머신러닝 기반 일사량 예측 정확도 개선 학술발표

개요

제1회 한국에너지학술대회에서 「국지예보모델 및 지상 관측자료를 활용한 머신러닝 기반 일사량 예측 정확도 개선에 관한 연구」를 발표했습니다. 논문은 한국전력공사 전력연구원 소속 연구로 작성되었고, 저자는 김승호, 박상호, 최순호, 반민호, 백자현입니다. 신재생에너지 발전량 예측의 핵심 입력인 일사량 예보를 더 정확하게 만들기 위해, 기상청 국지예보모델(LDAPS) 데이터와 지상 관측자료(ASOS)를 함께 활용한 LSTM 기반 보정 모델을 설계했습니다.

문제의식

태양광 발전량은 일사량 변화에 직접적으로 영향을 받기 때문에, 일사량 예측 오차는 발전량 예측과 전력계통 운영의 불확실성으로 이어집니다. 논문은 2050 탄소중립과 재생에너지 확대 흐름 속에서 태양광·풍력 발전량 예측의 중요성이 커지고 있다는 배경에서 출발했습니다. 특히 맑은 날에는 국지예보모델이 관측값과 유사한 경향을 보이지만, 흐린 날에는 예보 일사량과 관측 일사량 사이의 오차가 커질 수 있다는 점에 주목했습니다.

데이터 구성

• 대상 위치는 전라북도 고창군 인근 지상 관측소 위치로 설정했습니다.
• 분석 기간은 2022년 7월 1일 0시부터 2022년 10월 31일 23시까지이며, 1시간 단위 데이터를 사용했습니다.
• LDAPS 예보 데이터에서는 일사량(W/m2), 습도(%), 운량(%)을 입력 변수로 사용했습니다.
• ASOS 지상 관측자료에서는 관측시각(KST)과 일사량(MJ/m2)을 사용했고, 단위 비교를 위해 LDAPS 기준인 W/m2로 환산했습니다.
• 관측소 상황에 따라 누락된 데이터가 발생할 수 있어 결측치가 있는 일자는 제거했습니다.

모델링 접근

데이터 전처리에서는 변수별 단위와 분포 차이가 모델 학습에 미치는 영향을 줄이기 위해 StandardScaler를 적용했습니다. 평균 0, 표준편차 1을 기준으로 변수를 표준화한 뒤, 시계열 예측에 적합한 순환 신경망 계열 모델인 LSTM(Long Short-Term Memory)을 사용했습니다.

전체 데이터는 약 8:2 비율로 훈련 데이터와 테스트 데이터로 나누었습니다. 입력 데이터는 LDAPS의 일사량, 습도, 운량이고, 목표값은 ASOS 지상 관측 일사량입니다. 즉, 예보 데이터가 실제 관측 일사량에 더 가까워지도록 학습하는 보정 모델의 형태로 연구를 구성했습니다.

검증 결과

예측 성능은 MAE, RMSE, 결정계수(R²)로 비교했습니다. MAE와 RMSE는 작을수록 오차가 적고, 결정계수(R²)는 1에 가까울수록 예측값과 관측값의 설명력이 높습니다. 야간에는 일사량이 0이므로, 실질적인 예측 성능을 보기 위해 일사량 최댓값의 10% 이상에 해당하는 데이터만 따로 비교했습니다.

• MAE: 학습 전 22.12857 → 학습 후 21.61701
• RMSE: 학습 전 53.84541 → 학습 후 45.46418
• 결정계수(R²): 학습 전 0.95403 → 학습 후 0.96805
• MAE(10%): 학습 전 54.57676 → 학습 후 53.95654
• RMSE(10%): 학습 전 87.00414 → 학습 후 73.58499
• 결정계수(R²)(10%): 학습 전 0.78350 → 학습 후 0.84840

학습 이후 전체 RMSE는 53.84541에서 45.46418로 감소했고, 결정계수(R²)는 0.95403에서 0.96805로 증가했습니다. 일사량이 의미 있게 존재하는 10% 이상 구간에서도 RMSE가 87.00414에서 73.58499로 줄고 결정계수(R²)가 0.78350에서 0.84840으로 개선되어, 흐린 날처럼 예보 오차가 커지는 구간에서 보정 효과를 확인할 수 있었습니다.

포트폴리오 관점의 의미

이 활동은 단순히 머신러닝 모델을 적용한 발표가 아니라, 전력계통 운영과 재생에너지 확대라는 실제 산업 문제를 데이터 기반 예측 문제로 바꾸어 다룬 경험입니다. 예보 데이터와 관측 데이터를 같은 시간축·단위로 정리하고, 결측치 처리와 표준화를 거쳐 LSTM 모델에 연결한 뒤, MAE/RMSE/결정계수(R²)로 개선 여부를 검증했습니다. 연구 결과는 정확도가 개선된 일사량 데이터를 태양광 발전량 예측 모델 설계로 확장할 수 있다는 점에서 의미가 있습니다.

후속 연구 방향

논문에서는 향후 LDAPS 변수 중 일사량과 상관성이 높은 데이터를 추가로 선별해 학습하고, 위성 데이터를 활용해 구름의 움직임 정보를 모델에 반영하는 방향을 제안했습니다. 궁극적으로는 보정된 일사량 예측을 태양광 발전량 예측 모델과 연계해 더 안정적인 신재생에너지 출력 예측으로 확장하는 것이 목표입니다.

첨부 자료

논문 PDF를 첨부했습니다. 논문 원문에는 연구 배경, 데이터 취득 및 전처리, LSTM 예측 모델 구성, 성능 평가 표, 참고문헌이 포함되어 있습니다.