텐서플로와 딥오토인코더를 활용한 단기 전력 부하 예측

초록

**
본 논문은 빅데이터 환경에서 전력 시스템의 단기 부하를 예측하기 위해 텐서플로 기반 분산 학습 프레임워크와 깊은 자동인코더(DAEN) 모델을 결합한 새로운 방법을 제안한다. 다중 변수(과거 부하, 기온, 요일 등)를 정규화·퍼지·원-핫 인코딩하여 입력으로 사용하고, 사전학습‑미세조정 단계로 파라미터를 최적화한다. 다중 GPU 병렬 처리로 학습 속도를 높이고, 최대 상대오차·최소 상대오차·평균절대오차(MAE) 지표에서 기존 BPNN·ELM 대비 우수한 정확도와 안정성을 보인다.

**

상세 분석

**
이 연구는 전통적인 인공신경망(BPNN)이나 극단학습기(ELM)가 빅데이터 규모와 고차원 특성에 취약하다는 점을 정확히 짚어낸다. 제안된 모델은 깊은 자동인코더(DAEN)를 핵심으로 삼아, 각 층을 비지도 사전학습(pre‑training)으로 초기화하고, 전체 네트워크를 지도 학습(fine‑tuning)으로 미세조정한다. 이는 기울기 소실·폭발 문제를 완화하고, 파라미터 공간을 효율적으로 탐색하게 해 과적합을 억제한다.

입력 데이터 전처리는 세 단계로 구성된다. 첫째, 부하값을 최소·최대값 기반 정규화(L = (L_t‑L_min)/(L_max‑L_min))하여 스케일을 통일한다. 둘째, 일일 평균 기온을 저·중·고 온도 퍼지 멤버십 함수(p₁, p₂, p₃)로 변환해 연속적인 온도 정보를 부드럽게 표현한다. 셋째, 요일을 가중치 0.5를 적용한 원‑핫 인코딩으로 변환해 요일 간 차이를 정량화한다. 이러한 전처리 방식은 비선형 관계를 보다 풍부히 포착하도록 돕는다.

모델 구조는 입력 차원 57, 은닉층 24‑12‑1 뉴런을 갖는 4계층 자동인코더와 최종 선형 회귀 출력층으로 이루어진다. 자동인코더는 입력과 출력이 동일하도록 설계돼 재구성 오차를 최소화하면서, 은닉 표현을 압축·정제한다. 손실 함수에 희소성 제약(KL 발산)과 가중치 β를 추가해 은닉 뉴런이 대부분 0에 가까운 희소한 활성화를 유지하도록 유도한다. 이는 특징 선택을 자동화하고 과적합 위험을 감소시킨다.

학습 과정은 두 단계로 나뉜다. 사전학습 단계에서는 각 자동인코더 층을 독립적으로 학습해 초기 파라미터를 확보한다. 이후 전체 네트워크를 연결하고, 라벨이 있는 데이터셋으로 미세조정한다. 최적화 알고리즘으로는 Adam을 기본으로 사용했으며, 학습률 0.01, 사전학습 최대 2000회, 미세조정 최대 250회를 설정했다.

텐서플로의 데이터 흐름 그래프와 멀티‑GPU 분산 전략을 활용해, 전처리된 텐서를 각 GPU에 할당하고 사전학습·미세조정·테스트를 병렬로 수행한다. 이는 대규모 샘플을 다룰 때 학습 시간을 크게 단축시키며, 확장성을 확보한다.

실험은 유럽 스마트 기술 네트워크(EUNITE)에서 제공한 실제 부하·기온·요일 데이터를 사용했다. 1월 1일부터 11월 30일까지를 사전학습·미세조정용으로, 12월 24일부터 31일까지를 테스트용으로 분리했다. 24개의 시간대(1시~24시) 각각에 대해 독립 모델을 구축했으며, 각 모델은 57개의 입력 피처를 사용한다. 평가 지표는 최대 상대오차(MaxRe), 최소 상대오차(MinRe), 평균절대오차(MAE)이며, 제안 모델은 BPNN·ELM 대비 MaxRe와 MinRe가 현저히 낮고 MAE도 약 10% 이상 개선되었다. 이는 예측 정확도와 안정성 모두에서 우수함을 의미한다.

하지만 몇 가지 한계도 존재한다. 첫째, 모델 구조와 하이퍼파라미터가 데이터 규모에 따라 고정돼 있어, 다른 지역·시계열에 바로 적용하려면 재조정이 필요하다. 둘째, 퍼지 멤버십 함수와 원‑핫 인코딩에 사용된 가중치(0.5)가 임의 선택된 것으로, 최적화 과정이 포함되지 않아 성능에 영향을 줄 수 있다. 셋째, 실시간 부하 예측을 위한 추론 속도와 시스템 통합에 대한 논의가 부족하다. 향후 연구에서는 자동 하이퍼파라미터 튜닝, 다양한 기후·문화권 데이터 적용, 그리고 경량화된 모델을 통한 실시간 서비스 구현을 목표로 할 수 있다.

**