전력 부하 예측을 위한 특징 격리형 시간적 어텐션 메커니즘을 갖춘 해석 가능한 Kolmogorov-Arnold 네트워크

정확한 전력 부하 예측 (electricity load forecasting)은 안정적인 전력 시스템 운영을 위한 필수적인 전제 조건입니다. 널리 사용되는 딥러닝 (deep learning) 모델들은 경쟁력 있는 성능을 보여주지만, 종종 블랙박스 (black box)로 작동하며 해석 가능성 (interpretability)이 부족합니다. Kolmogorov-Arnold 네트워크 (KAN)는 학습 가능한 활성화 함수 (activation function) 설계 덕분에 유망한 대안으로 떠오르고 있지만, 시계열 예측 (time-series forecasting)에 직접 적용할 경우 복잡한 시간적 데이터 패턴을 모델링하는 데 어려움이 있습니다. 또한, 신경망 모듈의 대체재로서 기존 아키텍처에 단순히 통합하는 것만으로는 KAN의 해석 가능성 강점을 충분히 활용할 수 없습니다. 이러한 격차를 해소하기 위해, 본 연구에서는 특별히 설계된 특징 격리형 시간적 어텐션 메커니즘 (feature-isolated temporal attention mechanism)과 KAN 모듈을 시너지 효과를 내도록 결합한 부하 예측을 위한 새로운 하이브리드 및 해석 가능한 프레임워크인 LoadKAN을 개발합니다. 어텐션 단계는 과거 부하 및 인간 이동성 (human mobility)과 같은 각 입력 특징으로부터 시간적 역학 (temporal dynamics)을 독립적으로 추출하는 것을 목표로 하며, 해석 가능한 예측을 위해 정제된 특징 표현 (feature representations)을 KAN 모듈에 제공합니다. 미국의 세 가지 대표적인 전력 시장 데이터셋을 통해 평가했을 때, 우리의 LoadKAN은 광범위하게 튜닝된 최첨단 (state-of-the-art) 블랙박스 딥러닝 벤치마크와 비교하여 매우 높은 경쟁력을 유지합니다. 더 중요한 것은, LoadKAN의 해석 가능성을 통해 여섯 가지의 서로 다른 이동성 패턴과 전력 부하 사이의 학습된 비선형 관계를 세밀하게 분석할 수 있다는 점입니다. KAN이 학습한 활성화 함수를 통해 이동성 특징에 대한 정량적 민감도 분석 (sensitivity analyses)을 수행한 결과, 복잡하고 시장 특화적인 의존성을 밝혀냈습니다. 이러한 발견은 불투명한 블랙박스 신경망 예측 모델에 의해 종종 가려지는 통찰력을 생성하는 LoadKAN의 능력을 더욱 입증합니다.