Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers




Neural Network, Backpropagation Algorithm, Market Price, Transmission congestion, Electricity market

1. 서 론

지난 2016년 인공지능 프로그램인 알파고의 바둑 대국에 전 세계는 많은 관심과 놀라움을 나타냈다. 과학계는 각자의 분야에서 새로운 응용 도구를 개발하기 위해 알파고 프로그램의 학습기능에 초점을 맞추어 집중적인 탐구를 시작하였다. 특히 인공 신경회로망(Artificial Neural Networks)의 재발견이라 할 정도로 새롭게 주목을 받으며 각 분야에서 ANN에 대한 연구와 응용이 활발히 진행되고 있다. 또한 최근의 하드웨어 기술의 급성장을 추진력 삼아 더욱 빠른 속도로 발전할 것으로 기대된다.

전력계통에서 인공지능이 응용된 분야로는 주로 계통의 안전성 및 안정도 판정, 고장진단, 부하예측 등이 꼽힌다[1]. 국내에서는 주로 부하예측 분야에서 연구가 활발히 이루어졌다[2,3]. 해외에서도 부하예측 분야는 여러 가지 인공지능 기법이 활용되어 왔으며 2개 이상의 기법을 접목하는 시도도 이루어지고 있다[4,5], 고장진단 분야에도 인공신경망의 다양한 구조가 이용된 바 있다[6,7].

본 연구는 경쟁형 전력시장에서 균형(Equilibrium) 상태를 구하기 위한 수단으로 ANN을 활용한다. 전력시장은 다양한 참여자가 모여 각자의 상이한 목적을 추구하는 전략적 선택을 하는 곳이므로 경쟁의 결과로서의 시장가격 등을 예측하는 것은 매우 복잡하고 어려운 문제이다. 미시경제학과 산업조직론 관점에서 참여자들의 목적과 선택을 모형화하는 접근이 주로 시도되어 왔다. 하지만 정확한 수요-공급 모형에 기반하기 때문에 시장의 규모나 복잡성이 증가할수록 적용 가능성은 낮아진다. 따라서 인공신경망과 최신의 학습이론의 활용은 이 분야에서 절실히 요구되고 있다[8,9].

이와 관련하여 전력시장의 가격을 추정하는 논문은 주로 해외에서 연구 발표되고 있다[8-11]. 이들은 기본적으로 ANN을 기반으로 하면서 신경망의 구조와 학습법에서는 다양한 시도를 하고 있다. 역전파(Back Propagation) 학습법의 단점을 보완하기 위한 시도[9], 다중의 은닉층 구조 사용[8], 활성화 함수에 웨이브릿(wavelet) 적용[10], 그리고 송전선 혼잡(Transmission Congestion) 시의 모선가격 계산을 위해 Levenberg-Marquardt 알고리즘을 이용한 LMANN 사용[11] 등의 논문들이 있다. 하지만 이러한 연구는 주로 단순한 데이터, 즉 부하량과 가격을 대상으로 하면서 시계열 함수 등으로 구현하는 방식이다. 따라서 기존의 미시경제학적 접근 및 연구결과와는 무관하게 이루어진 것이다.

본 연구에서는 전력시장의 균형점을 계산하는 기존의 연구결과와 ANN의 장점을 접목하기 위해 두 가지의 시도를 한다. 우선 완전경쟁 시장에서 수요함수의 파라미터 변동에 따른 시장가격의 추정을 다룬다. 수요함수의 파라미터를 입력으로 하고 시장가격을 출력으로 정의함으로써 공급함수로 작용하는 발전기의 한계비용함수 등의 복잡한 상호관계가 신경망 속으로 스며들게 되는 것이다. 둘째로 불완전경쟁 시장에서 송전선 혼잡현상을 예측하는 문제에 ANN을 적용한다. 송전선 혼잡이 발생하면 공급 참여자들의 전략적 선택, 즉 균형상태가 복잡하게 나타난다. 균형상태를 구하기 위해서는 시장조건에 따라 송전선 혼잡이 발생하는지의 여부를 우선 파악해야 하는데 이러한 기능을 ANN이 수행하도록 설계하고 학습을 시도한다.

