다중 수평 단기 부하 예측: LSTM과 개선된 스플릿 컨볼루션의 하이브리드 모델

정밀한 단기 부하 예측(STLF)은 전력 시스템의 원활한 운영, 향후 용량 계획, 발전단위 할당 및 수요 반응 등에 있어 핵심적인 역할을 한다. 그러나 부하의 비정상성(Non-stationarity)과 다양한 주기적 및 비주기적 캘린더 특성, 비선형적으로 높게 상관된 기상 특성에 대한 강한 의존성으로 인해 기존의 기술로는 정확한 부하 예측이 어렵다. 이러한 도전 과제를 극복하기 위해, 장단기 기억(LSTM)과 개선된 스플릿 컨볼루션(SC) 신경망을 결합한 새로운 하이브리드 기법(LSTM-SC)을 단일 단계 및 다중 단계 STLF에 적용하기 위한 방법이 제안된다. 제안된 하이브리드 네트워크에서 LSTM과 SC의 연결 순서는 시계열 의존 특성과 계층적인 공간적 특성의 효과적인 추출 능력을 제공한다. 본 모델은 국립송전 및 발전회사(NTDC)가 기록한 파키스탄 국가 전력망 부하 데이터셋을 이용하여 평가되었다. 부하 데이터는 사전 처리되었으며, 성능 향상을 위해 여러 상관관계가 있는 추가 특성들이 데이터에 통합되었다. 일반화 능력을 검증하기 위해, LSTM-SC의 성능은 미국 전력사(AEP)와 인디펜던트 시스템 운영자 뉴잉글랜드(ISO-NE)의 공개 데이터셋에서도 평가되었다. 온도는 부하 예측과 매우 높은 상관관계를 가지는 입력 특성으로, 이에 대한 영향을 분석하기 위해 온도 특성을 제거하거나, 이를에 가우시안 랜덤 노이즈를 추가하는 실험을 수행하였다. NTDC 데이터셋에서 제안된 모델의 성능 평가 결과, 다중 단계 예측의 경우 RMSE, MAE, MAPE는 각각 500.98, 372.62, 3.72%이며, 단일 단계 예측의 경우 322.90, 244.22, 2.38%로 나타났다. 결과적으로 제안된 방법은 예측 오차가 작고, 뛰어난 일반화 능력과 다양한 예측 수준에서 만족스러운 성능을 보이고 있음을 확인할 수 있다.