커널밀도와 분위수회귀를 결합한 하이브리드 부하예측 모델

본 논문은 2014년 글로벌 에너지 예측 대회(GEFCom2014)에서 확률 부하 예측 과제를 해결하기 위해 커널밀도추정(KDE)과 분위수 회귀(Quantile Regression, QR)를 결합한 하이브리드 모델을 설계하고, 실제 대회 데이터에 적용한 과정을 상세히 기술한다. 1. **문제 정의 및 데이터 특성** GEFCom2014는 과거 전력 부하와 기상 데이터(25개 기상 관측소)를 활용해 다음 달 24시간별 99개 분위수(0.01~0.99)를 예측하도록 요구한다. 평가 지표는 핀볼 손실(pinball loss)이며, 매주 새로운 과제가 주어져 모델을 주간 단위로 재학습·재예측해야 한다. 데이터 분석 결과, 부하와 온도는 강한 양의 상관관계를 보이며, 일·주·연 주기의 계절성이 뚜렷하고, 특정 시간대(예: 23시)에서는 반기성(반년 주기) 변동이 관찰된다. 2. **기본 KDE 모델 (KDE‑W)** 시간감쇠 파라미터 λ∈(0,1]를 도입해 최근 데이터에 더 큰 가중치를 부여한다. 가중함수는 λ^{α(i)} 형태이며, α(i) = min(|D−(D(i)−1·A(i))|, T(i)−|D−D(i)|) 로 정의되어 연간 주기성을 반영한다. 즉, 현재 예측일과 과거 관측일이 연도 내에서 같은 시점에 가까울수록 가중치가 크게 적용된다. 이때 λ는 0.92~1 사이를 0.01 간격으로 탐색해 교차검증으로 최적화한다. KDE‑W는 동일 요일·시간대(주간 인덱스 w=1~168) 데이터를 이용해 비모수적 확률밀도 f(X|w) 를 추정한다. 3. **조건부 KDE (CKD‑W, CKD‑T)** - **CKD‑W**: 주간 인덱스 w에 대한 커널 K((w_i−w)/h_w) 를 추가해 주간 유사성을 강화한다. 동일한 연간 대칭 감쇠 λ·α(i) 를 사용한다. - **CKD‑T**: 온도 T를 조건 변수로 삼아 f(X|T) 를 추정한다. 온도 커널 K((T_i−T)/h_T) 로 온도 근접성을 가중하고, 시간감쇠는 제외한다(온도가 계절성을 충분히 설명한다고 가정). 온도 예측은 트렌드·일주기·연주기·25시간 시차를 포함한 AR 모델로 수행한다. 4. **분위수 회귀 (QR)** 각 시간대별로 선형 모델 L_k = a_0 + a_1·k + Σ_{p=1}^{2} b_p sin(2πp(k+φ_1)/365) + Σ_{m=1}^{2} c_m sin(2πm(k+φ_2)/365) 를 정의한다. 여기서 φ_1 = −111°, φ_2 = φ_1−182° 로 설정해 연간·반기성 주기를 맞춘다. 99개 분위수 각각에 대해 ρ_q 손실을 최소화하는 선형계획법을 적용하고, 파라미터 추정 시 최근 500일만 사용해 계산 효율성을 확보한다. 추정 후에는 분위수 교차를 방지하기 위해 정렬한다. 5. **하이브리드 및 혼합 전략** 예측 기간을 다섯 구간(첫날, 첫 주 나머지, 둘째 주, 셋째 주, 나머지)으로 나누고, 구간별 최적 가중치 w(τ) 를 과거 과제들의 핀볼 점수를 최소화하는 조합 탐색을 통해 결정한다. - **첫날**: CKD‑T 사용(온도 기반이 가장 정확) - **그 외 구간**: CKD‑W와 QR의 가중 평균 F_Hybrid(τ)=w(τ)·F_CKD‑W(τ)+(1−w(τ))·F_QR(τ) 가중치는 각 구간별 과거 과제에서 최적화된 값을 평균해 사용한다. 6. **실험 및 결과** 12개의 과제 중 대부분에서 제안한 하이브리드 모델은 베이스라인(전년 부하) 및 단일 KDE‑W, QR 모델보다 낮은 핀볼 점수를 기록했다. 특히, 온도 조건을 반영한 CKD‑T가 첫날 예측에서 가장 큰 개선을 보였으며, 후반부에서는 QR이 주간·월간 변동을 잘 포착해 KDE‑W와 보완적인 역할을 수행했다. 시간감쇠의 연간 대칭성 도입은 단순 감소형 감쇠보다 평균 3~5% 정도의 점수 개선을 가져왔다. 또한, 파라미터 최적화에 fminsearchbnd와 병렬 처리 등을 활용해 계산 시간을 크게 단축하였다(하루 이상 소요하던 CKD‑W를 몇 시간 내로 축소). 7. **결론 및 향후 과제** 본 연구는 비모수적 KDE와 반비모수적 QR를 결합해 계절성·비정상성·외부 기상 요인을 동시에 고려한 확률 부하 예측 프레임워크를 제시한다. 연간 대칭 감쇠와 구간별 가중 혼합이 핵심 성능 향상 요인으로 확인되었다. 향후 연구에서는 더 정교한 기상 예측(풍향·풍속 포함)과 딥러닝 기반 비선형 변환을 도입해 조건부 KDE의 정확도를 높이고, 실시간 업데이트 가능한 온라인 학습 메커니즘을 구축하는 것이 목표이다.