2. 전력시장의 균형가격

2.1 시장가격의 도출

완전경쟁 형태의 전력시장에서 시장가격은 오로지 수요 특성에 의해서만 결정되고 어떠한 형태의 시장지배력도 존재하지 않는다. 따라서 모든 공급자는 가격수용자(price taker)의 기능만 갖는다. 완전경쟁 시장에서 2인의 공급자가 경쟁하는 관계를 간단히 나타내면 그림 1과 같다.

그림. 1. 완전경쟁 시장의 사례 모형

Fig. 1. Diagram of Sample System

../../Resources/kiee/KIEE.2019.68.9.1067/fig1.png

수요함수에서 p는 시장가격을, d는 전체 부하량을 나타낸다. 공급함수로는 발전기의 한계비용함수를 사용하고 그림에서 MC는 공급함수를 의미하며 q1, q2 는 발전력을 나타낸다. 따라서 수급조건인 d=q1+q2가 성립된다. 또한 a, r은 수요함수의 파라미터이고 bi, mi은 한계비용 함수의 파라미터이다. 송전선 혼잡 등의 제약이 없으면, 균형상태에서 한계비용 값은 서로 같으며 이는 시장가격과도 일치한다. 이러한 관계를 수요-공급함수를 적용하여 정리하면 다음과 같은 시장가격의 식이 도출된다.

(1)
$p=a-r(q1+q2), p=b1+m1q1, p=b2+m2q2$

(2)
$p=\dfrac{r m_{1}b_{2}+r m_{2}b_{1}+m_{1}m_{2}a}{r m_{1}+r m_{2}+m_{1}m_{2}}$

시장가격 식에는 수요함수의 파라미터는 물론 두 공급자의 한계비용 특성까지 포함되어 있다. 시장의 설계에 따라 다르겠지만 일반적으로 모든 시장 정보가 정확히 공개되는 것은 기대하기 어렵다. 공급경쟁을 하는 입장에서 한계비용 등은 상호간에 비밀에 해당되기 때문이다. 수많은 거래의 결과가 누적되다 보면 이러한 파라미터는 자연스럽게 노출이 된다고 볼 수도 있지만 그러한 과정은 분명하지 않고 모호성이 매우 강하다. 따라서 ANN을 사용하여 한계비용정보 등의 모호성을 신경망 내부로 흡수하도록 하는 것이다.

2.2 다층 신경망의 구조와 학습

인공신경망의 발전 과정 중에서 다층의 신경망의 고안은 획기적이라 할 수 있다. 하지만 뉴런의 연결강도인 가중치를 어떻게 정하는가의 문제가 발생하고 이러한 고민은 역전파(Backpropagation) 알고리즘이라는 학습법이 개발되면서 해결할 수가 있었다[9].

그림. 2. 다층 신경망의 구조와 전파 방향

Fig. 2. Structure of Multilayer Neural Network

../../Resources/kiee/KIEE.2019.68.9.1067/fig2.png

본 연구에서는 그림 2와 같은 1개의 은닉층(Hidden Layer)에 입력과 출력층이 있는 다층 신경망을 사용한다. 은닉층과 출력층에서의 뉴런은 활성화(Activation) 함수를 통과한 값을 방출한다. 활성화 함수에는 여러 종류가 있으며 주로 시그모이드(Sigmoid) 함수가 사용된다. 하지만 여기서는 ReLU(Rectified Linear Unit) 함수를 사용한다. ReLU 함수는 그림 3의 (b)와 같이 입력 값이 음수일 때는 영의 값을, 양수일 때는 입력값 x를 그대로 내보낸다. 즉 y=max(0, x)와 같은 의미를 갖는다.

그림. 3. 대표적인 활성화 함수

Fig. 3. Activation Function (a) Sigmoid (b) ReLU

../../Resources/kiee/KIEE.2019.68.9.1067/fig3.png

신경망이 기능을 발휘하기 위해서는 학습과정을 거쳐야 한다. 학습이란 샘플 데이터의 입력과 출력의 상호관계를 그림 2에서의 데이터 전파 방향에 따라 만족하도록 가중치 w와 v 값을 조정하는 것이다. 이 과정에서 뉴런의 출력값과 샘플 데이터의 출력에 차이가 발생하며 이러한 오차에 대하여 비용함수를 정의하고 이를 최소화하는 문제를 수행한다.

