💻 computer science

Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market

본 논문은 호주 국가전력시장의 일주일 ahead 전력가격 예측을 위해 글로벌 비선형 표현과 국지적 강건성을 효과적으로 결합하여 시장의 높은 변동성과 재생에너지로 인한 불확실성을 처리함으로써 기준 모델보다 우수한 정확도를 입증하는 하이브리드 콜모고로프-아르노드 네트워크와 XGBoost 프레임워크를 제안한다.

원저자: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

게시일 2026-05-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

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

호주 국립 전력 시장 (NEM) 의 전기 요금이 다음 주에 어떻게 될지 예측해 보라고 상상해 보세요. 이는 날씨를 예측하는 것과는 다릅니다. 갑작스러운 폭풍우 동안 라이드셰어 요금을 추측해 보려는 것에 더 가깝습니다. 가격은 매우 격렬하며 예측 불가능하게 오르내리고, 때로는 태양광 발전을 마비시키는 갑작스러운 구름 덮임이나 수요를 급증시키는 폭염과 같은 요인 때문에 미친 듯이 높은 수준으로 치솟기도 합니다.

이 논문은 이러한 문제를 해결하기 위한 새로운 "슈퍼 팀" 접근법을 제시합니다. 연구자들은 단일 방법에만 의존하는 대신, 두 가지 매우 다른 유형의 AI 모델을 결합하여 어떤 단일 모델이 혼자서 할 수 있는 것보다 이러한 혼란스러운 가격을 예측하는 데 더 뛰어난 하이브리드 시스템을 만들었습니다.

다음은 이 논문이 그들의 해결책을 단순한 개념으로 나누어 설명한 방식입니다:

문제: 전기 요금의 "광란의 라이딩"

호주의 전기 요금은 악명 높게 변동성이 큽니다. 이는 다음에 의해 영향을 받습니다:

재생 에너지: 풍력과 태양광은 훌륭하지만 예측 불가능합니다. 바람이 멈추면 요금이 급등할 수 있습니다.
수요: 날씨가 더워지면 모두가 에어컨을 켜고 요금이 상승합니다.
시간: 요금은 5 분마다 바뀝니다.

연구자들은 1 주일 앞의 요금을 예측하고 싶어 했습니다. 이는 장기적인 추세 와 갑작스러운 단기 충격을 모두 고려해야 하므로 내일의 가격을 예측하는 것보다 더 어렵습니다.

해결책: 두 모델의 "꿈의 팀"

저자들은 두 가지 뚜렷한 AI "성격"을 결합한 하이브리드 프레임워크를 구축했습니다:

1. "큰 그림"의 예술가: KAN (콜모고로프 - 아르논드 네트워크)

하는 일: KAN 을 매끄럽고 예술적인 화가로 생각하세요. 이는 장기적인 추세와 데이터의 매끄럽고 흐르는 패턴을 보는 데 매우 뛰어납니다. 시간이 지남에 따라 요금이 일반적으로 어떻게 움직이는지 그 "형태"를 이해합니다.
약점: 갑작스럽고 거친 급등이나 이상치에 대해 약간 혼란스러워할 수 있습니다. 매끄러운 곡선을 선호합니다.

2. "세부 사항에 민감한" 탐정: XGBoost

하는 일: XGBoost 를 의사결정나무를 사용하는 날카로운 눈의 탐정으로 생각하세요. 이는 갑작스러운 변화, 국지적 불규칙성, 극단적인 급등을 포착하는 데 탁월합니다. "이봐, 바로 여기서 이 특정 사건 때문에 요금이 급등했어"라고 말하는 데 탁월합니다.
약점: 때로는 크고 매끄러운 장기적인 그림을 보는 데 어려움을 겪습니다. 즉각적인 세부 사항에 너무 집중하여 전체적인 흐름을 놓칠 수 있습니다.

하이브리드 마법: KAN + XGBoost
연구자들은 이 두 가지가 함께 작동하게 하면 서로의 맹점을 커버할 수 있음을 깨달았습니다.

비유: 폭풍우 속에서 배를 항해하려는 상황을 상상해 보세요. 당신은 해류의 흐름을 이해하는 선장 (KAN) 과 갑작스러운 바위와 파도를 발견하는 전망대 (XGBoost) 가 필요합니다.
함께 작동하는 방식: KAN 모델은 요금의 일반적인 경로를 예측합니다. 그런 다음 XGBoost 모델은 KAN 모델이 저지른 "실수"나 "잔차"를 살펴보고, 특히 이러한 갑작스러운 요금 급등에 대해 이를 수정합니다.
결과: 그들은 예측을 50/50 비율 (동등한 가중치) 로 결합하여 숲과 나무를 모두 볼 수 있는 모델을 만들었습니다.

