연산 제약 적응형 전력 부하 예측

전력 부하 예측 서비스는 일일 예산 제약 하에 정확도와 연산 비용이 다른 모델 간 추론 자원을 효율적으로 배분해야 하는 문제에 직면합니다. 본 연구는 사전 호출 정보, 완전 일자 롤링 폴드, 결과 시간 엠바고, 그리고 최소 서비스 보존 규칙을 활용하여 오프라인 정책을 평가했습니다. 컨텍스트 할당 방식과 FQI(Fitted Q Iteration), Double FQI, Neural FQI를 포함한 세 가지 강화 학습 기법을 정적 예측기와 비교했습니다. 네 가지 공개 데이터셋에 대해 네 가지 예측 기간과 세 가지 예산 제약 조건에서 총 960가지 정책 평가를 수행하여 모든 예산 제약을 충족함을 확인했습니다. 평가 결과, 네 가지 방법론에서 평균 절대 오차(MAE)는 각각 9.22%, 7.37%, 7.77%, 3.83% 개선되었습니다. 컨텍스트 할당 방식은 Steel, Tetouan, OPSD 데이터셋에서 긍정적인 효과를 보였으나, UCI-ECL 데이터셋에서는 부정적인 결과를 나타냈습니다. 별도의 배포 게이트를 적용했을 때 51.7%의 커버리지에서 10.63%의 전체 개선을 달성했지만, 이는 안전 보장을 의미하지 않습니다. 가벼운 MLP 확장 및 순차 감사를 통해 더 큰 액션 풀이나 깊은 벨만 백업의 일관된 이점은 발견되지 않았습니다. 오프라인 정책 학습은 예산 제약 하의 적응형 예측을 지원할 수 있지만, 그 효과는 데이터셋과 런타임 조건에 따라 달라집니다. 따라서 연대기적 검증, 명시적 실현 가능성 확인, 그리고 정적 대체 방안이 필수적이며, 순차적 강화 학습의 보편적 우월성을 입증하지는 못했습니다.