최소화 알고리즘에는 가중치에 대한 비용함수의 경사도(Gradient)가 사용되며 경사도의 유도식에는 출력에서의 오차가 역방향으로 전파되어 온 형태가 나타난다. 이러한 역전파 알고리즘의 성능은 수렴성이 핵심 요소이다. 수렴성에 영향을 미치는 여러 요인 중에서 활성화 함수가 크게 작용한다. 시그모이드 함수 보다는 ReLU 함수가 수렴성에 보다 효과적이라는 것이 딥러닝(Deep Learning) 이론에서의 중요한 부분이며, 2장의 사례에서 시그모이드 대신에 ReLU 함수를 사용한 이유이다.

2.3 샘플 데이터의 학습

완전경쟁 모형인 그림 1의 사례에 다음 표 1과 같은 수치를 적용하여 신경망을 학습한다.

표 1. 완전경쟁 사례에서의 시장 데이터

Table 1. Data of Supply and Demand Functions

파라미터

수요함수

한계비용(MC1)

한계비용(MC2)

a

r

b1

m1

b2

m2

데이터

100

0.5

10

0.25

5

0.45

균형가격을 유도한 식(2)표 1의 수치를 적용하면 시장가격은 30.54 로 계산되며 수요함수 파라미터(a, r) 만을 변수로 두고 가격을 나타내면 다음 식(3)과 같다.

(3)
$p(a,\:r)=8.2143+\dfrac{0.1125 a-0.9241}{0.7 r+0.1125}$

발전회사 입장에서 자신 발전기의 한계비용 특성을 경쟁상대를 포함한 공공에게 공개한다고 보기 어려우므로 식(3)과 같은 식의 형태는 실제로는 알아내기가 어렵다. 따라서 정확한 식 대신에 신경망을 학습시켜 식(3)과 같은 기능을 수행하도록 하려는 것이다.

신경망 학습을 위한 샘플 데이터로 a=[90, 95, 100, 105, 110], r=[0.3, 0.4, 0.5, 0.6, 0.7], 각각에서 5구간씩을 변화시키면서 전체 5×5=25 개의 샘플 (입력, 출력) 값을 사용한다. 출력값이 가장 작은 경우는 a=90, r=0.7 일 때 가격이 23.49이고, 가장 큰 경우는 a=110, r=0.3 일 때 가격이 43.72이다. 신경망에서의 뉴런 개수는 입력층에서 2개 (a와 r 파라미터 입력), 은닉층에서 15개, 출력층에서 1개이다.

비용함수의 최소화 과정은 25개 학습 데이터에 대하여 출력의 오차가 가장 큰 값이 허용범위보다 작을 때 학습을 종료시켰다. 수렴 후에 학습 데이터를 다시 입력하면 학습된 출력값과 신경망의 출력값은 정확히 일치하지 않고 오차가 발생한다. 본 사례에서 가장 오차가 크게 나타난 경우가 a=90, r=0.6일 때 오차는 0.0769, 오차율은 1.99%로 나타났다. 전체 샘플 데이터에 적용하면 다음 표 2와 같다. 오차율은 |신경망 출력값-샘플 시장가격|/샘플시장가격×100으로 계산하였다.

표 2. 신경망의 학습 데이터 적용 오차율(%)

Table 2. Error Ratio of Price Output of the ANN

a r

0.3

0.4

0.5

0.6

0.7

90

0.0421

0.0353

0.2873

1.9859

0.3097

95

0.0677

0.0569

0.1169

0.0611

1.6322

100

0.0904

0.1383

0.0255

1.8625

0.4034

105

0.1156

0.2107

0.1594

1.6646

0.6845

110

0.0986

0.2697

0.2790

1.5210

1.6545

뉴런 개수 15개는 여러 가지 경우를 시도해 본 결과 가장 적정한 것을 선택한 것이다. 그림 4는 은닉층 뉴런수의 변화(12~18)에 따른 최대오차를 나타낸 것이다. 뉴런이 10개 보다 많을수록 오차가 감소하다가 15개를 지나면서 오히려 증가함을 알 수 있다. 이는 ANN 에서의 overfitting 현상을 보이는 것이다. 뉴런 개수가 과도하게 많아지면 불필요한 작용을 하게 되어 정확성을 떨어트리는 특성을 의미한다[10]. 이는 딥러닝 분야에서 연구되고 있는 주제이다.

