안전한 전력망 예측을 위한 상태공간 모델과 신뢰성 평가

초록

본 논문은 전력 수요 예측에서 과소예측이 초래하는 공급 부족 위험을 최소화하기 위해 새로운 평가 지표인 Under‑Prediction Rate(UPR), 99.5% 보 reserve 비율, 그리고 Bias 24h/OPR을 제시한다. 캘리포니아 ISO의 2023‑2025년 2년간 시간별 데이터를 활용해 상태공간 모델(Mamba 변형)과 기존 베이스라인을 롤링‑오리진 백테스트로 비교한다. 날씨와 열‑지연을 결합한 피처 엔지니어링이 오류 분포를 좁히고, 확률적 보정이 대형 오류를 감소시키지만 일정 수준의 과다 예측을 유발함을 확인한다. 제안된 목표 함수를 통해 tail risk와 과다 예측 사이의 트레이드오프를 투명하게 조정할 수 있다.

상세 분석

전력망 운영에서는 수요를 과소예측할 경우 실시간 공급 부족으로 인한 정전 위험이 급증한다. 기존의 MAPE와 같은 대칭 오류 지표는 이러한 비대칭 위험을 포착하지 못한다는 점이 본 연구의 출발점이다. 이를 보완하기 위해 저자들은 Under‑Prediction Rate(UPR)를 도입하였다. UPR은 실제 수요가 예측치를 초과한 비율을 직접 측정함으로써, 운영자가 과소예측에 대한 노출을 정량화할 수 있게 한다. 또한 99.5% 보 reserve 비율은 상위 0.5% 수요 피크에 대비한 여유 전력을 백분율로 제시해, 시스템 안전성을 평가한다. Bias 24h/OPR은 24시간 평균 편향과 운영자 예측 비율(OPR)을 결합한 지표로, 모델이 지속적으로 과다 혹은 과소 예측하는 경향을 드러낸다.

데이터는 CAISO의 5개 지역 전송 구역에 걸친 84,498개의 시간별 레코드로 구성된다. 저자들은 롤링‑오리진 워크‑포워드 백테스트를 채택해, 매 시점마다 과거 30일을 학습 데이터로 사용하고 다음 24시간을 예측하도록 설계했다. 이는 실제 운영 환경에서 모델이 지속적으로 업데이트되는 상황을 모사한다.

모델 측면에서는 최신 상태공간 시계열 프레임워크인 Mamba 변형을 활용하였다. Mamba는 딥러닝 기반 변분 오토인코더와 칼만 필터를 결합해, 비선형 동적 시스템을 효율적으로 추정한다. 저자들은 Mamba에 기상 변수(온도, 습도, 풍속)와 열‑지연(Lagged‑Thermal) 피처를 융합하는 두 가지 전략을 제안한다. 첫 번째는 온도와 수요 사이의 비선형 관계를 직접 학습하도록 하는 멀티‑모달 인코더이며, 두 번째는 온도 변화가 수요에 미치는 지연 효과를 시계열 컨볼루션으로 모델링한다.

실험 결과는 흥미롭다. 전통적인 ARIMA, Prophet, LSTM 등 베이스라인 모델과 비교했을 때, Mamba‑Thermal‑Fusion은 MAPE에서는 약 2%p 정도 차이로 비슷한 수준을 보였지만, UPR은 12%p 감소하고, 99.5% 보 reserve 비율은 8%p 낮았다. 이는 동일한 평균 정확도를 유지하면서도 피크 상황에서 요구되는 여유 전력이 크게 감소함을 의미한다. 확률적 예측(예: 베이지안 Mamba)을 적용하면 대형 오류 사건(예: 99.9% 초과)의 발생 빈도가 추가로 30% 감소했지만, 평균 Bias 24h가 3%p 상승해 일정 수준의 과다 예측이 발생했다. 이를 해결하기 위해 저자들은 Bias/OPR 제약을 포함한 손실 함수를 설계했으며, 이 함수는 모델이 tail risk를 최소화하면서도 불필요한 스케줄 인플레이션을 억제하도록 유도한다.

또한, 날씨 통합 전략이 오류 분포를 어떻게 변화시키는지 정량적으로 분석했다. 온도 기반 피처를 포함했을 때, 수요 급증 시점의 예측 오차 표준편차가 평균 15% 감소했으며, 특히 여름철 고온 기간에 보 reserve 요구량이 10%p 이상 감소했다. 이는 기후 변화가 전력 수요에 미치는 영향을 모델이 효과적으로 학습했음을 시사한다.

한계점으로는 데이터가 캘리포니아 지역에 한정돼 있어 다른 전력 시장에 대한 일반화 가능성이 검증되지 않았으며, 모델 학습에 필요한 GPU 자원과 실시간 적용을 위한 추론 속도가 아직 상용화 단계에 비해 다소 무겁다는 점을 들었다. 향후 연구에서는 멀티‑지역 멀티‑스케일 데이터와 경량화된 상태공간 구조를 탐색하고, 운영자와의 인터페이스 설계를 통해 UPR·Reserve·Bias 지표를 실시간 의사결정에 직접 연결하는 방안을 모색한다.