기술 요약: 시계열 파운데이션 모델을 활용한 확률론적 저압 피크 부하 예측

1. 문제 정의

저압(LV) 부하 예측은 전력화 및 분산형 발전(예: 전기차, 히트펌프, 태양광 시스템 등)이 증가하는 그리드를 관리하는 배전 운영자(DSO)에게 매우 중요합니다. 현재의 예측 방법들은 다음과 같은 몇 가지 한계점에 직면해 있습니다:

• 높은 수동 작업량: 기존 모델들은 종종 특정 데이터셋에 대한 상당한 훈련과 튜닝을 요구합니다.
• 불확실성 추정의 부재: 많은 방법론이 리스크 관리에 필요한 확률론적 예측을 제공하지 못합니다.
• 피크 예측의 미흡함: 기존 모델들은 그리드 자산 계획 및 과부하 방지의 주요 동인인 임계 피크 부하를 정확하게 예측하는 데 어려움을 겪는 경우가 많습니다.
• 평가 격차: 예측 결과가 MAE, RMSE와 같은 표준 지표로 자주 평가되는데, 이는 제어 조치의 비용과 그리드 실패 위험 사이의 절충안을 고려해야 하는 DSO의 구체적인 운영 요구사항을 반영하지 못합니다.

본 논문은 단기 저압 피더 부하 예측에 있어 **시계열 파운데이션 모델(TSFMs)**을 적용하고, 확률론적 피크 예측 및 응용 중심의 평가에 초점을 맞춤으로써 기존 문헌의 공백을 메우고자 합니다.

2. 방법론

2.1 데이터셋 및 실험 설정

• 데이터: 본 연구는 2023~2025년 2년 동안 15분 단위의 시간 해상도로 측정된 200개의 실제 저압 피더로 구성된 FeederBW 데이터셋을 활용합니다. 이 데이터셋에는 유효 전력(3상), 기상 데이터(단기 예보), 피더 메타데이터가 포함되어 있습니다.
• 예측 범위(Horizon): DSO 계획을 위한 실질적인 창구인 4일의 예측 범위를 사용합니다.
• 평가 대상 모델:
  • TSFMs (Zero-shot/Few-shot): Chronos-Bolt, Chronos-2, TabPFN-TS. 이 모델들은 태스크별 훈련 없이(zero-shot) 평가되지만, Chronos-Bolt의 경우 기상 데이터를 통합하기 위해 공변량 회귀 모델(Catosh)이 적합되었습니다.
  • 베이스라인: WeekNaive(순진한 베이스라인), 트리 기반 모델(XGBoost, XGBoost+), 신경망(MLP, TFT, PatchTST)을 포함한 6개의 완전 학습 모델.
• 확률론적 출력: 모든 모델은 불확실성 정량화를 가능하게 하기 위해 점 추정치(평균/중앙값)와 분위수(0.05 및 0.95)를 출력하도록 구성되었습니다.

2.2 공변량 제거 연구(Ablation Study)

외부 정보의 역할을 조사하기 위해, 저자들은 TSFM에서 기상 공변량(특히 일사량)을 제외하는 제거 연구를 수행합니다. 이를 통해 모델이 증가된 불확실성에 어떻게 적응하는지, 그리고 PV(태양광) 발전 예측에 필수적인 외생 변수에 얼마나 의존하는지를 테스트합니다.

2.3 새로운 응용 중심 지표

본 논문은 표준 회귀 오차를 넘어 DSO의 운영 요구사항에 맞춘 새로운 지표를 제안합니다. 이 지표는 예측 성능을 그리드 자산 과부하 위험과 제어 조치의 비용(예: 출력 제한) 사이의 관계로 연결합니다.

• 메커니즘: 퓨즈의 시간-전류 곡선에서 영감을 얻은 이 지표는 임계값(피더 최대 용량의 일정 비율 기준)과 윈도우 크기(이동 평균 기간)를 정의합니다.
• 분류: 실제 값과 예측 값을 임계값과 비교하여 혼동 행렬(True/False Positives/Negatives)을 생성합니다.
  • 미검출(False Negatives): 실제 부하가 임계값을 초나갔으나, 예측은 그렇지 않은 경우 (실패/과부하 위험).
  • 오검출(False Positives): 예측은 임계값을 넘었으나, 실제 부하는 그렇지 않은 경우 (불필요한 제어 조치 비용 발생).
• 출력: 지표는 Precision(정밀도), Recall(재현율), 그리고 F1 Score(조화 평균)를 백분율 형태의 핵심 성과 지표(KPI)로 계산합니다. 이는 소비자 피크(높은 부하)와 생산자 피크(높은 주입)에 대해 각각 별도로 계산됩니다.