그림. 4. 히든층 뉴런 개수에 따른 오차 변화

Fig. 4. Errors and the Number of Neurons

../../Resources/kiee/KIEE.2019.68.9.1067/fig4.png

2.4 신경망의 결과 분석

학습이 완료된 신경망은 임의의 변수가 입력될 때 신뢰성 높은 결과 값을 보여야 한다. 이를 검증하기 위해서 입력변수를 난수로 발생시켜 신경망의 출력과 식(3)에 의한 정확한 값을 비교한다. 10000개의 입력 변수를 발생시켜 신경망에 적용한 결과, 최대오차는 대략 0.107로서 샘플 데이터를 입력했을 때인 0.0769 보다 큰 값이다. 최대 오차가 발생한 구간은 대략 a=100~105 사이, r=0.3~0.4 사이의 값일 때다. 즉 샘플 데이터가 존재하지 않는 지점에서 오차가 크게 발생하며 당연한 것이다. 이러한 현상은 10000개의 랜덤 수를 변경해도 비슷하게 유지된다.

샘플 데이터의 구간을 좀 더 조밀하게 나누어 샘플 수를 늘려본다. 샘플을 5구간에서 9구간으로 늘려서 a=[90, 92.5, 95, 97.5, 100, 102.5, 105, 107.5, 110], r=[0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65, 0.7]로 정의하고 9×9=81 개의 샘플 데이터를 대상으로 신경망 학습을 다시 시도한다. 은닉층에서의 뉴런 개수는 15개로 유지한다.

학습이 완료된 신경망에 81개의 샘플 데이터를 입력하여 오차를 계산하니 최대 오차가 약 0.042 정도로 25개 샘플일 때의 0.0769 보다 크게 감소하였다. 또한 난수로 발생시킨 임의의 10000개 데이터에 대해 오차를 계산하니 최대오차가 대략 0.076 로서 25개 샘플일 때의 0.107 보다 크게 감소하였고 최대오차가 발생한 구간은 대략 a=109.4, r=0.377 로서 샘플 구간의 빈틈 혹은 가장자리에서 발생하였다.

3. 송전선 혼잡시의 균형상태

3.1 쿠르노(Cournot) 모형의 균형상태내용

전력시장에 어떠한 형태로든 시장지배력(market power)이 발생하면 불완전한 경쟁 형태가 된다. 이는 참여자의 전략적 선택을 유발시키고 시장은 전력공급자의 전략적 선택에 영향을 받게 된다. 이러한 상황을 분석하는 기법으로 쿠르노(Cournot) 모형이 주로 사용된다. 쿠르노 모형에서는 발전량을 전략변수로 두고 시장에 미치는 영향을 분석한다. 공급자는 자신이 선택한 발전량에 따라 시장가격이 달라지고 자신의 이득도 달라지기 때문에 매우 전략적인 고려를 하게 된다. 이를 더욱 복잡하게 만드는 요인은 경쟁자의 선택 또한 시장에 영향을 미치기 때문에 결국 자신의 선택에도 깊은 연관성을 갖는다는 점이다[12].

그림. 5. 3모선 사례계통

Fig. 5. Sample System of 3 buses

../../Resources/kiee/KIEE.2019.68.9.1067/fig5.png

표 3. 시장관련 데이터

Table 3. Market Data of supply and demand functions

모선 1

모선 2

모선 3

한계연료비 함수(q)

10+0.2 q1

20+0.4 q2

-

수요함수(d)

70-1.0 d1

100-0.5 d3

80-0.8 d2

쿠르노 모형에서 발전력 선택의 균형상태 계산을 보이기 위해 그림 5와 같은 간단한 계통상황을 가정하고 표 3의 수요-공급함수를 적용한다. 혼잡현상을 다루기 위해 수요함수를 3개의 지역에 분산시켰고 발전 공급자는 2인이다.

