개선된 Salp Swarm 기반 전력 부하 예측
기존 전력 시스템 부하 예측 방법은 복잡하고 변동성이 큰 데이터 처리 시 공간 의존성 모델링과 하이퍼파라미터 최적화에 한계가 있어 정확도와 안정성이 저하되는 문제가 있었습니다. 본 연구는 이러한 문제를 해결하고자 개선된 Salp Swarm 알고리즘(ISSA)과 Temporal Graph Convolutional Network(TGCN)를 통합한 단기 시공간 부하 예측 프레임워크를 제안합니다. ISSA는 전역 탐색과 지역 활용의 균형을 맞추는 적응형 감쇠 인자를 포함하고, 조기 수렴을 방지하는 동적 학습 메커니즘을 도입한 새로운 2단계 최적화 전략을 핵심으로 합니다. 이 전략은 시간 역학 및 계통 토폴로지 기반 공간 상관관계를 명시적으로 포착하는 TGCN의 하이퍼파라미터를 효과적으로 최적화합니다. 실험 결과, 제안된 ISSA-TGCN 모델은 단 10회 반복 만에 0.14의 정규화된 적합도 값을 달성했으며, 이는 원본 부하 규모에서 17.12 MW의 RMSE에 해당합니다. 이는 실제 부하 추세를 매우 정확하게 추적하며, 기존 최첨단 모델 대비 MAPE, RMSE, MAE 지표에서 우수한 예측 정확도를 보였습니다. 본 연구의 방법론적 혁신은 전력 시스템의 단기 부하 예측 정확도를 크게 향상시켜, 복잡한 전력망 운영 및 관리에 기여할 수 있음을 입증합니다.