1. 서 론

발전기 예방정비계획, 송·변전 설비 유지보수 계획 및 예비력 운용 등 안정적인 전력계통 운영을 위해 전국 단위의 240시간 전력수요예측은 필수적이다. 240시간 전력수요예측을 위해 개발된 지수가중이동평균법(Exponentially Weighted Moving Average, EWMA)기반의 예측 기법은 전력수요의 시계열적 특성을 반영할 수 있지만, 전력수요의 다양한 변동 요인을 체계적으로 반영하기 어렵다 ⁽¹⁾. 따라서 다양한 전력수요 변동요인을 고려할 수 있는 새로운 240시간 전력수요예측 기법이 필요하다.

딥러닝은 생물의 신경망 구조를 모방한 머신러닝 기법 중 하나로, 비선형성을 모델링할 수 있는 장점이 있다. 이는 예측 분야에서도 지속적으로 활용되고 있으며, 딥러닝을 전력수요예측에도 적용하기 위한 선행 연구들이 진행되었다 ^(2-10). 따라서 선행 연구들의 딥러닝을 이용한 전력수요예측 기법들을 검토 후 240시간 전력수요예측에 활용한다.

딥러닝에서 학습은 훈련 데이터를 이용한 모델을 생성 과정을 의미하며, 우수한 성능의 모델 생성을 위해서는 학습방법에 대한 체계적인 설계가 필요하다. 240시간 전력수요예측에 입력으로 사용되는 기상 데이터는 예측 대상일에 따라 데이터 형태가 상이하다. 향후 2일 후까지의 예측은 예기상청 단기예보를 사용할 수 있고, 향후 3일부터 10일까지의 예측은 기상청 중기예보를 사용할 수 있다. 예측 대상에 따른 사용 가능한 기상 데이터의 형태를 반영하여 240시간 전력수요예측을 위한 딥러닝 모델의 학습방법을 설계한다 ⁽¹¹⁾. 또한, 전력수요의 시계열적 관계를 반영하기 위해 예측 수행 시점과 예측 대상 날짜 간격을 구분하고, 데이터 크기에 따라 일일 단위, 8일 단위의 두 가지 학습방법을 설계한다. 설계된 학습방법을 적용한 두 가지의 240시간 전력수요예측 알고리즘 성능을 비교하여 우수한 성능의 알고리즘을 채택한다. 채택된 알고리즘을 이용하여 모델 성능을 최적화하여 예측 기법을 완성한다. 제안 기법의 예측 정확도는 기존의 한국의 총 전력수요를 대상으로 하는 240시간 전력수요예측 알고리즘인 지수가중이동평균법과 예측 성능을 비교하고 우수성을 검증하여 제시한다.

2. 딥러닝 기반의 240시간 전력수요예측 기법

240시간 전력수요예측을 위해 선행연구의 전력수요예측 기법들을 검토 후 참고한다. 전력수요예측을 위해 지수가중이동평균법, 다양한 딥러닝 모델을 활용한 기법들이 개발되었으며^(1-10), 일일 전력수요예측을 위해 장단기 메모리(Long Short- Term Memory, LSTM)층과 완전 연결(Fully-Connected, FC)층이 병렬 연결된 딥러닝 모형이 제안되었다⁽⁸⁾. 제안된 모형은 전력수요와 입력 변수의 시계열적 특성과 비선형적 관계를 동시에 반영할 수 있는 장점이 있으며, 이를 240시간 전력수요예측에 적합하게 모델 학습방법을 구상하여 활용한다 ⁽⁸⁾.

기상청은 향후 10일에 대한 기상 예보를 단기예보 구간과 중기예보 구간으로 나누어서 제공한다. 240시간 전력수요예측에 기상인자를 반영하기 위해서는 기상청 단기예보 구간과 중기예보 구간을 나누어 학습방법을 구상한다. 또한 예측 대상일 10일의 시점 배열과 데이터 크기를 고려하여 학습방법을 설계하여 제시한다 ⁽¹¹⁾.

그림 1은 딥러닝을 이용한 240시간 전력수요예측 과정을 나타내고, 그림 2는 240시간 전력수요예측을 위한 딥러닝 모형 구조를 나타낸다.

