1. 서 론

기후변화와 기상이변 그리고 재생에너지의 보급이 확대됨에 따라 적정한 예비력 확보와 안정적인 전력계통운용을 위해 연중 최대 전력수요가 발생하는 동·하계의 최대 전력수요를 예측하는 것은 중요하다. 산업통상자원부는 전력계통의 신뢰도를 유지하기 위해 “전력계통 신뢰도 및 전기품질 유지기준”을 고시로 시행하고 있다. 고시의 전력계통 운영방안 수립항목에 따르면 전력거래소는 전기사업자와 협의하여 여름철 또는 겨울철의 최대전력을 기준으로 전력계통의 안정운영을 위한 방안을 당해 연도 5월 31일 또는 11월 15일까지 수립하고, “전력계통신뢰도협의회”에 상정하도록 되어 있다⁽¹⁾. 따라서 정확한 동·하계 최대 전력수요예측은 전력계통의 안정적인 운영을 위해 필요하며, 예측오차는 사회비용 및 전력계통 운용비용을 증가시키는 요인이 된다.

전력수요는 1년을 주기로 하는 계절적 특징을 갖고 있으며, 중·장기적으로는 사회, 경제적인 요소와 상관관계가 있고, 단기적으로는 날짜요소와 기상인자에 영향을 받는다. 특히, 동·하계의 기온은 냉·난방부하 사용에 큰 영향을 주며, 일사 또는 운량과의 상관관계가 높은 소규모 태양광 발전기의 영향으로 인해 전력수요는 변동한다. 따라서 정확한 동·하계 최대 전력수요예측을 위해 이러한 요소들에 대한 반영이 필요하다. 참고문헌⁽²⁾은 동·하계 최대 전력수요를 예측하기 위해 과거 평년기온과 기온민감도를 이용해 과거 하계 최대 전력수요를 보정하고, 보정된 전력수요를 종속변수, 국내총생산(Gross Domestic Product, GDP)과 인구수를 독립변수로 하는 다중회귀모형을 사용한다. 참고문헌⁽²⁾의 다중회귀모형은 과거 동·하계 최대 전력수요가 발생한 과거관측연도 6년의 월별 데이터를 이용해 모형을 구축하기 때문에 동·하계 최대 전력수요가 발생시점 직전의 전력수요 변화추이를 고려하면 정확도의 개선이 예상된다. 참고문헌⁽³⁾는 시계열 방법 중 하나인 자기회귀누적이동평균(Auto- regressive Integrated Moving Average, ARIMA) 모델을 이용하여 동·하계 최대 전력수요를 예측한다. 이때 외부변수로써 생활 기상지수인 불쾌지수와 체감온도를 사용한 자기회귀누적이동평균-하이브리드 모델을 사용한다. 참고문헌⁽³⁾은 전력수요의 주기적인 특징을 반영하고, 동·하계의 전력수요에 영향을 미치는 불쾌지수 또는 체감온도를 반영한다는 장점이 있지만, 경제성장률과 같은 미래의 경제적인 요소에 대한 반영하면 정확도가 추가로 개선될 것이다.

