Nomenclature

P₀ : initial PV power (normalized), –

P₂₅ : PV power at year 25 (normalized), –

d : annual degradation rate, 1/year

A : availability, %

MTBF : mean time between failure, h

MTTR : mean time to repair, h

Subscript

AM : Asset Management

PR : Performance Ratio

RCM : Reliability-Centered Maintenance

FMEA : Failure Mode and Effects Analysis

CBM : Condition-Based Maintenance

IoT : Internet of Things

RPS : Renewable Portfolio Standard

SMP : System Marginal Price

REC : Renewable Energy Certificate

IRR : Internal Rate of Return

PLR : Performance Loss Rate

LID : Light-Induced Degradation

BAPV : Building-Attached Photovoltaic

POA : Plane of Array (irradiance)

Yf : Final Yield

Yr : Reference Yield

RPN : Risk Priority Number

LCC : Life-Cycle Cost

NPV : Net Present Value

ESS : Energy Storage System

MAPE : Mean Absolute Percentage Error

LCOE : Levelized Cost of Energy

PdM : predictive maintenance

1. 서 론

1.1 한국 태양광 보급 동향과 계통 환경

한국은 2030년 온실가스 감축 목표 달성을 위해 재생에너지, 특히 태양광발전을 중심으로 전원 믹스를 빠르게 전환하고 있다. 정부 전망에 따르면 2010년대 중반까지 연간 수백 MW 수준이던 태양광 신규 설치는 RPS 도입 이후 수 GW 단위로 확대되었으며, 2020년대 중반에는 누적 설치용량이 수십 GW에 이르는 것으로 보고된다. 이에 따라 태양광은 계통과 전력시장에 실질적 영향을 미치는 주요 전원으로 자리잡았다^{1, 2)}.

반면 송전･배전망 확충과 계통 운영 시스템의 고도화는 상대적으로 늦어져, 특히 일사량과 부지 조건이 양호한 서남부, 그 중에서도 전라도 지역에서는 태양광･풍력이 집중되면서 낮 시간대 공급 과잉과 송전 제약이 빈번하게 발생하고 있다. LBNL, IEEFA 등의 보고서는 이러한 병목이 단기적 현상이 아닌 구조적 문제임을 지적하며, 송전망 투자와 유연성 자원 도입이 동반되지 않으면 출력제어 확대가 불가피하다고 분석한다^{3, 4)}.

태양광 발전단가가 빠르게 하락한 것은 투자 매력을 높였지만, SMP 하락, REC 가격 변동성, 출력제어 증가라는 새로운 리스크를 동반하였다. 전라도 지역에서는 출력제어 지시 불이행에 따른 벌금 및 인허가 취소 사례까지 보고되고 있어, 태양광 사업의 안정성이 정책･시장 리스크에 크게 의존하는 상황이다. 이러한 환경에서 향후 태양광 자산의 경쟁력은 단순 설치 확대가 아니라 운영･자산관리 역량에 의해 좌우될 가능성이 크다^{1, 2, 3, 5, 6, 7)}.

1.2 성능저하와 재무 지표

태양광발전소의 재무 성과는 초기 투자비, 금융비용, O&M 비용, 전력･REC 가격, 출력제어 비율 등 여러 요인의 함수이지만, 장기적 관점에서 모듈 출력의 시간에 따른 감소(성능저하)가 핵심 변수이다. 초기에는 설계용량에 가까운 출력이 가능하더라도, 시간이 지남에 따라 모듈, 인버터, 배선, 구조물이 다양한 스트레스를 받으면서 효율이 감소하고 고장이 발생한다. 성능저하를 과대평가하면 투자 매력이 과소 평가되고, 과소 평가하면 IRR과 회수기간이 지나치게 낙관적으로 산정된다^{8, 9, 10)}.

Jordan과 Kurtz의 메타분석에 따르면 결정질 실리콘 모듈의 연간 열화율 중앙값은 0.5%/년, 평균은 0.8%/년이며, IEA PVPS Task 13(Performance Loss Rate, PLR)은 온대 기후 0.2~ 0.5%/년, 사막･해안 기후 0.8~1.2%/년을 보고하였다. 상세 분석은 2.1절에서 다루며, 미세먼지･황사, 고습･염해, 적설 등 한국 지역 특성에 따라 실제 열화율이 이 범위를 벗어날 수 있다는 점이 반복적으로 지적된다^{8, 9, 10, 11)}.

