[논문 리뷰] Electricity Price Forecasting in the Irish Balancing Market

Ciaran O’Connor, Joseph Collins외 2명|arXiv (Cornell University)|2024. 02. 09.

Energy Efficiency and ManagementEnergy인용 수 3

한 줄 요약

이 논문은 아일랜드 보정시장(Balancing Market, BM)에서 전기 요금 예측을 위한 벤치마크 프레임워크를 제안하며, 최근 공개된 공개 데이터셋을 기반으로 통계적, 머신러닝, 딥러닝 모델을 평가한다. 덜 변동성이 큰 당일시장(Day-Ahead Market, DAM)에서는 뛰어난 성능을 보였지만, BM는 극도로 변동성이 높아 딥러닝 모델의 성능이 떨어지며, 오히려 LASSO 기반의 LEAR 모델이 가장 높은 정확도를 기록한다. 이는 복잡한 딥러닝 접근 방식을 뛰어넘어 극도로 변동성이 높은 시장에서는 단순하고 더 견고한 모델이 필요하다는 점을 시사한다.

ABSTRACT

Short-term electricity markets are becoming more relevant due to less-predictable renewable energy sources, attracting considerable attention from the industry. The balancing market is the closest to real-time and the most volatile among them. Its price forecasting literature is limited, inconsistent and outdated, with few deep learning attempts and no public dataset. This work applies to the Irish balancing market a variety of price prediction techniques proven successful in the widely studied day-ahead market. We compare statistical, machine learning, and deep learning models using a framework that investigates the impact of different training sizes. The framework defines hyperparameters and calibration settings; the dataset and models are made public to ensure reproducibility and to be used as benchmarks for future works. An extensive numerical study shows that well-performing models in the day-ahead market do not perform well in the balancing one, highlighting that these markets are fundamentally different constructs. The best model is LEAR, a statistical approach based on LASSO, which outperforms more complex and computationally demanding approaches.

연구 동기 및 목표

• 변동성이 높고 연구가 부족한 아일랜드 보정시장(Balancing Market, BM)에서 전기 요금 예측을 위한 재현 가능하고 오픈소스 기반의 프레임워크를 구축하기 위해.
• 더 안정적인 당일시장(Day-Ahead Market, DAM)을 위해 개발된 최신 기술 모델들—통계적, 머신러닝, 딥러닝 모델들의 성능을 BM 환경에서 평가하기 위해.
• BM 환경에서 다양한 모델 유형에 대해 학습 데이터 크기의 변화가 정확도에 미치는 영향을 조사하기 위해.
• DAM과 BM 간의 근본적인 차이점, 특히 딥러닝 모델이 극단적인 가격 급등을 다루는 데 어려움을 겪는 이유를 규명하기 위해.
• 미래의 BM 가격 예측 연구를 위한 기준으로 사용할 수 있도록 공개 데이터셋과 코드베이스를 제공하기 위해.

제안 방법

• 2017년부터 2020년까지의 시간당 아일랜드 보정시장 가격과 관련 설명 변수(예: 부하, 재생에너지, DAM 가격 등)를 포함한 공개 데이터셋을 사용한다.
• 모든 모델 간 공정한 비교를 보장하기 위해 동일한 하이퍼파라미터 튜닝 및 校정 절차를 적용한 표준화된 학습 및 평가 프레임워크를 구현한다.
• 10개의 모델을 평가한다: 통계적(LEAR, SVR), 트리 기반(Random Forest, XGBoost), 딥러닝(SH DNN, MH DNN)이며, 학습 크기는 1일에서 365일까지 다양하다.
• 모델 성능은 평균 절대 오차(MAE)로 측정하며, 정확도의 신뢰성을 확보하기 위해 다수의 테스트 분할을 통해 결과를 보고한다.
• 실시간 구현 조건을 반영하기 위해 CPU(비-DL 모델)와 GPU(DL 모델)에서의 학습 시간을 측정하여 계산 효율성을 평가한다.
• 과적합 여부 및 급격한 가격 상승 예측 실패 여부를 진단하기 위해 실제 가격 대비 예측 결과의 시각적 비교 분석을 포함한다.

Figure 1 : Schematic overview of the typical sequence of existing electricity markets in the EU. Markets in dotted lines are optional Meeus [ 2020 ]

실험 결과

연구 질문

• RQ1 당일시장(DAM)에서 잘 작동하는 모델들이 더 변동성이 높은 아일랜드 보정시장(BM)에 적용되었을 때 성능은 어떻게 되는가?
• RQ2 BM 환경에서 통계적, 머신러닝, 딥러닝 모델에 대해 학습 데이터 크기의 변화가 예측 정확도에 어떤 영향을 미치는가?
• RQ3 딥러닝 모델이 DAM에서는 성공했지만 BM에서는 성능이 떨어지는 이유는 무엇이며, 이러한 격차를 초래하는 구조적 또는 데이터 기반의 요인들은 무엇인가?
• RQ4 BM 환경에서 정확도와 계산 효율성 간의 최적 균형을 달성하는 데 가장 효과적인 모델 유형은 통계적, 머신러닝, 딥러닝 중 어느 것인가?
• RQ5 LASSO 기반의 단순한 모델인 LEAR는 극도로 변동성이 높은 전력 시장에서 복잡한 딥 네트워크를 능가할 수 있는가?

주요 결과

• LASSO 기반의 통계적 접근인 LEAR 모델이 €4.21/MWh의 가장 낮은 평균 절대 오차(MAE)를 기록하며, 더 복잡한 모델들—딥러닝 아키텍처를 포함하여—를 모두 앞서며 최고의 정확도를 확보한다.
• SH DNN 및 MH DNN와 같은 딥러닝 모델은 BM에서 뚜렷한 높은 오차를 보이며, LEAR보다 최대 €2.81/MWh 높은 오차를 기록한다. 이는 최근의 가격 급등에 과적합되고 변동성 있는 변동에 대한 일반화 능력이 떨어지기 때문이다.
• 모델 간 성능 격차는 BM에서 DAM보다 더 두드러지며, 이는 시장 구조와 데이터 변동성이 모델의 효과성에 근본적인 영향을 미친다는 것을 시사한다.
• 학습 데이터 크기의 영향은 뚜렷하다: 전년도 데이터(365일)로 학습한 모델은 짧은 시퀀스로 학습한 모델보다 더 높은 정확도를 기록하지만, 특정 지점 이후에는 향상 폭이 감소한다.
• 계산 효율성 측면에서 단순한 모델이 유리하다: LEAR와 XGBoost는 학습에 단 1~3분이면 충분하며, 딥러닝 모델은 최대 30분이 소요되며, 높은 파라미터 수로 인해 MH DNN가 가장 느리다.
• SH DNN 모델은 DAM에서는 잘 작동하여 €7.02/MWh의 MAE를 기록하지만, BM에서는 성능이 크게 떨어지며, 이는 딥러닝이 극단적인 변동성 처리에 한계를 보임을 보여준다.

Figure 2 : MH RNN DNN Model