Imbalance Price Forecasting in the Italian Energy Market Using Deep Neural Networks and Temporal Fusion Transformers

기술 요약: 딥 뉴럴 네트워크와 시계열 퓨전 트랜스포머(Temporal Fusion Transformer)를 이용한 이탈리아 전력 불균형 가격 예측

문제 정의
이탈리아 전력 불균형 시장은 송전 혼잡, 사르데냐 및 시칠리아의 지리적 고립, 그리고 독특한 규제 프레임워크와 같은 구조적 요인으로 인해 극심한 변동성, 비선형 역학, 높은 확률적 특성을 나타냅니다. 이러한 요인들은 결정론적 점 예측(deterministic point forecasting)을 운영 의사결정에 부적합하게 만듭니다. 부하 예측은 성숙한 단계에 도달했으나, 정산 가격(불균형 가격)을 예측하는 것은 여전히 복잡한 과제로 남아 있으며, 기존의 통계 및 딥러닝 모델들은 종종 성능의 한계점에 부딪힙니다. 기존 문헌에 따르면 이탈리아의 맥락에서는 고급 모델조차 평균 절대 오차(MAE)를 5060 €/MWh 미만으로 낮추기 어렵고, 부호 예측 정확도(Long/Short)는 6570%를 넘어서는 경우가 드뭅니다. 또한, LSTM, GRU와 같은 표준 모델들은 확률적 신뢰 구간이나 예측의 배후에 있는 시장 동인을 설명하는 해석력 없이 점 추정치만을 제공하는 "블랙박스"로 기능하는 경향이 있습니다.

방법론
저자들은 이탈리아 시장의 15분 단위 해상도와 12시간 다중 지평(multi-horizon) 예측 요구 사항에 맞춤화된 시계열 퓨전 트랜스포머(TFT) 기반의 확률적 예측 프레임워크를 제안합니다.

• 아키텍처: 본 연구는 이질적인 데이터 스트림을 처리하는 데 탁월한 TFT를 활용합니다. 모델은 입력을 다음과 같이 구분합니다:
  • 정적 공변량(Static covariates): 시간 불변 특징 (예: 요일, 월).
  • 과거 관측 입력(Past observed inputs): 과거 불균형 가격, 총 계통 부하, 20개 서로 다른 에너지원의 발전 지표.
  • 미래 알려진 입력(Future known inputs): 시장 게이트 폐쇄 전 결정론적으로 가용한 신호들, 여기에는 예상 부하, 발전량 예측, 그리고 전일(Day-Ahead, MGP) 존별 가격이 포함됩니다.
• 학습 목표: 점 정확도를 최적화하는 표준 모델과 달리, TFT는 핀볼 손실(Pinball Loss)을 통한 **분위수 손실(Quantile Loss)**을 통해 $q \in \{0.1, 0.5, 0.9\}$ 분위수에 대한 불확실성 구간을 출력하도록 학습됩니다. 이는 단일 스칼라 예측 대신 리스크 관리를 위한 80% 신뢰 구간을 제공합니다.
• 해석 메커니즘: 모델은 정보가 없는 노이즈를 동적으로 억제하기 위해 게이트 잔차 네트워크(GRN)를 사용하는 **변수 선택 네트워크(VSN)**를 채택하며, 다양한 시간 척도에서 지배적인 시장 동인을 식과별하기 위해 **시계열 멀티 헤드 어텐션(Temporal Multi-Head Attention)**을 사용합니다.
• 운영 파이프라인: Terna 및 ENTSO-E API를 통해 실시간 데이터를 수집하는 견고한 MLOQ 파이프라인이 Google Cloud 상에 구축되었습니다. 이 시스템은 자동화된 검증, 비동기 데이터 지연 처리, 그리고 12시간(48단계) 지평에 대한 지속적인 온라인 학습을 포함합니다.