공급자가 연료비용을 사용하여 전력공급을 하고 대가로 받는 요금(편의상 시장가격이라 함)을 알면 공급자의 이득이 계산된다. 공급자는 이러한 이득을 극대화하려 할 것이고 이를 식으로 나타내면 식(4)와 같다.

(4)
$\max_{q_{i}} \quad \pi_{i}=p_{i}q_{i}-(b_{i}q_{i}+0.5m_{i}q_{i}^{2})$

(5)
s.t. $\quad$ $p_{i}=a_{i}-r_{i}d_{i}$

식(4)는 전력제공에 따른 판매금액에서 연료비용을 차감하여 계산된 것이며, q는 발전력, b와 m은 한계비용함수의 파라미터이다. 시장가격 p는 그 지역의 수요함수 식(5)로 나타낸다. 공급자는 전략 변수 q에 따른 이득 극대점을 찾게 되고 이는 다음 식(6)으로 나타난다.

(6)
$\partial\pi_{i}/\partial q_{i}=p_{i}-b_{i}-m_{i}q_{i}+q_{i}\partial p_{i}/\partial q_{i}=0$

두 공급자가 자신이 결정한 선택을 바꿀 유인이 존재하지 않는 상황을 내쉬균형(Nash Equilibrium)이라 한다[13]. 균형상태에서는 G1, G2가 모두 식(6)을 만족해야 하고 3개의 수요함수 식과 수급조건인 Σdi=Σqi 식 1개도 포함하면 전체 6개의 최적조건식이 존재하고 이를 계산하면 균형상태를 얻게 된다. 주어진 표 3의 파라미터를 적용하면 다음 표 4와 같은 균형상태가 구해진다.

표 4. 쿠르노 내쉬균형 계산결과

Table 4. Results of Cournot Nash Equilibrium

균형상태

모선 1

모선 2

모선 3

발전력(q)

97.09

50.76

-

부하수요(d)

17.74

95.47

34.67

시장가격

52.26

표에서 알 수 있듯이 전 모선에서의 가격은 동일하다. 이는 송전선 혼잡이 발생하지 않은 경우에 해당된다. 송전선 3개의 선로정수를 모두 같다 하고 모선1->모선2 사이의 송전선(T12) 조류를 계산하면 41.36이 나온다. 송전선 T12 의 한계용량이 41.36보다 크다면 표 4의 결과는 내쉬균형에 해당된다. 하지만 선로조류가 한계용량을 초과한다면 균형상태가 될 수 없다.

3.2 혼잡현상을 반영한 내쉬균형

전력계통에서의 모든 물리적 제약은 항시 만족되어야 한다. 최적화 계산 결과, 부등식 제약조건이 활성화 되지 않으면 부등식 조건은 없는 것과 마찬가지이다. 즉 표 4에서의 상황이 되는 것이다. 만약 송전선 T12의 한계용량이 41.36보다 작은 35라면 송전선 제약조건이 활성화가 되고 혼잡현상이 나타나며 참여자 간의 게이밍(Gaming) 현상이 강하게 나타난다. 이때의 내쉬균형 계산은 간단하지 않다.

참여자의 선택이 하나의 값으로 수렴하는 경우를 단순전략(Pure Strategy) 균형이라 하고, 2개 이상의 값을 확률적으로 선택하는 경우를 복합전략(Mixed Strategy) 균형이라 한다[13]. 송전선 혼잡현상이 나타나는 경우도 여기에 해당된다. 복합전략 내쉬균형이 계산되는 원리와 과정에 대해서는 논문 [14]에 소개되어 있다.