정확한 동·하계 최대 전력수요예측을 위해 전력수요에 직접적 또는 간접적으로 영향을 미치는 요소들에 대한 반영이 필요하며, 최근 전력수요예측 분야에서는 비선형 요소의 영향을 반영하기 위해 기계학습 또는 딥 러닝 적용에 대한 연구와 더불어 다양한 연구가 활발히 진행되어 왔다^(4-10). 동·하계 최대 전력수요예측의 정확도를 개선시키기 위해 참고문헌⁽¹⁰⁾의 향후 104주의 최대 전력수요예측을 위한 딥 러닝 예측모형을 개선한다. 참고문헌⁽¹⁰⁾에 사용된 딥 러닝 예측모형은 Long Short-Term Memory(LSTM)층과 Fully -Connected(FC)층이 연결된 심층 신경망 기반의 예측 모형이다. 심층 신경망 기반의 예측 모형은 입력변수의 비선형적인 특징을 반영하고, 예측의 정확도 향상에 필요한 입력변수를 선택하여 적용이 가능하다. 또한 직접적인 관계를 파악하기 힘든 다양한 변수들의 복잡한 관계를 모델링하여 예측에 활용할 수 있다는 장점이 있다. 따라서 전력수요의 주기적인 특징과 전력수요와 비선형적인 관계를 갖는 요소들을 예측에 반영하기 위해 참고문헌⁽¹⁰⁾에 제시된 심층 신경망 기반의 예측 모형을 참고하며, 동·하계 최대 전력수요를 예측하기 위해 참고문헌⁽¹⁰⁾의 심층 신경망 기반 예측 모형구조를 3개의 LSTM층과 FC층이 병렬로 연결된 구조로 개선한다. 심층 신경망 기반의 예측 모형은 사용된 기온유형에 따라 평균기온을 이용한 예측모형, 최고기온을 이용한 예측모형, 최고기온을 이용한 예측모형으로 구분된다. 세 가지 예측 모형을 개선하기 위해 세 가지 예측 모형과 월별 최적의 가중치로 구성된 앙상블 모형을 개발한다. 개발된 앙상블 모형은 기 개발된 참고문헌⁽⁹⁾의 다중회귀분석모형과 참고문헌⁽¹⁰⁾의 세 가지 예측 모형과의 예측 정확도 비교를 통해 예측 정확도 개선을 확인한다.

2. 심층 신경망 기반의 앙상블 모형을 이용한 동·하계 최대 전력수요예측

정확한 동·하계 최대 전력수요예측은 적정한 예비력의 확보와 안정적인 전력계통의 운영을 위해 필수적이다. 동·하계 최대 전력수요는 예측을 수행하는 시점으로부터 수 개 월 이후에 발생하며, 수 개 월 이후에 발생하는 동·하계 최대 전력수요를 예측하기 위해 선행연구에서 개발된 중기 전력수요예측 방법들을 검토 후 활용한다. 중기 전력수요예측을 위해 부하 변동성을 이용한 상대 계수법, 날씨 및 경제 조건을 고려한 다중회귀모형, 부하의 주기적인 특징을 고려한 자기회귀누적이동평균(ARIMA), 인공신경망 등과 같이 다양한 예측 방법들이 개발되었다^(4-10). 동·하계 최대 전력수요예측의 정확도를 개선시키기 위해 선행연구에서 개발된 중기 전력수요예측 방법들을 검토 후 참고문헌⁽¹⁰⁾에서 제안된 예측 방법을 활용하여 동·하계 최대 전력수요를 예측한다. 참고문헌⁽¹⁰⁾는 향후 104주에 대한 주별 최대 전력수요를 예측하며, 전력수요의 주기적인 특징과 전력수요와 비선형적인 관계를 갖는 인자를 예측에 반영하기 위해 Long Short-Term Memory(LSTM)층과 Fully-Connected(FC)층이 연결된 심층 신경망 기반의 예측 모형을 사용한다. LSTM층과 FC층이 연결된 심층 신경망 기반의 전력수요예측 모형은 과거 데이터의 시계열적인 특징과 전력수요의 변동에 영향을 주는 인자들에 대해 반영할 수 있다는 장점이 있기 때문에 동·하계 최대 전력수요를 예측하기 위해 참고문헌⁽¹⁰⁾에서 제안한 심층 신경망 기반의 예측 모형을 참고한다. 현재 동·하계 최대 전력수요를 예측하는 시점은 “전력계통 신뢰도 및 전기품질 유지기준”의 운영방안 수립항목에 따라 동계의 경우 11월, 하계의 경우 5월 시점에 예측을 수행한다⁽¹⁾. 동·하계 최대 전력수요를 예측하기 위해 참고문헌⁽¹⁾의 예측 수행 시점을 참고하고, 각각의 예측 수행시점에서 참고문헌⁽¹⁰⁾의 예측방법을 이용해 예측 수행 시점 이후 104주에 대한 주별 최대 전력수요를 예측한다. 예측된 주별 최대 전력수요 중 예측 수행시점으로부터 가까운 7월부터 8월 사이의 최대 전력수요를 하계 최대 전력수요예측 결과로 사용하며, 예측 수행시점으로부터 가까운 1월부터 2월 사이의 최대 전력수요를 동계 최대 전력수요예측 결과로 사용한다. 심층 신경망을 이용한 동·하계 최대 전력수요예측 과정은 그림 1과 같다.

