Assessment of greenhouse energy demand and renewable energy supply potential across regions in the Republic of Korea using TRNSYS-CONTAM

Gwangshim Kim; Sungwan Park; Yoseph Lee; Hoon Seonwoo

doi:10.22765/pastj.20260022

Preview

Research Article

Precision Agriculture Science and Technology. 30 September 2026. 303-332
https://doi.org/10.22765/pastj.20260022

Assessment of greenhouse energy demand and renewable energy supply potential across regions in the Republic of Korea using TRNSYS-CONTAM

Gwangshim Kim¹^†

Sungwan Park¹^†

Yoseph Lee²

Hoon Seonwoo¹²³^*

¹Smart Agriculture Major, Sunchon National University, Suncheon 57922, Republic of Korea

²Department of Smart Agricultural Engineering, Sunchon National University, Suncheon 57922, Republic of Korea

³Interdisciplinary Program in IT-Bio Convergence System, Sunchon National University, Suncheon 57922, Republic of Korea

^{*Corresponding Author}

^{†These authors equally contributed to this study as first 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 (http://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

Greenhouse energy demand and renewable energy availability vary with regional climate, requiring location-specific system design for efficient and low-carbon greenhouse operation. This study evaluated greenhouse heating and cooling loads and the supply potential of solar thermal, photovoltaic (PV), and wind energy across 18 inland and coastal regions of the Republic of Korea using a coupled TRNSYS-CONTAM model. A Venlo-type glass greenhouse in the Goheung Smart Farm Innovation Valley was used as the reference facility. The model was validated against indoor air temperature measured from June to October 2025, showing good agreement between measured and simulated temperatures, with NSE, R², and MAPE values of 0.874-0.913, 0.895-0.944, and 3.474-5.499%, respectively. Because the validation period excluded winter and no heating-energy measurements were available, the loads are interpreted as relative inter-regional comparisons. Using regional meteorological data from 2021 to 2025 (2025 only for Goheung, Boryeong and Sokcho), mean annual heating and cooling loads ranged from 323,331 to 631,811 MJ and from 210,740 to 287,762 MJ, respectively. Inland regions showed higher mean loads than coastal regions (heating +16.3%, cooling +5.2%, total +12.3%), but only the total load differed significantly (p = 0.011). Solar thermal and PV production was relatively high in southern areas, including Busan, Yeosu, and Goheung, although the coastal–inland difference was not significant (p > 0.20), while wind production varied considerably and was particularly high in coastal regions such as Yeosu and Mokpo, averaging 6.0 times the inland value (p < 0.001). The solar thermal collector area matching annual heating demand ranged from 69.9 to 160.9 m², and equivalent PV and wind capacities for total annual demand from 86.3 to 148.5 kW and from 258.8 to 30,198.2 kW. These results highlight the importance of jointly considering regional energy demand and renewable energy resources when designing renewable energy systems for energy-independent smart greenhouses.

Keywords

Greenhouse

TRNSYS-CONTAM

Renewable energy

Regional climate

MAIN

Introduction
Materials and Methods
실증 온실 및 데이터
온실 모델
재생에너지 시뮬레이션 모델
온실 에너지 수요와 재생에너지 공급량 비교
통계 분석
Results and Discussion
온실 모델 검증
온실 냉난방 부하 산정
지역별 재생에너지 생산량 분석
태양열
태양광
풍력
온실에너지 수요와 재생에너지 공급량 비교
Conclusion

Introduction

농업 부문은 식량 생산을 담당하는 필수 산업인 동시에 에너지 소비 및 온실가스 배출과도 밀접하게 연관되어 있다. 이에 따라 기후변화의 심화와 국제적인 탄소중립 정책의 확산은 농업 분야에서도 에너지 효율 향상과 재생에너지 활용을 통한 지속가능한 생산체계 구축을 요구하고 있다(Bathaei and Štreimikienė, 2023). 특히 최근에는 정보통신기술(ICT), 인공지능(AI), 사물인터넷(IoT) 및 자동제어 기술이 농업 분야에 적극적으로 도입되면서 스마트팜 산업이 빠르게 성장하고 있으며, 생산성 향상과 노동력 절감을 위한 첨단 시설원예 단지의 보급이 확대되고 있다(Wolfert et al., 2017; Farooq et al., 2020). 스마트팜은 작물 생육환경을 정밀하게 제어함으로써 생산량과 품질을 향상시킬 수 있으며, 미래 농업의 핵심 생산체계로 평가받고 있다(Shamshiri et al., 2018; Soussi et al., 2025). 이러한 흐름에 따라 국내에서도 스마트팜 보급이 지속적으로 확대되고 있으며, 시설원예 분야의 스마트팜 유리온실 현황은 2018년 285 ha에서 2024년 353 ha로 약 23.9% 증가하는 등 지속적인 증가 추세를 나타내고 있다(MAFRA, 2025). 정부 또한 스마트팜의 보급·확산과 기술 고도화를 지원하기 위해 스마트팜 혁신밸리 조성사업을 추진하였으며, 김제, 상주, 밀양 및 고흥 지역에 스마트팜 혁신밸리를 조성하였다. 스마트팜 혁신밸리는 청년농업인 육성, 임대형 스마트팜 운영, 스마트팜 기술 및 기자재 산업의 확산과 관련 기술의 고도화를 지원하고 있다(MAFRA, 2020; Nam, 2025). 특히 혁신밸리 내 실증단지는 ICT 기자재와 인공지능 모델을 비롯한 스마트농업 기술의 실증 및 기업·연구기관의 연구개발을 지원하고 있으며, 온실 환경·제어와 작물 생육·수확 등 전주기 데이터를 생산·집적하여 데이터 기반 스마트농업 기술 개발과 현장 적용을 지원하고 있다(MAFRA, 2020).

그러나 유리온실은 외부 환경과의 열교환이 지속적으로 발생하는 구조적 특성으로 인해 상당한 수준의 냉·난방 에너지를 필요로 한다(Montero et al., 2013; Acosta-Silva et al., 2019; Ahamed et al., 2019; Vadiee and Martin, 2012). 온실 내부의 온도, 습도 및 환기 조건은 작물 생산성과 직접적으로 연관되기 때문에 계절 및 기상조건 변화에 대응하기 위한 환경제어가 필수적이다. 특히 겨울철에는 난방을 위한 에너지 소비가 증가하며, 여름철에는 과도한 일사와 고온 환경으로 인해 냉방 또는 환기 에너지 요구량이 증가하게 된다. 이러한 에너지 소비는 온실 운영비 상승의 주요 원인으로 작용하며, 화석연료 기반 난방 시스템에 대한 의존도 또한 높이는 요인이 된다. 즉, 시설원예는 단위면적당 에너지 소비가 큰 산업이므로, 산업 경쟁력을 확보하고 농업 부문의 탄소중립을 실현하기 위해서는 에너지 소비 절감과 함께 재생에너지의 적극적인 활용이 요구된다. 즉, 에너지 비용 절감과 탄소배출 저감을 동시에 달성할 수 있는 에너지 시스템의 구축이 중요하다. 최근 농업 분야에서는 태양열, 태양광 및 풍력과 같은 재생에너지 기술을 온실에 적용하기 위한 다양한 연구와 실증 사업이 수행되고 있다(Hassanien et al., 2016). 재생에너지는 화석연료 사용을 감소시키고 온실가스 배출을 저감할 수 있는 대표적인 친환경 에너지원으로 평가된다(Khan and Arsalan, 2016; Hosseini and Wahid, 2016). 태양광 발전은 전력 생산을 통해 냉·난방 설비의 전력 수요를 지원할 수 있으며, 태양열 시스템은 난방에 필요한 열에너지를 직접 공급할 수 있다는 장점을 가진다. 이때 재생에너지로 회수한 열을 온실로 전달하는 열교환 설비의 형식에 따라 시스템의 열전달 성능과 경제성이 달라지므로, 설비 단위의 성능 비교와 적합성 평가도 함께 수행되고 있다(Son et al., 2026). 또한 풍력 발전은 풍황 자원이 우수한 지역에서 비교적 안정적인 전력 생산이 가능하여 농업시설의 에너지 자립도를 향상시킬 수 있다. 그러나 재생에너지 생산량은 기상조건에 크게 의존하기 때문에 지역에 따라 발전 성능 차이가 발생할 수 있다. 일사량, 풍속, 외기온도, 위도 및 지형 조건은 재생에너지 생산성을 결정하는 주요 인자이며, 해안 지역과 내륙 지역 간에도 상당한 차이가 발생할 수 있다(Duffie et al., 2020; Manwell et al., 2009). 따라서 특정 지역에 적합한 재생에너지 시스템을 설계하고 운영하기 위해서는 지역별 생산 잠재력을 정량적으로 평가할 필요가 있다. 지역별 기후 특성에 따라 일사량과 풍속 등의 재생에너지 자원 조건이 달라지므로, 태양광뿐만 아니라 태양열 및 풍력에너지의 활용 가능성도 지역에 따라 상이하게 나타날 가능성이 있다. 또한 재생에너지의 간헐성과 변동성은 에너지 시스템의 안정적인 운영에 영향을 미칠 수 있으므로, 단순한 발전량 비교뿐 아니라 실제 에너지 수요와의 연계성을 함께 고려할 필요가 있다.

한편, 온실의 에너지 수요 역시 지역별 기후조건에 따라 크게 달라진다. 동일한 규모와 구조를 가지는 온실이라도 설치 지역의 외기온도, 일사량, 풍속 및 상대습도 조건에 따라 냉·난방부하 특성이 상이하게 나타날 수 있다(Liu et al., 2021). 우리나라는 남북으로 길게 분포한 지리적 특성과 다양한 지형적 조건으로 인해 지역별 기후 차이가 비교적 크게 나타난다. 일반적으로 북부 지역은 겨울철 난방부하가 높게 나타날 가능성이 있으며, 남부 지역은 상대적으로 낮은 난방부하를 보일 수 있다. 또한 해안 지역은 강풍과 해양성 기후의 영향을 받으며 내륙 지역은 일교차가 큰 특성을 나타낸다. 이러한 기후적 차이는 온실의 연간 에너지 소비량뿐만 아니라 에너지 설비의 용량 결정에도 직접적인 영향을 미친다(Vadiee and Martin, 2013). 따라서 지역 특성을 고려한 냉·난방부하 분석은 에너지 시스템의 경제성과 운영 효율성을 향상시키기 위한 필수 과정이라 할 수 있다. 특히 냉·난방부하는 재생에너지 설비의 규모 결정 및 에너지 저장장치의 용량 산정과도 밀접하게 연관되므로 정확한 부하 예측은 에너지 자립형 온실 설계의 기초자료로 활용될 수 있다.

온실의 냉·난방부하 및 열환경 특성을 분석하기 위해 다양한 에너지 해석 기법이 활용되고 있으며, 그중 TRNSYS(Transient System Simulation Tool)는 건물과 에너지 시스템의 동적 열거동을 분석하는 대표적인 시뮬레이션 프로그램으로 널리 사용되고 있다(Adesanya et al., 2022). TRNSYS는 시간에 따른 기상 변화와 설비 운전 조건을 고려하여 에너지 소비량을 예측할 수 있으며, 건물, 신재생에너지 시스템 및 열에너지 저장 시스템 등을 통합적으로 해석할 수 있다는 장점을 가진다. 또한 CONTAM과 연계할 경우 자연환기 및 공기유동 특성을 동시에 고려할 수 있어 실제 온실 내부 환경을 보다 정밀하게 모사할 수 있다(Shi et al., 2024; Dols and Polidoro, 2015). 이러한 특징으로 인해 TRNSYS는 온실 열환경 분석, 냉·난방부하 예측, 환기 성능 평가 및 재생에너지 시스템 적용성 분석 등에 활용되어 왔다. 그러나 TRNSYS를 이용한 온실 에너지 해석은 대부분 단일 실증온실 또는 특정 지역을 대상으로 수행되어 왔다. Adesanya et al.(2022)과 Rabiu et al.(2023)은 각각 단일 유리온실과 다연동 온실을 대상으로 모델을 구축·검증하였고, Ahamed et al.(2020)은 중국형 태양광 온실 1동의 난방수요를 모사하였으며, Lee et al.(2026)은 자연환기식 온실 1동의 동적 에너지 모델을 구축·검증하였다. 한편 Khaled et al.(2026)은 레바논의 기후대를 구분하여 온실 난방부하와 비제어 내부온도 프로파일을 통계적·수치적으로 모델링하였으나, 해당 연구는 난방부하에 국한되어 있어 재생에너지 공급 측면은 포함하지 않았다. 이처럼 동일한 모델을 다수 지역에 공통으로 적용하여 지역별 기후조건에 따른 냉·난방부하 변화를 비교한 사례는 여전히 제한적이다. 또한 재생에너지 생산량 평가 연구와 온실 에너지 소비 분석 연구가 독립적으로 수행되는 경우가 많아 에너지 수요와 공급 측면을 통합적으로 해석한 연구는 상대적으로 부족한 실정이다. 특히 국내의 다양한 기후조건을 대상으로 유리온실의 냉·난방부하와 재생에너지 생산 잠재력을 통합적으로 비교·분석하고, 지역별 온실 에너지 수요와 재생에너지 생산량의 관계를 정량적으로 평가한 연구는 미흡한 실정이다. 또한 동일한 재생에너지 시스템을 전국적으로 일률 적용하기보다는 지역별 기후조건과 에너지 수요 특성을 함께 고려하여 재생에너지원별 적용 가능성을 비교한 연구도 부족한 실정이다. 특히 해안 및 내륙 지역의 기후 특성과 재생에너지 자원 조건이 상이함에도 불구하고, 이를 종합적으로 고려하여 지역별 에너지원의 우선 검토 가능성을 제시한 연구는 제한적이다. 따라서 온실의 에너지 수요와 재생에너지 생산 잠재력을 통합적으로 분석하고, 지역별 시스템 도입을 위한 예비 검토 자료를 제시할 필요가 있다.

이에 본 연구에서는 국내 지역별 유리온실의 에너지 수요와 재생에너지 공급 잠재력을 통합적으로 평가하고자 하였다. 구체적인 연구 목적은 다음의 다섯 가지이다. (1) 고흥 스마트팜 혁신밸리의 실증온실을 기준 온실로 하여 TRNSYS-CONTAM 연동 모델을 구축·검증하고, 국내 18개 해안 및 내륙지역의 기상자료를 적용하여 유리온실의 냉·난방부하를 분석한다. (2) 지역별 태양열, 태양광 및 풍력에너지의 생산 특성을 계절 및 경사각 조건에 따라 비교한다. (3) 지역별 냉·난방부하와 재생에너지 생산량의 해안·내륙 간 차이 및 계절·경사각에 따른 차이를 통계적으로 검정하여 비교 결과의 유의성을 확인한다. (4) 온실 에너지 수요와 재생에너지 생산량의 관계를 연간 에너지수지를 기준으로 평가하고, 연간 난방부하에 대응하는 태양열 집열면적과 연간 총 냉·난방부하에 대응하는 태양광 및 풍력의 에너지 등가 규모를 산정한다. (5) 이상의 연간 에너지 수요·생산량 및 통계분석 결과를 종합하여 지역별 재생에너지원의 적용 가능성을 예비적으로 평가하고, 우선 검토할 수 있는 에너지원과 추가적인 평가가 필요한 지역을 제시한다.

