이 논문은 연료 단위당 비용, 대규모 발전기의 단위 발전 비용, 수요에 의해 불연속적으로 영향을 받는 전력시장가격의 특성을 반영함으로써 전력시장가격 예측을 개선하는 것을 목적으로 한다. 본 논문에서는 두 가지 새로운 기법을 제안한다. 첫 번째 기법은 라벨에 대한 특성 생성(feature generation)을 적용하고, 변환된 새로운 변수들을 예측한 뒤, 역변환(inverse transformation)을 수행한다. 이때 한계발전기의 연료 유형 또는 가격의 특성을 고려하기 위해 두 변수를 사용한다. 즉, 대표 연료 유형에 대한 연료 단위당 비용(fuel cost per unit)과, 이전 가격으로부터 커널 밀도 추정(Kernel Density Estimation, KDE)으로 계산된 확률밀도함수(Probability Density Function, PDF)의 최댓값에 대한 인수(argument of the maximum)이다. 두 번째 기법은 수요에 분해(decomposition)를 적용한 후, 주요 분해 특성을 적용하기 위한 특성 선택(feature selection) 과정을 수행한다. 이 과정에서 특성 선택의 성능은 gain 또는 SHapley Additive exPlanations(SHAP) 값으로 검증한다. 사례 연구(case study)에서는 두 기법 모두 모든 지표에서 향상을 보였다. 한국 전력시장에서는 각 발전기에 대한 단위 발전 비용이 월별로 계산되며, 월별 연료 비용에 따라 전력시장가격이 계단식으로 변화한다. 연료 단위당 비용을 이용한 특성 생성은 연료 비용으로 인한 월별 변동성을 제거하고 월초에 발생하는 오차를 줄임으로써 예측을 개선하였다. 그 결과 평균제곱백분율오차(Mean Squared Percentage Error, MAPE)가 3.83[%] 개선되었다. KDE로 계산된 최댓값 PDF의 인수를 이용하면, 테스트 기간 동안 불연속적인 월별 변동이 포함되지 않았음에도 예측 성능이 개선되었으며, 그 결과의 MAPE는 3.82[%]였다. 이 두 기법을 결합한 경우, MAPE가 3.49[%]였던 다른 기법들에 비해 가장 정확한 성능을 보였으며, 원래 가격의 분해된 데이터로 수행한 예측의 MAPE는 4.41[%]였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.