2. 태양광 성능저하 특성 및 측정 방법론

2.1 국제 열화율 메타 분석

Jordan과 Kurtz는 40여 년간(1960년대~2000년대 초) 발표된 62개 문헌에서 2000건 이상의 PV 성능저하율 데이터를 수집하여 기후대･기술･설치 유형별로 분석하였다. 분석 방법은 각 연구에서 보고된 연간 발전량 또는 PR 데이터에 선형 회귀를 적용해 기울기를 열화율로 정의하였으며, 데이터 품질 기준을 충족하지 못한 일부 사례는 제외하였다. 핵심 결과로는 전체 데이터 분포의 중앙값 0.5%/년, 평균값 0.8%/년이며, 약 78%의 사례가 1%/년 이하의 열화율을 보이고, 일부 시스템은 2%/년 이상의 빠른 열화율도 보고된다. 특히 초기 단결정(m-Si) 모듈은 다결정(p-Si) 대비 낮은 열화율을 보이는 경향이 있으며, 1990년대 이전 설치된 시스템은 현대 모듈 대비 높은 열화율 분포를 나타낸다^{8, 9)}.

또한, IEA PVPS Task 13에서는 다양한 기후대의 상업용 시스템을 대상으로 PLR을 평가하여, 온대 해양성 환경에서 0.2~0.5%/년, 사막･열대 환경에서 0.8~1.2%/년 범위의 PLR을 보고하였다. 이러한 결과는 기후･환경 조건이 열화율에 큰 영향을 준다는 점을 보여준다^{10, 11)}.

2.2 국내외 실증 비교

국내에서는 결정질 실리콘 태양광 모듈의 광열화 현상(LID, Light-Induced Degradation) 메커니즘에 대한 이론적 연구가 상당히 진행되었으나, Jordan과 Kurtz의 메타 분석과 같은 대규모 현장 데이터 기반의 연간 열화율 통계는 공개적으로 확인되지 않는다. 수평 설치 건물부착형(BAPV) PV 시스템의 6년 장기 운영 성능평가 연구에서는 2012년~2018년 연간 PR이 초기 78.42%에서 최종 62.34%로 감소(평균 68.97%)하였다.9) 이 PR 저하의 주요 원인으로는 모듈 표면 오염(황사･미세먼지), 수평 설치에 따른 세척 불량, 노화에 의한 EVA 황변 및 절연 열화가 복합적으로 작용한 것으로 분석되며, 한국 내륙･도시 환경의 국제 평균(0.5~0.8%/년) 대비 더 빠른 PR 감소(2.7~3.0%/년)는 설치 각도･유지보수 빈도･지역 오염 수준이 장기 성능에 미치는 영향이 크다는 시사점을 제공한다^{4, 11)}.

수상 PV에 대한 IEA PVPS 및 최근 리뷰에 따르면, 수상 PV는 수면 냉각 효과로 온도 스트레스가 감소하는 반면, 고습･파랑･부식･바이오 파울링 등 새로운 열화 요인이 존재하며 전체적인 열화율은 대체로 0.5~1.0%/년 범위로 보고된다. Bohai Bay 해상 PV 연구에서는 모듈 열화율을 1%/년으로 가정해 인버터 수명을 평가했으며, 이 가정이 기존 해상･해안 환경 관련 문헌에서 제시하는 범위 내에 있음을 확인하였다^{12, 13)}.

고온 사막 기후에서 9.5년간 운영된 PV 발전소의 다각적 열화 분석 연구에서는, encapsulant 변색, snail trail, 셀 크랙 등 다양한 결함이 관찰되었고, 전기적 출력 기준 약 0.8~1.0%/년 수준의 성능저하율이 추정되었다. 이는 IEA PVPS 사막 기후 PLR 결과와도 일치한다^{10, 11)}.

