Reliable Grid Forecasting: State Space Models for Safety-Critical Energy Systems

이 논문은 전력망 부하 예측의 안전성을 위해 기존 정확도 지표를 넘어 편향과 하향 예측 위험을 정량화하는 새로운 평가 프레임워크를 제안하고, 이를 통해 상태 공간 모델과 트랜스포머 아키텍처의 성능을 분석하며, 확률적 예측에서 발생할 수 있는 과도한 안전 마진 (가짜 안전) 문제를 해결하기 위해 편향 제약을 도입한 최적화 기법을 제시합니다.

핵심

🌪️ 핵심 주제: "전기가 부족할까, 남을까?" (전력 수요 예측)

전력 회사 (CAISO) 는 매일 "내일 사람들이 전기를 얼마나 쓸까?"를 예측해야 합니다.

• 예측이 너무 낮으면 (Under-prediction): 전기가 부족해져서 **정전 (블랙아웃)**이 날 수 있습니다. (치명적!)
• 예측이 너무 높으면 (Over-prediction): 쓸데없이 많은 발전기를 가동해서 돈과 연료를 낭비합니다. (비효율적)

기존의 AI 모델들은 "오차의 평균"만 계산했습니다. 마치 시험 점수가 80 점과 100 점일 때, 90 점과 100 점의 차이를 무시하고 "평균 95 점"이라고만 하는 것과 비슷합니다. 하지만 전력망에서는 100 점 (전기 부족) 이 80 점 (전기 남음) 보다 훨씬 더 위험합니다.

이 논문은 **"단순히 평균 점수를 잘 맞추는 게 아니라, '정전'이라는 최악의 상황을 막는 안전한 예측"**을 목표로 새로운 AI 와 평가 방법을 제안합니다.

---

🏗️ 1. 새로운 AI 모델: "Mamba(만바)"와 "Transformer"의 대결

논문은 여러 가지 AI 모델을 비교했습니다.

• Transformer: 최신 AI 의 대장군처럼 복잡한 관계를 잘 파악하지만, 계산량이 너무 많아 긴 시간 (예: 10 일치) 을 기억하기엔 무겁습니다.
• Mamba (State Space Models): 이 논문이 주목한 주인공입니다. **"스마트한 메모리"**를 가진 모델로, 긴 시간의 패턴을 가볍고 빠르게 기억할 수 있습니다.

비유:

• Transformer는 거대한 도서관에서 모든 책을 펼쳐서 비교하는 학자입니다. 정확하지만 시간이 오래 걸립니다.
• Mamba는 핵심만 기억하는 명석한 비서입니다. 긴 대화 내용도 순식간에 요약하고, 중요한 부분만 기억하며 훨씬 빠릅니다.

결과: Mamba 기반의 PowerMamba 모델이 전력 예측에서 가장 좋은 성능을 보였습니다. 특히 10 일치 (240 시간) 의 긴 시간을 기억하며 예측하는 데 탁월했습니다.

---

🌤️ 2. 날씨를 함께 보는 것이 핵심 (Weather Integration)

전력 사용량은 날씨와 깊은 연관이 있습니다.

• 여름 폭염: 에어컨이 돌아갑니다.
• 겨울 한파: 난방이 돌아갑니다.

하지만 건물의 벽과 바닥은 열을 저장했다가 천천히 방출합니다. (예: 오후 2 시에 더워도, 집 안이 뜨거워지는 건 오후 4 시일 수 있음).

논문이 발견한 것:
AI 가 단순히 "오늘 날씨가 더우니 전기를 많이 쓸 거야"라고만 하면 안 됩니다. **"건물의 열이 늦게 반응한다"는 물리 법칙 (Thermal Lag)**을 AI 에 심어줘야 합니다.

• 비유: 비가 오면 우산을 쓰지만, 비가 그친 후에도 옷이 젖어 있어 1~2 시간 더 춥게 느껴지는 것과 같습니다. AI 는 이 **'지연 효과'**를 정확히 계산해야 합니다.
• 결과: 날씨 데이터를 이 '지연 효과'에 맞춰 넣자, 예측 오차가 크게 줄어들었습니다.