복합전략 내쉬균형의 계산결과는 표 5와 같다[12]. 계산된 균형상태에 따르면 혼잡선로의 수전단에 위치한 G2가 2개의 값을 전략적으로 선택하며, 송전단의 G1은 하나의 전략을 고수한다. 또한 G2가 q2=55.13을 선택할 때는 혼잡현상이 나타나지 않으며, q2=45.23을 선택할 때는 혼잡현상이 발생하게 된다. 그리고 두가지 전략의 선택이 각각 확률 77.8%와 22.2% 로 나타날 때 균형상태가 된다. 이와 같이 혼잡과 비혼잡 상황도 구분해야 하고 확률값까지 포함되기 때문에 그 계산은 매우 복잡하다.

표 5. 복합전략 내쉬균형 (T12=35일 때)

Table 5. Mixed Strategy Nash Equilibrium w/ T12=35

q1

q2

d1

d2

d3

비혼잡

81

55.13(0.778)

14.97

89.95

31.26

혼잡

45.23(0.222)

14.17

83.4

28.67

부하수요가 변하면 균형상태도 달라진다. 부하수요가 적어지면 송전선 조류도 줄어들고 균형상태는 단순전략만이 나타나게 된다. 반면 부하수요가 증가하면 균형상태에 복합전략이 포함될 확률이 커진다. 하지만 부하수요는 지역에 따라 서로 다르게 변하므로 균형상태에서 혼잡현상이 나타날지 아닐지는 간단히 알 수 있는 것이 아니다.

이러한 상관관계를 인공신경회로망에 학습시키는 것이 본 연구의 두 번째 응용 대상이다.

3.3 균형상태의 군집화(Clustering) 문제에 적용

앞의 표 3 계통을 기준으로 부하수요를 변화시키면 표 5의 상태는 더 이상 내쉬균형이 아니므로 새로운 균형상태를 계산해야 한다. 만약 새로운 균형상태가 혼잡현상을 포함하고 있는지 아닌지를 미리 안다면 균형상태 계산은 훨씬 수월해진다.

변동하는 부하수요를 신경망의 입력 데이터로 정하고 선로조류와 한계용량의 크기를 비교한 값을 출력 데이터로 정의하여 신경망을 학습시킨다. 문제를 간명하게 하기 위해서 부하의 변화는 1번, 2번 모선에서만 가정한다. 각각 파라미터 2개씩 있으므로 4개의 입력 뉴런이 있게 되고, 샘플 값은 수요함수의 변형값으로 두고, 각각의 샘플 입력값에 대해서 출력은 혼잡현상의 발생여부로 나타낸다. 즉 부등식 제약조건을 배제하고 균형상태를 계산한 후 1-2번 선로의 조류를 계산하여 한계용량(=35) 보다 크면 ‘1’의 값을, 작으면 ‘0’의 값을 출력으로 정의한다.

뉴런 개수는 입력층 4개, 출력층 1개, 은닉층 20개로 둔다. 활성화 함수는 은닉층에서는 ReLU, 출력층에서는 시그모이드 함수를 사용한다. 출력값이 1/0 인 클러스터링 문제이기 때문에 ReLU 보다는 시그모이드가 적당하다. 입력의 샘플은 a1=65~80, a2=95~105, r1=0.7~1.5, r2= 0.57~0.63 범위를 각각 9등분한다. 따라서 샘플의 데이터의 개수는 9×9×9×9= 6561 개다. 입력변수가 4개이므로 샘플에 대한 출력값을 그림으로 나타내려면 5차원 표현법이 있어야 한다. 입력 파라미터 a1=70.625, a2=100를 고정한 상태에서 (r1, r2) 평면에 출력값을 나타내면 다음 그림 6과 같다. 작은 원으로 표시된 부분이 샘플 출력값이다. 대략 대각선을 기준으로 한쪽이 1, 나머지가 0 임을 알 수 있다.

그림. 6. 샘플 데이터의 출력값(일부)과 학습 오차

Fig. 6. Sample output data and Error of NN

../../Resources/kiee/KIEE.2019.68.9.1067/fig6.png

3.4 학습결과의 분석

학습을 마친 신경망이 혼잡의 발생 여부를 이진(binary) 값으로 나타내면 좋겠지만 출력의 활성화 함수가 시그모이드이기 때문에 이진값으로만 나타나지 않고 0~1 사이의 값이 된다. 이러한 중간값을 이진값으로 근사화하기 위한 기준치, 즉 허용범위(ε)가 있어야 한다. ε=0.3 이면 시그모이드를 통과한 값이 0.7 이상일 때 ‘1’로 간주하고 0.3 이하 일때는 ‘0’으로 간주하고 중간값이면 판정불가로 처리한다.