국내 온대 기후에서 경북대학교 옥상에 설치된 두 개의 계통(m‑Si, p‑Si)을 대상으로 한 1년 성능평가 연구에서는, 연간 생산량과 성능비･용량계수 등을 통해 기술별 성능 차이를 분석하였다. 이 데이터는 장기 추적 시 열화율 분석에 활용될 수 있는 기초 자료를 제공한다¹⁴⁾.

2.3 지역 환경별 성능 저하 시나리오

국제･국내 자료를 종합해 볼 때, 한국 내륙･도시 환경에서의 PV 열화율은 Jordan와 Kurtz의 중앙값0.5%/년, 평균 0.8%/년 범위에 근접하며, 해안･고습･염해 환경에서는 IEA PVPS 사막･해안 기후 PLR 범위(0.8~1.2%/년)에 근접하는 값을 가정하는 것이 합리적이다. 본 논문에서는 아래 표와 같이 25년의 누적 손실을 기반으로 세 가지 시나리오를 설정한다^{8, 9, 10, 12, 13)}.

지수 감소 모델을 적용하면, 설계수명 25년 후 남는 출력비 P25/P0는 식 (1)과 같이 산출된다. 여기서 P0는 초기(정규화) 출력, P25는 25년 후 출력, d는 연간 열화율(1/year)이며, 지수 감소를 가정함으로써 각 연도의 잔존 출력이 전년도 대비 일정 비율로 감소하는 특성을 반영한다^{8, 9, 10, 12, 13)}.

Table 1의 시나리오별 손실값은 식 (1)의 지수 감소 모델에 각 d값을 적용하여 산출하였다(예: d=0.8%/년, 25년 후 P25/P0=(1-0.008)^25≈0.82, 누적손실≈18%). 이 값들은 Jordan과 Kurtz의 메타분석 중앙값(0.5%/년)･평균(0.8%/년), BAPV 장기 운영 6년간 PR 감소(16%p), IEA PVPS의 PLR 범위(온대 0.2~0.5%/년, 해안･사막 0.8~1.2%/년), 수상･해안 환경 연구의 가정치와 비교할 때 한국 태양광발전소의 장기 성능저하를 평가하기 위한 합리적인 가정 범위로 볼 수 있다^{4, 8, 10, 12, 13)}.

2.4 태양광 열화율 측정 방법론

성능저하율을 정확히 측정하기 위해서는 IEC 61724-1 및 IEA PVPS Task 13에서 제시하는 절차를 따르는 것이 바람직하다. IEA PVPS Task 13과 국내 BAPV 연구는 각각 국제 표준과 국내 특수 환경에서의 적용 사례를 제공하고 있으나, 두 방법론을 한국 환경에 통합 적용하는 구체적 절차는 문헌에 명시되어 있지 않다. 본 논문에서는 Jordan과 Kurtz, IEA PVPS, 국내 BAPV 연구의 방법론을 종합하여, 전라도를 포함한 한국 태양광발전소에 직접 적용 가능한 표준화된 측정 절차를 제안한다^{4, 8, 9, 10)}.

2.4.1 데이터 수집 및 품질 관리

1) 5년 이상, 가능하면 10년 이상의 발전량, 모듈면 일사량(POA), 모듈 온도 데이터를 수집한다¹⁰⁾.

2) BAPV 연구에서는 6년 동안 5분~1시간 단위 데이터를 수집하고, 센서 오류･계통 정지를 포함한 비정상 구간을 제거하였다⁴⁾.

3) IEA PVPS는 데이터 품질 등급을 설정하여, 일정 기준 미달 데이터는 열화율 분석에서 제외하였다¹⁰⁾.

2.4.2 성능지표 계산

1) IEC 61724‑1에 따라 연간PR, 최종 수확량(Yf), 참조 수확량(Yr)을 계산한다¹⁰⁾.

2) BAPV 연구에서 보고된 연간PR(예: 2012년 78.42%, 2018년 62.34%)은 Jordan 방법론의 입력 데이터로 직접 활용될 수 있다^4,8).

2.4.3 정규화 및 회귀 분석

1) 연간 PR 또는 연간 정규화 에너지를 시간의 함수로 놓고, 선형 회귀를 통해 기울기(%)를 열화율로 정의한다^{8, 9)}.

