전력 시스템의 빠른 발전과 병행하여, 전력 부하 예측은 안정적인 전력 시스템 운영에 있어 필수적인 요소가 되었다. 예측은 공급과 수요의 균형을 유지하며, 정전을 방지하고 운영 비용을 줄이는 중요한 역할을 수행한다. 최근에는 중앙 집중식 서버에서 엣지 서버로의 변화가 주목받고 있으며, 이는 사물인터넷 기술의 발전과 소형화된 하드웨어의 성능 향상 덕분이다. 엣지 서버에서의 예측 모델은 네트워크 통신 비용을 절약하며, 민감한 개인정보를 클라우드 서버로 보내는 양을 줄임으로써 네트워크 보안 위협을 줄일 수 있다. 그러나, 기존의 딥러닝 모델은 학습과정에서 많은 계산량을 필요로 하기 때문에 컴퓨팅 자원이 제한된 엣지 서버에서 운영하기는 어려운 상황이다.
본 연구에서는 최근 저전력, 저계산 모델로 주목받고 있는 스파이크 신경망(Spiking Neural Networks, SNN)을 부하 예측 응용에 적용하고자 한다. 그러나, 스파이크 신경망만으로는 모델 고유의 특성으로 인해서 성능이 떨어진다는 문제가 보고되었고, 이를 해결하기 위해 역전파 기반 스파이크 신경망을 활용하여 딥러닝과 스파이크 신경망을 결합한 모델이 제안되고 있다. SNN에 대한 연구는 현재 초기 단계에 있으며, 대부분의 연구가 분류 모델을 대상으로 하고 있고, SNN을 회귀 모델로 적용하는 것에 대해서는 거의 연구되지 않았다. 본 연구는 SNN이 부하 예측 응용에 적용될 때, 만족할 만한 예측 성능을 보여주는지, 그리고 여전히 저전력/저계산 장점을 유지할 수 있는지를 알아보는 것을 목표로 한다.
위 목표를 달성하기 위해, 기존의 순환 신경망 모델과 스파이크 신경망 모델을 부하 예측에 적용한 후, 실험을 진행하고 결과를 비교/분석하였다. 1차 실험 결과값으로부터, 스파이크 신경망 모델이 부하 예측에 어느정도 효과적이지만, 순환 신경망 계열 모델들에 비해 성능이 떨어진다는 것을 확인하였다. 이를 해결하기 위해, 본 연구에서는 부하 예측 성능을 향상시키기 위해 막전위 기반 스파이킹 기법을 통해 스파이크의 출력 값을 조정하는 방법을 제안하여 적용한 후, 2차 실험을 진행하였다. 결과 분석을 통해 스파이크 신경망 모델의 성능이 순환 신경망 계열 모델들과 비슷한 성능을 도출할 수 있음을 보였다. 마지막으로, 신경망 모델이 동작할 때 소비하는 전력양을 측정하여 비교하였다. 이를 통해, 스파이크 신경망 모델이 순환 신경망 모델과 비교하여 평균적으로 20W 정도 적은 전력을 사용하는 것을 확인할 수 있었다.