Comparison of Time-Shifting Effects in Building Electricity Use under Separate Environmental and Economic Optimizations

Seong-Yun Kang; Sun-Sook Kim; Hyeunguk Ahn

doi:10.22696/jkiaebs.20260006

Preview

Research Article

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems. 28 February 2026. 60-71
https://doi.org/10.22696/jkiaebs.20260006

Comparison of Time-Shifting Effects in Building Electricity Use under Separate Environmental and Economic Optimizations

환경성 및 경제성 개별 최적화에 따른 건물 전력사용 시간대 이동 효과 비교

Seong-Yun Kang¹

Sun-Sook Kim²

Hyeunguk Ahn³^*

강 성윤¹

김 선숙²

안 형욱³^*

¹M.S., Department of Smart Convergence Architecture, Ajou University, Suwon, Korea

²Professor, Department of Architecture, Ajou University, Suwon, Korea

³Assistant Professor, Department of Architecture, Ajou University, Suwon, Korea

¹아주대학교 스마트융합건축학과 석사과정

²아주대학교 건축학과 정교수

³아주대학교 건축학과 조교수

^{*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 (https://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

This study quantifies how MEF-based and TOU-based operating strategies produce different electricity time-shifting outcomes in a Korean factory building. Using Korean public data for 2020, we estimated seasonal hourly marginal emission factors (MEFs) by identifying fuel sources that respond to demand-driven generation changes and regressing hourly changes in CO₂ emissions on changes in generation. The resulting MEFs were linked to hourly EMS electricity use of one manufacturing facility and to the 2020 seasonal time-of-use (TOU) tariff. We then performed daily nonlinear time-shifting optimization of hourly electricity use across the full year under conservative constraints—daily energy conservation, adjustment bounds, and ramp-rate similarity—to evaluate time-shifting effects without reducing total electricity use. Estimated MEFs ranged from 0.17 to 0.73 kgCO₂/kWh (a 4.3-fold difference), indicating that identical electricity use can yield substantially different emissions depending on timing. Under the MEF objective, annual emissions decreased by 4.91 tCO₂ with an additional cost of approximately 0.70 million KRW. Under the TOU objective, the annual bill decreased by about 2.76 million KRW while emissions increased by 1.30 tCO₂. Because the constraints intentionally limit operational flexibility, these impacts should be interpreted as conservative estimates of time-shifting benefits and penalties. Overall, the results reveal a clear emissions–cost trade-off and support the need for multi-objective or weighted decision frameworks that jointly consider MEF and TOU in building-level operation.

Keywords

한계배출계수

차등요금제

시간대 이동

배출–비용 상충관계

키워드

Marginal emission factor

Time-of-use tariff

Time shifting

Emissions–cost trade-off

MAIN

서 론
데이터 및 알고리즘 설계
발전량 데이터 구성
한계연료원(Marginal fuel source) 탐색
시간대별 이산화탄소 배출량 산정 방법
한계배출계수(MEF) 산정 절차
기준 시나리오와 계시별 차등요금제(TOU)
최적화 알고리즘 설계
결과 및 토의
계절 및 시간대별 MEF 특성
환경성·경제성 기반 시나리오 비교 및 시사점
결 론

서 론

탄소중립 전환이 가속화되면서 전력사용의 경제성과 환경성을 동시에 고려하는 운영 전략은 건물과 산업시설에서 중요한 과제로 부상하고 있다. 그러나 동일한 전력량이라도 사용 시점에 따라 발전믹스가 달라져 이산화탄소 배출 성과가 크게 달라지므로, 연평균 값을 적용하는 평균배출계수(Average Emission Factor, AEF) 기반 평가는 시간대별 배출 특성을 충분히 반영하기 어렵다. 이러한 한계를 보완하기 위해 한계배출계수(Marginal Emission Factor, MEF)가 제안되었다. MEF는 특정 시점에서 전력수요가 1단위 증가(또는 감소)할 때 추가적으로 유발되는 이산화탄소 배출량을 의미하는 배출계수로, 전력계통의 시간대·계절별 탄소집약도 분석에 활용되고 있다(Hawkes, 2010; Siler-Evans et al., 2012).

다만 실제 운영 의사결정은 탄소 지표만으로 설명하기 어렵고, 비용 지표와의 관계를 함께 검토해야 한다. 차등요금제(Time-of-Use, TOU)는 비용 중심 수요반응의 대표적인 수단으로, 건물 HVAC 제어와 결합할 경우 피크부하 완화와 전력요금 절감 효과가 보고된 바 있다(Oldewurtel et al., 2012; Haniff et al., 2013). 또한 MEF와 TOU가 반영하는 시간대 신호가 상이하므로, 두 지표에 기반한 최적화는 서로 다른 운영 해법을 도출할 가능성이 제기되고 있다(Li et al., 2023; Zhang et al., 2023).

