태양복사 예측을 위한 맞춤형 시계열 전처리와 신경망

초록

본 연구는 일일 수준의 전역 태양복사량을 예측하기 위해 맞춤형 시계열 전처리와 다층 퍼셉트론(MLP) 신경망을 결합한 방법을 제안한다. 전처리 단계에서 계절성·추세성을 제거하고 정상성을 확보한 뒤, 최적화된 MLP 모델을 학습시켜 nRMSE 21% 이하, RMSE 998 Wh/m²의 성능을 달성하였다. ARIMA, 베이지안 추정, 마코프 체인, k‑NN 등 기존 기법과 비교했을 때 예측 정확도가 동등하거나 우수함을 확인하였다.

상세 분석

이 논문은 재생에너지 분야에서 일일 태양복사량 예측의 정확성을 높이기 위한 새로운 프레임워크를 제시한다. 먼저, 원시 관측 데이터에 대해 ‘ad‑hoc’라 명명된 맞춤형 전처리 과정을 적용한다. 여기에는 결측치 보간, 로그 변환, 차분을 통한 비정상성 제거, 그리고 계절성 주기(연간·월간)와 일일 변동성을 분리하는 단계가 포함된다. 이러한 전처리는 시계열의 통계적 특성을 정규화함으로써 신경망 학습 시 과적합을 방지하고, 입력 변수 간 상관관계를 명확히 한다는 점에서 의미가 크다.

전처리된 데이터를 입력으로 사용하여 다층 퍼셉트론(MLP)을 설계하였다. 은닉층 수와 뉴런 수는 교차 검증을 통해 최적화되었으며, 활성화 함수는 비선형성을 충분히 표현하기 위해 ReLU 혹은 sigmoid을 조합하였다. 학습 과정에서는 Adam 옵티마이저와 초기 학습률 감소 스케줄을 적용해 수렴 속도를 높였고, 조기 종료(Early Stopping)를 통해 과적합을 억제하였다. 모델 평가 지표로는 정규화 평균제곱근오차(nRMSE)와 절대 평균제곱근오차(RMSE)를 사용했으며, 각각 21% 미만, 998 Wh/m² 이하의 결과를 얻었다.

비교 실험에서는 전통적인 통계 모델인 ARIMA, 베이지안 추정, 마코프 체인, 그리고 비선형 회귀 기반의 k‑Nearest‑Neighbors(k‑NN) 모델을 동일한 데이터셋에 적용하였다. 결과적으로 MLP 기반 방법이 대부분의 경우에서 동일하거나 더 낮은 오차를 기록했으며, 특히 계절성 변동이 큰 구간에서 전통 모델이 보이는 예측 편향을 효과적으로 보정했다. 이는 전처리 단계에서 비선형 패턴을 충분히 추출하고, MLP가 복합적인 비선형 관계를 학습할 수 있기 때문으로 해석된다.

또한, 전처리 과정 자체가 예측 성능에 미치는 영향을 별도 실험을 통해 검증하였다. 전처리 없이 바로 MLP를 학습시킨 경우 nRMSE가 약 28%까지 상승했으며, 이는 전처리 단계가 모델 성능 향상에 핵심적인 역할을 함을 입증한다. 이러한 결과는 데이터 전처리와 모델 설계가 상호 보완적으로 작용해야 함을 강조한다.

종합적으로, 이 연구는 맞춤형 시계열 전처리와 심층 학습 모델의 결합이 일일 태양복사량 예측에서 기존 통계·기계학습 방법을 능가할 수 있음을 실증적으로 보여준다. 향후 연구에서는 다변량 입력(예: 기상 변수, 위성 이미지)과 장기 예측(주간·월간)으로 확장함으로써 재생에너지 운영 최적화에 기여할 여지가 있다.