그림. 1. 심층 신경망 기반의 예측 모형을 이용한 동·하계 최대 전력수요 예측 과정

Fig. 1. Winter and Summer Peak Load Forecast Process Using Deep Neural Networks based Forecasting Model

2.1 심층 신경망 기반의 전력수요예측 모형

동·하계 최대 전력수요를 정확히 예측하기 위해서는 전력수요에 영향을 미치는 요소들에 대한 반영이 필요하며, 이러한 요소들은 전력수요와 비선형적인 관계를 갖는다. 심층 신경망 기반의 예측 모형은 입력데이터의 비선형적인 특성을 반영하고, 예측의 정확도 향상에 필요한 입력데이터를 선택하여 적용 가능하다는 장점이 있다. 동·하계 최대 전력수요는 예측을 수행하는 시점으로부터 수 개 월 이후에 발생하기 때문에 예측을 위해 수 개 월 이후 시점에 대한 기상 또는 경제 등에 예보데이터가 필요하다. 현재 기상청은 1개월, 3개월 기상전망에 대해 발표하고 있다⁽¹¹⁾. 기상전망은 예보시점 이후 1개월 또는 3개월에 대한 기온전망을 평년기온 대비 기온의 변화로 전망치를 제공한다. 한국개발연구원(KDI)은 국내외 경제동향을 분석하여 연 2회 중·단기 경제전망에 대해 발표하고 있다⁽¹²⁾. KDI의 경제전망은 전년도 대비 국내총생산의 성장률에 대해 제공한다. 기상청의 3개월 기상전망과 KDI의 경제전망을 활용하여 동·하계 최대 전력수요가 발생하는 시점의 기온과 국내총생산의 성장률을 알 수 있다. 따라서 동·하계 최대 전력수요를 예측하기 위해 활용이 가능한 기온과 국내총생산을 심층신경망의 입력으로 사용한다.

심층 신경망 기반 예측 모형은 예측 수행 시점 이후 104주에 대한 주별 최대 전력수요를 예측한다. 이를 위해 예측 모형은 주 단위로 변환된 입력데이터를 사용하여 예측 모형의 입력과 출력의 관계를 추정한다. 사용된 입력데이터 중 전력수요는 전국에 대해 시간 단위로 계측된 전력수요이며, 한 주 동안의 시간별 전력수요 중 가장 큰 전력수요를 주 최대 전력수요로 선정한다⁽¹³⁾. 기상청은 각 도시에 대해 일 평균기온, 일 최고기온, 일 최저기온을 제공하며, 일 기온을 이용해 주 평균기온, 주 최고기온, 주 최저기온을 계산하여 사용한다⁽¹⁴⁾. 도시별 기온은 8대 도시별 가중치를 이용해 전국 대표 기온으로 계산하여 사용한다⁽¹⁵⁾. 통계청은 국내총생산에 대해 분기별로 발표한다⁽¹⁶⁾. 분기별로 제공되는 국내총생산을 주 단위의 데이터로 변환하기 위해 월별 전산업생산지수의 비율을 적용하여 월별 국내총생산을 계산한다. 여기서, 전산업생산지수는 광공업 전체의 생산 활동 동향을 알 수 있는 대표적인 생산지수이며, 통계청에서 월별로 발표된다⁽¹⁷⁾. 월별 전산업생산지수의 분기별 비율과 분기별 국내총생산의 계산을 통해 월별 국내총생산으로 변환한다. 주별 국내총생산은 월별 국내총생산의 변화를 반영하여 계산한다. 분기별 국내총생산을 월별 및 주별 국내총생산으로 변환하는 과정은 식(1)과 식(2)와 같다.