2) 설치 초기 1~2년은 LID(Light-Induced Degradation), 초기 오염, 계통 안정화 등 비반복적 요인이 집중되는 안정화 구간으로 간주하여 분석에서 제외하고, 안정기 이후 데이터만 이용하는 것이 일반적이다. 이 구간(전체 25년의 약 4~8%)을 포함할 경우 열화율이 과대 추정되어 장기 재무 예측의 신뢰성이 저하될 수 있으므로, 제외 처리가 분석 결과를 보수적으로 만드는 효과를 가진다^{8, 10)}.

3) IEA PVPS에서는 이상치에 민감하지 않은 열화율 추정을 위해 Theil-Sen, RANSAC 등 로버스트 회귀를 사용했다. PV 장기 데이터에는 계통 정지, 센서 오류, 특이 기상 사건으로 인한 이상값(outlier)이 필연적으로 포함되며, 이러한 이상값은 통상적인 최소제곱 선형 회귀(OLS)의 기울기 추정을 크게 왜곡할 수 있다. Theil-Sen 추정량은 데이터 포인트 쌍 간 기울기의 중앙값을 열화율로 취하므로 이상값의 영향을 최소화하며, RANSAC은 인라이어 집합을 반복 탐색함으로써 오염된 데이터에서도 안정적인 회귀선을 도출한다¹⁰⁾.

2.4.4 실제 보고 수치와 연계

1) BAPV 연구에서 PR 기준 연간 약 2.7~3.0%/년 감소가 관찰되었으나, 연구자들은 이 값이 모듈 열화 외에도 온도･오염･고장 등 복합 요인을 포함한 상한 값임을 지적한다^{4, 11)}.

2) IEA PVPS의 온대 기후 PLR(0.2~0.5%/년), 사막･해안 기후 PLR(0.8~1.2%/년)을 참고해, PR 감소와 모듈 열화율 사이의 관계를 보정할 수 있다¹⁰⁾.

이 방법론은 국내 BAPV 연구와 IEA PVPS Task 13에서 실제 사용된 절차와 일치하며, 한국 태양광발전소의 성능저하를 정량적으로 평가하는 데 활용할 수 있다^{4, 8, 10)}.

3. FMEA 및 신뢰성 중심 RCM 프레임워크

3.1 FMEA 이론과 태양광 적용

FMEA(Failure Mode and Effects Analysis)는 각 고장 모드의 심각도(Severity, S), 발생도(Occurrence, O), 검출도(Detection, D)를 평가하여 위험우선순위수(Risk Priority Number, RPN)를 산출하는 방법론이다. RPN은 식 (2)와 같이 정의된다¹⁵⁾.

RPN은

로 표현되며, 각 항목은 1~10 점수로 평가된다. Stamatis는 제품･공정･서비스 전반에 FMEA를 적용하는 절차를 정리하였고, Arabian‑Hoseynabadi 등은 이를 풍력터빈 구성요소에 적용해 블레이드･기어박스･발전기 등 주요 부품의 RPN을 정량화하였다^{15, 16)}.

태양광발전소에 FMEA를 적용할 때 고려해야 할 주요 고장 모드와 성능저하 요인은 다음과 같다^{11, 12, 17)}.

1) 모듈: 셀 크랙, PID, 핫스팟, EVA 황변, 델라미네이션, snail trail

2) 전기적 연결: 커넥터 접촉 불량, 접속함 결함, 절연 저하, 접지 불량

3) 인버터: 전력반도체 열화, 냉각 팬 고장, DC‑link 콘덴서 열화, 제어보드 결함

4) 구조물･환경: 부식, 볼트 풀림, 적설･빙설, 먼지･오염, 부분 음영

이들에 대해 S, O, D를 부여하고 RPN을 산출하면 유지보수 자원을 집중해야 할 상위 고장 모드가 도출된다. Arabian- Hoseynabadi 등의 풍력 FMEA 방법론을 태양광에 준용한 선행 연구들에 따르면, 모듈 표면 오염(Soiling)은 S=7~8(발전량 손실 5~15%/월 수준), O=8~9(계절･지역에 따라 주 1회 이상 발생), D=4~5(육안검사로 발견 가능하나 조기 정량화 어려움)로 평가되어 RPN=224~360 수준의 높은 우선순위를 가지는 것으로 보고된다.13,14) 부분 음영(Partial Shading)은 O=6~7, S=7~8, D=5~6으로 RPN=210~336, 인버터 고장은 S=9(출력 전체 중단), O=3~4, D=6~7로 RPN=162~252 수준으로 평가된다. 이러한 분석에 기반하면 오염 관리(세척), 음영 회피 설계, 인버터 상태모니터링 순으로 자원을 배분하는 것이 한국 내륙･해안 태양광발전소 공통의 최우선 유지보수 전략임을 알 수 있다^{11, 12, 15, 16)}.