3. 주요 기여

1. 광범적인 TSFM 평가: 200개의 실제 저-압 피더를 대상으로 6개의 베이스라인과 3개의 TSFM(Chronos-Bolt, Chronos-2, TabPFN-TS)을 비교하는 포괄적인 벤치마킹을 수행했습니다.
2. 공변량 분석: 기상 데이터가 없을 때 TSFM이 어떻게 적응하는지를 보여주는 제거 연구를 통해, PV 발전을 위한 일사량의 중요성에도 불구하고 모델의 강건성을 입증했습니다.
3. 응용 중심 지표: 데이터 과학의 출력을 DSO 경영진을 위한 비즈니스 관련 지표(비용 대 신뢰성)로 변환하는 새로운 KPI를 도입했습니다.

4. 결과

4.1 모델 성능

• TSFMs의 우수성: TSFM은 일반적으로 완전히 학습된 베이스라인보다 뛰어난 성능을 보입니다. Chronos-2는 가장 낮은 Median MAE(3.839 kW)와 RMSE를 기록하며, 우수한 분위수 지표(Pinball loss: 0.5545 kW)를 달성하여 전반적으로 최고의 성능을 보였습니다.
• 분위수 정확도: Chronos-2는 목표치인 90%에 근접한 89.75%의 경험적 커버리지를 달려, 날카로움(sharpness)과 커버리지 사이의 균형을 다른 모델보다 더 잘 맞추며 잘 보정된 예측 구간을 제공합니다. Chronos-Bolt는 구간이 날카롭지만 커버리지가 62.38%로 낮아, 불확실성을 과소평가하는 경향을 보입니다.
• 추론 속도: TSFM은 훈련 시간을 제거합니다. Chronos-2는 빠른 추론 속도(전체 세트에 대해 25분 미만)를 제공하는 반면, TabPFN-TS는 현저히 느립니다(8시간 이상).

4.2 공변량의 영향

• 성능 저하: 기상 공변량을 제거하면 모든 TSFM의 성능이 저하됩니다. Chronos-2의 경우 MAE가 3.839 kW에서 4.813 kW로 증가합니다.
• 불확실성 적응: 기상 데이터가 없는 경우, 모델은 특히 PV 발전이 가장 가변적인 정오 시간대에 보상하기 위해 예측 구간을 넓힙니다(불확실성 증가). 이는 명시적인 재학습 없이도 증가된 불확실성에 적응하는 모델의 능력을 보여줍니다.

4.3 응용 중심 지표 결과

• 피크 탐지: TSFM은 일반적으로 베이스라인보다 임계 피크를 탐지하는 데 더 높은 F1 점수를 달성합니다.
• 소비자 vs 생산자: 생산자 피크(주입)는 소비자 피크보다 일반적으로 예측하기 쉽습니다(더 높은 F1 점수). 이는 태양광 일사량이 소비자 소비보다 더 결정론적인 특성을 갖기 때문으로 보입니다.
• 점 추정 vs 분위수: 분위수(소비자용 0.95, 생산자용 0.05)를 사용하면 Recall(미검출 감소)은 증가하지만, 점 추정치에 비해 Precision(오검출 증가)은 감소합니다. 이 특정 설정에서는 점 추정치가 F1 점수가 더 높게 유지되지만, 운영 의사결정 측면에서는 이 절충안이 매우 중요합니다.

5. 의의 및 주장

본 논문은 시계열 파운데이션 모델이 저압 부하 예측에 있어 다음과 같은 이점을 제공하는 패러다임 전환을 의미한다고 주장합니다:

• 신속한 배포: 데이터셋별 훈련 파이프라인 없이도 고품질의 예측을 생성할 수 있는 능력.
• 강건성: 불확실성을 처리하고 누락된 공변량에 효과적으로 적응하는 능력.
• 운영 관련성: 제안된 응용 중심 지표는 데이터 과학의 출력과 DSO의 운영 목표 사이의 간극을 메워, 이해관계자들이 그리드 계획의 구체적인 절충안(비용 대 신뢰성)을 바탕로 예측을 평가할 수 있게 합니다.

저자들은 TSFM이 뛰어난 "즉시 사용 가능한(out-of-the-box)" 성능을 보여주지만, 향후 연구는 공변량 통합을 최적화하고 제안된 F1 기반 KPI와 같은 응용 특화 지표를 직접 최적화하도록 손실 함수를 조정하는 데 집중해야 한다고 결론짓습니다. 본 연구는 TSFM이 유망하지만, 그 평가는 특히 중요한 인프라 애플리케이션의 경우 맥락에 따라 구체적이어야 함을 강조합니다.