신뢰성 높은 재생에너지 예측을 위한 Copula 기반 집계와 상황 인식 Conformal Prediction

초록

본 논문은 현장 수준에서 제공되는 확률 예측을 활용해 전력 플릿 수준의 신뢰할 수 있는 확률 예측을 만들기 위한 프레임워크를 제안한다. Gaussian Copula를 이용해 사이트 간 상관관계를 모델링하고, 이후 Context‑Aware Conformal Prediction(CACP)으로 집계된 분포의 캘리브레이션을 수행한다. MISO, ERCOT, SPP의 대규모 태양광 데이터 실험에서 제안 방법은 명목 커버리지를 거의 정확히 달성하면서 기존 방법보다 훨씬 좁은 예측 구간을 제공한다.

상세 분석

이 연구는 두 가지 핵심 기술을 결합한 새로운 확률 집계 파이프라인을 설계한다. 첫 단계에서는 각 발전소가 독립적으로 제공한 양자화된 CDF(또는 분위수)만을 입력으로 받아, Sklar 정리를 기반으로 Gaussian Copula를 구성한다. 구체적으로, 과거 실측값을 각 사이트의 예측 CDF에 적용해 균등 변수 ŷ_i,t 를 만든 뒤, 표준 정규 변환 Φ⁻¹을 적용해 정규화된 ẑ_i,t 를 얻는다. 이 ẑ 행렬의 공분산 Σ̂ 를 경험적으로 추정하고, 이를 파라미터로 하는 다변량 정규분포 MVN(0,Σ̂) 에서 샘플을 추출한다. 샘플을 다시 Φ를 통해 균등 변수로 변환하고, 각 사이트의 역 CDF F̂_i,τ⁻¹ 에 매핑함으로써 미래 시점 τ 에 대한 개별 발전량 샘플 x̃_i,τ 을 생성한다. 마지막으로 모든 사이트의 샘플을 합산해 플릿 수준의 샘플 x̃_0,τ 을 얻고, 이로부터 경험적 누적분포 F̂_0,τ 와 분위수를 추정한다.

하지만 Copula 기반 집계만으로는 모델 오차, 구조적 불일치, 그리고 샘플링 변동성 때문에 명목 커버리지를 만족하지 못한다는 점을 인식하고, 두 번째 단계에서 Context‑Aware Conformal Prediction을 도입한다. 기존 Conformalized Quantile Regression(CQR)은 모든 캘리브레이션 샘플에 동일 가중치를 부여하지만, 재생에너지의 오류는 일조량, 계절, 시간대 등에 따라 크게 달라진다. 따라서 저자는 RBF 커널 ψ(c_t,c_τ)=exp(−γ‖c_t−c_τ‖²) 를 이용해 상황(context) 벡터 c_t 와 과거 캘리브레이션 샘플 c_τ 간 유사도를 가중치 w_τ 로 정의한다. 여기서 c_t 는 과거 발전량 H_l,t,k, 시간 임베딩(시간·일·월), 그리고 정규화된 일조 시간 ξ_s,t 등 물리적·시간적 특성을 포함한다. 가중치 정규화 후, 가중 분위수 Q_{1−α} 를 사용해 보정값 ŝ 을 계산하고, 원본 분위수에 ± ŝ 를 더함으로써 최종 예측 구간 Ĉ_α,0,τ 을 만든다. 가중치가 균일하면 기존 CQR과 동일한 보장을 제공하므로, 이 방법은 기존 방법보다 지역적 적합성을 크게 향상시킨다.

실험 설계는 2019년 한 해 동안의 1,149개 태양광 발전소(미소, SPP, ERCOT) 데이터를 활용한다. NREL이 제공한 99 분위수 일일 예측을 기준선으로 삼고, 동일 데이터에 대해 Copula‑only, NREL+CQR, NREL+Weighted CP 등 여러 변형을 비교한다. 캘리브레이션은 매일 수행하고, 상관 구조는 월 단위로 업데이트한다. 결과는 세 시장 모두에서 제안된 Copula+CA CP가 95 % 명목 커버리지를 94.8 %~95.3 % 수준으로 유지하면서, 평균 예측 구간 폭이 Copula‑only 대비 12 %~18 % 감소함을 보여준다. 이는 전력 운영에서 과잉 보유 비용을 크게 절감할 수 있음을 의미한다. 또한, 가중치 파라미터 γ 와 컨텍스트 피처 선택에 대한 민감도 분석을 통해, 일조량과 시간 임베딩이 가장 큰 영향을 미치며, 과도한 지역화(γ 값 과다) 시 샘플 효율이 떨어져 커버리지가 약간 감소하는 현상을 확인한다.

이 논문의 주요 기여는 (1) 현장 수준 예측만으로도 플릿 수준의 일관된 확률 예측을 만들 수 있는 실용적 프레임워크 제시, (2) Gaussian Copula와 상황 인식 가중치 Conformal Prediction을 결합해 이론적 커버리지 보장과 실질적 샤프니스 향상을 동시에 달성, (3) 대규모 실제 데이터에 대한 광범위 실증을 통해 산업 현장에서 바로 적용 가능한 성능 입증이다. 특히, 시스템 레벨 모델을 별도로 학습하거나 현장 데이터를 직접 수집할 필요가 없다는 점은 데이터 프라이버시와 유지보수 비용이 큰 전력 시장에서 큰 장점으로 작용한다.