기술 요약: PriceFM – 확률적 전력 가격 예측을 위한 기초 모델

1. 문제 제기

재생 에너지의 비중이 증가함에 따라, 지속 가능한 전력 시스템 운영을 위해서는 전력 가격의 정확한 확률적 예측이 필수적입니다. 유럽 전력 시장은 태양광 및 풍력 발전의 높은 변동성, 심화된 시장 통합, 그리고 물리적으로 상호 연결된 송전 시스템으로 인해 고유한 도전을 안고 있습니다.

기존 접근 방식은 두 가지 주요 한계에 직면해 있습니다:

1. 공간 모델링의 부재: 대부분의 모델은 단일 지역 시장 (예: 독일) 에 초점을 맞추거나 지역을 독립적으로 취급하여, 국경 간 전력 교환에 의해 주도되는 공간적 상호의존성을 포착하지 못합니다.
2. 기초 모델에서의 부적절한 그래프 사전 지식: 최근의 기초 모델 (예: Chronos, TimesFM) 은 일반적인 시계열 예측에서 탁월한 성능을 보이지만, 일반적으로 순수 데이터 기반의 혼합 메커니즘에 의존합니다. 이들은 송전 토폴로지에 대한 명시적인 사전 지식을 통합하지 않습니다. 결과적으로, 이들은 물리적으로 멀리 떨어진 지역으로부터의 노이즈 신호를 부주의하게 학습하여 과적합을 초래하고 상호 연결된 시스템에서의 일반화 능력을 저하시킬 수 있습니다.

본 논문은 물리적 송전선으로 제약된 유럽 시장의 공간 구조를 명시적으로 모델링하는 것이 정확한 가격 형성에 필수적이라고 주장합니다.

2. 방법론: PriceFM

저자들은 유럽 전력 시장을 위해 특별히 설계된 확률적 기초 모델인 PriceFM을 제안합니다. 이 아키텍처는 공유 투영 메커니즘과 토폴로지 기반 희소 그래프 마스크를 통합합니다.

A. 데이터 기반

이 모델은 2022 년 1 월 1 일부터 2026 년 1 월 1 일까지의 **24 개 유럽 국가 (38 개 지역)**를 아우르는 포괄적이고 재생 에너지 인식을 갖춘 데이터셋을 기반으로 구축되었습니다.

• 특징: 당일 전력 가격, 부하 예측, 그리고 태양광/풍력 발전 예측 (육상 및 해상 합계).
• 해상도: 모든 특징은 진화하는 EU 시장 표준에 맞추기 위해 15 분 해상도로 재샘플링되었습니다.
• 범위: 이 데이터셋은 기초 모델 훈련을 위한 표준화되고 대규모인 데이터의 부재를 해결하기 위해 약 530 만 건의 레코드를 포함합니다.

B. 모델 아키텍처

PriceFM 은 다중 지역 입력을 처리하여 다중 지역, 다중 시간 단계, 그리고 다중 분위수 예측을 생성합니다.

1. 공유 전문가 혼합 (MoE) 투영 계층:

   • 지역 표현이 비교 가능하도록 보장하기 위해, 모델은 입력 (가격 및 외생 특징) 을 공유 잠재 임베딩 공간으로 매핑합니다.
   • 38 개 지역 각각에 고유한 밀집 계층을 할당하는 대신, 공유 MoE가 사용됩니다. 이 계층은 퓨전 전문가 (잔차 추가를 통해 가격과 외생 특징을 결합) 와 가중치 라우터 (입력 특징에 기반하여 동적으로 전문가 가중치를 선택) 로 구성됩니다.
   • 이 설계는 유사한 패턴을 가진 지역이 투영 메커니즘을 공유하면서도 유연성을 유지할 수 있게 합니다.

2. 토폴로지 기반 희소 그래프 마스크:

   • 이는 PriceFM 을 범용 기초 모델과 구별하는 핵심 혁신입니다.
   • 모델은 물리적 송전 토폴로지에 기반하여 희소 그래프 마스크를 구성합니다. 이는 입력 지역과 목표 출력 지역 간의 그래프 거리 (송전 홉 수) 를 너비 우선 탐색 (BFS) 을 사용하여 계산합니다.
   • 하이퍼파라미터 $\delta$(그래프 차수 컷오프) 는 집계를 유계 이웃으로 제한합니다. 이 거리 이상의 지역은 마스크 처리되어 (0 할당) 모델이 토폴로지가 먼 지역으로부터의 노이즈 신호를 통합하는 것을 방지합니다.
   • 지역 임베딩은 희소성 제약이 있는 평균을 통해 집계되어 공간 정규화제로 작용합니다.

3. 계층적 분위수 헤드:

   • 확률적 일관성을 보장하고 분위수 교차(상위 분위수가 하위 분위수 아래로 떨어지는 현상) 를 방지하기 위해, 모델은 계층적 헤드를 사용합니다.
   • 먼저 중앙값 궤적 ($\tau=0.5$) 을 예측합니다.
   • 그 후, 상위 및 하위 분위수는 중앙값에서 비음수 잔차 (절댓값 또는 ReLU 함수를 통해 유도됨) 를 더하거나 빼서 생성됩니다. 이는 분위수 간 단조성을 보장합니다.