(1)

\begin{align*} 월별GDP_{m월}\\ =분기별GDP_{q분기}\times\dfrac{IIP_{m월}\times 3}{IIP_{3q-2월}+IIP_{3q-1월}+IIP_{3q월}} \end{align*}

(2)

\begin{align*} 주별 GDP_{w주}\\ =월별 GDP_{m월}+\dfrac{월별 GDP_{m+1월}-월별 GDP_{m월}}{주간 개수_{m월}} \end{align*}

여기서, $GDP$는 국내총생산, $IIP$는 전산업생산지수를 의미한다. 심층 신경망 기반의 예측 모형은 주별 최대 전력수요를 예측하기 위해 더미 변수로써 주 변수와 특수주 코드를 사용한다. 1년은 52주로 구성되며, 전력수요는 1년을 주기로 하는 시계열적 특징이 있다. 따라서 주 변수는 1부터 52까지의 정수로 표현된다. 설, 추석, 하계휴가 집중기간과 같은 특수경부하기간의 전력수요는 일반적인 주와 전력수요의 패턴이 다르다. 따라서 일반적인 주와 특수경부하기간을 구분하기 위해 0과 1로 구성된 특수주 코드를 사용한다. 예측모형의 입력데이터로 사용된 주별 데이터의 종류와 계산 방법은 표 1과 같다⁽¹⁰⁾.

표 1. 주별 데이터의 종류와 계산 방법⁽¹⁰⁾

Table 1. Weekly Data Types and Calculation Method⁽¹⁰⁾

종류	계산방법
주 최대전력수요[MW]	전력수요의 주 최댓값
주 평균기온[℃]	일 평균기온의 주 평균기온
주 최고기온[℃]	일 최고기온의 주 최고기온
주 최저기온[℃]	일 최저기온의 주 최저기온
월별 GDP[원]	식(1)
주별 GDP[원]	식(2)
날짜 정보	주 변수 : [1,2, ..., 52]
	특수주 코드 : [0, 1]

표 1과 같이 입력데이터는 단위가 각각 다르기 때문에 정규화가 필요하다. 따라서 단위가 다른 입력데이터를 처리하기 위해 적절한 정규화 방법을 사용하여 처리한다⁽¹⁸⁾. 동·하계 최대 전력수요를 예측하기 위해 주 변수, 특수주 코드, 주별 국내총생산, 주별 기온, 주 최대 전력수요가 심층 신경망 기반의 예측 모형의 입력데이터로 사용된다. 그림 2는 심층 신경망 기반의 예측 모형을 나타낸다.

그림. 2. 심층 신경망 기반의 전력수요예측 모형구조

Fig. 2. The Structure of Deep Neural Networks based Forecasting Model

심층 신경망 기반의 전력수요예측 모형구조는 참고문헌⁽¹⁰⁾의 예측 모형구조에서 LSTM층을 개선하여 그림 2와 같이 3개의 LSTM층과 FC층이 병렬로 연결된 구조이다. 여기서, LSTM층은 과거 데이터로부터 시계열 특징을 반영하기 위해 사용되고, FC층은 예측되는 주의 날짜정보, 경제성장률, 기온전망 등을 예측 모형에 입력하기 위해 사용된다. 예측되는 주를 $w$주라고 가정할 때, 심층 신경망 기반 예측 모형의 출력은 $w$주의 주 최대 전력수요이다. FC층은 $w$주의 주 변수, 특수주 코드, 주별 국내총생산, 주별 기온으로 구성된 벡터를 입력받는다. 각각의 LSTM층은 $w$주의 1년 전, 2년 전, 3년 전 데이터를 입력받으며, 입력되는 과거 데이터의 기간은 LSTM층의 시퀀스 길이에 의해 정해진다. 여기서, 시퀀스의 길이를 $l$이라고 하면 1년 전, 2년 전, 3년 전의 $w-(l-1)$주부터 $w$주의 주 변수, 특수주 코드, 주별 국내총생산, 주별 기온, 주별 최대 전력수요로 구성된 벡터를 입력받는다. 표 2는 예측 모형의 입력 데이터 세트 구성을 나타낸다.

