변동성 전력시장을 위한 일일 전력가격 예측: 파운데이션 모델과 스파이크 정규화 전략

초록

본 논문은 싱가포르의 반시간 전력시장 데이터를 활용해, 스파이크 정규화 기법을 적용한 시간계열 파운데이션 모델(TSFMs)들을 기존 통계·딥러닝 모델과 비교 평가한다. TTMs, MOIRAI, MOMENT, TimesFM 등 4가지 TSFM을 제로샷 및 파인튜닝 방식으로 실험했으며, ARIMA, LSTM, CNN‑LSTM 등 전통 모델을 베이스라인으로 사용하였다. 제안한 STL‑KF 기반 스파이크 탐지·정규화가 가격 급등을 효과적으로 완화시켜 모델이 기본 패턴을 학습하도록 돕는다. 실험 결과 TSFM이 모든 평가 지표(MAE, RMSE, MAPE)에서 우수했으며, 특히 MAPE 기준 최대 37.4% 개선을 달성했다. 외생 변수(날씨, 캘린더)와 로그 변환을 결합하면 성능이 추가로 향상된다.

상세 분석

본 연구는 전력가격 예측(EPF) 분야에서 두드러진 두 가지 기술적 난제를 동시에 해결한다. 첫째는 가격 급등(spike)과 같은 비정상적 변동이 모델 학습에 미치는 부정적 영향을 최소화하는 정규화 전략이다. 저자들은 STL(Seasonal‑Trend decomposition using Loess)으로 주기성을 분리하고, Huber‑loss 기반 칼만 필터(KF)를 적용해 비선형·비정상적 노이즈에 강인한 상태 추정을 수행한다. 이후 동적 임계값(λ=3)을 이용해 계절성 성분과 KF의 불확실성(Pk|k‑1, Rk)을 결합한 신뢰구간을 정의함으로써, 변동성이 큰 구간에서는 임계값을 자동 확대하고, 정상 구간에서는 엄격히 잡아 과도한 탐지를 방지한다. 이 과정은 가격 급등을 완전히 제거하지 않고, 모델이 주요 트렌드와 계절성을 학습하도록 유도한다는 점에서 기존의 고정 임계값 방식보다 훨씬 정교하다.

둘째는 최신 시간계열 파운데이션 모델(TSFMs)의 적용이다. TTMs는 MLP‑Mixer 기반의 경량 구조(0.8M 파라미터)로, 긴 시계열(look‑back 512)에서도 효율적인 패턴 인식을 가능하게 한다. MOIRAI와 MOMENT은 대규모(300M 이상) 인코더 기반으로 사전학습된 일반화 능력이 뛰어나며, TimesFM은 디코더‑중심 구조로 멀티스텝 예측에 강점을 가진다. 논문은 각 모델을 세 가지 학습 전략(스크래치 학습, 제로샷, 파인튜닝)으로 실험해, 사전학습된 파운데이션 모델이 데이터가 제한된 상황에서도 높은 정확도를 유지함을 입증한다.

실험 설계는 데이터 전처리, 피처 엔지니어링, 모델 구성, 평가 단계로 체계화되었다. 데이터는 2021‑2024년 4년간의 반시간(30분) 전력가격·수요와 기상·공휴일 정보를 포함해 69,600 샘플을 확보했으며, 70/20/10 비율로 학습·검증·테스트 셋을 분할하였다. 피처는 다중 지연(lag) 변수, 로그 변환, 6가지 외생 변수(수요, 시간, 온도, 습도, 열지수, 주말)로 구성돼 총 14개 피처가 모델에 투입되었다. 정규화는 최소‑최대 스케일링을 적용했으며, 윈도우 슬라이딩(look‑back 512, horizon 48)으로 다단계 예측을 수행했다.

평가 결과는 다음과 같다. TSFM 계열은 MAE, RMSE, MAPE 모두에서 전통 모델을 크게 앞섰으며, 특히 TTMs와 TimesFM이 제로샷 상황에서도 LSTM·CNN‑LSTM 대비 평균 28%~35% 낮은 MAPE를 기록했다. 파인튜닝을 적용하면 추가 5%~8% 정도 성능이 개선되었다. 스파이크 정규화 없이 원시 데이터를 사용했을 경우, 모든 모델에서 MAPE가 평균 12% 상승하는 등 급격한 성능 저하가 관찰되었다. 외생 변수와 로그 변환을 포함했을 때는 MAPE가 평균 3%~4% 더 감소했으며, 이는 비선형 상관관계를 효과적으로 포착한 결과로 해석된다.

이 논문은 두 가지 측면에서 의미가 크다. 첫째, 전력시장과 같이 급격한 외부 충격에 민감한 시계열 데이터에 대해 동적 신뢰구간 기반 정규화가 모델 안정성을 크게 높인다는 실증적 증거를 제공한다. 둘째, 사전학습된 파운데이션 모델이 전통 통계·딥러닝 모델을 대체하거나 보완할 수 있음을 보여주며, 특히 파라미터 효율성이 높은 TTMs와 같은 경량 모델이 실시간 운영 환경에서도 적용 가능함을 시사한다. 향후 연구는 다른 지역·시장(예: 유럽 전력시장)으로의 일반화, 멀티모달(예: 전력 흐름·발전기 상태) 데이터 통합, 그리고 정규화 전략을 강화한 어텐션 메커니즘 설계 등을 탐색할 여지가 있다.