Earticle

초록

한국어

본 연구는 캘리포니아 전력거래소(California Independer System Operator, CAISO)의 익일 시장 가격 (Day-Ahead Market Price) 데이터를 활용하여 지역별 한계 가격제(Locational Marginal Price, LMP)를 예 측하기 위한 CNN-GRU 하이브리드 딥러닝 모델과 LSTM 모델을 비교하여 분석하였다. 고속 푸리에 변환(Fast Fourier Transform, FFT) 기반 노이즈 제거, 지연(Lag)·이동 평균(Rolling mean) 통계, 사인 코사인(Sine/ Cosine) 인코딩 등 시계열 전처리를 거쳐, 단기(7일)·중기(30일)·장기(90일) 예측 구간별 Optuna 자동 탐색 도 구를 통해 하이퍼파라미터를 자동 탐색하였다. 그 결과, 단기 예측에서는 LSTM이 평균 절댓값 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE)에서 다소 유리했으나, 중기· 장기 구간에서는 CNN-GRU 결합 모델이 대칭 평균 절대 백분율 오차(Symmetric Mean Absolute Percentage Error, SMAPE) 기준으로 상대적 오차를 효과적으로 제어함을 확인하였다. 향후 날씨·경제 지표 등 외부 요인을 추가 반영하고 트랜스포머(Transformer)·어텐션(Attention) 구조를 결합해 지역별 한계 가격제 예측 정확도를 더욱 높일 수 있는 후속 연구를 제안한다.

영어

This study proposes a CNN-GRU hybrid deep learning model for forecasting the Locational Marginal Price(LMP) using Day-Ahead Market Price data from the California Independent System Operator(CAISO). The time series data underwent preprocessing steps, including FFT-based noise reduction, Lag and Rolling statistics, and Sine/Cosine encoding. Hyperparameters were automatically optimized using Optuna for short-term(7-day), mid-term(30-day), and long-term(90-day) forecasting horizons. While LSTM slightly outperformed in MAE and RMSE for short-term forecasts, CNN-GRU better controlled SMAPE in mid- and long-term predictions. Future research will explore integrating external factors such as weather and economic indicators, as well as incorporating Transformer and Attention mechanisms to further enhance LMP forecasting accuracy.

목차

요약
Abstract
1. 서론
2. 연구 방법
2.1 데이터 셋
2.2 데이터 전처리
2.3 시계열 분해(Seasonal Decomposition)
2.4 지연 산점도(Lag plot)와 자기상관함수(ACF)/부분자기상관함수(PACF) 분석
3. 하이브리드 딥러닝 모델
3.1 CNN-GRU 결합 모델
3.2 LSTM 모델
4. 실험 결과
4.1 단기 예측 결과
4.2 중기 예측 결과
4.3 장기 예측 결과(90일 데이터 적용)
4.4 토론 및 제약점
5. 결론 및 향후 연구
Acknowledgement
참고문헌

저자

• 임상택 [ Sangtaek Lim | 가천대학교 인공지능학과 ]
• 김준영 [ Junyoung Kim | 가천대학교 인공지능학과 ]
• 아마드 모리 자데 카키 [ Ahmad Mouri Zadeh Khaki | 가천대학교 인공지능학과 ]
• 최아영 [ AhyoungChoi | 가천대학교 인공지능학과 ]

참고문헌