미국 전력망 부하 예측을 위한 최신 딥러닝 모델 비교 분석

본 연구는 미국 전력망 운영에 필수적인 단기 부하 예측(STLF)을 위한 딥러닝 모델 선택 문제를 체계적으로 해결하고자, 최신 아키텍처 5종을 동일한 실험 환경에서 비교하였다. 연구 대상은 PowerMamba와 S‑Mamba라는 두 종류의 상태공간 모델(State Space Models, SSM), iTransformer와 PatchTST라는 두 종류의 트랜스포머, 그리고 전통적인 LSTM이다. 데이터는 EIA‑930에서 제공하는 6개 주요 독립 시스템 운영자(ISO)의 시간당 부하 시계열을 사용했으며, 각 ISO마다 24시간부터 168시간까지 다양한 예측 윈도우를 설정하였다. 1) **공정한 비교를 위한 설계** 모든 모델에 대해 동일한 전처리 파이프라인(시간 정규화, 결측치 보정 등)과 동일한 하이퍼파라미터 탐색 범위를 적용하였다. 또한, 모델 크기를 맞추기 위해 파라미터 수를 조정하고, 각 모델에 공통적인 시간 임베딩(시간‑일, 요일‑임베딩)을 도입해 24시간·168시간 주기의 강한 계절성을 사전에 제공하였다. SSM과 LSTM은 양방향 인코더를 사용해 고정된 과거 윈도우(L=240시간) 내에서 앞·뒤 정보를 모두 활용하도록 설계했으며, 어텐션 기반 풀링을 통해 중요한 시점에 가중치를 부여하였다. 2) **날씨 통합 메커니즘** 전력 부하는 온도, 습도, 풍속 등 기상 요인에 크게 영향을 받으며, 이러한 영향은 건물 열관성으로 인해 2~6시간 정도 지연된다. 이를 반영하기 위해 각 모델에 맞는 날씨 융합 레이어를 설계하였다. S‑Mamba는 초기 합산 방식으로 날씨 임베딩을 로드와 함께 입력에 더했으며, PowerMamba는 날씨 정보를 시계열 분해 전 단계에 삽입해 트렌드와 계절성 모두에 날씨 영향을 반영하도록 했다. PatchTST는 채널 독립성을 유지하면서도 로드 패치가 날씨 패치를 쿼리하는 교차‑어텐션 서브레이어를 추가했으며, iTransformer는 변수 토큰 자체에 날씨 토큰을 포함시켜 변수 간 상호작용을 직접 학습하도록 설계했다. 이러한 모듈화된 설계는 날씨 유무에 따라 동일한 인코더 가중치를 재사용할 수 있게 하여, 날씨 통합 효과만을 순수하게 비교할 수 있게 했다. 3) **실험 결과** - **부하만 사용**: PatchTST와 두 SSM이 각각 15/30, 14/30 평가 지표(MAPE)에서 최상위를 차지했다. 특히, PatchTST는 채널 독립적인 패치 처리 덕분에 복잡한 일·주기 패턴을 효과적으로 포착했다. - **날씨 통합**: iTransformer는 평균 MAPE 감소 1.62%p(≈3배)라는 큰 개선을 보이며, PatchTST는 0.52%p 감소에 그쳤다. 이는 변수 간 교차‑어텐션이 날씨와 부하 사이의 비선형 상관관계를 학습하는 데 유리함을 의미한다. - **모델 크기 통제**: 파라미터 수를 동일하게 맞춘 후에도 iTransformer의 우위가 유지되었으며, 이는 아키텍처 자체의 정보 혼합 능력이 성능 차이를 만든다는 결론을 뒷받침한다. - **다양한 시계열**: 태양광 발전은 강한 일주기 리듬을 가지고 있어 PatchTST가 가장 높은 정확도를 기록했으며, 풍력 및 전력 가격은 변동성이 크고 비선형성이 강해 SSM이 더 좋은 성능을 보였다. 4) **시사점 및 가이드라인** 연구 결과는 “하나의 모델이 모든 상황을 지배한다”는 가정을 부정한다. 운영자는 (1) 부하만 사용할 경우 PatchTST 혹은 SSM을, (2) 날씨와 같은 다변량 외생 변수를 활용할 경우 iTransformer를, (3) 예측 대상이 주기성이 강한 재생에너지(태양광)일 경우 PatchTST, (4) 변동성이 큰 풍력·가격 시계열에는 SSM을 선택하는 것이 바람직하다는 실용적인 지침을 제공한다. 또한, 모델 선택 시 파라미터 효율성, 추론 지연, 배포 환경(클라우드 vs. 엣지) 등을 고려해야 함을 강조한다. 5) **한계와 향후 연구** 본 벤치마크는 학습‑from‑scratch 모델에 초점을 맞추었으며, 최근 부상하고 있는 제로샷 파운데이션 모델(TimesFM, Chronos)과의 비교는 다루지 않았다. 또한, 확률적 예측(예: 예측 구간)이나 멀티스텝 상호작용(예: 재조정 전략) 등 운영 실무에 직접 연결되는 추가 연구가 필요하다. 향후 연구에서는 하이브리드 아키텍처(예: Mamba‑Transformer 결합)와 실시간 날씨 업데이트를 통한 온라인 학습을 탐색함으로써, 더욱 높은 정확도와 적응성을 달성할 수 있을 것으로 기대한다.