실험: 어떻게 테스트했는지

데이터: 그들은 2024 년 4 월부터 2025 년 3 월까지 호주의 다섯 개 주요 지역 (NSW, VIC, QLD, SA, TAS) 의 실제 전기 데이터를 사용했습니다.
설정: 그들은 "확장 윈도우" 전략을 사용했습니다. 운전하는 법을 배우는 상황을 상상해 보세요: 한 주 동안 연습한 다음, 두 주, 그다음 세 주를 시작하며, 항상 과거의 모든 경험을 사용하여 다음 주를 예측합니다.
경쟁: 그들은 새로운 하이브리드 팀을 다음에 맞서게 했습니다:
- 구식 통계 모델 (SARIMAX).
- 인기 있는 딥러닝 모델 (LSTM).
- 두 모델을 단독으로 사용한 경우 (KAN 만 또는 XGBoost 만).
- "순진한" 기준선 (지금과 같은 가격이 될 것이라고 추측하는 것).

결과: 누가 이겼나?

하이브리드 KAN+XGBoost 팀이 압도적으로 승리했습니다.

정확도: XGBoost 단독 사용에 비해 평균 오차 (MAE) 를 약 12% 줄였으며, "순진한" 추측에 비해 50% 이상 줄였습니다.
일관성: 뉴사우스웨일스 (NSW) 와 같은 가장 변동성이 큰 지역에서도 호주 다섯 개 주 전반에 걸쳐 잘 수행되었습니다.
극단적 사건: 거대한 요금 급등을 예측하는 것은 누구에게나 어렵지만, 하이브리드 모델은 다른 방법들에 비해 이러한 극단적 사건을 포착하는 데 가장 뛰어났습니다.

이것이 중요한 이유 (논문에 따르면)

이 논문은 호주의 전력망과 같이 매우 혼란스러운 시장에서는 단일 유형의 AI 에만 의존할 수 없다고 결론 내립니다.

교훈: 매끄러운 장기 패턴을 이해하는 모델 (KAN) 과 갑작스럽고 거친 변화를 처리하는 모델 (XGBoost) 을 혼합함으로써 훨씬 더 강력하고 신뢰할 수 있는 예측을 얻을 수 있습니다.
한계: 논문은 이것이 큰 개선이지만, 절대적으로 가장 높은 요금 급등을 예측하는 것은 여전히 어렵다고 인정합니다. 왜냐하면 그것들은 매우 드물고 혼란스럽기 때문입니다. 또한 이 모델은 자체적으로 예측인 정확한 날씨 및 수요 데이터에 의존합니다.

요약하자면, 이 논문은 전기 요금의 미래를 예측하는 가장 좋은 방법은 가장 "똑똑한" 단일 AI 를 찾는 것이 아니라, "매끄러운 사고를 하는 사람"과 "날카로운 탐정"이 함께 일하는 팀을 구축하는 것이라고 주장합니다.

기술 요약: 호주 NEM 의 1 주일 ahead 가격 예측을 위한 하이브리드 KAN+XGBoost 프레임워크

문제 제기
정확한 전력 가격 예측 (EPF) 은 현대 에너지 시스템의 운영 계획 및 위험 관리에 필수적입니다. 그러나 높은 변동성, 비선형 동역학, 그리고 빈번한 극단적인 가격 급등으로 인해 예측은 여전히 어렵습니다. 이러한 문제들은 간헐적인 공급과 복잡하며 비선형적인 가격 동역학을 도입하는 높은 재생에너지 비중으로 인해 호주의 국가 전력 시장 (NEM) 에서 더욱 악화됩니다. 하루 ahead 예측은 잘 연구되어 왔지만, 입찰, 발전 스케줄링, 위험 헤징에 그 가치가 있음에도 불구하고 1 주일 ahead 시간당 예측은 여전히 미탐구된 영역입니다. 기존 접근법들은 종종 트레이드오프에 직면합니다: 통계 모델 (예: SARIMAX) 은 비선형성과 급등에 취약하고, 딥러닝 모델 (예: LSTM) 은 장기 구간에서 노이즈에 민감하며, 트리 기반 모델 (예: XGBoost) 은 부드러운 전역 종속성을 포착하는 능력이 부족할 수 있습니다.

방법론
본 논문은 장기적인 전역 구조와 단기적인 지역적 불규칙성을 포착하는 이중 과제를 해결하기 위해 콜모고로프 - 아르놀드 네트워크 (KAN) 와 XGBoost 를 통합한 하이브리드 프레임워크를 제안합니다.

