Source:
report/version6/lab-leader/v6_0414_exp1_goal_analysis.md
v6 실험1: PAPE와 전력비용 절감의 관계성 증명 — 목표 분석¶
- Date: 2026-04-14
- Status: Approved by lab-leader
- Phase: v6 FL Advanced
- TODO Reference:
todos/track-b_ver6_fl_advanced.md실험1
1. 과학적 목표 정의¶
원래 가설¶
PAPE가 낮고 HR이 높을수록(Peak 탐지를 잘 할수록) 전력 부하 관리에 실효성이 있다
정밀 가설 (논문 수준)¶
| ID | 가설 | 검정 기준 |
|---|---|---|
| H1 | PAPE가 낮은 예측 모델을 사용할수록 MILP 최적화 이후 전력 요금 절감률이 단조적으로 높아진다 | Spearman rho < -0.6, p < 0.05 |
| H2 | PAPE에는 임계값 T가 존재하여, PAPE < T 구간에서 비용 절감률의 한계 이득이 유의미하게 증가한다 | Piecewise linear vs linear AIC 비교 |
| H3 | PAPE가 동일하더라도 HR(Recall)이 높은 모델이 피크 시점 배터리 방전 적시성을 높여 TOU 최대부하 요금 회피율이 높다 | Partial correlation (HR → avoidance |
종속변수 (ESS 효과 측정)¶
cost_saving_pct: BESS 없는 기준 대비 TOU 전력 요금 절감률 (%)peak_reduction_pct: 최대 수요(kW) 저감률 (%)max_demand_charge_avoided: 최대부하 요금 회피 금액 (원/월, KEPCO 기준)
독립변수 (예측 정확도 제어)¶
- PAPE 수준: v5 FL 실험의 6개 method 실측값
- HR(Recall): 동일 모델에서의 피크 탐지율
2. 논문 Contribution 분석¶
선행연구 공백 (웹 검색 확인됨)¶
| 유사 연구 | 핵심 발견 | 본 연구와의 차이 |
|---|---|---|
| Optimal ESS Scheduling with Accuracy-Enhanced Forecast (ResearchGate) | 예측 정확도 향상이 ESS peak shaving 직결 | PAPE가 아닌 전반적 오차, 단일 건물 |
| Quantifying impact of building load forecasts on ESS (ScienceDirect 2024) | 예측 오차가 ESS 최적화 비용에 정량적 영향 | 가장 근접 — 피크 특화 지표 미사용 |
| Forecast Error Compensation for Peak Shaving (IEEE 2023) | 오차 보상 메커니즘으로 peak shaving 개선 | 오차 보상 방법론 중심, FL/KD 맥락 없음 |
| Optimal BESS Management under Prediction Uncertainty (IEEE 2025) | 예측 불확실성 하에서 BESS 관리 최적화 | 확률적 접근, 피크 탐지 정확도 지표 미사용 |
| Optimising BESS Trading via Price Forecast (Arxiv 2510.03657) | "예측 오차 증가 시 수익이 가속적으로 감소" | H2 가설 지지, 그러나 peak-specific 아님 |
결론: PAPE/HR과 ESS 비용 절감을 직접 연결한 연구는 문헌에 존재하지 않음. 특히 FL 맥락에서 피크 특화 지표와 ESS 비용 절감의 관계를 분석한 연구는 명확한 문헌 공백.