---

⚠️ 3. 가장 중요한 경고: "가짜 안전 (Fake Safety)"

이 논문의 가장 혁신적인 부분은 **"위험한 예측을 피하는 방법"**을 찾았다는 점입니다.

문제 상황:
AI 가 "정전이 나면 안 되니까, 무조건 전기를 많이 쓸 거라고 예측하자"라고 생각할 수 있습니다.

• 현실: 실제 사용량보다 2,000MW(거대한 발전소 2 개 분량) 를 더 많이 예측하면, '전기 부족' 확률은 0% 가 됩니다.
• 결과: 통계상으로는 완벽한 '안전'이지만, 실제로는 쓸데없이 비싼 전기를 미리 준비해서 낭비하게 됩니다. 이를 **"가짜 안전"**이라고 부릅니다.

해결책:
논문은 AI 에게 **"너무 많이 예측하지 마라 (Bias Constraint)"**는 규칙을 추가했습니다.

• 비유: "비상용 우산을 100 개 준비하라고 하면 안전하지만, 비가 오지 않아도 100 개를 사서 창고에 쌓아두면 돈만 날립니다. 적당한 수 (예: 10 개) 만 준비하되, 비가 올 확률이 높을 때만 더 준비하라"는 규칙을 AI 에게 가르친 것입니다.

---

📊 4. 새로운 평가 기준: "평균 점수"보다 "최악의 상황"

기존에는 '평균 오차 (MAPE)'만 봤습니다. 하지만 논문은 새로운 지표를 제안합니다.

1. 예측 실패율 (UPR): 얼마나 자주 전기가 부족할 것이라고 잘못 예측했는가?
2. 비상 예비량 (Reserve%): 최악의 경우 (99.5% 확률) 에 대비해 얼마나 많은 전기를 추가로 준비해야 하는가?
3. 과잉 예측 감시 (Bias/OPR): AI 가 무작정 많이 예측해서 '안전'을 가장하지는 않는가?

결론: 평균 점수가 비슷해도, 최악의 상황 (정전) 을 막을 수 있는 능력이 다르면 그 모델의 가치가 완전히 다릅니다.

---

💡 요약: 이 논문이 우리에게 주는 메시지

1. 전력 예측은 '평균'이 아니라 '안전'이 중요합니다. 정전을 막는 것이 돈 낭비보다 훨씬 중요합니다.
2. Mamba 라는 새로운 AI가 긴 시간의 패턴을 기억하고 예측하는 데 매우 효율적입니다.
3. **날씨와 건물의 특성 (열 지연)**을 AI 에게 정확히 가르쳐야 예측이 정확해집니다.
4. AI 가 "안전하다"고 속여도 안 됩니다. 무작정 많이 예측하는 '가짜 안전'을 막기 위해, 과잉 예측을 제한하는 규칙을 AI 학습에 넣어야 합니다.

이 연구는 캘리포니아의 전력망 데이터를 바탕으로 했지만, 전 세계의 전력망이 더 안전하고 효율적으로 운영될 수 있는 길을 제시했습니다. 마치 **"비상용 우산을 적당히 챙기되, 비가 오지 않아도 불필요하게 많이 챙기지 않는 똑똑한 비서"**를 만든 것과 같습니다.

기술 요약

이 논문은 캘리포니아 독립 시스템 운영자 (CAISO) 의 전력망 부하 예측을 위해 **상태 공간 모델 (State Space Models, SSMs)**을 활용하고, 기존의 대칭적 정확도 지표를 넘어 안전성 (Safety) 과 운영 리스크에 초점을 맞춘 새로운 평가 프레임워크를 제안합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem)