3.2 RCM 개념 및 유지보수 패러다임 비교

Nowlan과 Heap이 제시한 RCM은 기능･･고장모드･결과･중요도를 고려하여 최적의 유지보수 정책을 설계하는 기법이다. 전통적인 CM, PM과 비교하면 다음과 같은 차이가 있다^{15, 16)}.

1) CM (Corrective Maintenance): 고장 후 수리, 초기비용 최소, 다운타임･손실 최대

2) PM (Preventive Maintenance): 일정 주기 예방정비, 고장 리스크 감소, 불필요 정비 포함

3) PdM/RCM (Predictive Maintenance/Reliability-Centered Maintenance): 상태･예측 기반 정비, 비용･신뢰성 동시 최적화

풍력･회전체 설비 사례에서는 PdM･RCM 도입으로 O&M 비용 20~40% 절감, 가용성 85~90%→95~99% 수준 향상 사례가 보고되었다. Arabian-Hoseynabadi 등의 풍력 FMEA 연구에서는 블레이드･기어박스･발전기 등의 RPN을 정량화하여 예방정비 우선순위를 설정함으로써, 비정기적 고장을 줄이고 계획정비 비율을 높이는 효과를 확인하였다. 태양광발전소의 경우, 인버터･접속함･모듈 등 주요 전기설비는 풍력의 기어박스･발전기와 유사하게 고온･습기･진동에 의한 반복적 열화 패턴을 보이므로, FMEA 기반 RPN 우선순위 도출 → 센서 부착 → 예측모델 적용이라는 동일한 방법론 흐름을 적용할 수 있으며, 비슷한 수준의 O&M 비용 절감과 가용성 향상이 기대된다^{16, 18)}.

3.3 PV 자산관리 프레임워크

본 논문은 FMEA･RCM･디지털 기술을 통합한PV 자산관리 프레임워크를 제안한다. 주요 구성요소는 다음과 같다^{15, 16, 19, 20, 21)}.

1) 장기 성능 모니터링: IEC 61724‑1 기반PR･Yf･Yr 계산, Jordan･IEA 방법론에 따른 열화율 추정^{6, 7, 8, 9)}.

2) FMEA 기반 우선순위 설정: 먼지･부분 음영･접촉 불량･부식･인버터 고장 등RPN 상위 요인에 유지보수 자원 집중^{11, 12, 13, 14)}.

3) RCM･PdM 전략 설계: 각 설비에 대해 고장모드･결과 분석 후CM/PM/PdM 중 최적 전략 선택, 정비 주기와 자원 배분 최적화^{2, 11, 12)}.

4) 디지털 기술 통합: IoT 센서, 머신러닝, 디지털 트윈을 활용해 고장 예측･운영 최적화･정비 스케줄링을 자동화^{15, 16, 17)}.

5) LCC･NPV 평가: 전략별 생애주기 비용과 수익을 비교하여 경제성 검증^{2, 8)}.

Table 2는 각 유지보수 전략의 질적인 비교를 보여주고 있으며, 표 내의 수치는 풍력･회전체 설비 및 디지털 유지보수 사례 연구 기반한 개념적 재구성으로 비교하여 작성되었다.

4. 디지털 기술 통합: IoT, AI, 디지털 트윈

4.1 IoT 기반 상태 모니터링

Atzori 등은 IoT를 센서･통신･서비스 계층으로 구성된 패러다임으로 정의하고, 다양한 응용 사례를 제시하였다. PV 발전소에 IoT를 적용하면 다음과 같은 데이터를 실시간 수집할 수 있다^{19, 20)}.

