LSTM 및 트랜스포머 모델을 사용한 단기 전력 부하 예측을 위한 델타 기반 타겟 재구성
Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models
정확한 단기 전력 부하 예측은 날씨 변동성, 달력 효과, 그리고 변화하는 소비 패턴에서 비롯되는 비정상성(non-stationarity) 환경에서 현대 전력 시스템의 신뢰할 수 있고 경제적인 운영에 필수적입니다. LSTM 및 트랜스포머와 같은 심층 학습(deep learning) 모델이 유망한 성능을 보이지만, 대부분의 기존 연구는 타겟 비정상성을 명시적으로 해결하지 않고 직접적인 절대 부하 예측에만 초점을 맞추고 있습니다. ARIMA 모델의 고전적인 시계열 차분(differencing) 기법에서 동기를 얻어, 본 논문은 심층 학습을 활용한 단기 전력 부하 예측을 위한 델타 기반 타겟 재구성을 조사합니다. 제안된 방식은 절대 부하 값을 직접 예측하는 대신, 연속적인 시간 단계 사이의 부하 변화량을 예측하도록 모델을 학습시키며, 마지막으로 관측된 부하를 사용하여 최종 예측값을 재구성합니다. 이는 학습 타겟을 안정화하고 예측 난이도를 낮추는 것을 목표로 합니다. 본 연구는 인도의 수년간의 시간 단위 실제 전력 부하 데이터를 사용하며, 여기에 NASA POWER 프로젝트의 기상 변수와 달력 특징을 결합하여, 두 가지 방식 모두에서 LSTM 및 트랜스포머 모델을 평가하고 LightGBM과 비교합니다. 1시간 선행(hour-ahead) 및 1일 선행(day-ahead) 예측 구간에 대해 실험을 수행하며, 평균 절대 오차(MAE) 및 평균 절대 백분율 오차(MAPE)를 통해 성능을 평가합니다. 결과에 따르면, 델타 기반 재구성은 평가된 모든 모델에서 1시간 선행 예측의 정확도를 일관되게 향상시키며, 절대값 방식과 비교하여 MAPE를 50% 이상 감소시킵니다. 1일 선행 예측의 경우, 델타 타겟은 심층 시퀀스 모델(LSTM 및 트랜스포머)에 구체적으로 이득을 주는 반면, LightGBM은 절대값 방식에서 여전히 경쟁력을 유지합니다. 이러한 발견은 델타 재구성이 신경망을 위한 강력한 귀납적 바이어스(inductive bias)이지만, 그 효과는 모델과 예측 구간에 의존적임을 나타냅니다.