⚡ electrical engineering

A wind power forecasting method based on CEEMDAN- LightGBM-Transformer

본 논문은 풍력 발전 데이터를 분해하고 비선형 및 선형 특징을 추출 및 순위를 매긴 뒤, 이를 트랜스포머 구조를 통해 융합함으로써 기존 방식보다 오차 지표를 크게 줄여 매우 높은 정확도의 예측을 달성하는 하이브리드 CEEMDAN-LightGBM-Transformer 모델을 제안한다.

원저자: Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

게시일 2026-09-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jingsong ZHANG, Yukai Zhou, Xiaorui CHU, Yuanyuan Yang, Yangdi Xu

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전력망은 섬세한 균형 잡기 과정입니다. 전등을 켜고 기계를 돌리기 위해서는 지속적이고 안정적인 전력의 흐름이 필요하지만, 많은 현대식 터빈을 움직이는 바람은 변덕스럽기로 악명이 높습니다. 바람은 돌풍이 불기도 하고, 멈추기도 하며, 예고 없이 방향을 바꿉니다. 이러한 예측 불가능성은 엔지니어들에게 큰 과제를 안겨줍니다. 즉, 제멋대로 오고 가는 에너지원을 어떻게 전력망이 신뢰할 수 있게 할 것인가 하는 문제입니다. 이를 해결하기 위해 과학자들은 오랫동안 더 나은 풍력 발전 예측 방법을 구축하려고 노력해 왔습니다. 그들은 과거 데이터에서 패턴을 찾는 통계적 도구를 사용해 왔으며, 최근에는 인간의 뇌가 경험으로부터 학습하는 방식을 모방한 일종의 컴퓨터 지능인 딥러닝을 활용하고 있습니다. 목표는 언제나 동일합니다. 바로 풍력 발전소가 향후 몇 시간 동안 정확히 얼마나 많은 에너지를 생산할지 예측하여, 전력 운영자가 미리 계획을 세우고 시스템을 안정적으로 유지할 수 있도록 하는 것입니다.

중국 시창 대학교의 연구팀은 세 가지 서로 다른 기술을 하나의 강력한 예측 엔진으로 결합하여 이 문제를 해결하기 위한 새로운 방법을 제안했습니다. 이들의 접근 방식은 최근 연구에서 상세히 설명되었는데, 풍력 발전소의 가공되지 않은 데이터를 단일한 혼돈스러운 흐름이 아니라 분리해야 할 다양한 신호들의 복잡한 혼합물로 취급합니다. 먼저, 그들은 '적응형 노이즈를 포함한 완전 앙상블 경험적 모드 분해(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)'라고 불리는 수학적 과정을 사용합니다. 쉽게 말해, 이것은 들쭉날쭉하고 노이즈가 섞인 풍력 발전 데이터를 여러 개의 더 매끄럽고 단순한 층으로 나누는 정교한 체 역할을 합니다. 연구진은 이 데이터의 최상단 층이 주로 무작위적인 정적(static)과 기계적 진동, 즉 예측 모델을 혼란스럽게 만드는 노이즈라는 것을 발견했습니다. 바람의 실제 거동에 관한 중요한 세부 사항을 잃지 않으면서도, 이 첫 번째 노이즈 층만을 주의 깊게 제거함으로써 그들은 데이터를 깨끗하게 정제했습니다.

데이터가 정제된 후, 연구진은 가장 유용한 정보를 찾아내기 위해 설계된 두 번째 단계에 데이터를 투입했습니다. 그들은 'LightGBM'이라 알려진 알고로를 채택했는데, 이는 수십 개의 변수를 걸러내는 매우 효율적인 필터 역할을 합니다. 풍력 발전소는 다양한 높이에서의 풍속, 온도, 습도, 기압을 포함한 풍부한 데이터를 제공합니다. LightGBM 시스템은 이러한 요소들을 분석하여 전력 출력을 예측하는 데 정말로 중요한 것이 무엇인지 결정했습니다. 이 시스템은 풍속이 지배적인 요인임을 확인해주었을 뿐만 아니라, 다른 기상 변수들의 특정 조합이 중요한 맥락을 더해준다는 점도 식별해 냈습니다. 이 단계는 최종 예측 모델이 무관한 데이터에 압도당하지 않고, 에너지 생성을 주도하는 특정 특징들에 집중할 수 있도록 보장했습니다.