국내 선행연구인 Kang et al. (2025)은 MEF를 목적함수로 설정해 4가지 용도별 건물을 대상으로 전력사용량 절감이 아닌 일 단위 전력사용량 시간대 이동을 위한 비선형 최적화를 수행하고, 총 전력사용량을 유지한 상태에서도 시간대 이동만으로 건물 유형별 탄소 저감 잠재력이 크게 달라질 수 있음을 보였다. 다만 전기요금 측면의 효과를 함께 고려하지 않아, 환경성과 경제성 관점에서의 정량적 비교에는 한계가 있었다.

이에 본 연구는 Kang et al. (2025)의 일 단위 전력사용량 이동 기반 비선형계획 구조를 기반으로 하되, MEF 산정 연도 및 산정 방식이 선행연구와 상이하다는 점을 반영하여 본 연구 대상 데이터에 맞춰 MEF를 재산정하였다. 또한 동일한 최적화 틀을 연간 범위로 확장하고, MEF 기반 환경성 시나리오와 TOU 기반 경제성 시나리오를 각각 적용하여 이산화탄소 배출 및 전기요금 측면에서 두 운영 전략의 정량적 차이를 비교하고자 한다.

데이터 및 알고리즘 설계

발전량 데이터 구성

본 연구에서는 KPE (2021)가 제공하는 2017-2020년 연료원별 전력거래량 실적을 활용하였으며, 분석 기간의 일관성을 확보하기 위해 2020년 자료만을 사용하였다. 해당 데이터는 전력시장에 참여하는 발전기의 연료원별 전력거래량 합계를 의미하며, 송전단 기준 발전량으로 산정되고, 한국전력공사와 직접 거래하는 일부 발전기 또는 자가용 발전설비는 포함되지 않는다(KPE, 2021).

전체 발전량이 0으로 나타나는 가스압(gas pressure) 항목을 제외한 총 23개 연료원 가운데 발전 비중이 높은 상위 3개 연료원을 선정하여, Figure 1에 시간대별 평균 발전량 패턴을 제시하였다. 원자력·유연탄은 24시간 비교적 지속적인 출력을 유지하며 기저 및 중간부하를 담당하고, LNG는 수요 변동에 대응하는 중간·첨두부하 조정 역할을 수행한다. 세 연료원을 합한 발전 비중은 약 93%에 달해 국내 전력계통의 대부분을 담당한다.

한편 태양광, 연료전지, 양수 등 나머지 연료원은 비중은 작지만 시간대와 계통 운영 여건에 따라 변동성이 크다. 이들 연료원 중 일부는 이후 한계연료원 후보군에서는 제외되지만, 시간대별 발전믹스 변화를 통해 계통 평균 배출 특성에는 간접적으로 영향을 미친다.

https://cdn.apub.kr/journalsite/sites/kiaebs/2026-020-01/N0280200106/images/Figure_KIAEBS_20_1_06_F1.jpg

Figure 1.

Hourly average power generation by major fuel types in 2020

한계연료원(Marginal fuel source) 탐색

MEF 산정에 앞서 한계연료원을 식별했다. 한계연료원이란 한계발전기가 사용하는 연료를 의미한다. 한계발전기(marginal generator)는 전력계통에서 특정 시점의 수요를 충족하기 위해 가장 마지막에 급전되며, 수요 변동에 가장 민감하게 반응한다. 따라서 한계연료원 식별은 MEF의 시간적 변동을 해석하는 데 핵심적 근거가 된다(Siler-Evans et al., 2012; Hawkes, 2014).

일반적으로 한계발전기는 단기 출력 조정이 가능하고, 연료비와 변동비에 기반한 급전 순서(merit order)에 의해 결정된다(Siler-Evans et al., 2012; Hawkes, 2014; Thind et al., 2017). 따라서 연료비가 없고, 단기 출력이 어려운 태양광과 풍력은 한계발전기가 되기 어렵다. 반면 LNG는 높은 연료비로 인해 후순위로 급전되고, 수요 변동에 맞춰 출력을 조정하므로 대표적 한계발전원으로 분류된다. 이러한 특징은 Figure 1에서 나타난 LNG의 큰 변동성으로도 확인할 수 있다.

기존 연구에서도 태양광·풍력·수력·원자력·연료전지 등 기상 조건이나 설비 특성상 상시운전·우선급전 되거나 출력 조정이 어려운 전원은 한계발전기에서 제외하였다(Siler-Evans et al., 2012; Thind et al., 2017; Kang et al., 2025). 본 연구 또한 출력 조정이 가능한 연료 기반 발전원을 한계연료원 후보군으로 설정하였다. 구체적으로는 LNG, 유연탄, 중유 등 16개 연료원을 한계연료원으로 고려하고, 총 7개의 연료원(태양광, 해양에너지, 풍력, 소수력, 수력, 원자력, 연료전지)은 제외하였다.

