1. 서 론 

전력산업은 탄소중립 정책 추진, 재생에너지 보급 확대, 전력시장 제도 개편 등 복합적인 요인으로 빠르게 변화하고 있다. 이러한 구조적 변화는 전력수요의 변동성을 높이고 있으며, 이에 따라 단기 전력수요 예측(Short-Term Load Forecasting, STLF)의 난이도와 시장가격 변동성도 함께 높아지고 있다. 수요예측 오차는 발전계획 및 급전 운영의 비효율을 유발하여 전력구입비 증가, 예비력 확보 부담, 전력계통 신뢰도 저하로 이어질 수 있다. 특히 정부의 실시간 전력시장 개설 추진에 따라 판매사업자의 수요입찰 정확도 향상과 시장가격 안정화를 위한 고정밀 수요예측 기술 확보가 핵심 과제로 부상하고 있다.

STLF에 활용되는 단일 알고리즘은 작동 원리에 따라 통계 기반 모델, 기계학습 기반 모델, 딥러닝 기반 모델 등으로 구분된다. 통계 기반 모델은 시계열 데이터의 자기상관성과 외생 변수 간 선형 관계를 효과적으로 반영할 수 있지만, 복잡한 비선형 상호작용을 표현하는 데 한계가 있다. 기계학습 기반 모델은 비선형 관계 학습에 강점을 가지지만, 시계열 데이터의 장기 의존성을 직접적으로 모델링하기 어렵다. 딥러닝 기반 모델은 시계열 의존성과 비선형 패턴을 동시에 학습할 수 있으나, 데이터가 부족하거나 특정 조건의 변동성이 큰 구간에서는 예측 오차가 증가하는 한계를 가진다. 따라서 단일 알고리즘 기반 접근은 모델 선택과 관계없이 특정 조건에서는 우수한 성능을 보이지만, 다양한 운영 환경 전반에서 안정적인 예측 성능을 확보하는 데 구조적 한계를 가진다.

또 한국 전력시장에 특화된 STLF 연구는 BTM (Behind-the-Meter) 보정과 기상 변수 반영, 특수일 예측 등 다양한 방향으로 진행되어 왔다. 그러나 기존 연구는 대부분 단일 알고리즘 또는 특정 운영 조건에 최적화된 모델 구조를 중심으로 이루어져 평상일, 특수일, 이상기상 등 다양한 상황을 포괄하는 통합 예측 구조에 대한 연구는 상대적으로 부족하다. 또한 기존 앙상블 기법은 여러 예측 모델의 출력을 단순 결합하는 수준에 머무르는 경우가 많아, 결합 결과에 남아 있는 구조적 편향과 비선형 잔차를 추가적으로 보정하는 데 한계가 있다. 더불어 한국 전력시장 특유의 세분화된 연휴 및 특수일 패턴이 결합 과정에서 충분히 반영되지 못하는 문제도 존재한다.

이러한 한계를 해결하기 위해 본 기술은 2단계 앙상블 기반 단기 전력수요 예측 기술을 제안한다. 제안 기술은 작동 원리가 서로 다른 이종 단일 모델의 예측 결과를 결합하는 베이스 결합부와, 결합 결과에 포함된 잔차 패턴을 별도로 학습하여 보정하는 잔차학습 보정부를 직렬로 구성한 2단계 구조를 핵심으로 한다. 또한 한국 전력시장의 특성을 반영하기 위해 연휴 구조와 특수일 패턴을 정량화한 7종의 일반화 특수일 피처를 양 단계의 공통 입력 변수로 활용하여, 다양한 특수일 조건에서의 예측 정확도와 안정성을 향상시켰다.

2. 연구 내용

본 기술의 전체 시스템 구조는 그림 1과 같으며, 데이터 수집부·이종 단일 모델 예측부·베이스 결합부·잔차학습 보정부·최종 출력부의 5개 모듈로 구성된다.

데이터 수집부는 전력 실적 데이터, 기상 데이터, 달력 정보를 수집하고, 이를 기반으로 7종의 특수일 피처를 생성한다. 이종 단일 모델 예측부는 통계 기반 모델(ARIMAX, 지수평활), 기계학습 기반 모델(XGBoost), 딥러닝 기반 모델(LSTM) 등 4개 단일 모델을 이용하여 D+1일 24시간 전력수요 예측값을 각각 생성한다. 이후 베이스 결합부는 5종의 결합 방식 중 하나를 적용하여 베이스 예측값을 산출하고, 잔차학습 보정부는 4가지 보정 옵션 중 하나를 선택하여 베이스 예측에 남아 있는 잔차를 학습·보정한다. 최종 출력부에서는 베이스 예측값과 잔차 보정값을 합산해 최종 24시간 전력수요 예측 결과를 생성한다.

