기술 요약: 가상 발전소(VPP)의 집합적 결합 부하를 위한 ST-MRC

1. 문제 정의

가상 발전소(VPP)는 제어 가능한 부하, 저장 장치, 발전기와 같은 분산 에너지 자원(DER)을 집합하여 전력 시장 참여 및 수요 반응에 활용한다. VPP 운영의 핵심 과제는 **집합적 결합 부하(aggregated coupled loads)**를 정확하게 예측하는 것이다. 기존의 예측 방법들은 이와 관련하여 세 가지 주요 한계점에 직면해 있다:

1. 동적 멤버십(Dynamic Membership): VPP 집합은 자원이 참여하거나 탈퇴함에 따라 규모가 가변적이다. 기존의 시퀀스 모델(예: RNN, 표준 Transformer)은 일반적으로 고정된 입력 차원을 가정하므로, 자원 집합이 변경될 때마다 재학습이 필요하다.
2. 비선형 결합(Nonlinear Coupling): 개별 단위 예측치를 단순히 합산하는 방식은 이질적인 엔티티 간의 복잡한 상호작용(예: 동시 피크, 피크 시차 발생 등)을 무시하며, 이는 체계적인 집합 오차를 초래한다.
3. 불확실성 정량화(Uncertainty Quantification): 기존 방법들은 단위 간 오차의 공분산을 고려한 견고한 확률적 예측을 제공하지 못하는 경우가 많으며, 이는 리스크를 고려한 시장 입찰 및 의사결정에 필수적이다.

본 논문은 집합 잔차(aggregation residuals)의 분산에 물리적 결합을 반영하는 유의미한 공분산 항이 포함되어 있다고 주장한다.

2. 방법론: ST-MRC 프레임워크

저자들은 동적이고 이질적이며 불확실성을 고려하는 VPP 부하를 처리하기 위해 설계된 서비스 지향적 확률적 예측 프레임워크인 ST-MRC(Set Transformer-based Multi-scale Residual Correction)를 제안한다. 이 아키텍처는 3단계의 점진적 설계를 따른다:

A. 개별 예측 (Individual Forecasting)

프로세스는 집합 내 각 개별 엔티티($u_i$)에 대한 점 예측(point forecasts)을 생성하는 것으로 시작된다. 프레임워크는 로컬 시간 의존성과 계절성을 포착하기 위한 PatchTST 또는 추세 분해를 위한 DLinear와 같은 경량화되고 고성능인 모델과 베이스라인으로서의 LSTM을 활용한다. 이 모델들은 각 단위에 대해 $H$-스텝 앞선 예측치($\hat{y}_{i,t}$)를 생성한다.

B. 집합 어텐션 특징 인코딩 (Set Attention Feature Encoding)

VPP 멤버 집합의 가변적인 크기와 순열 불변성(permutation invariance) 문제를 해결하기 위해, 프레임워크는 Set Transformer를 채택한다.

• 입력: 미래의 개별 예측치, 과거 부하 관측치, 정적 속성(예: 용량, 유형), 외부 변수(예: 시간대별 전기 요금)를 결합한 특징 벡터의 집합 $X = \{x_1, x_2, ..., x_N\}$.
• 메커니즘: Set Transformer는 멀티 헤드 셀프 어텐션(multi-head self-attention)을 사용하여 집합 내 임의의 두 단위 간의 상호작용 가중치를 계산함으로써, 피크 동시 발생과 같은 비선형 결합 패턴을 포착한다.
• 출력: 학습 가능한 쿼리 벡터를 사용하는 풀링 메커니즘을 통해, 가변 길이의 집합은 고정 길이의 글로벌 상호작용 벡터($z \in \mathbb{R}^{128}$)로 인코딩된다. 이 벡터는 집합체의 집단적 상호작용 상태를 요약한다.

C. 다중 스케일 잔차 보정 및 확률적 예측 (Multi-scale Residual Correction and Probabilistic Prediction)

핵심 혁신은 개별 예측치를 단순히 합산하는 것이 아니라 집합 오차를 보정하는 데 있다.

• 잔차 정의: 집합 잔차는 실제 집합 부하와 개별 예측치의 합 사이의 차이로 정의된다 ($e_t = Y_t - \sum \hat{y}_{i,t}$).
• 다중 스케일 TCN: 다양한 확장 비율(dilation rates: 1, 4, 16)을 가진 병렬 브랜치 형태의 시간 합성곱 신경망(TCN)이 글로벌 상호작용 벡터와 외부 특징(날씨, 시간)을 결합하여 처리한다. 이를 통해 단기(15분), 중기(1시간), 장기(4시간) 스케일에서의 잔차 진화 패턴을 추출한다.
• 분위수 회귀(Quantile Regression): 융합된 특징들은 특정 분위수 레벨($\tau \in \{0.1, 0.5, 0.9\}$)에서 잔차를 예측하기 위한 분위수 회귀 헤드로 전달된다.
• 최종 출력: 보정된 점 예측치는 $\tilde{Y}_t^{0.5} = \sum \hat{y}_{i,t} + \hat{e}_t^{0.5}$이며, 확률적 구간은 $[\tilde{Y}_t^{0.1}, \tilde{Y}_t^{0.9}]$가 된다.

