미국 전력망, 6,600MW 부족. 이제 어떻게 해야 하나?

문제 상황

2025년 12월, 미국 최대 전력망 운영기관인 PJM Interconnection(13개 주에서 6,500만 명에게 전력을 공급)은 전례 없는 일이 발생했음을 발표했습니다. 이번 용량 경매는 2027/2028년 전력 공급에 필요한 용량보다 6,623메가와트 부족했습니다. 이 격차는 대형 발전소 6곳의 출력에 해당하는 분량으로, 시스템에서 그냥 사라진 셈입니다.

경매는 전 지역에서 메가와트당 하루 333.44달러라는 연방 가격 상한선에 도달했습니다. 총비용은 164억 달러입니다. 그러나 그 한도 가격에서조차 신뢰성 목표를 충족할 만큼의 전력이 부족했습니다. 예비율, 즉 정전에 대비하는 안전 버퍼는 14.8%로 떨어져, 대규모 정전을 방지하기 위해 설계된 20% 기준을 크게 밑돌았습니다.

한편 텍사스에서는 ERCOT 전력망이 성격은 다르지만 연관된 위기에 직면해 있습니다. 접속을 기다리는 대형 고객, 대부분 데이터 센터의 대기 행렬이 233기가와트로 불어났습니다. 이는 텍사스 전력망 전체 피크 수요의 약 3배에 달합니다. 그러나 ERCOT가 2025년에 새로 추가한 발전 용량은 23기가와트에 불과합니다. 단순히 계산이 맞지 않습니다.

귀 조직이 PJM 관할 구역에서 운영되거나 텍사스 전력에 의존한다면, 이 숫자들은 잠들기 어렵게 만들 만한 것입니다. 값싸고 풍부한 전력의 시대는 끝나고 있습니다.

이것이 귀사 비즈니스에 중요한 이유

이것은 추상적인 인프라 문제가 아닙니다. 귀사의 대차대조표를 직접 칩니다.

새로운 분석에 따르면 PJM 지역의 데이터 센터 성장으로 인해 2028년부터 2033년까지 누적 용량 비용 1,630억 달러가 발생할 수 있습니다. 일리노이 북부 ComEd 관할 구역만 해도 그 금액이 214억 달러에 이릅니다. 이 지역 주거 고객은 월 70달러의 요금 인상이 예상됩니다. 이 구역에서 산업 설비나 대형 시설을 운영한다면 노출 규모는 그에 비례하여 더 큽니다.

경영진이 이해해야 할 내용은 다음과 같습니다:

• 에너지 비용은 구조적으로 상승하고 있습니다. PJM 경매는 FERC 가격 상한선에서 최고치를 기록했습니다. 그 상한선은 진짜 희소성 가격을 가렸습니다. 규제 당국이 언젠가 이를 조정하면 가격은 다시 급등할 것입니다.
• 공급 신뢰성 리스크는 커지고 있습니다. 14.8%의 예비율은 2027년 6월부터 시작될 수 있는 부하 제한, 즉 계획된 정전의 위험 상승을 의미합니다. 운영이 중단을 허용하지 않는다면 지금 바로 비상 대응 계획이 필요합니다.
• 확장 계획이 좌초될 수 있습니다. ERCOT에서 대형 부하 접속 요청의 77%는 데이터 센터에서 나옵니다. 텍사스에 새 시설을 계획하고 있다면, 23GW의 가용 용량을 두고 233GW의 요청과 경쟁하게 됩니다. 제안된 가스 발전소 프로젝트의 약 35%는 터빈 부족과 인허가 지연을 이유로 이미 철회되었습니다.
• 규제 압력은 강화되고 있습니다. 텍사스는 표준화된 접속 규칙을 의무화하고 비상 시 규제 기관이 데이터 센터 전력을 제한할 수 있도록 하는 상원 법안 6호(Senate Bill 6)를 통과시켰습니다. FERC 명령 2023은 새로운 클러스터 스터디 절차를 요구합니다. 귀사의 컴플라이언스 의무는 확대되고 있습니다.

핵심은 이것입니다: 에너지 예산, 운영 연속성, 성장 일정이 모두 위험에 처해 있습니다.

실제로 벌어지고 있는 일

핵심 문제는 퇴역 절벽입니다. 2011년부터 2023년 사이에 PJM은 54.2기가와트의 화력 발전소, 즉 날씨와 무관하게 수요에 맞춰 가동되는 석탄·가스 설비를 잃었습니다. 2030년까지 추가로 24~58기가와트가 퇴역할 수 있습니다. 이는 설비 용량의 최대 30%에 해당합니다.

대체가 속도를 따라잡지 못하는 이유는 다음과 같습니다. 믿음직한 자동차를 자전거로 교체하는 것에 비유해 볼 수 있습니다. 같은 짐을 나르려면 훨씬 많은 자전거가 필요합니다. PJM 자체 분석에 따르면 퇴역하는 화력 발전 1메가와트를 대체해 동일한 신뢰성을 확보하려면 약 5.2메가와트의 태양광 또는 14메가와트의 풍력이 필요합니다. 태양광과 풍력은 해가 뜨거나 바람이 불 때만 전력을 생산합니다. 가스 발전소는 필요할 때 언제든 가동됩니다.

PJM은 이 현실을 반영하도록 계산 방식을 조정했습니다. 태양광·풍력 같은 간헐적 자원에 대한 신뢰도 크레딧, 즉 유효 부하 운반 능력(ELCC, Effective Load Carrying Capability)을 낮췄습니다. 이런 자원이 더 많이 접속될수록, 추가되는 각 단위는 피크 수요 시 전력망 안정 유지에 기여하는 바가 줄어듭니다.

