Regime-Aware Conditional Neural Processes with Multi-Criteria Decision Support for Operational Electricity Price Forecasting

본 논문은 독일 전력 시장에서 베이지안 체제 탐지와 조건부 신경 과정을 결합한 새로운 예측 모델 (R-NP) 을 제안하고, 단순 예측 정확도가 아닌 다양한 배터리 저장 최적화 시나리오에서의 운영 성과를 다기준 의사결정 기법 (TOPSIS) 을 통해 평가하여 2021 년부터 2023 년까지 가장 균형 잡힌 성능을 보임을 입증했습니다.

핵심

1. 문제 상황: "날씨가 변덕스러운 전기 시장"

전통적인 전기 시장은 석탄이나 가스처럼 안정적이었습니다. 하지만 요즘은 태양광과 풍력 같은 재생에너지가 많이 쓰입니다. 문제는 이 에너지들이 날씨에 따라 변덕을 부린다는 것입니다.

• 햇빛이 강하면 전기 요금이 쌉니다.
• 바람이 불지 않으면 전기 요금이 비쌉니다.
• 갑자기 구름이 끼거나 폭풍이 오면 가격이 급등하거나 급락합니다.

이처럼 전기 시장은 계절마다, 심지어 하루 중 시간대마다 성질이 완전히 달라지는 (Regime Change) 복잡한 곳입니다. 기존의 예측 모델들은 "내일도 오늘과 비슷할 거야"라고 가정하고 예측을 하다가, 갑자기 상황이 바뀌면 엉뚱한 예측을 해버립니다.

2. 해결책: "날씨별 맞춤 예보관 (R-NP)"

저자들은 이 문제를 해결하기 위해 두 단계로 나누어 접근했습니다.

1 단계: "상황을 분류하는 지능형 감지기 (DS-HDP-HMM)"

먼저, 과거 전기 요금 데이터를 분석하여 **"지금 시장이 어떤 분위기인가?"**를 자동으로 찾아냅니다.

• 비유: 마치 날씨 예보관이 "오늘은 맑음", "비", "폭풍"으로 하루를 분류하는 것과 같습니다.
• 이 모델은 미리 정해진 규칙이 아니라, 데이터가 보여주는 패턴을 스스로 학습해서 "지금 시장은 안정적일 때", "가격이 폭등할 때", "마이너스 가격일 때" 같은 **서로 다른 상황 (Regime)**을 찾아냅니다.

2 단계: "상황별 전문 예보관 (Conditional Neural Processes)"

상황이 분류되면, 각 상황에 맞는 전문 예보관을 따로 훈련시킵니다.

• 비유:
  • 맑은 날 전문 예보관: "맑은 날에는 보통 가격이 이렇게 움직여요."
  • 폭풍우 전문 예보관: "폭풍우 때는 가격이 이렇게 급변해요."
  • 안정기 전문 예보관: "평화로운 때는 가격이 천천히 움직여요."
• 기존 모델은 모든 상황을 섞어서 하나의 거대한 예측을 했다면, 이 모델은 현재의 상황에 가장 맞는 전문가의 조언을 듣습니다. 그리고 각 전문가의 예측을 믿을 만한 정도 (확률) 에 따라 섞어서 최종 예측을 내놓습니다.

3. 실전 적용: "배터리로 돈 버는 전략 (MCDM & TOPSIS)"

예측만 잘한다고 해서 돈을 버는 것은 아닙니다. 예측이 완벽하지 않아도, 실제 운영 전략이 좋으면 돈을 벌 수 있습니다. 저자들은 이 예측을 바탕으로 배터리 충전/방전 전략을 세우고, 그 결과를 평가했습니다.

4 가지 전략 (게임 모드)

1. 단순 매매: 가격이 쌀 때 사서 비쌀 때 팔기 (Arbitrage).
2. 위험 회피: 예측이 불확실할 때는 거래를 줄이고 안전을 택하기.
3. 그리드 지원: 태양광이 많을 때 충전해서 친환경 에너지 사용을 돕기.
4. 비용 절감: 고정된 전기를 쓸 때, 가장 싼 시간에 사서 총비용을 줄이기.

평가 방법: "올림픽 점수제 (TOPSIS)"

어떤 모델이 가장 좋은지 판단할 때, 단순히 "예측 오차가 가장 작은 모델"을 고르면 안 됩니다.

• 비유: 어떤 선수가 점프는 잘하지만 달리기는 못 하고, 다른 선수는 달리기는 잘하지만 점프는 못 한다면, 누가 더 뛰어난 선수일까요?
• 이 논문은 TOPSIS라는 방법을 썼습니다. 이는 "이상적인 완벽한 선수 (모든 종목 1 등)"와 "최악의 선수 (모든 종목 꼴찌)" 사이의 거리를 계산해서, 가장 균형 잡힌 선수를 골라내는 방식입니다.

4. 결론: "완벽한 예측보다 균형 잡힌 전략이 이긴다"

연구 결과는 매우 흥미롭습니다.

