A Novel Hybrid VMD-TCN-BiGRU Model for Solar Irradiation Prediction Using Long-Term Monthly Meteorological Data

기술 요약: 태양 일사량 예측을 위한 새로운 하이브리드 VMD-TCN-BiGRU 모델

문제 정의
태양 에너지는 전 세계적인 지속 가능한 전력 전환의 핵심 요소이지만, 태양 일사량(SI)의 간헐적인 특성으로 인해 에너지 시스템으로의 통합에 어려움을 겪고 있습니다. 태양 일사량을 정확하게 예측하는 것은 투자 결정, 그리드 안정성 및 태양광(PV) 시스템의 효율적인 운영에 필수적입니다. 다양한 머신러닝(ML) 및 딥러닝(DL) 방법이 태양 일사량 예측에 적용되어 왔으나, 기존 문헌은 종종 고전적인 모델에 의존하거나 복잡한 기상 데이터에 내재된 고차 비선형성 및 비정상성을 처리할 수 있는 강력한 하이브리드 아키텍처가 부족합니다. 과제는 복잡한 기상 데이터셋으로부터 시계열 의존성과 주파수 성분을 효과적으로 추출하여 우수한 예측 정확도를 달实现的 모델을 개발하는 것입니다.

방법론
본 연구는 변분 모드 분해(Variational Mode Decomposition, VMD), 시간 합성곱 네트워크(Temporal Convolutional Networks, TCN), 그리고 양방향 GRU(Bidirectional Gated Recurrent Units, BiGRU)를 통합한 새로운 하이브리드 딥러닝 프레임워크를 제안합니다. 이 모델은 NASA POWER에서 제공하는 장기 기상 데이터(1984년 1월 – 2025년 12월)를 사용하여 터키 코냐(Konya) 지역의 카라피나르(Karapınar) 지구에 대한 월간 태양 일사량을 예측하는 데 적용되었습니다.

제안된 아키텍처는 네 가지 순차적 단계로 작동합니다:

1. 데이터 전처리: 원시 태양 일사량 데이터는 급격한 스파이크와 노이즈의 영향을 완화하기 위해 로그 변환($x(t) = \log(1+y(t))$)을 거친 후, $[0, 1]$ 범위로 정규화됩니다.
2. VMD 기반 분해: 전처리된 신호는 $K=6$개의 고유한 내재 모드 함수(Intrinsic Mode Functions, IMFs)로 분해됩니다. 이 단계는 선형 및 비정상 구조를 격리하여, 후속 레이어가 특정 주파수 대역 내의 고유한 주기적 패턴을 식착할 수 있도록 합니다.
3. 계층적 TCN-BiGRU 엔진: 각 IMF 구성 요소는 병렬로 딥러닝 블록에 의해 처리됩니다:
   • TCN 레이어: 확장된 수용 영역(receptive field)을 통해 장기적 시간 의존성을 포착하고 계층적 특징을 추출하기 위해 확장 인과 합성곱(dilated causal convolutions)을 활용합니다.
   • BiGRU 레이어: TCN으로부터 추출된 특징을 순방향 및 역방향 모두로 처리하여 양방향 시간 관계를 포착하며, 이를 통해 데이터 손실을 방지하고 일반적인 RNN에서 흔히 발생하는 그래디언트 소실 문제를 완화합니다.
4. 집계 및 재구성: 각 6개 IMF에 대한 예측값은 합산되어 최종 신호를 재구성합니다. 출력값을 원래 단위($kW\cdot h/m^2/day$)로 변환하기 위해 역로그 변환($\exp(x) - 1$)이 적용됩니다.

벤치마킹
제안된 VMD-TCN-BiGRU 모델의 성능은 XGBoost, Light Gradient Boosting Machine (LGBM), Convolutional Neural Network (CNN), Decision Tree (DT), Long Short-Term Memory (LSTM), Elastic Net (ENet), Extreme Learning Machine (ELM), 그리고 Histogram-Based Gradient Boosting (HGB) 등 8개의 확립된 알고리즘과 엄격하게 비교되었습니다. 모든 모델은 동일한 하이퍼파라미터 최적화 전략을 사용하여 데이터셋의 80/20 분할 방식으로 학습되었습니다.

주요 결과
본 연구는 평균 제곱 오차(MSE), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 평균 절대 백분율 오차(MAPE), 결정 계수($R^2$), 그리고 잔차 예측 편차(RPD)를 포함한 다수의 평가 지표를 활용했습니다.

• 오차 감소: 제안된 하이브리드 모델은 9개의 모델 중 가장 낮은 오차율을 달성하였으며, MSE는 0.0593, RMSE는 0.2434, MAE는 0.1879, MAPE는 4.14%를 기록했습니다.
• 설명력: 이 모델은 0.9849의 가장 높은 $R^2$ 값을 달성하였으며, 이는 데이터셋의 거의 모든 변동성을 성공적으로 모델링했음을 나타냅니다.
• 신뢰성 (RPD): 모델은 8.137의 RPD 값을 달성하여, 차순위 모델인 XGBoost(6.037)를 크게 앞질렀습니다. 8.0 이상의 RPD는 해당 모델이 실제 응용 분야에 매우 신뢰할 수 있음을 시사합니다.
• 안정성 및 일반화: 10-겹 교차 검증(10-fold cross-validation) 분석을 통해 모델의 안정성을 확인하였으며, 모든 폴드에서 97.05%에서 99.34% 사이의 $R^2$ 값을 보여 과적합에 대한 견고함을 입증했습니다.
• 오차 분포: 히스토그램 및 확률 밀도 분석 결과, 제안된 모델의 오차는 0 주변에 가장 집중되어 있고 분산이 가장 적은 반면, 다른 모델들은 더 넓은 오차 꼬리와 더 큰 편차를 보였습니다.

의의 및 주장
저자들은 VMD-TCN-BiGRU 하이브리드 모델이 단일 아키텍처 모델의 한계를 해결함으로써 태양 일사량 예측 분야에서 중요한 진전을 이루었다고 주장합니다. 본 연구는 VMD의 통합이 노이즈와 복잡한 신호 성분을 효과적으로 분리하는 한편, TCN-BiGRU의 결합이 국소적 특징 추출과 양방향 시간 학습을 모두 활용한다고 단언합니다.

결론적으로, 이 하이브리드 접근 방식은 장기 월간 태양 일사량 예측에 있어 표준 ML 및 DL 방법(CNN 및 LSTM 포함)보다 더 높은 정확도와 신뢰성을 제공합니다. 저자들은 이 모델을 에너지 관리, 그리드 계획 및 태양광 시스템 최적화, 특히 카라피나르와 같이 태양 잠재력이 높은 지역을 위한 우수한 도구로 제시합니다. 본 연구는 신호 분해와 양방향 딥러닝의 특정 조합이 보고된 98.5%의 정확도 수준을 달성하는 핵심임을 강조합니다. 저자들이 제안하는 향후 과제에는 다양한 기후대에서의 모델 테스트와 풍력과 같은 다른 재생 에너지원으로의 적용 탐색이 포함됩니다.