주요 결과
이탈리아 시장 세그먼트에 대한 실험 결과는 경매 시장과 불균형 시장 사이에 뚜렷한 차이를 보여줍니다:

1. 경매 시장 (PUN, Zonal, XBID): 모델은 낮은 오차 범위(예: PUN에 대해 MAE 4.52 €/MWh, Zonal/XBID에 대해 10 €/MWh 미만)를 달성하며 표준 가격 예측에 대한 아키텍처의 타당성을 입증했습니다.
2. 불균형 가격 예측:
   • 결정론적 천장(Deterministic Ceiling): TFT는 약 62 €/MWh의 MAE와 **62~65%**의 부호 예측 정확도를 달축성했습니다. 이러한 결과는 LSTM, XGBoost, 심지어 나이브 모델(전날 가격 예측)과도 유사하며, 이는 모델의 한계라기보다 시장 자체의 내재적 알레아토릭 불확실성(aleatoric uncertainty)에 의해 결정론적 정확도의 구조적 한계가 존재함을 확인시켜 줍니다.
   • 과적합 vs 일반화: 규제 없이 초기 학습을 진행했을 때는 높은 훈련 세트 적합도를 보였으나, 표본 외(out-of-sample) 성능이 급격히 저하되었습니다(부호 정확도가 ~29%로 하락). 조기 종료(early stopping)와 드롭아웃(dropout)을 통해 모델은 피크 추적 능력은 일부 희생하되 견고한 방향성 정확도를 갖춘 안정적인 "평균값 예측자"로 수렴했습니다.
   • 확률적 가치: 모델의 주요 효용은 확률적 출력에서 발견되었습니다. 분위수 예측은 보정된 리스크 밴드를 제공하여, 트레이더들이 취약한 점 예측에 의존하기보다 리스크가 낮은 "입찰 가능 시간(biddable hours)"을 식별할 수 있게 합니다.
   • 해석 가능성: 어텐션 맵(Attention maps) 분석 결과, 모델은 결국 북부 지역 불균형 가격 및 구조적 "연도(Year)" 변수와 같은 근본적인 동인에 집중하였으며, 과적합을 유발했던 특정 재생 에너지원과 같은 허구적 상관관계는 효과적으로 무시했습니다.

의의 및 주장
본 논문은 기여점을 결정론적 오차를 줄이는 혁신이 아니라, 이탈리아 불균형 시장에 예측을 적용하는 방식의 패러다임 전환으로 규정합니다.

• 예측을 넘어선 의사결정 지원: 저자들은 TFT가 "가격 예언자"가 아닌 설명 가능한 의사결정 지원 시스템 역할을 한다고 주장합니다. 그 가치는 불확실성 구간을 통해 리스크를 정량화하고, 어텐션 진단을 통해 시장 동인에 대한 투명성을 제공하는 데 있습니다.
• 확률적 접근의 필요성: 본 연구는 이탈리아와 같이 혼잡 기반의 존별 시장에서는 결정론적 점 예측이 물리적 한계에 직면한다는 것을 실증적으로 보여줍니다. 따라서 운영 목표는 리스크 인지 거래 전략을 지원하기 위해 분위수 기반의 불확실성 모델링으로 재설정되어야 합니다.
• 규제 및 구조적 맥락: 본 연구는 이탈리아와 독일 등 다른 유럽 허브 간의 성능 격차가 알고리즘의 결함이 아니라, 정산 방정식의 사후 계수(post-hoc coefficients)와 같은 구조적 토폴로지 및 규제적 특성 때문임을 강조합니다.
• 향후 전망: 저자들은 현재의 프레임워크가 상용화 가능한 수준이지만, 향-후 개선을 위해서는 단순히 모델 용량을 키우는 것이 아니라 장기적인 데이터 드리프트(data drift)를 고려할 수 있는 더 풍부한 외부 데이터셋과 다중 계절성 검증이 필요하다고 겸허히 결론짓습니다.