1. 서 론

하루전 전력수요예측은 하루전 발전계획 수립을 위한 핵심 입력 자료로 활용되며, 경제적이고 안정적인 계통 운영을 위해 높은 예측 정확도가 요구된다 ^[1]. 최근 전기화의 확산과 전력시장 외 태양광 설비의 증가 등 다양한 외생 요인이 복합적으로 작용함에 따라, 전력수요예측의 난이도는 지속적으로 증가하고 있다.

이러한 외생 요인들은 전력수요에 다양한 주기의 패턴성을 부여하며, 전력수요의 부하 곡선 형태를 변화시킨다. 장기적으로는 경제성장, 전기화 확산, 에너지효율 정책 등의 영향으로 연·분기 단위의 추세(trend)가 형성되며, 계절별 기온 변화와 냉·난방 수요에 의한 계절적 변동성이 중·장기 패턴을 구성한다. 단기적으로는 요일별 근무 형태, 주말·공휴일 여부, 산업체의 조업 특성 등에 따라 주간(weekly) 패턴이 나타나며, 하루 24시간 내에서는 출근·업무·퇴근·야간 시간대에 따른 수요 변화로 일간(daily) 패턴이 형성된다. 여기에 기상 변동성, 수요반응자원(demand response), 전력시장 외 태양광 발전량 등으로 인한 불규칙적 변동이 추가적으로 중첩된다. 이와 같이 전력수요는 서로 다른 주기의 패턴이 복합적으로 결합된 다중 계절성 시계열 특성을 갖는다.

이처럼 서로 다른 주기의 패턴이 중첩된 전력수요를 단일 예측 모형으로 추정할 경우, 모든 패턴을 동시에 설명하기 위해 하나의 입력 변수 조합과 단일 하이퍼파라미터 설정을 적용해야 한다는 한계가 있다. 또한 예측 오차가 발생하였을 때, 그 원인이 장기 추세의 추정 오차인지, 주간·일간 패턴의 왜곡에 기인한 것인지, 혹은 기상 변화나 이벤트에 따른 잔차 성분의 변동인지를 명확히 구분하기 어렵다.

이러한 문제 인식을 바탕으로, 본 연구에서는 전력수요 시계열을 성분별로 분해한 후, 각 성분의 특성에 적합한 예측 모형을 개별적으로 적용하는 분해 기반 예측 (decomposition based forecasting) 접근법을 제안한다.

2. 선행 연구

기존의 전력수요 예측은 주로 분해되지 않은 전력수요 시계열 자체를 대상으로, 전통적인 통계 기법부터 기계학습 및 딥러닝 기반 인공지능 기법까지 다양한 접근을 통해 예측 정확도 향상을 시도해왔다. 통계적 방법론에서는 지수평활법, ARIMA 등 선형 시계열 모형을 기반으로 기온 및 달력효과를 반영한 회귀 결합 모형이 활용되어 왔다 ^[2]. 한국전력거래소의 단기 전력수요 예측 모델인 KSLF(KPX Short-Term Load Forecaster)는 온도 민감도를 고려한 지수평활법을 활용하여 전력수요를 예측하였다 ^[3]. 한편, 기계학습 기반 연구에서는 SVR, XGBoost 등 비선형 회귀 모델을 기반으로 기상 변수, 시간 변수 등 외생 변수를 입력으로 사용하여 전력수요를 예측했다 ^[4-5]. 최근에는 순환신경망 기반의 모델인 LSTM 및 GRU 등을 Attention, Transformer 등의 모델과 조합하여 예측 성능을 개선하는 연구도 진행되었다 ^[6-7].