본 연구의 핵심 Contribution¶
| 구분 | 기존 연구 | 본 연구 |
|---|---|---|
| 예측 오차 지표 | MAPE, nMAE (전체 분포) | PAPE, HR (피크 집중) |
| 대상 시스템 | 단일 건물, 독립 미터 | 에너지 커뮤니티 (EC) |
| 요금 구조 | RTP, 일반 TOU | KEPCO 산업용 TOU (최대부하 232.5원/kWh) |
| 학습 방식 | Centralized | Federated Learning (Cold-Start 포함) |
| 핵심 주장 | 예측 정확도 향상 → 비용 절감 | MSE-PAPE 트레이드오프 하에서 PAPE 우선 최적화가 비용 효율적 |
3. 실험 구조¶
실험1a: PAPE-비용절감 단조성 검증 (H1)¶
- 입력: 6 methods x 5 households x ~150 test windows = ~4500 window-level points (집계: 30 method-household pairs)
- 방법: 모델 예측값 → ESS 최적화 (MILP) → actual cost 계산
- 통계: Spearman's rho + Bootstrap 95% CI
- 시각화: Scatter (PAPE vs cost_saving_pct), Box plot (method별), Heatmap (method x household)
실험1b: 임계점 분석 (H2)¶
- 입력: 5 hh x 20 nMAE levels x 10 trials = 1000 synthetic + 30 real model overlay
- 방법: 인위적 오차 주입 (연속 PAPE 스펙트럼) + Piecewise linear regression
- 통계: Breakpoint T* + 95% CI, AIC 비교 (linear vs piecewise)
- 시각화: Scatter + piecewise fit, Marginal gain curve
실험1c: HR 보완 효과 검증 (H3)¶
- 입력: 30 method-household pairs에 HR 추가 계산
- 방법: PAPE bin별 HR→avoidance_rate 상관, ANCOVA
- 통계: Partial correlation, Wilcoxon signed-rank test
- 시각화: Scatter (HR vs avoidance_rate, 색상=PAPE bin), Interaction plot
핵심 설계: "Actual Cost with ESS" 계산¶
ESS는 forecast 기반으로 스케줄링하되, 실제 비용은 actual load로 계산:
Step A: schedule = solve(forecast, prices) → p_ch, p_dis 결정
Step B: actual_grid = actual_load + p_ch - p_dis (고정 스케줄 적용)
Step C: actual_cost = sum(actual_grid * prices)
4. 사전 작업 목록¶
| # | 작업 | 현황 | 담당 |
|---|---|---|---|
| P0 | PAPE 정의 통일 (compute_pape() window-max 기반) |
두 정의 공존 중 | engineer |
| P1 | v5 예측값 추출 (6 methods x 5 hh, 모델 체크포인트에서 재추론) | 저장 안 됨 — 블로커 | engineer |
| P2 | BESSParams 스케일링 검증 (cap_per_hh 적정성) | UMass peak ~1-3kW vs 12kWh 배터리 | exp-expert |
| P3 | Window→ESS 연결 파이프라인 구축 | 구현 필요 | engineer |
| P4 | pwlf 패키지 설치 |
uv add pwlf |
engineer |
| P5 | TOU 시간대 매핑 유틸 | on_peak/mid_peak/off_peak 분류 | engineer |
5. 스크립트 계획¶
experiments/ess_simulation/
v6_0414_pape_cost_data_gen.py # P1+P3: 예측값 추출 + ESS 최적화 일괄 실행
v6_0414_exp1a_monotonicity.py # 실험1a: Spearman + scatter
v6_0414_exp1b_threshold.py # 실험1b: piecewise regression
v6_0414_exp1c_hr_complement.py # 실험1c: HR 보완 효과
v6_0414_exp1_summary.py # 전체 결과 종합 + 논문용 figure
출력: outputs/ess_simulation/exp1_pape_cost/
6. 제약조건¶
- BESSParams 모든 비교에서 동일 고정
- RANDOM_SEED = 42
- PeakEvaluator 아닌
compute_pape()(window-max) 사용 - TOU 시간대는 데이터 local hour에 매핑 (timezone 가정 논문에 명시)
- 가구별 개별 결과를 데이터포인트로 취급 (25+ 샘플)
- Window 간 비독립성 → method-household 집계 + mixed-effects 보조
7. 리스크 및 블로커¶
| 리스크 | 영향 | 대응 |
|---|---|---|
| v5 예측값 파일 부재 | 실험1 전체 지연 | 체크포인트 재추론으로 복원 |
| PAPE 변동 부족 (모든 method 비슷) | H1 검증 불가 | Scratch 추가 + synthetic error 보완 |
| ESS 배터리 과대 (ceiling effect) | 비용 절감 차이 미미 | BESSParams 축소 조정 |
| MILP solver 속도 | 4500+ window 처리 시간 | binary relaxation 또는 병렬화 |
| 논문 마감 압박 | 실험1-4 전체 완료 불가 | 실험1+3 집중 우선 |