콜드 스타트(Cold-Start) 태양광 발전 예측을 위한 물리 정보 기반 합성 이력 기반 시계열 파운데이션 모델 (Time series
요약
태양광 발전소 운영 초기 데이터가 없는 콜드 스타트 문제를 해결하기 위해 물리 정보 기반 합성 이력을 활용한 시계열 파운데이션 모델(TSFM) 연구를 소개합니다. 다양한 TSFM 모델을 벤치마킹한 결과, 공변량 인지 모델이 기존 베이스라인 대비 1.7~2배 우수한 성능을 보였습니다.
핵심 포인트
- 콜드 스타트 상황을 위한 제로샷 합성 이력 생성 파이프라인 제안
- 공변량 인지 파운데이션 모델이 기존 모델 대비 높은 예측 성능 달성
- TabPFN-TS가 실제 피드백 환경에서 가장 낮은 오차 기록
- Chronos-2는 자기 예측 피드백 전략에서 가장 견고한 성능 입증
- 정확도는 생성기 종류보다 타당한 시간적 맥락 가용성에 좌우됨
시운전 시기에 태양광 (Photovoltaic, PV) 운영자는 대상 부지의 관측 데이터가 확보되기 전에 발전량을 예측해야 하며, 이는 표준적인 지도 학습 기반 예측기 (supervised forecasters)의 직접적인 사용을 제한합니다. 이러한 콜드 스타트 (Cold-Start) 설정은 발전소 메타데이터와 기상 공변량 (meteorological covariates)으로부터 합성 발전 이력을 생성하는 제로샷 (zero-shot) 파이프라인을 통해 해결되며, 이를 통해 시계열 파운데이션 모델 (Time-series Foundation Models, TSFMs)이 추론 시점 조건화 (inference-time conditioning)를 통해 예측할 수 있도록 합니다. 다섯 가지 TSFMs를 엄격한 콜드 스타트 베이스라인 (Cold-Start Baseline), 실제 피드백 (Real Feedback), 그리고 자기 예측 피드백 (Self-Forecast Feedback) 전략 하에서 전통적인 베이스라인 모델들과 비교 벤치마킹하였습니다. 평가는 네 개의 데이터셋과 다양한 기후 체계에 걸친 440개의 PV 사이트를 대상으로 수행되었습니다. 공변량 인지 파운데이션 모델 (Covariate-aware foundation models)은 베이스라인보다 약 1.7~2배 더 우수한 성능을 보였습니다. TabPFN-TS는 실제 피드백 (Real Feedback) 하에서 가장 낮은 오차(MAE 0.514, RMSE 0.721 kWh kWp⁻¹ d⁻¹)를 달성하였으며, Chronos-2는 자기 예측 피드백 (Self-Forecast Feedback) 하에서 가장 견고한(robust) 성능을 보였습니다. 성능은 합성 이력의 출처에 크게 민감하지 않았으며, 이는 정확도가 특정 생성기(generator)보다는 타당한 시간적 맥락 (temporal context)의 가용성에 의해 좌우됨을 나타냅니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기