Materials and Methods

실증 온실 및 데이터

본 연구에서는 국내 주요 해안 및 내륙지역의 유리온실 냉·난방부하를 산정하기 위해 스마트농업 기술의 실증 및 보급·확산 거점으로 운영되고 있는 전라남도 고흥군 도덕면 가야리에 위치한 전남 고흥 스마트팜 혁신밸리의 6번 실증온실을 연구대상 온실로 선정하였다. 실증온실의 위치와 내·외부 전경은 Fig. 1A에 나타내었다. 실증온실은 벤로형 유리온실 구조로, 길이 27 m, 폭 24 m, 측고 6.3 m, 동고 7.3 m 및 스팬 6개로 구성되어 있다. 온실의 지붕 및 측면은 유리로 피복되어 있으며, 내부에는 작물 생육환경 조절을 위한 천창, 차광스크린, 보온스크린 및 냉·난방 설비가 설치되어 있다. 본 연구에는 성격과 용도가 서로 다른 세 종류의 자료가 사용되었으며, 각 자료의 출처, 수집기간, 시간해상도, 수집항목 및 실제 사용목적은 Table 1에 정리하였다. 첫째, 모델 구축 및 검증을 위해 2025년 6월 1일부터 10월 31일까지 실증온실의 복합환경제어기와 연동된 센서를 통해 총 91개 항목의 환경·제어 데이터를 1분 간격으로 수집하였다. 이 중 외부 환경 자료에는 기온, 일사량, 풍향, 풍속 및 감우 여부가 포함되었고, 내부 환경 및 제어 자료에는 온도, 상대습도, CO₂ 농도, 천창 개도율 및 스크린 개도율 등이 포함되었다. 둘째, 동일 기간에 대하여 기상청 고흥 관측지점으로부터 지중온도, 기온, 풍속, 풍향, 상대습도 및 현지기압 자료를 1시간 간격으로 수집하였다. 셋째, 지역별 시뮬레이션을 위해 기상청으로부터 18개 지역의 2021년부터 2025년까지의 기상자료를 1시간 간격으로 수집하였다. 검증기간 시뮬레이션의 기상 입력값으로는 실증온실에서 직접 측정한 기온, 일사량, 풍향 및 풍속을 우선 적용하였으며, 현장에서 측정되지 않은 지중온도, 상대습도 및 현지기압은 기상청 고흥 관측지점 자료로 보완하였다. 즉, 동일한 변수가 두 자료에 중복되는 경우에는 실증온실 센서값을 모델 입력값으로 사용하고 기상청 자료는 현장 미측정 변수에 한하여 사용하였으므로, 두 자료를 수치적으로 병합하거나 상호 보정하는 과정은 수행하지 않았다. 시간해상도는 TRNSYS의 계산 시간간격인 1시간에 맞추어 통일하였으며, 1분 간격의 실증온실 자료는 매 정시를 기준으로 하는 1시간 산술평균값으로 집계하였다. 다만 천창 및 스크린 개도율과 같이 단계적으로 변화하는 제어변수는 해당 1시간 구간의 시간가중 평균 개도율로 환산하여 적용하였다. 수집 자료의 결측치는 선형보간법을 이용하여 보정하였으며, 실증온실의 내부 온도 자료는 모델 검증자료로, 그 외 자료는 모델 입력자료로 활용하였다. 검증된 온실 모델을 이용하여 지역 및 입지조건에 따른 냉·난방부하와 재생에너지 이용 가능성을 분석하기 위해 기상청으로부터 2021년부터 2025년까지의 지역별 기상자료를 수집하였다. 대상 지역은 전라도의 광주, 전주, 고흥, 여수 및 목포, 경상도의 대구, 부산 및 포항, 충청도의 대전, 청주, 보령 및 서산, 강원도의 원주, 춘천, 강릉 및 속초, 경기도의 수원 및 인천으로 선정하였다. 이 중 광주, 전주, 대구, 대전, 청주, 원주, 춘천 및 수원은 내륙지역으로, 고흥, 여수, 목포, 부산, 포항, 보령, 서산, 강릉, 속초 및 인천은 해안지역으로 구분하였다. 지역별 기상데이터 수집 대상지의 위치는 Fig. 1B에 나타내었다. 다만, 고흥, 보령 및 속초는 2021년부터 2024년까지의 일사량 자료를 확보하지 못하여 2025년 자료만을 이용하였다. 이들 3개 지역은 나머지 15개 지역과 자료기간이 동일하지 않으므로, 특정 1개년의 기상 특성이 지역별 순위와 해안·내륙 평균에 미치는 영향을 확인하기 위하여 본 연구에서는 (1) 18개 지역 전체를 2021–2025년 평균값으로 비교한 결과, (2) 자료기간이 동일한 15개 지역만을 대상으로 비교한 결과, (3) 18개 지역 전체를 2025년 단일연도 기준으로 비교한 결과를 각각 산정하여 세 경우의 결론이 일치하는지를 검토하였다. 또한 해당 3개 지역의 값은 Tables 6, 7, 8, 9에 자료연도를 함께 표기하여 다른 지역과 구분하였다. 각 지역에서 수집한 기상자료를 온실 모델과 재생에너지 모델의 입력자료로 적용하여 지역별 기후조건에 따른 시간별 냉·난방부하, 최대 시간당 냉·난방부하, 연간 누적 냉·난방부하, 태양열 집열량 및 태양광·풍력 발전량을 산정하였다.

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F1.jpg

Fig. 1.

Location of the experimental greenhouse and study regions used for the regional heating and cooling load analysis. (A) experimental site and interior view of the greenhouse in Gaya-ri, Goheung-gun, Jeollanam-do, Republic of Korea, and (B) locations selected for regional weather data collection and simulation.

온실 모델

온실 모델은 열전달 해석과 공기흐름 해석을 연동하기 위해 Fig. 2와 같이 TRNSYS-CONTAM 연동 방식을 적용하여 구축하였다. TRNSYS(Transient system simulation tool, Ver. 18, USA)는 비정상 상태에서 건물 및 에너지 시스템의 열적 거동을 시간에 따라 계산하는 동적 시뮬레이션 프로그램이다. 본 연구에서는 TRNBuild에서 작성한 Type56 multizone building 컴포넌트를 이용하여 온실 내부 공간을 열적 구역으로 정의하고, 온실 피복재 및 구조재를 통한 열전달, 일사량, 지중 열전달, 환기 및 냉난방부하를 계산하였다. 온실 모델에 적용한 벽체, 바닥 및 피복재의 물성치는 Adesanya et al.(2022)을 참고하여 설정하였으며, 세부적인 열적, 광학적 물성치는 Table 2에 나타내었다. CONTAM(Ver. 3.4.0.0, USA)은 미국 국립표준기술연구소(NIST, National institute of standards and technology) 에서 개발한 다중구역 공기흐름 및 오염물질 이동 해석 프로그램이다. 본 연구에서는 CONTAM을 이용하여 온실 내부와 외부 환경 사이의 공기흐름 경로를 정의하고, 실내외 압력차, 공기의 밀도차, 풍압, 환기창의 개구 면적 및 유량 특성에 따른 자연환기량을 산정하였다. CONTAM에서 온실 내부 구역 $i$ 와 외부 환경 $j$ 사이의 공기유량은 압력차에 대한 멱함수로 식 (1)과 같이 계산하였다(Shi et al., 2024).

(1)

F_{i j} = C_{i j} {|∆ P_{i j}|}^{n_{i j}} = C_{i j} {|P_{i} - P_{j} + P_{S, i j} + P_{W, i j}|}^{n_{i j}}

여기서 $F_{i j}$ 는 구역 $i$ 와 $j$ 사이의 공기유량(m³/s), $C_{i j}$ 는 공기흐름 경로의 유량계수[m³/(s·Paⁿ )], $n_{i j}$ 는 유동지수, $∆ P_{i j}$ 는 공기흐름 경로 양단의 압력차(Pa), $P_{i}$ 와 $P_{j}$ 는 각각 구역 $i$ 와 $j$ 의 압력(Pa), $P_{S, i j}$ 는 공기의 밀도와 고도 차이에 의해 발생하는 압력차(Pa), $P_{W, i j}$ 는 풍압에 의해 발생하는 압력차(Pa)를 의미한다. 본 연구에서 구역 $i$ 는 온실 내부를, 구역 $j$ 는 외부 환경을 나타내며, 환기창 개도율에 따라 공기흐름 경로의 유효 개구면적이 변화하도록 설정하였다.

TRNSYS의 Type56은 구역 열수지법을 이용하여 온실 내부의 열적 거동을 계산하였다(Shi et al., 2024). 온실 내부 공기노드 $i$ 의 열수지는 식 (2)와 같이 나타낸다.

(2)

Q_{i} = Q_{s u f, i} + Q_{i n f, i} + Q_{v e n t, i} + Q_{g, c, i} + Q_{c p l g, i} + Q_{s o l a r, i} + Q_{i s h c c i, i}

여기서 $Q_{i}$ 는 온실 내부 공기노드 $i$ 의 총 대류 열취득량(W), $Q_{s u f, i}$ 는 온실 내부 표면과 공기 사이의 대류 열전달량(W), $Q_{i n f, i}$ 는 외기 침기에 따른 열전달량(W), $Q_{v e n t, i}$ 는 환기에 따른 열전달량(W), $Q_{g, c,, i}$ 는 작물, 설비 및 기타 내부 열원에서 발생하는 대류 열취득량(W), $Q_{c p l g, i}$ 는 인접 구역 또는 경계조건과의 결합에 의한 열전달량(W), $Q_{s o l a r, i}$ 는 온실 피복재를 투과한 일사 중 내부 공기로 전달되는 대류 열취득량(W), $Q_{i s h c c i, i}$ 는 내부 스크린에 흡수된 일사 중 공기로 전달되는 대류 열취득량(W)을 의미한다. 다만 본 연구에서는 작물의 현열 및 잠열 교환을 모사하는 별도의 작물 모델을 적용하지 않았으며, 식 (2)의 $Q_{g, c, i}$ 에 해당하는 작물 및 내부 열원에 의한 열취득은 모델에서 배제하였다. 이는 검증기간 중 재배작물의 생육단계별 엽면적지수(LAI), 기공저항 및 증산에 따른 잠열교환을 정량화할 수 있는 실측자료를 확보하지 못하였고, 내부 설비의 발열량 또한 별도로 계측되지 않았기 때문이다. Adesanya et al.(2024)은 동일 계열의 TRNSYS 온실 모델에 작물 모델을 추가할 경우 총 난방부하가 14.5 MWh 감소하고 냉방부하는 4 MWh 증가한다고 보고한 바 있다. 이를 고려하면 본 연구의 결과는 난방부하를 다소 과대평가하고 냉방부하를 다소 과소평가하였을 가능성이 있으며, 이는 모델의 한계에 해당한다. 다만 동일한 모델과 동일한 가정을 18개 지역에 공통으로 적용하였으므로, 지역 간 상대 비교에 미치는 영향은 제한적일 것으로 판단된다.

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F2.jpg

Fig. 2.

Development and validation procedure of a greenhouse thermal environment model using TRNSYS-CONTAM coupling.

Table 1

Summary of the datasets used in this study, including their source, collection period, temporal resolution, measured variables and use in the analysis.

Dataset	Source	Period	Temporal resolution	Main variables	Use in this study
(1) Experimental greenhouse – indoor environment and control	Sensors linked to the integrated environment controller of Greenhouse No. 6, Goheung Smart Farm Innovation Valley	1 Jun – 31 Oct 2025	1 min (aggregated to 1 h)	Indoor air temperature, relative humidity, CO₂ concentration, roof-vent opening ratio, screen opening ratio (91 items in total)	Indoor air temperature: model validation Opening ratios: specification of the vent and screen control logic (Table 3)
(2) Experimental greenhouse – outdoor environment	On-site weather sensors of the same controller	1 Jun – 31 Oct 2025	1 min (aggregated to 1 h)	Air temperature, solar radiation, wind direction, wind speed, rainfall detection	Primary weather boundary condition for the validation simulation
(3) KMA ASOS – Goheung station	Korea Meteorological Administration (KMA)	1 Jun – 31 Oct 2025	1 h	Ground temperature, air temperature, wind speed, wind direction, relative humidity, station pressure	Supplementary input for variables not measured on site (ground temperature, relative humidity, station pressure)
(4) KMA ASOS – 18 regions	Korea Meteorological Administration (KMA)	2021–2025 (2025 only for Goheung, Boryeong and Sokcho)	1 h	Air temperature, relative humidity, solar radiation, wind speed, wind direction, station pressure, ground temperature	Regional simulation of greenhouse heating and cooling loads and of solar thermal, PV and wind energy production

Table 2

Thermal and optical properties of the structural, ground, and covering components used in the greenhouse model (Adesanya et al., 2022).

Greenhouse component	Thermal conductivity [W/m·K]		Thermal capacity [J/kg·K]			Density [kg/m³]			Thickness [m]
Ground (soil)	0.2694		750			2,900			0.1
Structure (steel)	15		1,800			7,800			0.05
Greenhouse component	u-value [W/m²·K]	g-value		Solar transmittance	Solar reflectance		Visible light transmittance	Visible light reflectance		Thickness [m]
Covering (glass)	5.75	0.902		0.896	0.08		0.907	0.08		0.004

구체적인 모델 구축 과정은 다음과 같다. 먼저 CONTAM에서 온실의 형상, 경계조건, 공기흐름 경로 및 관련 매개변수를 정의하여 공기흐름 모델을 생성하였다. 이후 CONTAM 3D Exporter를 이용하여 CONTAM 모델 정보를 TRNSYS에서 활용 가능한 형식으로 변환하였으며, 변환된 파일을 TRNSYS, TRNBuild 및 SketchUp으로 가져와 온실 모델 구축에 활용하였다. SketchUp에서는 CONTAM에서 작성된 형상을 기반으로 온실의 지붕 및 측벽 형상을 수정 및 보완하였고, 이를 TRNBuild에 입력하여 열전달 해석 모델을 구성하였다. TRNBuild에서는 온실 피복재 및 구조재의 물성치를 설정하고, 냉난방, 환기 및 공조 시스템의 구성요소와 작동 매개변수를 정의하였다. 최종적으로 TRNSYS에서는 외기온도, 상대습도, 일사량, 풍속 및 풍향 등의 기상데이터, CONTAM 공기흐름 모델, 온실 열전달 해석 모델, 환기창 및 스크린 제어 조건을 연동하여 시뮬레이션을 수행하였다. 환기창의 개도율은 온실 내부 온도와 풍향조건에 따라, 스크린의 개폐는 일사량과 온실 내부 온도를 기준으로 제어하였다. 본 연구는 동일한 제어조건을 18개 지역에 공통으로 적용하므로 제어논리는 냉·난방부하 산정 결과에 직접적인 영향을 미치는 핵심 입력값에 해당한다. 이에 재현성을 확보할 수 있도록 Fig. 2에 흐름도로 제시한 환기 및 스크린 제어 알고리즘을 제어변수, 작동조건 및 개도율 산정식의 형태로 Table 3에 정리하여 제시하였다.

구축된 온실 모델의 정확도를 평가하기 위해 2025년 6월 1일부터 10월 31일까지 실제 온실에서 측정한 내부 온도와 동일한 기간에 대해 시뮬레이션으로 산정한 내부 온도를 비교하였다. 검증에는 NSE(Nash–Sutcliffe efficiency coefficient), R²(coefficient of determination) 및 MAPE(mean absolute percentage error)를 이용하였으며, 각각 식 (3), (4) 및 (5)에 따라 산정하였다. 측정값과 시뮬레이션값의 비교를 통해 온실 내부 온도에 대한 모델의 정확도를 평가하였다. 다만 본 연구의 검증은 실증온실에서 확보 가능한 내부 온도 자료를 대상으로 수행하였으며, 검증기간이 6-10월로 한정되어 동절기 내부 온도가 포함되지 않았고, 난방에너지 실측자료를 이용한 부하 검증도 포함하지 않았다. 이에 따른 해석상의 한계와 결과의 적용 범위는 Results and Discussion의 ‘온실 모델 검증’에 상세히 기술하였다.

(3)

N S E = 1 - \frac{\sum_{i = 1}^{n} {(T_{o b s, i} - T_{s i m, i})}^{2}}{\sum_{i = 1}^{n} {(T_{o b s} - {\bar{T}}_{o b s})}^{2}}

(4)

R^{2} = \frac{{[\sum_{i = 1}^{n} (T_{o b s, i} - {\bar{T}}_{o b s}) (T_{s i m, i} - {\bar{T}}_{s i m})]}^{2}}{\sum_{i = 1}^{n} {(T_{o b s, i} - {\bar{T}}_{o b s})}^{2} \sum_{i = 1}^{n} {(T_{s i m, i} - {\bar{T}}_{s i m})}^{2}}

(5)

M A P E (%) = \frac{100}{n} \sum_{i = 1}^{n} |\frac{T_{o b s, i} - T_{s i m, i}}{T_{o b s, i}}|

여기서 $T_{o b s, i}$ 는 $i$ 번째 시점의 온실 내부 측정온도, $T_{s i m, i}$ 는 $i$ 번째 시점의 시뮬레이션 온도, ${\bar{T}}_{o b s}$ 와 ${\bar{T}}_{s i m}$ 은 각각 측정온도와 시뮬레이션 온도의 평균값이며, $n$ 은 전체 비교자료의 수를 의미한다. 식 (3)과 식 (4)에서 NSE와 R²가 1에 가까울수록 모델의 예측 성능과 측정값과의 일치도가 높음을 의미한다. 식 (5)에서 MAPE는 값이 작을수록 시뮬레이션의 상대적인 예측오차가 작은 것을 의미한다.

온실 모델 검증을 완료한 후, 검증된 TRNSYS-CONTAM 연동 모델에 2021년부터 2025년까지의 지역별 기상자료를 적용하여 온실의 냉·난방부하를 산정하였다. 온실의 난방 및 냉방 설정온도는 토마토의 생육에 적합한 온도를 기준으로 각각 15.5℃와 29.5℃로 설정하였다(RDA, 2020). 온실 내부 온도가 난방 설정온도보다 낮아지는 경우 설정온도를 유지하는데 필요한 열량을 난방부하로 산정하였으며, 냉방 설정온도보다 높아지는 경우에는 설정온도를 유지하기 위해 제거해야 하는 열량을 냉방부하로 산정하였다. 산정된 결과를 바탕으로 지역별 시간당 냉·난방부하, 최대 시간당 냉·난방부하 및 연간 누적 냉·난방부하를 분석하였으며, 고흥, 보령 및 속초를 제외한 15개 지역은 2021–2025년의 5개 연도 값을 이용하여 연도 간 평균과 표준편차를 함께 산정하였다.

재생에너지 시뮬레이션 모델

수집된 기상자료를 바탕으로 태양열, 태양광 및 풍력에너지 생산량 예측 모델을 구축하였으며, 각 재생에너지 시스템의 성능 평가는 TRNSYS를 이용하여 수행하였다. 구축된 재생에너지 시스템 모델의 구성은 Fig. 3에 나타내었으며, 각 모델에 적용된 태양열 집열기(Type1b), 순환펌프(Type114), 풍력터빈(Type90) 및 태양광 모듈(Type103b)의 주요 입력 매개변수와 성능계수는 Table 4에 제시하였다.

Fig. 3A는 집열판 경사각에 따른 태양열에너지 수집량을 분석하기 위해 구축한 TRNSYS 시뮬레이션 모델을 나타내었다. Type9c를 이용하여 각 지역의 기상자료를 입력하였으며, Type16c에서는 지역별 위도와 태양 위치 정보를 기반으로 집열면에 입사하는 일사량을 계산하도록 설정하였다. Type1b는 태양열 집열기를 나타내며, 집열판 경사각을 0, 15, 30, 45, 60, 75 및 90°로 설정하여 경사각 변화에 따른 태양열에너지 생산 특성을 비교하였다. Unit으로 명명한 Equation 컴포넌트에서는 각 TRNSYS 컴포넌트에서 요구하는 입력 단위에 맞도록 기상자료의 단위를 변환하였다. Ctrl로 명명한 Equation 컴포넌트에서는 일사량이 0보다 큰 경우 Type114 순환펌프가 작동하도록 제어신호를 생성하였다. 이후 Type1b에서 산정된 집열에너지를 Type24에 입력하여 각 경사각 조건에서의 태양열에너지 총 수집량을 적산하였다. Fig. 3B는 태양광에너지 생산량을 분석하기 위해 구축한 TRNSYS 시뮬레이션 모델을 나타내었다. 기상자료 입력 및 경사면 일사량 산정 과정은 Fig. 3A와 동일하게 구성하였다. Type103b는 태양광 패널을 나타내며, 패널 경사각을 0, 15, 30, 45, 60, 75 및 90°로 설정하여 경사각 변화에 따른 태양광에너지 생산 특성을 비교하였다. 또한 지역별 기상조건과 경사면 일사량을 반영하여 태양광 패널의 발전량을 산정하였으며, 산출된 발전량을 적산하여 각 경사각 조건에서의 태양광에너지 총 생산량을 도출하였다.

