, 예비력을 얼마나 확보할지, 어떤 발전사가 얼마나 수익을 올릴지가 모두 이 예측값에 달려 있습니다.

💡 초보자 비유: 대형 뷔페 식당 운영자를 생각해보세요. 내일 손님이 100명 올지 150명 올지를 미리 알아야 식재료를 준비합니다. 적게 준비했다가 손님이 몰리면 음식이 부족하고(정전), 너무 많이 준비했다가 손님이 적으면 음식을 버려야 합니다(발전기 대기 손실). 전력시장에서 KPX가 하는 일이 바로 이 '내일 손님 수 예측'입니다.

🔬 파트 1 — KPX 수요 예측의 3대 엔진

① 기상 데이터 — 예측의 70%를 결정하는 변수

전력 수요에서 기상의 영향은 절대적입니다. 기온이 1도 올라가면 여름철 최대 수요가 약 400~600MW 증가합니다. 에어컨 가동이 늘어나기 때문입니다. 겨울에는 기온 1도 하락 시 300~400MW 증가합니다(전기 난방 증가). KPX 수요예측팀은 기상청의 내일 기온·습도·일사량·풍속 예보를 핵심 입력값으로 사용합니다.

문제는 기상 예보 자체도 틀린다는 것입니다. 기상청이 내일 낮 최고기온을 34도로 예보했는데 실제로 37도가 되면, 수요 예측은 이미 크게 어긋납니다. 2018년 8월 폭염 당시 기온이 기상 예보보다 2~3도 높게 형성되면서 수요가 예측 대비 약 2,000MW(2GW) 이상 초과했고, 전력 당국이 비상 예비력을 총동원하는 사태가 벌어졌습니다.

② 요일·공휴일 패턴 — 기저 수요의 틀

전력 수요는 요일별로 뚜렷한 패턴을 보입니다. 월요일~금요일 산업·상업 활동이 활발한 평일에는 수요가 높고, 토·일요일에는 낮아집니다. 공휴일은 일요일과 유사한 수요 패턴을 보이지만, 공휴일 전날(징검다리 휴일)은 오히려 평일보다 수요가 낮은 경우가 많습니다. KPX는 과거 동일 요일·동일 날씨 조건의 수요 데이터베이스를 기반으로 기저 수요를 추정합니다.

③ AI 모델 — 패턴 학습으로 정확도를 높이다

2020년대 들어 KPX는 기존의 회귀분석·시계열 모델에 더해 머신러닝(Random Forest, XGBoost)과 딥러닝(LSTM, Transformer) 기반 수요예측 모델을 도입했습니다. AI 모델은 인간이 포착하기 어려운 복잡한 상호작용 패턴(예: '폭염+월요일+긴 연휴 복귀'의 수요 급등 패턴)을 학습해 예측 정확도를 높입니다. 전력연구원 연구에 따르면 AI 도입 후 MAPE(평균 절대 오차율)가 약 0.5~1%p 개선된 것으로 나타났습니다.

기상 데이터 (가중치 70%+)

기온 1도 = 수요 400~600MW 변화
습도·일사량·풍속 포함
기상청 단기 예보 활용
폭염·한파 시 오차 가장 큼

요일·계절 패턴

평일 vs 주말 수요 20~30% 차이
공휴일·연휴 별도 보정
계절별 기저 수요 차이
수능일·설연휴 특수 패턴

AI 보정 모델

LSTM·XGBoost 기반
복잡 상호작용 패턴 학습
MAPE 0.5~1%p 개선
이상값 탐지 자동화

📉 파트 2 — 오차가 만드는 비용: Uplift란 무엇인가

① MAPE 2~3%가 얼마나 큰 오차인가

KPX의 연간 평균 수요 예측 오차율(MAPE, Mean Absolute Percentage Error)은 약 2~3% 수준입니다. 얼핏 작아 보이지만, 절대 전력량으로 환산하면 상당합니다. 한국 평균 수요를 70GW(7,000만 kW)로 가정하면 MAPE 2%는 약 1,400MW에 해당합니다. 이는 500MW급 LNG 발전기 약 3기 분량입니다. 3기가 예측 못한 채 갑자기 가동돼야 한다면, 준비가 없는 발전기를 급히 시작(cold start)해야 하고 이때 비용이 크게 늘어납니다.

