LSTM 및 Transformer 모델을 이용한 단기 전력 부하 예측을 위한 델타 기반 타겟 재구성 (Delta-Based Target

날씨 변동성, 달력 효과, 진화하는 소비 패턴으로 인해 발생하는 비정상성 (non-stationarity) 하에서, 정확한 단기 전력 부하 예측은 현대 전력 시스템의 신뢰할 수 있고 경제적인 운영을 위해 매우 중요합니다. LSTM 및 Transformer와 같은 딥러닝 (deep learning) 모델들이 유망한 성능을 보여주고 있지만, 대부분의 기존 연구들은 타겟의 비정상성 (target non-stationarity)을 명시적으로 다루지 않고 직접적인 절대 부하 예측에 집중하고 있습니다. ARIMA 모델의 고전적인 시계열 차분 (differencing) 기법에서 영감을 받아, 본 논문은 딥러닝을 이용한 단기 전력 부하 예측을 위한 델타 기반 타겟 재구성 (delta-based target reformulation)을 조사합니다. 제안된 방식은 절대적인 부하 값을 직접 예측하는 대신, 연속된 시간 단계 사이의 부하 변화량을 예측하도록 모델을 학습시키며, 최종 예측값은 마지막으로 관측된 부하를 사용하여 재구성됩니다. 이는 학습 타겟을 안정화하고 예측 난이도를 낮추는 것을 목표로 합니다. NASA POWER 프로젝트의 기상 변수와 달력 특징을 추가하여 보강된 인도의 다년 단위 시간별 실제 전력 부하 데이터를 사용하여, 본 연구는 두 가지 구성 방식 모두에서 LSTM 및 Transformer 모델을 평가하고 이를 LightGBM과 벤치마킹합니다. 실험은 시간 단위 (hour-ahead) 및 일 단위 (day-ahead) 예측 범위를 대상으로 수행되었으며, 평균 절대 오차 (MAE) 및 평균 절대 백분율 오차 (MAPE)를 통해 성능을 평가했습니다. 결과에 따르면, 델타 기반 재구성은 평가된 모든 모델에서 시간 단위 예측의 정확도를 일관되게 향상시켰으며, 절대값 기반 구성과 비교했을 때 MAPE를 50% 이상 감소시켰습니다. 일 단위 예측의 경우, 델타 타겟은 특히 심층 시퀀스 모델 (LSTM 및 Transformer)에 이점을 주는 반면, LightGBM은 절대값 기반 구성에서 여전히 경쟁력을 유지했습니다. 이러한 결과는 델타 재구성이 신경망 (neural networks)을 위한 강력한 귀납적 편향 (inductive bias)이지만, 그 효능은 모델과 예측 범위에 따라 달라짐을 나타냅니다.