Fig. 3C는 풍력에너지 생산량을 분석하기 위해 구축한 TRNSYS 시뮬레이션 모델을 나타내었다. Type9c를 이용하여 지역별 기상자료를 입력하였으며, 풍속, 기온 및 기압 정보를 활용하여 풍력발전기의 출력을 산정하였다. 또한 기압 데이터는 모델에서 요구하는 단위로 변환하여 적용하였다. 이후 Type90에서 산출된 발전량을 Type24에 입력하여 각 지역의 풍력에너지 총 생산량을 적산하였다.

구축된 TRNSYS 시뮬레이션 모델을 이용하여 지역별 기상조건에 따른 태양열에너지 수집 특성과 태양광 및 풍력에너지 생산 특성을 분석하였다.

Table 3

Control algorithms applied to the roof vents and the shading screen in the TRNSYS–CONTAM model, corresponding to the flow charts given in Fig. 2. The same control logic was applied to all 18 regions.

Component	Control variable	Condition	Control equation / opening rate	Remarks
Roof vent	Indoor air temperature (T_in, ℃)	T_in ≤ 25	Roof window opening rate = 0 Left vent = Right vent = 0	Vents kept closed
Roof vent	Indoor air temperature	T_in ＞ 25	Roof window opening rate = MIN(MAX((T_in − 25)/5 × 80, 0), 80) [%]	Proportional control; fully open (80%) at T_in = 30℃
Roof vent	Wind direction (WD, °)	T_in ＞ 25 and WD ＜ 170	Left vent = TOP_HIGH × 0.01 Right vent = TOP_LOW × 0.01	TOP_HIGH = roof window opening rate TOP_LOW = MAX (roof window opening rate − 20, 0)
Roof vent	Wind direction	T_in ＞ 25 and WD ≥ 170	Left vent = TOP_LOW × 0.01 Right vent = TOP_HIGH × 0.01	Leeward vent opened preferentially
Shading screen	Solar radiation (I, W/m²) Indoor air temperature	I ≤ 400 or T_in ≤ 30	Screen opening rate = 0	Screen not deployed
Shading screen	Solar radiation Indoor air temperature	I ＞ 400 and T_in ＞ 30	Solar = MIN(MAX((I − 400)/300, 0), 1) Temperature = MIN(MAX((T_in − 30)/3, 0), 1) Shade = Solar × Temperature Screen opening rate = MAX(0, 1 − (100 − 80 × Shade) × 0.01)	Deployment determined by the product of the radiation and temperature indices
Heating	Indoor air temperature	T_in ＜ 15.5	Heating operated (setpoint 15.5℃)	Setpoint for tomato (RDA, 2020)
Cooling	Indoor air temperature	T_in ＞ 29.5	Cooling operated (setpoint 29.5℃)	Setpoint for tomato (RDA, 2020)

Table 4

Input parameters and performance coefficients of TRNSYS components used in the simulation.

Type	Parameter	Value
Type1b (Solar Collector)	Collector area	1 [m²]
	Fluid specific heat	4.190 [kJ/kg·K]
	Tested flow rate	40.0 [kg/h·m²]
	Intercept efficiency	0.80
	Efficiency slope	13.0 [kJ/h·m²·K]
	Efficiency curvature	0.05 [kJ/h·m²·K²]
Type114 (Circulation Pump)	Rated flow rate	100 [kg/hr]
Type114 (Circulation Pump)	Fluid specific heat	4.19 [kJ/kg·K]
Type90 (Wind Turbine)	Data collection height	30 [m]
	Hub height	46 [m]
	Turbine power loss	15 [%]
	Rated output	2 [MW]
	Rated wind speed	15 [m/s]
Type103b (Solar Modules)	Module short-circuit current	6.5 [A]
	Module open-circuit voltage	21.6 [V]
	Reference cell temperature	25 [°C]
	Reference irradiance	1000 [W/m²]
	Module voltage at maximum power point	17 [V]
	Module current at maximum power point	5.9 [A]
	Temperature coefficient of I_SC	0.02 [A/K]
	Temperature coefficient of V_OC	-0.079 [V/K]
	Module area	1 [m²]

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F3.jpg

Fig. 3.

Renewable energy modules and energy collection using TRNSYS. (A) Solar thermal energy, (B) Solar photovoltaic energy, (C) Wind energy.

온실 에너지 수요와 재생에너지 공급량 비교

지역별 온실 에너지 수요와 재생에너지 공급량의 관계를 평가하기 위해 온실 모델에서 산정한 연평균 누적 냉·난방부하와 태양열, 태양광 및 풍력 에너지의 연간 생산량을 비교하였다. 태양열과 태양광은 앞서 수행한 경사각별 분석 결과를 바탕으로 각 지역에서 연간 에너지 생산량이 가장 높게 나타난 경사각의 값을 적용하였다. 태양열은 집열 면적 1 m² 기준의 연간 집열량을 이용하였으며, 태양광은 모듈 면적 1 m² 및 100 W 정격출력 기준의 연간 발전량을 이용하였다. 풍력은 Type90에 설정된 정격출력 2 MW 풍력터빈의 연간 발전량을 태양광과 동일한 정격출력 기준에서 비교할 수 있도록 2 MW 기준 풍력에너지 생산량을 20,000으로 나누어 100 W 기준으로 환산하였다. 태양열은 생산된 열에너지를 온실 난방에 직접 이용할 수 있다는 특성을 고려하여 지역별 연평균 누적 난방부하와 비교하였다. 연간 난방부하와 동일한 열에너지를 생산하기 위한 태양열 집열 면적은 식 (6)과 같이 산정하였다.

(6)

A_{S T} = \frac{Q_{H}}{E_{S T}}

여기서 $A_{S T}$ 는 연간 난방부하에 해당하는 태양열 집열 면적(m²), $Q_{H}$ 는 지역별 연평균 누적 난방부하(MJ), $E_{S T}$ 는 집열 면적 1 m²에서 생산되는 연간 태양열 에너지(MJ/m²)를 의미한다.

태양광과 풍력은 전기에너지를 생산하므로 온실의 열적 냉·난방부하를 직접적으로 충족하는 설비용량으로 산정하지 않고, 지역별 에너지 수요와 재생에너지 생산량의 상대적인 규모를 비교하기 위한 연간 에너지수지 기반의 에너지 등가 규모를 산정하였다. 이를 위해 지역별 연평균 누적 난방부하와 냉방부하의 합을 연간 총 냉·난방부하로 정의하였다. 태양광의 경우 연간 총 냉·난방부하와 동일한 에너지량을 생산하기 위한 에너지 등가 면적을 식 (7)과 같이 산정하였다.

(7)

A_{P V} = \frac{Q_{T}}{E_{P V}}

여기서 $A_{P V}$ 는 태양광의 에너지 등가 면적(m²), $Q_{T}$ 는 연간 총 냉·난방부하(MJ), $E_{P V}$ 는 1 m² 태양광 모듈의 연간 발전량(MJ/m²)을 의미한다. 태양광 모듈의 정격출력이 100 W/m²이므로, 에너지 등가 정격용량은 식 (8)과 같이 산정하였다.

(8)

P_{P V} = A_{P V} \times 0.1

여기서 $P_{P V}$ 는 태양광의 에너지 등가 정격용량(kW)을 의미한다.

풍력의 경우 100 W 정격출력 기준의 연간 발전량을 이용하여 연간 총 냉·난방부하와 동일한 에너지량을 생산하기 위한 에너지 등가 정격용량을 식 (9)와 같이 산정하였다.

(9)

P_{W} = \frac{Q_{T}}{E_{W, 100 W}} \times 0.1

여기서 $P_{W}$ 는 풍력 에너지 등가 정격용량(kW)을 의미한다.

지역별 온실 에너지 수요와 재생에너지 생산량의 상대적 규모를 비교하기 위해 연간 에너지수지를 기반으로 수행하였으며, 이를 지역별 에너지 수요에 대응하는 재생에너지의 등가 규모를 산정하는 데 활용하였다.

통계 분석

지역별 및 계절별 결과의 신뢰성을 확보하기 위해 자료기간이 동일한 15개 지역에 대해서는 2021-2025년 연도별 값의 평균과 표본표준편차(SD) 및 변동계수(CV)를 산정하였으며, 자료기간이 1개년인 고흥, 보령 및 속초는 해당 연도의 값을 표기하고 표준편차는 제시하지 않았다. 해안지역과 내륙지역 간 차이는 지역평균값을 관측치로 하여 Welch의 t-검정과 Mann–Whitney U 검정을 병행 적용하였고, 효과크기는 Hedges' g로 산정하였다. 지역 간 편차가 수 배에 이르는 풍력 발전량은 로그변환 후 t-검정을 적용하였다. 경사각(7수준) 및 계절(4수준)에 따른 차이는 지역을 블록으로 하는 Friedman 검정으로 평가하였으며, 계절 간 쌍별 비교에는 Wilcoxon 부호순위 검정을 이용하였다. 모든 검정의 유의수준은 0.05로 설정하였으며, 통계분석은 Python 3.12의 SciPy 1.17 라이브러리를 이용하여 수행하였다. 자료기간이 동일하지 않은 3개 지역의 영향을 확인하기 위해 (1) 18개 지역 전체(2021-2025년 평균), (2) 자료기간이 동일한 15개 지역, (3) 18개 지역 전체(2025년 단일연도)의 세 가지 조건에 대해 동일한 검정을 반복 수행하고 결론의 일관성을 확인하였다.

Results and Discussion

온실 모델 검증

2025년 6월 1일부터 10월 31일까지 측정한 온실 내부 온도와 시뮬레이션으로 산정한 내부 온도를 비교한 결과를 Fig. 4에 나타내었다. 시뮬레이션값은 외기온도와 일사량 변화에 따른 온실 내부의 일중 온도변화를 측정값과 유사하게 재현하여, TRNSYS-CONTAM 연동 모델이 온실의 동적 열환경을 적절히 모사하였다. 월별 정확도 평가 결과는 Table 5에 제시되었으며, NSE는 0.874-0.913, R²는 0.895-0.944, MAPE는 3.474-5.499%의 범위로 나타났으며, 전체 월평균은 각각 0.892, 0.913 및 4.531%였다. Adesanya et al.(2022)은 TRNSYS 기반 유리온실 모델에서 모든 온도 구역의 NSE가 0.7을 초과하여 내부 온도를 정확하게 예측하였다고 보고하였다. 다만 해당 연구의 대상 온실은 스크린으로 구획된 다연동 유리온실로 본 연구의 벤로형 단일 열구역 온실과 구조 및 구획 조건이 상이하므로, NSE 값의 절대적인 크기만을 근거로 본 연구 모델의 예측 성능이 더 우수하다고 해석하기는 어렵다. 따라서 본 연구에서는 선행연구의 결과를 참고기준으로만 활용하고, 모델의 예측 성능은 월별 지표의 변화 양상을 통해 평가하였다. 월별로 살펴보면 NSE와 R²는 환기창 개도와 일사 변동이 큰 7-8월(NSE 0.875 및 0.874, R² 0.901 및 0.895)에 상대적으로 낮았고, 외기온도가 완만하게 하강하며 환기 빈도가 감소하는 9-10월(NSE 0.907 및 0.913, R² 0.923 및 0.944)에 높아지는 경향을 나타냈다. 즉 내부 온도 예측의 난이도가 상대적으로 높은 여름철에도 NSE가 0.87 이상으로 유지되었고 예측이 비교적 용이한 가을철에는 0.91 이상으로 향상되어, 계절에 따른 예측 난이도의 차이에도 불구하고 모델이 안정적인 정확도를 유지한 것으로 판단된다.

일부 온도 상승 구간에서 측정값과 시뮬레이션값의 차이가 나타났는데, 이는 실제 온실의 국부적인 일사 유입, 센서 위치에 따른 공간적 온도 편차, 환기창 및 스크린의 실제 작동 상태와 모델 제어조건 간의 차이에 기인한 것으로 판단된다. Moriasi et al.(2015)은 모델 성능평가 시 시계열 그래프와 복수의 통계지표를 함께 활용할 것을 권장하였으며, 일반적인 참고기준으로 NSE가 0.80을 초과하고 R²가 0.85를 초과하면 모델 성능을 매우 우수한 수준으로 평가하였다. 본 연구에서는 모든 월의 NSE와 R²가 해당 기준을 초과하였고 MAPE도 5.5% 이하로 나타나, 구축된 TRNSYS-CONTAM 연동 모델이 온실 내부 온도의 변화 경향과 크기를 높은 정확도로 모사한 것으로 판단되었다. 다만 해당 기준은 수문 및 수질모델을 대상으로 제시된 것이므로 온실 모델의 절대적인 판정기준이 아닌 참고기준으로 활용하였으며, 검증된 모델은 이후 지역별 기상조건에 따른 온실 냉·난방부하 분석에 적용하였다.

다만 본 연구의 모델 검증에는 다음과 같은 한계가 존재하므로 결과 해석 시 이를 함께 고려할 필요가 있다. 첫째, 검증기간이 2025년 6월 1일부터 10월 31일까지로 한정되어 있어 연간 누적 난방부하의 약 67.5–74.9%가 발생하는 12-2월의 내부 온도가 검증자료에 포함되지 않았다. 따라서 본 연구에서 직접적으로 검증된 범위는 냉방기 및 환절기(6-10월)의 내부 열환경 모사 성능이며, 동절기 난방부하 산정 결과는 해당 기간에 대하여 독립적으로 검증되지 않았다. 둘째, 검증 대상은 측정 내부 온도와 시뮬레이션 내부 온도의 일치도인 반면, 본 연구에서 실제로 활용하는 핵심 산출값은 시간당·계절별·연간 냉·난방부하이다. 내부 온도를 정확하게 모사하는 것과 냉·난방에너지 요구량을 정확하게 산정하는 것은 동일한 검증이 아니며, Adesanya et al.(2022) 또한 내부 온도(NSE ＞ 0.7)와 난방수요(NSE ＞ 0.8)를 각각 별도로 검증한 바 있다. 본 연구에서는 실증온실의 난방에너지 사용량 실측자료를 확보하지 못하여 부하에 대한 직접 검증을 수행하지 못하였다. 이에 따라 본 연구에서 제시하는 냉·난방부하는 절대적인 에너지 수요량으로 해석하기보다, 동일한 온실 사양·동일한 제어조건·동일한 모델을 18개 지역에 공통으로 적용하여 얻은 지역 간 및 계절 간 상대 비교값으로 해석하는 것이 타당하다. 특히 동절기 난방부하와 이를 기반으로 산정한 태양열 집열면적 및 재생에너지 등가 규모는 지역 간 상대적 규모를 비교하기 위한 지표로 활용하였으며, 절대값의 정확도에 대해서는 향후 동절기 내부 온도 및 난방에너지 실측자료를 이용한 추가 검증이 필요하다.

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F4.jpg

Fig. 4.

Comparison of measured and simulated greenhouse indoor temperatures from June 1 to October 31, 2025.

Table 5

Monthly accuracy evaluation results of the greenhouse model for indoor air temperature (1 June–31 October 2025).

Month	NSE	R²	MAPE (%)
6	0.892	0.901	4.835
7	0.875	0.901	4.311
8	0.874	0.895	4.535
9	0.907	0.923	3.474
10	0.913	0.944	5.499

온실 냉난방 부하 산정

검증된 TRNSYS-CONTAM 연동 모델에 2021년부터 2025년까지의 지역별 기상자료를 적용하여 유리온실의 냉·난방부하를 산정하였다. 난방 및 냉방 설정온도는 각각 15.5℃와 29.5℃로 설정하였으며, 지역별·계절별 평균 연간 누적 난방부하는 Fig. 5A, 냉방부하는 Fig. 5B에, 연도별·계절별 누적부하와 최대 시간당 부하는 Table 6에 나타내었다. 지역별 연간 누적 난방부하는 323,331-631,811 MJ의 범위로 나타났다. 춘천이 631,811 MJ로 가장 높았으며, 원주 553,268 MJ, 수원 549,851 MJ 및 서산 543,130 MJ 순으로 높게 나타났다. 반면 부산은 323,331 MJ로 가장 낮았으며, 여수 352,829 MJ, 포항 383,393 MJ 및 고흥 389,330 MJ도 비교적 낮은 값을 보였다. 계절별로는 모든 지역에서 겨울철 난방부하가 가장 큰 비중을 차지하였다. 겨울철 평균 누적 난방 부하는 242,310-439,198 MJ로 연간 누적 난방부하의 약 67.5-74.9%를 차지하였으며, 봄철과 가을철 난방 부하는 각각 55,050-107,799 MJ과 25,971-84,742 MJ의 범위로 나타났다. 여름철 난방부하는 대부분의 지역에서 발생하지 않거나 매우 작게 나타났다. 이러한 결과는 상대적으로 기온이 낮은 중부 및 내륙지역에서 겨울철 온실 내부의 난방 설정온도를 유지하기 위해 더 많은 열에너지가 필요하기 때문으로 판단된다. 자료기간이 동일한 15개 지역에서 연간 누적 난방부하의 연도 간 표준편차는 16,150-38,048 MJ, 변동계수는 4.1-6.9%(평균 5.2%)로 나타나, 연도 간 기상 변동에 따른 난방부하의 변화 폭은 지역 간 차이(최대 약 2.0배)에 비해 작은 수준이었다.

