기술 요약: 효율적인 불균형 전력 가격 예측을 위한 시장 규칙 기반 신경망

문제 제기

불균형 전력 가격의 정확하고 효율적인 예측은 산업용 에너지 거래 시스템에 필수적이며, 특히 배터리 자산과 자동 입찰 파이프라인이 균형 시장에 점점 더 많이 참여함에 따라 그 중요성이 커지고 있습니다. 그러나 실시간 예측은 다음과 같은 세 가지 주요 과제를 직면하고 있습니다:

1. 비선형 시장 규칙: 불균형 가격은 투명하지만 복잡하고, 조각적이며 비선형적인 정산 규칙에 의해 결정되며, 이는 시스템 신호 (예: 불균형 볼륨, 활성화된 예비력) 를 가격으로 매핑합니다.
2. 데이터 이질성과 지연: 예측은 엄격한 시간 제약 하에서 이질적인 신호 (시스템, 시장, 예비력 데이터) 를 동기화해야 하며, 통신 지연, 발표 지연, 측정 중단 등으로 인해 종종 복잡해집니다.
3. 압축 과정에서의 정보 손실: 기존 딥러닝 접근법은 불균형 가격을 일반적인 시계열 목표로 취급하는 경향이 있습니다. 식별된 치명적인 문제는 가격 함수의 비가역성입니다: 원시 특징 ($F_t$) 을 지연된 가격 ($P_t$) 으로 압축하면 예측 정보가 손실됩니다. 왜냐하면 여러 개의 서로 다른 원시 특징 상태가 동일한 가격으로 매핑될 수 있어, 압축된 가격만 입력으로 사용할 경우 미래 예측을 구별할 수 없기 때문입니다.

방법론

저자들은 알려진 불균형 가격 형성 규칙을 표현력 있는 신경망의 잠재 공간에 직접 통합하는 시장 규칙 기반 신경망 (MRINN) 을 제안합니다.

핵심 아키텍처

1. 입력 처리: 원시 신호 (예: aFRR/mFRR 볼륨, 당일 가격, 시스템 불균형) 는 스칼라 가격으로 압축되는 대신 잠재 벡터 공간으로 투영됩니다.
2. 미분 가능 규칙 주입: 결정론적 가격 규칙 (논문 내의 식 1–16) 은 잠재 공간 내에서 미분 가능 연산자로 구현됩니다. 시장 규칙에 내재된 비미분 가능 또는 불연속 연산을 처리하기 위해 저자들은 다음과 같은 특정 근사 기법을 도입합니다:
   • 최소/최대: 부드러운 기울기 흐름을 보장하기 위해 softplus 함수로 대체됩니다.
   • 절댓값: $\sqrt{a^2 + \epsilon}$을 사용하여 근사됩니다.
   • 부호 함수: 쌍곡 탄젠트 (tanh) 를 사용하여 근사됩니다.
   • 나눗셈: 분모에 작은 상수를 추가하여 안정화됩니다.
   • 조건부 논리 (If-Else): 미분 가능한 분기 구조를 만들기 위해 softmax 가중치를 사용한 소프트 선택 메커니즘으로 대체됩니다.
   • 상수: 사전 정의된 시장 상수는 잠재 공간 규모에 맞추기 위해 RobustScaler 를 통해 변환됩니다.
3. 예측 헤드: 모델은 확률적 예측을 생성하기 위해 계층적 분위수 헤드를 활용합니다. 이 설계는 분위수 간 (예: 중앙값에서 상한/하한까지) 음이 아닌 증가를 강제하여 분위수 교차를 0 으로 보장하고 신뢰성을 향상시킵니다.
4. 훈련 목적 함수: 모델은 평균 분위수 손실 (AQL) 을 사용하여 최적화됩니다.

실험 설정

• 데이터셋: 오스트리아 균형 시장 (2022–2026) 의 15 분 해상도 데이터.
• 기준 모델: 모델은 다음과 같은 기준 모델들과 비교 평가됩니다:
  • 단순 모델: 지속성 (최신 가격) 및 당일 지수.
  • 지연 가격 기반 모델: 과거 가격만 사용하는 선형 분위수 회귀 (LQR), XGBoost, MLP.
  • 원시 특징 기반 모델: 원시 신호를 사용하는 고급 딥러닝 아키텍처 (AttnBiLSTM, iTransformer, PatchTST, TimesNet, TimeXer).
• 평가: 1 년 전체를 커버하는 3 중 시간적 교차 검증 프로토콜을 사용하며, AQL, 평균 절대 오차 (MAE), 제곱근 평균 제곱 오차 (RMSE), 분위수 교차율 (AQCR) 등의 지표를 포함합니다.