퍼즐의 마지막 조각은 언어를 이해하는 능력으로 유명한 트랜스포머(Transformer) 모델 기반의 신경망 구조였습니다. 이 모델은 원래 언어를 이해하기 위해 설계되었으나 여기서는 시계열 데이터에 맞게 변형되었습니다. 이 부분은 정제되고 필터링된 데이터를 바탕으로 바람이 시간이 지남에 따라 어떻게 변했는지 파악하고, 다음에 어떻게 변할지를 예측합니다. 전체의 과거 데이터를 한꺼번에 살펴보는 기존 모델들과 달리, 이 시스템은 시간의 흐름을 존중하는 특정한 구조로 구축되었습니다. 즉, 과거를 보고 미래를 예측하며, 아직 알 수 없는 미래의 데이터에 실수로 접근하지 않도록 보장합니다. 시간 순서의 여러 부분에 동시에 집중할 수 있는 메커니즘을 사용함으로써, 모델은 단기적인 돌풍과 장기적인 일간 패턴을 모두 포착합니다.

연구진이 이 결합된 시스템을 다른 대중적인 예측 방법들과 비교 테스트했을 때, 결과는 놀라웠습니다. 2019년 내내 15분 간격으로 기록된 중국의 200메가와트급 풍력 발전소 데이터를 사용하여, 그들의 새로운 모델은 기존의 경쟁 모델들을 크게 앞질렀습니다. 랜덤 포레스트(Random Forest)나 일반적인 딥러닝 네트워크와 같은 다른 방법들이 전력의 갑작스러운 급증이나 급락을 추적하는 데 종종 어려움을 겪었던 반면, 이 새로운 시스템은 놀라운 정밀도로 실제 데이터의 흐름을 따라갔습니다. 연구는 이 새로운 접근 방식이 이러한 다른 모델들에 비해 평균 예측 오차를 15% 감소시켰음을 보여주었습니다. 더욱이, 모델의 예측값은 실제 전력 출력과 매우 밀접하게 일치하여, 정확도를 나타내는 통계적 척도인 R-제곱(R-squared) 값이 98%를 초과했습니다.

연구진은 또한 각 구성 요소를 제거하여 최종 성공에 각각이 얼마나 기여했는지 확인하기 위해 시스템을 테스트했습니다. 그들은 결합이 필수적이라는 것을 발견했습니다. 즉, 노이즈 제거 단계나 특징 필터링 단계를 제거하면 결과가 눈에 띄게 나빠졌습니다. 이 연구는 이 방법의 진정한 힘이 이 세 가지 구성 요소가 어떻게 함께 작동하느냐에 달려 있음을 시사합니다. 첫 번째 요소는 신호를 정제하고, 두 번째 요소는 적절한 재료를 선택하며, 세 번째 요소는 최종 예측을 요리합니다. 이러한 통합적 접근 방식은 전력 운영자에게 강력한 도구를 제공하여, 풍력 발전의 통합을 더 효과적으로 관리하고 장비 유지보수 및 에너지 배분에 관한 더 나은 결정을 내릴 수 있도록 도울 수 있습니다.

기술 요약: CEEMDAN-LightGBM-Transformer 기반의 풍력 발전 예측 방법론

문제 정의
풍력 발전은 간헐성, 변동성, 무작위성을 특징으로 하며, 이는 정확한 예측에 상당한 어려움을 초래한다. 이러한 불확실성은 그리드 스케줄링, 전력 소비 관리 및 장비 유지보수를 복잡하게 만들어, 다중 에너지 보완 전력 시스템의 안정적이고 경제적인 운영을 위협한다. ARIMA, SVM, Random Forest와 같은 전통적인 예측 방법들은 다중공선성 문제를 해결하는 데 어려움을 겪는 경우가 많으며, 풍력 데이터의 비선형적이고 고도로 휘발적인 특성을 효과적으로 포착하지 못한다. 딥러닝 접근 방식이 유망함을 보여주었으나, 시계열 데이터 누수(temporal data leakage), 신호 분해 시의 모드 혼합(mode mixing) 문제, 그리고 노이즈 감소와 핵심 동적 특징 유지 사이의 균형을 맞추지 못하는 문제에 자주 직면한다.

방법론
본 논문은 세 가지 구별된 구성 요소인 CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise), LightGBM(Light Gradient Boosting Machine), 그리고 인코더-디코더 구조를 갖춘 Transformer 아키텍처를 통합한 하이브리드 예측 프레임워크를 제안한다.

