전력가격 예측을 위한 규제 인식 조건부 신경 프로세스와 다중 기준 의사결정 통합 모델

초록

본 논문은 독일 전력시장의 24시간 가격을 예측하기 위해 베이지안 규제 탐지(DS‑HDP‑HMM)와 조건부 신경 프로세스(CNP)를 결합한 모델(R‑NP)을 제안한다. 탐지된 각 규제별로 독립적인 CNP를 학습시켜 규제 가중 혼합 예측을 수행하고, 배터리 저장 시스템 운영(가격 차익, 위험 관리, 그리드 서비스, 비용 최소화)에서의 실제 수익성을 평가한다. 다중 기준 의사결정 기법인 TOPSIS를 적용해 예측 정확도와 운영 성과를 종합적으로 비교한 결과, 전통적인 LEAR 모델이 2021년에는 최고였지만, 제안된 R‑NP가 2021‑2023년 동안 가장 균형 잡힌 성능을 보이며 선호 모델로 선정되었다.

상세 분석

이 연구는 전력가격 예측에 두 가지 핵심 기술을 결합한다. 첫 번째는 비정형·비정상성을 가진 전력시장의 가격 변동을 포착하기 위한 베이지안 비모수 모델인 ‘disentangled sticky hierarchical Dirichlet process hidden Markov model(DS‑HDP‑HMM)’이다. DS‑HDP‑HMM은 사전 정의된 규제 수가 없으며, 새로운 시장 상황이 등장할 때 자동으로 규제(상태)를 추가하고, 기존 규제 간 전이 확률에 ‘sticky’ 파라미터를 도입해 상태 지속성을 보장한다. 이를 통해 일일 가격 시계열을 여러 규제로 분할하고, 각 규제는 서로 다른 통계적 특성(볼래틸리티, 평균 회귀 속도, 외생 변수 민감도 등)을 갖는다.

두 번째 핵심은 ‘Conditional Neural Process(CNP)’이다. CNP는 메타러닝 기반의 확률적 함수 근사기로, 입력 컨텍스트(예: 전일 가격, 날씨, 재생에너지 비중, 경제 지표 등)와 목표 출력(다음 24시간의 시간별 가격) 사이의 확률적 매핑을 학습한다. 기존 딥러닝 모델과 달리 CNP는 관측된 컨텍스트 집합에 대해 즉시 사후 분포를 추정할 수 있어 불확실성 정량화가 자연스럽다. 논문에서는 DS‑HDP‑HMM이 식별한 각 규제마다 별도의 CNP를 학습시켜, 규제‑특화 확률 예측기를 구축한다. 최종 예측은 각 규제의 posterior probability(규제 가중치)와 해당 규제 CNP의 출력(가격 분포)을 곱해 혼합한다는 점에서, 전통적인 ‘단일 모델 + 전역 가중치’ 접근법보다 훨씬 유연하고 해석 가능하다.

성능 검증은 세 단계로 진행된다. (1) 예측 정확도 측면에서 RMSE, MAE, MAPE 등 전통적인 지표를 계산했으며, R‑NP가 DNN과 LEAR보다 평균적으로 5‑12% 정도 개선되었다. (2) 예측을 실제 배터리 에너지 저장 시스템(BESS) 운영에 적용해 네 가지 운영 시나리오(가격 차익, 위험 회피, 그리드 서비스 제공, 비용 최소화)를 시뮬레이션했다. 여기서 중요한 발견은 ‘예측 오류가 낮아도 운영 성과가 좋지 않을 수 있다’는 점이다. 예를 들어, LEAR은 절대 수익이 가장 높았지만, 가격 급등 시점에 오류가 집중돼 위험 관리 시 손실이 크게 늘었다. 반면 DNN은 특정 비용 최소화 목표에서 최적해에 근접했지만, 전반적인 수익성은 낮았다. R‑NP는 규제별 불확실성을 반영한 확률 예측 덕분에 모든 시나리오에서 평균적으로 3‑8%의 성과 향상을 보이며, 특히 위험 회피와 비용 최소화에서 안정적인 결과를 제공했다.

마지막으로 다중 기준 의사결정(MCDM) 기법인 TOPSIS를 적용해 4가지 운영 목표와 3가지 예측 정확도 지표를 종합 평가했다. TOPSIS는 각 모델을 ‘이상점(최고 성능)과 최악점(최저 성능)’ 사이의 거리로 정량화해 순위를 매긴다. 결과는 2021년에는 LEAR가 단일 기준(예측 정확도)에서는 최고였지만, 종합 점수에서는 R‑NP가 2위에 머물렀다. 2022·2023년에는 R‑NP가 모든 기준에서 가장 가까운 이상점에 위치해 최종 우승 모델로 선정되었다. 이는 규제 인식과 확률적 예측이 실제 운영 의사결정에 미치는 긍정적 영향을 실증적으로 보여준다.

이 논문의 주요 기여는 (i) 비정상적 전력시장을 위한 베이지안 규제 탐지와 메타러닝 기반 확률 예측기의 효과적인 결합, (ii) 예측 정확도와 운영 성과를 동시에 고려한 종합 평가 프레임워크 구축, (iii) 배터리 저장 시스템 운영에 적용했을 때 규제‑특화 모델이 어떻게 위험을 감소시키고 수익을 안정화시키는지를 실증적으로 입증한 점이다. 향후 연구에서는 규제 탐지에 외부 정책·지리적 변수(예: 탄소세, 전력 시장 통합) 를 직접 포함하거나, 트랜스포머 기반 CNP 변형을 도입해 장기 의존성을 더 잘 포착하는 방향이 기대된다.