• LEAR (전통적 통계 모델): 예측 오차는 조금 컸지만, 실제 돈을 벌거나 비용을 아끼는 데는 가장 효과적인 경우가 많았습니다. (특히 2021 년)
• DNN (딥러닝 모델): 특정 상황에서는 아주 잘했지만, 전체적으로는 불안정했습니다.
• R-NP (이 논문의 제안): 예측 정확도도 높고, 위험을 관리하는 능력도 뛰어났습니다. 특히 2022 년과 2023 년처럼 시장이 매우 불안정했던 해에는 가장 균형 잡히고 신뢰할 수 있는 모델로 선정되었습니다.

요약

이 논문은 **"전기 요금은 날씨처럼 변덕스럽다"**는 사실을 인정하고, 상황별로 다른 전문가를 고용하여 예측하는 시스템을 만들었습니다. 그리고 단순히 "예측이 정확한가"를 따지는 것을 넘어, **"그 예측으로 실제로 돈을 잘 벌 수 있는가"**를 종합적으로 평가했습니다.

결론적으로, **완벽한 점수표 (예측 오차) 보다는 상황에 맞춰 유연하게 대처하는 균형 잡힌 전략 (R-NP)**이 복잡한 에너지 시장에서 더 큰 성공을 거둘 수 있음을 증명했습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 전력 시장의 구조적 변화: 탈탄소화 노력으로 인해 풍력, 태양광 등 재생에너지의 비중이 급격히 증가하면서 전력 공급의 변동성이 커졌습니다. 이는 전력 가격의 비정상성 (non-stationarity), 급격한 변동 (spikes), 그리고 시장 regimes(상태) 의 변화를 초래합니다.
• 예측의 한계: 기존의 통계적 모델 (ARIMA, GARCH 등) 은 선형 의존성과 고정된 매개변수를 가정하여 급격한 regime 전환을 포착하지 못합니다. 반면, 딥러닝 모델 (LSTM, DNN) 은 비선형성을 잘 처리하지만, 여러 regimes 가 혼합된 데이터에서 학습될 경우 '모드 평균화 (mode averaging)' 현상이 발생하여 특정 regimes 에 대한 역동성을 왜곡하거나 예측 불확실성을 정량화하지 못하는 문제가 있습니다.
• 예측 정확도와 운영 성과의 괴리: 단순히 가격 예측 오차 (RMSE, MAE 등) 가 낮은 모델이 반드시 배터리 저장 시스템 (BESS) 의 운영 전략 (수익 극대화, 비용 최소화 등) 에서 최선의 결과를 보장하지는 않습니다. 예측 오차가 시장 영향력이 적은 시점에 발생하거나, 중요한 가격 전환점 (고점/저점) 을 정확히 파악하는 것이 실제 수익에 더 중요할 수 있습니다.

2. 제안된 방법론 (Methodology)

저자들은 Regime-Aware Conditional Neural Processes (R-NP) 라는 새로운 프레임워크를 제안하며, 이를 다기준 의사결정 (MCDM) 기법과 결합하여 평가합니다.

A. Regime 감지 및 모델링 (DS-HDP-HMM)

• 문제: 기존 HMM 은 상태 수를 미리 정해야 하며, Sticky HDP-HMM 은 상태 전이와 자기 지속성 (persistence) 을 독립적으로 제어하기 어렵습니다.
• 해결: Disentangled Sticky Hierarchical Dirichlet Process Hidden Markov Model (DS-HDP-HMM) 을 도입했습니다.
  • 비모수적 학습: 데이터에 따라 regimes(시장 상태) 의 수를 자동으로 학습합니다.
  • 해리 (Disentanglement): 자기 전이 확률 (자기 상태 유지) 과 다른 상태로의 전이 확률을 분리하여 제어함으로써, 장기적인 안정기나 단기적인 급변기 등 다양한 regimes 특성을 유연하게 포착합니다.
  • 작동: 과거 전력 가격 시계열 데이터를 입력받아 latent regimes 를 추론합니다.

B. Regime 특화 예측 (Conditional Neural Processes - CNP)

• 구조: 감지된 각 regime 마다 독립적인 Conditional Neural Process (CNP) 모델을 훈련시킵니다.
• 장점: CNP 는 메타러닝 기반 확률 모델로, 과거 컨텍스트 (input) 를 기반으로 미래 가격 분포를 학습합니다. 이는 각 regimes 의 고유한 통계적 특성을 반영하면서도 불확실성 (Uncertainty Quantification) 을 내재적으로 제공합니다.
• 집계: 미래 예측 시, DS-HDP-HMM 로부터 각 regimes 가 발생할 확률 (가중치) 을 구하고, 이를 기반으로 각 CNP 의 예측 결과를 확률적 가중 평균 (Mixture of Gaussians) 으로 통합하여 최종 예측값과 불확실성 구간을 생성합니다.

