파도 농장 전력 예측을 위한 머신러닝 기반 추정 모델

초록

본 논문은 남호주 해안에서 수집한 실제 파도 데이터와 CETO 3‑tether 잠수형 변환기를 이용해 파도 농장의 전력 생산량을 예측하는 신경망 모델을 개발한다. 네 개의 파도 시나리오를 기반으로 WEC(파에너지 변환기) 배치와 파도 조건을 입력 변수로 삼아, 다층 퍼셉트론(MLP) 구조를 학습시켜 전력 출력의 정량적 예측 정확도를 검증한다. 실험 결과, 제안 모델은 기존 선형 회귀 대비 평균 절대 오차를 15 % 이상 감소시켰으며, 최적 배치 설계에 활용될 수 있음을 보였다.

상세 분석

이 연구는 파도 농장 설계 단계에서 가장 핵심적인 문제인 “WEC 배치와 파도 조건이 전력 생산에 미치는 복합적 영향을 정량화”하는 데 초점을 맞추었다. 데이터는 남호주 남동 해안의 네 개의 실제 파도 상황(주기, 높이, 방향 등)에서 6개월 이상 지속적으로 측정된 것으로, 실험실 기반 시뮬레이션이 아닌 현장 데이터를 사용했다는 점이 큰 강점이다. 입력 변수는 파고, 파주기, 파향, 물 깊이, 그리고 각 WEC의 좌표(배치)와 수심을 포함한 10여 개의 피처로 구성했으며, 출력은 CETO 변환기의 순간 전력(kw)이다.

모델링 측면에서 저자는 전통적인 회귀 분석보다 비선형 관계를 포착하기 위해 다층 퍼셉트론(MLP)을 선택했으며, 은닉층 2개, 각각 64·32개의 뉴런, ReLU 활성화 함수를 적용하였다. 학습은 80 % 데이터로 수행하고 20 %를 검증·테스트에 할당했으며, 과적합 방지를 위해 조기 종료(Early Stopping)와 L2 정규화를 병행하였다. 손실 함수는 평균 제곱 오차(MSE)를 사용했으며, 최적화 알고리즘은 Adam을 채택해 학습 속도와 안정성을 확보했다.

실험 결과는 모델이 평균 절대 오차(MAE) 0.42 kW, 결정계수(R²) 0.87을 달성했으며, 이는 동일 데이터에 적용한 선형 회귀(MAE 0.68 kW, R² 0.71)보다 현저히 우수했다. 특히 파도 방향과 WEC 간 거리(배치 간격)의 상호작용 효과를 모델이 잘 포착함으로써, 특정 배치가 전력 생산을 20 % 이상 증대시킬 수 있음을 시뮬레이션을 통해 제시하였다.

하지만 몇 가지 한계점도 존재한다. 첫째, 데이터셋이 네 개의 시나리오에 국한돼 있어 계절·기후 변동성을 충분히 반영하지 못한다는 점이다. 둘째, 모델이 CETO 변환기의 내부 동역학(예: 부하 변화, 제어 전략)을 직접 고려하지 않아, 실제 운영 시 발생할 수 있는 비선형 손실을 간과할 가능성이 있다. 셋째, 입력 피처 중 물 깊이와 수심을 동일하게 처리했는데, 실제 해저 지형 변화가 전력에 미치는 영향을 별도 변수로 분리하면 예측 정확도가 더욱 향상될 수 있다.

향후 연구에서는 보다 다양한 해역·계절 데이터를 확보하고, 물리 기반 하이브리드 모델(예: CFD 시뮬레이션 결과와 ML 결합)이나 시계열 LSTM 구조를 도입해 시간 의존성을 반영하는 것이 필요하다. 또한, 최적 배치 탐색을 위한 강화학습(RL) 프레임워크와 결합한다면, 설계 단계에서 자동으로 최적화된 WEC 배열을 도출할 수 있을 것으로 기대된다.