📐 MAPE 오차의 전력량 환산

오차 전력량 = 평균 수요 × MAPE

평균 수요 70GW × MAPE 2% = 오차 1,400MW (LNG 발전소 약 3기)
평균 수요 70GW × MAPE 5% = 오차 3,500MW (LNG 발전소 약 7기)
폭염·한파 기간 MAPE 7%가 되면 오차 4,900MW — 비상 대응 불가피

② Uplift 비용 — 예측 오차가 발전사에게 돌아오는 방식

Uplift란 발전 계획 대비 실제 운영 과정에서 발생하는 추가 비용의 총칭입니다. 수요가 예측보다 많을 때 계획에 없던 발전기를 긴급 투입하는 비용, 예측보다 수요가 적어 발전기를 계획보다 일찍 끄면서 발생하는 위약금, 주파수 조정을 위한 추가 보조서비스 비용 등이 포함됩니다. KPX는 이 비용을 전력시장 참여자들에게 일정 기준으로 배분합니다.

Uplift 비용은 전체 전력 거래 비용의 약 1~3% 수준이지만, 연간 규모로는 수천억 원에 달합니다. 한국 전력 도매시장 규모를 연간 약 30조원으로 가정하면 Uplift는 연간 3,000~9,000억원이 됩니다. 이 비용이 궁극적으로는 전기요금에 반영됩니다.

🚨 극단 사례 — 2018년 8월 폭염: 기온이 예보보다 2~3도 초과 상승하면서 수요가 예측 대비 약 2,000MW 이상 초과했습니다. KPX는 긴급 예비력을 총동원했고, 산업부는 긴급 수요감축(DR) 발동까지 검토했습니다. 이때 발생한 Uplift와 예비력 운영 비용이 정상 기간 대비 수배 수준으로 치솟았습니다.

🌞 파트 3 — 재생에너지가 수요 예측을 더 어렵게 만드는 이유

① 태양광 발전량 예측 오차가 수요 예측 오차를 증폭시킨다

전통적인 전력 수요 예측은 순수요(Net Load) 개념으로 정확히는 '수요 − 재생에너지 발전량'을 예측해야 합니다. 계통 운영자 입장에서 필요한 발전기 가동량은 전체 수요가 아니라 재생에너지가 커버하고 남은 수요이기 때문입니다. 태양광 발전량이 예측 대비 30% 줄어들면(구름 예측 실패), 그만큼 화력·LNG 발전기를 더 가동해야 합니다.

2026년 현재 국내 태양광 설치 용량이 약 25GW를 넘어서면서, 날씨 변동에 따른 순수요 예측 오차가 크게 확대됐습니다. 맑은 날 오후 2시 태양광 발전량이 15GW인데, 갑자기 구름이 끼어 8GW로 줄면 나머지 7GW는 수 분 내에 다른 발전기가 채워야 합니다. 이것이 오리 커브(Duck Curve)의 오차 문제입니다.

📌 순수요 예측의 새로운 도전: 2026년 KPX는 태양광 발전량 예측을 위해 전국 기상 위성 데이터와 수천 개 소규모 태양광의 실시간 출력 데이터를 통합하는 시스템을 도입했습니다. 그럼에도 갑작스러운 구름·강수 이벤트에 의한 오차는 여전히 전력 계통의 가장 큰 운영 도전입니다.

❓ 자주 묻는 질문 (FAQ)

 

Q1. KPX 수요 예측이 틀리면 누가 책임을 지나요?

A. 직접적인 금전 책임은 없습니다. 수요 예측은 KPX의 공공 의무이며, 예측 오차로 발생한 Uplift 비용은 전력시장 참여자 전체에 배분됩니다. 단, KPX는 예측 정확도를 지속적으로 개선할 의무가 있고, 에너지경제신문·전기신문 등을 통해 연간 MAPE 수치가 공개되므로 사실상 공개적인 성과 평가를 받습니다. 예측 오차가 심각했던 달에는 국정감사에서도 지적됩니다.

