본 논문은 대규모 전력 시스템을 대상으로 한 초단기 부하 예측(Very Short-Term Load Forecasting, VSTLF) 모델을 제안한다. 이 모델은 주의(attention) 메커니즘으로 강화된 순환신경망인 게이티드 순환 유닛(gated recurrent unit, GRU) 네트워크를 사용한다. 예측 정확도를 향상시키기 위해 정규화 상호정보량(Normalized Mutual Information, NMI)에 기반한 체계적 입력 특성 선택 방법을 도입한다. 또한 실시간 동적 부하 패턴을 명시적으로 포착하기 위한 새로운 입력 특성인 load variationis를 제안한다. 태양광이 자가소비 형태로 연계되는 Behind-The-Meter(BTM) 발전의 영향을 반영하기 위한 부하 재구성(load reconstitution), 대표적인 기상 입력을 구성하기 위한 가중 평균(weighted averaging) 방법을 포함하는 맞춤형 데이터 전처리 기법을 적용한다. 2021년부터 2023년까지 한국의 국가 전력 시스템 데이터를 활용한 광범위한 사례 연구 결과, 제안된 GRU-주의 모델이 기존 접근법 및 벤치마크 모델을 유의미하게 능가함을 보여준다. 특히 제안 방법의 정확도를 오차율(error rate) 관점에서 제시했을 때, 평균절대백분율오차(Mean Absolute Percentage Error, MAPE)는 0.77%로, 칼만 필터 알고리즘을 사용한 벤치마크 모델에 비해 0.50%p 개선되었으며, 하이브리드 딥러닝 벤치마크(CNN-BiLSTM)에 비해서는 0.27%p 개선되었다. 시뮬레이션 결과는 NMI 기반 특성 선택과 부하 특성의 결합이 초단기 부하 예측에서 효과적임을 명확히 입증한다.

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