• 비대칭적 오류 비용: 전력망 운영에서 과소 예측 (Under-prediction) 은 공급 부족, 급전 비용 급증, 심지어 정전으로 이어질 수 있는 치명적인 위험을 내포합니다. 반면 과대 예측 (Over-prediction) 은 비용 낭비와 배출량 증가를 초래하지만 시스템 안정성에는 덜 치명적입니다.
• 기존 지표의 한계: 평균 절대 백분율 오차 (MAPE) 와 같은 대칭적 오차 지표는 이러한 비대칭적 비용을 반영하지 못합니다. MAPE 가 낮더라도 과소 예측 빈도가 높거나, 반대로 과대 예측을 통해 위험을 회피하는 '가짜 안전 (Fake Safety)' 상태를 감지하지 못합니다.
• 복잡한 환경: 캘리포니아의 경우 태양광 (특히 Behind-the-Meter, BTM) 비중이 높아 '덕 커브 (Duck Curve)' 현상이 심화되고, 기후 변화로 인한 극단적 기상 이변이 비선형적인 수요 급증을 유발하여 기존 통계적 모델이나 단순 딥러닝 모델로는 정확한 예측이 어렵습니다.

2. 방법론 (Methodology)

가. 모델 아키텍처 비교

논문은 다양한 신경망 아키텍처를 CAISO 데이터 (2023 년 11 월~2025 년 11 월, 5 개 지역, 84,498 시간 데이터) 로 평가했습니다.

• 상태 공간 모델 (SSMs):
  • S-Mamba: 최소한의 구조로 선택적 상태 공간 메커니즘만 검증.
  • PowerMamba: 시계열 분해 (Trend/Seasonal) 와 양방향 처리를 적용한 에너지 특화 모델.
  • Mamba-ProbTSF: 불확실성 정량을 위한 확률적 출력 헤드가 추가된 버전.
• Transformer 및 기타:
  • iTransformer: 변수 간 상관관계를 명시적으로 모델링 (Cross-variate attention).
  • PatchTST: 채널 독립적 패치 기반 처리.
  • LSTM: 기존 산업 표준.
  • Chronos: 제로샷 (Zero-shot) 기반 모델.

나. 기상 데이터 통합 전략 (Weather Integration)

건물의 열적 관성 (Thermal Lag) 을 고려하여 기상 데이터 (기온, 습도, 일사량 등) 를 부하 신호와 통합했습니다. 각 아키텍처의 인덕티브 바이어스 (Inductive Bias) 에 맞춰 다른 융합 전략을 적용했습니다.

• S-Mamba: 초기 합산 (Early Summation).
• PowerMamba: 분해 전 융합 (Pre-Decomposition Fusion).
• PatchTST: 교차 어텐션을 통한 채널 간 융합.
• iTransformer: 변수 토큰화 (Variate Tokenization) 를 통한 전역 어텐션.

다. 새로운 평가 프레임워크 및 손실 함수

• 운영 리스크 지표 도입:
  • UPR (Under-Prediction Rate): 과소 예측 발생 빈도.
  • Reserve% 99.5: 99.5% 신뢰구간을 충족하기 위해 필요한 추가 상향 예비력 (Tail Reserve).
  • Bias/OPR 진단: 체계적인 과대 예측 (Inflation) 으로 인한 '가짜 안전'을 감지하기 위한 편향 및 과대 예측률 지표.
• Bias-제약 확률적 목적 함수 (Bias-Constrained Probabilistic Objective):
  • 단일 고 quantile 학습이 편향을 과도하게 증가시키는 것을 방지하기 위해, Multi-quantile Pinball Loss에 편향 (Bias) 및 과대 예측률 (OPR) 제약을 추가했습니다. 이를 통해 꼬리 리스크 감소와 불필요한 스케줄 인플레이션 사이의 감시 가능한 트레이드오프를 가능하게 합니다.

