earticle

영어

This study proposes a CNN-GRU hybrid deep learning model for forecasting the Locational Marginal Price(LMP) using Day-Ahead Market Price data from the California Independent System Operator(CAISO). The time series data underwent preprocessing steps, including FFT-based noise reduction, Lag and Rolling statistics, and Sine/Cosine encoding. Hyperparameters were automatically optimized using Optuna for short-term(7-day), mid-term(30-day), and long-term(90-day) forecasting horizons. While LSTM slightly outperformed in MAE and RMSE for short-term forecasts, CNN-GRU better controlled SMAPE in mid- and long-term predictions. Future research will explore integrating external factors such as weather and economic indicators, as well as incorporating Transformer and Attention mechanisms to further enhance LMP forecasting accuracy.

한국어

본 연구는 캘리포니아 전력거래소(California Independer System Operator, CAISO)의 익일 시장 가격 (Day-Ahead Market Price) 데이터를 활용하여 지역별 한계 가격제(Locational Marginal Price, LMP)를 예 측하기 위한 CNN-GRU 하이브리드 딥러닝 모델과 LSTM 모델을 비교하여 분석하였다. 고속 푸리에 변환(Fast Fourier Transform, FFT) 기반 노이즈 제거, 지연(Lag)·이동 평균(Rolling mean) 통계, 사인 코사인(Sine/ Cosine) 인코딩 등 시계열 전처리를 거쳐, 단기(7일)·중기(30일)·장기(90일) 예측 구간별 Optuna 자동 탐색 도 구를 통해 하이퍼파라미터를 자동 탐색하였다. 그 결과, 단기 예측에서는 LSTM이 평균 절댓값 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE)에서 다소 유리했으나, 중기· 장기 구간에서는 CNN-GRU 결합 모델이 대칭 평균 절대 백분율 오차(Symmetric Mean Absolute Percentage Error, SMAPE) 기준으로 상대적 오차를 효과적으로 제어함을 확인하였다. 향후 날씨·경제 지표 등 외부 요인을 추가 반영하고 트랜스포머(Transformer)·어텐션(Attention) 구조를 결합해 지역별 한계 가격제 예측 정확도를 더욱 높일 수 있는 후속 연구를 제안한다.