Earticle

초록

한국어

본 연구는 국내 전력시장의 계통한계가격(SMP)에 대해 약 5개월 이후의 상승․하락 방향을 예측하는 중기 구간추정 프레임워크를 제안하고, 딥러닝과 전통 통계 모형을 정교하게 비교․평가한다. SMP, 두바이유, USD/KRW, 장단기 금리차, 기온으로 구성된 다변량 입력에 대해 특성별 맞춤 전처리(차분, 이동평균, 정규화)를 적용하고, 5-fold 교차검증과 그리드서치를 통해 공정한 모형 선택과 하이퍼파라미터 최적화를 수행하였다. 차분을 적용하지 않은 MLP가 가장 뛰어난 분류 성능을 보였으며(Validation Loss 0.2553, Accuracy 91.97%, F1 0.9234, AUC 0.9601), LSTM은 차분 적용 시 안정성은 개선되었으나 AUC(0.8782)에서 MLP에 미치지 못했다. 반면 ARIMA 및 지수평활은 BCE(3.454-4.901)와 MAPE(22-33%)가 높아 방향성 판별에 한계를 드러냈고, ElasticNet 점추정 역시 RMSE ≈ 43 KRW/kWh, R² ≈ 0.30으로 실무적 활용성이 제한적이었다. LIME 분석을 통해 MLP는 유가와 금리차 등 거시 변수에, LSTM은 지연된 SMP 패턴에 상대적으로 의존함을 확인하였다. 본 연구는 단기․점추정에 치우친 기존 문헌과 달리, 중기 시계의 방향성 신호를 다변량․전처리 ․모형 선택이 상호 공적응하는 구조로 실증했다는 점에서 의의가 크다. 제시된 5개월 선행 신호는 연료비 연동제와 SMP 상․하한제 같은 정책 시뮬레이션, 발전사와 전력구매자의 헤지 전략, 산업체의 에너지 조달 의사결정 등에서 실질적 근거를 제공하며, 전력시장 이해관계자의 위험관리와 비용 효율성 제고에 기여할 것으로 기대된다.

영어

We propose a medium-horizon interval-estimation framework that predicts the five-month-ahead direction (up/down) of Korea’s System Marginal Price (SMP) using a multivariate feature set (SMP, Dubai crude, USD/KRW, term spread, temperature) and systematically benchmark deep learning against statistical baselines. Tailored preprocessing (lag differencing, moving averages, min–max scaling) and 5-fold CV with grid search ensure fair comparison. The best model, an MLP without differencing, achieved validation loss 0.2553, accuracy 91.97%, F1-score 0.9234, and AUC 0.9601; LSTM improved with differencing but underperformed (AUC 0.8782). ARIMA/triple smoothing showed higher BCE (3.454–4.901) and MAPE (22-33%), while ElasticNet point forecasts were weak (RMSE ≈ 43 KRW/kWh; R2 ≈ 0.30). LIME reveals MLP’s reliance on macro variables (crude, term spread) versus LSTM’s focus on lagged SMP patterns. Unlike short-term point-forecast studies, we evidence co-adaptation across variables, preprocessing, and model class for medium-horizon directional signals, enabling policy simulation (fuel pass-through, SMP caps/floors) and hedging/procurement decisions that enhance risk management and cost efficiency.

목차

요약
Ⅰ. 서론
Ⅱ. 문헌 연구
2.1 전통적 통계 모델 기반 예측(<표 1> 참조)
2.2 머신러닝 기반 예측(<표 2> 참조)
2.3 딥러닝 기반 예측(<표 3> 참조)
2.4 연구 공백 및 본 연구의 차별성
Ⅲ. 제안 모델
3.1 연구 워크플로우 개요
3.2 데이터 수집 및 전처리
3.3 모델링 단계
Ⅳ. 분석결과
4.1 딥러닝 모델 분석 결과
4.2 전통적 통계 모델 분석 결과
V. 결론
5.1 학술적 기여 및 실무적 시사점
5.2 한계 및 향후 연구 방향
참고문헌
<부록>
Abstract

저자

• 허원영 [ Wonyoung Her | KAIST 경영대학원 디지털 금융 MBA 학생 ]
• 우지환 [ Jihwan Woo | AWS 시니어 인공지능 머신러닝 스페셜리스트 솔루션 아키텍트 ] 교신저자

참고문헌