표 2. 예측 모형의 입력 데이터 세트 구성

Table 2. Construct the Input Data Set of the Forecast Model

층 종류	데이터 세트
LSTM Layer 1	$y-3$년 $w-(l-1)$주
	⦙
	$y-3$년 $w$주
LSTM Layer 2	$y-2$년 $w-(l-1)$주
	⦙
	$y-2$년 $w$주
LSTM Layer 3	$y-1$년 $w-(l-1)$주
	⦙
	$y-1$년 $w$주
FC Layer	$y$년 $w$주

예측 모형의 파라미터는 예측 대상의 1주 전까지의 실적 데이터를 사용하여 추정되며, 식(3)과 같이 목적함수인 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 값으로 추정된다.

(3)

$MSE=\dfrac{1}{N}\sum_{i=1}^{N}(Y_{i}-\hat Y_{i})^{2}$

여기서, $N$은 예측 모형의 파라미터 추정을 위해 사용된 데이터 세트 개수, $Y_{i}$는 $i$주의 계측된 주 최대 전력수요, $\hat Y_{i}$는 예측 모형을 통해 계산된 $i$주의 주 최대 전력수요를 의미한다.

3. 사례 연구

정확한 동·하계 최대 전력수요예측을 위해 심층 신경망 기반의 앙상블 모형을 이용한다. 동·하계 최대 전력수요를 예측하기 위해 시간별 발전단 전력수요, 일 평균기온, 일 최고기온, 일 최저기온, 분기별 국내총생산, 월별 전산업생산지수가 사용되며, 제안된 심층 신경망 기반의 앙상블 모형을 이용해 2017년부터 2020년의 동·하계 최대 전력수요를 예측한다. 이때 설, 추석, 하계휴가 집중기간과 같은 특수경부하기간의 주는 다른 주에 비해 전력수요가 낮다. 따라서 특수경부하기간에 포함되는 주는 예측대상에서 제외한다. 기온 유형에 따른 세 가지 심층 신경망 기반의 예측 모형 파라미터 추정을 위해 예측되는 주 이전 500개의 훈련 데이터 세트를 이용해 심층 신경망 기반 예측 모형의 파라미터를 추정한다. 여기서, 예측 모형 파라미터 추정에 사용된 데이터 세트의 개수는 예측이 가장 정확했던 500개의 훈련 데이터 세트를 사용한다. 앙상블 모형은 세 가지 모형과 각 모형의 가중치로 구성되며, 세 가지 모형은 평균기온을 이용한 심층 신경망 모형, 최고기온을 이용한 심층신경망 모형, 최저기온을 이용한 심층 신경망으로 구분된다. 세 가지 심층 신경망 모형의 가중치는 세 가지 모형을 사용하여 과거 5년의 관측값에 대해 예측된 전력수요와 실제 전력수요의 차이를 최소로 하는 값은 추정하여 앙상블 모형을 구성한다. 추정에 사용된 기간은 경험적인 방법에 의해 채택된다. 예측된 주별 최대 전력수요 중 예측 수행시점으로부터 가까운 7월부터 8월 사이의 최대 전력수요를 하계 최대 전력수요예측 결과로 사용하며, 예측 수행시점으로부터 가까운 1월부터 2월 사이의 최대 전력수요를 동계 최대 전력수요예측 결과로 사용한다. 제안된 심층 신경망 기반의 앙상블 모형을 이용한 동·하계 최대 전력수요예측결과와 비교하기 위해 참고문헌⁽⁹⁾의 다중회귀분석모형과 참고문헌⁽¹⁰⁾의 기온 유형에 따른 세 가지 심층 신경망 기반의 예측 모형을 사용해 동·하계 최대 전력수요를 예측한다. 동·하계 최대 전력수요예측 오차 계산을 위해 식(5)의 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE)를 사용한다.

