⚡ electrical engineering

Benchmarking State Space Models, Transformers, and Recurrent Networks for US Grid Forecasting

이 논문은 미국 전력망의 수요 및 재생에너지 예측을 위해 다양한 시계열 모델 (상태 공간 모델, 트랜스포머, LSTM) 을 비교 분석하여, 사용 가능한 데이터 (기상 정보 포함 여부) 와 예측 대상의 특성에 따라 최적의 모델이 달라진다는 것을 입증하고 운영자에게 구체적인 선택 가이드라인을 제시합니다.

원저자: Sunki Hong, Jisoo Lee, Yuanyuan Shi

게시일 2026-03-20

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sunki Hong, Jisoo Lee, Yuanyuan Shi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전력망 예측을 위한 AI 모델 대결: 누가 진짜 영웅일까?

이 논문은 미국의 전력망 (전기를 공급하는 거대한 네트워크) 에서 **"내일 전기를 얼마나 쓸까?"**를 예측하는 데 가장 좋은 인공지능 (AI) 모델을 찾기 위해 진행된 거대한 실험 보고서입니다.

전력 회사는 전기를 너무 많이 만들어 낭비하거나, 너무 적게 만들어 정전되는 것을 막기 위해 정확한 예측이 필수적입니다. 최근에는 LSTM, 트랜스포머 (Transformer), 상태 공간 모델 (SSM) 등 다양한 최신 AI 기술들이 등장했는데, **"어떤 모델을 써야 할지"**가 운영자들에게 큰 고민이었습니다.

이 연구는 마치 6 개의 서로 다른 도시 (전력망) 에서 5 명의 다른 요리사 (AI 모델) 를 고용해 같은 재료를 가지고 요리를 시켜본 것과 같습니다.

1. 실험의 주인공들: 5 명의 AI 요리사

연구진은 5 가지 다른 AI 아키텍처 (모델 구조) 를 비교했습니다.

PatchTST (패치 TST): 시간의 흐름을 작은 조각 (패치) 으로 잘라내어 패턴을 찾는 규칙적인 패턴 마스터입니다. 매일 반복되는 리듬을 잘 파악합니다.
iTransformer (아이 트랜스포머): 여러 가지 변수 (부하, 기온 등) 간의 관계를 동시에 분석하는 관계 분석가입니다. 하지만 혼자 있을 때는 약합니다.
PowerMamba & S-Mamba (SSM): 긴 시간의 흐름을 기억하고 복잡한 변화를 유연하게 따라가는 유연한 적응형 모델입니다.
LSTM: 오래전부터 쓰여 온 전통적인 장인이지만, 최신 모델들에 비해 속도가 느리고 정확도가 떨어지는 편입니다.

2. 실험 조건: "날씨"라는 변수의 등장

이 실험의 핵심은 날씨 데이터를 넣었을 때와 넣지 않았을 때의 차이였습니다.

상황 A: 과거의 전기 사용량만 보고 예측할 때
- 결과: PatchTST가 가장 잘했습니다.
- 비유: 마치 "어제 비가 왔으니 오늘도 비가 올 거야"라고 단순히 과거 패턴만 보고 예측하는 상황입니다. 규칙적인 일상 (평일, 주말, 계절) 이 뚜렷한 곳에서는 PatchTST 가 가장 정확합니다.
상황 B: 날씨 데이터 (기온, 습도 등) 를 함께 넣었을 때
- 결과: 순위가 완전히 뒤바뀌었습니다! iTransformer와 SSM 모델들이 대활약을 했습니다.
- 비유: "오늘 기온이 35 도까지 오르면 에어컨을 많이 틀겠지"라고 날씨 정보를 활용해 예측하는 상황입니다.
- 놀라운 사실: iTransformer 는 날씨 정보를 넣었을 때 정확도가 3 배나 더 크게 향상되었습니다. 반면 PatchTST 는 날씨 정보를 넣어도 큰 변화가 없었습니다.
- 이유: iTransformer 는 "전기 사용량"과 "날씨"라는 서로 다른 정보를 서로 연결 (Attention) 하여 분석하는 능력이 탁월하기 때문입니다. 반면 PatchTST 는 각 정보를 따로따로 처리하는 방식이라 서로의 영향을 잘 반영하지 못했습니다.

3. 지역별 차이: "한 사이즈가 모두에게 맞지 않는다"

미국은 지역마다 전력 사용 패턴이 다릅니다.

