시퀀스 예측 기반 하이브리드 배전피더 장기 부하 예측 방법

본 논문은 전력계통 운영에서 핵심적인 배전피더 수준의 장기 부하 예측(LTLF) 문제를 다루며, 기존의 상향(bottom‑up)과 하향(top‑down) 접근법이 각각 데이터 레벨과 모델링 관점에서 한계를 가지고 있음을 지적한다. 상향 방식은 대형 고객 설문·인터뷰를 통해 개별 피더의 장기 부하 변화를 추정하지만, 설문 비용과 고객 계획 변동성으로 인해 정확도가 낮다. 하향 방식은 지역 전체의 경제·인구·기후 등 거시 변수를 이용해 회귀·신경망 모델을 구축하지만, 피더별 특수성(대형 부하·DER·EV 등)을 반영하기 어렵다. 이에 저자들은 두 접근법을 통합한 ‘하이브리드’ 모델을 제안한다. 핵심 아이디어는 (1) 거시 변수와 미시 변수 모두를 입력 피처로 사용하고, (2) 과거 피크 부하 시퀀스를 포함해 시간 의존성을 학습한다는 점이다. 이를 위해 먼저 원시 데이터 전처리 단계에서 ‘가상 피더(Virtual Feeder)’ 개념을 도입한다. 과거 피더 간 부하 전이(transfer) 사건으로 인한 데이터 왜곡을 가상 피더를 통해 보정함으로써, 각 피더의 순수한 부하 변화를 추출한다. 다음으로 모든 피처를 0‑1 구간으로 정규화하고, 상관관계가 높은 피처들을 주성분 분석(PCA)으로 차원 축소한다. 이 과정은 모델 학습 시 과적합(over‑fitting) 위험을 감소시키고, 학습 효율성을 크게 향상시킨다. 차원 축소 후에는 두 가지 시퀀스 구성 방식을 실험한다. ‘many‑to‑many’는 입력 시퀀스(예: 과거 5년)와 출력 시퀀스(예: 다음 5년)를 모두 예측하도록 설계되었으며, ‘many‑to‑one’은 입력 시퀀스를 이용해 단일 미래 연도 부하만을 예측한다. 시퀀스 예측 모델로는 Long Short‑Term Memory(LSTM)와 Gated Recurrent Unit(GRU) 두 가지 최신 순환 신경망을 채택한다. LSTM은 입력·망각·출력 게이트를 통해 장기 의존성을 유지하면서도 기울기 소실·폭발 문제를 해결한다. GRU는 업데이트·리셋 게이트만 사용해 구조가 단순하고 학습 속도가 빠르지만, 특정 데이터셋에서는 LSTM보다 성능이 낮을 수 있다. 두 모델 모두 하이퍼파라미터(학습률, 배치 크기, 은닉 유닛 수, 에포크 수 등)를 그리드 서치와 교차 검증을 통해 최적화하였다. 실증 연구는 캐나다 서부 대도시 전력망의 289개 배전피더를 대상으로 수행되었다. 데이터는 2005‑2018년 연간 피크 부하와 해당 연도의 경제 성장률, 인구 증가율, 평균 기온, 피더별 대형 부하·DER·EV 채택량 등을 포함한다. 전통적인 하향 회귀 모델(ARIMA), 피드포워드 신경망(FNN), 그리고 기존 상향 방식과 비교했을 때, LSTM‑many‑to‑many 구성은 평균 절대 백분율 오차(MAPE) 5.2%를 기록해 가장 높은 정확도를 보였다. GRU‑many‑to‑one도 5.9% 수준으로 경쟁력을 유지했으며, ARIMA와 FNN은 각각 8.3%·7.9%의 MAPE를 보였다. 또한, 모델의 실용성을 검증하기 위해 2020년 실제 부하와 예측값을 비교한 결과, 하이브리드 LSTM 모델이 2% 이내의 오차로 운영 계획에 충분히 활용 가능함을 확인했다. 이와 함께, 피처 중요도 분석을 위해 SHAP 값을 적용했으며, 경제 성장률과 대형 부하 변동이 가장 큰 영향을 미치는 것으로 나타났다. 논문의 주요 기여는 다음과 같다. 첫째, 상향·하향·시계열 정보를 하나의 통합 모델에 결합함으로써 피더 수준 LTLF의 정확도를 크게 향상시켰다. 둘째, LSTM·GRU와 같은 순환 신경망을 이용해 장기 시퀀스 패턴을 효과적으로 학습하고, 다양한 시퀀스 구성( many‑to‑many, many‑to‑one)에서 최적 구성을 제시했다. 셋째, 가상 피더와 PCA 기반 전처리 과정을 통해 데이터 품질을 보강하고 모델 과적합을 방지했다. 한계점으로는 (1) 외생 변수(예: DER·EV 채택량)의 미래 예측 정확도가 전체 모델 성능에 크게 영향을 미친다는 점, (2) PCA 차원 축소 과정에서 일부 비선형 관계가 손실될 가능성, (3) 모델 해석성을 높이기 위한 추가적인 설명 가능한 AI 기법이 필요함을 들 수 있다. 향후 연구에서는 베이지안 최적화 기반 하이퍼파라미터 탐색, 멀티태스크 학습을 통한 부하·전압 동시 예측, 그리고 실시간 업데이트가 가능한 온라인 학습 프레임워크 구축을 제안한다. 결론적으로, 본 논문은 배전피더 LTLF 분야에서 최초로 상향·하향·시퀀스 예측을 통합한 실증적 접근을 제시했으며, LSTM·GRU 기반 하이브리드 모델이 전통적인 방법보다 현저히 높은 예측 정확도를 제공함을 입증한다. 이는 전력 시스템 계획·운영 담당자가 장기 투자와 인프라 확장 결정을 내리는 데 중요한 의사결정 지원 도구로 활용될 수 있다.