앞의 그림 6에서 ‘×’로 표시된 부분은 샘플 데이터를 입력해서 계산된 시그모이드 출력값(근사값)에서 샘플의 출력값(정답)을 뺀 오차를 나타낸 것이다. 대부분은 영에 가까운 값을 보이지만 3군데(굵은 점선으로 처리한 곳)에서 눈에 띄는 오차가 보인다. 이중 2개는 0.3 이하이고 1개는 0.44 정도 이다. 따라서 0.44 오차의 한 샘플에 대해서는 학습한 이후에도 신경망이 혼잡 판별에 실패했다고 볼 수 있다.

표 6. 신경망의 학습의 검증

Table 6. Verification of Trained NN

입력 데이터 (개수)

성공회수(확률)

판정불가

실패회수(확률)

샘플 데이터

6561개

ε=0.1

6490 (98.92%)

43 (0.66%)

28 (0.43%)

ε=0.3

6520 (99.38%)

9 (0.14%)

32 (0.49%)

랜덤 데이터

10000 개

ε=0.1

9884 (98.84%)

73 (0.73%)

43 (0.43%)

ε=0.3

9925 (99.25%)

23 (0.23%)

52 (0.52%)

샘플 데이터 6561개 전체를 학습이 끝난 신경망에 입력했을 때 판정의 성공/실패 여부를 분석하면 표 6과 같다. ε=0.3 인 경우 성공 확률은 99.38%, 실패 확률은 0.49%이고, 허용범위를 ε=0.1로 낮춰 판정을 좀 더 까다롭게 한 경우는 성공 확률이 98.92%로 미세하게 낮아진다. 실패할 확률도 약간 낮아진다. 난수로 10000개의 입력을 발생시켜 신경망의 출력과 참값과의 오차를 계산한 것도 같이 비교한다. 랜덤 데이터의 입력이 샘플 데이터에 비해 미세하게 성공 확률이 낮음을 알 수 있고 허용범위도 미세하게 영향을 주지만 전체적으로 판정 성공률이 99% 내외로 매우 높게 나타난다.

전력시장의 규모가 증가하고, 송전망 구조가 복잡해지면 신경망에서 은닉층의 개수도 늘려야 한다. 그러면 학습의 수렴성이 나빠져 딥(Deep) 러닝 이론을 좀더 폭넓게 사용해야 할 것이다.

4. 결 론

전력시장을 해석하는 데에는 수요함수 뿐 아니라 공급 경쟁자들의 정보를 포함해서 많은 정보와 전략분석이 필요하다. 간단한 경제학적 모형을 벗어나 실질적 응용 차원의 시장해석을 위해서는 인공신경망과 같은 부족한 정보를 학습의 기능으로 대체하는 방법이 효과적이다. 본 연구에서는 인공신경망을 이용하여 발전기의 한계비용 정보 없이도 시장가격을 계산하는 신경망, 그리고 송전선 혼잡이 발생할지의 여부를 판정하는 신경망, 두 가지의 시도를 하였다.

신경망은 은닉층 1개, 학습은 역전파 알고리즘을 사용하였다. 뉴런의 개수와 학습 데이터의 개수에 따른 신경망의 특성도 살펴보았다. 딥러닝의 요소도 일부 적용해 보았지만 계통과 시장이 복잡해질수록 신경망의 구조는 좀더 깊어질 것이고 딥러닝에 대한 좀 더 폭넓은 적용이 필요해진다.

학습된 신경망에 대해 정확성을 검증한 결과 대체로 만족한 결과를 얻었다. 하지만 신경망 학습의 성능은 샘플 데이터의 개수, 비용함수에 대한 최적화 기법, 입출력 데이터의 선택 등 여러 가지 요소에 영향을 받는다. 본 연구는 균형상태 계산에 필요한 전 단계의 정보를 구하는 것이므로 균형상태를 직접 구하기 위한 지속적인 연구가 필요하다.