지역별 평균 연간 누적 냉방부하는 210,740-287,762 MJ의 범위로 나타났다. 청주가 287,762 MJ로 가장 높았으며, 대구 281,549 MJ, 광주 270,358 MJ 및 고흥 270,091 MJ 순으로 높게 나타났다. 반면 인천은 210,740 MJ로 가장 낮았으며, 속초 217,859 MJ 및 수원 225,157 MJ도 비교적 낮은 냉방부하를 보였다. 계절별로는 여름철 냉방부하는 150,220-200,687 MJ로 연간 누적 냉방부하의 약 64.2-77.7%를 차지하여 가장 높게 나타났다. 봄철과 가을철 냉방부하는 각각 22,184-51,265 MJ과 28,715-53,041 MJ의 범위였으며, 겨울철 냉방부하는 대부분 발생하지 않았다. 모든 지역에서 평균 연간 누적 난방부하가 냉방부하보다 높게 나타나, 본 연구에서 설정한 온실 운전조건에서는 연간 에너지 수요가 냉방보다 난방에 더 크게 영향을 받는 것으로 분석되었다. 한편 연간 누적 냉방부하의 연도 간 표준편차는 22,124-43,572 MJ, 변동계수는 9.6-17.7%(평균 13.1%)로 난방부하보다 약 2.5배 큰 연도 간 변동성을 나타냈다. 이는 냉방부하가 여름철 고온·고일사 시간대에 집중적으로 발생하여 특정 연도의 폭염 발생 빈도에 민감하게 반응하기 때문으로 판단되며, 냉방설비 용량 산정 시 단일 연도 자료보다 복수 연도 자료를 이용한 평가가 필요함을 시사한다.

Fig. 5에 제시된 지역별 평균값을 Materials and Methods에서 구분한 해안지역(10개)과 내륙지역(8개)으로 나누어 비교하고, 그 결과를 Fig. 8A–C 및 Table 10에 함께 제시하였다. 내륙지역의 평균 연간 누적 난방부하는 503,064 ± 74,542 MJ로 해안지역의 432,477 ± 71,231 MJ보다 약 16.3% 높았고, 평균 연간 누적 냉방부하는 내륙지역이 254,248 ± 23,435 MJ로 해안지역의 241,678 ± 20,150 MJ보다 약 5.2% 높았으며, 연간 총 냉·난방부하는 내륙지역이 757,312 ± 58,975 MJ로 해안지역의 674,155 ± 60,566 MJ보다 약 12.3% 높았다. 지역평균의 단순 비교를 넘어 집단 간 차이의 유의성을 확인하기 위해 Welch의 t-검정과 Mann-Whitney U 검정을 적용한 결과, 연간 총 냉·난방부하에서는 두 집단 간 차이가 통계적으로 유의하였으나(t-검정 p = 0.011, U 검정 p = 0.006), 난방부하(p = 0.063 및 0.068)와 냉방부하(p = 0.262 및 0.274)에서는 유의수준 0.05에서 유의하지 않았다. 따라서 본 연구의 표본 규모에서는 '내륙지역의 난방부하가 해안지역보다 유의하게 높다'고 단정하기 어려우며, 난방부하의 차이는 효과크기가 큼에도(Hedges' g = 0.95) 지역 내 편차가 커 통계적 유의성에 이르지 못한 경향적 차이로 해석하는 것이 타당하다. 반면 냉방부하와 난방부하를 합한 연간 총부하에서는 두 성분의 차이가 같은 방향으로 누적되고 집단 내 분산이 상대적으로 작아져 유의한 차이가 확인되었다. 자료기간이 동일한 15개 지역만을 대상으로 한 경우(난방 +19.0%, p = 0.072; 총부하 +14.5%, p = 0.013)와 18개 지역 전체를 2025년 단일연도 기준으로 비교한 경우(난방 +17.1%, p = 0.045; 총부하 +13.1%, p = 0.001)에도 동일한 경향이 유지되어, 고흥·보령·속초의 자료기간 차이가 해안·내륙 비교 결과를 좌우하지는 않는 것으로 확인되었다. 해안지역은 바다의 영향으로 여름철 최고기온이 낮아지고 겨울철 최저기온이 높아져 내륙지역보다 기온변화가 완화되는 특성을 보인다(Kim et al., 2010; Suh et al., 2009). Khaled et al.(2026)도 내륙지역 온실의 난방부하가 해안지역보다 높게 나타났다고 보고하였다. 따라서 해안지역의 냉·난방부하가 상대적으로 낮게 나타난 것은 해양의 열적 완충효과에 의해 여름철 고온과 겨울철 저온이 완화된 결과로 판단된다. 다만 해안지역 내에서도 서산(543,130 MJ), 인천(521,560 MJ)과 같이 고위도에 위치한 서해안 지역은 난방부하가 내륙 평균을 상회한 반면, 부산(323,331 MJ)과 여수(352,829 MJ)는 현저히 낮게 나타나 해안지역 내부의 편차가 해안·내륙 간 차이보다 크게 나타났다. 즉 온실 냉·난방부하는 해안·내륙이라는 입지 구분 단독보다 위도에 따른 기온 수준과 해양의 완충효과가 복합적으로 작용한 결과이며, 설비용량 산정 시에는 입지 구분만으로 일반화하기보다 지역 단위의 부하 산정이 필요한 것으로 판단된다.

Table 6에 제시된 계절별 최대 시간당 부하를 기준으로 각 지역과 연도의 연간 최대값을 비교한 결과, 최대 시간당 난방부하는 288-520 MJ/h, 최대 시간당 냉방부하는 436-563 MJ/h의 범위로 나타났다. 최대 시간당 난방부하는 2021년 춘천에서 520 MJ/h로 가장 높았으며, 최대 시간당 냉방부하는 2025년 청주에서 563 MJ/h로 가장 높았다. 모든 지역과 연도에서 최대 시간당 난방부하는 겨울철에, 최대 시간당 냉방부하는 여름철에 발생하였다. 또한 지역별 연도평균 최대 시간당 부하를 비교하면 모든 지역에서 냉방부하가 난방부하보다 높게 나타났다. 온실의 기간난방부하는 설정온도와 외기온도의 차이를 시간에 따라 누적한 난방적산온도의 영향을 받으며, 최대 냉방부하는 외기온도와 일사량이 높은 주간 시간대에 주로 발생한다(Nam et al., 2014; Lee et al., 2021). 따라서 난방부하는 저온기간에 걸쳐 지속적으로 누적되는 반면, 냉방부하는 고온과 강한 일사가 동시에 발생하는 특정 시간대에 집중적으로 증가한 것으로 판단된다. 따라서 온실 에너지시스템을 설계할 때에는 연간 에너지 소비량을 결정하는 누적 난방부하뿐만 아니라 냉방설비의 용량을 결정하는 최대 시간당 냉방부하도 함께 고려해야 한다. 또한 동일한 온실 구조와 설정온도를 적용하더라도 지역의 기후조건, 계절 및 해안·내륙 입지에 따라 냉·난방부하가 크게 달라지므로, 지역별 기상특성과 계절별 부하 분포를 반영한 설비용량 산정이 필요한 것으로 판단된다.

Table 6

Seasonal cumulative and maximum hourly greenhouse heating and cooling loads in selected coastal and inland regions of the Republic of Korea from 2021 to 2025. Regions are grouped by location (inland or coastal). For Goheung, Boryeong and Sokcho, only 2025 data were available.

Year				2021				2022				2023				2024				2025
Province	Location	City	Season	Cumulative load (MJ)		Maximum load (MJ/h)		Cumulative load (MJ)		Maximum load (MJ/h)		Cumulative load (MJ)		Maximum load (MJ/h)		Cumulative load (MJ)		Maximum load (MJ/h)		Cumulative load (MJ)		Maximum load (MJ/h)
Province	Location	City	Season	Heating	Cooling	Heating	Cooling	Heating	Cooling	Heating	Cooling	Heating	Cooling	Heating	Cooling	Heating	Cooling	Heating	Cooling	Heating	Cooling	Heating	Cooling
Jeolla-do	Inland	Gwangju	Spring	60,761	41,704	235	389	69,584	61,819	261	408	59,720	43,423	268	421	70,224	53,237	306	399	77,243	44,737	241	349
			Summer	-	155,527	-	500	-	151,571	-	467	-	163,732	-	523	-	181,714	-	502	-	215,361	-	530
			Autumn	48,092	37,470	206	373	38,999	46,392	226	454	50,704	50,195	229	412	31,713	65,713	194	482	41,251	38,914	222	452
			Winter	285,576	273	390	117	326,840	-	331	-	284,622	10	400	27	273,784	-	312	-	303,822	-	360	-
		Jeonju	Spring	74,730	28,541	235	337	81,972	43,651	281	362	73,353	36,776	287	383	76,818	41,661	328	357	85,444	35,517	249	366
			Summer	-	147,317	-	465	-	133,761	-	438	-	150,057	-	461	-	181,685	-	496	6	218,597	10	540
			Autumn	56,023	36,918	219	340	45,830	38,149	245	396	57,690	41,596	251	396	38,617	59,928	233	441	51,310	37,728	237	444
			Winter	316,085	179	442	100	368,194	-	356	-	319,921	-	423	-	302,593	-	342	-	330,869	-	373	-
	Coastal	Goheung	Spring	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	74,662	23,615	247	271
			Summer	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	198,380	-	465
			Autumn	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	34,619	48,096	230	448
			Winter	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	280,049	-	322	-
		Yeosu	Spring	56,200	28,247	203	277	58,926	42,840	248	381	53,509	26,637	243	312	64,677	37,273	297	354	73,533	26,645	236	301
			Summer	-	136,948	-	445	-	138,783	-	456	-	137,725	-	491	-	180,298	-	487	-	203,564	-	482
			Autumn	32,755	28,908	159	304	24,592	43,986	219	352	37,679	51,311	237	404	19,493	77,240	171	460	29,408	47,840	181	431
			Winter	259,952	-	382	-	282,269	-	328	-	253,768	-	391	-	248,111	-	327	-	269,272	-	339	-
		Mokpo	Spring	68,797	27,181	240	333	76,300	38,184	249	331	72,532	26,693	258	360	76,811	34,373	283	329	83,434	25,780	234	302
			Summer	-	152,983	-	474	-	143,464	-	490	-	149,794	-	502	-	171,734	-	503	-	205,514	-	500
			Autumn	35,834	38,880	196	341	33,887	34,979	229	359	41,901	49,826	231	399	24,785	65,305	187	443	33,995	43,891	202	469
			Winter	281,512	93	386	77	322,686	-	318	-	291,109	-	379	-	267,657	-	288	-	289,640	-	331	-
Gyeongsang-do	Inland	Daegu	Spring	67,207	39,870	243	345	67,232	69,386	267	430	60,902	45,029	238	421	77,627	53,678	322	408	80,764	48,361	247	420
			Summer	-	154,981	-	490	-	174,785	-	494	-	172,194	-	560	11	212,347	15	500	0	231,194	2	543
			Autumn	57,498	33,755	255	360	46,313	36,678	253	365	59,158	44,175	262	382	39,190	56,152	229	474	51,320	34,730	267	450
			Winter	301,835	392	418	125	336,584	-	360	-	307,988	15	424	33	293,983	-	365	-	320,780	23	380	48
	Coastal	Busan	Spring	50,801	32,182	205	306	54,749	47,992	246	367	44,318	33,512	222	293	60,576	41,786	304	316	64,805	33,789	218	301
			Summer	-	153,281	-	513	-	147,057	-	469	-	155,831	-	519	-	188,556	-	493	-	213,518	-	501
			Autumn	31,478	39,003	163	357	21,111	44,296	219	358	33,676	55,056	239	424	18,094	75,378	172	482	25,498	51,474	179	453
			Winter	238,624	174	400	78	268,103	-	339	-	231,731	2	392	15	226,709	2	332	17	246,382	-	368	-
		Pohang	Spring	63,808	29,567	227	318	65,588	59,649	256	402	50,623	37,352	233	429	72,042	44,187	316	419	72,911	41,808	224	422
			Summer	-	132,320	-	484	-	151,160	-	522	2	158,710	8	505	1	200,955	5	508	-	226,827	-	517
			Autumn	41,417	30,894	203	331	31,029	25,092	237	330	44,593	41,681	256	337	26,236	44,433	197	463	36,801	30,793	220	429
			Winter	273,408	332	409	126	309,741	-	362	-	273,409	23	420	42	270,572	-	367	-	284,782	71	382	63
Chungcheong-do	Inland	Daejeon	Spring	78,751	33,280	250	376	86,331	57,259	279	400	79,498	42,976	296	393	86,084	50,631	344	382	90,182	43,028	250	368
			Summer	1	158,464	3	511	-	147,620	-	492	-	165,933	-	513	0	192,050	2	496	5	211,353	10	518
			Autumn	67,183	34,395	259	323	62,373	38,961	280	385	72,769	42,803	294	435	49,676	62,921	245	475	57,390	29,625	263	384
			Winter	347,383	135	457	90	397,664	-	394	-	355,464	-	466	-	340,610	-	378	-	349,464	0	393	3
		Cheongju	Spring	74,200	32,373	239	354	80,005	59,531	267	410	67,739	48,239	273	422	76,671	52,766	331	380	88,181	45,633	244	385
			Summer	-	178,296	-	527	-	160,462	-	528	-	181,330	-	508	-	217,762	-	530	-	232,107	-	563
			Autumn	62,035	38,831	242	355	52,109	41,957	274	400	65,105	47,647	286	420	42,668	65,855	224	501	51,745	35,886	236	456
			Winter	353,367	137	448	91	399,304	-	394	-	349,384	-	454	-	338,987	-	390	-	354,813	-	394	-
	Coastal	Boryeong	Spring	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	104,699	23,933	284	316
			Summer	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	77	200,687	30	538
			Autumn	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	49,675	33,821	237	411
			Winter	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	345,077	-	381	-
		Seosan	Spring	98,583	23,046	284	313	110,084	36,392	309	331	98,770	31,724	323	302	99,599	34,902	348	323	115,037	23,567	297	279
			Summer	55	153,381	22	503	-	122,784	-	465	-	152,603	-	479	35	168,450	26	487	72	178,887	32	508
			Autumn	72,215	37,056	264	370	65,037	33,089	249	357	73,238	36,627	268	398	50,787	52,086	235	420	60,341	28,195	260	414
			Winter	369,945	-	484	-	415,991	-	396	-	366,671	-	428	-	350,154	-	355	-	369,035	-	400	-
Gangwon-do	Inland	Wonju	Spring	87,733	26,447	268	338	94,311	41,555	292	369	82,533	36,112	281	360	86,586	45,848	341	337	100,891	36,619	250	359
			Summer	14	148,234	14	503	121	123,178	32	468	-	151,641	-	461	2	175,214	5	488	13	193,189	12	535
			Autumn	81,780	27,647	273	317	70,393	29,196	282	372	79,895	36,278	304	378	53,510	47,685	253	448	73,392	27,759	286	441
			Winter	387,563	-	470	-	432,435	-	424	-	381,738	-	470	-	355,029	-	397	-	398,401	-	421	-
		Chuncheon	Spring	100,242	24,890	271	346	104,954	45,256	330	371	104,032	36,583	322	349	110,120	39,805	387	341	119,647	32,454	291	306
			Summer	20	162,228	15	507	142	129,759	44	479	2	163,431	6	505	51	182,948	33	486	146	177,628	41	531
			Autumn	90,821	32,319	298	345	82,488	27,870	312	339	98,070	33,138	338	397	68,224	39,578	288	462	84,106	27,809	302	410
			Winter	431,848	-	520	-	479,302	-	457	-	431,508	-	500	-	410,633	-	452	-	442,699	-	475	-
	Coastal	Gangneung	Spring	78,654	31,317	265	384	78,819	58,197	247	447	56,717	42,475	219	452	90,881	43,502	324	410	90,873	32,462	267	389
			Summer	-	142,171	-	513	15	135,068	9	486	-	151,135	-	521	-	192,745	-	528	1	214,938	5	541
			Autumn	44,648	30,078	233	353	39,776	44,716	252	401	48,314	32,677	290	353	35,931	28,136	219	414	42,441	20,125	218	362
			Winter	297,530	2	435	13	336,238	-	389	-	302,278	55	426	59	322,250	-	392	-	307,068	-	387	-
		Sokcho	Spring	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	105,274	22,184	256	321
			Summer	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	166,960	-	487
			Autumn	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	49,560	28,715	231	354
			Winter	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	-	322,176	-	393	-
Gyeonggi-do	Inland	Suwon	Spring	90,956	21,713	253	306	96,176	38,902	282	337	90,167	34,323	285	361	94,557	37,331	345	314	106,874	28,258	267	311
			Summer	36	154,312	17	488	-	122,376	-	436	-	151,431	-	470	25	174,458	18	494	17	177,184	14	519
			Autumn	72,598	33,327	264	343	58,682	33,205	311	356	77,224	38,354	306	398	56,128	53,562	268	439	63,968	27,049	268	400
			Winter	380,876	-	472	-	432,104	-	416	-	376,187	-	457	-	366,016	-	402	-	386,663	-	403	-
	Coastal	Incheon	Spring	85,516	15,070	244	265	92,996	29,521	267	277	83,574	25,271	250	282	88,660	28,808	333	276	101,684	21,649	254	285
			Summer	3	142,471	4	454	-	119,018	-	451	-	142,461	-	462	-	172,306	-	475	-	174,846	-	505
			Autumn	59,462	30,834	253	322	48,263	32,313	307	355	68,293	36,850	298	405	44,898	52,437	253	411	53,274	29,843	232	413
			Winter	371,410	-	476	-	417,762	-	403	-	366,533	-	462	-	352,282	-	406	-	373,192	-	394	-

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F5.jpg

Fig. 5.

Seasonal comparison of mean annual cumulative greenhouse heating and cooling loads in selected coastal and inland regions of the Republic of Korea, averaged over 2021-2025: (A) cumulative heating load and (B) cumulative cooling load. For Goheung, Boryeong, and Sokcho, only 2025 data were available.