C. 운영 전략 최적화 및 평가 (MCDM with TOPSIS)

• 배터리 운영 전략: 예측된 가격과 불확실성을 활용하여 4 가지 운영 시나리오를 최적화합니다.
  1. Case I: 가격 차익 거래 (수익 극대화).
  2. Case II: 불확실성 기반 위험 회피 (Risk Aversion).
  3. Case III: 그리드 지원 및 재생에너지 통합 (부하 및 태양광 생산 고려).
  4. Case IV: 고정 부하에 대한 비용 최소화.
• 평가 지표: 단순 예측 오차 (RMSE, MAE) 뿐만 아니라, 실제 운영에서 얻은 수익 (Profit), 비용 (Cost), Perfect Foresight 기준 오차 (Regret) 등을 종합합니다.
• TOPSIS 적용: 예측 정확도, 수익, 비용, 위험 등 상충되는 다중 기준을 통합하여 각 모델 (R-NP, DNN, LEAR) 의 종합 점수를 산출하고 순위를 매깁니다.

3. 주요 기여 (Key Contributions)

1. 새로운 Regime 인식 프레임워크: DS-HDP-HMM 과 CNP 를 결합하여, 전력 시장의 비정상성과 regime 전환을 자동으로 감지하고 각 regimes 에 특화된 확률적 예측을 수행하는 모델을 개발했습니다.
2. 예측 정확도와 운영 가치의 분리 및 통합 평가: 예측 오차만으로는 평가할 수 없는 '실제 운영 성과'를 중시하는 평가 체계를 정립했습니다. 특히, raw 예측 정확도가 낮더라도 운영 전략에 더 유리한 모델을 식별할 수 있음을 입증했습니다.
3. 다기준 의사결정 (MCDM) 의 적용: TOPSIS 기법을 사용하여 다양한 운영 시나리오와 연도별 데이터에서 모델의 균형 잡힌 성능을 정량화했습니다. 이는 단일 지표에 의존하는 기존 연구의 한계를 극복합니다.

4. 실험 결과 (Results)

• 데이터: 독일 전력 시장 데이터 (2021~2023 년) 를 사용했습니다.
• 비교 대상: Deep Neural Network (DNN), Lasso Estimated Autoregressive (LEAR) 모델과 비교했습니다.
• 예측 정확도:
  • 2023 년 (높은 변동성): R-NP 가 DNN 과 LEAR 보다 낮은 MAE 와 RMSE 를 기록했습니다.
  • 2021 년 (낮은 변동성): DNN 이 R-NP 보다 약간 더 낮은 오차를 보였으나, R-NP 는 여전히 우수한 불확실성 정량화 능력을 보였습니다.
  • 2022 년 (전환기): regimes 의 경계가 모호하여 R-NP 의 성능이 일시적으로 저하되었으나, 전반적인 통계적 유의성 (Diebold-Mariano test) 에서 우위를 보였습니다.
• 운영 성과 (TOPSIS 평가):
  • 2021 년: LEAR 모델이 수익 측면에서 우세했으나, R-NP 는 불확실성 관리와 균형 잡힌 성능으로 2 위를 기록했습니다.
  • 2022 년 및 2023 년: R-NP 모델이 가장 높은 TOPSIS 점수를 기록하여, 복잡한 시장 조건과 다양한 운영 전략 하에서 가장 균형 잡히고 선호되는 솔루션으로 선정되었습니다.
  • 결론: LEAR 은 특정 연도나 조건에서 절대적 수익이 높을 수 있으나, R-NP 는 불확실성 정량화와 regimes 적응 능력을 통해 장기적이고 안정적인 운영 의사결정을 지원합니다.

5. 의의 및 결론 (Significance)

• 실용적 가치: 이 연구는 전력 시장 참여자 (유틸리티, 투자자, 정책 입안자) 가 단순한 가격 예측 오차가 아닌, 실제 운영 수익과 위험 관리를 최적화할 수 있는 모델을 선택하는 데 필요한 방법론을 제공합니다.
• 불확실성 관리: 재생에너지 통합으로 인한 변동성이 심화되는 상황에서, R-NP 는 예측 불확실성을 정량화하여 위험 회피형 의사결정을 가능하게 합니다.
• 미래 방향: TOPSIS 의 가중치를 동적으로 조정하거나, 수소/열 에너지 저장 등 다른 저장 매체 및 다양한 국제 시장으로 확장하는 것이 향후 과제로 제시되었습니다.

요약하자면, 이 논문은 전력 가격의 복잡한 regime 변화를 자동으로 감지하고 (DS-HDP-HMM), 각 상태에 맞는 확률적 예측을 수행하며 (CNP), 이를 실제 배터리 운영 전략과 결합하여 다기준 의사결정 (TOPSIS) 으로 평가하는 통합 프레임워크를 제시함으로써, 기존 모델들의 한계를 극복하고 운영적 효용성을 극대화하는 새로운 패러다임을 제시했습니다.