그림 2의 240시간 전력수요예측을 위한 딥러닝 모형은 LSTM층과 FC층이 병렬 결합된 구조다. LSTM은 이전 출력을 다음 입력에 반영할 수 있는 순환신경망(Recurrent Neural Network, RNN)의 한 종류로, LSTM을 전력수요예측에 사용할 경우 과거 전력수요의 시계열적 특성을 반영하여 전력수요를 예측할 수 있다. 그러나 LSTM만을 사용할 경우 미래 시점의 데이터에 대한 입력 정보를 반영하기 어렵다는 단점이 있다. 따라서 참고문헌 ⁽⁸⁾에서는 예측 대상일에 대한 외부 요인의 변동성을 반영하기 위해 LSTM층과 FC층이 병렬 결합된 구조의 딥러닝 모델을 개발하였으며, 이를 240시간 전력수요예측에 적용한다. 240시간 전력수요예측 딥러닝 모형에서 시퀀스 길이를 S, 예측 수행일을 D일이라고 한다면, LSTM층에는 D-1, D-2,…, D-S+1, D-S일의 실적 데이터가 사용되며, FC층에는 D일의 예보 데이터가 사용된다 ⁽⁸⁾.

향후 10일의 시간별 전력수요예측을 위해 예측 시점과 대상을 구분한다. 예측 수행일을 D+0이라 하였을 때, 예측 대상은 D+1부터 D+10까지의 기간이며, D+0 이전의 기간은 예측 모델 생성을 위한 학습 데이터로 사용된다. 예측 대상일에 따라 기상청에서 제공하는 사용 기상 예보 데이터를 구분한다⁽¹¹⁾. 기상청 단기예보 구간은 예측 수행일로부터 3일 이내의 구간을 의미하며, 이는 예측 대상일 D+1, D+2에 적용된다. 기상청 중기예보 구간은 예측 수행일로부터 10일 이내의 구간을 의미하며, 이는 예측 대상일 D+3부터 D+10까지 적용된다. 그림 3은 예측 대상일에 따른 기상청 기상예보 형태 분류를 나타내고, 표 1은 예측 대상일에 따른 기상 데이터 분류다.

240시간 전력수요예측을 위해 예측을 위한 입력 데이터와 학습 데이터를 구분한다. 표 2는 예측 대상일에 따른 예측 입력 데이터의 구성을, 표 3은 예측 대상일에 따른 학습 데이터의 구성을 나타낸다.

표 2와 같이 예측을 위해 LSTM층의 입력으로 사용되는 데이터는 예측 대상일에 관계없이 시퀀스 길이를 S라 하였을 때, D-1일, D-2일, …, D-S+1일, D-S일의 전력수요 실적, 기상인자 실적, 날짜정보 데이터가 사용된다. 이 때, 기상인자 실적 데이터는 예측 대상일이 D+1일과 D+2일인 경우에는 기상청 단기 예보 형태인 시간별 실적 데이터를, D+3일부터 D+10일인 경우에는 기상청 중기 예보 형태인 일별 실적 데이터를 사용한다. FC층의 입력으로는 D+1일과 D+2일인 경우에는 기상청 단기 예보 시간별 데이터와 날짜정보를, D+3일부터 D+10일인 경우에는 기상청 중기 예보 일별 데이터와 날짜 정보를 사용한다.

표 3과 같이 학습 데이터는 입력 데이터와 훈련을 위한 예측 대상일의 데이터로 나눠진다. 학습은 입력 데이터를 사용하여 훈련을 위한 예측 대상일의 동일한 날짜의 전력수요를 예측하고 훈련을 위한 예측 대상일의 전력수요 실적 값과 비교하여 진행된다. 예측 대상일이 D+1일인 경우 학습 데이터의 입력은 LSTM층에는 D-i-2, D-i-3, …, D-i-S, D-i-S-1일의 전력수요 실적, 기상인자 실적, 날짜정보 데이터가 사용되고, FC층에는 D-i일의 기상인자 실적 데이터가 사용된다. 입력 데이터를 이용하여 D-i일의 전력수요를 예측하고, 훈련을 위한 예측 대상일의 전력수요 실적 값과 비교한다. 학습 케이스가 N 일