3. 주요 기여 (Key Contributions)

1. 그리드 특화 평가 프레임워크: MAPE 만으로는 부족함을 지적하고, UPR, Reserve% 99.5, Bias/OPR 진단을 포함한 운영자 친화적 리스크 평가 체계를 정립했습니다.
2. SSM 을 위한 기상 통합 전략: SSM 아키텍처에 열적 지연 (Thermal Lag) 을 고려한 기상 데이터 융합 전략을 개발하고, 아키텍처별 최적화 효과를 입증했습니다.
3. '가짜 안전' 노출 및 해결: 확률적 보정만으로는 편향을 과도하게 증가시켜 위험을 회피하는 '가짜 안전'이 발생할 수 있음을 발견하고, 이를 방지하는 제약 조건付き 목적 함수를 제안했습니다.

4. 실험 결과 (Results)

• 정확도 및 효율성:
  • PowerMamba는 24 시간 예측에서 3.68% MAPE를 기록하여 CAISO 의 운영 벤치마크 (4.55%) 및 상용 모델 (2.65%) 과 비교해 경쟁력 있는 성능을 보였습니다.
  • PowerMamba 는 250 만 파라미터 (2.5M) 로 매우 경량화되어 있으며, iTransformer(6.5M) 보다 적은 파라미터로 유사하거나 더 나은 성능을 보였습니다.
  • 기상 통합의 효과: 모든 모델에서 기상 데이터 통합이 오차 분포를 좁히고 극단적 오류를 감소시켰습니다. 특히 iTransformer 는 변수 간 상관관계를 명시적으로 모델링하여 PatchTST 보다 기상 데이터 통합의 이득을 더 크게 보였습니다.
• 리스크 및 편향 분석:
  • MAPE 가 유사한 모델이라도 Reserve% 99.5는 크게 달랐습니다.
  • 가짜 안전 발견: 제약 없이 고 quantile 만 학습한 경우 (예: iTransformer), Reserve% 99.5 는 개선되었으나 편향 (Bias) 이 +1,862 MW 까지 급증하고 과대 예측률 (OPR) 이 78.8% 에 달하는 '시스템적 인플레이션'이 발생했습니다.
  • 제약의 효과: Bias/OPR 제약을 적용하면 편향을 +456 MW 로 줄이고 OPR 을 61.6% 로 낮추는 대신, Reserve% 99.5 는 약간 증가하는 등 현실적인 트레이드오프를 달성했습니다.
• BTM(Behind-the-Meter) 데이터: NEMs(태양광/저장장치) 등록 데이터를 추가한 결과, 기상 데이터만 사용할 때보다 오차 감소 효과는 미미했습니다. 이는 정적 용량 데이터만으로는 BTM 의 동적인 기상 의존성 램핑을 포착하기 어렵기 때문입니다.

5. 의의 및 결론 (Significance)

• 안전 중심의 예측 패러다임 전환: 전력망 운영에서는 단순한 정확도 (MAPE) 보다 비대칭적 리스크 관리가 더 중요함을 강조했습니다.
• SSM 의 실용성 입증: Mamba 기반 SSM 이 Transformer 대비 계산 효율성 (O(n)) 을 유지하면서도 긴 컨텍스트 (240 시간) 와 복잡한 그리드 동역학을 효과적으로 학습할 수 있음을 증명했습니다.
• 운영적 실행 가능성: 제안된 Bias-제약 목적 함수는 모델이 위험을 회피하기 위해 무의미하게 예측치를 높이는 것을 방지하면서도, 실제 필요한 예비력을 최소화하는 감시 가능한 (Auditable) 의사결정을 지원합니다.
• 실제 적용: PowerMamba 의 경량성과 높은 정확도는 실시간 배포 및 엣지 컴퓨팅 환경에서의 적용 가능성을 열어주며, 불확실성 정량화 (Mamba-ProbTSF) 를 통해 확률적 예비력 스케줄링에도 기여할 수 있습니다.

요약하자면, 이 논문은 Mamba 기반의 효율적인 아키텍처와 기상 데이터 통합, 그리고 운영 리스크를 고려한 제약 조건付き 학습을 결합하여, 캘리포니아 전력망과 같은 고도화된 재생에너지 시스템에서 안전하고 신뢰할 수 있는 부하 예측을 실현하는 방법을 제시했습니다.