시퀀스 예측 기반 하이브리드 배전피더 장기 부하 예측 방법

초록

본 논문은 배전피더 수준의 연간 피크 부하를 예측하기 위해, 지역 경제·인구·기후와 피더별 고객·DER·EV 정보를 결합한 하이브리드 모델을 제안한다. LSTM·GRU와 같은 순환 신경망을 활용해 다년간 시계열 데이터를 시퀀스 예측 형태로 변환하고, 전처리 단계에서 가상 피더 개념, 정규화, PCA 등을 적용한다. 실증 결과는 전통적인 상향·하향·ARIMA·FNN 모델보다 우수한 정확도를 보이며, 실제 서부 캐나다 대도시 전력망 289개 피더에 적용된 사례를 제시한다.

상세 분석

이 연구는 기존의 상향(bottom‑up)과 하향(top‑down) LTLF 방법이 각각 지역 거시 변수와 피더 개별 변수만을 활용해 정보 통합에 한계가 있다는 점을 정확히 지적한다. 제안된 하이브리드 프레임워크는 세 가지 데이터 흐름을 하나의 모델에 통합한다. 첫째, 경제·인구·기후와 같은 거시적 요인은 연도별 시계열 특성으로 입력되며, 둘째, 피더별 대형 부하·DER·EV 채택 현황 등 미시적 요인은 피드별 고유 특성으로 포함된다. 셋째, 과거 피크 부하 자체를 시퀀스 입력에 포함시켜 연속적인 연도 간의 관성(inertia)을 학습한다.

특히 ‘가상 피더(Virtual Feeder)’ 개념을 도입해 과거 피더 간 부하 전이(transfer)로 인한 데이터 오염을 제거하고, 모든 피처를 0‑1 범위로 정규화한 뒤, 상관관계가 높은 피처들을 PCA로 차원 축소함으로써 모델 학습 효율성을 크게 높였다. 시퀀스 구성은 ‘many‑to‑many’와 ‘many‑to‑one’ 두 가지 형태로 실험했으며, 이는 LSTM·GRU가 시간 의존성을 어떻게 포착하는지 비교할 수 있는 중요한 설계이다.

LSTM은 입력·망각·출력 게이트를 통해 장기 의존성을 유지하면서도 기울기 소실·폭발 문제를 해결한다. 반면 GRU는 업데이트·리셋 게이트만 사용해 구조가 단순하고 학습 속도가 빠르지만, 특정 데이터셋에서는 LSTM보다 성능이 떨어질 수 있다. 논문은 두 모델을 동일한 하이퍼파라미터 탐색 과정(학습률, 배치 크기, 은닉 유닛 수 등)으로 비교했으며, 결과적으로 LSTM‑many‑to‑many 구성이 가장 낮은 MAPE(Mean Absolute Percentage Error)를 기록했다.

전통적인 ARIMA는 선형·정상성을 전제로 하여 다변량 외생 변수를 다루기 어려운 반면, 피드포워드 신경망(FNN)은 비선형성을 포착하지만 시간 순서를 명시적으로 모델링하지 못한다. 실험에서는 ARIMA와 FNN이 각각 8.3%·7.9%의 MAPE를 보인 반면, 제안된 LSTM‑GRU 기반 하이브리드 모델은 5.2% 이하로 크게 개선되었다. 이는 순환 구조가 장기 트렌드와 외생 변수 간 복합 상호작용을 효과적으로 학습했음을 의미한다.

한계점으로는 데이터 수집 비용이 높은 점, 특히 DER·EV 채택량과 같은 미래 시나리오 변수의 정확한 예측이 필요함을 들 수 있다. 또한, PCA 차원 축소 과정에서 정보 손실이 발생할 가능성이 있으며, 모델 해석성을 높이기 위한 SHAP·LIME 등 설명 가능한 AI 기법 적용이 향후 과제로 남는다.

전반적으로 이 논문은 배전피더 LTLF 분야에서 상향·하향·시계열 예측을 통합한 최초의 실증 연구이며, LSTM·GRU와 같은 최신 순환 신경망을 실제 전력망 운영에 적용할 수 있는 구체적 절차와 성능 검증을 제공한다.