PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.31804v2cs.LG

그래프 기반 에너지 시계열의 불확실성 정량화를 위한 문맥 내 잔차 보정

In-Context Residual Calibration for Uncertainty Quantification of Energy Time Series over Graphs

정확한 에너지 수요 예측은 현대 지속 가능한 에너지 시스템의 안정적인 운영과 계획 수립에 필수적입니다. 시공간 그래프 신경망(STGNN)은 상호 연결된 에너지 노드 간의 시간적 동역학과 관계적 의존성을 공동으로 모델링하여 점 예측(point forecasting)에서 최근 뛰어난 성능을 달성했습니다. 그러나 실제 에너지 시스템에서는 정확한 점 예측만으로는 불충분하며, 운영자는 불확실성 상황에서의 위험 인식 의사결정, 그리드 안정성 및 운영 계획을 지원하기 위해 신뢰할 수 있는 불확실성 추정치 또한 필요로 합니다. 등가성(exchangeability) 가정 하에서 불확실성 정량화를 위한 원칙적이고 모델 불가지론적인(model-agnostic) 프레임워크를 제공하는 컨포멀 예측(conformal prediction)은 안전이 중요한 에너지 응용 분야에서 특히 매력적입니다. 하지만 기존의 컨포멀 예측 접근 방식은 에너지 시스템의 복잡한 시공간 구조를 온전히 포착하지 못하는 경우가 많습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 그래프 기반 예측과 정형 파운데이션 모델(tabular foundation model)의 문맥 내 학습(ICL) 기능을 통합한 컨포멀 기반 사후 잔차 보정 프레임워크인 STOIC(Spatial-Temporal uncertainty quantificatiOn via In-Context learning)를 제안합니다. STOIC은 먼저 STGNN을 사용하여 점 예측을 생성한 다음, 시공간 잔차를 문맥 내 학습에 적합한 정형 표현으로 재구성합니다. 정형 파운데이션 모델을 활용하여 STOIC은 보정 모델의 작업별 재학습 없이도 특징 조건부 잔차 분위수를 추정하며, 순차적 의존성과 관계적 의존성을 모두 효과적으로 포착합니다. STOIC은 컨포멀에서 영감을 얻은 잔차 보정 방법으로 보아야 하며, 임의의 시간적 의존성 하에서 그 자체로 유한 표본 분포 무관(distribution-free) 커버리지 보장을 제공하지는 않습니다...

arXiv:2607.20587v1stat.ML

SPECTRA: 확률적 에너지 예측을 위한 상태 공간 외생 컨텍스트 및 시간-주파수 해상도 아키텍처

SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting

현대 전력 시스템은 재생에너지의 간헐성, 유연 수요, 시장 변동성, 기상 의존 발전 등 상호작용하는 불확실성 속에서 확률적 예측을 점점 더 필요로 하고 있다. 그러나 기존 방법들은 다중 스케일 분해, 외생 변수 정렬, 확률적 출력을 종종 별도 단계로 취급하여, 예측 가능한 구조와 불확실성을 담은 변동이 예측 분포를 어떻게 함께 형성하는지를 모호하게 만든다. 본 논문은 일반적인 확률적 에너지 예측을 위한 상태 공간 외생 컨텍스트 및 시간-주파수 해상도 아키텍처를 제안한다. 핵심 전제는 추세-주기 성분이 주로 기준선 궤적을 결정하는 반면, 고주파 잔차와 외부 교란이 예측 불확실성의 확산과 비대칭을 지배한다는 것이다. 이에 따라 해당 아키텍처는 결정론적 스트림과 잔차 스트림을 적응적으로 분리하고, 외생 컨텍스트를 둘 다에 정렬하며, 다중 해상도 스펙트럼-시간 상태 공간 모델링을 통해 결정론적 백본을 정제하고, 상호 보완적인 표현으로부터 순서화된 분위수 경계를 추정한다. 부하, 가격, 태양광, 풍력 예측 실험에서 18개 설정 중 14개에서 최고의 연속 순위 확률 점수(continuous ranked probability score, CRPS)를 달성했으며, 가장 강력한 기준선 대비 평균 CRPS를 5.74% 낮추고 상위 꼬리 분위수 위험을 7.27% 줄였다. 이 결과는 결정론-확률적 분리가 일반적인 확률적 에너지 예측을 위한 효과적인 설계 원칙임을 뒷받침한다.

