1. Introduction

분산에너지 활성화 특별법 시행을 앞두고, 분산 전원의 전력시장 참여 및 전력 계통 운영을 최적화하기 위해 가상발전소(virtual power plant, VPP)에 대한 관심이 높아지고 있다^[1]. 가상발전소는 다수의 소규모 분산 전원을 하나의 대규모 발전소처럼 조율하여 운영하는 분산 전원의 집합을 의미한다^[2]. 사물인터넷(Internet of things, IoT)과 스마트 그리드(smart grid)의 기술 발전은 분산형 자원(distributed energy resource, DER)의 양방향 제어를 가능하게 하여, 계통 운영 시 발생할 수 있는 기술적 문제를 해결하고 효율성을 극대화하는 데 중요한 역할을 한다^[3]. 이러한 기술 발전은 분산 자원의 통합 관리를 통해 에너지 시스템의 유연성을 향상하며, 가상발전소의 미래 에너지 발전량을 예측하여 에너지저장장치(energy storage system, ESS)에 잉여전력을 저장할 뿐만 아니라 분산 자원의 수요에 맞춰 공급 계획을 조정할 수 있게 함으로써 에너지 불균형 문제를 해결하는 데 기여할 수 있다^[4].

국내 전력시장은 하루 전 전력시장(day-ahead market)을 시범운영하고 있어 안정적인 에너지 수급을 위해서는 하루 전 에너지 발전량을 정확하게 예측하는 것이 매우 중요하다^[5]. 하지만 신재생에너지 발전의 경우, 청정 자원을 활용하는 발전 방식의 특성상 환경적 요인과 내부 조건에 따라 발전에 변동성이 발생하기 때문에 정확한 발전량 예측에는 어려움이 있다. 이러한 이유로 최근에는 가상 환경 시뮬레이션을 가능케 하는 가상발전소에서 적용할 수 있는 강건한 태양광 발전량 예측 모델을 개발하는 것이 중요한 연구과제로 여겨지고 있다^[6]. 더불어, 다단계 예측은 미래의 여러 시점에 대한 정보를 제공함으로써, 효율적인 자원 배분과 운영 계획 수립이 가능하므로 매우 중요하다^[7].

최근 인공지능 분야에서는 딥러닝의 장점을 활용하는 멀티 퓨전 딥러닝(multi-fusion deep learning) 접근법이 주목받고 있다^[8]. 이 방법은 결합하는 모델의 특성과 이점을 고려하여 예측 정확도를 향상할 수 있다는 장점이 있어, 정확한 예측이 필요한 다단계 태양광 발전량 예측 연구에서도 많이 시도되고 있다^[9]. 그럼에도 불구하고, 태양광 발전량 예측의 정밀성을 더욱 높이기 위한 연구와 기술 개발의 여지가 남아 있다. 본 연구는 다중 시계열 데이터의 특성을 효과적으로 고려하여 다음 날 24시간 동안의 다단계 태양광 발전량 예측을 수행하는 멀티 퓨전 딥러닝 모델을 제안한다.

본 논문의 구성은 다음과 같다. 2장에서는 관련 연구를 소개하고, 3장에서는 다단계 태양광 발전량 예측 모델 구조를 상세히 설명한다. 다음으로 4장과 5장에서는 각각 비교 모델 대비 제안 모델의 우수성 입증을 위한 실험 결과를 제시하고, 본 논문의 결론 및 향후 연구 방향에 대해 논의한다.

2. Related Work

정확한 태양광 발전량을 예측하기 위해 통계적 접근 및 인공지능 기반의 예측 모델들이 제안되었다. AlShafeey 등^[10]은 태양광 발전량이 일사량, 온도 등 다양한 기상 변수에 영향을 받는다는 점을 고려하여 입력 변수를 세 가지 방법(structure, hybrid, time-series)으로 구성한 인공 신경망(artificial neural network, ANN) 모델들을 개발하였다. 모의실험 결과, 세 가지 입력 변수 구성 방법 모두 다중 회귀(multiple regression, MR) 모델보다 우수한 예측 정확도를 도출하였다. Zhao 등^[11]은 하루 전 태양광 발전량 예측을 위해 데이터 전처리와 하이퍼파라미터 설정 등 반복적인 작업을 자동으로 처리하는 AutoML(automated machine learning)을 적용하였다. 또한, 예측 모델의 오차를 최소화하고자 기상 요인에 적합한 연산자를 선택하여 후보 해를 찾는 유전 알고리즘(genetic algorithm, GA)을 구현하여 기상 요인에 적합한 연산자를 선택해 입력 변수를 재구성하는 방법을 제안하였다. 설명 가능한 인공지능(explainable artificial intelligence, XAI)은 인공지능 기반 모델이 학습 과정을 설명할 수 없는 블랙박스 문제를 해결하고자 등장한 개념이다. Oh 등^[12]은 대표적인 XAI 기법인 SHAP(Shapley additive explanations)을 이용하여 XGBoost (extreme gradient boosting), SVM(support vector machine), ANN 등 태양광 발전량 예측 모델의 결과 해석에 영향을 주는 입력 변수들의 특징을 시각적으로 분석하였으며, 산출된 중요도를 통해 태양광 발전량 예측 정확도 향상에 기여할 수 있음을 확인하였다.