베이스 결합 방식 5종과 잔차 보정 옵션 4종을 조합하면 총 20개의 예측 구조를 구성할 수 있다. 운영자는 평상기, 혹서기, 혹한기, 특수일 군집 등 시장 상황에 따라 평균 정확도, 예측 안정성, 최대 오차 위험 등 운영 목적에 적합한 조합을 선택적으로 적용할 수 있다.

(1) 이종 단일 모델의 결합

기존 앙상블 기반 연구는 결합 대상 단일 모델을 동종 알고리즘(예: 다중 DNN, 다중 부스팅)으로 구성하는 경우가 많았다. 그러나 동종 알고리즘은 유사한 학습 구조와 오차 패턴을 가지므로 모델 간 오차 상관성이 높고, 결합에 따른 분산 감소 효과가 제한적이다.

본 기술은 통계 기반 모델(ARIMAX·지수평활), 기계학습 기반 모델(XGBoost), 딥러닝 기반 모델(LSTM) 등 서로 다른 작동 원리를 갖는 4개 이종 알고리즘을 결합 입력으로 활용한다. 이를 통해 개별 모델이 갖는 예측 편향과 오차 패턴을 상호 보완하고, 모델 간 오차 상관성을 낮춰 앙상블 결합에 의한 분산 감소 효과를 극대화한다.

(2) 베이스 결합부 + 잔차학습 보정부의 2단계 직렬 구조

기존 단일 단계 앙상블 방식은 여러 모델의 예측 결과를 결합하는 데 초점을 두기 때문에 결합 결과에 잔존하는 비선형 잔차 패턴과 개별 모델이 공통적으로 포함하는 계통적 편향을 추가적으로 보정하는 데 한계가 있다. 본 기술은 베이스 결합부의 출력 결과를 잔차학습 보정부가 후속 학습·보정하는 2단계 직렬 구조를 적용함으로써, 단일 결합 방식만으로는 제거하기 어려운 잔여 오차를 추가적으로 개선한다.

베이스 결합부는 단순 평균, 가중 평균(직전 N일 예측 오차의 역수 기반 가중), XGBoost 메타 모델, LightGBM 메타 모델, Ridge 메타 모델 등 5종의 결합 방식으로 구성된다. 잔차학습 보정부는 XGBoost, LightGBM, CatBoost 기반 그래디언트 부스팅 잔차 회귀 모델과 보정 생략 옵션을 포함한 4가지 방식으로 구성된다.

특히 잔차학습 보정부의 입력 피처에 베이스 예측값뿐만 아니라 각 단일 모델의 베이스 대비 편차를 추가한 점이 본 기술의 주요 차별 요소이다. 이를 통해 “각 단일 모델이 베이스 예측으로부터 어느 방향으로 얼마나 이탈하는가”라는 정보를 활용하여 모델 간 편차 패턴과 잔차 발생 관계를 학습하고, 결합 이후 남은 오차 구조를 효과적으로 보정한다.

또한 학습형 베이스 결합 방식을 적용하는 경우, 학습 데이터를 시간 순서에 따라 베이스 결합 학습 구간과 잔차학습 전용 구간으로 분리한다. 이를 통해 잔차학습 보정부에 입력되는 베이스 예측값이 표본외(Out-of-Sample) 예측값이 되도록 설계하여 학습 과정에서 발생할 수 있는 정보 누수(Data Leakage)를 방지한다.

(3) 한국 전력시장에 특화된 7종 일반화 특수일 피처

한국 전력시장은 설날·추석과 같은 음력 기반 명절 연휴와 양력 공휴일이 혼재하며, 그림 2와 같이 연휴 전후 평일에도 독특한 수요 패턴이 나타난다. 특히 연휴 직전 및 직후의 평일은 단축 근무, 집단 휴가 등의 영향으로 정상 근무일 대비 전력수요가 크게 감소하는 특징을 보인다.

종래 기법은 이러한 패턴을 특정 명절명에 종속된 이진 더미 변수(예: 설날 플래그, 추석 플래그 등)로 처리하는 경우가 많다. 그러나 1년 학습 윈도우 내에서 각 명절은 1회만 발생하므로 학습 샘플이 부족하고, 이에 따라 모델이 명절별 고유 패턴을 넘어 반복 가능한 연휴 수요 특성을 일반화하여 학습하기 어렵다는 한계가 있다. 본 기술은 표 2와 같이 7종의 일반화된 규칙 기반 특수일 피처를 생성하여, 명절 종류와 관계없이 매년 반복적으로 나타나는 연휴 구조와 수요 변동 특성을 학습 신호로 활용한다.