시계열 분해 기법을 전력수요예측에 적용하려는 연구는 그동안 다양하게 수행되어 왔다. 참고문헌 ^[8]에서는 잔차의 고주파 성분을 강조하기 위해 커널 크기가 단계적으로 감소하는 이동평균 연산을 반복 적용하는 다단계 분해 기법을 제안하고, 이를 통해 시계열을 여러 단계의 추세 성분과 최종 잔차 성분으로 분해하였다. 이후 추세 성분은 그래프 기반 학습 모듈로, 잔차 성분은 멀티스케일 트랜스포머로 각각 학습·예측하여 최종 부하를 산출하는 모형을 제안하였다 ^[8]. 참고문헌 ^[9]는 부하 시계열을 CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)을 이용해 다수의 고유 모드 함수(IMF, Intrinsic Mode Function)와 잔차 성분으로 분해한 후, LSTM(Long Short-Term Memory)과 DNM(Dendritic Neuron Model)을 결합한 딥러닝 기반 단기 부하 예측 모형을 제안하였다. 해당 연구는 분해된 각 주파수 성분의 비선형 특성을 효과적으로 학습함으로써 예측 성능을 개선하고자 하였다 ^[9]. 참고문헌 ^[10]에서는 STL(Seasonal Trend decomposition using Loess)을 이용해 부하 시계열을 추세, 계절, 잔차 성분으로 1차 분해한 뒤, 잔차 성분에 대해 CEEMDAN 기반의 2차 분해를 수행하였다. 이후 DTW (Dynamic Time Warping) 기반 계층적 군집화를 통해 분해 성분을 고·저주파 성분으로 재구성하고, 추세 및 계절 성분은 SVR(Support Vector Regression) 모형, 변동성이 큰 잔차 성분은 GRU(Gated Recurrent Unit) 신경망으로 각각 예측한 후 이를 합산하여 최종 부하를 산출하였다 ^[10]. 참고문헌 ^[11]은 MSTL(Multi-Seasonal Trend decomposition using Loess)과 VMD(Variational Mode Decomposition)를 결합한 이중 시계열 분해 구조를 적용하고, 각 분해 성분에 대해 TCN(Temporal Convolutional Network) 기반 예측 모형을 구성하여 저압 배전변압기 부하를 예측하는 프레임워크를 제안하였다 ^[11].

참고문헌 ^[8]와 ^[9]의 연구는 시계열 분해를 통해 예측 성능을 향상시켰으나, 분해된 각 성분이 전력수요 관점에서 어떠한 물리적 의미를 갖는지에 대한 해석은 제한적이다. 참고문헌 ^[10]는 단일 STL 분해 기법을 적용함으로써 주간 성분과 일간 성분이 혼합된 단일 계절성만을 반영하였으며, 다중 주기 패턴을 명확히 분리하는 데에는 한계가 있다. 참고문헌 ^[11]의 경우, MSTL을 통해 분해된 성분을 예측 입력으로만 활용하고, 예측 오차를 성분별로 분석하거나 해석하는 도구로는 활용하지 않았다. 또한 각 연구는 예측 대상 및 적용 범위의 차이로 인해 수요 데이터의 전처리 방식과 입력 변수 구성에서도 상이한 특성을 보인다.

따라서 본 연구에서는 분해 성분의 물리적 해석이 가능한 MSTL을 적용하여 전력수요 시계열을 다중 계절(seasonal) 성분과 추세(trend), 잔차(residual) 성분으로 분해하고, 잔차 성분에 대해서는 VMD를 이용한 2차 분해를 수행한다. 또한 발전단 전력수요 예측을 목적으로 계통 운영 관점에서 입력 변수를 선정하고, 전력시장 외 태양광 발전량(BTM, Behind The Meter)을 복원함으로써 예측 정확도를 향상시킨다.

3. 다중 계절성 분해를 통한 전력수요 예측 알고리즘

본 연구에서 제안하는 하루전 전력수요 예측 모형은 전력수요 시계열을 다중 시간 스케일의 패턴으로 분해한 후, 각 분해 성분의 특성에 적합한 예측 모형을 결합하는 구조를 가진다. 구체적으로, MSTL을 통해 분해된 추세·주간·일간 성분과, VMD를 이용해 2차 분해된 잔차 성분들에 대해 각각의 특성을 고려한 예측 모형을 구성한다. 시간적 순서에 따라 장·단기 패턴을 포함하는 추세·주간·일간 성분과 특정 주파수에서 진동하는 VMD로 분해된 잔차 성분을 효과적으로 반영하기 위해 이들 성분의 예측 모형으로 LSTM을 선택하였다.

4. 사례연구

본 장에서는 제안한 하루전 전력수요 예측 모형의 성능을 정량적으로 평가한다. 분석에 사용된 데이터는 전력거래소에서 제공하는 시간별 전국 발전단 전력수요 자료이며, 예측 대상은 2024년 평상일의 시간별 전력수요이다. 기상 데이터는 모델의 성능을 평가하기 위해 기상자료개방포털에서 제공하는 실적 데이터를 사용하였으며 재구축 수요를 산정하기 위해 사용되는 BTM 발전량은 추정치이다.

모형 학습에는 2022년 1월 1일부터 2023년 12월 31일까지의 2개년 데이터를 사용하였으며, 이를 8:2 비율로 학습 데이터(train set)와 검증 데이터(validation set)로 구분하였다. 최신 수요 패턴을 지속적으로 반영하기 위해 재학습 주기를 1일로 설정하고, 학습 데이터는 항상 최근 2개년의 길이를 유지하도록 롤링 방식으로 갱신하였다.