지역별 재생에너지 생산량 분석

태양열, 태양광 및 풍력에너지의 지역별 에너지 생산 잠재력을 평가하기 위해 지역별 에너지 수집량 및 발전량을 비교·분석하였다. Figs. 6, 7은 태양열에너지(Fig. 6A), 태양광에너지(Fig. 6B) 및 풍력에너지(Fig. 7)의 연간 생산 특성을 나타낸다. 태양열과 태양광에너지는 모듈 경사각 변화에 따라 생산량이 달라졌으며, 대부분의 지역에서 30°-45° 구간에서 최대값을 나타냈다. 반면 풍력에너지는 지역별 풍황 특성에 따라 발전량 차이가 나타나 해안지역에서 상대적으로 높은 생산 잠재력을 보였다. 세 에너지원에 대한 해안·내륙 간 비교와 경사각·계절 효과의 통계적 유의성은 Fig. 8D–F 및 Table 10에 정리하였으며, 각 절에서 해당 결과를 함께 기술하였다.

태양열

Fig. 6A의 태양열 에너지 수집량을 분석한 결과, 모든 지역에서 30° 또는 45° 경사각에서 최대값이 나타났다. 부산은 45°에서 4,622 MJ로 가장 높은 값을 기록하였으며, 고흥(4,421 MJ), 여수(4,410 MJ), 대구(4,379 MJ)가 뒤를 이었다. 반면 춘천은 최대 수집량이 3,926 MJ로 분석 지역 중 가장 낮은 수준을 나타냈다. 평균 수집량 기준으로 부산이 가장 높은 값을 나타냈으며, 고흥과 여수가 그 뒤를 이었다. 반면 춘천과 전주는 가장 낮은 수준을 보였다. 특히 상위권 지역이 대부분 해안 지역에 집중되어 있는 특징을 확인할 수 있었다. 부산, 고흥, 여수 및 포항은 남해안 또는 동해안에 위치한 지역으로 상대적으로 높은 태양열 수집량을 보였다. 경사각에 따른 연간 수집량의 차이는 Friedman 검정 결과 통계적으로 유의하였으며(χ² = 103.98, p ＜ 0.001), 18개 지역 중 14개 지역에서 30°, 4개 지역에서 45°가 최적 경사각으로 나타났다. 반면 최적 경사각에서의 연간 수집량을 해안지역과 내륙지역으로 구분하여 비교한 결과 해안지역이 4,234 ± 173 MJ/m², 내륙지역이 4,131 ± 153 MJ/m²로 해안지역이 약 2.5% 높았으나 그 차이는 통계적으로 유의하지 않았다(Welch t-검정 p = 0.230, Mann–Whitney U 검정 p = 0.203, Fig. 8D). 즉 태양열에너지의 지역 간 차이는 해안·내륙이라는 입지 구분보다 위도와 일사조건에 의해 결정되는 것으로 판단된다. 한편 자료기간이 동일한 15개 지역에서 최적 경사각 연간 수집량의 연도 간 변동계수는 1.5-5.0%(평균 2.9%)로 냉·난방부하보다 작게 나타나, 태양열 자원의 연도 간 안정성이 상대적으로 높은 것으로 확인되었다.

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F6.jpg

Fig. 6.

Average solar thermal and photovoltaic energy collected from 2021 to 2025 for 18 regions according to 0, 15, 30, 45, 60, 75, and 90°. (A) Solar thermal energy (B) Photovoltaic energy.

Table 7은 국내 18개 지역의 계절별 태양열에너지 수집량을 경사각별로 정리하고, 연도 간 평균과 표준편차를 함께 제시한 것이다. 분석 결과, 대부분 지역에서 태양열에너지 수집량은 여름철에 가장 높고 겨울철에 가장 낮은 경향을 보였다. 특히 고흥, 여수 및 부산은 전 계절에 걸쳐 높은 수집량을 나타냈으며, 부산은 겨울철 최대 수집량이 약 1,221 MJ로 가장 높았다. 반면 춘천과 원주는 겨울철 수집량 감소폭이 상대적으로 크게 나타났다. 또한 계절별 최적 경사각을 비교한 결과, 여름철에는 0°-15°, 겨울철에는 45°-75° 범위에서 높은 수집량이 나타났다. 계절에 따른 수집량 차이 또한 Friedman 검정 결과 통계적으로 유의하였으며(χ² = 52.87, p ＜ 0.001), 경사각 30° 기준 계절 평균은 여름철 1,250 MJ, 봄철 1,173 MJ, 가을철 977 MJ, 겨울철 785 MJ 순으로 나타났다. 이러한 지역별 및 계절별 수집량 차이는 위도, 일사조건 및 기상환경 차이에 기인한 것으로 판단된다.

남해안 및 동해안 지역은 상대적으로 긴 일조시간과 양호한 일사조건으로 인해 높은 태양복사량을 확보할 수 있으며, 이에 따라 태양열 수집량도 높게 나타난 것으로 판단된다(Jo et al., 2011). 또한 위도가 낮은 남부 지역은 태양고도가 높아 태양복사의 입사 조건이 유리하므로 부산, 고흥 및 여수와 같은 지역에서 높은 수집량이 나타난 것으로 해석된다. 반면 춘천과 강릉은 상대적으로 높은 위도와 지형적 특성으로 인해 일사조건이 제한되어 낮은 수집량을 보인 것으로 판단된다. 아울러 이러한 결과는 온실용 태양열 시스템의 지역별 적용 가능성을 평가하는 데 중요한 시사점을 제공한다. 분석 결과, 부산, 고흥 및 여수는 겨울철에도 1,000 MJ 이상의 태양열에너지를 확보할 수 있는 것으로 나타나, 본 연구의 생산량 기준에서 난방용 열원으로 우선 검토할 수 있는 지역으로 해석된다. 다만 이들 지역에서 흡수식 냉방시스템의 열원으로 실제 활용할 수 있는지는 요구 열량과 시스템 효율을 고려한 별도 평가가 필요하다. 반면 춘천과 원주는 겨울철 수집량 감소와 높은 난방수요를 고려할 때 축열조를 이용한 열저장 기술과 히트펌프, 바이오매스 보일러 등의 보조열원을 연계하는 방안을 추가로 검토할 필요가 있다.

Table 7

Average seasonal solar thermal energy collected at different collector tilt angles in selected coastal and inland regions of the Republic of Korea from 2021 to 2025 (MJ). Values are means ± standard deviations of five annual values; for Goheung, Boryeong and Sokcho only the 2025 value was available and the data year is given in parentheses.

Location	City	Season	Average seasonal solar thermal energy collected (MJ) at a collector/panel tilt angle of
Location	City	Season	0°	15°	30°	45°	60°	75°	90°
Inland	Gwangju	Spring	1,106 ± 56	1,195 ± 58	1,208 ± 57	1,144 ± 53	1,007 ± 46	798 ± 37	556 ± 26
		Summer	1,282 ± 82	1,283 ± 86	1,229 ± 86	1,096 ± 78	930 ± 67	703 ± 54	477 ± 45
		Autumn	754 ± 43	924 ± 53	1,045 ± 60	1,099 ± 63	1,079 ± 61	982 ± 54	809 ± 43
		Winter	398 ± 28	609 ± 43	793 ± 56	927 ± 65	982 ± 68	950 ± 64	831 ± 54
	Jeonju	Spring	1,044 ± 47	1,125 ± 48	1,139 ± 47	1,070 ± 43	940 ± 37	745 ± 29	517 ± 22
		Summer	1,252 ± 105	1,252 ± 109	1,198 ± 108	1,067 ± 98	907 ± 85	688 ± 68	466 ± 55
		Autumn	719 ± 35	871 ± 46	978 ± 54	1,023 ± 58	998 ± 57	903 ± 52	740 ± 41
		Winter	353 ± 31	535 ± 47	692 ± 62	800 ± 72	841 ± 75	808 ± 71	700 ± 60
	Daegu	Spring	1,122 ± 58	1,211 ± 61	1,225 ± 62	1,158 ± 58	1,018 ± 52	808 ± 42	566 ± 33
		Summer	1,319 ± 82	1,322 ± 87	1,268 ± 87	1,131 ± 81	961 ± 71	729 ± 59	501 ± 49
		Autumn	734 ± 38	900 ± 51	1,018 ± 62	1,072 ± 68	1,052 ± 68	957 ± 62	788 ± 50
		Winter	431 ± 31	662 ± 49	868 ± 63	1,014 ± 73	1,075 ± 76	1,041 ± 72	910 ± 60
	Daejeon	Spring	1,080 ± 69	1,169 ± 73	1,189 ± 73	1,121 ± 67	987 ± 59	785 ± 47	550 ± 35
		Summer	1,271 ± 82	1,274 ± 87	1,222 ± 87	1,089 ± 79	926 ± 70	704 ± 57	480 ± 45
		Autumn	714 ± 60	875 ± 75	989 ± 85	1,040 ± 89	1,019 ± 85	925 ± 75	760 ± 59
		Winter	366 ± 35	565 ± 54	739 ± 72	862 ± 85	911 ± 90	879 ± 86	765 ± 73
	Cheongju	Spring	1,103 ± 66	1,196 ± 69	1,219 ± 68	1,151 ± 62	1,015 ± 54	808 ± 43	567 ± 34
		Summer	1,331 ± 95	1,335 ± 99	1,281 ± 98	1,142 ± 90	973 ± 79	741 ± 64	508 ± 51
		Autumn	729 ± 42	896 ± 50	1,016 ± 56	1,069 ± 57	1,048 ± 53	951 ± 46	782 ± 35
		Winter	353 ± 36	549 ± 54	720 ± 71	839 ± 82	885 ± 86	853 ± 81	740 ± 68
	Wonju	Spring	1,046 ± 49	1,138 ± 50	1,163 ± 49	1,100 ± 44	972 ± 38	776 ± 30	544 ± 23
		Summer	1,252 ± 79	1,258 ± 81	1,208 ± 80	1,079 ± 73	919 ± 64	701 ± 53	472 ± 43
		Autumn	674 ± 40	835 ± 51	951 ± 59	1,005 ± 62	989 ± 61	901 ± 54	743 ± 44
		Winter	343 ± 21	550 ± 34	737 ± 46	873 ± 54	933 ± 57	908 ± 53	794 ± 44
	Chuncheon	Spring	1,021 ± 50	1,111 ± 53	1,136 ± 53	1,076 ± 49	953 ± 43	762 ± 35	535 ± 27
		Summer	1,254 ± 77	1,265 ± 78	1,220 ± 77	1,093 ± 68	933 ± 59	715 ± 46	486 ± 35
		Autumn	634 ± 27	783 ± 33	890 ± 38	940 ± 40	924 ± 38	841 ± 35	693 ± 28
		Winter	313 ± 13	506 ± 21	680 ± 30	810 ± 36	869 ± 38	848 ± 35	744 ± 29
	Suwon	Spring	1,047 ± 50	1,139 ± 52	1,162 ± 51	1,099 ± 46	971 ± 39	775 ± 30	541 ± 25
		Summer	1,235 ± 89	1,239 ± 91	1,189 ± 89	1,060 ± 80	904 ± 69	690 ± 55	463 ± 41
		Autumn	685 ± 46	842 ± 58	955 ± 68	1,007 ± 72	988 ± 70	899 ± 63	741 ± 51
		Winter	340 ± 28	542 ± 44	722 ± 57	852 ± 66	908 ± 69	881 ± 65	770 ± 54
Coastal	Goheung	Spring	1,032 (2025)	1,107 (2025)	1,116 (2025)	1,043 (2025)	908 (2025)	711 (2025)	486 (2025)
		Summer	1,410 (2025)	1,410 (2025)	1,347 (2025)	1,195 (2025)	1,011 (2025)	765 (2025)	530 (2025)
		Autumn	771 (2025)	933 (2025)	1,047 (2025)	1,097 (2025)	1,073 (2025)	975 (2025)	805 (2025)
		Winter	481 (2025)	712 (2025)	911 (2025)	1,046 (2025)	1,094 (2025)	1,048 (2025)	906 (2025)
	Yeosu	Spring	1,076 ± 68	1,159 ± 71	1,172 ± 70	1,098 ± 64	959 ± 55	752 ± 43	517 ± 31
		Summer	1,294 ± 108	1,299 ± 110	1,242 ± 108	1,103 ± 95	928 ± 81	693 ± 63	469 ± 49
		Autumn	796 ± 64	970 ± 77	1,091 ± 87	1,141 ± 91	1,113 ± 88	1,004 ± 78	820 ± 62
		Winter	471 ± 41	703 ± 62	905 ± 81	1,042 ± 93	1,093 ± 98	1,049 ± 93	909 ± 79
	Mokpo	Spring	1,077 ± 60	1,157 ± 63	1,167 ± 63	1,091 ± 58	951 ± 50	745 ± 40	508 ± 28
		Summer	1,317 ± 75	1,317 ± 78	1,257 ± 76	1,115 ± 68	940 ± 59	707 ± 47	476 ± 38
		Autumn	766 ± 31	924 ± 40	1,032 ± 48	1,074 ± 51	1,041 ± 51	936 ± 46	760 ± 36
		Winter	378 ± 26	559 ± 40	713 ± 53	814 ± 63	848 ± 67	810 ± 64	696 ± 55
	Busan	Spring	1,135 ± 52	1,226 ± 52	1,237 ± 49	1,168 ± 43	1,022 ± 36	805 ± 26	557 ± 18
		Summer	1,342 ± 90	1,348 ± 94	1,290 ± 93	1,148 ± 85	967 ± 73	723 ± 59	492 ± 47
		Autumn	794 ± 27	969 ± 35	1,095 ± 44	1,150 ± 49	1,127 ± 51	1,024 ± 48	843 ± 39
		Winter	510 ± 36	768 ± 54	996 ± 70	1,157 ± 80	1,221 ± 82	1,180 ± 77	1,031 ± 64
	Pohang	Spring	1,092 ± 55	1,180 ± 60	1,191 ± 62	1,127 ± 61	990 ± 56	784 ± 47	546 ± 38
		Summer	1,303 ± 125	1,308 ± 131	1,254 ± 130	1,118 ± 119	948 ± 104	716 ± 84	487 ± 67
		Autumn	682 ± 53	835 ± 73	946 ± 90	996 ± 100	979 ± 102	891 ± 96	736 ± 80
		Winter	438 ± 38	674 ± 56	884 ± 72	1,036 ± 82	1,100 ± 84	1,068 ± 78	937 ± 65
	Boryeong	Spring	1,040 (2025)	1,132 (2025)	1,153 (2025)	1,089 (2025)	959 (2025)	760 (2025)	522 (2025)
		Summer	1,408 (2025)	1,424 (2025)	1,374 (2025)	1,227 (2025)	1,044 (2025)	797 (2025)	548 (2025)
		Autumn	660 (2025)	805 (2025)	908 (2025)	955 (2025)	937 (2025)	854 (2025)	708 (2025)
		Winter	357 (2025)	545 (2025)	707 (2025)	818 (2025)	862 (2025)	830 (2025)	720 (2025)
	Seosan	Spring	1,061 ± 56	1,152 ± 56	1,173 ± 54	1,107 ± 47	975 ± 39	775 ± 28	538 ± 22
		Summer	1,261 ± 75	1,266 ± 78	1,215 ± 77	1,085 ± 70	918 ± 61	698 ± 49	470 ± 38
		Autumn	699 ± 42	856 ± 52	966 ± 60	1,014 ± 63	992 ± 62	899 ± 56	738 ± 46
		Winter	333 ± 33	517 ± 51	677 ± 67	789 ± 77	834 ± 81	805 ± 77	698 ± 65
	Gangneung	Spring	1,041 ± 49	1,131 ± 55	1,154 ± 58	1,096 ± 57	972 ± 52	780 ± 44	550 ± 35
		Summer	1,220 ± 89	1,229 ± 93	1,183 ± 93	1,061 ± 85	907 ± 76	695 ± 63	477 ± 51
		Autumn	605 ± 105	751 ± 129	859 ± 145	912 ± 151	902 ± 146	828 ± 129	690 ± 103
		Winter	378 ± 45	602 ± 67	805 ± 86	952 ± 98	1,019 ± 102	995 ± 96	879 ± 82
	Sokcho	Spring	1,038 (2025)	1,133 (2025)	1,159 (2025)	1,099 (2025)	971 (2025)	773 (2025)	534 (2025)
		Summer	1,320 (2025)	1,335 (2025)	1,290 (2025)	1,158 (2025)	989 (2025)	756 (2025)	515 (2025)
		Autumn	573 (2025)	717 (2025)	825 (2025)	880 (2025)	873 (2025)	803 (2025)	670 (2025)
		Winter	394 (2025)	636 (2025)	855 (2025)	1,014 (2025)	1,086 (2025)	1,059 (2025)	932 (2025)
	Incheon	Spring	1,041 ± 50	1,136 ± 53	1,161 ± 53	1,099 ± 48	970 ± 41	773 ± 30	536 ± 22
		Summer	1,270 ± 84	1,278 ± 87	1,230 ± 86	1,102 ± 79	932 ± 67	709 ± 55	475 ± 42
		Autumn	693 ± 49	856 ± 64	973 ± 77	1,027 ± 84	1,008 ± 83	916 ± 76	754 ± 62
		Winter	338 ± 20	545 ± 34	731 ± 48	867 ± 58	927 ± 62	901 ± 59	788 ± 50

태양광

Fig. 6B의 태양광 에너지 생산량 또한 태양열 에너지 수집량과 유사한 변화 경향을 나타냈다. 모든 지역에서 경사각 30°에서 최대 발전량이 나타났으며, 45°에서도 유사한 수준의 발전량을 보였다. 이후 경사각이 증가함에 따라 생산량이 감소하는 경향을 보였다. 부산은 30°에서 679 MJ로 가장 높은 값을 기록하였으며, 여수(653 MJ), 대구(641 MJ), 고흥(632 MJ), 광주(630 MJ)가 뒤를 이었다. 반면 강릉이 575 MJ로 가장 낮았으며 춘천(581 MJ)이 그 뒤를 이었다. 평균 발전량을 기준으로 부산이 가장 높은 값을 나타냈으며, 여수와 대구가 그 뒤를 이었다. 반면 강릉과 춘천은 가장 낮은 수준을 보였다. 특히 상위권 지역이 남부 해안 및 남부 내륙 지역에 집중되는 경향을 확인할 수 있었다. 경사각에 따른 연간 발전량의 차이는 통계적으로 유의하였으며(Friedman 검정, χ² = 106.17, p ＜ 0.001), 18개 지역 모두에서 30°가 최적 경사각으로 나타났다. 최적 경사각에서의 연간 발전량은 해안지역 619 ± 29 MJ/m², 내륙지역 606 ± 19 MJ/m²로 해안지역이 약 2.2% 높았으나 통계적으로 유의하지 않았다(p = 0.279 및 0.360, Fig. 8E). 연도 간 변동계수는 1.9-5.2%(평균 3.1%)로 태양열과 유사한 수준의 안정성을 나타냈다.