1) 모듈/스트링 전압･전류, 인버터 입력･출력

2) 모듈･인버터 온도, 외기 온도･습도･풍속

3) 구조물 변형, 부식 센서 상태

이 데이터는 이상 탐지, 추세 분석, FMEA･RCM 입력 등 다양한 용도로 활용된다. 특히 IoT 센서로부터 수집된 실시간 전력, 온도, 일사량 데이터는 인버터의 출력 저하 패턴을 감지하거나, 모듈의 핫스팟 발생 징후를 조기에 포착하여 유지보수 팀에 경고를 보내는 데 직접적으로 사용된다^{11, 19, 20, 22)}.

4.2 AI 기반 예측

AI(Artificial Intelligence) 특히 머신러닝은 PV에서 1) 발전량 예측 2) 고장･성능저하 예측에 활용된다. 경북대학교 옥상 PV 연구에서는 m‑Si와 p‑Si 계통의 실운전 데이터를 기반으로 Aurora 시뮬레이션과 비교 분석하여, 기상 조건과 기술 차이가 발전량･PR에 미치는 영향을 정량화했다. 이런 데이터는 단기 발전량 예측과 열화율 추정 모델 학습에 활용될 수 있다^{13, 20, 21)}.

PV 발전량 예측 분야에서는 LSTM(Long Short-Term Memory), CNN(Convolutional Neural Network), Random Forest, Gradient Boosting 등 다양한 머신러닝･딥러닝 모델이 활용되고 있다. 대표적 사례로, 기상청 예보 데이터와 실측 POA 일사량을 입력으로 LSTM 모델을 학습시켜 익일 발전량을 예측한 연구에서는 전통적 회귀･물리모델 대비 MAPE (Mean Absolute Percentage Error)를 10~30% 개선하는 결과가 보고되었다.17) 고장 탐지 분야에서는 스트링 전류･전압 데이터로 학습한 분류 모델이 핫스팟･PID･접촉불량을 구분하는 데 F1-score 0.8~0.9 수준을 달성한 사례가 있으며,17) 예를 들어 과거 IoT 데이터로 딥러닝 모델이 인버터 과열 패턴을 학습해 수일 전에 고장 확률 80% 이상으로 예측함으로써 선제적 부품 교체를 가능하게 하여 다운타임을 최소화한다. 이러한 AI 기반 예측정비 기술은 RCM 실행의 핵심 도구로서, 특히 전라도와 같이 출력제어 환경에서 가동 가능한 시간대를 최대한 활용해야 하는 국내 태양광발전소에서 중요도가 높다^{18, 20, 21)}.

4.3 디지털 트윈 기반 운영 최적화

디지털 트윈은 실제 PV 발전소의 구조･전기적 구성･운전 데이터를 바탕으로 가상 모델을 구축하고, 실시간 데이터를 반영해 시뮬레이션과 최적화를 수행하는 기술이다. 최근 리뷰는 디지털 트윈이 다음 기능을 수행할 수 있음을 보여준다^{20, 21)}.

1) 고장 위치･원인 추적: 가상 모델을 통해 실제 발전소에서 발생한 성능 저하 현상의 원인을 시뮬레이션하여 특정 모듈 스트링의 접촉 불량을 정확하게 진단할 수 있다.

2) 세척 주기, 밀각 조정, ESS 운전전략 최적화: 실시간 오염도 데이터와 발전량 예측을 기반으로 최적의 모듈 세척 주기를 도출하거나, 전력 시장 가격 변동에 맞춰 ESS의 충방전 시점을 결정하여 수익을 극대화할 수 있다.

3) 출력제어･가격 변동 시나리오에 따른 수익･LCC 분석

옥상 PV, 수직 BIPV, 수상 PV 등을 대상으로 한 최근 연구들은 디지털 트윈･시뮬레이션과 실데이터를 비교하며 열화율을 1%/년 등으로 가정해 에너지 출력과 LCOE 영향을 평가하고 있어, 향후 실제 디지털 트윈 시스템 설계에 참고가 된다^{12, 13, 14)}.

