[논문 리뷰] Short-Term Electricity Price Forecasting based on Graph Convolution Network and Attention Mechanism

Yuyun Yang, Zhenfei Tan외 3명|arXiv (Cornell University)|2021. 07. 26.

Energy Load and Power Forecasting참고 문헌 23인용 수 9

한 줄 요약

이 논문은 전력 시스템 버스 간의 공간적 상관관계와 시간적 부하 동적 특성을 모두 모델링함으로써 단기 현장 마진 가격(LMP) 예측을 향상시키기 위해 주의 메커니즘을 갖춘 그래프 컨volution 네트워크(_ASTGCN_)를 제안한다. 기준선 GCN 대비 평균 RMSE는 15.3% 감소하고 MAE는 17.7% 감소하며, 핵심 송전 노드와 시간 단위에 대한 학습된 주의 가중치를 통해 해석 가능성도 향상된다.

ABSTRACT

In electricity markets, locational marginal price (LMP) forecasting is particularly important for market participants in making reasonable bidding strategies, managing potential trading risks, and supporting efficient system planning and operation. Unlike existing methods that only consider LMPs' temporal features, this paper tailors a spectral graph convolutional network (GCN) to greatly improve the accuracy of short-term LMP forecasting. A three-branch network structure is then designed to match the structure of LMPs' compositions. Such kind of network can extract the spatial-temporal features of LMPs, and provide fast and high-quality predictions for all nodes simultaneously. The attention mechanism is also implemented to assign varying importance weights between different nodes and time slots. Case studies based on the IEEE-118 test system and real-world data from the PJM validate that the proposed model outperforms existing forecasting models in accuracy, and maintains a robust performance by avoiding extreme errors.

연구 동기 및 목표

• 기존 LMP 예측 모델이 전력망의 위상 구조로 인한 공간 상관관계를 忽시하는 한계를 해결하기 위해 버스 가격을 상호 의존하지 않는 시간 시리즈로 간주하는 것에서 벗어나기 위해.
• 통합된 딥 러닝 프레임워크 내에서 위상적 구조와 역학적 부하 패턴을 통합함으로써 예측 정확도를 향상시키기 위해.
• 노드와 시간 단계 간의 동적 주의 가중치를 학습함으로써 영향력 있는 송전 노드와 중요한 기간을 식별함으로써 모델의 해석 가능성 향상하기 위해.
• 개별 노드의 모델 학습 없이도 동시에 다중 노드 LMP 예측을 수행할 수 있는 확장 가능한 단일 모델 솔루션 개발하기 위해.

제안 방법

• IEEE-118 시스템 내 118개 버스 간의 위상적 관계를 인코딩하기 위해 스펙트럴 그래프 컨volution 네트워크(GCN)를 활용하여 LMP의 공간적 상관관계를 캡처한다.
• 에너지, 혼잡도, 손실 성분을 별도로 예측하기 위해 3가지 분기 아키텍처를 설계하여 성분별 모델링과 더 나은 해석 가능성 확보한다.
• 순차적 부하 패턴과 시간적 추세를 모델링하기 위해 시간 컨볼루션 블록을 통합하여 모델의 동적 가격 행동 예측 능력 향상한다.
• 다양한 노드와 시간 단계에 대해 가변적인 중요도 가중치를 할당하는 주의 메커니즘을 적용하여 모델이 핵심 송전 노드와 영향력 있는 과거 기간에 집중할 수 있도록 한다.
• 실제 PJM 데이터와 IEEE-118 테스트 시스템 데이터를 사용하여 LMP 예측의 MAE와 RMSE 최적화를 목표로 엔드 투 엔드 ASTGCN 모델을 훈련시킨다.
• 최종 LMP 값의 정확한 분해와 재구성 보장을 위해 성분별 및 총합 LMP 예측 오차를 조합한 하이브리드 손실 함수를 사용한다.

실험 결과

연구 질문

• RQ1 그래프 컨볼루션 네트워크는 송전망 내 다양한 현장 마진 가격 간의 공간적 상관관계를 효과적으로 모델링할 수 있는가?
• RQ2 시간 컨볼루션과 주의 메커니즘을 통합함으로써 기존 GCN 또는 RNN 기반 모델 대비 예측 정확도는 얼마나 향상되는가?
• RQ3 주의 메커니즘이 얼마나 효과적으로 핵심 송전 노드와 기간을 강조할 수 있는가? 이는 LMP 예측의 해석 가능성에 기여하는가?
• RQ4 실제 데이터 기반으로 전통적 모델인 ARIMA, MLP, LSTM에 비해 제안된 ASTGCN 모델이 오차와 강건성 측면에서 우월한가?

주요 결과

• ASTGCN 모델은 IEEE-118 시스템에서 기준선 GCN 모델 대비 평균 RMSE를 15.3% 감소시키고 MAE는 17.7% 감소시켰다.
• 테스트 세트에서 평균 절대 오차(MAE)는 0.8228 $/MWh, RMSE는 1.5383 $/MWh²를 기록하여 이전 최고 성능 모델을 초월했다.
• 주의 가중치는 IEEE-118 네트워크의 위상 중심성과 일치하는 19개의 영향력 있는 송전 노드(예: 5, 9, 10, 25, 30, 61, 65, 81, 89, 111)를 식별했다.
• 주의 메커니즘은 대부분의 노드에서 성능 향상을 이뤘지만, 강한 가격 급등이 발생하는 노드(예: 노드 71)에서는 다소 떨어진 성능(더 높은 RMSE)을 보이며 급격한 변화에 민감함을 보였다.
• 3분기 아키텍처는 에너지, 혼잡도, 손실 성분으로 LMP를 정확히 분해할 수 있었으며, 혼잡도 요인 예측 정확도는 93.68%를 유지했다.
• 실제 PJM 데이터와 IEEE-118 테스트 시스템 모두에서 다양한 시스템 조건에서도 안정성과 일반화 능력을 유지하며 일관된 성능 향상을 보였다.