arXiv:2607.01670v1cs.LG

UniWind: Toward Unified Day-Ahead Wind Power Forecasting via Physics-Informed State Routing

UniWind은 물리 기반 상태 라우팅(physics-informed state routing)을 활용해 풍력 발전소의 차일 풍력 발전량 예측에서 기상 조건에 의한 물리적 발전 잠재량과 운영 상태(shutdown, curtailment 등)에 따른 실제 발전량을 명시적으로 분리한다. Physical Prior Estimator로 사이트별 물리 사전 분포를 추정하고, Latent State Encoder와 State-aware Power Corrector로 잠재 운영 상태를 모델링하여 20개 이상의 실제 데이터셋에서 풀샷 및 크로스팜 제로샷 모두에 걸쳐 높은 정확도와 강건성을 입증했다.

arXiv:2209.01378v3cs.LG

전력 소비 예측을 위한 RNN(p)

RNN(p) for Power Consumption Forecasting

p개의 시차(time lags)에서 작동하는 기본적인 순환 신경망(Recurrent Neural Network)인 RNN(p)은 선형 자기회귀 모델인 ARX(p)의 자연스러운 일반화입니다. 이는 에너지, 경제 및 금융 시계열에서 흔히 관찰되는, 여러 시간 척도에 걸친 고유한 계절적 패턴을 보이는 변수에 대한 강력한 예측 도구입니다. 시차에 걸친 구조화된 피드백으로 특징지어지는 RNN(p) 모델의 아키텍처는 효율적인 학습(training) 전략을 설계할 수 있게 합니다. 우리는 이러한 모델에 대한 학습 알고리즘의 비교 연구를 수행하며, 계산 복잡도와 학습 성능에 대한 엄밀한 분석을 제공합니다. 우리는 정확한 예측이 운영 및 재무적 의사결정에 정보를 제공하는 에너지 부문의 핵심 영역인 전력 소비 예측에 있어 RNN(p) 모델의 두 가지 적용 사례를 제시합니다. 실험 결과, RNN(p) 모델은 높은 해석 가능성을 유지하면서 우수한 예측 정확도를 달성함을 보여줍니다. 이러한 특징들은 신뢰할 수 있는 예측이 중요한 경제적 역할을 하는 에너지 시장 및 기타 핀테크(fintech) 적용 분야의 의사결정에 이 모델을 적합하게 만듭니다.

arXiv:2606.17692v1cs.LG

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.

arXiv:2411.12193v4stat.AP

분산형 에너지 자원 도입을 위한 계층적 확률적 컨포멀 예측

Hierarchical Probabilistic Conformal Prediction for Distributed Energy Resources Adoption

분산형 에너지 자원(DERs)의 급속한 성장은 전력망 관리에 기회와 운영 과제를 동시에 가져옵니다. DER 도입을 정확히 예측하는 것은 선제적 인프라 계획에 필수적이지만, DER 성장의 내재된 불확실성과 공간적 격차로 인해 기존 예측 방식을 적용하기 어렵습니다. 더욱이, 배전망의 계층적 구조는 회로 및 변전소 수준 모두에서 통계적 보장을 충족하는 예측을 요구하며, 이는 신뢰할 수 있는 의사결정을 위해 달성하기 쉽지 않은 요구 사항입니다. 본 논문에서는 계층적 전력망 구조 전반에 걸쳐 타당성을 보장하는 DER 도입 예측을 위한 새로운 불확실성 정량화 프레임워크를 제안합니다. DER 도입 역학을 모델링하기 위해 다변량 호크스 과정(multivariate Hawkes process)과 맞춤형 분할 컨포멀 예측(split conformal prediction) 알고리즘을 활용하여, 집계 과정에서 통계적 보장을 유지하면서 예측 효율성을 유지하는 새로운 비준보 점수(nonconformity score)를 도입합니다. 우리는 완화된 조건 하에서 이론적 타당성을 확립하고, 인디애나폴리스(Indianapolis, Indiana)의 고객 수준 태양광 패널 설치 데이터에 대한 실증적 평가를 통해 본 방법이 예측 정확도와 불확실성 보정 측면에서 기존 베이스라인을 지속적으로 능가함을 입증합니다.