UMAP 차원 축소 기반의 하이브리드 모델을 적용한 계통한계가격 예측 연구 = A study on forecasting system marginal price using a hybrid model based on UMAP dimensionality reduction

국문 초록 (Abstract)

본 연구는 재생에너지 확대, 연료 가격 변동성, 전력 수요 증가로 인해 불확실성이 커지고 있는 전력 시장에서 시스템한계가격(SMP)의 예측 정확도를 향상시키는 것을 목표로 한다. 이를 위해 날씨, 국제 유가, 환율, 경제 지표, 전력 수요 등 다양한 외생 변수를 활용하였다. 또한 다중공선성과 고차원 문제를 해결하기 위해 PCA와 UMAP 등의 차원 축소 기법을 적용하였다.
차원 축소 이후, 전통 시계열 모델(ARIMA, ARIMAX), 머신러닝 모델(SVR, Random Forest, XGBoost, CatBoost), 딥러닝 모델(RNN, LSTM, CNN), 그리고 CNN 기반 특징 추출과 SVR을 결합한 하이브리드 모델(CNN-SVR)의 성능을 비교하였다. 모든 모델은 동일한 외생 변수와 SMP의 7일 시차 데이터를 활용하였다.
실험 결과, CNN-SVR 모델이 특히 UMAP 4차원 설정에서 가장 우수한 성능을 나타냈다. 반면, UMAP 6차원 설정에서는 시계열 구조 손실로 인해 LSTM과 CNN 모델의 성능이 저하되는 현상이 나타났다. 한편, PCA는 ARIMA와 SVR 등 전통 모델의 성능을 개선하는 데 기여하였다.
본 연구는 다양한 예측 모델과 차원 축소 기법을 체계적으로 비교함으로써 SMP 예측의 정확도 향상에 기여한다. 향후 연구에서는 온라인 학습, 트랜스포머 기반 모델, 시계열 특성을 보존하는 차원 축소 기법의 적용 가능성을 탐색할 수 있다.

다국어 초록 (Multilingual Abstract)

This study aims to enhance the prediction accuracy of the System Marginal Price (SMP) in the electricity market, which faces growing uncertainty due to the expansion of renewable energy, fuel price volatility, and rising demand. Various exogenous variables—including weather, oil prices, exchange rates, economic indicators, and electricity demand—were used. To address multicollinearity and high dimensionality, dimensionality reduction techniques like PCA and UMAP were applied.
After dimensionality reduction, the study compared traditional time series models (ARIMA, ARIMAX), machine learning models (SVR, Random Forest, XGBoost, CatBoost), deep learning models (RNN, LSTM, CNN), and a hybrid CNN-SVR model. All models used the same external variables and a 7-day lag of SMP data.
Results showed that the CNN-SVR model achieved the best performance, especially with UMAP-reduced data (4D). In contrast, LSTM and CNN performance dropped with UMAP 6D, likely due to loss of temporal structure. PCA improved results for traditional models like ARIMA and SVR.
This research contributes to improved SMP forecasting by systematically comparing models and reduction techniques. Future work may explore online learning, Transformer models, and temporal-aware dimensionality reduction.