국소회귀(LOESS)를 사용하는 MSTL 분해의 특성상, 분해 과정에서 미래 정보가 반영될 경우 데이터 누수(data leakage)가 발생할 가능성이 있다. 이를 방지하기 위해 본 연구에서는 예측 대상일 기준 2일 전까지의 전력수요 데이터만을 이용하여 분해를 수행하였다. 또한 최신 데이터를 반영하기 위해 MSTL 분해 역시 1일 주기로 재수행하였다.

제안한 예측 모형의 성능 평가는 평균절대백분율오차(MAPE, Mean Absolute Percentage Error)를 지표로 사용하여 수행하였다. 공휴일 및 하계 경부하 기간 등 특수일은 평가 대상에서 제외하였다.

여기서 $y_i$ 는 실제 수요값이며 $\widehat{y}_i$ 는 예측 수요값이다.

제안한 모형의 예측 성능을 평가하기 위해, 본 연구에서는 전력수요예측에 주로 사용되는 기존 모델과 모형 구조를 단계적으로 확장한 비교 모델들을 구성하여 각 모델별 예측 오차율을 상호 비교하였다. 각 모델에는 동일한 예측 구간, 입력 데이터 구성, 재학습 주기, 전력시장 외 태양광 발전량 복원 알고리즘을 적용하여 비교의 공정성을 확보하였다. 표 3은 전체 분석 기간에 대해 각 단계별 모델의 예측 오차율을 정리한 결과를 나타낸다.

시계열을 분해하지 않고 예측한 ①번, ②번, ③번 모델과 MSTL 분해 후 모두 LSTM으로 예측한 ④번 모델의 비교를 통해 분해 후 성분별 예측이 예측 성능 향상에 도움이 됨을 확인할 수 있다. 또한, ④번 모델과 잔차를 VMD로 2차 분해하여 예측한 ⑤번 모델을 비교함으로써 잔차를 VMD 분해하여 예측했을 때 오차율이 추가적으로 감소함을 확인할 수 있다. 특히, 잔차의 절대값의 크기에 따른 구간별 오차율을 심층 분석한 결과, 잔차의 크기가 가장 큰 구간에서 예측 정확도 향상 효과가 가장 뚜렷하게 확인되었다.

다음으로 제안한 모형의 월별, 시간대별, 요일별 예측 오차율을 분석하여, 모형의 성능 특성과 계절적 민감도를 평가한다. 표 5는 제안 모형의 월별 예측 오차율을 정리한 결과를 나타낸다. 전체 분석 기간에 대한 평균 예측 성능은 MAPE 1.89%, RMSE 1572.07 MW 수준으로, 연간 기준에서 전반적으로 안정적인 예측 정확도를 보인다.

월별 결과를 살펴보면, 3월, 11월, 12월 등 중간 부하 구간에서는 MAPE가 약 1.6% 내외로 상대적으로 낮게 나타난다. 반면, 냉방 부하의 비중이 높은 6월, 7월, 8월, 9월에는 MAPE가 약 2.07~2.38% 수준으로 증가하여, 예측 오차가 상대적으로 크게 나타난다. 이러한 결과는 제안한 모형이 연중 대부분의 기간에서 일관된 예측 성능을 유지하는 반면, 이상 기온이나 극단적인 피크 수요가 발생하는 하절기 일부 월에서는 예측 난이도가 상대적으로 증가함을 시사한다.

8월에 나타난 상대적으로 큰 월별 오차율은 90 GW 이상의 높은 수요가 발생한 일부 일자에서 예측 오차율이 약 3–4% 수준까지 증가함에 따라, 월 평균 오차가 상승한 결과이다. 이러한 고부하 일자를 제외한 대부분의 날짜에 대해서는 MAPE가 약 1–2% 수준으로, 전반적으로 준수한 예측 성능을 유지하는 것으로 나타났다.

