【목적】 기존의 단기 전력 부하 예측 모델이 소비 패턴 차이와 장기 의존성을 동시에 학습하기 어려워 고변동 시나리오에서 예측 정확도가 제한되는 문제를 해결하기 위해, 본 논문은 "유사일 군집-TCN-Informer" 조합 모델을 제안한다. 【방법】 먼저, 퍼지 C-평균 알고리즘을 활용하여 과거 부하 및 달력 특성에 기반해 샘플을 평일, 주말 및 공휴일의 3가지 유사일 군집으로 분류하여 모드 간 잡음을 줄인다. 다음으로, 각 군집 데이터에 대해 시계열 합성곱 신경망(TCN)으로 지역 특성을 추출한 후, 확률적 희소 주의 메커니즘인 Informer를 도입해 장기 의존성을 포착하고 군집 단위 예측을 생성한다. 이후 기상 및 전기 요금 등 외생 변수를 융합하고 베이지안 최적화를 통해 전역 하이퍼파라미터 탐색을 수행한다. 【결과】 호주 에너지 시장 AEMO-NSW의 30분 해상도 데이터 기반 24시간 예측 실험 결과, 본 모델은 LSTM 대비 평균 제곱근 오차와 평균 절대 오차가 각각 16.59% 및 14.66% 감소하였고, TimesNet 대비 각각 12.33% 및 11.61% 감소하였으며, 평균 절대 백분율 오차는 3.02%에 불과하였다. 【결론】 결과는 제안한 방법이 정확도와 견고성 측면에서 뚜렷한 우위를 가지며, 전력망 스케줄링 및 현물 거래에 신뢰할 수 있는 의사결정 지원을 제공할 수 있음을 검증하였다.

단기 전력 부하 예측;유사일 군집;시계열 합성곱 신경망;Informer;장기 의존성