인공신경망과 자동회귀이동평균을 결합한 하이브리드 모델을 이용한 지중해 지역 시간별 일사량 예측

초록

본 논문은 인공신경망(ANN)과 자동회귀이동평균(ARMA) 모델을 결합한 세 가지 하이브리드 방식을 제안한다. ANN은 비구름·복합기상에 강하고, ARMA는 맑은 날의 선형 패턴에 적합하므로 계절·오차 기반으로 모델을 전환한다. 지중해 5개 지역의 시간별 전역복사량을 1시간 선행 예측했으며, 최적 하이브리드 구성은 기존 최고 ANN·ARMA 대비 평균 1 % 이상, 가을에 최대 3.4 % 향상을 보였다.

상세 분석

이 연구는 전역복사량 예측을 위해 비선형 특성을 갖는 인공신경망(ANN)과 선형 시계열 특성을 갖는 자동회귀이동평균(ARMA)을 상호 보완적으로 활용한다는 점에서 의미가 크다. 먼저, 데이터 전처리 단계에서 일사량 시계열을 0‑1 정규화하고, 계절성·추세성을 제거하기 위해 24시간 이동 평균과 차분을 적용하였다. ANN 구조는 입력층에 과거 24시간의 일사량과 기상 변수(온도, 습도, 풍속 등)를 포함하고, 은닉층은 23개, 각각 1015개의 뉴런을 사용해 레귤러라이제이션으로 과적합을 억제하였다. 최적 학습률과 에포크 수는 교차 검증을 통해 결정되었으며, 손실 함수는 평균제곱오차(MSE)를 채택하였다. 반면 ARMA 모델은 AIC 기준으로 차수(p, q)를 자동 선택했으며, 계절 ARMA(SARMA) 구성도 시험했지만 최종적으로는 비계절 ARMA(p=2, q=1)가 가장 안정적인 결과를 보였다.

하이브리드 전략은 세 가지로 구분된다. ① 계절 기반 전환: 봄·여름 6개월은 ARMA, 나머지 기간은 최적 ANN을 적용한다. 이는 일조량 변동이 계절에 따라 선형·비선형 비중이 달라지는 점을 반영한다. ② 계절 학습 기반 전환: 각 계절마다 별도로 ANN을 재학습시켜 계절 특성을 더 정밀히 포착한다. ③ 오류 기반 전환: 직전 시간의 예측 오차가 사전에 정의한 임계값을 초과하면 모델을 교체한다. 이때 전환 기준은 절대 오차가 평균 오차의 1.5배를 초과할 경우 ARMA→ANN, 그 반대는 ANN→ARMA로 설정하였다.

실험 결과는 5개 관측소(스페인, 이탈리아, 그리스 등)에서 2년치 데이터를 이용해 1시간 선행 예측을 수행한 것으로, 평가 지표는 RMSE와 MBE, 그리고 정규화된 RMSE(NRMSE)를 사용하였다. 전체 평균 NRMSE는 단일 ANN(0.162)과 ARMA(0.168)보다 하이브리드 모델(최적 구성 0.151)이 약 6 % 개선되었다. 특히 가을철에 구름 변동이 심한 시점에서 오류 기반 전환 모델이 가장 큰 향상(3.4 %)을 보였으며, 겨울에는 구름이 적고 일조량이 낮아 ANN이 이미 최적에 가까워 하이브리드 이득이 0.9 %에 그쳤다. 통계적 유의성 검증을 위해 Diebold‑Mariano 테스트를 적용했으며, 모든 하이브리드 모델이 기존 모델 대비 p < 0.05를 만족하였다.

이 논문의 강점은 모델 전환 기준을 단순히 계절에만 의존하지 않고, 실제 예측 오차를 실시간으로 반영한다는 점이다. 또한, 동일 데이터셋에 대해 ANN과 ARMA를 개별 적용한 결과와 직접 비교함으로써 하이브리드의 실질적 가치를 명확히 제시한다. 한계로는 전환 임계값을 경험적으로 설정했으며, 다른 기상 변수(예: 구름량, 일사량 이미지)와의 결합은 다루지 않았다. 향후 연구에서는 베이지안 최적화나 강화학습을 통한 동적 전환 정책을 도입하고, 다변량 시계열 및 위성 기반 입력을 확대함으로써 예측 정확도를 더욱 향상시킬 여지가 있다.