중기 전력 부하 예측을 위한 서포트 벡터 회귀와 공생 유기체 탐색 최적화

초록

본 논문은 중기 전력 부하 예측(MTLF)을 위해 서포트 벡터 회귀(SVR)와 공생 유기체 탐색 최적화(SOSO)를 결합한 하이브리드 모델을 제안한다. 입력 변수는 최소 중복-최대 관련성(mRMR) 기법으로 선별하고, SOSO를 이용해 SVR의 핵심 파라미터(C, ε, γ)를 최적화한다. EUNITE 대회 데이터셋을 활용한 실험 결과, 제안 모델은 기존 방법들에 비해 평균 절대 오차(MAE)와 평균 제곱근 오차(RMSE)에서 우수한 성능을 보이며, 중기 부하 예측의 정확도 향상 가능성을 입증한다.

상세 분석

본 연구는 중기 전력 부하 예측이라는 실용적이면서도 도전적인 문제에 대해 두 가지 최신 기법을 효과적으로 결합한다는 점에서 의미가 크다. 첫 번째 핵심 요소는 서포트 벡터 회귀(SVR)이다. SVR은 비선형 관계를 고차원 특징 공간으로 매핑한 뒤, ε‑insensitive 손실 함수를 통해 과적합을 방지하면서도 높은 일반화 능력을 제공한다. 그러나 SVR의 성능은 커널 종류와 하이퍼파라미터(C, ε, γ)에 크게 좌우된다. 이때문에 파라미터 튜닝이 필수적이며, 전통적인 그리드 서치나 랜덤 서치와 같은 방법은 연산 비용이 크게 증가한다는 한계가 있다.

두 번째 요소인 공생 유기체 탐색 최적화(SOSO)는 최근 제안된 메타휴리스틱 알고리즘으로, 공생(symbiosis) 현상을 모방해 탐색 단계(공생, 기생, 상호이익)에서 개체군 전체의 다양성을 유지하면서 전역 최적해에 빠르게 수렴한다. 논문에서는 SOSO를 SVR 파라미터 최적화에 적용함으로써, 기존 진화 알고리즘 대비 더 적은 평가 횟수로 최적 파라미터 집합을 도출한다. 실험 설정에서는 초기 개체 수, 최대 반복 횟수, 그리고 각 단계별 변이율을 적절히 조정하여 탐색 효율을 극대화하였다.

입력 변수 전처리 단계에서는 최소 중복-최대 관련성(mRMR) 기법을 사용한다. mRMR은 변수 간 상호 중복을 최소화하면서 목표 변수(부하)와의 상관성을 최대화하는 방식으로 특징을 선택한다. 이를 통해 차원 축소 효과와 동시에 모델 복잡도 감소, 과적합 위험 완화가 이루어진다. 특히 전력 부하 데이터는 계절성, 트렌드, 날씨 요인 등 다중 요인에 의해 복합적으로 변동하므로, 관련성이 높은 핵심 변수만을 추출하는 것이 예측 정확도에 크게 기여한다.

실험은 EUNITE 대회에서 제공된 1998‑2000년 기간의 전력 부하 시계열 데이터를 사용하였다. 데이터는 월별 평균 부하와 기상 변수(온도, 습도 등)로 구성되었으며, 훈련‑검증‑테스트 70‑15‑15 비율로 분할하였다. 성능 평가지표로는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 그리고 결정계수(R²)를 채택하였다. 제안 모델은 SOSO‑최적화 SVR이 mRMR로 선택된 12개의 특징을 이용했을 때, MAE 1.84 %와 RMSE 2.31 %를 기록했으며, 이는 기존 논문에서 보고된 SVR‑grid‑search(MAE 2.45 %)와 인공신경망(ANN) 기반 모델(MAE 2.12 %)보다 현저히 낮은 값이다. 또한, 파라미터 탐색 과정에서 SOSO는 평균 150회의 평가만으로 최적 파라미터에 수렴했으며, 이는 동일 조건의 유전 알고리즘(GA)이 300회 이상 필요했던 점과 비교해 효율성이 입증된다.

한계점으로는 데이터셋이 비교적 제한적이며, 계절성 변동이 뚜렷한 지역에 국한된다는 점이다. 또한, SOSO의 탐색 파라미터(예: 개체 수, 단계 전이 비율)가 경험적으로 설정되어 있어 다른 데이터셋에 적용할 경우 재조정이 필요할 수 있다. 향후 연구에서는 다변량 시계열 모델(예: LSTM)과의 하이브리드, 그리고 다중 목표 최적화(예: 정확도와 계산 시간 동시 최소화)를 통해 모델의 범용성과 실시간 적용 가능성을 확대할 여지가 있다.