신뢰성 높은 전력 부하 예측을 위한 상태공간 모델과 비대칭 위험 지표

본 논문은 전력 시스템 운영에서 부하 예측의 정확도가 직접적인 신뢰성 위험과 비용에 연결된다는 점을 강조한다. 기존 연구에서는 주로 평균 절대 오차(MAPE)나 RMSE와 같은 대칭 오류 지표에 의존했지만, 이러한 지표는 언더‑프레딕션과 오버‑프레딕션이 초래하는 비용 차이를 반영하지 못한다. 특히, 언더‑프레딕션은 급격한 부하 급증 시 전력 공급 부족을 야기해 비상 디스패치 비용이 급증하거나 심각한 경우 정전까지 초래할 수 있다. 반면 오버‑프레딕션은 불필요한 발전 설비 가동 및 탄소 배출을 증가시키지만 시스템 안정성에는 큰 영향을 미치지 않는다. 따라서 논문은 전력 운영자에게 직관적이고 실용적인 비대칭 위험 지표를 새롭게 정의한다. 1. **Under‑Prediction Rate (UPR)**: 실제 부하가 예측치를 초과한 경우의 비율을 백분율로 나타낸다. 이는 실시간 상향 디스패치 필요성을 직접적으로 측정한다. 2. **Reserve % 99.5**: 언더‑프레딕션 오차의 99.5번째 퍼센타일을 기준으로, 점예측에 추가해야 할 용량 비율을 산출한다. 이는 전통적인 LOLE(손실‑부하‑기대) 기준과 유사하게 운영자에게 필요한 여유 용량을 제공한다. 3. **Bias 24h / OPR**: 평균 편향과 Over‑Prediction Rate을 동시에 모니터링해, 모델이 전체 예측을 인위적으로 올려 UPR을 낮추는 “가짜 안전성”을 방지한다. 이러한 메트릭을 적용해 캘리포니아 전력망(CAISO) 데이터를 기반으로 2023년 11월부터 2025년 11월까지 84,498시간(5개 지역 전송 구역)의 부하 시계열을 분석한다. 데이터는 기상 변수(온도, 습도, 풍속 등)와 정렬된 형태로 제공되며, 특히 온도 변화가 건물 열용량에 의해 2~6시간 지연되는 열관성(lag) 효과를 반영한다. 모델링 측면에서는 상태공간 모델(SSM)인 Mamba 계열을 중심으로 실험한다. Mamba는 연속시간 SSM을 이산화하면서 입력‑의존적인 선택적 파라미터(Bₖ, Cₖ, Δₖ)를 도입해, 중요한 시계열 정보를 강조하고 불필요한 컨텍스트를 빠르게 잊는다. 이는 전력 부하와 같이 강한 일·주·연 주기성을 가진 데이터에 적합하다. 논문은 세 가지 변형을 구현한다. - **S‑Mamba**: 최소한의 구조로 입력을 선형 투영 후 Mamba 레이어를 쌓은 베이스라인. - **PowerMamba**: 입력에 다중 스케일 피처와 날씨 융합 모듈을 추가해, 온도‑부하 열관성을 명시적으로 모델링한다. - **Bi‑Mamba**: 양방향 컨텍스트와 시계열 분해를 도입해 장기와 단기 패턴을 동시에 학습한다. 베이스라인으로는 다변량 시계열에 특화된 iTransformer와 사전학습 기반 Chronos를 선택한다. iTransformer는 토큰화된 시계열을 직접적으로 상호작용시키는 멀티채널 어텐션을 사용하고, Chronos는 언어 모델링 기법을 시계열에 적용한 대규모 사전학습 모델이다. **날씨 융합 전략**은 두 단계로 구성된다. 첫째, 온도 시계열을 2~6시간 앞/뒤로 시프트하여 열관성 지연을 보정한다. 둘째, 시프트된 온도 피처를 원본 부하 피처와 함께 다중 스케일 컨볼루션 레이어에 입력해, 시간적·주파수적 특징을 추출한다. 추출된 피처는 Mamba 입력에 병합되어, 상태공간 모델이 날씨 변동을 직접적으로 반영하도록 만든다. **학습 목표**는 단순 MSE가 아니라 운영 비용을 반영한 비대칭 손실이다. 논문은 다중 분위수(pinball) 손실을 기본으로 삼고, 편향과 OPR에 대한 힌지 페널티를 추가한 “Bias‑Constrained Probabilistic Objective”를 제안한다. 이 손실은 (1) 상위 99.5% 분위수에 가중치를 부여해 언더‑프레딕션을 최소화, (2) 평균 편향을 0 ± 0.5% 범위로 제한, (3) OPR을 5% 이하로 억제한다. **실험 설계**는 롤링‑오리진 워크‑포워드 백테스트로, 매일 새로운 24시간, 48시간, 72시간 예측을 수행한다. 모델은 전체 데이터에 대해 한 번 학습된 후, 매 예측 시점마다 재학습 없이 고정 파라미터로 인퍼런스한다. 평가 지표는 MAPE, UPR, OPR, Reserve % 99.5, Bias 24h를 모두 보고한다. **주요 결과**는 다음과 같다. - MAPE는 모든 모델이 2.1%~2.4% 수준으로 비슷했지만, UPR은 S‑Mamba 7.2%, PowerMamba 4.1%, iTransformer 8.9%로 차이를 보였다. - Reserve % 99.5는 PowerMamba가 5.8%로 가장 낮았으며, iTransformer는 12.3%로 가장 높았다. 이는 동일한 평균 정확도에도 불구하고 실제 운영 여유 용량 요구가 크게 달라짐을 의미한다. - 날씨 융합을 적용한 PowerMamba와 Bi‑Mamba는 오류 분포의 표준편차가 12%~15% 감소했으며, 극단적 언더‑프레딕션 사건(>10% 초과) 발생 빈도가 60% 이상 감소했다. - 확률적 캘리브레이션만 적용한 경우 Bias 24h가 +3.2%까지 상승해 OPR이 15%를 초과했지만, 제안된 편향 제약 손실을 사용하면 Bias 24h는 ±0.4% 수준, OPR은 4.5% 이하로 유지되었다. **시뮬레이션 기반 의사결정 분석**에서는 Reserve % 99.5가 1% 포인트 감소할 때마다 비상 디스패치 비용이 평균 0.8% 절감되는 것으로 나타났다. 또한, OPR이 5% 이하로 유지될 경우 발전 설비 가동 비용이 0.5% 이하로 감소한다. 따라서 제안된 메트릭과 손실 함수는 비용 효율성과 신뢰성 모두를 동시에 향상시킬 수 있음을 입증한다. **결론**적으로, 논문은 (1) 전력 부하 예측에 비대칭 위험을 정량화하는 새로운 평가 프레임워크, (2) 상태공간 모델(Mamba)과 열관성 기반 날씨 융합이 오류 분포를 실질적으로 축소하는 효과, (3) 편향·OPR 제약을 포함한 손실 설계가 “가짜 안전성”을 방지하고 운영 목표와 일치하는 예측을 가능하게 함을 제시한다. 이러한 접근은 재생에너지 비중이 급증하고 기후 변동성이 커지는 현대 전력망에서 안전하고 비용 효율적인 부하 예측을 구현하는 데 중요한 방향성을 제공한다.