Table 8은 국내 18개 지역의 계절별 태양광에너지 생산량을 경사각별로 정리하고 연도 간 평균과 표준편차를 함께 제시한 것이다. 분석 결과, 태양광에너지 생산량은 지역 및 계절에 따라 차이를 나타냈으며, 패널 경사각 변화에 따라 발전 성능이 달라지는 것으로 확인되었다. 부산, 여수, 고흥 및 목포와 같은 남해안 지역은 전 계절에 걸쳐 높은 생산량을 기록하였으며, 부산은 겨울철 경사각 60° 조건에서 약 197 MJ의 최대 생산량을 나타냈다. 반면 춘천과 강릉은 상대적으로 낮은 생산량을 보였다. 또한 계절별 최적 경사각을 비교한 결과, 봄·여름철에는 0°-30° 범위에서 높은 생산량이 나타난 반면, 겨울철에는 60°–75° 범위에서 발전량이 증가하는 특징을 보였다. 계절에 따른 발전량 차이 역시 통계적으로 유의하였으며(Friedman 검정, χ² = 42.47, p ＜ 0.001), 경사각 30° 기준 계절 평균은 봄철 173 MJ, 여름철 156 MJ, 겨울철 144 MJ, 가을철 140 MJ 순으로 나타났다. 태양열이 여름철에 최대값을 보인 것과 달리 태양광은 봄철에 최대값을 나타냈는데, 이는 태양광 모듈의 출력이 모듈 온도 상승에 따라 감소하여 고온기인 여름철에 변환효율이 저하되기 때문으로 판단된다.

이러한 지역별 및 계절별 생산량 차이는 태양복사 조건, 위도 및 지형적 특성의 영향을 반영한 결과로 판단된다. 태양광에너지는 태양복사에 직접적으로 의존하므로 태양열에너지와 유사한 공간적 분포를 나타냈다. 남부 지역은 낮은 위도에 위치하여 연평균 태양고도가 높고 태양광 입사 조건이 유리하기 때문에 높은 발전량을 보인 것으로 해석된다. 실제로 부산, 여수, 고흥 및 광주는 태양열 수집량과 더불어 태양광 발전량에서도 상위권을 기록하여 우수한 태양에너지 활용 잠재력을 나타냈다. 반면 춘천, 강릉 및 원주는 상대적으로 제한된 일사환경과 지역적 기상조건의 영향으로 낮은 발전량을 나타낸 것으로 판단된다. 또한 대구는 내륙 분지 지형의 영향으로 양호한 일사환경이 형성되어 높은 발전량을 기록한 것으로 분석되었다.

아울러 이러한 결과는 온실용 태양광 시스템의 지역별 적용 가능성을 평가하는 데 중요한 시사점을 제공한다. 부산, 여수 및 고흥은 연중 높은 태양광에너지 생산량을 나타내어, 본 연구의 생산량 기준에서 태양광 활용을 우선 검토할 수 있는 지역으로 평가된다. 또한 남해안 지역은 높은 발전 잠재력을 바탕으로 건물일체형 태양광(Building Integrated Photovoltaic, BIPV) 시스템 적용에도 적합할 것으로 판단된다. 반면 춘천과 원주 등 일부 내륙지역은 상대적으로 발전량이 낮아 에너지저장장치(ESS) 또는 보조에너지원과의 연계 가능성을 검토할 필요가 있다. 또한 고정식 태양광 패널을 적용할 경우 30°-45° 범위의 경사각이 연중 발전량을 안정적으로 확보할 수 있는 적정 설치각으로 평가되었다.

Table 8

Average seasonal photovoltaic energy production at different panel tilt angles in selected coastal and inland regions of the Republic of Korea from 2021 to 2025 (MJ). Values are means ± standard deviations of five annual values; for Goheung, Boryeong and Sokcho only the 2025 value was available and the data year is given in parentheses.

Location	City	Season	Average seasonal photovoltaic energy production (MJ) at a collector/panel tilt angle of
Location	City	Season	0°	15°	30°	45°	60°	75°	90°
Inland	Gwangju	Spring	171 ± 8	179 ± 8	178 ± 7	165 ± 7	149 ± 6	121 ± 5	86 ± 3
		Summer	164 ± 11	163 ± 11	154 ± 10	140 ± 9	117 ± 7	89 ± 4	58 ± 1
		Autumn	118 ± 6	139 ± 8	151 ± 9	154 ± 9	151 ± 9	139 ± 8	117 ± 7
		Winter	93 ± 6	124 ± 8	147 ± 10	154 ± 10	164 ± 11	159 ± 11	144 ± 10
	Jeonju	Spring	161 ± 7	168 ± 7	167 ± 6	155 ± 6	140 ± 5	114 ± 3	81 ± 2
		Summer	158 ± 13	157 ± 13	149 ± 12	135 ± 11	113 ± 9	86 ± 6	57 ± 2
		Autumn	111 ± 6	130 ± 8	141 ± 8	143 ± 9	140 ± 9	128 ± 8	107 ± 7
		Winter	85 ± 7	112 ± 9	131 ± 11	136 ± 12	145 ± 13	140 ± 12	126 ± 11
	Daegu	Spring	171 ± 8	180 ± 8	179 ± 8	166 ± 7	150 ± 6	121 ± 5	85 ± 3
		Summer	167 ± 9	166 ± 10	157 ± 9	143 ± 9	119 ± 7	90 ± 4	59 ± 2
		Autumn	114 ± 7	135 ± 9	148 ± 10	150 ± 10	148 ± 11	135 ± 10	114 ± 9
		Winter	98 ± 7	133 ± 10	158 ± 12	165 ± 13	177 ± 14	172 ± 13	155 ± 12
	Daejeon	Spring	166 ± 10	174 ± 10	173 ± 10	161 ± 9	145 ± 8	118 ± 6	83 ± 4
		Summer	162 ± 10	160 ± 10	152 ± 10	138 ± 9	114 ± 7	86 ± 4	56 ± 2
		Autumn	112 ± 9	131 ± 11	143 ± 12	144 ± 12	142 ± 12	130 ± 11	109 ± 9
		Winter	89 ± 7	117 ± 10	138 ± 13	143 ± 13	153 ± 15	147 ± 14	133 ± 13
	Cheongju	Spring	169 ± 9	177 ± 9	176 ± 8	164 ± 8	147 ± 6	119 ± 4	84 ± 3
		Summer	169 ± 12	167 ± 12	158 ± 11	143 ± 10	118 ± 8	89 ± 5	57 ± 2
		Autumn	114 ± 6	133 ± 7	145 ± 8	147 ± 8	144 ± 8	131 ± 7	110 ± 5
		Winter	87 ± 8	114 ± 11	133 ± 13	138 ± 13	147 ± 14	141 ± 14	127 ± 12
	Wonju	Spring	164 ± 7	171 ± 7	170 ± 6	158 ± 5	142 ± 4	115 ± 3	82 ± 2
		Summer	161 ± 9	159 ± 9	150 ± 9	136 ± 8	114 ± 6	86 ± 4	56 ± 2
		Autumn	109 ± 6	127 ± 8	138 ± 8	139 ± 8	137 ± 8	125 ± 8	104 ± 6
		Winter	88 ± 6	117 ± 8	138 ± 9	142 ± 9	153 ± 10	147 ± 10	133 ± 9
	Chuncheon	Spring	162 ± 7	169 ± 8	168 ± 7	155 ± 6	140 ± 6	114 ± 4	81 ± 3
		Summer	163 ± 11	162 ± 11	153 ± 10	139 ± 9	116 ± 7	87 ± 5	57 ± 2
		Autumn	103 ± 5	119 ± 6	129 ± 6	129 ± 6	127 ± 6	115 ± 5	96 ± 4
		Winter	85 ± 6	112 ± 10	131 ± 12	136 ± 13	146 ± 14	140 ± 13	126 ± 12
	Suwon	Spring	164 ± 7	172 ± 7	171 ± 7	158 ± 6	143 ± 5	116 ± 3	83 ± 2
		Summer	159 ± 9	157 ± 9	148 ± 8	134 ± 8	112 ± 6	85 ± 4	56 ± 2
		Autumn	109 ± 7	127 ± 8	137 ± 9	138 ± 10	136 ± 9	124 ± 9	104 ± 7
		Winter	88 ± 7	116 ± 9	136 ± 11	141 ± 11	151 ± 12	145 ± 12	131 ± 11
Coastal	Goheung	Spring	160 (2025)	167 (2025)	164 (2025)	151 (2025)	135 (2025)	109 (2025)	75 (2025)
		Summer	179 (2025)	176 (2025)	166 (2025)	150 (2025)	122 (2025)	90 (2025)	56 (2025)
		Autumn	115 (2025)	134 (2025)	145 (2025)	146 (2025)	143 (2025)	130 (2025)	109 (2025)
		Winter	103 (2025)	134 (2025)	157 (2025)	162 (2025)	172 (2025)	164 (2025)	147 (2025)
	Yeosu	Spring	168 ± 10	176 ± 10	175 ± 9	162 ± 8	147 ± 7	120 ± 6	85 ± 4
		Summer	169 ± 14	168 ± 14	160 ± 13	145 ± 12	121 ± 10	92 ± 6	59 ± 3
		Autumn	121 ± 10	143 ± 12	157 ± 13	159 ± 13	157 ± 13	144 ± 12	121 ± 10
		Winter	100 ± 8	135 ± 11	161 ± 14	168 ± 14	180 ± 15	175 ± 15	158 ± 13
	Mokpo	Spring	169 ± 9	177 ± 9	176 ± 9	162 ± 8	147 ± 7	119 ± 5	85 ± 3
		Summer	170 ± 9	169 ± 9	160 ± 9	145 ± 8	122 ± 6	92 ± 4	60 ± 2
		Autumn	117 ± 5	138 ± 7	149 ± 8	151 ± 8	148 ± 8	135 ± 8	114 ± 6
		Winter	88 ± 6	116 ± 9	136 ± 10	141 ± 11	151 ± 12	145 ± 11	131 ± 10
	Busan	Spring	176 ± 7	185 ± 7	184 ± 7	171 ± 6	154 ± 5	125 ± 3	88 ± 2
		Summer	175 ± 11	174 ± 11	165 ± 11	150 ± 10	125 ± 8	93 ± 5	59 ± 3
		Autumn	120 ± 4	142 ± 6	156 ± 7	159 ± 8	157 ± 8	144 ± 8	122 ± 8
		Winter	106 ± 7	145 ± 10	174 ± 12	184 ± 13	197 ± 14	191 ± 13	174 ± 12
	Pohang	Spring	169 ± 7	177 ± 7	175 ± 7	163 ± 7	146 ± 6	118 ± 5	83 ± 3
		Summer	167 ± 15	166 ± 15	158 ± 15	143 ± 13	119 ± 10	90 ± 7	57 ± 3
		Autumn	106 ± 9	125 ± 12	137 ± 14	139 ± 14	137 ± 15	125 ± 14	106 ± 12
		Winter	97 ± 8	132 ± 11	158 ± 13	166 ± 13	178 ± 14	172 ± 14	156 ± 12
	Boryeong	Spring	165 (2025)	173 (2025)	172 (2025)	160 (2025)	145 (2025)	118 (2025)	85 (2025)
		Summer	180 (2025)	179 (2025)	170 (2025)	155 (2025)	128 (2025)	96 (2025)	60 (2025)
		Autumn	102 (2025)	119 (2025)	130 (2025)	131 (2025)	129 (2025)	118 (2025)	100 (2025)
		Winter	86 (2025)	112 (2025)	131 (2025)	137 (2025)	145 (2025)	140 (2025)	126 (2025)
	Seosan	Spring	167 ± 8	175 ± 8	174 ± 7	161 ± 6	145 ± 5	118 ± 3	84 ± 2
		Summer	163 ± 9	161 ± 9	152 ± 9	138 ± 8	115 ± 6	87 ± 4	57 ± 2
		Autumn	110 ± 6	128 ± 7	139 ± 8	140 ± 8	137 ± 8	125 ± 7	105 ± 6
		Winter	85 ± 7	110 ± 9	129 ± 11	133 ± 12	142 ± 13	137 ± 12	123 ± 11
	Gangneung	Spring	161 ± 7	168 ± 7	167 ± 7	155 ± 7	139 ± 6	113 ± 4	80 ± 3
		Summer	155 ± 10	153 ± 10	145 ± 9	132 ± 9	110 ± 7	83 ± 4	54 ± 2
		Autumn	96 ± 16	113 ± 18	122 ± 20	124 ± 20	121 ± 19	111 ± 17	94 ± 14
		Winter	88 ± 9	119 ± 12	141 ± 14	148 ± 14	158 ± 15	153 ± 14	138 ± 13
	Sokcho	Spring	169 (2025)	176 (2025)	174 (2025)	160 (2025)	145 (2025)	117 (2025)	83 (2025)
		Summer	172 (2025)	170 (2025)	161 (2025)	146 (2025)	122 (2025)	92 (2025)	59 (2025)
		Autumn	93 (2025)	109 (2025)	119 (2025)	120 (2025)	118 (2025)	108 (2025)	91 (2025)
		Winter	94 (2025)	126 (2025)	150 (2025)	156 (2025)	167 (2025)	161 (2025)	145 (2025)
	Incheon	Spring	167 ± 7	175 ± 7	173 ± 7	160 ± 6	145 ± 5	118 ± 4	84 ± 2
		Summer	166 ± 10	164 ± 10	155 ± 10	140 ± 9	117 ± 7	88 ± 5	57 ± 2
		Autumn	111 ± 7	129 ± 9	140 ± 10	141 ± 11	138 ± 11	126 ± 10	105 ± 8
		Winter	88 ± 5	117 ± 8	138 ± 9	143 ± 9	153 ± 10	148 ± 10	133 ± 9

풍력

Fig. 7은 2021년부터 2025년까지의 기상자료를 기반으로 산정한 지역별 풍력에너지 생산량을 나타낸다. Fig. 7A는 권역별 평균 풍력에너지 생산량을, Fig. 7B는 18개 지역의 풍력에너지 생산량을 보여준다. 다만 본 연구의 지역 구분은 Materials and Methods에서 제시한 해안·내륙 입지를 기준으로 하므로, 권역별 결과는 지역 분포를 개관하기 위한 참고자료로만 제시하였으며 에너지 생산 특성의 비교와 해석은 해안·내륙 구분을 기준으로 수행하였다. Fig. 7A를 살펴보면 전라도가 가장 높은 풍력에너지 생산량을 나타냈으며, 경상도, 경기도, 충청도 및 강원도가 그 뒤를 이었다. 전라도의 평균 풍력에너지 생산량은 약 1,800 × 10³ MJ 수준으로 분석되었으며, 경상도는 약 1,300 × 10³ MJ 수준을 기록하였다. 반면 충청도와 강원도는 각각 약 400-500 × 10³ MJ 수준으로 상대적으로 낮은 생산량을 나타냈다. 이러한 권역별 차이는 각 권역에 포함된 해안지역의 수와 해안 인접성의 차이를 반영한 것으로, 전라도와 경상도는 여수·목포·부산과 같이 풍황이 우수한 해안지역을 포함하고 있는 반면 충청도와 강원도는 내륙지역의 비중이 상대적으로 높기 때문이다.

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F7.jpg

Fig. 7.

Average wind energy production from 2021 to 2025 in five provinces and eighteen regions of the Republic of Korea. (A) Average wind energy production by province (Gangwon-do, Gyeonggi-do, Gyeongsang-do, Jeolla-do, and Chungcheong-do). (B) Average wind energy production by region.

Fig. 7B의 지역별 풍력에너지 생산량을 비교한 결과, 여수가 약 4,600 × 10³ MJ로 가장 높은 생산량을 기록하였으며, 목포(약 3,700 × 10³ MJ), 부산(약 2,000 × 10³ MJ), 인천(약 1,130 × 10³ MJ), 포항(약 1,040 × 10³ MJ)이 뒤를 이었다. 반면 원주, 청주, 광주 및 춘천은 200 × 10³ MJ 이하의 상대적으로 낮은 생산량을 나타냈다. 지역별 풍력에너지 생산량은 여수, 목포, 부산, 인천, 포항, 속초, 대구, 보령, 서산, 강릉, 고흥, 수원, 대전, 전주, 춘천, 광주, 청주 및 원주 순으로 높게 나타났다. 특히 상위권 지역의 대부분이 해안지역에 분포하는 특징을 확인할 수 있었다. 해안지역과 내륙지역의 연간 풍력에너지 생산량을 비교한 결과 해안지역이 평균 1,595,675 MJ, 내륙지역이 평균 267,291 MJ로 해안지역이 약 6.0배 높았으며, 그 차이는 통계적으로 매우 유의하였다(로그변환 후 Welch t-검정 p ＜ 0.001, Mann–Whitney U 검정 p ＜ 0.001, Fig. 8F). 18개 지역 전체를 2025년 단일연도 기준으로 비교한 경우에도 동일한 유의성이 확인되었다(p ＜ 0.001). 이는 태양열 및 태양광에서 해안·내륙 간 차이가 유의하지 않았던 것과 대조적이며, 풍력이 세 에너지원 중 입지조건에 가장 민감한 에너지원임을 보여준다. 한편 연간 발전량의 연도 간 변동계수는 3.4-41.9%로 태양열(1.5-5.0%) 및 태양광(1.9-5.2%)보다 현저히 크게 나타나, 풍력은 연도 간 변동성 또한 가장 큰 에너지원으로 확인되었다.

