베이지안 신경망과 MC 드롭아웃을 이용한 전력 가격 예측의 확률적 불확실성 정량화

초록

본 연구는 전력 시장의 높은 변동성과 비선형적 특성을 반영하기 위해 베이지안 신경망(BNN)과 Monte Carlo(MC) 드롭아웃을 결합한 확률적 전력 가격 예측 프레임워크를 제안합니다. 시간대별 독립적인 모델 구조를 통해 일일 주기성을 포착하며, 단순한 점 예측을 넘어 예측값의 불확실성을 정량화함으로써 기존 GARCHX 및 LASSO 모델보다 정교한 확률적 예측 구간을 제공합니다.

상세 분석

본 논문의 핵심적인 기술적 차별점은 전력 가격 데이터가 가진 복잡한 시계열 특성을 다루기 위해 ‘시간별 독립 BNN(Hourly Independent BNN)’ 구조를 채동했다는 점입니다. 일반적으로 24시간의 시계열을 하나의 모델로 학습시키려 할 경우, 입력 차원이 급격히 증가하여 ‘차원의 저주’와 과적합(Overfitting) 문제에 직면하게 됩니다. 저자들은 이를 해결하기 위해 각 시간대별로 별도의 가중치와 드롭아웃 마스크를 학습시키는 방식을 채택하여, 각 시간대 특유의 일일 및 주간 주기성을 효과적으로 모델링했습니다.

기술적으로 가장 주목할 부분은 Monte Carlo 드롭아웃을 변분 베이지안 추정(Variational Bayesian Inference)의 근사 도구로 활용한 방식입니다. 학습 단계에서는 드롭아웃을 통해 네트워크의 일반화 성능을 높이는 정규화 기법으로 사용하고, 추론 단계에서는 동일한 네트워크에 대해 $M=1000$번의 전방 패스(Forward Pass)를 수행하여 가중치의 샘플 분포를 생성합니다. 이를 통해 산출된 샘플들의 평균은 점 예측값으로, 분산은 에피스틱(Epistemic) 및 알레아틱(Aleatoric) 불확실성을 포함한 예측 불확실성으로 정의됩니다.

다만, 실험 결과에서 나타난 PICP(Prediction Interval Coverage Probability) 수치가 0.11로, 목표치인 0.9(90%)에 크게 미달했다는 점은 기술적 한계로 지적됩니다. 이는 모델이 예측 구간의 폭(MPIW)을 좁히는 데는 성공하여 효율적인 구간을 제공했으나, 실제 데이터의 분포를 충분히 포괄하지 못하는 ‘과신(Overconfidence)’ 혹은 ‘보정(Calibration) 실패’ 문제를 겪고 있음을 시사합니다. 즉, 모델의 확률적 신뢰도를 확보하기 위해서는 단순한 드롭아웃 적용을 넘어, 확률적 보정 기법이나 더 정교한 변분 근사 알고리즘의 도입이 필수적임을 보여주는 중요한 분석적 단서입니다.

전력 시장은 재생에너지의 비중 확대와 수요-공급의 복잡한 상호작용으로 인해 가격 변동성이 극심하며, 이러한 변동성을 정확히 예측하고 그 불확실성을 관리하는 것은 에너지 시장의 핵심 과제입니다. 본 연구는 기존의 점 예측(Point Forecast) 방식이 가진 한계를 극복하고자, 예측값의 신뢰 구간을 함께 제시할 수 있는 확률적 예측 모델을 제안합니다.

연구의 방법론적 핵심은 베이지안 신경망(BNN)에 Monte Carlo 드롭아웃을 결합한 구조입니다. 연구진은 248차원의 방대한 입력 벡터(전일 및 전주 가격, 잔여 부기, 재생에너지 예측치, 요일 정보 등)를 활용하여, 각 시간대별로 독립적인 학습을 진행하는 구조를 설계했습니다. 이는 24시간 전체를 하나의 거대한 모델로 처리할 때 발생하는 과적합 위험을 방지하고, 시간대별로 상이한 가격 패턴(Spike 등)을 개별적으로 학습할 수 있게 합니다. 추론 과정에서는 1,000번의 반복적인 드롭아웃 적용을 통해 가중치 분포를 샘플링함으로써, 예측값의 평균뿐만 아니라 예측의 불확실성 자체를 수치화하는 데 성공했습니다.

실험은 2017년부터 2023년까지의 독일 연방망 데이터를 바탕으로 진행되었습니다. 성능 비교를 위해 전통적인 변동성 모델인 GARCHX와 LASSO 회귀 기반의 LEAR 모델을 대조군으로 설정했습니다. 실험 결과, BNN 모델은 점 예측 지표인 MAE, RMSE, MAPE 측면에서 LEAR 모델과 유사하거나 소폭 낮은 성능을 보였습니다. 그러나 확률적 예측 지표인 MPIW(Mean Prediction Interval Width) 측면에서는 LEAR 모델보다 훨씬 좁고 정교한 예측 구간을 생성해냈습니다. 이는 BNN이 불필요하게 넓은 예측 범위를 설정하지 않으면서도 효율적인 정보를 제공할 수 있음을 의미합니다.

하지만 본 연구는 명확한 한계점도 함께 제시하고 있습니다. 첫째, 시간별 독립 모델 구조로 인해 24시간 전체를 관통하는 시계열적 연속성(Temporal Continuity)을 충분히 활용하지 못했다는 점입니다. 둘째, MC 드롭아웃을 통한 변분 근사가 실제 베이지안 사후 분포를 완벽하게 재현하지 못하며, 특히 PICP 수치가 목표치인 90%에 훨씬 못 미치는 11% 수준에 머물렀다는 점은 모델의 신뢰도 보정이 시급함을 나타냅니다.

결론적으로, 본 연구는 BNN과 MC 드롭아웃을 활용하여 전력 가격 예측의 불확실성을 정량화할 수 있는 유망한 프레임워크를 제시했습니다. 향후 연구 방향으로는 Transformer나 Temporal Convolution과 같은 구조를 도입하여 시간적 연속성을 확보하고, Flipout이나 Bayes by Backprop와 같은 더욱 정교한 변분 추정 기법을 적용하여 예측 구간의 신뢰도(Calibration)를 높이는 작업이 필요할 것으로 보입니다.