캘리포니아 (CAISO): 태양광이 많아 낮에 전기를 아끼고 저녁에 많이 쓰는 '오리 모양 곡선'이 뚜렷합니다. 이런 규칙적인 패턴에는 PatchTST가 잘 맞습니다.
텍사스 (ERCOT) 또는 북동부 (ISO-NE): 날씨가 극단적으로 변하거나 지역이 고립되어 있어 날씨의 영향을 강하게 받습니다. 이런 복잡하고 예측하기 어려운 상황에는 iTransformer나 SSM이 더 잘 적응합니다.

4. 다른 작업으로도 확장해 보니?

연구진은 전력 사용량뿐만 아니라 태양광 발전, 풍력 발전, 전기 가격 예측도 해보았습니다.

태양광 (규칙적): 해가 뜨고 지는 규칙적인 패턴이라 PatchTST가 최고였습니다.
풍력/가격 (불규칙적): 바람은 불고 멈추고, 가격은 급등락합니다. 이런 불규칙하고 혼란스러운 신호에는 SSM 모델이 더 잘 대처했습니다.

🎯 결론: 운영자를 위한 쉬운 조언

이 연구는 **"가장 좋은 모델은 하나도 없다"**는 결론을 내립니다. 대신, 상황에 따라 모델을 바꿔 써야 합니다.

날씨 정보가 없다면? → PatchTST나 SSM을 쓰세요. (과거 패턴만으로도 충분히 잘합니다.)
날씨 정보가 있다면? → iTransformer나 날씨를 고려한 SSM으로 바꾸세요. (날씨 정보를 활용하는 능력이 압도적으로 뛰어납니다.)
예측 대상이 무엇인가?
- 규칙적인 것 (태양광, 일반 전력) → PatchTST
- 불규칙하고 혼란스러운 것 (풍력, 가격) → SSM

💡 핵심 메시지 (한 줄 요약)

"전력망 예측에 만능 열쇠는 없습니다. 당신의 데이터 (날씨 정보 유무) 와 예측 대상 (규칙적인지 불규칙한지) 에 맞춰 최고의 AI 요리사를 선택해야 합니다."

이 논문은 전력 회사들이 막연히 "최신 모델"을 무작정 도입하는 대신, 자신의 상황에 맞는 모델을 선택하여 더 안정적이고 정확한 전력 공급을 할 수 있도록 도와주는 길라잡이가 됩니다.

이 논문은 미국 전력망 (US Grid) 의 부하 예측 (Load Forecasting) 을 위해 최신 딥러닝 아키텍처인 **상태 공간 모델 **(SSM)을 체계적으로 벤치마크한 연구입니다.

주요 내용은 다음과 같습니다.

1. 연구 배경 및 문제 정의

배경: 전력망 운영 (단위 기동, 경제적 디스패치 등) 의 핵심인 단기 부하 예측 (STLF) 에는 다양한 딥러닝 모델이 적용되고 있으나, 대부분의 연구가 소수의 그리드나 제한된 데이터셋에서만 평가됩니다.
문제: 미국 내 다양한 독립 시스템 운영자 (ISO) 들의 전력망은 기후, 산업 구조, 재생에너지 비중 등에 따라 매우 이질적입니다. 또한, 모델의 성능이 **기상 데이터 **(기온, 습도 등)에 따라 어떻게 달라지는지에 대한 체계적인 비교가 부족합니다.
목표: 6 개의 주요 미국 ISO(CAISO, PJM, ERCOT 등) 에서 24~168 시간 예측 윈도우에 대해 5 가지 최신 아키텍처를 동일한 조건에서 비교하고, 기상 데이터 통합 시의 성능 변화를 분석하여 운영자에게 최적의 모델 선택 가이드를 제공하는 것.

2. 방법론 (Methodology)

**평가 대상 모델 **(5 개)
- **SSM **(State Space Models) PowerMamba (시계열 분해 및 양방향 처리), S-Mamba (간결한 선택적 상태 공간 메커니즘).
- Transformers: PatchTST (채널 독립적 패치 처리), iTransformer (변수 간 교차 주의 메커니즘).
- RNN: LSTM (기존 기준 모델).
데이터: EIA-930 에서 제공되는 6 개 주요 미국 ISO 의 시간별 부하 데이터 (2022~2025).
실험 설정:
- **입력 길이 **(L) 240 시간 (10 일).
- **예측 길이 **(W) 24, 48, 72, 96, 168 시간.
- 전처리: 각 모델에 맞춰 시간 임베딩 (시간, 요일) 을 추가하고, 기상 데이터 통합을 위한 모듈러 레이어를 설계하여 공정한 비교를 수행했습니다.
- 기상 데이터 통합: 건물의 열적 관성 (Thermal Lag) 을 고려하여 기상 변수를 지연 (Lag) 시켜 통합하는 전략을 각 아키텍처에 맞게 적용했습니다.
평가 지표: MSE(%), MAPE(%), 그리고 예측 오차의 꼬리 분포 (P0.5/P99.5) 를 분석했습니다.

