가격을 만드는 풍력 발전사의 학습 기반 입찰 전략

초록

본 논문은 시장 가격에 영향을 미치는 대형 풍력 발전사(Price‑Maker)를 대상으로, 컨텍스트 정보를 활용한 온라인 학습 알고리즘을 제안한다. 입찰 문제를 상황 의존 다중 팔 밴딧(Contextual Multi‑Armed Bandit)으로 모델링하고, 점차적인 레그레트를 최소화하는 정책을 설계한다. 독일 전력시장의 일일·실시간 데이터를 이용한 시뮬레이션 결과, 제안 알고리즘이 기존 벤치마크보다 누적 수익이 크게 향상됨을 보인다.

상세 분석

이 논문은 기존의 가격‑테이커 가정이 깨지는 상황, 즉 풍력 발전사의 입찰이 시장 가격을 직접 변화시키는 ‘가격‑메이커’ 환경을 정확히 포착한다. 전통적인 접근법은 상위‑하위 레벨 bilevel 최적화로, 하위 레벨에 복잡한 시장 클리어링 모델과 다른 참여자들의 입찰·한계비용 정보를 필요로 한다. 이러한 모델은 시나리오 수가 폭증하면서 계산량이 급증하고, 실제 시장에서는 비공개 정보가 많아 적용이 어려운 단점이 있다.

논문은 이를 탈피해 입찰 문제를 ‘결정‑의존 불확실성’이 포함된 확률 프로그램으로 재구성한다. 구체적으로, 컨텍스트 x(예: 풍력 발전 예측, 전력 수요·가격 예측)를 관측한 뒤 입찰 fₙ을 선택하고, 그에 따라 시장 결과 z* 가 확률분포 Q(fₙ, x) 를 통해 나타난다고 정의한다. 목표는 기대 수익 Eₚ