[논문]ARIMA 모형을 이용한 계통한계가격 예측방법론 개발

김대용; 이찬주; 정윤원; 박종배; 신종린

ARIMA 모형을 이용한 계통한계가격 예측방법론 개발
Development of System Marginal Price Forecasting Method Using ARIMA Model 원문보기

전기학회논문지. The transactions of the Korean Institute of Electrical Engineers. A / A, 전력기술부문, v.55 no.2, 2006년, pp.85 - 93

김대용 (건국대학 전기공학과) , 이찬주 (건국대학 전기공학과) , 정윤원 (건국대학 전기공학과) , 박종배 (건국대학 전기공학과) , 신종린 (건국대학 전기공학과)

Abstract ▼ AI-Helper

Since the SMP(System Marginal Price) is a vital factor to the market participants who intend to maximize the their profit and to the ISO(Independent System Operator) who wish to operate the electricity market in a stable sense, the short-term marginal price forecasting should be performed correctly. In an electricity market the short-term market price affects considerably the short-term trading between the market entities. Therefore, the exact forecasting of SMP can influence on the profit of market participants. This paper presents a new methodology for a day-ahead SMP forecasting using ARIMA(Autoregressive Integrated Moving Average) model based on the time-series method. And also the correction algorithm is proposed to minimize the forecasting error in order to improve the efficiency and accuracy of the SMP forecasting. To show the efficiency and effectiveness of the proposed method, the case studies are performed using historical data of SMP in 2004 published by KPX(Korea Power Exchange).

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 계통한계가격 예측을 위해서 시계열 자료 예측기법 가운데 하나인 ARIMA 모형 기반의 계통한계가격 예즉 알고리즘을 제시한다. 본 논문에서 제시하는 예즉 알 고리즘은 최소 시계열 자료를 가지고 예측에 필요한 주요 입력요소를 이용하여 시간대 별(hourly), 주간대 별(weekly), 월별(monthly) 각각의 계통한계가격을 예측한다.
본 논문에서는 시간대별, 주간대별, 월별 예측모형으로 예 측된 결과를 이용하여 정확한 계통한계가격 예측을'위해 보 정 알고리즘을 개발하였다. 시계열 자료 예측에 있어서 가장 큰 영향을 미치는 것은 바로 직전의 계통한계가격이다.
본 논문에서는 한국전력거래소에서 제공하는 시간대별 계 통한계가격 자료를 이용하여 2004년 8월 한 달간을 예측하여 제시한 알고리즘의 타당성을 검증한다. 정확한 예측은 모형에서 산출된 예측값과 실제값의 차이인 예측오차가 작은 것을 의미한다.

