단기 전력가격 예측을 위한 ARIMA 기반 DALMP 개선 모델

초록

본 논문은 MISO 지역의 실시간 전력가격(RTLMP)과 사전 발표된 일일 사전 LMP(DALMP)를 활용해 ARIMA·SARIMA·ARMAX‑GARCH 모델을 구축하고, 주말 여부와 같은 외생 변수를 포함함으로써 기존 DALMP보다 높은 단기 가격 예측 정확도를 달성한다는 결과를 제시한다.

상세 분석

본 연구는 전력시장 참여자들이 DALMP를 단순히 참고하는 수준을 넘어, 보다 정교한 단기 가격 예측을 가능하게 하는 모델링 프레임워크를 제시한다. 먼저 저자는 DALMP와 실시간 LMP(RTLMP) 시계열을 각각 차분(differencing)하여 정상성을 확보하고, 계절성을 반영한 SARIMA 모델을 구축한다. SARIMA는 계절적 주기(주간·일간)를 고려해 p, d, q와 P, D, Q 파라미터를 최적화했으며, AIC/BIC 기준으로 최적 모델을 선택했다. 이어서 저자는 DALMP와 RTLMP 차이를 직접 모델링하는 ARMA 접근법을 시도했는데, 이는 두 시계열 간의 구조적 차이를 강조함으로써 예측 오차를 감소시키는 효과를 보였다.

하지만 전력가격은 급격한 변동성을 내포하고 있어 평균‑분산 수준의 모델만으로는 충분히 설명되지 않는다. 이를 보완하기 위해 GARCH(1,1) 구조를 도입해 조건부 이분산성을 모델링하였다. 특히 ARMAX‑GARCH 모델에서는 외생 변수로 주말 여부를 포함시켜, 주말에 나타나는 가격 변동 패턴을 효과적으로 포착했다. 이때 외생 변수는 이진(dummy) 형태로 입력되었으며, 모델 추정 과정에서 유의미한 계수를 보였다.

모델 학습은 2015년~2017년 MISO 시장 데이터를 사용했으며, 훈련‑검증‑테스트를 70:15:15 비율로 분할하였다. 평가 지표는 평균절대오차(MAE)와 평균제곱근오차(RMSE)이며, ARMAX‑GARCH가 기존 DALMP 대비 MAE를 약 12%, RMSE를 약 15% 개선하였다. 또한, SARIMA와 ARMA 모델 간 성능 차이를 비교했을 때, 차분 기반 ARMA가 계절성을 명시적으로 모델링한 SARIMA보다 약간 우수했으며, 이는 차분 자체가 계절 효과를 어느 정도 흡수했기 때문으로 해석된다.

통계적 유의성 검증으로는 Ljung‑Box 검정으로 잔차의 자기상관을 확인했으며, ARCH LM 검정으로 잔차의 이분산성을 검증했다. 모든 모델에서 잔차는 백색잡음에 가까운 특성을 보였고, 특히 GARCH를 포함한 모델은 잔차의 이분산성을 효과적으로 제거했다.

결과적으로, 본 논문은 DALMP라는 공개된 기준가격을 단순히 수동적으로 받아들이는 것이 아니라, 이를 기반으로 시계열 예측 모델을 구축하고 외생 변수를 활용함으로써 실시간 가격 예측 정확도를 현저히 향상시킬 수 있음을 입증한다. 이는 전력시장 참여자들이 가격 위험을 관리하고, 최적의 생산·소비 전략을 수립하는 데 실질적인 의사결정 지원 도구로 활용될 수 있다.