Table 9는 국내 18개 지역의 계절별 풍력에너지 생산량을 연도 간 평균과 표준편차와 함께 나타낸 것이다. 분석 결과, 풍력에너지 생산량은 지역 및 계절에 따라 뚜렷한 차이를 보였으며, 전반적으로 해안지역이 내륙지역보다 높은 생산량을 나타냈다. 특히 대부분의 해안지역에서는 겨울철에 풍력에너지 생산량이 증가하는 경향이 확인되었다. 여수는 봄철 약 1,060,487 MJ에서 겨울철 약 1,721,238 MJ로 증가하였으며, 목포 역시 겨울철 약 1,542,750 MJ를 기록하여 높은 풍력 잠재력을 나타냈다. 부산, 포항 및 인천 또한 겨울철에 상대적으로 높은 생산량을 기록하였다. 반면 원주와 청주 등 내륙지역은 전 계절에 걸쳐 상대적으로 낮은 생산량을 나타냈으며, 특히 원주는 분석 지역 중 가장 낮은 수준의 풍력에너지 생산량을 보였다. 계절에 따른 발전량 차이는 통계적으로 유의하였으며(Friedman 검정, χ² = 30.27, p ＜ 0.001), 해안지역(χ² = 13.80, p = 0.003)과 내륙지역(χ² = 18.75, p ＜ 0.001)을 각각 분석한 경우에도 유의한 계절 효과가 확인되었다. 계절 평균 발전량은 해안지역에서 겨울철 568,644 MJ, 봄철 432,610 MJ, 가을철 328,361 MJ, 여름철 266,060 MJ 순이었고, 내륙지역에서는 겨울철 93,208 MJ, 봄철 87,241 MJ, 가을철 46,333 MJ, 여름철 40,509 MJ 순으로 두 집단 모두 겨울철에 최대, 여름철에 최소를 나타냈다. 겨울철과 여름철의 차이는 Wilcoxon 부호순위 검정에서도 유의하였다(p = 0.006). 이는 겨울철 북서 계절풍의 영향으로 평균 풍속이 증가하기 때문으로 판단되며, 온실 난방수요가 집중되는 겨울철에 풍력 생산량이 동반 증가한다는 점에서 온실 난방부하 대응 측면의 계절적 정합성이 확인되었다.

이러한 지역별 및 계절별 생산량 차이는 풍속 조건과 지형적 특성의 영향을 반영한 결과로 판단된다. 풍력발전의 출력은 풍속의 세제곱에 비례하므로 작은 풍속 차이도 발전량의 큰 차이로 이어질 수 있다. 따라서 해안지역은 해륙풍과 계절풍의 영향을 지속적으로 받아 상대적으로 높은 풍속이 형성되기 때문에 내륙지역보다 유리한 발전 조건을 갖는 것으로 해석된다. 실제로 여수, 목포, 부산, 포항, 인천 및 속초와 같은 해안지역은 높은 생산량을 기록한 반면, 춘천, 원주 및 청주와 같은 내륙지역은 지형에 의한 풍속 감쇠와 낮은 평균 풍속의 영향으로 상대적으로 낮은 생산량을 나타냈다. 또한 강원 내륙지역은 산악지형의 영향으로 풍향 변동성이 크고 안정적인 풍력자원 확보가 어려워 해안지역보다 낮은 발전 잠재력을 보이는 것으로 판단된다.

아울러 이러한 결과는 풍력에너지의 지역별 적용 가능성을 평가하는 데 중요한 시사점을 제공한다. 여수와 목포를 포함한 남해안 지역, 부산과 포항이 위치한 동남해안 지역, 그리고 인천과 속초와 같은 해안지역은 높은 풍력에너지 생산 잠재력을 나타내어, 풍력 활용을 우선 검토할 수 있는 지역으로 평가된다. 반면 내륙지역은 풍력에너지 생산량이 상대적으로 낮아 풍력 단독 시스템보다는 태양광 또는 에너지저장장치(ESS)와 연계한 하이브리드 시스템 적용이 필요할 것으로 판단된다. 따라서 본 연구의 풍력 생산량과 연간 에너지 등가 규모는 일부 해안지역에서 풍력을 우선 검토할 근거로 활용될 수 있다.

Table 9

Seasonal wind energy production (2 MW rated turbine) in selected coastal and inland regions of the Republic of Korea during 2021-2025 (MJ). Values are means ± standard deviations of five annual values; for Goheung, Boryeong and Sokcho only the 2025 value was available and the data year is given in parentheses.

Location	City	Seasonal wind energy production (MJ)
Location	City	Spring	Summer	Autumn	Winter
Inland	Gwangju	38,287 ± 12,467	37,930 ± 23,679	19,643 ± 7,583	25,729 ± 13,989
	Jeonju	76,841 ± 21,554	30,520 ± 14,198	40,216 ± 7,514	70,009 ± 20,981
	Daegu	236,350 ± 35,091	82,665 ± 20,197	131,963 ± 29,256	343,813 ± 79,464
	Daejeon	92,930 ± 22,227	53,842 ± 22,663	55,623 ± 19,698	86,513 ± 15,730
	Cheongju	35,959 ± 7,286	19,453 ± 4,241	18,966 ± 4,214	23,854 ± 9,095
	Wonju	21,549 ± 9,844	7,596 ± 5,602	7,336 ± 3,254	15,349 ± 7,491
	Chuncheon	56,168 ± 6,204	17,304 ± 4,155	25,548 ± 7,838	48,655 ± 10,898
	Suwon	139,841 ± 20,971	74,760 ± 17,155	71,371 ± 14,439	131,744 ± 42,945
Coastal	Goheung	162,665 (2025)	65,353 (2025)	56,816 (2025)	242,533 (2025)
	Yeosu	1,060,487 ± 156,674	700,515 ± 115,467	1,111,208 ± 275,839	1,721,238 ± 125,474
	Mokpo	829,815 ± 78,290	395,132 ± 109,015	934,975 ± 267,428	1,542,750 ± 178,210
	Busan	609,340 ± 94,702	629,384 ± 156,910	317,538 ± 51,812	454,727 ± 56,746
	Pohang	338,599 ± 65,520	170,392 ± 32,692	222,300 ± 48,096	309,561 ± 84,506
	Boryeong	342,165 (2025)	228,084 (2025)	80,522 (2025)	98,968 (2025)
	Seosan	233,930 ± 40,002	140,537 ± 45,409	112,220 ± 26,459	220,783 ± 49,525
	Gangneung	158,905 ± 31,017	63,789 ± 21,267	91,615 ± 36,616	224,894 ± 41,722
	Sokcho	284,262 (2025)	95,961 (2025)	146,456 (2025)	430,837 (2025)
	Incheon	305,931 ± 38,450	171,456 ± 61,279	209,961 ± 58,261	440,149 ± 191,984

Table 10

Statistical comparison of greenhouse energy loads and renewable energy production between inland and coastal regions, and tests of the tilt-angle and seasonal effects. n.s., not significant; p ＜ 0.05; p ＜ 0.01; p ＜ 0.001. † applied to log-transformed values because of the large between-region spread.

Variable	Inland (n = 8) mean ± SD		Coastal (n = 10) mean ± SD		Difference	Welch’s t-test p	Mann– Whitney U p		Hedges’ g		Significance
Annual heating load (MJ)	503,064 ± 74,542		432,477 ± 71,231		+16.3%	0.063	0.068		0.95		n.s.
Annual cooling load (MJ)	254,248 ± 23,435		241,678 ± 20,150		+5.2%	0.262	0.274		0.56		n.s.
Annual total load (MJ)	757,312 ± 58,975		674,155 ± 60,566		+12.3%	0.011	0.006		1.36		*
Solar thermal, optimal tilt (MJ/m²)	4,131 ± 153		4,234 ± 173		−2.5%	0.230	0.203		−0.61		n.s.
Photovoltaic, optimal tilt (MJ/m²)	606 ± 19		619 ± 29		−2.2%	0.279	0.360		−0.51		n.s.
Wind, 2 MW turbine (MJ)	267,291 ± 259,982		1,595,675 ± 1,340,272		−5.97-fold	＜ 0.001 †	＜ 0.001		–		***
Factor	Levels	Blocks		Test		χ2		p		Significance
Tilt angle – solar thermal	7 (0–90°)	18 regions		Friedman		103.98		＜ 0.001		***
Tilt angle – photovoltaic	7 (0–90°)	18 regions		Friedman		106.17		＜ 0.001		***
Season – solar thermal (30°)	4	18 regions		Friedman		52.87		＜ 0.001		***
Season – photovoltaic (30°)	4	18 regions		Friedman		42.47		＜ 0.001		***
Season – wind (all regions)	4	18 regions		Friedman		30.27		＜ 0.001		***
Season – wind (coastal only)	4	10 regions		Friedman		13.80		0.003		**
Season – wind (inland only)	4	8 regions		Friedman		18.75		＜ 0.001		***
Winter vs. summer – wind	2	18 regions		Wilcoxon		–		0.006		**

https://cdn.apub.kr/journalsite/sites/kspa/2026-008-03/N0570080307/images/kspa_2026_083_303_F8.jpg

Fig. 8.

Comparison of annual greenhouse energy loads and renewable energy production between inland (n = 8) and coastal (n = 10) regions. (A) annual cumulative heating load, (B) annual cumulative cooling load, (C) annual total heating and cooling load, (D) annual solar thermal energy collected at the optimal tilt angle, (E) annual photovoltaic energy production at the optimal tilt angle, and (F) annual wind energy production for a 2 MW turbine (logarithmic scale). Boxes show the median and interquartile range, dashed lines the group means, whiskers the data range and plus symbols the outliers. p-values are from Welch’s t-test (t) and the Mann–Whitney U test (U); n.s., not significant; *p ＜ 0.05; ***p ＜ 0.001.

온실에너지 수요와 재생에너지 공급량 비교

지역별 온실 에너지 수요와 재생에너지 생산량을 연계하여 분석하기 위해 연간 에너지수지를 기준으로 태양열 집열 면적과 태양광 및 풍력의 에너지 등가 규모를 산정하였으며, Table 11에 나타내었다. 그 결과, 온실의 연간 난방부하에 해당하는 태양열 집열 면적은 지역에 따라 69.9-160.9 m²의 범위로 나타났다. 부산에서 69.9 m²로 가장 작았으며, 여수 80.0 m², 고흥 88.1 m² 및 포항 89.7 m² 순으로 비교적 작은 집열 면적이 산정되었다. 반면 춘천에서는 160.9 m²로 가장 크게 나타났으며, 수원 136.5 m², 원주 136.3 m² 및 서산 134.7 m²에서도 상대적으로 큰 집열 면적이 산정되었다. 태양열 집열 면적의 지역별 차이는 온실 난방부하와 단위면적당 태양열 에너지 생산량이 함께 반영된 결과로 판단된다. 부산은 분석지역 중 연평균 누적 난방부하가 가장 낮은 동시에 1 m²당 연간 태양열 집열량이 가장 높아 가장 작은 집열 면적이 산정되었다. 반면 춘천은 연평균 누적 난방부하가 가장 높고 태양열 집열량은 상대적으로 낮아 가장 큰 연간 에너지 등가 집열 면적이 산정되었다. 해안지역의 평균 태양열 집열 면적은 102.9 m²로 내륙지역의 122.4 m²보다 약 15.9% 낮게 나타났다. 이는 해안지역에서 전반적으로 난방부하가 낮게 나타난 것과 일부 남부 해안지역에서 높은 태양열에너지 생산량이 나타난 것이 복합적으로 작용한 결과로 판단된다. 연간 총 냉·난방부하와 태양광 발전량을 비교한 결과, 태양광의 에너지 등가 면적은 862.5-1,485.4 m², 이에 해당하는 정격용량은 86.3-148.5 kW의 범위로 나타났다. 부산에서 862.5 m² 및 86.3 kW로 가장 작았으며, 여수에서는 910.9 m² 및 91.1 kW로 나타났다. 반면 춘천에서는 1,485.4 m² 및 148.5 kW로 가장 크게 나타났으며, 원주와 수원에서도 각각 131.3 및 130.8 kW의 비교적 큰 에너지 등가 용량이 산정되었다. 해안지역의 평균 태양광 에너지 등가 용량은 109.4 kW로 내륙지역의 125.3 kW보다 약 12.7% 낮게 나타났다. 앞서 지역별 태양광 발전량은 태양열 및 풍력에 비해 지역 간 편차가 상대적으로 크지 않았으나, 온실의 냉·난방부하를 함께 고려한 에너지 등가 용량에서는 지역 간 차이가 보다 명확하게 나타났다. 이는 태양광 발전량뿐만 아니라 각 지역에서 요구되는 온실 냉·난방 에너지의 차이가 동시에 반영되었기 때문이다. 특히 부산과 여수는 상대적으로 낮은 온실 에너지 수요와 높은 태양광 발전량이 함께 나타나 에너지 등가 규모가 작게 산정된 반면, 춘천과 원주는 높은 난방부하의 영향으로 상대적으로 큰 규모가 요구되었다. 풍력의 에너지 등가 용량은 지역에 따라 차이가 매우 크게 나타났다. 여수가 258.8 kW로 가장 작았으며, 목포 346.7 kW, 부산 582.7 kW 순으로 작은 값을 나타냈다. 반면 원주는 30,198.2 kW로 가장 크게 나타났으며, 청주 15,860.9 kW, 춘천 11,687.2 kW 및 광주 11,102.2 kW에서도 매우 큰 값이 산정되었다. 가장 작은 값을 나타낸 여수와 가장 큰 값을 나타낸 원주의 차이는 약 117배로, 태양열과 태양광의 결과보다 현저하게 큰 지역 간 편차가 확인되었다. 해안지역의 평균 풍력 에너지 등가 용량은 약 1,434.7 kW인 반면 내륙지역은 약 10,765.0 kW로 나타나 내륙지역의 요구 규모가 해안지역보다 약 7.5배 크게 나타났다. 이러한 차이는 지역별 온실 냉·난방부하의 차이뿐만 아니라 풍력 발전량의 지역적 편차가 크게 작용한 결과로 판단된다. 특히 여수와 목포는 높은 풍력 발전량으로 인해 온실 에너지 수요와 동일한 연간 에너지량을 생산하기 위한 정격용량이 상대적으로 작게 나타났다. 반면 원주, 청주, 춘천 및 광주와 같이 풍력 발전량이 낮은 지역에서는 동일한 연간 에너지량을 생산하기 위해 매우 큰 에너지 등가 정격용량이 산정되었다. 따라서 풍력은 태양열 및 태양광에 비해 지역별 풍황 조건이 에너지 공급 규모에 미치는 영향이 큰 에너지원으로 분석되었다. 이는 앞서 확인된 통계 분석 결과, 즉 태양열과 태양광에서는 해안·내륙 간 생산량 차이가 유의하지 않았던 반면 풍력에서는 약 6.0배의 유의한 차이가 나타난 것(p ＜ 0.001)과 일관된다.

종합적으로 온실 에너지 수요와 재생에너지 생산량을 함께 고려할 경우 동일한 구조와 운전조건의 온실이라도 설치 지역에 따라 요구되는 재생에너지 규모가 크게 달라지는 것으로 나타났다. 특히 부산과 여수는 상대적으로 낮은 온실 에너지 수요와 높은 태양에너지 생산량으로 인해 태양열 및 태양광의 요구 규모가 작게 나타났으며, 여수와 목포는 높은 풍력 발전량으로 인해 풍력의 에너지 등가 용량도 상대적으로 작게 나타났다. 반면 춘천과 원주를 비롯한 일부 내륙지역에서는 높은 난방부하와 상대적으로 낮은 재생에너지 생산량이 복합적으로 작용하여 재생에너지의 요구 규모가 증가하였다. 따라서 온실용 재생에너지 시스템을 검토할 때에는 재생에너지 생산량만을 독립적으로 평가하기보다 해당 지역의 온실 냉·난방 에너지 수요를 함께 고려하여 에너지원별 검토 가능성과 연간 에너지 등가 규모를 비교할 필요가 있는 것으로 판단된다. 다만 위의 등가 규모는 연간 에너지수지를 기준으로 산정한 값으로, 재생에너지 생산과 온실 에너지 수요의 시간적 불일치, 축열·축전 손실 및 변환효율은 고려하지 않았다. 따라서 본 결과는 지역별 재생에너지 시스템의 설계 규모를 직접 결정하는 값이 아니라 지역 간 적용 우선순위를 동일한 기준으로 비교하기 위한 지표로 해석하여야 하며, 실제 설비 설계를 위해서는 시간 단위의 수급 해석과 저장장치 용량 산정에 대한 검토가 추가로 필요하다.

Table 11

Annual energy-equivalent collector area, photovoltaic module area and capacity, and wind capacity calculated from greenhouse heating and cooling loads across selected coastal and inland regions.