때, i=1,2, …, N-1, N이며, N개의 케이스에 대해 학습이 완료되면 예측 대상일 D+1 예측을 위한 모델을 생성한다. 예측 대상일이 D+2일인 경우 학습 데이터의 입력은 LSTM층에는 D-i-3, D-i-4, …, D-i-S-1, D-i-S-2일의 전력수요 실적, 기상인자 실적, 날짜정보 데이터가 사용되고, FC층에는 D-i일의 기상인자 실적 데이터가 사용된다. 입력 데이터를 이용하여 D-i일의 전력수요를 예측하고, 훈련을 위한 예측 대상일의 전력수요 실적 값과 비교한다. N개의 케이스에 대해 학습이 완료되면 예측 대상일 D+2 예측을 위한 모델을 생성한다. 예측 대상일이 D+3인 경우 학습 데이터의 입력은 LSTM층에는 D-i-4, D-i-5, …, D-i-S-2, D-i-S-3일의 전력수요 실적, 기상인자 실적, 날짜정보 데이터가 사용되고, FC층에는 D-i일의 기상인자 실적 데이터가 사용된다. 입력 데이터를 이용하여 D-i일의 전력수요를 예측하고, 훈련을 위한 예측 대상일의 전력수요 실적 값과 비교한다. N개의 케이스에 대해 학습이 완료되면 예측 대상일 D+3 예측을 위한 모델을 생성한다. 이 때, 예측 대상일이 D+4부터 D+10인 경우에는 예측 대상일 D+3 예측을 위한 모델을 사용한다. 이와 같은 학습방법을 적용한 240시간 전력수요예측 알고리즘은 그림 4와 같다.

알고리즘 A는 중기예보 구간에서 일일 단위의 데이터를 사용하는 학습방법을 적용하며, 3회의 학습으로 10회의 예측을 수행한다. 그림 4와 같이 예측 수행일을 입력하면 예측 대상일 D+1의 예측을 시작한다. D+1 예측을 위한 학습을 통해 모델을 생성하고 D+1 예측을 수행한다. D+1 예측이 완료된 후 D+2 예측을 위한 학습을 통해 모델을 생성하고 D+2 예측을 수행한다. D+2 예측이 완료된 후 D+3 예측을 위한 학습을 통해 모델을 생성하고 D+3 예측을 수행한다. 이 때, D+4부터 D+10까지 D+3 예측 모델을 사용하여 예측을 진행한다.

8일 단위의 학습방법을 중기예보 구간에 적용하는 방법을 추가적으로 고려한다. 표 4는 중기예보 구간의 일 단위 예측 입력 데이터의 구성을, 표 4는 중기예보 구간의 8일 단위 학습 데이터의 구성을 나타낸다.

표 4와 같이 예측 대상 기간이 D+3일부터 D+10일까지 8일인 경우 LSTM층의 입력으로 사용되는 데이터는 시퀀스 길이를 S라 하였을 때, $D_{-8,\: -1}$, $D_{-9,\: -2}$, …, $D_{-S-6,\: -S+1}$, $D_{-S-7,\: -S}$ 의 8일 단위 전력수요 실적, 기상인자 실적, 날짜 정보가 사용된다. 이 때, 기상인자 실적 데이터는 기상청 중기 예보 형태인 일별 실적 데이터를 사용한다. FC층의 입력으로는 D+3일부터 D+10일까지 8일 단위의 기상청 중기 예보 일별 데이터와 날짜 정보를 사용한다.

표 5와 같이 학습 데이터는 8일 단위의 입력 데이터와 훈련을 위한 예측 대상일의 데이터를 사용한다. 학습 데이터의 In입력은 LSTM층에는 $D_{-i-18,\: -i-11}$, $D_{-i-19,\: -i-12}$, …, $D_{-i-16-S,\: -i-9-S}$, $D_{-i-17-S,\: -i-10-S}$의 8일 단위 전력수요 실적, 기상인자 실적, 날짜정보 데이터가 사용되고, FC층에는 $D_{-i-7,\: -i}$의 8일 단위 기상인자 실적 데이터가 사용된다. 8일 단위 입력 데이터를 이용하여 $D_{-i-7,\: -i}$일의 전력수요를 예측하고, 8일 단위 훈련을 위한 예측 대상일의 전력수요 실적 값과 비교한다. 학습 케이스가 N일 때, i=1,2, …, N-1, N이며, N개의 케이스에 대해 학습이 완료되면 예측 대상 기간 D+3일부터 D+10일까지 8일의 예측을 위한 모델을 생성한다. 기상 중기예보 구간에 8일 단위의 학습방법을 적용한 240시간 전력수요예측 알고리즘은 그림 5와 같다.