시간대별 이산화탄소 배출량 산정 방법

국내 전력 부문에서는 시간대별 이산화탄소 배출량 통계가 제공되지 않기 때문에, 본 연구에서는 IPCC (2006)과 MOE (2024)의 국내 적용 지침을 참고하여 식 (1)과 같이 일자 $d$ , 시간대 $ㅗ$ 에서의 이산화탄소 배출량 $E_{d, h}$ (kgCO₂)를 간접적으로 산출하였다.

(1)

E_{d, h} = \sum_{f} (\frac{G_{d, h, f} \times E F_{f} \times C F_{f}}{η_{f}})

여기서 $G_{d, h, f}$ 는 연료원 $f$ 의 발전량(kWh)이며, $C F_{f}$ 는 총발열량 대비 순발열량을 반영한 전환계수이다. 또한 연료원별 이산화탄소 배출계수 $E F_{f}$ (kgCO₂/kWh_fuel)를 적용하기 위해 발전량(kWh)을 연료투입 에너지 기준으로 환산하기 위해 발전효율 $η_{f}$ 을 반영하였다.

연료원별 전환계수 및 배출계수, 발전효율은 Table 1에 정리하였다. 전환계수와 배출계수는 국내 지침인 MOTIE (2017)와 GIR (2019)에 제시된 값을 우선으로 하고 연료 특성이 유사한 항목을 묶어 평균값을 산정하였고, 국내 지침에 값이 없는 연료원은 MOE (2025)와 IPCC (2006)의 계수를 참조하여 동일한 방식으로 보완하였다. 발전효율은 KEPCO (2021)에 제시된 화력발전소 열효율을 적용하였으며, 확인되지 않는 경우 평균값을 적용하였다.

한계배출계수(MEF) 산정 절차

MEF는 전력생산이 한 단위 증가할 때 추가로 배출되는 이산화탄소 배출량을 의미하며, 여러 선행연구(Hawkes, 2010, 2014; Siler-Evans et al., 2012; Li et al., 2017; Thind et al., 2017)에서는 발전량 변화와 배출량 변화의 관계를 회귀모형으로 추정하는 방식을 사용해 왔다. 본 연구도 이러한 기본 개념을 따르되, 국내 계절별·시간대별 차등요금제 구조를 동시 고려하기 위해 계절은 봄(3–5월), 여름(6–8월), 가을(9–10월), 겨울(11–2월)로 정의하여 계절별·시간대별 MEF를 추정하였다.

앞 절에서 산정한 한계연료원에 대한 시간대별 이산화탄소 배출량과 발전량을 이용해 연속된 두 시점(h−1, h) 사이의 변화분을 계절 $s$ , 시간대 $h$ 별로 합산하였다. 식 (2)와 같이 상수항을 제외한 단순회귀분석을 수행하였다.

(2)

Δ E_{s, h} = M E F_{s, h} \times Δ G_{s, h} + ε_{s, h}

여기서 $M E F_{s, h}$ 는 계절 $s$ , 시간대 $h$ 에서 발전량 변화에 따른 단위 발전량당 추가 배출량(kgCO₂/kWh)을 의미하며, $ε_{s, h}$ 는 오차항이다. 이와 같은 절차를 통해 96개 시간대(4계절 × 24시간)에 대한 MEF를 산정하였다.

Table 1.

Estimation results of variables for carbon dioxide emission calculation

Primary fuel sources ( $f$ )	Secondary fuel sources	Conversion factor ( $C F_{f}$ , -)	CO₂ emission factor ( $E F_{f}$ , kgCO₂/kWh_fuel)	Reference	Generation efficiency ( $η_{f}$ , %)
LNG	Natural Gas (LNG)	0.9031	0.2021	Korean standard	45.77
Bituminous Coal	Bituminous Coal (for Fuel)	0.9556	0.3426		36.73
Heavy Oil	Bunker C Oil (B-C Oil)	0.9400	0.2895		33.64
Diesel	Diesel	0.9312	0.2655		45.77
Anthracite	Domestic Anthracite	0.9734	0.3801		32.34
	Imported Anthracite (for Fuel)
LPG	Propane	0.9209	0.2329		39.20
	Butane
Kerosene	Kerosene	0.9319	0.2636
IGCC	Bituminous Coal	0.9645	0.3613
	Anthracite
By-product Gas	Gas Works Gas	0.9100	0.4238	IPCC standard
	Coke oven gas
	Blast Furnace Gas
	Oxygen Steel Furnace Gas
	Refinery Gas
Biomass	Wood/Wood Waste	0.9700	0.3774
	Sulphite lyes (Black Liquor)
	Other Primary Solid Biomass
	Charcoal
Bio Heavy Oil	Biodiesels	0.9400	0.2707
	Other Liquid Biofuels
Biogas	Sludge Gas	0.9100	0.1966
	Other Biogas
Wastes	Municipal Wastes (biomass fraction)	0.9625	0.3672
	Municipal Wastes (non-biomass fraction)
	Industrial Wastes
	Waste Oil
Landfill Gas	Landfill Gas	0.9100	0.1966
Others	Other Petroleum Products	0.9700	0.2639

