재생에너지의 용량 증가로 인해 전력시장 가격의 불확실성이 증가하였다. 그로 인해 전력시장 가격의 단기 예측 시, 구조에 기반한 전력시장 가격 예측의 오차가 증가하며, 단기예측 시 AI에 기반하여 전력시장 가격을 예측하고자 한다. 본 논문은 크게 두 가지 접근법에 기반하였다. 하나는 전력 수요를 분해하여 특성 변수로 사용하는 것이고, 다른 하나는 가격 데이터에서 오프셋을 제거하고 분산 안정화 변환 혹은 표준화를 수행하는 것이다. 두 가지 접근법에 기반하여 세 가지의 사례연구를 수행하였다: 수요 분해 데이터를 특성 변수로 사용하는 경우의 예측 정확도 비교, 오프셋을 활용하는 경우의 예측 정확도 비교 및 분산 안정화 변환 및 표준화를 사용하는 경우의 예측 정확도 비교이다.
시뮬레이션 결과는 RMSE, MAPE 및 MDE 지표를 통하여 검증하였으며, D-M test를 통해 모델 간 오차의 차이가 유의미함을 검증하였다. 연료비 단가를 사용해 오프셋을 제거한 후 예측하였을 때 수요 분해 데이터를 사용하는 경우 모든 지표에서 예측이 각각 개선되었으며, RMSE를 기준으로 3.77%, 오차를 이용한 D-M 검정에서 p-값이 0.0056으로 유의미하게 개선되었다. 오프셋을 제거하는 경우의 예측 정확도를 비교했을 때, 예측 시점이 당 월 2일 이내인 경우 연료비단가를 사용하고, 그 이상인 경우 커널 밀도 함수의 최댓값의 인수를 사용하여 오프셋을 제거했을 때, 원래의 계통 한계 가격보다 RMSE를 기준으로 5.26% 정도 개선되었다. 마지막으로 분산 안정화 변환 및 표준화를 수행했을 때를 비교한 경우, 표준화를 수행했을 때 예측 정확도가 가장 개선되었으며 RMSE를 기준으로 6.56% 개선되었다. 또한, 로그 변환의 경우 3σ편차 이내의 범위에서, 정규분포 확률 적분 변환의 경우 3σ편차 이상의 범위에서 각각 표준화 시의 예측 보다 정확했으며. 로그 변환과 확률 적분 변환을 결합한 경우에, 표준화를 사용한 경우 보다 근소하게 정확도가 높았다. 결과를 기반으로 수요를 분해하여 특성 변수로 사용하는 것과 오프셋을 활용하는 것, 그리고 표준화를 사용하는 것이 예측을 개선할 수 있음을 보였다.