C. 훈련 목적

모델은 여러 지역, 시간 단계, 그리고 분위수에 걸쳐 **평균 분위수 손실 (AQL)**을 사용하여 훈련됩니다.

3. 주요 기여

1. 데이터셋 공개: 재생 에너지 인식 특징을 갖춘 4 년 기간 동안 38 개 지역을 아우르는 현재까지 가장 크고 다양한 유럽 전력 시장용 오픈 데이터셋을 소개합니다.
2. PriceFM 프레임워크: 시계열 기초 아키텍처에 송전 토폴로지 사전 지식을 통합하는 새로운 확률적 기초 모델입니다. 이는 다중 지역, 다중 시간 단계, 그리고 다중 분위수 예측을 지원합니다.
3. 포괄적 평가: PriceFM 을 Naïve 베이스라인, 순수 시계열 모델, 그래프 기반 모델, 그리고 범용 기초 모델 (예: Chronos, Moirai, TimesFM) 과 비교하는 광범위한 실험을 수행했습니다.

4. 실험 결과

저자들은 3-fold 롤링 평가와 "한 지역 제외 (leave-one-region-out)" 제로샷 전략을 사용하여 PriceFM 을 평가했습니다.

• Naïve 모델 대비: PriceFM 은 계절성 Naïve 베이스라인을 크게 능가하여 AQL 을 62.1%, MAE 를 35.3%, RMSE 를 31.3% 감소시켰습니다.
• 시계열 모델 대비: PriceFM 은 AQL 에서 최상의 순수 시계열 베이스라인 (TimesNet) 보다 37.6% 더 우수한 성과를 거두어, 명시적 공간 귀납 편향의 필요성을 입증했습니다.
• 그래프 모델 대비: PriceFM 은 AQL 에서 최상의 그래프 베이스라인 (GraphConv) 보다 12.3% 개선되었습니다. 저자들은 이를 희소 마스크 메커니즘에 기인하며, 이는 약하게 관련된 지역으로부터의 신호를 전파하는 순수 데이터 기반 GNN 과 관련된 과적합 위험을 완화한다고 설명합니다.
• 범용 기초 모델 대비: 한 지역 제외 제로샷 설정에서, PriceFM 은 가장 강력한 범용 기초 모델 (Chronos[2.0]) 에 비해 AQL 을 14.7% 감소시켰습니다. 이는 명시적 그래프 사전 지식 없이는 광범위한 도메인 사전 훈련이 상호 연결된 전력 시장의 특정 공간적 의존성을 포착하기에 불충분함을 시사합니다.
• 분위수 교차: PriceFM 은 **0.00%의 분위수 교차율 (AQCR)**을 달성한 반면, 많은 베이스라인은 0 이 아닌 교차율을 보였습니다.

애블레이션 연구는 다음을 확인했습니다:

• 그래프 차수 컷오프 $\delta=0$(로컬 데이터만 사용) 은 일부 지역 (예: 독일, 프랑스) 에 최적이었으며, 다른 지역들은 이웃 정보로부터 혜택을 받았습니다.
• MoE 계층에서 4 개의 전문가 ($M=4$) 를 사용하는 것으로 충분했습니다.
• 토폴로지 기반 마스크를 제거하거나 무작위 마스크로 대체하면 성능이 크게 저하되어 물리적 그리드 사전 지식의 중요성을 검증했습니다.

5. 중요성과 주장

본 논문은 PriceFM이 증가하는 재생 에너지 비중을 겪는 전력 시스템을 위한 확장 가능하고 불확실성을 인식하는 도구를 제공한다고 주장합니다. 그 중요성은 다음과 같습니다:

• 격차 해소: 이전에 순수 데이터 기반 접근 방식에 의존했던 기초 모델 패러다임에 도메인 특화 물리적 제약 (송전 토폴로지) 을 성공적으로 통합합니다.
• 일반화: 미처 보지 못한 지역에 대한 제로샷 시나리오에서 특히 우수한 일반화 능력을 입증하여, 완전한 훈련 데이터가 제한될 수 있는 시장에서 중요합니다.
• 운영 가치: 태양광, 풍력, 부하, 가격, 그리고 토폴로지로 인한 상호작용을 공동으로 모델링함으로써, 재생 에너지 통합과 유연한 그리드 운영에 대한 더 나은 의사 결정을 지원합니다.

저자들은 이 프레임워크가 적응 가능하다고 언급합니다. 물리적 송전망이 진화하면 전체 파이프라인을 변경하지 않고 인접 행렬만 업데이트하여 모델을 재훈련할 수 있습니다. 또한 향후 연구는 사회경제적 또는 시스템 특성에 기반한 대체 공간 가중치 체계를 탐구할 수 있다고 제안합니다.