인공신경망 기반 전력 소비 예측 모델

초록

본 논문은 1994년부터 2013년까지 가자지구의 월별 전력 소비량, 기후·인구·GDP 등 5가지 입력 변수를 활용해 인공신경망(ANN) 모델을 구축하고, 2‑Fold와 K‑Fold 교차검증을 통해 2012·2013년 실제 소비량을 예측하였다. 평균제곱오차(MSE), 평균절대오차(MAE) 등 네 가지 지표에서 허용 가능한 오차 범위를 보이며, 제안된 ANN이 지역 전력 수요 예측에 유효함을 입증한다.

상세 분석

이 연구는 전력 수요 예측에 있어 전통적인 회귀·시계열 방법이 기후 변수와 같은 외생 요인을 충분히 반영하지 못한다는 한계를 지적하고, 비선형 관계를 학습할 수 있는 인공신경망(ANN)의 적용 가능성을 탐색한다. 데이터는 팔레스타인 중앙통계청과 세계은행에서 수집한 월별 전력 소비량, 평균 기온, 평균 습도, 인구, 1인당 GDP 등 5개의 변수이며, 1994‑2011년 데이터를 학습에, 2012‑2013년 데이터를 테스트에 사용하였다. 모델은 입력층‑은닉층‑출력층 구조의 피드포워드 신경망이며, 가중치 최적화에는 Levenberg‑Marquardt 알고리즘을 적용한 것으로 추정된다. 학습 과정에서 과적합을 방지하기 위해 2‑Fold와 K‑Fold 교차검증을 도입했으며, 검증 단계에서 MSE, RMSE, MAE, MAPE 네 가지 오류 지표를 계산하였다. 2012년 결과에서는 2‑Fold 검증 시 MSE 1.21 %, MAPE 120.91 %가, K‑Fold 검증 시 MSE 3.87 %, MAPE 386.54 %가 보고되었고, 2013년에는 각각 1.74 %·173.76 %와 1.88 %·187.65 %를 기록하였다. 비록 MAPE 값이 다소 높게 나타났지만, 월별 예측값이 실제값과 근접함을 표에서 확인할 수 있다. 논문은 ANN이 복잡한 비선형 패턴을 포착하고, 제한된 데이터에서도 비교적 안정적인 예측을 제공한다는 점을 강조한다. 그러나 모델 구조(은닉층 수, 뉴런 수), 학습률, 정규화 기법 등에 대한 상세 설명이 부족하고, 비교 대상 모델(ARIMA, SVR 등)과의 성능 비교가 이루어지지 않아 절대적인 우수성을 판단하기는 어렵다. 또한, 데이터 전처리 과정(결측치 처리, 스케일링)과 변수 선택 기준이 명시되지 않아 재현 가능성에 제한이 있다. 향후 연구에서는 하이퍼파라미터 최적화, 앙상블 기법 도입, 그리고 다른 머신러닝 모델과의 베이스라인 비교를 통해 예측 정확도를 더욱 향상시킬 여지가 있다.