3. 주요 기여

1. 순열 불변 아키텍처 (Permutation-Invariant Architecture): Set Transformer를 통합함으로써, 본 방법은 재학습 없이도 동적으로 변화하는 멤버 집합을 처리할 수 있는 문제를 근본적으로 해결하며, 이는 고정 입력 시퀀스 모델의 한계점을 극복한다.
2. 상호작용 인식 잔차 학습 (Interaction-Aware Residual Learning): 일반적인 다중 스케일 TCN과 달리, 제안된 프레임워크는 단순한 로드 시퀀스가 아닌 잔차 진화 패턴을 추출하도록 TCN을 명시적으로 설계하였다. 이는 집합 분산 내의 공분산 항을 모델링한다.
3. 통합 확률 프레임워크 (Unified Probabilistic Framework): 잔차에 직접 분위수 회귀를 적용함으로써 단일 순전파(forward pass) 과정에서 점 예측과 예측 구간을 모두 출력하며, 이는 2단계 접근 방식보다 효율적인 대안을 제공한다.
4. 이론적 관점 (Theoretical Perspective): 본 논문은 집합 잔차의 분산에 결합 효과를 특징짓는 공분산 항이 포함되어 있음을 입증하여, 왜 상호작용 인식 모델링이 단순 합산보다 우수한지에 대한 이론적 근거를 제공한다.

4. 실험 결과

본 방법은 세 가지 데이터셋(국내 상업 단지 데이터셋 1 & 2, 대규모 유럽 이질적 애그리게이터 데이터셋 3)을 통해 검증되었다.

• 점 예측 정확도 (Point Forecasting Accuracy): ST-MRC는 모든 데이터셋에서 가장 낮은 MAE와 RMSE를 달 기록했다.
  • 데이터셋 1에서 ST-MRC는 단순 합산 대비 MAE를 48.9%, 최신 모델인 DeepRes-VPP 대비 5.5% 감소시켰다.
  • 데이터셋 3에서 ST-MRC는 1~48 스텝의 예측 구간 전체에서 가장 낮은 RMSE를 유지했으며, 1-스텝 호라이즌에서 DLinear 대비 **22.6%**의 개선을 보였다.
• 확률적 예측 품질 (Probabilistic Forecasting Quality): ST-MRC는 높은 경험적 커버리지(PICP)와 가장 좁은 예측 구간(PINAW)을 달성했다.
  • 데이터셋 1에서 ST-MRC는 PINAW가 105.3인 상태로 **90.2%**의 PICP를 달성하였으며, 이는 커버리지와 예리함(sharpness) 측면 모두에서 DeepAR-QR 및 TFT-QR과 같은 베이스라인 모델을 크게 상회하는 결과이다.
• 확장성 (Scalability): 집합 단위 수를 3개에서 10개로 변화시키며 수행한 실험에서 ST-MRC의 오차 증가폭은 비교적 완만하게 나타났으며, 이는 집합 규모가 커짐에 따라 발생하는 단위 간 의존성을 효과적으로 모델링하고 있음을 나타낸다.
• 절제 연구 (Ablation Studies): Set Transformer, 잔차 보정, 또는 다중 스케일 처리를 제거했을 때 성능이 크게 저하되었다. 구체적으로, Set Transformer를 평균 풀링(mean pooling)으로 대체하면 RMSE가 14.7% 증가(32.09에서 3후 36.82로)하였고, 잔차 보정을 제거하면 RMSE가 19.8% 증가하였으며, 다중 스케일 처리를 제거(단일 스케일, dilation=1)하면 RMSE가 6.6% 증가하였다.

5. 의의 및 주장

본 논문은 ST-MRC가 단순한 오차 보정을 넘어 상호작용 의존적 잔차 특성을 모델링함으로써, 동적 VPP 집합 시나리오를 위한 근본적으로 새로운 솔루션을 제공한다고 주장한다.

• 서비스 지향성 (Service-Oriented): 이 방법은 동적이고 이질적인 VPP 서비스의 특성에 맞춰져 있어, 빈번한 모델 재학습 없이도 전력 시장 거래 및 수요 반응을 위한 견고한 의사결정을 가능하게 한다.
• 불확실성 정량화 (Uncertainty Quantification): Set attention과 다중 스케일 학습을 통해 오차의 공분산을 효과적으로 모델링함으로써, 프레임워크는 에너지 시스템의 리스크 관리에 필수적인 신뢰할 수 있는 불확실성 정량화를 제공한다.
• 효율성 (Efficiency): 점 예측과 확률적 예측을 단일 패스로 생성하는 방식은 복잡한 2단계 파이프라인에 비해 계산 효율적인 대안을 제공한다.

저자들은 ST-MRC가 결정론적 정확도와 확률적 불확실성 추정 모두를 유의미하게 개선하여, 동적 자원 집합에 직면한 VPP 운영을 최적화하는 데 있어 실행 가능한 도구임을 결론짓는다. 향후 연구로는 동적 어텐션 메커니즘, 공동 최적화를 위한 강화 학습, 그리고 다중 에너지 결합 시스템으로의 확장을 제안한다.