Q2. 발전사 입장에서 수요 예측이 얼마나 중요한가요?

A. 매우 중요합니다. 발전사는 하루 전 예측 수요를 기반으로 내일 발전 계획을 KPX에 제출합니다. 예측 수요가 높으면 더 많은 발전기를 준비하고, 실제 수요가 낮으면 준비한 발전기가 가동되지 못해 기회비용이 발생합니다. 반대로 예측 수요가 낮아 적게 준비했는데 수요가 급증하면, KPX가 다른 발전기를 긴급 투입해 시장 SMP가 급등합니다. 직도입 발전사들은 수요 예측 동향을 분석해 입찰 전략을 세웁니다.

Q3. AI 도입 이후 수요 예측 정확도가 실제로 얼마나 개선됐나요?

A. 한국전력연구원(KEPRI) 연구에 따르면 딥러닝 기반 모델 도입 후 피크 기간(여름·겨울) MAPE가 기존 회귀 모델 대비 약 0.5~1.5%p 개선됐습니다. 절대 수치로는 연간 수백GWh의 예측 오차 감소 효과이며, Uplift 비용으로는 연간 수백억원 절감 효과가 있습니다. 단, AI 모델도 '이번에 처음 발생하는 이벤트'(이란전쟁 같은 초유의 사태)에는 여전히 취약합니다.

Q4. 수요 예측 결과를 일반인도 볼 수 있나요?

A. 네. KPX가 운영하는 EPSIS(전력통계정보시스템, epsis.kpx.or.kr)에서 전일 예측 수요와 실제 수요를 비교해 확인할 수 있습니다. 또한 한전의 스마트미터 앱에서도 시간대별 전국 수요 현황을 실시간으로 볼 수 있습니다. 전력 거래 관련자나 에너지 연구자들은 이 데이터를 분석해 SMP 예측이나 발전 투자 분석에 활용합니다.

Q5. 태양광이 계속 늘면 수요 예측이 불가능해질 수 있나요?

A. 불가능하지는 않지만 더 어려워집니다. 재생에너지 비중이 40~50%에 달하는 독일·스페인은 이미 AI·위성 데이터·실시간 기상 관측의 통합으로 수요(순수요) 예측을 관리합니다. 한국의 경우 2030년 재생에너지 비중 목표(30%+)를 달성하면 순수요 예측 시스템의 전면 고도화가 필요합니다. 지역별 소규모 태양광 발전량을 실시간으로 집계하는 인프라 구축이 선결 과제입니다.

✅ 이번 회 핵심 정리

• 1
  KPX는 매일 오후 4시 하루 전 시장에서 내일 24시간의 전력 수요를 시간대별로 예측합니다. 이 숫자가 발전 계획 전체를 결정하며, 오차는 Uplift 비용으로 시장 전체에 배분됩니다.
• 2
  기온 1도 차이가 수요 400~600MW를 바꿉니다. MAPE 2~3%의 평균 오차는 절대 전력량 약 1,400~2,100MW에 해당하며, 이는 LNG 발전기 3~4기 분량입니다. 기상 예보 오차가 수요 예측 오차의 가장 큰 원인입니다.
• 3
  태양광 확대로 오리 커브가 심화되면서 수요 예측 난이도가 높아지고 있습니다. 순수요(수요 − 재생에너지) 예측의 정확도가 전력시장 운영 효율의 핵심 변수가 됐습니다. AI·위성 기상 데이터 통합이 해법입니다.
• 4
  Uplift 비용은 발전사와 소비자 모두에게 영향을 줍니다. 예측 오차가 클수록 긴급 발전 비용이 늘고 이는 전기요금 상승 압력으로 이어집니다. 수요 예측 정확도 1% 개선은 연간 수백억원 절감 효과입니다.

✅ 한 줄 결론: 내일의 전기 수요를 오늘 정확히 맞히는 것은 기상예보만큼 어렵지만, 전력시장에서는 예보 오차의 비용이 즉각 청구서로 돌아옵니다.

