클래스 불균형을 극복한 풍력 램프 이벤트 직접 예측 방법

초록

본 논문은 풍력 발전소의 급격한 출력 변동인 풍력 램프 이벤트(WPRE)를 실시간으로 예측하기 위해, 다변량 시계열 분류 프레임워크와 다수 클래스 언더샘플링·EasyEnsemble 기반 앙상블 학습을 결합한 새로운 접근법을 제안한다. 최근 전력 관측값을 특징으로 추출하고, 아직 확정되지 않은 램프 정보를 마스킹함으로써 기존 실시간 램프 식별 도구와 연동 가능하도록 설계하였다. 실제 데이터셋 실험에서 85% 이상의 정확도와 88% 가중 F1 점수를 달성해 기존 베이스라인을 능가하였다.

상세 분석

본 연구는 풍력 발전 시스템에서 발생하는 급격한 출력 변동인 Wind Power Ramp Events(WPRE)를 조기에 탐지·예측하는 문제를 ‘다변량 시계열 분류’ 문제로 재정의하였다. 기존의 대부분 연구가 풍력 발전량을 먼저 예측하고(간접 방식) 그 결과를 기반으로 램프를 식별하는 반면, 본 논문은 직접적인 클래스 라벨 예측을 목표로 한다. 핵심 기여는 크게 네 가지로 요약된다. 첫째, 실시간 운영 환경에서 라벨이 아직 확정되지 않은 구간을 ‘마스크’ 처리함으로써, 모델이 불확실성을 명시적으로 학습하도록 설계하였다. 이는 전통적인 결측값 대체와는 달리, 해당 시점의 램프 상태가 진행 중임을 의미하는 상수값을 삽입해 데이터 흐름을 보존한다. 둘째, 클래스 불균형(램프 이벤트가 전체 데이터의 15% 미만) 문제를 해결하기 위해 ‘다수 클래스 언더샘플링 + EasyEnsemble’ 전략을 적용하였다. EasyEnsemble은 다수 클래스 샘플을 여러 번 무작위로 언더샘플링한 서브셋을 각각 학습시킨 뒤, 결과를 평균화하는 방식으로 소수 클래스의 대표성을 유지하면서도 전체 데이터 활용도를 높인다. 셋째, 전력 관측값만을 이용해 통계적 특징(평균, 표준편차, 변화율 등)을 추출하고, 이를 기존의 SDA(Swinging Door Algorithm) 기반 램프 탐지와 결합함으로써, 외부 기상 데이터나 복잡한 물리 모델 없이도 실시간 예측 파이프라인을 구현했다. 넷째, 데이터 인스턴스를 생성할 때 ‘stride = l + h’를 사용해 과거 관측과 목표 라벨이 겹치지 않도록 함으로써 교차 검증 시 정보 누수를 방지하였다. 실험에서는 벨기에와 이탈리아의 실제 풍력 발전소 데이터를 활용했으며, 제안 모델은 기존 Random Forest, XGBoost, LSTM 등과 비교해 정확도 85% 이상, 가중 F1 88%를 기록했다. 특히 소수 클래스(다양한 램프 유형) 재현율이 크게 향상된 점이 주목할 만하다. 다만, 모델이 온라인 학습을 수행하지 않으며, 새로운 데이터가 축적될 경우 재학습이 필요하다는 제한점이 있다. 또한, 마스크 처리된 구간이 과도하게 많아질 경우 특징 손실이 발생할 가능성이 제기된다. 향후 연구에서는 지속적인 모델 업데이트와 마스크 값의 동적 조정, 그리고 풍력 외 다른 재생에너지(태양광 등)와의 멀티모달 통합을 검토할 필요가 있다.