Peak 중심 평가 프레임워크: 경제성 근거 및 분석 과제¶
작성일: 2026-04-13 목적: Peak 예측 정확도의 경제적 가치를 체계적으로 정리하고, 현재 프로젝트에서 빠져 있는 Peak 중심 분석 4가지를 정의 상태: 근거 수집 완료 / 분석 미착수
1. 핵심 주장¶
"전력 시스템에서 MSE가 아니라 Peak 예측 정확도가 ESS 경제성에 직결된다"
이 주장을 뒷받침하는 근거를 거시(전력 시스템), 미시(KEPCO 요금), 프로젝트 내부 데이터 세 수준으로 정리한다.
2. 거시적 근거 — 왜 Peak가 비싼가¶
2.1 수요 요금(Demand Charge)의 비중¶
상업/산업 전기요금의 30~70%가 수요 요금(Demand Charge)으로 구성된다. 수요 요금은 청구 기간 내 최대 15분 평균 전력(peak demand)에 의해 결정되며, 이 한 번의 피크가 한 달 전체 요금을 좌우한다.
- 출처: Clean Energy Group (Demand Charge Fact Sheet), EnergySage
2.2 전력망 인프라 투자의 피크 의존성¶
- 연간 극소 시간(수십~수백 시간)의 피크 수요가 송전망 투자의 10~20%를 유발
- 전력망 평균 가동률은 약 53% — 나머지는 피크 대비 유휴 자산
- 미국 유틸리티의 향후 5년 전력망 투자 규모: $1.1 trillion (주로 피크 용량)
- 출처: RMI, EIA (2024)
2.3 피크 저감의 경제적/환경적 효과¶
"피크 부하를 단 5~15%만 저감하더라도 탄소 배출이 높은 피커(Peaker) 발전소 가동을 방지하고 전력망 인프라의 과잉 투자를 막아 막대한 경제적, 환경적 편익을 얻을 수 있다" — Machine learning in peak demand forecasting: foundations, trends, and insights (Ref 4)
3. 예측 정확도 → 경제적 가치¶
3.1 예측 오차의 직접적 비용¶
| 조건 | 경제적 효과 | 출처 |
|---|---|---|
| 1GW 피크 유틸리티에서 MAPE 1%p 개선 | 연간 \(500K** (장기), **\)600K (단기+가격) | Hong (2015) |
| IEEE-RTS 3105MW 시스템에서 예측 오차 1% 증가 | 일 $590 손실 | MDPI Energies |
| 유럽 중견 유틸리티에서 예측 0.1% 개선 | 연간 $3M 운영비 절감 | MDPI PV Study |
| 건물 ESS에서 예측 보정(RMSE 감소) | 운영비 1887 → 1772 직접 절감 | Hwang et al. (Ref 3) |
3.2 핵심 논점: Peak 예측 오차의 비대칭적 비용¶
일반 시계열 예측에서 과대/과소 예측의 비용은 대칭적이다 (MSE 가정). 그러나 ESS 스케줄링에서 피크 과소예측의 비용이 과대예측보다 크다:
- 피크 과소예측: ESS가 피크 시점에 방전하지 않음 → 수요 요금 전액 부과
- 피크 과대예측: ESS가 불필요하게 방전 → 배터리 수명 소모 (상대적 소비용)
이 비대칭성은 MSE (대칭 손실)가 ESS 경제성의 적절한 대리 지표가 아님을 시사한다.
4. 한국 특수 — KEPCO 요금 구조¶
4.1 일반용(을) 고압A TOU 요금¶
| 시간대 | 요금 (원/kWh) | 경부하 대비 |
|---|---|---|
| 경부하 | 73.3 | 1.00배 |
| 중간부하 | 147.3 | 2.01배 |
| 최대부하 | 232.5 | 3.17배 |
최대부하 시간대의 요금이 경부하의 3.17배 — Peak 시점의 정확한 예측이 TOU 차익 극대화의 핵심.
4.2 한국 DR(수요반응) 프로그램¶
| 항목 | 수치 | 출처 |
|---|---|---|
| DR 파일럿 피크 저감 효과 | 33.44% | MDPI Energies (2020) |
| DR 1회 운영당 유틸리티 절감 | 437,256원 | 동일 |
| 서울 수도권 DR 참여 시 잠재 피크 감축 | 1.74 GW | ScienceDirect (2021) |
| 가정용 Critical Peak Rebate 절감률 | 5.74% (1,003가구) | 동일 |
5. 프로젝트 내부 데이터가 보여주는 것¶
5.1 MSE 순위 ≠ PAPE 순위 — 직접적 증거¶
EC50 Aggregate Baseline 12종 모델 평가에서:
| 모델 | MSE 순위 | PAPE 순위 | MSE (kW²) | PAPE (%) |
|---|---|---|---|---|
| GWN-Teacher-50HH | 1 | 5 | 121.43 | 17.32 |
| DLinear | 2 | 2 | 124.45 | 16.03 |
| Chronos-Bolt | 3 | 3 | 136.20 | 16.34 |
| Moirai-1.1-R-Small | 5 | 1 | 179.85 | 15.91 |
MSE 1위(GWN)와 PAPE 1위(Moirai)가 다르다 — MSE 최적화가 Peak 최적화와 동치가 아님.
