전력 가격 예측(EPF)은 수학적, 통계적, 기계 학습 모델을 적용하여 미래 전력 가격을 예측하는 에너지 예측의 한 분야이다. 지난 30년 동안 이러한 예측은 에너지 기업의 기업 의사 결정에 필수적인 입력 요소가 되었으며, 특히 전력이 현물 및 파생상품 계약을 통해 거래되는 규제 완화 시장에서 그러하다. 이 분야는 유럽, 북미, 호주, 아시아의 시장 자유화와 함께 등장했으며, 전통적으로 독점적이던 전력 부문이 경쟁 구조로 전환되면서 발전했다.
전력은 경제적으로 저장이 불가능한 독특한 상품으로, 계통 안정성을 위해 생산과 소비의 지속적인 균형이 필요하다. 그 수요는 날씨와 주간 활동 패턴(예: 최대 부하 시간대 대 비최대 부하 시간대, 주중 대 주말)에 크게 의존한다. 이러한 특성은 다른 시장에서는 볼 수 없는 가격 역학을 만들어 내며, 일별, 주별, 연별 계절성과 갑작스럽고 종종 예측 불가능한 가격 급등을 포함한다. 가격 변동성은 다른 어떤 거래 상품이나 금융 자산보다 최대 두 자릿수 높을 수 있으며, 시장 참여자들이 물량 및 가격 위험을 모두 헤지하도록 유도한다. 최대 부하가 1GW인 전력 회사는 단기 가격 예측의 평균 절대 백분율 오차(MAPE)를 1% 줄임으로써 연간 약 30만 달러를 절약할 수 있는 것으로 추정된다.
예측 방법
가장 간단한 익일 예측 접근 방식은 각 발전원에 발전 블록 입찰을 요청하고 가장 저렴한 입찰을 선택하는 것이다. 입찰이 충분하지 않으면 가격이 상승하고, 너무 많으면 가격이 0 또는 음수로 떨어질 수 있다. 제안 가격은 발전 비용, 송전 비용, 이윤을 포함한다. 독립 계통 운영 기관(ISO)은 송전과 발전 운영을 분리하고 입찰 기반 시장을 사용하여 경제적 급전을 결정함으로써 경쟁을 촉진한다. 전력은 인접 전력 풀과 거래될 수 있다.
풍력 및 태양광과 같은 비급전 가능 재생 에너지원은 일반적으로 사전 결정된 요율로 다른 입찰보다 먼저 판매된다. 초과 발전량은 다른 계통 운영자에게 판매되거나, 양수 발전을 통해 저장되거나, 최악의 경우 출력 제한된다. 출력 제한은 보급 수준이 높아짐에 따라 태양광 발전의 경제적 및 환경적 이점을 크게 줄일 수 있다. 스마트 그리드와 분산 재생 발전의 통합은 공급 및 수요 불확실성을 증가시켜 예측 기술에 대한 상당한 연구를 촉발했다.
주요 요인
전력은 수요가 발생하는 정확한 순간에 생산되므로 모든 공급 및 수요 요인이 현물 시장 가격에 즉시 영향을 미친다. 단기 가격은 날씨에 가장 큰 영향을 받으며, 겨울철 난방 수요와 여름철 냉방 수요가 계절적 가격 급등을 유발한다. 추가 천연가스 발전 용량은 수요를 증가시키면서 가격을 낮추는 데 기여해 왔다. 연료 가격과 CO2 배출권 가격은 주요 공급 측 요인이며, EU 탄소 가격은 2017년 이후 두 배로 상승하여 중요한 비용 요소가 되었다.
국가별 자원 보유 및 규제도 요금을 형성한다. 생산자 또는 소비자에 대한 정부 보조금은 전력을 저렴하게 유지할 수 있지만, 대부분의 국가는 어느 정도 시장 기반 가격 책정을 채택했다.
날씨
전력 수요는 주로 온도에 의해 결정되며, 난방 도일과 냉방 도일은 화씨 65도를 기준으로 에너지 소비를 측정한다. 날씨는 재생 에너지 공급에도 영향을 미친다. 캘리포니아의 덕 커브는 하루 동안 수요와 태양광 에너지 가용성 사이의 격차를 보여 주며, 태양광은 맑은 시간대에 시장을 넘치게 하고 수요가 최고조에 달하는 저녁에 급감한다. 기상 예보는 특히 2~4일 전망 기간에서 가격 예측 정확도를 향상시킬 수 있으며, 익일 예측은 자기 회귀 효과의 이점을 얻는다.
수력 발전 가용성
적설량, 하천 유량, 계절성 및 기타 수문학적 요인은 수력 발전 댐에 이용 가능한 잠재 에너지를 결정한다. 이러한 변수를 예측하면 특정 기간의 발전 용량을 예측할 수 있다. 파키스탄, 이집트, 중국, 태평양 북서부와 같은 지역은 수력 발전에 크게 의존한다. 2015년 잠비아는 강우 부족으로 인한 낮은 댐 수위로 인해 전년도보다 두 배 이상의 시스템 평균 중단 시간 및 빈도 지수(SAIDI 및 SAIFI)를 경험했다.
발전소 및 송전 정지
계획되거나 계획되지 않은 정지는 계통에 공급되는 총 전력을 줄여 공급을 약화시키고 가격을 상승시킨다. 전력 회사와 계통 운영자는 단기 예측에 정지 일정을 반영해야 한다.
경제 건전성
경기 침체 기간에는 소비자 수요 감소에 대응하여 공장이 생산을 줄여 전력 소비를 감소시킨다. 이러한 수요 감소는 도매 가격을 낮출 수 있으며, 경제 성장은 일반적으로 수요와 가격을 증가시킨다.
기계 학습 접근 방식
현대 EPF는 점점 더 인공 지능 및 딥 러닝 모델, 특히 신경망 및 앙상블 방법에 의존하고 있다. 이러한 모델은 날씨, 부하, 재생 에너지 출력과 같은 가격 요인 간의 비선형 관계를 포착한다. 잔차 네트워크 및 트랜스포머 아키텍처와 같은 기술은 과거 가격 및 기상 입력의 대규모 데이터 세트를 활용하여 가격 예측 작업에 적용되어 왔다. 훈련은 종종 아담 최적화 변형 및 학습률 스케줄을 사용하여 수렴을 개선한다. 손실 함수 및 데이터 증강 전략의 선택은 예측 성능에 큰 영향을 미칠 수 있다.
연구는 ARIMA와 같은 고전적 통계 모델과 기계 학습 접근 방식을 비교했다. 어떤 단일 방법도 지배적이지 않지만, 기본 요인과 통계적 또는 학습 기반 구성 요소를 결합한 하이브리드 모델이 일반적으로 우수한 성능을 보인다. 송전 계통 운영 기관(TSO)이 발표하는 재생 에너지 발전 예측의 정확성은 간단한 예측 모델로 향상될 수 있으며, 이는 결과적으로 가격 예측을 개선한다.
시장 응용
전력 포트폴리오 관리자는 수시간에서 수개월 앞선 가격 예측을 사용하여 입찰 전략과 생산 또는 소비 일정을 조정한다. 정확한 익일 예측은 전력 회사가 경쟁 시장에서 위험을 줄이고 이익을 극대화할 수 있게 한다. 간헐적 재생 에너지의 비중 증가는 예측 불확실성을 높이며, 강력한 모델을 더욱 가치 있게 만든다. 가격 예측은 또한 위험 관리, 자산 평가, 발전 및 계통 인프라의 장기 투자 계획을 지원한다.