그림 6은 시간대별 예측 오차율을 나타낸 결과이다. 분석 결과, 새벽 시간대와 저녁 시간대에서는 약 1.7% 내외의 비교적 안정적인 오차율을 보이는 반면, 정오를 전후한 시간대에서 오차율이 상대적으로 증가하는 경향을 확인할 수 있다. 이는 태양광 발전량 변동과 냉방 부하 증가가 동시에 발생하는 시간대에서 순부하 변동성이 확대되기 때문으로 해석될 수 있다. 해당 오차는 주로 전력시장 외 태양광 발전량(BTM) 예측 오차에 의해 기인한 것으로, 총수요 예측값에서 BTM 발전량을 차감하는 과정에서 BTM 예측 오차가 전파된 결과로 판단된다. 이는 유사일 기반 BTM 예측치 차감 시와 참고문헌 ^[14] 기반의 사후 복원 추정치 차감 시의 예측 오차율을 비교함으로써 그 영향을 설명할 수 있다. 더불어 재구축수요 기반 예측 구조의 유효성을 검증하기 위해 BTM을 복원하지 않고 순부하를 직접 예측한 경우와의 성능을 비교하였다. 그 결과, 순부하 직접 예측 모형의 연간 MAPE는 2.23%로, 제안 모형 대비 0.34%p 높은 오차율을 보였으며, 특히 정오 전후 시간대에서 오차 증가가 두드러졌다. 이는 재구축수요 기반 예측 구조가 전반적인 예측 정확도 향상에 유효함을 시사한다. 따라서 전력시장 외 태양광 발전량의 예측 정밀도를 향상시킬 경우, 전력수요 예측 전반의 오차율을 추가적으로 개선할 수 있을 것으로 기대된다. 이에 따라 BTM 태양광 발전량 예측의 고도화 및 불확실성 반영을 위한 후속 연구가 필요하다.

제안한 모형의 요일별 예측 오차율은 표 7에 제시된 바와 같이 전 요일에 걸쳐 약 1.7–2% 수준으로, 전반적으로 안정적인 예측 성능을 유지함을 확인할 수 있다. 특히 주말에 대해서도 비교적 준수한 예측 성능이 관찰되는데, 이는 주간 성분을 통해 요일별 수요 패턴이 효과적으로 학습된 결과이며, 동시에 주말 수요가 평일 대비 변동성이 상대적으로 작기 때문으로 해석할 수 있다.

제안한 모형은 전력수요를 성분별로 분해한 후 개별 예측을 수행하는 구조를 가지므로, 실제값을 동일한 방식으로 분해한 결과와 비교함으로써 예측 오차가 어느 성분에서 주로 발생하는지를 식별할 수 있다는 장점이 있다. 그림 7은 월별 예측 오차율이 가장 컸던 8월과 월별 예측 오차율이 가장 작았던 12월의 성분별 MAE를 비교한 그래프이다. 이때 각 분해 성분별 MAE는 재구축 수요를 분해하여 산정된 결과이다.

그림 7을 통해 추세 성분이 전체 오차의 주된 요인이며 주간·일간 성분이 전체 오차에 기여하는 비중은 상대적으로 제한적인 수준임을 확인할 수 있다. 또한 월별 성능 차이의 주된 원인은 추세 성분의 오차 변동에서 기인하는 것으로 나타났다. 즉, 추세 성분이 전체 예측 오차의 주요 결정 요인으로 작용하며, 추세 성분의 예측 정확도를 개선할 경우 모델 전체의 예측 성능을 유의미하게 향상시킬 수 있음을 시사한다.

이에 본 연구에서는 향후 연구로서 추세 성분 오차의 발생 원인을 보다 정밀하게 분석하고, 분해 방식의 조정, 예측 모형 및 하이퍼파라미터의 변경, 그리고 과거 예측 결과를 활용한 보정 기법 도입 등을 통해 추세 성분 예측 정확도를 추가적으로 개선하는 방안을 검토할 예정이다.

5. 결 론

본 연구에서는 전력수요 시계열을 MSTL과 VMD를 이용해 다중 계절 성분과 잔차 성분으로 분해한 후, 각 성분의 특성에 적합한 딥러닝 모형을 적용하여 성분별로 개별 예측하는 하루전 전력수요 예측 알고리즘을 제안하였다. 전력수요는 다양한 시간 주기의 패턴이 복합적으로 중첩된 다중 계절성 시계열로, 이러한 원시 시계열을 단일 모형으로 직접 예측할 경우 입력 변수 선정, 하이퍼파라미터 설정, 예측 결과 해석 측면에서 한계가 존재한다. 이에 본 연구는 전력수요의 내재된 패턴성을 활용하여 시계열을 수학적으로 분해하고, 분해된 성분을 개별적으로 예측하는 접근법을 실제 발전단 전력수요 데이터를 통해 검증하였다. 그 결과, 원시 시계열을 단일 모형으로 예측하는 경우에 비해 예측 오차율이 유의미하게 개선됨을 확인하였으며, 예측 오차의 주요 원인이 되는 성분을 식별함으로써 모형 개선 가능성 또한 확인하였다. 종합하면, 다중 계절성 시계열 분해와 성분별 개별 예측 구조는 계통 차원의 하루전 전력수요 예측에서 실용적인 수준의 예측 정확도와 해석 가능성을 동시에 제공할 수 있음을 시사한다.