5.2 KD 실험에서의 MSE-PAPE 트레이드오프¶
Phase 3b 5가구 평균:
| Method | MSE | ΔMSE | PAPE (%) | ΔPAPE |
|---|---|---|---|---|
| M0 No-KD | 0.5207 | — | 42.69 | — |
| M1 NormFreq | 0.5185 | -0.42% | 42.94 | +0.25%p |
| M2 Peak-Aware | 0.5623 | +7.99% | 41.18 | -1.51%p |
M2의 가구별 PAPE:
| 가구 | M0 PAPE (%) | M2 PAPE (%) | ΔPAPE (%p) |
|---|---|---|---|
| Apt6 | 40.68 | 42.75 | +2.07 |
| Apt15 | 38.31 | 37.13 | -1.18 |
| Apt30 | 42.90 | 38.15 | -4.75 |
| Apt51 | 47.17 | 43.82 | -3.35 |
| Apt88 | 44.41 | 44.05 | -0.36 |
| 평균 | 42.69 | 41.18 | -1.51 |
5.3 GWN A_adp KD에서 MSE KD가 Peak를 해치는 증거¶
2×2 Factorial 실험 (2026-04-09):
| 조건 | Mean PAPE (%) | vs A1 |
|---|---|---|
| A1 (DLinear, No-KD) | 42.55 | — |
| A2 (DLinear, MSE KD) | 42.90 | +0.35%p |
| A7 (SC-DLinear, No-KD) | 43.16 | +0.61%p |
| A6 (SC-DLinear, MSE KD) | 43.39 | +0.84%p |
MSE KD를 적용할수록 PAPE가 악화 — MSE 최적화가 Peak 예측을 해치는 직접적 증거.
5.4 ESS 경제성에서의 예측 품질 격차¶
Phase 4 비용 최적화:
| 가구 | PF 상한 (%) | M0 실현 (%) | 격차 (%p) |
|---|---|---|---|
| Apt6 | 22.03 | 15.46 | 6.57 |
| Apt15 | 29.72 | 20.95 | 8.77 |
| Apt30 | 33.11 | 21.38 | 11.73 |
| Apt51 | 20.32 | 15.59 | 4.73 |
| Apt88 | 20.11 | 13.28 | 6.83 |
| 평균 | 25.06 | 17.33 | 7.73 |
예측이 완벽하면 ESS 효율이 7.73%p 추가 확보 가능 — 이 격차의 상당 부분이 Peak 예측 오차에서 기인.
Phase 4b Peak Shaving에서 M2의 Schedule Gap:
| 가구 | M0 Gap (kW) | M2 Gap (kW) | 개선율 |
|---|---|---|---|
| Apt30 | 0.1947 | 0.0426 | -78.1% |
6. 미분석 과제 4가지 — Peak 중심 돌파구¶
현재 프로젝트에서 한 번도 수행하지 않은 Peak 관점 분석. 이 4가지를 수행하면 논문의 기여를 "KD 효과가 작다"에서 "Peak 관점에서 KD를 재평가하면 새로운 가치가 드러난다"로 전환할 수 있다.
과제 1: PAPE → ESS 경제성 인과관계 정량화¶
질문: "PAPE가 1%p 개선되면 ESS 비용 절감이 얼마나 증가하는가?"
방법: - 기존 5가구 × 3 Method (M0/M1/M2) × 69 윈도우 데이터 활용 - 윈도우별 (PAPE, Cost Saving, Schedule Gap) 쌍을 추출 - 산점도 + 회귀 분석: PAPE vs Cost Saving, PAPE vs Schedule Gap - Pearson/Spearman 상관계수 계산 - 목표: "PAPE와 ESS 경제성 간 통계적으로 유의한 상관관계" 입증
필요 데이터: outputs/logs/ec_pair_peak_results.csv, outputs/logs/ec_pair_ess_results.csv
추가 구현: 윈도우별 PAPE 계산 (현재는 가구별 평균만 존재)
예상 소요: 1~2일
과제 2: MSE vs PAPE — ESS 비용 민감도 비교¶
질문: "MSE를 1% 줄이는 것과 PAPE를 1%p 줄이는 것 중, ESS 비용 절감에 더 큰 영향은?"
방법: - 과제 1에서 수집한 윈도우별 데이터에 MSE도 추가 - 다중 회귀: Cost Saving = β₁·MSE + β₂·PAPE + ε - 표준화 계수 비교: |β₁| vs |β₂| - 또는 MSE 개선 1% ↔ PAPE 개선 1%p의 Cost Saving 효과 크기 비교 - 목표: "PAPE의 ESS 비용 민감도가 MSE보다 높다" 입증 (또는 반증)
필요 데이터: 과제 1과 동일 + 윈도우별 MSE 예상 소요: 과제 1과 병행 가능
과제 3: 피크 과소/과대 예측 방향성 분석¶
질문: "모델이 피크를 체계적으로 과소예측하는가? 그 방향이 ESS에 미치는 영향은?"