주요 결과

1. 기준 모델 대비 성능:

   • MRINN 은 AQL 20.70을 달성하여, 가장 우수한 단순 기준 모델 (25.44) 보다 18.63% 더 좋았고, 가장 우수한 지연 가격 기반 기준 모델 (MLP, 22.51) 보다 8.04% 더 좋았습니다.
   • 점 예측에서 MRINN 은 MAE 를 49.36으로, RMSE 를 277.33으로 낮추어 모든 다른 모델보다 우수한 성능을 보였습니다.
   • 특히, MRINN 은 0.00% 의 분위수 교차를 달성한 반면, 순수 데이터 기반 원시 특징 기준 모델들은 6.58% 에서 8.53% 사이의 교차율을 보였습니다.

2. 매개변수 효율성:

   • MRINN 은 1,817 개의 학습 가능 매개변수만 필요로 합니다 (~400 KB 모델 크기).
   • 이는 확장 시 수백 메가바이트가 필요한 일반 딥러닝 기준 모델들 (예: 28.3k 매개변수의 AttnBiLSTM, 21.7k 매개변수의 TimeXer) 보다 훨씬 작습니다.
   • 훈련 시간은 CPU 와 GPU 모두에서 약 40 초로, 높은 계산 효율성을 보여줍니다.

3. 절제 및 민감도 분석:

   • 구성 요소 기여도: 세 가지 가격 구성 요소 (균형 에너지, 시장 참조, 희소성 함수) 중 하나라도 제거하면 성능이 저하되었습니다. 희소성 구성 요소는 불확실성 모델링 (AQL) 에 가장 중요했으며, 균형 에너지 구성 요소는 점 정확도 (MAE) 에 가장 중요했습니다.
   • 확장 법칙: 단기 예측 (예측 구간 < 180 분) 은 짧은 입력 창 (0–60 분) 으로 가장 잘 수행되었으며, 더 긴 예측 구간은 더 긴 입력 창 (1440 분) 을 통해 혜택을 받았습니다. 이는 최근의 노이즈와 장기적인 계절적 맥락 사이의 트레이드오프를 시사합니다.

중요성과 주장

이 논문은 시장 규칙 사전 지식과 표현력 있는 신경망이 산업용 에너지 거래 응용 분야에서 공동으로 사용되어야 한다고 주장합니다. 주요 기여와 주장은 다음과 같습니다:

• 비가역성 해결: 이 연구는 원시 신호를 지연된 가격으로 압축하면 정보 손실이 발생함을 입증합니다. 원시 특징을 유지하고 규칙을 임베딩함으로써 MRINN 은 순수 데이터 기반 모델이 다시 학습해야 하는 예측 정보를 보존합니다.
• 자원 효율성: 구조적 귀납적 편향 (시장 규칙) 의 통합을 통해 모델은 일반 딥러닝 기준 모델보다 훨씬 적은 매개변수와 더 짧은 훈련 시간으로 경쟁력 있는 정확도를 달성할 수 있습니다. 이는 메모리와 지연 시간이 제한된 자원이 제약된 배포 환경 (예: 사이트 서버 또는 배터리 자산 관리) 에 적합한 접근 방식을 만듭니다.
• 운영 견고성: 이 프레임워크는 입력 길이와 예측 구간에 따라 모델 성능이 어떻게 확장되는지, 그리고 특정 신호가 누락될 때 어떻게 동작하는지 보여주어 실제 배포를 위한 실행 가능한 지침을 제공합니다.
• 확률적 신뢰성: 계층적 분위수 헤드는 물리적으로 일관된 확률적 예측 (분위기수 교차 없음) 을 보장하며, 이는 에너지 거래의 위험 관리에 필수적인 요구 사항입니다.

저자들은 특정 규칙이 시장에 따라 다르지만, 미분 가능 연산자를 잠재 공간에 임베딩하는 방법론이 운영 에너지 시스템에서 "계산적으로 지속 가능한" 예측을 향한 길을 제시한다고 결론지었습니다. 향후 연구는 이러한 연산자 블록이 다른 시장 프레임워크 간에 재사용될 수 있는지 조사할 것을 제안합니다.