5. 정책 시장 환경과 PV 자산 생존 조건

5.1 한국 출력제어 및 계통 병목

LBNL, IEEFA, 언론 보도에 따르면, 전라도 지역을 중심으로 출력제어와 접속제한이 빠르게 증가하고 있으며, 일부 사업자는 출력제어 지시 불이행으로 벌금과 인허가 취소를 당하고 있다. 이는 송전망 용량, 계통운영 규칙, 전력시장 구조가 재생에너지 확대 속도를 따라가지 못한 결과로 평가된다^{3, 4, 6, 7)}.

SMP(System Marginal Price)와 REC(Renewable Energy Certificate) 가격 변동성, 출력제어 리스크가 결합되면 "계약된 단가 × 정해진 발전량"이라는 전통적 고정수익 모델은 더 이상 유효하지 않게 된다. 특히 전라도 지역은 재생에너지 보급 밀도가 국내에서 가장 높은 반면 계통 용량 확충이 지연되어, 동일한 O&M 전략이라도 출력제어 손실 비중이 다른 지역 대비 현저히 크다. 이러한 환경에서는 성능저하율 관리와 가용성 유지가 단순한 비용 효율 문제를 넘어, 출력제어가 허용되지 않는 시간대(야간 수요 시간대, 수출 계통 여유 시간대 등)를 최대한 활용하기 위한 전략적 필수 조건이 된다. 따라서 전라도 및 서남부 태양광발전소에 대해서는 RCM･예측정비･디지털 트윈 기반 자산관리 전략의 적용 우선순위가 다른 지역보다 높아야 한다는 점이 본 연구의 핵심 시사점이다^{1, 2, 4, 8, 10, 18)}.

5.2 성능저하 비용 수익의 통합 분석

PV 프로젝트의 NPV는

PV 프로젝트의 경제성을 평가하기 위한 NPV(Net Present Value)는 식 (4)와 같이 정의된다. 여기서 Rt는 t차 연도의 수익으로 설치용량, 용량계수, 출력제어율, 전력･REC 가격 및 성능저하율의 함수로 산정되며, Ct는 t차 연도의 운영 및 유지보수(O&M) 비용, I0는 초기 투자비, r은 할인율, τ는 프로젝트 분석 기간을 나타낸다^{10, 18)}.

IEA PVPS와 국내 연구 결과를 바탕으로, 본 논문은 다음과 같은 실질적 생존조건 범위를 제안한다^{5, 8, 10, 18)}.

1) 연간 성능저하율: 0.5~0.8%/년 수준으로 관리하여 25년 후 누적 손실을 14~18% 이내로 제한한다.

2) O&M 비용: 전통적인 CM/PM에 비해 20% 이상 절감하여 운영 비용 효율성을 확보한다.

3) 설비 가용성: 95~99% 수준 유지하여 발전 시간을 극대화한다.

열화율이 1%/년을 초과하고, O&M 비용 절감 없이 출력제어･가격 하락이 동시에 발생하면, NPV는 쉽게 음수 영역으로 떨어질 수 있다. 반대로 RCM･예측정비･디지털 트윈을 도입해 O&M 비용을20~40% 절감하고, 출력제어 외 시간대에는 높은 가용성을 확보하면, 동일한 정책･시장 환경에서도 프로젝트의 재무적 지속 가능성을 상당 부분 회복할 수 있다^{3, 4, 8, 10, 11, 15, 16, 18, 20, 21)}.

6. 결 론

6.1 연구 요약

본 논문은 국제적인 PV 열화율 연구와 IEA PVPS 분석, 국내 BAPV･수상 PV 장기 운영 연구를 종합하여, 한국 태양광발전소의 성능저하 특성과 측정 방법론을 정리하고, FMEA･RCM･디지털 기술을 통합한 자산관리 전략을 제안하였다. Jordan와Kurtz의 메타분석에 따르면 결정질 실리콘 모듈의 연간 성능저하율은 중앙값 0.5%/년, 평균 0.8%/년이며, IEA PVPS 보고서는 기후대별 PLR이 온대0.2~0.5%/년, 사막0.8~1.2%/년 범위임을 보여준다. 국내 BAPV 연구에서는 6년간 PR이 78.42%에서 62.34%로 감소하는 등, 설치･환경･유지보수 조건에 따라 10년 이상 운영 시10~20% 수준의 성능저하가 발생할 수 있음을 보여준다^{5, 8, 9, 10, 12)}.