최근 대표적인 인공지능 기법인 딥러닝(deep learning)은 강건한 태양광 발전량 예측 방법론으로 많은 주목을 받고 있다. 딥러닝은 여러 계층과 노드를 통해 다수의 변수와 복잡한 패턴을 효과적으로 학습할 수 있어, 다양한 추세 및 패턴을 보이는 태양광 발전량 데이터에 적용하는 데 매우 적합하다. Kang과 Yun^[13]은 RNN(recurrent neural network) 기반 딥러닝 모델을 사용하여 세 가지 날씨 조건(비 오는 날, 구름 낀 날, 맑은 날)에 대하여 각각 실험한 뒤, 실제 한국전력거래소에서 사용하고 있는 예측 오차율을 통해 예측 정확도를 평가하였다. 실험 결과, 날씨 조건과 관계없이 LSTM(long short-term memory) 모델이 가장 우수한 성능을 보이는 것으로 확인하였다. 이와 더불어, 최근 연구에서는 딥러닝 모델의 특성과 장점을 결합한 하이브리드 형태의 모델을 구성하는 멀티 퓨전 딥러닝 구조에 관한 연구가 활발히 진행되고 있다. Pengtao 등^[14]은 WPD(wavelet packet decomposition)와 LSTM 및 선형 가중치 방법을 결합한 WPD-LSTM 모델을 제안하였으며, 5분 간격으로 한 시간 전 태양광 발전량 예측을 수행하였다. 실험 결과, WPD-LSTM 모델은 단일 딥러닝 모델과 비교하였을 때, 다양한 계절과 날씨 상황에서 우수한 예측 정확도를 확인할 수 있었다. Agga 등^[15]은 다음 날 태양광 발전량을 예측하고자 CNN(convolutional neural network)-LSTM 모델을 제안하였다. 실험 결과, CNN-LSTM 모델은 단일 기계학습은 물론 딥러닝 모델 대비 우수한 성능을 확인할 수 있었다.

그럼에도 불구하고 앞서 언급한 모델들은 학습 데이터에서 시계열성을 고려하지 않았기 때문에 시계열 데이터의 동적 특성을 효과적으로 학습하기가 어렵다는 한계가 있다. 이를 위해, 본 연구는 먼저 2차원 시퀸스로 변환하는 시계열 데이터 전처리를 수행하고, Bi-GRU(bidirectional gated recurrent unit), TCN(temporal convolutional network) 및 multi-head attention의 장점을 결합한 멀티 퓨전 딥러닝 기반 태양광 발전량 예측 모델을 제안한다. 제안한 모델은 강건한 태양광 발전량 예측뿐만 아니라 다단계 예측을 통해 스마트 그리드 기술 발전에 기여하고자 한다.

3. Forecasting Model Construction

3.2 Time Series Data Preprocessing

태양광 발전의 주요 에너지원인 일사량은 시간과 날씨에 따라 변동성이 있으므로 외부 환경 요인, 특히 시간과 날씨 정보 데이터의 효과적인 활용이 중요하다^[17]. 그러나 기존의 날짜 및 시간 변수는 시퀀스 형태로 구성되어 있어 주기성을 효과적으로 반영하기 어렵다. 예를 들어, 밤 11시와 자정은 시간상으로 인접하나 시퀀스 형태의 차이는 23으로, 이는 시계열 데이터 학습 시 주기적인 패턴을 올바르게 반영하는 데 한계가 있다.

본 연구는 연속 형태의 주기성을 효과적으로 반영하고자 식 (1)을 활용하여 1차원 시계열 데이터를 2차원 시계열 데이터로 변환하였다. 구체적으로, 시간 데이터를 2차원 평면에 투영하여 sin 및 cos 함수를 통해 주기성을 반영하였다. 2차원으로 변환된 데이터는 원형 좌표계에서 시간의 흐름을 나타내므로, 인접한 시간대 간의 주기성을 더욱 효과적으로 적용할 수 있다.

