불확실성까지 잡아내는 풍력 발전량 예측 신경망

초록

본 논문은 Monte Carlo 드롭아웃을 적용한 확률적 신경망을 이용해 풍력 터빈의 전력곡선 추정 시 모델(에피스테믹) 불확실성과 데이터(알레아트) 노이즈를 동시에 정량화한다. 기존 결정론적 NN에 비해 계산량 증가가 최소이며, 공개 데이터셋 실험에서 예측 정확도와 불확실성 추정 측면에서 우수함을 보였다.

상세 요약

이 연구는 풍력 발전량 예측에 있어 두 종류의 불확실성을 동시에 다루는 방법론을 제시한다는 점에서 의미가 크다. 첫 번째는 모델 자체가 학습 데이터에 얼마나 의존하는가를 나타내는 에피스테믹 불확실성이다. 이를 위해 저자들은 기존의 deterministic feed‑forward NN에 Monte Carlo 드롭아웃(MCDropout)을 삽입하였다. 학습 단계에서는 일반적인 드롭아웃을 적용하고, 추론 단계에서도 여러 번(예: 50~100회) 랜덤하게 드롭아웃 마스크를 적용해 다수의 예측값을 샘플링한다. 이 샘플들의 평균이 최종 예측값이 되고, 분산은 모델이 데이터에 대해 얼마나 확신이 없는지를 나타내는 지표가 된다.

두 번째는 관측 데이터에 내재된 잡음, 즉 알레아트 불확실성이다. 저자들은 이를 반영하기 위해 손실 함수에 예측 분산을 포함하는 확률적 손실(probabilistic loss)을 도입했다. 구체적으로, 출력층에서 평균 μ와 분산 σ²를 동시에 예측하도록 설계하고, 손실을 −log likelihood 형태로 정의함으로써 네트워크가 데이터의 이질성을 학습하도록 유도한다. 이렇게 하면 모델은 입력‑출력 관계가 불안정한 구간에서 높은 σ²를 반환해 사용자가 위험을 사전에 인지할 수 있다.

실험에서는 미국 풍력 데이터셋(NREL)과 같은 공개 데이터베이스를 사용해 기존의 deterministic NN, 베이지안 NN, 그리고 Gradient Boosting Regressor와 비교하였다. 평가 지표는 RMSE, MAE뿐 아니라 예측 구간 커버리지(PI‑Coverage)와 같은 불확실성 정밀도 지표를 포함한다. 결과는 MCDropout 기반 확률 신경망이 평균 오류는 물론, 95 % 신뢰구간이 실제 관측치를 94 % 이상 포함하는 등 불확실성 캘리브레이션에서도 우수함을 보여준다.

또한, 계산 복잡도 측면에서 베이지안 NN이 요구하는 MCMC 샘플링 대비 MCDropout은 단순히 기존 NN에 드롭아웃 레이어를 추가하고 추론 시 샘플링만 수행하면 되므로 GPU 메모리와 시간 소모가 현저히 낮다. 이는 실시간 혹은 대규모 풍력 발전소 모니터링 시스템에 바로 적용 가능함을 의미한다.

이 논문의 주요 기여는 (1) 에피스테믹과 알레아트 불확실성을 동시에 추정하는 통합 프레임워크 제시, (2) 기존 deterministic NN에 최소한의 구조 변화만으로 불확실성 정량화를 구현, (3) 공개 데이터셋을 통한 실증 검증으로 실제 현장 적용 가능성을 입증한 점이다. 향후 연구에서는 풍력 외에도 태양광, 수력 등 다양한 재생에너지 자원에 확장하거나, 시계열 특성을 반영한 RNN/LSTM 기반 구조와 결합하는 방안을 모색할 수 있다.