이에 기반해 본 논문은 한국 환경에서 25년 누적15~25% 범위의 열화 시나리오를 설정하고, IEC 61724‑1 및 IEA PVPS 절차를 바탕으로 데이터 수집, PR 계산, 정규화, 선형/로버스트 회귀를 포함하는 열화율 측정 방법론을 제시하였다. FMEA･ RCM 이론과 풍력 FMEA 사례를 참고해, 태양광발전소의 주요 성능저하 요인(먼지, 음영, 접촉 불량, 부식, 인버터 고장, 적설 등)에 RPN 기반 우선순위를 부여하고, 상위 요인에 자원을 집중하는 유지보수 전략을 제안하였다^{5, 8, 10, 11, 15, 16, 22)}.

IoT･머신러닝･디지털 트윈 기술은 상태 모니터링과 발전량･고장 예측, 운영 최적화를 가능하게 하며, 선행 연구에 따르면 O&M 비용 20~40% 절감과 가용성 95~99% 달성 잠재력을 가진다. 전라도 지역을 중심으로 한 출력제어 및 송전망 병목, 시장 구조 변화를 고려할 때, 본 논문은 연간 성능저하율 0.5~0.8%/년 수준 관리와 O&M 비용 20% 이상 절감을 PV 자산의 실질적 생존조건으로 제안하였다^{3, 4, 6, 7, 18, 19, 20, 21)}.

6.2 최신 트렌드와 정책 기술적 시사점

첫째, 디지털 트윈과 AI 기반 자산관리는 PV 분야에서 점차 구체적인 응용사례가 축적되고 있으며, 향후 대규모 발전소 운영에서는 필수적인 인프라로 발전할 가능성이 크다. 디지털 트윈은 고장 예측･운영 최적화･정책 시나리오 평가를 통합하는 플랫폼으로서, 복잡해지는 계통･시장 환경에서 데이터 기반 의사결정을 지원한다^{20, 21)}.

둘째, 계통 제약과 출력제어는 한국뿐 아니라 재생에너지 확대를 추진하는 대부분 국가에서 공통적으로 나타나는 병목이며, ESS, 수요반응, 수소･열 연계 등 유연성 자원과의 통합, 그리고 이에 대한 정교한 보상･시장 설계가 PV 자산의 가치와 직결된다. 디지털 트윈･머신러닝을 활용한 하이브리드 운영 전략은 출력제어로 인한 손실을 줄이는 핵심 도구가 될 수 있다^{4, 8, 20, 21)}.

셋째, 열화율 측정과 장기 운영 데이터의 공유는 업계 전체의 리스크 프리미엄을 낮추는 중요한 기반이다. 현재 많은 프로젝트가 제조사 보증값 또는 단일 평균 열화율을 가정하지만, 실제 장기 모니터링에 기반한 열화율 분포 정보가 축적된다면 금융기관･투자자는 보다 정확한 리스크 평가를 할 수 있고, 이는 자본 비용 감소로 이어질 수 있다^{5, 8, 10, 18)}.

넷째, 태양광 발전소의 리스크 평가 및 투자 의사결정에 있어 열화율 분포 데이터의 투명한 공개는 필수적이다. 현재는 제조사 보증값이나 일반적인 평균 열화율을 사용하지만, 지역별, 기술별, 운영 환경별 실제 장기 열화율 데이터가 축적된다면 보다 정확한 재무 모델링이 가능해진다^{4, 14, 16, 20)}.

마지막으로, 본 논문은 국내･국제 선행연구를 종합한 개념적 프레임워크를 제시하였으므로, 향후에는 실제 한국 태양광발전소에서 수집된 장기 데이터(예: 10년 이상 BAPV, 수상, 해안･내륙 지상 PV)를 기반으로 열화율, 고장 모드, 유지보수 전략의 효과를 정량 검증하는 실증연구가 필요하다. 특히 전라도 지역과 같이 계통･환경 특성이 뚜렷한 지역을 대상으로 한 실증 프로젝트는 정책･투자･기술 전략 수립에 매우 중요한 근거를 제공할 것이다^{3, 6, 7)}.