신호 분해 및 노이즈 제거 (CEEMDAN):
원시 풍력 발전 시계열은 기존 EMD의 모드 혼합 문제를 해결하기 위해 CEEMDAN을 사용하여 여러 내재 모드 함수(IMF)로 먼저 분해된다. 후속 모델을 위한 입력을 최적화하기 위해, 저자들은 "drop_k" 전략을 도입한다. 이 정량적 접근 방식은 예측 가치가 미미한 지배적 확률 노이즈 및 기계적 진동 신호를 포함하는 것으로 식별된 상위 $k$ 개의 고주파 IMF를 제거한다. 본 연구는 첫 번째 IMF( $k=1$ )만을 제거하는 것이 원래 신호 분산의 99.5%를 보존하면서 고주파 노이즈를 제거하는 최적의 절충안임을 밝혀냈다.
특징 재구성 및 선택 (LightGBM):
분해 후, 다차원 특징 선택 프레임워크가 구축된다. 모델은 피어슨 상관 분석을 활용하여 선형적으로 지배적인 특징(특히 허브 높이 및 70m에서의 풍속)을 식별한다. 동시에, LightGBM을 사용하여 특징 이득(feature gain)을 기반으로 비선형 기상 변수(대기 압력 및 습도 등)를 평가한다. 이 과정은 28차원의 입력 세트를 기여도가 높은 20차원의 특징 서브셋으로 필터링하며, 이를 통해 단변량 선형 상관관계와 다요인 비선형 결합 관계를 효과적으로 융합한다.
시퀀스 예측 (Transformer):
정제된 특징들은 인코더-디코더 구조를 사용하는 Transformer 모델로 입력된다. 미래 정보 누수 문제가 발생할 수 있는 인코더 전용 모델과 달리, 이 프레임워크는 인과적 구조(causal structure)를 채택한다.

인코더(Encoder): 셀프 어텐션(self-attention)과 피드 포워드 네트워크(FFN)를 사용하여 과거 시퀀스 내의 양방향 의존성을 포착한다.
디코더(Decoder): 잠재 특징을 미래 예측 플레이스홀더와 통합한다. 이는 시간적 인과성을 엄격히 준수하기 위해 **마스크드 멀티 헤드 셀프 어텐션(masked multi-head self-attention)**을 사용하며, 과거의 키-값 쌍을 타겟 쿼리와 매칭하기 위해 **크로스 어텐션(cross-attention)**을 활용한다.
위치 인코딩(Positional Encoding): 풍력 데이터의 내재적 주기성과 시차 상관관계를 포착하기 위해 고정된 사인 함수 인코딩이 적용된다.

주요 기여
본 논문은 세 가지 주요 혁신을 식별하였다:

정량적 노이즈 필터링: CEEMDAN 프레임워크 내의 노이즈 지표와 "drop_k" 전략 도입을 통해, 단기 예측에 필수적인 동적 특징을 유지하면서도 고주파 노이즈를 객관적으로 제거하여 모드 에일리어싱(modal aliasing)을 완화한다.
하이브리드 특징 공학: 피어슨 상관관계와 LightGBM 특징 이득의 통합은 풍속의 선형적 지배력과 비선형적 기상 상호작용 사이의 균형을 맞추는 견고한 선택 메커니즘을 생성하여 입력의 합리성을 개선한다.
인과적 인코더-디코더 아키텍처: 시계열 데이터 누수를 제거하기 위해 설계된 마스크드 인코더-디코더 Transformer를 채택하여, 크로스 어텐션을 통해 과거와 미래 시퀀스 세그먼트를 융합함으로써 정확한 다단계 예측을 수행한다.

실험 결과
모델은 중국의 200MW 풍력 발전소 데이터(2019년, 15분 간격)를 사용하여 평가되었다. 제안된 CEEMDAN-LightGBM-Transformer (CLT) 모델은 Random Forest (RF), GRU, ARIMA, XGBoost 및 기타 최신 시계열 모델(Informer, TimesNet, PatchTST)과 비교되었다.

성능 지표: CLT 모델은 테스트 세트에서 2.893의 평균 RMSE (mRMSE)와 2.110의 평균 MAE (mMAE)를 달성하였으며, $R^2$ 값은 0.991을 기록했다.
비교 우위: Random Forest 및 GRU와 같은 베이스라인 모델과 비교했을 때, 제안된 방법은 mRMSE와 mMAE 모두에서 15%의 감소를 보였다. 바닐라 Transformer와 비교했을 때는 mRMSE와 mMAE가 32% 이상 감소하였으며, XGBoost 베이스라인 대비로는 mRMSE와 mMAE가 81% 이상 감소하였다.
절제 연구(Ablation Studies): 개별 모듈(CL, LT, CT)을 제거한 실험을 통해, 분해, 특징 선택, 그리고 인과적 Transformer 아키텍처의 완전한 통합이 가장 낮은 오차율과 가장 높은 일반화 능력을 제공함을 확인하였다. 모델은 다른 모델들이 지연이나 적합 편향(fitting bias)을 보이는 급격한 출력 변화(ramp-up/down) 조건에서도 성공적으로 전력 피크를 추적하였다.

의의
본 논문은 이 하이브리드 모델이 배전, 전력 소비 관리, 장비 유지보수 의사결정을 포함한 핵심 그리드 운영에 효과적인 지원을 제공한다고 주장한다. 신호 분해, 그래디언트 부스팅 기반 특징 선택, 그리고 어텐션 기반 시퀀스 모델링을 시너지 있게 결합함으로써, 이 접근 방식은 풍력 변동성의 특정 과제를 해결하고 복잡하고 비정상적인 환경에서 예측 오차를 줄이는 강력한 솔루션을 제공한다.

유사한 논문