다지역 태양광 발전 확률 예측을 위한 Any‑Quantile 순환 신경망

초록

본 논문은 Any‑Quantile Recurrent Neural Network(AQ‑RNN)를 기반으로, 하나의 모델만으로 임의의 확률 수준에서 조건부 분위수를 추정할 수 있는 다지역 PV 발전 확률 예측 프레임워크를 제안한다. 시계열별 특성 정보와 지역 간 상호작용을 동시에 학습하도록 설계된 이중 트랙 구조, 팽창형(dilated) 순환 셀, 패치 기반 시간 모델링, 동적 앙상블 메커니즘을 결합한다. 259개 유럽 지역의 30년 시간 데이터를 이용한 실험에서 기존 통계·딥러닝 베이스라인 대비 정확도, 캘리브레이션, 예측 구간 품질 모두에서 일관된 개선을 보였으며, 시스템 수준의 불확실성 관리에 적합함을 입증한다.

상세 분석

본 연구는 확률적 PV 발전 예측에서 “any‑quantile” 개념을 도입한 점이 가장 큰 혁신이다. 전통적인 분위수 회귀는 사전에 정의된 몇 개의 분위수(예: 0.1, 0.5, 0.9)만을 학습하도록 설계되지만, AQ‑RNN은 하나의 네트워크 파라미터 집합으로 임의의 𝜏∈(0,1) 분위수를 즉시 출력한다. 이는 모델 재학습 없이도 다양한 위험 관리 시나리오에 맞는 맞춤형 예측 구간을 제공한다는 실용적 장점을 가진다.

구조적으로는 두 개의 병렬 RNN 트랙을 사용한다. 첫 번째 트랙은 개별 지역의 시계열 특성을 캡처하기 위해 dilated GRU/ LSTM 셀을 적용해 장기 의존성을 효율적으로 학습한다. 두 번째 트랙은 지역 간 컨텍스트를 전달하기 위해 “cross‑regional attention” 모듈과 패치 기반 시간 윈도우를 결합한다. 패치 기반 접근은 하루 혹은 주 단위의 반복적인 일사량 패턴을 효과적으로 추출하면서도 계산 복잡도를 O(N·log L) 수준으로 낮춘다.

동적 앙상블 메커니즘은 학습 단계에서 여러 서브모델(예: 서로 다른 dilation rate, 서로 다른 초기화)을 동시에 훈련하고, 추론 시 입력 특성(날씨 변동성, 계절)과 모델 성능 메트릭을 기반으로 가중치를 실시간으로 조정한다. 이는 특히 비정상적인 기상 상황(예: 폭염, 대규모 구름 이동)에서 모델의 견고성을 크게 향상시킨다.

데이터 측면에서 저자들은 259개 지역에 걸친 30년(≈262,800시간) 규모의 PV 발전량과 고해상도 기상 변수(NWP, 위성 클라우드 인덱스 등)를 정제·정규화하였다. 공간적 상관관계를 반영하기 위해 거리 기반 인접 행렬을 초기화하고, 학습 과정에서 그래프 라플라시안 정규화를 적용해 지역 간 정보 흐름을 부드럽게 했다.

성능 평가에서는 CRPS, Pinball Loss, Winkler Score 등 다중 지표를 사용했으며, 베이스라인으로는 Quantile Regression Forest, DeepAR, Transformer‑based PVT‑ransNet, Graph‑Conv LSTM 등을 포함했다. 실험 결과 AQ‑RNN은 평균 CRPS 12.3 % 감소, 평균 Winkler Score 9.8 % 개선을 달성했으며, 특히 0.05·0.95 분위수 구간에서 캘리브레이션 오류가 기존 모델 대비 30 % 이상 감소하였다.

한계점으로는 모델 복잡도와 학습 시간(약 48 시간, 4 GPU) 및 대규모 데이터 전처리 비용이 언급된다. 또한, 지역 간 전이 학습(transfer learning)이나 온라인 업데이트에 대한 탐색이 부족해 실시간 운영 환경에서의 적용 가능성을 추가 연구가 필요하다.

전반적으로 AQ‑RNN은 “any‑quantile” 추정과 다지역 시공간 상호작용을 동시에 만족시키는 최초의 통합 프레임워크로, 재생에너지 비중이 높은 전력 시스템에서 위험‑기반 의사결정을 지원하는 강력한 도구가 될 전망이다.