(1)

$Month_{x}=\sin(Month\times(2\pi /12))$

(2)

$Month_{y}=\cos(Month\times(2\pi /12))$

(3)

$Day_{x}=\sin(Day\times(2\pi /"\dot{M"))}$

(4)

$Day_{y}=\cos(Day\times(2\pi /"\dot{M"))}$

(5)

$Hour_{x}=\sin(Hour\times(2\pi /24))$

(6)

$Hour_{y}=\cos(Hour\times(2\pi /24))$

식 (3)과 식 (4)에서 DOTM는 day-of-the-month의 약어로 해당 월의 일(day) 수를 의미하며 해당 변수를 통해 월별 일 수의 차이를 반영하였다. 예를 들어, 2월은 28일 또는 29일, 3월은 31일, 4월은 30일로 나타내어 월별 주기성을 나타내었다. 이를 통해 달력상의 연속성을 유지하면서, 월별 데이터의 주기적인 변동을 더욱 정확하게 학습할 수 있다^[18].

그림 1은 (a) Kyocera, (b) Kaneka 패널의 시간 변수를 제외한 10개 입력 변수와 유효 전력 간의 상관관계 히트맵 시각화이다. 유효 전력은 일사량과 강한 양의 상관관계를 보였으며, 풍향, 일일 강수량, 유효 에너지 공급량은 0에 가까운 수치로 유효 전력과 상관관계가 없는 것으로 확인되어 멀티 퓨전 딥러닝 모델의 입력 변수에서 제외하였다.

그림 1. 유효 전력과 입력 변수 간의 상관관계

Fig. 1. Correlation between active power and input variables

기상관측 데이터에서 발견된 결측치는 기상관측 장비의 유지 보수 또는 장애 조치로 인해 반나절 또는 하루 동안의 데이터가 누락된 것으로, 총 22,065개의 결측치가 풍속 변수에서 나타나 입력 변수에서 제외하였다. 또한, 971개의 결측치가 각각 경사 및 산란 일사량 변수에서 확인되었으며, 이는 선형 보간법을 사용하여 대체하였다. 또한, 입력 변수는 모델 학습을 위해 최소-최대 정규화를 통해 데이터를 0에서 1 사이의 범위로 변환하였다.

3.3 Multi-Fusion Deep Learning Architecture

RNN(recurrent neural network)은 과거 시퀀스를 기억할 수 있는 구조로, 시계열 예측 문제에 많이 적용하여 사용되었다. 하지만 입력 시퀀스가 길어질수록 장기 의존성 문제와 기울기 소실 문제가 발생하는 한계가 있어, 이를 해결하고자 LSTM과 GRU(gated recurrent units) 등의 딥러닝 구조가 개발되었다.

LSTM^[19]은 기존 RNN이 해결하지 못하는 장기 의존성 문제를 극복하기 위해, hidden state의 메모리 셀에 input gate layer, forget gate layer, output gate layer를 도입하였다. 이러한 게이트 메커니즘은 장기 시퀀스 데이터를 효과적으로 처리하면서도 역전파 과정에서 기울기 소실 문제를 해결할 수 있는 장점이 있다.

GRU^[20]는 LSTM의 개선으로 LSTM의 forget gate와 input gate를 통합한 update gate를 도입하여, 이전 메모리의 일부를 유지하면서도 새로운 상태 정보를 결합하는 방법을 기반으로 LSTM에 비해 간단한 구조를 갖지만, 비슷한 성능을 도출하였다.

Bi-LSTM(bidirectional LSTM)^[21]은 데이터에서 양방향으로의 정보를 결합하여 시퀀스 모델링 작업에 효과적인 장점이 있다. 이와 마찬가지로 Bi-GRU^[22]도 입력 시퀀스를 앞뒤 양방향으로 처리하여 각 타임 스텝에서 중요한 정보를 선택적으로 유지 및 전달할 수 있으며, 입력 시퀀스를 동시에 처리하기 때문에 병렬적인 특성이 있다.

CNN 기반의 모델인 TCN^[23]은 dilated convolution을 사용하여 긴 시퀀스에서 장기적인 종속성을 효과적으로 학습할 수 있는 특징이 있다. 또한, TCN은 convolutional 구조를 사용하므로, 순차적인 연산이 요구되는 RNN과 달리 병렬 연산이 가능하다는 장점이 있다.

본 논문에서 제안한 멀티 퓨전 딥러닝 모델 구조는 그림 2와 같다. 다음 날 24시간에 대한 다단계 태양광 발전량을 예측하고자 encoder의 역할을 하는 Bi-GRU와 decoder의 역할을 하는 TCN을 결합하여 시퀀스 투 시퀀스(sequence-to-sequence) 구조의 결합 모델을 구성하였다. 두 모델 사이에 repeat vector에서는 encoder의 구실을 하는 Bi-GRU에서의 출력이 예측할 시간만큼(24시간) 복사되어 decoder의 구실을 하는 TCN의 입력으로 사용되며, decoder는 24시간 길이의 출력을 생성하도록 설계하였다.