기준 시나리오와 계시별 차등요금제(TOU)

본 연구의 최적화를 위한 기준 시나리오는 KSGI가 제공하는 공장 건물 수용가의 업종·요금제 정보와 EMS 시간대별 전력사용량(kWh) 데이터를 이용하여 구축하였다. 본 연구는 제조업 공장 건물 수용가 1개소를 대상으로 한 단일 사례연구로, 2020년 한 해 동안의 시간별 전력사용량 중 연간 관측치 비율이 95% 이상인 시설을 분석 대상으로 선정하였다. 결측 구간은 계절·시간대별 평균값으로 보간하여, Figure 2에 제시한 2020년 시간대별 평균 전력사용량은 약 166-174 kWh 범위로 일중 변동폭이 크지 않아, 기저부하 중심의 운영 패턴을 시사한다.

https://cdn.apub.kr/journalsite/sites/kiaebs/2026-020-01/N0280200106/images/Figure_KIAEBS_20_1_06_F2.jpg

Figure 2.

Hourly average electricity use pattern of the target factory in 2020

해당 수용가에 적용되는 TOU는 ｢산업용전력(을) 선택(Ⅱ) 고압A｣이며, 이를 적용하기 위해 2020년에 시행된 KEPCO (2019)의 전력량요금을 사용하였다. 평일 기준 TOU는 Figure 3에 나타내었으며, 여름·겨울 주간 피크 시간대에는 평균 약 179 KRW/kWh로 가장 높고, 야간 경부하 시간대에는 약 60 KRW/kWh로 가장 낮아 시간대별 전력사용에 따른 요금 차이가 뚜렷하다. 이러한 TOU 환경에서 기준 시나리오의 야간 평균 전력사용량이 주간 대비 약 4.34% 높게 나타났으며, 이는 제조업 공장 특성에 더해 요금 차이가 전력사용의 시간대 이동을 유인할 수 있음을 시사한다.

한편 토요일과 공휴일(임시공휴일 제외)의 경우, 토요일 전력사용량은 최대부하가 아닌 중간부하 시간대로, 공휴일의 최대수요전력 및 전력사용량은 경부하 시간대로 적용하였다.

https://cdn.apub.kr/journalsite/sites/kiaebs/2026-020-01/N0280200106/images/Figure_KIAEBS_20_1_06_F3.jpg

Figure 3.

Seasonal time-of-use electricity tariffs for weekdays (2020)

최적화 알고리즘 설계

본 연구의 최적화는 Python SciPy의 SLSQP 알고리즘으로 연간 일 단위로 최적화하였으며, 초기값은 기준 시나리오 전력사용량 $U_{d, h}$ 로 설정하였다. 의사결정변수 $x_{d, h}$ 는 날짜 $d$ , 시간 $h$ 에서의 최적화된 전력사용량(kWh)을 의미한다. 목적함수는 기준 시나리오 대비 증감량( $x_{d, h} - U_{d, h}$ )에 식 (3)과 식 (4)와 같이 ${MEF}_{d, h}$ 와 ${TOU}_{d, h}$ 를 가중치로 곱해 합산한 값이 최소화하도록 정의하였다. 이를 통해 환경성(이산화탄소 배출량)과 경제성(전기요금) 측면에서 기존 시나리오 대비 감소하도록 하였다.

(3)

\min_{x_{d}} \sum_{h = 0}^{23} {MEF}_{d, h} (x_{d, h} - U_{d, h})

(4)

\min_{x_{d}} \sum_{h = 0}^{23} {TOU}_{d, h} (x_{d, h} - U_{d, h})

최적화는 다음 세 가지 제약조건을 만족하도록 구성하였다. 첫째, 식 (5)는 일별 총 전력사용량은 보존되도록 하여 전력사용량 절감이 아닌 시간대 이동만 되도록 하였다.

