전력 부족 환경을 위한 태양광 발전량 예측 연구
Transfer Learning with Conformalized Quantile Regression for Solar PV Forecasting Under Load-Shedding-Driven Data Scarcity
arXiv전력 부족(load shedding)으로 인해 신뢰할 만한 과거 데이터 확보가 어려운 지역의 태양광 발전량 예측 문제를 해결하기 위해, 전이 학습과 컨포멀화된 분위 회귀를 결합한 새로운 프레임워크가 제안되었습니다.
- 실험 결과, 이 방법론은 목표 지역의 데이터가 부족하더라도 RMSE를 최대 23.7%까지 낮추는 등 예측 정확도를 크게 향상시켰으며, 신뢰 구간도 더 좁게 만들었습니다.
- 단순히 발전량 예측값만 개선하는 것을 넘어 불확실성 추정(uncertainty estimates)의 신뢰도까지 높여, 데이터가 부족한 환경에서의 에너지 계획 수립에 실질적인 도움을 줄 수 있습니다.
- 이 방법론은 목표 지역의 데이터가 심각하게 제한된 상황에 최적화되어 있으며, 외부 소스 데이터를 활용하여 예측 성능과 불확실성 추정의 신뢰도를 동시에 확보하는 것이 핵심 전제 조건입니다.
본 연구는 전력 부족(load shedding)으로 인해 신뢰할 만한 과거 관측 데이터 확보가 어려운 지역의 태양광 발전량 예측 문제를 다룹니다. 이 문제를 해결하기 위해, 전이 학습(transfer learning) 프레임워크와 컨포멀화된 분위 회귀(Conformalized Quantile Regression, CQR)를 결합한 방법론을 제안했습니다. 이 접근 방식은 심각한 데이터 부족 상황에서도 PV 발전량 예측 성능을 개선하고 신뢰할 수 있는 불확실성 추정치를 제공하는 것을 목표로 합니다.
제안된 프레임워크는 호주의 Alice Springs 소스 도메인 PV 데이터를 활용하여 시간 예측 모델을 사전 학습시킨 후, 이를 시뮬레이션된 방글라데시 PV 데이터(다양한 수준의 역사적 가용성을 나타냄)에 적응시키는 방식으로 실험되었습니다. 이 방법론은 단순히 발전량의 점 추정치(point forecasting)를 개선하는 것을 넘어, 불확실성 정량화(conformal uncertainty quantification)를 결합하여 예측 신뢰도까지 높이는 데 중점을 두었습니다.
실험 결과에 따르면, 전이 학습을 적용했을 때 목표 도메인 데이터가 단 1개월만 사용 가능할 경우 RMSE가 최대 23.7% 감소했으며, 3개월의 데이터를 사용할 경우 13.7% 감소하는 것으로 나타났습니다. 또한, 이 프레임워크는 3개월의 목표 데이터로 94.3%의 경험적 커버리지를 달성했으며, 전이 학습을 사용하지 않았을 때보다 예측 구간(prediction intervals)이 14% 더 좁다는 결과를 보여주었습니다.