방법: - 윈도우별 Peak Bias = peak(y_pred) - peak(y_true) 계산 - 방향별 분류: 과소예측 (Bias < 0) vs 과대예측 (Bias > 0) - 각 모델(M0/M1/M2)의 과소예측 비율과 평균 크기 비교 - 과소예측 윈도우 vs 과대예측 윈도우에서의 ESS Cost Saving 비교 - 목표: "피크 과소예측이 ESS 비용 손실의 주요 원인" 입증
필요 데이터: 윈도우별 예측값, 실제값 (현재 CSV에서 추출 가능 여부 확인 필요) 추가 구현: Peak Bias 계산 유틸리티 예상 소요: 1일
과제 4: Peak 다면 평가 — Hit Rate, F1, 구간 오차 분리¶
질문: "KD 모델이 피크의 값(magnitude)뿐 아니라 시점(timing)도 잘 맞추는가?"
방법:
- PeakEvaluator 클래스를 KD 실험 결과에 적용 (이미 구현되어 있으나 미사용)
- 모델별 Hit Rate (Recall), Precision, F1 Score 계산
- Peak 구간(상위 20% 시간대) vs 비피크 구간의 MAE 분리
- M0/M1/M2 간 Peak 구간 MAE 비교
- 목표: "M2가 Peak 시점에서 우월하다" 또는 "Peak 시점 정확도와 ESS 효과의 연결" 입증
필요 데이터: 윈도우별 예측/실제 시계열 (모델 재추론 또는 저장된 예측값)
추가 구현: PeakEvaluator를 배치 단위로 적용하는 래퍼
예상 소요: 1~2일
7. 4가지 과제의 논문 기여 전환 시나리오¶
만약 과제 1~4가 긍정적 결과를 보이면:¶
논문 스토리: "기존 MSE 중심 평가에서는 KD 효과가 미미하게 보이나, Peak 중심 평가 프레임워크를 도입하면 KD의 실질적 ESS 경제성 기여가 드러난다"
- 기여 1: Peak 예측 정확도(PAPE) → ESS 비용 절감 인과관계 정량화
- 기여 2: MSE vs PAPE 민감도 비교를 통한 Peak 중심 평가의 당위성 입증
- 기여 3: Peak-Aware KD(M2)의 조건부 유효성 재확인 (다면 지표 기반)
- 기여 4: End-to-End 파이프라인 (예측 → Peak 평가 → ESS 경제성)
만약 결과가 부정적이면:¶
논문 스토리: "Peak 관점에서도 KD 효과는 제한적이며, 그 근본 원인은 EC-Individual 도메인 불일치에 있다. Peak 예측과 ESS 경제성 간의 민감도 분석을 통해 향후 Peak 특화 KD 설계의 방향을 제시한다"
→ 어느 쪽이든 논문 기여가 성립한다.
8. 참고 자료¶
외부 출처¶
| 출처 | 내용 | 핵심 수치 |
|---|---|---|
| Clean Energy Group | Demand Charge Fact Sheet | 상업 요금의 30~70% |
| RMI | Grid infrastructure & peak | 송전 투자의 10~20% |
| EIA | Grid utilization | 평균 53% 가동률 |
| Hong (2015) | Crystal Ball Lessons in Predictive Analytics | MAPE 1%p = $500K (LT), $600K (ST+Price) /yr (1GW) |
| RMI (2017) | Billion-Dollar Costs of Forecasting | 연 1%p 과대예측 × 10년 = 수십억$ 과잉설비 |
| MDPI Energies | IEEE-RTS study | 오차 1% = $590/day |
| MDPI PV Study | European utility | 0.1% 개선 = $3M/yr |
| KEPCO | 일반용(을) 고압A | 경부하 73.3 / 최대 232.5원 |
| MDPI Energies (2020) | Korea DR pilot | 33.44% peak 저감 |
| ScienceDirect (2021) | Seoul DR study | 1.74 GW 잠재량 |
프로젝트 내부 문서¶
| 문서 | 위치 |
|---|---|
| 예측 오차 경제적 비용 (상세 출처) | docs/reference/energy/forecast_economic_value.md |
| Peak 정의 및 분석 방법론 | docs/reference/energy/peak_definition.md |
| ESS 논문별 비교 분석 | docs/reference/energy/ess_adaption.md |
| 평가 지표 방법론 | docs/reference/metrics/evaluation_metrics.md |
| 논문 참조 가이드 | docs/reference/metrics/paper_references.md |
| Phase 3 KD 결과 | report/Phases/Phase3_Report.md |
| Phase 4 ESS 결과 | report/Phases/Phase4_Report.md |
| EC50 Baseline 비교 | todos/archive/0408_baseline_ec50_aggregate.md |
| 2×2 Factorial 결과 | experiments/report/0409_Phase2_Factorial_NullTest.md |
| 논문 Draft | report/paper_draft.md |