(5)

\sum_{h = 0}^{23} x_{d, h} = \sum_{h = 0}^{23} U_{d, h}

둘째, 기저부하와 개별 시간대의 급격한 증감을 동시에 제한하기 위해, 시간대별 전력사용량 $x_{d, h}$ 는 해당 일의 최소 전력사용량 $U_{d}^{\min}$ 과 기준 사용량 $U_{d, h}$ 의 ±10% 범위를 함께 고려한 범위 내에서만 조정되도록 식 (6)와 같이 설정하였다.

(6)

\max (0.9 U_{d, h}, U_{d}^{\min}) \leq x_{d, h} \leq 1.1 U_{d, h}

셋째, 전력사용 패턴의 급격한 변형을 방지하고 유사성을 유지하기 위해, 연속된 두 시간대 사이 전력사용량의 변화율 차이가 일정 범위 이내가 되도록 제약하였다. 구체적으로, 시간대 $h$ ≥1에서 최적화 후 전력사용량의 변화율과 기준 시나리오 전력사용량의 변화율 차이의 절댓값이 0.10 이하가 되도록 하여 식 (7)과 같이 설정하였다.

(7)

|(\frac{x_{d, h} - x_{d, h - 1}}{x_{d, h - 1}}) - (\frac{U_{d, h} - U_{d, h - 1}}{U_{d, h - 1}})| \leq 0.10 (\forall h \geq 1)

여기서 0시는 전날 23시 전력사용량을 기준으로 동일한 방식으로 변화율을 계산하여, 일간 경계에서도 비정상적인 급변이 발생하지 않도록 하였다.

또한, 식 (6)과 (7)의 조정폭은 사례 건물의 보수적 운영 유연성을 가정하기 위한 기준값이며, 건물유형 간 비교를 위해 동일한 제약을 적용한 선행연구가 존재한다(Kang et al., 2025; Garcesa and Johnson, 2025). 다만 실제 조정폭은 건물 용도·운전·쾌적 제약 등에 따라 달라질 수 있다(De Coninck and Helsen, 2016).

결과 및 토의

계절 및 시간대별 MEF 특성

분석 결과, 전력 사용 시점에 따라 MEF가 최대 4.3배까지 차이를 보이는 등 변동성이 뚜렷하게 나타나, 현실적인 온실가스 저감 전략 수립을 위해서는 계절·시간대별로 세분화된 MEF의 활용이 필수적임이 확인되었다.

2020년 기준 MEF는 0.17–0.73 kgCO₂/kWh 범위에 분포하였으며, 약 86%가 0.35–0.55 kgCO₂/kWh 구간에 집중되었다(Figure 4). 특히 여름과 가을의 평균 MEF(약 0.46 kgCO₂/kWh)는 봄과 겨울에 비해 약 15–20% 높았고, 동일 계절 내에서도 시간대에 따라 최대 2.8배의 차이를 보였다. Kang et al. (2025)에 따르면 이러한 변동은 유연탄과 양수 등 한계연료원의 기여도 변화에 기인하며, 전력 사용 시점에 따른 한계연료원의 차이가 배출 성과를 좌우함을 시사한다(Kang et al., 2025).

https://cdn.apub.kr/journalsite/sites/kiaebs/2026-020-01/N0280200106/images/Figure_KIAEBS_20_1_06_F4.jpg

Figure 4.

Seasonal hourly marginal emission factors (2020)

한편 MEF의 설명력(R²)은 대부분 0.76 이상으로 전반적으로 양호하였다. 그러나 0시의 경우, 봄과 겨울철에 각각 0.21, 0.40으로 다소 낮게 나타났다. 이는 Zohrabian et al. (2023)에서도 관찰된 현상으로, 한계연료원의 빈번한 교체 등 복합적인 계통 운영 특성에 기인한 것으로 해석하였다. 따라서 0시 구간은 데이터의 불확실성을 고려하여 보수적으로 적용하되, 향후 추가 설명 변수를 도입하여 모형의 설명력을 보완할 필요가 있다.

종합하면, 계절·시간대별로 세분화된 MEF를 활용하는 것이 연료원의 특성을 고려해 보다 현실적인 온실가스 저감 전략 수립에 필요함을 보여준다.

환경성·경제성 기반 시나리오 비교 및 시사점

Figure 5는 일 단위 최적화 결과를 나타낸 것으로, 각 축에서 양수(+)는 기준 시나리오 대비 저감 또는 절약을, 음수(-)는 배출 또는 지출을 의미한다. 여기서 환경성(MEF) 기반 시나리오는 배출 저감 및 비용 증가 영역(우측 하단)에 83%가, 경제성(TOU) 기반 시나리오는 비용 절감 및 배출 증가 영역(좌측 상단)에 81%가 분포하여 두 목적 간 뚜렷한 상충 관계가 확인된다. 환경성 기반 시나리오는 연간 4.91 tCO₂ 감축과 함께 약 70만 원 비용 증가가 발생하며, 이는 1만 원 지출당 70.14 kgCO₂ 저감에 해당한다. 반면 경제성 기반 시나리오는 연간 약 276만 원 비용 절감과 함께 1.30 tCO₂ 배출 증가가 나타나고, 이는 1만 원 절감당 4.71 kgCO₂ 증가로 해석된다.

