조건부 이분산성을 고려한 주기·비선형 효과 기반 풍력 예측 모델

본 논문은 풍력 발전소 운영에 필수적인 풍속·풍력 예측을 동시에 수행할 수 있는 새로운 통계 모델링 프레임워크를 제시한다. 서론에서는 풍력 에너지의 급격한 성장과 함께, 전력 시장에서 48시간 이내의 단·중기 예측이 계약·스케줄링에 핵심적임을 강조한다. 기존 연구들은 풍속 예측 후 비선형 변환을 통해 풍력으로 전환하거나, 풍력 자체를 독립적으로 예측하는 방식을 주로 사용했으며, 이들 방법은 다변량 상관관계와 계절적 상호작용을 충분히 반영하지 못한다는 한계를 지적한다. 데이터는 독일의 8대 터빈에서 2010년 11월부터 2012년 5월까지 10분 간격으로 수집된 풍속(m/s)과 풍력(kW) 시계열이며, 총 105,984개의 관측치를 포함한다. 기술통계와 스펙트럼 분석을 통해 강한 일주기·연주기와 높은 자기상관을 확인하고, 풍력은 풍속과 거의 동일한 구조를 보이지만 음수값(시스템 소비)도 소량 존재한다는 점을 언급한다. 모델링 파트에서는 먼저 풍속을 위한 다변량 시간 가변 임계값 VARMA(TV‑VARMA) 식을 제시한다. 식 (1)에서 각 터빈 i의 풍속 W_{i,t}는 시간 가변 AR 계수 φ_{i,j,k,c}(t)와 MA 계수 θ_{i,j,k}(t)의 합으로 표현되며, 임계값 c에 따라 AR 부분이 piecewise linear 형태를 취한다. 이는 풍속이 컷‑인·컷‑아웃 구간에서 다른 동적 특성을 보이는 물리적 현상을 반영한다. 풍력 부분은 풍속 의존성을 포함한 전력‑TGARCH 모델을 사용한다. 풍력 P_{i,t}는 풍속의 비선형 함수와 자체 잔차 ε_{i,t}를 포함하고, ε_{i,t}의 분산 σ_{i,t}^2는 전력‑TGARCH 형태로, 과거 절대 오차와 제곱 오차의 가중합으로 정의된다. 이를 통해 풍력의 조건부 이분산성(예: 급격한 변동성)과 비대칭성을 포착한다. 주기성은 일·연 주기를 동시에 설명할 수 있는 주기적 B‑스플라인 기반 함수를 도입해 φ·θ 계수를 시간에 따라 변하도록 설계한다. 스플라인 차수와 노드 위치는 데이터 기반으로 선택되며, 일주기와 연주기의 상호작용을 모델링하기 위해 다중 차원을 결합한다. 추정 방법은 고차원 파라미터 공간을 효율적으로 탐색하기 위해 반복 가중치 LASSO를 적용한다. 초기 OLS 잔차를 이용해 이분산 가중치를 계산하고, 이를 가중치 행렬로 사용해 LASSO 회귀를 수행한다. 이후 업데이트된 잔차로 가중치를 재계산하는 과정을 수 차례 반복해 수렴한다. 이 절차는 전통적인 최대우도 추정에 비해 수 초 내에 수천 개의 후보 파라미터를 선택·축소할 수 있어 실시간 운영에 적합하다. 실증 결과에서는 48시간 예측 구간에 대해 MAE, RMSE, Bias 등 3가지 지표를 사용해 제안 모델을 WPPT, GWPPT, Persistence, ARMA, Neural‑Net 등 7가지 벤치마크와 비교한다. 제안 모델은 모든 지표에서 평균 5~12% 정도의 개선을 보였으며, 특히 풍력의 비선형 구간(풍속 3~7 m/s)에서 오류 감소가 두드러졌다. 또한 부트스트랩 기반 시뮬레이션을 통해 확률적 예측분포를 생성했으며, 95% 신뢰구간이 실제 관측을 93% 포괄하는 등 신뢰성도 검증하였다. 결론에서는 (1) 풍속·풍력을 동시에 모델링함으로써 단계별 오류 전파를 방지, (2) 주기적 B‑스플라인과 임계값 기반 비선형 AR이 계절·시간 변동성을 효과적으로 포착, (3) 반복 가중치 LASSO가 고차원 파라미터 추정에 있어 계산 효율성과 파라미터 희소성을 동시에 제공한다는 점을 강조한다. 향후 연구로는 풍력 발전소 간 공간적 상관관계를 확대하고, 외부 기상예보(NWP)와의 결합을 통해 장기 예측 성능을 향상시키는 방안을 제시한다.