빅데이터 기술 호라이즌 상 수상 전력망 흐름 예측을 위한 반복 변동 활용

초록

본 논문은 EU 빅데이터 기술 호라이즌 상을 수상한 전력망 흐름 예측 방법을 상세히 설명한다. 핵심 아이디어는 단시간(5분) 간격의 전력 흐름 데이터에서 일일·주간 주기성을 가진 반복 변동을 추출하고, 이를 지수 평활과 가중 평균으로 실시간 보정하여 1시간 선행 예측을 수행하는 것이다. 모델은 결측치·이상치·스파이크에 강인하도록 설계되었으며, 파이썬·NumPy 기반으로 경량 구현돼 빠른 실행 속도를 보인다.

상세 분석

이 논문은 전력망 흐름 예측이라는 고난이도 과제를 해결하기 위해 “반복 변동”이라는 개념을 도입하였다. 전력 흐름은 비정상적이고 비연속적인 특성을 가지며, 일일·주간 주기가 강하게 나타난다. 저자는 먼저 가장 단순한 지속성(persistence) 모델을 기준선으로 삼고, 일일·주간 주기에 해당하는 변동을 평균화하여 재현 가능한 패턴을 추출한다. 이때 변동은 5분 간격의 증분(Δ) 형태로 정의되며, 유효한 데이터만을 포함하도록 인디케이터 함수를 사용한다.

평균화 단계에서는 전통적인 이동 평균보다 적응성이 높은 지수 평활법을 적용한다. 일일 변동 e(t)와 주간 변동 h(t)를 각각 다른 평활 계수 f₁, f₂로 업데이트함으로써 급격한 변동이나 결측치가 발생해도 평균값이 급격히 변하지 않도록 설계하였다. 두 평균값을 가중합 α·e(t)+(1‑α)·h(t) 형태로 결합하고, α는 최근 55분(11 스텝) 동안의 예측 오차를 최소화하도록 동적으로 조정된다. 이는 모델이 실시간으로 환경 변화에 적응하도록 하는 핵심 메커니즘이다.

예측 과정은 3단계로 구성된다. ① 일·주 변동을 이용한 1차 예측, ② 지속성 모델과의 비교를 통해 1차 예측이 악화될 경우 지속성 예측으로 대체, ③ 현재값과 이동 평균값의 차이를 보정하는 w·v 항을 추가한다. 마지막 단계에서는 변화량을 포화 함수로 제한해 급격한 변동이 예측에 과도히 반영되는 것을 방지한다.

모델 선택 과정에서는 다변량 선형 회귀, 라쏘(Lasso) 회귀, 릿지 회귀, 그래디언트 부스팅 등 다양한 머신러닝 기법을 실험했지만, 대부분이 과적합이나 잡음에 민감해 지속성 모델보다 성능이 떨어졌다. 특히 라쏘 회귀는 일부 상황에서 약간의 개선을 보였으나, 변수 간 상관관계가 낮고 데이터가 고차원·희소한 경우에만 효과적이었다. 결국 단일 변수(각 라인별)와 일일 변동만을 이용한 접근이 가장 견고하고 구현이 간단했으며, 실제 평가에서 가장 낮은 RMSE를 기록했다.

소프트웨어 구현은 파이썬·NumPy를 이용해 메모리 사용을 최소화하고, 필요한 변수만을 저장하도록 설계되었다. 결측치·이상치 처리 로직은 두 배치(증분 기준·값 기준)로 나뉘며, 임계값을 초과하는 급격한 변화는 평균 업데이트를 건너뛰고, 연속 0값이나 NaN은 이전 정상값을 외삽하거나 0으로 대체한다. 또한, 예외 상황 발생 시 자동으로 지속성 모델로 폴백하고, 이동 평균을 재초기화하는 안전 장치를 포함한다.

전체적으로 이 방법은 데이터 전처리 비용을 최소화하고, 실시간 스트리밍 환경에서도 5분 간격 데이터를 1시간 앞을 예측하는 데 충분한 정확도와 속도를 제공한다. 특히, 전력망과 같이 데이터가 비정형·불완전한 경우에도 강인성을 유지한다는 점이 큰 장점이다.