전력 수요 예측을 위한 전기차 충전·기상·사회 요인 통합형 다변량 시계열 데이터셋 구축과 벤치마크 분석

초록

최근 기후변화, 전기차 보급 확대, 사회적 생활패턴 변화 등으로 인해 전력 수요의 양상은 점점 복잡해지고 있으며, 단순 회귀 기반 예측 모델만으로는 정확한 수요 예측에 한계가 존재한다. 이에 본 연구는 전력 수요 예측의 정밀도를 향상하기 위해, 2020년부터 2023년까지 전국의 전력 수요, 전기차 충전량(급속/완속), 기온, 공휴일, 요일 유형 등의 다양한 외생 변수를 통합한 고해상도 시계열 데이터셋을 새롭게 구축하였다. 구축된 데이터셋은 Python 기반 자동화 과정을 통해 정제되었으며, 총 35,064개의 시간 단위 관측 값과 9개의 주요 변수를 포함한다. 해당 데이터셋을 바탕으로 다중 선형 회귀, k-최근접 이웃, 랜덤 포레스트, XGBoost등의 머신 러닝 모델과 Long Short-Term Memory(LSTM) 기반 딥러닝 모델을 적용하여 전력 수요 예측 성능을 비교 분석하였다. 또한, 데이터 중심 인공지능 관점에서 피어슨 상관계수를 활용한 변수 간 상관관계 분석을 수행하여 해석 가능성을 확보하였다. 실험 결과, LSTM 모델이 모든 성능 지표(MAE, MAPE, RMSE)에서 가장 우수한 예측력을 보였으며, 공휴일과 요일 유형, 전기차 충전 량 등의 외생 변수가 예측 정확도에 유의미한 영향을 미치는 것으로 나타났다. 본 연구는 다변량 시계열 기반의 데이터셋과 모델링 접근을 통해 전력 수요 예측의 정확성과 실용성을 동시에 확보하고자 하였으며, 향후 에너지 수급 계획, 전기차 인프라 최적화, 스마트그리드 구축 등 다양한 분야에 활용될 수 있는 기반 인프라를 제공한다.

키워드