Location	City	Solar thermal A_ST (m²)	Photovoltaic				Wind
			A_PV (m²)			P_PV (kW) Total	P_W (kW)
			Heating	Cooling	Total	P_PV (kW) Total	Heating	Cooling	Total
Inland	Gwangju	94.65	641.96	428.98	1,070.95	107.09	6,655.03	4,447.11	11,102.15
	Jeonju	113.76	775.31	419.06	1,194.36	119.44	4,190.45	2,264.97	6,455.42
	Daegu	99.04	676.06	438.91	1,114.96	111.50	1,091.30	708.49	1,799.79
	Daejeon	121.82	833.29	433.51	1,266.79	126.68	3,490.14	1,815.71	5,305.85
	Cheongju	115.97	802.59	470.13	1,272.72	127.27	10,002.08	5,858.83	15,860.91
	Wonju	136.31	928.08	384.67	1,312.76	131.28	21,349.31	8,848.93	30,198.24
	Chuncheon	160.93	1,087.54	397.86	1,485.40	148.54	8,556.77	3,130.38	11,687.15
	Suwon	136.51	928.17	380.08	1,308.25	130.83	2,632.65	1,078.04	3,710.69
Coastal	Goheung	88.06	616.31	427.55	1,043.86	104.39	1,476.50	1,024.30	2,500.80
	Yeosu	80.01	540.60	370.25	910.86	91.09	153.62	105.21	258.84
	Mokpo	95.98	644.35	389.24	1,033.59	103.36	216.16	130.57	346.73
	Busan	69.95	475.97	386.54	862.51	86.25	321.56	261.14	582.71
	Pohang	89.65	611.14	400.37	1,011.51	101.15	736.69	482.63	1,219.32
	Boryeong	120.62	827.82	428.29	1,256.11	125.61	1,332.54	689.42	2,021.95
	Seosan	134.73	914.85	374.88	1,289.73	128.97	1,535.41	629.17	2,164.58
	Gangneung	108.05	755.41	417.20	1,172.60	117.26	1,611.59	890.05	2,501.64
	Sokcho	114.92	790.00	360.80	1,150.80	115.08	996.35	455.05	1,451.40
	Incheon	127.38	860.98	347.89	1,208.87	120.89	925.17	373.82	1,298.98

Conclusion

본 연구에서는 TRNSYS-CONTAM 연동 모델을 이용하여 국내 18개 지역의 유리온실 냉·난방부하와 태양열, 태양광 및 풍력에너지 생산 특성을 분석하고, 온실 에너지 수요와 재생에너지 공급량의 관계를 평가하였다. 분석 결과, 내륙지역은 해안지역보다 전반적으로 높은 냉·난방부하를 나타냈으나, 통계적으로 유의한 차이는 연간 총 냉·난방부하에서만 확인되었고(p = 0.011) 난방부하와 냉방부하에서는 유의하지 않았다. 태양열 및 태양광에너지는 부산, 여수, 고흥 등 남부지역에서 높은 생산 잠재력을 보였으나 해안·내륙 간 차이는 유의하지 않았던 반면(p ＞ 0.20), 풍력에너지는 해안지역이 내륙지역의 약 6.0배로 유의하게 높았다(p ＜ 0.001). 경사각 및 계절에 따른 차이는 세 에너지원 모두에서 유의하였다(p ＜ 0.001). 연간 에너지수지를 기준으로 산정한 태양열 집열면적은 69.9-160.9 m², 태양광 에너지 등가 정격용량은 86.3-148.5 kW의 범위로 나타났으며, 풍력 에너지 등가 정격용량은 258.8-30,198.2 kW로 지역 간 최대 약 117배의 편차를 나타냈다. 특히 해안지역은 상대적으로 낮은 온실 에너지 수요와 일부 지역의 우수한 재생에너지 자원으로 인해 내륙지역보다 요구되는 재생에너지 규모가 작게 나타났다. 이상의 결과는 다음과 같은 의미를 갖는다. 첫째, 온실의 연간 에너지 수요와 재생에너지 생산량을 함께 고려하면 연간 에너지수지에 근거하여 지역별 에너지원의 적용 가능성을 예비적으로 비교할 수 있다. 둘째, 태양열과 태양광은 분석 대상 지역 전반에서 적용 가능성을 검토할 수 있으며, 풍력은 해안지역의 높은 생산량과 큰 지역 간 편차를 고려할 때 여수와 목포 등 일부 해안지역에서 보완 에너지원으로 우선 검토할 수 있다. 셋째, 풍력 생산량이 겨울철에 최대가 되어 난방수요 시기와 정합하는 반면 태양열은 겨울철에 최소가 되므로, 해안지역에서는 두 에너지원의 조합이 계절별 공급 안정성 측면에서 유리할 수 있다. 향후 동절기 실측자료를 이용한 부하 검증과 위 요인들을 반영한 추가 평가가 이루어진다면, 본 연구 결과는 지역 맞춤형 재생에너지 시스템의 예비 검토 자료로 활용될 수 있을 것으로 판단된다.

Conflict of Interest

All authors declare there is no conflict of interest.

Acknowledgements

본 성과물은 기후에너지환경부에서 지원하는 신재생에너지핵심기술개발 사업(RS-2026-25527755)의 연구수행으로 인한 결과물임을 밝힙니다.

References

Acosta-Silva, Y.d.J., Torres-Pacheco, I., Matsumoto, Y., Toledano-Ayala, M., Soto-Zarazua, G.M., Zelaya-Angel, O., Mendez-Lopez, A. 2019. Applications of solar and wind renewable energy in agriculture: A review. Science Progress 102(2): 127-140. https://doi.org/10.1177/0036850419832696

10.1177/003685041983269631829840PMC10424537

Adesanya, M.A., Na, W., Rabiu, A., Ogunlowo, Q.O., Akpenpuun, T.D., Rasheed, A., Yoon, Y., Lee, H. 2022. TRNSYS simulation and experimental validation of internal temperature and heating demand in a glass greenhouse. Sustainability 14(14): 8283. https://doi.org/10.3390/su14148283

10.3390/su14148283

Adesanya, M.A., Na, W.H., Kim, M.H., Lee, H.W. 2024. Energy-economic-environmental analysis of a net-zero energy greenhouse with fan-coil units and hot-water pipes: Experiment and modelling. Indoor and Built Environment 33(8): 1542-1566. https://doi.org/10.1177/1420326X241246075

10.1177/1420326X241246075

Ahamed, M.S., Guo, H., Tanino, K. 2019. Energy saving techniques for reducing the heating cost of conventional greenhouses. Biosystems Engineering 178: 9-33. https://doi.org/10.1016/j.biosystemseng.2018.10.017

10.1016/j.biosystemseng.2018.10.017

Ahamed, M.S., Guo, H., Tanino, K. 2020. Modeling heating demands in a Chinese-style solar greenhouse using the transient building energy simulation model TRNSYS. Journal of Building Engineering 29: 101114. https://doi.org/10.1016/j.jobe.2019.101114

10.1016/j.jobe.2019.101114

Bathaei, A., Štreimikienė, D. 2023. Renewable energy and sustainable agriculture: Review of indicators. Sustainability 15(19): 14307. https://doi.org/10.3390/su151914307

10.3390/su151914307

Dols, W.S., Polidoro, B. 2015. CONTAM user guide and program documentation: version 3.2. pp. 227-236. US Department of Commerce, National Institute of Standards and Technology, Gaithersburg, MD, USA.

10.6028/NIST.TN.1887

Duffie, J.A., Beckman, W.A., Blair, N. 2020. Solar engineering of thermal processes, photovoltaics and wind. pp. 56-66. John Wiley & Sons, Hoboken, NJ, USA.

Farooq, M.S., Riaz, S., Abid, A., Umer, T., Zikria, Y.B. 2020. Role of IoT technology in agriculture: A systematic literature review. Electronics 9(2): 319. https://doi.org/10.3390/electronics9020319

10.3390/electronics9020319

Hassanien, R.H.E., Li, M., Lin, W.D. 2016. Advanced applications of solar energy in agricultural greenhouses. Renewable and Sustainable Energy Reviews 54: 989-1001. https://doi.org/10.1016/j.rser.2015.10.095

10.1016/j.rser.2015.10.095

Hosseini, S.E., Wahid, M.A. 2016. Hydrogen production from renewable and sustainable energy resources: Promising green energy carrier for clean development. Renewable and Sustainable Energy Reviews 57: 850-866. https://doi.org/10.1016/j.rser.2015.12.112

10.1016/j.rser.2015.12.112

Jo, D.K., Yun, C.Y., Kim, K.D., Kang, Y.H. 2011. A Detail Survey of Horizontal Global Radiation and Hours of Bright Sunshine for the Installation of Solar Photovoltaic System in Korea. Journal of the Korean Solar Energy Society 31(3): 48-56. https://doi.org/10.7836/kses.2011.31.3.048

10.7836/kses.2011.31.3.048

Khaled, L., Dib, R., Abdulhay, B., Moubayed, N. (2026). Statistical-numerical modeling of greenhouse heating loads and uncontrolled temperature profiles across Lebanese climate zones: Experimental validation. Applied Thermal Engineering 296: 130682. https://doi.org/10.1016/j.applthermaleng.2026.130682

10.1016/j.applthermaleng.2026.130682

Khan, J., Arsalan M.H. 2016. Solar power technologies for sustainable electricity generation-A review. Renewable and Sustainable Energy Reviews 55: 414-425. https://doi.org/10.1016/j.rser.2015.10.135

10.1016/j.rser.2015.10.135

Kim, S.O., Yun, J.I., Chung, U.R., Hwang, K.H. 2010. A geospatial evaluation of potential sea effects on observed air temperature. Korean Journal of Agricultural and Forest Meteorology 12(4): 217-224. https://doi.org/10.5532/KJAFM.2010.12.4.217

10.5532/KJAFM.2010.12.4.217

Lee, S.H., Kim, R.W., Shin, H., Yun, S.W. 2026. Dynamic energy modeling of a naturally ventilated greenhouse using TRNSYS-TRNFlow: Part I. Model development and validation. Applied Thermal Engineering 299: 131018. https://doi.org/10.1016/j.applthermaleng.2026.131018

10.1016/j.applthermaleng.2026.131018

Lee, S.Y., Lee, I.B., Lee, S.N., Yeo, U.H., Kim, J.G., Kim, R.W., Decano-Valentin, C. 2021. Dynamic energy exchange modelling for a plastic-covered multi-span greenhouse utilizing a thermal effluent from power plant. Agronomy 11(8): 1461. https://doi.org/10.3390/agronomy11081461

10.3390/agronomy11081461

Liu, J., Jin, T.H., Shin, K.Y. 2021. Parametric study on a simplified model for the estimation of the heating and the cooling loads of a closed-span greenhouse: a case study in Korea. Journal of Mechanical Science and Technology 35(1): 333-341. https://doi.org/10.1007/s12206-020-1233-x

10.1007/s12206-020-1233-x

MAFRA (Ministry of Agriculture, Food and Rural Affairs). 2020. Smart agriculture project details. (https://www.mafra.go.kr/home/5281/subview.do Accessed Sep. 9, 2026)

MAFRA (Ministry of Agriculture, Food and Rural Affairs). 2025. Greenhouse status of facility vegetables. Korean Statistical Information Service (KOSIS). (https://kosis.kr Accessed Sep. 9, 2026)

Manwell, J.F., McGowan, J.G., Rogers, A.L. 2009. Wind energy explained: theory, design and application, 2nd ed. pp. 23-65. John Wiley & Sons, Chichester, UK.

10.1002/9781119994367

Montero, J.I., Teitel, M., Baeza, E., Lopez, J.C., Kacira, M. 2013. Greenhouse design and covering materials. Good Agricultural Practices for greenhouse vegetable crops 35. pp. 35-62

Moriasi, D.N., Gitau, M.W., Pai, N., Daggupati, P. 2015. Hydrologic and water quality models: Performance measures and evaluation criteria. Transactions of the ASABE 58(6): 1763-1785. https://doi.org/10.13031/trans.58.10715

10.13031/trans.58.10715

Nam, S.W., Shin, H.H., Seo, D.U. 2014. Comparative analysis of accumulated temperature for seasonal heating load calculation in greenhouses. Journal of Bio-Environment Control 23(3): 192-198. https://doi.org/10.12791/KSBEC.2014.23.3.192

10.12791/KSBEC.2014.23.3.192

Nam, Y.C. (2025). "Smart Farm Innovation Valley'and Support Policy for Young Farmers-Focused on the Sangju-si, Gyeongbuk. Journal of the Korean Institute of Rural Architecture 27(2): 1-8. https://doi.org/10.14577/kirua.2025.27.2.1

10.14577/kirua.2025.27.2.1

RDA (Rural Development Administration), 2020. Tomato. Agricultural Technology Guide 106, 9th revised ed. pp. 38-40. Rural Development Administration, Republic of Korea.

Rabiu, A., Adesanya, M.A., Na, W.H., Ogunlowo, Q.O., Akpenpuun, T.D., Kim, H.T., Lee, H.W. 2023. Thermal performance and energy cost of Korean multispan greenhouse energy-saving screens. Energy 285: 129514. https://doi.org/10.1016/j.energy.2023.129514

10.1016/j.energy.2023.129514

Shamshiri, R., Kalantari, F., Ting, K.C., Thorp, K.R., Hameed, I.A., Weltzien, C., Ahmad, D., Shad, Z.M. 2018. Advances in greenhouse automation and controlled environment agriculture: A transition to plant factories and urban agriculture. International Journal of Agricultural and Biological Engineering 11(1): 1-22. https://doi.org/10.25165/j.ijabe.20181101.3210

10.25165/j.ijabe.20181101.3210

Shi, K., Ren, J., Cao, X., Kong, X. 2024. Optimizing thermal comfort in an atrium-structure library: On-site measurement and TRNSYS-CONTAM co-simulation. Building and Environment 266: 112041. https://doi.org/10.1016/j.buildenv.2024.112041

10.1016/j.buildenv.2024.112041

Son, M., Park, S., Lee, S., Chung, S.J., Seonwoo, H. 2026. Performance comparison and suitability evaluation of shell and tube heat exchangers for greenhouse environments using CFD and TRNSYS. Energy Conversion and Management: X 30: 101889. https://doi.org/10.1016/j.ecmx.2026.101889

10.1016/j.ecmx.2026.101889

Soussi, A., Zero, E., Ouammi, A., Zejli, D., Zahmoun, S., Sacile, R. 2025. Smart greenhouse farming: a review towards near zero energy consumption. Discover Cities 2(1): 55. https://doi.org/10.1007/s44327-025-00096-w

10.1007/s44327-025-00096-w

Suh, M.S., Hong, S.K., Kang, J.H. 2009. Characteristics of seasonal mean diurnal temperature range and their causes over South Korea. Atmosphere 19(2): 155-168.

Vadiee, A., Martin, V. 2012. Energy management in horticultural applications through the closed greenhouse concept, state of the art. Renewable and Sustainable Energy Reviews 16(7): 5087-5100. https://doi.org/10.1016/j.rser.2012.04.022

10.1016/j.rser.2012.04.022

Vadiee, A., Martin, V. 2013. Energy analysis and thermoeconomic assessment of the closed greenhouse-The largest commercial solar building. Applied Energy 102: 1256-1266. https://doi.org/10.1016/j.apenergy.2012.06.051

10.1016/j.apenergy.2012.06.051

Wolfert, S., Ge, L., Verdouw, C., Bogaardt, M.J. 2017. Big data in smart farming-a review. Agricultural systems 153: 69-80. https://doi.org/10.1016/j.agsy.2017.01.023

10.1016/j.agsy.2017.01.023

Precision Agriculture Science and Technology ISSN:2672-0086(Print) 2713-5632(Online) 정밀농업과학기술

Preview

Assessment of greenhouse energy demand and renewable energy supply potential across regions in the Republic of Korea using TRNSYS-CONTAM

ABSTRACT

MAIN

Fig. 1.

(1)

(2)

Fig. 2.

Development and validation procedure of a greenhouse thermal environment model using TRNSYS-CONTAM coupling.

Table 1

Summary of the datasets used in this study, including their source, collection period, temporal resolution, measured variables and use in the analysis.

Table 2

Thermal and optical properties of the structural, ground, and covering components used in the greenhouse model (Adesanya et al., 2022).

(3)

(4)

(5)

Table 3

Control algorithms applied to the roof vents and the shading screen in the TRNSYS–CONTAM model, corresponding to the flow charts given in Fig. 2. The same control logic was applied to all 18 regions.

Table 4

Input parameters and performance coefficients of TRNSYS components used in the simulation.

Fig. 3.

Renewable energy modules and energy collection using TRNSYS. (A) Solar thermal energy, (B) Solar photovoltaic energy, (C) Wind energy.

(6)

(7)

(8)

(9)

Fig. 4.

Comparison of measured and simulated greenhouse indoor temperatures from June 1 to October 31, 2025.

Table 5

Monthly accuracy evaluation results of the greenhouse model for indoor air temperature (1 June–31 October 2025).

Table 6

Seasonal cumulative and maximum hourly greenhouse heating and cooling loads in selected coastal and inland regions of the Republic of Korea from 2021 to 2025. Regions are grouped by location (inland or coastal). For Goheung, Boryeong and Sokcho, only 2025 data were available.

Fig. 5.

Seasonal comparison of mean annual cumulative greenhouse heating and cooling loads in selected coastal and inland regions of the Republic of Korea, averaged over 2021-2025: (A) cumulative heating load and (B) cumulative cooling load. For Goheung, Boryeong, and Sokcho, only 2025 data were available.

Fig. 6.

Average solar thermal and photovoltaic energy collected from 2021 to 2025 for 18 regions according to 0, 15, 30, 45, 60, 75, and 90°. (A) Solar thermal energy (B) Photovoltaic energy.

Table 7

Table 8

Fig. 7.

Average wind energy production from 2021 to 2025 in five provinces and eighteen regions of the Republic of Korea. (A) Average wind energy production by province (Gangwon-do, Gyeonggi-do, Gyeongsang-do, Jeolla-do, and Chungcheong-do). (B) Average wind energy production by region.

Table 9

Table 10

Fig. 8.

Table 11

Annual energy-equivalent collector area, photovoltaic module area and capacity, and wind capacity calculated from greenhouse heating and cooling loads across selected coastal and inland regions.

Conflict of Interest

Acknowledgements

References