문제 정의: 이 작업은 336 시간 (2 주) 의 과거 가격 및 외생 변수 ( $z_t$ ) 입력 창을 사용하여 168 시간 (1 주) 의 예측 구간 ( $\hat{y}_{t+1:t+H}$ ) 에 대한 전력 가격을 예측하는 것입니다. 외생 변수에는 수요, 재생에너지 발전 예측치, 그리고 기상 데이터가 포함됩니다.
데이터 준비: 2024 년 4 월부터 2025 년 3 월까지의 데이터는 5 개 NEM 지역 (NSW, VIC, QLD, SA, TAS) 에서 시간당 해상도로 집계되었습니다. 특징에는 지연된 가격, 총 수요, 순 인터체인지, 태양광/풍력 예측치, 그리고 기온이 포함됩니다. 분산을 안정화하기 위해 목표 변수에 역쌍곡선 사인 변환이 적용되었습니다.
하이브리드 아키텍처:
- KAN 구성 요소: 콜모고로프 - 아르놀드 표현 정리에 기반하여, KAN 은 전역 비선형 구조와 부드러운 시간적 패턴을 근사하기 위해 단변량 변환을 학습합니다. 이는 2 개의 은닉 계층을 가지며, 격자 크기 3, 차수 3 의 스플라인 기반 학습 가능 활성화 함수를 활용합니다.
- XGBoost 구성 요소: 신경망이 놓칠 수 있는 지역적 패턴, 급격한 변화, 그리고 잔차 편차를 포착하도록 훈련된 그래디언트 부스팅 프레임워크입니다.
- 앙상블 전략: 최종 예측은 가중치 조합입니다: $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ . 제거 실험 (ablation study) 을 통해 모든 주에서 가장 좋은 검증 성능을 보인 것은 동등한 가중치 ( $\alpha = 0.5$ ) 임이 확인되었습니다.
실험 설정: 2025 년 3 월의 4 개의 연속된 주간 테스트 세트를 사용하여 확장 윈도우 평가 전략이 사용되었습니다. 모델들은 예측 기간까지 이용 가능한 모든 과거 데이터로 훈련되었습니다. 베이스라인에는 Naive, SARIMAX, LSTM, 단독 KAN, 그리고 단독 XGBoost 가 포함되었습니다.

주요 기여

새로운 하이브리드 프레임워크: 본 논문은 예측 작업을 기능적으로 분해하는 KAN+XGBoost 프레임워크를 소개합니다: KAN 은 전역 비선형 종속성을 처리하고, XGBoost 는 지역적 불규칙성과 이상치를 모델링합니다.
1 주일 ahead 초점: 이 연구는 표준 하루 ahead 모델에 비해 시장 참여자들에게 더 긴 리드타임을 제공하는, 미탐구된 1 주일 ahead 예측 구간을 구체적으로 대상으로 합니다.
종합적 평가: 다양한 시장 조건과 변동성 체제 하에서 모델의 일반화 능력을 입증하기 위해 5 개 다양한 NEM 지역을 대상으로 광범위한 실험이 수행되었습니다.

결과
제안된 KAN+XGBoost 모델은 여러 지표 (MAE, RMSE, rMAE) 에서 모든 벤치마크 (SARIMAX, LSTM, 단독 KAN, 단독 XGBoost, 그리고 Naive) 를 능가했습니다.

전체 성능: 하이브리드 모델은 MAE 26.17 을 달성하여, 단독 XGBoost (29.49) 대비 약 12% 감소, 그리고 Naive 베이스라인 (52.50) 대비 50% 이상 감소를 보였습니다.
지역적 일관성: 모델은 5 개 모든 주에서 우수한 성능을 유지했습니다. 특히 NSW 와 같이 변동성이 높은 지역에서는 모든 방법 중 가장 낮은 MAE 와 RMSE 를 달성했습니다.
극단적 사건: 극단값 이론 (EVT) 기반 임계값 (0.95 꼬리) 을 사용하여, 하이브리드 모델은 가장 낮은 극단적 사건 MAE(103.88) 를 달성하여 다른 방법들보다 고가 급등을 포착하는 데 있어 향상된 강건성을 나타냈습니다.
제거 실험 결과: 이 연구는 균형 잡힌 통합 (0.5/0.5 가중치) 이 최적임을 확인했습니다. KAN 또는 XGBoost 중 하나에 과도하게 의존하면 성능이 저하되었습니다. 단독 KAN 은 노이즈에 대한 민감성으로 인해 매우 역동적인 환경에서 한계를 보였으며, 이는 하이브리드 접근법의 필요성을 재확인시켰습니다.

의의 및 주장
본 논문은 하이브리드 학습 전략이 NEM 과 같이 매우 역동적인 시장에서의 전력 가격 예측에 효과적이고 강건한 해결책을 제공한다고 주장합니다. 기능적 표현 학습 (KAN) 과 트리 기반 분할 (XGBoost) 의 상호 보완적인 강점을 활용함으로써, 이 프레임워크는 장기 종속성과 단기 변동성의 모델링을 성공적으로 균형 잡습니다. 저자들은 이 접근법이 주별 모델 구성에 대한 필요성을 줄여주며, 다양한 지역 시장을 위한 확장 가능한 해결책을 제공한다고 제안합니다. 그러나 저자들은 극단적인 가격 급등을 정확하게 예측하는 것은 여전히 어렵고, 모델의 성능이 정확한 외생 변수 (예: 기상 및 수요 예측) 의 가용성에 의존한다는 점을 겸손하게 인정하며 한계를 언급합니다. 향후 연구는 확률적 예측과 적응형 앙상블 전략을 탐구하는 것으로 제안됩니다.