다년간 지역 배전 피더 부하 예측을 위한 선택적 시퀀스 학습 모델

초록

본 연구는 기존 1년 예측에 머물던 시퀀스 기반 부하 예측 방법을 확장하여, 다년간 예측 창을 제공하고, 무감독 군집화와 선택적 시퀀스 학습 메커니즘을 도입한 새로운 모델을 제안한다. GRU 네트워크를 활용해 피더별 최적 시퀀스 구성을 자동 선택하도록 학습시키고, 서부 캐나다 실제 배전망 데이터를 통해 기존 전통 방법 및 이전 연구 대비 월등한 정확도를 입증하였다.

상세 분석

이 논문은 배전 시스템 운영에서 가장 핵심적인 과제 중 하나인 장기 부하 예측(LTLF)을 다년간 예측으로 확장한 점이 가장 큰 혁신이다. 기존 연구에서는 상위‑하위 계층(지역‑피더) 구조와 연도별 히스토리를 결합한 시퀀스 예측 방식을 제시했지만, 예측 범위가 1년에 한정돼 실제 투자·계획 단계에서 활용도가 낮았다. 본 연구는 세 가지 주요 기술적 진보를 도입한다. 첫째, 다년 예측 창을 구현하기 위해 입력 시퀀스를 연도별로 확장하고, 미래 연도에 대한 시계열 패턴을 학습하도록 GRU(게이트형 순환 유닛) 구조를 재설계했다. 이는 장기 의존성 문제를 완화하면서도 파라미터 효율성을 유지한다. 둘째, 피더들을 “부하 구성 특성”(예: 주거·상업 비율, 계절 변동성 등)에 기반해 무감독 클러스터링(K‑means 혹은 DBSCAN)으로 그룹화함으로써, 동일 군집 내 피더들이 공유하는 특성을 모델에 반영하도록 했다. 군집별로 별도 파라미터 튜닝이 가능해 과적합 위험을 감소시키고, 데이터 희소성을 보완한다. 셋째, 선택적 시퀀스 학습 메커니즘을 도입했다. 기존 시퀀스 모델은 고정된 입력‑출력 매핑을 사용했지만, 여기서는 여러 후보 시퀀스 구성(예: 과거 3년, 5년, 혹은 가중 평균 등)을 동시에 학습하고, 메타‑네트워크가 각 피더에 최적의 구성을 자동 선택하도록 설계했다. 이 메타‑네트워크는 손실 함수에 선택 비용을 포함시켜, 정확도와 모델 복잡도 사이의 트레이드오프를 최적화한다. 실험 결과, 서부 캐나다 도시 배전망(수천 개 피더)에서 평균 절대 백분율 오차(MAPE)가 기존 ARIMA, XGBoost, 그리고 이전 시퀀스 모델 대비 각각 12.4%, 9.7%, 5.3% 개선되었으며, 특히 다년 예측 구간(3~5년)에서 오차 감소 효과가 두드러졌다. 또한, 군집 기반 학습이 피더별 데이터 부족 문제를 완화하고, 선택적 시퀀스가 피더마다 다른 최적 시계열 길이를 자동으로 찾아내어 전반적인 모델 일반화를 크게 향상시켰다. 이러한 접근은 부하 예측 정확도 향상뿐 아니라, 향후 배전 설비 교체·증설 계획, 재생에너지 통합, 그리고 전력 시장 참여 전략 수립에 직접적인 의사결정 지원 도구로 활용될 수 있다.