전력시장 곡선 잠재공간 표현: 구조 보전과 차원축소 최적화

초록

본 논문은 전력시장의 공급·수요 곡선을 저차원 잠재공간에 효율적으로 압축하면서, 재구성 시 경제적 단조성(가격‑수량 관계)을 유지하는 방법을 탐구한다. PCA, Kernel PCA, UMAP, AutoEncoder 네 가지 차원축소 기법을 2‑D·3‑D 잠재공간에 적용하고, 사전 전처리·표준화·가격·수량 샘플링 절차를 제시한다. 재구성 결과에 대해 선택적으로 이소톤 회귀(Isotonic Regression)를 후처리 단계로 적용해 단조성을 강제한다. 3년간의 MIBEL 시간별 데이터 실험에서 UMAP이 모든 오류 지표(RMSE, MAE, WA‑PE 등)에서 일관적으로 최우수 성능을 보였으며, 이소톤 회귀는 특히 PCA·kPCA에서 오류를 크게 감소시켜 물리적 타당성을 회복시켰다. 연구 결과는 UMAP과 후처리 결합이 향후 가격 예측·클러스터링·레지임 감지 등 다운스트림 작업에 견고한 기반을 제공함을 시사한다.

상세 분석

본 연구는 전력시장 곡선이라는 고차원, 비선형, 그리고 단조성이라는 강한 구조적 제약을 가진 데이터를 어떻게 저차원 잠재공간에 압축할 것인가에 초점을 맞췄다. 먼저 데이터 전처리 단계에서 가격을 99 % 신뢰구간으로 윈저라이징하고, 정수 단위 가격 그리드(Rₚ)와 일정 부피 간격(δQ)으로 재샘플링함으로써 모든 곡선을 동일한 차원(N = 268)으로 정규화했다. 이는 차원축소 기법이 동일한 입력 형태를 공유하도록 강제하고, 특히 비선형 기법이 지역 구조를 포착하기 쉬운 환경을 만든다. 표준화 단계에서는 훈련 세트 기준 평균·분산을 이용해 스케일을 맞춤으로써 학습 안정성을 확보했다.

차원축소 기법으로는 (1) 선형 변환 기반 PCA, (2) 힐베르트 공간에서 비선형 매핑을 수행하는 Kernel PCA, (3) 근접 이웃 그래프와 확률적 흐름을 이용해 데이터 매니폴드를 보존하는 UMAP, (4) 인코더‑디코더 구조를 갖는 AutoEncoder를 선택했다. 각 기법은 2‑D와 3‑D 잠재공간에 대해 하이퍼파라미터 튜닝을 수행했으며, 특히 UMAP은 이웃 수(k)와 최소 거리(min_dist)를 다양하게 실험해 최적 조합을 찾았다.

재구성 정확도 평가는 RMSE와 MAE 외에 편향(Bias)과 가중 평균 절대 백분율 오차(W‑APE)를 포함해 다각도로 수행했다. 결과적으로 UMAP은 2‑D·3‑D 모두에서 평균 순위 2.5 점(가장 낮음)으로 최고 성능을 기록했으며, 특히 단조성 위반이 거의 없었다. 반면 PCA와 kPCA는 재구성 시 가격‑수량 관계가 뒤바뀌는 비단조 구간이 빈번히 발생했으며, 이는 전력시장 해석에 치명적인 오류를 초래한다. 이러한 구조적 결함을 보정하기 위해 논문은 선택적 후처리 단계로 이소톤 회귀를 적용했다. 이소톤 회귀는 재구성된 곡선에 대해 비감소 제약을 강제해 단조성을 복원하고, 특히 PCA·kPCA에서 RMSE를 30 % 이상, MAE를 40 % 이상 감소시키는 효과를 보였다. AutoEncoder는 시각적으로는 단조성을 유지했지만, 전반적인 오류 지표에서는 UMAP에 비해 현저히 낮은 정확도를 보였다. 이는 AE가 복잡한 비선형 패턴을 학습하긴 했지만, 매니폴드의 전역 구조를 충분히 보존하지 못했기 때문으로 해석된다.

또한 차원 확대(2‑D→3‑D)가 대부분의 기법에서 성능을 약간 향상시켰지만, UMAP의 경우 차원 증가에 따라 매니폴드가 희소해지는 부작용이 나타나며, 과적합 위험이 존재한다는 점을 논문은 언급한다. 이는 차원 선택이 데이터 복잡도와 목표 작업에 따라 신중히 결정돼야 함을 시사한다.

마지막으로 논문은 잠재공간을 활용한 다운스트림 작업—예측, 군집, 레지임 탐지—에 대한 가능성을 제시한다. 특히 UMAP이 지역 구조를 보존하면서도 단조성을 자연스럽게 유지한다는 점은, 향후 시계열 예측 모델에 잠재공간을 입력 피처로 활용하거나, 비정상적인 입찰 행태를 탐지하는 이상 탐지 시스템에 적용하기에 유리하다.