An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting

당신이 내일 태양광 발전소가 얼마나 많은 에너지를 생산할지 추측하려고 한다고 상상해 보십시오. 이것은 단순히 추측을 하는 게임이 아닙니다. 우리의 미래가 걸린 고도의 결단이 필요한 퍼즐입니다. 우리는 더럽고 연기가 나는 발전소에서 깨끗하고 태양 에너지로 구동되는 전기로 전환하려는 세상에 살고 있습니다. 하지만 태양은 변덕스러운 친구입니다. 구름 뒤로 숨기도 하고, 계절에 따라 변하며, 밤에는 사라집니다. 이 깨끗한 에너지가 제대로 작동하게 하려면, 해가 뜨기도 전에 얼마나 많은 전력을 사용할 수 있을지 정확히 알아야 합니다. 이것이 바로 "태양광 예측(photovoltaic forecasting)"의 역할입니다.

이것을 파티에 얼마나 많은 사람이 올지 예측하는 것과 같다고 생각해 보십시오. 만약 당신이 틀리게 추측한다면, 음식이 부족하거나(전기차를 위한 전력이 부족함), 너무 많이 남아서(에너지가 낭비됨) 문제가 생길 수 있습니다. 과학자들은 이러한 추측을 하기 위해 두 가지 주요 방법을 사용합니다. 첫 번째는 "물리학"으로, 이는 수학과 지구의 자전을 바탕으로 태양이 어디에 있어야 하는지를 계산하기 위해 지도와 나침반을 사용하는 것과 같습니다. 두 번째는 "머신러닝"으로, 이는 과거의 수많은 파티를 살펴보며 날씨가 어떻게 변하는지에 대한 패턴을 찾아내는 아주 똑똑한 학생과 같습니다. 보통 우리는 학생이 더 복잡하고 정교할수록 더 나은 추측을 할 것이라고 생각합니다. 하지만 만약 그 학생이 잘못된 지도를 보고 있다면 어떨까요? 만약 지도가 한 시간 정도 어긋나 있다면 어떨까요? 이것이 바로 이 논문이 다루는 까다로운 문제입니다. 즉, 완벽한 데이터가 수년 치나 있지 않고, 우리의 지도와 시계가 서로 일치하지 않을 때 어떻게 신뢰할 수 있는 예측을 구축할 것인가 하는 문제입니다.

태양광 예측의 혼선

이 논문은 연구진이 매우 구체적인 골칫거리를 해결하기 위해 영국 사우샘프턴에 있는 새로운 전기차 충전소로 찾아간 이야기를 다룹니다. FEVER라고 불리는 이 스테이션은 충전기에 전력을 공급하기 위한 태양광 패널을 갖추고 있지만, 아직 새것입니다. 이 곳은 약 1년 치의 데이터만 가지고 있으며, 그중 일부는 누락되었거나 엉망입니다. 연구진은 충전소를 관리하는 데 도움이 되도록 향후 24시간 동안의 태양광 전력을 시간 단위로 예측할 수 있는 AI 시스템을 구축하고자 했습니다.

그들은 가장 큰 문제가 AI 모델이 너무 단순해서가 아니라, 데이터가 약간 "동기화되지 않았다"는 점임을 발견했습니다. 케이크를 굽는데 레시피에는 "오전 9시에 섞으세요"라고 되어 있지만, 오븐 시계는 오전 8시로 설정되어 있다고 상상해 보십시오. 당신은 반죽을 한 시간 일찍 섞게 될 것이고, 케이크는 엉망이 될 것입니다. 연구진은 스테이션의 태양광 측정값과 공공 인터넷의 날씨 데이터가 정확히 한 시간 차이가 난다는 것을 발견했습니다. 이 "타임스탬프 불일치"를 해결하자, 그들의 단순한 물리 기반 추측은 실제와 42% 일치하던 수준에서 60%까지 크게 개선되었습니다. 그러나 정교한 AI 모델들은 매우 유연하여 이 오류를 거의 무시하고 여전히 괜찮은 예측을 할 수 있었지만, 완벽하지는 않았습니다.

"주방 팀(Kitchen Team)" 접근법

연구진은 단 하나의 유형의 AI 모델에 의존하는 대신, 각기 다른 전문성을 가진 다양한 모델들로 구성된 "주방 팀"을 구축하기로 했습니다. 그들은 단순히 하나의 거대한 신경망을 문제에 던져 넣은 것이 아니라, 다섯 가지 다른 접근 방식을 시도했습니다:

1. 선형적 사고가 (The Linear Thinker): 직선적인 관계를 찾는 단순한 모델입니다.
2. 패턴 포착가 (The Pattern Spotter): 데이터의 복잡하고 비선형적인 패턴을 찾는 데 능숙한 모델입니다.
3. "맑은 하늘" 전문가 (The "Clear Sky" Specialist): 먼저 구름 한 점 없는 완벽한 날에 전력이 어느 정도일지를 계산한 다음, 구름이 그 양을 얼마나 줄일지를 추측하는 모델입니다.
4. 시간별 전문가 (The Hourly Expert): 태양은 오전 7시와 오후 2시에 다르게 행동하기 때문에, 하루 24시간 각각을 위한 24개의 서로 다른 "두뇌"를 가진 모델입니다.
5. 이미지 판독기 (The Image Reader): 날씨 데이터를 이미지(날짜와 시간의 격자 형태)로 보고 구름이 어떻게 이동하는지 포착하는 모델입니다.