이러한 상충 관계는 분석 대상의 기저부하 중심 부하특성과 보수적 제약조건에 의해 나타난 것으로, 시간대 이동 효과는 제한된 운영 유연성을 전제로 한 보수적 추정치로 해석된다. 또한, 단일 건물 사례에 기반하므로, 다른 건물에 일반화하는 데에는 한계가 있다. 그럼에도 전기요금이 저렴한 시간대가 항상 이산화탄소 배출량이 낮은 시간대가 아니라는 전력계통의 구조적 특성을 시사한다. 이러한 특성은 선행연구에서도 반복적으로 관찰되는데, 스웨덴 전력시장에서 실시간요금(RTP) 기준으로 매일 1 kWh를 17시 피크에서 24시간 내 최저가 시간으로 이동시키면, 연간 365 kWh 이동 기준 비용은 23% 절감되지만 이산화탄소 발자국은 36% 증가하는 상충 관계를 제시한다(Stoll et al., 2014). 동일한 맥락에서 PV–배터리 운영에서도 비용 최소화가 배출 최소화로 직결되지 않는다. 호주 NSW 상업건물 사례(PV 150 kW, 배터리 640 kWh)에서 전기요금 최소화로 제어할 경우 비용은 18% 감소하는 반면 배출은 12.5% 증가했으며, 탄소가격을 함께 반영하면 배출 증가는 5%로 완화되지만 비용 절감 폭은 16%로 축소되었다(Aryai and Goldsworthy, 2022).

따라서 정부의 탄소중립 목표와 소비자의 비용 절감을 동시에 달성하기 위해서는, MEF와 TOU를 함께 반영한 다목적 또는 가중합 최적화를 통해 배출 및 비용 간 절충 해를 탐색할 필요가 있다.

https://cdn.apub.kr/journalsite/sites/kiaebs/2026-020-01/N0280200106/images/Figure_KIAEBS_20_1_06_F5.jpg

Figure 5.

Daily CO₂ and cost reductions by scenario

결 론

본 연구는 국내 공공데이터를 기반으로 2020년 계절·시간대별 한계배출계수(MEF)를 산정하고, 이를 제조업 공장 건물 1개소의 EMS 시간대별 전력사용량 및 차등요금제(TOU)사례와 연계하여 전력사용량 총량을 유지한 상태에서 시간대 이동만으로 환경성 및 경제성 관점의 운영 결과가 어떻게 달라지는지 비교하였다. 이를 위해 일별 총사용량 보존, 시간대별 조정폭 제한, 변화율 제약을 포함한 보수적 제약조건 하에서 연간 일 단위 비선형 최적화를 수행하였다.

분석 결과, 2020년 MEF는 0.17–0.73 kgCO₂/kWh 범위로 나타났으며, 최댓값은 최솟값의 약 4.3배였다. 이는 동일한 전력사용량이라도 사용 시점에 따라 배출 성과가 크게 달라질 수 있음을 의미한다. 또한 목적함수에 따라 시간대 이동 효과가 상반되었다. 환경성(MEF) 기반 시나리오에서는 연간 4.91 tCO₂를 줄이는 대신 약 70만 원의 비용이 증가하였고, 경제성(TOU) 기반 시나리오에서는 연간 약 276만 원을 절감하는 대신 1.30 tCO₂의 배출이 증가하였다. 두 결과가 서로 다른 사분면에 집중된 점은, 건물·공장 단위 전력운영에서 배출–비용 상충 관계가 구조적으로 존재함을 보여준다.

분석 대상은 기저부하 중심 운영 패턴을 보이며, 제약조건은 실제 조정 가능 범위를 보수적으로 가정하였다. 따라서 본 연구에서 제시한 시간대 이동 효과는 제한된 운영 유연성 하에서 산정된 보수적 추정치이다. 또한 단일 사례에 기반하므로 결과의 일반화에는 한계가 있다. 그럼에도 본 연구는 선행연구에서 보고된 바와 같이, 전기요금이 저렴한 시간대가 항상 저탄소 시간대와 일치하지 않는다는 점을 정량적으로 확인하였다. 이는 단일 지표(탄소 또는 비용) 중심 운영만으로는 두 목표를 동시에 만족시키기 어렵다는 점을 시사한다.

