전력 시스템 시계열 예측을 위한 딥 스테이트 스페이스 모델 PowerMamba와 종합 벤치마크

초록

PowerMamba는 전력 시스템의 부하, 가격, 재생에너지 등 다변량 시계열을 동시에 예측하도록 설계된 딥 스테이트 스페이스 모델이다. 기존 Transformer 기반 모델의 높은 연산 복잡도를 피하면서 외부 고해상도 예보(예: 날씨 기반 부하·재생예보)를 효율적으로 결합한다. 5년치 ERCOT 데이터셋과 262개 채널을 포함한 공개 툴박스를 제공하며, 평균 7%의 정확도 향상과 파라미터 43% 감소를 달성한다.

상세 분석

PowerMamba는 최신 선택적(State‑Space) 모델인 Mamba를 기반으로 하여 전력 시스템 특유의 동적 특성을 효과적으로 포착한다. 핵심 설계는 두 개의 병렬 Mamba 블록(정방향·역방향)으로, 하나는 개별 시계열 내부의 시간 의존성을, 다른 하나는 채널 간 교차 의존성을 학습한다. 이를 통해 전통적인 다변량 모델이 놓치기 쉬운 상호작용(예: 부하와 가격의 피드백 루프)을 고해상도 상태 공간 표현으로 압축한다.

또한, 외부 예보를 활용하는 전처리 모듈은 고해상도 날씨·시장 예보를 동일 시간 해상도로 삽입하면서 입력 차원을 크게 늘리지 않는다. 입력 시계열을 트렌드·계절성으로 분해한 뒤, 각각을 별도 선형 프로젝션으로 매핑해 모델 크기가 컨텍스트 길이에 종속되지 않도록 설계하였다. 이는 Transformer가 컨텍스트 길이에 따라 파라미터와 연산량이 급증하는 문제를 회피한다.

연산 복잡도 측면에서 PowerMamba는 SSM의 선형 O(L·D) 복잡도를 유지한다. Mamba 블록 내부에서 HIPPO 행렬 초기화를 사용해 장기 의존성을 강화하고, FFT 기반 채널 혼합을 도입해 다채널 정보를 효율적으로 통합한다. 실험에서는 240시간 컨텍스트와 24시간 예측 윈도우에서 기존 Mamba 기반 모델 대비 43% 적은 파라미터로 평균 MSE 7% 개선을 기록했다.

데이터 측면에서는 ERCOT의 5년치 시간당(시간 해상도) 데이터에 22개의 핵심 시계열과 262개의 확장 채널(외부 예보 포함)을 제공한다. 이는 기존 전력 데이터셋이 갖는 시간·공간 해상도와 기간의 한계를 크게 뛰어넘으며, Transformer·SSM·CNN 등 다양한 모델의 공정한 비교를 가능하게 한다.

툴박스는 PowerMamba 구현체, 데이터 로더, 평가 스크립트, 그리고 DeepAR, PatchTST, TimeMachine 등 최신 베이스라인을 포함한다. 오픈소스화된 구조는 연구자와 실무자가 손쉽게 재현·확장할 수 있게 설계되었으며, 향후 배터리·수요반응 등 새로운 변수 추가도 용이하도록 모듈화돼 있다.

전체적으로 본 논문은 전력 시스템 시계열 예측에 필요한 ‘정확도·효율성·재현성’ 3대 축을 동시에 만족시키는 프레임워크를 제시한다는 점에서 학술적·산업적 가치를 모두 갖는다.