3. 적용 효과

본 기술의 성능을 검증하기 위해 2025년 4월부터 2026년 3월까지 1년간의 한국 전력시장 데이터를 대상으로 실증 분석을 수행하였다. 총 24개 예측 방식

(단일 모델 4종 및 본 기술 기반 20개 조합)을 비교한 결과, 본 기술의 최적 조합인 Ridge 메타 결합 + Cat Boost 잔차 보정 방식은 단순 평균 결합 방식 대비 평균 절대백분율오차(MAPE)를 0.84 %p 개선하여 2.85 %에서 2.01 %로 감소시켰다. 또한 단일 모델 평균 MAPE(3.61 %) 대비 1.60 %p 낮은 오차를 기록하여, 이종 모델 결합과 잔차 보정을 통한 예측 성능 향상 효과를 확인하였다.

그림 3과 같이 본 기술은 전체 시간대에서 단순 평균 결합 방식 대비 일관된 성능 개선 효과를 나타냈다. 특히 최대 오차 지표에서도 본 기술의 최대 오차는 17.91 %로, 단일 모델 중 가장 높은 LSTM의 최대 오차(36.14 %) 대비 약 절반 수준으로 감소하였다. 이는 본 기술이 평균적인 예측 정확도 향상뿐 아니라 특정 시점에서 발생하는 대규모 오차 위험까지 효과적으로 완화할 수 있음을 보여준다.

특히 예측 난도가 높은 특수일(설날·추석 등) 구간에서 성능 개선 효과가 크게 나타났다. 표 3과 같이 특수일 구간의 절대 오차 저감 폭은 평일 대비 약 3배 수준으로 나타났으며, 이는 본 기술에서 설계한 7종 일반화 특수일 피처가 연휴 구조와 특수일 수요 패턴을 효과적으로 학습하는 데 기여했음을 보여준다.

한전의 수요입찰 운영 관점에서 특수일은 연간 약 18일에 불과하지만, 정산 비용 변동성이 크게 발생하는 구간이므로 특수일 예측 정확도 향상은 동일한 수준의 평일 예측 개선보다 높은 경제적 효과를 기대할 수 있다. 본 기술은 20개 조합의 예측 구조를 제공함으로써 운영자가 시장 상황에 따라 평균 정확도, 예측 안정성, 최대 오차 위험 등 서로 다른 운영 목표에 적합한 조합을 선택할 수 있는 데이터 기반 의사결정 체계를 지원한다.

4. 맺음말

본 연구에서는 단기 전력수요 예측의 정확도와 운영 안정성을 동시에 향상시키기 위한 2단계 앙상블 예측 기술을 제안하였다. 제안 기술은 작동 원리가 서로 다른 4개 이종 단일 모델의 24시간 예측 결과를 결합하는 베이스 결합부와, 결합 결과에 잔존하는 오차 패턴을 별도로 학습·보정하는 잔차학습 보정부를 직렬 연결한 구조로 구성된다. 또한 한국 전력시장 특유의 연휴 구조를 정량화한 7종의 일반화 특수일 피처를 두 단계의 공통 입력 변수로 활용하여, 다양한 특수일 조건에서의 예측 성능을 향상시키는 것을 핵심 특징으로 한다.

2025년 4월부터 2026년 3월까지 1년간의 실증 분석 결과, 본 기술의 최적 조합은 단순 평균 기반 결합 대비 평균 MAPE를 0.84 %p 개선하여 2.85 %에서 2.01 %로 감소시켰다. 또한 특수일 구간에서의 절대 오차 감소 폭은 평일·주말 대비 약 3배 수준으로 나타나, 일반화 특수일 피처 설계가 한국 전력시장의 연휴 구조별 수요 패턴을 효과적으로 반영하는 데 기여함을 확인하였다.

수요예측 정확도 향상은 전력 구입 비용 절감, 예비력 운영 부담 완화, 불균형 정산 비용 감소 등 전력시장 운영 효율 향상으로 이어질 수 있다. 특히 정산 비용 변동성이 높은 특수일 구간에서의 예측 성능 개선은 안정적인 수요입찰 운영과 비용 리스크 관리 측면에서 중요한 의미를 갖는다.

향후에는 시장 상황을 자동으로 식별하고, 20개 예측 조합 중 최적 구조를 동적으로 선택하는 적응형 운영 알고리즘과 예비력 산정 및 위험 관리에 직접 활용할 수 있는 확률적 예측 구간 산출 기능으로 기술을 확장할 계획이다.

js_im@kepco.co.kr