📌 전력시장 참여자 입장에서의 시사점

발전사: 수요 예측 동향을 선제적으로 분석하는 발전사가 더 유리한 입찰 전략을 세울 수 있습니다. 기상청의 폭염·한파 예보가 발표될 때 어느 정도의 수요 급등이 예상되는지를 계산해, 하루 전 입찰에서 더 높은 가격으로 더 많은 물량을 입찰하는 전략이 가능합니다. PBP 전환 후에는 이 수요 예측 분석 역량이 입찰 경쟁력의 핵심 요소가 됩니다.

재생에너지 발전사: 순수요 예측 정확도가 낮을수록 출력제한(커튼테일링) 명령 빈도가 늘어납니다. 태양광 발전사들이 자체 기상 예측 시스템을 구비하고 KPX에 발전 예측 정보를 적극적으로 제공할수록, 출력제한 빈도를 줄이는 데 기여하고 결과적으로 자신의 수익도 보호됩니다.

정책당국·KPX: 재생에너지 비중이 높아질수록 수요 예측 시스템 고도화에 대한 투자가 선행돼야 합니다. 전국 소규모 태양광 실시간 계측 인프라 확충, AI 예측 모델 고도화, 기상청과의 데이터 연동 강화가 전력 계통 안정화의 전제 조건입니다. Uplift 비용 절감은 결국 전기요금 인상 압력을 줄이는 직접적인 효과를 냅니다.

🔜 다음 회 예고

⚡ 제9회 — 하루 전 시장과 실시간 시장: 발전 계획이 두 번 짜여지는 이유

KPX가 하루 전에 잡은 발전 계획이 당일 실시간으로 어떻게 수정되는지, 실시간 시장(Real-Time Market)이 하루 전 시장(Day-Ahead Market)과 어떻게 다른지를 완전히 분석합니다. 실시간 SMP와 하루 전 SMP의 차이가 발전사 수익에 어떤 영향을 주는지도 살펴봅니다.

📖 이번 회 핵심 용어 정리

용어	정의
MAPE (평균 절대 오차율)	Mean Absolute Percentage Error. 예측값과 실제값의 절대 오차를 실제값으로 나눈 비율. KPX 수요예측 정확도의 핵심 지표. 낮을수록 정확.
Uplift	발전 계획 대비 실제 운영 과정에서 발생하는 추가 비용의 총칭. 긴급 발전기 투입 비용, 발전 취소 위약금, 예비력 운영 비용 등.
순수요 (Net Load)	전체 전력 수요에서 재생에너지 발전량을 뺀 값. 화력·LNG·원전이 실제로 공급해야 하는 전력량.
오리 커브 (Duck Curve)	태양광 급증으로 낮시간 순수요가 크게 줄었다가 저녁에 급등하는 수요 그래프. 오리 모양과 유사. 급격한 Ramp-up 대응이 계통 과제.
Cold Start	정지 상태의 발전기를 긴급 가동하는 것. 예열·워밍업 시간이 필요해 추가 연료비·시간이 발생. 수요 급증 대응의 가장 비싼 수단.

📌 참고 자료 및 출처 ▶ 한국전력연구원(KEPRI) "딥러닝 기반 전력 수요 예측 모델 성능 비교 연구" (2024)
▶ 전기신문 "KPX, AI 기반 수요예측 시스템 고도화" (2025.03)
▶ 에너지경제신문 "2018년 폭염 비상 예비력 총동원 경위" (2018.08)
▶ KPX 전력거래소 "전력시장 운영 통계" — EPSIS epsis.kpx.or.kr
▶ IEA "Unlocking the Potential of Distributed Energy Resources" (2022)

#전력수요예측 #KPX전력거래소 #하루전시장 #Uplift비용 #MAPE수요예측오차 #오리커브 #순수요Net_Load #AI수요예측 #전력시장대전환 #피크수요

⚠️ 본 글은 한국전력연구원·전기신문·KPX 공개 자료를 바탕으로 작성한 교육·정보 목적의 해설입니다. 수요 예측 오차 수치는 공개 연구 자료 기반 추정값입니다.