제안 방법

이러한 시계열분석 절차에 따라 과거 계통한 계가격 자료를 이용하여 전일 계통한계가격 예측이 가능하다. 다음 절에서는 Box-Jenkins분석방법의 기초가 되는 개 념을 간략히 정리하여 보고, 본 논문에서의 예측모형인 ARIMA모형에 관해 살펴보기로 한다.
본 논문에서는 정확한 계통한계가격 예측을 위해서 시계 열 자료 예측기법의 하나인 자기회귀누적이동평균(ARIMA) 모형을 확장하여 사용하였다. 또한 예측보정 알고리즘을 통해 각 입력요소별로 예측된 계통한계가격의 예측오차를 최 소화하였다. 본 논문에서 제안한 계통한계가격 예측 알고리 즘의 타당성을 검증하기 위하여 한국전력거래소에서 제공하는 과거의 계통한계가격을 입력 자료로 사용하여 2004년 8 월 한 달간을 예측하였으며, 이를 실제 계통한계가격과 비교 .
그림은 정확한 분석을 위해서 4주로 나누워서 보여주며 각각의 인자에 대한 예측값을 비교한다. 또한 예측오차를 최 소화하는 보정 알고리즘을 통한 보정값을 실제 계통한계가 격과 비교한다.
본 논문에서는 계통한계가격 예측을 위해서 시계열 자료 예측기법 가운데 하나인 ARIMA 모형 기반의 계통한계가격 예즉 알고리즘을 제시한다. 본 논문에서 제시하는 예즉 알 고리즘은 최소 시계열 자료를 가지고 예측에 필요한 주요 입력요소를 이용하여 시간대 별(hourly), 주간대 별(weekly), 월별(monthly) 각각의 계통한계가격을 예측한다. 시간대별 예측 방법론은 t시간의 계통한계가격을 예측하기 위해 과거 연속된 시계열 자료 -2, …)를 입력 자료로 사용하여 예측하고, 주간대별 예측 방법론은 주말 특성을 예측 알고리 즘에 반영하기 위한 방법으로 이전 주의 연속된 시계열 자 료 (w—를 입력 자료로 사용한다.
또한 예측보정 알고리즘을 통해 각 입력요소별로 예측된 계통한계가격의 예측오차를 최 소화하였다. 본 논문에서 제안한 계통한계가격 예측 알고리 즘의 타당성을 검증하기 위하여 한국전력거래소에서 제공하는 과거의 계통한계가격을 입력 자료로 사용하여 2004년 8 월 한 달간을 예측하였으며, 이를 실제 계통한계가격과 비교 . 분석하였다.
또한 본 논문에서 제안한 보정 알고 리즘을 통해 각 입력요소별로 예측된 시장가격의 예측오차 를 최소화하여 계통한계가격 예측의 정확성을 향상시킨다. 본 논문에서 제안한 계통한계가격 예측 알고리즘의 타당 성을 검증하기 위하여 2004년 8월(첨두기간) 한 달간의 계 통한계가격을 예측하였다. 또한 예측값의 정확성을 평가하기 위하여 평균절대비율오차(Mean Absolute Percentage Error ; MAPE)를 사용하여 실제값과의 예측오차를 분석하였다.

대상 데이터

단기간 시 장가격예측, 수요예측 등 다수의 연구사례가 이미 보고된 바 있다[8-11]. 전력계통에서 측정되는 계통한계가격 자료는 평균, 분산 및 자기공분산이 시간의 변화에 영향을 받는 비 정상시계열 자료이다. Box-Jenkins는 이 같은 비정상시계열 자료를 연속적인 차분 (differencing) 과 확률과정 (stochastic process)을 통해 정상시계열로 변환을 일반화하였다.

데이터처리

본 논문에서 제안한 계통한계가격 예측 알고리즘의 타당 성을 검증하기 위하여 2004년 8월(첨두기간) 한 달간의 계 통한계가격을 예측하였다. 또한 예측값의 정확성을 평가하기 위하여 평균절대비율오차(Mean Absolute Percentage Error ; MAPE)를 사용하여 실제값과의 예측오차를 분석하였다.
제시한 방법론의 ARIMA 모형의 모수추정 및 예측치는 통계학적 범용 소프트웨어인 SAS Ver. 8.1 을 사용하여 모의 시험한다. SAS의 ARIMA 프로시져에서는 ESTIMATE 문 에서 CLS(Conditional Least Squares), ULS (Unconditional Least Squares), ML(Maximum Likelihood) 중 하나를 지정 할 수 있으며 디폴트는 CLS이다[13].

이론/모형

본 논문에서는 정확한 계통한계가격 예측을 위해서 시계 열 자료 예측기법의 하나인 자기회귀누적이동평균(ARIMA) 모형을 확장하여 사용하였다. 또한 예측보정 알고리즘을 통해 각 입력요소별로 예측된 계통한계가격의 예측오차를 최 소화하였다.