알고리즘 B는 중기예보 구간에서 8일 단위의 데이터를 사용하는 학습방법을 적용하며, 3회의 학습으로 3회의 예측을 수행한다. 그림 5와 같이 예측 수행일을 입력하면 D+1과 D+2예측은 알고리즘 A와 동일하게 진행된다. D+1, D+2 예측이 완료된 후, 예측 대상 기간 D+3일부터 D+10일까지 8일 예측을 위한 학습이 진행되고, 생성된 모델을 통해 D+3일부터 D+10일까지 8일 예측을 진행한다.

3. 사례연구

딥러닝 기반의 240시간 전력수요예측 알고리즘을 활용하여 한국 전력계통의 총 전력수요를 대상으로 전력수요예측을 수행한다. 전력수요예측 수행을 위해 시간별 수요관리 전 발전단 전력수요 및 기상 데이터 실적 값을 사용한다. 이 때, 기상 데이터는 지역별로 존재하는 시간별 기온, 일 최고 및 최저 기온, 하늘 상태 데이터를 8대 도시 가중치를 적용한 전국 대푯값을 사용한다 ^(12-14). 예측 대상은 특수일을 제외한 평상일로 한다. 이 때, 성능 비교 지표로 절대 백분율 평균 오차(Mean Absolute Percentage Error, MAPE), 평균 제곱근 오차(Root Mean Square Error, RMSE), 결정계수(R²)를 선택적으로 사용한다 ⁽⁴⁾.

딥러닝 기반의 240시간 전력수요예측은 학습방법에 따라 알고리즘 A와 알고리즘 B로 나눠진다. 두 알고리즘 모두 예측 대상일 D+1과 D+2의 예측은 동일한 방식으로 진행되며, 예측 대상일 D+3부터 D+10까지의 예측은 사용 데이터 크기와 학습방법에 따라 두 가지로 나눠진다. 알고리즘 A의 경우 중기 예보 구간의 사용되는 데이터의 단위 길이가 일일 단위이고, 알고리즘 B의 경우 8일 단위로 구성된다. 2019년 평상일을 대상으로 두 알고리즘을 적용한 240시간 전력수요예측 성능을 비교한다. 240시간 전력수요예측의 연평균 예측 성능 비교 결과는 표 6과 같다.

표 6에서 예측 대상일 D+1, D+2의 예측 성능은 알고리즘 A와 알고리즘 B에서 동일하다. 예측 대상일 D+3~D+10의 예측 성능은 알고리즘 A의 성능이 세 가지 지표 모두 알고리즘 B의 예측 성능보다 우수하다. 알고리즘 A의 경우 일일 단위의 학습방법을 중기예보 구간에 적용한 것으로 8일에 대해 8개의 시점 배열을 구성하고, 알고리즘 B의 경우 8일 단위의 학습 방법을 중기예보 구간에 적용한 것으로 8일에 대해 1개의 시점 배열을 구성한다. 위와 같은 특징이 있는 알고리즘 A와 알고리즘 B의 성능을 비교하였을 때, 알고리즘 A의 특징이 중기예보 구간을 예측의 성능을 높이는데 적합한 것으로 분석된다.

알고리즘 A의 예측 성능이 알고리즘 B보다 우수하므로 알고리즘 A의 학습방법을 채택한다. 알고리즘 A를 적용하여 하이퍼 파라미터 최적화를 진행한다. 2019년 평상일의 예측 결과를 성능 비교 대상으로 하였으며, 절대 백분율 평균 오차(MPAE)를 이용하여 성능을 비교한다. 이 때, 학습 과정에서 사용되는 입력 데이터에 직접적인 영향을 주는 LSTM층의 시퀀스 길이와, 학습 데이터 세트 개수를 최적화 대상 하이퍼 파라미터로 설정한다. 최적의 하이퍼 파라미터 값은 표 7과 같고, 최적의 하이퍼 파라미터 변화에 따른 성능 변화는 그림 6과 같다.