3. 주요 결과 (Key Results)

A. 부하 전용 예측 (Load-Only)

PatchTST가 대부분의 평가 (30 개 중 15 개) 에서 가장 높은 정확도를 보였습니다. 특히 CAISO, MISO, ERCOT 등 일일 주기성이 뚜렷한 그리드에서 강세를 보였습니다.
SSM(PowerMamba, S-Mamba) 은 PatchTST 와 유사하거나 일부 그리드 (ISO-NE, PJM 등) 에서 더 좋은 성능을 보였으며, 추론 복잡도가 $O(n)$ 으로 낮아 운영 환경에 유리합니다.
iTransformer는 단일 변수 (부하만) 입력 시 자기 주의 (Self-attention) 메커니즘이 제대로 작동하지 않아 성능이 낮았습니다.
LSTM은 파라미터 수가 많음에도 불구하고 장기 예측에서 성능이 저하되었습니다.

B. 기상 데이터 통합 시 성능 변화 (Weather Integration)

성능 순위 역전: 기상 데이터를 입력에 포함시키면 순위가 바뀝니다.
- iTransformer는 기상 데이터가 추가될 때 정확도가 PatchTST 보다 3 배 더 크게 향상되었습니다. 이는 iTransformer 가 변수 간의 교차 상관관계를 명시적으로 모델링하는 아키텍처이기 때문입니다.
- SSM들도 기상 데이터 통합 시 전체적으로 가장 높은 절대적 정확도를 달성했습니다.
용량 통제 실험: 모델 크기 (파라미터 수) 를 동일하게 맞춘 실험에서도 iTransformer 의 기상 데이터 활용 우위가 유지되어, 이 차이가 아키텍처의 본질적 특성임을 확인했습니다.

C. 다양한 신호 유형으로의 일반화 (Solar, Wind, Price)

**패치 기반 모델 **(PatchTST) 일일 주기성이 강한 신호 (태양광 발전, 보조 서비스) 에서 탁월한 성능을 보였습니다.
SSM: 주기성이 약하고 불규칙한 신호 (풍력 발전, 전력 도매 가격) 에서 더 우수한 성능을 보였습니다.
iTransformer: 단일 변수 작업에서는 여전히 부진했으나, 다변량 (기상 포함) 작업에서는 가격 예측 등에서 강점을 보였습니다.

4. 주요 기여 및 시사점

상황에 따른 모델 선택 가이드라인 제시:
- 기상 데이터가 없는 경우: PatchTST 또는 SSM 사용 권장.
- 기상 데이터가 있는 경우: iTransformer 또는 기상 인식형 SSM 사용 권장 (특히 기상 민감도가 높은 그리드).
그리드 특성에 따른 기상 데이터 가치 분석:
- 기후가 극단적인 지역보다는 **예측이 어려운 **(Baseline Error 가 높은) 그리드 (예: ERCOT, ISO-NE) 에서 기상 데이터 통합의 효과가 가장 큽니다.
- 대규모 전력망 (PJM 등) 은 지리적 다양성으로 인해 기상 충격이 평활화되어 기상 데이터의 추가적 이득이 제한적입니다 (Ceiling Effect).
아키텍처와 작업의 매칭:
- 강한 주기성을 가진 신호에는 PatchTST 가, 불규칙하고 비정상적인 신호에는 SSM 이 적합함을 입증했습니다.

5. 결론 및 의의

이 논문은 단일한 "최고의 모델"은 없으며, **사용 가능한 입력 데이터 **(부하만 vs. 기상 포함)에 따라 최적의 아키텍처가 달라진다는 것을 체계적으로 증명했습니다. 미국 전력망 운영자들에게 데이터 환경에 맞는 모델 선정 전략을 제시하며, 향후 전력망 예측 연구의 표준 벤치마크 프레임워크를 마련했다는 점에서 의의가 큽니다.