성능/효과

4아%]의 주말 평균 오차율을 나타내었다. 그림 2~9에서 볼 수 있듯 이 예측보정 알고리즘을 통해 예측된 예측값의 오차율은 매우 작은 값을 갖는 것을 알 수 있으며, 이를 통해 예측 결과 값이 매우 정확하다는 것을 확인할 수 있다.
그리고 월별 예 측 방법론은 계절별 특성을 반영하기 위한 알고리즘으로서 이전 달의 연속된 시계열 자료 (#)를 입력 자료 로 사용하여 예측한다. 또한 본 논문에서 제안한 보정 알고 리즘을 통해 각 입력요소별로 예측된 시장가격의 예측오차 를 최소화하여 계통한계가격 예측의 정확성을 향상시킨다. 본 논문에서 제안한 계통한계가격 예측 알고리즘의 타당 성을 검증하기 위하여 2004년 8월(첨두기간) 한 달간의 계 통한계가격을 예측하였다.
27[%]의 비교적 작은 오차율을 가지고 있지만 특정 시간 대에 큰 오차율을 가지는 것을 확인할 수 있다. 반면, 본 논 문에서 제시한 보정 알고리즘을 통해 보정된 최종 계통한계 가격의 오차율은 2.15[%]이다. 예측보정 알고리즘의 타당성 을 검증한 결과 요약은 표 4와 같다.
본 논문에서 제시한 ARIMA 모형별 예측값은 평균3.27[%]의 비교적 작은 오차율을 가지고 있지만 특정 시간 대에 큰 오차율을 가지는 것을 확인할 수 있다. 반면, 본 논 문에서 제시한 보정 알고리즘을 통해 보정된 최종 계통한계 가격의 오차율은 2.
분석하였다. 제시한 방법론은 2004년 8월 한 달간 평균 오차율이 약 2.15[%]의 예측 결과값을 나타내었다. 하루 평균 최대 오차일은 1일(일요일)이고 2.
시 계열분석을 위해서 시계열은 각 항이 서로 비교할 수 있는 성질이 있어야 되기 때문에 다음과 같은 요인이 갖추어져야 한다. 첫째, 시계열에서의 시간의 경과는 동일한 시간간격에 따라야 한다. 둘째, 시계열을 구성하는 숫자들은 동일한 정 의와 방법에 의하여 조사된 것이어야 한다.
표 4에서 보정 알고리즘 구간에 대한 실제값과 예측값의 오차율은 8월 한 달간 평균 2.15[%]로 매우 작은 오차율을 나타내고 있으며, 2.04[%]의 주중 평균 오차율과 2.4아%]의 주말 평균 오차율을 나타내었다. 그림 2~9에서 볼 수 있듯 이 예측보정 알고리즘을 통해 예측된 예측값의 오차율은 매우 작은 값을 갖는 것을 알 수 있으며, 이를 통해 예측 결과 값이 매우 정확하다는 것을 확인할 수 있다.

후속연구

본 논문에서 제시한 예측보정 알고리즘은 안정적인 전력시장을 위한 단기간 수요예측에 활용될 수 있으며, 부하별로 다양하고 신뢰성 있는 수요예측에도 적용이 가능할 것이다. 또한 제시한 방법론을 통해 각 발전회사는 경쟁적 전력시장에서 자신의 이익을 최대화하기 위한 최적 의 입찰전략을 수립하는데 이용할 수 있으며, 시장운영자는 전력시장을 예측하고 분석할 수 있을 것으로 판단된다. 향후 연구에서는 주말 또는 특정일의 예측 정확도가 주중에 비해 상대적으로 떨어지는 단점을 보완하고 가끔 돌출적인 예측값이 발생하는 문제를 해결하기 위한 새로운 예측 방법 론이 모색되어야 할 것으로 생각된다.
이를 통해서 제시한 기법을 이용한 계통한 계가격 예측값은 신뢰할 수 있으며 여러 시장참여들에게 그 들의 목적에 부합할 수 있는 유용한 정보의 제공이 가능할 것으로 판단돤다. 본 논문에서 제시한 예측보정 알고리즘은 안정적인 전력시장을 위한 단기간 수요예측에 활용될 수 있으며, 부하별로 다양하고 신뢰성 있는 수요예측에도 적용이 가능할 것이다. 또한 제시한 방법론을 통해 각 발전회사는 경쟁적 전력시장에서 자신의 이익을 최대화하기 위한 최적 의 입찰전략을 수립하는데 이용할 수 있으며, 시장운영자는 전력시장을 예측하고 분석할 수 있을 것으로 판단된다.
78[%]의 매우 정확한 예측을 보였다. 이를 통해서 제시한 기법을 이용한 계통한 계가격 예측값은 신뢰할 수 있으며 여러 시장참여들에게 그 들의 목적에 부합할 수 있는 유용한 정보의 제공이 가능할 것으로 판단돤다. 본 논문에서 제시한 예측보정 알고리즘은 안정적인 전력시장을 위한 단기간 수요예측에 활용될 수 있으며, 부하별로 다양하고 신뢰성 있는 수요예측에도 적용이 가능할 것이다.
또한 제시한 방법론을 통해 각 발전회사는 경쟁적 전력시장에서 자신의 이익을 최대화하기 위한 최적 의 입찰전략을 수립하는데 이용할 수 있으며, 시장운영자는 전력시장을 예측하고 분석할 수 있을 것으로 판단된다. 향후 연구에서는 주말 또는 특정일의 예측 정확도가 주중에 비해 상대적으로 떨어지는 단점을 보완하고 가끔 돌출적인 예측값이 발생하는 문제를 해결하기 위한 새로운 예측 방법 론이 모색되어야 할 것으로 생각된다.