References

1 
Y. U. Kim, 2019, Artificial Intelligence and Power Systems, KIEE, Vol. 68, No. 7, pp. 24-30Google Search
2 
H. M. Jeong, K. H. Kim, J. H. Park, February 2019, Error Correction Algorithm based Radial Basis Function Network for Daily Peak Electric Load Forecasting, Transactions of KIEE, Vol. 68, No. 2, pp. 221-227Google Search
3 
Y. K. Bang, J. H. Kim, C. H. Lee, January 2018, Daily Peak Electric Load Forecasting Using Neural Network and Fuzzy System, Transactions of KIEE, Vol. 67, No. 1, pp. 96-102DOI
4 
C. Guan, P. B. Luh, L. D. Michel, Y. Wang, P. B. Friedland, February 2013, Very Short-Term Load Forecasting: Wavelet Neural Networks With Data Pre-Filtering, IEEE Trans. Power Syst., Vol. 28, No. 1, pp. 30-41DOI
5 
S. Li, P. Wang, L. Goel, May 2016, A Novel Wavelet-Based Ensemble Method for Short-Term Load Forecasting with Hybrid Neural Networks and Feature Selection, IEEE Trans. Power Syst., Vol. 31, No. 3, pp. 1788-1798DOI
6 
K. Meng, Z. Y. Dong, D. H. Wang, K. P. Wong, August 2010, A Self-Adaptive RBF Neural Network Classifier for Transformer Fault Analysis, IEEE Trans. Power Syst., Vol. 25, No. 3, pp. 1350-1360DOI
7 
K. H. Kim, H. S. Lee, H. M. Jeong, H. S. Kim, J. H. Park, 2017, A Study on Fault Diagnosis of Boiler Tube Leakage based on Neural Network using Data Mining Technique in the Thermal Power Plant, Transactions of KIEE, Vol. 66, No. 10, pp. 1445-1453Google Search
8 
L. Wang, Z. Zhang, J. Chen, July 2017, Short-Term Electricity Price Forecasting With Stacked Denoising Autoencoders, IEEE Trans. Power Syst., Vol. 32, No. 4, pp. 2673-2681DOI
9 
X. Chen, Z. Y. Dong, Ke Meng, Xu Yan, K. P. Wong, H. W. Ngan, November 2012, Electricity Price Forecasting With Extreme Learning Machine and Bootstrapping, IEEE Trans. Power Syst., Vol. 27, No. 4, pp. 2055-2062DOI
10 
N. M. Pindoriya, S. N. Singh, S. K. Singh, August 2008, An Adaptive Wavelet Neural Network-Based Energy Price Forecasting in Electricity Markets, IEEE Trans. Power Syst., Vol. 23, No. 3, pp. 1423-1432DOI
11 
S. N. Pandey, S. Tapaswi, L. Srivastava, March 2008, Nodal congestion price estimation in spot power market using artificial neural network, IET Gener. Transm. Distrib., Vol. 2, No. 2, pp. 280-290DOI
12 
K. H. Lee, December 2017, Demand Response Effect on Market Power with Transmission Congestion in Electricity Market, Transactions of KIEE, Vol. 66, No. 12DOI
13 
Roy Gardner, 2003, Games for Business and Economics, John Wiley & Sons, Inc.Google Search
14 
K. H. Lee, 2013, Solving Mixed Strategy Nash-Cournot Equilibria under Generation and Transmission Constraints in Electricity Market, Journal of EET, Vol. 8, No. 4, pp. 675-685DOI

저자소개

이광호(Kwang-Ho Lee)
../../Resources/kiee/KIEE.2019.68.9.1067/au1.png

1988년 서울대 공대 전기공학과 졸업.

1995년 동 대학원 전기공학과 졸업(공박).

1995년 전력연구원위촉연구원.

2001년 미국 Univ. of Texas (Austin) 방문교수.

1996~현재 단국대 전자전기공학부 교수

Tel : 031-8005-3604

E-mail : mania49d@dankook.ac.kr