따라서 실무 적용을 위해서는 MEF와 TOU를 함께 고려하는 의사결정 틀이 필요하며, 다목적 최적화 또는 가중합 접근을 통해 허용 가능한 추가 비용(또는 목표 감축량) 하에서 절충 해를 체계적으로 탐색하는 방식이 유효하다. 향후 연구에서는 (i) 대상 수용가 및 건물 유형 확대, (ii) 제약조건 변화에 따른 실현 가능한 시간대 이동 범위 검증, (iii) ESS (Energy Storage System) 등의 연계를 통한 추가 저감 잠재력 평가를 통해 적용성과 일반화를 강화할 필요가 있다.

Acknowledgements

이 논문은 국토교통부/국토교통과학기술진흥원(과제번호 RS-2023-00244769) 지원에 의한 결과의 일부임.

References

Aryai, V., Goldsworthy, M. (2022). Controlling electricity storage to balance electricity costs and greenhouse gas emissions in buildings. Energy Informatics, 5(1), 11. DOI: https://doi.org/10.1186/s42162-022-00216-5.

10.1186/s42162-022-00216-535915732PMC9328010

De Coninck, R., Helsen, L. (2016). Practical implementation and evaluation of model predictive control for an office building in Brussels. Energy and Buildings, 111, 290-298. DOI: https://doi.org/10.1016/j.enbuild.2015.11.014.

10.1016/j.enbuild.2015.11.014

Garcesa, A., Johnson, N. (2025). Co-optimizing microgrid asset sizing and dispatch with building automation and load control. Frontiers in Energy Research, 13. DOI: https://doi.org/10.3389/fenrg.2025.1712690.

10.3389/fenrg.2025.1712690

Haniff, M.F., Selamat, H., Yusof, R., Buyamin, S., Sham Ismail, F. (2013). Review of HVAC scheduling techniques for buildings towards energy-efficient and cost-effective operations. Renewable and Sustainable Energy Reviews, 27, 94-103. DOI: https://doi.org/10.1016/j.rser.2013.06.041.

10.1016/j.rser.2013.06.041

Hawkes, A.D. (2010). Estimating marginal CO₂ emissions rates for national electricity systems. Energy Policy, 38(10), 5977-5987. DOI: https://doi.org/10.1016/j.enpol.2010.05.053.

10.1016/j.enpol.2010.05.053

Hawkes, A.D. (2014). Long-run marginal CO₂ emissions factors in national electricity systems. Applied Energy, 125, 197-205. DOI: https://doi.org/10.1016/j.apenergy.2014.03.060.

10.1016/j.apenergy.2014.03.060

Li, J., Wang, G., Wang, X., Du, Y. (2023). Smart charging strategy for electric vehicles based on marginal carbon emission factors and time-of-use price. Sustainable Cities and Society, 96, 104708. DOI: https://doi.org/10.1016/j.scs.2023.104708.

10.1016/j.scs.2023.104708

Li, M., Smith, T.M., Yang, Y., Wilson, E.J. (2017). Marginal Emission Factors Considering Renewables: A Case Study of the U.S. Midcontinent Independent System Operator (MISO) System. Environmental Science & Technology, 51(19), 11215-11223. DOI: https://doi.org/10.1021/acs.est.7b00034.

10.1021/acs.est.7b00034

Oldewurtel, F., Parisio, A., Jones, C.N., Gyalistras, D., Gwerder, M., Stauch, V., Lehmann, B., Morari, M. (2012). Use of model predictive control and weather forecasts for energy efficient building climate control. Energy and Buildings, 45, 15-27. DOI: https://doi.org/10.1016/j.enbuild.2011.09.022.

10.1016/j.enbuild.2011.09.022

Siler-Evans, K., Azevedo, I.L., Morgan, M.G. (2012). Marginal Emissions Factors for the U.S. Electricity System. Environmental Science & Technology, 46(9), 4742-4748. DOI: https://doi.org/10.1021/es300145v.

10.1021/es300145v

Stoll, P., Brandt, N., Nordström, L. (2014). Including dynamic CO₂ intensity with demand response. Energy Policy, 65, 490-500. DOI: https://doi.org/10.1016/j.enpol.2013.10.044.

10.1016/j.enpol.2013.10.044

Thind, M.P.S., Wilson, E.J., Azevedo, I.L., Marshall, J.D. (2017). Marginal Emissions Factors for Electricity Generation in the Midcontinent ISO. Environmental Science & Technology, 51(24), 14445-14452. DOI: https://doi.org/10.1021/acs.est.7b03047.