여기서, $n$은 시점의 개수, $L_{t}^{Measured}$는 $t$시점의 계측된 전력수요, $L_{t}^{forecast}$는 $t$시점의 예측된 전력수요를 의미한다.

제안된 심층 신경망 기반의 앙상블 모형을 이용한 동·하계 최대 전력수요예측결과와 비교하기 위해 참고문헌⁽⁹⁾의 다중회귀분석모형을 사용해 동·하계 최대 전력수요를 예측한다. 참고문헌⁽⁹⁾은 향후 104주에 대한 주별 최대 전력수요를 예측하기 위해 다중회귀분석모형을 사용하며, 이때 사용된 예측모형은 식(6)과 같이 독립변수는 주 변수, 주 평균기온, 주 GDP, 종속변수는 주 최대 전력수요이다.

여기서, $Peak Load_{w}$는 주 최대 전력수요, $Avg Temp_{w}$는 주 평균기온, $GDP_{w}$는 주별 GDP, $Week_{w}$는 주 변수, $\epsilon_{w}$는 오차항을 의미한다. $\beta_{0}$, $\beta_{1}$, $\beta_{2}$, $\beta_{3}$는 최소자승법으로 추정되는 다중회귀분석모형의 회귀계수이며, 이는 각 독립변수에 대한 종속변수의 민감도를 의미한다. 참고문헌⁽⁹⁾에서는 다중회귀분석모형의 회귀계수를 추정하기 위해 예측되는 주와 동일한 월에 속한 과거 데이터를 사용한다. 그림 3은 계측된 전력수요와 다중회귀분석모형(Multiple Linear Regre -ssion, MLR) 및 제안된 심층 신경망 기반의 앙상블 모형을 사용해 예측된 동·하계 최대 전력수요를 보여준다. 표 3은 다중회귀분석모형과 제안된 심층 신경망 기반의 앙상블 모형을 사용한 동·하계 최대 전력수요예측의 평균 절대 백분율 오차를 보여준다.

표 3에서 다중회귀분석모형의 정확도를 살펴보면, 2017년, 2018년의 하계와 2020년 동계에 비교적 오차가 크다. 2015년과 2016년 하계 최대 전력수요가 발생한 시점은 8월이며, 2017년과 2018년 하계 최대 전력수요가 발생한 시점은 7월이다. 이는 2015년과 2016년의 경우 7월에 비해 8월의 기온이 높았으며, 2017년과 2018년의 경우 7월의 기온이 8월에 비해 높았기 때문이다. 다중회귀분석모형은 예측되는 주와 동일한 월에 속한 과거 데이터만을 이용하여 회귀계수를 추정하기 때문에 예측년도 동·하계 직전의 전력수요 경향을 반영하기 어렵다. 반면에 제안된 심층 신경망 기반의 앙상블 모형은 전력수요의 연도별, 월별, 주별 주기적인 특징과 기온과 전력수요의 비선형적인 특징을 모두 반영하기 때문에 다중회귀분석모형의 단점을 보완할 수 있다. 2017년부터 2020년의 동·하계 최대 전력수요의 평균 절대 백분율 오차를 비교하면 제안된 심층 신경망 기반의 앙상블 모형이 1.20\%로 다중회귀분석모형 보다 동·하계 최대 전력수요를 더 정확히 예측하는 것을 확인할 수 있다.

