머신러닝 기반 전력 수요 예측 모델 개발 및 중요 특성 분석 = Development a Machine Learning-based Power Demand Forecasting Model and Analysis of Key Features|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Stable and efficient electricity supply is a core foundation for national economies and industrial activities in modern society. Since power demand fluctuates moment by moment due to complex and diverse factors like season, time of day, and economic conditions, accurate demand forecasting is essential for ensuring the stability and maximizing the operational efficiency of the power system. This study aims to develop a model that leverages machine learning techniques to forecast the UK's electricity demand with high accuracy and to conduct an in-depth analysis of the key features influencing the prediction results.
For this research, a dataset of the UK's 30-minute interval electricity demand from 2009 to 2024 was used. During the data preprocessing stage, missing values were handled, and useful derived features—such as year, month, day, and day of the week—were created based on the date and time information. Furthermore, Pearson correlation analysis and the Variance Inflation Factor (VIF) were employed to diagnose linear relationships and multicollinearity among variables, leading to the selection of final features for modeling. In the modeling phase, Random Forest, XGBoost, and LightGBM were used as individual models, and GridSearchCV was utilized for hyperparameter optimization to maximize their predictive performance. To enhance predictive stability and accuracy by combining the strengths of the individual models, a Stacking Ensemble model was also constructed. The models' performance was quantitatively evaluated and compared using the Coefficient of Determination (R2 score), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) metrics.
The performance evaluation results showed that XGBoost exhibited the highest predictive accuracy among the individual models with an R2 score of 0.9923. However, the Stacking Ensemble model, which integrates the predictions of the individual models for the final forecast, achieved the most outstanding performance with an R2 score of 0.9926. This suggests that the ensemble technique, which synthesizes predictions from multiple models, can compensate for the limitations of a single model and provide more robust forecasts. Finally, to interpret the prediction process of a machine learning model often considered a 'black box,' the SHAP (Shapley Additive Explanations) analysis, a technique from Explainable Artificial Intelligence (XAI), was applied to the LightGBM model. The SHAP analysis confirmed that settlement_period (representing the time of day), year (reflecting long-term trends), and embedded_wind_generation (denoting small-scale wind power output) are the most critical features significantly impacting electricity demand forecasting.
This study proves the possibility of highly accurate electricity demand forecasting through an optimized Stacking Ensemble model and provides concrete grounds for the model's predictions via SHAP analysis. This contributes to power system operators making rational, data-driven decisions, underscoring both its academic and practical significance.

번역하기

국문 초록 (Abstract)

현대 사회에서 안정적이고 효율적인 전력 공급은 국가 경제와 산업 활동의 핵심 기반이다. 전력 수요는 계절, 시간, 경제 상황 등 복잡하고 다양한 요인에 의해 시시각각 변동하므로, 정확한 수요 예측은 전력 시스템의 안정성 확보와 운영 효율성 극대화를 위한 필수적인 과제이다. 본 연구는 머신러닝 기술을 활용하여 영국의 전력 수요를 높은 정확도로 예측하는 모델을 개발하고, 예측 결과에 영향을 미치는 주요 특성을 심층적으로 분석하는 것을 목표로 한다.
본 연구를 위해 2009년부터 2024년까지 영국의 30분 단위 전력 수요 데이터를 관측한 데이터셋을 사용하였다. 데이터 정제 과정에서 결측치를 처리하고, 날짜 및 시간 정보를 기반으로 연, 월, 일, 요일 등 예측에 유용한 파생 변수를 생성하였다. 또한, 피어슨 상관관계 분석과 분산 팽창 계수(VIF)를 통해 변수 간의 선형 관계 및 다중공선성 문제를 진단하여 모델링에 사용할 최종 특성을 선정하였다. 모델링 단계에서는 개별 모델로 Random Forest, XGBoost, LightGBM을 사용하였으며, 이들의 예측 성능을 극대화하기 위해 GridSearchCV를 이용한 하이퍼파라미터 최적화를 수행하였다. 또한, 개별 모델들의 강점을 결합하여 예측 안정성과 정확도를 향상시키기 위해 Stacking Ensemble 모델을 구축하였다. 모델의 성능은 결정계수(R² score), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE) 지표를 사용하여 정량적으로 평가하고 비교 분석하였다. 성능 평가 결과, 개별 모델 중에서는 XGBoost가 R²score 0.9923으로 가장 높은 예측 정확도를 보였으며, 개별 모델들의 예측 결과를 종합하여 최종 예측을 수행하는 Stacking Ensemble 모델이 R²score 0.9926으로 가장 우수한 성능을 달성하였다. 이는 여러 모델의 예측을 종합하는 앙상블 기법이 단일 모델의 한계를 보완하고 더 강건한 예측을 할 수 있음을 시사한다. 마지막으로, '블랙박스' 모델로 여겨지는 머신러닝의 예측 과정을 해석하기 위해 설명가능 인공지능(XAI) 기법인 SHAP(Shapley Additive Explanations) 분석을 LightGBM 모델에 적용하였다. SHAP 분석 결과, 하루 중 시간을 나타내는 settlement_period, 장기적 트렌드를 반영하는 year, 그리고 소규모 풍력 발전량을 의미하는 embedded_wind_generation이 전력 수요 예측에 가장 큰 영향을 미치는 핵심 특성임을 확인하였다.
본 연구는 최적화된 Stacking Ensemble 모델을 통해 높은 정확도의 전력 수요 예측 가능성을 입증하였으며, SHAP 분석을 통해 모델의 예측 근거를 구체적으로 제시함으로써 전력 시스템 운영자들이 데이터 기반의 합리적인 의사결정을 내리는 데 기여할 수 있다는 점에서 학술적, 실용적 의의를 갖는다.

번역하기

현대 사회에서 안정적이고 효율적인 전력 공급은 국가 경제와 산업 활동의 핵심 기반이다. 전력 수요는 계절, 시간, 경제 상황 등 복잡하고 다양한 요인에 의해 시시각각 변동하므로, 정확한...

목차 (Table of Contents)