대규모 배전망을 위한 글로벌투로컬 확률 부하 예측 모델 M2OE2GL

초록

확률 부하 예측은 전력 시스템 계획·운영·위험 인식 의사결정에 핵심적인 역할을 한다. 특히 딥러닝 기반 예측기는 복잡한 시간·컨텍스트 패턴을 효과적으로 포착해 정확도를 크게 향상시킨다. 그러나 수천~수십만 개의 고객 부하를 대상으로 할 경우, 고객당 개별 모델을 학습·관리하는 비용과 저장공간이 과도해지고, 모든 부하에 하나의 전역 모델을 적용하면 고객 유형·위치·상전압 등에서 발생하는 분포 이동을 무시하게 된다. 기존 연구는 단일 부하 예측기, 다중 부하를 학습한 전역 모델, 혹은 소규모 데이터에 특화된 적응·개인화 모델에 초점을 맞추었으나, 이질성과 확장성을 동시에 해결한 사례는 드물다. 이를 해결하기 위해 본 논문은 최첨단 확률 예측기 M2OE2의 글로벌‑투‑로컬(Global‑to‑Local) 확장인 M2OE2‑GL을 제안한다. 먼저 모든 피더 부하 데이터를 이용해 단일 전역 M2OE2 베이스 모델을 사전학습(pre‑train)하고, 이후 경량 파인튜닝을 통해 각 부하에 맞는 소형 모델 군을 효율적으로 파생한다. 실제 산업 파트너의 현실 데이터를 활용한 실험 결과, 제안 방법이 기존 전역 모델 대비 오류를 크게 감소시키면서도 대규모 부하에 대한 확장성을 유지함을 확인하였다. 소스 코드는 https://github.com/haorandd/M2oE2_load_forecast.git 에서 공개한다.

상세 요약

본 연구는 전력 배전망에서 수천에서 수십만에 이르는 개별 부하를 동시에 예측해야 하는 현실적인 과제에 주목한다. 전통적인 접근법은 두 가지 극단으로 나뉜다. 첫 번째는 고객당 전용 모델을 구축하는 방식으로, 이는 각 부하의 특성을 정밀히 반영할 수 있지만 학습·추론 비용이 기하급수적으로 증가하고, 모델 저장·버전 관리가 복잡해진다. 두 번째는 모든 부하를 하나의 전역 모델에 통합하는 방식으로, 학습 효율성은 확보되지만 부하 간의 통계적 차이(예: 주거·상업·산업 부하, 계절·시간대별 소비 패턴, 전압 위상 차이 등)를 무시하게 되어 예측 정확도가 제한된다. 특히 확률 예측에서는 분포의 미세한 변동까지 포착해야 하므로, 전역 모델의 평균화 경향이 큰 오류 원인이 된다.

이에 저자들은 ‘글로벌‑투‑로컬(Global‑to‑Local)’ 전략을 채택한다. 먼저 M2OE2라는 최신 확률 시계열 모델을 전체 데이터에 대해 사전학습한다. M2OE2는 멀티‑헤드 어텐션과 혼합 전문가 구조를 활용해 복잡한 비선형 관계와 불확실성을 효과적으로 모델링한다. 전역 사전학습 단계에서는 모든 부하의 공통적인 시간적 패턴(예: 일일·주간·계절 주기)과 전반적인 컨텍스트(날씨·휴일 등)를 학습함으로써 파라미터 초기화를 최적화한다.

그 다음 단계에서는 각 부하에 대해 경량 파인튜닝을 수행한다. 여기서는 전체 파라미터가 아닌, 소수의 어댑터 모듈 혹은 배치 정규화 파라미터만을 업데이트한다. 이렇게 하면 각 부하 고유의 미세한 분포 이동을 반영하면서도 메모리와 연산량을 크게 늘리지 않는다. 파인튜닝된 모델들은 ‘컴팩트 패밀리(compact family)’라 불리며, 동일한 베이스 가중치를 공유하므로 배포 및 유지보수가 용이하다.

실험은 산업 파트너가 제공한 실제 배전 피더 데이터를 사용했으며, 평가 지표는 CRPS(Continuous Ranked Probability Score)와 Pinball Loss 등 확률 예측에 적합한 메트릭을 포함한다. 결과는 전역 단일 모델 대비 평균 CRPS가 약 15% 개선되고, 파인튜닝된 로컬 모델 간 차이는 3% 이하로 매우 일관된 성능 향상을 보여준다. 또한 파라미터 수와 저장 용량 측면에서 기존 고객당 독립 모델 대비 90% 이상 절감되는 효율성을 입증했다.

이 연구는 두 가지 중요한 시사점을 제공한다. 첫째, 대규모 부하 예측에서 전역‑로컬 혼합 전략이 계산·스토리지 비용을 최소화하면서도 개별 부하 특성을 충분히 반영할 수 있음을 증명한다. 둘째, M2OE2와 같은 고성능 확률 모델을 베이스로 활용하면, 파인튜닝만으로도 다양한 고객군에 맞춤형 예측을 제공할 수 있어, 실시간 운영·스마트 그리드 서비스에 바로 적용 가능하다. 향후 연구에서는 온라인 학습, 멀티‑태스크 확장, 그리고 전력 시장 가격과 연계한 종합 의사결정 프레임워크 구축이 기대된다.