참고문헌 (16)

J. Contreras, R. Espinola, F.J. Nogales, and A.J. Conejo, 'ARIMA Models to Predict Next-Day Electricity Prices', IEEE Transactions on Power Systems, Vol. 18, No.3, pp. 1014-1020, Aug. 2003

상세보기
J.M. Arroyo and A.J. Coneio, 'Optimal Response of a Thermal Unit to an Electricity Spot Market', IEEE Transactions on Power Systems, Vol. 15, pp. 1098-1104, Aug. 2000

상세보기
B.R. Szkuta, L.A Sanabria, and T.S. Dillon, 'Electricity Price Short-Term Forecasting Using Artificial Neural Network', IEEE Transactions on Power Systems, Vol. 14, No.3, pp. 851-857, Aug. 1999

상세보기
A Martini, P. Pelacchi, L. Pellegrini, M.V. Cazzol, A Garzillo, and M. Innorta, 'A Simulation Tool for Short Term Electricity Market', PICA 2001. 22nd IEEE Power Engineering Society International Conference on Innovative Computing for Power Electric Energy Meets the Market, pp. 112 -117, May 2001
A.A.EI Desouky and M.M.EIKateb, 'Hybrid adaptive techniques for electric-load forecast using ANN and ARIMA', JEE Proc.-Gener. Transm. Distrib., Vol. 147, No.4, pp, 213-217, July 2000

상세보기
이상래, 환율예측모형의 비교연구, 한국과학기술원 석사학위논문, 2005
김연형, 시계열 분석, 자유아카데미, 1994
M.T. Hagan and S.M. Behr, 'The Time Series Approach to Short Term Load Forecasting', IEEE Transactions on Power Systems, Vol. 2. pp, 785-791, Aug. 1987

상세보기
박종배, 이찬주, 이재용, 신중린, 이창호, 'ARIMA 모형에 기초한 수요실적자료 보정기법 개발', 대한전기학회 논문지, 제 53권, 7호, pp. 405-413, 2004

원문보기 상세보기
Chan- Joo Lee, Jong-Bae Park, Jae-Yong Lee, Joong-Rin Shin, and Chang-Ho Lee, 'A Hybrid Correction Technique of Missing Load Data Based on Time Series Analysis', KIEE Transaction on System and Control, Vol. 3-A, No.1, pp. 123-132, 2003
A. J. Conejo, M.A. Plazas, R. Espinola, and A.B. Molina, 'Day-Ahead Electricity Price Forecasting U sing the Wavelet Transform and ARIMA Models', IEEE Transactions on Power Systems, Vol. 20, No. 2, pp. 1035-1042, May 2005

상세보기
G.E.P. Box, G.M. Jenkins, and G.c. Reinsel, Time Series Analysis : Forecasting and Control, Prentice Hall, 1994
A. Pole, M. West, and J. Harrison, Applied Bayesian Forecasting and Times Series Analysis, Chapman & Hall, 1994
박유성, 김기환, SAS/ETS를 이용한 시계열자료분석 I, 자유아카데미, 2002
Wei and W.S. William, Time Series Analysis : Univariate And Multivariate Methods, Addison-Wesley, 2005
K.L. Lo and Y.K. Wu, 'Risk Assessment Due to Local Demand Forecast Uncertainty in The Competitive Supply Industry', lEE Proc.-Gener. Transm: Distrib., Vol. 150, No.5, pp. 573-581, Sept. 2003

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증