동시에 특정 지역에서는 수요가 급증하고 있습니다. PJM은 거의 전적으로 데이터 센터에 의해 주도된 5,250메가와트 규모의 수요 전망 상승을 보고했습니다. 일부 구역에서는 여름 피크 성장 전망이 연 6.4%에 이릅니다. 이렇게 집중된 부하는 변전소와 송전선에 과부하 위험이 걸린 국지적 스트레스 지점을 만들어 냅니다.

전력망은 물리적으로 충분히 빠르게 성장할 수 없습니다. 따라서 더 스마트해져야 합니다. 바로 여기서 AI가 등장하지만, 모든 AI가 이 과업을 감당할 수 있는 것은 아닙니다.

효과가 있는 것(그리고 없는 것)

이렇게 복잡한 문제에 AI를 적용할 때 무엇이 역부족인지부터 살펴보겠습니다.

범용 챗봇과 LLM 래퍼. 운영 대시보드에 대규모 언어 모델을 붙이면 대화형 인터페이스는 생기지만 전력망 지능은 생기지 않습니다. 전력 흐름의 물리 법칙을 이해하지 못합니다.

기초 회귀 예측. 과거 평균에 기반해 부하를 예측하는 단순 통계 모델은 12년 동안 54기가와트의 디스패치 가능 전력이 사라진 전력망의 비선형 동학을 놓칩니다.

획일적 예측 분석. 표준 머신러닝은 전력망 데이터를 평면적인 스프레드시트로 취급합니다. 즉 어떤 변전소가 어디에 연결되는지, 한 노드의 장애가 네트워크를 통해 어떻게 연쇄적으로 퍼지는지 같은 물리적 구조를 무시합니다.

실제로 효과가 있는 것은 전력망의 물리 법칙과 구조를 존중하는 AI입니다. 실무에서 작동하는 방식은 다음과 같습니다:

1. 입력: 과거 추세가 아닌 실시간 물리 데이터. 동적 선로 정격(DLR, Dynamic Line Rating) 시스템은 IoT 센서와 기상 데이터를 사용해 송전선의 실제 용량을 실시간으로 측정합니다. 기존 정격은 최악의 조건을 가정하므로 용량의 20~40%를 활용하지 못하고 남겨둡니다. 인디애나와 오하이오에서 AES는 345kV 선로에 DLR을 도입해 송전 용량을 61% 늘렸으며, 비용은 기존 방식 업그레이드의 163만 달러 대비 39만 달러였습니다. 이는 76%의 비용 절감입니다.

2. 처리: 물리 인지 AI 모델. 물리 정보 신경망(PINN, Physics-Informed Neural Networks)은 전기 시스템의 실제 법칙을 AI 모델 자체에 내장합니다. 데이터만으로 패턴을 학습하는 대신, 발전기·선로·부하가 상호작용하는 방식을 지배하는 방정식을 강제합니다. 이러한 모델은 기존 방법보다 최대 87배 빠르게 안정성 분석을 풀어냅니다. 그래프 신경망(GNN)은 전력망을 실제 모습, 즉 연결된 노드의 네트워크로 취급하며 장애가 네트워크 토폴로지 전체로 어떻게 전파되는지 예측합니다. GNN 기반 모델은 30일 이내에 고장 위험에 처한 변전소를 식별하는 데 F1 점수 0.8935를 달성했습니다.

3. 출력: 감사 기록이 있는 설명 가능한 의사결정. AI가 연쇄 고장 위험을 식별하면, 어떤 선로와 변전소가 위험을 유발하는지 정확히 보여주는 그래프 기반 설명을 생성합니다. 운영자는 조치 전에 그 근거를 확인합니다. 컴플라이언스 팀은 문서화된 논리 흔적을 확보합니다. 에너지 및 유틸리티 조직의 경우, 이러한 투명성은 선택 사항이 아니라 규제 기관과 이사회가 요구하는 바입니다.

이 접근 방식은 전력망 운영을 넘어 접속 병목으로 확장됩니다. AI 에이전트는 233GW 규모의 ERCOT 대기열을 자동으로 검토해 각 프로젝트에 완료 가능성 점수를 부여하고, 여러 후보 부지에 동시에 신청해 선택권을 확보하려는 회사의 요청 같은 투기적 '팬텀' 부하를 표시할 수 있습니다. 이를 통해 대기열은 선착순에서 준비된 순 우선순위로 바뀝니다.

이 도구들은 어떤 발전소가 다음으로 퇴역할지 예측하는 데도 적용할 수 있습니다. 스택 LSTM과 그래디언트 부스팅을 사용한 모델은 발전소 퇴역 시점 예측에서 단 1.072%의 평균 절대 백분율 오차(MAPE)를 달성했습니다. 이는 계획 팀에게 몇 달이 아닌 몇 년의 선행 시간을 줍니다.

이 모든 것의 핵심 아키텍처 원칙은 다음과 같습니다: 시뮬레이션, 디지털 트윈, 최적화 시스템 은 물리적 인프라를 소프트웨어로 반영하고, 머신 속도로 시나리오를 시험하며, 그 결과를 사람이 검증하고 신뢰할 수 있는 의사결정 계층으로 공급합니다. 여기에 설명 가능성과 의사결정 투명성을 결합하면 이사회, 규제 기관, 운영자 모두가 신뢰하고 지지할 수 있는 AI를 얻게 됩니다.

보다 깊은 기술적 탐구를 원하신다면 전체 기술 분석 읽기 또는 대화형 버전 살펴보기.