10.1021/acs.est.7b03047

Zhang, H., Xiao, F., Zhang, C., Li, R. (2023). A multi-agent system based coordinated multi-objective optimal load scheduling strategy using marginal emission factors for building cluster demand response. Energy and Buildings, 281, 112765. DOI: https://doi.org/10.1016/j.enbuild.2022.112765.

10.1016/j.enbuild.2022.112765

Zohrabian, A., Mayes, S., Sanders, K.T. (2023). A data-driven framework for quantifying consumption-based monthly and hourly marginal emissions factors. Journal of Cleaner Production, 396, 136296. DOI: https://doi.org/10.1016/j.jclepro.2023.136296.

10.1016/j.jclepro.2023.136296

Kang, S., Kim, S., Ahn, H. (2025). Marginal Emission Factors (MEFs)-based electricity load optimization for various building types. Proceedings of Building Simulation 2025: 19th Conference of the International Building Performance Simulation Association (IBPSA). DOI: https://doi.org/10.26868/25222708.2025.1399.

10.26868/25222708.2025.1399

Greenhouse Gas Inventory & Research Center of Korea (GIR). (2019). Announcement of the 2018 approved country-specific greenhouse gas emission and removal factors. Available at: https://www.gir.go.kr/home/board/read.do?boardCategoryId=&boardId=44&boardMasterId=2&maxIndexPages=10&maxPageItems=10&menuId=36&pagerOffset=0&searchKey=&searchValue= [Accessed on 10/11/2025].

Intergovernmental Panel on Climate Change (IPCC). (2006). 2006 IPCC guidelines for national greenhouse gas inventories: Volume 2—Energy. Chapter 2: Stationary combustion. Institute for Global Environmental Strategies. Available at: https://www.ipcc-nggip.iges.or.jp/public/2006gl/pdf/2_Volume2/V2_2_Ch2_Stationary_Combustion.pdf [Accessed on 10/11/2025].

Korea Electric Power Corporation (KEPCO). (2019). Electricity tariff table (effective July 1, 2019). Available at: https://online.kepco.co.kr/PRM025D00 [Accessed on 06/12/2025].

Korea Electric Power Corporation (KEPCO). (2021). Korea Electric Power Statistics (2021 ed., No. 90). Author. Available at: https://www.kepco.co.kr/home/customer/library/electricity-statistics/kepco-stats/boardList.do [Accessed on 10/11/2025].

Korea Power Exchange (KPE). (2021). Fuel-type electricity transaction data (2020). Available at: https://www.data.go.kr/data/15081098/fileData.do [Accessed on 10/11/2025].

Ministry of Environment (MOE). (2024). National greenhouse gas inventory document of the Republic of Korea 2024. Greenhouse Gas Inventory and Research Center (GIR). Available at: https://www.gir.go.kr/home/board/read.do?pagerOffset=0&maxPageItems=10&maxIndexPages=10&searchKey=&searchValue=&menuId=36&boardId=84&boardMasterId=2&boardCategoryId= [Accessed on 10/11/2025].

Ministry of Environment (MOE). (2025, February 7). Guidelines on reporting and certification of emissions under the greenhouse gas emissions trading scheme (Notice No. 2025-28) [Annex 11: Default calorific values by fuel type based on the 2006 IPCC Guidelines]. Available at: https://www.law.go.kr/LSW/admRulLsInfoP.do?admRulSeq=2100000254380 [Accessed on 10/11/2025].

Ministry of Trade, Industry and Energy (MOTIE). (2017). Energy calorific value conversion standards (Appendix to the Enforcement Rule of the Energy Act, Ministry of Trade, Industry and Energy Ordinance No. 281, effective Dec 28, 2017). Korea Law Information Center. Available at: https://www.law.go.kr/LSW/lsInfoP.do?lsiSeq=208729&ancYd=20190522&ancNo=00335&efYd=20190522&nwJoYnInfo=N&efGubun=Y&chrClsCd=010202&ancYnChk=0#0000 [Accessed on 10/11/2025].

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems ISSN:1976-6483(Print) 2586-0666(Online) 한국건축친환경설비학회논문집

Preview

Comparison of Time-Shifting Effects in Building Electricity Use under Separate Environmental and Economic Optimizations

ABSTRACT

MAIN

Figure 1.

Hourly average power generation by major fuel types in 2020

(1)

(2)

Table 1.

Estimation results of variables for carbon dioxide emission calculation

Figure 2.

Hourly average electricity use pattern of the target factory in 2020

Figure 3.

Seasonal time-of-use electricity tariffs for weekdays (2020)

(3)

(4)

(5)

(6)

(7)

Figure 4.

Seasonal hourly marginal emission factors (2020)

Figure 5.

Daily CO2 and cost reductions by scenario

Acknowledgements

References

Daily CO₂ and cost reductions by scenario