그림. 3. 계측된 전력수요와 다중회귀분석모형 및 제안된 모형의 예측된 동·하계 최대 전력수요

Fig. 3. The Measured Load and Forecast Load Using MLR and Proposed Model

제안된 심층 신경망 기반의 앙상블 모형을 이용한 동·하계 최대 전력수요예측결과와 비교하기 위해 참고문헌⁽¹⁰⁾의 평균기온, 최고기온, 최저기온을 이용해 추정된 세 가지 심층 신경망 기반의 예측 모형으로 동·하계 최대 전력수요를 예측한다. 그림 4와 표 4는 참고문헌⁽¹⁰⁾에 제시된 기온 유형에 따른 세 가지 예측 모형과 심층 신경망 기반의 앙상블 모형을 사용한 동·하계 최대 전력수요예측 결과를 보여준다.

그림. 4. 기온 유형에 따른 세 가지 예측 모형과 제안된 모형을 사용한 동·하계 최대 전력수요예측의 오차

Fig. 4. The MAPE of Winter and Summer Peak Load Forecast Using Three Forecast Model by Temperature Types and Proposed Model

여기서, Case 1부터 Case 3은 참고문헌⁽¹⁰⁾에 제시된 기온 유형에 따른 세 가지 예측 모형으로 Case 1은 평균기온을 사용한 심층 신경망 모형, Case 2는 최고기온을 사용한 심층 신경망 모형, Case 3은 최저기온을 사용한 심층신경망 모형을 의미한다. 제안된 앙상블 모형은 참고문헌⁽¹⁰⁾에 제시된 기온 유형에 따른 세 가지 예측 모형에 비해 정확성 측면에서 우수하며, 이는 그림 4에 나타난다. 표 4에서 제시된 바와 같이 제안된 앙상블 모형은 주별 평균기온, 최고기온, 최저기온으로 학습된 참고문헌⁽¹⁰⁾의 심층 신경망 기반의 예측 모형 보다 평균 절대 백분율 오차와 분산을 개선하였다. 이는 평균 절대 백분율 오차의 분산이 작아 예측 오차의 분포가 넓게 분포하지 않음을 의미하며, 전력수요예측의 신뢰도가 평균 절대 백분율 오차와 “유사하다”라고 평가할 수 있다. 따라서 기온 유형에 따른 세 가지 예측 모형을 사용해 예측하는 것 보다 제안된 앙상블 모형을 사용해 동·하계 최대 전력수요예측을 하는 경우가 오차의 분산이 작아 보다 “예측의 신뢰성”이 높다고 볼 수 있다.

4. 결론

적정 예비력의 확보와 안정적인 전력계통운용을 위해 동·하계 최대 전력수요예측은 중요하다. 전력수요의 주기적인 특징과 전력수요와 비선형적인 관계를 갖는 요소들을 반영한 동·하계 최대 전력수요를 예측하기 위해 심층 신경망을 이용한 동·하계 최대 전력수요예측 방법을 제안한다. 선행연구에 제시된 심층 신경망 기반 예측 모형구조를 3개의 LSTM층과 FC층이 병렬로 연결된 구조로 개선하였다. 심층 신경망 기반의 예측 모형은 사용된 기온유형에 따라 평균기온을 사용한 예측모형, 최고기온을 사용한 예측모형, 최저기온을 사용한 예측모형으로 구분된다. 세 가지 예측 모형의 정확도를 개선하기 위해 세 가지 예측 모형과 월별 최적의 가중치로 구성된 앙상블 모형이 제안된다. 사례연구에서는 기 개발된 다중회귀분석모형, 심층 신경망 기반의 예측 모형, 그리고 제안된 심층 신경망 기반의 앙상블 모형을 이용해 2017년부터 2020년의 동계 및 하계의 최대 전력수요를 예측한다. 예측결과 다중회귀분석모형과 심층 신경망 기반의 예측 모형보다 심층 신경망 기반의 앙상블 모형이 예측 정확도가 우수함을 확인하였다.