또한, 태양광 발전량 예측에서 다단계 예측은 안정적인 전력 계통 운영에서 단일 예측보다 더 효과적이므로^[9], 본 연구는 현재 시점 이후 다음 날 24시간 동안의 시간별(hour) 태양광 발전량 예측이 가능하도록 many-to-many 방식을 사용하여 모델 학습을 진행하였다.

출력 결과에 multi-head attention mechanism을 적용하여 입력 시퀀스의 모든 부분을 동시에 고려하여 정보 손실을 최소화하도록 설계하였으며, dense layer를 추가하고 제안한 모델의 출력을 차원은 1, 길이는 24로 구성하였다. 활성 함수(activation function)는 장기 의존성 문제와 기울기 소실 문제에 적합한 SELU(scaled exponential linear unit) 함수를 사용하였다^[18].

제안한 모델의 성능을 평가하고자 학습(training) 및 평가(test) 집합의 비율은 2:1로 설정하여 데이터를 분할하였으며, 각 표본에 대해 24시간 동안의 연속적인 입력 변수 및 해당 기간의 라벨(label)을 추출하여 구성하였다. 이를 위해 학습 집합에서는 각 표본의 시작 시각을 24로 설정하고, 시퀀스의 길이 또한 24로 지정하여 학습 및 평가 집합 배치를 구성하였다.

그림 2. 다단계 태양광 발전량 예측 모델의 구성도

Fig. 2. Architecture of Multistep-Ahead Photovoltaic Power Forecasting Model

4. Experimental Results

본 연구는 64GB 메모리와 NVIDIA GeForce RTX 2080 Super 1개로 구성된 컴퓨팅 환경에서 실험을 진행하였으며, 제안한 모델과 비교 모델은 Python 3.8, TensorFlow 및 Keras 2.9 버전에서 구성하였다. 또한, 제안한 예측 모델의 우수성을 입증하고자 비교 모델로 LSTM-TCN^[24], BiLSTM-TCN^[25], GRU-TCN^[26] 등 총 3가지 모델을 구성하였으며, 모든 모델 학습을 위한 하이퍼파라미터 구성은 표 2와 같다.

표 3과 표 4는 Kaneka 태양광 패널의 평가 집합에 관해 다음 날 24시간 동안의 발전된 예측값을 평가한 것으로, 제안한 모델은 평가지표 MAE 측면에서 평균 0.048, RMSE 측면에서는 평균 0.086을 도출하여 비교 모델보다 모든 시점에서 우수한 성능을 나타내었다. 또한, 표 5과 표 6은 동일한 실험 조건에서 Kyocera 태양광 패널의 평가 집합에 관해 실험한 결과로, MAE 측면에서 평균 0.086, RMSE 측면에서는 평균 0.145로 특정 시점(11, 12, 13, 20)을 제외하고는 비교 모델보다 우수한 성능을 확인하였다.

5. Conclusions

본 연구는 다음 날 24시간 동안의 다단계 태양광 발전량 예측을 위한 멀티 퓨전 딥러닝 모델을 제시하였다. 실험 구성에서는 다중 시계열 데이터의 특성을 고려한 전처리를 적용하고, Bi-GRU, TCN, multi-head attention mechanism을 결합하였다. 또한, 다단계 예측을 위해 many-to-many 방식을 사용하여 모델 학습을 진행하였다. 실험 결과, DKASC에 설치된 Kaneka 및 Kyocera 태양광 패널에서 수집된 데이터를 활용하여 제안 모델이 비교 모델보다 평균 MAE 및 평균 RMSE 측면에서 우수한 성능을 보여주었다. 이는 제안한 모델이 다양한 시계열 패턴과 시간적 의존성을 효과적으로 학습하고 중요한 정보에 집중하여 태양광 발전량의 높은 예측 정확도를 달성할 수 있음을 입증하였다.

본 연구에서 제안된 모델은 태양광 발전량 예측에 있어 전반적으로 우수한 성능을 도출하였으나, 특정 태양광 패널 브랜드인 Kyocera 제품에서 일부 시간대(11, 12, 13, 20)에 다른 패널보다 낮은 예측 정확도를 보인 한계가 있었다. 이는 사용된 태양광 패널의 성능 차이가 학습 데이터의 특성에 영향을 미쳤을 가능성을 시사한다. 따라서, 다양한 브랜드의 태양광 패널을 포함하여 데이터 셋을 확장하고, 이를 통해 딥러닝 구조를 더욱 발전시킬 필요가 있다.

향후 연구에서는 다양한 태양광 패널 데이터를 활용하여 모델의 일반화 능력을 강화하고자 한다. 이를 위해 전이학습과 그래프 신경망을 통합하여, 국내외 다양한 태양광 발전 시스템에 모델을 적용함으로써 실제 활용 가치를 검증하고자 한다.