다중작업 적응형 벡터‑값 히든 마르코프 모델을 이용한 확률적 부하 예측

초록

본 논문은 전력 시스템의 여러 지역·건물 등 다중 엔티티에 대해 실시간으로 적응하는 다중작업 학습 프레임워크를 제안한다. 벡터‑값 히든 마르코프 모델(HMM)을 기반으로 하여 엔티티 간 상관관계와 시간적 변화를 동시에 학습하고, 순차적 EM 알고리즘을 통해 파라미터를 온라인으로 업데이트한다. 이를 통해 각 엔티티의 부하 평균과 불확실성을 확률분포 형태로 제공하며, 실험 결과 기존 오프라인·단일작업 방법보다 예측 정확도와 불확실성 평가 모두에서 우수함을 입증한다.

상세 분석

본 연구는 전력 부하 예측을 다중작업(probabilistic multi‑task) 문제로 재정의하고, 이를 해결하기 위해 벡터‑값 히든 마르코프 모델(VHMM)을 도입하였다. 기존의 HMM은 단일 시계열에만 적용되었으나, 저자는 상태 변수 s_t 를 K 차원의 부하 벡터로 확장하고, 관측 변수 r_t 를 각 엔티티별 외생 요인(날씨, 캘린더 등)과 결합한 다차원 관측으로 정의하였다. 상태 전이 확률 p(s_t|s_{t‑1})와 관측 확률 p(r_t|s_t) 모두 다변량 정규분포로 가정하고, 캘린더 타입 c(t)마다 별도의 평균 행렬 M_{s,c}와 공분산 행렬 Σ_{s,c}를 부여함으로써 시간‑계절적 변동과 엔티티 간 상관관계를 동시에 모델링한다.

온라인 학습은 순차적 기대‑최대화(online EM) 절차를 사용한다. 새로운 데이터 (s_t, r_t) 가 들어올 때마다 현재 파라미터를 이용해 충분통계(sufficient statistics)를 업데이트하고, 즉시 파라미터를 재추정한다. 이 과정은 O(K^2) 수준의 연산 복잡도를 유지하면서도 파라미터 수가 O(K^2·C) 로 증가하는 문제를 효율적으로 다룬다. 특히, 저자는 파라미터 업데이트와 예측을 분리한 두 단계(learning step, prediction step)를 제시했으며, 예측 단계에서는 최신 파라미터를 사용해 다중 엔티티에 대한 확률적 예측 분포 F_t+ℓ (ℓ=1…L)를 직접 계산한다. 이를 통해 각 엔티티별 평균 부하와 신뢰구간, 그리고 엔티티 간 공분산까지 제공한다.

성능 평가에서는 호주 4개 지역(뉴사우스웨일즈, 타스마니아, 퀸즐랜드, 사우스오스트레일리아)의 시간‑일별 부하 데이터를 사용하였다. 실험은 RMSE, MAPE와 같은 점예측 지표와 CRPS, Calibration Error, Pinball Loss와 같은 확률예측 지표를 모두 포함한다. 제안 방법은 기존의 다중작업 Gaussian Process, 다중작업 커널 회귀, 그리고 오프라인 HMM 기반 방법에 비해 RMSE를 평균 5~8% 개선하고, CRPS와 Pinball Loss에서도 유의미한 감소를 보였다. 또한, 온라인 업데이트를 통해 계절 전환이나 급격한 수요 변동(예: 공휴일, 기상 이상)에 빠르게 적응함을 시각화된 결과와 함께 증명하였다.

이 논문의 주요 기여는 다음과 같다. (1) 다중 엔티티 간 상관관계를 명시적으로 모델링한 벡터‑값 HMM 설계, (2) 순차적 EM 기반 온라인 파라미터 추정 알고리즘 제시, (3) 확률적 예측을 위한 폐쇄형 해석식 도출 및 복잡도 분석, (4) 실제 대규모 전력 부하 데이터에 대한 광범위 실험을 통한 성능 검증. 한편, 공분산 행렬의 차원 증가에 따른 메모리 요구량과, 정규분포 가정이 비정형 부하(예: 급격한 이벤트)에서 제한적일 수 있다는 점은 향후 연구 과제로 남는다.