그 후 연구진은 "스태킹(stacking)"이라는 영리한 기법을 사용했습니다. 다섯 명의 학생에게 수학 문제를 풀게 하는 선생님을 상상해 보십시오. 선생님은 단순히 가장 좋은 답을 낸 학생을 고르는 대신, 각 학생이 연습 시험에서 어떻게 했는지를 보고 그들에게 "투표 가중치"를 부여합니다. 만약 "패턴 포착가"가 흐린 날에 특히 잘 맞춘다면, 그 학생에게 더 많은 표를 줍니다. 만약 "시간별 전문가"가 오전 예측에 뛰어나다면, 오전 시간에는 그 학생에게 더 많은 표를 줍니다. 최종 예측은 모든 학생의 추측을 가중 평균한 값입니다.

결과: 단순히 큰 것이 아니라, 더 똑똑하게

팀은 두 가지 방식으로 시스템을 테스트했습니다. 첫째, 모델이 일반적인 규칙을 잘 학습하는지 보기 위해 날짜를 무작위로 섞었습니다(카드 덱을 섞는 것처럼). 둘째, 실생활을 시뮬레이션하는 "롤링 오리진(rolling-origin)"이라는 더 엄격한 테스트를 사용했습니다. 즉, 과거의 데이터로 모델을 학습시키고, 앞을 미리 보지 않은 채 하루하루 미래를 예측하게 한 것입니다.

결과는 다음과 같습니다:

• 팀의 승리: "스태킹"된 모델 팀은 단일 모델보다 뛰어난 성과를 보였습니다. 무작위 셔플 테스트에서, 이 팀은 "스마트 지속성(smart persistence)" 방식(예상되는 맑은 하늘 조건에 따라 어제의 출력값을 조정하는 방식)과 비교했을 때 오차를 약 32% 줄였습니다. 더 엄격한 실생활 테스트에서도 이 스마트 지속성 베이스라인 대비 오차를 9% 개선했습니다.
• 물리학의 중요성: "맑은 하늘" 접근법은 매우 유용했습니다. AI에게 먼저 "태양의 위치에 따른 최대 가능 전력(solar envelope)"을 이해하게 한 뒤, 날씨의 영향만을 추측하도록 가르치자 모델은 더 빠르게 학습하고 더 나은 예측을 할 수 있었습니다.
• 단기 날씨가 핵심: 좋은 예측을 위한 가장 중요한 요소는 태양 위치의 복잡한 수학적 계산이 아니라, 한 시간 전과 한 시간 후의 날씨가 어떠했는지를 아는 것이었습니다. 구름은 빠르게 움직이며, 그들의 즉각적인 주변 환경을 아는 것이 AI가 구름이 다음에 어디로 갈지 예측하는 데 도움을 주었습니다.

이것이 왜 중요한가

이 논문은 완벽한 데이터가 수년 치나 쌓이지 않은 새로운 태양광 현장의 경우, 좋은 예측을 만들기 위해 거대한 데이터베이스가 구축될 때까지 기다릴 필요가 없음을 시사합니다. 간단한 데이터 오류(한 시간의 시계 차이 등)를 수정하고, 물리학을 사용하여 AI를 안내하며, 다양한 유형의 모델을 결로함으로써, 우리는 훨씬 더 빨리 신뢰할 수 있는 예측을 얻을 수 있습니다.

하지만 저자들은 이것이 만능 해결책은 아니라는 점을 주의 깊게 언급했습니다. "롤링 오리진" 테스트 결과, 모델이 경험해보지 못한 방식으로 날씨가 변할 때(예: 새로운 계절이 올 때) 정확도가 떨어진다는 것이 밝혀졌습니다. 이는 시스템이 즉각적인 사용에는 훌륭하지만, 데이터가 들어옴에 따라 계속 학습해야 함을 시사합니다. 이 연구는 잘 조직된 파이프라인—시계를 맞추고, 적절한 특징을 사용하며, 다양한 모델의 팀으로부터 경청하는 것—이 단순히 가장 크고 복잡한 AI 모델 하나를 사용하는 것보다 더 강력할 수 있음을 증명합니다. 이는 녹색 에너지의 세계에서, 때로는 미래를 예측하는 가장 좋은 방법이 현재의 데이터를 완벽하게 정렬하는 것임을 상기시켜 줍니다.