그림 6에서 예측 대상일 10일 모두 학습 케이스가 300일 때는 예측 오차가 크게 나타났으며, 400 또는 500으로 증가할 경우 300일 경우보다 오차가 감소하는 것을 확인할 수 있다. 이 후 600부터 700, 800인 경우 다시 오차가 증가하는 것을 확인할 수 있다. 즉, 최적의 값은 400 또는 500에서 나타난 것을 확인할 수 있다. 전력수요와 입력 변수의 관계는 시간의 흐름에 따라 변할 수 있으며, 과거 데이터 학습을 기반으로 하는 딥러닝을 이용한 예측에서 학습 데이터에 예측 대상으로부터 너무 먼 시점의 데이터가 포함될 경우 변화된 전력수요와 입력변수와의 관계가 학습 과정에 반영될 수 있다. 이는 학습 케이스가 600 이상인 경우부터 변화된 관계가 반영되기 시작한다는 것을 의미한다. 변화된 전력수요와 입력 변수의 관계가 예측 모델 생성 과정에 반영될 경우, 변화된 전력수요 특성이 존재하는 예측 대상 기간에 대해서는 성능이 저하될 수 있다.

표 7의 예측 대상일 각각의 최적화된 하이퍼 파라미터 값을 적용하여 2020년 평상일의 240시간 전력수요예측을 진행한다. 제안 알고리즘의 예측 결과와 지수가중이동평균법 기반의 240시간 전력수요예측 알고리즘을 적용한 예측 결과와 비교한다. 예측 결과는 표 8과 그림 7과 같다.

표 8과 그림 7에서 제안 알고리즘이 세 가지 지표 모두 더 우수한 성능을 보이는 것을 확인할 수 있다. 절대 백분율 평균 오차(MAPE)의 경우 가장 크게 개선된 예측 대상일은 D+1로 예측 성능이 연평균 2.96%에서 1.54%로 1.42%p 개선되었고, 가장 적게 개선된 예측 대상일은 D+3으로 예측 성능이 연평균 2.58%에서 2.53%로 0.05%p 개선되었다. 평균 제곱근 오차(RMSE)의 경우 가장 크게 개선된 예측 대상일은 D+1로 예측 성능이 연평균 0.95GW 개선되었고, 가장 적게 개선된 예측 대상일은 D+3로 예측 성능이 연평균 0.17GW 개선되었다. 결정계수(R²)의 경우 가장 크게 개선된 예측 대상일은 D+2로 연평균 0.117 개선되었고, 가장 적게 개선된 예측 대상일은 D+3로 0.012개선되었다.

4. 결 론

전국을 대상으로 하는 240시간 전력수요예측에 적합한 딥러닝 모델의 학습기법을 제안하였다. 기상청이 제공하는 기상 예보 형태와 예측 수행일과의 대상일의 시점차이를 고려하여 학습방법을 구분하였다. 기상청 단기예보 구간의 경우 일일 단위의 학습을 적용하였고, 기상청 중기예보 구간의 경우 일일 단위의 학습방법과 단기예보 구간 전체인 8일 단위의 학습 방법 두 가지를 적용하여 2019년 평상일의 예측 결과를 통해 비교하였으며, 일일 단위의 학습방법이 우수한 것을 확인하였다. 이를 적용하여 2019년 평상일을 대상으로 하이퍼 파라미터 최적화를 진행하였고, 최적의 값을 적용하여 2020년 예측을 진행하였다. 예측 결과 값을 기존의 지수가중이동평균법 기반의 240시간 전력수요예측 알고리즘과 예측 성능을 비교하였으며, 10일의 연평균 절대 백분율 평균 오차는 0.63%p, 평균 제곱근 오차는 0.487GW, 결정계수는 0.054가 개선된 것을 확인하였다.